KR20200140999A - 항공기 센서들을 모델링하기 위한 데이터 기반 기계 학습 - Google Patents

항공기 센서들을 모델링하기 위한 데이터 기반 기계 학습 Download PDF

Info

Publication number
KR20200140999A
KR20200140999A KR1020200057940A KR20200057940A KR20200140999A KR 20200140999 A KR20200140999 A KR 20200140999A KR 1020200057940 A KR1020200057940 A KR 1020200057940A KR 20200057940 A KR20200057940 A KR 20200057940A KR 20200140999 A KR20200140999 A KR 20200140999A
Authority
KR
South Korea
Prior art keywords
components
real
component
time
behaviors
Prior art date
Application number
KR1020200057940A
Other languages
English (en)
Inventor
앤드류 루이스 베레손
데브라 앨리스 리그던
마이클 토마스 스웨인
휴 트룽 응우옌
Original Assignee
더 보잉 컴파니
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 더 보잉 컴파니 filed Critical 더 보잉 컴파니
Publication of KR20200140999A publication Critical patent/KR20200140999A/ko

Links

Images

Classifications

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

Landscapes

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

Abstract

시스템은 공학 시스템을 구성하는 한 세트의 컴포넌트들을 포함할 수 있으며, 공학 시스템은 한 세트의 컴포넌트들과 각각 연관된 한 세트의 실시간 동작 거동들을 나타내는 실시간 데이터를 생성하도록 구성된다. 이 시스템은 한 세트의 컴포넌트들 중 하나의 컴포넌트와 연관된 정상 동작 거동을 한 세트의 컴포넌트들 중 다른 컴포넌트들과 각각 연관된 다른 정상 동작 거동들에 대해 예측하도록 구성된 예측 모델을 포함할 수 있다. 이 시스템은 한 세트의 실시간 동작 거동들을 수신하도록― 한 세트의 실시간 동작 거동들은 컴포넌트와 연관된 실시간 동작 거동을 포함함 ―, 그리고 예측 모델에 기초하여, 컴포넌트와 연관된 실시간 동작 거동을 정상 또는 비정상으로 분류하도록 구성된 프로세서를 포함할 수 있다. 이 시스템은 프로세서가 실시간 동작 거동을 비정상으로 분류하는 것에 대한 응답으로 장애 표시를 출력하도록 구성된 출력 디바이스를 포함할 수 있다.

