BR102020007655A2 - Aprendizado de máquina orientado a dados para modelagem de sensores de aeronaves - Google Patents
Aprendizado de máquina orientado a dados para modelagem de sensores de aeronaves Download PDFInfo
- Publication number
- BR102020007655A2 BR102020007655A2 BR102020007655-8A BR102020007655A BR102020007655A2 BR 102020007655 A2 BR102020007655 A2 BR 102020007655A2 BR 102020007655 A BR102020007655 A BR 102020007655A BR 102020007655 A2 BR102020007655 A2 BR 102020007655A2
- Authority
- BR
- Brazil
- Prior art keywords
- real
- components
- component
- behaviors
- time
- Prior art date
Links
- 238000010801 machine learning Methods 0.000 title claims abstract description 15
- 230000006399 behavior Effects 0.000 claims abstract description 184
- 230000002547 anomalous effect Effects 0.000 claims abstract description 40
- 230000004044 response Effects 0.000 claims abstract description 14
- 238000000034 method Methods 0.000 claims description 64
- 238000012549 training Methods 0.000 claims description 54
- 238000003745 diagnosis Methods 0.000 claims description 21
- 238000005259 measurement Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 description 9
- 238000001514 detection method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000002243 precursor Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64D—EQUIPMENT FOR FITTING IN OR TO AIRCRAFT; FLIGHT SUITS; PARACHUTES; ARRANGEMENT OR MOUNTING OF POWER PLANTS OR PROPULSION TRANSMISSIONS IN AIRCRAFT
- B64D45/00—Aircraft indicators or protectors not otherwise provided for
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- 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
-
- 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
-
- H04L67/2823—
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Aviation & Aerospace Engineering (AREA)
- Automation & Control Theory (AREA)
- Medical Informatics (AREA)
- Signal Processing (AREA)
- Computational Linguistics (AREA)
- Manufacturing & Machinery (AREA)
- Transportation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Traffic Control Systems (AREA)
- Debugging And Monitoring (AREA)
Abstract
aprendizado de máquina orientado a dados para modelagem de sensores de aeronaves a presente invenção refere-se a um sistema que pode incluir um conjunto de componentes que constituem um sistema de engenharia configurado para gerar dados em tempo real que representam um conjunto de comportamentos operacionais em tempo real associados respectivamente com o conjunto de componentes. o sistema pode incluir um modelo preditivo configurado para prever um comportamento operacional normal associado com um componente do conjunto de componentes com relação a outros comportamentos operacionais normais associados respectivamente com outros componentes do conjunto de componentes. o sistema pode incluir um processador configurado para receber o conjunto de comportamentos operacionais em tempo real, o conjunto de comportamentos operacionais em tempo real incluindo um comportamento operacional em tempo real associado com o componente, e para categorizar o comportamento operacional em tempo real associado com o componente como normal ou anômalo com base no modelo preditivo. o sistema pode incluir um dispositivo de saída configurado para emitir uma indicação de falha em resposta ao processador categorizar o comportamento de operação em tempo real como anômalo.
Description
[001] Esta descrição refere-se em geral a sensor de estado e/ou sensor de falha e, em particular, ao uso de aprendizado de máquina acionado por dados para modelar sensores de aeronaves. Sistemas de engenharia, como fábricas e máquinas, e em particular aeronaves e outros veículos, normalmente incluem muitos componentes e subsistemas. Esses componentes podem ser reparados ou substituídos em intervalos regulares para garantir o funcionamento adequado do sistema. Ocasionalmente, os componentes e/ou subsistemas podem se degradar inesperadamente fora do cronograma de serviço. Esses componentes degradados podem ser identificados através de logs, efeitos visíveis, solução de problemas, inspeções programadas e/ou outros tipos de métodos de detecção de falhas. Esses eventos podem levar à manutenção não programada e custos significativos.
[002] As soluções atuais são tipicamente manuais por natureza e incluem o suporte de alguém que é especialista em um subsistema específico sob escrutínio. Essa abordagem é demorada, cara e pode não antecipar problemas o suficiente para evitar tempo de inatividade não programado. Os métodos atuais de detecção de componentes e subsistemas degradados também tendem a gerar um grande número de falsos positivos e detecções perdidas.
[003] Técnicas de aprendizado de máquina foram aplicadas a subsistemas específicos para tentar identificar problemas. No entanto, as soluções atuais de aprendizado de máquina são focadas no subsistema e não incluem dados obtidos de outros componentes ou subsistemas do sistema de engenharia. Como tal, essas abordagens podem perder informações latentes valiosas codificadas em sensores em todo o sistema que capturam o ambiente e outros impactos externos. Assim, as técnicas atuais de aprendizado de máquina podem não detectar suficientemente componentes e/ou subsistemas degradados no contexto de todo o sistema de engenharia. Podem existir outras desvantagens.
[004] São divulgados neste documento sistemas e métodos para detectar componentes ou subsistemas degradados no contexto de outros componentes e/ou subsistemas de um sistema de engenharia. Os sistemas e métodos divulgados podem detectar com precisão componentes degradados e reduzir o tempo e os custos associados à manutenção não programada. Por exemplo, a degradação de componentes pode ser um precursor de falha, de modo que a detecção de componentes degradados possa permitir a previsão de falta ou falha. Em um exemplo, um método inclui o recebimento de dados de treinamento que representam um conjunto de comportamentos operacionais associados, respectivamente, a um conjunto de componentes que compõem um sistema de engenharia. O método inclui ainda a geração de um modelo preditivo, com base nos dados de treinamento, configurado para prever um comportamento operacional normal associado a um componente do conjunto de componentes em relação a outros comportamentos operacionais normais associados, respectivamente, a outros componentes do conjunto de componentes. O método também inclui o recebimento de dados em tempo real que representam um conjunto de comportamentos operacionais em tempo real associados, respectivamente, ao conjunto de componentes, o conjunto de comportamentos operacionais em tempo real, incluindo um comportamento operacional em tempo real associado ao componente. O método inclui categorizar o comportamento operacional em tempo real associado ao componente como normal ou anômalo, com base no modelo preditivo. O método inclui ainda, em resposta à categorização do comportamento operacional em tempo real como anômalo, gerando uma indicação de diagnóstico de falha.
[005] Em alguns exemplos, o conjunto de componentes inclui componentes de veículo, e o sistema de engenharia é um veículo. Em alguns exemplos, o conjunto de componentes inclui componentes de aeronave, e o sistema de engenharia é uma aeronave. Em alguns exemplos, os dados de treinamento são recebidos a partir de múltiplas aeronaves de uma frota de aeronaves. Em alguns exemplos, categorizar o comportamento operacional em tempo real associado com o componente é realizado em um processador dentro de um compartimento aviônico da aeronave enquanto a aeronave está em voo. Em alguns exemplos, gerar o modelo preditivo inclui treinar o modelo preditivo através de um processo supervisionado de aprendizado de máquina usando os dados de treinamento. Em alguns exemplos, o conjunto de comportamentos operacionais em tempo real inclui conjuntos de entradas do usuário, conjuntos de estados da máquina, conjuntos de medições, ou combinações dos mesmos.
[006] Em alguns exemplos, o método inclui gerar um segundo modelo preditivo, com base nos dados de treinamento, configurado para prever um segundo comportamento operacional normal associado com um segundo componente do conjunto de componentes com relação aos outros comportamentos operacionais associados respectivamente com os outros componentes do conjunto de componentes, onde o conjunto de comportamentos operacionais em tempo real inclui um segundo comportamento operacional em tempo real do segundo componente. Em alguns exemplos, o método inclui categorizar o segundo comportamento operacional em tempo real associado com o segundo componente como normal ou anômalo, e, em resposta a categorizar o segundo comportamento operacional em tempo real como anômalo, gerar a indicação de diagnóstico de falha.
[007] Em alguns exemplos, a indicação de diagnóstico de falha identifica o componente. Em alguns exemplos, o método inclui enviar a indicação de diagnóstico de falha para um dispositivo de saída.
[008] Em um exemplo, um sistema inclui um conjunto de componentes que constituem um sistema de engenharia configurado para gerar dados em tempo real que representam um conjunto de comportamentos operacionais associados em tempo real respectivamente com o conjunto de componentes. O sistema adicionalmente inclui um modelo preditivo implementado por computador configurado para prever um comportamento operacional normal associado com um componente do conjunto de componentes com relação a outros comportamentos operacionais associados normais respectivamente com outros componentes do conjunto de componentes. O sistema também inclui um processador configurado para receber o conjunto de comportamentos operacionais em tempo real, o conjunto de comportamentos operacionais em tempo real incluindo um comportamento operacional em tempo real associado com o componente, e para categorizar o comportamento operacional em tempo real associado com o componente como normal ou anômalo com base no modelo preditivo. O sistema inclui um dispositivo de saída configurado para emitir uma indicação de diagnóstico de falha em resposta ao processador categorizar o comportamento de operação em tempo real como anômalo.
[009] Em alguns exemplos, o sistema inclui um segundo processador configurado para receber dados de treinamento que representam um conjunto de comportamentos operacionais associados respectivamente com o conjunto de componentes e para gerar o modelo preditivo com base nos dados de treinamento. Em alguns exemplos, o conjunto de componentes inclui componentes de veículo, e o sistema de engenharia é um veículo. Em alguns exemplos, o conjunto de componentes inclui componentes de aeronave, e o sistema de engenharia é uma aeronave. Em alguns exemplos, o processador é posicionado dentro de um compartimento aviônico de uma aeronave. Em alguns exemplos, o conjunto de componentes inclui um conjunto de dispositivos de entrada de usuário, um conjunto de máquinas, um conjunto de sensores de medição, ou combinações dos mesmos.
[010] Em um exemplo, um método inclui receber dados em tempo real que representam um conjunto de comportamentos operacionais associados em tempo real respectivamente com um conjunto de componentes que constituem um sistema de engenharia, o conjunto de comportamentos operacionais em tempo real incluindo um comportamento operacional em tempo real associado com um componente do conjunto de componentes. O método adicionalmente inclui categorizar o comportamento operacional em tempo real associado com o componente como normal ou anômalo com base em um modelo preditivo configurado para prever um comportamento operacional normal associado com o componente com relação a outros comportamentos operacionais associados normais respectivamente com outros componentes do conjunto de componentes. O método também inclui, em resposta a categorizar o comportamento operacional em tempo real como anômalo, gerar uma indicação de diagnóstico de falha.
[011] Em alguns exemplos, o método inclui receber dados de treinamento que representam um conjunto de comportamentos operacionais associados respectivamente com o conjunto de componentes e gerar o modelo preditivo, com base nos dados de treinamento. Em alguns exemplos, gerar o modelo preditivo inclui treinar o modelo preditivo através de um processo supervisionado de aprendizado de máquina usando os dados de treinamento. Em alguns exemplos, o conjunto de comportamentos operacionais em tempo real inclui um conjunto de entradas de usuário, um conjunto de estados de máquina, um conjunto de medições, ou combinações dos mesmos.
[012] A Figura 1 é um diagrama de bloco que ilustra um exemplo de um sistema para treinar um modelo preditivo para fazer a leitura de componentes degradados em um sistema de engenharia.
[013] A Figura 2 é um diagrama de bloco que ilustra um exemplo de um sistema para usar um modelo preditivo para prever um comportamento operacional normal associado com um componente de um sistema de engenharia.
[014] A Figura 3 é um diagrama de bloco que ilustra um exemplo de um sistema para detectar um componente degradado de um sistema de engenharia.
[015] A Figura 4 é um diagrama de fluxo que ilustra um exemplo de um método para treinar um modelo preditivo.
[016] A Figura 5 é um diagrama de fluxo que ilustra um exemplo de um método para detectar um componente degradado de um sistema de engenharia.
[017] Embora a descrição seja suscetível a várias modificações e formas alternativas, exemplos específicos foram apresentados nos desenhos e serão descritos em detalhes aqui. No entanto, deve ser entendido que a descrição não se destina a ser limitada às formas particulares divulgadas. Pelo contrário, a intenção é cobrir todas as modificações, equivalentes e alternativas que se enquadram no escopo da descrição.
[018] Com referência à Figura 1, um exemplo de um sistema 100 para treinar um modelo preditivo 138 para fazer a leitura de componentes degradados em um sistema de engenharia 112 é ilustrado. O sistema de engenharia 112 pode incluir um conjunto de componentes 114 tendo um primeiro componente 116, um segundo componente 118, e um terceiro componente 120. Embora três componentes sejam ilustrados para fins ilustrativos, deve ser entendido que na prática, o conjunto de componentes 114 pode incluir mais ou menos do que três. Em uma aplicação mais prática, o conjunto de componentes 114 pode incluir numerosos componentes.
[019] O sistema de engenharia 112 pode corresponder a um veículo, tal como uma aeronave. Por exemplo, a Figura 1 ilustra uma frota de aeronaves 122 incluindo uma primeira aeronave 122A, uma segunda aeronave 122B, e uma terceira aeronave 122C. Cada uma das aeronaves 122A-C pode ser do mesmo tipo e inclui os mesmos componentes um do outro. Como tal, cada uma das aeronaves 122A-C pode corresponder ao sistema de engenharia 112.
[020] Para ilustrar, a primeira aeronave 122A pode incluir um primeiro componente 116A que corresponde ao primeiro componente 116, um segundo componente 118A que corresponde ao segundo componente 118, e um terceiro componente 120A que corresponde a o terceiro componente 120. Da mesma forma, a segunda aeronave 122B pode incluir um primeiro componente 116B que corresponde não só ao primeiro componente 116A, mas também ao primeiro componente 116, um segundo componente 118B que corresponde não só ao segundo componente 118A, mas também ao segundo componente 118, e um terceiro componente 120B que corresponde não só ao terceiro componente 120A, mas também ao terceiro componente 120. Finalmente, a terceira aeronave 122C pode incluir: um primeiro componente 116C que corresponde ao primeiro componente 116A, ao primeiro componente 116B, e ao primeiro componente 116; um segundo componente 118C que corresponde ao segundo componente 118A, ao segundo componente 118B, e ao segundo componente 118; e um terceiro componente 120C que corresponde ao terceiro componente 120A, ao terceiro componente 120B, e ao terceiro componente 120.
[021] Cada um dos componentes 116, 118, 120 pode continuamente produzir dados durante um voo. Por exemplo, o conjunto de componentes 114 pode incluir um conjunto de dispositivos de entrada de usuário (por exemplo, controles de voo, avisos do usuário, registros de áudio e vídeo, etc.), um conjunto de máquinas (por exemplo, superfícies de controle, sistemas de motor, motores, etc.), um conjunto de sensores de medição (por exemplo, sensores de pressão, sensores de temperatura, etc.), ou combinações dos mesmos. Quando produzidos em grandes quantidades, os dados produzidos pelo conjunto de componentes 114 podem ser usados como dados de treinamento 102.
[022] Os dados de treinamento 102 podem representar um conjunto de comportamentos operacionais 104 associados respectivamente com o conjunto de componentes 114 que constituem o sistema de engenharia 112. Por exemplo, os dados de treinamento 102 podem representar um primeiro comportamento operacional 106 associado com o primeiro componente 116, um segundo comportamento operacional 108 associado com o segundo componente 118, e um terceiro comportamento operacional 110 associado com o terceiro componente 120. Pelo fato dos dados de treinamento 102 serem continuamente coletados durante a operação normal do sistema de engenharia 112, o conjunto de comportamentos operacionais 104 pode incluir, com poucas exceções, comportamentos nominais adequados para treinar o modelo preditivo 138. Deve ser observado que alguns dados não nominais no fluxo de dados de treinamento é esperado. No entanto, considerando as grandes quantidades de dados recebidos, os dados não nominais não podem se elevar a um nível de significância. Assim, o sistema descrito 100 pode ser uma solução robusta capaz de aceitar dados de treinamento com um tal “ruído”. Ademais, pelo fato dos dados de treinamento 102 poderem ser coletados das frotas de aeronaves 122, o conjunto de comportamentos operacionais 104 pode descrever comportamentos nominais no contexto da frota de aeronave 122 em oposição a qualquer aeronave individual da frota de aeronave 122.
[023] O sistema 100 pode incluir um dispositivo de computação 130 configurado para treinar o modelo preditivo 138. O dispositivo de computação 130 pode incluir um processador 132 e uma memória 134. O processador 132 pode incluir uma unidade de processamento central (CPU), uma unidade de processamento gráfica (GPU), um processador de sinal digital (DSP), um controlador de interface periférica (PIC), ou outro tipo de microprocessador. O mesmo pode ser implementado como um circuito integrado, uma matriz de porta programável em campo (FPGA), um circuito integrado específico de aplicação (ASIC), uma combinação de circuito de porta lógica, outros tipos de componentes de configuração elétrica digital ou analógica, ou semelhante, ou combinações dos mesmos. Em alguns exemplos, o processador 132 pode ser distribuído através de múltiplos elementos de processamento, que se baseiam em operações de processamento distributivo.
[024] Ademais, o dispositivo de computação 130 pode incluir memória 134 tal como memória de acesso aleatório (RAM), memória apenas de leitura (ROM), memória de disco magnético, memória de disco ótico, memória flash, outro tipo de memória capaz de armazenar dados e instruções do processador, ou semelhante, ou combinações dos mesmos. Em alguns exemplos, a memória, ou porções da mesma, pode ser localizada externamente ou remotamente a partir do resto do dispositivo de computação 130. A memória 134 pode armazenar instruções as quais, quando executadas pelo processador 132, fazem com que o processador 132 realize operações. As operações podem corresponder a quaisquer operações descritas nesse documento. Em particular, as operações podem corresponder a treinar o modelo preditivo 138.
[025] O processador 132 e a memória 134 podem ser usados juntos para implementar um processo supervisionado de aprendizado de máquina 136 para gerar o modelo preditivo 138. O modelo preditivo 138 pode incluir qualquer modelo de inteligência artificial usável para categorizar comportamentos operacionais como normal ou anômalo. Por exemplo, o modelo preditivo 138 pode incluir árvores de decisão, regras de associação, outros tipos de processos de classificação de aprendizagem por máquina, ou combinações dos mesmos. O mesmo pode ser implementado como redes de máquina de vetor de suporte, redes Bayesian, redes neurais, outros tipos de sistemas de redes de classificação de aprendizagem por máquina, ou combinações dos mesmos.
[026] Durante a operação, os dados de treinamento 102 podem ser recebidos a partir de implementações de múltiplos sistemas. Para fins ilustrativos, a Figura 1 representa os dados de treinamento 102 como sendo recebidos da frota da aeronave 122 ou de qualquer aeronave única 122A, 122B, 122C dentro da frota da aeronave 122, dependendo se o sistema de engenharia 112 deve ser analisado no nível da frota ou em um nível de aeronave individual. Embora a Figura 1 represente a aeronave, deve ser entendido que o sistema de engenharia pode corresponder a qualquer tipo de sistema mecânico ou elétrico, e não apenas uma aeronave. O modelo preditivo 138 pode então ser treinado através do processo supervisionado de aprendizado de máquina 136 usando os dados de treinamento 102. Pelo fato do conjunto de comportamentos operacionais 104 poder incluir, na maioria das vezes, comportamentos nominais do conjunto de componentes 114, o modelo preditivo 138 pode ser configurado para distinguir entre comportamentos operacionais normais e comportamentos operacionais anômalos para o primeiro componente 116. Beneficamente, as previsões podem ser baseadas não apenas no primeiro comportamento operacional 106 associado ao primeiro componente 116, mas também nos outros comportamentos operacionais 108, 110 que não estão associados ao componente 116, mas que podem ser relevantes quando o segundo componente 118 e o terceiro componente 120 interagem com o primeiro componente 116 dentro do sistema de engenharia 112. De maneira semelhante, um segundo modelo preditivo 139 pode ser gerado para distinguir entre comportamentos operacionais normais e anômalos do segundo componente 118 e um terceiro modelo preditivo 140 pode ser gerado para distinguir entre comportamentos operacionais normais e anômalos do terceiro componente 120.
[027] Ao treinar o modelo preditivo 138 com base nos dados de treinamento 102 que representam outros comportamentos operacionais 108, 110 de outros componentes 118, 120, além do primeiro comportamento operacional 106 do primeiro componente 116, o modelo preditivo 138 pode ser configurado para levar em conta o sistema de engenharia 122 como um todo ao determinar se o primeiro componente 116 está operando de uma maneira normal ou anômala. Existem benefícios semelhantes para o segundo modelo preditivo 139 e o terceiro modelo preditivo 140. Outras vantagens podem existir.
[028] Com referência à Figura 2, um exemplo de um sistema 200 para usar um modelo preditivo 138 para prever um primeiro comportamento operacional normal 202 associado com um componente 116 de um sistema de engenharia 112 é ilustrado. Uma vez que o modelo preditivo 138 é treinado, como descrito com referência à Figura 1, o mesmo pode ser usado para prever o primeiro comportamento operacional normal 202 do primeiro componente 116. Por exemplo, um segundo comportamento operacional normal 204 do segundo componente 118 e um terceiro comportamento operacional normal 206 do terceiro componente 120 podem ser inseridos no modelo preditivo 138. Com base no segundo comportamento operacional normal 204 e no terceiro comportamento operacional normal 206, o modelo preditivo 138 pode determinar ou prever o primeiro comportamento operacional normal 202 do primeiro componente 116. Como explicado ainda s em relação à Figura 3, o primeiro comportamento operacional normal previsto 202 pode ser comparado a um comportamento real do componente 116 para determinar se o componente 116 está se comportando normalmente ou de modo anômalo. Embora a Figura 2 seja direcionada para prever o primeiro comportamento operacional normal 202 do primeiro componente 116, o segundo modelo preditivo 139 pode ser usado de maneira semelhante para prever o segundo comportamento operacional normal 204 do segundo componente 118 com base no primeiro comportamento operacional normal 202 e o terceiro comportamento operacional normal 206 e o terceiro modelo preditivo 140 podem ser usados de maneira semelhante para prever o terceiro comportamento operacional normal 206 do terceiro componente 120 com base no primeiro comportamento operacional normal 202 e no segundo comportamento operacional normal 204.
[029] Com referência à Figura 3, um exemplo de um sistema 300 para detectar um componente degradado de um sistema de engenharia 112 é ilustrado. O sistema 300 pode incluir o sistema de engenharia 112 com o conjunto de componentes 114 e um dispositivo de computação 322. No caso onde o sistema de engenharia 112 é uma aeronave, o dispositivo de computação 322 pode ser posicionado dentro de um compartimento aviônico 320 da aeronave. Alternativamente, o dispositivo de computação 322 pode ser baseado em terra e pode ser usado para processamento pós voo.
[030] O dispositivo de computação 322 pode incluir um processador 324, uma memória 326, e um dispositivo de saída 328. O processador 324 pode incluir uma unidade de processamento central (CPU), uma unidade de processamento gráfica (GPU), um processador de sinal digital (DSP), um controlador de interface periférica (PIC), ou outro tipo de microprocessador. O mesmo pode ser implementado como um circuito integrado, uma matriz de porta programável em campo (FPGA), um circuito integrado específico de aplicação (ASIC), uma combinação de circuito de porta lógica, outros tipos de componentes de configuração elétrica digital ou analógica, ou semelhante, ou combinações dos mesmos. Em alguns exemplos, o processador 324 pode ser distribuído através de múltiplos elementos de processamento, que se baseiam em operações de processamento distributivo.
[031] A memória 326 pode incluir memória de acesso aleatório (RAM), memória apenas de leitura (ROM), memória de disco magnético, memória de disco ótico, memória flash, outro tipo de memória capaz de armazenar dados e instruções do processador, ou semelhante, ou combinações dos mesmos. Em alguns exemplos, a memória 326, ou porções da mesma, pode ser localizada externamente ou remotamente a partir do resto do dispositivo de computação 322. A memória 326 pode armazenar instruções as quais, quando executadas pelo processador 324, fazem com que o processador 324 realize operações. As operações podem corresponder a quaisquer operações descritas nesse documento. Em particular, as operações podem corresponder a usar o modelo preditivo 138 para detectar uma falha com um dos componentes 116, 118, 120.
[032] O dispositivo de saída 328 pode incluir qualquer dispositivo capaz de se comunicar com usuários ou dispositivos externos ao dispositivo de computação 322. Por exemplo, o dispositivo de saída 328 pode incluir um dispositivo de saída do usuário, tal como uma luz indicadora, uma tela de exibição, um alto-falante, etc. O dispositivo de saída 328 pode também incluir um dispositivo de saída de rede, tal como um dispositivo de comunicação serial, um cartão de rede, etc.
[033] Os modelos preditivos 138, 139, 140 podem ser armazenados no dispositivo de computação 322, seja na memória 326 ou em outra forma. Com base nos resultados do uso dos modelos preditivos 138, 139, 140, uma indicação de diagnóstico de falha (por exemplo, detecção de falha) 330 pode ser gerada como descrito aqui. O dispositivo de saída 328 pode ser configurado para comunicar a indicação do diagnóstico de falha 330 para um usuário ou para outro dispositivo.
[034] Durante a operação, o sistema de engenharia 112 pode gerar dados em tempo real 310 incluindo um conjunto de comportamentos operacionais em tempo real 308. Conforme usado neste documento, o termo "tempo real" significa que os dados em tempo real 310 correspondem a uma operação que ocorre atualmente (como um voo que está ocorrendo atualmente) ou a uma operação mais recente (como o voo mais recente realizado por uma aeronave). Em particular, o conceito de "tempo real" visa levar em consideração os atrasos no acesso aos dados. O conjunto de comportamentos operacionais em tempo real 308 pode incluir um primeiro comportamento operacional em tempo real associado ao primeiro componente 116, um segundo comportamento operacional em tempo real associado ao segundo componente 118 e um terceiro comportamento operacional em tempo real associado ao terceiro componente 120.
[035] O dispositivo de computação 322 pode receber dados em tempo real 310. Com base nos dados em tempo real 310, o processador 324 pode categorizar o primeiro comportamento operacional em tempo real 302 associado com o componente 116 como normal ou anômalo com base no modelo preditivo 138. Por exemplo, o modelo preditivo 138 pode calcular um comportamento operacional normal 202 para o primeiro componente 116. O primeiro comportamento operacional normal 202 pode ser comparado ao primeiro comportamento operacional em tempo real 302 para determinar se o primeiro comportamento operacional em tempo real 302 é anômalo. Em resposta a categorizar o primeiro comportamento operacional em tempo real 302 como anômalo, o processador 324 pode gerar uma indicação de diagnóstico de falha 330. Em alguns exemplos, a categorização do primeiro comportamento operacional em tempo real 302 pode ocorrer durante um voo.
[036] Cálculos semelhantes podem ser feitos para determinar se o segundo comportamento operacional em tempo real 304 e / ou o terceiro comportamento operacional em tempo real 306 são anômalos. Por exemplo, o segundo modelo preditivo 139 pode calcular um segundo comportamento operacional normal 204 associado ao segundo componente 118 e o terceiro modelo preditivo 140 pode calcular um terceiro comportamento operacional normal 206 associado ao terceiro componente 120. Assim, para cada um dos componentes 116, 118, 120, os comportamentos operacionais normais correspondentes 202, 204, 206 podem ser calculados com base nos outros comportamentos operacionais do conjunto de comportamentos operacionais em tempo real 308. Se qualquer comportamento operacional do conjunto de comportamentos operacionais em tempo real 308 é anômalo, a indicação do diagnóstico de falha 330 pode ser gerada, indicando qual dos componentes 116, 118, 120 está operando anomalamente.
[037] Ao usar os modelos preditivos 138-140 que classificam os dados em tempo real 310 com base nos comportamentos operacionais em tempo real 302, 304, 306 de cada um dos componentes 116, 118, 120, o sistema 300 pode detectar componentes degradados e/ou subsistemas no contexto de todo o sistema de engenharia, em oposição ao comportamento de um único componente. Como tal, o sistema 300 pode detectar um comportamento anômalo que outros sistemas de detecção podem perder. Podem existir outros benefícios.
[038] Com referência à Figura 4, um exemplo de um método 400 para treinar um modelo preditivo é ilustrado. O método 400 pode incluir receber dados de treinamento que representam um conjunto de comportamentos operacionais associados respectivamente com um conjunto de componentes que constituem um sistema de engenharia, em 402. Por exemplo, os dados de treinamento 102 podem ser recebidos no dispositivo de computação 130.
[039] O método 400 pode adicionalmente incluir gerar um modelo preditivo, com base nos dados de treinamento, configurado para prever um comportamento operacional normal associado com um componente do conjunto de componentes com relação a outros comportamentos operacionais associados normais respectivamente com outros componentes do conjunto de componentes, em 404. Por exemplo, os modelos preditivos 138, 139, 140 podem ser gerados para prever comportamentos operacionais associados normais com os componentes 116, 118, 120 com relação ao sistema de engenharia 112 como um todo de modo a diagnosticar a degradação dentro do sistema de engenharia 112, que pode ser relacionado aos componentes diferentes dos modelados pelos modelos preditivos 138, 139, 140. O método 400 também pode incluir a análise de um padrão baseado no primeiro modelo preditivo e no segundo modelo preditivo para permitir a identificação do componente, em 406. Analisando os padrões associados a qual dos modelos preditivos 138, 139, 140 indica anomalia e indica normalidade, pode-se determinar qual subsistema e até mesmo qual componente dentro do subsistema pode ser a causa raiz do comportamento anômalo. Em outras palavras, uma parte degradada que requer substituição pode ser descoberta.
[040] Assim, ao gerar um modelo preditivo configurado para prever um comportamento operacional normal associado com um componente com relação a outros comportamentos operacionais associados normais respectivamente com outros componentes de um sistema de engenharia, o método 400 pode levar em conta um sistema de engenharia como um todo em determinar se a operação de um componente é normal ou anômalo. Outras vantagens podem existir.
[041] Com referência à Figura 5, um exemplo de um método 500 para detectar um componente degradado de um sistema de engenharia é ilustrado. O método 500 pode incluir receber dados em tempo real que representam um conjunto de comportamentos operacionais associados em tempo real respectivamente com um conjunto de componentes que constituem um sistema de engenharia, o conjunto de comportamentos operacionais em tempo real incluindo um comportamento operacional em tempo real associado com um componente do conjunto de componentes, em 502. Por exemplo, os dados em tempo real 310 podem ser recebidos pelo dispositivo de computação 322.
[042] O método 500 pode adicionalmente incluir categorizar o comportamento operacional em tempo real associado com o componente como normal ou anômalo com base em um modelo preditivo configurado para prever um comportamento operacional normal associado com o componente com relação a outros comportamentos operacionais associados normais respectivamente com outros componentes do conjunto de componentes, em 504. Por exemplo, o primeiro comportamento operacional em tempo real 302 pode ser categorizado pelo modelo preditivo 138.
[043] O método 500 pode também incluir, em resposta a categorizar o comportamento operacional em tempo real como anômalo, gerar uma indicação de diagnóstico de falha, em 506. Por exemplo, o processador 324 pode gerar a indicação de diagnóstico de falha 330.
[044] O método 500 pode incluir enviar a indicação de diagnóstico de falha para um dispositivo de saída, em 508. Por exemplo, a indicação de diagnóstico de falha 330 pode ser enviada para o dispositivo de saída 328 para emissão.
[045] Ademais, a descrição compreende exemplos de acordo com as cláusulas a seguir:
[046] Cláusula 1. um método que compreende: receber dados de treinamento que representam um conjunto de comportamentos operacionais associados respectivamente com um conjunto de componentes que constituem um sistema de engenharia; gerar um modelo preditivo, com base nos dados de treinamento, configurado para prever um comportamento operacional normal associado com um componente do conjunto de componentes com relação a outros comportamentos operacionais associados normais respectivamente com outros componentes do conjunto de componentes; receber dados em tempo real que representam um conjunto de comportamentos operacionais associados em tempo real respectivamente com o conjunto de componentes, o conjunto de comportamentos operacionais em tempo real incluindo um comportamento operacional em tempo real associado com o componente; categorizar o comportamento operacional em tempo real associado com o componente como normal ou anômalo com base no modelo preditivo; e em resposta a categorizar o comportamento operacional em tempo real como anômalo, gerar uma indicação de diagnóstico de falha.
[047] Cláusula 2. O método de acordo com a cláusula 1, em que o conjunto de componentes inclui componentes de veículo, e em que o sistema de engenharia é um veículo.
[048] Cláusula 3. O método de acordo com qualquer uma das cláusulas 1-2, em que o conjunto de componentes inclui componentes de aeronave, e em que o sistema de engenharia é uma aeronave.
[049] Cláusula 4. O método de acordo com qualquer uma das cláusulas 1-3, em que os dados de treinamento são recebidos a partir de múltiplas aeronaves de uma frota de aeronaves.
[050] Cláusula 5. O método de acordo com qualquer uma das cláusulas 1-3, em que categorizar o comportamento operacional em tempo real associado com o componente é realizado em um processador dentro de um compartimento aviônico da aeronave enquanto a aeronave está em voo.
[051] Cláusula 6. O método de acordo com qualquer uma das cláusulas 1-5, em que gerar o modelo preditivo compreende treinar o modelo preditivo através de um processo supervisionado de aprendizado de máquina usando os dados de treinamento.
[052] Cláusula 7. O método de acordo com qualquer uma das cláusulas 1-6, em que o conjunto de comportamentos operacionais de os dados de treinamento include ambos os comportamentos operacionais nominal e não nominal.
[053] Cláusula 8. O método de acordo com qualquer uma das cláusulas 1-7, em que o conjunto de comportamentos operacionais em tempo real inclui conjuntos de entradas do usuário, conjuntos de estados da máquina, conjuntos de medições, ou combinações dos mesmos.
[054] Cláusula 9. O método de acordo com qualquer uma das cláusulas 1-8, que adicionalmente compreende: gerar um segundo modelo preditivo, com base nos dados de treinamento, configurado para prever um segundo comportamento operacional normal associado com um segundo componente do conjunto de componentes com relação aos outros comportamentos operacionais associados respectivamente com os outros componentes do conjunto de componentes, em que o conjunto de comportamentos operacionais em tempo real inclui um segundo comportamento operacional em tempo real do segundo componente; categorizar o segundo comportamento operacional em tempo real associado com o segundo componente como normal ou anômalo; e em resposta a categorizar o segundo comportamento operacional em tempo real como anômalo, gerar a indicação de diagnóstico de falha.
[055] Cláusula 10. O método de acordo com qualquer uma das cláusulas 1-9, que adicionalmente compreende: analisar um padrão com base no primeiro modelo preditivo e no segundo modelo preditivo para permitir a identificação do componente, em que a indicação de diagnóstico de falha identifica o componente.
[056] Cláusula 11. O método de acordo com qualquer uma das cláusulas 1-10, que adicionalmente compreende: enviar a indicação de diagnóstico de falha para um dispositivo de saída.
[057] Cláusula 12. Um sistema que compreende: um conjunto de componentes que constituem um sistema de engenharia configurado para gerar dados em tempo real que representam um conjunto de comportamentos operacionais associados em tempo real respectivamente com o conjunto de componentes; um modelo preditivo implementado por computador configurado para prever um comportamento operacional normal associado com um componente do conjunto de componentes com relação a outros comportamentos operacionais associados normais respectivamente com outros componentes do conjunto de componentes; um processador configurado para receber o conjunto de comportamentos operacionais em tempo real, o conjunto de comportamentos operacionais em tempo real incluindo um comportamento operacional em tempo real associado com o componente, e para categorizar o comportamento operacional em tempo real associado com o componente como normal ou anômalo com base no modelo preditivo; e um dispositivo de saída configurado para emitir uma indicação de diagnóstico de falha em resposta ao processador categorizar o comportamento de operação em tempo real como anômalo.
[058] Cláusula 13. O sistema de cláusula 12, que adicionalmente compreende: um segundo processador configurado para receber dados de treinamento que representam um conjunto de comportamentos operacionais associados respectivamente com o conjunto de componentes e para gerar o modelo preditivo com base nos dados de treinamento.
[059] Cláusula 14. O sistema de qualquer uma das cláusulas 1213, em que o conjunto de componentes inclui componentes de veículo, e em que o sistema de engenharia é um veículo.
[060] Cláusula 15. O sistema de qualquer uma das cláusulas 1214, em que o conjunto de componentes inclui componentes de aeronave, e em que o sistema de engenharia é uma aeronave.
[061] Cláusula 16. O sistema de qualquer uma das cláusulas 1215, em que o conjunto de componentes inclui um conjunto de dispositivos de entrada de usuário, um conjunto de máquinas, um conjunto de sensores de medição, ou combinações dos mesmos.
[062] Cláusula 17. um método que compreende: receber dados em tempo real que representam um conjunto de comportamentos operacionais associados em tempo real respectivamente com um conjunto de componentes que constituem um sistema de engenharia, o conjunto de comportamentos operacionais em tempo real incluindo um comportamento operacional em tempo real associado com um componente do conjunto de componentes; categorizar o comportamento operacional em tempo real associado com o componente como normal ou anômalo com base em um modelo preditivo configurado para prever um comportamento operacional normal associado com o componente com relação a outros comportamentos operacionais associados normais respectivamente com outros componentes do conjunto de componentes; e em resposta a categorizar o comportamento operacional em tempo real como anômalo, gerar uma indicação de diagnóstico de falha.
[063] Cláusula 18. O método de acordo com a cláusula 17, que adicionalmente compreende: receber dados de treinamento que representam um conjunto de comportamentos operacionais associados respectivamente com o conjunto de componentes; e gerar o modelo preditivo, com base nos dados de treinamento.
[064] Cláusula 19. O método de acordo com qualquer uma das cláusulas 17-18, em que gerar o modelo preditivo compreende treinar o modelo preditivo através de um processo supervisionado de aprendizado de máquina usando os dados de treinamento.
[065] Cláusula 20. O método de acordo com qualquer uma das cláusulas 17-19, em que o conjunto de comportamentos operacionais em tempo real inclui um conjunto de entradas de usuário, um conjunto de estados de máquina, um conjunto de medições, ou combinações dos mesmos.
[066] Ao categorizar o comportamento operacional em tempo real associado com o componente como normal ou anômalo com base em um modelo preditivo configurado para prever um comportamento operacional normal associado com o componente com relação a outros comportamentos operacionais associados normais respectivamente com outros componentes do conjunto de componentes, o método 400 pode detectar componentes degradados e/ou subsistemas no contexto de todo o sistema de engenharia, em oposição ao comportamento de um único componente. Outros benefícios podem existir.
[067] Embora vários exemplos tenham sido mostrados e descritos, a presente descrição não é tão limitada e será entendida como incluindo todas as modificações e variações que sejam aparentes para aquele versado na técnica.
Claims (14)
- Método, caracterizado pelo fato de que compreende:
receber (402) dados de treinamento (102) que representam um conjunto de comportamentos operacionais (104) associados respectivamente com um conjunto de componentes (114) que constituem um sistema de engenharia (112);
gerar (404) um modelo preditivo (138), com base nos dados de treinamento (102), configurado para prever um comportamento operacional normal (202) associado com um componente (116) do conjunto de componentes (114) com relação a outros comportamentos operacionais normais (204, 206) associados respectivamente com outros componentes (118, 120) do conjunto de componentes (114);
receber (502) dados em tempo real (310) que representam um conjunto de comportamentos operacionais em tempo real (308) associado respectivamente com o conjunto de componentes (114), o conjunto de comportamentos operacionais em tempo real (308) incluindo um comportamento operacional em tempo real (302) associado com o componente (116);
categorizar (504) o comportamento operacional em tempo real (302) associado com o componente (116) como normal ou anômalo com base no modelo preditivo (138); e
em resposta a categorizar o comportamento operacional em tempo real (302) como anômalo, gerar (506) uma indicação de diagnóstico de falha (330). - Método, de acordo com a reivindicação 1, caracterizado pelo fato de que o conjunto de componentes inclui componentes de veículo (116A-C, 118A-C, 120A-C), e em que o sistema de engenharia é um veículo (122A-C).
- Método, de acordo com qualquer uma das reivindicações 1 e 2, caracterizado pelo fato de que o conjunto de componentes inclui componentes de aeronave (116A-C, 118A-C, 120A-C), e em que o sistema de engenharia é uma aeronave (122A-C).
- Método, de acordo com qualquer uma das reivindicações 1 a 3, caracterizado pelo fato de que os dados de treinamento são recebidos a partir de múltiplas aeronaves (122A, 122B, 122C) de uma frota de aeronaves (122).
- Método, de acordo com qualquer uma das reivindicações 1 a 3, caracterizado pelo fato de que categorizar o comportamento operacional em tempo real (302) associado com o componente (116) é realizado em um processador (324) dentro de um compartimento aviônico (320) da aeronave (122A-C) enquanto a aeronave (122A-C) está em voo.
- Método, de acordo com qualquer uma das reivindicações 1 a 5, caracterizado pelo fato de que gerar o modelo preditivo (138) compreende treinar o modelo preditivo (138) através de um processo supervisionado de aprendizado de máquina (136) usando os dados de treinamento (102).
- Método, de acordo com qualquer uma das reivindicações 1 a 6, caracterizado pelo fato de que o conjunto de comportamentos operacionais (104) dos dados de treinamento (102) inclui ambos os comportamentos operacionais nominal e não nominal.
- Método, de acordo com qualquer uma das reivindicações 1 a 7, caracterizado pelo fato de que o conjunto de comportamentos operacionais em tempo real (308) inclui conjuntos de entradas do usuário, conjuntos de estados da máquina, conjuntos de medições, ou combinações dos mesmos.
- Método, de acordo com qualquer uma das reivindicações 1 a 8, caracterizado pelo fato de que adicionalmente compreende:
gerar um segundo modelo preditivo (139), com base nos dados de treinamento (102), configurado para prever um segundo comportamento operacional normal (204) associado com um segundo componente (118) do conjunto de componentes (114) com relação aos outros comportamentos operacionais (202, 206) associados
respectivamente com os outros componentes (116, 120) do conjunto de componentes (114), em que o conjunto de comportamentos operacionais em tempo real (308) inclui um segundo comportamento operacional em tempo real (304) do segundo componente (118);
categorizar o segundo comportamento operacional em tempo real (304) associado com o segundo componente (118) como normal ou anômalo; e
em resposta a categorizar o segundo comportamento operacional em tempo real (304) como anômalo, gerar a indicação de diagnóstico de falha (330). - Método, de acordo com qualquer uma das reivindicações 1 a 9, caracterizado pelo fato de que adicionalmente compreende:
analisar um padrão com base no primeiro modelo preditivo (138) e no segundo modelo preditivo (139) para permitir a identificação do componente (116), em que a indicação de diagnóstico de falha (330) identifica o componente (116). - Método, de acordo com qualquer uma das reivindicações 1 a 10, caracterizado pelo fato de que adicionalmente compreende:
enviar (508) a indicação de diagnóstico de falha (330) para um dispositivo de saída (328). - Sistema (300), caracterizado pelo fato de que compreende:
um conjunto de componentes (114) que constituem um sistema de engenharia (112) configurado para gerar dados em tempo real (310) que representam um conjunto de comportamentos operacionais em tempo real (308) associado respectivamente com o conjunto de componentes (114);
um modelo preditivo implementado por computador (138) configurado para prever um comportamento operacional normal (202) associado com um componente (116) do conjunto de componentes (114) com relação a outros comportamentos operacionais normais (204, 206) associados respectivamente com outros componentes (118, 112) do conjunto de componentes (114);
um processador (324) configurado para receber o conjunto de comportamentos operacionais em tempo real (308), o conjunto de comportamentos operacionais em tempo real (308) incluindo um comportamento operacional em tempo real (302) associado com o componente (116), e para categorizar o comportamento operacional em tempo real (302) associado com o componente (116) como normal ou anômalo com base no modelo preditivo (138); e
um dispositivo de saída (328) configurado para emitir uma indicação de diagnóstico de falha (330) em resposta ao processador (324) categorizar o comportamento de operação em tempo real (302) como anômalo. - Sistema, de acordo com a reivindicação 12, caracterizado pelo fato de que adicionalmente compreende:
um segundo processador (132) configurado para receber dados de treinamento (102) que representam um conjunto de comportamentos operacionais (106, 108, 110) associados respectivamente com o conjunto de componentes (116, 118, 120) e para gerar o modelo preditivo (138) com base nos dados de treinamento (102). - Sistema, de acordo com qualquer uma das reivindicações 12 e 13, caracterizado pelo fato de que o conjunto de componentes (114) inclui pelo menos um de:
componentes de veículo (116A-C, 118A-C, 120A-C), e em que o sistema de engenharia (112) é um veículo (122A-C);
componentes de aeronave (116A-C, 118A-C, 120A-C), e em que o sistema de engenharia (1212) é uma aeronave (122A-C); e
um conjunto de dispositivos de entrada de usuário, um conjunto de máquinas, um conjunto de sensores de medição, ou combinações dos mesmos.
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 |
---|---|
BR102020007655A2 true BR102020007655A2 (pt) | 2020-12-08 |
Family
ID=70482283
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
BR102020007655-8A BR102020007655A2 (pt) | 2019-06-06 | 2020-04-16 | Aprendizado de máquina orientado a dados para modelagem de sensores de aeronaves |
Country Status (7)
Country | Link |
---|---|
US (1) | US20200385141A1 (pt) |
EP (1) | EP3748450B1 (pt) |
JP (1) | JP2021005370A (pt) |
KR (1) | KR20200140999A (pt) |
CN (1) | CN112052714A (pt) |
AU (1) | AU2020202134A1 (pt) |
BR (1) | BR102020007655A2 (pt) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102597598B1 (ko) * | 2022-01-20 | 2023-11-01 | 아주대학교산학협력단 | 인공지능 알고리즘을 이용한 무인기의 실시간 고장진단 방법 |
EP4336295A1 (en) * | 2022-09-08 | 2024-03-13 | Hosea Precision Co., Ltd. | System and method for intelligently monitoring machine equipment |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170331844A1 (en) * | 2016-05-13 | 2017-11-16 | Sikorsky Aircraft Corporation | Systems and methods for assessing airframe health |
US10672204B2 (en) * | 2017-11-15 | 2020-06-02 | The Boeing Company | Real time streaming analytics for flight data processing |
-
2019
- 2019-06-06 US US16/433,822 patent/US20200385141A1/en not_active Abandoned
-
2020
- 2020-03-25 AU AU2020202134A patent/AU2020202134A1/en active Pending
- 2020-04-16 BR BR102020007655-8A patent/BR102020007655A2/pt unknown
- 2020-04-30 EP EP20172243.6A patent/EP3748450B1/en active Active
- 2020-05-08 CN CN202010381502.9A patent/CN112052714A/zh active Pending
- 2020-05-14 KR KR1020200057940A patent/KR20200140999A/ko active Search and Examination
- 2020-05-27 JP JP2020092347A patent/JP2021005370A/ja active Pending
Also Published As
Publication number | Publication date |
---|---|
US20200385141A1 (en) | 2020-12-10 |
AU2020202134A1 (en) | 2020-12-24 |
KR20200140999A (ko) | 2020-12-17 |
JP2021005370A (ja) | 2021-01-14 |
EP3748450B1 (en) | 2024-07-03 |
EP3748450A1 (en) | 2020-12-09 |
CN112052714A (zh) | 2020-12-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2020052147A1 (zh) | 监测设备故障检测方法及装置 | |
US12032353B2 (en) | Examining apparatus, examining method and recording medium | |
CN105474577B (zh) | 用于监测***性能和可用性的***和方法 | |
Klinkenberg et al. | Data mining-based analysis of HPC center operations | |
US11442444B2 (en) | System and method for forecasting industrial machine failures | |
KR102235728B1 (ko) | 전동차의 전기식 출입문 고장예측 장치 | |
BR102020007655A2 (pt) | Aprendizado de máquina orientado a dados para modelagem de sensores de aeronaves | |
CN110388773A (zh) | 冷水机组的故障检测方法、***及冷水机组 | |
BR112021007906A2 (pt) | sistema e método para reconhecer e prever padrões de comportamento sensoriais anômalos de uma máquina | |
KR20140036375A (ko) | 철도시스템의 지능형 고장자산관리시스템 | |
CN113692573A (zh) | 向机群中的设备分级地部署包 | |
JP2021533486A (ja) | 人工知能プログラムの実行を管理するための監視制御システム、その方法、および非一時的コンピュータ可読媒体 | |
KR20230125116A (ko) | 머신러닝 클러스터링 알고리즘과 통계적 기법을 이용해 고장 데이터가 부재한 시스템의 결함 탐지 및 고장 진단 예측 방법 | |
US7814034B2 (en) | Method and system for automatically developing a fault classification system by segregation of kernels in time series data | |
KR102437701B1 (ko) | 엘리베이터 상태의 진단 방법 | |
CN114202907A (zh) | 一种火灾报警实时分类方法及*** | |
CN114036995A (zh) | 用于探测技术***的传感器记录中的异常的方法和设备 | |
WO2020245968A1 (ja) | 異常兆候検知装置、異常兆候検知方法、及び、異常兆候検知プログラム | |
US20140297578A1 (en) | Processing a technical system | |
WO2023209774A1 (ja) | 異常診断方法、異常診断装置、および、異常診断プログラム | |
CN105814546A (zh) | 用于辅助对算法链的检验和验证的方法和*** | |
Arnez et al. | Skeptical Dynamic Dependability Management for Automated Systems | |
US11921848B2 (en) | Characterizing susceptibility of a machine-learning model to follow signal degradation and evaluating possible mitigation strategies | |
EP4276560A1 (en) | Abnormality sign detection system and abnormality-sign detection-model generation method | |
US20230188549A1 (en) | Revealing rare and anomalous events in system automation logs |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
B03A | Publication of a patent application or of a certificate of addition of invention [chapter 3.1 patent gazette] |