JP2016224913A - ホストシステムの人工知能ベース正常性管理 - Google Patents

Abstract

【課題】複合システムの効果的な正常性管理を行う。
【解決手段】正常性管理システム２１０は、複数の命令を保存しているメモリー２１４と、メモリーに接続されたニューラルネットワークコントローラー２１２と、を含んでいる。ニューラルネットワークコントローラーは、複数の命令によって、リアルタイムで生成された複数のユニークパターンをモニタリングするよう設定されている。複数のシステムパラメーターは、ホストシステム２３０のシステムレベル性能を示す。ニューラルネットワークコントローラーは、複数の命令によって、複数のユニークパターンと、複数のシステムパラメーターに対応する複数の所定のパターンとを比較し、ホストシステム内の１つ以上の潜在的な異常と、ホストシステム内の１つ以上の潜在的な異常の寄与原因となる複数のサブシステムの少なくとも１つの欠陥のあるサブシステムとを検出するよう設定されている。
【選択図】図２

Description

関連出願への相互参照および優先権
本出願は、２０１５年５月２７日にインド国へ出願されたインド国仮出願第２０６６／ＭＵＭ／２０１５（発明の名称：診断および予想正常性管理のためのシステムおよび方法）に基づく優先権を主張する。

本発明は、一般的に、正常性管理（health management）に関し、より具体的には、ホストシステムの人工知能（ＡＩ）ベース診断および予想正常性管理（artificial intelligence based diagnostic and prognostic health management of host systems）のための方法およびシステムに関する。

技術の進歩によって、クローズドループ／クローズな相互作用（closed-loop/close-interaction）において動作するマルチドメイン（多領域）の「メカトロニクス（mechatronics）」システムが開発されている。このようなシステムの例としては、車両システム、航空機システム、自動車システム、タービンエンジン等が挙げられる。今日において開発されているこのようなシステムは複合的（複雑）であり、任意の重要なシステムコンポーネントの欠陥は、壊滅的なシステム欠陥（システム障害）を引き起こし得るため、このようなシステムの正常性管理は、複数の課題を提起している。よって、このようなマルチドメイン複合システムの正常性管理は、非常に重要である。

これらの複合システムの効果的な正常性管理は、システムの全てのコンポーネントのモニタリングを必要とする。しかしながら、現在利用可能な統合正常性管理システム（integrated health management systems）を用いて複合システム／機械のコンポーネントまたはサブシステムのそれぞれをモニタリングすることは、コストが高いか、不適切である。例えば、これらの複合システムの正常性管理のための従来システムは、センサーベースのアプローチを採用しており、該アプローチでは、区別可能な複数のセンサーが、個々のコンポーネントまたはサブシステムをモニタリングするために配備されている。追加的または代替的に、従来の正常性管理システムは、リアルタイムではなく、さらに、大部分は、オンボート（基盤搭載）ではないオフラインのビックデータ分析または状態ベースのメンテナンス（condition based maintenance）に従っている。このような技術は、センサーデータを情報源（ソース）として利用し、さらに、サブシステムレベルに密に接続されている。複合システムでは、システムがより複合的（複雑）になるに伴い、センサーの数が増加する。そのため、モニタリングのために、より多くの要素を有する従来の正常性管理システムを読み込むことになる。さらに、従来の正常性管理システムは、純粋にハードウェアベースのアプローチを提供しており、そのため、厳密にリアルタイムな複合システム（hard real-time complex system）によるリアルタイム制限セット（real time constraints set）を満足することが困難である。

以下の記述は、本発明の基本的な理解を提供するために、本発明のいくつかの実施形態の簡略化された要約を提供するものである。この概要は、実施形態の詳細な概観ではない。本概要は、本発明の重要／決定的な要素を特定、または本発明の範囲を正確に記述するよう意図されたものではない。本概要の唯一つの目的は、以下に提供されるより詳細な記述の前置きとして、簡略化された形式で、いくつかの実施形態を提供することにある。

上述の事項を参照し、実施形態の１つにおいて、ホストシステムの人工知能ベース正常性管理のための方法およびシステムが提供される。１つの様態において、ホストシステムの人工知能ベース正常性管理のためのコンピューター実施方法は、正常性管理システムによる複合ホストシステムの診断および予想を含む。実施形態の１つにおいて、本方法は、メモリーと、該メモリーに接続されたニューラルネットワークコントローラー（neural network controller）とを有する正常性管理システムを設定する工程（provisioning）を含む。メモリーは、複数の命令と、複数のサブシステムの通常動作状態および複数のサブシステムの１つ以上のサブシステムの複数の異常動作状態におけるホストシステムのシステムレベル性能を示す複数の所定のパターンとを保存するよう構成されている。さらに、本方法は、リアルタイムで生成された複数のユニークパターンをモニタリングする工程を含む。ここで、複数のユニークパターンは、ホストシステムの複数のシステムパラメーターのセットに関連付けられた複数の応答を含んでいる。複数のシステムパラメーターのセットは、リアルタイムのホストシステムのシステムレベル性能を示している。さらに、本方法は、複数のユニークパターンと、複数のシステムパラメーターのセットに対応する複数の所定のパターンと比較する工程を含む。さらに、本方法は、比較に基づいて、ホストシステム内の１つ以上の潜在的な異常と、複数のサブシステムの少なくとも１つの欠陥のあるサブシステムとを検出する工程を含む。少なくとも１つの欠陥のあるサブシステムは、ホストシステム内の１つ以上の潜在的な異常の寄与原因となる。

