CN116391187A - 使用机器学习模型的底架磨损预测 - Google Patents

使用机器学习模型的底架磨损预测 Download PDF

Info

Publication number
CN116391187A
CN116391187A CN202180073958.1A CN202180073958A CN116391187A CN 116391187 A CN116391187 A CN 116391187A CN 202180073958 A CN202180073958 A CN 202180073958A CN 116391187 A CN116391187 A CN 116391187A
Authority
CN
China
Prior art keywords
data
machine
wear
components
learning 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
Application number
CN202180073958.1A
Other languages
English (en)
Inventor
张李
E·J·约翰森
张艳钗
胡雪飞
D·W·霍伊特
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.)
Caterpillar Inc
Original Assignee
Caterpillar Inc
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 Caterpillar Inc filed Critical Caterpillar Inc
Publication of CN116391187A publication Critical patent/CN116391187A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M17/00—Testing of vehicles
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/006—Indicating maintenance
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/008—Registering or indicating the working of vehicles communicating information to a remotely located station
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
    • G07C5/0808—Diagnosing performance data
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
    • G07C5/0816—Indicating performance data, e.g. occurrence of a malfunction
    • 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
    • G05B2219/20—Pc systems
    • G05B2219/26—Pc applications
    • G05B2219/2616—Earth moving, work machine

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
  • Control Of Position Or Direction (AREA)
  • Control Of Turbines (AREA)
  • Regulating Braking Force (AREA)
  • Numerical Control (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种系统，该系统可以包括设备。该设备可以被配置成从机器的一个或多个传感器设备接收与机器的底架的一个或多个部件的磨损相关联的传感器数据；以及基于一个或多个部件的磨损率使用机器学习模型和传感器数据预测一个或多个部件的磨损量。使用训练数据训练机器学习模型以预测一个或多个部件的磨损率。训练数据包括以下各项中的两者或更多者：来自一个或多个第三设备的历史传感器数据、历史检查数据或模拟模型的模拟数据。该设备可以基于磨损量执行动作。

Description

使用机器学习模型的底架磨损预测
技术领域
本公开总体上涉及监测机器的底架的磨损，并且涉及例如使用机器学习模型预测底架的磨损。
背景技术
机器的底架的部件(例如，履带链节、衬套和/或销)在一段时间后会磨损。一种用于检测部件的磨损的技术包括获得此类部件的部件尺寸的手动测量。这些手动测量可以与部件的指定尺寸进行比较。为了获得手动测量，机器需要暂停在工作地点执行任务。因为获得手动测量需要机器暂停执行任务并且是耗时的过程(例如，由于用于获得手动测量的行进时间和/或用于获得手动测量的时间量)，所以获得手动测量可能会不利地影响工作地点的生产率。在这点上，任务(要由机器执行的任务)可能会被暂停长时间段(例如，获得手动测量的时间段)。
附加地，此类手动测量可能不准确。部件尺寸的不准确测量又可能导致关于部件的剩余寿命的不正确预测。作为此类不正确预测的结果，部件可能过早地失效或者可能过早地被修理或更换(例如，因为部件可能没有充分磨损到需要更换或修理)。此类部件的过早失效或部件的过早更换或修理也会不利地影响工作地点的生产率。因此，需要改进上述用于检测部件的磨损的技术，以防止或减少工作地点的停机时间(例如，与获得部件尺寸的手动测量相关联的停机时间、与部件的过早失效相关联的停机时间、与部件的过早修理相关联的停机时间、与部件的过早更换相关联的停机时间等)。
德国专利申请公开案第DE10257793号(“公开案'793”)公开了一种基于模型的寿命观察器，用于计算选定部件的剩余寿命。公开案'793公开了基于模型的寿命观察器通过可用的传感器设备将操作负载的测量与测得负载的基于模型的准备相联系。
虽然公开案'793公开了基于模型的寿命观察器，但是公开案'793未公开(来自可用的传感器设备的)数据说明可能影响选定部件的磨损的外部因素。因此，公开案'793的基于模型的寿命观察器可能会不正确地预测部件的剩余寿命。
本公开的磨损检测设备解决了上述问题中的一个或多个和/或本领域中的其他问题。
发明内容
一种由第一设备执行的方法，包括：从一个或多个第二设备接收与机器的底架的一个或多个部件的磨损相关联的历史传感器数据；从一个或多个第三设备接收与一个或多个部件的磨损相关联的历史检查数据；使用历史传感器数据和历史检查数据训练机器学习模型以预测一个或多个部件的剩余寿命；从机器的一个或多个传感器设备接收与一个或多个部件的磨损相关联的传感器数据；使用机器学习模型并基于传感器数据预测一个或多个部件的剩余寿命；以及基于一个或多个部件的剩余寿命使得动作被执行。
一种机器，包括：一个或多个存储器；以及一个或多个处理器，该一个或多个处理器被配置成：从机器的一个或多个传感器设备接收与机器的底架的一个或多个部件的磨损相关联的传感器数据；基于一个或多个部件的磨损率使用机器学习模型和传感器数据预测一个或多个部件的磨损量，其中使用训练数据训练机器学习模型以预测一个或多个部件的磨损率，其中训练数据包括以下各项中的两者或更多者：来自一个或多个第三设备的历史传感器数据、历史检查数据或模拟模型的模拟数据，并且其中历史传感器数据、历史检查数据或模拟数据中的两者或更多者与一个或多个部件的磨损相关联；以及基于一个或多个部件的磨损量执行动作。
一种系统，包括设备，该设备被配置成：从机器的一个或多个传感器设备接收与机器的底架的一个或多个部件的磨损相关联的传感器数据；使用机器学习模型并基于传感器数据预测一个或多个部件的剩余寿命，其中训练机器学习模型以使用训练数据预测一个或多个部件的剩余寿命，训练数据包括以下各项中的两者或更多者：历史传感器数据、历史检查数据或模拟模型的模拟数据，其中传感器数据、历史检查数据或模拟数据中的两者或更多者与一个或多个部件的磨损相关联；以及基于一个或多个部件的剩余寿命使得动作被执行。
附图说明
图1是本文描述的示例实施方案的图。
图2是本文描述的实例的图。
图3是与使用机器学习模型的底架磨损预测相关联的示例过程的流程图。
具体实施方式
本公开涉及一种使用机器学习模型预测机器的底架的一个或多个部件的剩余寿命的设备。术语“机器”可以指执行与诸如采矿、建筑、耕作、运输或其他行业等行业相关联的操作的任何机器。此外，一个或多个机具可以连接到机器。
图1是本文描述的示例实施方案100的图。如图1所示，示例实施方案100包括机器105和磨损检测设备190。机器105体现为运土机器，诸如推土机。替代地，机器105可以是另一种类型的履带式机器，诸如挖掘机。
如图1所示，机器105包括发动机110、传感器系统120、操作员驾驶室130、控制器140、后附件150、前附件160和地面接合构件170。
发动机110可以包括内燃机，诸如压燃式发动机、火花点火式发动机、激光点火式发动机、等离子点火式发动机等。发动机110向机器105和/或与机器105相关联的一组负载(例如，吸收动力和/或使用动力来操作的部件)提供动力。例如，发动机110可以向一个或多个控制系统(例如，控制器140)、传感器系统120、操作员驾驶室130和/或地面接合构件170提供动力。
发动机110可以向机器105的机具提供动力，诸如在采矿、建筑、耕作、运输或任何其他工业中使用的机具。例如，发动机110可以为部件(例如，一个或多个液压泵、一个或多个致动器，和/或一个或多个电动机)提供动力，以便于控制机器105的后附件150和/或前附件160。
传感器系统120可以包括能够生成关于机器105的底架的一个或多个部件的磨损量的信号的传感器设备(如下面更详细描述的)。下面结合图2更详细地描述传感器系统120的传感器设备的类型。
操作员驾驶室130包括集成显示器(未示出)和操作员控制装置(未示出)。操作员控制装置可以包括一个或多个输入部件(例如，集成操纵杆、按钮、控制杆和/或方向盘)以控制机器105的操作。对于自主机器，操作员控制装置可以不设计为由操作员使用，而是可以设计为独立于操作员操作。例如，在这种情况下，操作员控制装置可以包括一个或多个输入部件，该一个或多个输入部件提供输入信号用于由另一部件使用，而无需任何操作员输入。
控制器140(例如，电子控制模块(ECM))可以控制和/或监测机器105的操作。例如，控制器140可以基于来自操作员控制装置、来自传感器系统120和/或磨损检测设备190的信号来控制和/或监测机器105的操作。在一些情况下，控制器140可以基于来自传感器系统120和磨损检测设备190的信号预测底架的一个或多个部件的磨损量，如下面更详细描述的。
前附件150可以包括刀片组件。后附件150可以包括松土机组件、绞盘组件和/或拉杆组件。
地面接合构件170可以被配置成推进机器105。地面接合构件170可以包括用于推进机器105的轮子、履带、辊子等。在一些情况下，地面接合构件170可以包括底架，该底架包括履带(如图1所示)。履带可以包括履带链节。履带链节可以包括履带链节衬套和履带链节销。例如，履带可以包括第一履带链节172和第二履带链节174。第一履带链节172包括第一履带链节衬套176和第一履带链节销178。第二履带链节174包括第二履带链节销180。
链轮182可以包括一个或多个分段184(在本文中单独称为“一个分段184”，并且共同称为“多个分段184”)。链轮182可以被配置成与地面接合构件170接合并且驱动地面接合构件170。例如，分段184可以被配置成接合履带链节衬套(例如，地面接合构件170的履带的履带链节衬套)并旋转以使履带推进机器105。
磨损检测设备190可以包括能够预测底架的一个或多个部件(例如，一个或多个履带、履带链节、一个或多个履带链节衬套、一个或多个履带链节销、一个或多个链轮182和/或一个或多个分段184)的磨损量的一个或多个设备。基于磨损量，磨损检测设备190可以预测一个或多个部件的剩余寿命。在一些实例中，磨损检测设备190可以预测一个或多个部件的磨损率并基于该磨损率预测磨损量。磨损检测设备190可以使用机器学习模型预测一个或多个部件的磨损量，如下面更详细描述的。磨损检测设备190可以位于机器105内部、机器105外部，或部分地位于机器105内部并部分地位于机器105外部。
如上所述，提供图1作为实例。其他实例可以与结合图1所描述的不同。
图2是本文描述的示例系统200的图。如图2所示，系统200包括传感器系统120、控制器140、磨损检测设备190、检查设备210、模拟设备220和机器学习模型230。在一些实例中，磨损检测设备190、检查设备210和/或模拟设备220可以是地点管理系统(例如，与机器105相关联的工作地点的地点管理系统)的一部分。
替代地，磨损检测设备190、检查设备210和/或模拟设备220可以是后勤系统的一部分。磨损检测设备190、检查设备210和/或模拟设备220可以包括在同一设备中。替代地，磨损检测设备190、检查设备210和/或模拟设备220可以是单独的设备。
传感器系统120可以包括传感器设备，这些传感器设备生成与底架的一个或多个部件(例如，一个或多个履带、履带链节、一个或多个履带链节衬套、一个或多个履带链节销、一个或多个链轮182和/或一个或多个分段)的磨损量相关联的传感器数据。传感器数据可以用于推断一个或多个部件的磨损量。传感器数据可以包括标识生成传感器数据的时间和/或日期的信息。
传感器数据可以包括用于训练机器学习模型230以预测底架的一个或多个部件的磨损量的历史传感器数据。例如，传感器系统120可以向磨损检测设备190提供历史传感器数据以训练机器学习模型230，如以下结合训练机器学习模型230更详细地解释的。
例如，传感器系统120可以周期性地(例如，每小时、每隔一小时和/或每一工作班次)向磨损检测设备190提供历史传感器数据。附加地或替代地，传感器系统120可以基于触发事件(例如，来自磨损检测设备190的请求、来自控制器140的请求和/或来自机器105的操作员的请求(例如，经由集成显示器和/或操作员控制装置))向磨损检测设备190提供历史传感器数据(例如，以训练机器学习模型230)。
在机器学习模型230已经被训练之后，传感器系统120可以将传感器数据作为输入提供给机器学习模型230以预测一个或多个部件的磨损量。传感器系统120可以在周期性的基础上和/或基于触发事件将传感器数据作为输入提供给机器学习模型230。
传感器设备可以包括振动传感器设备、声音传感器设备、履带链节磨损传感器设备、位置传感器设备、速度传感器设备、运动传感器设备、负载传感器设备、压力传感器设备、流量传感器设备和/或温度传感器设备。
振动传感器设备可以包括感测机器105的振动以及基于该振动生成机器振动数据的一个或多个设备。例如，振动传感器设备可以包括一个或多个惯性测量单元(IMU)。机器振动数据可以指示机器105的振动度量。
声音传感器设备可以包括感测从机器105发出的声音(或噪声)以及基于该声音生成机器声音数据的一个或多个设备。声音数据可以标识与机器105相关联的声音度量。履带链节磨损传感器设备可以包括感测机器105的履带链节的磨损并生成履带链节磨损数据的一个或多个设备。履带链节磨损数据可以标识履带链节的磨损度量。
位置传感器设备可以包括感测机器105的位置并生成标识该位置的位置数据的一个或多个设备。例如，位置传感器设备可以包括全球定位系统(GPS)接收器和/或GPS传感器。位置数据可以标识机器的位置。位置可以包括机器105执行任务的工作地点。
运动传感器设备可以包括感测与机器105相关联的速度并生成标识与机器105相关联的速度的速度数据的一个或多个设备。运动传感器设备可以包括加速度计、转速计、速度计和/或IMU。在一些实施方案中，运动传感器设备还可以感测机器105行进的距离，并且可以生成标识机器105行进的距离的距离数据。该距离可以对应于机器105在执行任务时行进的距离。附加地或替代地，该距离可以对应于自从对一个或多个部件进行修理和/或更换以来行进的距离。运动传感器设备可以监测机器105被使用(例如，用于执行任务)的时间量，并生成标识机器105被使用的时间量的机器时间数据。
负载传感器设备可以包括能够感测发动机110的负载并生成标识发动机110的负载的负载数据的一个或多个设备。压力传感器设备可以包括能够感测液压系统的流体压力并生成标识液压系统的流体压力的压力数据的一个或多个传感器设备，液压系统便于控制机器105的后附件150和/或前附件160。压力传感器设备可以包括压力传感器和/或压力换能器。
流量传感器设备可以包括能够感测液压系统的流体流速并生成标识液压系统的流体流速的流量数据的一个或多个传感器设备。流量传感器设备可以包括流量传感器、流速监测器和/或泵流速。
温度传感器可以包括能够感测机器105的不同部件的温度(例如，液压系统的温度和/或发动机110的温度)并生成标识机器105的不同部件的温度的温度数据的一个或多个传感器设备。
控制器140可以包括一个或多个处理器240(在本文中单独称为“一个处理器240”，并且共同称为“多个处理器240”)，以及一个或多个存储器250(在本文中单独称为“一个存储器250”，并且共同称为“多个存储器250”)。处理器240以硬件、固件和/或硬件和软件的组合来实施。处理器240包括中央处理单元(CPU)、图形处理单元(GPU)、加速处理单元(APU)、微处理器、微控制器、数字信号处理器(DSP)、现场可编程门阵列(FPGA)、专用集成电路(ASIC)或另一种类型的处理部件。处理器240能够被编程以执行功能。
存储器250包括随机存取存储器(RAM)、只读存储器(ROM)和/或存储由处理器240用于执行功能的信息和/或指令的另一种类型的动态或静态存储设备(例如，闪存、磁存储器和/或光存储器)。例如，当执行功能时，控制器140可以获得传感器数据(例如，从传感器系统120获得)并且可以使磨损检测设备190基于该传感器数据预测(例如，使用机器学习模型230预测)一个或多个部件的磨损量。
磨损检测设备190可以包括被配置成训练机器学习模型230以预测底架的一个或多个部件的磨损量的一个或多个设备(例如，服务器设备或一组服务器设备)，如以下更详细地解释的。在一些实施方案中，磨损检测设备190可以由云计算环境的一个或多个计算资源实施。例如，磨损检测设备190可以托管在云计算环境中。替代地，磨损检测设备190可以是非基于云的或部分地基于云的。
检查设备210可以包括能够提供关于机器105的历史检查的历史检查数据的一个或多个设备。历史检查数据可以包括标识与执行历史检查的时间相关联的时间和/或日期的信息(例如，历史检查的时间和/或日期)。历史检查可以在机器105的一个或多个位置(例如，一个或多个工作地点)处执行(例如，手动执行)。在一些实例中，当提供检查数据时，检查设备210可以提供来自关于机器105的历史检查的历史检查报告的数据。例如，历史检查报告可以包括标识所执行的一个或多个检查的信息以及标识与检查报告相关联的时间和/或日期的信息(例如，机器105的检查的时间和/或日期)。标识一个或多个检查的信息可以包括一个或多个部件的磨损度量、一个或多个部件的状况的总体评估、由机器105执行的任务的磨损性度量、机器105的履带张力、与机器105相关联的位置处的环境状况，和/或与一个或多个部件的磨损量有关的另一种类型的检查。
历史检查数据可以用于训练机器学习模型230以预测底架的一个或多个部件的磨损量。例如，检查设备210可以向磨损检测设备190提供历史检查数据以训练机器学习模型230，如以下结合训练机器学习模型230更详细地解释的。
历史检查数据可以包括基于与机器105相关联的测量(例如，与历史检查相关联的手动测量)获得的信息。例如，历史检查数据可以包括标识由机器105在一个位置处执行的任务的磨损性度量的磨损性数据、标识在执行任务期间在该位置处的环境状况的环境数据、标识机器105的履带张力的履带张力数据(例如，作为在该位置处执行任务的结果)。磨损性度量可以指示一个或多个部件的磨损量，以作为执行任务位置的结果。环境数据可以包括标识该位置处的湿度(例如，土壤的湿度)度量的湿度数据和/或标识该位置处的干燥度(例如，土壤的干燥度)度量的干燥度数据。
附加地，历史检查数据可以包括操作员行为数据。例如，操作员行为数据可以包括标识机器105在执行任务时的速度的信息、标识机器105在执行任务时的发动机110的负载的信息、标识机器105在执行任务时行进的距离的信息、机器105用于执行任务的时间量、标识机器105在执行任务时的液压系统的流体压力的信息，和/或机器105在执行任务时的液压系统的流体流速。可以基于传感器数据确定操作员行为数据中的一些或全部。在一些情况下，操作员行为数据可以包括标识由机器105执行的任务的类型的信息。
模拟设备220可以包括一个或多个设备，该一个或多个设备可以包括模拟机器105的操作的模拟模型(例如，以实现一个或多个部件的特定磨损度量)。模拟设备220可以通过模拟机器105的操作和一个或多个部件的磨损生成模拟数据。
模拟数据可以用于训练机器学习模型230以预测底架的一个或多个部件的磨损量。例如，模拟设备220可以向磨损检测设备190提供模拟数据以训练机器学习模型230，如以下结合训练机器学习模型230更详细地解释的。在一些实施方案中，模拟数据可以指示机器105的振动度量与一个或多个部件的磨损量之间的相关性。
如图2所示，磨损检测设备190可以接收来自传感器系统120的历史传感器数据、来自检查设备210的历史检查数据和来自模拟设备220的模拟数据。历史传感器数据、历史检查数据和/或模拟数据可以包括在训练数据中，该训练数据用于训练机器学习模型230以预测一个或多个部件的磨损量。基于磨损量，机器学习模型230可以预测一个或多个部件的剩余寿命。在一些实例中，可以训练机器学习模型230以预测一个或多个部件的磨损率并基于该磨损率预测一个或多个部件的磨损量。
在一些实施方案中，可以训练机器学习模型230以预测机器105的一个或多个部件的磨损量。附加地，可以训练机器学习模型230以预测类似于机器105的一组机器(例如，类似或相同类型的机器、类似或相同规格、类似或相同部件，和/或执行类似或相同类型的任务)的底架的一个或多个部件的磨损量。在这点上，训练数据可以包括与该一组机器相关联的历史传感器数据、历史检查数据和/或模拟数据。
基于训练机器学习模型230，磨损检测设备190(例如，使用机器学习模型230)可以标识影响一个或多个部件的磨损率(和/或一个或多个部件的磨损量)的因素。这些因素可以包括磨损度量、位置、湿度度量、操作员行为(其可以标识由机器105执行的任务)、行进的距离、与行进的距离相关联的速度、履带张力、拉杆力、机器105的振动度量，和/或机器105的声音度量。
在一些实例中，基于训练机器学习模型230，磨损检测设备190(例如，使用机器学习模型230)可以确定磨损度量与机器105的位置之间的相关性(例如，基于历史检查数据)。例如，磨损检测设备190(例如，机器学习模型230)可以确定磨损度量是基于机器105的位置。例如，磨损检测设备190可以确定第一位置(例如，第一工作地点)处的第一磨损度量超过第二位置(例如，第二工作地点)处的第二磨损度量。因此，磨损检测设备190(例如，使用机器学习模型230)可以确定第一位置处的一个或多个部件的磨损率(以及相应的磨损量)超过一个或多个部件的磨损率(以及相应的磨损量)。
附加地，磨损检测设备190(例如，使用机器学习模型230)可以确定一个位置处的环境状况与一个或多个部件的磨损率之间的相关性(例如，基于历史检查数据)。例如，磨损检测设备190可以确定第一位置处的湿度度量超过第二位置处的湿度度量。因此，磨损检测设备190(例如，使用机器学习模型230)可以确定一个或多个部件的磨损率随着湿度度量的增加而增加。在一些实例中，如果磨损检测设备190确定机器105在第一位置和第二位置处执行相同任务，则磨损检测设备190可以确认一个或多个部件的磨损率随着湿度度量的增加而增加。
磨损检测设备190(例如，使用机器学习模型230)可以确定所执行的任务与一个或多个部件的磨损率之间的相关性(例如，基于历史检查数据和/或历史传感器数据)。例如，磨损检测设备190(例如，使用机器学习模型230)可以基于分析第一操作员行为数据来标识第一类型的任务(例如，与移动材料相关联的任务)，并且基于分析第二操作员行为数据来标识第二类型的任务(例如，不与移动材料相关联的任务，诸如驾驶到工作地点)。磨损检测设备190可以确定与第一类型的任务相关联的磨损率超过与第二类型的任务相关联的磨损率。
在一些实施方案中，磨损检测设备190(例如，使用机器学习模型230)可以确定所执行的任务与履带张力之间的相关性，以便确定所执行的任务与一个或多个部件的磨损率之间的相关性。例如，磨损检测设备190可以分析历史履带张力数据以确定机器105的第一履带张力(由执行第一类型的任务产生)小于机器105的第二履带张力(由执行第二类型的任务产生)。
磨损检测设备190(例如，使用机器学习模型230)可以确定用于执行任务的拉杆力与一个或多个部件的磨损率之间的相关性(例如，基于历史检查数据和/或历史传感器数据)。在一些实例中，磨损检测设备190可以确定标识机器在执行任务时所使用的拉杆力的量的拉杆力数据。磨损检测设备190可以基于历史负载数据、历史速度数据、历史距离数据和/或历史温度数据来确定拉杆力数据。磨损检测设备190(例如，使用机器学习模型230)可以确定一个或多个部件的磨损率随着拉杆力的增加而增加。例如，磨损检测设备190可以确定一个或多个部件的磨损率随着发动机110的负载而增加。
磨损检测设备190(例如，使用机器学习模型230)可以确定一个或多个部件的磨损度量与机器105的振动度量之间的相关性(例如，使用模拟数据、历史传感器数据和/或历史检查数据)。例如，磨损检测设备190可以确定模拟数据指示一个或多个部件的磨损量与机器105的振动度量之间的相关性。
磨损检测设备190可以分析历史传感器数据(例如，历史机器振动数据)和历史检查数据(例如，历史磨损性数据和/或历史履带张力)，以将振动度量与磨损性度量或履带张力度量相关联。例如，磨损检测设备190(例如，使用机器学习模型230)可以确定对应于第一磨损性度量(例如，第一磨损性数据)的第一振动度量(例如，基于第一历史振动数据)超过对应于第二磨损性度量(例如，第二磨损性数据)的第二振动度量(例如，基于第二历史振动数据)。磨损检测设备190可以确定第一磨损性度量超过第二磨损度量并且第一振动度量超过第二振动度量。基于分析历史传感器数据和历史检查数据，磨损检测设备190可以确认一个或多个部件的磨损量与机器105的振动度量之间的相关性。例如，磨损检测设备190(例如，使用机器学习模型230)可以确定振动度量随着一个或多个部件的磨损的增加而增加。
类似地，磨损检测设备190可以分析历史机器振动数据和历史履带链节磨损数据，以确定振动度量随着一个或多个部件的磨损的增加而增加。类似地，磨损检测设备190(例如，使用机器学习模型230)可以确定一个或多个部件的磨损度量与机器105的声音度量之间的相关性(例如，使用模拟数据、历史传感器数据和/或历史检查数据)。例如，磨损检测设备190(例如，使用机器学习模型230)可以确定声音度量随着一个或多个部件的磨损的增加而增加。
基于前述内容，可以训练机器学习模型230以基于位置、湿度度量、操作员行为(例如，与执行任务相关联)、行进的距离(例如，机器105在执行任务时)、与行进的距离相关联的速度、履带张力、拉杆力(例如，机器105在执行任务时)、振动度量和/或声音度量预测一个或多个部件的磨损率和/或磨损量。基于一个或多个部件的预测的磨损率和/或磨损，机器学习模型230可以预测要对一个或多个部件进行更换和/或修理的日期和/或时间。一个或多个部件的预测的磨损率、一个或多个部件的预测的磨损量和/或预测的日期和/或时间在下文中可以称为“预测的部件磨损信息”。
当训练机器学习模型230时，磨损检测设备190可以将训练数据分成训练集(例如，用于训练机器学习模型230的数据集)、验证集(例如，用于评价机器学习模型230的拟合和/或微调机器学习模型230的数据集)、测试集(例如，用于评价机器学习模型230的最终拟合的数据集)等。磨损检测设备190可以预处理和/或执行降维以将训练数据减少到最小特征集。磨损检测设备190可以在该最小特征集上训练机器学习模型230，从而减少训练机器学习模型230的处理，并且可以对最小特征集应用分类技术。
磨损检测设备190可以使用诸如逻辑回归分类技术、随机森林分类技术、梯度增强机器学习(GBM)技术等分类技术来确定分类结果(例如，一个或多个部件的磨损量)。除了使用分类技术之外，或者作为使用分类技术的替代方案，磨损检测设备190还可以使用朴素贝叶斯分类器技术。在这种情况下，磨损检测设备190可以执行二进制递归分区，以将最小特征集的训练数据分割成分区和/或分支，并使用这些分区和/或分支来执行预测(例如，一个或多个部件的磨损率和/或磨损量)。基于使用递归分区，磨损检测设备190可以相对于数据项的手动线性分类和分析减少计算资源的利用，从而使得能够使用数千、数百万或数十亿的数据项训练模型，这可以比使用较少的数据项时产生更准确的模型。
磨损检测设备190可以使用受监督训练程序训练机器学习模型230，该受监督训练程序包括从主题专家(例如，与机器105和/或一个或多个机器相关联的一个或多个操作员)接收对机器学习模型230的输入，相对于无监督训练程序，这可以减少训练机器学习模型230的时间量、处理资源量等。磨损检测设备190可以使用一种或多种其他模型训练技术，诸如神经网络技术、潜在语义索引技术等。
例如，磨损检测设备190可以执行人工神经网络处理技术(例如，使用两层前馈神经网络架构、三层前馈神经网络架构等)以执行关于一个或多个部件的不同磨损量的模式的模式识别。在这种情况下，使用人工神经网络处理技术可以提高由磨损检测设备190生成的机器学习模型230的准确性，这是通过对嘈杂、不精确或不完整的数据更加鲁棒，并通过使磨损检测设备190能够使用较不复杂的技术来检测人类分析师或系统无法检测的模式和/或趋势来实现的。
在训练之后，机器学习模型230可以用于确定(或预测)预测的部件磨损信息。换句话说，磨损检测设备190可以在训练机器学习模型230之后从机器105接收传感器数据，并将所接收的传感器数据输入到机器学习模型230中，并且机器学习模型230可以输出与一个或多个部件的磨损率和/或磨损量有关的数据。所接收的传感器数据可以包括位置数据、操作员行为数据、距离数据(例如，与任务相关联)、速度数据(例如，与任务相关联)、拉杆力数据(例如，与任务相关联)、振动数据和/或声音数据。机器学习模型230的输出可以包括预测的部件磨损信息的评分。预测的部件磨损信息的评分可以表示预测的部件磨损信息的置信度度量。
诸如服务器设备等不同设备可以生成并训练机器学习模型230。不同设备可以提供用于由磨损检测设备190使用的机器学习模型230。不同设备可以更新机器学习模型230并向磨损检测设备190提供(例如，在调度的基础上、在按需的基础上、在触发的基础上、在周期性的基础上等)机器学习模型230。在一些情况下，磨损检测设备190可以接收附加训练数据(例如，附加历史传感器数据、附加历史检查数据和/或附加模拟数据)并重新训练机器学习模型230。替代地，磨损检测设备190可以向不同设备提供附加训练数据以训练机器学习模型230。可以在周期性的基础上和/或基于触发事件重新训练机器学习模型230。
在一些实施方案中，磨损检测设备190可以向控制器140提供机器学习模型230，以使控制器140能够确定预测的部件磨损信息。替代地，磨损检测设备190可以从控制器140接收确定预测的部件磨损信息的请求。该请求可以包括机器105的传感器数据。
磨损检测设备190(和/或控制器140)可以基于预测的部件磨损信息执行动作。例如，动作可以包括磨损检测设备190基于一个或多个部件的预测的磨损量(例如，当预测的磨损量满足阈值磨损量时)使得机器105的操作进行调整。例如，磨损检测设备190可以导致机器105的速度降低、发动机110的负载降低、液压系统的压力降低、液压系统的流速降低、液压系统的温度降低，和/或可以降低一个或多个部件的磨损率并延长必须对该一个或多个部件进行修理或更换的时间的另一操作。
磨损检测设备190可以使机器105导航到不同工作地点并在该不同工作地点处执行一个或多个任务，以努力延长一个或多个部件的寿命。例如，该不同工作地点可以与(一个或多个部件的)磨损率相关联，该磨损率小于与机器105当前所处的工作地点相关联的(一个或多个部件的)磨损率。附加地或替代地，磨损检测设备190可以使机器105执行不同任务，以努力延长一个或多个部件的寿命。例如，该不同任务可以与(一个或多个部件的)磨损率相关联，该磨损率小于与机器105当前正在执行的任务相关联的(一个或多个部件的)磨损率。
该动作可以包括磨损检测设备190将剩余寿命信息传输到监测多个机器(例如，包括机器105)的部件的磨损量的一个或多个设备。在一些实例中，当(一个或多个部件的)磨损量满足阈值磨损量时，磨损检测设备190可以传输剩余寿命信息。剩余寿命信息可以指示一个或多个部件的磨损量、指示一个或多个部件的磨损率、指示一个或多个部件的剩余寿命，和/或与对一个或多个部件进行修理和/或更换相关联的提议。一个或多个设备可以包括地点管理系统的设备、后勤系统的设备、与机器105的操作员相关联的设备、与技术人员相关联的设备和/或控制器140。
在一些实例中，磨损检测设备190可以传输剩余寿命信息以使一个或多个设备订购一个或多个更换部件。在一些情况下，剩余寿命信息可以包括标识一个或多个部件和/或一个或多个更换部件的信息。
磨损检测设备190可以传输剩余寿命信息以使一个或多个设备(例如，控制器140)使机器105自主地导航到修理设施。附加地或替代地，磨损检测设备190可以传输剩余寿命信息以使一个或多个设备使技术人员的日历填充上对一个或多个部件进行检查和/或修理的日历事件。附加地或替代地，磨损检测设备190可以传输剩余寿命信息以使一个或多个设备(例如，控制器140)使警报被启动。警报可以指示要对一个或多个部件进行修理或更换。
在一些情况下，磨损检测设备190可以传输剩余寿命信息以使一个或多个设备生成对一个或多个部件进行修理和/或更换的服务请求。作为生成服务请求的一部分，一个或多个设备可以执行本文描述的动作中的一个或多个。
在一些实例中，动作可以包括磨损检测设备190使第一自主设备将一个或多个更换部件递送到与机器105相关联的位置。该位置可以包括机器105的当前位置、机器105执行多个任务的工作地点的位置、机器105不执行任务时机器105所停放的位置，和/或机器105正在进行修理和/或更换时机器105所停放的位置。在一些情况下，剩余寿命信息可以包括标识与机器105相关联的位置的信息。
在一些实例中，动作可以包括磨损检测设备190使第二自主设备导航到与机器105相关联的位置以核实预测的部件磨损信息。第二自主设备可以基于核实部件磨损信息生成核实信息，并且可以将核实信息传输到磨损检测设备190。磨损检测设备190可以使用核实信息重新训练机器学习模型230。
在一些情况下，磨损检测设备190可以确定一个或多个部件的失效是否即将发生(例如，基于预测的部件磨损信息)。如果磨损检测设备190确定失效即将发生，则磨损检测设备190可以执行上述动作中的一个或多个。如果磨损检测设备190确定失效并非即将发生，则磨损检测设备190可以不执行动作。
提供图2所示的设备和网络的数量和布置作为实例。实际上，可以有与图2所示的那些设备相比附加的设备、更少的设备、不同的设备、或不同地布置的设备。此外，图2所示的两个或更多个设备可以在单个设备内实施，或者图2所示的单个设备可以实施为多个分布式设备。附加地或替代地，系统200的一组设备(例如，一个或多个设备)可以执行被描述为由系统200的另一组设备执行的一个或多个功能。
图3是与使用机器学习模型的底架磨损预测相关联的示例过程300的流程图。图3的一个或多个过程框可以由第一设备(例如，磨损检测设备190)执行。图3的一个或多个过程框可以由与磨损检测设备分离或包括磨损检测设备的另一设备或一组设备执行，诸如控制器(例如，控制器140)。
如图3所示，过程300可以包括从一个或多个第二设备接收与机器的底架的一个或多个部件的磨损相关联的历史传感器数据(框310)。例如，如上所述，第一设备可以从一个或多个第二设备接收与机器的底架的一个或多个部件的磨损相关联的历史传感器数据。
如图3进一步所示，过程300可以包括从一个或多个第三设备接收与一个或多个部件的磨损相关联的历史检查数据(框320)。例如，如上所述，第一设备可以从一个或多个第三设备接收与一个或多个部件的磨损相关联的历史检查数据。
如图3进一步所示，过程300可以包括使用历史传感器数据和历史检查数据训练机器学习模型以预测一个或多个部件的剩余寿命(框330)。例如，如上所述，第一设备可以使用历史传感器数据和历史检查数据训练机器学习模型以预测一个或多个部件的剩余寿命。
历史传感器数据和历史检查数据包括在训练数据中，其中训练数据包括以下各项中的两者或更多者：标识机器的位置的位置数据、标识机器在该位置处执行任务时行进的距离的距离数据、标识与机器行进的距离相关联的速度的速度数据、标识机器执行任务的时间量的机器时间数据、标识机器的振动度量的机器振动数据、标识与机器相关联的声音度量的机器声音数据、标识机器在该位置处执行任务时所使用的拉杆力的量的力数据、标识机器在该位置处执行的任务的磨损性度量的磨损性数据，或标识作为在该位置处执行任务的结果的一个或多个部件的履带张力的履带张力数据；并且其中训练机器学习模型包括使用以下各项中的两者或更多者训练机器学习模型：位置数据、距离数据、速度数据、机器时间数据、机器振动数据、机器声音数据、拉杆力数据、磨损性数据或履带张力数据。
训练数据包括标识在执行任务期间在该位置处的环境状况的环境数据，并且其中训练机器学习模型包括使用以下各项中的两者或更多者或使用环境数据训练机器学习模型：位置数据、距离数据、速度数据或机器时间数据、机器振动数据、机器声音数据、拉杆力数据、磨损性数据、履带张力数据。
训练机器学习模型包括训练机器学习模型以预测一个或多个部件的磨损率以及基于该磨损率预测一个或多个部件的剩余寿命，并且其中确定一个或多个部件的剩余寿命包括基于磨损率确定一个或多个部件的磨损量以及基于该磨损量确定一个或多个部件的剩余寿命。
如图3进一步所示，过程300可以包括从机器的一个或多个传感器设备接收与一个或多个部件的磨损相关联的传感器数据(框340)。例如，如上所述，第一设备可以从机器的一个或多个传感器设备接收与一个或多个部件的磨损相关联的传感器数据。
如图3进一步所示，过程300可以包括使用机器学习模型并基于传感器数据预测一个或多个部件的剩余寿命(框350)。例如，如上所述，第一设备可以使用机器学习模型并基于传感器数据预测一个或多个部件的剩余寿命。
如图3进一步所示，过程300可以包括基于一个或多个部件的剩余寿命使得动作被执行(框360)。例如，如上所述，第一设备可以基于一个或多个部件的剩余寿命使得动作被执行。
过程300包括从一个或多个第四设备接收模拟数据，其中该模拟数据是通过模拟机器的操作生成的，并且与一个或多个部件的磨损相关联，并且其中训练机器学习模型包括使用传感器数据、历史检查数据和模拟数据训练机器学习模型。
传感器数据包括关于机器的振动度量的机器振动数据，其中模拟数据指示机器的振动度量与一个或多个部件的磨损之间的相关性，并且其中训练机器学习模型包括使用机器振动数据和模拟数据训练机器学习模型。
使得动作被执行包括以下各项中的至少一者：基于一个或多个部件的预测的剩余寿命使得机器的操作进行调整；使得将剩余寿命信息传输到设备，以使设备基于预测的剩余寿命生成对一个或多个部件进行修理或更换中的至少一者的服务请求，其中剩余寿命信息指示一个或多个部件的预测的剩余寿命；或使得将剩余寿命信息传输到与机器的操作员相关联的设备，以使操作员基于剩余寿命信息调整机器的操作，或使用与操作员相关联的设备传输服务请求。
尽管图3示出了过程300的示例框，但在一些实施方案中，过程300可以包括与图3中描绘的那些框相比附加的框、更少的框、不同的框或不同地布置的框。附加地或替代地，可以并行地执行过程300的两个或更多个框。
工业实用性
本公开涉及一种用于使用机器学习模型预测机器的底架的一个或多个部件的剩余寿命的过程。所公开的用于预测一个或多个部件的剩余寿命的过程可以防止与机器的履带的手动测量(以确定履带的磨损量)和履带的剩余寿命的不正确预测相关联的问题。
履带的手动测量可能会浪费机器资源，这些机器资源用于在获得手动测量时防止机器移动的。附加地，履带的不正确手动测量和/或履带的剩余寿命的不正确预测可能会浪费计算资源，这些计算资源用于补救与不正确手动测量和/或剩余寿命的不正确预测相关联的问题(例如，履带的过早失效、履带的过早修理和/或履带的过早更换)。
所公开的用于使用机器学习模型预测底架的一个或多个部件的剩余寿命的过程可以解决以上关于手动测量和关于剩余寿命的不正确预测所提及的问题。若干优点可以与所公开的过程相关联。例如，通过使用机器学习模型预测一个或多个部件的剩余寿命，该过程可以防止履带的手动测量(这可能是不准确的)并且可以防止履带的剩余寿命的不正确预测。
通过防止手动测量，该过程可以防止(或限制)机器操作的任何中断，防止在获得手动测量时使机器停止运转，并且防止剩余寿命的不正确预测。通过防止手动测量和防止履带的剩余寿命的不正确预测，该过程可以保存计算或机器资源，否则这些资源将会被用于补救与不准确手动测量和履带的剩余寿命的不正确预测相关联的问题(例如，履带的过早失效、履带的过早修理和/或履带的过早更换)。
前述公开内容提供了说明和描述，但并不旨在穷举或将实施方案限制为所公开的精确形式。可以根据以上公开内容进行修改和变化，或者可以从实施方案的实践中获得修改和变化。此外，本文描述的任何实施方案可以组合，除非前述公开内容明确地提供了一个或多个实施方案不能组合的原因。即使特征的特定组合在权利要求中叙述和/或在说明书中公开，但这些组合并不旨在限制各种实施方案的公开。尽管下面列出的每项从属权利要求可以直接从属于仅一项权利要求，但是各种实施方案的公开包括与权利要求组中的所有其他权利要求相组合的每项从属权利要求。
如本文所用，“一”、“一个”和“一组”旨在包括一个或多个项目，并且可以与“一个或多个”互换使用。此外，如本文所用，冠词“该”旨在包括结合冠词“该”引用的一个或多个项目，并且可以与“该一个或多个”互换使用。此外，短语“基于”旨在表示“至少部分地基于”，除非另有明确说明。而且，如本文所用，术语“或”在以系列使用时旨在是包括性的，并且可以与“和/或”互换使用，除非另有明确说明(例如，如果与“任一者”或“仅一者”组合使用)。

Claims (10)

1.一种由第一设备(190)执行的方法，所述方法包括：
从一个或多个第二设备(120)接收与机器的底架的一个或多个部件的磨损相关联的历史传感器数据；
从一个或多个第三设备(210)接收与所述一个或多个部件的所述磨损相关联的历史检查数据；
使用所述历史传感器数据和所述历史检查数据训练机器学习模型(230)以预测所述一个或多个部件的剩余寿命；
从所述机器的一个或多个传感器设备(120)接收与所述一个或多个部件的所述磨损相关联的传感器数据；
使用所述机器学习模型(230)并基于所述传感器数据预测所述一个或多个部件的所述剩余寿命；以及
基于所述一个或多个部件的所述剩余寿命使得动作被执行。
2.根据权利要求1所述的方法，还包括：
从一个或多个第四设备(220)接收模拟数据；
其中所述模拟数据是通过模拟所述机器的操作生成的，并且与所述一个或多个部件的所述磨损相关联；并且
其中训练所述机器学习模型(230)包括使用所述传感器数据、所述历史检查数据和所述模拟数据训练所述机器学习模型(230)。
3.根据权利要求1和2中任一项所述的方法，其中所述历史传感器数据和所述历史检查数据包括在训练数据中，
其中所述训练数据包括以下各项中的两者或更多者：
标识所述机器的位置的位置数据，
标识所述机器在所述位置处执行任务时行进的距离的距离数据，
标识与所述机器行进的所述距离相关联的速度的速度数据，
标识所述机器执行所述任务的时间量的机器时间数据，
标识所述机器的振动度量的机器振动数据，
标识与所述机器相关联的声音度量的机器声音数据，
标识所述机器在所述位置处执行任务时所使用的拉杆力的量的拉杆力数据，
标识由所述机器在所述位置处执行的所述任务的磨损性度量的磨损性数据，或
标识作为在所述位置处执行所述任务的结果的所述一个或多个部件的履带张力的履带张力数据；并且
其中训练所述机器学习模型(230)包括使用以下各项中的所述两者或更多者训练所述机器学习模型(230)：所述位置数据、所述距离数据、所述速度数据、所述机器时间数据、所述机器振动数据、所述机器声音数据、所述拉杆力数据、所述磨损性数据或所述履带张力数据。
4.根据权利要求1至3中任一项所述的方法，其中所述训练数据包括标识在执行所述任务期间在所述位置处的环境状况的环境数据；并且
其中训练所述机器学习模型(230)包括使用以下各项中的所述两者或更多者或使用所述环境数据训练所述机器学习模型(230)：所述位置数据、所述距离数据、所述速度数据或所述机器时间数据、所述机器振动数据、所述机器声音数据、所述拉杆力数据、所述磨损性数据、所述履带张力数据。
5.根据权利要求1至4中任一项所述的方法，其中训练所述机器学习模型(230)包括训练所述机器学习模型(230)以预测所述一个或多个部件的磨损率以及基于所述磨损率预测所述一个或多个部件的所述剩余寿命；并且
其中确定所述一个或多个部件的所述剩余寿命包括：
基于所述磨损率确定所述一个或多个部件的磨损量；以及
基于所述磨损量确定所述一个或多个部件的所述剩余寿命。
6.一种系统，包括：
第一设备(190)，所述第一设备(190)被配置成：
从机器的一个或多个传感器设备接收与所述机器的底架的一个或多个部件的磨损相关联的传感器数据；
使用机器学习模型(230)并基于所述传感器数据预测所述一个或多个部件的剩余寿命，
其中训练所述机器学习模型(230)以使用训练数据预测所述一个或多个部件的所述剩余寿命，所述训练数据包括以下各项中的两者或更多者：
历史传感器数据，
历史检查数据，或
模拟模型的模拟数据，
其中所述传感器数据、所述历史检查数据或所述模拟数据中的所述两者或更多者与一个或多个部件的磨损相关联；以及
基于所述一个或多个部件的所述剩余寿命使得动作被执行。
7.根据权利要求6所述的系统，其中当使得所述动作被执行时，所述第一设备(190)被配置成以下各项中的至少一者：
基于所述一个或多个部件的所述剩余寿命使得所述机器的操作进行调整，以降低所述一个或多个部件的磨损率；
使得将剩余寿命信息传输到设备，以使所述设备基于所述剩余寿命生成对所述一个或多个部件进行修理或更换中的至少一者的服务请求，
其中所述剩余寿命信息指示所述一个或多个部件的所述剩余寿命；或
使得将所述剩余寿命信息传输到与所述机器的操作员相关联的设备，以使所述操作员调整所述机器的所述操作，以降低所述一个或多个部件的所述磨损率。
8.根据权利要求6和7中任一项所述的系统，其中所述训练数据包括以下各项中的两者或更多者：
标识所述机器的位置的位置数据，
标识自从对所述一个或多个部件进行修理或更换以来所述机器行进的距离的距离数据，
标识与所述机器行进的所述距离相关联的速度的速度数据，
标识所述机器的振动度量的机器振动数据，
标识由所述机器生成的声音度量的机器声音数据，
标识所述机器在所述位置处执行任务时所使用的拉杆力的量的拉杆力数据，
标识由所述机器在所述位置处执行的所述任务的磨损性度量的磨损性数据，或
标识作为在所述位置处执行所述任务的结果的所述一个或多个部件的履带张力的履带张力数据。
9.根据权利要求6至8中任一项所述的系统，其中所述第一设备(190)被配置成使用以下各项中的所述两者或更多者重新训练所述机器学习模型(230)：所述位置数据、所述距离数据、所述速度数据、所述机器振动数据、所述机器声音数据、所述拉杆力数据、所述磨损性数据或所述履带张力数据。
10.根据权利要求6至9中任一项所述的系统，其中所述训练数据还包括标识所述位置处的湿度度量的湿度数据；并且
其中所述第一设备(190)被配置成使用所述湿度数据以及以下各项中的所述两者或更多者重新训练所述机器学习模型(230)：所述位置数据、所述距离数据、所述速度数据、所述机器振动数据、所述机器声音数据、所述拉杆力数据、所述磨损性数据或所述履带张力数据。
CN202180073958.1A 2020-10-29 2021-10-04 使用机器学习模型的底架磨损预测 Pending CN116391187A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US16/949448 2020-10-29
US16/949,448 US11704942B2 (en) 2020-10-29 2020-10-29 Undercarriage wear prediction using machine learning model
PCT/US2021/053321 WO2022093484A1 (en) 2020-10-29 2021-10-04 Undercarriage wear prediction using machine learning model

Publications (1)

Publication Number Publication Date
CN116391187A true CN116391187A (zh) 2023-07-04

Family

ID=78599209

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202180073958.1A Pending CN116391187A (zh) 2020-10-29 2021-10-04 使用机器学习模型的底架磨损预测

Country Status (8)

Country Link
US (1) US11704942B2 (zh)
EP (1) EP4237815A1 (zh)
JP (1) JP2023548283A (zh)
KR (1) KR20230091958A (zh)
CN (1) CN116391187A (zh)
AU (1) AU2021369215A1 (zh)
CA (1) CA3197078A1 (zh)
WO (1) WO2022093484A1 (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11755725B2 (en) 2019-01-30 2023-09-12 Salesforce, Inc. Machine learning anomaly detection mechanism
US11451456B2 (en) * 2019-04-19 2022-09-20 Cisco Technology, Inc. Learning stable representations of devices for clustering-based device classification systems
US20220188775A1 (en) * 2020-12-15 2022-06-16 International Business Machines Corporation Federated learning for multi-label classification model for oil pump management
US11972646B2 (en) * 2021-12-16 2024-04-30 Caterpillar Inc. Detecting sprocket segment wear based on machine drivetrain data
DE102022210320A1 (de) * 2022-09-29 2024-04-04 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren und Vorrichtung zur Verschleißanalyse einer Komponente eines Kraftfahrzeugs

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE10137056C5 (de) * 2001-07-28 2018-09-06 Rieter Ingolstadt Gmbh Verfahren zur Wartung einer Textilmaschine
AU2003270148A1 (en) 2002-09-05 2004-03-29 Bombardier Transportation Gmbh Method and device for monitoring the state of vehicle chassis
DE10257793A1 (de) 2002-12-11 2004-07-22 Daimlerchrysler Ag Modellbasierter Lebensdauerbeobachter
US9881428B2 (en) 2014-07-30 2018-01-30 Verizon Patent And Licensing Inc. Analysis of vehicle data to predict component failure
JP6378419B2 (ja) 2015-03-12 2018-08-22 株式会社日立製作所 機械診断装置および機械診断方法
US10984338B2 (en) 2015-05-28 2021-04-20 Raytheon Technologies Corporation Dynamically updated predictive modeling to predict operational outcomes of interest
US9880075B2 (en) 2016-02-11 2018-01-30 Caterpillar Inc. Wear measurement system using a computer model
US10656051B2 (en) 2017-07-26 2020-05-19 Caterpillar Inc. System and method for detecting wear or failure of genset power system coupling
DE102017126134A1 (de) 2017-11-08 2019-05-09 Claas Industrietechnik Gmbh Raupenfahrzeug
US11046180B2 (en) * 2018-05-03 2021-06-29 Caterpillar Inc. System and method for controlling track slip of a machine
US10282834B1 (en) * 2018-06-22 2019-05-07 Caterpillar Inc. Measurement platform that automatically determines wear of machine components based on images
US20200097921A1 (en) 2018-09-24 2020-03-26 Hitachi, Ltd. Equipment repair management and execution
US20200114992A1 (en) 2018-10-10 2020-04-16 Caterpillar Inc. Tension adjustment system
MX2021012183A (es) * 2019-04-02 2022-01-24 Acv Auctions Inc Sistema de obtención de imágenes del bastidor de un vehículo.
CN110954314A (zh) 2019-12-18 2020-04-03 北京昊鹏智能技术有限公司 设备磨损的预测方法及装置

Also Published As

Publication number Publication date
JP2023548283A (ja) 2023-11-16
WO2022093484A1 (en) 2022-05-05
US20220139117A1 (en) 2022-05-05
EP4237815A1 (en) 2023-09-06
AU2021369215A1 (en) 2023-06-08
CA3197078A1 (en) 2022-05-05
US11704942B2 (en) 2023-07-18
KR20230091958A (ko) 2023-06-23

Similar Documents

Publication Publication Date Title
CN116391187A (zh) 使用机器学习模型的底架磨损预测
CN111435557B (zh) 用于检测机器部件问题的故障检测装置
JP6430596B2 (ja) 故障判定に基づいた設備制御
EP3825966A1 (en) A system and method for monitoring and predicting breakdowns in vehicles
CN116391117A (zh) 基于机器振动数据的底盘磨损预测
CN111435464A (zh) 用于检测和识别机器行为的目标测试和机器学习系统
US11572076B2 (en) Track wear detection based on pressure data and flow data
Bartram et al. Probabilistic prognosis with dynamic bayesian networks
US20230193597A1 (en) Component wear monitoring based on strain data
US11972646B2 (en) Detecting sprocket segment wear based on machine drivetrain data
CA3193452A1 (en) System and method for monitoring machine operations at a worksite
US20230168641A1 (en) On-board machine component failure detection
US20190195712A1 (en) System and method for predicting strain power spectral densities of light machine structure
US11680591B2 (en) Determining remaining life of a hose assembly based on sensor data
CN117474425A (zh) 一种供应链数据采集与分析方法和系统

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