CN116615592A - 用于磨损评估和零件更换时间优化的系统和方法 - Google Patents
用于磨损评估和零件更换时间优化的系统和方法 Download PDFInfo
- Publication number
- CN116615592A CN116615592A CN202180084133.XA CN202180084133A CN116615592A CN 116615592 A CN116615592 A CN 116615592A CN 202180084133 A CN202180084133 A CN 202180084133A CN 116615592 A CN116615592 A CN 116615592A
- Authority
- CN
- China
- Prior art keywords
- wear
- machine
- training
- image
- estimate
- 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 47
- 230000008859 change Effects 0.000 title claims abstract description 32
- 238000005457 optimization Methods 0.000 title claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 76
- 238000013528 artificial neural network Methods 0.000 claims abstract description 16
- 238000009877 rendering Methods 0.000 claims description 6
- 230000001502 supplementing effect Effects 0.000 claims description 4
- 230000015654 memory Effects 0.000 description 18
- 238000005516 engineering process Methods 0.000 description 14
- 239000000446 fuel Substances 0.000 description 10
- 230000009467 reduction Effects 0.000 description 8
- 238000012423 maintenance Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 238000011960 computer-aided design Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 239000000463 material Substances 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 239000011435 rock Substances 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 239000004576 sand Substances 0.000 description 5
- 238000009412 basement excavation Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 239000004927 clay Substances 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 239000002689 soil Substances 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000003190 augmentative effect Effects 0.000 description 1
- 239000000872 buffer Substances 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000004519 grease Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000000053 physical method Methods 0.000 description 1
- 230000007425 progressive decline Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000007790 scraping Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 230000003936 working memory Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- E—FIXED CONSTRUCTIONS
- E02—HYDRAULIC ENGINEERING; FOUNDATIONS; SOIL SHIFTING
- E02F—DREDGING; SOIL-SHIFTING
- E02F9/00—Component parts of dredgers or soil-shifting machines, not restricted to one of the kinds covered by groups E02F3/00 - E02F7/00
- E02F9/26—Indicating devices
- E02F9/267—Diagnosing or detecting failure of vehicles
-
- E—FIXED CONSTRUCTIONS
- E02—HYDRAULIC ENGINEERING; FOUNDATIONS; SOIL SHIFTING
- E02F—DREDGING; SOIL-SHIFTING
- E02F9/00—Component parts of dredgers or soil-shifting machines, not restricted to one of the kinds covered by groups E02F3/00 - E02F7/00
- E02F9/28—Small metalwork for digging elements, e.g. teeth scraper bits
-
- 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
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
- G05B19/048—Monitoring; Safety
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Engineering & Computer Science (AREA)
- Structural Engineering (AREA)
- Civil Engineering (AREA)
- Mining & Mineral Resources (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Quality & Reliability (AREA)
- Automation & Control Theory (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Control Of Metal Rolling (AREA)
- General Factory Administration (AREA)
- Carbon Steel Or Casting Steel Manufacturing (AREA)
Abstract
一种用于零件更换时间优化的方法(200)。该方法包括训练磨损估计模型(202)。训练模型包括预测零件的多个磨损模式，每个磨损模式对应于严重程度(302)。为每个磨损模式绘制训练图像(304)。每个训练图像都标记有对应的严重程度(306)。然后用标记的训练图像训练神经网络(308)。接收与机器相关联的部署零件的图像(204)，并将其馈送到训练的磨损估计模型中(206)。该方法进一步包括从训练的磨损估计模型接收零件图像的磨损估计(208)，基于磨损估计来估计机器性能的变化(210)并确定机器的机器使用模式(212)。结合机器使用模式和性能估计的变化以确定更换零件的最佳时间(214)。
Description
技术领域
本专利申请涉及机器维护，更具体地涉及成本有效的零件更换。
背景技术
随着设备的使用，某些零件逐渐磨损。这种在某一点的磨损开始降低设备的性能，使得更换零件在经济上是可取的。例如，磨损的地面接合工具(例如挖掘机齿)导致更高的燃料消耗、更低的生产率和对其它部件的过度磨损。
识别更换磨损零件的最佳时间点可能具有挑战性。例如，估计零件的磨损程度并推断磨损将如何进行是一项困难的任务，并且通常包括耗时的物理测量。确定更换零件和继续使用磨损零件操作的成本之间的经济折衷应考虑许多变量，其中许多变量可以根据机器和操作环境而变化。设备在不同环境下会经历不同的性能退化。例如，在重粘土中挖掘可以受益于较新的铲斗尖端，而在沙子中挖掘将几乎没有益处。因此，有必要准确地预测磨损和估计最具成本效益的零件更换时间。
已经努力使用图像识别来监测机器零件的磨损。例如，Tafazoli Bilandi等人的国际公布第WO2019/227194号(下文中称为“Tafazoli”)描述了一种用于监测与操作重型设备相关联的状况的方法和系统。该方法涉及在设置在重型设备上的嵌入式处理器的接口处接收多个图像，该图像提供重型设备的至少一个操作器具的视图。该方法还涉及使用在嵌入式处理器上实现的第一神经网络来处理多个图像中的每一个，第一神经网络已经被预先训练以识别图像内的感兴趣区域。每个感兴趣区域具有相关联的指定，作为适合于提取重型设备的操作所需的关键操作条件信息的关键区域和适合于提取与重型设备的操作相关联的非关键操作条件信息的非关键区域中的至少一个。该方法进一步涉及使嵌入式处理器启动对与关键区域相关联的图像数据的进一步处理，以生成局部输出，该局部输出可操作以向重型设备的操作员警告相关联的关键操作条件。Tafazoli可以识别一些关键的操作条件，诸如挖掘机铲斗的缺齿，还可以监测齿长以进行磨损监测。
作为另一示例，Cella等人的美国专利公开第2020/0225655号(下文中称为“Cella”)描述了一种用于在不同时间段上分析来自单个部件的数据的方法，诸如循环比较等。来自相同类型的多个部件的数据也可以在不同的时间段上进行分析。数据中的趋势(诸如频率或振幅的变化)可能与相同同设备的部件或零件相关联的故障和维护记录相关联。可以识别数据中的趋势，诸如与启动或过程中的不同点相关联的变化率。可以将附加数据引入分析中，诸如输出产品质量、输出数量(诸如每单位时间)、指示过程的成功或失败等。可以分析不同类型数据的趋势和值的相关性，以识别其短期分析可以提供关于预期性能的最佳预测的那些参数。该分析可以识别关于所需维护和修理和/或预防性维护的调度的建议。该分析可以识别关于购买更换轴承和更换轴承的时间的建议。该分析可能导致关于灾难性故障情况危险的警告。
Tafazoli和Cella都至少部分地涉及使用图像识别来识别磨损。然而，他们继续使用传统的图像识别模型和用于训练这些模型的方法。此外，Tafazoli没有预测零件更换时间，尽管Cella提供了关于购买更换零件和更换时间的建议，但是Cella只是基于历史数据简单地估计类似零件更换的时间。
因此，仍然有机会提高用于零件磨损评估的图像识别的准确性以及基于成本优化零件更换的时间。本文描述的示例系统和方法旨在克服上述一个或多个缺陷。
发明内容
在一些实施例中，一种用于零件更换时间优化的方法可以包括通过预测零件的多个磨损模式来训练磨损估计模型，每个磨损模式对应于严重程度，并且绘制多个训练图像，每个训练图像表示多个磨损模式中的对应的一个。训练磨损估计模型可以包括用对应的严重程度标记多个训练图像中的每一个，以及用多个标记的训练图像训练神经网络。该方法可以进一步包括接收与机器相关联的部署零件的零件图像，并将零件图像馈送到训练的磨损估计模型中，以从训练的磨损估计模型接收零件图像的磨损估计。该方法可以包括基于磨损估计来估计机器性能变化并确定机器的机器使用模式。该方法可以进一步包括结合机器使用模式和性能估计的变化以确定更换零件的最佳时间。
在一些方面，预测多个磨损模式包括使用基于物理学的磨损模型。在进一步的方面，训练磨损估计模型进一步包括用使用过的零件的多个标记的训练照片补充多个训练图像。根据进一步的方面，确定更换部署零件的最佳时间包括计算时间段，在该时间段之后继续运行具有部署零件的机器的成本超过更换部署零件的总成本。在一些方面，确定机器的机器使用模式包括从机器接收遥测数据。在一些方面，该方法进一步包括识别机器或部署零件中的至少一个。
在一些实施例中，一种零件更换时间优化系统可以包括一个或多个处理器以及其上存储有指令的一个或多个存储器装置。当由一个或多个处理器执行指令时，该指令可以使一个或多个处理器从图像捕获装置接收与机器相关联的部署零件的零件图像，并将零件图像馈送到训练的磨损估计模型中。该指令还可以使一个或多个处理器从训练的磨损估计模型接收零件图像的磨损估计，并基于磨损估计来估计机器的性能变化。该指令还可以使一个或多个处理器从机器接收遥测数据，并基于遥测数据确定机器的机器使用模式。该指令还可以使一个或多个处理器结合机器使用模式和性能估计的变化，以确定更换零件的最佳时间。
在一些方面，训练磨损估计模型可以包括预测零件的多个磨损模式，每个磨损模式对应于严重程度，并且绘制多个训练图像，每个训练图像表示多个磨损模式中的对应的一个。训练磨损估计模型可以包括用对应的严重程度标记多个训练图像中的每一个，以及用多个标记的训练图像训练神经网络。在进一步的方面，预测多个磨损模式包括使用基于物理学的磨损模型。在一些方面，训练磨损估计模型进一步包括用使用过的零件的多个标记的训练照片补充多个训练图像。在一些方面，确定机器使用模式可以包括将神经网络应用于遥测数据。根据一些方面，确定更换部署零件的最佳时间包括计算时间段，在该时间段之后继续运行具有部署零件的机器的成本超过更换部署零件的总成本。在一些方面，该系统可以进一步包括识别机器或部署零件中的至少一个的指令。
在一些实施例中，一个或多个非暂时性计算机可读介质可以存储计算机可执行指令，这些指令在由一个或多个处理器执行时使一个或多个处理器执行操作。操作可以包括通过预测零件的多个磨损模式来训练磨损估计模型，每个磨损模式对应于严重程度，并且绘制多个训练图像，每个训练图像表示多个磨损模式中的对应的一个。训练磨损估计模型可以包括用对应的严重程度标记多个训练图像中的每一个，以及用多个标记的训练图像训练神经网络。操作可以进一步包括接收与机器相关联的部署零件的零件图像，并将零件图像馈送到训练的磨损估计模型中，以从训练的磨损估计模型接收零件图像的磨损估计。操作可以包括基于磨损估计来估计机器性能变化并确定机器的机器使用模式。操作可以进一步包括结合机器使用模式和性能估计的变化，以确定更换零件的最佳时间。
根据一些方面，预测多个磨损模式包括使用基于物理学的磨损模型。在一些方面，训练磨损估计模型进一步包括用使用过的零件的多个标记的训练照片补充多个训练图像。在进一步的方面，确定更换部署零件的最佳时间包括计算时间段，在该时间段之后继续运行具有部署零件的机器的成本超过更换部署零件的总成本。在一些方面，确定机器的机器使用模式包括从机器接收遥测数据。根据一些方面，确定机器使用模式包括将神经网络应用于遥测数据。在进一步的方面，操作可以进一步包括识别机器或部署零件中的至少一个。
附图说明
通过结合附图参考下面的详细描述，可以更好地理解本文描述的系统和方法，其中相同的附图标记表示相同或功能类似的元件。
图1示出了根据所公开的技术的一些实施例的磨损评估和零件更换时间优化系统；
图2是示出根据所公开的技术的一些实施例的用于零件更换时间优化的方法的流程图；
图3是示出根据所公开的技术的一些实施例的用于训练磨损估计模型的方法的流程图；
图4A是描绘具有最小磨损的机器零件的绘制图像的等距视图；
图4B是描绘具有较小磨损的机器零件的绘制图像的等距视图；
图4C是描绘示出严重磨损的机器零件的绘制图像的等距视图；
图5是示出一些实现方式可以在其上操作的装置的概况的框图；
图6是示出一些实现方式可以在其中操作的环境的概况的框图；以及
图7是示出在一些实现方式中可以在采用所公开的技术的系统中使用的部件的框图。
本文提供的标题仅仅是为了方便，而不一定影响实施例的范围。进一步地，附图不必按比例绘制。例如，附图中的一些元件的尺寸可以扩大或缩小以帮助改进对实施例的理解。此外，虽然所公开的技术可以进行各种修改和可替代的形式，但是在附图中以示例的方式示出了特定实施例，并且在下面对其进行详细描述。然而，意图不是不必要地限制所描述的实施例。相反，实施例旨在覆盖落入本发明的范围内的所有修改、结合、等同物和替代。
具体实施方式
现在将更详细地描述上面介绍的系统和方法的各种示例。以下描述提供了用于全面理解和实现对这些示例的描述的具体细节。然而，相关领域的技术人员将理解，可以在没有许多这些细节的情况下实践本文所讨论的技术和工艺。类似地，相关领域的技术人员还将理解，该技术可以包括本文未详细描述的许多其它特征。附加地，一些公知的结构或功能可能没有在下面详细示出或描述，以避免不必要地模糊相关描述。
以下使用的术语将以其最宽泛的合理方式来解释，即使其与实施例的一些具体示例的详细描述结合使用。实际上，一些术语甚至可以在下面强调；然而，旨在以任何限制性方式解释的任何术语将在本节中照此明显和具体地定义。
公开了用于评估例如机器的资产上的零件的磨损并确定更换零件的最佳时间的方法和系统。通过估计零件上的当前磨损，系统可以根据成本估计对机器性能的影响。结合关于机器使用的信息，该系统可以确定用磨损零件操作的成本何时将超过更换零件的成本。这种能力适用于因磨损而退化的零件，这种磨损可以作为零件形状或外观的变化而在视觉上检测到。例如但不限于，这种零件可以包括地面接合工具、底架零件和轮胎。资产包括卡车、履带式拖拉机、挖掘机、轮式装载机、前端装载机和其它设备。
图1示出了根据所公开的技术的一些实施例的磨损评估和零件更换时间优化系统100。系统100通过创建训练图像库来训练磨损估计模型。在框102，通过应用基于物理学的磨损模型来预测零件的多个磨损模式来创建这些训练图像。每个磨损模式对应于严重程度。在一些实施例中，基于物理学的磨损模型可以包括基于具有特定负载的移动的周期数来估计磨损。周期数可以包括计数特定零件的移动或估计每小时的典型周期。例如，估计挖掘机齿的磨损可以包括计算动臂、臂和/或铲斗移动的数量，由挖掘机臂施加的已知力和基于材料(例如，土壤、沙子、粘土或岩石)的磨损因数的乘积。结果可以表示从齿上碎裂、磨损或以其它方式移除的材料(即，金属)的量。这种类型的基于物理学的模型可以运行不同周期数和条件以创建不同的磨损模式和严重度。
使用来自框102的基于物理学的磨损模型的数据，可以在框104用计算机辅助设计(CAD)工具绘制训练图像，以创建具有计算的磨损严重度和模式的零件的逼真图像。例如，可以用对应的严重程度，使用(例如，周期或时间)和/或负载(例如，土壤、沙子、粘土或岩石)来标记每个训练图像。开发训练库的这种新颖方法允许创建许多训练图像，每个训练图像具有准确和详细的标记。单独从照片中创建这样的库需要了解每张照片中如何发生磨损的情况，这很难捕获和保留。最好的情况是，适当标记的照片的数量受到严格限制。然而，在一些实施例中，CAD产生的训练图像可以用适当记录的照片来补充。
因为训练图像是从CAD模型产生的，所以可以容易地创建从不同角度观察的零件的图像。此外，可以将不同的照明效果和背景应用于图像。在一些实施例中，可以应用模拟的锈和污垢来表示使用中零件的典型条件。许多CAD程序允许参数化建模，通过这种建模，零件的尺寸可以由表格数据来管理。使用参数建模，可以自动创建例如严重度、周期和负载的所有结合的零件图像。
一旦创建了用于特定零件的训练图像库，就使用该库来训练对应的机器学习磨损估计模型(例如，卷积神经网络)。可替代地，可以采用识别边缘和其它特征的其它图像识别技术，以更直接地识别零件的形状。在框106，将部署零件(即，在机器上使用的零件)的照片馈送到磨损估计模型中以接收零件的磨损估计(例如，以百分比计)。与人工检查零件相比，所公开的技术提供了至少一个优点，因为它可以准确地估计零件的磨损的严重度和的周期数(或例如，小时)。尽管人工检查对于全新的零件或完全缺失的零件可以是准确的，但是磨损程度在其它方面是完全主观的。此外，部署零件的多张照片可以随着时间的推移被捕获并且被馈送到系统中以预测零件磨损的速率并且预测由此导致的机器性能日益下降。
为了促进进一步的准确性，在一些实施例中，可以从具有标准化背景、照明等的标准化位置拍摄部署零件的照片。也可以清洁零件。在一些实施例中，可以用典型的数码相机或手机相机拍摄照片。在一些实施例中，可以从固定在工地的道路一侧上的固定相机或视频系统拍摄照片，以在机器经过时捕获机器上的零件(例如，轮胎)。在一些实施例中，相机可以是红外或其它专用相机。用于创建训练图像的CAD程序可以与例如热力学有限元分析(FEA)软件接口，以估计可以用红外相机捕获的零件的温度梯度，从而创建红外图像的训练库。
可能期望将零件的几个图像结合在一起以识别和/或评估磨损。可以使用在2020年12月15日提交的题为“使用多个图像进行零件识别和评估的系统和方法”(代理人卷号第131257-8005.US00)的共同未决美国申请第17/123，051号中描述的技术来结合多个图像，该申请的公开内容通过引用整体并入本文。
在一些实施例中，经由为这种识别开发的直接用户输入或机器视觉算法，可以识别零件和/或机器。例如，可以通过识别正被检查的零件的类型(例如铲斗齿、凿岩铲斗齿)和/或机器类型来辅助识别过程，以缩小可能性并实现被限制为一个或少量零件的更简单的机器学习算法。
基于来自框106的磨损估计，可以在框108估计由于磨损零件引起的机器性能变化。性能的变化可以用基于物理学的模型来估计。性能参数可以包括燃料消耗、铲斗负载的充满度、以及由于使用机器更有力地补偿磨损零件而对其它部件造成的损坏。在一些实施例中，对于给定任务，机器性能变化与零件的估计磨损成比例。例如，具有20％磨损的挖掘机齿可以导致挖掘机在挖掘时铲斗装载效率方面的性能降低3％。性能的降低可以随任务而变化。例如，如果装载污垢而不是挖掘，则相同的磨损齿可能导致性能的低得多的降低(例如，1％)。
可以将框110的财务模型应用于性能的变化，以估计对于各种任务的不同程度的零件磨损的每小时操作成本。例如，财务模型可以估计燃料成本的增加以补偿铲斗装载效率降低的3％。在一些实施例中，补偿机器性能降低的成本与机器性能降低成比例。例如，铲斗装载效率降低3％导致燃料成本每小时增加6％。
在一些实施例中，框108中的基于物理学的模型可以与框102中的模型耦合以估计性能参数随着时间的推移的演变。例如，具有60％磨损的零件将需要多5％的燃料；但是，如果继续使用，在使用超过10小时后，其将磨损65％并且需要多12％的燃料。例如，可以使用财务模型将性能的降低转化为例如每小时的成本。
在一些实施例中，系统在框112确定机器的机器使用模式。因为每小时的性能变化和成本可以是任务相关的，了解机器如何使用可以帮助确定何时更换零件。可以应用机器学习模型(诸如神经网络)来基于远程信息处理数据(即，遥测数据)估计机器的使用模式。作为示例，挖掘机可以具有包括50％挖掘、20％装载和30％跟踪(即，从一个地方移动到另一个地方)的活动的使用模式。
在一些实施例中，使用模型可以使用应用分段，其可以包括回归、支持向量机和神经网络，这取决于所需的细节和复杂度。这些模型可以区分例如大量挖掘、挖沟、刮擦、分级、装载、跟踪或空闲时间。模型可以用附加传感器补充标准远程信息处理数据以测量使用强度。
此外，理解导致磨损的物质作为使用情况的一部分也是有用的。例如，与在岩石土壤中挖掘时相比，如果尖端变钝，则在移动沙子时性能降低较少。为了估计被移动或摩擦的物质，可以比较在已知的使用时间之后的零件磨损的估计。例如，在岩石中挖掘10小时后，零件应该比在沙子中挖掘具有更多的磨损。在一些实施例中，物质可以是用户指定的，使用模式也可以是用户指定的。
在框114，机器使用模式和每小时成本估计可以经结合以估计具有不同零件磨损水平的机器的操作成本。对于上述挖掘机齿的示例，磨损20％的挖掘机齿在挖掘时可以导致铲斗装载效率降低3％，这导致挖掘时燃料成本每小时增加6％。来自框112的数据模式指示挖掘机花费其挖掘时间的50％。因此，假设运行挖掘机每天8小时且每小时燃料的名义成本为$250，则运行具有磨损零件的挖掘机每天花费额外的$60(即6％*250*8小时*50％挖掘)。应当注意，示例性磨损估计、使用模式和成本是假设的，并且不旨在表示实际数据，而是说明所公开的技术的一些实施例中所涉及的计算。
在一些实施例中，成本轨迹可以包括在计算中。例如，可以使用磨损零件相对于给定当前磨损的新零件来估计操作的第一小时的性能的平均增量变化；使用甚至更多磨损零件相对于新零件来估计操作的第二小时的性能的平均变化等。增加的性能变化可以相对于相同类型的新零件以及可以提供更大或更小性能益处的其它候选更换零件。
在框116，可以使用财务模型来确定何时应当更换零件以最小化所有权的总成本。例如，如果更换零件的所有权的增加成本变得小于继续使用磨损零件的成本，则它是最佳的更换时间。在上述挖掘机齿的示例中，假设更换齿的总成本(包括例如劳动力、零件成本和停机时间)为$600，则齿应在10天后被更换(即，$600/60$/天)。
在一些实施例中，财务模型可以包括生产率损失的成本(例如，材料移动量的10％减少x材料移动值、每小时劳动力成本等)、过量燃料的成本、以及对其它零件的附加维护的成本(例如，用像凿子一样的磨损齿锤击铲斗可以增加其它零件的磨损或故障概率)。在一些实施例中，优化引擎可以应用于财务模型以识别更换磨损零件的最佳时间。更换零件的所有权的总成本可以相对于继续使用日益磨损的磨损零件的基础情况进行比较。该成本可以包括更换零件的成本、所需的更换劳动力和进行更换所需的任何损失的生产率。在一些实施例中，可以在感兴趣的指定偿还周期上评估成本。更换零件的增加的成本可能导致更换零件的磨损，其中这种磨损将迅速降低性能，例如更换在岩石中挖掘中使用的零件。
在一些实施例中，零件更换时间的优化可以基于其它因素为不同的更换零件候选识别不同的最佳时间。例如，可以调整最佳更换时间以与其它附近的计划维护时期(例如换油)或其它磨损零件(例如同一铲斗上的几个零件)的最佳更换时间一致。最佳时间也可以经设置为由诸如燃料使用或生产率的性能保证所定义的阈值。
一旦确定了更换零件的时间，在框118可以警告顾客更换该零件；可以推荐可替代的成本优化零件；可以查看清单；顾客可以在线订购零件；和/或可以将更换零件自动运送给客户。在一些情况下，调度维护劳动力和车库空间可以是调度的，和/或所需的工具和零件可以是成套的。在一些实施例中，零件更换可以从技术支持发起电话呼叫。在一些实施例中，可以提供用于回收或再制造磨损零件的建议方法。
图2是示出根据所公开的技术的一些实施例的用于零件更换时间优化的方法200的流程图。方法200可以包括在步骤202训练磨损估计模型。在步骤204接收与机器相关联的部署零件(例如，安装在机器上的零件)的零件图像。在步骤206，将零件图像馈送到训练的磨损估计模型中，并且在步骤208从训练的磨损估计模型接收零件图像的磨损估计。在步骤210，基于磨损估计来估计机器性能变化。在步骤212确定机器的机器使用模式。在步骤214结合机器使用模式和性能估计的变化，以确定更换零件的最佳时间。
图3是示出根据所公开的技术的一些实施例的用于训练磨损估计模型的方法300的流程图。方法300可以包括在步骤302预测零件的多个磨损模式，其中每个磨损模式对应于严重程度。该方法可以包括在步骤304绘制多个训练图像，其中每个图像表示多个磨损模式中的对应的一个。在步骤306，将多个训练图像中的每一个标记为具有对应的严重程度。在步骤308，使用多个标记的训练图像训练神经网络。
图4A-4C是描绘具有不同磨损程度的机器零件400(例如，挖掘机齿)的绘制图像的等轴视图。图4A表示具有最小磨损(如果有的话)的齿400。这种绘制表示齿处于新的条件或非常轻微地使用，沿其前边缘402没有磨损。图4B表示沿前边缘402具有一些小磨损的齿400，包括在拐角处和前边缘402中间的磨损404。图4C表示具有严重磨损的齿400，其包括具有缺失大部分齿的断裂部分406。绘制还可以包括模式，诸如凿槽410和磨损的轴承或安装孔，诸如安装孔损坏408。应当理解的是，CAD程序具有绘制逼真图像的能力，其包括表示诸如金属、塑料和橡胶等不同材料的表面。该绘制还可以包括锈、污垢和油脂等。
合适的系统
这里公开的技术可以实现为专用硬件(例如，电路)、用软件和/或固件适当编程的可编程电路、或专用和可编程电路的结合。因此，各实施例可以包括其上存储有可以用于使计算机、微处理器、处理器和/或微控制器(或其它电子装置)执行过程的指令的机器可读介质。机器可读介质可以包括但不限于光盘、光盘只读存储器(CD-ROM)、磁光盘、ROM、随机存取存储器(RAM)、可擦除可编程只读存储器(EPROM)、电可擦除可编程只读存储器(EEPROM)、磁卡或光卡、闪存、或适于存储电子指令的其它类型的介质/机器可读介质。
下面参考附图更详细地讨论几个实现方式。图5是示出所公开的技术的一些实现方式可以在其上操作的装置的概况的框图。该装置可以包括例如执行磨损评估和零件更换时间优化的装置500的硬件部件。装置500可以包括向CPU(处理器)510提供输入，向其通知动作的一个或多个输入装置520。动作通常由解释从输入装置接收的信号并使用通信协议将信息传送到CPU 510的硬件控制器来调节。输入装置520包括例如鼠标、键盘、触摸屏、红外传感器、触摸板、可穿戴输入装置、基于相机或图像的输入装置、麦克风或其它用户输入装置。
CPU 510可以是装置中的单个处理单元或多个处理单元，或者分布在多个装置上。CPU 510可以例如通过使用诸如PCI总线或SCSI总线等的总线耦合到其它硬件装置。CPU510可以与用于诸如显示器530的装置的硬件控制器通信。显示器530可以用于显示文本和图形。在一些示例中，显示器530向用户提供图形和文本视觉反馈。在一些实现方式中，显示器530包括作为显示器的一部分的输入装置，诸如当输入装置是触摸屏或配备有眼睛方向监测系统时。在一些实现方式中，显示器与输入装置分离。显示装置的示例是：LCD显示屏；LED显示屏；投影、全息或增强现实显示器(诸如平视显示器装置或头戴式装置)等。其它I/O装置540也可以耦合到处理器，诸如网卡、视频卡、音频卡、USB、火线或其它外部装置、传感器、相机、打印机、扬声器、CD-ROM驱动器、DVD驱动器、磁盘驱动器或蓝光装置。
在一些实现方式中，装置500还包括能够与网络节点进行无线或有线通信的通信装置。通信装置可以使用例如TCP/IP协议通过网络与另一装置或服务器通信。装置500可以使用通信装置在多个网络装置上分发操作。
CPU 510可以访问存储器550。存储器包括用于易失性和非易失性存储的各种硬件装置中的一个或多个，并且可以包括只读和可写存储器。例如，存储器可以包括随机存取存储器(RAM)、CPU寄存器、只读存储器(ROM)和可写非易失性存储器，诸如闪存、硬盘驱动器、软盘、CD、DVD、磁存储装置、磁带驱动器、装置缓冲器等。存储器不是与底层硬件分离的传播信号；因此，存储器是非暂时性的。存储器550可以包括存储程序和软件的程序存储器560，诸如操作系统562、零件更换平台564和其它应用程序566。存储器550还可以包括数据存储器570，其可以包括数据库信息等，数据库信息可以被提供给程序存储器560或装置500的任何元件。
一些实现方式可以用于许多其它通用或专用计算系统环境或配置。适用于本技术的公知的计算系统、环境和/或配置的示例包括但不限于个人计算机、服务器计算机、手持式或膝上型装置、蜂窝电话、移动电话、可穿戴电子设备、游戏控制台、平板装置、多处理器系统、基于微处理器的系统、机顶盒、可编程消费电子产品、网络PC、小型机、大型机、包括上述系统或装置中的任一个的分布式计算环境等。
图6是示出所公开的技术的一些实现方式可以在其中操作的环境600的概况的框图。环境600可以包括一个或多个客户端计算装置605A-D，其示例可以包括装置500。客户端计算装置605可以使用通过网络630到诸如服务器计算装置610等一个或多个远程计算机的逻辑连接在网络环境中操作。
在一些实现方式中，服务器计算装置610可以是边缘服务器，其接收客户端请求并通过诸如服务器620A-C等其它服务器来协调这些请求的履行。服务器计算装置610和620可以包括诸如装置500的计算系统。虽然每个服务器计算装置610和620在逻辑上被显示为单个服务器，但是每个服务器计算装置可以是包括位于相同或地理上不同的物理位置处的多个计算装置的分布式计算环境。在一些实现方式中，每个服务器计算装置620对应于一组服务器。
客户端计算装置605和服务器计算装置610和620可以各自充当服务器或其它服务器/客户端装置的客户端。服务器610可以连接到数据库615。服务器620A-C可以各自连接到对应的数据库625A-C。如上所述，每个服务器620可以对应于一组服务器，并且这些服务器中的每一个可以共享数据库或者可以具有它们自己的数据库。数据库615和625可以存库(例如存储)信息。尽管数据库615和625在逻辑上被显示为单个单元，但是数据库615和625中的每一个都可以是包括多个计算装置的分布式计算环境，可以位于它们对应的服务器中，或者可以位于相同或地理上不同的物理位置。
网络630可以是局域网(LAN)或广域网(WAN)，但也可以是其它有线或无线网络。网络630可以是因特网或一些其它公共或专用网络。客户端计算装置605可以通过网络接口(诸如通过有线或无线通信)连接到网络630。虽然服务器610和服务器620之间的连接被示为单独的连接，但是这些连接可以是任何类型的本地、广域、有线或者无线网络，包括网络630或者单独的公共或者专用网络。
图7是示出在一些实现方式中可以在采用所公开的技术的系统中使用的部件700的框图。部件700包括硬件702、通用软件720和专用部件740。如上所述，实现所公开的技术的系统可以使用各种硬件，包括处理单元704(例如，CPU、GPU、APU等)、工作存储器706、存储存储器708以及输入和输出装置710。部件700可以在诸如客户端计算装置605等客户端计算装置中或在诸如服务器计算装置610或620等服务器计算装置上实现。
通用软件720可以包括各种应用，包括操作系统722、本地程序724和基本输入输出系统(BIOS)726。专用部件740可以是诸如本地程序724的通用软件应用720的子部件。专用部件740可以包括磨损估计模型744、性能变化模型746、机器使用模型748、零件更换时间模型750、以及可以用于传送数据和控制专用部件的部件，诸如接口742。在一些实现方式中，部件700可以在跨多个计算装置分布的计算系统中，或者可以是到执行一个或多个专用部件740的基于服务器的应用的接口。
本领域的技术人员将理解，上述图5-7以及上述每个流程图中所示的部件可以以各种方式变化。例如，可以重新排列逻辑的顺序、可以并行地执行子步骤、可以省略图示的逻辑、可以包括其它逻辑等。在一些实现方式中，上述部件中的一个或多个可以执行本文所述的过程中的一个或多个。
工业实用性
在一些实施例中，磨损评估和零件更换时间优化系统可以包括磨损估计模型744、性能变化模型746、机器使用模型748和更换时间模型750(图7)。在操作中，磨损估计模型744可以通过使用基于物理学的模型预测不同零件的多个磨损模式来训练磨损估计模型，其中每个磨损模式对应于严重程度。使用CAD绘制多个逼真训练图像，其中每个图像表示多个磨损模式中对应的一个。多个训练图像中的每一个都标记有对应的严重程度。使用多个标记的训练图像来训练神经网络。与机器相关联的部署零件的零件图像被馈送到训练的磨损估计模型中，并且接收零件图像的磨损估计。性能变化模型746可以使用基于物理学的模型基于磨损估计来估计机器性能变化。机器使用模型748可以使用机器学习模型和来自机器的遥测数据来确定机器的机器使用模式。更换时间模型750结合机器使用模式和性能估计的变化以确定更换零件的最佳时间。因此，所公开的技术提供了基于使用机器学习模型的准确磨损和机器使用估计来更换零件的成本效率最高的时间，从而消除了与传统零件更换决策相关联的主观猜测。
备注
以上描述和附图是说明性的，而不应被解释为限制性的。描述了许多具体细节以提供对本发明的透彻理解。然而，在一些情况下，没有描述公知的细节以避免使描述模糊。进一步地，在不脱离实施例的范围的情况下，可以进行各种修改。
本说明书中对“一个实施例”或“实施例”的引用意味着结合该实施例描述的特定特征、结构或特性被包括在本发明的至少一个实施例中。在说明书的不同地方出现的短语“在一个实施例中”不一定都是指相同的实施例，也不是与其它实施例相互排斥的单独的或可替代的实施例。此外，描述了可以由一些实施例而不是由其它实施例展示的各种特征。类似地，描述了各种要求，这些要求可以是对一些实施例的要求而不是对其它实施例的要求。
本说明书中使用的术语通常具有其在本领域中、在本发明的上下文中和在使用每个术语的具体上下文中的普通含义。应当理解，同样的事情可以用不止一种方式来表达。因此，可替代的语言和同义词可以用于本文所讨论的任何一个或多个术语，并且无论术语是否在本文中详细阐述或讨论，都不对其设置任何特别的意义。提供了一些术语的同义词。一个或多个同义词的叙述不排除使用其它同义词。在本说明书中任何地方使用的示例(包括本文讨论的任何术语的示例)仅是说明性的并且不旨在进一步限制本发明或任何示例性术语的范围和含义。类似地，本发明不限于本说明书中给出的各种实施例。除非另外定义，本文使用的所有技术和科学术语具有与本发明所属领域的普通技术人员通常理解的相同含义。在冲突的情况下，以本文件(包括定义)为准。
Claims (10)
1.一种用于零件更换时间优化的方法(200)，包括：
训练磨损估计模型(202)，其包括：
预测零件的多个磨损模式，每个磨损模式对应于严重程度(302)；
绘制多个训练图像，每个训练图像表示所述多个磨损模式中的对应的一个(304)；
用所述对应的严重程度标记所述多个训练图像中的每一个(306)；以及
用所述多个标记的训练图像训练神经网络(308)；
接收与机器相关联的部署零件的零件图像(204)；
将所述零件图像馈送到所述训练的磨损估计模型中(206)；
从所述训练的磨损估计模型接收所述零件图像的磨损估计(208)；
基于所述磨损估计来估计所述机器性能变化(210)；
确定所述机器的机器使用模式(212)；以及
结合所述机器使用模式和性能估计的所述变化以确定更换所述零件的最佳时间(214)。
2.根据权利要求1所述的方法，其中预测所述多个磨损模式包括使用基于物理学的磨损模型(302)。
3.根据权利要求1所述的方法，其中确定更换所述部署零件的所述最佳时间包括计算时间段，在所述时间段之后继续运行具有所述部署零件的所述机器的所述成本超过更换所述部署零件的所述总成本(214)。
4.根据权利要求1所述的方法，其中确定所述机器的所述机器使用模式包括从所述机器接收遥测数据(212)。
5.一种零件更换时间优化系统(500)，包括：
一个或多个处理器(510)；以及
一个或多个存储器装置(560)，其上存储有指令，所述指令在由所述一个或多个处理器执行时使所述一个或多个处理器：
从图像捕获装置接收与机器相关联的部署零件的零件图像(204)；
将所述零件图像馈送到训练的磨损估计模型中(206)；
从所述训练的磨损估计模型接收所述零件图像的磨损估计(208)；
基于所述磨损估计来估计所述机器性能变化(210)；
从所述机器接收遥测数据(212)；
基于所述遥测数据确定所述机器的机器使用模式(212)；以及
结合所述机器使用模式和性能估计的所述变化，以确定更换所述零件的最佳时间(214)。
6.根据权利要求5所述的系统，进一步包括训练所述磨损估计模型(300)，包括：
预测所述零件的多个磨损模式，每个磨损模式对应于严重程度(302)；
绘制多个训练图像，每个训练图像表示所述多个磨损模式中的对应的一个(304)；
用所述对应的严重程度标记所述多个训练图像中的每一个(306)；以及
用所述多个标记的训练图像训练神经网络(308)。
7.根据权利要求6所述的系统，其中训练所述磨损估计模型进一步包括用使用过的零件的多个标记的训练照片补充所述多个训练图像(304)。
8.根据权利要求5所述的系统，其中确定所述机器使用模式包括将神经网络应用于所述遥测数据(212)。
9.一个或多个非暂时性计算机可读介质(560)，其存储计算机可执行指令，所述指令在由一个或多个处理器执行时(510)使所述一个或多个处理器执行操作，包括：
训练磨损估计模型(202)，其包括：
预测零件的多个磨损模式，每个磨损模式对应于严重程度(302)；
绘制多个训练图像，每个训练图像表示所述多个磨损模式中的对应的一个(304)；
用所述对应的严重程度标记所述多个训练图像中的每一个(306)；以及
用所述多个标记的训练图像训练神经网络(308)；
接收与机器相关联的部署零件的零件图像(204)；
将所述零件图像馈送到所述训练的磨损估计模型中(206)；
从所述训练的磨损估计模型接收所述零件图像的磨损估计(208)；
基于所述磨损估计来估计所述机器性能变化(210)；
确定所述机器的机器使用模式(212)；以及
结合所述机器使用模式和性能估计的所述变化以确定更换所述零件的最佳时间(214)。
10.根据权利要求9所述的一个或多个非暂时性计算机可读介质，其中确定更换所述部署零件的所述最佳时间包括计算时间段，在所述时间段之后继续运行具有所述部署零件的所述机器的所述成本超过更换所述部署零件的所述总成本(214)。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US17/123,058 US11961052B2 (en) | 2020-12-15 | 2020-12-15 | Systems and methods for wear assessment and part replacement timing optimization |
| US17/123058 | 2020-12-15 | ||
| PCT/US2021/062311 WO2022132515A1 (en) | 2020-12-15 | 2021-12-08 | Systems and methods for wear assessment and part replacement timing optimization |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116615592A true CN116615592A (zh) | 2023-08-18 |
Family
ID=79165003
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202180084133.XA Pending CN116615592A (zh) | 2020-12-15 | 2021-12-08 | 用于磨损评估和零件更换时间优化的系统和方法 |
Country Status (6)
| Country | Link |
|---|---|
| US (1) | US11961052B2 (zh) |
| EP (1) | EP4263959A1 (zh) |
| CN (1) | CN116615592A (zh) |
| AU (1) | AU2021401883A1 (zh) |
| CA (1) | CA3201591A1 (zh) |
| WO (1) | WO2022132515A1 (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116883410A (zh) * | 2023-09-08 | 2023-10-13 | 四川爱麓智能科技有限公司 | 一种磨斑自动化检测与评价的方法、系统以及设备 |
Family Cites Families (29)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5566273A (en) | 1993-12-30 | 1996-10-15 | Caterpillar Inc. | Supervised training of a neural network |
| US7689394B2 (en) * | 2003-08-26 | 2010-03-30 | Siemens Industry, Inc. | System and method for remotely analyzing machine performance |
| JP5988740B2 (ja) * | 2012-07-13 | 2016-09-07 | 日立建機株式会社 | 稼働機械の保守管理装置 |
| FI128899B (en) | 2012-09-19 | 2021-02-26 | Konecranes Oyj | Predictive maintenance method and system |
| US20160239584A1 (en) * | 2013-03-18 | 2016-08-18 | Tribase Systems, Inc. | Total quality management system and method for annotating and visualizing defects in manufactured parts |
| AU2014262221C1 (en) * | 2013-11-25 | 2021-06-10 | Esco Group Llc | Wear part monitoring |
| US20160163130A1 (en) * | 2014-12-08 | 2016-06-09 | Ford Global Technologies, Llc | Method and Apparatus for Connected Vehicle System Wear Estimation and Maintenance Scheduling |
| CA2976374C (en) | 2015-02-13 | 2023-08-01 | Esco Corporation | Monitoring ground-engaging products for earth working equipment |
| US20200225655A1 (en) | 2016-05-09 | 2020-07-16 | Strong Force Iot Portfolio 2016, Llc | Methods, systems, kits and apparatuses for monitoring and managing industrial settings in an industrial internet of things data collection environment |
| US20170356164A1 (en) * | 2016-06-09 | 2017-12-14 | Caterpillar Inc. | Wear Prediction and Notification System |
| US11409274B2 (en) * | 2017-05-25 | 2022-08-09 | Johnson Controls Tyco IP Holdings LLP | Model predictive maintenance system for performing maintenance as soon as economically viable |
| CA3005183A1 (en) * | 2017-05-30 | 2018-11-30 | Joy Global Surface Mining Inc | Predictive replacement for heavy machinery |
| EP3416103A1 (en) * | 2017-06-16 | 2018-12-19 | Dassault Systèmes | Dataset for learning a function taking images as inputs |
| EP3679497A4 (en) * | 2017-09-07 | 2021-06-02 | Detroit Engineered Products, Inc. | AUTOMATED PARAMETRIC MODELING PROCESS |
| US11099551B2 (en) * | 2018-01-31 | 2021-08-24 | Hitachi, Ltd. | Deep learning architecture for maintenance predictions with multiple modes |
| EP3802968B1 (en) | 2018-06-01 | 2024-01-17 | Motion Metrics International Corp. | Method, apparatus and system for monitoring a condition associated with operating heavy equipment such as a mining shovel or excavator |
| CN109191367B (zh) | 2018-08-02 | 2023-06-16 | 哈尔滨理工大学 | 刀具磨损图像的拼接方法及刀具的寿命预测方法 |
| WO2020041897A1 (en) * | 2018-08-30 | 2020-03-05 | Camso Inc. | Systems and methods for monitoring tracked vehicles |
| US11232650B2 (en) * | 2018-09-14 | 2022-01-25 | Conduent Business Services, Llc | Modelling operational conditions to predict life expectancy and faults of vehicle components in a fleet |
| WO2020112337A1 (en) * | 2018-11-26 | 2020-06-04 | Exxonmobil Research And Engineering Company | Predictive maintenance |
| WO2020117453A1 (en) * | 2018-12-06 | 2020-06-11 | Exxonmobil Research And Engineering Company | Wear detection in mechanical equipment |
| US20220016939A1 (en) * | 2019-04-01 | 2022-01-20 | Bridgestone Americas Tire Operations, Llc | System and method for feature extraction from real-time vehicle kinetics data for remote tire wear modeling |
| US11587315B2 (en) * | 2019-06-19 | 2023-02-21 | Deere & Company | Apparatus and methods for augmented reality measuring of equipment |
| US11586943B2 (en) * | 2019-08-12 | 2023-02-21 | Micron Technology, Inc. | Storage and access of neural network inputs in automotive predictive maintenance |
| US11501132B2 (en) * | 2020-02-07 | 2022-11-15 | Hitachi, Ltd. | Predictive maintenance system for spatially correlated industrial equipment |
| CN111444864B (zh) | 2020-03-30 | 2023-11-17 | 北京旷视科技有限公司 | 目标对象的磨损程度检测方法及装置 |
| US20220035970A1 (en) * | 2020-07-29 | 2022-02-03 | The Procter & Gamble Company | Three-Dimensional (3D) Modeling Systems and Methods for Automatically Generating Photorealistic, Virtual 3D Package and Product Models from 3D and Two-Dimensional (2D) Imaging Assets |
| US20220067667A1 (en) * | 2020-08-25 | 2022-03-03 | ANI Technologies Private Limited | Predictive maintenance of vehicle components |
| US20220187819A1 (en) * | 2020-12-10 | 2022-06-16 | Hitachi, Ltd. | Method for event-based failure prediction and remaining useful life estimation |
-
2020
- 2020-12-15 US US17/123,058 patent/US11961052B2/en active Active
-
2021
- 2021-12-08 CN CN202180084133.XA patent/CN116615592A/zh active Pending
- 2021-12-08 AU AU2021401883A patent/AU2021401883A1/en active Pending
- 2021-12-08 CA CA3201591A patent/CA3201591A1/en active Pending
- 2021-12-08 EP EP21835102.1A patent/EP4263959A1/en active Pending
- 2021-12-08 WO PCT/US2021/062311 patent/WO2022132515A1/en active Application Filing
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116883410A (zh) * | 2023-09-08 | 2023-10-13 | 四川爱麓智能科技有限公司 | 一种磨斑自动化检测与评价的方法、系统以及设备 |
| CN116883410B (zh) * | 2023-09-08 | 2023-11-17 | 四川爱麓智能科技有限公司 | 一种磨斑自动化检测与评价的方法、系统以及设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2022132515A1 (en) | 2022-06-23 |
| US11961052B2 (en) | 2024-04-16 |
| CA3201591A1 (en) | 2022-06-23 |
| US20220188774A1 (en) | 2022-06-16 |
| EP4263959A1 (en) | 2023-10-25 |
| AU2021401883A1 (en) | 2023-07-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Fan et al. | Reliability analysis and failure prediction of construction equipment with time series models | |
| CN108986251B (zh) | 重型机械的预测替换 | |
| US9286735B1 (en) | Generating cumulative wear-based indicators for vehicular components | |
| Angeles et al. | Optimal inspection and preventive maintenance scheduling of mining equipment | |
| US20220317676A1 (en) | Systems and methods for automatically scheduling maintenance | |
| CN116615592A (zh) | 用于磨损评估和零件更换时间优化的系统和方法 | |
| CA3213710A1 (en) | Systems and methods for probabilistic parts forecasting based on machine utilization patterns | |
| RU2740695C2 (ru) | Оценивание риска при операциях бурения и заканчивания скважины | |
| Wijaya et al. | Downtime analysis of a scaling machine | |
| Fan et al. | Equipment replacement optimization: solution methodology, statistical data analysis, and cost forecasting | |
| US20230280738A1 (en) | System and method for estimating a machine's potential usage, profitability, and cost of ownership based on machine's value and mechanical state | |
| US20230033796A1 (en) | Systems and methods for determining extended warranty pricing based on machine activity | |
| US20230033876A1 (en) | Systems and methods for identifying machine modifications for improved productivity | |
| Ansell et al. | Assessing the maintenance in a process using a semi‐parametric approach | |
| CN116615766A (zh) | 使用多个图像进行零件识别和评估的系统和方法 | |
| Kirstein et al. | Risk modelling of heavy mobile equipment to determine optimum replacement ages | |
| US20230236588A1 (en) | Integrated record of asset usage, maintenance, and condition, and associated systems and methods | |
| US20230169367A1 (en) | Systems and methods for predicting a target event associated with a machine | |
| WO2024026179A1 (en) | Systems and methods for creating used part machine learning training images | |
| Whillans | Underground Mining: The Difference Between Optimal and Real | |
| WO2023081628A1 (en) | Systems and methods for determining machine usage severity | |
| Liang | The optimisation of the digging sequence of a dragline | |
| JP2023127088A (ja) | 経済性評価シミュレーション装置及び経済性評価シミュレーション方法 | |
| Hamodi | Reliability and life cycle cost modelling of mining drilling rigs |
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 |