JP2021005370A - 航空機センサをモデリングするためのデータ主導方式機械学習 - Google Patents

航空機センサをモデリングするためのデータ主導方式機械学習 Download PDF

Info

Publication number
JP2021005370A
JP2021005370A JP2020092347A JP2020092347A JP2021005370A JP 2021005370 A JP2021005370 A JP 2021005370A JP 2020092347 A JP2020092347 A JP 2020092347A JP 2020092347 A JP2020092347 A JP 2020092347A JP 2021005370 A JP2021005370 A JP 2021005370A
Authority
JP
Japan
Prior art keywords
component
real
components
time
operation behavior
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.)
Pending
Application number
JP2020092347A
Other languages
English (en)
Inventor
ルイス ベレソン アンドリュー
Louis Bereson Andrew
ルイス ベレソン アンドリュー
アリス リグドン デブラ
Alice Rigdon Debra
アリス リグドン デブラ
トーマス スウェイン マイケル
Thomas Swayne Michael
トーマス スウェイン マイケル
トラン グエン ヒュー
Hieu Trung Nguyen
トラン グエン ヒュー
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Boeing Co
Original Assignee
Boeing Co
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Boeing Co filed Critical Boeing Co
Publication of JP2021005370A publication Critical patent/JP2021005370A/ja
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
    • G05B23/0254—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, Neural Networks
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B64—AIRCRAFT; AVIATION; COSMONAUTICS
    • B64D—EQUIPMENT FOR FITTING IN OR TO AIRCRAFT; FLIGHT SUITS; PARACHUTES; ARRANGEMENT OR MOUNTING OF POWER PLANTS OR PROPULSION TRANSMISSIONS IN AIRCRAFT
    • B64D45/00—Aircraft indicators or protectors not otherwise provided for
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B64—AIRCRAFT; AVIATION; COSMONAUTICS
    • B64F—GROUND OR AIRCRAFT-CARRIER-DECK INSTALLATIONS SPECIALLY ADAPTED FOR USE IN CONNECTION WITH AIRCRAFT; DESIGNING, MANUFACTURING, ASSEMBLING, CLEANING, MAINTAINING OR REPAIRING AIRCRAFT, NOT OTHERWISE PROVIDED FOR; HANDLING, TRANSPORTING, TESTING OR INSPECTING AIRCRAFT COMPONENTS, NOT OTHERWISE PROVIDED FOR
    • B64F5/00—Designing, manufacturing, assembling, cleaning, maintaining or repairing aircraft, not otherwise provided for; Handling, transporting, testing or inspecting aircraft components, not otherwise provided for
    • B64F5/60—Testing or inspecting aircraft components or systems
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/50—Network services
    • H04L67/56—Provisioning of proxy services
    • H04L67/565—Conversion or adaptation of application format or content
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B64—AIRCRAFT; AVIATION; COSMONAUTICS
    • B64D—EQUIPMENT FOR FITTING IN OR TO AIRCRAFT; FLIGHT SUITS; PARACHUTES; ARRANGEMENT OR MOUNTING OF POWER PLANTS OR PROPULSION TRANSMISSIONS IN AIRCRAFT
    • B64D45/00—Aircraft indicators or protectors not otherwise provided for
    • B64D2045/0085—Devices for aircraft health monitoring, e.g. monitoring flutter or vibration
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B17/00—Systems involving the use of models or simulators of said systems
    • G05B17/02—Systems involving the use of models or simulators of said systems electric
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • G06N5/025—Extracting rules from data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Automation & Control Theory (AREA)
  • Medical Informatics (AREA)
  • Signal Processing (AREA)
  • Manufacturing & Machinery (AREA)
  • Transportation (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Traffic Control Systems (AREA)
  • Debugging And Monitoring (AREA)

Abstract

【課題】システムの劣化を、被設計システム全体との関連に基づいて確実に検知する。【解決手段】被設計システム１１２における劣化コンポーネントを検知するシステム３００は、被設計システムを構成するコンポーネント集合１１４と、それぞれのコンポーネントに関連付けられた一組のリアルタイムオペレーション挙動３０８を表すリアルタイムデータ３１０を生成し、所与のコンポーネント１１６に関連付けられた正常オペレーション挙動２０２を、他のコンポーネント１１８、１２０のそれぞれに関連付けられた他の正常オペレーション挙動２０４、２０６との関係により予測する予測モデル１３８と、一組のリアルタイムオペレーション挙動を受け取り、予測モデルに基づいてリアルタイムオペレーション挙動を正常又は異常のいずれかに分類するプロセッサ３２４と、異常と分類した場合に故障診断通知３３０を出力するよう構成された出力装置３２８と、を含む。【選択図】図３

Description

本開示は、概して、状態検知（state sensing）及び／又は故障検知（fault sensing）に関し、より具体的には、データ主導方式機械学習を用いて航空機センサをモデリングする技術に関する。
例えば、工場設備及び機械など、また、特に航空機やその他の輸送体などの被設計システム（engineered system）は、一般的に、多くのコンポーネント及びサブシステムを含む。システムが適切に機能するために、これらのコンポーネントは、保守や交換を定期的に行う必要がある。時には、定期的な保守の範囲外で、コンポーネント及び／又はサブシステムに予想外の劣化が生じる場合がある。劣化したコンポーネントは、ログ、認識可能な現象（noticeable effects）、トラブルシューティング、定期検査、及び／又は、その他の故障検知方法によって特定されうる。このような状況が発生すると、予定外のメンテナンス及び多大なコストが必要になる可能性がある。
現行の対策は、手作業を基本とするものが一般的であり、また、検査対象である特定のサブシステムの専門家のサポートを必要とする。この対策は、時間とコストがかかる上に、問題の発生を確実に予測して予定外のダウンタイムの発生を防ぐには、十分でない可能性がある。また、現行のコンポーネント及びサブシステムの劣化の検知方法では、誤検知や見落としも多く発生する傾向がある。
特定のサブシステムでは、機械学習技術を利用して不具合の検知を行っている。しかしながら、現在利用されている機械学習は、個々のサブシステムに注目した手法であり、同じ被設計システムに含まれる他のコンポーネントやサブシステムから収集されるデータは対象に含まれない。このため、現行のアプローチでは、環境的及び外的な影響を捕捉するセンサにおいて、システム全体として潜在的に含まれる有用な情報が見過ごされる可能性がある。よって、現在利用されている機械学習技術では、コンポーネント及び／又はサブシステムの劣化を、被設計システム全体との関連に基づいて確実に検知することはできない。また、その他の欠点も含まれうる。
本開示によれば、被設計システムにおけるコンポーネント及び／又はサブシステムの劣化を、他のコンポーネント及び／又はサブシステムとの関連に基づいて検知するシステム及び方法が提供される。本開示のシステム及び方法によれば、劣化コンポーネントを正確に検知することができるので、予定外のメンテナンスに関わる時間及びコストを節約することができる。例えば、コンポーネントの劣化は、故障の前触れである可能性もあるので、劣化コンポーネントを検出することにより、故障や異常を予測することが可能になる。一実施例による方法は、被設計システムを構成するコンポーネント集合のそれぞれコンポーネントに関連付けられた一組のオペレーション挙動を表すトレーニングデータを受け取ることを含む。本方法は、前記コンポーネント集合における所与のコンポーネントに関連付けられた正常オペレーション挙動を、前記コンポーネント集合における他のコンポーネントのそれぞれに関連付けられた他の正常オペレーション挙動との関係により予測するよう構成された予測モデルを、前記トレーニングデータに基づいて生成することをさらに含む。本方法は、前記所与のコンポーネントに関連付けられたリアルタイムオペレーション挙動を含む、前記コンポーネント集合のそれぞれのコンポーネントに関連付けられた一組のリアルタイムオペレーション挙動を表すリアルタイムデータを受け取ることをさらに含む。本方法は、前記所与のコンポーネントに関連付けられた前記リアルタイムオペレーション挙動を、前記予測モデルに基づいて、正常又は異常のいずれかに分類することを含む。前記方法は、前記リアルタイムオペレーション挙動が異常であると分類された場合に、故障診断通知を生成することをさらに含む。
いくつかの実施例では、前記コンポーネント集合は、輸送体のコンポーネントを含み、前記被設計システムは、輸送体である。いくつかの実施例では、前記コンポーネント集合は、航空機のコンポーネントを含み、前記被設計システムは、航空機である。いくつかの実施例では、前記トレーニングデータは、航空機群に含まれる複数の航空機から受け取られる。いくつかの実施例では、前記所与のコンポーネントに関連付けられた前記リアルタイムオペレーション挙動の分類は、前記航空機のアビオニクスベイに配置されたプロセッサによって、前記航空機のフライト中に実行される。いくつかの実施例では、前記予測モデルを生成することは、前記トレーニングデータを用いた教師あり機械学習プロセスにより前記予測モデルをトレーニングすることを含む。いくつかの実施例では、前記一組のリアルタイムオペレーション挙動は、ユーザ入力群、機器状態群、測定値群、又は、それらの組み合わせを含む。
いくつかの実施例では、本方法は、前記コンポーネント集合における第２コンポーネントに関連付けられた第２正常オペレーション挙動を、前記コンポーネント集合における他のコンポーネントのそれぞれに関連付けられた他の正常オペレーション挙動との関係により予測するよう構成された第２予測モデルを、前記トレーニングデータに基づいて生成することをさらに含む。前記一組のリアルタイムオペレーション挙動は、前記第２コンポーネントの第２リアルタイムオペレーション挙動を含む。いくつかの実施例では、本方法は、前記第２コンポーネントに関連付けられた前記第２リアルタイムオペレーション挙動を、正常又は異常のいずれかに分類することと、前記第２リアルタイムオペレーション挙動が異常であると分類された場合に、故障診断通知を生成することと、を含む。
いくつかの実施例では、前記故障診断通知は、前記所与のコンポーネントの特定を含む。いくつかの実施例では、本方法は、前記故障診断通知を出力装置に送ることを含む。
いくつかの実施例によるシステムは、コンポーネント集合のそれぞれのコンポーネントに関連付けられた一組のリアルタイムオペレーション挙動を表すリアルタイムデータを生成するよう構成された被設計システムにおけるコンポーネント集合を含む。前記システムは、前記コンポーネント集合における所与のコンポーネントに関連付けられた正常オペレーション挙動を、前記コンポーネント集合における他のコンポーネントのそれぞれに関連付けられた他の正常オペレーション挙動との関係により予測するように、コンピュータにおいて実現された予測モデルをさらに含む。前記システムは、前記所与のコンポーネントに関連付けられたリアルタイムオペレーション挙動を含む、前記一組のリアルタイムオペレーション挙動を受け取るとともに、前記予測モデルに基づいて、前記所与のコンポーネントに関連付けられた前記リアルタイムオペレーション挙動を、正常又は異常のいずれかに分類するよう構成されたプロセッサをさらに含む。前記システムは、前記プロセッサが前記リアルタイムオペレーション挙動を異常であると分類した場合に、故障診断通知を出力するよう構成された出力装置をさらに含む。
いくつかの実施例では、前記システムは、前記コンポーネント集合のそれぞれのコンポーネントに関連付けられた一組のオペレーション挙動を表すトレーニングデータを受け取るとともに、前記トレーニングデータに基づいて前記予測モデルを生成するよう構成された第２プロセッサを含む。いくつかの実施例では、前記コンポーネント集合は、輸送体のコンポーネントを含み、前記被設計システムは、輸送体である。いくつかの実施例では、前記コンポーネント集合は、航空機のコンポーネントを含み、前記被設計システムは、航空機である。いくつかの実施例では、前記プロセッサは、航空機のアビオニクスベイに配置される。いくつかの実施例では、前記コンポーネント集合は、ユーザ入力装置群、機器群、測定センサ群、又は、それらの組み合わせを含む。
いくつかの実施例における方法は、被設計システムを構成するコンポーネント集合のそれぞれのコンポーネントに関連付けられた一組のリアルタイムオペレーション挙動を表すリアルタイムデータを受け取ることを含む。前記一組のリアルタイムオペレーション挙動は、前記コンポーネント集合における所与のコンポーネントに関連付けられたリアルタイムオペレーション挙動を含む。本方法は、前記所与のコンポーネントに関連付けられた正常オペレーション挙動を、前記コンポーネント集合における他のコンポーネントのそれぞれに関連付けられた他の正常オペレーション挙動との関係により予測するよう構成された予測モデルに基づいて、前記所与のコンポーネントに関連付けられた前記リアルタイムオペレーション挙動を正常又は異常のいずれかに分類することをさらに含む。前記方法は、前記リアルタイムオペレーション挙動が異常であると分類された場合に、故障診断通知を生成することをさらに含む。
いくつかの実施例では、前記方法は、前記コンポーネント集合のそれぞれのコンポーネントに関連付けられた一組のオペレーション挙動を表すトレーニングデータを受け取ることと、前記トレーニングデータに基づいて、前記予測モデルを生成することと、を含む。いくつかの実施例では、前記予測モデルを生成することは、前記トレーニングデータを用いた教師あり機械学習プロセスにより前記予測モデルをトレーニングすることを含む。いくつかの実施例では、前記一組のリアルタイムオペレーション挙動は、ユーザ入力群、機器状態群、測定値群、又は、それらの組み合わせを含む。
被設計システムにおける劣化コンポーネントを検知するための予測モデルをトレーニングするシステムの実施例を示すブロック図である。 被設計システムのコンポーネントに関連付けられた正常オペレーション挙動を、予測モデルを用いて予測するシステムの実施例を示すブロック図である。 被設計システムにおける劣化コンポーネントを検知するシステムの実施例を示すブロック図である。 予測モデルをトレーニングする方法の実施例を示すフロー図である。 被設計システムにおける劣化コンポーネントを検知する方法の実施例を示すフロー図である。
本開示には、様々な変形や代替的な形態が可能であるが、以下では、図面を参照して特定の実施例について説明する。ただし、この説明は、本開示をこれら特定の形態に限定することを意図するものでないことは理解されよう。むしろ、あらゆる変形、均等の構成及び代替の構成も本開示の範囲に包含されることを意図するものである。
図１を参照すると、被設計システム１１２における劣化コンポーネントを検知するための予測モデル１３８をトレーニングするシステム１００の実施例のブロック図が示されている。被設計システム１１２は、第１コンポーネント１１６、第２コンポーネント１１８及び第３コンポーネント１２０を含むコンポーネント集合１１４を有する。同図では、例として３つのコンポーネントが示されているが、実際には、コンポーネント集合１１４は、３つより多いコンポーネントを含んでもよいし、それより少ないコンポーネントを含んでもよい。最も現実的な用途では、コンポーネント集合１１４は、多数のコンポーネントを含む。
被設計システム１１２は、例えば、航空機などの輸送体に相当する。例えば、図１は、第１航空機１２２Ａ、第２航空機１２２Ｂ及び第３航空機１２２Ｃを含む航空機群１２２を示している。航空機１２２Ａ〜Ｃは、互いに同じ種類の航空機であり、互いに同じコンポーネントを含んでもよい。したがって、航空機１２２Ａ〜Ｃの各々が被設計システム１１２に相当しうる。
例を挙げて説明すると、第１航空機１２２Ａは、第１コンポーネント１１６に相当する第１コンポーネント１１６Ａと、第２コンポーネント１１８に相当する第２コンポーネント１１８Ａと、第３コンポーネント１２０に相当する第３コンポーネント１２０Ａと、を含む。同様に、第２航空機１２２Ｂは、第１コンポーネント１１６Ａ及び第１コンポーネント１１６の双方に相当する第１コンポーネント１１６Ｂと、第２コンポーネント１１８Ａ及び第２コンポーネント１１８の双方に相当する第２コンポーネント１１８Ｂと、第３コンポーネント１２０Ａ及び第３コンポーネント１２０の双方に相当する第３コンポーネント１２０Ｂと、を含む。また、第３航空機１２２Ｃは、第１コンポーネント１１６Ａ、第１コンポーネント１１６Ｂ及び第１コンポーネント１１６に相当する第１コンポーネント１１６Ｃと、第２コンポーネント１１８Ａ、第２コンポーネント１１８Ｂ及び第２コンポーネント１１８に相当する第２コンポーネント１１８Ｃと、第３コンポーネント１２０Ａ、第３コンポーネント１２０Ｂ及び第３コンポーネント１２０に相当する第３コンポーネント１２０Ｃと、を含む。
コンポーネント１１６、１１８、１２０の各々は、フライト中に継続的にデータを生成する。例えば、コンポーネント集合１１４は、ユーザ入力装置群（例えば、操縦装置、ユーザプロンプト、録音及び録画装置など）、機器群（例えば、操縦翼面、エンジンシステム、モータなど）、測定センサ群（例えば、圧力センサ、温度センサなど）、又は、それらの組み合わせを含む。コンポーネント集合１１４により生成されたデータが多量にあれば、この生成データをトレーニングデータ１０２として利用することができる。
トレーニングデータ１０２は、被設計システム１１２を構成するコンポーネント集合１１４のそれぞれのコンポーネントに関連付けられた一組のオペレーション挙動（set of operational behaviors）１０４を表すものでもよい。例えば、トレーニングデータ１０２は、第１コンポーネント１１６に関連付けられた第１オペレーション挙動１０６と、第２コンポーネント１１８に関連付けられた第２オペレーション挙動１０８と、第３コンポーネント１２０に関連付けられた第３オペレーション挙動１１０と、を表す。トレーニングデータ１０２は、被設計システム１１２が正常に動作する間、継続的に収集されるので、一組のオペレーション挙動１０４は、若干の例外はあるが、予測モデル１３８のトレーニングに適切な公称オペレーション挙動を（nominal behaviors）含む。なお、トレーニングデータのストリームには、非公称データ（off-nominal data）がある程度含まれる可能性がある。ただし、大量のデータを受け取ることから、非公称データが実質的な影響を及ぼすレベルに至ることはない。つまり、本開示のシステム１００は、そのような「ノイズ」を含むトレーニングデータを許容できる堅牢な解決策であると言える。さらに、トレーニングデータ１０２は、航空機群１２２全体から収集されるので、一組のオペレーション挙動１０４は、航空機群１２２における個々の航空機のいずれかではなく、航空機群１２２全体に基づく公称挙動の記述であるといえる。
システム１００は、予測モデル１３８をトレーニングするよう構成されたコンピュータ装置１３０を含む。コンピュータ装置１３０は、プロセッサ１３２及びメモリ１３４を含む。プロセッサ１３２は、中央処理装置（ＣＰＵ）、グラフィックス処理ユニット（ＧＰＵ）、デジタル信号プロセッサ（ＤＳＰ）、ペリフェラル・インターフェイス・コントローラ（ＰＩＣ）、又は、他の種類のマイクロプロセッサを含むことができる。また、これは、集積回路、フィールド・プログラマブル・ゲート・アレイ（ＦＰＧＡ）、特定用途向け集積回路（ＡＳＩＣ）、論理ゲート回路の組み合わせ、その他の種類のデジタル又はアナログの電気部品など、又は、それらの組み合わせとして実現することができる。実施例によっては、プロセッサ１３２は、複数の処理要素に分散して配置し、分散処理を行うよう構成してもよい。