異なる様態において、ホストシステムの診断および予想のための正常性管理システムが提供される。ホストシステムは、複数のサブシステムを含む。正常性管理システムは、メモリーと、該メモリーに接続されたニューラルネットワークコントローラーとを含む。メモリーは、複数の命令と、複数のサブシステムの通常動作状態および複数のサブシステムの１つ以上のサブシステムの複数の異常動作状態におけるホストシステムのシステムレベル性能を示す複数の所定のパターンとを保存している。ニューラルネットワークコントローラーは、複数の命令によって、リアルタイムで生成された複数のユニークパターンをモニタリングするよう設定されている。ここで、複数のユニークパターンは、ホストシステムの複数のシステムパラメーターのセットに関連付けられた複数の応答を含んでいる。複数のシステムパラメーターのセットは、リアルタイムのホストシステムのシステムレベル性能を示している。さらに、ニューラルネットワークコントローラーは、複数の命令によって、複数のユニークパターンと、複数のシステムパラメーターのセットに対応する複数の所定のパターンと比較するよう設定されている。さらに、ニューラルネットワークコントローラーは、複数の命令によって、比較に基づいて、ホストシステム内の１つ以上の潜在的な異常と、複数のサブシステムの少なくとも１つの欠陥のあるサブシステムとを検出するよう設定されている。少なくとも１つの欠陥のあるサブシステムは、ホストシステム内の１つ以上の潜在的な異常の寄与原因となる。

さらに異なる様態において、ホストシステムの診断および予想のための方法を実行するためのコンピュータープログラムを、その内部に有する非一時的コンピューター可読媒体（non-transitory computer-readable medium）が提供される。実施形態の１つにおいて、本方法は、メモリーと、該メモリーに接続されたニューラルネットワークコントローラーとを有する正常性管理システムを設定する工程を含む。メモリーは、複数の命令と、複数のサブシステムの通常動作状態および複数のサブシステムの１つ以上のサブシステムの複数の異常動作状態におけるホストシステムのシステムレベル性能を示す複数の所定のパターンとを保存するよう構成されている。さらに、本方法は、リアルタイムで生成された複数のユニークパターンをモニタリングする工程を含む。ここで、複数のユニークパターンは、ホストシステムの複数のシステムパラメーターのセットに関連付けられた複数の応答を含んでいる。複数のシステムパラメーターのセットは、リアルタイムのホストシステムのシステムレベル性能を示している。さらに、本方法は、複数のユニークパターンと、複数のシステムパラメーターのセットに対応する複数の所定のパターンと比較する工程を含む。さらに、本方法は、比較に基づいて、ホストシステム内の１つ以上の潜在的な異常と、複数のサブシステムの少なくとも１つの欠陥のあるサブシステムとを検出する工程を含む。少なくとも１つの欠陥のあるサブシステムは、ホストシステム内の１つ以上の潜在的な異常の寄与原因となる。

添付の図面を参照して詳細な説明が記述される。各図面中において、参照番号の左端の桁の数字は、その参照番号が最初に現れる図面の番号を特定している。各図面において、同様の特徴およびモジュールに対して、一貫して同じ参照番号が用いられている。

図１Ａ〜１Ｃは、例示的な実施形態に係る通常状態および異常状況の間の例示的なホストシステムの応答を示す図である。

図２は、例示的な実施形態に係るホストシステムの正常性をモニタリングするための人工知能（ＡＩ）ベース正常性管理システムの実施を示す図である。

図３は、例示的な実施形態に係るＡＩベース正常性管理システムのブロック図である。

図４は、例示的な実施形態に係るホストシステムの正常性管理のための例示的な方法のフローチャートである。

図５Ａは、例示的な実施形態に係る通常状況および異常動作状態におけるＡＩベース正常性管理システムのスクリーンショットをそれぞれ示す図である。 図５Ｂは、例示的な実施形態に係る通常状況および異常動作状態におけるＡＩベース正常性管理システムのスクリーンショットをそれぞれ示す図である。

本分野における当業者であれば、本発明の原理を具体化する図示のシステムおよびデバイスの概念図を表す任意のブロック図を適切に理解できるであろう。同様に、任意のフローチャート、フロー図等が、コンピューター可読媒体において実質的に表され、（明示的に示された、または、示されていない）コンピューターまたはプロセッサーによって実行される様々な処理を表すことは適切に理解されるであろう。

本発明、並びに、その様々な特徴および利点の詳細は、添付の図面に示され、以下の詳細な説明に詳細に述べられた非限定的な実施形態を参照して、より十分に説明される。ここで用いられる実施例は、本発明を実施可能とし、さらに、本分野における当業者が本発明を実施することを可能とするような本発明に対する理解を容易にするためのものにすぎない。したがって、実施例は、本発明の範囲を限定するものとして解されるべきではない。

本発明の方法およびシステムは、ここに記述される特定の実施形態に限定されない。さらに、本発明の方法およびシステムは、ここに記述されるその他のモジュールおよび方法とは独立および別々に実施可能である。各デバイス要素／モジュールおよび方法は、他の要素／モジュールおよび他の方法と組み合わせて用いることもできる。

ホストシステムの人工知能（ＡＩ）ベース正常性管理のためのシステムおよび方法を実施するための手法が、図１〜図５Ｂを参照して、詳細に説明される。記述されるホストシステムのＡＩベース正常性管理のための方法およびシステムの様態は、任意の数の異なるシステム、使用環境、および／または設定において実施可能であるが、実施形態は、以下の例示的なシステムの文脈において記述される。

ここで、ホストシステムは、複合システムであってもよい。複合システムは、膨大な数のコンポーネント／サブシステムを含み、そのため、複合システムにおける複数の欠陥（障害）の診断および／または予想は、困難な課題である。複合システムの例としては、車両システム、航空機システム、自動車システム、タービンエンジンシステム等が挙げられる。複数の異なるサブシステム欠陥は、同一の応答となり得るため、個々の欠陥のあるサブコンポーネントを選り分けることが非常に困難である。そのため、サブシステムレベルの欠陥のためのこのような複合システムのモニタリングは、様々な課題を提起している。様々な欠陥状態に対する複数のシステム応答を有する複合ホストシステムの例が、図１Ａ〜図１Ｃを参照して説明される。

図１Ａ〜図１Ｃは、例示的な実施形態に係る通常状況および異常状況の間の例示的な複合ホストシステム１１０の応答を示している。実施形態において、「通常状況（normal scenario）」または「通常状態（normal condition）」は、システム応答が予期されたとおりになっていると判別される状況を意味する。また、「異常応答（abnormal response）」または「異常状態（abnormal condition）」は、システム応答が予期された応答から逸脱している状況である。換言すれば、異常応答は、１つ以上のシステムコンポーネントまたはサブシステムにおける欠陥状態（faulty conditions）によって生成される。

ホストシステム１１０は、コンポーネント１１２、１１４、１１６のような複数のコンポーネント／サブシステムを含む。また、ホストシステム１１０は、マルチ入力・マルチ出力システム（multi-input multi-output system）を含み、そのため、入力１１８、１２０、１２２のような複数の入力を受信し、さらに、出力１２４、１２６、１２８、１３０のような複数の出力を提供するよう構成されている。通常応答状況の間、ホストシステムの応答は、図１Ａに図示されているように、許容可能範囲／制限内に収まるようになっている。しかしながら、図１Ｂおよび図１Ｃに図示されている異常応答状況の間、ホストシステム１１０の応答は、特定の制限内に収まらない。ここで、ホストシステムの応答は、複数のシステムパラメーターに対応して生成される複数のユニークパターンを含み、さらに、ホストシステムの応答は、ホストシステムのシステムレベル性能を示すものである。

異常応答状況の間、複数の異なるサブシステム欠陥は、同一の応答となり得るため、個々の欠陥のあるサブコンポーネントを選り分けることが非常に困難である。しかしながら、追加的なシステム性能は、任意の複数のシステム欠陥のために、応答全体における特定の「特異性（uniqueness）」を有するより多くの洞察（insights）を提供可能である。例えば、異常システム性能の図１Ｂおよび図１Ｃの応答の分析は、複数の異なるサブシステム欠陥の複数の特定の「ユニークシグネチャー（unique signatures）」または「ユニークパターン（unique patterns）」を示すことができる。例えば、図１Ｂでは、システムコンポーネント１１６に欠陥があり、図１Ｃでは、システムコンポーネント１１４に欠陥がある。よって、対応するシステム応答１５０および１６０は、各サブシステムにユニークな、異なるシグネチャーをそれぞれ示す。そのため、これらの異なるシグネチャーは、「ユニーク」シグネチャーと称される。これらの「ユニーク」シグネチャーの特定は、処理オーバーヘッド（processing overhead）による厳密なリアルタイム制限（hard real-time constraint）となり得る。リアルタイムでこれらのユニークシグネチャーの「特定（identification）」を実行することにより、リアルタイムでの複合ホストシステムの正常性管理を容易とする様々な実施形態がここに提供される。開示される実施形態は、各欠陥を検出するための複数の物理センサーに依存することなく、リアルタムでの上述のユニークシグネチャーの「特定」を容易にすることを留意されたし。

ここに記述される様々な例示的な実施形態は、リアルタイムでホストシステムの正常性をモニタリングするための正常性管理システムを開示する。ホストシステムの正常性管理は、複数のサブシステムの複数のシステムレベル応答をモニタリングすることにより、システムの様々なサブシステム／コンポーネントの正常性ステータスを導出することを容易にすることができる。システムレベル応答全体に基づいて、例えば、特徴抽出方法を用いて、様々な区別可能な特徴が導出され得る。これらの特徴は、その後、判断決定フレームワーク（decision making frameworks）に送られ、システムの正常性が判断される。実施形態の１つにおいて、判断決定フレームワークは、ニューラルネットワーク（ＮＮ：Neural Networks）を用いて実施される。実施形態の１つにおいて、正常性管理システムは、ニューラルネットワークベースコントローラー（または、ニューラルネットワークコントローラー）を含む。ニューラルネットワークベースコントローラーは、複数のサブシステム欠陥による様々な異常性能状況および通常性能状況のシステム応答の複数のユニークパターンを認識／検出し、さらに、システムレベル欠陥を引き起こす欠陥のあるコンポーネントを特定するようトレーニングされている。ホストシステムの正常性管理システムの例示的な実施が、図２を参照してさらに記述される。

図２は、例示的な実施形態に係るホストシステム２３０の正常性をモニタリングするためのＡＩベース正常性管理システム２１０の実施を示している。ホストシステム２３０の例としては、これに限定されるものではないが、車両システム、航空機、自動車、タービンエンジン等が挙げられる。実施形態の１つにおいて、ホストシステム２３０は、複数のサブシステム（または、複数のサブコンポーネント）を含む。実施形態の１つにおいて、複数のサブシステム（または、複数のシステムコンポーネント）の１つ以上のサブシステムが欠陥を有し得、ホストシステム２３０全体の正常性に影響を与え得る。このような状況を回避するため、正常性管理システム２１０は、ホストシステム２３０からシステム応答２４０を受信し、さらに、ホストシステム２３０のリアルタイム診断および予想正常性管理を提供するよう構成されている。ここで、システム応答２４０は、ホストシステム２３０のシステムレベル性能を示すものである。

正常性管理システム２１０は、プロセッサー２１２のような少なくとも１つのプロセッサーと、メモリー２１４のような少なくとも１つのメモリーと、ユーザーインターフェース２１６とを含む、または、これらと接続されている。プロセッサー２１２、メモリー２１４、およびユーザーインターフェース２１６は、システムバス２１８のようなシステムバスまたは同様の機構によって接続されている。図２は、正常性管理システム２１０の例示的なコンポーネントを示しているが、他の実施においては、正常性管理システム２１０は、これにより少ないコンポーネント、追加的なコンポーネント、異なるコンポーネント、または図２の示されたコンポーネントとは異なって配置されたコンポーネントを含んでいてもよい。

プロセッサー２１２は、回路実施、特に、正常性管理システム２１０の演算および制御機能に関連する論理機能を含む。例えば、ニューラルネットワークコントローラー２１２は、これに限定されるものではないが、１つ以上のデジタル信号プロセッサー（ＤＳＰｓ）、１つ以上のマイクロプロセッサー、１つ以上の特殊用途コンピューターチップ、１つ以上のフィールドプログラマブルゲートアレイ（ＦＰＧＡｓ）、１つ以上の特定用途向け集積回路（ＡＳＩＣｓ）、１つ以上のコンピューター、様々なアナログ−デジタルコンバーター、デジタル−アナログコンバーター、および／またはその他のサポート回路を含む。ニューラルネットワークコントローラーの例としては、これに限定されるものではないが、Ｒａｓｐｂｅｒｒｙ Ｐｉ（登録商標）コントローラー、Ａｒｄｕｉｎｏ（登録商標）コントローラー等を含む。また、プロセッサー２１２は、メッセージおよび／またはデータ、または情報を暗号化（エンコード）する機能を含んでいてもよい。プロセッサー２１２は、特に、プロセッサー２１２の動作をサポートするよう構成されたクロック、演算論理ユニット（ＡＬＵ）、および論理ゲートを含んでいてもよい。さらに、プロセッサー２１２は、メモリー２１４またはプロセッサー２１２がアクセス可能な他の媒体内に保存された１つ以上のソフトウェアプログラムを実行する機能を含んでいてもよい。

メモリー２１４は、正常性管理システム２１０の機能を実施するために正常性管理システム２１０によって用いられる任意の数の情報およびデータを保存している。メモリー２１４は、例えば、揮発性メモリーおよび／または不揮発性メモリーを含む。揮発性メモリーの例としては、これに限定されるものではないが、揮発性ランダムアクセスメモリー（ＲＡＭ）が挙げられる。不揮発性メモリーは、追加的または代替的に、電気的消去可能プログラム可能リードオンリーメモリー（ＥＥＰＲＯＭ）、フラッシュメモリー、ハードドライブ等を含む。メモリー２１４は、正常性管理システム２１０が、様々な例示的な実施形態に係る様々な機能を実行可能とするための情報、データ、アプリケーション、命令等を保存するよう構成されていてもよい。非揮発性メモリーのいくつかの例としては、これに限定されるものではないが、ハードディスク、磁気テープ、光ディスク、プログラム可能リードオンリーメモリー、消去可能プログラム可能リードオンリーメモリー、電気的消去可能プログラム可能リードオンリーメモリー、フラッシュメモリー等が挙げられる。メモリー２１４は、システム２００が、様々な例示的な実施形態に係る様々な機能を実行可能とするための情報、データ、アプリケーション、命令等を保存するよう構成されていてもよい。追加的または代替的に、メモリー２１４は、プロセッサー２１２によって実行されたときに、正常性管理システム２１０を様々な実施形態において記述されたような様態で動作を実行させる複数の命令を保存するよう構成されていてもよい。例えば、メモリー２１４は、システムレベル応答２４０に基づいて、異常状態を特定する特定モジュール２２０を含んでいてもよい。さらに、メモリー２１４は、システム応答内の観測可能な異常性（observable abnormality）に繋がり得る欠陥のあるコンポーネント／サブシステム（根本原因）を特定する検出モジュール２２２を含んでいてもよい。

ユーザーインターフェース２０６は、リンガー（ringer：携帯電話等に内蔵されている音声を発生させるデバイス）、イヤホンやスピーカー、マイク、ディスプレイのような出力インターフェースと、入力インターフェースとを含む。入力インターフェースは、正常性管理システムにおける複数の欠陥状況をシミュレーションするためのユーザー入力の表示（indication of a user input）を受信するよう構成されている。入力インターフェースの例としては、これに限定されるものではないが、キーボード、マウス、ジョイスティック、キーパッド、タッチスクリーン、ソフトキー等が挙げられる。出力ユーザーインターフェースは、シミュレーションに基づいて、ユーザーに、音声、映像、機械的、またはその他の出力、および／またはフィードバックを提供する。出力インターフェースの例としては、これに限定されるものではないが、ディスプレイ、マイク、スピーカー、リンガー、振動素子等が挙げられる。例示的な実施形態の１つにおいて、ユーザーインターフェース２１６は、他のデバイスまたは要素の中でも特に、スピーカー、マイク、ディスプレイ、キーボード、タッチスクリーン等のうちの任意のもの、または全てを含んでいてもよい。ユーザーインターフェース２１６は、プロセッサー２１２と接続されている。なお、例えば、プロセッサー２１２は、ユーザーインターフェース２１６の１つ以上の要素の少なくともいくつかの機能を制御するよう構成されたユーザーインターフェース回路を含んでいてもよい。プロセッサー２１２および／またはプロセッサー２１２を含むユーザーインターフェース回路は、複数のコンピュータープログラム命令（例えば、プロセッサー２１２によってアクセス可能なメモリー２１４のようなメモリー等に保存されているソフトウェアおよび／またはファームウェア）を用いて、ユーザーインターフェース２１６の１つ以上の要素の１つ以上の機能を制御するよう構成されていてもよい。ユーザーインターフェース２１６は、システム動作、車両の動作、および／またはホストシステム２３０のような他のシステムの動作との間の通信を可能とする。

例示的な実施形態の１つにおいて、メモリー２１４および正常性管理システム２１０（以下、システム２１０と称する）の他のコンポーネントと協働するプロセッサー２１２は、ホストシステム２３０の１つ以上の欠陥のあるサブシステムを特定するよう構成されている。実施形態の１つにおいて、ホストシステム２３０の欠陥のあるサブシステムは、ホストシステム２３０のシステムレベル性能／応答２４０をモニタリングすることにより、特定される。ホストシステム２３０の状態は、診断管理に基づいて判別される。システムレベル応答の診断管理は、正常性管理システム２１０のニューラルネットワークコントローラー（または、プロセッサー）２１２によって実行されてもよい。ここで、コントローラーは、人工知能コントローラーである。

メモリー２１４およびシステム２１０の他のコンポーネントと協働するプロセッサー２１２は、システムレベル応答２４０に基づいて、任意の異常動作状態を検出するよう構成されている。さらに、プロセッサー２１２は、システム応答における観測可能な異常性に繋がり得る欠陥のあるコンポーネントまたはサブシステム（根本原因）を特定するよう構成されている。プロセッサー２１２によって実行される診断管理は、過去の性能知識（past performance knowledge）に適用される観測されたシステム状態および／または特定の期間に渡って構築された専門知識に基づく。実施形態の１つにおいて、メモリー２１４およびシステム２１０の他のコンポーネントと協働するプロセッサー２１２は、リアルタイムで生成されたホストシステムのシステムレベル性能／応答２４０に関連付けられた複数のユニークパターンをモニタリングするよう構成されている。実施形態の１つにおいて、複数のユニークパターンは、ホストシステム２３０の複数のシステムパラメーターのセットに関連付けられた複数の応答を含む。ここで、複数のシステムパラメーターは、１つ以上の入力パラメーター、制御パラメーター、フィードバックパラメーター、出力パラメーター等を含む。ここで、複数のシステムパラメーターのセットは、ホストシステムの複数のシステムパラメーターのサブセットのみを含み、さらに、開示されたシステムである本発明の様々な実施形態の重要な特徴（key feature）は、複数のシステムパラメーターのセットにのみ基づいて（さらに、複数のシステムパラメーターには基づかず）生成されたシステムレベル応答の判別によって、ホストシステム内の１つ以上の欠陥のあるサブシステム／潜在的な異常を判別可能であることに注目すべきである。したがって、開示のシステムは、計算的に効率のよい手法で、ホストシステムの正常性を効果的に管理することができる。

