CN114008549A - 用于确定剩余使用周期的方法、剩余使用周期确定电路、剩余使用周期确定设备 - Google Patents
用于确定剩余使用周期的方法、剩余使用周期确定电路、剩余使用周期确定设备 Download PDFInfo
- Publication number
- CN114008549A CN114008549A CN202080042426.7A CN202080042426A CN114008549A CN 114008549 A CN114008549 A CN 114008549A CN 202080042426 A CN202080042426 A CN 202080042426A CN 114008549 A CN114008549 A CN 114008549A
- Authority
- CN
- China
- Prior art keywords
- determining
- state value
- remaining usage
- usage period
- remaining
- 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 68
- 238000004519 manufacturing process Methods 0.000 claims abstract description 71
- 238000012423 maintenance Methods 0.000 claims abstract description 42
- 238000006731 degradation reaction Methods 0.000 claims abstract description 28
- 230000015556 catabolic process Effects 0.000 claims abstract description 27
- 230000005653 Brownian motion process Effects 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 9
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 5
- 238000005096 rolling process Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 description 19
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000005259 measurement Methods 0.000 description 7
- 238000012544 monitoring process Methods 0.000 description 6
- 239000000853 adhesive Substances 0.000 description 5
- 230000001070 adhesive effect Effects 0.000 description 5
- 230000036541 health Effects 0.000 description 5
- 239000003292 glue Substances 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000003139 buffering effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000005537 brownian motion Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 230000007850 degeneration Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000005295 random walk Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000009827 uniform distribution Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000875 corresponding effect Effects 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000007921 spray Substances 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000003892 spreading Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000005309 stochastic process Methods 0.000 description 1
- 238000003860 storage Methods 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
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/37—Measurements
- G05B2219/37209—Estimate life of gear, drive
-
- 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
- G05B2219/37—Measurements
- G05B2219/37252—Life of tool, service life, decay, wear estimation
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及一种用于确定由于磨损而导致的生产设备(20;73)的剩余使用周期的方法(1;10;40),包括:基于针对生产设备的传感器的传感器数据,确定(2;11;41)生产设备(20;73)的部件的维护参量的第一状态值;以及确定(3;16;49)生产设备(20;73)的部件的未来使用周期,对于该未来使用周期,维护参量具有预先确定的第二状态值,其中该未来使用周期基于第一状态值以及基于离散随机退化模型来确定。
Description
技术领域
本发明涉及一种用于确定剩余使用周期的方法、一种剩余使用周期确定电路、以及一种剩余使用周期确定设备。
背景技术
一般而言,用于确定设备的剩余使用寿命(英语:Remaining Useful Lifetime(RUL))的方法是已知的。
这种方法通常基于随机方法或模型,并且可用于预测设备因磨损而故障的阈值,例如在(例如航空航天中的)涡轮机械和/或武器(系统)的范围内。
相比之下,用于确定生产设备的RUL的方法通常基于在线适应,其中用于确定的值在这种方法中不断更新,从而对确定进行不断更新。
例如,从专利文献US 8,725,456 B1中已知一种根据两个不同回归模型来确定组件或子系统的RUL的预测工具。在此,RUL基于人工智能的训练来确定。
此外,从专利申请文件CN 107480440 A中已知一种剩余寿命预测方法,该剩余寿命预测方法基于随机退化建模来确定剩余寿命。
此外,专利申请文件CN 107194478 A描述了一种用于预测剩余寿命的方法,其中使用漂移参数和扩散参数来描述退化过程。
然而,在这些方法中,并未确定未来的使用周期,而是确定持续时间。
发明内容
因此,本发明要解决的技术问题是,提供一种用于确定剩余使用周期的方法、一种剩余使用周期确定电路、以及一种剩余使用周期确定设备,其至少部分地克服了上述缺点。
该技术问题通过根据权利要求1的根据本发明的用于确定剩余使用周期的方法、通过根据权利要求14的根据本发明的剩余使用周期确定电路以及通过根据权利要求15的根据本发明的剩余使用周期确定设备来解决。
根据第一方面,根据本发明的用于确定由于磨损而导致的生产设备的剩余使用周期的方法包括:
基于针对生产设备的传感器的传感器数据,确定生产设备的部件的维护参量的第一状态值;以及
确定生产设备的部件的未来使用周期,对于该未来使用周期,维护参量具有预先确定的第二状态值,其中该未来使用周期基于第一状态值以及基于离散随机退化模型来确定。
根据第二方面,根据本发明的剩余使用周期确定电路被配置为用于执行根据第一方面的根据本发明的方法。
根据第三方面,根据本发明的剩余使用周期确定设备包括根据第二方面的剩余使用周期确定电路。
本发明的进一步有利的设计方案由从属权利要求和以下对本发明的优选实施例的描述给出。
如已经讨论的,已知的方法确定剩余使用寿命(RUL)。然而,已知的是,这种方法未(能够)将生产中断(例如周末)考虑在内,使得可能会过早地进行必要的维护,这可能是成本低效的。
因此已经认识到,可能有利和更容易的是,确定剩余使用周期,因为在该情况下不必考虑生产中断。例如,可以根据已经生产的部件来计划维护,从而减少由于长时间中断(例如由于人为的时间计划)造成的不期望的不确定性。
还已经认识到,可能所期望的是,能够降低生产成本并且能够同时提高或至少保持产品质量不变。
这可以通过及早检测或预测生产线中可能的运行干扰、可能的功能故障或其他干扰来实现。
在已知方法中,这种及早检测可能不准确地进行。
例如,在可以描述设备行为的物理表示的基于模型的方法中,预测因此可能是不准确的,因为必须进行简化,从而可能会丢失设备的复杂性,以及设备与环境的相互作用不一定被考虑在内。
此外,对于数据驱动模型(例如人工智能、机器学习),需要以高数据质量和一定数量的失败为前提,以便此类模型学习预测,而这可能是成本低效的。
此外,可能必须使用被标记的数据来训练数据驱动模型,其中此类被标记的数据不一定可用,因为例如必要的基础设施不存在或因为此类基础设施的成本可能高得不成比例。
此外,此类方法不一定可在两个设备之间转移,即使这些设备相似或其在任务或结构方面仅略有不同。
因此,在迁移过程中必须再次进行机器学习,其中如上所述,用于训练的数据量可能不够。此外,此类方法可能无法应用于新设备。
就此而言,已经认识到,结合统计模型和随机过程来创建用于风险分析和判断是否以及何时必须进行维护的概率密度函数可以克服这些缺点。
此外已经认识到,可能所期望的是,剩余使用寿命不必在开始时、在生产设备调试后不久或在维护后不久进行,因为这可能导致不必要的成本并且如在此所讨论的,必要的(被标记的)数据不一定存在。
此外已经认识到,在这种条件下确定剩余使用寿命可能导致预测不准确。在此,可以进行基于线性维纳过程(Wiener-Prozess)模型的蒙特卡罗模拟(Monte-Carlo-Simulation),如果维纳过程的一个漂移中有很小的变化,就可以导致大的变化或不准确,从而初始值通过状态监测被歪曲,例如,正值可能变为负值或接近于零。此外,预测中所确定的置信区间可能太大,因此蒙特卡罗模拟不会收敛到所定义的故障阈值(FailureThreshold)。
此外已经认识到,可以实施漂移控制以排除零值附近的漂移或负漂移,从而使蒙特卡罗模拟收敛。由此也可以有利地降低计算能力。
然而,在一些实施例中,负漂移也可以指示关于生产设备的状态的改善的陈述。
换言之,已经认识到,对从生产设备的调试起的剩余使用寿命的确定不一定必须进行,并且如果需要在过早的时间点进行维护,则可能会造成混淆,因为由此会增加剩余使用寿命确定的误差敏感性。
因此,一些实施例涉及一种用于确定由于磨损而导致的生产设备的剩余使用周期的方法,包括:
基于针对生产设备的传感器的传感器数据,确定生产设备的部件的维护参量的第一状态值;以及
确定生产设备的部件的未来使用周期,对于该未来使用周期,维护参量具有预先确定的第二状态值,其中该未来使用周期基于第一状态值以及基于离散随机退化模型来确定。
该设备可以包括由于磨损而必须或可以被维护的任何设备,例如汽车工业中的生产设备等。
在此上下文中,周期可包括预定的运行持续时间、预定的运行时间、预定的时段等,其中设备执行预定或设备典型的过程或方法。
在每个运行周期中,生产设备的部件或整个生产设备可能会受到磨损,例如由于机械应力、腐蚀或其他导致必须或可以维护该部件或整个生产设备的情况。
通常期望的是,知道何时应当进行维护的时间点,以便例如安排该维护(即确定维护的日期),因为例如,如果维护进行得太晚,则可能导致运行故障,并且由此导致更高的成本,而过早进行维护可能会因维护频率过高而导致成本增加。
在一些实施例中,确定生产设备的部件的维护参量的第一状态值。
维护参量可以是可以指示磨损的物理、机械和/或电子参量等。
例如,维护参量可以包括部件的伸长率、温度、厚度、压力、湿度、填充量等。
第一状态值可以包括维护参量的测量值,例如,如果维护参量包括压力,则为十巴。
传感器可以相应地被配置为生成指示状态值的传感器数据。
因此,传感器例如可以包括压力传感器、距离传感器、温度传感器、湿度传感器、颜色传感器等。
此外,传感器数据还可以指示多个(例如依次的)状态值,这些状态值单独、成组或作为(加权)平均值计入到对未来使用周期的确定中。
传感器数据例如可以源自状态监测(Condition Monitoring,CM),其通常设置在已知的生产设备中。有利地,不必设置附加的传感机构,这降低了成本。CM数据可以包含或指示生产设备的每个工作周期的统计参数,并且可以存储在生产设备中并在每个生产周期之后(或期间)或在由生产设备生产的每个部件之后被调用。
此外,由此可以有利地限定应该存在的缓冲,由此在生产设备出现故障的情况下存在足够的部件,从而不必关闭生产线。
此外,在一些实施例中可以有利地放弃这样的缓冲,因为由此不必释放空间或存储容量(通常是有限的)并且也不必将财务资源用于缓冲。
换言之:在一些实施例中,周期可以代表所生产的构件(或产品)(或代表一定数量的所生产的构件或产品),从而可以有利地将生产设备的周期与构件缓冲进行比较,使得根据本发明的方法更准确地作出关于剩余使用寿命的预测。
未来使用周期可以包括根据当前和/或过去的使用周期或者根据当前和/或过去的使用周期中的第一状态值确定的使用周期,对于该使用周期,维护参量取先前确定的第二状态值。
例如,第二状态值(例如五巴)可以是必须执行维护或必须安排维护的阈值。第二状态值也可以是从其起可以使用另一种方法或从其起可以知道后续值的值。
可以基于第一状态值和离散随机退化模型来确定第二状态值。例如,第一状态值可以用作离散随机退化模型的初始值。
离散随机退化模型通常可以包括模型、算法等,其基于随机和/或统计分析并且基于第一状态值,允许关于未来使用周期中的维护参量的预测。
就此而言,随机退化模型是离散的,因为退化模型的变量是离散的。特别地,在本发明中,使用周期是离散变量,而不是诸如时间之类的连续变量。
连续变量时间的问题例如可能是,对于这种模型,通常不能考虑生产设备或生产设备的部件可能被(不期望地或期望地)关闭。换言之,在这种模型中,通常假定每个使用周期在时间维度上均匀分布。
此外,可能有问题是,可能难以将缓冲中的剩余部分(如以上所描述地)与剩余时间进行比较,因为不一定存在对应关系。
然而,在工业生产设备的情况下,可能会发生关闭,例如工业生产设备在假期、周末、公司假期等关闭,因此不存在这种均匀分布。在连续随机模型的情况下,这可能导致对维护参量采用固定值的未来时间的错误预测。
由此本发明得到如下优点:不必假定这种均匀分布,这首先有利地简化了退化模型,另一方面有利地允许更准确地预测先前确定的第二状态值。
在一些实施例中,该方法还包括:基于未来使用周期确定生产设备的剩余使用周期的数量。
剩余使用周期可以由未来使用周期产生或对应于未来使用周期,例如剩余使用周期可以包括直至到达未来使用周期的使用周期的数量,或者达到根据未来使用周期来确定的另一个使用周期等。
由此,可以有利地在缓冲的各部分(如以上所描述地)之间建立与剩余使用周期的相关性,从而可以有利地更好地计划维护。
在一些实施例中,该方法还包括:生成用于确定剩余使用周期的概率密度函数。
众所周知,概率密度函数可以指示概率。
通常,可以将概率指定为依据变量、例如依据时间。然而,如在此所讨论的,使用连续变量时间可能是不利的,因此在一些实施例中,变量是使用周期,从而可以有利地确定未来使用周期。
因此在一些实施例中,概率密度函数指示维护参量取第二状态值的未来使用周期的概率。
在一些实施例中,退化模型包括维纳过程模型。
例如在电化学设备中的退化(或磨损)例如可以以随机方式发生。
因此,可以使用随机模型(例如维纳过程)来描述退化。
在此,在一些实施例中,考虑到可以部分确定性地并且部分随机地描述退化,其中,对于所有被测试的设备确定性部分可以是相同的(即对于总数量(Gesamtpopulation)),并且其中,随机部分可以描绘由总数量中的不同设备产生的不确定性。
因此,在一些实施例中,考虑了维纳过程,其不描述纯随机游走,而是描述具有漂移的随机游走。众所周知,这样的维纳过程可以用下面的公式(1)来描述:
X(t)=xi+λ(t)+σB(t) (1)
在公式(1)中,X(t)对应于退化,xi对应于第一状态值,λ(t)对应于漂移系数(因此描述了确定性部分),σ对应于离散系数,并且B(t)对应于布朗运动(因此描述了随机部分)。
在对维纳过程的该描述中,描述了连续变量时间。为了找到对退化X(t)的描述,在此首先可以考虑一组已知的值(即基于传感器测量的第一状态值,该第一状态值指示状态监测(CM))X1:i={x1,x2,…,xi}。基于组X1:i,可以如公式(2)所示定义剩余使用寿命(RUL(RemainingUseful Lifetime)):
Ti=inf{t:X(t)>w|xi} (2)
在公式(2)中,Ti描述剩余使用寿命,inf代表下确界(众所周知),并且w代表故障阈值(Failure Threshold(FT)),在该故障阈值下设备通常不再可用。
由此可以得到剩余使用寿命的概率密度函数:
现在,如在此所描述的,剩余寿命的这种计算可能是不利的并且不准确的,因此本发明可以确定剩余使用周期。
在此,可以使用X(c)代替X(t),其中c代表(未来)使用周期,并且在公式(1)中,不失一般性地,每个t都可以以c代替,这样公式此处不再赘述。
此外,剩余使用周期Ci可以如公式(4)中进行定义:
Ci=inf{c:X(C)>w|xi} (4)
如在此所描述的,剩余使用周期可以指示未来使用周期,或指示生产设备在设备出现故障或不能再使用之前还可以有多少使用周期。
在这种实施例中,未来使用周期可以是或对应于剩余使用周期之前的预定数量的使用周期。
由此得到概率密度函数,该概率密度函数可以在公式(5)中看到:
c-ci也可以简单地定义为n,描述了自先前确定剩余使用周期或自确定第一状态值以来的过去周期的数量。
在每个周期之后,可以再次应用根据本发明的方法,从而只要已经超过磨损阈值(Healthy Threshold,健康阈值),就可以有利地对剩余使用周期进行更准确的预测。
在一些实施例中,如在此所描述的,维纳过程模型基于漂移。
众所周知,维纳过程模型表示马尔可夫特性,由此维纳过程模型是无记忆的,即如果第二状态值仅基于维纳过程模型来确定,则预测将始终基于第一状态值xi,但不会考虑历史的第一状态值(来自之前的测量)。
因此,在一些实施例中,退化模型包括贝叶斯预测模型(Bayesian forecastingmodel)。
在一些实施例中,该方法还包括:基于贝叶斯预测模型,确定维纳过程模型中的漂移。
众所周知,漂移系数λ(t)经历随时间变化的过程。因此,第一状态值可以是唯一的已知值,这就是必须确定漂移的原因。
如以上所描述的,漂移通常被认为是确定性的。然而,在一些实施例中,其被建模为随机变量(或随机的变量)。
在一些实施例中,基于贝叶斯滤波器和/或卡尔曼滤波器确定漂移。
如众所周知的,以该方式,可以在状态空间模型(state space model)中如公式(6)和(7)所示地构建漂移:
λ=λi-1+η (6)
xi=xi-1+λi-1(ti-ti-1)+σε (7)
η可以与正态分布的噪声N(0,σε)成比例,ε可以与具有作为方差的ti-ti-1的另外的正态分布的噪声N(0,ti-ti-1)成比例,以表示布朗运动。此外,公式(6)表示系统方程,并且公式(7)表示观测方程(observation equation)。
η和ε可能不相关。然而,本发明不限于此。
如果η和ε不相关,则可以根据本发明调整公式(7),由此得出公式(8):
xi=xi-1+λi-1(n)+σε (8)
在此,ε~N(0,n),即与具有作为方差的n的、作为第一状态值的零附近的正态分布成比例,其中,n可以源自自然数,并且包括自先前执行根据本发明的方法以来经过的周期。
因此,ci对应于当前周期或由传感器最后一次测量的周期,并且ci-n对应于根据本发明的方法的最后执行的周期。
通常,在已知方法中,例如在等式(7)中,ε的方差可以随时间增加,尽管没有发生使用周期,因为没有考虑使用中断等。
然而,在考虑等式(8)的根据本发明的方法中,有利地,方差仅随着每个使用周期而增加,从而得到在确定第二状态值时避免不必引入不确定性的优点。
在一些实施例中,使用链跟踪滤波器算法(Strang Tracking FilterAlgorithmus)来滤除突然的信号变化(或第一状态值的突然(短期)变化)并确定漂移。
为此可以实现以下第一算法:
输入:第一状态值xi
输出:估计漂移λ'i
初始化:
i)常量:α,ρ
ii)初始化(仅针对第一估计)λ0=0,P0=1
iii)计算Fadig参数Vi,
其中n=ci-ci-n
γi=xi-xi-n-λ'i-nn
Bi=V0(i)-Q(n)2-ασ2
Bi=Pi-n|i-n(n)2
vi=v0,对于v0≥1;vi=1,对于v0<1
iv)基于贝叶斯预测模型针对单变量进行状态估计:
Pi|i-n=viPi-n+Q
更新漂移估计和方差:
λi=xi-xi-n
Pi=(1-Ki)Pi|i-n
在一些实施例中,退化模型包括蒙特卡罗模拟(Monte-Carlo-Simulation)。
在此,通过基于第一算法的足够多数量N的模拟,可以有利地提高确定第二状态值的准确度。
因此可以例如根据以下第二算法,确定剩余使用周期的数量。
输入:第一状态值xi,所估计的漂移λ'i,故障阈值FT
如下模拟N个退化路径:
i)forj=1 to N do
ii)while sj<FT do
iii)sj=xi+λ'icj+σB(cj)
iv)S={S,Sj}
v)end while
vi)end for
vii)基于组Sf生成正态分布
在此,i<j<f。此外,ci是执行过去(或最后一次)传感器测量的使用周期,而cf是达到FT的未来使用周期。
在一些实施例中,该方法还包括:处理第一状态值。
例如,第一状态值可以是有噪声的、来自统计的异常值等。
因此可以处理、即加工第一状态值,以便过滤和/或标准化第一状态值。
因此,在一些实施例中,处理包括过滤。
例如,卡尔曼滤波器可用于过滤噪声。
通常,噪声可以使对第二状态值和/或未来使用周期的预测或确定不正确。例如,这可能由间接测量引起。
为了从第一状态值中去除噪声,可以以下第三算法的形式实现卡尔曼滤波器:
输入:第一状态值xi
输出:过滤后的第一状态值x'i
Pi|i-1=Pi-1+Q
更新信号估计和方差:
x'i=x'i-1+Ki(xi-xi-1)
Pi=(1-Ki)Pi|i-1
因此可以有利地去除噪声并且可以基于更稳定的第一状态值来执行对第二状态值的确定。
在一些实施例中,处理包括滚动窗口回归(Rolling-Window-Regression)。
滚动窗口回归可以在卡尔曼滤波器之后应用,以便在短的时间标尺内过滤第一状态值的波动。
为此,为多个(依次的)第一状态值形成平均值。例如,为第一到第n个第一状态值(在第一窗口中)形成第一平均值。然后将窗口移动一个位置,从而为第二到第n+1个第一状态值形成第二平均值。然后可以将窗口移动一个进一步的位置,以便为第三到第n+2个状态值形成第三平均值。
由此,可以有利地提高第一状态值的稳定性并因此提高对未来状态值的确定的稳定性。
在一些实施例中,如在此所描述的,处理因此也基于移动的平均值。
在一些实施例中,该方法还包括:基于第一状态值确定至少一个阈值,该第一状态值指示第二状态值。
如在此所描述的,第一阈值例如可以包括健康阈值、故障阈值等。
由此,可以有利地满足(预先给定的)标准并且可以确保设备的可靠性。
为了满足标准并确保可靠性,通常在设备交付使用以便例如在生产中使用之前进行多项测试。在这些测试中,设备可以被测试,使得其特性在极端条件下被检查。基于这些测试,通常可以生成标准,其将极端条件定义为针对特定的设备特性的阈值。
通过例如由标准设置的规范,例如可以预先知道设备或设备的部件的最大允许运行条件。
例如,在涂胶机的情况下,压力可以是对电动机的电流流量的间接测量。此外,可以给出基于这种电流流量的标准化(最大)值的FT,该电流流量由电动机腔室中的压力值表示。
在这样的最大值之上操作或运行电动机对于电动机的完整性可能是危险的。因此,在最大值以上运行的情况下,可以执行电动机的运行中断(downtime),以便避免进一步的损坏。
在这种情况下,FT可以表示设备无法再运行的值。
此外,基于测试或检查和/或基于标准(或多个标准),可以确定阈值,直到该阈值,设备仍然可以运行而通常不会已经发生损坏。这种阈值可以包括直到达到FT的安全性,并且可以被称为HT(Healthy Threshold,健康阈值)。此外,可以定义BU阈值(Business asUsual,照常营业),该BU阈值可以指定设备运行的状态。
在BU运行模式期间,可以基于BU并根据与第一状态值(或原始数据)的标准偏差σ来定义HT。本发明不限于此,HT可定义如下:
BU可以根据过滤后的第一状态值(如在此已经描述的,其以卡尔曼滤波器过滤)来确定,其中有利地,只要BU低于HT,由于过滤,BU所取的值高于HT的概率很低。此外,每次超过阈值(HT)时,都会发生偶然(或随机)退化或磨损。
如果过滤后的第一状态值超过HT,则在一些实施例中,不能再确定剩余使用周期,从而可以有利地在设备发生损坏之前识别HT。
一些实施例涉及剩余使用周期确定电路,其被配置为执行根据本发明的方法。
剩余使用周期确定电路例如可以包括CPU(Central Processing Unit,中央处理单元)、GPU(Graphie Processing Unit,图形处理单元)或任何其他类型的至少一个处理器、FPGA((Field Programmable Gate Array,现场可编程门阵列)等。通过电路与至少一个传感器连接或者包括至少一个传感器,该电路可以接收传感器数据。此外,电路可以与至少一个传感器连接,并且同时包括至少一个(另外的)传感器。
至少一个传感器可以被配置为例如通过直接或间接测量,测量至少一个维护参量的至少一个状态值或生成指示至少一个状态值的测量数据。
此外,传感器还可以被配置为测量多个维护参量,例如压力和湿度、距离、体积等。
剩余使用周期确定电路还可以包括一个(或多个)计算机、服务器等,其被连接为可以执行根据本发明的方法。
一些实施例涉及包括根据本发明的剩余使用周期确定电路的剩余使用周期确定设备。
剩余使用周期确定设备例如可以包括计算机、服务器等,以及包括至少一个传感器或与该至少一个传感器连接。此外,剩余使用周期确定设备还可以包括应当确定剩余使用周期的数量的设备。
附图说明
现在示例性地并且参考附图来描述本发明的实施例,其中:
图1以框图示意性地示出了根据本发明的用于确定由于磨损而导致的生产设备的剩余使用周期的方法的实施例;
图2以框图示出了根据本发明的用于确定由于磨损而导致的生产设备的剩余使用周期的方法的另外的实施例;
图3示出了为其可以确定剩余使用周期的数量的生产设备;
图4以流程图示出了根据本发明的用于确定由于磨损而导致的生产设备的剩余使用周期的方法的另外的实施例;
图5示出了用于确定剩余使用周期的曲线图;
图6示出了表示退化的曲线图;以及
图7示出了根据本发明的剩余使用周期确定设备,其具有根据本发明的剩余使用周期确定电路。
具体实施方式
图1中以框图示出了根据本发明的用于确定由于磨损而导致的生产设备的剩余使用周期的方法1的实施例。
如在此所描述的,在2中,基于针对生产设备的传感器的传感器数据,确定生产设备的部件的维护参量的第一状态值。
如在此所描述的,在3中,确定生产设备的部件的未来使用周期,对于该未来使用周期,维护参量具有预先确定的第二状态值,其中该未来使用周期基于第一状态值以及基于离散随机退化模型来确定。
图2示出了根据本发明的用于确定由于磨损而导致的生产设备的剩余使用周期的方法10的另外的实施例。
如在此所描述的,在11中,基于针对生产设备的传感器的传感器数据,确定生产设备的部件的维护参量的第一状态值。
如在此所描述的,在12中,处理第一状态值。
如在此所描述的,在13中,基于指示第二状态值的第一状态值确定至少一个阈值;
如在此所描述的,在14中,维纳过程模型中的漂移基于贝叶斯预测模型来确定。
如在此所描述的,在15中,生成用于确定剩余使用周期的概率密度函数。
如在此所描述的,在16中,确定生产设备的部件的未来使用周期,对于该未来使用周期,维护参量具有预先确定的第二状态值,其中该未来使用周期基于第一状态值以及基于离散随机退化模型来确定。
如在此所描述的,在17中,基于未来使用周期确定生产设备的剩余使用周期的数量。
图3示出了为其可以确定剩余使用周期的数量的生产设备。
该实施例中的生产设备是涂胶机20,其具有带电动机轴22的电动机21、主轴23、带滚动元件的螺母24、导杆25、活塞26、粘合剂室27、入口阀28、出口阀29和喷嘴30。
利用高压泵和散布器,涂胶机20可以散布粘合剂。由于散布器在高压下运行,散布器可能容易磨损。此外,主轴23可能难以维护,这可能与高成本相关联。因此根据本发明的方法用于主轴23。除了八个另外的参数之外,监视涂胶机20的传感机构可以测量涂胶室27中的压力。在该实施例中,压力是重要的维护参量。
在该实施例中,(在生产周期期间的)(最大)压力是主要维护参量,按照该主要维护参量可以预测或估计主轴23的可能故障。在涂抹粘合剂期间,喷嘴可能会暂时堵塞。由此,可能需要必须增加涂胶室27中的压力以释放喷嘴。为了增加压力,如上进一步所述,可以增加电动机21的电流。然而,电流以及因此压力可能会发生波动,由此反映生产周期之后(间接测量)的最大压力的数据点可能是异常值和/或包含噪声。
因此,如在此所描述的,压力利用卡尔曼滤波器和具有用移动平均值的滚动窗口回归来过滤。
图4以流程图示出了根据本发明的方法40的另外的实施例。
在41中执行状态监测,由此获得维护参量的第一状态值,即压力数据组由压力传感器确定。
在42中,如在此所描述的,过滤所获得的压力数据组。
在43中判断是否发生磨损,即是否已经超过最大压力值。
如果在44中没有已经超过最大压力值,则确定新的第一状态值。
如果已经超过最大压力值,则如在此所描述的,在45中针对基于贝叶斯网络的维纳过程执行漂移估计。
漂移估计被应用为使得避免漂移的负值或零值,以便有利地避免蒙特卡罗模拟的发散,由此可以有利地节省计算能力。
在46中,基于此,即基于根据蒙特卡罗模拟的具有漂移的维纳过程,确定未来使用周期。这意味着,确定压力在未来使用周期中预期超过最大压力值的频度。未来使用周期然后指示故障阈值。基于此,确定剩余使用周期的数量。如果在47中剩余使用周期的数量小于每天的使用周期(即涂胶机仍然可以在生产日使用),则在48中确定新的压力数据组。如果剩余使用周期的数量更大,则在49中生成报告并启动维护。
在该实施例中,假定有足够的第一状态值或传感器数据组足够大,从而可以执行统计/随机分析,其中本发明不限于此。例如,也可以仅存在第一状态值。
在根据本发明的这种方法中,可以在发生生产中断或计划进行生产中断时执行维护。由此,例如可以根据所确定的剩余使用周期来计划生产中断,从而可以有利地节省可能由计划外的生产中断引起的成本。
图5示出了用于确定剩余使用周期的曲线图50,其在纵坐标51上示出了粘合剂室中的所测量的压力(如以上所描述的),其被绘制为相对于时间53的数据点52。在数据点52之间存在由生产中断(例如周末)产生的空位54。此外还示出了健康阈值(HealthyThreshold,HT)55。位于HT 55以上的数据点对应于第二状态值,因此已经以根据本发明的方法来确定。HT 55上方的数据点提供关于直到故障阈值56的剩余使用周期的数量的信息。
图6中示出了描述退化的曲线图60,其具有多个概率密度函数61。曲线图60在纵坐标62上绘制有概率(或概率密度,英语:Likelihood),并且在横坐标63上绘制有未来使用周期。可以看到,概率密度函数61是正态分布的。概率密度函数61的平均值64说明预期的剩余使用周期的数量,而叉号65表示故障前的实际的剩余使用周期的数量。
这里的优点是,在使用根据本发明的方法时,可以进行准确的预测。例如,所确定的剩余使用周期的百分之八十在此保持在预先确定的置信区间以下,使得准确度有利地高,使得根据本发明的方法可以使用在生产设备中,并且由于连续变量时间而产生的不确定性可以有利地被忽略。
图7示出了根据本发明的用于确定生产设备73的剩余使用周期的数量的剩余使用周期确定设备70。剩余使用周期确定设备70包括传感器接口71,其接收传感器72的传感器数据。如在此所描述的,传感器72被配置为生成传感器数据,该传感器数据指示维护参量的第一状态值(或多个第一状态值)。
传感器接口71被配置为根据传感器数据确定第一状态值。
此外,剩余使用周期确定设备70包含根据本发明的剩余使用周期确定电路74,该剩余使用周期确定电路在该实施例中被构建为CPU并且其被配置为用于执行根据本发明的方法。
除了涂胶机之外,本发明通常可用于例如汽车工业中易磨损的生产设备。这种生产设备例如可以包含例如主轴驱动器、齿轮驱动器、滚柱轴承和/或其他构件。
此外,本发明可用于所有受磨损影响的构件,例如车辆组件,其利用对应的传感机构(例如振动传感器)来监视。例如,可以预测车轮轴承损坏、传动装置损坏等。在电动车辆(带有现有的传感器)的情况下,可以对传动系统的损坏进行预测。
附图标记列表
1 用于确定剩余使用周期的方法
2 确定第一状态值
3 确定未来使用周期
10 用于确定剩余使用周期的方法
11 确定第一状态值
12 处理第一状态值
13 基于第一状态值确定至少一个阈值
14 确定漂移
15 生成概率密度函数
16 确定未来使用周期
17 确定剩余使用周期的数量
20 涂胶机
21 电动机
22 电动机轴
23 主轴
24 螺母
25 导杆
26 活塞
27 粘合剂室
28 入口阀
29 出口阀
30 喷嘴
40 用于确定剩余使用周期的方法
41 执行状态监测
42 过滤
43 判断是否发生磨损
44 确定新的第一状态值
45 执行漂移估计
46 确定未来使用周期
47 分析剩余使用周期的数量是否大于每天的使用周期的数量
48 确定新的压力数据组
49 生成报告
50 用于确定剩余使用周期的曲线图
51 具有所测量的压力的纵坐标
52 数据点
53 时间
54 空位(生产中断)
55 健康阈值
56 故障阈值
60 描述退化的曲线图
61 概率密度函数
62 具有概率的纵坐标
63 具有未来使用周期的横坐标
64 概率密度函数的平均值
65 表示实际的剩余使用周期的数量的叉号
70 剩余使用周期确定设备
71 传感器接口
72 传感器
73 生产设备
74 剩余使用周期确定电路
Claims (15)
1.一种用于确定由于磨损而导致的生产设备(20;73)的剩余使用周期的方法(1;10;40),包括:
基于针对生产设备的传感器的传感器数据,确定(2;11;41)生产设备(20;73)的部件的维护参量的第一状态值;以及
确定(3;16;49)生产设备(20;73)的部件的未来使用周期,对于所述未来使用周期,维护参量具有预先确定的第二状态值,其中所述未来使用周期基于所述第一状态值以及基于离散随机退化模型来确定。
2.根据权利要求1所述的方法(1;10;40),还包括:
基于所述未来使用周期,确定(17)生产设备(20;73)的剩余使用周期的数量。
3.根据权利要求2所述的方法(1;10;40),还包括:
生成(15)用于确定剩余使用周期的概率密度函数。
4.根据上述权利要求中任一项所述的方法(1;10;40),其中,所述退化模型包括维纳过程模型。
5.根据权利要求4所述的方法(1;10;40),其中,所述退化模型包括贝叶斯预测模型。
6.根据权利要求5所述的方法(1;10;40),还包括:
基于所述贝叶斯预测模型,确定(14)维纳过程模型中的漂移。
7.根据权利要求5或6所述的方法(1;10;40),其中,所述退化模型包括蒙特卡罗模拟。
8.根据上述权利要求中任一项所述的方法(1;10;40),还包括:
处理(12)所述第一状态值。
9.根据权利要求8所述的方法(1;10;40),其中,处理包括过滤。
10.根据权利要求9所述的方法(1;10;40),其中,过滤基于卡尔曼滤波器。
11.根据权利要求8至10中任一项所述的方法(1;10;40),其中,处理包括滚动窗口回归。
12.根据权利要求11所述的方法(1;10;40),其中,处理还基于移动的平均值。
13.根据上述权利要求中任一项所述的方法(1;10;40),还包括:
基于第一状态值确定(13)至少一个阈值,该第一状态值指示第二状态值。
14.一种剩余使用周期确定电路(74),其被配置为实施根据上述权利要求中任一项所述的方法(1;10;40)。
15.一种用于确定剩余使用周期的剩余使用周期确定设备(70),其包括根据权利要求14所述的剩余使用周期确定电路。
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102019002890.2 | 2019-04-23 | ||
DE102019002890 | 2019-04-23 | ||
DE102020200051.4 | 2020-01-06 | ||
DE102020200051.4A DE102020200051A1 (de) | 2019-04-23 | 2020-01-06 | Verfahren zum Bestimmen von Restnutzungszyklen, Restnutzungszyklusbestimmungsschaltung, Restnutzungszyklusbestimmungsvorrichtung |
PCT/EP2020/057149 WO2020216530A1 (de) | 2019-04-23 | 2020-03-16 | Verfahren zum bestimmen von restnutzungszyklen, restnutzungszyklusbestimmungsschaltung, restnutzungszyklusbestimmungsvorrichtung |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114008549A true CN114008549A (zh) | 2022-02-01 |
Family
ID=79877178
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202080042426.7A Pending CN114008549A (zh) | 2019-04-23 | 2020-03-16 | 用于确定剩余使用周期的方法、剩余使用周期确定电路、剩余使用周期确定设备 |
Country Status (2)
Country | Link |
---|---|
EP (1) | EP3959571A1 (zh) |
CN (1) | CN114008549A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103488881A (zh) * | 2013-09-06 | 2014-01-01 | 中国人民解放军第二炮兵工程大学 | 一种不确定退化测量数据下的设备剩余寿命预测方法 |
CN107145645A (zh) * | 2017-04-19 | 2017-09-08 | 浙江大学 | 带不确定冲击的非平稳退化过程剩余寿命预测方法 |
CN107145720A (zh) * | 2017-04-19 | 2017-09-08 | 浙江大学 | 连续退化和未知冲击共同作用下的设备剩余寿命预测方法 |
US20170365109A1 (en) * | 2016-06-15 | 2017-12-21 | Ford Global Technologies, Llc | Remaining useful life estimation of vehicle component |
CN108629073A (zh) * | 2018-03-14 | 2018-10-09 | 山东科技大学 | 一种多模式的退化过程建模及剩余寿命预测方法 |
CN109343505A (zh) * | 2018-09-19 | 2019-02-15 | 太原科技大学 | 基于长短期记忆网络的齿轮剩余寿命预测方法 |
-
2020
- 2020-03-16 CN CN202080042426.7A patent/CN114008549A/zh active Pending
- 2020-03-16 EP EP20712294.6A patent/EP3959571A1/de active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103488881A (zh) * | 2013-09-06 | 2014-01-01 | 中国人民解放军第二炮兵工程大学 | 一种不确定退化测量数据下的设备剩余寿命预测方法 |
US20170365109A1 (en) * | 2016-06-15 | 2017-12-21 | Ford Global Technologies, Llc | Remaining useful life estimation of vehicle component |
CN107145645A (zh) * | 2017-04-19 | 2017-09-08 | 浙江大学 | 带不确定冲击的非平稳退化过程剩余寿命预测方法 |
CN107145720A (zh) * | 2017-04-19 | 2017-09-08 | 浙江大学 | 连续退化和未知冲击共同作用下的设备剩余寿命预测方法 |
CN108629073A (zh) * | 2018-03-14 | 2018-10-09 | 山东科技大学 | 一种多模式的退化过程建模及剩余寿命预测方法 |
CN109343505A (zh) * | 2018-09-19 | 2019-02-15 | 太原科技大学 | 基于长短期记忆网络的齿轮剩余寿命预测方法 |
Non-Patent Citations (1)
Title |
---|
XIAO-SHENG SI,等: "Remaining useful life estimation – A review on the statistical data driven approaches", 《EUROPEAN JOURNAL OF OPERATIONAL RESEARCH》, 17 November 2010 (2010-11-17), pages 1 - 14, XP028205970, DOI: 10.1016/j.ejor.2010.11.018 * |
Also Published As
Publication number | Publication date |
---|---|
EP3959571A1 (de) | 2022-03-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10521490B2 (en) | Equipment maintenance management system and equipment maintenance management method | |
Ahmad et al. | A hybrid prognostics technique for rolling element bearings using adaptive predictive models | |
US7395188B1 (en) | System and method for equipment life estimation | |
EP3270252B1 (en) | Equipment control based on failure determination | |
US20140365179A1 (en) | Method and Apparatus for Detecting and Identifying Faults in a Process | |
US7873581B2 (en) | Method and system for determining the reliability of a DC motor system | |
CN109033499B (zh) | 一种多阶段一致性检验的航空发动机剩余寿命预测方法 | |
EP1818746A1 (en) | Method of condition monitoring | |
EP2837984B1 (en) | Process to optimize the maintenance of technical systems | |
JP7145821B2 (ja) | 故障確率評価システムおよびその方法 | |
WO2018044507A1 (en) | Machine learning-aided model-based method for estimating gas turbine component life | |
CN113837427B (zh) | 用于对资产执行预测性健康分析的方法和计算系统 | |
WO2020216530A1 (de) | Verfahren zum bestimmen von restnutzungszyklen, restnutzungszyklusbestimmungsschaltung, restnutzungszyklusbestimmungsvorrichtung | |
JP2004240642A (ja) | プラント機器の保守支援装置 | |
CN114091798A (zh) | 对资产执行预后健康分析的方法和计算系统 | |
JP2023529429A (ja) | 資産の予後健全性分析を実行するための方法及び計算システム | |
WO2020166236A1 (ja) | 作業効率評価方法、作業効率評価装置、及びプログラム | |
KR100758152B1 (ko) | 진동신호 양자화에 의한 거동반응을 이용한 고장진단방법 | |
Medjaher et al. | Residual-based failure prognostic in dynamic systems | |
Djeziri et al. | Fault prognosis based on physical and stochastic models | |
CN112668794A (zh) | 一种不确定寿命预测信息下航空发动机的维修优化方法 | |
DE102020200051A1 (de) | Verfahren zum Bestimmen von Restnutzungszyklen, Restnutzungszyklusbestimmungsschaltung, Restnutzungszyklusbestimmungsvorrichtung | |
Xin et al. | Dynamic probabilistic model checking for sensor validation in Industry 4.0 applications | |
CN114008549A (zh) | 用于确定剩余使用周期的方法、剩余使用周期确定电路、剩余使用周期确定设备 | |
Nabila et al. | Gamma process with covariets and remaining useful life improvement in an actuator |
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 |