CN113343364A - 航空大数据分析方法及工具 - Google Patents
航空大数据分析方法及工具 Download PDFInfo
- Publication number
- CN113343364A CN113343364A CN202110757795.0A CN202110757795A CN113343364A CN 113343364 A CN113343364 A CN 113343364A CN 202110757795 A CN202110757795 A CN 202110757795A CN 113343364 A CN113343364 A CN 113343364A
- Authority
- CN
- China
- Prior art keywords
- data
- detected
- correlation
- performance baseline
- aircraft
- 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
- 238000000034 method Methods 0.000 title claims abstract description 92
- 238000007405 data analysis Methods 0.000 title claims abstract description 73
- 230000002159 abnormal effect Effects 0.000 claims abstract description 30
- 238000001514 detection method Methods 0.000 claims abstract description 30
- 238000007781 pre-processing Methods 0.000 claims abstract description 26
- 238000012216 screening Methods 0.000 claims abstract description 21
- 238000013500 data storage Methods 0.000 claims description 49
- 238000012545 processing Methods 0.000 claims description 49
- 238000004458 analytical method Methods 0.000 claims description 38
- 238000013473 artificial intelligence Methods 0.000 claims description 27
- 238000003860 storage Methods 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 18
- 238000012384 transportation and delivery Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 11
- 238000001914 filtration Methods 0.000 claims description 9
- 238000007637 random forest analysis Methods 0.000 claims description 8
- 238000009499 grossing Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 7
- 238000003062 neural network model Methods 0.000 claims description 6
- 238000012423 maintenance Methods 0.000 abstract description 41
- 230000002829 reductive effect Effects 0.000 abstract description 9
- 230000003449 preventive effect Effects 0.000 abstract description 5
- 238000007726 management method Methods 0.000 description 36
- 230000006870 function Effects 0.000 description 27
- 238000010586 diagram Methods 0.000 description 21
- 238000012544 monitoring process Methods 0.000 description 18
- 230000008859 change Effects 0.000 description 13
- 238000004378 air conditioning Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 8
- 238000010219 correlation analysis Methods 0.000 description 7
- 230000036541 health Effects 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000013523 data management Methods 0.000 description 6
- 238000007689 inspection Methods 0.000 description 6
- 238000009434 installation Methods 0.000 description 6
- 230000011218 segmentation Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000005259 measurement Methods 0.000 description 5
- 238000012795 verification Methods 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 230000008520 organization Effects 0.000 description 3
- 230000008439 repair process Effects 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000012800 visualization Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000019771 cognition Effects 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 238000009420 retrofitting Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000000540 analysis of variance Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 125000000524 functional group Chemical group 0.000 description 1
- XDDAORKBJWWYJS-UHFFFAOYSA-N glyphosate Chemical compound OC(=O)CNCP(O)(O)=O XDDAORKBJWWYJS-UHFFFAOYSA-N 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000011068 loading method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000009428 plumbing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000153 supplemental effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000010977 unit operation Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Automation & Control Theory (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提出一种航空大数据分析方法及工具。该方法包括:对待检测***的历史数据进行筛选,得到目标场景下的***参数;对目标场景下的***参数进行预处理;从预处理后的目标场景下的***参数中提取数据特征值;根据数据特征值建立待检测***的性能基线;基于性能基线对待检测***进行状态检测。本申请实施例能够及时地检测出目标场景下可能出现的状态异常和***故障,以便通过预防性维修减少***突发故障,降低***运行安全风险,提高检测效率,降低运维费用,还能够提高***可利用率,进而增加收益。
Description
技术领域
本申请涉及计算机技术领域,尤其涉及民航技术领域,具体涉及一种航空大数据分析方法及工具。
背景技术
在***状态检测过程中,需要实时监控重要***的性能指标,以便能够及时预测出可能出现的状态异常。以飞行器维修为例,现有的状态检测采用例行工作定期维修这种被动响应的维修模式,这种落后维修模式无法对***实时状态分析预测,及时地检测出可能出现的状态异常,降低运行安全风险和降低运维费用是目前亟待解决的问题。
发明内容
本申请实施例提供一种航空大数据分析方法及工具,以解决相关技术存在的问题中的至少一个,技术方案如下:
第一方面,本申请实施例提供了一种航空大数据分析方法,包括:
