CN111221919B 用于生成飞机故障预测分类器的系统和方法 （波音公司）

US2014351642A1,2014US2009228160A1,2009.用于生成飞机故障预测分类器的系统和方法本公开涉及一种用于生成飞机故障预测分阈值时间接近度内的特征向量用第一标签值标包括为子集的每个特征向量确定与特征向量相配子集的具有不满足概率阈值的概率的一个或多个特征向量的标签，并且在重新分配标签之2重新分配所述子集的一个或多个特征向量的标签，所述一个或多和与所述多个特征向量相关联的标签的监督式训练数据来训练飞机故障预测分类器3.根据权利要求1或2所述的方法，还包括签的特征向量或具有满足所述概率阈值的概率的所述5.根据权利要求4所述的方法，其中，所包括在第一时间周期的第一组采样时间周期内确定所述潜在特征状态值的第一序列状态值。8.根据权利要求1或2所述的方法，还包括在飞器（140以生成指示所述第二故障的预测发生和与所述第二故障的预测发生相关联的特9.根据权利要求1或2所述的方法，还包括在飞器（140以基于与所述第二故障的预测发生相关联的特定修复来重新制定修复计划3重新分配所述子集的一个或多个特征向量的标签，所述一个或多4重新分配所述子集的一个或多个特征向量的标签，所述一个或多5集的一个或多个特征向量的标签，所述一个或多个特征向量具有不满足概率阈值的概率。类器被配置为使用飞机的第二传感器数据来预测飞机6测分类器被配置为使用飞机的第二传感器数据用第一标签值标记，而不在故障发生的阈值时间接近度内的特征向量用第二标签值标记。[0007]图1是示出重新分配特征向量的标签以生成飞机故障预测分类器的系统的具体实7[0016]本文描述的实现方式描述了用于飞机(或其他交通工具)故障检测的无模型系统的。本文描述的技术在监督式学习算法中使用潜在特征状态值(1atentfeaturestate[0017]潜在特征状态值的序列基于来自飞行传感器(或其他交通工具传感器)的参数数基于与故障发生的时间接近度来标记每个特征向量导致一些特征向量的误报标签(false标记的特征向量)。特征向量的子集中具有不满足概率阈值的概率的特征向量用第二标签概率用于将错误地标记为故障前体的一些特征向量重新分类为正常特征向量(例如，不是8或第二标签)。(在生成潜在特征状态值的特征向量之后)可以对飞机的实时(或接近实时)的误报识别。[0021]图1示出了生成一个或多个飞机故障预测分类器的系统100的具体实现方式的示[0022]传感器102被配置为执行交通工具的一个或多个方面或特征的读取，以生成传感150包括度量FCV的高度和位置的流量调节阀(FCV)传感器值。在其他示例中，传感器数据工程师协会(IEEE)协议、Wi-Fi联盟协议、Bluetooth@协议、zigbeeB协议、近场通信协9多个中间装置例如是飞机中存储传感器数据150的数据存储装置或其他存储器。在一些实[0025]在一些实现中，传感器数据150来自特定飞机飞行之前、期间和之后的传感器读136来标记特征向量130，如本文进一步描述的。概率确定指令124被配置为确定第一标签[0028]显示装置106耦接到计算装置104，并被配置为基于来自计算装置104的数据显示应时间的时间序列数据。处理器112还接收故障数据132，故障数据可以存储在存储器114[0030]特征向量生成指令120基于传感器数据生成特征向量130。特征向量130包括在多态值相关联的时间步长指示序列中的潜在特[0034]基于特征向量130与故障发生的时间接近度来标记每个特征例，与故障发生前三分钟的时间段相对应的每个特征向量用第一标签值(例如，1，对应于秒)。[0035]基于正确识别导致故障的潜在特征状态值的序列和减少误报识别的数量的竞争被配置为确定用第一标签值标记的特征向量被预测器134被配置为确定正确标记每个特征向量的概率。在具体实现方式中，概率预测器树被配置为基于特征向量130的特征的随机采样输出数值，并且多个回归决策树的输出在[0038]回归随机森林预测器将提供给回归随机森林预测器的每个训练和测试特征向量标记并且具有不满足概率阈值的概率(例如，基于概率预测器134的输出)的一个或多个特生的阈值时间接近度内的一个或多个特征向量(子集中初始用第一标签值标记的一个或多标记的特征向量训练飞机故障预测分类器140，以基于输入传感器数据预测飞机故障的发器包括多个决策树分类器，其基于特征向量130和第二标签138使用监督式学习过程来训是指在飞机(或其他交通工具)运行期间生成并且在执行任何处理之后从传感器102接收的类型的多架飞机、多种不同类型飞机或其组合)的历史传感器数据的传感器数据150不同，实时传感器数据152是在特定飞机飞行(或以其他方式运行)时从特定飞机接收的。处理器指令，以基于实时传感器数据生成特征向量，并将特征向量提供给飞机故障预测分类器储在存储器114中的数据可以将潜在特征状态值的一个或多个序列(例如，特征向量)与特理器112在将特定特征向量与相应的修复匹配之后发出提示162。作为另一特定示例，GUI预测分类器140对故障的误报识别。因此，系统100能够生成这样的飞机故障预测分类器聚类中的每个数据点之间的欧几里德的平方最小。可以以类似的方式向聚类添加额外的[0053]聚类均值(clustermeans)的值根据分布H(λ)分布(其中H(λ)表示用户对聚类带参数λ、遍及聚类数的狄利克莱过程分布和聚类中的点内的高斯模型分布的假设找到描[0055]每个聚类表示特征空间中的潜在特征状态值。在将传感器数据150聚类成潜在特有n个样本的滚动窗口应用于潜在特征状态值，以确定具有长度n的潜在特征状态值的序序列。[0057]潜在特征状态值的序列202至214包括与连续时间步长相关联的n个特征值的序量130的第一特征向量包括确定第一时间周期的第一组采样时间周期(例如，t1至t4)内的潜在特征状态值的第一序列202。第一特征向量的每个元素包括潜在特征状态值的第一序第二特征向量都与t2至t4的重叠时间段相关联(例如，由于在每个连续的时间步长应用滚[0059]在确定对应于潜在特征状态值的序列202至214的特征向量之后，标记特征向向量302和第二特征向量304在故障发生的阈值时间接近度内，并且第三特征向量306和第[0064]在初始标签分配之后，确定初始标签分配对于特征向量302至304是正确的概如参考图1所解释的，特征向量302至308和相应的标签320至326用作训练数据来训练概率[0065]将概率310至312与概率阈值330进行比较，以确定概率310至312中的任何一个是[0066]为了减少故障状态前体的误报识别的数量，基于概率310至312重新分配标签320配一个或多个标签之后，标记的特征向量被用作训练数据，以训练飞机故障预测分类器[0074]方法400还包括在412使用重新标记的特征向量来训练飞机故障预测分类器。例[0078]方法500包括在504基于特征向量与故障发生的时间接近度来标记多个特征向量130和第一标签136被提供给概率预测器134，以确定正确标记特征向量130的子集的概率。记的一个或多个特征向量重新分配，减少了飞机故障预测分类器140对故障状态的误报识测分类器140包括随机森林分类器。随机森林分类器降低了过度拟合飞机故障预测分类器低了过度拟合概率预测器134的训练数据的可能性，同时保持复杂性和分类速度的可接受[0085]在具体实现方式中，方法500还包括禁止重新标记具有指示第二标签值的标签的维特征空间中的聚类，使得能够基于传感器数据150中许多变量的特征来确定相关的潜在潜在特征状态值的第二序列204生成第二特征向量，使得第二特征向量的第一元素包括第基于潜在特征状态值的时间序列生成特征向量，减小了用于训练飞机故障预测分类器140生成指示第二故障的预测发生和与第二故障的预测发生相关联的特定修复的提示。例如，基于实时传感器数据152执行飞机故障预测分类器140使得可以生成经由GUI160在显示装器数据152执行飞机故障预测分类器140使得可以基于与故障的预测发生相关联的修复来个特征向量包括潜在特征状态值的序列，并且生成多个特征向量减小了传感器数据的大用第一标签值标记，而不在故障发生的阈值时间接近度内的特征向量用第二标签值标记。操作包括为多个特征向量子集的每个特征向量，确定与特征向量相关联的标签正确的概[0093]参考图6和图7，在如图6的流程图所示的交通工具制造和保养方法600以及如图7[0095]在生产过程中，方法600包括在606的部件和子组件制造以及在608的交通工具的其他类型的交通工具。在至少一个实现中，由图6的方法600的至少一部分生产交通工具公开可以应用于其他行业。例如，飞机故障预测系统734可用于载人或无人驾驶交通工具个图的一个或多个功能或部件，可以与图1至图7中的另一个图的一个或多个其他部分组文描述的任何单个实现都不应被解释为限制性的，并且在不脱离本公开的教导的情况下，[0106]接收包括多个特征向量(130)的输入数据，输入数据包括与一个或多个飞机相关[0107]基于特征向量与故障发生的时间接近度来标记多个特征向量(130)中的每个特征不在故障发生的阈值时间接近度内的特征向量[0108]对于多个特征向量(130)的子集中的每个特征向量，确定与特征向量相关联的标[0110]在重新分配一个或多个特征向量的标签之后，使用包括多个特征向量(130)和与多个特征向量相关联的标签的监督式训练数据来训练飞机故障预测分类器(140)，飞机故障预测分类器(140)被配置为使用飞机的第二传感器数据来特征向量包括在第一时间周期的第一组采样时间周期内确定潜在特征状态值的第一序列测分类器(140)，以生成指示第二故障的预测发生和与第二故障的预测发生相关联的特定测分类器(140)，以基于与第二故障的预测发生相关联的特定修复来重新制定修复计划[0126]接收包括多个特征向量(130)的输入数据，输入数据包括与一个或多个飞机相关[0127]基于特征向量与故障发生的时间接近度来标记多个特征向量(130)中的每个特征不在故障发生的阈值时间接近度内的特征向量[0128]对于多个特征向量(130)的子集的每个特征向量，确定与特征向量相关联的标签[0130]在重新分配一个或多个特征向量的标签之后，使用包括多个特征向量(130)和与机故障预测分类器(140)被配置为使用飞机的第二传感器数据来预测飞机的第二故障的发[0135]接收包括多个特征向量(130)的输入数据，输入数据包括与一个或多个飞机相关[0136]基于特征向量与故障发生的时间接近度来标记多个特征向量(130)中的每个特征不在故障发生的阈值时间接近度内的特征向量[0137]对于多个特征向量(130)的子集的每个特征向量，确定与特征向量相关联的标签[0139]在重新分配一个或多个特征向量的标