CN115130595A - 基于预测的飞行器数据分析与维修系统 - Google Patents
基于预测的飞行器数据分析与维修系统 Download PDFInfo
- Publication number
- CN115130595A CN115130595A CN202210783954.9A CN202210783954A CN115130595A CN 115130595 A CN115130595 A CN 115130595A CN 202210783954 A CN202210783954 A CN 202210783954A CN 115130595 A CN115130595 A CN 115130595A
- Authority
- CN
- China
- Prior art keywords
- fault
- failure
- aircraft
- prediction
- determining
- 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
Links
- 238000012423 maintenance Methods 0.000 title claims abstract description 72
- 238000007405 data analysis Methods 0.000 title claims abstract description 30
- 238000000034 method Methods 0.000 claims description 36
- 230000015654 memory Effects 0.000 claims description 22
- 238000012549 training Methods 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 17
- 238000010606 normalization Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 10
- 230000008439 repair process Effects 0.000 claims description 7
- 230000005856 abnormality Effects 0.000 claims description 4
- 238000004891 communication Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 239000000523 sample Substances 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000012795 verification Methods 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Transportation (AREA)
- Aviation & Aerospace Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供的一种基于预测的飞行器数据分析与维修系统，涉及飞行器技术领域，该系统包括：获取模块，用于获取目标飞行器的历史飞行数据；预测模块，用于根据所述历史飞行数据和故障预测模型，确定所述飞行器是否存在故障，若存在，则确定所述飞行器的故障类型和故障评分，所述故障评分用于表征所述故障预测模型所预测的所述故障类型的严重程度；故障度确定模块，用于根据所述故障评分，以及故障数据库中的故障数据，确定所述飞行器的故障度，其中，所述故障数据包括故障发生频率、故障发生频次、故障权重、故障持续时间、故障发生时段中的至少一种；维修模块，用于根据所述故障度，确定所述飞行器的维修策略，并将所述维修策略发送至工作台。
Description
技术领域
本申请涉及飞行器技术领域，尤其涉及一种基于预测的飞行器数据分析与维修系统。
背景技术
飞行器属于高度定制化的设备，与工业化产品相比，技术成熟度普遍不高。
随着飞行器执行任务需求的数量和难度逐渐增加，对飞行器的数据监测与分析已达到海量级别。
因此，若实时监测飞行器的飞行数据，会因较大负荷的飞行数据获取工作量，导致出现飞行数据遗漏、对飞行数据的分析效率低、无法结合分析后的飞行数据做出及时、准确维修等情况。
发明内容
本发明实施例的目的在于提供一种基于预测的飞行器数据分析与维修系统及系统，本申请实施例能够显著地提升对飞行器的飞行数据的分析效率，并及时、准确地结合分析后数据对出现故障的飞行器进行维修。具体技术方案如下：
在本发明实施例的第一方面，提供一种基于预测的飞行器数据分析与维修系统，所述系统包括：
获取模块，用于获取目标飞行器的历史飞行数据；
预测模块，用于根据所述历史飞行数据和故障预测模型，确定所述飞行器是否存在故障，若存在，则确定所述飞行器的故障类型和故障评分，所述故障评分用于表征所述故障预测模型所预测的所述故障类型的严重程度；
故障度确定模块，用于根据所述故障评分，以及故障数据库中的故障数据，确定所述飞行器的故障度，其中，所述故障数据包括故障发生频率、故障发生频次、故障权重、故障持续时间、故障发生时段中的至少一种；
维修模块，用于根据所述故障度，确定所述飞行器的维修策略，并将所述维修策略发送至工作台。
可选地，所述预测模块还具体用于：
根据所述历史飞行数据，确定所述历史数据对应的故障分类值；
根据所述故障分类值所处的故障分类区间，确定所述故障类型。
可选地，所述预测模块还具体用于：根据所述故障类型，以及所述故障类型对应的所述历史飞行数据，确定所述故障评分。
可选地，所述故障度确定模块还具体用于：
获取所述故障预测模型的预测准确率；
根据所述预测准确率、所述故障评分，以及故障数据库中的故障数据，确定所述飞行器的故障度，所述故障度可以表示为：
其中，j为所述故障模式，
为所述预测准确率，S为所述故障评分，
为所述故障发生频率，
为所述故障发生频次，
为所述故障权重，t为所述故障持续时间，T为所述故障发生时段，
为所述故障模式j的故障度。
可选地，所述预测模块还具体用于：
根据所述历史飞行数据训练初始故障预测模型，当所述初始故障预测模型的训练度大于预设阈值时，得到训练好的所述故障预测模型；
其中，所述训练度通过所述初始故障预测模型对异常度较高的飞行数据的预测能力确定。
可选地，所述维修模块还具体用于：
获取维修策略模型；
根据所述维修策略模型、所述故障度和所述故障度对应的所述历史飞行数据，确定所述维修策略、以及所述维修策略的处理类型。
可选地，所述获取模块还具体用于：对所述历史飞行数据进行归一化和反归一化处理。
在本发明实施例的又一方面，提供一种基于预测的飞行器数据分析与维修方法，所述方法包括：
获取目标飞行器的历史飞行数据；
根据所述历史飞行数据和故障预测模型，确定所述飞行器是否存在故障，若存在，则确定所述飞行器的故障类型和故障评分，所述故障评分用于表征所述故障预测模型所预测的所述故障类型的严重程度；
根据所述故障评分，以及故障数据库中的故障数据，确定所述飞行器的故障度，其中，所述故障数据包括故障发生频率、故障发生频次、故障影响概率、故障持续时间、故障发生时段中的至少一种；
根据所述故障度，确定所述飞行器的维修策略，并将所述维修策略发送至工作台。
在本发明实施例的又一方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被执行时实现如上所述方法的步骤。
在本发明实施例的又一方面，提供一种计算机设备，包括处理器、存储器和存储于所述存储器上的计算机程序，所述处理器执行所述计算机程序时实现如上所述方法的步骤。
有益效果：
由上可知，本申请实施例能够通过飞行器的历史飞行数据，有效地预测出飞行器是否存在故障、故障类型、故障评分等，并且在得到以上数据后还能给出飞行器的故障度和维修策略，此外还能够对飞行器的实时数据进行分析，从而能够有效地将故障数据和维修策略相结合。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的基于预测的飞行器数据分析与维修系统的应用场景示意图；
图2是本申请实施例提供的基于预测的飞行器数据分析与维修系统的结构示意图；
图3是本申请实施例提供的基于预测的飞行器数据分析与维修系统的流程示意图；
图4是本申请实施例提供的计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行描述和说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。基于本申请提供的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。此外，还可以理解的是，虽然这种开发过程中所作出的努力可能是复杂并且冗长的，然而对于与本申请公开的内容相关的本领域的普通技术人员而言，在本申请揭露的技术内容的基础上进行的一些设计，制造或者生产等变更只是常规的技术手段，不应当理解为本申请公开的内容不充分。
在本申请中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域普通技术人员显式地和隐式地理解的是，本申请所描述的实施例在不冲突的情况下，可以与其它实施例相结合。
除非另作定义，本申请所涉及的技术术语或者科学术语应当为本申请所属技术领域内具有一般技能的人士所理解的通常意义。本申请所涉及的“一”、“一个”、“一种”、“该”等类似词语并不表示数量限制，可表示单数或复数。本申请所涉及的术语“包括”、“包含”、“具有”以及它们任何变形，意图在于覆盖不排他的包含；例如包含了一系列步骤或模块(单元)的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可以还包括没有列出的步骤或单元，或可以还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。本申请所涉及的“连接”、“相连”、“耦接”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电气的连接，不管是直接的还是间接的。本申请所涉及的“多个”是指大于或者等于两个。“和/或”描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。本申请所涉及的术语“第一”、“第二”、“第三”等仅仅是区别类似的对象，不代表针对对象的特定排序。
