CN114580784A - 一种飞机部件预测性维修数据的分析方法 - Google Patents
一种飞机部件预测性维修数据的分析方法 Download PDFInfo
- Publication number
- CN114580784A CN114580784A CN202210305673.2A CN202210305673A CN114580784A CN 114580784 A CN114580784 A CN 114580784A CN 202210305673 A CN202210305673 A CN 202210305673A CN 114580784 A CN114580784 A CN 114580784A
- Authority
- CN
- China
- Prior art keywords
- data
- maintenance
- airplane
- parts
- aircraft
- 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
Images
Classifications
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/211—Selection of the most significant subset of features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Abstract
本发明提供了一种飞机部件预测性维修数据的分析方法,所述方法包括以下步骤:步骤S1、建立飞机维修技术手册各零部件标定使用寿时数据库;步骤S2、获取飞机的机型数据、航班数据以及飞行记录系统中数据记录装置的航行相关数据;步骤S3、读取飞机零部件的历史维修数据,关联历史信号变化数据,建立预测性维修数据库;步骤S4、根据飞机零部件的历史维修数据和零部件标定使用寿时数据库得到异常判断标准的阈值;步骤S5、以一定间隔对输入飞机数据进行预测维修模型的动态更新,并利用深度学习分析方法来完全处理大状况监视系列数据;本发明能够有效地提取飞机运行相关的数据做零部件维修更换的动态预测,提高了飞机设备运行的可靠性。
Description
技术领域
本发明涉及飞机维修技术领域,特别是一种飞机部件预测性维修数据的分析方法。
背景技术
飞机的妥适维修为飞航安全的重要保障,为确保飞机的正常运行,现行的飞机维修模式采用预防性维修策略,通常参照飞机的飞行时数及起降次数进行零部件的更换,然而航行路径大气环境及飞行状态千变万化,各零部件间相互连动,机件寿时无法单凭其操作时间判定。
发明内容
有鉴于此,本发明的目的是提供一种能够实现零部件预防性维修,保障飞机的航行安全的分析方法。
本发明采用以下方法来实现:一种飞机部件预测性维修数据的分析方法,所述方法包括以下步骤:
步骤S1、建立飞机维修技术手册各零部件标定使用寿时数据库;
步骤S2、获取飞机的机型数据、航班数据以及飞行记录系统中数据记录装置的航行相关数据;
步骤S3、读取飞机零部件的历史维修数据,关联历史信号变化数据,建立预测性维修数据库;
步骤S4、根据飞机零部件的历史维修数据和零部件标定使用寿时数据库得到异常判断标准的阈值,构建预测维修模型;
步骤S5、以一定间隔对输入飞机数据进行预测维修模型的动态更新,并利用深度学习分析方法来完全处理大状况监视系列数据,从而能够有效地提取飞机运行相关的数据做零部件维修更换的动态预测,实现飞机零部件的预防性维修,提高了飞机设备运行的可靠性。
进一步的,所述步骤S1进一步具体为:根据飞机维修手册AMM的现有数据和飞机出厂的数据来建立零部件基准寿时数据,从而建立飞机各零部件标定使用寿时数据库。
进一步的,所述步骤S2进一步具体为:所述航班数据为航班跟踪数据、航空公司、始发地、目的地、编号和飞行状况,所述飞行记录数据为来自飞机飞行电脑数据,飞机上的传感器状况数据。
进一步的,所述步骤S3进一步具体为:所述历史维修数据为航线维修历史数据和飞机定期检查维修历史数据。
进一步的,所述步骤S4进一步具体为:根据飞机零部件的历史维修数据和零部件标定使用寿时数据得到异常判断标准的阈值,运用长短期记忆时间序列数据建模,通过对历史数据的清洗、筛选、特征工程工作后,构建预测维修模型;所述判断标准的阈值就是日常零部件的实际寿时与零部件标定使用寿时数据库的标准寿时对比。
进一步的,所述步骤S5进一步具体为:以定检时程输入飞机数据,定检时程为日检、周检、月检、年检和重大故障检修,动态更新飞机检修数据,对输入飞机数据进行预测模型的动态更新,以防止由于相关变量的漂移而引起的任何模型失准,并利用深度学习分析方法来完全处理大状况监视系列数据,有效地提取飞机运行相关的数据做零部件维修更换的动态预测。
进一步的,所述深度学习分析方法包括以下步骤:步骤S51、对海量飞机数据进行预处理,清洗掉非维修的数据;步骤S52、然后对数据进行特征提取,筛选出飞机的维修数据;步骤S53、进行特征选择,选择出某种飞机的维修状况,通过演算法从数据中找到维修规律,做出飞机的维修预测。
本发明的有益效果在于:本发明通过演算预测飞机零部件的维修更换时间,提升飞机设备的可靠性及安全性,自动产生维修排程,增加飞机维修效率,降低飞机维修成本;本发明能够通过现代监控系统收集多测量点和长期数据并提取信息以估计或预测飞机零部件正常使用寿期,并根据运算预判结果生成维修任务,实现飞机零部件的预防性维修,提高了飞机设备运行的可靠性。
附图说明
图1为本发明的方法流程示意图。
图2为本发明的具体流程示意图。
具体实施方式
下面结合附图对本发明做进一步说明。
请参阅图1所示,本发明提供了一种飞机部件预测性维修数据的分析方法,所述方法包括以下步骤:
步骤S1、建立飞机维修技术手册各零部件标定使用寿时数据库;
步骤S2、获取飞机的机型数据、航班数据以及飞行记录系统中数据记录装置的航行相关数据;
步骤S3、读取飞机零部件的历史维修数据,关联历史信号变化数据,建立预测性维修数据库;
步骤S4、根据飞机零部件的历史维修数据和零部件标定使用寿时数据库得到异常判断标准的阈值,构建预测维修模型;
步骤S5、以一定间隔对输入飞机数据进行预测维修模型的动态更新,并利用深度学习分析方法来完全处理大状况监视系列数据,从而能够有效地提取飞机运行相关的数据做零部件维修更换的动态预测,实现飞机零部件的预防性维修,提高了飞机设备运行的可靠性。
下面通过一具体实施例对本发明作进一步说明:
请参阅图2所示,所述的预测性维修功能包括:建立飞机维修技术手册各零部件标定使用寿时数据,根据飞机维修手册AMM的现有数据和飞机出厂的数据来建立零部件基准寿时数据,从而建立飞机各零部件标定使用寿时数据库,获取飞机的机型数据(例如波音式空客)、航班数据、以及飞行记录系统中数据记录装置的航行相关参数,所述航班数据为航班跟踪数据、航空公司、始发地、目的地、编号和飞行状况,所述飞行记录数据为来自飞机飞行电脑数据,飞机上的传感器状况数据(包括高度、速度、气压、温度等状况),读取飞机零部件的历史维修数据,所述历史维修数据为航线维修历史数据和飞机定期检查维修历史数据,关联其历史信号变化数据,建立预测性维修数据库。根据飞机零部件的历史维修数据和零部件标定使用寿时数据得到异常判断标准的阈值,运用长短期记忆时间序列数据建模,通过对历史数据的清洗、筛选、特征工程等工作后,构建预测模型;所述判断标准的阈值就是日常零部件的实际寿时与零部件标定使用寿时数据库的标准寿时对比。以一定间隔对输入数据进行预测模型的动态更新,以防止由于相关变量的漂移而引起的任何模型失准,并利用深度学习分析方法来完全处理大状况监视系列数据,有效地提取飞机运行相关的数据做零部件维修更换的动态预测,以定检时程输入飞机数据,定检时程为日检、周检、月检、年检和重大故障检修,动态更新飞机检修数据,对输入飞机数据进行预测模型的动态更新。本方法通过现代监控系统收集多测量点和长期数据并提取信息以估计或预测飞机零部件正常使用寿期,并根据运算预判结果生成维修任务,实现飞机零部件的预防性维修,提高了飞机设备运行的可靠性。
所述预测性维修数据系统包括:预测性维修数据库,包括所述飞机零部件的机型数据、航班数据、航行数据记录、零部件的历史信号变化数据,历史维修数据、以及飞机维修技术手册零部件标定时使寿时;透过数据的清洗、筛选、特征工程,根据飞机零部件异常判断标准阈值,建立长短期记忆时间序列数据模型;藉由所述系统分析算法,预测飞机零部件待维修状态及需要维修更换时间,给出飞机预测性维修排程。
所述深度学习分析方法包括以下步骤:
步骤S51、对海量飞机数据进行预处理,清洗掉非维修的数据;
步骤S52、然后对数据进行特征提取,筛选出飞机的维修数据;
步骤S53、进行特征选择,选择出某种飞机的维修状况,通过演算法从数据中找到维修规律,做出飞机的维修预测。
总之,本发明提出一项部件预测性维修的数据分析方法,以手册规范为基准,分析飞机航行采集之各项数据,透过数据演算模型,实时分析综合数据是否超过标准的阈值,推论飞机各部件的可靠度,适时提供部件维修建议,实现零部件预防性维修,节约人力物力成品,保障飞机的航行安全。
以上所述仅为本发明的较佳实施例,凡依本发明申请专利范围所做的均等变化与修饰,皆应属本发明的涵盖范围。
Claims (7)
1.一种飞机部件预测性维修数据的分析方法,其特征在于,所述方法包括以下步骤:
步骤S1、建立飞机维修技术手册各零部件标定使用寿时数据库;
步骤S2、获取飞机的机型数据、航班数据以及飞行记录系统中数据记录装置的航行相关数据;
步骤S3、读取飞机零部件的历史维修数据,关联历史信号变化数据,建立预测性维修数据库;
步骤S4、根据飞机零部件的历史维修数据和零部件标定使用寿时数据库得到异常判断标准的阈值,构建预测维修模型;
步骤S5、以一定间隔对输入飞机数据进行预测维修模型的动态更新,并利用深度学习分析方法来完全处理大状况监视系列数据,从而能够有效地提取飞机运行相关的数据做零部件维修更换的动态预测,实现飞机零部件的预防性维修,提高了飞机设备运行的可靠性。
2.根据权利要求1所述的一种飞机部件预测性维修数据的分析方法,其特征在于:所述步骤S1进一步具体为:根据飞机维修手册AMM的现有数据和飞机出厂的数据来建立零部件基准寿时数据,从而建立飞机各零部件标定使用寿时数据库。
3.根据权利要求1所述的一种飞机部件预测性维修数据的分析方法,其特征在于:所述步骤S2进一步具体为:所述航班数据为航班跟踪数据、航空公司、始发地、目的地、编号和飞行状况,所述飞行记录数据为来自飞机飞行电脑数据,飞机上的传感器状况数据。
4.根据权利要求1所述的一种飞机部件预测性维修数据的分析方法,其特征在于:所述步骤S3进一步具体为:所述历史维修数据为航线维修历史数据和飞机定期检查维修历史数据。
5.根据权利要求1所述的一种飞机部件预测性维修数据的分析方法,其特征在于:所述步骤S4进一步具体为:根据飞机零部件的历史维修数据和零部件标定使用寿时数据得到异常判断标准的阈值,运用长短期记忆时间序列数据建模,通过对历史数据的清洗、筛选、特征工程工作后,构建预测维修模型;所述判断标准的阈值就是日常零部件的实际寿时与零部件标定使用寿时数据库的标准寿时对比。
6.根据权利要求1所述的一种飞机部件预测性维修数据的分析方法,其特征在于:所述步骤S5进一步具体为:以定检时程输入飞机数据,定检时程为日检、周检、月检、年检和重大故障检修,动态更新飞机检修数据,对输入飞机数据进行预测模型的动态更新,以防止由于相关变量的漂移而引起的任何模型失准,并利用深度学习分析方法来完全处理大状况监视系列数据,有效地提取飞机运行相关的数据做零部件维修更换的动态预测。
7.根据权利要求1所述的一种飞机部件预测性维修数据的分析方法,其特征在于:所述深度学习分析方法包括以下步骤:步骤S51、对海量飞机数据进行预处理,清洗掉非维修的数据;步骤S52、然后对数据进行特征提取,筛选出飞机的维修数据;步骤S53、进行特征选择,选择出某种飞机的维修状况,通过演算法从数据中找到维修规律,做出飞机的维修预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210305673.2A CN114580784A (zh) | 2022-03-25 | 2022-03-25 | 一种飞机部件预测性维修数据的分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210305673.2A CN114580784A (zh) | 2022-03-25 | 2022-03-25 | 一种飞机部件预测性维修数据的分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114580784A true CN114580784A (zh) | 2022-06-03 |
Family
ID=81783585
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210305673.2A Pending CN114580784A (zh) | 2022-03-25 | 2022-03-25 | 一种飞机部件预测性维修数据的分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114580784A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115296422A (zh) * | 2022-09-30 | 2022-11-04 | 华能辛店发电有限公司 | 基于大数据的电力电缆运行状态监测管控系统及方法 |
-
2022
- 2022-03-25 CN CN202210305673.2A patent/CN114580784A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115296422A (zh) * | 2022-09-30 | 2022-11-04 | 华能辛店发电有限公司 | 基于大数据的电力电缆运行状态监测管控系统及方法 |
CN115296422B (zh) * | 2022-09-30 | 2022-12-27 | 华能辛店发电有限公司 | 基于大数据的电力电缆运行状态监测管控系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10891406B2 (en) | Prediction methods and systems for structural repair during heavy maintenance of aircraft | |
US11170586B1 (en) | Fleet level prognostics for improved maintenance of vehicles | |
US10472096B2 (en) | Advanced analytic methods and systems utilizing trust-weighted machine learning models | |
US10360741B2 (en) | Predicting failures in an aircraft | |
CA2771401C (en) | Platform health monitoring system | |
US10239640B2 (en) | Predictive aircraft maintenance systems and methods incorporating classifier ensembles | |
US11428118B2 (en) | Method and apparatus for predicting turbine outlet temperature in gas turbine | |
EP2701025B1 (en) | Aircraft comprising an aircraft part failure analysis system | |
CN113614359A (zh) | 用于预测风力涡轮机齿轮箱组件中的可观察损坏的风险的方法和系统 | |
US11687067B2 (en) | Pattern classification system with smart data collection for environmental control system fault isolation | |
RU2670907C9 (ru) | Система мониторинга работоспособности платформы | |
CN114580784A (zh) | 一种飞机部件预测性维修数据的分析方法 | |
Babbar et al. | Advanced diagnostics and prognostics for engine health monitoring | |
Azevedo et al. | Estimation of health indicators using advanced analytics for prediction of aircraft systems remaining useful lifetime | |
US20210383618A1 (en) | Method and system for checking a level of damage of at least one aircraft part, and associated aircraft | |
Daouayry et al. | Data-centric helicopter failure anticipation: The mgb oil pressure virtual sensor case | |
Knight et al. | Intelligent management of helicopter health and usage management systems data | |
CA3176638A1 (en) | Fleet level prognostics for improved maintenance of vehicles | |
CN117592736A (zh) | 一种运维部门用工单紧急智能排序优先级管理系统 | |
Tiddens et al. | Towards informed maintenance decision making: identifying and mapping successful diagnostic and prognostic routes | |
Azzam et al. | FUMS/spl trade/fusion for improved aircraft MAAAP | |
Sundaramurthy | PHM System with Comprehensive Data Analytics to Provide Localized Reasoning for a Failure Prediction | |
Cruce et al. | Aeronautical design standard 79-A handbook for conditioned based maintenance system on US army aircraft | |
Ganie et al. | Predictive Maintenance of Aircrafts on Large Scale Industrial Units Using Machine Learning Algorithms |
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 |