CN111361758A - 用于确定是否执行飞机维护的方法和系统 - Google Patents
用于确定是否执行飞机维护的方法和系统 Download PDFInfo
- Publication number
- CN111361758A CN111361758A CN201911243759.1A CN201911243759A CN111361758A CN 111361758 A CN111361758 A CN 111361758A CN 201911243759 A CN201911243759 A CN 201911243759A CN 111361758 A CN111361758 A CN 111361758A
- Authority
- CN
- China
- Prior art keywords
- aircraft
- sensors
- parameters
- value
- machine learning
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 111
- 238000012423 maintenance Methods 0.000 title claims abstract description 103
- 238000010801 machine learning Methods 0.000 claims abstract description 120
- 238000012549 training Methods 0.000 claims abstract description 51
- 238000012360 testing method Methods 0.000 claims description 32
- 230000004044 response Effects 0.000 claims description 25
- 230000010006 flight Effects 0.000 claims description 20
- 238000004088 simulation Methods 0.000 claims description 19
- 239000003381 stabilizer Substances 0.000 claims description 7
- 230000000875 corresponding effect Effects 0.000 description 90
- 230000006870 function Effects 0.000 description 56
- 238000013461 design Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000012706 support-vector machine Methods 0.000 description 5
- 238000012512 characterization method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000007637 random forest analysis Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000009877 rendering Methods 0.000 description 2
- 238000005452 bending Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Classifications
-
- 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
- B64F5/40—Maintaining or repairing aircraft
-
- 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
- G05B23/0259—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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/23—Updating
- G06F16/2379—Updates performed during online database operations; commit processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
-
- 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
- G07C5/008—Registering or indicating the working of vehicles communicating information to a remotely located station
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Manufacturing & Machinery (AREA)
- Transportation (AREA)
- Aviation & Aerospace Engineering (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Automation & Control Theory (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请涉及用于确定是否执行飞机维护的方法和系统。在一个示例中,描述了一种用于确定是否执行飞机维护的方法。该方法包括选择与飞机类型相关联的传感器和/或参数的分组。该方法包括接收与传感器和/或参数的每个分组相对应的特征数据。该方法包括从特征数据中确定预定操作指标的值。该方法包括将值与对应于飞机的至少一其他飞行的预定操作指标的值进行比较。该方法包括基于比较预定操作指标的值来确定附加操作指标的值。该方法包括至少使用用于附加操作指标的值来训练机器学习模型。该方法包括基于机器学习模型的输出提供指令,以对飞机或另一飞机的多个部分中的一者或多者执行维护。
Description
技术领域
本公开大体上涉及飞机的操作,并且更具体地,涉及用于对飞机执行维护的方法和系统。
背景技术
一架飞机或飞行器需要持续的维护,并应进行定期测试。为了确定飞机的各个方面是否需要维护,人员可以对飞机进行物理检查或查看来自飞机的飞行中传感器数据以确定飞机与指定要求相比是否正常运行。传感器数据可以指示飞机的俯仰、侧倾、偏航或其他飞行中特性。
用于确定飞机是否需要维护的现有方法可能需要人工检查员花费大量时间和精力。此外,现有方法可以考虑传感器数据以评估飞机整体的性能,但是没有确定需要维护的飞机的特定部分,诸如机翼、副翼、机身、稳定器等。在这样的情形下,即使在确定飞机需要维护的地方,也需要额外的时间和考虑来确定飞机的哪些离散部分需要维护。这些问题影响执行飞机维护的成本和可靠性。
所需要的是一种方法和/或系统,其针对飞机的操作上不同的部分考虑了不同的传感器数据,以提供对飞机的一个或多个部分需要维护的准确确定。
发明内容
在一个示例中,描述了一种用于确定是否执行飞机维护的方法。该方法包括:基于飞机类型的多个操作上不同的部分将要经历的预期飞行力,从与飞机类型相关联的多个传感器和参数中选择对应于飞机类型的多个部分的传感器和/或参数的多个分组。该方法还包括从飞机类型的飞机接收对应于传感器和/或参数的每个分组的特征数据。该方法还包括由计算系统从特征数据中确定与传感器和/或参数的多个分组相对应的预定操作指标的值,其中,所述预定操作指标的值指示在飞机的给定飞行期间,飞机对飞机的对应于传感器和/或参数的选定分组的每个相应部分所经历的力的响应。该方法另外包括通过计算系统将预定操作指标的值与对应于飞机的至少一其他飞行的预定操作指标的值进行比较。该方法还进一步包括由计算系统基于比较预定操作指标的值来确定附加操作指标的值,其中,附加操作指标的值指示在飞机的多次飞行期间,飞机对飞机的对应于传感器和/或参数的选定分组的每个相应部分所经历的力的响应。该方法还包括至少使用用于附加操作指标的值来训练机器学习模型。该方法还包括由计算系统基于机器学习模型的输出来提供指令,以对飞机或飞机类型的另一飞机的多个部分中的一者或多者执行维护。
在另一个示例中,描述了一种用于确定是否执行飞机维护的系统。该系统包括计算装置,该计算装置具有处理器和存储指令的存储器,该指令可由处理器执行以基于飞机类型的多个操作上不同的部分要经历的预期飞行力从与飞机类型相关联的多个传感器和参数中选择对应于飞机类型的多个部分的传感器和/或参数的多个分组。所述指令还可以由处理器执行以从飞机类型的飞机接收与传感器和/或参数的每个分组相对应的特征数据。所述指令还可由处理器执行以从特征数据中确定与传感器和/或参数的多个分组相对应的预定操作指标的值,其中,所述预定操作指标的值指示在飞机的给定飞行期间,飞机对飞机的对应于传感器和/或参数的选定分组的每个相应部分所经历的力的响应。所述指令还可由处理器执行以将预定操作指标的值与对应于飞机的至少一其他飞行的预定操作指标的值进行比较。所述指令还可由处理器执行以基于比较预定操作指标的值来确定附加操作指标的值,其中,附加操作指标的值指示在飞机的多次飞行期间,飞机对飞机的对应于传感器和/或参数的选定分组的每个相应部分所经历的力的响应。所述指令还可由处理器执行以至少使用附加操作指标的值来训练机器学习模型。所述指令还可以由处理器执行以基于机器学习模型的输出来提供指令,以对飞机或飞机类型的另一飞机的多个部分中的一者或多者执行维护。
