CN108027611B - 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 - Google Patents

Abstract

本发明涉及用于机器(2)维护的决策辅助系统(1)，包括：异常检测模块(31、32、33)，配置为基于机器物理参数的测量来确定健康指标；计算器(5)，配置为通过应用能够学习的决策模型来基于健康指标对操作诊断进行计算；以及人机界面(6)，配置为允许至少一个专家查阅健康指标并宣布专家诊断，其特征在于，计算器(5)还配置为将基于一组健康指标而计算的操作诊断与在查阅该组健康指标后宣布的至少一个专家诊断进行比较，以及在所计算的异常诊断与所宣布的至少一个专家诊断之间不一致的情况下对决策模型进行修改。本发明延伸到由该系统实现的方法，以及用于实现该方法的计算机程序产品。

Description

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

技术领域

本发明的领域是用于对机器(例如发动机，特别是飞行器发动机)的健康状态进行监测的系统。本发明更具体地涉及用于在机器上执行维护操作的决策辅助自动化系统。

背景技术

对机器的健康状态进行监测旨在提高其安全性和可靠性。特别是在飞行器发动机方面，这种监测旨在避免或限制空中停车(IFSD)，减少航班延迟和取消(D&C)，以及尤其是通过预测故障和甚至是对故障或有缺陷的部件进行识别来促进发动机维护。

使用不同的监测或异常检测设备来检查不同发动机部件的正确操作，以便监测飞行器发动机的健康状态。例如，有一个监测装置用于分析点火过程的行为，另一个监测设备用于分析气体的温度，又一个监测设备用于检测过滤器的堵塞，以及再一个监测设备用于分析油和燃料的消耗，等等。

由这些检测和监测设备产生的数据被使用“健康监测”算法的地面维护服务所使用。这些算法在检测到异常时发出警报。然后，地面维护团队的专家使用这些警报以根据发出的警报来验证发动机的操作能力。

当发动机退化时，健康监测算法的良好校准对于发出有用的警报以及例如在错误地检测到异常之后不引发警报是关键的。

目标首先是在尽可能短的时间内使发动机不动以使其操作节省成本，以及其次是明智地预测维护操作以避免昂贵的维修。例如，一旦达到损坏比例就立即更换特定部件可能是有用的，以便限制这种退化对连接到损坏部件的其他部件所造成的影响。在另一个示例中，当在没有充分理由的情况下引发警报时，尽管专家的验证确认了发动机是适合飞行的，但是出于安全原因，可能使发动机不动。

目前，因为发动机在可能发生损坏之前就被修复了，所以出于缺乏关于退化的数据(如果有的话)而导致健康监测算法的校准并不完美。在缺乏监督数据的情况下，不得不使用仅基于正常情况的异常检测算法，尽管它们并不非常适用于识别退化的类型。为了进行这种识别，需要使用由基于航空工程师专业知识的仿真而构建的签名模型，但这不一定被观察到。

此外，检测和监测设备产生各种可以彼此相关的指标。专家可能发现难以通过观察指标来判断警报是否合理。因此，尽管所监控的大量发动机迫使他们在越来越短的时间内做出决定，但是他们不得不把时间花费在每一个具体的异常情况上。

发明内容

本发明的目的是公开了最自动的可能的决策辅助系统，从而在提高异常检测率而不增加误报率的同时加快专家的工作。

为了实现这一点，本发明公开了如权利要求1所定义的系统和如权利要求10所定义的方法。

系统的一些优选但非限制性方面由从属权利要求2至9来限定。

附图说明

参考附图，在阅读作为非限制性示例给出的本发明的优选实施例的以下具体实施方式之后，将更好地理解本发明的其它方面、目的、优点和特性，在附图中：

-图1图示性地示出了根据本发明的一个可能实施例的用于维护机器的决策辅助系统；

-图2图示性地示出了根据本发明的一个可能实施例的用于维护机器的决策辅助方法。

具体实施方式

一般地，本发明公开了一种能够自动提供信息的工具，该信息有助于做出关于机器维护操作的决定。本发明的一个有利的应用是飞行器发动机的维护，尽管这不是限制性的。

在该框架中，本发明公开了一种用于维护机器的决策辅助系统，该系统自动对机器的操作诊断进行计算。操作诊断是指关于是否存在特定类型的操作(例如异常)的信息，潜在地伴随有发生特定操作的可能性。

本发明的原理是将源自自动计算的操作诊断与由专家做出的诊断相关联。使用能够学习的决策模型进行自动计算，并且这种学习迭代地进行以使系统响应和专家响应之间的诊断误差最小化。

参考图1，本发明更具体地涉及用于维护诸如飞行器发动机2的机器的决策辅助系统1。

系统1包括异常检测单元3，该异常检测单元3包括各种异常检测模块31、32、33。这些模块接收与不同机器组件相关的物理参数测量结果，并配置为从这些测量结果中确定健康指标。将这些健康指标输入到数据库4。

由模块31、32、33产生的健康指标是计算结果，通常是算法的输出、或统计测试结果。例如，它们可能是健康监测算法的输出、或总结、或测试分析结果。

通常，为了监视飞行器发动机机队，每次飞行过程中进行的测量是由机队管理人员进行分析的。由异常检测模块31、32、33进行这些分析，这些异常检测模块31、32、33在发动机一次又一次飞行的行为中实施破裂检测算法。有几种破裂(完全的或渐进的)，几种观察它们的方法(长期或短期)以及要分开或组合观察的大约一百个信号。因此，有各种异常检测模块(数千个)在每次飞行后都提供其健康指标。

系统1还包括计算器5，该计算器5配置为从异常检测模块31、32、33提供的健康指标开始来对操作诊断进行计算。该计算是通过应用包含一组规则的决策模型来进行的，该规则用于合并健康指标并综合已合并信息以提供操作诊断。

例如，来自所有异常检测模块31、32、33的最新10个结果可以被输入到计算器5。它使用连续检测来产生关于一个或多个测量信号的单项输出信息，例如指示没有故障的信息或指示给定的故障类型(性能、压缩机、涡轮机、振动等)的信息，以确认由此产生的信息。

在本发明的框架中，决策模型能够监督学习，换句话说，它可以从学习数据库自动生成其规则，该学习数据库包含健康指标和经验证的操作诊断，在这种情况下是数据库4。

这种学习可以通过不同的方法来完成。例如，它可以利用朴素贝叶斯或随机森林类型算法。它也可以基于回归方法(例如神经网络)，或者可以利用使用了模糊逻辑的推理器。

因此，决策模型可以是朴素贝叶斯分类或从决策随机森林算法的应用中导出的分类。朴素贝叶斯类型算法提供了专家能够容易理解的结果，并在对进程初始化时优选使用。这对专家来说更具有教导性，使得他们能够对本发明更有信心。然后，一旦初始化阶段完成，就可以使用“随机森林”型算法；该算法给出更好的结果，但结果更难以解释。

本发明提出了迭代地修正该模型，从而提高了操作诊断信息的质量。为了实现这一点，决策模型进行再学习步骤，再学习步骤包括重新考虑学习过程中产生的决策规则，并对决策规则进行重新学习以提供更可靠的操作诊断。每个再学习步骤在结束时都会生成一个新的决策模型。换句话说，在每次再学习迭代中修改决策模型。

为了对决策模型的学习进行初始化，可以随机选择可用健康指标的子集(其大小和类型取决于所需的精度、以及一组健康指标，针对该组健康指标，已经有经验证的操作诊断)。专家分析每个数据子集并确定是否存在异常及其类型(标签)。专家可以将质量水平或置信水平增加到他的专家诊断。然后将该诊断和该质量水平与数据库4中的数据子集相关联。

仍然参考图1，决策辅助系统1包括人机界面6，该人机界面6配置为使得允许至少一名专家查看存储在数据库4中的健康指标并且宣布专家诊断。因此专家可以观察他们感兴趣的信号(例如取决于他们的专业)并提供他们的专家诊断(性能问题、压缩问题、太多的振动等)。

计算器5还配置为对使用从一组健康指标开始的决策模型计算的操作诊断与在查看该组健康指标后宣布的至少一个专家诊断进行比较。如果计算出的操作诊断和至少一个宣布的专家诊断之间存在不一致，则可以修改决策模型，换句话说，可以重复再学习以使得诊断错误最小化。

图2图示性地示出了符合本发明的一个可能实施例的方法中如何将不同的步骤链接以导致对决策模型进行修改的示例。

该方法包括初步校准步骤，在初步校准步骤中，一个或多个专家对初始存储在数据库4中的健康指标进行研究，以提供他们的专家诊断并允许对决策模型的学习进行初始化。

然后，在“DIAG-EXP(专家诊断)”步骤期间，专家组中的每个专家使用人机界面6来查阅并且对存储在数据库4中的一组健康指标作鉴定，以及最为回报，宣布他的专家诊断(包含他对观察到的操作的分类和相关的置信水平)。

在“DIAG-CAL(计算诊断)”步骤期间，计算器5使用先前学习的决策模型从一组健康指标中计算操作诊断。在“DIFF(差异)”步骤中，将计算器自动计算的操作诊断与专家诊断进行比较。在达成一致(“N1”)的情况下，可以加强系统的专业水平，特别是检测给定操作的专业水平。

在意见不一致(“O1”)的情况下，在“CONF DIAG-EXP(确认诊断-专家)”步骤期间被询问以确认他们的判断而同时专家在可能修改他们分配的置信水平。为了判断不一致，可以考虑专家对诊断中研究的操作进行识别的专业水平，例如通过对每个专家的诊断的重要性进行加权。

如果答案是肯定的(“O2”)，换句话说，如果至少一个不一致的情况经确认，例如，如果确认了多个不一致情况使得对不一致的判断给予足够的置信水平，则在“MOD(修改)”步骤中对学习模型进行修改。该修改包括利用数据库内容对模型的规则进行再学习，其中所述健康指标组现在与经确认的专家诊断相关联。

如果答案是否定的(“N1”)，换句话说，如果专家接受系统的建议(他们认为操作诊断是正确的，并且至少在某些情况下使其初步判断无效)，则执行“ENR(记录)”步骤，其中将该诊断记录在数据库4中并与一组健康指标相关联。

为了对专家们的初步判断进行确认/无效，专家组中的每个专家可以使用人机界面来查看专家组的其他专家中的每个或一些专家宣布的专家诊断以及计算出的操作诊断。

每个专家可以具有专业水平，并且计算器5可以配置为当决策模型被修改时根据专家的专业水平来对确认的专家诊断的重要性进行加权。

由于专家可以具有不同的技能，因此专家的专业水平可以分解为一组专业水平，每个专业水平与给定操作的检测相关。当专家查看其他专家的诊断和系统计算的诊断时，他可以获得专家和系统的专业水平。

专家可以对其技能进行初步宣布，换句话说，他们对给定操作类型(例如异常)进行检测的能力。当专家组评估专家诊断时，可以将其标记为与一项或多项技能相关联。因此，对于给定的专家，可以针对给定操作类型的检测而计算出肯定的专家诊断(由专家组验证的)，并且因此可以测量成功率，该成功率代表用于检测所述操作的专业水平。

类似地，随着时间的推移，该系统也成为专家，并因此可以评估其技能以及监控其成熟程度。例如，系统计算给定操作A的操作诊断。为了得出这个结论，该系统的决策模型利用它能够使用的先前经验来识别该操作类型。因此，该系统已经获得了来自具有操作A的技能的专家的答复，因此它本身已经获得了该操作A的专业水平。该专业水平可以用于指示系统响应的相关性。如果系统具有良好的专业水平来检测其他操作类型，则这种相关性甚至更高。例如，针对操作B，它具有良好的专业水平，并且它认为该操作不是B类型。

而且，如上所述，如果专家确认给定操作A的操作诊断，则系统针对检测该操作A的专业水平得到增强。

本发明不仅涵盖了决策辅助系统1，而且涵盖了由这种系统使用的用于发动机维护的决策辅助方法。本发明还涉及一种计算机程序，该计算机程序包括代码指令，当在计算机上执行所述计算机程序时所述代码指令用于执行根据本发明方法的步骤。

通过直接考虑专家意见，本发明可以通过建立永久知识库来克服对现有系统缺乏监督的问题。

专家们还通过统计研究而从本发明中受益，该统计研究可以由每个专家所提供信息的历史记录构成。这让他们积极参与这个过程。本发明使用相同的信息进行自我校准并利用它来评估每组专家的技能。

本发明可用于对用于学习决策模型的算法进行更详细的校准。然后，自动诊断的质量会更好，使得能够预测部件的退化，并且只要诊断显示部件退化，就可以快速更换该退化部件。部件的退化越早被识别出来，该部件将对与其相互作用的其他发动机部件造成损坏的风险就越低。这样，本发明首先通过限制待更换部件的数量，以及其次通过限制在接收警报之后由专家进行的检查次数，可以使维修更有效并降低维修成本。

Claims (11)

1.一种用于机器维护的决策辅助系统，包括：

异常检测模块，配置为根据所述机器的物理参数的测量来确定健康指标；

计算器，配置为使用来自所确定的健康指标中的一组健康指标和监督学习决策模型来对操作诊断进行计算；

人机界面，配置为允许至少一个专家查阅所确定的健康指标并宣布专家诊断；以及

数据库，存储与专家诊断相关联的健康指标，

其中，所述监督学习决策模型能够使用所述数据库的内容自动学习一组规则，所述一组规则用于合并所述一组健康指标并综合已合并的一组健康指标以提供操作诊断，

其中，所述计算器还配置为：

将使用所述一组健康指标而计算的操作诊断与在查阅所述一组健康指标后宣布的至少一个专家诊断进行比较，以及

在所述计算的操作诊断和所述宣布的至少一个专家诊断之间不一致的情况下，将所述宣布的至少一个专家诊断存储在与所述一组健康指标相关联的所述数据库中，并实施所述监督学习决策模型使用所述数据库的内容对所述一组规则的再学习。

2.根据权利要求1所述的决策辅助系统，其中，所述计算器配置为在通过所述人机界面宣布对所述宣布的至少一个专家诊断进行确认之后，实施所述再学习。

3.根据权利要求2所述的决策辅助系统，其中，所述计算器配置为在通过所述人机界面宣布对所述宣布的至少一个专家诊断进行无效之后，不实施所述再学习。

4.根据权利要求1所述的决策辅助系统，其中，所述计算器配置为将根据所述一组健康指标而计算的所述操作诊断与多个专家诊断进行比较，其中每个专家诊断是在属于专家组的专家已经查阅所述一组健康指标之后被宣布的，以及其中所述人机界面还配置为使得所述专家组中的每个专家能够查看由所述专家组中的其他专家中的每个或部分专家所宣布的专家诊断以及所述计算的操作诊断。

5.根据权利要求1所述的决策辅助系统，其中，所述计算器还配置为当实施所述再学习时，根据专家的专业水平对由所述专家宣布的至少一个专家诊断的重要性进行加权。

6.根据权利要求5所述的决策辅助系统，其中，所述专业水平与给定的机器操作类型相关联。

7.根据权利要求1所述的决策辅助系统，其中，所述计算器配置为在所述计算的操作诊断与所述宣布的至少一个专家诊断之间一致的情况下对所述决策辅助系统的专业水平进行增强。

8.根据权利要求1所述的决策辅助系统，其中，所述监督学习决策模型是朴素贝叶斯分类。

9.根据权利要求1所述的决策辅助系统，其中，所述监督学习决策模型是从决策随机森林算法的应用中导出的分类。

10.一种用于机器维护的决策辅助方法，包括以下步骤：

-根据所述机器的物理参数的测量来确定健康指标；

-将与专家诊断相关联的健康指标存储在数据库中；

-使监督学习决策模型使用所述数据库的内容自动学习一组规则，所述一组规则用于合并健康指标并综合已合并的健康指标以提供操作诊断；

-使用来自所确定的健康指标中的一组健康指标和所述监督学习决策模型来对操作诊断进行计算；

-由至少一个专家查阅所述一组健康指标，以及由所述至少一个专家宣布专家诊断，

-将所述计算的操作诊断与所述宣布的至少一个专家诊断进行比较；以及

-在所述计算的操作诊断和所述宣布的至少一个专家诊断之间不一致的情况下，将所述宣布的至少一个专家诊断存储在与所述一组健康指标相关联的所述数据库中，并实施所述监督学习决策模型使用所述数据库的内容对所述一组规则的再学习。

11.一种计算机程序，所述计算机程序包含代码指令，当在计算机上执行所述计算机程序时，所述代码指令用于执行根据权利要求10所述的决策辅助方法中的比较步骤、存储步骤和实施步骤。

Images