飞行器可靠性计划的汇总维护数据的可视化的制作方法

本主题通常涉及用于可视化资产相关数据的系统和方法，尤其是，涉及飞行器可靠性计划的汇总维护数据的可视化。

背景技术：

通常，使用大量与运输工具和个人资产绩效追踪相关的数据。例如，航空业从各种特定来源收集飞行器运行数据。数据可以通过快速存取记录器(qar)从飞行器收集，其可以提供从多个飞行器传感器和航空系统接收的原始飞行数据参数的机载记录。可以从航空公司的维护、维修和大修(mro)系统的维护记录中收集数据。还可以从飞行器状态监控系统(acms)通信的飞行员报告收集数据。此外，飞行器通信寻址和报告系统(acars)消息可以包括相关数据，这些数据包括飞行器移动事件、飞行计划、天气信息、设备健康状况、转接航班状态等。

飞行器运行数据的预测分析可以为单架飞行器或整个机队的维护和预测提供有用的信息。该信息可帮助航空公司维护组织内的工程师、技术人员、管理人员或其他专家解决各种飞行器维护问题。许多现有系统主要依赖于对这些大量数据进行人工判释，这可能是一项麻烦、乏味且耗时的工作。此外，使用多个数据流的企业级分析系统有时可能需要一项资产的所有可用数据的综合视图。从这种综合视图推断出知识可能需要为资产队列建立准确的态势感知图像。已知的选项可产生有限的准确性和有效性，以做出关于采取维护行动，以及采取这些行动的紧迫性的智能决策。

技术实现要素：

本说明书实施例的方面和优点将在以下说明中部分阐述，或者可以从说明中获知，或者可以通过实施实施例来了解。

本说明书的一个示例方面涉及一种将多个飞行器的汇总维护数据进行可视化的由计算机实施的方法。所述方法可包括由一个或多个处理器从所述多个飞行器接收一个或多个所选飞行器的标识。所述方法还可包括，由所述一个或多个处理器从所述一个或多个所选飞行器中的每一个的多个飞行器相关数据流获取数据的一个或多个部分。所述多个飞行器相关数据流可包括每个所选飞行器的至少一个维护数据流。所述方法还可包括，由所述一个或多个处理器至少部分基于所述多个飞行器相关数据流来识别一个或多个操作事件，以及一个或多个维护事件。所述方法还可包括，由所述一个或多个处理器提供在一个时间段内追踪的一个或多个所选飞行器中的每个的一个或多个操作事件和一个或多个维护事件的图表，以供显示。本说明书的另一示例方面涉及一种用于对多个飞行器的汇总维护数据进行可视化的系统。所述系统可包括一个或多个处理器和一个或多个存储器设备。所述一个或多个存储器设备可以存储计算机可读指令，当由所述一个或多个处理器执行这些指令时，可使所述一个或多个处理器执行操作。所述操作可包括，为所述多个飞行器中的每个的多个飞行器相关数据流获取数据的一个或多个部分。所述多个飞行器相关数据流可包括每个飞行器的至少一个维护数据流。所述操作还可包括，至少部分基于所述多个资产相关数据流来识别一个或多个操作事件，以及一个或多个维护事件。所述操作还可包括，提供在一个时间段内所追踪的所述多个飞行器中的每个的一个或多个操作事件和一个或多个维护事件的图表，以供显示。

所述系统进一步包括将所述多个飞行器的每个的所述多个飞行器相关数据流用作预配置处理规则的统计模型的输入，其中，所述一个或多个操作事件和一个或多个维护事件视为来自预配置处理规则的统计模型的输出。

其中，所述多个飞行器的所述一个或多个所识别操作事件包括每个飞行器的一次或多次飞行。

其中，所述多个飞行器的所述一个或多个所识别操作事件包括维护缺陷、维护行动、飞行器故障、飞行器警告和预测维护警报中的一个或多个。

其中所述图表包括甘特图，并且其中提供所述一个或多个维护事件以在所述甘特图中作为用户可选界面元素进行显示，一旦用户进行选择，所述用户可选界面元素便开始提供与对应于所选界面元素的所述维护事件相关的其他信息，由所述一个或多个处理器进行显示。

其中所述多个飞行器的所述一个或多个所识别操作事件包括各飞行器的一次或多次飞行，并且其中所述多个飞行器的所述一个或多个所识事件包括维护缺陷、维护行动、飞行器故障、飞行器警告和预测维护警报中的一个或多个。

其中，所述飞行器相关数据流进一步包括飞行器通信寻址和报告系统(acars)数据流和来自飞行器快速存取记录器(qar)的飞行数据流中的一个或多个。

本说明书的另一示例方面涉及存储计算机可读指令的一个或多个有形的非暂时性计算机可读介质，所述计算机可读指令在由一个或多个处理器执行时，可使所述一个或多个处理器执行操作。所述操作可包括从多个飞行器接收一个或多个所选飞行器的标识。所述操作还可包括，为一个或多个所选飞行器中的每个的多个飞行器相关数据流获取数据的一个或多个部分。所述多个飞行器相关数据流可包括每个所选飞行器的至少一个维护数据流。所述操作还可包括，至少部分基于所述多个飞行器相关数据流来识别一个或多个操作事件，以及一个或多个维护事件。所述操作还可包括，提供在一个时间段内所追踪的一个或多个所选飞行器中的每个的一个或多个操作事件和一个或多个维护事件的图表。

其中所述一个或多个所选飞行器的一个或多个所识别操作事件包括每个所选飞行器的一次或多次飞行。

其中所述一个或多个所选飞行器的一个或多个所识别维护事件包括维护缺陷、维护行动、飞行器故障、飞行器警告和预测维护警报中的一个或多个。

其中所述图表包括甘特图，并且其中提供所述一个或多个维护事件以在所述甘特图中作为用户可选界面元素进行显示，一旦用户进行选择，所述用户可选界面元素便开始提供与对应于所选界面元素的维护事件相关的相关其他信息，由所述一个或多个处理器进行显示。

其中所述一个或多个所选飞行器的一个或多个所识别操作事件包括各所选飞行器的一次或多次飞行，并且其中所述一个或多个所选飞行器的所述一个或多个所识别维护事件包括维护缺陷、维护行动、飞行器故障、飞行器警告和预测维护警报中的一个或多个。

可以对本说明书的这些示例方面进行变化和修改。

参考以下说明和所附权利要求，将有助于理解不同实施例的这些和其他特征、方面和优点。本说明书中所结合并构成其一部分的附图展示了本说明书的实施例，并与说明书一起用于解释相关原理。

附图说明

参考附图，在说明书中对实施例进行了详细讨论(针对本领域普通技术人员)，其中：

图1描绘了根据本说明书示例实施例的示例数据标记及关联系统概览；

图2描绘了根据本说明书示例实施例的数据标记及关联系统与方法的示例原理图；

图3描绘了用于实施根据本说明书示例方面的数据标记及关联功能的系统部件的示例概览；

图4描绘了与根据本说明书示例实施例的数据标记及关联系统与方法一起使用的标记功能；

图5描绘了与根据本说明书示例实施例的数据标记及关联系统和方法一起使用的关系标记功能；

图6描绘了根据本说明书示例实施例，提供汇总维护数据的可视化显示的示例图形用户界面；

图7描绘了根据本说明书示例实施例，展示图6中图形用户界面的细节部分的示例图形用户界面，尤其展示了在一个时间段内所追踪的操作事件和维护事件；

图8描绘了根据本说明书示例实施例，提供用于显示的标记警报功能的示例图形用户界面；

图9描绘了根据本说明书示例实施例，提供用于显示的故障和警告功能的示例图形用户界面；

图10描绘了根据本说明书示例实施例，提供描述面板功能的示例图形用户界面；

图11描绘了根据本说明书示例实施例，提供用于新标记创建的功能的示例图形用户界面；

图12描绘了根据本说明书示例实施例，提供多个数据流的相关关系的示例方法流程图；

图13描绘了根据本说明书示例实施例，处理多个资产相关数据流的示例方法流程图；且

图14描绘了根据本说明书示例实施例，用于多个飞行器汇总维护数据的可视化的示例方法流程图。

具体实施方式

现在将详细参考本发明的实施例，其一个或多个示例在附图中展示。每个实施例是作为本发明的说明而提供，而非对本发明的限制。事实上，对本领域技术人员显而易见的是，在不脱离本发明范围或精神的情况下，可以对本发明进行各种修改和变化。例如，作为一项实施例的一部分展示或描述的特征可以与另一实施例一起使用，以产生其他实施例。因此，本发明旨在涵盖所附权利要求范围内的这种修改、变化及其等同物。

本说明书的示例方面涉及用于对多个资产(例如飞行器)的汇总维护数据进行可视化的系统和方法。系统和方法可通过聚集多个数据源来实施，包括但不限于飞行器通信寻址和报告系统(acars)消息、维护数据和来自快速存取记录器(qar)的飞行数据。公开的可视化技术可使用基于网络的方法实施，其可以具有对航空公司维护组织内的工程师、管理人员和其他专家可访问的飞行器可靠性计划的多个数据源进行可视化的技术效果。

本说明书的示例方面可以具有提供可视化的技术效果，所述可视化便利地显示与飞行器飞行有关的维护事件，或在一段时间内追踪的其他操作事件。这些互动可以以图表格式表示，例如但不限于甘特图。从飞行数据的角度来看，该可视化方法可以向用户提供以原始捕获频率一直导航到单独记录的飞行器参数的能力。

本说明书的其他方面可具有提供来自多个数据源聚集的数据的单视图的技术效果。对于系统用户，及时显示事件，并提供对更详细信息的导航的能力可以简单轻松。对于已经习惯了飞行器可靠性计划中常见数据类型的用户，本说明书示例方面所述的系统和方法可以提供需要最少用户训练的非常直观的可视化，并且为航空公司维护组织中的许多不同角色提供价值。

在一项示例实施中，用于多个资产(例如，飞行器)的汇总维护数据的可视化的方法可包括从多个资产中的一个或多个所选资产接收标识的功能。可从每个所选资产的多个资产相关数据流获取数据的一个或多个部分。所述多个资产相关数据流可包括每个资产的至少一个维护数据流。在资产对应于飞行器的示例中，其他资产相关数据流可以包括诸如飞行器通信寻址和报告系统(acars)消息和/或来自飞行器快速存取记录器(qar)或其他用于从各种飞行器传感器和航空系统收集数据的机载设备的飞行数据。其他资产相关数据流可对应于航空相关数据，这些数据包括但不限于飞行器故障和警告数据、飞行后报告数据和/或飞行器维护报告数据。

多个资产相关数据流可用作预配置处理规则的统计模型的输入。在一些示例中，预配置的处理规则可包括帮助从包含在多个资产相关数据流内的自由输入文本识别各种数据实体的自然语言处理规则。在一些示例中，预配置的处理规则可包括用于通过关键字标记识别的数据实体的标记规则，或用于将不同数据实体与另一数据实体相关联的关系规则。统计模型可至少部分通过机器学习接收资产相关数据和对应处理规则的数据组的算法来开发。这些数据组用于帮助训练分类器，以处理资产相关数据的后续部分。

可识别来自预配置处理规则的统计模型的输出，并且可以包括一个或多个操作事件和一个或多个维护事件。在与飞行器相关的一些示例中，所识别的操作事件包括不同的飞行器飞行，而所识别的维护事件可包括诸如但不限于维护缺陷、维护行动、飞行器故障、飞行器警告和预测维护警报的事件。

可以提供多个资产的来自资产相关数据流和/或所识别操作事件和/或所识别维护事件的信息，以便以汇总视图向用户显示。在一些示例中，提供一个或多个操作事件的图表(例如，甘特图)，以及一个或多个所选资产中的每个的一个或多个维护事件，以便显示并提供在所选时段中追踪的整体视图。例如，显示感兴趣的飞行器单次飞行，以及与这些飞行或飞行之间的中间时段有关的维护事件。在一些示例中，可以提供所识别的操作事件和/或维护事件，以便作为用户可选择的界面元素或图标显示。在用户选择这些元素/图标时，可提供与对应于所选界面元素的操作或维护事件有关的其他信息进行显示。

为进行说明和讨论，可参考飞行器相关数据和与飞行器相关联的其他航空系统来讨论本说明书的示例方面。使用本文提供的公开内容的本领域普通技术人员将理解，在不偏离本说明书范围的情况下，本文描述的主题可以与其他资产相关系统一起使用。

现在参考附图，图1描绘了数据标记及关联系统100的示例概览。可以电子形式提供一个或多个数据流，作为数据标记及关联系统100的数字输入。在图1的示例中，有来自集合飞行器服务网络(asn)数据库102的多个数据流可用。数据库102包括多个数据流，其包括但不限于故障和警告数据104、飞行后报告(pfr)数据106、维护、维修和操作(mro)数据108和标记数据110。

asn数据库102内可用的数据可以从由一个或多个特定航空公司维护的各种特定源，由通用航空追踪系统，以及由航空公司或其他组织授权的第三方数据收集和分析实体收集，以便追踪相关数据，或其他实体。例如，故障和警告数据104可以通过快速存取记录器(qar)从飞行器收集，其可以提供从多个飞行器传感器和航空系统接收的原始飞行数据参数的机载记录。飞行后报告(pfr)数据106可包括自动从飞行器系统收集，和/或从的飞行员数据输入项(与追踪关于特定飞行器飞行的定制信息有关)提供的信息收集的电子形式的数据。mro数据108可以从航空公司的维护、维修和大修(mro)系统的维护记录中收集。标记数据110可包括不同的预定标记选项，其可以由各种处理算法用于标记关键字，并定义识别的数据实体的关系。标记数据110也可包括相关项目的数据组，包括数据实体和相关联的关键字标记或关系标记，其可以用作定义各种处理算法的统计模型的机器学习的训练输入。在asn数据库102内提供的数据流可来自其他源，包括但不限于飞行员报告、飞行器状态监控系统(acms)和/或飞行器通信寻址和报告系统(acms)消息，其包括诸如飞行器移动事件、飞行计划、天气信息、设备健康状况、转接航班状态等相关数据。

仍然参考图1，可提供来自asn数据库102的数据，以响应对数据提取和窗口算法112的系统查询。数据提取和窗口算法112可以包括配置为从asn数据库102提供的每个数据流中提取数据对象的处理指令。数据窗口还可以通过定义一个或多个时间范围来实现，所述时间范围用于与各种数据流或提取的数据对象内可用数据的日期和时间戳进行比较。可基于数据流或数据库的类型，和/或基于数据提取和窗口算法112分析的数据存储配置的类型来定制数据对象的识别。可应用于查找表达式或查询的集合列表、查询模板列表和/或关键字和数据类型对的映射列表可存储在数据提取和窗口算法112内，以便进行数据对象识别。通过从数据库102中的数据流识别数据的选择部分，数据提取和窗口算法112可提取最终可中继到数据标记及关联系统100的有意义数据子集。

通过数据提取和窗口算法112从数据流提取的窗口化数据114可提供给自然语言处理算法116。自然语言处理算法116通常可涉及对来自资产相关数据流的自然语言输入或自由文本输入的解释。自然语言处理算法116可包括一个或多个特定操作项目，其包括清理操作118、名称实体识别操作120、共指消解操作122和关系提取操作124。

清理操作118配置为执行拼写校正，并移除或替换自由文本字段内的无关字符，该字段作为来自asn数据库102的资产相关数据流的一部分。可定制的清理处理规则可使用示例数据组来更新概率模型，其对自由文本进行标记化，并过滤掉不想要的结果。

名称实体识别操作120可以包括从各种资产相关数据流内的文本识别一个或多个数据实体的过程。对于来自asn数据库102的数据流，用于潜在识别的示例性数据实体可包括，但不限于飞行器系统和子系统、部件号和名称、飞行器尾号、航空缩写、任务号、行动、问题和/或这些实体与其他实体间的关系。可存储可定制的字典，以供名称实体识别操作120访问，从而帮助使用系统本地语言(例如，英语)的共同术语的实体进行识别。可以定制其他字典，以便通过存储已知实体的数据输入(可能与本地语言不同)来帮助处理域特定实体。字典还可以存储相关同义词，其用于在共指消解操作122内消解共指数据。

共指消解操作122可以识别特定数据实体何时由输入文本(包括代词、缩写等)内的其他提及共指。在一些情况下，可以将多个代词识别为在输入文本中共指多个数据实体。

关系提取操作124可识别通过名称实体识别操作120识别的不同数据实体之间的关系，和/或通过共指消解操作122识别的数据实体的共指提及。通过词性标记和/或短语分组的一部分，可至少部分促进通过关系提取操作124的关系识别。词性标记可以基于定义和上下文来标记输入文本，而短语分组将标记和部分词性标记收集到相关组(例如短语)中。

自然语言处理算法116可有利地提供灵活的系统，其可以容易地更新，以适应新出现的自然语言处理规则引擎的前进能力和技能。当通过机器学习算法来实现自然语言处理算法116时，可部分实现其他优点。可以定期或增量地训练该算法，以维持和增强结果的准确性。该训练可以通过用户反馈和行动来完成，所述反馈和动作可被翻译和格式化为算法的可消费数据组。

处理的数据126可作为来自自然语言处理算法116的输出被接收，并且作为输入提供给业务规则处理算法128。业务规则处理算法128可以包括关系规则应用130和标记规则应用132。通常，在业务规则处理算法128内提供的处理规则可持续发展为统计模型的一部分，其随着向系统提供的新数据而逐步更新。因此，业务规则处理算法128可以为可配置，以促进最大可扩展性，并且还可支持特定客户和/或资产数据的唯一规则。业务规则处理算法128还可提供为具有对定义各种数据实体和这些实体之间的关系的特定库或字典的链接访问，类似于可用于自然语言处理算法116的字典。

关系规则应用130与配置为定义一个识别的数据实体与另一个之间的关系的计算机执行操作的算法对应。可定义关系的数据实体可与在自然语言处理算法116内识别的数据实体对应。例如，关系规则应用130可提供用于自动将警报与来自飞行后报告(pfr)数据的故障或其他相关条目相关联的框架。在其他示例中，可配置处理规则可提供用于自动将警报与mro数据条目相关联的框架。图5展示了关系标记规则的其他示例。

标记规则应用132与配置为将一个或多个标记或关键字应用于实体的计算机执行操作的算法对应。可用于与实体相关联的标记或关键字的类型可以为预定义或可定制。航空数据内可用标记的一些示例可用于实施来自飞行后报告数据的故障和警告的数据标记。这种示例中的预定义标记可包括(诸如)但不限于“不可检测”、“未检测到”和“超出范围”的指示符。另一示例涉及将维护缺陷为“缺失”的标记。图4中展示了标记规则的另一示例。

还可以使用其他用户定义的标记条件。一般标记还可用于促进故障排除和进行数据质量差的通知。例如，“需要手动注意”标记可用于指示旨在检测数据中的问题的业务规则处理或成功执行时的错误。在另一示例中，“不可破译”标记可用于指示底层数据不可破译，因此无法处理。“不可破译”标记的示例应用将是无可识别数据实体的自由文本。

在一些示例中，数据标记及关联系统100可包括后处理算法134，其用于通过在自然语言处理算法116和/或业务规则处理算法128中识别的处理规则来更新系统100。例如，当在业务规则处理算法128内开发包括标记规则和/或关系规则的处理规则时，这些操作规则可添加到asn数据库102内的工作存储器，使处理规则可在持续基础上用于后续数据处理。来自业务规则处理算法128的结果136可以在压缩结果操作138中进一步压缩，或在处理结果操作140中处理，以产生在asn数据库102内存储的适当形式。在一些示例中，处理规则存储在asn数据库102内，作为用于评估资产相关数据后续部分的统计模型的一部分。

现在参考图2，其以原理图形式描绘了数据标记及关联系统100内的数据流的其他方面。图2展示了接收、存储在asn数据库102内，并最终在数据标记及关联系统100内处理的数据的示例源。图2还描绘了一种系统，其提供通过可集成到单个、内聚的方法中的两种不同方式来标记及关联数据的功能。一种方式可涉及由机器学习训练循环实施的基于规则的引擎148，用于以编程方式提取关系和标记数据实体。另一种方式可涉及用户界面156，其用于捕获关于数据实体(包括各种标记和关系)的手动观察。

客户端系统150可对应于计算设备和相关存储数据库，其用于收集和集合特定客户端(例如航空公司等)的经营性资产特定数据。来自客户端系统150的数据可通过安全文件传输协议(sftp)过程中继到asn解码器152。asn解码器152可配置为根据分析的资产和特定客户端系统150的特定类型，以不同程度的结构解码较大的文本字段。例如，在asn数据库分析中，asn解码器152可配置为解码包括但不限于故障、警告和维护消息的字段。

用户154可与航空公司维护组织内解决各种飞行器维护问题的一名或多名工程师、技术人员、管理人员或其他专家对应。可通过asn用户界面和标记小组件156向该用户154提供对数据标记及关联系统100的访问权。通过用户界面156，用户通过预定义的系统标记和/或用户定义的标记来标记及关联在系统中识别的各种数据实体。尤其，用户154可通过用户界面156输入标记和/或校正，从而识别新数据实体、校正数据实体、新标记或校正标记(用于存储在asn数据库102内)。通过用户界面156提供指导信息的这种能力可支持数据组的推导，其可用于驱动机器学习，并推导出基于规则的引擎148内的算法的处理规则。可通过在用户界面156处提供的用户指令实现的示例行动包括将识别的警报标记为“无值”，将识别的故障标记为“超出范围”或“未检测到”，和/或将警报关联到相关故障、警告和/或mro数据。

基于规则的引擎148可以更具体地包括由机器学习训练循环制定的统计模型，其将处理规则识别为用于处理资产相关数据的后续部分的训练分类器。如图2所示，来自asn数据库102的现有标记可与相应文本串组合，该文本串识别为通过训练数据组提取器158链接到现有标记。为了帮助促进准确训练，训练数据组提取器158可选择手动创建的标记，或附着到被标为正确或准确的实体的标记作为训练数据。然后，包括识别的文本串和相关标记的标记文本可作为自然语言处理(nlp)模型160的一部分提供。nlp模型160帮助定义在自然语言处理算法116内使用的处理规则。然后，可以使更新的nlp模型160可用于规则执行引擎162，其可以将更新的nlp模型160合并到业务规则处理算法128中，或者更新自然语言处理算法116的现有用法，以提供更好的准确性和一致性。

图3描绘了计算系统200，其可用于实施用于在航空相关数据系统和其他资产相关应用内标记及关联数据的方法和系统。系统200可使用客户端-服务器架构来实现，其包括服务器202和一个或多个客户端222。例如，服务器202可对应于托管数据标记及关联应用的网络服务器。例如，客户端222可对应于提供客户端系统数据的网络服务器，例如图2的客户端系统150，或由用户154操作的计算设备和托管用户界面156(也在图2中示出)。

各服务器202和客户端222可包括至少一个计算设备，例如所示服务器计算设备204和客户端计算设备224。尽管在图3中仅展示了一个服务器计算设备204和一个客户端计算设备224，但是可选地，可以在一个或多个位置提供多个计算设备，用于按顺序或并行配置操作，以实施所公开的数据标记及关联方法及系统。在其他示例中，系统200可使用单个计算设备等其他合适的架构来实施。系统200中的计算设备204、224中的每个可以是任何合适类型的计算设备，例如通用计算机、专用计算机、笔记本电脑、台式电脑、移动设备、智能手机、平板电脑、可穿戴计算设备，具有一个或多个处理器的显示器或其他合适的计算设备。

计算设备204和/或224可分别包括一个或多个处理器206、226，以及一个或多个存储器设备208、228。一个或多个处理器206、226可包括专用于高效渲染图像或执行其他专门计算的任何合适的处理设备，例如微处理器、微控制器、集成电路、逻辑设备、一个或多个中央处理单元(cpu)、图形处理单元(gpu)，和/或其他处理设备。一个或多个存储器设备208、228可包括一个或多个计算机可读介质，包括但不限于非暂时性计算机可读介质、ram、rom、硬盘驱动器、闪存驱动器或其他存储器设备。在一些示例中，存储器设备208、228可对应分割于多个位置的协调数据库。

一个或多个存储器设备208、228存储可由一个或多个处理器206、226访问的信息，包括可由一个或多个处理器206、226执行的指令。例如，服务器存储器设备208可存储用于实施处理规则、操作和算法212的指令210，以执行本文公开的各种功能。在一些示例中，处理规则和算法212可包括但不限于图1中描绘的自然语言处理算法116、业务规则处理算法128和后处理算法134。在其他示例中，处理规则和算法212实施图12-14的流程图中所述的功能。客户端存储器设备228可存储指令，用于实施浏览器或应用程序，使用户可以从服务器202请求信息，包括特定的资产相关数据查询、数据标记信息等。一个或多个存储器设备208、228可包括数据212、232，其可由一个或多个处理器206、226检索、操纵、创建或存储。存储在服务器202处的数据214可包括(例如)and数据库102或其他数据库(用于存储来自资产相关数据流和其他源的信息)。

计算设备204和224可通过网络240彼此通信。在这种情况下，服务器202和一个或多个客户端222可分别包括网络接口，用于通过网络240彼此通信。网络接口可包括用于与一个或多个网络(例如包括发射机、接收机、端口、控制器、天线或其他合适部件)连接的任何合适部件。网络240可以是任何类型的通信网络，例如局域网(如内联网)、广域网(如互联网)、手机网络或其某种组合。网络240还可以包括服务器计算设备204和客户端计算设备224之间的直接连接。通常，可通过网络接口来承载服务器计算设备204和客户端计算设备224之间的通信，该网络接口使用任何类型的有线和/或无线连接，使用各种通信协议(例如，tcp/ip、http、smtp、ftp)、编码或格式(例如，html、xml)和/或保护方案(例如vpn、安全http、ssl)。

客户端222可包括用于向用户提供/从用户接收信息的各种输入/输出设备。例如，输入设备236可包括触摸屏、触摸板、数据输入键和/或适用于语音识别的麦克风等设备。用户可使用输入设备236为所公开的数据标记及关联系统的实体、标记或其他部件提供标记的文本和用户定义的数据。输出设备238可包括音频或视频输出，例如用于指示数据标记及关联输出的扬声器或显示器、用户界面等。

本文讨论的技术参考服务器、数据库、软件应用和其他基于计算机的系统，以及所采取的行动，和发送到这些系统及从这些系统发送的信息。本领域普通技术人员将认识到，基于计算机的系统的固有灵活性允许各种部件之间的任务和功能具有多种可能的配置、组合和划分。例如，本文所讨论的服务器进程可使用单个服务器和组合工作的多个服务器来实施。数据库和应用可在单个系统上实施，或分布在多个系统上。分布式部件可按顺序或并行操作。

应理解，本文所描述的计算机可执行算法可在控制通用处理器的硬件、专用电路、固件和/或软件中实施。在一项实施例中，算法是存储在存储设备上，加载到一个或多个存储器设备中，并由一个或多个处理器执行的程序代码文件，或者可以由计算机程序产品(例如，计算机可执行指令)提供，存储在有形计算机可读存储介质中，例如ram、闪存驱动器、硬盘或光学或磁性介质。当使用软件时，可以使用任何合适的编程语言或平台来实施算法。

图4描绘了用于与实施数据标记及关联的处理算法一起使用的标记功能示例。通常，标记可被视为可与一个或多个标记的数据实体相关联的一个或多个关键字。在一些示例中，标记可额外或替代地包括用于指示与标记的关键字和/或底层数据实体相关联的量级的值。在图4的示例中，“警报1”被识别为系统内的数据实体300。算法128内的处理规则可配置为用第一标记302(将“警报1”识别为“后期检测”)和/或第二标记304(将“警报1”识别为“缺失”)来标记“警报1”数据实体300。

标记可作为业务规则处理算法128的算法框架中的输出和输入。在一些示例中，业务规则处理算法128应用预配置的规则，以产生标记，作为与各种数据实体相关的输出。在一些示例中，用户可将标记分配为与使用用户界面156的所识别数据实体相关的输入。在后面的示例中，用户输入的标记和相关联的数据实体可被封装到数据组内，其用于使用统计模型训练处理算法。

图5描绘了用于与实施数据标记及关联的处理算法一起使用的关系标记功能示例。关系标记是表示两个或更多实体之间关系的另一种形式的标记。通常，关系标记可用于建立多个实体的基于关系的节点图。在飞行器服务网络(asn)数据的环境中，关系标记可用于在系统中的实体之间创建用户可定义的关系，包括可能无法由现有的数据关联安排所定义的关系。在图5的示例中，识别为“警报2”的数据实体306可以与第一关键字标记308“成功”以及第二关键字标记310“检测到”相关联。因为数据实体306“警报2”标记为“检测到”，所以还建立了关系标记312，以便将数据实体“警报2”关联为“故障”。

现在参考图6-11，各种用户界面可作为所公开的资产相关数据处理和可视化的一部分。本文提供的用户界面呈现为非限制性示例。应理解，本文描述的示例性用户界面内提供的实质特征和数据的形式和样式的变化在所公开技术的范围内。

图6描绘了根据本说明书示例实施例，提供汇总维护数据的可视化显示的示例图形用户界面。在飞行器的汇总数据环境中提供通过用户界面320可用的汇总维护数据，但是应理解，可以针对其他资产或资产队列实现类似的数据和界面。在一些示例中，通过用户界面320可用的汇总维护数据可来自通过asn数据库102提供的数据流，如参考图1和图2所示。

图6的用户界面320包括指向汇总维护数据的相应部分的多个界面部分，例如“过滤器”界面部分321、第一“故障和警告”界面部分322、“维护历史”部分323、第二“故障和警告”界面部分324和“警报队列”界面部分325。可以相对于特定飞行器(例如，通过飞行器型号和/或尾号)，相对于特定日期和/或时间(例如，维护事件开始和结束的日期，特定故障和警告的发生的日期和时间，警报产生的日期，更新和/或状态)和/或相对于数据类型的特定实例(例如，故障类型、警告、维护事件或警报)来定义用户界面320的各种界面部分内可用的数据。

在图6的用户界面320内提供的可视化可提供来自多个数据源的汇总数据的单个视图。对于系统用户，及时显示事件，并提供对更详细信息的导航的能力可以简单轻松。对于已经习惯了飞行器可靠性计划中常见数据类型的用户，本说明书示例方面所述的系统和方法可以提供需要最少用户训练的非常直观的可视化，并且为航空公司维护组织中的许多不同角色提供价值。虽然未示出，但用户界面320或其选择的部分也可包括关键字标记和关系标记(如图所示，并参考所公开的数据标记及关联功能进行讨论)。

图7描绘了示例图形用户界面330，其包括来自图6的图形用户界面的细节部分，尤其对应于图6的第一“故障和警告”界面部分322。通常，用户界面330描绘在一段时间内追踪的多个飞行器的操作事件和维护事件。用户界面330包括对应于特定飞行器的第一界面部分332，和对应于在第一界面部分332的每一行中识别的飞行器特定操作事件和维护事件的第二界面部分334。第二界面部分334显示识别的事件，包括一贯时间内的操作事件和/或维护时间，如图7所示(沿规则设置时间间隔的线性时间线336)。线性时间线336内的间隔按小时定义，但是应理解，其他时间间隔(包括多个小时，或者单个小时或天的部分)也可以在基于时间线的方法中使用。

通常，沿图7所示的时间段追踪的事件的格式可以在时间追踪图表中实现，例如但不限于甘特图。在用户界面330内提供的图表显示与在一段时间内追踪的飞行器飞行或其他操作事件一致的维护事件。从飞行数据的角度来看，该可视化方法可以向用户提供以原始捕获频率一直导航到单独记录的飞行器参数的能力。

在图7的用户界面330内识别的操作事件特别对应于每架飞行器的不同飞行器飞行。每次飞行器飞行在图7中表示为条338，其时间跨度限定在飞行开始时间和飞行结束时间之间。如图所示，可以在特定的一日、多日或其部分期间追踪每架飞行器的多次不同飞行。识别的维护事件也着相同的线性时间线336追踪。第一图标类型340可沿时间线336描绘，以表示对应于识别的飞行器维护警报的维护事件。第二图标类型342可沿时间线336描绘，以表示对应于识别的飞行器故障的维护事件。第三图标类型344可沿时间线336描绘，以表示对应于识别的飞行器警告的维护事件。第四图标类型346可沿时间线336描绘，以表示对应于识别的维护任务或行动的维护事件。用于表示维护事件的图标340-346，以及可选地用于表示图7中的操作事件的条可配置为用户可选择界面元素或图标。在用户选择这些元素/图标时，可提供与对应于所选界面元素的操作或维护事件有关的其他信息进行显示，例如，图6所示。

图8描绘了用于向用户显示的提供标记警报功能的示例图形用户界面。例如，当系统用户可访问警报信息时，该警报的标记信息也可提供用于显示。在图8的特别示例中，信息面板360包括识别特定类型的预测警报的一般信息362(例如，预测识别号为360-004-00)，预测警报的更详细说明364(例如，“在飞行前或最长巡航期间，左侧和右侧的引气温度数据间的差异oor”)，以及与特定警报相关的任何标记366(例如，“后期检测”标记368)。

图9描绘了用于向用户显示的提供故障和警告功能的示例图形用户界面。例如，用户界面370包括特定故障/警告372的详细列表，每个故障/警告372发生的对应日期374，以及每个故障/警告372旁边的触发选项376。触发选项376对应于用户可选择的界面元素，例如可选择/取消选择的图标，或可选中/取消选中的框。用户选择或取消选择触发选项376使用户可以手动将故障/警告372标记为与当前警报(当前在用户界面370内查看细节页面，以进行描述)相关或不相关。可提供类似的触发选项功能，以标记维护缺陷和相关行动。

图10描绘了提供描述面板功能的示例图形用户界面，作为标记编辑器用户界面380(标记编辑器的一部分)的一部分显示给用户。在一般标记编辑器中，用户界面380可允许用户添加或编辑特定数据实体的标记或关系。例如，图10的用户界面380展示了特定数据实体(对应于“引气温度差异oor”的警报381)的标记编辑器。例如图10所示的标记编辑器界面也可配置为从故障和警告面板、维护面板和用于系统内其他数据实体的信息面板内的行访问。可以提供现有标记，用于在“标记”界面显示部分382中显示，例如“后期检测”标记383。可以提供现有关系标记，用于在“关系”界面显示部分384中显示，例如“检测到故障”关系385。可通过选择界面链接386到“添加新标记”来添加新标记。可通过选择界面链接387到“添加新关系”来添加新关系。可以使用描述面板388来编辑或删除现有标记和关系，其对应于可由包括按钮、上下文点击(例如，右键点击)等各种用户选择方法访问的可重用弹出界面部件。描述面板388可包括用于编辑特定标记或关系的“编辑”界面链接，以及用于删除特定标记或关系的“删除”界面链接。

图11描绘了提供用于新标记类型创建的功能的示例图形用户界面390，例如，可在选择图10的“添加新标记”界面链接386时访问。新标记类型创建界面390可包括“名称”字段391(用于为新标记的名称提供文本输入)、“父实体”字段392(用于识别要与新标记类型定义为父层次关系的数据实体)、“子实体|字段393(用于识别要与新标记类型定义为子层次关系的数据实体)、“父对子显示”字段394(用于定义与父到子关系关联的显示条件)和“子到父显示”字段395(用于定义与子到父关系关联的显示条件)。

图12-14描绘了用于实施本文公开的各种方法的特征和方面的相应流程图。更具体地，参考图12，使多个数据流相互关联的方法(400)包括：来自多个资产相关数据流的一个或多个数据部分作为输入文本提供(402)到自然语言处理算法。在一些示例中，在(402)处提供的资产相关数据流可以来自asn数据库102或其他数据库源，且自然语言处理算法可对应于图1的自然语言处理算法116。可以在(402)处提供的资产相关数据流内的(404)处识别一个或多个数据实体。在一些示例中，可以通过自然语言处理算法116(例如，通过名称实体识别操作120)来实现(404)处的数据实体识别。在(404)处识别的数据实体之间的一个或多个关系可以在(406)识别。在一些示例中，可以通过自然语言处理算法116(例如，通过共指消解操作122和/或关系提取操作124)来实现(406)处的关系识别。

仍然参考图12，可在(408)处生成一个或多个处理规则，用于将信息应用于在资产相关数据流内的(404)处识别的数据实体。在(408)处生成的处理规则可包括在(404)处将一个或多个关键字与在资产相关数据流内所识别的一个或多个数据实体相关联的标记规则。在(408)处生成的处理规则可额外或替代地包括在(404)处识别资产相关数据流内所识别的两个或多个数据间关系的关系规则。在一些示例中，在(408)处生成的标记规则和/或关系规则可作为业务规则处理算法128的一部分实施，例如在图1的关系规则应用130和标记规则应用132内。标记规则和/或关系规则可作为基于规则的引擎148的一部分在(408)处生成，用于实施图2所示的机器学习训练循环。然后，在(408)处生成的一个或多个处理规则可作为用于评估资产相关数据后续部分的统计模型的一部分存储在(410)处。在(410)处存储的统计模型可存储为图1的数据标记及关联系统100或asn数据库102的一部分，或图3所示的处理规则和算法212的一部分。

仍然参考图12，特征(412-416)通常涉及公开的数据标记及关联系统，以及包括用户输入的相关方法方面。可以在(412)处接收用户指令，用于标记来自多个资产相关数据流的数据的一个或多个部分。可以从如图2所示的用户界面156或本文公开的任何其他用户输入功能接收用户指令。根据在(412)处接收的用户指令标记的数据的一个或多个部分然后可在(414)处提供为统计模型的输入。图2直观地描绘了用户标记的数据如何最终成为在158处提取的标记训练数据组的一部分，以便更新基于规则的引擎148内的统计模型。可根据用户指令，在(416)处由在(412)处标记的数据的一个或多个部分生成一个或多个额外或更新的处理规则。这些额外或更新的处理规则可以在(416)处存储为统计模型的一部分。额外或更新的处理规则可存储在(416)处，作为图1的数据标记及关联系统100或asn数据库102的一部分，或图3所示的处理规则和算法212的一部分。

虽然图12的方法(400)专注于统计模型的训练，包括生成用于该模型的处理规则(然后可用于处理后续数据流)，图13关注统计模型训练完成后的后续数据处理。因此，方法(420)包括从多个资产相关数据流接收(422)数据的一个或多个部分。在一些示例中，在(422)处接收的数据可来自asn数据库102或其他数据库源。在(424)处访问的统计模型定义了一个或多个数据实体和用于将信息应用于数据实体的一个或多个处理规则。在(424)处访问的统计模型可以是图1的数据标记及关联系统100、其选择部分和/或由系统100访问的库和数据组的一部分，特别包括但不限于自然语言处理算法116和业务规则处理算法128。在数据内的(426)处可识别一个或多个数据实体(例如，飞行器系统和子系统、部件号和名称、飞行器尾号、航空缩写、任务号、行动、问题、故障、警报、警告等)。(426)处的数据实体的识别可以在自然语言处理算法116内完成。一个或多个关键字可在(428)处标记到在(426)处标记的一个或多个数据实体。在一些示例中，在(428)处对关键字进行标记是标记规则应用132的一部分。识别的数据实体之间的一个或多个关系可以在(430)处识别和定义，例如，可实施为关系规则应用130的一部分。可提供一个或多个识别的数据实体、一个或多个标记的关键字和/或一个或多个识别的关系，以便在(432)处显示给用户。这些项目可在用户界面156处提供，以进行显示，或者分别在图6-11所描绘的示例用户界面中的任一个中显示。在一些示例中，方法(420)可以具有使用在(424)处访问的一个或多个处理规则，对在(422)处接收的数据的一个或多个部分进行评估，以产生输出并执行维护行动(至少部分基于输出)，包括一个或多个识别的数据实体和标记到一个或多个标记的数据实体的一个或多个关键字。

现在参考图14，其描绘了用于多个资产(例如飞行器)的汇总维护数据的示例可视化方法(440)。尽管在飞行器和飞行器相关数据的特定上下文中描述了方法(440)，但是应理解，类似方法可以与其他资产或资产队列一起使用。在(442)处可以从多个飞行器中识别一个或多个飞行器。例如，如图6和7所示，可过用于确定和显示汇总数据的尾号来识别选定的一组飞行器。可在(444)处从多个飞行器相关数据流获取数据的一个或多个部分。在(444)处访问的数据可来自asn数据库102或其他数据位置。飞行器相关数据流可包括每个所选飞行器的至少一个维护数据流，以促进一个或多个维护事件的后续识别。

仍然参考图14，可以在(446)处从飞行器相关数据流中识别一个或多个操作事件(例如，飞行器飞行)和一个或多个维护事件(例如，维护缺陷/行动、飞行器故障/警告、飞行器警报等)。在一些示例中，操作事件和/或维护事件的识别可通过配置为分析飞行器相关数据的预配置数据处理算法来实施。在一些示例中，操作事件和/或维护事件的识别可以通过将数据提供给由机器学习过程训练的统计模型来实现，以便基于数据特征的特定标识来识别维护和操作事件。在这些示例中，所识别的操作事件和/或维护事件可识别为来自统计模型的输出。

在(446)处识别的操作事件和维护事件中的一个或多个可提供为在(448)处显示。可以甘特图等图表格式，在一段时间内追踪每架所选飞行器的事件。这种图表的示例在图6的第一“故障和警告”界面部分322或图7的更具体的用户界面330中示出。在图7的示例中，操作事件描绘为沿线性时间线的条，而维护事件描绘为沿相同的线性时间线的用户可选图标。在一些更详细的示例中，可以在(450)处接收用户指令，其表示提供用于在(448)处显示的一个操作事件或维护事件的选择。在(450)处接收到的该指令然后可触发在(452)处显示与所选界面元素对应的操作事件或维护事件的相关其他信息。在一些示例中，可至少部分基于在(446)处识别的一个或多个操作事件和维护事件来执行对飞行器的维护行动。

虽然各种实施例的具体特征可能在一些图中示出，而在另一些图中未示出，但这仅是为了方便。根据本说明书的原理，附图的任何特征可以与任何其他附图的任何特征结合参考和/或要求保护。

本书面说明使用示例公开本发明，包括最佳模式，并且使本领域技术人员能够实践本发明，包括制造和使用任何设备或系统，以及执行任何组合方法。本发明的可取得专利范围由权利要求限定，并且可包括本领域技术人员所想到的其他示例。如果这种其他示例包括与权利要求的字面语言无差异的结构元件，或者如果其包括与权利要求的字面语言无实质差异的等同结构元件，则这些示例应包括在在权利要求的范围内。