对待检测***的历史数据进行筛选,得到目标场景下的***参数;
对目标场景下的***参数进行预处理;
从预处理后的目标场景下的***参数中提取数据特征值;
根据数据特征值建立待检测***的性能基线;
基于性能基线对待检测***进行状态检测。
在一种实施方式中,待检测***包括飞行器;方法还包括:
构建与飞行器构型对应的数据存储框架,数据存储框架以时间序列为数据存储形式;
按照飞行器构型将待检测***的历史数据存储到对应的数据存储框架中。
在一种实施方式中,飞行器构型包括机型允装构型、单机交付构型和单机运行构型中的至少一种。
在一种实施方式中,预处理包括曲线插补处理、滤波处理、曲线平滑处理、多参数预处理和异常值处理中的至少一项。
在一种实施方式中,待检测***包括飞行器;目标场景包括特定时间段、特定航段、特定飞行阶段、特定参数范围和特定***类型中的至少一种。
在一种实施方式中,根据数据特征值建立待检测***的性能基线,包括:
对数据特征值进行分析,得到至少两种***参数之间的相关性;
根据至少两种***参数之间的相关性建立待检测***的性能基线。
在一种实施方式中,根据至少两种***参数之间的相关性建立待检测***的性能基线,包括:在***参数之间的相关性为线性相关的情况下,利用线性模型或人工智能模型建立待检测***的性能基线。
在一种实施方式中,根据至少两种***参数之间的相关性建立待检测***的性能基线,包括:在***参数之间的相关性为非线性相关的情况下,利用人工智能模型建立待检测***的性能基线。
在一种实施方式中,人工智能模型包括神经网络模型、随机森林模型和支持向量回归模型中的至少一种。
在一种实施方式中,根据至少两种***参数之间的相关性建立待检测***的性能基线,包括:在***参数之间的相关性为非线性相关的情况下,利用分段线性模型建立待检测***的性能基线。
在一种实施方式中,基于性能基线对待检测***进行状态检测,包括:
采集待检测***的***参数对应的当前数据;
比较当前数据与性能基线是否相符;
根据比较的结果确定待检测***是否状态异常。
第二方面,本申请实施例提供了一种航空大数据分析工具,包括:
筛选单元,用于对待检测***的历史数据进行筛选,得到目标场景下的***参数;
处理单元,用于对目标场景下的***参数进行预处理;
提取单元,用于从预处理后的目标场景下的***参数中提取数据特征值;
分析单元,用于根据数据特征值建立待检测***的性能基线;
检测单元,用于基于性能基线对待检测***进行状态检测。
在一种实施方式中,待检测***包括飞行器;上述工具还包括存储单元,用于:
构建与飞行器构型对应的数据存储框架,数据存储框架以时间序列为数据存储形式;
按照飞行器构型将待检测***的历史数据存储到对应的数据存储框架中。
在一种实施方式中,飞行器构型包括机型允装构型、单机交付构型和单机运行构型中的至少一种。
在一种实施方式中,预处理包括曲线插补处理、滤波处理、曲线平滑处理、多参数预处理和异常值处理中的至少一项。
在一种实施方式中,待检测***包括飞行器;目标场景包括特定时间段、特定航段、特定飞行阶段、特定参数范围和特定***类型中的至少一种。
在一种实施方式中,分析单元包括:
第一分析子单元,用于对数据特征值进行分析,得到至少两种***参数之间的相关性;
第二分析子单元,用于根据至少两种***参数之间的相关性建立待检测***的性能基线。
在一种实施方式中,第二分析子单元用于:在***参数之间的相关性为线性相关的情况下,利用线性模型或人工智能模型建立待检测***的性能基线。
在一种实施方式中,第二分析子单元用于:在***参数之间的相关性为非线性相关的情况下,利用人工智能模型建立待检测***的性能基线。
在一种实施方式中,人工智能模型包括神经网络模型、随机森林模型和支持向量回归模型中的至少一种。
在一种实施方式中,第二分析子单元用于:在***参数之间的相关性为非线性相关的情况下,利用分段线性模型建立待检测***的性能基线。
在一种实施方式中,检测单元用于:
采集待检测***的***参数对应的当前数据;
比较当前数据与性能基线是否相符;
根据比较的结果确定待检测***是否状态异常。
第三方面,本申请实施例提供了一种电子设备,该设备包括:存储器和处理器。其中,该存储器中存储指令,指令由处理器加载并执行,以实现上述各方面任一种实施方式中的方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,计算机可读存储介质内存储有计算机程序,计算机程序被处理器执行时实现上述各方面任一种实施方式中的方法。
上述技术方案中的优点或有益效果至少包括:能够及时地检测出目标场景下可能出现的状态异常和***故障,以便通过预防性维修减少***非例行突发故障,降低***运行安全风险,提高检测效率,降低运维费用,还能够提高***可利用率,进而增加收益。
上述概述仅仅是为了说明书的目的,并不意图以任何方式进行限制。除上述描述的示意性的方面、实施方式和特征之外,通过参考附图和以下的详细描述,本申请进一步的方面、实施方式和特征将会是容易明白的。
附图说明
在附图中,除非另外规定,否则贯穿多个附图相同的附图标记表示相同或相似的部件或元素。这些附图不一定是按照比例绘制的。应该理解,这些附图仅描绘了根据本申请公开的一些实施方式,而不应将其视为是对本申请范围的限制。
图1为根据本申请实施例的航空大数据分析方法的流程图;
图2为根据本申请实施例的航空大数据分析方法的数据获取示意图;
图3为根据本申请实施例的航空大数据分析方法的数据获取示意图;
图4为根据本申请实施例的航空大数据分析方法的数据存储***架构示意图;
图5为根据本申请实施例的航空大数据分析方法的构型管理示意图;
图6为根据本申请实施例的航空大数据分析方法的相关性分析的功能展示的示意图;
图7为根据本申请实施例的航空大数据分析方法的功能展示的示意图;
图8为根据本申请实施例的航空大数据分析方法的流程图;
图9为根据本申请实施例的航空大数据分析方法的流程图;
图10为根据本申请实施例的航空大数据分析方法的***架构图;
图11为根据本申请实施例的航空大数据分析工具的结构示意图;
图12为根据本申请实施例的航空大数据分析工具的结构示意图;
图13为用来实现本申请实施例的电子设备的框图。
具体实施方式
在下文中,仅简单地描述了某些示例性实施例。正如本领域技术人员可认识到的那样,在不脱离本申请的精神或范围的情况下,可通过各种不同方式修改所描述的实施例。因此,附图和描述被认为本质上是示例性的而非限制性的。
图1为根据本申请实施例的航空大数据分析方法的流程图。如图1所示,该航空大数据分析方法可以包括:
步骤S110,对待检测***的历史数据进行筛选,得到目标场景下的***参数;
步骤S120,对目标场景下的***参数进行预处理;
步骤S122,从预处理后的所述目标场景下的***参数中提取数据特征值;
步骤S130,根据数据特征值建立待检测***的性能基线;
步骤S140,基于性能基线对待检测***进行状态检测。
在***状态检测过程中,可根据待检测***的历史数据得到能够反映或体现***性能的***参数,进而基于***参数建立性能基线。将待检测***的***参数对应的当前数据与性能基线相比较,可及时预测出可能出现的状态异常。其中,***可由多个组件组成。例如,计算机***可由CPU(Central Processing Unit,中央处理器)、主板、内存、硬盘、输出设备和输入设备等组件级的设备组成。在一个示例中,待检测***可包括航天航空***或轨道交通***等。在又一个示例中,待检测***还可包括厢式货车、地铁、轻轨和有轨电车等。性能基线可包括***在正常状态下的性能参数的标准值或者标准值范围。本申请实施例中,可利用航空大数据分析工具对数据进行采集、预处理、相关性分析并建立性能基线。
本申请实施例中,可在***检测之前预先获取待检测***的历史数据。图2和图3中示出了从飞行器上采集的历史数据。在图2中,横坐标表示时间,纵坐标表示空调组件进口温度。图2中还示出了纵坐标表示的角度的最大值是194、最小值是62,以及中值是159.46。在图3中,横坐标表示时间,纵坐标表示温度传感器采集到的温度值。图3中还示出了纵坐标表示的温度值的最大值是73℃、最小值是0℃,以及中值是28.6℃。
在步骤S110中从历史数据中筛选出目标场景下的***参数。例如目标场景可包括特定时间段、特定参数范围和特定***类型。以飞行器维修为例,目标场景还可包括特定航段、特定飞行阶段等。通过特定时间段、特定航段、特定飞行阶段、特定参数范围对历史数据进行初步筛选,得到目标场景下的***参数。对筛选后的目标场景下的***参数进行处理,可以使得处理过程更加有针对性,以便通过预防性维修发现***状态异常,减少目标场景下的***突发故障。
仍以飞行器维修为例,可利用数据分割收集技术得到目标场景下的***参数。例如,数据分割收集可包括选取机型机号、选取时间阶段范围、选取故障数据、自定义参数筛选等。在一个示例中,可通过利用本申请实施例提供的航空大数据分析工具实现数据的切片分段。其中,分段的方式可以以飞行阶段分段,分片的方式可通过参数范围分片。
在一个示例中,也可以采用自定义参数筛选的方式进行数据分割。例如某个飞行器在温带地区使用,则在数据筛选的过程中可以将热带地区和寒带地区的数据去除。在以上示例中,某个飞行器在温带地区使用,对于SAT(Static Air Temperature,大气静温)而言,可将10℃以下的数据和40℃以上的数据去除。
在步骤S120和步骤S122中,对目标场景下的***参数进行预处理,并从预处理后的目标场景下的***参数中提取数据特征值。在步骤S130中,可根据步骤S122中提取的数据特征值建立待检测***的性能基线。在一个示例中,也可以通过历史故障数据进行校验,根据校验结果选择用于拟合待检测***的性能基线的模型。
本申请实施例中,可利用航空大数据分析工具在待检测***的全寿命周期或全寿命周期中的任一阶段建立性能基线。在每一次采集到待检测***的实际数据之后,通过将实际数据与性能基线进行对应比较,观察实际数据的情况与性能基线中数据的情况的偏差,根据偏差确定待检测***是否出现状态异常。以飞行器空调组件维修为例,组件的性能基线可包括组件的正常使用状态在外界温度为30℃时,进口温度为100℃,热交换器出口温度为60℃。例如,在外界温度为30℃时,进口温度为100℃,热交换器出口温度为80℃,则其状态已经不与性能基线不相符合了,也就是说该组件的状态已经偏离了性能基线。再如,组件的性能基线中可包括组件出口温度与外界温度和组件进口温度的对应关系。在一个示例中,根据组件出口温度与外界温度和组件进口温度这种***参数之间的相关性,建立组件的性能基线。组件的性能基线可包括:外界温度为20℃,热交换器进出口温差可以达到40℃,计算当前热效率为0.85。如果在外界温度为20℃时,热交换器进出口温差到了20℃,计算当前热效率为0.6,则该组件的状态已经偏离了性能基线。尽管该组件可能仍然在正常使用,暂时没有出现异常、故障现象,但该组件的当前状态已经不在正常范围之内了。在步骤S140中,可采集待检测***的***参数对应的当前数据,例如采集飞机当前状态下的***参数。再将飞机当前状态下的***参数与性能基线相比较,基于性能基线对飞机进行状态检测。
在IT(Information Technology,信息技术)技术中,“大数据”是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力来适应海量、高增长率和多样化的信息资产。本申请实施例中,可利用待检测***的历史数据构建***大数据的数据库。在一个飞行器维修的示例中,可利用航空维护大数据存储管理***对历史数据进行管理。
以利用航空大数据分析工具进行飞机发动机预警分析为例,启动阶段预警分析可包括如下流程:
1.首先提取发动机启动阶段的***参数和相关飞机基本参数,然后利用QAR(Quick Access Recorder,快速存取记录器)数据对相应参数进行趋势分析。其中,QAR是一种数据类型。趋势分析可包括:同一架飞机的左右发动机数据持续对比;同一架飞机某一个发动机持续一段时间的数据持续对比;以及同一航线两架构型相同飞机左侧发动机数据对比和右侧发动机数据对比。在一个示例中,查看飞机发动机的数据,如果发现转速、震动、温度的异常值,可通过航空大数据分析工具中的异常值处理功能去除异常值。
2.根据数据变化特点,得到数据变化的规律,根据数据变化的规律建立性能基线。
3.根据发动机相关历史故障的数据,对性能基线进行验证。例如,可通过稳定数据对性能基线进行验证,通过故障数据对性能基线告警门限进行调节。
4.后期可通过持续的大数据分析,对性能基线进行优化。
5.实现对发动机相关故障及部件性能衰退的准确预警。
在一个示例中,飞机发动机分析数据时可选取某机队中的指定数量的飞机,对设定时间段(例如20天)的发动机启动阶段的数据进行分析。可利用航空大数据分析工具对数据进行提取和分析。在一个示例中,数据提取逻辑为:从数据开始记录到停留刹车的状态第一次由ON变为OFF。在做数据分析时删除了一些异常数据,比如:启动阶段总时长小于30秒或者大于5分钟,以及航段拆分时生成的错误非正常航段数据。对飞机发动机的数据分析可包括:同一机尾左右发动机差值数据对比、同一发动机序列号不同参数对比、同一航线不同机尾各参数对比。
在航空大数据分析工具中,通过以上发动机启动阶段相关参数的趋势分析,能够确定正常状态下相关发动机参数达到一个相对稳定状态的时间及其变化规律。可基于分析大量的QAR数据,并通过相关发动机的历史故障数据去分析验证,以建立准确的发动机预警模型,从而能够基于飞机QAR数据进行发动机启动阶段预警分析。
本申请实施例中,可利用航空大数据分析工具对***性能进行监控,建立正常数值范围,对于超出正常范围进行预警。下面以飞机空调***和飞机引气***为例,说明如何进行性能监控和预警。
以飞机空调***性能监控为例,可通过航空大数据分析工具对以下***参数进行检测和监控:组件出口温度TP、组件流量PF、压气机出口温度COT、水分离器温度TW、旁通活门开度PBV、冲压空气进***门开度RI、预冷器出口温度TPO、预冷器进口压力PD。通过航空大数据分析工具对飞机空调性能的检测和监控可包括以下流程:
1)筛选飞机滑出阶段SAT大于20℃的TPO、PF、PD参数,对参数集合进行异常值处理,过滤掉正常值以外的突变值、异常值、空值,获得夏季正常范围的参数集合。
2)选择符合参数特征的频域、时域、时频特征提取算法,应用预处理后的数据特征值。
3)结合***原理通过相关性分析功能分析参数相关性,如符合线性关系选择回归模型建立性能基线,如不符合线性关系选择AI工具建立性能基线。
4)通过状态监测功能导入夏季的正常或故障历史数据,验证性能基线的有效性。
再以飞机引气***性能监控为例,通过航空大数据分析工具可对以下***参数进行检测和监控:预冷器出口温度TPO、预冷器进口压力PD、发动机转速N2(高压转子转速)。通过航空大数据分析工具对飞机引气***性能的检测和监控可包括以下流程:
1、滑出阶段监控
1.1)筛选滑出阶段N2稳定时TPO、PF、PD参数,对参数集合进行异常值处理,过滤掉正常值以外的突变值、异常值、空值,获得指定时段(如夏季)正常范围的参数集合,绘制图表进行监控。N2稳定范围为:中位值±A,A=max(1,1.5*IQR),IQR=上四分位数-下四分位数。
其中,IQR(Inter-Quartile Range四分间距)是一个结果变异性的量度。四分间距是指将各个变量值按大小顺序排列,然后将此数列分成四等份,所得第三个四分位上的值与第一个四分位上的值的差。
1.2)选择符合参数特征的频域、时域、时频特征提取算法,应用预处理后的数据特征值进行后续处理。
1.3)结合***原理通过相关性分析功能分析参数相关性。如果符合线性关系则选择回归模型建立性能基线;如果不符合线性关系则选择AI工具建立性能基线。
1.4)通过状态监测功能导入指定时段的正常或故障历史数据,验证性能基线的有效性。
1.5)对待检测***进行状态检测时,在采集到待检测***的实际数据之后,将实际数据与性能基线进行对应比较,根据实际数据的情况与性能基线中数据的情况的偏差确定待检测***是否出现状态异常。例如,对PD均值低于20且标准差高于5的情况进行预警。
2.1)筛选滑出阶段PD参数,执行与上述1.1)至1.4)类似的流程,进行异常值处理、特征提取、建立性能基线,以及验证性能基线的有效性。
在一个示例中,按一阶导数为0且二阶导数为负、一阶导数为0且二阶导数为正识别波峰、波谷,将依次包括波峰、波谷和波峰或依次包括波谷、波峰和波谷的波动周期作为一个波动周期,波峰值与波谷值的差值作为振幅。
对待检测***进行状态检测时,计算PD发生振幅大于8的情况下的波动次数、平均波动周期、平均振幅,绘制图表进行监控。将实际数据与性能基线进行对应比较,当波动次数大于20,且波动周期小于15S、平均振幅大于10时进行预警。
2、巡航阶段监控
在巡航阶段,执行与上述滑出阶段类似的流程,利用航空大数据分析方法进行参数筛选、异常值处理、特征提取、建立性能基线,以及验证性能基线的有效性。对待检测***进行状态检测时,可对巡航阶段TPO、PD计算均值和标准差,绘制图表进行监控。将实际数据与性能基线进行对应比较,对于以下情况之一触发进行预警:1)TPO均值低于175;2)TPO标准差大于5;3)PD均值低于37;4)PD标准差大于5。
在一种实施方式中,待检测***包括飞行器;目标场景包括特定时间段、特定航段、特定飞行阶段、特定参数范围和特定***类型中的至少一种。
在一个示例中,可利用航空大数据分析工具对数据进行筛选。筛选条件可以包括飞行阶段或飞行航线等。对于飞行器而言,在不同的目标场景下可能会存在对应的不同的安全隐患。因此,针对不同的目标场景收集***参数进行分析,可以使***检测更有针对性,提高检测效率。
综上,本申请实施例中,可利用航空大数据分析工具对数据进行采集、预处理、相关性分析并建立性能基线。
在一种实施方式中,待检测***包括飞行器;上述方法还包括:
构建与飞行器构型对应的数据存储框架,所述数据存储框架以时间序列为数据存储形式;
按照飞行器构型将待检测***的历史数据存储到对应的数据存储框架中。
飞行器构型包括飞行器几何外形的主要特征及飞行器各种装载布置方案的总称。在飞行器检测的示例中,可将预先收集的待检测***的历史数据存储到数据库中。可预先在数据库中构建与飞行器构型对应的数据存储框架,以便将飞行器的历史数据存储到对应的数据存储框架中。在此基础上可为业务应用提供构型化的数据访问接口服务。
在一个示例中,航空维护大数据存储管理***主要实现的功能包括QAR(QuickAccess Recorder,快速存取记录器)数据管理与译码处理、数据存储与管理以及构型化的数据访问接口服务等。可采用以下手段对航空维护大数据进行管理:
1)在对QAR报文数据进行译码、结构化处理的基础上,以时间序列对数据进行存储,将处理后的组织有序的QAR报文数据存储到时间序列数据库中。以时间序列数据库为核心,综合运用机型构型数据、机队基础信息等实现对海量航空飞行采集数据进行有效管理。例如可利用QAR数据建立飞机发动机、气源以及空调***的动态模型,用以进行性能监控与后续预警分析。可利用QAR数据探索平台为模型运行平台提供建模支持。
其中,机队是指飞机的组合单位。航空公司根据自己的营运需要来选择机型,组建机队。QAR是用于监控、记录大量飞行参数、数据的机载设备。例如,可以利用QAR同时采集数百个数据,涵盖了飞机运行品质的绝大部分参数。QAR监控是保障飞行安全,提高运营效率的一项科学而有效的技术手段,其监控结果是飞行技术检查、安全评估、安全事件调查和维护飞机的重要依据。在QAR的帮助下,航空公司能够及时发现飞行中机组操纵、发动机工作状况以及航空器性能等方面存在的问题,分析查找原因,掌握安全动态,采取针对性措施,从而消除事故隐患,确保飞行安全。
在相关的数据存储技术中,可每隔一段预设的时间段将获取的数据打包成文件夹进行存储。例如将60秒内获得的数据打包在一个文件夹中。上述数据存储方式的缺陷在于获取数据的时候需要将整个文件夹的数据都解析出来。例如在需要获取第一秒内的数据的情况下,也必须将整个文件夹的60秒的数据都解析出来。采用该方式,解析和获取数据的效率较低、不方便操作。本申请实施例中,以时间序列对数据进行存储,例如可以每1秒存储一次数据,以此为基础建立时间序列数据库。在时间序列数据库中,数据可以按照时间进行排序。这种数据存储方式可以方便数据存储、查找和解析,效率较高。
2)以标签字典形式来统一管理飞行参数,还可结合拟研究构建的有关机型的基础构型信息模型管理飞行参数。通过标签组织形式和构型信息管理,串联起不同属性的飞行参数,提升数据访问灵活度,满足不同业务应用的数据访问需求。例如,可为航空公司提供维护***的数据访问接口,还可为设备制造厂家提供生产研发的数据查询接口。
本申请实施例中的数据存储方式不同于现有技术中的将整个航段打包成一个文件进行储存的方式。本申请实施例中,通过将QAR数据按照时间的序列进行储存,有助于提取某个时间点的参数组,或者提取某个时间段的参数组,以便更有针对性地对数据进行分析。本申请实施例中可以以机型的构型信息模型为基础,通过将飞行参数与构型实体(整机、***/子***、设备等)建立关联,以构型化的“树”结构方式实现飞行参数标签字典库的组织管理。在一个示例中,可以选择标签字典中的某个标签,然后提取这个标签范围内的前一段和/或后一段的自定义参数进行数据探索和处理。
再以飞行器组件维修为例,通过航空大数据分析工具建立的组件的性能基线可包括IDG组件的正常使用状态是稳定输出115V400Hz的交流电。如果某段时间IDG的输出超过了420Hz生成了故障代码,则可在发生故障的时间点打一个“IDG超频”的标签。在维修组件时,可以在时间序列数据库中提取该标签,则在该标签对应的时间点上的所有记录的数据都可以被提取出来。可以从这些数据中查找相关参数,从而进一步查找组件故障原因。通过时间序列数据库和数据的标签组织形式,能够提高数据访问的灵活度、提高数据处理效率,从而降低资源的处理成本。
图4为根据本申请实施例的航空大数据分析方法的数据存储***架构示意图。如图4所示,航空维护大数据存储管理***可从第三方的机载数据采集与记录***获取数据,然后将获取到的数据经过QAR数据管理与译码处理,将处理后的数据存入QAR原始报文存储库。另外,还需要将经过QAR数据管理与译码处理后的数据进行结构化的飞行数据存储管理,将数据按照时间序列进行存储,将组织有序的数据存入时间序列飞行数据存储库。本申请实施例支持从数据采集到数据清洗环节的数据集成技术,采集和储存QAR数据,构建QAR数据库,并开发数据接口,支持灵活选取不同的QAR参数和特征值生成新的数据集。
航空维护大数据存储管理***可通过构型化的数据访问接口服务为业务应用提供服务。并且在航空维护大数据存储管理***中,还可为QAR数据管理与译码处理、结构化的飞行数据存储管理,以及构型化的数据访问接口服务,提供构型化的飞行参数配置管理。
其中,构型化的数据访问接口服务可包括:1)以构型模型为基础的参数标签字典库管理接口,实现了构型化的飞行参数查询浏览以及管理维护等功能。2)时间序列数据访问管理接口,实现对时间序列飞行状态数据、全参数切片数据等查询以及解译数据维护等功能。
以飞行器组件维修为例,可以对建立的性能基线进行构型管理。构型管理可包括针对各种类型的组件建立性能基线之后,将各个类型的组件与各自的性能基线建立对应关系。在一个示例中,如果某个组件在维修时换了零部件,例如换了一个变压器,则可能导致其性能基线发生改变。在这种情况下需要针对换了零部件的组件重新建立性能基线。
在一种实施方式中,飞行器构型包括机型允装构型、单机交付构型和单机运行构型中的至少一种。
图5为根据本申请实施例的航空大数据分析方法的构型管理示意图。从飞行器的全寿命周期中,在飞行器引入,交付,运行这三个基本阶段可以反应构型管理的变化。与飞行器引入,交付,运行三个基本阶段对应的飞行器构型分别是机型允装构型、单机交付构型和单机运行构型。可在航空维护大数据存储管理***中构建与飞行器构型对应的数据存储框架,然后将待检测***的历史数据存储到对应的数据存储框架中。
如图5所示,在机型允装构型对应的数据存储框架中,存储的技术资料可包括:IPC(Illustrated Parts Catalogs,图解零部件清册)、AMM(Aircraft Maintenance Manual,飞机维修手册)、SSM(System Schematic Manual,***简图手册),以及相关的数据参数列表。机型允装构型中的构型属性可包括:件号、型号、适用性、位置、SB(service bulletins,服务通告)改装状态、上下级部组件结构、图纸号和可替换性中的至少一项。其中,适用性可包括部件对每架飞机是否适用,位置可包括部件的安装位置,可替换性包括安装的部件可以使用不同型号或不同厂家的部件进行替换。
本申请实施例中,可基于图解零部件清册(IPC),组织部件(Part)的层级结构,并考虑层级结构内子部件的替换性进行部件构型搭建。允装构型可对单机构型的配置、漏装、误装等影响飞机安全的操作进行检查校验,可通过定义每一个构型元素节点的允装规则从而搭建出机型允装构型。
在一个示例中,在某个组件的性能基线中包括该批次的组件可以正常使用1000小时的情况下,假设在该批次的组件中的有一些组件在使用到第100个小时左右时出现了故障,并在维修时更换了压气机。在这种情况下可以执行一个SB操作,将该批次的所有的组件中的压气机都进行更换。并将上述SB改装状态挂载到该批次的组件的允装构型中,记录该批次的组件已经完成了上述SB操作。在飞机维修的示例中,可梳理部件构型、允装构型的变更流程,理清通过变更部件构型、变更允装构型、变更单机构型的步骤实现飞机构型更改控制,并形成单机的构型更改记录的变更流程。
如图5所示,在单机交付构型对应的数据存储框架中,存储的交付文件可包括:ARL(aircraft readiness log,飞机准备日志)、机载软件清单等。单机交付构型中的补充属性可包括:适用性筛选、部组件序号、是否涉及定期检查、是否涉及禁装、***维修策略等。在一个示例中,在飞行器交付阶段可以对各个部件进行定期检查。如果在定期检查过程中发现某个部件有问题,则会将有问题的部件召回,并针对该部件打一个禁装标签,为其更换改装后的其他部件。***维修策略可包括更换部件,可将更换下来的部件退回工厂,进行拆解修理。
如图5所示,在单机运行构型对应的数据存储框架中,存储的运行维修记录可包括:涉及AD(Airworthiness Directive,适航指令)的记录、涉及SB的记录,以及部组件换件的记录等。单机运行构型中的管理维度可包括:件号、型号、区域、SB执行状态、上下级部组件结构、可替换性和维修策略中的至少一项。
在一个示例中,还可以从区域视角和功能视角对各种飞行器构型对应的数据进行存储。其中,基于区域视角的存储方式可根据实际需求对数据进行区域划分。基于功能视角的存储方式可将实现相关功能的数据存储在一起,可基于飞机的功能构型组织串联***级状态参数、QAR数据以及动态性能模型,在此基础上可以更方便地进行数据查询和数据分析。以飞机为例,面向飞机运行、维修和传感器数据的集成需求,可根据构型总线技术规范梳理飞机构型数据,完成飞机构型总线设计。还可以部署构型总线管理软件工具,利用构型总线集成飞机运行、维修和传感器数据,实现多维度飞机构型管理。并且,本申请实施例支持飞机构型更改控制,可满足细颗粒度控制飞机构型变更需求以及一机一档技术资料管理需求。
以空调维修为例,可将***的硬件和对应的基线关联起来,以对性能基线进行有效管理。例如,空调流量控制***中涉及的硬件可包括空调组件、管路安装等。空调组件中涉及热交换器、压气机、冷凝器、回热器、涡轮、对应位置的传感器等。可将建立的性能基线挂载到对应的硬件上,还可以进一步对每一个硬件及其组成部分建立性能基线。
以飞机维修为例,可对飞机进行功能分解,用“***、子***、功能组、功能件”的判定方式对分解元素进行层级分类。一个示例性的飞机***功能分类可包括:以飞机作为根节点,将飞机向下级分解为各个***;再将***分解为子***和功能组;还可以将子***进一步下级分解为功能件(单元)。可根据实际机型的功能组成,组织形成机型功能构型;并将相关参数、动态性能模型与功能构型元素关联,形成以功能构型为核心的数据及模型统一管理。
本申请实施例中,在步骤S122从目标场景下的***参数中提取数据特征值之前,可执行步骤S120进行数据预处理。数据预处理可包括:数据插补处理、滤波处理、曲线平滑处理、多参数预处理和异常值处理中的至少一项。其中,多参数预处理可包括对于不同的参数进行对齐或差补。例如,外界温度可能每4秒测量一次,空调组件出口温度可能每1秒测量一次。在这种情况下可以在每4个空调组件出口温度的测量值中提取出一个测量值,使之与外界温度的测量值一一对应。异常值处理可包括:去除***参数中明显偏离正常范围的异常值。例如在北纬40度附近使用某***时测量得到的环境温度为-50℃,则上述测量数据为明显偏离正常范围的异常值,可将其去除。
在一个示例中,通过对历史数据的特定时间段、特定航段、特定飞行阶段、特定参数范围进行初步筛选,生成目标场景下的数据。然后对目标场景下的***参数进行数据预处理。在数据预处理之后可初步了解数据特性。例如对于北京飞往三亚的特定航段,可收集温度传感器的数据。收集到的温度传感器的数据在曲线插补处理和曲线平滑处理之后,可初步了解数据特性为:在北京飞往三亚的特定航段,温度值的变化规律是由低到高。
本申请实施例中,特征值的提取可以针对单个***参数,也可以针对多个***参数组合计算生成结果。例如在以上示例中,对于北京飞往三亚的特定航段,可将温度传感器采集的数据和飞行高度组合计算生成结果。
本申请实施例中,在步骤S122中,从***参数中提取的数据特征值可包括均值、方差、绝对值、总和、最大值、最小值和中值中的至少一种。参见图2和图3,其中示出了***参数的最大值、最小值和中值。提取数据特征值的方式可包括频域特征、时域特征、时频特征和自定义特征中的至少一种。其中,频域特征可以包括:利用博立叶变换提取频域信息,比如针对存在一定周期内的数据提取频域特征。时域特征可包括提取预设的时间段内的数据,例如提取均值、均方根或峰值等。时频特征包括按时间维度提取数据。该方式包括采用短时傅立叶变换或小波分析理论,刻画某一个时刻的频域特征。
在一种实施方式中,图1中的步骤S130,根据数据特征值建立待检测***的性能基线,包括:
对数据特征值进行分析,得到至少两种***参数之间的相关性;
根据至少两种***参数之间的相关性建立待检测***的性能基线。
