专利名称：用于集成交通工具健康管理系统的模型的方法
用于集成交通工具健康管理系统的模型的方法
背景技术：
包括飞行器的现代交通工具可包括机载维护系统(OMS)或健康监测或集成的交通工具管理系统(IVHM)，以协助诊断或预测(预报(prognose))交通工具中的故障。这些当前健康管理系统可收集多种交通工具数据并使用健康功能分析数据，健康功能是已作为可执行软件实现的健康算法。功能可用于识别任何不规则性或关于交通工具的故障和问题的其他标志。这样的系统是结构化的以致他们自然地来自层，这是因为一些健康功能的输入取决于其他健康功能的输出。所有当前的系统普遍失去了对更低层中的、供更高层使用的完整数据的访问，因为更低层中的很多功能仅传递结果，而不是结果基于其的数据。没有来自更低层的数据丢失，将会有益于实现健康功能。
发明内容
在一个实施例中，一种用于集成交通工具的健康管理系统的功能模型的方法，所述交通工具具有连接到通信网络的多个系统，以及多个系统发送关于系统的至少一些操作数据的原始数据和状态消息的至少其中之一，该方法包括提供多个健康模型，其中每个健康模型代表交通工具的健康功能，健康模型的至少一些具有对应于操作数据的至少一些的参数；执行健康模型来生成与对应的健康功能相关联的健康数据；从健康模型的执行形成生成的健康数据的数据库；对健康功能的至少一些，从数据库形成混合模型；对健康功能的至少一些，从混合模型生成概率图模型(PGM)，以及基于所生成的PGM确定健康功能。
在附图中:
图1是具有多个飞行器系统的飞行器的示意图。图2是在诊断系统中分层的示意图。图3是根据本发明第一实施例的PGM的示意图。图4是根据本发明第二实施例的PGM的示意图。图5是根据本发明第三实施例的PGM的示意图。图6是根据本发明第四实施例的PGM的示意图。图7是根据本发明第五实施例的PGM的示意图。图8是根据本发明第六实施例的PGM的示意图。图9是根据本发明第七实施例的PGM的示意图。图10是根据本发明第八实施例的PGM的示意图。图11是根据本发明第九实施例的PGM的示意图。
具体实施例方式图1示意性地图示了飞行器2形式的交通工具的一部分，飞行器2具有多个使飞行器2能够适当操作的飞行器构件系统4和通信系统6，在通信系统6上，多个飞行器构件系统4可彼此通信以及与飞行器健康管理(AHM)计算机8通信。将理解发明的概念可应用于具有连接到通信网络的多个系统的任何交通工具，以及多个系统发送关于系统的至少一些操作数据的原始数据和状态消息。AHM计算机8可包括任何适合数量的独立微处理器、电源、存储设备、接口卡和其他标准组件，或者与它们相关联。AHM计算机8可从负责管理数据采集和存储的、任何数量的构件系统或软件程序接收输入。AHM计算机8阐述为与多个飞行器系统4通信和预期AHM计算机8可执行一个或多个健康监测功能或者作为集成的交通工具健康管理系统(IVHM)的一部分以协助诊断或预测或预测飞行器2中的故障。在操作期间，多个飞行器系统4可发送关于多个飞行器系统4的操作数据的至少一些的状态消息，并且AHM计算机8可基于这样的数据确定飞行器2的健康功能。在操作期间，多个飞行器系统4的模拟输入和模拟输出可由AHM计算机8监测以及AHM计算机8可基于这样的数据确定飞行器2的健康功能。诊断和预报分析应用知识到这样的数据以便提取信息和值。对于IVHM应用，从数据操纵、状态检测(例如异常检测)、健康论证(reason)、预报和决策中需要一定范围的健康功能或仅仅是功能。每个功能需要编码怎样解决任务的知识的模型。推理引擎或算法之后应用这个模型到新数据来做预测。因而，IVHM系统将包含与不同功能相关联的模型的许多不同类型。本文所使用的术语“IVHM”指的是要求来管理交通工具的健康的机载的和非机载的功能的收集。对于IVHM系统的主要挑战是应该怎样集成模型输出以及应该怎样融合来自不同监测系统的输出。如果这没有以健壮的方式完成，来自更低层功能的有价值的信息(例如数据操纵和状态检测)将在论证时丢失。同样，依靠宽范围的模型类型和功能的方法同时复杂化了非机载和机载的集成架构。可减少复杂性的方法具有价值。当任何诊断或预报系统具有在不同层内驻留的功能时，它们可被概念化。分层意味着功能执行的隐式排序，以致更高水平的功能导出更高水平的信息。一种示例是用于基于情况的维护的开放系统架构(OSA-CBM) 10，其在图2中示意性地示出。在图2中每个盒(box)是包含有一个或多个功能的层。由左到右的顺序示出更高层具有对更低层的从属性，以及信息等级随顺序增加而增加(随着层向右移动得更远)。让j表示某层以及j+Ι表示j右边的层。对于j+Ι具有消息的更高水平(对比于j)意味着来自j+Ι的输出对比来自j的输出有更大的效用(或价值)。例如，如果j是检测到异常的状态检测功能以及j+Ι是在找到根本原因的健康评估功能，则大部分人将接受j+Ι具有更高价值。尽管功能层有其顺序，但没有理由为什么功能不可以要求来自更低层功能的输出和通信可在两个方向都流动。数据操纵层12执行任务，例如数据收集和特征提取。状态检测层14监测与期望状态相关联的当前状态或行为。像阈值监测和异常检测的功能落于状态检测层14中。健康评估层16执行诊断和检修。预报评估层18预测未来健康和行为将怎样恶化。咨询生成层20协助决策支持以及可包含什么可能要发生的模拟或可包含基于由成本和效益加权的可能结果的、推荐动作的选择。关于OSA-CBM功能架构10的具体示例可证明有用以及将关于涡轮引擎的性能分析进行描述。数据操纵层12执行关于标准日条件的数据校正以及状态检测层14通过使用回归模型导出残差测量来计算监测参数的实际测量和预测值间的差异，然后用多变量状态模型来评估针对预期健康行为的性能。健康评估层16论证在异常行为上的警报和使用关于残差中的模式如何响应故障的诊断知识。预报评估层18预测任何恶化将在未来的飞行上怎样发展以及咨询生成层20使用检验/测试/维护动作的模型来优化推荐的动作。在飞行器上的任何系统可具有其结构化到这些层内的健康管理功能。现有健康管理系统的根本弱点在于来自不同功能层的信息的集成以及由不同监测系统(例如振动、润滑监测，性能监测等等)导出的信息的融合。例如，基于是否超出一些阈值，来自连续分布的输出可转换为二进制值。勉强在行为上有所不同的两个独立监测的资产可以非常不同的方式进行管理，因为当把这些输出通信到健康评估时，来自状态检测的输出已经以不恰当的方式离散化。进一步的示例是两个子系统输出可作为是完全地独立的而不恰当地处理。例如，外物对引擎的损伤可导致振动的提高和性能的恶化，以及关于来自一个子系统的响应的信息应该激活(inform)对来自另一个子系统的响应的预期。弱点的两个类型都可以看成是关于模型集成的问题。本发明的实施例用概率图模型(PGMs)作为对于IVHM模型集成的框架以及提供了对于从历史数据学习一定范围的PGM模型的方法。一般地，PGM使用基于图表的表示作为用于在多维空间编码复杂分布的基础。图表是联合分布的紧凑或分解表示。模型类型的示例可由PGM表示为包括:贝叶斯网络、马尔可夫模型、卡尔曼滤波器、主成分分析的概率处理、高斯和离散混合模型。简言之，混合模型学习模块实现成视为输入历史数据、配置参数和条件离散变量的集合，该集合本质上描述了模型结构。模型之后学习混合模型的集合。一旦被学习，这些混合模型集成到PGM架构里。PGM结构上的变动取决于将应用PGM的推理任务的性质。 PGM框架可提供适当的方法，其用于在不丢失来自更低层的数据的情况下，对交通工具健康管理数据和信息的集成。PGM表示在随机变量集合上的联合分布。在交通工具健康管理变量的上下文中可以是测量的参数、故障模型/故障、诊断测试、观察或检测、导出的参数等等。PGM包含由节点表示的随机变量的集合。节点可以是由多项式分布描述的离散变量或可有高斯密度描述的连续变量。图表的边界描述在变量之间的条件性关系。如果变量vl具有从vl到变量v2的链接，vl可以说是v2的母体(parent)且v2是vl的子体(child)。连续变量可具有离散母体和连续母体两者，但离散变量仅可具有离散母体。变量分布以其母体为条件。PGM的架构指的是变量的定义和变量之间的关联。PGM的参数指的是指配给变量的概率分布，如果变量有一个或多个母体变量，其该概率分布将会是条件分布。参数可基于主观的专家意见或从历史数据导出(学习)。证据输入后进行PGM上的推理，以及结果是对独立变量的边缘分布或在两个或更多变量上的联合分布或全模型导出的输出(例如证据的可能性)。证据指的是指配值到变量。如果变量是离散变量，证据设置变量到它离散值中的其中之一，或如果使用软证据，在其离散值上指配分布。对于连续变量，证据指配值到那个变量。在PGM上的询问(query)典型地指的是设置证据和要求一个或多个变量的后面边缘还未有证据设置。询问也可要求联合分布或要求全测量(例如证据的可能性)。询问也可包含选择变量作为假设变量和测试其他模型变量在那个变量上的影响。在机器健康管理应用中，状态检测通常指的是检测什么时候行为脱离预期行为。PGM为在IVHM中的状态检测提供有力的框架。检测到异常事件之后，推理PGM能使用PGM异常检测器的输出来隔离原因。进一步的PGM可提供预报评估和决策支持。典型的决策支持情景是基于涉嫌的故障或条件而确定执行检测或测试。另外一种情景是决定恰当的维护动作，给予机器状态以健康和可操作的角色。另外一种使用类型是用于交互式的检修，其中通过提建议模型以及提供反馈的人类操作员迭代过程。对于决策建模，PGM可使用两个额外的节点类型:表示可采取的动作的决策节点和表示那些动作的成本和效益的效用节点。关于PGM的IVHM功能的一些具体示例可证明是有用的。计算残差值是协助根本原因分析广泛采取的方法。计算包含使用来自其他测量的值预测用于测量的预期值。之后从测量值减掉预期值以得到残差。残差提供了相对预期的偏差的测量以及因此协助识别哪个测量并没有如期望执行。虚拟感测与计算的残差是密切相关联的。想法是通过使用其他传感器测量推理其响应，去除或替代故障的物理传感器。上述任务都依赖于到模型的能力:一种变量怎样关于其他变量改变其行为。所有这些建模方法可一般地分类为回归模型。这样的回归模型可带有足够近似(导出所需精确度)地映射到PGM中。用于建立PGM模型或执行模块推理的途径可取决于模型的功能。对于回归，在有监督的途经下，模型变量可分为输入变量和输出变量或预测器变量和预测的变量。具有证据设置的仅有变量或节点是输入变量。以及输出变量是那些将预测的变量。在没有监督的途经下，输入变量和输出变量之间并没有区别。一种无人监督的模型的示例是无条件高斯混合模型，其具有自然映射到PGM里。线性回归模型具有以下形式的方程:
权利要求
1.一种用于集成交通工具的健康管理系统的功能模型的方法，所述交通工具具有连接到通信网络的多个系统，以及所述多个系统发送关于系统的至少一些操作数据的原始数据和状态消息的至少其中之一，所述方法包含: 提供多个健康模型，其中每个健康模型代表所述交通工具的健康功能，其中所述健康模型中的至少一些具有对应于所述操作数据中的至少一些的参数； 执行所述健康模型，以生成与所对应的健康功能相关联的健康数据； 由所述健康模型的所述执行形成所生成的健康数据的数据库； 对所述健康功能中的至少一些、从所述数据库形成混合模型； 对所述健康功能中的所述至少一些、从所述混合模型生成概率图模型(PGM);以及 基于所生成的PGM确定健康功能。
2.按权利要求1所述的方法，其中所述形成所述混合模型包含从数据库学习所述混合模型。
3.按权利要求2所述的方法，其中学习所述混合模型包含从所述数据库选择与要学习的所述健康功能有关的数据的子集。
4.按权利要求3所述的方法，其中学习所述混合模型包含在数据的所述子集中指配每个离散变量的值。
5.按权利要求4所述的方法，其中学习所述混合模型进一步地包含根据对于所述离散变量的、所指配的值，分区数据的所述子集。
6.按权利要求4所述的方法，其中学习所述混合模型包含学习每个分区的混合模型。
7.按权利要求4所述的方法，其中学习所述混合模型进一步地包含从数据的所述子集选择所述连续的变量。
8.按权利要求7所述的方法，其中学习所述混合模型进一步地包含在所述连续变量之间设置约束。
9.按权利要求8所述的方法，其中学习所述混合模型进一步地包含为数据的所述子集训练所述混合模型。
10.按权利要求9所述的方法，其中生成所述PGM包含将所述混合模型从数据的所述子集映射到所述PGM。
11.按权利要求1所述的方法，其中在来自与所述对应健康功能相关联的、来自所述数据库的离散参数和连续参数上形成所述混合模型。
12.按权利要求11所述的方法，其中从所述对应的健康模块的结构中至少部分地解耦所述PGM。
13.按权利要求12所述的方法，其中所述健康功能的所述确定包含诊断确定和预报确定的至少其中之一。
14.一种本文描述的方法，其参考了附图。
全文摘要
本发明名称为“用于集成交通工具健康管理系统的模型的方法”。一种用于集成交通工具(2)的健康管理系统的功能模型的方法，其中该交通工具具有连接到通信网络(6)的多个系统(4)，以及该多个系统(4)发送关于多个系统(4)的操作数据的至少一些的原始数据和状态消息的至少其中之一以及确定交通工具(2)的健康功能。
文档编号G06F19/00GK103093077SQ20121044236
公开日2013年5月8日 申请日期2012年11月8日 优先权日2011年11月8日
发明者R.E.卡兰 申请人:通用电气航空系统有限公司