CN117203595A - 用于监测机器或其部件内的潜在故障的系统和方法 - Google Patents
用于监测机器或其部件内的潜在故障的系统和方法 Download PDFInfo
- Publication number
- CN117203595A CN117203595A CN202280025781.2A CN202280025781A CN117203595A CN 117203595 A CN117203595 A CN 117203595A CN 202280025781 A CN202280025781 A CN 202280025781A CN 117203595 A CN117203595 A CN 117203595A
- Authority
- CN
- China
- Prior art keywords
- change
- machine
- identified
- component
- segment
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims description 96
- 230000008859 change Effects 0.000 claims abstract description 296
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 116
- 230000003287 optical effect Effects 0.000 claims abstract description 91
- 238000004891 communication Methods 0.000 claims abstract description 11
- 238000001514 detection method Methods 0.000 claims description 82
- 230000007547 defect Effects 0.000 claims description 60
- 230000033001 locomotion Effects 0.000 claims description 47
- 239000007788 liquid Substances 0.000 claims description 27
- 238000005286 illumination Methods 0.000 claims description 22
- 238000010801 machine learning Methods 0.000 claims description 22
- 230000006378 damage Effects 0.000 claims description 20
- 230000007613 environmental effect Effects 0.000 claims description 18
- 239000012530 fluid Substances 0.000 claims description 16
- 238000009825 accumulation Methods 0.000 claims description 13
- 230000015572 biosynthetic process Effects 0.000 claims description 13
- 230000000737 periodic effect Effects 0.000 claims description 12
- 238000005299 abrasion Methods 0.000 claims description 11
- 230000003647 oxidation Effects 0.000 claims description 9
- 238000007254 oxidation reaction Methods 0.000 claims description 9
- 230000002093 peripheral effect Effects 0.000 claims description 8
- 239000000779 smoke Substances 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 238000011835 investigation Methods 0.000 claims description 6
- 230000003628 erosive effect Effects 0.000 claims description 5
- 239000000463 material Substances 0.000 claims description 5
- 239000002828 fuel tank Substances 0.000 claims description 3
- 239000000314 lubricant Substances 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 description 15
- 238000004458 analytical method Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 238000005260 corrosion Methods 0.000 description 9
- 230000007797 corrosion Effects 0.000 description 9
- 239000011159 matrix material Substances 0.000 description 8
- 238000005096 rolling process Methods 0.000 description 8
- 238000007781 pre-processing Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 5
- 238000003860 storage Methods 0.000 description 5
- 238000007635 classification algorithm Methods 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 239000013307 optical fiber Substances 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 230000001186 cumulative effect Effects 0.000 description 3
- 239000000835 fiber Substances 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004901 spalling Methods 0.000 description 3
- 238000005336 cracking Methods 0.000 description 2
- 239000004519 grease Substances 0.000 description 2
- 238000007373 indentation Methods 0.000 description 2
- 238000005461 lubrication Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 239000000853 adhesive Substances 0.000 description 1
- 230000001070 adhesive effect Effects 0.000 description 1
- 239000006227 byproduct Substances 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 229910044991 metal oxide Inorganic materials 0.000 description 1
- 150000004706 metal oxides Chemical class 0.000 description 1
- 238000001579 optical reflectometry Methods 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 230000035484 reaction time Effects 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000011896 sensitive detection Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 230000007847 structural defect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
一种用于监测机器或其部件内的潜在故障的系统,该系统包括:至少一个光学传感器,其被配置成固定在机器或其部件之上或附近;至少一个处理器,其与传感器通信,该处理器能够执行以:从至少一个光学传感器接收信号;获得与机器或其部件的至少一种故障模式的特性相关联的数据;识别所接收信号的至少一种变化;对于所识别的接收信号变化,将所识别的至少一种变化应用于算法,该算法被配置成分析所识别的接收信号变化并且对所识别的接收信号变化是否与机器或其部件的故障模式相关联进行分类,从而至少部分地基于所获得的数据,将所识别变化标记为故障;以及对于被分类为与故障模式相关联的所识别变化,输出指示所识别变化与该故障模式相关联的信号。
Description
技术领域
本公开整体涉及基于条件和预测的维护。
背景技术
机器维护可包括任何维持机械资产运行而使机器和/或部件停机时间最短的工作。机器维护可包括定期安排的检修、例行的检查,以及所安排的和紧急的修理两者。维护也可包括磨损、损坏或错位部件的更换或重新对准。机器维护可以在故障前或故障发生后进行。在任何使用机械资产的工厂或场所,机器维护都极其重要。它帮助组织完成生产计划,使昂贵的停机时间最短,并且降低工作场所事故和伤害的风险。
如今,基于统计和/或历史数据,基于一定使用程度(例如,里程或发动机小时数),或当机器、零件或部件故障时(故障维护),在设定时间段内自动进行工业维护(定期维护)。这种类型的维护通常没用且低效。因此,在本领域中需要更有效的维护策略。
发明内容
根据一些实施方案,提供了一种用于监测机器或其部件内的潜在故障的系统。根据一些实施方案,系统可包括:至少一个光学传感器,其被配置成固定在机器或其部件之上或附近;和至少一个处理器,其与传感器通信。根据一些实施方案,处理器可执行:从至少一个光学传感器接收信号;获得与机器或其部件的至少一种故障模式的特性相关联的数据;识别接收信号的至少一种变化;对于所识别的接收信号变化,将所识别的至少一种变化应用于算法,该算法被配置成分析所识别的接收信号变化并且对所识别的接收信号变化是否与机器或其部件的故障模式相关联进行分类,从而至少部分地基于所获得的数据,将所识别变化标记为故障;并且对于所识别变化被分类为与故障模式相关联,输出指示所识别变化与该故障模式相关联的信号。
根据一些实施方案,对于所识别的故障,处理器可生成所识别的故障中的趋势的至少一个模型,其中该趋势可包括故障的变化速率。
根据一些实施方案,该系统可被配置用于,通过使用一个或多个算法,对机器或其部件进行智能维护,该一个或多个算法被配置成检测变化,识别故障,并且确定该故障是否可能发展成机器和/或部件的故障。
有利地,通过将一个或多个光学传感器定位在以其他方式可能无法进行视觉监测的部件和/或机器附近,系统可实现对需要花费很大人力进行检查/维护的不可接近区域的可视化。
有利地,系统可降低故障产品(机器或机器部件)的成本,以及/或者降低在更换故障部件期间可能使机器处于禁用状态的处理时间的成本。此外,系统可以使不必要的维护成本以及不必要的零件更换成本最短,这可以在由于机器定期协议维护而定期更换机器或其部件时自动完成。
有利地,系统可实现趋势识别和计算,从而分析机器或其部件内的故障发展趋势,并且因此甚至在机器正常运转或运行发生变化之前,实现故障预测。根据一些实施方案,提供了一种用于监测机器或其部件内的潜在故障的系统,该系统包括:至少一个光学传感器,其被配置成固定在机器或其部件之上或附近;至少一个处理器,其与传感器通信,该处理器是可执行的以:从至少一个光学传感器接收信号,获得与机器或其部件的至少一种故障模式的特性相关联的数据,识别接收信号的至少一种变化,对于所识别的接收信号变化,将所识别的至少一种变化应用于算法,该算法被配置成分析所识别的接收信号变化并且对所识别的接收信号变化是否与机器或其部件的故障模式相关联进行分类,从而至少部分地基于所获得的数据,将所识别变化标记为故障,并且对于所识别变化被分类为与故障模式相关联,输出指示所识别变化与该故障模式相关联的信号。
根据一些实施方案,提供了一种用于监测机器或其部件的计算机实现方法,该方法包括:从固定在机器或其部件之上或附近的至少一个光学传感器接收信号;获得与机器或其部件的至少一种故障模式的特性相关联的数据;识别接收信号的至少一种变化;对于所识别的接收信号变化,将所识别的至少一种变化应用于算法,该算法被配置成分析所识别的接收信号变化,并且至少部分地基于所获得的数据,对所识别的接收信号变化是否与机器或其部件的故障模式相关联进行分类;并且对于所识别变化被分类为与故障模式相关联,输出指示所识别变化与该故障模式相关联的信号。
根据一些实施方案,对于所识别的故障,该方法和/或系统包括生成所识别的故障中的趋势的至少一个模型。
根据一些实施方案,趋势包括故障的变化速率。
根据一些实施方案,生成所识别的故障中的趋势的至少一个模型包括计算故障的变化速率与一个或多个环境参数的相关性。
根据一些实施方案,对于所识别的故障,该方法和/或系统包括:至少部分地基于所生成的模型,提醒用户所预测的故障。
根据一些实施方案,提醒用户所预测的故障包括以下一项或多项:所预测的故障的时间(或时间范围)、机器使用时间和故障模式特性或它们的任何组合。
根据一些实施方案,识别信号的至少一种变化包括识别信号变化速率的变化。
根据一些实施方案,一个或多个环境参数包括以下至少一项:温度、季节或一年中的时间、压力、一天中的时间、机器或其部件的运行小时数、机器或其部件的运行持续时间、机器的识别用户、GPS位置、机器或其部件的运行模式或它们的任何组合。
根据一些实施方案,对于所识别的故障,该方法和/或系统包括:至少部分地基于所生成的模型,输出所识别的故障何时可能导致机器或其部件中的故障的预测。
根据一些实施方案,预测机器或其部件内何时可能发生故障至少部分地基于已知的未来环境参数。
根据一些实施方案,故障模式包括以下至少一项:尺度变化、方位变化、颜色变化、质地变化、尺寸变化、外观变化、断裂、结构损坏、裂纹、裂纹尺寸、临界裂纹尺寸、裂纹位置、裂纹蔓延、对机器或其部件所施加的特定压力、一个部件相对于另一部件的移动变化、泄漏量、泄漏速率、泄漏速率变化、积液量、成形气泡的积液尺寸量的变化、液滴、水坑、射流或它们的任何组合。
根据一些实施方案,对于所识别的故障,该方法和/或系统包括:如果所识别变化未被分类为与故障模式相关联,则存储和/或使用与所识别变化相关联的数据以供进一步调查,其中进一步调查包括以下至少一项:添加故障模式,更新被配置成识别该变化的算法,以及训练该算法以在将来忽略所识别变化,从而改进被配置成识别该变化的算法。
根据一些实施方案,获得与机器或其部件的至少一种故障模式的特性相关联的数据包括:与故障模式在机器或其部件上的位置和/或特定类型的故障模式相关联的数据。
根据一些实施方案,获得与机器或其部件的至少一种故障模式的特性相关联的数据包括从用户接收输入数据。
根据一些实施方案,对于所识别的故障,该方法和/或系统包括分析所接收信号,并且其中获得与机器或其部件的至少一种故障模式的特性相关联的数据包括:至少部分地基于从至少一个光学传感器所接收的信号,自动检索数据库中的数据。
根据一些实施方案,获得与机器或其部件的至少一种故障模式的特性相关联的数据包括:通过将所接收信号应用于机器学习算法,识别先前未知的故障模式,该机器学习算法被配置成确定机器或其部件的故障模式。
根据一些实施方案,识别信号的至少一种变化包括分析所接收信号的原始数据。
根据一些实施方案,至少一种信号包括至少一张图像、一部分图像、一组图像或视频。
根据一些实施方案,识别信号的至少一种变化包括分析机器或其部件的动态移动,其中动态移动包括以下任何一项或多项:线性移动、旋转移动、周期性(重复)移动、损坏、缺陷、裂纹尺寸/长度、裂纹生长率、裂纹蔓延、断裂、结构损坏、缺陷直径、切口、翘曲、膨胀、变形、磨蚀、磨损、腐蚀、氧化、火花、烟雾、流体流速、液滴尺寸、流体体积、液体积聚速率、质地变化、颜色/色调变化、成形气泡的尺寸、液滴、水坑形成、水坑蔓延、尺度变化、方位变化、颜色变化、质地变化、尺度变化、外观变化或它们的任何组合。
根据一些实施方案,对于所识别的故障,该方法和/或系统包括识别所接收信号内待监测的至少一段,并且其中信号的至少一种变化是该至少一段内的变化。根据一些实施方案,可自动识别该至少一段。根据一些实施方案,可由用户手动识别该至少一段。
根据一些实施方案,对于所识别的故障,该方法和/或系统包括:检测该至少一段,并且检测接收信号中的该至少一段的形状、该至少一段的尺寸、该至少一段的发生率或它们的任何组合的变化。
根据一些实施方案,该至少一段包括表面缺陷的边界。
根据一些实施方案,该至少一段包括以下至少一项的边界:水坑的外周、液滴的外周、饱和区域(或材料)的外周或它们的任何组合。
根据一些实施方案,该至少一段包括火花的边界。
根据一些实施方案,该至少一段包括机器或其部件的特定元件的边界,并且还包括将该至少一段的几何形状识别为机器或其部件的特定元件。
根据一些实施方案,特定元件包括以下任何一项或多项:螺钉、连接器、螺栓、一个或多个车辆部件、一个或多个燃料箱、油箱、马达、齿轮箱、涡轮部件、缆线、皮带、导线、紧固件、汽缸、叶片、螺母、一个或多个柔性、半刚性或刚性管道/管子以及它们的任何组合。每个选项均是单独的实施方案。
根据一些实施方案,特定元件包括制动垫块。
根据一些实施方案,识别几何形状包括分析以下任何一项或多项:总强度、差异性强度、斑点检测(spackledetection)、线段检测、线段配准、边缘段曲率估计、单应性估计、特定对象识别、对象检测、语义分割、背景模型、变化检测、对光流的检测、或反射检测、火焰检测或它们的任何组合。
根据一些实施方案,对于所识别的故障,该方法和/或系统包括输出与用于放置光学传感器的最佳位置相关联的数据,由该数据可检测出潜在的故障模式。
根据一些实施方案,对于所识别的故障,该方法和/或系统包括至少一个光源,该至少一个光源被配置成照亮机器或其部件,并且其中对所识别的信号变化是否与机器或其部件的故障模式相关联进行分类是至少部分地基于以下任何一项或多项:至少一个光源的放置方式、照亮持续时间、波长、强度、照亮方向和照亮频率。
根据一些实施方案,该系统被配置成监测螺钉的故障模式,并且还包括:识别所接收信号内包括螺钉可见部分外周边界的至少一段,使得识别接收信号的至少一种变化包括识别该至少一段的形状变化或变化速率,其中故障模式包括螺钉松动和/或螺钉旋转,并且其中生成所识别变化中的趋势的至少一个模型包括对该段的尺寸和/或取向趋势进行建模,从而监测螺钉是否松动和/或旋转。
根据一些实施方案,该系统被配置成监测轴承的故障模式,并且还包括:识别所接收信号内的包括表面缺陷外周边界的至少一段,使得识别接收信号的至少一种变化包括识别该至少一段的形状和/或蔓延情况的变化或变化速率,并且其中故障模式包括临界缺陷尺寸,并且其中生成所识别变化中的趋势的至少一个模型包括对轴承的特定运行模式下的表面缺陷的发展趋势进行建模。
根据一些实施方案,可自动识别该至少一段。根据一些实施方案,可由用户手动识别该至少一段。
根据一些实施方案,轴承的特定运行模式包括以下任何一项或多项:对轴承施加的压力、轴承运行频率或旋转、旋转速度、运行持续时间、润滑剂存在或它们的任何组合。
本公开的某些实施方案可包括一些、所有或零项上述优点。根据本文所包括的附图、描述和权利要求,一个或多个其他技术优点对于本领域技术人员而言可以是显而易见的。此外,虽然上文已列举了特定优点,但各种实施方案可包括所列举优点中的所有、一些、或零项优点。
除非另有定义,否则本文使用的所有技术和科学术语具有与本公开所属领域的普通技术人员通常理解相同的含义。在冲突的情况下,以包括定义的专利说明书为准。如本文所用,不定冠词“一个(a)和(an)”意指“至少一个”或“一个或多个”,除非上下文另有明确说明。
附图说明
本文参考所附的附图描述了本公开的一些实施方案。该描述与附图一起使本领域普通技术人员明白可以如何实践一些实施方案。附图是出于说明性描述的目的,并且没有试图比基本理解本公开所必要的更详细地示出实施方案的结构细节。为了清楚起见,附图所绘的一些对象未按比例进行绘制。此外,相同附图中的两个不同对象可按不同比例进行绘制。特别地,与相同附图中的其他对象相比,可将一些对象的比例极大地放大。
在框图和流程图中,可以将可选元件/部件和可选阶段包括在虚线框内。
在附图中:
图1示出了根据本发明的一些实施方案的用于监测机器或其部件内的潜在故障的系统的示意图;
图2示出了根据本发明的一些实施方案的用于监测机器或其部件内的潜在故障的计算机实现方法中的功能步骤的流程图;
图3示出了根据本发明的一些实施方案的用于监测机器或其部件内的潜在故障的方法的示意性框图;
图4示出了根据本发明的一些实施方案的由用于监测机器或其部件内的潜在故障的系统进行监测的示例性机器;
图5示出了根据本发明的一些实施方案的用于监测机器或其部件内的潜在故障的系统的示例性示意框图;
图6示出了根据本发明的一些实施方案的用于监测与云存储模块通信的机器或其部件内的潜在故障的系统的示例性示意框图;
图7示出了根据本发明的一些实施方案的用于监测轴承的系统的示意性透视图;
图8示出了根据本发明的一些实施方案的用于监测定位在轴承附近的轴承的系统的横截面示意图;
图9A和图9B示出了根据本发明的一些实施方案的包括所检测的缺陷的轴承的示例性图像;
图10A和图10B示出了根据本发明的一些实施方案的包括所检测的缺陷的轴承的示例性图像;
图11A和图11B示出了根据本发明的一些实施方案的包括所检测的缺陷的轴承的示例性图像;
图12A和图12B示出了根据本发明的一些实施方案的使用用于监测机器或其部件内的潜在故障的系统来检测泄漏之前和之后的示例性图像;
图13示出了根据本发明的一些实施方案的使用用于监测机器或其部件内的潜在故障的系统所监测的制动垫块的示例性图像;并且
图14示出了根据本发明的一些实施方案的使用用于监测机器或其部件内的潜在故障的系统所监测的曲柄轴的示例性图像。
具体实施方式
参考所附的描述和附图,可以更好地理解本文的教导内容的原理、用途和实现方式。在仔细阅读了本文提出的描述和附图后,本领域技术人员将能够实现本文的教导内容而无需进行额外努力或实验。在附图中,相同的附图标记始终表示相同的零件。
在下面的描述中,将描述本发明的各个方面。出于解释的目的,阐述了具体细节以便提供对本发明的透彻理解。然而,对于本领域技术人员也将显而易见的是,可以在没有本文所提出的具体细节的情况下实践本发明。此外,为了使本发明易于理解,可省略或简化公知的特征。
根据一些实施方案,提供了一种用于监测机器或其部件内的潜在故障的系统。根据一些实施方案,该系统可被配置成从定位在机器或其部件之上或附近的至少一个光学传感器接收信号,并且从其接收信号。根据一些实施方案,该系统可被配置成识别接收信号的至少一种变化。根据一些实施方案,对于所识别的接收信号变化,该系统可被配置成将所识别的至少一种变化应用于算法,该算法被配置成分析所识别的接收信号变化并且对所识别的接收信号变化是否与机器或其部件的故障模式相关联进行分类,从而至少部分地基于所获得的与机器和/或其部件的故障模式相关联的数据,将所识别变化标记为故障。根据一些实施方案,对于被分类为与故障模式相关联的所识别变化,系统可输出指示所识别变化与该故障模式相关联的信号。
根据一些实施方案,该系统可被配置成生成所识别的故障中的趋势的至少一个模型,其中该趋势可包括故障的变化速率。
有利地,用于监测机器或其部件内的潜在故障的系统可用于监测诸如火车之类的车辆、诸如直升机和飞机之类的航空机、诸如轴承和/或螺钉之类的机械元件、风力涡轮机、和管子或管道。
根据一些实施方案,该系统可被配置成,通过实时识别故障并且实时监测故障的变化,预防机器和/或其部件的故障。
参照图1,该图示出了根据本发明的一些实施方案的用于监测机器或其部件内的潜在故障的系统的示意图。
根据一些实施方案,用于监测机器或其部件内的潜在故障的系统100可被配置成监测机器、机器的机构、机器的部件、机器的两个或多个部件、机器的独立部件、机器的互连部件或它们的任何组合。
根据一些实施方案,系统100可包括一个或多个光学传感器112,这些光学传感器被配置成固定在机器或其部件之上或附近。根据一些实施方案,系统100可被配置成实时监测机器和/或其部件。根据一些实施方案,系统100可包括至少一个与一个或多个光学传感器112通信的处理器102。根据一些实施方案,处理器102可被配置成从一个或多个光学传感器112接收信号(或数据)。根据一些实施方案,处理器102可包括嵌入式处理器、云计算系统或它们的任何组合。根据一些实施方案,处理器102可被配置成处理从一个或多个光学传感器112接收的信号(或数据)(本文也称为接收信号或接收数据)。根据一些实施方案,处理器102可包括图像处理模块106,其被配置成处理从一个或多个光学传感器112接收的信号。
根据一些实施方案,一个或多个光学传感器112可被配置成检测从机器和/或其部件的表面所反射的光。这可能是有利的,因为具有不同质地的表面具有不同的光反射率。例如,与将比未抛光表面反射更多光的抛光表面相比,无光泽表面可具有较低反射性并且可以在所有方向上同等地散射(漫射)光,因为它具有平坦表面并且反射彼此平行的大部分光线。光滑且有光泽的抛光表面可以吸收非常少量的光并且可以反射更多的光,从而从抛光表面所反射的光而检测到的图像可以比从未抛光表面所反射的光而检测到的图像更清晰。因此,具有断裂、裂纹或任何其他表面缺陷的表面质地可以不同于围绕它的未损坏表面(或换言之,原始基线表面),因此来自这些表面的不同光反射实现了对小缺陷的检测。此外,通过改变光的波长、强度和/或方向,可加强这种现象。根据一些实施方案,并且如本文别处更详细所述,该系统可包括一个或多个光源,该一个或多个光源被配置成照亮机器和/或其部件。
根据一些实施方案,改变光的方向可包括移动光源。根据一些实施方案,改变光的方向可包括使两个或多个光源的方位维持固定,同时在不同时间给光源供电(或运行光源),从而改变照亮机器和/或其部件的光的方向。根据一些实施方案,并且如本文别处更详细所述,该系统可包括一个或多个光源,这些光源被定位成使得其运行照亮了机器和/或其部件。根据一些实施方案,该系统可包括多个光源,其中每个光源定位在相对于机器和/或其部件的不同位置处。
根据一些实施方案,一个或多个光源的波长、强度和/或方向可以由处理器控制。根据一些实施方案,改变一个或多个光源的波长、强度和/或方向从而实现了对机器和/或其部件的表面上的表面缺陷的检测。根据一些实施方案,通过分析反射光,一个或多个光学传感器112可实现对肉眼不可见的微观凹痕和/或缺陷的检测,诸如例如十分之二至十分之三毫米。
根据一些实施方案,一个或多个光学传感器112可包括相机。根据一些实施方案,一个或多个光学传感器112可包括光电传感器。根据一些实施方案,一个或多个光学传感器112可包括以下任何一项或多项:电荷耦合器件(CCD)和互补型金属氧化物半导体(CMOS)传感器(或有源像素传感器)或它们的任何组合。根据一些实施方案,一个或多个光学传感器112可包括以下任何一项或多项:点式传感器、分布式传感器、外部传感器、内部传感器、直通波束传感器、漫反射传感器、向后反射传感器或它们的任何组合。
根据一些实施方案,一个或多个光学传感器可包括一个或多个透镜和/或光纤传感器。根据一些实施方案,一个或多个光学传感器可包括软件校正矩阵,该软件校正矩阵被配置成由所获得的数据来生成图像。根据一些实施方案,一个或多个光学传感器可包括聚焦传感器,该聚焦传感器被配置成使光学传感器能够检测所获得的数据的变化。根据一些实施方案,聚焦传感器可被配置成使光学传感器能够检测所获得信号的一个或多个像素的变化。
根据一些实施方案,系统100可包括一个或多个与处理器102通信的用户界面模块114。根据一些实施方案,用户界面模块114可被配置用于从用户接收数据,其中该数据与以下任何一项或多项相关联:机器或其部件、机器类型、机器运行于其中的系统的类型、机器的运行模式、机器的用户、一个或多个环境参数、机器的一种或多种故障模式或它们的任何组合。根据一些实施方案,用户界面模块114可包括以下任何一项或多项:键盘、显示器、触摸屏、鼠标、一个或多个按钮或它们的任何组合。根据一些实施方案,用户界面114可包括可由用户自动和/或手动生成的配置文件。根据一些实施方案,配置文件可被配置成标识至少一段。根据一些实施方案,配置文件可被配置成使用户能够标注和/或选择至少一段。
根据一些实施方案,系统100可包括存储模块104,其被配置成存储供处理器102执行的数据和/或指令(或代码)。根据一些实施方案,存储模块104可以与处理器102通信(或可操作地通信)。根据一些实施方案,存储模块104可包括数据库108,该数据库被配置成存储与以下任何一项或多项相关联的数据:系统100、机器或其部件、用户输入数据、一个或多个训练集(或用于训练一个或多个算法的数据集)或它们的任何组合。根据一些实施方案,存储模块104可包括存储在其上并被配置成由处理器102执行的一个或多个算法110(或至少一个计算机代码)。根据一些实施方案,一个或多个算法110可被配置成对所接收信号进行分析和/或分类,如本文别处更详细所述。根据一些实施方案,并且如本文别处更详细所述,一个或多个算法110可包括一项或多项用于对所接收信号进行预处理的预处理技术。根据一些实施方案,一个或多个算法110可包括一个或多个机器学习模型。
根据一些实施方案,一个或多个算法110可包括被配置成识别接收信号的变化的变化检测算法。根据一些实施方案,一个或多个算法110和/或变化检测算法可被配置成:从一个或多个光学传感器112接收信号;获得与机器或其部件的至少一种故障模式的特性相关联的数据;以及/或者识别接收信号的至少一种变化。
根据一些实施方案,一个或多个算法110可包括被配置成对所识别变化进行分类的分类算法。根据一些实施方案,分类算法可被配置成将所识别变化分类为故障。根据一些实施方案,分类算法可被配置成将所识别变化分类为机器或其部件的正常性能(或运动)。
根据一些实施方案,一个或多个算法110可以被配置成分析故障(或被分类为故障的所识别变化)。根据一些实施方案,一个或多个算法110可以被配置成输出指示所识别变化与故障模式相关联的信号(或警报)。
根据一些实施方案,一个或多个算法110可被配置成,经由处理器102,执行用于监测机器或其部件内的潜在故障的方法,诸如图2所绘的方法。
参照图2,其示出了根据本发明的一些实施方案的用于监测机器或其部件内的潜在故障的计算机实现方法中的功能步骤的流程图,并且参照图3,其示出了根据本发明的一些实施方案的用于监测机器或其部件内的潜在故障的方法的示意性框图。根据一些实施方案,图2的方法200可包括图3的框图300的一个或多个步骤。
根据一些实施方案,在步骤202,该方法可包括识别接收信号的至少一种变化。根据一些实施方案,在步骤204,该方法可包括识别接收信号的至少一种变化。根据一些实施方案,在步骤206,该方法可包括分析所识别的接收信号变化并且对所识别的接收信号变化是否与机器或其部件的故障模式相关联进行分类,从而将所识别变化标记为故障。根据一些实施方案,在步骤208,该方法可包括输出指示所识别变化与故障模式相关联的信号。根据一些实施方案,在步骤210,该方法可包括生成所识别的故障中的趋势的至少一个模型。根据一些实施方案,在步骤212,该方法可包括:至少部分地基于所生成的模型,提醒用户所预测的故障。
根据一些实施方案,诸如图3所绘,该方法可包括信号获取302,或者换言之,接收一种或多种信号。根据一些实施方案,该方法可包括从固定在机器或其部件之上或附近的至少一个光学传感器接收一种或多种信号,例如,系统100的一个或多个传感器112。根据一些实施方案,一种或多种信号可包括一张或多张图像。根据一些实施方案,一种或多种信号可包括图像的一个或多个部分。根据一些实施方案,一种或多种信号可包括一组图像,诸如图像包。根据一些实施方案,一种或多种信号可包括一个或多个视频。
根据一些实施方案,该方法可包括对一种或多种信号进行预处理(304)。根据一些实施方案,预处理可包括将一种或多种信号转换成电信号(例如,从光信号转换成电信号)。根据一些实施方案,预处理可包括由一种或多种信号生成一张或多张图像、一组或多组图像和/或一个或多个视频。根据一些实施方案,预处理可包括将一张或多张图像、一张或多张图像的一个或多个部分、一组或多组图像、和/或一个或多个视频划分成多个图块。根据一些实施方案,预处理可包括将一个或多个滤波器应用于一张或多张图像、一张或多张图像的一个或多个部分、一组或多组图像、一个或多个视频和/或多个图块。根据一些实施方案,一个或多个滤波器可包括一个或多个降噪滤波器。
根据一些实施方案,该方法可包括整合(或缝合)从两个或多个光学传感器获得的多个信号。根据一些实施方案,该方法可包括实时缝合多种信号。
根据一些实施方案,该方法可包括识别以下任何一项或多项内的至少一段:所接收信号、一张或多张图像、一张或多张图像的一个或多个部分、一组或多组图像、和/或一个或多个视频。根据一些实施方案,该方法可包括监测(所识别的)至少一段。根据一些实施方案,信号的至少一种变化是至少一段内的变化。根据一些实施方案,一张或多张图像、一张或多张图像的一个或多个部分、一组或多组图像、和/或一个或多个视频的至少一种变化是至少一段内的变化。
根据一些实施方案,用户可将待监测的一段标注到图像和/或图像的一部分和/或视频的至少一部分上。根据一些实施方案,用户可输入待监测的位置。根据一些实施方案,算法可被配置成识别用户所输入的位置内的至少一段。
根据一些实施方案,该方法可包括将一种或多种信号、一张或多张图像、一张或多张图像的一个或多个部分、一组或多组图像、和/或一个或多个视频应用于变化检测算法308(诸如例如,系统100的一个或多个算法110),该变化检测算法被配置成检测其中的变化。根据一些实施方案,变化检测算法可包括一个或多个机器学习模型322。
根据一些实施方案,该方法可包括:检测接收信号中的该至少一段的形状、该至少一段的尺寸、该至少一段的发生率或它们的任何组合是否存在变化。根据一些实施方案,该方法可包括检测该至少一段的形状、尺寸和/或发生率在整个时间内是否存在变化。根据一些实施方案,该方法可包括检测该至少一段的形状、尺寸和/或发生率在整个指定时段(诸如例如,一秒、几秒、一分钟、一小时、一天、一周、几周、或其间的任何范围)内是否存在变化。
根据一些实施方案,该至少一段可包括需要进行监测的潜在故障,诸如例如表面缺陷或可能松动的螺钉。根据一些实施方案,该至少一段可包括机器或其部件的副产品的轮廓,诸如例如可能泄漏的流体或点燃火的火花。根据一些实施方案,该至少一段可包括表面缺陷的边界。根据一些实施方案,该至少一段可包括以下至少一项的边界:水坑的外周、液滴的外周、饱和区域(或材料)的外周或它们的任何组合。根据一些实施方案,该至少一段可包括火花的边界。
根据一些实施方案,该至少一段可包括机器或其部件的特定元件的边界。根据一些实施方案,该方法可包括将至少一段的几何形状识别为机器或其部件的特定元件。根据一些实施方案,特定元件包括以下任何一项或多项:螺钉、连接器、螺栓、制动垫块、一个或多个车辆部件、一个或多个燃料箱、油箱、马达、齿轮箱、涡轮部件、缆线、皮带、导线、紧固件、汽缸、叶片、螺母、一个或多个柔性、半刚性或刚性管道/管子以及它们的任何组合。根据一些实施方案,该方法(或识别几何形状)可包括分析以下任何一项或多项:总强度、差异性强度、斑点检测、线段检测、线段配准、边缘段曲率估计、单应性估计、特定对象识别、对象检测、语义分割、背景模型、变化检测、对光流的检测、或反射检测、火焰检测或它们的任何组合。