実施形態の１つにおいて、メモリー２１４およびシステム２１０の他のコンポーネントと協働するプロセッサー２１２は、複数のユニークパターンと、複数のシステムパラメーターに対応する複数の所定のパターンとを比較し、ホストシステム内の１つ以上の潜在的な異常と、ホストシステム内の複数の潜在的な異常の寄与原因となる少なくとも１つの欠陥のあるサブシステムとを検出するよう構成されている。ここで、複数の所定のパターンは、ニューラルネットワークモデルをトレーニングすることにより事前設定される。

実施形態の１つにおいて、メモリー２１４およびシステム２１０の他のコンポーネントと協働するプロセッサー２１２は、トレーニングデータを取得することにより、複数の所定のパターンを事前設定する。トレーニングデータは、複数のサブシステムの通常動作状態および複数の異常動作状態におけるシステムレベル性能を含んでいる。実施形態の１つにおいて、メモリー２１４およびシステム２１０の他のコンポーネントと協働するプロセッサー２１２は、トレーニングデータから、複数の特徴ベクトルを抽出するようさらに構成されている。実施形態の１つにおいて、複数の特徴ベクトルは、ホストシステム内の１つ以上の異常を示す複数の所定のパターンを表す。さらに、複数の所定のパターンは、異常または潜在的な異常に関連付けられた欠陥のあるサブシステムも示す。

実施形態の１つにおいて、メモリー２１４およびシステム２１０の他のコンポーネントと協働するプロセッサー２１２は、複数の特徴ベクトルに基づいて、人工知能モデル（例えば、ニューラルネットワークモデル）をトレーニングし、１つ以上の潜在的な異常の寄与原因となる１つ以上の対応するサブシステムに応じて（サブシステムに従って）、１つ以上の異常を分類するよう構成されている。正常性管理システム２１０の様々なモジュールの詳細な機能モデルが、図３を参照して、さらに図示および説明される。

図３は、例示的な実施形態に係る人工知能ベース正常性管理システム３００のブロック図を示している。人工知能ベース正常性管理システム３００は、以下、システム３００と称される。システム３００は、正常性管理システム２１０（図２）の１例である。実施形態の１つにおいて、システム３００は、ホストシステムの複数のシステムレベル応答のモニタリングに基づいて、ホストシステムの複数のサブシステムの正常性ステータスを導出するよう構成されている。さらに、システム３００は、特徴抽出方法を用いて、システムレベル応答全体から、複数の区別可能な特徴を導出するよう構成されている。さらに、システムは、上述の複数の特徴を、判断決定フレームワークに提供するよう構成されている。ここで、判断決定フレームワークは、従来のアルゴリズムベースアプローチでは対応困難であり、非常に重要な観測されていないケース（unseen cases）の診断に対して適用可能となるように、ホストシステムを学習し、さらに、モデルを一般化（generalize）するよう構成されたＡＩモデルを含んでいてもよい。実施形態の１つにおいて、判断決定フレームワークは、ニューラルネットワーク（ＮＮ）を用いて実施されていてもよい。機能ブロック図３００は、正常性管理システムの様々な機能モデルを示している。

ブロック３０２において、通常状況および異常状況のシステム性能がシミュレーションされ、さらに、応答（例えば、図２のシステム応答２４０）が取得および処理される。実施形態の１つにおいて、シミュレーションデータは、正常性管理システムのトレーニングに利用される。通常応答および異常応答の描写（pictorial depiction）は、既に図１を参照して説明されている。実施形態の１つにおいて、データ取得は、異常応答の検出および特定を容易にする。ここで、「検出」は、多くの動作状態を処理するドメイン経験およびトレーニング（システム欠陥モードおよびその効果）に基づいて、ホストシステムの通常性能および異常性能を区別する能力を意味する。「特定」は、システム応答内のそのような観測可能な異常性に繋がり得る欠陥のあるコンポーネント（根本原因）を特定する能力を意味する。

実施形態の１つにおいて、異常応答の検出および欠陥のあるサブシステムの特定は、様々なサブシステムの複数の欠陥モードをシミュレーションし、さらに、様々な通常状態および異常状態におけるシステム応答を生成することにより実行することができる。トレーニングデータは、正常性管理システムのトレーニングに用いられる。システム内の様々な欠陥の影響を学習するために、システムの複製（レプリカ）または参照システム（参照システム３２０のようなもの）が構築される。システムの複製または参照システムでは、それぞれ異なる欠陥状況を、システム応答の分析のために導入可能となっている。実施形態の１つにおいて、複数の欠陥シナリオを、欠陥モデル３３０のような欠陥モデルによって導入することができる。参照システム３２０および欠陥モデル３３０の双方のシステムレベル出力は、特定の時間スケール窓（specified window of time scale）内において、連続的に取得、および事前処理され、複数のユニーク信号が処理可能となるよう、データ内の複数の傾向（trends）が取り除かれる。

