CN114462513A - 基于飞机故障发生数据的飞机故障预警方法及*** - Google Patents
基于飞机故障发生数据的飞机故障预警方法及*** Download PDFInfo
- Publication number
- CN114462513A CN114462513A CN202210056633.9A CN202210056633A CN114462513A CN 114462513 A CN114462513 A CN 114462513A CN 202210056633 A CN202210056633 A CN 202210056633A CN 114462513 A CN114462513 A CN 114462513A
- Authority
- CN
- China
- Prior art keywords
- fault
- data
- airplane
- aircraft
- sdr
- 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 43
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 21
- 238000009826 distribution Methods 0.000 claims abstract description 15
- 238000004364 calculation method Methods 0.000 claims abstract description 13
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 238000012423 maintenance Methods 0.000 claims description 29
- 230000015654 memory Effects 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 8
- 230000001915 proofreading effect Effects 0.000 claims description 7
- 230000008439 repair process Effects 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 4
- 238000005315 distribution function Methods 0.000 claims description 2
- 230000008030 elimination Effects 0.000 claims description 2
- 238000003379 elimination reaction Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 abstract description 9
- 238000004590 computer program Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000003292 glue Substances 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Images
Classifications
-
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Manufacturing & Machinery (AREA)
- Transportation (AREA)
- Aviation & Aerospace Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于飞机故障发生数据的飞机故障预警方法及***;其中方法包括:获取待处理的飞机历史故障数据;根据预定义的分类标准,将待处理的飞机历史故障数据进行分类;将分类后的每一类飞机历史故障数据均进行预处理;采用泊松算法对预处理后的每一类飞机历史故障数据进行计算,得到飞机故障预警结果。基于SDR故障发生数据,采用泊松分布算法,实现了SDR故障发生计算、预测分析和报警。
Description
技术领域
本发明涉及民用航空、飞机SDR故障报警预测技术领域,特别是涉及基于飞机故障发生数据的飞机故障预警方法及***。
背景技术
本部分的陈述仅仅是提到了与本发明相关的背景技术,并不必然构成现有技术。
航空公司对有效掌握航空器使用、维修状况和安全动态,及时发现航空器运行中的安全隐患提出相对较高的要求,通过对故障信息数据计算分析和预测,提供有效报警数据,降低风险发生概率,提高飞机运行安全。
SDR故障信息数据量大,跨度时间长,异常情况比较多,通过传统故障率数据计算,无法精确显示部件一定时间内趋势变化情况,进行维修预测准确性较低。
发明内容
为了解决现有技术的不足,本发明提供了基于飞机故障发生数据的飞机故障预警方法及***;基于SDR故障发生数据,采用泊松分布算法,实现了SDR故障发生计算、预测分析和报警。
第一方面,本发明提供了基于飞机故障发生数据的飞机故障预警方法;
基于飞机故障发生数据的飞机故障预警方法,包括:
获取待处理的飞机历史故障数据;
根据预定义的分类标准,将待处理的飞机历史故障数据进行分类;
将分类后的每一类飞机历史故障数据均进行预处理;
采用泊松算法对预处理后的每一类飞机历史故障数据进行计算,得到飞机故障预警结果。
第二方面,本发明提供了基于飞机故障发生数据的飞机故障预警***;
基于飞机故障发生数据的飞机故障预警***,包括:
获取模块,其被配置为:获取待处理的飞机历史故障数据;
分类模块,其被配置为:根据预定义的分类标准,将待处理的飞机历史故障数据进行分类;
预处理模块,其被配置为:将分类后的每一类飞机历史故障数据均进行预处理;
故障预警模块,其被配置为:采用泊松算法对预处理后的每一类飞机历史故障数据进行计算,得到飞机故障预警结果。
第三方面,本发明还提供了一种电子设备,包括:
存储器,用于非暂时性存储计算机可读指令;以及
处理器,用于运行所述计算机可读指令,
其中,所述计算机可读指令被所述处理器运行时,执行上述第一方面所述的方法。
第四方面,本发明还提供了一种存储介质,非暂时性地存储计算机可读指令,其中,当所述非暂时性计算机可读指令由计算机执行时,执行第一方面所述方法的指令。
第五方面,本发明还提供了一种计算机程序产品,包括计算机程序,所述计算机程序当在一个或多个处理器上运行的时候用于实现上述第一方面所述的方法。
与现有技术相比,本发明的有益效果是:
泊松分布算法,是一种统计与概率学里常见到的离散机率分布,它适合描述单位时间(或空间)内随机事件发生的次数,经过研究分析发现,泊松分布算法与故障信息数据分析有共同之处,通过将故障信息数据与泊松分布算法结合,可发现结果数据存在一致性规律,对于提高故障信息报警准确性提供帮助,进而帮助航空公司提高安全管控水平。
本发明采用计算机***手段,将民航领域中出现的SDR故障数据与泊松分布数学算法相结合,进行计算分析,并以此数据为基础进行SDR发生概率预测,超过95%进行***报警。解决了当前民航机务方面故障数据杂乱、无规律、无法进行科学分析预测的问题。
优化了传统故障SDR分类方法,分类更加精准。将飞机故障设置专题定义:空停故障、爆胎故障、操纵***失灵、释压故障。
本发明自编程序实现了故障SDR全自动分类、导入、自动校准流程。省去人工数据处理过程。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1为实施例一的方法流程图。
具体实施方式
应该指出,以下详细说明都是示例性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
本实施例所有数据的获取都在符合法律法规和用户同意的基础上,对数据的合法应用。
术语解释:
SDR Service Difficulty Report使用困难报告,所述使用困难报告,是特定机务维修故障集合,用于反映航空器使用、维修状况及安全动态。
NRC Non-Routine Card非例行故障工卡
PO production order生产指令单
实施例一
本实施例提供了基于飞机故障发生数据的飞机故障预警方法;
如图1所示,基于飞机故障发生数据的飞机故障预警方法,包括:
S101:获取待处理的飞机历史故障数据;
S102:根据预定义的分类标准,将待处理的飞机历史故障数据进行分类;
S103:将分类后的每一类飞机历史故障数据均进行预处理;
S104:采用泊松算法对预处理后的每一类飞机历史故障数据进行计算,得到飞机故障预警结果。
进一步地,所述S101:获取待处理的飞机历史故障数据;其中,所述飞机历史故障数据,包括:非例行故障数据(即NRC)和指令维修数据(即PO)。
进一步地,所述S102:根据预定义的分类标准,将待处理的飞机历史故障数据进行分类,具体是指:按照故障类型,将待处理的飞机历史故障数据分为:空停故障、爆胎故障、操纵***失效和施压故障。
进一步地,所述S103:将分类后的每一类飞机历史故障数据均进行预处理;具体包括:对分类后的每一类飞机历史故障数据均进行自动校准处理和垃圾数据剔除处理。
进一步地,所述自动校准处理,具体是指:针对每种故障设置故障信息参数,对故障数据与故障信息参数进行自动校对,如果故障数据与故障信息参数匹配,则认为校对通过,对校对通过的数据计入计算环节;否则,认为校对不通过。
对***中主要的50类故障数据均做了校对规则,示例如下:
机型737NG飞机,故障章节331100,维修类别:航线,故障信息参数中包含“灯不亮”,认为校对满足要求,通过。
机型737NG飞机,故障章节262601,维修类别:航线,故障信息参数中包含“灭火瓶白胶”,认为校对不满足要求,不通过。
进一步地,所述垃圾数据剔除处理,其中垃圾数据的定义是校对不通过数据,明显错误的数据由人工修正后重新校对,仍不通过视为垃圾数据,垃圾数据不纳入后续计算环节。
进一步地,所述S104:采用泊松算法对预处理后的每一类飞机历史故障数据进行计算,得到飞机故障预警结果;具体包括:
v_poisson:=F_GET_POISSON_SUM(v_pre_count_3m,v_sum_flight_num_3_all)*100;
其中,v_poisson表示SDR泊松分布计算结果;
v_sum_flight_num_3_all表示指定时间点前三个月实际机务维修故障集合SDR的故障总发生次数;
v_pre_count_3m表示指定时间点前三个月预期机务维修故障集合SDR的故障发生次数;
F_GET_POISSON_SUM表示机务维修故障集合SDR的泊松分布算法函数。
分析计算结果超95%以上进行***预警,并将触发预警工作流,通知机务相关工作者。
进一步地,所述指定时间点前三个月预期机务维修故障集合SDR的故障发生次数;具体包括:
指定时间点前三个月预期机务维修故障集合SDR的故障发生次数=(指定时间点前21个月总飞行时间/指定时间点前21个月总机务维修故障集合SDR的故障发生次数)*指定时间点前三个月飞行时间。
指定时间点前21个月总飞行时间,包括整个机队的总飞行时间,由每架飞机指定时间点前21个月飞行时间累加求得。
指定时间点前21个月总机务维修故障集合SDR的故障发生次数,是对指定时间点前21个月当前故障类型所涉及机务维修故障集合SDR的故障次数的求和结果。
进一步地,所述泊松算法的工作原理包括:
循环遍历指定时间点前三个月每一个机务维修故障集合SDR,利用泊松分布函数,计算出每个机务维修故障集合SDR预期故障发生概率;
将所有机务维修故障集合SDR预期故障发生概率求和,得到当前类型的机务维修故障集合SDR未来三个月发生的概率;
如果当前故障类型的机务维修故障集合SDR未来三个月发生故障的概率大于设定阈值,则进行预警控制。
超过95%,我们认为该类故障发生概率极高,风险比较大,提醒机务技术单元,进行预警控制。进行预测维修。
通过计算2020年1月至2021年10月释压故障,看到释压故障泊松分布分析结果变化趋势,超过95%时,表明释压故障发生概率极高,需进行***预警,告知机务工作者。
通过计算2020年1月至2021年10月释压故障空停故障,看到释压故障、空停故障泊松分布分析结果变化趋势,当泊松分布数值超过95%时,表明释压故障、空停故障发生概率极高,需进行***预警,告知机务工作者。通过本发明,相比传统故障率计算方法,极大提高***预警准确性。通过对随机故障进行统计分析,可实现预测维修,降低飞机安全事件发生概率。
实施例二
本实施例提供了基于飞机故障发生数据的飞机故障预警***;
基于飞机故障发生数据的飞机故障预警***,包括:
获取模块,其被配置为:获取待处理的飞机历史故障数据;
分类模块,其被配置为:根据预定义的分类标准,将待处理的飞机历史故障数据进行分类;
预处理模块,其被配置为:将分类后的每一类飞机历史故障数据均进行预处理;
故障预警模块,其被配置为:采用泊松算法对预处理后的每一类飞机历史故障数据进行计算,得到飞机故障预警结果。
此处需要说明的是,上述获取模块、分类模块、预处理模块和故障预警模块对应于实施例一中的步骤S101至S104,上述模块与对应的步骤所实现的示例和应用场景相同,但不限于上述实施例一所公开的内容。需要说明的是,上述模块作为***的一部分可以在诸如一组计算机可执行指令的计算机***中执行。
上述实施例中对各个实施例的描述各有侧重,某个实施例中没有详述的部分可以参见其他实施例的相关描述。
所提出的***,可以通过其他的方式实现。例如以上所描述的***实施例仅仅是示意性的,例如上述模块的划分,仅仅为一种逻辑功能划分,实际实现时,可以有另外的划分方式,例如多个模块可以结合或者可以集成到另外一个***,或一些特征可以忽略,或不执行。
实施例三
本实施例还提供了一种电子设备,包括:一个或多个处理器、一个或多个存储器、以及一个或多个计算机程序;其中,处理器与存储器连接,上述一个或多个计算机程序被存储在存储器中,当电子设备运行时,该处理器执行该存储器存储的一个或多个计算机程序,以使电子设备执行上述实施例一所述的方法。
应理解,本实施例中,处理器可以是中央处理单元CPU,处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC,现成可编程门阵列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该处理器也可以是任何常规的处理器等。
存储器可以包括只读存储器和随机存取存储器,并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如,存储器还可以存储设备类型的信息。在实现过程中,上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。
实施例一中的方法可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。为避免重复,这里不再详细描述。
本领域普通技术人员可以意识到,结合本实施例描述的各示例的单元及算法步骤,能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
实施例四本实施例还提供了一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成实施例一所述的方法。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.基于飞机故障发生数据的飞机故障预警方法,其特征是,包括:
获取待处理的飞机历史故障数据;
根据预定义的分类标准,将待处理的飞机历史故障数据进行分类;
将分类后的每一类飞机历史故障数据均进行预处理;
采用泊松算法对预处理后的每一类飞机历史故障数据进行计算,得到飞机故障预警结果。
2.如权利要求1所述的基于飞机故障发生数据的飞机故障预警方法,其特征是,获取待处理的飞机历史故障数据;其中,所述飞机历史故障数据,包括:非例行故障数据和指令维修数据。
3.如权利要求1所述的基于飞机故障发生数据的飞机故障预警方法,其特征是,根据预定义的分类标准,将待处理的飞机历史故障数据进行分类,具体是指:按照故障类型,将待处理的飞机历史故障数据分为:空停故障、爆胎故障、操纵***失效和施压故障。
4.如权利要求1所述的基于飞机故障发生数据的飞机故障预警方法,其特征是,将分类后的每一类飞机历史故障数据均进行预处理;具体包括:对分类后的每一类飞机历史故障数据均进行自动校准处理和垃圾数据剔除处理。
5.如权利要求4所述的基于飞机故障发生数据的飞机故障预警方法,其特征是,所述自动校准处理,具体是指:针对每种故障设置故障信息参数,对故障数据与故障信息参数进行自动校对,如果故障数据与故障信息参数匹配,则认为校对通过,对校对通过的数据计入计算环节;否则,认为校对不通过;
所述垃圾数据剔除处理,其中垃圾数据的定义是校对不通过数据,明显错误的数据由人工修正后重新校对,仍不通过视为垃圾数据,垃圾数据不纳入后续计算环节。
6.如权利要求1所述的基于飞机故障发生数据的飞机故障预警方法,其特征是,采用泊松算法对预处理后的每一类飞机历史故障数据进行计算,得到飞机故障预警结果;具体包括:
v_poisson:=F_GET_POISSON_SUM(v_pre_count_3m,v_sum_flight_num_3_all)*100;
其中,v_poisson表示SDR泊松分布计算结果;
v_sum_flight_num_3_all表示指定时间点前三个月实际机务维修故障集合SDR的故障总发生次数;
v_pre_count_3m表示指定时间点前三个月预期机务维修故障集合SDR的故障发生次数;
F_GET_POISSON_SUM表示机务维修故障集合SDR的泊松分布算法函数。
7.如权利要求6所述的基于飞机故障发生数据的飞机故障预警方法,其特征是,所述指定时间点前三个月预期机务维修故障集合SDR的故障发生次数;具体包括:
指定时间点前三个月预期机务维修故障集合SDR的故障发生次数=(指定时间点前21个月总飞行时间/指定时间点前21个月总机务维修故障集合SDR的故障发生次数)*指定时间点前三个月飞行时间;
指定时间点前21个月总飞行时间,包括整个机队的总飞行时间,由每架飞机指定时间点前21个月飞行时间累加求得;
指定时间点前21个月总机务维修故障集合SDR的故障发生次数,是对指定时间点前21个月当前故障类型所涉及机务维修故障集合SDR的故障次数的求和结果;
或者,
所述泊松算法的工作原理包括:
循环遍历指定时间点前三个月每一个机务维修故障集合SDR,利用泊松分布函数,计算出每个机务维修故障集合SDR预期故障发生概率;
将所有机务维修故障集合SDR预期故障发生概率求和,得到当前类型的机务维修故障集合SDR未来三个月发生的概率;
如果当前故障类型的机务维修故障集合SDR未来三个月发生故障的概率大于设定阈值,则进行预警控制。
8.基于飞机故障发生数据的飞机故障预警***,其特征是,包括:
获取模块,其被配置为:获取待处理的飞机历史故障数据;
分类模块,其被配置为:根据预定义的分类标准,将待处理的飞机历史故障数据进行分类;
预处理模块,其被配置为:将分类后的每一类飞机历史故障数据均进行预处理;
故障预警模块,其被配置为:采用泊松算法对预处理后的每一类飞机历史故障数据进行计算,得到飞机故障预警结果。
9.一种电子设备,其特征是,包括:
存储器,用于非暂时性存储计算机可读指令;以及
处理器,用于运行所述计算机可读指令,
其中,所述计算机可读指令被所述处理器运行时,执行上述权利要求1-7任一项所述的方法。
10.一种存储介质,其特征是,非暂时性地存储计算机可读指令,其中,当所述非暂时性计算机可读指令由计算机执行时,执行权利要求1-7任一项所述方法的指令。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210056633.9A CN114462513A (zh) | 2022-01-18 | 2022-01-18 | 基于飞机故障发生数据的飞机故障预警方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210056633.9A CN114462513A (zh) | 2022-01-18 | 2022-01-18 | 基于飞机故障发生数据的飞机故障预警方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114462513A true CN114462513A (zh) | 2022-05-10 |
Family
ID=81409183
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210056633.9A Pending CN114462513A (zh) | 2022-01-18 | 2022-01-18 | 基于飞机故障发生数据的飞机故障预警方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114462513A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105117970A (zh) * | 2015-07-17 | 2015-12-02 | 广东电网有限责任公司东莞供电局 | 一种并列供电***连环故障概率计算方法 |
CN110456774A (zh) * | 2019-08-15 | 2019-11-15 | 中车大连机车研究所有限公司 | 一种快捷货运机车的故障诊断与预警装置及方法 |
CN111813587A (zh) * | 2020-05-28 | 2020-10-23 | 国网山东省电力公司 | 一种软件接口评估及故障预警方法及*** |
CN111965609A (zh) * | 2020-08-19 | 2020-11-20 | 深圳安智杰科技有限公司 | 雷达可靠度评估方法、装置、电子设备及可读存储介质 |
EP3865963A1 (en) * | 2020-02-14 | 2021-08-18 | Mobility Asia Smart Technology Co. Ltd. | Method and device for analyzing vehicle failure |
CN113525714A (zh) * | 2021-07-30 | 2021-10-22 | 浙江工商大学 | 一种基于神经网络的民航飞机故障预测*** |
CN113705886A (zh) * | 2021-08-26 | 2021-11-26 | 成都飞机工业(集团)有限责任公司 | 一种基于动态mtbf的航材备件需求分析预测方法 |
-
2022
- 2022-01-18 CN CN202210056633.9A patent/CN114462513A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105117970A (zh) * | 2015-07-17 | 2015-12-02 | 广东电网有限责任公司东莞供电局 | 一种并列供电***连环故障概率计算方法 |
CN110456774A (zh) * | 2019-08-15 | 2019-11-15 | 中车大连机车研究所有限公司 | 一种快捷货运机车的故障诊断与预警装置及方法 |
EP3865963A1 (en) * | 2020-02-14 | 2021-08-18 | Mobility Asia Smart Technology Co. Ltd. | Method and device for analyzing vehicle failure |
CN111813587A (zh) * | 2020-05-28 | 2020-10-23 | 国网山东省电力公司 | 一种软件接口评估及故障预警方法及*** |
CN111965609A (zh) * | 2020-08-19 | 2020-11-20 | 深圳安智杰科技有限公司 | 雷达可靠度评估方法、装置、电子设备及可读存储介质 |
CN113525714A (zh) * | 2021-07-30 | 2021-10-22 | 浙江工商大学 | 一种基于神经网络的民航飞机故障预测*** |
CN113705886A (zh) * | 2021-08-26 | 2021-11-26 | 成都飞机工业(集团)有限责任公司 | 一种基于动态mtbf的航材备件需求分析预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US7230527B2 (en) | System, method, and computer program product for fault prediction in vehicle monitoring and reporting system | |
CN107403225B (zh) | 一种共享设备故障报修方法及装置 | |
US20050177353A1 (en) | Operations and support discrete event simulation system and method | |
CN110427712A (zh) | 一种基于故障影响分析的预防性维修方法及车间制造*** | |
DE102010052998A1 (de) | Software-zentrierte Methodik für die Überprüfung und Bestätigung von Fehlermodellen | |
CN111340250A (zh) | 设备检修装置、方法及计算机可读存储介质 | |
Hommes | Review and assessment of the iso 26262 draft road vehicle-functional safety | |
US11097853B2 (en) | Edge computing based airplane auxiliary power unit health monitoring system | |
CN111814964A (zh) | 基于空气质量状况预报的空气污染处理方法及存储介质 | |
US7925453B2 (en) | Assessing conditions of aircraft wiring | |
CN107423205A (zh) | 一种用于数据防泄漏***的***故障预警方法及*** | |
US20230419202A1 (en) | METHODS, INTERNET OF THINGS (IoT) SYSTEMS, AND MEDIUMS FOR MANAGING TIMELINESS OF SMART GAS DATA | |
CN109522718A (zh) | Fadec软件安全性分析方法及装置 | |
CN114462513A (zh) | 基于飞机故障发生数据的飞机故障预警方法及*** | |
EP3451101B1 (de) | Verfahren zum bestimmen einer fehlerursache eines fehlers in einer fahrzeugkomponente | |
DE102015218262B4 (de) | Datenverarbeitungsanlage und Verfahren für diese zur Zustandsüberwachung einer Mehrzahl an Fahrzeugen | |
Mosleh et al. | An integrated framework for identification, classification, and assessment of aviation systems hazards | |
CN113610338A (zh) | 轨道交通信号***安全风险评价和风险预警方法及装置 | |
US11377229B2 (en) | Internet connected auxiliary power unit airline maintenance system | |
US7398132B2 (en) | Method and system for analyzing throughput | |
CN107767977B (zh) | 一种核电站用安全控制方法和*** | |
Silva et al. | 10 years of ISVV: What's next? | |
CN114157553A (zh) | 一种数据处理方法、装置、设备及存储介质 | |
CN114743703A (zh) | 核电站机组的可靠性分析方法、装置、设备和存储介质 | |
DE102019209357B3 (de) | Verfahren zum Ermitteln zumindest eines aktuellen Vertrauenswerts eines Datensatzes eines Kraftfahrzeugs sowie ein Rechensystem hierzu |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220510 |
|
RJ01 | Rejection of invention patent application after publication |