交通工具系统预测装置的制作方法

本公开的各方面总体上涉及交通工具系统监控，并且具体地涉及交通工具系统健康预测和剩余使用寿命确定。

背景技术：

通常，存在几种常规方法，其有助于估计交通工具系统组件的剩余使用寿命以及检测来自监控交通工具系统组件的传感器的数据中的异常。在这方面，异常检测是指在数据中发现不符合预期行为的模式的问题。例如，统计机器学习模型通常识别时间序列的数据中的异常或可疑数据。回归模型和其他统计分析也可用于识别时间序列的数据中的异常或可疑数据。然而，常规的机器学习模型和统计分析通常识别在其他正常数据流(即，当交通工具系统在正常条件下运行时获得的数据)中的孤立的异常序列。聚类分析方法也可用于时间序列的数据中的异常检测。然而，聚类分析方法通常丢弃关于考虑中的当前点或时间窗口之外的更大时间背景的有用时间信息。此外，上述分析方法还可具有大的参数空间，需要用户花费相当大的努力来识别其应用的正确设置。

除上述分析方法外，其他常规检测异常数据的方法还包括由领域专家开发的条件指标的简单阈值处理。

上述分析方法通常仅在预警信号方面提供用于交通工具系统组件的潜在故障的指示。该预警信号通常基于被分析数据内的单个特征。

技术实现要素：

以下是根据本公开的主题的可以或不可以要求保护的示例的非穷尽性列表。

根据本公开的主题的一个示例涉及一种交通工具系统预测装置，其包括：交通工具上的一个或多个传感器，该一个或多个传感器被配置为检测交通工具系统的预定特性并且生成对应于用于预定特性的条件指标的条件指标值的至少一个时间序列；以及处理器，其耦接到一个或多个传感器，使得处理器接收条件指标值的至少一个时间序列，处理器被配置为生成用于预定特性的分析模型，该分析模型由处理器用条件指标值的至少一个时间序列中的一个或多个进行训练，其在交通工具系统在正常条件下运行的情况下从一个或多个传感器获得，用分析模型从条件指标值的至少一个时间序列中提取体现交通工具系统的健康指示的一个或多个预定特征，通过基于来自分析模型的一个或多个预定特征的正态分布对一个或多个预定特征进行量化来生成交通工具系统的量化健康评估，以及将交通工具系统的量化健康评估传达给交通工具的操作员或机组人员。

根据本公开的主题的另一个示例涉及一种交通工具系统预测装置，其包括：交通工具上的一个或多个传感器，该一个或多个传感器被配置为检测交通工具系统的预定特性并且生成对应于用于预定特性的条件指标的条件指标值的至少一个时间序列；用户界面；以及处理器，其耦接到一个或多个传感器和用户界面两者，该处理器被配置为识别在条件指标值的至少一个时间序列内的异常并且通过用户界面传达交通工具系统的量化健康评估，至少作为对应于在条件指标值的至少一个时间序列内识别的异常的异常表面的视觉表示。

根据本公开的主题的又一个示例涉及一种用于交通工具系统预测的方法，该方法包括：用交通工具上的一个或多个传感器检测交通工具系统的预定特性并且对应于用于预定特性的条件指标生成至少一个时间序列条件指标值；以及用处理器接收条件指标值的至少一个时间序列，并且其中处理器生成用于预定特性的分析模型，该分析模型由处理器用对应于条件指标的条件指标值的至少一个时间序列中的一个或多个进行训练，其在交通工具系统在正常条件下运行的情况下从一个或多个传感器获得；用分析模型从条件指标值的至少一个时间序列中提取体现交通工具系统的健康指示的一个或多个预定特征，通过基于来自分析模型的一个或多个预定特征的正态分布对一个或多个预定特征进行量化来生成交通工具系统的量化健康评估，以及将交通工具系统的量化健康评估传达给交通工具的操作员或机组人员。

附图说明

已经以一般术语描述了本公开的示例，现在将参照不一定按比例绘制的附图，并且其中在几个视图中相同的附图标记表示相同或相似的零件，并且其中：

图1是根据本公开的各方面的交通工具系统预测装置的框图；

图2是根据本公开的各方面的图1的交通工具系统预测装置的示意性流程图；

图3是根据本公开的各方面的将滑动时间窗口应用于时间序列的数据的示意图；

图4a是示出根据本公开的各方面的剩余使用寿命曲线的曲线图；

图4b是示出根据本公开的各方面的剩余使用寿命量化健康评估的曲线图；

图5是示出根据本公开的各方面的数据点的聚合的曲线图；

图6是示出根据本公开的各方面的异常表面的曲线图；

图7是示出本公开的各方面的留下一次交叉验证的曲线图；

图8是根据本公开的各方面的方法的流程图；

图9是包括分布式交通工具系统的飞行器的示意图；以及

图10是飞行器制造和维修方法的流程图。

具体实施方式

参照图1，本公开的各方面提供了用于确定/估计用于任何合适交通工具100的交通工具系统组件101的剩余使用寿命和异常检测的交通工具系统预测装置150和方法800(参见图8)。在一个方面，交通工具100可以是旋翼飞行器/飞行器902(如图9所示)或任何其他合适的交通工具，诸如飞行器、航空航天器、海上交通工具和/或机动车辆。虽然本文关于交通工具100描述了本公开的各方面，但应理解，本公开的各方面可应用于任何合适的电气系统、化学系统和/或机械系统。

不是识别在其他正常数据流中的孤立异常序列(如通过上述常规分析方法所做的那样)，而是本公开的各方面识别在其他正常数据中的异常序列的趋势(例如，当交通工具系统组件在正常运行条件下运行时从交通工具系统组件101接收的数据)。应注意，正常操作条件可以被限定为交通工具系统组件101的正常运行所需的一组环境。本公开的各方面利用数据驱动建模，而不是条件指标的简单阈值处理(如在常规的故障检测系统中)。本公开的各方面利用无监督学习(例如，用于从没有标记的响应的输入数据组成的数据集中推断机器学习算法)以解决在真实世界设置中常见的正常数据和故障数据之间的大的不平衡，并且对其他数据驱动方法而言是一项挑战。应注意，正常数据和故障数据之间的大的不平衡是由于例如识别在交通工具系统组件101在正常操作条件下运行的情况下在其他正常数据中的异常序列的趋势(例如，大部分收到的数据将是正常数据)。

即使当交通工具系统组件101的即将发生故障的预警信号(例如，在其他正常数据内的异常数据)是间歇性的和嘈杂的时，本公开的各方面也将统计建模与时间序列分析组合以确定/估计剩余使用寿命。此外，与常规的故障检测系统不同，其依赖被分析数据中的单个特征来提供预警信号和剩余使用寿命估计，本公开的各方面与可从对数似然信号计算并调整(例如，通过调整滑动时间窗口大小/长度)以针对特定交通工具系统组件101的广泛范围的预定(数值)特征170兼容。预定特征170可以是超过预定阈值的点分数的一部分、针对每个滑动时间窗口wi拟合至点分数σ的线性回归的斜率、针对每个滑动时间窗口wi的点分数σ的方差(例如，标准偏差)，以及针对每个滑动时间窗口wi的点分数σ的平均值以及本文所述的其他合适的统计数据中的一个或多个。

仍然参照图1和图9，交通工具系统预测装置150从大量噪声变量中提取特征，以便增强对任何合适交通工具100的交通工具系统100s内即将发生的交通工具系统组件101故障和剩余使用寿命预判的预判。交通工具100诸如旋翼飞行器902包括具有任何数量的交通工具系统组件101的任何合适的交通工具系统100s。例如，旋翼飞行器902可以包括一个或多个齿轮箱(例如机械动力传输系统)924、环境系统930、电气系统926和液压系统928，所有这些都可以耦接到旋翼飞行器902的机身918上。交通工具系统预测装置150包括一个或多个传感器103，其设置在交通工具100内或交通工具100上并且被配置为监控相应交通工具系统组件101的一个或多个预定特性102。例如，一个或多个传感器103测量相应交通工具系统组件101的状态的预定方面。由交通工具系统预测装置150使用由一个或多个传感器103获得的测量值以推断相应交通工具系统组件101的状态和操作特性。在一个方面，预定特性102可以是对应于相应交通工具系统组件101的操作特性(例如，振动、电流、电压、油温等)的条件指标。交通工具100上的一个或多个传感器103被配置为检测交通工具系统组件101的预定特性102并且生成对应于用于预定特性102的条件指标的条件指标值的至少一个时间序列tscv。

参照图1和图2，交通工具系统预测装置150还包括任何合适的数据记录器110。在一个方面，数据记录器可以是交通工具100的维护数据记录器、现代信号处理单元或任何其他合适的数据记录器。在一个方面，数据记录器110包括存储器111和处理器140。一个或多个传感器103以任何合适的方式，诸如通过通信电缆104(或者在其他方面，任何合适的无线耦接)耦接到数据记录器110，使得体现一个或多个条件指标值的时间序列tscv的传感器信号被数据记录器110接收并存储在存储器111中以供处理器140处理。处理器140包括用于执行本公开的各方面的任何合适的非暂时性计算机程序代码。例如，处理器140包括剩余使用寿命(rul)组件140rul(图2)。剩余使用寿命(rul)组件140rul包括剩余使用寿命组件构建模块141(在图2中被示出并且被称为“build_rul”)、分析模型构建模块142(在图2中被示出并且被称为“build_gm”)、时间序列处理模块143(在图2中被示出并且被称为“proc_time_series”)、剩余可用寿命估计模块144和故障查询模块145(在图2中被示出并且被称为“failure？”)。

分析模型构建模块142和时间序列处理模块143可以被称为高斯模型虚拟传感器gmvs。由分析模型构建模块142和时间序列处理模块143形成的高斯模型虚拟传感器gmvs是基于多变量高斯模型(无监督学习)的特征变换，其增强交通工具系统组件101预测和剩余使用寿命预判。应注意，潜在的因果机制存在于交通工具系统100s的交通工具系统组件101内和交通工具系统100s的交通工具系统组件101之间，并且引起预定特性102之间的统计依赖性。这些统计依赖性由高斯模型虚拟传感器gmvs捕获和提取，并且被组织以便识别指示交通工具系统组件101的操作特性中的变化的微妙信号。交通工具系统组件101的操作特性中的这些变化通常指示即将发生的交通工具系统组件101故障并且还携带关于交通工具系统组件101的剩余使用寿命的信息。

如本文所述，给定一组变量(例如，条件指标值的时间序列tscv)，通过该变量测量一个或多个交通工具系统组件101的状态，高斯模型虚拟传感器gmvs使用对应于正常(例如非故障)操作条件/传感器测量值(例如训练条件指标值xt的时间序列)的数据进行训练。由此，高斯模型虚拟传感器gmvs在没有标记故障数据的情况下运行。如本文中还描述的，给定对应于来自交通工具100的测量序列的测试/分析数据的多变量时间序列(例如，分析条件指标值xa的时间序列)，其中为了确定/估计预定交通工具系统组件101的剩余使用寿命，高斯模型虚拟传感器gmvs对分析条件指标值xa的时间序列应用至少一个可变长度的滑动时间窗口w1至滑动时间窗口wn(图3)。针对分析条件指标值xa的时间序列中的每个分析时间序列x1、分析时间序列x2、...、分析时间序列xn，对应于每个可变长度的滑动时间窗口w1至滑动时间窗口wn的高斯模型虚拟传感器gmvs的输出被聚合为一维信号。处理器140被配置为在滑动时间窗口w1至滑动时间窗口wn(图3)在分析时间序列x1、分析时间序列x2、...，分析时间序列xn上移动时分析聚集信号的一阶行为，使得交通工具系统预测装置150确定/估计交通工具系统组件101的剩余使用寿命。这里，交通工具系统预测装置150通过建立由高斯模型虚拟传感器gmvs提供的故障检测能力来确定/估计交通工具系统组件101的剩余使用寿命。

仍然参照图1和图2，高斯模型虚拟传感器gmvs包括分析模型m，其在一个方面是由分析模型构建模块142创建的高斯模型。在其他方面中，可以使用任何合适的统计模型，诸如高斯混合模型。分析模型m可以存储在存储器111中，使得分析模型m可由处理器140访问。分析模型m提供多元数据点(例如，分析条件指标值xa的时间序列上)上的预处理。分析模型m被配置为学习在正常操作条件下(例如，当故障不是即将来临时)传送交通工具系统组件101的状态的多元数据点的特性。处理器140被配置为生成用于交通工具系统组件101的预定特性102的分析模型m，其中分析模型m由处理器140用训练条件指标值xt的至少一个时间序列中的一个或多个进行训练，其在交通工具系统100s在正常条件下运行的情况下从一个或多个传感器103获得。例如，分析模型m由分析模型构建模块142创建，使得分析模型m拟合正常数据并且针对分析模型m提供对未来数据的评分(例如分析条件指标值xa的时间序列)。在算法1中示出了用于创建分析模型m的示例性伪代码实施方式。

算法1：构建表示“正常”行为的模型表征数据的过程

函数：build_gm(xt)

输入：xt＝{xt1，...，xtn}是一组训练测量值。

1：{使用pca构建高斯模型。}

2：返回m，s{返回模型m和标量s。}

这里，在分析模型构建模块142中接收训练条件指标值xt(包括训练测量值/条件指标值xt1，...，xtn的集合)的时间序列。如本文所指出的，训练条件指标值xt的时间序列包括从在正常操作条件下运行的交通工具系统组件101获得的数据(例如，正常数据)。分析模型构建模块142被配置为使用例如主成分分析(pca)或任何其他合适的概率分析来创建分析模型m。作为主成分分析的结果，分析模型m和标量s被返回并存储在例如存储器111中。标量s例如是基于正常数据的来自分析模型m的对数似然信号的平均值和标准偏差(s)。标量s可用于确定未来数据(例如分析条件指标值xa的时间序列)是否是异常的(例如，基于分析模型m的正态分布nd量化从未来数据提取的一个或多个预定特征)。例如，可以将用于分析条件指标值xa的时间序列中的分析时间序列x1至分析时间序列xn的对数似然与标量s进行比较，以确定分析时间序列x1至分析时间序列xn内的数据点如何正常或异常。

参照图1、图2和图3，时间序列处理模块143通过将分析模型m应用于经预处理的多元数据点的时间序列上的滑动时间窗口w1至滑动时间窗口wn(图3)，从预处理的多元数据点生成增强特征。例如，给定数据点x＝(x1，x2，...，xn)的时间序列，其中x是分析条件指标值xa的时间序列中的分析时间序列x1至分析时间序列xn中的一个，时间序列处理模块143使用窗口化和聚合模式将分析模型m应用于数据点x的时间序列。例如，如图3所见，时间序列处理模块143将数据点x的时间序列分配给滑动时间窗口w1、滑动时间窗口w2，...，滑动时间窗口wn，使得任意时间窗口wi＝(xj，xj+1，...，xj+k'-1)包括来自数据点x的时间序列(例如，k限定滑动时间窗口wi的最大尺寸/长度)的至多k个连续点的序列。针对每个滑动时间窗口wi，使用使用算法1创建的分析模型m，对滑动时间窗口wi内的至少一个数据点进行评分(例如，以生成对应于每个窗口w1至窗口wn的分数σ1至分数σn)。例如，分析模型m针对数据点x的时间序列生成对数似然，并且时间序列处理模块143将每个滑动时间窗口wi中数据点x的时间序列的对数似然与标量s进行比较以针对各个窗口wi生成分数σ1至分数σn。这里令σi＝(σi，1，...，σi，k)表示滑动时间窗口wi中的用于点的分数，其中i＝滑动时间窗口数目并且1-k(在i，1至i，k中)表示滑动时间窗口wi内的数据点。时间序列处理模块143被配置为使用任何合适的聚合方法将用于每个滑动时间窗口wi的分数σi聚合成相应的单个聚合值αi。

在一个方面中，时间序列处理模块143被配置为通过确定大于给定阈值的(点)分数σi的一部分(参见图4a，例如异常点的一部分)、拟合于(点)分数σi的线性回归的斜率(参见图5，其中在每个滑动时间窗口上执行线性回归并且斜率作为聚合值返回)、(点)分数σi的方差以及点/分数σi的平均值中的中的一个或多个来聚合用于每个滑动时间窗口wi的分数σi。为了示例性的目的，图4a示出了用于使用滑动时间窗口wi内的异常点/分数σi的部分构建剩余可用寿命曲线rulc(如本文关于算法3所述)的过程，其中图4a中的每个(点)分数σi对应于各个相应的滑动时间窗口wi，并且针对二次多项式曲线拟合示出回归线。此外，为了示例性的目的，图5示出了使用对滑动时间窗口wi中的每一个的(点)分数σi执行线性回归的聚合方法的剩余使用寿命的指示，并且将该斜率作为聚合值αi返回。

时间序列处理模块143将数据点x的时间序列变换成有序的窗口集合w，针对每个滑动时间窗口wi的分数向量(参见图3中的)，以及针对每个滑动时间窗口wi的汇总标量(参见图3中的α1-αn)。在算法2中列出时间序列处理模块143的伪代码描述。

算法2：针对单个时间序列建立时间剖面的过程(其中时间序列也可以被称为案例研究)

函数：proc_time_series(x，m，s，k)

输入：x＝(x1，...，xt)是测量值的时间序列。

输入：m和s是算法1返回的模型和标量。

输入：k≥1是滑动窗口的最大长度。

1：{创建x的窗口，其中针对k'≤k，wi＝(xj，xj+1，...，xj+k'-1)}

2：对于所有i＝1，...，t'成立

3：

4：{对窗口中的每个点进行评分}

5：{将窗口的分数聚合成单个值。}

6：结束

7：返回w＝(w1，...，wt')，

参照图1和图2以及算法3(以下)，高斯模型虚拟传感器gmvs的分析模型构建模块142和时间序列处理模块143被示出为与剩余使用寿命组件140rul集成。这里，训练数据200被输入(图8，框805)到剩余使用寿命组件构建模块141中。训练数据200包括例如训练条件指标值xt的时间序列、故障条件指标值xf的时间序列、给定数据测量值x∈xi的函数τ，τ(x)是案例研究xi故障前的小时数，以及滑动时间窗口wi的最大长度k。

剩余使用寿命组件构建模块141使用分析模型构建模块142，如上所述(也参见算法3的第1行)，以使用训练条件指标值xt的时间序列来生成分析模型m(图8，框810)。

从图2中可以看出，rul组件140rul生成并训练可存储在存储器111中的rul模型146(图8，框815)。为了生成和训练rul模型146，向rul组件构建模块141提供故障案例研究(例如，故障条件指标值xf的时间序列)的集合，其中故障条件指标值xf的时间序列中的每个xfi是记录即将发生故障之前的一系列测量的测量值的时间序列。例如，对应于条件指标的故障条件指标值xf的至少一个时间序列在交通工具系统100s(图1)仅在异常条件下运行的情况下从一个或多个传感器103(图1)获得。应注意，本文中用于测量的每个时间序列xfi的约定假定时间序列被定向为使得故障发生在第一点“之前”并且随后的点表示进一步和进一步进入过去的实例。

通过将预定尺寸的滑动时间窗口wi应用于故障条件指标值xf的至少一个时间序列，从故障条件指标值xf的至少一个时间序列中提取预定故障特征，其中每个故障条件指标值xf的故障数据点用分析模型m对滑动时间窗口wi内的故障条件指标值xf的至少一个时间序列进行评分，以产生滑动时间窗口wi内的一个或多个故障数据点的(故障点)分数σ。例如，针对每个或至少一个时间序列的测量xfi，rul组件构建模块141调用算法2的特征提取(参见算法3的第4行)，以获得故障条件指标值xf的时间序列的加窗版本(例如，加窗版本是wi＝(w1，...，wt'))、分数向量其中第i个条目包括wi中用于第i个窗口的分数向量(参见算法2的第4行)，并且另一个向量其第i个条目包括wi中用于第i个窗口的聚合分数(参见算法2的第5行)。针对每个时间序列xfi∈xf创建包括wi、的元组，其中元组wi、被存储在存储器111中的集合c中(见算法3的第2行至第6行)。

另外，还参照图4a，为了生成rul模型146，由rul组件构建模块141使用存储在集合c中的信息(例如，包括用于每个时间序列xfi∈xf的wi、的元组)以估计剩余使用寿命曲线rulc(参见图4a)。例如，rul组件构建模块141生成对应于一个或多个预定特征170的正态分布nd中的异常数据点的二维点p的集合。二维点中的每一个表示用于对应的滑动时间窗口wi的聚合分数σ与出现对应的滑动时间窗口wi的故障之前的时间量。这里，rul组件构建模块141为每个或至少一个时间序列的测量值xfi的每个或至少一个窗口构建二维点的集合，其中第一组件(例如，图4a中的水平轴线)测量窗口wi的聚合分数(以在相应窗口wi中观察到的异常点的一部分的形式)，并且第二组件(例如，图4a中的竖直轴线)表示窗口出现故障之前的时间量。与给定窗口wi＝(wi1，wi2，...，wik)(来自上述滑动时间窗口w1至滑动时间窗口wn的应用)相关联的时间使用关于给定滑动时间窗口wi中的第一点wi1的任何适当的辅助信息来解决。因此，令ti＝τ(wi1)表示与滑动时间窗口wi相关联的时间。用于剩余使用寿命曲线rulc(如图4a所示)的结果点pi则为pi＝(αi，ti)。所有点的集合，例如对应于每个时间序列xfi∈xf中的所有窗口的集合由p表示。用于创建点p的过程在算法3的第7行至第13行中示出。

rul组件建立模块141使用点p为了将曲线(例如，剩余使用寿命曲线rulc)拟合至用于故障条件指标值xf的至少一个时间序列中的全部的二维点的全部，其中曲线限定对应于平均值的函数，平均值加上预定数量的标准偏差并且平均值减去针对故障条件指标值xf的至少一个时间序列中的全部的二维点的预定数量的标准偏差。然而，不是使用点p本身来拟合剩余使用寿命曲线rulc，而是通过rul组件构建模块141执行聚合分数αi的简单离散化以产生点的仓401(例如，点沿着图4a中的共同竖直轴线布置)，其中是离散点的结果集合，并且是相应聚合分数αi的离散化值。然后，执行任何合适的统计测量，以实现用于每个仓401的概率分布的计算，以便将剩余使用寿命曲线rulc拟合到点在其他方面，点p可以用于拟合剩余使用寿命曲线rulc。

针对点中的离散化聚合分数的每个唯一值，创建三个新点，其对应于点中离散化聚合分数的对应于ti值分布的平均值和±预定数量的标准偏差。令表示结果点集合，其中是对应于平均值的结果点集合，是对应于加上预定数量的标准差的结果点集合，是对应于减去预定数量的标准偏差的结果点集合(参见算法3的第14行至第22行)。rul模型146通过将曲线拟合到点的集合中的每一个来完成，其中结果是一组函数lm(从平均拟合曲线导出)，lσ+(从正标准偏差拟合曲线导出)以及由rul组件140rul用于进行剩余使用寿命估计(参见下面的算法4)和回答剩余使用寿命查询(参见下面的算法5)所使用的lσ-(从负标准偏差拟合曲线导出)。

从上面可以看出，当创建/完成rul模型146时，存在分析模型m、标量s和函数lm、lσ+、lσ-的实例，使得rul组件140rul被初始化并准备好回答查询并对新的(例如，先前未见过/未记录的)测量数据的时间序列(例如，分析条件指标值xa的时间序列)进行剩余使用寿命估计。例如，将由拟合曲线限定的函数lm、lσ+、lσ-应用于一个或多个预定特征170以生成交通工具系统100s和/或交通工具系统组件101的量化健康评估255a、量化健康评估255b。在算法3中列出了rul组件构建模块141的伪代码描述。

算法3：用于构建rul曲线的过程

函数：build_rul(xt，xf，τ，k)

输入：xt＝{x1，...，xn}是一组训练测量值。

输入：xf＝{x1，...，xn'}是用于故障案例研究的时间序列xi的集合。

输入：τ是函数，给定数据测量x∈xi，τ(x)是案例研究xi中故障前的小时数。

输入：k≥1是滑动窗口的最大长度。

1：m，

2：c＝0

3：对于所有xi∈xf成立

4：wi，

5：

6：结束

7：

8：对于所有成立

9：{xi是窗口wi最接近故障的点}

10：

11：

12：

13：结束

14：{在p中离散化每个点的第一个坐标。}

15：

16：对于所有不同的成立

17：

18：

19：

20：

21：

22：结束

23：{拟合平均值和±标准差线}

24：返回m，s，lm，lσ+，lσ-

在一个方面中，参照图1、图2和图4b(以及算法4)，交通工具系统预测装置150用于估计交通工具系统100s和/或交通工具系统组件101的剩余使用寿命，注意到整个交通工具系统100s的剩余使用寿命可以取决于其各个交通工具系统组件101的剩余使用寿命。以上述方式生成和训练分析模型m和rul模型146，以便初始化剩余使用寿命组件140rul。交通工具100上的一个或多个传感器103检测相应交通工具系统100s的预定特性102(例如，交通工具系统100s的交通工具系统组件101的预定特性102)并且对应于用于预定特性102的条件指标生成分析条件指标值xa的至少一个时间序列(图8，框820)。分析条件指标值xa的至少一个时间序列被存储在存储器111中并且由处理器140从存储器111接收(图8，框825)。剩余使用寿命组件140rul的rul估计模块144接收分析模型m、标量s和函数lm、函数lσ+、函数lσ-作为输入。rul估计模块144还接收具有任何合适长度的时间序列测量值的至少一个窗口w＝(x1，x2，...，xk)作为输入，所述时间序列测量值对应于以上关于算法2确定的分析条件指标值xa的至少一个时间序列。

以类似于上述的方式，窗口w内的数据点由分析模型m处理，例如，提取体现交通工具系统100s的健康指示的一个或多个预定特征(图8，框830)，将其应用于标量s并进行评分，其中分数σ＝(σ1，...，σk)。以与上述类似的方式，将分数σ聚合为合计聚合值α。这个该聚合值α被应用于函数lm、函数lσ+、函数lσ-，以通过返回曲线rm、返回曲线rσ+、返回曲线rσ-来生成交通工具系统100s(或交通工具系统组件101)的量化健康评估255b(图8，框835)，其中rm是表示平均剩余使用寿命的曲线，rσ+是表示剩余使用寿命的正(任何合适数量)的标准偏差的曲线，rσ-是表示剩余使用寿命的负(任何合适数量)的标准偏差的曲线。交通工具系统100s(或交通工具系统组件101)的量化健康评估255b被传达给交通工具100的操作员或机组人员(图8，框840)。在一个方面，通过交通工具100的用户界面250的任何合适的指示器设备251呈现图4b中所示的曲线图。算法4中列出了用于确定交通工具系统100s和/或交通工具系统组件101的剩余使用寿命的伪代码描述。

算法4：用于估计给定测量窗口rul的过程

函数：estimate_rul(m，s，lm，lσ+，lσ-，w)

输入：m，s，lm，lσ+，lσ-是由算法3返回的模型和rul曲线。

输入：w＝(x1，...，xk)是测量值的时间序列的短窗口。

{对窗口进行评分并且聚合分数。}

1：

2：

{获取rul预测。}

3：

4：

5：

6：返回rm，rσ+，rσ-

从图4b的曲线图可以看出，交通工具系统预测装置150产生交通工具系统100s和/或交通工具系统组件101的剩余使用寿命的数值估计(例如，直到故障的剩余小时数)作为输出。例如，(剩余使用寿命)曲线rm、曲线rσ+、曲线rσ-以置信界限(例如，曲线rσ+、曲线rσ-)数值化地示出直到故障的小时数(例如，曲线rm)，以提供剩余使用寿命的可靠估计。另外，提供量化健康评估255b的可视化(例如，在这方面，如图4b的曲线图)允许交通工具100的用户或机组人员识别指示即将发生故障的趋势。

尽管量化健康评估255b在上面被描述为示出(剩余使用寿命)曲线rm、曲线rσ+、曲线rσ-的曲线图，但在参照图3和图6的另一方面中，量化健康评估255b可以在指示器设备251(图1)上表示为由故障之前的时间、一个或多个预定特征的异常以及该一个或多个预定特征(参见图6)限定的异常表面600的可视化，其中异常是例如由分析模型m的正态分布nd确定的在正常操作期间接收到的数据中的异常数据的存在。这里，高斯模型虚拟传感器gmvs能够在即将发生故障的情况下清楚地显示信号。图6所示的异常表面600是通过编译来自高斯模型虚拟传感器gmvs的输出信号以产生任何合适数量分析条件指标值xa的时间序列的而生成的。在这些分析条件指标值xa的时间序列中，用作算法2中的子程序的集合方法返回滑动时间窗口wi中超过预定阈值(例如，其称为异常阈值d)的点的部分。这里，异常阈值d是与滑动时间窗口wi中的数据点的平均值的预定数量的标准偏差。例如，图6中的异常阈值轴线示出了用于异常阈值d的示例性值范围，然而异常阈值轴线可以具有任何合适的值范围，例如，其中异常阈值d设定为在两个和三个标准偏差之间的范围(例如，2≤d≤3)的范围。除了异常阈值d之外，异常表面600相对于其他两个轴线(例如，异常表面是三维的)绘制，其包括故障之前的小时数和窗口wi中的异常测量的部分。由此，异常表面600中的“异常”是数据点的数量超过窗口wi中的数据点的平均值的预定数量的标准偏差。如从图6可以看出，随着即将发生的故障接近，窗口中的异常测量部分增加，表示即将发生故障的趋势。

再次参照图1和图2，在一个方面中，交通工具系统预测装置150被配置为(作为附加或代替上述图4b和图6的曲线图)在指示器设备251上提供量化健康评估255a作为布尔(boolean)响应，以便查询在规定的时间段内是否会发生故障。例如，这里，故障查询模块145接收分析模型m、标量s和函数lm、函数lσ+、函数lσ-作为输入。故障查询模块145还接收查询时间tq和具有任何适当长度的时间序列测量值(图8，框825)的至少一个窗口w＝(x1，x2，...，xk)作为输入，所述时间序列测量值对应于以上关于算法2确定的分析条件指标值xa的至少一个时间序列。

以类似于上述的方式，窗口w内的数据点由分析模型m处理，例如，提取体现交通工具系统100s的健康指示的一个或多个预定特征(图8，框830)，将其应用于标量s并且进行评分，其中分数σ＝(σ1，...，σk)。以与上述类似的方式，将分数σ聚合为聚合值α。将该聚合值α应用于函数lm、函数lσ+、函数lσ-并且针对查询时间tq(参见算法5的第3行)进行测试以生成交通工具系统100s(或交通工具系统组件101)的量化健康评估255a(图8，框835)。这里如果查询时间tq被确定为大于lσ-(α)但小于lσ+(α)，则在指示器设备251(图8，框840)上提供将在查询时间tq内发生故障的指示(例如，“真”指示)。如果不满足条件lσ-(α)≤tq≤lσ+(α)，则在指示器设备251(图8，框840)上提供将不在查询时间tq内发生故障的指示(例如，“假”指示)。

算法5：用于确定测量窗口w是否指示t小时内即将发生故障的过程

函数：故障？(m，s，lm，lσ+，lσ-，w，tq)

输入：m，s，lm，lσ+，lσ-是由算法3返回的模型和rul曲线。

输入：w＝(x1，...，xk)是测量值的时间序列的短窗口。

输入：tq>0是查询时间。

1：

2：

{相对于rul曲线测试聚合值α和时间tq。}

3：则

4：返回真

5：否则

6：返回假

7：结束如果

在一个方面，如上所述，可以通过调整滑动时间窗口大小/长度k来调整预定(数字)特征170(例如，点的部分、线性回归、平均值、标准偏差和本文所述的其他合适的统计数据)以针对特定交通工具系统组件101。例如，滑动时间窗口wi(参见图3)的最大尺寸/长度k可被调整(增加k)以减少时间序列处理模块143的输出的波动性或者被调整(减少k)以增加时间序列处理模块143的输出的波动性，这取决于例如交通工具系统组件101的类型，从对应于交通工具系统组件101的传感器接收的数据测量的质量，和/或任何其他合适的标准。

参照图1和图7，提供了本公开的各方面的示例性应用。交通工具系统预测装置150和方法800使用从apache飞行器的现代信号处理单元(mspu)接收的数据来实施。mspu数据包括各种加速度计测量值和从加速度计测量值得出的低级数字特征(例如，条件指标)。mspu数据由飞行器在特定的运行状态下定期生成和记录。在该示例中，单个测量值由包含条件指标中的每一个的数值的向量组成。同样在该示例中，分析诸如变速箱的单个交通工具系统组件，并且为变速箱创建数据集合(例如，xt、xa、xf时间序列)。应注意，时间序列xt、时间序列xa、时间序列xf中的一个或多个还可以包括来自其他的条件指标数据，例如相关的交通工具系统组件，使得组件之间的关系可以由分析模型确定以产生更强/更高的概率剩余使用寿命估计。在该示例中，训练条件指标值xt的时间序列是通过从日志条目的数据库中随机选择数据点而创建的，其中要求训练条件指标值xt的时间序列中使用的数据点不与即将发生的故障相关联。然后，关于变速箱编制已知的故障条件指标值xf的时间序列。

高斯模型虚拟传感器gmvs应用于故障条件指标值xf的时间序列时，能够清楚地显示在即将发生的故障接近时的信号。例如，通过从故障条件指标值xf的少量时间序列编译高斯模型虚拟传感器gmvs的输出信号来生成类似于图6中所示的异常表面600。如图6可以看出，高斯模型虚拟传感器gmvs对异常阈值的特定值不是非常敏感，即使在实际故障之前的250小时内即将发生的故障也是显而易见的。

使用算法5的故障查询来使用分析条件指标值xa和目标时间tq的时间序列的单个滑动时间窗口wi来评估交通工具系统预测装置150的性能。在这种情况下，目标时间为24小时，使得预测在24小时内是否会发生故障。在不同的异常阈值上执行小参数扫描，并且使用留下一次交叉验证来评估每个异常阈值。验证了rul模型146(图1和图2)将异常阈值标记为在函数lσ+和函数lσ-之间。图7示出了验证中的一个的结果，表示本公开的各方面可以精确地识别故障24小时内的点。图7的曲线图示出了当异常阈值为约2.5时，rul模型146(图1和图2)捕获的实质上每个测试数据点。

从以上可以看出，本公开的各方面被证明用于识别即将发生的交通工具系统100s(图1)和/或交通工具系统组件101(图1)故障并且提供对该交通工具系统100s和/或交通工具系统组件101的剩余使用寿命的预判。根据本公开的各方面做出的剩余使用寿命预判易于实施，并且模型的训练和应用(例如在图1中示出的分析模型m和rul模型146)可以被快速计算，使得剩余使用寿命预判在小于约5秒内(例如基本实时地)进行。

描述在本文阐述的方法的操作的公开内容和附图不应被解释为必须确定操作将被执行的次序。相反，尽管指示了一个说明性顺序，但应理解，操作的次序可以在适当的时候修改。因此，某些操作可以以不同的顺序或同时执行。另外，在本公开的一些方面中，并非所有在本文描述的操作都需要执行。

本公开的示例可以在如图10所示的飞行器制造和维修方法1000以及如图9所示的交通工具902的背景中进行描述。在预生产期间，说明性方法1000可以包括交通工具902的规格和设计1004以及材料采购1006。在生产期间，发生交通工具902的组件和子组装件制造1008和系统集成1010。此后，交通工具902可以经过认证和递送1012以被放置在服务1014中。在由客户服务时，交通工具902被安排用于例行维护和服务1016(其还可以包括修改、重新配置、翻新等)。

说明性方法1000的过程中的每一个可以由系统集成商、第三方和/或运营商(例如，客户)执行或进行。为了描述的目的，系统集成商可以包括但不限于任何数量的飞行器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供应商、分包商和供应商；而运营商可能是航空公司、租赁公司、军事实体、服务机构等。

如图9所示，由说明性方法1000生产的交通工具902可以包括具有多个高级系统和内部922的机身918。分布在整个飞行器中的高级系统的示例包括推进系统924、电力系统926、液压系统928和环境系统930中的一个或多个。可以包括任何数量的其他系统。本文描述的交通工具系统预测装置150和方法可以被集成到前述交通工具系统924、交通工具系统926、交通工具系统928、交通工具系统930或交通工具902的任何其他系统中的至少任何一个或多个中。虽然示出了航空航天示例，但是本发明的原理可以应用于其他行业，诸如汽车和海运行业。此外，虽然在其他方面中将交通工具902示出为旋转翼飞行器，但是该飞行器可以是固定翼飞行器、空间飞行器、海上交通工具或任何其他合适的地面或地球外交通工具。

本文所示出或描述的系统和方法可以在制造和维护方法1000的阶段中的任何一个或多个期间采用。例如，对应于组件和子组装件制造1008的组件或子组件可以以类似于在交通工具902运行时生产的组件或子组件的方式组装或制造。此外，例如，通过基本上加快交通工具902的组装或降低成本，可以在生产状态1008和生产状态1010期间利用系统、方法或其组合的一个或多个方面。类似地，系统或方法实现或其组合的一个或多个方面可以被利用，例如但不限于，当交通工具902处于服务，例如操作、维护和服务1016中时。

根据本公开的各方面提供以下内容：

a1.一种交通工具系统预测装置，其包括：

交通工具上的一个或多个传感器，该一个或多个传感器被配置为检测交通工具系统的预定特性并且生成对应于用于预定特性的条件指标的条件指标值的至少一个时间序列；以及

处理器，其耦接到一个或多个传感器，使得处理器接收条件指标值的至少一个时间序列，该处理器被配置为

生成用于预定特性的分析模型，该分析模型由处理器用条件指标值的至少一个时间序列中的一个或多个进行训练，其在交通工具系统在正常条件下运行的情况下从一个或多个传感器获得，

用分析模型从条件指标值的至少一个时间序列中提取体现交通工具系统的健康指示的一个或多个预定特征，

通过基于来自分析模型的一个或多个预定特征的正态分布量化一个或多个预定特征来生成交通工具系统的量化健康评估，以及

将交通工具系统的量化健康评估传达给交通工具的操作员或机组人员。

a2.根据段落a1的交通工具系统预测装置，其中分析模型是高斯模型。

a3.根据段落a1的交通工具系统预测装置，其中处理器被配置为通过将预定大小的滑动时间窗口应用于条件指标值的至少一个时间序列来提取一个或多个预定特征，其中用分析模型对滑动时间窗口内的条件指标值的至少一个时间序列进行评分，以产生用于滑动时间窗口内的一个或多个数据点的点分数。

a4.根据段落a3的交通工具系统预测装置，其中针对每个滑动时间窗口，该一个或多个预定特征包括超过预定阈值的点分数的一部分。

a5.根据段落a3的交通工具系统预测装置，其中针对每个滑动时间窗口，该一个或多个预定特征包括拟合到点分数的线性回归的斜率。

a6.根据段落a3的交通工具系统预测装置，其中针对每个滑动时间窗口，该一个或多个预定特征包括点分数的变化。

a7.根据段落a3的交通工具系统预测装置，其中针对每个滑动时间窗口，该一个或多个预定特征包括点分数的平均值。

a8.根据段落a3的交通工具系统预测装置，其中处理器被配置为通过滑动时间窗口的定位形成时间窗口的有序集合。

a9.根据段落a1的交通工具系统预测装置，其中处理器还被配置为：

获得对应于条件指标的条件指标值的至少一个故障时间序列，其在交通工具系统仅在异常条件下运行的情况下从一个或多个传感器获得；以及

通过将预定大小的滑动时间窗口应用于条件指标值的至少一个故障时间序列，从条件指标值的至少一个故障时间序列中提取预定故障特征，其中用分析模型对滑动时间窗口内的条件指标值的至少一个故障时间序列中的每个故障数据点进行评分以产生用于滑动时间窗口内的一个或多个故障数据点的故障点分数；

其中，预定故障特征包括条件指标值的至少一个故障时间序列的加窗版本、故障点分数的向量以及聚合故障点分数的向量。

a10.根据段落a9的交通工具系统预测装置，其中处理器被配置为针对应用于条件指标值的至少一个时间序列的每个滑动时间窗口：

生成对应于一个或多个预定特征的正态分布中的异常数据点的二维点的集合，该二维点中的每一个表示用于对应的滑动时间窗口的聚合分数与出现对应的滑动时间窗口的故障之前的时间量；以及

针对条件指标值的至少一个时间序列中的全部将曲线拟合到二维点中的全部，其中曲线限定对应于平均值的函数，该平均值加上预定数量的标准偏差，并且该平均值针对条件指标值的至少一个时间序列中的全部减去二维点的预定数量的标准偏差。

a11.根据段落a10的交通工具系统预测装置，其中处理器被配置为将由曲线限定的函数应用于一个或多个预定特征以生成交通工具系统的量化健康评估。

a12.根据段落a1的交通工具系统预测装置，其中交通工具的量化健康评估包括异常(例如，在如由正态分布确定的正常操作期间接收的数据中的异常数据的存在)表面的可视化，异常表面由故障之前的时间、一个或多个预定特征的异常以及该一个或多个预定特征限定。

a13.根据段落a1的交通工具系统预测装置，其中交通工具的量化健康评估包括布尔量化。

a14.根据段落a13的交通工具系统预测装置，其进一步包括耦接到处理器的用户界面，该处理器被配置为从用户界面接收用于生成量化健康评估的分析时间段。

a15.根据段落a14的交通工具系统预测装置，其中布尔量化是交通工具系统在分析时间段内的剩余使用寿命的布尔指示。

a16.根据段落a1的交通工具系统预测装置，其中交通工具系统的量化健康评估是交通工具系统的剩余使用寿命的指示。

b1.一种交通工具系统预测装置，其包括：

交通工具上的一个或多个传感器，该一个或多个传感器被配置为检测交通工具系统的预定特性并且生成对应于用于预定特性的条件指标的条件指标值的至少一个时间序列；

用户界面；以及

处理器，其耦接到一个或多个传感器和用户界面两者，该处理器被配置为识别条件指标值的至少一个时间序列内的异常，并且通过用户界面传达交通工具系统的量化健康评估，最少作为对应于在条件指标值的至少一个时间序列内识别的异常的异常表面的视觉表示。

b2.根据段落b1的交通工具系统预测装置，其中异常表面由故障前的时间、一个或多个预定特征的异常和该一个或多个预定特征限定，其中该一个或多个预定特征体现交通工具系统的健康指示。

b3.根据段落b1的交通工具系统预测装置，其中交通工具的量化健康评估进一步包括布尔量化。

b4.根据段落b3的交通工具系统预测装置，其进一步包括耦接到处理器的用户界面，该处理器被配置为从用户界面接收用于生成量化健康评估的分析时间段。

b5.根据段落b4的交通工具系统预测装置，其中布尔量化是分析时间段内交通工具系统的剩余使用寿命的布尔指示。

b6.根据段落b1的交通工具系统预测装置，其中处理器被配置为：

生成用于预定特性的分析模型，该分析模型由处理器用对应于条件指标的条件指标值的至少一个时间序列中的一个或多个进行训练，其在交通工具系统在正常条件下运行的情况下从一个或多个传感器获得，

用分析模型从条件指标值的至少一个时间序列中提取体现交通工具系统的健康指示的一个或多个预定特征，以及

通过基于一个或多个预定特征的正态分布量化一个或多个预定特征来生成交通工具系统的量化健康评估。

b7.根据段落b6的交通工具系统预测装置，其中分析模型是高斯模型。

b8.根据段落b6的交通工具系统预测装置，其中处理器被配置为通过将预定大小的滑动时间窗口应用于条件指标值的至少一个时间序列来提取一个或多个预定特征，其中用分析模型对滑动时间窗口内的条件指标值的至少一个时间序列中的每个数据点进行评分，以产生用于滑动时间窗口内的一个或多个数据点的点分数。

b9.根据段落b8的交通工具系统预测装置，其中针对每个滑动时间窗口，该一个或多个预定特征包括超过预定阈值的点分数的一部分。

b10.根据段落b8的交通工具系统预测装置，其中针对每个滑动时间窗口，该一个或多个预定特征包括拟合到点分数的线性回归的斜率。

b11.根据段落b8的交通工具系统预测装置，其中针对每个滑动时间窗口，该一个或多个预定特征包括点分数的变化。

b12.根据段落b8的交通工具系统预测装置，其中针对每个滑动时间窗口，该一个或多个预定特征包括点分数的平均值。

b13.根据段落b8的交通工具系统预测装置，其中处理器被配置为通过滑动时间窗口的定位形成时间窗口的有序集合。

b14.根据段落b6的交通工具系统预测装置，其中处理器进一步被配置为：

获得对应于条件指标的条件指标值的至少一个故障时间序列，其在交通工具系统仅在异常条件下运行的情况下从一个或多个传感器获得；以及

通过将预定大小的滑动时间窗口应用于条件指标值的至少一个故障时间序列，从条件指标值的至少一个故障时间序列中提取预定故障特征，其中用分析模型对滑动时间窗口内的条件指标值的至少一个故障时间序列中的每个故障数据点进行评分以产生用于滑动时间窗口内的一个或多个故障数据点的故障点分数；

其中预定故障特征包括条件指标值的至少一个故障时间序列的加窗版本、故障点分数的向量以及聚合故障点分数的向量。

b15.根据段落b14的交通工具系统预测装置，其中处理器被配置为针对应用于条件指标值的至少一个时间序列的每个滑动时间窗口：

生成对应于一个或多个预定特征的正态分布中的异常数据点的二维点的集合，该二维点中的每一个表示用于对应的滑动时间窗口的聚合分数与出现对应的滑动时间窗口的故障之前的时间量；以及

针对条件指标值的至少一个时间序列中的全部将曲线拟合到二维点中的全部，其中曲线限定对应于平均值的函数，该平均值加上预定数量的标准偏差，并且该平均值针对条件指标值的至少一个时间序列中的全部减去二维点的预定数量的标准偏差。

b16.根据段落b15的交通工具系统预测装置，其中处理器被配置为将由曲线限定的函数应用于一个或多个预定特征以生成交通工具系统的量化健康评估。

b17.根据段落b1的交通工具系统预测装置，其中交通工具系统的量化健康评估是交通工具系统的剩余使用寿命的指示。

c1.一种用于交通工具系统预测的方法，该方法包括：

用交通工具上的一个或多个传感器检测交通工具系统的预定特性并且生成对应于用于预定特性的条件指标的条件指标值(xt、xa)的至少一个时间序列；以及

用处理器接收条件指标值的至少一个时间序列，并且用该处理器

生成用于预定特性的分析模型，该分析模型由处理器用对应于条件指标的条件指标值的至少一个时间序列(xt)中的一个或多个进行训练，其在交通工具系统在正常条件下运行的情况下从一个或多个传感器获得；

用分析模型从条件指标值的至少一个时间序列(xa)中提取体现交通工具系统的健康指示的一个或多个预定特征，

通过基于一个或多个预定特征的正态分布量化一个或多个预定特征来生成交通工具系统的量化健康评估，以及

将交通工具系统的量化健康评估传达给交通工具的操作员或机组人员。

c2.根据段落c1的方法，其中分析模型是高斯模型。

c3.根据段落c1的方法，其中通过将预定大小的滑动时间窗口应用于条件指标值的至少一个时间序列来提取一个或多个预定特征，其中用分析模型对滑动时间窗口内的条件指标值的至少一个时间序列中的每个数据点进行评分以产生用于滑动时间窗口内的一个或多个数据点的点分数。

c4.根据段落c3的方法，其中针对每个滑动时间窗口，该一个或多个预定特征包括超过预定阈值的点分数的一部分。

c5.根据段落c3的方法，其中针对每个滑动时间窗口，该一个或多个预定特征包括拟合到点分数的线性回归的斜率。

c6.根据段落c3的方法，其中针对每个滑动时间窗口，该一个或多个预定特征包括点分数的变化。

c7.根据段落c3的方法，其中针对每个滑动时间窗口，该一个或多个预定特征包括点分数的平均值。

c8.根据段落c3的方法，其进一步包括用处理器通过滑动时间窗口的定位形成时间窗口的有序集合。

c9.根据段落c1的方法，其进一步包括，用处理器：

获得对应于条件指标的条件指标值的至少一个故障时间序列，其在交通工具系统仅在异常条件下运行的情况下从一个或多个传感器获得；以及

通过将预定大小的滑动时间窗口应用于条件指标值的至少一个故障时间序列，从条件指标值的至少一个故障时间序列中提取预定故障特征，其中用分析模型对滑动时间窗口内的条件指标值的至少一个故障时间序列中的每个故障数据点进行评分以产生用于滑动时间窗口内的一个或多个故障数据点的故障点分数；

其中预定故障特征包括条件指标值的至少一个故障时间序列的加窗版本、故障点分数的向量以及聚合故障点分数的向量。

c10.根据段落c9的方法，其进一步包括：针对应用于条件指标值的至少一个时间序列的每个滑动时间窗口：

用处理器生成对应于一个或多个预定特征的正态分布中的异常数据点的二维点的集合，该二维点中的每一个表示用于对应的滑动时间窗口的聚合分数与出现对应的滑动时间窗口的故障之前的时间量；以及

针对条件指标值的至少一个时间序列中的全部将曲线拟合到二维点中的全部，其中曲线限定对应于平均值的函数，该平均值加上预定数量的标准偏差，并且该平均值针对条件指标值的至少一个时间序列中的全部减去二维点的预定数量的标准偏差。

c11.根据段落c10的方法，其进一步包括：用处理器将由曲线限定的函数应用于一个或多个预定特征以生成交通工具系统的量化健康评估。

c12.根据段落c1的方法，其中交通工具的量化健康评估包括异常表面的可视化，异常表面由故障前的时间、一个或多个预定特征的异常以及该一个或多个预定特征限定。

c13.根据段落c1的方法，其中交通工具的量化健康评估包括布尔量化。

c14.根据段落c13的方法进一步包括用处理器从用户界面接收用于生成量化健康评估的分析时间段。

c15.根据段落c14的方法，其中布尔量化是分析时间段内交通工具系统的剩余使用寿命的布尔指示。

在上面提到的图中，连接各种元件和/或组件的实线(如果存在的话)可以表示机械的、电的、流体的、光学的、电磁的、无线的以及其他的耦接和/或其组合。如本文所用，“耦接”意指直接以及间接相关联。例如，构件a可以直接与构件b相关联，或者可以例如经由另一构件c与其间接关联。应理解，并非所有公开的元件之间的所有关系都必须表示。因此，也可以存在不同于附图中描绘的那些耦接。连接指代各种元件和/或组件的块的虚线(如果存在的话)表示在功能和目的上与由实线表示的那些类似的耦接；然而，由虚线表示的耦接可以被选择性地提供，或者可以涉及本公开的替代示例。类似地，用虚线表示的元件和/或组件(如果存在的话)指示本公开的替代示例。在不脱离本公开的范围的情况下，可以从具体示例中省略以实线和/或虚线示出的一个或多个元件。环境元件(如果存在的话)用虚线表示。为了清楚起见，也可以显示虚拟(虚构)元件。本领域技术人员将理解，附图中所示的特征中的一些可以以各种方式进行组合，而不需要包括附图中描述的其他特征、其他附图和/或所附公开，即使此类组合(一个或多个)未在本文中明确示出。类似地，不限于所呈现的示例的附加特征可以与本文示出和描述的特征中的一些或全部相结合。

在上面提到的图8和图10中，框可以表示操作和/或其部分，并且连接各个框的线不暗示操作或其部分的任何特定顺序或依赖性。由虚线表示的框指示替代操作和/或其部分。连接各个框的虚线(如果存在的话)表示操作或其部分的替代依赖性。应理解，并非所有公开的操作之间的所有依赖性都必须表示。图8和图10以及描述在本文阐述的方法的操作的所附公开内容不应被解释为必然确定其中操作将被执行的次序。相反，尽管指示了一个说明性顺序，但应理解，操作的次序可以在适当的时候修改。因此，某些操作可以以不同的顺序或同时执行。

另外，本领域技术人员将会理解，并非所有描述的操作都需要执行。

条款1.一种交通工具系统预测装置，其包括：

交通工具上的一个或多个传感器，该一个或多个传感器被配置为检测交通工具系统的预定特性并且生成对应于用于预定特性的条件指标的条件指标值的至少一个时间序列；以及

处理器，其耦接到一个或多个传感器，使得处理器接收条件指标值的至少一个时间序列，该处理器被配置为

生成用于预定特性的分析模型，该分析模型由处理器用条件指标值的至少一个时间序列中的一个或多个进行训练，其在交通工具系统在正常条件下运行的情况下从一个或多个传感器获得，

用分析模型从条件指标值的至少一个时间序列中提取体现交通工具系统的健康指示的一个或多个预定特征，

通过基于来自分析模型的一个或多个预定特征的正态分布量化一个或多个预定特征来生成交通工具系统的量化健康评估，以及

将交通工具系统的量化健康评估传达给交通工具的操作员或机组人员。

条款2.根据条款1所述的交通工具系统预测装置，其中该分析模型是高斯模型。

条款3.根据条款1或2所述的交通工具系统预测装置，其中处理器被配置为通过将预定大小的滑动时间窗口应用于条件指标值的至少一个时间序列来提取一个或多个预定特征，其中用分析模型对滑动时间窗口内的条件指标值的至少一个时间序列进行评分，以产生用于滑动时间窗口内的一个或多个数据点的点分数。

条款4.根据条款1至3中任一项所述的交通工具系统预测装置，其中处理器进一步被配置为：

获得对应于条件指标的条件指标值的至少一个故障时间序列，其在交通工具系统仅在异常条件下运行的情况下从一个或多个传感器获得；以及

通过将预定大小的滑动时间窗口应用于条件指标值的至少一个故障时间序列，从条件指标值的至少一个故障时间序列中提取预定故障特征，其中用分析模型对滑动时间窗口内的条件指标值的至少一个故障时间序列中的每个故障数据点进行评分以产生用于滑动时间窗口内的一个或多个故障数据点的故障点分数；

其中预定故障特征包括条件指标值的至少一个故障时间序列的加窗版本、故障点分数的向量以及聚合故障点分数的向量。

条款5.根据条款4所述的交通工具系统预测装置，其中处理器被配置为针对应用于条件指标值的至少一个时间序列的每个滑动时间窗口：

生成对应于一个或多个预定特征的正态分布中的异常数据点的二维点的集合，该二维点中的每一个表示用于对应的滑动时间窗口的聚合分数与出现对应的滑动时间窗口的故障之前的时间量；以及

针对条件指标值的至少一个时间序列中的全部将曲线拟合到二维点中的全部，其中曲线限定对应于平均值的函数，该平均值加上预定数量的标准偏差，并且该平均值针对条件指标值的至少一个时间序列中的全部减去二维点的预定数量的标准偏差。

条款6.根据条款5所述的交通工具系统预测装置，其中处理器被配置为将由曲线限定的函数应用于一个或多个预定特征以生成交通工具系统的量化健康评估。

条款7.根据条款1至6中任一项所述的交通工具系统预测装置，其中交通工具的量化健康评估包括异常表面的可视化，该异常表面由故障之前的时间、一个或更多个预定特征的异常和该一个或更多个预定特征限定。

条款8.根据条款1至7中任一项所述的交通工具系统预测装置，其中交通工具的量化健康评估包括布尔量化。

条款9.根据条款8所述的交通工具系统预测装置，其进一步包括耦接到处理器的用户界面，该处理器被配置为从用户界面接收用于生成量化健康评估的分析时间段。

条款10.根据条款9所述的交通工具系统预测装置，其中布尔量化是分析时间段内交通工具系统的剩余使用寿命的布尔指示。

条款11.根据条款1至10中任一项所述的交通工具系统预测装置，其中交通工具系统的量化健康评估是交通工具系统的剩余使用寿命的指示。

条款12.一种交通工具系统预测装置，其包括：

交通工具上的一个或多个传感器，该一个或多个传感器被配置为检测交通工具系统的预定特性并且生成对应于用于预定特性的条件指标的条件指标值的至少一个时间序列；

用户界面；以及

处理器，其耦接到一个或多个传感器和用户界面两者，该处理器被配置为识别条件指标值的至少一个时间序列内的异常，并且通过用户界面传达交通工具系统的量化健康评估，最少作为对应于在条件指标值的至少一个时间序列内识别的异常的异常表面的视觉表示。

条款13.根据条款12所述的交通工具系统预测装置，其中异常表面由故障之前的时间、一个或多个预定特征的异常和该一个或多个预定特征来限定，其中该一个或多个预定特征体现交通工具系统的健康状况的指示。

条款14.根据条款12至13中任一项所述的交通工具系统预测装置，其中处理器被配置为：

生成用于预定特性的分析模型，该分析模型由处理器用对应于条件指标的条件指标值的至少一个时间序列中的一个或多个进行训练，其在交通工具系统在正常条件下运行的情况下从一个或多个传感器获得，

用分析模型从条件指标值的至少一个时间序列中提取体现交通工具系统的健康指示的一个或多个预定特征，以及

通过基于一个或多个预定特征的正态分布量化一个或多个预定特征来生成交通工具系统的量化健康评估。

条款15.根据条款14所述的交通工具系统预测装置，其中分析模型是高斯模型。

条款16.根据条款14至15中任一项所述的交通工具系统预测装置，其中处理器进一步被配置为：

获得对应于条件指标的条件指标值的至少一个故障时间序列，其在交通工具系统仅在异常条件下运行的情况下从一个或多个传感器获得；以及

通过将预定大小的滑动时间窗口应用于条件指标值的至少一个故障时间序列，从条件指标值的至少一个故障时间序列中提取预定故障特征，其中用分析模型对滑动时间窗口内的条件指标值的至少一个故障时间序列中的每个故障数据点进行评分以产生用于滑动时间窗口内的一个或多个故障数据点的故障点分数；

其中预定故障特征包括条件指标值的至少一个故障时间序列的加窗版本、故障点分数的向量以及聚合故障点分数的向量。

条款17.一种用于交通工具系统预测的方法，该方法包括：

用交通工具上的一个或多个传感器检测交通工具系统的预定特性并且生成对应于用于预定特性的条件指标的条件指标值的至少一个时间序列；以及

用处理器接收条件指标值的至少一个时间序列，并且用处理器

生成用于预定特性的分析模型，该分析模型由处理器用对应于条件指标的条件指标值的至少一个时间序列中的一个或多个进行训练，其在交通工具系统在正常条件下运行的情况下从一个或多个传感器获得；

用分析模型从条件指标值的至少一个时间序列中提取体现交通工具系统的健康指示的一个或多个预定特征，

通过基于一个或多个预定特征的正态分布量化一个或多个预定特征来生成交通工具系统的量化健康评估，以及

将交通工具系统的量化健康评估传达给交通工具的操作员或机组人员。

条款18.根据条款17所述的方法，其中通过将预定大小的滑动时间窗口应用于条件指标值的至少一个时间序列来提取一个或多个预定特征，其中用分析模型对滑动时间窗口内的条件指标值的至少一个时间序列中的每个数据点进行评分以产生用于滑动时间窗口内的一个或多个数据点的点分数。

条款19.根据条款17至18中的任一项所述的方法，其进一步包括：用该处理器：

获得对应于条件指标的条件指标值的至少一个故障时间序列，其在交通工具系统仅在异常条件下运行的情况下从一个或多个传感器获得；以及

通过将预定大小的滑动时间窗口应用于条件指标值的至少一个故障时间序列，从条件指标值的至少一个故障时间序列中提取预定故障特征，其中用分析模型对滑动时间窗口内的条件指标值的至少一个故障时间序列中的每个故障数据点进行评分以产生用于滑动时间窗口内的一个或多个故障数据点的故障点分数；

其中预定故障特征包括条件指标值的至少一个故障时间序列的加窗版本、故障点分数的向量以及聚合故障点分数的向量。

条款20.根据条款19所述的方法，其进一步包括针对应用于条件指标值的至少一个时间序列的每个滑动时间窗口：

用处理器生成对应于一个或多个预定特征的正态分布中的异常数据点的二维点的集合，该二维点中的每一个表示用于对应的滑动时间窗口的聚合分数与出现对应的滑动时间窗口的故障之前的时间量；以及

针对条件指标值的至少一个时间序列中的全部将曲线拟合到二维点中的全部，其中曲线限定对应于平均值的函数，该平均值加上预定数量的标准偏差，并且该平均值针对条件指标值的至少一个时间序列中的全部减去二维点的预定数量的标准偏差。

在前面的描述中，阐述了许多具体细节以提供对所公开的概念的透彻理解，其可以在没有这些细节中的一些或全部的情况下实践。在其他情况下，已知装置和/或过程的细节已被省略以避免不必要地模糊本公开。虽然将结合具体示例描述一些概念，但应理解，这些示例并非旨在限制。

除非另外指明，否则术语“第一”、“第二”等在本文中仅用作标签，并不旨在对这些术语所指的项目施加序号、位置或等级要求。此外，对例如“第二”项目的提及不要求或排除例如“第一”或较少编号的项目和/或例如“第三”或较高编号的项目的存在。

本文对“一个示例”的引用意指结合该示例描述的一个或多个特征、结构或特性被包括在至少一个实施方式中。说明书中各个地方的短语“一个示例”可能是也可能不是指同一个示例。

如本文所使用的，“被配置为”执行指定功能的系统、装置、结构、物品、元件、组件或硬件确实能够执行指定功能而没有任何改变，而不是仅有可能在进一步修改后执行指定功能。换句话说，被配置为执行指定功能的系统、装置、结构、物品、元件、组件或硬件被具体选择、创建、实施、利用、编程和/或设计用于执行指定功能的目的。如本文所使用的，“被配置为”表示使系统、装置、结构、物品、元件、组件或硬件能够执行指定功能而无需进一步修改的系统、装置、结构、物品、元件、组件或硬件的现有特性。为了本公开的目的，被描述为“被配置为”执行特定功能的系统、装置、结构、物品、元件、组件或硬件可以附加地或另选地被描述为“适于”和/或“可操作地”执行该功能。

本文所公开的装置(一个或多个)和方法(一个或多个)的不同示例包括各种组件、特征和功能性。应理解，本文所公开的装置(一个或多个)和方法(一个或多个)的各种示例可包括以任何组合的本文所公开的装置(一个或多个)和方法(一个或多个)的其他示例中的任何的组件、特征和功能性中的任何，并且此类可能性中的所有都旨在落入本公开的范围内。

本公开所涉及的本领域技术人员将会想到在本文阐述的示例的许多修改，其具有在前面的描述和相关附图中呈现的教导的益处。

因此，应理解，本公开不限于所示的具体示例，并且该修改和其他示例旨在被包括在所附权利要求的范围内。此外，尽管前面的描述和相关附图在元件和/或功能的某些说明性组合的上下文中描述了本公开的示例，但是应理解，在不脱离所附权利要求的范围的情况下可以通过替代实施方式提供元件和/或功能的不同组合。因此，所附权利要求中的括号内的附图标记(如果存在的话)仅出于说明的目的而呈现，并且不旨在将所要求保护的主题的范围限制到本公开中提供的具体示例。