JP2018134889A - 現象発生を予測するための方法およびシステム - Google Patents
現象発生を予測するための方法およびシステム Download PDFInfo
- Publication number
- JP2018134889A JP2018134889A JP2017028709A JP2017028709A JP2018134889A JP 2018134889 A JP2018134889 A JP 2018134889A JP 2017028709 A JP2017028709 A JP 2017028709A JP 2017028709 A JP2017028709 A JP 2017028709A JP 2018134889 A JP2018134889 A JP 2018134889A
- Authority
- JP
- Japan
- Prior art keywords
- predetermined
- phenomenon
- flap
- occurrence
- event
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 20
- 230000010006 flight Effects 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000007547 defect Effects 0.000 claims description 8
- 230000007257 malfunction Effects 0.000 claims description 6
- 238000003066 decision tree Methods 0.000 description 5
- 238000012423 maintenance Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 230000033001 locomotion Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
Description
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。
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。
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。
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PIthを求め、
前記接近度PIが前記閾値PIth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。
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PIthを求めるPIth演算部と、
前記接近度PIが前記閾値PIth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(Proximity Index)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。
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。
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。
PI0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(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。
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、「Asymmetry Condition」となり、フラップの動作が停止するため、ATB(Air Turn Back)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、「Asymmetry Condition」となる。
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。
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。
PIth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、PIth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。PIth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。
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LD FLAP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PIth=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PIthを求める方法は、決定木分析に限定されるものではない。
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、PIth演算部23および予測部24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、「Asymmetry Condition」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、「Asymmetry Condition」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。
PIth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PIthを求める。
予測部24によって、接近度PIが閾値PIth、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。
Claims (4)
- 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PIthを求め、
前記接近度PIが前記閾値PIth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PIthを求めるPIth演算部と、
前記接近度PIが前記閾値PIth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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017028709A JP6738292B2 (ja) | 2017-02-20 | 2017-02-20 | 現象発生を予測するための方法およびシステム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017028709A JP6738292B2 (ja) | 2017-02-20 | 2017-02-20 | 現象発生を予測するための方法およびシステム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2018134889A true JP2018134889A (ja) | 2018-08-30 |
JP6738292B2 JP6738292B2 (ja) | 2020-08-12 |
Family
ID=63364650
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2017028709A Expired - Fee Related JP6738292B2 (ja) | 2017-02-20 | 2017-02-20 | 現象発生を予測するための方法およびシステム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6738292B2 (ja) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116244837A (zh) * | 2023-05-09 | 2023-06-09 | 西北工业大学 | 一种襟翼故障感知方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014210574A (ja) * | 2013-04-16 | 2014-11-13 | ジーイー・アビエイション・システムズ・リミテッドGe Aviation Systems Limited | スピードブレーキシステムの障害を予測する方法 |
US20140336865A1 (en) * | 2013-05-13 | 2014-11-13 | GE Avivation Systems Limited | Method for diagnosing a trailing edge flap fault |
JP2015226229A (ja) * | 2014-05-28 | 2015-12-14 | 富士通株式会社 | 基地局装置 |
-
2017
- 2017-02-20 JP JP2017028709A patent/JP6738292B2/ja not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014210574A (ja) * | 2013-04-16 | 2014-11-13 | ジーイー・アビエイション・システムズ・リミテッドGe Aviation Systems Limited | スピードブレーキシステムの障害を予測する方法 |
US20140336865A1 (en) * | 2013-05-13 | 2014-11-13 | GE Avivation Systems Limited | Method for diagnosing a trailing edge flap fault |
JP2015226229A (ja) * | 2014-05-28 | 2015-12-14 | 富士通株式会社 | 基地局装置 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116244837A (zh) * | 2023-05-09 | 2023-06-09 | 西北工业大学 | 一种襟翼故障感知方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
JP6738292B2 (ja) | 2020-08-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110334839B (zh) | 航班延误预测方法、装置、设备及存储介质 | |
KR101713985B1 (ko) | 예지 정비 방법 및 장치 | |
Godoy et al. | Critical spare parts ordering decisions using conditional reliability and stochastic lead time | |
JP4237610B2 (ja) | 保守支援方法及びプログラム | |
Yiwei et al. | A cost driven predictive maintenance policy for structural airframe maintenance | |
Ni et al. | Preventive maintenance opportunities for large production systems | |
US9530256B2 (en) | Generating cumulative wear-based indicators for vehicular components | |
US20190087789A1 (en) | Reporting and prioritizing faults for aircraft downtime reduction | |
US10067817B2 (en) | Equipment failure risk detection and prediction in industrial process | |
CN107463161A (zh) | 预测飞行器中的故障的方法和系统以及监控系统 | |
JP6275070B2 (ja) | 設備点検順位設定装置及びプログラム | |
Vogl et al. | Standards for prognostics and health management (PHM) techniques within manufacturing operations | |
CN104731664A (zh) | 用于故障处理的方法和装置 | |
WO2020066052A1 (ja) | 監視システム及び監視方法 | |
CN109818841B (zh) | 动态改变数据获取的交通工具监控系统 | |
Kiyak | The effects of aircraft preventive maintenance on reliability | |
EP3217241A2 (en) | Calibration technique for rules used with asset monitoring in industrial process control and automation systems | |
JP6738292B2 (ja) | 現象発生を予測するための方法およびシステム | |
US11543561B2 (en) | Root cause analysis for space weather events | |
US20230061829A1 (en) | Outlier detection apparatus and method | |
Al Shaalane et al. | Application of the aviation derived maintenance free operating period concept in the South African mining industry | |
Kang et al. | An approach to maintenance cost estimation for aircraft engines | |
Brady | Maintenance reliability analysis for increasing parts availability and reducing operations and maintenance costs | |
Kovalenko et al. | Specificity of optimization of performance indicators of technical operation and updating of radio electronic systems of aircraft | |
US20220114306A1 (en) | Sensitivity analysis-based dependability trade-off analysis |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A80 | Written request to apply exceptions to lack of novelty of invention |
Free format text: JAPANESE INTERMEDIATE CODE: A80 Effective date: 20170310 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20190327 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20200214 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20200225 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20200408 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20200618 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20200717 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6738292 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
LAPS | Cancellation because of no payment of annual fees |