[发明专利]用于生成飞机故障预测分类器的系统和方法

说明书

本公开涉及一种用于生成飞机故障预测分类器的系统和方法。该方法包括接收包括多个特征向量的输入数据，并基于特征向量与故障发生的时间接近度来标记每个特征向量。故障发生的阈值时间接近度内的特征向量用第一标签值标记，而其他特征向量用第二标签值标记。该方法包括为子集的每个特征向量确定与特征向量相关联的标签正确的概率。该子集包括具有指示第一标签值的标签的特征向量。该方法包括重新分配子集的具有不满足概率阈值的概率的一个或多个特征向量的标签，并且在重新分配标签之后，使用包括多个特征向量和标签的监督式训练数据来训练飞机故障预测分类器。

技术领域

本公开总体上涉及生成飞机故障预测分类器。

背景技术

技术的进步导致交通工具上传感器的数量增加，例如，飞机、汽车、轮船、无人驾驶飞机、火箭、宇宙飞船等交通工具。这些传感器可以记录交通工具运输之前、期间和之后的数据。例如，参数飞行数据可以由飞行数据记录器(FDR)、快速访问记录器(QAR)、连续参数记录(CPL)系统、增强型机载飞行记录器(EAFR)或其他类型的传感器系统记录。该传感器数据可用于多种目的，包括故障预测。

执行故障预测的一种方法是基于模型的方法。例如，可以生成飞机的预期运行状态的基于物理的模型，并且可以将传感器数据与该模型进行比较，以预测故障状态。为了进一步说明，基于规则的模型使用由可访问预期值的逻辑表生成的规则来确定何时违反规则(例如，何时预测到故障)。一些基于模型的技术需要知道预期运行状态，这可使得确定是耗时的或资源密集的，并且可能使用大量的系统资源(例如，存储空间和处理资源)。此外，如果交通工具经历维护或以其他方式改变配置，由于这些变化，模型可能不再表示交通工具的运行状态。

发明内容

在具体实现方式中，一种方法包括：接收包括多个特征向量的输入数据。输入数据包括与一个或多个飞机相关联的传感器数据。该方法包括基于特征向量与故障发生的时间接近度，来标记多个特征向量中的每个特征向量。在故障发生的阈值时间接近度内的特征向量用第一标签值标记，而不在故障发生的阈值时间接近度内的特征向量用第二标签值标记。该方法包括为多个特征向量的子集中的每个特征向量，确定与特征向量相关联的标签值正确的概率。子集包括具有指示第一标签值的标签的特征向量。该方法包括重新分配子集的一个或多个特征向量的标签，所述一个或多个特征向量具有不满足概率阈值的概率。该方法还包括在重新分配一个或多个特征向量的标签之后，使用包括多个特征向量和与多个特征向量相关联的标签的监督式训练数据来训练飞机故障预测分类器。飞机故障预测分类器被配置为使用飞机的第二传感器数据来预测飞机的第二故障的发生。

在另一具体实现方式中，一种系统包括：处理器以及耦接到处理器并存储指令的存储器，指令可由处理器运行以执行以下操作，该操作包括接收包括多个特征向量的输入数据。输入数据包括与一个或多个飞机相关联的传感器数据。操作包括基于特征向量与故障发生的时间接近度来标记多个特征向量中的每个特征向量。在故障发生的阈值时间接近度内的特征向量用第一标签值标记，而不在故障发生的阈值时间接近度内的特征向量用第二标签值标记。操作包括为多个特征向量的子集中的每个特征向量，确定与特征向量相关联的标签值正确的概率。子集包括具有指示第一标签值的标签的特征向量。操作包括重新分配子集的一个或多个特征向量的标签，所述一个或多个特征向量具有不满足概率阈值的概率。操作还包括在重新分配一个或多个特征向量的标签之后，使用包括多个特征向量和与多个特征向量相关联的标签的监督式训练数据来训练飞机故障预测分类器。飞机故障预测分类器被配置为使用飞机的第二传感器数据来预测飞机的第二故障的发生。