CN109783461B - 用于飞行器的数据流分析的方法和飞行数据处理*** - Google Patents
用于飞行器的数据流分析的方法和飞行数据处理*** Download PDFInfo
- Publication number
- CN109783461B CN109783461B CN201811266012.3A CN201811266012A CN109783461B CN 109783461 B CN109783461 B CN 109783461B CN 201811266012 A CN201811266012 A CN 201811266012A CN 109783461 B CN109783461 B CN 109783461B
- Authority
- CN
- China
- Prior art keywords
- data
- aircraft
- flight
- stream
- fault
- 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.)
- Active
Links
Classifications
-
- 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
- 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
- G07C5/0816—Indicating performance data, e.g. occurrence of a malfunction
- G07C5/0825—Indicating performance data, e.g. occurrence of a malfunction using optical means
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L65/00—Network arrangements, protocols or services for supporting real-time applications in data packet communication
- H04L65/60—Network streaming of media packets
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/45—Nc applications
- G05B2219/45071—Aircraft, airplane, ship cleaning manipulator, paint stripping
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Automation & Control Theory (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Traffic Control Systems (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开涉及用于飞行器的数据流分析的方法和飞行数据处理***,具体涉及用于飞行数据处理的实时串流分析。示例方法包括以下步骤:接收多个数据流,所述多个数据流是对于表示飞行器的操作状况的多个参数中的相应参数而获取的;选择与相应的多个参数中的至少一个参数对应的至少一个数据流;从所述至少一个数据流选择一部分数据;将一部分数据与基于历史数据的对于所述至少一个参数确定的模型进行比较;基于比较来确定在飞行器的操作期间发生了故障或可能发生故障;以及发送表示已发生故障或发生故障可能性的飞行器健康监测信息。
Description
技术领域
本公开总体涉及用于飞行数据处理的实时串流分析(real time streaminganalytics)。
背景技术
交通工具健康管理***可以用于监测交通工具(诸如飞行器、航天器、地面交通工具、船只或其他机械)的操作健康。示例交通工具健康管理***包括数据处理***和一个或更多个传感器。传感器可以与交通工具集成,或以其他方式被配置为生成与交通工具的操作状况有关的数据。数据处理***可以被配置为从传感器接收数据并处理数据,以确定整个交通工具或一个或更多个特定交通工具部件的当前状态或健康,以预测交通工具的将来状态,并且可能基于数据的处理来执行或触发其他动作。
交通工具可以包含如下数据处理***,其用于实时接收并处理传感器数据,和/或用于存储传感器数据以便离线处理(诸如在交通工具维护操作期间)。在一个示例中,飞行器可以包括各种传感器,这些传感器用于收集与发动机的操作状况、安全***、液面、气候控制***、流量阀状态等有关的数据。在该示例中,飞行器还包括如下数据处理***,其用于处理传感器数据,并诸如通过启动到期维护通知或通过提供其他警告来向用户通知交通工具的操作状况。
在另一个示例中,交通工具管理***监测许多交通工具的群(fleet)(诸如飞行器的群)的健康。在该示例中,各飞行器可以包括大量传感器,诸如声学传感器、环境传感器、加速计、应力/张力传感器、压力传感器等,并且各传感器可以被配置为连续、间歇或定期地收集与飞行器有关的数据。同样在上述示例中,各飞行器可以包括如下数据处理***,其用于实时接收并处理来自传感器的数据,以辅助飞行器的操作或评定飞行器的操作健康。
各飞行器的数据处理***可以被配置为连续向数据处理***通信传感器数据。通常,数据处理***从交通工具的群接收大量数据。大量数据在以下方面提出挑战:实时有效处理数据,以提供有用且及时的健康状态信息,以帮助将飞行器的群的健康作为一个整体来管理。
由此,期望对现有***改进或至少提供帮助使得交通工具健康管理***在数据处理方面更高效且更快的一个或更多个有用另选方案,并且改进关于一个或更多个交通工具的健康状态的实时情报。
发明内容
本公开描述了与用于飞行数据处理的实时串流分析有关的实施方式。
在一个方面中,本公开描述了一种用于飞行器的数据流分析的由计算装置实施的方法。该方法包括以下步骤:(i)接收多个数据流,所述多个数据流是对于表示飞行器的操作状况的多个参数中的相应参数而获取的,其中,飞行器被配置为在不同飞行模式下操作,各飞行模式与相应的操作规则集合相关联;(ii)从多个数据流选择与相应的多个参数中的至少一个参数对应的至少一个数据流;(iii)从至少一个数据流选择一部分数据,其中,基于在获取所述一部分数据时飞行器的飞行模式选择所述一部分数据;(iv)将所述一部分数据与基于历史数据的对于至少一个参数确定的模型进行比较;(v)基于比较来确定在飞行器的操作期间发生了故障或可能发生故障;以及(vi)发送表示已发生故障或发生故障可能性的飞行器健康监测信息。
在另一个方面中,本公开描述了一种飞行数据处理***。飞行数据处理***包括飞行数据转换计算装置,该飞行数据转换计算装置具有一个或更多个处理器,该一个或更多个处理器被配置为:(i)从飞行数据仓库接收对于表示飞行器的操作状况的多个参数中的相应参数获取的多个数据流的原始的时间间隔的数据点,其中,飞行器被配置为在不同飞行模式下操作,各飞行模式与相应的操作规则集合相关联;并且(ii)将多个数据流的原始的时间间隔的数据点转换成表示多个参数随时间的变化的测量。飞行数据处理***还包括数据库,该数据库与飞行数据转换计算装置通信,并且被配置为存储由飞行数据转换计算装置生成的已转换的多个数据流。飞行数据处理***还包括串流分析模块,该串流分析模块与飞行数据转换计算装置或数据库通信,其中,串流分析模块包括:一个或更多个处理器;和存储器,在该存储器上存储指令,在由一个或更多个处理器执行时,这些指令使得串流分析模块执行如下操作,这些操作包括:(i)从已转换的多个数据流选择与相应的多个参数中的至少一个参数对应的至少一个数据流;(ii)从至少一个数据流选择一部分数据,其中,基于在获取一部分数据时飞行器的飞行模式选择所述一部分数据;(iii)将所述一部分数据与基于历史数据的对于至少一个参数确定的模型进行比较;(iv)基于比较来确定故障在飞行器的操作期间已经发生或可能发生;以及(v)发送表示已发生故障或发生故障可能性的飞行器健康监测信息。
在又一个方面中,本公开描述了一种非暂时性计算机可读介质,在该非暂时性计算机可读介质内存储有指令,这些指令响应于由用于飞行器的数据流分析的计算装置执行而使得计算装置执行如下操作,这些操作包括:(I)接收对于表示飞行器的操作状况的多个参数中的相应参数获取的多个数据流,其中,飞行器被配置为在不同飞行模式下操作,各飞行模式与相应的操作规则集合相关联;(ii)从多个数据流选择与相应的多个参数中的至少一个参数对应的至少一个数据流;(iii)从至少一个数据流选择一部分数据,其中,基于在获取所述一部分数据飞行器的飞行模式选择所述一部分数据;(iv)将所述一部分数据与基于历史数据的对于至少一个参数确定的模型进行比较;(v)基于比较来确定故障在飞行器的操作期间已经发生或可能发生;以及(vi)发送表示已发生故障或发生故障可能性的飞行器健康监测信息。
前述发明内容仅是例示性的,并且不旨在以任何方式限制。除了以上所描述的例示性方面、实施方式以及特征之外,另外方面、实施方式以及特征将参照附图和以下具体实施方式而变得明显。
附图说明
所附权利要求中阐述了被认为是例示性实施方式的特性的新型特征。然而,在连同附图一起阅读时,例示性实施方式及其优选的使用模式、另外的目的及其描述将参照本公开的例示性实施方式的以下具体实施方式来最好地理解,附图中:
图1例示了根据示例实施方案的飞行数据处理***的框图。
图2例示了根据示例实施方案的、图1所示的框图的延续性。
图3例示了根据示例实施方案的飞行数据处理***的处理流程。
图4例示了根据示例实施方案的流量控制阀的分类树。
图5例示了根据示例实施方案的计算装置。
图6是根据示例实施方案的用于飞行数据处理的方法的流程图。
图7是根据示例实施方案的用于与图6的方法一起使用的方法的流程图。
图8是根据示例实施方案的用于与图6的方法一起使用的方法的流程图。
图9是根据示例实施方案的用于与图6的方法一起使用的方法的流程图。
图10是根据示例实施方案的用于与图6的方法一起使用的方法的流程图。
图11是根据示例实施方案的用于与图6的方法一起使用的方法的流程图。
图12是根据示例实施方案的用于与图6的方法一起使用的方法的流程图。
图13是根据示例实施方案的用于与图6的方法一起使用的方法的流程图。
具体实施方式
以下具体实施方式参照附图描述了所公开***和方法的各种特征和功能。此处所描述的例示性***和方法实施方式不意指进行限制。可以容易地理解:所公开***和方法的特定方面可以在种种不同的配置中设置并组合,此处预期全部的配置。
进一步地,除非上下文另外提出,否则在各个附图中例示的特征可以彼此组合地使用。由此,附图通常应被视为一个或更多个整体实施方案的组成方面,应理解不是所有所例示的特征对于各实施方案是必要的。
另外,本说明书或权利要求中的元件、块或步骤的任意列举用于清楚解释的目的。由此,这种列举不应被解释为需要或暗示这些元件、块或步骤依附特定结构或按特定顺序来进行。
通过术语“大致”,意指所列举的特性、参数或值不需要确切实现,而是意指偏差或差异(例如包括公差、测量误差、测量准确度限制以及为本领域技术人员已知的其他因子)可以在不排除特性旨在提供的效果的含义上发生。
在示例内,公开了用于飞行数据处理的实时串流分析的创新方法和***。如此处所用的,实时处理涉及描述经受“实时约束”(例如,从事件到***响应)的硬件和软件***的实时计算或无功计算(reactive computing)。实时程序在所指定的时间约束内响应。例如,实时响应可以为毫秒且有时为微秒的顺序。实时***可以为通过以下方式控制环境的***:接收数据,处理它们,并且快至足以在此时影响环境地返回结果。
此处所公开的方法和***可以对于有效且及时地处理以高容量、高速和/或在来自许多不同源的不同类型范围内接收的大数据集是特别有用的。常用的硬件和软件工具可能不能在可容许的时间范围内从大量数据(比如,在从几太字节(terabyte)到数十拍字节或更多数据的范围内)捕捉、处理并提取有用的信息。除了处理大数据集之外,此处所公开的方法和***还可以用于有效地处理较小的数据集。
为了例示性目的,关于被配置为处理从飞行器或存储对于飞行器捕捉的信息的数据库接收的数据的健康管理***描述特征、操作以及其他方面。然而,此处所公开的特征和功能还可以适用于其他类型的交通工具、机械以及装置,并且适用于其他类型的数据。
通常,健康管理***的使用可以具有各种益处。例如,健康管理***可以能够识别飞行器部件的故障或异常或低效性能,并且在微小的问题发展成大修和增加的飞行器停机时间之前,采取智能的校正和修理行动。健康管理***还可以能够识别飞行器部件的高效或可接受性能,并且成本有效地调度维护操作。因此,健康管理***可以用于减少飞行器停用以便维护和修理的时间。
示例飞行数据处理***可以每天对于数千飞行和航段从若干航空公司接收数据,并且可以以高频率获取数据。因此,飞行数据处理***可以接收大量数据来处理,并且确定特定飞行器的健康。
此处所公开的是,用于允许飞行数据处理***处理这种大量和频率的数据并进行飞行器状况的有效评定的***和方法。具体地,此处所公开的飞行数据处理***和方法可以促进提供对飞行器性能和行为的更快、及时且自动化的洞悉。
图1和图2例示了根据示例实施方案的飞行数据处理***100的框图。飞行数据处理***100或其部分可以机载在飞行器102上或可以位于远程位置处,并用数据链路的方式与飞行器102通信。数据链路涉及为了发送和接收数字信息的目的而将一个位置连接到另一个的通信链路。数据链路还可以涉及电子组件的集合,电子部件包括发送器和接收器(两个数据终端设备)以及互连数据电信电路。这些部件可以基于使得数字数据能够从数据源转移到数据接收器的链路协议来操作。
机载在飞行器102上的飞行器***和传感器收集用于表示飞行器102的状况或健康的参数的数据。参数可以包括:例如流体的温度、速度、阀门状况、液压或气动***中的流率和/或压力、飞行器102的电***中的不同节点处的电压和电流等。这些参数中的每一个可以具有示出相应参数的值及其随着时间的变化的对应数据流。参数例如可以基于参数的性质和它多么频繁地变化,来以特定频率采样.
飞行数据处理***100可以包括二进制飞行数据模块104,该二进制飞行数据模块104被配置为从飞行器102以二进制或其他格式接收该数据。二进制飞行数据模块104可以对于不同的飞行、航段或尾部从数百或数千飞行器接收用于数千参数的数据。由此,二进制格式提供了一种存储这种大量数据的有效方式。
飞行数据处理***100可以包括飞行数据转换模块106,该飞行数据转换模块106被配置为将数据从二进制格式翻译或转换成,例如促进以有效且有意义的方式处理数据的工程单位的传感器测量。例如,用于特定阀的流率参数的二进制格式,可以从二进制数字转换成单位为立方英尺或英寸每秒的值。
飞行数据转换模块106可以包括若干子模块,所述若干子模块处理以二进制格式接收的数据,直到转换成工程单位为止。例如,飞行数据转换模块106可以包括输入文件处理/文件管理模块108,该输入文件处理/文件管理模块108被配置为接收、处理并准备从二进制飞行数据模块104接收的数据。二进制原始到二进制标准转换模块110从输入文件处理/文件管理模块108接收原始二进制数据,并将数据流的二进制原始数据转换成标准二进制格式。二进制标准到二进制中间转换模块112将标准二进制格式的数据转换成二进制中间格式。
第一翻译模块114与二进制标准到二进制中间转换模块112通信,并且被配置为将数据从二进制中间格式翻译或转换成支持操作段解析(operational segment parsing)以促进随后处理(即,支持给出输入数据的结构表示的、诸如解析树、句法树或其他层次结构的数据结构的随后建立)的格式。后中间二进制数据处理模块116还处理由第一翻译模块114生成的数据,以为由第二翻译模块118进行的第二翻译准备数据,该第二翻译模块被配置为生成导出参数值(例如,将曲线拟合到在数据的特定段中的参数值并从所拟合的曲线提取所导出的参数)。然后,第三翻译模块120接收由第二翻译模块118生成的已转换数据,并且生成为促进数据的存储、处理以及分析的格式的数据。
然后,数据仓库(DW)122接收由第三翻译模块120生成的数据。DW 122可以包括关系数据库124,该关系数据库124被设计为用于查询和分析,并且可以合并来自若干源的数据。关系数据库124可以存储并管理从第三翻译模块120接收的数据。关系数据库124可以分布在若干服务器和节点之间,以增加可以存储的数据量,并且关系数据库124可以被配置为将工作负荷散布在服务器之间。
在示例中,除了从第三翻译模块120接收的数据之外,关系数据库124还可以包括其他现场报告、手册维护、或历史上对于诸如飞行器102的飞行器的各种部件收集的其他数据。在示例中,关系数据库124可以被配置为,具有跟踪非结构化数据(诸如文字处理器文档)和半结构化数据(诸如电子表格)的文本分析。这样,关系数据库124可以被配置为处理以各种格式接收的数据。关系数据库124还可以被配置为具有提取、传输、变换以及加载(ETL)解决方案能力、在线分析处理(OLAP)以及数据挖掘能力、客户端分析工具、以及管理收集数据并将其递送以便由飞行数据处理***100的其他模块进一步处理的处理的其他应用。
在示例中,DW 122还可以包括Hadoop分布式文件***(HDFS)126。HDFS 126可以包括分布式、可缩放以及便携式文件***,该文件***正常可以具有单个名称节点加一群数据节点。各数据节点可以使用特定于HDFS 126的块协议来提出网络上的数据的块。HDFS126的文件***例如可以将TCP/IP套接字用于通信,并且客户端可以被配置为使用远程过程调用(RPC)来在彼此之间通信。
HDFS 126可以被配置为跨多个机器存储大数据文件(通常在吉字节到太字节的范围内)。该布置通过复制跨多个主机的数据而实现可靠性。数据节点可以与彼此对话,以平衡数据、在周围移动副本、并且保持数据复制性高。HDFS 126可以被设计为,用于跨各种硬件平台的可携性和与各种基础操作***的兼容性。
HDFS 126可以将从第三翻译模块120接收的已转换数据流组织成并行文件***,该并行文件***促进数据的并行处理,而不是串行地处理数据。这样,数据可以实时或接近实时地来处理,并且促进进行飞行器102的状况的及时评定。
DW 122由此随时间而存储并维持数据。随着时间过去,更旧的数据可以充当:可以帮助如接着描述的建立健康飞行器的行为的模型的历史数据。
飞行数据处理***100还可以包括模型建立器128,该模型建立器128包括历史数据处理计算装置。模型建立器128可以被配置为提供框架,该框架用于使数据科学家成整体,以观看并分析历史数据且创建健康管理模型。模型建立器128可以生成用于与飞行器102相关联的各种参数的模型,该模型例如表示这些各种参数对于健康飞行器随时间应如何变化。这些模型由此可以充当基准,可以将从飞行器102接收的当前所接收数据(实时数据)与该基准进行比较,以确定飞行器102的状态。
模型建立器128可以包括操作数据存储(ODS)130,该操作数据存储130被配置为访问在DW 122中存储的历史数据和由飞行器102生成的实时数据这两者。具体地,模型建立器128可以包括过滤和控制模块132,该过滤和控制模块132被配置为查询DW 122,以获得特定数据,以分析并建立用于特定飞行器***问题的模型。进一步地,二进制飞行数据模块104还可以直接向翻译或转换模块134发送从飞行器102接收的实时数据,该翻译或转换模块将二进制数据转换成可以由ODS 130使用的另一种格式,诸如如由块136所示的ASCII工程单位模式。ODS 130还可以访问维护信息138(例如,消息、报告、手册等)和转换键块140,该转换键块140用于将二进制数据拆开为对应的工程单位。
分析软件142可以运行在与模型建立器128相关联的计算装置(例如,服务器)上。分析软件142提供交互环境,以提取、观看、操纵、变换并可视化飞行器***数据以及内置实用程序,以创建最终配置并部署在串流处理环境中的分析模型。分析软件142可以被配置为基于在ODS 130中存储的数据来生成模型。作为用于例示的示例,数据可以包括穿过飞行器102上的特定流量阀的流率。分析软件142可以查询ODS 130,以获得示出了健康的流量阀如何操作的、在内部存储的历史数据(即,与健康阀相关联的流率的数据)。分析软件142然后可以建立模型,诸如回归模型或拟合到数据的曲线。重复该处理,以表示状况随着时间的进展,这些状况源于健康状态,由此对不健康的行为建模。所生成的模型可以经由如块144所示的交互分析经历逆转、训练以及调谐。交互分析可以借助人类反馈、来自其他软件的自动反馈、由制造商提供的预测性能数据等来执行。
由分析软件142生成的模型可以在模型格式模块146处处理,以提供,呈可以用于各种分析和可视化工具中的另外处理的格式的模型。作为示例,模型格式模块146可以将模型转换或提供为,以用于电子表格(Excel)快速视图的逗号分隔值(CSV)格式提供的数值。在另一个示例中,模型格式模块146可以包括:被配置为提供为可用于进一步处理的格式的模型的Spotfire服务器、表演算(Tableau)服务器、或R服务器。可以使用其他示例格式和格式化方法。进一步地,在示例中,模型格式模块146可以直接访问在ODS 130中存储的数据。比如,在ODS 130中存储的数据可以以如由块148所示的CSV格式提供给模型格式模块146。
飞行数据处理***100还可以包括串流分析模块150。串流分析模块150与DW 122通信,并且可以被配置为实时或接近实时地处理在那里接收的数据流,以进行飞行器102状况的及时评定。术语“接近实时”可以涉及由于数据处理或在事件发生与已处理数据的使用之间的网络传输引入的时间延迟(例如,200毫秒、1分钟等)。在示例中,如果串流分析模块159机载在飞行器102上,那么实时或接近实时的事件处理可以发生。在其他示例中,如果串流分析模块150非机载,那么可能由于数据下载和传输处理引入时延,这些时延可以为分钟到天的时延,然后是由于数据处理***引入的时延,该数据处理***包括数据加载、用于翻译的排队、翻译处理本身。串流分析模块150还访问由模型建立器128建立并向ODS 130或DW122提供的模型,并且被配置为将数据流与由模型建立器128生成的模型进行比较,以评定飞行器102的状况。
比如,串流分析模块150可以查询DW 122,以获得或选择与特定参数(诸如飞行器102上的特定流量阀的流率)对应的数据文件。串流分析模块150可以被配置为处理数据流或其部分,以确定流量阀的实时特性(例如,诸如平均值、标准偏差等的统计值)。模型建立器128可以已经生成用于流量阀的流率随时间应如何变化的模型,而且确定健康和故障阀这两者的特性。模型建立器128可以向串流分析模块150提供模型以及健康和故障流量阀的特性,串流分析模块将模型和特性与基于数据流确定的实时特性进行比较。
基于该比较,串流分析模块150确定流量阀是否适当操作且是否健康。如果否,那么串流分析模块150可以确定在飞行器102的操作期间发生了故障或可能发生故障,并且流量阀已经到期维护或更换。流量阀示例仅用于例示,并且串流分析模块150可以被配置为实时并行处理飞行器102的各种部件,以确定飞行器102的状况。
串流分析模块150然后可以向仪表板发送其确定和关于飞行器102的状况的发现,并且如由仪表板和报告模块152所示地生成报告,使适当方可视化、检查并进行关于飞行器102的操作的决策。比如,该报告可以被提供给地面上的维护队,维护队可以确定飞行器102的一个或更多个部件在飞行器102着陆时到期维护。以下关于图3更详细地描述由串流分析模块150执行的操作。
飞行数据处理***100的部件可以被配置为,以与彼此和/或与联接到相应***的其他部件互连的方式来工作。飞行数据处理***100的所描述操作或部件中的一个或更多个可以被分成另外的操作或物理部件,或者组合成更少的操作或物理部件。在一些另外的示例中,可以将另外的操作和/或物理部件添加到图1和图2所例示的示例。仍然进一步地,飞行数据处理***100的部件或模块中的任意一个可以包括处理器(例如,微处理器、数字信号处理器等)或以处理器的形式来提供,该处理器被配置为,执行包括用于实施此处所描述的逻辑操作的一个或更多个指令的程序代码。飞行数据处理***100还可以包括存储程序代码的任意类型的计算机可读介质(永久介质)或存储器,例如,诸如包括磁盘或硬盘驱动器的存储装置,在程序代码由一个或更多个处理器执行时,使得飞行数据处理***100执行以上所描述的操作。在示例中,飞行数据处理***100可以被包括在其他***内。
图3例示了根据示例实施方案的飞行数据处理***的处理流程200。如图3所示,可以从飞行器102且可能从许多其他飞行器向二进制飞行数据模块104提供数据流。飞行器102还可以具有:被配置为监测飞行器102的操作的机载数据收集和处理模块202。机载数据收集和处理模块202可以包括硬件部件、软件或其组合。
二进制飞行数据模块104或机载数据收集和处理模块202二者之一或这两者可以将串流后的数据作为文件提供给飞行数据仓库204。飞行数据仓库204例如可以包括飞行数据转换模块(例如,被配置为将飞行数据文件转换成工程单位的测量的飞行数据转换模块106)或与其通信。
飞行数据仓库204然后可以向飞行数据处理***206提供已转换的数据文件。飞行数据处理***206可以与以上所描述的飞行数据处理***100类似,或者可以包括比飞行数据处理***100更多或更少的部件。
飞行数据仓库204可以特别向数据库208提供已转换的数据流,以便存储和将来处理,向数据仓库(DW)122或流处理模块210提供已转换的数据流。流处理模块210将数据文件转换回数据流,并且被配置为促进由与其通信的其他模块对数据流进行的并行处理。例如,多个计算单元可以在不明确管理这些单元之间的分配、同步或通信的情况下处理数据流。
在示例中,飞行器102可以如由箭头211表示地向流处理模块210直接发送数据流。
关于图1和图2所描述的串流分析模块150可以与数据库208、DW 122或流处理模块210中的一个或更多个通信。串流分析模块150可以被配置为处理数据流,分析数据流,以确定感兴趣的事件,然后进一步处理这些事件,以决定故障是否已经发生或可能发生,或故障已经发生,并且向可以如上所述使用结果的各种实体发送结果。
处理流由块212来例示。在示例中,各数据流可以表示对应的参数(例如,温度、速度、流量等),并且初始可以单独处理。块212例示了被处理的三个数据流214A、214B以及214C,作为仅用于例示的示例。可以并行处理数百或数千流。特定数据流(例如,数据流214A)的“snippet_t1”是在时间=t1时接收的数据点或数据点的组。类似地,特定数据流(例如,数据流214A)的“snippet_t2”和“snippet_t3”是分别在时间=t2和时间=t3时接收的数据点或数据点组。
可以由串流分析模块150在块212处对数据流214A、214B以及214C执行若干处理。例如,串流分析模块150可以查询数据库208、DW 122或流处理模块210中的一个或更多个,以选择特定数据流,例如,选择由特定阀的流量传感器捕捉的流率数据流。串流分析模块150然后可以通过缓冲或应用诸如窗口216的窗口来选择特定数据流的一部分。通过作为用于例示的示例应用窗口216,串流分析模块150至少对于特定当前分析来处理流214C的“snippet_t2”和“snippet_t3”,同时丢失“snippet_t1”。
选择一部分数据可以基于若干因素。例如,部分可以基于飞行器102操作的飞行阶段或模式来选择。飞行器102在飞行期间经历若干飞行模式或操作飞行阶段。操作飞行模式或阶段从飞行员或操作员的角度可以被定义为,飞行的当前操作目的或地面段。示例操作阶段、几乎每一个航段的一部分包括预飞、发动机滑出、起飞、开始爬升、巡航、降落、进场着陆、着陆、滑入、发动机关闭以及飞行后。可以对于紧急事件或可选的操作活动定义另外的操作模式,诸如除冰、恢复使用发动机检查、渡运飞行等。
飞行器102可以被配置为根据规则的相应集合和操作程序来在这些阶段中的每一个中操作。例如,在预飞期间,飞行人员检查飞行器***的操作状态并将这些***配置为预期操作。在许多情况下,操作飞行阶段确定如何使用或预期如何操作飞行器102的***。比如,穿过阀的最大流量可以基于飞行模式或阶段而不同。由此,基于串流分析模块150寻求检测的问题、潜在故障、异常或难题,串流分析模块150可以隔离或选择与期间故障或异常可能发生的特定飞行模式或阶段或飞行阶段组对应的数据流的一部分。
在另一个示例中,串流分析模块150可以基于在特定阶段期间应发生在飞行器102上的事件的顺序选择数据的该部分。如以上所涉及的,操作飞行阶段确定如何使用飞行器102的***。例如,当在起飞操作飞行阶段时,不设置停机制动,同时使发动机达到起飞推力。然而,在执行恢复使用发动机检查时,必须设置停机制动,同时使发动机达到高推力。由此,串流分析模块150可以在特定操作飞行阶段期间选择一部分数据,以评定事件的特定顺序是否如它应该地发生,由此评定故障或异常是否发生。
在另一个示例中,串流分析模块150可以基于检测特殊事件(诸如飞行器102的硬着陆)来选择一部分数据。比如,如果数据示出或表示特定事件在特定时间段发生,则串流分析模块150可以被触发为缓冲或应用窗口,以接在事件之后选择一部分数据。在示例中,特殊事件可以是不由飞行员发起的任何事件。比如,襟翼或控制面在飞行员未发起或命令襟翼或控制面的移动的情况下移动,可以被认为是在这种事件之后触发缓冲、开窗或选择一部分数据的特殊事件。
在另一个示例中,处理流214A-C可以包括补偿数据流中的任意间隙。例如,数据流可以以特定频率来获得。如果特定频率低,那么可能存在没有数据点存在于数据流中的时间段。这些间隙可能阻止识别可能快速发生并结束的高频事件、故障或异常。在另一个示例中,可能由于飞行器102上的感测设备或局部环境中的噪声,而引起数据流的时间序列数据中的间隙。
为了补偿这些间隙并估计缺失的数据点,串流分析模块150例如可以应用低通滤波器来去除数据流内的任意不期望高频噪声分量,并且可以应用数学模型来导出回归曲线,并估计间隙中的缺失点。在示例中,串流分析模块150可以在数据点之间插值和/或应用某一其他数学技术,来估计缺失点。
在又一个示例中,串流分析模块150可以将两个或更多个数据流或其部分组合成单个数据流。例如,串流分析模块150可以从DW 122接收数据流,并且从流处理模块210接收另一个数据流。虽然应按捕捉数据点的顺序来接收时间序列数据流,但在一些示例中,从时间的角度数据流可能不按顺序到达。比如,第一数据流的翻译或转换可能花费比第二数据流更长的时间,由此可能比第二数据流更晚地到达,即使其数据点中的一些在时间上更早获取。由此,串流分析模块150可以将来自不同数据流的数据段重新排序,以构造数据流,使得数据流表示对应参数按时基先后顺序的变化。串流分析模块150还可以采用开窗技术来缓存早到达的数据元素,以便稍后与后到达的元素同步。
处理流还可以包括实时从数据流提取特征,这些特征表示对应参数的特性。例如,串流分析模块150可以被配置为确定用于特定阀的流率的特定数据流的统计变量。这些统计变量例如可以包括最大流量、最小流量、流量的标准偏差、平均流量等。因为串流分析模块150可以使用这些特征来分析数据流而不是分析数据流的数据点的全部或子集,所以提取这种特征促进实时处理数据流。换言之,不是处理数千数据点来确定飞行器102的状况,而是串流分析模块150可以依赖表示参数的变化的一些所提取的特征,来确定飞行器102的状况。
图3所示的处理流程200中的下一步骤是,使串流分析模块150如由块218所示地分析数据流。如以上关于图1至图2涉及的,串流分析模块150可以访问基于历史数据由模型建立器128提取或建立的模型。具体地,模型建立器128可以包括学习模型处理器220,该学习模型处理器220被配置为基于历史数据建立前面涉及的模型。模型可以采取决策树、回归模型或任意其他形式的形式。
在示例中,模型包括与飞行器102的部件相关联的规则,模型表示部件是否健康或故障是否已经发生或可能发生。例如,模型可以表示在阀健康时在飞行器102的特定操作阶段期间穿过特定阀的最大流率不应超过特定值或应在由最大和最小值定义的带内。否则,故障可能已经发生或可能发生。
串流分析模块150然后将来自模型的这些规则应用到从在块212中处理的实时数据流提取的特征。在一些示例中,可以向特定参数应用若干规则,以确定对应的部件是否健康或飞行器102是否正常操作。比如,返回参照流量阀示例,除了分析特定阶段的流率值之外,串流分析模块150还可以分析其他阶段中的流率值、到阀的线圈的电流、受阀控制的致动器的位置、速度以及液压、受致动器控制的控制面或襟翼的动作等。
串流分析模块150可以基于由模型建立器128生成的模型向这些变量中的每一个应用规则。规则的这些应用中的每一个可以被称为任务。由此,如图3所示,例如,假定存在与特定模型相关联的“n”个规则,那么存在由块222A、222B...222N示出的task_1、task_2...task_n,它们中的每一个表示特定规则基于模型的应用。
通过应用规则,串流分析模块150可以能够预测飞行器102的状况,例如,故障关于飞行器102上的部件是否已经发生或可能发生。在示例中,串流分析模块150可以应用多数决规则来确定状况。比如,如果大多数任务表示从数据流实时提取的特征不满足规则,那么串流分析模块150可以确定故障已经发生,预测故障可能发生,或者异常已经发生。
在另一个示例中,串流分析模块150可以计算故障已经发生的概率或故障可能发生的概率,并且可以随时间确定累积概率或任意其他统计测量。如果累积概率超过特定阈值概率,那么串流分析模块150可以确定发生了故障或可能发生故障。
在另一个示例中,各个任务可以被指派如下权重,其表示任务在确定部件或飞行器102的状况时的相对重要性。和关键特征相关联的任务与和不那么关键的特征相关联的任务相比,可以被给予更大的权重。然后可以组合已加权的任务,以预测或确定飞行器102或其部件的状况。
在示例中,串流分析模块150可以被配置为借助分类器处理应用模型的结果,以预测飞行器102的状况。分类器可以被定义为,将输入信息(例如,任务)映射到类的集合的算法或数学运算,这些类描述感兴趣的种类(例如,健康的、不那么健康的、出故障的)中的信息的特征。
分类可以涉及基于包含具有已知类的观察(或实例)的数据的训练集,识别新观察可以属于类集中的哪一个(例如,故障的发生或未发生)。独立观察可以被分析成,被称为各种说明变量或特征的可量化特性的集合。作为示例,分类可以包括基于实时数据特征与预计算模型的比较,而向如由任务表示的“故障发生”或“故障未发生”类指派相应的可能性。
在一个示例中,分类在性质上可以是概率的。概率分类算法可以输出作为各个可能类(“故障发生”或“故障未发生”)的成员的实例(例如,应用模型的结果)的概率。确定故障发生的可能性可以基于被指派给各类的概率。同样,概率分类可以输出与故障发生相关联的置信值。
示例分类算法可以包括线性分类器(例如,费舍尔(Fisher)的线性判别、逻辑回归、朴素贝叶斯(Bayes)以及感知器)、支持向量机(例如,最小二乘支持向量机)、二次分类器、内核估计(例如,k最近邻)、增强、决策树(例如,随机森林)、神经网络、基因表达编程、贝叶斯网络、隐马尔可夫(Markov)模型以及学习向量量化。其他示例分类器也是可行的。
作为用于例示的示例,线性分类器可以被表达为线性函数,该线性函数通过使用点积组合实例(例如,在特定情况或时间段的数据流的数据点)的特征向量(由块222A、222B...222N表示的各种任务的向量)与权重的向量,来向各可能类k(例如,“故障的发生”或“故障的未发生”)指派得分或可能性。具有更高得分或可能性的类可以被选择为所预测的类。这种得分函数被称为线性预测器运算,并且可以具有该一般形式:
Score(Xi,k)=βk·Xi (1),
其中,Xi是用于实例i的特征向量,βk是与种类k对应的权重的向量,并且Score(Xi,k)是与向种类k指派实例i相关联的得分。
在一些示例中,串流分析模块150可能遭遇未被模型预测或未由模型解决的新情况或异常(例如,所提取特征的组合)。在这些示例中,串流分析模块150可以向学习模型处理器发送表示新遭遇的情况的信息,以便如由块224表示的学习模型处理器220的在线训练。这样,学习模型处理器220可以随着新情况产生而更新模型,以维持模型最新。
图3所示的处理流程中的下一步骤是,使串流分析模块150在决策块226处基于信息的聚集来确定在飞行器102的操作期间故障是否已经发生、可能发生或异常已经发生。如上所述,串流分析模块150可以通过向从数据流提取的特征应用来自模型的规则来分析流。串流分析模块150可以对于各种参数重复该处理,并且可以聚集信息,以将特定情况或实例分类为表示正常操作或故障,并且可以在故障发生或可能发生时生成警报。在一些示例中,可以用分析流块218来增大决策块226。
在一些示例中,串流分析模块150还可以被配置为,确定一系列事件是否按特定顺序且在预定量的时间内发生。该确定由图3所示的事件处理块228来表示。作为用于例示的示例,串流分析模块150可以被配置,为选择与飞行器102的发动机启动对应的各种参数的数据流的部分。串流分析模块150然后可以寻求识别来自数据流(例如,传感器数据)的特定事件,以检查特定事件是否按合适顺序发生。比如,为了启动发动机,阀打开,然后发动机达到特定速度,然后飞行员命令更多燃料流到发动机。如果数据流不表示该系列的事件按顺序发生,那么故障或异常可能已经发生。如果该系列事件适当但花费比预期更多的时间,那么故障或异常可能已经发生。
在决定故障是否已经发生或可能发生或异常是否已经发生时,串流分析模块150然后可以向一个或更多个实体发送包括决策、警报等的信息。比如,如由块230所示,信息可以发送到在飞行器102的驾驶舱中的显示装置,以警告飞行员可能的故障。信息还可以发送到地面维护队,以例如在飞行器102着陆时为进一步的维护或中间维护做准备。
信息可以发送给其他***用户231。例如,可以在块232处向顾客决策支持队伍(例如,班机操作管理者)发送信息,以使得团队成员能够评定飞行器102的状况,警告适当的实体、调度维护等。在另一个示例中,可以向所有权实体(顾客、维护人员、操作管理者等)经由网络用户界面234显示信息。
在另一个示例中,信息可以存储在数据库236处,以便将来处理。在一些示例中,信息可以存储在DW 122中,并且可以对于模型的调谐/训练充当用于模型建立器128的历史数据的源。
作为另一个示例,串流分析模块150可以生成负责飞行器102的操作的合适方的报告238。报告238例如可以包括:是否存在故障的结论和用作下结论的基础的信息。这些报告中还可以包括其他信息。
图4例示了根据示例实施方案的流量控制阀的分类树300。图4在此处用作用于将飞行分类成健康或不健康飞行的示例。这可以作为学习过程的一部分来进行,或者可以为模型建立过程的结果,并且用作用于决策支持的实时分类方法。
串流分析模块150可以已经接收与飞行器102上的特定流量阀的流率相关联的数据流。串流分析模块150可以如以上关于块212讨论的初始处理数据流。比如,串流分析模块150可以选择数据流中的至少一个数据流,诸如表示流量阀的流率的数据流。串流分析模块150然后可以向数据流缓冲或应用窗口,以选择表示在特定飞行阶段或一组飞行阶段期间的流率的数据流的部分。作为示例,串流分析模块150可以选择与在阶段1、阶段2以及阶段3期间穿过流量阀的流率对应的数据流的部分。这些阶段可以是以上所讨论的阶段中的任意一个。阶段可以为连续的或可以不为连续的。串流分析模块150然后可以从数据流的部分提取特征,诸如最大流率、平均流率以及穿过阀的流率的标准偏差等。
串流分析模块150然后可以如以上关于块218讨论地分析一部分数据。作为示例,串流分析模块150可以访问由模型建立器128提供的、用于流量控制阀的模型。串流分析模块150可以向来自一部分数据的已提取特征,应用由模型定义的规则。
参照图4,在分类树300的块302处,串流分析模块150可以将阶段1期间流量阀的流率的标准偏差与由模型建立器128基于历史数据确定的SD1的值(例如,0.2)进行比较。如果标准偏差小于或等于SD1,那么阀如由块306表示的是健康的。串流分析模块150然后可以停止与流量阀的流率的参数有关的分析。然而,如果标准偏差大于SD1,那么串流分析模块150可以进行到分类树300的下一步骤。
在分类树300的块306处,串流分析模块150可以将阶段2期间流量阀的平均流率与由模型建立器128基于历史数据确定的Qmean的值(例如,140立方尺每秒)进行比较。如果平均流量小于或等于Qmean,那么阀如由块308表示的可能出故障或故障已经发生。串流分析模块150可以停止与流量阀的流率的参数有关的分析,并且发送表示在飞行器102上发生了故障或可能发生故障的信息。然而,如果平均流量大于Qmean,那么串流分析模块150可以进行到分类树300的下一步骤。
在分类树300的块310处,串流分析模块150可以将阶段3期间流量阀的最大流率与由模型建立器128基于历史数据确定的Qmax的值(例如,145立方尺每秒)进行比较。如果最大流量小于或等于Qmax,那么阀如由块312表示的可能出故障或故障已经发生。串流分析模块150可以停止与流量阀的流率的参数有关的分析,并且发送表示在飞行器102上发生了故障或可能发生故障的信息。然而,如果最大流量大于Qmax,那么阀如由块314表示的是健康的。
在示例中,串流分析模块150无法在块302、306以及310中的每一个处确定阀是健康的。相反,各块的结果可以被当作选票。在执行分类树300结束时,串流分析模块150例如可以基于多数选票(或任意其他技术)来确定流量阀的整体健康或状况。比如,阶段1期间的流量的标准偏差可以大于SD1,阶段2期间的平均流量可以大于Qmean,并且阶段3期间的最大流量可以大于Qmax。在该示例中,因为大多数选票表示阀是健康的,所以串流分析模块150可以确定阀是健康的。可以使用其他技术,诸如以上所涉及的分类技术中的任意一个的累积概率。
串流分析模块150可以与以上所描述的分析并行地对于数千参数执行类似的分析。这样,串流分析模块150进行飞行器102的各种部件和***的实时或接近实时的分析。串流分析模块150然后可以向以上所讨论的实体(例如,飞行员、维护人员、数据库、生成报告、用户界面等)中的任意一个,发送表示飞行器102的各种部件和***的状况(健康或出故障)的信息。
图5例示了根据示例实施方案的计算装置400。计算装置400可以表示并执行以上关于图1、图2、图3以及图4描述的模块、块或部件中的任意一个的操作。比如,计算装置400可以表示二进制飞行数据模块104、飞行数据转换模块106和/或图1至图2中示出的模块中的任意一个、DW 122、模型建立器128和/或图1至图2中示出的模块中的任意一个、模型格式模块146、串流分析模块150、仪表板和报告模块152、或关于图3描述的块和模块中的任意一个。
计算装置400包括总线402,该总线402通信地联接处理器单元404、存储器406、永久储存器408、通信单元410、输入/输出(I/O)单元412以及显示器414。
在本示例中,处理器单元404被配置为,执行可以存储在存储器406中的软件指令。处理器单元404可以包括一个或更多个高性能可编程处理器、多核处理器或其他类型的处理器。
存储器406和永久储存器408是存储装置416的示例。通常,存储装置是能够临时和/或永久地存储信息(例如,数据、程序代码和/或其他合适的信息)的硬件。存储器406在这些示例中可以是随机存取存储器或任意其他合适的易失性或非易失性存储装置。永久储存器408可以是硬盘驱动器、闪存、可重写光盘、可重写磁带或上述内容的某一组合。永久储存器408所用的介质还可以是可移动的,诸如可移动硬盘驱动器或闪存。
通信单元410在这些示例中提供与其他数据处理***或装置的通信。比如,通信单元410可以为网络接口卡。通常,通信单元410可以通过使用物理和无线通信链路二者之一或这两者来提供通信。
输入/输出单元412允许用可以连接到计算装置400的其他装置输入和输出数据。例如,输入/输出单元412可以提供用于借助键盘、鼠标、触摸板、用于接收语音命令的麦克风和/或某一其他合适的输入装置进行的用户输入的连接。输入/输出装置412可以向打印机和/或显示器414发送输出,该打印机和/或显示器提供向用户显示信息的机构。
用于操作***、应用和/或程序的指令可以位于存储装置416,这些存储装置借助总线402与处理器单元404通信。通常,可以通过处理器单元404使用以运算形式存储在不同物理或有形计算机可读介质(诸如存储器406和/或永久储存器408)上的指令来执行所公开实施方式的处理和操作。计算机实施的指令可以被称为可以由处理器单元404中的处理器读取并执行的程序代码、计算机可用程序代码或计算机可读程序代码。
图5还例示了以函数形式位于计算机可读介质420上的程序代码418。计算机可读介质420可以选择性地是可移动的,并且可以被加载到或转移到计算装置400上,以便由处理器单元404执行。在本示例中,程序代码418和计算机可读介质420形成计算机程序产品422。计算机可读介质420可以包括计算机可读存储介质424或计算机可读信号介质426。计算机可读存储介质424可以采取各种形式,诸如连接到计算装置400的光盘或磁盘、硬盘驱动器、拇指驱动器或闪存。在一些情况下,计算机可读存储介质424无法从计算装置400移动。在这些例示性示例中,计算机可读存储介质424包括永久计算机可读存储介质。
另选地,程序代码418可以使用计算机可读信号介质426转移到计算装置400。计算机可读信号介质426例如可以是包含程序代码418的传播数据信号。例如,计算机可读信号介质426可以是电磁信号、光信号和/或任意其他合适类型的信号。这些信号可以通过通信链路(诸如无线通信链路、光缆、同轴电缆、电线和/或任意其他合适类型的通信链路)来传输。换言之,通信链路和/或连接在例示性示例中可以为物理或无线的。
对于计算装置400例示的不同部件不意指向可以实施不同实施方式的方式提供架构限制。不同实施方式可以在包括除了对于计算装置400例示的部件之外或代替这些部件的部件的计算装置或数据处理***中实施。图5所示的其他部件可以与所示的例示性示例不同。通常,不同实施方式可以使用能够运行程序代码的任意硬件装置或***来实施。
如此处所用的,在第一部件连接到第二部件时,第一部件可以在没有任何另外部件的情况下连接到第二部件。第一部件还可以由一个或更多个其他部件连接到第二部件。例如,一个电子装置连接到另一个电子装置,第一电子装置与第二电子装置之间没有任何另外的电子装置。在一些情况下,另一个电子装置可以存在于连接到彼此的两个电子装置之间。
图6是根据示例实施方案的用于飞行数据处理的方法500的流程图。方法500例如可以由串流分析模块150(由计算装置400表示)来执行。进一步地,图7至图13是用于与方法500一起使用的方法的流程图。
方法500可以包括如由块502至块526中的一个或更多个例示的一个或更多个操作或动作。虽然块按先后顺序来例示,但这些块在一些情况下可以并行和/或按与此处所描述的顺序不同的顺序来执行。同样,各种块基于期望的实施方案可以组合成更少的块,分成另外的块,和/或去除。
另外,对于此处所公开的方法500以及其他处理和操作,流程图示出了本示例的一个可能实施方案的操作。在这一点上,各块可以表示包括可由处理器或控制器执行为实施处理中的特定逻辑操作或步骤的一个或更多个指令的模块、段或程序代码的一部分。程序代码可以存储在任意类型的计算机可读介质或存储器(诸如包括磁盘或硬盘驱动器的存储装置)上。计算机可读介质可以包括非暂时性计算机可读介质或存储器,例如,诸如将数据存储短时间段的计算机可读介质(像寄存器存储器、处理器缓存以及随机存取存储器(RAM))。计算机可读介质还可以包括永久介质或存储器,诸如例如辅助或永久长期储存器,像只读存储器(ROM)、光盘或磁盘、光盘只读存储器(CD-ROM)。计算机可读介质还可以是任意其他易失性或非易失性存储***。计算机可读介质例如可以被认为是计算机可读存储介质、有形存储装置或其他制品。另外,对于此处所公开的方法500以及其他处理和操作,图6至图13中的一个或更多个块可以表示被设置为执行处理中的特定逻辑操作的电路或数字逻辑。
在块502处,方法800包括以下步骤:接收对于表示飞行器的操作状况的多个参数中的相应参数获取的多个数据流,其中,飞行器被配置为在不同飞行模式下操作,各飞行模式与相应的操作规则集合和过程相关联。
如以上关于图1至图3描述的,数据流可以从飞行器102且可能从许多其他飞行器发送到计算装置(串流分析模块150或其部件)。计算装置可以机载在飞行器上或可以在地面上并经由数据链路连接到飞行器。
数据流可以从多个源(诸如存储数据流的数据库)、直接从飞行器或多个飞行器、从联接到飞行器的飞行管理数据***、故障数据、传感器数据、维护消息等来接收。如以上所涉及的,飞行器可以被配置为在多个飞行模式或阶段(诸如,预飞、发动机滑出、起飞、开始爬升、巡航、降落、进场着陆、着陆、滑入、发动机关闭以及飞行后)中的任意一个操作。
各个数据流可以表示表示飞行器状况的多个参数(例如,速度、流率、压力、温度等)中的参数的变化。计算装置可以以与参数的传感器测量相关联的原始的时间间隔的数据点的形式来接收数据流。
图7是根据示例实施方案的用于与方法500一起使用的方法的流程图。在块504处,该方法包括以下步骤:确定至少一个参数的传感器测量随着时间的变化。例如,计算装置可以包括飞行数据转换模块/装置(例如,飞行数据转换模块106)或可以与其通信,该飞行数据转换模块/装置被配置为如上所述的将数据流的原始二进制数据转换成工程单位。已转换的数据流然后表示用于对应参数的、为工程单位的传感器测量的变化。
返回参照图6,在块506处,方法800包括以下步骤:从多个数据流选择与相应的多个参数中的至少一个参数对应的至少一个数据流。比如,计算装置可以选择表示用于处理的特定参数(例如,穿过阀的流率)的数据流。在示例中,计算装置可以如上所述的选择要并行处理的若干参数,以促进大量数据流的实时处理。
在块508处,方法800包括以下步骤:从至少一个数据流选择一部分数据,其中,基于在获取所述一部分数据时飞行器的飞行模式选择所述一部分数据。计算装置可以包括处理模块,该处理模块被配置为执行以上关于处理流块212描述的处理。
例如,计算装置可以通过缓冲或应用窗口,来选择特定数据流的一部分。选择一部分数据可以基于若干因素。例如,计算装置可以隔离或选择与期间预期特定故障可能发生的特定飞行模式或阶段对应的数据流的部分。在另一个示例中,计算装置可以基于在特定阶段期间应发生在飞行器上的事件的顺序选择数据的该部分。
图8是根据示例实施方案的用于与方法500一起使用的方法的流程图。在块510处,方法包括以下步骤:使用至少一个数据流来检测在不由飞行员发起的情况下已经发生在飞行器上的事件,其中,选择一部分数据包括选择在至少一个数据流中接在事件之后的一部分数据。
例如,计算装置可以基于检测特殊事件选择一部分数据,该特殊事件触发计算装置缓冲或应用窗口,以接在事件之后选择一部分数据。特殊事件比如可以为在飞行员未发起或命令襟翼或控制面的移动的情况下移动襟翼或控制面。
除了选择一部分数据之外,计算装置还可以执行其他处理。例如,计算装置可以补偿数据流中的任意间隙。
图9是根据示例实施方案的用于与方法500一起使用的方法的流程图。在块512处,方法包括以下步骤:估计在至少一个数据流的间隙中的缺失数据点。在示例中,可以以特定频率来获得数据流。如果特定频率低,那么可能存在没有数据点存在于数据流中的时间段。这些间隙可能阻止识别可能快速发生并结束的高频事件、故障或异常。在另一个示例中,数据流的时间序列数据中的间隙可能由于飞行器上的感测设备或局部环境中的噪声引起。为了补偿这些间隙并估计缺失的数据点,计算装置例如可以应用低通滤波器来去除数据流内的任意不期望高频噪声分量,并且可以应用数学模型来导出回归曲线,并估计间隙中的缺失点。在示例中,计算装置可以在数据点之间插值和/或应用某一其他数学技术来估计缺失点。
在又一个示例中,串流分析模块150可以组合从多个相应源(例如,故障数据、传感器数据、维护消息等)获得的两个或更多个数据流,以构造单个数据流。图10是根据示例实施方案的用于与方法500一起使用的方法的流程图。在块514处,该方法包括以下步骤:重新排序数据段,使得至少一个数据流表示至少一个参数基于时间的顺序的变化。例如,计算装置可以从DW 122接收数据流,并且从流处理模块210接收另一个数据流。虽然时间序列数据流应按捕捉数据点的顺序来接收,但在一些示例中,数据流从时间的角度可能不按顺序到达。由此,计算装置可以将来自不同数据流的数据段重新排序,以构造数据流,使得数据流表示对应参数按时基先后顺序的变化。
在示例中,计算装置还可以实时从数据流提取特征,这些特征表示对应参数的特性。图11是根据示例实施方案的用于与方法500一起使用的方法的流程图。在块516处,该方法包括以下步骤:确定至少一个参数的统计变量。例如,计算装置可以确定特定参数的统计变量,诸如最大值、最小值、标准偏差、平均值等。
返回参照图6,在块518处,该方法500包括以下步骤:将一部分数据与基于历史数据的对于至少一个参数确定的模型进行比较。计算装置可以访问基于历史数据由模型建立器(例如,模型建立器128)提取或建立的模型。模型可以采取决策树、回归模型或任意其他形式的形式。在示例中,模型包括在飞行器的关联部件健康时应满足的规则。计算装置然后可以向实时数据流应用来自模型的这些规则,以将模型与数据流进行比较,并且确定数据流是否与模型所预测的内容一致。
图12是根据示例实施方案的用于与方法500一起使用的方法的流程图。在块520处,该方法包括以下步骤:将预定的统计变量与和历史数据相关联的已存储统计变量进行比较。例如,为了向数据流应用模型的规则,计算装置可以将由模型基于历史数据确定的统计变量与从实时数据流提取的统计变量进行比较。
返回参照图6,在块522处,方法800包括以下步骤:基于比较确定故障在飞行器的操作期间已经发生或可能发生。通过应用规则,计算装置可以能够预测飞行器的状况,例如,故障关于飞行器上的部件(如以上关于分析流块218和决策块226描述的)是否已经发生或可能发生。在示例中,计算装置可以应用多数决规则来确定状况。比如,如果从数据流实时提取的大多数特征不满足规则,那么计算装置可以确定存在故障或预测故障可能发生。在另一个示例中,计算装置可以计算发生了故障或可能发生故障的概率,并且可以随时间确定累积概率或任意其他统计测量。如果累积概率超过特定阈值概率,那么计算装置可以确定故障已经发生或故障可能发生。
图13是根据示例实施方案的用于与方法500一起使用的方法的流程图。在块524处,该方法包括以下步骤:基于一部分数据来识别在飞行器上发生的事件的顺序,并且在块526处,该方法包括以下步骤:确定事件的次序与预期顺序相比是错乱的,其中,在确定了事件的次序是错乱的时,确定发生了故障或可能发生故障。在一些示例中,为了确定故障是否已经发生,计算装置可以确定一系列事件是否按特定顺序且在预定量的时间内发生。例如,计算装置可以寻求识别来自数据流(例如,传感器数据)的特定事件,以检查特定事件是否按合适顺序发生。如果数据流不表示该系列的事件按顺序发生,那么故障可能已经发生或将要发生。如果该系列事件适当但花费比预期更多的时间,那么故障可能已经发生。
返回参照图6,在块528处,方法500包括以下步骤:发送表示故障发生或发生可能性的飞行器健康监测信息。在决定故障是否已经发生或可能发生时,计算装置然后可以向在***用户下游的一个或更多个实体发送包括决策、警报等的信息。这些实体的示例可以包括飞行员、地面维护队、顾客决策支持团队以及数据库中的一个或更多个。计算装置还可以基于故障是否发生的结论来生成用于负责飞行器的操作的合适方的报告。
进一步地,本公开包括根据以下条款的实施方式:
条款1.一种用于飞行器的数据流分析的由计算装置实施的方法,该方法包括以下步骤:接收多个数据流,所述多个数据流是对于表示飞行器的操作状况的多个参数中的相应参数而获取的,其中,飞行器被配置为在不同飞行模式下操作,各飞行模式与相应的操作规则集合相关联;从多个数据流选择与多个参数中的至少一个参数对应的至少一个数据流;从至少一个数据流选择一部分数据,其中,基于在获取所述一部分数据飞行器的飞行模式选择所述一部分数据;将所述一部分数据与基于历史数据的对于至少一个参数确定的模型进行比较;基于比较来确定在飞行器的操作期间发生了故障或可能发生故障;以及发送表示已发生故障或发生故障可能性的飞行器健康监测信息。
条款2.条款1的方法,其中,在不同航段或飞行器的不同飞行期间获取所述多个数据流。
条款3.条款1的方法,其中,所述至少一个数据流包括所述至少一个数据流的数据点之间的间隙,并且其中,该方法还包括以下步骤:估计在所述至少一个数据流的间隙中的缺失数据点。
条款4.条款1的方法,其中,由从所述多个相应源获得的数据段来构造所述至少一个数据流,该方法还包括以下步骤:重新排序数据段,使得所述至少一个数据流表示所述至少一个参数基于时间的顺序的变化。
条款5.条款1的方法,该方法还包括以下步骤:基于一部分数据识别在飞行器上发生的事件的次序;以及确定事件的次序与预期顺序相比是错乱的,其中,在确定了所述事件的次序是错乱的时,确定发生了故障或可能发生故障。
条款6.条款1的方法,该方法还包括以下步骤:确定用于所述至少一个参数的统计变量,其中,将一部分数据与基于历史数据的对于所述至少一个参数确定的模型进行比较的步骤包括:将所确定的统计变量与和历史数据相关联的已存储统计变量进行比较。
条款7.条款6的方法,其中,统计变量是使用一部分数据确定的一组统计变量中的一个统计变量,其中,将一部分数据与模型进行比较的步骤包括将统计变量与和历史数据相关联的相应阈值进行比较,并且其中,当所述统计变量中的大部分满足相应阈值时,确定发生了故障或可能发生故障。
条款8.条款1的方法,接收所述多个数据流的步骤包括从联接到飞行器的飞行数据仓库接收与所述至少一个参数的传感器测量相关联的原始的时间间隔的数据点,该方法还包括以下步骤:确定所述至少一个参数的传感器测量随着时间的变化。
条款9.条款1的方法,该方法还包括以下步骤:使用所述至少一个数据流检测在不由飞行员发起的情况下在飞行器上已经发生的事件,其中,选择一部分数据的步骤包括选择在所述至少一个数据流中接在该事件之后的一部分数据。
条款10.条款1的方法,其中,不同飞行模式包括预飞、发动机滑出、起飞、开始爬升、巡航、降落、进场着陆、着陆、滑入、发动机关闭以及飞行后。
条款11.一种飞行数据处理***,该飞行数据处理***包括:飞行数据转换计算装置,该飞行数据转换计算装置具有一个或更多个处理器,所述一个或更多个处理器被配置为:(i)从飞行数据仓库接收对于表示飞行器的操作状况的多个参数中的相应参数获取的多个数据流的原始的时间间隔的数据点,其中,飞行器被配置为在不同飞行模式下操作,各飞行模式与相应的操作规则集合相关联;并且(ii)将所述多个数据流的原始的时间间隔的数据点转换成表示所述多个参数随时间的变化的测量;数据库,该数据库与飞行数据转换计算装置通信,并且被配置为存储由飞行数据转换计算装置生成的已转换的多个数据流;以及串流分析模块,该串流分析模块与飞行数据转换计算装置或数据库通信,其中,串流分析模块包括:一个或更多个处理器;和存储器,在该存储器上存储指令,这些指令在由所述一个或更多个处理器执行时,使得串流分析模块执行如下操作,这些操作包括:从已转换的多个数据流选择与所述多个参数中的至少一个参数对应的至少一个数据流;从至少一个数据流选择一部分数据,其中,基于在获取一部分数据时飞行器的飞行模式选择所述一部分数据;将所述一部分数据与基于历史数据的对于所述至少一个参数确定的模型进行比较;基于比较而确定在飞行器的操作期间发生了故障或可能发生故障;以及发送表示已发生故障或发生故障可能性的飞行器健康监测信息。
条款12.条款11的飞行数据处理***,其中,数据库被配置为将已转换的多个数据流存储在Hadoop分布式文件***中,以促进由串流分析模块对已转换的多个数据流进行的并行处理。
条款13.条款11的飞行数据处理***,该飞行数据处理***还包括:历史数据处理计算装置,该历史数据处理计算装置与数据库通信,并且被配置为基于从数据库接收的过去的已转换的多个数据流来确定模型。
条款14.条款11的飞行数据处理***,其中,所述操作还包括:确定用于所述至少一个参数的统计变量,其中,将一部分数据与基于历史数据的对于所述至少一个参数确定的模型进行比较包括:将所确定的统计变量与和历史数据相关联的已存储统计变量进行比较。
条款15.条款14的飞行数据处理***,其中,统计变量是使用一部分数据确定的一组统计变量中的一个统计变量,其中,将一部分数据与模型进行比较的步骤包括将所确定的统计变量与和历史数据相关联的相应阈值进行比较,并且其中,当所述统计变量中的大部分满足相应阈值时,确定发生了故障或可能发生故障。
条款16.条款11的飞行数据处理***,其中,所述操作还包括:使用所述至少一个数据流检测在不由飞行员发起的情况下在飞行器上已经发生的事件,其中,选择一部分数据包括选择在所述至少一个数据流中接在该事件之后的一部分数据。
条款17.一种内部存储有指令的非暂时性计算机可读介质,这些指令响应于由用于飞行器的数据流分析的计算装置执行而使得计算装置执行如下操作,这些操作包括:接收对于表示飞行器的操作状况的多个参数中的相应参数获取的多个数据流,其中,飞行器被配置为在不同飞行模式下操作,各飞行模式与相应的操作规则集合相关联;从所述多个数据流选择与多个参数中的至少一个参数对应的至少一个数据流;从至少一个数据流选择一部分数据,其中,基于在获取一部分数据时飞行器的飞行模式选择所述一部分数据;将所述一部分数据与基于历史数据的对于至少一个参数确定的模型进行比较;基于比较来确定在飞行器的操作期间发生了故障或可能发生故障;以及发送表示已发生故障或发生故障可能性的飞行器健康监测信息。
条款18.条款17的非暂时性计算机可读介质,其中,由从多个相应源获得的数据段来构造所述至少一个数据流,并且其中,所述操作还包括:重新排序数据段,使得所述至少一个数据流表示至少一个参数基于时间的顺序的变化。
条款19.条款17的非暂时性计算机可读介质,其中,所述操作还包括:基于一部分数据识别在飞行器上发生的事件的次序;以及确定事件的次序与预期顺序相比是错乱的,其中,在确定了所述事件的次序是错乱的时,确定发生了故障或可能发生故障。
条款20.条款17的非暂时性计算机可读介质,其中,计算装置被配置为实时执行操作,并且被定位为机载在飞行器上或在地面上并经由数据链路连接到飞行器。
应理解,此处所描述的结构仅用于示例的目的。由此可见,本领域技术人员将理解,相反可以使用其他结构和其他元素(例如、机器、接口、顺序、以及操作的分组等),并且可以根据期望的结果将一些元素一起省略。
虽然此处公开了各种方面和实施方案,但其他方面和实施方案将对本领域技术人员显而易见。此处所公开的各种方面和实施方案用于例示的目的且不旨在限制,真实范围连同授权以下权利要求的等同物的全范围一起由这种权利要求来表示。还将理解,此处所用的术语仅是为了描述特定实施方案的目的且不旨在限制。
Claims (15)
1.一种用于飞行器(102)的数据流分析的由计算装置(400、150)实施的方法(500),所述方法(500)包括以下步骤:
接收(502)多个数据流(214A-C),所述多个数据流(214A-C)是对于表示所述飞行器(102)的操作状况的多个参数中的相应参数而获取的,其中,所述飞行器(102)被配置为在不同飞行模式下操作,各飞行模式与相应的操作规则集合相关联;
从所述多个数据流(214A-C)选择(506)与所述多个参数中的至少一个参数对应的至少一个数据流;
从所述至少一个数据流选择(508)一部分数据,其中,基于在获取所述一部分数据时所述飞行器(102)的飞行模式来选择所述一部分数据;
将所述一部分数据与基于历史数据的对于所述至少一个参数确定的模型进行比较(518);
基于所述比较(518)确定(522)在所述飞行器(102)的操作期间发生了故障或可能发生故障;以及
发送(528)表示发生了故障或可能发生故障的飞行器健康监测信息,
其中,所述至少一个参数是流量阀,所述比较(518)基于不同阶段,包括:
将阶段1期间流量阀的流率的标准偏差与第一阈值进行比较(302);
将阶段2期间所述流量阀的平均流率与第二阈值进行比较(306);以及
将阶段3期间所述流量阀的最大流率与第三阈值进行比较(310)。
2.根据权利要求1所述的方法(500),其中,在不同航段或所述飞行器(102)的不同飞行期间获取所述多个数据流(214A-C)。
3.根据权利要求1或2所述的方法(500),其中,所述至少一个数据流包括所述至少一个数据流的数据点之间的间隙,并且其中,所述方法还包括以下步骤:
估计(512)所述至少一个数据流的所述间隙中的缺失数据点。
4.根据权利要求1或2所述的方法(500),其中,由从多个相应源获得的数据段构造所述至少一个数据流,所述方法还包括以下步骤:
对所述数据段重新排序(514),使得所述至少一个数据流表示所述至少一个参数的基于时间的顺序的变化。
5.根据权利要求1或2所述的方法(500),所述方法(500)还包括以下步骤:
基于所述一部分数据识别(524)在所述飞行器(102)上发生的事件的次序;以及
确定(526)所述事件的次序与预期顺序相比是错乱的,其中,在确定了所述事件的次序是错乱的时,确定发生了故障或可能发生故障。
6.根据权利要求1或2所述的方法(500),所述方法(500)还包括以下步骤:
确定(516)用于所述至少一个参数的统计变量,其中,将所述一部分数据与基于历史数据的对于所述至少一个参数确定的模型进行比较的步骤包括:将所确定的统计变量与和所述历史数据相关联的已存储统计变量进行比较(520)。
7.根据权利要求6所述的方法(500),其中,所述统计变量是使用所述一部分数据确定的一组统计变量中的一个统计变量,其中,将所述一部分数据与所述模型进行比较的步骤包括将所述统计变量与和所述历史数据相关联的相应阈值进行比较,并且其中,当所述统计变量中的大部分满足相应阈值时,确定发生了故障或可能发生故障的步骤。
8.根据权利要求1或2所述的方法(500),其中,接收所述多个数据流的步骤包括从联接到所述飞行器(102)的飞行数据仓库(204)接收与所述至少一个参数的传感器测量相关联的原始的时间间隔的数据点,所述方法(500)还包括以下步骤:
确定(504)所述至少一个参数的所述传感器测量随时间的变化。
9.根据权利要求1或2所述的方法(500),所述方法(500)还包括以下步骤:
使用所述至少一个数据流检测(510)在不由飞行员发起的情况下在所述飞行器(102)上发生的事件,其中,选择(508)所述一部分数据的步骤包括选择在所述至少一个数据流中接在所述事件之后的所述一部分数据。
10.一种飞行数据处理***(100),该飞行数据处理***(100)包括:
飞行数据转换计算装置(106),该飞行数据转换计算装置(106)具有一个或更多个处理器(404),所述一个或更多个处理器(404)被配置为:(i)从飞行数据仓库接收对于表示飞行器(102)的操作状况的多个参数中的相应参数获取的多个数据流(214A-C)的原始的时间间隔的数据点,其中,所述飞行器(102)被配置为在不同飞行模式下操作,各飞行模式与相应的操作规则集合相关联;以及(ii)将所述多个数据流(214A-C)的所述原始的时间间隔的数据点转换成表示所述多个参数随时间的变化的测量;
数据库(122、124、126),该数据库(122、124、126)与所述飞行数据转换计算装置通信,并且被配置为存储由所述飞行数据转换计算装置(106)生成的已转换的多个数据流;以及
串流分析模块(150),该串流分析模块(150)与所述飞行数据转换计算装置(106)或所述数据库(122、124、126)通信,其中,所述串流分析模块(150)包括:
一个或更多个处理器(404);以及
存储器(406),在该存储器(406)上存储指令,当由所述一个或更多个处理器(404)执行时,所述指令使得所述串流分析模块(150)执行操作,所述操作包括:
从已转换的多个数据流选择(506)与所述多个参数中的至少一个参数对应的至少一个数据流;
从所述至少一个数据流选择(508)一部分数据,其中,根据获取所述一部分数据时所述飞行器(102)的飞行模式来选择所述一部分数据;
将所述一部分数据与基于历史数据的对于所述至少一个参数确定的模型进行比较(518);
基于所述比较确定(522)在所述飞行器(102)的操作期间发生了故障或可能发生故障;以及
发送(528)表示发生了故障或可能发生故障的飞行器健康监测信息,
其中,所述至少一个参数是流量阀,所述比较(518)基于不同阶段,包括:
将阶段1期间流量阀的流率的标准偏差与第一阈值进行比较(302);
将阶段2期间所述流量阀的平均流率与第二阈值进行比较(306);以及将阶段3期间所述流量阀的最大流率与第三阈值进行比较(310)。
11.根据权利要求10所述的飞行数据处理***(100),其中,所述数据库(122、124)被配置为将已转换的多个数据流(214A-C)存储在Hadoop分布式文件***(126)中,以利于由所述串流分析模块(150)对已转换的多个数据流(214A-C)进行并行处理。
12.根据权利要求10或11所述的飞行数据处理***(100),所述飞行数据处理***(100)还包括:
历史数据处理计算装置(128),该历史数据处理计算装置(128)与所述数据库(122、124、126)通信,并且被配置为基于从所述数据库(122、124、126)接收的过去的已转换的多个数据流来确定所述模型。
13.根据权利要求10或11所述的飞行数据处理***(100),其中,所述操作还包括:
确定(516)用于所述至少一个参数的统计变量,其中,将所述一部分数据与基于历史数据的对于所述至少一个参数确定的模型进行比较(518)的步骤包括:将所确定的统计变量与和所述历史数据相关联的已存储统计变量进行比较(520)。
14.根据权利要求13所述的飞行数据处理***(100),其中,所述统计变量是使用所述一部分数据确定的一组统计变量中的一个统计变量,其中,将所述一部分数据与所述模型进行比较的步骤包括将所确定的统计变量与和所述历史数据相关联的相应阈值进行比较,并且其中,当所述统计变量中的大部分满足相应阈值时确定发生了故障或可能发生故障。
15.根据权利要求10或11所述的飞行数据处理***(100),其中,所述操作还包括:
使用所述至少一个数据流检测(510)在不由飞行员发起的情况下在所述飞行器(102)上发生的事件,其中,选择(508)所述一部分数据的步骤包括选择在所述至少一个数据流中接在所述事件之后的所述一部分数据。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US15/813,428 | 2017-11-15 | ||
US15/813,428 US10672204B2 (en) | 2017-11-15 | 2017-11-15 | Real time streaming analytics for flight data processing |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109783461A CN109783461A (zh) | 2019-05-21 |
CN109783461B true CN109783461B (zh) | 2023-09-05 |
Family
ID=64308601
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811266012.3A Active CN109783461B (zh) | 2017-11-15 | 2018-10-29 | 用于飞行器的数据流分析的方法和飞行数据处理*** |
Country Status (4)
Country | Link |
---|---|
US (1) | US10672204B2 (zh) |
EP (1) | EP3486739B1 (zh) |
JP (1) | JP7202847B2 (zh) |
CN (1) | CN109783461B (zh) |
Families Citing this family (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10304263B2 (en) * | 2016-12-13 | 2019-05-28 | The Boeing Company | Vehicle system prognosis device and method |
FR3086481B1 (fr) * | 2018-09-20 | 2021-12-10 | Thales Sa | Procede de detection et filtrage de flux illegitimes dans un reseau de communication par satellite |
US10814883B1 (en) | 2018-10-18 | 2020-10-27 | Northrop Grumman Systems Corporation | Prognostics for improved maintenance of vehicles |
US10725463B1 (en) * | 2018-10-18 | 2020-07-28 | Northrop Grumman Systems Corporation | High frequency sensor data analysis and integration with low frequency sensor data used for parametric data modeling for model based reasoners |
US10964130B1 (en) | 2018-10-18 | 2021-03-30 | Northrop Grumman Systems Corporation | Fleet level prognostics for improved maintenance of vehicles |
US10676048B2 (en) | 2018-10-18 | 2020-06-09 | Northrop Grumman Systems Corporation | Parametric data modeling for model based reasoners |
US11069160B2 (en) * | 2018-12-20 | 2021-07-20 | Bell Helicopter Textron Inc. | Systems and methods of optimizing utilization of vehicle onboard storage |
US20200385141A1 (en) * | 2019-06-06 | 2020-12-10 | The Boeing Company | Data driven machine learning for modeling aircraft sensors |
JP2021039685A (ja) * | 2019-09-05 | 2021-03-11 | 株式会社デンソーテン | 異常検出装置および異常検出方法 |
US20230032571A1 (en) * | 2019-12-23 | 2023-02-02 | Embraer S.A. | Systems and methods for an agnostic system functional status determination and automatic management of failures |
US11341026B2 (en) * | 2020-01-06 | 2022-05-24 | EMC IP Holding Company LLC | Facilitating detection of anomalies in data center telemetry |
US11518546B2 (en) * | 2020-02-06 | 2022-12-06 | The Boeing Company | Aircraft performance analysis system and method |
US11416506B2 (en) * | 2020-04-29 | 2022-08-16 | EMC IP Holding Company LLC | Facilitating temporal data management for anomalous state detection in data centers |
US12006062B2 (en) | 2020-05-15 | 2024-06-11 | The Boeing Company | Method and system for reducing air-to-ground data traffic communicated from an aircraft |
CN112286088A (zh) * | 2020-09-25 | 2021-01-29 | 广东邮电职业技术学院 | 一种动力设备故障预测模型在线应用的方法及应用*** |
CN112555050B (zh) * | 2020-12-02 | 2022-03-11 | 西安航天动力试验技术研究所 | 一种分布式超音速空气流生成装置运行状态监测及急停方法 |
CN112527945A (zh) * | 2021-02-10 | 2021-03-19 | 中关村科学城城市大脑股份有限公司 | 一种地理空间大数据处理方法及装置 |
DE102021202242A1 (de) | 2021-03-09 | 2022-09-15 | MTU Aero Engines AG | Vorrichtung und Verfahren zur Überwachung eines Flugzeugzustandes |
CN113391616B (zh) * | 2021-05-13 | 2021-12-24 | 中国矿业大学 | 一种基于事件触发机制的矿用电车安全状态估计方法 |
US20220388689A1 (en) * | 2021-06-02 | 2022-12-08 | The Boeing Company | System and method for contextually-informed fault diagnostics using structural-temporal analysis of fault propagation graphs |
US11409866B1 (en) | 2021-06-25 | 2022-08-09 | Northrop Grumman Systems Corporation | Adaptive cybersecurity for vehicles |
US11681811B1 (en) | 2021-06-25 | 2023-06-20 | Northrop Grumman Systems Corporation | Cybersecurity for configuration and software updates of vehicle hardware and software based on fleet level information |
US11546263B1 (en) * | 2021-08-06 | 2023-01-03 | Nec Corporation | Delayed propagations for sliding-window aggregations over out-of-order streams |
WO2023086757A1 (en) * | 2021-11-10 | 2023-05-19 | Aermetric Technology Group, Inc. | Systems and methods for aircraft management |
EP4181419A1 (en) * | 2021-11-12 | 2023-05-17 | Honeywell International Inc. | Detection of network issues and health reporting to ground-based stakeholders |
US11908251B2 (en) | 2021-11-12 | 2024-02-20 | Honeywell International Inc. | Detection of network issues and health reporting to ground-based stakeholders |
US11814158B1 (en) * | 2022-04-28 | 2023-11-14 | Beta Air, Llc | Systems and methods for determining areas of discrepancy in flight for an electric aircraft |
CN115292423A (zh) * | 2022-10-08 | 2022-11-04 | 南京广权科技有限公司 | 一种用于信息化串流的故障信息归类方法及*** |
FR3142572A1 (fr) * | 2022-11-29 | 2024-05-31 | Airbus | Procédé de détermination d’une probabilité d’apparition d’un dysfonctionnement créant un défaut de performance dans un aéronef |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1455313A1 (en) * | 2003-03-04 | 2004-09-08 | Arinc Incorporated | Aircraft condition analysis and management system |
JP2005309616A (ja) * | 2004-04-19 | 2005-11-04 | Mitsubishi Electric Corp | 設備機器故障診断システム及び故障診断ルール作成方法 |
GB2450241A (en) * | 2007-06-12 | 2008-12-17 | Boeing Co | Bayesian probability analysis for health monitoring and failure prediction of complex systems |
JP2011070635A (ja) * | 2009-08-28 | 2011-04-07 | Hitachi Ltd | 設備状態監視方法およびその装置 |
CN103677662A (zh) * | 2012-08-28 | 2014-03-26 | 通用电气航空***有限责任公司 | 一种将数据存储在飞机嵌入式***中的方法和*** |
CN105517666A (zh) * | 2014-09-05 | 2016-04-20 | 深圳市大疆创新科技有限公司 | 基于情景的飞行模式选择 |
JP2017109650A (ja) * | 2015-12-17 | 2017-06-22 | 株式会社東芝 | 異常診断装置及び方法 |
WO2017118670A2 (en) * | 2016-01-06 | 2017-07-13 | Ge Aviation Systems Limited | Fusion of aviation-related data for comprehensive aircraft system health monitoring |
CN107014383A (zh) * | 2015-12-29 | 2017-08-04 | 泰勒斯公司 | 飞行器中的气象数据的显示 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040243636A1 (en) | 2003-03-18 | 2004-12-02 | Smartsignal Corporation | Equipment health monitoring architecture for fleets of assets |
US7251550B2 (en) * | 2003-10-01 | 2007-07-31 | Honeywell International Inc. | Aircraft accessory monitor |
US8234279B2 (en) | 2005-10-11 | 2012-07-31 | The Boeing Company | Streaming text data mining method and apparatus using multidimensional subspaces |
US8209083B2 (en) * | 2006-08-04 | 2012-06-26 | Honeywell International Inc. | Tunable architecture for aircraft fault detection |
US8712634B2 (en) | 2010-08-11 | 2014-04-29 | The Boeing Company | System and method to assess and report the health of landing gear related components |
US8589019B2 (en) | 2011-05-13 | 2013-11-19 | Qualcomm Incorporated | Systems and methods for vehicle monitoring with processing interruption tolerance |
US10176032B2 (en) | 2014-12-01 | 2019-01-08 | Uptake Technologies, Inc. | Subsystem health score |
US9418493B1 (en) | 2015-04-30 | 2016-08-16 | The Boeing Company | Methods and systems for data analytics |
US10151215B2 (en) * | 2015-06-01 | 2018-12-11 | Solar Turbines Incorporated | High speed recorder for a gas turbine engine |
US9960009B2 (en) * | 2015-07-17 | 2018-05-01 | Lam Research Corporation | Methods and systems for determining a fault in a gas heater channel |
-
2017
- 2017-11-15 US US15/813,428 patent/US10672204B2/en active Active
-
2018
- 2018-10-29 CN CN201811266012.3A patent/CN109783461B/zh active Active
- 2018-10-31 JP JP2018205051A patent/JP7202847B2/ja active Active
- 2018-11-13 EP EP18205894.1A patent/EP3486739B1/en active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1455313A1 (en) * | 2003-03-04 | 2004-09-08 | Arinc Incorporated | Aircraft condition analysis and management system |
JP2005309616A (ja) * | 2004-04-19 | 2005-11-04 | Mitsubishi Electric Corp | 設備機器故障診断システム及び故障診断ルール作成方法 |
GB2450241A (en) * | 2007-06-12 | 2008-12-17 | Boeing Co | Bayesian probability analysis for health monitoring and failure prediction of complex systems |
JP2011070635A (ja) * | 2009-08-28 | 2011-04-07 | Hitachi Ltd | 設備状態監視方法およびその装置 |
CN103677662A (zh) * | 2012-08-28 | 2014-03-26 | 通用电气航空***有限责任公司 | 一种将数据存储在飞机嵌入式***中的方法和*** |
CN105517666A (zh) * | 2014-09-05 | 2016-04-20 | 深圳市大疆创新科技有限公司 | 基于情景的飞行模式选择 |
JP2017109650A (ja) * | 2015-12-17 | 2017-06-22 | 株式会社東芝 | 異常診断装置及び方法 |
CN107014383A (zh) * | 2015-12-29 | 2017-08-04 | 泰勒斯公司 | 飞行器中的气象数据的显示 |
WO2017118670A2 (en) * | 2016-01-06 | 2017-07-13 | Ge Aviation Systems Limited | Fusion of aviation-related data for comprehensive aircraft system health monitoring |
Also Published As
Publication number | Publication date |
---|---|
US10672204B2 (en) | 2020-06-02 |
EP3486739B1 (en) | 2022-01-05 |
JP7202847B2 (ja) | 2023-01-12 |
JP2019108117A (ja) | 2019-07-04 |
CN109783461A (zh) | 2019-05-21 |
US20190147670A1 (en) | 2019-05-16 |
EP3486739A1 (en) | 2019-05-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109783461B (zh) | 用于飞行器的数据流分析的方法和飞行数据处理*** | |
US11170586B1 (en) | Fleet level prognostics for improved maintenance of vehicles | |
JP6937173B2 (ja) | 航空機の重整備における構造体修理のための予測方法及びシステム | |
CN110865929B (zh) | 异常检测预警方法及*** | |
EP3091410B2 (en) | Methods and system for data analytics | |
RU2573735C2 (ru) | Способ и система для анализа полетных данных, записанных во время полета летательного аппарата | |
Esperon-Miguez et al. | A review of Integrated Vehicle Health Management tools for legacy platforms: Challenges and opportunities | |
US10725463B1 (en) | High frequency sensor data analysis and integration with low frequency sensor data used for parametric data modeling for model based reasoners | |
Gorinevsky et al. | Aircraft anomaly detection using performance models trained on fleet data | |
US20130268501A1 (en) | System and method for monitoring distributed asset data | |
US20220076581A1 (en) | Computing environment system for monitoring aircraft engines | |
Lee et al. | Data-driven system health monitoring technique using autoencoder for the safety management of commercial aircraft | |
US11807389B2 (en) | Systems and methods for aircraft management | |
Ahmad et al. | Intelligent framework for automated failure prediction, detection, and classification of mission critical autonomous flights | |
EP4189505A1 (en) | Fleet level prognostics for improved maintenance of vehicles | |
Karaoğlu et al. | Applications of machine learning in aircraft maintenance | |
EP4111270B1 (en) | Prognostics for improved maintenance of vehicles | |
Pangione et al. | A taxonomy approach to failure mode analysis for use in predictive condition monitoring | |
Burnaev | Rare failure prediction via event matching for aerospace applications | |
Saada et al. | A novel approach for pilot error detection using Dynamic Bayesian Networks | |
Steinweg et al. | Integrated aircraft risk analysis framework for health monitoring systems–a case study for structural health monitoring | |
Omrani et al. | Assessment of aviation accident datasets in severity prediction through machine learning | |
e Lima | Development of an Aircraft Health Monitoring Program for Predictive Maintenance | |
Spexet et al. | Intelligent Summarization of Aviation Data for Maintenance | |
Wang et al. | Research on prognostic health management (PHM) model for fighter planes based on flight data |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |