JP2016503530A - 装置の構成要素の集合を監視するシステム - Google Patents

装置の構成要素の集合を監視するシステム Download PDF

Info

Publication number
JP2016503530A
JP2016503530A JP2015538537A JP2015538537A JP2016503530A JP 2016503530 A JP2016503530 A JP 2016503530A JP 2015538537 A JP2015538537 A JP 2015538537A JP 2015538537 A JP2015538537 A JP 2015538537A JP 2016503530 A JP2016503530 A JP 2016503530A
Authority
JP
Japan
Prior art keywords
distribution
agents
probability
anomaly
feedback information
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
JP2015538537A
Other languages
English (en)
Other versions
JP6751561B2 (ja
Inventor
ラカイユ，ジェローム
ラベノロ，ツィリーゾ
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Safran Aircraft Engines SAS
Original Assignee
SNECMA SAS
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by SNECMA SAS filed Critical SNECMA SAS
Publication of JP2016503530A publication Critical patent/JP2016503530A/ja
Application granted granted Critical
Publication of JP6751561B2 publication Critical patent/JP6751561B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Program-control systems
    • G05B19/02—Program-control systems electric
    • G05B19/04—Program control other than numerical control, i.e. in sequence controllers or logic controllers
    • G05B19/048—Monitoring; Safety
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
    • G07C5/0808—Diagnosing performance data
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B64—AIRCRAFT; AVIATION; COSMONAUTICS
    • B64D—EQUIPMENT FOR FITTING IN OR TO AIRCRAFT; FLIGHT SUITS; PARACHUTES; ARRANGEMENT OR MOUNTING OF POWER PLANTS OR PROPULSION TRANSMISSIONS IN AIRCRAFT
    • B64D45/00—Aircraft indicators or protectors not otherwise provided for
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/006—Indicating maintenance
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B64—AIRCRAFT; AVIATION; COSMONAUTICS
    • B64D—EQUIPMENT FOR FITTING IN OR TO AIRCRAFT; FLIGHT SUITS; PARACHUTES; ARRANGEMENT OR MOUNTING OF POWER PLANTS OR PROPULSION TRANSMISSIONS IN AIRCRAFT
    • B64D45/00—Aircraft indicators or protectors not otherwise provided for
    • B64D2045/0085—Devices for aircraft health monitoring, e.g. monitoring flutter or vibration
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/20—Pc systems
    • G05B2219/26—Pc applications
    • G05B2219/2604—Test of external equipment
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
    • G05B23/0245—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a qualitative model, e.g. rule based; if-then decisions
    • G05B23/0251—Abstraction hierarchy, e.g. "complex systems", i.e. system is divided in subsystems, subsystems are monitored and results are combined to decide on status of whole system

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Complex Calculations (AREA)
  • Testing Of Engines (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本発明は、エンジンなどの装置の構成要素の集合を監視するシステムであって、異常を検出するためのエージェントの集合を含む検出手段（２）であって、前記エージェントの各々は、エンジンなどの装置の構成要素の部分集合に関する物理的パラメータの測定値を受信し、異常の確率の初期分布を配信するように構成されている、検出手段と、前記エージェントの集合から来る異常の確率の初期分布のみならずフィードバック情報（１７）も受信するように構成された取得手段（３）と、前記フィードバック情報と一致した異常の確率の現在の分布を反復して現出するように構成された現出手段（５）であって、前記異常の確率の現在の分布は前記フィードバック情報にしたがって異常の確率の最適分布の集合に向かって収束する、現出手段と、対象とする部分集合に特有の異常の危険性を抽出するために、エンジンなどの装置の構成要素の少なくとも１つの前記対象とする部分集合に関する異常の確率の最適分布を合成するように構成された合成手段（７）と、を含むシステムに関する。

Description

本発明は、エンジンなどの装置を監視するシステム、より具体的には航空機エンジン構成要素の集合を監視するシステムの分野に関する。
エンジンの監視、具体的には航空機エンジンの監視は、エンジンの適切な動作にとって非常に重要である。エンジンの様々な構成要素の適切な動作を検証するために、異常を監視および検出するための異なる装置が使用される。たとえば、監視装置には点火プロセスの挙動を分析するためのもの、ガスの軌道を分析するためのもの、目詰まりしたフィルタを検出するためのもの、オイル消費を分析するためのものなどがある。
これら検出および監視装置のすべては、航空機エンジンの安全性および信頼性を改善できるようにする。具体的にはこれらは、飛行中停止（ＩＦＳＤ）を防止または制限し、フライト遅延および欠航（Ｄ＆Ｃ）を減少させ、より具体的には故障を予測することによっておよび不良または故障構成要素を特定することによってエンジンの保守を容易にすることを、可能にする。
様々な検出装置は、様々な入力データを利用しており、検出される欠陥のタイプに応じて異なった構成であってもよい。実際、監視される構成要素または構成要素の集合に応じて、必ずしも同じパラメータが観察されなくてもよい。同様に、検出される欠陥のタイプに応じて、同じ物理量が測定されなくてもよい。
エンジンに関するこれら検出装置によって生成された結果は、精度に関する情報に関連付けられた異常の確率または危険性である。エンジンの構成要素のすべてが互いに連結しているので、検出装置は多くの情報を同時に生成し、エンジンを取り外すか修理するかの判断において保守作業者を支援するために情報を分類できる必要がある。
しかしながら、これは分析する時間を大量に必要とし、これに加えて、エンジンの監視に関連する可能性のあるデータのすべてを専門家が利用することは困難である。
さらに、高い検出率は高い誤警報率を生じる。このため、誤警報率の低下と良好な検出を有する可能性の間には、二重性が観察される。誤警報率の低下は、検出率を致命的に低下させる。しかしながら、この誤警報率は、監視用途にとって非常に重要である。実際、元来費用がかかる保守作業を検出装置が誤って推奨した場合、この検出装置はすべての信頼性を失うことになる。また、航空分野において、装置の設計は極端に信頼性が高く、これは故障率を強力に制限する傾向があり、したがって誤警報の危険性を増加させる。
本発明の目的は、誤警報率を増加させることなく検出率を増加させながら保守作業者が判断するのを支援することを可能にする、エンジン構成要素の集合を監視するためのシステムを提案することである。
本発明は、いずれの装置に適用範囲を広げることも可能である。したがって、これはエンジンなどの装置の構成要素の集合を監視するシステムによって定義され、これは：
異常を検出するためのエージェントの集合を含む検出手段であって、これらエージェントの各々は、エンジンなどの装置の構成要素の部分集合に関する物理的パラメータの測定値を受信し、異常の確率の初期分布を配信するように構成されている、検出手段と、
前記エージェントの集合から来る異常の確率の初期分布のみならずフィードバック情報も受信するように構成された取得手段と、
前記フィードバック情報と一致した異常の確率の現在の分布を反復して現出するように構成された現出手段であって、前記異常の確率の現在の分布は前記フィードバック情報にしたがって異常の確率の最適分布の集合に向かって収束する、現出手段と、
対象とする部分集合に特有の異常の危険性を抽出するために、エンジンなどの装置の構成要素の少なくとも１つの前記対象とする部分集合に関する異常の確率の最適分布を合成するように構成された合成手段と、を含む。
したがって、監視システムは、まだ低い誤警報率を維持しながら検出率を実質的に増加させることを可能にし、エンジンなどの装置の構成要素の特定の部分集合に関する異常の危険性に注目するために、結果を分類することを可能にする。したがって、システムは、より大きな危険性を有する要素を検出し、結果的に、監視されている部分集合に関する保守作業に関する識別および決断を容易にすることを可能にする。
有利なことに、現出手段は、
所定のマージルールにしたがって異常の確率の以前の分布をマージすることによって異常の確率の現在のまたは最適な分布の各々を作成するように構成されたマージ手段と、
効率値を関連付けるために、異常の確率の初期または現在の分布の各々をそれに対応するフィードバック情報と一致させるように構成された最適化手段と、
異常の確率の現在のおよび最適な分布に対応する新しいエージェントを作成することによって、および異常の確率の前記現在のおよび最適な分布に関連付けられた効率値にしたがってフィードバック情報に最も適合したエージェントを選択することによって、エージェントの最適な母集団に向かってエージェントの集合を変化させるように構成された管理手段と、を含む。
これは、異常を検出するためのエージェントを動的に調節すること、および最も興味深い事象に常に適合しているエージェントを現出することを、可能にする。
有利なことに、現出手段はさらに、エンジンなどの装置の構成要素の部分集合に関する異常の確率の初期、現在、または最適分布の各々に、異常の確率の対応する分布における前記部分集合の各要素の寄与を反映する予測ベクトルを関連付けるように、構成されている。
これは、エンジンなどの装置の様々な要素に異常の確率を効率的に結合させることを、可能にする。
有利なことに、合成手段は、対応する予測ベクトルにしたがって前記対象とする部分集合の各要素の影響を重み付けすることによって、前記対象とする部分集合に関する異常の確率の最適分布を合成するように構成されている。
有利なことに、所定のマージルールは、以下のルールの中から選ばれてもよい：エキスパートルール、還元ルール、投票ルール、ビジネスルール、ベイズの定理、およびファジー理論ルール。
これは、こうして監視の信頼性を向上させる情報の異なる源を組み合わせることができるようにする。
有利なことに、最適化手段はさらに、フィードバック情報にしたがってマージルールを調整するように構成されている。
有利なことに、エージェントの集合またはエージェントの最適な母集団は、測定値の異なる選択、異なる処理方法、または異なる構成を含むアルゴリズムのインスタンスによって形成される。
有利なことに、異常の確率の初期分布は、測定値のコンテキストに対して標準化される。
有利なことに、監視システムは、異常の危険性にしたがって保守作業を決定できるようにする、決定支援手段を含む。
有利なことに、前記装置はエンジンであり、具体的には航空機エンジンである。
本発明はまた、エンジンなどの装置の構成要素の集合を監視する方法にも関し、方法は、
異常を検出するためのエージェントの集合から来る異常の確率の初期分布のみならずフィードバック情報も取得するステップであって、前記エージェントの各々は、異常の確率の初期分布を配信する前にエンジンなどの装置の構成要素の部分集合に関する物理的パラメータの測定値を受信するように構成されている、ステップと、
前記フィードバック情報と一致した異常の確率の現在の分布を反復して現出するステップであって、前記異常の確率の現在の分布は前記フィードバック情報にしたがって異常の確率の最適分布の集合に向かって収束する、ステップと、
対象とする部分集合に特有の異常の危険性を抽出するために、エンジンなどの装置の構成要素の少なくとも１つの前記対象とする部分集合に関する異常の確率の最適分布を合成するステップと、を含む。
本発明による、エンジンなどの装置の構成要素の集合を監視する方法を示す図である。 本発明による、エンジンなどの装置の構成要素の集合を監視するシステムを示す図である。 本発明による、航空機エンジンなどの装置の構成要素の集合を監視するシステムのマージの例を示す図である。 本発明による、航空機エンジンなどの装置の構成要素の集合を監視するシステムのマージの例を示す図である。 本発明による、航空機エンジンなどの装置の構成要素の集合を監視するシステムのマージの例を示す図である。 本発明による、航空機エンジンなどの装置の構成要素の集合を監視するシステムのマージの例を示す図である。 本発明の監視システムによる合成の具体例を示す図である。
本発明の原理は、識別可能であって装置の保守作業に関する決断の役に立つ情報を自動的に最適な方法で現出するために、エンジンなどの装置の異常を検出するための異なる源をマージすることである。
図１は、本発明による、エンジンなどの装置の構成要素の集合を監視する方法を模式的に示す。
本発明はいずれの装置にも、および具体的には航空機の装置に、一般化されることが可能である。「装置」とは、エンジン、具体的には航空機エンジン、特に航空機システム用の始動能力を分析するシステム、診断確認ツール、振動分析のオンラインシステム、軸受監視システム、作業場の通過中にエンジンのミッション（作業範囲）を特定するためのシステム、ＣＮＲ通知（顧客通知報告）の原因を自動的に特定するシステム、修理（トラブルシューティング）システムなどを意味する。
簡潔さを配慮して、表現「装置の構成要素の集合」は、いくつかの構成要素を含む装置全体または装置のシステムを指定するために以下において使用され、具体的には表現「エンジン構成要素の集合」は、いくつかの構成要素を含むエンジン全体またはエンジンのシステムを指定するために使用される。表現「装置の構成要素の部分集合」もまた、単一の構成要素またはいくつかの構成要素を含む装置のサブシステムを指定するために使用され、具体的には表現「エンジン構成要素の部分集合」は、エンジンの単一の構成要素またはいくつかの構成要素を含むエンジンのサブシステムを指定するために使用される。
本発明による監視方法は、異常検出器の集合から来る情報を動的に自己適応するようにマージし、その後分類を行ってマージされた情報を合成する、推論器を実現する。
ステップＥ１は、エンジンなどの装置の構成要素の部分集合に関する物理的パラメータの実験
Figure 2016503530
 の間に測定値
Figure 2016503530
 を得ることに関する。
ステップＥ２は、異常を検出するためのアルゴリズムエージェント
Figure 2016503530
 の集合を定義することに関し、エージェントの各々は、異常の確率の初期分布を計算するために、物理的パラメータの測定値を受信するように構成されている。
ステップＥ３では、アルゴリズムエージェント
Figure 2016503530
 の集合が、異常の確率の初期分布
Figure 2016503530
 の集合を配信する。
ステップＥ４は、不具合におけるフィードバック情報
Figure 2016503530
 の取得に関する。
ステップＥ５は、フィードバック情報と一致した異常の確率の現在の分布を現出するために、異常を検出するためのエージェント
Figure 2016503530
 の集合から来る異常の確率の初期分布のみならず、フィードバック情報の使用にも関する。
異常の確率の現在の分布は、フィードバック情報にしたがってこれらがステップＥ６において異常の確率の最適分布
Figure 2016503530
 の集合に収束するまで、反復して作成される。
ステップＥ７において、対象とする部分集合に特有の異常の危険性を抽出するために、エンジンなどの装置の構成要素の少なくとも１つの対象とする部分集合に関する異常の確率の最適分布が合成される。
図２は、本発明による、エンジンなどの装置の構成要素の集合を監視するシステムを模式的に示す。
この監視システム１は、検出手段２、取得手段３、現出手段５、および合成手段７を含む。
なお、航空機エンジンの場合には、検出手段２はエンジンを制御するための機内搭載計算機に、部分的または全体的に組み込まれることが可能である。また、取得３、現出５、および合成７手段は、同じまたは異なるコンピュータまたはコンピュータシステム９ａ、９ｂに組み込まれることが可能な、デジタルモジュールである。
検出手段２は、エンジン構成要素の部分集合に関する物理的パラメータの測定値を受信して、異常の確率の初期分布を配信するように構成された、異常を検出するためのアルゴリズムエージェント
Figure 2016503530
 の集合を含む。
異常を検出するためのエージェント
Figure 2016503530
 は、アルゴリズム関数を含む。これらの関数はたとえば、エージェントの状態を初期化するための関数、較正するための別のもの、データを受信してアルゴリズムを実行するための別の関数、および結果を配信するためのさらに別のものを含む。異常を検出するためのエージェントは一般的に、構成手順を含む学習フェーズを受ける。エージェントは、これが必要とされるときに計算機またはコンピュータを用いる処理によって起動されることが可能である。異常を検出するためのエージェントは、エンジン１３およびその環境にあるセンサによって取得された測定値を収集するように構成されている。より具体的には、このデータは、エンジン１３から（点線）、またはデータベース１５から来る測定値の実験
Figure 2016503530
 から、直接取得されることが可能である。
エージェント
Figure 2016503530
 はその後、これらの測定値を用いて、エンジン１３の構成要素に特有のまたはエンジン１３の構成要素の全集合の特定のタスクを示す論理素子に特有の指標を計算する。一例として、指標は、エンジンの毎回の始動の後に最大加速度に到達するためにエンジンのシャフトが必要とする遅延に対応してもよく、別の指標は、エンジンの排ガスの温度勾配であってもよい。
しかしながら、各測定値は、特定の外部または内部条件において収集されることが可能である。指標値の読み取りに影響を及ぼす可能性のあるこれらの条件は、外因性データとして測定および記録されることが可能である。外部条件は、外部の圧力および温度、湿度などを含むことができる。内部条件は、エンジンの特定の使用に関与してもよく、たとえばエンジン始動直前の油温は、２種類の始動（低温始動および高温始動）を区別するコンテキストデータと見なされることが可能である。
したがって、これらの指標は、たとえば、一連の事前にデジタル化されたデータに対して演繹に計算された平均および標準偏差にしたがって従来の標準化技術を通じて、または本出願人の国際公開第２０１００７６４６８１号パンフレットに記載されたものと同一のその他の方法によって、有利に標準化される。
さらに、エージェントは、結果の信頼性を示す性能または品質指標を計算することができる。これらの品質指標は、たとえば本出願人のフランス特許出願第ＦＲ２９５７１７０号明細書に記載される、周知の交差検証統計モデル（たとえば、分割、ブートストラップ、１個抜き）によって予測されることが可能である。
第一の例によれば、品質指標は、エージェントの入力と、エージェントの学習中に定義される較正の入力との間の距離の測定値を定義する、妥当性指標ＡＱＶ（妥当性品質値）に対応することが可能である。
別の例によれば、品質指標は、新しい入力を踏まえてエージェントを使用する能力を測定する堅牢性の指標ＭＱＶ（モデル品質値）に対応する。堅牢性の指標ＭＱＶは、一般データに関するエージェントの演算の情報を提供し、こうして新しいデータが適用されたときにエージェントの平均的品質がどうなるかを示す。
品質または性能指標の別の例は、誤警報の確率ＰＦＡおよび検出率ＰＯＤを含む。これらの指標は、利用可能なデータ量を踏まえて、望ましい精度の最大値を用いて測定されることが可能である。なお、そのＰＦＡが低いエージェントを構築することが可能である。結論は、ＰＯＤがあまり大きくないというだけである。たとえば、テストベンチでの検証は、１％未満のＰＦＡで４０％から５０％のＰＯＤが容易に検討され得ることを示した。これはいたずらにエンジンを取り外すにはあまりにも高くつくので、航空分野では確実に、可能な限り低い誤警報率ＰＦＡに注目する。最後に、エージェント
Figure 2016503530
 の結果または出力は、監視されている構成要素の異常挙動を反映する異常の確率の分布
Figure 2016503530
 に存する。したがって、異常の確率の分布
Figure 2016503530
 は、異常のスコアの法則
Figure 2016503530
 と見なされることが可能であり、ここで
Figure 2016503530
 はデータベース１５から来る測定値の実験
Figure 2016503530
 から収集されたデータを用いて計算された確率変数である。
この結果（すなわち、異常の確率の分布
Figure 2016503530
 ）は、異常の危険性およびエージェントの信頼性または精度の測定値（たとえば、ＰＦＡまたはＰＯＤ）を含む。実際、各エージェント
Figure 2016503530
 に依存する所定の検出または起動閾値
Figure 2016503530
 では、以下の式にしたがって、検出閾値
Figure 2016503530
 に依存する異常の危険性
Figure 2016503530
 および関連する精度
Figure 2016503530
 が定義可能である：
Figure 2016503530
 および
Figure 2016503530
精度
Figure 2016503530
 は、異常の危険性
Figure 2016503530
 の標準偏差によって、あるいは交差検証によって、あるいはアルゴリズムモデルによって直接的に、定義されることが可能である。
また、エージェント
Figure 2016503530
 の各々は、パラメータの選択（たとえば、倍率の選択）、入力の選択（たとえば、時間信号または瞬時の「スナップショット」）、または時間遅延に対応することが可能な特定の構成
Figure 2016503530
 によって構成されており、一般的にアルゴリズムのインスタンスと称されるものをもたらす。公式化を簡素化する目的で、すべてのエージェント
Figure 2016503530
 は異なると仮定する。
したがって、各エージェント
Figure 2016503530
 は、アルゴリズム
Figure 2016503530
 の選択、その構成
Figure 2016503530
 およびその所定の検出閾値
Figure 2016503530
 にしたがって定義される。各エージェントはその後、以下のように記述される：
Figure 2016503530
取得手段３は、異常を検出するためのエージェントの集合
Figure 2016503530
 から、ならびにフィードバック情報１７からも来る、異常の確率の初期分布
Figure 2016503530
 （すなわち、異常の危険性
Figure 2016503530
 および対応する精度
Figure 2016503530
 ）を受信するように構成されている。
フィードバックは、エキスパートナレッジおよび関連する危険性によって与えられる。たとえば、特定の構成要素のフィードバックは、測定値の実験を用いて定義される不具合におけるエキスパートナレッジの異常の危険性
Figure 2016503530
 、ならびに専門家がこの危険性に付与する精度に対応する信頼によって、解釈されることが可能である。
現出手段５は次に、フィードバック情報１７と一致した異常の確率の現在の分布
Figure 2016503530
 を反復して現出するために、フィードバック情報１７と、エージェントの集合
Figure 2016503530
 から来る異常の確率の初期分布
Figure 2016503530
 とを使用する。この反復構築は、フィードバック情報１７にしたがって、異常の確率の現在の分布を異常の確率の最適分布
Figure 2016503530
 に向かって収束させる。
現出手段５は、まだ低い誤警報率ＰＦＡを維持しながら検出率ＰＯＤを実質的に改善することができるようにする、観察されたデータを用いて関連情報を現出する熟達したマージ技術を使用する。実際、現出手段５は、複数のエージェントの同時観察を通じて、エージェント
Figure 2016503530
 の低検出率を克服することになる。
より具体的には、現出手段５は、マージ５１、最適化５３、および管理５５機能または手段を含む。
マージ手段５１は、所定のマージルールにしたがって異常の確率の先の分布をマージすることによって、異常の確率の現在の
Figure 2016503530
 または最適な
Figure 2016503530
 分布を作成するように構成されている。マージ演算は、エージェントの集合から来るデータの集合を利用する、異常の（またはより具体的には、異常の危険性
Figure 2016503530
 の）確率の分布を組み込むことに等しく、こうして低検出率の問題を解決できるようにする。
したがって、異常の危険性
Figure 2016503530
 は、以下のように記述される新しい異常の危険性
Figure 2016503530
 を構築するために、還元演算（たとえば平均、回帰、またはニューラルネットワーク）を通じて互いにマージされることが可能である：
Figure 2016503530
 ここで
Figure 2016503530
 はビジネスルール、ベイズ理論、ファジー理論、投票機構、または学習結果であってもよい、マージ演算である。
マージ異常の危険性
Figure 2016503530
 はまた、別の連続するマージ演算のための入力として使用されることも可能であり、このような有向グラフとして作成する：
Figure 2016503530
異常の危険性の集合の操作は通常、有向グラフにおける関係性の管理を考慮に入れなければならない。たとえば、異常の危険性を削除した結果、グラフの枝を削除してしまう可能性がある。なお、下記において、もはや初期エージェントからまたはマージから来る異常の危険性の間で区別されることはない。
また、最適化手段５３は、異常の確率の初期または現在の分布の各々（すなわち、異常の初期または現在の危険性および対応する精度）を、効率値をこれに関連付けるために、これと対応するフィードバック情報と一致させるように構成されている。たとえば、効率値は、エージェントから来る異常の危険性
Figure 2016503530
 とこれに対応するエキスパートナレッジ異常の危険性
Figure 2016503530
 との間の距離を用いて定義されることが可能である。このような最適化は、フィードバックに対するマージの結果の効率における定常的な改善をもたらす。
有利なことに、最適化手段５３はさらに、フィードバック情報にしたがってマージのルールを調整するように構成されている。実際、マージルールを調節するために、フィードバック情報における回帰タイプの投影ツールが使用されることが可能である。
さらに、管理手段５５は、異常の確率の現在のおよび最適な分布に対応する新しいエージェント
Figure 2016503530
 を作成することによって、およびフィードバック情報に最も適合するエージェントを選択することによって、エージェントの集合をエージェントの最適な母集団に変更するように構成されている。この選択は、異常の確率の現在のおよび最適な分布に関連付けられた効率値に基づいてもよい。エージェントの変更は、検出手段２への効率の伝達をモデリングした戻り矢印Ｅによって図１に示されており、こうして最良のアルゴリズム、パラメータ、構成、または閾値の選択のためのアルゴリズムエージェントの最適化
Figure 2016503530
 を可能にする。
最適な構成および／または適切な構成を見出すためには、異なる調整がなされた、しかし互いに突き合わせられる、より多くのエージェントを使用することが有利である。「遺伝的アルゴリズム」タイプの確率的手法は、最終的にますます効率的な母集団に向かって収束するために、これらのエージェントにその「視点」を交換させる。学習は、専門家または保守作業者によって定期的に更新されるフィードバック情報に依存する。この情報を用いて、エージェントは自動的に較正されることが可能である。なお、遺伝的アルゴリズムは、新しいものを作成することによって、エージェント母集団を増大させるのに適している。エージェントはアルゴリズム、構成、パラメータ設定、検出（または起動）閾値および遅延によって定義された、アルゴリズムインスタンスであることを思い出してほしい（たとえば、エージェントのパラメータは、最後に計算された値ではなく過去の値を取ることに存する）。したがって、新しいエージェントは、アルゴリズム突然変異演算によって、インスタンスのパラメータ、またはその起動閾値を変更することによって、作成されることが可能である。これはまた、互換性のあるエージェントのパラメータをインテリジェントに混合すること（たとえば遅延、スケールなどの最適化）によるアルゴリズム交差演算によっても、作成されることが可能である。その他の作成は、マージ演算子のルールのパラメータを変更することによる論理突然変異によって、またはいくつかのマージ演算子をうまく組み合わせることによる論理交差によって、実行されることが可能である。新しいエージェントはまた、子エージェントを生成するためにエージェントの初期集合からエージェントの対を無作為に選択することによっても、作成されることが可能である。
そして、現出手段５は、これらの新しいエージェントのすべてに関連付けられた効率値を計算し、一貫したグラフ構造を維持しながら、全体的な母集団から最良のもののみを維持するように、選択圧を実行する。なお、専門家専用のインタラクティブなツールに基づく別の最適化方法を使用することも可能である。
したがって、新しいフィードバック情報が届いたら変更することになるエージェントの集合を管理することによって、管理手段５５は、必ずしも想起されず、現在の各状況により良く適合する、新しい構成を自動的に検出することができるようにする。新しい構成は、エージェントの入力の新しい選択肢、エージェントの新しい処理パラメータ、またはエージェントの較正の観察の新しい選択に、対応することが可能である。
監視される新しい航空機エンジンを例に挙げる。現在の手法は、業務専門家によって事前定義および検証された、一連のアルゴリズムを使用することに存する。これらのアルゴリズムは横断的な使用のものであって、これらはすべてのタイプのエンジンに適用できるが、しかしこれらはこの特定のエンジン向けに特殊化されたものではない。さらに、完全に包括的な、しかし一般的にすべてのタイプの航空機エンジン向けに較正されていたので初期化の時点では性能が低い、（異常運転の）異常検出器もある。
しかしながら新しいエンジンは、各故障の発生の確率を規定する、ＦＭＥＣＡ（故障モード、効果および致命度解析）と呼ばれるエンジン専門家によって確立された文書の専門的基準を尊重しても、絶対的に包括的な欠陥の連続を示すことはない。遭遇する問題は、エンジンの設計（その製造、多数の構成要素など）、その動作、および遭遇する飛行条件に、依存することになる。したがって、最も可能性の高い故障は、必ずしもＦＭＥＣＡによって包括的に示されたものではなく、状況次第ということになる。
すると、確率的手法にしたがって変化させられるこれら検出器の母集団を管理することによって、この特定のエンジンのみに適した構成を現出するだけでなく、最も興味深い事象に時間をかけて適応することが可能な完全なシステムを構築することも、可能である。したがって、エンジンを診断するために使用されるエージェントのすべてを全体的にモデリングする動的な自己適応アプリケーションは、最も可能性の高い劣化を標的とする機会をより多く有することになる。
最後に、合成手段７は、対象とする部分集合に特有の異常の危険性を抽出するために、エンジン構成要素の少なくとも１つの対象とする部分集合に関する異常の確率の最適分布を合成するように構成されている。このようにして、保守作業に関する決断を支援するための構成要素の特定の部分集合に関する情報に、焦点が当てられる。たとえば、異常の確率の最適分布は、検討される各エンジン構成要素における危険性を示すラダー図として合成されることが可能である。
有利なことに、現出手段５はさらに、エンジン構成要素の部分集合に関する異常の確率の初期の、現在の、または最適な各分布に、異常の確率の対応する分布上で部分集合の各要素の寄与を反映する予測ベクトルを関連付けるように、構成されている。
実際、監視されるエンジン１３またはエンジン構成要素の集合は、元における物理的構成要素を組み合わせる部分集合で構成されており、その各々は特定の不具合を生じることができる。各アルゴリズムエージェント
Figure 2016503530
 は、これらの不具合の各々の監視に寄与する。監視される不具合の総数
Figure 2016503530
 は有限であり、
Figure 2016503530
 に等しいとする。すると予測ベクトル
Figure 2016503530
 は、異常の確率の各分布について、以下のように定義されることが可能である：
Figure 2016503530
 但し
Figure 2016503530
初期の予測ベクトルは、初期エージェント
Figure 2016503530
 の専門家によって与えられた入力として、定義される。下記において、各予測ベクトルは、エキスパートルールによって決定されることが可能な、またはデータを用いて学習されることが可能な、適切な方法を用いて各マージ演算について計算される。予測ベクトルは演繹的に、構成要素の不具合の予測のための異常の危険性の一致のための確率と見なされることが可能である。
なお、予測は当然ながら、エージェントの母集団の全体効率の最適化または改善に対して効果を有することができる。実際、フィードバックは、エキスパートナレッジ
Figure 2016503530
 およびエキスパートナレッジ予測ベクトル
Figure 2016503530
 の形態の関連する危険性
Figure 2016503530
 によって提供される。このベクトルは、エキスパートナレッジ
Figure 2016503530
 がどの不具合をカバーするかを指定する。たとえば、専門家によって与えられ、良好に定義された不具合
Figure 2016503530
 の検出のための特定の構成要素の部分集合をカバーする測定値の実験
Figure 2016503530
 に関する判断は、
Figure 2016503530
 に等しい座標
Figure 2016503530
 を除いてその座標がゼロである予測ベクトルによって、重み付けられる。その後専門家は、測定値
Figure 2016503530
 （Ｘはデータベースに記憶された測定値のベクトルであり、
Figure 2016503530
 は値の集合に対応する）を調査して、この不具合についてである程度はっきりした応答
Figure 2016503530
 を提供する。たとえば、不具合があると専門家が観察した場合には
Figure 2016503530
 そうでなければ、
Figure 2016503530
 である。その他の場合には、中間値、ならびに自分がこの観察に付与している精度に対応する信頼
Figure 2016503530
 を提案することで、専門家はあまり断定的にならないかも知れない。このように、専門家は監視システムの較正を支援することになる。
さらに、エージェントの有効性は、エージェントから来る危険性
Figure 2016503530
 と、予測ベクトル
Figure 2016503530
 およびエキスパートナレッジ予測ベクトル
Figure 2016503530
 および信頼値
Figure 2016503530
 を包含するエキスパートナレッジの危険性
Figure 2016503530
 との間の距離
Figure 2016503530
 にしたがって利用可能なエキスパートナレッジに基づいて、得られる；たとえば、以下のとおりである：
Figure 2016503530
 この距離が短いほど、エージェントはより効率的になる。
これは、エキスパートナレッジによって提供される対応する予測ベクトルおよび信頼にしたがって、対象とする部分集合の各要素の影響を重み付けすることによって、対象とする部分集合に関する異常の確率の最適分布を合成手段７が合成できるようにする。異常を検出するためのエージェントの各々は、観察されたデータまたは計算された指標を介して、エンジン部分の１つまたは複数の部分集合に結合されることが可能である。したがって、監視された構成要素に基づいて合成を実行することが可能である。
このように、異常の確率（または異常の危険性）の各分布に関連付けられた予測ベクトルによって提示される寄与のおかげで、合成手段は、構成要素の部分集合の各々および／または不具合における各々の投影ごとに１つの合成を構築する。たとえば、以下の式は、部分集合、構成要素、または不具合における単純な線形投影である：
Figure 2016503530
 但し
Figure 2016503530
 ここで
Figure 2016503530
 は｛監視すべき不具合のリスト｝、
Figure 2016503530
 は
Figure 2016503530
 を有する部分集合
Figure 2016503530
 に関連付けられた各不具合の寄与のベクトルである（これは一般的に、ＦＭＥＣＡによって提供される仮定を通じて得られる）。
有利なことに、監視システム１は、監視システムを使用するフェーズの間に専門家が自分の判断を提供できるようにする、マン・マシン・インターフェース１９を含む。
さらに、監視システムは、異常の危険性にしたがって保守作業を決定することを可能にする、決定支援手段２１（たとえば、故障「トラブルシューティング」、特定の遅延などを位置特定するツール）を含むことができる。決定支援手段２１は、入力として異常の危険性およびエンジン構成要素の様々な部分集合上の結合を受信し、出力として、可能な作業の全ておよびその費用を考慮に入れて、実行されるべき保守作業を配信する。
図３Ａから図３Ｄは、本発明による、航空機エンジンなどの装置の構成要素の集合を監視するシステムにおけるマージ例を、模式的に示す。
データベース１５は、航空機３１から受信した、航空機エンジンおよびその環境に関するデータおよび測定値を含む。
検出手段２は、異常を検出するための初期エージェントの集合を含む。なお、航空学には、演繹的に監督されない異常を検出するための、複数の包括的アルゴリズムがある。これらの包括的アルゴリズムは、これらをすべてのタイプの信号（時間、スナップショットなど）に適合することによって、または異なるパラメータ（コンテキスト、監視対象値、スケール因子など）を用いて、しかし異なる較正データも用いて、１０倍に増加することが可能である。したがって、異常を検出するための初期エージェントの集合を形成するために、多くのエージェントが実装可能である。
異常の危険性および対応する品質指標を定義する異常の確率の初期分布を出力として計算および配信するために、様々なエージェントはエンジンに関する測定値を受信する。
なお、エージェントの集合は、エンジンまたはエンジンのサブシステムの異常を検出するために、監視されるこのエンジンに関するデータを受信する。しかしながら、異常を検出するためのエージェントは、エンジンの集団から来るデータを用いて較正された可能性がある。さらに、特定のエージェントはたとえば、そのデータ片を一緒に比較するために、同じ航空機の２つのエンジンからのデータを使用することができる。加えて、特定のエージェントは、監視されるエンジンのデータを、エンジンの集団に関するメモリに記憶されたデータと比較することができる。
図３Ａから図３Ｄの各例は、１つまたはいくつかのアルゴリズムのいくつかのエージェント（またはインスタンス）を実装している。
現出手段５は取得手段３を通じて、異常を検出するためのエージェントの集合から来る異常の確率の初期分布を受信する。これらはまた、マージルールを調整できるようにするマージルールおよびフィードバック情報１７を定義して、とりわけマージの効率の定義に寄与する、データまたはエキスパートルール１８も有する。
現出手段５は、マージによって増幅される新しいエージェントに対応する現在の分布を反復して現出するために、異常の確率の初期分布をマージする。現出手段５は、より効果的なエージェントの母集団に向けて収束させるためにフィードバックと最もよく一致したエージェントを選択し、こうして異常の検出の確率および監視の堅牢性を改善する。
図３Ａの例は、航空機エンジンの始動能力の監視に関する。この例によれば、検出手段２は、異常を検出するための２つのエージェント
Figure 2016503530
 を含む。エンジンが始動できるか否かを判断するために測定値Ｍを分析する第一エージェント
Figure 2016503530
 と、第一エージェント
Figure 2016503530
 によって使用される測定値Ｍの品質を評価する第二エージェント
Figure 2016503530
 である。たとえば、この品質は、欠落している値の割合、または異常データ（異常値）の数に依存してもよい。
現出手段５は入力として、エンジンが始動できるか否かを評価する第一の異常の確率の分布
Figure 2016503530
 （すなわち、第一の異常の危険性
Figure 2016503530
 および第一の対応する精度
Figure 2016503530
 ）および測定値の品質に結合された第二の異常の確率の分布
Figure 2016503530
 （すなわち、第二の異常の危険性
Figure 2016503530
 および対応する第二の精度
Figure 2016503530
 ）を取る。
さらに、現出手段５はまた入力として、マージ原則を定義するエキスパートルール１８、およびその結果が使用されるエージェント
Figure 2016503530
 の精度または効率を測定することを可能にするフィードバック情報１７も取る。
現出手段５は、フィードバック情報１７を考慮に入れてエンジンを始動する能力およびマージの有効性を評価する異常の確率の現在の分布を現出するために、マージのエキスパートルール１８にしたがって、異常の確率の第一
Figure 2016503530
 および第二
Figure 2016503530
 分布をマージする。異常の確率の現在の分布はこのように、始動する能力、およびこの始動する能力を評価するために使用される様々な測定値の両方から来る情報を用いて、調節される。
マージのためのエキスパートルール１７はたとえば、各測定値の品質に結合された異常の危険性にしたがって、精度に対して影響を及ぼすことができる。たとえば、以下のような「平均」タイプの還元ルールがあってもよい：測定値の品質に結合された異常の危険性の平均が第一所定閾値Ｍ１を超えた場合には効率値が第一値Ｄ１だけ減少し、測定値の品質に結合された異常の危険性の平均が第一閾値Ｍ１と第二所定閾値Ｍ２との間である場合には、効率値は第二値Ｄ２だけ減少する、などである。
そして現出手段５は、完全な予測を有してエンジンを始動する能力に強く結合されたエージェントを現出するために、最良の効率値を有する異常の確率の現在の分布を選択する。
図３Ｂは、同じアルゴリズムが時間信号に適用されるが別のインスタンスのものである例を示す。
検出手段は、実際には同じインスタンスに対応するが異なる構成を有する、エージェントの集合
Figure 2016503530
 を含む。すべてのエージェントは同じ信号Ｓを受信し、各エージェントは信号内で分析された瞬間
Figure 2016503530
 を判断する。これは、異常を確認するために、連続する異なる瞬間
Figure 2016503530
 において信号を診断することができるようにする。
エージェントの集合
Figure 2016503530
 は、異常の確率の構成の集合
Figure 2016503530
 に対応する結果の集合
Figure 2016503530
 を生成する。
現出手段５は入力として、結果の集合
Figure 2016503530
 ならびにマージのためのエキスパートルール１８およびフィードバック情報１７を取る。これらは、診断を確認できるようにする永続性を測定するために、様々な結果をマージするためのエキスパートルールを適用する。フィードバック１７を用いて、測定された効率は、マージプロセスの結果を最適化するために、エキスパートルールを調整するか、またはエージェントの構成を変更することができる。
一例として、マージのためのエキスパートルールは、以下の式にしたがって、検出の合計が所定の警告閾値より大きい場合にのみ、異常を検出するための診断を確認するようなやりかたで公式化される：
Figure 2016503530
 ここで
Figure 2016503530
 は瞬間
Figure 2016503530
 の構成を有するエージェント
Figure 2016503530
 の異常を検出するための結果であり、Ｄは最終結果である。このタイプのマージは、まだ誤警報率を低下させながら、検出の確認を行う。
図３Ｃは、たとえば入力信号Ｓが異なる瞬間ではなく異なるスケール
Figure 2016503530
 において分析されることを除いて、図３Ｂの例のものと類似の別の例を示す。
検出手段２は、同じインスタンスに対応するが異なる構成を有するエージェントの集合
Figure 2016503530
 を含む。すべてのエージェントは同じ信号Ｓを受信し、各エージェントは信号内で分析されたスケール
Figure 2016503530
 または窓を決定する。これは、異常を確認するために、異なるスケール
Figure 2016503530
 において信号を診断できるようにする。
エージェントの集合
Figure 2016503530
 は、異常の確率の構成の集合
Figure 2016503530
 に対応する結果の集合
Figure 2016503530
 を生成する。現出手段５は入力として、これらの結果の集合、ならびにマージのためのエキスパートルール１８およびフィードバック情報１７を取り、様々な結果をマージするために、たとえば図３Ｂの例を参照して記載されたのと同じエキスパートルールを適用する。
図３Ｄは、２つの異なるインスタンスが適用される例を示す。検出手段は、２つの異なるインスタンスに対応する第一および第二エージェント
Figure 2016503530
 を含み、各エージェントは入力として異なる信号
Figure 2016503530
 を取る。２つのエージェントは、異常の確率の第一および第二分布
Figure 2016503530
 を配信する。
異常の確率の２つの分布
Figure 2016503530
 は、エキスパートルール１８によって外部から課せられるかまたはフィードバック１７のおかげで自動的に最適化されることが可能なファジールールにしたがって、現出手段５によってマージされる。最後に、フィードバック情報による異常の確率Ｐの全体分布が現出される。
また、上記の例の各々の監視システム１の合成手段７は、エンジン構成要素に特有の異常の危険性を抽出するために、エンジンの構成要素または構成要素の部分集合に関する異常の確率の全体または最適分布を合成する。エンジンの構成要素のサブシステムの場合には、構成要素のサブシステムに関する異常の確率の最適分布が、対応する予測ベクトルにしたがってこのサブシステムの各構成要素の影響を重み付けすることによって合成される。
なお、すべての危険性はエンジンの全集団に対してエンジンごとに計算され、当然ながら航空機ごとの全体合成を有することが可能である。この場合、監視される不具合のリスト
Figure 2016503530
 は、航空機のエンジンの構成要素のすべての不具合のすべてに対応する。したがって、すべてのエンジンにおける危険性の計算結果のすべては、全体的な危険性Ｒによって利用される。したがって不具合
Figure 2016503530
 は任意のエンジンにリンクされ
Figure 2016503530
 、ここで
Figure 2016503530
 はエンジン
Figure 2016503530
 に関連付けられたタイプの不具合
Figure 2016503530
 を示す。
図４は、本発明の監視システムによる合成の具体例を模式的に示す。
この例によれば、合成は、この合成が結果とみられるようにする対象の部分空間上の現出手段５から来る異常の全体的な危険性Ｒを投影することに存するという点において、視覚データ抽出ツール「視覚データマイニング」と見なされることが可能である。ここで、異常の確率の最適分布は、異なる空間（たとえば航空機、エンジン、テストベンチ、日付、システム、アルゴリズム、観察など）、および異常の確率の各最適分布の影響を重み付けできるようにする予測の表記を使用することによる還元手法（たとえば、回帰法）によって、合成される。
たとえば一次元部分空間において、考えられる各変数について異常の危険性を有するラダー図が得られる。異なる航空機のいくつかのエンジンにおける故障を検出しようとし、より大きい危険性を有する航空機を検出することが望ましい場合には、航空機ごとの異常の危険性を視認するために、マージの異常問題の確率の最適分布が航空機の空間に投影される。
より具体的には、図３に示される例は、現出手段５が入力として、第一航空機の第一および第二エンジンの異常の危険性を評価する第一および第二の異常の危険性Ｒ１１、Ｒ２１、ならびに第二航空機の第一および第二エンジンの異常の危険性を評価する第三および第四の異常の危険性Ｒ１２、Ｒ２２を取ることを示している。現出手段５から来る全体的な危険性Ｒは、各航空機３１ａおよび３１ｂの異常の危険性を視認するために、航空機の空間３３に合成手段７によって投影される。

Claims (11)

  1. 装置の構成要素の集合を監視するシステムであって、
    異常
    Figure 2016503530
     を検出するためのエージェントの集合を含む検出手段（２）であって、前記エージェントの各々は、前記装置の構成要素の部分集合に関する物理的パラメータの測定値を受信し、異常の確率の初期分布を配信するように構成されている、検出手段と、
    前記エージェントの集合から来る異常の確率の初期分布のみならずフィードバック情報（１７）も受信するように構成された取得手段（３）と、
    前記フィードバック情報と一致した異常の確率の現在の分布を反復して現出するように構成された現出手段（５）であって、前記異常の確率の現在の分布は前記フィードバック情報にしたがって異常の確率の最適分布の集合に向かって収束する、現出手段と、
    対象とする部分集合に特有の異常の危険性を抽出するために、前記装置の構成要素の少なくとも１つの前記対象とする部分集合に関する異常の確率の最適分布を合成するように構成された合成手段（７）と、
    を含むシステム。
  2. 現出手段が、
    所定のマージルールにしたがって異常の確率の以前の分布をマージすることによって異常の確率の現在のまたは最適な分布の各々を作成するように構成されたマージ手段（５１）と、
    効率値を関連付けるために、異常の確率の初期または現在の分布の各々をそれに対応するフィードバック情報と一致させるように構成された最適化手段（５３）と、
    異常の確率の現在のおよび最適な分布に対応する新しいエージェントを作成することによって、および異常の確率の前記現在のおよび最適な分布に関連付けられた効率値にしたがってフィードバック情報に最も適合したエージェントを選択することによって、エージェントの最適な母集団に向かってエージェントの集合を変化させるように構成された管理手段（５５）と、
    を含むことを特徴とする、請求項１に記載のシステム。
  3. 現出手段（５）がさらに、前記装置の構成要素の部分集合に関する異常の確率の初期、現在、または最適分布の各々に、異常の確率の対応する分布における前記部分集合の各要素の寄与を反映する予測ベクトルを関連付けるように構成されていることを特徴とする、請求項１または２に記載のシステム。
  4. 合成手段（７）が、対応する予測ベクトルにしたがって前記対象とする部分集合の各要素の影響を重み付けすることによって、前記対象とする部分集合に関する異常の確率の最適分布を合成するように構成されていることを特徴とする、請求項３に記載のシステム。
  5. 所定のマージルールが、エキスパートルール、還元ルール、投票ルール、ビジネスルール、ベイズの定理、およびファジー理論ルールの中から選択されることを特徴とする、請求項２に記載のシステム。
  6. 最適化手段（５３）がさらに、フィードバック情報にしたがってマージルールを調整するように構成されていることを特徴とする、請求項２に記載のシステム。
  7. エージェントの集合またはエージェントの最適な母集団が、測定値の異なる選択、異なる処理方法、または異なる構成を含むアルゴリズムのインスタンスによって形成されることを特徴とする、請求項２から６のいずれか一項に記載のシステム。
  8. 異常の確率の初期分布が、測定値のコンテキストに対して標準化されることを特徴とする、請求項１から７のいずれか一項に記載のシステム。
  9. 異常の危険性にしたがって保守作業を決定できるようにする、決定支援手段（２１）を含むことを特徴とする、請求項１から８のいずれか一項に記載のシステム。
  10. 前記装置がエンジンであり、具体的には航空機エンジンであることを特徴とする、請求項１から９のいずれか一項に記載のシステム。
  11. 装置の構成要素の集合を監視する方法であって、
    異常を検出するためのエージェントの集合から来る異常の確率の初期分布のみならずフィードバック情報も取得するステップであって、前記エージェントの各々は、異常の確率の初期分布を配信する前に前記装置の構成要素の部分集合に関する物理的パラメータの測定値を受信するように構成されている、ステップと、
    前記フィードバック情報と一致した異常の確率の現在の分布を反復して現出するステップであって、前記異常の確率の現在の分布は前記フィードバック情報にしたがって異常の確率の最適分布の集合に向かって収束する、ステップと、
    対象とする部分集合に特有の異常の危険性を抽出するために、前記装置の構成要素の少なくとも１つの前記対象とする部分集合に関する異常の確率の最適分布を合成するステップと、
    を含む方法。
JP2015538537A 2012-10-26 2013-10-25 装置の構成要素の集合を監視するシステムおよび方法 Active JP6751561B2 (ja)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
FR1260230 2012-10-26
FR1260230A FR2997451B1 (fr) 2012-10-26 2012-10-26 Systeme de surveillance d'un ensemble de composants moteur
PCT/FR2013/052553 WO2014064396A2 (fr) 2012-10-26 2013-10-25 Système de surveillance d'un ensemble de composants d'un équipement

Publications (2)

Publication Number Publication Date
JP2016503530A true JP2016503530A (ja) 2016-02-04
JP6751561B2 JP6751561B2 (ja) 2020-09-09

Family

ID=47714234

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2015538537A Active JP6751561B2 (ja) 2012-10-26 2013-10-25 装置の構成要素の集合を監視するシステムおよび方法

Country Status (9)

Country Link
US (1) US9754429B2 (ja)
EP (1) EP2912526B1 (ja)
JP (1) JP6751561B2 (ja)
CN (1) CN104756029B (ja)
BR (1) BR112015009029B1 (ja)
CA (1) CA2888716C (ja)
FR (1) FR2997451B1 (ja)
RU (1) RU2635435C2 (ja)
WO (1) WO2014064396A2 (ja)

Families Citing this family (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR2965915B1 (fr) 2010-10-11 2013-08-02 Snecma Systeme de surveillance d'un banc d'essai de moteur d'aeronef
FR2987443B1 (fr) * 2012-02-24 2014-03-07 Snecma Dispositif de detection d'anomalies par analyse acoustique d'une turbomachine d'aeronef
FR3005732B1 (fr) 2013-05-17 2016-10-07 Snecma Procede et systeme d'analyse vibratoire d'un moteur
FR3011936B1 (fr) 2013-10-11 2021-09-17 Snecma Procede, systeme et programme d'ordinateur d'analyse acoustique d'une machine
FR3011946B1 (fr) 2013-10-11 2016-07-08 Snecma Surveillance d'un moteur d'aeronef pour anticiper les operations de maintenance
FR3022997B1 (fr) * 2014-06-25 2016-06-10 Snecma Procede de surveillance d'une degradation d'un dispositif embarque d'un aeronef incluant la determination d'un seuil de comptage
FR3037170B1 (fr) 2015-06-03 2017-06-23 Snecma Procede et systeme de prediction du fonctionnement d'un aeronef par analyse de similarite utilisant des capacites de stockage et de calcul reparties
CN105207843B (zh) * 2015-08-27 2019-05-28 国家计算机网络与信息安全管理中心 一种基于历史测试结果的网站访问质量检测方法
KR102176102B1 (ko) * 2017-03-30 2020-11-09 가부시키가이샤 티엘브이 리스크 평가 장치, 리스크 평가 방법 및 리스크 평가 프로그램
FR3089501B1 (fr) 2018-12-07 2021-09-17 Safran Aircraft Engines Système d’environnement informatique pour la surveillance de moteurs d’aéronefs
CN110907824A (zh) * 2019-11-06 2020-03-24 天津工业大学 一种基于高频信号耦合注入的电机故障检测系统
FR3135542B1 (fr) * 2022-05-10 2024-08-02 Safran Procédé de détection d’une anomalie dans un système d’un aeronef
FR3142572A1 (fr) * 2022-11-29 2024-05-31 Airbus Procédé de détermination d’une probabilité d’apparition d’un dysfonctionnement créant un défaut de performance dans un aéronef
US12110825B1 (en) 2023-08-29 2024-10-08 General Electric Company Systems and method for detecting and responding to icing conditions in gas turbine engines

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012512350A (ja) * 2008-12-15 2012-05-31 スネクマ 航空エンジンを監視するために使用されるデータの標準化

Family Cites Families (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6748304B2 (en) * 2002-08-16 2004-06-08 Honeywell International Inc. Method and apparatus for improving fault isolation
GB0325560D0 (en) * 2003-10-31 2003-12-03 Seebyte Ltd Intelligent integrated diagnostics
US7260501B2 (en) 2004-04-21 2007-08-21 University Of Connecticut Intelligent model-based diagnostics for system monitoring, diagnosis and maintenance
US7487029B2 (en) * 2004-05-21 2009-02-03 Pratt & Whitney Canada Method of monitoring gas turbine engine operation
US7702435B2 (en) * 2004-11-05 2010-04-20 Honeywell International Inc. Method and apparatus for system monitoring and maintenance
US8620519B2 (en) * 2005-04-18 2013-12-31 Honeywell International Inc. Kernel-based fault detection system and method
RU2308069C2 (ru) * 2005-06-30 2007-10-10 Валентин Афанасьевич Сухолитко Способ интегрированной логистической поддержки эксплуатационного контроля летательных аппаратов
WO2008140363A1 (en) * 2007-05-14 2008-11-20 Volvo Technology Corporation Remote diagnosis modellin
FR2931264A1 (fr) * 2008-05-13 2009-11-20 Thales Sa Procede et dispositif pour la localisation de panne dans un systeme
FR2939170B1 (fr) * 2008-11-28 2010-12-31 Snecma Detection d'anomalie dans un moteur d'aeronef.
FR2939924B1 (fr) * 2008-12-15 2012-10-12 Snecma Identification de defaillances dans un moteur d'aeronef
FR2957170B1 (fr) 2010-03-03 2015-04-17 Snecma Outil de conception d'un systeme de surveillance d'un moteur d'aeronef
FR2965915B1 (fr) 2010-10-11 2013-08-02 Snecma Systeme de surveillance d'un banc d'essai de moteur d'aeronef
FR2971595B1 (fr) 2011-02-15 2013-03-22 Snecma Surveillance d'un moteur d'aeronef pour anticiper les operations de maintenance
FR2974929B1 (fr) * 2011-05-06 2013-06-14 Snecma Dispositif de surveillance d'un moteur d'aeronef
KR20140025036A (ko) * 2012-08-21 2014-03-04 한국전자통신연구원 정지 궤도 위성의 고장 예측 장치 및 방법

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012512350A (ja) * 2008-12-15 2012-05-31 スネクマ 航空エンジンを監視するために使用されるデータの標準化

Also Published As

Publication number Publication date
WO2014064396A2 (fr) 2014-05-01
US20150287249A1 (en) 2015-10-08
RU2635435C2 (ru) 2017-11-13
BR112015009029B1 (pt) 2022-05-24
BR112015009029A2 (pt) 2017-07-04
US9754429B2 (en) 2017-09-05
FR2997451B1 (fr) 2015-01-16
EP2912526B1 (fr) 2017-12-06
FR2997451A1 (fr) 2014-05-02
CA2888716A1 (fr) 2014-05-01
CN104756029B (zh) 2017-11-28
CN104756029A (zh) 2015-07-01
CA2888716C (fr) 2020-10-06
JP6751561B2 (ja) 2020-09-09
EP2912526A2 (fr) 2015-09-02
WO2014064396A3 (fr) 2014-06-26
RU2015119528A (ru) 2016-12-20

Similar Documents

Publication Publication Date Title
JP2016503530A (ja) 装置の構成要素の集合を監視するシステム
EP3867718B1 (en) Parametric data modeling for model based reasoners
RU2522037C2 (ru) Идентификация отказов в авиационном двигателе
CN107463161B (zh) 预测飞行器中的故障的方法和系统以及监控系统
US8437904B2 (en) Systems and methods for health monitoring of complex systems
CN108027611B (zh) 利用受专家意见监督的决策模式学习的用于机器维护的决策辅助系统和方法
US20170284896A1 (en) System and method for unsupervised anomaly detection on industrial time-series data
US20090216393A1 (en) Data-driven anomaly detection to anticipate flight deck effects
RU2684225C2 (ru) Инструмент валидации системы мониторинга авиационного двигателя
US8560279B2 (en) Method of determining the influence of a variable in a phenomenon
JP2004150440A (ja) システム上で診断を行うための方法
JP5025776B2 (ja) 異常診断フィルタ生成装置
GB2450241A (en) Bayesian probability analysis for health monitoring and failure prediction of complex systems
Simon et al. Aircraft engine gas path diagnostic methods: public benchmarking results
US10775270B2 (en) System and method for monitoring a turbomachine, with indicator merging for the synthesis of an alarm confirmation
JP2013196698A (ja) システム監視
GB2515115A (en) Early Warning and Prevention System
Liu et al. The imputation of missing data in aeroengines based on a new trajectory similarity evaluation method
Burnaev Rare failure prediction via event matching for aerospace applications
Bolemant et al. USE OF THERMODYNAMIC STEADY-STATE DATA FOR THE ANALYSIS OF TURBOFAN ENGINES: TOWARDS AUTOMATIC FAULT DETECTION AND ANALYSIS
Mikat et al. Development of Diagnostics & Prognostics for Condition-Based Decision Support
Xue et al. Time receiver operating characteristic (troc) curves: A new tool for evaluating the performance of diagnostic systems
Clarkson et al. Path Classification and Remaining Life Estimation for Systems having Complex Modes of Failure
JP2026512398A (ja) 最適なセンサ配置のためのシステム及び方法
Scully Plenary diagnostics: benefits and challenges

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20160826

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20170531

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20170627

A601 Written request for extension of time

Free format text: JAPANESE INTERMEDIATE CODE: A601

Effective date: 20170925

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20171113

A02 Decision of refusal

Free format text: JAPANESE INTERMEDIATE CODE: A02

Effective date: 20180227

A601 Written request for extension of time

Free format text: JAPANESE INTERMEDIATE CODE: A601

Effective date: 20191217

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20200305

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20200817

R150 Certificate of patent or registration of utility model

Ref document number: 6751561

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250