用于检测交通工具系统故障的系统和方法
【专利摘要】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。
【专利说明】
用于检测交通工具系统故障的系统和方法
技术领域
[0001]本发明涉及检测交通工具系统故障(vehiclesystem fault)的系统和方法。
【背景技术】
[0002]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(k η ο w I e d g edriven 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。
[0003]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。
【发明内容】
[0004]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。
[0005]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(operat1nal status)。
[0006]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 computat1n 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。
[0007]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
??τ O
【附图说明】
[0008]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:
[0009]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；
[0010]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(timeseries)的示意图；
[0011]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；
[0012]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；
[0013]图5A和图5B不出了根据本公开的一个方面的异常导数频率向量(abnormalderivative frequency vector)的时间序列的示图，其中图5B是图5A的放大部分；
[0014]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；
[0015]图7是飞机生产和服务方法学的流程图；以及
[0016]图8是包括分布式交通工具系统的飞机的示意图。
[0017]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，“親合”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。
[0018]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】
[0019]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。
[0020]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。
[0021]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。
[0022]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)例如是一维的或者标量值(scalar value))作为输入，并利用传感器信号的时间序列X(t)对传感器、线路或者处理器的健康状况生成预测或者诊断，这对测量、传输和记录关于交通工具102的环境和工作状况的数据是有作用的。
[0023]本公开的多个方面包括将物理约束(physical constraint)形式下的系统工程知识(systems engineering knowledge)(仅出于示范的目的，诸如在给定时间内正在被监测的交通工具内预定的部分中的流体的温度不能改变超过预定的数值的知识)与对传感器的测量结果或者信号的经验观测结果(empirical observat1n)相结合，以便为信号阈值化技术定义一系列的参数，将在下面进行更加详细的描述该信号阈值化技术。采用阈值化技术来消除噪音和减少传感器信号X(t)时间序列的复杂度(例如，使传感器信号更加容易被解释)。阈值化技术还减少了交通工具102上搭载的储存器(例如，存储器)的要求同时减少了随后对传感器信号进行分析的计算负担。
[0024]确定每个被阈值化的传感器信号X(t)时间序列的传感器信号/测量结果Xl(t)，X2(t)，…，Xn(t)的异常导数频率(ADF，将在下面进行更加详细的描述)，这里ADF能够捕捉所记录的传感器信号中的细微的(例如，基于空间并且对小差异敏感的)、间歇性的(例如，基于时间的/时间上的)不稳定性，这就是传感器(例如，测量结果)_通信(例如，线路或者通信电缆)_处理器(例如，数据记录)通道的问题的指标。这里用到的短语“细微的”属于没有离开正常范围的，但是反而在它们的动态特性中仅展现出瞬时的不稳定性(例如，诸如在传感器信号中的间歇性的尖峰或者噪音)的所记录的传感器信号/测量结果。通过传统的预测和健康管理方法通常不会检测到诸如在图2所示的传感器信号210的瞬时不稳定性220，221，222这样的瞬时不稳定性。本公开的多个方面利用对所记录的传感器信号或者测量结果210的动态特性中的瞬时不稳定220，221，222的检测来预测故障。
[0025]在本公开的多个方面中，通过跨时间序列“滑动(sliding)”固定长度的时间窗Tw来将ADF数值的时间序列划分成重叠的时间间隔，它们被称作做ADF向量ADFvI，ADFv2，…，ADFvm ^DF向量被分为表示传感器-通信-处理器的通道的正常或异常的运行，这里ADF向量被用于预测即将发生的故障并且识别出造成传感器、通信或者处理器问题的根本原因，所以ADF向量被列为传感器-通信-处理器通道正常或者异常的指标。如将在下面所描述的那样，ADF和ADF向量在一个方面中允许使用简单的分类法(例如，正常和异常的分类)，这里，采用ADF向量中的平均值以获得与预定阈值进行对比的标量值。
[0026]本公开的系统和方法的多个方面是知识驱动与基于机器学习的故障检测方法的混合体。通过用于设定阈值化参数(例如，诸如阈值大小和在给定时间段内最大可能的信号变化)的系统工程知识和经验观察纳入本公开的多个方面的知识驱动部分。本公开的多个方面利用机器学习来对由知识驱动部分提取出来的特性组成的时间序列(例如，诸如ADF向量)数据进行分类。通过结合这些来自所公开的实例的多个方面的方法能够在变化的操作模式和系统环境中，在保持稳定性的同时检测故障的微弱的、瞬时性的信号错误。本公开的多个方面不需要添加至交通工具102的任何额外的设备或者传感器以对已经在交通工具102中的传感器或者相关设施执行预测和诊断，本公开的多个方面也不需要传感器信号的时间序列上正常的和异常的动态特性的详细的统计模型。
[0027]再次参照图1，在交通工具102中采用本文中所描述的故障检测系统100和方法。该交通工具包括了一个或多个的交通工具系统110(例如，诸如液压系统、电气系统、环境系统等)，这里交通工具系统110中的每一个都包含一个或多个传感器112。该一个或多个传感器112可以以任何合适的方式(诸如通过数据线或者无线连接)连接至任何合适的数据记录仪120(例如，诸如交通工具102的日常维护数据记录仪)。例如，一个或多个传感器112通过可以是电线、光纤电缆或者任何其他“有线的”连接方式的一个或多个通信电缆115连接至数据记录仪120。数据记录仪120可以包括任何合适的存储设备125，该存储设备被配置为至少记录一个或多个传感器112的信号(包括传感器测量结果)。在一个方面中，数据记录仪120包括用于执行本文中所描述方法的一个或多个处理器140，然而在其它方面中，为了执行这里所描述的方法，处理器可以是用于执行本文中所描述的方法的以任何方式和/或者在适合合适的时间(例如，诸如在交通工具运行或者在交通工具保养期间)连接至数据记录仪的远程处理器。在一个方面中，一个或多个处理器140可以是交通工具系统110之一中的用于将任何确定的或者预见的故障信息传达给交通工具102的驾驶员或者全体人员的部件。
[0028]参照图1、图3A和图3B，如上所述，本文中所描述的系统和方法采用阈值化来简化原始传感器信号，诸如传感器信号X(t)的时间序列，然而，在其它方面中，诸如在能够提供充足的处理能力和存储器来执行对原始传感器信号X(t)的分析时，阈值化不是必须的。该阈值化包括确定用于简化(其在一个方面中包括信号的压缩)传感器信号x(t)的时间序列的阈值大小并且确定传感器信号x(t)时间序列可以在任何合适的预定的时间间隔内连续的样本(例如，采集/接收到的传感器信号/测量结果Xl(t)，X2(t)，-_，Xn(t))之间改变的最大量。例如，dA代表阈值大小并且dXmax代表在单个的时间步长(其在一个方面中以秒/样本或者任何其他合适的单位为单位)上在传感器信号X(t)时间序列中的最大可能变化。如在图3A和图3B中所看到的，传感器信号X(t)的时间序列代表原始的原始输入传感器信号，Y(七)代表传感器信号乂(0时间序列的被阈值化后的版本并且线30(^，3008，3014，3018，302A，302B是阈值限制的上限和下限，该上限和下限距离阈值化信号Y(t)的距离为dA。在连续传感器信号/测量结果Xl(t)，X2(t)，-_，Xn(t)(例如，样本)之间被阈值化的信号Y(t)的最大可能的变化可以被定义为
[0029]dYmax = dA+dXmax [ I ]
[0030]在连续传感器信号/测量结果乂1(042(丨)，‘"411(0之间被阈值化的信号的最大可能变化发生在输入原始传感器信号x(t)是阈值化的值中的一个并且在信号X(t)上随后的变化使得信号x(t)超过了阈值边界区域(如通过被阈值化的信号Y(t)的各个相应的部分的上限和下限300A，300B，301A，301B，302A，302B所定义的)并达到了幅度dXmax的情况中。如在图3A中的线390所示，例如，在时间步长上，在阈值化的信号上能够观测到的最大可能的(正)改变。
[0031]在一个方面中，阈值大小dA要大于dXmax使得获得传感器信号X(t)的输入时间序列的复杂度的充分降低和噪音的移除。然而需要注意的是，如果dA过大，输入信号中的显著的动态特性会消失，这样要根据个案(例如，阈值大小dA例如基于传感器规格和/或者交通工具系统的敏感性)实现信号复杂度的降低和信号的保真。传感器信号X(t)的时间序列上的最大可能变化幅度dXmax是通过将系统工程知识与经验性的传感器观测结果相结合而得到的。例如，采用关于正在观测(或者测量)的交通工具系统的物理约束并且针对其推导出的输入信号的知识来设定dXmax的上限和下限(例如，正在测量油温时，利用关于油温的变化范围不能超过5度的系统知识来设定dXmax的上限和下限为±5度)。然后，利用在交通工具102的实际运行条件下，交通工具系统110的运行期间的传感器信号/测量结果Xl(t)，X2(t)，…，Xn(t)来提炼dXmax的值。
[0032]在一个方面中，采用阈值化，传感器信号X(t)的时间序列经历诸如通过处理器140的阈值化模块150提供的阈值化功能(thresholding funct1n，阈值化函数)，以去除噪音并且生成需要更少存储空间和更容易解读的信号。在图3B中示出了该阈值化方案。在一个方面中，该阈值化方案是相对的阈值化方案，但是在其它方面中，可使用任何合适的阈值化方案。第一对阈值上限和下限300A、300B居中围绕着传感器信号X(t)时间序列的第一个测量点(其从时间单位O跨至大约1.0)，仅处于示范性的目的，这里被阈值化的信号Y(t)以约9.8的大小表示。只要传感器信号X⑴时间序列保持在上限和下限300A、300B的范围内(例如，其从时间单位O跨到1.0)，被阈值化的信号将保持在约9.8处。就在大约时间单位1.0之前，传感器信号X(t)时间序列穿过阈值边界而开始下一对阈值上限和下限301A、301B，同时引起被阈值化的信号值的移动。在传感器信号时间序列X (t)的下一个测量点(它从1.0时间单位跨到约时间单位1.7，或者刚过约时间单位1.5)处，将以约12的大小表示被阈值化的信号Y(t)。只要传感器信号X(t)时间序列保持在上限和下限300A、300B的范围内，被阈值化的信号将大约保持在12 ο阈值振幅的下一次转变发生在大约时间单位1.7处或者刚过时间单位1.5处，这里被阈值化的信号Y(t)的振幅大约变为13并且阈值上限302A和阈值下限302B也相对于变化后的被阈值化的信号Y(t)移动。只要传感器信号X(t)的时间序列保持在上限和下限300A、300B的范围内，则被阈值化的信号将保持在约13处。这个过程会以类似的方式持续直到交通工具102被关闭或者直到作为监视器的交通工具系统110的测量被中止时。
[0033]从被阈值化的传感器信号Y(t)提取出来的特征是幅度过大(例如，超过了阈值上限和下限的约束)的一个步长的时间导数频率。例如，如上所述，根据系统工程知识和经验性的传感器观测结果，Y(t)的任何一个步长的时间导数的幅度都不应超过dYmax(参见上述等式[I])。在Y(t)上异常巨大变化表示在传感器信号/测量结果上的错误(例如，传感器故障)，或者是传感器信号/测量结果的下游记录上的错误(例如，通信或者处理器故障)。执行通过例如处理器140的异常导数计算模块151进行的ADF计算来识别Y(t)的变化。例如，为了计算40?，要记录每一对连续的被阈值化后的传感器信号￥1(0，￥2(丨)，‘"，￥11(丨)(它们相当于原始传感器信号的点Xl(t)，X2(t)，H^XnU))的变化幅度的值。由于被阈值化的信号Y(t)的时间序列的离散性，可能有许多零值导数，这样，只计算非零导数。非零导数的个数用Ntotal来表示，幅度超过dYmax的导数的个数用Nabnormal表示。则在一个方面总，可以ADF为在O到I之间的规范化的数值，其中
[0034]ADF = Nabnormal/Ntotal [2]
[0035]在其他方面中，ADF被定义为:
[0036]ADF = Nabnorma1/Ttotal [3]
[0037]其中，Ttotal是总的持续时间，例如，诸如单次飞行、预定次数飞行或者任何其他的预定的时间周期。
[0038]这样，针对预定的时间量计算ADF，例如，基于预定的采样方案，诸如例如飞行器预定的飞行次数(或者当交通工具是海洋船舶或者陆地车辆时的预定的航行或者旅行次数)或者任何其他的合适的采样方案，诸如交通工具运行的小时数、天数、或者周数等。因此，以每个预定的时间量的由如图4所示的那样生成通过ADF(t)标注的多个ADF的时间序列。这里所提供的实例是交通工具102，它是一个航空航天飞机，所以通过交通工具102的每一次飞行来计算ADF，以形成时间序列ADF (t )，这里ADF (t)是ADF数值的一维时间序列值(例如ADFl，ADF2，...ADFn)。
[0039]参照图1、图4、图5A和图5B，在一个方面中，通过例如处理器140的异常导数向量化模块152将ADF的数值转换为向量值。这里提供了一种时间窗Tw (例如，具有任何合适持续时间间隔的时间序列的特征的时间窗)，这里时间窗的大小包括了预定的飞行次数。出于示例性的目的，在两个部分Twl、Tw2中示出了图4中所示的时间窗Tw，这里仅为了实例说明时间窗具有交通工具102的3次飞行数目的大小。在其他方面，时间窗Tw可能具有大于或者小于交通工具102的3次飞行数目的大小。如上所述，针对每次飞行计算出ADF，使得针对各时间窗位置Tw 1、Tw2，存在包括时间有序ADF值的时间窗维度向量(例如，ADF向量)ADF VI，ADFv2，…，ADFvm(其中m〈 = n)，这里各ADF的值都如上所述的那样处于O与I之间。这里以任何合适的方式将ADF值的整个时间序列ADF( t)或者在其他方面中时间序列ADF( t)的一部分转变成时间窗维度向量的时间序列ADFv(t)，例如，以将包含每一个动作或者时间窗Tw的多个ADF的数值进行平均，这里ADFv(t)是时间窗维度(TW维度)的异常导数频率向量时间序列。为了达到实例性的目的，位于第一个窗口位置的时间窗Tw包含了三个ADF数值(例如对应各自的飞行I，2，3的ADFI，ADF2，ADF3)，这些ADF数值被平均来得到时间窗TwI的时间窗维度向量ADFvl。通过任何合适的时间步长大小△ T(它在该实例中是一次飞行)，移动时间窗Tw到第二个时间窗位置Tw2以包括三个ADF数值(例如对应各自飞行2，3，4的ADF2，ADF3，ADF4)等等，所以计算了时间窗维度向量ADFv(t)的时间序列。在一个方面。本例中的步长大小AT，小于时间窗Tw的大小，但是在其他方面，步长大小可能与时间窗相同，或者大于时间窗。就像将要在下面所述的那样，可以用ADFm(t)来计算和表示时间窗维度向量ADFv(t)平均值的时间序列，这里，ADFm(t)为通过平均值(ADFv(I))，平均值(ADFv(2))，…，平均值(ADFv(n))定义的一维时间序列。
[0040]需要注意的是，在经过例如交通工具102的飞行过程时，ADF的非零值的出现并不一定意味着传感器、通信或者处理器的问题/故障。例如，在一些系统中，当系统断电或者供电时，有一个或多个的异常导数值出现是正常的。此外，在一些方面中，ADF的小的值是可以接受的并且不需要维护措施(例如，诸如ADF数值是在阈值限制的上限和下限300A，300B，301A，30IB，302A，302B之间时)。同样地，考虑到一些异常ADF数值的可接受性，将窗口化的ADF的样本(例如，时间序列ADFv (t)的时间窗维度向量ADFv)进行分类，其中时间窗维度向量ADFv是可能需要维护行为(例如，异常的分类)和那些不需要维护行为(例如，正常的分类)的指示符。
[0041 ]时间窗维度向量的时间序列ADFv (t)或者平均值的时间序列ADFm( t)可以通过例如处理器140上的分类模块153以任何合适的方式来进行分类，例如通过支持向量机、神经网络、随机决策树或者逻辑回归等。这里，分类模块153包含经过训练的分类器，它可以根据例如对时间窗维度向量的时间序列ADFv(t)或者平均值时间序列ADFm(t)的阈值化来区分正常或者异常的传感器、通信、或者处理器运行状态。在一个方面中，使用从交通工具102的正常或者异常的运行状态下产生的已知的(时间序列ADFv(t)的)时间窗维度向量ADFv或者(时间序列ADFm(t)的)平均值ADFm提前训练分类器。在一个方面中，存在涉及线路故障、传感器故障、处理器故障和无故障的训练数据，使得传感器将故障被分类为正常的或者异常的，然后还确定故障是否涉及线路、传感器或者处理器。例如，通过处理器从ADF数值(向量数值版本或者是标量数值版本)的时间序列识别出线路故障，这里线路故障通常表现为异常大的时间导数的激增，而传感器或者处理器故障则表现出间歇性的异常导数。在一个方面中，调整时间窗Tw的大小以允许检测线路、传感器或者处理器故障的大小(例如，可减小时间窗Tw的大小从几个飞行次数到几秒、几分钟、或者几小时等)。在一个方面中，异常导数频率ADF允许通过取得各时间窗维度向量ADFv内的要素的平均值ADFm来获得ADFm (t)而对在时间序列ADFv(t)中的时间窗维度向量ADFv进行分类，并且例如基于数据驱动因素(诸如使用已知的在交通工具102正常或者异常的运行情况下生成的时间窗维度向量ADFv(t))对平均值ADFm(t)使用阈值化方案(例如，上文参照图3A和图3B所描述那些相类似的上限和下限)，以确定时间窗向量ADFv(t)的正常的或者异常的分类。如本文中所描述，ADF向量允许简单的分类方案，诸如例如取得时间窗维度向量ADFV (t)的平均值ADFm (t)，这将会导致标量值的时间序列而不是向量值的时间序列(例如，多维的分析减少为一维分析)。下面提供了实例。如本文中所描述的，基于已知的训练数据确定最大化诸如故障分类的准确性的目标功能的(通过标量数值时间序列确定的)阈值。
[0042]在运行时，用于检测交通工具系统故障的方法包括(参照图6)获得所测量出的输入传感器信号Xl(t)，X2(t)，‘"，Xn(t)的时间有续集X(t)，其中，在Xj(t)之前记录Xi(t)，其中i〈 j (图6，框600)。在本文中所描述的方法中，各信号实时地(例如，以毫秒或者微秒量级的时间框架中获得并分析的而不是存储在存储器上或者从存储器重新播放来进行分析的，这里实时意味着从事件到系统响应的运行最终期限)从同一个传感器以同样固定的采样频率(例如，针对各传感器/传感器信号执行该方法)采样得到的。需要注意的是，在一个方面中，本文中所描述的过程以及本文中所描述的任何数据获取和处理的混合过程都是实时进行的。如本文中所描述的，在任何合适的时间周期内测量来自单独传感器112的信号Xl(t)，X2(t)，-_，Xn(t)，诸如在单次飞行或者一次飞行的部分或者多余一次飞行的期间等。从通过本文中所描述的方法，利用来自系统工程知识的物理约束和对先前获得的传感器信号的经验观测推导出多个阈值化参数(图6，框610)。通过如上所述的阈值化(图6，框620)利用一个或多个的阈值化参数对各输入传感器信号Xl(t)，X2(t)，-_，Xn(t)实时地转换，以生成被阈值化的信号Y(t)的时间序列，其包括被阈值化的信号Yl (t)，Y2 (t)，…，Yn(t)。如上面所描述的，阈值化降低了存储要求使信号不那么复杂同时消除了噪音，使得信号的时间序列Y(t)比信号时间序列X(t)更容易理解。正如本文中所描述的，实时地计算信号时间序列Y(t)的ADF，以确定时间序列ADF( t)(图6，框630)。如本文中所描述的，以阶梯化的△ T方式利用时间窗Tw来窗口化ADF值的时间序列ADF (t)，以提取ADF向量ADFv的时间序列ADFv (t)(图6，框640)。如本文中所描述的，实时地将ADF向量进行分类(图6，框650)，基于分类后的ADF向量ADFv中的多个ADF实时地确定传感器112系统或者通道(例如传感器、通信、处理器)的健康状况测量或和/或传感器系统的剩余使用寿命的预测(图6，框660)。尽管这里将基于ADF值的故障分类描述为实时进行的，然而在其他方面中，可以在接收到传感器信号之后的任何合适的时间对所存储的数据执行基于ADF数值的故障分类。
[0043]作为运行实例，参照图5A和图5B(其是图5A所强调区域500部分的放大图)，本文中所描述的系统和方法已经被用于交通工具102的传动系统的油温上。运行的实例集中在表现为间歇性的异常变化但又没有引起传感器测量结果或者所记录的数值超过正常范围(故障信息没有被激活)的一类故障上。要注意的是，就这类故障而言，系统生成信息的缺乏对于交通工具的驾驶员或者维护人员来说，很难意识到传感器、线路或者处理器发生问题。在运行的实例中，确定了阈值大小dA以及在两个连续样本中传感器信号的最大的变化幅度dXmax，利用本文中所描述的方法。结合来自于交通工具102的维护支持文件的系统工程知识和在实际工具运行过程中的油温的经验观察来确定阈值大小和最大信号变化。在该特定运行实例中，阈值大小dA被设定为约16度，在两个连续样本中传感器信号的最大的变化幅度dXmax被设定为约18度。根据这里所描述的方法阈值化原始传感器信号。需要注意的是对于这类故障，传感器信号的大小是不报告的，所以计算交通工具102的每次飞行的ADF数值，这里ADF允许对传感器信号的显著特征进行分析。对于观测DF数值的变化来讲，三个连续飞行的时间窗Tw足够长。此外，由于ADF特征的有效性，将每个时间窗的平均ADFv数值用作对ADF向量ADFv分类的阈值。在该运行实例中，基于每一个时间窗的ADFv平均值，温度阈值被设为约0.2。在需要更换传感器的时间点的两周前发出关于油温故障的预测。该预测是根据观测到的传感器ADF数值的增加而发出的，该预测以致传感器的更换。图5A和图5B通过示出相对时间的ADF数值分子(ADF数值分子，像上面所描述的那样，是所观测到的异常导数的总数)的示图而示出了传感器预测，这还可以作为一个实例说明在交通工具102没有发出任何相关故障信息时可观测到多大数量的异常导数。在图5A和图5B曲线图上的每一个点代表单次的交通工具飞行启动。如在图5B中所看到的那样，传感器故障开始于九月下旬。在十月上旬，为了修正该问题而对传感器线路进行了调整，然而，从ADF数值的分析来看，很显然传感器的问题在继续，这意味着是传感器的问题而不是线路的问题。随后，替换传感器，问题随之消失。
[0044]本公开和描述本文中所阐述的方法的操作的附图不应理解为必须确定操作将被执行的顺序。相反，虽然已经表明了一个说明性的顺序，但是应理解的是可在适当的时候修改操作顺序。因此，某些操作可以按照不同的顺序执行或者同时执行。此外，在本公开的一些方面中，并不是所有本文中所描述的操作都需要执行。
[0045]本公开的实例是在如图7中所示的飞机制造和服务方法700以及图8中所示的飞机802的背景下描述的。在预生产过程中，说明性方法700可包括飞机802的规格与设计704和材料采购706。在生产过程中，实现飞机802的部件和组件制造708以及系统集成710。此后，飞机802便可通过认证和交付712以被投入使用714。当由客户使用时，飞机802定期进行维护和保养716(这也可能包括改装、再造、翻新等等)。
[0046]每个说明性的方法700的过程都可以由系统集成者、第三方和/或运营上(诸如，客户)来执行或实现。出于说明的目的，系统集成者可包括但不限于任何数量的飞机制造商和主系统分包商；第三方可以包括但不限于任何数量的卖家、分包商和供应商;并且运营者可以是一个航空公司、租赁公司、军事部门、服务组织等等。
[0047]如图8中所示，通过说明性方法100生产的飞机802可包括具有多个高级系统的机身818和机舱822。高级系统的实例分布于整个飞机，其包括推进系统824、电力系统826，液压系统828和环境系统830中的一个或多个。任何数量的其他系统可以包含在内。尽管不出的是航空航天的实例，本发明的原理可以被用到诸如汽车业和航海业的其他行业。
[0048]本文中所示出或所描述的系统和方法可在制造和服务方法700的任何一个或多个阶段中使用。例如，对应于部件和组件制造708的部件和组件可以以与飞机802在使用时的部件或组件生产相类似的方式进行装配或者制造。并且可以在生产状态708或者710中使用该系统、方法的一个或多个方面或者它们的组合，例如，通过大大加快装配飞机802的装配速度或者降低飞机802的成本的办法。类似地，该系统、方法、或其组合的一个或多个方面是可以被利用的，例如并不限于，当飞机802在使用中时，例如，运行、维护和服务716。
[0049]本文中公开了系统和方法的不同实例和方面，包括各种组件、特征和功能。应该了解的是本文中所公开的系统和方法的各种实例和方面可包括本文中所公开的系统和方法的任意组合下的任何其他实例和方面的任何组件、特征和功能，并且旨在将所有的这些可能包含在本公开的精神和范围之内。
[0050]得益于上述说明和相关附图的指导的本公开所属领域的技术人员，将会想起本文中所阐述的本公开的许多变形例和其他实例。
[0051]根据本公开的一个或多个方面，提出了一种用于检测交通工具系统故障的方法，所述方法包括: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;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中的每一个的异常导数频率值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。
[0052]根据本公开的一个或多个方面，至少一个或多个传感器中的每一个的运行状态包括对该传感器所位于的系统的健康的测量。
[0053]根据本公开的一个或多个方面，至少一个或多个传感器中的每一个的所述运行状态包含对该传感器所位于的系统的剩余使用寿命的预测。
[0054]根据本公开的一个或多个方面，该方法进一步包括确定将一个或多个传感器连接至交通工具数据记录仪的线路的运行状态。
[0055]根据本公开的一个或多个方面，该方法进一步包括确定连接到一个或多个传感器的交通工具数据记录仪的运行状态。
[0056]根据本公开的一个或多个方面，该方法进一步包括确定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。
[0057]根据本公开的一个或多个方面，阈值化消除了噪声并降低了多个传感器信号的复杂度。
[0058]根据本公开的一个或多个方面，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传感器的所述运行状态。
[0059]根据本公开的一个或多个方面，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。
[0060]根据本公开的一个或多个方面，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:生成所述异常导数频率值的时间序列；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的时间序列转换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。
[0061]根据本公开的一个或多个方面，生成一个异常导数频率值的时间序列包括捕捉一个或多个在该多个传感器信号中的细微的并且间歇的不稳定性。
[0062]根据本公开的一个或多个方面，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。
[0063]根据本公开的一个或多个方面，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。
[0064]根据本公开的一个或多个方面，提出了一种故障检测系统，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，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，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。
[0065]根据本公开的一个或多个方面，至少一个或多个传感器中的每一个传感器的运行状态包含对传感器所位于的系统的健康的测量。
[0066]根据本公开的一个或多个方面，至少一个或多个传感器中的每一个传感器的运行状态包含对传感器所位于的系统的剩余使用寿命的预测。
[0067]根据本公开的一个或多个方面，处理器还被配置为确定将一个或多个传感器连接至交通工具数据记录仪的线路的运行状态。
[0068]根据本公开的一个或多个方面，处理器还被配置为确定连接到一个或多个传感器上的交通工具数据记录仪的运行状态。
[0069]根据本公开的一个或多个方面，故障检测系统进一步所述阈值化模块，所述阈值化模块连接至所述处理器并且被配置为确定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。
[0070]根据本公开的一个或多个方面，阈值化消除了噪声并且降低了多个传感器信号的复杂度。
[0071]根据本公开的一个或多个方面，处理器被配置为实时地确定至少一个或多个传感器中的每一个传感器的运行状态。
[0072]根据本公开的一个或多个方面，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。
[0073]根据本公开的一个或多个方面，故障检测系统进一步包括异常导数向量化模块，所述异常导数向量化模块被配置为: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的时间序列转换为异常导数频率向量，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。
[0074]根据本公开的一个或多个方面，故障检测系统进一步包括分类模块，所述分类模块连接至所述处理器并且被配置为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为正常的或者异常的；并且其中，所述处理器被配置基于分类后的异常导数频率值预测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。
[0075]根据本公开的一个或多个方面，处理器被配置为对该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进行阈值化，以影响对相应的异常导数频率值的分类。
[0076]根据本公开的一个或多个方面，故障检测系统包括: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
??τ O
[0077]根据本公开的一个或多个方面，至少一个或多个传感器中的每一个传感器的运行状态包含对多个传感器位于其中的一个或多个交通工具系统的健康的测量。
[0078]根据本公开的一个或多个方面，至少一个或多个传感器中的每一个的运行状态包括对多个传感器位于其中的一个或多个交通工具系统的剩余有效寿命的预测。
[0079]根据本公开的一个或多个方面，处理器还被配置为确定将一个或多个传感器连接至交通工具数据记录仪的线路的运行状态。
[0080]根据本公开的一个或多个方面，处理器还被配置为确定连接至一个或多个传感器的交通工具记录仪的运行状态。
[0081]根据本公开的一个或多个方面，处理器还被配置为确定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
[0082]根据本公开的一个或多个方面，阈值化消除了噪声并且降低了多个传感器信号的复杂度。
[0083]根据本公开的一个或多个方面，处理器被配置用来实时地确定至少一个或多个传感器中的每一个传感器的运行状态。
[0084]根据本公开的一个或多个方面，多个信号与在基于航空航天、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。
[0085]根据本公开的一个或多个方面，处理器还被配置为生成一个异常导数频率值得时间序列;并且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的时间序列转换为异常导数频率向量，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。
[0086]根据本公开的一个或多个方面，处理器还被配置为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为正常的或者异常的；其中所述处理器被配置基于分类后的异常导数频率值预测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。
[0087]根据本公开的一个或多个方面，所述处理器被配置为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。
[0088]因此，应该了解的是，本公开并不限于所公开的特定实例，且旨在将变型和其他实例包含在所附的权利要求的范围内。此外，尽管上述说明和相关附图是在某些元素和/或功能的说明组合环境下描述实例，应该认识到的是，在不背离所附权利要求范畴的情况下，可由可替代的实施方式提供部件和/或功能的组合。
【主权项】
1.一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(Xl(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(Yl(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(100)，包括: 处理器(140)，被配置接收来自一个或多个传感器的多个传感器信号(Xl(t)，X2(tl...Xn(t))； 阈值化模块(150)，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所述多个传感器信号进行阈值化;以及 异常导数计算模块(151)，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(ADF); 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。9.根据权利要求8所述的故障检测系统，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的健康的测量； 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所述系统的剩余使用寿命的预测； 所述处理器被配置为实时地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。10.根据权利要求8所述的故障检测系统，进一步包括所述阈值化模块(150)，所述阈值化模块连接至所述处理器并且被配置为确定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。11.根据权利要求8所述的故障检测系统，进一步包括异常导数向量化模块(152)，所述异常导数向量化模块被配置为: 生成(630)所述异常导数频率值的时间序列(ADF(t));并且 通过利用重叠的时间步长时移一时间窗(Tw)来将所述异常导数频率值的时间序列转换(640)为异常导数频率向量(ADFvl，ADFv2."ADFvn)，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。12.根据权利要求8所述的故障检测系统，进一步包括分类模块(153)，所述分类模块连接至所述处理器并且被配置为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为正常的或者异常的， 其中，所述处理器被配置基于分类后的异常导数频率值预测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。13.根据权利要求12所述的故障检测系统，其中，所述处理器被配置为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。
【文档编号】G01D21/02GK106066184SQ201610258689
【公开日】2016年11月2日
【申请日】2016年4月22日 公开号201610258689.7, CN 106066184 A, CN 106066184A, CN 201610258689, CN-A-106066184, CN106066184 A, CN106066184A, CN201610258689, CN201610258689.7
【发明人】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
【申请人】波音公司