さらに、コンピュータ装置１３０は、メモリ１３４を含む。メモリの例としては、ランダムアクセスメモリ（ＲＡＭ）、リードオンリーメモリ（ＲＯＭ）、磁気ディスクメモリ、光ディスクメモリ、フラッシュメモリ、データ及びプロセッサ命令を格納可能な他の種類のメモリなど、又は、それらの組み合わせがある。実施例によっては、メモリ又はその一部は、コンピュータ装置１３０の外部に配置されてもよいし、当該コンピュータ装置において他の部分から離れた場所に配置されてもよい。メモリ１３４は、プロセッサ１３２により実行されると、プロセッサ１３２に処理を実行させる命令を格納することができる。これらの処理は、本明細書に記載の任意の処理に相当し、具体的には、これらの処理は、予測モデル１３８のトレーニングに相当する。
プロセッサ１３２とメモリ１３４は一緒に用いられて、予測モデル１３８を生成する教師あり機械学習プロセス１３６を実現する。予測モデル１３８は、オペレーション挙動を正常又は異常のいずれかに分類するのに利用できる任意の人工知能モデルを含む。例えば、予測モデル１３８は、決定木、関連付け規則、その他の種類の機械学習分類プロセス、又は、それらの組み合わせを含む。また、これは、サポートベクターマシンネットワーク、ベイジアンネットワーク、ニューラルネツトワーク、その他の種類の機械学習分類ネットワークシステム、又は、それらの組み合わせとして実現することができる。
トレーニングデータ１０２は、動作中に複数のシステム部分（system implementations）から受け取られる。説明のため、図１では、トレーニングデータ１０２は、被設計システム１１２を航空機群全体のレベルで分析するのか、或いは、個々の航空機レベルで分析するのかによって、航空機群１２２から、或いは、航空機群１２２における個々の航空機１２２Ａ、１２２Ｂ、１２２Ｃの任意の１つから受け取られる。なお、図１では、航空機を示しているが、被設計システムは、任意の種類の機器又は電気システムであってもよく、航空機に限定されるものではない。次に、予測モデル１３８は、トレーニングデータ１０２を用いた教師あり機械学習プロセス１３６によってトレーニングされる。一組のオペレーション挙動１０４の大部分は、コンポーネント集合１１４の公称挙動であるので、予測モデル１３８は、第１コンポーネント１１６における正常オペレーション挙動と異常オペレーション挙動とを判別するように構成される。好適なことに、これらの予測は、第１コンポーネント１１６に関連付けられた第１オペレーション挙動１０６だけに基づくのではなく、他のオペレーション挙動１０８、１１０にも基づいて行われる。これら他のオペレーション挙動は、コンポーネント１１６関連付けられてはいないが、第２コンポーネント１１８及び第３コンポーネント１２０が被設計システム１１２において第１コンポーネント１１６と相互に作用するので、関係があるといえよう。同様に、第２予測モデル１３９は、第２コンポーネント１１８の正常オペレーション挙動と異常オペレーション挙動とを判別するように構成され、第３予測モデル１４０は、第３コンポーネント１２０の正常オペレーション挙動と異常オペレーション挙動とを判別するように構成される。
予測モデル１３８のトレーニングは、第１コンポーネント１１６の第１オペレーション挙動１０６に加えて、他のコンポーネント１１８、１２０についての他の挙動１０８、１１０も表すトレーニングデータ１０２に基づいて行われるので、予測モデル１３８は、第１コンポーネント１１６が正常に動作しているか、或いは、異常が発生しているかを、被設計システム１１２の全体を考慮して判別するよう構成される。第２予測モデル１３９及び第３予測モデル１４０についても、同様の効果が得られる。また、その他の効果もありうる。
図２を参照すると、同図は、被設計システム１１２のコンポーネント１１６に関連付けられた第１正常オペレーション挙動２０２を、予測モデル１３８を用いて予測するシステム２００の実施例を示すブロック図である。図１を参照して説明したように、トレーニングされた予測モデル１３８は、第１コンポーネント１１６の第１正常オペレーション挙動２０２を予測するのに利用できる。例えば、予測モデル１３８に、第２コンポーネント１１８の第２正常オペレーション挙動２０４、及び、第３コンポーネント１２０の第３正常オペレーション挙動２０６を入力する。予測モデル１３８は、第２正常オペレーション挙動２０４及び第３正常オペレーション挙動２０６に基づいて、第１コンポーネント１１６の第１正常オペレーション挙動２０２を特定又は予測することができる。図３を参照してさらに説明するように、予測された第１正常オペレーション挙動２０２は、コンポーネント１１６の実挙動と比較されて、コンポーネント１１６の挙動が正常であるか、或いは、異常が発生しているかが判別される。なお、図２では、第１コンポーネント１１６の第１正常オペレーション挙動２０２を予測する場合が示されているが、同様に、第２予測モデル１３９を用いて、第２コンポーネント１１８の第２正常オペレーション挙動２０４を、第１正常オペレーション挙動２０２と第３正常オペレーション挙動２０６とに基づいて予測することができる。同様に、第３予測モデル１４０を用いて、第３コンポーネント１２０の第３正常オペレーション挙動２０６を、第１正常オペレーション挙動２０２及び第２正常オペレーション挙動２０４に基づいて予測することができる。
図３を参照すると、同図は、被設計システム１１２における劣化コンポーネントを検知するシステム３００の実施例を示すブロック図である。システム３００は、コンポーネント集合１１４を備える被設計システム１１２とコンピュータ装置３２２を含む。被設計システム１１２が航空機である場合は、コンピュータ装置３２２は、航空機のアビオニクスベイ３２０に配置することができる。或いは、コンピュータ装置３２２は、地上ベースの装置であって、フライト後の処理に用いられるものでもよい。
コンピュータ装置３２２は、プロセッサ３２４、メモリ３２６及び出力装置３２８を含む。プロセッサ３２４は、中央処理装置（ＣＰＵ）、グラフィックス処理ユニット（ＧＰＵ）、デジタル信号プロセッサ（ＤＳＰ）、ペリフェラル・インターフェイス・コントローラ（ＰＩＣ）、又は、他の種類のマイクロプロセッサを含むことができる。また、これは、集積回路、フィールド・プログラマブル・ゲート・アレイ（ＦＰＧＡ）、特定用途向け集積回路（ＡＳＩＣ）、論理ゲート回路の組み合わせ、その他の種類のデジタル又はアナログ電気部品など、又は、それらの組み合わせとして実現することができる。実施例によっては、プロセッサ３２４は、複数の処理要素に分散して配置し、分散処理を行うよう構成してもよい。
メモリ３２６の例としては、ランダムアクセスメモリ（ＲＡＭ）、リードオンリーメモリ（ＲＯＭ）、磁気ディスクメモリ、光ディスクメモリ、フラッシュメモリ、データ及びプロセッサ命令を格納可能な他の種類のメモリなど、又は、それらの組み合わせがある。実施例によっては、メモリ３２６又はその一部は、コンピュータ装置３２２の外部に配置されてもよいし、当該コンピュータ装置において他の部分から離れた場所に配置されてもよい。メモリ３２６は、プロセッサ３２４により実行されると、プロセッサ３２４に処理を実行させる命令を格納することができる。これらの処理は、本明細書に記載の任意の処理に相当し、具体的には、予測モデル１３８を用いて、コンポーネント１１６、１１８、１２０のうちの１つにおける故障を検知する処理に相当する。
出力装置３２８は、ユーザ或いはコンピュータ装置３２２の外部装置と通信可能な任意のデバイスを含む。例えば、出力装置３２８は、標示灯、表示画面、スピーカなどのユーザ出力装置を含む。また、出力装置３２８は、シリアル通信機器、ネットワークカードなどのネットワーク出力装置を含むことができる。
予測モデル１３８、１３９、１４０は、コンピュータ装置３２２にメモリ３２６又は他の形態で保存することができる。予測モデル１３８、１３９、１４０を用いて得られた結果に基づいて、故障診断（例えば、故障検知）の通知（indication）３３０を、本明細書に説明するように生成してもよい。出力装置３２８は、故障診断通知３３０をユーザ又は他のデバイスに通知するよう構成されている。
被設計システム１１２は、動作中に、一組のリアルタイムオペレーション挙動３０８を含むリアルタイムデータ３１０を生成する。本明細書において、「リアルタイム」なる用語は、リアルタイムデータ３１０が、現時点で進行中の処理（例えば、飛行中のフライト）、又は、直近の処理（例えば、航空機が直近に飛行したフライト）に対応することを意味する。特に、「リアルタイム」なる概念は、データアクセスの遅延を考慮したものである。一組のリアルタイムオペレーション挙動３０８は、例えば、第１コンポーネント１１６に関連付けられた第１リアルタイムオペレーション挙動と、第２コンポーネント１１８に関連付けられた第２リアルタイムオペレーション挙動と、第３コンポーネント１２０に関連付けられた第３リアルタイムオペレーション挙動と、を含む。
コンピュータ装置３２２は、リアルタイムデータ３１０を受け取る。リアルタイムデータ３１０に基づき、プロセッサ３２４は、予測モデル１３８を用いて、コンポーネント１１６に関連付けられた第１リアルタイムオペレーション挙動３０２を、正常又は異常のいずれかに分類する。例えば、予測モデル１３８は、第１コンポーネント１１６の正常オペレーション挙動２０２を算出する。この第１正常オペレーション挙動２０２は、第１リアルタイムオペレーション挙動３０２と比較され、これにより、第１リアルタイムオペレーション挙動３０２が異常であるか否か判別される。第１リアルタイムオペレーション挙動３０２が異常であると分類されると、プロセッサ３２４は、故障診断通知３３０を生成する。実施例によっては、第１リアルタイムオペレーション挙動３０２の分類は、フライト中に行われる。
同様の演算を行うことによって、第２リアルタイムオペレーション挙動３０４及び／又は第３リアルタイムオペレーション挙動３０６についても、異常か否かを判別することができる。例えば、第２予測モデル１３９によれば、第２コンポーネント１１８に関連付けられた第２正常オペレーション挙動２０４を算出することができ、第３予測モデル１４０によれば、第３コンポーネント１２０に関連付けられた第３正常オペレーション挙動２０６を算出することができる。よって、コンポーネント１１６、１１８、１２０の各々の正常オペレーション挙動２０２、２０４、２０６を、一組のリアルタイムオペレーション挙動３０８における他のオペレーション挙動に基づいて算出することができる。一組のリアルタイムオペレーション挙動３０８におけるいずれかのオペレーション挙動が異常であれば、コンポーネント１１６、１１８、１２０のうちのいずれが異常に動作しているかを示す故障診断通知３３０を生成することができる。
コンポーネント１１６、１１８、１２０それぞれのリアルタイムオペレーション挙動３０２、３０４、３０６に基づいてリアルタイムデータ３１０を分類する予測モデル１３８〜１４０を用いることにより、システム３００は、被設計システムにおける単一のコンポーネントの挙動に基づくのではなく、システム全体に基づいて、劣化コンポーネント及び／又はサブシステムを検知することができる。したがって、システム３００は、他の検知システムでは見逃されるような異常挙動を検知することができる。なお、他の利点もありうる。
図４を参照すると、同図は、予測モデルをトレーニングする方法４００の実施例を示すフロー図である。方法４００は、４０２において、被設計システムを構成するコンポーネント集合のそれぞれのコンポーネントに関連付けられた一組のオペレーション挙動を表すトレーニングデータを受け取る。例えば、コンピュータ装置１３０がトレーニングデータ１０２を受け取る。
方法４００は、４０４において、トレーニングデータに基づいて予測モデルを生成することをさらに含み、この予測モデルは、コンポーネント集合における所与のコンポーネントに関連付けられた正常オペレーション挙動を、コンポーネント集合における他のコンポーネントのそれぞれに関連付けられた他の正常オペレーション挙動との関係により予測するよう構成される。例えば、予測モデル１３８、１３９、１４０は、コンポーネント１１６、１１８、１２０に関連付けられた正常オペレーション挙動を、被設計システム１１２全体との関係により予測するように構成される。これにより、被設計システム１１２における劣化を診断するに際し、予測モデル１３８、１３９、１４０でモデリングされたコンポーネント以外のコンポーネントに関連する劣化であっても、診断できるようになる。また、方法４００は、４０６において、第１予測モデル及び第２予測モデルに基づいてパターン分析を行って、該当するコンポーネントを特定する。予測モデル１３８、１３９、１４０のうちのいずれが異常を示しており、いずれが正常を示しているかに関連するパターンを分析することにより、異常挙動の根本的な原因となるサブシステムを特定することができ、場合によっては、そのサブシステムのどのコンポーネントが原因であるかを特定することができる。換言すると、劣化しており、交換が必要な部品を発見することができる。
よって、被設計システムにおける所与のコンポーネントに関連付けられた正常オペレーション挙動を、当該システムの他のコンポーネントのそれぞれに関連付けられた他の正常オペレーション挙動との関係により予測する予測モデルを構築することにより、方法４００は、所与のコンポーネントが正常に動作しているか、異常が発生しているかを、被設計システム全体を考慮して判別することができる。また、その他の効果も含まれうる。
図５を参照すると、同図は、被設計システムにおける劣化コンポーネントを検知する方法５００の実施例を示している。方法５００は、５０２において、被設計システムを構成するコンポーネント集合のそれぞれのコンポーネントに関連付けられた一組のリアルタイムオペレーション挙動を表すリアルタイムデータを受け取ることを含む。当該一組のリアルタイムオペレーション挙動には、コンポーネント集合における所与のコンポーネントに関連付けられたリアルタイムオペレーション挙動が含まれる。例えば、コンピュータ装置３２２がリアルタイムデータ３１０を受け取る。
方法５００は、さらに、５０４において、所与のコンポーネントに関連付けられたリアルタイムオペレーション挙動を正常又は異常のいずれかに分類することを含み、この分類は、当該コンポーネントに関連付けられた正常オペレーション挙動を、コンポーネント集合における他のコンポーネントのそれぞれに関連付けられた他の正常オペレーション挙動との関係により予測するよう構成された予測モデルに基づいて行われる。例えば、第１リアルタイムオペレーション挙動３０２は、予測モデル１３８により分類される。
方法５００は、さらに、５０６において、リアルタイムオペレーション挙動が異常であると分類された場合に、故障診断通知を生成することを含む。例えば、プロセッサ３２４が故障診断通知３３０を生成する。
方法５００は、また、５０８において、故障診断通知を出力装置に送ることを含む。例えば、故障診断通知３３０は、出力装置３２８に送られ、出力される。
本開示は、さらに、以下の付記による実施例も包含する。
付記１． 被設計システムを構成するコンポーネント集合のそれぞれのコンポーネントに関連付けられた一組のオペレーション挙動を表すトレーニングデータを受け取ることと、前記コンポーネント集合における所与のコンポーネントに関連付けられた正常オペレーション挙動を、前記コンポーネント集合における他のコンポーネントのそれぞれに関連付けられた他の正常オペレーション挙動との関係により予測するよう構成された予測モデルを、前記トレーニングデータに基づいて生成することと、前記所与のコンポーネントに関連付けられたリアルタイムオペレーション挙動を含むとともに、前記コンポーネント集合のそれぞれのコンポーネントに関連付けられた一組のリアルタイムオペレーション挙動を表すリアルタイムデータを受け取ることと、前記所与のコンポーネントに関連付けられた前記リアルタイムオペレーション挙動を、前記予測モデルに基づいて、正常又は異常のいずれかに分類することと、前記リアルタイムオペレーション挙動が異常であると分類された場合に、故障診断通知を生成することと、を含む方法。
付記２． 前記コンポーネント集合は、輸送体のコンポーネントを含み、前記被設計システムは、輸送体である、付記１に記載の方法。
付記３． 前記コンポーネント集合は、航空機のコンポーネントを含み、前記被設計システムは、航空機である、付記１又は２に記載の方法。
付記４． 前記トレーニングデータは、航空機群に含まれる複数の航空機から受け取られる、付記１〜３のいずれかに記載の方法。
付記５． 前記所与のコンポーネントに関連付けられた前記リアルタイムオペレーション挙動の分類は、前記航空機のアビオニクスベイに配置されたプロセッサによって、前記航空機のフライト中に実行される、付記１〜４のいずれかに記載の方法。
付記６． 前記予測モデルを生成することは、前記トレーニングデータを用いた教師あり機械学習プロセスにより前記予測モデルをトレーニングすることを含む、付記１〜５のいずれかに記載の方法。
付記７． 前記トレーニングデータの前記一組のオペレーション挙動は、正常オペレーション挙動と非公称オペレーション挙動との両方を含む、付記１〜６のいずれかに記載の方法。
付記８． 前記一組のリアルタイムオペレーション挙動は、ユーザ入力群、機器状態群、測定値群、又は、それらの組み合わせを含む、付記１〜７のいずれかに記載の方法。
付記９． 前記コンポーネント集合における第２コンポーネントに関連付けられた第２正常オペレーション挙動を、前記コンポーネント集合における他のコンポーネントのそれぞれに関連付けられた他の正常オペレーション挙動との関係により予測するよう構成された第２予測モデルを、前記トレーニングデータに基づいて生成することをさらに含み、前記一組のリアルタイムオペレーション挙動は、前記第２コンポーネントについて第２リアルタイムオペレーション挙動を含んでおり、前記第２コンポーネントに関連付けられた前記第２リアルタイムオペレーション挙動を、正常又は異常のいずれかに分類することと、前記第２リアルタイムオペレーション挙動が異常であると分類された場合に、故障診断通知を生成することと、をさらに含む、付記１〜８のいずれかに記載の方法。
付記１０． 前記所与のコンポーネントを特定するために、前記第１予測モデル及び前記第２予測モデルに基づいてパターン分析を行うことをさらに含み、前記故障診断通知は、前記所与のコンポーネントの特定を含むものである、付記１〜９のいずれかに記載の方法。
付記１１． 前記故障診断通知を出力装置に送ることをさらに含む、付記１〜１０のいずれかに記載の方法。
付記１２． コンポーネント集合のそれぞれのコンポーネントに関連付けられた一組のリアルタイムオペレーション挙動を表すリアルタイムデータを生成するよう構成された被設計システムにおけるコンポーネント集合と、前記コンポーネント集合における所与のコンポーネントに関連付けられた正常オペレーション挙動を、前記コンポーネント集合における他のコンポーネントのそれぞれに関連付けられた他の正常オペレーション挙動との関係により予測するように、コンピュータ処理された予測モデルと、前記所与のコンポーネントに関連付けられたリアルタイムオペレーション挙動を含む、前記一組のリアルタイムオペレーション挙動を受け取るとともに、前記予測モデルに基づいて、前記所与のコンポーネントに関連付けられた前記リアルタイムオペレーション挙動を、正常又は異常のいずれかに分類するよう構成されたプロセッサと、前記プロセッサが前記リアルタイムオペレーション挙動を異常であると分類した場合に、故障診断通知を出力するよう構成された出力装置と、を含むシステム。
付記１３． 前記コンポーネント集合のそれぞれのコンポーネントに関連付けられた一組のオペレーション挙動を表すトレーニングデータを受け取るとともに、前記トレーニングデータに基づいて前記予測モデルを生成するよう構成された第２プロセッサをさらに含む、付記１２に記載のシステム。
付記１４． 前記コンポーネント集合は、輸送体のコンポーネントを含み、前記被設計システムは、輸送体である、付記１２又は１３に記載のシステム。
付記１５． 前記コンポーネント集合は、航空機のコンポーネントを含み、前記被設計システムは、航空機である、付記１２〜１４のいずれかに記載のシステム。
付記１６． 前記コンポーネント集合は、ユーザ入力装置群、機器群、測定センサ群、又は、それらの組み合わせを含む、付記１２〜１５のいずれかに記載のシステム。
付記１７． 被設計システムを構成するコンポーネント集合のそれぞれのコンポーネントに関連付けられるとともに、前記コンポーネント集合における所与のコンポーネントに関連付けられたリアルタイムオペレーション挙動を含む一組のリアルタイムオペレーション挙動を表すリアルタイムデータを受け取ることと、前記所与のコンポーネントに関連付けられた正常オペレーション挙動を、前記コンポーネント集合における他のコンポーネントのそれぞれに関連付けられた他の正常オペレーション挙動との関係により予測するよう構成された予測モデルに基づいて、前記所与のコンポーネントに関連付けられた前記リアルタイムオペレーション挙動を正常又は異常のいずれかに分類することと、前記リアルタイムオペレーション挙動が異常であると分類された場合に、故障診断通知を生成することと、を含む方法。
付記１８． 前記コンポーネント集合のそれぞれのコンポーネントに関連付けられた一組のオペレーション挙動を表すトレーニングデータを受け取ることと、前記トレーニングデータに基づいて、前記予測モデルを生成することと、をさらに含む、付記１７に記載の方法。
付記１９． 前記予測モデルを生成することは、前記トレーニングデータを用いた教師あり機械学習プロセスにより前記予測モデルをトレーニングすることを含む、付記１７又は１８に記載の方法。
付記２０． 前記一組のリアルタイムオペレーション挙動は、ユーザ入力群、機器状態群、測定値群、又は、それらの組み合わせを含む、付記１７〜１９のいずれかに記載の方法。
方法４００では、所与のコンポーネントに関連付けられたリアルタイムオペレーション挙動を正常又は異常のいずれかに分類する処理を予測モデルに基づいて行っており、当該予測モデルは、当該コンポーネントに関連付けられた正常オペレーション挙動を、コンポーネント集合における他のコンポーネントのそれぞれに関連付けられた他の正常オペレーション挙動に関連して予測するよう構成されたものであり、これにより、当該方法は、劣化コンポーネント及び／又はサブシステムの検知を、被設計システムにおける単一のコンポーネントの挙動ではなく、システム全体に鑑みて行うことができる。また、その他の利点も含まれるうる。
上述の記載において様々な実施例について説明したが、本開示は、これに限定されるものではなく、全体として当業者に明らかなすべての変更及び変形も包含すると解釈されるべきである。

Claims (14)

  1. 被設計システムを構成するコンポーネント集合のそれぞれのコンポーネントに関連付けられた一組のオペレーション挙動を表すトレーニングデータを受け取ることと、
    前記コンポーネント集合における所与のコンポーネントに関連付けられた正常オペレーション挙動を、前記コンポーネント集合における他のコンポーネントのそれぞれに関連付けられた他の正常オペレーション挙動との関係により予測するよう構成された予測モデルを、前記トレーニングデータに基づいて生成することと、
    前記所与のコンポーネントに関連付けられたリアルタイムオペレーション挙動を含むとともに、前記コンポーネント集合のそれぞれのコンポーネントに関連付けられた一組のリアルタイムオペレーション挙動を表すリアルタイムデータを受け取ることと、
    前記所与のコンポーネントに関連付けられた前記リアルタイムオペレーション挙動を、前記予測モデルに基づいて、正常又は異常のいずれかに分類することと、
    前記リアルタイムオペレーション挙動が異常であると分類された場合に、故障診断通知を生成することと、を含む方法。
  2. 前記コンポーネント集合は、輸送体のコンポーネントを含み、前記被設計システムは、輸送体である、請求項１に記載の方法。
  3. 前記コンポーネント集合は、航空機のコンポーネントを含み、前記被設計システムは、航空機である、請求項１又は２に記載の方法。
  4. 前記トレーニングデータは、航空機群に含まれる複数の航空機から受け取られる、請求項１〜３のいずれかに記載の方法。
  5. 前記所与のコンポーネントに関連付けられた前記リアルタイムオペレーション挙動の分類は、前記航空機のアビオニクスベイに配置されたプロセッサによって、前記航空機のフライト中に実行される、請求項１〜４のいずれかに記載の方法。
  6. 前記予測モデルを生成することは、前記トレーニングデータを用いた教師あり機械学習プロセスにより前記予測モデルをトレーニングすることを含む、請求項１〜５のいずれかに記載の方法。
  7. 前記トレーニングデータの前記一組のオペレーション挙動は、公称オペレーション挙動と非公称オペレーション挙動との両方を含む、請求項１〜６のいずれかに記載の方法。
  8. 前記一組のリアルタイムオペレーション挙動は、ユーザ入力群、機器状態群、測定値群、又は、それらの組み合わせを含む、請求項１〜７のいずれかに記載の方法。
  9. 前記コンポーネント集合における第２コンポーネントに関連付けられた第２正常オペレーション挙動を、前記コンポーネント集合における他のコンポーネントのそれぞれに関連付けられた他の正常オペレーション挙動との関係により予測するよう構成された第２予測モデルを、前記トレーニングデータに基づいて生成することをさらに含み、前記一組のリアルタイムオペレーション挙動は、前記第２コンポーネントについて第２リアルタイムオペレーション挙動を含んでおり、
    前記第２コンポーネントに関連付けられた前記第２リアルタイムオペレーション挙動を、正常又は異常のいずれかに分類することと、
    前記第２リアルタイムオペレーション挙動が異常であると分類された場合に、故障診断通知を生成することと、をさらに含む、請求項１〜８のいずれかに記載の方法。
  10. 前記所与のコンポーネントを特定するために、前記第１予測モデル及び前記第２予測モデルに基づいてパターン分析を行うことをさらに含み、前記故障診断通知は、前記所与のコンポーネントの特定を含むものである、請求項１〜９のいずれかに記載の方法。
  11. 前記故障診断通知を出力装置に送ることをさらに含む、請求項１〜１０のいずれかに記載の方法。
  12. コンポーネント集合のそれぞれのコンポーネントに関連付けられた一組のリアルタイムオペレーション挙動を表すリアルタイムデータを生成するよう構成された被設計システムにおけるコンポーネント集合と、
    前記コンポーネント集合における所与のコンポーネントに関連付けられた正常オペレーション挙動を、前記コンポーネント集合における他のコンポーネントのそれぞれに関連付けられた他の正常オペレーション挙動との関係により予測するように、コンピュータ処理された予測モデルと、
    前記所与のコンポーネントに関連付けられたリアルタイムオペレーション挙動を含む、前記一組のリアルタイムオペレーション挙動を受け取るとともに、前記予測モデルに基づいて、前記所与のコンポーネントに関連付けられた前記リアルタイムオペレーション挙動を、正常又は異常のいずれかに分類するよう構成されたプロセッサと、
    前記プロセッサが前記リアルタイムオペレーション挙動を異常であると分類した場合に、故障診断通知を出力するよう構成された出力装置と、を含むシステム。
  13. 前記コンポーネント集合のそれぞれのコンポーネントに関連付けられた一組のオペレーション挙動を表すトレーニングデータを受け取るとともに、前記トレーニングデータに基づいて前記予測モデルを生成するよう構成された第２プロセッサをさらに含む、請求項１２に記載のシステム。
  14. 前記コンポーネント集合は、輸送体のコンポーネントを含んでおり、前記被設計システムは、輸送体であるか、
    前記コンポーネント集合は、航空機のコンポーネントを含み、前記被設計システムは、航空機であるか、
    前記コンポーネント集合は、ユーザ入力装置群、機器群、測定センサ群、又は、それらの組み合わせを含むものであるか、のうちの少なくとも１つを充足する、請求項１２又は１３に記載のシステム。
JP2020092347A 2019-06-06 2020-05-27 航空機センサをモデリングするためのデータ主導方式機械学習 Pending JP2021005370A (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US16/433,822 US20200385141A1 (en) 2019-06-06 2019-06-06 Data driven machine learning for modeling aircraft sensors
US16/433,822 2019-06-06

Publications (1)

Publication Number Publication Date
JP2021005370A true JP2021005370A (ja) 2021-01-14

Family

ID=70482283

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2020092347A Pending JP2021005370A (ja) 2019-06-06 2020-05-27 航空機センサをモデリングするためのデータ主導方式機械学習

Country Status (7)

Country Link
US (1) US20200385141A1 (ja)
EP (1) EP3748450A1 (ja)
JP (1) JP2021005370A (ja)
KR (1) KR20200140999A (ja)
CN (1) CN112052714A (ja)
AU (1) AU2020202134A1 (ja)
BR (1) BR102020007655A2 (ja)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102597598B1 (ko) * 2022-01-20 2023-11-01 아주대학교산학협력단 인공지능 알고리즘을 이용한 무인기의 실시간 고장진단 방법
EP4336295A1 (en) * 2022-09-08 2024-03-13 Hosea Precision Co., Ltd. System and method for intelligently monitoring machine equipment

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170331844A1 (en) * 2016-05-13 2017-11-16 Sikorsky Aircraft Corporation Systems and methods for assessing airframe health
US10672204B2 (en) * 2017-11-15 2020-06-02 The Boeing Company Real time streaming analytics for flight data processing

Also Published As

Publication number Publication date
KR20200140999A (ko) 2020-12-17
CN112052714A (zh) 2020-12-08
US20200385141A1 (en) 2020-12-10
AU2020202134A1 (en) 2020-12-24
EP3748450A1 (en) 2020-12-09
BR102020007655A2 (pt) 2020-12-08

Similar Documents

Publication Publication Date Title
US11521105B2 (en) Machine learning device and machine learning method for learning fault prediction of main shaft or motor which drives main shaft, and fault prediction device and fault prediction system including machine learning device
JP7017861B2 (ja) 異常検知システムおよび異常検知方法
EP3098681B1 (en) Artificial intelligence based health management of host system
Roemer et al. Development of diagnostic and prognostic technologies for aerospace health management applications
US6970804B2 (en) Automated self-learning diagnostic system
CN108027611B (zh) 利用受专家意见监督的决策模式学习的用于机器维护的决策辅助系统和方法
RU2757436C9 (ru) Устройство и способ контроля указаний на неисправность от транспортного средства, компьютерочитаемый носитель
JP2009053938A (ja) 複数モデルに基づく設備診断システム及びその設備診断方法
CN112272763B (zh) 异常探测装置、异常探测方法以及计算机可读取的存储介质
US10578667B2 (en) Methods and systems for detecting, classifying and/or mitigating sensor error
JP2021005370A (ja) 航空機センサをモデリングするためのデータ主導方式機械学習
KR102321607B1 (ko) 기계의 결함 검출 장치 및 방법
JP2013196698A (ja) システム監視
KR20200005206A (ko) 기계 학습 기반의 설비 이상 분류 시스템 및 방법
JPWO2019012653A1 (ja) 学習システム、分析システム、学習方法及び記憶媒体
Liu et al. Validation of strain gauges for structural health monitoring with Bayesian belief networks
WO2021127646A1 (en) Device and method for monitoring a system
JP2021179740A (ja) 監視装置、監視方法、プログラムおよびモデル訓練装置
Medjaher et al. Failure prognostic by using dynamic Bayesian networks
US20240111279A1 (en) Method and Apparatus for Classification and Prediction of Health of a Physical System
Patel et al. Gas turbine engine condition monitoring using statistical and neural network methods
EP4276560A1 (en) Abnormality sign detection system and abnormality-sign detection-model generation method
US11921848B2 (en) Characterizing susceptibility of a machine-learning model to follow signal degradation and evaluating possible mitigation strategies
WO2023015484A1 (en) Method and apparatus for training a model
Spahić et al. Reliable Unmanned Autonomous Systems: Conceptual Framework for Warning Identification during Remote Operations

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20230517

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20240508

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20240514