JP2022042989A - センサデータに基づく修理の自動予測 - Google Patents

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。

[0020] 本開示の幾つかの例示的な実施態様による航空機を示す。 [0021] 本開示の例示的な実施態様による、航空機などの機械の機械的又は電気機械的システムの診断及び修理用のシステムを示す。 [0022] 例示的な実施態様によ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す。 例示的な実施態様によ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す。 例示的な実施態様によ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す。 例示的な実施態様によ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す。 [0023] 本開示の例示的な実施態様による、航空機などの機械の機械的又は電気機械的システムの診断及び修理の方法における様々なステップを示すフローチャートである。 [0024] 幾つかの例示的な実施態様による装置を示す。

[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）。

[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）。

[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）。

[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）。

[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）。

[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）。

[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）。

[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）。

[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）。

[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）。

[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）。

[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）。

[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）。

[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）。

[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）。

[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）。

[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）。

[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）。

[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）。

[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）。

[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）。

Claims (20)

1. 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。
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、請求項１に記載の装置。
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、請求項１又は２に記載の装置。
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。
5. 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。
6. 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。
7. 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。
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、
   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。
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、請求項８に記載の方法。
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、請求項８又は９に記載の方法。
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。
12. 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。
13. 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。
14. 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。
15. 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。
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、請求項１５に記載のコンピュータ可読記憶媒体。
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、請求項１５又は１６に記載のコンピュータ可読記憶媒体。
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。
19. 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。
20. 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。
    

Images