在本实施例中，提供了一种基于预测的飞行器数据分析与维修系统，图1是本申请实施例提供的基于预测的飞行器数据分析与维修系统的应用场景示意图，如图1所示，在该应用环境中，包括飞行器和服务端。该飞行器通过网络与该服务端进行通信；该服务端获取飞行器的历史飞行数据，并结合服务端的故障预测模型和维修策略模型给出飞行器的故障度和维修策略。该飞行器可以包括但不限于是气球、飞艇、飞机、人造地球卫星、载人飞船、空间探测器、航天飞机等，该服务端可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一些实施例中，网络可以是有线网络或无线网络等或其任意组合。仅作为示例，网络可以包括电缆网络、有线网络、光纤网络、电信网络、内部网络、互联网、局域网络(LAN)、广域网络(WAN)、无线局域网络(WLAN)、城域网(MAN)、公共交换电话网络(PSTN)、蓝牙网络、紫蜂网络、近场通讯(NFC)网络、全球移动通讯系统(GSM)网络、码分多址(CDMA)网络、时分多址(TDMA)网络、通用分组无线服务(GPRS)网络、增强数据速率GSM演进(EDGE)网络、宽带码分多址接入(WCDMA)网络、高速下行分组接入(HSDPA)网络、长期演进(LTE)网络、用户数据报协议(UDP)网络、传输控制协议/互联网协议(TCP/IP)网络、短讯息服务(SMS)网络、无线应用协议(WAP)网络、超宽带(UWB)网络、红外线等或其任意组合。在一些实施例中，基于预测的飞行器数据分析与维修系统100可以包括一个或以上网络接入点。例如，基站和/或无线接入点，基于预测的飞行器数据分析与维修系统的一个或以上组件可以连接到网络以交换数据和/或信息。
应当注意基于预测的飞行器数据分析与维修系统仅仅是为了说明的目的而提供的，并不意图限制本申请的范围。对于本领域的普通技术人员来说，可以根据本申请的描述，做出多种修改或变化。例如，基于预测的飞行器数据分析与维修系统还可以包括数据库、信息源等。又例如，基于预测的飞行器数据分析与维修系统可以在其他设备上实现类似或不同的功能。然而，这些变化和修改不会背离本申请的范围。
本申请实施例还提供一种基于预测的飞行器数据分析与维修系统，图2示出了本申请实施例提供的一种基于预测的飞行器数据分析与维修系统的结构示意图，所述系统包括：
获取模块201，用于获取目标飞行器的历史飞行数据。
其中，历史飞行数据是指飞行器在历史飞行任务重所产生的数据，以飞行器是无人机为例，历史飞行数据可以包括但不限于：无人机飞行的姿态信息、高度信息、速度信息、舵系统状态、电压信息等。例如，无人机的组合俯仰角、组合滚转角、组合偏航角、俯仰角速度、滚转角速度、偏航角速度、轴向加速度、横向加速度、垂向加速度、组合高度、BD高度、气压高度、爬升/下沉率、真空速、指示空速、马赫数、BD速度、组合速度、组合北速、组合东速、组合天速、BD北速、BD东速、BD天速、左升降舵给定角、左升降舵偏角、右升降舵给定角、右升降舵偏角、左副翼给定角、左副翼偏角、右副翼给定角、右副翼偏角、左方向舵给定角、左方向舵偏角、右方向舵给定角、右方向舵偏角、主汇流电压、电池电压等中的一个或多个。
预测模块202，用于根据所述历史飞行数据和故障预测模型，确定所述飞行器是否存在故障，若存在，则确定所述飞行器的故障类型和故障评分，所述故障评分用于表征所述故障预测模型所预测的所述故障类型的严重程度。
其中，故障评分用于表征所述故障预测模型所预测的所述故障类型的严重程度。例如，故障评分可以是1、2、3、4、5分，分值越高则故障类型的严重程度越大。
故障类型可以根据历史飞行数据的异常程度确定，例如飞行器的俯仰角速度异常，例如俯仰角速度过大或过小，可能是由于俯仰栅格舵卡死造成，因此当前故障类型可以为栅格舵卡死。
可选地，预测模块还可以具体用于：
根据所述历史飞行数据，确定所述历史数据对应的故障分类值；
根据所述故障分类值所处的故障分类区间，确定所述故障类型。
仅作为示例，扔以俯仰角速度异常为例，假设故障预测模型接收的输入为在某个时段下的飞行器的俯仰角速度，可以输出一个与故障分类区间对应数值，例如50，假设俯仰栅格舵卡死对应的故障分类区间为48～58，则可以将该飞行器的故障类型判定为俯仰栅格舵卡死。
可选地，所述预测模块还具体用于：根据所述故障类型，以及所述故障类型对应的所述历史飞行数据，确定所述故障评分。
可以理解，由于故障评分是用于表征所述故障预测模型所预测的所述故障类型的严重程度的，因此故障类型带来的后果越严重，则故障评分越高。
在一些实施例中，故障评分S的评分标准可以通过以下公式表示：
其中，
为当前历史飞行数据与同类型标准数据的偏离程度分数，例如当前俯仰角速度与标准俯仰角速度的偏离程度分数，
为当前历史飞行数据与同类型较大异常数据的接近程度分数。
