CN110362849A - 基于使用的动力系统/机器部件的故障率估计 - Google Patents
基于使用的动力系统/机器部件的故障率估计 Download PDFInfo
- Publication number
- CN110362849A CN110362849A CN201910283441.XA CN201910283441A CN110362849A CN 110362849 A CN110362849 A CN 110362849A CN 201910283441 A CN201910283441 A CN 201910283441A CN 110362849 A CN110362849 A CN 110362849A
- Authority
- CN
- China
- Prior art keywords
- component
- destructive
- failure
- duty ratio
- risk score
- 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.)
- Pending
Links
- 238000005183 dynamical system Methods 0.000 title claims abstract description 21
- 230000001066 destructive effect Effects 0.000 claims abstract description 31
- 238000000034 method Methods 0.000 claims description 62
- 230000008569 process Effects 0.000 claims description 40
- 238000012423 maintenance Methods 0.000 claims description 13
- 238000004458 analytical method Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 9
- 230000004044 response Effects 0.000 claims description 4
- 238000012314 multivariate regression analysis Methods 0.000 claims description 3
- 238000013178 mathematical model Methods 0.000 abstract description 7
- 230000006870 function Effects 0.000 description 10
- 230000006399 behavior Effects 0.000 description 9
- 238000000611 regression analysis Methods 0.000 description 7
- 230000009471 action Effects 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 230000004888 barrier function Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000003862 health status Effects 0.000 description 3
- 230000007257 malfunction Effects 0.000 description 3
- 230000008439 repair process Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000004087 circulation Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 230000014759 maintenance of location Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000010206 sensitivity analysis Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003137 locomotive effect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000010202 multivariate logistic regression analysis Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
基于使用的动力系统/机器部件的故障率估计。创建模型以基于操作数据预测动力系统/机器部件的故障率。基于所述部件已经历一个或多个破坏性占空比的频率生成风险分数。所述风险分数可以用于数学模型，以确定哪个部件或哪些部件预计在保修期到期之前发生故障，以便主动地更换所述部件以节省保修成本并减少停机时间。
Description
背景技术
本申请总体上涉及一种基于客户使用来估计动力系统/机器部件的故障率的方法。一些系统使用从一个或多个部件获取健康状态信息并确定所述一个或多个部件和/或总体系统的功能状态的算法。一些系统通过创建部件的一个或多个操作参数的预期操作签名，并将实际操作签名与预期操作签名相比较以确定部件是否偏离正常来估计健康状态。而其它系统使用综合数据来基于里程数确定剩余价值，然后将剩余价值应用至健康状态考虑因素。
然而，这些系统没有充分考虑实际部件使用来识别一个或多个破坏性占空比，并且通过破坏性占空比中特定部件的操作频率来确定机器/动力系统部件的状态或预测部件故障。因此，仍然迫切需要在此技术领域中进行改进。
说明性实施方案的公开内容
出于清楚、简明且准确地描述本公开的说明性实施方案、制造和使用本公开的方式和过程的目的，以及为了能够实践、制造和使用本公开，现在将参考某些示例性实施方案，包括在图式中说明的那些实施方案，并且将使用特定语言来描述本公开。然而，应理解，由此不会产生对本发明的范围的限制，并且本发明包括并保护本领域技术人员将想到的示例性实施方案的这些改变、修改和进一步应用。
发明内容
本文公开一种用于从操作数据识别关于一个或多个动力系统/机器部件的破坏性占空比的系统方法。某些示例性实施方案包括通过多变量回归分析确定一个或多个部件参数对大样本中的一个或多个部件的影响的一个或多个独特过程。
某些示例性实施方案包括基于回归分析创建风险分数传递函数，并基于部件已经历一种类型的破坏性占空比的频率来识别风险分数的一个或多个独特过程。某些示例性实施方案包括基于风险分数以及与部件故障相关联的部件年龄或里程数而生成故障模型的一个或多个独特过程。某些示例性实施方案包括通过远程信息处理或维修工具监视部件故障率，以及确定某些动力系统/机器部件是否预期在保修期到期之前发生故障的一个或多个独特过程。可以在故障发生之前发起召回或其它主动措施，以节省保修成本并减少不便。
其它实施方案、形式、目标、特征、优点、方面和益处将从以下描述和附图变得显而易见。
附图说明
图1是示出根据本公开的示例性系统的某些方面的示意图。
图2是示出根据本公开的示例性过程的某些方面的流程图。
图3是示出根据本公开的示例性过程的某些方面的流程图。
图4是示出本公开的示例性实施方式的某些方面的图表。
具体实施方式
以下论述涉及基于操作数据和故障数据而确定模型和/或预测动力系统/机器部件的故障率的系统过程的示例性实施方案。操作数据可以通过远程信息处理装置或在维修事件期间收集，例如在对部件所驻留于的车辆进行维修期间收集。可以对操作数据执行多变量回归分析，以确定每个部件参数对大量机器/动力系统群体的主要影响。
可以基于所识别的关键操作参数来定义破坏性操行循环。随后，可以基于破坏性循环信息和部件故障的数据库而生成故障模型，以识别部件的预期故障。在确定故障模型之后，可以通过远程信息处理服务实时监视部件故障的风险。如果此种服务不可用，则可以通过在维修事件期间提取部件数据来实现相同功能。如果预计部件在保修期之前发生故障，则可以主动地更换部件以节省保修成本并减少停机时间。
动力系统/机器的一个或多个系统和子系统可以包括用于收集与部件的一个或多个参数的操作相关联的数据的数据库。所述数据可以用于例如多变量分析的系统方法中，以确定关于一个或多个部件的一个或多个破坏性占空比，所述一个或多个部件在所述破坏性占空比中容易发生故障。
可以例如在回归分析中进一步使用所述数据，以创建风险分数传递函数。随后，可以基于破坏性占空比的类型而生成一个或多个部件的风险分数。风险分数确定还可以包括一个或多个部件经历破坏性循环的频率。风险分数和年龄/使用可以用于确定与一个或多个部件的故障相关联的数学模型。随后，也可以通过远程信息处理或服务来监视一个或多个部件的使用/年龄，以支持现场行动计划。例如，对于现场行动，代替更换整个群体，可以使用风险分数来确定更换群体内的哪些部件。在没有能力监视和评估故障风险的情况下，可能需要更换整个部件群体的现场行动，这会显著增加成本。与更换整个群体相比，使用风险分数来选择性地更换有故障风险的部件会降低成本。
通过使用远程信息处理数据和保修记录用多变量分析识别破坏性占空比，可以预测动力系统/机器部件的非典型故障行为。可以基于回归分析而创建风险分数传递函数，并且基于破坏性循环的类型和频率而生成风险分数。可以基于风险分数和故障部件年龄、使用或里程数而确定数学模型。可以由通过远程信息处理或维修工具收集的使用数据基于数学模型而监视和分析部件使用，并且可以在被监视部件的灾难性故障之前召回高风险部件。
一个示例性过程包括控制器，所述控制器被构造成执行某些操作并且从动力系统/机器的任何部件和任何传感器接收和解释可以与部件相关联或可以不与部件相关联的信号。应了解，控制器可以以各种形式和配置提供，包括形成处理子系统的整体或一部分的一个或多个计算装置，所述处理子系统具有存储计算机可执行指令的非暂时性存储器、处理和通信硬件。控制器可以是单个装置或分布式装置，并且控制器的功能可以由硬件或软件执行。控制器与任何致动器、传感器、数据链路、计算装置、无线连接，或能够执行任何所描述操作的其它装置通信。
处理逻辑可以实施为模块，所述模块可以在操作逻辑中实施为由软件、硬件、人工智能、模糊逻辑，或其任何组合进行，或至少部分地由用户或操作者执行的操作。在某些实施方案中，模块将软件元素表示为在计算机可读介质上编码的计算机程序，其中计算机在执行所述计算机程序时执行所描述操作。模块可以是单个装置、跨越多个装置分布，和/或模块可以与其它模块或装置整体或部分地分组。任何模块的操作可以整体地或部分地在硬件/软件中或通过其它模块执行。
控制器包括所存储数据值、常数和函数，以及存储于计算机可读介质上的操作指令。本文所描述的示例性过程的任何操作可以至少部分地由控制器执行。应理解，执行类似总体操作的其它分组在本申请的范围内。本文论述对控制器操作的某些实施方案的更具体描述。所示操作仅被理解为示例性的，并且操作可以进行组合或划分，和进行添加或移除，以及整体地或部分地进行重新排序。
示例性过程可以包括各种动力系统/机器传感器和传感器系统，每个可操作以向控制器提供指示给定部件的参数的信号。应了解，各种实施方案的传感器和传感器布置适用于所公开的原理和技术。应进一步了解，所利用的传感器和传感器系统可以是物理传感器、虚拟传感器和/或其组合。
控制器可操作地与存储器耦合并且被配置成将指令存储在存储器中，所述指令可由控制器读取和执行以控制如本文所描述的示例性过程的操作。本文所描述的某些操作包括用于确定一个或多个参数的操作。如本文所使用的确定包括运算或计算值、从查找表或使用查找操作获得值、从数据链路或网络通信接收值、接收指示值的电子信号(例如，电压、频率、电流或脉宽调制(PWM)信号)、接收指示值的软件参数、从计算机可读介质上的存储器位置读取值、通过本领域已知的任何方式，和/或通过接收可以通过其运算解释参数的值，和/或通过参考被解释为参数值的默认值来接收值作为运行时参数。
控制器可以是独立的计算机处理系统，或基于集成电路的电子控制系统(ECS)的部件的实例，所述ECS可以被配置成控制如本文进一步详细描述的示例性过程的各种操作方面。根据本公开的ECS可以以多种形式实施并且可以包括多个不同元件和元件的配置。在某些形式中，ECS可以并入有一个或多个基于微处理器或基于微控制器的电子控制单元，所述电子控制单元有时称为电子控制模块。根据本公开的ECS可以以具有单个处理或计算部件的形式提供，或以包括多个可操作地耦合的处理或计算部件的形式提供；并且可以包括数字电路、模拟电路，或这两种类型的混合组合。ECS的集成电路和/或任一其组成处理器/控制器或其它部件可以包括一个或多个信号调节器、调制器、解调器、算术处理单元(ALU)、中央处理单元(CPU)、限制器、振荡器、控制时钟、放大器、信号调节器、滤波器、格式转换器、通信端口、钳位、延迟装置、存储器装置、模数(A/D)转换器、数模(D/A)转换器，和/或本领域技术人员将想到的用于提供和执行本文所公开的通信和控制方面的不同电路或功能部件。
参考图1，说明示出示例性动力系统/机器系统100的某些方面的示意图。系统100包括具有动力系统104和控制器110的车辆和/或机器102。动力系统104可以用于例如具有发电机或机械或车辆的固定应用或车辆中。系统100在第一时间段内收集用于一个或多个机器部件108和/或动力系统部件106的操作数据122。控制器110，或单独的计算机处理器或服务器分析操作数据122以识别与部件106、108相关联的一个或多个参数112。例如，控制器110或其它计算机处理器基于所识别的一个或多个参数112而确定与发动机的速度和/或扭矩，或其它标准相关联的阈值116、一个或多个部件106、108的相关联破坏性占空比118。控制器110或其它计算机处理器基于部件106、108的破坏性占空比118和年龄而通过模型确定一个或多个部件106、108的故障行为120。控制器110或其它处理器将第二时间段期间一个或多个机器和/或车辆102中的部件106、108的实际使用/占空比与故障行为模型120相比较，以基于使用数据而预测部件故障。用户可以使用此比较来选择在故障发生之前更换哪些部件106、108。
通过例如与远程服务器134通信的远程信息处理装置130或维修工具模块132中的一个收集机器和/或车辆102的操作数据122。控制器110或远程服务器134执行例如多变量回归分析的合适分析，以识别指示来自一个或多个机器和/或车辆的样本群体中的部件106、108的故障的一个或多个参数112。所识别的一个或多个参数112可以包括例如制动频率、超过阈值量的动力系统部件的速度变化，以及超过阈值量的动力系统部件的扭矩。控制器110或其它处理器可以将部件106、108的实际使用与机器和/或车辆102的当前里程数以及部件106、108的终止保修期里程数相比较。在来自维修事件模块132的维修事件期间，可以通过远程信息处理装置130或从控制器110实时收集实际使用数据。比较实际使用可以包括基于参数112中的一个或多个而确定部件106、108的风险分数114。风险分数还可以基于部件106、108经历一个或多个破坏性占空比或在一个或多个破坏性占空比内操作的频率。
参考图2，说明示出示例性过程200的某些方面的流程图。过程200开始于操作202处，所述操作包括在维修事件期间从车辆/机器控制器或服务端口模块收集，或如通过动力系统或车辆/机器部件历史的远程信息处理提供动力系统部件数据和车辆/机器部件数据(统称为且还单独地称为部件数据)。可以通过来自传感器的信号收集部件数据，所述传感器可用于提供部件的操作数据。部件数据可以存储至控制器110的存储器或其它车载存储装置，以及从控制器110的存储器或其它车载存储装置检索，或者传输用于存储在远程服务器中。
过程200在操作204处从操作202继续，以定义可以包括部件数据的多变量分析的关键参数。还可以使用灵敏度分析过滤不相关参数。多变量和灵敏度分析可以确定可以如何将过程输出的变化分配至不同输入参数，以及确定输入参数的变化如何影响输出的变化。存在这种类型的分析的多个应用，以利用数据的固有知识来量化过程的不确定性、优化过程的设计，并且将过程的各种参数的影响排等级。这种分析可以提供对不同输入参数以及其变化对过程结果的影响的全面理解。
过程200在操作206处从操作204继续，以通过利用用于风险分数生成的回归分析来创建风险分数传递函数。回归分析是用于估计变量之间的关系的一组统计过程，所述变量例如是在操作204中识别为关键参数的参数以及一个或多个部件的故障。过程200在操作208处从操作206继续，所述操作208包括建立数学模型以通过使用风险分数和部件年龄和/或使用来模型化部件的故障行为。
过程200在操作210处从操作208继续，所述操作210包括在建立数学模型之后的时间段内接收在操作202处收集的动力系统数据。操作210使用来自操作208的数学模型，以基于部件的实际使用而预测来自一个或多个车辆和/或机器的一个或多个部件的故障概率。过程200提供使用大量数据定义一个或多个部件的破坏性占空比，以及基于部件的实际客户使用和/或年龄而估计部件的不可靠性或潜在故障的方法。预测可以用于识别潜在故障区域。
过程200在操作212处从操作210继续，在所述操作212中，响应于为整个群体分配风险分数和故障率来确定现场行动计划。现场行动计划可以包括基于部件实际使用和/或年龄以及数学模型来修理、更换、维修，或以其它方式对预测一个或多个部件发生故障的条件作出响应。现场行动计划可以基于部件故障的风险和/或预测的故障定时。
参考图3，示出描绘示例性过程300的某些方面的框图，所述过程可以在例如上述电子控制系统、远程服务器或其组合的一个或多个控制组件中实施。过程300示出用于确定部件的风险分数324的一个实施方案方法。从分别与移动eRPM 312的标准偏差、高扭矩输出314和制动频率316相关联的三个传递函数的总和322确定风险分数324。移动eRPM 312的标准偏差和高扭矩输出314都基于来自部件的占空比映射的输入302。从来自行车制动器致动的输入304以及来自发动机控制模块(ECM)距离的输入308确定制动频率316。还可以从ECM距离输入308以及关于开始服务日期的输入310确定当前里程数318的估计以及终止保修期里程数320的估计。图3中的过程300仅仅是一个实例，并且关键参数的识别不限于移动eRPM的标准偏差、高扭矩和制动频率。
参考图4，示出图表400，其提供使用图2的过程和图3的风险分数来确定一个或多个部件的更换需求和优先级的一个实例。图表400在其横轴上描绘以千米为单位的随时间(t)的使用，以及在其纵轴上描绘作为不可靠性描绘为函数F(t)＝100-R(t)(％)的故障率或概率。图表400描绘将具有不可靠性的动力系统部件更换确定为故障的概率或可能性、所估计的终止保修期里程数402、所估计的当前里程数404以及风险分数406。确定部件更换需求和优先级的过程可以包括：1)基于风险分数选择组；2)估计当前和终止保修期故障率；3)基于终止保修期里程数确定部件更换的需求；以及4)基于当前里程数确定部件更换的定时。
公开一种基于占空比分析而确定动力系统部件故障预测的过程的示例性实施方案。过程包括使用由占空比分析识别的风险分数来预测故障率。每个部件可以包括从例如高扭矩时间百分比、制动密度以及移动发动机rpm的标准偏差运算的风险分数。部件故障概率可以是里程数和风险分数的函数。不同风险分数的不同群体可以具有不同故障率。
考虑本公开的各个方面。根据一个方面，一种用于估计机器/动力系统部件的故障的方法包括：基于对机器/动力系统的部件识别的一个或多个参数确定所述部件的破坏性占空比；基于部件的破坏性占空比以及年龄和使用中的至少一个来模型化部件的故障行为；将第二部件的实际年龄或实际使用中的至少一个与故障行为的模型相比较；以及基于比较更换第二部件。
在一个实施方案中，一个或多个所识别参数包括制动频率、超过阈值量的机器部件的速度变化以及超过阈值量的机器部件的扭矩中的一个或多个。在另一实施方案中，比较进一步包括将第二部件的实际使用与部件的当前里程数和终止保修期里程数相比较。
在另一实施方案中，在维修事件期间通过远程信息处理或从车辆的车载计算机系统实时收集实际使用的数据。在另一实施方案中，比较包括基于破坏性占空比确定第二部件的风险分数，所述风险分数包括制动频率、超过阈值量的第二部件的速度变化以及超过阈值量的第二部件的扭矩中的一个或多个，并且风险分数还基于第二部件经历破坏性占空比的频率。
在另一方面中，一种用于估计机器/动力系统部件的故障的方法包括：在第一时间段内收集机器/动力系统的部件的操作数据；分析操作数据以识别与部件的故障相关联的一个或多个参数；基于所识别的一个或多个参数确定部件的破坏性占空比；基于破坏性占空比以及部件的使用来模型化部件的故障行为；将第二时间段期间第二部件的实际使用与故障行为的模型相比较；以及基于比较更换第二部件。
在一个实施方案中，通过远程信息处理装置和服务端口模块中的一个收集操作数据。在另一实施方案中，分析包括执行多变量回归分析以识别指示样本群体中的部件的故障的一个或多个参数。
在另一实施方案中，所识别的一个或多个参数包括制动频率、超过阈值量的机器部件的速度变化以及超过阈值量的机器部件的扭矩中的一个或多个。在另一实施方案中，比较进一步包括将第二部件的实际使用与部件的当前里程数和终止保修期里程数相比较。
在另一实施方案中，通过远程信息处理实时收集实际使用的数据。在另一实施方案中，在维修事件期间从车辆的车载计算机系统收集实际使用的数据。在另一实施方案中，更换第二部件包括在第二部件的终止保修期之前更换第二部件。
在另一实施方案中，比较包括基于破坏性占空比确定第二部件的风险分数，所述风险分数包括制动频率、超过阈值量的第二部件的速度变化以及超过阈值量的第二部件的扭矩中的一个或多个。在此实施方案的改进中，风险分数基于第二部件经历破坏性占空比的频率。
在本公开的另一方面中，公开一种用于估计机器/动力系统部件的故障的设备。所述设备包括用于在第一时间段内收集机器/动力系统的操作数据的至少一个控制器；以及至少一个处理器。所述至少一个处理器被配置成分析操作数据以识别与部件相关联的一个或多个参数；基于所识别的一个或多个参数确定部件的破坏性占空比；以及基于破坏性占空比以及部件的年龄和使用中的至少一个来模型化部件的故障行为。另外，至少一个控制器和处理器被配置成将在第二时间段期间的部件的实际使用与故障行为的模型相比较，以及响应于所述比较确定部件的故障概率。
在一个实施方案中，所述设备包括用于将操作数据传送至至少一个处理器的远程信息处理装置。在另一实施方案中，在维修事件期间从控制器收集操作数据。
在另一实施方案中，所识别的一个或多个参数包括制动频率、超过阈值量的部件的速度变化以及超过阈值量的部件的扭矩中的一个或多个。在另一实施方案中，控制器和计算机处理器中的一个被配置成将部件的实际使用与部件的当前里程数和终止保修期里程数相比较。
尽管已经在附图和前述描述中详细地示出和描述了本公开的说明性实施方案，但是其在本质上应被视为说明性的而非限制性的，应理解，仅示出和描述了某些示例性实施方案，并且需要保护落入所主张发明的精神内的所有改变和修改。应理解，尽管用于以上描述中的例如“优选的”、“优选地”、“优选”或“更优选”的词语指示如此描述的特征可能是更期望的，但是其可能不是必需的并且缺乏所述特征的实施方案可以预期处于本发明的范围内，所述范围由所附权利要求书限定。在阅读权利要求书时，预期当使用例如“一”、“一个”、“至少一个”或“至少一部分”的词语时，无意将权利要求书仅限于一个项目，除非权利要求书中另外特别说明。当使用语言“至少一部分”和/或“部分”时，项目可以包括一部分和/或整个项目，除非另外特别说明。
Claims (20)
1.一种用于估计机器/动力系统部件的故障的方法，所述方法包括：
基于对所述机器/动力系统的部件识别的一个或多个参数确定所述部件的破坏性占空比；
基于所述破坏性占空比以及所述部件的年龄和使用中的至少一个来模型化所述部件的故障行为；
将第二部件的实际年龄或实际使用中的至少一个与所述故障行为的所述模型相比较；以及
基于所述比较更换所述第二部件。
2.如权利要求1所述的方法，其中所述一个或多个所识别参数包括制动频率、超过阈值量的机器部件的速度变化以及超过阈值量的所述机器部件的扭矩中的一个或多个。
3.如权利要求1所述的方法，其中所述比较进一步包括将所述第二部件的所述实际使用与所述部件的当前里程数和终止保修期里程数相比较。
4.如权利要求1所述的方法，其中在维修事件期间通过远程信息处理或从车辆的车载计算机系统实时收集所述实际使用的数据。
5.如权利要求1所述的方法，其中所述比较包括基于破坏性占空比确定所述第二部件的风险分数，所述风险分数包括制动频率、超过阈值量的所述第二部件的速度变化以及超过阈值量的所述第二部件的扭矩中的一个或多个，并且所述风险分数还基于所述第二部件经历所述破坏性占空比的频率。
6.一种用于估计机器/动力系统部件的故障的方法，所述方法包括：
在第一时间段内收集机器/动力系统的部件的操作数据；
分析所述操作数据以识别与所述部件的故障相关联的一个或多个参数；
基于所述所识别的一个或多个参数确定所述部件的破坏性占空比；
基于所述破坏性占空比以及所述部件的使用来模型化所述部件的故障行为；
将在第二时间段期间第二部件的实际使用与所述故障行为的所述模型相比较；以及
基于所述比较更换所述第二部件。
7.如权利要求6所述的方法，其中通过远程信息处理装置和服务端口模块中的一个收集所述操作数据。
8.如权利要求6所述的方法，其中所述分析包括执行多变量回归分析以识别指示样本群体中的所述部件的故障的所述一个或多个参数。
9.如权利要求6所述的方法，其中所述所识别的一个或多个参数包括制动频率、超过阈值量的机器部件的速度变化以及超过阈值量的所述机器部件的扭矩中的一个或多个。
10.如权利要求6所述的方法，其中所述比较进一步包括将所述第二部件的所述实际使用与所述部件的当前里程数和终止保修期里程数相比较。
11.如权利要求6所述的方法，其中通过远程信息处理实时收集所述实际使用的数据。
12.如权利要求6所述的方法，其中在维修事件期间从车辆的车载计算机系统收集所述实际使用的数据。
13.如权利要求6所述的方法，其中更换所述第二部件包括在所述第二部件的终止保修期之前更换所述第二部件。
14.如权利要求6所述的方法，其中所述比较包括基于破坏性占空比确定所述第二部件的风险分数，所述风险分数包括制动频率、超过阈值量的所述第二部件的速度变化以及超过阈值量的所述第二部件的扭矩中的一个或多个。
15.如权利要求14所述的方法，其中所述风险分数基于所述第二部件经历所述破坏性占空比的频率。
16.一种用于估计机器/动力系统部件的故障的设备，所述设备包括：
至少一个控制器，用于在第一时间段内收集所述机器/动力系统的操作数据，并且所述设备还包括至少一个处理器，所述处理器被配置成：
分析所述操作数据以识别与所述部件相关联的一个或多个参数；
基于所识别的一个或多个参数确定所述部件的破坏性占空比；以及
基于所述破坏性占空比以及所述部件的年龄和使用中的至少一个来模型化所述部件的故障行为；
其中所述至少一个控制器和处理器中的一个被配置成将在第二时间段期间的所述部件的实际使用与所述故障行为的所述模型相比较，以及响应于所述比较确定所述部件的故障概率。
17.如权利要求16所述的设备，还包括用于将所述操作数据传送至所述至少一个处理器的远程信息处理装置。
18.如权利要求16所述的设备，其中在维修事件期间从所述控制器收集所述操作数据。
19.如权利要求16所述的设备，其中所述所识别的一个或多个参数包括制动频率、超过阈值量的所述部件的速度变化以及超过阈值量的所述部件的扭矩中的一个或多个。
20.如权利要求16所述的设备，其中所述控制器和所述计算机处理器中的所述一个被配置成将所述部件的所述实际使用与所述部件的当前里程数和终止保修期里程数相比较。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US201862654973P | 2018-04-09 | 2018-04-09 | |
| US62/654973 | 2018-04-09 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110362849A true CN110362849A (zh) | 2019-10-22 |
Family
ID=68214822
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910283441.XA Pending CN110362849A (zh) | 2018-04-09 | 2019-04-09 | 基于使用的动力系统/机器部件的故障率估计 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110362849A (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102521613A (zh) * | 2011-12-17 | 2012-06-27 | 山东省科学院自动化研究所 | 一种汽车电子系统的故障诊断方法 |
| CN102982400A (zh) * | 2011-08-03 | 2013-03-20 | 通用电气公司 | 用于风险管理系统的系统 |
| US20160035150A1 (en) * | 2014-07-30 | 2016-02-04 | Verizon Patent And Licensing Inc. | Analysis of vehicle data to predict component failure |
| US20160163130A1 (en) * | 2014-12-08 | 2016-06-09 | Ford Global Technologies, Llc | Method and Apparatus for Connected Vehicle System Wear Estimation and Maintenance Scheduling |
| US20170109222A1 (en) * | 2015-10-15 | 2017-04-20 | Tata Consultancy Services Limited | Systems and methods for predictive reliability mining |
| CN106598029A (zh) * | 2016-12-21 | 2017-04-26 | 北京交通大学 | 基于性能退化的列控车载设备可靠性预测方法 |
| US20170221069A1 (en) * | 2016-01-13 | 2017-08-03 | Donald Remboski | Real time failure analysis and accurate warranty claim assesment |
| CN107077649A (zh) * | 2014-09-10 | 2017-08-18 | 卡特彼勒公司 | 用于预测机器部件的相关联的故障的系统和方法 |
-
2019
- 2019-04-09 CN CN201910283441.XA patent/CN110362849A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102982400A (zh) * | 2011-08-03 | 2013-03-20 | 通用电气公司 | 用于风险管理系统的系统 |
| CN102521613A (zh) * | 2011-12-17 | 2012-06-27 | 山东省科学院自动化研究所 | 一种汽车电子系统的故障诊断方法 |
| US20160035150A1 (en) * | 2014-07-30 | 2016-02-04 | Verizon Patent And Licensing Inc. | Analysis of vehicle data to predict component failure |
| CN107077649A (zh) * | 2014-09-10 | 2017-08-18 | 卡特彼勒公司 | 用于预测机器部件的相关联的故障的系统和方法 |
| US20160163130A1 (en) * | 2014-12-08 | 2016-06-09 | Ford Global Technologies, Llc | Method and Apparatus for Connected Vehicle System Wear Estimation and Maintenance Scheduling |
| US20170109222A1 (en) * | 2015-10-15 | 2017-04-20 | Tata Consultancy Services Limited | Systems and methods for predictive reliability mining |
| US20170221069A1 (en) * | 2016-01-13 | 2017-08-03 | Donald Remboski | Real time failure analysis and accurate warranty claim assesment |
| CN106598029A (zh) * | 2016-12-21 | 2017-04-26 | 北京交通大学 | 基于性能退化的列控车载设备可靠性预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10692053B2 (en) | Predictive maintenance | |
| EP3740405B1 (en) | Vehicle failure warning system and corresponding vehicle failure warning method | |
| KR101713985B1 (ko) | 예지 정비 방법 및 장치 | |
| US8095261B2 (en) | Aggregated information fusion for enhanced diagnostics, prognostics and maintenance practices of vehicles | |
| US20180276913A1 (en) | Remote vehicle network monitoring and failure prediction system | |
| US8676432B2 (en) | Fault prediction framework using temporal data mining | |
| KR20190107080A (ko) | 클라우드 기반 차량 고장 진단 방법, 장치 및 시스템 | |
| US8275735B2 (en) | Diagnostic system | |
| US20200117177A1 (en) | Computer System and Method of Defining a Set of Anomaly Thresholds for an Anomaly Detection Model | |
| US11868101B2 (en) | Computer system and method for creating an event prediction model | |
| US20050096759A1 (en) | Distributed power generation plant automated event assessment and mitigation plan determination process | |
| EP2277778A2 (en) | Vehicle health management systems and methods with predicted diagnostic indicators | |
| Rögnvaldsson et al. | Self-monitoring for maintenance of vehicle fleets | |
| CN103493019A (zh) | 多代理程序合作车辆故障诊断系统和相关联的方法 | |
| Yang et al. | Machine learning-based methods for TTF estimation with application to APU prognostics | |
| EP3617824A1 (en) | System, apparatus and method of managing an asset using an asset model | |
| WO2011073613A1 (en) | A method, apparatus and computer program for diagnosing a mode of operation of a machine | |
| CN111016827A (zh) | 用于自动驾驶车辆的配电系统的健康自学习系统和方法 | |
| CN104281143A (zh) | 故障预测装置 | |
| CN109740191B (zh) | 风传感器剩余使用寿命的预测方法、装置及设备 | |
| CN110362849A (zh) | 基于使用的动力系统/机器部件的故障率估计 | |
| Davari et al. | A fault detection framework based on lstm autoencoder: A case study for volvo bus data set | |
| WO2022175767A1 (en) | Equipment fault detection system using artificial intelligence(icms) | |
| US20220284740A1 (en) | Method for determining the operating state of vehicle components | |
| CN113632027A (zh) | 利用自动异常检测的资产状况监测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |