CN109835501A - 用于载具维修计划和故障监测的设备和方法 - Google Patents

用于载具维修计划和故障监测的设备和方法 Download PDF

Info

Publication number
CN109835501A
CN109835501A CN201811438373.1A CN201811438373A CN109835501A CN 109835501 A CN109835501 A CN 109835501A CN 201811438373 A CN201811438373 A CN 201811438373A CN 109835501 A CN109835501 A CN 109835501A
Authority
CN
China
Prior art keywords
carrier
fault data
fault
data
historic
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201811438373.1A
Other languages
English (en)
Other versions
CN109835501B (zh
Inventor
N·哈诺夫
J·M·埃辛顿
L·E·斯特劳格森
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Boeing Co
Original Assignee
Boeing Co
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Boeing Co filed Critical Boeing Co
Publication of CN109835501A publication Critical patent/CN109835501A/zh
Application granted granted Critical
Publication of CN109835501B publication Critical patent/CN109835501B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/006—Indicating maintenance
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/10—Office automation; Time management
    • G06Q10/109—Time management, e.g. calendars, reminders, meetings or time accounting
    • G06Q10/1093—Calendar-based scheduling for persons or groups
    • G06Q10/1097—Task assignment
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/20—Administration of product repair or maintenance
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
    • G07C5/0808—Diagnosing performance data
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B64—AIRCRAFT; AVIATION; COSMONAUTICS
    • B64F—GROUND OR AIRCRAFT-CARRIER-DECK INSTALLATIONS SPECIALLY ADAPTED FOR USE IN CONNECTION WITH AIRCRAFT; DESIGNING, MANUFACTURING, ASSEMBLING, CLEANING, MAINTAINING OR REPAIRING AIRCRAFT, NOT OTHERWISE PROVIDED FOR; HANDLING, TRANSPORTING, TESTING OR INSPECTING AIRCRAFT COMPONENTS, NOT OTHERWISE PROVIDED FOR
    • B64F5/00—Designing, manufacturing, assembling, cleaning, maintaining or repairing aircraft, not otherwise provided for; Handling, transporting, testing or inspecting aircraft components, not otherwise provided for
    • B64F5/60—Testing or inspecting aircraft components or systems
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
    • G05B23/0245—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a qualitative model, e.g. rule based; if-then decisions
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C2205/00—Indexing scheme relating to group G07C5/00
    • G07C2205/02—Indexing scheme relating to group G07C5/00 using a vehicle scan tool

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Automation & Control Theory (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及用于载具维修计划和故障监测的设备和方法。载具健康监测系统，包括规则生成模块，所述规则生成模块接收载具系统的历史性时间标记的载具故障数据、确定历史性时间标记的载具故障数据的先前历史性载具故障数据与历史性时间标记的载具故障数据的后续不同历史性载具故障数据的对之间的相关性、并基于针对所述对所确定的相关性来生成维修规则。系统的故障检测模块监测载具系统的故障——其中载具故障包括多个时间标记的先前载具故障数据、将规则应用到多个时间标记的先前载具故障数据、确定后续载具故障即将发生、并生成对应于后续载具故障即将发生的维修报告，使得在载具系统上进行前瞻性维修。