ブロック３０４において、データからの複数の特徴（または、複数の特徴ベクトル）が、正常性管理システムのトレーニングに用いることができるように抽出される。実施形態の１つにおいて、様々な統計および信号処理機能がデータに対して適用され、複数の特徴が抽出される。これらの特徴ベクトルは、様々な欠陥状況用に分析され得る複数のユニークパターンまたはシグネチャーを表している。複数の特徴ベクトルは、ニューラルネットワークモデルへの入力として用いられ、さらに、ドメイン知識（domain knowledge）を利用することによって、関連付けられた根本原因に従って、複数の欠陥を分類するようトレーニングされる。広範囲にわたってトレーニングされ、一般化（generalization）が達成されると、ネットワークは、目的のハードウェア上に配備され、リアルタイムで複数の信号を受け付ける。例示的な実施形態の１つにおいて、特徴抽出モジュールは、特徴抽出のための複数のアルゴリズムを実行してもよい。このようなアルゴリズムの例としては、これに限定されるものではないが、二乗平均平方根（RMS: Root Mean Square）、短時間フーリエ変換（STFT: Short Time Fourier Transform）、平均、分散、高速フーリエ変換（FFT）、離散ウェーブレット変換（DWT）、離散時間フーリエ変換（DTFT）、スペクトル等が挙げられる。

ブロック３０６において、複数の特徴ベクトルが、ニューラルネットワークのような人工知能ネットワークに入力される。人工知能ネットワークは、ドメイン知識を利用することによって、関連付けられた根本原因に応じて、複数の欠陥のある状況／欠陥を分類するようトレーニングされている。トレーニングされると、人工知能ネットワークは、未来の時系列を予測する動作中のシステムと共に、ハードウェア上に配備され得る。事前に設計された欠陥分類人工知能ネットワークが時間予測ニューラルネットワーク（time predictive neural network）に適用され、発生し得る異常だけでなく、欠陥に寄与し得るコンポーネントまたはサブシステム内の複数のコンポーネントが識別される。ここで、正常性管理システムは、ニューラルネットワークのような人工知能ネットワークの強度（strengths）を利用し、従来のアルゴリズムベースアプローチでは対処が困難であり、非常に重要な観測されていないケースの診断に対して適用可能となるように、ホストシステムが学習され、さらに、モデルが一般化される。

ブロック３４０において、人工知能ネットワークによって実行される複数の欠陥状況／欠陥の分類の出力が、ユーザーインターフェース（例えば、正常性管理システムのＵＩ２１６）において提供される。正常性管理システムのユーザーインターフェースを示す例示的なスクリーンショットが図５Ａおよび図５Ｂを参照して、さらに説明される。

図４は、例示的な実施形態に係るホストシステムの正常性管理のための例示的な方法のフローチャート４００を示している。４０２において、ホストシステムの複数のシステムパラメーターに関連付けられた複数の応答を含む複数のユニークパターンが、モニタリングされる。複数のユニークパターンは、リアルタイムで生成されてもよい。複数のシステムパラメーターは、ホストシステムのシステムレベル性能を示す。実施形態の１つにおいて、システム（例えば、システム２００／３００）は、複数のユニークパターンをモニタリングする。

４０４において、本方法は、複数のユニークパターンと、複数のシステムパラメーターに対応する複数の所定のパターンとを比較し、ホストシステム内の１つ以上の潜在的な異常と、複数のサブシステムの少なくとも１つの欠陥のあるサブシステムとを検出する工程を含む。実施形態の１つにおいて、複数の所定のパターンは、（図３を参照して説明されたように）トレーニングデータによるニューラルネットワークベースコントローラーのトレーニングに基づいて、取得される。実施形態の１つにおいて、トレーニングデータは、ホストの様々な通常状態および複数の異常状態におけるシステムレベル応答に関連して取得される。取得されたデータは、正常性管理システム（特に、正常性管理システムのコントローラー）のトレーニングに用いられる。例示的な実施形態の１つにおいて、システム内の様々な欠陥の影響を学習するため、システムの複製が作成される。システムの複製では、複数の異なる欠陥状況を、システム応答の分析のために導入可能となっている。参照モデルおよび欠陥導入モデル（fault introduced model）の双方のシステムレベル出力は、特定の時間スケール窓内において連続的に取得、および事前処理され、複数のユニーク信号が処理可能となるよう、データ内の複数の傾向が取り除かれる。さらに、複数の特徴（または、複数の特徴ベクトル）が、取得されたデータから抽出される。実施形態の１つにおいて、統計および信号処理機能が、データに対して適用され、複数の特徴が抽出される。複数の特徴は、様々な欠陥状況のために分析される複数のシグネチャーを表す。複数の抽出された特徴ベクトルは、ニューラルネットワークへの複数の入力として用いられ、ニューラルネットワークは、ドメイン知識を利用することによって、関連付けられた根本原因に応じて、複数の欠陥を分類するようトレーニングされる。実施形態の１つにおいて、ニューラルネットワークは、様々な欠陥シグネチャーのパターン認識のためにトレーニングされる。トレーニングされたニューラルネットワークは、動作中のシステムと共に、ハードウェア上に配備され、ホストシステム内の複数の潜在的な異常と、ホストシステム内の１つ以上の潜在的な異常の寄与原因となる複数の欠陥のあるサブシステムを特定可能である。

図５Ａおよび図５Ｂは、例示的な実施形態に係る複数の通常状況および複数の異常状況のそれぞれにおける正常性管理システムの例示的なスクリーンショットを示している。ここで、図５Ａおよび図５Ｂに示されたスクリーンショットは、オンボードフライトシステムのようなホストシステムの欠陥モードシミュレーションのグラフィックユーザーインターフェース（ＧＵＩ）を示している。

図５Ａおよび図５Ｂに示されているように、ＧＵＩは、シミュレーション設定、参照モデルからのフライト性能逸脱（flight performance deviations）、および全体のシステム正常性をそれぞれ表示するウインドウ５０２、５０４、５０６のような複数のウインドウを含んでいる。ウインドウ５０２は、様々なシミュレーションパラメーターを入力するためのインターフェースを提供する。

通常状況の間、ウインドウ５０４は、逸脱が存在しない複数の平坦な応答を示す。また、全体のシステム正常性を示すウインドウ５０６は、「全てのシステムが正常です」のようなステータスを提供する。しかしながら、異常状況の間、図５Ｂに示されているように、ウインドウ５０４は、逸脱を有する複数の応答を示す。また、全体のシステム正常性を示すウインドウ５０６は、特定のシステムコンポーネント／サブシステムの欠陥に関連するステータスを提供する。例えば、欠陥状況の場合、ダッシュボードは、ウインドウ５０６内の警告を点滅させることにより、根本原因について、ユーザー／パイロットに警告してもよい。警告は、様々な実施形態の範囲を限定することなく、任意の既知の技術／方法によって提供することができることは理解されるであろう。

例示的な状況において、複数の制御アクチュエーターおよびセンサーは、フライトの間に欠陥が発生し得る複数の候補サブシステムとして選択されてもよい。一般的に、これらのサブシステムにおける欠陥は、マニホールド（連結管）等の内部の油圧油の漏れ／破損などの理由によるものであり、応答速度、減衰係数等のような複数の性能パラメーターの動的変化の原因となる。これらのパラメーターを、設計トレランス（design tolerance）を越えて変動させることにより、複数の欠陥が、正常性管理システム内においてシミュレーションされる。シミュレーションは、非リアルタイム環境において実行されるので、フライトのいくつかの特定の時間において複数の欠陥が発生するよう、プログラムされる。

本発明の様々な実施形態によって、ホストシステムの正常性管理のための方法およびシステムが提供された。例えば、様々な実施形態は、システム全体のシステムレベル応答の制限されたセットのみを観測し、システムの非常に重要なサブコンポーネントの全ての欠陥動作の理解を提供するための方法を提供する。本方法は、既存のホストシステムのように、より多くのパラメーターを学習するために、複数の追加的なセンサーが必要となることを回避する。さらに、本方法は、動作中のシステムと協働して動作し、サブシステムレベルのコンポーネントに対する診断および予想を実行するオンボードシステムを作成することを目的とする。

上記の記述は、本分野における当業者が本発明を実施および使用することを可能とするために、本発明を説明するものである。本発明の範囲は、特許請求の範囲によって規定され、本分野における当業者が想到し得るその他の変形例を含む。そのようなその他の変形例が特許請求の範囲の文言と変わらない同等の要素を有するか、特許請求の範囲の文言と実質的に変わらない同等の要素を含んでいるのであれば、そのようなその他の変形例は、特許請求の範囲の権利範囲内に含まれる。

しかしながら、本発明による保護範囲は、メッセージを有するコンピューター可読手段に加え、プログラムにも及ぶことは理解されるであろう。そのようなコンピューター可読記憶媒体は、サーバー、携帯デバイス、または任意の適切なプログラム可能デバイス上でプログラムが実行されたとき、本発明の方法の１つ以上の工程を実施するプログラムコード手段（program-code means）を含む。ハードウェアデバイスは、例えば、サーバー、パーソナルコンピューター等、または、これらの組み合わせの任意の種類のコンピューターを含む任意の種類のプログラム可能なデバイスであってもよい。また、デバイスは、例えば、ハードウェア手段（例えば、特定用途向け集積回路（ＡＳＩＣ）、フィールドプログラマブルゲートアレイ（ＦＰＧＡ））、ハードウェア手段およびソフトウェア手段の組み合わせ（例えば、ＡＳＩＣおよびＦＰＧＡ）、少なくとも１つのマイクロプロセッサー、および、ソフトウェアモジュールが内部に保存されている少なくとも１つのメモリーのような手段を含む。よって、手段は、ハードウェア手段と、ソフトウェア手段の双方を含む。本発明の方法は、ハードウェアおよびソフトウェアにおいて実施可能である。また、デバイスは、ソフトウェア手段を含んでいてもよい。代替的に、本発明は、複数の異なるハードウェアデバイス、例えば、複数のＣＰＵを用いて、実施されていてもよい。

本発明は、ハードウェア要素と、ソフトウェア要素とを含むことができる。本発明は、ソフトウェアにおいて実施することができ、これに限定されるものではないが、ファームウェア、常駐ソフトウェア、マイクロコード等を含む。ここに説明された様々なモジュールによって実行される機能は、他のモジュールや他のモジュールの組み合わせにおいて実施されてもよい。説明の目的のため、コンピューター使用可能またはコンピューター可読媒体は、命令実行システム、装置、またはデバイスによって使用可能またはこれらに関連したプログラムを含み、保存し、通信し、伝播し、または伝送可能な任意の装置であってもよい。

上記の記述が、様々な実施形態を参照して提供された。本発明の属する分野および技術における当業者であれば、記述された構造および動作方法における変形および変更が、本発明の原理、考え方、および範囲から有意に逸脱することなく、実行可能であることを理解できるであろう。

Claims (15)

1. 複数のサブシステムを有するホストシステムの診断および予想のための正常性管理システムであって、
   複数の命令および複数の所定のパターンを保存しているメモリーと、
   前記メモリーに接続されたニューラルネットワークコントローラーと、を含み、
   前記ニューラルネットワークコントローラーは、前記複数の命令によって、
   リアルタイムの前記ホストシステムのシステムレベル性能を示す前記ホストシステムの複数のシステムパラメーターのセットに関連付けられた複数の応答を含む、リアルタイムで生成された複数のユニークパターンをモニタリングし、
   前記複数のユニークパターンと、前記複数のシステムパラメーターのセットに対応する前記複数の所定のパターンとを比較し、
   前記比較に基づいて、前記ホストシステム内の１つ以上の潜在的な異常と、前記ホストシステム内の前記１つ以上の潜在的な異常の寄与原因となる前記複数のサブシステムの少なくとも１つの欠陥のあるサブシステムとを検出するよう設定されていることを特徴とする正常性管理システム。
2. 前記複数の所定のパターンは、前記複数のサブシステムの通常動作状態および前記複数のサブシステムの１つ以上のサブシステムの複数の異常動作状態における前記ホストシステムの前記システムレベル性能を示す請求項１に記載の正常性管理システム。
3. 前記ニューラルネットワークコントローラーは、前記複数の命令によって、前記複数の所定のパターンを事前設定するよう、さらに設定されており、
   前記ニューラルネットワークコントローラーは、前記複数の所定のパターンを事前設定するため、前記複数の命令によって、
   前記複数のサブシステムの前記通常動作状態および前記複数のサブシステムの前記１つ以上のサブシステムの前記複数の異常動作状態における前記ホストシステムの前記システムレベル性能を含むトレーニングデータを取得し、
   前記トレーニングデータから、前記ホストシステム内の前記１つ以上の潜在的な異常を示す前記複数の所定のパターンを表す複数の特徴ベクトルを抽出するよう設定されている請求項２に記載の正常性管理システム。
4. 前記ニューラルネットワークコントローラーは、前記複数の命令によって、前記１つ以上の潜在的な異常の寄与原因となる前記少なくとも１つの欠陥のあるサブシステムに応じて、前記１つ以上の潜在的な異常を分類するよう、前記複数の特徴ベクトルに基づいて、ニューラルネットワークモデルをトレーニングするよう、さらに設定されている請求項３に記載の正常性管理システム。
5. 前記ニューラルネットワークコントローラーは、前記トレーニングデータを取得するため、前記複数の命令によって、
   前記複数のサブシステムの前記通常動作状態および前記複数の異常動作状態をシミュレーションし、
   前記通常動作状態および前記複数の異常動作状態における前記システムレベル性能を生成するよう、さらに設定されている請求項３に記載の正常性管理システム。
6. 前記ニューラルネットワークコントローラーは、前記通常動作状態および前記複数の異常動作状態をシミュレーションするため、前記複数の命令によって、
   参照モデルおよび欠陥導入モデルから、前記システムレベル性能を、特定の時間スケール窓内において連続的に取得し、
   前記複数の応答を事前処理し、前記トレーニングデータ内の複数の傾向を取り除くよう、さらに設定されており、
   前記参照モデルは、前記通常動作状態のモデル化を含み、
   前記欠陥導入モデルは、前記複数のサブシステムの前記複数の異常動作状態のモデル化を含む請求項５に記載の正常性管理システム。
7. 前記ホストシステムは、航空機システム、自動車システム、タービンシステム、およびエンジンシステムのいずれか１つを含む請求項１に記載の正常性管理システム。
8. 正常性管理システムによる、複数のサブシステムを有するホストシステムの正常性管理のためのコンピューター実施方法であって、
   複数の命令および複数の所定のパターンを保存しているメモリーと、該メモリーに接続されたニューラルネットワークコントローラーと、を含む前記正常性管理システムを設定する工程と、
   前記ニューラルネットワークコントローラーによって、リアルタイムの前記ホストシステムのシステムレベル性能を示す前記ホストシステムの複数のシステムパラメーターのセットに関連付けられた複数の応答を含む、リアルタイムで生成された複数のユニークパターンをモニタリングする工程と、
   前記ニューラルネットワークコントローラーによって、前記複数のユニークパターンと、前記複数のシステムパラメーターのセットに対応する前記複数の所定のパターンとを比較する工程と、
   前記ニューラルネットワークコントローラーによって、前記比較に基づいて、前記ホストシステム内の１つ以上の潜在的な異常と、前記ホストシステム内の前記１つ以上の潜在的な異常の寄与原因となる前記複数のサブシステムの少なくとも１つの欠陥のあるサブシステムとを検出する工程と、を含むことを特徴とする方法。
9. 前記複数の所定のパターンは、前記複数のサブシステムの通常動作状態および前記複数のサブシステムの１つ以上のサブシステムの複数の異常動作状態における前記ホストシステムの前記システムレベル性能を示す請求項８に記載の方法。
10. 前記複数の所定のパターンを事前設定する工程をさらに含み、
    前記複数の所定のパターンを事前設定する工程は、
    前記複数のサブシステムの前記通常動作状態および前記複数のサブシステムの前記１つ以上のサブシステムの前記複数の異常動作状態における前記ホストシステムの前記システムレベル性能を含むトレーニングデータを取得する工程と、
    前記トレーニングデータから、前記ホストシステム内の前記１つ以上の潜在的な異常を示す前記複数の所定のパターンを表す複数の特徴ベクトルを抽出する工程と、を含む請求項９に記載の方法。
11. 前記１つ以上の潜在的な異常の寄与原因となる前記少なくとも１つの欠陥のあるサブシステムに応じて、前記１つ以上の潜在的な異常を分類するよう、前記複数の特徴ベクトルに基づいて、ニューラルネットワークモデルをトレーニングする工程をさらに含む請求項１０に記載の方法。
12. 前記トレーニングデータを取得する工程は、
    前記複数のサブシステムの前記通常動作状態および前記複数の異常動作状態をシミュレーションする工程と、
    前記通常動作状態および前記複数の異常動作状態における前記システムレベル性能を生成する工程と、を含む請求項１０に記載の方法。
13. 前記複数のサブシステムの前記通常動作状態および前記１つ以上のサブシステムの前記複数の異常動作状態をシミュレーションする工程は、
    参照モデルおよび欠陥導入モデルから、前記システムレベル性能を、特定の時間スケール窓内において連続的に取得する工程と、
    前記複数の応答を事前処理し、前記トレーニングデータ内の複数の傾向を取り除く工程と、を含み、
    前記参照モデルは、前記通常動作状態のモデル化を含み、
    前記欠陥導入モデルは、前記複数のサブシステムの前記複数の異常動作状態のモデル化を含む請求項１２に記載の方法。
14. 前記ホストシステムは、航空機システム、自動車システム、タービンシステム、およびエンジンシステムのいずれか１つを含む請求項８に記載の方法。
15. 正常性管理システムによる、複数のサブシステムを有するホストシステムの正常性管理のための方法を実行するためのコンピュータープログラムをその内部に有する非一時的コンピューター可読媒体であって、
    前記正常性管理システムは、複数の命令および複数の所定のパターンを保存しているメモリーと、該メモリーに接続されたニューラルネットワークコントローラーと、を含み、
    前記方法は、
    リアルタイムの前記ホストシステムのシステムレベル性能を示す前記ホストシステムの複数のシステムパラメーターのセットに関連付けられた複数の応答を含む、リアルタイムで生成された複数のユニークパターンをモニタリングする工程と、
    前記複数のユニークパターンと、前記複数のシステムパラメーターのセットに対応する前記複数の所定のパターンとを比較する工程と、
    前記比較に基づいて、前記ホストシステム内の１つ以上の潜在的な異常と、前記ホストシステム内の前記１つ以上の潜在的な異常の寄与原因となる前記複数のサブシステムの少なくとも１つの欠陥のあるサブシステムとを検出する工程と、を含むことを特徴とする非一時的コンピューター可読媒体。

Images