-
ALLGEMEINER STAND DER TECHNIK
-
Moderne Verkehrsmittel, unter anderem Flugzeuge, können ein eingebautes Wartungssystem (OMS) oder ein Unversehrtheits- bzw. „Gesundheitsüberwachungssystem“ (IVHM) aufweisen, das die Diagnose oder Voraussage (Prognose) von Störungen im Verkehrsmittel unterstützt. Diese modernen Gesundheits-Managementsysteme können verschiedene Daten über das Verkehrsmittel erheben und die Daten mittels Gesundheitsfunktionen, bei denen es sich um Gesundheitsalgorithmen handelt, die als ausführbare Software implementiert sind, analysieren. Die Funktionen können verwendet werden, um etwaige Unregelmäßigkeiten oder andere Anzeigen für eine Störung oder ein Problem in dem Verkehrsmittel zu erkennen. Diese Systeme sind so aufgebaut, dass sie natürlicherweise Schichten bilden, da das, was in einige Gesundheitsfunktionen eingegeben wird, davon abhängt, was von anderen Gesundheitsfunktionen ausgegeben wird. Alle derzeit verwendeten Systeme verlieren derzeit den Zugang zur Gesamtheit der Daten in den unteren Schichten zur Verwendung in den höheren Sichten, da viele der Funktionen in den unteren Schichten lediglich ein Ergebnis weitergeben, aber nicht die Daten, auf denen das Ergebnis beruht. Es wäre von Vorteil, die Gesundheitsfunktionen zu implementieren, ohne die Daten aus den unteren Schichten zu verlieren.
-
KURZBESCHREIBUNG DER ERFINDUNG
-
In einer Ausführungsform umfasst ein Verfahren zur Integrierung von Funktionsmodellen eines Gesundheits-Managementsystems für ein Verkehrsmittel mit mehreren Systemen, die mit einem Kommunikationsnetz verbunden sind, und zum Senden einer Zustandsmeldung und/oder von Rohdaten in Bezug auf mindestens einige Betriebsdaten der Systeme das Bereitstellen einer Mehrzahl von Gesundheitsmodellen, wobei jedes Gesundheitsmodell eine Gesundheitsfunktion des Verkehrsmittels darstellt, wobei zumindest einige der Gesundheitsmodelle Parameter aufweisen, die mindestens einigen der Betriebsdaten entsprechen, das Ausführen der Gesundheitsmodelle, um Gesundheitsdaten zu erzeugen, die auf die entsprechende Gesundheitsfunktion bezogen sind, das Ausbilden einer Datenbank für die bei der Ausführung der Gesundheitsmodelle erzeugten Gesundheitsdaten, das Ausbilden eines Mischungsmodells aus der Datenbank für zumindest einige von den Gesundheitsfunktionen, das Erzeugen eines probabilistischen graphischen Modells (PGM) aus dem Mischungsmodell für zumindest einige der Gesundheitsfunktionen und das Durchführen einer Bestimmung über eine Gesundheitsfunktion aufgrund des erzeugten PGM.
-
KURZBESCHREIBUNG DER ZEICHNUNG
-
In den Zeichnungen sind:
-
1 eine schematische Darstellung eines Flugzeugs mit einer Mehrzahl von Flugzeugsystemen.
-
2 eine schematische Darstellung einer Schichtung in einem Diagnosesystem.
-
3 eine schematische Darstellung eines PGM gemäß einer ersten Ausführungsform der Erfindung.
-
4 eine schematische Darstellung eines PGM gemäß einer zweiten Ausführungsform der Erfindung.
-
5 eine schematische Darstellung eines PGM gemäß einer dritten Ausführungsform der Erfindung.
-
6 eine schematische Darstellung eines PGM gemäß einer vierten Ausführungsform der Erfindung.
-
7 eine schematische Darstellung eines PGM gemäß einer fünften Ausführungsform der Erfindung.
-
8 eine schematische Darstellung eines PGM gemäß einer sechsten Ausführungsform der Erfindung.
-
9 eine schematische Darstellung eines PGM gemäß einer siebten Ausführungsform der Erfindung.
-
10 eine schematische Darstellung eines PGM gemäß einer achten Ausführungsform der Erfindung.
-
11 eine schematische Darstellung eines PGM gemäß einer neunten Ausführungsform der Erfindung.
-
BESCHREIBUNG VON AUSFÜHRUNGSFORMEN DER ERFINDUNG
-
1 zeigt schematisch einen Abschnitt eines Verkehrsmittels, bei dem es sich um ein Flugzeug 2 handelt und das eine Mehrzahl von Flugzeugkomponenten-Systemen 4, die eine ordnungsgemäße Funktion des Flugzeugs 2 ermöglichen, und ein Kommunikationssystem 6 aufweist, über das die Mehrzahl von Flugzeugkomponenten-Systemen 4 miteinander und mit einem Luftfahrzeug-Gesundheitsmanagementsystem-(AHM)Computer 8 kommunizieren können. Selbstverständlich kann die erfinderische Idee auf jedes Verkehrsmittel angewendet werden, das mehrere Systeme aufweist, die mit einem Kommunikationsnetz verbunden sind, und das Zustandsmeldungen und Rohdaten in Bezug auf zumindest einige Betriebsdaten des Systems sendet. Der AHM-Computer 8 kann jede geeignete Zahl von einzelnen Prozessoren, Stromquellen, Speichervorrichtungen, Schnittstellenkarten und anderen Standard-Komponenten aufweisen oder damit assoziiert sein. Der AHM-Computer 8 kann Eingaben von einer beliebigen Zahl von Flugzeug-Untergruppensystemen oder Software-Programmen, die für die Kontrolle der Datenerhebung und -speicherung zuständig sind, erhalten. Der AHM-Computer 8 in der Darstellung steht mit der Mehrzahl von Flugzeugsystemen 4 in Kommunikationsverbindung, und es wird davon ausgegangen, dass der AHM-Computer 8 eine oder mehrere Gesundheitsüberwachungsfunktionen ausführen kann oder Teil eines Integrated Vehicle Health Management (IVHM) Systems ist, um die Diagnose oder Prognose von Störungen im Flugzeug 2 zu unterstützen. Im Betrieb kann die Mehrzahl von Flugzeugsystemen 4 Zustandsmeldungen in Bezug auf zumindest einige der Betriebsdaten der Mehrzahl von Flugzeugsystemen 4 senden, und der AHM-Computer 8 kann eine Bestimmung einer Gesundheitsfunktion des Flugzeugs 2 aufgrund dieser Daten durchführen. Im Betrieb können analoge Eingaben und analoge Ausgaben der mehreren Flugzeugsysteme 4 vom AHM-Computer 8 überwacht werden, und der AHM-Computer 8 kann eine Bestimmung einer Gesundheitsfunktion des Flugzeugs 2 aufgrund dieser Daten durchführen.
-
Diagnostische und prognostische Analysen wenden Wissen auf diese Daten an, um Informationen und einen Wert daraus zu extrahieren. Für IVHM-Anwendungen sind eine Reihe von Gesundheitsfunktionen oder nur Funktionen nötig, die von einer Datenbearbeitung, über eine Zustandserfassung (z.B. Anomalieerfassung), eine Beurteilung der Gesundheit bis zur Prognose und Entscheidungsfindung reichen. Jede Funktion benötigt ein Modell, das das Wissen darüber, wie eine Aufgabe zu lösen ist, enthält. Eine Inferenzmaschine oder ein Algorithmus wendet dann dieses Modell auf neue Daten an, um Voraussagen machen zu können. Somit enthält das IVHM-System viele verschiedene Arten von Modellen, die mit den verschiedenen Funktionen assoziiert sind. Wie hierin verwendet, bezeichnet der Ausdruck "IVHM" alle Onboard- und Offboard-Funktionen, die nötig sind, um die Gesundheit des Verkehrsmittels zu kontrollieren. Eine große Herausforderung für das IVHM-System besteht darin, das, was von den Modellen ausgegeben wird, zu integrieren und das, was von unterschiedlichen Überwachungssystemen ausgegeben wird, zusammenzuführen. Wenn dies nicht auf robuste Weise geschieht, gehen wertvolle Informationen aus niederrangigen Funktionen, wie Datenbearbeitung und Zustandserfassung, bei der Schlussfolgerung verloren. Ein Ansatz, der auf einer großen Vielfalt von Modelltypen und -funktionen beruht, macht außerdem sowohl die Offboard- als auch die Onboard-Integrationsarchitektur komplex. Ein Ansatz, der die Komplexität verringern kann, ist wertvoll.
-
Man kann sich jedes Diagnose- oder Prognosesystem so vorstellen, dass es Funktionen hat, die in verschiedenen Schichten angesiedelt sind. Die Schichtung impliziert eine implizite Reihenfolge der Ausführung der Funktionen, so dass höherrangige Funktionen höherrangige Informationen ableiten. Ein Beispiel ist die offene Systemarchitektur für zustandsabhängige Wartung bzw. Open Systems Architecture for Condition-Based Maintenance (OSA-CBM) 10, die schematisch in 2 dargestellt ist. Jedes Kästchen in 2 ist eine Schicht, die eine oder mehrere Funktionen aufweist. Eine Rangfolge von rechts nach links zeigt, dass die höherrangigen Schichten von den Schichten niederrangigen Schichten abhängen, und der Rang der Informationen mit aufsteigender Reihenfolge zunimmt (je weiter rechts die Schichten sich befinden). j sei eine Schicht, und j + 1 sei die Schicht rechts von j. Dass die Informationen von j + 1 im Vergleich zu j einen höheren Rang haben, bedeutet, dass die Ausgaben von j + 1 einen größeren Nutzen (oder Wert) als die Ausgaben von j haben. Wenn beispielsweise j eine Zustandserfassungsfunktion ist, die eine Anomalie erfasst, und j + 1 eine Gesundheitsbewertungsfunktion ist, die die zugrunde liegende Ursache findet, würden die meisten Menschen akzeptieren, dass j + 1 einen höheren Wert hat. Obwohl es eine Reihenfolge der funktionalen Schichten gibt, gibt es keinen Grund, warum nicht eine Funktion Ausgaben bzw. Informationen von einer Funktion in einer unteren Schicht abfragen sollte und warum die Kommunikation nicht in beiden Richtungen fließen sollte.
-
Eine Datenbearbeitungsschicht 12 führt Aufgaben aus wie eine Datenkorrektur und eine Merkmalsextraktion. Eine Zustandsschicht 14 überwacht den aktuellen Zustand oder das Verhalten in Bezug auf einen erwarteten Zustand. Funktionen wie eine Schwellenwertüberwachung und eine Anomalieerfassung liegen bei der Zustandserfassungsschicht 14. Eine Gesundheitsbewertungsschicht 16 führt eine Diagnose und eine Fehlerbehebung durch. Eine Prognosebewertungsschicht 18 sagt die Gesundheit voraus und wie das Verhalten sich verschlechtern könnte. Eine Ratgeberschicht 20 hilft bei der Entscheidungsfindung und könnte eine Simulation von dem, was wahrscheinlich passieren wird, beinhalten oder könnte die Auswahl von empfohlenen Aktionen auf Basis eines wahrscheinlichen Ergebnisses unter Abwägung von Kosten und Nutzen empfehlen.
-
Ein spezielles Beispiel in Bezug auf die OSA-CBM-Funktionsarchitektur 10 kann sich als nützlich erweisen und wird mit Bezug auf die Leistungsanalyse eines Turbinenmotors angeführt. Die Datenbearbeitungsschicht 12 führt Datenkorrekturen in Bezug auf Standard-Tagesbedingungen durch, und die Zustandserfassungsschicht 14 überwacht Residuenmessungen unter Verwendung eines Regressionsmodells, um den Unterschied zwischen einem tatsächlich gemessenen Wert eines überwachten Parameters und einem vorausgesagten Wert zu berechnen, und verwendet dann ein multivariates Zustandsmodell, um die Leistung gegen das erwartete gesunde Verhalten zu bewerten. Die Gesundheitsbewertungsschicht 16 zieht Schlussfolgerungen für Warnungen in Bezug auf anomales Verhalten und nutzt diagnostisches Wissen darüber, wie die Muster in den Residuen auf Fehler reagieren. Die Prognosebewertungsschicht 18 sagt voraus, wie Verschlechterungen sich im Verlauf von anschließenden Flügen entwickeln bzw. verschlimmern werden, und die Ratgeberschicht 20 verwendet ein Modell von Inspektions-/Wartungsaktionen, um die empfohlenen Aktionen zu optimieren. Die Gesundheits-Managementfunktionen aller Systeme in einem Flugzeug könnten in diesen beiden Schichten strukturiert sein.
-
Eine fundamentale Schwäche bei heutigen Gesundheits-Managementsystemen ist die Integration von Informationen aus verschiedenen funktionalen Schichten und die Zusammenführung von Informationen, die von verschiedenen Überwachungssystemen erhalten werden (beispielsweise Vibration, Schmierzustandsüberwachung, Leistungsüberwachung usw.). Beispielsweise könnte die Ausgabe einer kontinuierlichen Verteilung abhängig davon, ob ein bestimmter Schwellenwert überschritten worden ist, in einen binären Wert umgewandelt werden. Zwei individuell überwachte Objekte, die sich in ihrem Verhalten in geringem Umfang unterscheiden, könnten auf sehr verschiedene Art und Weise behandelt werden, weil die Ausgabe von der Zustandserfassung auf unangemessene Weise diskretisiert worden ist, wenn diese Ausgaben an eine Gesundheitsbewertung mitgeteilt werden. Ein weiteres Beispiel ist, dass zwei Untersysteme auf unangemessene Weise so behandelt werden könnten, als wären sie völlig unabhängig voneinander. Beispielsweise könnte eine Beschädigung eines Motors durch Fremdkörper zu einer erhöhten Vibration und Leistungsverschlechterung führen, und Informationen über die Antwort von einem Untersystem sollten in die Erwartung einer Reaktion vom anderen Untersystem einfließen. Beide Schwächen können als Problem bei einer Modellintegration betrachtet werden.
-
Ausführungsformen der Erfindung verwenden probabilistische graphische Modelle (PGMs) als Rahmen für eine Modellintegration für das IVHM und liefern ein Verfahren zum Erlernen einer Reihe von PGM-Modellen aus Verlaufsdaten. Im Allgemeinen verwenden PGMs eine auf Grafik beruhende Darstellung als Grundlage für die Kodierung einer komplexen Verteilung über einem mehrdimensionalen Raum. Der Graph ist eine kompakte oder faktorisierte Darstellung einer gemeinsamen Verteilung. Beispiele für die Art der Modelle, die von einem PGM dargestellt werden können, sind: Bayes'sche Netze, Kalman-Filter, probabilistische Behandlung einer Hauptkomponentenanalyse, Gauss'sche und diskrete Mischungsmodelle. Kurz gesagt wird ein Mischungsmodell-Lernmodul implementiert, das Verlaufsdaten, Konfigurationsparameter und einen Satz aus konditionalen diskreten Variablen, welche die Modellstruktur im Wesentlichen beschreiben, als Eingaben nimmt. Das Modul erlernt dann eine Gruppe von Mischungsmodellen. Sobald sie erlernt wurden, werden die Modelle in eine PGM-Struktur integriert. Es gibt Varianten der PGM-Struktur, die von der Natur der Inferenzaufgabe abhängen, auf die das PGM angewendet wird.
-
Ein PGM-Rahmen kann ein geeignetes Verfahren zur Integration von Gesundheits-Managementdaten und -informationen für ein Verkehrsmittel bereitstellen, ohne dass Daten aus unteren Schichten verloren gehen. Ein PGM stellt eine gemeinsame Verteilung über einem Satz von Zufallsvariablen dar. Im Kontext des Gesundheits-Managements von Verkehrsmitteln können Variablen gemessene Parameter, Fehlermodi/Störungen, diagnostische Tests, Beobachtungen oder Inspektionen, abgeleitete Parameter usw. sein. Ein PGM besteht aus einem Satz von Zufallsvariablen, die von Knoten dargestellt werden. Ein Knoten kann eine diskrete Variable sein, die durch eine multinominale Verteilung beschrieben wird, oder er kann eine kontinuierliche Variable sein, die von einer Gauss'schen Dichte beschrieben wird. Ränder im Graphen beschreiben konditionale Beziehungen zwischen Variablen. Wenn zwischen einer Variable v1 und einer Variable v2 eine Verknüpfung vorhanden ist, gilt v1 als Parent, und v2 gilt als Child von v1. Eine kontinuierliche Variable kann sowohl diskrete als auch kontinuierliche Parents haben, aber eine diskrete Variable kann nur diskrete Parents haben. Die Verteilung einer Variablen wird von ihren Parents konditioniert.
-
Der Aufbau eines PGM betrifft die Definition von Variablen und die Assoziationen zwischen Variablen. Die Parameter eines PGM betreffen die Wahrscheinlichkeitsverteilungen, die einer Variablen zugeordnet werden, wobei es sich um konditionale Verteilungen handelt, wenn eine Variable eine oder mehrere Parent-Variablen hat. Die Parameter können auf subjektiver Expertenmeinung beruhen oder aus Verlaufsdaten abgeleitet (oder gelernt) werden. Eine Inferenz über einem PGM folgt einer Evidence-Eingabe, und die Ergebnisse sind die marginale Verteilung einzelner Variablen oder die gemeinsame Verteilung über zwei oder mehr Variablen oder eine von einem Gesamtmodell abgeleitete Ausgabe, wie eine Likelihood of Evidence. Evidence bedeutet die Zuordnung eines Werts zu einer Variablen. Wenn die Variable eine diskrete Variable ist, setzt Evidence die Variable auf einen ihrer diskreten Werte, oder wenn Soft Evidence verwendet wird, ordnet sie ihr eine Verteilung über ihren diskreten Werten zu. Für eine kontinuierliche Variable ordnet Evidence dieser Variablen einen Wert zu. Eine Anfrage über einem PGM bezieht sich typischerweise auf Setting Evidence und eine Anforderung des Posterior Marginal einer oder mehrerer Variablen, für die Evidence noch nicht festgelegt wurde. Eine Anfrage kann auch eine gemeinsame Verteilung fordern oder einen Gesamtmaß fordern, wie Likelihood of Evidence. Eine Anfrage kann auch die Auswahl einer Variablen als Hypothese-Variable und das Prüfen des Einflusses anderer Modellvariablen auf diese Variable beinhalten.
-
Wenn das Gesundheits-Management auf eine Maschine angewendet wird, bezeichnet Zustandserfassung häufig, dass erfasst wird, wann ein Verhalten von einem erwarteten Behalten abgewichen ist. PGMs stellen einen mächtigen Rahmen für die Zustandserfassung in IVHM bereit. Im Anschluss an die Erfassung eines anomalen Ereignisses kann ein Schlussfolgerungs-PGM die Ausgaben vom PGM-Anomaliedetektor verwenden, um die Ursache zu isolieren. Ferner können PGMs für prognostische Bewertungen und Entscheidungshilfe sorgen. Ein typisches Entscheidungshilfe-Szenario ist das Treffen einer Entscheidung darüber, ob eine Inspektion oder ein Test aufgrund eines vermuteten Fehlers oder Zustands ausgeführt werden soll. Ein weiteres Szenario ist die Entscheidung über eine geeignete Wartungsmaßnahme angesichts des Gesundheitszustands und der betrieblichen Rolle einer Maschine. Eine andere Art der Verwendung ist interaktive Problemlösung, wo das Verfahren iteriert, wenn das Modell Vorschläge macht und ein Techniker Feedback gibt. Für ein Entscheidungsmodells kann ein PGM zwei zusätzliche Arten von Knoten verwenden: einen Entscheidungsknoten, der Aktionen darstellt, die durchgeführt werden können, und ein Nutzenknoten, der die Kosten und die Vorteile dieser Aktionen darstellt.
-
Einige spezifische Beispiele für IVHM-Funktionen in Bezug auf PGMs mögen sich als nützlich erweisen. Die Berechnung von Residuenwerten ist ein weithin genutztes Verfahren zur Unterstützung einer Ursachenanalyse. Die Berechnung beinhaltet das Voraussagen des erwarteten Werts für eine Messung unter Verwendung der Werte anderer Messungen. Der erwartete Wert wird dann vom gemessenen Wert subtrahiert, um das Residuum zu erhalten. Residuen liefern ein Maß für die Abweichung von einer Erwartung und helfen daher bei der Identifizierung von Messungen, die sich anders verlaufen als erwartet. Virtual Sensing ist eng verwandt mit der Berechnung von Residuen. Die Idee ist, einen ausgefallenen physischen Sensor durch Ableiten von dessen Antwort unter Verwendung anderer Sensormessungen überflüssig zu machen oder zu ersetzen. Beide der oben genannten Aufgaben beruhen auf der Fähigkeit, ein Modell dafür zu erstellen, wie eine Variable ihr Verhalten aufgrund anderer Variablen ändert. Alle diese Modellierungsverfahren können unter dem Oberbegriff Regressionsmodelle zusammengefasst werden. Diese Regressionsmodelle können mit einer ausreichenden Näherung auf ein PGM abgebildet werden, um die nötige Genauigkeit zu erhalten.
-
Der Ansatz, der bei der Erstellung eines PGM-Modells oder der Ausführung einer Modellinferenzierung verwendet wird, kann von der Funktion des Modells abhängen. Bei der Regression können die Modellvariablen im überwachten Ansatz in Eingabe- und Ausgabevariablen oder in Prädiktor und vorausgesagte Variable aufgeteilt werden. Die einzigen Variablen oder Knoten, für die Evidence festgelegt wird, sind die Eingabevariablen. Und die Ausgabevariablen sind diejenigen Variablen, die vorausgesagt werden sollen. Im nicht-überwachten Ansatz wird keine Unterscheidung zwischen Eingabe- und Ausgabevariablen gemacht.
-
Ein Beispiel für ein nicht-überwachtes Modell ist das unkonditionale Gauss'sche Mischungsmodell, das eine natürliche Abbildung auf ein PGM aufweist. Ein lineares Regressionsmodell weist eine Gleichung der folgenden Form auf: y = β0 + β1x1 + β2x2 + β2x1x2 + β4x 2 / 1 + β5x 2 / 2 + ε (1)
-
Die vorausgesagte Variable ist y und die Prädiktorvariablen sind x1 und x2. Die Modellparameter sind β0, β1, β2, β3, β4 und β5. Ein Noise Term ε wird ebenfalls eingeführt, um einen Fehler zu modellieren, der durch einen Messfehler und andere Unwägbarkeiten eingeführt wird. Die Regressionsgleichung enthält Interaktion und quadratische Ausdrücke, die über den Prädiktorvariablen definiert werden.
-
3 stellt ein PGM 30 dar mit Prädiktor-Variablen 32 und einer Variable Y 34 für die folgende Gleichung: y = β0 + β1x1 + β2x2 + β3x3 + β4x4 + β5x5 + ε (2)
-
Natürlich implizieren die Verknüpfungen zwischen den Prädiktorvariablen 32 eine Reihenfolge dieser Prädiktorvariablen 32. Diese Reihenfolge besitzt keinerlei Bedeutung. Das heißt, die Reihenfolge kann unter der Voraussetzung, dass die Parameter entsprechend angepasst werden, verändert werden. Das GPM-Modell 30 kann viele zusätzliche Parameter außer denen, die in der Gleichung erscheinen, enthalten. Der Grund dafür ist, dass das PGM die gesamte Kovarianz zwischen sämtlichen Variablen modelliert. Diese zusätzlichen Parameter werden von den Mittelwerten und der Kovarianz der Prädiktor-Variablen 32 abgeleitet. Die Parameter in der Variable Y 34 entsprechen den Parametern in der Gleichung (2). Obwohl das PGM zusätzliche Parameter enthält, ermöglicht es einen größeren Bereich an durchgeführten Voraussagen. Beispielsweise könnte y als Prädiktor-Variable und x3 als die vorausgesagte Variable verwendet werden usw. Die Prädiktorvariablen können vor dem Modellieren im PGM entkorreliert werden, wodurch sämtliche Prädiktor-Variablen unabhängig werden und keine Verbindungslinien aufweisen.
-
Falls das Regressionsmodell eine Interaktion oder quadratische Terme usw. aufweist, sind zusätzliche Variablen im PGM-Modell vorhanden, die jeden dieser zusätzlichen Terme darstellen. Beispielsweise kann ein PGM 40 für die Gleichung: y = β0 + β1x1 + β2x 2 / 1 (3) unter Verwendung der Struktur in 4 modelliert werden und kann eine Prädiktor-Variable 42, eine Variable Y 44 und einen quadratischen Term 46 aufweisen.
-
Bei manchen IVHM-Anwendungen kan die Genauigkeit der Voraussage durch die Verwendung von mehreren Regressionsmodellen verbessert werden, wo die Ausgaben der einzelnen Modells gemischt werden oder wo ein spezielles Regressionsmodell aus einigen Eingabekriterien ausgewählt wird. Beispielsweise kann das Verhalten einer Maschine abhängig davon, in welchem Modus oder welcher Phase sie arbeitet, variieren. Ein Regressionsmodell könnte für jeden Modus vorgesehen werden. Ein PGM zum Modellieren von mehreren Regressionsmodellen ist in 5 dargestellt und beinhaltet Prädiktor-Variablen 52 und Komponentenvariablen 54. Die Komponentenvariable 54 ist ein diskreter Wert mit genau einem Zustand für jedes Regressionsmodell. Das PGM 50 kann in einem Mischmodus verwendet werden, wo die Ergebnisse von mehreren Regressionen kombiniert werden, um die gewünschte Voraussage zu erzeugen.
-
Eine andere Art einer Datenbearbeitungsaufgabe ist das Entkorrelieren von Variablen und/oder das Abbilden der Eingaben auf einen Raum einer niedrigeren Dimension. Wenn beispielsweise eine hohe Korrelation zwischen Variablen besteht, kann es möglich sein, den größten Teil der Datenvarianz unter Verwendung eines verkleinerten Satzes von Variablen zu beschreiben. Die Hauptkomponentenanalyse bzw. Principle Components Analysis (PCA) ist ein beliebtes Verfahren zur Verkleinerung oder Entkorrelierung des Eingaberaums. Ein PGM-Beispielsmodell 60 für PCA ist in 6 dargestellt. In der Figur sind um der Übersichtlichkeit willen nicht alle Verknüpfungen dargestellt, und es sei klargestellt, dass jede X-Variable 62 mit jeder S-Variablen 64 verknüpft ist. In diesem Modell gibt es fünf mit Xi bezeichnete X-Variablen, die auf fünf mit Si bezeichnete S-Variablen abgebildet sind. Die Parameter für das PGM-Modell 60 sind direkt auf diejenigen abgebildet, die von PCA abgeleitet sind. Eine Dimensionsverringerung wird durch Begrenzen der Anzahl der S-Variablen 64 erreicht, die anhand von absteigender Komponentenvarianz geordnet sind.
-
Eine Ausführungsform des Verfahrens der Erfindung kann zur Integrierung der Funktionsmodelle des Gesundheits-Managementsystems verwendet werden und kann das Ausbilden einer Datenbank aus zumindest einigen der Betriebsdaten, das Ausbilden der Strukturen für eine Mehrzahl von PGMs für zumindest einige der Gesundheitsfunktionen, das Abbilden der Struktur von mindestens einigen der PGMs auf eine Mischungsmodell-Lernaufgabe, das Erlernen von zumindest einigen der Mischungsmodelle, das Verwenden der erlernten Mischungsmodelle, um die Modellparameter für jedes entsprechende PGM bereitzustellen, und das Weitergeben von erhaltenen Betriebsdaten über die PGMs und das Durchführen einer Bestimmung über den Gesundheitszustand und potentielle Aktionen beinhalten.
-
Zu Anfang mag beschrieben werden, wie zumindest einige der PGMs auf eine Mischungsmodellstruktur abgebildet werden. Dies kann das Teilen eines Modells in Untermodelle beinhalten, wobei ein Untermodell gemäß dem Wert identifiziert wird, der von einer oder mehreren diskreten Variablen zugewiesen wird. Beispiele sind unter anderem: die Zuordnung einer diskreten Variablen zu unterschiedlichen Fehlermodi, wobei jede diskrete Variable einen anderen Modus darstellt; die Zuordnung einer diskreten Variablen zu unterschiedlichen Betriebszuständen oder -phasen (z.B. Abheben, Reisen, Landeanflug usw.); die Zuordnung einer diskreten Variablen zu unterschiedlichen Flotten oder Routen; die Zuordnung einer diskreten Variablen, um einen Zeitraum zu bezeichnen (z.B. das Teilen eines Signals in verschiedene Phasen oder das Teilen eines Kalenders in verschiedene Zeiträume); und das Zuordnen einer diskreten Variablen, um verschiedenen Partitionen des Eingaberaums zu bezeichnen (jede Messungsvariable ist eine Dimension des Eingaberaums).
-
Das Ausbilden des Mischungsmodells kann das Erlernen des Mischungsmodells aus der Datenbank beinhalten. Auf diese Weise kann ein Mischungsmodell-Lernmodul verwendet werden, um die Parameter der PGM-Variablen abzuleiten. Ein solches Mischungsmodell-Lernmodul kann ein eigenes Modul sein, das auf das Lernen von Mischungsmodulen über kontinuierlichen und diskreten Variablen spezialisiert ist. Dieses Lernmodul kann über großen Datensätzen lernen und Probleme wie Singularitäten, fehlende Daten, verrauschte Daten usw., die bei echten Daten auftreten, bewältigen. Ferner kann dies das Lernen von einem Teil der Modellstruktur entkoppeln. Beispielsweise kann in manchen Situationen ein diskretes Parent über einer Mischung von kontinuierlichen Variablen zum Lernen der Mischungsverteilung über den kontinuierlichen Variablen redundant sein. Das heißt, die Modelle, sich auf jeden Wert des bzw. der diskreten Parent(s) beziehen, können separat erlernt werden, was zu einem einfacher zu erlernenden Modell und einem schnelleren Lernen durch Parallelisierung führt. Die Mischungsmodelle können unter Verwendung von Erwartungsmaximierung (EM) erlernt werden. Für einige Funktionen können die PGM-Parameter effizient unter Verwendung anderer Methoden abgeleitet werden, unter anderem durch Standard-PCA. Für manche Modelltypen, beispielsweise Regressionsmodelle, können außerdem Gründe dafür bestehen, einen anderen Algorithmus als ein Mischungsmodell-Lernen zu verwenden, um die Parameterverteilungen abzuleiten.
-
Das Erlernen des Mischungsmodells kann das Auswählen einer Untergruppe von Daten aus der Datenbank, die für die zu erlernende Gesundheitsfunktion relevant ist, beinhalten. Jede Zeile in der Datenbank wird als Case bezeichnet. Ein Case könnte eine Übernahme von Daten von unterschiedlichen Sensoren oder von Sensoren abgeleiteten Funktionen usw. sein. Jede gemessene Variable oder abgeleitete Funktion entspricht einer Spalte innerhalb des Case. Es wird davon ausgegangen, dass in manchen Fällen jedem Case eine Gewichtung (ein Wert zwischen 0 und 1) entsprechend der Stärke der Assoziation zwischen dem Case und seinem Vektor aus diskreten Variablenwerten zugeordnet wird. Beispielsweise können die Symptome einer Störung im Lauf der Zeit ausgeprägter werden. Wenn die Daten entsprechend einer Störungsvariablen partitioniert worden sind, können die Cases abhängig davon gewichtet werden, wie ausgeprägt die Symptome sind oder wie nah der Zeitpunkt der Datenerhebung an dem Zeitpunkt liegt, zu dem die Störung bestätigt wird.
-
Das Erlernen des Mischungsmodells kann auch das Zuordnen von Werten für jede der diskreten Variablen in dem Datenuntersatz beinhalten. Das Mischungsmodell-Lernmodul kann eine Datenbank aus Übungsverlaufsdaten oder bereits abgeleiteten Parametern für ein Modell, einen Satz aus Variablen, die kontinuierliche Variablen und diskrete Variablen beinhalten, Konfigurationsparameter, die zum Erlernen des Mischungsmodells verwendet werden, gegebenenfalls eine Liste von Beschränkungen und einen Parameter, der definiert, ob eine Entfernung von Komponenten zugelassen ist, und wenn ja, welche Größe entfernt werden darf, als Eingaben verwenden. Die diskreten Variablen können ferner in Modelllernvariablen unterteilt werden, beispielsweise solche, die eine aktive Rolle bei der Ableitung des Mischungsmodells spielen, und konditionelle Variablen, die verwendet werden, um Partitionen in den Übungsdaten zu identifizieren. Für jede Partitionierung in den Daten kann es ein eindeutiges Mischungsmodell geben. Somit gibt es für viele Aufgaben mehrere abgeleitete Mischungsmodelle.
-
Das Erlernen des Mischungsmodells kann auch das Partitionieren des Datenuntersatzes gemäß den Zuordnungswerten für die diskreten Variablen beinhalten. Genauer können die Übungsdaten partitioniert werden, und Daten können über verschiedenen Partitionen wiederholt werden und eine Gewichtung erhalten, welche die Assoziation der Daten mit einer Partition definiert. Wenn beispielsweise eine erste diskrete Variable zwei Werte aufweist und eine zweite diskrete Variable drei Werte aufweist, dann gibt es sechs potentielle Partitionen in den Daten. Eine Partition weist Daten einem Untersatz zu, wobei ein Untersatz von der Kombination aus Werten, die den diskreten Variablen zugewiesen sind, gekennzeichnet ist. Es kann sein, dass einem Untersatz keine Daten zugeordnet sind. Die Partitionierung muss keine harte Zuordnung von Cases zu verschiedenen Untersätzen sein. Anders ausgedrückt kann sich ein Case in verschiedenen Untersätzen wiederholen. Dies könnte beispielsweise dann auftreten, wenn eine Unsicherheit darüber besteht, ob ein Case symptomatisch ist für eine Strömung, so dass er in dem Keine-Störung-Untersatz mit einer niedrigen Gewichtung und in dem Störung-Untersatz mit einer höheren Gewichtung erscheinen kann.
-
Das Mischungsmodell-Lernmodul kann Konfigurationsparameter als Eingaben verwenden. Diese Konfigurationsparameter können einen breiten Bereich von Parametern beinhalten, die unter anderem die Folgenden beinhalten können: die Zahl der Komponenten, Beschränkungen der Kovarianz-Matrix, Konvergenztoleranz gegenüber der Steuerung des Übungsendes, Priors, die Zahl von Urmodellbildungen usw. Das Mischungsmodell-Lernmodul kann eine minimale Anzahl von Komponenten und eine maximale Anzahl von Komponenten zulassen, die zusammen mit einem Schrittparameter definiert werden. Dadurch kann das Modul durch Bilden von mehreren Modellen, die sich in der minimalen Anzahl ihrer Komponenten und der maximalen Anzahl ihrer Komponenten unterscheiden, mit dem Schritt, der definiert, wie viele zusätzliche Komponenten dem nächsten Modell hinzugefügt werden, ein optimales Modell suchen.
-
Das Mischungsmodell-Lernmodul kann als Eingabe gegebenenfalls eine Liste von Beschränkungen verwenden. Solche Beschränkungen beinhalten unter anderem eine gleiche Orientierung oder ein gleiches Volumen oder eine gleiche Form von Komponenten in verschiedenen Modellen. Die Beschränkungen müssen nicht immer während des Modell-Lernens angewendet werden, sondern können auch nach dem Lernen angewendet werden.
-
Während des Lernens kann das Mischungsmodell-Lernmodul ein Mischungsmodell für jede Datenpartition ableiten. Die Partitionen können gemäß den konditionalen Variablen bestimmt werden. Das Mischungsmodell-Lernmodul kann statistische Werte für die konditionalen Variablen für jede Modellkomponente ableiten.
-
Dann kann ein PGM aus dem Mischungsmodell für zumindest einige der Gesundheitsfunktionen erzeugt werden. Dies kann das Abbilden der Mischungsmodelle aus jedem Untersatz in ein PGM beinhalten. Das PGM kann aus Variablen, gerichteten Verknüpfungen zwischen Variablen und den Parametern für jede Variable bestehen. Es gibt eine Reihe von möglichen Strukturen, und die Struktur hängt von der Inferenzaufgabe ab und davon, ob ein Modell für jeden Untersatz vorhanden ist oder nicht. Falls ein Modell für jeden Untersatz vorhanden ist, und pro Untersatzmodell eine einzelne Komponente vorhanden ist, könnte das PGM 70 7 verwendet werden und kann Prädiktor-Variablen 72 und diskrete Variablen 74 beinhalten.
-
8 zeigt ein PGM 80, Prädiktor-Variablen 82 und Komponentenvariable 84. Wenn mehrere Komponenten pro Untergruppenmodell vorhanden sind, wird die Komponentenvariable 84, die diskret ist, eingeführt. Die Komponenten in einem Untersatzmodell beziehen sich nicht auf Komponenten in anderen Untersatzmodellen. Daher ist die Anzahl der Werte in der Komponentenvariablen 84 gleich der Summe der Anzahl der Komponenten in jedem Untersatzmodell. Für drei Untersätze mit 2, 4 und 2 Komponenten ist die Gesamtzahl der Komponenten daher 8. Die Werte in der Komponentenvariablen 84 können angemessen gekennzeichnet werden, um kenntlich zu machen, mit welchem Modell und welcher Komponente der Wert assoziiert ist.
-
9 zeigt ein PGM 90 mit Prädiktor-Variablen 92, einer Komponentenvariablen 94 und einer Partition der Daten gemäß einer diskreten Variablen oder einem diskreten Parent 96, für die bzw. den eine Prior-Verteilung eingesetzt werden soll, die nicht konditional ist. Anders ausgedrückt muss das diskrete Parent 96 keine Parent-Variable haben. Ein Beispiel dafür ist das Modellieren eines Fehlermodus, wenn die Variable gemäß Daten, die den Fehler darstellen und gemäß Daten, die den Fehler nicht darstellen, partitioniert wird. Der Prior gibt die Wahrscheinlichkeit an, dass der Fehler auftritt.
-
Ein PGM 100 ist in 10 dargestellt und beinhaltet Prädiktorvariablen 102, Komponentenvariablen 104 und diskrete Variablen 106, die als Childs der Komponentenvariablen 104 dienen können. Diese Form des Aufbaus ermöglicht ein Berechnen der Marginale jedes Werts einer diskreten Variablen als Folge von Evidence, das für die kontinuierlichen Variablen festgelegt worden ist. Alternativ dazu können diskrete Variablen als Filter verwendet werden, die ein Modell oder Komponenten innerhalb eines Modells während einer Inferenz ausschalten. Wenn die Partitionierung Untersätze erzeugt, wo jeder Untersatz eine andere Maschine ist, kann ein Einblick in die Gesundheit oder die Leistung einer Maschine aus allen anderen Maschinen erhalten werden, wenn das Modell herausgefiltert wird, das mit der Maschine assoziiert ist, deren Gesundheit bestimmt wird. Beispielsweise stellt 11 ein PGM 110 dar, das Prädiktorvariablen 112, Komponentenvariablen 114 und diskrete Variablen 116 beinhaltet, die als Childs der Komponentenvariablen 114 dienen können. Wobei eine Filterung erleichtert wird, wenn jede diskrete Variable 116 ein binäres Child 118 für jeden ihrer Werte aufweist. Das binäre Child 118 kann Werte True und False aufweisen, und Evidence wird auf False gesetzt, wenn die Modellkomponenten, die mit dem Wert assoziiert sind, aus der Schlussfolgerungsaufgabe ausgeschlossen werden müssen.
-
Es wird in Betracht gezogen, dass Komponenten für jedes Mischungsmodell isoliert erlernt werden können, so dass die Mischungskoeffizienten nicht von den konditionalen Variablen abhängen. Dadurch wird ein Gleichgewicht zwischen der Genauigkeit der Modellierung und der Vereinfachung einer komplexen Aufgabe hergestellt, wodurch das System insgesamt leichter zu bewältigen ist. Durch die Integration kleinerer und einfacherer Strukturmodelle wird die Komplexität von Modellstrukturen verringert und die Fähigkeit zur Inferenz aufrechterhalten.
-
Die oben beschriebenen Ausführungsformen stellen verschiedene Vorteile bereit, einschließlich dem, dass sie einen Bereich von Funktionen, die traditionell mit in sich abgeschlossenen und isolierten Algorithmen bewältigt worden sind, auf einen einzigen theoretischen Rahmen abbilden. Für viele Funktionen erzeugt dieser Rahmen genau die gleichen Ausgaben wie die ursprünglichen Implementierungen. Der Vorteil daraus, dass Funktionen innerhalb des gleichen theoretischen Rahmens liegen, besteht in einer wesentlich einfacheren Integration und einer Unterstützung der Maximierung der Beibehaltung von wichtigen Informationen, wenn Daten zwischen Funktionen weitergegeben werden. Ohne diese Art der Herangehensweise wird die Integration mehr zur Momentaufnahme und führt unausweichlich zum Verlust von Informationen, da Ergebnisse einer Funktion nicht immer ohne Weiteres auf eine andere Funktion abgebildet werden können. Ferner liefern die oben beschriebenen Ausführungsformen einen standardisierten Rahmen, der einer Reihe von Funktionen die gleichen Darstellungsformalismen auferlegt, was bedeutet, dass ausgefeiltere Modelle konstruiert werden können und das Wissen an einem Ort enthalten ist. Im Wesentlichen machen die oben beschriebenen Ausführungsformen das IVHM wirkungsvoller und ermöglichen eine vereinfachte Analyseintegrationsarchitektur. Dies führt zu einer Verringerung des Zeit- und Kostenaufwands für die Validierung und verringert laufende Wartungskosten.
-
Diese Beschreibung verwendet Beispiele, um die Erfindung, einschließlich ihrer besten Ausführungsweise, zu offenbaren und um einen Fachmann in die Lage zu versetzen, die Erfindung auszuführen, wozu auch die Herstellung und die Nutzung von Vorrichtungen und Systemen und die Anwendung von darin enthaltenen Verfahren gehören. Der zu schützende Bereich der Erfindung wird von den Ansprüchen definiert und kann andere Beispiele umfassen, die für einen Fachmann naheliegend sind. Diese anderen Beispiele sollen im Bereich der Ansprüche eingeschlossen sein, wenn sie Strukturelemente aufweisen, die sich vom Wortlaut der Ansprüche nicht unterscheiden, oder wenn sie äquivalente Strukturelemente aufweisen, die sich vom Wortlaut der Ansprüche nur unwesentlich unterscheiden.
-
Ein Verfahren zur Integrierung der Funktionsmodelle eines Gesundheits-Managementsystems für ein Verkehrsmittel 2, wobei das Verkehrsmittel mehrere Systeme 4 aufweist, die mit einem Kommunikationsnetz 6 verbunden sind, und die mehreren Systeme 4 eine Zustandsmeldung und/oder Rohdaten in Bezug auf zumindest einige der Betriebsdaten der mehreren Systeme 4 senden, und zur Durchführung einer Bestimmung über eine Gesundheitsfunktion des Verkehrsmittels 2.
-
Bezugszeichenliste
-
- 2
- Flugzeug
- 4
- Flugzeugkomponenten-Systeme
- 6
- Kommunikationssystem
- 8
- Aircraft Health Management (AHM) Computer
- 10
- Open Systems Architecture for Condition-Based Maintenance (OSA-CBM)
- 12
- Datenbearbeitungsschicht
- 14
- Zustandserfassungsschicht
- 16
- Gesundheitsbewertungsschicht
- 18
- Prognosebewertungsschicht
- 20
- Ratgeberschicht
- 30
- PGM
- 32
- Prädiktorvariablen
- 34
- Variable Y
- 40
- PGM
- 42
- Prädiktorvariable
- 44
- Variable Y
- 46
- quadratischer Term
- 50
- PGM
- 52
- Prädiktorvariablen
- 54
- Komponentenvariable
- 60
- PGM-Modell
- 62
- X-Variable
- 64
- S-Variablen
- 70
- PGM
- 72
- Prädiktorvariablen
- 74
- diskrete Variablen
- 80
- PGM
- 82
- Prädiktorvariablen
- 84
- Komponentenvariablen
- 90
- PGM
- 92
- Prädiktorvariable
- 94
- Komponentenvariable
- 96
- diskretes Parent
- 100
- PGM
- 102
- Prädiktorvariablen
- 104
- Komponentenvariablen
- 106
- diskrete Variablen
- 110
- PGM
- 112
- Prädiktorvariablen
- 114
- Komponentenvariable
- 116
- diskrete Variablen
- 118
- binäres Child