Login| Sign Up| Help| Contact|

Patent Searching and Data


Title:
SENSOR SYSTEM AND METHOD FOR IDENTIFYING A STATE OF AT LEAST ONE MACHINE
Document Type and Number:
WIPO Patent Application WO/2021/151701
Kind Code:
A1
Abstract:
The invention relates to a sensor system (50) for identifying a state of at least one machine (10), which sensory system comprises one or more sensors (60-62) for capturing measured values of the at least one machine (10), at least one communication interface (58, 59) and an evaluation unit (52), which is designed to capture a plurality of data sets having measured values of the one or more sensors (60-62), to select a portion of the data sets by means of active learning and, for the identification of the state of the at least one machine (10), to provide the selected portion of the data sets to the at least one communication interface (58, 59).

Inventors:
SRINIVASAN SHANKAR DEEPAK (DE)
Application Number:
PCT/EP2021/050910
Publication Date:
August 05, 2021
Filing Date:
January 18, 2021
Export Citation:
Click for automatic bibliography generation   Help
Assignee:
ROLLS ROYCE DEUTSCHLAND LTD & CO KG (DE)
International Classes:
G07C3/00; G06N20/00
Foreign References:
US20100082267A12010-04-01
US20190303726A12019-10-03
US20180165384A12018-06-14
US20190286075A12019-09-19
Download PDF:
Claims:
Ansprüche

1. Sensorsystem (50) zum Erkennen eines Zustands zumindest einer Maschine (10), mit

- einem oder mehreren Sensoren (60-62) zum Erfassen von Messwerten (70) der zumindest einen Maschine (10),

- zumindest einer Kommunikationsschnittstelle (58, 59) und

- einer Auswerteeinheit (52), die dazu eingerichtet ist, mehrere Datensätze mit Messwerten (70) des einen oder der mehreren Sensoren (60-62) zu erfassen, mittels aktivem Lernen einen Teil der Datensätze zu selektieren und den selektierten Teil der Datensätze zum Erkennen des Zustands der zumindest einen Maschine (10) an die zumindest eine Kommunikationsschnittstelle (58, 59) bereitzustellen.

2. Sensorsystem (50) nach Anspruch 1, wobei die Auswerteeinheit (52) dazu eingerichtet ist, mittels aktivem Lernen eine Reihenfolge für die selektierten Datensätze vorzugeben.

3. Sensorsystem (50) nach Anspruch 1 oder 2, wobei die Auswerteeinheit (52) dazu eingerichtet ist, die mehreren Datensätze in Bezug auf zumindest einen Parameter der Datensätze mittels einer Separationslinie in zumindest zwei Gruppen zu unterteilen, und die Selektion des Teils der Datensätze basierend auf dem Abstand der Parameter der jeweiligen Datensätze von der Separationslinie durchzuführen.

4. Sensorsystem (50) nach einem der vorhergehenden Ansprüche, wobei die

Auswerteeinheit (52) dazu eingerichtet ist, eine Klassifikation der an der zumindest einen Kommunikationsschnittstelle (58, 59) bereitgestellten

Datensätze hinsichtlich des Zustands der zumindest einen Maschine (10) zu empfangen.

5. Sensorsystem (50) nach Anspruch 4, wobei die Auswerteeinheit (52) dazu eingerichtet ist, die klassifizierten Datensätze zu analysieren, um zumindest einen Parameter des jeweiligen Datensatzes zu erfassen.

6. Sensorsystem (50) nach Anspruch 5, wobei die Auswerteeinheit (52) dazu eingerichtet ist, den erfassten zumindest einen Parameter der klassifizierten Datensätze zu verwenden, um ein Maschinenlernmodell (51, 57) zu trainieren.

7. Sensorsystem (50) nach Anspruch 6, wobei die Auswerteeinheit (52) dazu eingerichtet ist, das trainierte Maschinenlernmodell (51 , 57) dazu einzusetzen, weitere Datensätze mit Messwerten (70) zu klassifizieren.

8. Sensorsystem (50) nach einem der vorhergehenden Ansprüche, wobei die zumindest eine Maschine (10) zumindest ein Gasturbinentriebwerk ist.

9. Verfahren zum Erkennen eines Zustands von zumindest einer Maschine (10), umfassend:

- Erzeugen (S11) von Messwerten (70) der zumindest einen Maschine (10) mittels einem oder mehreren Sensoren (60-62);

- Erfassen (S11), mit einer Auswerteeinheit (52), mehrerer Datensätze mit Messwerten (70) des einen oder der mehreren Sensoren (60-62);

- Selektieren (S12), mit der Auswerteeinheit (52) und mittels aktivem Lernen, eines Teils der Datensätze; und

- Bereitstellen (S13) des selektierten Teils der Datensätze an zumindest einer Kommunikationsschnittstelle (58, 59) zum Erkennen des Zustands der zumindest einen Maschine (10).

10. Verfahren nach Anspruch 9, wobei das Sensorsystem (50) nach einem der Ansprüche 1 bis 8 verwendet wird.

11. Verfahren nach Anspruch 9 oder 10, wobei die Auswerteeinheit (52) eine Klassifikation der an der zumindest einen Kommunikationsschnittstelle (58, 59) bereitgestellten Datensätze hinsichtlich des Zustands der zumindest einen Maschine (10) empfängt, basierend darauf ein Maschinenlernmodell (51, 57) trainiert und das trainierte Maschinenlernmodell (51 , 57) dazu einsetzt, weitere Datensätze mit Messwerten (70) zu klassifizieren, wobei in Abhängigkeit von der Klassifikation der weiteren Datensätze die entsprechende Maschine (10) gewartet wird.

12. Computerprogrammprodukt, umfassend Anweisungen (54), die, wenn sie durch einen oder mehrere Prozessoren (55) ausgeführt werden, den einen oder die mehreren Prozessoren (55) dazu veranlassen, die Schritte des Verfahrens nach einem der Ansprüche 9 bis 11 auszuführen.

Description:
Sensorsystem und Verfahren zum Erkennen eines Zustands zumindest einer

Maschine

Beschreibung

Die vorliegende Offenbarung bezieht sich insbesondere auf ein Sensorsystem und ein Verfahren zum Erkennen eines Zustands zumindest einer Maschine, sowie auf ein Computerprogrammprodukt.

Derzeit selektieren regelmäßig Menschen bestimmte Daten, z.B. zur Ermittlung fehlerhafter Sensoren oder anderer Komponenten von Maschinen. Immer größere Datenmengen zur Zustandserkennung von Maschinen können jedoch die verfügbare Arbeitszeit weit übersteigen. Alternativ können Analysetools bereitgestellt werden, welche eine automatische Zustandserkennung bei großen Datenmengen erlauben. Derartige Analysetools müssen aber typischerweise an einen bestimmten Einsatzzweck angepasst werden, was in vielen Fällen zu zeitaufwändig ist.

Ferner ist es bekannt, eine künstliche Intelligenz, Kl, mit Daten und einer Klassifikation dieser Daten zu trainieren, z.B. durch die Bereitstellung eines Fotos eines Fahrrads und die Angabe „Fahrrad“. Eine Schwierigkeit liegt jedoch in der oftmals großen Menge an Trainingsdaten, die ein möglichst gutes Training der Kl erschweren.

Aufgabe der vorliegenden Erfindung ist es, eine verbesserte Erfassung des Zustands von Maschinen zu ermöglichen.

Gemäß einem Aspekt wird ein Sensorsystem zum Erkennen eines Zustands zumindest einer Maschine bereitgestellt. Das Sensorsystem umfasst einen oder mehrere Sensoren zum Erfassen von Messwerten zumindest einer Maschine, zumindest eine Kommunikationsschnittstelle und eine Auswerteeinheit. Die Auswerteeinheit ist dazu eingerichtet, mehrere Datensätze zu erfassen, die jeweils Messwerte des einen oder der mehreren Sensoren umfassen. Ferner ist die Auswerteeinheit dazu eingerichtet, mittels aktivem Lernen einen Teil der Datensätze zu selektieren und den selektierten Teil der Datensätze an die zumindest eine Kommunikationsschnittstelle bereitzustellen.

Aktives Lernen ist ein Spezialfall des maschinellen Lernens, bei dem ein (Lern-) Algorithmus dazu ausgebildet ist, einen Benutzer (oder eine andere Informationsquelle) (interaktiv) abzufragen, um gewünschte Ergebnisse an neuen Datenpunkten zu erhalten. Hierbei können also gezielt zur Erkennung des Zustands der zumindest einen Maschine besonders relevante und/oder entscheidungserhebliche Datensätze herangezogen werden, was eine verbesserte Erfassung des Zustands von Maschinen zu ermöglicht. Hierzu wird z.B. ein Maß für die Entscheidungserheblichkeit von einem oder mehreren Datensätzen ermittelt. Dies ermöglicht z.B. eine optimierte Auswahl von Trainingsdatensätzen für ein Maschinenlernmodell, welches dann automatisch und nach besonders kurzer Trainingsdauer präzise den Zustand der zumindest einen Maschine überwachen kann.

Die Sensoren sind jeweils zur Messung einer physikalischen Größe ausgebildet, z.B. zur Messung einer Temperatur, einer Geschwindigkeit, einer Drehzahl oder eines Drucks. Die Messwerte können in Form von Zeitreihendaten erfasst werden. Beispielsweise erhält die Auswerteeinheit mehrere zeitlich aufeinanderfolgende Messwerte von einem Sensor oder mehreren Sensoren. Die Auswerteeinheit umfasst z.B. einen oder mehrere Computer. Die zumindest eine Kommunikationsschnittstelle kann eine Softwareschnittstelle und/oder eine Hardwareschnittstelle umfassen. Die an der zumindest einen Kommunikationsschnittstelle bereitgestellten, mittels aktivem Lernen selektierten Datensätze erlauben die Erkennung des Zustands der zumindest einen Maschine, z.B. durch einen Benutzer.

Die Auswerteeinheit kann dazu eingerichtet sein, mittels aktivem Lernen eine Reihenfolge für die selektierten Datensätze vorzugeben. Auf diese Weise können die relevantesten Datensätze zuerst bearbeitet werden, sodass eine besonders schnelle Verbesserung der Zustandserkennung erzielbar ist.

Die Auswerteeinheit kann weiter dazu eingerichtet sein, die mehreren Datensätze in Bezug auf den zumindest einen Parameter der Datensätze mittels einer Separationslinie in zumindest zwei Gruppen zu unterteilen, und die Selektion des Teils der Datensätze basierend auf dem Abstand der Parameter der jeweiligen Datensätze von der Separationslinie durchzuführen. Hierdurch ist es möglich, eine Klassifikation gerade derjenigen Datensätze anzufragen, mit denen ein Maschinenlernmodell die größten Schwierigkeiten hat oder hätte. Wird das Maschinenlernmodell gerade mit diesen Datensätzen trainiert, kann es besonders trennscharf zwischen den verschiedenen Klassifikationen unterscheiden.

Optional ist die Auswerteeinheit dazu eingerichtet, eine Klassifikation der an der zumindest einen Kommunikationsschnittstelle bereitgestellten Datensätze hinsichtlich des Zustands der zumindest einen Maschine zu empfangen. Beispielsweise umfasst die Klassifikation zwei oder drei Entscheidungsmöglichkeiten. Zum Beispiel wird bei der Klassifikation aus zwei Antworten (z.B. A oder B) oder aus drei Antworten (z.B. A, B oder C) ausgewählt. Die Klassifikation entspricht z.B. dem Ergebnis einer Ja/Nein- Entscheidung oder einer Entscheidung zwischen den Möglichkeiten A (z.B. ja), B (z.B. nein) und C (z.B. „unbekannt“ oder „Undefiniert“). Zum Beispiel empfängt die Auswerteeinheit die Klassifikation jeweils in Form von Klassifikationsdateneinheiten. Die Klassifikationsdateneinheiten umfassen beispielsweise jeweils die Angabe „ja“ oder „nein“ oder eine andere Angabe von positiv oder negativ, z.B. 1 oder 0. Ferner kann die Auswerteeinheit dazu eingerichtet sein, die klassifizierten Datensätze, insbesondere mittels maschinellem Lernen, zu analysieren, um zumindest einen Parameter des jeweiligen Datensatzes zu erfassen (z.B. ein Minimum und/oder ein Maximum und/oder eine Standardabweichung).

Gemäß einer Weiterbildung ist die Auswerteeinheit dazu eingerichtet, den erfassten zumindest einen Parameter der klassifizierten Datensätze zu verwenden, um ein Maschinenlernmodell zu trainieren. Indem das Training des Maschinenlernmodells basierend auf der mittels aktivem Lernen getroffenen Auswahl des Teils der Datensätze erfolgt, ist eine deutlich verbesserte Qualität des Trainings und folglich der Entscheidungsfindung mittels dem derart trainierten Maschinenlernmodell möglich. Das derartige Training erlaubt zudem eine weitgehende Automatisierung. Ferner kann die zum Training der Maschinenlernmodelle notwendige Datenmenge reduziert werden, da optimale Trainingsdatensätze selektiert werden können. Des Weiteren ist eine einfache Anpassung an vielfältige verschiedene Anwendungsfälle möglich. Eine Anpassung des Maschinenlernmodells an verschiedene Anwendungsfälle über das Training hinaus ist für viele Anwendungsfälle nicht nötig. Zum Training des Maschinenlernmodells werden z.B. Eigenschaften des jeweiligen selektierten Teils der Daten in Form des zumindest einen Parameters (z.B. ein Maximalwert, ein Minimalwert, ein Median, ein Mittelwert, eine Varianz oder dergleichen) extrahiert, wobei das Training basierend auf diesen Parametern durchgeführt wird. Bei zumindest einem der Parameter kann es sich um einen statistischen Parameter handeln. Das Maschinenlernmodell kann ein Klassifikationsmodell sein oder umfassen. Insbesondere kann das Maschinenlernmodell ein künstliches neuronales Netz sein oder umfassen.

Optional ist die Auswerteeinheit dazu eingerichtet, das trainierte Maschinenlernmodell dazu einzusetzen, weitere Datensätze mit Messwerten zu klassifizieren, insbesondere um den Zustand zumindest einer Maschine zu erkennen. Auf diese Weise kann mit einem optimiert trainierten Maschinenlernmodell automatisiert eine besonders verlässliche Erkennung des Zustands einer Maschine durchgeführt werden. Insbesondere ist es so möglich, eine besonders große Anzahl von Datensätzen mit einer hohen Präzision zu klassifizieren. Die zumindest eine Maschine ist beispielsweise ein Gasturbinentriebwerk, insbesondere eine Vielzahl von Gasturbinentriebwerken. Gerade bei Gasturbinentriebwerken ist es häufig wünschenswert, möglichst frühzeitig einen sich verschlechternden Zustand eines Sensors oder einer durch einen Sensor überwachten Komponente zu erkennen, was die wie vorstehend beschrieben trainierten Maschinenlernmodelle ermöglichen.

Gemäß einem Aspekt wird ein Verfahren zum Erkennen eines Zustands von zumindest einer Maschine bereitgestellt. Das Verfahren umfasst das Erzeugen von Messwerten der zumindest einen Maschine mittels einem oder mehreren Sensoren; das Erfassen, mit einer Auswerteeinheit, mehrerer Datensätze mit Messwerten des einen oder der mehreren Sensoren; das Selektieren, mit der Auswerteeinheit und mittels aktivem Lernen, eines Teils der Datensätze; und das Bereitstellen des selektierten Teils der Datensätze an zumindest einer Kommunikationsschnittstelle zum Erkennen des Zustands der zumindest einen Maschine.

Bei dem Verfahren kann das Sensorsystem nach einer beliebigen, hierin beschriebenen Ausgestaltung verwendet werden.

Optional ist vorgesehen, dass die Auswerteeinheit eine Klassifikation der an der zumindest einen Kommunikationsschnittstelle bereitgestellten Datensätze hinsichtlich des Zustands der zumindest einen Maschine empfängt und, optional, basierend darauf ein Maschinenlernmodell trainiert. Das trainierte Maschinenlernmodell kann dazu einsetzt werden, weitere (insbesondere noch nicht klassifizierte) Datensätze mit Messwerten zu klassifizieren. Dabei kann in Abhängigkeit von der Klassifikation der weiteren Datensätze die entsprechende Maschine gewartet werden. Hierzu kann die Auswerteeinheit einen entsprechenden Befehl erzeugen. Alternativ oder zusätzlich wird eine Nachricht versendet.

Gemäß einem Aspekt wird ein Com puterprogramm produkt bereitgestellt, umfassend Anweisungen, die, wenn sie durch einen oder mehrere Prozessoren ausgeführt werden, den einen oder die mehreren Prozessoren dazu veranlassen, die Schritte des Verfahrens nach einer beliebigen, hierin beschriebenen Ausgestaltung auszuführen.

Es werden nun beispielhaft Ausführungsformen mit Bezug auf die Figuren beschrieben; in den Figuren zeigen:

Figur 1 ein Luftfahrzeug in Form eines Flugzeugs mit mehreren Gasturbinentriebwerken;

Figur 2 eine Seitenschnittansicht eines Gasturbinentriebwerks; Figur 3 ein Sensorsystem zum Erkennen eines Zustands zumindest einer Maschine;

Figur 4 Details des Systems gemäß Figur 3;

Figuren 5 bis 8 verschiedene Beispiele von Messwerten;

Figur 9 ein Verfahren zum Trainieren eines Maschinenlernmodells; Figur 10 eine Ausgestaltung einer Auswerteeinheit des Systems gemäß Figur 3; und

Fig. 11A-11C Details zu aktivem Lernen.

Figur 1 zeigt ein Luftfahrzeug 8 in Form eines Flugzeugs. Das Luftfahrzeug 8 umfasst mehrere Gasturbinentriebwerke 10.

Figur 2 stellt eines der Gasturbinentriebwerke 10 des Luftfahrzeugs 8 mit einer Hauptdrehachse 9 dar. Das Gasturbinentriebwerk 10 umfasst einen Lufteinlass 12 und ein Fan 23, der zwei Luftströme erzeugt: einen Kernluftstrom A und einen Bypassluftstrom B. Das Gasturbinentriebwerk 10 umfasst einen Kern 11, der den Kernluftstrom A aufnimmt. Das Kerntriebwerk 11 umfasst in Axialströmungsreihenfolge einen Niederdruckverdichter 14, einen Hochdruckverdichter 15, eine Verbrennungseinrichtung 16, eine Hochdruckturbine 17, eine Niederdruckturbine 19 und eine Kernschubdüse 20. Eine Triebwerksgondel 21 umgibt das Gasturbinentriebwerk 10 und definiert einen Bypasskanal 22 und eine Bypassschubdüse 18. Der Bypassluftstrom B strömt durch den Bypasskanal 22. Der Fan 23 ist über eine Welle 26 und ein epizyklisches Planetengetriebe 30 an der Niederdruckturbine 19 angebracht und wird durch diese angetrieben.

Im Betrieb wird der Kernluftstrom A durch den Niederdruckverdichter 14 beschleunigt und verdichtet und in den Hochdruckverdichter 15 geleitet, wo eine weitere Verdichtung erfolgt. Die aus dem Hochdruckverdichter 15 ausgestoßene verdichtete Luft wird in die Verbrennungseinrichtung 16 geleitet, wo sie mit Kraftstoff vermischt wird und das Gemisch verbrannt wird. Die resultierenden heißen

Verbrennungsprodukte breiten sich dann durch die Hochdruck- und die Niederdruckturbine 17, 19 aus und treiben diese dadurch an, bevor sie zur Bereitstellung einer gewissen Schubkraft durch die Düse 20 ausgestoßen werden. Die Hochdruckturbine 17 treibt den Hochdruckverdichter 15 durch eine geeignete Verbindungswelle 27 an. Der Fan 23 stellt allgemein den Hauptteil der Schubkraft bereit. Das epizyklische Planetengetriebe 30 ist ein Untersetzungsgetriebe.

Es wird angemerkt, dass die Begriffe „Niederdruckturbine“ und

„Niederdruckverdichter“, so wie sie hier verwendet werden, so aufgefasst werden können, dass sie die Turbinenstufe mit dem niedrigsten Druck bzw. die Verdichterstufe mit dem niedrigsten Druck (d. h. dass sie nicht den Fan 23 umfassen) und/oder die Turbinen- und Verdichterstufe, die durch die verbindende Welle 26 mit der niedrigsten Drehzahl in dem Triebwerk (d. h. dass sie nicht die Getriebeausgangswelle, die den Fan 23 antreibt, umfasst) miteinander verbunden sind, bedeuten. In einigen Schriften können die „Niederdruckturbine“ und der „Niederdruckverdichter“, auf die hier Bezug genommen wird, alternativ dazu als die „Mitteldruckturbine“ und „Mitteldruckverdichter“ bekannt sein. Bei der Verwendung derartiger alternativer Nomenklatur kann der Fan 23 als eine erste Verdichtungsstufe oder Verdichtungsstufe mit dem niedrigsten Druck bezeichnet werden.

Andere Gasturbinentriebwerke, bei denen die vorliegende Offenbarung Anwendung finden kann, können alternative Konfigurationen aufweisen. Beispielsweise können derartige Triebwerke eine alternative Anzahl an Verdichtern und/oder Turbinen und/oder eine alternative Anzahl an Verbindungswellen aufweisen. Als ein weiteres Beispiel weist das in Figur 2 gezeigte Gasturbinentriebwerk eine Teilungsstromdüse 20, 22 auf, was bedeutet, dass der Strom durch den Bypasskanal 22 seine eigene Düse aufweist, die von der Triebwerkskerndüse 20 separat und davon radial außen ist. Jedoch ist dies nicht einschränkend und ein beliebiger Aspekt der vorliegenden Offenbarung kann auch auf Triebwerke zutreffen, bei denen der Strom durch den Bypasskanal 22 und der Strom durch den Kern 11 vor (oder stromaufwärts) einer einzigen Düse, die als eine Mischstromdüse bezeichnet werden kann, vermischt oder kombiniert werden. Eine oder beide Düsen (ob Misch- oder Teilungsstrom) kann einen festgelegten oder variablen Bereich aufweisen. Obgleich sich das beschriebene Beispiel auf ein Turbofantriebwerk bezieht, kann die Offenbarung beispielsweise bei einer beliebigen Art von Gasturbinentriebwerk, wie z. B. bei einem Open-Rotor- (bei dem die Fanstufe nicht von einer Triebwerksgondel umgeben wird) oder einem Turboprop-Triebwerk, angewendet werden.

Die Geometrie des Gasturbinentriebwerks 10 und Komponenten davon wird bzw. werden durch ein herkömmliches Achsensystem definiert, das eine axiale Richtung (die auf die Drehachse 9 ausgerichtet ist), eine radiale Richtung (in der Richtung von unten nach oben in Figur 2) und eine Umfangsrichtung (senkrecht zu der Ansicht in Figur 2) umfasst. Die axiale, die radiale und die Umfangsrichtung verlaufen senkrecht zueinander.

Am Gasturbinentriebwerk 10 sind mehrere Sensoren angeordnet, von denen hier beispielhaft mehrere an unterschiedlichen Stellen am Gasturbinentriebwerk 10 angeordnete Sensoren 60-62, konkret Temperatursensoren zur Messung von Temperaturen, dargestellt sind.

Figur 3 zeigt ein Sensorsystem 50. Das Sensorsystem 50 umfasst die vorliegend am Gasturbinentriebwerk 10 angeordneten Sensoren 60-62, eine Auswerteeinheit 52 und zumindest eine Kommunikationsschnittstelle 58, 59, vorliegend zwei

Kommunikationsschnittstellen 58, 59. Die Auswerteeinheit 52 umfasst z.B. einen oder mehrere (benachbart oder beabstandet angeordnete) Computer.

Die Auswerteeinheit 52 ist dazu eingerichtet, mehrere Datensätze, jeweils mit Messwerten der Sensoren 60-62 zu erhalten und mittels aktivem Lernen einen Teil der Datensätze zu selektieren. Ferner ist die Auswerteeinheit 52 dazu eingerichtet, den selektierten Teil der Datensätze zum Erkennen des Zustands zumindest einer Maschine, vorliegend des Gasturbinentriebwerks 10, an die Kommunikationsschnittstelle 58 bereitzustellen.

Auf einem Speicher 53 der Auswerteeinheit 52 ist zumindest ein

Maschinenlernmodell 51 gespeichert, insbesondere sind mehrere Maschinenlernmodelle 51 gespeichert oder speicherbar. Die mehreren

Maschinenlernmodellen 51 können mehrere Instanzen desselben Maschinenlernmodells darstellen. Die Auswerteeinheit 52 ist über eine

Kommunikationsschnittstelle 58 kommunikativ mit den Sensoren 60-62 gekoppelt, um Daten, konkret Messwerte davon zu erfassen. Ferner ist die Auswerteeinheit 52 (über die Kommunikationsschnittstelle 58 oder eine weitere Kommunikationsschnittstelle) kommunikativ mit zumindest einem Interface 81 gekoppelt. Im vorliegenden Beispiel ist das Interface 81 als graphische

Benutzeroberflächen (GUI) ausgebildet und auf einer Anzeige 80, z.B. in Form eines Displays, darstellbar.

Über das Interface 81 kann ein Benutzer einen oder mehrere mittels des aktiven Lernens selektierte(n) Datensatz/Datensätze klassifizieren. Hierbei kann der Benutzer zusätzlich den Teil der Messwerte des jeweiligen Datensatzes auswählen, der Anlass für die gewählte Klassifikation ist. Beispielsweise kann der Benutzer entscheiden, ob ein jeweiliger Datensatz Messwerte umfasst, die einen bestimmten Zustand des Gasturbinentriebwerks 10 anzeigt, etwa den Verschleiß oder Defekt eines Bauteils. Diese Klassifikation (und optional den ausgewählten Teil der Messwerte) des jeweiligen Datensatzes kann das Sensorsystem 50 über die Kommunikationsschnittstelle 58 erhalten und damit das Maschinenlernmodell 51 trainieren.

Die Maschinenlernmodelle 51 sind zum maschinellen Lernen ausgebildet und umfassen im vorliegenden Beispiel einen Random Forest und/oder ein künstliches neuronales Netz. Das Sensorsystem 50 umfasst ferner ein weiteres Maschinenlernmodell 57, welches nachfolgend noch näher erläutert werden wird. Basierend auf den trainierten Maschinenlernmodellen 51, 57 können Datensätze mit Messwerten klassifiziert werden, um automatisiert datengetriebene Entscheidungen zu treffen, z.B. Wartungsarbeiten auszulösen.

Auf dem Speicher 53 sind ferner Anweisungen 54 gespeichert, die Teil eines Computerprogrammprodukts sind, welches einen Prozessor 55 der Auswerteeinheit 52 dazu veranlassen, das in Figur 9 gezeigte Verfahren (oder zumindest einen Teil davon, insbesondere zumindest die Schritte S11 bis S13) durchzuführen. Bei dem Speicher 53 handelt es sich z.B. um einen nichtvolatilen Speicher. Der Prozessor 55 umfasst z.B. eine CPU, eine GPU und/oder ein Tensor-Prozessor.

Die Auswerteeinheit 52 umfasst ferner einen (z.B. im Speicher 53 gespeicherten) Selektor 56. Der Selektor 56 ist zum aktiven Lernen ausgebildet. Hierzu ist der Selektor 56 z.B. dazu eingerichtet, aus einer Vielzahl an Datensätzen anhand einer vorgegebenen Vorschrift einen oder mehrere Datensätze (als Teilmenge) auszuwählen, z.B. jeweils denjenigen Datensatz auszuwählen, der für die nächste Klassifikation heranzuziehen ist, z.B. für den der Selektor 56 die größte Wahrscheinlichkeit ermittelt, dass dieser Datensatz den stärksten Trainingseffekt für das Maschinenlernmodell 51 aufweist. Diesen Datensatz stellt der Selektor 56 jeweils über die Kommunikationsschnittstelle 58 an das Interface 81 bereit. Ferner kann der Selektor 56 selektierte Datensätze über eine softwarebasierte Kommunikationsschnittstelle 59 bereitstellen, z.B. an ein oder mehrere Maschinenlernmodelle 51, 57. Der Selektor 56 bestimmt dabei z.B. eine Reihenfolge für die selektierten Datensätze.

Die Auswerteeinheit 52 ist optional am Boden stationiert und das Gasturbinentriebwerk 10 relativ dazu bewegbar.

Figur 4 zeigt weitere Details des Sensorsystems 50.

In einer Datenbank 100 sind Messwerte von den Sensoren 60-62 in Form von einer Vielzahl von Zeitreihen und als Rohdaten gespeichert. Die Zeitreihen stammen z.B. von mehreren Flügen des Gasturbinentriebwerks 10, von den mehreren Gasturbinentriebwerken 10 des Luftfahrzeugs 8 und/oder von Gasturbinentriebwerken 10 von mehreren Luftfahrzeugen 8 (oder, im Allgemeinen, von mehreren Maschinen). Die Übermittlung von den Sensoren 60-62 an die Datenbank 100 erfolgt z.B. über ein Datenkabel oder drahtlos, beispielsweise über GSM oder einen anderen Mobilkommunikationsstandard, insbesondere über die Kommunikationsschnittstelle 58. Die Datenbank 100 ist z.B. im Speicher 53 gespeichert.

Optional werden die in der Datenbank 100 gespeicherten Daten aufbereitet und in einer weiteren Datenbank 101 gespeichert, wobei es sich auch um einen transienten Datenfluss handeln kann. Dabei können z.B. uninteressante Daten nicht übernommen werden, um die weitere Verarbeitung zu vereinfachen.

Optional erfolgen eine weitere Aufbereitung der Messwerte und eine Speicherung in einer weiteren Datenbank 102, um eine Analyse der Messwerte hinsichtlich geeigneter Zeitreihen vorzunehmen. Diese Analyse erfolgt in Block 117. Dabei werden Datensätze mit Messwerten aus einer größeren Anzahl von Datensätzen ausgewählt.

In Block 117 werden geeignete Kandidaten von Datensätzen, insbesondere mit jeweils einer Zeitreihe eines Sensors 60-62 oder mit jeweils mehreren (insbesondere denselben Zeitraum überspannenden) Zeitreihen von mehreren der Sensoren 60-62 selektiert. Die Selektion des Teils der Datensätze erfolgt dabei mittels aktivem Lernen. Der selektierte Teil der Datensätze wird zum Erkennen des Zustands der zumindest einen Maschine 10 an die Kommunikationsschnittstelle 58 bereitgestellt.

Bei Daten, welche die Grundlage einer Entscheidungsfindung bilden, können Messwerte in bestimmten zeitlichen Abschnitten besonders präzise Rückschlüsse auf den Zustand des Sensors oder einer durch den Sensor überwachten Maschine ziehen lassen. Insbesondere wenn es sich beispielsweise um einen Sensor eines Gasturbinentriebwerks handelt, können bestimmte Signaturen in den Daten ein Indiz für einen sich verschlechternden Zustand des Sensors oder eines damit überwachten oder überwachbaren Bauteils darstellen.

Die ausgewählten Kandidaten oder Zeiger darauf werden optional in einer Datenbank 110 abgelegt. Zum Beispiel ein Import-Skript ruft in Block 118 diese Kandidaten aus der Datenbank 102 (oder der Datenbank 101 ) ab und stellt sie (optional über eine weitere Datenbank 106) an einen Block 111 bereit.

In Block 111 werden für sämtliche oder für einen Teil der Kandidaten jeweils eine Klassifikationsdateneinheit sowie ein selektierter Teil der Messwerte des jeweiligen Kandidaten erfasst. Die Klassifikationsdateneinheiten zeigen eine Klassifikation des Kandidaten in eine von mehreren vorgegebenen Klassen an. Die Klassifikationsdateneinheiten und/oder die selektierten Teile der Messwerte werden dabei durch einen oder mehrere Benutzer bereitgestellt. Dies erfolgt z.B. über das Interface 81 und/oder die Kommunikationsschnittstelle 58.

Die Klassifikationsdateneinheiten und selektierten Teile der Kandidaten werden in einer Datenbank 108 gespeichert und an einen Block 112 bereitgestellt. Im Block 112 wird (z.B. pro Benutzer jeweils) eine Instanz des Maschinenlernmodells 51 basierend auf den Klassifikationsdateneinheiten und selektierten Teilen der Kandidaten trainiert, die durch den Benutzer bereitgestellt wurden. Hierzu werden jeweils Eigenschaften des selektierten Teils der Messwerte in Form von Parametern extrahiert. Optional sind dann die extrahierten Parameter und/oder daraus errechnete Werte, z.B. Verhältnisse zweier Parameter, die Eingangsparameter für das Training. Beispiele für derartige Parameter werden weiter unten im Zusammenhang mit Figur 7 erläutert werden.

Die in der Datenbank 108 abgelegten Daten werden an einen Block 113 bereitgestellt, der auch auf die Datenbank 107 zugreifen kann. Im Block 113 erfolgt eine Erzeugung des (optionalen) übergeordneten Maschinenlernmodells 57. Das übergeordnete Maschinenlernmodell 57 entspricht optional dem

Maschinenlernmodell 51, wird aber z.B. mit den (optional gewichteten und/oder ausgewählten) Eingangsparametern von mehreren Instanzen des

Maschinenlernmodells 51 trainiert.

Das übergeordnete Maschinenlernmodell 57 und/oder dessen Eingangsparameter wird/werden in einer Datenbank 109 abgespeichert (die z.B. im Speicher 53 hinterlegt ist).

Im optionalen Block 114 wird die Erzeugung des übergeordneten

Maschinenlernmodells 57 an einer Benutzeroberfläche dargestellt.

Die Datenbank 103 umfasst die Daten der Datenbank 102, auf welche optionale Auswahl- oder Korrekturskripte angewandt worden sind. Alternativ ist anstelle der Datenbanken 102 und 103 nur die Datenbank 102 vorgesehen.

In Block 115 wird das übergeordnete Maschinenlernmodell 57 auf die Messwerte der Datenbank 103 (oder 102) angewandt, um die Messwerte zu klassifizieren. Die Ergebnisse der Klassifikation aus Block 115 werden in einer Datenbank 104 gespeichert, optional auch Daten aus der Datenbank 103 (oder 102).

In Block 116 werden datengetriebene Entscheidungen getroffen, z.B. die Durchführung von Wartungsarbeiten ausgelöst. Beispielsweise wurde anhand der Klassifikation erkannt, dass einer der Sensoren 60-62 oder eine durch die Sensoren 60-62 überwachte Komponente des Gasturbinentriebwerks 10 (oder im Allgemeinen einer durch das Sensorsystem 50 überwachten Maschine) einen Defekt aufweist und ausgetauscht werden muss. Optional wird eine Nachricht erzeugt und übermittelt, z.B. per E-Mail, die eine Entscheidung angibt.

Optional werden die den Entscheidungen zugrundeliegenden Daten in einer Datenbank 105 abgelegt. Die Datenbanken 100 bis 104 (wobei es sich auch um logische Schritte durch einen Datenfluss handeln kann) sind optional Teil eines Engine Equipment Health Management, EHM, des Gasturbinentriebwerks 10 und/oder im Speicher 53 gespeichert. Insbesondere die Datenbank 105 kann z.B. am Boden stationiert sein. Ferner sei angemerkt, dass die Datenbanken 100, 101, 102, 103, 104 und/oder 105 (optional sämtliche Datenbanken) separate physische Speicher aufweisen können oder alternativ Datenbanken einer logischen Architektur sein können, wobei z.B. mehrere oder alle der Datenbanken denselben physischen Speicher aufweisen.

Einer oder mehrere der Blöcke 111 bis 118, insbesondere sämtliche Blöcke 111 bis 118 können in Form von Anweisungen 54 auf dem Speicher 53 gespeichert und durch den Prozessor 55 ausführbar sein.

Figur 5 zeigt beispielhafte Messwerte 70 in Form von Zeitreihendaten. Hierbei ist eine Vielzahl an Messwerten gegen die Zeit aufgetragen. Konkret zeigen die Messwerte eine (erste) Temperaturdifferenz an, die anhand von zwei beabstandet zueinander angeordneten Sensoren einer Maschine, vorliegend eines Dieselmotors (alternativ z.B. analog von einem oder zwei der Sensoren 60-62) in Form von Temperatursensoren ermittelbar und hier ermittelt worden ist.

Figur 6 zeigt beispielhaft weitere Messwerte 70 in Form von Zeitreihendaten. Auch hierbei ist eine Vielzahl an Messwerten gegen die Zeit aufgetragen und zwar über denselben Zeitraum wie die Messwerte der Figur 5. Konkret zeigen die Messwerte der Figur 6 eine (zweite) Temperaturdifferenz an, die anhand von zwei beabstandet zueinander angeordneten Sensoren der Maschine, vorliegend des Dieselmotors (alternativ z.B. analog von einem oder zwei der Sensoren 60-62) in Form von Temperatursensoren ermittelbar und hier ermittelt worden ist und zwar einem anderen Paar von Sensoren 60-62 als bei Figur 5.

Ferner ist in Figur 6 ein selektierter Teil 71 der Messwerte 70 veranschaulicht. Der selektierte Teil 71 umfasst auffällige Bereiche der Messwerte. Wann Messwerte auffällig sind, hängt vom jeweiligen Einsatzfall ab. Im vorliegenden Beispiel sind Werte der Temperaturdifferenz unterhalb einer bestimmten Grenze und starke Fluktuationen der Werte auffällig. Der selektierte Teil 71 umfasst im Allgemeinen einen oder mehrere zeitliche Teilabschnitte der Messwerte 70 (entlang der X-Achse). Optional umfasst der selektierte Teil 71 auch eine Beschränkung entlang der Y- Achse.

Figur 7 veranschaulicht beispielhafte Parameter, die aus einem beispielhaften selektierten Teil 71 von Messwerten 70 berechnet werden können.

Bei den Parametern kann es z.B. um einen Maximalwert, einen Minimalwert, um einen Median, um einen Mittelwert, um eine Varianz, um die Summe der quadrierten Einzelwerte, um die Länge des selektierten Teils in Zeitrichtung, um eine Autokorrelation oder einen davon abgeleiteten Parameter, um die Anzahl der Werte oberhalb oder unterhalb des Mittelwerts, um das längste Zeitintervall oberhalb oder unterhalb des Mittelwerts, um die Summe der Steigungsvorzeichenänderungen, um eine Steigung, um eine Standardabweichung und/oder um eine Anzahl an Peaks handeln. Einige dieser Parameter sind in Figur 7 graphisch hervorgehoben. Einer oder mehrere, z.B. alle dieser Parameter können als Eingangsparameter für das Training des entsprechenden Maschinenlernmodells 51 verwendet werden. Ferner können Verhältnisse der genannten Parameter gebildet werden und als Eingangsparameter für das Training verwendet werden, z.B. Mittelwert / Varianz, Länge / Summe der quadrierten Einzelwerte oder andere Verhältnisse.

Figur 8 veranschaulicht, dass Zeitreihendaten mehrerer Sensoren optional mehrdimensional (hier zweidimensional) aufgetragen werden können, sodass die Auswahl des selektierten Teils 71 der Messwerte 70 mehrdimensional erfolgen kann. Hierbei können z.B. mehrere miteinander korrelierte Messwerte besonders eindeutige Auffälligkeiten zeigen, die dann besonders leicht und präzise selektiert werden können. Beispielsweise entspricht ein Punkt in der mehrdimensionalen Darstellung mehreren verschiedenen Messwerten zum selben Zeitpunkt.

Optional werden (insbesondere im selektierten Teil) Cluster von Datenpunkten in der mehrdimensionalen Darstellung ermittelt und z.B. deren Abstände zueinander und/oder Größen, z.B. Radien und/oder deren Anzahl von darin enthaltenen Datenpunkten, ermittelt.

Figur 9 zeigt ein Verfahren zum Klassifizieren von Messwerten, umfassend die folgenden Schritte:

Schritt S1: Bereitstellen eines trainierten Maschinenlernmodells, insbesondere eines trainierten übergeordneten Maschinenlernmodells 57.

Hierzu wird z.B. ein Verfahren zum Trainieren der Maschinenlernmodelle 51 durchgeführt, umfassend die Schritte S10 bis S14:

Schritt S10: Erzeugen von Messwerten zumindest einer Maschine, insbesondere zumindest eines Gasturbinentriebwerks, mittels dem einem oder den mehreren Sensoren 60-62, wobei die Messwerte 70 insbesondere in Form von Zeitreihendaten erfasst werden und insbesondere Messwerte von einer oder mehreren Gasturbinen 10 anzeigen.

Schritt S11: Erfassen, durch die Auswerteeinheit 52, von mittels dem einem oder den mehreren Sensoren 60-62 gewonnenen Datensätzen mit Messwerten 70.

Schritt S12: Selektieren, mit der Auswerteeinheit 52 und mittels aktivem Lernen, einen Teil der Datensätze.

Schritt S13: Bereitstellen, insbesondere mittels der Auswerteinheit 52, des selektierten Teils der Datensätze an der Kommunikationsschnittstelle 58 (insbesondere zur Darstellung am Interface 81) zum Erkennen des Zustands der zumindest einen Maschine.

Der Schritt S13 kann ferner umfassen: Empfangen, durch die Auswerteeinheit 52, von Klassifikationsdateneinheiten bezüglich der Messwerte 70, wobei sich die durch die Auswerteeinheit 52 empfangenen Klassifikationsdateneinheiten auf die an der Kommunikationsschnittstelle 58 bereitgestellten Datensätze beziehen. Ferner umfasst der Schritt S13 das Empfangen, durch die Auswerteeinheit 52 und für jede der Klassifikationsdateneinheiten, eines selektierten Teils 71 der Messwerte 70.

Schritt S14: Trainieren, mittels der Auswerteeinheit 52, eines oder mehrerer Maschinenlernmodelle 51 basierend auf den Klassifikationsdateneinheiten und den selektierten Teilen 71 der Messwerte 70, wobei die Maschinenlernmodelle 51 z.B. ein künstliches neuronales Netz umfassen.

Dabei werden optional mehrere Maschinenlernmodelle 51, z.B. mehrere Instanzen desselben Typs eines Maschinenlernmodells 51 trainiert (z.B. indem die vorstehenden Schritte jeweils von mehreren Benutzern durchgeführt werden) und ein übergeordnetes Maschinenlernmodell 57 wird aus den mehreren

Maschinenlernmodellen 51 (Instanzen) errechnet. Der Schritt S2 umfasst das Klassifizieren, durch die Auswerteeinheit 52, von mittels der einen oder den mehreren Sensoren 60-62 erfassten Datensätzen mit Messwerten 70 unter Verwendung des zumindest einen Maschinenlernmodells 51 und/oder des übergeordneten Maschinenlernmodells 57.

Der optionale Schritt S3 umfasst das Erzeugen, durch die Auswerteeinheit 52 und basierend auf dem Klassifizieren der Datensätze der Messwerte 70, eines Befehls, welcher eine Durchführung von Wartungsarbeiten anzeigt.

Figur 10 zeigt schematisch eine optionale Ausgestaltung der Auswerteeinheit 52. Gemäß Figur 10 ist die Datenbank 102 vorgesehen, in der die Datensätze mit den von den Sensoren 60-62 erhaltenen Messwerten gespeichert sind. Es sei darauf hingewiesen, dass der Einfachheit halber hauptsächlich auf die Sensoren 60-62 Bezug genommen wird, jedoch können die Datensätze von IoT-Geräten stammen (Internet of Things), von einer Triebwerkssteuerungseinheit ECU oder einer beliebigen anderen Vorrichtung zur Erfassung von physikalischen Daten. Optional weist jeder Datensatz Messwerte auf, die jeweils einen gleich langen Zeitraum überspannen. Jeder Datensatz kann Messwerte von einem oder insbesondere mehreren Sensoren 60-62 umfassen.

Die in der Datenbank 102 gespeicherten Datensätze werden über eine Kommunikationsverbindung K1 an den Block 117 bereitgestellt (bei dem es sich z.B. um den im Zusammenhang mit Figur 4 erläuterten Block 117 handelt).

Der Block 117 stellt (insbesondere sukzessive) über eine Kommunikationsverbindung K2 einen Teil der in der Datenbank 102 gespeicherten Datensätze als Kandidaten an das Interface 81 bereit. Über das Interface 81 werden die Messwerte der jeweiligen Kandidaten dargestellt (Kommunikationsverbindung K3), sodass ein Benutzer diese durch entsprechende Eingaben über das Interface 81 klassifizieren kann. Zusätzlich zur Klassifikation wählt der Benutzer einen Teil der Messwerte des jeweiligen Datensatzes aus, der weniger Messwerte umfasst als der ganze entsprechende Datensatz. Dabei handelt es sich um denjenigen Teil der Messwerte, der den Anlass zur jeweiligen Klassifikation gibt. Der Benutzer kann ein Experte sein, der basierend auf seiner Erfahrung mit einer besonders guten Trefferquote Anomalien in den Datensätzen erkennen kann (der aber nicht in der Lage ist, die potentiell enormen Mengen an Datensätzen aus der Datenbank 102 zu klassifizieren). Eine Anomalie kann z.B. in der Überschreitung eines Schwellenwerts, ein bestimmter Trend, eine sprunghafte Änderung oder dergleichen sein.

Der Block 112.1 stellt z.B. einen Teil des anhand Figur 4 erläuterten Blocks 112 dar. Dieser Block 112.1 umfasst einen Algorithmus zum Lernen von Merkmalen der Kandidaten, z.B. in Form eines neuralen Netzwerks oder eines sogenannten variational Autoencoder. Vom Benutzer gewählte Datenparameter (Signale) und Merkmale (z.B. in Form der oben beschriebenen Parameter) (insbesondere für den (Zeit-)Bereich) werden zum Training des Algorithmus verwendet. Dieser erhält (über die Kommunikationsverbindung K4) z.B. die vollständigen Kandidatendaten, wie sie dem Benutzer angezeigt werden, als Eingabe und den vom Benutzer ausgewählten Teil der Daten als Ausgabe. Die Merkmale eines jeweiligen Kandidaten sind z.B. durch in einem ein- oder mehrdimensionalen Vektorraum eingefügte Zahlenwerte dargestellt.

Basierend auf den in Block 112.1 ermittelten Merkmalen (die über eine Kommunikationsverbindung K5 übermittelt werden), wird in Block 112.2 ein weiteres Maschinenlernmodell erstellt, z.B. in Form eines Random-Forest-Klassifizierers, eines logistischen Regressors oder einer sogenannten Support-Vector-Machine. Dieses Maschinenlernmodell ist dazu ausgebildet, vorherzusagen, ob ein weiterer (neuer, unklassifizierter) Datensatz eine Anomalie aufweist oder nicht. Der Block 112.2 stellt z.B. einen Teil des anhand Figur 4 erläuterten Blocks 112 dar. Der Block 112.2 erhält ferner die Klassifikation des Benutzers über eine Kommunikationsverbindung K6. Das Maschinenlernmodell stellt einen Klassifikationslernalgorithmus dar.

Der Informationsfluss zum Trainieren von Maschinenlernmodellen erfolgt über die Kommunikationsverbindungen K4 und K5 (gestrichelte Linien).

Der jeweils nächste, dem Benutzer anzuzeigende Kandidat wird mittels aktivem Lernen ermittelt. Hierzu wird für jeden Kandidaten (z.B. jeden in der Datenbank 102 gespeicherten Datensatz) z.B. der trainierte Algorithmus zum Lernen von Merkmalen angewandt, um Merkmale der Kandidaten zu ermitteln. Ferner wird der Klassifikationslernalgorithmus angewandt, um zu ermitteln, welcher der Kandidaten derjenige ist, der den größten Lerneffekt verspricht (in Bezug auf seine Merkmale sozusagen am neuesten ist). Hierzu wird z.B. eine Distanz zu einer Separationsgrenze zwischen verschiedenen Klassen und/oder zu einer Separationsgrenze einer einzigen Klasse ermittelt. Alternativ oder zusätzlich wird der maximale Informationsgehalt, der für das Maschinenlernmodell relevant ist, ermittelt. Beispielsweise wird ein Entropiewert ermittelt.

Hierzu stehen die Blöcke 112.1 und 112.2 über Kommunikationsverbindungen K7, K8 in Verbindung.

Die Figuren 11A bis 11 C veranschaulichen optionale Details des aktiven Lernens. Figur 11A zeigt beispielhaft in zwei Dimensionen (z.B. zwei verschiedene Temperatur- oder Druckwerte oder dergleichen) aufgetragene Merkmale einer Vielzahl von Kandidaten. Dabei stellt jeder aufgetragene Punkt einen Kandidaten dar. Die Kandidaten sind dabei in zwei Klassen unterteilt und die Aufgabe des Klassifikationslernalgorithmus (z.B. in Form des Maschinenlernmodells 51 oder 57) ist es, herauszufinden, zu welcher Klasse die Kandidaten zählen. Die Klassen entsprechen verschiedenen Zuständen des Gasturbinentriebwerks 10 bzw. allgemein einer Maschine. Beispielsweise zeigt die eine Klasse einen defekten Zustand an, die andere Klasse einen ordnungsgemäßen Zustand.

Figur 11 B zeigt dieselben Kandidaten, wobei einige zufällig ausgewählte Kandidaten hervorgehoben sind, die klassifiziert und zum Training des Klassifikationslernalgorithmus verwendet worden sind. Basierend darauf wird eine die Klassen separierende Separationslinie L gezogen. Diese verläuft suboptimal.

Figur 11 C zeigt hervorgehoben mittels aktivem Lernen ausgewählte Kandidaten. Diese haben eine Separationslinie (z.B. über einen Regressionsalgorithmus ermittelt) zur Folge, welche eine wesentlich bessere Trennung der Klassen ermöglicht. Mittels aktivem Lernen wird hierfür z.B. stets derjenige Kandidat ausgewählt, der die größte Nähe zur Separationslinie aufweist. Alternativ oder zusätzlich werden diejenigen Kandidaten ausgewählt, welche die geringste Sicherheit (confidence level) in der Vorhersage der Klasse aufweisen. Alternativ oder zusätzlich wird das sogenannte Entropiesampling angewandt. Es werden so die informativsten Datensätze ausgewählt. Es sei erwähnt, dass hierdurch auch ein Training möglich ist, das nicht nur besonders präzise sondern auch besonders schnell zu robusten Vorhersagen gelangen kann.

Die Separationslinie kann gebogen oder gerade sein, und auch einen Teil einer mehrdimensionalen Separationsgrenze sein. Es versteht sich, dass die Erfindung nicht auf die oben beschriebenen

Ausführungsformen beschränkt ist und verschiedene Modifikationen und

Verbesserungen vorgenommen werden können, ohne von den hier beschriebenen Konzepten abzuweichen. Beliebige der Merkmale können separat oder in

Kombination mit beliebigen anderen Merkmalen eingesetzt werden, sofern sie sich nicht gegenseitig ausschließen, und die Offenbarung dehnt sich auf alle

Kombinationen und Unterkombinationen eines oder mehrerer Merkmale, die hier beschrieben werden, aus und umfasst diese.

Insbesondere ist anzumerken, dass anstelle des Gasturbinentriebwerks 10 auch eine andere Maschine, insbesondere allgemein ein Motor und/oder Triebwerk, z.B. ein Kolbenmotor eingesetzt werden kann.

Bezugszeichenliste

8 Luftfahrzeug

9 Hauptdrehachse

10 Gasturbinentriebwerk 11 Kerntriebwerk 12 Lufteinlass

14 Niederdruckverdichter

15 Hochdruckverdichter

16 Verbrennungseinrichtung

17 Hochdruckturbine

18 Bypassschubdüse

19 Niederdruckturbine

20 Kernschubdüse 21 Triebwerksgondel 22 Bypasskanal

23 Fan

24 stationäre Stützstruktur 26 Welle 27 Verbindungswelle 30 Getriebe

50 Sensorsystem

51 Maschinenlernmodell

52 Auswerteeinheit

53 Speicher

54 Anweisungen

55 Prozessor

56 Selektor

57 übergeordnetes Maschinenlernmodell

58, 59 Kommunikationsschnittstelle 60-62 Sensor

70 Daten (Messwerte)

71 selektierter Teil 80 Anzeige 81 Interface

100-110 Datenbank

111-119 Block

A Kernluftstrom B Bypassluftstrom K1-K8 Kommunikationsverbindung L Separationslinie