本申请实施例中,可利用本申请实施例提供的航空大数据分析工具对数据特征值进行分析,从多种***参数中选择出至少两种***参数,得到至少两种***参数之间的相关性。其中,相关性可包括线性相关和非线性相关。上述至少两种***参数之间的相关性可能是线性相关,也可能是非线性相关。对于线性相关的情况,可利用线性模型拟合待检测***的性能基线。对于非线性模型,可利用人工智能模型或分段线性模型拟合待检测***的性能基线。在步骤S130中,可利用本申请实施例提供的航空大数据分析工具通过相关性选择用于建立性能基线的模型。在一个示例中,可预先设定与相关性对应的数据分析模型。例如,与线性相关性对应的数据分析模型可以是线性模型或人工智能模型,与非线性相关性对应的数据分析模型可以是人工智能模型和分段线性模型中的至少一种。然后利用与相关性对应的数据分析模型建立待检测***的性能基线。
图6为根据本申请实施例的航空大数据分析方法的相关性分析的功能展示的示意图。图6示出了EGT MAX和MIN ALT两个***参数的相关性分析结果。其中,EGT MAX表示EGT(exhaust gas temperature,排气温度)的最大值,MIN ALT表示ALT(Altitude,调度)的最小值。图6中示出了EGT MAX和MIN ALT的相关矩阵(corMatrix)和热力图(corGramPath)。相关矩阵中的元素表示两个***参数之间的相关系数的值。热力图中的数值表示相关矩阵中相关系数的值。
图7为根据本申请实施例的航空大数据分析方法的功能展示的示意图。图7示出了EGT、N1(Low Rotor Speed,低压转子转速)、TAT(Total Air Temperature,大气总温)、ALT、MN(Mach Number,马赫数)、SAT(Static Air Temperature,大气静温)以上几种***参数的相关矩阵。从图7中可以看出,EGT和N1之间、TAT和SAT之间存在明显的线性关系。其中,TAT和SAT看上去是完全线性相关,因此做回归时可考虑将TAT和SAT的其中之一作为自变量即可。ALT与EGT的线性关系不明显,在这种情况下在航空大数据分析工具中可考虑采用分段线性模型或者非线性关系模型来做性能基线。
本申请实施例中,可通过预定的数学算法分析***参数之间的相关性。在不同场景下提取数据,得到不同阶段数据的相关性。参见图7,可以利用航空大数据分析工具提供数字和视图可视化服务。
利用上述方法使用航空大数据分析工具分析多种***参数彼此之间的相关性,可得到至少两种***参数之间的相关性。例如,相关性可包括线性相关和非线性相关。对于至少两种***参数之间的相关性为线性相关的情况,可利用线性模型或人工智能模型拟合待检测***的性能基线。对于至少两种***参数之间具备相关性,但相关性为非线性相关的情况,可利用AI(Artificial Intelligence,人工智能)模型或者分段线性模型拟合待检测***的性能基线。
在一种实施方式中,图1中的步骤S130:根据至少两种***参数之间的相关性建立待检测***的性能基线,包括:在***参数之间的相关性为线性相关的情况下,利用线性模型或人工智能模型建立待检测***的性能基线。
其中,线性模型是一类统计模型的总称,其制作方法是用一定的流程将各个环节连接起来。线性模型可包括线性回归模型、方差分析模型等。
在一种实施方式中,图1中的步骤S130:根据至少两种***参数之间的相关性建立待检测***的性能基线,包括:在***参数之间的相关性为非线性相关的情况下,利用人工智能模型建立待检测***的性能基线。
在一种实施方式中,人工智能模型包括神经网络模型、随机森林模型和支持向量回归模型中的至少一种。
其中,随机森林模型是一个包含多个决策树的分类器,它可以利用多棵树对样本进行训练并预测。支持向量回归模型可以把实际问题通过非线性变换转换到高维的特征空间,通过提升维度后,在高维空间中构造线性决策函数来实现线性回归。
在一种实施方式中,图1中的步骤S130:根据至少两种***参数之间的相关性建立待检测***的性能基线,包括:在***参数之间的相关性为非线性相关的情况下,利用分段线性模型建立待检测***的性能基线。
其中,分段线性模型是指在某一范围的服从某种线性关系,在其他范围内又服从斜率不同的线性关系时适用的一种回归估计方法。这种方法使用指示变量对各段不同范围的数据同时拟合统—的回归模型。
在一个示例中,飞行器上某个组件的温度在改装之前的性能基线可包括:组件温度随着外界温度的升高而升高,二者是线性关系。在改装时可能为该组件加装了一个风扇。则在加装风扇之后,外界温度越高,风扇转速越快,组件温度也下降得越厉害。也就是说,在改装之后组件的性能基线可能发生了改变。组件温度和外界温度可能不再是线性关系。组件温度、外界温度和风扇转速三个量之间的关系可能变得更加复杂。在这种情况下,可能需要利用人工智能模型建立组件的性能基线。
在一个飞行器检测的示例中,首先分析飞行器***构成、飞行器各分部件功能及工作模式,以及故障失效模式后续影响。在该示例中可将上述航空大数据分析工具称为飞行器数据探索工具。定义稳定状态及非稳定状态,提取这两种状态下的数据建立***参数之间的关系,并在飞行器数据探索工具中利用稳定状态下的数据建立性能基线。例如,空调***以飞机滑出阶段作为稳定阶段;发动机发电机以巡航作为稳定阶段。
在一个示例中,在数据筛选的过程中可将不正常状态的数据去除,以便在后续处理步骤中使用正常、稳定状态下的数据建立性能基线。以飞行器组件为例,可以选择组件正常工作时采集的数据。例如组件在常温的环境下工作的情况下,可认为组件处于正常稳定的状态。可在正常稳定的状态下,针对所建立性能基线截取最直观反应性能的数据集。
应用于飞行器状态检测的航空大数据分析工具也称为飞行器数据探索工具。本申请实施例中,可利用飞行器数据探索工具实现飞行器状态检测的功能。飞行器数据探索工具是针对航空大数据的处理分析探索的平台,也可称为数据探索平台。该平台运用数据预处理、数据特征值提取、相关性分析,以及数据建模等功能逐步加强对数据的探索与认知,从而加强飞行器的健康管理,最终实现预防性维修的目标。
在一个示例中,可利用本申请实施例提供的航空大数据分析工具将待检测***的历史数据分为训练数据和验证数据。在建立性能基线之后,还可以通过验证数据验证基线模型确定其准确性。例如可将历史数据与建立的性能基线进行对比,若发生***故障时对应的历史数据偏离了性能基线,则说明建立的性能基线可以验证到***故障;反之,若发生***故障时对应的历史数据没有偏离性能基线,则说明建立的性能基线没有验证到***故障。
在一个示例中,可利用航空大数据分析工具在待检测***的全寿命周期或全寿命周期中的任一阶段建立性能基线。在每一次采集到待检测***的实际数据之后,通过将实际数据与性能基线进行对应比较,观察实际数据的情况与性能基线中数据的情况的偏差,根据偏差确定待检测***是否出现状态异常。以飞行器空调组件维修为例,组件的性能基线可包括组件的正常使用状态在外界温度为30℃时,进口温度为100℃,热交换器出口温度为60℃。例如,在外界温度为30℃时,进口温度为100℃,热交换器出口温度为80℃,则其状态已经不与性能基线不相符合了,也就是说该组件的状态已经偏离了性能基线。再如,组件的性能基线中可包括组件出口温度与外界温度和组件进口温度的对应关系。在一个示例中,根据组件出口温度与外界温度和组件进口温度这种***参数之间的相关性,建立组件的性能基线。组件的性能基线可包括:外界温度为20℃,热交换器进出口温差可以达到40℃,计算当前热效率为0.85。如果在外界温度为20℃时,热交换器进出口温差到了20℃,计算当前热效率为0.6,则该组件的状态已经偏离了性能基线。尽管该组件可能仍然在正常使用,暂时没有出现异常、故障现象,但该组件的当前状态已经不在正常范围之内了。
在另一个示例中,还可以利用不同的模型建立待检测***的性能基线,如利用线性模型、分段线性模型以及支持向量回归模型等分别建立性能基线,再对各个性能基线进行比较,以验证所使用的模型是否合适。
图8为根据本申请实施例的航空大数据分析方法的流程图。如图8所示,在一种实施方式中,图1中的步骤S140:基于性能基线对待检测***进行状态检测,包括:
步骤S210,采集待检测***的***参数对应的当前数据;
步骤S220,比较当前数据与性能基线是否相符;
步骤S230,根据比较的结果确定待检测***是否状态异常。
在一个示例中,在历史数据中,从飞行器的某个部件的温度传感器上采集到的温度值的中值是28.6℃。若采集到的该部件的温度传感器的温度值的当前数据的中值与历史数据的差值超过了预设的差值阈值,则可确定该部件状态异常。例如,某部件预设的差值阈值设置为2℃,温度传感器的温度值的当前数据的中值是38.6℃,则可确定该部件状态异常。这种情况下该部件可能存在故障。
仍以飞机状态检测为例,本申请实施例中,可基于飞机工程技术手册,根据对***部件运行原理及组成的分析理解,梳理可获取的飞机***传输器参数。针对飞机***传输器参数,可利用航空大数据分析工具对积累的历史运行数据进行预处理,收集相对稳定的正常运行数据,提取直接反应***性能的特征数据,分析***参数相关性关系,并选择适用的算法建立描述***正常工作情况下的期望性能基线。在飞机状态检测过程中,通过分析实际运行数据与期望性能基线的偏差,实现故障早期预警。
图9为根据本申请实施例的航空大数据分析方法的流程图。可利用航空大数据分析工具实现上述方法。如图9所示,在步骤S310中,可采集待检测***的***参数对应的当前数据。在步骤S320中,可对步骤S310中采集到的当前数据进行预处理。在步骤S330中,可从步骤S320中进行预处理后的数据中提取数据特征值,并将该数据特征值与性能基线相比较,基于性能基线对待检测***进行状态检测。例如,如果从***参数对应的当前数据中提取出的数据特征值与基线不相符,则认为可能存在状态异常。在步骤S340中,根据步骤S330中的状态检测结果对待检测***进行健康评估。例如,在可能存在状态异常的情况下给出健康评估预警。
