CN102163255A - 使用故障建模的复杂系统的健康预测 - Google Patents
使用故障建模的复杂系统的健康预测 Download PDFInfo
- Publication number
- CN102163255A CN102163255A CN2011100397192A CN201110039719A CN102163255A CN 102163255 A CN102163255 A CN 102163255A CN 2011100397192 A CN2011100397192 A CN 2011100397192A CN 201110039719 A CN201110039719 A CN 201110039719A CN 102163255 A CN102163255 A CN 102163255A
- Authority
- CN
- China
- Prior art keywords
- subsystem
- health status
- value
- model
- parts
- 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.)
- Granted
Links
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W50/04—Monitoring the functioning of the control system
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W50/0097—Predicting future conditions
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2510/00—Input parameters relating to a particular sub-units
- B60W2510/24—Energy storage means
- B60W2510/242—Energy storage means for electrical energy
- B60W2510/244—Charge state
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2510/00—Input parameters relating to a particular sub-units
- B60W2510/24—Energy storage means
- B60W2510/242—Energy storage means for electrical energy
- B60W2510/248—Age of storage means
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Human Computer Interaction (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Test And Diagnosis Of Digital Computers (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及使用故障建模的复杂系统的健康预测。一种使用故障模型和部件老化模型来提供复杂系统中的部件和子系统的健康状态预测的系统和方法。所述方法包括:使用故障特征试验结果来确定子系统的当前健康状态值;以及使用故障特征试验结果来确定子系统中的多个部件的当前健康状态值。所述方法还使用第一概率模型以及所述多个部件的当前健康状态值来确定不能使用故障特征试验结果的系统部件的当前健康状态值。所述方法使用部件老化模型来确定子系统中的部件的预测未来健康状态值,且使用第二概率模型和部件的未来健康状态值来确定子系统的预测未来健康状态值。
Description
技术领域
本发明总体上涉及一种用于确定复杂系统中的部件和子系统的未来健康状态的系统和方法,且更具体地涉及一种使用系统设计故障模型和部件老化模型来确定复杂系统中的部件和子系统的未来健康状态的系统和方法。
背景技术
机动车辆是复杂的电气和机械系统,其采用许多部件、装置、模块、子系统等,使用精密算法和数据总线使电信息在彼此之间通过。如任何事物那样,这些类型的装置和算法易受误差、失效和故障,从而影响车辆操作。当发生这种误差和故障时,通常受影响的装置或部件将发出故障码,如诊断故障码(DTC),故障码由识别所述故障或者一体式部件的一些辅助故障的一个或多个系统控制器接收。这些DTC可以通过维修技术人员和工程师分析以识别问题和/或做出系统校正和改进。
定义在车辆中将发生的故障和可用于这些故障的补救措施的车辆故障模型在行业中变得越来越盛行。故障模型中的一种最简单表示是二维矩阵,其中,矩阵的行获得在车辆上将发生的故障模式,矩阵的列识别对于故障模式而言车辆将经历的故障现象。故障模型获得在故障模式和故障现象之间的因果相关性。各个故障现象可以是在车辆操作期间记录的信息或者在车辆维修时发生的信息。因而,通过在具体故障模式和对于故障模型中的这些故障模式而言车辆经受的故障现象之间的截面处设置指示符,维修人员可以基于发生的故障现象识别需要执行什么维修操作以校正具体故障。
如上所述,故障建模已经用于诊断复杂车辆系统中的部件和子系统问题。诊断建模包括确定已经发生的问题的根本原因。用于诊断部件和子系统故障的已知故障建模方法可使用贝叶斯网络、动态贝叶斯网络、隐马尔科夫模型、模糊逻辑、信度网络(belief network)、Petri网等。然而,故障建模迄今为止没有用于提供复杂系统的未来健康状态的预测。随着系统变得越来越复杂,提供系统健康预测的能力变得更困难,但是正是必要的。
本领域还已知采用部件老化模型(如,Arrhenius方程模型、Paris方程模型等)来估计系统中的部件的年限。然而,这种老化模型没有扩展到系统,尤其是复杂系统。
发明内容
根据本发明的教导,公开了一种使用故障模型和部件老化模型来提供复杂系统中的部件和子系统的健康状态预测的系统和方法。所述方法包括:收集故障特征试验结果;使用故障特征试验结果来确定子系统的当前健康状态值;以及使用故障特征试验结果来确定子系统中的多个部件的当前健康状态值。所述方法还使用第一概率模型以及所述多个部件的当前健康状态值来确定不能使用故障特征试验结果的系统部件的当前健康状态值。所述方法使用部件老化模型来确定子系统中的部件的预测未来健康状态值,且使用第二概率模型和部件的未来健康状态值来确定子系统的预测未来健康状态值。所述方法然后确定子系统的预测健康状态值是否大于阈值;如果否,那么使用在预测健康状态值小于阈值时的时间确定子系统的剩余有用寿命。
方案1. 一种用于确定系统中的子系统的健康状态的方法,所述方法包括:
收集故障特征试验结果;
使用故障特征试验结果来确定子系统的当前健康状态值;
使用故障特征试验结果来确定子系统中的多个部件的当前健康状态值;
使用第一概率模型以及通过故障特征试验结果确定的子系统的当前健康状态值和部件的当前健康状态值来确定不能使用故障特征试验结果的系统部件的当前健康状态值;
使用部件老化模型来确定子系统中的部件的预测未来健康状态值;
使用第二概率模型和部件的未来健康状态值来确定子系统的预测未来健康状态值;
确定子系统的预测健康状态值是否大于阈值;以及
如果子系统的预测健康状态值小于阈值,那么确定子系统的剩余有用寿命。
方案2. 根据方案1所述的方法,还包括:前移未来时间段以及当在未来时间时子系统的预测健康状态值小于阈值时确定子系统中的部件的预测未来健康状态值并确定子系统的预测健康状态值。
方案3. 根据方案1所述的方法,其中,使用第二概率模型来确定子系统的预测未来时段健康状态值包括使用选自以下组的故障模型:贝叶斯网络模型、动态贝叶斯网络模型、隐马尔科夫模型、模糊逻辑模型、信度网络模型和Petri网模型。
方案4. 根据方案1所述的方法,其中,老化模型选自以下组:Arrhenius方程老化模型和Paris方程老化模型。
方案5. 根据方案1所述的方法,其中,使用老化模型确定预测健康状态值包括使用以下方程:
其中,SOH是健康状态,u是环境变量,τ是时间段。
方案6. 根据方案1所述的方法,其中,使用故障特征试验结果来确定多个部件的当前健康状态值包括基于传感器读数、测量值、模拟值和专家知识来使用故障特征试验结果。
方案7. 根据方案1所述的方法,其中,所述系统是车辆系统。
方案8. 根据方案7所述的方法,其中,所述车辆系统是车辆电气系统。
方案9. 一种用于确定系统中的子系统的健康状态的方法,所述方法包括:
使用部件老化模型来确定子系统中的多个部件的预测未来健康状态值;
使用概率模型和预测未来健康状态值来确定子系统的预测未来健康状态值;
确定子系统的预测健康状态值是否大于阈值;以及
如果子系统的预测健康状态值小于阈值,那么确定子系统的剩余有用寿命。
方案10. 根据方案9所述的方法,还包括:前移未来时间段以及当在未来时间时子系统的预测健康状态值小于阈值时确定子系统中的部件的预测未来健康状态值并确定子系统的预测健康状态值。
方案11. 根据方案9所述的方法,其中,使用概率模型来确定子系统的预测未来时段健康状态值包括使用选自以下组的故障模型:贝叶斯网络模型、动态贝叶斯网络模型、隐马尔科夫模型、模糊逻辑模型、信度网络模型和Petri网模型。
方案12. 根据方案9所述的方法,其中,使用老化模型确定预测健康状态值包括使用以下方程:
其中,SOH是健康状态,u是环境变量,τ是时间段。
方案13. 根据方案9所述的方法,其中,老化模型选自以下组:Arrhenius方程老化模型和Paris方程老化模型。
方案14. 一种用于确定复杂系统中的子系统的健康状态的系统,所述系统包括:
收集故障特征试验结果的装置;
使用故障特征试验结果来确定子系统的当前健康状态值的装置;
使用故障特征试验结果来确定子系统中的多个部件的当前健康状态值的装置;
使用第一概率模型以及所述多个部件的健康状态值来确定不能使用故障特征试验的系统部件的当前健康状态值的装置;
使用部件老化模型来预测子系统中的部件的未来健康状态值的装置;
使用第二概率模型和部件的未来健康状态值来确定子系统的预测未来健康状态值的装置;
确定子系统的预测健康状态值是否大于阈值的装置;以及
如果子系统的预测健康状态值小于阈值,那么确定子系统的剩余有用寿命的装置。
方案15. 根据方案14所述的系统,还包括:前移未来时间段以及当在未来时间时子系统的预测健康状态值小于阈值时确定子系统中的部件的预测未来健康状态值并确定子系统的预测健康状态值的装置。
方案16. 根据方案14所述的系统,其中,使用概率模型来确定子系统的预测未来时段健康状态值的装置包括使用选自以下组的故障模型:贝叶斯网络模型、动态贝叶斯网络模型、隐马尔科夫模型、模糊逻辑模型、信度网络模型和Petri网模型。
方案17. 根据方案14所述的系统,其中,使用老化模型确定预测健康状态值的装置包括使用以下方程:
其中,SOH是健康状态,u是环境变量,τ是时间段。
方案18. 根据方案14所述的系统,其中,老化模型选自以下组:Arrhenius方程老化模型和Paris方程老化模型。
本发明的附加特征将从以下说明和所附权利要求书结合附图显而易见。
附图说明
图1是复杂系统模型的结构的图示;
图2是示出了使用图1的结构模型提供系统的健康状态预测的过程的流程图;和
图3是用于车辆电气系统的系统模型的结构的图示。
具体实施方式
涉及使用故障模型和老化模型来提供复杂系统中的部件和子系统的健康状态预测的系统和方法的本发明实施例的以下阐述本质上仅仅是示例性的且不旨在以任何方式限制本发明或其应用或使用。例如,本文所述的系统和方法具体应用于提供复杂车辆系统的健康状态预测。然而,本领域技术人员将理解,所述系统和方法将具有其它非车辆应用。
如下文详细所述,本发明采用故障模型和部件老化模型来提供复杂系统中的部件和子系统的健康状态预测。复杂系统可以是适合于故障建模分析的任何复杂系统,例如车辆系统。故障模型可以是适合于本文所述目的的任何故障模型,例如贝叶斯网络模型、动态贝叶斯网络模型、隐马尔科夫模型、模糊逻辑模型、信度网络模型(belief network model)、Petri网模型等。部件老化模型可以是适合于本文所述目的的任何部件老化模型,例如Arrhenius方程模型、Paris方程模型等。
图1是包括部件级别12(示出了部件故障模式)、子系统级别14(包括子系统)和故障特征级别16(包括部件和子系统故障特征试验)的模型结构10的图示。部件级别12包括部件1、节点20处的故障模式1(C1FM1)、节点22处的C1FM2、节点24处的C2FM1、节点26处的C3FM1以及节点28处的C4FM1。因而,每个节点20、22、24、26和28定义系统中每个具体部件将发生的故障或失效。每个部件可具有多个故障模式。例如,车辆蓄电池具有电荷状态,其中,蓄电池可以再充电且再次使用。其健康状态可以基于其年限诊断,其中,随着蓄电池的年限增加,其可能不能合适地再充电。
子系统级别14包括节点30处的子系统1(SS1)和节点32处的SS2。从部件故障节点20-28到子系统30和32的箭头识别哪些部件处于哪个具体子系统中,因而哪些部件可以用于确定具体子系统的健康状态值。故障特征级别16包括节点34处的试验1(T1)、节点36处的T2、节点38处的T3、节点40处的T4以及节点42处的T5,其中,所述试验设计成确定具体部件或子系统的健康状态。所述试验可以基于传感器读数、各种测量值(如,温度、压力等)、老化算法、模拟值、专家知识等。从部件故障节点20-32到试验节点34-42的箭头识别哪些试验可以在哪些部件上执行以确定部件的健康状态。注意到,一些部件不具有能够用于确定部件健康状态的故障特征试验。类似地,从子系统30和32到试验节点34-42的箭头识别哪些试验可以在子系统30和32上执行以识别子系统的健康状态。
如上所述,子系统30和32的健康状态可以通过具体故障特征试验确定,即,对于子系统30是T1,对于子系统32是T4。替代地,子系统30和32的健康状态可以根据该具体子系统中的部件C1、C2、C3和/或C4的健康状态(如果后者已知的话)推断。具体部件的健康状态可以通过直接故障特征试验确定,例如对于部件C1是试验T2和T3,对于部件C4是T5。替代地,如果直接故障特征试验不可用,那么具体部件的健康状态可以从其相关子系统和部件推断。例如,部件C3的健康状态可以从部件C2和C4以及子系统32的健康状态推断。在既不存在直接试验且基于系统模型的推断也不可用的情况下,具体部件的健康状态可以基于部件的历史故障率通过先验概率P确定。上述说明将在下文进一步描述。
当直接试验和基于系统模型的推断都不可用时,可以基于制造商提供的故障率或历史部件故障率来确定由于具体故障模式引起的具体部件处于不同健康状态水平的概率分布。该概率分布称为先验概率分布。例如,下表1给出了部件1处于不同健康状态水平(如1(意味着完全健康)、0.5和0(意味着完全失效))的概率分布,即,概率P分别为0.95、0.03和0.02。
表1
子系统中的部件的试验健康状态值的组合可以用于确定子系统将处于不同健康状态水平的概率分布。下表2的左侧给出了对于故障模式1而言部件C2、C3和C4的健康状态值,表2的右侧给出了子系统32基于这些部件的健康状态值的组合将处于不同健康状态水平的条件概率P。例如,对于每个部件C2、C3和C4的试验健康状态值1,子系统32处于健康状态值1的概率P是0.9,其中,1意味着完全健康,子系统32处于健康状态值0.5的概率P是0.1,子系统32处于健康状态值0的概率P是0,其中,0意味着完全失效。类似地,对于部件C2的故障模式1的试验健康状态值0.5、部件C3的故障模式1的试验健康状态值1、以及部件C4的故障模式1的试验健康状态值0.5,子系统32处于健康状态值1的概率是0.5,子系统32处于健康状态值0.5的概率是0.25,子系统32处于健康状态值0的概率是0.25。
在不同健康状态水平内的概率分布用于确定子系统32是否需要更换或修理。取决于具体应用,标准可以不同。例如,在非常严格的标准中,如果子系统32处于健康状态值0的概率大于0.2,那么认为子系统32发生故障。
表2
如上所述,故障特征试验可以用于确定部件和子系统的健康状态。在结构10所示的非限制性示例中,试验T1和T3可以用于确定部件C2的健康状态,试验T5可以用于确定部件C4的健康状态。然而,一些部件并不具有故障特征试验,其中,其健康状态不能以这种方式确定。例如,部件C3不具有与其相关的允许直接确定其健康状态的具体试验。然而,在该示例中,部件C3的健康状态可以基于子系统32、部件C2和部件C4的健康状态估计(其全部具有与其相关的故障特征试验),因为其是同一系统的所有部分。
下述方程(1)示出了基于子系统32的健康状态水平hSS2、部件C2的健康状态水平hC2、C4的健康状态水平hC4、以及表2所示的条件概率P来确定部件C3处于具体健康状态水平hC3的概率的故障模型方程的一个非限制性示例。
基于上述说明,可以评估在某一时间点时复杂系统中的部件和子系统的健康状态。一旦确定每个部件和子系统的健康状态,那么可以确定部件和/或子系统的估计剩余有用寿命。例如,在健康状态评估过程期间每个时间步长t,算法可以确定具有已知故障特征试验的那些部件和子系统的健康状态。如上所述,由于子系统32包括部件C2、C3和C4,且部件C2、C3和C4和子系统32可以使用故障特征试验T2-T5以确定其健康状态,因而可以确定当前时间段的那些健康状态值。此外,在评估过程期间每个时间步长t,可以使用模型方程(1)推断不具有故障特征试验的其它部件的健康状态。
一旦算法具有系统中的所有部件和子系统的健康状态值,其可以预测在未来时间时部件和子系统的健康状态,从而预测这些部件和子系统的剩余有用寿命。如果未来时间值τ设定等于时间t,那么在τ+1时每个部件的健康状态可以使用部件老化模型确定,如:
其中,u是环境变量。
算法然后可以使用表2中所述的系统模型推断子系统在时间τ+1时的健康状态。如果在时间τ+1时子系统的健康状态大于阈值,那么时间τ前移另一个时间增量以提供更未来的子系统的健康状态的预测。一旦时间已经前移到子系统的健康状态小于阈值的未来足够远,那么未来时间段和当前时间段可以相减以给出子系统的剩余有用寿命(RUL)。
图2是示出了复杂系统中的部件和子系统的健康状态的该预测过程的流程图50。算法在框52开始且在框54从故障特征试验收集当前时间t时的故障特征试验结果。算法然后在框56确定能够根据故障特征试验确定的子系统和部件的健康状态。算法然后在框58使用例如方程(2)确定不能由故障特征试验确定的部件的健康状态。算法然后在框60初始化预测时间τ等于时间t且在框62将时间τ前移一个预测时间增量。算法然后在框64使用部件老化模型(如,方程(3))预测在此时未来时间段时部件的健康状态,且在框66使用例如表2基于部件健康状态推断子系统的健康状态。在判断菱形块68,如果具体子系统的健康状态在该时间段内大于某一阈值,那么在框62时间段τ前移另一个预测时间段,且过程继续,直到在判断菱形块68未来时间的子系统的健康状态小于阈值。在框70,当前时间t和未来时间τ之间的差是子系统的剩余有用寿命。
图3是用于具体复杂系统(即包括蓄电池的车辆电气系统)的结构80(与结构10类似)的图示。要注意的是,系统蓄电池具有两个不同的可用外部模式,即,低电荷和低健康状况,蓄电池健康状况具有多种不同的部件预测算法、试验和故障特征。结构80包括可用故障模式层82、子系统层84和故障特征层86。故障模式包括节点88处的蓄电池-发电机电连接、节点90处的电子控制模块(ECM)-发电机电连接、节点92处的发电机状况、节点94处的蓄电池电荷、节点96处的蓄电池健康状况、节点98处的ECS状况、节点100的起动电动机状况以及节点102处的燃料泵状况。在层84处的电气子系统包括节点104处的蓄电池充电系统和节点106处的车辆起动系统。级别86处的故障特征试验包括节点108处的基于相互关系的充电系统异常检测、节点110处的蓄电池电荷状态试验、节点112处的蓄电池容量试验、节点114处的蓄电池内部电阻试验和节点116处的车辆起动试验。
前述说明仅仅公开和描述本发明的示例性实施例。本领域技术人员从这种说明和附图以及权利要求书将容易认识到,能够对本发明进行各种变化、修改和变型,而不偏离由所附权利要求书限定的本发明的精神和范围。
Claims (10)
1.一种用于确定系统中的子系统的健康状态的方法,所述方法包括:
收集故障特征试验结果;
使用故障特征试验结果来确定子系统的当前健康状态值;
使用故障特征试验结果来确定子系统中的多个部件的当前健康状态值;
使用第一概率模型以及通过故障特征试验结果确定的子系统的当前健康状态值和部件的当前健康状态值来确定不能使用故障特征试验结果的系统部件的当前健康状态值;
使用部件老化模型来确定子系统中的部件的预测未来健康状态值;
使用第二概率模型和部件的未来健康状态值来确定子系统的预测未来健康状态值;
确定子系统的预测健康状态值是否大于阈值;以及
如果子系统的预测健康状态值小于阈值,那么确定子系统的剩余有用寿命。
2.根据权利要求1所述的方法,还包括:前移未来时间段以及当在未来时间时子系统的预测健康状态值小于阈值时确定子系统中的部件的预测未来健康状态值并确定子系统的预测健康状态值。
3.根据权利要求1所述的方法,其中,使用第二概率模型来确定子系统的预测未来时段健康状态值包括使用选自以下组的故障模型:贝叶斯网络模型、动态贝叶斯网络模型、隐马尔科夫模型、模糊逻辑模型、信度网络模型和Petri网模型。
4.根据权利要求1所述的方法,其中,老化模型选自以下组:Arrhenius方程老化模型和Paris方程老化模型。
6.根据权利要求1所述的方法,其中,使用故障特征试验结果来确定多个部件的当前健康状态值包括基于传感器读数、测量值、模拟值和专家知识来使用故障特征试验结果。
7.根据权利要求1所述的方法,其中,所述系统是车辆系统。
8.根据权利要求7所述的方法,其中,所述车辆系统是车辆电气系统。
9.一种用于确定系统中的子系统的健康状态的方法,所述方法包括:
使用部件老化模型来确定子系统中的多个部件的预测未来健康状态值;
使用概率模型和预测未来健康状态值来确定子系统的预测未来健康状态值;
确定子系统的预测健康状态值是否大于阈值;以及
如果子系统的预测健康状态值小于阈值,那么确定子系统的剩余有用寿命。
10.一种用于确定复杂系统中的子系统的健康状态的系统,所述系统包括:
收集故障特征试验结果的装置;
使用故障特征试验结果来确定子系统的当前健康状态值的装置;
使用故障特征试验结果来确定子系统中的多个部件的当前健康状态值的装置;
使用第一概率模型以及所述多个部件的健康状态值来确定不能使用故障特征试验的系统部件的当前健康状态值的装置;
使用部件老化模型来预测子系统中的部件的未来健康状态值的装置;
使用第二概率模型和部件的未来健康状态值来确定子系统的预测未来健康状态值的装置;
确定子系统的预测健康状态值是否大于阈值的装置;以及
如果子系统的预测健康状态值小于阈值,那么确定子系统的剩余有用寿命的装置。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US12/707516 | 2010-02-17 | ||
US12/707,516 US8260493B2 (en) | 2010-02-17 | 2010-02-17 | Health prognosis for complex system using fault modeling |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102163255A true CN102163255A (zh) | 2011-08-24 |
CN102163255B CN102163255B (zh) | 2015-11-18 |
Family
ID=44370224
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201110039719.2A Active CN102163255B (zh) | 2010-02-17 | 2011-02-17 | 使用故障建模的复杂系统的健康预测 |
Country Status (3)
Country | Link |
---|---|
US (1) | US8260493B2 (zh) |
CN (1) | CN102163255B (zh) |
DE (1) | DE102011010605A1 (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102495549A (zh) * | 2011-11-22 | 2012-06-13 | 中联重科股份有限公司 | 工程机械的远程维护决策系统及方法 |
CN103278777A (zh) * | 2013-05-24 | 2013-09-04 | 杭州电子科技大学 | 一种基于动态贝叶斯网络的锂电池健康状况估计方法 |
CN104133984A (zh) * | 2014-07-01 | 2014-11-05 | 西北工业大学 | 模块化复杂装备贝叶斯网络故障预测方法 |
CN105843208A (zh) * | 2016-03-16 | 2016-08-10 | 北京交通大学 | 基于弹复力效应的列控系统故障恢复方法 |
CN103631145B (zh) * | 2013-12-11 | 2016-08-17 | 清华大学 | 基于监控指标切换的多工况过程监控方法和系统 |
CN106066252A (zh) * | 2016-05-24 | 2016-11-02 | 中国人民解放军防化学院 | 一种危险品销毁设备子系统级的健康状态评估方法 |
CN106353690A (zh) * | 2016-09-20 | 2017-01-25 | 上海海事大学 | 利用Petri网诊断锂电池故障的方法 |
CN108780312A (zh) * | 2016-01-19 | 2018-11-09 | 罗伯特·博世有限公司 | 用于使用路径追踪针对装配线的根本原因分析的方法和系统 |
CN109507992A (zh) * | 2019-01-02 | 2019-03-22 | 中车株洲电力机车有限公司 | 一种机车制动系统部件的故障预测方法、装置及设备 |
CN109978229A (zh) * | 2019-02-12 | 2019-07-05 | 常伟 | 一种对动力电池组全电芯多点温度及连接点温度进行热失控预测的方法 |
CN110197288A (zh) * | 2019-05-30 | 2019-09-03 | 重庆大学 | 故障影响下设备的剩余使用寿命预测方法 |
Families Citing this family (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010131746A1 (ja) * | 2009-05-15 | 2010-11-18 | 日本電気株式会社 | 障害原因推定システム、障害原因推定方法、及び障害原因推定プログラム |
US8347144B2 (en) * | 2010-06-11 | 2013-01-01 | Scientific Monitoring Inc. | False alarm mitigation |
US9058036B1 (en) * | 2010-09-24 | 2015-06-16 | The Boeing Company | Vehicle capability monitoring and adaptation system and method therefor |
CA2754233C (en) * | 2010-09-29 | 2015-11-24 | Sears Brands, Llc | Energy management unit with diagnostic capabilities |
US20120110391A1 (en) * | 2010-10-27 | 2012-05-03 | Honeywell International Inc. | System and method for determining fault diagnosability of a health monitoring system |
CN102592011B (zh) * | 2011-12-30 | 2013-06-12 | 清华大学 | 基于随机Petri网的分层航空操作系统HM/FM建模与评价方法 |
US8713490B1 (en) | 2013-02-25 | 2014-04-29 | International Business Machines Corporation | Managing aging of silicon in an integrated circuit device |
US9310424B2 (en) | 2013-02-25 | 2016-04-12 | International Business Machines Corporation | Monitoring aging of silicon in an integrated circuit device |
FR3002805B1 (fr) * | 2013-03-04 | 2015-02-20 | Renault Sa | Procede de traitement d'un ensemble de donnees destinees a etre utilisees ulterieurement en vue de la generation graphique d'un schema electrique d'un systeme electrique |
WO2015003127A2 (en) * | 2013-07-05 | 2015-01-08 | Oceaneering International, Inc. | Intelligent diagnostic system and method of use |
CN105759207B (zh) * | 2016-05-06 | 2018-10-02 | 上海海事大学 | 一种基于m-ekf算法的海流发电机绝缘系统故障检测方法 |
DE102017121928A1 (de) * | 2017-09-21 | 2019-03-21 | Knorr-Bremse Gesellschaft Mit Beschränkter Haftung | Verfahren und Steuergerät zum Bestimmmen eines Zustands eines Systems und System |
DE102017122215A1 (de) | 2017-09-26 | 2019-03-28 | Knorr-Bremse Systeme für Nutzfahrzeuge GmbH | Geräuschdämpfer für Druckluftsysteme und ein Verfahren zu dessen Herstellung |
CN107729678A (zh) * | 2017-11-02 | 2018-02-23 | 中国科学院数学与系统科学研究院 | 一种卫星太阳电池在轨运行剩余寿命的建模与分析方法 |
CN109376881B (zh) * | 2018-12-12 | 2022-06-03 | 中国航空工业集团公司上海航空测控技术研究所 | 基于维修成本优化的复杂系统维修决策方法 |
CN111144606B (zh) * | 2019-05-17 | 2020-09-15 | 深圳市德塔防爆电动汽车有限公司 | 一种电动车辆的安全失效风险预测方法以及电动车辆 |
CN110489862A (zh) * | 2019-08-19 | 2019-11-22 | 重庆大学 | 一种复杂机电系统寿命预测方法 |
US11875278B2 (en) * | 2020-02-27 | 2024-01-16 | Johnson Controls Tyco IP Holdings LLP | Door lock fault detection |
DE102020203515A1 (de) | 2020-03-19 | 2021-09-23 | Zf Friedrichshafen Ag | Zustandsüberwachen von Austauschteilen eines Fahrzeugs |
CN111707957B (zh) * | 2020-04-23 | 2021-04-13 | 北京邮电大学 | 电动汽车电池残值估算方法及装置 |
EP4016222A1 (en) * | 2020-12-18 | 2022-06-22 | Honeywell International Inc. | Monitoring the remaining useful lifetime of an asset |
JP2023049643A (ja) * | 2021-09-29 | 2023-04-10 | 株式会社アドヴィックス | 車両用制御装置、及び車両制御プログラム |
CN115964907B (zh) * | 2023-03-17 | 2023-12-01 | 中国人民解放军火箭军工程大学 | 复杂系统健康趋势预测方法、系统、电子设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040044499A1 (en) * | 2002-08-30 | 2004-03-04 | House Michael Brynn | Method and system for determining motor reliability |
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 |
US20080157510A1 (en) * | 1994-05-09 | 2008-07-03 | Automotive Technologies International, Inc. | System for Obtaining Information about Vehicular Components |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7912645B2 (en) * | 1997-10-22 | 2011-03-22 | Intelligent Technologies International, Inc. | Information transfer arrangement and method for vehicles |
-
2010
- 2010-02-17 US US12/707,516 patent/US8260493B2/en active Active
-
2011
- 2011-02-08 DE DE102011010605A patent/DE102011010605A1/de active Pending
- 2011-02-17 CN CN201110039719.2A patent/CN102163255B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080157510A1 (en) * | 1994-05-09 | 2008-07-03 | Automotive Technologies International, Inc. | System for Obtaining Information about Vehicular Components |
US20040044499A1 (en) * | 2002-08-30 | 2004-03-04 | House Michael Brynn | Method and system for determining motor reliability |
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 |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102495549A (zh) * | 2011-11-22 | 2012-06-13 | 中联重科股份有限公司 | 工程机械的远程维护决策系统及方法 |
CN103278777A (zh) * | 2013-05-24 | 2013-09-04 | 杭州电子科技大学 | 一种基于动态贝叶斯网络的锂电池健康状况估计方法 |
CN103278777B (zh) * | 2013-05-24 | 2015-08-19 | 杭州电子科技大学 | 一种基于动态贝叶斯网络的锂电池健康状况估计方法 |
CN103631145B (zh) * | 2013-12-11 | 2016-08-17 | 清华大学 | 基于监控指标切换的多工况过程监控方法和系统 |
CN104133984A (zh) * | 2014-07-01 | 2014-11-05 | 西北工业大学 | 模块化复杂装备贝叶斯网络故障预测方法 |
CN108780312B (zh) * | 2016-01-19 | 2021-03-12 | 罗伯特·博世有限公司 | 用于使用路径追踪针对装配线的根本原因分析的方法和系统 |
CN108780312A (zh) * | 2016-01-19 | 2018-11-09 | 罗伯特·博世有限公司 | 用于使用路径追踪针对装配线的根本原因分析的方法和系统 |
CN105843208B (zh) * | 2016-03-16 | 2018-04-10 | 北京交通大学 | 基于弹复力效应的列控系统故障恢复方法 |
CN105843208A (zh) * | 2016-03-16 | 2016-08-10 | 北京交通大学 | 基于弹复力效应的列控系统故障恢复方法 |
CN106066252A (zh) * | 2016-05-24 | 2016-11-02 | 中国人民解放军防化学院 | 一种危险品销毁设备子系统级的健康状态评估方法 |
CN106066252B (zh) * | 2016-05-24 | 2019-07-05 | 中国人民解放军防化学院 | 一种危险品销毁设备子系统级的健康状态评估方法 |
CN106353690A (zh) * | 2016-09-20 | 2017-01-25 | 上海海事大学 | 利用Petri网诊断锂电池故障的方法 |
CN106353690B (zh) * | 2016-09-20 | 2019-04-02 | 上海海事大学 | 利用Petri网诊断锂电池故障的方法 |
CN109507992A (zh) * | 2019-01-02 | 2019-03-22 | 中车株洲电力机车有限公司 | 一种机车制动系统部件的故障预测方法、装置及设备 |
CN109507992B (zh) * | 2019-01-02 | 2021-06-04 | 中车株洲电力机车有限公司 | 一种机车制动系统部件的故障预测方法、装置及设备 |
CN109978229A (zh) * | 2019-02-12 | 2019-07-05 | 常伟 | 一种对动力电池组全电芯多点温度及连接点温度进行热失控预测的方法 |
CN110197288A (zh) * | 2019-05-30 | 2019-09-03 | 重庆大学 | 故障影响下设备的剩余使用寿命预测方法 |
CN110197288B (zh) * | 2019-05-30 | 2023-06-02 | 重庆大学 | 故障影响下设备的剩余使用寿命预测方法 |
Also Published As
Publication number | Publication date |
---|---|
DE102011010605A1 (de) | 2012-02-23 |
US8260493B2 (en) | 2012-09-04 |
CN102163255B (zh) | 2015-11-18 |
US20110202227A1 (en) | 2011-08-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102163255B (zh) | 使用故障建模的复杂系统的健康预测 | |
Dong et al. | Data-driven battery health prognosis using adaptive Brownian motion model | |
Sankavaram et al. | Model-based and data-driven prognosis of automotive and electronic systems | |
Lunze et al. | Sensor and actuator fault diagnosis of systems with discrete inputs and outputs | |
KR102215450B1 (ko) | 배터리의 상태 정보를 학습 및 추정하는 장치 및 방법 | |
US10338146B2 (en) | Method for determining a control observer for the SoC | |
US20190311552A1 (en) | Fault diagnosis using distributed pca architecture | |
US10354462B1 (en) | Fault diagnosis in power electronics using adaptive PCA | |
KR20160067510A (ko) | 배터리의 상태를 추정하는 방법 및 장치 | |
CN102540089A (zh) | 动态电池容量估计 | |
CN102096730A (zh) | 用于故障模型验证和生效的以软件为中心的方法 | |
WO2018162023A2 (en) | A battery state of power estimation method and a battery state monitoring system | |
CN114585983A (zh) | 用于检测设备的异常运行状态的方法、装置和系统 | |
CN108602449A (zh) | 电池管理装置 | |
CN104573224A (zh) | 一种基于模型检测技术的复杂机电系统可靠性评估方法 | |
KR20200087494A (ko) | 배터리 관리 방법 및 장치 | |
Ahsan et al. | Prognostics of automotive electronics with data driven approach: A review | |
CN116061689A (zh) | 在电动车辆中使用的高压蓄电池组中的早期故障检测的健康监测方法 | |
US7136779B2 (en) | Method for simplified real-time diagnoses using adaptive modeling | |
US8359577B2 (en) | Software health management testbed | |
Obeid et al. | Supervised learning for early and accurate battery terminal voltage collapse detection | |
CN114200331B (zh) | 车辆电池的检测方法、装置、车辆以及存储介质 | |
CN111027679A (zh) | 异常数据检测方法及系统 | |
US11938838B2 (en) | Method and device for the robust prediction of the aging behavior of an energy storage unit in a battery-operated machine | |
Shete et al. | Fault diagnosis of electric vehicle’s battery by deploying neural network |
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 |