在另一个示例中,描述了一种非暂时性计算机可读介质。非暂时性计算机可读介质在其上存储了指令,该指令在由计算装置的一个或多个处理器执行时使计算装置执行各功能。所述功能包括:基于飞机类型的多个操作上不同的部分将要经历的预期飞行力,从与飞机类型相关联的多个传感器和参数中选择对应于飞机类型的多个部分的传感器和/或参数的多个分组。所述功能还包括从飞机类型的飞机接收对应于传感器和/或参数的每个分组的特征数据。所述功能还包括从特征数据中确定与传感器和/或参数的多个分组相对应的预定操作指标的值,其中,所述预定操作指标的值指示在飞机的给定飞行期间,飞机对飞机的对应于传感器和/或参数的选定分组的每个相应部分所经历的力的响应。所述功能还进一步包括将预定操作指标的值与对应于飞机的至少一其他飞行的预定操作指标的值进行比较。所述功能另外包括基于比较预定操作指标的值来确定附加操作指标的值,其中,附加操作指标的值指示在飞机的多次飞行期间,飞机对飞机的对应于传感器和/或参数的选定分组的每个相应部分所经历的力的响应。所述功能还包括至少使用附加操作指标的值来训练机器学习模型。所述功能还包括基于机器学习模型的输出来提供指令,以对飞机或飞机类型的另一飞机的多个部分中的一者或多者执行维护。
已经讨论的特征、功能和优点可以在各种示例中独立地实现,或者可以在其他示例中组合。参考以下描述和附图,可以看到示例的更多细节。
附图说明
被认为是说明性示例的特征的新颖特征在所附技术方案中阐述。然而,当结合附图阅读时,通过参考本公开的说明性示例的以下详细描述,将最好地理解说明性示例以及优选使用模式、其进一步目标和描述,其中:
图1示出了根据示例实施方式的用于确定是否执行飞机维护的示例系统的框图。
图2为根据示例实施方式的具有操作上不同的部分的飞机的示例图示。
图3描绘了根据示例实施方式的与飞机的一部分相关联的示例性特征数据。
图4描绘了根据示例实施方式的与飞机的一部分相关联的示例性预定操作指标和附加操作指标。
图5为根据示例实施方式的用于选择与飞机的一部分相关联的传感器和/或参数的分组的用户界面的示例图示。
图6示出了根据示例实施方式的用于确定是否执行飞机维护的示例方法的流程图。
图7示出了根据示例实施方式的与图6所示的方法一起使用的另一示例方法的流程图。
图8示出了根据示例实施方式的与图6所示的方法一起使用的另一示例方法的流程图。
图9示出了根据示例实施方式的与图6所示的方法一起使用的另一示例方法的流程图。
图10示出了根据示例实施方式的与图6所示的方法一起使用的另一示例方法的流程图。
图11示出了根据示例实施方式的与图6所示的方法一起使用的另一示例方法的流程图。
图12示出了根据示例实施方式的与图11所示的方法一起使用的另一示例方法的流程图。
图13示出了根据示例实施方式的与图6所示的方法一起使用的另一示例方法的流程图。
图14示出了根据示例实施方式的与图6所示的方法一起使用的另一示例方法的流程图。
图15示出了根据示例实施方式的与图6所示的方法一起使用的另一示例方法的流程图。
图16示出了根据示例实施方式的与图6所示的方法一起使用的另一示例方法的流程图。
图17示出了根据示例实施方式的与图6所示的方法一起使用的另一示例方法的流程图。
具体实施方式
现在将在下文中参考附图更全面地描述所公开的示例,附图中示出了一些但不是所有公开的示例。实际上,可以描述若干不同的示例,并且不应该将其解释为限于本文阐述的示例。相反,描述这些示例使得本公开将是彻底和完整的,并且将向本领域技术人员充分传达本公开的范围。
在示例内,描述了用于确定是否执行飞机维护的方法和系统。更具体地,描述了使用传感器和/或参数的集合以确定是否对飞机执行维护的系统和方法,所述传感器和/或参数的集合被定制以操作地区分飞机的部分。更具体地,描述了使用与传感器和/或参数的分组相关联的指标来训练机器学习模型以确定是否对飞机执行维护的方法和系统。
示例方法和系统涉及定制如何训练机器学习模型以有效且准确地确定飞机的哪个部分或哪些部分需要维护。在一个示例中,选择与飞机的操作上不同的部分相对应的传感器和/或参数的分组。传感器和/或参数的分组可以对应于飞机的每个相应部分所经历的独特力或所执行的功能。基于这些分组训练机器学习模型可以允许模型提供目标维护输出,并更准确地做出这种确定。
示例方法和系统涉及接收与每个相应分组相对应的特征数据。在一个示例中,从传感器数据确定预定操作指标的值。预定操作指标可以包括被确定为与特定飞行期间飞机的一个或多个部分的性能水平相对应的特定数据点。可以将预定操作指标的值与先前飞行中的值进行比较,以确定附加操作指标。附加操作指标可以包括多个飞行之间的比较值的最大值、最小值和平均值。这些值可用于训练机器学习模型。通过使用来自接收到的特征数据的值的子集,机器学习模型可以确定飞机的哪些部分(如果有的话)需要使用比其他方式需要的计算能力小的计算能力执行维护。此外,使用指示飞机对同一飞机多次飞行期间飞机每个相应部分所经历的力的响应的附加操作指标,机器学习模型可以产生更可能准确且适合于飞机的独特运行质量的输出。
本文所述的示例用于飞机。然而,方法和系统也可以用于其他飞行器,以帮助确定其他飞行器的维护需求。
本公开的实施方式提供了特定于飞机维护系统的技术改进,例如,那些涉及确定是否对给定飞机执行维护的技术改进。飞机维护特定的技术问题,诸如有效和一致地确定何时需要飞机维护,可以通过本公开的实施方式全部或部分解决。例如,本公开的实施方式通过使用与预定操作指标和附加操作指标相关联的值来训练机器学习模型,而不是从给定飞机接收的全部数据,来减少训练机器学习模型所需的数据量。此外,通过根据飞机类型的操作上不同的部分对传感器和/或参数进行分组,本公开的实施方式允许对飞机维护的需求进行灵活且有针对性的确定。此外,对传感器和/或参数进行分组可以减少要在飞机和与机器学习模型相关联的计算系统之间传递的数据量,从而减少时间并提高训练模型的效率。因此,本公开的实施方式可以通过选择性地确定在训练机器学习模型中使用哪些数据来对飞机的维护方式进行新的有效改进。
现在参考附图,图1示出了根据示例实施方式的用于确定是否执行飞机维护的系统100的示例的框图。在所描绘的示例中,系统100包括计算装置102,包括飞机110、飞机112和飞机114的多个飞机(尽管系统100中可能包括更多或更少的飞机),数据库116,机器学习模型服务器118和飞机维护控制器120。
系统100可以为包括一个或多个计算装置(诸如计算装置102)的计算系统。在示例中,计算装置102包括用户界面104、处理器106和存储器108。
用户界面104包括诸如鼠标和键盘、触摸屏或其他交互式界面的物理界面,诸如网络浏览器、应用界面、虚拟机界面等的虚拟界面,或被配置为从人类用户接收输入并将该输入传输到处理器的任何其他装置。
存储器108包括或采取一种或多种可由处理器106读取或访问的计算机可读存储介质的形式。计算机可读存储介质可以包括易失性和/或非易失性存储部件,诸如光学、磁性、有机或其他存储器或磁盘存储,其可以全部或部分地与处理器106集成。存储器108被认为是非暂时性计算机可读介质。在一些示例中,可以使用单个物理装置(例如,一个光学、磁性、有机或其他存储器或磁盘存储单元)来实现存储器108,而在其他示例中,可以使用两个或更多物理装置来实现存储器108。因此存储器108为非暂时性计算机可读存储介质,并且可执行指令被存储在其上。所述指令包括计算机可执行代码。
处理器106可以为通用处理器或专用处理器(例如,数字信号处理器,专用集成电路等)。处理器106被配置为从飞机110、112、114或多个飞机中的其他飞机中的一者或多者接收输入,并处理该输入以生成存储在存储器108中的特征数据。在一些示例中,由处理器106处理来自飞机的输入可以包括:从每个飞机接收原始数据;并且为该数据分配相应的值;在接收到数据时为该数据分配时间戳;和/或将接收到的原始数据发送给存储器108的特定部分。处理器106可以被配置为执行可执行指令(例如,计算机可读程序指令),该可执行指令被存储在存储器108中并且可以被执行以提供计算装置102以及本文描述的相关系统和方法的功能。
在示例中,多个飞机可以包括一种或多种飞机类型。每种飞机类型可以为唯一的飞机品牌和型号。计算装置102可以通过用户界面104提供选择飞机类型以及选择与飞机的操作上不同的部分相对应的传感器和/或参数的分组的选项。例如,传感器和/或参数的分组可以与驾驶舱、机身、机翼、机舱、副翼、襟翼、板条、小翼、稳定器、升降机、叶轮或飞机的其他操作上不同部分所经历的力或执行的功能相关联,如下文进一步所述。
在一些示例中,计算装置102基于与给定飞机类型相关联的示意图、设计文档、电路图等自动选择传感器和/或参数的分组。这样的信息可以存储在存储器108中。在这样的示例中,计算装置102通过用户界面104接收飞机类型的指示,并执行存储在存储器108中的指令以确定哪些传感器和/或参数与飞机类型的预定部分列表中的飞机的每个部分相关联。计算装置102通过用户界面104将这些分组作为建议呈现给用户,或者自动选择分组。
一旦选择了传感器和/或参数的分组,计算装置102就可以通过一次或多次飞行从多个飞机接收特征数据。所述特征数据可以为飞机在飞行期间记录的数据的子集,其对应于所选分组中的传感器和/或参数。在一些示例中,在没有提示的情况下发生接收特征数据。即,每个飞机在每次飞行结束时自动地经由代理服务器或其他另一计算装置将数据自动发送到计算装置102。然后,计算装置102可以根据从飞机接收到的数据确定特征数据。否则,计算装置102可以在调度飞行结束时间向给定的飞机查询与传感器和/或参数的分组相对应的特定数据,并且响应地从飞机接收特征数据。
在接收到特征数据时,计算装置102将一些或全部数据与飞机标识符、飞行标识符以及控制数据在数据库116中的存储位置和方式的指令一起发送至数据库116。在一些示例中,计算装置102可仅将包括用于预定操作指标的值的特征数据的子集连同指令一起发送到数据库116,以将来自同一飞机的先前飞行和/或来自与该飞机的飞机类型相同的飞机的相似值发送到计算装置102。下面进一步详细解释用于确定预定操作指标的过程。
计算装置102将来自先前飞行的预定操作指标的值与给定飞机的最近飞行中从给定飞机接收的值进行比较。基于这些值的比较,计算装置102确定用于附加操作指标的值,该附加操作指标指示飞机对多次飞行期间所经历的力的响应。例如,基于比较来自多次飞行的预定操作指标的值,计算装置102确定预定操作指标的总体最小值、最大值和平均值。
计算装置102使用用于附加操作指标的值来训练机器学习模型。机器学习模型可以为随机森林模型、支持向量机(SVM)、神经网络或使用机器学习的任何其他类型的算法。机器学习通常涉及使用统计技术自动改进数据集分类中的任务性能的计算机辅助输入处理。机器学习包括监督学习,其中样本、历史数据用适当的分类标记。在这种情况下,监督算法在数学上优化了用相应标签将数据分开的方程式。相比之下,无监督训练在训练时没有提供所需的输出,该模型可用于通过各种聚类技术来识别假设的标签,最终目的是为监督训练准备数据。机器学习模型存储在机器学习模型服务器118中。在示例中,计算装置102提供用于附加操作指标的由新生成的数据组成的值,以作为对存储在机器学习模型服务器118上的一个或多个机器学习模型的输入。机器学习模型服务器118可以为被配置为运行一个或多个机器学习模型的多个计算装置、处理器和/或服务器集群。
经过培训后,可以执行机器学习模型来评估飞机在测试过程中操作上不同部分的性能。计算装置102提供来自给定飞机的测试数据,其可以包括飞机在飞行期间记录的数据。例如,计算装置102提供类似于用于训练机器学习模型的数据。可以执行机器学习模型以基于接收测试数据来提供输出。计算装置102从机器学习模型接收输出。机器学习模型的输出可为表示飞机的一部分需要维护或不需要维护的二进制指示。基于该二进制指示,计算装置102向飞机维护控制器120提供指令以引起或调度要维护的飞机的给定部分。例如,飞机维护控制器120可以为调度飞机的维护和存储的远程维护设施的管理系统,并且可以包括与飞机维护设施相关联的服务器。
在其他示例中,从机器学习模型接收的输出包括针对飞机的每个部分的性能等级,针对该性能等级为机器学习模型提供了输入。性能等级指示机器学习模型的输入与输入的预期或期望值匹配的紧密程度。计算装置102可以通过将接收到的飞机的性能等级与性能等级阈值进行比较来确定是否对飞机的给定部分执行维护。所述阈值指示显示附加操作指标与这些指标的预期值的匹配程度的百分比。所述预期值可能基于模拟的飞行数据、从一架或多架维护飞机接收的数据或机器学习模型生成的输出。
在示例中,计算装置102向多个机器学习模型(诸如随机森林模型,SVM和神经网络)提供相同或相似的指标,并从每个机器学习模型接收输出。以这种方式,计算装置102从机器学习模型接收多个输出,每个输出指示是否应当执行维护。从多个机器学习模型接收输出可以有利地允许决定执行维护的冗余和证实。
图2为具有操作上不同的部分的飞机200的示例图示。在所描绘的示例中,飞机200至少包括前机身202、中心机身204、机翼206、副翼/襟翼208、后机身210、垂直稳定器212和水平稳定器214。飞机200可以为特定的飞机类型,并且与示意图、设计文件、电路图等相关联,所述示意图、设计文件、电路图等指示与每个相应的操作上不同的部分相关联的飞机200的传感器和/或参数。此外,可以提供指示每个相应的操作上不同的部分所经历的力以及每个部分所执行的功能的测试数据或模拟数据。选择对应于飞机200的给定部分的一组传感器和/或参数可以包括确定给定部分所经历的力和/或由给定部分执行的功能,以及确定与该力和/或功能相关的传感器和/或参数。
作为参考其他附图描述的一个示例,后机身210可以为飞机200的操作上不同的部分,为此选择了传感器和/或参数的分组。可以确定后机身210分别响应于副翼位置和升降机位置的变化而在整个飞机200的飞行中经历扭转力矩和弯曲力矩。例如,可以在飞机200的模拟和/或设计测试期间测量这种力。飞机200的侧倾、俯仰和偏航数据,连同副翼和升降机的位置,以及可能的其他力和/或参数,可以指示后机身210如何响应飞行期间所经历的力。因此,可以选择加速度计和陀螺仪传感器(例如,惯性测量单元(IMU))、左右副翼位置、升降机位置以及来自飞机控制器的相关控制信号作为传感器和参数的分组,这些传感器和参数对应于飞机200的后机身210部分。可以选择更多或更少的传感器和/或参数。
可以为飞机200的一些或所有其他描绘部分选择传感器和/或参数的分组。下面描述用于选择传感器和/或参数组的实施例的进一步描述。
图3描绘了根据示例实施方式的与飞机的一部分相关联的特征数据300的示例。所描绘的示例包括与图2中所描绘的后机身210相关联的特征数据的子集。特别地,所描绘的特征数据示出了在飞机200的第一飞行“001”和飞机200的第二飞行“002”期间的左副翼位置和右副翼位置,飞机200对应于“飞机号#10001”。如上所述,这样的数据可以由飞机200在飞行期间记录,并在飞行完成之后发送到计算装置,诸如计算装置102。如图3所示,特征数据包括来自飞机200的又一次飞行或来自相同飞机类型的其他飞机的数据。
因为与后机身210相关联的数据带有时间戳,所以可以相对于每次飞行期间确定的其他数据进行评估。例如,可以将用于改变副翼位置的时间戳与飞机200的相应控制信号以及来自飞机200的IMU的侧倾数据进行比较,以确定后机身210如何响应飞机200的飞行期间所经历的力。
图4描绘了根据示例实施方式的与飞机的一部分相关联的预定操作指标400和附加操作指标402的示例。可以基于与特定分组的对应传感器和/或参数相关联的数据类型来确定预定操作指标400,并且可以选择预定操作指标400,以使得用于预定操作指标的值指示飞机对飞机的每个相应部分所经历的力的响应。在所描绘的示例中,预定操作指标400包括在特定飞行期间飞机的左、右副翼之间的最小差,在特定飞行期间飞机的左、右副翼之间的最大差,以及在特定飞行期间飞机的左、右副翼之间的平均差。因此,预定操作指标可以包括特征数据300的子集,以及从特征数据300确定的一个或多个附加值。
在其他示例中,可以整体使用特定传感器和/或参数的特征数据。例如,在使用包括针对特定飞行的二进制指示的参数(诸如在飞行期间是否进入故障安全模式)的情况下,预定操作指标可能与相应的特征数据匹配。
在示例中,可以在选择传感器和/或参数的分组时自动执行确定预定操作指标400。例如,每个传感器和参数可能对应于一组操作指标。在其他示例中,可以通过用户界面选择预定操作指标400。这些示例将在下面进一步详细说明。
所描绘的预定操作指标400被示为对应于“飞机#10001”的第一飞机(飞机200)、对应于“飞机#10002”的第二飞机以及可能其他飞机的多次飞行确定的值。基于在多次飞行中的预定操作指标400的比较来确定附加操作指标402。例如,在所描绘的示例中,基于第一飞行“001”和第二飞行“002”的比较来确定“飞机#10001”的附加操作指标402。附加操作指标402包括来自该多次飞行的总体最小值、最大值和平均值。因此,附加操作指标402指示飞机对飞机的每个相应部分所经历的力的响应,该力对应于在飞机的多次飞行期间传感器和/或参数的选定分组。此外,由于附加操作指标402包括预定操作指标400的总体最大值、最小值和平均值,因此使用附加操作指标402作为机器学习模型的输入减少了训练所需的计算能力。
图5为根据示例实施方式的用于选择与飞机的一部分相关联的传感器和/或参数的分组的用户界面500的示例图示。用户界面可以包括用于选择飞机类型的选项502,用于查看传感器和/或参数的建议分组的选项504,用于手动选择传感器和/或参数的分组的选项506以及用于保存所选分组的选项508。
在选择查看传感器和/或参数的建议分组的选项504的示例中,计算装置102可以通过用户界面500接收选择的指示。计算装置102从数据库116接收模拟和/或测试数据,与该飞机类型的飞机将要经历的预期飞行力相关的飞机类型的已知传感器和/或参数。例如,已知的传感器和/或参数可以从设计文件、设计测试数据或与飞机类型相关的其他信息中得出。基于接收到模拟和/或测试数据,计算装置102确定与预期飞行力相关的飞机类型的已知传感器和/或参数。例如,在模拟和/或测试数据指示飞机类型的给定部分预期将经历俯仰、侧倾或偏航力矩的情况下,计算装置102确定飞机类型的已知IMU与特定部分的预期飞行力相关。计算装置102还可基于确定与预期飞行力相关的飞机类型的已知传感器和/或参数来选择与飞机类型的多个部分相对应的传感器和/或参数的分组。
计算装置102还通过用户界面500提供所选分组作为建议的分组,并提供编辑或接受所建议的分组的选项。在通过用户界面500接收到编辑或接受所建议的分组的指示时,计算装置102将分组保存在存储器108中。
图5没有描绘这种情况。相反,图5描绘了用户已选择手动选择传感器和/或参数的分组的选项506的情况。在一些示例中,计算装置简单地自动选择传感器和/或参数的分组,而无需用户贡献。
与本文描述的示例实施方式一致,用户界面500包括飞机类型的示意图510,并且描绘了用于选择飞机类型的后机身部分的光标512。所选的后机身部分可对应于以上关于图2描述的后机身210。在通过用户界面500接收到对后机身部分的选择之后,计算装置102检索与飞机类型相关联的可选传感器和参数514的列表,并通过用户界面500提供该列表以供用户选择。如本示例中所描绘的,计算装置102通过与飞机类型的所选后机身部分相关地对提供的列表进行排序。可以基于模拟和/或测试数据或与该飞机类型的飞机将要经历的预期飞行力相关的飞机类型的已知传感器和/或参数来确定相关性的顺序。例如,已知的传感器和/或参数可以从设计文件、设计测试数据或与飞机类型相关的其他信息中得出。
在手动选择传感器和/或参数的分组之后,用户可以选择选项来保存分组508。响应于通过用户界面500接收到对选择的指示,计算装置102将分组存储在存储器108和/或数据库116中。此外,对于每个所选的分组,用户界面500包括与每个所选的传感器和/或参数相关联的预定操作指标400的可选选项。操作指标包括可以从飞机类型的飞机200接收的特征数据300的类型,或者可以从特征数据300得出的数据的类型。另外地或可替代地,操作指标包括与飞机200的传感器或部件相关联的参数。可以基于所选的传感器和参数来自动选择预定操作指标400,而不是通过用户界面500来选择。
在选择了预定操作指标400之后,可以选择附加操作指标402。例如,通过用户界面500选择附加操作指标402。在其他示例中,基于所选的预定操作指标来自动选择附加操作指标402。在示例中,附加操作指标包括在飞机200的多次飞行中确定的预定操作指标400的总体最大值、最小值和平均值。
图6示出了根据示例实施方式的用于确定是否执行飞机维护的方法示例600的流程图。图6中所示的方法600呈现了例如可以与图1中所示的计算装置102、计算装置102的部件或与诸如图2中所示的飞机200的飞机结合使用的方法的示例。此外,可以使用装置或系统或将其配置为执行
图6中所示的逻辑功能。在一些实例中,所述装置和/或系统的部件被配置为执行使得所述部件被实际配置和构造(用硬件和/或软件)以实现这种性能的功能。在其他示例中,所述装置和/或系统的部件被布置为调适成、能够或适于执行所述功能,诸如当以特定方式操作时。方法600包括一个或多个操作、功能或动作,如框602-614中的一个或多个框所示。尽管以连续顺序示出了所述框,但是这些框也可以并行执行,和/或以与本文描述的顺序不同的顺序执行。而且,可以将各种框组合成更少的框,划分成附加的框,和/或基于期望的实施方式来移除。
应当理解,对于本文公开的这个和其他过程和方法,流程图示出了本示例的一种可能实施方式的功能和操作。就这一点而言,每个框或每个框的各部分表示模块、段或程序代码的一部分,其包括一个或多个指令,该指令可由处理器执行以用于实现过程中的特定逻辑功能或步骤。所述程序代码将被存储在任何类型的计算机可读介质或数据存储装置上,例如,诸如包括磁盘或硬盘驱动器的存储装置。此外,可以以机器可读格式在计算机可读存储介质上或在其他非暂时性介质或制品上对程序代码进行编码。计算机可读介质包括非暂时性计算机可读介质或存储器,例如诸如在短时间内存储数据的计算机可读介质,例如寄存器存储器、处理器高速缓存和随机存取存储器(RAM)。计算机可读介质还可以包括非暂时性介质,诸如辅助或永久性长期存储装置,例如只读存储器(ROM)、光盘或磁盘、光盘只读存储器(CD-ROM)。计算机可读介质也可以为任何其他易失性或非易失性存储系统。例如,计算机可读介质可以被认为是有形的计算机可读存储介质。
另外,图6中的每个框或每个框的各部分,以及在本文公开的其他过程和方法内,表示被连线以在所述过程中执行特定逻辑功能的电路。如本领域技术人员合理地理解的,替代实施方式包括在本公开的示例的范围内,其中,功能可以以与示出或讨论的顺序不同的顺序执行,包括基本上同时或相反的顺序,这取决于所涉及的功能。
在框602处,方法600包括:基于飞机类型的多个操作上不同的部分将要经历的预期飞行力,从与飞机类型相关联的多个传感器和参数中选择对应于飞机类型的多个部分的传感器和/或参数的多个分组。如上所述,选择传感器和/或参数的分组将由计算装置102自动执行,或者通过用户界面500来选择。对传感器和/或参数进行分组允许对机器学习模型进行更灵活和更有针对性的训练,并且进一步用于限制在飞机200和计算装置102之间发送的数据量,并且这是训练机器学习模型所需要的。
图7示出了根据示例实施方式的用于确定是否执行如框602所示的飞机维护的示例方法的流程图。在框616处,功能包括选择至少与飞机类型的机翼206、垂直稳定器212和副翼/襟翼208相对应的传感器和/或参数的分组。因此,在示例中,传感器和/或参数的分组可不考虑飞机类型的每个操作上不同的部分。这允许更有针对性的飞机维护确定,或者允许人工检查员集中精力在飞机200的某些部分上,同时允许相对于飞机200的其他部分进行自动化确定。
图8示出了根据示例实施方式的用于确定是否执行如框602所示的飞机维护的示例方法的流程图。在框618处,功能包括接收与飞机类型的多个操作上不同的部分要经历的预期飞行力相对应的模拟和/或测试数据。例如,如上所述,计算装置102从数据库116接收模拟和/或测试数据。在框620处,功能包括基于接收到所述模拟和/或测试数据,确定与预期飞行力相关的飞机类型的已知传感器和/或参数。例如,模拟和/或测试数据指示了飞机类型的操作上不同的部分通常经历的力的类型和力水平。在框622处,功能包括基于确定与预期飞行力相关的飞机类型的已知传感器和/或参数来选择与飞机类型的多个部分相对应的传感器和/或参数的分组。例如,在接收到指示飞机类型的操作上不同的部分通常所经历的力的类型和力水平的模拟和/或测试数据之后,计算装置102可以将传感器和/或参数与所指示的力类型和力水平相关联。因此,在示例中,计算装置102自动选择传感器和/或参数的分组。自动执行此类选择允许跨多种飞机类型进行更有效、更一致的维护确定。
图9示出了根据示例实施方式的用于确定是否执行如框602所示的飞机维护的示例方法的流程图。在框624处,功能包括由计算系统100确定对应于飞机类型的多个操作上不同的部分要经历的预期飞行力的传感器和/或参数。在框626处,功能包括由计算系统100通过用户界面500提供与预期飞行力相对应的传感器和/或参数的指示。在框628处,功能包括由计算系统100通过用户界面500接收对来自所述指示的一个或多个传感器和参数的选择。因此,图9描绘了对应于图5描绘的界面的操作。因此,在示例中,用户提供传感器和/或参数的分组的定制选择。这允许基于计算系统100可能不知道的维护目标或标准进行更有针对性的维护确定。
图10示出了根据示例实施方式的用于确定是否执行如框602所示的飞机维护的示例方法的流程图。在框630处,功能包括由计算系统100通过用户界面500提供飞机类型的示意图510。在示例中,示意图可以为具有可选部分的飞机类型的三维(3D)渲染,诸如透明渲染。在框632处,功能包括通过用户界面500接收对与飞机类型的一部分相对应的示意图510的一部分的选择。例如,如图5所示,示意图510的后机身部分被描绘为被选择。在框634处,功能包括通过用户界面提供与示意图510的一部分相关联的可选传感器和参数514。在框636处,功能包括通过用户界面500接收可选传感器和参数514中的一个或多个的选择。可选传感器和参数514可以为所建议的传感器和/或参数,或者可以为与飞机类型相关联的传感器和参数的综合集合。在框638处,功能包括基于接收到可选传感器和参数的选择中的一个或多个来确定传感器和参数的给定分组。因此,在示例中,用户根据所建议的传感器和/或参数或基于手动确定来提供传感器和/或参数的分组的定制选择。
返回图6,在框604处,功能包括从飞机类型的飞机200接收与传感器和/或参数的每个分组相对应的特征数据300。例如,特征数据300可以由飞机200记录并且在飞行完成时被发送到计算装置102。
在框606处,功能包括由计算系统100从特征数据300中确定与传感器和/或参数的多个分组相对应的预定操作指标400的值,其中,所述预定操作指标400的值指示在飞机200的给定飞行期间,飞机200对飞机200的对应于传感器和/或参数的选定分组的每个相应部分所经历的力的响应。如上所述,预定操作指标400通过用户界面500进行选择,或者由计算装置102自动确定。
在框608处,功能包括由计算系统100将预定操作指标400的值与对应于飞机200的至少一其他飞行的预定操作指标400的值进行比较。
在框610处,功能包括由计算系统100基于比较预定操作指标400的值来确定附加操作指标402的值,其中,附加操作指标402的值指示在飞机200的多次飞行期间,飞机对飞机200的对应于传感器和/或参数的选定分组的每个相应部分所经历的力的响应。
图11示出了根据示例实施方式的用于执行如框610所示的确定的示例方法的流程图。在框640处,功能包括基于比较预定操作指标400的值来确定与预定操作指标400的值相对应的总体最大值、总体最小值和平均值,其中,附加操作指标402包括总体最大值、总体最小值和平均值。
图12示出了根据与框640相关联的示例实施方式的用于执行如框612中所示的训练的示例方法的流程图。在框642处,功能包括提供在框640确定的总体最小值、总体最大值和总体平均值以作为对机器学习模型的输入。
返回图6,在框612处,功能包括至少使用附加操作指标402的值来训练机器学习模型。如上所述,机器学习模型包括一个或多个机器学习模型,并且可以与机器学习模型服务器118相关联。
在框614处,功能包括由计算系统100基于机器学习模型的输出来提供指令,以对飞机200或飞机类型的另一飞机的多个部分中的一者或多者执行维护。在示例中,训练后的机器学习模型可以被执行以评估在测试/实施期间飞机的操作上不同部分的性能。计算装置102提供来自给定飞机的测试数据,该数据包括飞机在飞行期间记录的数据。给定的飞机可以为飞机200,在这种情况下,测试数据可能对应于飞机200或飞机类型的另一飞机(诸如飞机机群中的另一飞机)的测试飞行。计算装置102提供类似于用于训练机器学习模型的数据。例如,测试数据可以包括用于预定操作指标400或附加操作指标402的值。训练后,可以将这些数据或其他测试数据作为输入提供给机器学习模型。可以执行机器学习模型以基于接收测试数据来提供输出。例如,计算装置102基于飞机或飞机类型的另一飞机的测试数据来使机器学习模型执行。响应于使机器学习模型执行,计算装置102基于机器学习模型的输出提供指令以对飞机或飞机类型的另一飞机的多个部分中的一者或多者执行维护。例如,提供指令以对飞机200的多个部分中的一者或多者执行维护包括将指令发送到飞机维护控制器120,飞机维护控制器120可以安排飞机200的维护和/或使维护设施对飞机200执行维护。
图13示出了根据示例实施方式的与方法600一起使用的示例方法的流程图。在框642处,功能包括:在至少使用附加操作指标402的值训练机器学习模型之前,累积与飞机类型的多个飞机相对应的附加操作指标402的值,直到附加操作指标402的值对应于飞机类型的飞机的阈值数量为止。飞机的阈值数量可以为例如10架飞机。在其他示例中,飞机的阈值数量可以为飞机类型的飞机总数的百分比。例如,阈值数量可以为飞机类型的飞机总数的约25%。在框644处,功能包括在确定附加操作指标402的值对应于飞机类型的飞机的阈值数量之后,使用用于附加操作指标的累加值训练机器学习模型。等待训练训练模型直到以此方式获得更多数据为止,一旦训练了模型,就可以对训练模型的输出产生更大的信心。
图14示出了根据示例实施方式的与方法600一起使用的示例方法的流程图。在框646处,功能包括基于与每个相应分组相对应的飞机类型的相应部分的已知空气动力学质量,为多个分组中的每个分组确定用于附加操作指标402的模拟值。这包括产生类似于飞机200的实际飞行期间预期的模拟力的模拟飞行。在框648处,功能包括,在至少使用附加操作指标402的值训练机器学习模型之前,使用附加操作指标402的模拟值来训练机器学习模型。以这种方式,在被来自飞机200的飞行的实际数据训练之前,机器学习模型可以暴露于大量数据。
图15示出了根据示例实施方式的与方法600一起使用的示例方法的流程图。框650为根据示例实施方式的用于执行如框612所示的训练的另一示例。在框650处,功能包括至少使用附加操作指标402的值来训练两个或更多个不同的机器学习模型。如上所述,机器学习模型可以包括随机森林模型、支持向量机(SVM)、神经网络或使用机器学习的任何其他类型的算法。训练多个不同的机器学习模型允许给定模型的输出在执行后由其他模型审核。
在框652处,功能包括由计算系统100比较两个或多个不同机器学习模型的输出。例如,可以比较两个所执行的机器学习模型的输出以确定它们是否基本上相似。例如,在输出提供关于飞机的给定部分是否需要维护的二进制输出的情况下,可以将输出进行比较以确定它们是否相同。在所执行的机器学习模型提供飞机的每个给定部分的性能等级的示例中,可以对等级进行比较以确定它们共享阈值相似度范围。例如,可以比较给定部分的性能等级,以确定它们是否在彼此的10%之内。如果两个或更多个性能等级均落在阈值之内,则可以将它们确定为基本上相似,并因此就是否应对飞机的给定部分执行性能达成一致。
框654为根据示例实施方式的用于提供如框614所示的另一示例。在框654处,功能包括基于比较两个或更多个不同机器学习模型的输出来提供执行维护的指令。例如,如果训练模型的输出相同或落在阈值相似度级别之内,并且指示应对飞机的给定部分执行维护,则提供指令以对该部分执行维护。类似地,如果训练模型的输出相同或落在阈值相似度水平之内,并且指示不应对飞机的给定部分执行维护,则提供指令以不对该部分执行维护。然而,如果训练模型的输出不相同或不在阈值相似度水平之内,并且指示应对飞机的给定部分执行维护,则提供指令以对该部分执行手动评估。类似地,如果训练模型的输出不相同或不在阈值相似度水平之内,并且与是否应对飞机的给定部分执行维护冲突,则提供指令以对该部分执行手动评估。通过以此方式对所执行的机器学习模型的输出进行相互审查,系统100可以对所提供的指令更有信心。
图16示出了根据示例实施方式的与方法600一起使用的示例方法的流程图。在框656处,功能包括,在至少使用附加操作指标402的值训练机器学习模型之前,使用与飞机类型的另一飞机对应的附加操作指标402的值训练机器学习模型。类似地,这允许对机器学习模型的输出有信心。
图17示出了根据示例实施方式的用于提供如框614所示的示例方法的流程图。在框658处,功能包括接收机器学习模型的输出,其中,所述输出包括飞机的对应于传感器和/或参数的选定分组的每个部分的性能等级。在框660处,功能包括确定飞机200的一个或多个部分的性能等级降到性能等级阈值以下。所述阈值指示显示附加操作指标402与这些指标的预期值的匹配程度的百分比。所述预期值可能基于模拟的飞行数据、从一架或多架维护飞机接收的数据或机器学习模型生成的输出。该阈值可以为例如80%性能等级阈值。在框662处,功能包括提供指令以对一个或多个部分执行维护。通过基于阈值对飞机200维护的指令,可以建立基于飞机类型或基于飞机200的特定操作上不同的部分而变化的公差等级。这允许依赖于维护标准的灵活维护决策,该维护标准基于正在评估飞机200的哪个部分而不同。
在本文描述的示例内,方法和系统提供对应于多个飞机中的一个飞机的一致且可靠的维护确定。所公开的系统提供自动或基于用户的确定,以使用与与具体飞机类型相关联的针对性指标相对应的数据来训练机器学习模型。另外,通过使用不止一种类型的学习模型来审核机器学习模型,并且在使用模型之前需要进行阈值训练,从而允许实现更可靠的输出和维护确定。
本文使用的术语“基本上”、“相似度”和“约”是指所述特征、参数或值不需要精确地实现,而是偏差或变化(包括例如公差、测量误差、测量精度限制和本领域技术人员已知的其他因素)可以以不排除所述特征旨在提供的效果的量发生。
本文公开的系统、装置和方法的不同示例包括各种部件、特征和功能。应当理解,本文公开的系统、装置和方法的各种示例可以包括本文中公开的系统、装置和方法的任何其他示例的任何部件、特征和功能的任何组合或任何子组合,并且所有这些可能性都在本公开的范围内。
此外,本公开包括根据以下条款的实施例:
条款1.一种用于确定是否执行飞机维护的方法(600),包括:
(602)基于飞机类型的多个操作上不同的部分将要经历的预期飞行力,从与所述飞机类型相关联的多个传感器和参数中选择对应于所述飞机类型的多个部分的传感器和/或参数的多个分组;
(604)从飞机类型的飞机(200)接收与传感器和/或参数的每个分组相对应的特征数据(300);
(606)由计算系统(100)从特征数据(300)中确定与传感器和/或参数的多个分组相对应的预定操作指标(400)的值,其中,所述预定操作指标(400)的值指示在飞机(200)的给定飞行期间,飞机(200)对所述飞机(200)的对应于传感器和/或参数的选定分组的每个相应部分所经历的力的响应;
(608)由计算系统(100)将预定操作指标(400)的值与对应于飞机(200)的至少一其他飞行的预定操作指标(400)的值进行比较;
(610)由计算系统(100)基于比较预定操作指标(400)的值来确定附加操作指标(402)的值,其中,附加操作指标(402)的值指示在飞机(200)的多次飞行期间,飞机(200)对飞机(200)的对应于传感器和/或参数的选定分组的每个相应部分所经历的力的响应;
(612)至少使用附加操作指标(402)的值来训练机器学习模型;以及
(614)由计算系统(100)基于机器学习模型的输出来提供指令,以对飞机(200)或飞机类型的另一飞机的多个部分中的一者或多者执行维护。
条款2.根据条款1所述的方法,其中,(602)选择与所述飞机类型的多个部分相对应的传感器和/或参数的分组包括(616)选择至少与飞机类型的机翼部分、垂直稳定器部分和副翼部分相对应的传感器和/或参数的分组。
条款3.根据条款1或2所述的方法(600),其中,(602)选择与飞机类型的多个部分相对应的传感器和/或参数的分组包括:
(618)接收与飞机类型的多个操作上不同的部分要经历的预期飞行力相对应的模拟和/或测试数据;
(620)基于接收到模拟和/或测试数据,确定与预期飞行力相关的飞机类型的已知传感器和/或参数;以及
(622)基于确定与预期飞行力相关的飞机类型的已知传感器和/或参数来选择与飞机类型的多个部分相对应的传感器和/或参数的分组。
条款4.根据条款1-3中的任一条款所述的方法(600),其中,(602)选择与飞机类型的多个部分相对应的传感器和/或参数的分组包括:
(624)由计算系统(100)确定对应于飞机类型的多个操作上不同的部分要经历的预期飞行力的传感器和/或参数;
(626)由计算系统(100)通过用户界面(500)提供与预期飞行力相对应的传感器和/或参数的指示;以及
(628)由计算系统(100)通过用户界面接收对来自所述指示的一个或多个传感器和参数的选择。
条款5.根据条款1-4中的任一条款所述的方法(600),其中,(602)选择与飞机类型的多个部分相对应的传感器和/或参数的分组包括:
(630)由计算系统(100)通过用户界面(500)提供飞机类型的示意图(510);
(632)通过用户界面(500)接收对与飞机类型的一部分相对应的示意图(510)的一部分的选择;
(634)通过用户界面(500)提供与示意图(510)的一部分相关联的可选传感器和参数(514);
(636)通过用户界面(500)接收可选传感器和参数(514)中的一个或多个的选择;以及
(638)基于接收到可选传感器和参数中的一个或多个的选择来确定传感器和参数的给定分组。
条款6.根据条款1-5中的任一条款所述的方法(600),其中,(610)确定附加操作指标的值包括:
(640)基于比较预定操作指标(400)的值来确定与预定操作指标(400)的值相对应的总体最大值、总体最小值和平均值,其中,附加操作指标(402)包括总体最大值、总体最小值和平均值。
条款7.根据条款6所述的方法(600),其中,(612)至少使用附加操作指标(402)的值来训练机器学习模型包括(642)提供总体最小值、总体最大值和平均值以作为机器学习模型的输入。
条款8.根据条款1-7中的任一条款所述的方法,还包括:
(642)在至少使用附加操作指标(402)的值训练机器学习模型之前,累积与飞机类型的多个飞机相对应的附加操作指标(402)的值,直到附加操作指标(402)的值对应于飞机类型的飞机的阈值数量为止;以及
(644)在确定附加操作指标的值对应于飞机类型的飞机的阈值数量之后,使用用于附加操作指标的累加值训练机器学习模型。
条款9.根据条款1-8中的任一条款所述的方法,还包括:
(646)基于与每个相应分组相对应的飞机类型的相应部分的已知空气动力学质量,为多个分组中的每个分组确定用于附加操作指标的模拟值;以及
(648)在至少使用附加操作指标(402)的值训练机器学习模型之前,使用附加操作指标(402)的模拟值来训练机器学习模型。
条款10.根据条款1-9中的任一条款所述的方法,其中,(612)训练机器学习模型包括(650)至少使用附加操作指标(402)的值来训练两个或更多不同的机器学习模型,该方法还包括:
由计算系统(100)比较两个或多个不同机器学习模型的输出,其中,(614)提供指令以对飞机(200)或飞机类型的另一飞机的多个部分中的一者或多者执行维护包括(654),基于比较两个或多个不同的机器学习模型的输出来提供执行维护的指令。
条款11.根据条款1-10中的任一条款所述的方法,还包括:
(656)在至少使用附加操作指标(402)的值训练机器学习模型之前,使用与飞机类型的另一飞机对应的附加操作指标(402)的值训练机器学习模型。