Description

用于载具维修计划和故障监测的设备和方法
背景
示例性实例总体上涉及载具维修计划(maintenance scheduling)和故障监测，以及更具体地涉及使用由事件驱动数据确定的故障代码频率的载具维修计划和故障监测。
一般地，当事件驱动数据用于预测分析时，预测结果固有地差。这是由于事件驱动数据收集的方式。例如，事件驱动数据一般在触发事件已经发生时被捕获，使得只有单一情况的数据被捕获(例如，在触发事件的情况下)。在物理系统中，触发事件的实例可以是温度超出事件、所达到的一定海拔、或人们可期望捕获数据的其它适合事件。
当应用于载具维修时，事件驱动数据的使用一般导致反应性(reactive)载具维修，其可能有时使载具系统、或载具自身停用(报废，out of service)，这可能是无法预测的。无法预测地将载具从服役中移除用于维修可能是昂贵的(由于，例如，载具生成的收入损失等)并且降低了载具的可用性。一般在事件驱动系统中，在触发事件之前的数据是无法获得的(例如，不被捕获或记录)，这使得预报或预测载具故障变得复杂——因为缺少或缺乏做出预测的数据。
解决缺少数据的问题一般是困难的，并且如此操作的常规解决方案都有其自身的缺点。一些常规解决方案可使用被动预测方法，其通过生成较低传感阈值来尝试获得可预测性，具体载具构件预期在所述较低传感阈值上经历故障。较低传感阈值的使用一般还生成对构件故障的大量假阳性指示。此外，具体载具构件的这些较低传感阈值一般被认为处于孤立并且不与其它相关载具构件结合。因此，被动预测方法可能不考虑来自其它载具系统或系统内区域的数据，所述数据可生成对具体载具构件的行为的深刻理解。
一般地，在事件驱动系统中添加另外的传感器，从而生成增加量的数据以预测载具构件故障。然而，另外的传感器增加了载具的成本和复杂性并且不会提供充足的数据来确定具体载具构件中的迫切故障。
概述
因此，意图解决至少一个或多个上文指出的关注的设备和方法会发现具有实用性。
以下是根据本公开的主题的非详尽列举的实例，其可要求保护或可不要求保护。
根据本公开的主题的一个实例涉及载具健康监测系统，所述载具健康监测系统包括：载具系统维修规则生成模块，其被配置以与载具耦接，载具系统维修规则生成模块被配置以接收载具系统的历史性时间标记的(time-stamped)载具故障数据；确定历史性时间标记的载具故障数据的先前历史性载具故障数据与历史性时间标记的载具故障数据的后续不同历史性载具故障数据的对之间的相关性，并基于针对先前历史性载具故障数据与后续不同历史性载具故障数据的对所确定的相关性生成载具系统维修规则；和载具系统故障检测模块，其被配置以与载具耦接从而监测载具系统的故障，其中载具故障包括多个时间标记的先前载具故障数据，载具系统故障检测模块被进一步配置以将载具系统维修规则应用到多个时间标记的先前载具故障数据，基于载具系统维修规则应用到多个时间标记的先前载具故障数据来确定后续载具故障即将发生，并生成对应于后续载具故障即将发生的维修报告，使得在载具系统上进行前瞻性维修(主动维修，proactive maintenance)；其中多个时间标记的先前载具故障数据与先前历史性载具故障数据对应，而后续载具故障与后续不同历史性载具故障数据对应。
根据本公开的主题的另一实例涉及载具维修计划设备，所述载具维修计划设备包括：记录模块，其被配置以与载具耦接从而接收载具系统的历史性时间标记的载具故障数据；载具系统故障相关性模块，其被配置以确定历史性时间标记的载具故障数据的先前历史性载具故障数据与历史性时间标记的载具故障数据的后续不同历史性载具故障数据的对之间的相关性，并基于针对先前历史性载具故障数据与后续不同历史性载具故障数据的对所确定的相关性生成载具系统维修规则；和载具维修计划引擎，其被配置以与载具耦接从而监测载具系统的故障，其中载具故障包括多个时间标记的先前载具故障数据，载具维修计划引擎进一步被配置以将载具系统维修规则应用到多个时间标记的先前载具故障数据，基于载具系统维修规则应用到多个时间标记的先前载具故障数据来确定后续载具故障即将发生，并生成对应于后续载具故障即将发生的维修报告，使得在载具系统上进行前瞻性维修；其中多个时间标记的先前载具故障数据与先前历史性载具故障数据对应，而后续载具故障与后续不同历史性载具故障数据对应。
根据本公开的主题的又另一个实例涉及前瞻性载具维修的方法。方法包括：利用载具系统维修规则生成模块从载具接收载具的载具系统的历史性时间标记的载具故障数据；利用载具系统维修规则生成模块确定历史性时间标记的载具故障数据的先前历史性载具故障数据与历史性时间标记的载具故障数据的后续不同历史性载具故障数据的对之间的相关性；基于针对先前历史性载具故障数据与后续历史性不同载具故障数据的对所确定的相关性利用载具系统维修规则生成模块生成载具系统维修规则；利用载具系统故障检测模块监测载具系统的故障，其中载具故障包括多个时间标记的先前载具故障数据；利用载具系统故障检测模块将载具系统维修规则应用到多个时间标记的先前载具故障数据；基于载具系统维修规则应用到多个时间标记的先前载具故障数据利用载具系统故障检测模块确定后续载具故障即将发生；以及利用载具系统故障检测模块生成对应于后续载具故障即将发生的维修报告，使得在载具系统上进行前瞻性维修；其中多个时间标记的先前载具故障数据与先前历史性载具故障数据对应，而后续载具故障与后续不同历史性载具故障数据对应。
附图简述
因此以通用术语描述了本公开的实例。现将参考附图，其不必按比例绘制，并且其中相同的参考字符表示贯穿若干视图中的相同或近似的部分，并且其中：
图1A是根据本公开的方面的载具健康监测系统的示意框图；
图1B是根据本公开的方面的载具健康监测系统的部分的示意框图；
图1C是根据本公开的方面的载具健康监测系统的部分的示意框图；
图1D是根据本公开的方面的载具健康监测系统的部分的示意框图；
图1E是根据本公开的方面的载具健康监测系统的部分的示意框图；
图2是根据本公开的方面的示例性相关性图表；
图3是根据本公开的方面的示例性特征扩展矩阵；
图4是根据本公开的方面的载具系统维修规则的示例性应用；
图5是根据本公开的方面的用于前瞻性载具维修的方法的示例性流程图；
图6是根据本公开的方面的图5中的方法的部分的示例性流程图；
图7是根据本公开的方面的图1中的载具的示例性示例；以及
图8是飞行器生产和服役方法学的示例性流程图。
详细描述
参考图1A和7，载具健康监测系统100将关于固定翼飞行器如飞行器199A(仅出于示例性目的)进行描述。然而，应当理解载具健康监测系统100可部署在任何适合的载具199中，包括但不限于航天载具、旋转翼飞行器、无人驾驶载具(UAV)、固定翼飞行器、轻于空气的载具、海运载具、和车辆(automotive)载具。在一方面中，载具199包括至少一个载具系统198，均具有一个或多个(例如，多个)各自的构件(例如，引擎及其构件、空调系统及其构件等)。至少一个载具系统198可包括推进系统198A、液压系统198E、电气系统198D、主起落架系统198B、和前起落架系统(nose landing gear system)198C。载具199还可包括具有环境系统198G的内部198INT。在其它方面中，载具系统198还可包括耦接到载具199的机体198FRM(如例如，襟翼、扰流板、副翼、前缘缝翼、方向舵、电梯、和纵倾调整片)的一个或多个控制系统。
参考图1A，本公开的方面提供了被配置以预测载具系统198中的故障的载具健康监测系统100，如提供了载具系统198的预先确定构件602(图6)——在其中没有载具系统198的即将发生故障的单一明确指示并且随时间推移最终载具系统故障的证据越来越多的情况下。在本公开的方面中，载具健康监测系统100基于事件驱动数据(例如，先前和后续载具故障数据)和历史性载具使用数据135预测预先确定的载具系统198构件602(图6)的故障。载具健康监测系统100被配置以确定后续不同历史性载具故障数据134(例如，主要(primary)故障代码)与先前历史性载具故障数据133(例如，与主要故障代码功能上相关的其它故障代码)之间的一种或多种相关性139。载具健康监测系统将相关性139与历史性载具使用数据135组合从而生成特征向量，载具系统维修规则140从该特征向量提取。载具系统维修规则140一经建立，载具健康监测系统100监测接收自载具199的时间标记的先前载具故障数据197，从而确定时间标记的先前载具故障数据197是否指示载具故障的即将发生。本公开的方面还提供了随着载具故障数据持续更新而自动化自学习的载具健康监测系统，其是载具系统维修规则提取的基础。该自动化自学习为载具健康监测系统100提供了预测载具系统故障的随时间的增加的准确性。
下文提供了根据本公开的主题的可要求保护或可不要求保护的示例的、非详尽的实例。
仍参考图1A以及图1B-1E，载具健康监测系统100包括载具系统维修规则生成模块130和载具系统故障检测模块120。在一方面中，载具系统维修规则生成模块130和载具系统故障检测模块120被包括在载具健康监测系统100的载具维修计划设备110中。载具系统维修规则生成模块130被配置以通过耦接180以任意适合的方式与载具199耦接。耦接180可以是任意适合的直接或间接通信(communication)耦接如，例如，一种或多种有线通信耦接、无线通信耦接、和使用任意适合的便携式数据传输介质的通信。载具系统维修规则生成模块130被配置以接收载具系统198的历史性时间标记的载具故障数据132、接收历史性载具使用数据135、以及确定历史性时间标记的载具故障数据132的先前历史性载具故障数据133与历史性时间标记的载具故障数据132的后续不同历史性载具故障数据134的对之间的一种或多种相关性139。载具系统维修规则生成模块130还被配置以基于针对先前历史性载具故障数据133与后续不同历史性载具故障数据134的对所确定的相关性(一种或多种)139生成载具系统维修规则140。
例如，载具系统维修规则生成模块130包括记录模块131和载具系统故障相关性模块136。记录模块131被配置以诸如通过耦接180与载具199耦接，从而接收载具系统198的历史性时间标记的载具故障数据132。记录模块131还可被配置以从载具199或其它适合的数据存储器如载具199的操作者的数据库来接收历史性载具使用数据135。历史性载具使用数据135可包括(参考图1D)与载具的使用相关的任意适合的数据，包括但不限于以下中的一种或多种：旅行(excursion)日期135A、旅行时间135B、旅行位置135D、载具的年龄135E(例如，如当一种或多种先前或后续载具故障发生时)、在载具上进行维修的小时数135G、旅行类型135H、在载具上进行的维修类型135C、和载具故障数据的优先顺序135F。
参考图1A和2，载具系统故障相关性模块136被配置以确定历史性时间标记的载具故障数据132的先前历史性载具故障数据133与历史性时间标记的载具故障数据132的后续不同历史性载具故障数据134的对之间的相关性(一种或多种)139。例如，后续不同历史性载具故障数据134包括与后续载具故障196相关的历史性数据。后续载具故障196可以是主要载具故障X1-Xn(其中n是任意适合的整数，表示载具系统198可能存在的主要故障数的上限)中的任一种。先前历史性载具故障数据133包括与时间标记的先前载具故障数据197相关的历史性数据。时间标记的先前载具故障数据197包括相关载具故障Y1-Yn(其中n是任意适合的整数，表示载具系统198可能存在的主要故障数的上限)中的任一种的数据，其中相关载具故障Y1-Yn可指示一种或多种主要载具故障X1-Xn的即将发生。载具系统故障相关性模块136被配置以如通过确定相关性系数以任意适合的方式来确定主要载具故障X1-Xn与相关载具故障Y1-Yn中的至少一种(或每一种)之间的一种或多种相关性139。仅出于示例性目的，图2示例了示例性相关性图表200，其中针对相关载具故障Y1-Yn中的至少一种和主要载具故障X1来确定相关性系数。载具系统故障相关性模块136被配置以确定哪对的先前历史性载具故障数据133(例如，相关载具故障Y1-Yn)与后续不同历史性载具故障数据134(例如，主要载具故障X1-Xn)超出了相关性阈值139T，其中如果超出相关性阈值139T，则确定先前历史性载具故障数据133与后续不同历史性载具故障数据134之间存在相关性——出于生成载具系统维修规则140的目的。在一方面中，相关性阈值139T为约50％(例如，相关性系数为约0.5)，但应当理解相关性阈值可高于或低于约50％——取决于，例如，载具系统198。例如，推进系统198A可具有比环境系统198G更低的相关性阈值139T。
根据本公开的方面，对于超出相关性阈值139T的至少一对(或每对)的先前历史性载具故障数据133和后续不同历史性载具故障数据134，载具系统维修规则生成模块130的载具系统故障相关性模块136被配置以确定在发生相应的后续不同历史性载具故障数据134之前发生的先前历史性载具故障数据133的统计上显著的发生数137。例如，统计上显著的发生数137可以是平均发生数、最大发生数、最小发生数、发生之间的方差、或任意其它统计上有意义的值。针对超出相关性阈值139T的至少一对(或每对)的先前历史性载具故障数据133和后续不同历史性载具故障数据134，载具系统故障相关性模块136还被配置以生成关系矩阵142，所述关系矩阵142包括在相应的后续不同历史性载具故障数据134的发生之前发生的先前历史性载具故障数据133的统计上显著的发生数137以及先前历史性载具故障数据133、后续不同历史性载具故障数据134、和历史性载具使用数据135中的至少一种或多种(参见图1E)。
根据本公开的方面，对于超出相关性阈值139T的至少一对(或每对)的先前历史性载具故障数据133与后续不同历史性载具故障数据134，载具系统维修规则生成模块130的载具系统故障相关性模块136被配置以确定在相应的后续历史性不同载具故障数据134的发生之前发生的先前历史性载具故障数据133的统计上显著的持续时间138。例如，统计上显著的发生数可以是平均发生数、最大发生数、最小发生数、发生之间的方差、或任意其它统计上有意义的值。针对超出相关性阈值139T的至少一对(或每对)的先前历史性载具故障数据133与后续不同历史性载具故障数据134，载具系统故障相关性模块136还被配置以用在后续不同历史性载具故障数据134的发生之前发生的先前历史性载具故障数据133的发生之间的统计上显著的持续时间138填充关系矩阵142。
再次参考图1A-1E，载具系统故障相关性模块136还被配置以基于针对先前历史性载具故障数据133与后续不同历史性载具故障数据134的对所确定的相关性(一种或多种)139来生成载具系统维修规则140。例如，载具系统维修规则生成模块130的载具系统故障相关性模块136被配置以将历史性载具使用数据135与相关性139(针对先前历史性载具故障数据133与后续不同历史性载具故障数据134的对所确定的)组合，从而生成载具系统维修规则140。历史性载具使用数据135与相关性139的这种组合是特征扩展610(图6)，其提供了特征向量的生成(例如，主要载具故障X1发生之前的相关载具故障Y1的数目、主要载具故障X1发生之前的相关载具故障Y2的数目、主要载具故障X1发生之前所发生的天数T1、相关载具故障Y1的发生顺序等)。示例性特征扩展矩阵300在图3中示例。在该实例中，特征扩展矩阵300包括载具识别301、故障代码302、故障发生年303、故障发生年的某天304、任务类型305(例如，载具进行的任务类型)、故障时的年龄306(例如，当故障发生时载具的年龄)、为了修理(remedy)故障而在载具上进行的维修的小时数307、以及在后续不同历史性载具故障前的天数308。在该实例中，作为相关性139的结果，已确定相关载具故障Y1、Y2、Y3、Y4、Y5、Y7、Y8、和Y10满足相关性阈值(例如，按照相关性阈值139T与主要载具故障X1具有必要关系)并包括在特征扩展矩阵300中用于提取载具系统维修规则140。
参考图1A和4，载具系统故障相关性模块被配置以基于如特征扩展矩阵300中示出的历史性载具使用数据135和相关性(一种或多种)139来提取载具系统维修规则140。可从历史性载具使用数据135和相关性(一种或多种)139中提取的载具系统维修规则140A的一个实例在图4中示例，其中：
如果自X1故障的上一次发生，小于(短于，less than)393天发生Y1故障；以及
自X1故障的上一次发生，在367与870天之间任何时发生Y2故障；以及
Y2故障已发生至少三次；
那么即将发生另一次X1故障。
应当理解图4仅示例了一种示例性载具系统维修规则140，并且应当理解其它载具系统维修规则140可以基于历史性载具使用数据135和相关性(一种或多种)139。载具系统故障相关性模块136可包括规则提取器模块140E(图6)，其被配置以以任意适合的方式提取载具系统维修规则140。例如，规则提取器模块140E可被配置具有任意适合的机器学习如决策树、神经网络等——以任意适合的方式被训练/配置从而结合历史性载具使用数据135识别超出相关性阈值141的先前历史性载具故障数据133(例如，相关载具故障Y1-Yn)与后续不同历史性载具故障数据(例如，主要载具故障X1-Xn)的对之间的任意适合的模式、关系、和/或事件链。
参考图1A，载具系统故障检测模块120被配置以如通过耦接180与载具199耦接从而监测载具系统198的载具故障，其中载具故障包括多个时间标记的先前载具故障数据197，所述多个时间标记的先前载具故障数据197将通过载具系统故障检测模块120来分析并与载具系统维修规则140进行比较从而预测后续载具故障即将发生123。多个时间标记的先前载具故障数据197可通过载具维修计划引擎121以基本实时的方式获得。在一方面中，基本实时是在载具系统198生成每个时间标记的先前载具故障数据时载具维修计划引擎121获得多个时间标记的先前载具故障数据197。在另一方面中，基本实时是当载具199从旅行返回时或在载具199前去旅行之前，载具维修计划引擎121获得多个时间标记的先前载具故障数据197。根据本公开的方面，历史性时间标记的载具故障数据132(例如，先前历史性载具故障数据133和后续不同历史性载具故障数据134中的一个或多个)和多个时间标记的先前载具故障数据197中的一个或多个包括时间标记的故障代码信息133A、134A、197A(图1B和1C)。根据本公开的方面，历史性时间标记的载具故障数据132(例如，先前历史性载具故障数据133和后续不同历史性载具故障数据134中的一个或多个)和多个时间标记的先前载具故障数据197中的一个或多个包括时间标记的构件故障报告133B、134B、197B(图1B和1C)。
