WO2021172249A1 - 摩耗状態予測方法、摩耗状態予測装置、摩耗状態予測プログラム、及び予測モデル生成方法 - Google Patents
摩耗状態予測方法、摩耗状態予測装置、摩耗状態予測プログラム、及び予測モデル生成方法 Download PDFInfo
- Publication number
- WO2021172249A1 WO2021172249A1 PCT/JP2021/006535 JP2021006535W WO2021172249A1 WO 2021172249 A1 WO2021172249 A1 WO 2021172249A1 JP 2021006535 W JP2021006535 W JP 2021006535W WO 2021172249 A1 WO2021172249 A1 WO 2021172249A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- wear
- data
- aircraft
- state prediction
- wear state
- Prior art date
Links
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60C—VEHICLE TYRES; TYRE INFLATION; TYRE CHANGING; CONNECTING VALVES TO INFLATABLE ELASTIC BODIES IN GENERAL; DEVICES OR ARRANGEMENTS RELATED TO TYRES
- B60C11/00—Tyre tread bands; Tread patterns; Anti-skid inserts
- B60C11/24—Wear-indicating arrangements
- B60C11/246—Tread wear monitoring systems
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60C—VEHICLE TYRES; TYRE INFLATION; TYRE CHANGING; CONNECTING VALVES TO INFLATABLE ELASTIC BODIES IN GENERAL; DEVICES OR ARRANGEMENTS RELATED TO TYRES
- B60C19/00—Tyre parts or constructions not otherwise provided for
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M17/00—Testing of vehicles
- G01M17/007—Wheeled or endless-tracked vehicles
- G01M17/02—Tyres
Definitions
- the present invention relates to a wear state prediction method, a wear state prediction device, a wear state prediction program, and a prediction model generation method.
- Patent Document 1 a technique for predicting the wear state of an aircraft tire has been known (Patent Document 1).
- the method described in Patent Document 1 applies a plurality of wear energies corresponding to a plurality of running states (for example, a touchdown running state, a deceleration running state after touchdown, a taxi running state, etc.) classified according to usage conditions.
- the present invention has been made in view of such a situation, and is a wear state prediction method, a wear state prediction device, and wear that use the wear rate of an aircraft tire as training data input when generating a model.
- An object of the present invention is to provide a state prediction program and a prediction model generation method.
- the wear state prediction method is associated with an explanatory variable and uses the wear rate of an aircraft tire as training data input when generating a model.
- FIG. 1 is a schematic view showing the relationship between the wear state predictor, the network, and the airline company.
- FIG. 2 is a schematic configuration diagram of a wear state prediction device according to the present embodiment of the present invention.
- FIG. 3 is a diagram illustrating an example of machine learning according to the present embodiment of the present invention.
- FIG. 4 is a diagram illustrating an example of associating the learning data and the teacher data according to the embodiment of the present invention.
- FIG. 5 is a sequence diagram illustrating an operation example of the wear state prediction system according to the embodiment of the present invention.
- FIG. 6 is a sequence diagram illustrating an operation example of the wear state prediction system according to the embodiment of the present invention.
- FIG. 7 is a diagram illustrating an example of a method in which the air temperature after the day when the wear rate is predicted is taken into consideration.
- the wear state prediction system 1 includes a wear state prediction device 10, a network 20, and an airline company 30.
- the wear state prediction device 10 performs two-way communication with the airline company 30 via the network 20. Specifically, the wear state prediction device 10 acquires data on the aircraft 31 from the airline company 30 via the network 20. The wear state prediction device 10 generates a machine learning model using the acquired data, and predicts the wear state of the aircraft tire 32 mounted on the aircraft 31 using the generated machine learning model. Details of the data acquired by the wear state predictor 10 from the airline company 30 will be described later.
- the network 20 is a communication network capable of transmitting and receiving data.
- the network 20 is composed of various communication lines such as a dedicated line, a public switched telephone network, a satellite communication line, and a mobile communication line installed by a telecommunications carrier.
- the aircraft tire 32 includes a tire mounted on the main gear and a tire mounted on the nose gear.
- a plurality of (for example, 6) tires are mounted on the main gear.
- a plurality of (for example, two) tires are mounted on the nose gear.
- the wear state prediction device 10 is, for example, a general-purpose computer, and includes a CPU, a ROM (Read Only Memory), and a RAM (Random Access Memory).
- the CPU reads the program stored in the ROM or the like into the RAM and executes it.
- the wear state prediction device 10 may be a stationary terminal device or a portable terminal device (for example, a smartphone) that is easy to carry. Further, the wear state prediction device 10 may be configured as a server of the management center.
- the wear state prediction device 10 includes a controller 11 (for example, a CPU) and a storage device 14.
- the controller 11 includes a first processing function 12 and a second processing function 13 as a plurality of information processing functions.
- the first processing function 12 is classified into a data acquisition unit 121, a data processing unit 122, an algorithm selection unit 123, and a model generation unit 124.
- the second processing function 13 is classified into a new data acquisition unit 131, an application model selection unit 132, and a wear state prediction unit 133.
- the data acquisition unit 121 acquires data from the airline company 30 via the communication unit (not shown).
- the communication unit is an interface installed in the wear state prediction device 10 that connects to the network 20 and transmits / receives data to / from the airline company 30.
- the data acquired by the data acquisition unit 121 from the airline company 30 includes temperature data of the aircraft 31, acceleration data of the aircraft 31, weight data of the aircraft 31, and data indicating the position where the aircraft tire 32 is mounted (hereinafter, simply mounting position). (Sometimes called data), etc. are included.
- the temperature data of the aircraft 31 is the temperature data measured by the sensor installed in the aircraft 31.
- the acceleration data of the aircraft 31 includes the acceleration data of the aircraft 31 in the XYZ directions.
- the X direction is the front-rear direction of the aircraft 31.
- the Y direction is the left-right direction of the aircraft 31.
- the Z direction is the vertical direction of the aircraft 31.
- the data processing unit 122 processes the data acquired by the data acquisition unit 121. The detailed contents of the process will be described later.
- the algorithm selection unit 123 selects the algorithm used to generate the machine learning model.
- Algorithms include, for example, linear multiple regression, Lasso regression, non-linear SVM, random forest, XGBost and the like.
- the model generation unit 124 generates a machine learning model by machine learning the data generated by the data processing unit 122 using the algorithm selected by the algorithm selection unit 123.
- the model generation unit 124 generates a machine learning model for each algorithm. Therefore, a plurality of machine learning models are generated.
- the generated machine learning model is stored in the storage device 14.
- the new data acquisition unit 131 acquires new data to be input to the machine learning model generated by the model generation unit 124 from the airline company 30.
- the new data acquired by the new data acquisition unit 131 from the airline company 30 has the same attributes (temperature, acceleration, etc.) and structure (every second described later) as the data acquired by the data acquisition unit 121 from the airline company 30. However, the data itself is different.
- the applied model selection unit 132 reads the machine learning model generated by the model generation unit 124 from the storage device 14, and evaluates the prediction performance of the read machine learning model.
- the applied model selection unit 132 selects the machine learning model having the highest prediction performance based on the evaluation result.
- the wear state prediction unit 133 inputs new data acquired by the new data acquisition unit 131 into the machine learning model selected by the application model selection unit 132, and predicts the wear state.
- the wear state includes the amount of wear and the rate of wear. Details of the amount of wear and the rate of wear will be described later.
- the data regarding the predicted wear state is stored in the storage device 14.
- machine learning is classified into a learning phase and a prediction phase.
- the learning phase features are extracted from a huge amount of data (big data) and a machine learning model is generated.
- the prediction phase new data is input to the generated machine learning model and the results are output.
- the acquired data is data acquired from the airline company 30, such as temperature data of the aircraft 31, acceleration data of the aircraft 31, weight data of the aircraft 31, and mounting position data.
- the data input for machine learning is sometimes called an explanatory variable.
- the temperature data of the aircraft 31, the acceleration data of the aircraft 31, the weight data of the aircraft 31, the mounting position data, and the like are explanatory variables.
- the data output from the trained model may be called an objective variable.
- the wear state of the aircraft tire 32 is the objective variable.
- Machine learning includes supervised learning using teacher data and learning that does not use teacher data.
- supervised learning is used.
- Teacher data means so-called “correct answer data”.
- Supervised learning is a method using a learning data set (indicated by reference numeral 40 in FIG. 3) in which "input data” and "correct answer data” are set.
- big data is processed to generate a learning data set 40 before machine learning is performed.
- data preprocessing Such data processing before machine learning is referred to as data preprocessing below.
- the data preprocessing means the aggregation of data and the association between the aggregated data and the teacher data. Such association is sometimes called labeling.
- the data acquisition unit 121 acquires data from the airline company 30 for each flight. When data is acquired from a sensor mounted on an aircraft as a data structure for one flight, the data is stored, for example, every second. That is, temperature data, acceleration data, and the like are stored every second. Therefore, the amount of data is enormous even for one flight.
- the number of flights from the time when the aircraft tire 32 is attached to the airframe to the time when it is taken out is several hundred times.
- the number of flights from the time when the aircraft tire 32 is attached to the airframe to the time when it is taken out may be expressed as all flights.
- the data to be machine-learned is the data of all flights (hundreds of flights) from the time when the aircraft tire 32 is attached to the body to the time when it is taken out.
- the teacher data (wear rate based on the amount of wear) to be linked is one value.
- the amount of wear means the amount of wear of the aircraft tire 32 from the time when the aircraft tire 32 is attached to the airframe to the time when it is taken out, and the unit is mm.
- XY (mm) is the amount of wear. Is. Usually, the amount of wear is measured after the aircraft tire 32 is taken out, so there is only one value.
- the wear rate is used as the teacher data.
- the wear rate is defined as the amount of wear of the aircraft tire 32 in one landing.
- the unit of wear rate is expressed as mm / LD.
- the wear rate is calculated by dividing the amount of wear measured after the aircraft tire 32 is taken out by the total number of landings.
- the wear rate calculated in this way is used as the teacher data.
- the number of landings and the number of flights are synonymous.
- the wear rate is not limited to the above.
- the wear rate may be defined as the amount of wear relative to the taxi mileage. Taxi traveling means that the aircraft 31 travels on the ground (mainly a runway) using the power of the aircraft 31.
- the wear rate is calculated by dividing the amount of wear measured after the aircraft tire 32 is taken out by the taxi mileage on all flights.
- the taxi mileage in one flight is the total value of the taxi mileage at the departing airfield and the taxi mileage at the arriving airfield. This total value is usually several kilometers.
- the wear rate may be defined as a parameter obtained by dividing the amount of wear by the cumulative value related to the flight.
- Cumulative values for flights include, for example, the number of landings and taxi mileage described above.
- the cumulative value related to the flight may include the total value of the representative values (for example, the average value) of the acceleration of each flight and the total value of the weight of each flight.
- the wear rate will be described as the amount (mm / LD) that the aircraft tire 32 wears in one landing.
- the wear rate may be a value obtained by dividing the amount of wear by the taxi mileage, or may be a parameter obtained by dividing the amount of wear by the cumulative value related to flight. Further, as described above, since the amount of wear is one value, the wear rate calculated by the amount of wear is also one value.
- the reason for using the wear rate as the teacher data in this embodiment will be described.
- the inventor's research has revealed that when wear is used as teacher data, all the data may be in a horizontal line, making accurate prediction difficult.
- the inventor's research has revealed that when the number of landings is used as teacher data, it may be difficult to make an accurate prediction because the variation in the amount of residual groove is not reflected.
- the inventor's research has shown that accurate predictions are possible when wear rates are used as teacher data. Therefore, in this embodiment, the wear rate is used as the teacher data.
- the data processing unit 122 aggregates the temperature data, the acceleration data, the weight data, and the like into one value. Since the mounting position data is a fixed value, it does not need to be aggregated.
- the data processing unit 122 averages the temperature data in one flight and calculates the average temperature data in one flight.
- the data processing unit 122 repeats this process to calculate the average temperature data for each flight (first flight, second flight ... 100th flight ).
- the data processing unit 122 averages the average temperature data for each flight and calculates the average temperature data (one value) for all flights (first to several hundredth times).
- the representative value of the explanatory variable is not limited to the average value, and may be the median value or the mode value.
- the stored air temperature data includes the air temperature data when the aircraft 31 is stopped, the air temperature data when the aircraft 31 is running, the air temperature data when the aircraft 31 is flying, and the like. Is done.
- the data processing unit 122 may select and use a part of the data according to the state of the aircraft 31. For example, the temperature data when the aircraft 31 is in flight need not be used. In other words, the data processing unit 122 may calculate the average temperature data (one value) by averaging the temperature data of a part of each flight.
- the acceleration data includes the respective acceleration data in the XYZ directions. Therefore, the data processing unit 122 aggregates each of the acceleration data in the X direction, the acceleration data in the Y direction, and the acceleration data in the Z direction.
- acceleration data in the X direction will be described.
- the data processing unit 122 calculates the average acceleration data (X direction) in one flight by squaring the acceleration data (X direction) in one flight and then averaging them. The data processing unit 122 repeats this process to calculate the average acceleration data (X direction) for each flight (first flight, second flight ... 100th flight ). Then, the data processing unit 122 averages the average acceleration data (X direction) for all flights and calculates the average acceleration data (one value in the X direction) for all flights (first to several hundred times). do. Since the same applies to the Y direction and the Z direction, description thereof will be omitted.
- the data processing unit 122 extracts the maximum value from the weight data in one flight.
- the data processing unit 122 repeats this process to extract the maximum value of the weight data for each flight (first flight, second flight ... 100th flight ).
- the data processing unit 122 averages the maximum values of the weight data for each flight and calculates the average weight data (one value) for all the flights (first to several hundredth times).
- the data processing unit 122 calculates the average temperature data, average acceleration data (X direction, Y direction, Z direction), and average weight data of all flights as one value. As shown in FIG. 4, one of these values (learning data 41) is associated with the teacher data 42 (wear rate) to generate a learning data set 40. Since the training data set 40 is generated for each aircraft tire, a plurality of training data sets 40 are usually generated.
- the algorithm selection unit 123 selects an algorithm to be used to generate a machine learning model.
- Algorithms include linear multiple regression, lasso regression, non-linear SVM, random forest, XGBost, etc., as described above.
- the present invention is not limited to these, and any algorithm that enables supervised learning may be used. Since these algorithms are well known, detailed description thereof will be omitted.
- the model generation unit 124 generates a machine learning model by machine learning the learning data set 40 generated by the data processing unit 122 using the algorithm selected by the algorithm selection unit 123.
- the above-mentioned linear multiple regression, Lasso regression, non-linear SVM, random forest, and XGBost are used as the algorithm.
- the prediction performance by a machine learning model is evaluated by one or a combination of items indicating the performance of the algorithm such as the coefficient of determination (R 2) and the root mean square error (RMSE).
- R 2 the coefficient of determination
- RMSE root mean square error
- the applied model selection unit 132 selects the machine learning model having the highest prediction performance based on the evaluation result.
- the wear state prediction unit 133 inputs new data into the machine learning model (learned model) selected by the application model selection unit 132, and predicts the wear rate.
- the new data is acquired by the new data acquisition unit 131.
- the new data is data from the time when the aircraft tire 32 is attached to the airframe to the time when the wear rate is predicted.
- average temperature data, average acceleration data, average weight data, mounting position data, and the like are used as explanatory variables for machine learning, but in these explanatory variables, the contribution rate to the objective variable is not uniform. .. The contribution rate indicates the magnitude of the influence of each explanatory variable on the objective variable, and the greater the influence on the objective variable, the more important the explanatory variable can be said to be.
- the explanatory variables (average temperature data, average acceleration data, average weight data, mounting position data, etc.) in this embodiment are non-cumulative explanatory variables.
- the cumulative explanatory variables are not used, and only the non-cumulative explanatory variables are used.
- the cumulative explanatory variable is, for example, the taxi mileage described above. The reason for not using the cumulative explanatory variables is that the accuracy of the machine learning model is reduced when the cumulative explanatory variables are used.
- the inventor analyzed the contribution rate of each of the explanatory variables to the objective variable. As a result, the inventor found that among the explanatory variables, the contribution rate of the average temperature data was the highest compared to other data. The inventor also found that the explanatory variable with the second highest contribution rate after the average temperature data is the average acceleration data. This indicates that a highly accurate model can be obtained by using the average temperature data as an explanatory variable when generating a machine learning model for predicting the wear rate. Moreover, it is shown that a more accurate model can be obtained by adopting the average acceleration data as an explanatory variable in addition to the average temperature data.
- step S101 the temperature data of the aircraft 31, the acceleration data of the aircraft 31, the weight data of the aircraft 31, the mounting position data, and the like are transmitted from the airline company 30.
- step S103 the data acquisition unit 121 acquires the data transmitted in step S101.
- the process proceeds to step S105, and the data processing unit 122 processes the data acquired in step S103.
- the data processing unit 122 aggregates temperature data, acceleration data, weight data, and the like into one value.
- the data processing unit 122 creates the learning data set 40 by associating the aggregated data (learning data 41) with the teacher data 42.
- step S107 the algorithm selection unit 123 selects an algorithm (linear multiple regression, Lasso regression, nonlinear SVM, random forest, XGBost, etc.) to be used for generating the machine learning model.
- algorithm linear multiple regression, Lasso regression, nonlinear SVM, random forest, XGBost, etc.
- step S109 the model generation unit 124 generates a machine learning model by machine learning the learning data set 40 generated in step S105 using the algorithm selected in step S107.
- step S201 the temperature data of the aircraft 31, the acceleration data of the aircraft 31, the weight data of the aircraft 31, the mounting position data, and the like are transmitted from the airline company 30.
- the data transmitted in step S201 is new data used to predict the wear rate.
- step S203 the new data acquisition unit 131 acquires the new data transmitted in step S201.
- the process proceeds to step S205, and the application model selection unit 132 evaluates the prediction performance of the machine learning model generated in step S109 and selects the machine learning model having the highest prediction performance.
- step S207 the wear state prediction unit 133 inputs the new data acquired in step S203 into the machine learning model selected in step S207, and predicts the wear rate.
- the wear state prediction device 10 uses the wear rate as the teacher data that is associated with the explanatory variables and input when the model (machine learning model) is generated.
- the wear state prediction device 10 inputs the data of the aircraft 31 into the generated model and predicts the wear rate.
- the inventor's research has shown that accurate predictions are possible when wear rates are used as teacher data. Therefore, by using the wear rate as the teacher data, it is possible to generate a machine learning model with high prediction performance. Then, by using a machine learning model having high prediction performance, it becomes possible to accurately predict the wear rate.
- the wear rate is a value obtained by dividing the amount of wear of the aircraft tire 32 by the number of landings, or a value obtained by dividing the amount of wear of the aircraft tire 32 by the taxi mileage.
- the new data (data at the time of prediction) input to the machine learning model is the data from the time when the aircraft tire 32 is mounted on the airframe to the time when the wear rate is predicted.
- the data for generating the machine learning model is the data from the time when the aircraft tire 32 is attached to the airframe to the time when it is taken out.
- the date on which the wear rate is predicted and the date on which the aircraft tire 32 is taken out do not always match. Therefore, the number of data from the day when the aircraft tire 32 is mounted on the airframe to the day when the wear rate is predicted, and the data from the day when the aircraft tire 32 is mounted on the airframe to the day when it is taken out. The numbers do not always match. As a result, highly accurate results may not be obtained.
- the temperature after the day when the wear rate is predicted may be considered.
- An example of a method in which the air temperature after the day when the wear rate is predicted is taken into consideration will be described with reference to FIG. 7.
- January 8 shown in FIG. 7 is the day when the latest data exists, and January 11 is the day when the wear rate is predicted (hereinafter, it may be simply referred to as the prediction implementation date).
- the latest data is the latest data transmitted by airline 30.
- the data acquisition unit 121 first aggregates the data from the day when the aircraft tire 32 is mounted on the airframe to January 8. Among the aggregated data, the average temperature data (first temperature data) is 12.2 degrees as shown in FIG.
- the wear state prediction unit 133 inputs the aggregated data into the machine learning model and predicts the wear rate.
- the predicted wear rate is 0.0130 as shown in FIG.
- the wear state prediction unit 133 calculates the amount of wear by multiplying the predicted wear rate (0.0130) by the number of flights (625 times). The wear state prediction unit 133 subtracts the calculated wear amount from the groove depth of the aircraft tire 32 when it is new, and calculates the remaining groove amount indicating the remaining groove depth. The calculated residual groove amount is 2.38 mm as shown in FIG. The wear state prediction unit 133 may calculate the amount of wear by multiplying the predicted wear rate by the cumulative value related to the flight.
- the wear state prediction unit 133 When the remaining groove amount is larger than 0, the wear state prediction unit 133 generates data for the next day (January 9). As shown in FIG. 7, since the remaining groove amount (2.38 mm) on January 8 is larger than 0, the wear state prediction unit 133 generates the data for the next day (January 9).
- the wear state prediction unit 133 acquires the January average air temperature (second air temperature data) of the AAA airfield where the aircraft 31 arrives and stores it in the database. As a result, 8.9 degrees (see FIG. 7) is input to the average temperature of the AAA airfield on January 9.
- the wear state prediction unit 133 uses the temperature data of 8.9 degrees to update the average temperature data from the day when the aircraft tire 32 is attached to the airframe to January 9.
- the updated average temperature data is 12.2 degrees as shown in FIG.
- the wear state prediction unit 133 inputs data including the updated average temperature data into the machine learning model, and predicts the wear rate again.
- the predicted wear rate is 0.0130 as shown in FIG.
- the wear state prediction unit 133 calculates the amount of wear by multiplying the predicted wear rate (0.0130) by the number of flights (632 times).
- the wear state prediction unit 133 subtracts the calculated wear amount from the groove depth of the aircraft tire 32 when it is new, and calculates the remaining groove amount.
- the calculated residual groove amount is 2.28 mm as shown in FIG.
- the wear state prediction unit 133 Since the remaining groove amount (2.28 mm) on January 9 is larger than 0, the wear state prediction unit 133 generates data for the next day (January 10). Then, the same process is repeated until the amount of the remaining groove becomes 0 or less.
- the average temperature of AAA airfield in February is 10.2 degrees Celsius.
- the wear state prediction unit 133 calculates the day when the aircraft tire 32 is taken out. Next, an example of a method of calculating the date on which the aircraft tire 32 is taken out will be described.
- the wear state prediction unit 133 uses the groove depth of the aircraft tire 32 when new and the wear speed (0.0120) on February 12, and the number of flights until just before the remaining groove amount becomes 0. (* 2 shown in FIG. 7) is calculated.
- the wear state prediction unit 133 has calculated the cumulative number of flights from the time when the aircraft tire 32 was installed on the prediction implementation date (January 11) from the number of flights until the remaining groove amount becomes 0 (shown in FIG. 7).
- * 1) is subtracted (875-662) to calculate the remaining number of possible landings (remaining LD number in FIG. 7: 213).
- the remaining number of landings means the number of times the aircraft tire 32 can be used.
- the wear condition prediction unit 133 divides the remaining number of possible landings by the number of flights per day (7 times) to calculate the number of days that the aircraft tire 32 can be used (the number of remaining days in FIG. 7: 30 days). do. Then, the wear state prediction unit 133 calculates February 10, which is 30 days after January 11 as, as the day when the aircraft tire 32 is taken out.
- the wear state prediction device 10 calculates the date on which the aircraft tire 32 is taken out.
- the temperature data of the aircraft 31 is used as an explanatory variable for generating the machine learning model. Then, it was explained that the temperature data of the aircraft 31 is the temperature data measured by the sensor installed in the aircraft 31.
- the explanatory variables used to generate the machine learning model are not limited to the temperature data measured by the sensors installed in the aircraft 31.
- the explanatory variables used to generate the machine learning model may be airfield temperature data.
- the method of acquiring the air temperature data of the airfield is not particularly limited, but the air temperature data observed at a fixed point may be acquired, or the air temperature data published by an administrative agency (for example, the Japan Meteorological Agency in Japan) may be acquired.
- the method of aggregating the air temperature data of the airfield is the same as the method of aggregating the air temperature data of the aircraft 31 described above. That is, the air temperature data of the airfield is averaged and aggregated into one value like the air temperature data of the aircraft 31.
- the method of aggregating the air temperature data of the aircraft 31 and the air temperature data of the airfield is not limited to the average.
- the air temperature data of the aircraft 31 and the air temperature data of the airfield used as explanatory variables may be the median value or the mode value.
- the temperature data related to the aircraft 31 includes both the temperature data measured by the sensor installed in the aircraft 31 and the temperature data of the airfield.
- the data processing unit 122 may aggregate the air temperature data of the aircraft 31 and the air temperature data of the airfield.
- the period in which the air temperature data is stored may be divided and aggregated.
- the data processing unit 122 may divide the period in which the temperature data is stored into the first half and the second half and aggregate them.
- the number of flights from the time when the aircraft tire 32 is attached to the airframe to the time when it is taken out is several hundred times.
- the number of flights from the time when the aircraft tire 32 is attached to the airframe to the time when the tire 32 is taken out is 500 times.
- the data processing unit 122 may divide and aggregate the period in which the temperature data is stored into the first half (1st to 250th times) and the second half (251st to 500th times).
- the average temperature data (one value) in the first half and the average temperature data (one value) in the second half can be obtained as the aggregated data.
- the data associated with the teacher data may be the average temperature data in the first half or the average temperature data in the second half. Even if the period in which the temperature data is stored is divided and aggregated in this way, the same effect as the above-mentioned effect can be obtained.
- the data to be divided is not limited to the temperature data, and the period in which the acceleration data is stored may be divided. Further, the division method is not limited to the first half and the second half, and may be divided into three.
- the data processing unit 122 classifies the period in which the air temperature data is stored into two or more different periods, and aggregates them using the classified plurality of periods. You may. As an example of the method of classifying into two or more periods, the data processing unit 122 may classify the period in which the temperature data is stored into the entire period (1st to 500th times) and the first half (1st to 250th times). It is possible. The data processing unit 122 averages the average temperature data of each of the plurality of classified periods (all periods and the first half), and acquires the average temperature data (one value) of the plurality of classified periods (the whole period and the first half). do.
- the data to be classified is not limited to the temperature data, and the period in which the acceleration data is stored may be classified into a plurality of periods. That is, the data processing unit 122 may classify the periods in which the explanatory variables of the same attribute are stored into two or more different periods, and aggregate them using the plurality of classified periods.
- Wear condition prediction system 10
- Wear condition prediction device 11
- Controller 12
- 1st processing function 13 2nd processing function 14
- Storage device 20
- Aircraft 31
- Aircraft 32
- Aircraft tire 121
- Data acquisition unit 122
- Data processing unit 123
- Algorithm selection unit 124
- Model Generation unit 131
- New data acquisition unit 132
- Applicable model selection unit 133
- Wear condition prediction unit
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Tires In General (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
摩耗状態予測装置(10)は、予め取得した航空機(31)のデータを説明変数とする所定のアルゴリズムを用いて、目的変数として航空機用タイヤ(32)の摩耗速度を予測するモデルを生成するコントローラ(11)を備える。コントローラ(11)は、説明変数と紐付けられ、モデルを生成する際に入力される教師データとして、摩耗速度を用いる。摩耗速度は、航空機用タイヤ(32)の摩耗量をフライトに関する累積値で除算したパラメータである。
Description
本発明は、摩耗状態予測方法、摩耗状態予測装置、摩耗状態予測プログラム、及び予測モデル生成方法に関する。
従来より、航空機用タイヤの摩耗状態を予測する技術が知られている(特許文献1)。特許文献1に記載された方法は、使用条件に応じて区分けされた複数の走行状態(例えば、タッチダウン走行状態、タッチダウン後減速走行状態、タキシー走行状態など)に対応する複数の摩耗エネルギーを取得し、取得した摩耗エネルギーに基づいて航空機用タイヤの摩耗状態を予測する。
近年、AI(例えば機械学習)の発展によりビッグデータの解析が活発化している。しかしながら、航空機用タイヤの摩耗状態に関し、ビッグデータを活用した予測方法について研究が少ない。
そこで、本発明は、このような状況に鑑みてなされたものであり、モデルを生成する際に入力される教師データとして航空機用タイヤの摩耗速度を用いる摩耗状態予測方法、摩耗状態予測装置、摩耗状態予測プログラム、及び予測モデル生成方法の提供を目的とする。
本発明の一態様に係る摩耗状態予測方法は、説明変数と紐付けられ、モデルを生成する際に入力される教師データとして、航空機用タイヤの摩耗速度を用いる。
本発明によれば、予測性能が高いモデルの生成が可能となる。
以下、本発明の実施形態について、図面を参照して説明する。図面の記載において同一部分には同一符号を付して説明を省略する。
(摩耗状態予測システムの構成例)
図1を参照して、摩耗状態予測システム1の構成の一例について説明する。図1に示すように、摩耗状態予測システム1は、摩耗状態予測装置10と、ネットワーク20と、航空会社30とを含む。
図1を参照して、摩耗状態予測システム1の構成の一例について説明する。図1に示すように、摩耗状態予測システム1は、摩耗状態予測装置10と、ネットワーク20と、航空会社30とを含む。
摩耗状態予測装置10は、ネットワーク20を介して航空会社30と双方向通信を行う。具体的には、摩耗状態予測装置10は、ネットワーク20を介して、航空会社30から航空機31に関するデータを取得する。摩耗状態予測装置10は、取得したデータを用いて機械学習モデルを生成し、生成した機械学習モデルを用いて航空機31に装着された航空機用タイヤ32の摩耗状態を予測する。摩耗状態予測装置10が航空会社30から取得するデータの詳細は後述する。ネットワーク20は、データを送受信可能な通信網である。例えば、ネットワーク20は、電気通信事業者により設置された専用線、公衆交換電話網、衛星通信回線、移動体通信回線等の各種通信回線で構成される。
本実施形態において、航空機用タイヤ32には、メインギアに装着されたタイヤ、ノーズギアに装着されたタイヤが含まれる。メインギアには、複数(例えば6本)のタイヤが装着される。また、ノーズギアにも複数(例えば2本)のタイヤが装着される。
摩耗状態予測装置10は、例えば、汎用のコンピュータであり、CPU、ROM(Read Only Memory)及びRAM(Random Access Memory)を備える。CPUは、ROMなどに記憶されたプログラムを、RAMに読み出して実行する。なお、摩耗状態予測装置10は、設置型の端末装置でもよく、持ち運びが容易な携帯型の端末装置(例えば、スマートフォン)でもよい。また、摩耗状態予測装置10は、管理センタのサーバとして構成されてもよい。
次に、図2を参照して、摩耗状態予測装置10の構成例を説明する。図2に示すように、摩耗状態予測装置10は、コントローラ11(例えばCPU)と、記憶装置14とを備える。コントローラ11は、複数の情報処理機能として、第1処理機能12と、第2処理機能13とを備える。さらに、第1処理機能12は、データ取得部121と、データ処理部122と、アルゴリズム選択部123と、モデル生成部124と、に分類される。第2処理機能13は、新データ取得部131と、適用モデル選択部132と、摩耗状態予測部133と、に分類される。
データ取得部121は、通信部(不図示)を介して航空会社30からデータを取得する。通信部は、摩耗状態予測装置10に設置され、ネットワーク20に接続して航空会社30との間でデータを送受信するインタフェースである。データ取得部121が航空会社30から取得するデータには、航空機31の気温データ、航空機31の加速度データ、航空機31の重量データ、航空機用タイヤ32が装着された位置を示すデータ(以下単に装着位置データとよぶ場合がある)などが含まれる。
航空機31の気温データとは、航空機31に設置されたセンサによって計測された温度データである。
航空機31の加速度データには、航空機31のXYZ方向のそれぞれの加速度データが含まれる。X方向とは、航空機31の前後方向である。Y方向とは、航空機31の左右方向である。Z方向とは、航空機31の上下方向である。
データ処理部122は、データ取得部121によって取得されたデータを処理する。処理の詳細な内容は、後述する。
アルゴリズム選択部123は、機械学習モデルを生成するために用いるアルゴリズムを選択する。アルゴリズムには、例えば、線形重回帰、Lasso回帰、非線形SVM、ランダムフォレスト、XGBoostなどが含まれる。
モデル生成部124は、アルゴリズム選択部123によって選択されたアルゴリズムを用いて、データ処理部122によって生成されたデータを機械学習させて機械学習モデルを生成する。モデル生成部124は、アルゴリズムごとに機械学習モデルを生成する。よって、複数の機械学習モデルが生成される。生成された機械学習モデルは、記憶装置14に記憶される。
新データ取得部131は、モデル生成部124によって生成された機械学習モデルに入力する新しいデータを航空会社30から取得する。新データ取得部131が航空会社30から取得する新しいデータは、データ取得部121が航空会社30から取得するデータと属性(気温、加速度など)、構造(後述の1秒ごと)などは同じであるが、データ自体は異なる。
適用モデル選択部132は、モデル生成部124によって生成された機械学習モデルを記憶装置14から読み出し、読み出した機械学習モデルの予測性能を評価する。適用モデル選択部132は、評価結果に基づいて、最も予測性能が高い機械学習モデルを選択する。
摩耗状態予測部133は、適用モデル選択部132によって選択された機械学習モデルに、新データ取得部131によって取得された新しいデータを入力し、摩耗状態を予測する。摩耗状態には、摩耗量及び摩耗速度が含まれる。摩耗量及び摩耗速度の詳細は後述する。予測された摩耗状態に関するデータは、記憶装置14に記憶される。
次に図3~4を参照して、機械学習モデルの生成方法、及び生成した機械学習モデルを用いた摩耗状態予測方法について説明する。
図3に示すように、機械学習は、学習フェーズと、予測フェーズに分類される。学習フェーズでは、膨大なデータ(ビッグデータ)から特徴が抽出され、機械学習モデルが生成される。予測フェーズでは、生成された機械学習モデルに新しいデータが入力され、結果が出力される。図3において、取得データとは、上述したように、航空会社30から取得されるデータであり、航空機31の気温データ、航空機31の加速度データ、航空機31の重量データ、装着位置データなどである。
統計学の分野において、機械学習のために入力されるデータは、説明変数とよばれる場合がある。本実施形態において、航空機31の気温データ、航空機31の加速度データ、航空機31の重量データ、装着位置データなどは、説明変数である。また、学習済モデルから出力されるデータは、目的変数とよばれる場合がある。本実施形態において、航空機用タイヤ32の摩耗状態が、目的変数である。
機械学習には、教師データを用いた教師あり学習(Supervised learning)と、教師データを用いない学習とが含まれる。本実施形態では、教師あり学習が用いられる。教師データとは、いわゆる「正解データ」を意味する。教師あり学習とは、「入力データ」と「正解データ」とがセットになった学習データセット(図3では符号40で示される)を用いた方法である。図3に示すように、本実施形態では、機械学習させる前に、ビッグデータを加工して学習データセット40を生成する。このような機械学習させる前のデータ処理を、以下ではデータ前処理とよぶ。
次に、データ前処理について説明する。本実施形態において、データ前処理とは、データの集約、及び集約したデータと教師データとの紐付けを意味する。このような紐付けは、ラベル付けと呼ばれる場合もある。データ取得部121は、1回のフライトごとに、航空会社30からデータを取得する。1回のフライトのデータ構造として、航空機に取付けられたセンサからデータを取得する場合、例えば1秒ごとにデータが記憶されている。つまり、気温データ、加速度データなどが、1秒ごとに記憶されている。したがって、1回のフライトだけであっても、データ量は膨大である。
通常、航空機用タイヤ32が機体に装着されたときから、取り卸されるときまでのフライト回数は、数百回である。以下では、航空機用タイヤ32が機体に装着されたときから、取り卸されるときまでのフライト回数を、全てのフライト、と表現する場合がある。本実施形態において、機械学習させるデータは、航空機用タイヤ32が機体に装着されたときから、取り卸されるときまでの、全てのフライト(数百回のフライト)のデータである。このようなビッグデータに対し、紐付け先となる教師データ(摩耗量に基づく摩耗速度)は、1つの値である。摩耗量とは、航空機用タイヤ32が機体に装着されたときから、取り卸されるときまでに、航空機用タイヤ32が摩耗した量を意味し、単位はmmである。新品時の航空機用タイヤ32の溝深さをX(mm)とし、航空機用タイヤ32が取り卸されたときの溝深さをY(mm)とした場合、X-Y(mm)が摩耗量である。通常、摩耗量は、航空機用タイヤ32が取り卸された後に計測されるため、1つの値のみ存在する。
本実施形態では、教師データとして摩耗速度を用いる。ここで、摩耗量と摩耗速度との関係について説明する。本実施形態において摩耗速度とは、1回のランディングで航空機用タイヤ32が摩耗する量と定義される。摩耗速度の単位は、mm/LD、と表現される。航空機用タイヤ32が取り卸された後に計測された摩耗量を、全てのランディング回数で除算すれば、摩耗速度が算出される。このようにして算出された摩耗速度が教師データとして用いられる。本実施形態においてランディング回数とフライト回数は、同義である。
ただし、摩耗速度の定義は、上記に限定されない。摩耗速度は、タキシー走行距離に対する摩耗量として定義されてもよい。タキシー走行とは、航空機31が、航空機31の動力を用いて地上(主に滑走路)を走行することをいう。航空機用タイヤ32が取り卸された後に計測された摩耗量を、全てのフライトにおけるタキシー走行距離で除算すれば、摩耗速度が算出される。なお、1回のフライトにおけるタキシー走行距離は、出発する飛行場におけるタキシー走行距離と、到着する飛行場におけるタキシー走行距離との合計値である。この合計値は、通常、数kmである。
また、摩耗速度は、摩耗量をフライトに関する累積値で除算したパラメータ、と定義されてもよい。フライトに関する累積値には、一例として、上述のランディング回数、タキシー走行距離が含まれる。また、フライトに関する累積値には、各フライトの加速度の代表値(例えば平均値)の合計値、各フライトの重量の合計値が含まれてもよい。
以下では、一例として、摩耗速度は、1回のランディングで航空機用タイヤ32が摩耗する量(mm/LD)として説明する。もちろん、上述したように、摩耗速度は、摩耗量をタキシー走行距離で除算した値であってもよく、摩耗量をフライトに関する累積値で除算したパラメータであってもよい。また、上述したように、摩耗量は1つの値であるため、摩耗量によって算出される摩耗速度も1つの値である。
ここで、本実施形態において、教師データとして摩耗速度を用いる理由を説明する。発明者の研究により、教師データとして摩耗量を用いた場合、すべてのデータが横一線となり正確な予測が困難となる場合があることが判明した。また、発明者の研究により、教師データとしてランディング回数を用いた場合、残溝量のばらつきが反映されず正確な予測が困難となる場合があることが判明した。その一方で、発明者の研究により、教師データとして摩耗速度を用いた場合、正確な予測が実現することが判明した。よって、本実施形態では、教師データとして摩耗速度を用いる。
教師データ(摩耗速度)は1つの値であるため、教師データと紐付けられる各種データもそれぞれ1つの値に集約することが必要である。そこで、データ処理部122は、気温データ、加速度データ、重量データなどをそれぞれ1つの値に集約する。なお、装着位置データは固定値であるため、集約は不要である。
まず、気温データの集約方法の一例について説明する。データ処理部122は、1回のフライトにおける気温データを平均して、1回のフライトにおける平均気温データを算出する。データ処理部122は、この処理を繰り返して、全てのフライトごと(1回目のフライト、2回目のフライト・・・100回目のフライト・・・)の平均気温データを算出する。そして、データ処理部122は、全てのフライトごとの平均気温データを平均して、全てのフライト(1回目~数百回目)の平均気温データ(1つの値)を算出する。なお、このような平均処理は集約方法の一例であり、必須の処理ではない。後述のように、説明変数の代表値は平均値に限定されず、中央値でもよく、最頻値でもよい。
上述したように、航空機に取付けられたセンサからデータを取得する場合、気温データは1秒ごとに記憶されている。つまり、記憶されている気温データには、航空機31が停止しているときの気温データ、航空機31が走行しているときの気温データ、及び航空機31が飛行しているときの気温データなどが含まれる。データ処理部122は、気温データを集約する際、航空機31の状態に応じて一部のデータを選択して使用してもよい。例えば、航空機31が飛行しているときの気温データは使用しなくてもよい。換言すれば、データ処理部122は、各フライトの一部の気温データを平均して、平均気温データ(1つの値)を算出してもよい。
次に、加速度データの集約方法の一例について説明する。加速度データには、上述したように、XYZ方向のそれぞれの加速度データが含まれる。よって、データ処理部122は、X方向の加速度データ、Y方向の加速度データ、Z方向の加速度データのそれぞれについて集約する。ここでは代表として、X方向の加速度データについて説明する。
データ処理部122は、1回のフライトにおける加速度データ(X方向)を二乗和してから平均して、1回のフライトにおける平均加速度データ(X方向)を算出する。データ処理部122は、この処理を繰り返して、全てのフライトごと(1回目のフライト、2回目のフライト・・・100回目のフライト・・・)の平均加速度データ(X方向)を算出する。そして、データ処理部122は、全てのフライトごとの平均加速度データ(X方向)を平均して、全てのフライト(1回目~数百回目)の平均加速度データ(X方向における1つの値)を算出する。Y方向、Z方向については、同様であるため説明を省略する。
次に、重量データの集約方法の一例について説明する。データ処理部122は、1回のフライトにおける重量データの中から、最大値を抽出する。データ処理部122は、この処理を繰り返して、全てのフライトごと(1回目のフライト、2回目のフライト・・・100回目のフライト・・・)の重量データの最大値を抽出する。そして、データ処理部122は、全てのフライトごとの重量データの最大値を平均して、全てのフライト(1回目~数百回目)の平均重量データ(1つの値)を算出する。
このようにして、データ処理部122によって、全てのフライトの平均気温データ、平均加速度データ(X方向,Y方向,Z方向)、平均重量データが、1つの値として算出される。図4に示すように、これらの1つの値(学習データ41)が、教師データ42(摩耗速度)と紐付けられて、学習データセット40が生成される。学習データセット40は航空機用タイヤごとに生成されるため、通常は複数の学習データセット40が生成される。
アルゴリズム選択部123は、機械学習モデルを生成するために用いる、アルゴリズムを選択する。アルゴリズムには、上述したように、線形重回帰、Lasso回帰、非線形SVM、ランダムフォレスト、XGBoostなどが含まれる。ただし、これらに限定されるものではなく、教師あり学習が可能なアルゴリズムであればどのようなものを用いてもよい。なお、これらのアルゴリズムは周知であるため、詳細な説明は省略する。
図4に示すように、モデル生成部124は、アルゴリズム選択部123によって選択されたアルゴリズムを用いて、データ処理部122によって生成された学習データセット40を機械学習させて機械学習モデルを生成する。本実施形態では、アルゴリズムとして、上述の線形重回帰、Lasso回帰、非線形SVM、ランダムフォレスト、XGBoostを使用した。
一般に機械学習モデルによる予測性能は、決定係数(R2)、平均平方二乗誤差(RMSE)などのアルゴリズムの性能を示す項目のいずれか1つ、または複数の組合せによって評価される。本実施形態では、目的変数である摩耗速度の値が、実測値に近いほど高性能であると評価される。適用モデル選択部132は、評価結果に基づいて、最も予測性能が高い機械学習モデルを選択する。
図3に示すように、摩耗状態予測部133は、適用モデル選択部132によって選択された機械学習モデル(学習済モデル)に、新しいデータを入力し、摩耗速度を予測する。なお、新しいデータは、新データ取得部131によって取得される。新しいデータは、航空機用タイヤ32が機体に装着されたときから、摩耗速度の予測が行われるときまでのデータである。
本実施形態では、機械学習のための説明変数として、平均気温データ、平均加速度データ、平均重量データ、装着位置データなどを用いたが、これらの説明変数において、目的変数に対する寄与率は一律ではない。寄与率とは、それぞれの説明変数が目的変数に与える影響の大きさを示し、目的変数に与える影響が大きいほど、その説明変数は重要な説明変数といえる。
本実施形態における説明変数(平均気温データ、平均加速度データ、平均重量データ、装着位置データなど)は、累積しない説明変数である。換言すれば、本実施形態では、累積する説明変数は使用せず、累積しない説明変数のみを使用する。累積する説明変数とは、例えば上述したタキシー走行距離である。累積する説明変数を使用しない理由は、累積する説明変数を使用した場合、機械学習モデルの精度が低くなるからである。
発明者は、説明変数のそれぞれについて目的変数に対する寄与率を分析した。その結果、発明者は、説明変数のうち、平均気温データの寄与率が、他のデータと比較して、最も高いことを突き止めた。また、発明者は、平均気温データの次に寄与率が高い説明変数が平均加速度データであることを突き止めた。これは、摩耗速度を予測するための機械学習モデルを生成する際に、平均気温データを説明変数として用いれば、精度の高いモデルが得られることを示す。また、平均気温データの他に平均加速度データを説明変数として採用すれば、より精度の高いモデルが得られることを示す。
次に図5~6のシーケンス図を参照して、摩耗状態予測システム1の一動作例を説明する。
ステップS101において、航空機31の気温データ、航空機31の加速度データ、航空機31の重量データ、装着位置データなどが、航空会社30から送信される。
ステップS103において、データ取得部121は、ステップS101で送信されたデータを取得する。処理はステップS105に進み、データ処理部122は、ステップS103で取得されたデータの処理を行う。具体的には、データ処理部122は、気温データ、加速度データ、重量データなどをそれぞれ1つの値に集約する。データ処理部122は、集約したデータ(学習データ41)と、教師データ42とを紐付けて、学習データセット40を生成する。
処理はステップS107に進み、アルゴリズム選択部123は、機械学習モデルを生成するために用いる、アルゴリズム(線形重回帰、Lasso回帰、非線形SVM、ランダムフォレスト、XGBoostなど)を選択する。
処理はステップS109に進み、モデル生成部124は、ステップS107で選択されたアルゴリズムを用いて、ステップS105で生成された学習データセット40を機械学習させて機械学習モデルを生成する。
ステップS201において、航空機31の気温データ、航空機31の加速度データ、航空機31の重量データ、装着位置データなどが、航空会社30から送信される。ステップS201で送信されるデータは、摩耗速度の予測に用いられる新しいデータである。
ステップS203において、新データ取得部131は、ステップS201で送信された新しいデータを取得する。処理はステップS205に進み、適用モデル選択部132は、ステップS109で生成された機械学習モデルの予測性能を評価し、最も予測性能が高い機械学習モデルを選択する。
処理はステップS207に進み、摩耗状態予測部133は、ステップS207で選択された機械学習モデルに、ステップS203で取得された新しいデータを入力し、摩耗速度を予測する。
(作用効果)
以上説明したように、本実施形態にかかる摩耗状態予測方法によれば、以下の作用効果が得られる。
以上説明したように、本実施形態にかかる摩耗状態予測方法によれば、以下の作用効果が得られる。
摩耗状態予測装置10は、説明変数と紐付けられ、モデル(機械学習モデル)を生成する際に入力される教師データとして、摩耗速度を用いる。摩耗状態予測装置10は、生成したモデルに航空機31のデータを入力し、摩耗速度を予測する。上述したように、発明者の研究により、教師データとして摩耗速度を用いた場合、正確な予測が実現することが判明した。したがって、教師データとして摩耗速度を用いることにより、予測性能が高い機械学習モデルの生成が可能となる。そして、予測性能が高い機械学習モデルを用いることにより、摩耗速度を精度よく予測することが可能となる。なお、摩耗速度は、航空機用タイヤ32の摩耗量をランディング回数で除算した値、または、航空機用タイヤ32の摩耗量をタキシー走行距離で除算した値である。
上記のように、本発明の実施形態を記載したが、この開示の一部をなす論述及び図面はこの発明を限定するものであると理解すべきではない。この開示から当業者には様々な代替実施の形態、実施例及び運用技術が明らかとなろう。
上述の実施形態では、機械学習モデルに入力される新しいデータ(予測時のデータ)は、航空機用タイヤ32が機体に装着されたときから、摩耗速度の予測が行われるときまでのデータである、と説明した。一方で、機械学習モデルを生成するためのデータ(学習時のデータ)は、航空機用タイヤ32が機体に装着されたときから、取り卸されるときまでのデータである、と説明した。摩耗速度の予測が行われる日と、航空機用タイヤ32が取り卸される日は、必ずしも一致しない。したがって、航空機用タイヤ32が機体に装着された日から、摩耗速度の予測が行われる日までのデータ数と、航空機用タイヤ32が機体に装着された日から、取り卸される日までのデータ数は、必ずしも一致しない。これにより、精度の高い結果が得られない場合がある。
そこで、目的変数に対する寄与率が最も高い平均気温データに関し、摩耗速度の予測が行われる日以降の気温を考慮してもよい。摩耗速度の予測が行われる日以降の気温を考慮した方法の一例を図7を参照して説明する。
図7に示す1月8日は、最新のデータが存在する日であり、1月11日は、摩耗速度の予測が行われる日(以下、単に予測実施日とよぶ場合がある)である。最新のデータとは、航空会社30から送信された、最も新しいデータである。
摩耗速度の予測が行われるとき、すなわち、1月11日において、1月9日~11日のデータは存在しない。このケースにおいて、まずデータ取得部121は、航空機用タイヤ32が機体に装着された日から、1月8日までのデータを集約する。集約されたデータのうち、平均気温データ(第1気温データ)については、図7に示すように12.2度である。摩耗状態予測部133は、集約されたデータを機械学習モデルに入力し、摩耗速度を予測する。予測された摩耗速度は、図7に示すように0.0130である。
摩耗状態予測部133は、予測した摩耗速度(0.0130)にフライト回数(625回)を乗算して摩耗量を算出する。摩耗状態予測部133は、新品時の航空機用タイヤ32の溝深さから、算出した摩耗量を減算し、残りの溝深さを示す残溝量を算出する。算出された残溝量は、図7に示すように2.38mmである。なお、摩耗状態予測部133は、予測した摩耗速度にフライトに関する累積値を乗算して摩耗量を算出してもよい。
残溝量が0より大きい場合、摩耗状態予測部133は、翌日(1月9日)のデータを生成する。図7に示すように、1月8日の残溝量(2.38mm)は0より大きいため、摩耗状態予測部133は、翌日(1月9日)のデータを生成する。摩耗状態予測部133は、航空機31が到着するAAA飛行場の1月の平均気温(第2気温データ)を取得し、データベースに格納する。これにより、1月9日におけるAAA飛行場の平均気温に8.9度(図7参照)が入力される。次に、摩耗状態予測部133は、この8.9度という気温データを用いて、航空機用タイヤ32が機体に装着された日から、1月9日までの平均気温データを更新する。更新された平均気温データは、図7に示すように12.2度である。
摩耗状態予測部133は、更新した平均気温データを含むデータを機械学習モデルに入力し、再度、摩耗速度を予測する。予測された摩耗速度は、図7に示すように0.0130である。摩耗状態予測部133は、予測した摩耗速度(0.0130)にフライト回数(632回)を乗算して摩耗量を算出する。摩耗状態予測部133は、新品時の航空機用タイヤ32の溝深さから、算出した摩耗量を減算し、残溝量を算出する。算出された残溝量は、図7に示すように2.28mmである。
1月9日の残溝量(2.28mm)は0より大きいため、摩耗状態予測部133は、翌日(1月10日)のデータを生成する。そして、残溝量が0以下となるまで、同じ処理が繰り返し実施される。なお、AAA飛行場の2月の平均気温は、10.2度である。
図7に示すように、残溝量が0以下となる日は、2月13日である(残溝量は、-0.02)。残溝量が0以下となる日(2月13日)が算出された後、摩耗状態予測部133は、航空機用タイヤ32が取り卸される日を算出する。次に、航空機用タイヤ32が取り卸される日の算出方法の一例を説明する。
まず、摩耗状態予測部133は、新品時の航空機用タイヤ32の溝深さと、2月12日の摩耗速度(0.0120)とを用いて、残溝量が0になる直前までのフライト回数(図7に示す※2)を算出する。摩耗状態予測部133は、残溝量が0になるまでのフライト回数から、予測実施日(1月11日)における、航空機用タイヤ32が装着されたときから累積のフライト回数(図7に示す※1)を減算し(875-662)、残りのランディング可能回数(図7の残LD回数:213)を算出する。残りのランディング可能回数とは、航空機用タイヤ32の使用可能回数を意味する。
摩耗状態予測部133は、残りのランディング可能回数を、1日あたりのフライト回数(7回)で除算して、航空機用タイヤ32を使用可能な日数(図7の残日数:30日)を算出する。そして、摩耗状態予測部133は、1月11日から30日経過後の2月10日を、航空機用タイヤ32を取り卸す日として算出する。
このように、摩耗速度の予測が行われる日以降(予測時以降)の気温を考慮することにより、摩耗速度を精度よく予測することが可能となる。
また、精度の高い摩耗速度を用いることにより、航空機用タイヤ32が取り卸される日を精度よく算出することが可能となる。通常、航空機用タイヤ32を交換する際には、作業者の手作業で摩耗量が計測され、摩耗量が所定値に達したときに交換する運用が行われている。しかし、同一の交換時期に一定数以上の航空機用タイヤ32の交換が集中した場合、交換作業の遅延や在庫不足に陥るおそれがある。これに対し、摩耗状態予測装置10によれば、航空機用タイヤ32が取り卸される日が精度よく算出されるため、交換業務の効率的な運用が可能となる。
また、上述の実施形態では機械学習モデルを生成するための説明変数として航空機31の気温データを用いると説明した。そして、航空機31の気温データは、航空機31に設置されたセンサによって計測された温度データであると説明した。ただし、機械学習モデルを生成するために用いられる説明変数は、航空機31に設置されたセンサによって計測された温度データに限定されない。機械学習モデルを生成するために用いられる説明変数は、飛行場の気温データであってもよい。
飛行場の気温データの取得方法は特に限定されないが、定点観測された気温データを取得してもよく、行政機関(例えば日本では気象庁)によって公開されている気温データを取得してもよい。飛行場の気温データの集約方法は、上述した航空機31の気温データの集約方法と同様である。すなわち、飛行場の気温データも航空機31の気温データと同様に平均されて1つの値に集約される。
ただし、航空機31の気温データ及び飛行場の気温データの集約方法は、平均に限定されない。説明変数として用いられる航空機31の気温データ及び飛行場の気温データは、中央値でもよく、最頻値でもよい。
航空機31に関する気温データは、航空機31に設置されたセンサによって計測された温度データ、飛行場の気温データの両方を含む。
また、データ処理部122は、航空機31の気温データ及び飛行場の気温データを集約する際に、気温データが格納された期間を分割して集約してもよい。データ処理部122は、例えば気温データが格納された期間を前半と後半に分割して集約してもよい。上述したように、航空機用タイヤ32が機体に装着されたときから、取り卸されるときまでのフライト回数は、数百回である。ここで、航空機用タイヤ32が機体に装着されたときから、取り卸されるときまでのフライト回数が500回であったと仮定する。
この場合、データ処理部122は、気温データが格納された期間を前半(1回目~250回目)と、後半(251回目~500回目)に分割して集約してもよい。これにより、集約されたデータとして、前半の平均気温データ(1つの値)と、後半の平均気温データ(1つの値)が得られる。教師データと紐付けられるデータは、前半の平均気温データでもよく、後半の平均気温データでもよい。このように気温データが格納された期間を分割して集約しても、上述の効果と同様の効果が得られる。なお、分割の対象となるデータは、気温データに限定されず、加速度データが格納された期間を分割してもよい。また、分割方法は前半、後半の2分割に限定されず、3分割でもよい。
また、データ処理部122は、航空機31の気温データ及び飛行場の気温データを集約する際に、気温データが格納された期間を異なる2以上の期間に分類し、分類した複数の期間を用いて集約してもよい。2以上の期間に分類する方法の一例として、データ処理部122は、気温データが格納された期間を全期間(1回目~500回目)と、前半(1回目~250回目)に分類することが可能である。データ処理部122は、分類した複数の期間(全期間と前半)のそれぞれの平均気温データを平均して、分類した複数の期間(全期間と前半)の平均気温データ(1つの値)を取得する。このように気温データが格納された期間を複数の期間に分類して集約しても、上述の効果と同様の効果が得られる。なお、分類の対象となるデータは、気温データに限定されず、加速度データが格納された期間を複数の期間に分類してもよい。すなわち、データ処理部122は、同じ属性の説明変数が格納された期間を異なる2以上の期間に分類し、分類した複数の期間を用いて集約してもよい。
日本国特許出願第2020-033209号(出願日:2020年2月28日)の全内容は、ここに援用される。
1 摩耗状態予測システム
10 摩耗状態予測装置
11 コントローラ
12 第1処理機能
13 第2処理機能
14 記憶装置
20 ネットワーク
30 航空会社
31 航空機
32 航空機用タイヤ
121 データ取得部
122 データ処理部
123 アルゴリズム選択部
124 モデル生成部
131 新データ取得部
132 適用モデル選択部
133 摩耗状態予測部
10 摩耗状態予測装置
11 コントローラ
12 第1処理機能
13 第2処理機能
14 記憶装置
20 ネットワーク
30 航空会社
31 航空機
32 航空機用タイヤ
121 データ取得部
122 データ処理部
123 アルゴリズム選択部
124 モデル生成部
131 新データ取得部
132 適用モデル選択部
133 摩耗状態予測部
Claims (9)
- 予め取得した航空機のデータを説明変数とする所定のアルゴリズムを用いて、目的変数として航空機用タイヤの摩耗速度を予測するモデルを生成する摩耗状態予測方法であって、
前記説明変数と紐付けられ、前記モデルを生成する際に入力される教師データとして、前記摩耗速度を用い、
前記摩耗速度は、前記航空機用タイヤの摩耗量をフライトに関する累積値で除算したパラメータである
ことを特徴とする摩耗状態予測方法。 - 前記説明変数は、前記航空機に関する気温データを含む
ことを特徴とする請求項1に記載の摩耗状態予測方法。 - 前記説明変数は、前記航空機の加速度データをさらに含む
ことを特徴とする請求項2に記載の摩耗状態予測方法。 - 予測した前記摩耗速度に前記フライトに関する累積値を乗算して、前記摩耗量を予測する
ことを特徴とする請求項1~3のいずれか1項に記載の摩耗状態予測方法。 - 予め取得した前記航空機用タイヤの新品時の溝深さと、予測した前記摩耗速度とを用いて、前記航空機用タイヤの使用可能回数を予測する
ことを特徴とする請求項1~4のいずれか1項に記載の摩耗状態予測方法。 - 前記航空機に関する気温データは第1気温データと定義され、
前記摩耗速度を予測する際に、予測時以降の第2気温データと、前記第1気温データとを含むデータを前記モデルに入力し、前記摩耗速度を予測する
ことを特徴とする請求項2~5のいずれか1項に記載の摩耗状態予測方法。 - 予め取得した航空機のデータを説明変数とする所定のアルゴリズムを用いて、目的変数として航空機用タイヤの摩耗速度を予測するモデルを生成するコントローラを備える摩耗状態予測装置であって、
前記コントローラは、前記説明変数と紐付けられ、前記モデルを生成する際に入力される教師データとして、前記摩耗速度を用い、
前記摩耗速度は、前記航空機用タイヤの摩耗量をフライトに関する累積値で除算したパラメータである
ことを特徴とする摩耗状態予測装置。 - 予め取得した航空機のデータを説明変数とする所定のアルゴリズムを用いて、目的変数として航空機用タイヤの摩耗速度を予測するモデルを生成する摩耗状態予測プログラムであって、
端末装置のコンピュータに、
前記説明変数と紐付けられ、前記モデルを生成する際に入力される教師データとして、前記摩耗速度を用いるステップを実行させ、
前記摩耗速度は、前記航空機用タイヤの摩耗量をフライトに関する累積値で除算したパラメータである
ことを特徴とする摩耗状態予測プログラム。 - 予め取得した航空機のデータを説明変数とする所定のアルゴリズムを用いて、目的変数として航空機用タイヤの摩耗速度を予測するモデルを生成する予測モデル生成方法であって、
前記説明変数と紐付けられる教師データとして前記摩耗速度を用いて前記モデルを生成し、
前記摩耗速度は、前記航空機用タイヤの摩耗量をフライトに関する累積値で除算したパラメータである
ことを特徴とする予測モデル生成方法。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020033209A JP7437973B2 (ja) | 2020-02-28 | 2020-02-28 | 摩耗状態予測方法、摩耗状態予測装置、摩耗状態予測プログラム、及び予測モデル生成方法 |
JP2020-033209 | 2020-02-28 |
Publications (1)
Publication Number | Publication Date |
---|---|
WO2021172249A1 true WO2021172249A1 (ja) | 2021-09-02 |
Family
ID=77491013
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
PCT/JP2021/006535 WO2021172249A1 (ja) | 2020-02-28 | 2021-02-22 | 摩耗状態予測方法、摩耗状態予測装置、摩耗状態予測プログラム、及び予測モデル生成方法 |
Country Status (2)
Country | Link |
---|---|
JP (1) | JP7437973B2 (ja) |
WO (1) | WO2021172249A1 (ja) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022207375A1 (en) * | 2021-03-31 | 2022-10-06 | Compagnie Generale Des Etablissements Michelin | Method for forecasting the current wear state of an identified tyre installed on an identified aeroplane |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114756977B (zh) * | 2022-06-16 | 2022-10-25 | 成都飞机工业(集团)有限责任公司 | 飞机交点孔镗削让刀量预测方法、装置、设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013113724A (ja) * | 2011-11-29 | 2013-06-10 | Bridgestone Corp | タイヤ摩耗予測方法及びタイヤ摩耗予測装置 |
JP2017156295A (ja) * | 2016-03-04 | 2017-09-07 | 三菱重工業株式会社 | タイヤの摩耗寿命推定システム |
JP2017187418A (ja) * | 2016-04-07 | 2017-10-12 | 三菱重工業株式会社 | 磨耗検査装置及び磨耗検査方法 |
-
2020
- 2020-02-28 JP JP2020033209A patent/JP7437973B2/ja active Active
-
2021
- 2021-02-22 WO PCT/JP2021/006535 patent/WO2021172249A1/ja active Application Filing
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013113724A (ja) * | 2011-11-29 | 2013-06-10 | Bridgestone Corp | タイヤ摩耗予測方法及びタイヤ摩耗予測装置 |
JP2017156295A (ja) * | 2016-03-04 | 2017-09-07 | 三菱重工業株式会社 | タイヤの摩耗寿命推定システム |
JP2017187418A (ja) * | 2016-04-07 | 2017-10-12 | 三菱重工業株式会社 | 磨耗検査装置及び磨耗検査方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022207375A1 (en) * | 2021-03-31 | 2022-10-06 | Compagnie Generale Des Etablissements Michelin | Method for forecasting the current wear state of an identified tyre installed on an identified aeroplane |
GB2619830A (en) * | 2021-03-31 | 2023-12-20 | Michelin & Cie | Method for forecasting the current wear state of an identified tyre installed on an identified aeroplane |
GB2619830B (en) * | 2021-03-31 | 2024-07-03 | Michelin & Cie | Method for forecasting the current wear state of an identified tyre installed on an identified aeroplane |
Also Published As
Publication number | Publication date |
---|---|
JP2021135231A (ja) | 2021-09-13 |
JP7437973B2 (ja) | 2024-02-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9530256B2 (en) | Generating cumulative wear-based indicators for vehicular components | |
US11119878B2 (en) | System to manage economics and operational dynamics of IT systems and infrastructure in a multi-vendor service environment | |
EP3270252B1 (en) | Equipment control based on failure determination | |
WO2021172249A1 (ja) | 摩耗状態予測方法、摩耗状態予測装置、摩耗状態予測プログラム、及び予測モデル生成方法 | |
CA2771401C (en) | Platform health monitoring system | |
US9811950B2 (en) | Aircraft electric taxi system diagnostic and prognostic evaluation system and method | |
JP6034130B2 (ja) | 航空機パラメータを推定するための方法およびシステム | |
KR20180010321A (ko) | 예측 모델들의 동적 실행 | |
US8990826B2 (en) | System and method for receiving analysis requests and configuring analytics systems | |
GB2577063A (en) | System and method for aircraft contaminant monitoring | |
CN107180461B (zh) | 与飞行器发动机相关联的*** | |
US10824956B1 (en) | System and method for price estimation of reports before execution in analytics | |
Fritzsche et al. | Optimal prognostic distance to minimize total maintenance cost: The case of the airline industry | |
CN111415026A (zh) | 无人设备调度装置、***和方法 | |
EP3451251A1 (en) | Aircraft flight planning apparatus and method | |
US20230104214A1 (en) | Method and system for real time trajectory optimization | |
WO2021172248A1 (ja) | 摩耗状態予測方法、摩耗状態予測装置、及び摩耗状態予測プログラム | |
CN116432806A (zh) | 一种航班地面保障节点时间的滚动预测方法和*** | |
CN113884927B (zh) | 一种基于云端大数据的电池寿命主动控制方法及*** | |
Kolaric et al. | Gaussian Process Model of Uncertainty in Safety-Critical Autonomous Driving | |
Konakhovych et al. | Method of Reliability Increasing Based on Spare Parts Optimization for Telecommunication Equipment | |
Zaliskyi et al. | Software Support for Simulation and Prediction of Failures and Faults During Aircraft Operations | |
CN117975770A (zh) | 一种航班恢复方法、航班恢复***、设备及介质 | |
CN118246828A (zh) | 航空物流车辆调度管理方法、装置、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
121 | Ep: the epo has been informed by wipo that ep was designated in this application |
Ref document number: 21760226 Country of ref document: EP Kind code of ref document: A1 |
|
NENP | Non-entry into the national phase |
Ref country code: DE |
|
122 | Ep: pct application non-entry in european phase |
Ref document number: 21760226 Country of ref document: EP Kind code of ref document: A1 |