CN111275237A - 部件的战略部署的方法和系统 - Google Patents

Abstract

提供了用于优化制造过程的方法和系统。例如，提供了一种用于优化新零件的制造过程的方法。该方法包括由配置为驱动制造过程的系统执行一组制造。该方法包括接收与一个或多个现场零件相关联的数据。该方法进一步包括生成与一个或多个现场零件相关联的第一模型，并基于第一模型更新与新零件相关联的第二模型。该方法进一步包括根据更新的第二模型制造新零件。

Description

部件的战略部署的方法和系统

技术领域

本公开大体涉及工业资产及其部件的制造，部署和管理。更具体地，本公开涉及用于战略部署资产和/或其部件的方法和系统。

背景技术

新推出的产品的典型生命周期收益曲线可能表现出三个不同的阶段。第一阶段是最早的阶段，通常包括客户在采用和评估产品时的早期现场经验，并且产品制造商会收集有关产品现场使用的商业和技术方面的数据。在第一阶段，制造商的收益通常为负数，因为制造和部署产品的成本可能会超过来自早期采用客户的收入。

第二阶段通常开始于收益变为正数，包括一个高增长阶段，在该阶段该产品已被许多客户所采用，并且收益快速增长。在第三阶段，通常会观察到收益处于稳定状态，这表明该产品已达到其最大的市场潜力。

从制造商的角度来看，典型的制造过程的目标之一就是为客户提供价值。这样，零件通常被设计为提供可能的最大耐久性，并且相应地优化典型的制造过程。但是，典型的制造过程缺乏可以使人们在不影响耐久性或平衡整个给定企业的流程的情况下有利地改变收益曲线的技术基础设施。换句话说，当前的制造过程并不旨在优化制造成本和零件性能。

发明内容

本文特定的实施例帮助解决或减轻上述问题以及本领域中已知的其他问题。鉴于本公开可实现的实施例允许资产组中的部件的战略部署。

例如，一个实施例可以提供在现场操作中已部署的资产/零件/部件的预测寿命的模型；该模型可用于提供对新制作的模型的更新，即对所制造的资产/零件/部件的模型的更新。更新可以基于一个或多个数字数据流。然后，可以利用更新的新制作的模型，基于新制作零件的制造数据，路线结构，降额和环境条件来驱动制造过程。在示例性实施中，前述两个模型可以是基于物理的，基于机器学习的，基于人工智能的或其组合。

另一个实施例提供一种用于优化新零件的制造过程的方法。该方法包括由配置为驱动制造过程的系统来执行一组制造功能。该方法包括接收与现场零件相关的数据，并生成现场零件耐久性的模型。在一些实施中，现场零件的耐久性的模型可以是基于物理的，基于机器学习的，基于人工智能的或其组合。该方法进一步包括基于现场零件的耐久性的模型更新新零件的模型。在使用机器学习和/或人工智能的某些实施中，新零件的模型可以实时更新。

另一个实施例提供一种用于优化新零件的制造过程的系统。该系统包括处理器和存储器(memory)，该存储器包括指令，当指令被处理器执行时，使处理器执行某些操作。这些操作可以包括接收与现场零件相关的数据，并根据该数据生成现场零件的耐久性的模型。这些操作进一步可以包括根据现场零件的耐久性的模型更新新零件的模型。在一些实施中，现场零件的耐久性的模型可以是基于物理的，基于机器学习的，基于人工智能的或其组合。在使用机器学习和/或人工智能的某些实施中，新零件的模型可以实时更新。

下面参考附图描述各种实施例的附加特征，操作模式，优点和其他方面。注意，本公开不限于本文描述的特定实施例。这些实施例仅出于说明性目的。基于所提供的教导，其他实施例或本公开的实施例的修改对于相关领域的技术人员将是显而易见的。

附图说明

示例性实施例可以采取各种部件和部件的布置的形式。在附图中示出了示例性实施例，在全部附图中，相似的附图标记可以指示各个附图中的对应或相似部分。

此外，附图仅用于说明实施例的目的，并且不应被解释为限制本公开。根据以下附图的启用描述，本公开的新颖性方面对于相关领域的普通技术人员将变得显而易见。

图1示出根据实施例的过程。

图2示出根据实施例的方法。

图3示出根据实施例的系统。

具体实施方式

尽管本文针对特定应用描述了示例性实施例，但是应当理解，本公开不限于此。本领域技术人员和能够访问本文提供的教导的人将认识到在其范围内的附加应用、修改和实施例以及本公开将具有重大实用价值的附加领域。

在一个示例实施例中，可以将管道镜检查数据，蓝光扫描的零件几何数据，硬件的光学图像(照片)，基于红外光的测量值以及部分或全场数据流反馈到现场零件的耐久性的模型。然后，这些量化的图像可被用于更新零件寿命状态，然后被用于精调模型的精度。然后，该信息将被用于驱动新的配套决策以制造一个或多个新零件。

这样，商业团队可以使用从上述数据流形式化的模型来提供针对在翼时间(timeon wing)，前期制造参数和成本的优化的定制合同。此外，应注意，尽管当前将重点放在光学检查技术上以量化硬件中的损坏，但是本文所描述的示例性实施例还可以利用新颖的检查技术，例如基于压敏涂料的检查方法，蓝光扫描，甚至红外热成像法，以将丰富的物理数据提供回工程模型，以提高预测能力。

图1示出了根据示例性实施例的过程100。过程100可以是与部件的生命周期和/或一般制造周期相关联的示例过程。尽管是在飞机或喷气发动机零件的背景中描述了过程100，但是过程100可以扩展到制造，或者通常扩展到任何制造部件的生命周期。过程100包括作为产品环境谱的模块102。换句话说，模块102可以是存储关于在现场使用的相同产品的一个或多个实例的信息的数据库。

例如，模块102可以包括关于多个涡轮叶片在一组发动机中(即，在两个或更多个发动机中，或者通常在两个或更多个飞机上)被任用时的可靠性或故障的信息。模块102可以被配置为组织产品环境谱，或根据来自与之通信联接的设备的请求呈现产品环境谱，该产品环境谱以预定顺序对所有感兴趣的产品进行分类。

例如，可以将产品从性能最好的(102a)到性能最差的(102n)进行分类。通常，可以使用一个或多个标准来根据上述谱对这些产品进行分类。例如，在发动机的热气体路径部件的情况下，可以根据产品的热性能来对产品进行分类，可以使用一种或多种全场检查方法对其进行测量。

产品环境谱可以由来自客户的约束驱动，来自客户的约束可以在模块104中被收集和被功能化(即，以计算机指令的形式放置)。类似地，产品环境谱可以由商业约束驱动，商业约束可以在模块106中被功能化。

模块104的客户约束还可以驱动模块108的工程功能，该工程功能又反过来驱动如在模块112中功能化的制造决策。过程100进一步包括战略部署分析模块110，其是可以输出用于新制作的模型以进一步改变模块108的工程决策并因此在模块112处生成新的一组制造功能的分析模块。例如，但不限于，新制作的模型可以与发动机部件(例如发动机的热气体路径)相关联。在又一个实施例中，新制作的模型还可以与冷区段零件(如压缩机叶片)相关联，以在模块级别上针对诸如冷区段空气动力效率的参数进行优化。

此外，相对于不基于新制作的模型的另一组制造功能，新的一组制造功能可以表示优化的一组制造功能。例如，这组制造功能可以是既提供更好的零件(即，具有专门针对将要使用的零件的应用而调整的耐久性)又提供制造该零件的最佳成本的制造过程。

分析模块110被配置为基于由与现场零件相关联并接收到网络111的一个或多个数字数据流构建的现场零件的模型，为将要制造的新零件提供模型。换句话说，新的和更新的模型可以基于已经在使用中的零件的模型来驱动新的制造功能；后者的模型是根据与在使用中的零件相关的检查数据构建的。因此，更新的模型提供了基于新制作零件的制造数据，路线结构，降额(de-rate)和环境条件来驱动优化的利润(profitability)的能力。

通常，与现场零件关联的模型可以包括第一层，该第一层包含关于每个单独系统中的每个单独零件如何老化或磨损以及所有这些零件具有多少剩余寿命的不断更新的预测。这样，该模型以与现场零件的耐久性相关的统计分布为特征。例如，这种分布将表明某些零件的剩余寿命更长，而某些零件的剩余寿命更短。这些预测的准确性会随着时间的推移而越来越好，这是因为随着模型使用来自车间的越来越多的零件的新校准/调整/培训数据而不断更新，寿命的估算会随着时间而越来越好。

在第二层中，与现场零件关联的模型可以包括用于正在制造的新制作零件的数据。在实施例中，这两个层可以被组合(例如数字地)以更新新制作的模型，该模型将现场零件数据与未来的新制作的零件相关联，从而将零件在整个生命周期中有多少剩余寿命的那些预测连接起来。然后，可以使用新制作的模型的代表来决定关于要制作多少零件，所需零件的质量是什么以及将不同质量的零件发送到哪里(例如，到我们供应链中的哪些供应商)的决策。在又一个实施例中，新制作的模型可以使特定的检查信号与零件质量相关联。

新制作的模型可以是基于机器学习的，基于人工智能的或基于相关性的或其组合的。在使用机器学习和/或人工智能的实施方式中，可以实时更新新制作的模型并将其数字线程化入制造系统中，以驱动制造结果。

通过实施例，由于新制作的模型可以提供对于给定应用的预期零件性能的特定见解，因此零件可以制造得更便宜。例如，在一个示例用例中，在模型得出涡轮的第一级的零件过早磨损时，可以制造涡轮的第二级的低寿命零件。换句话说，在该示例中，模型可以指示由于第一级的零件将首先失效，因此不需要优化第二级的零件以胜过第一级的零件。稍后，当解决了第一级的问题后，由于可以动态更新新制作的模型，因此可以更新第二级的零件的制造功能，以便为第二级制作持续时间更长的新零件。这样，实施例可以允许多零件战略部署。

图2示出了可以由分析模块110执行并且集成在过程100中的示例性方法。该方法开始于步骤202，并且该方法包括设置用于制作新零件的制造指令(步骤204)。这些指令最初可能包含一组制造功能，用于基于几何约束或通常基于预定的初始的一组制造功能来制造新零件。

然后，过程100移至步骤206，在该步骤中，从网络111提取数据流，在步骤208使用该数据流来创建模型。该方法然后移至步骤210，其中根据新创建的模型来更新用于新零件的初始模型。然后，该方法响应于更新的模型而创建新的，即一组更新的制造功能(步骤212)。然后，该方法包括在步骤214处根据更新后的一组制造功能来制造新零件，并且该方法在步骤216处结束。

已经描述了方法和过程，现在描述被配置为执行这些过程和方法的专用系统。图3描绘了系统300，其包括专用处理器314，该专用处理器314被配置为基于模型执行特定于优化制造过程的任务。系统300可以是本地化系统，或者可以是基于云的计算基础设施的一部分。处理器314具有由存储在存储器302中的指令和/或可以由处理器314从储存器(storage)320获取的指令318赋予的特定结构。储存器320可以与处理器314位于同一位置，或者可以位于其他位置，并例如经由通信接口316与处理器314通信地联接。

系统300可以是独立的可编程系统，或者可以是位于更大系统中的可编程模块。例如，系统300可以是被配置为处理上述过程100的各种模块的分布式系统的一部分。处理器314可以包括被配置为获取，解码，执行，存储，分析，分发，评估和/或分类信息的一个或多个硬件和/或软件部件。此外，处理器314可以包括输入/输出模块(I/O模块312)，该输入/输出模块可以被配置为摄取与单项资产或资产组有关的数据。

处理器314可以包括一个或多个处理设备或核心(未示出)。在一些实施例中，处理器314可以是多个处理器，每个处理器具有一个或多个核心。处理器314可以被配置为执行从存储器302(即，从存储区(memory block)304，存储区306，存储区308和存储区310之一)获取的指令。

此外，在不失一般性的情况下，储存器320和/或存储器302可以包括易失性或非易失性，磁性，半导体，磁带，光学，可移动，不可移动，只读，随机访问，或任何类型的非暂时性计算机可读计算机介质。储存器320可以被配置为记录在处理器314的操作期间处理，记录或收集的数据。

可以按照与数据存储实践一致的各种方式对数据进行时间戳记，位置戳记，编目，索引或组织。储存器320和/或存储器302可以包括处理器314可以用来执行与本文所描述的任务一致的任务的程序和/或其他信息。

例如，处理器314可以由来自存储区306，存储区308和存储区310的指令配置，以形成上述分析模块110，以基于从网络111接收到的数据流生成模型。处理器314可以执行来自存储区306、308和310的上述指令。处理器314然后可以输出优化该过程的一组制造指令。

通常，处理器在执行来自存储区306，308和310的指令时执行的操作可以包括基于源于制造模块112，工程模块108和客户服务模块104以及网络110中的至少一个的信息画布(canvas)中获取的推荐来构造一组制造功能。该操作可以包括：接收与现场零件的检查相关联的数据；以及基于该数据生成现场零件的模型。该操作可以进一步包括基于该模型更新新零件的模型。

相关领域的技术人员将理解，在不脱离本公开的范围和精神的情况下，可以配置上述实施例的各种修改和变型。因此，应理解，在所附权利要求的范围内，可以不同于本文具体描述的方式实践本公开。

本发明的进一步方面通过以下条项的主题提供：

1.一种制造新零件的方法，所述方法包括：由配置为驱动制造过程的系统执行一组制造功能，所述执行包括：由所述系统接收与一个或多个现场零件相关联的数据，所述一个或多个现场零件是正在使用的一个或多个零件和新制造的一个或多个零件的组合；由所述系统基于所述数据生成第一模型，所述第一模型包括与所述正在使用的一个或多个零件相关联的第一层和与所述新制造的一个或多个零件相关联的第二层；基于所述第一模型更新与所述新零件相关联的第二模型，所述更新产生所述一组制造功能；和根据所述一组制造功能制造所述新零件。

2.根据任何在前条项的方法，其中所述第一模型和所述第二模型中的至少一个是基于以下各项中的一项：基于机器学习的模型，基于人工智能的模型，基于物理的模型，基于相关性的模型或其特定组合。

3.根据任何在前条项的方法，其中所述数据包括与现场零件的检查相关联的一组图像。4.根据任何在前条项的方法，其中所述检查是基于光学检查设备的。

5.根据任何在前条项的方法，其中所述执行进一步包括从网络获取所述数据。

6.根据任何在前条项的方法，其中所述一个或多个现场零件与发动机的热气体路径或所述发动机的冷区段相关联。

7.根据任何在前条项的方法，其中数据包括管道镜数据，蓝光扫描的零件几何数据，光学图像，红外测量值，压敏涂料数据或其特定组合中的至少一项。

8.根据任何在前条项的方法，其中所述执行包括驱动新的配套决策。

9.根据任何在前条项的方法，其中所述执行包括驱动新的配套决策，以最大化制造利润和耐久性中的至少一个。

10.一种用于制造新零件的系统，所述系统包括：处理器；包括指令的存储器，当所述指令由所述处理器执行时，使所述处理器执行以下操作：接收与一个或多个现场零件相关联的数据，所述一个或多个现场零件是正在使用的一个或多个零件和新制造的一个或多个零件的组合；基于所述数据生成第一模型，所述第一模型包括与所述正在使用的一个或多个零件相关联的第一层和与所述新制造的一个或多个零件相关联的第二层；基于所述第一模型更新与所述新零件相关联的第二模型；和产生所述一组制造功能，以使所述制造系统根据所述一组制造功能制造所述新零件。

11.根据任何在前条项的系统，其中所述第一模型和所述第二模型中的至少一个是基于以下各项中的一项：基于机器学习的模型，基于人工智能的模型，基于物理的模型，基于相关性的模型或其特定组合。

12.根据任何在前条项的系统，其中所述数据包括与所述一个或多个现场零件相关联的一组图像。

13.根据任何在前条项的系统，其中所述检查是基于光学检查设备的。

14.根据任何在前条项的系统，其中所述执行进一步包括从网络获取所述数据。

15.根据任何在前条项的系统，其中所述一个或多个现场零件与发动机的热气体路径或所述发动机的冷区段相关联。

16.根据任何在前条项的系统，其中所述数据包括管道镜检查数据，蓝光扫描的零件几何数据，光学图像，红外测量值，基于压敏涂料的测量值或其特定组合中的至少一项。

17.根据任何在前条项的系统，其中所述操作进一步包括驱动新的配套决策。

18.根据任何在前条项的系统，其中所述操作进一步包括驱动新的配套决策，以最大化利润和耐久性中的至少一个。

19.根据任何在前条项的系统，其中所述数据包括图像。

20.根据任何在前条项的系统，其中所述执行包括基于所述图像为所述第二模型生成实时更新。

Claims (10)

1.一种制造新零件的方法，其特征在于，所述方法包括：

由配置为驱动制造过程的系统执行一组制造功能，所述执行包括：

由所述系统接收与一个或多个现场零件相关联的数据，所述一个或多个现场零件是正在使用的一个或多个零件和新制造的一个或多个零件的组合；

由所述系统基于所述数据生成第一模型，所述第一模型包括与所述正在使用的一个或多个零件相关联的第一层和与所述新制造的一个或多个零件相关联的第二层；

基于所述第一模型更新与所述新零件相关联的第二模型，所述更新产生所述一组制造功能；和

根据所述一组制造功能制造所述新零件。

2.根据权利要求1所述的方法，其特征在于，其中所述第一模型和所述第二模型中的至少一个是基于以下各项中的一项：基于机器学习的模型，基于人工智能的模型，基于物理的模型，基于相关性的模型或其特定组合。

3.根据权利要求1所述的方法，其特征在于，其中所述数据包括与现场零件的检查相关联的一组图像。

4.根据权利要求3所述的方法，其特征在于，其中所述检查是基于光学检查设备的。

5.根据权利要求1所述的方法，其特征在于，其中所述执行进一步包括从网络获取所述数据。

6.根据权利要求1所述的方法，其特征在于，其中所述一个或多个现场零件与发动机的热气体路径或所述发动机的冷区段相关联。

7.根据权利要求1所述的方法，其特征在于，其中数据包括管道镜数据，蓝光扫描的零件几何数据，光学图像，红外测量值，压敏涂料数据或其特定组合中的至少一项。

8.根据权利要求1所述的方法，其特征在于，其中所述执行包括驱动新的配套决策。

9.根据权利要求1所述的方法，其特征在于，其中所述执行包括驱动新的配套决策，以最大化制造利润和耐久性中的至少一个。

10.一种用于制造新零件的系统，其特征在于，所述系统包括：

处理器；

包括指令的存储器，当所述指令由所述处理器执行时，使所述处理器执行以下操作：

接收与一个或多个现场零件相关联的数据，所述一个或多个现场零件是正在使用的一个或多个零件和新制造的一个或多个零件的组合；

基于所述数据生成第一模型，所述第一模型包括与所述正在使用的一个或多个零件相关联的第一层和与所述新制造的一个或多个零件相关联的第二层；

基于所述第一模型更新与所述新零件相关联的第二模型；和

产生所述一组制造功能，以使所述制造系统根据所述一组制造功能制造所述新零件。

Images