JP2022042989A - センサデータに基づく修理の自動予測 - Google Patents
センサデータに基づく修理の自動予測 Download PDFInfo
- Publication number
- JP2022042989A JP2022042989A JP2021139545A JP2021139545A JP2022042989A JP 2022042989 A JP2022042989 A JP 2022042989A JP 2021139545 A JP2021139545 A JP 2021139545A JP 2021139545 A JP2021139545 A JP 2021139545A JP 2022042989 A JP2022042989 A JP 2022042989A
- Authority
- JP
- Japan
- Prior art keywords
- measurements
- machine
- past
- current state
- knowledge base
- 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
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
- 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
- G05B23/0275—Fault isolation and identification, e.g. classify fault; estimate cause or root of failure
- G05B23/0281—Quantitative, e.g. mathematical distance; Clustering; Neural networks; Statistical analysis
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/006—Indicating maintenance
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- G06N5/02—Knowledge representation; Symbolic representation
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
- G07C5/0808—Diagnosing performance data
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
- G07C5/0816—Indicating performance data, e.g. occurrence of a malfunction
- G07C5/0825—Indicating performance data, e.g. occurrence of a malfunction using optical means
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/24—Pc safety
- G05B2219/24019—Computer assisted maintenance
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/45—Nc applications
- G05B2219/45071—Aircraft, airplane, ship cleaning manipulator, paint stripping
-
- 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
- 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)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Manufacturing & Machinery (AREA)
- Transportation (AREA)
- Aviation & Aerospace Engineering (AREA)
- Multimedia (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Debugging And Monitoring (AREA)
- Test And Diagnosis Of Digital Computers (AREA)
Abstract
【課題】センサデータに基づく修理の自動予測システム及び方法を提供する。【解決手段】機械の修理用のシステムにおいて、推論エンジンと知識ベースとを含む知識ベースシステムについてのコンピュータ可読プログラムコード及びメモリアクセスし、コードを実行する処理回路を含む装置は、少なくとも、機械の動作中に記録された機械の動作状態の時系列的な測定値を受け取り、時系列的な測定値を1以上のそれぞれの群にクラスタリングし、複数の群にわたるパターンを特定し、複数の群にわたるパターンを含む機械の現在の状態を規定しと、現在の状態と同様な過去の異常状態に対するそれぞれの解決策を説明する過去の事例を求めて、それぞれの解決策が修理活動を含む知識ベースを探索し、現在の状態に対処するための修理活動を表示する出力ディスプレイを生成する。【選択図】図4
Description
[0001] 本開示は、広くは、機械診断及び修理に関し、特に、センサデータに基づく修理の自動予測に関する。
[0002] 航空機、宇宙船、船舶、自動車、列車などの輸送体を含む機械は、典型的には、機械の様々なシステム(及びサブシステム)の性能を含む機械の性能に関するデータを記録する幾つかの種類の性能監視システムを含む。このデータは、機械の動作中に起こる特定の性能事象の記録を含む。性能監視システムは通常、データの収集を行い、収集された全てのデータをユーザへ報告する。次いで、ユーザはデータを用いて、もしあれば、機械が必要とし得る保守又は修理の種類を決定することができる。例えば、データが、機械の特定の機械的若しくは電気機械的システムが誤作動していること、又は、1以上の機械的若しくは電気機械的システムの性能が将来の機械故障に寄与し得ることを示す場合、ユーザは、次の機会に機械に対する適切な修理を実行することができる。
[0003] 機械性能及び故障監視用の現在のシステムは、適切な修理の決定を行うために必要なデータをユーザに提供するが、故障モードに対処するための最も適切な修理活動を決定するために、ユーザが全てのデータを分類することが未だ必要である。したがって、ユーザは、特定の機械のユーザの知識に照らして、データを分類及び解釈しなければならない。これは、時間がかかる可能性があり、航空機及び他の輸送体のような複雑な機械にとっては特に、最初に実行される修理活動が最も適切な修理活動であるということに必ずしもならない。多くの種類の機械、特に民間輸送体にとって、輸送体が運航から外れる時間量は、輸送体の所有者にとって高価である。したがって、最も適切な修理活動が所与の故障モードに対して実行されるのに必要な時間が長くなれば、輸送体が運航から外れる時間も長くなる。これは、輸送体がさもなければ運航され得る場合に、輸送体の所有者にとって高価であり得る。
[0004] したがって、上述の問題点のうちの少なくとも幾つかと、起こり得る他の問題点とを考慮に入れた、システム及び方法を得ることが望ましいであろう。
[0005] 本開示の例示的な実施態様は、機械診断及び修理を対象とし、特に、センサデータに基づく航空機などの機械の修理の自動予測を対象とする。例示的な実施態様は、過去のデータ、動作状態の測定値、及び機械の現在の状態に対処するために実行された修理活動を使用して、正しい修理活動を推奨する。例示的な実施態様は、知識ベースシステムを使用して、過去のデータからの修理活動を求めて知識ベースを探索する。知識ベースシステムは、機械の現在の状態並びに現在及び過去の動作状態から合致する又は同様な過去の事例を特定し、過去の修理活動から機械の現在の状態に対する修理活動を探索する。
[0006] 例示的な実施態様は、機械の機械的又は電気機械的システムのより多くの情報が与えられた修理を提供し、機械が、それらのシステムの故障モードに対する迅速且つ正確な修理活動を実行することを可能にする。航空機の場合、これは、航空機が運航から外れる時間を低減させ、航空会社にとってスケジュール通りの運航で業績を増加させ得る。防衛部門では、例示的な実施態様が、航空機の可用性が高まり、ミッションの即応性が向上することをもたらし得る。
[0007] したがって、本開示は、以下の例示的な実施態様を含むが、それらに限定されるわけではない。
[0008] 幾つかの例示的な実施態様は、機械の動作中に記録された機械の複数の動作状態の時系列的な測定値を受け取ること、時系列的な測定値を測定値の1以上のそれぞれの群(クラスタ:cluster)にクラスタリングすること、測定値の複数の群にわたるパターンを特定すること、測定値の複数の群にわたるパターンを含む機械の現在の状態を規定すること、機械の複数の過去の異常状態及びそれぞれの解決策を説明する一組の過去の事例を含む知識ベースにアクセスすることであって、機械の複数の過去の異常状態は、機械の複数のシステムの複数の故障モードがその間に生じた機械の動作の以前の複数の事例の期間中に記録された、機械の複数の動作状態の測定値の複数の群にわたる複数のパターンを含み、それぞれの解決策は、複数の故障モードのうちのそれぞれの故障モードに対処するために実行された複数の修理活動を含む、知識ベースにアクセスすること、現在の状態と同様な複数の過去の異常状態のうちの過去の異常状態に対するそれぞれの解決策を説明する過去の事例を求めて知識ベースを探索することであって、それぞれの解決策は、現在の状態に対する候補解決策として特定され、過去の異常状態に対するそれぞれの解決策は修理活動を含む、知識ベースを探索すること、並びに、現在の状態に対処するための修理活動を表示する出力ディスプレイを生成することを含む、方法を提供する。
[0009] 前述の例示的な実施態様又は前述の例示的な実施態様の任意の組み合わせの方法のうちの幾つかの例示的な実施態様では、時系列的な測定値が、群の固定された数、測定値の群における中心測定値と他の測定値との間の最大距離、又は測定値の群における測定値の最小数を含む、入力パラメータに基づいてクラスタリングされる。
[0010] 前述の例示的な実施態様又は前述の例示的な実施態様の任意の組み合わせの方法のうちの幾つかの例示的な実施態様では、時系列的な測定値が、k平均クラスタリングアルゴリズム、ノイズを伴うアプリケーションの密度に基づく空間クラスタリング(DBSCAN)アルゴリズム、又はディリクレ過程混合ガウスモデル(DPGMM)アルゴリズムを含む、クラスタリングアルゴリズム又は一組のクラスタリングアルゴリズムに従って、固定された数の群にクラスタリングされる。
[0011] 前述の例示的な実施態様又は前述の例示的な実施態様の任意の組み合わせの方法のうちの幾つかの例示的な実施態様では、機械が輸送体であり、複数のシステムが複数の輸送体システムを含み、時系列的な測定値を受け取ることが、輸送体の移動である又は移動を含む動作中に記録された故障データを、複数の輸送体システムのうちの輸送体システムから受け取ることを更に含み、方法は更に、故障データから、輸送体システム又は複数の輸送体システムのうちの別の輸送体システムの故障モードである現在の状態を診断することを含む。
[0012] 前述の例示的な実施態様又は前述の例示的な実施態様の任意の組み合わせの方法のうちの幾つかの例示的な実施態様では、現在の状態を診断することが、故障モードのタイミングを診断することを含み、方法は更に、故障モードに関連する複数の動作状態を特定することであって、複数の動作状態が輸送体のより多い複数の動作状態のうちのサブセットである、複数の動作状態を特定すること、故障モードのタイミングから時間間隔を特定すること、及び、より多い複数の動作状態のより多い時系列的な測定値から時間間隔についての時系列的な測定値を抽出することを含む。
