JP6738292B2 - Method and system for predicting phenomenon occurrence - Google Patents
Method and system for predicting phenomenon occurrence Download PDFInfo
- Publication number
- JP6738292B2 JP6738292B2 JP2017028709A JP2017028709A JP6738292B2 JP 6738292 B2 JP6738292 B2 JP 6738292B2 JP 2017028709 A JP2017028709 A JP 2017028709A JP 2017028709 A JP2017028709 A JP 2017028709A JP 6738292 B2 JP6738292 B2 JP 6738292B2
- Authority
- JP
- Japan
- Prior art keywords
- predetermined
- proximity
- flap
- predetermined event
- phenomenon
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims description 20
- 230000007547 defect Effects 0.000 claims description 19
- 230000010006 flight Effects 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000007257 malfunction Effects 0.000 claims description 6
- 238000003066 decision tree Methods 0.000 description 5
- 238000012423 maintenance Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 230000033001 locomotion Effects 0.000 description 2
- 238000010420 art technique Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
Images
Landscapes
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Description
本発明は、所定の現象の発生を予測するための方法およびシステムに関するものである。 The present invention relates to methods and systems for predicting the occurrence of certain phenomena.
航空機の部品、例えば、航空機の翼の後縁上に設けられたフラップの故障を予測する従来技術として、位置センサから後縁フラップのうちの少なくとも１つの位置を示す位置信号を受信するステップと、位置信号を基準位置値と比較して位置比較を規定するステップと、変動比較を規定するステップと、変動比較に基づいて後縁フラップ破損の予測の表示を与えるステップと、を含む方法が提案されている（例えば特許文献１）。 Receiving a position signal indicative of the position of at least one of the trailing edge flaps from a position sensor as a prior art technique for predicting failure of aircraft components, for example flaps on the trailing edge of an aircraft wing; A method is proposed that includes the steps of comparing a position signal with a reference position value to define a position comparison, defining a variation comparison, and providing an indication of a trailing edge flap failure prediction based on the variation comparison. (For example, Patent Document 1).
消費者の購買行動を予測する方法として、定められた地点を通過した個人を識別する個人識別情報と、通過した方向および通過した時刻を含む移動情報と、個人が購買した商品等に関する情報を含む購買行動情報と、をもとにして、購買行動規則を抽出する方法が提案されている（例えば特許文献２）。
具体的には、特許文献２では、段落００３９に記載されているように、移動情報として「ある日のＸ氏の出かける時刻が１０時半であった」という情報が得られた場合、「夜の９時から１０時にかけてＸ氏が特定の弁当を買う」という購買行動予測が得られるものである。
As a method of predicting the purchasing behavior of consumers, it includes personal identification information that identifies an individual who has passed a specified point, movement information that includes the direction and time when the individual passed, and information about products purchased by the individual. A method of extracting a purchasing behavior rule based on the purchasing behavior information has been proposed (for example, Patent Document 2).
Specifically, in
特許文献１に記載の技術の場合、１度でも変動比較が閾値よりも大きくなると、後縁フラップがまもなく破損すると予測され、修復が行われる。ところが、後縁フラップの破損にはつながらない要因により、変動比較が閾値よりも大きくなる場合もあり、そのような場合は、後縁フラップの修復は不要である。このように修復が不要な場合にも後縁フラップを修復すると、無駄な整備費がかかることとなる。一方、このように修復が不要な場合には、変動比較が閾値よりも大きくならないように閾値を設定すると、本当の破損につながる要因を見逃す危険性がある。
In the case of the technique described in
本発明では、所定の現象につながる可能性の高い所定の事象を特定し、この所定の事象の発生回数および発生頻度を考慮して、所定の現象の発生に近いことを予測する方法およびシステムを提供する。
具体的に上述した特許文献１の事例に当てはめると、本発明では、「後縁フラップの破損」という所定の現象につながる可能性の高い、「変動比較が閾値よりも大きくなる」という所定の事象を特定し、「変動比較が閾値よりも大きくなる」という事象が、過去のフライト中何回発生したのかを考慮して、「後縁フラップの破損」が近々発生することを予測する方法およびシステムを提供する。
なお、本発明において、所定の現象とは、必ずしも部品の破損のような、発生して欲しくないマイナスの現象に限られるものではなく、特許文献２に記載のように、発生して欲しいプラスの現象、例えば、「商品の購買」「店舗への訪問」等も含むものである。
The present invention provides a method and system for identifying a predetermined event that is likely to lead to a predetermined phenomenon, and considering the number of times and the frequency of occurrence of this predetermined event, and predicting that the occurrence of the predetermined phenomenon will be close. provide.
Applying specifically to the case of
In the present invention, the predetermined phenomenon is not limited to a negative phenomenon that is not desired to occur, such as damage to a component, but a positive phenomenon that is desired to occur as described in
本発明の要旨は、以下のとおりである。
コンピュータが、
所定の現象につながる可能性の高い所定の事象を特定し、
前記所定の事象の発生回数および発生頻度を考慮して、前記所定の現象の発生に近いことを予測する。
The gist of the present invention is as follows.
Computer
Identifying certain events that are likely to lead to certain events,
Considering the number of occurrences and the frequency of occurrence of the predetermined phenomenon, it is predicted that the occurrence of the predetermined phenomenon is close.
前記所定の事象が発生すると、第１の特性値を加算し、前記所定の事象が発生しないと、第２の特性値を減算することを繰り返すことにより、前記所定の現象への接近度ＰＩを定義し、
前記接近度ＰＩが所定の閾値を超えると、前記所定の現象の発生に近いことを予測する。
When the predetermined event occurs, the first characteristic value is added, and when the predetermined event does not occur, the second characteristic value is subtracted repeatedly, thereby making it possible to determine the proximity PI to the predetermined phenomenon. Define,
When the degree of proximity PI exceeds a predetermined threshold value, it is predicted that the occurrence of the predetermined phenomenon is close.
航空機のフラップに関連する不具合につながる可能性の高い所定の事象として、左右のフラップの所定以上の角度差が所定時間以上継続するという事象を特定し、
１回のフライトにつき、前記所定の事象が発生すると、第１の特性値を加算し、前記所定の事象が発生しないと、第２の特性値を減算することを複数のフライトに対して繰り返すことにより、前記所定の現象への接近度ＰＩを定義し、
所定のデータから閾値ＰＩｔｈを求め、
前記接近度ＰＩが前記閾値ＰＩｔｈを超えると、フラップに関連する不具合の発生に近いことを予測する。
As a predetermined event that is likely to lead to malfunctions related to aircraft flaps, we identified an event that the difference in angle between the left and right flaps exceeds a predetermined angle for a predetermined time or longer,
Repeating, for a plurality of flights, adding the first characteristic value when the predetermined event occurs and subtracting the second characteristic value when the predetermined event does not occur per flight. Defines the degree of proximity PI to the predetermined phenomenon by
The threshold PI th is calculated from the predetermined data,
When the degree of proximity PI exceeds the threshold value PI th , it is predicted that a defect related to the flap is approaching.
記憶部および制御部を備えた予測システムであって、
前記制御部は、
前記記憶部に格納されたデータに基づき、航空機のフラップに関連する不具合につながる可能性の高い所定の事象として、左右のフラップの所定以上の角度差が所定時間以上継続するという事象を特定する特定部と、
１回のフライトにつき、前記所定の事象が発生すると、第１の特性値を加算し、前記所定の事象が発生しないと、第２の特性値を減算することを複数のフライトに対して繰り返すことにより、前記所定の現象への接近度ＰＩを定義するＰＩ演算部と、
前記記憶部に格納されたデータから閾値ＰＩｔｈを求めるＰＩｔｈ演算部と、
前記接近度ＰＩが前記閾値ＰＩｔｈを超えると、フラップに関連する不具合の発生に近いことを予測する予測部と、
を有する。
A prediction system including a storage unit and a control unit,
The control unit is
Based on the data stored in the storage unit, a specification that identifies a phenomenon that a difference in angle between the left and right flaps exceeds a predetermined time as a predetermined event that is likely to lead to a failure related to an aircraft flap Department,
Repeating, for a plurality of flights, adding the first characteristic value when the predetermined event occurs and subtracting the second characteristic value when the predetermined event does not occur per flight. And a PI calculation unit that defines the degree of proximity PI to the predetermined phenomenon,
A PI th calculation unit for obtaining a threshold PI th from the data stored in the storage unit,
A predicting unit that predicts that when the degree of proximity PI exceeds the threshold value PI th , the occurrence of a defect related to the flap is approaching;
Have.
図１を用いて、本発明の予測方法を説明する。本発明の予測方法は、コンピュータによって行うものであり、コンピュータとは、例えば、図６を用いて説明する予測システムである。
本発明では、コンピュータが、所定の現象につながる可能性の高い所定の事象を特定し、この所定の事象の発生回数および発生頻度を考慮して、所定の現象の発生に近いことを予測するために、所定の現象の発生に対する接近度ＰＩ（Ｐｒｏｘｉｍｉｔｙ Ｉｎｄｅｘ）という新たな指標を導入している。接近度ＰＩが高ければ、所定の現象が発生する可能性が高く、接近度ＰＩが低ければ、所定の現象が発生する可能性が低い。
接近度ＰＩは、所定の現象につながる可能性の高い所定の事象が発生すると、第１の特性値として２０を加算し、当該所定の事象が発生しないと、第２の特性値として１を減算することを繰り返すことにより定義される。なお、特性値の＋２０および−１は単なる一例である。
The prediction method of the present invention will be described with reference to FIG. The prediction method of the present invention is performed by a computer, and the computer is, for example, the prediction system described with reference to FIG.
In the present invention, the computer identifies a predetermined event that is likely to lead to a predetermined phenomenon, and in consideration of the number of times and the frequency of occurrence of this predetermined event, predicts that the occurrence of the predetermined phenomenon is close. In addition, a new index called the proximity index PI (Proximity Index) for the occurrence of a predetermined phenomenon is introduced. If the proximity PI is high, the predetermined phenomenon is likely to occur, and if the proximity PI is low, the predetermined phenomenon is unlikely to occur.
