磨损状态预测装置(10)具备：模型生成部(124)，其使用以预先获取到的与航空器(31)有关的气温数据为解释变量的规定的算法来生成预测作为目标变量的磨损状态的模型；以及磨损状态预测部(133)，其向由模型生成部(124)生成的模型输入气温数据来预测磨损状态。的模型输入气温数据来预测磨损状态。的模型输入气温数据来预测磨损状态。
【技术实现步骤摘要】
【国外来华专利技术】磨损状态预测方法、磨损状态预测装置以及磨损状态预测程序
[0001]本专利技术涉及一种磨损状态预测方法、磨损状态预测装置以及磨损状态预测程序。
技术介绍
[0002]以往，已知一种用于预测航空器用轮胎的磨损状态的技术(专利文献1)。专利文献1中记载的方法是，获取与根据使用条件而区分出的多个行驶状态(例如，着陆(Touchdown)行驶状态、着陆后减速行驶状态、滑行行驶状态等)对应的多个磨损能量，并基于获取到的磨损能量来预测航空器用轮胎的磨损状态。
[0003]现有技术文献
[0004]专利文献
[0005]专利文献1：日本特开2013
‑
113724号公报
技术实现思路
[0006]专利技术要解决的问题
[0007]近年，由于AI(例如机器学习)的发展而大数据的解析活跃化。然而，对活用大数据来预测航空器用轮胎的磨损状态的预测方法的研究很少。
[0008]因此，本专利技术是鉴于这样的状况而完成的，其目的在于提供一种使用模型来预测航空器用轮胎的磨损状态的磨损状态预测方法、磨损状态预测装置以及磨损状态预测程序。
[0009]用于解决问题的方案
[0010]在本专利技术的一个方式所涉及的磨损状态预测方法中，使用以预先获取到的与航空器(航空器31)有关的气温数据为解释变量的规定的算法来生成预测作为目标变量的磨损状态的模型；以及向所生成的模型输入气温数据来预测磨损状态。
[0011]专利技术的效果
[0012]根据本专利技术，能够使用模型来进行航空器用轮胎的磨损状态的预测。
附图说明
[0013]图1是示出磨损状态预测装置、网络以及航空公司的关系的概要图。
[0014]图2是本专利技术的本实施方式所涉及的磨损状态预测装置的概要结构图。
[0015]图3是说明本专利技术的本实施方式所涉及的机器学习的一例的图。
[0016]图4是说明本专利技术的本实施方式所涉及的学习数据与教师数据的关联的一例的图。
[0017]图5是说明本专利技术的本实施方式所涉及的磨损状态预测系统的一个动作例的序列图。
[0018]图6是说明本专利技术的本实施方式所涉及的磨损状态预测系统的一个动作例的序列
图。
[0019]图7是说明考虑了进行磨损速度的预测的日期之后的气温的方法的一例的图。
具体实施方式
[0020]下面，参照附图来对本专利技术的实施方式进行说明。在附图的记载中，对相同部分标注相同标记并省略说明。
[0021](磨损状态预测系统的结构例)
[0022]参照图1来对磨损状态预测系统1的结构的一例进行说明。如图1所示，磨损状态预测系统1包括磨损状态预测装置10、网络20以及航空公司30。
[0023]磨损状态预测装置10经由网络20来与航空公司30进行双向通信。具体地说，磨损状态预测装置10经由网络20来从航空公司30获取与航空器31有关的数据。磨损状态预测装置10使用获取到的数据来生成机器学习模型，使用所生成的机器学习模型来对安装于航空器31的航空器用轮胎32的磨损状态进行预测。在后面记述磨损状态预测装置10从航空公司30获取的数据的详情。网络20是能够发送和接收数据的通信网。例如，网络20通过由电信运营商设置的专用线路、公共交换电话网、卫星通信线路、移动通信线路等各种通信线路来构成。
[0024]在本实施方式中，航空器用轮胎32包括安装于主起落架的轮胎、安装于前起落架的轮胎。主起落架安装有多个(例如6个)轮胎。另外，前起落架也安装有多个(例如2个)轮胎。
[0025]磨损状态预测装置10例如是通用的计算机，具备CPU、ROM(Read Only Memory：只读存储器)以及RAM(Random Access Memory：随机存取存储器)。CPU将ROM等中存储的程序读取到RAM中来执行该程序。此外，磨损状态预测装置10既可以是设置型的终端装置，也可以是易于搬运的便携型的终端装置(例如智能手机)。另外，磨损状态预测装置10也可以构成为管理中心的服务器。
[0026]接着，参照图2来对磨损状态预测装置10的结构例进行说明。如图2所示，磨损状态预测装置10具备控制器11(例如CPU)和存储装置14。控制器11具备第一处理功能12和第二处理功能13作为多个信息处理功能。并且，第一处理功能12分类为数据获取部121、数据处理部122、算法选择部123以及模型生成部124。第二处理功能13分类为新数据获取部131、应用模型选择部132以及磨损状态预测部133。
[0027]数据获取部121经由通信部(未图示)从航空公司30获取数据。通信部设置于磨损状态预测装置10，是连接到网络20来在与航空公司30之间发送和接收数据的接口。数据获取部121从航空公司30获取的数据包含航空器31的气温数据、航空器31的加速度数据、航空器31的重量数据、表示航空器用轮胎32被安装到的位置的数据(以下有时简称为安装位置数据)等。
[0028]航空器31的气温数据是指由设置于航空器31的传感器测量到的温度数据。
[0029]航空器31的加速度数据包含航空器31的XYZ方向中的每一个方向的加速度数据。X方向是指航空器31的前后方向。Y方向是指航空器31的左右方向。Z方向是指航空器31的上下方向。
[0030]数据处理部122对由数据获取部121获取到的数据进行处理。在后面记述处理的详
细内容。
[0031]算法选择部123选择用于生成机器学习模型的算法。算法例如包括多重线性回归、Lasso回归、非线性SVM、随机森林(random forest)、XGBoost等。
[0032]模型生成部124使用由算法选择部123选择出的算法对由数据处理部122生成的数据进行机器学习来生成机器学习模型。模型生成部124按每个算法生成机器学习模型。因此，生成多个机器学习模型。所生成的机器学习模型存储于存储装置14。
[0033]新数据获取部131从航空公司30获取要输入到由模型生成部124生成的机器学习模型中的新的数据。新数据获取部131从航空公司30获取的新的数据与数据获取部121从航空公司30获取的数据的属性(气温、加速度等)、结构(后述的每隔一秒)等相同，但数据本身不同。
[0034]应用模型选择部132从存储装置14读出由模型生成部124生成的机器学习模型，并对读取到的机器学习模型的预测性能进行评价。应用模型选择部132基于评价结果来选择预测性能最高的机器学习模型。
[0035]磨损状态预测部133向被应用模型选择部132选择出的机器学习模型输入由新数据获取部131获取到的新的数据来预测磨损状态。磨损状态包括磨损量和磨损速度。在后面记述磨损量和磨损速度的详情。预测出的与磨损状态有关的数据存储于存储装置14。
[0036]接着，参照图3～4来对机器学习模型的生成方法和使用了所生成的机器学习模型的磨损状态预测方法进行说明。
[0037]本文档来自技高网...
【技术保护点】
【技术特征摘要】
【国外来华专利技术】1.一种磨损状态预测方法，预测航空器用轮胎的磨损状态，所述磨损状态预测方法的特征在于，使用以预先获取到的与航空器有关的气温数据为解释变量的规定的算法来生成预测作为目标变量的所述磨损状态的模型；以及向所生成的所述模型输入所述气温数据来预测所述磨损状态。2.根据权利要求1所述的磨损状态预测方法，其特征在于，所述磨损状态是磨损速度，该磨损速度被定义为所述航空器用轮胎的磨损量除以与飞行有关的累积值得到的参数。3.根据权利要求2所述的磨损状态预测方法，其特征在于，将预测出的所述磨损速度乘以与所述飞行有关的累积值来预测所述磨损量。4.根据权利要求2或3所述的磨损状态预测方法，其特征在于，使用预先获取到的所述航空器用轮胎的全新时的沟槽深度和预测出的所述磨损速度来预测所述航空器用轮胎的能够使用次数。5.根据权利要求1～4中的任一项所述的磨损状态预测方法，其特征在于，将与所述航空器有关的气温数据定义为第一气温数据，在预测所述磨损状态时，将包括所述第一气温数据和预测时之后的第二气温数据在内的数据输入所述模型来预测所述磨损状态。6.根据权利要求1～5中的任一项所述的磨损状态预测方法，其特征在于，与所述航空器有关的气温数据通过设置于所述航空器的传感器来获取。7.根据权利...
【专利技术属性】
技术研发人员：花田龙，
申请(专利权)人：株式会社普利司通，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。