CN112052714A - 用于对飞行器传感器建模的数据驱动的机器学习 - Google Patents
用于对飞行器传感器建模的数据驱动的机器学习 Download PDFInfo
- Publication number
- CN112052714A CN112052714A CN202010381502.9A CN202010381502A CN112052714A CN 112052714 A CN112052714 A CN 112052714A CN 202010381502 A CN202010381502 A CN 202010381502A CN 112052714 A CN112052714 A CN 112052714A
- Authority
- CN
- China
- Prior art keywords
- components
- real
- component
- time
- behaviors
- 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
- 238000010801 machine learning Methods 0.000 title claims abstract description 16
- 230000006399 behavior Effects 0.000 claims abstract description 182
- 230000002159 abnormal effect Effects 0.000 claims abstract description 34
- 230000004044 response Effects 0.000 claims abstract description 14
- 238000000034 method Methods 0.000 claims description 68
- 238000012549 training Methods 0.000 claims description 56
- 238000003745 diagnosis Methods 0.000 claims description 26
- 238000005259 measurement Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 description 9
- 230000008901 benefit Effects 0.000 description 5
- 238000001514 detection method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 206010000117 Abnormal behaviour Diseases 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013459 approach Methods 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
- 230000007613 environmental effect 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
- 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
- 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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64F—GROUND OR AIRCRAFT-CARRIER-DECK INSTALLATIONS SPECIALLY ADAPTED FOR USE IN CONNECTION WITH AIRCRAFT; DESIGNING, MANUFACTURING, ASSEMBLING, CLEANING, MAINTAINING OR REPAIRING AIRCRAFT, NOT OTHERWISE PROVIDED FOR; HANDLING, TRANSPORTING, TESTING OR INSPECTING AIRCRAFT COMPONENTS, NOT OTHERWISE PROVIDED FOR
- B64F5/00—Designing, manufacturing, assembling, cleaning, maintaining or repairing aircraft, not otherwise provided for; Handling, transporting, testing or inspecting aircraft components, not otherwise provided for
- B64F5/60—Testing or inspecting aircraft components or systems
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/56—Provisioning of proxy services
- H04L67/565—Conversion or adaptation of application format or content
