CN115731636A - 用于飞行器维护的部件记录处理 - Google Patents

用于飞行器维护的部件记录处理 Download PDF

Info

Publication number
CN115731636A
CN115731636A CN202210602069.6A CN202210602069A CN115731636A CN 115731636 A CN115731636 A CN 115731636A CN 202210602069 A CN202210602069 A CN 202210602069A CN 115731636 A CN115731636 A CN 115731636A
Authority
CN
China
Prior art keywords
aircraft
records
ccl
unstructured
different
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
Application number
CN202210602069.6A
Other languages
English (en)
Inventor
M·T·莫吉塔赫扎德
R·A·伯尼基
E·塞穆尔森
S·贝吉
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 CN115731636A publication Critical patent/CN115731636A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/40—Processing or translation of natural language
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Transportation (AREA)
  • Manufacturing & Machinery (AREA)
  • Human Resources & Organizations (AREA)
  • Data Mining & Analysis (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请题为“用于飞行器维护的部件记录处理”。一种用于飞行器维护的方法(200)包括将源自一个或多个不同部件状态监视器(304、306)的多个非结构化飞行器部件记录(400)加载(202)到计算机存储器(301)中，多个非结构化飞行器部件记录(400)描述多个不同飞行器部件(102、104、106)的观察到的维护状况。将多个非结构化飞行器部件记录(400)从计算机存储器(301)提供(204)给自然语言处理(NLP)模型(404)，该自然语言处理(NLP)模型(404)被配置为输出多个不同飞行器部件(102、104、106)的相应的多个数字部件、状况和位置(CCL)记录(406)。多个不同CCL类型(702A、702B、702C、702D)的CCL记录(400)被独立地计算机汇总(206)。选定CCL类型(502)的CCL记录(500A、500B、500C)被计算机汇总(208)以确定选定CCL类型(502)的时间相关故障分布(506)。

Description

用于飞行器维护的部件记录处理
技术领域
本发明总体上涉及飞行器维护，并且更具体地涉及分析和汇总描述飞行器的部件的维护状况的记录。
背景技术
客机包括多种不同的部件，包括飞行器上的人类乘客和机组人员可见和/或使用的许多部件。由于各种原因(例如，磨损、乘客造成的损坏或设计缺陷)，此类部件的外观和/或功能会随着时间的推移而退化。暴露于损坏或无法正常工作的飞行器部件可能会对乘客对飞行器和/或运营飞行器的航空公司的看法产生负面影响。
此外，与飞行器上的不同部件的当前维护状态(例如，运行、损坏或破损)有关的可用信息通常是分散的和非结构化的。例如，不同的人员和/或自动化系统经常以不同的方式、在不同的时间和不同的地点记录飞行器部件的问题。这会使以减少对飞行器运行的中断(例如，通过计划外维护所必需的服务中断)的方式对飞行器的部件进行维修和维护的尝试变得复杂，并且还减少了磨损、损坏或破损的飞行器部件暴露于乘客。
发明内容
此概要不是对说明书的广泛概述。它既不旨在识别说明书的重要元素或关键元素，也不旨在描述说明书示例的任何特定范围或权利要求的任何范围。其唯一目的是以简化形式呈现说明书的一些概念，作为本公开中呈现的更详细描述的前序。
为了至少解决上述问题，根据本公开的一个方面，提供了一种用于飞行器维护的方法。该方法包括将源自一个或多个不同部件状态监视器的多个非结构化飞行器部件记录加载到计算机存储器中，所述多个非结构化飞行器部件记录描述多个不同飞行器部件的观察到的维护状况。多个非结构化飞行器部件记录被从计算机存储器提供给自然语言处理(NLP)模型，该NLP模型被配置为输出多个不同飞行器部件的相应的多个数字部件、状况和位置(CCL)记录。多个不同CCL类型的CCL记录被独立地计算机汇总。选定CCL类型的CCL记录被计算机汇总以确定选定CCL类型的时间相关故障分布。
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被组合，其进一步的细节可以参考以下描述和附图来看到。
附图说明
图1示意性地示出包括多个不同飞行器部件的飞行器的示例内部机舱。
图2示出用于飞行器维护的示例方法。
图3示意性地示出加载多个非结构化飞行器部件记录的计算系统。
图4示意性地示出根据非结构化飞行器部件记录输出部件、状况和位置(CCL)记录的自然语言处理(NLP)模型。
图5示意性地示出计算机分析选定CCL类型的汇总CCL记录以确定时间相关故障分布。
图6A和图6B示出描绘不同示例时间相关故障分布的图表。
图7示意性地示出CCL记录的示例可视化。
图8示意性地示出示例计算系统。
具体实施方式
图1示意性地示出飞行器101的示例内部机舱100。如图所示，内部机舱包括多个不同的飞行器部件，包括例如座椅、头枕、扶手、窗户和窗帘。应当理解，飞行器的内部机舱可以包括多种不同的面向乘客和/或面向机组人员的飞行器部件，包括图1中未示出或本文未明确描述的多种类型的部件。此外，应当理解，本文描述的技术可以应用于飞行器的任何部件，并且不需要具体局限于飞行器的内部机舱中的面向乘客或面向机组人员的部件。如本文所用，术语“部件”可以指飞行器(或其他交通工具或机器)和/或发电站上的任何零件或材料。此外，本文描述的技术可以应用于其他非飞行器的交通工具和非交通工具的机器的记录处理和维护。
如上所述，飞行器或其他机器部件的外观和/或功能会随着时间的推移而变得退化。在图1的示例中，内部机舱100中的几个飞行器部件已经以这种方式变得退化。具体而言，窗户102破裂，座椅104的织物已经磨损，并且头枕106已经与其对应的座椅分离。同样，应当理解，飞行器的不同部件可能以任何数量的不同方式变得损坏、退化或破损，并且图1中描绘的情形仅是一个非限制性示例。此外，应当理解，不同的飞行器部件可能会由于不同的原因出现不同类型的损坏或故障——例如，正常的磨损、乘客造成的损坏或设计问题造成的故障。
如下文将更详细描述的，飞行器的各种部件(包括部件102、104和106)的维护状态可以由源自一个或多个不同部件状态监视器的相应飞行器部件记录来描述。在图1的示例中，存在两个部件状态监视器，包括人员108和机载飞行器传感器110。这些部件状态监视器中的一个或两个可以观察或检测飞行器101的各种飞行器部件的当前维护状况并生成相应的飞行器部件记录，例如记录112A和112B。
然而，关于各种飞行器部件的当前维护状态的信息通常是非结构化和分散的。如本文所用，术语“非结构化”是指未根据预定义的组织系统来组织或不使用预定义的数据格式或模式的飞行器部件记录。例如，为航空公司、机场、飞行器制造商、监管机构等工作的任意数量的不同人员可以以任意数量的不同方式记录飞行器部件的维护状况——例如使用自由手写或计算机打字、自然语言或航空运输协会(ATA)代码、使用不同的描述性术语、使用不同的数据格式、使用不同的主观描述或使用不同的语言，仅举几例。此外，这类记录可以被存储在任意数量的不同位置处——例如，计算机数据库、飞行器日志、一组维护或修改记录或服务公告记录。这些潜在位置中的每一个都可能或可能不对参与飞行器部件维护的所有实体均等地访问。在一种可能的情况下，两个不同的人(和/或自动传感器)可以以两种不同的方式记录同一飞行器部件的同一维护问题，并且这样的部件记录可以被存储在两个不同的位置处。
这通常会使参与飞行器维护的各方(例如航空公司、飞行器制造商)努力全面了解飞行器部件的当前状况以及出现不同类型问题的频率。此外，飞行器部件记录的分散和非结构化性质可能使得难以以减少飞行器运行中断的方式维修和维护飞行器部件，并且还减少乘客接触磨损、损坏或损坏的飞行器部件。例如，基于对某些飞行器部件损坏的速率和/或方式的理解不足，损坏部件的累积可能需要计划外的维护。这可能导致服务中断和负面的客户体验。
类似地，现有的维护计划有时可能过于激进——例如，即使还没有必要进行定期维护，飞行器也可能停止服务进行定期维护，和/或可能抢先更换部件。虽然这可以减轻或防止乘客接触损坏的部件，但也可能导致过高的维护成本和效率低下的飞行器运行。此外，飞行器部件损坏本质上是不同随机过程的混合——例如磨损、乘客损坏和设计问题——并且可能难以使用非结构化数据来区分这些过程，从而降低了根据这样的数据开发出的维护计划的有效性。总体来说，部件维护记录通常采用的分散和非结构化形式会显著地影响航空公司、飞行器所有者和/或其他相关方设计有效地平衡飞行器运行、维护成本和乘客感知的维护计划的能力。
因此，本主题公开涉及用于飞行器维护的技术，其中将多个非结构化飞行器部件记录提供给自然语言处理(NLP)模型，该NLP模型被配置为例如通过先前的机器学习训练输出相应的多个数字结构化飞行器部件记录。本主题公开主要将这样的结构化记录描述为采用部件、状况和位置(CCL)记录的形式，作为结构化记录的合适模式的一个非限制性示例。一旦输出了CCL记录，就可以独立地汇总选定CCL类型的CCL记录并对其进行计算机分析，以确定来自选定CCL类型的时间相关故障分布。时间相关故障分布可以有助于识别和缓解由CCL记录反映的维护问题——例如，确定维护间隔、促进零件需求估计或促进可靠性分析。以这种方式，本文描述的技术的技术效果可以通过提供对飞行器的多个不同部件的当前维护状况的新见解来提高飞行器运行和维护的整体效率。
图2示出用于飞行器维护的示例方法200。方法200可以由一个或多个计算设备的任何合适的计算系统来实施。实现方法200的计算系统可以具有任何合适的能力、形状因子和硬件配置。在一些示例中，方法200的一个或多个步骤可以由下面关于图3所描述的计算系统300来实施，和/或方法200的一个或多个步骤可以由下面关于图8所描述的计算系统800来实现。
在202处，方法200包括将源自一个或多个不同部件状态监视器的多个非结构化飞行器部件记录加载到计算机存储器中。这相对于图3示意性地示出。具体来说，图3示意性地示出了将多个不同的非结构化飞行器部件记录302A、302B和302C加载到计算机存储器301中的示例计算系统300。
计算系统300可以包括协同工作的一个或多个不同的计算设备。在一些示例中，计算系统300可以被实现为下面关于图8所描述的计算系统800。如本文所述的“计算机存储器”可以指代任何合适的易失性或非易失性数据存储技术。例如，将非结构化飞行器部件记录加载到计算机存储器中可以包括从本地非易失性存储装置、从外部存储设备和/或通过网络访问一个或多个非结构化飞行器部件记录。由此，可以将非结构化飞行器部件记录加载到易失性存储装置(例如，随机存取存储器)中，从中可以由计算系统的合适逻辑部件(例如，计算机处理器)对其进行处理。此外，应理解的是，非结构化飞行器部件记录中的信息可以具有模拟而非数字的原始来源——例如，通过OCR数字化或手动重新键入的手写笔记。
如上所述，多个非结构化飞行器部件记录以非结构化方式描述多个不同飞行器部件的观察到的维护状况——例如，通过使用不遵循预定义组织系统的异构数据格式或描述性术语。通常，非结构化飞行器部件记录实际上可以包括与特定飞行器部件的当前维护状况相关的任何信息。作为非限制性示例，此类信息可包括：关于部件的身份的一些指示(例如其名称、功能和/或在飞行器内的位置)；该部件当前是否可操作；它是否已遭受影响其外观或功能的任何损坏；自上次安装、维修或更换部件以来已有多长时间；或者是否已以任何方式修改或定制该部件。由于多个非结构化飞行器部件记录的非结构化性质，每个记录中包含的特定信息以及表达这种信息的方式通常会因每个记录而不同。
非结构化飞行器部件记录源自一个或多个不同的部件状态监视器。在一个示例中，一个或多个不同的部件状态监视器可以包括一个或多个人员(例如，图1的人员108)。在图3中，由计算系统300从一个或多个不同的人员304接收飞行器部件记录302A。这样的人员可以包括例如：飞行器机组人员；维护工人；航空公司、机场或飞行器制造商的其他雇员；监管机构的代表；或飞行器乘客(例如，其通过调查、在社交媒体上或直接向参与飞行器维护的个人报告观察到的维护状况)。
在非结构化飞行器部件记录源自人类部件状态监视器的情况下，人类可以以任何合适的方式将该记录提供给计算系统。例如，人类可以直接与计算系统进行交互——例如，通过使用键盘打字、对语音识别设备大声说话或与触敏显示器交互。另外或替代地，人类部件状态监视器可以在另一计算设备(例如，便携式设备)上生成非结构化飞行器部件记录，并且可以以任何合适的方式(例如，通过上传到共享数据库、复制到中间存储设备、使用合适的通信协议传输或经由合适的计算机网络传输)将记录转移到或复制到计算系统。在一些示例中，人类可以将非结构化飞行器部件记录写在纸上或另一模拟介质上，这些记录可以被数字化并提供给计算系统(例如，通过成像或扫描)。例如，日志或记事本中的手写记录可以被手动重新键入计算机中，或者它们可以通过光学字符识别(OCR)进行扫描、识别，并且翻译成数字文本记录。
在一些示例中，一个或多个不同的部件状态监视器可以包括一个或多个机载飞行器传感器(例如，图1的传感器110)。在图3中，由计算系统300从一个或多个机载飞行器传感器306接收非结构化飞行器部件记录302B。作为非限制性示例，此类传感器可以包括照相机、麦克风、温度计、运动传感器、压力传感器或湿度传感器(例如，用以检测电子设备是否暴露于水或其他液体)。应当理解，这种传感器检测维护状况的具体方式将根据传感器的类型、飞行器部件的类型和报告维护状况的类型而显著变化。同样地，可以以任何合适的方式将非结构化飞行器部件记录提供给计算系统。作为非限制性示例，一个或多个机载飞行器传感器可以直接与计算系统接合，可以通过合适的计算机网络将数据传输到计算系统，和/或可以将非结构化飞行器部件记录写入合适的存储介质，其中可以从该存储介质将该记录转移到计算系统。
此外，在非结构化飞行器部件记录源自机载飞行器传感器的情况下，这些记录可以采用原始数据(例如，数字图像)或经处理数据(例如，从已经由机器视觉算法解释以识别特定的维护问题得出的分类数据)的形式。应当理解，根据实施方式，机载飞行器传感器可以输出原始数据和经处理数据中的一者或两者，并且相同类型的不同传感器(例如，照相机)可以输出具有不同格式的数据。无论如何，如将在下面更详细描述的，NLP模型可以被训练以解决这些差异并以标准化的结构化格式输出记录。
另外或替代地，计算系统可以是云计算系统，其被配置为通过计算机网络从多个远程计算设备接收多个非结构化飞行器部件记录。这也在图3中示意性地示出，其中计算系统300通过计算机网络310从多个远程计算设备308接收飞行器部件记录302C。例如，不同的远程计算设备可以对应于维护相同或不同飞行器所涉及的不同各方(例如，不同的航空公司、机场、维护工人、飞行器所有者、监管机构)，并且如上所述，多个非结构化飞行器部件记录可以由一个或多个不同部件状态监视器在远程计算设备处生成或最初提供给远程计算设备。由此，云计算系统可以处理非结构化飞行器部件记录，这将在下面更详细地描述。由于云计算系统比任何单独的远程计算设备都可以访问更多的非结构化飞行器部件记录，因此有可能识别出比在每个远程计算设备仅分析它自己的一组非结构化飞行器部件记录的情况下可能识别的更重要的趋势(例如，影响多种不同飞行器或部件类型的维护问题)。在一些示例中，多个非结构化飞行器部件记录的基于云的分析可以作为服务被提供给多个不同的客户(例如，航空公司、飞行器所有者)。
简要地返回到图2，在204处，方法200包括将来自计算机存储器的多个非结构化飞行器部件记录提供给NLP模型，该NLP模型被配置为输出相应的多个数字结构化飞行器部件记录。如上所述，本主题公开主要将这种结构化记录描述为采用CCL(部件、状况、位置)记录的形式，作为合适的结构化模式的一个非限制性示例。然而，应当理解，可以使用任何合适的结构化模式，只要每个结构化记录都使用相同的预定义数据格式或组织系统即可。
将非结构化飞行器部件记录提供给NLP模型示意性地参照图4进行了说明。具体来说，图4描绘了示例性多个非结构化飞行器部件记录400，包括个体非结构化记录402A-402F。这种非结构化记录被提供给NLP模型404，NLP模型404输出相应的多个结构化记录406，包括个体结构化记录408A-408F。在该示例中，结构化记录是CCL记录，因为它们每个都指定特定飞行器部件的身份、其在飞行器内的位置以及其当前维护状况。例如，CCL记录408A指定了座位12D(位置)处的托盘桌(部件)是破损的(状况)。可以理解的是，虽然图4示出了对应于六个示例CCL记录的六个示例非结构化记录，但可以向NLP模型提供任意数量的非结构化飞行器部件记录。
此外，应当理解，结构化飞行器部件记录(包括CCL记录)可以包括关于飞行器部件的任何类型的信息，包括本文未明确描述的信息。在一些示例中，结构化飞行器部件记录可以包括飞行器部件的寿命的指示。以这种方式，计算系统可以确定不同的飞行器部件在其生命周期中的什么时候损坏或破损。
NLP模型可以采用任何合适的形式。一般来说，NLP模型可以通过任何合适的人工智能(AI)和/或机器学习(ML)技术来实现，这些技术适用于将包含自然语言的非结构化记录转换为相应的结构化记录。下面参考图8提供合适的AI和/或ML技术的示例。作为一个特定的非限制性示例，NLP模型可以实现为卷积神经网络(CNN)，该卷积神经网络(CNN)先前使用大量标注为真实的训练数据进行了训练。
如上所述，多个非结构化飞行器部件记录可以包括各种的不同信息，这些信息可以从一个记录到另一个记录以高度可变的方式进行组织和表达。为此，可以训练NLP模型根据各种不同的非结构化飞行器部件记录来输出CCL记录。这种训练可以以任何合适的方式进行。作为一个示例，可以预先通过监督学习过程来训练NLP模型，其中根据CCL标签的预定菜单来手动标记非结构化飞行器部件记录的训练集。例如，可以为人工注释者提供非结构化记录的训练集，然后对于每个非结构化记录，人工注释者可以选择适用于该非结构化记录的一个或多个CCL标签。通过这种方式，可以训练NLP模型根据提供给它的新的非结构化记录来输出CCL记录。
此外，可以将NLP模型的训练重复或加强任意次数——例如，考虑到术语的变化、飞行器设计的变化(例如，添加或更换飞行器部件)或NLP模型的性能不足。换句话说，可以通过强化训练过程来重新训练NLP模型，其中根据CCL标签的预定菜单(或CCL标签的更新菜单)手动标记非结构化飞行器部件记录的更新的训练集。通过这种方式，可以随着时间的推移而更新或改进NLP模型的性能。
然而，应理解的是，上述训练过程不是限制性的，并且可以训练NLP模型以任何合适的方式输出CCL记录(和/或其他类型的结构化飞行器部件记录)。例如，替代的训练过程可以利用无监督学习过程，而不是监督学习过程。
无论如何，NLP模型都根据多个非结构化飞行器部件记录输出多个CCL记录，其中非结构化飞行器部件记录往往采用多种不同的形式，并以各种方式表达不同类型的信息。如上所述，非结构化飞行器部件记录可以源自任何种类的不同来源。作为非限制性示例，NLP模型可以被配置为根据源自飞行器日志、飞行器维护记录、飞行器改装记录、飞行器服务公告记录、部件移除记录、机舱维护记录和现有飞行器维护计划中的一项或多项的非结构化飞行器部件记录输出多个CCL记录。每个非结构化记录中包含的信息以及用于表达此类信息的格式可能因记录的作者、记录的来源、记录所描述的维护状况的类型等而不同。
例如，NLP模型可以被配置为根据包含自由形式的人工书写记录的非结构化飞行器部件记录输出多个CCL记录。例如，此类记录可以由人工部件状态监视器在记事本、纸质日志、触敏显示器等上手写。值得注意的是，不同的人工部件状态监视器可能经常以不同的方式描述相同的维护状况——例如，使用不同的格式、标点符号和描述性术语。通过实施本文描述的技术，个体人工部件状态监视器的训练负担被减少，因为它们较少受限于使用特定的预先批准的记录格式来促进更容易的下游记录处理。相反，NLP模型可以解决由不同人类作者生成的不同非结构化记录之间的差异。这可以具有降低整体维护成本的效果——例如，减少用于培训人工维护工作者使用严格的标准化格式记录问题的费用。
可以由NLP模型以任何合适的方式解释自由形式的人工书写记录——例如，如上所述，记录可能先前已通过OCR被翻译成数字计算机文本，记录可能由人类用户手动重新键入，之后记录被提供给NLP模型，或者NLP模型可能已经在自由形式的人工书写记录上进行了训练。
在一些示例中，NLP模型可以被配置为根据使用多个不一致的描述性术语来描述多个不同飞行器部件的观察到的维护状况的非结构化飞行器部件记录来输出多个CCL记录，而多个CCL记录使用一组一致的描述性术语来描述观察到的维护状况。例如，参见图4中描绘的非结构化飞行器部件记录402A和402C，其中托盘桌被交替地在记录402A中称为“破损”，而在记录402C中称为“松散和摇晃”。相比之下，CCL记录408A和408C始终使用相同的描述性术语“破损”来指代托盘桌的维护问题。
在该示例中，两个非结构化飞行器部件记录402A和402C使用不同的描述性术语来描述多个不同飞行器部件中的同一飞行器部件的相同维护问题——例如，以两种不同方式来描述同一托盘桌的状况。无论如何，NLP模型被配置为输出等效的CCL记录408A和408C，它们使用相同的描述性术语来指代托盘桌的相同问题——例如，座位12D的托盘桌坏了。然而，应该理解的是，非结构化飞行器部件记录可以使用不一致的描述性术语来描述不同飞行器部件的维护状况(例如，不同座位的托盘桌)，并且由NLP模型输出的相应的CCL记录仍然可以使用一致的描述性术语来指代这种维护状况。
另外或替代地，NLP模型可以被配置为根据使用多种不同数据格式来描述多个不同飞行器部件的观察到的维护状况的非结构化飞行器部件记录输出多个CCL记录，而多个CCL记录使用相同的结构化数据格式来描述观察到的维护状况。在图4的示例中，使用自然语言(例如英语单词)来表述许多非结构化飞行器部件记录，尽管这种自然语言的格式和标点符号因记录而不同——例如，取决于记录的作者。相比之下，相应的多个CCL记录中的每一个都使用基本相同的格式和标点符号。
此外，非结构化飞行器部件记录402B使用另一种数据格式来描述飞行器部件的维护状况——具体而言，是与飞行器的机油系统相关的航空运输协会(ATA)代码。无论如何，NLP模型输出对应的CCL记录408B，该CCL记录使用与对应于其他非结构化飞行器组件记录(例如，自然语言单词)的其他CCL记录相同的结构化数据格式。因此，NLP模型可以被配置为根据包括ATA代码的非结构化飞行器部件记录输出多个CCL记录。
然而，应当理解的是，本文所述的非结构化飞行器部件记录是非限制性示例。如上所述，NLP模型可以被配置为根据各种不同的非结构化飞行器部件记录输出相应的CCL记录，包括具有来源、格式、信息等的记录，在此没有明确描述。
简要地返回图2，在206处，方法200包括独立地计算机汇总多个不同CCL类型的CCL记录。换言之，对于每个单独的CCL类型，计算系统可以汇总与该CCL类型匹配的任何CCL记录。这相对于图5示意性地示出，其中针对选定CCL类型502(在该示例中为座位12D处的损坏的托盘桌)汇总若干CCL记录500A、500B和500C。例如，这样的CCL记录可以对应于特定飞行器上的座位12D的托盘桌损坏的不同实例，和/或对应于相同型号的多个不同飞行器上的损坏的座位12D托盘桌的记录。
这可以有助于确定任何特定故障在一架或多架不同飞行器中发生的速率。例如，如上所述，当由相应的CCL记录引用的损坏或故障发生时，计算系统可以访问每个飞行器部件的寿命的某种指示。飞行器部件的“寿命”可以指自从部件被制造或安装以来的时间量(例如，小时数、天数、月数、年数)、部件使用期间执行的总飞行次数、所服务的乘客的数量、部件已执行的开关循环的次数等。应该理解，部件的“寿命”可以以任何合适的方式来表达。
例如，此类信息可以被包含在CCL记录本身中和/或单独的数据库中。通过独立地汇总对应于飞行器部件的观察到的问题的选定CCL类型的CCL记录，计算系统可以促进确定减轻或缓解未来问题的步骤，如下面更详细描述的。此外，应当理解，尽管图5仅示出了单个CCL类型(例如，损坏的座位12D托盘桌)的CCL记录的汇总，但可以独立地汇总任何数量的不同CCL类型的CCL记录。
简要地返回图2，在208处，方法200包括计算机分析选定CCL类型的CCL记录以确定选定CCL类型的时间相关故障分布。这也在图5中示意性地示出，其中对选定CCL类型502的汇总CCL记录500A-C执行计算机分析504以输出时间相关故障分布506。
应当理解，“选定CCL类型”可以具有任何合适的粒度。例如，“选定CCL类型”可以专门指一个飞行器座位(例如，座位14A)，因为某些飞行器部件可能会根据它们在飞行器内的位置而表现出独特类型的损坏或故障——例如，出口排的座位。在其他示例中，“选定CCL类型”可以更广泛地指特定类别的飞行器部件——例如，特定飞行器型号中的所有座椅，或多个不同飞行器型号中使用的所有座椅。
在一些示例中，确定选定CCL类型的时间相关故障分布可以包括将累积分布函数拟合到选定CCL类型的CCL记录。例如，累积分布函数可以采取威布尔(Weibull)分布或任何其他合适的累积分布函数的形式。在一个示例中，计算时间相关故障分布可以包括在以下函数中为每个选定CCL类型计算形状参数β，其中F是累积分布函数，t是失效时间(大于零)，α是尺度参数，并且β是形状参数：
Figure BDA0003669715870000101
形状参数β相对于阈值(例如，1)的值可以提供有关影响选定CCL类型的飞行器部件的故障的性质的信息。这相对于图6A和图6B进行了说明。图6A示出了包括三个不同的假设时间相关故障分布602A、602B和602C的示例曲线600。具体而言，曲线600指示飞行器部件的假设故障随时间推移与不同故障分布一致的实例。不同的时间相关故障分布的特征在于具有与阈值1相比不同的形状参数β值。应当理解，在其他实施方式中，可以使用其他合适的阈值。
如图所示，分布602A具有小于1的形状参数β，这意味着选定CCL类型的CCL记录与飞行器部件的生命周期中的相对较早的高故障率一致。换言之，至少部分基于确定选定CCL类型的形状参数β小于阈值，计算系统可以确定选定CCL类型的时间相关故障分布与相对高的早期部件故障率是一致的。
相反，分布602B具有大约为1的形状参数β。这意味着飞行器部件的故障发生率在飞行器部件的生命周期内保持相对稳定。换言之，至少部分基于确定形状参数β等于阈值，计算系统可以确定选定CCL类型的时间相关故障分布是与随机损坏一致的无记忆故障分布。例如，与选定CCL类型相关的损坏或故障可能是由无意或故意的乘客损坏造成的，无论飞行器部件有多旧，这种损坏发生的可能性大致相同。
此外，分布602C具有大于1的形状参数β。这表明选定CCL类型的故障率在飞行器部件的使用寿命早期是相对较低的，但随着飞行器部件的老化而增加。这可能是损坏与磨损有关的迹象——例如，损坏或故障是由于飞行器部件在其使用寿命期间反复或持续使用而导致的逐渐退化造成的。换言之，至少部分基于确定形状参数β具有高于阈值的值，计算系统可以确定选定CCL类型的时间相关故障分布与磨损一致。
图6B示出了示例曲线604，其再次示出了三个不同的假设示例时间相关故障分布606A、606B和606C。同样地，三个分布的特征在于具有与阈值1相比不同的形状参数β值。但是，曲线604示出了故障率随时间推移的变化，这与曲线600中所示的随时间推移观察到的故障的发生率形成对比。如图所示，具有小于阈值的形状参数β的分布606A表现出在飞行器部件的生命周期早期的高故障率。具有约等于阈值的形状参数β的分布606B表现出随时间推移基本不变的故障率(例如，与无记忆随机损坏一致)。具有大于阈值的形状参数β的分布606C表现出随时间推移增加的故障率——例如，与磨损一致。
在一些情况下，至少部分基于时间相关故障分布，计算系统可以识别补救措施以解决影响选定CCL类型的观察到的故障。作为一个非限制性示例，至少部分基于确定特定类型的飞行器部件在其生命周期的早期发生故障(例如，由于至少部分有缺陷或具有设计瑕疵)，计算系统可以推荐用另一种不易发生故障的型号在全球范围内更换飞行器部件，和/或建议重新评估飞行器部件的设计以尝试识别故障的原因。在一些非限制性示例中，至少部分基于确定特定类型的飞行器部件正遭受由乘客造成的损坏，推荐的补救措施可以包括添加警告标签。应当理解，所识别的补救措施的类型可以根据所讨论的飞行器部件的类型和影响飞行器部件的损坏或故障的类型而显著变化。
值得注意的是，为选定CCL类型识别的时间相关故障分布的类型会影响所识别的补救措施的类型。例如，如果分布具有约为1的形状参数β，则任何特定的损坏部件不一定是其他类似部件也可能出现故障的迹象。因此，补救措施可以包括根据需要简单地更换损坏的部件，而不是进行其他部件的预防性维护或更换。相比之下，以大于1的形状参数β为特征的分布可以表明，当一个部件发生故障时，类似使用年限的其他部件也可能发生故障。因此，建议的补救措施可以包括抢先更换所有超过特定使用年限的受影响部件，无论它们是否已显示出损坏或故障的迹象。例如，这可以防止以后需要低效的计划外维护。
计算系统在识别针对影响选定CCL类型的观察到的故障的补救措施时可以考虑任何数量的不同因素。作为一个非限制性示例，可以基于从选定CCL类型的CCL记录得出的技术严重性指数和从一个或多个乘客信息源得出的乘客不便指数中的一者或两者来识别补救措施。例如，技术严重性指数可以指代观察到的故障对飞行器运行的影响程度。例如，座椅托盘桌的故障将可能比厕所马桶的故障具有总体上更低的技术严重性。可以以任何合适的方式计算技术严重性指数——例如，计算系统可以将观察到的故障与历史服务中断相关联，并自动确定哪些观察到的故障更严重。但是，可以理解的是，不同的实体在技术严重性方面可以有不同的优先级——例如，一家航空公司相比于另一家航空公司可能将特定故障解释为具有更大的技术严重性。因此，在某些情况下，可以至少部分基于从一个或多个用户接收的输入或偏好来为观察到的特定故障分配技术严重性指数。
另外或替代地，可以至少部分基于从一个或多个乘客信息源得出的乘客不便指数来识别补救措施。通常，乘客不便指数可以指观察到的故障给乘客带来不便的程度，或以其他方式导致乘客对飞行器或航空公司形成负面印象的程度。例如，机上娱乐系统的故障对整体飞行器运行的影响相对较小，但可能会引起乘客的严重不满。因此，机上娱乐系统的故障可能被评定为具有比例如泄漏的厕所水槽更高的乘客不便指数。
可以基于任何合适的乘客信息源以任何合适的方式得出乘客不便指数。作为非限制性示例，乘客信息源可以包括乘客调查(例如，由航空公司管理)和乘客社交媒体帖子(例如，针对航空公司或飞行器所有者)中的一个或多个。但是，应理解的是，本文的技术所使用的任何乘客数据都应在尊重乘客隐私的情况下进行处理，因此在某些情况下只能在乘客明确同意(例如，通过选择加入)的情况下收集。此外，在某些情况下，任何收集的乘客信息都可以被加密、匿名化和/或遵循严格的保留限制以保护乘客数据隐私。
在确定选定CCL类型的补救措施时，可以以任何合适的方式对技术严重性指数、乘客不便指数和/或任何其他考虑因素进行加权或考虑。例如，基于技术严重性指数或乘客不便指数中的一者或两者较高，并且时间相关故障分布表明选定CCL类型的部件在部件生命周期早期经常发生故障，则识别的补救措施可以是立即将指定型号的所有飞行器部件更换为更可靠的型号。相比之下，如果技术严重性指数和/或乘客不便指数相对较低，则识别的补救措施可以是逐步淘汰受影响的飞行器部件，或者一般调查将解决该问题的改装或设计变更。
应理解的是，可以以任何数量的不同方式使用如上所述确定的时间相关故障分布以增强飞行器运行和飞行器部件维护，作为迄今为止所描述的过程的补充或替代。因此，简要地返回图2，在210处，方法200可选地包括利用时间相关故障分布来确定维护间隔、促进零件需求估计和/或促进与选定CCL类型相关联的可靠性分析。
在一些示例中，该信息可以被展示在显示器上以供查看，和/或被传输到远程系统。简要地返回图3，计算系统300与显示器312通信地耦合，显示器312被配置为呈现维护间隔314、部件需求估计316和可靠性分析318中的任一个或全部，以供一个或多个人类用户查看。显示器可以本地连接到计算系统，或者可以被远程定位——例如，维护间隔314、部件需求估计316和可靠性分析318中的任一个或全部可以通过网络310被传输到显示器312以供展示。
类似地，可以将维护间隔314、零件需求估计316和可靠性分析318中的任一个或全部传输到远程系统320以进行存储和/或分析。作为非限制性示例，远程系统可以采用远程维护系统、库存管理系统或交通工具健康监测系统的形式。此外，与显示器312一样，传输到远程系统310的信息在某些情况下可以通过网络310来传输。
维护间隔、零件需求估计和/或可靠性分析中的每一个都可以以任何合适的方式来确定。例如，基于时间相关故障分布确定维护间隔可以包括确定观察到的故障将在特定时间窗口内发生的可能性。然后可以设置选定CCL类型的维护间隔以将选定CCL类型的预测故障率降低到预定故障风险阈值以下。例如，时间相关故障分布可以指示特定故障(例如，磨损的座椅织物)在3年的时间间隔内具有30％的故障率。例如，航空公司、飞行器所有者和/或其他相关方可以确定该故障率高得无法接受，并指定3年时间间隔内的故障风险阈值为15％。在此基础上，计算系统可以推荐调整后的维护间隔，其中更频繁地对座椅织物进行维护(例如，化学处理、重新装饰)以将故障风险降低到指定阈值以下。
类似地，在某些情况下，时间相关故障分布可以用于增加选定CCL类型的维护间隔，而不是减少维护间隔。例如，如果特定部件在一段时间内具有约为5％的观察到的故障率，并且故障风险阈值为15％，则可以减小维护频率以降低维护成本并提高飞行器可操作性，同时仍然将部件故障率保持在可容忍的范围内。
可以至少部分基于确定特定飞行器部件发生故障并需要更换的速率来促进部件需求估计。例如，选定CCL类型可以指飞行器的内部机舱中的灯泡随着时间推移以特定速率失效。基于该速率，计算系统可以估计对更换灯泡的未来需求。此信息可以用于改变订购更换灯泡(或其他飞行器部件)的频率——例如，利用批量订购率并实现节省成本。
此外，如上所述，为特定CCL类型确定的时间相关故障分布可以用于评估基础飞行器部件的整体可靠性。例如，在确定时间相关故障分布的形状参数β小于阈值(例如，1)时，计算系统可以确定基础飞行器部件在其生命周期的相对早期表现出高频率的故障，表明可靠性问题。以这种方式，计算系统可以将飞行器部件标记为不可靠，并建议更换或改变设计。
本主题公开已经描述了可以由计算系统对由NLP模型输出的结构化飞行器部件记录(例如，CCL记录)执行的各种类型的分析。这种分析的结果和/或结构化记录本身在某些情况下可以被可视化以供人类用户以各种合适的方式查看。作为非限制性示例，可以可选地使用热度图、帕累托图表或严重性图表中的至少一个来可视化选定CCL类型的CCL记录。
图7采用严重性图表的形式示意性地示出了对应于多个选定CCL类型的CCL记录的一种示例可视化。具体地，图表700包括多个选定CCL类型702A-702D的表示，其根据故障等级轴(例如，经济舱、商务舱、头等舱)和零件关键性轴(例如，飞行器部件的故障对飞行器的运行的影响程度)进行绘制。在一些情况下，可以定义严重性图表700内的不同区域，并且可以通过它们落入哪个定义区域来确定处理不同部件故障的方式。例如，落入高优先级区域(例如，具有高故障等级和高零件关键性)中的选定CCL类型的维护可以优先于落入低优先级区域(例如，具有低故障等级和低零件关键性)中的选定CCL类型的维护。然而，应当理解，可以以任何合适的方式定义任何数量的不同严重性图表区域，并且在一些示例中，不需要识别不同的区域。
应当理解，图表700被故意简化并且仅被提供用于示例的目的。在实际情况下，严重性图表可以包括根据任何合适的标准(例如，故障等级、零件关键性、故障频率、乘客不便程度、技术严重性)绘制的任意数量的不同选定CCL类型。此外，应当理解，除了严重性图表之外，或者代替严重性图表，计算系统可以输出CCL数据的任何数量的可视化。例如，热度图可被用于可视化相对于整个飞行器和/或飞行器内的不同选定区域的不同故障的发生率。此外，帕累托图表可被用于可视化影响飞行器部件的观察到的故障的整个群体，按其发生频率进行排序。
可以以任何合适的方式将选定CCL类型的可视化传递给用户。在一个示例中，计算系统可以确定指示选定CCL类型的可视化的可视化数据，并将该可视化数据传输到客户端设备。可视化数据可以采用任何合适的形式。在一个示例中，可视化数据可以使用允许由客户端设备上的软件(例如，数据库软件、文字处理器、网络浏览器)呈现可视化数据以提供交互式可视化的预定义模式。在一些示例中，可视化数据可以采用可由客户端设备呈现为静态图像的图像数据的形式。
本文描述的方法和过程可以与一个或多个计算设备的计算系统相关联。特别地，这样的方法和过程可以被实现为可执行的计算机应用程序、网络可访问的计算服务、应用程序编程接口(API)、库或上述各项和/或其他计算资源的组合。
图8示意性地示出了计算系统800的简化表示，该计算系统800被配置为提供本文描述的任何至所有计算功能。计算系统800可以采用一个或多个个人计算机、网络可访问的服务器计算机、平板计算机、家庭娱乐计算机、游戏设备、移动计算设备、移动通信设备(例如，智能电话)、虚拟/增强/混合现实计算设备、可穿戴的计算设备、物联网(IoT)设备、嵌入式计算设备和/或其他计算设备。
计算系统800包括逻辑子系统802和存储子系统804。计算系统800可以可选地包括显示子系统806、输入子系统808、通信子系统810和/或图8中未示出的其他子系统。
逻辑子系统802包括被配置为执行指令的一个或多个物理设备。例如，逻辑子系统可以被配置为执行作为一个或多个应用程序、服务或其他逻辑结构的一部分的指令。逻辑子系统可以包括被配置为执行软件指令的一个或多个硬件处理器。另外或替代地，逻辑子系统可以包括被配置为执行硬件或固件指令的一个或多个硬件或固件设备。逻辑子系统的处理器可以是单核或多核，并且在其上执行的指令可以被配置用于顺序、并行和/或分布式处理。逻辑子系统的各个部件可选地可以分布在两个或更多个单独的设备之间，这些设备可以被远程定位和/或被配置用于协调处理。逻辑子系统的各个方面可以通过在云计算配置中配置的可远程访问的联网计算设备来虚拟化和执行。
存储子系统804包括一个或多个物理设备，这些物理设备被配置为临时和/或永久保存计算机信息，例如可由逻辑子系统执行的数据和指令。当存储子系统包括两个或更多个设备时，这些设备可以被并置(collocated)和/或远程定位。存储子系统804可以包括易失性、非易失性、动态、静态、读/写、只读、随机存取、顺序存取、位置可寻址、文件可寻址和/或内容可寻址的设备。存储子系统804可以包括可移除的和/或内置的设备。当逻辑子系统执行指令时，存储子系统804的状态可以被转换——例如，用以保存不同的数据。
逻辑子系统802和存储子系统804的各个方面可以一起集成到一个或多个硬件逻辑部件中。例如，此类硬件逻辑部件可以包括程序和应用专用集成电路(PASIC/ASIC)、程序和应用专用标准产品(PSSP/ASSP)、片上系统(SOC)和复杂的可编程逻辑器件(CPLD)。
逻辑子系统和存储子系统可以协作以实例化一个或多个逻辑机器。如本文所用，术语“机器”被用于共同指代硬件、固件、软件、指令和/或进行协作以提供计算机功能的任何其他部件的组合体。换句话说，“机器”从来都不是抽象的概念，总是有一种有形的形式。机器可以由单个计算设备实例化，或者机器可以包括由两个或更多个不同计算设备实例化的两个或更多个子部件。在一些实施方式中，机器包括与远程部件(例如，由服务器计算机的网络提供的云计算服务)协作的本地部件(例如，由计算机处理器执行的软件应用程序)。向特定机器赋予其功能的软件和/或其他指令可以可选地作为一个或多个未执行模块被保存在一个或多个合适的存储设备上。
机器可以使用现有技术和/或未来机器学习(ML)、人工智能(AI)和/或自然语言处理(NLP)技术的任何适当组合来实现。可以结合在一个或多个机器的实施方式中的技术的非限制性示例包括支持向量机、多层神经网络、卷积神经网络(例如，包括用于处理图像和/或视频的空间卷积网络、用于处理音频信号和/或自然语言句子的时间卷积神经网络，和/或被配置为在一个或多个时间和/或空间维度上对特征进行卷积和汇集的任何其他合适的卷积神经网络)、循环神经网络(例如，长短期记忆网络)、关联存储器(例如，查找表、哈希表、布隆过滤器、神经图灵机和/或神经随机存取存储器)、词嵌入模型(例如，GloVe或Word2Vec)、无监督空间和/或聚类方法(例如，最近邻算法、拓扑数据分析和/或k均值聚类)、图形模型(例如，(隐藏式)马尔可夫(Markov)模型、马尔可夫随机字段、(隐藏式)条件随机字段和/或AI知识库)，和/或自然语言处理技术(例如，标记化、词干提取、选区和/或依赖解析，和/或意图识别、分段模型和/或超分段模型(例如，隐藏式动态模型))。
在一些示例中，本文描述的方法和过程可以使用一个或多个可微函数(differentiable function)来实现，其中可微函数的梯度可以关于可微函数的输入和/或输出来计算和/或估计(例如，关于训练数据和/或关于目标函数)。这样的方法和过程可以至少部分地由一组可训练参数来确定。因此，可以通过任何合适的训练程序来调整特定方法或过程的可训练参数，以便持续改进方法或过程的功能。
用于调整可训练参数的训练过程的非限制性示例包括监督训练(例如，使用梯度下降或任何其他合适的优化方法)、零样本(zero-shot)、少样本(few-shot)、无监督学习方法(例如，基于源自无监督聚类的类别的分类方法)、强化学习(例如，基于反馈的深度Q学习)和/或生成对抗神经网络训练方法、信念传播、RANSAC(随机样本共识)、上下文老虎机方法、最大似然方法和/或期望最大化。在一些示例中，本文描述的多个方法、过程和/或系统的部件可以关于测量多个部件的集体功能的性能的目标函数来同时训练(例如，关于强化反馈和/或关于标记的训练数据)。同时训练多个方法、过程和/或部件可以改进这种集体功能。在一些示例中，一种或多种方法、过程和/或部件可以独立于其他部件进行训练(例如，对历史数据的离线训练)。
当包括时，显示子系统806可用于呈现由存储子系统804保存的数据的视觉表示。该视觉表示可采用图形用户界面(GUI)的形式。显示子系统806可以包括使用几乎任何类型的技术的一个或多个显示设备。在一些实施方式中，显示子系统可以包括一个或多个虚拟现实、增强现实或混合现实显示器。
当包括时，输入子系统808可以包括一个或多个输入设备或与一个或多个输入设备接合。输入设备可以包括传感器设备或用户输入设备。用户输入设备的示例包括键盘、鼠标、触摸屏或游戏控制器。在一些示例中，输入子系统可以包括选定的自然用户输入(NUI)部件或与其接合。这样的部件可以是集成的或外围的，并且输入动作的转换和/或处理可以在板上或板外处理。示例NUI部件可以包括：用于话语和/或语音识别的麦克风；用于机器视觉和/或手势识别的红外、彩色、立体和/或深度相机；用于运动检测和/或意图识别的头部跟踪器、眼球跟踪器、加速度计和/或陀螺仪。
当包括时，通信子系统810可以被配置为将计算系统800与一个或多个其他计算设备通信地耦合。通信子系统810可以包括与一种或多种不同通信协议兼容的有线和/或无线通信设备。通信子系统可以配置为通过个人网络、局域网和/或广域网进行通信。
本公开以示例的方式并参考相关的附图来呈现。在一幅或多幅图中可以基本相同的部件、工艺步骤和其他元素被协调地标识并且以最少的重复进行描述。然而，应当注意，协调地标识的元素也可能在一定程度上有所不同。还应注意，一些图可能是示意性的而不是按比例绘制的。图中所示的各种绘图比例、纵横比和部件数量可能被有意地变形，以使某些特征或关系更容易看到。
在一个示例中，一种用于飞行器维护的方法包括：将源自一个或多个不同部件状态监视器的多个非结构化飞行器部件记录加载到计算机存储器中，多个非结构化飞行器部件记录描述多个不同飞行器部件的观察到的维护状况；将多个非结构化飞行器部件记录从计算机存储器提供给自然语言处理(NLP)模型，该NLP模型被配置为输出多个不同飞行器部件的相应的多个数字部件、状况和位置(CCL)记录；独立地计算机汇总多个不同CCL类型的CCL记录；以及计算机分析选定CCL类型的CCL记录以确定选定CCL类型的时间相关故障分布。在该示例或任何其他示例中，多个不同飞行器部件是飞行器的内部机舱中的面向乘客或面向机组人员的部件。在该示例或任何其他示例中，该方法进一步包括：利用时间相关故障分布进行确定维护间隔、促进零件需求估计或促进与选定CCL类型相关联的可靠性分析中的至少一个。在该示例或任何其他示例中，选定CCL类型的维护间隔被设置为将选定CCL类型的预测故障率降低到预定故障风险阈值以下。在该示例或任何其他示例中，该方法进一步包括至少部分基于时间相关故障分布来识别补救措施以解决影响选定CCL类型的观察到的故障。在该示例或任何其他示例中，补救措施是基于从选定CCL类型的CCL记录得出的技术严重性指数和从一个或多个乘客信息源得出的乘客不便指数中的一者或两者来识别的。在该示例或任何其他示例中，一个或多个乘客信息源包括乘客调查和乘客社交媒体帖子中的一个或多个。在该示例或任何其他示例中，NLP模型是先前通过监督学习过程训练的卷积神经网络(CNN)，其中从CCL标签的预定菜单手动标记非结构化飞行器部件记录的训练集。在该示例或任何其他示例中，该方法进一步包括通过强化训练过程重新训练NLP模型，其中从CCL标签的预定菜单手动标记非结构化飞行器部件记录的更新训练集。在该示例或任何其他示例中，一个或多个不同部件状态监视器包括与一个或多个人员相关联的用户设备或一个或多个机载飞行器传感器中的至少一个。在该示例或任何其他示例中，NLP模型被配置为根据包含自由形式的人工书写的记录的非结构化飞行器部件记录输出多个CCL记录。在该示例或任何其他示例中，NLP模型被配置为根据使用多个不一致的描述性术语来描述多个不同飞行器部件的观察到的维护状况的非结构化飞行器部件记录输出多个CCL记录，所述多个CCL记录使用一组一致的描述性术语来描述观察到的维护状况。在该示例或任何其他示例中，NLP模型被配置为根据使用不同描述性术语来描述多个不同飞行器部件中的同一飞行器部件的相同维护问题的两个非结构化飞行器部件记录输出等效CCL记录。在该示例或任何其他示例中，NLP模型被配置为根据使用多种不同数据格式来描述多个不同飞行器部件的观察到的维护状况的非结构化飞行器部件记录输出多个CCL记录，所述多个CCL记录使用相同的结构化数据格式来描述观察到的维护状况。在该示例或任何其他示例中，NLP模型被配置为根据包含航空运输协会(ATA)代码的非结构化飞行器部件记录输出多个CCL记录。在该示例或任何其他示例中，NLP模型被配置为根据源自飞行器日志、飞行器维护记录、飞行器改装记录、飞行器服务公告记录和现有飞行器维护计划中的一个或多个的非结构化飞行器部件记录输出多个CCL记录。在该示例或任何其他示例中，确定选定CCL类型的时间相关故障分布包括计算拟合选定CCL类型的CCL记录的累积分布函数的形状参数β。在该示例或任何其他示例中，累积分布函数是威布尔(Weibull)分布。在该示例或任何其他示例中，该方法进一步包括：至少部分基于确定形状参数β高于阈值，确定选定CCL类型的时间相关故障分布与磨损一致。在该示例或任何其他示例中，该方法进一步包括：至少部分基于确定形状参数β等于阈值，确定选定CCL类型的时间相关故障分布是与随机损坏一致的无记忆故障分布。在该示例或任何其他示例中，该方法进一步包括：至少部分基于确定选定CCL类型的形状参数β小于阈值，确定选定CCL类型的时间相关故障分布与相对高的早期部件故障率是一致的。在该示例或任何其他示例中，该方法进一步包括使用热度图、帕累托图表或严重性图表中的至少一个来可视化选定CCL类型的CCL记录。
在一个示例中，一种网络可访问的计算系统包括：逻辑子系统；以及存储子系统，其保存可由逻辑子系统执行以进行以下操作的指令：通过计算机网络从多个远程计算设备接收源自一个或多个不同部件状态监视器的多个非结构化飞行器部件记录，多个非结构化飞行器部件记录描述多个不同飞行器部件的观察到的维护状况；将多个非结构化飞行器部件记录提供给自然语言处理(NLP)模型，该NLP模型被配置为输出多个不同飞行器部件的相应的多个数字部件、状况和位置(CCL)记录；独立地计算机汇总多个不同CCL类型的CCL记录；以及计算机分析选定CCL类型的CCL记录以确定选定CCL类型的时间相关故障分布。在该示例或任何其他示例中，所述指令进一步可执行以确定指示选定CCL类型的可视化的可视化数据，并将可视化数据传输到客户端设备。
此外，本公开包括根据以下条款所述的示例：
条款1.一种用于飞行器维护的方法(200)，所述方法(200)包括：
将源自一个或多个不同部件状态监视器(304、306)的多个非结构化飞行器部件记录(400)加载(202)到计算机存储器(301)中，所述多个非结构化飞行器部件记录(400)描述多个不同飞行器部件(102、104、106)的观察到的维护状况；
将所述多个非结构化飞行器部件记录(400)从计算机存储器(301)提供(204)给自然语言处理(NLP)模型(404)，所述NLP模型(404)被配置为输出所述多个不同飞行器部件(102、104、106)的相应的多个数字部件、状况和位置(CCL)记录(406)；
独立地计算机汇总(206)多个不同CCL类型(702A、702B、702C、702D)的CCL记录(406)；以及
计算机分析(208)选定CCL类型(502)的所述CCL记录(500A、500B、500C)以确定选定CCL类型(502)的时间相关故障分布(506)。
条款2.根据条款1所述的方法，其中所述多个不同飞行器部件(102、104、106)是飞行器(101)的内部机舱(100)中的面向乘客或面向机组人员的部件。
条款3.根据条款1所述的方法，其进一步包括：利用(210)所述时间相关故障分布(506)进行确定维护间隔(314)、促进零件需求估计(316)或促进与选定CCL类型(502)相关联的可靠性分析(318)中的至少一个。
条款4.根据条款3所述的方法，其中选定CCL类型(502)的所述维护间隔(314)被设置为将选定CCL类型(502)的预测故障率降低到预定故障风险阈值以下。
条款5.根据条款1所述的方法，其进一步包括至少部分基于所述时间相关故障分布(506)来识别补救措施以解决影响选定CCL类型(502)的观察到的故障。
条款6.根据条款5所述的方法，其中所述补救措施是基于从选定CCL类型(502)的所述CCL记录(500A、500B、500C)得出的技术严重性指数和从一个或多个乘客信息源得出的乘客不便指数中的一者或两者来识别的。
条款7.根据条款6所述的方法，其中所述一个或多个乘客信息源包括乘客调查和乘客社交媒体帖子中的一个或多个。
条款8.根据条款1所述的方法，其中所述NLP模型(404)是先前通过监督学习过程训练的卷积神经网络(CNN)，其中从CCL标签的预定菜单手动标记非结构化飞行器部件记录的训练集。
条款9.根据条款8所述的方法，其进一步包括通过强化训练过程重新训练所述NLP模型(404)，其中从CCL标签的所述预定菜单手动标记非结构化飞行器部件记录的更新训练集。
条款10.根据条款1所述的方法，其中所述一个或多个不同部件状态监视器(304、306)包括与一个或多个人员(108)相关联的用户设备或一个或多个机载飞行器传感器(110)中的至少一个。
条款11.根据条款1所述的方法，其中所述NLP模型(404)被配置为根据包含自由形式的人工书写的记录的非结构化飞行器部件记录(400)输出所述多个CCL记录(406)。
条款12.根据条款1所述的方法，其中所述NLP模型(404)被配置为根据使用多个不一致的描述性术语来描述所述多个不同飞行器部件(102、104、106)的观察到的维护状况的非结构化飞行器部件记录(400)输出所述多个CCL记录(406)，所述多个CCL记录使用一组一致的描述性术语来描述观察到的维护状况。
条款13.根据条款12所述的方法，其中所述NLP模型(404)被配置为根据使用不同描述性术语来描述所述多个不同飞行器部件(102、104、106)中的同一飞行器部件的相同维护问题的两个非结构化飞行器部件记录(402A、402C)输出等效CCL记录(408A、408C)。
条款14.根据条款1所述的方法，其中所述NLP模型(404)被配置为根据使用多种不同数据格式来描述所述多个不同飞行器部件(102、104、106)的观察到的维护状况的非结构化飞行器部件记录(400)输出所述多个CCL记录(406)，所述多个CCL记录(406)使用相同的结构化数据格式来描述观察到的维护状况。
条款15.根据条款1所述的方法，其中所述NLP模型(404)被配置为根据包含航空运输协会(ATA)代码的非结构化飞行器部件记录(400)输出所述多个CCL记录(406)。
条款16.根据条款1所述的方法，其中所述NLP模型(404)被配置为根据源自飞行器日志、飞行器维护记录、飞行器改装记录、飞行器服务公告记录和现有飞行器维护计划中的一个或多个的非结构化飞行器部件记录(400)输出所述多个CCL记录(406)。
条款17.根据条款1所述的方法，其中确定选定CCL类型(502)的所述时间相关故障分布(506)包括计算拟合选定CCL类型的CCL记录(500A、500B、500C)的累积分布函数(602A、602B、602C)的形状参数β。
条款18.根据条款17所述的方法，其中所述累积分布函数(602A、602B、602C)是威布尔(Weibull)分布。
条款19.根据条款17所述的方法，其进一步包括：至少部分基于确定所述形状参数β高于阈值，确定选定CCL类型(502)的所述时间相关故障分布(602C)与磨损一致。
条款20.根据条款17所述的方法，其进一步包括：至少部分基于确定所述形状参数β等于阈值，确定选定CCL类型(502)的所述时间相关故障分布(602B)是与随机损坏一致的无记忆故障分布。
条款21.根据条款17所述的方法，其进一步包括：至少部分基于确定选定CCL类型(502)的所述形状参数β小于阈值，确定选定CCL类型(502)的所述时间相关故障分布(602A)与相对高的早期部件故障率是一致的。
条款22.根据条款1所述的方法，其进一步包括使用热度图、帕累托图表或严重性图表(700)中的至少一个来可视化选定CCL类型(502)的CCL记录(500A、500B、500C)。
条款23.一种网络可访问的云计算系统(300)，其包括：
逻辑子系统(802)；以及
存储子系统(804)，其保存可由所述逻辑子系统(802)执行以进行以下操作的指令：
通过计算机网络(310)从多个远程计算设备(308)接收源自一个或多个不同部件状态监视器(304、306)的多个非结构化飞行器部件记录(400)，所述多个非结构化飞行器部件记录(400)描述多个不同飞行器部件(102、104、106)的观察到的维护状况；
将所述多个非结构化飞行器部件记录(400)提供给自然语言处理(NLP)模型(404)，所述NLP模型被配置为输出所述多个不同飞行器部件(102、104、106)的相应的多个数字部件、状况和位置(CCL)记录(406)；
独立地计算机汇总多个不同CCL类型(702A、702B、702C、702D)的CCL记录(406)；以及
计算机分析选定CCL类型(502)的所述CCL记录(500A、500B、500C)以确定选定CCL类型(502)的时间相关故障分布(506)。
条款24.根据条款23所述的网络可访问的云计算系统，其中所述指令进一步可执行以确定指示选定CCL类型(502)的可视化(700)的可视化数据，并将所述可视化数据传输到客户端设备(308)。
条款25.一种用于飞行器维护的方法(200)，所述方法(200)包括：
将源自一个或多个不同部件状态监视器(304、306)的多个非结构化飞行器部件记录(400)加载(202)到计算机存储器(301)中，所述多个非结构化飞行器部件记录(400)描述多个不同飞行器部件(102、104、106)的观察到的维护状况；
将所述多个非结构化飞行器部件记录(400)从计算机存储器(301)提供(204)给自然语言处理(NLP)模型(404)，该NLP模型被配置为输出相应的多个数字结构化飞行器部件记录(406)；
计算机汇总(206)选定飞行器部件类型(502)的结构化飞行器部件记录(500A、500B、500C)；以及
计算机分析(208)选定飞行器部件类型(502)的所述结构化飞行器部件记录(500A、500B、500C)以确定选定飞行器部件类型(502)的时间相关故障分布(506)。
在一个示例中，一种用于飞行器维护的方法包括：将源自一个或多个不同部件状态监视器的多个非结构化飞行器部件记录加载到计算机存储器中，所述多个非结构化飞行器部件记录描述多个不同飞行器部件的观察到的维护状况；将多个非结构化飞行器部件记录从计算机存储器提供给自然语言处理(NLP)模型，该自然语言处理(NLP)模型被配置为输出相应的多个数字结构化飞行器部件记录；计算机汇总选定飞行器部件类型的结构化飞行器部件记录；以及计算机分析选定飞行器部件类型的结构化飞行器部件记录以确定选定飞行器部件类型的时间相关故障分布。

Claims (10)

1.一种用于飞行器维护的方法(200)，所述方法(200)包括：
将源自一个或多个不同部件状态监视器(304、306)的多个非结构化飞行器部件记录(400)加载(202)到计算机存储器(301)中，所述多个非结构化飞行器部件记录(400)描述多个不同飞行器部件(102、104、106)的观察到的维护状况；
将所述多个非结构化飞行器部件记录(400)从计算机存储器(301)提供(204)给自然语言处理模型即NLP模型(404)，所述NLP模型(404)被配置为输出所述多个不同飞行器部件(102、104、106)的相应的多个数字部件、状况和位置记录即CCL记录(406)；
独立地计算机汇总(206)多个不同CCL类型(702A、702B、702C、702D)的CCL记录(406)；以及
计算机分析(208)选定CCL类型(502)的所述CCL记录(500A、500B、500C)以确定选定CCL类型(502)的时间相关故障分布(506)。
2.根据权利要求1所述的方法，其中所述多个不同飞行器部件(102、104、106)是飞行器(101)的内部机舱(100)中的面向乘客或面向机组人员的部件。
3.根据权利要求1或2所述的方法，其进一步包括：利用(210)所述时间相关故障分布(506)进行确定维护间隔(314)、促进零件需求估计(316)或促进与选定CCL类型(502)相关联的可靠性分析(318)中的至少一个。
4.根据权利要求3所述的方法，其中选定CCL类型(502)的所述维护间隔(314)被设置为将选定CCL类型(502)的预测故障率降低到预定故障风险阈值以下。
5.根据权利要求1或2所述的方法，其进一步包括至少部分基于所述时间相关故障分布(506)来识别补救措施以解决影响选定CCL类型(502)的观察到的故障。
6.根据权利要求5所述的方法，其中所述补救措施是基于从选定CCL类型(502)的所述CCL记录(500A、500B、500C)得出的技术严重性指数和从一个或多个乘客信息源得出的乘客不便指数中的一者或两者来识别的。
7.根据权利要求6所述的方法，其中所述一个或多个乘客信息源包括乘客调查和乘客社交媒体帖子中的一个或多个。
8.根据权利要求1或2所述的方法，其中所述NLP模型(404)是先前通过监督学习过程训练的卷积神经网络即CNN，其中从CCL标签的预定菜单手动标记非结构化飞行器部件记录的训练集。
9.根据权利要求8所述的方法，其进一步包括通过强化训练过程重新训练所述NLP模型(404)，其中从CCL标签的所述预定菜单手动标记非结构化飞行器部件记录的更新训练集。
10.一种网络可访问的云计算系统(300)，其包括：
逻辑子系统(802)；以及
存储子系统(804)，其保存可由所述逻辑子系统(802)执行以进行以下操作的指令：
通过计算机网络(310)从多个远程计算设备(308)接收源自一个或多个不同部件状态监视器(304、306)的多个非结构化飞行器部件记录(400)，所述多个非结构化飞行器部件记录(400)描述多个不同飞行器部件(102、104、106)的观察到的维护状况；
将所述多个非结构化飞行器部件记录(400)提供给自然语言处理模型即NLP模型(404)，所述NLP模型被配置为输出所述多个不同飞行器部件(102、104、106)的相应的多个数字部件、状况和位置记录即CCL记录(406)；
独立地计算机汇总多个不同CCL类型(702A、702B、702C、702D)的CCL记录(406)；以及
计算机分析选定CCL类型(502)的所述CCL记录(500A、500B、500C)以确定选定CCL类型(502)的时间相关故障分布(506)。
CN202210602069.6A 2021-08-25 2022-05-30 用于飞行器维护的部件记录处理 Pending CN115731636A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US17/445,927 2021-08-25
US17/445,927 US20230061096A1 (en) 2021-08-25 2021-08-25 Component record processing for aircraft maintenance

Publications (1)

Publication Number Publication Date
CN115731636A true CN115731636A (zh) 2023-03-03

Family

ID=80999736

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210602069.6A Pending CN115731636A (zh) 2021-08-25 2022-05-30 用于飞行器维护的部件记录处理

Country Status (3)

Country Link
US (1) US20230061096A1 (zh)
EP (1) EP4141755A1 (zh)
CN (1) CN115731636A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117743286A (zh) * 2024-02-20 2024-03-22 商飞软件有限公司 一种生成结构化飞机电子维护日志的系统及方法
CN117743286B (zh) * 2024-02-20 2024-05-24 商飞软件有限公司 一种生成结构化飞机电子维护日志的系统及方法

Family Cites Families (34)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6813777B1 (en) * 1998-05-26 2004-11-02 Rockwell Collins Transaction dispatcher for a passenger entertainment system, method and article of manufacture
WO2001041024A1 (en) * 1999-12-01 2001-06-07 Sinex Aviation Technologies Corporation Dynamic aircraft maintenance management system
US7260501B2 (en) * 2004-04-21 2007-08-21 University Of Connecticut Intelligent model-based diagnostics for system monitoring, diagnosis and maintenance
FR2888362B1 (fr) * 2005-07-05 2007-10-12 Airbus France Sas Outil de diagnostic pour la reparation d'aeronefs et procede utilisant cet outil
US7551086B2 (en) * 2005-09-20 2009-06-23 The Boeing Company System and methods for tracking aircraft components
US9886478B2 (en) * 2005-10-07 2018-02-06 Honeywell International Inc. Aviation field service report natural language processing
US7702436B2 (en) * 2006-09-29 2010-04-20 Standard Aero (San Antonio), Inc. System and method of troubleshooting aircraft system failures
US20090240390A1 (en) * 2008-03-21 2009-09-24 Nenad Nenadic System and method for component monitoring
US20100082702A1 (en) * 2008-09-29 2010-04-01 Honeywell International Inc. Dynamic vehicle information management
US20100161169A1 (en) * 2008-12-19 2010-06-24 Honeywell International Inc. Vehicle health monitoring architecture for diagnostics and prognostics as a service in an e-enterprise
US8751777B2 (en) * 2011-01-28 2014-06-10 Honeywell International Inc. Methods and reconfigurable systems to optimize the performance of a condition based health maintenance system
US8990770B2 (en) * 2011-05-25 2015-03-24 Honeywell International Inc. Systems and methods to configure condition based health maintenance systems
CN102320382A (zh) * 2011-07-07 2012-01-18 中国国际航空股份有限公司 飞机性能检测方法
US8726084B2 (en) * 2011-10-14 2014-05-13 Honeywell International Inc. Methods and systems for distributed diagnostic reasoning
US9003052B2 (en) * 2012-07-09 2015-04-07 The Boeing Company System and method for air-to-ground data streaming
DE102012214106A1 (de) * 2012-08-08 2014-02-13 Airberlin Technik GmbH Verfahren zur Planung und Steuerung von Wartungs- und Instandsetzungsarbeiten, Computerprogrammprodukt, Digitales Speichermedium, Endgerät, System zur Planung und Steuerung sowie Kommunikationsschnittstelle
US9008892B2 (en) * 2013-07-10 2015-04-14 General Electric Company System, method, and apparatus for scheduling aircraft maintenance events
US9424693B2 (en) * 2014-03-10 2016-08-23 Embraer S.A. Maintenance planning optimization for repairable items based on prognostics and health monitoring data
US9522745B2 (en) * 2014-09-24 2016-12-20 Honeywell International Inc. Method and system for preparing aircraft maintenance application data for portable devices
US20160236800A1 (en) * 2015-02-16 2016-08-18 United Technologies Corporation Network-based computing device and method for interactive aircraft maintenance procedures
US20170233105A1 (en) * 2016-02-16 2017-08-17 Taleris Global Llp Visualization of Aggregated Maintenance Data for Aircraft Reliability Program
US10283001B2 (en) * 2016-11-17 2019-05-07 International Business Machines Corporation Optimizing real-time and planned air-traffic
US20180362190A1 (en) * 2017-06-15 2018-12-20 Aurora Flight Sciences Corporation Autonomous Aircraft Health Systems and Methods
US20190026964A1 (en) * 2017-07-18 2019-01-24 General Electric Company Analytics system for aircraft line-replaceable unit (lru) maintenance optimization
US10457423B2 (en) * 2017-09-22 2019-10-29 The Boeing Company System and method for aircraft failure prediction
US10676048B2 (en) * 2018-10-18 2020-06-09 Northrop Grumman Systems Corporation Parametric data modeling for model based reasoners
US10964130B1 (en) * 2018-10-18 2021-03-30 Northrop Grumman Systems Corporation Fleet level prognostics for improved maintenance of vehicles
US11823562B2 (en) * 2019-09-13 2023-11-21 Wing Aviation Llc Unsupervised anomaly detection for autonomous vehicles
US20210097058A1 (en) * 2019-09-26 2021-04-01 SparkCognition, Inc. Aircraft fault troubleshooting system using supplemented aircraft maintenance log data
US11465778B2 (en) * 2020-03-04 2022-10-11 The Boeing Company Pump management system
US11958632B2 (en) * 2020-07-22 2024-04-16 The Boeing Company Predictive maintenance model design system
US11939085B2 (en) * 2021-06-16 2024-03-26 Beta Air, Llc Methods and systems for wrapping simulated intra-aircraft communication to a physical controller area network
US11807389B2 (en) * 2021-11-10 2023-11-07 Aermetric Technology Group, Inc. Systems and methods for aircraft management
US11842584B1 (en) * 2022-08-22 2023-12-12 Beta Air, Llc System and method for verifying an aircraft component on an immutable sequential listing

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117743286A (zh) * 2024-02-20 2024-03-22 商飞软件有限公司 一种生成结构化飞机电子维护日志的系统及方法
CN117743286B (zh) * 2024-02-20 2024-05-24 商飞软件有限公司 一种生成结构化飞机电子维护日志的系统及方法

Also Published As

Publication number Publication date
US20230061096A1 (en) 2023-03-02
EP4141755A1 (en) 2023-03-01

Similar Documents

Publication Publication Date Title
US11449712B2 (en) Anomaly detection and reporting for machine learning models
US11017321B1 (en) Machine learning systems for automated event analysis and categorization, equipment status and maintenance action recommendation
CN113597634B (zh) 使用人工智能的过程映射和监控
US11188860B2 (en) Injury risk factor identification, prediction, and mitigation
JP2019108117A (ja) フライトデータ処理のためのリアルタイム・ストリーミング分析
US10861252B2 (en) Aircraft maintenance and aircraft reliability engineering software system
US11222296B2 (en) Cognitive user interface for technical issue detection by process behavior analysis for information technology service workloads
US10318570B2 (en) Multimodal search input for an industrial search platform
US8825276B2 (en) Maintenance systems and methods for use in analyzing maintenance data
US11291077B2 (en) Internet of things sensor major and minor event blockchain decisioning
US11012289B2 (en) Reinforced machine learning tool for anomaly detection
US20160282847A1 (en) System and method for asset fleet monitoring and predictive diagnostics using analytics for large and varied data sources
US20210158307A1 (en) Blockchain ledger entry upon maintenance of asset and anomaly detection correction
US10846857B1 (en) Systems and methods for enhanced real-time image analysis with a dimensional convolution concept net
US20190204820A1 (en) Method and apparatus for optimizing diagnostics of rotating equipment
CN103080954A (zh) 用于分析飞行器飞行期间所记录的飞行数据的方法和系统
US20200160227A1 (en) Model update based on change in edge data
FR2935186A1 (fr) Procede et dispositif d'aide au diagnostic et a la decision d'exploitation d'un aeronef
US20160342956A1 (en) Aircraft Health Feedback System
EP2296127A1 (fr) Procédé et dispositif de gestion d'informations dans un aéronef
US20140316859A1 (en) Setting up Milestones for Desired Performance
CN116483028A (zh) 用于资产管理的性能度量保证
CN115731636A (zh) 用于飞行器维护的部件记录处理
US11514458B2 (en) Intelligent automation of self service product identification and delivery
CN106650945B (zh) 一种基于证据合成理论的软件体系结构安全性评估方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication