CN103093077A - 用于集成交通工具健康管理***的模型的方法 - Google Patents
用于集成交通工具健康管理***的模型的方法 Download PDFInfo
- Publication number
- CN103093077A CN103093077A CN201210442367XA CN201210442367A CN103093077A CN 103093077 A CN103093077 A CN 103093077A CN 201210442367X A CN201210442367X A CN 201210442367XA CN 201210442367 A CN201210442367 A CN 201210442367A CN 103093077 A CN103093077 A CN 103093077A
- Authority
- CN
- China
- Prior art keywords
- model
- variable
- data
- mixture model
- pgm
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000036541 health Effects 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000004891 communication Methods 0.000 claims abstract description 9
- 239000000203 mixture Substances 0.000 claims description 71
- 230000006870 function Effects 0.000 claims description 52
- 238000003745 diagnosis Methods 0.000 claims description 5
- 241001269238 Data Species 0.000 claims description 3
- 238000005192 partition Methods 0.000 claims description 3
- 230000015572 biosynthetic process Effects 0.000 claims description 2
- 239000010410 layer Substances 0.000 description 31
- 238000001514 detection method Methods 0.000 description 13
- 238000009826 distribution Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 11
- 238000012544 monitoring process Methods 0.000 description 10
- 230000006399 behavior Effects 0.000 description 8
- 238000005259 measurement Methods 0.000 description 8
- 238000000513 principal component analysis Methods 0.000 description 7
- 230000009471 action Effects 0.000 description 6
- 238000012423 maintenance Methods 0.000 description 6
- 239000003795 chemical substances by application Substances 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000009795 derivation Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 208000024891 symptom Diseases 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000006866 deterioration Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 230000000454 anti-cipatory effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 238000010348 incorporation Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 239000002346 layers by function Substances 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000006386 neutralization reaction Methods 0.000 description 1
- 238000006116 polymerization reaction Methods 0.000 description 1
- 230000003334 potential effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—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
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
- G07C5/0808—Diagnosing performance data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
-
- 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
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
- G07C5/0816—Indicating performance data, e.g. occurrence of a malfunction
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
- G07C5/0841—Registering performance data
- G07C5/085—Registering performance data using electronic data carriers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3055—Monitoring arrangements for monitoring the status of the computing system or of the computing system component, e.g. monitoring if the computing system is on, off, available, not available
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Optimization (AREA)
- Software Systems (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Artificial Intelligence (AREA)
- Pure & Applied Mathematics (AREA)
- Computing Systems (AREA)
- Algebra (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Small-Scale Networks (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明名称为“用于集成交通工具健康管理***的模型的方法”。一种用于集成交通工具(2)的健康管理***的功能模型的方法,其中该交通工具具有连接到通信网络(6)的多个***(4),以及该多个***(4)发送关于多个***(4)的操作数据的至少一些的原始数据和状态消息的至少其中之一以及确定交通工具(2)的健康功能。
Description
背景技术
包括飞行器的现代交通工具可包括机载维护***(OMS)或健康监测或集成的交通工具管理***(IVHM),以协助诊断或预测(预报(prognose))交通工具中的故障。这些当前健康管理***可收集多种交通工具数据并使用健康功能分析数据,健康功能是已作为可执行软件实现的健康算法。功能可用于识别任何不规则性或关于交通工具的故障和问题的其他标志。这样的***是结构化的以致他们自然地来自层,这是因为一些健康功能的输入取决于其他健康功能的输出。所有当前的***普遍失去了对更低层中的、供更高层使用的完整数据的访问,因为更低层中的很多功能仅传递结果,而不是结果基于其的数据。没有来自更低层的数据丢失,将会有益于实现健康功能。
发明内容
在一个实施例中,一种用于集成交通工具的健康管理***的功能模型的方法,所述交通工具具有连接到通信网络的多个***,以及多个***发送关于***的至少一些操作数据的原始数据和状态消息的至少其中之一,该方法包括提供多个健康模型,其中每个健康模型代表交通工具的健康功能,健康模型的至少一些具有对应于操作数据的至少一些的参数;执行健康模型来生成与对应的健康功能相关联的健康数据;从健康模型的执行形成生成的健康数据的数据库;对健康功能的至少一些,从数据库形成混合模型;对健康功能的至少一些,从混合模型生成概率图模型(PGM),以及基于所生成的PGM确定健康功能。
附图说明
在附图中:
图1是具有多个飞行器***的飞行器的示意图。
图2是在诊断***中分层的示意图。
图3是根据本发明第一实施例的PGM的示意图。
图4是根据本发明第二实施例的PGM的示意图。
图5是根据本发明第三实施例的PGM的示意图。
图6是根据本发明第四实施例的PGM的示意图。
图7是根据本发明第五实施例的PGM的示意图。
图8是根据本发明第六实施例的PGM的示意图。
图9是根据本发明第七实施例的PGM的示意图。
图10是根据本发明第八实施例的PGM的示意图。
图11是根据本发明第九实施例的PGM的示意图。
具体实施方式
图1示意性地图示了飞行器2形式的交通工具的一部分,飞行器2具有多个使飞行器2能够适当操作的飞行器构件***4和通信***6,在通信***6上,多个飞行器构件***4可彼此通信以及与飞行器健康管理(AHM)计算机8通信。将理解发明的概念可应用于具有连接到通信网络的多个***的任何交通工具,以及多个***发送关于***的至少一些操作数据的原始数据和状态消息。AHM计算机8可包括任何适合数量的独立微处理器、电源、存储设备、接口卡和其他标准组件,或者与它们相关联。AHM计算机8可从负责管理数据采集和存储的、任何数量的构件***或软件程序接收输入。AHM计算机8阐述为与多个飞行器***4通信和预期AHM计算机8可执行一个或多个健康监测功能或者作为集成的交通工具健康管理***(IVHM)的一部分以协助诊断或预测或预测飞行器2中的故障。在操作期间,多个飞行器***4可发送关于多个飞行器***4的操作数据的至少一些的状态消息,并且AHM计算机8可基于这样的数据确定飞行器2的健康功能。在操作期间,多个飞行器***4的模拟输入和模拟输出可由AHM计算机8监测以及AHM计算机8可基于这样的数据确定飞行器2的健康功能。
诊断和预报分析应用知识到这样的数据以便提取信息和值。对于IVHM应用,从数据操纵、状态检测(例如异常检测)、健康论证(reason)、预报和决策中需要一定范围的健康功能或仅仅是功能。每个功能需要编码怎样解决任务的知识的模型。推理引擎或算法之后应用这个模型到新数据来做预测。因而,IVHM***将包含与不同功能相关联的模型的许多不同类型。本文所使用的术语“IVHM”指的是要求来管理交通工具的健康的机载的和非机载的功能的收集。对于IVHM***的主要挑战是应该怎样集成模型输出以及应该怎样融合来自不同监测***的输出。如果这没有以健壮的方式完成,来自更低层功能的有价值的信息(例如数据操纵和状态检测)将在论证时丢失。同样,依靠宽范围的模型类型和功能的方法同时复杂化了非机载和机载的集成架构。可减少复杂性的方法具有价值。
当任何诊断或预报***具有在不同层内驻留的功能时,它们可被概念化。分层意味着功能执行的隐式排序,以致更高水平的功能导出更高水平的信息。一种示例是用于基于情况的维护的开放***架构(OSA-CBM)10,其在图2中示意性地示出。在图2中每个盒(box)是包含有一个或多个功能的层。由左到右的顺序示出更高层具有对更低层的从属性,以及信息等级随顺序增加而增加(随着层向右移动得更远)。让j表示某层以及j+1表示j右边的层。对于j+1具有消息的更高水平(对比于j)意味着来自j+1的输出对比来自j的输出有更大的效用(或价值)。例如,如果j是检测到异常的状态检测功能以及j+1是在找到根本原因的健康评估功能,则大部分人将接受j+1具有更高价值。尽管功能层有其顺序,但没有理由为什么功能不可以要求来自更低层功能的输出和通信可在两个方向都流动。
数据操纵层12执行任务,例如数据收集和特征提取。状态检测层14监测与期望状态相关联的当前状态或行为。像阈值监测和异常检测的功能落于状态检测层14中。健康评估层16执行诊断和检修。预报评估层***未来健康和行为将怎样恶化。咨询生成层20协助决策支持以及可包含什么可能要发生的模拟或可包含基于由成本和效益加权的可能结果的、推荐动作的选择。
