用于对飞机的机载设备的退化进行监视的包括确定计数阈值的方法与流程

本发明涉及对飞机的机载设备、特别是涡轮发动机的退化进行监视的领域。更特别地，本发明涉及诸如测量链之类的设备，该设备的完好性指标与出现或不出现事件有关联。

背景技术：

为了监视机载设备，已知形成表征机载设备退化的指标。本领域内的技术人员所知的该指标为异常评分。通常，异常评分通过测量机载设备的诸如几何位置、控制电流、孔径角、温度之类的物理参数形成。异常评分表征退化中的损伤程度。优选地，异常评分在飞机的每次飞行中形成。

为了确定机载设备是否真的退化，监视方法包括将针对飞机的给定飞行获得的异常评分与判决阈值进行比较的步骤，以及当该异常评分超过判决阈值时发出报警的步骤。因此，通过监视异常评分的变化，可以检测到退化程度是否正在增加，并且能够预测机载设备出现故障的风险从而改进对维护操作的管理。

针对给定退化的判决阈值的设定是至关重要的，这是由于：一方面，判决阈值过低会导致在为发生退化时频繁发出警报(虚假警报)，并且另一方面，判决阈值过高会在发生退化的时候阻止发出警报(未检测)。

通常，对于希望检测到的每个退化，判决阈值的值是根据经验限定的。为了最大限度地确保安全，一般会低估判决阈值的值以使未检测的风险最小化。其结果是虚假警报的数量仍然很高，这对于航空公司而言表现为缺点，该缺点迫使航空公司频繁地实施维护操作而机载然而航空设备并未退化。为了消除该缺点，航空公司向机载设备的制造商给出性能规范，以限制失误风险。因为所要求的精确度，所以对用于故障监视方法的判决阈值的任何经验性限定被禁止。

专利申请FR 1254506提供了一种针对该要求的解决方案，并且描述了一种用于对飞机的机载设备的退化进行监视的方法，该方法由计算机实施，机载设备的退化程度由通过测量机载设备的物理参数形成的异常评分来限定，该监视方法包括将针对飞机的给定飞行获得的异常评分与判决阈值进行比较的步骤以及当异常评分超过判决阈值时发出警报的步骤，该决策阈值针对给定的报警概率Pa来自动确定，该报警概率Pa与借助于以下步骤实施监视方法而机载设备完好的过程中发出警报的概率对应：

-针对飞机的没有老化的多次飞行计算多个异常评分的步骤，以获得异常评分的概率密度的分布，该分布特别地针对机载设备的物理性质；

-借助于概率密度的非参数估计值调整分布的步骤，以获得连续调整分布函数；

-根据连续调整分布函数计算连续调整概率分布函数的步骤，以及

-读取连续调整概率分布函数针对给定值的前项(在现有应用中为1-Pa)，该前项(antecedent)对应于判决阈值。

专利申请FR 1358593提供了一种通过引入“n中的k”(k from amongst n)确证策略对之前的发明的改进，在该改进中，仅当在连续的n次飞行中至少k次超过阈值时，发出警报。

该方法使得能够根据与航空公司的需求对应的报警概率Pa非常精确地自动确定判决阈值。该方法相比现有技术中的方法更加可靠。这使得能够精确地检测机载设备的任何退化并在监视期间预测机载设备的任何故障。

然而，一般来说，当异常评分的分布离散而非连续时，该方法是不适用的。

举例来说，通过SNECMA公司于2001年9月15日在法国递交的申请号为2980266的专利申请，已知一种对涡轮喷气发动机的测量链进行监视的系统，该系统通过在连续的时间增长过程中对从完好性词“OK”到指示故障的另一完好性词的“不理想”转变的数量进行计数来限定该涡轮喷气发动机的异常评分。存在该计数几乎总是0的情况。在图1中示出的示例中，在没有退化的总数为750次的飞行外，一次飞行具有一退化，另一飞行具有十八退化，并且所有其他的飞行没有不理想的转变。因此，通过修改之前的方法将连续分布调整为在图1中获得的直方图并由此推导出用于计数阈值是不再合适的。

因此，存在以下需要：根据对具有低出现率的事件的计数来确定用于对飞机的机载设备的退化进行监视的策略，以策略使得能够自动触发警报，同时可靠且精确地符合给定的报警概率Pa。

本发明提出了一种解决上述问题的简单有效的解决方案。

技术实现要素：

为此，本发明提出了一种用于对飞机的机载设备的退化进行监视的方法，该方法由计算机实施，机载设备的退化程度由异常评分来限定，该异常评分由在机载设备运转期间该设备的控制系统记录的异常发生的计数形成，该监视方法包括将针对给定长度的观察序列获得的异常评分与判决阈值ks进行比较的步骤，以及当异常性评分达到或超出判决阈值ks时发出警报的步骤，该判决阈值ks针对给定的报警概率Pa借助于以下步骤来自动确定，该报警概率对应于在实施该监视方法期间发出警报而所述机载设备完好的概率：

-在至少一个参考序列上获得异常评分的步骤，该参考序列与对应于飞机的没有退化的飞行，并且该参考序列的长度等于多个观察序列的多个长度的飞行对应；

-调整离散概率律的步骤，以使得能够获得在参考序列上获得的异常评分；

-计算判决阈值ks的步骤，以使得通过将在前一步骤期间调整的离散概率率应用于具有该给定长度的观察序列，对于N个连续的序列，对于N个连续序列，异常评分的高于或等于判决阈值(ks)出现S次的概率小于根据所述给定的报警概率Pa来估算的、超过一阈值的基本概率Peac，N和S能够等于1。

优选地，所述超过一阈值的基本概率Peac通过下面的公式根据所述给定的报警概率Pa来估算：

其中，N为观察序列的数量，S为N个连续序列中超过阈值ks的次数，并且是参数为S和N-S+1的逆欧拉β分布函数。

换言之，阈值ks的值为在观察序列期间异常发生的数量，根据异常发生的数量，完好设备的概率大于Pa或Peac的假设难以成立，该完好设备具有由已调整为参考序列的离散概率律表示的异常发生概率。因此，在确证策略中，如果观察序列中异常发生一次或p次的数量达到判决阈值ks，则能够由此得到结论：该设备不再遵循与被误判的风险小于Pa的无退化的设备对应的行为。采用已知的概率律，该判决阈值ks能够使用该概率律的逆分布律的表达式来计算。当不能在计数直方图上识别连续定理时，该方法在设备的可靠性引起以下事实时是非常有利的：对异常的检测与稀有事件的计数对应。

根据本发明的优选方面，所使用的离散概率率提出了一种现象，该现象的发生具有每时间单位的给定概率，第二步骤对应于对所述离散概率律中每单位时间的概率(p，λ)的估计以用于得到在所述参考序列上获得的所述异常评分。所述概率律可以是由每单位时间的概率和序列长度参数化的二项式律或泊松律。

在上述情况中，以离散概率律中对无退化的系统异常发生的每单位时间的概率的估计可以与用于参考序列中的异常评分的具有给定置信的该每单位时间的概率的上限相等。优选地，每单位时间的概率的估计等于最大似然，该最大似然对应于在参考序列中获得的异常评分。

有利地，观察序列与飞机的多次连续飞行对应。

根据本发明的方法可以包括预先确定观察序列的给定长度的步骤。观察序列越长，检测阈值ks越高并且将更好地服从报警概率Pa或基本概率Peac。另一方面，出现故障之前退化的现象将全部减缓以被及时检测到。因此，可以基于物理退化直到出现故障的分解时间和动态变化的操作考虑来选择观察序列的长度。

可以有利地选择观察序列的长度以使判决阈值(ks)介于三和十之间。在示出的示例中，该观察序列的长度为60000个时间增量，并且通过该方法计算的判决阈值取值为6。

根据本发明的优选方面，报警概率Pa由下面的公式获得：

在公式中：

Pe对应于机载设备完好却发出警报的概率；

Pd对应于观察序列的退化的概率；以及

(1-β)_先验对应于检测到先验退化的概率。

有利地，根据误差概率Pe来确定报警概率Pa，误差概率Pe与航空公司希望减少机载设备上的不必要的维护步骤的数量对应。

还优选地，该方法包括：

-针对有退化情况下的多个观察序列而形成的多个异常评分，采用之前确定的判决阈值(ks)实施用于对机载设备的退化进行监视的方法的步骤，以由此推导出检测到后验退化的概率(1-β)_后验，

-根据后验退化的概率(1-β)_后验确定新的报警概率Pa的步骤，

-确定根据所述新的报警概率细化的新的判决阈值(ks)的步骤。

上述步骤有利地使得能够快速并可靠地细化判决阈值的值。

附图说明

通过阅读以下仅作为示例提供并参照附图进行的描述将更好地理解本发明，在附图中：

图1示出了针对没有退化的多次飞行获得飞机的机载测量设备的异常评分的分布；

图2为包括根据本发明自动确定判决阈值的步骤的监视方法的示意图；

图3为包括根据本发明自动确定判决阈值的步骤的监视方法的变型的示意图。

具体实施方式

通过现有技术、例如通过SNECMA公司的申请号为1358593的专利申请可知，对判决阈值的自动确定被提供用于对飞机的机载设备的退化进行监视的方法。

正如所已知的，机载设备的退化程度由异常评分限定，该异常评分通过在“同步脉冲时钟”(clock pips)中进行计数，确定规律单位时间增量、针对由监视系统建立的设备的状态的指示值得不理想转变的数量来获得。在所描述情况中，设备的状态能够采取两个值并因此能够以二进制方式编码以指示指示可能发生异常。优选地，异常评分由飞机的机载计算机形成，该机载计算机经由通信链路连接到机载设备。

需要考虑到：即使在没有退化时，设备的运转也可能会出现异常，正如现有技术中那样，该方法与用于仅采用报警概率Pa发出警报的策略对应，该报警概率Pa对应于被迫进行的错误警报的部分Pfa。

当发出警报时，航空公司必须实施维护机载设备的步骤以防止所述机载设备出现故障。

报警概率

报警概率指监视方法期间发出警报但机载设备完好的概率，即没有退化。换言之，1％的报警概率Pa对应于每100次没有退化的飞行发出一次警报。

实际上，无法直接知道报警概率Pa。这是由于航空公司的性能规范强加错误概率Pe以作为准则，该错误概率对应于机载设备完好却发出警报的概率。换言之，1％的误差概率Pe对应于每发出100次警报中有一次机载设备完好。

在实际中，当监视方法发出警报时，航空公司实施维护操作。因此，限制误差概率Pe使得航空公司能够限制对完好的机载设备上进行维护操作的次数，而该操作会引起不必要的操作成本。

优选地，通过下面的条件概率公式(F1)，根据误差概率Pe来确定报警概率Pa。

(F1)

公式(F1)包括以下参数：

-β对应于针对给定飞行未检测到退化的概率，而1-β对应于检测到退化的概率；以及

-Pd对应于针对给定飞行的退化的概率。

从条件概率方程式得到公式(F1)，在条件概率方程式中，概率Pa对应于知道设备完好却发出报警的概率对应(Pa＝P(报警|完好))，概率Pe对应于发出警报但设备完好的概率Pa＝(P(完好|报警))。

换言之

此外，如下

P(报警)＝P(报警∩完好)+P(报警∩退化)

P(报警)＝P(报警|完好)P(完好)+P(报警|退化)P(退化)

其中，

P(退化)＝Pd

P(完好)＝1-Pd

P(报警|退化)＝1-β

P(报警|完好)＝Pa

P(完好|报警)＝Pe

P(报警)＝P(报警|完好)P(完好)+P(报警|退化)P(退化)

P(报警)＝Pa·(1-Pd)+(1-β)Pd

P(报警)＝Pa·(1-Pd)+(1-β)Pd

借助于与P(报警)有关的两个方程式，可以推导出(F1)。

在公式(F1)中，通过实验或估计可以知道针对给定飞行的退化概率Pd并且该退化概率Pd约为10^-7。检测到退化的概率(1-β)_先验“先验地”(a priori)固定为1并且通过如下文中将更详细描述的迭代来细化，以提高判决阈值的精度。

举例来说，通常可以由所需大约5％的错误概率Pe、大约1的检测到退化的概率(1-β)_先验和大约10^-6的飞行的退化概率Pd来获得5×10^-8的报警概率。

离散异常评分和离散概率律

在本方法中，观察序列长度是确定的，在示例中观察序列包括n个计数增量和针对在序列中异常发生的次数k的用于触发警报的阈值ks，异常发生在示例中对应于不理想的转变。观察序列的长度可以对应于一次飞行或多次连续飞行。序列中的异常评分被定义为异常发生的数量k。

然而，如所引示例中，假定为连续的异常评分的值的阈值不再被确定。该方法指的是用于表示异常发生并估算阈值ks的离散概率律，根据该阈值ks能够触发警报并同时服从报警概率Pa。

在第一示例性实施例中，使用了由二项式分布表示的概率律。

参数n和p的二项式律对应于：在序列上继续进行n次对事件的独立选择，该事件发生的概率为p，不发生的概率为(1-p)。然后对时间的发生次数进行计数，该事件在此处为为异常，并且指示在n次选择的序列上的该发生次数的随机变量被称为X。

然后，通过二项式分布给出随机变量X在该序列中的介于0和n之间的值k的概率：

二项式律的分布函数F_n,p针对n次选择的序列，提供了随机变量X取小于或等于k的概率。

X＝k时，二项式律的分布函数的值F_n,p(k)还表达为使用将发生概率选择为p并且参数为k+1和n-k的欧拉β分布函数。

该概率律很好地适用于以下描述的情况：按飞行期间由监视系统的“同步脉冲时钟”提供的单位时长的规律间隔来进行对任何异常的计数。

在第二示例性实施例中，使用了泊松概率律。

参数为(λt)的泊松定理与观察序列中发生异常的数量的行为对应，观察序列的长度为时间t，此时这些异常伴随已知的平均频率λ发生并且与出现两次异常的消耗之间所消耗的时间无关。

然后，时间增量为t的倍数且以频率λ表达的情况中，时长的观察序列中存在k次异常发生的概率由下式给出：

泊松律的分布函数F_λ.t针对长度为t的序列提供了随机变量X取小于或等于k的概率。

X＝k时，泊松定理的分布函数值F_λt(k)还能够通过时段t中发生的频率λt的欧拉γ分布函数来表达，该欧拉γ分布函数具有参数k+1和t。

当选择次数极大时，泊松律转为二项式律的限制。因此，泊松律还适用于所描述的“同步脉冲时钟”非常大时的情况。泊松律还适用于监视系统仅在异常发生时(即按不规律间隔)指示异常的设备的情况。在该情况中，泊松律使得能够在不是连续计数之间的增量的因数的时间间隔内进行计算。

方法的第一实施例的示例

在此使用二项式律对该方法进行描述，监视系统指示异常发生的二进制结果或不用于规律时间增量的二进制结果。

参照图2，该方法从第一步骤E1开始，针对被监视的设备无退化的多次飞行提取多个异常评分。

特别地，该步骤E1使得能够创建至少一个由大量无退化的飞行组成的参考序列，该参考序列对应于异常指示值对无退化设备的大量的检测时间增量m对应，并且能够形成有关该参考序列的异常评分r，该异常评分r等于异常发生的总数。

在与图1中示出的通过申请号为1356593的专利申请描述的设备的监视对应的示例中，针对750次无退化的飞行观察结果，每次飞行包括瞬时阶段的1200个时间增量，该瞬时阶段对应于设备受到应力的时段。这使得能够建立长度为m的参考序列，m等于750×1200＝90000个时间增量，从而可以得到异常评分r，r等于1+18＝19。

在开始监视之前，该方法的第二步骤E2包括在每个时间增量处使用参考序列寻找异常发生的概率p的估计

通过以置信度α取p的上限以获得估计该估计的值通过公式：获得。

F_m,p为参数为m和p的二项分布函数，其中，m为参考序列的时间增量的数量且p为发生概率，应用到针对参考序列所给出的异常评分r。

为参数r+1和m-r的逆欧拉β分布函数，能够直接计算置信度为α的估计

因此，对于该方法，能够使用α＝90％或α＝50％。还能够使用与最大似然对应的值α＝44％。在该情况中，估计直接由比率r/m提供。

根据例如图1中的示例所提供的长度为m＝90000个增量、异常评分为r＝19的监视序列的的值，可以得到：并且最大似然估计

接下来，该方法包括第三步骤E3，其中，与长度为n个时间增量的观察序列中的异常发生的数量k有关的阈值ks被确定，对此能够考虑异常发生的概率大于无退化的设备异常发生的概率的估计该估计采用在步骤E2中根据参考序列等于通过公式F1限定的值Pa的被误判的概率得到。

为此，在n个增量的观察序列期间的异常发生的数量k有关的检测到退化的阈值ks被确定，以使ks为观察序列中的概率分布函数的最小整数，即，使该序列上的任何小于ks的k次异常的概率以小于给定的报警概率Pa接近单位值。

从而得到以下公式：

(F2)

其中，为具有以下参数二项式分布函数：针对观察序列选择增量的数量n，以及在前一步骤F2期间针对无退化的设备在每个增量处获得异常发生的概率的估计。^

B_k,n-k+1是参数为k和n-k+1的欧拉β分布函数，该函数被应用到发生概率的估计中。

换言之，ks为观察序列的在n个时间增量中的异常发生的数量，根据该异常发生的数量，每时间增量的异常发生的实际概率p等于估计的假设难以成立，该实际概率p大于Pa。因此，如果k大于或等于ks，则可以由此得到结论：对于误判概率小于Pa的没有退化的设备，每时间增量异常发生的概率p超过针对无退化的设备的估计

对观察序列的增量的数量n的选择是折中考虑的结果。该数量必须不能太小，这是由于该数量太小会引起ks的值过低并且在所服从的报警中概率过度缺乏精确度。相反地，该数量必须不能太大，这是由于会形成使被监视的设备退化得到发展的风险。

对观察序列的长度n的选择能够由通过实施该方法之前在机载计算机中进行仿真对设备进行了解来达到。在该方法的变型中，能够实施附加的步骤以根据在步骤E3处计算的阈值ks的值来细化观察序列的长度，以例如使该阈值取介于几个单位和十个单位之间的值。

在实际中，为了航空应用所涉及的设备进行监视，观察序列的增量长度n对应于数次连续飞行，飞行的次数nv优选地介于三和十之间。

对于已经引用来说明的设备，五次连续飞行的观察序列对应于n＝5×1200＝6000个观察增量。通过对报警概率Pa采取目标值5×10^-8，应用公式F2可以产生ks的值等于六(ks＝6)。

因此，该方法接下来包括在连续n个增量的观察序列以后对操作中的设备进行监视的步骤E4，例如在nv次连续飞行期间。在该步骤E4中，如果在观察序列期间异常发生的数量达到ks，则触发警报E5。

方法的第二实施例的示例

在该第二实施例中使用了泊松律，正如在第一实施例中那样，监视系统指示二进制异常结果或者不用于规律的时间增量。

此处，针对被监视的设备的无退化的多次飞行提取多个异常评分的第一步骤E1与第一实施例中实施的步骤等同。此处，m个时间增量的参考序列的时长等于tc。在示例中，该增量具有等单位时长，序列的时长tc能够以增量的数量来计数。

在开始监视之前，该方法的第二步骤E2包括使用参考序列在每个时间增量处找到发生异常的平均频率λ的估计

通过以置信度α对λ取上限来获得该估计

的值通过以下公式获得：

是参数为λ乘以tc的泊松分布函数，其中，tc为参考序列的时长，且λ为应用到针对参考序列指出的异常评分中的每单位时长的时间增量中发生异常的概率。

是参数为r+1和tc的逆欧拉γ分布函数，能够直接计算置信度为α的估计

在变型中，还能够通过的值来估算估计其中，是自由度为2r+2的卡方分布(chi-squared distribution)的逆分布函数。

为了实施该方法，因此能够如第一实施例中那样使用α＝90％、α＝50％或与最大似然对应的α＝44％。

对于如图1中的示例所提供的按时间增量来计数的长度tc＝90000的监视序列的异常评分r＝19的值，可以得到：并且最大似然估计

在该方法的该实施例的第三步骤E3中，与在时长为t的观察序列中的异常发生的数量k有关的阈值ks被确定，对此能够考虑采用等于通过公式F1限定的值Pa的被误判的概率在步骤E2中根据参考序列进行该估计

为此，与第一实施例中的方式类似，与在n增量的观察序列期间的异常发生的数量k有关的检测到退化的阈值ks被确定为观察序列中的概率分布函数的最小整数，以使观察序列上的概率律的分布函数以小于给定报警概率Pa接近单位值。

该结果如下公式：

(F3)

其中，是参数为泊松分布函数，该参数等于针对观察序列选择的时段与在前一步骤期间针对无退化的设备在每个增量处的发生异常的频率的估计的乘积。

Γ_k,t为以下参数的欧拉γ分布函数：观察序列上发生异常的数量k和观察序列的时长t。

在优选的替代方式中，能够使用自由度为2k的分布函数以在公式F3中估计ks。

与第一实施例中相同的依据使得能够得出以下结论：如果k大于或等于ks，则在每个增量处发生异常的平均频率超过对无退化设备被误判的概率小于Pa的估计

以如第一实施例中同样的方式来进行对用于观察序列的增量的数量n的选择。在实际中，为了监视与航空应用有关的设备，观察序列的增量长度n对应于多次连续飞行，飞行的次数n优选地介于三和十之间。

对于已经引用来说明的示例，五次连续飞行的观察序列对应于等于6000个观察增量的时段t。通过对报警概率Pa采取目标值5×10^-8，应用公式F3可以产生ks的值等于六(ks＝6)。

在两个实施例中获得的结果的相似度与以下事实相符：所使用的两个概率律在增量的数量非常大的情况中是等同的。

对q序列使用p次超过阈值的确证策略的变型

前面的两个实施例已经提出了观察序列上的阈值一旦被超过就发出警报。在变型中，能够独立于寻找序列上的异常评分所使用的离散概率定理将“N中的S”确证策略应用到上述两个实施例中。

在该策略中，如果对于N个连续序列，发生异常的数量S次超过阈值ks，则发出警报。另一方面，此处，对于观察到S次超过无退化设备的阈值，阈值ks的值与对重复了N次的序列上的基本报警概率Peac的估计对应，该无退化设备每序列具有报警概率Pa。

为此，根据伯努利分布，每序列发生异常的数量k可以认为是随机变量，同时将序列作为增量。在该情况中，能够借助于以下公式来估算Peac：

(F4)

其中，N为观察序列的数量，S为重复超过阈值ks的最小次数以确认检测信号的持续性，并且是参数为S和N-S+1的逆欧拉β分布函数。如果N和S两者都等于一，则得到Peac＝Pa。

在该变型中，参照图3，该方法包括步骤E7，步骤E7对应于选择N和S来计算值Peac以用于代替在步骤E3中用于计算阈值ks的Pa，以服从确证策略的报警概率Pa；然后，在步骤E4中，在N个连续的序列中观察到S次超过阈值后，发出警报。

在步骤E7中选择的N和S的值越大，用于确证q中p次超过的检测阈值更可靠。另一方面，出现故障之前的退化现象将会全部减缓以及时被检测。因此，对N的选择基于与到出现故障的拆解时间和物理退化动力学有关的操作考虑。一旦选定了N，S就能被选定以将检测到的概率最大化。此外，一般地，序列将对应于飞行。

细化判决阈值

前面示出了对判决阈值的确定，其中，报警概率Pa是已知的或者根据错误概率Pe来估计。当报警概率Pa被估计时，可选地能够实施通过如图2和图3中的示意图所示出的对检测到退化的概率(1-β)进行细化来细化新的判决阈值S的步骤。

如图2中所示，在估算步骤E6中，采用之前针对在有退化的飞行期间优选地通过仿真获得的多个观察序列确定的判决阈值ks来使用监视方法。在监视方法期间，将在观察序列上获得的异常评分rd与判决阈值ks进行比较，这使得能够“后验地”(a posteriori)推导出检测到退化的概率(1-β)。这是由于相对于与所监视的具有退化的飞行对应的观察序列的数量发出的警报的数量Na是足够的。

如图2中所示，在确定判决阈值的步骤中，通过迭代使用在细化期间获得的值(1-β)_后验来替换值(1-β)_先验，以获得判决阈值S的更精确的新值。细化步骤能够迭代以向最精确的判决阈值的值S收敛。

在本发明的一个实施例中，由计算机、优选地由计算机的多个处理器来实施用于对飞机的设备退化进行监视的方法、用于自动确定判决阈值的方法和用于生成退化的方法。

举例来说，实施监视方法被以监视涡轮喷气发动机上的测量链。

确定判决阈值的处理器从监视处理器接收多个无退化异常评分，并且针对给定的误差概率Pe和监视方法的退化的“先验”(a priori)检测概率确定判决阈值ks。判决阈值ks一旦确定，则被传送到监视处理器，然后监视处理器能够将在与按照所述判决阈值ks的监视方法中所使用的相同的时长(n，t)的观察序列上计算的异常评分进行比较，以监视涡轮喷气发动机上的测量链的退化的变化。

为了细化(refine)判决阈值ks的值，退化生成过程对提交到监视处理器上退化的飞行数据进行仿真，监视处理器根据接受的数据发出特定数量的警报，这使得能够由此推导出通过监视方法对退化的“后验”检测概率。然后将该值传递给处理器以确定判决阈值ks_I，这为所获得的新的检测概率提供了新的判决阈值ks。

对该过程进行迭代直到达到该判决阈值ks的收敛。在实际中，通过两次迭代能够得到令人满意的收敛

本发明提出了一种用于涡轮喷气发动机上的测量链，但是也可以应用到飞机的任何机载设备。