Система для контроля узла компонентов оборудования

Система для контроля узла компонентов оборудования

Иллюстрации

Показать все

Реферат

ТЕХНИЧЕСКАЯ ОБЛАСТЬ

Настоящее изобретение относится к области систем контроля оборудования, такого как двигатель, и в частности, к системе контроля узла компонентов двигателя летательного аппарата.

СОСТОЯНИЕ ПРЕДШЕСТВУЮЩЕГО УРОВНЯ ТЕХНИКИ

Контроль двигателя и, в частности, двигателя летательного аппарата очень важен для нормального функционирования двигателя. Используются различные устройства контроля или обнаружения неисправностей, чтобы убедиться в нормальном функционировании различных компонентов двигателя. Существует, например, устройство контроля для анализа характеристики процесса зажигания; другое для анализа траектории газов, еще один для обнаружения засорения фильтров, а другой для анализа расхода масла, и т.д.

Все эти устройства обнаружения и контроля позволяют повысить безопасность и надежность двигателя летательного аппарата. В частности, они позволяют избежать или ограничить остановку двигателя во время полета (in-flight shutdown IFSD), уменьшить задержки или отмены рейсов (delays and cancellations D&C), и в частности, облегчают техническое обслуживание двигателя, предвосхищая отказы и определяя поврежденные или неисправные компоненты.

Разные устройства обнаружения используют различные входные данные и могут быть сконфигурированы по-разному в зависимости от типов дефектов, которые желают обнаружить. Действительно, не обязательно наблюдают одни и те же параметры среди наблюдаемых компонентов или узлов компонентов. Также в зависимости от типов дефектов, которые стараются обнаружить, не измеряют одни и те же физические величины.

Результаты, полученные этими устройствами обнаружения, относящиеся к двигателю, являются вероятностями или рисками неисправностей, связанными с информацией о точности. Учитывая, что все компоненты двигателя взаимосвязаны, устройства обнаружения производят много информации единовременно и необходимо иметь возможность сделать сортировку, чтобы помочь операторам технического обслуживания принять решение о замене двигателя или о его ремонте.

Однако это требует огромное время на анализ и кроме того, трудно для экспертов использовать все данные, которые могут иметь отношение к контролю двигателя.

Кроме того, большая частота обнаружения порождает большое количество ложных срабатываний. Таким образом, наблюдается двойственность между возможностью иметь сниженную частоту ложных срабатываний и хорошим обнаружением. Уменьшение частоты ложных срабатываний неизбежно снизит частоту обнаружений. Однако частота ложных срабатываний очень важна для применения контроля. Действительно, если устройство определения ошибочно побуждает к дорогостоящей операции технического обслуживания, это устройство обнаружения потеряет всякое доверие. Более того, в авиационной области, конструкция оборудования чрезвычайно надежна, что, как правило, в значительной степени ограничивает частоту выхода из строя и, следовательно, увеличивает риск ложных срабатываний.

Задачей настоящего изобретения является создание системы контроля узла компонентов двигателя, позволяющей помочь операторам технического обслуживания принять решение при увеличении частоты обнаружения и без увеличения частоты ложных срабатываний.

СУЩНОСТЬ ИЗОБРЕТЕНИЯ

Настоящее изобретение может быть использовано на любом оборудовании. Таким образом, оно определяется системой контроля узла компонентов оборудования, такого как двигатель, включающей в себя:

- средства обнаружения, содержащие совокупность агентов обнаружения неисправностей, каждый из указанных агентов сконфигурирован с возможностью получать измерения физических параметров, относящихся к подузлу компонентов оборудования, такого как двигатель, и выдавать начальное распределение вероятности неисправности,

- средства сбора, сконфигурированные для получения информации обратной связи на основе опыта, а также начальных распределений вероятности неисправности, полученных от указанной совокупности агентов,

- средства появления, сконфигурированные с возможностью обеспечения итеративного появления текущих распределений вероятности неисправности в точном соответствии с указанной информацией обратной связи на основе опыта, указанные текущие распределения вероятности неисправности сходятся к совокупности оптимальных распределений вероятности неисправности в соответствии с указанной информацией обратной связи на основе опыта, и

- средства синтеза, сконфигурированные с возможностью синтеза оптимальных распределений вероятности неисправности относящихся, по меньшей мере, к одному интересующему подузлу компонентов оборудования, такому как двигатель, для извлечения рисков неисправности характерной для указанного интересующего подузла.

Таким образом, система контроля позволяет значительно увеличить частоту обнаружения при сохранении низкой частоты ложных срабатываний и позволяет сортировать результаты для того, чтобы сосредоточиться на рисках неисправности, имеющей отношение к конкретному подузлу компонентов оборудования, такого как двигатель. Таким образом, система позволяет определить элементы, представляющие наибольший риск и, следовательно, облегчает распознавание и принятие решения с точки зрения технического обслуживания касающегося наблюдаемого подузла,

Главным образом, средства появления включают в себя:

- средства объединения, сконфигурированные с возможностью создания каждого текущего или оптимального распределения вероятности неисправности путем объединения предыдущих распределений вероятности неисправности согласно заданным правилам объединения,

- средства оптимизации, сконфигурированные с возможностью приведения в точное соответствие каждого начального или текущего распределения неисправности с информацией обратной связи на основе опыта, которая ему соответствует, для того, чтобы связать с ним значение эффективности, и

- средства управления, сконфигурированные для изменения совокупности агентов к оптимальной популяции агентов, создавая новые агенты, соответствующие текущим и оптимальным распределениям вероятности неисправности и выбирая агенты наиболее согласованные с информацией обратной связи на основе опыта по значениям эффективности, связанным с указанными текущими и оптимальными распределениями вероятности неисправности.

Это позволяет динамически регулировать агенты обнаружения неисправности и обеспечивать появление агентов, которые постоянно адаптируются к самым интересным событиям.

Преимущественным образом, средства появления дополнительно сконфигурированы с возможностью связывания с каждым начальным, текущим или оптимальным распределением вероятности неисправности, относящимся к подузлу компонентов оборудования, такому как двигатель, вектора импликации, отражающего вклад каждого элемента указанного подузла на соответствующее распределение вероятности неисправности.

Это позволяет эффективно связывать вероятности неисправности с разными элементами оборудования, такого как двигатель.

Преимущественным образом, средства синтеза сконфигурированы с возможностью синтезировать оптимальные распределения вероятности неисправности, относящиеся к указанному интересующему подузлу, путем взвешивания влияния каждого элемента указанного интересующего подузла согласно соответствующим векторам импликации.

Преимущественным образом, предопределенные правила объединения могут быть выбраны среди следующих правил: экспертные правила, правила сокращения, правила голосования, бизнес-правила, байесовы правила, и правила нечеткой логики.

Это позволяет комбинировать различные источники информации, улучшая, таким образом, надежность контроля.

Преимущественным образом, средства оптимизации дополнительно сконфигурированы с возможностью регулировать правила объединения в зависимости от информации обратной связи на основе опыта.

Преимущественным образом, совокупность агентов или оптимальная популяция агентов сформирована экземплярами алгоритмов, включающими в себя выбор различных измерений или различных методов обработки, или различных выборов параметров.

Преимущественным образом, начальные распределения вероятности неисправности стандартизированы относительно контекста измерений.

Преимущественным образом, система контроля включает в себя средства помощи решению, которые позволяют определить операции технического обслуживания в зависимости от рисков неисправности.

Преимущественным образом, указанное оборудование является двигателем и, в частности, двигателя летательного аппарата.

Изобретение также предоставляет способ контроля узла компонентов оборудования, такого как двигатель, содержащий этапы, на которых:

- собирают информацию обратной связи на основе опыта, а также начальные распределения вероятности неисправности, полученные от совокупности агентов обнаружения неисправностей, каждый из указанных агентов сконфигурирован с возможностью получать измерения физических параметров, относящихся к подузлу компонентов оборудования, такого как двигатель, перед выдачей начального распределения вероятности неисправности,

- итеративно обеспечивают появление текущих распределений вероятности неисправности в точном соответствии с указанной информацией обратной связи на основе опыта, при этом указанные текущие распределения вероятности неисправности сходятся к совокупности оптимальных распределений вероятности неисправности в соответствии с указанной информацией обратной связи на основе опыта, и

- синтезируют оптимальные распределения вероятности неисправности, относящиеся к, по меньшей мере, одному интересующему подузлу компонентов оборудования, такого как двигатель, для того, чтобы извлечь риски неисправности, характерной для интересующего подузла.

КРАТКОЕ ОПИСАНИЕ ЧЕРТЕЖЕЙ

Фиг. 1 схематически показывает способ контроля узла компонентов оборудования, такого как двигатель, в соответствии с изобретением;

Фиг. 2 схематически показывает систему контроля узла компонентов оборудования, такого как двигатель, в соответствии с изобретением;

Фиг. 3А-3D схематически показывают примеры объединения в системе контроля узла компонентов оборудования, такого как двигатель летательного аппарата, в соответствии с изобретением; и

Фиг. 4 схематически показывает конкретный пример синтеза в соответствии с системой контроля настоящего изобретения.

ДЕТАЛЬНОЕ ОПИСАНИЕ КОНКРЕТНЫХ ВАРИАНТОВ ВОПЛОЩЕНИЯ ИЗОБРЕТЕНИЯ

Принцип изобретения - объединить различные источники обнаружения неисправностей на оборудовании, таком как двигатель, для обеспечения автоматического и оптимизированного появления информации, различимой и полезной для принятия решений по операциям технического обслуживания оборудования.

Фиг. 1 схематически показывает способ контроля узла компонентов оборудования, такого как двигатель, в соответствии с изобретением.

Настоящее изобретение может быть расширено на все оборудование, в частности на оборудование летательного аппарата. Под «оборудованием» подразумевается двигатель, в частности двигатель летательного аппарата, система анализа способности к запуску, в частности система летательного аппарата, средство подтверждения диагностики, встроенная система анализа вибраций, система контроля подшипников, система идентификации задач (workscopes(объема работ)) двигателя во время прибытия в мастерскую, система автоматической идентификации причин уведомлений CNR (Customer Notification Report (Отчет Уведомления Клиента)), система исправления неисправностей (troubleshooting), и т.д.

Для краткости, далее будем использовать выражение «узел компонентов оборудования» для обозначения оборудования в целом или системы оборудования, включающей в себя несколько компонентов и, в частности, используем выражение «узел компонентов двигателя» для обозначения двигателя в целом или системы двигателя, включающей в себя несколько компонентов. Также используем термин, «подузел компонентов оборудования» для обозначения подсистемы оборудования, включающей в себя один или несколько компонентов и, в частности, используем выражение «подузел компонентов двигателя» для подсистемы двигателя, включающей в себя один или несколько компонентов двигателя.

Способ контроля в соответствии с изобретением, применяет блок рассуждений, который динамически и авто-адаптивно объединяет информацию от совокупности детекторов неисправности, и который затем сортирует и синтезирует объединенную информацию.

Этап Е1 относится к получению измерений χ(ω) во время опыта ω∈Ω физических параметров, связанных с подузлом компонентов оборудования, такого как двигатель.

Этап Е2 касается определения совокупности алгоритмических агентов обнаружения неисправностей, каждый из агентов сконфигурирован для получения измерений физических параметров для расчета начального распределения вероятности неисправности.

На этапе Е3, совокупность алгоритмических агентов выдает набор начальных распределений вероятности неисправности.

Этап Е4 касается получения информации R_e обратной связи на основе опыта об ошибках.

Этап Е5 касается использования информации обратной связи на основе опыта так же, как и начальных распределений вероятности неисправности, полученных от совокупности агентов обнаружения неисправности для обеспечения появления текущих распределений вероятности неисправности в точном соответствии с информацией обратной связи на основе опыта.

Текущее распределение вероятности неисправности создается итеративно до тех пор, пока они сойдутся на этапе Е6 к совокупности оптимальных распределений вероятности неисправности в соответствии с информацией обратной связи на основе опыта.

На этапе Е7, оптимальные распределения вероятности неисправности относящиеся к, по меньшей мере, одному интересующему подузлу компонентов оборудования, такого как двигатель, синтезируются для того, чтобы извлечь риски неисправности, характерные для этого интересующего подузла.

Фиг. 2 схематически показывает систему контроля узла компонентов оборудования, такого как двигатель, в соответствии с изобретением.

Эта система 1 контроля содержит средства 2 обнаружения, средства 3 сбора, средства 5 появления, и средства 7 синтеза.

Следует отметить, что в случае двигателя летательного аппарата, средства 2 обнаружения могут быть частично или полностью интегрированы с бортовым компьютером контроля двигателя. Более того, средства 3 сбора, средства 5 появления и средства 7 синтеза - цифровые модули, которые могут быть интегрированы с тем же самым или другими компьютерами или информационными системами 9а, 9b.

Средства обнаружения 2 включают в себя совокупность алгоритмических агентов a₁,..., a_i,..., a_n обнаружения неисправностей, которые сконфигурированы для того чтобы получать измерения физических величин связанных с подузлом компонентов двигателя и для того, чтобы поставлять начальные распределения вероятности неисправности.

Агент обнаружения неисправностей включает в себя алгоритмические функции. Эти функции включают в себя, например, функцию инициализации состояния агента, другую для выполнения калибровки, другие функции для получения данных и выполнения алгоритма и еще другие для выдачи результатов. Агенты обнаружения неисправностей, как правило, подвергаются фазе обучения, включающей процедуру калибровки. Агенты могут быть запущены средствами обработки вычислительного устройства или компьютера, когда это необходимо. Агенты обнаружения неисправностей сконфигурированы для сбора измерений полученных датчиками на двигателе 13 и его окружении. В частности, эти данные могут быть получены непосредственно от двигателя 13 (пунктирная стрела) или на основании опыта ω∈Ω измерений полученного из базы данных 15.

Затем агент на основании этих измерений вычисляет показатели специфичные для компонентов двигателя 13 или для логических элементов, указывающих на конкретную задачу целого ряда компонентов двигателя 13. Например, показатель может соответствовать времени необходимому для достижения валом двигателя максимального ускорения после каждого запуска двигателя, другой показатель может быть градиентом температуры выхлопных газов двигателя, и т.д.

Однако каждое измерение может быть собрано в конкретных внешних или внутренних условиях. Эти условия, которые могут иметь воздействие на считывание показателей, могут быть измерены и записаны как экзогенные данные. Внешние условия могут включать в себя температуру и внешнее давление, влажность и т.д. Внутренние условия могут касаться конкретного использования двигателя, например, температура масла, непосредственно перед запуском двигателя, может быть рассмотрена как данные контекста, которые различают два типа пусков (холодный запуск и горячий запуск).

Таким образом, эти показатели преимущественно стандартизированы, например, с помощью обычной техники нормализации в зависимости от среднего и стандартного отклонения, вычисленных заранее по серии ранее оцифрованных данных или по другим методам идентичным тем, что описаны в патентной заявке WO20100764681 заявителя.

В дополнение, агенты могут вычислять показатели производительности или качества, указывающие на надежность результатов. Эти показатели качества могут оцениваться статистическими моделями известными как перекрестная проверка (например, folding(свертка), самонастройка(bootstrap), перекрестная проверка с исключением(leave-one-out)) описанными, например, во французской патентной заявке FR2957170 заявителя.

В первом примере, показатель качества может быть показателем соответствия AQV (Adequacy Quality Value(Значение Соответствия Качества)) определяющим величину расстояния между входом агента и входом калибровки, определенным во время обучения агента.

В другом примере, показатель качества соответствует показателю надежности MQV (Model Quality Value (Значение Качества Модели)) измеряющему возможность использования агента по отношению к новым входным данным. Показатель надежности MQV предоставляет информацию о работе агента по отношению к общим данным и указывает затем, каким должно быть в среднее качество агента, когда применяются новые данные.

Другие примеры показателей качества или производительности включают в себя вероятность ложных срабатываний PFA и частоту обнаружения POD. Эти показатели могут быть измерены с максимальной желаемой точностью в виду объема доступных данных. Следует отметить, что возможно создать агенты, в которых PFA низка. В результате получается, что POD не будет большим. Например, проверки на испытательных стендах показали, что POD от 40 до 50% вполне возможен при PFA меньше чем 1%. Очень дорого зря разбирать двигатель, кроме того, в области авиации, безусловно, фокусируются на как можно более низкой доле ложных срабатываний PFA.

И, наконец, результат или выходные данные агента состоят в распределении вероятности неисправности, которое отражает аномальные характеристики контролируемого компонента. Таким образом, распределение вероятности неисправности можно рассматривать как закон оценки неисправности где ) - случайная величина, рассчитанная по данным полученным из опыта ω∈Ω измерений полученных из базы данных 15.

Этот результат (т.е. распределение вероятности неисправности) включает в себя риск неисправности и измерение надежности и точности (например, PFA или POD) агента. Действительно, для заданного порога определения или срабатывания, зависящего от каждого агента , можно определить риск неисправности и связанную точность , которые зависят от порога обнаружения, в соответствии со следующими формулами:

Точность может быть определена либо с помощью стандартного отклонения риска неисправности, либо с помощью перекрестной проверки, или непосредственно с помощью алгоритмической модели.

Кроме того, каждый из агентов параметризован конкретной конфигурацией , которая может соответствовать выбору параметров (например, выбору масштабного коэффициента), выбору входных данных (например, временные сигналы или мгновенные сигналы «снимки»), или временная задержка, что приводит к тому, что обычно называют экземпляром алгоритма. С целью упрощения формулировки, считают, что все агенты являются различными.

Таким образом, каждый агент определяется в соответствии с выбором алгоритма , его конфигурации и заданным порогом обнаружения. Тогда каждый агент может быть записан как:

Средства 3 сбора сконфигурированы для получения начальных распределений вероятности неисправности (т.е. рисков неисправности и соответствующие точности ) полученные от совокупности агентов обнаружения неисправности, а также информация обратной связи на основе опыта 17.

Обратная связь на основе опыта получена с помощью экспертизы и связанного с ней риска. Например, обратная связь на основе опыт для определенного компонента может выражаться с помощью риска неисправности экспертизы по ошибке, определенной на основании опыта измерений, так же, как достоверность, соответствующая точности, что эксперт определяет для этого риска.

Средства 5 появления используют информацию 17 обратной связи на основе опыта и начальные распределения вероятности неисправности от совокупности агентов для того, чтобы итеративно обеспечивать появление текущих распределений вероятности неисправности в соответствии с информацией 17 обратной связи на основе опыта. Эта итеративная структура позволяет текущим распределениям вероятности ошибки сходиться к совокупности оптимальных распределений вероятности неисправности в соответствии с информацией 17 обратной связи на основе опыта.

Средства 5 появления используют технику экспертных объединений, обеспечивая появление релевантной информации на основании наблюдаемых данных, позволяя значительно улучшить частоту обнаружения POD, сохраняя при этом низкую частоту ложных срабатываний PFA. Действительно, средства 5 появления будут компенсировать низкую частоту обнаружения агента одновременным наблюдением за множеством агентов.

В частности, средства 5 появления включают в себя функции или средства объединения 51, оптимизации 53 и управления 55.

Средства 51 объединения сконфигурированы таким образом, чтобы создавать каждое текущее или оптимальное распределение вероятности неисправности путем объединения предыдущих распределений вероятности неисправности по предопределенным правилам объединения. Операция объединения сводится к комбинации распределений вероятности неисправности (или, более конкретно, рисков неисправности ), используя совокупность данных от совокупности агентов, позволяя таким образом решить проблему низкой частоты определения.

Таким образом, риски неисправности могут быть объединены друг с другом с помощью операций сокращения (например, среднего, регрессии или нейронной сети), чтобы построить новый риск неисправности, который можно обозначить следующим образом:

,

где это операция объединения, которая может быть бизнес-правилом, байесовой логики, нечеткой логики, механизмом выбора или результатом обучения.

Объединенные риски неисправности могут также служить входными данными для других последовательных объединений, создавая направленный граф:

.

Работа с совокупностью рисков неисправности должна обычно принимать в расчет управление взаимоотношениями в направленном графе. Например, удаление риска неисправности может привести к удалению ветви графа. Следует отметить, что далее, не делается различий между риском неисправности, полученным от начального агента или от объединения.

Кроме того, средства 53 оптимизации сконфигурированы для того, чтобы постановки в точное соответствие каждого начального или текущего распределения вероятности неисправности (т.е. первоначальных или текущих рисков неисправности и соответствующих точностей) с информацией обратной связи на основе опыта, которая ему соответствует, чтобы связать с ним значение эффективности. Например, значение эффективности может быть определено на основании расстояния между риском неисправности, полученным от агента, и риском неисправности экспертизы, который ему соответствует. Оптимизация, таким образом, ведет к продолжению улучшения эффективности результата объединения относительно обратной связи на основе опыта.

Преимущественно, средства 53 оптимизации дополнительно выполнены с возможностью регулировать правила объединения на основе информации обратной связи на основе опыта. Действительно, можно использовать регрессивный инструмент проекции на информацию обратной связи на основе опыта для модулирования правил объединения.

Дополнительно, средства 55 управления сконфигурированы таким образом, чтобы изменять совокупность агентов к оптимальной популяции агентов путем создания новых агентов соответствующих текущим и оптимальным распределениям вероятности неисправности и выбирая агенты наиболее совместимые с информацией обратной связи на основе опыта. Этот выбор может быть основан на значениях эффективности, связанных с текущими или оптимальными распределениями вероятности неисправности. Изменение агентов показано на фиг. 1 обратной стрелкой E, обозначающей переход эффективности к средствам 2 обнаружения, позволяя таким образом оптимизировать алгоритмические агенты , для выбора лучших алгоритмов, параметров, конфигураций или порогов.

Для нахождения оптимальной конфигурации и/или сочетания параметров, выгодно использовать большое число агентов настроенных по-разному, но сравнимых друг с другом. Стохастическая техника типа «генетический алгоритм» позволяет этим агентам менять свои «точки зрения», чтобы, наконец, сходиться к более эффективной популяции. Обучение зависит от информации обратной связи на основе опыта, которая регулярно обновляется экспертами или операторами технического обслуживания. На основе этой информации, агенты могут автоматически настраивать себя. Следует отметить, что генетический алгоритм адаптирован для увеличения популяции агентов созданием новых. Следует напомнить, что агенты - это алгоритмические экземпляры определенных алгоритмов, конфигураций, настроек, порогов обнаружения (или срабатывания), и задержек (например, параметр агента, который может принимать прошлое значение, но не последнее вычисленное значение). Таким образом, новые агенты могут быть созданы операциями алгоритмических мутаций, изменяя параметры экземпляра, или его порог срабатывания. Они могут также быть созданы путем алгоритмических операций скрещивания, интеллектуально смешивая совместимые параметры агентов (например, оптимизацию задержки, масштаба и т.д.). Другие создания могут быть реализованы логическими мутациями путем изменения параметров правил оператора объединения или с помощью логических скрещиваний, ловко сочетая несколько операторов объединения. Новые агенты могут также создаваться путем случайного выбора пар агентов из начальной совокупности агентов для генерации агентов-потомков.

Затем, средства 5 появления рассчитывают значения эффективности, связанные со всеми этими новыми агентами, и реализуют давление отбора, чтобы удерживать из всей популяции только лучшие, сохраняя при этом последовательную структуру графа. Следует отметить, что можно использовать другие методы оптимизации, основанные на интерактивных инструментах, предназначенных для экспертов.

Таким образом, путем управления совокупностью агентов, которые меняются при появлении новой информации обратной связи на основе опыта, средства 55 управления позволяют автоматически определить новые конфигурации, о которых не обязательно подумали и которые наиболее подходят для каждой текущей ситуации. Новая конфигурация может соответствовать новому выбору входных данных агента, новым параметрам обработки агента, или новому выбору наблюдений для калибровки агента.

Возьмем, например, новый двигатель летательного аппарата, который желают контролировать. Текущая технология заключается в использовании совокупности алгоритмов, предопределенных и проверенных экспертами в предметной области. Эти алгоритмы пересекаются, и они применимы к любому типу двигателя, но они не являются специализированными для конкретного двигателя. Кроме того, также они располагают полностью универсальными сенсорами неисправностей (необычно функционирующие), но которые недостаточно эффективны для инициализации, потому что они, как правило, калибруются для всех типов двигателей летательных аппаратов.

Или, новый двигатель, даже если он удовлетворяет критериям документа экспертизы, подготовленного экспертами двигателей, называемого FMEA (Анализ характера, последствий и критичности неполадок), точно определяющего вероятности возникновения каждой неполадки, не будет отображать последовательность абсолютно обычных неполадок. Встреченные проблемы, зависят от конструкции двигателя (его производства, множество деталей и т.д.) от его эксплуатации и от встреченных полетных условий. Таким образом, наиболее вероятными неполадками не обязательно будут те, которые указаны в общем в FMEA, но следуют из условий среды.

Управляя популяцией этих детекторов, которые развиваются сообразно стохастической технике, можно вывести конфигурации адаптированные не только к этому конкретному двигателю, но также построить систему, способную полностью адаптироваться, со временем, к наиболее интересным событиям. Таким образом, динамическое и самостоятельно адаптирующееся применение, которое глобально регулирует совокупность агентов, служащих для диагностики двигателя, имеет гораздо больше шансов указать наиболее вероятные повреждения.

Наконец, средства 7 синтеза сконфигурированы для синтеза оптимальных распределений вероятности неисправности, связанных, по меньшей мере, с одним интересующим подузлом компонентов двигателя, чтобы извлечь конкретные риски неисправности интересующего подузла. В таком случае фокусируют информацию, относящуюся к конкретному подузлу компонентов, для помощи в решении, относящемся к техническому обслуживанию. Например, оптимальные распределения вероятности неисправности могут быть синтезированы в виде палочных диаграмм, отражающих риск по каждому компоненту рассматриваемого двигателя.

Преимущественно, средства 5 появления дополнительно сконфигурированы, чтобы ассоциировать каждое начальное, текущее или оптимальное распределение вероятности неисправности, относящееся к подузлу компонентов двигателя, вектор импликации, отражающий вклад каждого элемента подузла, в соответствующее распределение вероятности неисправности.

Действительно, двигатель 13 или контролируемый узел компонентов двигателя, состоит из подузлов, объединив первоначально физические компоненты, где каждый способен произвести некоторые ошибки. Каждый алгоритмический агент имеет вклад в контроль каждой из этих ошибок. Предполагается, что общее число контролируемых ошибок f конечно и равно K. Тогда можно определить вектор импликаций для каждого распределения вероятности неисправности следующим образом:

Начальный вектор импликации определен как вход данный экспертами для начальных агентов (т.е. ). После этого каждый вектор импликации вычисляется для каждой операции объединения адаптированным методом, который может быть определен экспертными правилами или который может быть изучен на основании данных. Вектор импликации может быть увиден как априорная вероятность соответствия риска неисправности для оценки ошибки по компоненту.

Следует отметить, что импликация может, конечно, иметь влияние на оптимизацию или повышения общей эффективности популяции агентов. Действительно, обратная связь на основе опыта дается экспертизой и связанным риском , в виде вектора импликации экспертизы Этот вектор уточняет на какие ошибки распространяется экспертиза . Например, мнение об опыте ω измерений, данных экспертом и охватывающих подузел отдельных компонентов для определения хорошо определенной ошибки , взвешено вектором импликации, чьи координаты равны нулю, за исключением координаты которая равна 1. Затем эксперт смотрит измерения X(ω) (где Х - это вектор измерений, хранимых в базе данных и x = X(ω) соответствующее совокупности значений) и дает ответ более или менее обозначенный по этой ошибке. Например, , если эксперт замечает, что имеется ошибка, и , в противном случае. В других случаях эксперт может быть менее категоричным, предлагая промежуточное значение так же, как и значение достоверности