关于OSA-CBM功能架构10的具体示例可证明有用以及将关于涡轮引擎的性能分析进行描述。数据操纵层12执行关于标准日条件的数据校正以及状态检测层14通过使用回归模型导出残差测量来计算监测参数的实际测量和预测值间的差异,然后用多变量状态模型来评估针对预期健康行为的性能。健康评估层16论证在异常行为上的警报和使用关于残差中的模式如何响应故障的诊断知识。预报评估层***任何恶化将在未来的飞行上怎样发展以及咨询生成层20使用检验/测试/维护动作的模型来优化推荐的动作。在飞行器上的任何***可具有其结构化到这些层内的健康管理功能。
现有健康管理***的根本弱点在于来自不同功能层的信息的集成以及由不同监测***(例如振动、润滑监测,性能监测等等)导出的信息的融合。例如,基于是否超出一些阈值,来自连续分布的输出可转换为二进制值。勉强在行为上有所不同的两个独立监测的资产可以非常不同的方式进行管理,因为当把这些输出通信到健康评估时,来自状态检测的输出已经以不恰当的方式离散化。进一步的示例是两个子***输出可作为是完全地独立的而不恰当地处理。例如,外物对引擎的损伤可导致振动的提高和性能的恶化,以及关于来自一个子***的响应的信息应该激活(inform)对来自另一个子***的响应的预期。弱点的两个类型都可以看成是关于模型集成的问题。
本发明的实施例用概率图模型(PGMs)作为对于IVHM模型集成的框架以及提供了对于从历史数据学习一定范围的PGM模型的方法。一般地,PGM使用基于图表的表示作为用于在多维空间编码复杂分布的基础。图表是联合分布的紧凑或分解表示。模型类型的示例可由PGM表示为包括:贝叶斯网络、马尔可夫模型、卡尔曼滤波器、主成分分析的概率处理、高斯和离散混合模型。简言之,混合模型学习模块实现成视为输入历史数据、配置参数和条件离散变量的集合,该集合本质上描述了模型结构。模型之后学习混合模型的集合。一旦被学习,这些混合模型集成到PGM架构里。PGM结构上的变动取决于将应用PGM的推理任务的性质。
PGM框架可提供适当的方法,其用于在不丢失来自更低层的数据的情况下,对交通工具健康管理数据和信息的集成。PGM表示在随机变量集合上的联合分布。在交通工具健康管理变量的上下文中可以是测量的参数、故障模型/故障、诊断测试、观察或检测、导出的参数等等。PGM包含由节点表示的随机变量的集合。节点可以是由多项式分布描述的离散变量或可有高斯密度描述的连续变量。图表的边界描述在变量之间的条件性关系。如果变量v1具有从v1到变量v2的链接,v1可以说是v2的母体(parent)且v2是v1的子体(child)。连续变量可具有离散母体和连续母体两者,但离散变量仅可具有离散母体。变量分布以其母体为条件。
PGM的架构指的是变量的定义和变量之间的关联。PGM的参数指的是指配给变量的概率分布,如果变量有一个或多个母体变量,其该概率分布将会是条件分布。参数可基于主观的专家意见或从历史数据导出(学习)。证据输入后进行PGM上的推理,以及结果是对独立变量的边缘分布或在两个或更多变量上的联合分布或全模型导出的输出(例如证据的可能性)。证据指的是指配值到变量。如果变量是离散变量,证据设置变量到它离散值中的其中之一,或如果使用软证据,在其离散值上指配分布。对于连续变量,证据指配值到那个变量。在PGM上的询问(query)典型地指的是设置证据和要求一个或多个变量的后面边缘还未有证据设置。询问也可要求联合分布或要求全测量(例如证据的可能性)。询问也可包含选择变量作为假设变量和测试其他模型变量在那个变量上的影响。
在机器健康管理应用中,状态检测通常指的是检测什么时候行为脱离预期行为。PGM为在IVHM中的状态检测提供有力的框架。检测到异常事件之后,推理PGM能使用PGM异常检测器的输出来隔离原因。进一步的PGM可提供预报评估和决策支持。典型的决策支持情景是基于涉嫌的故障或条件而确定执行检测或测试。另外一种情景是决定恰当的维护动作,给予机器状态以健康和可操作的角色。另外一种使用类型是用于交互式的检修,其中通过提建议模型以及提供反馈的人类操作员迭代过程。对于决策建模,PGM可使用两个额外的节点类型:表示可采取的动作的决策节点和表示那些动作的成本和效益的效用节点。
关于PGM的IVHM功能的一些具体示例可证明是有用的。计算残差值是协助根本原因分析广泛采取的方法。计算包含使用来自其他测量的值预测用于测量的预期值。之后从测量值减掉预期值以得到残差。残差提供了相对预期的偏差的测量以及因此协助识别哪个测量并没有如期望执行。虚拟感测与计算的残差是密切相关联的。想法是通过使用其他传感器测量推理其响应,去除或替代故障的物理传感器。上述任务都依赖于到模型的能力:一种变量怎样关于其他变量改变其行为。所有这些建模方法可一般地分类为回归模型。这样的回归模型可带有足够近似(导出所需精确度)地映射到PGM中。
用于建立PGM模型或执行模块推理的途径可取决于模型的功能。对于回归,在有监督的途经下,模型变量可分为输入变量和输出变量或预测器变量和预测的变量。具有证据设置的仅有变量或节点是输入变量。以及输出变量是那些将预测的变量。在没有监督的途经下,输入变量和输出变量之间并没有区别。
一种无人监督的模型的示例是无条件高斯混合模型,其具有自然映射到PGM里。线性回归模型具有以下形式的方程:
预测的变量是y以及预测器变量是x1和x2。模型参数是β0、β1、β2、β3、β4和β5。还引入噪声项?以建模由测量误差和其他未知情况引入的误差。回归方程包含在预测器变量上定义的交互作用项和二次项。
图3对于以下方程,图示了具有预测器变量32和变量Y 34的PGM 30:
要理解在预测器变量32之间的链接意味着这些预测器变量32的排序。没有什么重要性附于这个排序。即,顺序可改变,只要相应地调整参数。PGM模型30可包含方程(2)中传达的许多额外参数。这是因为PGM在全部变量间建模模拟全协方差。这些额外的参数从预测器变量32的均值和协方差导出。在变量Y34中的参数将对应于方程(2)中的参数。即使PGM包含额外的参数,它允许执行更大范围的预测。例如,y可用来作为预测器变量以及x3作为预测的变量等等。预测器变量在PGM中建模前可去相关,在这个情况下所有预测器变量是独立的且不共享链接。
如果回归模型包含交互作用项或二次项等等,在PGM模型中会有额外变量表示这些额外项的每一种。例如,用于以下方程的PGM 40可用图4中的结构来建模以及可包括预测器变量42、变量Y 44和二次项46。:
对于某些IVHM应用,预测精确度可通过使用多个回归模型提高,其中混合来自每个模型的输出或从某些输入准则中选择具体的回归模型。例如,机器的行为可取决于其正在操作的哪一种模型或阶段而变化。回归模型可提供到每个模型。用于建模多个回归模型的PGM 50在图5中示出以及其包括预测器变量52和成分变量(component variable)54。成分变量54是带有对于每个回归模型的一种状态的离散变量。PGM 50可用于混合模型,其中将结合来自多个回归的输出产生期望的预测。
数据操纵任务的另一种类型是去相关变量和/或映射输入到更低维度的空间上。例如,如果在变量间有高相关性,它可能使用减少的变量集来描述大部分数据方差。主成分分析(PCA)是用于减少或去相关输入空间的流行方法。对PCA的示例PGM模型60在图6中示出。为了清晰的目的,在图中没有示出所有的链接,以及可理解每个X变量62是连接到每个S变量64的。在这个模型中,有五个由Xi表示的X变量62,其映射到由Si表示的五个S变量64上。对于PGM模型60的参数直接地映射到从PCA导出的那些上。通过控制S变量64的数量实现纬度的减少,其中S变量64通过递减成分方差而被排序。
本发明方法的实施例可用于健康管理***的功能模型的集成以及可包括形成操作数据的至少一些的数据库、形成健康功能的至少一些的多个PGM的结构、映射PGM的至少一些的结构到混合模型学习任务、学习混合模型的至少一些、使用学习的混合模型为每个对应的PGM提供模型参数、传送通过PGM新获得的操作数据以及确定健康状态和潜在动作。
最初,可识别PGM模型的至少一些怎样映射到混合模型结构。这可包括把一种模型分解为子模型,其中根据由一个或多个离散变量指配的值识别子模型。示例包括但不限于:通过表示不同模式的离散变量的每个值将离散变量指配到不同的故障模式;指配离散变量到不同的操作状态或阶段(例如,起飞、巡航、着陆等等);指配离散变量到不同的机队或路径;指配离散变量表示时间周期(例如,分解信号到不同的阶段或分区日历到不同的时间周期内);以及指配离散变量以指示输入空间(每个测量变量是输入空间的维度)的不同分区。
形成混合模型可包括学***行化更容易的学习模型和更快学习。可使用期望最大化(EM)学习混合模型。对于某些功能,PGM参数可使用包括作为非限制性示例的标准PCA的其他方法有效地导出。同样对于某些模型类型,例如回归模型,可能有理由使用不同于混合模型学习的算法来导出参数分布。
学习混合模型可包括从与要学习的健康功能有关的数据库选择数据子集。数据库中的每一行称为箱(case)。箱可以是来自不同传感器或传感器导出的特征等等的数据采集。每个测量的变量或导出的特征将对应于箱内的一栏。要预期到在某些情况下可根据箱及其离散变量值的矢量之间的关联强度将加权(在0-1之间的值)指配到每个箱。例如,故障的症状随着时间会变得越来越显著。如果数据已经根据故障变量分区,则可根据症状有多显著或根据采集的时间与故障声明有效的点多接近而加权箱。
学习混合模型还可包括对在数据子集中的离散变量的每个指配值。混合模型学习模块可将以下各项作为输入:历史训练数据或对于模型已导出的参数的数据库,包括连续变量和离散变量的变量集,用于学习混合模型的配置参数,约束条件列表(如有),以及定义成分去除是否允许和如果允许去除时的量的参数。离散变量可进一步地分为模型学习变量,例如在导出混合模型积极参加的那些,以及用于在训练数据中识别分区的条件变量。对于在数据中的每个分区可能有独特的混合模型。因此,对于很多任务将会是导出的多个混合模型。
学习混合模型根据对离散数量指配的值可同样包括分区数据的子集。更具体地,可分区训练数据以及数据跨过不同的分区可重复和指配一种加权定义数据到分区的关联。例如,如果第一离散变量有两个值和第二离散变量有三个值,就有六个数据潜在的分区。分区指配数据到子集,其中子集由指配到离散变量的值的结合标记。可能没有数据与子集关联。分区没必要是箱到不同子集的硬指配。换句话说,箱在不同的子集中可重复。这可能出现,例如,存在关于箱是否是故障症状的不确定性,所以它可能出现在带低加权的无故障子集中和带有更高加权的故障子集中。
混合模型学习模块可将配置参数作为输入。这样的配置参数可包括宽范围的参数,其可包括但不限于:成分的数量、协方差矩阵的约束、控制训练何时终止的聚合公差(convergence tolerance)、先验、最初模型创建的数量等等。混合模型学习模块可允许成分最小数量和成分最大数量与步骤参数一起定义。这允许模块通过创建多个模型(在最小成分和最大成分之间变化)并通过定义需要多少额外的成分加到生成的下个模型中来寻求最优化模型。
如果有的话,混合模型学习模块可将约束列表作为输入。这样的约束可包括但不限于:模型间成分的共享的定向或体积或形状。约束在模型学习期间可能不会一直应用,但会在学习之后应用。
在学习期间,混合模型学习模块对于数据的每个分区可导出混合模型。分区可根据条件变量确定。混合模型学习模块对每个模型成分的条件变量可导出统计。
PGM之后可从健康功能的至少一些的混合模型中生成。这可包括将来自每个子集的混合模型映射到PGM上。PGM可包含变量、变量间的直接链接以及每个变量的参数。有许多可能的结构以及结构取决于推理任务和对每个子集是否有模型。如果对每个子集的模型存在的话,每个子集模型有单个的成分,图7的PGM 70可被使用并可包括预测器变量72和离散变量74。
图8阐述了PGM 80、预测器变量82和成分变量84。当每个子集模型有多个成分时,将引进离散的成分变量84。在子集模型中的成分并不与在其他子集模型的成分相关联。所以在成分变量84中的值的数量等于在每个子集模型中的成分数量的总和。所以对于带有2个成分、4个成分和2个成分的三个子集,成分的总数是8。在成分变量84中的值可适当地标记来识别与值相关联的是哪一种模型和成分。
图9示出了具有预测器变量92、成分变量94和根据期望设定的无条件的先验分布的离散变量或离散母体96的数据分区的PGM 90。换句话说,这个离散母体96并没有要求要有母体变量。示例是何时建模故障模型,其中变量根据代表故障的数据和不代表故障的数据来分区。先验规定了故障发生的可能性。
PGM 100在图10中示出并包括预测器变量102、成分变量104、和离散变量106,离散变量106可作为成分变量104的子体。结构化的这种形式允许在于连续变量上设定证据后计算离散变量的每个值的边际。备选地,离散变量可作为过滤器,其在推理期间可使模型或模型内的成分失去功能。如果分区生成子集,其中每个子集是不同的机器,可能通过滤除与那些健康已经确定的机器相关联的模型,从所有其他机器得到机器健康或性能的意见。例如,图11示出了PGM 110,其包括预测器变量112、成分变量114、离散变量116,离散变量116可作为成分变量114的子体。其中当每个离散变量116对于它的值的每一种有二进制子体118时促进了过滤。二进制子体118可有真和假的值,以及如果与值相关联的模型成分从推理任务中去除的话,证据将设定为假。
预期到每个混合模型的成分可孤立地学***衡使整个***可管理。模型结构的复杂性将降低以及推理能力由集成更小和更简单的结构化模型而维持。
以上所描述的实施例提供了很多好处,包括他们将传统上通过自主和孤立的算法解决的、一定范围的功能映射到单个理论框架。对于很多功能,这个框架产生和原始实现精确相同的输出。具有相同理论框架内的功能的优点是集成更容易以及当数据在功能间传递时,有助于最大化重要消息的保留。没有这种方法类型,集成变得更特别(ad hoc)以及不可避免地导致信息的丢失,因为来自一种功能的输出不会一直容易地映射到另外一种功能。进一步地,以上描述的实施例提供了标准化的框架,其将相同的表现形式给予到一定范围的功能,意味着将建造更复杂的模型以及将知识编码在一个地方。本质上,以上的实施例允许IVHM具有提高的能力以及简化的分析集成架构。这导致验证的时间和努力的减少以及减少了持续的维护成本。
本书面描述使用示例来公开包括最佳模型的本发明,并还使本领域技术人员能实践本发明,包括制作和使用任何设备或***及执行任何结合的方法。本发明可取得专利的范围由权利要求定义,且可包括本领域技术人员想到的其它示例。如果此类其它示例具有与权利要求字面语言无不同的结构要素,或者如果它们包括与权利要求字面语言无实质不同的等效结构要素,则它们规定为在权利要求的范围之内。
