CN111386503A - 用于一个或多个机电系统的诊断和寿命预测的系统、方法和控制单元 - Google Patents

用于一个或多个机电系统的诊断和寿命预测的系统、方法和控制单元 Download PDF

Info

Publication number
CN111386503A
CN111386503A CN201880077373.5A CN201880077373A CN111386503A CN 111386503 A CN111386503 A CN 111386503A CN 201880077373 A CN201880077373 A CN 201880077373A CN 111386503 A CN111386503 A CN 111386503A
Authority
CN
China
Prior art keywords
electromechanical
fleet
electromechanical system
model
response
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
Application number
CN201880077373.5A
Other languages
English (en)
Other versions
CN111386503B (zh
Inventor
V.汉德
S.奈尔
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.)
Siemens AG
Original Assignee
Siemens AG
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 Siemens AG filed Critical Siemens AG
Publication of CN111386503A publication Critical patent/CN111386503A/zh
Application granted granted Critical
Publication of CN111386503B publication Critical patent/CN111386503B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM]
    • G05B19/41885—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM] characterised by modeling, simulation of the manufacturing system
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
    • F16C—SHAFTS; FLEXIBLE SHAFTS; ELEMENTS OR CRANKSHAFT MECHANISMS; ROTARY BODIES OTHER THAN GEARING ELEMENTS; BEARINGS
    • F16C41/00—Other accessories, e.g. devices integrated in the bearing not relating to the bearing function as such
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B17/00—Systems involving the use of models or simulators of said systems
    • G05B17/02—Systems involving the use of models or simulators of said systems electric
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
    • G05B23/0254—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, Neural Networks
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
    • 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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
    • 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
    • G06Q10/067—Enterprise or organisation modelling
    • 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
    • G06Q10/20—Administration of product repair or maintenance
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
    • F16C—SHAFTS; FLEXIBLE SHAFTS; ELEMENTS OR CRANKSHAFT MECHANISMS; ROTARY BODIES OTHER THAN GEARING ELEMENTS; BEARINGS
    • F16C2233/00—Monitoring condition, e.g. temperature, load, vibration
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/50—Machine tool, machine tool null till machine tool work handling
    • G05B2219/50185—Monitoring, detect failures, control of efficiency of machine, tool life

Abstract

提供了用于一个或多个机电系统（480）的诊断和寿命预测的系统、方法和控制单元。所述方法包括从与机电系统（480）的操作相关联的多个传感器（482,484）接收传感器数据。所述方法包括根据传感器数据而确定与机电系统（480）的至少一个故障模式相关联的至少一个系统响应（485），其中所述传感器数据指示机电系统（480）的所述至少一个故障模式。所述方法此外包括接收与机电系统（480）的所述至少一个故障模式相关联的至少一个所模拟的响应（495），其中在机电系统（480）的系统模型上模拟所述至少一个故障模式。所述方法包括基于所述至少一个系统响应（485）和所述至少一个所模拟的响应（495）来实时地生成机电系统（480）的混合模型，其中所述混合模型组合所述至少一个系统响应（485）和所述至少一个所模拟的（495）。所述方法还包括基于所述混合模型来生成机电系统（480）的诊断，其中所述诊断包括机电系统（480）中的一个或多个故障的标识，并且其中所述一个或多个故障指示所述一个或多个机电系统（480）的降级的开始。所述方法包括基于所述诊断来预测机电系统（480）的寿命趋势（460）。

Description

用于一个或多个机电系统的诊断和寿命预测的系统、方法和 控制单元
技术领域
本发明涉及实时地监视并且控制机电系统的操作。
背景技术
操作期间的机电系统由于由外部影响或内部结构弱点所引起的疲劳或蠕变或断裂而经历故障。所述故障导致表面完整性、几何结构或内部结构的损伤。如果在早期阶段没有检测到故障，则机电系统可导致系统停止运转以及未经调度的维护。
监视机电系统的操作用于故障检测和诊断。通过为机电系统生成模型来执行所述监视。这样的方法关于文献US 20110137575中的涡轮机而被公开。本文中所公开的方法仅仅使用工程物理学的原理来执行诊断。基于物理学的模型是受限的，因为模型的准确性没有被验证。因此，这样的方法不能诊断随时间的机电性能，并且因此，不能准确地预测机电系统的维护和停机时间。此外，模型不可缩放至多个机电系统，其使得多个机电系统的可靠性的确定是困难的。
发明内容
因此，本发明的目的是对机电系统准确地建模，以用于单独地以及以组合地机电系统的准确诊断和寿命预测。
根据本发明的方法、设备和系统通过如下来实现先前提及的目的：根据传感器数据来确定与机电系统的故障模式相关联的系统响应。接收与机电系统的故障模式相关联的所模拟的响应。基于所模拟的响应和系统响应，离线和实时地生成机电系统的混合模型。基于所述混合模型来生成机电系统的操作的诊断。所述混合模型组合系统响应和所述至少一个所模拟的。此外，基于诊断来预测机电系统的寿命趋势，其遵循降级原理。
根据本发明的第一方面，提供了一种用于机电系统的诊断和寿命预测的方法。如本文中所使用的，“机电系统”是指将电能转换成机械移动或反之亦然的系统或设备。所述机电系统可以包括一个或多个组件。在示例性实施例中，所述机电系统是电动机。
此外，术语“诊断”是指监视机电系统的操作以确定机电系统中的故障或错误。诊断包括标识机电系统中的故障。机电中的故障指示所述一个或多个机电系统的降级的开始。本发明中的诊断遵循与机电系统相关联的降级原理。此外，术语“寿命趋势”是指机电系统的寿命的趋势。寿命趋势包括具有和没有故障模式的机电系统的寿命。寿命趋势包括剩余的寿命或剩余的有用寿命（RUL）、停机时间、维护时间等等。此外，寿命趋势还包括针对被给予机电系统以用于各种故障模式的不同控制命令而在剩余寿命中的改变。
所述方法开始于确定与机电系统的故障模式相关联的系统响应。术语“故障模式”是指其中机电系统可出故障的方式或模式。示例性的故障模式包括机电系统的变形和断裂模式、蠕变和疲劳。
此外，术语“系统响应”是指由机电系统对于故障模式的响应或反应。所述系统响应包括基于来自与机电系统相关联的多个传感器的传感器数据而对故障模式的多个反应。在实施例中，系统响应包括借助于捕获设备、诸如相机所捕获的图像数据和视频数据。因此，从与机电系统的操作相关联的传感器接收传感器数据。例如，在电动机中，可以基于指示较高振动的振动传感器数据来确定对于断裂故障模式的系统响应。
通过生成与故障模式相关联的机电系统中的条件来确定对于故障模式的系统响应。针对各种剖面（profile）、即任务剖面来生成对于所述条件的系统响应。术语“任务剖面”是指机电系统在其寿命之上的能力。任务剖面包括操作任务剖面和后勤剖面。因此，任务剖面包括对机电系统的寿命有影响的参数，诸如机电系统的操作和负载剖面以及负载可变性。
接收与故障模式相关联的所模拟的响应。如本文中所使用的，术语“所模拟的响应”是指系统模型对于故障模式的响应或反应。所模拟的响应包括在系统模型上模拟故障模式以确定所模拟的响应。在机电系统的系统模型上模拟故障模式。可以通过模拟与一个或多个有关故障相关联的条件来模拟故障模式。所模拟的响应还包括基于来自与机电系统相关联的传感器的传感器数据的机电系统的所预测的响应。
术语“系统模型”是指基于机电系统的物理学的所模拟的模型，其利用实时传感器数据和数据所驱动的预测智能而被连续地更新。因此，系统模型是机电系统的高保真度模拟模型，其基于有限元分析、故障模式和效应分析、贝叶斯校准、神经网络等等来被生成。所述系统模型包括针对故障模式的故障模型、降级模型等等。所述系统模型还包括与机电系统中的传感器相关联的虚拟传感器数据。
在实施例中，通过确定针对传感器的传感器关系模型来生成系统模型。在实施例中，基于传感器关于与机电系统相关联的其余传感器中的改变的灵敏性来生成传感器关系模型。通过迭代地执行关于传感器的扰动分析来确定所述灵敏性。
如本文中所使用的，“传感器数据”和“传感器值”可互换地被使用以意指针对与机电系统相关联的一个或多个操作参数所记录的一个或多个数据的表示。术语“操作参数”是指机电系统的一个或多个特性。例如，如果电动机是机电系统，则操作参数包括振动频率、振动幅度、电动机温度等等。
传感器关系模型用于生成与机电系统的一个或多个组件相关联的虚拟操作数据。术语“虚拟操作数据”是基于传感器关系模型的虚拟传感器数据的模拟，并且是指基于传感器关系模型以及基于控制理论而被推断或预测的操作数据。该推断还已知为软感测或代理感测。因此，基于虚拟操作数据、基于物理学的模型以及数据所驱动的模型的组合来构建系统模型。
根据本发明的实施例，针对机电系统、诸如感应电动机来生成系统模型。针对故障模式、诸如零误对准、0.5mm误对准和1mm误对准来预备模拟响应。
在如具有x轴和y轴的图表中捕获模拟响应，所述x轴指示频率，所述y轴指示均方根（RMS）速度（mm/sec）。所述RMS速度指示在速度方面的振动幅度。在本实施例中，模拟响应指示：由于误对准，振动幅度改变两次。通过比较所模拟的响应与系统响应来验证所模拟的响应。
因此，在该步骤中，基于来自传感器的传感器数据来生成并且验证机电系统的系统模型。此外，利用来自传感器的传感器数据来更新系统模型，以反映机电系统的当前状态。术语“当前状态”是指如下传感器数据：所述传感器数据反映机电系统在给定时刻的性能和操作条件。
实时地基于系统响应和所验证的模拟响应来生成机电系统的混合模型。如本文中所使用的，术语“混合模型”是指作为机电系统的实时传感器数据和所验证的系统模型的组合的机电系统模型。因而，混合模型不仅利用数据所驱动的和基于物理学的途径的优势，而且还基于实时传感器数据来验证系统模型。
混合模型还可以被称为机电系统的经验证的高保真度数字孪生，其能够分析机电系统在给定时刻的操作和性能。术语“数字孪生（digital twin）”被称为机电系统的多物理量、多尺度、概率模拟，其使用基于物理的模型、传感器数据、机群历史等等，以充当机电系统的虚拟孪生。在本实施例中，混合模型被实时地生成，并且因此不需要基于历史传感器数据的数据分析。
混合模型用于生成机电系统的诊断。术语“诊断”是指监视机电系统的操作以确定机电系统中的故障或错误。混合模型用于确定机电系统的性能中的异常。在实施例中，诊断还包括基于所述混合模型来确定针对传感器的最优传感器定位。通过比较虚拟传感器数据与来自机电系统的传感器数据而确定最优传感器定位。因此，最优传感器定位基于机电系统的系统模型来进行验证。
根据本发明的实施例，确定针对机电系统（包括电动机、变速箱、负载和轴）的最优传感器位置。所述负载包括尼龙绳，其是用于应用负载的供应。机电系统可以累积地被称为电动机-传动系。
电动机-传动系的系统模型基于物理学原理而被生成。利用来自对电动机-传动系的操作进行监视的传感器的实时传感器数据来连续地更新所述系统模型。所述系统模型包括针对机电系统的组件的组件模型、诸如电动机模型、齿轮模型等等。因此，系统模型能够模拟在组件模型之间的相互作用。
电动机-传动系被固定在对于外壳的电动机约束位置处。所述外壳包括平台，所述平台在平台约束位置处被固定到所述外壳。此外，负载也在负载约束位置处被固定到外壳的平台。电动机-传动系的系统模型利用类似的约束位置而被生成。在实施例中，基于针对电动机-传动系所构建的混合模型来确定所述电动机约束位置、平台约束位置和负载约束位置对于误对准的影响。
在实施例中，通过在系统模型和电动机-传动系中模拟各种故障模式来进行最优传感器位置的确定。系统模型的各种版本利用不同的虚拟传感器位置来被生成。系统模型的各种版本用于生成模拟响应。所述模拟响应与电动机-传动系的系统响应进行比较，以确定具有通过虚拟传感器的最准确的响应测量的系统模型版本。因此，虚拟传感器的位置将被确定为最优传感器位置。
根据本发明的另一实施例，将预定的力矩施加到电动机-传动系的电动机。通过在轴的中间跨度处添加相关联的重量来施加预定力矩。类似地，系统模型将被输入有在电动机模型上对预定力矩的模拟。对于预定力矩的系统响应以及来自系统模型的模拟响应被用于调谐电动机-传动系的混合模型。混合模型比较来自机电系统的传感器数据与来自系统模型的虚拟传感器数据。此外，基于传感器的位置是否使能实现电动机-传动系的及时诊断来确定最优传感器位置。因此，最优传感器位置在该处模拟响应被最准确地测量的位置处。
机电系统的诊断被用于确定机电系统的寿命趋势。术语“寿命趋势”是指机电系统的寿命的趋势。寿命趋势包括具有和没有故障模式的机电系统的寿命。此外，寿命趋势包括剩余的寿命或剩余的有用寿命（RUL）、停机时间、维护时间等等。此外，寿命趋势还包括针对与各种故障模式相关联的、被给予机电系统的不同控制命令而在剩余寿命中的改变。
在实施例中，基于混合模型来检测机电系统中的一个或多个故障。确定在故障之前以及之后的机电系统的寿命趋势。寿命趋势可以如下被计算。
例如，机电系统在时间0处开始操作，并且在时间T处具有故障的情况下在时间t处仍在操作。机电系统将幸存于附加的长度间隔
Figure 238624DEST_PATH_IMAGE001
的概率基于以下等式来被计算：
Figure 513616DEST_PATH_IMAGE002
其中R是条件式可靠性函数，P是故障的概率。
通过使用以下等式来计算在年龄t处的RUL。
Figure 187174DEST_PATH_IMAGE003
因此，RUL用于预测机电系统的性能。
根据本发明的实施例，基于所预测的性能来预测机电系统中的另外的故障。术语“另外的故障”是指可在用于确定RUL的第一故障之后发生的故障。所述另外的故障通过比较机电系统的所预测的性能和系统模型的所预测的性能来被预测。因此，本发明是有利的，因为它能够预测机电系统的潜在故障。
根据本发明的另一实施例，基于机电系统的所预测的另外的故障来生成控制命令。所述控制命令包括输入参数中的改变、负载中的减小、与对机电系统控制器的后备相关的信息等等。因此，本发明使得能够在工业自动化环境的工作场所上或机电系统本身上即时地做出自动智能决策。
根据本发明的第二方面，所生成的混合模型可以用于确定寿命趋势，以及还预测机电系统的寿命趋势。混合模型还可以用于生成机群可靠性和机群可用性。提供了一种用于多个机电系统的诊断和寿命预测的方法。在下文中，术语“机群（fleet）”用于指代多个机电系统。
所述方法包括基于多物理量模型而生成针对第一机电系统的系统模型。基于来自与第一机电系统的操作相关联的传感器的传感器数据来验证所述系统模型。此外，第一机电系统的混合模型实时地基于第一机电系统的系统响应以及针对一个或多个故障模式的系统模型的所模拟的响应。
与第一机电系统相关联的混合模型被应用到机群的其余的机电系统中的每一个。混合模型可以迭代地或累积地被应用到其余的机电系统。此外，机群包括具有不同的特性和能力、诸如不同的任务剖面、附加的传感器等等的机电系统。混合模型以一种方式被缩放以适配于任务剖面的特性并且适配于附加的传感器数据。
所述方法此外包括基于混合模型在机电系统机群上的应用来标识机电系统的机群中的故障的存在。通过比较所应用的混合模型与来自机电系统的机群的传感器数据来标识故障。在实施例中，机电系统是电动机，并且所标识的故障包括误对准。混合模型此外使得能够将错误标识为角度误对准或曲轴有关的误对准等等之一。
混合模型还使得能够实现对于一个或多个有错误的机电系统的故障的隔离。混合模型基于有错误的机电系统的系统响应来标识有错误的机电系统。系统响应可以包括在诸如振动、温度、电压、电流或磁通量之类的参数中的偏离，其与混合模型进行比较。所述比较用于隔离有错误的机电系统。
监视机群响应和所模拟的机群响应。所模拟的机群响应是基于混合模型在机电系统的机群上的应用的、机电系统的机群的所模拟的响应。所述机群响应和所模拟的机群响应用于确定针对机电系统的机群的机群降级。
此外，基于机群降级来预测机群可靠性。如本文中所使用的，“机群可靠性”是指机群在给定的条件下、在给定的时间间隔内执行的能力。机群可靠性还包括机群能够在给定的条件下、在时间间隔内如所需要的那样执行的概率。此外，基于机群可靠性来生成与机电系统的机群的操作相关联的机群诊断。
在实施例中，通过使用一利用向量来预测机群可靠性，所述利用向量指示机电系统的操作小时数。此外，确定可靠性性能指数（RPI），以允许在设计和配置选择期间量化机电系统可靠性的机群。在另一实施例中，作为固有可靠性和操作可靠性的函数来确定所述机群可靠性。当发生故障的时候，操作可靠性改变。
此外，生成与故障相关联的故障模拟。实施例中的故障是在有错误的机电系统中所检测的故障。在另一实施例中，故障包括针对机电系统的机群所预测的另外的故障。故障模拟包括疲劳模拟、断裂模拟和磨损模拟。
因此，基于故障模拟，为机电系统的机群确定机群寿命趋势。此外，机群寿命趋势包括机电系统的机群的剩余寿命趋势。此外，基于机群寿命趋势来确定机电系统的机群的机群可用性。术语“机群可用性”是指机群将处于如所需要的那样执行的状态中的能力，并且是该项处于可操作状态中的时间当相比于过去的日历时间的时候的度量。在实施例中，在数学上通过如下来表示机群可用性：
Figure 120495DEST_PATH_IMAGE004
基于机群寿命趋势和机群可用性，优化机群的检查间隔和针对机群的后备。另外，基于机群寿命趋势和机群可用性来确定“潜能到故障”（Potential-to-Failure，P-F）间隔。术语“P-F间隔”是指在功能故障在发生的过程中的可检测的征兆或告警标志（潜在故障）到实际功能故障之间的间隔。
根据本发明的实施例，所述用于机电系统的机群的诊断和寿命预测的方法可以被划分成两个阶段、诊断阶段和预测阶段。
所述诊断阶段包括如下步骤：故障标识/检测以及故障隔离和区分。针对机电系统的混合模型被生成并且被应用到机群。针对机群中而检测故障、诸如误对准、轴弯曲、松开的转子条、磨损等等。根据机群来确定有错误的机电系统。而且，确定故障的类型及其特性。为机群执行混合模型的放大，其在预测阶段之前群组化来自机群的类似系统响应。
所述预测阶段包括在机电系统的机群上模拟故障，以确定机群可靠性和机群寿命趋势。此外，机群可靠性和机群寿命趋势被用作决策支持系统，所述决策支持系统被用于在未来的故障/另外的故障的情况中生成控制命令。所述决策支持系统是指如下系统：其确定用于操作机群使得可以优化后备的过程。此外，所述决策支持系统优化检查间隔和功率，因此所述另外的故障可延迟。在实施例中，所述决策支持系统通过使用“软传感器”技术来确定轴承内圈处的振动。
此外，在预测阶段中，基于机群寿命趋势来确定机群可用性。此外基于机群寿命趋势和机群可用性来确定P-F间隔。所述机群可用性、机群寿命趋势、机群可用性经由图形用户接口而被显示。
根据本发明的第三方面，提供了一种用于机电系统的诊断和寿命预测的控制单元。机电系统包括多个传感器，其测量机电系统的操作参数。术语“操作参数”是指机电系统的一个或多个特性。例如，如果电动机是机电系统，则操作参数包括振动频率、振动幅度、引擎温度等等。此外，机电系统包括控制器，其具有能够连接到网络接口的收发器。
在实施例中，控制器从传感器接收传感器数据，并且将传感器数据传送到控制单元，其经由网络接口。在另一实施例中，控制器执行控制单元的功能。
控制单元包括通信单元、至少一个处理器、显示器、图形用户接口（GUI）以及存储器，其通信地耦合到彼此。通信单元包括传送器、接收器和吉比特以太网端口。存储器可以包括二十亿字节随机存取存储器（RAM）堆叠的层迭封装（PoP）以及闪速存储装置。存储器被提供有以计算机可读指令的形式所存储的模块。处理器被配置成执行模块中所限定的计算机程序指令。此外，处理器被配置成同时执行存储器中的指令。模块的执行还可以通过使用协处理器来被执行，所述协处理器诸如图形处理单元（GPU）、现场可编程门阵列（FPGA）或神经处理/计算引擎。显示器包括高清晰度多媒体接口（HDMI）显示器和冷却风扇。
根据本发明的实施例，控制单元可以是边缘计算设备、个人计算设备、工作站、客户端设备、启用了网络的计算设备、任何其它合适的计算装备、以及多件计算装备的组合。如本文中所使用的，“边缘计算”是指能够由边缘设备所执行的计算，所述边缘设备是具有小形状因数以及在计算功率方面的资源约束的紧凑型计算设备。
在实施例中，控制单元被配置在云计算环境上的基于云计算的平台上，其被实现为用于分析数据的服务。如本文中所使用的，“云计算”是指处理环境，其包括可配置的计算物理和逻辑资源，例如网络、服务器、存储、应用、服务等等、以及通过网络、例如因特网所分布的数据。云计算环境向可配置的计算物理和逻辑资源的共享池提供按需的网络访问。网络是例如有线网络、无线网络、通信网络、或由这些网络的任何组合所形成的网络。
另外，控制人员可以经由GUI来访问控制单元。GUI是例如在线web（网络）接口、基于web（网络）的可下载应用接口等等。
处理器执行系统响应模块、模拟响应模块、混合模型生成器、诊断模块、寿命模块、故障检测模块、预测模块和传感器模块。模块的执行是根据在本发明的第一方面中所公开的方法。
控制单元是有利的，因为它能够在没有任何与机电系统的操作相关联的历史传感器数据的情况下执行机电系统的诊断和寿命预测。此外，模拟响应和系统响应在相同的地方被校准，以提供机电系统的及时诊断。
根据本发明的实施例，提供了一种用于电动机的诊断和寿命预测的系统。所述电动机包括振动传感器和自动调温器。
所述系统包括具有系统模型的模拟平台、控制单元和显示设备。所述控制单元被安置在电动机上或极邻近处。系统响应由电动机生成，并且所模拟的响应借助于模拟平台而被生成。换言之，模拟平台上的系统模型用于生成与电动机相关联的所模拟的响应。控制单元接收模拟响应模块处的所模拟的响应以及系统响应模块处的系统响应。所模拟的响应在模型验证模块处被验证。所模拟的响应针对各种故障模式和任务剖面来被验证。
基于所述验证，控制单元诊断电动机，并且预测电动机的寿命趋势。寿命趋势借助于显示设备上的GUI来被显示。在实施例中，GUI将寿命趋势显示为时间相对于电动机性能的图表。所述性能包括当故障发生的时候的所预测的性能，以及在故障之前和之后的剩余寿命趋势。
根据本发明的另一实施例，针对电动机的剩余寿命、即RUL以图表的形式被示出。y轴指示以小时数的均值寿命，并且x轴示出剩余的操作小时数。控制单元预测电动机的剩余寿命。因此，如果存在延长剩余寿命的需要，则控制单元向操作者显示建议以减小电动机的速度。例如，如果缺少可用后备，则电动机将需要具有延长的剩余寿命，并且因此需要以减小的功率来被运行。
根据又一实施例，执行感应电动机中的故障标识。在实施例中，感应电动机是3相AC感应电动机，其具有5.5kW的额定功率，具有1450 RPM的电动机速度，具有415+/-10%的电压。感应电动机通过耦合器而被耦合到负载。感应电动机和负载的对准借助于点线来被指示。对准可以借助于图形和表格来被制表。
图形指示通过振动测量的误对准。在x轴上，提供电动机操作频率，并且在y轴上，按照mm/sec来提供均方根（RMS）速度。所述RMS速度指示在速度方面的振动幅度。图形指示在该处rms速度最高的频率。
除了图形之外，提供了表格，其具有各种振动幅度场景和对应的状态。与感应电动机相关联的控制单元通过确定2×振动幅度来确定误对准。例如，在其中2倍振动幅度在1倍操作频率的50%以下（即2×振动幅度＜1×频率）的情况下，状态是正常的。如果2倍振动幅度在1倍操作频率的50%-150%之间，那么状态是严重的。如果2倍振动幅度大于1倍操作频率的150%，那么感应电动机需要停止。
根据本发明的另一实施例，针对机电系统中的故障标识的表格包括故障的类型和相关联的图像。例如，其中是误对准故障模式，并且误对准的类型包括角度误对准、平行误对准和组合误对准。
所述表格还指示误对准的相位。例如，180°的轴向相移，180°的径向方向相移，以及轴向-径向定位180°相移。此外，所述表格指示与误对准的类型相关联的图像。与机电系统相关联的控制单元能够基于表格来确定误对准的类型和相位。
根据本发明的另一实施例，生成了机电系统中的故障模型的相互作用矩阵。如本文中所使用的，“故障模型”是指一模拟模型，其分析机电系统的操作参数和传感器数据以预测故障模式。所述故障模型是系统模型的部分。
在实施例中，机电系统是集成的驱动系统。所述矩阵指示三个主要操作阶段；“像新的那样好”阶段、操作阶段以及“像老旧的那样坏”阶段。“像新的那样好”阶段被称为第一阶段，并且“像老旧的那样坏”阶段在下文中被称为最后阶段。
在最后阶段监视第一阶段的参数以确定机电系统的降级模型。在第一阶段中，参数包括电动机加速度/速度、电动机电流/功率、电动机温度、磁通量、以及负载剖面、包括冲击负载。负载剖面基于需求并且还被称为任务剖面。
在实施例中，故障模式包括平行误对准、角度和组合误对准、轴承损坏、磨损、不平衡、转子条松开、通过突然加载的曲轴、转子摩擦、转子松动、裂缝、轴疲劳和子表面断裂。
在本实施例中，转子条松开和转子松动影响平行对准并且反之亦然。此外，平行对准受通过裂缝以及角度和组合误对准的故障影响。这类似地针对角度和组合误对准而被看到，所述角度和组合误对准受磨损、不平衡和轴承损坏影响，并且反之亦然。通过磨损的故障受不平衡影响。而通过不平衡的故障受磨损、曲轴和转子摩擦影响。类似地为所有故障模式生成相互作用。
在操作阶段期间的故障相互作用在以下各项的参数值的改变方面被输出：电动机加速度/速度、电动机电流/功率、电动机温度、磁通量以及潜能到故障值。故障相互作用的输出被用于确定剩余寿命以及生成降级模型。
根据本发明的第四方面，提供了用于多个机电系统的诊断和寿命预测的系统。所述系统包括服务器、被通信地耦合到所述服务器的网络接口。在实施例中，所述系统包括与机电系统相关联的传感器，所述机电系统经由网络接口而被通信地耦合到服务器。所述系统还包括被通信地耦合到服务器的一个或多个控制单元。
所述服务器包括通信单元、处理单元和存储器。所述存储器被配置成存储通过模块、例如故障标识模块所限定的计算机程序指令。在实施例中，服务器还可以被实现在云计算环境上，其中计算资源作为服务通过网络而被递送。
服务器的处理单元执行模块，包括故障标识模块、故障隔离模块、故障分类模块、机群诊断模块、机群寿命模块、机群监视模块、机群降级模块、可靠性模块、故障模拟模块、可用性模块和维护模块。
在执行时，故障标识模块基于由控制单元的混合模型生成器所确定的混合模型来标识机电系统中一个或多个故障的存在。故障隔离模块标识机电系统中具有所述一个或多个故障的出错误的机电系统。此外，故障分类模块基于与出错误的机电系统相关联的系统响应和所模拟的响应来对所述一个或多个故障进行分类。
处理单元执行机群诊断模块，用以基于混合模型来生成与机电系统的操作相关联的机群诊断。此外，机群寿命模块用于基于所述机群诊断来预测机电系统的机群寿命趋势。此外，机群监视模块基于混合模型在机电系统上的应用而监视机电系统的机群响应和所模拟的机群响应。
机群降级模块基于所述机群响应和所模拟的机群响应来确定针对机电系统的机群降级。此外，基于机群降级来生成机电系统的剩余寿命趋势。可靠性模块基于机群降级来预测机群可靠性。机群寿命模块被配置成基于机电系统的机群可靠性和剩余寿命趋势来确定所述多个机电系统的机群寿命趋势。
存储器此外包括故障模拟模块，用于预测与所述一个或多个故障相关联的故障模拟。故障模拟包括疲劳模拟、断裂模拟和磨损模拟。机群寿命模块基于疲劳模拟而确定剩余寿命趋势。此外，可用性模块基于机群寿命趋势来确定机电系统的机群可用性。而且，维护模块基于机群可用性来预测P-F间隔，并且优化针对机电系统的后备的检查间隔和管理。
根据本发明的实施例，提供用于分析针对多个感应电动机的机群可靠性的阶段。感应电动机中的每一个被提供有控制单元。感应电动机上的传感器能够经由无线网络接口而将传感器数据传送到与感应电动机相关联的控制单元。借助于控制服务器来监视感应电动机的操作。
在机群可靠性的第一阶段中，在测试感应电动机上学习任务剖面和故障模式。在实施例中，测试感应电动机用于构建混合模型。通过与测试感应电动机相关联的控制单元来构建混合模型。为了构建混合模型，控制单元生成系统模型并且为具有不同缺陷的各种任务剖面执行模拟，所述不同缺陷比如转子条松开、转子不平衡、轴承缺陷、不均匀的空气间隙、转子轴与外部负载的误对准、以及松开的基础等等。借助于测试感应电动机中的传感器来捕获系统响应。所模拟的响应从系统模型被生成并且通过控制单元来被验证。
所述控制单元能够理解测试感应电动机的任务剖面。当没有故障的时候，控制单元根据系统模型来确定模拟响应。所模拟的响应通过测试感应电动机的系统响应来被验证。测试感应电动机的系统模型被适当地修改以用于其余的感应电动机。
由测试感应电动机的控制单元所生成的混合模型然后经由无线网络接口而被传送到控制单元。所述混合模型被应用在其余的感应电动机中的控制单元中，以教导没有故障的场景。因此，第二阶段是教导阶段，其中在第一阶段所学习的混合模型用于教导其余的感应电动机。此外，在第三阶段，被应用到感应电动机的混合模型能够单独地和以组合地执行感应电动机的诊断和寿命预测。
在实施例中，对于感应电动机中的故障模式的系统响应针对机群可靠性、机群寿命趋势和机群可用性而被累积地分析。此外，所述机群可靠性、机群寿命趋势和机群可用性借助于无线网络接口而被显示在控制服务器上。
因此，本发明是有利的，因为它将消除用于解释机电系统性能的专家。通过本发明的诊断和寿命预测可以由操作人员用于优化备用零件需要。
本发明的以上提及的和其它的特征现在将参考本发明的附图来被提出。所说明的实施例意图说明而不是限制本发明。
本发明此外在下文中参考在附图中所示出的图示实施例来被描述，在所述附图中：
图1A是一流程图，其图示了根据本发明的实施例的用于机电系统的诊断和寿命预测的方法；
图1B是一流程图，其图示了根据本发明的实施例的用于多个机电系统的诊断和寿命预测的方法；
图1C是一流程图，其图示了根据本发明的实施例的用于机电系统的机群的诊断和寿命预测的方法；
图2图示了根据本发明的实施例的用于机电系统的诊断和寿命预测的控制单元的框图；
图3图示了根据本发明的实施例的用于多个机电系统的诊断和寿命预测的系统的框图；
图4图示了用于机电系统的诊断和寿命预测的系统的框图；
图5图示了用于确定图4中的机电系统的剩余有用寿命的阶段；
图6图示了图5中所确定的剩余寿命；
图7图示了根据本发明的实施例的用于分析针对多个机电系统的机群可靠性和机群可用性的阶段；
图8图示了根据本发明的实施例的机电系统中的故障标识；
图9是图8中的机电系统中的表格故障标识；
图10是一相互作用矩阵，其图示了根据本发明的机电系统中的故障的相互作用；
图11图示了根据本发明的系统模型的所模拟的响应；并且
图12图示了针对机电系统的最优传感器位置的标识。
具体实施方式
参考附图来描述各种实施例，其中同样的参考标号用于贯穿全文指代同样的元素。在以下的描述中，为了解释的目的，大型燃气轮机已经被认为是技术系统的示例。此外，阐明了众多特定细节以便提供对本发明的一个或多个实施例的透彻理解。这些示例不可被认为将本发明的应用限制到大型燃气轮机，并且包括能够克服传感器的限制的任何技术系统。可以明显的是，可以在没有这些特定细节的情况下实践这样的实施例。
图1A是一流程图，其图示了机电系统的诊断和寿命预测的方法100A。如本文中所使用的，“机电系统”是指将电能转换成机械移动或反之亦然的系统或设备。所述机电系统可以包括一个或多个组件。在示例性实施例中，所述机电系统是电动机。
此外，术语“诊断”是指监视机电系统的操作以确定机电系统中的故障或错误。此外，术语“寿命趋势”是指机电系统的寿命的趋势。寿命趋势包括具有和没有故障模式的机电系统的寿命。此外，寿命趋势包括剩余的寿命或剩余的有用寿命、停机时间、维护时间等等。此外，寿命趋势还包括针对被给予机电系统以用于各种故障模式的不同控制命令而在剩余寿命中的改变。
方法100A开始于如下步骤：在步骤102处确定与机电系统的故障模式相关联的系统响应。术语“故障模式”是指其中机电系统可出故障的方式或模式。示例性的故障模式包括机电系统的变形和断裂模式、蠕变和疲劳。
此外，术语“系统响应”是指由机电系统对于故障模式的响应或反应。所述系统响应包括基于来自与机电系统相关联的多个传感器的传感器数据而对故障模式的多个反应。在实施例中，系统响应包括借助于捕获设备、诸如相机所捕获的图像数据和视频数据。因此，在步骤102处，从与机电系统的操作相关联的传感器接收传感器数据。例如，在电动机中，可以基于指示较高振动的振动传感器数据来确定对于断裂故障模式的系统响应。
通过生成与故障模式相关联的机电系统中的条件来确定对于故障模式的系统响应。针对各种剖面、即任务剖面来生成对于所述条件的系统响应。术语“任务剖面”是指机电系统在其寿命之上的能力。任务剖面包括操作任务剖面和后勤剖面。因此，任务剖面包括对机电系统的寿命有影响的参数，诸如机电系统的操作和负载剖面以及负载可变性。
在步骤104处，接收与故障模式相关联的所模拟的响应。如本文中所使用的，术语“所模拟的响应”是指系统模型对于故障模式的响应或反应。所模拟的响应包括在系统模型上模拟故障模式以确定所模拟的响应。可以通过模拟与一个或多个有关故障相关联的条件来模拟故障模式。所模拟的响应还包括基于来自与机电系统相关联的传感器的传感器数据的机电系统的所预测的响应。
术语“系统模型”是指基于机电系统的物理学的所模拟的模型，其利用实时传感器数据和数据所驱动的预测智能而被连续地更新。因此，系统模型是机电系统的高保真度模拟模型，其基于有限元分析、贝叶斯校准、神经网络等等来被生成。所述系统模型包括与机电系统中的传感器相关联的虚拟传感器数据。
在实施例中，通过确定针对传感器的传感器关系模型来生成系统模型。在实施例中，基于传感器关于与机电系统相关联的其余传感器中的改变的灵敏性来生成传感器关系模型。通过迭代地执行关于传感器的扰动分析来确定所述灵敏性。
如本文中所使用的，“传感器数据”和“传感器值”可互换地被使用以意指针对与机电系统相关联的一个或多个操作参数所记录的一个或多个数据的表示。传感器数据指示机电系统的所述至少一个故障模式。术语“操作参数”是指机电系统的一个或多个特性。例如，如果电动机是机电系统，则操作参数包括振动频率、振动幅度、电动机温度等等。
传感器关系模型用于生成与机电系统的一个或多个组件相关联的虚拟操作数据。术语“虚拟操作数据”是指基于传感器关系模型以及基于控制理论而被推断或预测的操作数据。该推断还已知为软感测或代理感测。因此，基于虚拟操作数据、基于物理学的模型以及数据所驱动的模型的组合来构建系统模型。
在步骤106处，通过比较所模拟的响应与系统响应来验证所模拟的响应。因此，在该步骤中，基于来自传感器的传感器数据来生成并且验证机电系统的系统模型。此外，利用来自传感器的传感器数据来更新系统模型，以反映机电系统的当前状态。术语“当前状态”是指如下传感器数据：所述传感器数据反映机电系统在给定时刻的性能和操作条件。
在步骤108处，实时地基于系统响应和所验证的模拟响应来生成机电系统的混合模型。如本文中所使用的，术语“混合模型”是指作为机电系统的实时传感器数据和所验证的系统模型的组合的机电系统模型。因而，混合模型不仅利用数据所驱动的和基于物理学的途径的优势，而且还基于实时传感器数据来验证系统模型。
混合模型还可以被称为机电系统的经验证的高保真度数字孪生，其能够分析机电系统在给定时刻的操作和性能。术语“数字孪生（digital twin）”被称为机电系统的多物理量、多尺度、概率模拟，其使用基于物理的模型、传感器数据、机群历史等等，以充当机电系统的虚拟孪生。在本实施例中，混合模型被实时地生成，并且因此不需要基于历史传感器数据的数据分析。
在步骤110处，混合模型用于生成机电系统的诊断。术语“诊断”是指监视机电系统的操作以确定机电系统中的故障或错误。混合模型用于确定机电系统的性能中的异常。在实施例中，诊断还包括基于所述混合模型来确定针对传感器的最优传感器定位。通过比较虚拟传感器数据与来自机电系统的传感器数据而确定最优传感器定位。因此，最优传感器定位基于机电系统的系统模型来进行验证。
在步骤112处，机电系统的诊断被用于确定机电系统的寿命趋势。术语“寿命趋势”是指机电系统的寿命的趋势。寿命趋势包括具有和没有故障模式的机电系统的寿命。此外，寿命趋势包括剩余的寿命或剩余的有用寿命（RUL）、停机时间、维护时间等等。此外，寿命趋势还包括针对与各种故障模式相关联的、被给予机电系统的不同控制命令而在剩余寿命中的改变。
在实施例中，基于混合模型来检测机电系统中的一个或多个故障。确定在故障之前以及之后的机电系统的寿命趋势。寿命趋势可以如下被计算。
例如，机电系统在时间0处开始操作，并且在时间T处具有故障的情况下在时间t处仍在操作。机电系统将幸存于附加的长度间隔
Figure 320533DEST_PATH_IMAGE001
的概率基于以下等式来被计算：
Figure 229408DEST_PATH_IMAGE005
其中R是条件式可靠性函数，P是故障的概率。
通过使用以下等式来计算在年龄t处的RUL：
Figure 514896DEST_PATH_IMAGE006
因此，RUL用于预测机电系统的性能。
在步骤114处，基于所预测的性能来预测机电系统中的另外的故障。术语“另外的故障”是指可在用于确定RUL的第一故障之后发生的故障。所述另外的故障通过比较机电系统的所预测的性能和系统模型的所预测的性能来被预测。
在步骤116处，基于机电系统的所预测的另外的故障来生成控制命令。所述控制命令包括输入参数中的改变、负载中的减小、与对机电系统的控制器的后备相关的信息等等。
因此，在步骤108处所生成的混合模型可以用于确定寿命趋势，以及还预测机电系统的寿命趋势。混合模型还可以用于生成机群可靠性和机群可用性，如在方法100B中所指示的。
图1B是一流程图，其图示了多个机电系统的诊断和寿命预测的方法100B。在下文中，术语“机群”用于指代多个机电系统。
在步骤120处，基于多物理量模型而生成针对第一机电系统的系统模型。在步骤122处，基于来自与第一机电系统的操作相关联的传感器的传感器数据来验证所述系统模型。此外，在步骤124处，第一机电系统的混合模型实时地基于第一机电系统的系统响应以及针对一个或多个故障模式的系统模型的所模拟的响应。已经在图1A中的步骤102-108中详细阐述了步骤120-124。
在步骤126处，与第一机电系统相关联的混合模型被应用到机群的其余的机电系统中的每一个。混合模型可以迭代地或累积地被应用到其余的机电系统。此外，机群包括具有不同的特性和能力、诸如不同的任务剖面、附加的传感器等等的机电系统。混合模型以一种方式被缩放以适配于任务剖面的特性并且适配于附加的传感器数据。
在步骤128处，基于混合模型在机电系统机群上的应用来标识机电系统的机群中的故障的存在。通过比较所应用的混合模型与来自机电系统的机群的传感器数据来标识故障。在实施例中，机电系统是电动机，并且所标识的故障包括误对准。混合模型此外使得能够将错误标识为角度误对准或曲轴有关的误对准等等之一。
在步骤130处，混合模型还使得能够实现对于一个或多个有错误的机电系统的故障的隔离。混合模型基于有错误的机电系统的系统响应来标识有错误的机电系统。系统响应可以包括在诸如振动、温度、电压、电流或磁通量之类的参数中的偏离，其与混合模型进行比较。所述比较用于隔离有错误的机电系统。
在步骤132处，监视机群响应和所模拟的机群响应。所模拟的机群响应是基于混合模型在机电系统的机群上的应用的、机电系统的机群的所模拟的响应。所述机群响应和所模拟的机群响应用于确定针对机电系统的机群的机群降级。
在步骤134处，基于机群降级来预测机群可靠性。如本文中所使用的，“机群可靠性”是指机群在给定的条件下、在给定的时间间隔内执行的能力。机群可靠性还包括机群能够在给定的条件下、在时间间隔内如所需要的那样执行的概率。此外，基于机群可靠性来生成与机电系统的机群的操作相关联的机群诊断。
在实施例中，通过使用一利用向量来预测机群可靠性，所述利用向量指示机电系统的操作小时数。此外，确定可靠性性能指数（RPI），以允许在设计和配置选择期间量化机电系统可靠性的机群。在另一实施例中，作为固有可靠性和操作可靠性的函数来确定所述机群可靠性。当发生故障的时候，操作可靠性改变。
在步骤136处，生成与故障相关联的故障模拟。实施例中的故障是在有错误的机电系统中所检测的故障。在另一实施例中，故障包括针对机电系统的机群所预测的另外的故障。故障模拟包括疲劳模拟、断裂模拟和磨损模拟。
在步骤138处，基于故障模拟，为机电系统的机群确定机群寿命趋势。此外，机群寿命趋势包括机电系统的机群的剩余寿命趋势。可以通过使用在方法100A的步骤112中所述的过程来确定剩余寿命趋势。
在步骤140处，基于机群寿命趋势来确定机电系统的机群的机群可用性。术语“机群可用性”是指机群将处于如所需要的那样执行的状态中的能力，并且是该项处于可操作状态中的时间当相比于过去的日历时间的时候的度量。在实施例中，在数学上通过如下来表示机群可用性：
Figure 251908DEST_PATH_IMAGE007
基于机群寿命趋势和机群可用性，优化机群的检查间隔和针对机群的后备。另外，基于机群寿命趋势和机群可用性来确定潜能到故障（Potential-to-Failure，P-F）间隔。术语“P-F间隔”是指在功能故障在发生的过程中的可检测的征兆或告警标志（潜在故障）到实际功能故障之间的间隔。
图1C是一流程图，其图示了机电系统的机群的诊断和寿命预测的方法100C。方法100C被划分成两个阶段，诊断阶段150和预测阶段170。
诊断阶段150包括如下步骤：故障标识/检测152以及故障隔离和区分158。在步骤154处，针对机电系统的混合模型被生成并且被应用到机群。在步骤156处，针对机群中而检测故障、诸如误对准、轴弯曲、松开的转子条、磨损等等。在步骤160处，根据机群来确定有错误的机电系统。而且，确定故障的类型及其特性。
在步骤165处，为机群执行混合模型的放大，其群组化来自机群的类似系统响应。预测阶段170包括步骤172和174。
在步骤172处，在机电系统的机群上模拟故障，以确定机群可靠性和机群寿命趋势。此外，机群可靠性和机群寿命趋势被用作决策支持系统，所述决策支持系统被用于在未来的故障/另外的故障的情况中生成控制命令。所述决策支持系统是指如下系统：其确定用于操作机群使得可以优化后备的过程。此外，所述决策支持系统优化检查间隔和功率，因此所述另外的故障可延迟。在实施例中，所述决策支持系统通过使用“软传感器”技术来确定轴承内圈处的振动。
在步骤174处，基于机群寿命趋势来确定机群可用性。此外基于机群寿命趋势和机群可用性来确定P-F间隔。在步骤175处，所述机群可用性、机群寿命趋势、机群可用性经由图形用户接口而被显示。
图2图示了根据本发明的实施例的用于机电系统280的诊断和寿命预测的控制单元200的框图。
机电系统280包括多个传感器282、284、286和288，其测量机电系统280的操作参数。术语“操作参数”是指机电系统的一个或多个特性。例如，如果电动机是机电系统，则操作参数包括振动频率、振动幅度、引擎温度等等。此外，机电系统280包括控制器290，其具有能够连接到网络接口250的收发器292。
在实施例中，控制器290从传感器282-288接收传感器数据，并且将传感器数据传送到控制单元200，其经由网络接口250。在另一实施例中，控制器290执行控制单元200的功能。
控制单元200包括通信单元202、至少一个处理器204、显示器206、图形用户接口（GUI）208以及存储器210，其通信地耦合到彼此。通信单元202包括传送器、接收器和吉比特以太网端口。存储器210可以包括二十亿字节随机存取存储器（RAM）堆叠的层迭封装（PoP）以及闪速存储装置。存储器210被提供有以计算机可读指令的形式所存储的模块，例如212、224、226、228、230、232、234和236。处理器204被配置成执行模块中所限定的计算机程序指令。此外，处理器202被配置成同时执行存储器210中的指令。显示器206包括高清晰度多媒体接口（HDMI）显示器206和冷却风扇（没有在图中示出）。
根据本发明的实施例，控制单元200可以是个人计算设备、工作站、客户端设备、启用了网络的计算设备、任何其它合适的计算装备、以及多件计算装备的组合。在实施例中，控制单元200被配置在基于云计算的平台上，所述基于云计算的平台被实现为用于分析数据的服务。另外，控制人员可以经由GUI 208来访问控制单元200。GUI 208是例如在线web（网络）接口、基于web（网络）的可下载应用接口等等。
处理器204执行系统响应模块224、模拟响应模块212、混合模型生成器226、诊断模块228、寿命模块230、故障检测模块232、预测模块234和传感器模块236。
系统响应模块224在执行时根据传感器数据来确定与机电系统280的一个或多个故障模式相关联的系统响应。
所模拟的响应模块212被配置成接收与机电系统280的所述一个或多个故障模式相关联的所模拟的响应。所模拟的响应模块212包括模型生成器模块214，其用于基于多物理量模型来生成机电系统的系统模型。所述系统模型包括针对传感器282-288的虚拟传感器数据。所模拟的响应模块212此外包括模型验证模块216，其用于基于来自传感器282-288的传感器数据来验证机电系统280的系统模型。此外，所模拟的响应模块212包括模型更新器模块218，其用于利用来自传感器282-288的传感器数据来更新系统模型，用于反映机电系统280的当前状态。所述系统模型在系统模型中的所述一个或多个故障模式的模拟期间生成所模拟的响应。
为了模拟所述一个或多个故障模式，所述模拟响应模块212包括故障模式模块220，其用于生成所述一个或多个故障模式，包括机电系统280的变形和断裂模式、蠕变或疲劳。为机电系统280的每个任务剖面生成故障模式。
任务剖面模块222在执行时基于机电系统的热学-机械负载和负载可变性来生成针对机电系统的任务剖面。系统响应模块确定针对所述任务剖面和所述至少一个故障模式的所模拟的响应。
混合模型生成器226实时地基于系统响应和所模拟的响应来生成机电系统280的混合模型。在实施例中，混合模块生成器226包括模型验证模块、模型更新器模块、故障模式模块和任务剖面模块。
诊断模块228基于所述混合模型来生成机电系统280的操作的诊断。寿命模块230基于所述诊断来预测机电系统的寿命趋势。
故障检测模块232基于所述混合模型来检测机电系统280中的一个或多个故障。寿命模块230估计在所述至少一个故障之前和在所述一个或多个故障之后的机电系统280的剩余寿命趋势。预测模块234基于所述剩余寿命趋势来预测机电系统280的性能。预测模块234还基于所预测的性能来预测机电系统280中的另外的故障。处理器204基于机电系统280的所预测的另外的故障来生成控制命令。
预测模块234包括维护模块，用于预测“潜能到功能故障”间隔（P-F）间隔。维护模块优化机电系统280的后备的检查间隔和管理。如本文中所使用的，后备的管理是指与机电系统及其组件相关联的备用零件的管理。
传感器模块236基于所述混合模型来确定针对传感器282-288的最优传感器定位。最优传感器定位通过使用软传感器技术、基于机电系统280的系统模型来被验证。
控制单元200是有利的，因为它能够在没有任何与机电系统280的操作相关联的历史传感器数据的情况下执行机电系统的诊断和寿命预测。此外，模拟响应和系统响应在相同的地方被校准，以提供机电系统的及时诊断。
图3图示了根据本发明的实施例的用于多个机电系统380的诊断和寿命预测的系统300的框图。系统300包括服务器340、被通信地耦合到所述服务器的网络接口350。在实施例中，所述系统380包括与机电系统380相关联的传感器382、384、386和388，所述机电系统380经由网络接口350而被通信地耦合到服务器340。系统300还包括被通信地耦合到服务器340的一个或多个控制单元200。控制单元200的操作已经在图2中被详细阐述。
服务器340包括通信单元302、处理单元304和存储器310。存储器310被配置成存储通过模块、例如故障标识模块312所限定的计算机程序指令。在实施例中，服务器340还可以被实现在云计算环境上，其中计算资源作为服务通过网络350而被递送。
如本文中所使用的，“云计算环境”是指处理环境，其包括可配置的计算物理和逻辑资源，例如网络、服务器、存储、应用、服务等等、以及通过网络350、例如因特网所分布的数据。云计算环境向可配置的计算物理和逻辑资源的共享池提供按需的网络访问。网络350是例如有线网络、无线网络、通信网络、或由这些网络的任何组合所形成的网络。
服务器的处理单元304执行以下模块：故障标识模块312、故障隔离模块314、故障分类模块316、机群诊断模块318、机群寿命模块320、机群监视模块322、机群降级模块324、可靠性模块326、故障模拟模块328、可用性模块330和维护模块332。
在执行时，故障标识模块312基于由与控制单元200的混合模型生成器226类似的混合模型生成器所确定的混合模型来标识机电系统380中一个或多个故障的存在。故障隔离模块314标识机电系统380中具有所述一个或多个故障的出错误的机电系统（没有在图3中被示出）。此外，故障分类模块316基于与出错误的机电系统相关联的系统响应和所模拟的响应来对所述一个或多个故障进行分类。
处理单元304执行机群诊断模块318，用以基于混合模型来生成与机电系统380的操作相关联的机群诊断。此外，机群寿命模块320用于基于所述机群诊断来预测机电系统380的机群寿命趋势。此外，机群监视模块322基于混合模型在机电系统380上的应用而监视机电系统380的机群响应和所模拟的机群响应。
机群降级模块324在执行时基于所述机群响应和所模拟的机群响应来确定针对机电系统380的机群降级。此外，基于机群降级来生成机电系统380的剩余寿命趋势。可靠性模块326基于机群降级来预测机群可靠性。机群寿命模块320被配置成基于机电系统380的机群可靠性和剩余寿命趋势来确定所述多个机电系统的机群寿命趋势。
存储器310此外包括故障模拟模块328，用于预测与所述一个或多个故障相关联的故障模拟。故障模拟包括疲劳模拟、断裂模拟和磨损模拟。机群寿命模块320基于疲劳模拟而确定剩余寿命趋势。此外，存储器310包括可用性模块330，其在执行时基于机群寿命趋势来确定机电系统380的机群可用性。存储器310还包括维护模块332，其用于基于机群可用性来预测P-F间隔，并且优化针对机电系统380的后备的检查间隔和管理。
图4图示了用于机电系统480的诊断和寿命预测的系统400的框图。如图4中所示出的机电系统480是电动机480，其包括振动传感器482和自动调温器484。
系统400包括模拟平台490、控制单元450和显示设备406。控制单元450被安置在电动机480上或极邻近处。如图中所示出的，系统响应485由电动机480生成，并且所模拟的响应495借助于模拟平台490而被生成。模拟平台490包括电动机480的系统模型。因此，模拟平台的系统模型生成所模拟的响应495。控制单元450接收模拟响应模块452处的所模拟的响应495以及系统响应模块454处的系统响应485。所模拟的响应495在模型验证模块456处被验证。所模拟的响应495针对各种故障模式和任务剖面来被验证。
基于所述验证，控制单元诊断电动机480，并且预测电动机480的寿命趋势460。寿命趋势460借助于显示设备406上的GUI 408来被显示。在实施例中，GUI将寿命趋势460显示为时间412相对于电动机480的性能414的图表。性能414包括当故障发生的时候的所预测的性能，以及在故障之前和之后的剩余寿命趋势。
图5图示了用于确定机电系统480的剩余有用寿命的阶段。在步骤502处利用来自电动机480的传感器482和484的传感器数据来连续地调谐所模拟的响应495。在步骤504处接收所模拟的响应495，并且在步骤506处接收系统响应485。
所模拟的响应495在步骤508处利用系统响应485来被验证。经验证的所模拟的响应用于针对诸如误对准或不平衡等等的故障来诊断机电系统480。此外，在步骤512处确定基于可靠性的均值剩余寿命。在步骤514处，基于机电系统480的诊断来预测故障。
图6图示了在图5中所确定的剩余寿命。示出了针对电动机的剩余寿命、即剩余有用寿命。y轴604指示以小时数的均值寿命，并且x轴602示出剩余的操作小时数。如图2中所描述的控制单元被配置成预测电动机的剩余寿命。因此，如果存在延长剩余寿命的需要，则控制单元向操作者显示建议以减小电动机的速度。例如，如果缺少可用后备，则电动机将需要具有延长的剩余寿命，并且因此需要以减小的功率来被运行。
图7图示了用于分析针对工业自动化环境700中的多个机电系统780a、780b和780c的机群可靠性和机群可用性的阶段。
如图中所示，机电系统780a-780c包括感应电动机。相应地借助于传感器725、730和735来监视感应电动机780a、780b和780c的操作。感应电动机780a、780b和780c中的每一个相应地被提供有控制单元770a、770b和770c。传感器725-735能够经由无线网络接口750而将传感器数据传送到与感应电动机相关联的控制单元。借助于控制服务器740来监视感应电动机780a-780c的操作。
如图7中所示，机群可靠性的第一阶段是在阶段710处，其中在测试机电系统上学习任务剖面和故障模式。在实施例中，感应电动机780a被用作测试机电系统，用于构建混合模型。所述混合模型由控制单元770a来构建。为了构建混合模型，控制单元770a生成系统模型并且为具有不同缺陷的各种任务剖面执行模拟，所述不同缺陷比如转子条松开、转子不平衡、轴承缺陷、不均匀的空气间隙、转子轴与外部负载的误对准、以及松开的基础等等。借助于感应电动机780a中的传感器725来捕获系统响应785a。所模拟的响应从系统模型被生成并且通过控制单元770a来被验证。
控制单元770a能够理解感应电动机780a的任务剖面。当没有故障的时候，控制单元780a根据系统模型来确定模拟响应。所模拟的响应通过感应电动机780a的系统响应来被验证。感应电动机780a的系统响应被适当地修改以用于感应电动机780b和780c。
由控制单元770a所生成的混合模型然后经由无线网络接口750而被传送到控制单元770b和770c。在控制单元770b中所应用的混合模型用于教导没有故障的控制单元770b和感应电动机780b场景。因此，下一阶段是教导阶段715，其中在阶段710处所学习的混合模型用于教导感应电动机770b。此外，在阶段720处，被应用到控制单元770c的混合模型能够执行感应电动机780c的诊断和寿命预测。
阶段710、715和720可以在所有感应电动机780a-780c上被执行，并且不被限于以上所讨论的示例。在实施例中，对于感应电动机780a-780c中的故障模式的响应、即系统响应785a-785c在阶段755处针对机群可靠性、机群寿命趋势和机群可用性而被累积地分析。根据方法100B来确定所述机群可靠性、机群寿命趋势和机群可用性。此外，所述机群可靠性、机群寿命趋势和机群可用性借助于无线网络接口750而被显示在控制服务器740上。
图8图示了根据本发明的实施例的机电系统810中的故障标识。图中的机电系统是感应电动机810。在实施例中，感应电动机810是3相AC感应电动机，其具有5.5kW的额定功率，具有1450 RPM的电动机速度，具有415+/-10%的电压。
如图8中所示，感应电动机810通过耦合器815而被耦合到负载820。感应电动机810和负载820的对准借助于点线825来被指示。对准825借助于图形830和表格来被制表。
图形830指示通过振动测量的误对准。在x轴上，提供电动机操作频率832，并且在y轴上，按照mm/sec来提供均方根（RMS）速度834。所述RMS速度指示在速度方面的振动幅度。图形830指示在该处RMS速度最高的频率836。
除了图形830之外，图8示出了表格，其具有在列840中所提供的各种振动幅度场景以及列850中的对应的状态。字段842是指一种场景，其中2倍振动幅度在1倍操作频率的50%以下（即2×振动幅度＜1×频率）。在这样的场景中，状态是正常的852。如果2倍振动幅度在1倍操作频率的50%-150%之间（字段844），那么状态是严重的854。如果2倍振动幅度大于1倍操作频率的150%（字段846），那么感应电动机810需要停止856。
与感应电动机810相关联的控制单元通过确定2×振动幅度来确定误对准。此后，控制单元根据方法100A来执行感应电动机810的诊断和寿命预测。
图9是用于图8中的机电系统中的故障标识的表格。所标识的故障是误对准，并且误对准的类型在列910中被指示。列910包括角度误对准912、平行误对准916和组合误对准918。
列920中的表格指示误对准的相位。相应地，列920包括在字段922中的180°的轴向相移、在字段924中的180°的径向方向相移、以及在字段926中的轴向-径向定位180°相移。
此外，列930中的表格指示与误对准的类型相关联的图像。例如，图像932指示角度误对准，图像934指示平行误对准，并且组合误对准由图像936来被指示。
与电动机810相关联的控制单元能够基于图9中的表格来确定误对准的类型和相位。
图10是一相互作用矩阵，其图示了机电系统中的故障模型。如本文中所使用的，“故障模型”是指一模拟模型，其分析机电系统的操作参数和传感器数据以预测故障模式。所述故障模型是系统模型的部分。
在实施例中，机电系统是集成的驱动系统。所述矩阵指示三个主要操作阶段；“像新的那样好”阶段1015、操作阶段1025以及“像老旧的那样坏”阶段1050。“像新的那样好”阶段被称为第一阶段1015，并且“像老旧的那样坏”阶段在下文中被称为最后阶段1050。
如图中所示，在最后的阶段1050处监视第一阶段1015处的相同参数。在第一阶段1015中，参数包括电动机加速度/速度1002、电动机电流/功率1004、电动机温度1006、磁通量1008、以及负载剖面、包括冲击负载1010。负载剖面1010基于需求并且还被称为任务剖面。
此外，图10示出了各种故障模式及其相互作用。故障模式包括平行误对准1012、角度和组合误对准1014、轴承损坏1016、磨损1022、不平衡1024、转子条松开1026、通过突然加载的曲轴1032、转子摩擦1034、转子松动1036、裂缝1042、轴疲劳1044以及子表面断裂1046。
箭头指示故障之间的相互作用。例如，转子条松开1026和转子松动1036影响平行对准1012，并且反之亦然。此外，平行对准1012受通过裂缝1042以及角度和组合误对准1014的故障影响。这类似地针对角度和组合误对准1014而被看到，所述角度和组合误对准1014受磨损1022、不平衡1024和轴承损坏1016影响，并且反之亦然。通过磨损1022的故障受不平衡1024影响。而通过不平衡1024的故障受磨损1022、曲轴1032和转子摩擦1034影响。类似地，通过裂缝1042的故障受轴疲劳1044影响，并且反之亦然。
在操作阶段1025期间的故障相互作用在以下各项的参数值的改变方面被输出：电动机加速度/速度1052、电动机电流/功率1054、电动机温度1056、磁通量1058以及潜能到故障值1060。故障相互作用的输出被用于确定剩余寿命以及生成降级模型1080。
图11图示了根据本发明的系统模型的模拟响应。针对机电系统、诸如感应电动机来生成系统模型。如图中所示，针对零误对准1110、0.5mm误对准1120以及1mm误对准1130的故障模式来预备模拟响应。
在如具有x轴和y轴的图表中捕获模拟响应，所述x轴指示频率1102，所述y轴指示RMS速度（mm/sec）1104。所述RMS速度指示在速度方面的振动幅度。如图中所示，在点1150处的模拟响应指示：由于误对准，振动幅度改变两次。
图12图示了针对机电系统1200的最优传感器位置的标识。机电系统1200包括电动机1202、变速箱1204、负载1206和轴1208。负载1206包括尼龙绳1266，其是用于应用负载的供应。机电系统1200可以累积地被称为电动机-传动系。
基于机电系统1200的物理学来生成机电系统1200的系统模型。利用来自对机电系统1200的操作进行监视的传感器的实时传感器数据来连续地更新所述系统模型。所述系统模型包括针对机电系统的组件的组件模型、诸如电动机模型、齿轮模型等等。因此，系统模型能够模拟在组件模型之间的相互作用。
机电系统1200在电动机约束位置1210处被固定到外壳1230。外壳1230包括平台1235，所述平台1235在平台约束位置1215处被固定到所述外壳。此外，负载1206也在负载约束位置1246和1256处被固定到外壳1230的平台1235。机电系统1200的系统模型利用类似的约束位置而被生成。在实施例中，基于针对机电系统1200所构建的混合模型来确定所述电动机约束位置1210、平台约束位置1215和负载约束位置1246和1256对于误对准的影响。
在实施例中，通过在系统模型和机电系统1200中模拟各种故障模式来进行最优传感器位置的确定。系统模型的各种版本利用不同的虚拟传感器位置来被生成。系统模型的各种版本用于生成模拟响应。模拟响应与机电系统1200的系统响应进行比较以确定具有通过虚拟传感器的最准确的响应测量的系统模型的版本。因此，虚拟传感器的位置将被确定为最优传感器位置。
在图12中，预定力矩被施加到电动机1202。通过在轴1208的中间跨度处添加相关联的重量来施加预定力矩。类似地，系统模型将被输入有在电动机模型上对预定力矩的模拟。对于预定力矩的系统响应以及来自系统模型的模拟响应被用于调谐机电系统1200的混合模型。混合模型比较来自机电系统1200的传感器数据与来自系统模型的虚拟传感器数据。此外，基于传感器的位置是否使能实现机电系统1200的及时诊断来确定最优传感器位置。在本实施例中，最优传感器位置在1212处，因为在1212处的模拟响应被最准确地测量。
将容易显而易见的，本文中所公开的各种方法、算法和模块可以被实现在被适当地编程以用于计算设备的计算机可读介质上。实现本文中所公开的方法和算法的模块可以通过使用各种介质、例如计算机可读介质、以多种方式来被存储和传送。在实施例中，硬连线的电路或定制硬件可以代替于用于实现各种实施例的过程的软件指令或与所述软件指令相组合地被使用。因此，实施例不限于硬件和软件的任何特定组合。通常，包括计算机可执行指令的模块可以用任何编程语言来被实现。所述模块可以作为目标代码而被存储在一个或多个介质上或其中。本文中所公开的方法和系统的各种方面可以被实现在非编程的环境中，所述非编程的环境包括例如用超文本标记语言（HTML）、可扩展标记语言（XML）或当在浏览器程序的可视区域或窗口中被查看的时候呈递图形用户接口（GUI）的各方面或执行其它功能的其它格式所创建的文档。本文中所公开的方法和系统的各种方面可以被实现为经编程的元素、或非编程的元素、或其任何合适的组合。
在其中描述了包括数据点的数据库的情况中，本领域普通技术人员将理解到：（i）可以容易地采用对所述那些的可替换的数据库结构，并且（ii）可以容易地采用除了数据库之外的其它存储器结构。本文中所公开的任何样本数据库的任何说明或描述是用于所存储的信息表示的说明性布置。除了由附图中或别处所图示的表所建议的那些之外，可以采用任何数目的其它布置。类似地，数据库的任何所图示的条目仅仅表示示例性的信息；本领域普通技术人员将理解到条目的数目和内容可以不同于本文中所公开的那些。此外，尽管有数据库作为表的任何描绘，但是其它格式、包括关系数据库、基于对象的模型和/或分布式数据库可以用于存储并且操纵本文中所公开的数据类型。同样地，数据库的对象方法或行为可以用于实现诸如本文中所公开的那些之类的各种过程。另外，数据库可以用已知方式被存储在本地或远离访问这样的数据库中的数据的设备地被存储。在其中在系统中存在多个数据库的实施例中，数据库可以被集成以与彼此通信，以用于使得能够当存在对数据库之一中的数据的任何更新的时候实现对跨数据库所链接的数据的同时更新。
本发明可以被配置以在网络环境中运作，所述网络环境包括经由网络而与一个或多个设备通信的一个或多个计算机。计算机可以直接地或间接地、经由有线介质或无线介质、诸如因特网、蜂窝式网络、诸如4G或5G以及类似物、局域网（LAN）、广域网（WAN）或以太网、令牌环、或经由任何适当的通信介质或通信介质的组合来与设备通信。每个设备包括处理器，其一些示例在上文中被公开，其被适配成与计算机通信。在实施例中，每个计算机配备有网络通信设备，例如网络接口卡、调制解调器、或适合用于连接到网络的其它网络连接设备。计算机和设备中的每一个执行操作系统，其一些示例在上文中被公开。虽然操作系统可取决于计算机的类型而不同，但是操作系统将继续提供适当的通信协议以与网络建立通信链路。任何数目和类型的机器可以与计算机通信。
本发明不限于特定的计算机系统平台、处理器、操作系统或网络。本发明的一个或多个方面可以被分布在一个或多个计算机系统之中，所述计算机系统例如是被配置成向一个或多个客户端计算机提供一个或多个服务或在分布式系统中执行完整任务的服务器。例如，本发明的一个或多个方面可以在客户端-服务器系统上被执行，所述客户端-服务器系统包括被分布在一个或多个服务器系统之中的组件，所述服务器系统执行根据各种实施例的多个功能。这些组件包括例如可执行的中间的或经解译的代码，其通过网络、通过使用通信协议而传送。本发明不限于在任何特定的系统或系统群组上可执行，并且不限于任何特定的分布式架构、网络或通信协议。
已经提供了前述示例，其仅仅用于解释的目的并且决不要被解释为限制本文中所公开的本发明。虽然已经参考各种实施例而描述了本发明，但是理解到，已经在本文中被使用的词语是描述和说明的词语，而不是限制的词语。此外，尽管已经在本文中参考特定的构件、材料和实施例而描述了本发明，但是本发明不意图被限制到本文中所公开的细节；相反地，本发明扩展到所有功能上等同的结构、方法和使用，诸如在所附权利要求的范围内的。获益于本说明书的教导的本领域技术人员可以实现对其的众多修改，并且可以在不偏离本发明在其各方面中的范围和精神的情况下做出改变。

Claims (15)

1.一种用于一个或多个机电系统（480）的诊断和寿命预测的方法（100A），所述方法包括：
从多个传感器（482，484）接收与机电系统（480）的操作相关联的传感器数据；根据传感器数据而确定与机电系统（480）的至少一个故障模式相关联的至少一个系统响应（485），其中所述传感器数据指示机电系统（480）的所述至少一个故障模式；
接收与机电系统（480）的所述至少一个故障模式相关联的至少一个所模拟的响应（495），其中在机电系统（480）的系统模型上模拟所述至少一个故障模式；
基于所述至少一个系统响应（485）和所述至少一个所模拟的响应（495）来实时地生成机电系统（480）的混合模型，其中所述混合模型组合所述至少一个系统响应（485）和所述至少一个所模拟的响应（495）；
基于所述混合模型来生成机电系统（480）的诊断，其中所述诊断包括机电系统（480）中的一个或多个故障的标识和隔离，并且其中所述一个或多个故障指示所述一个或多个机电系统（480）的降级的开始；以及
基于所述诊断来预测机电系统（480）的寿命趋势（460）。
2.根据权利要求1所述的方法，包括：
生成机电系统（480）的系统模型，其中所述系统模型是基于机电系统（480）的物理学而对机电系统（480）的模拟，并且其中所述系统模型包括针对所述多个传感器（482,484）的虚拟传感器数据；其中生成机电系统（480）的系统模型包括：
确定针对所述多个传感器（482,484）的传感器关系模型，其中所述传感器关系模型基于在与机电系统（480）相关联的传感器（482,484）之间的相互依赖性而被生成；以及
生成与机电系统（480）相关联的虚拟操作数据，其中所述虚拟操作数据是基于传感器关系模型的虚拟传感器数据的模拟；并且
其中机电系统（480）的系统模型是虚拟操作数据；
基于来自所述多个传感器（482,484）的传感器数据的比较来验证机电系统（480）的系统模型；利用来自所述多个传感器（482,484）的传感器数据来更新所述系统模型，以反映机电系统的当前状态；以及
在系统模型中所述至少一个故障模式的模拟期间生成所述至少一个所模拟的响应（495）。
3.根据权利要求1或2所述的方法，其中根据传感器数据而确定与机电系统（480）的至少一个故障模式相关联的至少一个系统响应（485）包括：
生成所述至少一个故障模式，其包括机电系统（480）的变形和断裂模式、蠕变和疲劳之一；
基于机电系统（480）的热学-机械负载和负载可变性来生成针对机电系统（480）的至少一个任务剖面；以及确定针对与所述至少一个故障模式相关联的所述至少一个任务剖面的所述至少一个系统响应（485）。
4.根据前述权利要求中任一项所述的方法，包括：
基于所述混合模型来检测机电系统（480）中的至少一个故障；估计在所述至少一个故障之前和在所述至少一个故障之后的机电系统（480）的剩余寿命趋势；
基于所述剩余寿命趋势来预测机电系统（480）的性能；
基于所预测的性能来预测机电系统（480）中的另外的故障；以及
基于机电系统（480）的所预测的另外的故障来生成控制命令。
5.根据前述权利要求中任一项所述的方法，包括：
基于所述系统模型来确定针对所述多个传感器（482、484）的最优传感器定位；以及
基于机电系统（480）的混合模型来验证所述最优传感器定位。
6.根据权利要求1所述的方法（100B），此外包括多个机电系统（780a-c）的诊断和寿命预测，其中所述方法包括：
基于机电系统（780a）的物理学来生成针对第一机电系统（780a）的系统模型；基于来自与第一机电系统（780a）的操作相关联的多个传感器（725）的传感器数据来验证所述系统模型；
基于第一机电系统（780a）的至少一个系统响应以及所述系统模型针对至少一个故障模式的至少一个所模拟的响应来实时地生成第一机电系统（780a）的混合模型；基于第一机电系统（780a）的混合模型来生成与所述多个机电系统（780a-c）的操作相关联的机群诊断，其中所述诊断包括机电系统（780a-c）中的至少一个故障的标识和隔离；以及
基于所述机群诊断来预测所述多个机电系统的机群寿命趋势。
7.根据权利要求6所述的方法，此外包括：
通过将混合模型应用到所述多个机电系统上来标识所述多个机电系统中的所述至少一个故障的存在；以及
基于所述至少一个故障的存在来生成针对所述多个机电系统的控制命令，特别地此外包括：
基于所述至少一个机电系统（780a）的系统响应来标识所述多个机电系统（780a-c）中具有所述至少一个故障的至少一个机电系统，其中所述系统响应包括参数，其包括振动、温度、电压、电流或磁通量；以及
基于与所述至少一个机电系统相关联的系统响应和所模拟的响应来对所述至少一个故障进行分类。
8.根据权利要求6或7所述的方法，其中基于混合模型来生成与所述多个机电系统（780a-c）的操作相关联的机群诊断包括：
基于混合模型在所述多个机电系统（780a-c）上的应用来监视所述多个机电系统的机群响应和所模拟的机群响应；
基于所述机群响应和所模拟的机群响应来确定针对所述多个机电系统（780a-c）的机群降级；
基于机群降级来预测机群可靠性；以及
基于机群可靠性来生成与所述多个机电系统（780a-c）的操作相关联的机群诊断，特别地此外包括：
生成与所述至少一个故障相关联的故障模拟，其中所述故障模拟包括疲劳、断裂和磨损模拟；
基于所述多个机电系统的故障模拟和剩余寿命趋势来确定所述多个机电系统的机群寿命趋势；
基于所述机群寿命趋势来确定所述多个机电系统的机群可用性；以及
基于所述机群寿命趋势和机群可用性来优化针对所述多个机电系统（780a-c）的检查间隔和后备。
9.一种用于机电系统（280）的诊断和寿命预测的控制单元（200），所述控制单元（200）包括：
接收器（202），其用于从与机电系统的操作相关联的多个传感器（282-288）接收传感器数据；
至少一个处理器（204）；以及
被通信地耦合到所述至少一个处理器的存储器（210），所述存储器包括：
系统响应模块（224），其用于根据所述传感器数据而确定与机电系统（280）的至少一个故障模式相关联的至少一个系统响应，其中所述传感器数据指示机电系统（280）的所述至少一个故障模式；
模拟响应模块（212），其用于接收与机电系统的所述至少一个故障模式相关联的至少一个所模拟的响应，其中在机电系统（280）的系统模型上模拟所述至少一个故障模式；
混合模型生成器（226），其用于基于所述至少一个系统响应和所述至少一个所模拟的响应来实时地生成机电系统（280）的混合模型，其中所述混合模型组合所述至少一个系统响应和所述至少一个所模拟的；
诊断模块（228），其用于基于所述混合模型来生成机电系统（280）的操作的诊断，其中所述诊断包括机电系统（280）中的一个或多个故障的标识和隔离；以及
寿命模块（230），其用于基于所述诊断来预测机电系统（280）的寿命趋势。
10.根据权利要求9所述的控制单元（200），其中所述模拟响应模块包括以下各项中的至少一个：
模型生成器模块（214），其用于基于机电系统（280）的物理学来生成机电系统（280）的系统模型，其中所述系统模型是基于机电系统（280）的物理学而对机电系统（280）的模拟，并且其中所述系统模型包括针对所述多个传感器（282-288）的虚拟传感器数据；
模型验证模块（216），其用于基于来自所述多个传感器（282-288）的传感器数据来验证机电系统（280）的系统模型；以及
模型更新器模块（218），其用于利用来自所述多个传感器（282-288）的传感器数据来更新所述系统模型，以反映机电系统的当前状态，其中所述系统模型在系统模型中的所述至少一个故障模式的模拟期间生成所述至少一个所模拟的响应；
故障模式模块（220），其用于生成所述至少一个故障模式，其包括机电系统的变形和断裂模式、蠕变和疲劳之一；以及
任务剖面模块（222），其用于基于机电系统的热学-机械负载和负载可变性来生成针对机电系统（280）的至少一个任务剖面，其中模拟响应模块确定针对所述至少一个任务剖面和所述至少一个故障模式的所述至少一个所模拟的响应。
11.根据权利要求9或10所述的控制单元（200），其中所述存储器包括以下各项中的至少一个：
故障检测模块（232），其用于基于所述混合模型来检测机电系统（280）中的至少一个故障，其中所述寿命模块用于估计在所述至少一个故障之前和在所述至少一个故障之后的机电系统（280）的剩余寿命趋势；
预测模块（234），其用于基于所述剩余寿命趋势来预测机电系统（280）的性能，其中所述预测模块基于所预测的性能来预测机电系统（280）中的另外的故障，并且其中处理器基于机电系统的所预测的另外的故障来生成控制命令；
维护模块（236），其用于预测“潜能到功能故障”间隔（P-F间隔），并且优化机电系统的后备的检查间隔和管理，其中后备的管理包括与机电系统相关联的备用零件的管理；以及
传感器模块（236），其用于基于所述混合模型来确定针对所述多个传感器（282-288）的最优传感器定位，其中所述最优传感器定位基于机电系统的系统模型来被验证，其中所述系统模型是机电系统的多物理量模型。
12.一种用于多个机电系统（380）的诊断和寿命预测的系统（300），该系统包括：
服务器（340），其在云计算平台上可操作；
网络接口（350），其被通信地耦合到所述服务器（340）；
与所述多个机电系统相关联的多个传感器（382-388），所述机电系统经由网络接口而通信地耦合到所述服务器（340）；以及
至少一个控制单元（200），其通信地耦合到所述服务器（340），所述至少一个控制单元（200）相关联于根据权利要求9到11中任一项所述的机电系统（380）。
13.根据权利要求12所述的系统，其中所述服务器（340）包括：
通信单元（302），其能够与机电系统中的所述至少一个控制单元（200）通信；处理单元（304），其被通信地耦合到所述通信单元；以及
存储器单元（310），其被通信地耦合到所述处理单元和通信单元，所述存储器单元包括：
故障标识模块（312），其用于基于所述混合模型来标识所述多个机电系统中至少一个故障的存在；故障隔离模块（314），其用于标识所述多个机电系统（380）中具有所述至少一个故障的至少一个机电系统；以及
故障分类模块（316），其用于基于与所述至少一个机电系统相关联的系统响应和所模拟的响应来对所述至少一个故障进行分类。
14.根据权利要求13所述的系统，其中所述存储器单元此外包括以下各项中的至少一个：
机群诊断模块（318），其用于基于所述混合模型来生成与所述多个机电系统的操作相关联的机群诊断；以及
机群寿命模块（320），其用于基于所述机群诊断来预测所述多个机电系统的机群寿命趋势，
故障模拟模块（328），其用于预测与所述至少一个故障相关联的故障模拟，其中所述故障模拟包括疲劳、断裂和磨损模拟；并且其中基于所述疲劳模拟来确定所述剩余寿命趋势；
可用性模块（330），其用于基于所述机群寿命趋势来确定所述多个机电系统的机群可用性；
维护模块（332），其用于基于所述机群可用性来预测“潜能到功能故障”间隔（P-F间隔），并且优化针对所述多个机电系统的后备的检查间隔和管理，其中后备的管理包括与所述多个机电系统（380）相关联的备用零件的管理，
其中所述机群诊断模块特别地包括：
机群监视模块（322），其用于基于混合模型在所述多个机电系统上的应用而监视所述多个机电系统的机群响应和所模拟的机群响应；
机群降级模块（324），其用于基于所述机群响应和所模拟的机群响应来确定针对所述多个机电系统的机群降级，其中基于所述机群降级来生成所述多个机电的剩余寿命趋势；以及
可靠性模块（326），其用于基于所述机群降级来预测机群可靠性，其中所述机群寿命模块被配置成基于所述多个机电系统的机群可靠性和剩余寿命趋势来确定所述多个机电系统的机群寿命趋势。
15.根据权利要求13或14之一所述的系统（300），其中所述至少一个系统响应和所述至少一个所模拟的响应包括参数，其包括振动、温度、电压、电流或磁通量。
CN201880077373.5A 2017-09-29 2018-09-27 用于一个或多个机电系统的诊断和寿命预测的系统、方法和控制单元 Active CN111386503B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
EP17194193.3 2017-09-29
EP17194193.3A EP3462264A1 (en) 2017-09-29 2017-09-29 System, method and control unit for diagnosis and life prediction of one or more electro-mechanical systems
PCT/EP2018/076259 WO2019063692A1 (en) 2017-09-29 2018-09-27 SYSTEM, METHOD AND CONTROL UNIT FOR THE DIAGNOSIS AND PREDICTION OF THE LIFETIME OF ONE OR MORE ELECTROMECHANICAL SYSTEMS

Publications (2)

Publication Number Publication Date
CN111386503A true CN111386503A (zh) 2020-07-07
CN111386503B CN111386503B (zh) 2023-10-31

Family

ID=60009480

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201880077373.5A Active CN111386503B (zh) 2017-09-29 2018-09-27 用于一个或多个机电系统的诊断和寿命预测的系统、方法和控制单元

Country Status (4)

Country Link
US (1) US11480952B2 (zh)
EP (2) EP3462264A1 (zh)
CN (1) CN111386503B (zh)
WO (1) WO2019063692A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022036689A1 (en) * 2020-08-21 2022-02-24 Abb Schweiz Ag Method for fault diagnosis using a fault diagnosis model trained by virtual data

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN206060447U (zh) 2016-07-26 2017-03-29 西门子机械传动(天津)有限公司 传动装置和空冷岛
EP3736649A1 (de) * 2019-05-09 2020-11-11 Siemens Aktiengesellschaft Verfahren zur abschätzung einer restlebensdauer mindestens einer elektromechanischen komponente
WO2020234899A2 (en) * 2019-05-17 2020-11-26 Tata Consultancy Services Method and system for adaptive learning of models for manufacturing systems
CN110232769A (zh) * 2019-05-24 2019-09-13 南京双路智能科技有限公司 基于大数据统计的分布式零售终端模块化预警方法
US20200380391A1 (en) * 2019-05-29 2020-12-03 Caci, Inc. - Federal Methods and systems for predicting electromechanical device failure
US11488420B2 (en) * 2019-05-30 2022-11-01 Board af Supervisors af Louisiana State University and Agricultural and Mechanical College Damage assessment
EP3757703A1 (en) * 2019-06-27 2020-12-30 Siemens Aktiengesellschaft System, apparatus and method of condition based management of one or more electro-mechanical systems
NO345180B1 (en) * 2019-10-25 2020-10-26 Dynova As Fatigue mapping process of physical asset
RU2757532C1 (ru) * 2020-09-25 2021-10-18 Автономная некоммерческая образовательная организация высшего образования "Сколковский институт науки и технологий" Способ оценки технического состояния жаровых труб газотурбинного двигателя
WO2023044477A1 (en) * 2021-09-17 2023-03-23 Trustee Of Tufts College Systems and methods for managing complex systems
US20230168641A1 (en) * 2021-11-30 2023-06-01 Caterpillar Inc. On-board machine component failure detection
US20240104269A1 (en) * 2022-09-16 2024-03-28 Palo Alto Research Center Incorporated Transferable hybrid prognostics based on fundamental degradation modes

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060064291A1 (en) * 2004-04-21 2006-03-23 Pattipatti Krishna R Intelligent model-based diagnostics for system monitoring, diagnosis and maintenance
US20080141072A1 (en) * 2006-09-21 2008-06-12 Impact Technologies, Llc Systems and methods for predicting failure of electronic systems and assessing level of degradation and remaining useful life
CN102567569A (zh) * 2010-11-19 2012-07-11 通用电气公司 用于涡轮机的混合风险建模的系统和方法
CN102982385A (zh) * 2011-08-03 2013-03-20 通用电气公司 为风力发电机管理与全面服务协议相关的风险的系统
EP2653944A2 (en) * 2012-04-17 2013-10-23 Sikorsky Aircraft Corporation Hybrid virtual load monitoring system and method
CN103810328A (zh) * 2014-01-16 2014-05-21 国家电网公司 一种基于混合模型的变压器维修决策方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2007095585A2 (en) * 2006-02-14 2007-08-23 Edsa Micro Corporation Systems and methods for real-time system monitoring and predictive analysis
US7933754B2 (en) 2006-12-07 2011-04-26 General Electric Company System and method for damage propagation estimation
US7826943B2 (en) * 2007-04-02 2010-11-02 General Electric Company Method and system for diagnosing faults in a particular device within a fleet of devices
US8116990B2 (en) 2007-10-19 2012-02-14 Ashok Koul Method and system for real-time prognosis analysis and usage based residual life assessment of turbine engine components and display
US7917333B2 (en) * 2008-08-20 2011-03-29 Caterpillar Inc. Virtual sensor network (VSN) based control system and method
ITCO20120008A1 (it) * 2012-03-01 2013-09-02 Nuovo Pignone Srl Metodo e sistema per monitorare la condizione di un gruppo di impianti
DE102013211543A1 (de) 2013-06-19 2014-12-24 Robert Bosch Gmbh Verfahren zum alterungs- und energieeffizienten Betrieb insbesondere eines Kraftfahrzeugs

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060064291A1 (en) * 2004-04-21 2006-03-23 Pattipatti Krishna R Intelligent model-based diagnostics for system monitoring, diagnosis and maintenance
US20080141072A1 (en) * 2006-09-21 2008-06-12 Impact Technologies, Llc Systems and methods for predicting failure of electronic systems and assessing level of degradation and remaining useful life
CN102567569A (zh) * 2010-11-19 2012-07-11 通用电气公司 用于涡轮机的混合风险建模的系统和方法
CN102982385A (zh) * 2011-08-03 2013-03-20 通用电气公司 为风力发电机管理与全面服务协议相关的风险的系统
EP2653944A2 (en) * 2012-04-17 2013-10-23 Sikorsky Aircraft Corporation Hybrid virtual load monitoring system and method
CN103810328A (zh) * 2014-01-16 2014-05-21 国家电网公司 一种基于混合模型的变压器维修决策方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022036689A1 (en) * 2020-08-21 2022-02-24 Abb Schweiz Ag Method for fault diagnosis using a fault diagnosis model trained by virtual data

Also Published As

Publication number Publication date
WO2019063692A1 (en) 2019-04-04
EP3673337A1 (en) 2020-07-01
EP3462264A1 (en) 2019-04-03
EP3673337C0 (en) 2023-11-01
CN111386503B (zh) 2023-10-31
US11480952B2 (en) 2022-10-25
US20200310397A1 (en) 2020-10-01
EP3673337B1 (en) 2023-11-01

Similar Documents

Publication Publication Date Title
CN111386503B (zh) 用于一个或多个机电系统的诊断和寿命预测的系统、方法和控制单元
US10635095B2 (en) Computer system and method for creating a supervised failure model
Aivaliotis et al. Degradation curves integration in physics-based models: Towards the predictive maintenance of industrial robots
JP6956028B2 (ja) 故障診断装置及び機械学習装置
Esperon-Miguez et al. A review of Integrated Vehicle Health Management tools for legacy platforms: Challenges and opportunities
CN111796953A (zh) 故障预测装置及方法、存储介质、模型的学习及生成方法
JP2009053938A (ja) 複数モデルに基づく設備診断システム及びその設備診断方法
KR102480354B1 (ko) 기계의 잔여 사용 수명을 예측하기 위한 어셈블리 및 방법
EP4033390A1 (en) System and method for fault prediction and management of an asset
EP3969973B1 (en) Method, apparatus, system and computer program for determining health condition of a rotating system
Miller et al. System-level predictive maintenance: review of research literature and gap analysis
EP3605119A1 (en) System, apparatus and method to detect fault in an asset
CN113632027A (zh) 利用自动异常检测的资产状况监测方法
WO2023072724A1 (en) System, apparatus and method for monitoring condition of an asset in technical installation
JP7378367B2 (ja) 故障診断装置および故障診断方法
Awad Fault detection of fuel systems using polynomial regression profile monitoring
El Mahdi et al. Real Time Assessment of Novel Predictive Maintenance System Based on Artificial Intelligence for Rotating Machines.
Lünnemann et al. The Digital Twin for Operations, Maintenance, Repair and Overhaul
JP2020107025A (ja) データ選別装置及び方法、ならびに監視診断装置
Cao et al. Condition-based maintenance at the University of South Carolina: a smart predictive system
Lima et al. Predictive maintenance applied to mission critical supercomputing environments: remaining useful life estimation of a hydraulic cooling system using deep learning
EP3822718A1 (en) System device and method of integrated model-based management of industrial assets
JP2023021514A (ja) 装置診断システムおよび装置診断方法
Chang et al. A Study on PHM Method Suitable for Motor-Driven Commercial Vehicle
Liao Preventive Maintenance

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
GR01 Patent grant
GR01 Patent grant