[0013] 前述の例示的な実施態様又は前述の例示的な実施態様の任意の組み合わせの方法のうちの幾つかの例示的な実施態様では、知識ベース内の複数の修理活動が、複数の故障モードのうちのそれぞれの故障モードに対処するための修理活動の成功率に基づいて重み付けされ、複数の過去の事例のうちの1以上の複数の過去の異常状態のうちの1以上が、現在の状態に合致するか又は合致の規定されたマージンの範囲内にあり、知識ベースを探索することが、最も高く重み付けされた修理活動、それによって、複数の過去の事例のうちの1以上の複数の修理活動の中で最も高い成功率を有する、過去の事例を選択することを含む。
[0014] 前述の例示的な実施態様又は前述の例示的な実施態様の任意の組み合わせの方法のうちの幾つかの例示的な実施態様では、機械が航空機であり、現在の状態が、航空機の飛行である又は航空機の飛行を含む動作中に航空機によって報告された故障モードによって表示される。
[0015] 幾つかの例示的な実施態様は、推論エンジンと知識ベースとを含む知識ベースシステム用のコンピュータ可読プログラムコードを記憶するように構成されたメモリ、及び、メモリにアクセスすることと、推論エンジンそれによって装置に、少なくとも、任意の前述の例示的な実施態様又は任意の例示的な実施態様の任意の組み合わせの方法を実行させるように、コンピュータ可読プログラムコードを実行することと、を行うように構成された処理回路を備える、装置を提供する。
[0016] 幾つかの例示的な実施態様は、コンピュータ可読プログラムコードと知識ベースシステムとを内部に記憶した、コンピュータ可読記憶媒体を提供する。知識ベースシステムは、推論エンジン及び知識ベースを含み、コンピュータ可読プログラムコードは、処理回路によって実行されたこと応じて、推論エンジンそれによって装置に、少なくとも、任意の前述の例示的な実施態様又は任意の例示的な実施態様の任意の組み合わせの方法を実行させる。
[0017] 本開示の、上記の特徴、態様、及び利点、及びその他の特徴、態様、及び利点は、簡潔に後述する添付図面と併せて、以下の詳細説明を読むことで自明となろう。本明細書に記載の具体的且つ例示的な実施態様において、この開示に明記している2つ、3つ、4つ、又はそれ以上の数の特徴又は要素が、明示的に組み合わされるか否か、又は別様に列挙されるか否かにかかわらず、本開示は、かかる特徴又は要素の任意の組み合わせを含む。この開示は、全体論的に読まれることが意図されており、これにより、本開示の分離可能ないかなる特徴又は要素も、その如何なる態様及び例示的な実施形態においても、本開示の文脈に明記されない限りは、組み合わされることが可能であると見なされるはずである。
[0018] したがって、この「発明の概要」が、本開示のいくつかの態様の基本的な理解を提供すべく、幾つかの例示的な実装形態を要約することのみを目的に提供されていることを理解されたい。そのため、上述の例示的な実施態様は例に過ぎず、如何なる意味においても、本開示の範囲又は本質を狭めると解釈すべきではないことが認識されよう。その他の例示的な実行形態、態様、及び利点は、添付図面と併せて以下の詳細説明を参照することで自明となろう。添付図面は、記載されているいくつかの例示的な実行形態の原理を、例を用いて示している。
[0019] 上述のように、本開示の例示的な実施態様を一般的な用語で説明しているが、ここで添付図面を参照する。これらの図面は必ずしも正確な縮尺で描かれているわけではない。
[0025] 添付図面を参照しつつ、本開示のある実施態様について、これより下記でより網羅的に説明する。添付図面には、本開示の実施態様の一部が示されているのであって、全てが示されているわけではない。実際のところ、本開示の様々な実行形態は、多くの異なる形態で具現化されてよく、本明細書に明記されている実行形態に限定されると解釈すべきではない。むしろ、これらの例示的な実行形態は、この開示が包括的且つ完全なものになるように、且つ当業者にこの開示の範囲が十分に伝わるように、提供されている。例えば、特に明記されない限り、何かが「第1の」、「第2の」等のものであるという表現は、特定の順序を暗示していると解釈すべきではない。また、(特に明記されない限り)何か別のものの上にあると説明され得るものは、その代わりに下にあることもあり、逆もまた然りである。同様に、何か別の物の左にあると説明され得るものは、その代わりに右にあってもよく、逆もまた然りである。全体を通じて、類似の参照番号は類似の要素を表わしている。
[0026] 本開示の例示的な実施態様は、広くは、機械修理に関し、特に、機械の機械的又は電気機械的システムの修理に関する。例示的な実施態様が、主に航空機の機械的又は電気機械的システムの修理と併せて説明されるが、例示的な実施態様は、様々な他の機械と併せて利用され得ることを理解されたい。例示的な実施態様から利益を受け得る適切な機械の例には、宇宙船、船舶、自動車、列車などの輸送体が含まれる。更に、別段の定めのない限り、「データ」、「内容」、「デジタルコンテンツ」、「情報」という用語及び同様な用語は、時に相互交換可能に使用され得ることを理解すべきである。同様に、用語「保守」と「修理」とは、時に相互交換可能に使用できる。
[0027] 本開示の例示的な実施態様は、輸送体などの機械の機械的又は電気機械的システムのより多くの情報が与えられた修理を提供する。これは、それぞれのシステムの故障モードに対する最も適切な最初の修理をもたらし得る。幾つかの例示的な実施態様は、各故障の種類が根本原因の網羅的なリストからの1以上の根本原因による、多くの場合を前提としている。故障モードの各具体的な根本原因については、機械の動作状態がかなりの程度の類似性を示す場合がある。したがって、各故障の発生の根本原因(複数可)は、より具体的には故障モードの発生までの及び発生直前の動作状態を含む、機械の動作状態(機械の動作中に記録された)に反映される可能性がある。
[0028] 図1は、本開示の例示的な実施態様から利益を受け得る1つの種類の航空機100を示している。図示されているように、航空機は、胴体104、主翼106、及び尾部108を有する機体102を含む。航空機は、推進システムなどの高レベルのシステム110も含む。図1で示されている特定の実施例では、推進システムが、2つの主翼に取り付けられたエンジン112を含む。他の実施例では、推進システムが、他の構成、例えば、胴体及び/又は尾部を含む航空機の他の部分によって担持されるエンジンを含み得る。高レベルのシステムはまた、電気システム114、液圧システム116、及び/又は環境システム118も含み得る。任意の数の他のシステムも含まれ得る。
[0029] 図2は、本開示の例示的な実施態様による、輸送体(例えば、航空機100)などの機械の修理用のシステム200を示している。その修理は、機械の機械的又は電気機械的システムの修理を含み得る。システムは、1以上の機能又は動作を実行するための幾つかの異なるサブシステム(それぞれ個別のシステム)のうちのいずれかを含み得る。図示されているように、幾つかの実施例では、システムが、データの少なくとも1つのソース202を含む。幾つかの実施例では、ソースが、単一のソースに位置付けられ得る又は複数のソースにわたり分配され得るメモリを含む。データは、幾つかの異なるやり方で記憶され得る。例えば、幾つかの異なる種類又はフォーマット(例えば、クイックアクセスレコーダ(QAR))、改良された航空機搭載フライトレコーダ(EAER)、フライトデータレコーダ(FDR)など)のうちのいずれかのデータベース又はファイル内などに記憶され得る。
[0030] 機械が航空機である幾つかの実施例では、データが、航空機のシステムの故障モードの表示を含む。それらのうちの幾つかは、航空機によって報告されるフライトデッキエフェクト(FDE)によって表示され得る。適切な故障モードの一例は、航空機のキャビンエアコンプレッサ(CAC)の故障である。データはまた、航空機の以前のフライトを含む、航空機のフライトについてのフライトデータも含む。フライトデータは、航空機に搭載されたセンサ又はアビオニクスシステムからの飛行中に記録された航空機の複数の動作状態の時系列的な測定値を含む。適切な動作状態の例には、流量、温度、圧力、CACからの記録値、高度、対気速度などが含まれる。
[0031] 幾つかのより具体的な実施例では、フライトデータが、センサ又はアビオニクスシステムからの監視システムによってフライト中に記録された複数の動作状態の時系列的な測定値を含み、各フライトについてのフライトデータのうちの少なくとも幾つかは、監視システムによって生成されたレポートからアクセス可能である。監視システムは、幾つかの実施例では航空機100に一致する航空機204などの機械に搭載され得る。これに関して、航空機は、フライトデータを記録し、レポートを生成するように構成され得る。それらは、直接的に又は人工衛星206若しくはネットワークを介して、データの特定のソース202に無線で送信され得る。ソース202は、飛行機健全管理(AHM)システム202aとして図示され、時としてそのように呼ばれる。更に他の実施例では、フライトデータが、有線接続又は携帯型データ記憶デバイス(例えば、フラッシュメモリ、サムドライブ)を介して送信され得る。
[0032] 本開示の例示的な実施態様のシステム200は、上述のデータのうちの少なくとも幾つかから、機械(例えば、航空機204)の機械的又は電気機械的システムの故障モードに対処するための修理活動を決定するための知識ベースシステム208を含む。知識ベースシステムは、推論エンジン210及び知識ベース212を含む。ソース(複数可)202、AHMシステム202a、及び推論エンジンと知識ベースとを含む知識ベースシステムを含む、複数のサブシステムは、同じ位置に置かれるか若しくは互いに直接的に結合され、又は、幾つかの実施例では、複数のサブシステムのうちの様々なものが、1以上のコンピュータネットワーク214を横断して互いに通信し得る。更に、システム200の部分として図示されているが、上述のうちの任意の1以上は、他のサブシステムのうちのいずれかと関わることなしに、分離したシステムとして機能又は動作し得る。該システムは、図2で示されているもの以外の1以上の更なる又は代替的なサブシステムを含んでよいことも、理解されるべきである。
[0033] 本開示の幾つかの例示的な実施態様によれば、推論エンジン210は、航空機に搭載されたセンサ又はアビオニクスシステムからのフライト中に記録された航空機の複数の動作状態の時系列的な測定値を受け取るように構成される。時系列的な測定値は、正常データと故障データとを含む動作データを含む。推論エンジンは、時系列的な測定値を測定値の1以上のそれぞれの群にクラスタリングするように構成され、推論エンジンは、測定値の複数の群にわたるパターン218を特定し、測定値の複数の群にわたるパターンを含む機械の現在の状態220を規定するように構成される。幾つかの実施例では、推論エンジンによって利用されるクラスタリングアルゴリズム(複数可)に応じて、時系列的な測定値が、群の固定された数、測定値の群における中心測定値と他の測定値との間の最大距離、又は測定値の群における測定値の最小数を含む、入力パラメータに基づいてクラスタリングされる。
[0034] 幾つかの実施例では、推論エンジン210が、過去の異常状態224及びそれぞれの解決策226を説明する一組の過去の事例222を含む知識ベース212にアクセスするように構成される。過去の異常状態は、機械のシステムの故障モードがその間に生じた機械の動作の以前の複数の事例の期間中に記録された、機械の複数の動作状態の測定値の複数の群にわたるパターン230(例えば、航空機に搭載されたセンサ又はアビオニクスシステムからの航空機搭載フライトレコーダによる以前のフライトのうちのそれぞれのもの)を含む。それぞれの解決策は、複数の故障モードのうちのそれぞれのものに対処するために実行された複数の修理活動232を含む。幾つかの実施例では、保守記録から、例えば、アビオニクスリソース管理システムなどから、それらの複数の修理活動が抽出される。CAC故障用の適切な修理活動の一例は、CMSC左2CAC、CMSC右2CAC、又は窒素生成システムモータ駆動コンプレッサ(NGS MDC)を検査及び/又は修理するための指示命令を含み得る。
[0035] 推論エンジン210は、幾つかの実施例では、現在の状態220と同様な複数の過去の異常状態224のうちの過去の異常状態(現在の状態に最も類似する過去の異常状態であり得る)に対するそれぞれの解決策(それぞれの解決策226のうちの)を説明する過去の事例222を求めて知識ベース212を探索するように構成される。これに関して、それぞれの解決策は、現在の状態に対する候補解決策として特定される。幾つかの実施例では、この探索が、現在の状態のパターン218に最も類似する複数のパターン230のうちのパターンを含む過去の異常状態を説明する過去の事例を求めて知識ベースを探索することを含む。現在の状態に対する候補解決策として特定される過去の異常状態に対するそれぞれの解決策は、修理活動234(複数の修理活動232のうちの)を含む。次いで、推論エンジンは、機械(例えば、航空機204)及び/又はその機械的若しくは電気機械的システムに対処するための修理活動を表示する出力ディスプレイ236を生成するように構成される。幾つかの実施例では、修理活動が、現在の状態に対処するための修理活動を実行するための指示命令238を参照する。
[0036] 幾つかの実施例では、知識ベースシステム208が、幾つかの異なるやり方で構築される。これに関して、航空機の以前のフライト中に生じた機械(例えば、航空機204)のシステムの過去の異常状態224は、複数の以前のフライトのうちのそれぞれのものの期間中に記録された航空機の複数の動作状態の時系列的な測定値、及び、複数の故障モードのうちのそれぞれのものに対処するために実行された複数の修理活動232と共に収集され得る。このデータは、実行された修理活動に関する情報が利用可能な1年以上にわたる複数の以前のフライトにおける複数のシステムについて収集され得る。データ解析、自然言語処理(NLP)、機械学習などが、そのデータについて実行されてよく、推論エンジン210を開発して、複数の動作状態の測定値の複数の群にわたるパターン230を特定する。次いで、それが知識ベース212内に記憶され得る。
[0037] 幾つかの実施例では、知識ベース212内の複数の修理活動232が、複数の故障モードのうちのそれぞれのものに対処するための複数の修理活動の成功率に基づいて重み付けされる。複数の過去の事例222のうちの1以上の複数の過去の異常状態224のうちの1以上が、現在の状態220に合致するか又は合致の規定されたマージンの範囲内にあるときに、推論エンジン210は、最も高く重み付けされた修理活動、それによって、複数の過去の事例のうちの1以上の複数の修理活動の中で最も高い成功率を有する、過去の事例を選択し得る。
[0038] 幾つかの実施例では、システム200が、機械の動作中に記録されたシステム(例えば、航空機204の動作中に記録された航空機システム)からの故障データであって、故障データと正常データとを含む動作データの部分である故障データを受け取るように構成された推論器240などの推論器を更に含む。これらの実施例では、推論器が、故障データから、航空機システム又は複数の航空機システムのうちの別の航空機システムの故障モードである機械的又は電気機械的システムの現在の状態220を診断するように構成される。推論器は、k平均クラスタリングアルゴリズム、ノイズを伴うアプリケーションの密度に基づく空間クラスタリング(DBSCAN)アルゴリズム、又はディリクレ過程混合ガウスモデル(DPGMM)アルゴリズムを含む、クラスタリングアルゴリズム又は一組のクラスタリングアルゴリズムに従って動作するように構成される。図2で示されているように、推論器は、航空機に搭載されるように位置付けられて、故障データに対してリアルタイムで又はリアルタイムに近く動作する。他の実施例では、推論器が、航空機に搭載されなくてもよく、コンピュータネットワーク(複数可)214を横断してサブシステムのうちの他のものと通信するように構成され、又は、推論器は、知識ベースシステム208と同じ位置に置かれてもよい。これらの実施例では、動作データ、正常データ、又は故障データが、フライト中又はフライト後に航空機からダウンロードされ得る。
[0039] 幾つかの更なる実施例では、推論器240が、故障データから、航空機システム(機械的若しくは電気機械的システム)又は複数の航空機システムのうちの別の航空機システムの故障モードである又は故障モードによって表示される現在の状態を診断するように構成される。故障モードは、航空機のフライトである又はフライトを含む動作中に航空機204によって報告される。診断することは、機械学習技法に基づいて開発されたクラスタリングアルゴリズム又は一組のクラスタリングアルゴリズムに従い得る。これらの更なる実施例のうちの幾つかでは、現在の状態を診断することが、故障モードのタイミングを診断することを含み、推論器は、複数の動作状態を故障モードに関連するとして特定する。複数の動作状態は、航空機204のより多い複数の動作状態のサブセットであり得る。また、これらの更なる実施例のうちの幾つかでは、推論器が、故障モードのタイミングからの時間間隔を特定し、より多い複数の動作状態のより多い時系列的な測定値から時間間隔についての時系列的な測定値を抽出するように構成される。
[0040] 上述されたように、例示的な実施態様は、宇宙船、船舶、自動車、列車などの輸送体を含む、様々な機械と併せて利用され得る。次いで、より一般的に、推論エンジン210は、動作中に記録された機械の複数の動作状態の時系列的な測定値を受け取るように構成される。推論エンジンは、時系列的な測定値を測定値の1以上のそれぞれの群にクラスタリングし、測定値の複数の群にわたるパターン218を特定し、測定値の複数の群にわたるパターンを含む現在の状態220を規定するように構成される。
[0041] 推論エンジン210は、複数の過去の異常状態224及びそれぞれの解決策226を説明する一組の過去の事例222を含む知識ベース212にアクセスするように構成される。複数の過去の異常状態は、機械の複数のシステムの複数の故障モードがその間に生じた機械の動作の以前の複数の事例の期間中に記録された、機械の複数の動作状態の測定値の複数の群にわたるパターン230を含む。それぞれの解決策は、複数の故障モードのうちのそれぞれのものに対処するために実行された複数の修理活動232を含む。
[0042] 推論エンジン210は、現在の状態220と同様な複数の過去の異常状態224のうちの過去の異常状態(現在の状態に最も類似する過去の異常状態であり得る)に対するそれぞれの解決策を説明する過去の事例を求めて知識ベース212を探索するように構成される。それぞれの解決策は、現在の状態に対する候補解決策として特定され、過去の異常状態に対するそれぞれの解決策は、修理活動234を含む。次いで、推論エンジンは、現在の状態に対処するための修理活動を表示する出力ディスプレイ236を生成するように構成される。幾つかの実施例では、修理活動が、現在の状態に対処するための修理活動を実行するための指示命令238を参照する。
[0043] 推論エンジン210用の訓練方法は、時系列的な測定値としてセンサデータを入力することで開始する様々なステップを含み得る。測定値は、行列に編集され得る。センサデータポイントの数が多過ぎる場合、データは、クラスタリングアルゴリズム又は一組のクラスタリングアルゴリズムを使用して圧縮され得る。クラスタリングアルゴリズムの例には、k平均アルゴリズム、k-medoidsアルゴリズム(センサ変数のうちの幾つかが、二進値又は離散値である場合)、DPGMM、及び/又はDBSCANが含まれる。クラスタリングアルゴリズム(複数可)の出力は、各々が群(グループ化)内のポイントの平均値によって表される。ここで、中心が「状態」と称され得る。
[0044] 各センサデータは、センサデータポイントと各状態(群の中心)との距離を計算することによって、状態に割り当てられ得る(「ラベリング」とも称され得る)。次いで、センサデータポイントを、計算された距離が最も短い状態に割り当てる。センサデータポイントが、状態に割り当てられた後で、圧縮されたデータについての待ち時間状態のシーケンス、又は圧縮されていない生データのシーケンスが、スライドウィンドウ内でn秒間計算され得る。スライドウィンドウのサイズ(n)は、生データ又は圧縮されたデータの使用に応じて変化し得る。幾つかの実施例では、nが5秒から60秒までで変化するが、5未満又は60を超えるnの他の値も適切に利用され得る。
[0045] 生データ又は待ち時間状態のいずれかのシーケンスは、複数の過去の事例222を含むデータと比較され得る。幾つかの実施例では、このデータ及び/又は過去の事例が、故障モードに関連し且つポジティブ修理アイデンティフィケーションテキストアナライザー(PRITA)ソフトウェア内に記憶された、過去の修理活動のサマリーを含むデータを含み得る。PRITAデータは、計算されたシーケンスと比較されてよく、修理活動を圧縮されたデータ又は生データのシーケンス内に存在する特徴と関連付ける。
[0046] 訓練方法は、ランダムフォレストなどの教師あり学習アルゴリズムを組み込み得るが、他の機械学習アルゴリズム(例えば、ニューラルネットワーク)も利用され得る。訓練されると、推論エンジン210は、nのウィンドウサイズで入力(データ)を受け取り、入力に基づいて且つ入力に関連して修理活動を出力し得る。
[0047] 図3A、図3B、図3C、及び図3Dは、幾つかの例示的な実施態様による、ランダムフォレストを使用する訓練方法のサンプル結果についての混同行列の実施例を示している。行列内の行は真の修理に対応し、列は推論エンジン(例えば、推論エンジン210)による予測された修理に対応する。図3A~図3Dの各々は、CACに関連する故障メッセージの実施例を使用し、共通モータスタートコントローラ(CMSC)とも称され得る。図3A及び図3Bは、故障メッセージ「CMSC右2CACが内部又はフィーダー故障を検出した」に関連する生データ及び待ち時間状態について計算されたそれぞれのサンプル結果を示している。図3Aの実施例は、約95%のリコール及び約98%の精度をもたらし、図3Bの実施例は、約89%のリコール及び97~98%の精度をもたらす。図3C及び図3Dは、故障メッセージ「CMSC左2CACが任意のバスに対する出力を有さない」に関連する生データ及び待ち時間状態について計算されたそれぞれのサンプル結果を示している。図3Cの実施例は、約100%のリコール及び約99%の精度をもたらし、図3Dの実施例は、約97~98%のリコール及び約95%の精度をもたらす。生データ対待ち時間状態からの結果であるリコール及び精度は、これらの実施例では同程度に類似しているが、一方、待ち時間状態を使用して下流に送信されたデータ(すなわち、圧縮されたデータ)の量は、生データを使用して下流に送信されたデータの量よりも著しく低い(例えば、故障メッセージ当たり1,900キロバイトを超える生データに対して故障メッセージ当たり約60バイトの圧縮されたデータ)。待ち時間状態についての実施例(図3B及び図3D)は、より長い持続時間を超える可能性がある。それによって、これらの実施例におけるスライドウィンドウのサイズnは、図3A及び図3Cの実施例の生データにおけるnよりも大きい。
[0048] 図4は、方法400における様々なステップを示しているフローチャートである。本開示の例示的な実施態様によれば、方法は、推論エンジン210と知識ベース212とを含む知識ベースシステム208を実行することを含み、推論エンジンは、方法の様々なステップを実行し得る。ブロック402で図示されているように、方法は、機械の動作中に記録された機械の複数の動作状態の時系列的な測定値を受け取ることを含む。幾つかの実施例では、時系列的な測定値を受け取ることが、輸送体の移動である又は移動を含む動作中に記録された、複数の輸送体システムのうちの輸送体システムからの故障データを受け取ることを更に含む。ブロック404で図示されているように、時系列的な測定値は、測定値の1以上のそれぞれの群にクラスタリングされる。ブロック406及び408で図示されているように、パターン218が、測定値の複数の群にわたり特定され、測定値の複数の群にわたるパターンを含む機械の現在の状態が規定される。
[0049] ブロック410で図示されているように、推論エンジン210は、機械の複数の過去の異常状態224及びそれぞれの解決策226を説明する一組の過去の事例222を含む、知識ベースにアクセスする。機械の複数の過去の異常状態は、機械のシステムの故障モードがその間に生じた機械の動作の以前の複数の事例の期間中に記録された、機械の複数の動作状態の測定値の複数の群にわたるパターン230を含む。それぞれの解決策は、複数の故障モードのうちのそれぞれのものに対処するために実行された修理活動232を含む。
[0050] ブロック412で図示されているように、推論エンジン210は、現在の状態220と同様な複数の過去の異常状態224のうちの過去の異常状態(現在の状態に最も類似した過去の異常状態であり得る)に対するそれぞれの解決策を説明する過去の事例を求めて知識ベース212を探索する。幾つかの実施例では、知識ベースを探索することが、最も高く重み付けされた修理活動、それによって、一組の過去の事例222内の複数の過去の事例のうちの1以上の複数の修理活動の中で最も高い成功率を有する、過去の事例を選択することを含む。現在の状態に対する候補解決策として特定されている、複数の過去の異常状態に対するそれぞれの解決策は、修理活動を含む。ブロック414で図示されているように、次いで、推論エンジンが、現在の状態に対処するための修理活動を表示する出力ディスプレイ236を生成する。
[0051] 幾つかの実施例では、方法300が、故障データから、輸送体システム又は複数の輸送体システムのうちの別の輸送体システムの故障モードである現在の状態220を診断することを更に含む。現在の状態を診断することは、故障モードのタイミングを診断することを含み得る。方法はまた、故障モードに関連する複数の動作状態を特定すること、故障モードのタイミングから時間間隔を特定すること、及び、より多い複数の動作状態のより多い時系列的な測定値から時間間隔についての時系列的な測定値を抽出することも含み得る。
[0052] 本開示の例示的な実施態様によれば、ソース202、AHMシステム202a、及び推論エンジン210と知識ベース212とを含む知識ベースシステム208を含む、システム200及びそのサブシステムは、様々な手段によって実装され得る。システム及びそのサブシステムを実装するための手段は、単独の、又は、コンピュータ可読記憶媒体からの1以上のコンピュータプログラムの指示に従う、ハードウェアを含み得る。幾つかの例では、1つ以上の機器が、本明細書で図示され説明されているシステム及びそのサブシステムとして機能するか、又は別様にそれらを実装するように構成されていてよい。2以上の装置を含む例では、それぞれの装置は、幾つかの異なる様態で(例えば直接的に、又は、有線若しくは無線のネットワークなどを介して間接的に)、互いに接続され得るか又は別様に互いに通信可能であり得る。
[0053] 図5は、本開示の幾つかの例示的な実施態様による装置500を示している。概して、本開示の例示的な実施態様の装置は、1以上の固定的な若しくは携帯式の電子デバイスを備え得るか、かかる電子デバイスを含み得るか、又はかかる電子デバイスにおいて具現化され得る。好適な電子デバイスの例は、スマートフォン、タブレットコンピュータ、ラップトップコンピュータ、デスクトップコンピュータ、ワークステーションコンピュータ、サーバコンピュータなどを含む。装置は、例えば、メモリ504(例えば記憶デバイス)に接続された処理回路502(例えばプロセッサユニット)といった、幾つかの構成要素の各々の1以上を含み得る。
[0054] 処理回路502は、単体であるか、又は1以上のメモリと組み合わされた、1つ以上のプロセッサから構成されていてよい。処理回路は、一般的に、例えば、データ、コンピュータプログラム、及び/又は他の適切な電子情報などのような情報を処理することができる任意のコンピュータハードウェアである。処理回路は、電子回路の集合体で構成され、かかる電子回路の一部は、1つの集積回路又は相互接続された複数の集積回路としてパッケージングされ得る(集積回路は、より一般的には「チップ(chip)」と称されることがある)。処理回路は、コンピュータプログラムを実行するように構成されてよく、コンピュータプログラムは、処理回路に搭載された状態で保存され得るか、そうでなければ(同じ又は別の装置の)メモリ504に保存され得る。
[0055] 処理回路502は、特定の実行形態に応じて、幾つかのプロセッサ、1つのマルチプロセッサコア、又は他の何らかの種類のプロセッサであり得る。更に、処理回路は、幾つかのヘテロジニアスプロセッサシステム(メインプロセッサが、1以上の二次プロセッサと共に単一のチップ上に存在している)を使用して、実装され得る。別の実施例としては、処理回路は、複数の同種のプロセッサを包含する、対称型マルチプロセッサシステムであり得る。更に別の例では、処理回路は、1以上のASICやFPGAなどとして具現化され得るか、さもなければそれらを含み得る。ゆえに、処理回路は、1以上の機能を実施するためのコンピュータプログラムを実行することが可能であり得るが、様々な例の処理回路は、コンピュータプログラムの支援がなくとも、1以上の機能を実施することが可能であり得る。何れの事例においても、処理回路は、本開示の例示的な実施態様により機能又は動作を実施するよう、適切にプログラムされ得る。
[0056] メモリ504は概して、一時的及び/又は恒久的に、例えば、データ、コンピュータプログラム(例えばコンピュータ可読プログラムコード506)、及び/又は、他の適切な情報等の情報を保存することが可能な、任意のコンピュータハードウェアである。メモリは、揮発性及び/又は不揮発性のメモリを含んでよく、且つ固定され得るか又は取り外し可能であり得る。好適なメモリの例は、ランダムアクセスメモリ(RAM)、読み取り専用メモリ(ROM)、ハードドライブ、フラッシュメモリ、サムドライブ、取り外し可能コンピュータディスケット、光ディスク、磁気テープ、又は、これらの何らかの組み合わせを含む。光ディスクは、コンパクトディスク(リードオンリーメモリ(CD-ROM)、読み/書き(CD-R/W))、DVDなどを含み得る。様々な事例において、メモリはコンピュータ可読記憶媒体と称され得る。コンピュータ可読記憶媒体は、情報を記憶することが可能な非一過性デバイスであり、コンピュータ可読伝送媒体(ある場所から別の場所へと情報を運ぶことが可能な一過性の電子信号など)とは区別され得る。本明細書に記載のコンピュータ可読媒体は、概して、コンピュータ可読記憶媒体又はコンピュータ可読伝送媒体を指し得る。
[0057] 処理回路502は、情報を表示、送信、及び/又は受信するため、メモリ504に加えて、1以上のインターフェースにも接続され得る。このインターフェースは、通信インターフェース508(例えば、通信ユニット)、及び/又は1以上のユーザインターフェースを含み得る。通信インターフェースは、例えば、他の装置(複数可)やネットワーク(複数可)などとの間で、情報を送信及び/又は受信するよう構成され得る。通信インターフェースは、物理的な(有線の)及び/又は無線の通信リンクにより情報を送信及び/又は受信するように構成され得る。適切な通信インターフェースの例は、ネットワークインターフェースコントローラ(NIC)や無線NIC(WNIC)などを含む。
[0058] ユーザインターフェースは、ディスプレイ510及び/又は1以上のユーザ入力インターフェース512(例えば、入/出力ユニット)を含み得る。ディスプレイは、ユーザに情報を提示するか、又は別様に表示するよう構成されてよく、その好適な例は、液晶ディスプレイ(LCD)、発光ダイオードディスプレイ(LED)、プラズマディスプレイパネル(PDP)などを含む。ユーザ入力インターフェースは、有線又は無線であってよく、且つ、例えば、処理、記憶、及び/又は表示のための装置内にユーザからの情報を受信するよう構成され得る。ユーザ入力インターフェースの好適な例は、マイク、画像又はビデオのキャプチャデバイス、キーボード又はキーパッド、ジョイスティック、(タッチスクリーンとは別個の、又はタッチスクリーンに統合された)タッチ感応面、生物測定センサなどを含む。ユーザインターフェースは、周辺機器(例えばプリンタやスキャナなど)と通信するための、1以上のインターフェースを更に含み得る。
[0059] 上記で示したように、プログラムコード指示命令は、本明細書で説明しているシステム、サブシステム、ツール、及びこれらに対応する要素の機能を実装するために、メモリに保存され、処理回路(プログラムコード指示命令によりプログラムされている)によって実行され得る。認識されることであるが、ある特定の機械を、本明細書で特定されている機能を実装するための手段となるようにするために、任意の好適なプログラムコード指示命令が、コンピュータ可読記憶媒体からコンピュータ又はその他のプログラマブル装置に読み込まれ得る。かかるプログラムコード指示命令はコンピュータ可読記憶媒体に記憶されてもよく、このコンピュータ可読記憶媒体は、コンピュータ、処理回路、又はその他のプログラマブル装置に、特定の方式で機能することにより特定の機械又は特定の製造品を作り出すよう、指示命令を下し得る。コンピュータ可読記憶媒体に記憶された指示命令は、製造品を生産することができ、この製造品は本明細書に記載の機能を実行するための手段となる。プログラムコード指示命令は、コンピュータ、処理回路又は他のプログラマブル装置上で或いはそれらによって実施されるべき工程を実行するようにコンピュータ、処理回路又は他のプログラマブル装置を設定するため、コンピュータ可読記憶媒体から読み出され、コンピュータ、処理回路又は他のプログラマブル装置に読み込まれ得る。
[0060] プログラムコード指示命令の読み出し、読み込み、及び実行は、一度に1つの指示命令が読み出され、読み込まれ、且つ実行されるように、連続的に実施され得る。一部の例示的な実施態様では、複数の指示命令をまとめて読み出し、読み込み、且つ/又は実行するように、読み出し、読み込み、及び/又は実行が、並行して実施されることもある。プログラムコード指示命令を実行することで、コンピュータ、処理回路、又はその他のプログラマブル装置によって実行される指示命令が本明細書に記載の機能を実装するための工程を提供するように、コンピュータにより実装されるプロセスが生成され得る。
[0061] 処理回路による指示命令の実行、又は、コンピュータ可読記憶媒体における指示命令の保存は、特定の機能を実施するための工程の組み合わせをサポートする。このように、装置500は、処理回路502と、処理回路に結合されたコンピュータ可読記憶媒体又はメモリ504とを含んでよく、処理回路は、メモリに保存されたコンピュータ可読プログラムコード506を実行するよう構成される。1以上の機能及び機能の組み合わせは、特殊用途ハードウェアに基づくコンピュータシステム、及び/又は、特定の機能を実施する処理回路、或いは、特殊用途ハードウェアとプログラムコード指示命令との組み合わせによって実行され得ることも、理解されよう。
[0062] 上述の説明及び関連図面に提示されている教示の恩恵を受ける、本開示に関連する当業者には、本明細書に明記された本開示の多数の改変例及びその他の実施態様が想起されよう。したがって、本開示は開示の特定の実行形態に限定されるものではないこと、及び、変形例及びその他の実行形態も付随する特許請求の範囲に含まれるよう意図されていることを、理解されたい。更に、上述の説明及び関連図面は、要素及び/又は機能の特定の例示的な組み合わせに照らして例示的な実行形態を説明しているが、付随する特許請求の範囲から逸脱しなければ、代替的な実行形態によって、要素及び/又は機能の様々な組み合わせが提供されうることを、認識すべきである。つまり、付随する特許請求の範囲の一部に明記されうるように、例えば、明示的に上述されたものとは異なる要素及び/又は機能の組み合わせも想定される。本明細書では特定の用語が用いられているが、それらは、一般的且つ解説的な意味でのみ使用されており、限定を目的とするものではない。
[0063] 条項1
知識ベースシステム(208)用のコンピュータ可読プログラムコード(506)を記憶するように構成されたメモリ(504)、並びに、前記メモリにアクセスし、前記コンピュータ可読プログラムコードを実行して、推論エンジン(210)に動作を実行させるように構成された処理回路(502)を備える、装置(500)であって、前記動作は、少なくとも、機械の動作中に記録された前記機械の複数の動作状態の時系列的な測定値を受け取ること、前記時系列的な測定値を測定値の1以上のそれぞれの群にクラスタリングすること、前記測定値の複数の群にわたるパターン(218)を特定すること、前記測定値の複数の群にわたる前記パターンを含む前記機械の現在の状態(220)を規定すること、前記機械の複数の過去の異常状態(224)及びそれぞれの解決策(226)を説明する一組の過去の事例(222)を含む知識ベース(212)にアクセスすることであって、前記機械の前記複数の過去の異常状態は、前記機械の複数のシステムの複数の故障モードがその間に生じた前記機械の動作の以前の複数の事例の期間中に記録された、前記機械の前記複数の動作状態の測定値の複数の群にわたる複数のパターン(230)を含み、前記それぞれの解決策は、前記複数の故障モードのうちのそれぞれの故障モードに対処するために実行された複数の修理活動(232)を含む、知識ベース(212)にアクセスすること、前記現在の状態と同様な前記複数の過去の異常状態のうちの過去の異常状態に対するそれぞれの解決策を説明する過去の事例を求めて前記知識ベースを探索することであって、前記それぞれの解決策は、前記現在の状態に対する候補解決策として特定され、前記過去の異常状態に対する前記それぞれの解決策は修理活動を含む、前記知識ベースを探索すること、並びに、前記現在の状態に対処するための前記修理活動(234)を表示する出力ディスプレイ(236)を生成することを含む、装置(500)。
知識ベースシステム(208)用のコンピュータ可読プログラムコード(506)を記憶するように構成されたメモリ(504)、並びに、前記メモリにアクセスし、前記コンピュータ可読プログラムコードを実行して、推論エンジン(210)に動作を実行させるように構成された処理回路(502)を備える、装置(500)であって、前記動作は、少なくとも、機械の動作中に記録された前記機械の複数の動作状態の時系列的な測定値を受け取ること、前記時系列的な測定値を測定値の1以上のそれぞれの群にクラスタリングすること、前記測定値の複数の群にわたるパターン(218)を特定すること、前記測定値の複数の群にわたる前記パターンを含む前記機械の現在の状態(220)を規定すること、前記機械の複数の過去の異常状態(224)及びそれぞれの解決策(226)を説明する一組の過去の事例(222)を含む知識ベース(212)にアクセスすることであって、前記機械の前記複数の過去の異常状態は、前記機械の複数のシステムの複数の故障モードがその間に生じた前記機械の動作の以前の複数の事例の期間中に記録された、前記機械の前記複数の動作状態の測定値の複数の群にわたる複数のパターン(230)を含み、前記それぞれの解決策は、前記複数の故障モードのうちのそれぞれの故障モードに対処するために実行された複数の修理活動(232)を含む、知識ベース(212)にアクセスすること、前記現在の状態と同様な前記複数の過去の異常状態のうちの過去の異常状態に対するそれぞれの解決策を説明する過去の事例を求めて前記知識ベースを探索することであって、前記それぞれの解決策は、前記現在の状態に対する候補解決策として特定され、前記過去の異常状態に対する前記それぞれの解決策は修理活動を含む、前記知識ベースを探索すること、並びに、前記現在の状態に対処するための前記修理活動(234)を表示する出力ディスプレイ(236)を生成することを含む、装置(500)。
[0064] 条項2
前記時系列的な測定値が、群の固定された数、測定値の群における中心測定値と他の測定値との間の最大距離、又は測定値の群における測定値の最小数を含む、入力パラメータに基づいてクラスタリングされる、条項1に記載の装置(500)。
前記時系列的な測定値が、群の固定された数、測定値の群における中心測定値と他の測定値との間の最大距離、又は測定値の群における測定値の最小数を含む、入力パラメータに基づいてクラスタリングされる、条項1に記載の装置(500)。
[0065] 条項3
前記時系列的な測定値が、k平均クラスタリングアルゴリズム、ノイズを伴うアプリケーションの密度に基づく空間クラスタリング(DBSCAN)アルゴリズム、又はディリクレ過程混合ガウスモデル(DPGMM)アルゴリズムを含む、クラスタリングアルゴリズム又は一組のクラスタリングアルゴリズムに従って、固定された数の群にクラスタリングされる、条項1又は2に記載の装置(500)。
前記時系列的な測定値が、k平均クラスタリングアルゴリズム、ノイズを伴うアプリケーションの密度に基づく空間クラスタリング(DBSCAN)アルゴリズム、又はディリクレ過程混合ガウスモデル(DPGMM)アルゴリズムを含む、クラスタリングアルゴリズム又は一組のクラスタリングアルゴリズムに従って、固定された数の群にクラスタリングされる、条項1又は2に記載の装置(500)。
[0066] 条項4
前記機械が輸送体であり、前記複数のシステムが複数の輸送体システムを含み、前記装置が、前記時系列的な測定値を受け取ることを実行することが、前記装置が、前記輸送体の移動である又は移動を含む前記動作中に記録された故障データを、前記複数の輸送体システムのうちの輸送体システムから受け取ることを実行することを更に含み、前記処理回路(502)は、前記推論エンジン(210)それによって前記装置に、前記故障データから、前記輸送体システム又は前記複数の輸送体システムのうちの別の輸送体システムの故障モードである前記現在の状態(220)を診断することを実行させるために、前記コンピュータ可読プログラムコード(506)を更に実行する、条項1から3のいずれか一項に記載の装置(500)。
前記機械が輸送体であり、前記複数のシステムが複数の輸送体システムを含み、前記装置が、前記時系列的な測定値を受け取ることを実行することが、前記装置が、前記輸送体の移動である又は移動を含む前記動作中に記録された故障データを、前記複数の輸送体システムのうちの輸送体システムから受け取ることを実行することを更に含み、前記処理回路(502)は、前記推論エンジン(210)それによって前記装置に、前記故障データから、前記輸送体システム又は前記複数の輸送体システムのうちの別の輸送体システムの故障モードである前記現在の状態(220)を診断することを実行させるために、前記コンピュータ可読プログラムコード(506)を更に実行する、条項1から3のいずれか一項に記載の装置(500)。
[0067] 条項5
前記装置が、前記現在の状態(220)を診断することを実行することが、前記装置が、前記故障モードのタイミングを診断することを実行することを含み、前記装置は、前記複数の動作状態を前記故障モードに関連すると特定することであって、前記複数の動作状態が前記輸送体のより多い複数の動作状態のうちのサブセットである、前記複数の動作状態を特定すること、前記故障モードの前記タイミングから時間間隔を特定すること、及び、前記より多い複数の動作状態のより多い時系列的な測定値から前記時間間隔についての前記時系列的な測定値を抽出することを更に実行する、条項4に記載の装置(500)。
前記装置が、前記現在の状態(220)を診断することを実行することが、前記装置が、前記故障モードのタイミングを診断することを実行することを含み、前記装置は、前記複数の動作状態を前記故障モードに関連すると特定することであって、前記複数の動作状態が前記輸送体のより多い複数の動作状態のうちのサブセットである、前記複数の動作状態を特定すること、前記故障モードの前記タイミングから時間間隔を特定すること、及び、前記より多い複数の動作状態のより多い時系列的な測定値から前記時間間隔についての前記時系列的な測定値を抽出することを更に実行する、条項4に記載の装置(500)。
[0068] 条項6
前記知識ベース(212)内の複数の修理活動(232)が、前記複数の故障モードのうちの前記それぞれの故障モードに対処するための前記複数の修理活動の成功率に基づいて重み付けされ、複数の前記過去の事例(222)のうちの1以上の前記複数の過去の異常状態(224)のうちの1以上が、前記現在の状態(220)に合致するか又は合致の規定されたマージンの範囲内にあり、前記知識ベースを探索することが、最も高く重み付けされた修理活動、それによって、複数の前記過去の事例のうちの前記1以上の前記複数の修理活動の中で最も高い成功率を有する、前記過去の事例を選択することを含む、条項1から5のいずれか一項に記載の装置(500)。
前記知識ベース(212)内の複数の修理活動(232)が、前記複数の故障モードのうちの前記それぞれの故障モードに対処するための前記複数の修理活動の成功率に基づいて重み付けされ、複数の前記過去の事例(222)のうちの1以上の前記複数の過去の異常状態(224)のうちの1以上が、前記現在の状態(220)に合致するか又は合致の規定されたマージンの範囲内にあり、前記知識ベースを探索することが、最も高く重み付けされた修理活動、それによって、複数の前記過去の事例のうちの前記1以上の前記複数の修理活動の中で最も高い成功率を有する、前記過去の事例を選択することを含む、条項1から5のいずれか一項に記載の装置(500)。
[0069] 条項7
前記機械が航空機(204)であり、前記現在の状態(220)が、前記航空機のフライトである又はフライトを含む前記動作中に前記航空機によって報告された故障モードによって表示される、条項1から6のいずれか一項に記載の装置(500)。
前記機械が航空機(204)であり、前記現在の状態(220)が、前記航空機のフライトである又はフライトを含む前記動作中に前記航空機によって報告された故障モードによって表示される、条項1から6のいずれか一項に記載の装置(500)。
[0070] 条項8
機械の動作中に記録された前記機械の複数の動作状態の時系列的な測定値を受け取ること(402)、前記時系列的な測定値を測定値の1以上のそれぞれの群にクラスタリングすること(404)、前記測定値の複数の群にわたるパターン(218)を特定すること(406)、前記測定値の複数の群にわたる前記パターンを含む前記機械の現在の状態(220)を規定すること(408)、前記機械の複数の過去の異常状態(224)及びそれぞれの解決策(226)を説明する一組の過去の事例(222)を含む知識ベース(212)にアクセスすること(410)であって、前記機械の前記複数の過去の異常状態は、前記機械の複数のシステムの複数の故障モードがその間に生じた前記機械の動作の以前の複数の事例の期間中に記録された、前記機械の前記複数の動作状態の測定値の複数の群にわたる複数のパターン(230)を含み、前記それぞれの解決策は、前記複数の故障モードのうちのそれぞれの故障モードに対処するために実行された複数の修理活動(232)を含む、知識ベース(212)にアクセスすること(410)、前記現在の状態と同様な前記複数の過去の異常状態のうちの過去の異常状態に対するそれぞれの解決策を説明する過去の事例を求めて前記知識ベースを探索すること(412)であって、前記それぞれの解決策は、前記現在の状態に対する候補解決策として特定され、前記過去の異常状態に対する前記それぞれの解決策は修理活動を含む、前記知識ベースを探索すること(412)、並びに、前記現在の状態に対処するための前記修理活動(234)を表示する出力ディスプレイ(236)を生成すること(414)を含む、方法(400)。
機械の動作中に記録された前記機械の複数の動作状態の時系列的な測定値を受け取ること(402)、前記時系列的な測定値を測定値の1以上のそれぞれの群にクラスタリングすること(404)、前記測定値の複数の群にわたるパターン(218)を特定すること(406)、前記測定値の複数の群にわたる前記パターンを含む前記機械の現在の状態(220)を規定すること(408)、前記機械の複数の過去の異常状態(224)及びそれぞれの解決策(226)を説明する一組の過去の事例(222)を含む知識ベース(212)にアクセスすること(410)であって、前記機械の前記複数の過去の異常状態は、前記機械の複数のシステムの複数の故障モードがその間に生じた前記機械の動作の以前の複数の事例の期間中に記録された、前記機械の前記複数の動作状態の測定値の複数の群にわたる複数のパターン(230)を含み、前記それぞれの解決策は、前記複数の故障モードのうちのそれぞれの故障モードに対処するために実行された複数の修理活動(232)を含む、知識ベース(212)にアクセスすること(410)、前記現在の状態と同様な前記複数の過去の異常状態のうちの過去の異常状態に対するそれぞれの解決策を説明する過去の事例を求めて前記知識ベースを探索すること(412)であって、前記それぞれの解決策は、前記現在の状態に対する候補解決策として特定され、前記過去の異常状態に対する前記それぞれの解決策は修理活動を含む、前記知識ベースを探索すること(412)、並びに、前記現在の状態に対処するための前記修理活動(234)を表示する出力ディスプレイ(236)を生成すること(414)を含む、方法(400)。
[0071] 条項9
前記時系列的な測定値が、群の固定された数、測定値の群における中心測定値と他の測定値との間の最大距離、又は測定値の群における測定値の最小数を含む、入力パラメータに基づいてクラスタリングされる、条項8に記載の方法(400)。
前記時系列的な測定値が、群の固定された数、測定値の群における中心測定値と他の測定値との間の最大距離、又は測定値の群における測定値の最小数を含む、入力パラメータに基づいてクラスタリングされる、条項8に記載の方法(400)。
[0072] 条項10
前記時系列的な測定値が、k平均クラスタリングアルゴリズム、ノイズを伴うアプリケーションの密度に基づく空間クラスタリング(DBSCAN)アルゴリズム、又はディリクレ過程混合ガウスモデル(DPGMM)アルゴリズムを含む、クラスタリングアルゴリズム又は一組のクラスタリングアルゴリズムに従って、固定された数の群にクラスタリングされる、条項8又は9に記載の方法(400)。
前記時系列的な測定値が、k平均クラスタリングアルゴリズム、ノイズを伴うアプリケーションの密度に基づく空間クラスタリング(DBSCAN)アルゴリズム、又はディリクレ過程混合ガウスモデル(DPGMM)アルゴリズムを含む、クラスタリングアルゴリズム又は一組のクラスタリングアルゴリズムに従って、固定された数の群にクラスタリングされる、条項8又は9に記載の方法(400)。
[0073] 条項11
前記機械が輸送体であり、前記複数のシステムが複数の輸送体システムを含み、前記時系列的な測定値を受け取ることが、前記輸送体の移動である又は移動を含む前記動作中に記録された故障データを、前記複数の輸送体システムのうちの輸送体システムから受け取ることを更に含み、前記方法は更に、前記故障データから、前記輸送体システム又は前記複数の輸送体システムのうちの別の輸送体システムの故障モードである前記現在の状態(220)を診断することを含む、条項8から10のいずれか一項に記載の方法(400)。
前記機械が輸送体であり、前記複数のシステムが複数の輸送体システムを含み、前記時系列的な測定値を受け取ることが、前記輸送体の移動である又は移動を含む前記動作中に記録された故障データを、前記複数の輸送体システムのうちの輸送体システムから受け取ることを更に含み、前記方法は更に、前記故障データから、前記輸送体システム又は前記複数の輸送体システムのうちの別の輸送体システムの故障モードである前記現在の状態(220)を診断することを含む、条項8から10のいずれか一項に記載の方法(400)。
[0074] 条項12
前記現在の状態(220)を診断することが、前記故障モードのタイミングを診断することを含み、前記方法は更に、前記複数の動作状態を前記故障モードに関連すると特定することであって、前記複数の動作状態が前記輸送体のより多い複数の動作状態のうちのサブセットである、前記複数の動作状態を特定すること、前記故障モードの前記タイミングから時間間隔を特定すること、及び、前記より多い複数の動作状態のより多い時系列的な測定値から前記時間間隔についての前記時系列的な測定値を抽出することを含む、条項11に記載の方法(400)。
前記現在の状態(220)を診断することが、前記故障モードのタイミングを診断することを含み、前記方法は更に、前記複数の動作状態を前記故障モードに関連すると特定することであって、前記複数の動作状態が前記輸送体のより多い複数の動作状態のうちのサブセットである、前記複数の動作状態を特定すること、前記故障モードの前記タイミングから時間間隔を特定すること、及び、前記より多い複数の動作状態のより多い時系列的な測定値から前記時間間隔についての前記時系列的な測定値を抽出することを含む、条項11に記載の方法(400)。
[0075] 条項13
前記知識ベース(212)内の複数の修理活動(232)が、前記複数の故障モードのうちの前記それぞれの故障モードに対処するための前記複数の修理活動の成功率に基づいて重み付けされ、複数の前記過去の事例(222)のうちの1以上の前記複数の過去の異常状態(224)のうちの1以上が、前記現在の状態(220)に合致するか又は合致の規定されたマージンの範囲内にあり、前記知識ベースを探索することが、最も高く重み付けされた修理活動、それによって、複数の前記過去の事例のうちの前記1以上の前記複数の修理活動の中で最も高い成功率を有する、前記過去の事例を選択することを含む、条項8から12のいずれか一項に記載の方法(400)。
前記知識ベース(212)内の複数の修理活動(232)が、前記複数の故障モードのうちの前記それぞれの故障モードに対処するための前記複数の修理活動の成功率に基づいて重み付けされ、複数の前記過去の事例(222)のうちの1以上の前記複数の過去の異常状態(224)のうちの1以上が、前記現在の状態(220)に合致するか又は合致の規定されたマージンの範囲内にあり、前記知識ベースを探索することが、最も高く重み付けされた修理活動、それによって、複数の前記過去の事例のうちの前記1以上の前記複数の修理活動の中で最も高い成功率を有する、前記過去の事例を選択することを含む、条項8から12のいずれか一項に記載の方法(400)。
[0076] 条項14
前記機械が航空機(204)であり、前記現在の状態(220)が、前記航空機のフライトである又はフライトを含む前記動作中に前記航空機によって報告された故障モードによって表示される、条項8から13のいずれか一項に記載の方法(400)。
前記機械が航空機(204)であり、前記現在の状態(220)が、前記航空機のフライトである又はフライトを含む前記動作中に前記航空機によって報告された故障モードによって表示される、条項8から13のいずれか一項に記載の方法(400)。
[0077] 条項15
コンピュータ可読プログラムコード(506)と知識ベースシステム(208)とを内部に記憶したコンピュータ可読記憶媒体(504)であって、前記知識ベースシステムは、推論エンジン(210)及び知識ベース(212)を含み、前記コンピュータ可読プログラムコードは、処理回路(502)によって実行されたことに応じて、前記推論エンジンそれによって装置(500)に、少なくとも、機械の動作中に記録された前記機械の複数の動作状態の時系列的な測定値を受け取ること、前記時系列的な測定値を測定値の1以上のそれぞれの群にクラスタリングすること、前記測定値の複数の群にわたるパターン(218)を特定すること、前記測定値の複数の群にわたる前記パターンを含む前記機械の現在の状態(220)を規定すること、前記機械の複数の過去の異常状態(224)及びそれぞれの解決策(226)を説明する一組の過去の事例(222)を含む知識ベース(212)にアクセスすることであって、前記機械の前記複数の過去の異常状態は、前記機械の複数のシステムの複数の故障モードがその間に生じた前記機械の動作の以前の複数の事例の期間中に記録された、前記機械の前記複数の動作状態の測定値の複数の群にわたる複数のパターン(230)を含み、前記それぞれの解決策は、前記複数の故障モードのうちのそれぞれの故障モードに対処するために実行された複数の修理活動(232)を含む、知識ベース(212)にアクセスすること、前記現在の状態と同様な前記複数の過去の異常状態のうちの過去の異常状態に対するそれぞれの解決策を説明する過去の事例を求めて前記知識ベースを探索することであって、前記それぞれの解決策は、前記現在の状態に対する候補解決策として特定され、前記過去の異常状態に対する前記それぞれの解決策は修理活動を含む、前記知識ベースを探索すること、並びに、前記現在の状態に対処するための前記修理活動(234)を表示する出力ディスプレイ(236)を生成することを実行させる、コンピュータ可読記憶媒体(504)。
コンピュータ可読プログラムコード(506)と知識ベースシステム(208)とを内部に記憶したコンピュータ可読記憶媒体(504)であって、前記知識ベースシステムは、推論エンジン(210)及び知識ベース(212)を含み、前記コンピュータ可読プログラムコードは、処理回路(502)によって実行されたことに応じて、前記推論エンジンそれによって装置(500)に、少なくとも、機械の動作中に記録された前記機械の複数の動作状態の時系列的な測定値を受け取ること、前記時系列的な測定値を測定値の1以上のそれぞれの群にクラスタリングすること、前記測定値の複数の群にわたるパターン(218)を特定すること、前記測定値の複数の群にわたる前記パターンを含む前記機械の現在の状態(220)を規定すること、前記機械の複数の過去の異常状態(224)及びそれぞれの解決策(226)を説明する一組の過去の事例(222)を含む知識ベース(212)にアクセスすることであって、前記機械の前記複数の過去の異常状態は、前記機械の複数のシステムの複数の故障モードがその間に生じた前記機械の動作の以前の複数の事例の期間中に記録された、前記機械の前記複数の動作状態の測定値の複数の群にわたる複数のパターン(230)を含み、前記それぞれの解決策は、前記複数の故障モードのうちのそれぞれの故障モードに対処するために実行された複数の修理活動(232)を含む、知識ベース(212)にアクセスすること、前記現在の状態と同様な前記複数の過去の異常状態のうちの過去の異常状態に対するそれぞれの解決策を説明する過去の事例を求めて前記知識ベースを探索することであって、前記それぞれの解決策は、前記現在の状態に対する候補解決策として特定され、前記過去の異常状態に対する前記それぞれの解決策は修理活動を含む、前記知識ベースを探索すること、並びに、前記現在の状態に対処するための前記修理活動(234)を表示する出力ディスプレイ(236)を生成することを実行させる、コンピュータ可読記憶媒体(504)。
[0078] 条項16
前記時系列的な測定値が、群の固定された数、測定値の群における中心測定値と他の測定値との間の最大距離、又は測定値の群における測定値の最小数を含む、入力パラメータに基づいてクラスタリングされる、条項15に記載のコンピュータ可読記憶媒体(504)。
前記時系列的な測定値が、群の固定された数、測定値の群における中心測定値と他の測定値との間の最大距離、又は測定値の群における測定値の最小数を含む、入力パラメータに基づいてクラスタリングされる、条項15に記載のコンピュータ可読記憶媒体(504)。
[0079] 条項17
前記時系列的な測定値が、k平均クラスタリングアルゴリズム、ノイズを伴うアプリケーションの密度に基づく空間クラスタリング(DBSCAN)アルゴリズム、又はディリクレ過程混合ガウスモデル(DPGMM)アルゴリズムを含む、クラスタリングアルゴリズム又は一組のクラスタリングアルゴリズムに従って、固定された数の群にクラスタリングされる、条項15又は16に記載のコンピュータ可読記憶媒体(504)。
前記時系列的な測定値が、k平均クラスタリングアルゴリズム、ノイズを伴うアプリケーションの密度に基づく空間クラスタリング(DBSCAN)アルゴリズム、又はディリクレ過程混合ガウスモデル(DPGMM)アルゴリズムを含む、クラスタリングアルゴリズム又は一組のクラスタリングアルゴリズムに従って、固定された数の群にクラスタリングされる、条項15又は16に記載のコンピュータ可読記憶媒体(504)。
[0080] 条項18
前記機械が輸送体であり、前記複数のシステムが複数の輸送体システムを含み、前記装置(500)が、前記時系列的な測定値を受け取ることを実行することが、前記装置が、前記輸送体の移動である又は移動を含む前記動作中に記録された故障データを、前記複数の輸送体システムのうちの輸送体システムから受け取ることを実行することを更に含み、前記装置は、前記故障データから、前記輸送体システム又は前記複数の輸送体システムのうちの別の輸送体システムの故障モードである前記現在の状態(220)を診断することを更に実行する、条項15から17のいずれか一項に記載のコンピュータ可読記憶媒体(504)。
前記機械が輸送体であり、前記複数のシステムが複数の輸送体システムを含み、前記装置(500)が、前記時系列的な測定値を受け取ることを実行することが、前記装置が、前記輸送体の移動である又は移動を含む前記動作中に記録された故障データを、前記複数の輸送体システムのうちの輸送体システムから受け取ることを実行することを更に含み、前記装置は、前記故障データから、前記輸送体システム又は前記複数の輸送体システムのうちの別の輸送体システムの故障モードである前記現在の状態(220)を診断することを更に実行する、条項15から17のいずれか一項に記載のコンピュータ可読記憶媒体(504)。
[0081] 条項19
前記装置が、前記現在の状態(220)を診断することを実行することが、前記装置が、前記故障モードのタイミングを診断することを実行することを含み、前記装置(500)は、前記複数の動作状態を前記故障モードに関連すると特定することであって、前記複数の動作状態が前記輸送体のより多い複数の動作状態のうちのサブセットである、前記複数の動作状態を特定すること、前記故障モードの前記タイミングから時間間隔を特定すること、及び、前記より多い複数の動作状態のより多い時系列的な測定値から前記時間間隔についての前記時系列的な測定値を抽出することを更に実行する、条項18に記載のコンピュータ可読記憶媒体(504)。
前記装置が、前記現在の状態(220)を診断することを実行することが、前記装置が、前記故障モードのタイミングを診断することを実行することを含み、前記装置(500)は、前記複数の動作状態を前記故障モードに関連すると特定することであって、前記複数の動作状態が前記輸送体のより多い複数の動作状態のうちのサブセットである、前記複数の動作状態を特定すること、前記故障モードの前記タイミングから時間間隔を特定すること、及び、前記より多い複数の動作状態のより多い時系列的な測定値から前記時間間隔についての前記時系列的な測定値を抽出することを更に実行する、条項18に記載のコンピュータ可読記憶媒体(504)。
[0082] 条項20
前記知識ベース(212)内の複数の修理活動(232)が、前記複数の故障モードのうちの前記それぞれの故障モードに対処するための前記複数の修理活動の成功率に基づいて重み付けされ、複数の前記過去の事例(222)のうちの1以上の前記複数の過去の異常状態(224)のうちの1以上が、前記現在の状態(220)に合致するか又は合致の規定されたマージンの範囲内にあり、前記装置(500)が、前記知識ベースを探索することを実行することが、前記装置が、最も高く重み付けされた修理活動、それによって、複数の前記過去の事例のうちの前記1以上の前記複数の修理活動の中で最も高い成功率を有する、前記過去の事例を選択することを実行することを含む、条項15から19のいずれか一項に記載のコンピュータ可読記憶媒体(504)。
前記知識ベース(212)内の複数の修理活動(232)が、前記複数の故障モードのうちの前記それぞれの故障モードに対処するための前記複数の修理活動の成功率に基づいて重み付けされ、複数の前記過去の事例(222)のうちの1以上の前記複数の過去の異常状態(224)のうちの1以上が、前記現在の状態(220)に合致するか又は合致の規定されたマージンの範囲内にあり、前記装置(500)が、前記知識ベースを探索することを実行することが、前記装置が、最も高く重み付けされた修理活動、それによって、複数の前記過去の事例のうちの前記1以上の前記複数の修理活動の中で最も高い成功率を有する、前記過去の事例を選択することを実行することを含む、条項15から19のいずれか一項に記載のコンピュータ可読記憶媒体(504)。
[0083] 条項21
前記機械が航空機(204)であり、前記現在の状態(220)が、前記航空機のフライトである又はフライトを含む前記動作中に前記航空機によって報告された故障モードによって表示される、条項15から20のいずれか一項に記載のコンピュータ可読記憶媒体(504)。
前記機械が航空機(204)であり、前記現在の状態(220)が、前記航空機のフライトである又はフライトを含む前記動作中に前記航空機によって報告された故障モードによって表示される、条項15から20のいずれか一項に記載のコンピュータ可読記憶媒体(504)。
Claims (20)
- 装置であって、
推論エンジンと知識ベースとを含む知識ベースシステム用のコンピュータ可読プログラムコードを記憶するように構成されたメモリ、並びに
前記メモリにアクセスし、前記コンピュータ可読プログラムコードを実行して、前記推論エンジン、それによって、前記装置に動作を実行させるように構成された処理回路を備え、前記動作は、少なくとも、
機械の動作中に記録された前記機械の複数の動作状態の時系列的な測定値を受け取ること、
前記時系列的な測定値を測定値の1以上のそれぞれの群にクラスタリングすること、
前記測定値の複数の群にわたるパターンを特定すること、
前記測定値の複数の群にわたる前記パターンを含む前記機械の現在の状態を規定すること、
前記機械の複数の過去の異常状態及びそれぞれの解決策を説明する一組の過去の事例を含む知識ベースにアクセスすることであって、前記機械の前記複数の過去の異常状態は、前記機械の複数のシステムの複数の故障モードがその間に生じた前記機械の動作の以前の複数の事例の期間中に記録された、前記機械の前記複数の動作状態の測定値の複数の群にわたる複数のパターンを含み、前記それぞれの解決策は、前記複数の故障モードのうちのそれぞれの故障モードに対処するために実行された複数の修理活動を含む、知識ベースにアクセスすること、
前記現在の状態と同様な前記複数の過去の異常状態のうちの過去の異常状態に対するそれぞれの解決策を説明する過去の事例を求めて前記知識ベースを探索することであって、前記それぞれの解決策は、前記現在の状態に対する候補解決策として特定され、前記過去の異常状態に対する前記それぞれの解決策は修理活動を含む、前記知識ベースを探索すること、並びに
前記現在の状態に対処するための前記修理活動を表示する出力ディスプレイを生成することを含む、装置。 - 前記時系列的な測定値が、群の固定された数、測定値の群における中心測定値と他の測定値との間の最大距離、又は測定値の群における測定値の最小数を含む、入力パラメータに基づいてクラスタリングされる、請求項1に記載の装置。
- 前記時系列的な測定値が、k平均クラスタリングアルゴリズム、ノイズを伴うアプリケーションの密度に基づく空間クラスタリング(DBSCAN)アルゴリズム、又はディリクレ過程混合ガウスモデル(DPGMM)アルゴリズムを含む、クラスタリングアルゴリズム又は一組のクラスタリングアルゴリズムに従って、固定された数の群にクラスタリングされる、請求項1又は2に記載の装置。
- 前記機械が輸送体であり、前記複数のシステムが複数の輸送体システムを含み、前記装置が、前記時系列的な測定値を受け取ることを実行することが、前記装置が、前記輸送体の移動である又は移動を含む前記動作中に記録された故障データを、前記複数の輸送体システムのうちの輸送体システムから受け取ることを実行することを更に含み、
前記処理回路は、前記推論エンジンそれによって前記装置に、前記故障データから、前記輸送体システム又は前記複数の輸送体システムのうちの別の輸送体システムの故障モードである前記現在の状態を診断することを実行させるために、前記コンピュータ可読プログラムコードを更に実行する、請求項1から3のいずれか一項に記載の装置。 - 前記装置が、前記現在の状態を診断することを実行することが、前記装置が、前記故障モードのタイミングを診断することを実行することを含み、前記装置は、
前記複数の動作状態を前記故障モードに関連すると特定することであって、前記複数の動作状態が前記輸送体のより多い複数の動作状態のうちのサブセットである、前記複数の動作状態を特定すること、
前記故障モードの前記タイミングから時間間隔を特定すること、及び
前記より多い複数の動作状態のより多い時系列的な測定値から前記時間間隔についての前記時系列的な測定値を抽出することを更に実行する、請求項4に記載の装置。 - 前記知識ベース内の複数の修理活動が、前記複数の故障モードのうちの前記それぞれの故障モードに対処するための前記複数の修理活動の成功率に基づいて重み付けされ、
複数の前記過去の事例のうちの1以上の前記複数の過去の異常状態のうちの1以上が、前記現在の状態に合致するか又は合致の規定されたマージンの範囲内にあり、前記知識ベースを探索することが、最も高く重み付けされた修理活動、それによって、複数の前記過去の事例のうちの前記1以上の前記複数の修理活動の中で最も高い成功率を有する、前記過去の事例を選択することを含む、請求項1から5のいずれか一項に記載の装置。 - 前記機械が航空機であり、前記現在の状態が、前記航空機のフライトである又はフライトを含む前記動作中に前記航空機によって報告された故障モードによって表示される、請求項1から6のいずれか一項に記載の装置。
- 機械の動作中に記録された前記機械の複数の動作状態の時系列的な測定値を受け取ること、
前記時系列的な測定値を測定値の1以上のそれぞれの群にクラスタリングすること、
前記測定値の複数の群にわたるパターンを特定すること、
前記測定値の複数の群にわたる前記パターンを含む前記機械の現在の状態を規定すること、
前記機械の複数の過去の異常状態及びそれぞれの解決策を説明する一組の過去の事例を含む知識ベースにアクセスすることであって、前記機械の前記複数の過去の異常状態は、前記機械の複数のシステムの複数の故障モードがその間に生じた前記機械の動作の以前の複数の事例の期間中に記録された、前記機械の前記複数の動作状態の測定値の複数の群にわたる複数のパターンを含み、前記それぞれの解決策は、前記複数の故障モードのうちのそれぞれの故障モードに対処するために実行された複数の修理活動を含む、知識ベースにアクセスすること、
前記現在の状態と同様な前記複数の過去の異常状態のうちの過去の異常状態に対するそれぞれの解決策を説明する過去の事例を求めて前記知識ベースを探索することであって、前記それぞれの解決策は、前記現在の状態に対する候補解決策として特定され、前記過去の異常状態に対する前記それぞれの解決策は修理活動を含む、前記知識ベースを探索すること、並びに
前記現在の状態に対処するための前記修理活動を表示する出力ディスプレイを生成することを含む、方法。 - 前記時系列的な測定値が、群の固定された数、測定値の群における中心測定値と他の測定値との間の最大距離、又は測定値の群における測定値の最小数を含む、入力パラメータに基づいてクラスタリングされる、請求項8に記載の方法。
- 前記時系列的な測定値が、k平均クラスタリングアルゴリズム、ノイズを伴うアプリケーションの密度に基づく空間クラスタリング(DBSCAN)アルゴリズム、又はディリクレ過程混合ガウスモデル(DPGMM)アルゴリズムを含む、クラスタリングアルゴリズム又は一組のクラスタリングアルゴリズムに従って、固定された数の群にクラスタリングされる、請求項8又は9に記載の方法。
- 前記機械が輸送体であり、前記複数のシステムが複数の輸送体システムを含み、前記時系列的な測定値を受け取ることが、前記輸送体の移動である又は移動を含む前記動作中に記録された故障データを、前記複数の輸送体システムのうちの輸送体システムから受け取ることを更に含み、
前記方法は更に、前記故障データから、前記輸送体システム又は前記複数の輸送体システムのうちの別の輸送体システムの故障モードである前記現在の状態を診断することを含む、請求項8から10のいずれか一項に記載の方法。 - 前記現在の状態を診断することが、前記故障モードのタイミングを診断することを含み、前記方法は更に、
前記複数の動作状態を前記故障モードに関連すると特定することであって、前記複数の動作状態が前記輸送体のより多い複数の動作状態のうちのサブセットである、前記複数の動作状態を特定すること、
前記故障モードの前記タイミングから時間間隔を特定すること、及び
前記より多い複数の動作状態のより多い時系列的な測定値から前記時間間隔についての前記時系列的な測定値を抽出することを含む、請求項11に記載の方法。 - 前記知識ベース内の複数の修理活動が、前記複数の故障モードのうちの前記それぞれの故障モードに対処するための前記複数の修理活動の成功率に基づいて重み付けされ、
複数の前記過去の事例のうちの1以上の前記複数の過去の異常状態のうちの1以上が、前記現在の状態に合致するか又は合致の規定されたマージンの範囲内にあり、前記知識ベースを探索することが、最も高く重み付けされた修理活動、それによって、複数の前記過去の事例のうちの前記1以上の前記複数の修理活動の中で最も高い成功率を有する、前記過去の事例を選択することを含む、請求項8から12のいずれか一項に記載の方法。 - 前記機械が航空機であり、前記現在の状態が、前記航空機のフライトである又はフライトを含む前記動作中に前記航空機によって報告された故障モードによって表示される、請求項8から13のいずれか一項に記載の方法。
- コンピュータ可読プログラムコードと知識ベースシステムとを内部に記憶したコンピュータ可読記憶媒体であって、前記知識ベースシステムは、推論エンジン及び知識ベースを含み、前記コンピュータ可読プログラムコードは、処理回路によって実行されたことに応じて、前記推論エンジンそれによって装置に、少なくとも、
機械の動作中に記録された前記機械の複数の動作状態の時系列的な測定値を受け取ること、
前記時系列的な測定値を測定値の1以上のそれぞれの群にクラスタリングすること、
前記測定値の複数の群にわたるパターンを特定すること、
前記測定値の複数の群にわたる前記パターンを含む前記機械の現在の状態を規定すること、
前記機械の複数の過去の異常状態及びそれぞれの解決策を説明する一組の過去の事例を含む知識ベースにアクセスすることであって、前記機械の前記複数の過去の異常状態は、前記機械の複数のシステムの複数の故障モードがその間に生じた前記機械の動作の以前の複数の事例の期間中に記録された、前記機械の前記複数の動作状態の測定値の複数の群にわたる複数のパターンを含み、前記それぞれの解決策は、前記複数の故障モードのうちのそれぞれの故障モードに対処するために実行された複数の修理活動を含む、知識ベースにアクセスすること、
前記現在の状態と同様な前記複数の過去の異常状態のうちの過去の異常状態に対するそれぞれの解決策を説明する過去の事例を求めて前記知識ベースを探索することであって、前記それぞれの解決策は、前記現在の状態に対する候補解決策として特定され、前記過去の異常状態に対する前記それぞれの解決策は修理活動を含む、前記知識ベースを探索すること、並びに
前記現在の状態に対処するための前記修理活動を表示する出力ディスプレイを生成することを実行させる、コンピュータ可読記憶媒体。 - 前記時系列的な測定値が、群の固定された数、測定値の群における中心測定値と他の測定値との間の最大距離、又は測定値の群における測定値の最小数を含む、入力パラメータに基づいてクラスタリングされる、請求項15に記載のコンピュータ可読記憶媒体。
- 前記時系列的な測定値が、k平均クラスタリングアルゴリズム、ノイズを伴うアプリケーションの密度に基づく空間クラスタリング(DBSCAN)アルゴリズム、又はディリクレ過程混合ガウスモデル(DPGMM)アルゴリズムを含む、クラスタリングアルゴリズム又は一組のクラスタリングアルゴリズムに従って、固定された数の群にクラスタリングされる、請求項15又は16に記載のコンピュータ可読記憶媒体。
- 前記機械が輸送体であり、前記複数のシステムが複数の輸送体システムを含み、前記装置が、前記時系列的な測定値を受け取ることを実行することが、前記装置が、前記輸送体の移動である又は移動を含む前記動作中に記録された故障データを、前記複数の輸送体システムのうちの輸送体システムから受け取ることを実行することを更に含み、
前記装置は、前記故障データから、前記輸送体システム又は前記複数の輸送体システムのうちの別の輸送体システムの故障モードである前記現在の状態を診断することを更に実行する、請求項15から17のいずれか一項に記載のコンピュータ可読記憶媒体。 - 前記装置が、前記現在の状態を診断することを実行することが、前記装置が、前記故障モードのタイミングを診断することを実行することを含み、前記装置は、
前記複数の動作状態を前記故障モードに関連すると特定することであって、前記複数の動作状態が前記輸送体のより多い複数の動作状態のうちのサブセットである、前記複数の動作状態を特定すること、
前記故障モードの前記タイミングから時間間隔を特定すること、及び
前記より多い複数の動作状態のより多い時系列的な測定値から前記時間間隔についての前記時系列的な測定値を抽出することを更に実行する、請求項18に記載のコンピュータ可読記憶媒体。 - 前記知識ベース内の複数の修理活動が、前記複数の故障モードのうちの前記それぞれの故障モードに対処するための前記複数の修理活動の成功率に基づいて重み付けされ、
複数の前記過去の事例のうちの1以上の前記複数の過去の異常状態のうちの1以上が、前記現在の状態に合致するか又は合致の規定されたマージンの範囲内にあり、前記装置が、前記知識ベースを探索することを実行することが、前記装置が、最も高く重み付けされた修理活動、それによって、複数の前記過去の事例のうちの前記1以上の前記複数の修理活動の中で最も高い成功率を有する、前記過去の事例を選択することを実行することを含む、請求項15から19のいずれか一項に記載のコンピュータ可読記憶媒体。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US202063072292P | 2020-08-31 | 2020-08-31 | |
US63/072,292 | 2020-08-31 |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2022042989A true JP2022042989A (ja) | 2022-03-15 |
Family
ID=80357128
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021139545A Pending JP2022042989A (ja) | 2020-08-31 | 2021-08-30 | センサデータに基づく修理の自動予測 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20220068042A1 (ja) |
JP (1) | JP2022042989A (ja) |
CN (1) | CN114104329A (ja) |
AU (1) | AU2021203858A1 (ja) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11970286B2 (en) * | 2021-06-04 | 2024-04-30 | Ge Aviation Systems Llc | Flight recorder system and method |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9550583B2 (en) * | 2015-03-03 | 2017-01-24 | Honeywell International Inc. | Aircraft LRU data collection and reliability prediction |
WO2019079771A1 (en) * | 2017-10-20 | 2019-04-25 | Appliedea, Inc. | DIAGNOSTICS, PROGNOSTICS AND STATE MANAGEMENT FOR VEHICLES USING KINEMATIC CLUSTERS, BEHAVIORAL SENSOR DATA AND MAINTENANCE IMPACT DATA |
US11307570B2 (en) * | 2019-05-31 | 2022-04-19 | Panasonic Intellectual Property Management Co., Ltd. | Machine learning based predictive maintenance of equipment |
US11250648B2 (en) * | 2019-12-18 | 2022-02-15 | Micron Technology, Inc. | Predictive maintenance of automotive transmission |
-
2021
- 2021-06-10 AU AU2021203858A patent/AU2021203858A1/en active Pending
- 2021-08-30 CN CN202111007713.7A patent/CN114104329A/zh active Pending
- 2021-08-30 US US17/461,306 patent/US20220068042A1/en active Pending
- 2021-08-30 JP JP2021139545A patent/JP2022042989A/ja active Pending
Also Published As
Publication number | Publication date |
---|---|
CN114104329A (zh) | 2022-03-01 |
US20220068042A1 (en) | 2022-03-03 |
AU2021203858A1 (en) | 2022-03-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11598880B2 (en) | Detecting fault states of an aircraft | |
US11396386B2 (en) | Supporting off-wing maintenance of an engine of an aircraft | |
US11958632B2 (en) | Predictive maintenance model design system | |
US11858651B2 (en) | Machine learning model development with interactive feature construction and selection | |
US20170193372A1 (en) | Health Management Using Distances for Segmented Time Series | |
US11138817B2 (en) | Vehicle system prognosis device and method | |
US11776330B2 (en) | Closed-loop diagnostic model maturation for complex systems | |
US20210133018A1 (en) | A unifying semi-supervised approach for machine condition monitoring and fault diagnosis | |
EP3477412A1 (en) | System fault isolation and ambiguity resolution | |
US20200175380A1 (en) | Automated feature generation for sensor subset selection | |
US20220076581A1 (en) | Computing environment system for monitoring aircraft engines | |
US11760507B2 (en) | Onboard diagnosis and correlation of failure data to maintenance actions | |
US20130246860A1 (en) | System monitoring | |
US11341780B2 (en) | Maintenance of an aircraft via similarity detection and modeling | |
JP2019511061A (ja) | 保守に重点を置いた航空機のデータ記録フレーム構成を決定するためのシステムおよび方法 | |
Meseroll et al. | Data mining navy flight and maintenance data to affect repair | |
WO2023086757A1 (en) | Systems and methods for aircraft management | |
JP2022042989A (ja) | センサデータに基づく修理の自動予測 | |
US10964132B2 (en) | Detecting fault states of an aircraft | |
US20220036205A1 (en) | Data analytics for more-informed repair of a mechanical or electromechanical system | |
Burnaev | Rare failure prediction via event matching for aerospace applications | |
JP2023536677A (ja) | 車両の改善されたメンテナンスのための車両レベル故障予測 | |
Ortiz et al. | Multi source data integration for aircraft health management | |
Zaluski et al. | Developing data mining-based prognostic models for cf-18 aircraft | |
RU2800105C2 (ru) | Система вычислительного окружения для мониторинга двигателей летательных аппаратов |