部件表
2 飞行器
4 飞行器构件***
6 通信***
8 飞行器健康管理(AHM)计算机
10 用于基于情况的维护的开放***架构(OSA-CBM)
12 数据操纵层
14 状态检测层
16 健康评估层
18 预报评估层
20 咨询生成层
30 PGM
32 预测器变量
34 变量Y
40 PGM
42 预测器变量
44 变量Y
46 二次项
50 PGM
52 预测器变量
54 成分变量
60 PGM模型
62 X变量
64 S变量
70 PGM
72 预测器变量
74 离散变量
80 PGM
82 预测器变量
84 成分变量
90 PGM
92 预测器变量
94 成分变量
96 离散母体
100 PGM
102 预测器变量
104 成分变量
106 离散变量
110 PGM
112 预测器变量
114 成分变量
116 离散变量
118 二进制子体。
Claims (14)
1. 一种用于集成交通工具的健康管理***的功能模型的方法,所述交通工具具有连接到通信网络的多个***,以及所述多个***发送关于***的至少一些操作数据的原始数据和状态消息的至少其中之一,所述方法包含:
提供多个健康模型,其中每个健康模型代表所述交通工具的健康功能,其中所述健康模型中的至少一些具有对应于所述操作数据中的至少一些的参数;
执行所述健康模型,以生成与所对应的健康功能相关联的健康数据;
由所述健康模型的所述执行形成所生成的健康数据的数据库;
对所述健康功能中的至少一些、从所述数据库形成混合模型;
对所述健康功能中的所述至少一些、从所述混合模型生成概率图模型(PGM);以及
基于所生成的PGM确定健康功能。
2. 如权利要求1所述的方法,其中所述形成所述混合模型包含从数据库学习所述混合模型。
3. 如权利要求2所述的方法,其中学习所述混合模型包含从所述数据库选择与要学习的所述健康功能有关的数据的子集。
4. 如权利要求3所述的方法,其中学习所述混合模型包含在数据的所述子集中指配每个离散变量的值。
5. 如权利要求4所述的方法,其中学习所述混合模型进一步地包含根据对于所述离散变量的、所指配的值,分区数据的所述子集。
6. 如权利要求4所述的方法,其中学习所述混合模型包含学习每个分区的混合模型。
7. 如权利要求4所述的方法,其中学习所述混合模型进一步地包含从数据的所述子集选择所述连续的变量。
8. 如权利要求7所述的方法,其中学习所述混合模型进一步地包含在所述连续变量之间设置约束。
9. 如权利要求8所述的方法,其中学习所述混合模型进一步地包含为数据的所述子集训练所述混合模型。
10. 如权利要求9所述的方法,其中生成所述PGM包含将所述混合模型从数据的所述子集映射到所述PGM。
11. 如权利要求1所述的方法,其中在来自与所述对应健康功能相关联的、来自所述数据库的离散参数和连续参数上形成所述混合模型。
12. 如权利要求11所述的方法,其中从所述对应的健康模块的结构中至少部分地解耦所述PGM。
13. 如权利要求12所述的方法,其中所述健康功能的所述确定包含诊断确定和预报确定的至少其中之一。
14. 一种本文描述的方法,其参考了附图。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
GB1119241.6A GB2496386A (en) | 2011-11-08 | 2011-11-08 | Method for integrating models of a vehicle health management system |
GB1119241.6 | 2011-11-08 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103093077A true CN103093077A (zh) | 2013-05-08 |
Family
ID=45421428
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210442367XA Pending CN103093077A (zh) | 2011-11-08 | 2012-11-08 | 用于集成交通工具健康管理***的模型的方法 |
Country Status (7)
Country | Link |
---|---|
US (1) | US20130116996A1 (zh) |
JP (1) | JP2013100083A (zh) |
CN (1) | CN103093077A (zh) |
CA (1) | CA2794520A1 (zh) |
DE (1) | DE102012110710A1 (zh) |
FR (1) | FR2982391B1 (zh) |
GB (1) | GB2496386A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106516159A (zh) * | 2016-12-09 | 2017-03-22 | 中电科航空电子有限公司 | Acars机载***及其故障诊断与健康管理方法 |
CN110174106A (zh) * | 2019-04-01 | 2019-08-27 | 香港理工大学深圳研究院 | 一种基于pm2.5的健康步行路径规划方法及终端设备 |
CN112836713A (zh) * | 2021-03-12 | 2021-05-25 | 南京大学 | 基于图像无锚框检测的中尺度对流***识别与追踪方法 |
Families Citing this family (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2494487B (en) * | 2012-04-16 | 2013-11-27 | Flight Data Services Ltd | Flight data validation apparatus and method |
WO2015060848A1 (en) | 2013-10-24 | 2015-04-30 | Ge Aviation Systems Llc | Health management unit and method for monitoring health information and transmitting information from the aircraft |
WO2015063435A1 (en) * | 2013-10-30 | 2015-05-07 | Ge Aviation Systems Limited | Method of regression for change detection |
WO2015079192A1 (en) | 2013-11-29 | 2015-06-04 | Ge Aviation Systems Limited | Method of construction of anomaly models from abnormal data |
GB2522926A (en) * | 2014-02-11 | 2015-08-12 | Ge Aviat Systems Ltd | Method of identifying anomalies |
US20150317337A1 (en) * | 2014-05-05 | 2015-11-05 | General Electric Company | Systems and Methods for Identifying and Driving Actionable Insights from Data |
GB2529637B (en) * | 2014-08-26 | 2017-07-05 | Ge Aviat Systems Ltd | System for building and deploying inference model |
US10626748B2 (en) * | 2014-12-08 | 2020-04-21 | General Electric Company | System and method for predicting and managing life consumption of gas turbine parts |
GB2546250B (en) | 2016-01-06 | 2020-06-17 | Ge Aviation Systems Taleris Ltd | Automated fusion and analysis of multiple sources of aircraft data |
US10373405B2 (en) | 2016-09-23 | 2019-08-06 | International Business Machines Corporation | Vehicle generated data |
US10977397B2 (en) | 2017-03-10 | 2021-04-13 | Altair Engineering, Inc. | Optimization of prototype and machine design within a 3D fluid modeling environment |
US10867085B2 (en) * | 2017-03-10 | 2020-12-15 | General Electric Company | Systems and methods for overlaying and integrating computer aided design (CAD) drawings with fluid models |
US10803211B2 (en) * | 2017-03-10 | 2020-10-13 | General Electric Company | Multiple fluid model tool for interdisciplinary fluid modeling |
US11004568B2 (en) | 2017-03-10 | 2021-05-11 | Altair Engineering, Inc. | Systems and methods for multi-dimensional fluid modeling of an organism or organ |
US10409950B2 (en) | 2017-03-10 | 2019-09-10 | General Electric Company | Systems and methods for utilizing a 3D CAD point-cloud to automatically create a fluid model |
CN108009378B (zh) * | 2017-12-22 | 2019-02-12 | 南京航空航天大学 | 基于均匀初始化gmm的导波hmm的结构时变损伤评估方法 |
CN108762228B (zh) * | 2018-05-25 | 2020-08-04 | 江南大学 | 一种基于分布式pca的多工况故障监测方法 |
EP3628564A1 (en) * | 2018-09-26 | 2020-04-01 | Siemens Mobility GmbH | Method for analysing conditions of technical components |
CN109523027B (zh) * | 2018-10-22 | 2021-01-05 | 新智数字科技有限公司 | 一种基于贝叶斯网络的锅炉运行数据监测方法和装置 |
US11768129B2 (en) | 2019-05-13 | 2023-09-26 | Volvo Car Corporation | Machine-learning based vehicle diagnostics and maintenance |
DE102021200393A1 (de) | 2021-01-18 | 2022-07-21 | Robert Bosch Gesellschaft mit beschränkter Haftung | Verfahren zur Diagnose von Fehlern eines elektrisch angetriebenen Fahrzeugs mit elektrischem Antriebsstrang |
CN115071999A (zh) | 2022-05-18 | 2022-09-20 | 浙江工商大学 | 飞机起落架安全性诊断方法和装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080312783A1 (en) * | 2007-06-12 | 2008-12-18 | The Boeing Company | Systems and Methods for Health Monitoring of Complex Systems |
US20110022411A1 (en) * | 2008-03-19 | 2011-01-27 | Telefonaktiebolaget Lm Ericsson (Publ) | NFC Communications for Implanted Medical Data Acquisition Devices |
CN102221365A (zh) * | 2010-04-19 | 2011-10-19 | 霍尼韦尔国际公司 | 用于确定惯性导航***故障的***和方法 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020059075A1 (en) * | 2000-05-01 | 2002-05-16 | Schick Louis A. | Method and system for managing a land-based vehicle |
US6907416B2 (en) * | 2001-06-04 | 2005-06-14 | Honeywell International Inc. | Adaptive knowledge management system for vehicle trend monitoring, health management and preventive maintenance |
US7027953B2 (en) * | 2002-12-30 | 2006-04-11 | Rsl Electronics Ltd. | Method and system for diagnostics and prognostics of a mechanical system |
DE10307342B4 (de) * | 2003-02-21 | 2005-08-11 | Volkswagen Ag | Vorrichtung und Verfahren zur modellbasierten On-Board-Diagnose |
US20040176887A1 (en) * | 2003-03-04 | 2004-09-09 | Arinc Incorporated | Aircraft condition analysis and management system |
US7383238B1 (en) * | 2004-02-24 | 2008-06-03 | The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration | Inductive monitoring system constructed from nominal system data and its use in real-time system monitoring |
US20080040152A1 (en) * | 2006-08-10 | 2008-02-14 | The Boeing Company | Systems and Methods for Health Management of Single or Multi-Platform Systems |
GB2450241B (en) * | 2007-06-12 | 2011-12-28 | Boeing Co | Systems and methods for health monitoring of complex systems |
US8521659B2 (en) * | 2008-08-14 | 2013-08-27 | The United States Of America, As Represented By The Secretary Of The Navy | Systems and methods of discovering mixtures of models within data and probabilistic classification of data according to the model mixture |
US20100222897A1 (en) * | 2009-03-02 | 2010-09-02 | Toyota Motor Engineering & Manufacturing North America, Inc. | Distributed fault diagnosis |
US20100257838A1 (en) * | 2009-04-09 | 2010-10-14 | General Electric Company | Model based health monitoring of aeroderivatives, robust to sensor failure and profiling |
US8843348B2 (en) * | 2011-06-14 | 2014-09-23 | Hamilton Sundstrand Corporation | Engine noise monitoring as engine health management tool |
-
2011
- 2011-11-08 GB GB1119241.6A patent/GB2496386A/en not_active Withdrawn
-
2012
- 2012-01-31 US US13/362,666 patent/US20130116996A1/en not_active Abandoned
- 2012-10-30 FR FR1260362A patent/FR2982391B1/fr not_active Expired - Fee Related
- 2012-11-01 JP JP2012241432A patent/JP2013100083A/ja active Pending
- 2012-11-01 CA CA2794520A patent/CA2794520A1/en not_active Abandoned
- 2012-11-08 DE DE102012110710A patent/DE102012110710A1/de not_active Withdrawn
- 2012-11-08 CN CN201210442367XA patent/CN103093077A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080312783A1 (en) * | 2007-06-12 | 2008-12-18 | The Boeing Company | Systems and Methods for Health Monitoring of Complex Systems |
US20110022411A1 (en) * | 2008-03-19 | 2011-01-27 | Telefonaktiebolaget Lm Ericsson (Publ) | NFC Communications for Implanted Medical Data Acquisition Devices |
CN102221365A (zh) * | 2010-04-19 | 2011-10-19 | 霍尼韦尔国际公司 | 用于确定惯性导航***故障的***和方法 |
Non-Patent Citations (1)
Title |
---|
HELGE LANGSETH: "Bayesian networks in reliability", 《RELIABILITY ENGINEERING AND SYSTEM SAFETY》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106516159A (zh) * | 2016-12-09 | 2017-03-22 | 中电科航空电子有限公司 | Acars机载***及其故障诊断与健康管理方法 |
CN110174106A (zh) * | 2019-04-01 | 2019-08-27 | 香港理工大学深圳研究院 | 一种基于pm2.5的健康步行路径规划方法及终端设备 |
CN112836713A (zh) * | 2021-03-12 | 2021-05-25 | 南京大学 | 基于图像无锚框检测的中尺度对流***识别与追踪方法 |
