用于飞行器大修期间的结构修理的预测方法和系统技术方案

用于飞行器大修期间的结构修理的预测方法和系统。混合特征选择方法包括创建用于在一队飞行器大修期间的结构修理的预测模型的方法。方法包括：预选从在第一飞行器的第一组飞行期间收集的数据所计算的疲劳相关参数的预选数据集，该第一飞行器在大修期间经历更换结构组件。方法包括：接收疲劳相关参数的预选选择，并且验证从在第二飞行器的第二组飞行期间收集的数据所计算的、疲劳相关参数的预选选择的验证数据集，该第二飞行器经历大修而没有更换结构组件。方法包括：接收一组疲劳相关参数，并且利用从额外飞行期间收集的数据所计算的、经验证和预选疲劳相关参数的训练数据集，来构建用于大修期间的结构修理的预测模型。

【技术实现步骤摘要】
用于飞行器大修期间的结构修理的预测方法和系统
本公开涉及用于飞行器大修(heavymaintenance)期间的结构修理的预测方法和系统。
技术介绍
飞行器包括诸如机体这样的结构组件，其通常被设计成延续飞行器的使用寿命。然而，一些组件可能不会如预期那样对使用和环境的应力作出反应，并且一些飞行器可能在超出原始设计使用寿命的情况下使用。在这种情况下，修理或更换原本未设计修理或更换的结构组件在修理或再生产以供更换的该受影响结构组件时，可能会导致个别飞行器的显著停机时间。例如，F/A-18大黄蜂型飞行器于1983年首次投入运营服务。现在30多年后，使用中的大多数F/A-18大黄蜂飞行器按原本设计的使用寿命(6000-8000小时)或者超出该使用寿命来操作。持续操作依赖于用于检查、维护、以及包括机体修理和更换的修理的结构化方法。机体检查、修理以及更换是在大修周期期间执行。在大修期间，检查机体和其它结构组件的机械磨损、热损伤、腐蚀以及其它组件疲劳迹象。虽然大修通常导致一些结构组件的修理或更换，但利用当前技术来预测哪些组件需要在特定飞行器上进行修理或更换是非常困难的。因此，将F/A-18大黄蜂机群维持在适用条件之下，导致针对大量机体和原本未设计修理或更换的其它结构组件的新的且可变的需求。另外，大修因针对修理或更换组件的可变需求以及用于修理，再生产和/或更换受影响组件的时间，而导致针对个别飞行器的不可预测的停机时间。
技术实现思路
混合特征选择方法包括：创建用于在均包括结构组件的一队飞行器大修期间的结构修理的预测模型的方法。方法包括以下步骤：预选(qualify)根据在第一飞行器的第一组飞行期间收集的数据所计算的疲劳相关参数的预选数据集，该第一飞行器在大修期间经历更换所述结构组件。所述第一组飞行中的每次飞行均发生在大修之前，并且所述第一飞行器在每次所述飞行期间均经历过应力(overstress)事件。预选包括计算和显示所述预选数据集。方法包括以下步骤：接收通常基于用户对大修期间的所述结构修理与所述疲劳相关参数之间的相关性的确定的、所述选择疲劳相关参数的预选选择。该方法包括以下步骤：验证根据在第二飞行器的第二组飞行期间收集的数据所计算的、所述疲劳相关参数的所述预选选择的验证数据集，该第二飞行器经历大修而没有更换所述结构组件。所述第二组飞行中的每次飞行均发生在大修之前，并且所述第二飞行器在每次所述飞行期间均经历了过应力事件。验证包括计算和显示所述验证数据集。方法包括以下步骤：接收通常基于用户对预选数据集中的预选疲劳相关参数与所述验证数据集中的对应疲劳相关参数之间的相关性(缺乏相关性)的确定的、一组经验证和预选的选择疲劳相关参数。方法包括以下步骤：利用从在所述一队飞行器的额外飞行期间收集的数据所计算的、经验证和预选的疲劳相关参数的训练数据集，来构建用于大修期间的结构修理的预测模型。构建步骤包括以下步骤：计算所述训练数据集，并且利用所述训练数据集来训练所述预测模型。附图说明图1是混合特征选择系统的示意图。图2是飞行器的示例的示意图。图3是混合特征选择方法的示意性表示图。图4是基于根据本公开选择的特征来部署预测模型的方法的示意性表示图。图5是计算机化系统的示意性表示图。具体实施方式飞行器可以监测其子系统和总体性能，并且记录可能涉及结构组件健康的系统操作数据。例如，飞行器可以记录速度、加速度、飞行时间、起飞和着陆数、弹射器数、随身行李数(numberoftraps)等，(和/或可以针对个别飞行器记录这种数据)。一些飞行器(如F/A-18大黄蜂型飞行器)包括加速度计和/或应变计来测量总体飞行器运动和施加至飞行器的组件和/或部分的应力。然而，诸如总飞行小时、随身行李总数或峰值加速度这样的简单测量不能可靠地预测什么时候或哪些结构组件应当更换。如在此使用的，更换结构组件包括安装不同的结构组件(通常是新的或再制造的)或修理原有的结构组件。本公开的系统和方法提供了如下途径，其在所有可能的测量参数和派生参数当中标识有效指示，并且训练和部署用于飞行器大修期间的结构修理的预测模型。测量参数和派生参数可以被称为数据特征或特征。用于大修期间的结构修理的预测模型包括：用于在大修期间修理和/或更换飞行器的结构组件的预测模型。对于像飞行器一样的复杂系统来说，操作数据的量和复杂性迫使人们有效地进行分析。而且，原始数据对于计算机化系统(例如，机器学习系统)来说可能是一低效起点。因为数据中存在大量不相关的参数，所以在仅给出原始数据时，计算机化系统可能效率不高和/或不准确。可能需要用户干预来标识和去除尽可能多的不相关数据。本公开的系统和方法通过采取混合方法来改进效率并简化特征选择的任务。利用有限数据集，基于操作数据和结构组件操作的物理期望，依靠人类操作员来预选潜在数据特征。通过操作员预选的数据特征可以用于利用综合数据集来训练用于大修期间的结构修理的预测模型。通过混合特征选择方法创建的预测模型可以被部署，以监测和/或评估结构组件的性能，并且可靠地预测何时和/或哪些结构组件可能在大修期间需要修理和/或更换。通过准确预测将来结构组件状态，结构组件的更换可以在进入大修之前进行安排，从而，缩减潜在的停机时间。另外或另选的是，可以以某种可靠性来预测更换结构组件的需求。结构组件性能的准确预测还可以避免来自相关组件或子系统的对象结构组件(subjectstructuralcomponent)和共鸣性能响应(sympatheticperformanceresponse)的非期望性能(例如，由于复杂飞行器中的未执行结构组件的添加应力)。图1–图5例示了用于预测飞行器大修期间的结构修理的混合特征选择系统和方法的各个方面。一般来说，在图中，很可能被包括在给定实施方式中的部件按实线例示，而可选或另选的部件按虚线例示。然而，按实线例示的部件对于本公开的所有实施方式来说不是根本的，而且在不脱离本公开的范围的情况下，按实线示出的部件可以从特定实施方式中省略。用在附图当中一致的数字来标注服务类似或至少大致类似目的的部件。每一个图中的相同数字和对应部件在此可以不参照每一个图详细讨论。类似的是，所有部件不是在每一个图中都加以标注或示出，而为了一致性可以使用与其相关联的标号。在不脱离本公开的范围的情况下，参照一个或更多个图讨论的部件、组件和/或者特征可以被包括在任何图中，和/或与该图一起使用。本文所述流程图和框图例示了根据各个性实施方式的系统、方法以及计算机程序产品的可能实现的架构、功能以及操作。在这点上，该流程图或框图中的每一个框都可以表示模块、区段、或代码的一部分，其包括用于实现该指定逻辑功能或多个功能的一个或更多个可执行指令。在一些另选实现中，该框中提到的功能可以出现在图中所提到的次序之外。例如，根据所涉及功能，接连示出的两个框的功能可以大致同时执行，或者这些框的功能有时可以按逆序执行。如图1中示意性地表示，混合特征选择系统10包括几个模块(例如，被配置成由如参照图5所描述的计算机化系统执行的指令和/或数据)。这些模块(其还可以被称为代理、程序、处理、和/或过程)可以包括：预选模块14、验证模块16、以及训练模块18。混合特征选择系统10可以包括和/或可以利用飞行数据库12，该飞行数据库本文档来自技高网...

【技术保护点】
一种用于创建预测模型的方法，该预测模型用于在均包括结构组件(40)的一队飞行器(30)的大修期间的结构修理，该方法包括以下步骤：针对所述一队飞行器中的第一飞行器(30)进行如下操作，其中，所述第一飞行器(30)在所述第一飞行器(30)的大修期间经历更换所述第一飞行器(30)的所述结构组件(40)：从在所述第一飞行器(30)的第一组飞行期间收集的数据，来计算(102)疲劳相关参数的预选数据集，其中，所述第一组飞行中的每次飞行均发生在所述第一飞行器的大修之前，并且其中，在所述第一组飞行中的每次飞行期间，所述第一飞行器经历了过应力事件；显示(104)所述预选数据集；以及接收(106)所述疲劳相关参数的选择；针对所述一队飞行器中的第二飞行器进行如下操作，其中，所述第二飞行器经历大修而没有更换所述第二飞行器的所述结构组件(40)：从在所述第二飞行器的第二组飞行期间收集的数据，来计算(112)所述疲劳相关参数的选择的验证数据集，其中，所述第二组飞行中的每次飞行均发生在所述第二飞行器的大修之前，并且其中，在所述第二组飞行中的每次飞行期间，所述第二飞行器经历了过应力事件；显示(114)所述验证数据集；以及接收(116)所述疲劳相关参数的一组选择，其中，所述疲劳相关参数的所述一组选择少于所述疲劳相关参数的全部；从在所述一队飞行器中的相应飞行器的额外飞行期间收集的数据，来计算(122)所述疲劳相关参数的所述一组选择的训练数据集，其中，所述相应飞行器中的每个飞行器均经历大修，其中，所述额外飞行中的每次飞行均发生在该飞行的所述相应飞行器的大修之前，并且其中，所述额外飞行中的每次飞行均是如下飞行，在该飞行期间，所述相应飞行器经历了过应力事件；以及利用所述训练数据集来训练(124)用于在大修期间的结构修理的预测模型。...

【技术特征摘要】
2016.06.24 US 15/192,7001.一种用于创建预测模型的方法，该预测模型用于在均包括结构组件(40)的一队飞行器(30)的大修期间的结构修理，该方法包括以下步骤：针对所述一队飞行器中的第一飞行器(30)进行如下操作，其中，所述第一飞行器(30)在所述第一飞行器(30)的大修期间经历更换所述第一飞行器(30)的所述结构组件(40)：从在所述第一飞行器(30)的第一组飞行期间收集的数据，来计算(102)疲劳相关参数的预选数据集，其中，所述第一组飞行中的每次飞行均发生在所述第一飞行器的大修之前，并且其中，在所述第一组飞行中的每次飞行期间，所述第一飞行器经历了过应力事件；显示(104)所述预选数据集；以及接收(106)所述疲劳相关参数的选择；针对所述一队飞行器中的第二飞行器进行如下操作，其中，所述第二飞行器经历大修而没有更换所述第二飞行器的所述结构组件(40)：从在所述第二飞行器的第二组飞行期间收集的数据，来计算(112)所述疲劳相关参数的选择的验证数据集，其中，所述第二组飞行中的每次飞行均发生在所述第二飞行器的大修之前，并且其中，在所述第二组飞行中的每次飞行期间，所述第二飞行器经历了过应力事件；显示(114)所述验证数据集；以及接收(116)所述疲劳相关参数的一组选择，其中，所述疲劳相关参数的所述一组选择少于所述疲劳相关参数的全部；从在所述一队飞行器中的相应飞行器的额外飞行期间收集的数据，来计算(122)所述疲劳相关参数的所述一组选择的训练数据集，其中，所述相应飞行器中的每个飞行器均经历大修，其中，所述额外飞行中的每次飞行均发生在该飞行的所述相应飞行器的大修之前，并且其中，所述额外飞行中的每次飞行均是如下飞行，在该飞行期间，所述相应飞行器经历了过应力事件；以及利用所述训练数据集来训练(124)用于在大修期间的结构修理的预测模型。2.根据权利要求1所述的方法，其中，所述第一组飞行中的飞行的过应力事件、所述第二组飞行中的飞行的过应力事件、以及所述相应飞行器的所述额外飞行中的飞行的过应力事件均独立地从由如下各项构成的组中选择：硬着陆、高于预定正加速度阈值的正加速度、以及低于预定负加速度阈值的负加速度。3.根据权利要求1-2中的任一项所述的方法，其中，所述疲劳相关参数包括以下各项中的至少一个：空气动力学结构的应变、应变的差异、加速度、俯仰率、滚转率、偏航率、以及速度制动器展开事件。4.根据权利要求1-2中的任一项所述的方法，其中，所述第一飞行器的所述结构组件(40)和所述第二飞行器的所述结构组件(40)是同一类型的结构组件(40)，并且选自由以下各项构成的组：框架构件、大梁、桁条、翼肋、支柱、横梁、腹板、支撑体、联接器、接头以及仪表板。5.根据权利要求1-2中的任一项所述的方法，其中，显示(104)所述预选数据集的步骤包括可视化所述预选数据集，并且其中，显示所述验证数据集的步骤包括可视化所述验证数据集。6.根据权利要求1-2中的任一项所述的方法，其中，显示(104)所述预选数据集的步骤包括响应于用户输入而进行显示，并且其中，显示(114)所述验证数据集的步骤包括响应于用户输入而进行显示。7.根据权利要求1-2中的任一项所述的方法，其中，训练(124)所述预测模型的步骤包括向所述训练数据集应用机器学习。8.根据权利要求1-2中的任一项所述的方法，其中，所述疲劳相关参数的所述选择少于全部疲劳相关参数。9.根据权利要求1-2中的任一项所述的方法，其中，所述疲劳相关参数的所述一组选择少于所述疲劳相关参数的所述选择的全部。10.根据权利要求1-2中的任一项所述的方法，其中，接收(116)所述疲劳相关参数(62)的所述选择的步骤包括以下步骤：从用户(20)接收基于所述用户对在大修期间更...

【专利技术属性】
技术研发人员：J·M·埃辛顿，L·司徒朗松，
申请(专利权)人：波音公司，
类型：发明
国别省市：美国,US