CN112560234A - 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 - Google Patents

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 Download PDF

Info

Publication number
CN112560234A
CN112560234A CN202011385978.6A CN202011385978A CN112560234A CN 112560234 A CN112560234 A CN 112560234A CN 202011385978 A CN202011385978 A CN 202011385978A CN 112560234 A CN112560234 A CN 112560234A
Authority
CN
China
Prior art keywords
probability
calculating
life
remaining
machine tool
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
CN202011385978.6A
Other languages
English (en)
Other versions
CN112560234B (zh
Inventor
夏志杰
郭一鸣
张志胜
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.)
Jiangsu Nangao Intelligent Equipment Innovation Center Co ltd
Original Assignee
Jiangsu Nangao Intelligent Equipment Innovation Center Co ltd
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 Jiangsu Nangao Intelligent Equipment Innovation Center Co ltd filed Critical Jiangsu Nangao Intelligent Equipment Innovation Center Co ltd
Priority to CN202011385978.6A priority Critical patent/CN112560234B/zh
Publication of CN112560234A publication Critical patent/CN112560234A/zh
Application granted granted Critical
Publication of CN112560234B publication Critical patent/CN112560234B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/04—Ageing analysis or optimisation against ageing

Abstract

本发明属于数控机床监控领域，针对现有技术中机床寿命概率分布推算困难的问题，提出了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，所述方法包括：获取故障类型；根据故障类型得到工件的退化轨迹；所述退化轨迹包括健康指数趋势；计算每一种退化轨迹下工件的剩余有效寿命的概率分布。在计算概率分布时，兼顾故障的类型和工件退化轨迹，既考虑到了故障的种类，也考虑到了由历史综合健康指数随时间变化，相比现有技术中通过经验估算而言，更为精确。

Description

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
技术领域
本发明属于数控机床监控领域，具体涉及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。
背景技术
对于一个机械设备或者零部件，其退化的过程通常分为正常运行阶段和退化阶段。设备在正常运行阶段时，由于外力等种种因素导致出现了早期的故障，例如轴承出现了一个微小的裂痕，但此时轴承还是能正常工作的。早期故障出现后，随着不断的运行，故障状态开始加深，即进入退化阶段，直到完全失效无法工作，例如轴承彻底断裂。由于机械结构的复杂性，会存在多种早期故障，例如轴承的内圈故障、外圈故障、滚动体故障等等，不同的早期故障会朝着不同的退化方向进行，其剩余寿命也不同。
为此，调查整个数控机床的剩余寿命就显得很是复杂，不仅仅是要考虑到零件可能出现的问题，还得考虑这些问题所带来的影响。
发明内容
本发明提供了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，解决了现有技术中，机床寿命概率分布推算困难的问题。
本发明的基础方案为：一种数控机床剩余寿命估计概率的计算方法，包括：
获取故障类型；
根据故障类型得到工件的退化轨迹；所述退化轨迹包括健康指数趋势；
计算每一种退化轨迹下工件的剩余有效寿命的概率分布。
进一步，所述剩余有效寿命的概率分布计算采用非参数估计法。
进一步，所述非参数估计法为核概率密度估计法。
进一步，所述核概率密度估计法，包括，根据一维随机变量的核概率密度估计公式和高斯核函数，结合退化轨迹，推算出剩余有效寿命的概率密度函数；
所述一维随机变量的核概率密度估计公式，为
Figure BDA0002809344280000021
式中的K为核函数，是h核函数尺度参数；
所述高斯核函数公式，为
Figure BDA0002809344280000022
所述剩余有效寿命的概率密度函数，为
Figure BDA0002809344280000023
进一步，所述核概率密度估计法，包括：
根据所述剩余有效寿命的概率密度函数，计算得到不同剩余有效寿命区间的概率值，为
Figure BDA0002809344280000024
进一步，所述根据故障类型得到工件的退化轨迹，包括：
获取对应该故障类型的时间序列，所述时间序列包括相互关联的综合健康指数和时间，
根据时间序列和预设的最大阶数，结合ARMIA模型，得出对应的健康预测模型，所述健康预测模型为退化轨迹。
进一步，所述计算每一种退化轨迹下工件的剩余有效寿命的概率分布，包括：
获取故障类型对应的故障发生概率；
根据故障类型的故障发生概率，结合与该故障类型对应的退化轨迹下工件的剩余有效寿命的概率分布，计算得出工件整体后续寿命的概率分布。
本方案中，根据所观察到的故障类型，结合故障发生后工件的时间序列，推算出工件在该故障发生的情况下其健康预测模型，该健康预测模型实质为工件在故障类型的条件下，综合健康指数随时间的变化；随后根据上述健康预测模型，采用非参数估算法中的核概率密度技估计法，通过一维随机变量的和概率密度估计公式和高斯核函数，推算出剩余有效寿命的概率密度函数，例如，工件A在M故障的条件下还有80％概率能够使用两年。
本发明还提供一种数控机床剩余寿命估计概率的计算装置，包括：
存储模块，用于存储相互关联的故障类型和退化轨迹；
输入模块，用于输入故障类型；
选择模块，用于根据故障类型从存储模块中筛选到对应的退化轨迹；
有效寿命概率分布计算模块，用于根据选择模块所筛选的退化轨迹，计算出剩余有效寿命的概率分布。
本发明还提供一种网络侧服务端，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述任一项所述的一种数控机床剩余寿命估计概率的计算方法。
一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述的一种数控机床剩余寿命估计概率的计算方法。
附图说明
图1为本发明实施例一一种数控机床剩余寿命估计概率的计算方法的流程图；
图2为图1中退化轨迹的计算的流程图；
图3为本发明实施例二一种数控机床剩余寿命估计概率的计算装置的模块示意图；
图4为本发明实施例三一种网络侧服务端的结构示意图。
具体实施方式
下面通过具体实施方式进一步详细的说明：
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的各实施方式进行详细的阐述。然而，本领域的普通技术人员可以理解，在本发明各实施方式中，为了使读者更好地理解本申请而提出了许多技术细节。但是，即使没有这些技术细节和基于以下各实施方式的种种变化和修改，也可以实现本申请所要求保护的技术方案。
实施例一：
一种数控机床剩余寿命估计概率的计算方法，如图1所示，包括：
S1，获取故障类型；
S2，根据故障类型得到工件的退化轨迹；所述退化轨迹包括健康指数趋势；
S3，计算每一种退化轨迹下工件的剩余有效寿命的概率分布。
本方案中，由工作人员判断出故障的类型，由于故障类型与工件退化轨迹之间具有一定的关联，故根据故障类型可以查找到工件的退化轨迹，从而根据退化轨迹计算出，在该退化轨迹下工件的剩余有效寿命的概率分布。在计算概率分布的同时，兼顾故障的类型和工件退化轨迹，既考虑到了故障的种类，也考虑到了由历史综合健康指数随时间变化。
具体而言，S1中，故障类型的获取来源可以是以下几种：(1.1)由工作人员发现检测，人工识别出的故障类型；(1.2)由机器、软件等其他设备通过传感器检测等等方式识别出的故障类型。其中，S1中的故障类型为，工件当前所遭受到的故障类型，考虑到工件可能同时遭受多种故障，这里S1步骤中的故障类型可以有一种，也可以是几种。
具体而言，S2中，根据故障类型得到工件的退化轨迹，这一方法的实现依赖于设备中的存储模块，具有以下两种情况：
(2.1)该存储模块中存储有大量样本，样本为与当前工件相同型号的其他工件已经发生的故障类型和与所述故障类型相对应的故障轨迹。
样本包括故障类型和退化轨迹，每种故障类型对应一种退化轨迹。由于同型号的工件形状结构材料相同，所以本方案根据相同型号工件在相同环境下，所遇到的故障类型和退化轨迹，来推断与S1中所述的故障类型所对应的退化轨迹是可行的。如此，S2步骤的实质为，从已知相同型号工件在相同环境下所遇到的故障类型和退化轨迹，来推断工件在S1故障类型所对应的退化轨迹，免去了相同型号的工件在相同工作情况下需要频繁计算的故障轨迹的过程，方便快捷。
(2.2)该存储模块中存储有预先设定的退化轨迹。即，在执行S1之前，先计算出工件的退化规律。
上述工件的退化轨迹的计算过程，如图2所示，包括：
S2-1，获取对应故障类型的时间序列，所述时间序列包括相互关联的综合健康指数和时间；
S2-2，根据时间序列和预设的最大阶数，结合ARMIA模型，得出对应的健康预测模型，过程如下：
S2-2-1，计算时间序列的方差；
S2-2-2，将时间序列和方差代入到ARIMA模型中，所述ARIMA模型为：
Figure BDA0002809344280000051
其中，HIt,d是经过d次差分后得到的平稳时间序列值，P为自回归阶数，Q为滑动平均阶数，μp是自回归系数，θq是滑动平均系数，εt表示零均值白噪声序列；
采用公式
Figure BDA0002809344280000052
对自回归阶数P和滑动平均阶数Q进行定阶，使其满足
Figure BDA0002809344280000053
S2-2-3，将定阶后的自回归阶数P和滑动平均阶数Q代入到上述ARIMA公式对应的健康预测模型，并作为退化轨迹。
具体而言，S3中，计算每一种退化轨迹下工件的剩余有效寿命的概率分布，具体为：根据一维随机变量的核概率密度估计公式和高斯核函数，结合退化轨迹，推算出剩余有效寿命的概率密度函数，具体步骤如下：
S3-1，将高斯核函数代入到一维随机变量的和概率密度估计公式，从而得到剩余有效寿命的概率密度函数；
一维随机变量的核概率密度估计公式，为
Figure BDA0002809344280000054
其中，K为核函数，h为核函数尺度参数，x为连续的随机变量，xi为样本点的值，N为样本点数量；
高斯核函数公式，为
Figure BDA0002809344280000055
其中，K为核函数，h为核函数尺度参数，x为连续的随机变量，xi为样本点的值，N为样本点数量；
代入后的剩余有效寿命的概率密度函数，为
Figure BDA0002809344280000061
其中，h为核函数尺度参数，N为样本点数量，rul为表示剩余有效寿命的连续随机变量，ruli为已获取样本的剩余有效寿命的值。
S3-2，对上述剩余有效寿命的概率密度函数求积分，推算出不同剩余有效寿命区间的概率值，
Figure BDA0002809344280000062
其中，rul1为有效寿命区间的最小值，rul2为有效寿命区间的最小值，fh为剩余有效寿命的概率密度函数。
S3-3，将S2中所得到的退化轨迹代入到S3-2中不同剩余有效寿命区间的概率值公式中，并将其作为上述退化轨迹下工件的剩余有效寿命的概率分布。
综上，本方案根据所观察到的/系统推算出的故障类型，结合故障发生后工件的时间序列，推算出工件在该故障发生的情况下其健康预测模型，该健康预测模型实质为工件在故障类型的条件下，综合健康指数随时间的变化；随后根据上述健康预测模型，采用非参数估算法中的核概率密度估计法，通过一维随机变量的核概率密度估计公式和高斯核函数，推算出剩余有效寿命的概率密度函数，再通过积分得出在不同剩余有效寿命区间的概率值，例如，工件A在M故障的条件下能够使用两年的概率为80％。
上面各种方法的步骤划分，只是为了描述清楚，实现时可以合并为一个步骤或者对某些步骤进行拆分，分解为多个步骤，只要包括相同的逻辑关系，都在本专利的保护范围内；对算法中或者流程中添加无关紧要的修改或者引入无关紧要的设计，但不改变其算法和流程的核心设计都在该专利的保护范围内。
实施例二：
本发明还提供了一种数控机床剩余寿命估计概率的计算装置，如图3所示，包括：输入模块301、退化轨迹运算模块302、存储模块303、选择模块304、有效寿命概率分布计算模块305、输出模块306和工件整体后续寿命概率分布计算模块307。
具体情况1：
输入模块301，用于输入工件的故障类型、与工件相同型号处于相同工作环境下的其他工件在各种故障类型下的时间序列，所述时间序列为相互关联的综合健康指数和时间；
退化轨迹运算模块302，用于根据所述时间序列，结合预设的最大阶数和ARMIA模型计算出对应的健康预测模型，该检测预测模型为上述其他工件在各种故障类型下的退化轨迹，并将其发送给存储模块；
存储模块303，用于存储上述其他工件在各种故障类型下的退化轨迹；
选择模块304，用于根据输入模块输入的工件故障类型从存储模块中查找到对应的退化轨迹；
有效寿命概率分布计算模块305，用于根据选择模块所筛选的退化轨迹，计算出剩余有效寿命的概率分布；
输出模块306，用于显示剩余有效寿命的概率分布。
具体情况2：
输入模块301，用于输入工件的故障类型、当前工件在当前故障类型的条件下的时间序列，所述时间序列为相互关联的综合健康指数和时间；
退化轨迹运算模块302，用于根据所述时间序列，结合预设的最大阶数和ARMIA模型计算出对应的健康预测模型，该检测预测模型为上述其他工件在各种故障类型下的退化轨迹，并将其发送给存储模块；
存储模块303，用于存储上述退化轨迹；
选择模块304，用于根据工件故障类型从存储模块中查找到对应的退化轨迹；
有效寿命概率分布计算模块305，用于根据选择模块所筛选的退化轨迹，计算出剩余有效寿命的概率分布；
输出模块306，用于显示剩余有效寿命的概率分布。
不难发现，本实施方式为与第一实施方式相对应的系统实施例，本实施方式可与第一实施方式互相配合实施。第一实施方式中提到的相关技术细节在本实施方式中依然有效，为了减少重复，这里不再赘述。相应地，本实施方式中提到的相关技术细节也可应用在第一实施方式中。
值得一提的是，本实施方式中所涉及到的各模块均为逻辑模块，在实际应用中，一个逻辑单元可以是一个物理单元，也可以是一个物理单元的一部分，还可以以多个物理单元的组合实现。此外，为了突出本发明的创新部分，本实施方式中并没有将与解决本发明所提出的技术问题关系不太密切的单元引入，但这并不表明本实施方式中不存在其它的单元。
实施例三：
一种网络侧服务端，如图4所示，包括至少一个处理器401；以及，与至少一个处理器401通信连接的存储器402；其中，存储器402存储有可被至少一个处理器401执行的指令，指令被至少一个处理器401执行，以使至少一个处理器401能够执行上述的一种数控机床剩余寿命估计概率的计算方法。
其中，存储器402和处理器401采用总线方式连接，总线可以包括任意数量的互联的总线和桥，总线将一个或多个处理器401和存储器402的各种电路连接在一起。总线还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路连接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口在总线和收发机之间提供接口。收发机可以是一个元件，也可以是多个元件，比如多个接收器和发送器，提供用于在传输介质上与各种其他装置通信的单元。经处理器401处理的数据通过天线在无线介质上进行传输，进一步，天线还接收数据并将数据传送给处理器401。
处理器401负责管理总线和通常的处理，还可以提供各种功能，包括定时，外围接口，电压调节、电源管理以及其他控制功能。而存储器402可以被用于存储处理器401在执行操作时所使用的数据。
实施例四：
一种计算机可读存储介质，存储有计算机程序。计算机程序被处理器执行时实现第一实施方式中的种数控机床剩余寿命估计概率的计算方法。
本领域技术人员可以理解，实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得一个设备(可以是单片机，芯片等)或处理器(processor)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述的仅是本发明的实施例，方案中公知的具体结构及特性等常识在此未作过多描述，所属领域普通技术人员知晓申请日或者优先权日之前发明所属技术领域所有的普通技术知识，能够获知该领域中所有的现有技术，并且具有应用该日期之前常规实验手段的能力，所属领域普通技术人员可以在本申请给出的启示下，结合自身能力完善并实施本方案，一些典型的公知结构或者公知方法不应当成为所属领域普通技术人员实施本申请的障碍。应当指出，对于本领域的技术人员来说，在不脱离本发明结构的前提下，还可以作出若干变形和改进，这些也应该视为本发明的保护范围，这些都不会影响本发明实施的效果和专利的实用性。本申请要求的保护范围应当以其权利要求的内容为准，说明书中的具体实施方式等记载可以用于解释权利要求的内容。

Claims (9)

1.一种数控机床剩余寿命估计概率的计算方法，其特征在于，包括：
获取故障类型；
根据故障类型得到工件的退化轨迹；所述退化轨迹包括健康指数趋势；
计算每一种退化轨迹下工件的剩余有效寿命的概率分布。
2.根据权利要求1所述的一种数控机床剩余寿命估计概率的计算方法，其特征在于：
所述剩余有效寿命的概率分布计算采用非参数估计法。
3.根据权利要求2所述的一种数控机床剩余寿命估计概率的计算方法，其特征在于：
所述非参数估计法为核概率密度估计法。
4.根据权利要求3所述的一种数控机床剩余寿命估计概率的计算方法，其特征在于：所述核概率密度估计法，包括，根据一维随机变量的核概率密度估计公式和高斯核函数，结合退化轨迹，推算出剩余有效寿命的概率密度函数；
所述一维随机变量的核概率密度估计公式，为
Figure FDA0002809344270000011
所述高斯核函数公式，为
Figure FDA0002809344270000012
所述剩余有效寿命的概率密度函数，为
Figure FDA0002809344270000013
其中，K为核函数，h为核函数尺度参数，x为连续的随机变量，xi为样本点的值，N为样本点数量。
5.根据权利要求4所述的一种数控机床剩余寿命估计概率的计算方法，其特征在于，所述核概率密度估计法，包括：
对所述剩余有效寿命的概率密度函数求积分，计算得到不同剩余有效寿命区间的概率值，为
Figure FDA0002809344270000021
其中，rul1为有效寿命区间的最小值，rul2为有效寿命区间的最小值，fh为剩余有效寿命的概率密度函数。
6.根据权利要求1所述的一种数控机床剩余寿命估计概率的计算方法，其特征在于，所述根据故障类型得到工件的退化轨迹，包括：
获取对应该故障类型的时间序列，所述时间序列包括相互关联的综合健康指数和时间，
根据时间序列和预设的最大阶数，结合ARMIA模型，得出对应的健康预测模型，所述健康预测模型为退化轨迹。
7.一种数控机床剩余寿命估计概率的计算装置，其特征在于，包括：
存储模块，用于存储相互关联的故障类型和退化轨迹；
输入模块，用于输入故障类型；
选择模块，用于根据故障类型从存储模块中筛选到对应的退化轨迹；
有效寿命概率分布计算模块，用于根据选择模块所筛选的退化轨迹，计算出剩余有效寿命的概率分布。
8.一种网络侧服务端，其特征在于，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至6中任一项所述的一种数控机床剩余寿命估计概率的计算方法。
9.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的一种数控机床剩余寿命估计概率的计算方法。
CN202011385978.6A 2020-12-01 2020-12-01 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 Active CN112560234B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011385978.6A CN112560234B (zh) 2020-12-01 2020-12-01 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011385978.6A CN112560234B (zh) 2020-12-01 2020-12-01 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

Publications (2)

Publication Number Publication Date
CN112560234A true CN112560234A (zh) 2021-03-26
CN112560234B CN112560234B (zh) 2024-03-12

Family

ID=75046996

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011385978.6A Active CN112560234B (zh) 2020-12-01 2020-12-01 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

Country Status (1)

Country Link
CN (1) CN112560234B (zh)

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070239407A1 (en) * 2006-01-12 2007-10-11 Goldfine Neil J Remaining life prediction for individual components from sparse data
US20080208487A1 (en) * 2007-02-23 2008-08-28 General Electric Company System and method for equipment remaining life estimation
US20110137575A1 (en) * 2007-10-19 2011-06-09 Ashok Koul Method and system for real-time prognosis analysis and usage based residual life assessment of turbine engine components and display
WO2012157040A1 (ja) * 2011-05-13 2012-11-22 株式会社日立製作所 保守部品寿命予測システムおよび保守部品寿命予測方法
US20140257716A1 (en) * 2013-03-11 2014-09-11 Board Of Trustees Of Michigan State University Methods for estimating remaining life of a monitored structure
CN104504296A (zh) * 2015-01-16 2015-04-08 湖南科技大学 高斯混合隐马尔可夫模型和回归分析的剩余寿命预测方法
US20170169143A1 (en) * 2015-12-15 2017-06-15 Hitachi, Ltd. System for maintenance recommendation based on performance degradation modeling and monitoring
CN106874634A (zh) * 2017-04-11 2017-06-20 中国人民解放军海军航空工程学院 基于逆高斯退化模型的剩余寿命贝叶斯预测方法
US20190042675A1 (en) * 2017-08-07 2019-02-07 The Boeing Company System and method for remaining useful life determination
CN109460574A (zh) * 2018-10-09 2019-03-12 南京航空航天大学 一种航空发动机剩余寿命的预测方法
CN109883691A (zh) * 2019-01-21 2019-06-14 太原科技大学 核估计和随机滤波集成的齿轮剩余寿命预测方法
KR101993649B1 (ko) * 2018-02-28 2019-06-27 아주대학교산학협력단 가우시안 분포를 이용한 생활패턴 규칙성 산출 방법 및 그 장치
CN110197288A (zh) * 2019-05-30 2019-09-03 重庆大学 故障影响下设备的剩余使用寿命预测方法
EP3611588A1 (de) * 2018-08-14 2020-02-19 Siemens Aktiengesellschaft Anordnung und verfahren zur prognose einer restnutzungsdauer einer maschine

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070239407A1 (en) * 2006-01-12 2007-10-11 Goldfine Neil J Remaining life prediction for individual components from sparse data
US20080208487A1 (en) * 2007-02-23 2008-08-28 General Electric Company System and method for equipment remaining life estimation
US20110137575A1 (en) * 2007-10-19 2011-06-09 Ashok Koul Method and system for real-time prognosis analysis and usage based residual life assessment of turbine engine components and display
WO2012157040A1 (ja) * 2011-05-13 2012-11-22 株式会社日立製作所 保守部品寿命予測システムおよび保守部品寿命予測方法
US20140257716A1 (en) * 2013-03-11 2014-09-11 Board Of Trustees Of Michigan State University Methods for estimating remaining life of a monitored structure
CN104504296A (zh) * 2015-01-16 2015-04-08 湖南科技大学 高斯混合隐马尔可夫模型和回归分析的剩余寿命预测方法
US20170169143A1 (en) * 2015-12-15 2017-06-15 Hitachi, Ltd. System for maintenance recommendation based on performance degradation modeling and monitoring
CN106874634A (zh) * 2017-04-11 2017-06-20 中国人民解放军海军航空工程学院 基于逆高斯退化模型的剩余寿命贝叶斯预测方法
US20190042675A1 (en) * 2017-08-07 2019-02-07 The Boeing Company System and method for remaining useful life determination
KR101993649B1 (ko) * 2018-02-28 2019-06-27 아주대학교산학협력단 가우시안 분포를 이용한 생활패턴 규칙성 산출 방법 및 그 장치
EP3611588A1 (de) * 2018-08-14 2020-02-19 Siemens Aktiengesellschaft Anordnung und verfahren zur prognose einer restnutzungsdauer einer maschine
CN109460574A (zh) * 2018-10-09 2019-03-12 南京航空航天大学 一种航空发动机剩余寿命的预测方法
CN109883691A (zh) * 2019-01-21 2019-06-14 太原科技大学 核估计和随机滤波集成的齿轮剩余寿命预测方法
CN110197288A (zh) * 2019-05-30 2019-09-03 重庆大学 故障影响下设备的剩余使用寿命预测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
SHIQI LIU ET.AL: ""Residual life estimation by fusing few failure lifetime and degradation data from real-time updating"", 《2017 IEEE INTERNATIONAL CONFERENCE ON SOFTWARE QUALITY》, pages 178 - 184 *
ZHENGXIN ZHANGA ET.AL: ""Stochastic degradation process modeling and remaining useful life estimation with flexible random-effects"", 《JOURNAL OF THE FRANKLIN INSTITUTE》, pages 1 - 23 *
张卫贞等: ""基于核密度估计的实时剩余寿命预测"", 《计算机集成制造系统》, vol. 26, no. 7, pages 1794 - 1801 *

Also Published As

Publication number Publication date
CN112560234B (zh) 2024-03-12

Similar Documents

Publication Publication Date Title
CN108620949B (zh) 刀具磨耗监测与预测方法
US11897068B2 (en) Information processing method, information processing system, and information processing device
US7107187B1 (en) Method for modeling system performance
CN101470426B (zh) 一种故障检测的方法和系统
CN116009480B (zh) 一种数控机床的故障监测方法、装置、设备及存储介质
Ferreiro et al. Industry 4.0: predictive intelligent maintenance for production equipment
EP3502814B1 (en) Processing loads balancing of control and monitoring functions
US20170178015A1 (en) Maintenance timing prediction system and maintenance timing prediction device
CN112254972B (zh) 挖掘机油温预警方法、装置、服务器及挖掘机
EP3864475B1 (en) Method and system for monitoring tool wear to estimate rul of tool in machining
CN110096036A (zh) 一种设备状态的确定方法、装置及设备
CN112598172A (zh) 一种风电机组轴承温度预警方法
Yu et al. Hierarchical indices to detect equipment condition changes with high dimensional data for semiconductor manufacturing
CN116757648B (zh) 基于人工智能的生产制造管理系统及方法
Jain et al. Dynamic optimization of process quality control and maintenance planning
CN114077919A (zh) 用于预测加工异常的系统
KR101960755B1 (ko) 미취득 전력 데이터 생성 방법 및 장치
Liao et al. Machine tool feed axis health monitoring using plug-and-prognose technology
Lee et al. Intelligent factory agents with predictive analytics for asset management
Baek An intelligent condition‐based maintenance scheduling model
CN108242411B (zh) 用于管控线上缺陷的方法和系统
CN112560234A (zh) 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
CN116467592A (zh) 一种基于深度学习的生产设备故障智能监测方法及系统
Niaki et al. Change point estimation of high-yield processes with a linear trend disturbance
Yang et al. Streaming data analysis framework for cyber-physical system of metal machining processes

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