Also Published As
Publication number | Publication date |
---|---|
GB201119241D0 (en) | 2011-12-21 |
FR2982391A1 (fr) | 2013-05-10 |
GB2496386A (en) | 2013-05-15 |
JP2013100083A (ja) | 2013-05-23 |
FR2982391B1 (fr) | 2014-03-07 |
DE102012110710A1 (de) | 2013-05-08 |
US20130116996A1 (en) | 2013-05-09 |
CA2794520A1 (en) | 2013-05-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103093077A (zh) | 用于集成交通工具健康管理***的模型的方法 | |
Aizpurua et al. | Supporting group maintenance through prognostics-enhanced dynamic dependability prediction | |
Raz et al. | System architecting and design space characterization | |
CN112381320A (zh) | 一种社区人员流量预测方法、***、存储介质及设备 | |
Lenkov et al. | Features of modeling failures of recoverable complex technical objects with a hierarchical constructive structure | |
Freyman et al. | Application of fuzzy logic for decoding and evaluation of results within the process of information system components diagnosis | |
Zeng et al. | Dependent failure behavior modeling for risk and reliability: A systematic and critical literature review | |
Xiahou et al. | Measuring conflicts of multisource imprecise information in multistate system reliability assessment | |
Kim et al. | Inspection schedule for prognostics with uncertainty management | |
Simidjievski et al. | Equation discovery for nonlinear system identification | |
Goebel et al. | Introduction to prognostics | |
González et al. | Assessment method of the multicomponent systems future ability to achieve productive tasks from local prognoses | |
Peng et al. | Health indicator construction based on multisensors for intelligent remaining useful life prediction: A reinforcement learning approach | |
Raman et al. | An Approach for formal verification of machine learning based complex systems | |
Bartram | System health diagnosis and prognosis using dynamic Bayesian networks | |
Chiachío et al. | Integration of prognostics at a system level: A Petri net approach | |
Zaliskyi et al. | Analysis and optimization of diagnostic procedures for aviation radioelectronic equipment | |
Yang et al. | On investigation of the Bayesian anomaly in multiple imprecise dependent information aggregation for system reliability evaluation | |
Salas-Rodríguez et al. | Agent-Based Modeling for Evaluation of Transportation Mode Selection in the State of Guanajuato, Mexico | |
Lee | A fault diagnosis technique for complex systems using Bayesian data analysis | |
Conroy et al. | Applications of artificial intelligence and decision-making methods in PHM | |
EP4102414A1 (en) | Computer implemented method for controlling a classification made by a graph neural network, control unit and computer program product | |
Kamariotis | Decision support with health monitoring for deteriorating engineering systems | |
Glodek et al. | Model Goodness of Fit for Virtual Commissioning Purposes Based on Fuzzy-inference System | |
Reba et al. | Acquiring Process Knowledge in Hybrid Planning Domains using Machine Learning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20130508 |