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64D—EQUIPMENT FOR FITTING IN OR TO AIRCRAFT; FLIGHT SUITS; PARACHUTES; ARRANGEMENT OR MOUNTING OF POWER PLANTS OR PROPULSION TRANSMISSIONS IN AIRCRAFT
- B64D45/00—Aircraft indicators or protectors not otherwise provided for
- B64D2045/0085—Devices for aircraft health monitoring, e.g. monitoring flutter or vibration
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B17/00—Systems involving the use of models or simulators of said systems
- G05B17/02—Systems involving the use of models or simulators of said systems electric
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
- G06N5/025—Extracting rules from data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- 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)
- Manufacturing & Machinery (AREA)
- Transportation (AREA)
- Computational Linguistics (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
涉及用于对飞行器传感器建模的数据驱动的机器学习。一种***,包括组成工程***的一组部件,该组部件被配置成生成表示分别与该组部件相关联的一组实时操作行为的实时数据。该***可以包括预测模型,该预测模型被配置成相对于分别与该组部件中的其它部件相关联的其它正常操作行为来预测与该组部件中的部件相关联的正常操作行为。该***可以包括处理器,该处理器被配置成接收一组实时操作行为,该组实时操作行为包括与该部件相关联的实时操作行为,并且该处理器被配置成基于预测模型将与该部件相关联的该实时操作行为分类成正常或异常。该***可以包括输出装置,该输出装置被配置成响应于处理器将该实时操作行为分类成异常而输出故障的指示。
Description
技术领域
本公开总体上涉及状态感测和/或故障感测,并且具体地涉及使用数据驱动的机器学习对飞行器传感器进行建模。
背景技术
诸如工厂和机械装置(machinery)这样的工程***(engineered system)(尤其是飞行器和其它载具),通常包括许多部件和子***。可以定期检修或更换这些部件,以确保***正常起作用。有时,部件和/或子***可能会在其检修计划之外意外地劣化(degrade)。可以通过日志、明显的影响、故障排除、计划的检查和/或其它类型的故障检测方法,来识别这些劣化部件。这些事件可能导致非计划的维护和显著花费。
当前的解决方案通常本质上是手动的,并且包括来自在正被审查(scrutiny)的特定子***方面是专家的人的支持。这种方法耗时、昂贵并且可能无法充分预见问题以防止非计划的停机。检测劣化部件和子***的当前方法还倾向于生成大量的误报以及漏检。
机器学习技术已应用于特定子***以尝试识别问题。然而,当前的机器学习解决方案以子***为重点,并且不包括从工程***的其它部件或子***获取的数据。这样,这些方法可能丢失在整个***中捕获环境和其它外部影响的传感器中编码的有价值的潜在信息。因此,当前的机器学习技术可能无法在整个工程***的背景下充分检测劣化部件和/或子***。可能存在其它缺点。
发明内容
本文公开了用于在工程***的其它部件和/或子***的背景下感测劣化部件或子***的***和方法。所公开的***和方法可以准确地检测劣化部件,并减少与非计划维护相关联的时间和花费。例如,部件劣化可以是失效的先兆,使得对劣化部件的检测可以使得能够预测故障或失效。在示例中,一种方法包括接收训练数据,该训练数据表示分别与组成工程***的一组部件相关联的一组操作行为。该方法进一步包括基于训练数据来生成预测模型,该预测模型被配置成相对于分别与该组部件中的其它部件相关联的其它正常操作行为来预测与该组部件中的部件相关联的正常操作行为。该方法还包括接收实时数据,该实时数据表示分别与该组部件相关联的一组实时操作行为,该组实时操作行为包括与该部件相关联的实时操作行为。该方法包括基于预测模型,将与该部件相关联的实时操作行为分类成正常或异常。该方法进一步包括响应于将实时操作行为分类成异常,生成故障诊断的指示。
在一些示例中,该组部件包括载具部件,并且工程***是载具。在一些示例中,该组部件包括飞行器部件,并且工程***是飞行器。在一些示例中,训练数据是从飞行器机队(fleet of aircraft)的多个飞行器接收的。在一些示例中,将与该部件相关联的实时操作行为分类是在飞行器飞行时在飞行器的航空电子设备舱内的处理器处执行的。在一些示例中,生成预测模型包括使用训练数据通过监督机器学习处理来训练预测模型。在一些示例中,该组实时操作行为包括用户输入集、机器状态集、测量集或其组合。
在一些示例中,该方法包括基于训练数据生成第二预测模型,该第二预测模型被配置成相对于分别与该组部件中的其它部件相关联的其它操作行为来预测与该组部件中的第二部件相关联的第二正常操作行为,其中,该组实时操作行为包括该第二部件的第二实时操作行为。在一些示例中,该方法包括将与第二部件相关联的第二实时操作行为分类成正常或异常,并且,响应于将第二实时操作行为分类成异常,生成故障诊断的指示。
在一些示例中,该故障诊断的指示识别该部件。在一些示例中,该方法包括将故障诊断的指示发送到输出装置。
在一些示例中,一种***包括组成工程***的一组部件,该组部件被配置成生成实时数据,该实时数据表示分别与该组部件相关联的一组实时操作行为。该***还包括计算机实现的预测模型,该预测模型被配置成相对于分别与该组部件中的其它部件相关联的其它正常操作行为来预测与该组部件中的部件相关联的正常操作行为。该***还包括处理器,该处理器被配置成接收一组实时操作行为,该组实时操作行为包括与该部件相关联的实时操作行为,并且该处理器被配置成基于预测模型将与该部件相关联的该实时操作行为分类成正常或异常。该***包括输出装置,该输出装置被配置成响应于处理器将该实时操作行为分类成异常而输出故障诊断的指示。
在一些示例中,该***包括第二处理器,该第二处理器被配置成接收表示分别与该组部件相关联的一组操作行为的训练数据,并基于该训练数据生成预测模型。在一些示例中,该组部件包括载具部件,并且工程***是载具。在一些示例中,该组部件包括飞行器部件,并且工程***是飞行器。在一些示例中,该处理器放置在飞行器的航空电子设备舱内。在一些示例中,该组部件包括一组用户输入装置、一组机器、一组测量传感器或其组合。
在一些示例中,该方法可以包括接收实时数据,该实时数据表示分别与组成工程***的一组部件相关联的一组实时操作行为,该组实时操作行为包括与该组部件中的部件相关联的实时操作行为。该方法进一步包括基于预测模型将与该部件相关联的该实时操作行为分类成正常或异常,该预测模型被配置成相对于分别与该组部件中的其它部件相关联的其它正常操作行为来预测与该部件相关联的正常操作行为。该方法还包括响应于将实时操作行为分类成异常,生成故障诊断的指示。
在一些示例中,该方法包括接收表示分别与该组部件相关联的一组操作行为的训练数据,并基于该训练数据生成预测模型。在一些示例中,生成预测模型包括使用训练数据通过监督机器学习处理来训练预测模型。在一些示例中,该组实时操作行为包括一组用户输入、一组机器状态、一组测量或其组合。
附图说明
图1是描绘了用于训练用于感测工程***中的劣化部件的预测模型的***的示例的框图。
图2是描绘了用于使用预测模型来预测与工程***的部件相关联的正常操作行为的***的示例的框图。
图3是描绘了用于检测工程***的劣化部件的***的示例的框图。
图4是描绘了用于训练预测模型的方法的示例的流程图。
图5是描绘了用于检测工程***的劣化部件的方法的示例的流程图。
尽管本公开易于进行各种修改并具有另选形式,但是已经在附图中并且将在本文中详细描述具体示例。然而,应当理解,本公开不旨在限于所公开的特定形式。相反,其意图是涵盖落入本公开的范围内的所有修改、等同形式和另选形式。
具体实施方式
参照图1,描绘了用于训练用于感测工程***112中的劣化部件的预测模型138的***100的示例。工程***112可以包括具有第一部件116、第二部件118和第三部件120的一组部件114。尽管出于例示性目的描绘了三个部件,但是应当理解,实际上,该组部件114可以包括多于三个或少于三个的部件。在最实际的应用中,该组部件114可以包括多个部件。
工程***112可以对应于载具,诸如,飞行器。例如,图1描绘了包括第一飞行器122A、第二飞行器122B和第三飞行器122C的飞行器机队122。飞行器122A至122C中的各个飞行器可以是相同类型,并且包括彼此相同的部件。这样,飞行器122A至122C中的各个飞行器可以对应于工程***112。
为了进行例示,第一飞行器122A可以包括对应于第一部件116的第一部件116A,对应于第二部件118的第二部件118A以及对应于第三部件120的第三部件120A。同样地,第二飞行器122B可以包括对应于第一部件116A和第一部件116二者的第一部件116B,对应于第二部件118A和第二部件118二者的第二部件118B以及对应于第三部件120A和第三部件120二者的第三部件120B。最后,第三飞行器122C可以包括:第一部件116C,该第一部件116C对应于第一部件116A、第一部件116B和第一部件116;第二部件118C,该第二部件118C对应于第二部件118A、第二部件118B和第二部件118;以及第三部件120C,该第三部件120C对应于第三部件120A、第三部件120B和第三部件120。
部件116、118、120中的各个部件可以在飞行期间连续地产生数据。例如,该组部件114可以包括:一组用户输入装置(例如,飞行控制、用户提示、音频和视频记录等)、一组机器(例如,控制面、发动机***、电机等)、一组测量传感器(例如,压力传感器、温度传感器等)、或其组合。当大量产生时,由该组部件114产生的数据可以用作训练数据102。
训练数据102可以表示分别与组成工程***112的该组部件114相关联的一组操作行为104。例如,训练数据102可以表示与第一部件116相关联的第一操作行为106,与第二部件118相关联的第二操作行为108,以及与第三部件120相关联的第三操作行为110。因为训练数据102是在工程***112的正常操作期间连续收集的,所以除了很少的例外,该组操作行为104可以包括适合用于训练预测模型138的标称行为。应该注意,训练数据流中的一些非标称(off-nominal)数据是可以预期的。然而,鉴于接收到的大量数据,非标称数据可能不会上升到显著水平。因此,所公开的***100可以是能够接受具有这种“噪声”的训练数据的稳健解决方案。此外,因为可以在飞行器机队122上收集训练数据102,所以该组操作行为104可以描述在飞行器机队122而不是飞行器机队122的任何单独的飞行器背景下的标称行为。
***100可以包括被配置成训练预测模型138的计算装置130。计算装置130可以包括处理器132和存储器134。处理器132可以包括中央处理单元(CPU)、图形处理单元(GPU)、数字信号处理器(DSP)、***接口控制器(PIC)或另一类型的微处理器。处理器132可以被实现成集成电路、现场可编程门阵列(FPGA)、专用集成电路(ASIC)、逻辑门电路的组合、其它类型的数字或模拟电气设计部件等、或者其组合。在一些示例中,处理器132可以依赖于分布式处理操作而跨多个处理元件分布。
此外,计算装置130可以包括存储器134,诸如,随机存取存储器(RAM)、只读存储器(ROM)、磁盘存储器、光盘存储器、闪速存储器、能够存储数据和处理器指令的另一类型的存储器等、或其组合。在一些示例中,存储器或其部分可以位于计算装置130的其余部分的外部,或相对于计算装置130的其余部分的远程位置。存储器134可以存储指令,该指令在由处理器132执行时致使处理器132执行操作。这些操作可以对应于本文描述的任何操作。尤其是,这些操作可以对应于训练预测模型138。
处理器132和存储器134可以一起使用以实现监督机器学习处理136以生成预测模型138。预测模型138可以包括可用于将操作行为分类成正常或异常的任何人工智能模型。例如,预测模型138可以包括决策树、关联规则、其它类型的机器学习分类处理或其组合。预测模型138可以被实现成支持向量机网络、贝叶斯网络、神经网络、其它类型的机器学习分类网络***或其组合。
在操作期间,可以从多个***实现中接收训练数据102。为了例示性目的,图1将训练数据102描绘成,是从飞行器机队122或从飞行器机队122内的任何单个飞行器122A、122B、122C接收的,这取决于要在机队水平还是在单独的飞行器水平分析工程***112。尽管图1描绘了飞行器,但是应该理解,工程***可以对应于任何类型的机械或电气***,而不仅是飞行器。然后可以使用训练数据102通过监督机器学习处理136来训练预测模型138。因为该组操作行为104可以在大多数情况下包括该组部件114的标称行为,所以预测模型138可以被配置成在第一部件116的正常操作行为与异常操作行为之间进行区分。有利地,预测可以不仅基于与第一部件116相关联的第一操作行为106,而且可以基于与部件116不相关联但可能与在工程***112内与第一部件116交互的第二部件118和第三部件120相关的其它操作行为108、110。以类似的方式,可以生成第二预测模型139,以在第二部件118的正常操作行为与异常操作行为之间进行区分,并且可以生成第三预测模型140以在第三部件120的正常操作行为与异常操作行为之间进行区分。
通过基于除了第一部件116的第一操作行为106之外,表示其它部件118、120的其它操作行为108、110的训练数据102来,训练预测模型138,预测模型138可以被配置成,在确定第一部件116是以正常方式还是以异常方式操作中将工程***122作为整体来考虑。对于第二预测模型139和第三预测模型140存在类似的益处。可能存在其它优点。
参照图2,描绘了使用预测模型138来预测与工程***112的部件116相关联的第一正常操作行为202的***200的示例。一旦如参照图1所述训练了预测模型138,就可以使用预测模型138来预测第一部件116的第一正常操作行为202。例如,可以将第二部件118的第二正常操作行为204和第三部件120的第三正常操作行为206输入到预测模型138中。基于第二正常操作行为204和第三正常操作行为206,预测模型138可以确定或预测第一部件116的第一正常操作行为202。如关于图3进一步解释的,可以将所预测的第一正常操作行为202与部件116的实际行为进行比较,以确定部件116的行为是正常还是异常。尽管图2涉及预测第一部件116的第一正常操作行为202,但是可以以类似的方式,使用第二预测模型139基于第一正常操作行为202和第三正常操作行为206,来预测第二部件118的第二正常操作行为204,并且可以以类似的方式,使用第三预测模型140基于第一正常操作行为202和第二正常操作行为204,来预测第三部件120的第三正常操作行为206。
参照图3,描绘了用于检测工程***112中的劣化部件的***300的示例。***300可以包括:具有一组部件114的工程***112和计算装置322。在工程***112是飞行器的情况下,计算装置322可以放置在飞行器的航空电子设备舱320内。另选地,计算装置322可以是基于地面的,并且可以用于飞行后处理。
计算装置322可以包括处理器324、存储器326和输出装置328。处理器324可以包括中央处理单元(CPU)、图形处理单元(GPU)、数字信号处理器(DSP)、***接口控制器(PIC)或另一类型的微处理器。处理器324可以被实现成集成电路、现场可编程门阵列(FPGA)、专用集成电路(ASIC)、逻辑门电路的组合、其它类型的数字或模拟电气设计部件等、或者其组合。在一些示例中,处理器324可以依赖于分布式处理操作而跨多个处理元件分布。
存储器326可以包括随机存取存储器(RAM)、只读存储器(ROM)、磁盘存储器、光盘存储器、闪速存储器、能够存储数据和处理器指令的另一类型的存储器等、或其组合。在一些示例中,存储器326或其部分可以位于计算装置322的其余部分的外部,或相对于计算装置322的其余部分的远程位置。存储器326可以存储指令,该指令在由处理器324执行时致使处理器324执行操作。该操作可以对应于本文描述的任何操作。尤其是,该操作可以对应于使用预测模型138来检测部件116、118、120中的一个部件的故障。
输出装置328可以包括能够与用户或计算装置322外部的装置进行通信的任何装置。例如,输出装置328可以包括用户输出装置,诸如,指示灯、显示屏、扬声器等。输出装置328还可以包括网络输出装置,诸如,串行通信装置、网卡等。
预测模型138、139、140可以存储在计算装置322处,或者存储在存储器326处,或者以另一形式存储。基于使用预测模型138、139、140的结果,可以如本文所述的生成故障诊断(例如,故障检测)的指示330。输出装置328可以被配置成将故障诊断的指示330传送给用户或另一装置。
在操作期间,工程***112可以生成包括一组实时操作行为308的实时(real-time)数据310。如本文中所使用的,术语“实时”意味着实时数据310对应于当前正发生的操作(诸如,当前正发生的飞行)或最近的操作(诸如,由飞行器进行的最近的飞行)。尤其是,“实时”的概念旨在考虑访问数据的延迟。该组实时操作行为308可以包括与第一部件116相关联的第一实时操作行为,与第二部件118相关联的第二实时操作行为、以及与第三部件120相关联的第三实时操作行为。
计算装置322可以接收实时数据310。基于该实时数据310,处理器324可基于预测模型138将与部件116相关联的第一实时操作行为302分类成正常或异常。例如,预测模型138可以计算第一部件116的第一正常操作行为202。可以将第一正常操作行为202与第一实时操作行为302进行比较,以确定第一实时操作行为302是否异常。响应于将第一实时操作行为302分类成异常,处理器324可以生成故障诊断的指示330。在一些示例中,第一实时操作行为302的分类可以在飞行期间发生。
可以进行类似的计算,以确定第二实时操作行为304和/或第三实时操作行为306是否异常。例如,第二预测模型139可以计算与第二部件118相关联的第二正常操作行为204,并且第三预测模型140可以计算与第三部件120相关联的第三正常操作行为206。因此,对于部件116、118、120中各个部件,可以基于一组实时操作行为308中的其它操作行为来计算对应的正常操作行为202、204、206。如果该组实时操作行为308中的任何操作行为是异常的,则可以生成故障诊断的指示330,该故障诊断的指示330指示部件116、118、120中的哪个部件在异常地操作。
通过使用基于部件116、118、120中的各个部件的实时操作行为302、304、306来对实时数据310进行分类的预测模型138至140,***300可以在整个工程***而不是单个部件的行为的背景下检测劣化部件和/或子***。这样,***300可以检测其它检测***可能错过的异常行为。可能存在其它益处。
参照图4,描绘了用于训练预测模型的方法400的示例。方法400可以包括:在402处,接收表示分别与组成工程***的一组部件相关联的一组操作行为的训练数据。例如,可以在计算装置130处接收训练数据102。
方法400可以进一步包括:在404处,基于训练数据来生成预测模型,该预测模型被配置成相对于分别与该组部件中的其它部件相关联的其它正常操作行为来预测与该组部件中的部件相关联的正常操作行为。例如,可以生成预测模型138、139、140,以相对于整个工程***112预测与部件116、118、120相关联的正常操作行为,以便诊断工程***112内的劣化,该劣化可能与除了由预测模型138、139、140进行建模的部件之外的部件有关。方法400还可以包括:在406处,分析基于第一预测模型和第二预测模型的模式以使得能够识别部件。通过分析与预测模型138、139、140中的哪个相关联模式指示异常以及哪个指示正常,可以确定哪个子***,甚至子***内的哪个部件可能是异常行为的根本原因。换句话说,可以发现需要更换的劣化的零件。
因此,通过生成被配置成相对于分别与工程***的其它部件相关联的其它正常操作行为,来预测与部件相关联的正常操作行为的预测模型,方法400在确定部件的操作正常还是异常中将工程***作为整体来考虑。可能存在其它优点。
参照图5,描绘了用于检测工程***中的劣化部件的方法500的示例。方法500可以包括:在502处,接收表示分别与组成工程***的一组部件相关联的一组实时操作行为的实时数据,该组实时操作行为包括与该组部件中的部件相关联的实时操作行为。例如,可以由计算装置322接收实时数据310。
方法500可以进一步包括:在504处,基于预测模型,将与该部件相关联的实时操作行为分类成正常或异常,该预测模型被配置成相对于分别与该组部件中的其它部件相关联的其它正常操作行为来预测与该部件相关联的正常操作行为。例如,可以通过预测模型138将第一实时操作行为302分类。
方法500还可以包括:在506处,响应于将实时操作行为分类成异常,生成故障诊断的指示。例如,处理器324可以生成故障诊断的指示330。
方法500可以包括:在508处,将故障诊断的指示发送到输出装置。例如,故障诊断的指示330可以被发送到用于输出的输出装置328。
此外,本公开包括根据以下条款的示例:
条款1.一种方法,所述方法包括:接收训练数据,该训练数据表示分别与组成工程***的一组部件相关联的一组操作行为;基于所述训练数据生成预测模型,所述预测模型被配置成相对于分别与所述一组部件中的其它部件相关联的其它正常操作行为来预测与所述一组部件中的部件相关联的正常操作行为;接收实时数据,该实时数据表示分别与所述一组部件相关联的一组实时操作行为,所述一组实时操作行为包括与所述部件相关联的实时操作行为;基于所述预测模型,将与所述部件相关联的所述实时操作行为分类成正常或异常;以及响应于将所述实时操作行为分类成异常,生成故障诊断的指示。
条款2.根据条款1所述的方法,其中,所述一组部件包括载具部件,并且其中,所述工程***是载具。
条款3.根据条款1至2中的任意项所述的方法,其中,所述一组部件包括飞行器部件,并且其中,所述工程***是飞行器。
条款4.根据条款1至3中的任意项所述的方法,其中,所述训练数据是从飞行器机队的多个飞行器接收的。
条款5.根据条款1至3中的任意项所述的方法,其中,将与所述部件相关联的所述实时操作行为进行分类是在所述飞行器飞行时在所述飞行器的航空电子设备舱(avionicsbay)内的处理器处执行的。
条款6.根据条款1至5中的任意项所述的方法,其中,生成所述预测模型包括:使用所述训练数据通过监督机器学习处理来训练所述预测模型。
条款7.根据条款1至6中的任意项所述的方法,其中,所述训练数据的所述一组操作行为包括:标称操作行为和非标称操作行为二者。
条款8.根据条款1至7中的任意项所述的方法,其中,所述一组实时操作行为包括:用户输入集、机器状态集、测量集、或其组合。
条款9.根据条款1至8中的任意项所述的方法,所述方法还包括:基于所述训练数据生成第二预测模型,所述第二预测模型被配置成相对于分别与所述一组部件中的其它部件相关联的其它操作行为来预测与所述一组部件中的第二部件相关联的第二正常操作行为,其中,所述一组实时操作行为包括所述第二部件的第二实时操作行为;将与所述第二部件相关联的所述第二实时操作行为分类成正常或异常;以及响应于将所述第二实时操作行为分类成异常,生成所述故障诊断的指示。
条款10.根据条款1至9中的任意项所述的方法,所述方法还包括:分析基于所述第一预测模型和所述第二预测模型的模式,以使得能够识别部件,其中,所述故障诊断的指示识别所述部件。
条款11.根据条款1至10中的任意项所述的方法,所述方法还包括:将所述故障诊断的指示发送到输出装置。
条款12.一种***,所述***包括:组成工程***的一组部件,所述一组部件被配置成生成实时数据,该实时数据表示分别与所述一组部件相关联的一组实时操作行为;计算机实现的预测模型,所述预测模型被配置成相对于分别与所述一组部件中的其它部件相关联的其它正常操作行为来预测与所述一组部件中的部件相关联的正常操作行为;处理器,所述处理器被配置成接收所述一组实时操作行为,所述一组实时操作行为包括与所述部件相关联的实时操作行为,并且所述处理器被配置成基于所述预测模型将与所述部件相关联的所述实时操作行为分类成正常或异常;以及输出装置,所述输出装置被配置成响应于所述处理器将所述实时操作行为分类成异常而输出故障诊断的指示。
条款13.根据条款12所述的***,所述***进一步包括:第二处理器,所述第二处理器被配置成接收表示分别与所述一组部件相关联的一组操作行为的训练数据,并基于所述训练数据来生成所述预测模型。
条款14.根据条款12至13中的任意项所述的***,其中,所述一组部件包括载具部件,并且其中,所述工程***是载具。
条款15.根据条款12至14中的任意项所述的方法,其中,所述一组部件包括飞行器部件,并且其中,所述工程***是飞行器。
条款16.根据条款12至15中的任意项所述的方法,其中,所述一组部件:包括一组用户输入装置、一组机器、一组测量传感器、或其组合。
条款17.一种方法,所述方法包括:接收实时数据,该实时数据表示分别与组成工程***的一组部件相关联的一组实时操作行为,所述一组实时操作行为包括与所述一组部件中的部件相关联的实时操作行为;基于预测模型,将与所述部件相关联的所述实时操作行为分类成正常或异常,所述预测模型被配置成相对于分别与所述一组部件中的其它部件相关联的其它正常操作行为来预测与所述部件相关联的正常操作行为;以及响应于将所述实时操作行为分类成异常,生成故障诊断的指示。
条款18.根据条款17所述的方法,所述方法还包括:接收表示分别与所述一组部件相关联的一组操作行为的训练数据;以及基于所述训练数据来生成所述预测模型。
条款19.根据条款17至18中的任意项所述的方法,其中,生成所述预测模型包括:使用所述训练数据通过监督机器学习处理来训练所述预测模型。
条款20.根据条款17至19中的任意项所述的方法,其中,所述一组实时操作行为包括:一组用户输入、一组机器状态、一组测量或其组合。
通过基于预测模型,将与部件相关联的实时操作行为分类成正常或异常,该预测模型被配置成相对于分别与该组部件中的其它部件相关联的其它正常操作行为来预测与该部件相关联的正常操作行为,方法400可以在整个工程***而不是单个部件的行为的背景下检测劣化部件和/或子***。可能存在其它益处。
尽管已经示出和描述了多个示例,但是本公开不限于此,并且将被理解成包括对于本领域技术人员显而易见的所有这种修改和变型。
Claims (14)
1.一种方法,所述方法包括:
接收(402)训练数据(102),所述训练数据(102)表示分别与组成工程***(112)的一组部件(114)相关联的一组操作行为(104);
基于所述训练数据(102)来生成(404)预测模型(138),所述预测模型(138)被配置成相对于分别与所述一组部件(114)中的其它部件(118、120)相关联的其它正常操作行为(204、206),来预测与所述一组部件(114)中的部件(116)相关联的正常操作行为(202);
接收(502)实时数据(310),所述实时数据(310)表示分别与所述一组部件(114)相关联的一组实时操作行为(308),所述一组实时操作行为(308)包括与所述部件(116)相关联的实时操作行为(302);
基于所述预测模型(138),将与所述部件(116)相关联的实时操作行为(302)分类(504)成正常或异常;以及
响应于将所述实时操作行为(302)分类成异常,而生成(506)故障诊断的指示(330)。
2.根据权利要求1所述的方法,其中,所述一组部件包括载具部件(116A-116C、118A-118C、120A-120C),并且其中,所述工程***是载具(122A-122C)。
3.根据权利要求1至3中的任意项所述的方法,其中,所述一组部件包括飞行器部件(116A-116C、118A-118C、120A-120C),并且其中,所述工程***是飞行器(122A-122C)。
4.根据权利要求1至3中的任意项所述的方法,其中,所述训练数据是从飞行器机队(122)的多个飞行器(122A、122B、122C)接收的。
5.根据权利要求1至3中的任意项所述的方法,其中,将与所述部件(116)相关联的实时操作行为(302)进行分类是在所述飞行器(122A-122C)飞行时在所述飞行器(122A-122C)的航空电子设备舱(320)内的处理器(324)处执行的。
6.根据权利要求1至5中的任意项所述的方法,其中,生成所述预测模型(138)包括:使用所述训练数据(102),通过监督机器学习处理(136)来训练所述预测模型(138)。
7.根据权利要求1至6中的任意项所述的方法,其中,所述训练数据(102)的所述一组操作行为(104)包括:标称操作行为和非标称操作行为二者。
8.根据权利要求1至7中的任意项所述的方法,其中,所述一组实时操作行为(308)包括:用户输入集、机器状态集、测量集、或其组合。
9.根据权利要求1至8中的任意项所述的方法,所述方法进一步包括:
基于所述训练数据(102)来生成第二预测模型(139),所述第二预测模型(139)被配置成相对于分别与所述一组部件(114)中的其它部件(116、120)相关联的其它操作行为(202、206)来预测与所述一组部件(114)中的第二部件(118)相关联的第二正常操作行为(204),其中,所述一组实时操作行为(308)包括所述第二部件(118)的第二实时操作行为(304);
将与所述第二部件(118)相关联的第二实时操作行为(304)分类成正常或异常;以及
响应于将所述第二实时操作行为(304)分类成异常,而生成所述故障诊断的指示(330)。
10.根据权利要求1至9中的任意项所述的方法,所述方法进一步包括如下步骤:
分析基于所述第一预测模型(138)和所述第二预测模型(139)的模式,以使得能够识别所述部件(116),其中,所述故障诊断的指示(330)识别所述部件(116)。
11.根据权利要求1至10中的任意项所述的方法,所述方法进一步包括如下步骤:
将所述故障诊断的指示(330)发送(508)到输出装置(328)。
12.一种***(300),所述***(300)包括:
组成工程***(112)的一组部件(114),所述一组部件(114)被配置成生成实时数据(310),所述实时数据(310)表示分别与所述一组部件(114)相关联的一组实时操作行为(308);
计算机实现的预测模型(138),所述预测模型(138)被配置成相对于分别与所述一组部件(114)中的其它部件(118、112)相关联的其它正常操作行为(204、206)来预测与所述一组部件(114)中的部件(116)相关联的正常操作行为(202);
处理器(324),所述处理器(324)被配置成接收所述一组实时操作行为(308),所述一组实时操作行为(308)包括与所述部件(116)相关联的实时操作行为(302),并且所述处理器(342)被配置成基于所述预测模型(138)来将与所述部件(116)相关联的所述实时操作行为(302)分类成正常或异常;以及
输出装置(328),所述输出装置(328)被配置成响应于所述处理器(324)将所述实时操作行为(302)分类成异常而输出故障诊断的指示(330)。
13.根据权利要求12所述的***,所述***进一步包括:
第二处理器(132),所述第二处理器(132)被配置成接收训练数据(102),所述训练数据(102)表示分别与所述一组部件(116、118、120)相关联的一组操作行为(106、108、110),并且所述第二处理器(132)被配置成基于所述训练数据(102)来生成所述预测模型(138)。
14.根据权利要求12至13中的任意项所述的***,其中,所述一组部件(114)包括以下中的至少一者:
载具部件(116A-116C、118A-118C、120A-120C),并且其中,所述工程***(112)是载具(122A-122C);
飞行器部件(116A-116C、118A-118C、120A-120C),并且其中,所述工程***(112)是飞行器(122A-122C);以及
一组用户输入装置、一组机器、一组测量传感器、或其组合。
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 |
---|---|
CN112052714A true CN112052714A (zh) | 2020-12-08 |
Family
ID=70482283
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010381502.9A Pending CN112052714A (zh) | 2019-06-06 | 2020-05-08 | 用于对飞行器传感器建模的数据驱动的机器学习 |
Country Status (7)
Country | Link |
---|---|
US (1) | US20200385141A1 (zh) |
EP (1) | EP3748450B1 (zh) |
JP (1) | JP2021005370A (zh) |
KR (1) | KR20200140999A (zh) |
CN (1) | CN112052714A (zh) |
AU (1) | AU2020202134A1 (zh) |
BR (1) | BR102020007655A2 (zh) |
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 |
BR102020007655A2 (pt) | 2020-12-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210147182A1 (en) | Non-intrusive data analytics system for adaptive intelligent condition monitoring of lifts | |
US11403160B2 (en) | Fault predicting system and fault prediction method | |
KR101967339B1 (ko) | 심층학습 기반의 adas 센서 고장 진단 및 백업을 위한 장치 및 방법 | |
Xu et al. | Health management based on fusion prognostics for avionics systems | |
JP5016519B2 (ja) | 予測的状態監視のための診断システムおよび方法 | |
US6970804B2 (en) | Automated self-learning diagnostic system | |
US20140365179A1 (en) | Method and Apparatus for Detecting and Identifying Faults in a Process | |
CN109791401B (zh) | 生成用于嵌入式分析和诊断/预测推理的故障模型 | |
US20070239629A1 (en) | Cluster Trending Method for Abnormal Events Detection | |
EP2277778A2 (en) | Vehicle health management systems and methods with predicted diagnostic indicators | |
KR102383139B1 (ko) | 인공지능 기반의 산업설비 고장예측 진단을 위한 데이터 학습 라벨링 시스템 및 그 방법 | |
US8560163B2 (en) | Process and device for diagnostic and maintenance operations of aircraft | |
US11415975B2 (en) | Deep causality learning for event diagnosis on industrial time-series data | |
CN110794227A (zh) | 故障检测方法、***、设备及存储介质 | |
KR102618023B1 (ko) | 고장유형에 따른 패턴 분석을 통한 고장 예지 진단시스템 및 방법 | |
CN112052714A (zh) | 用于对飞行器传感器建模的数据驱动的机器学习 | |
KR101934777B1 (ko) | 빅데이터 및 인공지능 학습 기반의 스크린도어 관리시스템 | |
KR102416474B1 (ko) | 기계학습 기반 고장 진단 장치 및 방법 | |
JP4635194B2 (ja) | 異常検知装置 | |
Medjaher et al. | Failure prognostic by using dynamic Bayesian networks | |
Urbani et al. | Maintenance-management in light of manufacturing 4.0 | |
Azevedo et al. | Estimation of health indicators using advanced analytics for prediction of aircraft systems remaining useful lifetime | |
CN113971117A (zh) | 用于机器自动化中的组件的预测性维护 | |
Marhic et al. | An evidential approach for detection of abnormal behaviour in the presence of unreliable sensors | |
KR102388973B1 (ko) | 내진 시설을 구비한 주배선반 시스템 |
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 |