Description

항공기 센서들을 모델링하기 위한 데이터 기반 기계 학습{DATA DRIVEN MACHINE LEARNING FOR MODELING AIRCRAFT SENSORS}
본 개시내용은 일반적으로 상태 감지 및/또는 장애 감지에 관한 것으로, 특히 항공기 센서들을 모델링하기 위한 데이터 기반 기계 학습의 사용에 관한 것이다. 공학 시스템(engineered system)들, 이를테면 공장들 및 기계, 그리고 특히 항공기 및 다른 차량들은 통상적으로 많은 컴포넌트들 및 서브시스템을 포함한다. 이러한 컴포넌트들은 시스템의 적절한 기능을 보장하기 위해 일정 간격들로 서비스 또는 교체될 수 있다. 경우에 따라, 컴포넌트들 및/또는 서브시스템들이 이들의 서비스 일정을 벗어나 예기치 않게 열화될 수 있다. 이러한 열화된 컴포넌트들은 로그들, 눈에 띄는 영향들, 문제 해결, 정기 검사들, 및/또는 다른 타입들의 장애 검출 방법들을 통해 식별될 수 있다. 이러한 이벤트들은 예정되지 않은 유지보수 및 상당한 비용으로 이어질 수 있다.
현재의 솔루션들은 통상적으로 사실상 수동이며, 정밀 조사 대상인 특정 서브시스템에 대한 전문가인 누군가로부터의 지원을 포함한다. 이 접근 방식은 시간 소모적이고 비용이 많이 들며, 예기치 않은 정지 시간을 방지하기에 충분히 문제들을 예상하지 못할 수 있다. 열화된 컴포넌트들 및 서브시스템들을 검출하는 현재 방법들은 또한, 상당한 수의 허위 긍정들뿐만 아니라 누락된 검출들을 발생시키는 경향이 있다.
기계 학습 기술들이 특정 서브시스템들에 적용되어, 문제들을 식별하려는 시도를 했다. 그러나 현재 기계 학습 솔루션들은 서브시스템에 중점을 두고 있으며, 공학 시스템의 다른 컴포넌트들 또는 서브시스템들에서 가져온 데이터는 포함하지 않는다. 이에 따라, 이러한 접근 방식들은 시스템 전반에서 환경 및 다른 외부 영향들을 포착하는 센서들에서 인코딩된 귀중한 잠재 정보를 놓칠 수 있다. 따라서 현재의 기계 학습 기술들은 전체 공학 시스템과 관련하여 열화된 컴포넌트들 및/또는 서브시스템들을 충분히 검출하지 못할 수 있다. 다른 단점들이 존재할 수 있다.
공학 시스템의 다른 컴포넌트들 및/또는 서브시스템들과 관련하여 열화된 컴포넌트들 또는 서브시스템들을 감지하기 위한 시스템들 및 방법들이 본 명세서에 개시된다. 개시되는 시스템들 및 방법들은 열화된 컴포넌트들을 정확하게 검출하여 예정되지 않은 유지보수와 연관된 시간 및 비용을 감소시킬 수 있다. 예를 들어, 컴포넌트들의 열화는 고장의 전조일 수 있어, 열화된 컴포넌트들의 검출은 장애 또는 고장의 예측을 가능하게 할 수 있다. 일례로, 방법은 공학 시스템을 구성하는 한 세트의 컴포넌트들과 각각 연관된 한 세트의 동작 거동들을 나타내는 훈련 데이터를 수신하는 단계를 포함한다. 이 방법은 훈련 데이터에 기초하여, 한 세트의 컴포넌트들 중 하나의 컴포넌트와 연관된 정상 동작 거동을 한 세트의 컴포넌트들 중 다른 컴포넌트들과 각각 연관된 다른 정상 동작 거동들에 대해 예측하도록 구성된 예측 모델을 생성하는 단계를 더 포함한다. 이 방법은 또한 한 세트의 컴포넌트들과 각각 연관된 한 세트의 실시간 동작 거동들을 나타내는 실시간 데이터를 수신하는 단계를 포함하며, 한 세트의 실시간 동작 거동들은 컴포넌트와 연관된 실시간 동작 거동을 포함한다. 이 방법은 예측 모델에 기초하여, 컴포넌트와 연관된 실시간 동작 거동을 정상 또는 비정상으로 분류하는 단계를 포함한다. 이 방법은 실시간 동작 거동을 비정상으로 분류하는 것에 대한 응답으로, 장애 진단 표시를 생성하는 단계를 더 포함한다.
일부 예들에서, 한 세트의 컴포넌트들은 차량 컴포넌트들을 포함하고, 공학 시스템은 차량이다. 일부 예들에서, 한 세트의 컴포넌트들은 항공기 컴포넌트들을 포함하고, 공학 시스템은 항공기이다. 일부 예들에서, 훈련 데이터는 항공기 함대의 다수의 항공기로부터 수신된다. 일부 예들에서, 컴포넌트와 연관된 실시간 동작 거동의 분류는 항공기가 비행 중인 동안 항공기의 항전 베이(avionics bay) 내의 프로세서에서 수행된다. 일부 예들에서, 예측 모델을 생성하는 단계는, 훈련 데이터를 사용하여 지도(supervised) 기계 학습 프로세스를 통해 예측 모델을 훈련시키는 단계를 포함한다. 일부 예들에서, 한 세트의 실시간 동작 거동들은 사용자 입력들의 세트들, 기계 상태들의 세트들, 측정들의 세트들, 또는 이들의 조합들을 포함한다.
일부 예들에서, 이 방법은 훈련 데이터에 기초하여, 한 세트의 컴포넌트들 중 제2 컴포넌트와 연관된 제2 정상 동작 거동을, 한 세트의 컴포넌트들 중 다른 컴포넌트들과 각각 연관된 다른 동작 거동들에 대해 예측하도록 구성된 제2 예측 모델을 생성하는 단계를 포함하며, 한 세트의 실시간 동작 거동들은 제2 컴포넌트의 제2 실시간 동작 거동을 포함한다. 일부 예들에서, 이 방법은 제2 컴포넌트와 연관된 제2 실시간 동작 거동을 정상 또는 비정상으로 분류하는 단계, 및 제2 실시간 동작 거동을 비정상으로 분류하는 것에 대한 응답으로, 장애 진단 표시를 생성하는 단계를 포함한다.
일부 예들에서, 장애 진단 표시는 컴포넌트를 식별한다. 일부 예들에서, 이 방법은 장애 진단 표시를 출력 디바이스에 전송하는 단계를 포함한다.
일례로, 시스템은 공학 시스템을 구성하는 한 세트의 컴포넌트들을 포함하며, 공학 시스템은 한 세트의 컴포넌트들과 각각 연관된 한 세트의 실시간 동작 거동들을 나타내는 실시간 데이터를 생성하도록 구성된다. 이 시스템은 한 세트의 컴포넌트들 중 하나의 컴포넌트와 연관된 정상 동작 거동을, 한 세트의 컴포넌트들 중 다른 컴포넌트들과 각각 연관된 다른 정상 동작 거동들에 대해 예측하도록 구성된 컴퓨터 구현 예측 모델을 더 포함한다. 이 시스템은 또한, 한 세트의 실시간 동작 거동들을 수신하도록― 한 세트의 실시간 동작 거동들은 컴포넌트와 연관된 실시간 동작 거동을 포함함 ―, 그리고 예측 모델에 기초하여, 컴포넌트와 연관된 실시간 동작 거동을 정상 또는 비정상으로 분류하도록 구성된 프로세서를 포함한다. 이 시스템은 프로세서가 실시간 동작 거동을 비정상으로 분류하는 것에 대한 응답으로 장애 진단 표시를 출력하도록 구성된 출력 디바이스를 포함한다.
일부 예들에서, 이 시스템은 한 세트의 컴포넌트들과 각각 연관된 한 세트의 동작 거동들을 나타내는 훈련 데이터를 수신하도록, 그리고 훈련 데이터에 기초하여 예측 모델을 생성하도록 구성된 제2 프로세서를 포함한다. 일부 예들에서, 한 세트의 컴포넌트들은 차량 컴포넌트들을 포함하고, 공학 시스템은 차량이다. 일부 예들에서, 한 세트의 컴포넌트들은 항공기 컴포넌트들을 포함하고, 공학 시스템은 항공기이다. 일부 예들에서, 프로세서는 항공기의 항전 베이 내에 포지셔닝된다. 일부 예들에서, 한 세트의 컴포넌트들은 한 세트의 사용자 입력 디바이스들, 한 세트의 기계들, 한 세트의 측정 센서들, 또는 이들의 조합들을 포함한다.
일례로, 방법은 공학 시스템을 구성하는 한 세트의 컴포넌트들과 각각 연관된 한 세트의 실시간 동작 거동들을 나타내는 실시간 데이터를 수신하는 단계를 포함하며, 한 세트의 실시간 동작 거동들은 한 세트의 컴포넌트들 중 하나의 컴포넌트와 연관된 실시간 동작 거동을 포함한다. 이 방법은 컴포넌트와 연관된 정상 동작 거동을, 한 세트의 컴포넌트들 중 다른 컴포넌트들과 각각 연관된 다른 정상 동작 거동들에 대해 예측하도록 구성된 예측 모델에 기초하여, 컴포넌트와 연관된 실시간 동작 거동을 정상 또는 비정상으로 분류하는 단계를 더 포함한다. 이 방법은 또한, 실시간 동작 거동을 비정상으로 분류하는 것에 대한 응답으로, 장애 진단 표시를 생성하는 단계를 포함한다.
일부 예들에서, 이 방법은 한 세트의 컴포넌트들과 각각 연관된 한 세트의 동작 거동들을 나타내는 훈련 데이터를 수신하는 단계, 및 훈련 데이터에 기초하여 예측 모델을 생성하는 단계를 포함한다. 일부 예들에서, 예측 모델을 생성하는 단계는, 훈련 데이터를 사용하여 지도 기계 학습 프로세스를 통해 예측 모델을 훈련시키는 단계를 포함한다. 일부 예들에서, 한 세트의 실시간 동작 거동들은 한 세트의 사용자 입력들, 한 세트의 기계 상태들, 한 세트의 측정들, 또는 이들의 조합들을 포함한다.
도 1은 공학 시스템에서 열화된 컴포넌트들을 감지하기 위한 예측 모델을 훈련시키기 위한 시스템의 일례를 도시하는 블록도이다.
도 2는 공학 시스템의 컴포넌트와 연관된 정상 동작 거동을 예측하기 위해 예측 모델을 사용하기 위한 시스템의 일례를 도시하는 블록도이다.
도 3은 공학 시스템의 열화된 컴포넌트를 검출하기 위한 시스템의 일례를 도시하는 블록도이다.
도 4는 예측 모델을 훈련시키기 위한 방법의 일례를 도시하는 흐름도이다.
도 5는 공학 시스템의 열화된 컴포넌트를 검출하기 위한 방법의 일례를 도시하는 흐름도이다.
본 개시내용은 다양한 수정들 및 대안적인 형태들을 허용하지만, 특정 예들이 도면들에 있었으며 본 명세서에서 상세히 설명될 것이다. 그러나 본 개시내용은 개시된 특정 형태들로 한정되는 것으로 의도되지 않는다고 이해되어야 한다. 그보다는, 본 개시내용의 범위 내에 있는 모든 수정들, 등가물들 및 대안들을 커버하는 것이 의도이다.
도 1을 참조하면, 공학 시스템(112)에서 열화된 컴포넌트들을 감지하기 위한 예측 모델(138)을 훈련시키기 위한 시스템(100)의 일례가 도시된다. 공학 시스템(112)은 제1 컴포넌트(116), 제2 컴포넌트(118) 및 제3 컴포넌트(120)를 갖는 한 세트의 컴포넌트들(114)을 포함할 수 있다. 예시의 목적으로 3개의 컴포넌트들이 도시되지만, 실제로 한 세트의 컴포넌트들(114)은 3개보다 더 많은 또는 더 적은 컴포넌트들을 포함할 수 있다고 이해되어야 한다. 대부분의 실제 응용에서, 한 세트의 컴포넌트들(114)은 다수의 컴포넌트들을 포함할 수 있다.
공학 시스템(112)은 항공기와 같은 차량에 대응할 수 있다. 예를 들어, 도 1은 제1 항공기(122A), 제2 항공기(122B) 및 제3 항공기(122C)를 포함하는 항공기 함대(122)를 도시한다. 항공기(122A-C) 각각은 동일한 타입일 수 있으며 서로 동일한 컴포넌트들을 포함할 수 있다. 이에 따라, 항공기(122A-C) 각각은 공학 시스템(112)에 대응할 수 있다.
예시하자면, 제1 항공기(122A)는 제1 컴포넌트(116)에 대응하는 제1 컴포넌트(116A), 제2 컴포넌트(118)에 대응하는 제2 컴포넌트(118A), 및 제3 컴포넌트(120)에 대응하는 제3 컴포넌트(120A)를 포함할 수 있다. 마찬가지로, 제2 항공기(122B)는 제1 컴포넌트(116A)와 제1 컴포넌트(116) 모두에 대응하는 제1 컴포넌트(116B), 제2 컴포넌트(118A)와 제2 컴포넌트(118) 모두에 대응하는 제2 컴포넌트(118B), 및 제3 컴포넌트(120A)와 제3 컴포넌트(120) 모두에 대응하는 제3 컴포넌트(120B)를 포함할 수 있다. 마지막으로, 제3 항공기(122C)는: 제1 컴포넌트(116A), 제1 컴포넌트(116B) 및 제1 컴포넌트(116)에 대응하는 제1 컴포넌트(116C); 제2 컴포넌트(118A), 제2 컴포넌트(118B) 및 제2 컴포넌트(118)에 대응하는 제2 컴포넌트(118C); 및 제3 컴포넌트(120A), 제3 컴포넌트(120B) 및 제3 컴포넌트(120)에 대응하는 제3 컴포넌트(120C)를 포함할 수 있다.
컴포넌트들(116, 118, 120) 각각은 비행 중에 지속적으로 데이터를 생성할 수 있다. 예를 들어, 한 세트의 컴포넌트들(114)은 한 세트의 사용자 입력 디바이스들(예컨대, 항공 관제소들, 사용자 프롬프트들, 오디오 및 비디오 기록들 등), 한 세트의 기계들(예컨대, 조종면들, 엔진 시스템들, 모터들 등), 한 세트의 측정 센서들(예컨대, 압력 센서들, 온도 센서들 등), 또는 이들의 조합들을 포함할 수 있다. 대량으로 생성될 때, 한 세트의 컴포넌트들(114)에 의해 생성된 데이터가 훈련 데이터(102)로서 사용될 수 있다.
훈련 데이터(102)는 공학 시스템(112)을 구성하는 한 세트의 컴포넌트들(114)과 각각 연관된 한 세트의 동작 거동들(104)을 나타낼 수 있다. 예를 들어, 훈련 데이터(102)는 제1 컴포넌트(116)와 연관된 제1 동작 거동(106), 제2 컴포넌트(118)와 연관된 제2 동작 거동(108), 및 제3 컴포넌트(120)와 연관된 제3 동작 거동(110)을 나타낼 수 있다. 훈련 데이터(102)는 공학 시스템(112)의 정상 동작 중에 끊임없이 수집되기 때문에, 한 세트의 동작 거동들(104)은 몇 가지 예외들이 있지만, 예측 모델(138)을 훈련시키기에 적합한 공칭 거동들을 포함할 수 있다. 훈련 데이터 스트림 내의 일부 비공칭(off-nominal) 데이터가 예상된다는 점이 주목되어야 한다. 그러나 많은 양의 데이터가 수신되면, 비공칭 데이터는 유의 수준으로 올라가지 않을 수 있다. 따라서 개시되는 시스템(100)은 이러한 "잡음"을 갖는 훈련 데이터를 수용할 수 있는 강력한 솔루션일 수 있다. 또한, 항공기 함대(122)에 대해 훈련 데이터(102)가 수집될 수 있기 때문에, 한 세트의 동작 거동들(104)은 항공기 함대(122)의 임의의 개별 항공기와는 달리 항공기 함대(122)와 관련하여 공칭 거동들을 기술할 수 있다.
시스템(100)은 예측 모델(138)을 훈련시키도록 구성된 컴퓨팅 디바이스(130)를 포함할 수 있다. 컴퓨팅 디바이스(130)는 프로세서(132) 및 메모리(134)를 포함할 수 있다. 프로세서(132)는 CPU(central processing unit), GPU(graphical processing unit), DSP(digital signal processor), PIC(peripheral interface controller), 또는 다른 타입의 마이크로프로세서를 포함할 수 있다. 이는 집적 회로, FPGA(field programmable gate array), ASIC(application specific integrated circuit), 논리 게이트 회로나 다른 타입들의 디지털 또는 아날로그 전기 설계 컴포넌트들 등의 결합, 또는 이들의 조합들로서 구현될 수 있다. 일부 예들에서, 프로세서(132)는 다수의 처리 엘리먼트들에 걸쳐 분산되어, 분산 처리 동작들에 의존할 수 있다.
또한, 컴퓨팅 디바이스(130)는 RAM(random-access memory), ROM(read-only memory), 자기 디스크 메모리, 광 디스크 메모리, 플래시 메모리, 데이터 및 프로세서 명령들을 저장할 수 있는 다른 타입의 메모리 등, 또는 이들의 조합들과 같은 메모리(134)를 포함할 수 있다. 일부 예들에서, 메모리 또는 그 부분들은 컴퓨팅 디바이스(130)의 나머지로부터 외부에 또는 원격으로 위치될 수 있다. 메모리(134)는 프로세서(132)에 의해 실행될 때 프로세서(132)로 하여금 동작들을 수행하게 하는 명령들을 저장할 수 있다. 동작들은 본 명세서에서 설명되는 임의의 동작들에 대응할 수 있다. 특히, 동작들은 예측 모델(138)을 훈련시키는 것에 대응할 수 있다.
예측 모델(138)을 생성하도록 지도 기계 학습 프로세스(136)를 구현하기 위해 프로세서(132)와 메모리(134)가 함께 사용될 수 있다. 예측 모델(138)은 동작 거동들을 정상 또는 비정상으로 분류하는 데 사용 가능한 임의의 인공 지능 모델을 포함할 수 있다. 예를 들어, 예측 모델(138)은 결정 트리들, 연관 규칙들, 다른 타입들의 기계 학습 분류 프로세스들, 또는 이들의 조합들을 포함할 수 있다. 그것은 지원 벡터 기계 네트워크들, 베이지안(Bayesian) 네트워크들, 신경망들, 다른 타입들의 기계 학습 분류 네트워크 시스템들, 또는 이들의 조합들로 구현될 수 있다.
동작 중에, 훈련 데이터(102)는 다수의 시스템 구현들로부터 수신될 수 있다. 예시를 위해, 도 1은 공학 시스템(112)이 함대 수준에서 분석할 것인지 아니면 개별 항공기 수준에서 분석할 것인지에 따라, 훈련 데이터(102)를 항공기 함대(122)로부터 또는 항공기 함대(122) 내의 임의의 단일 항공기(122A, 122B, 122C)로부터 수신되는 것으로 도시한다. 도 1은 항공기를 도시하지만, 공학 시스템은 단지 항공기만이 아니라 임의의 타입의 기계 또는 전기 시스템에 대응할 수 있다고 이해되어야 한다. 예측 모델(138)은 다음에, 훈련 데이터(102)를 사용하여 지도 기계 학습 프로세스(136)를 통해 훈련될 수 있다. 한 세트의 동작 거동들(104)은 대개, 한 세트의 컴포넌트들(114)의 공칭 거동들을 포함할 수 있기 때문에, 예측 모델(138)은 제1 컴포넌트(116)에 대한 정상 동작 거동들과 비정상 동작 거동들 간에 구별하도록 구성될 수 있다. 유리하게, 예측들은 제1 컴포넌트(116)와 연관된 제1 동작 거동(106)뿐만 아니라, 제1 컴포넌트(116)와 연관되는 것이 아니라 제2 컴포넌트(118) 및 제3 컴포넌트(120)가 공학 시스템(112) 내의 제1 컴포넌트(116)와 상호 작용할 때 관련될 수 있는 다른 동작 거동들(108, 110)에도 기초할 수 있다. 비슷한 방식으로, 제2 컴포넌트(118)의 정상 동작 거동들과 비정상 동작 거동들 간에 구별하기 위해 제2 예측 모델(139)이 생성될 수 있고, 제3 컴포넌트(120)의 정상 동작 거동들과 비정상 동작 거동들 간에 구별하기 위해 제3 예측 모델(140)이 생성될 수 있다.
제1 컴포넌트(116)의 제1 동작 거동(106)뿐만 아니라, 다른 컴포넌트들(118, 120)의 다른 동작 거동들(108, 110)을 나타내는 훈련 데이터(102)에 기초하여 예측 모델(138)을 훈련시킴으로써, 예측 모델(138)은 제1 컴포넌트(116)가 정상 방식으로 동작하고 있는지 아니면 비정상 방식으로 동작하고 있는지의 결정시 전체적으로 공학 시스템(112)을 고려하도록 구성될 수 있다. 제2 예측 모델(139) 및 제3 예측 모델(140)에 대해 유사한 이득들이 존재한다. 다른 이점들이 존재할 수 있다.
도 2를 참조하면, 공학 시스템(112)의 컴포넌트(116)와 연관된 제1 정상 동작 거동(202)을 예측하기 위해 예측 모델(138)을 사용하기 위한 시스템(200)의 일례가 도시된다. 도 1을 참조로 설명한 바와 같이, 예측 모델(138)이 훈련되면, 예측 모델(138)은 제1 컴포넌트(116)의 제1 정상 동작 거동(202)을 예측하는 데 사용될 수 있다. 예를 들어, 제2 컴포넌트(118)의 제2 정상 동작 거동(204)과 제3 컴포넌트(120)의 제3 정상 동작 거동(206)이 예측 모델(138)에 입력될 수 있다. 제2 정상 동작 거동(204) 및 제3 정상 동작 거동(206)에 기초하여, 예측 모델(138)은 제1 컴포넌트(116)의 제1 정상 동작 거동(202)을 결정 또는 예측할 수 있다. 도 3과 관련하여 추가 설명되는 바와 같이, 예측된 제1 정상 동작 거동(202)이 컴포넌트(116)의 실제 거동과 비교되어, 컴포넌트(116)가 정상적으로 동작하고 있는지 아니면 비정상적으로 동작하고 있는지를 결정할 수 있다. 도 2는 제1 컴포넌트(116)의 제1 정상 동작 거동(202)의 예측에 관한 것이지만, 제2 예측 모델(139)은 제1 정상 동작 거동(202) 및 제3 정상 동작 거동(206)에 기초하여 제2 컴포넌트(118)의 제2 정상 동작 거동(204)을 예측하기 위해 유사한 방식으로 사용될 수 있고, 제3 예측 모델(140)은 제1 정상 동작 거동(202) 및 제2 정상 동작 거동(204)에 기초하여 제3 컴포넌트(120)의 제3 정상 동작 거동(206)을 예측하기 위해 유사한 방식으로 사용될 수 있다.
도 3을 참조하면, 공학 시스템(112)의 열화된 컴포넌트를 검출하기 위한 시스템(300)의 일례가 도시된다. 시스템(300)은 한 세트의 컴포넌트들(114)을 갖는 공학 시스템(112) 및 컴퓨팅 디바이스(322)를 포함할 수 있다. 공학 시스템(112)이 항공기인 경우, 컴퓨팅 디바이스(322)는 항공기의 항전 베이(320) 내에 포지셔닝될 수 있다. 대안으로, 컴퓨팅 디바이스(322)는 지면 기반일 수 있고 비행 후 처리에 사용될 수 있다.
컴퓨팅 디바이스(322)는 프로세서(324), 메모리(326) 및 출력 디바이스(328)를 포함할 수 있다. 프로세서(324)는 CPU(central processing unit), GPU(graphical processing unit), DSP(digital signal processor), PIC(peripheral interface controller), 또는 다른 타입의 마이크로프로세서를 포함할 수 있다. 이는 집적 회로, FPGA(field programmable gate array), ASIC(application specific integrated circuit), 논리 게이트 회로나 다른 타입들의 디지털 또는 아날로그 전기 설계 컴포넌트들 등의 결합, 또는 이들의 조합들로서 구현될 수 있다. 일부 예들에서, 프로세서(324)는 다수의 처리 엘리먼트들에 걸쳐 분산되어, 분산 처리 동작들에 의존할 수 있다.
메모리(326)는 RAM(random-access memory), ROM(read-only memory), 자기 디스크 메모리, 광 디스크 메모리, 플래시 메모리, 데이터 및 프로세서 명령들을 저장할 수 있는 다른 타입의 메모리 등, 또는 이들의 조합들을 포함할 수 있다. 일부 예들에서, 메모리(326) 또는 그 부분들은 컴퓨팅 디바이스(322)의 나머지로부터 외부에 또는 원격으로 위치될 수 있다. 메모리(326)는 프로세서(324)에 의해 실행될 때 프로세서(324)로 하여금 동작들을 수행하게 하는 명령들을 저장할 수 있다. 동작들은 본 명세서에서 설명되는 임의의 동작들에 대응할 수 있다. 특히, 동작들은 컴포넌트들(116, 118, 120) 중 하나에서 장애를 검출하기 위해 예측 모델(138)을 사용하는 것에 대응할 수 있다.
출력 디바이스(328)는 사용자들 또는 컴퓨팅 디바이스(322) 외부의 디바이스들과 통신할 수 있는 임의의 디바이스를 포함할 수 있다. 예를 들어, 출력 디바이스(328)는 지시등, 디스플레이 스크린, 스피커 등과 같은 사용자 출력 디바이스를 포함할 수 있다. 출력 디바이스(328)는 또한 직렬 통신 디바이스, 네트워크 카드 등과 같은 네트워크 출력 디바이스를 포함할 수 있다.
예측 모델들(138, 139, 140)은 컴퓨팅 디바이스(322)에서 메모리(326)에 또는 다른 형태로 저장될 수 있다. 예측 모델들(138, 139, 140)을 사용한 결과들에 기초하여, 장애 진단(예컨대, 장애 검출) 표시(330)가 본 명세서에서 설명한 바와 같이 생성될 수 있다. 출력 디바이스(328)는 장애 진단 표시(330)를 사용자에게 또는 다른 디바이스에 전달하도록 구성될 수 있다.
동작 중에, 공학 시스템(112)은 한 세트의 실시간 동작 거동들(308)을 포함하는 실시간 데이터(310)를 생성할 수 있다. 본 명세서에서 사용되는 바와 같이, "실시간"이라는 용어는 실시간 데이터(310)가 (현재 발생하고 있는 비행과 같은) 현재 발생하는 동작에 또는 (항공기에 의해 이루어진 가장 최근 비행과 같은) 가장 최근의 동작에 대응한다는 것을 의미한다. 특히, "실시간" 개념은 데이터 액세스시 지연들을 고려하는 것으로 의도된다. 한 세트의 실시간 동작 거동들(308)은 제1 컴포넌트(116)와 연관된 제1 실시간 동작 거동, 제2 컴포넌트(118)와 연관된 제2 실시간 동작 거동, 및 제3 컴포넌트(120)와 연관된 제3 실시간 동작 거동을 포함할 수 있다.
컴퓨팅 디바이스(322)는 실시간 데이터(310)를 수신할 수 있다. 실시간 데이터(310)에 기초하여, 프로세서(324)는 예측 모델(138)에 기초하여 컴포넌트(116)와 연관된 제1 실시간 동작 거동(302)을 정상 또는 비정상으로 분류할 수 있다. 예를 들어, 예측 모델(138)은 제1 컴포넌트(116)에 대한 정상 동작 거동(202)을 계산할 수 있다. 제1 정상 동작 거동(202)이 제1 실시간 동작 거동(302)과 비교되어, 제1 실시간 동작 거동(302)이 비정상인지 여부를 결정할 수 있다. 제1 실시간 동작 거동(302)을 비정상으로 분류하는 것에 대한 응답으로, 프로세서(324)는 장애 진단 표시(330)를 생성할 수 있다. 일부 예들에서, 제1 실시간 동작 거동(302)의 분류는 비행 중에 발생할 수 있다.
제2 실시간 동작 거동(304) 및/또는 제3 실시간 동작 거동(306)이 비정상인지 여부를 결정하기 위해 유사한 계산들이 이루어질 수 있다. 예를 들어, 제2 예측 모델(139)은 제2 컴포넌트(118)와 연관된 제2 정상 동작 거동(204)을 계산할 수 있고, 제3 예측 모델(140)은 제3 컴포넌트(120)와 연관된 제3 정상 동작 거동(206)을 계산할 수 있다. 따라서 컴포넌트들(116, 118, 120) 각각에 대해, 대응하는 정상 동작 거동들(202, 204, 206)이 한 세트의 실시간 동작 거동들(308) 중 다른 동작 거동들에 기초하여 계산될 수 있다. 한 세트의 실시간 동작 거동들(308) 중 임의의 동작 거동이 비정상이라면, 컴포넌트들(116, 118, 120) 중 어느 것이 비정상적으로 동작하고 있는지를 나타내는 장애 진단 표시(330)가 생성될 수 있다.
시스템(300)은 컴포넌트들(116, 118, 120) 각각의 실시간 동작 거동들(302, 304, 306)에 기초하여 실시간 데이터(310)를 분류하는 예측 모델들(138-140)을 사용함으로써, 단일 컴포넌트의 거동과 달리 전체 공학 시스템과 관련하여, 열화된 컴포넌트들 및/또는 서브시스템들을 검출할 수 있다. 이에 따라, 시스템(300)은 다른 검출 시스템들이 놓칠 수 있는 비정상 거동을 검출할 수 있다. 다른 이득들이 존재할 수 있다.
도 4를 참조하면, 예측 모델을 훈련시키기 위한 방법(400)의 일례가 도시된다. 이 방법(400)은 402에서, 공학 시스템을 구성하는 한 세트의 컴포넌트들과 각각 연관된 한 세트의 동작 거동들을 나타내는 훈련 데이터를 수신하는 단계를 포함할 수 있다. 예를 들어, 훈련 데이터(102)는 컴퓨팅 디바이스(130)에서 수신될 수 있다.
이 방법(400)은 404에서, 훈련 데이터에 기초하여, 한 세트의 컴포넌트들 중 하나의 컴포넌트와 연관된 정상 동작 거동을 한 세트의 컴포넌트들 중 다른 컴포넌트들과 각각 연관된 다른 정상 동작 거동들에 대해 예측하도록 구성된 예측 모델을 생성하는 단계를 더 포함할 수 있다. 예를 들어, 예측 모델들(138, 139, 140)에 의해 모델링된 컴포넌트들 이외의 컴포넌트들과 관련될 수 있는, 공학 시스템(112) 내의 열화를 진단하기 위해 컴포넌트들(116, 118, 120)과 연관된 정상 동작 거동들을 공학 시스템(112) 전체에 대해 예측하도록 예측 모델들(138, 139, 140)이 생성될 수 있다. 이 방법(400)은 또한 406에서, 컴포넌트의 식별을 가능하게 하기 위해 제1 예측 모델 및 제2 예측 모델에 기초하여 패턴을 분석하는 단계를 포함할 수 있다. 예측 모델들(138, 139, 140) 중 어느 것이 비정상을 나타내고 어느 것이 정상을 나타내는지와 연관된 패턴들을 분석함으로써, 어떤 서브시스템이 그리고 심지어 서브시스템 내의 어떤 컴포넌트가 비정상 거동의 근본 원인이 될 수 있는지가 결정될 수 있다. 즉, 교체를 필요로 하는 열화된 부품이 발견될 수 있다.
따라서 이 방법(400)은 공학 시스템의 컴포넌트와 연관된 정상 동작 거동을, 다른 컴포넌트들과 각각 연관된 다른 정상 동작 거동들에 대해 예측하도록 구성된 예측 모델을 생성함으로써, 컴포넌트의 동작이 정상인지 아니면 비정상인지의 결정시 공학 시스템을 전체적으로 고려할 수 있다. 다른 이점들이 존재할 수 있다.
도 5를 참조하면, 공학 시스템의 열화된 컴포넌트를 검출하기 위한 방법(500)의 일례가 도시된다. 이 방법(500)은 502에서, 공학 시스템을 구성하는 한 세트의 컴포넌트들과 각각 연관된 한 세트의 실시간 동작 거동들을 나타내는 실시간 데이터를 수신하는 단계를 포함할 수 있으며, 한 세트의 실시간 동작 거동들은 한 세트의 컴포넌트들 중 하나의 컴포넌트와 연관된 실시간 동작 거동을 포함한다. 예를 들어, 실시간 데이터(310)는 컴퓨팅 디바이스(322)에 의해 수신될 수 있다.
이 방법(500)은 504에서, 컴포넌트와 연관된 정상 동작 거동을, 한 세트의 컴포넌트들 중 다른 컴포넌트들과 각각 연관된 다른 정상 동작 거동들에 대해 예측하도록 구성된 예측 모델에 기초하여, 컴포넌트와 연관된 실시간 동작 거동을 정상 또는 비정상으로 분류하는 단계를 더 포함할 수 있다. 예를 들어, 제1 실시간 동작 거동(302)이 예측 모델(138)에 의해 분류될 수 있다.
이 방법(500)은 또한 506에서, 실시간 동작 거동을 비정상으로 분류하는 것에 대한 응답으로, 장애 진단 표시를 생성하는 단계를 포함할 수 있다. 예를 들어, 프로세서(324)가 장애 진단 표시(330)를 생성할 수 있다.
이 방법(500)은 508에서, 장애 진단 표시를 출력 디바이스에 전송하는 단계를 포함할 수 있다. 예를 들어, 장애 진단 표시(330)는 출력을 위해 출력 디바이스(328)로 전송될 수 있다.
추가로, 본 개시내용은 다음 조항들에 따른 예들을 포함한다:
조항 1. 방법은: 공학 시스템을 구성하는 한 세트의 컴포넌트들과 각각 연관된 한 세트의 동작 거동들을 나타내는 훈련 데이터를 수신하는 단계; 훈련 데이터에 기초하여, 한 세트의 컴포넌트들 중 하나의 컴포넌트와 연관된 정상 동작 거동을 한 세트의 컴포넌트들 중 다른 컴포넌트들과 각각 연관된 다른 정상 동작 거동들에 대해 예측하도록 구성된 예측 모델을 생성하는 단계; 한 세트의 컴포넌트들과 각각 연관된 한 세트의 실시간 동작 거동들을 나타내는 실시간 데이터를 수신하는 단계 ― 한 세트의 실시간 동작 거동들은 컴포넌트와 연관된 실시간 동작 거동을 포함함 ―; 예측 모델에 기초하여, 컴포넌트와 연관된 실시간 동작 거동을 정상 또는 비정상으로 분류하는 단계; 및 실시간 동작 거동을 비정상으로 분류하는 것에 대한 응답으로, 장애 진단 표시를 생성하는 단계를 포함한다.
조항 2. 조항 1의 방법에서, 한 세트의 컴포넌트들은 차량 컴포넌트들을 포함하고, 공학 시스템은 차량이다.
조항 3. 조항 1 또는 조항 2의 방법에서, 한 세트의 컴포넌트들은 항공기 컴포넌트들을 포함하고, 공학 시스템은 항공기이다.
조항 4. 조항 1 내지 조항 3 중 어느 한 조항의 방법에서, 훈련 데이터는 항공기 함대의 다수의 항공기로부터 수신된다.
조항 5. 조항 1 내지 조항 3 중 어느 한 조항의 방법에서, 컴포넌트와 연관된 실시간 동작 거동을 분류하는 단계는, 항공기가 비행 중인 동안 항공기의 항전 베이 내의 프로세서에서 수행된다.
조항 6. 조항 1 내지 조항 5 중 어느 한 조항의 방법에서, 예측 모델을 생성하는 단계는, 훈련 데이터를 사용하여 지도 기계 학습 프로세스를 통해 예측 모델을 훈련시키는 단계를 포함한다.
조항 7. 조항 1 내지 조항 6 중 어느 한 조항의 방법에서, 훈련 데이터의 한 세트의 동작 거동들은 공칭 및 비공칭 동작 거동들 모두를 포함한다.
조항 8. 조항 1 내지 조항 7 중 어느 한 조항의 방법에서, 한 세트의 실시간 동작 거동들은 사용자 입력들의 세트들, 기계 상태들의 세트들, 측정들의 세트들, 또는 이들의 조합들을 포함한다.
조항 9. 조항 1 내지 조항 8 중 어느 한 조항의 방법은: 훈련 데이터에 기초하여, 한 세트의 컴포넌트들 중 제2 컴포넌트와 연관된 제2 정상 동작 거동을, 한 세트의 컴포넌트들 중 다른 컴포넌트들과 각각 연관된 다른 동작 거동들에 대해 예측하도록 구성된 제2 예측 모델을 생성하는 단계 ― 한 세트의 실시간 동작 거동들은 제2 컴포넌트의 제2 실시간 동작 거동을 포함함 ―; 제2 컴포넌트와 연관된 제2 실시간 동작 거동을 정상 또는 비정상으로 분류하는 단계; 및 제2 실시간 동작 거동을 비정상으로 분류하는 것에 대한 응답으로, 장애 진단의 표시를 생성하는 단계를 더 포함한다.
조항 10. 조항 1 내지 조항 9 중 어느 한 조항의 방법은: 컴포넌트의 식별을 가능하게 하기 위해 제1 예측 모델 및 제2 예측 모델에 기초하여 패턴을 분석하는 단계를 더 포함하며, 장애 진단 표시는 컴포넌트를 식별한다.
조항 11. 조항 1 내지 조항 10 중 어느 한 조항의 방법은: 장애 진단 표시를 출력 디바이스에 전송하는 단계를 더 포함한다.
조항 12. 시스템은: 공학 시스템을 구성하는 한 세트의 컴포넌트들 ― 공학 시스템은 한 세트의 컴포넌트들과 각각 연관된 한 세트의 실시간 동작 거동들을 나타내는 실시간 데이터를 생성하도록 구성됨 ―; 한 세트의 컴포넌트들 중 하나의 컴포넌트와 연관된 정상 동작 거동을, 한 세트의 컴포넌트들 중 다른 컴포넌트들과 각각 연관된 다른 정상 동작 거동들에 대해 예측하도록 구성된 컴퓨터 구현 예측 모델; 한 세트의 실시간 동작 거동들을 수신하도록― 한 세트의 실시간 동작 거동들은 컴포넌트와 연관된 실시간 동작 거동을 포함함 ―, 그리고 예측 모델에 기초하여, 컴포넌트와 연관된 실시간 동작 거동을 정상 또는 비정상으로 분류하도록 구성된 프로세서; 및 프로세서가 실시간 동작 거동을 비정상으로 분류하는 것에 대한 응답으로 장애 진단 표시를 출력하도록 구성된 출력 디바이스를 포함한다.
조항 13. 조항 12의 시스템은: 한 세트의 컴포넌트들과 각각 연관된 한 세트의 동작 거동들을 나타내는 훈련 데이터를 수신하도록, 그리고 훈련 데이터에 기초하여 예측 모델을 생성하도록 구성된 제2 프로세서를 더 포함한다.
조항 14. 조항 12 또는 조항 13의 시스템에서, 한 세트의 컴포넌트들은 차량 컴포넌트들을 포함하고, 공학 시스템은 차량이다.
조항 15. 조항 12 내지 조항 14 중 어느 한 조항의 시스템에서, 한 세트의 컴포넌트들은 항공기 컴포넌트들을 포함하고, 공학 시스템은 항공기이다.
조항 16. 조항 12 내지 조항 15 중 어느 한 조항의 시스템에서, 한 세트의 컴포넌트들은 한 세트의 사용자 입력 디바이스들, 한 세트의 기계들, 한 세트의 측정 센서들, 또는 이들의 조합들을 포함한다.
조항 17. 방법은: 공학 시스템을 구성하는 한 세트의 컴포넌트들과 각각 연관된 한 세트의 실시간 동작 거동들을 나타내는 실시간 데이터를 수신하는 단계 ― 한 세트의 실시간 동작 거동들은 한 세트의 컴포넌트들 중 하나의 컴포넌트와 연관된 실시간 동작 거동을 포함함 ―; 컴포넌트와 연관된 정상 동작 거동을, 한 세트의 컴포넌트들 중 다른 컴포넌트들과 각각 연관된 다른 정상 동작 거동들에 대해 예측하도록 구성된 예측 모델에 기초하여, 컴포넌트와 연관된 실시간 동작 거동을 정상 또는 비정상으로 분류하는 단계; 및 실시간 동작 거동을 비정상으로 분류하는 것에 대한 응답으로, 장애 진단 표시를 생성하는 단계를 포함한다.
조항 18. 조항 17의 방법은: 한 세트의 컴포넌트들과 각각 연관된 한 세트의 동작 거동들을 나타내는 훈련 데이터를 수신하는 단계; 및 훈련 데이터에 기초하여 예측 모델을 생성하는 단계를 더 포함한다.
조항 19. 조항 17 또는 조항 18의 방법에서, 예측 모델을 생성하는 단계는, 훈련 데이터를 사용하여 지도 기계 학습 프로세스를 통해 예측 모델을 훈련시키는 단계를 포함한다.
조항 20. 조항 17 내지 조항 19 중 어느 한 조항의 방법에서, 한 세트의 실시간 동작 거동들은 한 세트의 사용자 입력들, 한 세트의 기계 상태들, 한 세트의 측정들, 또는 이들의 조합들을 포함한다.
컴포넌트와 연관된 정상 동작 거동을, 한 세트의 컴포넌트들 중 다른 컴포넌트들과 각각 연관된 다른 정상 동작 거동들에 대해 예측하도록 구성된 예측 모델에 기초하여, 컴포넌트와 연관된 실시간 동작 거동을 정상 또는 비정상으로 분류함으로써, 방법(400)은 단일 컴포넌트의 거동과 달리, 전체 공학 시스템과 관련하여 열화된 컴포넌트들 및/또는 서브시스템들을 검출할 수 있다. 다른 이득들이 존재할 수 있다.
다양한 예들이 도시되고 설명되었지만, 본 개시내용은 그렇게 제한되지는 않으며, 당해 기술분야에서 통상의 지식을 가진 자에게 명백하듯이, 그러한 모든 수정들 및 변형들을 포함하는 것으로 이해될 것이다.

Claims (14)

  1. 공학 시스템(engineered system)(112)을 구성하는 한 세트의 컴포넌트들(114)과 각각 연관된 한 세트의 동작 거동들(104)을 나타내는 훈련 데이터(102)를 수신하는 단계(402);
    상기 훈련 데이터(102)에 기초하여, 상기 한 세트의 컴포넌트들(114) 중 하나의 컴포넌트(116)와 연관된 정상 동작 거동(202)을 상기 한 세트의 컴포넌트들(114) 중 다른 컴포넌트들(118, 120)과 각각 연관된 다른 정상 동작 거동들(204, 206)에 대해 예측하도록 구성된 예측 모델(138)을 생성하는 단계(404);
    상기 한 세트의 컴포넌트들(114)과 각각 연관된 한 세트의 실시간 동작 거동들(308)을 나타내는 실시간 데이터(310)를 수신하는 단계(502) ― 상기 한 세트의 실시간 동작 거동들(308)은 상기 컴포넌트(116)와 연관된 실시간 동작 거동(302)을 포함함 ―;
    상기 예측 모델(138)에 기초하여, 상기 컴포넌트(116)와 연관된 실시간 동작 거동(302)을 정상 또는 비정상으로 분류하는 단계(504); 및
    상기 실시간 동작 거동(302)을 비정상으로 분류하는 것에 대한 응답으로, 장애 진단 표시(330)를 생성하는 단계(506)를 포함하는,
    방법.
  2. 제1 항에 있어서,
    상기 한 세트의 컴포넌트들은 차량 컴포넌트들(116A-C, 118A-C, 120A-C)을 포함하고,
    상기 공학 시스템은 차량(122A-C)인,
    방법.
  3. 제1 항 또는 제2 항에 있어서,
    상기 한 세트의 컴포넌트들은 항공기 컴포넌트들(116A-C, 118A-C, 120A-C)을 포함하고,
    상기 공학 시스템은 항공기(122A-C)인,
    방법.
  4. 제1 항 내지 제3 항 중 어느 한 항에 있어서,
    상기 훈련 데이터는 항공기 함대(122)의 다수의 항공기(122A, 122B, 122C)로부터 수신되는,
    방법.
  5. 제1 항 내지 제3 항 중 어느 한 항에 있어서,
    상기 컴포넌트(116)와 연관된 실시간 동작 거동(302)을 분류하는 단계는, 상기 항공기(122A-C)가 비행 중인 동안 상기 항공기(122A-C)의 항전 베이(avionics bay)(320) 내의 프로세서(324)에서 수행되는,
    방법.
  6. 제1 항 내지 제5 항 중 어느 한 항에 있어서,
    상기 예측 모델(138)을 생성하는 단계는, 상기 훈련 데이터(102)를 사용하여 지도(supervised) 기계 학습 프로세스(136)를 통해 상기 예측 모델(138)을 훈련시키는 단계를 포함하는,
    방법.
  7. 제1 항 내지 제6 항 중 어느 한 항에 있어서,
    상기 훈련 데이터(102)의 한 세트의 동작 거동들(104)은 공칭 및 비공칭 동작 거동들 모두를 포함하는,
    방법.
  8. 제1 항 내지 제7 항 중 어느 한 항에 있어서,
    상기 한 세트의 실시간 동작 거동들(308)은 사용자 입력들의 세트들, 기계 상태들의 세트들, 측정들의 세트들, 또는 이들의 조합들을 포함하는,
    방법.
  9. 제1 항 내지 제8 항 중 어느 한 항에 있어서,
    상기 훈련 데이터(102)에 기초하여, 상기 한 세트의 컴포넌트들(114) 중 제2 컴포넌트(118)와 연관된 제2 정상 동작 거동(204)을, 상기 한 세트의 컴포넌트들(114) 중 다른 컴포넌트들(116, 120)과 각각 연관된 다른 동작 거동들(202, 206)에 대해 예측하도록 구성된 제2 예측 모델(139)을 생성하는 단계 ― 상기 한 세트의 실시간 동작 거동들(308)은 상기 제2 컴포넌트(118)의 제2 실시간 동작 거동(304)을 포함함 ―;
    상기 제2 컴포넌트(118)와 연관된 제2 실시간 동작 거동(304)을 정상 또는 비정상으로 분류하는 단계; 및
    상기 제2 실시간 동작 거동(304)을 비정상으로 분류하는 것에 대한 응답으로, 상기 장애 진단 표시(330)를 생성하는 단계를 더 포함하는,
    방법.
  10. 제1 항 내지 제9 항 중 어느 한 항에 있어서,
    상기 컴포넌트(116)의 식별을 가능하게 하기 위해 상기 제1 예측 모델(138) 및 상기 제2 예측 모델(139)에 기초하여 패턴을 분석하는 단계를 더 포함하며,
    상기 장애 진단 표시(330)는 상기 컴포넌트(116)를 식별하는,
    방법.
  11. 제1 항 내지 제10 항 중 어느 한 항에 있어서,
    상기 장애 진단 표시(330)를 출력 디바이스(328)에 전송하는 단계(508)를 더 포함하는,
    방법.
  12. 공학 시스템(112)을 구성하는 한 세트의 컴포넌트들(114) ― 상기 공학 시스템(112)은 상기 한 세트의 컴포넌트들(114)과 각각 연관된 한 세트의 실시간 동작 거동들(308)을 나타내는 실시간 데이터(310)를 생성하도록 구성됨 ―;
    상기 한 세트의 컴포넌트들(114) 중 하나의 컴포넌트(116)와 연관된 정상 동작 거동(202)을 상기 한 세트의 컴포넌트들(114) 중 다른 컴포넌트들(118, 120)과 각각 연관된 다른 정상 동작 거동들(204, 206)에 대해 예측하도록 구성된 컴퓨터 구현 예측 모델(138);
    상기 한 세트의 실시간 동작 거동들(308)을 수신하도록― 상기 한 세트의 실시간 동작 거동들(308)은 상기 컴포넌트(116)와 연관된 실시간 동작 거동(302)을 포함함 ―, 그리고 상기 예측 모델(138)에 기초하여, 상기 컴포넌트(116)와 연관된 실시간 동작 거동(302)을 정상 또는 비정상으로 분류하도록 구성된 프로세서(324); 및
    상기 프로세서(324)가 상기 실시간 동작 거동(302)을 비정상으로 분류하는 것에 대한 응답으로 장애 진단 표시(330)를 출력하도록 구성된 출력 디바이스(328)를 포함하는,
    시스템(300).
  13. 제12 항에 있어서,
    상기 한 세트의 컴포넌트들(116, 118, 120)과 각각 연관된 한 세트의 동작 거동들(106, 108, 110)을 나타내는 훈련 데이터(102)를 수신하도록, 그리고 상기 훈련 데이터(102)에 기초하여 상기 예측 모델(138)을 생성하도록 구성된 제2 프로세서(132)를 더 포함하는,
    시스템.
  14. 제12 항 또는 제13 항에 있어서,
    상기 한 세트의 컴포넌트들(114)은,
    차량 컴포넌트들(116A-C, 118A-C, 120A-C) ― 상기 공학 시스템(112)은 차량(122A-C)임 ―;
    항공기 컴포넌트들(116A-C, 118A-C, 120A-C) ― 상기 공학 시스템(1212)은 항공기(122A-C)임 ―; 및
    한 세트의 사용자 입력 디바이스들, 한 세트의 기계들, 한 세트의 측정 센서들, 또는 이들의 조합들
    중 적어도 하나를 포함하는,
    시스템.
KR1020200057940A 2019-06-06 2020-05-14 항공기 센서들을 모델링하기 위한 데이터 기반 기계 학습 KR20200140999A (ko)

Applications Claiming Priority (2)

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

Publications (1)

Publication Number Publication Date
KR20200140999A true KR20200140999A (ko) 2020-12-17

Family

ID=70482283

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200057940A KR20200140999A (ko) 2019-06-06 2020-05-14 항공기 센서들을 모델링하기 위한 데이터 기반 기계 학습

Country Status (7)

Country Link
US (1) US20200385141A1 (ko)
EP (1) EP3748450B1 (ko)
JP (1) JP2021005370A (ko)
KR (1) KR20200140999A (ko)
CN (1) CN112052714A (ko)
AU (1) AU2020202134A1 (ko)
BR (1) BR102020007655A2 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20230112378A (ko) * 2022-01-20 2023-07-27 아주대학교산학협력단 인공지능 알고리즘을 이용한 무인기의 실시간 고장진단 방법

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP4336295A1 (en) * 2022-09-08 2024-03-13 Hosea Precision Co., Ltd. System and method for intelligently monitoring machine equipment

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8165826B2 (en) * 2008-09-30 2012-04-24 The Boeing Company Data driven method and system for predicting operational states of mechanical systems
US9569959B1 (en) * 2012-10-02 2017-02-14 Rockwell Collins, Inc. Predictive analysis for threat detection
US20170331844A1 (en) * 2016-05-13 2017-11-16 Sikorsky Aircraft Corporation Systems and methods for assessing airframe health
FR3052273B1 (fr) * 2016-06-02 2018-07-06 Airbus Prediction de pannes dans un aeronef
US10474789B2 (en) * 2016-06-24 2019-11-12 The Boeing Company Prediction methods and systems for structural repair during heavy maintenance of aircraft
US10969775B2 (en) * 2017-06-23 2021-04-06 Johnson Controls Technology Company Predictive diagnostics system with fault detector for preventative maintenance of connected equipment
US10672204B2 (en) * 2017-11-15 2020-06-02 The Boeing Company Real time streaming analytics for flight data processing
CN108491860B (zh) * 2018-02-24 2021-02-05 中国石油大学(北京) 页岩气压裂装备全生命周期实时可靠性动态评估方法及装置
CN109492193B (zh) * 2018-12-28 2020-11-27 同济大学 基于深度机器学习模型的异常网络数据生成与预测方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20230112378A (ko) * 2022-01-20 2023-07-27 아주대학교산학협력단 인공지능 알고리즘을 이용한 무인기의 실시간 고장진단 방법

Also Published As

Publication number Publication date
AU2020202134A1 (en) 2020-12-24
EP3748450A1 (en) 2020-12-09
US20200385141A1 (en) 2020-12-10
EP3748450B1 (en) 2024-07-03
JP2021005370A (ja) 2021-01-14
BR102020007655A2 (pt) 2020-12-08
CN112052714A (zh) 2020-12-08

Similar Documents

Publication Publication Date Title
US12066797B2 (en) Fault prediction method and fault prediction system for predecting a fault of a machine
JP7017861B2 (ja) 異常検知システムおよび異常検知方法
CN106409120B (zh) 机械学习方法及机械学习装置、以及故障预知装置及系统
US11415975B2 (en) Deep causality learning for event diagnosis on industrial time-series data
US6970804B2 (en) Automated self-learning diagnostic system
CN109791401A (zh) 生成用于嵌入式分析和诊断/预测推理的故障模型
KR102358486B1 (ko) 승강장 안전문 고장 진단 및 예측 장치
EP2277778A2 (en) Vehicle health management systems and methods with predicted diagnostic indicators
JP2009053938A (ja) 複数モデルに基づく設備診断システム及びその設備診断方法
JP4635194B2 (ja) 異常検知装置
KR102416474B1 (ko) 기계학습 기반 고장 진단 장치 및 방법
KR20200140999A (ko) 항공기 센서들을 모델링하기 위한 데이터 기반 기계 학습
JP2013196698A (ja) システム監視
CN112906775A (zh) 一种设备故障预测方法及系统
CN113971117A (zh) 用于机器自动化中的组件的预测性维护
Medjaher et al. Failure prognostic by using dynamic Bayesian networks
KR20190099710A (ko) 네트워크 장애 처리 시스템 및 방법
CN116506309B (zh) 一种车载atp通信信号综合监测系统及方法
Marhic et al. An evidential approach for detection of abnormal behaviour in the presence of unreliable sensors
KR102429359B1 (ko) 온 또는 오프를 원격 제어하는 mdf 시스템
US10955836B2 (en) Diagnosis system and electronic control device
Patel et al. Gas turbine engine condition monitoring using statistical and neural network methods
KR102388973B1 (ko) 내진 시설을 구비한 주배선반 시스템
Strackeljan et al. Smart adaptive monitoring and diagnostic systems
KR102261840B1 (ko) 군집비행에서의 개체 간 고장검출 방법 및 장치, 컴퓨터 판독 가능한 기록 매체 및 컴퓨터 프로그램

Legal Events

Date Code Title Description
A201 Request for examination