JP2020104839A - 航空機の故障予測分類器を生成するシステムおよび方法 - Google Patents

Abstract

【課題】航空機（または他の車両）の故障検出のためのモデルフリーシステムおよび方法を提供する。【解決手段】特徴ベクトルを含む入力データを受信することと、故障の発生に対する特徴ベクトルの時間的近接度に基づいて、各特徴ベクトルにラベルを付けることを含む。故障の発生に対する時間的近接度閾値の範囲内にある特徴ベクトルには、第１のラベル値が付けられ、他の特徴ベクトルには第２のラベル値が付けられる。サブセットには、第１のラベル値を示すラベルを持つ特徴ベクトルが含まれる。この方法は、確率閾値を満たさない確率を有する、サブセットの１つまたは複数の特徴ベクトルのラベルを再割り当てすることと、ラベルを再割り当てした後に、複数の特徴ベクトルとラベルとを含む教師あり訓練データを使用して、航空機故障予測分類器を訓練することとを含む。【選択図】なし

Description

本開示は、概して、航空機故障予測分類器の生成に関する。

技術の改善により、航空機、自動車、船舶、ドローン、ロケット、宇宙船等の車両に搭載されるセンサーの数が増加している。これらのセンサーは、車両の輸送前、輸送中、輸送後にデータを記録することが可能である。例えば、パラメトリック飛行データは、フライトデータレコーダー（ＦＤＲ）、クイックアクセスレコーダー（ＱＡＲ）、コンティニュアス・パラメータ・ロギング（ＣＰＬ）システム、高性能飛行中フライトレコーダー（ＥＡＦＲ）、またはその他の種類のセンサーシステムによって記録され得る。このセンサーデータは、故障予測など、さまざまな目的に利用可能である。

故障予測を行う方法の一つは、モデルベースの方法である。例えば、航空機の予想される操作状態の物理ベースのモデルを生成し、センサーデータをモデルと比較して故障状態を予測することができる。さらに説明すると、ルールベースのモデルは、期待値にアクセスできる論理テーブルによって生成されたルールを使用して、いつルールが破られるか（例：いつ故障が予測されるか）を決定する。いくつかのモデルベースの手法は、予想される操作状態の知識を必要とするが、これは決定に時間がかかり、リソースを大量に消費し、重要なシステムリソース（例：ストレージリソースおよび処理リソース）を使用する場合がある。さらに、車両のメンテナンスが行われたり、構成が変更されたりすると、その変更のためにモデルが車両の操作状態をもはや表していない場合がある。

特定の実装形態において、方法には、複数の特徴ベクトルを含む入力データを受信することが含まれる。入力データには、１または複数の航空機に関連付けられたセンサーデータが含まれる。この方法には、故障の発生に対する特徴ベクトルの時間的近接度に基づいて、複数の特徴ベクトルの各特徴ベクトルにラベルを付けることが含まれる。故障の発生に対する時間的近接度閾値（threshold temporal proximity）の範囲内にある特徴ベクトルには、第１のラベル値が付けられ、故障の発生に対する時間的近接度閾値の範囲内にない特徴ベクトルには、第２のラベル値が付けられる。この方法には、複数の特徴ベクトルのサブセットの各特徴ベクトルについて、特徴ベクトルに関連付けられたラベルが正しい確率を決定することが含まれる。該サブセットには、第１のラベル値を示すラベルを持つ特徴ベクトルが含まれる。この方法には、サブセットの１つまたは複数の特徴ベクトルのラベルを再割り当てすることが含まれ、１つまたは複数の特徴ベクトルは、確率閾値を満たさない確率を有する。この方法には、１つまたは複数の特徴ベクトルのラベルを再割り当てした後、複数の特徴ベクトルと複数の特徴ベクトルに関連付けられたラベルとを含む教師あり訓練データを使用して、航空機故障予測分類器を訓練することがさらに含まれる。航空機故障予測分類器は、航空機の第２のセンサーデータを使用して、航空機の第２の故障の発生を予測するように構成されている。

別の特定の実装形態では、システムには、プロセッサと、プロセッサに結合した、複数の特徴ベクトルを含む入力データの受信を含む操作を実行せよというプロセッサによって実行可能な命令を格納するメモリとが含まれる。入力データには、１又は複数の航空機に関連するセンサーデータが含まれる。これらの操作には、故障の発生に対する特徴ベクトルの時間的近接度に基づいて、複数の特徴ベクトルの各特徴ベクトルにラベルを付けることが含まれる。故障の発生に対する時間的近接度閾値の範囲内にある特徴ベクトルには、第１のラベル値が付けられ、故障の発生に対する時間的近接度閾値の範囲内にない特徴ベクトルには、第２のラベル値が付けられる。これらの操作には、複数の特徴ベクトルのサブセットの各特徴ベクトルについて、特徴ベクトルに関連付けられたラベルが正しい確率を決定することが含まれる。該サブセットには、第１のラベル値を示すラベルを持つ特徴ベクトルが含まれる。これらの操作には、サブセットの１つまたは複数の特徴ベクトルのラベルを再割り当てすることが含まれ、１つまたは複数の特徴ベクトルは、確率閾値を満たさない確率を有する。これらの操作には、１つまたは複数の特徴ベクトルのラベルを再割り当てした後、複数の特徴ベクトルと複数の特徴ベクトルに関連付けられたラベルとを含む教師あり訓練データを使用して、航空機故障予測分類器を訓練することがさらに含まれる。航空機故障予測分類器は、航空機の第２のセンサーデータを使用して、航空機の第２の故障の発生を予測するように構成されている。

別の特定の実装形態では、コンピュータ可読記憶装置は、プロセッサによって実行されると、複数の特徴ベクトルを含む入力データを受信することを含む操作をプロセッサに実行させる命令を格納する。入力データには、１機以上の航空機に関連するセンサーデータが含まれる。これらの操作には、故障の発生に対する特徴ベクトルの時間的近接度に基づいて、複数の特徴ベクトルの各特徴ベクトルにラベルを付けることが含まれる。故障の発生に対する時間的近接度閾値の範囲内にある特徴ベクトルには、第１のラベル値が付けられ、故障の発生に対する時間的近接度閾値の範囲内にない特徴ベクトルには、第２のラベル値が付けられる。これらの操作には、複数の特徴ベクトルのサブセットの各特徴ベクトルについて、特徴ベクトルに関連付けられたラベルが正しい確率を決定することが含まれる。該サブセットには、第１のラベル値を示すラベルを持つ特徴ベクトルが含まれる。これらの操作には、サブセットの１つまたは複数の特徴ベクトルのラベルを再割り当てすることが含まれ、１つまたは複数の特徴ベクトルは、確率閾値を満たさない確率を有する。これらの操作には、１つまたは複数の特徴ベクトルのラベルを再割り当てした後、複数の特徴ベクトルと複数の特徴ベクトルに関連付けられたラベルとを含む教師あり訓練データを使用して、航空機故障予測分類器を訓練することがさらに含まれる。航空機故障予測分類器は、航空機の第２のセンサーデータを使用して、航空機の第２の故障の発生を予測するように構成されている。

特徴ベクトルのラベルを再割り当てして航空機故障予測分類器を生成するシステムの特定の実装形態を示すブロック図である。 潜在的、特徴的な状態値のシーケンスを決定する例を示す。 確率に基づいてラベルを再割り当てする例を示す。 航空機故障予測分類器を生成する方法の例のフローチャートである。 航空機故障予測分類器を生成する方法の例のフローチャートである。 航空機故障予測システムに関連する方法のフローチャートである。 航空機故障予測システムを含む航空機のブロック図である。

特定の実装形態について、図面を参照して説明する。説明の中で、共通の特徴は、図面全体を通して共通の参照番号が付される。本明細書で使用される場合、さまざまな用語は、特定の実装形態のみを説明する目的で使用され、限定することを意図したものではない。例えば、単数形「１つの（a、an）」および「その（the）」は、文脈が明らかにそうでないことを示さない限りは、複数形も含むことを意図したものである。さらに、「含む／備える（comprise、comprisesおよびcomprising）」という用語は、「含む／含まれる（include、includesまたはincluding）」と互換的に用いられることがある。加えて、「（ここで）〜である（wherein）」という用語は、「ここで（where）」と互換的に使用されてもよい。本明細書で使用される場合、「例示的」は、例、実装形態および／または態様を指す場合があり、限定するものとして、または優先もしくは好ましい実施を示すものとして解釈されるものではない。本明細書で使用される場合、構造、コンポーネント、操作等の要素を修飾するのに使用される、順序を示す用語（例：「第１の」、「第２の」、「第３の」等）は、それ自体では、別の要素に対するその要素の優先度または順序を示すものではなく、単にその要素を（順序を示す用語の使用を別にすれば）同じ名称を持つ別の要素と区別するものである。本明細書で使用される場合、「セット」という用語は、１つまたは複数の要素のグループを指し、「複数」という用語は複数の要素を指す。

本開示では、「決定する」、「計算する」、「生成する」、「調整する」、「修正する」等の用語を使用して、１つまたは複数の操作がどのように実行されるかを説明することができる。そのような用語は、限定するものとして解釈されるものではなく、他の技術を利用して同様の操作を実行できることに留意されたい。加えて、本明細書にあるように、「生成する」、「計算する」、「使用する」、「選択する」、「アクセスする」および「決定する」は互換的に使用され得る。例えば、パラメータ（または信号）の「生成」、「計算」または「決定」とは、パラメータ（または信号）をアクティブに生成、計算または決定すること、あるいは別のコンポーネントまたは装置などによって既に生成されているパラメータ（または信号）を使用、選択またはそれにアクセスすることを指す。さらに、「調整する」と「修正する」は、互換的に使用することができる。例えば、「パラメータを「調整する」または「修正する」とは、パラメータを第１の値から第２の値（「修正値」または「調整値」に変更することを指し得る。本明細書で使用される場合、「結合」は、「通信可能に結合」、「電気的に結合」または「物理的に結合」を含み、あるいは（代わりに）それらの任意の組み合わせを含み得る。２つの装置（またはコンポーネント）は、１つまたは複数の他の装置、コンポーネント、ケーブル、バス、ネットワーク（例：有線ネットワーク、無線ネットワークまたはこれらの組み合わせなど）を介して直接または間接的に結合（通信可能に結合、電気的に結合または物理的に結合）され得る。電気的に結合される２つの装置（またはコンポーネント）は、同じ装置または異なる装置に含まれ、非限定的な例として、電子装置、１つもしくは複数のコネクタ、または誘導結合を介して接続され得る。いくつかの実装形態では、電気通信などで通信可能に結合された２つの装置（またはコンポーネント）は、１つまたは複数のケーブル、バス、ネットワーク等を介して直接または間接的に電気信号（デジタル信号またはアナログ信号）を送受信できる。本明細書で使用される場合、「直接結合」は、コンポーネントを介在させることなく結合される（例えば通信可能に結合される、電気的に結合される、または物理的に結合される）２つの装置を含み得る。

本明細書で説明する実装形態は、航空機（または他の車両）の故障検出のためのモデルフリーシステムおよび方法を説明している。このアプローチは、あらゆるフライトフェーズからのあらゆるタイプの時系列フライトセンサーデータに対して汎用性がある。本明細書で説明する技術は、教師あり学習アルゴリズムにおいて潜在的、特徴的な状態値（例：時間シグネチャ（temporal signatures））のシーケンスを」使用して、航空機の故障予測分類器を生成する。

潜在的、特徴的な状態値のシーケンスは、本明細書でさらに説明するように、フライトセンサー（または他の車両センター）からのパラメータデータに基づいて決定され、航空機故障予測分類器の訓練における特徴ベクトルとして使用される。特定の例では、センサーからのデータに対してクラスタリング操作が実行されて潜在的、特徴的な状態値が生成され、サンプリング期間にわたる潜在的、特徴的な状態値のシーケンスが決定されて特徴ベクトルが生成される。

特徴ベクトルが生成されると、故障の発生に対する各特徴ベクトル（例：潜在的、特徴的な状態値のシーケンス）の時間的近接度に基づいて、特徴ベクトルにラベルが付けられる。例えば、故障の特定の範囲内（例：故障の３分前）の期間に対応する特徴ベクトルは、第１のラベル値（例：「前兆」に対応する数値）でラベル付けされ、故障の特定の範囲内にない期間に関連する特徴ベクトルは、第２のラベル値（例：「通常」に対応する数値）でラベル付けされる。この段階で、特徴ベクトルは、故障の発生への時間的近接度のみに基づいて、故障状態の前兆として識別される。ただし、故障に先行する潜在的な状態の特徴値のすべてのシーケンスが実際に障害の原因であったり、または故障と関連付けられるわけではなく、したがって、故障の発生への時間的近接度に基づいて各特徴ベクトルにラベル付けすると、一部の特徴ベクトルの偽陽性ラベルにつながる。

故障状態の前兆の偽陽性識別の数を減らすために、特徴ベクトルのサブセットの各特徴ベクトルが正しくラベル付けされている確率が決定される。特定の実装形態では、確率を決定するために、ラベル付き特徴ベクトルが、ランダムフォレスト回帰予測器などの確率分類器に訓練データとして提供される。ランダムフォレスト回帰予測器は、複数の特徴ベクトルおよびラベルの回帰分析を実行して回帰値を出力するように訓練され、ここで回帰値は、複数の特徴ベクトルを所与として、特徴ベクトルのサブセットの特徴ベクトルが正しくラベル付けされている確率を示す。特徴ベクトルのサブセットには、第１のラベル値でラベル付けされた特徴ベクトルが含まれる（例：故障の特定の範囲内にあり、「前兆」に対応する数値でラベル付けされた特徴ベクトル）。確率閾値を満たさない確率を有する特徴ベクトルのサブセットの特徴ベクトルは、第２のラベル値（例：「通常」に対応する数値）で再ラベル付けされる。サブセット以外の特徴ベクトル（例：「通常」に対応する数値でラベル付けされた特徴ベクトル）および確率閾値を満たさない確率を有する、サブセットの特徴ベクトルは、再ラベル付けされない。したがって、確率は、故障の前兆としてラベル付けされたいくつかの特徴ベクトルを、通常の特徴ベクトルとして故障に再分類するために使用される（例：非故障前兆）。

１つまたは複数の特徴ベクトルにラベルを再割り当てした後、ラベル付けされた特徴ベクトルは、航空機の故障予測分類器の訓練データとして使用される。航空機の故障予測分類器は、入力データに基づいて故障の発生を予測する（例：故障の前兆である潜在的な状態特徴値のシーケンスを識別する）ように訓練される。特定の実装形態において、航空機故障予測分類器は、入力特徴ベクトル．に基づいてラベル（例：第１のラベルまたは第２のラベル）を出力するように構成されたランダムフォレスト分類器を含む。（潜在的、特徴的な状態値の特徴ベクトルの生成後）航空機のリアルタイム（または近リアルタイム）センサーデータに対して航空機故障予測分類器を実行して、航空機の故障を予測することができる。いくつかの実装形態では、航空機故障予測分類器は、予測された発生および予測に関連する特定の補修または部品を示すプロプトを生成する。追加的にまたは代替的に、航空機故障予測分類器は、予測に基づいて航空機の補修スケジュールを再編成することができる。したがって、ここで説明する実装形態は、時系列データの広範な人的ラベリングなしで故障予測および補修に使用するための、故障前の潜在的、特徴的な状態値のシーケンスを決定し、故障の偽陽性識別（または故障の前兆）を減らすデータ駆動型アプローチである。

図１は、１つまたは複数の航空機故障予測分類器を生成するシステム１００の特定の実装形態の例を示す。システム１００には、１つまたは複数のセンサー１０２、計算装置１０４およびディスプレイ装置１０６が含まれる。特定の実装形態では、システム１００は、車両に組み込まれている。システム１００は例えば、非限定的な例示として、航空機、無人航空機（ＵＡＶ）（例：ドローン航空機）、自動車、列車、オートバイ、バス、船舶もしくはボート、ロケット、宇宙船、自律車両、またはその他の車両に組み込まれ得る。他の実装形態では、センサー１０２、計算装置１０４、ディスプレイ装置１０６、又はこれらの組み合わせなど、１つまたは複数のコンポーネントが車両の外部にあってもよい。

センサー１０２は、車両の１つまたは複数の態様または特徴の読み取りを実行して、センサーデータ１５０を生成するように構成される。特定の実装形態では、センサー１０２は１又は複数の航空機に接続されており、かつ、センサー１０２は、１又は複数の航空機の飛行前、飛行中および飛行後にセンサーデータ１５０を生成するように構成される。センサー１０２は、複数のタイプのセンサーを含み得る。例示として、センサー１０２には、速度センサー、高度センサー、圧力センサー、舵面センサー（例：フラップ位置指示器）、脚位置指示器、燃料流量センサー、エンジンセンサー（例：１分当たりのエンジン回転数（ＲＰＭ）センサー）、振動センサー、温度センサー、その他のセンサー、又はこれらの組み合わせが含まれ得る。

センサーデータ１５０には、１つまたは複数パラメータ（例：変数）の値を示す時系列データが含まれる。例として、センサー１０２は、連続的にまたは離散間隔で１つまたは複数の特徴を測定するように構成されている。測定値はサンプルと呼ばれ、測定速度はサンブリング速度と呼ばれる。非限定的な例として、センサーデータ１５０には、ファン・エア・モジュレーティング・バルブ（ＦＡＭＶ）センサー値が含まれ、これはＦＡＭＶの温度、圧力及び位置を測定する。別の非限定的な例として、センサーデータ１５０には、ＦＣＶの高度および位置を測定する流量制御バルブ（ＦＣＶ）センサー値が含まれる。他の例では、センサーデータ１５０には、他のタイプのセンサー値も含まれる。いくつかの実装形態では、センサーデータ１５０にはタイムスタンプが付けられる。他の実装形態では、センサーデータ１５０には開始時刻とサンプリング速度が含まれ、このセンサーデータは、計算装置１０４または別のプロセッサもしくは航空機のコントローラなど、その他のコンポーネントによってタイムスタンプが付けられるかまたは同期される。

いくつかの実装形態では、計算装置１０４は、センサー１０２に接続され、センサー１０２からセンサーデータ１５０を取得するように構成される。特定の実装形態では、計算装置１０４は、ネットワークを介してセンサー１０２に接続される。このネットワークには、有線ネットワークまたは無線ネットワークが含まれ得る。このネットワークは、１つまたは複数の無線通信プロトコル、例えば米国電気電子学会（ＩＥＥＥ）プロトコル、Ｗｉ−Ｆｉ Ａｌｌｉａｎｃｅプロトコル、Ｂｌｕｅｔｏｏｔｈ（登録商標）プロトコル、Ｚｉｇｂｅｅ（登録商標）プロトコル、近距離無線通信プロトコル、セルラプロトコル、ロングタームエボリューション（ＬＴＥ）プロトコルまたはこれらの組み合わせに従って構成することができる。ＢｌｕｅｔｏｏｔｈはＢｌｕｅｔｏｏｔｈ Ｓｐｅｃｉａｌ Ｉｎｔｅｒｅｓｔ Ｇｒｏｕｐ（ＳＩＧ）の登録商標であり、ＺｉｇｂｅｅはＺｉｇｂｅｅ Ａｌｌｉａｎｃｅの登録商標である。別の特定の実装形態では、計算装置１０４は航空機のセンサーシステムのインターフェース（例：バス）に接続され、そのインターフェースを介してセンサーデータ１５０を受信するように構成される。他の実装形態では、計算装置１０４は航空機の外部にあり、センサーデータ１５０を格納するデータ記憶装置または航空機のその他のメモリなどの１つまたは複数の中継装置からセンサーデータ１５０を受信するように構成される。いくつかの実装形態では、センサーデータ１５０は、センサーデータ１５０を格納するサーバーなどの１つまたは複数の中継装置を介して複数の航空機から受信される。

いくつかの実装形態では、センサーデータ１５０は、特定の航空機の飛行前、飛行中および飛行後のセンサー読み取り値からのものである。例えば、センサーデータ１５０は、１回の飛行の複数の区間または複数の異なる飛行の複数の区間からのセンサーデータを含み得る。加えて、センサーデータ１５０は、他の航空機の飛行前、飛行中および飛行後からのセンサー読み取り値を含み得る。例えば、センサーデータ１５０は、複数の異なる航空機の特定の飛行区間、複数の異なる航空機にわたる異なる飛行の異なる区間またはこれらの任意の組み合わせからのセンサーデータを含み得る。

計算装置１０４は、入力インターフェース１１０、入力インターフェース１１０に接続されたプロセッサ１１２、およびプロセッサ１１２に接続されたメモリ１１４を含む。特定の実装形態では、バスまたは他のインターフェースを介して、入力インターフェース１１０、プロセッサ１１２およびメモリ１１４が同時に接続される。入力インターフェース１１０は、非限定的な例として、キーボード、マウス、タッチスクリーン、カメラ（ジェスチャコマンド用）、マイク（音声コマンド用）またはこれらの組み合わせ等のユーザー入力装置からのユーザー入力を受信するように構成される。メモリ１１４には、揮発性メモリ、不揮発性メモリまたはこれらの組み合わせが含まれる。プロセッサ１１２は、メモリ１１４に格納された命令を実行して、本明細書で説明される操作を実行するように構成される。

図１に示す実装形態では、命令は、特徴ベクトル生成命令１２０、ラベリング命令１２２、確率決定命令１２４、ラベル再割り当て命令１２６および分類器生成命令１２８を含む。特徴ベクトル生成命令１２０は、本明細書でさらに説明されるように、センサーデータ１５０に基づいて特徴ベクトル１３０を生成するように構成される。ラベリング命令１２２は、本明細書でさらに説明されるように、特徴ベクトル１３０に第１のラベル１３６を付けするように構成される。確率決定命令１２４は、本明細書でさらに説明されるように、第１のラベル１３６のサブセットのそれぞれが正しい確率を決定するように構成される。ラベル再割り当て命令１２６は、本明細書でさらに説明されるように、確率に基づいて第１のラベル１３６のうちの１つ以上を再割り当てして、第２のラベル１３８を生成するように構成される。分類器生成命令１２８は、本明細書でさらに説明されるように、航空機故障予測分類器１４０を生成および訓練するように構成される。

ディスプレイ装置１０６は計算装置１０４に接続されており、計算装置１０４からのデータに基づいて出力を表示するように構成される。例えば、ディスプレイ装置１０６には、スクリーン、タッチスクリーン、モニタまたは別のタイプのディスプレイ装置が含まれ得る。ディスプレイ装置１０６は、他の実装形態では計算装置１０４の外部にあるように示されているが、計算装置１０４内に組み込まれている。

操作中、プロセッサ１１２はセンサーデータ１５０を受信する。センサーデータ１５０は、センサー読み取り値および対応するタイミングの時系列データを含む。プロセッサ１１２はまた、メモリ１１４に格納できる故障データ１３２も受信する。故障データ１３２は、１または複数の航空機．で故障が検出されたタイミングを示す。例えば、故障データ１３２は、保守メッセージが１または複数の航空機によって生成された時刻を示し、保守メッセージは故障の発生を示す。

特徴ベクトル生成命令１２０は、センサーデータに基づいて特徴ベクトル１３０を生成する。特徴ベクトル１３０は、複数のサンプル期間にわたる潜在的、特徴的な状態値のシーケンスを含み、ここで１つの潜在的、特徴的な状態値は１つのサンプル期間に対応する。潜在的な状態値を決定するために、プロセッサ１１２は、センサーデータ１５０に対してクラスタリング操作を実行して、センサーデータ１５０を潜在的、特徴的な状態値に分類する。クラスタリング操作は、重心クラスタリング操作（例：ｋ平均法、ｋ中央値法、ｋ非類似度総和最小法等）、分布クラスタリング操作、期待値最大化（ＥＭ）クラスタリング操作、階層的クラスタリング操作、密度クラスタリング操作（例：ＤＢＳＣＡＮ）、他のタイプのクラスタリング操作またはこれらの任意の組み合わせ等、あらゆるタイプのクラスタリング操作を含み得る。特定の実装形態では、各潜在的、特徴的な状態値は、ｊ次元の特徴空間内のクラスターに対応し、ここでｊは、センサーデータ１５０内のセンサー変数の種類の数である。潜在的、特徴的な状態値の生成についてのさらなる詳細は、図２を参照してさらに説明する。潜在的、特徴的な状態値が決定された後、潜在的、特徴的な状態値に基づいて特徴ベクトル１３０が生成される。例えば、第１の特徴ベクトルは、潜在的、特徴的な状態値の第１のシーケンスを含み（例：第１の特徴ベクトルの各要素は潜在的、特徴的な状態値を示す）、第２の特徴ベクトルは潜在的、特徴的な状態値の第２のシーケンスを示す。

特定の実装形態では、潜在的、特徴的な状態値のシーケンスを生成することにより、センサーデータ１５０のサイズを小さくすることができる。例えば、特徴ベクトル１３０として格納された潜在的、特徴的な状態値のシーケンスを生成することは、センサーデータ１５０の全体を格納することに比べて、メモリ１１４に格納される情報の量を減らす。さらに説明すると、各サンプル時間で複数の測定値を保存する代わりに、その期間のセンサーデータ１５０は、単一の潜在的、特徴的な状態値として表される。したがって、センサーデータ１５０を特徴ベクトル１３０に変換することによって、メモリ１１４の格納スペースを削減することができる。

潜在的、特徴的な状態値を生成した後、特徴ベクトル生成命令１２０は、潜在的、特徴的な状態値のシーケンスを決定し、これらの潜在的、特徴的な状態値のシーケンスは特徴ベクトル１３０である。例えば、ｎ個の時間ステップのローリングウィンドウを使用して、ｎ個の潜在的、特徴的な状態値のシーケンスを特徴ベクトルとして識別する。例えば特徴ベクトルの各要素は、潜在的、特徴的な状態値に関連付けられた時間ステップに基づいたシーケンス内の潜在的、特徴的な状態値を示す。

特徴ベクトル１３０が生成された後、特徴ベクトル１３０のそれぞれにラベルが付けられる。例えば、ラベリング命令１２２は、各特徴ベクトルに第１のラベル値または第２のラベル値を付けるように構成される。第１のラベル値は、故障の前兆として識別される特徴ベクトルに対応し、第２のラベル値は、「通常の」特徴ベクトル（例：故障の前兆ではない特徴ベクトル）に対応する。例えば、各特徴ベクトルは、前兆に対応する第１の数値（例：１）または「通常の」特徴ベクトル．に対応する第２の数値（例：０）などの数値でラベル付けされる。特徴ベクトル１３０のそれぞれに対するラベルは、第１のラベル１３６としてメモリ１１４に格納される。

特徴ベクトル１３０のそれぞれは、故障．の発生に対する特徴ベクトル１３０の時間的近接度に基づいてラベル付けされる。説明すると、ラベリング命令１２２が故障データ１３２にアクセスして、故障が発生した時間（例：保守メッセージが生成された時間）を決定する。加えて、または代替として、センサーデータ１５０の少なくとも一部は、対応する故障表示を伴う少なくともいくつかのデータなどの履歴データを含む（例：センサーデータ１５０の少なくとも一部は、計算装置１０４によって受信されたときにラベル付けされ得る）。故障に対する時間的近接度閾値（例：ｍ秒）の範囲内で発生する潜在的、特徴的な状態値のシーケンスは、第１のラベル値（例：１）でラベル付けされ、故障の発生に対する時間的近接閾値の範囲内にない特徴ベクトルは、第２のラベル値（例：０）でラベル付けされる。特定の例として、故障の発生の３分前の時間に対応する各特徴ベクトルは、第１のラベル値（例：「前兆」に対応する１）でラベル付けされる。この例では、故障が発生する３分前ではない時間に対応する特徴ベクトルは、第２のラベル値（例：「通常」に対応する０）でラベル付けされる。他の例では、ｍは３分未満または３分を過ぎている（例：１８０秒）。

ｍの値は、故障につながる潜在的、特徴的な状態値のシーケンスを正しく識別することと偽陽性識別の数を減らすことに関する矛盾する問題に基づいて選択される。例えば、ｍを増やすと、第１のラベル値で最初にラベル付けされる特徴ベクトル（例：潜在的、特徴的な状態値のシーケンス）の数が増え、これにより故障の原因となった特徴ベクトルが識別される可能性が高まるが、偽陽性である特徴ベクトル（例：第１のラベル値でラベル付けされているが、実際には故障と無関係）の数も増える。ｍを減らすと、第１のラベル値で最初にラベル付けされる特徴ベクトルの数が減り、これにより偽陽性の数は減るが、正しい特徴ベクトルが識別される可能性も低くなる。

第１のラベル１３６を生成した後、第１のラベル１３６のサブセットが正しい確率が決定される。例えば、確率決定命令１２４は、特徴ベクトル１３０のサブセットの各特徴ベクトルについて、特徴ベクトルに関連付けられたラベルが正しい確率を決定するように構成される。本明細書でさらに説明するように、確率は、１つ以上の特徴ベクトル１３０のラベルを付け直す際に使用される。該サブセットには、第１のラベル値（例：「前兆」に対応する１）を示すラベルを持つ特徴ベクトルが含まれる。例えば、確率決定命令１２４は、第１のラベル値でラベル付けされた特徴ベクトルが正しくラベルされている確率を決定するように構成される。

特定の実装形態では、確率決定命令１２４は、確率予測器１３４を生成および訓練するように構成される。確率予測器１３４は、各特徴ベクトルが正しくラベル付けされている確率を決定するように構成される。特定の実装形態では、確率予測器１３４には、ランダムフォレスト回帰予測器が含まれる。例えば、ランダムフォレスト回帰予測器には、特徴ベクトル１３０と第１のラベル１３６を入力として使用する教師あり学習プロセスを使用して訓練される複数の回帰木・決定木（multiple regression decision trees）が含まれる。各決定木は、特徴ベクトル１３０の特徴のランダムサンプリングに基づいて数値を出力するように構成され複数の回帰木・決定木の出力は、ランダムフォレスト回帰予測器の出力を生成するためにまとめて平均化される。複数の回帰木・決定木の出力はまとめて平均化されるため、ランダムフォレスト回帰予測器は、許容できるレベルの複雑さと予測速度を維持しながら、訓練データへの過剰適合の可能性を減らす。

回帰ランダムフォレスト予測器は、回帰ランダムフォレスト予測器に提供される各訓練およびテスト特徴ベクトルの回帰値を返す。回帰値は、各特徴ベクトルがそのクラス（例：前兆または通常）にどの程度関連しているかについてのデータ駆動型の信頼スコアであると解釈される。これは、特徴ベクトル１３０の初期のラベルが数値（例：前兆に対応する１および通常に対応する０）であるから可能である。したがって、ランダムフォレスト回帰予測器を訓練した後、特徴ベクトル１３０のサブセットがランダムフォレスト回帰予測器に提供され、特徴ベクトル１３０のサブセットの各特徴ベクトルが正しくラベル付けされている確率を決定するために、ランダムフォレスト回帰予測器の出力（例：回帰値）が使用される。

他の実装形態において、確率予測器１３４には、ニューラルネットワーク予測器、サポートベクターマシン予測器、ベイジアン予測器、パーセプトロン予測器または別のタイプの予測器など、異なるタイプの予測器が含まれる。確率予測器１３４の使用により、機械学習技術を使用した確率の効率的な決定が可能になる。

サブセットに（例えば第１のラベル値でラベル付けされている特徴ベクトルに）関連付けられている確率を決定した後、１つ以上第１のラベル１３６が再割り当てされ、第２のラベル１３８が生成される。例えば、ラベル再割り当て命令１２６は、特徴ベクトル１３０のサブセットの１つ以上の特徴ベクトルのラベルを再割り当てするように構成される。特徴ベクトル（例：再割り当てされるラベルを有する特徴ベクトル）の１つまたは複数は、第１のラベル値（例：「前兆」に対応する１）を示す再割り当て前のラベルを有し、かつ、確率の閾値を満たさない確率を有する。例えば、第１のラベル値（例：「前兆」に対応する）でラベル付けされ、確率の閾値を満たさない確率（例えば確率予測器１３４の出力に基づく）を有する特徴ベクトルの１つまたは複数が、第２のラベル１３８の第２のラベル値（例：「通常の」特徴ベクトルに対応する０）で再ラベル付けされる。数値ラベル値（例：０または１）で再ラベル付けされていると述べられているものの、他の実装形態では、すべてのラベルは、カテゴリーラベル値を使用してラベル付け（例：「前兆」または「通常」）され得る。したがって、故障の発生の時間的近接度閾値の範囲内にある特徴ベクトルの１つまたは複数（第１のラベル値と同様に最初にラベル付けされたサブセット内の特徴ベクトルの１つまたは複数）は、確率に基づいて第２のラベル値で再ラベル付けされる。対応する確率に基づくと、これらの１つ以上の特徴は故障の原因である可能性が低いために、これらの特徴ベクトルの１つまたは複数を再ラベル付けすると、「前兆」である特徴ベクトルの偽陽性識別が減る。加えて、第１のラベル１３６のいくつかは再ラベル付けされない。例えば、ラベル再割り当て命令１２６は、第２のラベル値を示すラベルを有する特徴ベクトル（例：「通常」とラベル付けされた特徴ベクトル）の再ラベル付けを控えるように構成される。別の例として、ラベル再割り当て命令１２６は、確率閾値を満たす確率を有する、サブセットの特徴ベクトル（例：「前兆」とラベル付けされた特徴ベクトル）のラベル付けを控えるように構成される。したがって、故障に関係する可能性が高い特徴ベクトルは、第１のラベル値でラベル付け（例：「前兆」）されたままである。

航空機故障予測分類器１４０は、ラベルを再割り当て（例えば第２のラベル１３８を生成）した後で訓練される。例えば、分類器生成命令１２８は、航空機故障予測分類器１４０を生成および訓練するように構成される。航空機故障予測分類器１４０は、特徴ベクトル１３０と第２のラベル１３８とを含む訓練データを使用して、訓練される。例えば、各特徴ベクトルは「前兆」または「通常」とラベル付けされ（数値ラベル値またはカテゴリーラベル値のいずれかを使用）、ラベル付けされた特徴ベクトルは、入力センサーデータに基づいて航空機の故障の発生を予測するために、航空機故障予測分類器１４０を訓練する教師あり学習プロセスで使用される。この訓練データは、好ましくは、第１のラベル値でラベル付け（例えば「前兆」）された複数の特徴ベクトルと、第２のラベル値でラベル付け（例えは「通常」）された複数の特徴ベクトルとを含む。

特定の実装形態では、航空機故障予測分類器１４０には、ランダムフォレスト分類器が含まれる。ランダムフォレスト分類器には、特徴ベクトル１３０と第２のラベル１３８に基づく教師あり学習プロセスを用いて訓練されて、入力特徴ベクトルが第１のラベル値（例：１または「前兆」）または第２のラベル値（例：０または「通常」）に関連するか否かを決定する複数の決定木分類器が含まれる。各決定木分類器は、特徴ベクトル１３０からの特徴のランダム（または擬似ランダム）選択を使用して訓練され、分類を出力する（例えば、入力特徴ベクトルを「前兆」または「通常」とラベル付けする）。複数の決定木分類器の出力は、多数決プロセスを用いて集約される。例えば、所与の入力特徴ベクトルに対して、より多くの決定木分類器が「通常」よりも「前兆」を出力した場合、ランダムフォレスト分類器の出力は「前兆」となる。ランダムフォレスト分類器の出力は複数の決定木分類器の出力の集合であるため、ランダムフォレスト分類器は、許容可能なレベルの複雑さと分類速度を維持しながら、訓練データへの過剰適合の可能性を減らす。したがって、ランダムフォレスト分類器ｉの出力は、入力特徴ベクトルに関連付けられたラベル値である。ランダムフォレスト分類器として説明されているが、他の実装形態では、航空機故障予測分類器１４０には、ニューラルネットワーク分類器、サポートベクターマシン分類器、ベイジアン分類器、パーセプトロン分類器または別のタイプの分類器などの異なるタイプの分類器が含まれる。

特定の実装形態では、航空機の運転中、計算装置１０４は、センサー１０２からリアルタイムセンサーデータ１５２（または近リアルタイムセンサーデータ）を受信する。本明細書で使用される場合、リアルタイムまたは近リアルタイムで受信されるセンサーデータとは、航空機（または他の車両）の運転中に生成され、任意の処理が実行された後にセンサー１０２から受信されるセンサーデータを指す。例えば、センサー１０２は、リアルタイムセンサーデータ１５２を生成するために航空機を監視して、リアルタイムセンサーデータ１５２を計算装置１０４に渡す（または処理して渡す）ように構成されている。複数の航空機（例：同じタイプの複数の航空機、異なるタイプの複数の航空機またはこれらの組み合わせ）からの履歴センサーデータを含むことができるセンサーデータ１５０とは異なり、リアルタイムセンサーデータ１５２は、特定の航空機から、その特定の航空機の飛行中（またはその他の運転中）に受信される。プロセッサ１１２は、特徴ベクトル生成命令１２０を実行して、リアルタイムセンサーデータ１５２に基づく追加の特徴ベクトルを生成する。追加の特徴ベクトルは、特徴ベクトル１３０を生成するためのプロセスに従って生成される。追加の特徴ベクトルが生成された後、追加の特徴ベクトルは、航空機故障予測分類器１４０に提供され、航空機故障予測分類器１４０は、リアルタイムセンサーデータ１５２に基づいて（例えば追加の特徴ベクトルに基づいて）故障が予測されるか否かの表示を出力する。したがって、航空機故障予測分類器１４０は、航空機（または他の車両）からのリアルタイムセンサーデータに基づいて、航空機（航空機（または他の車両）の運転中に故障が発生するか否かを予測するために使用され得る。

特定の実装形態では、プロセッサ１１２は、航空機故障予測分類器１４０を実行するように構成されている。例えば、計算装置１０４は航空機に実装することができ、プロセッサ１１２は、航空機の飛行中に航空機故障予測分類器１４０を実行して故障の発生を予測するように構成される。あるいは、航空機故障予測分類器１４０は計算装置１０４によって生成され、実行のために別の装置に提供され得る。例えば、計算装置１０４は地上局に実装することができ、航空機故障予測分類器１４０は、地上局で生成され、その後、航空機の運転中の実行のために航空機に提供され得る。航空機は、特徴生成命令を実行して、リアルタイムセンサーデータに基づいて特徴ベクトルを生成し、特徴ベクトルは、航空機の故障状態を予測する際に使用するために航空機故障予測分類器１４０に提供される。

特定の実装形態では、プロセッサ１１２は、ディスプレイ装置１０６での表示のためのグラフィカルユーザーインターフェース（ＧＵＩ）１６０を生成するように構成される。例えば、メモリ１１４は、プロセッサ１１２によって実行可能なＧＵＩ生成命令を格納する。ＧＵＩ１６０は、リアルタイムセンサーデータ１５２での航空機故障予測分類器１４０の実行結果を示す。特定の例として、ＧＵＩ１６０には、予測される故障の発生と予測される故障の発生に関連付けられた特定の補修とを示すプロンプト１６２が含まれ得る。説明すると、メモリ１１４に格納されたデータは、潜在的、特徴的な状態値（例：特徴ベクトル）の１つまたは複数のシーケンスを特定のタイプの故障と相関させることができ、この特定のタイプの故障は、航空機に対して実施される異なる修復に関連し得る。プロセッサ１１２は、特定の特徴ベクトルを対応する補修に一致させた後にプロンプト１６２を発行する。別の特定の例として、ＧＵＩ１６０は補修スケジュール１６４の表示を含むことができ、補修スケジュールは故障の発生の予測に基づいて再編成するこができる。例えば、航空機故障予測分類器１４０による故障の予測により、航空機の予定された補修またはダウンタイムを短期化することができる。

システム１００は、航空機故障予測分類器１４０の生成を高速かつ効率的な方法で可能にする。航空機故障予測分類器１４０は特徴ベクトル１３０に基づいて（例えばセンサーデータ１５０に基づいて）訓練されるため、本明細書に記載の技術は、航空機の運転状態をモデル化するために生成される物理ベースのモデルと比較してデータ駆動型である。これらの物理ベースのモデルは開発に時間がかかり、かなりの処理及び格納リソースを使用する可能性がある。別の利点として、航空機故障予測分類器１４０を訓練するために使用される訓練データはシステム１００によりラベル付けされ、それにより、ユーザーによって実施される時系列データのラベリングが減る（またはなくなる）。加えて、特徴ベクトル１３０は訓練データとして使用される前に再ラベル付けされるため、航空機故障予測分類器１４０による故障の偽陽性識別が低減される。したがって、システム１００は、航空機の補修時間またはダウンタイムを削減し、かつ、故障の偽陽性識別の少ない航空機故障予測分類器１４０の生成を可能にし、そのことが航空機故障予測分類器１４０の有用性を改善する。

図２を参照すると、潜在的、特徴的な状態値のシーケンスを決定する例が示されており、全体として２００とされる。潜在的、特徴的な状態値のシーケンスは、図１のセンサーデータ１５０に基づいて決定される。潜在的、特徴的な状態値のシーケンスが決定されると、シーケンスの値が特徴ベクトル１３０として格納される。

潜在的特徴値のシーケンスを決定するために、センサーデータ１５０は最初に潜在的、特徴的な状態値に変換される。センサーデータ１５０を潜在的、特徴的な状態値に変換するために、センサーデータ１５０に対してクラスタリング操作が実行される。クラスタリング操作は、データ点の特徴及び関係に基づいてセンサーデータ１５０の要素（例えばデータ点）をｊ次元特徴空間内でクラスターに分類し、ここでｊは、データ点の特徴及び関係に基づくセンサーデータ１５０内のセンサー変数（例えばパラメータ）の種類の数である。センサーデータ１５０はクラスタリング前にラベル付けされないため、教師なし学習プロセスを使用してクラスタリングが実行される。

特定の実装形態では、センサーデータ１５０に対してｋ平均法が実行されて、特徴空間内でセンサーデータ１５０がクラスター化される。説明すると、複数のクラスターを決定し、各クラスターのクラスター中心を最初に機能空間に設定する。特定の実装形態では、クラスターの数は、ユーザー入力に基づいて、データの追加分析に基づいて、または何か他の方法で決定される。特徴空間内の各クラスター中心を初期化した後、データ点がさまざまなクラスターに追加され、クラスター中心の場所が変更される。例えば、第１のデータ点が他のいかなるクラスターよりも第１のクラスターに近いとの決定に応じて、第１のデータ点が第１のクラスターに追加され、第１のクラスターの中心の位置が、最初のクラスター中心の位置と第１のデータ点の位置の間にあるように変更される（例えば更新される）。特定の実装形態では、クラスター中心は、クラスター中心と第１のクラスターの各データとの間のユークリッド距離の２乗が最小になるように更新される。同様の方法で、さらなる点をクラスターに追加できる。例えば、第２のデータ点は、他のいかなるクラスターの中心よりも第２のクラスターのクラスター中心に近い第２のデータ点に基づいて第２のクラスターに追加することができ、第２のクラスターのクラスター中心の位置は第２のデータ点．の位置に基づいて更新される。第１のクラスタリング操作は、（例えばセンサーデータ１５０の）すべてのデータ点が対応するクラスターに割り当てられるまで続き、クラスター中心の各位置は割り当てに基づいて更新される。

別の実装形態では、潜在的、特徴的な状態値を決定するために、センサーデータ１５０に対してｋ平均法クラスタリング操作が実行される。ｋ非類似度総和最小法クラスタリング操作は、ｋ平均法クラスタリング操作と似ているが、クラスター中心の位置とクラスター内の各データ点の位置との差を最小化するようなクラスター内のデータ点の位置にクラスター中心が更新される点は異なる。ｋ非類似度総和最小法クラスタリング操作は、ｋ平均法クラスタリング操作よりもノイズや外れ値に対してより堅牢であり得る。

別の特定の実装形態では、潜在的、特徴的な状態値を決定するために、ガウス混合モデル（ＧＭＭ）クラスタリング操作、例えばディリクレ過程（ＤＰＧＭＭ）クラスタリング操作をセンサーデータ１５０に対して実行する。説明すると、クラスター中心は、各クラスター中心周辺のデータ点が正規分布しているという仮定に基づいて決定される。具体的には、ＤＰＧＭＭは、ＧＭＭ内の混合モデル数の事前分布としてディリクレ過程を有する無限混合モデルを想定しており、ここで「混合」は、状態またはクラスターに相当する。ＤＰＧＭＭでは、データに最も適切なクラスターの数は、式１によって定義できる分布Ｇ（μ）に従って計算される。

クラスターの平均値

は、分布Ｈ（λ）に従って分布する（ここでＨ（λ）は、クラスターの分布に関するユーザーの事前の信念を表し、ユーザーが選択したパラメータλを持つ任意のパラメータ分布に割り当てることができる）。

は、指示関数である。

上の分布は、クラスターの無限セットに対して対称であり、ここで

は、ｋ番目のクラスターに属するデータ点の事前確率である。パラメータλを持つディリクレ過程分布の仮定に基づいて、クラスター内のクラスターの数および点内の分布のカウスモデルに対してデータを記述する最適なクラスター数（潜在的、特徴的な状態の数につながる）を見つけることは、クラスター確率とそれに関連する平均値の事後分布を見つけることを意味する。特定の実装形態では、クラスター数の決定は、クラスター数の事後確率に対するマルコフ連鎖モンテカルロ（ＭＣＭＣ）サンプリングを通じて実行される。

他の実装形態では、階層クラスタリング、平均シフトクラスタリング操作、連結クラスタリング操作、密度クラスタリング操作（ＤＢＳＣＡＮなど）、分布クラスタリング操作、ＥＭクラスタリング操作、又は他の種類のクラスタリング操作もしくはアルゴリズムなどの、他の種類のクラスタリング操作が実行される。

各クラスターは、特徴空間内の潜在的、特徴的な状態値を表します。センサーデータ１５０を潜在的、特徴的な状態値にクラスター化した後、潜在的、特徴的な状態値のシーケンスが決定される。図２に示される例では、センサーデータ１５０は４つのクラスターの１つにクラスター化され、各クラスターは４つの状態、すなわち第１の状態、第２の状態、第３の状態および第４の状態のうちの１つを表す。各時間ｔにおいて、潜在的、特徴的な状態値は、時間ｔに対応するデータ点がクラスタリング操作によってどのクラスターに配置されるかに基づいて決定され得る。図２に示される例では、クラスタリング操作の結果、時間ｔ１は第２の状態に関連付けられ、時間ｔ２は第２の状態に関連付けられ、時間ｔ３は第１の状態に関連付けられ、時間ｔ４は第３の状態に関連付けられ、時間ｔ５は第３の状態に関連付けられ、時間ｔ６は第４の状態に関連付けられ、時間ｔ７は第１の状態に関連付けられ、時間ｔ８は第３の状態に関連付けられ、時間ｔ９は第２の状態に関連付けられ、時間ｔ１０は第４の状態に関連付けられる。他の例では、センサーデータ１５０は、４つ未満または４つを超えるクラスターにクラスター化される。

センサーデータ１５０に基づいて潜在的な状態特徴値を決定した後、潜在的な状態特徴値のシーケンスが決定される。特定の実装形態では、シーケンスは、ローリングウィンドウ２１５を潜在的、特徴的な状態値に適用することによって決定される。例えば、サンプルを有するローリングウィンドウを潜在的、特徴的な状態値に適用して、長さｎを有する潜在的、特徴的な状態値のシーケンスを決定することができる。図２に示される例では、ｎは４つの時間ステップである。これらの時間ステップは、時間のいかなる増分にも対応でき、他の実装形態では、ｎは４未満または４を超える時間ステップである。図２の例で長さｎの潜在的、特徴的な状態値のシーケンス（潜在的特徴の時間シーケンス（ＴＳＬＦ）とも呼ばれる）を選択すると、潜在的、特徴的な状態値の第１のシーケンス２０２、潜在的、特徴的な状態値の第２のシーケンス２０４、潜在的、特徴的な状態値の第３のシーケンス２０６、潜在的、特徴的な状態値の第４のシーケンス２０８、潜在的、特徴的な状態値の第５のシーケンス２１０、潜在的、特徴的な状態値の第６のシーケンス２１２及び潜在的、特徴的な状態値の第７のシーケンス２１４が生成される。潜在的、特徴的な状態値の第１のシーケンス２０２は時間ｔ１〜ｔ４に対応し、潜在的、特徴的な状態値の第２のシーケンス２０４は時間ｔ２〜ｔ５に対応し、潜在的、特徴的な状態値の第３のシーケンス２０６は時間ｔ３〜ｔ６に対応し、潜在的、特徴的な状態値の第４のシーケンス２０８は時間ｔ４〜ｔ７に対応し、潜在的、特徴的な状態値の第４のシーケンス２１０は時間ｔ５〜ｔ８に対応し、潜在的、特徴的な状態値の第６のシーケンス２１２は時間ｔ６〜ｔ９に対応し、潜在的、特徴的な状態値の第７のシーケンス２１４は時間ｔ７〜ｔ１０に対応する。潜在的、特徴的な状態値の追加のシーケンスは、時間ｔ８、ｔ９、ｔ１０、ｔ１１等から始めて決定することができる。

潜在的、特徴的な状態値のシーケンス２０２〜２１４には、連続する時間ステップに関連するｎ個の特徴値のシーケンスが含まれる。図２に示される例では、潜在的、特徴的な状態値の第１のシーケンス２０２には、第２の状態、それに続く第２の状態、それに続く第１の状態、それに続く第３の状態が含まれる。潜在的、特徴的な状態値の第２のシーケンス２０４には第２の状態、それに続く第１の状態、それに続く第３の状態、それに続く第３の状態が含まれる。潜在的、特徴的な状態値の第３のシーケンス２０６には第１の状態、それに続く第３の状態、それに続く第３の状態、それに続く第４の状態が含まれる。潜在的、特徴的な状態値の第４のシーケンス２０８には第３の状態、それに続く第３の状態、それに続く第４の状態、それに続く第１の状態が含まれる。潜在的、特徴的な状態値２１０の第４のシーケンスには第３の状態、それに続く第４の状態、それに続く第１の状態、それに続く第３の状態が含まれる。潜在的、特徴的な状態値２１２の第６のシーケンスには第４の状態、それに続く第１の状態、それに続く第３の状態、それに続く第２の状態が含まれる。潜在的、特徴的な状態値２１４の第７のシーケンスには第１の状態、それに続く第３の状態、それに続く第２の状態、それに続く第４の状態が含まれる。

潜在的、特徴的な状態値のシーケンス２０２〜２１４は、特徴ベクトル１３０として保存することができる。説明すると、特徴ベクトル１３０の第１の特徴ベクトルを決定することは、第１の期間（例：ｔ１−ｔ４）のサンプル期間の第１のセット内の潜在的、特徴的な状態値の第１のシーケンス２０２を決定することを含む。第１の特徴ベクトルの各要素は、潜在的、特徴的な状態値の第１のシーケンス２０２の対応する潜在的、特徴的な状態値を含む。図２の例では、第１の特徴ベクトルは、潜在的、特徴的な状態値の第１のシーケンス２０２の潜在的、特徴的な状態値に基づく［２，２，１，３］を含む。さらに説明すると、特徴ベクトル１３０の第２の特徴ベクトルを決定することは、第２の期間（例：ｔ２−ｔ５）のサンプル期間の第２のセット内の潜在的、特徴的な状態値の第２のシーケンス２０４を決定することを含む。第２の特徴ベクトルの各要素は、潜在的、特徴的な状態値の第２のシーケンス２０４の対応する潜在的、特徴的な状態値を含む。図２の例では、第２の特徴ベクトルは［２，１，３，３］を含む。さらに、図２に示すように、１つの特徴ベクトルに関連付けられた期間は、別の特徴ベクトルに関連付けられた期間と重複する可能性がある。例えば、第１の特徴ベクトルと第２の特徴ベクトルは、（例えば、連続する各時間ステップで適用されるローリングウィンドウ２１５により）ｔ２〜ｔ４の重複期間に関連する。同様に、第３の特徴ベクトルは［１，３，３，４］を含み、第４の特徴ベクトルは［３，３，４，１］を含み、第５の特徴ベクトルは［３，４，１，３］を含み、第６の特徴ベクトルは［４，１，３，２］を含み、第７の特徴ベクトルは［１，３，２，４］を含む。

潜在的、特徴的な状態値のシーケンス２０２〜２１４に対応する特徴ベクトルを決定した後、特徴ベクトルはラベル付けされる。ラベリングは、故障に対する特徴ベクトルの時間的近接度に基づく。説明すると、センサーデータ１５０は、様々な時間に相関する履歴センサーデータを含み、故障データ１３２は、様々な時間における故障の発生を示す。特定の実装形態では、故障は、航空機による保守メッセージの生成によって示される。ラベリングのために、サイズｎのローリングウィンドウ２１５を使用して、故障の発生前は「前兆」とラベル付けされ、他の特徴ベクトルは「通常」とラベル付けされる潜在的、特徴的な状態値（及び対応する特徴ベクトル）のシーケンス及び時間ｍ内の時間に関連する特徴ベクトル（例：時間的近接度閾値）を決定する。特定の実装形態では、ｎは１５秒で、ｍは３分である。他の実装形態では、ｎとｍは他の値を有する。

説明すると、図２の例では、故障２１８は時間ｔ１２に発生する。故障２１８の発生との時間的近接度２１６の閾値の範囲内にある特徴ベクトルには、第１のラベル値２２０のラベルが付けられ、故障２１８の発生との時間的近接度２１６の閾値の範囲内にない特徴ベクトルには、第２のラベル値２２２のラベルが付けられる。例えば、潜在的、特徴的な状態値の第５のシーケンス２１０、潜在的、特徴的な状態値の第６のシーケンス２１２、潜在的、特徴的な状態値の第７のシーケンス２１４に対応する特徴ベクトルには、第１のラベル値２２０（例：「前兆」に対応する１）が割り当てられる。なぜなら、潜在的、特徴的な状態値のこれらの時間シーケンスは完全に時間的近接度２１６の閾値内で発生するためである。別の例として、潜在的、特徴的な状態値の第１のシーケンス２０２、潜在的、特徴的な状態値の第２のシーケンス２０４、潜在的、特徴的な状態値の第３のシーケンス２０６および潜在的、特徴的な状態値の第４のシーケンス２０８に対応する特徴ベクトルには、第２のラベル値２２２（例：「通常」に対応する０）が割り当てられる。なぜなら、潜在的、特徴的な状態値の時間シーケンスの少なくとも一部が時間的近接度２１６の閾値の外側で発生するためである。したがって、故障２１８の発生に対する時間的近接度２１６の閾値内にある時間に関連する特徴ベクトルは、最初に「前兆」とラベル付けされ、故障２１８の発生に対する時間的近接度２１６の閾値内にない特徴ベクトルは、最初に「通常」とラベル付けされる。図１を参照してさらに説明すると、これらの特徴ベクトルの１つまたは複数は、特徴ベクトルに関連付けられた確率に基づいて再ラベル付けされ、それにより偽陽性率（例：潜在的、特徴的な状態値のシーケンスが故障の直接の原因ではないにもかかわらず潜在的、特徴的な状態値のシーケンスを前兆と識別する率）が下がる。

したがって、図２は、センサーデータ（例：図１のセンサーデータ１５０）を潜在的、特徴的な状態値のシーケンスに変換することを示している。センサーデータ全体を保存する代わりに、潜在的、特徴的な状態値のシーケンスに基づいて特徴ベクトルを保存すると、メモリ１１４の保存スペースの使用が削減される。さらに、故障の発生に対する時間的近接度に基づいて、最初に特徴ベクトルにラベルを付けることができる。最初に特徴ベクトルにラベルを付けるこの手法は、「コース」ラベリング（“course” labeling）を提供し、これは、図１を参照してさらに説明されるように、特徴ベクトルに関連付けられた確率値に基づいて１つまたは複数のラベルを再割り当てすることによって「微調整」することができる。

図３を参照すると、確率に基づいてラベルを再割り当てする例が示されており、全体として３００とされる。複数の特徴ベクトル３０２〜３０８が生成される。例えば、特徴ベクトル３０２〜３０８は、図１の特徴ベクトル１３０を含むか、これに対応する。図２を参照して説明されるように、特徴ベクトルは潜在的、特徴的な状態値のシーケンスを示す。図３の例では、第１の特徴ベクトル３０２は［３，２，４，１］を含み、第２の特徴ベクトル３０４は［２，４，１，２］を含み、第３の特徴ベクトル３０６は［２，２，１，３］を含み、第４の特徴ベクトル３０８は［２，１，３，３］を含む。他の例では、特徴ベクトルは他の値を有し、４つ未満または４つを超える特徴ベクトルが生成され得る。

特徴ベクトル３０２〜３０８が決定された後、特徴ベクトル３０２〜３０８には、図２を参照して説明されるように、故障の発生に対する時間的近接度閾値内にあるかどうかに基づいてラベルが割り当てられる。この初期ラベリングプロセス中に、第１の特徴ベクトル３０２および第２の特徴ベクトル３０４は故障の発生に対する時間的近接度閾値内にあること、ならびに特徴ベクトル３０６および第４の特徴ベクトル３０８は故障の時間的近接度閾値内にないことが決定される。したがって、第１の特徴ベクトル３０２のラベル３２０および第２の特徴ベクトル３０４のラベル３２２には第１のラベル値（例：「前兆」に対応する１）が割り当てられ、第３の特徴ベクトル３０６のラベル３２４および第４の特徴ベクトル３０８のラベル３２６には第２のラベル値（例：「通常」に対応する０）が割り当てられる。

初期ラベル割り当ての後、初期ラベル割り当てが特徴ベクトル３０２〜３０４に対して正しい確率が決定される。図１を参照して説明されるように、特徴ベクトル３０２〜３０８および対応するラベル３２０〜３２６は、ランダムフォレスト回帰分類器などの確率分類器を訓練するための訓練データとして使用される。確率分類器を使用して、対応する特徴ベクトルが正しい確率値が決定される。図３の例では、第１の特徴ベクトル３０２には．９の確率３１０が割り当てられ、第２の特徴ベクトル３０４には．４３の確率３１２が割り当てられている。第３の特徴ベクトル３０６と第４の特徴ベクトル３０８のラベルは第２のラベル値（例：「通常」に対応する０）を有するため、第３の特徴ベクトル３０６と第４の特徴ベクトル３０８の確率は関連がない。

確率３１０〜３１２のいずれかが確率閾値３３０を満たさない（例えば、それ未満である）確率を決定するために、確率３１０〜３１２が確率閾値３３０と比較される。図３の例では、確率閾値３３０は．７であり、したがって、第２の特徴ベクトル３０４の確率３１２は確率閾値３３０を満たさない。

故障状態の前兆の偽陽性識別の数を減らすために、ラベル３２０〜３２２のうちの１つまたは複数のラベルが確率３１０〜３１２に基づいて再割り当てされる。説明すると、ラベルが第１のラベル値（例：「前兆」に対応する１）を有し、対応する確率が確率閾値３３０を満たさない場合、ラベルは第２のラベル値（例：「通常」に対応する０）に再割り当てされる。例えば、第２の特徴ベクトル３０４には最初に第１のラベル値が割り当てられるため、かつ、確率３１２が確率閾値３３０を満たさないため、ラベル３２２は、第２のラベル値（例：「通常」に対応する０）を有する再割り当てラベル３４０に再割り当てされる。図３では、確率３１０が確率閾値３３０を満たすため、ラベル３２０は再割り当てされない。追加の、ならびに（Additional, and）ラベル３２４および３２６は、初期ラベル値が第２のラベル値（例：「通常」に対応する０）であるため、再割り当てされない。

確率に基づいてラベルを再割り当てすることにより、故障の前兆である１つ以上の偽陽性識別が削減される。１つまたは複数のラベルが再割り当てされた後、図１を参照して説明されるように、航空機故障予測分類器１４０を訓練するためにラベル付けされた特徴ベクトルが訓練データとして使用される。航空機故障予測分類器１４０を訓練して故障状態の偽陽性ｉ識別をより少なく出力することにより、航空機故障予測分類器１４０の有用性が向上する。

図４は、航空機故障予測分類器を生成する方法４００を示している。特定の実装形態では、該方法４００は、計算装置１０４によって（例えばプロセッサ１１２によって）実行される。

該方法００は、４０２で潜在的、特徴的な状態値を計算することを含む。例えば、図２を参照して説明されるように、潜在的、特徴的な状態値は、センサーデータ１５０に基づいて決定される。特定の実装形態では、潜在的、特徴的な状態値は、センサーデータ１５０に対してクラスタリング操作を実行して、センサーデータ１５０を潜在的、特徴的な状態値に対応するクラスターに分類することによって決定される。クラスタリング操作は、ｋ平均法クラスタリング操作、ｋ非類似度総和最小法クラスタリング操作、ＤＰＧＭＭクラスタリング操作または別のタイプのクラスタリング操作であり得る。

方法４００は、４０４で特徴ベクトルを計算することを含む。特定の実装形態では、特徴ベクトル１３０を計算することは、潜在的、特徴的な状態値のｎ個の長さのシーケンスを計算することを含む。ラベリングのために、故障の発生前の期間ｍ内にある特徴ベクトルが識別される。

方法４００は、４０６で特徴ベクトルをラベリングすることを含む。例えば、故障の発生に対する時間的近接度閾値（例：期間ｍ）内にある特徴ベクトルは、第１のラベル値（例：「前兆」に対応する数値）でラベル付けされ、故障の発生に対する時間的近接度閾値の範囲内にない特徴ベクトルは、第２のラベル値（例：「通常」に対応する数値）でラベル付けされる。この最初のラベリングプロセスが第１のラベル１３６を生成する。

方法４００は、４０８で、特徴ベクトルおよびラベルを確率予測器に渡すことを含む。例えば、特徴ベクトル１３０および第１のラベル１３６は、教師あり訓練でデータとして確率予測器１３４に渡される。特定の実装形態では、確率予測器１３４には、ランダムフォレスト回帰分類器が含まれる。他の実装形態において、確率予測器１３４には、ニューラルネットワーク予測器、サポートベクターマシン予測器、ベイジアン予測器、パーセプトロン予測器、または別のタイプの予測器が含まれる。入力特徴ベクトルが特定のクラス（例えば「前兆」または「通常」）に属する確率を示す数値を出力するように訓練されることに加えて、確率予測器１３４は、特徴ベクトル１３０が正しくラベル付けされている確率を決定するために使用される。

方法４００は、４１０で、おそらく故障に最も関連する可能性が高い特徴ベクトルを識別することと、他の特徴ベクトルを再ラベル付けすることとを含む。例えば、最初に第１のラベル値でラベル付け（例：「前兆」）され、閾値を満たす（例えば閾値以上である）確率を有する特徴ベクトルは、故障に最も関連していると考えられ、それゆえ、これらの特徴ベクトルのラベルは維持される。第１のラベル値で最初にラベル付け（例：「前兆」）されており、かつ、閾値を満たさない（例えば閾値未満である）確率を有する特徴ベクトルは、第２の値で再ラベル付け（例：「通常」）される。方法４００は、第２のラベル値で最初にラベル付け（例：「通常」）されている特徴ベクトルの再ラベル付けは控える。１つまたは複数ラベルの再ラベリングは、第２のラベル１３８を生成する。

方法４００は、４１２で、再ラベル付けされた特徴ベクトルを使用して航空機故障予測分類器を訓練することをさらに含む。例えば、特徴ベクトル１３０と第２のラベル１３８は、航空機故障予測分類器を訓練して入力特徴ベクトルに基づいて故障を予測するように、教師あり訓練データとして航空機故障予測分類器１４０に提供される。特定の実装形態では、航空機故障予測分類器１４０には、ランダムフォレスト分類器が含まれる。他の実装形態では、航空機故障予測分類器には、ニューラルネットワーク分類器、サポートベクターマシン分類器、ベイジアン分類器、パーセプトロン分類器または別のタイプの分類器などの他のタイプの分類器が含まれる。

方法４００は、航空機故障予測分類器１４０の生成および訓練を可能にする。航空機故障予測分類器１４０は再ラベル付けされた訓練データ（例：第１のラベル１３６の代わりに、特徴ベクトル１３０および第２のラベル１３８）に基づいて訓練されるため、航空機故障予測分類器１４０は、故障の偽陽性識別をより少なく生成する。したがって、方法４００は、航空機故障予測分類器１４０の有用性を向上させる。

図５は、航空機故障予測分類器を生成する方法５００を示している。特定の実装形態では、該方法５００は、計算装置１０４によって（例えばプロセッサ１１２によって）実行される。

方法５００は、５０２で、複数の特徴ベクトルを含む入力データを受信することを含む。入力データには、１または複数の航空機に関連付けられたセンサーデータが含まれる。例えば、プロセッサ１１２は、センサー１０２から（またはデータ記憶装置などの１つ以上の他の装置から、またはメモリ１１４に格納された）センサーデータ１５０を受信する。

方法５００は、５０４で、故障の発生に対する特徴ベクトルの時間的近接度に基づいて、複数の特徴ベクトルの各特徴ベクトルにラベルを付けることを含む。故障の発生に対する時間的近接度閾値の範囲内にある特徴ベクトルには、第１のラベル値が付けられ、故障の発生に対する時間的近接度閾値の範囲内にない特徴ベクトルには、第２のラベル値が付けられる。例えば、特徴ベクトル１３０は、故障データ１３２に基づいてラベル付けされ、第１のラベル１３６を生成する。第１のラベル１３６のそれぞれは、対応する特徴ベクトルが故障の時間的近接度閾値内にあるか否かに基づいて、第１のラベル値（例：「前兆」に対応する数値）または第２のラベル値（例：「通常」に対応する数値）を含む。

この方法５００は、５０６で、複数の特徴ベクトルのサブセットの各特徴ベクトルについて、特徴ベクトルに関連付けられたラベルが正しい確率を決定することが含まれる。該サブセットには、第１のラベル値を示すラベルを持つ特徴ベクトルが含まれる。例えば、特徴ベクトル１３０および第１のラベル１３６が確率予測器１３４に提供されて、特徴ベクトル１３０のサブセットが正しくラベル付けされている確率を決定する。特徴ベクトル１３０のサブセットは、最初のラベリング工程中に第１のラベル値でラベル付け（例えば「前兆」）されている特徴ベクトルを含む。

方法５００は、５０８で、サブセットの１つまたは複数の特徴ベクトルのラベルを再割り当てすることを含む。これらの１つまたは複数の特徴ベクトルは、確率閾値を満たさない確率を有する。例えば、第１の特徴ベクトルは、第１のラベル値でラベル付け（例えば「前兆」）され、確率閾値を満たさない確率を有する。したがって、第１の特徴ベクトルのラベルは、第２のラベル値に再割り当てされる（例えば「通常」）。１つまたは複数の第１のラベル１３６を再割り当てすると、第２のラベル１３８が生成される。

この方法５００は、５１０で、１つまたは複数の特徴ベクトルのラベルを再割り当てした後、複数の特徴ベクトルと複数の特徴ベクトルに関連付けられたラベルとを含む教師あり訓練データを使用して、航空機故障予測分類器を訓練することをさらに含む。航空機故障予測分類器は、航空機の第２のセンサーデータを使用して、航空機に対する第２の故障の発生を予測するように構成されている。例えば、特徴ベクトル１３０および第２のラベル１３８は、航空機故障予測分類器１４０を訓練するための教師あり訓練データとして使用される。航空機故障予測分類器１４０は、センサー１０２からのリアルタイムセンサーデータ１５２に基づいて航空機の故障を予測するように構成される。

特定の実装形態では、１つまたは複数の特徴ベクトルは、該発生に対する時間的近接度閾値の範囲内にある。例えば、再割り当てされたラベルを持つ特徴ベクトルは、故障の発生に対する時間的近接度閾値の範囲内にある（例えば、特徴ベクトルには最初に「前兆」ラベルが割り当てられる）。故障に対する時間的近接度閾値の範囲内にあり、したがって第１の値でラベル付け（例えば「前兆」）されている１つまたは複数の特徴ベクトルを再割り当てすることにより、航空機故障予測分類器１４０による故障状態の偽陽性識別を減らし、そのことが航空機故障予測分類器１４０の有用性を向上させる。

特定の実装形態では、航空機故障予測分類器には、ランダムフォレスト分類器が含まれる。例えば、航空機故障予測分類器１４０には、ランダムフォレスト分類器が含まれる。ランダムフォレスト分類器は、許容できる複雑さと分類速度を維持しながら、航空機故障予測分類器１４０が訓練データに過剰適合する可能性を減らす。

特定の実装形態では、方法５００は、確率予測器を訓練して、各特徴ベクトルに関連する確率を決定することをさらに含む。例えば、確率予測器１３４は、第１のラベル１３６の対応するラベルが正しい確率を示す確率係数を出力するように訓練される。確率予測器１３４を使用することにより、機械学習技術を使用した、確率の効率的な決定が可能になる。いくつかの実装形態では、確率予測器１３４には、ランダムフォレスト回帰予測器が含まれる。ランダムフォレスト回帰予測器は、許容できるレベルの複雑さと分類速度を維持しながら、確率予測器１３４が訓練データに過剰適合する可能性を減らす。

特定の実装形態では、方法５００は、第２のラベル値を示すラベルを有する特徴ベクトル、または確率閾値を満たす確率を有する、サブセットの特徴ベクトルを再ラベル付けすることを控えることをさらに含む。例えば図３を参照すると、確率３１０が確率閾値３３０を満たす（例えば、それ以上である）であることから、第１の特徴ベクトル３０２は再ラベル付けされない。加えて、第３の特徴ベクトル３０６および第４の特徴ベクトル３０８は、特徴ベクトルが最初に第２のラベル値でラベル付け（例：「通常」）されることから、再ラベル付けされない。第２のラベル値で最初にラベル付けされた特徴ベクトルの再ラベル付けを控えることにより、実行される確率比較の数が減り、再ラベル付けプロセスの速度が向上する。

特定の実装形態では、複数の特徴ベクトルは、複数のサンプル期間にわたる潜在的、特徴的な状態値のシーケンスを含む。１つの潜在的、特徴的な状態値は、１つのサンプル期間に対応する。例えば、潜在的、特徴的な状態値のシーケンス２０２〜２１４は、センサーデータ１５０に基づいて決定される。各潜在的、特徴的な状態値は、異なる期間に対応する。潜在的、特徴的な状態値のシーケンスを決定することは、故障状態を予測するために使用できる情報を決定する一方で、センサーデータ１５０のサイズを小さくする。いくつかの実装形態では、方法５００は、センサーデータに対してクラスタリング操作を実行して、センサーデータを潜在的、特徴的な状態値に分類することを含む。例えば、センサーデータ１５０を潜在的、特徴的な状態値にクラスター化するために、センサーデータ１５０に対してクラスタリング操作が実行される。特定の実装形態では、クラスタリング操作には、ｋ平均法クラスタリング操作、ｋ非類似度総和最小法クラスタリング操作、ＤＰＧＭＭクラスタリング操作または別のタイプのクラスタリング操作が含まれる。センサーデータ１５０をクラスターにクラスター化することにより、センサーデータ１５０内の特徴および関係に基づいて、関連のある潜在的、特徴的な状態値を決定することができる。いくつかの実装形態では、潜在的、特徴的な状態値は、ｊ次元の特徴空間内のクラスターに対応し、ここでｊは、センサーデータ内のセンサー変数の種類の数である。例えば、クラスタリング操作の実行により、センサーデータ１５０は、ｊ次元特徴空間内のクラスターに縮小される。センサーデータ１５０をｊ次元特徴空間内のクラスターに縮小すると、センサーデータ１５０内の多くの変数の特徴に基づいて、関連のある潜在的、特徴的な状態値を決定することができる。

いくつかの実装形態では、複数の特徴ベクトルの第１の特徴ベクトルを決定することは、第１の期間のサンプル期間の第１のセット内の潜在的、特徴的な状態値の第１のシーケンスを決定することを含む。第１の特徴ベクトルの各要素は、第１のシーケンスの対応する潜在的、特徴的な状態値を含む。例えば、潜在的、特徴的な状態値の第１のシーケンス２０２は、図２のサンプル期間ｔ１〜ｔ４に対して決定される。第１の特徴ベクトルは、潜在的、特徴的な状態値の第１のシーケンス２０２に基づいて生成され、図２に示すように、第１の特徴ベクトルの第１の要素は第２の状態を含み、第１の特徴ベクトルの第２の要素は第２の状態を含み、第１の特徴ベクトルの第３の要素は第１の状態を含み、第１の特徴ベクトルの第４の要素は第３の状態を含む。いくつかの実装形態では、複数の特徴ベクトルの第２の特徴ベクトルを決定することは、第１の期間と部分的に重複する第２期間のサンプル期間の第２のセット内の潜在的、特徴的な状態値の第２のシーケンスを決定することを含む。第２の特徴ベクトルの各要素は、第２のシーケンスの対応する潜在的、特徴的な状態値を含む。例えば、潜在的、特徴的な状態値の第２のシーケンス２０４は、図２のサンプル期間ｔ２〜ｔ５（これは、第１の特徴ベクトルに関連するサンプル期間と部分的に重複する）に対して決定される。第２の特徴ベクトルは、潜在的、特徴的な状態値の第２のシーケンス２０４に基づいて生成され、図２に示すように、第２の特徴ベクトルの第１の要素は第２の状態を含み、第２の特徴ベクトルの第２の要素は第１の状態を含み、第２の特徴ベクトルの第３の要素は第３の状態を含み、第２の特徴ベクトルの第４の要素は第３の状態を含む。潜在的、特徴的な状態値の時間的シーケンスに基づいて特徴ベクトルを生成すると、センサーデータ１５０全体を使用する場合と比較して、航空機故障予測分類器１４０を訓練するために使用される情報のサイズが小さくなる。

特定の実装形態では、方法５００は、航空機の運転中に航空機故障予測分類器を実行して、予測される第２の故障の発生および発生される第２の故障の予測に関連する特定の補修を示すプロンプトを生成することをさらに含む。例えば、リアルタイムセンサーデータ１５２にも基づく航空機故障予測分類器１４０の実行は、ＧＵＩ１６０を介してディスプレイ装置１０６に表示されるプロンプト１６２を生成することができる。特定の実装形態では、プロンプト１６２は、航空機で実行される特定の補修を示す。例えば、航空機故障予測分類器の訓練の前に、特徴ベクトルは「通常」または「特定の故障の前兆」とラベル付けすることができ、航空機故障予測分類器１４０は、入力特徴ベクトルが「通常」または対応する種類の故障の「前兆」であるのか否かを識別するように訓練される。この例では、さまざまな種類の故障にさまざまな補修が関連付けられている。故障に関連付けられた特定の補修を識別すると、故障に対する応答性が向上する。

特定の実装形態では、方法５００は、航空機の運転中に航空機故障予測分類器を実行し、予測される第２の故障の発生に関連する特定の補修に基づいて補修スケジュールを再編成することをさらに含む。例えば、リアルタイムセンサーデータ１５２に基づく航空機故障予測分類器１４０の実行は、予測される故障の発生に関連する補修に基づいて補修スケジュール１６４を再編成することができる。さらに説明すると、航空機が着陸したときに特定の補修に優先順位を付けて故障を補正し、それにより航空機の保守および補修のダウンタイムを削減できる。障害が実際に発生していなくても、故障が予測される場合、将来の故障の発生を未然に防ぐために補修スケジュールを再編成することができる。

特定の実装形態では、入力データを受信することは、センサーデータを受信し、複数の特徴ベクトルを生成することを含む。複数の特徴ベクトルは潜在的な状態特徴値のシーケンスを含み、複数の特徴ベクトルベクトルを生成することにより、センサーデータのサイズを小さくすることができる。例えば、特徴ベクトル１３０は、潜在的、特徴的な状態値のシーケンスに基づいて決定される。特徴ベクトルは（各要素のｊ変数の代わりに）ｊ次元特徴空間内のクラスターに基づいているため、特徴ベクトル１３０の保存には、センサーデータ１５０全体の保存よりも少ないメモリ１１４の保存スペースを使う。

方法５００は、航空機故障予測分類器１４０の生成および訓練を可能にする。航空機故障予測分類器１４０は再ラベル付けされた訓練データ（例：第１のラベル１３６の代わりに、特徴ベクトル１３０および第２のラベル１３８）に基づいて訓練されるため、航空機故障予測分類器１４０は、故障の偽陽性識別をより少なく生成する。したがって、方法５００は、航空機故障予測分類器１４０の有用性を向上させる。

いくつかの実装形態では、図４の方法４００、図５の方法５００またはその両方は、コンピュータ可読記憶装置に格納された命令として具現化される。特定の実装形態では、コンピュータ可読記憶装置は、プロセッサによって実行されると、複数の特徴ベクトルを含む入力データを受信することを含む操作をプロセッサに実行させる命令を格納する。入力データには、１または複数の航空機に関連付けられたセンサーデータが含まれる。これらの操作には、故障の発生に対する特徴ベクトルの時間的近接度に基づいて、複数の特徴ベクトルの各特徴ベクトルにラベルを付けることが含まれる。故障の発生に対する時間的近接度閾値の範囲内にある特徴ベクトルには、第１のラベル値が付けられ、故障の発生に対する時間的近接度閾値の範囲内にない特徴ベクトルには、第２のラベル値が付けられる。これらの操作には、複数の特徴ベクトルのサブセットの各特徴ベクトルについて、特徴ベクトルに関連付けられたラベルが正しい確率を決定することが含まれる。該サブセットには、第１のラベル値を示すラベルを持つ特徴ベクトルが含まれる。これらの操作には、サブセットの１つまたは複数の特徴ベクトルのラベルを再割り当てすることが含まれ、１つまたは複数の特徴ベクトルは、確率閾値を満たさない確率を有する。これらの操作には、１つまたは複数の特徴ベクトルのラベルを再割り当てした後、複数の特徴ベクトルと複数の特徴ベクトルに関連付けられたラベルとを含む教師あり訓練データを使用して、航空機故障予測分類器を訓練することがさらに含まれる。航空機故障予測分類器は、航空機の第２のセンサーデータを使用して、航空機の第２の故障の発生を予測するように構成されている。特定の実装形態では、複数の特徴ベクトルは、対応する故障表示を伴う少なくともいくつかの日付を含む履歴データに少なくとも部分的に基づいている。例えば、センサーデータ１５０は、事前にラベル付けされた履歴故障データを含み得る。あるいは、最初のラベル付けプロセスを実行して、第１のラベル１３６を決定する。ラベル付き履歴データを使用して航空機故障予測分類器１４０を訓練することは、航空機故障予測分類器１４０が１または複数の航空機の１または複数の飛行からのセンサーデータに基づいて識別される故障を予測することを可能にする。別の特定の実装形態では、第２のセンサーデータは、航空機の運転中に生成されるリアルタイムまたは近リアルタイムセンサーデータを含む。例えば、航空機故障予測分類器１４０は、航空機の故障を予測するために、リアルタイムセンサーデータ１５２で実行される。航空機故障予測分類器１４０への入力としてリアルタイムセンサーデータ１５２を使用することは、航空機の飛行中の故障の予測を可能にする。

図６および図７を参照すると、本開示の実施例は、図６のフロー図によって示されている車両の製造およびサービスの方法６００、および図７のブロックダイアグラムによって示されている車両システム７００との関連で説明されている。図６の車両の製造および保守の方法６００により生産される車両及び図７の車両７００は、例示的、非限定的な例として、航空機、自動車、列車、オートバイ、バス、船舶もしくはボート、ロケット、宇宙船、自律車両、またはその他の車両を含み得る。

図６を参照すると、航空機故障予測システムに関連する方法の例示的な例のフローチャートが示され、６００とされる。製造前の段階で、例示的な方法６００は、６０２においい、図７を参照して説明される車両７００などの車両の仕様および設計を含む。方法６００は、車両の仕様および設計の作成段階で、１つまたは複数のセンサー、プロセッサ、メモリ、ディスプレイ装置、又はこれらの組み合わせを指定することを含む。特定の実装形態では、上記の１つまたは複数のセンサー、プロセッサ、メモリ、ディスプレイ装置はそれぞれ、図１のセンサー１０２、プロセッサ１１２、メモリ１１４、ディスプレイ装置１０６を含むか又はそれに対応する。６０４では、方法６００は材料の調達を含む。例えば、方法６００は、航空機故障予測システムのための材料（１つまたは複数のセンサー、プロセッサ、メモリ、ディスプレイ装置、またはこれらの組み合わせ等）を調達することを含み得る。

製造中、方法６００は、６０６におけるコンポーネントおよびサブアセンブリの製造を含み、６０８における車両のシステムインテグレーションを含む。特定の実装形態では、方法６００は、航空機故障予測システムのコンポーネントおよびサブアセンブリの製造（例：１つまたは複数のセンサー、プロセッサ、メモリ、ディスプレイ装置、またはこれらの組み合わせを製造すること）、ならびに航空機故障予測システムのシステムインテグレーション（例：１つまたは複数センサーをプロセッサに接続すること）を含む。方法６００は、６１２における車両の認可および納品、６１２における車両の運行開始を含む。いくつかの実装形態では、認可および納品は、航空機故障予測システムの認可を含む。運行開始には、航空機故障予測システムを稼働させることも含まれる。顧客により運行される間に、車両は、定期的な整備および保守（改造、再構成、改修等も含み得る）が予定され得る。６１４において、方法６００は、車両の整備および保守を実施することを含む。特定の実装形態では、方法６００は、航空機故障予測システムの整備および保守を実施することを含む。例えば、航空機故障予測システムの整備および保守は、１つもしくは複数のセンサー、プロセッサ、メモリ、ディスプレイ装置の１つまたは複数あるいはこれらの組み合わせ．を交換することを含む。

方法６００のプロセスの各々は、システムインテグレータ、第三者および／またはオペレータ（例えば顧客）によって実施または実行される。本明細書において、システムインテグレータとは、限定するものではないが、任意の数の車両製造者および主要システムの下請業者を含み、第三者とは、限定するものではないが、任意の数のベンダー、下請業者および供給業者を含み、オペレータとは、航空会社、リース会社、軍事団体、サービス組織等である。

図７を参照すると、航空機故障予測システムのコンポーネントを含む車両の例示的な実装形態のブロック図が示され、７００とされる。特定の実装形態では、車両７００は航空機を含む。他の実装形態では、車両７００は他のタイプの車両を含む。少なくとも１つの実行形態において、車両７００は、図６の方法６００の少なくとも一部によって製造される。図７に示すように、車両７００は、複数のシステム７２０および内装７２２を備えた機体７１８を含む。複数のシステム７２０の例には、推進システム７２４、電気システム７２６、環境システム７２８、油圧システム７３０、およびセンサーシステム（例えばセンサー１０２）の１つまたは複数が含まれる。センサー１０２は、車両７００に搭載された１つまたは複数のセンサーを含み、車両７００の運転前、運転中、運転後にセンサーデータを生成するように構成されている。

車両７００は、航空機故障予測システム７３４も含む。航空機故障予測システム７３４は、図１を参照して説明されるように、プロセッサ１１２およびメモリ１１４を含む。プロセッサ１１２は、車両７００の故障を予測するために、センサー１０２からのリアルタイム（または近リアルタイム）センサーデータで航空機故障予測分類器１４０を実行するように構成される。航空機故障予測システム７３４は、図１を参照して説明されるように、ディスプレイ装置１０６（ＧＵＩ １６０を表示するように構成されている）を任意選択的に含む。

任意の数の他のシステムが車両７００に含まれ得る。航空宇宙産業の例が示されているが、本開示は、他の産業にも適用され得る。例えば、航空機故障予測システム７３４は、有人もしくは無人車両（衛星、船舶または陸上車両等）に搭載して、又は建物もしくは他の構造物内で使用することができる。

本明細書に含まれる装置および方法は、図６の方法６００の任意の１つまたは複数の段階で用いられ得る。例えば、製造プロセス６０８に対応するコンポーネントまたはサブアセンブリは、例えば、限定するものではないが、６１２における車両７００の運行中に製造されるコンポーネントまたはサブアセンブリと同様の方法で作製または製造され得る。また、装置の１つまたは複数の実装、方法の実装、またはこれらの組み合わせは、例えば、車両７００の組立てを実質的に効率化するか、または車両７００のコストを削減することにより、製造段階（例えば方法６００の段階６０２〜６１０）で利用することができる。同様に、装置の実装、方法の実装またはこれらの組み合わせのうちの１つまたは複数を、例えば、限定するものではないが、７００における車両７００の運行中に、６１４における整備および保守に利用することができる。

図１〜７の１つまたは複数は、本開示の教示によるシステム、装置および／または方法を示し得るが、本開示は、これらの図示されたシステム、装置および／または方法に限定されない。本明細書で図示または説明される図１〜７のいずれかの１つもしくは複数の機能またはコンポーネントは、別の図１〜７の１つまたは複数の他の部分と組み合わせることができる。例えば、図５の方法５００、図６の方法６００の１つもしくは複数の要素またはそれらの組み合わせは、図５の方法５００、図６の方法６００の１つもしくは複数の要素、それらの任意の組み合わせ、または本明細書に記載の他の操作と組み合わせて実施されてもよい。したがって、本明細書で説明される実装形態は、１つとして限定として解釈されるものではなく、本開示の実装形態は、本開示の教示から逸脱することなく適切に組み合わせることができる。一例として、図５〜６を参照して説明される１つまたは複数の操作は任意であり、少なくとも部分的に同時に実行され、かつ／または図示または説明とは異なる順序で実行され得る。

本明細書で説明されている例の図は、さまざまな実装の構造の概略的な理解をもたらすことを意図している。これらの図は、本明細書に記載された構造または方法を利用する装置およびシステムのすべての要素および特徴を網羅的に説明することを意図していない。本開示を精査することで、当業者には、他の多くの実装が明らかになり得る。他の実装形態を、本開示の範囲から逸脱することなく構造および論理的な置換および変更を行うことができるように利用し、本開示から引き出すことができる。例えば、方法操作を図に示す順序とは異なる順序で実行してもよく、または１つもしくは複数の方法操作を省略してもよい。したがって、本開示および図は、限定的というよりは、むしろ例示的なものとみなされるべきである。

さらに、本明細書では具体的な例を図示および説明してきたが、同一または類似の結果を実現するよう設計された任意の後続の構成を、示された特定の実装形態と置き換えてもよい。本開示は、さまざまな実装のありとあらゆる後続する適用例または変形例を網羅することが意図されている。上述の実装の組み合わせ、および本明細書で特段に説明していないその他の実装は、本明細書を精査することで当業者には明らかになるであろう。

さらに、本開示は、以下の条項による実装形態を含む。

条項１． 航空機故障予測分類器（１４０）を生成する方法が、
複数の特徴ベクトル（１３０）を含む入力データを受信することであって、入力データが１または複数の航空機に関連付けられたセンサーデータ（１５０）を含む、受信すること；
故障の発生に対する特徴ベクトルの時間的近接度に基づいて、複数の特徴ベクトル（１３０）の各特徴ベクトルにラベルを付けることであって、故障の発生に対する時間的近接度閾値の範囲内にある特徴ベクトルには第１のラベル値が付けられ、故障の発生に対する時間的近接度閾値の範囲内にない特徴ベクトルには第２のラベル値が付けられる、ラベルを付けること；
複数の特徴ベクトル（１３０）のサブセットの各特徴ベクトルについて、特徴ベクトルに関連付けられたラベル値が正しい確率を決定することであって、サブセットが第１のラベル値を示すラベルを有する特徴ベクトルを含む、決定すること；
サブセットの１つまたは複数の特徴ベクトルのラベルを再割り当てすることであって、１つまたは複数の特徴ベクトルが確率閾値を満たさない確率を有する、再割り当てすること；および
１つまたは複数の特徴ベクトルのラベルを再割り当てした後、複数の特徴ベクトル（１３０）と複数の特徴ベクトルに関連付けられたラベルとを含む教師あり訓練データを使用して、航空機故障予測分類器（１４０）を訓練することであって、航空機故障予測分類器（１４０）は航空機の第２のセンサーデータを使用して航空機の第２の故障の発生を予測するように構成されている、訓練すること
を含む、方法。

条項２． １つまたは複数の特徴ベクトルが故障の発生に対する時間的近接度閾値の範囲内にある、条項１の方法。

条項３． 航空機故障予測分類器（１４０）がランダムフォレスト分類器を含む、条項１または２の方法。

条項４． 各特徴ベクトルに関連する確率を決定するために確率予測器（１３４）を訓練することをさらに含む、条項１〜３のいずれか１つの方法。

条項５． 確率予測器（１３４）がランダムフォレスト回帰予測器を含む、条項１〜４のいずれか１つの方法。

条項６． 第２のラベル値を示すラベルを有する特徴ベクトルまたは確率閾値を満たす確率を有する、サブセットの特徴ベクトルを再ラベル付けすることを控えることをさらに含む、条項１〜５のいずれか１つの方法。

条項７． 条項１〜６のいずれか１つの方法であって、複数の特徴ベクトル（１３０）が、複数のサンプル期間にわたる潜在的、特徴的な状態値のシーケンス（２０２−２１４）を含み、１つの潜在的、特徴的な状態値は１つのサンプル期間に対応する、方法。

条項８． 条項１〜７のいずれか１つの方法であって、潜在的、特徴的な状態値が、ｊ次元の特徴空間内のクラスターに対応し、ｊはセンサーデータ（１５０）内のセンサー変数の種類の数である、方法。

条項９． 条項１〜８のいずれか１つの方法であって、センサーデータ（１５０）に対してクラスタリング操作を実行して、センサーデータ（１５０）を潜在的、特徴的な状態値に分類することをさらに含む、方法。

条項１０． 条項１〜８のいずれか１つの方法であって、複数の特徴ベクトル（１３０）の第１の特徴ベクトルを決定することが第１の期間のサンプル期間の第１のセット内の潜在的、特徴的な状態値の第１のシーケンス（２０２）を決定することを含み、第１の特徴ベクトルの各要素は第１のシーケンス（２０２）の対応する潜在的、特徴的な状態値を含む、方法。

条項１１． 航空機の運転中に航空機故障予測分類器（１４０）を実行して、予測される第２の故障の発生および予測される第２の故障の発生に関連する特定の補修を示すプロンプト（１６２）を生成することをさらに含む、条項１〜１０のいずれか１つの方法。

条項１２． 航空機の運転中に航空機故障予測分類器（１４０）を実行して、予測される第２の故障の発生に関連する特定の補修に基づいて補修スケジュール（１６４）を再編成することをさらに含む、条項１〜１１のいずれか１つの方法。

条項１３． 条項１〜１２のいずれか１つの方法であって、入力データを受信することが、センサーデータ（１５０）を受信することと、複数の特徴ベクトル（１３０）を生成することとを含み、複数の特徴ベクトル（１３０）は潜在的な状態特徴値のシーケンス（２０２〜２１４）を含み、複数の特徴ベクトル（１３０）を生成することがセンサーデータ（１５０）のサイズを小さくする、方法。

条項１４． プロセッサ（１１２）：及びプロセッサ（１１２）に接続され、プロセッサ（１１２）によって実行可能な、操作を実行せよという命令を格納しているメモリ（１１４）を備えるシステム（１００）であって、前記操作が：
複数の特徴ベクトル（１３０）を含む入力データを受信することであって、入力データが１または複数の航空機に関連付けられたセンサーデータ（１５０）を含む、受信すること；
故障の発生に対する特徴ベクトルの時間的近接度に基づいて、複数の特徴ベクトル（１３０）の各特徴ベクトルにラベルを付けることであって、故障の発生に対する時間的近接度閾値の範囲内にある特徴ベクトルには第１のラベル値が付けられ、故障の発生に対する時間的近接度閾値の範囲内にない特徴ベクトルには第２のラベル値が付けられる、ラベルを付けること；
複数の特徴ベクトル（１３０）のサブセットの各特徴ベクトルについて、特徴ベクトルに関連付けられたラベル値が正しい確率を決定することであって、サブセットが第１のラベル値を示すラベルを有する特徴ベクトルを含む、決定すること；
サブセットの１つまたは複数の特徴ベクトルのラベルを再割り当てすることであって、１つまたは複数の特徴ベクトルが確率閾値を満たさない確率を有する、再割り当てすること；および
１つまたは複数の特徴ベクトルのラベルを再割り当てした後、複数の特徴ベクトル（１３０）と複数の特徴ベクトル（１３０）に関連付けられたラベルとを含む教師あり訓練データを使用して、航空機故障予測分類器（１４０）を訓練することであって、航空機故障予測分類器（１４０）は航空機の第２のセンサーデータを使用して航空機の第２の故障の発生を予測するように構成されている、訓練すること
を含む、システム（１００）。

条項１５． 条項１４のシステム（１００）であって、複数の特徴ベクトル（１３０）が、複数のサンプル期間にわたる潜在的、特徴的な状態値のシーケンス（２０２−２１４）を含み、各潜在的、特徴的な状態は１つのサンプル期間に対応し、潜在的、特徴的な状態値は１つの特徴空間の１つのクラスターに対応する、システム（１００）。

条項１６． プロセッサ（１１２）が航空機故障予測分類器（１４０）を実行するように構成されている条項１４または１５のシステム（１００）が、航空機をさらに備える、システム（１００）。

条項１７． 第２のセンサーデータを生成するために航空機を監視するように構成された１つまたは複数のセンサー（１０２）をさらに備える、条項１４〜１６のいずれか１つのシステム（１００）。

条項１８． コンピュータ可読記憶装置であって、プロセッサ（１１２）によって実行されると、
複数の特徴ベクトル（１３０）を含む入力データを受信することであって、入力データが１または複数の航空機に関連付けられたセンサーデータ（１５０）を含む、受信すること；
故障の発生に対する特徴ベクトルの時間的近接度に基づいて、複数の特徴ベクトル（１３０）の各特徴ベクトルにラベルを付けることであって、故障の発生に対する時間的近接度閾値の範囲内にある特徴ベクトルには第１のラベル値が付けられ、故障の発生に対する時間的近接度閾値の範囲内にない特徴ベクトルには第２のラベル値が付けられる、ラベルを付けること；
複数の特徴ベクトル（１３０）のサブセットの各特徴ベクトルについて、特徴ベクトルに関連付けられたラベルが正しい確率を決定することであって、サブセットが第１のラベル値を示すラベルを有する特徴ベクトルを含む、決定すること；
サブセットの１つまたは複数の特徴ベクトルのラベルを再割り当てすることであって、１つまたは複数の特徴ベクトルが確率閾値を満たさない確率を有する、再割り当てすること；および
１つまたは複数の特徴ベクトルのラベルを再割り当てした後、複数の特徴ベクトル（１３０）と複数の特徴ベクトル（１３０）に関連付けられたラベルとを含む教師あり訓練データを使用して、航空機故障予測分類器（１４０）を訓練することであって、航空機故障予測分類器（１４０）は航空機の第２のセンサーデータを使用して航空機の第２の故障の発生を予測するように構成されている、訓練すること
を含む操作をプロセッサ（１１２）に実行させる命令を格納する、コンピュータ可読記憶装置。

条項１９． 条項１８のコンピュータ可読記憶装置であって、複数の特徴ベクトル（１３０）が、対応する故障表示を伴う少なくともいくつかのデータを含む履歴データに少なくとも部分的に基づいている、コンピュータ可読記憶装置。

条項２０． 条項１８または１９のコンピュータ可読記憶装置であって、第２のセンサーデータが、航空機の運転中に生成されるリアルタイムまたは近リアルタイムセンサーデータ（１５２）を含む、コンピュータ可読記憶装置。

「要約書」は、特許請求の範囲もしくはその意味を解釈する又は限定するために使用されないとの理解のもとに、提出されるものである。 加えて、上記の「発明を実施するための形態」においては、本開示を簡潔にする目的で、様々な特徴が一つにまとめられたり、又は一つの実装形態として説明されたりする場合がある。上述の実施例は、本開示を説明するが、本開示を限定するものではない。また、本開示の原理に従って多くの修正例および変形例が可能である。以下の特許請求の範囲が示すように、特許請求される主題は、開示されたいずれかの例のすべての特徴よりも少ない特徴に関する場合がある。したがって、本開示の範囲は、以下の特許請求の範囲及びそれらの均等物によって規定される。

Claims (15)

1. 航空機故障予測分類器（１４０）を生成する方法が、
   複数の特徴ベクトル（１３０）を含む入力データを受信することであって、入力データが１または複数の航空機に関連付けられたセンサーデータ（１５０）を含む、受信すること；
   故障の発生に対する前記特徴ベクトルの時間的近接度に基づいて、前記複数の特徴ベクトル（１３０）の各特徴ベクトルにラベルを付けることであって、前記故障の前記発生に対する時間的近接度閾値の範囲内にある特徴ベクトルには第１のラベル値が付けられ、前記故障の前記発生に対する前記時間的近接度閾値の範囲内にない特徴ベクトルには第２のラベル値が付けられる、ラベルを付けること；
   前記複数の特徴ベクトル（１３０）のサブセットの各特徴ベクトルについて、前記特徴ベクトルに関連付けられた前記ラベル値が正しい確率を決定することであって、前記サブセットが前記第１のラベル値を示すラベルを有する特徴ベクトルを含む、決定すること；
   前記サブセットの１つまたは複数の特徴ベクトルのラベルを再割り当てすることであって、前記１つまたは複数の特徴ベクトルが確率閾値を満たさない確率を有する、再割り当てすること；および
   前記１つまたは複数の特徴ベクトルの前記ラベルを再割り当てした後、前記複数の特徴ベクトル（１３０）と前記複数の特徴ベクトルに関連付けられた前記ラベルとを含む教師あり訓練データを使用して航空機故障予測分類器（１４０）を訓練することであって、前記航空機故障予測分類器（１４０）は航空機の第２のセンサーデータを使用して前記航空機の第２の故障の発生を予測するように構成されている、訓練すること
   を含む、方法。
2. 前記１つまたは複数の特徴ベクトルが前記故障の前記発生に対する前記時間的近接度閾値の範囲内にある、請求項１に記載の方法。
3. 前記航空機故障予測分類器（１４０）がランダムフォレスト分類器を含む、請求項１または２に記載の方法。
4. 各特徴ベクトルに関連する前記確率を決定するために確率予測器（１３４）を訓練することをさらに含み、任意選択で、前記確率予測器（１３４）がランダムフォレスト回帰予測器を含む、請求項１〜３のいずれか１項に記載の方法。
5. 前記第２のラベル値を示すラベルを有する特徴ベクトルまたは前記確率閾値を満たす確率を有する前記サブセットの特徴ベクトルを再ラベル付けすることを控えることをさらに含む、請求項１〜４のいずれか１項に記載の方法。
6. 請求項１〜５のいずれか１項に記載の方法であって、前記複数の特徴ベクトル（１３０）が、複数のサンプル期間にわたる潜在的、特徴的な状態値のシーケンス（２０２−２１４）を含み、１つの潜在的、特徴的な状態値が１つのサンプル期間に対応し、好ましくは前記潜在的、特徴的な状態値はｊ次元の特徴空間内のクラスターに対応し、ｊは前記センサーデータ（１５０）内のセンサー変数の種類の数であり、任意選択で、前記方法が、前記センサーデータ（１５０）に対してクラスタリング操作を実行して、前記センサーデータ（１５０）を前記潜在的、特徴的な状態値に分類することをさらに含む、方法。
7. 請求項６に記載の方法であって、前記複数の特徴ベクトル（１３０）の第１の特徴ベクトルを決定することが第１の期間のサンプル期間の第１のセット内の潜在的、特徴的な状態値の第１のシーケンス（２０２）を決定することを含み、前記第１の特徴ベクトルの各要素が前記第１のシーケンス（２０２）の対応する潜在的、特徴的な状態値を含む、方法。
8. 前記航空機の運転中に前記航空機故障予測分類器（１４０）を実行して、予測される前記第２の故障の発生および前記予測される前記第２の故障の発生に関連する特定の補修を示すプロンプト（１６２）を生成することか、または前記予測される前記第２の故障の発生に関連する特定の補修に基づいて補修スケジュール（１６４）を再編成することの少なくとも一方をさらに含む、請求項１〜７のいずれか１項に記載の方法。
9. 請求項１〜８のいずれか１項に記載の方法であって、前記入力データを受信することが、前記センサーデータ （１５０）を受信することと、前記複数の特徴ベクトル（１３０）を生成することとを含み、前記複数の特徴ベクトル（１３０）は潜在的な状態特徴値のシーケンス（２０２〜２１４）を含み、前記複数の特徴ベクトル（１３０）を生成することが前記センサーデータ（１５０）のサイズを小さくする、方法。
10. プロセッサ（１１２）：及び
    前記プロセッサ（１１２）に接続され、前記プロセッサ（１１２）によって実行可能な、操作を実行せよという命令を格納しているメモリ（１１４）を備えるシステム（１００）であって、前記操作が：
    複数の特徴ベクトル（１３０）を含む入力データを受信することであって、前記入力データが１または複数の航空機に関連付けられたセンサーデータ（１５０）を含む、受信すること；
    故障の発生に対する前記特徴ベクトルの時間的近接度に基づいて、前記複数の特徴ベクトル（１３０）の各特徴ベクトルにラベルを付けることであって、前記故障の前記発生に対する時間的近接度閾値の範囲内にある特徴ベクトルには第１のラベル値が付けられ、前記故障の前記発生に対する前記時間的近接度閾値の範囲内にない特徴ベクトルには第２のラベル値が付けられる、ラベルを付けること；
    前記複数の特徴ベクトル（１３０）のサブセットの各特徴ベクトルについて、前記特徴ベクトルに関連付けられた前記ラベル値が正しい確率を決定することであって、前記サブセットが前記第１のラベル値を示すラベルを有する特徴ベクトルを含む、決定すること；
    前記サブセットの１つまたは複数の特徴ベクトルのラベルを再割り当てすることであって、前記１つまたは複数の特徴ベクトルが確率閾値を満たさない確率を有する、再割り当てすること；および
    前記１つまたは複数の特徴ベクトルのラベルを再割り当てした後、前記複数の特徴ベクトル（１３０）と前記複数の特徴ベクトル（１３０）に関連付けられた前記ラベルとを含む教師あり訓練データを使用して、航空機故障予測分類器（１４０）を訓練することであって、前記航空機故障予測分類器（１４０）は航空機の第２のセンサーデータを使用して前記航空機の第２の故障の発生を予測するように構成されている、訓練すること
    を含む、システム（１００）。
11. 請求項１０に記載のシステム（１００）であって、前記複数の特徴ベクトル（１３０）が、複数のサンプル期間にわたる潜在的、特徴的な状態値のシーケンス（２０２−２１４）を含み、各潜在的、特徴的な状態は１つのサンプル期間に対応し、前記潜在的、特徴的な状態値は１つの特徴空間の１つのクラスターに対応する、システム（１００）。
12. 前記航空機をさらに備える請求項１０または１１に記載のシステム（１００）であって、前記プロセッサ（１１２）が前記航空機故障予測分類器（１４０）を実行するように構成されており、任意選択で、前記第２のセンサーデータを生成するために前記航空機を監視するように構成されている１つまたは複数のセンサー（１０２）をさらに備える、システム（１００）。
13. コンピュータ可読記憶装置であって、プロセッサ（１１２）によって実行されると、
    複数の特徴ベクトル（１３０）を含む入力データを受信することであって、前記入力データが１または複数の航空機に関連付けられたセンサーデータ（１５０）を含む、受信すること；
    故障の発生に対する前記特徴ベクトルの時間的近接度に基づいて、前記複数の特徴ベクトル（１３０）の各特徴ベクトルにラベルを付けることであって、前記故障の前記発生に対する時間的近接度閾値の範囲内にある特徴ベクトルには第１のラベル値が付けられ、前記故障の前記発生に対する前記時間的近接度閾値の範囲内にない特徴ベクトルには第２のラベル値が付けられる、ラベルを付けること；
    前記複数の特徴ベクトル（１３０）のサブセットの各特徴ベクトルについて、前記特徴ベクトルに関連付けられた前記ラベルが正しい確率を決定することであって、前記サブセットが前記第１のラベル値を示すラベルを有する特徴ベクトルを含む、決定すること；
    前記サブセットの１つまたは複数の特徴ベクトルのラベルを再割り当てすることであって、前記１つまたは複数の特徴ベクトルが確率閾値を満たさない確率を有する、再割り当てすること；および
    前記１つまたは複数の特徴ベクトルの前記ラベルを再割り当てした後、前記複数の特徴ベクトル（１３０）と前記複数の特徴ベクトル（１３０）に関連付けられた前記ラベルとを含む教師あり訓練データを使用して、航空機故障予測分類器（１４０）を訓練することであって、前記航空機故障予測分類器（１４０）は航空機の第２のセンサーデータを使用して前記航空機の第２の故障の発生を予測するように構成されている、訓練すること
    を含む操作を前記プロセッサ（１１２）に実行させる命令を格納する、コンピュータ可読記憶装置。
14. 請求項１３に記載のコンピュータ可読記憶装置であって、前記複数の特徴ベクトル（１３０）が、対応する故障表示を伴う少なくともいくつかのデータを含む履歴データに少なくとも部分的に基づいている、コンピュータ可読記憶装置。
15. 請求項１３または１４に記載のコンピュータ可読記憶装置であって、前記第２のセンサーデータが、前記航空機の運転中に生成されるリアルタイムまたは近リアルタイムセンサーデータ（１５２）を含む、コンピュータ可読記憶装置。

Images