条款12.根据条款1-11中的任一条款所述的方法,其中,(614)提供指令以对飞机(200)或飞机类型的另一飞机的多个部分中的一者或多者执行维护包括:
(658)接收机器学习模型的输出,其中,所述输出包括飞机的每个部分的性能等级,其对应于传感器和/或参数的选定分组;
(660)确定所述飞机的一个或多个部分的性能等级降到性能等级阈值以下;以及
(662)提供指令以对一个或多个部分执行维护。
条款13.一种用于确定是否执行飞机维护的系统(100),包括:
计算装置(102),其具有处理器(106)和存储器(108),存储器(108)存储可由处理器(106)执行的指令以:
基于飞机类型的多个操作上不同的部分将要经历的预期飞行力,从与飞机类型相关联的多个传感器和参数中选择对应于飞机类型的多个部分的传感器和/或参数的多个分组;
从飞机类型的飞机(200)接收与传感器和/或参数的每个分组相对应的特征数据(300);
从特征数据(300)中确定与传感器和/或参数的多个分组相对应的预定操作指标(400)的值,其中,预定操作指标(400)的值指示在飞机(200)的给定飞行期间,飞机(200)对飞机(200)的对应于传感器和/或参数的选定分组的每个相应部分所经历的力的响应;
将预定操作指标(400)的值与对应于飞机(200)的至少一其他飞行的预定操作指标(400)的值进行比较;
基于比较预定操作指标(400)的值来确定附加操作指标(402)的值,其中,附加操作指标(402)的值指示在飞机(200)的多次飞行期间,飞机(200)对飞机(200)的对应于传感器和/或参数的选定分组的每个相应部分所经历的力的响应;
至少使用附加操作指标(402)的值来训练机器学习模型;以及
基于机器学习模型的输出来提供指令,以对飞机(200)或飞机类型的另一飞机的多个部分中的一者或多者执行维护。
条款14.根据条款13所述的系统,其中,所述计算装置(102)还包括用户界面(500),并且其中,所述指令还可以由所述处理器执行,以通过用户界面(500)提供建议的传感器和参数以用于与飞机类型的部分相关联的分组。
条款15.根据条款13所述的系统,其中,所述计算装置(102)还包括用户界面(500),并且其中,确定传感器和参数的多个分组包括通过用户界面(500)来接收分组的指示。
条款16.根据条款13-15中的任一条款所述的系统,还包括数据库(116),其中,选择与飞机类型的多个部分相对应的传感器和/或参数的分组包括:
从数据库(116)接收与飞机类型的多个操作上不同的部分将要经历的预期飞行力相对应的模拟和/或测试数据;
基于接收到模拟和/或测试数据,确定与预期飞行力相关的飞机类型的已知传感器和/或参数;以及
基于确定与预期飞行力相关的飞机类型的已知传感器和/或参数来选择与飞机类型的多个部分相对应的传感器和/或参数的分组。
条款17.根据条款13-16中的任一条款所述的系统,还包括数据库(116),其中,所述指令还可以由处理器(106)执行以:
接收特征数据(300);
将特征数据(300)发送到数据库(116);以及
将与对应于特征数据(300)的具体飞机相关联的飞机标识符与特征数据(300)一起发送到数据库(116)。
条款18.根据条款13-17中的任一条款所述的系统,还包括与机器学习模型相关联的服务器(118),其中,服务器(118)被配置为从计算装置(102)接收输入以训练机器学习模型,并且其中,所述指令还可以由处理器(106)执行以:
基于与每个相应分组相对应的飞机类型的相应部分的已知空气动力学质量,为多个分组中的每个分组确定用于附加操作指标(402)的模拟值;以及
在至少使用附加操作指标(4020的值训练机器学习模型之前,使用附加操作指标(402)的模拟值来训练机器学习模型。
条款19.根据条款13-18中的任一条款所述的系统,还包括与飞机维修设施相关联的飞机维护控制器(120),其中,提供对飞机(200)的多个部分中的一者或多者执行维护的指令包括将指令发送到飞机维护控制器(120)。
条款20.一种非暂时性计算机可读介质(108),其上存储有指令,当指令由计算装置(102)的一个或多个处理器(106)执行时,该指令使计算装置(102)执行以下功能:
基于飞机类型的多个操作上不同的部分将要经历的预期飞行力,从与飞机类型相关联的多个传感器和参数中选择对应于飞机类型的多个部分的传感器和/或参数的多个分组;
从飞机类型的飞机(200)接收与传感器和/或参数的每个分组相对应的特征数据(300);
由计算系统(100)从特征数据(300)中确定与传感器和/或参数的多个分组相对应的预定操作指标(400)的值,其中,所述预定操作指标(400)的值指示在飞机(200)的给定飞行期间,飞机(200)对飞机(200)的对应于传感器和/或参数的选定分组的每个相应部分所经历的力的响应;
由计算系统(100)将预定操作指标(400)的值与对应于飞机(200)的至少一其他飞行的预定操作指标(400)的值进行比较;
由计算系统(100)基于比较预定操作指标(400)的值来确定附加操作指标(402)的值,其中,附加操作指标(402)的值指示在飞机(200)的多次飞行期间,飞机(200)对飞机(200)的对应于传感器和/或参数的选定分组的每个相应部分所经历的力的响应;
至少使用附加操作指标(402)的值来训练机器学习模型;以及
由计算系统(100)基于机器学习模型的输出来提供指令,以对飞机(200)或飞机类型的另一飞机的多个部分中的一者或多者执行维护。
已经出于说明和描述的目的给出了对不同有利布置的描述,并且不旨在穷举或限于所公开形式的示例。许多修改和变化对于本领域普通技术人员来说是显而易见的。此外,与其他有利示例相比,不同的有利示例可以描述不同的优点。选择和描述所选的一个示例或多个示例以便最好地解释示例的原理、实际应用,并且使本领域的其他普通技术人员能够理解本公开的各种示例,其具有适合于特定使用预期的各种修改。
Claims (15)
1.一种用于确定是否执行飞机维护的方法(600),包括:
(602)基于飞机类型的多个操作上不同的部分将要经历的预期飞行力,从与所述飞机类型相关联的多个传感器和参数中选择对应于所述飞机类型的多个部分的传感器和/或参数的多个分组;
(604)从所述飞机类型的飞机(200)接收与传感器和/或参数的每个分组相对应的特征数据(300);
(606)由计算系统(100)从所述特征数据(300)中确定与传感器和/或参数的所述多个分组相对应的预定操作指标(400)的值,其中,所述预定操作指标(400)的值指示在飞机(200)的给定飞行期间,飞机(200)对所述飞机(200)的对应于传感器和/或参数的选定分组的每个相应部分所经历的力的响应;
(608)由所述计算系统(100)将预定操作指标(400)的值与对应于所述飞机(200)的至少一其他飞行的预定操作指标(400)的值进行比较;
(610)由所述计算系统(100)基于比较预定操作指标(400)的值来确定附加操作指标(402)的值,其中,所述附加操作指标(402)的值指示在所述飞机(200)的多次飞行期间,飞机(200)对所述飞机(200)的对应于传感器和/或参数的选定分组的每个相应部分所经历的力的响应;
(612)至少使用所述附加操作指标(402)的值来训练机器学习模型;以及
(614)由所述计算系统(100)基于机器学习模型的输出来提供指令,以对飞机(200)或飞机类型的另一飞机的多个部分中的一者或多者执行维护。
2.根据权利要求1所述的方法(600),其中,(602)选择与所述飞机类型的多个部分相对应的传感器和/或参数的分组包括(616)选择至少与所述飞机类型的机翼部分、垂直稳定器部分和副翼部分相对应的传感器和/或参数的分组。
3.根据权利要求1所述的方法(600),其中,(602)选择与所述飞机类型的多个部分相对应的传感器和/或参数的分组包括:
(618)接收与所述飞机类型的多个操作上不同的部分要经历的预期飞行力相对应的模拟和/或测试数据;
(620)基于接收到所述模拟和/或测试数据,确定与所述预期飞行力相关的所述飞机类型的已知传感器和/或参数;以及
(622)基于确定与所述预期飞行力相关的所述飞机类型的已知传感器和/或参数来选择与所述飞机类型的多个部分相对应的传感器和/或参数的分组。
4.根据权利要求1所述的方法(600),其中,(602)选择与所述飞机类型的多个部分相对应的传感器和/或参数的分组包括:
(624)由所述计算系统(100)确定对应于所述飞机类型的多个操作上不同的部分要经历的预期飞行力的传感器和/或参数;
(626)由所述计算系统(100)通过用户界面(500)提供与所述预期飞行力相对应的所述传感器和/或参数的指示;以及
(628)由所述计算系统(100)通过所述用户界面接收对来自所述指示的一个或多个传感器和参数的选择。
5.根据权利要求1所述的方法(600),其中,(602)选择与所述飞机类型的多个部分相对应的传感器和/或参数的分组包括:
(630)由所述计算系统(100)通过用户界面(500)提供所述飞机类型的示意图(510);
(632)通过所述用户界面(500)接收对与所述飞机类型的一部分相对应的所述示意图(510)的一部分的选择;
(634)通过所述用户界面(500)提供与所述示意图(510)的一部分相关联的可选传感器和参数(514);
(636)通过所述用户界面(500)接收所述可选传感器和参数(514)中的一个或多个的选择;以及
(638)基于接收到所述可选传感器和参数中的一个或多个的选择来确定传感器和参数的给定分组。
6.根据权利要求1至5中的任一项所述的方法(600),其中,(610)确定附加操作指标的值包括:
(640)基于比较所述预定操作指标(400)的值来确定与所述预定操作指标(400)的值相对应的总体最大值、总体最小值和平均值,其中,所述附加操作指标(402)包括所述总体最大值、所述总体最小值和所述平均值。
7.根据权利要求1至5中的任一项所述的方法(600),还包括:
(642)在至少使用所述附加操作指标(402)的值训练所述机器学习模型之前,累积与所述飞机类型的多个飞机相对应的所述附加操作指标(402)的值,直到所述附加操作指标(402)的值对应于所述飞机类型的飞机的阈值数量为止;以及
(644)在确定所述附加操作指标的值对应于所述飞机类型的飞机的阈值数量之后,使用所述附加操作指标的累加值训练所述机器学习模型。
8.根据权利要求1至5中的任一项所述的方法(600),还包括:
(646)基于与每个相应分组相对应的所述飞机类型的相应部分的已知空气动力学质量,为所述多个分组中的每个分组确定所述附加操作指标的模拟值;以及
(648)在至少使用所述附加操作指标(402)的值训练所述机器学习模型之前,使用所述附加操作指标(402)的模拟值来训练所述机器学习模型。
9.根据权利要求1至5中的任一项所述的方法(600),其中,(612)训练所述机器学习模型包括(650)至少使用所述附加操作指标(402)的值来训练两个或更多不同的机器学习模型,所述方法还包括:
由所述计算系统(100)比较两个或多个不同所述机器学习模型的输出,其中,(614)提供指令以对所述飞机(200)或所述飞机类型的另一飞机的多个部分中的一者或多者执行维护包括(654)基于比较两个或多个不同所述机器学习模型的输出来提供执行维护的指令。
10.根据权利要求1至5中的任一项所述的方法(600),其中,(614)提供指令以对所述飞机(200)或所述飞机类型的另一飞机的多个部分中的一者或多者执行维护包括:
(658)接收所述机器学习模型的输出,其中,所述输出包括所述飞机的对应于传感器和/或参数的选定分组的每个部分的性能等级;
(660)确定所述飞机的一个或多个部分的性能等级降到性能等级阈值以下;以及
(662)提供所述指令以对所述一个或多个部分执行维护。
11.一种用于确定是否执行飞机维护的系统(100),包括:
计算装置(102),具有处理器(106)和存储器(108),所述存储器(108)存储能由所述处理器(106)执行的指令以:
基于飞机类型的多个操作上不同的部分将要经历的预期飞行力,从与所述飞机类型相关联的多个传感器和参数中选择对应于所述飞机类型的多个部分的传感器和/或参数的多个分组;
从所述飞机类型的飞机(200)接收与传感器和/或参数的每个分组相对应的特征数据(300);
从所述特征数据(300)中确定与所述传感器和/或参数的多个分组相对应的预定操作指标(400)的值,其中,所述预定操作指标(400)的值指示在所述飞机(200)的给定飞行期间,所述飞机(200)对所述飞机(200)的对应于传感器和/或参数的选定分组的每个相应部分所经历的力的响应;
将预定操作指标(400)的值与对应于所述飞机(200)的至少一其他飞行的预定操作指标(400)的值进行比较;
基于比较预定操作指标(400)的值来确定附加操作指标(402)的值,其中,所述附加操作指标(402)的值指示在所述飞机(200)的多次飞行期间,所述飞机(200)对所述飞机(200)的对应于传感器和/或参数的选定分组的每个相应部分所经历的力的响应;
至少使用所述附加操作指标(402)的值来训练机器学习模型;以及
基于所述机器学习模型的输出来提供指令,以对所述飞机(200)或所述飞机类型的另一飞机的多个部分中的一者或多者执行维护。
12.根据权利要求11所述的系统(100),还包括数据库(116),其中,选择与所述飞机类型的多个部分相对应的传感器和/或参数的分组包括:
从所述数据库(116)接收与所述飞机类型的多个操作上不同的部分将要经历的预期飞行力相对应的模拟和/或测试数据;
基于接收到所述模拟和/或测试数据,确定与所述预期飞行力相关的所述飞机类型的已知传感器和/或参数;以及
基于确定与所述预期飞行力相关的所述飞机类型的已知传感器和/或参数来选择与所述飞机类型的多个部分相对应的传感器和/或参数的分组。
13.根据权利要求11所述的系统(100),还包括数据库(116),其中,指令还能由所述处理器(106)执行以:
接收所述特征数据(300);
将所述特征数据(300)发送到所述数据库(116);以及
将与对应于所述特征数据(300)的具体飞机相关联的飞机标识符与所述特征数据(300)一起发送到所述数据库(116)。
14.根据权利要求11或12所述的系统(100),还包括与所述机器学习模型相关联的服务器(118),其中,所述服务器(118)被配置为从所述计算装置(102)接收输入以训练所述机器学习模型,并且其中,指令还能由所述处理器(106)执行以:
基于与每个相应分组相对应的所述飞机类型的相应部分的已知空气动力学质量,为所述多个分组中的每个分组确定所述附加操作指标(402)的模拟值;以及
在至少使用所述附加操作指标(402)的值训练所述机器学习模型之前,使用所述附加操作指标(402)的模拟值来训练所述机器学习模型。
15.根据权利要求11至13中的任一项所述的系统(100),还包括与飞机维修设施相关联的飞机维护控制器(120),其中,提供指令以对所述飞机(200)的多个部分中的一者或多者执行维护包括将指令发送到所述飞机维护控制器(120)。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US16/213,136 | 2018-12-07 | ||
US16/213,136 US11358737B2 (en) | 2018-12-07 | 2018-12-07 | Methods and systems for performing aircraft maintenance |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111361758A true CN111361758A (zh) | 2020-07-03 |
Family
ID=68655400
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911243759.1A Pending CN111361758A (zh) | 2018-12-07 | 2019-12-06 | 用于确定是否执行飞机维护的方法和系统 |
Country Status (5)
Country | Link |
---|---|
US (1) | US11358737B2 (zh) |
EP (1) | EP3663211B1 (zh) |
JP (1) | JP7343374B2 (zh) |
CN (1) | CN111361758A (zh) |
SG (1) | SG10201911355YA (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112069607A (zh) * | 2020-07-17 | 2020-12-11 | 北京动力机械研究所 | 整体叶轮成组分类编码与几何特征参数计算方法及装置 |
CN112215982A (zh) * | 2020-09-28 | 2021-01-12 | 广州航新航空科技股份有限公司 | 一种直升机数据采集方法、系统、装置及存储介质 |
CN113325747A (zh) * | 2021-04-30 | 2021-08-31 | 中国民用航空总局第二研究所 | 一种通用航空器定检监控预警方法及系统 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2603777A (en) * | 2021-02-11 | 2022-08-17 | Airbus Operations Ltd | Aircraft control system |
US20220343770A1 (en) * | 2021-04-27 | 2022-10-27 | Rockwell Collins, Inc. | Machine-learned operating system and processor |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8521448B1 (en) * | 2009-10-21 | 2013-08-27 | The Boeing Company | Structural analysis using measurement of fastener parameters |
CN106470900A (zh) * | 2014-06-26 | 2017-03-01 | 庞巴迪公司 | 用于辅助维护飞机和其它移动平台的方法和设备 |
CN107085760A (zh) * | 2016-02-16 | 2017-08-22 | 特莱丽思环球有限合伙公司 | 飞行器可靠性计划的汇总维护数据的可视化 |
US20170369190A1 (en) * | 2016-06-24 | 2017-12-28 | The Boeing Company | Performance prediction methods and systems for maintenance of aircraft flight control surface components |
CN107545095A (zh) * | 2016-06-24 | 2018-01-05 | 波音公司 | 用于飞行器大修期间的结构修理的预测方法和系统 |
US20180288080A1 (en) * | 2017-03-31 | 2018-10-04 | The Boeing Company | On-board networked anomaly detection (onad) modules |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2492328A (en) | 2011-06-24 | 2013-01-02 | Ge Aviat Systems Ltd | Updating troubleshooting procedures for aircraft maintenance |
US9020689B2 (en) | 2011-09-19 | 2015-04-28 | The Boeing Company | Method for real-time model based structural anomaly detection |
JP6097517B2 (ja) | 2012-10-16 | 2017-03-15 | 三菱航空機株式会社 | 状態診断方法、および、状態診断装置 |
US10336472B2 (en) * | 2014-10-15 | 2019-07-02 | The Boeing Company | Motor health management apparatus and method |
EP3098681B1 (en) | 2015-05-27 | 2020-08-26 | Tata Consultancy Services Limited | Artificial intelligence based health management of host system |
EP3332211A4 (en) | 2015-08-04 | 2019-04-24 | Sikorsky Aircraft Corporation | STRUCTURE ERROR IDENTIFICATION AND INSULATION IN A ROTATING FLOATER ON THE BASIS OF VIRTUAL MONITORING OF LOADS |
US10706361B1 (en) * | 2015-12-11 | 2020-07-07 | The Boeing Company | Hybrid feature selection for performance prediction of fluid control valves |
US20170193372A1 (en) | 2016-01-06 | 2017-07-06 | The Boeing Company | Health Management Using Distances for Segmented Time Series |
JP6720101B2 (ja) | 2017-02-27 | 2020-07-08 | 三菱重工業株式会社 | 航空機管理装置及び方法並びにプログラム |
-
2018
- 2018-12-07 US US16/213,136 patent/US11358737B2/en active Active
-
2019
- 2019-11-25 EP EP19211248.0A patent/EP3663211B1/en active Active
- 2019-11-28 SG SG10201911355YA patent/SG10201911355YA/en unknown
- 2019-12-03 JP JP2019218522A patent/JP7343374B2/ja active Active
- 2019-12-06 CN CN201911243759.1A patent/CN111361758A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8521448B1 (en) * | 2009-10-21 | 2013-08-27 | The Boeing Company | Structural analysis using measurement of fastener parameters |
CN106470900A (zh) * | 2014-06-26 | 2017-03-01 | 庞巴迪公司 | 用于辅助维护飞机和其它移动平台的方法和设备 |
CN107085760A (zh) * | 2016-02-16 | 2017-08-22 | 特莱丽思环球有限合伙公司 | 飞行器可靠性计划的汇总维护数据的可视化 |
US20170369190A1 (en) * | 2016-06-24 | 2017-12-28 | The Boeing Company | Performance prediction methods and systems for maintenance of aircraft flight control surface components |
CN107545095A (zh) * | 2016-06-24 | 2018-01-05 | 波音公司 | 用于飞行器大修期间的结构修理的预测方法和系统 |
US20180288080A1 (en) * | 2017-03-31 | 2018-10-04 | The Boeing Company | On-board networked anomaly detection (onad) modules |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112069607A (zh) * | 2020-07-17 | 2020-12-11 | 北京动力机械研究所 | 整体叶轮成组分类编码与几何特征参数计算方法及装置 |
CN112215982A (zh) * | 2020-09-28 | 2021-01-12 | 广州航新航空科技股份有限公司 | 一种直升机数据采集方法、系统、装置及存储介质 |
CN113325747A (zh) * | 2021-04-30 | 2021-08-31 | 中国民用航空总局第二研究所 | 一种通用航空器定检监控预警方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
US11358737B2 (en) | 2022-06-14 |
JP7343374B2 (ja) | 2023-09-12 |
SG10201911355YA (en) | 2020-07-29 |
US20200180788A1 (en) | 2020-06-11 |
JP2020117209A (ja) | 2020-08-06 |
EP3663211B1 (en) | 2021-11-10 |
EP3663211A1 (en) | 2020-06-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111361758A (zh) | 用于确定是否执行飞机维护的方法和系统 | |
CN107545095B (zh) | 用于飞行器大修期间的结构修理的预测方法和系统 | |
US10472096B2 (en) | Advanced analytic methods and systems utilizing trust-weighted machine learning models | |
CN103247089B (zh) | 用于实时飞机性能监视的系统和方法 | |
EP2489014B1 (en) | Platform health monitoring apparatus and method | |
US8914149B2 (en) | Platform health monitoring system | |
US20170369190A1 (en) | Performance prediction methods and systems for maintenance of aircraft flight control surface components | |
JP6313929B2 (ja) | 構造物を監視するための方法及びシステム | |
CN102062619A (zh) | 用于通过预测推理来分析复杂系统的方法系统和装置 | |
CN104598500A (zh) | 数据分类装置及方法和利用该装置及方法的数据收集系统 | |
CN103979113A (zh) | 用于预测水平稳定器故障的方法 | |
CN103979112A (zh) | 用于预测后缘襟翼故障的方法 | |
EP3893071B1 (en) | Anomaly prediction and detection for aircraft equipment | |
CN103324155A (zh) | 系统监控 | |
CN113168313A (zh) | 用于监控飞行器发动机的计算环境系统 | |
CN108957173A (zh) | 一种用于航空电子系统状态的检测方法 | |
US20150106313A1 (en) | Predictive modeling of high-bypass turbofan engine deterioration | |
JP2019511061A (ja) | 保守に重点を置いた航空機のデータ記録フレーム構成を決定するためのシステムおよび方法 | |
JP2014085343A (ja) | プラットフォーム健全性監視システム | |
KR101193116B1 (ko) | 회전익 항공기의 비행 패턴의 인식 방법, 이를 구현하는 비행 패턴 인식 장치 및 기록 매체 | |
US20220068042A1 (en) | Automated prediction of repair based on sensor data | |
US20230132515A1 (en) | System and methods for preconditioning a power source of an electric aircraft | |
Wade et al. | Applying machine learning-based diagnostic functions to rotorcraft safety | |
US11453511B1 (en) | Systems and methods for data verification at start up | |
Bates et al. | Rotorcraft Dynamic Component Usage Based Maintenance Process |
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 |