本申请实施例中,可在一个开放式状态监测与诊断信息结构中执行如图9所示的流程。状态监测与诊断信息结构可包括数据采集模块、数据操作模块、状态检测模块、健康评估模块、预测评估模块和建议生成模块。当***中的每个模块完成正确配置后,基本数据在数据采样模块中被转换成数字形式,然后以不同的方法进行处理,最终在建议生成模块中生成能使用的信息。在从数据采样模块到建议生成模块的处理过程中,前一个模块的数据要被传送到后续模块中,同时要与外部***的数据进行输入输出交换。同样地,当数据转换成信息时,需要标准的技术显示和图形表达格式。在很多情况下,维护每个模块的输出历史记录可以通过数据存档来完成。数据采集模块、数据操作模块和状态检测模块负责对数据质量进行评估,评估结论可以为好、坏或不确定。
图10为根据本申请实施例的航空大数据分析方法的***架构图。如图10所示,以飞机维修为例,利用航空大数据分析工具实现上述方法。实现上述航空大数据分析方法的***可包括以下几个部分:
1)飞机构型总线管理***。上述总线管理***包括以下主要功能:
a)记录飞机物理结构和/或功能特性,例如:***、子***、功能组、功能件、组件、零件等。通过准确的标识符识别飞机配置,将飞机配置作为构型元素,对飞机进行构型管理。并记录飞机配置变更。
b)从飞机全生命周期考虑,依照设计研发、生产制造、上线服役等阶段分别为飞机建立相对应的模型或构型。处于某生命周期的飞机构型在构型化数据管理及业务数据总线中向下一生命周期传递完整数据,由下一生命周期继续对构型数据进行补充完善,最终产出飞机的序列化构型,例如交付构型、运维构型等。
c)支持对每个阶段飞机构型中的构型元素定义技术参数,用来管理配置与飞机本体关联的测量点。
d)将飞机构型作为载体记录飞机全生命周期的技术资料、故障记录、参数、维修记录等数据。
2)航空维护大数据存储管理***。上述存储管理***可提供时间序列飞行数据存储与管理功能,并提供数据探索平台原型***数据接口。上述存储管理***的具体实现方式可参照图4所示的实施例的相关描述,在此不再赘述。
3)QAR数据探索平台。QAR数据探索平台主要为飞机健康管理业务人员提供数据处理分析工具,以支持业务人员发现飞机数据的内部关联、模式和潜在规律,以为后续的建模提供基础。数据探索平台的主要功能包括数据接入、数据处理、特征提取、可视化等功能。可视化展示方式可满足用户对导入到数据探索平台的数据的浏览、对比分析、相关性分析、趋势分析和和特征提取等各种分析和展示要求,并支持数据的导出。
4)模型运行平台。模型运行平台为飞机动态性能模型提供运行环境。支持模型开发人员通过平台对其所开发的飞机动态模型的管理、测试、运行,以及模型运行所需的资源配置。模型运行结果可以通过接口或中间文件的方式自由导出,同时也支持图表等可视化展示方式。模型运行平台提供包括模型管理、模型测试、模型运行和资源管理在内的功能。
上述技术方案中的优点或有益效果至少包括:能够及时地检测出目标场景下可能出现的状态异常和***故障,以便通过预防性维修减少***突发故障,降低***运行安全风险、降低运维费用,提高检测效率。在民航***的应用场景中,利用本申请实施例的航空大数据分析方法对飞机进行状态检测,能够提高飞机可利用率,进而增加收入。
图11为根据本申请实施例的航空大数据分析工具的结构示意图。如图11所示,该工具可以包括:
筛选单元100,用于对待检测***的历史数据进行筛选,得到目标场景下的***参数;
处理单元160,用于对目标场景下的***参数进行预处理;
提取单元180,用于从预处理后的目标场景下的***参数中提取数据特征值;
分析单元200,用于根据数据特征值建立待检测***的性能基线;
检测单元400,用于基于性能基线对待检测***进行状态检测。
图12为根据本申请实施例的航空大数据分析工具的结构示意图。如图12所示,在一种实施方式中,待检测***包括飞行器;上述工具还包括存储单元500,用于:
构建与飞行器构型对应的数据存储框架,数据存储框架以时间序列为数据存储形式;
按照飞行器构型将待检测***的历史数据存储到对应的数据存储框架中。
在一种实施方式中,飞行器构型包括机型允装构型、单机交付构型和单机运行构型中的至少一种。
在一种实施方式中,预处理包括曲线插补处理、滤波处理、曲线平滑处理、多参数预处理和异常值处理中的至少一项。
在一种实施方式中,待检测***包括飞行器;目标场景包括特定时间段、特定航段、特定飞行阶段、特定参数范围和特定***类型中的至少一种。
在一种实施方式中,分析单元200包括:
第一分析子单元,用于对数据特征值进行分析,得到至少两种***参数之间的相关性;
第二分析子单元,用于根据至少两种***参数之间的相关性建立待检测***的性能基线。
在一种实施方式中,第二分析子单元用于:在***参数之间的相关性为线性相关的情况下,利用线性模型或人工智能模型建立待检测***的性能基线。
在一种实施方式中,第二分析子单元用于:在***参数之间的相关性为非线性相关的情况下,利用人工智能模型建立待检测***的性能基线。
在一种实施方式中,人工智能模型包括神经网络模型、随机森林模型和支持向量回归模型中的至少一种。
在一种实施方式中,第二分析子单元用于:在***参数之间的相关性为非线性相关的情况下,利用分段线性模型建立待检测***的性能基线。
在一种实施方式中,检测单元400用于:
采集待检测***的***参数对应的当前数据;
比较当前数据与性能基线是否相符;
根据比较的结果确定待检测***是否状态异常。
以航空大数据分析探索为例,本申请实施例提供的航空大数据分析工具可提供对飞机数据的认知、预处理、特征提取、性能模型建立,以及数据结果验证能力。并且能够支持健康管理***性能模型的建立,输出分析结果,保障健康管理的可靠性及质量。根据时间段、航段、飞行阶段、特定参数范围对历史数据进行初步筛选生成特定场景下的参数。对特定场景下的参数进行预处理,从而初步了解数据特性。针对单个参数提取参数的频域特征、时域特征和时频特征中的至少一种。可以针对多个参数组合计算生成结果,同时支持现有算法如方差、时频分析、频率分析等。对所提出的参数特征进行相关性分析和潜在规律实现可视化。最后通过神经网络、线性模型、随机森林等算法进行参数建模,并对最后的形成性能模型质量进行有效验证。
本申请实施例各工具、装置中的各单元的功能可以参见上述方法中的对应描述,在此不再赘述。
图13为用来实现本申请实施例的电子设备的框图。如图13所示,该电子设备包括:存储器910和处理器920,存储器910内存储有可在处理器920上运行的计算机程序。处理器920执行该计算机程序时实现上述实施例中的航空大数据分析方法。存储器910和处理器920的数量可以为一个或多个。
该电子设备还包括:
通信接口930,用于与外界设备进行通信,进行数据交互传输。
如果存储器910、处理器920和通信接口930独立实现,则存储器910、处理器920和通信接口930可以通过总线相互连接并完成相互间的通信。该总线可以是工业标准体系结构(Industry Standard Architecture,ISA)总线、外部设备互连(Peripheral ComponentInterconnect,PCI)总线或扩展工业标准体系结构(Extended Industry StandardArchitecture,EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。为便于表示,图13中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
可选的,在具体实现上,如果存储器910、处理器920及通信接口930集成在一块芯片上,则存储器910、处理器920及通信接口930可以通过内部接口完成相互间的通信。
本申请实施例提供了一种计算机可读存储介质,其存储有计算机程序,该程序被处理器执行时实现本申请实施例中提供的方法。
本申请实施例还提供了一种芯片,该芯片包括,包括处理器,用于从存储器中调用并运行存储器中存储的指令,使得安装有芯片的通信设备执行本申请实施例提供的方法。
本申请实施例还提供了一种芯片,包括:输入接口、输出接口、处理器和存储器,输入接口、输出接口、处理器以及存储器之间通过内部连接通路相连,处理器用于执行存储器中的代码,当代码被执行时,处理器用于执行申请实施例提供的方法。
应理解的是,上述处理器可以是中央处理器(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(digital signal processing,DSP)、专用集成电路(application specific integrated circuit,ASIC)、现场可编程门阵列(fieldprogrammable gate array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者是任何常规的处理器等。值得说明的是,处理器可以是支持进阶精简指令集机器(advanced RISC machines,ARM)架构的处理器。
进一步地,可选的,上述存储器可以包括只读存储器和随机存取存储器,还可以包括非易失性随机存取存储器。该存储器可以是易失性存储器或非易失性存储器,或可包括易失性和非易失性存储器两者。其中,非易失性存储器可以包括只读存储器(read-onlymemory,ROM)、可编程只读存储器(programmable ROM,PROM)、可擦除可编程只读存储器(erasable PROM,EPROM)、电可擦除可编程只读存储器(electrically EPROM,EEPROM)或闪存。易失性存储器可以包括随机存取存储器(random access memory,RAM),其用作外部高速缓存。通过示例性但不是限制性说明,许多形式的RAM可用。例如,静态随机存取存储器(static RAM,SRAM)、动态随机存取存储器(dynamic random access memory,DRAM)、同步动态随机存取存储器(synchronous DRAM,SDRAM)、双倍数据速率同步动态随机存取存储器(double data date SDRAM,DDR SDRAM)、增强型同步动态随机存取存储器(enhancedSDRAM,ESDRAM)、同步连接动态随机存取存储器(synchlink DRAM,SLDRAM)和直接内存总线随机存取存储器(direct rambus RAM,DR RAM)。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行计算机程序指令时,全部或部分地产生按照本申请的流程或功能。计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包括于本申请的至少一个实施例或示例中。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或隐含地包括至少一个该特征。在本申请的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分。并且本申请的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行***、装置、工具或设备(如基于计算机的***、包括处理器的***或其他可以从指令执行***、装置、工具或设备取指令并执行指令的***)使用,或结合这些指令执行***、装置、工具或设备而使用。
应理解的是,本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行***执行的软件或固件来实现。上述实施例方法的全部或部分步骤是可以通过程序来指令相关的硬件完成,该程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本申请各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。上述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读存储介质中。该存储介质可以是只读存储器,磁盘或光盘等。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到其各种变化或替换,这些都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (24)
1.一种航空大数据分析方法,其特征在于,包括:
对待检测***的历史数据进行筛选,得到目标场景下的***参数;
对所述目标场景下的***参数进行预处理;
从预处理后的所述目标场景下的***参数中提取数据特征值;
根据所述数据特征值建立所述待检测***的性能基线;
基于所述性能基线对所述待检测***进行状态检测。
2.根据权利要求1所述的方法,其特征在于,所述待检测***包括飞行器;所述方法还包括:
构建与飞行器构型对应的数据存储框架,所述数据存储框架以时间序列为数据存储形式;
按照所述飞行器构型将所述待检测***的历史数据存储到对应的数据存储框架中。
3.根据权利要求2所述的方法,其特征在于,所述飞行器构型包括机型允装构型、单机交付构型和单机运行构型中的至少一种。
4.根据权利要求1至3中任一项所述的方法,其特征在于,所述预处理包括曲线插补处理、滤波处理、曲线平滑处理、多参数预处理和异常值处理中的至少一项。
5.根据权利要求1至4中任一项所述的方法,其特征在于,所述待检测***包括飞行器;所述目标场景包括特定时间段、特定航段、特定飞行阶段、特定参数范围和特定***类型中的至少一种。
6.根据权利要求1至5中任一项所述的方法,其特征在于,根据所述数据特征值建立所述待检测***的性能基线,包括:
对所述数据特征值进行分析,得到至少两种所述***参数之间的相关性;
根据至少两种所述***参数之间的相关性建立所述待检测***的性能基线。
7.根据权利要求6所述的方法,其特征在于,
根据所述至少两种所述***参数之间的相关性建立所述待检测***的性能基线,包括:
在所述***参数之间的相关性为线性相关的情况下,利用线性模型或人工智能模型建立所述待检测***的性能基线。
8.根据权利要求6所述的方法,其特征在于,
根据所述至少两种所述***参数之间的相关性建立所述待检测***的性能基线,包括:
在所述***参数之间的相关性为非线性相关的情况下,利用人工智能模型建立所述待检测***的性能基线。
9.根据权利要求8所述的方法,其特征在于,所述人工智能模型包括神经网络模型、随机森林模型和支持向量回归模型中的至少一种。
10.根据权利要求6所述的方法,其特征在于,
根据所述至少两种所述***参数之间的相关性建立所述待检测***的性能基线,包括:
在所述***参数之间的相关性为非线性相关的情况下,利用分段线性模型建立所述待检测***的性能基线。
11.根据权利要求1至10中任一项所述的方法,其特征在于,基于所述性能基线对所述待检测***进行状态检测,包括:
采集所述待检测***的所述***参数对应的当前数据;
比较所述当前数据与所述性能基线是否相符;
根据所述比较的结果确定所述待检测***是否状态异常。
12.一种航空大数据分析工具,其特征在于,包括:
筛选单元,用于对待检测***的历史数据进行筛选,得到目标场景下的***参数;
处理单元,用于对所述目标场景下的***参数进行预处理;
提取单元,用于从预处理后的所述目标场景下的***参数中提取数据特征值;
分析单元,用于根据所述数据特征值建立所述待检测***的性能基线;
检测单元,用于基于所述性能基线对所述待检测***进行状态检测。
13.根据权利要求12所述的工具,其特征在于,所述待检测***包括飞行器;所述工具还包括存储单元,用于:
构建与飞行器构型对应的数据存储框架,所述数据存储框架以时间序列为数据存储形式;
按照所述飞行器构型将所述待检测***的历史数据存储到对应的数据存储框架中。
14.根据权利要求13所述的工具,其特征在于,所述飞行器构型包括机型允装构型、单机交付构型和单机运行构型中的至少一种。
15.根据权利要求12至14中任一项所述的工具,其特征在于,所述预处理包括曲线插补处理、滤波处理、曲线平滑处理、多参数预处理和异常值处理中的至少一项。
16.根据权利要求12至15中任一项所述的工具,其特征在于,所述待检测***包括飞行器;所述目标场景包括特定时间段、特定航段、特定飞行阶段、特定参数范围和特定***类型中的至少一种。
17.根据权利要求12所述的工具,其特征在于,所述分析单元包括:
第一分析子单元,用于对所述数据特征值进行分析,得到至少两种所述***参数之间的相关性;
第二分析子单元,用于根据至少两种所述***参数之间的相关性建立所述待检测***的性能基线。
18.根据权利要求17所述的工具,其特征在于,
所述第二分析子单元用于:在所述***参数之间的相关性为线性相关的情况下,利用线性模型或人工智能模型建立所述待检测***的性能基线。
19.根据权利要求17所述的工具,其特征在于,
所述第二分析子单元用于:在所述***参数之间的相关性为非线性相关的情况下,利用人工智能模型建立所述待检测***的性能基线。
20.根据权利要求19所述的工具,其特征在于,所述人工智能模型包括神经网络模型、随机森林模型和支持向量回归模型中的至少一种。
21.根据权利要求17所述的工具,其特征在于,
所述第二分析子单元用于:在所述***参数之间的相关性为非线性相关的情况下,利用分段线性模型建立所述待检测***的性能基线。
22.根据权利要求12至21中任一项所述的工具,其特征在于,所述检测单元用于:
采集所述待检测***的所述***参数对应的当前数据;
比较所述当前数据与所述性能基线是否相符;
根据所述比较的结果确定所述待检测***是否状态异常。
23.一种电子设备,其特征在于,包括:包括处理器和存储器,所述存储器中存储指令,所述指令由处理器加载并执行,以实现如权利要求1至11中任一项所述的方法。
24.一种计算机可读存储介质,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至11中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110757795.0A CN113343364A (zh) | 2021-07-05 | 2021-07-05 | 航空大数据分析方法及工具 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110757795.0A CN113343364A (zh) | 2021-07-05 | 2021-07-05 | 航空大数据分析方法及工具 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113343364A true CN113343364A (zh) | 2021-09-03 |
Family
ID=77482493
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110757795.0A Pending CN113343364A (zh) | 2021-07-05 | 2021-07-05 | 航空大数据分析方法及工具 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113343364A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113291488A (zh) * | 2021-04-30 | 2021-08-24 | 浙江长龙航空有限公司 | 一种整体驱动发电机性能监控方法及装置 |
CN114492236A (zh) * | 2022-01-17 | 2022-05-13 | 成都飞机工业(集团)有限责任公司 | 主冷凝器的预防性维修判断方法、装置、设备及存储介质 |
CN114896687A (zh) * | 2022-04-15 | 2022-08-12 | 中国航空工业集团公司沈阳飞机设计研究所 | 一种lca***数字样机导出方法 |
CN115048874A (zh) * | 2022-08-16 | 2022-09-13 | 北京航空航天大学 | 一种基于机器学习的飞行器设计参数预估方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3260943A1 (en) * | 2016-06-24 | 2017-12-27 | The Boeing Company | Prediction methods and systems for structural repair during heavy maintenance of aircraft |
CN110705658A (zh) * | 2019-08-15 | 2020-01-17 | 哈尔滨工业大学 | 一种基于多变量回归的无人机飞参数据故障检测与恢复方法 |
CN112257755A (zh) * | 2020-09-24 | 2021-01-22 | 北京航天测控技术有限公司 | 航天器运行状态的分析方法和装置 |
CN112581430A (zh) * | 2020-12-03 | 2021-03-30 | 厦门大学 | 一种基于深度学习的航空发动机无损检测方法、装置、设备及存储介质 |
CN112733880A (zh) * | 2020-12-17 | 2021-04-30 | 中国科学院空间应用工程与技术中心 | 一种航空发动机故障诊断方法、***及电子设备 |
CN112862127A (zh) * | 2021-04-23 | 2021-05-28 | 北京瑞莱智慧科技有限公司 | 一种传感器数据的异常处理方法、装置、电子设备及介质 |
-
2021
- 2021-07-05 CN CN202110757795.0A patent/CN113343364A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3260943A1 (en) * | 2016-06-24 | 2017-12-27 | The Boeing Company | Prediction methods and systems for structural repair during heavy maintenance of aircraft |
CN110705658A (zh) * | 2019-08-15 | 2020-01-17 | 哈尔滨工业大学 | 一种基于多变量回归的无人机飞参数据故障检测与恢复方法 |
CN112257755A (zh) * | 2020-09-24 | 2021-01-22 | 北京航天测控技术有限公司 | 航天器运行状态的分析方法和装置 |
CN112581430A (zh) * | 2020-12-03 | 2021-03-30 | 厦门大学 | 一种基于深度学习的航空发动机无损检测方法、装置、设备及存储介质 |
CN112733880A (zh) * | 2020-12-17 | 2021-04-30 | 中国科学院空间应用工程与技术中心 | 一种航空发动机故障诊断方法、***及电子设备 |
CN112862127A (zh) * | 2021-04-23 | 2021-05-28 | 北京瑞莱智慧科技有限公司 | 一种传感器数据的异常处理方法、装置、电子设备及介质 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113291488A (zh) * | 2021-04-30 | 2021-08-24 | 浙江长龙航空有限公司 | 一种整体驱动发电机性能监控方法及装置 |
CN113291488B (zh) * | 2021-04-30 | 2022-01-04 | 浙江长龙航空有限公司 | 一种整体驱动发电机性能监控方法及装置 |
CN114492236A (zh) * | 2022-01-17 | 2022-05-13 | 成都飞机工业(集团)有限责任公司 | 主冷凝器的预防性维修判断方法、装置、设备及存储介质 |
CN114896687A (zh) * | 2022-04-15 | 2022-08-12 | 中国航空工业集团公司沈阳飞机设计研究所 | 一种lca***数字样机导出方法 |
CN115048874A (zh) * | 2022-08-16 | 2022-09-13 | 北京航空航天大学 | 一种基于机器学习的飞行器设计参数预估方法 |
CN115048874B (zh) * | 2022-08-16 | 2023-01-24 | 北京航空航天大学 | 一种基于机器学习的飞行器设计参数预估方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11308250B2 (en) | Learning expected operational behavior of machines from generic definitions and past behavior | |
US10635095B2 (en) | Computer system and method for creating a supervised failure model | |
CN113343364A (zh) | 航空大数据分析方法及工具 | |
US8112368B2 (en) | Method, apparatus and computer program product for predicting a fault utilizing multi-resolution classifier fusion | |
Xu et al. | PHM-oriented integrated fusion prognostics for aircraft engines based on sensor data | |
Dangut et al. | An integrated machine learning model for aircraft components rare failure prognostics with log-based dataset | |
Zhang et al. | A probabilistic fault detection approach: Application to bearing fault detection | |
US8255100B2 (en) | Data-driven anomaly detection to anticipate flight deck effects | |
EP3105644B1 (en) | Method of identifying anomalies | |
US8478479B2 (en) | Predicting time to maintenance by fusion between modeling and simulation for electronic equipment on board an aircraft | |
EP3156862B1 (en) | Methods and apparatus for the creation and use of reusable fault model components in fault modeling and complex system prognostics | |
US10725463B1 (en) | High frequency sensor data analysis and integration with low frequency sensor data used for parametric data modeling for model based reasoners | |
US20130159240A1 (en) | Method and system for root cause analysis and quality monitoring of system-level faults | |
US10032322B2 (en) | Validation tool for an aircraft engine monitoring system | |
US10457423B2 (en) | System and method for aircraft failure prediction | |
US20180253664A1 (en) | Decision aid system and method for the maintenance of a machine with learning of a decision model supervised by expert opinion | |
US20080244326A1 (en) | Prognosis of faults in electronic circuits | |
US20180313721A1 (en) | System and method for monitoring a turbomachine, with indicator merging for the synthesis of an alarm confirmation | |
WO2020051523A1 (en) | Computer system and method for recommending an operating mode of an asset | |
Babbar et al. | Advanced diagnostics and prognostics for engine health monitoring | |
Azevedo et al. | Estimation of health indicators using advanced analytics for prediction of aircraft systems remaining useful lifetime | |
CA3163790C (en) | Prognostics for improved maintenance of vehicles | |
CN113919207A (zh) | 上面级开放式电气智能健康监测与管理*** | |
Burnaev | Rare failure prediction via event matching for aerospace applications | |
Lee et al. | Anomaly detection of aircraft engine in FDR (flight data recorder) 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 |