故障度确定模块203，用于根据所述故障评分，以及故障数据库中的故障数据，确定所述飞行器的故障度，其中，所述故障数据包括故障发生频率、故障发生频次、故障权重、故障持续时间、故障发生时段中的至少一种。
可选地，所述故障度确定模块还具体用于：
获取所述故障预测模型的预测准确率；
根据所述预测准确率、所述故障评分，以及故障数据库中的故障数据，确定所述飞行器的故障度，所述故障度可以表示为：
其中，j为所述故障模式，
为所述预测准确率，S为所述故障评分，
为所述故障发生频率，
为所述故障发生频次，
为所述故障权重，t为所述故障持续时间，T为所述故障发生时段，
为所述故障模式j的故障度。其中，故障发生时段T还可以是白天、傍晚、夜间等。
可选地，所述预测模块还具体用于：
根据所述历史飞行数据训练初始故障预测模型，当所述初始故障预测模型的训练度大于预设阈值时，得到训练好的所述故障预测模型；
其中，所述训练度通过所述初始故障预测模型对异常度较高的飞行数据的预测能力确定。
在一些实施例中，初始故障预测模型可以是神经网络模型。在一些实施例中，神经网络模型可以包括卷积循环神经网络(Convolutional Recurrent Neural Network，CRNN)、卷积神经网络(Convolutional neural networks，CNN)、深度卷积神经网络(DeepConvolutional Neural Networks，DCNN)、循环神经网络(Recurrent neural networks，RNN)、长短期记忆模型(Long/Short Term Memory，LSTM)模型等。在一些实施例中，初始模型可以根据训练情况调整内部参数。
在一些实施例中，还可以基于初始故障预测模型的预测结果以及样本真实值构造损失函数，并基于损失函数的梯度值反向对模型中的参数进行调整，使模型优化。在一些实施例中，在训练过程中，可以将验证集中的样本数据输入到训练后的模型中进行计算，获得输出值(即验证结果)，并根据验证结果(例如，模型处于欠拟合和/或过拟合状态)对模型参数进行调整以使模型优化。所述验证集中的数据与所述初始模型的训练数据独立同分布，且没有交集。对比样本数据的验证结果与相应样本数据的标识，判断训练结果是否达到要求。如果训练结果未达到要求，则重新准备样本数据或者重新划分训练集、验证集，进行继续训练。如果训练结果达到要求，则可以停止模型训练，并将最终训练好的故障预测模型作为所需要的机器学习模型输出。
在一些实施例中，训练样本可以为历史飞行数据，样本标签可以为该历史飞行数据是否异常、是否导致飞行器故障、对应的故障类型、故障评分等。
维修模块204，用于根据所述故障度，确定所述飞行器的维修策略，并将所述维修策略发送至工作台。
可选地，所述维修模块还具体用于：
获取维修策略模型；
根据所述维修策略模型、所述故障度和所述故障度对应的所述历史飞行数据，确定所述维修策略、以及所述维修策略的处理类型。
在一些实施例中，维修策略模型可以与故障预测模型类似均为神经网络模型，维修策略模型可以根据故障数据和故障度作为输入，经过神经网络的计算，输出对应的维修策略，例如维修策略可以是维修栅格舵、发动机阀门，并输出建议维修时间、人数、维修手段、维修配件等信息。
可选地，所述获取模块还具体用于：对所述历史飞行数据进行归一化和反归一化处理。
在一些实施例中，对历史飞行数据进行归一化处理可以表示为如下公式：
其中，X表示原始数据，即原始的飞行数据，
、
表示原始数据中的最大值和最小值，
表示归一化后的数据，
当模型训练完成后，再将预测数据进行反归一化，得到正常的预测值，可以表示为如下公式：
可以理解，经过归一化处理后的原始数据更加方便故障预测模型对其进行分析、计算，而经过反归一化的飞行数据能够有效地与实际值进行误差比较分析。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述装置中模块/单元/子单元/组件的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
由上可知，本申请实施例在对目标场景的图像进行深度估计时，能够多方面地考虑到单目图像深度估计的相机与目标的相对位姿、卷积处理、光度影响、采样排序等多个环节下的损失，构建对应的模型单元和损失函数，从而最大程度地保证在各个环节中的预测准确率，以提升单目图像深度估计的总准确率。
图3示出了本申请实施例提供的一种基于预测的飞行器数据分析与维修系统及系统的流程示意图，如图3所示，一种基于预测的飞行器数据分析与维修系统及系统包括如下步骤：
步骤301、获取目标飞行器的历史飞行数据。
步骤302、根据所述历史飞行数据和故障预测模型，确定所述飞行器是否存在故障，若存在，则确定所述飞行器的故障类型和故障评分，所述故障评分用于表征所述故障预测模型所预测的所述故障类型的严重程度；
步骤303、根据所述故障评分，以及故障数据库中的故障数据，确定所述飞行器的故障度，其中，所述故障数据包括故障发生频率、故障发生频次、故障影响概率、故障持续时间、故障发生时段中的至少一种；
步骤304、根据所述故障度，确定所述飞行器的维修策略，并将所述维修策略发送至工作台。
由此可知，本申请实施例能够通过飞行器的历史飞行数据，有效地预测出飞行器是否存在故障、故障类型、故障评分等，并且在得到以上数据后还能给出飞行器的故障度和维修策略，此外还能够对飞行器的实时数据进行分析，从而能够有效地将故障数据和维修策略相结合。
可以理解的是，在本申请的具体实施方式中，涉及到用户信息、用户特征、用户健康状况等相关的数据，当本申请以上实施例运用到具体产品或技术中时，需要获得用户许可或者同意，且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
在一些实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图4所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储图像采集设备的相关数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于预测的飞行器数据分析与维修系统及系统。
在一些实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图4所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现基于预测的飞行器数据分析与维修系统及系统。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图4中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一些实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一些实施例中，提供了一种计算机可读存储介质，存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
综上所述，本申请提供的一种基于预测的飞行器数据分析与维修系统，包括：
获取模块，用于获取目标飞行器的历史飞行数据；
预测模块，用于根据所述历史飞行数据和故障预测模型，确定所述飞行器是否存在故障，若存在，则确定所述飞行器的故障类型和故障评分，所述故障评分用于表征所述故障预测模型所预测的所述故障类型的严重程度；
故障度确定模块，用于根据所述故障评分，以及故障数据库中的故障数据，确定所述飞行器的故障度，其中，所述故障数据包括故障发生频率、故障发生频次、故障权重、故障持续时间、故障发生时段中的至少一种；
维修模块，用于根据所述故障度，确定所述飞行器的维修策略，并将所述维修策略发送至工作台。
在本申请所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请提供的实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释，此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
最后应说明的是：以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围。都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种基于预测的飞行器数据分析与维修系统，其特征在于，包括：
获取模块，用于获取目标飞行器的历史飞行数据；
预测模块，用于根据所述历史飞行数据和故障预测模型，确定所述飞行器是否存在故障，若存在，则确定所述飞行器的故障类型和故障评分，所述故障评分用于表征所述故障预测模型所预测的所述故障类型的严重程度；
故障度确定模块，用于根据所述故障评分，以及故障数据库中的故障数据，确定所述飞行器的故障度，其中，所述故障数据包括故障发生频率、故障发生频次、故障权重、故障持续时间、故障发生时段中的至少一种；
维修模块，用于根据所述故障度，确定所述飞行器的维修策略，并将所述维修策略发送至工作台。
2.根据权利要求1所述的基于预测的飞行器数据分析与维修系统，其特征在于，所述预测模块还具体用于：
根据所述历史飞行数据，确定所述历史飞行数据对应的故障分类值；
根据所述故障分类值所处的故障分类区间，确定所述故障类型。
3.根据权利要求2所述的基于预测的飞行器数据分析与维修系统，其特征在于，所述预测模块还具体用于：根据所述故障类型，以及所述故障类型对应的所述历史飞行数据，确定所述故障评分。
4.根据权利要求1所述的基于预测的飞行器数据分析与维修系统，其特征在于，所述故障度确定模块还具体用于：
获取所述故障预测模型的预测准确率；
根据所述预测准确率、所述故障评分，以及故障数据库中的故障数据，确定所述飞行器的故障度，所述故障度表示为：
其中，j为所述故障模式，
为所述预测准确率，S为所述故障评分，
为所述故障发生频率，
为所述故障发生频次，
为所述故障权重，t为所述故障持续时间，T为所述故障发生时段，
为所述故障模式j的故障度。
5.根据权利要求4所述的基于预测的飞行器数据分析与维修系统，其特征在于，所述预测模块还具体用于：
根据所述历史飞行数据训练初始故障预测模型，当所述初始故障预测模型的训练度大于预设阈值时，得到训练好的所述故障预测模型；
其中，所述训练度通过所述初始故障预测模型对异常度较高的飞行数据的预测能力确定。
6.根据权利要求1所述的基于预测的飞行器数据分析与维修系统，其特征在于，所述维修模块还具体用于：
获取维修策略模型；
根据所述维修策略模型、所述故障度和所述故障度对应的所述历史飞行数据，确定所述维修策略、以及所述维修策略的处理类型。
7.根据权利要求6所述的基于预测的飞行器数据分析与维修系统，其特征在于，所述获取模块还具体用于：对所述历史飞行数据进行归一化和反归一化处理。
8.一种基于权利要求1-7任一项所述的预测的飞行器数据分析与维修系统的方法，其特征在于，所述方法包括：
获取目标飞行器的历史飞行数据；
根据所述历史飞行数据和故障预测模型，确定所述飞行器是否存在故障，若存在，则确定所述飞行器的故障类型和故障评分，所述故障评分用于表征所述故障预测模型所预测的所述故障类型的严重程度；
根据所述故障评分，以及故障数据库中的故障数据，确定所述飞行器的故障度，其中，所述故障数据包括故障发生频率、故障发生频次、故障影响概率、故障持续时间、故障发生时段中的至少一种；
根据所述故障度，确定所述飞行器的维修策略，并将所述维修策略发送至工作台。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被执行时实现如权利要求8所述方法的步骤。
10.一种计算机设备，包括处理器、存储器和存储于所述存储器上的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求8所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210783954.9A CN115130595B (zh) | 2022-07-05 | 2022-07-05 | 基于预测的飞行器数据分析与维修系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210783954.9A CN115130595B (zh) | 2022-07-05 | 2022-07-05 | 基于预测的飞行器数据分析与维修系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115130595A true CN115130595A (zh) | 2022-09-30 |
| CN115130595B CN115130595B (zh) | 2023-06-27 |
Family
ID=83381757
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210783954.9A Active CN115130595B (zh) | 2022-07-05 | 2022-07-05 | 基于预测的飞行器数据分析与维修系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115130595B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117408668A (zh) * | 2023-08-07 | 2024-01-16 | 长龙(杭州)航空维修工程有限公司 | 基于飞机健康管理的检修方法、系统、设备和存储介质 |
| CN118278921A (zh) * | 2024-05-31 | 2024-07-02 | 中国电子产品可靠性与环境试验研究所（（工业和信息化部电子第五研究所）（中国赛宝实验室）） | 设备维修性能检测方法、装置、计算机设备和存储介质 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040003318A1 (en) * | 2002-06-26 | 2004-01-01 | Felke Timothy J. | Method and apparatus for developing fault codes for complex systems based on historical data |
| JP2013131977A (ja) * | 2011-12-22 | 2013-07-04 | Alaxala Networks Corp | ネットワーク中継装置及び経路制御方法 |
| CN108090236A (zh) * | 2016-11-21 | 2018-05-29 | 辽宁东鹰航空装备科技股份有限公司 | 航空装备的状态检测方法 |
| CN109308484A (zh) * | 2018-08-01 | 2019-02-05 | 清华大学 | 航空发动机多类故障最小风险诊断方法及装置 |
| CN109376882A (zh) * | 2018-12-29 | 2019-02-22 | 华润电力技术研究院有限公司 | 维修策略制定方法、终端和计算机存储介质 |
| CN110851342A (zh) * | 2019-11-08 | 2020-02-28 | 中国工商银行股份有限公司 | 故障预测方法、装置、计算设备以及计算机可读存储介质 |
| WO2020053778A1 (en) * | 2018-09-11 | 2020-03-19 | Satavia Ltd | Aircraft engine maintenance system and method |
| CN111259515A (zh) * | 2020-01-07 | 2020-06-09 | 珠海欧比特宇航科技股份有限公司 | 一种飞行器健康管理方法及系统 |
| CN112001511A (zh) * | 2020-09-10 | 2020-11-27 | 上海安恪企业管理咨询有限公司 | 基于数据挖掘的设备可靠性及动态风险评价方法、系统和设备 |
| CN112801525A (zh) * | 2021-02-04 | 2021-05-14 | 三一重工股份有限公司 | 机械设备的健康状态评估方法及装置 |
| WO2022068074A1 (zh) * | 2020-09-29 | 2022-04-07 | 山东大学 | 一种缓慢发展型永久性故障预警方法和系统 |
| CN114417545A (zh) * | 2021-11-10 | 2022-04-29 | 上海宇航系统工程研究所 | 一种融合在轨维修策略的飞行器可靠性建模方法 |
-
2022
- 2022-07-05 CN CN202210783954.9A patent/CN115130595B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040003318A1 (en) * | 2002-06-26 | 2004-01-01 | Felke Timothy J. | Method and apparatus for developing fault codes for complex systems based on historical data |
| JP2013131977A (ja) * | 2011-12-22 | 2013-07-04 | Alaxala Networks Corp | ネットワーク中継装置及び経路制御方法 |
| CN108090236A (zh) * | 2016-11-21 | 2018-05-29 | 辽宁东鹰航空装备科技股份有限公司 | 航空装备的状态检测方法 |
| CN109308484A (zh) * | 2018-08-01 | 2019-02-05 | 清华大学 | 航空发动机多类故障最小风险诊断方法及装置 |
| WO2020053778A1 (en) * | 2018-09-11 | 2020-03-19 | Satavia Ltd | Aircraft engine maintenance system and method |
| CN109376882A (zh) * | 2018-12-29 | 2019-02-22 | 华润电力技术研究院有限公司 | 维修策略制定方法、终端和计算机存储介质 |
| CN110851342A (zh) * | 2019-11-08 | 2020-02-28 | 中国工商银行股份有限公司 | 故障预测方法、装置、计算设备以及计算机可读存储介质 |
| CN111259515A (zh) * | 2020-01-07 | 2020-06-09 | 珠海欧比特宇航科技股份有限公司 | 一种飞行器健康管理方法及系统 |
| CN112001511A (zh) * | 2020-09-10 | 2020-11-27 | 上海安恪企业管理咨询有限公司 | 基于数据挖掘的设备可靠性及动态风险评价方法、系统和设备 |
| WO2022068074A1 (zh) * | 2020-09-29 | 2022-04-07 | 山东大学 | 一种缓慢发展型永久性故障预警方法和系统 |
| CN112801525A (zh) * | 2021-02-04 | 2021-05-14 | 三一重工股份有限公司 | 机械设备的健康状态评估方法及装置 |
| CN114417545A (zh) * | 2021-11-10 | 2022-04-29 | 上海宇航系统工程研究所 | 一种融合在轨维修策略的飞行器可靠性建模方法 |
Non-Patent Citations (2)
| Title |
|---|
| MARCIA BAPTISTA 等: "Forecasting fault events for predictive maintenance using data-driven techniques and ARMA modeling", 《COMPUTERS & INDUSTRIAL ENGINEERING》, vol. 115, pages 41 - 53 * |
| 吴涛: "基于设备状态与调度运行的电网风险评估方法及应用", 《CNKI学位论文数据库 工程科技II辑》, vol. 2018, no. 07 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117408668A (zh) * | 2023-08-07 | 2024-01-16 | 长龙(杭州)航空维修工程有限公司 | 基于飞机健康管理的检修方法、系统、设备和存储介质 |
| CN117408668B (zh) * | 2023-08-07 | 2024-05-10 | 长龙(杭州)航空维修工程有限公司 | 基于飞机健康管理的检修方法、系统、设备和存储介质 |
| CN118278921A (zh) * | 2024-05-31 | 2024-07-02 | 中国电子产品可靠性与环境试验研究所（（工业和信息化部电子第五研究所）（中国赛宝实验室）） | 设备维修性能检测方法、装置、计算机设备和存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115130595B (zh) | 2023-06-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115130595A (zh) | 基于预测的飞行器数据分析与维修系统 | |
| US20200110395A1 (en) | System and Method for Automated Prediction and Detection of Component and System Failures | |
| US9858496B2 (en) | Object detection and classification in images | |
| US9911339B2 (en) | Experimental real-time performance enhancement for aircraft | |
| EP3217242B1 (en) | Using aircraft data recorded during flight to predict aircraft engine behavior | |
| EP3095712B1 (en) | Virtual aircraft network | |
| CN111860872A (zh) | 用于异常检测的系统和方法 | |
| CN112783195B (zh) | 多无人机的巡检路线规划方法、装置和计算机设备 | |
| CN108615411B (zh) | 一种实现航班信息处理的方法及装置 | |
| EP3040863A1 (en) | Method of identifying faults in an aircraft | |
| US10719639B2 (en) | Massively accelerated Bayesian machine | |
| US20180170580A1 (en) | Method for monitoring an aircraft engine operating in a given environment | |
| CN112272074B (zh) | 一种基于神经网络的信息传输速率控制方法及系统 | |
| CN111361759A (zh) | 基于混合模型的飞机辅助动力装置在翼剩余寿命预测方法 | |
| CN111275233B (zh) | 资源配置方法、装置、电子设备及计算机可读存储介质 | |
| CN117250996B (zh) | 一种无人集群对可移动目标的搜索方法 | |
| US9482597B2 (en) | Method and a device for normalizing values of operating parameters of an aeroengine | |
| CN112396298B (zh) | 一种无人直升机多机协同任务规划方法 | |
| Baig et al. | Machine learning and AI approach to improve UAV communication and networking | |
| CN112308285A (zh) | 信息处理方法、装置、电子设备和计算机可读存储介质 | |
| US20230107622A1 (en) | Systems and methods for prioritized fire suppression | |
| WO2021133378A1 (en) | Simulation architecture for safety testing of aircraft monitoring software | |
| CN115099128B (zh) | 一种异常驾驶行为识别与致因分析方法和系统 | |
| US20240078919A1 (en) | System and method for determining a route of an unmanned aerial system | |
| US12136348B2 (en) | Systems and methods for flight performance parameter computation |
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 |