CN102096730B - 用于故障模型验证和生效的以软件为中心的方法 - Google Patents

用于故障模型验证和生效的以软件为中心的方法 Download PDF

Info

Publication number
CN102096730B
CN102096730B CN201010588480.XA CN201010588480A CN102096730B CN 102096730 B CN102096730 B CN 102096730B CN 201010588480 A CN201010588480 A CN 201010588480A CN 102096730 B CN102096730 B CN 102096730B
Authority
CN
China
Prior art keywords
fault
failure
symptom
emulation
cost
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.)
Active
Application number
CN201010588480.XA
Other languages
English (en)
Other versions
CN102096730A (zh
Inventor
S·辛赫
S·W·霍兰德
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.)
GM Global Technology Operations LLC
Original Assignee
GM Global Technology Operations LLC
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 GM Global Technology Operations LLC filed Critical GM Global Technology Operations LLC
Publication of CN102096730A publication Critical patent/CN102096730A/zh
Application granted granted Critical
Publication of CN102096730B publication Critical patent/CN102096730B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations

Abstract

本发明涉及用于故障模型验证和生效的以软件为中心的方法。具体地，公开了一种对车辆故障模型进行验证并对其加以改进的方法。该方法包括分析可用的现场失效数据，现场失效数据包括关于许多车辆的车辆症状和失效。该方法使用现场失效数据执行分析，现场失效数据包括使用主题专家知识来确定大多数重要的失效模式和大多数重要的症状。该方法还包括从现场失效数据中学习仿真参数，并使用学习的仿真参数来仿真故障。该方法还包括基于来自假定推测分析和由仿真识别的故障的最明显失效模式和最明显症状来对车辆故障模型进行验证并使其生效，并且使用诊断推理器分析修正的故障模型以生成仿真的故障。该方法然后比较估计的故障和仿真的故障以确定用于利益分析的真实检测和假警报率。

Description

用于故障模型验证和生效的以软件为中心的方法
技术领域
本发明涉及一种用于对车辆故障模型进行验证、使其生效并对其加以改进的方法，该方法包括：利用专家进行假定推测分析以便使用现场故障数据来确认重要的故障模式和症状，学习来自现场故障数据的仿真参数，使用学习到的参数来仿真故障，使用假定推测分析和故障模型与诊断推理机一起来生成仿真以提供估计的故障，以及将估计的故障和仿真的故障进行比较以便用于效益分析。
背景技术
现代车辆是复杂的机电系统，其采用了许多部件、装置、模块、子系统等等，它们利用复杂的算法和数据总线在彼此之间以及在它们中间传送电信息。如同任何事物一样，这些类型的装置和算法容易受到影响车辆操作的错误、失效和故障的影响。当发生这样的错误和故障时，受影响的装置或部件将发出故障代码(例如诊断问题代码)，该故障代码被一个或多个系统控制器接收，以便确认关于集成部件的故障或某种附属故障。这些DTCs可以由维修技术人员和工程师分析，以便确认问题和/或实现系统修复和升级。然而，由于车辆系统的特有的复杂性，所以许多DTCs和其它信号可能由于许多不同的原因被发出，这可能使得问题查找特别困难。
在工业中，定义了车辆中可能发生的故障以及对于这些故障的可用的补救措施的车辆故障模型变得日益盛行。故障模型的最简化表示之一就是矩阵，其中该矩阵的行捕集了可能发生在车辆上的失效模式，而该矩阵的列则确认了关于这些失效模式车辆可能经受的症状。故障模型捕集了失效模式和症状之间的因果依赖关系。各种症状可以是在车辆操作期间记录的信息，或者在车辆被维修时发生的信息。因而，通过在故障模型中在特定失效模式和车辆关于这些失效模式将遭受的症状之间的交叉段处放置指示器，维修人员能够基于正在发生的症状确认需要执行的维修操作，以便修复特定的失效。
取决于故障模型的范围，矩阵可以非常大，并且可以更新并重新定义，使得其最终能够为每种可能的症状来确认具体的修理操作。此外，可以为不同级别的车辆提供各种故障模型，其中能够关于具体的车辆子系统提供这样的故障模型，能够关于具体的车辆品牌、制造、模型等等来提供故障模型。
期望准确地增加故障模型，使得它们不会使用冗余信息，能准确地确认失效，以及准确地确认与这些失效相关的症状。换言之，期望具有一种方法，以便通过与收集自许多车辆的现场失效数据相联系的系统方法来对集成的车辆健康管理(IVHM)故障模型进行验证并使其生效。
发明内容
根据本发明的教导，公开了一种对车辆故障模型进行验证、使其生效并对其加以改进的方法。该方法包括：提供初始故障模型，其确认了车辆中发生的症状和车辆中关于这些症状的失效模式之间的因果依赖关系；以及，提供现场失效数据，其包括关于许多车辆的车辆症状和失效。该方法使用现场失效数据来执行假定推测分析，其中包括使用主题专家(SME)知识来确定大多数重要的失效模式和大多数重要的症状。该方法还包括从现场失效数据学习仿真参数，以及使用学习到的仿真参数对故障进行仿真。该方法进一步包括基于来自假定推测分析和由仿真确认的故障的大多数重要的失效模式和大多数重要的症状来使故障模型生效。此外，该方法还使用在诊断推理机以使用故障模型和在假定推测场景及仿真中存在的症状来生成估计的故障。然后，该方法将估计的故障与仿真的故障进行比较，以便确定检测和故障警报率，并且接着通过使真检测和假警报率与修理成本(例如，劳动成本、其它工时成本、总成本等等)相关从而执行效益分析。
联系附图，由下述说明和所附权利要求，本发明的其它特征将变得明显。
本发明还提供了以下方案：
1.一种用于对故障模型进行验证、使其生效并对其加以改善的方法，所述方法包括：
提供初始故障模型，其识别车辆的症状和所述车辆中的失效模式之间的关系；
提供现场失效数据，其包括在现场进行操作的许多车辆的车辆症状和车辆失效模式；
使用所述现场失效数据来执行假定推测分析，所述现场失效数据包括使用主题专家SME知识以便确定最明显的失效模式和最明显的症状；
从所述现场失效数据中学习仿真参数；
使用学习的仿真参数仿真故障；
使用所述假定推测分析和所述仿真的结果来修正所述初始故障模型；
使用诊断推理器来分析所述修正的故障模型以便生成估计的故障；
将所述估计的故障和所述仿真的故障进行比较以便确定真实检测和假警报率；以及
通过使所述真实检测和假警报率和成本相关来进行利益分析。
2.如方案1所述的方法，其中，所述现场失效数据包括质保请求数据、诊断问题码和参数识别符。
3.如方案1所述的方法，其中，执行所述假定推测分析包括根据发生频率、成本和顾客步行回家的发生情况来确定预定数量的最明显失效模式。
4.如方案1所述的方法，其中，执行所述假定推测分析包括根据发生频率和严重性来确定预定数量的最明显症状。
5.如方案1所述的方法，其中，从所述现场失效数据中学习仿真参数包括：识别主要故障的双变量失效分布；确定部件修理的平均劳动成本、其它工时成本、零部件成本和总成本；确定重复访问和多次请求率；确定失效模式和症状中的条件概率；确定用于仿真间断性故障的故障出现和消失概率；以及学习症状的发生次数和严重性。
6.如方案1所述的方法，其中，对故障进行仿真包括执行MonteCarlo仿真。
7.如方案1所述的方法，其中，使用学到的参数对故障进行仿真包括对永久性故障进行仿真和对间断性故障进行仿真。
8.如方案7所述的方法，其中，对永久性故障进行仿真包括使用双变量失效分布来对具有现实场景的故障进行仿真，而对间断性故障进行仿真包括使用故障出现和消失概率分布来在实际发生期间和维修车间中以真实方式仿真间断性故障。
9.如方案1所述的方法，其中，执行所述利益分析包括使用诊断推理结果来计算误诊断率、重复访问和多次请求率中的减少。
10.如方案1所述的方法，进一步包括使用多个诊断推理器并且通过生成仿真来对所述诊断推理器进行基准测试，以及通过所述诊断推理器对它们进行分析。
11.一种用于对故障模型进行验证、使其生效并对其加以改善的方法，所述方法包括：
提供初始故障模型，其识别车辆的症状和所述车辆中的失效模式之间的关系；
提供现场失效数据，其包括在现场进行操作的许多车辆的车辆症状和车辆失效模式，其中所述现场失效数据包括质保请求数据、诊断问题码和操作参数识别符；
使用所述现场失效数据来执行假定推测分析，所述现场失效数据包括使用主题专家SME知识以便确定最明显的失效模式和最明显的症状，其中根据发生频率、成本和顾客步行回家的发生情况来确定最明显失效模式，并且根据发生频率和严重性来确定最明显的系统；
从所述现场失效数据中学习仿真参数；
使用所述学习的仿真参数来对故障进行仿真，包括对永久性故障进行仿真和对间断性故障进行仿真；
使用所述假定推测分析和所述仿真的故障的结果来修正所述初始故障模型；
使用诊断推理器来根据几率值提供所述估计的失效模式的排行次序表；
将所述估计的故障和所述仿真的故障进行比较以便确定真实检测和假警报率；以及
通过使用所述真实检测和假警报率来进行利益分析包括，计算因为所故障模型和诊断推理所致的节约。
12.如方案11所述的方法，其中，从所述现场失效数据学习仿真参数包括：识别主要故障的双变量失效分布；确定平均劳动成本，其它工时成本，零部件成本以及部件修理的总成本；确定重复访问和多次请求率；确定失效模式和症状之间的条件概率；确定用于对间断性故障进行仿真的故障出现和消失概率；以及学习症状的发生次数和严重性。
13.如方案11所述的方法，其中，对故障进行仿真包括执行MonteCarlo仿真。
14.如方案11所述的方法，其中，对永久性故障进行仿真包括使用双变量失效分布来对具有现实场景的故障进行仿真，而对间断性故障进行仿真包括使用故障出现和消失概率分布来在实际发生期间和在维修车间中以真实方式仿真间断性故障。
15.如方案11所述的方法，其中，执行所述利益分析包括使用诊断推理结果来计算误诊断率、重复访问和多次请求率中的减少。
16.一种用于对故障模型进行验证并使其生效的方法，所述方法包括：
提供现场失效数据，所述现场失效数据包括与系统中的症状和失效相关的信息；
使用所述现场失效数据来执行假定推测分析，所述现场失效数据包括使用主题专家SME知识以便确定最明显的失效模式和最明显的症状，
从所述现场失效数据中学习仿真参数；
使用所述学习的仿真参数来对故障进行仿真；以及
使用来自所述假定推测分析和所述仿真的故障的所述最明显的失效模式和所述最明显的症状来校验所述故障模型并使其生效。
17.如方案16所述的方法，进一步包括使用诊断推理器来分析所述假定推测场景和仿真中的症状，以便根据几率值提供所述估计的失效模式的排行次序表，以及将所述估计的故障和所述仿真的故障进行比较以便确定真实检测和假警报率。
18.如方案16所述的方法，其中，执行所述假定推测分析包括根据发生频率、成本和顾客步行回家发生情况来确定预定数目的所述最明显失效模式。
19.如方案16所述的方法，其中，执行所述假定推测分析包括根据发生频率和严重性来确定所述预定数目的最明显症状。
20.如方案16所述的方法，其中，使用所述学习的参数对故障进行仿真包括对永久性故障进行仿真和对间断性故障进行仿真。
附图说明
图1是用于对车辆故障模型进行验证、使其生效并对其加以改进的系统的框图；
图2是示出了用于对车辆故障模型进行验证、使其生效并对其加以改进的过程的流程图；
图3是用于图1所示过程的从许多车辆收集的现场失效数据的图示；以及
图4是示出了用于在图1所示的过程中利用故障模型和诊断推理机来分析场景的过程的流程图。
具体实施方式
以下关于涉及对车辆故障模型进行验证、使其生效并对其加以改进的本发明实施例的讨论在本质上仅仅是示例性的，决不意图限制本发明、其应用或使用。例如，本发明具有用于车辆故障模型的特定应用。然而，本发明的方法将具有用于其它产业的应用，例如在航天产业中的故障模型生效。
图1是系统40的框图，系统40提供了用于对特定车辆和/或车辆系统的车辆故障模型进行验证、使其生效并对其加以改善的提议方法所必需的硬件，其中所提议的对故障模型进行验证、使其生效并对其加以改善的过程在车外(off-board)执行。系统40包括计算机42，计算机42意在表示对接收自提供了现场失效数据的各种源44的信息加以处理的任意合适处理器。源44可以是任何适于本文所描述目的的源，例如质保报告、维修店数据、远程信息数据，等等。由计算机42接收的信息和数据存储在计算机42上的存储器46中，其可以由SME存取。计算机42能够运行仿真，并且从与这里的讨论一致的现场失效数据中学习仿真参数。存储器46储存故障模型、假定推测场景、Monte-Carlo仿真、以及与这里的讨论一致的现场失效数据。计算机42还包括处理器50，处理器50包含比较器52、参数学习器34和诊断推理器56，其用于基于以下详述将变得十分明显的目的。计算机42提供了允许SME分析采用合适形式的数据和信息的工具，所述数据和信息例如报告和故障模型，并且能够显示在显示装置48上。
图2是示出了所提议的用于验证故障模型、使其生效并对其加以改善的过程的流程图10。在过程开始时，故障模型已经关于特定车辆或系统而生成，并且故障模型将被分析以便有效并加以改善。为了实现该目的，将历史数据用于来自现场或另外方式收集的信息中的有关各种症状以及它们的修理。因此，随着时间过去，关于许多车辆收集的各种现场失效数据被用于评估当前故障模型，并且为其提供更加合适的改动。例如，通过查看各种识别的问题或系统，并且研究已经在该系统上进行的解决方案，能够确定为了防止该症状再次出现何种解决方案是最有效且更可靠的。
在框12处，该过程的第一步被称作为“假定推测分析”，其使用了来自各种数据库、程序、报告等等的SME知识和数据，以便响应于SME、费用、发生频率、操作员步行回家(walk-home)等等来识别最显著的失效模式，并且确定最明显的症状，即，在考虑了这些症状的发生和严重性的这些失效模式期间发生的症状。该分析能够确定任意数目的顶级失效模式(例如，50)，以及任意数目的顶级症状，其中假定推测分析使用了确定和软件途径来生成场景。在该实施例中，信息和数据能够来自现场失效数据14，如图3中所示，其包括质保请求数据、DTCs、来自许多不同源(例如，维修店、远程信息服务等等)的操作参数标识符(PIDs)数据。PIDs识别任意合适的车辆参数，例如，电压、压力、温度、电流等等。数据可以包括为某些症状、质保请求的DTCs以及其它维修事件采取的何种行动，以及这些系统是否有效。
一旦现场失效数据14以及其它信息已经在框12处如上所述那样评估，那么在框16处可以进行故障仿真。在框16处执行的操作包括两步，即：从现场失效数据14学习参数和对故障进行仿真。特别地，现场失效数据14可以被用在概率和软件途径中以学习仿真参数，即，例如，现场失效数据14可以用于学习主要故障的双变量失效分布、关于里程和维修时间的主要修理的分布、平均劳动成本、其它工时费用、零部件费用、总的部件修理费用等等；对相同系统的重复访问和多次要求率；在失效模式中的条件概率(例如，劳动代码)、以及症状(例如，DTCs)；用于仿真间断性故障的故障出现和消失概率；以及学习每一症状的发生次数和严重性。
学习的参数然后被用于在第二步中仿真故障。在一个非限制性实施例中，使用Monte-Carlo仿真来仿真故障，这对于本领域技术人员而言是已知的。该仿真根据从现场失效数据14学习的概率分布随机插入大量的失效和症状。该仿真然后能够对使用了双变量失效分布的永久故障进行仿真，以便对具有现实场景的故障进行仿真，并且对使用了故障出现和消失概率分布的间断性故障进行仿真，从而在维修保养车间的实际事件和稍后期间以真实方式来仿真故障。使用故障模型、失效模式中的条件概率和症状来生成症状结果，以便得到成组的通过症状结果和失效症状结果。
一旦在框16处已经执行仿真，那么在框18处合适的人员就能够使用故障模型和诊断推理来分析假定推测分析器和仿真场景。诊断推理器是这样的算法，其查看各种失效模式和症状，并且能够确定哪个失效模式对于当前存在于车辆中的症状负责。
图4是包括分析算法24的流程图20，分析算法20具有故障模型26和诊断推理器28。故障模型26这样的故障模型，其由该过程开发以便当更多现场失效数据和其它信息随着时间变得可用时被验证、生效和改善，使得最终故障模型26将提供用于基于它们的症状来识别失效模式的综合工具。故障模型26沿着顶部轴线示出表示为S1-S6的症状，以及沿着竖直轴线表示为F1-F10的失效模式。故障模型中的黑点(布尔值或位于0至1之间的分数值)对应于通过失效症状识别出的失效模式。诊断推理器28分析当前症状，以便根据其几率值提供所估计失效模式的排行次序表。这里所讨论方法可以执行诊断推理器的数量比较。框22示出了使用了在框12处的假定推测分析和使用了在框16处的仿真的各种场景，其被用于以上述方式生成故障模型26。框30表示被仿真的故障，其通过框16处的仿真来提供。所仿真的故障30经由故障模型26和诊断推理器28被分析，以便生成估计的故障，其被比较器32与来自算法30的仿真故障进行比较，以便像在框18处的分析那样识别真检测和假警报率。因而，通过执行假定推测分析并对故障进行仿真，故障模型26可以生效并修改，使得症状被更好地连接到失效模式。
该过程提供了系统和数量的方式以便通过生成仿真并经由诊断推理器来分析它们从而基准检测若干诊断推理器。因为相同的场景被送至每个推理器，所以诊断推理器和比较器的输出可以被比较并基准检测，即，真实检测和假警报率。
一旦通过比较器32在估计的故障和仿真的故障之间进行了比较，那么合适的人员在框34处能够执行IVHM利益分析，以便减小成本。
IVHM利益分析将诊断推理器28的检测率和假警报率与修理成本(例如，劳动成本、工时成本、总成本等等)相关。此外，IVHM利益分析使用了诊断推理结果来计算错误诊断率、重复访问以及多次请求率中的减少。由于IVHM故障模型和诊断推理的缘故，该分析还计算了节约。
上述详述仅公开并且描述了本发明的示例性实施例。本领域技术人员将容易从这样的详述和附图及权利要求中认识到能够实现各种变化、修改和变型，而不背离本发明由所附权利要求所限定的精神和范围。

Claims (18)

1.一种用于对故障模型进行验证、使其生效并对其加以改善的方法，所述方法包括：
提供初始故障模型，其识别车辆的症状和所述车辆中的失效模式之间的关系；
提供现场失效数据，其包括在现场进行操作的许多车辆的车辆症状和车辆失效模式；
使用所述现场失效数据来执行假定推测分析，所述现场失效数据包括使用主题专家SME知识以便确定最明显的失效模式和最明显的症状，包括根据发生频率、成本和顾客步行回家的发生情况来确定预定数量的最明显失效模式；
从所述现场失效数据中学习仿真参数；
使用学习的仿真参数仿真故障；
使用所述假定推测分析和所述仿真的结果来修正所述初始故障模型；
使用诊断推理器来分析所述修正的故障模型以便生成估计的故障；
将所述估计的故障和所述仿真的故障进行比较以便确定真实检测和假警报率；以及
通过使所述真实检测和假警报率和成本相关来进行利益分析。
2.如权利要求1所述的方法，其中，所述现场失效数据包括质保请求数据、诊断问题码和参数识别符。
3.如权利要求1所述的方法，其中，执行所述假定推测分析包括根据发生频率和严重性来确定预定数量的最明显症状。
4.如权利要求1所述的方法，其中，从所述现场失效数据中学习仿真参数包括：识别主要故障的双变量失效分布；确定部件修理的平均劳动成本、其它工时成本、零部件成本和总成本；确定重复访问和多次请求率；确定失效模式和症状中的条件概率；确定用于仿真间断性故障的故障出现和消失概率；以及学习症状的发生次数和严重性。
5.如权利要求1所述的方法，其中，对故障进行仿真包括执行MonteCarlo仿真。
6.如权利要求1所述的方法，其中，使用学到的参数对故障进行仿真包括对永久性故障进行仿真和对间断性故障进行仿真。
7.如权利要求6所述的方法，其中，对永久性故障进行仿真包括使用双变量失效分布来对具有现实场景的故障进行仿真，而对间断性故障进行仿真包括使用故障出现和消失概率分布来在实际发生期间和维修车间中以真实方式仿真间断性故障。
8.如权利要求1所述的方法，其中，执行所述利益分析包括使用诊断推理结果来计算误诊断率、重复访问和多次请求率中的减少。
9.如权利要求1所述的方法，进一步包括使用多个诊断推理器并且通过生成仿真来对所述诊断推理器进行基准测试，以及通过所述诊断推理器对它们进行分析。
10.一种用于对故障模型进行验证、使其生效并对其加以改善的方法，所述方法包括：
提供初始故障模型，其识别车辆的症状和所述车辆中的失效模式之间的关系；
提供现场失效数据，其包括在现场进行操作的许多车辆的车辆症状和车辆失效模式，其中所述现场失效数据包括质保请求数据、诊断问题码和操作参数识别符；
使用所述现场失效数据来执行假定推测分析，所述现场失效数据包括使用主题专家SME知识以便确定最明显的失效模式和最明显的症状，其中根据发生频率、成本和顾客步行回家的发生情况来确定最明显失效模式，并且根据发生频率和严重性来确定最明显的症状；
从所述现场失效数据中学习仿真参数；
使用所述学习的仿真参数来对故障进行仿真，包括对永久性故障进行仿真和对间断性故障进行仿真；
使用所述假定推测分析和所述仿真的故障的结果来修正所述初始故障模型；
使用诊断推理器来根据几率值提供估计的失效模式的排行次序表；
将所述估计的故障和所述仿真的故障进行比较以便确定真实检测和假警报率；以及
通过使用所述真实检测和假警报率来进行利益分析包括，计算因为所故障模型和诊断推理所致的节约。
11.如权利要求10所述的方法，其中，从所述现场失效数据学习仿真参数包括：识别主要故障的双变量失效分布；确定平均劳动成本，其它工时成本，零部件成本以及部件修理的总成本；确定重复访问和多次请求率；确定失效模式和症状之间的条件概率；确定用于对间断性故障进行仿真的故障出现和消失概率；以及学习症状的发生次数和严重性。
12.如权利要求10所述的方法，其中，对故障进行仿真包括执行Monte Carlo仿真。
13.如权利要求10所述的方法，其中，对永久性故障进行仿真包括使用双变量失效分布来对具有现实场景的故障进行仿真，而对间断性故障进行仿真包括使用故障出现和消失概率分布来在实际发生期间和在维修车间中以真实方式仿真间断性故障。
14.如权利要求10所述的方法，其中，执行所述利益分析包括使用诊断推理结果来计算误诊断率、重复访问和多次请求率中的减少。
15.一种用于对故障模型进行验证并使其生效的方法，所述方法包括：
提供现场失效数据，所述现场失效数据包括与系统中的症状和失效相关的信息；
使用所述现场失效数据来执行假定推测分析，所述现场失效数据包括使用主题专家SME知识以便确定最明显的失效模式和最明显的症状，
从所述现场失效数据中学习仿真参数；
使用所述学习的仿真参数来对故障进行仿真；
使用来自所述假定推测分析和所述仿真的故障的所述最明显的失效模式和所述最明显的症状来校验所述故障模型并使其生效；以及
使用诊断推理器来分析假定推测场景和仿真中的症状，以便根据几率值提供估计的失效模式的排行次序表，以及将所述估计的故障和所述仿真的故障进行比较以便确定真实检测和假警报率。
16.如权利要求15所述的方法，其中，执行所述假定推测分析包括根据发生频率、成本和顾客步行回家发生情况来确定预定数目的所述最明显失效模式。
17.如权利要求15所述的方法，其中，执行所述假定推测分析包括根据发生频率和严重性来确定预定数目的最明显症状。
18.如权利要求15所述的方法，其中，使用所述学习的参数对故障进行仿真包括对永久性故障进行仿真和对间断性故障进行仿真。
CN201010588480.XA 2009-12-10 2010-12-10 用于故障模型验证和生效的以软件为中心的方法 Active CN102096730B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US12/635,391 US8473330B2 (en) 2009-12-10 2009-12-10 Software-centric methodology for verification and validation of fault models
US12/635391 2009-12-10

Publications (2)

Publication Number Publication Date
CN102096730A CN102096730A (zh) 2011-06-15
CN102096730B true CN102096730B (zh) 2015-03-11

Family

ID=44129825

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201010588480.XA Active CN102096730B (zh) 2009-12-10 2010-12-10 用于故障模型验证和生效的以软件为中心的方法

Country Status (3)

Country Link
US (1) US8473330B2 (zh)
CN (1) CN102096730B (zh)
DE (1) DE102010052998A1 (zh)

Families Citing this family (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5161829B2 (ja) * 2009-04-06 2013-03-13 本田技研工業株式会社 故障再現を支援する診断装置および故障再現データの出力方法
US8676432B2 (en) * 2010-01-13 2014-03-18 GM Global Technology Operations LLC Fault prediction framework using temporal data mining
US20120110391A1 (en) * 2010-10-27 2012-05-03 Honeywell International Inc. System and method for determining fault diagnosability of a health monitoring system
US20130014012A1 (en) * 2011-07-06 2013-01-10 Honeywell International Inc. Interactive electronic technical manual system and method
US8732112B2 (en) * 2011-12-19 2014-05-20 GM Global Technology Operations LLC Method and system for root cause analysis and quality monitoring of system-level faults
US8924071B2 (en) * 2013-04-26 2014-12-30 Ford Global Technologies, Llc Online vehicle maintenance
US9798606B2 (en) * 2015-05-28 2017-10-24 Dell Products, L.P. Systems and methods for smart diagnosis using hosted resources with intelligent altering of boot order
FR3038659B1 (fr) * 2015-07-10 2017-07-21 Continental Automotive France Procede de gestion des pannes pour un systeme de controle moteur de vehicule
CN105046143B (zh) * 2015-08-04 2018-05-04 北京广利核系统工程有限公司 一种综合计算软件验证与确认功效的方法
UA107635U (uk) * 2016-03-28 2016-06-10 Сергій Михайлович Подрєза Спосіб діагностики та ремонту за технічним станом м'яких паливних баків літака
UA107633U (uk) * 2016-03-28 2016-06-10 Сергій Михайлович Подрєза Спосіб діагностики електричного ланцюга одиниці авіаційної техніки
UA107634U (uk) * 2016-03-28 2016-06-10 Сергій Михайлович Подрєза Спосіб діагностики та ремонту за технічним станом установки зовнішньої підвіски для малогабаритних вантажів літака
DE102016225081A1 (de) 2016-12-15 2018-06-21 Robert Bosch Gmbh Vorrichtung und Verfahren zum Bestimmen der Pinpoint-Fähigkeit möglicher Fehler einer oder mehrerer Komponenten
CN109559583B (zh) * 2017-09-27 2022-04-05 华为技术有限公司 故障模拟方法及其装置
US11153152B2 (en) * 2018-11-21 2021-10-19 Cisco Technology, Inc. System and methods to validate issue detection and classification in a network assurance system
US11151808B2 (en) * 2018-12-06 2021-10-19 GM Global Technology Operations LLC Vehicle fault root cause diagnosis
CN111078000B (zh) * 2019-11-18 2023-04-28 中北大学 一种根据眼行为特征进行眼机交互的方法、装置及系统
CN113255157B (zh) * 2021-06-16 2021-10-01 知行汽车科技（苏州）有限公司 一种基于Excel的失效模式影响诊断分析工具及方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1932469A (zh) * 2005-09-16 2007-03-21 通用汽车环球科技运作公司 使用自适应阈值的健康状态监测和故障诊断
CN201107186Y (zh) * 2007-09-07 2008-08-27 万安集团上海汽车控制系统有限公司 一种abs仿真系统

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE19523483C2 (de) 1995-06-28 1998-10-22 Daimler Benz Ag Rechnergestützte Fehlerdiagnoseeinrichtung für ein komplexes technisches System
US6633782B1 (en) * 1999-02-22 2003-10-14 Fisher-Rosemount Systems, Inc. Diagnostic expert in a process control system
US6917839B2 (en) * 2000-06-09 2005-07-12 Intellectual Assets Llc Surveillance system and method having an operating mode partitioned fault classification model
US20020183971A1 (en) * 2001-04-10 2002-12-05 Wegerich Stephan W. Diagnostic systems and methods for predictive condition monitoring
US8620714B2 (en) * 2006-11-28 2013-12-31 The Boeing Company Prognostic condition assessment decision aid

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1932469A (zh) * 2005-09-16 2007-03-21 通用汽车环球科技运作公司 使用自适应阈值的健康状态监测和故障诊断
CN201107186Y (zh) * 2007-09-07 2008-08-27 万安集团上海汽车控制系统有限公司 一种abs仿真系统

Also Published As

Publication number Publication date
US20110145026A1 (en) 2011-06-16
US8473330B2 (en) 2013-06-25
CN102096730A (zh) 2011-06-15
DE102010052998A1 (de) 2011-08-04

Similar Documents

Publication Publication Date Title
CN102096730B (zh) 用于故障模型验证和生效的以软件为中心的方法
CN106428617B (zh) 用于运载工具管理和监测的集成系统和方法
CN102096760B (zh) 在现场故障数据中检测异常
JP6003689B2 (ja) 診断装置
US9606902B2 (en) Malfunction influence evaluation system and evaluation method using a propagation flag
CN107111312B (zh) 监视在工业现场运行的过程的至少一个步骤的监视装置和监视方法
CN103163877A (zh) 用于系统级故障的根本原因分析和质量监控的方法和系统
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
CN101413991A (zh) 用于远程预测交流电机系统剩余寿命的方法和系统
Galar et al. Hybrid prognosis for railway health assessment: an information fusion approach for PHM deployment
CN107967398A (zh) 一种产品可靠性分析方法及装置
CN116756909A (zh) 一种基于数据模型及机理模型的火电厂预警诊断系统
JP4695638B2 (ja) 故障パターン推定方法、故障パターン推定装置及びプログラム
US8359577B2 (en) Software health management testbed
CN116380496B (zh) 一种汽车车门疲劳耐久测试方法、系统及介质
US7698245B2 (en) Applying rules to validating data for a machine arrangement
Dzakowic et al. Advanced Techniques for the verification and validation of prognostics & health management capabilities
KR20110075332A (ko) 설비 고장 예측 방법
KR20230082887A (ko) 유지보수 이력에 기반한 학습데이터를 이용하는 장비의 고장 예측 장치 및 방법
Beshears et al. Designing for health: a methodology for integrated diagnostics/prognostics
KR20230102431A (ko) 인공지능 기반의 오일가스 플랜트 설비 고장 예측 및 진단시스템
US20200143004A1 (en) Visualization of machine structure damage from machine sensor data using machine learning
KR100682509B1 (ko) 도시철도차량 유지보수 정보화 응용시스템
CN109900484B (zh) 气门横臂的检测方法、装置、设备以及存储介质
JP6981525B2 (ja) 設備状態分析装置、設備状態分析方法、及び、設備状態分析プログラム

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant