CN113994277A - 一个或多个机电系统的基于状况的管理的系统、装置和方法 - Google Patents
一个或多个机电系统的基于状况的管理的系统、装置和方法 Download PDFInfo
- Publication number
- CN113994277A CN113994277A CN202080046929.1A CN202080046929A CN113994277A CN 113994277 A CN113994277 A CN 113994277A CN 202080046929 A CN202080046929 A CN 202080046929A CN 113994277 A CN113994277 A CN 113994277A
- Authority
- CN
- China
- Prior art keywords
- electromechanical system
- accelerated
- stress
- electromechanical
- degradation model
- 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 abstract description 86
- 230000015556 catabolic process Effects 0.000 claims abstract description 44
- 238000006731 degradation reaction Methods 0.000 claims abstract description 44
- 230000004044 response Effects 0.000 claims description 46
- 230000008569 process Effects 0.000 claims description 33
- 238000012545 processing Methods 0.000 claims description 17
- 238000009826 distribution Methods 0.000 claims description 14
- 230000001186 cumulative effect Effects 0.000 claims description 10
- 238000004088 simulation Methods 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000009825 accumulation Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 230000006735 deficit Effects 0.000 claims description 4
- 238000012360 testing method Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 7
- 238000005315 distribution function Methods 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 6
- 230000008878 coupling Effects 0.000 description 4
- 238000010168 coupling process Methods 0.000 description 4
- 238000005859 coupling reaction Methods 0.000 description 4
- 230000004907 flux Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 239000012530 fluid Substances 0.000 description 3
- 230000002068 genetic effect Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000004804 winding Methods 0.000 description 2
- 238000005452 bending Methods 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 230000002301 combined effect Effects 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000001931 thermography Methods 0.000 description 1
- 230000009466 transformation 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
- 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
- G05B23/0259—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]
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/18—Propelling the vehicle
- B60W30/184—Preventing damage resulting from overload or excessive wear of the driveline
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
公开了机电系统的基于状况的管理的系统、设备和方法。所述方法包括：基于根据负载简档对所述机电系统（180、680）进行操作或对所述机电系统（180、680）的操作进行仿真，来生成针对所述机电系统（180、680）的应力简档，其中所述负载简档指示所述机电系统（180、680）的操作持续时间和负载容量；从多个感测单元（108）接收与操作中的机电系统（180、680）相关联的状况数据；以及使用经加速的降级模型基于所述应力简档和所述状况数据中的至少一个来预测所述机电系统（180、680）的失效实例，其中经加速的降级模型是当在经评级的应力之上操作所述机电系统（180、680）时生成的；以及在所述机电系统（180、20 680）失效时，将所预测的失效实例与实际失效实例进行比较，以用于调谐经加速的降级模型。
Description
技术领域
本发明涉及一个或多个机电系统的基于状况的管理。
背景技术
机电系统经受多种类型的应力。应力包括机械应力、电气应力、过程应力等。机电系统的寿命取决于应力。当应力超过机电系统的强度时，可能发起失效。应力可以具有对机电系统的变化的影响。例如，电气应力可能缩短定子绝缘或绕组的寿命。机械应力可能缩短轴承的寿命、减小转子的疲劳强度等。过程应力可能缩短转子的寿命。
影响中的变化可能难以估计。尤其是当应力一起起作用时，对机电系统的寿命进行估计可能是困难的且可能导致不准确的预测。
存在用于预测执行井下系统和装备的基于状况的维护的机电系统的寿命的技术，该井下系统和装备包括钻孔工具、有线工具和生产工具。基于状况的维护考虑系统中的变化的应力水平。然而，这种预测可能不考虑不同类型的应力的组合效应。
发明内容
根据本发明的第一方面，一种用于机电系统的基于状况的管理的方法。所述方法包括：基于根据负载简档对所述机电系统进行操作或对所述机电系统的操作进行仿真，来生成针对所述机电系统的应力简档。所述负载简档指示所述机电系统的操作持续时间和负载容量。所述方法进一步包括：从多个感测单元接收与操作中的机电系统相关联的状况数据。所述方法包括：使用经加速的降级模型基于所述应力简档和所述状况数据中的至少一个来预测所述机电系统的失效实例。经加速的降级模型是当在经评级的应力之上操作所述机电系统时生成的。所述方法还包括：在所述机电系统失效时，将所预测的失效实例与实际失效实例进行比较，以用于调谐经加速的降级模型。
如本文所使用，应力简档指代在操作期间或在操作的仿真期间机电系统的应力的分布。操作的仿真可以是在机电系统的数字孪生上执行的。
所述方法可以包括：确定来自所述机电系统的经加速的机械响应。经加速的机械响应包括反映所述机电系统中的机械故障的状况数据。所述机械故障包括所述机电系统的部件的失准和/或所述部件的结构完整性的损失。所述方法可以包括：在所述数字孪生上对机械故障进行仿真，以确定经加速的机械响应。
所述方法可以包括：确定来自所述机电系统的经加速的电气响应。经加速的电气响应包括反映所述机电系统中的电气故障的状况数据。所述电气故障包括高电压、低电压、高电流、电相位不平衡、低电流和短路中的至少一个。所述方法可以包括：在所述数字孪生上对电气故障进行仿真，以确定经加速的电气响应。
所述方法可以包括：确定来自所述机电系统的经加速的过程响应。经加速的过程响应包括反映由于所述机电系统的过载所致的过程故障的状况数据。所述方法可以包括：在所述数字孪生上对过程故障进行仿真，以确定经加速的过程响应。
如上所使用，机械故障、电气故障和过程故障反映在经评级的应力以外操作的机电系统的状况。
所述方法可以包括：生成包括所述机电系统的累积损伤模型的数字孪生。所述数字孪生可以是通过计算针对所述机电系统的寿命概率分布来生成的。进一步地，所述数字孪生可以是通过基于所述机电系统的历史状况数据确定机电系统的时间损伤累积来生成的。
所述方法可以包括：生成所述机电系统的部件的部件复制品。所述部件复制品是基于针对所述部件的时间损伤累积来生成的。在实施例中，所述部件复制品是使用威布尔（Weibull）分布且使用逆幂律关系来生成的。
所述方法可以包括：通过在所述机电系统的数字孪生上对经加速的机械响应、经加速的电气响应和经加速的过程响应进行仿真，来生成仿真实例。所仿真的实例用于生成经加速的降级模型。
所述方法包括：使用经加速的降级模型来预测所述机电系统的失效实例。所述应力简档和所述状况数据被应用于经加速的降级模型，以预测所述失效实例。在实施例中，所述失效实例是通过确定在应力下关于时间而失效的所述机电系统或其部件的分数（根据所述应力简档而确定的值）来预测的。
所述方法可以包括：预测所述机电系统的经加速的剩余寿命。经加速的剩余寿命包括当在经评级的应力之上操作所述机电系统时到失效的周期。
所述方法可以包括：基于所述机电系统的经加速的剩余寿命和失效的物理学来预测剩余寿命。所述剩余寿命包括当在经评级的应力内操作所述机电系统时到失效的周期。
所述方法包括：在所述机电系统失效时，将所预测的失效实例与所述实际失效实例进行比较，以用于调谐经加速的降级模型。
所述方法可以包括：基于所预测的失效实例和所述实际失效实例的比较来调谐经加速的降级模型的系数。在实施例中，所述比较是使用诸如回归算法和遗传算法之类的机器学习算法来执行的。例如，遗传算法用于通过执行转变、重组和选择的步骤来收敛在所预测的失效实例与实际失效实例之间的差上。所述方法可以包括：基于经调谐的经加速的降级模型来预测新剩余寿命。
所述方法可以包括：使用经加速的降级模型来预测机电系统的队的队寿命。所述方法可以包括：使用神经网络基于所述队中的机电系统之间的可变性来更新所述队寿命。
本发明的第二方面是一种用于机电系统的基于状况的管理的装置。所述装置包括一个或多个处理单元和通信耦合到所述一个或多个处理单元的存储器单元。所述存储器单元包括：状况模块，以所述一个或多个处理单元可执行的机器可读指令的形式存储，其中所述状况模块被配置成执行上文中描述的一个或多个方法步骤。
本发明的第三方面是一种系统，包括：一个或多个设备，能够将与一个或多个机电系统的状况相关联的状况数据；以及服务器，通信耦合到所述一个或多个设备，其中包括状况模块的所述服务器被配置成执行一个或多个机电系统的基于状况的管理。
本发明的目的由本发明的第四方面实现。第四方面是一种其中存储有机器可读指令的计算机程序产品，所述机器可读指令在由处理器执行时使所述处理器执行如上描述的方法。
附图说明
现在将参考本发明的附图来说明本发明的上面提及的特征和其他特征。所图示的实施例意在图示而非限制本发明。
下文中参考附图中所示的所图示的实施例来进一步描述本发明，在附图中：
图1图示了根据本发明实施例的用于机电系统的基于状况的管理的装置；
图2图示了根据本发明实施例的用于图1的机电系统的基于状况的管理的过程；
图3图示了根据本发明实施例的来自图1中的机电系统的经加速的响应；
图4图示了根据本发明实施例的图1中的机电系统的数字孪生的部件复制品；
图5是图示了根据本发明实施例的用于机电系统的队的基于状况的管理的方法的流程图；
图6图示了根据本发明实施例的执行图5中的方法的系统；以及
图7是根据本发明实施例的用于一个或多个机电系统的基于状况的管理的方法的流程图。
具体实施方式
下文中，详细描述用于实施本发明的实施例。参考附图来描述各种实施例，其中自始至终，相似附图标记用于指代相似元件。在以下描述中，出于解释的目的，阐述了许多具体细节，以便提供一个或多个实施例的透彻理解。可以明显的是，可以在没有这些具体细节的情况下实践这样的实施例。
如本文所使用，在术语“经加速的”指代其中在针对系统指定的经评级的应力之上操作机电系统的状况。“经加速的”状况不同于其中在经评级的应力内操作机电系统的“正常”状况。经评级的应力可以是在机电系统的制造时在目录中指定的。
图1图示了根据本发明实施例的用于机电系统180的基于状况的管理的装置100。机电系统180包括电机182、耦合器184、泵186、具有负载单元190的液压缸188。机电系统180还包括流量控制阀192、吸入阀194、冷油机196和返回线过滤器198。流量控制阀190和192的方向上的改变用于改变机电系统180中的流体的方向。负载单元190用于基于流体的流体压力来连续地跟踪机电系统180上的负载。
机电系统180受制于超出经评级的应力的经加速的应力。术语“经评级的应力”是针对机电系统指定的应力的度量。经加速的应力是以电气应力150A、机械应力150B和过程应力150C的形式应用的。例如，电气应力150A可以是通过电气故障（即，对电机182的高/低电压或短路）导致的。机械应力150B可以是通过机械故障（诸如，机电系统180的耦合器184的失准）导致的。过程应力150C可以是通过过程故障导致的，该过程故障通过阻塞在线和返回线过滤器。进一步地，过程应力150C可以由于到机电系统180的负载简档输入所致。
装置100包括处理单元102、通信单元104、显示器106和感测单元108。装置100还包括存储器单元110，存储器单元110包括以一个或多个处理单元可执行的机器可读指令的形式存储的机器可读指令，其中故障检测模块被配置成执行上面描述的方法步骤。故障检测模块的执行还可以是使用协处理器来执行的，该协处理器诸如是图形处理单元（GPU）、现场可编程门阵列（FPGA）或神经处理/计算引擎。
存储器单元110包括状况模块120。状况模块120进一步包括应力简档发生器122、数字孪生模块124、降级模块126和预测模块128。参考图2来解释状况模块120的操作。
图2图示了用于图1的机电系统180的基于状况的管理的过程200。应力简档发生器122被配置成根据负载简档202来生成针对机电系统180的应力简档。负载简档202是使用减压功能204以生成机电系统180上的不同负载应力来生成的。负载简档202还可以是通过监视由机电系统180汲取的功率/电流来生成的。负载应力是通过改变机电系统180的操作持续时间和负载容量来生成的。
如图2中所示，电气应力150A是通过电相位不平衡或者通过导致电机182中的高或低电压来生成的。不平衡或高/低电压将通过增加热以及电流密度来导致定子绕组上的电气应力150A。进一步地，过程应力150C是基于吸入阀194的操作期间的故障或返回线过滤器198的关闭来生成的。另外，负载简档202也对机械应力150B和过程应力150C作出贡献。
机械应力150B是由于耦合器184和/或泵186中的异常而生成的。例如，耦合器中的失准可以生成机械应力150B。在另一示例中，如果使用皮带传动的机电系统180，那么增加的皮带负载也将引起电机182的轴处的应力。在又一示例中，电机182的转子中的不平衡或偏心度可能导致机械应力150B。
图3图示了来自机电系统180的经加速的响应300。y轴310指示按照电气应力、机械应力和过程应力的应d力度量。x轴320指示按照小时的时间。相应地，经加速的响应300是经加速的机械响应、经加速的电气响应和经加速的过程响应的组合。经加速的响应300是通过对应力简档发生器122针对机电系统180生成的应力简档进行仿真来生成的。
感测单元108测量与机电系统180相关联的操作参数。例如，感测单元可以包括热成像设备、振动传感器、电流、通量和电压传感器等。度量操作参数被称作与机电系统180相关联的状况数据。机电系统180的在其操作期间生成的状况数据由数字孪生模块124接收。
数字孪生模块124被配置成确定与电气应力150A、机械应力150B和过程应力150C相关联的关键性能指标（KPI）。KPI是根据基于有限元的仿真来获得的，且是基于机器学习算法来调谐的。
数字孪生模块124进一步被配置成生成机电系统180的数字孪生。数字孪生包括累积损伤模型，且是通过计算针对机电系统180的寿命概率分布来生成的。进一步地，基于机电系统180的历史状况数据来确定机电系统180的时间损伤累积。在实施例中，机电系统180的数字孪生包括部件复制品。在图4中图示了耦合器复制品400的示例。
图4图示了机电系统180的数字孪生的耦合器复制品400。耦合器复制品400是基于相对于X和Y轴作出的角度410、使用耦合模型450而确定的力矩和力420来生成的。耦合模型450图示了针对X、Y和Z轴确定的力矩和力。耦合模型450可以用于确定针对失准的变化水平的力矩和力。
在实施例中，关于X和Y轴作出的角度410被确定如下。
其中φ是Y轴中的失准角度，
θ是X轴中的失准角度，
ΔX1、ΔY1指代节点1 430处的X和Y轴中的失准，
ΔX2、ΔY2指代节点2 440处的X和Y轴中的失准，
Z 3指代接合中心。
进一步地，力矩和力420被确定如下：
其中MX1和MX2是反酌矩，
T q 是转矩，
K b 是弯曲弹簧率。
参考回到图1和2，降级模块126被配置成基于机电系统180的数字孪生来生成经加速的降级模型。经加速的降级模型是通过下述操作来生成的：通过在机电系统180的数字孪生上对经加速的机械响应、经加速的电气响应和经加速的过程响应进行仿真，来生成仿真实例。
降级模块126包括预测模块128。预测模块128被配置成使用经加速的降级模型基于应力简档和状况数据中的至少一个来预测机电系统180的失效实例和剩余寿命（统称为210）。使用机器学习技术将应力简档和状况数据映射到失效实例和剩余寿命210。
将失效实例和剩余寿命210与实际失效实例和实际剩余寿命（统称为220）的测试结果进行比较。比较器230是指示在降级模块126中执行的操作的图示。框240和250是由降级模块基于比较而执行的操作。在框240处，基于机电系统180的负载周期、边界状况和有限元仿真来确定调谐系数。在框250处将调谐系数应用于经加速的降级模型。
可以在显示器106上显示所预测的失效实例210。在实施例中，显示机电系统180的应力相对于强度。在另一实施例中，显示针对经加速的应力和正常应力的剩余寿命。预测模块128被配置成预测机电系统180的经加速的剩余寿命。经加速的剩余寿命包括当在经评级的应力之上操作机电系统时到失效的周期。进一步地，预测模块128被配置成基于机电系统180的经加速的剩余寿命和失效的物理学来预测剩余寿命。剩余寿命包括当在经评级的应力内操作机电系统180时到失效的周期。
图5和6与用于执行机电系统的队的基于状况的管理的方法500和系统600相关联。可以使用图中的类似数字。图5是图示了用于机电系统505、510、515的队的基于状况的管理的方法的流程图。出于图5的目的，机械应力502A指代实时应用的经加速的测试机械应力，例如在第一机电系统（类似于系统180）的测试设置上。机械应力502B指代经加速的所仿真的机械应力。类似地，电气应力504A是经加速的测试电气应力，并且504B是经加速的所仿真的电气应力。而且，506A是经加速的测试过程应力，并且506B是经加速的仿真过程应力。进一步地，按照振动512、电流514、通量516和温度518接收来自队505、510、515和第一机电系统的状况数据。
方法500包括三个阶段520、530和570。在阶段520处，针对第一机电系统生成第一经加速的降级模型。在阶段530处，接收和分析来自队505、510、515的状况数据。在阶段570处，确定针对队505、510、515的失效实例和剩余队寿命。
方法500被详述如下。在步骤522处，确定经加速的测试响应。经加速的测试响应是基于当502A、504A和506A的测试应力被应用时接收到的来自第一机电系统的状况数据来确定的。
在步骤524处，将第一机电系统的失效的物理学与经加速的测试响应进行比较。失效的物理学是第一机电系统的设计极限。比较是为了确保502A、504A和506A的测试应力不超过设计极限。
在步骤526处，基于第一机电系统的数字孪生来生成经加速的降级模型。数字孪生可以包括使用威布尔分布而生成的针对第一机电系统的累积损伤模型。经加速的降级模型是通过在数字孪生上对应力502B、504B和506B进行仿真来生成的。相应地，经加速的降级模型包括关于应力502B、504B和506B的仿真响应。
在步骤532处，生成针对队的系统505的应力简档。应力简档是基于来自系统505的振动512、电流514、通量516和温度518来生成的。类似地，在步骤534处，生成针对队的系统510的应力简档。而且，在步骤536处，生成针对队的系统515的应力简档。
在步骤542处，将针对队505、510和515的应力简档输入到经加速的降级模型。在步骤544处，在正常操作周期期间基于经加速的降级模型来预测剩余队寿命。在实施例中，正常操作周期是当应力502A、504A和506A处于经评级的应力内时。经评级的应力是基于队505、510和515的设计极限来知道的。在实施例中，剩余队寿命是基于巴斯金（Basquin）等式来预测的。
在步骤542处，预测与队505、510和515相关联的失效实例。失效实例可以是使用针对队505、510和515生成的威布尔分布来预测的。威布尔分布具有可被表达为应力简档中的应力V的逆幂函数的尺度参数η。
其中K和n是威布尔分布的系数。
可以关于时间t确定与队505、510和515相关联的失效实例。在实施例中，该确定是针对恒定应力V执行的。
其中
F是指示不可靠性的累积分布函数，
并且
其中
R是在应力V下与队505、510和515相关联的可靠性的度量，
β是威布尔分布的系数。
随着应力（例如S 1、S 2和S 3）中的改变，累积分布函数也改变。在实施例中，累积分布函数F 1、F 2和F 3被确定如下。
累积分布函数F 1、F 2和F 3用于预测时间t处的失效实例。如果队505、510和515在时间t处未失效，那么累积分布函数考虑直到时间t累积的损伤。累积分布函数被相应地更新。因此，上述等式是随着等效龄期而更新的。考虑到应力S 2被应用，等式被更新如下：
其中ε1是时间t 1之后的等效龄期。
在步骤548处，将所预测的失效实例与队505、510和515中的实际失效实例进行比较。在步骤550处，基于比较来更新剩余队寿命。进一步在步骤560处，基于比较来更新经加速的降级模型的系数。
在实施例中，该比较是使用机器学习算法来执行的。例如，使用回归算法以推断所预测的失效实例与实际失效实例之间的关系。
在另一实施例中，该比较是使用具有包括所预测的失效实例和实际失效实例的输入层的非线性神经网络来执行的。神经网络的输出层输出该比较。神经网络的隐藏层提供了所预测的失效实例与实际失效实例之间的非线性关系。该非线性关系可以是通过结合实际失效实例与所预测的失效实例之间的线性相关性来构建的。重复步骤546至560以准确地预测剩余队寿命。
图6图示了用于执行队505、510和515的基于状况的管理的方法的系统600。系统600包括远程服务器610和用户设备620。远程服务器610经由网络接口650与用户设备以及队505、510和515通信耦合。
系统600还包括第一机电系统680和用于生成经加速的降级模型的装置100。使经加速的降级模型对队505、510和515来说经由网络接口650和服务器610可得。
在实施例中，经加速的降级模型是在服务器610上生成的。服务器610包括通信单元612、一个或多个处理单元614和存储器616。存储器616被配置成存储由模块（例如，状况模块618）定义的计算机程序指令。
在实施例中，还可以在云计算环境上实现服务器610，在该云计算环境中，计算资源作为服务而在网络650上递送。如本文所使用，“云计算环境”指代包括可配置计算物理和逻辑资源（例如网络、服务器、储存器、应用、服务等）以及分布在网络650（例如，互联网）上的数据的处理环境。云计算环境提供对可配置计算物理和逻辑资源的共享池的按需网络接入。网络650是例如有线网络、无线网络、通信网络或者由这些网络的任何组合形成的网络。
处理器614被配置成执行状况模块618。在执行时，状况模块618被配置成基于第一机电系统680的数字孪生来生成经加速的降级模型。在实施例中，状况模块618被配置成预测第一机电系统680中的失效实例。在实施例中，装置100充当感测单元，同时，在服务器610上执行处理。经加速的降级模型是利用第一机电系统680中的实际失效实例更新的。
经加速的降级模型被队505、510、515使用。步骤542-560由状况模块618执行，以预测队505、510和515的失效实例和剩余队寿命。
在实施例中，状况模块618包括用于基于队可变性因素自动更新经加速的降级模型的机器学习算法。队可变性因素指代队505、510和515中参考第一机电系统680的变化。队可变性因素还包括与队505、510和515中的系统中的每一个相关联的应力简档和操作环境中的变化。
队505、510和515的剩余队寿命和所预测的失效实例是在用户设备620上显示的。用户设备620可以包括显示单元622和通信单元（在图6中未示出）。所预测的失效实例和剩余队寿命由用户设备经由通信单元和网络接口650来接收。在实施例中，用户设备620是便携式计算设备，诸如移动电话。
图7是根据本发明实施例的用于一个或多个机电系统的基于状况的管理的方法700的流程图。
在步骤702处，生成针对机电系统的应力简档。应力简档是基于根据负载简档对机电系统进行操作或对机电系统的操作进行仿真来生成的。负载简档指示机电系统的操作持续时间和负载容量。
在步骤704处，从多个感测单元接收与操作中的机电系统相关联的状况数据。
在步骤706处，确定来自机电系统的经加速的机械响应。经加速的机械响应包括反映机电系统中的机械故障的状况数据。机械故障包括机电系统的部件的失准和/或部件的结构完整性的损失。
在步骤708处，确定来自机电系统的经加速的电气响应。经加速的电气响应包括反映机电系统中的电气故障的状况数据。电气故障包括高电压、低电压、高电流、电相位不平衡、低电流和短路中的至少一个。
在步骤710处，确定来自机电系统的经加速的过程响应。经加速的过程响应包括反映由于机电系统的过载所致的过程故障的状况数据。
在步骤712处，通过计算针对机电系统的寿命概率分布来生成机电系统的数字孪生。进一步地，数字孪生是通过基于机电系统的历史状况数据确定机电系统的时间损伤累积来生成的。
在实施例中，数字孪生是使用威布尔分布且使用逆幂律关系来生成的。威布尔分布的尺度参数η可以被表达为应力简档中的应力V的逆幂函数。
其中K和n是数字孪生的系数。
在步骤714处，通过在机电系统的数字孪生上对经加速的机械响应、经加速的电气响应和经加速的过程响应进行仿真来生成仿真实例。
在步骤716处，基于使用机电系统的数字孪生而生成的仿真实例来生成经加速的降级模型。
在步骤718处，使用经加速的降级模型来预测机电系统的失效实例。应力简档和状况数据被应用于经加速的降级模型，以预测失效实例。在实施例中，失效实例是通过确定在应力V下关于时间而失效的机电系统或其部件的分数来预测的。
如果机电系统被发现为能够在应力V中幸存，则基于按照在应力V下操作的小时的机电系统的龄期来预测失效实例。
在步骤720处，预测机电系统的经加速的剩余寿命。经加速的剩余寿命包括当在经评级的应力之上操作机电系统时到失效的周期。
在步骤724处，基于机电系统的经加速的剩余寿命和失效的物理学来预测剩余寿命。剩余寿命包括当在经评级的应力内操作机电系统时到失效的周期。剩余寿命可以是使用在图5中提供的等式来确定的。
在步骤726处，在机电系统失效时，将所预测的失效实例与实际失效实例进行比较，以用于调谐经加速的降级模型。进一步在步骤726处，基于所预测的失效实例和实际失效实例的比较来调谐经加速的降级模型的系数。在实施例中，该比较是使用诸如回归算法和遗传算法之类的机器学习算法来执行的。例如，使用回归算法以推断所预测的失效实例与实际失效实例之间的关系。此外，在步骤726处，基于经调谐的经加速的降级模型来预测新剩余寿命。
在步骤728处，使用经加速的降级模型来预测机电系统的队的队寿命。步骤728包括：使用神经网络基于队中的机电系统之间的可变性来更新队寿命。
本发明可以采取包括程序模块的计算机程序产品的形式，该程序模块是可从存储程序代码以供或结合一个或多个计算机、处理器或指令执行系统使用的计算机可使用或计算机可读介质访问的。出于该描述的目的，计算机可使用或计算机可读介质可以是可包含、存储、传送、传播或传输程序以供或结合指令执行系统、装置或设备使用的任何装置。该介质可以是电子、磁、光学、电磁、红外或半导体系统（或装置或设备）或者它们自身中的以及它们自身的传播介质，这是由于信号载体未被包括在物理计算机可读介质的定义中，包括半导体或固态存储器、磁带、可移除计算机盘、随机存取存储器（RAM）、只读存储器（ROM）、刚性磁盘和光盘，诸如致密盘只读存储器（CD-ROM）、致密盘读/写和DVD。如本领域技术人员已知的那样，用于实现技术的每个方面的处理器和程序代码两者都可以是集中式的或分布式的（或者其组合）。
附图标记的列表
图1
装置 100
处理单元 102
通信单元 104
显示器 106
感测单元 108
存储器单元 110
状况模块 120
应力简档发生器 122
数字孪生模块 124
降级模块 126
预测模块 128
电气应力 150A
机械应力 150B
过程应力 150C
机电系统 180
电机 182
耦合器 184
泵 186
液压缸 188
负载单元 190
流量控制阀 192
吸入阀 194
冷油机 196
返回线过滤器 198
图2
负载简档 202
减压功能 204
图3
经加速的响应 300
y轴 310
x轴 320
图4
耦合器复制品 400
相对于X和Y轴作出的角度 410
力矩和力 420
节点1 430
节点2 440
耦合模型 450
图5
机电系统的队 505、510、515
机械应力 502A、502B
电气应力 504A、504B
过程应力 506A、506B
振动 512
电流 514
通量 516
温度 518
图6
系统 600
服务器 610
通信单元 612
处理单元 614
存储器 616
状况模块 618
用户设备 620
显示单元 622
网络接口 650
图7 流程图。
Claims (13)
1.一种至少一个机电系统（180、680）的基于状况的管理的计算机实现方法，所述方法包括：
基于根据负载简档对所述机电系统（180、680）进行操作或对所述机电系统（180、680）的操作进行仿真，来生成针对所述机电系统（180、680）的应力简档，其中所述应力简档指示在操作期间或在所述操作的仿真期间所述机电系统（180、680）上的应力分布，其中所述负载简档指示所述机电系统（180、680）的操作持续时间和负载容量；
从多个感测单元（108）接收与操作中的机电系统（180、680）相关联的状况数据；
使用经加速的降级模型基于所述应力简档和所述状况数据中的至少一个来预测所述机电系统（180、680）的失效实例，其中经加速的降级模型基于所述机电系统的数字孪生，并且其中经加速的降级模型是当在经评级的应力之上操作所述机电系统（180、680）时生成的；以及
在所述机电系统（180、680）失效时，将所预测的失效实例与实际失效实例进行比较，以用于调谐经加速的降级模型。
2.根据权利要求1所述的方法，进一步包括：
基于经调谐的经加速的降级模型来预测所述机电系统的新剩余寿命。
3.根据权利要求1所述的方法，其中所述数字孪生包括所述机电系统（180、680）的累积损伤模型。
4.根据权利要求1或3所述的方法，其中所述机电系统（180、680）的数字孪生是通过下述操作来生成的：
计算针对所述机电系统（180、680）的寿命概率分布；以及
基于所述机电系统（180、680）的历史状况数据来确定机电系统（180、680）的时间损伤累积。
5.根据权利要求1所述的方法，进一步包括：
确定来自所述机电系统（180、680）的经加速的机械响应，其中经加速的机械响应包括反映所述机电系统（180、680）中的机械故障的状况数据，并且其中所述机械故障包括所述机电系统（180、680）的部件的失准和所述部件的结构完整性的损失中的至少一个。
6.根据权利要求1所述的方法，进一步包括：
确定来自所述机电系统（180、680）的经加速的电气响应，其中经加速的电气响应包括反映所述机电系统（180、680）中的电气故障，并且其中所述电气故障包括高电压、低电压、高电流、低电流和短路中的至少一个。
7.根据权利要求1所述的方法，进一步包括：
确定来自所述机电系统（180、680）的经加速的过程响应，
其中经加速的过程响应包括反映由于所述机电系统（180、680）的过载所致的过程故障的状况数据。
8.根据权利要求1至7之一所述的方法，其中基于所述数字孪生的经加速的降级模型是通过下述操作来生成的：
在所述机电系统（180、680）的数字孪生上对经加速的机械响应、经加速的电气响应和经加速的过程响应进行仿真，以生成仿真响应；以及
基于所述仿真实例来预测所述机电系统（180、680）的经加速的剩余寿命。
9.根据权利要求1至8之一所述的方法，进一步包括：
使用经加速的降级模型来预测机电系统（505、510、515）的队的队寿命。
10.根据权利要求9所述的方法，进一步包括：
基于所述队中的机电系统（505、510、515）之间的可变性来更新所述队寿命，其中所述队寿命是使用神经网络来更新的。
11.一种用于至少一个机电系统（180、680）的基于状况的管理的装置（100），所述装置包括：
一个或多个处理单元（102）；以及
通信耦合到所述一个或多个处理单元的存储器单元（110），其中所述存储器单元包括以所述一个或多个处理单元可执行的机器可读指令的形式存储的状况模块（120），其中所述状况模块（120）被配置成执行根据权利要求1至10的一个或多个方法步骤。
12.一种系统，包括：
一个或多个设备（100），能够将与一个或多个机电系统（180、505、510、515、680）的状况相关联的状况数据；
服务器（610），通信耦合到所述一个或多个设备，其中包括状况模块（618）的所述服务器（610）被配置成执行根据权利要求1至10的一个或多个机电系统（180、505、510、515、680）的基于状况的管理。
13.一种其中存储有机器可读指令的计算机程序产品，所述机器可读指令在由一个或多个处理单元执行时使所述一个或多个处理单元执行根据权利要求1至10的方法。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| EP19182938.1A EP3757703A1 (en) | 2019-06-27 | 2019-06-27 | System, apparatus and method of condition based management of one or more electro-mechanical systems |
| EP19182938.1 | 2019-06-27 | ||
| PCT/EP2020/068135 WO2020260657A1 (en) | 2019-06-27 | 2020-06-26 | System, apparatus and method of condition based management of one or more electro-mechanical systems |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113994277A true CN113994277A (zh) | 2022-01-28 |
Family
ID=67296944
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202080046929.1A Pending CN113994277A (zh) | 2019-06-27 | 2020-06-26 | 一个或多个机电系统的基于状况的管理的系统、装置和方法 |
Country Status (4)
| Country | Link |
|---|---|
| US (1) | US11874654B2 (zh) |
| EP (2) | EP3757703A1 (zh) |
| CN (1) | CN113994277A (zh) |
| WO (1) | WO2020260657A1 (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050273277A1 (en) * | 2004-01-14 | 2005-12-08 | University Of Tennessee Research Foundation, Inc. | Vehicle fatigue life and durability monitoring system and methodology |
| CN101576443A (zh) * | 2009-06-16 | 2009-11-11 | 北京航空航天大学 | 基于灰色rbf神经网络的加速寿命试验寿命预测方法 |
| WO2010012837A1 (fr) * | 2008-08-01 | 2010-02-04 | Societe De Technologie Michelin | Système de gestion du couple exercé par une machine électrique sur une roue d'un véhicule |
| DE102013211543A1 (de) * | 2013-06-19 | 2014-12-24 | Robert Bosch Gmbh | Verfahren zum alterungs- und energieeffizienten Betrieb insbesondere eines Kraftfahrzeugs |
| CN104748960A (zh) * | 2015-04-15 | 2015-07-01 | 武汉理工大学 | 一种行车横梁在线应力监测与故障诊断系统及方法 |
| CN107453676A (zh) * | 2016-05-31 | 2017-12-08 | 中车株洲电力机车研究所有限公司 | 无速度传感器电机的速度辨识方法及电机保护方法 |
| CN108399278A (zh) * | 2018-01-24 | 2018-08-14 | 航天科工防御技术研究试验中心 | 一种电子装备多因素加速因子计算方法 |
| EP3462264A1 (en) * | 2017-09-29 | 2019-04-03 | Siemens Aktiengesellschaft | System, method and control unit for diagnosis and life prediction of one or more electro-mechanical systems |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7979237B2 (en) * | 2008-05-07 | 2011-07-12 | A. M. Fitzgerald & Associates, Llc | Fracture prediction for crystalline microstructures |
| US10318903B2 (en) * | 2016-05-06 | 2019-06-11 | General Electric Company | Constrained cash computing system to optimally schedule aircraft repair capacity with closed loop dynamic physical state and asset utilization attainment control |
| US20190102494A1 (en) * | 2017-10-03 | 2019-04-04 | Endurica, LLC | System for tracking incremental damage accumulation |
-
2019
- 2019-06-27 EP EP19182938.1A patent/EP3757703A1/en not_active Withdrawn
-
2020
- 2020-06-26 CN CN202080046929.1A patent/CN113994277A/zh active Pending
- 2020-06-26 EP EP20734086.0A patent/EP3969972A1/en active Pending
- 2020-06-26 US US17/619,735 patent/US11874654B2/en active Active
- 2020-06-26 WO PCT/EP2020/068135 patent/WO2020260657A1/en unknown
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050273277A1 (en) * | 2004-01-14 | 2005-12-08 | University Of Tennessee Research Foundation, Inc. | Vehicle fatigue life and durability monitoring system and methodology |
| WO2010012837A1 (fr) * | 2008-08-01 | 2010-02-04 | Societe De Technologie Michelin | Système de gestion du couple exercé par une machine électrique sur une roue d'un véhicule |
| CN101576443A (zh) * | 2009-06-16 | 2009-11-11 | 北京航空航天大学 | 基于灰色rbf神经网络的加速寿命试验寿命预测方法 |
| DE102013211543A1 (de) * | 2013-06-19 | 2014-12-24 | Robert Bosch Gmbh | Verfahren zum alterungs- und energieeffizienten Betrieb insbesondere eines Kraftfahrzeugs |
| US20140379199A1 (en) * | 2013-06-19 | 2014-12-25 | Robert Bosch Gmbh | Method for aging-efficient and energy-efficient operation in particular of a motor vehicle |
| CN104748960A (zh) * | 2015-04-15 | 2015-07-01 | 武汉理工大学 | 一种行车横梁在线应力监测与故障诊断系统及方法 |
| CN107453676A (zh) * | 2016-05-31 | 2017-12-08 | 中车株洲电力机车研究所有限公司 | 无速度传感器电机的速度辨识方法及电机保护方法 |
| EP3462264A1 (en) * | 2017-09-29 | 2019-04-03 | Siemens Aktiengesellschaft | System, method and control unit for diagnosis and life prediction of one or more electro-mechanical systems |
| CN108399278A (zh) * | 2018-01-24 | 2018-08-14 | 航天科工防御技术研究试验中心 | 一种电子装备多因素加速因子计算方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2020260657A1 (en) | 2020-12-30 |
| US20220299988A1 (en) | 2022-09-22 |
| EP3757703A1 (en) | 2020-12-30 |
| EP3969972A1 (en) | 2022-03-23 |
| US11874654B2 (en) | 2024-01-16 |
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 | |
| Medjaher et al. | Data-driven prognostics based on health indicator construction: Application to PRONOSTIA's data | |
| US20050273296A1 (en) | Neural network model for electric submersible pump system | |
| Ge et al. | Reliability and maintainability improvement of substations with aging infrastructure | |
| US11373455B2 (en) | Predicting electromechanical actuator health and remaining life | |
| CN112601876B (zh) | 估计技术系统的疲劳寿命的系统、装置和方法 | |
| Lin et al. | Component importance measures for components with multiple dependent competing degradation processes and subject to maintenance | |
| Salunkhe et al. | Prediction of Remaining Useful Life of mechanical components-a Review | |
| US20140081583A1 (en) | Method for deterministic stress based risk reduction | |
| EP4033390A1 (en) | System and method for fault prediction and management of an asset | |
| Liu et al. | Reliability mathematical models of repairable systems with uncertain lifetimes and repair times | |
| Bhatti et al. | Intelligent fault diagnosis mechanism for industrial robot actuators using digital twin technology | |
| Luo et al. | An improved recursive ARIMA method with recurrent process for remaining useful life estimation of bearings | |
| US20230251606A1 (en) | System, apparatus and method for managing an electromechanical system | |
| CN113994277A (zh) | 一个或多个机电系统的基于状况的管理的系统、装置和方法 | |
| CN111814331B (zh) | 复杂情况下多变点的设备剩余使用寿命预测方法 | |
| CN113297704A (zh) | 基于混合深度神经网络的谐波减速器功率实时预测方法及系统 | |
| Kim et al. | A study toward appropriate architecture of system-level prognostics: physics-based and data-driven approaches | |
| US20210042395A1 (en) | Connector wear correlation and prediction analysis | |
| Huynh et al. | Degradation modeling and RUL estimation of deteriorating systems in s-plane | |
| Nabila et al. | Gamma process with covariets and remaining useful life improvement in an actuator | |
| Yan et al. | Sustainable manufacturing oriented prognosis for facility reuse combining ANN and reliability | |
| Xu et al. | Optimal design for resilient load‐sharing systems with nonidentical components | |
| Rathi et al. | Reliability improvement of a multistage reciprocating compressor with redundancies using Markov approach | |
| Gong et al. | Degradation index construction and learning-based prognostics for stochastically deteriorating feedback control systems |
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 |