基于行为建模的部件维修预测系统技术方案

本申请题为“基于行为建模的部件维修预测系统”。本申请公开了用于管理交通工具中的部件的维修的方法、设备和系统。接收用于交通工具的传感器数据。使用利用第一训练数据训练的行为机器学习模型来预测目标参数，以预测在公差内操作的部件的正常行为的目标参数，其中目标参数表征部件的行为。根据由行为机器学习模型预测的目标参数的预测值和目标参数的实际值来确定预测度量。使用预测度量和利用第二训练数据训练的维修机器学习模型来预测部件在一段时间后是否会超出公差，从而预测部件是否需要维修，其中第二训练数据包括针对目标参数确定的历史预测度量。确定的历史预测度量。确定的历史预测度量。

【技术实现步骤摘要】
基于行为建模的部件维修预测系统


[0001]本公开总体上涉及改进的飞行器管理系统，尤其涉及实现预测性飞行器维修。

技术介绍

[0002]飞行器维修涉及在飞行器上执行各种操作以确保飞行器或飞行器部件的持续期望操作。这些操作可以包括对部件中的不一致进行检查、更换、返工，或保持符合适航指令和维修标准的其他操作。
[0003]飞行器维修通常是基于计划进行的。在某些情况下，当特定部件不再按期望运行时，可能会发生计划外的飞行器维修。根据飞行器的部署位置和不同操作区域备件的可用性，计划外的飞行器维修可能具有挑战性。目前的维修系统依赖于反应性维修计划来进行计划外的维修。例如，如旋翼机等飞行器可能基本上停飞，同时要求更换部件和维修、订购、然后交付到旋翼机所在地。这种类型的维修会增加飞行器停止服务的时间。

技术实现思路

[0004]期望具有一种方法和设备，其至少考虑到
技术介绍
中讨论的一些问题，以及其他可能的问题。例如，期望具有一种方法和设备，该方法和设备克服了更准确地安排飞行器维修的技术问题。
[0005]本公开的一个实施例提供了一种用于管理交通工具中的部件的维修的方法。使用第一训练数据来训练行为机器学习模型，以输出在公差内操作的该部件的正常行为的目标参数的预测值。行为机器学习模型中的每个行为机器学习模型预测该部件的目标参数中的一个目标参数。响应于接收到该部件的目标参数的历史传感器数据和实际值，根据由行为机器学习模型预测的目标参数的预测值来确定历史预测度量。使用第二训练数据来训练维修机器学习模型，以预测该部件是否需要维修，其中第二训练数据包括针对目标参数确定的历史预测度量，其中维修机器学习模型输出关于该部件在一段时间之后是否将变得超出公差的预测。使用该部件的传感器数据、根据由行为机器学习模型输出的目标参数的预测值和目标参数的实际值确定的预测度量以及维修机器学习模型来确定该部件是否需要维修。
[0006]本公开的另一个实施例提供了一种用于管理交通工具中的部件的维修的方法。接收用于交通工具的传感器数据。使用利用第一训练数据训练的行为机器学习模型来预测目标参数，从而预测在公差内操作的该部件的正常行为的目标参数，其中目标参数表征该部件的行为。根据由行为机器学习模型预测的目标参数的预测值和目标参数的实际值来确定预测度量。使用预测度量和利用第二训练数据训练的维修机器学习模型来预测在一段时间之后该部件是否将超出公差，从而预测该部件是否需要维修，其中第二训练数据包括为目标参数确定的历史预测度量。
[0007]本公开的另一个实施例提供了一种交通工具管理系统，其包括计算机系统和在计算机系统中的维修管理器。该维修管理器被配置为使用第一训练数据来训练行为机器学习
模型，以输出在公差内操作的部件的正常行为的目标参数的预测值。行为机器学习模型中的每个行为机器学习模型预测该部件的目标参数中的一个目标参数。该维修管理器被配置为响应于接收到该部件的目标参数的历史传感器数据和实际值，根据由行为机器学习模型预测的目标参数的预测值来确定历史预测度量。该维修管理器被配置为使用第二训练数据来训练维修机器学习模型，以预测该部件是否需要维修。第二训练数据包括为目标参数确定的历史预测度量，其中维修机器学习模型输出关于该部件在一段时间之后是否将变得超出公差的预测。该维修管理器被配置为使用该部件的传感器数据、根据由行为机器学习模型输出的目标参数的预测值和目标参数的实际值确定的预测度量以及维修机器学习模型来确定该部件是否需要维修。
[0008]在本公开的又一个实施例中，提供了一种交通工具管理系统，其包括计算机系统和在计算机系统中的维修管理器。该维修管理器被配置为接收用于交通工具的传感器数据。该维修管理器被配置为使用由利用第一训练数据训练的行为机器学习模型来预测目标参数，以预测在公差内操作的部件的正常行为的目标参数。这些目标参数表征部件的行为。该维修管理器被配置为根据由行为机器学习模型预测的目标参数的预测值和目标参数的实际值来确定预测度量。该维修管理器被配置为使用预测度量和利用第二训练数据训练的维修机器学习模型来预测部件在一段时间后是否将超出公差，从而预测该部件是否需要维修。第二训练数据包括为目标参数确定的历史预测度量和目标参数的实际值。
[0009]特征和功能可以在本公开的各种实施例中独立实现，或者可以在其他实施例中进行组合，在这些实施例中可以参考以下描述和附图看到进一步的细节。
附图说明
[0010]所附权利要求中提出了示例性实施例的被确信具有新颖性特性的特征。然而，当结合附图阅读时，通过参考本公开的说明性实施例的以下详细描述将最好地理解说明性实施例以及优选的使用模式、其进一步的目的和特征，其中：
[0011]图1是在其中可实施说明性实施例的数据处理系统的网络的图示；
[0012]图2是根据说明性实施例的维修环境的框图；
[0013]图3是根据说明性实施例的用于训练机器学习模型的框图的图示；
[0014]图4是根据说明性实施例的用于预测部件是否需要维修的框图的图示；
[0015]图5是根据说明性实施例的用于管理交通工具中的部件的维修的过程的流程图的图示；
[0016]图6是根据说明性实施例的用于确定部件是否需要维修的过程的流程图的图示；
[0017]图7是根据说明性实施例的用于管理交通工具中的部件的维修的过程的流程图的图示；
[0018]图8是根据说明性实施例的用于选择参数的过程的流程图的图示；
[0019]图9是根据说明性实施例的用于选择参数的过程的流程图的图示；
[0020]图10是根据说明性实施例的数据处理系统的框图的图示；
[0021]图11是根据说明性实施例的飞行器制造和维护方法的图示；
[0022]图12是在其中可实施说明性实施例的飞行器的框图的图示；以及
[0023]图13是根据说明性实施例描述的产品管理系统的框图的图示。
具体实施方式
[0024]说明性实施例认识并考虑到如下所述的一个或多个不同的考虑因素。例如，说明性实施例认识并考虑到，在知道会导致不期望的飞行器性能的部件性能即将发生的变化的情况下，飞行器或其他平台的维修可以更容易管理。例如，说明性实施例认识并考虑到不期望的飞行器性能可能是例如燃料效率、飞行包线、最大高度或飞行器速度的降低。
[0025]准确地知道部件的剩余使用寿命(RUL)可以提前采购部件，并可以分配维护和维修资源。说明性实施例认识并考虑到，当在世界的不同地区可能难以获得备用部件的可用性时，该知识可能特别有用。
[0026]说明性实施例认识并考虑到，为了计划部件的更换，需要知道部件何时将不再按期望操作。这些知识可以为分配资源(如人员、更换部件或人员和更换两者)提供更多的交付时间。因此，说明性实施例认识并考虑到，准确地知道部件何时将不再按期望操作可以导致减少维修飞行器的资源负担。此外，可以减少或避免航班的时间表中断，从而可以减少或避免乘客的延误以及机组人员和机场的运营本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于管理交通工具(206)中的部件(208)的维修(204)的方法，所述方法包括：使用第一训练数据(224)来训练(500)行为机器学习模型(138，220)，以输出在公差(232)内操作的所述部件(208)的正常行为(230)的目标参数(144，228)的预测值(226)，其中所述行为机器学习模型(138，220)中的每个行为机器学习模型预测所述部件(208)的所述目标参数(144，228)中的一个目标参数(306)；响应于接收到所述部件(208)的所述目标参数(144，228)的历史传感器数据(236)和实际值(238)，根据由所述行为机器学习模型(138，220)预测的所述目标参数(144，228)的所述预测值(226)来确定(502)历史预测度量(234)；使用第二训练数据(244)来训练(504)维修机器学习模型(140，222)，以预测所述部件(208)是否需要所述维修(204)，其中所述第二训练数据(244)包括针对所述目标参数(144，228)确定的所述历史预测度量(234)，其中所述维修机器学习模型(140，222)输出关于所述部件(208)在一段时间(248)之后是否将变得超出所述公差的预测；以及使用所述部件(208)的传感器数据(240)、根据由所述行为机器学习模型(138，220)输出的所述目标参数(144，228)的所述预测值(226)和所述目标参数(144，228)的所述实际值(238)确定的预测度量(250)以及所述维修机器学习模型(140，222)来确定(506)所述部件(208)是否需要所述维修(204)。2.根据权利要求1所述的方法，其中所述行为机器学习模型(138，220)中的一个行为机器学习模型的所述第一训练数据(224)包括所述历史传感器数据(236)，所述历史传感器数据已被标记有将由所述行为机器学习模型预测的所述目标参数(144，228)的所述实际值，其中每个行为机器学习模型被训练以预测与其他行为机器学习模型(138，220)不同的目标参数(306)。3.根据权利要求1
‑
2中任一项所述的方法，其中所述第一训练数据(224)基于参数(322)、所述目标参数(144，228)或从所述目标参数(144，228)的所述历史传感器数据(236)导出的特征(304)中的至少一个。4.根据权利要求1
‑
3中任一项所述的方法，其中所述第二训练数据(244)包括所述历史预测度量(234)和指示所述部件(208)是否超出所述容差(232)的标签(308)。5.根据权利要求1
‑
4中任一项所述的方法，其中确定(506)所述部件(208)是否需要所述维修(204)包括：将所述部件(208)的传感器数据(240)发送(600)到所述行为机器学习模型(138，220)中；从所述行为机器学习模型(138，220)接收(602)所述目标参数(144，228)的所述预测值(226)；根据从所述传感器数据(240)的所述行为机器学习模型输出的所述目标参数(144，228)的所述预测值(226)和所述传感器数据(240)中的所述目标参数(144，228)的所述实际值(238)来确定(604)所述预测度量(250)；将所述预测度量(250)发送(606)到所述维修机器学习模型(140，222)中；以及从所述维修机器学习模型(140，222)接收(608)关于所述部件(208)是否需要所述维修(204)的预测(246)。6.根据权利要求1
‑
5中任一项所述的方法，其中所述历史预测度量(234)选自所述目标
参数(144，228)中的每个目标参数(306)的预测误差、绝对预测误差、均方根误差、平均绝对误差或拟合优度中的至少一个。7.一种用于管理交通工具(206)中的部件(208)的维修(204)的方法，所述方法包括：接收(700)用于所述交通工具(206)的传感器数据(240)；使用利用第一训练数据(224)训练的行为机器学习模型(138，220)来预测(702)目标参数(144，228)，从而预测在公差(232)内操作的...

【专利技术属性】
技术研发人员：C，
申请(专利权)人：波音公司，
类型：发明
国别省市：