根据一些实施方案,该方法可包括获得与机器或其部件的至少一种故障模式或故障模式识别306的特性相关联的数据。根据一些实施方案,与机器或其部件的至少一种故障模式的特性相关联的数据可包括故障模式类型。根据一些实施方案,与机器或其部件的至少一种故障模式的特性相关联的数据可包括故障模式在机器或其部件上的位置或位置范围以及/或者特定类型的故障模式。
根据一些实施方案,故障模式可包括可能在机器或其部件内发生故障的一个或多个方面。根据一些实施方案,并且如本文更详细所述,故障模式可包括所识别故障的关键发展项。根据一些实施方案,故障模式可包括以下任何一项或多项:尺度变化、方位变化、颜色变化、质地变化、尺寸变化、外观变化、断裂、结构损坏、裂纹、裂纹尺寸、临界裂纹尺寸、裂纹位置、裂纹蔓延、对机器或其部件所施加的指定压力、一个部件相对于另一部件的移动变化、缺陷直径、切口、翘曲、膨胀、变形、磨蚀、磨损、腐蚀、氧化、火花、烟雾、泄漏量、泄漏速率、泄漏速率变化、积液量、成形气泡的积液量大小变化、液滴、水坑、水坑形成、水坑蔓延、射流、流体流动速率、液滴尺寸、流体体积、液体积聚速率、颜色/色调变化、尺度变化、方位变化、颜色变化、尺寸变化、外观变化或它们的任何组合。
根据一些实施方案,该方法可包括,通过接收用户输入,获得与机器或其部件的至少一种故障模式的特性相关联的数据。根据一些实施方案,该方法可包括,通过分析所接收信号并且检测与故障模式相关联的至少一段,获得与机器或其部件的至少一种故障模式的特性相关联的数据。根据一些实施方案,该方法可包括,通过分析所接收信号并且检测潜在故障模式,获得与机器或其部件的至少一种故障模式的特性相关联的数据。根据一些实施方案,该方法可包括,通过分析所接收信号并且检测先前未知的一种或多种故障模式,获得与机器或其部件的至少一种故障模式的特性相关联的数据。
根据一些实施方案,获得与机器或其部件的至少一种故障模式的特性相关联的数据包括从用户接收输入数据。根据一些实施方案,用户可使用用户界面模块114来输入与机器或其部件的故障模式相关联的数据。根据一些实施方案,该方法可包括:至少部分地基于从用户接收到的输入数据,监测机器和/或其部件。根据一些实施方案,用户可以输入机器和/或机器部件的故障模式类型。根据一些实施方案,用户可以输入与所识别的特定段相关联的故障模式类型。根据一些实施方案,用户可以输入故障模式的位置。根据一些实施方案,用户可将至少一段中的一项或多项识别为处于可能出故障和/或形成故障的位置中。
根据一些实施方案,该方法可包括自动获得与机器或其部件的至少一种故障模式的特性相关联的数据。根据一些实施方案,该方法可包括:在没有用户输入的情况下,获得与机器或其部件的至少一种故障模式的特性相关联的数据。根据一些实施方案,该方法可包括分析所接收信号并且自动检索数据库中的数据,诸如例如数据库108。根据一些实施方案,一个或多个算法110可被配置成识别数据库内的一种或多种故障模式,该故障模式可与机器和/或其部件的接收信号的所识别的段相关联。根据一些实施方案,该方法可包括在数据库中搜索所识别的段的可能故障模式。根据一些实施方案,该方法可包括检索数据库中的数据,其中该数据与所识别的段的可能故障模式相关联。
根据一些实施方案,该方法可包括,通过识别先前未知的故障模式,获得与机器或其部件的至少一种故障模式的特性相关联的数据。根据一些实施方案,识别先前未知的故障模式可包括将所接收信号和/或所识别的段应用于机器学习算法324,该机器学习算法被配置成确定机器或其部件的故障模式。根据一些实施方案,机器学习算法324可被训练成识别所识别的段的潜在故障模式。
根据一些实施方案,在步骤204,该方法可包括识别所接收信号和/或至少一个所识别的段的至少一种变化。根据一些实施方案,该方法可包括将所接收信号和/或至少一个识别出的段应用于变化检测算法,诸如例如变化检测算法308,该变化检测算法被配置成检测(或识别)所接收信号和/或至少一个识别出的段的至少一种变化。
根据一些实施方案,识别信号的至少一种变化包括识别信号变化速率的变化。例如,该算法可被配置成识别所分析的信号内周期性地发生的变化,然后所分析的信号可“返回”到先前状态(例如,在所分析的信号变化之前的状态)。根据一些实施方案,该算法可被配置成识别所识别变化的发生率的变化。
有利地,为了监测可能旋转的机器,诸如例如轴承,从定位在轴承附近的光学传感器所接收的分析信号可能与轴承内的球的旋转发生相关性的且周期性的变化。因此,并且如本文别处更详细所述,为了检测轴承内的变化,算法可首先检测轴承上缺陷的周期性出现,同时考虑当阻挡了光学传感器时,轴承内的球的旋转可能会掩盖该缺陷。
根据一些实施方案,如本文所用的术语“所分析的信号”可描述所接收信号中的任何一个或多个信号,诸如来自一个或多个光学传感器的原始信号、来自一个或多个光学传感器的所处理或所预处理的信号、一张或多张图像、一个或多个图像包、一张或多张图像的一个或多个部分、一个或多个视频、一个或多个视频的一个或多个部分、所识别的至少一段、所识别一段的至少一部分或它们的任何组合。根据一些实施方案,识别所分析的信号的至少一种变化可包括分析所接收信号的原始数据。
根据一些实施方案,变化检测算法308可包括以下任何一项或多项:二元变化检测、定量变化检测和定性变化检测。
根据一些实施方案,二元变化检测可包括一种被配置成将所分析的信号分类为具有变化或不具有变化的算法。根据一些实施方案,二元变化检测可包括一种被配置成比较所分校的两个或多个信号的算法。根据一些实施方案,对于表明所比较的分析信号相同或基本上相同的比较结果,分类器将这些分析信号标记为不具有所检测(或所识别)的变化。根据一些实施方案,对于表明所比较的分析信号为不同信号的比较结果,分类器将这些分析信号标记为具有所检测(或所识别)的变化。根据一些实施方案,不同的两个或多个分析信号可具有至少一个不同的像素。根据一些实施方案,相同的两个或多个分析信号可具有完全相同的特性和/或像素。根据一些实施方案,算法可被配置成设定不同像素的阈值数,可将高于该阈值数的两个分析信号视为不同信号。
有利地,变化检测算法308实现了对所分析的信令的变化的快速检测,并且可以对其中最轻微的变化非常敏感。甚至更是如此,二元变化检测的检测和警告可以在单个信号内发生,例如在几毫秒内发生,这取决于光学传感器的信号输出速率,或者对于包括相机的光学传感器,在单个图像帧内发生,例如在几毫秒内发生,这取决于相机的帧速率。
根据一些实施方案,二元变化检测算法可例如分析所分析的信号并且确定非黑色像素是否随时间变为黑色,从而指示了可能由于变形或由于机器其他部件的方位变化,机器或其部件的方位的可能变化。根据一些实施方案,如果二元变化检测算法检测到信号的变化,则可生成警告信号(或警报),以便提醒设备或技术人员可能需要维护。
根据一些实施方案,二元变化检测算法可被配置成使用一个或多个机器学习模型来确定所识别变化的原因。根据一些实施方案,该方法可包括,通过将所识别变化应用于机器学习算法,确定所识别变化的原因。例如,对于可随时间(或贯穿所连续分析的信号)变为除黑色以外的颜色的黑色像素,机器学习算法可输出:该变化指示了例如由于过热,机器或其部件的材料的变化。根据一些实施方案,该方法可包括生成信号,诸如信息性信号或警告信号(如果必要)。根据一些实施方案,警告信号可以是一次性信号或连续信号,例如,其可能需要某种形式的操作以便重置警告信号。
根据一些实施方案,该方法可包括,通过分析机器或其部件的动态移动,识别信号的至少一种变化。根据一些实施方案,动态移动可包括以下任何一项或多项:线性移动、旋转移动、周期性(重复)移动、损坏、缺陷、裂纹尺寸/长度、裂纹生长速率、裂纹蔓延、断裂、结构损坏、缺陷直径、切口、翘曲、膨胀、变形、磨蚀、磨损、腐蚀、氧化、火花、烟雾、流体流速、液滴尺寸、流体体积、液体积聚速率、质地变化、颜色/色调变化、成形气泡的尺寸、液滴、水坑形成、水坑蔓延、尺度变化、方位变化、颜色变化、质地变化、尺寸变化、外观变化或它们的任何组合。例如,对于轴承,球在轴承内的旋转可引起周期性变化的信号。
根据一些实施方案,变化检测可包括定量变化检测。根据一些实施方案,定量变化检测可包括一种算法,该算法被配置成确定所分析的信号是否已经发生高于特定阈值的变化幅度。根据一些实施方案,高于特定阈值的变化幅度可包括与时间无关的幅度和/或幅度变化速率的累积变化。例如,反映了幅度变化的值可表示已经发生改变的像素的数量、已经发生改变的像素的百分比、视场内的一个或多个像素(或所分析的信号)的数值的总差、或它们的组合等。根据一些实施方案,定量变化检测算法可输出与所分析的信号的变化相关联的定量数据。
根据一些实施方案,变化检测可包括定性变化检测算法。根据一些实施方案,定性变化检测算法可包括一种被配置成将所分析的信号分类为描绘了机器和/或其部件中的变化的算法。根据一些实施方案,定性变化检测算法可包括机器学习模型,该机器学习模型被配置成接收所分析的信号并且将所分析的信号分类成至少包括以下项的类别:包括机器或其部件的行为的变化;以及不包括机器或其部件的行为的变化。
根据一些实施方案,变化检测算法可被配置成,在机器学习模型的辅助下,分析由光学传感器生成的分析信号的其他更复杂的变化。根据一些实施方案,机器学习模型可被训练成识别复杂多样的变化。根据一些实施方案,机器学习模型可能能够识别复杂的变化,诸如例如,对于由光学传感器生成的信号,该信号可以开始表现出一些周期性的不稳定性,使得信号可以在一段时间内表现为正常,然后在再次表现为正常之前的一段时间内表现为异常。随后,信号可能表现出与之前类似但不同的一些异常,并且变化检测算法可被配置成分析变化并且随着时间推移训练自身以检测不稳定性的可能原因。根据一些实施方案,变化检测算法可被配置成,如果必要,生成警告信号或信息信号,以供用户注意到机器和/或其部件内的变化。
参照图4,其示出了根据本发明的一些实施方案的由用于监测机器或其部件内的潜在故障的系统进行监测的示例性机器。
图4示出了围绕两个轮404a/404b(本文统称为轮404)所定位的带402,使得在机器内,带402可围绕两个轮404旋转。例如,在传统汽车中,带402可以在发动机与散热风扇之间旋转。根据本发明的示例性实施方案,且如图4所绘,包括了安装在发动机自身内或车轮404之间的相机的光学传感器406定位在带408的侧面,使得连续地生成带408的侧面图像。如图4所绘,当刚安装时,旋转带408可能很光滑,较薄,并且是黑色。因此,在从光学传感器406接收的图像帧内,聚焦在带408侧面的相机406所生成的图像通常应当连续地表现为光滑、稳定的黑色区域。
根据一些实施方案,在使用光学传感器406来监测带408期间,如果带408或轮404可能开始经历正常磨损和撕裂,或如果带408或轮404由于任何原因而损坏,则由光学传感器406所收集的图像可能存在变化。根据一些实施方案,变化检测算法可被配置成,在损坏引起运行故障之前,检测图像的一种或多种变化。根据一些实施方案,光学传感器406可以随时间连续地或半连续地生成图像。根据一些实施方案,变化检测算法可被配置成从光学传感器406接收图像并且分析图像以识别视场中的任何变化。
根据一些实施方案,使用变化检测算法,诸如例如变化检测算法308,可以分析从光学传感器406接收的图像的一个或多个像素的值(幅度)的变化。例如,变化检测算法(诸如例如,变化检测算法308)可以确定特定数量的非黑色像素何时变为黑色,从而可能指示了该带方位变化的幅度。类似地,变化检测算法(诸如例如,变化检测算法308)可以确定特定数量的黑色像素何时变为除黑色之外的颜色,从而可能指示了带材料变化的幅度。
参照图5,其示出了根据本发明的一些实施方案的用于监测机器或其部件内的潜在故障的系统的示例性示意框图,并且参照图6,其示出了根据本发明的一些实施方案的用于监测与云存储模块通信的机器或其部件内的潜在故障的系统的示例性示意框图。
如图5和图6的示例性系统所绘,光学传感器可以从机器和/或其部件(诸如例如,轴承502)接收一种或多种信号。根据一些实施方案,光学传感器可生成信号,诸如例如图像或视频,并且将所生成的信号发送给图像处理模块506。根据一些实施方案,图像处理模块处理由光学传感器(或图5和图6的图像传感器504)所生成的信号,使得数据可由数据分析模块518(或如本文所述的算法110)进行分析。根据一些实施方案,图像处理模块506可包括以下任何一项或多项:图像/帧获取模块508、帧速率控制模块510、曝光控制模块512、降噪模块514、和颜色校正模块516等。根据一些实施方案,数据分析模块(或如本文所述的算法110)可包括变化检测算法,诸如例如变化检测算法308。根据一些实施方案,(下文所述)用户界面模块532可发出任何由算法所执行的信号分析而产生的警告信号。根据一些实施方案,可将这些信号和/或算法中的任何一种或多种存储在云存储602上。根据一些实施方案,处理器可以位于云上,诸如例如云计算604,其可以与嵌入式处理器共存。
根据一些实施方案,数据分析模块518可包括以下任何一项或多项:二元(视觉)变化检测器520(或如本文别处更详细所述的二元变化检测算法)、定量(视觉)变化检测器522(或如本文别处更详细所述的定量变化检测算法)、和/或定性(视觉)变化检测器524(或如本文别处更详细所述的定性变化检测算法)。根据一些实施方案,定性(视觉)变化检测器524可包括边缘检测526和/或形状(变形)检测528中的任何一项或多项。根据一些实施方案,数据分析模块518可包括用户界面模块532以及/或者与之通信。根据一些实施方案,并且如本文别处更详细所述,用户界面模块532可包括监测器534。根据一些实施方案,用户界面模块532可被配置成输出警报和/或通知536/326。
根据一些实施方案,变化检测算法(诸如例如,变化检测算法308)可以在嵌入式处理器上或者在光学传感器附近的处理器上实现。因此,变化检测算法(诸如例如,变化检测算法308)可实现快速检测并且预防与向远程服务器(诸如云)发送数据相关联的时滞。
根据一些实施方案,一旦使用变化检测算法识别出变化,就可以使用分类算法对所识别变化进行分类。根据一些实施方案,在步骤206,该方法可包括分析所识别的接收信号(或分析信号)变化,并且对所识别的接收信号变化是否与机器或其部件的故障模式相关联进行分类,从而将所识别变化标记为故障。根据一些实施方案,该方法可包括将接收信号(或分析信号)应用于算法,该算法被配置成分析所识别的接收信号变化,并且至少部分地基于所获得的数据,对所识别的接收信号变化是否与机器或其部件的故障模式相关联进行分类。
根据一些实施方案,该方法可包括将所识别变化应用于算法,该算法被配置成在所识别变化与所获得的与故障模式相关联的数据之间进行匹配。根据一些实施方案,该算法可被配置成确定所识别变化是否可能潜在地发展成一种或多种故障模式。根据一些实施方案,该算法可被配置成,至少部分地基于所获得的数据,确定所识别变化是否可能潜在地发展成一种或多种故障模式。根据一些实施方案,该方法可包括:如果算法确定所识别变化可能潜在地发展成一种或多种故障模式,则将所识别变化标记为故障。
例如,一旦裂纹或缺陷达到特定尺寸或长度,就可将所识别的表面缺陷和/或裂纹的变化识别为故障,并且可将其与作为临界裂纹尺寸或临界缺陷尺寸的故障模式相关联。
例如,在管道底部所形成的液滴的速率的增加的识别变化中,可将故障识别为泄漏,并且故障模式可以是管道底部所形成的液滴的预定速率。
例如,在所识别变化可包括机器部件质地或颜色的情况下,可将故障识别为腐蚀,并且故障模式可以是部件内的腐蚀量或腐蚀深度。
根据一些实施方案,故障可包括以下任何一项或多项:结构损坏、裂纹、缺陷、预定裂纹尺寸和/或长度、裂纹生长速率、裂纹蔓延、断裂、缺陷直径、切口、翘曲、膨胀、变形、磨蚀、磨损、腐蚀、氧化、火花、烟雾、流体流速、液滴形成、液滴尺寸、流体或液滴体积、液滴形成速率、液体积聚速率、质地变化、颜色/色调变化、成形气泡的尺寸、水坑形成、水坑蔓延、该段的至少一部分的尺度变化、该段的至少一部分的方位变化、该段的至少一部分的颜色变化、该段的至少一部分的质地变化、该段的至少一部分的尺寸变化、该段的至少一部分的外观变化、该段的至少一部分的线性移动、该段的至少一部分的旋转移动、该段的至少一部分的周期性(重复)移动、该段的至少一部分的移动速率变化或它们的任何组合。
根据一些实施方案,该算法可使用一个或多个机器学习模型来识别故障。根据一些实施方案,并且如本文别处更详细所述,机器学习模型可以随时间进行训练以识别一个或多个故障。根据一些实施方案,机器学习模型可被训练成,通过分析机器和/或其部件的基线行为,识别先前未知的故障。
有利地,使用机器学习模型来识别故障实现了对以下项的检测:不同类型的故障、或甚至在不同机器或情形中可能出现的不同的类似故障、或甚至光学传感器的不同角度。因此,机器学习模型可增加一个或多个故障的检测灵敏度。
根据一些实施方案,系统和/或一个或多个算法可包括一个或多个抑制器算法310(本文也称为抑制器310)。根据一些实施方案,一个或多个抑制器算法可被配置成对所检测的故障是否可能发展为故障进行分类,诸如图3的故障节点312的模式所绘。根据一些实施方案,一个或多个抑制器算法310可包括一个或多个机器学习模型320。根据一些实施方案,一个或多个抑制器算法310可将故障和/或蔓延故障分类为无害的。
根据一些实施方案,在步骤208,对于所识别的故障,该方法可包括输出指示所识别变化与该故障模式相关联的信号,诸如警告信号。根据一些实施方案,该方法可包括将所识别变化存储在数据库中,从而增加用于训练一个或多个机器学习模型的数据集。
根据一些实施方案,该方法可包括标记与以下任何一项或多项相关联的数据:故障模式识别306、变化检测算法308、抑制器310、以及如故障节点312的模式所绘的分类。根据一些实施方案,该方法可包括监督标记316,诸如使用用户输入(或专家知识)对数据进行手动标记。
根据一些实施方案,如果所识别变化未被分类为与故障模式相关联(诸如图3的箭头350所绘),则可将其识别(或分类)为正常,或换言之,机器或其部件的行为或运行正常。根据一些实施方案,对于被分类为正常的所识别变化,该方法可包括存储与所识别变化相关联的数据,从而将所识别变化添加到数据库并且增加用于训练318一个或多个机器学习模型(诸如例如,一个或多个机器学习模型320/322/324)的数据集。根据一些实施方案,该方法可包括使用与所识别变化相关联的数据以供进一步调查,其中该进一步调查包括以下至少一项:添加故障模式;更新被配置成识别该变化的算法;以及训练该算法以在将来忽略所识别变化,从而改进被配置成识别该变化的算法。
根据一些实施方案,如果所识别变化被分类为与故障模式相关联(诸如图3的箭头355所绘),则该方法可包括趋势分析和故障预测314。根据一些实施方案,在步骤210,该方法可包括生成所识别的故障中的趋势的至少一个模型。根据一些实施方案,该方法可包括:基于多个所分析的信号,生成至少一个趋势模型。根据一些实施方案,该方法可包括:通过计算分析信号内的所识别变化随时间的发展情况,生成至少一个趋势模型。根据一些实施方案,该趋势可包括故障的变化速率。根据一些实施方案,该方法可包括:通过计算故障的变化速率与一个或多个环境参数的相关性,生成所识别的故障中的趋势的至少一个模型。根据一些实施方案,一个或多个环境参数可包括以下任何一项或多项:温度、季节或一年中的时间、压力、一天中的时间、机器或其部件的运行小时数、机器或其部件的运行持续时间、机器的识别用户(诸如例如,特定驾驶员或飞行员)、GPS位置(或世界中的位置或国家)、机器或其部件的运行模式或它们的任何组合。
根据一些实施方案,机器运行模式可包括以下任何一项或多项:机器或部件行进或移动的距离、运动频率、运动速度、运行期间的功耗、以及运行期间的功耗变化等。根据一些实施方案,通过计算故障的变化速率与一个或多个环境参数的相关性来生成所识别的故障中的趋势的至少一个模型可包括:考虑机器和/或其部件的周围环境中的不同影响项。根据一些实施方案,该方法可包括映射影响了机器和/或部件运行的不同环境参数,其中环境参数可随时间改变。
根据一些实施方案,在步骤212,该方法可包括:至少部分地基于所生成的模型,提醒用户所预测的故障。根据一些实施方案,该方法可包括向用户输出通知和/或警告326。根据一些实施方案,该方法可包括提醒用户所预测的故障。根据一些实施方案,该方法可包括,通过输出以下任何一项或多项,提醒用户所预测的故障:所预测的故障的时间(或时间范围)、故障模式的特性或它们的任何组合。根据一些实施方案,该方法可包括:至少部分地基于所生成的模型,输出所识别的故障何时可能导致机器或其部件内的故障的预测。根据一些实施方案,对机器或其部件内何时可能发生故障的预测可至少部分地基于已知的未来环境参数。根据一些实施方案,对机器或其部件内何时可能发生故障的预测可至少部分地基于已知的安排,诸如例如日历。
根据一些实施方案,用于监测机器或其部件内的潜在故障的系统(诸如例如,系统100)可包括一个或多个光源,该一个或多个光源被配置成照亮机器或其部件附近的至少一部分。根据一些实施方案,一个或多个光源可包括以下任何一项或多项:灯泡、发光二极管(LED)、激光器、光纤光源和光纤缆线等。根据一些实施方案,用户可输入:相对于一个或多个光学传感器,光源的位置(或方位)、光源的照亮方向(或换句话说,光被引导的方向)、光源的照亮持续时间、波长、强度和/或照亮频率。根据一些实施方案,一个或多个算法可被配置成自动定位一个或多个光源。根据一些实施方案,一个或多个算法可指出一个或多个光源的运行模式。根据一些实施方案,一个或多个算法可指出和/或运行以下任何一项或多项:一个或多个光源的照亮强度、通电光源的数量、通电光源的方位、以及一个或多个光源的照亮的波长、强度和/或频率或它们的任何组合。
有利地,被配置成指出和/或运行一个或多个光源的算法可通过减少较暗区域(诸如例如,光未被反射的区域和/或未被照亮的区域)来增加接收信号的清晰度,并且可固定(或优化)接收信号(或图像)的饱和度。
根据一些实施方案,一个或多个算法可被配置成检测和/或计算一个或多个光源相对于一个或多个光学传感器的方位、照亮持续时间、波长、强度和/或照亮频率。根据一些实施方案,一个或多个算法可被配置成,至少部分地基于所分析的信号,检测和/或计算一个或多个光源相对于一个或多个光学传感器的方位、照明持续时间、波长、强度和/或照明频率。根据一些实施方案,处理器可控制一个或多个光源的运行。根据一些实施方案,处理器可控制以下任何一项或多项:一个或多个光源的照明持续时间、波长、强度和/或照明频率。
根据一些实施方案,该方法可包括获得一个或多个光源相对于一个或多个光学传感器的方位、照亮持续时间、波长、强度和/或照亮频率。根据一些实施方案,该方法可包括:经由用户输入、检测以及/或者使用一个或多个算法,获得一个或多个光源的方位。根据一些实施方案,该方法可包括对所识别的(分析)信号变化是否与机器或其部件的故障模式相关联进行分类是至少部分地基于以下任何一项或多项:至少一个光源的放置方式、照亮持续时间、波长、强度和照亮频率。
根据一些实施方案,该方法可包括输出与用于放置(或定位)光学传感器的最佳位置相关联的数据,由该数据可检测出潜在的故障模式。根据一些实施方案,一个或多个算法可被配置成,至少部分地基于所获得的数据、存储在数据库中的数据、以及/或者用户输入的数据,计算用于放置(或定位)一个或多个光学传感器的至少一个最佳位置。
根据一些实施方案,光源可以用宽广的可见和不可见光谱范围中的一个或多个波长来照亮机器和/或其部件。根据一些实施方案,光源可包括频闪灯、或者被配置成以短脉冲照亮的光源。根据一些实施方案,光源可被配置成在,不使用全局快门传感器的情况下,发射频闪光。
根据一些实施方案,这些波长可包括紫外区、红外区或它们的组合中的任何一种或多种光。根据一些实施方案,一个或多个光源可以是移动的或可移动的。根据一些实施方案,一个或多个光源可以:在运行期间改变输出波长,在运行期间改变照亮方向,以及改变一个或多个透镜等。根据一些实施方案,光源可被配置成使用一个或多个光纤(FO)来改变照明,诸如例如,通过将不同光纤用于在不同时间产生光,或者通过一次组合两个或多个光纤。根据一些实施方案,光纤可包括附接到其上的一个或多个光源,诸如例如LED。根据一些实施方案,可使用一个或多个算法来改变LED的光强度和/或波长,如本文别处更详细所述。
有利地,照亮了机器和/或其部件可以使光学传感器能够通过分析阴影和/或反射来检测故障和/或表面缺陷和/或结构缺陷。例如,表面缺陷可生成阴影,该阴影可由一个或多个算法分析并检测为表面缺陷。
有利地,照亮机器和/或其部件以检测表面缺陷,同时从一个或多个光学传感器接收光信号可实现对可能对人不可见的缺陷和/或故障的检测。根据一些实施方案,缺陷和/或故障的尺寸可介于10微米和5mm之间。根据一些实施方案,缺陷和/或故障的尺寸可小于10微米。
参照图7和图8,图7示出了根据本发明的一些实施方案的用于监测轴承的系统的示意性图示的透视图,图8示出了根据本发明的一些实施方案的用于监测定位于轴承附近的轴承的系统的示意性图示的截面图。根据一些实施方案,系统700可包括系统100的一个或多个部件,并且反之亦然。
根据一些实施方案,系统700/100可被配置成监测轴承并且预防其故障。根据一些实施方案,系统700可被配置成检测轴承的变化,诸如例如,轴承的至少一部分的表面缺陷或变形。根据一些实施方案,变形可包括微变形。
根据一些实施方案,系统700可被配置成定位在轴承附近,诸如例如,滚动元件轴承或滚动轴承800。滚动轴承800可包括在两个轴承环(或座圈)804之间的一个或多个滚动元件802(诸如例如,球或滚轴)。根据一些实施方案,轴承环或座圈804可包括外环804a和内环804b。座圈的相对运动使滚动元件以非常小的滚动阻力和很小的滑动滚动。滚动元件旋转轴承也可实现轴和被配置成紧密填充轴与孔之间的空间的滚筒(或滚轴)。
根据一些实施方案,系统700可包括一个或多个光学传感器704a/704b/704c/704d/704e/704f/704g(本文统称为一个或多个光学传感器704)。根据一些实施方案,一个或多个光学传感器704可定位在主体706上。根据一些实施方案,可将主体706的尺寸设计为配合在轴承附近和/或邻近,使得一个或多个光学传感器可以从轴承环(或座圈)和/或滚动元件接收光信号。根据一些实施方案,一个或多个光学传感器704(诸如例如,光学传感器704f)可定位在主体706上,使得当系统700定位在轴承附近时,光学传感器可检测与轴承的外环804a相关联的信号。根据一些实施方案,一个或多个光学传感器704(诸如例如,如图8所示的光学传感器704a/704c)可定位在主体706上,使得当系统700定位在轴承附近时,光学传感器可检测与轴承的内环804b相关联的信号。根据一些实施方案,一个或多个光学传感器可被定位成使得从一个或多个光学传感器接收的累积信号与这些环的360度视图相关联。
根据一些实施方案,系统700可包括多个光学传感器704。根据一些实施方案,系统700可包括至少六个光学传感器704。根据一些实施方案,系统700可包括至少五个光学传感器704。根据一些实施方案,诸如图7和图8所绘,系统700可包括大约五个被配置成获得与内环804b相关联的数据的光学传感器。根据一些实施方案,诸如图7和图8所绘,系统700可包括至少一个光学传感器,其被配置成获得与外环804a相关联的数据。
根据一些实施方案,系统700可包括一个或多个光源702a/702b/702c/702d/702e/702f/702g/702h/702i/702j/702k/702l(本文统称为一个或多个光源702)。根据一些实施方案,一个或多个光源702可被定位成照亮轴承的至少一个或多个特定部分,诸如例如,内环表面的表面和/或外环的表面。根据一些实施方案,系统700可能可选地包括一个或多个附加光源708a/708b/708c/708d/708e/708f/708g/708h/708i/708j/708k/708l/708m/708n/708o(本文统称为一个或多个光源708)。根据一些实施方案,一个或多个附加光源708可被配置成照亮轴承的至少一个或多个特定部分。根据一些实施方案,一个或多个附加光源708可围绕系统700/100的主体706进行定位。
根据一些实施方案,诸如图7和图8所绘,主体706可以是环形的,其尺寸被设计为和被配置成配合在轴承附近。根据一些实施方案,主体706可包括至少一个印刷电路板(PCB)。根据一些实施方案,一个或多个传感器704可定位在主体706上,以便360度监测轴承的一个或多个环。根据一些实施方案,一个或多个光源702可定位在一个或多个传感器704中的每个传感器的任一侧面上。根据一些实施方案,一个或多个光源702可直接安装在PCB上。
根据一些实施方案,处理器可被配置成控制一个或多个光源702的运行,使得一个或多个光源702可运行于不同的时间和/或脉冲,诸如本文别处更详细所述。根据一些实施方案,所获得的信号与光源闪烁一起可以实现对小对象(或故障和/或缺陷)的更灵敏检测。根据一些实施方案,通过使用一个或多个光源702和一个或多个光学传感器,系统700/100可以连续地监测轴承,并且如果检测到故障,则监测故障的进展。例如,系统700可监测可能已经检测到的裂纹生长和/或外来颗粒。
根据一些实施方案,系统700/100可被配置成识别接收信号内的包括了表面缺陷外周边界的至少一段,使得识别接收信号的至少一种变化可包括识别该至少一段的形状和/或蔓延情况的变化或变化速率。根据一些实施方案,识别接收信号的至少一种变化可包括监测可能从表面缺陷开始发展的裂纹的生长。根据一些实施方案,系统700/100可被配置成识别外来颗粒的至少一段。根据一些实施方案,一旦识别出表面缺陷,系统700/100就可继续监测表面缺陷,以便检查表面缺陷是否随时间变化和/或生长。根据一些实施方案,系统700/100可以随时间对所获得的信号的所识别缺陷进行比较,或者换句话说,将缺陷尺寸和/或形状的尺寸与所存储或所记录的数据(或所获得的更旧信号)进行比较。
根据一些实施方案,故障模式可包括临界缺陷尺寸,并且其中生成所识别变化中的趋势的至少一个模型可包括对轴承的特定运行模式下的表面缺陷的生长趋势进行建模。根据一些实施方案,轴承的特定运行模式包括以下任何一项或多项:对轴承施加的压力、轴承运行频率或旋转、旋转速度、运行持续时间、润滑剂存在或它们的任何组合。根据一些实施方案,在系统700/100中检测到的故障可包括以下任何一项或多项:结构损坏、裂纹、缺陷、预定裂纹尺寸和/或长度、裂纹生长速率、裂纹蔓延、断裂、缺陷直径、磨蚀、磨损、腐蚀、氧化、该段的至少一部分的尺度变化、该段的至少一部分的方位变化、该段的至少一部分的颜色变化、该段的至少一部分的质地变化、该段的至少一部分的尺寸变化、该段的至少一部分的外观变化、该段的至少一部分的线性移动或它们的任何组合。
根据一些实施方案,故障模式可包括所识别故障的关键发展情况中的任何一项或多项。根据一些实施方案,故障模式可包括以下任何一项或多项:尺度变化、尺寸变化、外观变化、破裂、结构损坏、裂纹、裂纹尺寸、临界裂纹尺寸、裂纹位置、裂纹蔓延、对轴承施加的指定压力、一个部件相对于另一部件的移动变化、缺陷直径、变形、磨蚀、磨损、腐蚀、氧化、尺度变化、方位变化、颜色变化、尺寸变化、外观变化或它们的任何组合。根据一些实施方案,故障模式可包括以下任何一项或多项:(轻度)机械磨损、涂污、腐蚀(摩擦化学)磨损、粘附磨损、塑性流动、表面压痕、研磨磨损、表面破损点蚀、疲劳剥落或它们的任何组合。
根据一些实施方案,裂纹可发起于应力集中源(诸如,非金属内含物或碳化物簇)之处的表面下方。然后裂纹可能朝该表面径向向外蔓延。裂纹也可径向向内蔓延,然而,在没有周向拉伸应力的情况下,裂纹可能不会达到显著的深度。在连续轴承运行期间,裂纹可能参与剥落的形成。在存在足够大小的(周向)拉伸应力的情况下,诸如例如约172N/mm2(或约25ksi)或更大,裂纹可能径向向内蔓延并且可能继续蔓延至达到临界裂纹尺寸的程度。根据一些实施方案,可通过(或使用)轴承钢的周向拉伸应力和平面应变断裂韧性的幅度来限定或计算临界裂纹尺寸。根据一些实施方案,当达到临界裂纹尺寸时,发生快速的贯穿截面的断裂。快速断裂可能发生在垂直于周向拉伸应力的平面上。
参照图9A和图9B,它们示出了根据本发明的一些实施方案的包括所检测的缺陷的轴承的示例性图像,并且参照图10A和图10B,它们示出了根据本发明的一些实施方案的包括所检测的缺陷的轴承的示例性图像,并且参照图11A和图11B,它们示出了根据本发明的一些实施方案的包括所检测的缺陷的轴承的示例性图像。
根据一些实施方案,如本文所述的系统700/100可被配置成实现一个或多个算法,该一个或多个算法被配置成从光学传感器704接收多个信号并且分别分析从不同光学传感器704所接收信号中的每个信号。根据一些实施方案,一个或多个算法可被配置成检测异常、外来颗粒和裂纹生长等。根据一些实施方案,系统700/100可被配置成存储与信号和/或轴承相关联的数据。根据一些实施方案,所存储的数据可用于进一步分析可由系统接收的未来信号。根据一些实施方案,所存储的数据可稍后被标记并用于训练一个或多个算法。根据一些实施方案,所存储的数据可存储在数据库中,该数据库被配置成使一个或多个算法能够在将来检测类似信号和/或模式。
根据一些实施方案,系统700/100可被配置成创建对象矩阵,该对象矩阵被配置成表示图像(或信号)中的所有缺陷。根据一些实施方案,系统700/100可被配置成读取所接收信号或图像,并且对于每个图像(或信号),将可以在图像(或信号)中检测到的对象输入到矩阵。根据一些实施方案,系统700/100可被配置成在一个或多个输入之后分析矩阵。
有利地,通过生成具有当前缺陷的矩阵,光学传感器可能检测到:如果潜在缺陷正在反光,则矩阵内的缺陷“对象”将不一致并且因此将从矩阵中淡出。因此,矩阵将仅包括图片中的一致对象,其然后可被识别为缺陷。
例如,如图9A、图9B、图10A、图10B、图11A和图11B所示,轴承的图像可包括多个反光的反射项。根据一些实施方案,一个或多个算法被配置成消除反射项。根据一些实施方案,一个或多个算法可被配置成仅识别可能与真实缺陷相关联的反射项及/或阴影。
根据一些实施方案,如果系统识别出故障模式,则将向用户发送警告,该警告可以指示:系统预测到轴承将发生故障,并且应该将其更换。根据一些实施方案,如果系统识别出缺陷变化或生长,则将向用户发送警告,该警告可以指示:系统预测到轴承将发生故障,并且应该将其更换。根据一些实施方案,警告可包括声音或显示消息中的任何一项或多项。根据一些实施方案,警报可包括显示随时间推移而与轴承性能相关联的数据,例如从监测开始起、过去一周和过去一个月等。
根据一些实施方案,警报可包括显示与轴承性能实时信息相关联的数据。根据一些实施方案,警报可包括与潜在故障时间或数据相关联的数据、以及/或者更换轴承的时间推荐。
参照图12A和图12B,它们示出了根据本发明的一些实施方案的使用用于监测机器或其部件内的潜在故障的系统来检测泄漏之前和之后的示例性图像。
根据一些实施方案,系统100可被配置成检测机器和/或其部件内的液体泄漏。根据一些实施方案,系统100可被配置成检测难以到达区域和/或恶劣环境中的液体泄漏。根据一些实施方案,该系统可被配置成检测液体容器中的泄漏。根据一些实施方案,该系统可被配置成检测与泄漏相关联的液滴的形成。根据一些实施方案,该系统可被配置成监测泄漏的扩大和/或进展。根据一些实施方案,该系统可被配置成识别已经泄漏的液体类型。根据一些实施方案,该系统可被配置成,至少部分地基于颜色、质地、流体流速和粘度等,识别已经泄漏的液体类型。
根据一些实施方案,该系统和/或其一个或多个算法可被配置成检测接收信号中的液体。根据一些实施方案,系统100可被配置成识别所接收信号内的包括检测液体外周边界的至少一段。根据一些实施方案,系统100可被配置成识别接收信号的至少一种变化,并且将所识别变化分类为与机器和/或其部件的故障模式相关联,从而将所识别变化定义为故障。
根据一些实施方案,故障可包括以下任何一项或多项:流体流速、液滴形成、液滴尺寸、流体或液滴体积、液滴形成速率、液体积聚速率、质地变化、颜色/色调变化、成形气泡的尺寸、水坑形成、水坑蔓延、该段的至少一部分的尺度变化、该段的至少一部分的方位变化、该段的至少一部分的颜色变化、该段的至少一部分的质地变化、该段的至少一部分的尺寸变化、该段的至少一部分的外观变化、该段的至少一部分的线性移动、该段的至少一部分的旋转移动、该段的至少一部分的周期性(重复)移动、该段的至少一部分的移动速率变化或它们的任何组合。
根据一些实施方案,故障模式可包括以下任何一项或多项:所识别的泄漏、尺度变化、方位变化、颜色变化、质地变化、尺寸变化、外观变化、所识别的泄漏量(损失的液体量)、泄漏的尺寸和/或影响、泄漏速率、泄漏速率变化、积液量、积液量变化、成形气泡的尺寸、液滴、水坑、水坑形成、水坑蔓延、射流、流体流速、液滴尺寸、流体体积、液体积聚速率、颜色/色调变化、尺度变化或它们的任何组合。
例如,如图12A和图12B所绘,一旦总累积量达到指定体积以上,则可将所检测的液体累积1202/1204识别为故障。
参照图13,其示出了根据本发明的一些实施方案的使用用于监测机器或其部件内的潜在故障的系统所监测的制动垫块的示例性图像。
根据一些实施方案,系统100可被配置成检测车辆(诸如例如,火车)的制动垫块的变化。根据一些实施方案,系统100可被配置成实时监测制动垫块。根据一些实施方案,系统100可被配置成在车辆(和/或列车)运行期间监测制动垫块。根据一些实施方案,该系统可包括一个或多个被定位成接收与制动垫块相关联的信号的光学传感器。根据一些实施方案,系统100可被配置成实时向驾驶员发送通知,其中这些通知可以与所监测的制动垫块相关联。根据一些实施方案,这些通知可包括对车辆制动垫块失灵的预测。根据一些实施方案,系统100和/或该系统的一个或多个光学传感器可定位在列车上(而非轨道上)。
有利地,实时监测制动垫块和/或向驾驶员发送制动垫块可能失灵的通知可实现了对制动垫块的不必要检查和/或更换,并且免除了每隔一个检修期就对制动垫块进行的过多次更换,减少了停机时间间隔和检修持续时间,提供了更好备件规划和库存管理,并且预防了人员伤亡。
根据一些实施方案,系统100可被配置成识别包括制动垫块外周边界的至少一段,诸如图13所绘。根据一些实施方案,系统100可被配置成识别接收信号的至少一种变化,并且将所识别变化分类为与机器和/或其部件的故障模式相关联,从而将所识别变化定义为故障。
根据一些实施方案,故障可包括以下任何一项或多项:结构损坏、变形、磨蚀、磨损、该段的至少一部分的尺度变化、该段的至少一部分的方位变化、该段的至少一部分的颜色变化、该段的至少一部分的质地变化、该段的至少一部分的尺寸变化、该段的至少一部分的外观变化、该段的至少一部分的线性移动、该段的至少一部分的旋转移动、该段的至少一部分的周期性(重复)移动、该段的至少一部分的移动速度变化或它们的任何组合。
根据一些实施方案,故障模式可包括以下任何一项或多项:尺度变化、方位变化、外观变化、结构损坏、对制动垫块施加的特定压力、制动垫块的移动变化、变形、磨蚀、磨损或它们的任何组合。
根据一些实施方案,该方法可包括:通过计算故障的变化速率与一个或多个环境参数的相关性,生成所识别的故障中的趋势的至少一个模型。根据一些实施方案,一个或多个环境参数可包括以下任何一项或多项:温度、季节或一年中的时间、压力、一天中的时间、机器或其部件的运行小时数、机器或其部件的运行持续时间、机器的识别用户(诸如例如,特定驾驶员或飞行员)、GPS位置(或世界中的位置或国家)、机器或其部件的运行模式或它们的任何组合。
根据一些实施方案,机器运行模式可包括以下任何一项或多项:机器或部件行进或移动的距离、运动频率、运动速度、运行期间的功耗、以及运行期间的功耗变化等。根据一些实施方案,通过计算故障的变化速率与一个或多个环境参数的相关性来生成所识别的故障中的趋势的至少一个模型可包括:考虑机器和/或其部件的周围环境中的不同影响项。根据一些实施方案,该方法可包括映射影响了机器和/或部件运行的不同环境参数,其中环境参数可随时间改变。
例如,该系统可被配置成,基于驾驶安排、一年中的季节、列车所连车辆的数量、行程安排(例如,距离和/或海拔)或它们的任何组合,计算列车制动垫块可能发生故障的日期。
参照图14,其示出了根据本发明的一些实施方案的使用用于监测机器或其部件内的潜在故障的系统所监测的曲柄轴的示例性图像。
根据一些实施方案,系统100可被配置成检测曲柄轴或其运行的变化。根据一些实施方案,系统100可被配置成实时监测曲柄轴,诸如例如直升机的曲柄轴。
有利地,使用如本文所述的系统对直升机进行实时监测可实现对直升机部件诸如曲柄轴的监测,这些部件在直升机内可能是不可到达至不可接近的,并且实时检查它们的运行。根据一些实施方案,该系统可实现对直升机的不可接近区域(例如,曲柄轴)的监测、检查/分析以及/或者提供对其的图像分析,从而使系统能够识别曲柄轴的精确位置和尺寸以及/或者其运行中的任何变化。根据一些实施方案,该系统可实现对从直升机部件获得的信号进行异常检测(或变化检测)。根据一些实施方案,该系统可被配置成观察直升机内的紧固件和/或线缆,并且检测其中的变化,诸如例如,紧固件的打开、部件的移动、以及两个或多个接头的变化等。
根据一些实施方案,系统100可被配置成识别包括曲柄轴边界的至少一段。根据一些实施方案,系统100可被配置成识别包括曲柄轴的暴露螺纹部分的边界的至少一段1402,诸如图14所绘。根据一些实施方案,系统100可被配置成识别接收信号的至少一种变化,并且将所识别变化分类为与机器和/或其部件的故障模式相关联,从而将所识别变化定义为故障。
根据一些实施方案,故障可包括以下任何一项或多项:暴露螺纹的数量、结构损坏、变形、磨蚀、磨损、腐蚀、氧化、该段的至少一部分的尺寸变化、该段的至少一部分的外观变化、该段的至少一部分的线性移动、该段的至少一部分的旋转移动、该段的至少一部分的周期性(重复)移动、该段的至少一部分的移动速率变化或它们的任何组合。
根据一些实施方案,故障模式可包括预定数量的暴露螺纹。根据一些实施方案,故障模式可包括以下任何一项或多项:尺度变化、方位变化、结构损坏、变形、磨蚀、磨损、腐蚀、氧化、尺度变化、该段的至少一部分的旋转移动或它们的任何组合。
根据一些实施方案,系统100可被配置成监测螺钉的故障模式。根据一些实施方案,该系统可被配置成识别所接收信号内的包括螺钉可见部分的外周边界的至少一段。根据一些实施方案,该系统可被配置成基于螺钉头形状来识别螺钉。根据一些实施方案,该系统可被配置成基于螺钉螺纹部分来识别螺钉。根据一些实施方案,识别接收信号的至少一种变化可包括识别至少一段的形状变化或变化速率。
根据一些实施方案,故障模式可包括螺钉松动和/或螺钉旋转,并且其中生成所识别变化中的趋势的至少一个模型包括对该段的尺寸和/或取向趋势进行建模,从而监测螺钉是否松动和/或旋转。根据一些实施方案,该系统可被配置成提醒用户任何所检测的故障。根据一些实施方案,该系统可被配置成提醒用户检测信号的任何检测变化。
根据一些实施方案,故障和/或故障模式可包括以下任何一项或多项:该段的旋转移动、该段的尺度变化(例如,螺纹数量增加)、该段的方位变化、该段的线性移动或它们的任何组合。
根据一些实施方案,系统100可被配置成监测风力涡轮机和/或其一个或多个部件。根据一些实施方案,该系统可被配置成放置在风力涡轮机内并且检测以下任何一项或多项:火花、烟雾、火焰、泄漏、缺乏润滑或它们的任何组合。根据一些实施方案,该系统可被配置成安装在风力涡轮机机舱内。
有利地,被配置成检测火花和/或火焰且用于监测风力涡轮机的系统可实现火灾安全系统的更快的反应时间,其中仅烟雾检测可能太迟而不能预防风力涡轮机完全被毁。因此,系统100可实现对风力涡轮机和/或其部件损坏进行预防。
根据一些实施方案,该系统可被配置成检测可能由于油脂缺乏而导致的轴承面剥落和/或破裂。根据一些实施方案,通过一个或多个算法,轴承损坏的识别也可用于向用户指示风力涡轮机的润滑系统的运行。
根据一些实施方案,该系统可被配置成检测涂污和微点腐蚀,该涂污和微点腐蚀可能随时间蔓延并导致故障。根据一些实施方案,该系统可被配置成检测风力涡轮机的机舱内的油和/或油脂泄漏。
在本申请的说明书和权利要求书中,词语“包括”和“具有”及其形式不限于这些词语可能与之相关联的列表中的各项。
除非另有定义,否则本文使用的所有技术和科学术语具有与本公开所属领域的普通技术人员通常理解相同的含义。在冲突的情况下,以包括定义的专利说明书为准。如本文所用,不定冠词“一个(a)和(an)”意指“至少一个”或“一个或多个”,除非上下文另有明确说明。
应当理解,为清楚起见在不同实施方案的上下文中描述的本公开的某些特征也可以在单个实施方案中组合提供。相反,为简明起见在单个实施方案的上下文中描述的本公开的各种特征也可以单独提供或以任何合适的子组合提供,或者在适当时,在本公开的任何其他所述实施方案中提供。不可将任何在实施方案的上下文中描述的特征视为是该实施方案的必要特征,除非明确地如此指定。
尽管可以按特定顺序来描述根据一些实施方案的方法的阶段,但是本公开的方法可包括按不同顺序执行的所述阶段中的一些或所有阶段。本公开的方法可包括几个所述阶段或所有所述阶段。在所公开的方法中,没有特定阶段被视为该方法的必要阶段,除非明确地如此指定。
尽管结合其具体实施方案描述了本公开,但是显然可存在对于本领域技术人员而言显而易见的许多替换、修改和变化。因此,本公开包含落入所附权利要求的范围内的所有此类替换、修改和变化。应当理解,本公开不必将其应用限制于本文所述的部件和/或方法的构造和布置的细节。可以实践其他实施方案,并且可以按各种方式来执行实施方案。
本文所用的措辞和术语是出于描述的目的,并且不应视作具有限制性。在本申请中,对任何参考文献的引用或标识不应被解释为承认此类参考文献可作为本公开的现有技术。本文使用章节标题是为了便于理解说明书,并且不应被解释为具有必要的限制性。
Claims (33)
1.一种用于监测机器或其部件内的潜在故障的系统,所述系统包括:
至少一个光学传感器,所述至少一个光学传感器被配置成固定在所述机器或其部件之上或附近;
至少一个处理器,所述至少一个处理器与所述传感器通信,所述处理器能够执行以:
从所述至少一个光学传感器接收信号;
获得与所述机器或其部件的至少一种故障模式的特性相关联的数据;
识别所接收信号的至少一种变化;
对于所识别的接收信号变化,将所识别的至少一种变化应用于算法,所述算法被配置成分析所识别的接收信号变化并且对所识别的接收信号变化是否与所述机器或其部件的故障模式相关联进行分类,从而至少部分地基于所获得的数据,将所识别变化标记为故障;以及
对于被分类为与故障模式相关联的所识别变化,输出指示所识别变化与所述故障模式相关联的信号。
2.根据权利要求1所述的系统,其中对于所识别的故障,生成所识别的故障中的趋势的至少一个模型。
3.根据权利要求1-2中任一项所述的系统,其中所述趋势包括所述故障的变化速率。
4.根据权利要求1-3中任一项所述的系统,其中生成所识别的故障中的趋势的所述至少一个模型包括计算所述故障的变化速率与一个或多个环境参数的相关性。
5.根据权利要求1-4中任一项所述的系统,还包括:至少部分地基于所生成的模型,提醒用户所预测的故障。
6.根据权利要求5所述的系统,其中提醒所述用户所预测的故障包括以下中的任何一项或多项:所预测的故障的时间(或时间范围)、所述机器的使用时间和所述故障模式的特性或它们的任何组合。
7.根据权利要求1-6中任一项所述的系统,其中识别所述信号的至少一种变化包括识别所述信号的变化速率的变化。
8.根据权利要求4-7中任一项所述的系统,其中所述一个或多个环境参数包括以下中的至少一项:温度、季节或一年中的时间、压力、一天中的时间、所述机器或其部件的运行小时数、所述机器或其部件的运行持续时间、所述机器的识别用户、GPS位置、所述机器或其部件的运行模式或它们的任何组合。
9.根据权利要求2-7中任一项所述的系统,还包括:至少部分地基于所生成的模型,输出所识别的故障何时可能导致所述机器或其部件内的故障的预测。
10.根据权利要求8所述的系统,其中预测所述机器或其部件中何时可能发生故障至少部分地基于已知的未来环境参数。
11.根据权利要求1-9中任一项所述的系统,其中所述故障模式包括以下中的至少一项:尺度变化、方位变化、颜色变化、质地变化、尺寸变化、外观变化、断裂、结构损坏、裂纹、裂纹尺寸、临界裂纹尺寸、裂纹位置、裂纹蔓延、对所述机器或其部件所施加的特定压力、一个部件相对于另一部件的移动变化、泄漏量、泄漏速率、泄漏速率变化、积液量、成形气泡的积液尺寸量的变化、液滴、水坑、射流或它们的任何组合。
12.根据权利要求1-10中任一项所述的系统,还包括:如果所识别变化未被分类为与故障模式相关联,则存储和/或使用与所识别变化相关联的数据以供进一步调查,其中所述进一步调查包括以下中的至少一项:添加故障模式,更新被配置成识别所述变化的所述算法,以及训练所述算法以在将来忽略所识别变化,从而改进被配置成识别所述变化的所述算法。
13.根据权利要求1-12中任一项所述的系统,其中获得与所述机器或其部件的至少一种故障模式的特性相关联的数据包括与所述故障模式在所述机器或其部件上的位置和/或特定类型的故障模式相关联的数据。
14.根据权利要求1-13中任一项所述的系统,其中获得与所述机器或其部件的至少一种故障模式的特性相关联的数据包括从用户接收输入数据。
15.根据权利要求1-14中任一项所述的系统,还包括分析所接收信号,并且其中获得与所述机器或其部件的至少一种故障模式的特性相关联的数据包括:至少部分地基于从至少一个光学传感器所接收的信号,自动检索数据库中的数据。
16.根据权利要求1-15中任一项所述的系统,其中获得与所述机器或其部件的至少一种故障模式的特性相关联的数据包括:通过将所接收信号应用于机器学习算法来识别先前未知的故障模式,所述机器学习算法被配置成确定所述机器或其部件的故障模式。
17.根据权利要求1-16中任一项所述的系统,其中识别所述信号的所述至少一种变化包括分析所接收信号的原始数据。
18.根据权利要求1-17中任一项所述的系统,其中至少一种信号包括至少一张图像、图像的一部分、一组图像、或视频。
19.根据权利要求1-18中任一项所述的系统,其中识别所述信号的所述至少一种变化包括分析所述机器或其部件的动态移动,其中所述动态移动包括以下中的任何一项或多项:线性移动、旋转移动、周期性(重复)移动、损坏、缺陷、裂纹尺寸/长度、裂纹生长率、裂纹蔓延、断裂、结构损坏、缺陷直径、切口、翘曲、膨胀、变形、磨蚀、磨损、腐蚀、氧化、火花、烟雾、流体流速、液滴尺寸、流体体积、液体积聚速率、质地变化、颜色/色调变化、成形气泡的尺寸、液滴、水坑形成、水坑蔓延、尺度变化、方位变化、颜色变化、质地变化、尺度变化、外观变化或它们的任何组合。
20.根据权利要求1-19中任一项所述的系统,还包括识别所接收信号内待监测的至少一段,并且其中所述信号的所述至少一种变化是所述至少一段内的变化。
21.根据权利要求1-20中任一项所述的系统,还包括监测所述至少一段并且检测所接收信号中的所述至少一段的形状、所述至少一段的尺寸、所述至少一段的发生率或它们的任何组合的变化。
22.根据权利要求1-21中任一项所述的系统,其中所述至少一段包括表面缺陷的边界。
23.根据权利要求1-22中任一项所述的系统,其中所述至少一段包括以下中的至少一项的边界:水坑的外周、液滴的外周、饱和区域(或材料)的外周或它们的任何组合。
24.根据权利要求1-23中任一项所述的系统,其中所述至少一段包括火花的边界。
25.根据权利要求1-24中任一项所述的系统,其中所述至少一段包括所述机器或其部件的特定元件的边界,并且还包括将所述至少一段的几何形状识别为所述机器或其部件的所述特定元件。
26.根据权利要求25所述的系统,其中所述特定元件包括以下中的任何一项或多项:螺钉、连接器、螺栓、一个或多个车辆部件、一个或多个燃料箱、油箱、马达、齿轮箱、涡轮部件、缆线、皮带、导线、紧固件、汽缸、叶片、螺母、一个或多个柔性、半刚性或刚性管道/管子以及它们的任何组合。
27.根据权利要求25-26中任一项所述的系统,其中识别所述几何形状包括分析以下中的任何一项或多项:总强度、差异性强度、斑点检测、线段检测、线段配准、边缘段曲率估计、单应性估计、特定对象识别、对象检测、语义分割、背景模型、变化检测、对光流的检测、或反射检测、火焰检测或它们的任何组合。
28.根据权利要求1-27中任一项所述的系统,还包括输出与用于放置所述光学传感器的最佳位置相关联的数据,由所述数据能够检测出潜在的故障模式。
29.根据权利要求1-28中任一项所述的系统,还包括至少一个光源,所述至少一个光源被配置成照亮所述机器或其部件,并且其中对所识别的信号变化是否与所述机器或其部件的故障模式相关联进行分类至少部分地基于以下中的任何一项或多项:所述至少一个光源的放置方式、照亮持续时间、波长、强度和照亮频率。
30.根据权利要求1-29中任一项所述的系统,其中所述系统被配置成监测螺钉的故障模式,并且还包括:
识别所接收信号内的包括所述螺钉的可见部分外周边界的至少一段,使得识别所接收信号的所述至少一种变化包括识别所述至少一段的形状的变化或变化速率;
其中所述故障模式包括所述螺钉的松动和/或所述螺钉的旋转,并且其中生成所识别变化中的趋势的至少一个模型包括对所述段的尺寸和/或取向的趋势进行建模,从而监测所述螺钉是否松动和/或旋转。
31.根据权利要求1-29中任一项所述的系统,其中所述系统被配置成监测轴承的故障模式,并且还包括:
识别所接收信号内的包括表面缺陷外周边界的至少一段,使得识别所接收信号的至少一种变化包括识别所述至少一段的形状和/或蔓延情况的变化或变化速率;并且
其中所述故障模式包括临界缺陷尺寸,并且其中生成所识别变化中的趋势的至少一个模型包括对所述轴承的特定运行模式下的所述表面缺陷的生长趋势进行建模。
32.根据权利要求1-32所述的系统,其中所述轴承的特定运行模式包括以下中的任何一项或多项:对所述轴承施加的压力、所述轴承的运行频率或旋转、旋转速度、运行持续时间、润滑剂存在或它们的任何组合。
33.一种用于监测机器或其部件的计算机实现方法,所述方法包括:
从固定在所述机器或其部件之上或附近的至少一个光学传感器接收信号;
获得与所述机器或其部件的至少一种故障模式的特性相关联的数据;
识别所接收信号的至少一种变化;
对于所识别的接收信号变化,将所识别的至少一种变化应用于算法,所述算法被配置成分析所识别的接收信号变化,并且至少部分地基于所获得的数据,对所识别的接收信号变化是否与所述机器或其部件的故障模式相关联进行分类;以及
对于被分类为与故障模式相关联的所识别变化,输出指示所识别变化与所述故障模式相关联的信号。
Applications Claiming Priority (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US63/142,862 | 2021-01-28 | ||
US202163161418P | 2021-03-15 | 2021-03-15 | |
US63/161,418 | 2021-03-15 | ||
PCT/IL2022/050118 WO2022162663A1 (en) | 2021-01-28 | 2022-01-27 | Systems and methods for monitoring potential failure in a machine or a component thereof |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117203595A true CN117203595A (zh) | 2023-12-08 |
Family
ID=89003868
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202280025781.2A Pending CN117203595A (zh) | 2021-01-28 | 2022-01-27 | 用于监测机器或其部件内的潜在故障的系统和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117203595A (zh) |
-
2022
- 2022-01-27 CN CN202280025781.2A patent/CN117203595A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3086286B1 (en) | Method and system for automated inspection utilizing a multi-modal database | |
CA3062044C (en) | System and method for work piece inspection | |
US11842553B2 (en) | Wear detection in mechanical equipment | |
US7432505B2 (en) | Infrared-based method and apparatus for online detection of cracks in steam turbine components | |
EP2599039B1 (fr) | Procede et systeme d'analyse de donnees de vol enregistrees au cours d'un vol d'un avion | |
US20140074345A1 (en) | Systems, Apparatuses, Methods, Circuits and Associated Computer Executable Code for Monitoring and Assessing Vehicle Health | |
US7019834B2 (en) | Tribological debris analysis system | |
EP1621866A1 (en) | Tribological debris analysis system | |
WO2016203151A1 (fr) | Système et procédé d'inspection automatique de surface | |
CN115272980A (zh) | 一种基于机器视觉的运输皮带表面检测方法及系统 | |
CN117203595A (zh) | 用于监测机器或其部件内的潜在故障的系统和方法 | |
US11768486B2 (en) | Systems and methods for monitoring potential failure in a machine or a component thereof | |
AU2021278260B2 (en) | Method for the machine-based determination of the functional state of support rollers of a belt conveyor system, computer program and machine-readable data carrier | |
WO2023209717A1 (en) | Monitoring a mechanism or a component thereof | |
KR102279039B1 (ko) | 모바일 디바이스 및 정비지원서버를 포함하는 선박 정비 지원 시스템에 의한 선박 정비 지원 방법 | |
WO2024028868A1 (en) | Monitoring a moving element | |
JP2008015930A (ja) | 製造ラインの生産管理方法および生産管理システム | |
WO2018229391A1 (fr) | Plateforme de commande et de suivi des inspections de surfaces d'objets par des robots d'inspection et système d'inspection mettant en oeuvre une telle plateforme | |
JP2019052872A (ja) | 軸受検査装置 | |
WO2024028867A1 (en) | System and method for monitoring moving elements | |
KR20240066600A (ko) | 레이저스캐너와 무인비행체를 이용한 콘크리트 구조물 균열 검사 시스템 | |
Farbrother et al. | Investigation of Droplet Shedding in an Aeroengine Bearing Chamber Using Convolutional Neural Networks | |
GB2415502A (en) | Tribological debris analysis system |
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 |