CN112513760A - 用于预测机器的剩余使用寿命的装置和方法 - Google Patents
用于预测机器的剩余使用寿命的装置和方法 Download PDFInfo
- Publication number
- CN112513760A CN112513760A CN201980053621.7A CN201980053621A CN112513760A CN 112513760 A CN112513760 A CN 112513760A CN 201980053621 A CN201980053621 A CN 201980053621A CN 112513760 A CN112513760 A CN 112513760A
- Authority
- CN
- China
- Prior art keywords
- machine
- remaining
- neural network
- data
- service life
- 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
- 238000000034 method Methods 0.000 title claims description 22
- 238000004088 simulation Methods 0.000 claims abstract description 49
- 238000013528 artificial neural network Methods 0.000 claims abstract description 41
- 238000004590 computer program Methods 0.000 claims description 9
- 238000001514 detection method Methods 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 3
- 238000009795 derivation Methods 0.000 claims description 2
- 239000000758 substrate Substances 0.000 claims 1
- 238000012544 monitoring process Methods 0.000 abstract description 7
- 238000012549 training Methods 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000015654 memory Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 235000000332 black box Nutrition 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
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
- 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- 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
- G05B2219/32—Operator till task planning
- G05B2219/32234—Maintenance planning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Automation & Control Theory (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
依据机器的状态数据(A),执行多个彼此独立的基本模拟(B),所述基本模拟分别确定针对机器的剩余使用寿命预测(P1,P2,P3)。所述剩余使用寿命预测和描述机器特性的特征数据(D)被输送给神经网络(E)。神经网络输出针对剩余使用寿命预测的权重(F)。通过根据权重来对剩余使用寿命预测相对于彼此进行加权,以计算机辅助的方式来从剩余使用寿命预测中计算最终预测(G)。因此形成混合模型,所述混合模型从基本模拟与神经网络的组合中得出。不同于往常,剩余使用寿命不仅能够针对小数目的机器被预测,对于所述小数目的机器已手动创建特定的模拟模型。代替于此,混合模型也能够实现针对任意其他类型和配置的机器的状态监控,所述任意其他类型和配置的机器仅仅属于相同的机器类别。基本模拟因此也可以被应用于迄今未知的机器。取消针对手动创建FEM模拟和必要时CAN模型的时间耗费。神经网络以受数据驱动的方式来判定,基本模拟中的哪些基本模拟要多强烈地被考虑作为机器专家。
Description
背景技术
为了预测工业应用中的机器的剩余使用寿命(用英语称作“remaining usefullife”),已知了来自一般为状态监控(用英语称作“Condition Monitoring”)的领域以及来自特别地为所谓的结构健康监控(Structural Health Monitoring)的方式方法。通过监控机器的机械负荷,可以预测所述机器的预计的剩余使用寿命,由此可以使所述机器的修理时间和停机时间最小化。提高机器的使用寿命,并且可以较好地规划维护间隔。
为了预测剩余使用寿命,借助机器的有限元方法(FEM(Finite-Elemente-Methode)-Simulation(模拟)),相应领域的专家通常创建CAD模型以及结构力学模型。紧接着,确定机器的状态数据,所述状态数据例如从传感器数据中获得,所述传感器数据尤其可以由在机器上的振动传感器来供应。状态数据在FEM模拟中被考虑作为边界条件,由此可以预测剩余使用寿命。
发明内容
通过本发明,要提出对现有技术的替选方案。
根据本发明,通过如下方式来解决该任务:为了依据机器的状态数据来预测机器(尤其是发动机)的剩余使用寿命,执行多个彼此独立的基本模拟,所述基本模拟分别以计算机辅助的方式来确定针对机器的剩余使用寿命预测。剩余使用寿命预测和描述机器特性的特征数据被输送给神经网络。神经网络输出针对剩余使用寿命预测的权重。通过根据权重来对剩余使用寿命预测相对于彼此进行加权,以计算机辅助的方式从剩余使用寿命预测中计算最终预测。
该装置包含一个或者多个计算单元,所述计算单元编程用于:执行多个彼此独立的基本模拟,所述基本模拟依据机器的状态数据来分别确定针对机器的剩余使用寿命预测;将剩余使用寿命预测与特征数据共同输送至神经网络,所述特征数据描述了机器的特性;通过神经网络输出针对剩余使用寿命预测的权重;和从所述剩余使用寿命预测中计算最终预测,其中根据权重来对剩余使用寿命预测相对于彼此进行加权。
在下文所提到的优点不必一定通过独立权利要求的主题来实现。更确切地说,在这种情况下也可以涉及如下优点:所述优点仅通过各个实施形式、变型方案或者改进方案来实现。同样的情况适用于随后的阐述。
该装置的计算单元例如是存储器可编程的控制装置、微处理器或者微控制器、片上系统(System-on-Chip)或者可编程的数字组件,比方说“现场可编程门阵列(FPGA,FieldProgrammable Gate Array)”、工作站、服务器、计算机网络或者云。所提到的计算单元中的多个计算单元也可以并行地实施相同的或者不同的计算步骤。
本方法和本装置使用混合模型,所述混合模型从基本模拟与神经网络的组合中得出。不同于往常,剩余使用寿命不仅可以针对小数目的机器来预测,针对所述小数目的机器已手动创建特定的模拟模型。代替于此,混合模型也能够实现针对任意其他类型和配置的机器的状态监控,所述任意其他类型和配置的机器仅仅属于相同的机器类别。基本模拟因此也可以被应用于迄今未知的机器。取消针对手动创建FEM模拟和必要时CAD模型的时间耗费。神经网络以受数据驱动的方式来判定,基本模拟中的哪些基本模拟要多强烈地被考虑作为机器专家。
不同于在依据特征数据手动查找最佳基本模拟的情况下,神经网络也可以评估和隐含地学会特征数据的如下方面:人不能直接领悟所述特征数据的这些方面。此外,神经网络也可以学会在特征数据、状态数据与剩余使用寿命之间的复杂的非线性相关性。学习可以受数据驱动的方式进行,使得不必手动地详细说明分配(Zuordnung)。
其他优点在于,神经网络可以将多个基本模拟组合,并且可以对这些基本模拟相对于彼此进行加权。经此形成聚合模型,与任何基本模拟独自相比,所述聚合模型拥有更强的预报力。
相对于利用神经网络单纯地以受数据驱动的方式学习,所述神经网络并不与基本模拟协同工作,得出如下优点:神经网络输出的权重对于人而言是可认识到的,使得可以领会:基本模拟中的哪些基本模拟已多强烈地被考虑用于预测剩余使用寿命。经此,也得出了针对维修工程师或者计算工程师控制和必要时修正权重的可能性。
根据一个实施形式,神经网络输出线性权重的向量。通过借助权重作为系数来线性组合剩余使用寿命预测,计算最终预测。
根据其他实施形式,传感器检测机器的运行的传感器数据。以计算机辅助的方式,从传感器数据中导出机器的状态数据。
在一个改进方案中,传感器数据在检测之后被传送到云中,在所述云中执行剩余的方法步骤。替选地,状态数据在其导出之后被传送到云中,在所述云中执行剩余的方法步骤。
根据一个实施形式,通过状态识别模块(尤其是神经网络),从传感器数据中导出机器的状态数据。在这种情况下,涉及不同于以前提及的神经网络的神经网络。
在计算机可读取的数据载体上存储有计算机程序,当在处理器中运行所述计算机程序时,所述计算机程序实施本方法。
计算机程序在处理器中运行,并且在此实施本方法。
附图说明
在下文,依据附图更详细地阐述本发明的实施例。在这些附图中,只要未另外说明,相同的或者功能相同的元件就配备有相同的附图标记。其中:
图1示出了用于预测机器的剩余使用寿命的流程图,和
图2示出了生产设施PP、工业云IC以及用于预测性维护的仪表盘PMD的概览图。
具体实施方式
图1示出了用于预测机器的剩余使用寿命的流程图。首先,传感器检测机器的运行的传感器数据。在许多情况下,对振动的传感器测量是特别重要的。机器例如是生产设施中的发动机。分散地在外围单元中收集传感器数据,并且所述传感器数据被转发给存储器可编程的控制装置。
为了监控发动机,例如放置两个到三个传感器,比方说振动传感器和加速度传感器,这些传感器必要时还可以被补充了温度传感器以及应变计。传感器优选在驱动侧被布置在轴承盖上,尽可能布置在轴承或轴附近。振动传感器的测量方向优选地横向于轴来定向。
在图1中未更详细地示出的状态识别模块从传感器数据中导出状态数据A,其中例如作为第一状态数据A1有平行偏移,并且作为第二状态数据A2有发动机的轴定向的角偏移。状态识别模块是基于KI的识别模块,作为状态数据A,该基于KI的识别模块可以从传感器数据中导出故障或者异常、如比方说平行偏移或者角偏移,或者也可以导出一般的运行参数、如比方说发动机的转速。状态数据例如可以包含这种故障或者异常的类型、规模和/或地点,并且与相应的机器类别有关。
作为状态识别模块,合适的是神经网络、例如CNN(英语“Convolutional NeuralNetwork(卷积神经网络)”的缩写)、RNN(递归神经网络)或者LSTM网络(英语“Long Short-Term Memory(长短期记忆)”的缩写)。
该神经网络事先被训练,以便学会在传感器数据与状态数据之间的关系。该训练事先进行,因为该训练对于相同类别的机器而言以稳健的和通用的方式是可执行的。
为此,事先在真实应用中记录多个机器的实验结构的传感器数据,或者记录机器的传感器数据,所述机器已装备有以前所阐述的传感器。传感器数据手动地被配备有相应的机器的状态数据(例如健康的或者有故障的,必要时何种故障)作为标签,由此形成训练数据。紧接着,利用这些训练数据进行神经网络的训练。
在图1中示出的实施例中,已经存在这样经过训练的状态识别模块,使得所述状态识别模块可以从要研究的机器的传感器数据出发来直接提供状态数据A。
依据状态数据A,现在以计算机辅助的方式来执行多个彼此独立的基本模拟B。基本模拟B是如下模拟模型:所述模拟模型至少对应于机器的机器类别,并且预测剩余使用寿命。通过机器类别,预先给定确定的特征。这样,所有基本模拟例如涉及机器类别发动机,或者涉及确定的发动机类别、比方说电动机,或者涉及子类别、如三相交流电机。针对具体存在的机器,基本模拟B不必能够做出准确的预报,因为所述基本模拟分别模拟在相应类别之内的不同类型的机器。尽管如此,每个基本模拟都可以包含有助于预测迄今未知的机器的剩余使用寿命的信息。给定的基本模拟对预测可作出贡献的程度从机器和基本模拟的所基于的物理特性中得到。在这种情况下,特别是机器的几何形状和材料特性起作用,所述机器的几何形状和材料特性在机器的数据表中详细说明,所述数据表在其特征数据D的范围中存在。特征数据D例如是目录数据,所述目录数据说明了机器的特性、比方说所述机器的几何形状或者所述机器的材料特性。
第一基本模拟B1在这种情况下确定针对机器的第一剩余使用寿命预测P1,第二基本模拟B2确定第二剩余使用寿命预测P2,并且第三基本模拟B3确定第三剩余使用寿命预测P3。剩余使用寿命预测P1、P2和P3以及描述机器的特性的特征数据D紧接着被输送给神经网络E,所述神经网络E输出权重F。在图1中所示出的神经网络E独立于如下神经网络:所述神经网络以前作为状态识别模块的可能的实施方式已被阐述,并且从传感器数据中导出状态数据。
通过根据权重F来对剩余使用寿命预测P1、P2和P3相对于彼此进行加权,以计算机辅助的方式从剩余使用寿命预测中计算最终预测G。
神经网络E例如是多层前向网络,并且输出线性权重的向量(w1,w2,w3)。在该情况下,通过借助权重w1、w2、w3作为系数来线性组合剩余使用寿命预测P1、P2和P3,可以计算最终预测G:
G = w1·P1+w2·P2 + w3·P3。
剩余使用寿命预测P1、P2和P3以及最终预测G例如可以是如下数值:所述数值说明了为数天或者数月的剩余持续时间。作为这些变量的数据类型,例如可以分别选择浮点数,所述浮点数被存储在双字中。
作为基本模拟B,原则上合适的是任意黑盒模型和白盒模型。例如,对于基本模拟B也适合的是如下模型:所述模型通过经验方程对在机器的部件(例如转子、定子、轴承等)之间的关系以及其交互进行建模。
优选地,作为基本模拟,采用FEM模拟。缩写FEM标明从现有技术中已知的有限元方法,该有限元方法被用于对机器进行建模和模拟。在有限元方法的范围中,状态数据A直接被考虑作为边界条件。FEM模拟特别适合于具有复杂结构的机器,如这在发动机中情况如此。
在用于预测剩余使用寿命之前,神经网络E必须经受训练,其中神经网络E隐含地学会任意机器至各个基本模拟B的分配,也就是哪些基本模拟B特别好地与该机器相配。
为此,通过针对多个不同的状态数据来执行基本模拟,产生训练数据。人工产生状态数据,其方式是:首先在状态数据的空间(Raum)中选出如下区域:所述区域覆盖状态数据的尽可能切合实际的带宽,那就是如故障和异常这样的状态,这些状态实际上可能在正在进行中的运行中出现。紧接着,在该区域中生成沿着等间距的网格的值。状态数据在此包含众多虚拟异常,所述异常由基本模拟或有限元模型来处理。对于任何表现方式(Auspraegung)的状态数据,计算剩余使用寿命,由此分别得到数据对作为神经网络E的训练数据。数据对包含相应的状态数据作为输入数据,并且包含相应的剩余使用寿命作为输出数据。利用这些数据对,训练神经网络E。
图2示出了生产设施PP,在所述生产设施PP中运行机器M、例如发动机。要确定机器M的剩余使用寿命RUL,并且向维修工程师输出所述剩余使用寿命RUL。特别之处在于,对于机器M不存在特定的模拟模型,那就是说在该意义下还不知道所述特定的模拟模型。
机器M装备有传感器。在这种情况下,涉及相同种类的传感器,利用所述传感器,已训练以前所描述的状态识别模块,用于从传感器数据中导出状态数据。用于放置传感器的合适地点例如通过本领域技术人员或者根据标准来选择,所述地点能够实现在机器M上的足够品质的传感器测量。由于机器M源自相同的机器类别,该机器类别的机器已被用于训练状态识别模块,所以结构、性能和程度类似,使得状态识别模块可以从传感器数据中导出也针对机器M的状态数据。
状态识别模块例如被实施为边缘计算(Edge-Computing)算法,所述边缘计算算法在嵌入式工业PC NB中运行,所述嵌入式工业PC NB从机器M接收到传感器数据,并且将状态数据转发给工业云IC。替选地,传感器数据也仅仅可以被暂存在嵌入式工业PC NB中。在该情况下,一在工业云IC中接收到传感器数据,状态识别模块就在工业云IC中工作,并且导出状态数据。
工业云IC为机器M准备好机器简档MP,所述机器简档MP包含机器M的以前所阐述的特征数据以及机器M的所在地和嵌入式工业PC NB的信息。机器简档MP用作机器M在工业云IC中的实例,所述实例给混合模型HM供给关于机器M的信息。混合模型HM包含图1中的基本模拟B以及神经网络E。除了状态数据之外,从机器简档MP也接收到机器M的特征数据,并且如对于图1所阐述的那样计算机器M的剩余使用寿命RUL,在用于预测性维护的仪表盘PMD上向维修工程师输出所述剩余使用寿命RUL。在设立机器简档MP并且训练混合模型HM之后,该过程可以全自动化地运行。
作为嵌入式工业PC NB,例如合适的是SIMATIC Nanobox;替选地也可以使用IoT网关、比方说SIMATIC IOT2040。作为工业云IC,例如合适的是MindSphere。
所描述的算法和计算步骤例如可以在机器的计算单元中、在存储器可编程的本地控制装置中、在服务器上或者在云中被实施。
算法和模拟的具体构建方案与传感器有关,并且与机器的技术有关。对于不同的传感器技术和机器种类,从现有技术中已知众多状态识别和模拟算法,利用这些状态识别和模拟算法可以执行各个计算步骤。
尽管通过这些实施例已详细地图解说明和描述了本发明,但是并不通过所公开的实例来限制本发明。另外的变型方案可以由本领域技术人员从中导出,而不离开本发明的保护范围。所描述的实施例、变型方案、实施形式和改进方案也可以自由地相互组合。
Claims (9)
1.一种用于预测机器、尤其是发动机的剩余使用寿命的方法,其中
- 依据所述机器的状态数据(A),以计算机辅助的方式来执行多个彼此独立的基本模拟(B),所述基本模拟(B)分别确定针对所述机器的剩余使用寿命预测(P1,P2,P3),
- 所述剩余使用寿命预测和描述所述机器的特性的特征数据(D)被输送给神经网络(E),
- 所述神经网络输出针对所述剩余使用寿命预测的权重(F),和
- 通过根据所述权重来对所述剩余使用寿命预测相对于彼此进行加权,以计算机辅助的方式来从所述剩余使用寿命预测中计算最终预测(G)。
2.根据权利要求1所述的方法,其中,
- 所述神经网络输出线性权重的向量,和
- 通过借助所述权重作为系数来线性组合所述剩余使用寿命预测,计算所述最终预测。
3.根据权利要求1或者2所述的方法,其中,
- 传感器检测所述机器的运行的传感器数据,和
- 以计算机辅助的方式,从所述传感器数据中导出所述机器的所述状态数据。
4.根据权利要求3所述的方法,
- 其中所述传感器数据在检测之后被传送到云中,在所述云中执行剩余的方法步骤,或者
- 其中所述状态数据在其导出之后被传送到云中,在所述云中执行所述剩余的方法步骤。
5.根据权利要求3或者4所述的方法,
- 其中,通过状态识别模块、尤其是神经网络,从所述传感器数据中导出所述机器的所述状态数据。
6.一种用于预测机器、尤其是发动机的剩余使用寿命的装置,所述装置具有一个或者多个计算单元,所述计算单元编程用于
- 依据所述机器的状态数据(A),执行多个彼此独立的基本模拟(B),所述基本模拟(B)分别确定针对所述机器的剩余使用寿命预测(P1,P2,P3),
- 将所述剩余使用寿命预测与描述所述机器的特性的特征数据(D)共同输送至神经网络(E),
- 通过所述神经网络,输出针对所述剩余使用寿命预测的权重(F),和
- 从所述剩余使用寿命预测中计算最终预测(G),其中根据所述权重对所述剩余使用寿命预测相对于彼此进行加权。
7.根据权利要求6所述的装置,
- 具有传感器,所述传感器设立用于检测所述机器的运行的传感器数据,和
- 具有神经网络,所述神经网络设立为从所述传感器数据中导出所述机器的所述状态数据。
8.一种计算机可读取的数据载体,
- 在所述计算机可读取的数据载体上存储有计算机程序,当所述计算机程序在处理器中运行时,所述计算机程序实施根据权利要求1至5中任一项所述的方法。
9.一种计算机程序,
- 所述计算机程序在处理器中运行,并且在此实施根据权利要求1至5中任一项所述的方法。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP18188924.7 | 2018-08-14 | ||
EP18188924.7A EP3611588A1 (de) | 2018-08-14 | 2018-08-14 | Anordnung und verfahren zur prognose einer restnutzungsdauer einer maschine |
PCT/EP2019/071567 WO2020035439A1 (de) | 2018-08-14 | 2019-08-12 | Anordnung und verfahren zur prognose einer restnutzungsdauer einer maschine |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112513760A true CN112513760A (zh) | 2021-03-16 |
Family
ID=63452367
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201980053621.7A Pending CN112513760A (zh) | 2018-08-14 | 2019-08-12 | 用于预测机器的剩余使用寿命的装置和方法 |
Country Status (8)
Country | Link |
---|---|
US (1) | US11243526B2 (zh) |
EP (2) | EP3611588A1 (zh) |
JP (1) | JP7187673B2 (zh) |
KR (1) | KR102480354B1 (zh) |
CN (1) | CN112513760A (zh) |
BR (1) | BR112021002542A2 (zh) |
MX (1) | MX2021001741A (zh) |
WO (1) | WO2020035439A1 (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11692723B2 (en) | 2020-03-12 | 2023-07-04 | Honeywell International Inc. | Predictive maintenance convolutional neural networks |
CN111507046B (zh) * | 2020-04-16 | 2022-09-06 | 哈尔滨工程大学 | 一种电动闸阀剩余使用寿命预测方法及系统 |
CN112560234B (zh) * | 2020-12-01 | 2024-03-12 | 江苏南高智能装备创新中心有限公司 | 一种数控机床剩余寿命估计概率的计算方法、装置和网络侧服务端 |
CN112580263B (zh) * | 2020-12-24 | 2022-05-10 | 湖南工业大学 | 基于时空特征融合的涡扇发动机剩余使用寿命预测方法 |
CN114189520B (zh) * | 2021-10-15 | 2022-08-19 | 中标慧安信息技术股份有限公司 | 基于边缘计算的终端设备寿命预测方法和系统 |
CN114646891B (zh) * | 2022-03-10 | 2023-05-30 | 电子科技大学 | 一种结合lstm网络和维纳过程的剩余寿命预测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101072984A (zh) * | 2004-12-06 | 2007-11-14 | 卡特彼勒公司 | 机械的振动分析系统和方法 |
US20120179326A1 (en) * | 2011-01-06 | 2012-07-12 | Eurocopter | Predicting time to maintenance by fusion between modeling and simulation for electronic equipment on board an aircraft |
CN102789545A (zh) * | 2012-07-12 | 2012-11-21 | 哈尔滨工业大学 | 基于退化模型匹配的涡轮发动机剩余寿命的预测方法 |
CN105675038A (zh) * | 2016-01-05 | 2016-06-15 | 中国计量学院 | 一种仪表的故障预测装置 |
US20170091358A1 (en) * | 2015-09-27 | 2017-03-30 | Caterpillar Inc. | Model-based prognosis of machine health |
CN107181163A (zh) * | 2016-03-10 | 2017-09-19 | 发那科株式会社 | 机器学习装置、激光装置以及机器学习方法 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS6010204B2 (ja) * | 1977-09-06 | 1985-03-15 | 香苗 小宮山 | 差圧発生装置 |
JPH07281714A (ja) * | 1994-04-06 | 1995-10-27 | Kawasaki Heavy Ind Ltd | シミュレーション方法およびそれに用いる装置 |
JP4661250B2 (ja) * | 2005-02-09 | 2011-03-30 | 富士電機ホールディングス株式会社 | 予測方法、予測装置および予測プログラム |
JP2008232758A (ja) * | 2007-03-19 | 2008-10-02 | Nippon Soken Inc | 二次電池の内部状態検出装置及びニューラルネット式状態量推定装置 |
US8725456B1 (en) * | 2009-05-05 | 2014-05-13 | The United States of America as represented by the Administrator of the National Aeronautics & Space Administration (NASA) | Decomposition technique for remaining useful life prediction |
US10458863B2 (en) * | 2012-04-17 | 2019-10-29 | Sikorsky Aircraft Corporation | Hybrid virtual load monitoring system and method |
CN104335023A (zh) * | 2012-04-24 | 2015-02-04 | Skf公司 | 轴承监控方法和系统 |
US20150324686A1 (en) * | 2014-05-12 | 2015-11-12 | Qualcomm Incorporated | Distributed model learning |
JP6010204B1 (ja) * | 2015-10-26 | 2016-10-19 | ファナック株式会社 | パワー素子の予測寿命を学習する機械学習装置及び方法並びに該機械学習装置を備えた寿命予測装置及びモータ駆動装置 |
KR20180037760A (ko) * | 2016-10-05 | 2018-04-13 | 삼성전자주식회사 | 배터리 상태 추정 장치 및 방법 |
US10209314B2 (en) * | 2016-11-21 | 2019-02-19 | Battelle Energy Alliance, Llc | Systems and methods for estimation and prediction of battery health and performance |
TWI603210B (zh) * | 2016-12-13 | 2017-10-21 | 財團法人工業技術研究院 | 機台零件之剩餘壽命的預測系統與預測方法 |
-
2018
- 2018-08-14 EP EP18188924.7A patent/EP3611588A1/de not_active Withdrawn
-
2019
- 2019-08-12 KR KR1020217007329A patent/KR102480354B1/ko active IP Right Grant
- 2019-08-12 US US17/267,932 patent/US11243526B2/en active Active
- 2019-08-12 CN CN201980053621.7A patent/CN112513760A/zh active Pending
- 2019-08-12 BR BR112021002542-1A patent/BR112021002542A2/pt unknown
- 2019-08-12 MX MX2021001741A patent/MX2021001741A/es unknown
- 2019-08-12 JP JP2021507025A patent/JP7187673B2/ja active Active
- 2019-08-12 WO PCT/EP2019/071567 patent/WO2020035439A1/de unknown
- 2019-08-12 EP EP19761752.5A patent/EP3814862B1/de active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101072984A (zh) * | 2004-12-06 | 2007-11-14 | 卡特彼勒公司 | 机械的振动分析系统和方法 |
US20120179326A1 (en) * | 2011-01-06 | 2012-07-12 | Eurocopter | Predicting time to maintenance by fusion between modeling and simulation for electronic equipment on board an aircraft |
CN102789545A (zh) * | 2012-07-12 | 2012-11-21 | 哈尔滨工业大学 | 基于退化模型匹配的涡轮发动机剩余寿命的预测方法 |
US20170091358A1 (en) * | 2015-09-27 | 2017-03-30 | Caterpillar Inc. | Model-based prognosis of machine health |
CN105675038A (zh) * | 2016-01-05 | 2016-06-15 | 中国计量学院 | 一种仪表的故障预测装置 |
CN107181163A (zh) * | 2016-03-10 | 2017-09-19 | 发那科株式会社 | 机器学习装置、激光装置以及机器学习方法 |
Also Published As
Publication number | Publication date |
---|---|
EP3814862A1 (de) | 2021-05-05 |
KR20210042961A (ko) | 2021-04-20 |
EP3611588A1 (de) | 2020-02-19 |
EP3814862B1 (de) | 2023-09-27 |
US11243526B2 (en) | 2022-02-08 |
MX2021001741A (es) | 2021-04-19 |
KR102480354B1 (ko) | 2022-12-21 |
US20210247757A1 (en) | 2021-08-12 |
BR112021002542A2 (pt) | 2021-05-04 |
WO2020035439A1 (de) | 2020-02-20 |
JP7187673B2 (ja) | 2022-12-12 |
JP2022505008A (ja) | 2022-01-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112513760A (zh) | 用于预测机器的剩余使用寿命的装置和方法 | |
JP7320368B2 (ja) | 故障予測装置、故障予測方法およびコンピュータプログラム | |
CN106409120B (zh) | 机械学习方法及机械学习装置、以及故障预知装置及系统 | |
CN107436595B (zh) | 机械学习装置、故障预测装置、机械系统及机械学习方法 | |
Borgi et al. | Data analytics for predictive maintenance of industrial robots | |
JP2019144174A (ja) | 故障診断装置及び機械学習装置 | |
CN109693146B (zh) | 寿命推定装置以及机器学习装置 | |
WO2019103772A1 (en) | Detection and root cause analysis of welding defects | |
Shabanian et al. | A neuro-fuzzy online fault detection and diagnosis algorithm for nonlinear and dynamic systems | |
Zhukovskiy et al. | The probability estimate of the defects of the asynchronous motors based on the complex method of diagnostics | |
Renganathan et al. | An observer based approach for achieving fault diagnosis and fault tolerant control of systems modeled as hybrid Petri nets | |
Khalil et al. | IIoT-based fatigue life indication using augmented reality | |
US11803178B2 (en) | Event estimation system and event estimation method | |
CN113632027A (zh) | 利用自动异常检测的资产状况监测方法 | |
US20190026252A1 (en) | System state prediction | |
Rivera Torres et al. | Multiple fault diagnosis in manufacturing processes and machines using probabilistic boolean networks | |
Mrugalska | Design and quality control of products robust to model uncertainty and disturbances | |
CN114402524A (zh) | 用于管理采矿设施的方法、装置和系统 | |
CN115335836A (zh) | 训练针对工业应用的人工智能模块 | |
EP3945375B1 (en) | Machine controller and methods for configuring and using the machine controller | |
US20240126239A1 (en) | Integrating model for a technical system and method for providing said model | |
Mourtzis et al. | Check for updates A Conceptual Framework for the Improvement of Robotic System Reliability Through Industry 4.0 | |
Ayankoso et al. | A Hybrid Digital Twin Scheme for the Condition Monitoring of Industrial Collaborative Robots | |
Nguyen et al. | Motion and Condition Monitoring of an Industrial Robot Based on Digital Twins | |
Mourtzis et al. | A Conceptual Framework for the Improvement of Robotic System Reliability Through Industry 4.0 |
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 |