JP2018134889A

JP2018134889A - 現象発生を予測するための方法およびシステム

Info

Publication number: JP2018134889A
Application number: JP2017028709A
Authority: JP
Inventors: 亨谷内; Toru Taniuchi
Original assignee: Japan Airlines Co Ltd; JAL Engineering Co Ltd
Current assignee: Japan Airlines Co Ltd; JAL Engineering Co Ltd
Priority date: 2017-02-20
Filing date: 2017-02-20
Publication date: 2018-08-30
Anticipated expiration: 2037-02-20
Also published as: JP6738292B2

Abstract

【課題】所定の現象の発生を予測するための方法およびシステムに関するものである。【解決手段】コンピュータが、所定の現象につながる可能性の高い所定の事象を特定し、所定の事象の発生回数および発生頻度を考慮して、所定の現象の発生に近いことを予測する。所定の事象が発生すると、第１の特性値を加算し、所定の事象が発生しないと、第２の特性値を減算することを繰り返すことにより、所定の現象への接近度ＰＩを定義し、接近度ＰＩが所定の閾値ＰＩｔｈを超えると、所定の現象の発生に近いことを予測する。【選択図】図４

Description

本発明は、所定の現象の発生を予測するための方法およびシステムに関するものである。

航空機の部品、例えば、航空機の翼の後縁上に設けられたフラップの故障を予測する従来技術として、位置センサから後縁フラップのうちの少なくとも１つの位置を示す位置信号を受信するステップと、位置信号を基準位置値と比較して位置比較を規定するステップと、変動比較を規定するステップと、変動比較に基づいて後縁フラップ破損の予測の表示を与えるステップと、を含む方法が提案されている（例えば特許文献１）。

消費者の購買行動を予測する方法として、定められた地点を通過した個人を識別する個人識別情報と、通過した方向および通過した時刻を含む移動情報と、個人が購買した商品等に関する情報を含む購買行動情報と、をもとにして、購買行動規則を抽出する方法が提案されている（例えば特許文献２）。
具体的には、特許文献２では、段落００３９に記載されているように、移動情報として「ある日のＸ氏の出かける時刻が１０時半であった」という情報が得られた場合、「夜の９時から１０時にかけてＸ氏が特定の弁当を買う」という購買行動予測が得られるものである。

特開２０１４−１９３７１０号公報特開平９−２５１４５０号公報

特許文献１に記載の技術の場合、１度でも変動比較が閾値よりも大きくなると、後縁フラップがまもなく破損すると予測され、修復が行われる。ところが、後縁フラップの破損にはつながらない要因により、変動比較が閾値よりも大きくなる場合もあり、そのような場合は、後縁フラップの修復は不要である。このように修復が不要な場合にも後縁フラップを修復すると、無駄な整備費がかかることとなる。一方、このように修復が不要な場合には、変動比較が閾値よりも大きくならないように閾値を設定すると、本当の破損につながる要因を見逃す危険性がある。

本発明では、所定の現象につながる可能性の高い所定の事象を特定し、この所定の事象の発生回数および発生頻度を考慮して、所定の現象の発生に近いことを予測する方法およびシステムを提供する。
具体的に上述した特許文献１の事例に当てはめると、本発明では、「後縁フラップの破損」という所定の現象につながる可能性の高い、「変動比較が閾値よりも大きくなる」という所定の事象を特定し、「変動比較が閾値よりも大きくなる」という事象が、過去のフライト中何回発生したのかを考慮して、「後縁フラップの破損」が近々発生することを予測する方法およびシステムを提供する。
なお、本発明において、所定の現象とは、必ずしも部品の破損のような、発生して欲しくないマイナスの現象に限られるものではなく、特許文献２に記載のように、発生して欲しいプラスの現象、例えば、「商品の購買」「店舗への訪問」等も含むものである。

本発明の要旨は、以下のとおりである。
コンピュータが、
所定の現象につながる可能性の高い所定の事象を特定し、
前記所定の事象の発生回数および発生頻度を考慮して、前記所定の現象の発生に近いことを予測する。

前記所定の事象が発生すると、第１の特性値を加算し、前記所定の事象が発生しないと、第２の特性値を減算することを繰り返すことにより、前記所定の現象への接近度ＰＩを定義し、
前記接近度ＰＩが所定の閾値を超えると、前記所定の現象の発生に近いことを予測する。

航空機のフラップに関連する不具合につながる可能性の高い所定の事象として、左右のフラップの所定以上の角度差が所定時間以上継続するという事象を特定し、
１回のフライトにつき、前記所定の事象が発生すると、第１の特性値を加算し、前記所定の事象が発生しないと、第２の特性値を減算することを複数のフライトに対して繰り返すことにより、前記所定の現象への接近度ＰＩを定義し、
所定のデータから閾値ＰＩ_ｔｈを求め、
前記接近度ＰＩが前記閾値ＰＩ_ｔｈを超えると、フラップに関連する不具合の発生に近いことを予測する。

記憶部および制御部を備えた予測システムであって、
前記制御部は、
前記記憶部に格納されたデータに基づき、航空機のフラップに関連する不具合につながる可能性の高い所定の事象として、左右のフラップの所定以上の角度差が所定時間以上継続するという事象を特定する特定部と、
１回のフライトにつき、前記所定の事象が発生すると、第１の特性値を加算し、前記所定の事象が発生しないと、第２の特性値を減算することを複数のフライトに対して繰り返すことにより、前記所定の現象への接近度ＰＩを定義するＰＩ演算部と、
前記記憶部に格納されたデータから閾値ＰＩ_ｔｈを求めるＰＩ_ｔｈ演算部と、
前記接近度ＰＩが前記閾値ＰＩ_ｔｈを超えると、フラップに関連する不具合の発生に近いことを予測する予測部と、
を有する。

本発明の予測方法を説明するための図である。本発明の予測方法を示すフローチャートである。１つの航空機に関して、横軸にフライト日時、縦軸にフラップ角度差≧所定角度の連続秒数を示すグラフである。図３のデータに関して、横軸にフライト日時、縦軸に不具合の発生に対する接近度ＰＩを示すグラフである。接近度ＰＩの閾値を求めるために一例として用いた決定木分析を示す。（ａ）は、本発明の予測システムの一例を示すブロック図であり、（ｂ）は、データの一例である。

図１を用いて、本発明の予測方法を説明する。本発明の予測方法は、コンピュータによって行うものであり、コンピュータとは、例えば、図６を用いて説明する予測システムである。
本発明では、コンピュータが、所定の現象につながる可能性の高い所定の事象を特定し、この所定の事象の発生回数および発生頻度を考慮して、所定の現象の発生に近いことを予測するために、所定の現象の発生に対する接近度ＰＩ（ＰｒｏｘｉｍｉｔｙＩｎｄｅｘ）という新たな指標を導入している。接近度ＰＩが高ければ、所定の現象が発生する可能性が高く、接近度ＰＩが低ければ、所定の現象が発生する可能性が低い。
接近度ＰＩは、所定の現象につながる可能性の高い所定の事象が発生すると、第１の特性値として２０を加算し、当該所定の事象が発生しないと、第２の特性値として１を減算することを繰り返すことにより定義される。なお、特性値の＋２０および−１は単なる一例である。

図１（ａ）は、横軸に回数、縦軸に所定の現象の発生に対する接近度ＰＩを表す。
１回目に所定の事象が発生しなかったため、ＰＩ＝−１となる。
２回目に所定の事象が発生しなかったため、ＰＩ＝−１−１＝−２となる。
３回目に所定の事象が発生しなかったため、ＰＩ＝−２−１＝−３となる。
４回目に所定の事象が発生しなかったため、ＰＩ＝−３−１＝−４となる。
５回目に所定の事象が発生したため、ＰＩ＝−４＋２０＝１６となる。
６回目に所定の事象が発生しなかったため、ＰＩ＝１６−１＝１５となる。
７回目に所定の事象が発生しなかったため、ＰＩ＝１５−１＝１４となる。
８回目に所定の事象が発生しなかったため、ＰＩ＝１４−１＝１３となる。
９回目に所定の事象が発生したため、ＰＩ＝１３＋２０＝３３となる。
１０回目に所定の事象が発生したため、ＰＩ＝３３＋２０＝５３となる。
ここで、ＰＩ＝５０を閾値として設定すると、１０回目に所定の事象が発生した際、ＰＩ＝５３＞５０となり、ＰＩは閾値を上回る。ＰＩの閾値とは、所定の現象が高い確率で発生する可能性が高いことを示す値であり、言い換えると、所定の現象がまもなく発生すると予測される値である。ＰＩが閾値を上回った場合、所定の事象が例えば部品故障であるとすると、当該部品を修理・交換することが考えられる。

なお、ＰＩの最小値を０とすると、図１（ａ）は、図１（ｂ）のようになる。すなわち、１〜４回目に所定の事象が発生しないため、ＰＩ＝０のままとなる。

図１（ｃ）を用いて、他の例を説明する。図１（ｃ）は、図１（ａ）（ｂ）と同様に、横軸に回数、縦軸に所定の現象の発生に対する接近度ＰＩを表す。
１回目に所定の事象が発生したため、ＰＩ＝２０となる。
２〜１２回目に所定の事象が発生しなかったため、１２回目には、ＰＩ＝２０−１１＝９となる。
１３回目に所定の事象が発生したため、ＰＩ＝９＋２０＝２９となる。
１４〜３４回目に所定の事象が発生しなかったため、３４回目には、ＰＩ＝２９−２１＝８となる。
３５回目に所定の事象が発生したため、ＰＩ＝８＋２０＝２８となる。
３６〜４０回目に所定の事象が発生しなかったため、４０回目には、ＰＩ＝２８−５＝２３となる。
４１回目に所定の事象が発生したため、ＰＩ＝２３＋２０＝４３となる。
４２〜７０回目に所定の事象が発生しなかったため、７０回目には、ＰＩ＝４３−２９＝１４となる。
図１（ｃ）の例では、所定の事象は４回発生しているものの、その発生頻度が低いためＰＩ＞５０とはならず、所定の現象がまもなく発生するとは予測されない。
このように、本発明では、所定の事象が発生した回数のみに着目するのではなく、所定の事象が発生する頻度にも着目し、この頻度が低い場合、過去に発生した所定の事象をノーカウントにするという手法を用いている。例えば、図１（ｃ）の例では、所定の事象が１回発生しても、その後２０回発生しないと、この事象が発生しなかったのと同等とみなされる。すなわち、１回発生したこの事象は、所定の現象につながる可能性の高い事象ではないとみなされる。

上述した手法を一般化すると、接近度ＰＩは、以下の式によって定義される。

ＰＩ_０は初期値であり、上述した例では０であるが、任意の値（定数および変数）を用いることができる。
図１の例では、第１の特性値が２０であり、第２の特性値が１であるが、特性値は、任意の値（定数および変数）を用いることができる。
さらに、特性値はマイナス値でもよい。すなわち、ＰＩは、所定の事象が発生した場合にマイナスされ、所定の現象が発生しなかった場合にプラスされてもよい。
任意で、接近度ＰＩは、最大値および最小値を定義することもできる。

図２は、本発明の予測方法を示すフローチャートである。
図２（ａ）に示すように、ステップＳ１において、コンピュータが、所定の現象につながる可能性の高い所定の事象を特定する。次に、ステップＳ２において、コンピュータが、所定の事象の発生回数および発生頻度を考慮して、所定の現象の発生に近いことを予測する。
図２（ｂ）は、予測ルーチンを示し、ステップＳ２１において、コンピュータが、所定の事象が発生するか否かを判定する。ステップＳ２１において「はい」の場合、ステップＳ２２において、接近度ＰＩに第１の特性値を加算し、ステップＳ２１において「いいえ」の場合、ステップＳ２３において、接近度ＰＩに第２の特性値を減算する。次に、ステップＳ２４において、接近度ＰＩが所定の閾値を超えるか否かを判定する。ステップＳ２４において「はい」の場合、ステップＳ２５において、所定の現象の発生に近いことを予測し、ステップＳ２４において「いいえ」の場合、ステップＳ２１に戻る。

以下、航空機のフラップに関する実施例を説明するが、本発明は、この実施例に限定されるものではない。
フラップとは、航空機の左右の翼に装備され、離着陸時に角度等を変更することにより揚力を増大させるものである。パイロットは、離着陸時に、コントローラーによって左右のフラップの角度を設定する。フラップが設定角度で動作しているか否かは、フラップの近傍に設けられたフラップポジショントランスミッタにより計測される。計測角度は、コックピットに設けられたフラップインジケータに表示される。左右のフラップの角度に相違が生じた場合は、「ＡｓｙｍｍｅｔｒｙＣｏｎｄｉｔｉｏｎ」となり、フラップの動作が停止するため、ＡＴＢ（ＡｉｒＴｕｒｎＢａｃｋ）等の原因となる。
左右のフラップは、１本のシャフトに接続されているため、離着陸時に、左右のフラップの位置を移動する場合、左右のフラップは、基本的には同時に動作する。しかし、フラップポジショントランスミッタおよびフラップインジケータの少なくとも一方の不具合により、実際は、左右のフラップが同時に動作しているのにもかかわらず、一方のフラップが速く移動し、他方のフラップが遅く移動していると誤検知される場合がある。具体的には、左右のフラップの角度差の絶対値（フラップ角度差）が所定角度以上の状態が、所定時間以上継続する場合がある。なお、フラップ角度差がある角度以上になると、「ＡｓｙｍｍｅｔｒｙＣｏｎｄｉｔｉｏｎ」となる。

図３は、１つの航空機（７３７−８００型機）に関して、横軸にフライト日時、縦軸にフラップ角度差≧所定角度の連続秒数を示すグラフである。横軸全体は、数年の期間を表す。
図３より、不具合発生の直前の期間Ａより前の期間Ｂでは、すべてのフライトで、フラップ角度差≧所定角度の連続秒数がｔ１秒以下である。期間Ａでは、フラップ角度差≧所定角度の連続秒数がｔ２秒以上のフライトが頻発している。不具合発生により、フラップポジショントランスミッタおよび／またはフラップインジケータを交換した後の期間Ｃでは、フラップ角度差≧所定角度の連続秒数がｔ３秒のフライトが５回、フラップ角度差≧所定角度の連続秒数がｔ２秒以上のフライトが数１０回発生していることが分かる。ただし、期間Ｃに計測されたフライトはすべてＯＫのケースである。
図３から不具合の発生を予測するのは困難である。期間Ａでは、フラップ角度差≧所定角度の連続秒数がｔ２秒以上のフライトが頻発しているものの、期間Ｃでも、フラップ角度差≧所定角度の連続秒数がｔ２秒以上のフライトが所定頻度で発生しているため、フラップ角度差≧所定角度の連続秒数がｔ２秒以上のフライトが数回発生したからといって、不具合の発生が近いと予測することはできない。期間Ａには、フラップ角度差≧所定角度の連続秒数がｔ５秒のフライトａおよびフラップ角度差≧所定角度の連続秒数がｔ４秒のフライトｂが発生しているものの、その他の多くのフライトは、フラップ角度差≧所定角度の連続秒数がｔ２秒以上ｔ４秒未満であり、フライトａ、ｂは例外的といえる。すると、このような例外的なフライトのフラップ角度差≧所定角度の連続秒数（ｔ５秒、ｔ４秒）を閾値として、不具合の発生が近いと予測すると、不具合の発生を見逃すおそれがある。
そこで、接近度ＰＩという新たな指標を用いて不具合の発生に近いことを予測する。

図４は、図３のデータに関して、横軸にフライト日時、縦軸に不具合の発生に対する接近度ＰＩを示すグラフである。
ＰＩは、以下の通り、フラップ角度差≧所定角度の連続秒数がｔ２秒以上の場合、第１の特性値として２０を加算し、フラップ角度差≧所定角度の連続秒数がｔ１秒以下の場合、第２の特性値として１を減算することを繰り返すことにより定義される。

ＰＩ_ｔｈのときに不具合が発生したため、フラップポジショントランスミッタおよび／またはフラップインジケータを交換し、ＰＩを０に設定する。その後、部品交換後の期間Ｃでは、ＰＩはゼロではないものの、ＰＩ_ｔｈとは大きく異なり、不具合の発生に近いことを誤って予測するおそれはない。ＰＩ_ｔｈの値が分かれば、ＰＩを用いることにより不具合を予測可能であることが分かる。

図５は、接近度ＰＩの閾値ＰＩ_ｔｈを求めるために一例として用いた決定木分析を示す。
分析対象は、ＮＧデータとして、不具合が発生したフライト直前の複数回のフライトのデータ、および、ＯＫデータとして、その他のフライトのデータである。入力は、接近度ＰＩおよびＬＤＦＬＡＰ指標値であり、接近度ＰＩが不具合に対して最も大きい影響を与えたことが分かった。また、ノード４には、ＰＩが１０９８を超えたレコードにＮＧが９６％以上含まれていることが分かった。したがって、ＰＩが１０９８を超える場合は、不具合が発生する可能性が非常に高いと判断できる。ＰＩが１０９８を超える事象は数年間で６件発生しており、そのうち５件で不具合が実際に発生している。したがって、閾値ＰＩ_ｔｈ＝１０９８を用いることにより、フラップシステムの不具合を予測できる可能性が高いと判断できる。
決定木分析で用いられるデータは、エアライン独自の保有データであるフライトごとのセンサデータ（飛行情報データベースに格納されたビッグデータ）および過去の整備実施データ（整備情報データベースに格納されたビッグデータ）であり、これらのビッグデータは、接近値ＰＩを導入することにより、定量的、統計学的な分析が可能になる。
なお、接近度ＰＩの閾値ＰＩ_ｔｈを求める方法は、決定木分析に限定されるものではない。

図６（ａ）は、本発明の予測システムの一例を示すブロック図であり、図６（ｂ）は、データの一例である。
予測システム１は、記憶部１０および制御部２０を備える。記憶部１０は、例えば、飛行情報や整備情報のビッグデータを格納し、コンピュータのメモリやハードディスク等である。制御部２０は、コンピュータのＣＰＵ等である。記憶部１０および制御部２０は、１台のコンピュータ内にあってもよいし、別々のコンピュータ内にあってもよい。
制御部２０は、特定部２１、ＰＩ演算部２２、ＰＩ_ｔｈ演算部２３および予測部２４を有する。

上述した航空機のフラップに関する実施例を用いて、予測システム１の機能を説明するが、予測システム１は、他の実施例でも同様の機能を有する。
特定部２１によって、航空機のフラップに関連する不具合、すなわち、「ＡｓｙｍｍｅｔｒｙＣｏｎｄｉｔｉｏｎ」によりフラップの動作が停止するという不具合につながる可能性の高い所定の事象として、左右のフラップの所定以上の角度差が所定時間以上継続する、例えば、フラップ角度差≧所定角度の連続秒数がｔ２秒以上という事象を特定する。
図６（ｂ）に示すように、記憶部１０には、「ＡｓｙｍｍｅｔｒｙＣｏｎｄｉｔｉｏｎ」によりフラップの動作が停止するという現象の発生／未発生に対して、所定の事象として、Ａ、Ｂ、Ｃ、Ｄ、Ｅ、・・・の発生／未発生を示すデータが格納されている。このデータから、フラップの動作停止という現象の発生／未発生に相関が高い事象Ａ（フラップ角度差≧所定角度の連続秒数がｔ２秒以上）が特定部２１によって特定される。
ＰＩ演算部２２によって、１回のフライトにつき、所定の事象が発生すると、第１の特性値として２０を加算し、所定の事象が発生しないと、第２の特性値として１を減算することを複数のフライトに対して繰り返すことにより、所定の現象への接近度ＰＩを定義し、記憶部１０に格納された複数のデータから接近度ＰＩを計算する。
ＰＩ_ｔｈ演算部２３によって、記憶部１０に格納された複数のデータに決定木分析を適用し、閾値ＰＩ_ｔｈを求める。
予測部２４によって、接近度ＰＩが閾値ＰＩ_ｔｈ、例えば、１０９８を超えると、フラップに関連する不具合の発生に近いことを予測する。

なお、上述した航空機のフラップに関する実施例では、所定の現象が、フラップに関連する不具合という発生して欲しくないマイナスの現象を予測するものであるが、所定の現象は、発生して欲しいプラスの現象も含むものである。

Claims

コンピュータが、
所定の現象につながる可能性の高い所定の事象を特定し、
前記所定の事象の発生回数および発生頻度を考慮して、前記所定の現象の発生に近いことを予測する、
方法。
前記所定の事象が発生すると、第１の特性値を加算し、前記所定の事象が発生しないと、第２の特性値を減算することを繰り返すことにより、前記所定の現象への接近度ＰＩを定義し、
前記接近度ＰＩが所定の閾値を超えると、前記所定の現象の発生に近いことを予測する、
請求項１に記載の方法。
航空機のフラップに関連する不具合につながる可能性の高い所定の事象として、左右のフラップの所定以上の角度差が所定時間以上継続するという事象を特定し、
１回のフライトにつき、前記所定の事象が発生すると、第１の特性値を加算し、前記所定の事象が発生しないと、第２の特性値を減算することを複数のフライトに対して繰り返すことにより、前記所定の現象への接近度ＰＩを定義し、
所定のデータから閾値ＰＩ_ｔｈを求め、
前記接近度ＰＩが前記閾値ＰＩ_ｔｈを超えると、フラップに関連する不具合の発生に近いことを予測する、
請求項１または２に記載の方法。
記憶部および制御部を備えた予測システムであって、
前記制御部は、
前記記憶部に格納されたデータに基づき、航空機のフラップに関連する不具合につながる可能性の高い所定の事象として、左右のフラップの所定以上の角度差が所定時間以上継続するという事象を特定する特定部と、
１回のフライトにつき、前記所定の事象が発生すると、第１の特性値を加算し、前記所定の事象が発生しないと、第２の特性値を減算することを複数のフライトに対して繰り返すことにより、前記所定の現象への接近度ＰＩを定義するＰＩ演算部と、
前記記憶部に格納されたデータから閾値ＰＩ_ｔｈを求めるＰＩ_ｔｈ演算部と、
前記接近度ＰＩが前記閾値ＰＩ_ｔｈを超えると、フラップに関連する不具合の発生に近いことを予測する予測部と、
を有する、
予測システム。