The proximity PI adds 20 as a first characteristic value when a predetermined event that is highly likely to lead to a predetermined phenomenon occurs, and subtracts 1 as a second characteristic value when the predetermined event does not occur. It is defined by repeating the process. The characteristic values +20 and -1 are merely examples.
図１（ａ）は、横軸に回数、縦軸に所定の現象の発生に対する接近度ＰＩを表す。
１回目に所定の事象が発生しなかったため、ＰＩ＝−１となる。
２回目に所定の事象が発生しなかったため、ＰＩ＝−１−１＝−２となる。
３回目に所定の事象が発生しなかったため、ＰＩ＝−２−１＝−３となる。
４回目に所定の事象が発生しなかったため、ＰＩ＝−３−１＝−４となる。
５回目に所定の事象が発生したため、ＰＩ＝−４＋２０＝１６となる。
６回目に所定の事象が発生しなかったため、ＰＩ＝１６−１＝１５となる。
７回目に所定の事象が発生しなかったため、ＰＩ＝１５−１＝１４となる。
８回目に所定の事象が発生しなかったため、ＰＩ＝１４−１＝１３となる。
９回目に所定の事象が発生したため、ＰＩ＝１３＋２０＝３３となる。
１０回目に所定の事象が発生したため、ＰＩ＝３３＋２０＝５３となる。
ここで、ＰＩ＝５０を閾値として設定すると、１０回目に所定の事象が発生した際、ＰＩ＝５３＞５０となり、ＰＩは閾値を上回る。ＰＩの閾値とは、所定の現象が高い確率で発生する可能性が高いことを示す値であり、言い換えると、所定の現象がまもなく発生すると予測される値である。ＰＩが閾値を上回った場合、所定の事象が例えば部品故障であるとすると、当該部品を修理・交換することが考えられる。
In FIG. 1A, the horizontal axis represents the number of times and the vertical axis represents the degree of proximity PI to the occurrence of a predetermined phenomenon.
Since the predetermined event did not occur the first time, PI=-1.
Since the predetermined event did not occur the second time, PI=-1-1=-2.
Since the predetermined event did not occur the third time, PI=-2-1=-3.
Since the predetermined event did not occur the fourth time, PI=-3-1=-4.
Since the predetermined event has occurred the fifth time, PI=-4+20=16.
Since the predetermined event did not occur the sixth time, PI=16-1=15.
Since the predetermined event did not occur in the 7th time, PI=15-1=14.
Since the predetermined event did not occur the eighth time, PI=14-1=13.
Since a predetermined event has occurred the ninth time, PI=13+20=33.
Since a predetermined event has occurred 10 times, PI=33+20=53.
Here, if PI=50 is set as the threshold, PI=53>50 when the predetermined event occurs for the tenth time, and PI exceeds the threshold. The PI threshold is a value indicating that a predetermined phenomenon is likely to occur with a high probability, in other words, a value at which the predetermined phenomenon is predicted to occur soon. If the PI exceeds the threshold, and the predetermined event is, for example, a component failure, it is possible to repair or replace the component.
なお、ＰＩの最小値を０とすると、図１（ａ）は、図１（ｂ）のようになる。すなわち、１〜４回目に所定の事象が発生しないため、ＰＩ＝０のままとなる。 When the minimum value of PI is 0, FIG. 1A becomes as shown in FIG. That is, since the predetermined event does not occur in the first to fourth times, PI remains 0.
図１（ｃ）を用いて、他の例を説明する。図１（ｃ）は、図１（ａ）（ｂ）と同様に、横軸に回数、縦軸に所定の現象の発生に対する接近度ＰＩを表す。
１回目に所定の事象が発生したため、ＰＩ＝２０となる。
２〜１２回目に所定の事象が発生しなかったため、１２回目には、ＰＩ＝２０−１１＝９となる。
１３回目に所定の事象が発生したため、ＰＩ＝９＋２０＝２９となる。
１４〜３４回目に所定の事象が発生しなかったため、３４回目には、ＰＩ＝２９−２１＝８となる。
３５回目に所定の事象が発生したため、ＰＩ＝８＋２０＝２８となる。
３６〜４０回目に所定の事象が発生しなかったため、４０回目には、ＰＩ＝２８−５＝２３となる。
４１回目に所定の事象が発生したため、ＰＩ＝２３＋２０＝４３となる。
４２〜７０回目に所定の事象が発生しなかったため、７０回目には、ＰＩ＝４３−２９＝１４となる。
図１（ｃ）の例では、所定の事象は４回発生しているものの、その発生頻度が低いためＰＩ＞５０とはならず、所定の現象がまもなく発生するとは予測されない。
このように、本発明では、所定の事象が発生した回数のみに着目するのではなく、所定の事象が発生する頻度にも着目し、この頻度が低い場合、過去に発生した所定の事象をノーカウントにするという手法を用いている。例えば、図１（ｃ）の例では、所定の事象が１回発生しても、その後２０回発生しないと、この事象が発生しなかったのと同等とみなされる。すなわち、１回発生したこの事象は、所定の現象につながる可能性の高い事象ではないとみなされる。
Another example will be described with reference to FIG. Similar to FIGS. 1A and 1B, in FIG. 1C, the horizontal axis represents the number of times and the vertical axis represents the degree of proximity PI to the occurrence of a predetermined phenomenon.
Since a predetermined event has occurred the first time, PI=20.
Since the predetermined event did not occur in the second to twelfth times, PI=20-11=9 in the twelfth time.
Since a predetermined event has occurred the 13th time, PI=9+20=29.
Since the predetermined event did not occur in the 14th to 34th times, PI=29-21=8 in the 34th time.
Since a predetermined event has occurred at the 35th time, PI=8+20=28.
Since the predetermined event did not occur at the 36th to 40th times, PI=28-5=23 at the 40th time.
Since the predetermined event has occurred the 41st time, PI=23+20=43.
Since the predetermined event did not occur in the 42nd to 70th times, PI=43−29=14 in the 70th time.
In the example of FIG. 1C, although the predetermined event has occurred four times, since the frequency of occurrence is low, PI>50 does not hold, and it is not predicted that the predetermined phenomenon will occur soon.
As described above, in the present invention, not only the number of times a predetermined event has occurred, but also the frequency with which the predetermined event occurs. The method of counting is used. For example, in the example of FIG. 1C, if a predetermined event occurs once but does not occur 20 times thereafter, it is considered that this event has not occurred. That is, this event that occurred once is considered not to be an event that is likely to lead to a predetermined phenomenon.
上述した手法を一般化すると、接近度ＰＩは、以下の式によって定義される。
図１の例では、第１の特性値が２０であり、第２の特性値が１であるが、特性値は、任意の値（定数および変数）を用いることができる。
さらに、特性値はマイナス値でもよい。すなわち、ＰＩは、所定の事象が発生した場合にマイナスされ、所定の現象が発生しなかった場合にプラスされてもよい。
任意で、接近度ＰＩは、最大値および最小値を定義することもできる。
When the above method is generalized, the proximity PI is defined by the following equation.
In the example of FIG. 1, the first characteristic value is 20 and the second characteristic value is 1, but any value (constant and variable) can be used as the characteristic value.
Further, the characteristic value may be a negative value. That is, the PI may be subtracted when a predetermined phenomenon occurs and may be added when the predetermined phenomenon does not occur.
Optionally, the proximity PI may also define maximum and minimum values.
図２は、本発明の予測方法を示すフローチャートである。
図２（ａ）に示すように、ステップＳ１において、コンピュータが、所定の現象につながる可能性の高い所定の事象を特定する。次に、ステップＳ２において、コンピュータが、所定の事象の発生回数および発生頻度を考慮して、所定の現象の発生に近いことを予測する。
図２（ｂ）は、予測ルーチンを示し、ステップＳ２１において、コンピュータが、所定の事象が発生するか否かを判定する。ステップＳ２１において「はい」の場合、ステップＳ２２において、接近度ＰＩに第１の特性値を加算し、ステップＳ２１において「いいえ」の場合、ステップＳ２３において、接近度ＰＩに第２の特性値を減算する。次に、ステップＳ２４において、接近度ＰＩが所定の閾値を超えるか否かを判定する。ステップＳ２４において「はい」の場合、ステップＳ２５において、所定の現象の発生に近いことを予測し、ステップＳ２４において「いいえ」の場合、ステップＳ２１に戻る。
FIG. 2 is a flowchart showing the prediction method of the present invention.
As shown in FIG. 2A, in step S1, the computer identifies a predetermined event that is likely to lead to the predetermined phenomenon. Next, in step S2, the computer predicts that the occurrence of the predetermined phenomenon is close to consideration, considering the number of times and the frequency of occurrence of the predetermined phenomenon.
FIG. 2B shows a prediction routine, and in step S21, the computer determines whether or not a predetermined event occurs. If “Yes” in step S21, the first characteristic value is added to the degree of proximity PI in step S22, and if “No” in step S21, the second characteristic value is subtracted from the degree of proximity PI in step S23. To do. Next, in step S24, it is determined whether the degree of proximity PI exceeds a predetermined threshold value. In the case of "yes" in step S24, it is predicted in step S25 that the occurrence of the predetermined phenomenon is close, and in the case of "no" in step S24, the process returns to step S21.
以下、航空機のフラップに関する実施例を説明するが、本発明は、この実施例に限定されるものではない。
フラップとは、航空機の左右の翼に装備され、離着陸時に角度等を変更することにより揚力を増大させるものである。パイロットは、離着陸時に、コントローラーによって左右のフラップの角度を設定する。フラップが設定角度で動作しているか否かは、フラップの近傍に設けられたフラップポジショントランスミッタにより計測される。計測角度は、コックピットに設けられたフラップインジケータに表示される。左右のフラップの角度に相違が生じた場合は、「Ａｓｙｍｍｅｔｒｙ Ｃｏｎｄｉｔｉｏｎ」となり、フラップの動作が停止するため、ＡＴＢ（Ａｉｒ Ｔｕｒｎ Ｂａｃｋ）等の原因となる。
左右のフラップは、１本のシャフトに接続されているため、離着陸時に、左右のフラップの位置を移動する場合、左右のフラップは、基本的には同時に動作する。しかし、フラップポジショントランスミッタおよびフラップインジケータの少なくとも一方の不具合により、実際は、左右のフラップが同時に動作しているのにもかかわらず、一方のフラップが速く移動し、他方のフラップが遅く移動していると誤検知される場合がある。具体的には、左右のフラップの角度差の絶対値（フラップ角度差）が所定角度以上の状態が、所定時間以上継続する場合がある。なお、フラップ角度差がある角度以上になると、「Ａｓｙｍｍｅｔｒｙ Ｃｏｎｄｉｔｉｏｎ」となる。
Hereinafter, an embodiment relating to an aircraft flap will be described, but the present invention is not limited to this embodiment.
The flaps are mounted on the left and right wings of the aircraft and increase lift by changing the angle etc. during takeoff and landing. When taking off and landing, the pilot sets the angle of the left and right flaps with the controller. Whether or not the flap is operating at the set angle is measured by a flap position transmitter provided near the flap. The measurement angle is displayed on a flap indicator provided in the cockpit. When the angle of the left and right flaps is different, it becomes “Asymmetry Condition”, and the operation of the flap is stopped, which causes ATB (Air Turn Back) or the like.
Since the left and right flaps are connected to one shaft, when the positions of the left and right flaps are moved during takeoff and landing, the left and right flaps basically operate simultaneously. However, due to a defect in at least one of the flap position transmitter and the flap indicator, in reality, one flap is moving faster and the other is moving slower, even though the left and right flaps are working at the same time. It may be falsely detected. Specifically, the state where the absolute value of the angle difference between the left and right flaps (flap angle difference) is equal to or larger than a predetermined angle may continue for a predetermined time or longer. It should be noted that when the flap angle difference is equal to or larger than a certain angle, the "Asymmetry Condition" is set.
図３は、１つの航空機（７３７−８００型機）に関して、横軸にフライト日時、縦軸にフラップ角度差≧所定角度の連続秒数を示すグラフである。横軸全体は、数年の期間を表す。
図３より、不具合発生の直前の期間Ａより前の期間Ｂでは、すべてのフライトで、フラップ角度差≧所定角度の連続秒数がｔ１秒以下である。期間Ａでは、フラップ角度差≧所定角度の連続秒数がｔ２秒以上のフライトが頻発している。不具合発生により、フラップポジショントランスミッタおよび／またはフラップインジケータを交換した後の期間Ｃでは、フラップ角度差≧所定角度の連続秒数がｔ３秒のフライトが５回、フラップ角度差≧所定角度の連続秒数がｔ２秒以上のフライトが数１０回発生していることが分かる。ただし、期間Ｃに計測されたフライトはすべてＯＫのケースである。
図３から不具合の発生を予測するのは困難である。期間Ａでは、フラップ角度差≧所定角度の連続秒数がｔ２秒以上のフライトが頻発しているものの、期間Ｃでも、フラップ角度差≧所定角度の連続秒数がｔ２秒以上のフライトが所定頻度で発生しているため、フラップ角度差≧所定角度の連続秒数がｔ２秒以上のフライトが数回発生したからといって、不具合の発生が近いと予測することはできない。期間Ａには、フラップ角度差≧所定角度の連続秒数がｔ５秒のフライトａおよびフラップ角度差≧所定角度の連続秒数がｔ４秒のフライトｂが発生しているものの、その他の多くのフライトは、フラップ角度差≧所定角度の連続秒数がｔ２秒以上ｔ４秒未満であり、フライトａ、ｂは例外的といえる。すると、このような例外的なフライトのフラップ角度差≧所定角度の連続秒数（ｔ５秒、ｔ４秒）を閾値として、不具合の発生が近いと予測すると、不具合の発生を見逃すおそれがある。
そこで、接近度ＰＩという新たな指標を用いて不具合の発生に近いことを予測する。
FIG. 3 is a graph showing the flight date and time on the horizontal axis and the number of consecutive seconds of flap angle difference≧predetermined angle on the vertical axis for one aircraft (737-800 aircraft). The entire horizontal axis represents a period of several years.
From FIG. 3, in the period B before the period A immediately before the occurrence of the defect, the number of consecutive seconds of flap angle difference≧predetermined angle is t1 seconds or less in all flights. In period A, flights with flap angle difference≧predetermined angle and continuous seconds of t2 seconds or more frequently occur. During the period C after the flap position transmitter and/or the flap indicator has been replaced due to a malfunction, there are five flights with flap angle difference ≧ predetermined angle t3 seconds, flap angle difference ≧ predetermined angle continuous seconds. It can be seen that there are several tens of flights of t2 seconds or more. However, all the flights measured in the period C are OK.
It is difficult to predict the occurrence of defects from FIG. In period A, flights with flap angle difference ≧predetermined angle continuous seconds of t2 seconds or more frequently occur, but also in period C, flights with flap angle difference ≧predetermined angle continuous seconds of t2 seconds or more have predetermined frequency. However, it cannot be predicted that a defect will occur soon even if several flights with the flap angle difference≧the predetermined angle of t2 seconds or more occur several times. In the period A, a flight a having a flap angle difference of ≧predetermined angle and a continuous time of t5 seconds and a flight b of flap angle difference ≧a predetermined angle and a continuous time of t4 seconds occur, but many other flights are performed. Indicates that the number of consecutive seconds of flap angle difference≧predetermined angle is t2 seconds or more and less than t4 seconds, and flights a and b are exceptional. Then, if an exceptional flight flap angle difference≧a predetermined number of consecutive seconds (t5 seconds, t4 seconds) of a predetermined angle is set as a threshold value and it is predicted that a failure will occur soon, there is a possibility that the failure may be overlooked.
Therefore, a new index called the degree of approach PI is used to predict near occurrence of a defect.
図４は、図３のデータに関して、横軸にフライト日時、縦軸に不具合の発生に対する接近度ＰＩを示すグラフである。
ＰＩは、以下の通り、フラップ角度差≧所定角度の連続秒数がｔ２秒以上の場合、第１の特性値として２０を加算し、フラップ角度差≧所定角度の連続秒数がｔ１秒以下の場合、第２の特性値として１を減算することを繰り返すことにより定義される。
As described below, PI adds 20 as the first characteristic value when the flap angle difference≧the predetermined number of consecutive seconds is t2 seconds or more, and the flap angle difference≧the predetermined number of consecutive seconds is t1 seconds or less. In this case, it is defined by repeating subtraction of 1 as the second characteristic value.
図５は、接近度ＰＩの閾値ＰＩｔｈを求めるために一例として用いた決定木分析を示す。
分析対象は、ＮＧデータとして、不具合が発生したフライト直前の複数回のフライトのデータ、および、ＯＫデータとして、その他のフライトのデータである。入力は、接近度ＰＩおよびＬＤ ＦＬＡＰ指標値であり、接近度ＰＩが不具合に対して最も大きい影響を与えたことが分かった。また、ノード４には、ＰＩが１０９８を超えたレコードにＮＧが９６％以上含まれていることが分かった。したがって、ＰＩが１０９８を超える場合は、不具合が発生する可能性が非常に高いと判断できる。ＰＩが１０９８を超える事象は数年間で６件発生しており、そのうち５件で不具合が実際に発生している。したがって、閾値ＰＩｔｈ＝１０９８を用いることにより、フラップシステムの不具合を予測できる可能性が高いと判断できる。
決定木分析で用いられるデータは、エアライン独自の保有データであるフライトごとのセンサデータ（飛行情報データベースに格納されたビッグデータ）および過去の整備実施データ（整備情報データベースに格納されたビッグデータ）であり、これらのビッグデータは、接近値ＰＩを導入することにより、定量的、統計学的な分析が可能になる。
なお、接近度ＰＩの閾値ＰＩｔｈを求める方法は、決定木分析に限定されるものではない。
FIG. 5 shows a decision tree analysis used as an example to obtain the threshold value PI th of the degree of proximity PI.
The analysis target is data of a plurality of flights immediately before the flight in which the defect has occurred as NG data, and data of other flights as OK data. The inputs were the proximity PI and the LD FLAP index value, and it was found that the proximity PI had the greatest influence on the malfunction. Further, it was found that the node 4 contained 96% or more of NG in records where the PI exceeded 1098. Therefore, if the PI exceeds 1098, it can be determined that there is a high possibility that a malfunction will occur. There have been 6 occurrences of PI exceeding 1098 in several years, and in 5 of them, defects have actually occurred. Therefore, by using the threshold value PI th =1098, it can be determined that there is a high possibility that a malfunction of the flap system can be predicted.
The data used in the decision tree analysis are the flight-specific sensor data for each flight (big data stored in the flight information database) and past maintenance implementation data (big data stored in the maintenance information database). By introducing the approach value PI, these big data can be analyzed quantitatively and statistically.
The method of obtaining the threshold value PI th of the degree of proximity PI is not limited to the decision tree analysis.
図６（ａ）は、本発明の予測システムの一例を示すブロック図であり、図６（ｂ）は、データの一例である。
予測システム１は、記憶部１０および制御部２０を備える。記憶部１０は、例えば、飛行情報や整備情報のビッグデータを格納し、コンピュータのメモリやハードディスク等である。制御部２０は、コンピュータのＣＰＵ等である。記憶部１０および制御部２０は、１台のコンピュータ内にあってもよいし、別々のコンピュータ内にあってもよい。
制御部２０は、特定部２１、ＰＩ演算部２２、ＰＩｔｈ演算部２３および予測部２４を有する。
FIG. 6A is a block diagram showing an example of the prediction system of the present invention, and FIG. 6B is an example of data.
The
The
上述した航空機のフラップに関する実施例を用いて、予測システム１の機能を説明するが、予測システム１は、他の実施例でも同様の機能を有する。
特定部２１によって、航空機のフラップに関連する不具合、すなわち、「Ａｓｙｍｍｅｔｒｙ Ｃｏｎｄｉｔｉｏｎ」によりフラップの動作が停止するという不具合につながる可能性の高い所定の事象として、左右のフラップの所定以上の角度差が所定時間以上継続する、例えば、フラップ角度差≧所定角度の連続秒数がｔ２秒以上という事象を特定する。
図６（ｂ）に示すように、記憶部１０には、「Ａｓｙｍｍｅｔｒｙ Ｃｏｎｄｉｔｉｏｎ」によりフラップの動作が停止するという現象の発生／未発生に対して、所定の事象として、Ａ、Ｂ、Ｃ、Ｄ、Ｅ、・・・の発生／未発生を示すデータが格納されている。このデータから、フラップの動作停止という現象の発生／未発生に相関が高い事象Ａ（フラップ角度差≧所定角度の連続秒数がｔ２秒以上）が特定部２１によって特定される。
ＰＩ演算部２２によって、１回のフライトにつき、所定の事象が発生すると、第１の特性値として２０を加算し、所定の事象が発生しないと、第２の特性値として１を減算することを複数のフライトに対して繰り返すことにより、所定の現象への接近度ＰＩを定義し、記憶部１０に格納された複数のデータから接近度ＰＩを計算する。
ＰＩｔｈ演算部２３によって、記憶部１０に格納された複数のデータに決定木分析を適用し、閾値ＰＩｔｈを求める。
予測部２４によって、接近度ＰＩが閾値ＰＩｔｈ、例えば、１０９８を超えると、フラップに関連する不具合の発生に近いことを予測する。
Although the function of the
As the predetermined event that is highly likely to lead to a failure related to the flap of the aircraft, that is, a failure that the operation of the flap is stopped due to "Asymmetry Condition", an angle difference between the left and right flaps that is greater than or equal to a predetermined value is predetermined. An event that continues for a time or more, for example, the number of consecutive seconds of flap angle difference≧predetermined angle is t2 seconds or more is specified.
As shown in FIG. 6B, the
The
The PI th calculation unit 23 applies the decision tree analysis to the plurality of data stored in the
When the proximity PI exceeds a threshold PI th , for example, 1098, the predicting
なお、上述した航空機のフラップに関する実施例では、所定の現象が、フラップに関連する不具合という発生して欲しくないマイナスの現象を予測するものであるが、所定の現象は、発生して欲しいプラスの現象も含むものである。 In addition, in the above-mentioned example regarding the flap of the aircraft, the predetermined phenomenon predicts a negative phenomenon that does not want to occur, that is, a defect related to the flap, but the predetermined phenomenon is desired to occur. It also includes phenomena.
Claims (3)
航空機の所定の部品の不具合につながる可能性の高い所定の事象を特定し、
前記所定の事象が発生すると、第１の特性値を加算し、前記所定の事象が発生しないと、第２の特性値を減算することを繰り返すことにより、前記不具合への接近度ＰＩを定義し、
前記接近度ＰＩが所定の閾値を超えると、前記不具合の発生に近いことを予測する、
方法。 Computer
Identify certain events that are likely to lead to certain aircraft component failures ,
When the predetermined event occurs, the first characteristic value is added, and when the predetermined event does not occur, the second characteristic value is subtracted repeatedly to define the proximity PI to the defect. ,
When the proximity PI exceeds a predetermined threshold value, it is predicted that the defect is close to occurrence.
Method.
１回のフライトにつき、前記所定の事象が発生すると、第１の特性値を加算し、前記所定の事象が発生しないと、第２の特性値を減算することを複数のフライトに対して繰り返すことにより、前記所定の現象への接近度ＰＩを定義し、
所定のデータから閾値ＰＩｔｈを求め、
前記接近度ＰＩが前記閾値ＰＩｔｈを超えると、フラップに関連する不具合の発生に近いことを予測する、
請求項１に記載の方法。 As a predetermined event that is likely to lead to malfunctions related to aircraft flaps, we identified an event that the difference in angle between the left and right flaps exceeds a predetermined angle for a predetermined time or longer,
Repeating, for a plurality of flights, adding the first characteristic value when the predetermined event occurs and subtracting the second characteristic value when the predetermined event does not occur per flight. Defines the degree of proximity PI to the predetermined phenomenon by
The threshold PI th is calculated from the predetermined data,
When the degree of proximity PI exceeds the threshold value PI th , it is predicted that a defect related to a flap will be generated.
The method of claim 1 .
前記制御部は、
前記記憶部に格納されたデータに基づき、航空機のフラップに関連する不具合につながる可能性の高い所定の事象として、左右のフラップの所定以上の角度差が所定時間以上継続するという事象を特定する特定部と、
１回のフライトにつき、前記所定の事象が発生すると、第１の特性値を加算し、前記所定の事象が発生しないと、第２の特性値を減算することを複数のフライトに対して繰り返すことにより、前記所定の現象への接近度ＰＩを定義するＰＩ演算部と、
前記記憶部に格納されたデータから閾値ＰＩｔｈを求めるＰＩｔｈ演算部と、
前記接近度ＰＩが前記閾値ＰＩｔｈを超えると、フラップに関連する不具合の発生に近いことを予測する予測部と、
を有する、
予測システム。 A prediction system including a storage unit and a control unit,
The control unit is
Based on the data stored in the storage unit, a specification that identifies a phenomenon that a difference in angle between the left and right flaps exceeds a predetermined time as a predetermined event that is likely to lead to a failure related to an aircraft flap Department,
Repeating, for a plurality of flights, adding the first characteristic value when the predetermined event occurs and subtracting the second characteristic value when the predetermined event does not occur per flight. And a PI calculation unit that defines the degree of proximity PI to the predetermined phenomenon,
A PI th calculation unit for obtaining a threshold PI th from the data stored in the storage unit,
A predicting unit that predicts that when the degree of proximity PI exceeds the threshold value PI th , the occurrence of a defect related to the flap is approaching;
Has,
Prediction system.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2017028709A JP6738292B2 (en) | 2017-02-20 | 2017-02-20 | Method and system for predicting phenomenon occurrence |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2017028709A JP6738292B2 (en) | 2017-02-20 | 2017-02-20 | Method and system for predicting phenomenon occurrence |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2018134889A JP2018134889A (en) | 2018-08-30 |
| JP6738292B2 true JP6738292B2 (en) | 2020-08-12 |
Family
ID=63364650
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2017028709A Expired - Fee Related JP6738292B2 (en) | 2017-02-20 | 2017-02-20 | Method and system for predicting phenomenon occurrence |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP6738292B2 (en) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116244837B (en) * | 2023-05-09 | 2023-07-28 | 西北工业大学 | Flap fault sensing method and system |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB2513133B (en) * | 2013-04-16 | 2015-07-08 | Ge Aviat Systems Ltd | Methods for predicting a speed brake system fault |
| GB2517124B (en) * | 2013-05-13 | 2015-12-09 | Ge Aviat Systems Ltd | Method for diagnosing a trailing edge flap fault |
| JP6292032B2 (en) * | 2014-05-28 | 2018-03-14 | 富士通株式会社 | Base station equipment |
-
2017
- 2017-02-20 JP JP2017028709A patent/JP6738292B2/en not_active Expired - Fee Related
Also Published As
| Publication number | Publication date |
|---|---|
| JP2018134889A (en) | 2018-08-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107545095B (en) | Predictive method and system for structural repair during aircraft overhaul | |
| EP3486739B1 (en) | Real time streaming analytics for flight data processing | |
| JP6536989B2 (en) | System and method for evaluating fault accumulation | |
| AU2019337807B2 (en) | Aircraft engine maintenance system and method | |
| US20190102494A1 (en) | System for tracking incremental damage accumulation | |
| CN110334839B (en) | Flight delay prediction method, device, equipment and storage medium | |
| Godoy et al. | Critical spare parts ordering decisions using conditional reliability and stochastic lead time | |
| US9286735B1 (en) | Generating cumulative wear-based indicators for vehicular components | |
| JP6716297B2 (en) | System and method for predictive reliability mining | |
| Ni et al. | Preventive maintenance opportunities for large production systems | |
| US9477222B2 (en) | Maintenance information device, condition sensor for use therein and method which can be carried out therewith for arriving at a decision whether or not to perform servicing or maintenance | |
| WO2020066052A1 (en) | Monitoring system and monitoring method | |
| CN107218961A (en) | It is a kind of to determine aircraft sensors failure in aircraft system and correct the computer implemented method of aircraft sensors measurement | |
| CN104731664A (en) | Method and device for processing faults | |
| CN108960478B (en) | Vehicle part reliability determination system and method | |
| KR20160035942A (en) | Method and apparatus for logistics risk prediction | |
| US9665842B2 (en) | Supply chain management anomaly detection | |
| US11257001B2 (en) | Prediction model enhancement | |
| Bettayeb et al. | Quality control planning to prevent excessive scrap production | |
| EP2597602A1 (en) | Aircraft trending systems and methods | |
| EP3217241A2 (en) | Calibration technique for rules used with asset monitoring in industrial process control and automation systems | |
| JP6738292B2 (en) | Method and system for predicting phenomenon occurrence | |
| CN113822459A (en) | Planning device, planning method, and program | |
| US20230061829A1 (en) | Outlier detection apparatus and method | |
| CN112308344A (en) | Method and device for predicting reservation value of non-departure flight and electronic equipment |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A80 | Written request to apply exceptions to lack of novelty of invention |
Free format text: JAPANESE INTERMEDIATE CODE: A80 Effective date: 20170310 |
|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20190327 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20200214 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20200225 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20200408 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20200618 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20200717 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 6738292 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| LAPS | Cancellation because of no payment of annual fees |