载具系统故障检测模块120进一步被配置以将载具系统维修规则140应用到多个时间标记的先前载具故障数据197。载具系统故障检测模块还被配置以基于载具系统维修规则140应用到多个时间标记的先前载具故障数据197来确定后续载具故障即将发生123，并生成对应于后续载具故障即将发生123的维修报告127，使得在载具系统198上进行前瞻性维修170——其可前瞻性地避免后续载具故障196。多个时间标记的先前载具故障数据197与先前历史性载具故障数据133对应，而后续载具故障196与后续不同历史性载具故障数据134对应。
作为实例，载具系统故障检测模块120可包括载具维修计划引擎121，所述载具维修计划引擎121被配置以与载具199耦接从而监测载具系统198的故障。载具维修计划引擎121被配置以将载具系统维修规则140应用到多个时间标记的先前载具故障数据197、基于载具系统维修规则140应用到多个时间标记的先前载具故障数据197来确定后续载具故障即将发生123、并生成维修报告127。例如，载具系统故障检测模块120的载具维修计划引擎121可包括特征扩展器121A(图6)和规则执行引擎121B(图6)。特征扩展器121A被配置以将多个时间标记的先前载具故障数据197与相应的使用数据195(例如，在多个时间标记的先前载具故障197数据获得时存在的使用数据)以基本类似于上述的方式进行组合，使得可以生成特征扩展矩阵(特征扩展矩阵基本类似于图3中所示的特征扩展矩阵，但针对的是多个时间标记的先前载具故障数据197和对应的使用数据195，而非先前历史性载具故障数据133与后续不同历史性载具故障数据134的对和历史性载具使用数据135)。规则执行引擎121B被配置以将载具系统维修规则140应用到多个时间标记的先前载具故障数据197和相应的使用数据195。
在一方面中，后续载具故障即将发生123至少基于多个时间标记的先前载具故障数据122的发生数，其中载具系统故障检测模块120通过载具维修计划引擎121被配置以生成维修报告127——当时多个时间标记的先前载具故障数据122的发生数达到在后续不同历史性载具故障数据134的发生之前发生的先前历史性载具故障数据133的统计上显著的发生数137的第一百分比阈值126。在另一方面中，后续载具故障即将发生123至少基于多个时间标记的先前载具故障数据197的发生之间的持续时间125，其中载具系统故障检测模块120被配置以生成维修报告127——当多个时间标记的先前载具故障数据197的发生之间的持续时间125达到在后续不同历史性载具故障数据134的发生之前发生的先前历史性载具故障数据133的发生之间的统计上显著的持续时间138的第二百分比阈值124。
在后续载具故障即将发生123的每次确定后或后续载具故障196发生中的一个或多个之后，载具系统维修规则生成模块130被配置以至少接收多个时间标记的先前载具故障数据197——包括在历史性时间标记的载具故障数据132中，如包括先前历史性载具故障数据133中。在后续载具故障即将发生123的每次确定之后或在后续载具故障196发生之后，载具系统维修规则生成模块130被配置以接收对应于后续载具故障196的数据——包括在历史性时间标记的载具故障数据132中，如包括在后续不同历史性载具故障数据134中。载具系统维修规则生成模块130被配置以接收对应于多个时间标记的先前载具故障数据197和/或后续载具故障196的使用数据195——包括在历史性时间标记的载具故障数据132中，如包括在历史性载具使用数据135中。对多个时间标记的先前载具故障数据197、后续载具故障196、和使用数据195中的一个或多个的包括提供了载具健康监测系统100的自动化自学习和载具故障预测的增加的准确性，所述载具故障预测中的增加的准确性经载具健康监测系统100通过增加载具健康监测系统100的知识库来完成。
载具健康监测系统100还可包括耦接到载具系统故障检测模块120的用户界面160。载具系统故障检测模块120诸如通过载具维修计划引擎121被配置以使维修报告127呈现在用户界面160上，从而影响载具系统198的前瞻性维修170。
在一方面中，载具健康监测系统100还包括设置在各自载具系统198中的一个或多个传感器198S。每一个传感器198S都被配置以获得多个时间标记的先前载具故障数据197、后续载具故障196、和使用数据195中的一个或多个。一个或多个传感器198S可以以任意适合的方式——如通过耦接180——耦接到载具系统维修规则生成模块130和载具系统故障检测模块120中的一个或多个，从而为载具健康监测系统100提供上述信息来确定后续载具故障即将发生123。
参考图1A-1E、5和6，将描述用于前瞻性载具维修的示例性方法500。方法500包括预处理600构件和部署650构件。在预处理构件600中，载具健康监测系统100被训练(train)并且载具系统维修规则140被生成。例如，载具系统维修规则生成模块130以上述方式从载具接收载具199的载具系统198的历史性时间标记的载具故障数据132(图5，框501)。历史性时间标记的载具故障数据132可从维修记录601、或任何其它适合的数据源获得，并且包括与先前历史性载具故障数据133(例如，主要载具故障X1-Xn)和后续不同历史性载具故障数据134(例如，相关载具故障Y1-Yn)关联的构件602识别。载具系统维修规则生成模块130确定如上所述的历史性时间标记的载具故障数据132的先前历史性载具故障数据133与历史性时间标记的载具故障数据132的后续不同历史性载具故障数据134的对之间的一种或多种相关性139(图5，框503)。载具系统维修规则生成模块130基于如上所述的针对先前历史性载具故障数据133与后续不同历史性载具故障数据134的对所确定的相关性(一种或多种)139来生成/提取载具系统维修规则140(图5，框505)。例如，载具系统维修规则生成模块130可接收或以其它方式获得历史性载具使用数据135(图5，框515)，并将历史性载具使用数据135与相关性(一种或多种)139组合(图5，框517)从而提供特征扩展610，如上所述的载具系统维修规则140从所述特征扩展610中提取。
在方法500的部署650构件中，载具系统故障检测模块120监测载具系统198的故障，其中载具故障包括如上所述的多个时间标记的先前载具故障数据197(图5，框507)。载具系统故障检测模块120将载具系统维修规则140应用到如上所述的多个时间标记的先前载具故障数据197(图5，框509)。载具系统故障检测模块120基于如上所述的载具系统维修规则140应用到多个时间标记的先前载具故障数据197来确定后续载具故障即将发生123(图5，框511)。载具系统故障检测模块120生成对应于后续载具故障即将发生123的维修报告513(图5，框513)，使得在载具系统198上进行前瞻性维修170(图5，框519)。
参考图7和8，本公开的实例可在图8中所示飞行器制造和服役方法800的上下文中描述。在其它方面中，本公开的实例可应用在如上所述的任何适合的工业中，如例如，车辆、海事、航天等。关于飞行器制造，在生产前期间，示例方法800可包括飞行器199A的规格和设计(框810)以及材料采购(框820)。在生产期间，可进行构件和子组合件制造(框830)以及飞行器199A的系统集成(框840)。其后，飞行器199A可经历认证和递送(框850)以投入服役(框860)。在服役时，可以为飞行器199A安排日常维修和保养(框870)。日常维修和保养可包括对飞行器199A的一个或多个系统的修正、重新配置、翻新(refurbishment)等——可包括本文所述的故障确定和/或由本文所述的故障确定来促进。
示例方法800的每一个过程都可通过系统集成商(integrator)、第三方、和/或操作者(例如，客户)来进行或实施。出于本描述的目的，系统集成商可无限制地包括任意数量的飞行器制造商和主要系统分包商；第三方可无限制地包括任意数量的销售商、分包商、和供应商；以及操作者可以是航空公司、租赁公司、军事实体、服务机构等。
本文所示或所述的设备(一个或多个)、系统(一个或多个)、和方法(一种或多种)可用于制造和服役方法800的任意一个或多个阶段期间。例如，可以以类似于当飞行器199A处于服役(框860)时生产多个构件或多个子组合件的方式来生产或制造对应于构件和子组合件制造(框830)的构件或子组合件。类似地，可以利用设备实现或方法实现、或其组合的一个或多个实例——例如并且无限制地，当飞行器199A处于服役(框860)时和/或在维修和保养(框870)期间。
根据本公开的方面提供以下内容：
A1.载具维修计划设备，其包括：
记录模块，其被配置以与载具耦接从而接收载具系统的历史性时间标记的载具故障数据；
载具系统故障相关性模块，其被配置以
确定历史性时间标记的载具故障数据的先前历史性载具故障数据与历史性时间标记的载具故障数据的后续不同历史性载具故障数据的对之间的相关性，并且
基于针对先前历史性载具故障数据与后续历史性不同载具故障数据的对所确定的相关性来生成载具系统维修规则；和
载具维修计划引擎，其被配置以与载具耦接从而监测载具系统的故障，其中载具故障包括多个时间标记的先前载具故障数据，载具维修计划引擎进一步被配置以
将载具系统维修规则应用到多个时间标记的先前载具故障数据，
基于载具系统维修规则应用到多个时间标记的先前载具故障数据来确定后续载具故障即将发生，并且
生成对应于后续载具故障即将发生的维修报告，使得在载具系统上进行前瞻性维修；
其中多个时间标记的先前载具故障数据与先前历史性载具故障数据对应，而后续载具故障与后续不同历史性载具故障数据对应。
A2.A1段的载具维修计划设备，其中历史性时间标记的载具故障数据和多个时间标记的先前载具故障数据中的一个或多个包括时间标记的故障代码信息。
A3.A1段的载具维修计划设备，其中历史性时间标记的载具故障数据和多个时间标记的先前载具故障数据中的一个或多个包括时间标记的构件故障报告。
A4.A1段的载具维修计划设备，其中：
记录模块被配置以接收历史性载具使用数据；并且
载具系统故障相关性模块被配置以
接收历史性载具使用数据，并且
将历史性载具使用数据与针对先前历史性载具故障数据与后续历史性不同载具故障数据的对所确定的相关性进行组合，从而生成载具系统维修规则。
A5.A4段的载具维修计划设备，其中历史性载具使用数据包括以下中的一种或多种：旅行日期、旅行时间、旅行位置、载具的年龄、在载具上进行的维修小时数、旅行类型、在载具上进行的维修类型、和载具故障数据的优先顺序。
A6.A1段的载具维修计划设备，其中：
载具系统故障相关性模块被配置以确定哪对先前历史性载具故障数据与后续历史性不同载具故障数据超出了相关性阈值；并且
对于超出相关性阈值的至少一对先前历史性载具故障数据与后续历史性不同载具故障数据，载具系统故障相关性模块被配置以
确定在后续历史性不同载具故障数据的发生之前发生的先前历史性载具故障数据的统计上显著的发生数，并且
生成关系矩阵，所述关系矩阵包括在后续历史性不同载具故障数据的发生之前发生的先前历史性载具故障数据的统计上显著的发生数以及先前历史性载具故障数据、后续历史性不同载具故障数据、和历史性载具使用数据中的至少一种或多种。
A7.A6段的载具维修计划设备，其中历史性载具使用数据包括以下中的一种或多种：旅行日期、旅行时间、旅行位置、载具的年龄、在载具上进行的维修小时数、旅行类型、在载具上进行的维修类型、和载具故障数据的优先顺序。
A8.A6段的载具维修计划设备，其中后续载具故障即将发生至少基于多个时间标记的先前载具故障数据的发生数，其中载具维修计划引擎被配置以生成维修报告——当多个时间标记的先前载具故障数据的发生数达到在后续历史性不同载具故障数据的发生之前发生的先前历史性载具故障数据的统计上显著的发生数的第一百分比阈值时。
A9.A6段的载具维修计划设备，其中针对超出相关性阈值的至少一对先前历史性载具故障数据与后续历史性不同载具故障数据，载具系统故障相关性模块被配置以
确定在后续历史性不同载具故障数据的发生之前发生的先前历史性载具故障数据的发生之间的统计上显著的持续时间，以及
用在后续历史性不同载具故障数据的发生之前发生的先前历史性载具故障数据的发生之间的统计上显著的持续时间来填充关系矩阵。
A10.A9段的载具维修计划设备，其中后续载具故障即将发生至少基于多个时间标记的先前载具故障数据的发生之间的持续时间，其中载具维修计划引擎被配置以生成维修报告——当多个时间标记的先前载具故障数据的发生之间的持续时间达到在后续历史性不同载具故障数据的发生之前发生的先前历史性载具故障数据的发生之间的统计上显著的持续时间的第二百分比阈值时。
A11.A1段的载具维修计划设备，其中在后续载具故障即将发生的每次确定和后续载具故障发生中的一个或多个之后，记录模块被配置以至少接收多个时间标记的先前载具故障数据——包括在历史性时间标记的载具故障数据中。
A12.A11段的载具维修计划设备，其中在后续载具故障即将发生的每次确定之后或在后续载具故障发生之后，记录模块被配置以接收对应于后续载具故障的数据——包括在历史性时间标记的载具故障数据中。
A13.A1段的载具维修计划，其进一步包括与载具维修计划引擎耦接的用户界面，载具维修计划引擎被配置以使维修报告呈现在用户界面上，从而影响前瞻性维修。
B1.载具健康监测系统，其包括：
载具系统维修规则生成模块，其被配置以与载具耦接，载具系统维修规则生成模块被配置以
接收载具系统的历史性时间标记的载具故障数据；
确定历史性时间标记的载具故障数据的先前历史性载具故障数据与历史性时间标记的载具故障数据的后续不同历史性载具故障数据的对之间的相关性，并且
基于针对先前历史性载具故障数据与后续历史性不同载具故障数据的对所确定的相关性来生成载具系统维修规则；和
载具系统故障检测模块，其被配置以与载具耦接，从而监测载具系统的故障，其中载具故障包括多个时间标记的先前载具故障数据，载具系统故障检测模块进一步被配置以
将载具系统维修规则应用到多个时间标记的先前载具故障数据，
基于载具系统维修规则应用到多个时间标记的先前载具故障数据来确定后续载具故障即将发生，并且
生成对应于后续载具故障即将发生的维修报告，使得在载具系统上进行前瞻性维修；
其中多个时间标记的先前载具故障数据与先前历史性载具故障数据对应，而后续载具故障与后续不同历史性载具故障数据对应。
B2.B1段的载具健康监测系统，其中历史性时间标记的载具故障数据和多个时间标记的先前载具故障数据中的一个或多个包括时间标记的故障代码信息。
B3.B1段的载具健康监测系统，其中历史性时间标记的载具故障数据和多个时间标记的先前载具故障数据中的一个或多个包括时间标记的构件故障报告。
B4.B1段的载具健康监测系统，其中载具系统维修规则生成模块被配置以：
接收历史性载具使用数据；并且
将历史性载具使用数据与针对先前历史性载具故障数据与后续历史性不同载具故障数据的对所确定的相关性进行组合，从而生成载具系统维修规则。
B5.B4段的载具健康监测系统，其中历史性载具使用数据包括以下中的一种或多种：旅行日期、旅行时间、旅行位置、载具的年龄、在载具上进行的维修小时数、旅行类型、在载具上进行的维修类型、和载具故障数据的优先顺序。
B6.B1段的载具健康监测系统，其中载具系统维修规则生成模块被配置以：
确定哪对先前历史性载具故障数据与后续历史性不同载具故障数据超出了相关性阈值；以及
针对超出相关性阈值的至少一对先前历史性载具故障数据与后续历史性不同载具故障数据，
确定在后续历史性不同载具故障数据的发生之前发生的先前历史性载具故障数据的统计上显著的发生数，和
生成关系矩阵，所述关系矩阵包括在后续历史性不同载具故障数据的发生之前发生的先前历史性载具故障数据的统计上显著的发生数以及先前历史性载具故障数据、后续历史性不同载具故障数据、和历史性载具使用数据中的至少一种或多种。
B7.B6段的载具健康监测系统，其中历史性载具使用数据包括以下中的一种或多种：旅行日期、旅行时间、旅行位置、载具的年龄、在载具上进行的维修小时数、旅行类型、在载具上进行的维修类型、和载具故障数据的优先顺序。
B8.B6段的载具健康监测系统，其中后续载具故障即将发生至少基于多个时间标记的先前载具故障数据的发生数，其中载具系统故障检测模块被配置以生成维修报告——当多个时间标记的先前载具故障数据的发生数达到在后续历史性不同载具故障数据的发生之前发生的先前历史性载具故障数据的显著的发生数的第一百分比阈值时。
B9.B6段的载具健康监测系统，其中针对超出相关性阈值的至少一对的先前历史性载具故障数据与后续历史性不同载具故障数据，载具系统维修规则生成模块被配置以
确定在后续历史性不同载具故障数据的发生之前发生的先前历史性载具故障数据的发生之间的统计上显著的持续时间，和
用在后续历史性不同载具故障数据的发生之前发生的先前历史性载具故障数据的发生之间的统计上显著的持续时间来填充关系矩阵。
B10.B9段的载具健康监测系统，其中后续载具故障即将发生至少基于多个时间标记的先前载具故障数据的发生之间的持续时间，其中载具系统故障检测模块被配置以生成维修报告——当多个时间标记的先前载具故障数据的发生之间的持续时间达到在后续历史性不同载具故障数据的发生之前发生的先前历史性载具故障数据的发生之间的统计上显著的持续时间的第二百分比阈值时。
B11.B1段的载具健康监测系统，其中在后续载具故障即将发生的每次确定和后续载具故障发生中的一个或多个之后，载具系统维修规则生成模块被配置以至少接收多个时间标记的先前载具故障数据——包括在历史性时间标记的载具故障数据中。
B12.B11段的载具健康监测系统，其中在后续载具故障即将发生的每次确定之后或在后续载具故障发生之后，载具系统维修规则生成模块被配置以接收对应于后续载具故障的数据——包括在历史性时间标记的载具故障数据中。
B13.B1段的载具健康监测系统，其进一步包括与载具系统故障检测模块耦接的用户界面，载具系统故障检测模块被配置以使维修报告呈现在用户界面上，从而影响前瞻性维修。
C1.用于前瞻性载具维修的方法，所述方法包括：
使用载具系统维修规则生成模块从载具接收载具的载具系统的历史性时间标记的载具故障数据；
使用载具系统维修规则生成模块来确定历史性时间标记的载具故障数据的先前历史性载具故障数据与历史性时间标记的载具故障数据的后续不同历史性载具故障数据的对之间的相关性；
使用载具系统维修规则生成模块、基于针对先前历史性载具故障数据与后续历史性不同载具故障数据的对所确定的相关性来生成载具系统维修规则；
使用载具系统故障检测模块来监测载具系统的故障，其中载具故障包括多个时间标记的先前载具故障数据；
使用载具系统故障检测模块将载具系统维修规则应用到多个时间标记的先前载具故障数据；
使用载具系统故障检测模块、基于载具系统维修规则应用到多个时间标记的先前载具故障数据来确定后续载具故障即将发生；和
使用载具系统故障检测模块来生成对应于后续载具故障即将发生的维修报告，使得在载具系统上进行前瞻性维修；
其中多个时间标记的先前载具故障数据与先前历史性载具故障数据对应，而后续载具故障与后续不同历史性载具故障数据对应。
C2.C1段的方法，其中历史性时间标记的载具故障数据和多个时间标记的先前载具故障数据中的一个或多个包括时间标记的故障代码信息。
C3.C1段的方法，其中历史性时间标记的载具故障数据和多个时间标记的先前载具故障数据中的一个或多个包括时间标记的构件故障报告。
C4.C1段的方法，其进一步包括：
使用载具系统维修规则生成模块，
接收历史性载具使用数据；和
将历史性载具使用数据与针对先前历史性载具故障数据与后续历史性不同载具故障数据的对所确定的相关性进行组合，从而生成载具系统维修规则。
C5.C4段的方法，其中历史性载具使用数据包括以下中的一种或多种：旅行日期、旅行时间、旅行位置、载具的年龄、在载具上进行的维修小时数、旅行类型、在载具上进行的维修类型、和载具故障数据的优先顺序。
C6.C1段的方法，其进一步包括：
使用载具系统维修规则生成模块，
确定哪对先前历史性载具故障数据与后续历史性不同载具故障数据超出了相关性阈值；以及
针对超出相关性阈值的至少一对先前历史性载具故障数据与后续历史性不同载具故障数据，
确定在后续历史性不同载具故障数据的发生之前发生的先前历史性载具故障数据的统计上显著的发生数，和
生成关系矩阵，所述关系矩阵包括在后续历史性不同载具故障数据的发生之前发生的先前历史性载具故障数据的统计上显著的发生数以及先前历史性载具故障数据、后续历史性不同载具故障数据、和历史性载具使用数据中的至少一种或多种。
C7.A6段的方法，其中历史性载具使用数据包括以下中的一种或多种：旅行日期、旅行时间、旅行位置、载具的年龄、在载具上进行的维修小时数、旅行类型、在载具上进行的维修类型、和载具故障数据的优先顺序。
C8.C6段的方法，其中后续载具故障即将发生至少基于多个时间标记的先前载具故障数据的发生数，所述方法进一步包括：
使用载具系统故障检测模块生成维修报告——当多个时间标记的先前载具故障数据的发生数达到在后续历史性不同载具故障数据的发生之前发生的先前历史性载具故障数据的统计上显著的发生数的第一百分比阈值时。
C9.C6段的方法，其进一步包括：
使用载具系统维修规则生成模块、针对超出相关性阈值的至少一对先前历史性载具故障数据与后续历史性不同载具故障数据，
确定在后续历史性不同载具故障数据的发生之前发生的先前历史性载具故障数据的发生之间的统计上显著的持续时间，和
用在后续历史性不同载具故障数据的发生之前发生的先前历史性载具故障数据的发生之间的统计上显著的持续时间来填充关系矩阵。
C10.C9段的方法，其中后续载具故障即将发生至少基于多个时间标记的先前载具故障数据的发生之间的持续时间，所述方法进一步包括：
使用载具系统故障检测模块生成维修报告——当多个时间标记的先前载具故障数据的发生之间的持续时间达到在后续历史性不同载具故障数据的发生之前发生的先前历史性载具故障数据的发生之间的统计上显著的持续时间的第二百分比阈值时。
C11.C1段的方法，其进一步包括：
在后续载具故障即将发生的每次确定和后续载具故障发生中的一个或多个之后，使用载具系统维修规则生成模块来至少接收多个时间标记的先前载具故障数据——包括在历史性时间标记的载具故障数据中。
C12.C11段的方法，其进一步包括：
在后续载具故障即将发生的每次确定之后或在后续载具故障发生之后，使用载具系统维修规则生成模块来接收对应于后续载具故障的数据——包括在历史性时间标记的载具故障数据中。
C13.C1段的方法，其进一步包括将维修报告呈现在与载具系统故障检测模块耦接的用户界面上，从而影响前瞻性维修。
在上文提及的附图中，连接各种元件和/或构件的实线(如果有的话)可表示机械的、电学的、流体的、光学的、电磁的、无线的和其它的耦接和/或其组合。如本文所用，“耦接”意为直接以及间接关联。例如，部件A可直接与部件B关联，或可间接与其关联，例如，通过另一部件C。应当理解在多种公开的元件中不是所有关系都必须表现出来的。因此，除了附图中描绘的那些耦接之外的耦接也可能存在。连接表示各种元件和/或构件的框的虚线(如果有的话)表示耦接，其在功能和目的上与由实线表示的那些类似；然而，由虚线表示的耦接可选择性地提供或者可涉及本公开的可选实例。同样地，用虚线表示的元件和/或构件(如果有的话)是指本公开的可选实例。以实线和/或虚线显示的一个或多个元件可在具体实例中省略而不偏离本公开的范围。环境元件(如果有的话)用点线表示。虚拟(想象)元件为了清楚也可以显示。本领域技术人员将理解附图中示例的一些特征可以通过多种方式组合而无需包括附图、其它附图、和/或所附公开中描述的其它特征，即使这种组合或多个组合在本文未明确地示例。类似地，不限于所示实例的另外特征可以与本文所示和所述的特征中的一些或全部进行组合。
在上文提及的图5、6、和8中，框可表示操作(operations)和/或其部分，而连接各种框的线不暗示操作或其部分的任何具体顺序或从属性。由虚线表示的框是指可选的操作和/或其部分。连接各种框的虚线(如果有的话)表示操作或其部分的可选的从属性。应当理解各种公开的操作中不是所有从属性都必须表示。描述本文列出的方法(一种或多种)的操作的图5、6、和8以及所附公开不应理解为必须确定操作将进行的顺序。然而，虽然表明了一种示例顺序，但是应当理解操作的顺序在适当时可以进行调整。因此，某些操作可以以不同顺序或基本上同时来进行。另外，本领域技术人员将理解不是所有所述操作都需要进行。
在以下描述中，列出多个具体细节以提供对所公开的构思的彻底理解，所公开的构思可以在没有这些细节中的一些或全部的情况下实践。在其它情况下，已省略了已知的装置和/或过程的细节从而避免不必要地模糊本公开。尽管将连同具体实例来描述一些构思，但是应当理解这些实例不意图限制。
除非以其它方式指出，术语“第一”、“第二”等在本文仅用作标记，并且不意图将顺序的、位置的、或等级的要求强加到这些术语指代的项目上。而且，提及，例如，“第二”项不要求或不排除，例如，“第一”或更低编号项、和/或，例如，“第三”或更高编号项的存在。
本文提及的“一个实例”意为有关实例描述的一个或多个特征、结构、或特性包括在至少一个实施中。在说明书的各种地方中的短语“一个实例”可指代或者可不指代相同实例。
如本文所用，“被配置以”发挥特定功能的系统、设备、结构、物品、元件、构件、或硬件确实能够发挥特定功能而无任何改变，而非在进一步修正后仅仅具有发挥特定功能的潜力。换言之，“被配置以”发挥特定功能的系统、设备、结构、物品、元件、构件、或硬件被特别地选择、创造、实施、利用、编程、和/或设计以用于发挥特定功能的目的。如本文所用，“被配置以”表示能够使系统、设备、结构、物品、元件、构件、或硬件发挥特定功能而无任何进一步的修正的系统、设备、结构、物品、元件、构件、或硬件的现有特性。出于本公开的目的，描述为“被配置以”发挥具体功能的系统、设备、结构、物品、元件、构件、或硬件可另外地或可选地被描述为“适于”和/或被描述为“用于(operative to)”发挥该功能。
本文公开的设备(一个或多个)和方法(一种或多种)的不同实例包括各种构件、特征、和功能性。应当理解本文公开的设备(一个或多个)、系统(一个或多个)、和方法(一种或多种)的各种实例可包括本文公开的设备(一个或多个)和方法(一种或多种)的任意其它实例的以任意组合的任意构件、特征、和功能性，并且所有这种可能性都意图在本公开的范围内。
本文列出的实例的多种修正具有先前描述和相关附图中呈现的教导的益处，将让本公开所属领域技术人员想到。
因此，应当理解本公开将不限于所示例的具体实例并且应当理解修正和其它实例意图包括在所附权利要求的范围内。而且，虽然先前描述和相关附图在元件和/或功能的某些示例组合的上下文中描述了本公开的实例，但是应当理解可以通过可选实施来提供元件和/或功能的不同组合而不偏离所附权利要求的范围。因此，所附权利要求中括号内的参考编号仅出于示例目的而呈现并且不意图将所要求保护的主题限制到本公开所提供的具体实例。

Claims (15)

1.载具健康监测系统(100)，其包括：
载具系统维修规则生成模块(130)，其被配置以与载具(199)耦接，所述载具系统维修规则生成模块(130)被配置以
接收载具系统(198)的历史性时间标记的载具故障数据(132)；
确定所述历史性时间标记的载具故障数据(132)的先前历史性载具故障数据(133)与所述历史性时间标记的载具故障数据(132)的后续不同历史性载具故障数据(134)的对之间的相关性(139)，以及
基于针对所述先前历史性载具故障数据(133)和所述后续不同历史性载具故障数据(134)的对所确定的所述相关性(139)来生成载具系统维修规则(140)；和
载具系统故障检测模块(120)，其被配置以与所述载具(199)耦接，从而监测所述载具系统(198)的故障，其中所述载具故障包括多个时间标记的先前载具故障数据(197)，所述载具系统故障检测模块(120)进一步被配置以
将所述载具系统维修规则(140)应用到所述多个时间标记的先前载具故障数据(197)，
基于所述载具系统维修规则(140)应用到所述多个时间标记的先前载具故障数据(197)来确定后续载具故障即将发生(123)，以及
生成对应于所述后续载具故障即将发生(123)的维修报告(127)，使得在所述载具系统(198)上进行前瞻性维修(170)；
其中所述多个时间标记的先前载具故障数据(197)与所述先前历史性载具故障数据(133)对应，而后续载具故障(196)与所述后续不同历史性载具故障数据(134)对应。
2.权利要求1所述的载具健康监测系统(100)，其中所述载具系统维修规则生成模块(130)被配置以：
接收历史性载具使用数据(135)；以及
将所述历史性载具使用数据(135)与针对所述先前历史性载具故障数据(133)与所述后续不同历史性载具故障数据(134)的对所确定的所述相关性(139)进行组合，从而生成所述载具系统维修规则(140)。
3.权利要求1或2所述的载具健康监测系统(100)，其中所述历史性载具使用数据(135)包括以下中的一种或多种：旅行日期(135A)、旅行时间(135B)、旅行位置(135D)、所述载具的年龄(135E)、在所述载具上进行的维修小时数(135G)、旅行类型(135H)、在所述载具上进行的维修类型(135C)、和载具故障数据的优先顺序(135F)。
4.权利要求1或2所述的载具健康监测系统(100)，其中所述载具系统维修规则生成模块(130)被配置以：
确定哪对所述先前历史性载具故障数据(133)与所述后续不同历史性载具故障数据(134)超出了相关性阈值(139T)；以及
针对超出所述相关性阈值(139T)的至少一对所述先前历史性载具故障数据(133)与所述后续不同历史性载具故障数据(134)，
确定在所述后续不同历史性载具故障数据(134)的发生之前发生的所述先前历史性载具故障数据(133)的统计上显著的发生数(137)，和
生成关系矩阵(142)，所述关系矩阵(142)包括在所述后续不同历史性载具故障数据(134)的发生之前发生的所述先前历史性载具故障数据(133)的统计上显著的发生数(137)以及所述先前历史性载具故障数据(133)、所述后续不同历史性载具故障数据(134)、和历史性载具使用数据(135)中的至少一种或多种。
5.权利要求4所述的载具健康监测系统(100)，其中所述后续载具故障即将发生(123)至少基于所述多个时间标记的先前载具故障数据(122)的发生数，其中所述载具系统故障检测模块(120)被配置以生成所述维修报告(127)——当所述多个时间标记的先前载具故障数据(122)的发生数达到在所述后续不同历史性载具故障数据(134)的发生之前发生的所述先前历史性载具故障数据(133)的统计上显著的发生数(137)的第一百分比阈值(126)时。
6.权利要求4所述的载具健康监测系统(100)，其中针对超出所述相关性阈值(139T)的至少一对所述先前历史性载具故障数据(133)与所述后续不同历史性载具故障数据(134)，所述载具系统维修规则生成模块(130)被配置以
确定在所述后续不同历史性载具故障数据(134)的发生之前发生的所述先前历史性载具故障数据(133)的发生之间的统计上显著的持续时间(138)，以及
用在所述后续不同历史性载具故障数据(134)的发生之前发生的所述先前历史性载具故障数据(133)的发生之间的统计上显著的持续时间(138)来填充所述关系矩阵(142)。
7.权利要求6所述的载具健康监测系统(100)，其中所述后续载具故障即将发生(123)至少基于所述多个时间标记的先前载具故障数据(197)的发生之间的持续时间，其中所述载具系统故障检测模块(120)被配置以生成所述维修报告(127)——当所述多个时间标记的先前载具故障数据(197)的发生之间的所述持续时间达到在所述后续不同历史性载具故障数据(134)的发生之前发生的所述先前历史性载具故障数据(133)的发生之间的统计上显著的持续时间(138)的第二百分比阈值(124)时。
8.权利要求1或2所述的载具健康监测系统(100)，其中所述历史性时间标记的载具故障数据(132)和所述多个时间标记的先前载具故障数据(197)中的一个或多个包括时间标记的故障代码信息(133A、134A、197A)。
9.权利要求1或2所述的载具健康监测系统(100)，其中所述历史性时间标记的载具故障数据(132)和所述多个时间标记的先前载具故障数据(197)中的一个或多个包括时间标记的构件故障报告(133B、134B、197B)。
10.用于前瞻性载具维修的方法，所述方法包括：
使用载具系统维修规则生成模块(130)从载具(199)接收所述载具(199)的载具系统(198)的历史性时间标记的载具故障数据(132)；
使用所述载具系统维修规则生成模块(130)来确定所述历史性时间标记的载具故障数据(132)的先前历史性载具故障数据(133)与所述历史性时间标记的载具故障数据(132)的后续不同历史性载具故障数据(134)的对之间的相关性(139)；
使用所述载具系统维修规则生成模块(130)、基于针对所述先前历史性载具故障数据(133)与所述后续不同历史性载具故障数据(134)的对所确定的所述相关性(139)来生成载具系统维修规则(140)；
使用载具系统故障检测模块(120)来监测所述载具系统(198)的故障，其中所述载具故障包括多个时间标记的先前载具故障数据(197)；
使用所述载具系统故障检测模块(120)将所述载具系统维修规则(140)应用到所述多个时间标记的先前载具故障数据(197)；
使用所述载具系统故障检测模块(120)、基于所述载具系统维修规则(140)应用到所述多个时间标记的先前载具故障数据(197)来确定后续载具故障即将发生(123)；以及
使用所述载具系统故障检测模块(120)来生成对应于所述后续载具故障即将发生(123)的维修报告(127)，使得在所述载具系统(198)上进行前瞻性维修(170)；
其中所述多个时间标记的先前载具故障数据(197)与所述先前历史性载具故障数据(133)对应，而后续载具故障(196)与所述后续不同历史性载具故障数据(134)对应。
11.权利要求10所述的方法，其进一步包括：
使用所述载具系统维修规则生成模块(130)，
接收历史性载具使用数据(135)；以及
将所述历史性载具使用数据(135)与针对所述先前历史性载具故障数据(133)与所述后续不同历史性载具故障数据(134)的对所确定的所述相关性(139)进行组合，从而生成所述载具系统维修规则(140)。
12.权利要求10或11所述的方法，其进一步包括：
使用所述载具系统维修规则生成模块(130)，
确定哪对所述先前历史性载具故障数据(133)与所述后续不同历史性载具故障数据(134)超出了相关性阈值(139T)；以及
针对超出所述相关性阈值(139T)的至少一对所述先前历史性载具故障数据(133)与所述后续不同历史性载具故障数据(134)，
确定在所述后续不同历史性载具故障数据(134)的发生之前发生的所述先前历史性载具故障数据(133)的统计上显著的发生数(137)，和
生成关系矩阵(142)，所述关系矩阵(142)包括在所述后续不同历史性载具故障数据(134)的发生之前发生的所述先前历史性载具故障数据(133)的统计上显著的发生数(137)以及所述先前历史性载具故障数据(133)、所述后续不同历史性载具故障数据(134)、和历史性载具使用数据(135)中的至少一种或多种。
13.权利要求12所述的方法，其中所述后续载具故障即将发生(123)至少基于所述多个时间标记的先前载具故障数据(197)的发生数，所述方法进一步包括：
使用所述载具系统故障检测模块(120)来生成所述维修报告(127)——当所述多个时间标记的先前载具故障数据(197)的发生数达到在所述后续不同历史性载具故障数据(134)的发生之前发生的所述先前历史性载具故障数据(133)的统计上显著的发生数(137)的第一百分比阈值(126)时。
14.权利要求12所述的方法，其进一步包括：
使用所述载具系统维修规则生成模块(130)、针对超出所述相关性阈值(139T)的至少一对所述先前历史性载具故障数据(133)与所述后续不同历史性载具故障数据(134)，
确定在所述后续不同历史性载具故障数据(134)的发生之前发生的所述先前历史性载具故障数据(133)的发生之间的统计上显著的持续时间(138)，以及
用在所述后续不同历史性载具故障数据(134)的发生之前发生的所述先前历史性载具故障数据(133)的发生之间的统计上显著的持续时间(138)来填充所述关系矩阵(142)。
15.权利要求14所述的方法，其中所述后续载具故障即将发生(123)至少基于所述多个时间标记的先前载具故障数据(133)的发生之间的持续时间，所述方法进一步包括：
使用所述载具系统故障检测模块(120)来生成所述维修报告(127)——当所述多个时间标记的先前载具故障数据(133)的发生之间的所述持续时间达到在所述后续不同历史性载具故障数据(134)的发生之前发生的所述先前历史性载具故障数据(133)的发生之间的统计上显著的持续时间(138)的第二百分比阈值(124)时。
CN201811438373.1A 2017-11-28 2018-11-28 用于载具维修计划和故障监测的设备和方法 Active CN109835501B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US15/824,231 US10497185B2 (en) 2017-11-28 2017-11-28 Apparatus and method for vehicle maintenance scheduling and fault monitoring
US15/824,231 2017-11-28

Publications (2)

Publication Number Publication Date
CN109835501A true CN109835501A (zh) 2019-06-04
CN109835501B CN109835501B (zh) 2024-04-05

Family

ID=64426665

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811438373.1A Active CN109835501B (zh) 2017-11-28 2018-11-28 用于载具维修计划和故障监测的设备和方法

Country Status (3)

Country Link
US (2) US10497185B2 (zh)
EP (1) EP3489912A1 (zh)
CN (1) CN109835501B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111665408A (zh) * 2020-06-16 2020-09-15 河南里程碑科技有限公司 高防护性配电箱故障检测方法、装置
CN112684779A (zh) * 2020-12-25 2021-04-20 长城汽车股份有限公司 车辆故障检测方法、系统、存储介质以及电子设备

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10706361B1 (en) * 2015-12-11 2020-07-07 The Boeing Company Hybrid feature selection for performance prediction of fluid control valves
US10515492B2 (en) * 2015-12-11 2019-12-24 Cummins, Inc. Diagnostic data visualization methods
US11780609B2 (en) 2019-06-12 2023-10-10 Honeywell International Inc. Maintenance recommendations using lifecycle clustering
CN110597224B (zh) * 2019-09-09 2021-05-04 一汽解放汽车有限公司 车辆故障信息展示方法、装置、车辆和存储介质
US11377229B2 (en) 2019-09-13 2022-07-05 Honeywell International Inc. Internet connected auxiliary power unit airline maintenance system
US20230039760A1 (en) * 2021-08-04 2023-02-09 Pratt & Whitney Canada Corp. System and method for monitoring life limit of engine components
CN114239734B (zh) * 2021-12-21 2023-09-12 中国人民解放军63963部队 一种分布式车载健康管理系统
CN114757366B (zh) * 2022-01-26 2023-02-03 广州汽车集团股份有限公司 一种用于车辆的故障预测方法及系统
CN117114352B (zh) * 2023-09-15 2024-04-09 北京阿帕科蓝科技有限公司 车辆维护方法、装置、计算机设备和存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110118905A1 (en) * 2009-11-16 2011-05-19 Honeywell International Inc. Methods systems and apparatus for analyzing complex systems via prognostic reasoning
US20120209569A1 (en) * 2009-06-26 2012-08-16 Adixen Vacuum Products Method for predicting a failure in the rotation of the rotor of a vacuum pump and associated pumping device
US20140309846A1 (en) * 2013-04-16 2014-10-16 Ge Aviation Systems Limited Method for predicting a bleed air system fault
US20160207639A1 (en) * 2015-01-07 2016-07-21 Rolls-Royce Plc Aircraft engine maintenance system
CN105910804A (zh) * 2016-04-20 2016-08-31 中国商用飞机有限责任公司 用于监控飞机部附件的性能趋势的方法和装置
JP2016184319A (ja) * 2015-03-26 2016-10-20 大阪瓦斯株式会社 故障診断システム
US20160332750A1 (en) * 2015-01-12 2016-11-17 Hamilton Sundstrand Corporation Aircraft active history memory module
WO2017118559A1 (en) * 2016-01-06 2017-07-13 Ge Aviation Systems Limited Automated fusion and analysis of multiple sources of aircraft data

Family Cites Families (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7069185B1 (en) * 1999-08-30 2006-06-27 Wilson Diagnostic Systems, Llc Computerized machine controller diagnostic system
US20020091972A1 (en) * 2001-01-05 2002-07-11 Harris David P. Method for predicting machine or process faults and automated system for implementing same
US7006947B2 (en) * 2001-01-08 2006-02-28 Vextec Corporation Method and apparatus for predicting failure in a system
US6725137B2 (en) * 2002-04-03 2004-04-20 Honeywell International Inc. Method and apparatus using historical data to associate deferral procedures and fault models
US6745151B2 (en) * 2002-05-16 2004-06-01 Ford Global Technologies, Llc Remote diagnostics and prognostics methods for complex systems
US7027953B2 (en) * 2002-12-30 2006-04-11 Rsl Electronics Ltd. Method and system for diagnostics and prognostics of a mechanical system
JP2007026412A (ja) * 2004-08-25 2007-02-01 Ricoh Co Ltd 保守仲介装置、保守対象機器の保守方法、保守プログラム、保守プログラムが記録された記録媒体及び保守システム
US20070250228A1 (en) * 2006-04-19 2007-10-25 Snap-On Incorporated Configurable method and system for vehicle fault alert
US20080059019A1 (en) * 2006-08-29 2008-03-06 International Business Machines Coporation Method and system for on-board automotive audio recorder
US8862485B2 (en) * 2008-10-15 2014-10-14 Rady Children's Hospital—San Diego System and method for data quality assurance cycle
JP6195558B2 (ja) * 2011-04-28 2017-09-13 ゾール サーキュレイション インコーポレイテッドＺＯＬＬ Ｃｉｒｃｕｌａｔｉｏｎ，Ｉｎｃ． バッテリー性能データを追跡および保管するためのシステムおよび方法
US8732112B2 (en) * 2011-12-19 2014-05-20 GM Global Technology Operations LLC Method and system for root cause analysis and quality monitoring of system-level faults
US20140052531A1 (en) * 2012-08-17 2014-02-20 Uniglass, L.L.C. Automotive diagnostics and marketing systems and methods
US10248742B2 (en) * 2012-12-12 2019-04-02 University Of North Dakota Analyzing flight data using predictive models
JP6345662B2 (ja) * 2013-07-02 2018-06-20 株式会社テクトム 情報処理システム、情報処理方法、情報処理装置および情報処理装置の制御プログラム
US10330018B2 (en) * 2014-03-24 2019-06-25 Rolls-Royce Corporation Integrating design and field management of gas turbine engine components with a probabilistic model
WO2016025887A2 (en) * 2014-08-14 2016-02-18 University Of North Dakota Flight parameter prediction using neural networks
EP3151131A1 (en) * 2015-09-30 2017-04-05 Hitachi, Ltd. Apparatus and method for executing an automated analysis of data, in particular social media data, for product failure detection
GB2546253B (en) * 2016-01-06 2020-04-22 Ge Aviat Systems Ltd Fusion of aviation-related data for comprehensive aircraft system health monitoring
US20180121903A1 (en) * 2016-03-11 2018-05-03 Sekurus International Inc. Smart transport solution
US20180174373A1 (en) * 2016-05-13 2018-06-21 International Engine Intellectual Property Company , Llc Synthetic fault codes
CA2936854A1 (en) * 2016-07-22 2018-01-22 Edmond Helstab Methods and systems for assessing and managing asset condition
US10810809B2 (en) * 2017-05-10 2020-10-20 Avl Powertrain Engineering, Inc. System and method for tracking vehicle activity and reporting vehicle issues
US11019084B2 (en) * 2018-12-14 2021-05-25 Intel Corporation Controller, a context broadcaster and an alert processing device

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120209569A1 (en) * 2009-06-26 2012-08-16 Adixen Vacuum Products Method for predicting a failure in the rotation of the rotor of a vacuum pump and associated pumping device
US20110118905A1 (en) * 2009-11-16 2011-05-19 Honeywell International Inc. Methods systems and apparatus for analyzing complex systems via prognostic reasoning
US20140309846A1 (en) * 2013-04-16 2014-10-16 Ge Aviation Systems Limited Method for predicting a bleed air system fault
US20160207639A1 (en) * 2015-01-07 2016-07-21 Rolls-Royce Plc Aircraft engine maintenance system
US20160332750A1 (en) * 2015-01-12 2016-11-17 Hamilton Sundstrand Corporation Aircraft active history memory module
JP2016184319A (ja) * 2015-03-26 2016-10-20 大阪瓦斯株式会社 故障診断システム
WO2017118559A1 (en) * 2016-01-06 2017-07-13 Ge Aviation Systems Limited Automated fusion and analysis of multiple sources of aircraft data
CN105910804A (zh) * 2016-04-20 2016-08-31 中国商用飞机有限责任公司 用于监控飞机部附件的性能趋势的方法和装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111665408A (zh) * 2020-06-16 2020-09-15 河南里程碑科技有限公司 高防护性配电箱故障检测方法、装置
CN112684779A (zh) * 2020-12-25 2021-04-20 长城汽车股份有限公司 车辆故障检测方法、系统、存储介质以及电子设备

Also Published As

Publication number Publication date
US20190164358A1 (en) 2019-05-30
EP3489912A1 (en) 2019-05-29
US10497185B2 (en) 2019-12-03
CN109835501B (zh) 2024-04-05
US11270528B2 (en) 2022-03-08
US20200175779A1 (en) 2020-06-04

Similar Documents

Publication Publication Date Title
CN109835501A (zh) 用于载具维修计划和故障监测的设备和方法
CN109557896B (zh) 用于飞机故障检测的系统和方法
JP7277125B2 (ja) ビークルのサイバー攻撃事象を検知する方法及びシステム
EP3477411B1 (en) Vehicle fault detection system and method utilizing graphically converted temporal data
JP6937173B2 (ja) 航空機の重整備における構造体修理のための予測方法及びシステム
EP3441947A1 (en) System and method for remaining useful life determination
Lee et al. Prognostics and health management design for rotary machinery systems—Reviews, methodology and applications
Khan et al. No Fault Found events in maintenance engineering Part 1: Current trends, implications and organizational practices
CN109727336B (zh) 交通工具故障检测系统和用于交通工具故障检测的方法
Friederich et al. Towards data-driven reliability modeling for cyber-physical production systems
Padovan et al. Black is the new orange: how to determine AI liability
Chatzimichailidou et al. Application of STPA on small drone operations: a benchmarking approach
Torens et al. Machine learning verification and safety for unmanned aircraft-a literature study
US10787278B2 (en) Aircraft maintenance message prediction
Pelt et al. Data mining in MRO
Cioacă Qualitative risk analysis methods in aviation projects
Morais et al. Machine-learning tool for human factors evaluation-application to lion air Boeing 737-8 max accident
Yang et al. Data mining based fault isolation with FMEA rank: A case study of APU fault identification
Pinto Requirement specification, analysis and verification for autonomous systems
JP6903089B2 (ja) 機器制御支援装置、プログラム及び制御支援方法
Ortiz et al. Multi source data integration for aircraft health management
Yang et al. APU FMEA validation and its application to fault identification
Peper Systems thinking applied to automation and workplace safety
Kumar et al. Transformative maintenance technologies and business solutions for the railway assets
Pelt et al. Data Mining in MRO: Centre for Applied Research Technology

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant