CN103115742A - 评估系统的健康状况 - Google Patents
评估系统的健康状况 Download PDFInfo
- Publication number
- CN103115742A CN103115742A CN2012102916954A CN201210291695A CN103115742A CN 103115742 A CN103115742 A CN 103115742A CN 2012102916954 A CN2012102916954 A CN 2012102916954A CN 201210291695 A CN201210291695 A CN 201210291695A CN 103115742 A CN103115742 A CN 103115742A
- Authority
- CN
- China
- Prior art keywords
- health
- vibration data
- vibration
- data group
- data
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M7/00—Vibration-testing of structures; Shock-testing of structures
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H1/00—Measuring characteristics of vibrations in solids by using direct conduction to the detector
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/02—Gearings; Transmission mechanisms
- G01M13/028—Acoustic or vibration analysis
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M5/00—Investigating the elasticity of structures, e.g. deflection of bridges or air-craft wings
- G01M5/0066—Investigating the elasticity of structures, e.g. deflection of bridges or air-craft wings by exciting or detecting vibration or acceleration
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B10/00—Integration of renewable energy sources in buildings
- Y02B10/30—Wind power
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本公开涉及用于确定系统的健康的方法和设备。识别用于该系统的振动数据组。振动数据组中的一个振动数据组包含所述系统以随时间的不同频率振动的数据。用于所述系统的振动数据组被保存在计算机系统中的多个关联存储器中。基于多个关联存储器中的振动数据组而识别系统的健康。
Description
技术领域
本公开涉及用于评估复杂系统的健康的方法和设备,特别地涉及使用光谱图像评估承受振动的复杂机械系统的健康。
背景技术
健康监测系统可以用于监控各种类型的系统的健康。监控系统的健康可以包括例如记录已经为系统生成的传感器数据、分析该传感器数据、根据传感器数据的分析评定系统的健康、根据该评定管理系统的健康、和/或其他适合的操作。
如这里所使用的,给定系统的术语“健康”被定义为给定系统相对于具有类似特性的理想系统或者具有类似特性的标准系统的操作参数的评定。当给定系统在理想或者标准系统的操作参数的一个或更多指定容许限度内操作时,系统可以是“健康的”。例如,如果给定汽车发动机在具有类似特性的理想或者标准化汽车发动机的操作参数的一个或更多指定容许限度内操作,那么给定汽车发动机可以特征在于是“健康的”。
可以监控的不同类型的系统可以包括例如但不限于:制造系统、控制系统、通信系统、卫星系统、推进系统、交通工具、和/或其他适合类型的系统。例如,健康监测系统可以用于评估并管理交通工具的健康,例如汽车、飞机、太空飞行器、旋翼飞行器、水运工具、及其他类型的交通工具。
如一个说明性的示例,集成交通工具健康管理(IVHM)系统可以用于评估和管理旋翼飞行器的健康。旋翼飞行器可以是例如直升飞机。然而,存在其他类型的旋翼飞行器。旋翼飞行器可以包括多种集成移动部件,所述部件设计为一起为了共同目的而操作。例如,连接直升机的发动机传动装置的前端变速箱组件将能量传输到许许多多移动和相互作用的齿轮、轴和可能的其他部件。有时,可能有利的是监控这种齿轮组件的健康、监控直升机的其他部件的健康、或者可能监控旋翼飞行器的总体健康。
为管理旋翼飞行器的健康实践的当前使用的集成的交通工具健康管理可以包括例如处理关于旋翼飞行器生成的传感器数据、执行传感器数据的统计分析、和/或执行其他操作。进一步,这些实践可以要求执行用于旋翼飞行器的分析的操作人员理解用于分析传感器数据的旋翼飞行器的基于物理的模型和/或统计方法。
通常,当评估例如旋翼飞行器等交通工具的健康时,在交通工具中的部件被识别为具有不期望的健康状况时,健康监测系统可以生成指示。然而,通过当前可用的健康监测系统,当部件实际上不具有不期望的健康状况时,通常生成指示。这些指示可以称为“正误识(falsepositives)”。
例如,健康监测系统可以生成旋翼飞行器上的一部分需要进一步维护的指示。然而,这个部分实际上可能不需要任何进一步的维护。换句话说,健康监测系统可以为该部分生成正误识。正误识可以增加执行用于旋翼飞行器的维护所需要的成本、时间和/或努力。例如,当这些操作实际上不需要时,可以为该部分执行检查、修复、替换和/或其他操作。
因此,有利的是具有考虑至少一些上述讨论的问题以及其他可能的问题的方法和设备。
发明内容
在一个有利的实施例中,提供用于确定系统的健康的方法。为该系统识别振动数据组。多个振动数据组中的一个振动数据组包含系统随时间以不同频率振动的数据。用于该系统的振动数据组被保存在计算机系统中的多个关联存储器中。基于多个关联存储器中的振动数据组而识别系统的健康。
在另一个有利的实施例中,提供用于确定系统的健康的方法。系统的振动的光谱图像被保存在计算机系统中的多个关联存储器中。基于多个关联存储器中存储的光谱图像而识别系统的健康。
在另一个有利实施例中,健康监测系统包含多个关联存储器和健康分析器。多个关联存储器配置为存储用于系统的振动数据组。多个振动数据组中的一个振动数据组包含系统随时间的不同频率的振动的数据。健康分析器配置为基于多个关联存储器中的振动数据组而识别系统的健康。振动数据组包含系统的振动的图像。所述图像表示用于使用频率、强度和频率分布的振动的数据。
在另一个实施例中,健康监测系统包括具有人工智能系统的健康分析器,人工智能系统例如为认知仿真、基于知识的系统、神经网络、模糊逻辑系统和认知模型。
特征、功能和优点能够在本公开的不同实施例中独立获得,或者可以在其他的实施例中结合,其中进一步的细节能够通过参考下面的说明书和附图得知。
附图说明
专利或者应用文件含有至少一个彩色绘制的附图。基于要求并支付必要费用,本事务所将提供具有彩色附图的本专利或者专利申请公开的副本。
在所附权利要求中阐述了有利实施例的确信为新颖性特征的特性。然而,当结合附图阅读时,参考本公开的有利实施例的下列具体实施方式将更好地理解所述有利实施例及其优选的使用模式、进一步的目的和优点,其中:
图1是根据有利实施例的用于直升机的驱动系统的图示;
图2是根据有利实施例的方框图形式的健康管理环境的图示;
图3是根据有利实施例的由光谱系统生成的图像的图示;
图4是根据有利实施例的光谱图像的图示;
图5是根据有利实施例的另一个光谱图像的图示;
图6是根据有利实施例的光谱图像的图示;
图7是根据有利实施例的用于确定系统的健康的处理的流程图的图示;
图8是根据有利实施例的用于确定系统的健康的处理的流程图的图示;和
图9是根据有利的实施例的数据处理系统的图示。
具体实施方式
不同的有利实施例认识并考虑到许多不同的考虑因素。例如,不同的有利实施例认识并考虑到,当前可利用的健康监测系统可以依靠专家或者分析员使用条件指示器以确定系统的健康。如一个示例,这些条件指示器可以用于分类系统的健康。例如,系统的健康可以被分类为落入描述系统的健康的一个或更多类别中。
通常,通过当前可利用的健康监测系统,专家可以被要求基于条件指示器和已经执行的传感器数据的任何分析而分类系统的健康。专家可以被要求多方面理解执行的分析类型,从而评估系统的健康、用于分析的传感器数据的类型、描述系统的任何模型和/或关于该系统的其他适合的信息,从而使用条件指示器分类系统的健康。
不同的有利实施例认识并考虑到基于专家的输入评估系统的健康可以花费比期望更多的时间和/或努力。进一步,不同的有利实施例认识并考虑到,人为误差可以在评估系统的健康中导致生成比期望更大量的正误识(false positive)。因此,不同的有利实施例认识并考虑到,可以期望具有一种健康监测系统,其能够将系统的健康状况分类,而不需要专家进行这种分类。
另外,不同的有利实施例认识并考虑到,通过当前可利用的健康监测系统,在执行传感器数据的分析之前,可以建模和/或简化为系统生成的传感器数据。可以执行这种建模和/或简化,从而减少用于分析的数据量,并因此减少执行该分析所需要的处理电力和/或资源的量。
例如,为该系统生成的一系列图像中的每个图像可以被减少为用于该图像的单个代表值。不同的有利实施例认识并考虑到用于分析的数据的这种减少可以导致系统健康的评定比期望的精确度低。例如,可以生成比期望的更大量的正误识。
系统的复杂度可以是对评估系统的健康所需要的时间、努力和/或处理电力和资源的量起作用的因素。不同的有利实施例认识并考虑到,系统的复杂度可以随系统内的部件的数目的增加而增加。进一步,不同的有利实施例认识并考虑到,随着系统的复杂度的增加,评估系统的健康所需要的时间、努力和/或处理电力和资源的量也可以以不期望的方式增加。
因此,不同的有利实施例认识并考虑到,可以期望的是具有一种健康监测系统,其能够评估例如部件的复杂装配的复杂系统的健康,与当前可利用的健康监测系统相比,其具有更高的准确度,同时使用较少的时间、努力、处理电力和/或资源。下面在图1中描述了复杂系统的一个说明性的示例。
现在参考附图,并且特别参考图1,根据有利实施例描述了用于直升机的驱动系统的图示。在这个说明性的示例中,驱动系统100是直升机驱动系统。驱动系统100可以是包含组件102的复杂系统。齿轮箱104可以是一个部件102的示例。
不同的有利实施例认识并考虑到,与使用当前可利用的健康监测系统所期望的相比,监测驱动系统100的健康可以是更耗时的并且需要更多时间、努力、处理电力和/或资源。进一步,不同的有利实施例认识并考虑到,通过例如驱动系统100的复杂系统,当前可利用的健康监测系统可能不能处理并存储可以为系统生成的全部传感器数据。
例如,常规健康监测系统,例如健康和使用监测系统(HUMS),可以用于监测驱动系统100的健康。这种健康和使用监测系统可以配置为处理并存储随时间测量的振动数据。这种振动数据通常被变换到频域。伴随的频域光谱密度响应可以具有为驱动系统100生成的光谱图像的形式。特别地,这种健康和使用监测系统可以将频域光谱密度响应减少为用于分析和存储以便日后使用的单个值。因此,可以只使用为驱动系统100生成的振动数据的总量的子集执行驱动系统100的健康的评估。
不同的有利实施例认识并考虑到,通过这种类型的健康监测系统,使用振动数据的总量的子集进行的为驱动系统100和/或为驱动系统100的一个或更多组件102的健康状况的识别可以比所期望的精确度低。特别地,可以生成正误识,其可以使管理驱动系统100的健康所需要的成本、时间和/或努力增加得超过期望。
不同的有利实施例认识并考虑到,可以期望的是具有一种健康监测系统,其配置为存储并处理为驱动系统100生成的全部振动数据。进一步,不同的有利实施例认识并考虑到,可以期望具有一种健康监测系统,其配置为作出关于驱动系统100和驱动系统100的组件102的健康状况的决定,而不需要依靠专家输入来分类健康状况。
因此,不同的有利实施例提供了用于确定系统的健康的方法和设备。特别地,不同的有利实施例提供了一种健康监测系统,其能够以与当前可利用的健康监测系统相比更高的精确度并使用较少的时间、努力和/或处理电力和资源来评估例如部件的复杂装配等复杂系统的健康。
在一个有利实施例中,识别用于所述系统的振动数据组。多个振动数据组中的一个振动数据组包含用于系统随时间的不同频率的振动的数据。用于该系统的振动数据组被保存在计算机系统中的多个关联存储器中。基于多个关联存储器中的振动数据组而识别系统的健康。使用关联存储器可以减少识别系统的健康所需要的时间和/或努力的量,并且可以减少在评估系统的健康时所生成的正误识的数目。
现在参考图2,根据有利实施例示出了具有方框图形式的健康管理环境的图示。在这些说明性示例中,健康管理环境200可以是一种环境的示例,在所述环境中,可以实施不同的有利实施例。例如,健康监测系统202可以用于在健康管理环境200中监测系统206的健康204。
在这些说明性示例中,系统206可以采取许多不同的形式。例如,系统206可以是装配。系统206可以从下列中的一个选择,例如但不限于飞行器、无人飞行器、自主运载工具、齿轮箱、发动机、发动机外壳、控制面、起落架系统、推进系统、机身、旋翼飞行器、太空飞行器、飞船、火车、汽车、交通工具、驱动系统、制动系统、机翼、风力涡轮机、水坝、计算机数控机器、制造系统、建筑物、桥梁和/或其它一些适合类型的系统。
系统206可以包含多个组件207。例如,系统206可以是多个组件的装配。多个组件207可以包括例如致动器、杆、构件、横梁、紧固器、螺钉、螺母、齿轮、外壳、销、钻头、把手、门、窗口、蒙皮面板、复合结构、转轮、螺旋桨和/或其他适合类型的组件。
如一个说明性的示例,系统206可以采取齿轮系统209的形式。齿轮系统209可以是例如用于直升机驱动系统的齿轮箱,例如图1中用于驱动系统100的齿轮箱104。齿轮系统209可以包含多个组件207,其具有齿轮、轴和用于齿轮系统209的其他适合类型的组件的形式。
如上所述,健康监测系统202可以包括传感器系统208和健康分析器210。传感器系统208可以包括多个振动传感器211。如本文所使用的,多个项目可以意味着一个或更多项目。例如,多个振动传感器211可以是一个或更多振动传感器。
在这些说明性的示例中,传感器系统208可以配置为生成振动数据212。特别地,传感器系统208测量系统206随时间的振动213,从而生成振动数据212。振动数据212包含随时间测量的用于系统206的不同频率的振动213的数据。振动213可以在系统206操作期间由传感器系统208测量,从而测试并评估系统206的健康204。
在这些说明性示例中,多个振动传感器211可以被放置在相对于系统206的位置,以便可以测量振动213。例如,多个振动传感器211可以附连到系统206中的多个组件207中的一个或更多个。另外,多于一个的振动传感器211可以附连到多个组件207中的特定组件。例如,第一传感器可以附连到组件,从而监测进入组件的振动的能量传递的输入侧,而第二传感器附连到所述组件以监测能量传递的输出侧。
在这些描述的示例中,由多个振动传感器211生成的振动数据212可以是时间序列的振动数据。时间序列的振动数据可以包含在一段时间内进行的振动213的测量,例如但不限于在一个小时、三个小时、一天、两天、一周或者其它的适合的时段内。振动数据212可以在这个时段内连续地和/或周期性地生成。
如上所述,传感器系统208可以是光谱仪系统214的部分。光谱仪系统214也可以包括多个光谱仪216。多个光谱仪216可以配置为从多个振动传感器211接收具有多个电信号形式的振动数据212。进一步,振动数据212可以被接收为时域中的时间序列的振动数据。当以这个形式接收时,多个光谱仪216可以配置为将振动数据212转换到时域的频域表示。在其他说明性示例中,振动数据212可以在频域中由多个光谱仪216接收。
多个光谱仪216配置为使用频域中的振动数据212生成图像218。换句话说,多个光谱仪216可以配置为以图像218的形式表示振动数据212。在这些说明性示例中,图像218可以是光谱图像220。
光谱图像也可以被称为光谱图。如这里所使用的,光谱图像可以是具有图像形式的时变光谱表示,该图像示出信号的光谱密度怎样随时间变化。进一步地,光谱图像可以表示由多个振动传感器211测量的关于振动213的信息,其具有颜色、颜色强度和颜色分布的形式。
在这些说明性示例中,光谱仪系统214可以配置为将图像218发送到健康分析器210以用于处理。健康分析器210可以与光谱仪系统214通信。在这些说明性示例中,健康分析器210可以使用硬件、软件或者两者的结合实施。
在一个说明性的示例中,健康分析器210可以在计算机系统222中实施。计算机系统222可以采取多个计算机224的形式。多个计算机224中的任何计算机都可以采取图9中的数据处理系统900的形式。当多个计算机224中存在超过一个计算机时,这些计算机可以通信。基于该实施方式,多个计算机224可以位于相同位置中,或者多个计算机224中的一个或更多可以位于不同的位置中。
在一些说明性示例中,计算机系统222可以采取人工智能系统225的形式。人工智能系统225可以是配置为执行问题解决、学习、适应、识别、分类、自改进、推理和/或通常使用用户输入和/或由人类智能执行的其他适合的操作的任何计算机系统。人工智能系统225可以包含例如但不限于认知仿真、基于知识的系统、神经网络、模糊逻辑系统、认知模型和其它一些适合类型的人工智能中的至少一个。
在这些说明性示例中,健康分析器210可以从光谱仪系统214接收图像218并分析图像218。特别地,健康分析器210可以配置为针对每个图像218识别系统206的健康204的状况226。
在一个说明性示例中,健康分析器210可以配置为将系统206的健康204的状况226识别为第一状况230、第二状况232或者第三状况234中的一个。第一状况230可以表示例如系统206的健康204的“优选”状况。第二状况232可以表示例如系统206的健康204的“非优选”状况。进一步,第三状况234可以表示例如系统206的健康204的“维护”状况。
特别地,健康分析器210可以基于使用基线数据组236训练健康分析器210而从图像218识别系统206的健康204的状况226。基线数据组236可以保存在多个关联存储器238中。
如本文所使用的,关联存储器是具有一种组织的存储器类型,其中可以基于关联存储器中保存的不同数据之间的直接和间接关系存取存储器中保存的数据。如上所示,关联存储器可以包含数据和数据之间的关联。这些关联也可以被称为数据之间的关系。
进一步,关联存储器也可以被描述为按内容寻址的结构,其将一组输入模式映射到一组输出模式。按内容寻址的结构是一种存储器组织,其中与按存储器中的数据的地址存取相反的是按内容存取数据。
在这些所示示例中,多个关联存储器238可以包含多个异构关联存储器。特别地,通过异构关联存储器,基于输入模式检索的输出模式可以在内容、类型和/或格式中的至少一个不同于输入模式。异构关联存储器不同于自动关联存储器,是因为自动关联存储器检索之前存储的模式,这些模式最严格地类似输入模式。
在这些说明性示例中,基线数据组236可以是使用光谱图像组识别的数据,从该数据中已识别出系统206的健康204的状况226。例如,每个基线数据组236可以相应于第一状况230、第二状况232或者第三状况234中的一个。
特别地,基线数据组236可以包括第一基线组240、第二基线组242和第三基线组244。第一基线组240可以包括使用图像识别的数据,从该数据识别出系统206的健康204的第一状况230。第二基线组242可以包括使用图像识别的数据,从该数据识别出系统206的健康204的第二状况232。进一步地,第三基线组244可以包括使用图像识别的数据,从该数据识别出系统206的健康204的第三状况234。
基线数据组236的每个组中包括的数据可以包括各种信息单元。例如但不限于,基线数据组236中的特定组中的数据可以包括从图像识别的基线振动数据组,从该基线振动数据组识别出系统206的健康204的状况226。基线振动数据组可以包括例如相应于基线数据组236中的特定组的特定颜色分布和用于健康状况的颜色的模式中的至少一个。
进一步,基线数据组236中的每个组中包括的数据也可以包括但不限于基于相应的健康状况执行的一组操作、基于相应的健康状况可能需要执行的进一步测试的识别、从相应的健康状况到更不优选的健康状况的变化的期望时间和/或其他适合的信息。如本文所使用的,一组项目,例如一组操作,可以意为零个或更多操作。例如,该组操作可以是零集或者空集。
多个关联存储器238可以配置为形成基线数据组236之间的关系和/或特定状况和每个基线数据组236之间的关系。如一个说明性示例,基线数据组236中的基线数据可以是相关的,以便可以只用一个或两个输入信息单元从多个关联存储器238中检索多个相关信息单元。例如,健康分析器210能够使用从图像218中的一个识别的数据的任意部分从多个关联存储器238检索多个相关信息单元。
健康分析器210可以从任意多个源接收基线数据组236。在一个说明性示例中,非限制性地,基线数据组236可以从保存先前分析的光谱图像的存储系统中获得,并且然后被置于多个关联存储器238中。
在另一个说明性的示例中,专家或者其它一些适合的操作人员可以确定从光谱图像识别的数据属于哪个基线数据组236。在其他说明性示例中,健康分析器210可以使用指定多个规定、规则和/或要求的政策以将从光谱图像识别的数据分组到基线数据组236中。
进一步,健康分析器210可以使用多个关联存储器238中的基线数据组236训练自身,从而从图像218识别系统206的健康204的状况226。基于这个训练,健康分析器210可以将在系统206的测试期间从光谱仪系统214接收的图像218识别的数据置于多个振动数据组246中的一个组中。
在这些说明性的示例中,振动数据组246中的每个数据组可以包含系统206随时间以不同频率振动213的数据。特别地,振动数据组246中的每个数据组可以包括从图像218识别的数据。这个数据可以包括该图像本身。
进一步,在这些说明性示例中,振动数据组246可以相应于基线数据组236。例如,振动数据组246可以包括第一组250、第二组252和第三组254,其分别相应于第一基线组240、第二基线组242和第三基线组244。用这样的方式,振动数据组246可以分别相应于第一状况230、第二状况232和第三状况234。
图像248可以是一个图像218的示例。基于数据根据使用基线数据组236训练健康分析器210是分别指示系统206的健康204的第一状况230、第二状况232还是第三状况234,健康分析器210可以将从图像248识别的数据置于第一组250、第二组252和第三组254中的一个。
在这些说明性示例中,健康分析器210可以将振动数据组246置于多个关联存储器238中。多个关联存储器238可以吸收振动数据组246并形成振动数据组246和基线数据组236之间的关系。多个关联存储器238可以存储振动数据组246以便之后使用。例如,在一些情况下,振动数据组246可以用于预测系统206的健康204的未来状况。
在一些说明性示例中,振动数据组246可以是相同的基线数据组236。换句话说,健康分析器210可以将从图像218识别的数据置于一个基线数据组236中,从而进一步使用图像218训练健康分析器210。用这样的方式,健康分析器210可以配置为当随时间接收新的振动数据时,学习并适合执行系统206的健康204的状况226的识别。
另外,健康分析器210可以配置为在显示系统260上显示的图形用户界面258中显示系统206的健康204的状况226的指示。显示系统260可以包含多个显示装置,例如但不限于,计算机屏幕、监控器、液晶显示器(LCD)、触摸屏或者其他一些适合类型的显示装置中的至少一个。
如一个说明性的示例,操作人员可以在图形用户界面258中察看使用图像248识别的系统206的健康204的状况226。健康分析器210也可以配置为在图形用户界面258中显示其他信息。例如,健康分析器210可以显示从基线数据组236中检索的信息,其与使用图像248识别的系统206的健康204的状况226相关。
在一个说明性示例中,健康分析器210可以将从图像248识别的数据置于第三组254中。这个数据可以是到多个关联存储器238中的输入。响应于这种输入,多个关联存储器238可以将在相应于第三组254的第三基线组244中识别的一组操作返回到健康分析器210。
该组操作可以包括基于相应于第三基线组244的第三状况234可能需要执行的操作。例如,该组操作可以包括维护操作、测试、检查、部件替换、返修操作、工作顺序的产生和/或其他适合类型的操作。
健康分析器210可以显示已经为图像248识别的第三状况234的指示,以及基于系统206的健康204的第三状况234可能需要执行以用于系统206的该组操作。操作人员可以察看图形用户界面258中显示的信息,并且可以使用配置为与图形用户界面258交互的用户输入装置264来输入用户输入262。
用户输入262可以识别可以被置于多个关联存储器238中的附加信息。例如,用户输入262可以识别额外操作、新的部件数目、工作顺序和/或其他适合的信息。健康分析器210可以使用用户输入262中提供的信息,从而更新在多个关联存储器238中保存的基线数据组236。在一些情况下,用户输入262可以识别用于从图像248识别系统206的健康204的状况226的信息。
现在参考图3,根据有利实施例示出了由光谱仪系统生成的图像的图示。在这个说明性的示例中,更详细地描述了来自图2的图像248。在这个说明性示例中,图像248采取光谱图像302的形式,其可以是图2中的一个光谱图像220的示例。
如图所示,光谱图像302表示图2中的系统206的振动213的数据。特别地,光谱图像302表示由图2中光谱仪系统214所测量的系统206的振动213的频率304、强度306和频率分布308。更具体地说,光谱图像302为光谱图像302中的像素311使用颜色310和颜色分布314表示频率304、强度306和频率分布308。
在这些说明性示例中,频率304中的频率可以是如图2中的传感器系统208所测量的每单位时间303振动213的摆动的次数。强度306中的特定强度可以是振动213的摆动的振幅的测量。频率分布308可以指示随时间303的振动213的频率组的出现次数。
光谱图像302可以具有第一轴312和第二轴313。在一些说明性示例中,第一轴312可以是横轴,并且第二轴313可以是纵轴。第一轴312可以用于频率304,并且第二轴313可以用于时间303。
进一步,用于光谱图像302中的颜色310的不同值可以表示用于强度306的不同值。光谱图像302中的颜色310的颜色分布314可以表示用于频率304的频率分布308。
在这些说明性示例中,图2中的健康分析器210可以配置为分析光谱图像302并且从光谱图像302识别数据315。例如,图2中的健康分析器210可以配置为通过将光谱图像302划分为区段316而分析光谱图像302。在一个说明性示例中,区段316可以是尺寸基本相同的并且形状基本相同。区段316也可以被称为是子图像。
健康分析器210可以配置为分析区段316,从而识别数据315和在图2中的多个关联存储器238中保存数据315。例如,区段318可以是一个区段316的示例。在一个说明性示例中,区段318可以包含像素320。可以基于按照像素的区段318的高度324和宽度326计算区段318中的像素320的数目322。例如,如果区段318具有四像素的高度324,以及25像素的宽度326,那么像素320的数目322可以是100像素。
在这些说明性示例中,健康分析器210可以为区段318识别区段数据330。可以在数据315中为每个区段316识别区段数据330。区段数据330可以包括平均值332和类别334。
健康分析器210可以识别用于区段318中像素320的每个颜色的值的和,并且使这些和除以数目322,从而生成平均值332。用于像素320中每个像素的颜色可以是红颜色、绿颜色和蓝颜色的一些组合。每个像素可以具有用于红颜色的值、用于绿颜色的值和用于蓝颜色的值,其识别像素中这些颜色中的每个颜色的亮度。这些值可以在从零到255的范围内,但是其他值也可以用于不同的有利实施例。
用这样的方式,健康分析器210为像素320识别用于红颜色的值的平均值、用于绿颜色的值的平均值和用于蓝颜色的值的平均值,从而形成平均值332。可以在数据315中为每个区段316识别区段数据330。
进一步,健康分析器210也可以基于区段数据330中的平均值332为区段318识别类别334。在这个说明性示例中,类别334可以是红色、黄色、绿色和蓝色中的一个。换句话说,类别334可以是为区段318识别的全部颜色。另外,在一些情况下,健康分析器210可以包括区间数据330中的区段318的高度324和宽度326。
用于每个区段316的区段数据330可以用于从光谱图像302中识别图2中系统206的健康204状况226。例如,区段数据330可以与图2中多个关联存储器238中保存的基线数据相比较,从而识别状况226。
在这些说明性示例中,健康分析器210将用于每个区段316的区段数据330保存为图2中的多个关联存储器238中的数据315。进一步,健康分析器210基于平均值332、类别334、健康分析器210的训练和/或其他适合的信息而将用于光谱图像302的数据315置于一个振动数据组246中。特别地,系统206的健康204的状况226可以使用用于光谱图像302的数据315识别,并且用于将数据315置于图2中的一个振动数据组246中。
在一些说明性示例中,健康分析器210可以为每个区段316识别系统206的健康204的状况226。用这样的方式,健康分析器210可以将区段318与图2中系统206的健康204的第一状况230、第二状况232和第三状况234中的一个相关联。健康分析器210可以在多个关联存储器238中存储为区段318识别的特定状况。
基于所述实施方式,健康分析器210可以使用用于光谱图像302中的区段316的特定区段的多个关联存储器238中保存的信息来预测区段316中其他区段中的系统206的健康204的状况226。进一步,这个信息可以用于预测相对于图2中的光谱图像220中其他光谱图像中的区段的系统206的健康204的状况226。
图2中的健康管理环境200的图示和图3中的光谱图像302并非意味着暗示对可以实施有利实施例的方式的物理或结构限制。可以使用除了和/或代替所说明的组件的其他组件。一些组件可能是不必需的。同样,提供的方框用于说明一些功能组件。当在有利实施例中实施时,这些方框中的一个或更多可以组合和/或划分为不同方框。
例如,在一些说明性示例中,状况226可以包括比第一状况230、第二状况232和第三状况234更多的类别。进一步,在其他说明性示例中,基线数据组236和/或振动数据组246可以包括多于三个组。
在其他说明性示例中,传感器系统208可以配置为发送振动数据212到健康分析器210。健康分析器210可以配置为在光谱图像220中表示振动数据212。
在一些情况下,多个关联存储器238可以不位于计算机系统222中。例如,多个关联存储器238可以存储在远离计算机系统222的位置。在一些说明性示例中,区段316可以不具有大致相同的空间和/或形状。例如,区段316可以具有不同的形状和/或尺寸。
现在参考图4,根据有利实施例示出了光谱图像的图示。在这个说明性示例中,光谱图像400是图3中光谱图像302的一个示例。可以通过例如图2中的光谱仪系统214为例如图2中的系统206等系统生成光谱图像400。
如上所述,光谱图像400呈现了相对于时间和频率的系统振动的数据。特别地,纵轴402是时间,而横轴404是频率。如上所述,由纵轴402指示的时间可以包括生成用于系统的振动数据的日期和时间。
例如,光谱图像400可以包括条带406、条带408和条带410。这些条带可以表示在不同时间生成的振动数据的不同部分,其已经被结合以形成光谱图像400。
条带406可以表示在时间412和时间412之后选择的时段之间生成的振动数据。如上所述,时间412可以包括日期和时间两者。选择的时段可以是例如30分钟。如一个说明性示例,操作人员可以操纵光谱仪系统上的控制器,例如按钮,这使得条带406中的振动数据开始在时间412生成。然后,可以连续测量这个振动数据,直到选择的时段逝去。
以类似的方式,条带408可以表示在时间414和选择的时段之间生成的振动数据。如上所述,时间414可以指示日期与时间,其约为时间412之后的四天。条带410可以表示在时间416和选择的时段之间生成的振动数据。时间416可以指示日期和时间,其约为时间414之后的一天。
在一些说明性示例中,在时间412、时间414和时间416生成的振动数据可以在电信号中携带,并且保存在时域或者频域中。当振动数据处于或者已经转换到频域时,光谱仪系统可以用关于时间表示的振动数据生成光谱图像400。
在这个说明性示例中,颜色418表示所测量的振动的强度。图标420指示颜色418相应于振动强度422。振动强度422可以表示为重力(g)单位。
光谱图像400中的颜色418的颜色分布可以指示系统的健康状况。在这个说明性的示例中,来自图2的健康分析器210可以基于光谱图像400将系统的健康状况识别为“优选的”。
现在参考图5,根据有利实施例示出了另一个光谱图像的图示。在这个说明性示例中,光谱图像500是图3中光谱图像302的一个实施方式的示例。可以由例如图2中的光谱仪系统214为例如图2中的系统206等系统生成光谱图像500。
在这个所示的示例中,可以为与生成光谱图像400相同的系统生成光谱图像500。进一步,可以基于在比光谱图像400中表示的振动数据更迟的时间点处收集用于系统的振动数据而生成光谱图像500。特别地,在光谱图像400中表示的振动数据之后大约一个月,可以生成光谱图像500中表示的振动数据。
如上所述,光谱图像500呈现了关于时间和频率的系统的振动的数据。特别地,纵轴502是时间,而横轴504是频率。由纵轴502指示的时间可以包括生成用于系统的振动数据的日期和时间。
例如,光谱图像500可以包括条带506、条带508和条带510。这些条带可以表示在不同时间生成的振动数据的不同部分,其已经被结合以形成光谱图像500。可以生成这些条带,从而以类似于形成光谱图像400的方式形成光谱图像500。
条带506可以表示在时间512和时间512之后选择的时段之间生成的振动数据。选择的时段可以是例如30分钟。条带508可以表示在时间514和选择的时段之间生成的振动数据。条带510可以表示在时间516和选择的时段之间生成的振动数据。如上所述,时间512、514和516中的每个都指示日期和时间两者。
在这个说明性示例中,颜色518表示所测量的振动的强度。图标520指示颜色518相应于振动强度522。振动强度522可以表示为重力(g)单位。
光谱图像500中的颜色518的颜色分布可以指示系统的健康状况。在一个说明性的示例中,来自图2的健康分析器210可以基于光谱图像500将系统的健康状况识别为“非优选的”。
现在参考图6,根据有利实施例示出了光谱图像的图示。在这个说明性示例中,光谱图像600是图3中光谱图像302的一个实施方式的示例。可以由例如图2中的光谱仪系统214为例如图2中的系统206等系统生成光谱图像600。
在这个所示的示例中,可以为与生成光谱图像400和光谱图像500相同的系统生成光谱图像600。进一步,可以基于在比光谱图像400中表示的振动数据和光谱图像500中表示的振动数据更迟的时间点处收集用于系统的振动数据而生成光谱图像600。特别地,在光谱图像500中表示的振动数据之后大约两个月,可以生成光谱图像600中表示的振动数据。
如上所述,光谱图像600呈现了关于时间和频率的系统的振动的数据。特别地,纵轴602是时间,而横轴604是频率。由纵轴602指示的时间可以包括生成用于系统的振动数据的日期和时间。
例如,光谱图像600可以包括条带606、条带608和条带610。这些条带可以表示在不同时间生成的振动数据的不同部分,其已经被结合以形成光谱图像600。可以生成这些条带,从而以类似于形成光谱图像400的方式形成光谱图像600。
条带606可以表示在时间612和时间612之后选择的时段之间生成的振动数据。选择的时段可以是例如30分钟。条带608可以表示在时间614和选择的时段之间生成的振动数据。条带610可以表示在时间616和选择的时段之间生成的振动数据。如上所述,时间612、614和616中的每个都指示日期和时间两者。
在这个说明性示例中,颜色618表示测量的振动的强度。图标620指示颜色618相应于振动强度622。振动强度622可以表示为重力(g)单位。
光谱图像600中的颜色618的颜色分布可以指示系统的健康状况。在这个说明性的示例中,来自图2的健康分析器210可以基于光谱图像600将系统的健康状况识别为“维护”。
用这样的方式,来自图4的光谱图像400、来自图5的光谱图像500和来自图6的光谱图像600示出了例如图2中的系统206的系统的健康可以怎样随时间衰弱。这些不同的光谱图像可以被吸收到例如图2中的多个关联存储器238中,以便未来用于识别系统的健康状况。特别地,这些光谱图像可以与关联存储器中的基线数据集成。
现在参考图7,根据有利实施例示出了用于确定系统的健康的处理的流程图的图示。图7中所示的处理可以使用图2中的健康监测系统202中的健康分析器210实施。
进一步,图7中所示的处理可以使用可能在网络或分布式环境中的一个或更多处理器实施,例如但不限于图9中的处理器单元904。如这里所使用的,术语“健康分析器”不限于图2中的健康分析器210,而是还可以包括与计算机可读介质一起使用的任何处理器或处理器集合,从而实现这里所述的操作。图7中所示的处理可以使用软件、硬件或者其组合实施,但是特别地,可以结合关联存储器使用。
所述处理可以从健康分析器识别用于系统的振动数据组开始(操作700)。多个振动数据组中的一个振动数据组可以包含系统在随时间的不同频率下振动的数据。可以使用传感器系统生成用于系统的振动的数据。所述传感器系统可以是例如光谱仪系统。
然后,健康分析器可以将系统的振动数据组保存在计算机系统中的多个关联存储器中(操作702)。其后,健康分析器可以基于多个关联存储器中的振动数据组而识别系统的健康(操作704),其后该处理终止。
现在参考图8,根据有利实施例示出了用于确定系统的健康的处理的流程图的图示。图8中所示的处理可以使用图2中的健康监测系统202中的健康分析器210实施。这个处理可以是图7中所述的处理的更详细的处理。
进一步,图8中所示的处理可以使用可能在网络或分布式环境中的一个或更多处理器实施,例如但不限于图9中的处理器单元904。如这里所使用的,术语“健康分析器”不限于图2中的健康分析器210,也可以包括与计算机可读介质一起使用的任何处理器或处理器集合,从而实现这里所述的操作。图8中所示的处理可以使用软件、硬件或者其组合实施,但是特别地,可以结合关联存储器使用。
所述处理可以从健康分析器接收光谱图像开始(操作800)。这些光谱图像可以表示系统测试期间由多个振动传感器测量的系统的振动的数据。光谱图像可以表示例如振动频率、振动强度和振动频率分布。
然后,健康分析器可以选择未处理的光谱图像以用于处理(操作802)。健康分析器可以将所选择的光谱图像划分为区段(操作804)。然后,健康分析器可以识别用于光谱图像的每个区段的区段数据,从而形成用于光谱图像的数据(操作806)。这个区段数据可以是例如图3中的区段数据330。
其后,健康分析器可以基于用于光谱图像的数据来识别系统的健康状况(操作808)。接着,健康分析器可以将用于光谱图像的数据置于相应于为系统的健康识别的状况的一个振动数据组中(操作810)。
接着,健康分析器可以确定是否存在任何额外的未处理的光谱图像(操作812)。如果不存在额外未处理的光谱图像,那么该处理可以终止。另外,该处理可以返回到如上所述的操作802。
现在参考图9,根据有利实施例示出了数据处理系统的图示。在这个说明性示例中,数据处理系统900可以用于实施图2中计算机系统222中的一个或更多计算机。数据处理系统900包括通信构造(communications fabric)902,其在处理器单元904、存储器906、永久性存储器908、通信单元910、输入/输出(I/O)单元912和显示器914之间提供通信。
处理器单元904用来为可以载入存储器906的软件执行指令。处理机单元904可以是多个处理器、多处理器核或者其他一些类型的处理器,这取决于特定的实施方式。如这里涉及某项目所使用的多个意为一个或更多项目。进一步,处理器单元904可以使用多个异构处理器系统实施,在所述异构处理器系统中,主处理器与副处理器一起存在于单个芯片上。如另一个说明性示例,处理器单元904可以是包含相同类型的多个处理器的对称的多处理器系统。
存储器906和永久性存储器908是存储装置916的示例。存储装置是能够存储信息的任意硬件块,例如但不限于数据、功能形式的程序代码和/或在临时基底和/或永久基底上的其他适合的信息。存储装置916在这些示例中也可以被称为计算机可读存储装置。在这些示例中,存储器906可以是例如随机存取存储器或者任何其他适合的易失性或非易失性存储器装置。永久性存储器908可以采取不同形式,这取决于特定的实施方式。
例如,永久性存储器908可以包含一个或更多个组件或装置。例如,永久性存储器908可以是硬盘驱动器、闪存、可复写光盘、可复写磁带或者上述器件的一些组合。由永久性存储器908使用的介质也可以是可移动的。例如,可移动硬盘驱动器可以用于永久性存储器908。
在这些示例中,通信单元910提供与其他数据处理系统或装置的通信。在这些示例中,通信单元910是网络接口卡。通信单元910可以通过使用物理和/或无线通信链接来提供通信。
输入/输出单元912允许与可以连接到数据处理系统900的其他装置进行数据的输入和输出。例如,输入/输出单元912可以通过键盘、鼠标和/或其它一些适合的输入装置为用户输入提供连接。进一步,输入/输出单元912可以发送输出到打印机。显示器914提供向用户显示信息的机构。
用于操作系统的指令、应用和/或程序可以位于存储装置916中,其通过通信构造902与处理器单元904通信。在这些说明性示例中,所述指令以功能化形式位于永久性存储器908上。这些指令可以载入存储器906中,以便由处理器单元904执行。不同实施例的处理可以由处理器单元904使用计算机实施的指令执行,所述指令可以位于存储器中,例如存储器906。
这些指令被称为可以由处理器单元904中的处理器读取和执行的程序代码、计算机可用程序代码或计算机可读程序代码。在不同实施例中的程序代码可以被嵌入在不同的物理或计算机可读存储介质上,例如存储器906或者永久性存储器908。
程序代码918以功能化形式位于计算机可读介质920上,其是选择性可移动的,并且可以载入或转移到数据处理系统900上以便由处理器单元904执行。在这些示例中,程序代码918和计算机可读介质920形成计算机程序产品922。在一个示例中,计算机可读介质920可以是计算机可读存储介质924或者计算机可读信号介质926。计算机可读存储介质924可以包括例如光盘或者磁盘,其被插入或置于驱动器或者作为永久性存储器908的一部分的其他装置中,从而传输到例如硬盘驱动器等作为永久性存储器908的一部分的存储装置上。
计算机可读存储介质924也可以采取永久性存储器的形式,例如硬盘驱动器、拇指驱动器或者闪存,其被连接到数据处理系统900。在有些情况下,计算机可读存储介质924不可以从数据处理系统900移动。在这些示例中,计算机可读存储介质924是用于存储程序代码918的物理或有形存储装置,而不是传播或传输程序代码918的介质。计算机可读存储介质924也被称为计算机可读有形存储装置或者计算机可读物理存储装置。换句话说,计算机可读存储介质924是人能够触摸到的介质。
可替换地,程序代码918可以使用计算机可读信号介质926传输到数据处理系统900。计算机可读信号介质926可以是例如包含程序代码918的传播的数据信号。例如,计算机可读信号介质926可以是电磁信号、光信号和/或任何其他适合类型的信号。这些信号可以基于通信链路传输,例如无线通信链路、光纤电缆、同轴电缆、电线和/或任何其他适合类型的通信链路。换句话说,在说明性示例中,通信链路和/或连接可以是物理或者无线的。
在一些有利实施例中,程序代码918可以通过网络从另一个装置下载到永久性存储器908中,或者通过计算机可读信号介质926下载到数据处理系统以便在数据处理系统900中使用。例如,保存在服务器数据处理系统中的计算机可读存储介质中的程序代码可以通过网络从服务器下载到数据处理系统900。提供程序代码918的数据处理系统可以是服务器计算机、客户计算机或者能够保存和传输程序代码918的其他一些装置。
为数据处理系统900说明的不同组件不意味着提供对可以实施不同实施例的方式的结构限制。在数据处理系统中可以实施不同的有利实施例,该系统包括除了或代替为数据处理系统900所说明的那些组件的部件。图9中所示的其他组件能够随所示的说明性示例变化。可以使用能够运行程序代码的任何硬件装置或者系统来实施不同的实施例。如一个示例,数据处理系统可以包括与无机组件集成的有机组件,和/或可以包括除了人类以外的全部有机组件。例如,存储装置可以包括有机半导体。
在另一个说明性示例中,处理器单元904可以采取硬件单元的形式,其具有为特定使用制造或配置的电路。这种类型的硬件可以执行操作,而不需要将程序代码从存储装置载入存储器,从而配置为执行操作。例如,当处理器单元904采取硬件单元的形式时,处理器单元904可以是电路系统、专用集成电路(ASIC)、可编程逻辑器件或者配置为执行多个操作的其他一些适合类型的硬件。通过可编程逻辑器件,所述装置配置为执行多个操作。该装置可以稍后被重新配置,或者可以永久地配置为执行多个操作。可编程逻辑器件的示例包括例如可编程逻辑阵列、可编程阵列逻辑、现场可编程逻辑阵列、现场可编程门阵列以及其他适合的硬件装置。通过这种类型的实施方式,程序代码918可以省略,因为用于不同实施例的处理均在硬件单元中实现。
在另一个说明性示例中,可以使用在计算机和硬件单元中存在的处理器的组合实施处理器单元904。处理器单元904可以具有多个硬件单元和多个处理器,其配置为运行程序代码918。通过这种描述的示例,可以在多个硬件单元中实施一些处理,同时可以在多个处理器中实施其他处理。
在另一个示例中,总线系统可以用于实现通信构造902,并且可以包括一个或更多总线,例如系统总线或输入/输出总线。当然,总线系统可以使用任何适合类型的构造实现,所述构造提供在附连到总线系统的不同组件或装置之间的数据传输。
另外,通信单元可以包括多个装置,这些装置发送数据、接收数据、或者发送并接收数据。通信单元可以是例如调制解调器或者网络适配器、两个网络适配器、或者其一些组合。进一步,存储器可以是例如存储器906、或者高速缓冲存储器,例如在可以存在于通信构造902中的接口和存储控制器集线器中发现的高速缓冲存储器。
因此,不同的有利实施例提供了用于确定系统的健康的方法和设备。在一个有利实施例中,识别用于系统的振动数据组。多个振动数据组中的一个振动数据组包含系统的随时间的不同频率的振动的数据。用于该系统的振动数据组被保存在计算机系统中的多个关联存储器中。基于多个关联存储器中的振动数据组而识别系统的健康。以这个方式,不同的有利实施例提供这样的健康监测系统,与当前可利用的健康监测系统相比,所述健康监测系统可以允许更精确和有效地确定系统的健康。
如这里所使用的,当与一列项目一起使用时,短语“至少一个”意思是可以使用一个或更多所列项目中的不同组合,并且列表中的每个项目可能只需要一个。例如,“项目A、项目B和项目C中的至少一个”可以包括例如但不限于项目A、或者项目A和项目B。这个示例也可以包括项目A、项目B、和项目C、或者项目B和项目C。在其他示例中,“至少一个”可以是例如但不限于两个项目A、一个项目B、和十个项目C;四个项目B和七个项目C;和其他适合的组合。
为了说明和描述的目的,已经呈现不同的有利实施例的说明,并且该说明不意图穷举或者将实施例限制于所公开的形式。对本领域技术人员来说,多个改进和变化将是显而易见的。进一步,不同的有利实施例可以提供与其他有利实施例相比不同的优点。所选的一个或更多个实施例被选择和说明,从而最好地解释实施例的原理、实际应用,并且使本领域其他普通技术人员能够理解用于具有适合于期望的特定使用的不同改进的各个实施例的公开。
Claims (15)
1.一种用于确定系统的健康的方法,包括:
识别所述系统的振动数据组,其中所述振动数据组中的一个振动数据组包含所述系统随时间在不同频率下的振动的数据;
将所述系统的所述振动数据组保存在计算机系统中的多个关联存储器中;和
基于所述多个关联存储器中的所述振动数据组识别所述系统的健康。
2.根据权利要求1所述的方法,进一步包括:
使用传感器系统生成用于所述系统的所述振动数据组。
3.根据权利要求2所述的方法,其中所述传感器系统包括多个振动传感器。
4.根据权利要求1所述的方法,其中基于所述多个关联存储器中的所述振动数据组识别所述系统的健康包括:
使用人工智能系统基于所述多个关联存储器中的所述振动数据组识别所述系统的健康。
5.根据权利要求4所述的方法,其中所述人工智能系统选自认知仿真、基于知识的系统、神经网络、模糊逻辑系统和认知模型中的至少一个。
6.根据权利要求1所述的方法,其中所述振动数据组包括所述系统的振动的图像。
7.根据权利要求6所述的方法,其中所述图像中的一个图像使用频率、强度和频率分布表示所述振动的所述数据。
8.根据权利要求6所述的方法,进一步包括:
将所述图像中的每个图像划分为区段。
9.根据权利要求6所述的方法,其中基于所述多个关联存储器中的所述振动数据组识别所述系统的健康是使用健康分析器执行的,并且所述方法进一步包括:
将多个基线振动数据组置于所述多个关联存储器中;和
使用所述多个基线振动数据组训练所述健康分析器。
10.根据权利要求1所述的方法,其中基于所述多个关联存储器中的所述振动数据组识别所述系统的健康是使用健康分析器执行的,并且所述方法进一步包括:
将所述系统的振动的光谱图像保存在计算机系统中的多个关联存储器中;和
基于所述多个关联存储器中存储的所述光谱图像识别所述系统的健康。
11.一种健康监测系统,包括:
多个关联存储器,其被配置为保存系统的振动数据组,其中所述振动数据组中的一个振动数据组包含所述系统随时间在不同频率下的振动的数据;和
健康分析器,其被配置为基于所述多个关联存储器中的所述振动数据组识别所述系统的健康。
12.根据权利要求13所述的健康监测系统,进一步包括:
传感器系统,其被配置为生成所述系统的所述振动数据组。
13.根据权利要求14所述的健康监测系统,其中所述传感器系统包括多个振动传感器。
14.根据权利要求13所述的健康监测系统,其中所述健康分析器被配置为将多个基线振动数据组置于所述多个关联存储器中;并且使用所述多个基线振动数据组训练所述健康分析器。
15.根据权利要求13所述的健康监测系统,其中所述系统选自飞行器、齿轮箱、发动机、发动机外壳、控制面、起落架系统、机身、太空飞行器、风力涡轮、水坝、计算机数控机器、建筑物和桥梁中的一个。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US13/136,972 | 2011-08-16 | ||
US13/136,972 US8572009B2 (en) | 2011-08-16 | 2011-08-16 | Evaluating the health status of a system using groups of vibration data including images of the vibrations of the system |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103115742A true CN103115742A (zh) | 2013-05-22 |
CN103115742B CN103115742B (zh) | 2017-06-16 |
Family
ID=47172245
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210291695.4A Active CN103115742B (zh) | 2011-08-16 | 2012-08-16 | 评估系统的健康状况 |
Country Status (5)
Country | Link |
---|---|
US (1) | US8572009B2 (zh) |
EP (1) | EP2559988A3 (zh) |
JP (1) | JP6055622B2 (zh) |
CN (1) | CN103115742B (zh) |
CA (1) | CA2780380C (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106662500A (zh) * | 2014-03-20 | 2017-05-10 | 艾德温股份有限公司 | 用于齿轮的齿面上的接触图案的定量分析的测试单元、用于定量分析的方法和测试单元的使用 |
CN108776040A (zh) * | 2018-06-11 | 2018-11-09 | 重庆交通大学 | 基于中医方法的桥梁安全巡检系统及诊断方法 |
CN110567745A (zh) * | 2019-09-16 | 2019-12-13 | 中国铁道科学研究院集团有限公司铁道建筑研究所 | 一种桥梁水下桥墩检测评估系统 |
Families Citing this family (31)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8914149B2 (en) | 2009-10-12 | 2014-12-16 | The Boeing Company | Platform health monitoring system |
US10156844B1 (en) * | 2012-11-30 | 2018-12-18 | Discovery Sound Technology, Llc | System and method for new equipment configuration and sound monitoring |
US9971667B1 (en) * | 2012-11-30 | 2018-05-15 | Discovery Sound Technology, Llc | Equipment sound monitoring system and method |
US8878700B2 (en) | 2013-02-18 | 2014-11-04 | The Boeing Company | Aircraft monitoring system |
FR3003028B1 (fr) * | 2013-03-08 | 2015-08-07 | Peugeot Citroen Automobiles Sa | Procede de mesure d'un bruit d'un element de structure d'un vehicule |
CN103245520A (zh) * | 2013-04-19 | 2013-08-14 | 南京工业大学 | 一种模拟工况的数控转台试验台测试装置 |
EP2930633A1 (en) * | 2014-04-11 | 2015-10-14 | United Technologies Corporation | Portable memory device data modeling for effective processing for a gas turbine engine |
US9354621B2 (en) | 2014-06-16 | 2016-05-31 | General Electric Company | Systems and methods for control of an adaptive-cycle engine with power-thermal management system |
US10057699B2 (en) * | 2014-10-01 | 2018-08-21 | Sartorius Stedim Biotech Gmbh | Audio identification device, audio identification method and audio identification system |
US11569138B2 (en) | 2015-06-16 | 2023-01-31 | Kla Corporation | System and method for monitoring parameters of a semiconductor factory automation system |
US10147244B2 (en) | 2016-06-10 | 2018-12-04 | Simmonds Precision Products, Inc. | Fault source parameter identification |
US10464689B2 (en) | 2016-08-17 | 2019-11-05 | Bell Helicopter Textron Inc. | Diagnostic method, system and device for a rotorcraft drive system |
US10424134B2 (en) | 2016-08-17 | 2019-09-24 | Bell Helicopter Textron Inc. | Diagnostic method, system and device for a rotorcraft drive system |
US10643405B2 (en) | 2016-08-17 | 2020-05-05 | Bell Helicopter Textron Inc. | Diagnostic method, system and device for a rotorcraft drive system |
US10380810B2 (en) * | 2016-08-17 | 2019-08-13 | Bell Helicopter Textron Inc. | Diagnostic method, system and device for a rotorcraft drive system |
CN106289780A (zh) * | 2016-09-20 | 2017-01-04 | 北京工业大学 | 一种基于Sparsogram和样本熵的滚动轴承损伤程度识别方法 |
US10373405B2 (en) | 2016-09-23 | 2019-08-06 | International Business Machines Corporation | Vehicle generated data |
US10788394B2 (en) * | 2017-09-12 | 2020-09-29 | General Electric Company | Gearbox sensor arrangement |
CN107703752A (zh) * | 2017-10-22 | 2018-02-16 | 成都具鑫机械设备有限公司 | 一种基于模糊神经网络的数控机床检测方法 |
US11043046B2 (en) * | 2018-03-08 | 2021-06-22 | Textron Innovations Inc. | Failure detection system |
CN108629144B (zh) * | 2018-06-11 | 2022-06-17 | 湖北交投智能检测股份有限公司 | 一种桥梁健康评估方法 |
US11188292B1 (en) | 2019-04-03 | 2021-11-30 | Discovery Sound Technology, Llc | System and method for customized heterodyning of collected sounds from electromechanical equipment |
US11455848B2 (en) * | 2019-09-27 | 2022-09-27 | Ge Aviation Systems Limited | Preserving vehicular raw vibration data for post-event analysis |
CN110697075B (zh) * | 2019-09-29 | 2022-11-25 | 中国直升机设计研究所 | 一种直升机hums振动阈值生成方法 |
US11618585B2 (en) | 2019-10-10 | 2023-04-04 | Ge Aviation Systems Limited | Integrated system for improved vehicle maintenance and safety |
CN110795510B (zh) * | 2019-10-22 | 2023-05-23 | 北京空间技术研制试验中心 | 基于高维数据关联挖掘的航天器系统健康状态评估方法 |
CN110823543B (zh) * | 2019-11-07 | 2020-09-04 | 北京化工大学 | 一种基于往复机械活塞杆轴心轨迹包络与信息熵特征的负荷识别方法 |
WO2021118908A1 (en) | 2019-12-10 | 2021-06-17 | Barnes Group Inc. | Wireless sensor with beacon technology |
US11593678B2 (en) | 2020-05-26 | 2023-02-28 | Bank Of America Corporation | Green artificial intelligence implementation |
US11341743B2 (en) * | 2020-06-12 | 2022-05-24 | Wärtsilä Finland Oy | Apparatus and computer implemented method in marine vessel data system for generating anomaly heatmap information using neural network |
CN112556826A (zh) * | 2020-12-17 | 2021-03-26 | 泉州市名咨科迅信息科技有限公司 | 一种基于计算机的发动机现场实时检测方法及其料架 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1093803A (zh) * | 1993-03-15 | 1994-10-19 | 南京航空航天大学 | 叶片振动监测方法及系统 |
US20050096873A1 (en) * | 2002-12-30 | 2005-05-05 | Renata Klein | Method and system for diagnostics and prognostics of a mechanical system |
US7478192B2 (en) * | 2004-11-03 | 2009-01-13 | Saffron Technology, Inc. | Network of networks of associative memory networks |
CN101545790A (zh) * | 2009-04-27 | 2009-09-30 | 浙江大学 | 惯性器件旋转振动性能测试系统 |
Family Cites Families (33)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH10143343A (ja) * | 1996-11-07 | 1998-05-29 | Fuji Electric Co Ltd | 連想型プラント異常診断装置 |
JPH10281859A (ja) * | 1997-04-07 | 1998-10-23 | Mitsui Eng & Shipbuild Co Ltd | 異常診断方法および装置 |
US6581049B1 (en) | 1999-11-08 | 2003-06-17 | Saffron Technology, Inc. | Artificial neurons including power series of weights and counts that represent prior and next association |
US7062483B2 (en) | 2000-05-18 | 2006-06-13 | Endeca Technologies, Inc. | Hierarchical data-driven search and navigation system and method for information retrieval |
US7035864B1 (en) | 2000-05-18 | 2006-04-25 | Endeca Technologies, Inc. | Hierarchical data-driven navigation system and method for information retrieval |
US7325201B2 (en) | 2000-05-18 | 2008-01-29 | Endeca Technologies, Inc. | System and method for manipulating content in a hierarchical data-driven search and navigation system |
US7457785B1 (en) | 2000-08-25 | 2008-11-25 | Battelle Memorial Institute | Method and apparatus to predict the remaining service life of an operating system |
US7016886B2 (en) | 2001-08-10 | 2006-03-21 | Saffron Technology Inc. | Artificial neurons including weights that define maximal projections |
US20050038781A1 (en) | 2002-12-12 | 2005-02-17 | Endeca Technologies, Inc. | Method and system for interpreting multiple-term queries |
US20040176887A1 (en) | 2003-03-04 | 2004-09-09 | Arinc Incorporated | Aircraft condition analysis and management system |
US7194975B2 (en) | 2003-12-11 | 2007-03-27 | Honeywell International, Inc. | Unmanned underwater vehicle health monitoring system and method |
US7574416B2 (en) | 2004-01-16 | 2009-08-11 | Saffron Technology, Inc. | Distance-based spatial representation and prediction systems, methods and computer program products for associative memories |
US7428528B1 (en) | 2004-03-31 | 2008-09-23 | Endeca Technologies, Inc. | Integrated application for manipulating content in a hierarchical data-driven search and navigation system |
US7478090B2 (en) | 2005-01-14 | 2009-01-13 | Saffron Technology, Inc. | Methods, systems and computer program products for analogy detection among entities using reciprocal similarity measures |
KR101322434B1 (ko) | 2005-07-11 | 2013-10-28 | 브룩스 오토메이션 인코퍼레이티드 | 지능형 상태 감시 및 결함 진단 시스템 |
US7565491B2 (en) | 2005-08-04 | 2009-07-21 | Saffron Technology, Inc. | Associative matrix methods, systems and computer program products using bit plane representations of selected segments |
US7333917B2 (en) | 2005-08-11 | 2008-02-19 | The University Of North Carolina At Chapel Hill | Novelty detection systems, methods and computer program products for real-time diagnostics/prognostics in complex physical systems |
US20070050104A1 (en) | 2005-08-24 | 2007-03-01 | The Boeing Company | Methods and systems for logistics health status reasoner |
US8019752B2 (en) | 2005-11-10 | 2011-09-13 | Endeca Technologies, Inc. | System and method for information retrieval from object collections with complex interrelationships |
US7581702B2 (en) | 2006-06-09 | 2009-09-01 | Insitu, Inc. | Wirelessly controlling unmanned aircraft and accessing associated surveillance data |
US7657496B2 (en) | 2006-06-26 | 2010-02-02 | Saffron Technology, Inc. | Nonlinear associative memories using linear arrays of associative memory cells, and methods of operating same |
US20080097945A1 (en) | 2006-08-09 | 2008-04-24 | The University Of North Carolina At Chapel Hill | Novelty detection systems, methods and computer program products for real-time diagnostics/prognostics in complex physical systems |
US20080270328A1 (en) | 2006-10-18 | 2008-10-30 | Chad Lafferty | Building and Using Intelligent Software Agents For Optimizing Oil And Gas Wells |
US8676802B2 (en) | 2006-11-30 | 2014-03-18 | Oracle Otc Subsidiary Llc | Method and system for information retrieval with clustering |
US20080177683A1 (en) | 2007-01-23 | 2008-07-24 | No Brian Y | Method and apparatus for mobile intelligence |
US8437904B2 (en) | 2007-06-12 | 2013-05-07 | The Boeing Company | Systems and methods for health monitoring of complex systems |
US8160981B2 (en) | 2007-09-25 | 2012-04-17 | Saffron Technology, Inc. | Event-based anticipation systems, methods and computer program products for associative memories wherein times of future events occurring are predicted |
US8346429B2 (en) | 2007-11-26 | 2013-01-01 | Honeywell International Inc. | Vehicle health monitoring system architecture for diagnostics and prognostics disclosure |
TW200951752A (en) | 2008-06-06 | 2009-12-16 | Inotera Memories Inc | A method for prognostic maintenance in semiconductor manufacturing |
US10410146B2 (en) | 2009-02-09 | 2019-09-10 | The Boeing Company | Associative memory learning agent for analysis of manufacturing non-conformance applications |
US9542436B2 (en) | 2009-02-09 | 2017-01-10 | The Boeing Company | Employing associative memory for enhanced lifecycle management |
US9053159B2 (en) | 2009-02-09 | 2015-06-09 | The Boeing Company | Non-conformance analysis using an associative memory learning agent |
US20110087387A1 (en) | 2009-10-12 | 2011-04-14 | The Boeing Company | Platform Health Monitoring System |
-
2011
- 2011-08-16 US US13/136,972 patent/US8572009B2/en active Active
-
2012
- 2012-06-20 CA CA2780380A patent/CA2780380C/en active Active
- 2012-07-24 JP JP2012163206A patent/JP6055622B2/ja active Active
- 2012-08-10 EP EP12180131.0A patent/EP2559988A3/en not_active Withdrawn
- 2012-08-16 CN CN201210291695.4A patent/CN103115742B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1093803A (zh) * | 1993-03-15 | 1994-10-19 | 南京航空航天大学 | 叶片振动监测方法及系统 |
US20050096873A1 (en) * | 2002-12-30 | 2005-05-05 | Renata Klein | Method and system for diagnostics and prognostics of a mechanical system |
US7478192B2 (en) * | 2004-11-03 | 2009-01-13 | Saffron Technology, Inc. | Network of networks of associative memory networks |
CN101545790A (zh) * | 2009-04-27 | 2009-09-30 | 浙江大学 | 惯性器件旋转振动性能测试系统 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106662500A (zh) * | 2014-03-20 | 2017-05-10 | 艾德温股份有限公司 | 用于齿轮的齿面上的接触图案的定量分析的测试单元、用于定量分析的方法和测试单元的使用 |
CN108776040A (zh) * | 2018-06-11 | 2018-11-09 | 重庆交通大学 | 基于中医方法的桥梁安全巡检系统及诊断方法 |
CN108776040B (zh) * | 2018-06-11 | 2021-11-26 | 重庆交通大学 | 桥梁安全巡检系统及诊断方法 |
CN110567745A (zh) * | 2019-09-16 | 2019-12-13 | 中国铁道科学研究院集团有限公司铁道建筑研究所 | 一种桥梁水下桥墩检测评估系统 |
Also Published As
Publication number | Publication date |
---|---|
CA2780380A1 (en) | 2013-02-16 |
US20130046714A1 (en) | 2013-02-21 |
CN103115742B (zh) | 2017-06-16 |
CA2780380C (en) | 2016-01-26 |
US8572009B2 (en) | 2013-10-29 |
EP2559988A2 (en) | 2013-02-20 |
JP6055622B2 (ja) | 2016-12-27 |
JP2013040926A (ja) | 2013-02-28 |
EP2559988A3 (en) | 2015-10-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103115742A (zh) | 评估系统的健康状况 | |
Hu et al. | Prognostics and health management: A review from the perspectives of design, development and decision | |
US11396386B2 (en) | Supporting off-wing maintenance of an engine of an aircraft | |
US6480792B1 (en) | Fatigue monitoring systems and methods incorporating neural networks | |
CA2771401C (en) | Platform health monitoring system | |
US8914149B2 (en) | Platform health monitoring system | |
JP2017199342A (ja) | データ分析拡張を伴う航空機保守および検査 | |
CN107851057A (zh) | 预测模型的动态执行 | |
CN107273561A (zh) | 飞行事件期间飞行器的机载结构负载评估 | |
CN101999101B (zh) | 系统运行预测的确定方法 | |
CN108229538B (zh) | 交通工具系统预测装置和方法 | |
Edwards et al. | Impact of input uncertainty on failure prognostic algorithms: Extending the remaining useful life of nonlinear systems | |
CN108267983A (zh) | 使用基于物理的模型和数据驱动的模型减少来自于交通工具的妨害性故障指示 | |
KR102118748B1 (ko) | 플랫폼 건전성 모니터링 시스템 | |
Sun et al. | Effects of imperfect IoT-enabled diagnostics on maintenance services: A system design perspective | |
Cruz | Evaluating record history of medical devices using association discovery and clustering techniques | |
Sharma et al. | Analyzing the role of multiagent technology in preventing airplane crash using AHP and DEMATEL approach | |
Nordmann et al. | Neural network forecasting of service problems for aircraft structural component groupings | |
CN115758561A (zh) | 一种飞机飞行模拟参数数据的生成方法 | |
JP2022042989A (ja) | センサデータに基づく修理の自動予測 | |
Jaw et al. | CBM+ research environment-facilitating technology development, experimentation, and maturation | |
Manikar et al. | Holistic Operability Projection during Early Aircraft Design | |
Conroy et al. | Applications of artificial intelligence and decision-making methods in PHM | |
US20230103195A1 (en) | X-ray radiation detection | |
Azzam et al. | FUMS/spl trade/technologies for verifiable affordable prognostics health management (PHM) |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant |