用于生成飞机故障预测分类器的系统和方法技术方案

本公开涉及一种用于生成飞机故障预测分类器的系统和方法。该方法包括接收包括多个特征向量的输入数据，并基于特征向量与故障发生的时间接近度来标记每个特征向量。故障发生的阈值时间接近度内的特征向量用第一标签值标记，而其他特征向量用第二标签值标记。该方法包括为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率。该子集包括具有指示第一标签值的标签的特征向量。该方法包括重新分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后，使用包括多个特征向量和标签的监督式训练数据来训练飞机故障预测分类器。

System and method for generating aircraft fault prediction classifier

【技术实现步骤摘要】
用于生成飞机故障预测分类器的系统和方法
本公开总体上涉及生成飞机故障预测分类器。
技术介绍
技术的进步导致交通工具上传感器的数量增加，例如，飞机、汽车、轮船、无人驾驶飞机、火箭、宇宙飞船等交通工具。这些传感器可以记录交通工具运输之前、期间和之后的数据。例如，参数飞行数据可以由飞行数据记录器(FDR)、快速访问记录器(QAR)、连续参数记录(CPL)系统、增强型机载飞行记录器(EAFR)或其他类型的传感器系统记录。该传感器数据可用于多种目的，包括故障预测。执行故障预测的一种方法是基于模型的方法。例如，可以生成飞机的预期运行状态的基于物理的模型，并且可以将传感器数据与该模型进行比较，以预测故障状态。为了进一步说明，基于规则的模型使用由可访问预期值的逻辑表生成的规则来确定何时违反规则(例如，何时预测到故障)。一些基于模型的技术需要知道预期运行状态，这可使得确定是耗时的或资源密集的，并且可能使用大量的系统资源(例如，存储空间和处理资源)。此外，如果交通工具经历维护或以其他方式改变配置，由于这些变化，模型可能不再表示交通工具的运行状态。<本文档来自技高网...

【技术保护点】
1.一种生成飞机故障预测分类器(140)的方法，所述方法包括：/n接收包括多个特征向量(130)的输入数据，所述输入数据包括与一个或多个飞机相关联的传感器数据(150)；/n基于所述特征向量与故障发生的时间接近度来标记所述多个特征向量(130)中的每个特征向量，其中，在故障发生的阈值时间接近度内的特征向量用第一标签值来标记，并且其中，不在故障发生的所述阈值时间接近度内的特征向量用第二标签值来标记；/n对于所述多个特征向量(130)的子集的每个特征向量，确定与所述特征向量相关联的标签值正确的概率，其中，所述子集包括具有指示所述第一标签值的标签的特征向量；/n重新分配所述子集的一个或多个特征向量的...

【技术特征摘要】
20181127 US 16/201,9531.一种生成飞机故障预测分类器(140)的方法，所述方法包括：
接收包括多个特征向量(130)的输入数据，所述输入数据包括与一个或多个飞机相关联的传感器数据(150)；
基于所述特征向量与故障发生的时间接近度来标记所述多个特征向量(130)中的每个特征向量，其中，在故障发生的阈值时间接近度内的特征向量用第一标签值来标记，并且其中，不在故障发生的所述阈值时间接近度内的特征向量用第二标签值来标记；
对于所述多个特征向量(130)的子集的每个特征向量，确定与所述特征向量相关联的标签值正确的概率，其中，所述子集包括具有指示所述第一标签值的标签的特征向量；
重新分配所述子集的一个或多个特征向量的标签，所述一个或多个特征向量具有不满足概率阈值的概率；并且
在重新分配所述一个或多个特征向量的标签之后，使用包括所述多个特征向量(130)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(140)，所述飞机故障预测分类器(140)被配置为使用所述飞机的第二传感器数据来预测所述飞机的第二故障的发生。


2.根据权利要求1所述的方法，其中，所述一个或多个特征向量在故障发生的所述阈值时间接近度内。


3.根据权利要求1或2所述的方法，其中，所述飞机故障预测分类器(140)包括随机森林分类器。


4.根据权利要求1或2所述的方法，还包括训练概率预测器(134)以确定与每个特征向量相关联的概率。


5.根据权利要求4所述的方法，其中，所述概率预测器(134)包括随机森林回归预测器。


6.根据权利要求1或2所述的方法，还包括禁止重新标记具有指示所述第二标签值的标签的特征向量或具有满足所述概率阈值的概率的所述子集的特征向量。


7.根据权利要求1或2所述的方法，其中，所述多个特征向量(130)包括在多个采样时间周期的潜在特征状态值的序列(202-214)，并且其中，一个所述潜在特征状态值对应于一个所述采样时间周期。


8.根据权利要求7所述的方法，其中，所述潜在特征状态值对应于j维特征空间中的聚类，并且其中，j是所述传感器数据(150)中传感器变量的类型的数量。


9.根据权利要求8所述的方法，还包括对所述传感器数据(150)执行聚类操作，以将所述传感器数据(150)分组为所述潜在特征状态值。


10.根据权利要求7所述的方法，其中，确定所述多个特征向量(130)中的第一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所述潜在特征状态值的第一序列(202)，并且其中，所述第一特征向量的每个元素包括所述第一序列(202)的对应潜在特征状态值。


11.根据权利要求1或2所述的方法，还包括在飞机运行期间执行所述飞机故障预测分类器(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定修复的提示(162)。


12.根据权利要求1或2所述的方法，还包括在飞机运行期间执行所述飞机故障预测分类器(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(164)。


13.根据权利要求1或2所述的方法，其中，接收所述输入数据包括接收所述传感器数据(150)并生成所述多个特征向量(130)，其中，所述多个特征向量(130)包括潜在特征状态值的序列(202-214)，并且其中，生成所述多个特征向量(130)...

【专利技术属性】
技术研发人员：拉希米·孙达雷斯瓦拉，弗朗茨·大卫·贝茨，蔡青·卢，
申请(专利权)人：波音公司，
类型：发明
国别省市：美国;US