DE102011076779A1

DE102011076779A1 - Verfahren und Vorrichtung zur Vorhersage des Zustands einer Komponente oder eines Systems, Computerprogrammprodukt

Info

Publication number: DE102011076779A1
Application number: DE102011076779A
Authority: DE
Inventors: wird später genannt werden Erfinder
Original assignee: Airbus Operations GmbH
Current assignee: Airbus Operations GmbH
Priority date: 2011-05-31
Filing date: 2011-05-31
Publication date: 2012-12-06
Also published as: US9449274B2; CN103649858A; WO2012163986A1; US20140156570A1; EP2715469A1; CN103649858B

Abstract

Die vorliegende Erfindung bezieht sich auf eine Vorrichtung und ein Verfahren zur Trendvorhersage des Verlaufs einer zeitabhängigen Folge von Datenpunkten einer Komponente oder eines Systems, insbesondere einer Komponente oder eines System für ein Luft- und Raumfahrzeug, mit den Schritten: Bereitstellen eines optimierten Entscheidungsbaums, dessen Eingabeknoten zur Eingabe eines Eingabevektors vorgesehen ist, dessen Knoten die Datenpunkte eines jeweiligen Eingabevektors beinhalten und dessen Blätter jeweils eine Extrapolationsfunktion beinhalten; Iteratives Berechnen von zukünftigen Datenpunkten, indem eine jeweilige zeitabhängige Folge an Datenpunkten als Eingabevektor in den Entscheidungsbaums eingegeben wird und der Entscheidungsbaum daraus automatisiert einen dem letzten Datenpunkt des Eingabevektors nachfolgenden Datenpunkt berechnet, wobei der berechnete nachfolgende Datenpunkt der zeitabhängigen Folge an Datenpunkten hinzugefügt wird, um als neuer Eingabevektor für den nächsten Iterationsschritt verwendet zu werden. Die vorliegende Erfindung bezieht sich ferner auf ein Computerprogrammprodukt.

Description

GEBIET DER ERFINDUNG
Die vorliegende Erfindung bezieht sich auf ein computerimplementiertes Verfahren und eine Vorrichtung zur Vorhersage des Zustands einer Komponente oder eines Systems, insbesondere für ein Luft- und Raumfahrzeug, durch Trendvorhersage des Verlaufs einer zeitabhängigen Folge von an der Komponente bzw. dem System durch Messung ermittelten Datenpunkten. Die vorliegende Erfindung bezieht sich ferner auf ein Computerprogrammprodukt.
TECHNISCHER HINTERGRUND
Die Analyse einer durch Messung ermittelten Datensammlung einschließlich der statistischen Analyse des wechselseitigen Verhältnisses der Daten und deren Datenzusammenhänge sowie die Analyse im Hinblick auf die zukünftigen Entwicklung dieser Daten, also die so genannte Trendvorhersage oder Trend Prediction, ist ein weitreichendes Anwendungsgebiet. Für die Trendvorhersage werden meist Trendmodelle erstellt, welche auf der Basis des traditionellen Ansatzes der Zeitreihenanalyse basieren. Die Trendanalyse und Trendvorhersage stellen statistische Werkzeuge dar, um gemessene Daten oder etwa auch auf andere Weise ermittelte Daten besser interpretieren zu können. Für die Trendvorhersage kann die Trendanalyse verwendet werden, um Aussagen über die Tendenz der gemessenen Daten machen zu können und zu verifizieren.
Obwohl prinzipiell auf beliebige Verfahren zur Trendvorhersage einer zeitabhängigen Folge von durch Messung ermittelten Datenpunkten anwendbar, wird die vorliegende Erfindung sowie die ihr zugrunde liegende Problematik nachfolgend mit Bezug auf ein Verfahren und eine Vorrichtung zur Trendvorhersage für die Anwendung in einem Luft- und Raumfahrzeug erläutert. Insbesondere wird die vorliegende Erfindung nachfolgend mit Bezug auf die Trendvorhersage anhand von gemessenen Schwingungen an einer Komponente oder eines Systems eines Flugzeugs erläutert.
Ein Verfahren zur Vorhersage des Ausfalls von Gasturbinen in einem Flugzeug ist zum Beispiel in der US 2011/0040470 A1 beschrieben.
Bei Flugzeugen, insbesondere bei Passagierflugzeugen, sind allein schon aus Sicherheitsgründen stets fest vorgegebene Instandhaltungsintervalle, innerhalb der Komponenten und Systeme eines Flugzeugs überprüft, gewartet und instandgesetzt werden müssen, einzuhalten. Diese Intervalle werden so festgelegt, dass sichergestellt ist, dass die jeweiligen Komponenten und Systeme bis zum nächsten Instandhaltungsintervall ausreichend sicher und funktionsfähig sind. Daher werden die entsprechenden Instandhaltungsintervalle typischerweise mit einem Zeitpuffer entsprechend großzügig gewählt.
Problematisch ist allerdings, dass bei dieser Vorgehensweise mitunter auch Systeme eines Flugzeugs gewartet werden, obwohl diese beispielsweise noch voll funktionsfähig sind und tatsächlich keinerlei Notwendigkeit für deren Instandhaltung besteht. Es ist daher leicht ersichtlich, dass dadurch aufgrund der nicht erforderlichen Instandhaltung, die aber in Unkenntnis der tatsächlichen Verhältnisse dennoch vorgenommen werden, zusätzliche Kosten entstehen.
Hinzu kommt, dass zum Beispiel bei Passagierflugzeugen die Zeiträume, die für Instandhaltungsarbeiten zur Verfügung stehen, lediglich sehr kurz bemessen sind. Üblicherweise werden diese Arbeiten während der Standzeiten des Flugzeugs zwischen der Ankunft eines Flugzeugs am Terminal und dem erneuten Verlassen des Terminals vorgenommen, wofür meist ein nur kurzer Zeitabschnitt von etwa 90 Minuten zur Verfügung steht. Insofern ist es daher wünschenswert, bereits vorher entsprechende Erkenntnisse über den Zustand eines Systems oder einer Komponenten im Flugzeug zu sammeln.
Der Klimaanlage, die meist auch als HVAC (Heat, Ventilating and Air Conditioning) oder HLK (Heizung, Lüftung, Klimatechnik) bezeichnet wird, kommt in einem Flugzeug sowohl im Hinblick auf die Funktionalität als auch für den Komfort der Passagiere eine besondere Bedeutung zu. Die Klimaanlage soll einerseits die Passagiere in einem Flugzeug mit frischer temperierter Luft versorgen, als auch elektronische Systeme kühlen. Die Klimaanlage verwendet hierzu Rezirkulationslüfter und Filter, um die Kabinenluft zu zirkulieren und damit reinigen zu können. Die verwendeten Filter können allerdings mit der Zeit verstopfen, entsprechende Zuleitungen können verschmutzen und der Lüfter kann beispielsweise defekt werden, beispielsweise durch Ausfallen der Elektromotoren oder durch Bruch der Lüfterblätter. Problematisch ist nun, dass insbesondere das Verstopfen der Filter sehr schwer vorhersagbar ist, da dies immer von der Umgebung der jeweiligen Filter und dem Anwendungsgebiet abhängt. Dies führt dazu, dass diese Filter daher sehr häufig Vorort überprüft werden, was zusätzliche Überprüfungszeiten während der Standzeiten des Flugzeugs nach sich zieht.
Dies ist ein Zustand, den es verständlicherweise zu vermeiden gilt.
ZUSAMMENFASSUNG DER ERFINDUNG
Vor diesem Hintergrund liegt der vorliegenden Erfindung die Aufgabe zugrunde, eine bessere Trendvorhersage für eine Komponente oder ein System insbesondere bei Anwendung in einem Luft- und Raumfahrzeug machen zu können.
Erfindungsgemäß wird diese Aufgabe durch ein Verfahren mit den Merkmalen des Patentanspruchs 1 und/oder durch eine Vorrichtung mit den Merkmalen des Patentanspruchs 14 und/oder durch ein Computerprogrammprodukt mit den Merkmalen des Patentanspruchs 15 gelöst.
Demgemäß ist vorgesehen:

– Ein computerimplementiertes Verfahren zur Vorhersage des Zustands einer Komponente oder eines Systems, insbesondere für ein Luft- und Raumfahrzeug, durch Trendvorhersage des Verlaufs einer zeitabhängigen Folge von an der Komponente bzw. dem System durch Messung ermittelten Datenpunkten, mit den Schritten: Bereitstellen eines optimierten Entscheidungsbaums, dessen Eingabeknoten zur Eingabe eines Eingabevektors vorgesehen ist, dessen Knoten die Attribute des jeweiligen Eingabevektors beinhalten und dessen Blätter jeweils eine für die Trendvorhersage vorgesehene Extrapolationsfunktion beinhalten; Iteratives Berechnen von zukünftigen Datenpunkten, indem aus einer zeitabhängigen Folge an Datenpunkten ein Eingabevektor abgeleitet wird und der Entscheidungsbaum aus dem Eingabevektor automatisiert einen dem letzten Datenpunkt der zeitabhängigen Folge von Datenpunkten nachfolgenden Datenpunkt berechnet, wobei der berechnete nachfolgende Datenpunkt der zeitabhängigen Folge an Datenpunkten hinzugefügt wird, um zur Bildung eines neuen Eingabevektors für den nächsten Iterationsschritt verwendet zu werden.
– Eine Vorrichtung zur Vorhersage des Zustands einer Komponente oder eines Systems, insbesondere für ein Luft- und Raumfahrzeug, mit einer Messeinrichtung, die dazu ausgelegt ist, zur Erzeugung einer zeitabhängige Folge von Datenpunkten eine physikalische Messgröße an der Komponente bzw. dem System zu messen; mit einem Speicher, in welchem zumindest eine zeitabhängige Folge von Datenpunkten ablegbar ist; mit einer Rechen- und Auswerteeinrichtung, die dazu ausgelegt ist, anhand zumindest einer der zeitabhängigen Folgen von Datenpunkten einen optimierten Entscheidungsbaum zu erzeugen und anhand des so erzeugten Entscheidungsbaums eine Trendvorhersage vorzunehmen.
– Ein Computerprogrammprodukt, in welchem ein Computerprogramm abgespeichert ist, welches dazu ausgebildet ist, ein erfindungsgemäßes Verfahren auszuführen.

Die der vorliegenden Erfindung zugrunde liegende Erkenntnis besteht darin, dass die meisten Systeme charakteristische, systeminhärente Betriebseigenschaften aufweisen, die Rückschlüsse auf die Eigenschaften und den Zustand der jeweiligen Systeme erlauben. Beispielsweise können Schwingungen an einem System oder einer Komponente oder deren Temperatur in mehr oder weniger regelmäßigen Abständen gemessen werden. Die Idee ist nun, dass die so gesammelten Daten ein Maß für den Zustand und die Eigenschaften des zu untersuchenden Systems bzw. der entsprechenden Komponente sind. Bei geeigneter Interpretation dieser Daten lassen sich damit Rückschlüsse für die Veränderung der Eigenschaften und des Zustands dieses Systems bzw. der Komponente ableiten. Insbesondere unter der Prämisse, dass der Zustand eines Systems bzw. einer Komponente sich mit zunehmender Betriebsdauer eher verschlechtern wird als verbessern, können unter Heranziehung zusätzlicher Annahmen und bei Verwendung eines geeignet gewonnenen Entscheidungsbaums Schlussfolgerungen über die voraussichtlich weitere Entwicklung des Zustands des Systems bzw. der Komponente getroffen werden.
Bei Verwendung der Trendanalyse wird eine Abschätzung der Tendenz des zukünftigen Verlaufs der analysierten Messdaten vorgenommen, indem zunächst ein grobes Analysemodell konstruiert wird und dieses dann optimiert wird. Das Analysemodel wird durch einen geeignet gewählten Entscheidungsbaum gebildet. Für dieses Analysemodell ist es nicht notwendig, die Natur des zu untersuchenden Gegenstandes genau zu kennen, beispielsweise dessen physikalische Eigenschaften, Konstruktion und dergleichen. Mittels der Trendanalyse ist es nun möglich, mithilfe des Analysemodells durch Analyse und Auswertung der Daten Rückschlüsse die Natur, die genaue Konstruktion und Eigenschaften des zu untersuchenden Gegenstandes machen zu können. Damit lassen sich entsprechende Systeme zum Beispiel im Hinblick auf die Wartungs- und Instandhaltungsnotwendigkeiten hin zu überprüfen.
Die vorliegende Erfindung schafft eine Möglichkeit, ohne besondere Kenntnis mathematischer Zusammenhänge eine automatisierte Trendvorhersage für zu untersuchende Komponenten und Systeme, insbesondere innerhalb eines Flugzeuges, zu machen. Die Trendanalyse erfolgt erfindungsgemäß auf der Basis einer Zeitreihenanalyse von gemessenen Daten, aus denen so genannte Datenpunkte abgeleitet werden. Ein Datenpunkt bezeichnet einen diskreten Datenwert eines Datensignals, der zum Beispiel durch Abtastung oder auch auf andere Weise ermittelt wurde. Eine Zeitreihe bezeichnet eine zeitabhängige Folge von Datenpunkten, die meist aber keine Reihe im mathematischen Sinne darstellt. Die Zeitreihenanalyse ist eine Disziplin, die sich mit der mathematisch-statistischen Analyse von Zeitreihen und der Vorhersage ihrer künftigen Entwicklung, der so genannten Trends, beschäftigt.
Für die Trendvorhersage wird eine geeignete Extrapolationsfunktion benötigt, welche den voraussichtlichen Verlauf der Daten möglichst gut nachbildet. Hierzu wird zunächst ein geeignet gewählter Entscheidungsbaum bereitgestellt, der erfindungsgemäß für die Selektion der für die Analyse und Auswertung erforderlichen Extrapolationsfunktion verwendet wird. Der Entscheidungsbaum wird dabei aus gemessenen Daten abgeleitet. Mittels eines geeigneten Lern- oder Trainingskonzepts, welches auf den Entscheidungsbaum angewendet wird, lässt sich der Entscheidungsbaum weiter an die vorhandenen Gegebenheiten optimieren, sodass auch die Auswahl der für die Trendanalyse verwendeten Extrapolationsfunktion optimiert wird. Damit ist es möglich, eine an die gegebenen Verhältnisse angepasste Trendanalyse und Trendvorhersage vorzunehmen, die bereits das dynamische Verhalten des zu untersuchenden Systems bzw. der zu untersuchenden Komponente berücksichtigt. Dadurch wird insbesondere die Verlässlichkeit der Trendanalyse und Trendvorhersage im Hinblick auf eine Langzeitvorhersage erhöht.
Mittels des erfindungsgemäßen Verfahrens zur Trendanalyse und Trendvorhersage ist es nun in vorteilhafter Weise möglich, zukünftige Wartungszeiten so festzulegen, dass diese an die jeweiligen tatsächlichen Gegebenheiten des untersuchten Systems bzw. der untersuchten Komponente angepasst sind. Dadurch ist es möglich, zukünftige Wartungs- und Instandhaltungszeitpunkte sehr exakt auf die tatsächlichen Gegebenheiten auszurichten, ohne dafür aber eine genaue vorherige Bestandsaufnahme des Zustands des Analyse des Systems bzw. der untersuchten Komponente machen zu müssen. Insbesondere wird dadurch verhindert, dass Wartungsarbeiten durchgeführt werden, obwohl diese nicht notwendig gewesen wären. Dies führt zu signifikanten Kosteneinsparungen. Umgekehrt wird dadurch auch verhindert, dass Wartungsarbeiten fälschlicherweise nicht durchgeführt werden, obwohl diese aufgrund des Zustands des Systems bzw. der Komponente notwendig wären. Dies steigert den entsprechenden Komfort bei den entsprechenden Fluggästen.
Wesentlicher Bestandteil der Erfindung sind geeignet gewählte Entscheidungsbäume. Entscheidungsbäume sind geordnete, gerichtete Bäume, die der Darstellung von Entscheidungsregeln dienen. Sie veranschaulichen hierarchisch, aufeinanderfolgende Entscheidungen. Sie haben eine Bedeutung in zahlreichen Bereichen, in denen automatisch klassifiziert wird oder aus Erfahrungswissen formale Regeln hergeleitet oder dargestellt werden. Entscheidungsbäume sind eine Methode zur automatischen Klassifikation von Datenobjekten und damit zur Lösung von Entscheidungsproblemen. Sie werden außerdem zur übersichtlichen Darstellung von formalen Regeln genutzt.
Ein Entscheidungsbaum besteht immer aus einem Wurzelknoten (root node), der als Eingabeknoten für einen Eingangsvektor dient, beliebig vielen inneren Knoten sowie mindestens zwei Blättern. Dabei repräsentiert jeder Knoten eine logische Regel, die auch als Attribut bezeichnet wird. Unter einem Attribut wird eine einem jeweiligen Knoten des Entscheidungsbaums zugeordnete Eigenschaft zugewiesen, die somit im Allgemeinen als Merkmal, Kennzeichen oder Informationsdetail des Knotens fungiert. Ein Blatt entspricht der Klassifikation. Jedes Blatt enthält eine Antwort auf ein komplexes Entscheidungsproblem, welche auch als Klassifikation bezeichnet wird. Den Blättern sind damit mehr oder weniger komplexe Klassifikationsfunktionen zugeordnet. Die Komplexität und Semantik der Regeln sind von vornherein nicht beschränkt. Bei binären Entscheidungsbäumen kann jeder Regelausdruck nur einen von zwei Werten annehmen.
Um eine Klassifikation eines einzelnen Datenobjektes am Entscheidungsbaum abzulesen, geht man vom Wurzelknoten entlang des Entscheidungsbaums abwärts. Bei jedem Knoten wird ein Attribut abgefragt und eine Entscheidung über die Auswahl des folgenden Knoten getroffen. Diese Prozedur wird so lange fortgesetzt, bis ein Blatt erreicht ist. Das Blatt entspricht der Klassifikation.
Ein großer Vorteil von Entscheidungsbäumen besteht darin, dass sie gut erklärbar und nachvollziehbar sind. Dies erlaubt dem Benutzer, das Ergebnis auszuwerten und Schlüsselattribute zu erkennen. Das ist vor allem dann nützlich, wenn grundlegende Eigenschaften der Daten von vornherein nicht bekannt sind. Damit ist die Induktion von Entscheidungsbäumen auch eine wichtige Technik des Data Mining. Unter Data Mining versteht man die systematische Anwendung von Methoden, die meist statistisch-mathematisch begründet sind, auf einen Datenbestand mit dem Ziel, daraus Muster oder Trends zu erkennen.
Vorteilhafte Ausgestaltungen und Weiterbildungen der Erfindung ergeben sich aus den weiteren Unteransprüchen sowie aus der Beschreibung unter Bezugnahme auf die Figuren der Zeichnung.
In einer bevorzugten Ausgestaltung wird vor dem iterativen Berechnen zunächst zumindest ein Eingabevektor bereitgestellt, der als Eingabevektor für den Entscheidungsbaum vorgesehen ist. Der Eingabevektor wird aus einer zeitabhängigen Folge an Datenpunkten vorgegebener Länge abgeleitet. Die Datenpunkte repräsentieren eine gemessene physikalische Größe der Komponente bzw. des zu untersuchenden Systems, welche zum Beispiel in Form eines zeitkontinuierlichen Datenmesssignals vorliegt. Typischerweise wird das analoge Datenmesssignal zur Generierung der zeitabhängigen Folge an Datenpunkten abgetastet, um dadurch diskrete Datenpunkte zu ermitteln. Zur Ermittlung des Eingabevektors ist ein vorgegebener Zeitabschnitt vorgesehen, innerhalb dem eine vorgegebene Anzahl an Datenpunkte liegt. Dabei wird stets eine fest vorgegebene Anzahl an Datenpunkten, das heißt eine Folge oder Reihe an Datenpunkten vorgegebener Länge, für einen jeweiligen Eingabevektor verwendet. Vorzugsweise, jedoch nicht notwendigerweise, sind die Datenpunkte innerhalb des Zeitabschnitts äquidistant zu benachbarten Datenpunkten angeordnet.
In einer typischen Ausgestaltung wird bei dem iterativen Berechnen mit jedem Hinzufügen eines neu berechneten Datenpunktes zu der zeitabhängigen Folge an Datenpunkten der jeweils älteste Datenpunkt innerhalb der zeitabhängigen Folge an Datenpunkte herausgenommen, so dass der neu bereitgestellte Eingabevektor ohne diesen ältesten Datenpunkt vorgesehen ist. Auf diese Weise werden für das iterative Berechnen zukünftiger Datenpunkte stets die neuesten Datenpunkte zur Erzeugung des Eingabevektors verwendet.
In einer bevorzugten Ausgestaltung wird das iterative Berechnen von neuen Datenpunkten nach einer vorher vorgegebenen Anzahl an Iterationsschritten abgebrochen. Beispielsweise kann als Abbruchkriterium vorgesehen sein, dass die Anzahl der berechneten zukünftigen Datenpunkte kleiner ist als die für den Eingangsvektor bzw. für die Erzeugung und für das Training des Entscheidungsbaums verwendeten Datenpunkte einer Folge an Datenpunkten. Diesem Abbruchkriterium liegt die Erkenntnis zugrunde, dass eine Trendvorhersage nur für einen begrenzten Zeitbereich in die Zukunft getroffen werden kann. Dieser Zeitbereich sollte im Hinblick auf die Verlässlichkeit der Trendvorhersage ausreichend kleiner sein, als die für die Trendvorhersage zur Verfügung gestellten Messdaten. Zwar wäre grundsätzlich auch eine Trendvorhersage machbar, sofern die Anzahl der iterativ berechneten zukünftigen Datenpunkte und damit der zukünftige Zeitabschnitt größer ist als der zur Erzeugung des Entscheidungsbaums zur Verfügung stehende Zeitabschnitt des gemessenen Datensignals. Jedoch würde dann die Sicherheit für die Trendvorhersage absinken. Auch ist dies nur bei sich sehr träge verändernden Systemen sinnvoll. wenn ein bei der Berechnung eines nachfolgenden Datenpunktes ermittelter Fehler eine vorgegebene Schwelle überschreitet, abgebrochen wird. Zusätzlich oder alternativ wäre auch denkbar, dass das Abbruchkriterium dann gesetzt wird, wenn ein bei der Berechnung eines nachfolgenden Datenpunktes ermittelter Fehler eine vorgegebene Schwelle überschreitet, oder anders ausgedrückt, wenn die beim iterativen Berechnen eines nachfolgenden Datenpunktes ermittelte Sicherheit eine kritische Schwelle unterschreitet. Auf diese Weise kann sichergestellt werden, dass die während dem iterativen Berechnen ermittelten zukünftigen Datenpunkte mit hoher Sicherheit die zukünftigen Datenpunkte angeben.
In einer besonders bevorzugten Ausgestaltung wird beim iterativen Berechnen von nachfolgenden Datenpunkten eine solche Extrapolationsfunktion des Entscheidungsbaums für den neu berechneten Datenpunkt verwendet, für welche bezogen auf den verwendeten Eingabevektor den höchsten Wert aufweist.
In einer besonders bevorzugten Ausgestaltung erfolgt nach dem iterativen Berechnen eine Auswertung der unter Mithilfe des optimierten Entscheidungsbaums ermittelten nachfolgenden Datenpunkte. Insbesondere werden die so ermittelten zukünftigen Datenpunkte jeweils mit einem kritischen Schwellwert verglichen. Der kritische Schwellwert kann beispielsweise eine Warnschwelle darstellen, ab welcher beispielsweise eine der untersuchten Komponenten bzw. System entsprechende Aktion vorgenommen werden muss. Auf diese Weise lässt sich durch eine sehr einfache und insbesondere während dem Betrieb durchgeführte Analyse und Trendvorhersage eine sehr verlässliche Aussage dahingehend treffen, wann ein nächster Instandhaltungszyklus erforderlich ist. Es sind keine eigens dafür vorgesehenen, aufwändigen Analyse- und Auswertungsschritte erforderlich, da das erfindungsgemäße Verfahren vollautomatisch durchgeführt werden kann. Auch bietet das erfindungsgemäße Verfahren eine sehr hohe Sicherheit, je nachdem wie detailliert und genau die Entscheidungsbaumoptimierung und Auswertung der ermittelten Daten durchgeführt wird. Da das erfindungsgemäße Verfahren computergesteuert und vollautomatisch durchgeführt werden kann, lassen sich eine Vielzahl von Messdaten handhaben, so dass auch bei komplexen Systemen eine einfache und verlässliche Trendanalyse durchführbar ist.
Besonders bevorzugt ist das erfindungsgemäße Verfahren bei einem als Klimaanlage in einem Luft- und Raumfahrzeug ausgebildeten System anwendbar, bei dem als untersuchter physikalischer Parameter zum Beispiel eine von der Klimaanlage erzeugte Schwingung (Vibration oder Geräusch) gemessen wird. Dies ist insbesondere vorteilhaft, da solche Schwingungen sich zum Beispiel im Falle eines sich zunehmend verschmutzenden Rezirkulationsfilters typischerweise nur sehr langsam verändert und damit im Falle einer Veränderung der Schwingungscharakteristik eine sehr einfache Trendanalyse möglich ist. Diese Veränderung lässt sich durch eine in regelmäßigen Abständen durchgeführte Zustandsüberwachung einfach und verlässlich erkennbar. Ist beispielsweise ein Element der Klimaanlage, wie etwa der Rezirkulationsfilter oder der Lüfter defekt, äußert sich dies beispielsweise in Form einer Erhöhung der Vibrationen. Daraus lässt sich dann der Trend dieser Vibrationen ableiten. Die Erfindung sei allerdings nicht auf die Messung und Auswertung eines als Schwingungen ausgebildeten physikalischen Parameters beschränkt, sondern lässt sich beispielsweise auch auf andere physikalische Parameter, wie beispielsweise die Temperatur, das Gewicht, EMV-Abstrahlung, elektrische Ströme und Spannungen, etc. erweitert. Ist beispielsweise ein Element der Klimaanlage, wie etwa dessen Rezirkulationsfilter oder Lüfter, defekt, kann sich dies beispielsweise zusätzlich auch in Form einer Erhöhung der Temperatur äußern, die somit als Maß für den Zustand dieses Systems gemessen und ausgewertet werden kann.
In einer typischen Ausgestaltung wird für den Schritt der Bereitstellung eines optimierten Entscheidungsbaums zunächst ein Merkmalsvektor berechnet. Für die Berechnung des Merkmalsvektors sind Trainingsdaten und ein Parametersatz vorgesehen.
Vorzugsweise enthält der Parametersatz solche Parameter, die für die Erstellung des Merkmalsvektors erforderlich sind und die insbesondere zumindest einen der folgenden Parameter aufweist:

– eine Anzahl der für die Trendvorhersage verwendeten Datenpunkte einer Folge von Daten. Dieser erste Parameter definiert, wie viele Datenpunkte für die Trendanalyse des nachfolgenden Datenpunkts zumindest erforderlich sind.
– eine Berechnung des Gradienten der für die Trendvorhersage verwendeten Folge von Daten. Diese Berechnungsregel definiert, ob jeder Datenpunkt, jeder zweite Datenpunkt oder zum Beispiel lediglich der erste oder letzte Datenpunkt innerhalb des Zeitabschnitts der Folge von Datenpunkten zur Berechnung des Gradienten verwendet werden soll.
– eine Berechnung der Minimal- und/oder Maximalwerte der für die Trendvorhersage verwendeten Datenpunkte innerhalb des Zeitabschnitts der Folge von Datenpunkten.
– die für die Trendanalyse zur Verfügung stehenden Extrapolationsfunktionen. Dieser Parameter entscheidet, welche der verfügbaren Klassifikationen und damit Extrapolationsfunktionen für die Definition eines Datenpunktes verwendet werden sollen. Beispielsweise können hier eine Linearfunktion, eine sinusförmige Funktion, eine Exponentialfunktion, eine quadratische Funktion, etc. vorgesehen sein.

Zusätzlich oder alternativ wäre natürlich auch denkbar, andere Parameter für den vorgegebenen Parametersatz zu verwenden, wie etwa Wendepunkte eines vorgegebenen Abschnitts eines gemessenen Datensignals, deren Ableitung, ein sich bei der Berechnung der Datenpunkte ergebender Fehler, Korrekturwerte und dergleichen.
In einer bevorzugten Ausgestaltung werden für die Bereitstellung der Trainingsdaten eine physikalische Größe der zu untersuchenden Komponente bzw. des Systems gemessen. Aus dem so ermittelten Datenmesssignal können dann beispielsweise durch Abtastung Datenpunkte erzeugt werden. Durch Selektion einer vorgegebenen Anzahl an Datenpunkten aus diesen abgetasteten Datenpunkten kann dann die zeitabhängige Folge von Datenpunkten gebildet werden, die die für die Ermittlung der Trainingsdaten erforderliche Folge an Datenpunkten bilden.
Vorzugsweise werden anfangs, das heißt zu Beginn der Ermittlung des Merkmalsvektors, der zur Erzeugung eines Entscheidungsbaums vorgesehen ist, Zufallswerte als Parametersatz festgelegt. Dieser Parametersatz bestimmt die Berechnung des Merkmalsvektors. Unter Verwendung der Trainingsdaten und des Parametersatzes wird anschließend ausgehend von den Zufallswerten iterativ ein zunehmend optimierter Entscheidungsbaum solange berechnet, bis ein Fehler des Entscheidungsbaumes unter einen vorgegebenen Schwellenwert fällt. Insbesondere wird also solange ein Parametersatz optimiert, bis sich ein stabiler Wert ergibt. Ein stabiler Wert kann dann vorliegen, wenn sich beispielsweise der Parametersatz nicht mehr ändert. Man geht dann davon aus, dass dieser ermittelte und damit optimierte Parametersatz bezogen auf den Entscheidungsbaum und die Trainingsdaten optimiert ist. Der Parametersatz ändert sich typischerweise bei jeder Iteration der Optimierung, wobei typischerweise die Änderung mit zunehmender Iteration immer geringer wird. Das Abbruchkriterium, bei dem die Iteration zur Ermittlung des optimierten Parametersatzes abgeschlossen wird, hängt von den jeweils gewählten Abbruchkriterien ab. Beispielsweise kann als Abbruchkriterium auch eine höchste Genauigkeit bei dem verwendeten Optimierungsalgorithmus vorgesehen sein. Typischerweise, jedoch nicht notwendigerweise, wird als Optimierungsalgorithmus ein genetischer Algorithmus verwendet. Dieser ist sehr einfach implementierbar und zeigt vergleichsweise sehr gute Ergebnisse.
In einer vorteilhaften Ausgestaltung wird der Entscheidungsbaum unter Verwendung eines ID3 (Iterative Dichotomiser 3) Algorithmus oder C4.5 Algorithmus berechnet, wobei als Eingabevektor der im Rahmen der Optimierung des Parametersatzes berechnete optimierte Merkmalsvektor vorgesehen ist. Neben diesen Algorithmen wäre es auch denkbar, einen CART (Classification and Regression Trees) Algorithmus oder CHAID (Chisquare Automatic Interaction Detectors) Algorithmus zu verwenden. Der ID3 Algorithmus wird verwendet, wenn bei großer Datenmenge viele verschiedene Attribute von Bedeutung sind und deshalb ein Entscheidungsbaum ohne große Berechnungen generiert werden soll. Die aus einem ID3 Algorithmus erzeugten Entscheidungsbäume sind meist sehr einfach in deren Aufbau. Bei einem CART-Algorithmus können nur binäre Entscheidungsbäume erzeugt werden, das heißt, an jeder Verzweigung sind immer genau zwei Äste vorhanden. Das zentrale Element des CART-Algorithmus ist also das Finden einer optimalen binären Trennung. Der C4.5 Algorithmus verhält sich sehr ähnlich zum CART-Algorithmus, wobei beim C4.5 Algorithmus keine binäre Aufteilung erfolgen muss, sondern eine beliebige Anzahl von Verzweigungen eingebaut werden können, was für viele Anwendungen sehr vorteilhaft ist. Der Entscheidungsbaum des C4.5 Algorithmus wird dadurch breiter, er ist aber auch meist weniger tief. Dafür werden nach der ersten Klassifizierungen die nachfolgenden Aufsplittungen weniger bedeutungsvoll. Im Unterschied zu anderen Algorithmen wird bei dem CHAID-Algorithmus ein Wachsen des Entscheidungsbaumes gestoppt, bevor der Baum zu groß geworden ist.
Vorzugsweise wird der Entscheidungsbaum nach dessen Erzeugung anhand von eigens dafür vorgesehenen Lerndaten durch Iteration trainiert. Diese Lern- bzw. Trainingsphase des Entscheidungsbaum ist nicht notwendiger Weise vorgesehen, jedoch vorteilhaft. Die Lerndaten können grundsätzlich eine entsprechende Syntax wie die Trainingsdaten aufweisen, das heißt als Lerndaten können ebenfalls eine Anzahl von Datenpunkten verwendet werden, die beispielsweise durch Messung oder auch auf andere Weise ermittelt wurden und die eine zeitabhängige Folge von Datenpunkten enthalten.
In einer besonders bevorzugten Ausgestaltung wird beim erzeugen des Entscheidungsbaums neben der jeweils berechneten Extrapolationsfunktion auch ein Abweichungswert berechnet, der eine Information dahingehend liefert, inwieweit und wie stark der berechnete Datenpunkt von einem optimalen Wert abweicht. Diese zusätzliche Information ergibt damit eine Genauigkeit des ermittelten Datenpunktes. Addiert man die Abweichungswerte der zukünftigen Daten über die Iterationen ergibt sich daraus ein geschätzter Vorhersagefehler. Auf diese Weise lässt sich neben einer Trendvorhersage für zukünftige Datenpunkte auch eine Wahrscheinlichkeit bereitstellen, mit welcher diese zukünftig berechneten Datenpunkte korrekt berechnet wurden.
In einer bevorzugten Ausgestaltung ist die erfindungsgemäße Vorrichtung als elektronische Messbox und insbesondere als Temperatur- und/oder Schwingungsmessbox ausgebildet. Diese elektronische Messbox weist eine Schnittstelle auf, über welche die Messbox an der zu untersuchenden Komponente bzw. dem System anbringbar ist. Über die elektronische Messbox lassen sich somit die jeweils für die Trendvorhersage benötigten Daten und damit die entsprechende physikalische Messgröße durch direkte oder indirekte Messung ermitteln. Im Falle einer Temperaturmessung weist die elektronische Messbox beispielsweise einen als Temperatursensor ausgebildeten Sensor auf, der die Temperatur der zu untersuchenden Komponente bzw. dem System erfasst. Im Falle einer Vibration oder einer sonstigen Schwingung sind entsprechende Vibrations- bzw. Schwingungssensoren vorgesehen.
Die obigen Ausgestaltungen und Weiterbildungen lassen sich, sofern sinnvoll, beliebig miteinander kombinieren. Weitere mögliche Ausgestaltungen, Weiterbildungen und Implementierungen der Erfindung umfassen auch nicht explizit genannte Kombinationen von zuvor oder im Folgenden bezüglich der Ausführungsbeispiele beschriebenen Merkmale der Erfindung. Insbesondere wird dabei der Fachmann auch Einzelaspekte als Verbesserungen oder Ergänzungen zu der jeweiligen Grundform der vorliegenden Erfindung hinzufügen.
INHALTSANGABE DER ZEICHNUNG
Die vorliegende Erfindung wird nachfolgend anhand der in den schematischen Figuren der Zeichnungen angegebenen Ausführungsbeispiele näher erläutert. Es zeigen dabei:
1 ein Ablaufdiagramm zur Darstellung des Ablaufs eines ersten, allgemeinen Ausführungsbeispiels des erfindungsgemäßen Verfahrens;
2 ein Ablaufdiagramm zur Darstellung des Ablaufs eines zweiten, bevorzugten Ausführungsbeispiels des erfindungsgemäßen Verfahrens;
3 ein Blockschaltbild einer erfindungsgemäßen Vorrichtung.
Die beiliegenden Zeichnungen sollen ein weiteres Verständnis der Ausführungsformen der Erfindung vermitteln. Sie veranschaulichen Ausführungsformen und dienen im Zusammenhang mit der Beschreibung der Erklärung von Prinzipien und Konzepten der Erfindung. Andere Ausführungsformen und viele der genannten Vorteile ergeben sich im Hinblick auf die Zeichnungen. Die Elemente der Zeichnungen sind nicht notwendigerweise maßstabsgetreu zueinander gezeigt.
In den Figuren der Zeichnung sind gleiche, funktionsgleiche und gleich wirkende Elemente, Merkmale und Komponenten – sofern nichts Anderes ausführt ist – jeweils mit denselben Bezugszeichen versehen.
BESCHREIBUNG VON AUSFÜHRUNGSBEISPIELEN
1 zeigt ein Ablaufdiagramm zur Darstellung des Ablaufs eines ersten, allgemeinen Ausführungsbeispiel des erfindungsgemäßen Verfahrens.
Bei dem erfindungsgemäßen Verfahren handelt es sich um ein Verfahren zur Trennvorhersage des Verlaufs einer zeitabhängigen Folge von Datenpunkten. Es sei angenommen, dass mit dieser Trendvorhersage den Zustand eines Systems eines Flugzeugs und hier insbesondere der Klimaanlage ermittelt werden soll. Dieser Zustand soll aus einer von der Klimaanlage erzeugten Vibration der Klimaanlage oder alternativ auch aus der Temperatur der Klimaanlage abgeleitet werden..
In einem ersten Schritt S1 wird zunächst ein optimierter Entscheidungsbaum bereitgestellt. Die Erzeugung des optimierten Entscheidungsbaums wird nachfolgend mit Bezug auf 2 und 3 noch detailliert erläutert. In den Eingabeknoten (root node) wird ein geeignet gewählter Eingabevektor, der aus einer Folge aus Datenpunkten abgeleitet ist, eingegeben. Die Knoten des Entscheidungsbaum bezeichnen die Attribute des Eingabeknotens, beispielsweise die Datenpunkte eines jeweiligen Eingabevektors. Die Blätter repräsentieren jeweils eine Extrapolationsfunktion.
Als Eingabedaten für den Entscheidungsbaum können gemessene Datenpunkte verwenden werden, wie sie beispielsweise auch für die Erzeugung des Merkmalsvektors zur Erzeugung des Entscheidungsbaums verwendet wurden. Dabei können die Eingangsdaten für den Entscheidungsbaum auch in geeigneter Weise vorverarbeitet werden, beispielsweise indem lediglich entsprechende kennzeichnende Eingangsdaten verwendet werden.
In einem zweiten Schritt S2 werden dann anhand des optimierten Entscheidungsbaum zukünftige Datenpunkte berechnet. Die Berechnung erfolgt dadurch, dass ein Eingabevektor in dem Entscheidungsbaum eingegeben wird, wobei der Eingabevektor sich eine zeitabhängige Folge an gemessenen Datenpunkten enthält oder daraus abgeleitet ist. Der Entscheidungsbaum ermittelt daraus automatisiert einen dem letzten Datenpunkt der zeitabhängige Folge an gemessenen Datenpunkten nachfolgenden Datenpunkt. Dieser so berechnete nachfolgende Datenpunkt wird anschließend der zeitabhängigen Folge an Datenpunkten hinzugefügt, die dann wiederum zur Ermittlung eines neuen Eingangsvektors für den nächsten Iterationsschritt verwendet wird. Auf diese Weise werden iterativ weitere zukünftige Datenpunkte ermittelt.
2 zeigt ein Ablaufdiagramm zur Darstellung des Ablaufs eines zweiten, bevorzugten Ausführungsbeispiels des erfindungsgemäßen Verfahrens.
In einem ersten Schritt S11 wird zunächst ein Startparametersatz erzeugt, der zur Analyse der zeitabhängigen Folge an Datenpunkten vorgesehen ist. Als Parameter können verschiedene Parameter verwendet werden, die einen Einfluss auf die Erzeugung des Entscheidungsbaums haben können. Die Parameter werden typischerweise von dem Anwender festgelegt. Die dem Parametersatz zugeordneten Parameter können beispielsweise sein:

– Länge einer Datenreihe, d.h. Anzahl der für eine Trendvorhersage verwendeten Datenpunkte einer Datenreihe;
– Gradient der für die Trendvorhersage verwendeten Datenpunkte einer Datenreihe, z.B. eine Steigung zwischen zwei Datenpunkten, beispielsweise dem ersten und letzten Datenpunkt oder etwa auch beliebig anderen Datenpunkten;
– Minimal-/Maximalwerte der für die Trendvorhersage verwendeten Datenpunkte einer Datenreihe;
– Anzahl der für das Training eines Entscheidungsbaums vorgesehene Datenpunkte einer Folge von Daten;
– Länge einer zur Trendvorhersage benötigte Datenpunkte einer Folge von Daten Datenreihe;
– Anzahl und Art der im Entscheidungsbaum zur Klassifizierung verwendete Extrapolationsfunktionen.

Im ersten Schritt S11 können die im Startparametersatzes verwendeten Parameter zunächst beliebig gewählt werden, beispielsweise durch zufälliges Setzen eines Wertes für die jeweiligen Parameter. Diese Parameter werden in einem anschließenden, noch zu erläuternden Prozess unter Verwendung eines geeigneten Optimierungsalgorithmus optimiert.
In einem nächsten Schritt S12 werden zunächst eine oder mehrere Folge von Datenpunkten bereitgestellt. Die Folge von Datenpunkten können beispielsweise durch Messung einer physikalischen Messgröße, im vorliegenden Fall beispielsweise der Vibration, erzeugt werden. Liegt das gemessene Datensignal in Form eines zeitkontinuierlichen analogen Datenmesssignals vor, können die verschiedenen Datenpunkte zur Erzeugung der zeitabhängigen Folge von Datenpunkten beispielsweise durch Abtastung des Datenmesssignals erzeugt werden. Die so gewonnenen Datenmesspunkte liegen somit in diskreter Form vor.
In einem nachfolgenden Schritt S13 werden die so erzeugten zeitkontinuierlichen Datenpunkte zusammen mit den aus dem Schritt S11 bereitgestellten Parametersatz mit den anfänglichen zufälligen Parameterwerten einer Datenanalyse unterzogen. Bei dieser Datenanalyse können eine oder mehrere der folgenden Analyseschritte vorgenommen werden:
Es kann zunächst ein beliebiger Zeitabschnitt der ermittelten zeitkontinuierlichen Folge von Datenpunkten (nachfolgend auch als Datenabschnitt bezeichnet) selektiert werden. Dieser beliebiger Zeitabschnitt sollte jedoch eine definierte Länge, innerhalb dem eine vorgegebene Anzahl an Datenpunkten vorgesehen ist, aufweisen. Aus dem so selektierten Datenabschnitt des gemessenen Datensignals wird eine Interpolationsfunktion berechnet. Dieser Interpolationsfunktion kann zunächst eine beliebige Funktion sein. Typischerweise wird allerdings eine solche Interpolationsfunktion berechnet, die annähernd dem Verlauf des selektierten Datenabschnitts entspricht. Diese Interpolationsfunktion definiert eine Klassifikation des selektierten Datenabschnitt, welche später bei der Generierung des Entscheidungsbaums zur Festlegung einer Extrapolationsfunktion verwendet wird.
Zusätzlich oder alternativ wäre denkbar, dass am Anfang und am Ende des selektierten Datenabschnitts eine vordefinierte Anzahl von Datenpunkten entfernt wird. Der sich so ergebende Datenabschnitt kann anschließend auf geeignete Art und Weise, beispielsweise unter Verwendung bekannter Mechanismen, weiterverarbeitet und weiter ausgewertet werden. Beispielsweise wäre denkbar, dass neben der Berechnung der Interpolationsfunktion und damit der Klassifikation auch entsprechende Maximal- und Minimalwerte, Steigungen, und dergleichen berechnet werden.
Die so ermittelten Folge an Datenpunkten mit den zusätzlichen Klassifikationsinformationen, das heißt die der jeweiligen Folge an Datenpunkten zugeordnete Interpolationsfunktion, wird in einem nachfolgenden Schritt S14 zusammen mit dem Parametersatz optimiert. Bei dieser Optimierung können bekannte Optimierungsalgorithmen, beispielsweise ein genetischer Algorithmus, verwendet werden.
Solche genetische Algorithmen bezeichnen Algorithmen, die auch nicht analytisch lösbare Probleme behandeln können, indem sie wiederholt verschiedene Lösungsvorschläge generieren. Bei diesen wiederholten Lösungsvorschlägen, das heißt den Optimierungsschritten, verändern diese die jeweiligen Eingangsdaten und kombinieren diese miteinander, um eine Auslese zu erzielen. Als Ausgangsdaten werden Lösungsvorschläge für die nachfolgend verwendeten Eingangsdaten ermittelt, die mit zunehmender Iteration und Optimierung den gestellten Anforderungen immer besser entsprechen. Solche genetische Algorithmen sind heuristische Optimierungsverfahren und gehören zu den evolutionären Algorithmen. Sie werden vor allem für solche Problemstellungen eingesetzt, für die eine geschlossene Lösung nicht oder nicht effizient berechnet werden kann. Statt genetischer Algorithmen wären auch ein memetischer Algorithmus zur Optimierung denkbar. Allerdings sind genetische Algorithmen die einfachsten evolutionären Optimierungsverfahren, die auch sehr schnell zu implementieren sind und auf neue Probleme anpassbar sind.
Bei jeder Iteration wird ein so genannter Merkmalsvektor erzeugt, der bezogen auf die Datenpunkte des Datenabschnitts eine Interpolationsfunktion bzw. allgemein eine Klassifikationsinformation sowie entsprechende optimierte Parameterwerte des Parametersatzes enthalten. Dieser Merkmalsvektor ändert sich typischerweise bei jeder Iteration und damit bei jedem Optimierungsschritt. Mit zunehmender Iteration und damit mit zunehmendem Durchlaufen der Optimierung S14 ergeben sich für die eingangs gewählten Datenpunkte innerhalb des Datenabschnitts optimierte Klassifikationsinformationen, das heißt eine optimierte Interpolationsfunktion, sowie optimierte Parameterwerte des Parametersatzes.
Dieser Optimierungsalgorithmus S14 wird solange durchgeführt, bis ein Abbruchkriterium erreicht ist. Als Abbruchkriterium im Schritt S15 kann beispielsweise vorgesehen sein, dass die durch Optimierung erzeugten Parameter des Parametersatzes sowie die ermittelte Interpolationsfunktion einen stabilen Wert erreicht hat, der beispielsweise seinen Wert nicht mehr ändert. Denkbar wäre auch, wenn ein berechneter Fehler unter einen bestimmten vorgegebenen Wert fällt. Typischerweise hängt das Abbruchkriterium auch von dem verwendeten Optimierungsalgorithmus ab. Beispielsweise kann innerhalb des Optimierungsalgorithmus vorgesehen sein, dass eine maximale Genauigkeit angestrebt ist. Ist diese maximale Genauigkeit bei der Optimierung erreicht, kann der Abbruch der Optimierung festgelegt sein.
Anschließend wird im Schritt S16 in bekannter Weise der Entscheidungsbaum generiert. Für die Erzeugung des Entscheidungsbaums wird ein an sich bekannter Algorithmus, wie beispielsweise der ID3-Algorithmus oder C4.5-Algorithmus, verwendet. Zur Erzeugung des Entscheidungsbaums wird der im Schritt S14 erzeugte optimierte Merkmalsvektor verwendet, der also für die eingangs verwendete Folge von Datenpunkten eine jeweilige Klassifikationsinformation und entsprechende Parameterwerte enthält. Es wird so ein Entscheidungsbaum erzeugt, dessen Blätter eine Extrapolationsfunktion beinhalten. Die Knoten des Entscheidungsbaums beinhalten die Attribute des Merkmalsvektors, also die von den Datenpunkten des zu untersuchenden Datenabschnitts abgeleitete Information.
In einem nachfolgenden Verfahrensschritt S17 kann der so generierte Entscheidungsbaum anhand von Lern- oder Testdaten trainiert werden. Auf diese Weise kann der erzeugte Entscheidungsbaum weiter verfeinert werden.
Im Anschluss daran wird im Schritt S18 eine Trendvorhersage durchgeführt. Bei der Trendvorhersage wird ein Entscheidungsbaum, wie er beispielsweise im Schritt S17, oder etwa auch ohne Lernzyklus im Schritt S16, ermittelt wurde, verwendet. Als Eingangsvektor für den Entscheidungsbaum wird im Schritt S18 eine Folge von Datenpunkten, also ein Datenabschnitt, bereitgestellt.
Der für die Trendvorhersage verwendete Datenabschnitt wird in einem vorherigen Schritt S19 ermittelt und in geeigneter Weise vorverarbeitet. Dabei kann eine physikalische Messgröße gemessen werden, beispielsweise die von der Klimaanlage eines Flugzeugs erzeugten Vibrationen. Aus diesem gemessenen Datensignal können in regelmäßigen Abständen entsprechende Datenmesspunkte ermittelt werden, die für die Trendvorhersage als Eingangssignal verwendet werden. Eine vorgegebene Anzahl von derart ermittelten Datenpunkten bilden zum Zwecke der Trendvorhersage den Eingangsvektor für den Entscheidungsbaum.
Die Trendvorhersage im Schritt S18 kann analog zu den bereits anhand von 1 dargestellten Mechanismen erfolgen. Bei dieser Trendvorhersage wird der Eingangsvektor in den Entscheidungsbaum eingekoppelt. Ausgehend davon durch den Entscheidungsbaum die am besten geeignete Extrapolationsfunktion ausgewählt, die dann zur Berechnung des nächsten Datenmesspunkt verwendet wird. Der so berechnete und damit vorhergesagte Datenmesspunkt wird anschließend wieder als letzter Datenmesspunkt für die Bildung eines neuen Eingangsvektors verwendet. Anschließend wird auf der Basis des so geänderten Eingangsvektors in gleicher Weise wiederum ein neuer Datenmesspunkt ermittelt. Dies erfolgt solange, bis eine Abbruchbedingung im Schritt S20 den Abbruch der Trendvorhersage bestimmt.
Anschließend wird im Schritt S21 eine Auswertung der so ermittelten zukünftigen Datenmesspunkte vorgenommen. Im Rahmen dieser Auswertung kann beispielsweise vorgesehen sein, dass ein Vergleich des Werts der ermittelten Datenmesspunkte mit einem vorgegebenen Schwellwert erfolgt. Übersteigt beispielsweise ein oder mehrere der so ermittelten zukünftigen Datenmesspunkte einen vorgegebenen Schwellwert (oder unterschreitet diesen), dann können daraus Rückschlüsse über den Zustand der Klimaanlage getroffen werden. Im konkreten Falle kann beispielsweise vorgesehen sein, dass die ermittelten zukünftige Vibrationswerte mit einer vorgegebenen Vibrationsschwelle verglichen werden. Überschreitet die durch Trendvorhersage ermittelten zukünftigen Vibrationswerte diese Vibrationsschwelle, kann man auf ein zunehmend sich verschlechternden Zustand, der sich zum Beispiel in einem Erhitzen der Klimaanlage äußert, schließen. Da als zusätzliche Information auch bekannt ist, zu welchem zukünftigen Zeitpunkt dieses Überschreiten der kritischen Vibrationsschwelle und damit das Erhitzen der Klimaanlage erreicht sein wird, kann daraus auch eine Information gewonnen werden, wann dieser Zustand erreicht wird. Auf diese Weise ist es in sehr vorteilhafter Weise möglich, die entsprechenden Wartungs- und Instandhaltungsintervalle eben exakt auf die Notwendigkeiten, die durch Trendvorhersage ermittelt werden, abzustimmen. Insbesondere lässt sich dann bereits sehr frühzeitig, beispielsweise noch vor Antritt eines nächsten Abflugs des Flugzeugs und vorzugsweise sogar einige Tage vorher bestimmen, wann die nächste Wartung bzw. Instandhaltung erforderlich ist.
3 zeigt ein Blockschaltbild ein erfindungsgemäßen Vorrichtung. Die erfindungsgemäße Vorrichtung, die hier mit Bezugszeichen 10 bezeichnet ist, sei eine Messbox zur Ermittlung und Auswertung der Vibration einer Komponente oder eines Systems eines Flugzeugs. Bei diesem System handelt es sich im vorliegenden Ausführungsbeispiel um die Klimaanlage 11 eines Flugzeugs.
Im gezeigten Beispiel ist die erfindungsgemäße Messbox 10 in direktem Kontakt mit der Klimaanlage 11 und hier insbesondere mit einem vibrationsrelevanten Bereich der Klimaanlage 11 angeordnet. Die erfindungsgemäße Messbox 10 weist eine Messeinrichtung 12, einen Speicher 13 sowie eine Rechen- und Auswerteeinrichtung 14 auf. Die Messeinrichtung 12 ist im gezeigten Beispiel als Vibrationssensor ausgebildet. Dieser Vibrationssensor 12 ist dazu ausgelegt, im vibrationsrelevanten Bereich der Klimaanlage 11 eine Vibration zu messen, um daraus in bereits vorher erläuterter Weise eine zeitabhängige Folge von Datenpunkten zu ermitteln. Diese zeitabhängige Folge von Datenpunkten kann zunächst in einem Speicher abgelegt werden. Mittels der Rechen- und Auswerteeinrichtung 14 wird beispielsweise unter Verwendung eines anhand der 1 und 2 näher beschriebenen Verfahrens ein optimierter Entscheidungsbaum erzeugt. Ferner kann mittels der Rechen- und Auswerteeinrichtung 14 und anhand des erzeugten optimierten Entscheidungsbaums eine Trendvorhersage im Hinblick auf die von der Messeinrichtung 12 ermittelten zeitabhängigen Folge von Datenpunkten berechnet werden.
Obwohl die vorliegende Erfindung vorstehend anhand bevorzugter Ausführungsbeispiele vollständig beschrieben wurde, ist sie darauf nicht beschränkt, sondern auf vielfältige Art und Weise modifizierbar.
So soll die vorliegende Erfindung nicht notwendiger Weise auf die Anwendung in einem Luft- und Raumfahrzeug beschränkt sein, wenngleich die Erfindung besonders bevorzugt bei Passagierflugzeugen eingesetzt wird. Insbesondere ist sie dort besonders vorteilhaft, um die kurzen Standzeiten zwischen Landung und Start effektiv für Wartungs- und Installationsarbeiten nutzen zu können. Allerdings versteht es sich von selbst, dass die vorliegende Erfindung natürlich auch bei anderen Anwendungen, beispielsweise bei Schiffen, Bussen, Eisenbahnen und dergleichen anwendbar ist. Insbesondere auch bei Anwendung in der Kraftfahrzeugtechnik wäre die vorliegende Erfindung besonders bevorzugt.
Auch sei die Erfindung nicht notwendiger Weise für die Trendvorhersage von aus der Vibrationsmessung ermittelten Datenpunkten einsetzbar. Neben der Temperatur als physikalische Größe für die Trendvorhersage wären – wie bereits erwähnt – auch andere Messparameter, wie etwa die Temperatur oder etwa auch akustische Schwingungen (Geräusche) und dergleichen vorteilhaft verwendbar.
Neben den erwähnten Algorithmen zur Erzeugung des Entscheidungsbaums bzw. zur Datenoptimierung wären selbstverständlich auch andere Algorithmen vorteilhaft einsetzbar.
Es versteht sich darüber hinaus von selbst, dass die angegebenen Zahlenangaben lediglich der besseren Anschaulichkeit dienen, jedoch die Erfindung nicht dahingehend einschränken sollen.
Auch versteht es sich von selbst, dass in den vorstehenden Ausführungsbeispielen lediglich bevorzugte Ausführungsbeispiele erläutert wurden, die allerdings auf mannigfaltige Art und Weise verändert oder modifiziert werden können. Beispielsweise wäre bei dem Verfahren zur Trendvorhersage, welches oben anhand der 2 erläutert wurde, auch denkbar, auf diverse Verfahrensschritte zu verzichten, wie etwa auf Abbruchbedingungen oder Abbruchschritte, Lern- oder Trainingsschritte und dergleichen, oder weitere Verfahrensschritte einzufügen.
Bezugszeichenliste

10: erfindungsgemäße Vorrichtung, Messbox
11: zu untersuchende Komponente oder System, Klimaanlage
12: Messeinrichtung, Vibrationssensor
13: Speicher
14: Rechen- und Auswerteeinrichtung
S1, S2: Verfahrensschritte
S10–S21: Verfahrensschritte

ZITATE ENTHALTEN IN DER BESCHREIBUNG
Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
Zitierte Patentliteratur

US 2011/0040470 A1 [0004]

Claims

Computerimplementiertes Verfahren zur Vorhersage des Zustands einer Komponente oder eines Systems (11), insbesondere für ein Luft- und Raumfahrzeug, durch Trendvorhersage des Verlaufs einer zeitabhängigen Folge von an der Komponente bzw. dem System (11) durch Messung ermittelten Datenpunkten, mit den Schritten: Bereitstellen (S1) eines optimierten Entscheidungsbaums, dessen Eingabeknoten zur Eingabe eines Eingabevektors vorgesehen ist, dessen Knoten die Attribute des jeweiligen Eingabevektors beinhalten und dessen Blätter jeweils eine für die Trendvorhersage vorgesehene Extrapolationsfunktion beinhalten; Iteratives Berechnen (S2) von zukünftigen Datenpunkten, indem aus einer zeitabhängigen Folge an Datenpunkten ein Eingabevektor abgeleitet wird und der Entscheidungsbaum aus dem Eingabevektor automatisiert einen dem letzten Datenpunkt der zeitabhängigen Folge von Datenpunkten nachfolgenden Datenpunkt berechnet, wobei der berechnete nachfolgende Datenpunkt der zeitabhängigen Folge an Datenpunkten hinzugefügt wird, um zur Bildung eines neuen Eingabevektors für den nächsten Iterationsschritt verwendet zu werden.
Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass vor dem iterativen Berechnen (S2) zunächst zumindest ein Eingabevektor bereitgestellt wird, der aus einer zeitabhängigen Folge an Datenpunkten vorgegebener Länge abgeleitet wird, wobei die Datenpunkte eine gemessene physikalische Größe der Komponente bzw. des Systems repräsentieren.
Verfahren nach einem der vorherigen Ansprüche, dadurch gekennzeichnet, dass beim iterativen Berechnen (S2) mit dem Hinzufügen des neu berechneten Datenpunkts zu der zeitabhängigen Folge an Datenpunkten der jeweils älteste Datenpunkt herausfällt.
Verfahren nach einem der vorherigen Ansprüche, dadurch gekennzeichnet, dass das iterative Berechnen (S2) von neuen Datenpunkten nach einer vorgegebenen Anzahl an Iterationsschritten und/oder, wenn ein bei der Berechnung eines nachfolgenden Datenpunktes ermittelter Fehler eine vorgegebene Schwelle überschreitet, abgebrochen wird.
Verfahren nach einem der vorherigen Ansprüche, dadurch gekennzeichnet, dass beim iterativen Berechnen (S2) von nachfolgenden Datenpunkten eine solche Extrapolationsfunktion des Entscheidungsbaums für den neu berechneten Datenpunkt verwendet wird, für welchen bezogen auf den verwendeten Eingabevektor ein neu berechneter Datenpunkt den höchsten Wert aufweist.
Verfahren nach einem der vorherigen Ansprüche, dadurch gekennzeichnet, dass nach dem iterativen Berechnen (S2) eine Auswertung der ermittelten nachfolgenden Datenpunkte vorgenommen wird, insbesondere indem die ermittelten nachfolgenden Datenpunkte mit einem kritischen Schwellenwert verglichen werden.
Verfahren nach einem der vorherigen Ansprüche, dadurch gekennzeichnet, dass als physikalischer Parameter die Temperatur der Komponente bzw. des Systems und/oder eine von der Komponente bzw. dem System erzeugte Schwingung gemessen wird, wobei das Systems insbesondere eine Klimaanlage im Luft- und Raumfahrzeugs ist.
Verfahren nach einem der vorherigen Ansprüche, dadurch gekennzeichnet, dass für die Bereitstellung (S1) eines optimierten Entscheidungsbaums zunächst ein Merkmalsvektor berechnet wird, der aus Trainingsdaten und einem Parametersatz ermittelt wird.
Verfahren nach Anspruch 8, dadurch gekennzeichnet, dass der Parametersatz solche Parameter beinhaltet, die für die Erstellung des Entscheidungsbaums erforderlich sind und die insbesondere zumindest einen der folgenden Parameter umfasst: – eine Anzahl der für eine Trendvorhersage verwendeten Datenpunkte einer Folge von Daten; – Berechnung des Gradienten der für die Trendvorhersage verwendeten Folge von Daten; – Berechnung der Minimal-/Maximalwerte der für die Trendvorhersage verwendeten Datenpunkte einer Folge von Daten; – Zur Verfügung stehende Extrapolationsfunktion einer Folge von Daten.
Verfahren nach einem der Ansprüche 8 oder 9, dadurch gekennzeichnet, dass für die Bereitstellung der Trainingsdaten eine physikalische Größe der Komponente bzw. des Systems gemessen wird und aus dem so ermittelten Datensignal durch Abtastung eine vorgegebene Anzahl an Datenpunkten erzeugt wird, welche die zeitabhängigen Folge von Datenpunkten bilden.
Verfahren nach einem der Ansprüche 8 bis 10, dadurch gekennzeichnet, dass für den Parametersatz anfangs Zufallswerte festgelegt werden und dass unter Verwendung der Trainingsdaten und des Parametersatzes iterativ ein zunehmend optimierter Merkmalsvektor und Entscheidungsbaums solange berechnet wird, bis ein Fehler des optimierten Entscheidungsbaumes unter einen vorgegeben Schwellenwert fällt.
Verfahren nach einem der vorherigen Ansprüche, dadurch gekennzeichnet, dass der Entscheidungsbaum unter Verwendung eines ID3 Algorithmus oder C4.5 Algorithmus berechnet wird, wobei als Eingabevektor zur Ermittlung des Entscheidungsbaum der im Rahmen der Optimierung des Parametersatzes optimierte Merkmalsvektor vorgesehen ist.
Verfahren nach einem der vorherigen Ansprüche, dadurch gekennzeichnet, dass beim iterativen Berechnen (S2) von zukünftigen Datenpunkten neben dem jeweils berechneten zukünftigen Datenpunkt auch ein Fehlerwert berechnet wird, inwieweit der berechnete Datenpunkt von einem optimalen Wert abweicht.
Vorrichtung (10) zur Vorhersage des Zustands einer Komponente oder eines Systems (11), insbesondere für ein Luft- und Raumfahrzeug, insbesondere unter Verwendung eines Verfahrens nach einem der vorherigen Ansprüche, mit einer Messeinrichtung (12), die dazu ausgelegt ist, zur Erzeugung einer zeitabhängige Folge von Datenpunkten eine physikalische Messgröße an der Komponente bzw. dem System zu messen; mit einem Speicher (13), in welchem zumindest eine zeitabhängige Folge von Datenpunkten ablegbar ist; mit einer Rechen- und Auswerteeinrichtung (14), die dazu ausgelegt ist, anhand zumindest einer der zeitabhängigen Folgen von Datenpunkten einen optimierten Entscheidungsbaum zu erzeugen und anhand des so erzeugten Entscheidungsbaums eine Trendvorhersage vorzunehmen.
Computerprogrammprodukt, in welchem ein Computerprogramm abgespeichert ist, welches dazu ausgebildet ist, ein Verfahren nach einem der Ansprüche 1 bis 13 auszuführen.