用于检测交通工具系统故障的系统和方法技术方案

本公开涉及用于检测交通工具系统故障的系统和方法。一种用于检测交通工具系统故障的方法，包括：利用处理器从一个或多个传感器接收多个传感器信号；利用处理器基本上实时地将各个相应的传感器的多个传感器信号阈值化；以及利用处理器实时生成多个被阈值化的传感器信号中的每一个传感器信号的异常导数频率值，并且基于异常导数频率值确定至少一个或多个传感器中的每一个的运行状态。

【技术实现步骤摘要】

本专利技术涉及检测交通工具系统故障(vehicle system fault)的系统和方法。
技术介绍
绝大多数传统的航空器预测和诊断(aircraft prognosis and diagnosis)假定传感器-线路-处理器通道运转正常，并且转而专注于检测正在被测量的组件的故障。通常在解决传感器故障中，传感器故障检测无外乎以下四种方法：知识驱动法(knowledge driven method)，估计法，基于时间序列的分析法和机器学习法。知识驱动法严格依赖于领域知识以便调整关于传感器值的规则/约束。与上述其他三种方法相比，这类方法具有其“低强度”的特征经常能够检测更多细微的故障，因为知识驱动法不是由数据驱动的，故它们由于表现出更多的伪报错而趋于较不稳定。估计法利用来自唯一的但相关的传感器的信号来检测异常。虽然这些估计法不一定需要完全多余的传感器，但是它们确实需要在至少一个的两个不同的传感器之间的显著的强关联性并且在距传感器下游足够远处不存在故障，使得这两组记录的测量结果(传感器信号)都会被影响。例如，如果在线路或者处理器级出现故障，可能发生能够影响两个传感器信号的下游故障是。基于时间序列的分析法利用来自信号传感器的当前测量结果和过去的测量结果中的时间关联性来预测未来的测量结果。基于时间序列的分析法依赖具有合适参数的预先定义的固定的模型结构，诸如著名的自回归滑动平均(ARMA)类模型，然而与机器学习法相比，基于时间序列的分析法由于其对固定的、预先定义的模型的依赖而更不可靠。机器学习法利用训练数
据来推断正常的与异常的传感器测量结果的模型，然后统计性地检测和鉴别故障的类别。这是一种最可靠的一类故障检测方法，因为它属于纯粹的数据驱动方法。然而，基于机器学习的方法需要对最多的数据进行训练并且趋于更低能地识别引入细微的“低强度”信号的故障。大多数搭载在诸如飞机的交通工具上的传统诊断算法只有当记录的测量结果进入异常范围或者表现出“疯狂”的动态特性时才发出故障消息。就这点而言，大多数传统的故障诊断算法，诸如那些包含在上述故障诊断方法中的算法都将无法发出响应的恰当故障信息，因此驾驶员和维护人员一直无法知道即将发生的故障。
技术实现思路
因此，旨在解决上述所关心的问题并会实现功效的系统和方法。本公开的一个实例涉及一种用于检测交通工具系统故障的方法，该方法包括：利用处理器接收来自一个或多个传感器的多个传感器信号；利用处理器基本上实时地将各个相应的传感器的多个传感器信号阈值化(thresholding)；并且利用所述处理器实时生成多个被阈值化的传感器信号(thresholded sensor signal)中的每一个的异常导数频率值(abnormal derivative frequency value)并且基于异常导数频率值确定至少一个或多个传感器中的每一个的运行状态(operational status)。本公开的一个实例涉及一种故障检测系统，其包括处理器，被配置接收来自一个或多个传感器的多个传感器信号；阈值化模块(thresholding module)，连接至所述处理器并且被配置为基本上实时地对各个相应传感器的多个传感器信号进行阈值化；以及异常导数计算模块(abnormal derivative computation module)，连接至所述处理器并且被配置为基本上实时地确定多个被阈值化的传感器信号中的每一个的异常导数频率值；其
中，所述处理器被配置为基于所述异常导数频率值确定至少所述一个或多个传感器中的每一个的运行状态。本公开的一个实例涉及一种故障检测系统，其包括：被布置在基于航空航天、航海或陆地的一个或多个交通工具系统中的多个传感器；以及处理器，该处理器被配置用来接收来自多个检测器的多个传感器信号，该处理器被配置为基本上实时地将各个相应的传感器的多个传感器信号阈值化；实时生成该多个被阈值化的传感器信号中的每一个的异常导数频率值的；并且基于异常导数频率值确定至少一个或多个传感器中的每一个的运行状态。附图说明已这样描述了总体构思下的本公开的实例，现在将结合附图进行说明，附图并没严格按照比例绘制，并且其中，贯穿多个图，相似的参考字符指代相同或相似的部件，并且其中：图1是根据本公开的一个方面的交通工具系统故障检测系统的框图；图2是根据本公开的一个方面的表示信号异常性的传感器信号的时间序列(time series)的示意图；图3A和图3B是根据本公开的一个方面的传感器信号的时间序列和阈值化过程的示意图；图4是示出根据本公开的一个方面的异常导数频率的时间序列的示图；图5A和图5B示出了根据本公开的一个方面的异常导数频率向量(abnormal derivative frequency vector)的时间序列的示图，其中图5B是图5A的放大部分；图6是根据本公开的一个方面的用于交通工具系统故障检测的方法的流程图；图7是飞机生产和服务方法学的流程图；以及图8是包括分布式交通工具系统的飞机的示意图。在上述提及的一个或多个框图中，如果有的话，连接各元件和/或组件的实线可代表机械的、电的、流体的、光的、电磁的以及其他的耦合和/或其组合。正如本文中所使用的，“耦合”意味着直接和间接的联合。例如，构件A可以直接与构件B联合，或者可以随后诸如通过另一个构件C，间接的联合。除了在框图中描绘的耦合之外的耦合同样也可存在。如果有的话，连接各元素和/或组成部分的虚线代表与实线所代表的耦合在功能和目的方面相类似的耦合；然而，用虚线代表的耦合可能不是被选择性地提供就是与本公开的替代的或可选择的方面有关。同样，如果有的话，用实线代表的元件和/或组件指示本公开的可替代的或可选择的方面。如果有的话，利用点线表示环境元件。在上述提及的一个或多个框图中，方框还可以代表其操作和/或其部分。连接各框的线并不暗示任何其操作或部分的特定顺序和依赖关系。具体实施方式在下面的描述中阐述了大量的具体细节，以提供对所公开的概念的全面理解，还可在缺乏这些细节中的一些或全部的情况下实现所公开的概念。在其他情形中，已知的设备和/或过程的细节已经被忽略以避免对本公开造成不必要的混淆。虽然将结合具体实例描述一些概念，但应该理解的是这些实例并不旨在进行约束。本文中所提及的“一个实例”或者“一个方面”意味着连同该实例或方面一起被描述的一个或多个特征、结构或特性被包含在至少一个实施例
中。在说明书的不同地方中，短语“一个实例”或者“一个方面”可以或者不可以指示相同的实例或者方面。除非另有说明，否则本文中的“第一”、“第二”、“第三”等术语仅作为标记，并不旨在将这些术语所指示的条款上施加于顺序、位置或层次的要求。此外，提到如“第二”条款并不要求或者预示如“第一”或更低编号的条款的存在和/或如“第三”或更高编号的条款的存在。参照图1，故障检测系统100的多个方面被提供用于预测和诊断在任何合适的交通工具102(诸如固定机翼飞机、旋转机翼飞机、宇宙飞船、航海和/或陆地交通工具)上的传感器、线路或者处理器的故障。故障检测系统100的多个方面接收传感器信号X(t)的时间序列(例如，原始传感器信号(raw sensor signal)例如是一维本文档来自技高网...

【技术保护点】
一种用于检测交通工具系统故障(100)的方法，所述方法包括：利用处理器(140)接收(600)来自一个或多个传感器(112)的多个传感器信号(X1(t)，X2(t)…Xn(t))；利用所述处理器基本上实时地将各个相应的传感器的所述多个传感器信号阈值化(620)；并且利用所述处理器实时生成(630)多个被阈值化的传感器信号(Y1(t)，Y2(t)…Yn(t))中的每一个的异常导数频率值(ADF1，ADF2…ADFn)并且基于所述异常导数频率值确定至少所述一个或多个传感器中的每一个的运行状态。

【技术特征摘要】
2015.04.24 US 14/695,0811.一种用于检测交通工具系统故障(100)的方法，所述方法包括：利用处理器(140)接收(600)来自一个或多个传感器(112)的多个传感器信号(X1(t)，X2(t)…Xn(t))；利用所述处理器基本上实时地将各个相应的传感器的所述多个传感器信号阈值化(620)；并且利用所述处理器实时生成(630)多个被阈值化的传感器信号(Y1(t)，Y2(t)…Yn(t))中的每一个的异常导数频率值(ADF1，ADF2…ADFn)并且基于所述异常导数频率值确定至少所述一个或多个传感器中的每一个的运行状态。2.根据权利要求1所述的方法，其中，有以下项中的至少一个：至少所述一个或多个传感器中的每一个的运行状态包括该传感器所位于的系统(110)的健康的测量；和至少所述一个或多个传感器中的每一个的运行状态包括该传感器所位于的系统的剩余使用寿命的预测。3.根据权利要求1所述的方法，进一步包括确定(610)从交通工具系统约束和对先前记录的来自所述一个或多个传感器的传感器数据的经验观察而推导出的多个阈值化参数，其中，所述多个阈值化参数影响对各个相应的传感器的所述多个传感器信号的阈值化。4.根据权利要求1所述的方法，其中，有以下项中的至少一个：所述处理器实时确定至少所述一个或多个传感器中的每一个的运行状态；和多个信号针对基于航空航天、航海或者陆地的交通工具系统的运行状态而与在所述基于航空航天、航海或者陆地的交通工具系统中的数据获取和数据通信相对应。5.根据权利要求1所述的方法，其中，确定至少所述一个或多个传感器中的每一个的运行状态包括：生成(630)所述异常导数频率值(ADF)的时间序列；和通过利用重叠的时间步长时移一时间窗来将所述异常导数频率值(ADFv)的时间序列转换(640)成异常导数频率向量，所述时间窗具有跨所述异常导数频率值的时间序列的预定大小。6.根据权利要求1所述的方法，进一步包括：将所述多个被阈值化的传感器信号中的每一个的所述异常导数频率值分类(650)为正常的或者异常的；并且基于分类后的异常导数频率值预测(660)系统的部件中即将发生的故障，所述一个或多个传感器中相应的一个位于该系统中。7.根据权利要求6所述的方法，进一步包括利用所述处理器对所述多个被阈值化的传感器信号中的每一个的所述异常导数频率值进行阈值化，以影响对相应的异常导数频率值的分类。8.一种故障检测系统(10...

【专利技术属性】
技术研发人员：蔡青·卢，查尔斯·E·马丁，艾丽斯·A·墨菲，史蒂芬·C·斯劳特，克里斯托夫·R·韦兹登克，
申请(专利权)人：波音公司，
类型：发明
国别省市：美国;US