CN117957506A - 用于在工业环境中促进机器零件的预测性维护的方法、系统和框架 - Google Patents
用于在工业环境中促进机器零件的预测性维护的方法、系统和框架 Download PDFInfo
- Publication number
- CN117957506A CN117957506A CN202280061049.0A CN202280061049A CN117957506A CN 117957506 A CN117957506 A CN 117957506A CN 202280061049 A CN202280061049 A CN 202280061049A CN 117957506 A CN117957506 A CN 117957506A
- Authority
- CN
- China
- Prior art keywords
- machine parts
- machine
- processing unit
- oem
- parts
- 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
- 238000012423 maintenance Methods 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000010801 machine learning Methods 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims description 27
- 230000008569 process Effects 0.000 claims description 20
- 238000004458 analytical method Methods 0.000 claims description 18
- 238000009434 installation Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 claims description 2
- 238000004883 computer application Methods 0.000 abstract description 2
- 238000004891 communication Methods 0.000 description 11
- 230000006399 behavior Effects 0.000 description 8
- 238000012544 monitoring process Methods 0.000 description 7
- 238000012800 visualization Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 5
- 230000008602 contraction Effects 0.000 description 4
- 238000012937 correction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000000052 comparative effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 238000009413 insulation Methods 0.000 description 2
- 208000018910 keratinopathic ichthyosis Diseases 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000002378 acidificating effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000003607 modifier Substances 0.000 description 1
- KRTSDMXIXPKRQR-AATRIKPKSA-N monocrotophos Chemical compound CNC(=O)\C=C(/C)OP(=O)(OC)OC KRTSDMXIXPKRQR-AATRIKPKSA-N 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000000246 remedial effect Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/80—Management or planning
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供用于在工业环境中促进和调度预测性维护的方法、系统和框架。基于应用的生态系统包括原始设备制造商(OEM)应用和终端用户应用。OEM应用和终端用户应用可以是基于网络的计算机应用或独立应用中的至少一个。基于应用的生态系统包括信息可以在每个终端用户和每个OEM之间以必要的权限流动的架构。应用此外包括基于与多个机器零件相关联的诊断信息来训练的机器学习模型。
Description
技术领域
本发明涉及工业自动化工程领域，以及更具体地涉及用于在工业环境中调度和促进预测性维护的方法、系统和框架。
背景技术
诸如工业工厂(plant)之类的技术设施(installation)包括巨大数量的机器零件(machine parts)，其中的每一个机器零件都实行大量的功能。机器零件的示例可以包括阀门、定位器、控制器、冷却风扇、传感器、管道、锅炉、压缩机、马达等。
机器零件中的每一个的效率都可能在其使用寿命期间恶化。机器零件的效率的恶化速率可能取决于大量因素、诸如操作温度、由机器零件处理的原料的酸性性质、机器零件的构建质量、制造商的工艺、以及在机器零件中使用的材料的质量。每年都可能不得不翻新或更换大量的机器零件。在工业环境中维护机器零件的库存并为所有的机器零件调度预测性维护是费力的。工业环境的机器零件由一个或多个原始设备制造商(OEM)制造。该一个或多个原始设备制造商(OEM)可能不能分析已经安装在工业环境中的机器零件的性能。没有这样的分析，OEM难以改进由OEM制造的机器零件。此外难以计算从OEM购买备用零件要花费的金钱总量。
鉴于上述情况，存在对用于促进技术设施中的机器零件的预测性维护的有效的方法和系统的需求。
发明内容
因此，本发明的目的是提供用于在工业环境中调度和促进预测性维护的方法、系统和框架。
本发明的该目的通过在工业环境中调度和促进预测性维护的方法、用于在工业环境中调度和促进预测性维护的系统、以及用于在工业环境中调度和促进预测性维护的框架来实现。
现在将参考本发明的附图来论述本发明的上述和其他特征。所说明的实施例意图说明、而不是限制本发明。
在下文中参考附图中所示出的所说明的实施例进一步描述本发明，其中：
图1是根据本发明的实施例的能够调度和促进机器零件的预测性维护的工业环境的框图；
图2是工业框架、诸如在图1中所示出的那些工业框架的框图，在所述工业框架中可以实施本发明的实施例；
图3是自动化模块、诸如在图2中所示出的那些自动化模块的框图，在所述自动化模块中可以实施本发明的实施例；以及
图4A-图4J是说明根据本发明的实施例的促进机器零件的预测性维护的示例性方法的示意性表示。
图5是根据本发明的实施例的被配置为调度和促进技术设施中的机器零件的预测性维护的工业框架的示例性实施例的示意性表示。
具体实施方式
参考附图描述了各种实施例，其中使用类似的附图标记来指代附图，其中自始至终使用类似的附图标记来指代类似的元素。在以下描述中，出于解释的目的，为了提供对一个或多个实施例的全面理解，阐明了许多具体细节。可能明显的是，这样的实施例可以在没有这些具体细节的情况下被实践。
图1是根据本发明的实施例的能够调度和促进预测性维护的工业环境100的框图。在图1中，工业环境100包括工业框架102、技术设施106、以及一个或多个客户端装置120A-120N。如本文中所使用的，“工业环境”指代包括分布在诸如云计算平台之类的平台上的数据、以及可配置的计算物理和逻辑资源、例如网络、服务器、存储装置、应用、服务等的处理环境。工业环境100提供对可配置的计算物理和逻辑资源的共享池的按需网络访问。工业框架102经由网络104(诸如局域网(LAN)、广域网(WAN)、Wi-Fi、因特网、任何短距离或宽距离通信)通信地连接到技术设施106。工业框架102还经由网络104连接到一个或多个客户端装置120A-120N。
工业框架102经由网络104连接到一个或多个传感器108A-180N，所述一个或多个传感器108A-180N连接到技术设施106的一个或多个机器零件。一个或多个传感器108A-180N可以包括压力传感器、定位传感器、温度传感器等。一个或多个机器零件可以包括阀门、管道、机器人、开关、自动化装置、可编程逻辑控制器(PLC)、人机界面(HMI)、马达、阀门、泵、致动器、传感器和其他(一个或多个)工业设备。一个或多个传感器108A-180N可以经由物理连接来连接到每个其他或若干其他组件(图1中未示出)。物理连接可以通过一个或多个传感器108A-108N之间的接线。替代地，一个或多个传感器108A-108N也可以经由非物理连接(诸如物联网(IOT))和5G网络来连接。尽管图1说明了连接到一个技术设施106的工业框架102，但本领域技术人员可以预想，工业框架102可以经由网络104连接到位于不同地理位置处的若干技术设施106。
客户端装置120A-120N可以是台式计算机、膝上型计算机、平板电脑、智能手机等。客户端装置120A-120N中的每一个都配备有控制工具122A-122N，用于控制技术设施106中的一个或多个机器零件。客户端装置120A-120N可以访问云应用(诸如经由网络浏览器提供一个或多个传感器108A-108N的性能可视化)。贯穿本说明书，可交换地使用术语“客户端装置”和“用户装置”。在一个示例中，原始设备制造商可以访问一个或多个客户端装置120A-120N。
工业框架102可以是部署在控制站处的独立服务器，或者可以是云计算平台上的远程服务器。在优选的实施例中，工业框架102可以是基于云的系统。工业框架102能够交付应用(诸如云应用)，用于管理包括一个或多个传感器108A-108N和机器零件的技术设施106。工业框架102可以包括平台110(诸如云计算平台)、自动化模块112、包括硬件资源和操作系统(OS)的服务器114、网络接口116以及数据库118。网络接口116实现工业框架102、技术设施106、与(一个或多个)客户端装置120A-120N之间的通信。接口(诸如云接口)(图1中未示出)可以允许原始设备制造商和一个或多个客户端装置120A-120N处的一个或多个终端用户访问由一个或多个传感器108A-108N捕获的信息。服务器114可以包括一个或多个服务器，在所述一个或多个服务器上安装有OS。服务器114可以包括一个或多个处理器、一个或多个存储装置以及用于提供计算(诸如云计算)功能所需的其他外围设备，所述一个或多个存储装置诸如是存储器单元，用于存储数据和机器可读指令，例如应用和应用程序编程接口(API)。平台110使用服务器114的硬件资源和OS来实现诸如数据接收、数据处理、数据渲染、数据通信等的功能，以及使用部署在其中的应用程序编程接口交付上述服务。平台110可以包括构建在硬件和OS之上的专用硬件和软件的组合。平台110此外可以包括自动化模块112，该自动化模块被配置用于促进技术设施106中的机器零件的预测性维护。自动化模块112的细节在图3中进行解释。
数据库118存储与技术设施106和(一个或多个)客户端装置120A-120N有关的信息。数据库118例如是结构化查询语言(SQL)数据存储或非关系型SQL(not only SQL，NoSQL)数据存储。在示例性实施例中，数据库118可以被配置为在工业环境100中实施的基于云的数据库，其中计算资源作为服务在平台110上交付。根据本发明的另一实施例，数据库118是文件系统上的可以由自动化模块112直接访问的位置。数据库118被配置为存储工程项目文件、工程程序、对象行为模型、与一个或多个工程对象108A-108N相关联的参数值、测试结果、模拟结果、状态消息、一个或多个模拟实例、图形程序、程序逻辑、程序逻辑模式、以及工程对象属性、一个或多个工程对象块、工程对象之间的关系信息、需求、程序更新消息等。
图2是工业框架102、诸如在图1中所示出的那些工业框架的框图，在所述工业框架中可以实施本发明的实施例。在图2中，工业框架102包括(一个或多个)处理器202、可访问存储器204、存储单元206、通信接口208、输入输出单元210、网络接口212以及总线214。
如本文中所使用的(一个或多个)处理器202意指任何类型的计算电路，诸如但不限于微处理器单元、微控制器、复杂指令集计算微处理器单元、精简指令集计算微处理器单元、超长指令字微处理器单元、显式并行指令计算微处理器单元、图形处理单元、数字信号处理单元、或任何其他类型的处理电路。(一个或多个)处理器202还可以包括嵌入式控制器，诸如通用或可编程逻辑器件或阵列、专用集成电路、单片计算机等。
存储器204可以是非暂时性易失性存储器和非易失性存储器。存储器204可以被耦合用于与(一个或多个)处理器202通信，诸如为计算机可读存储介质。(一个或多个)处理器202可以执行存储在存储器204中的机器可读指令和/或源代码。各种各样的机器可读指令可以存储在存储器204并从存储器204访问。存储器204可以包括用于存储数据和机器可读指令的任何合适元件，诸如只读存储器、随机存取存储器、可擦除可编程只读存储器、电可擦除可编程只读存储器、硬盘驱动器、用于处理光盘、数字视频光盘、磁盘、磁带盒、存储卡的可移动介质驱动器等。在本实施例中，存储器204包括集成开发环境(IDE)216。IDE 216包括以机器可读指令的形式存储在上述存储介质中任一个上的自动化模块112，并且可以与(一个或多个)处理器202通信并由(一个或多个)处理器202执行。
当由(一个或多个)处理器202执行时，自动化模块112使(一个或多个)处理器202调度和促进技术设施106中的机器零件的预测性维护。
存储单元206可以是被配置用于存储数据库(诸如数据库118)的非暂时性存储介质，该数据库包括与工业领域集相关联的多个编程块的服务器版本。
通信接口208被配置用于在一个或多个客户端装置120A-120N与工业框架102之间建立通信会话。通信接口208允许在客户端装置120A-120N上运行的一个或多个工程应用将工程项目文件导入/导出到工业框架102中。
输入输出单元210可以包括能够接收一个或多个输入信号、诸如用于调度预测性维护的用户指令的输入装置、小键盘、触摸敏感显示器、摄像机(诸如接收基于手势的输入的摄像机)等。而且，输入输出单元210可以是用于显示图形用户界面的显示器单元，该图形用户界面使与技术设施106中的机器零件相关联的多个过程值可视化，以及还显示与一个或多个传感器108A-108N中的每一个相关联的状态信息。总线214充当处理器202、存储器204与输入输出单元210之间的互连。
网络接口212可以被配置为处理工业框架102、客户端装置120A-120N与技术设施106之间的网络连接性、带宽和网络流量。
本领域普通技术人员将理解，图2中所描绘的硬件可以针对特定实施方案而变化。例如，诸如光盘驱动器等的其他外围装置、局域网(LAN)、广域网(WAN)、无线(例如Wi-Fi)适配器、图形适配器、磁盘控制器、输入/输出(I/O)适配器也可以附加地被使用或代替所描绘的硬件被使用。所描绘的示例仅仅出于解释的目的被提供，并且并并不旨在暗示关于本公开的架构限制。
本领域技术人员将认识到，为了简单和清楚起见，本文中并未描绘或描述适合与本公开一起使用的所有数据处理系统的完整结构和操作。代替地，只描绘和描述了工业框架102的本公开特有的或对于理解本公开来说必要的这么多部分。工业框架102的构造和操作的剩余部分可以依照本领域已知的各种当前的实施方案和实践中的任一个。
图3是自动化模块112、诸如在图2中所示出的那些自动化模块的框图，在所述自动化模块中可以实施本发明的实施例。在图3中，自动化模块112包括请求处理程序(handler)模块302、对象行为模型生成模块304、分析模块306、调度器模块308、工程对象数据库310、验证模块312、以及部署模块314。图3结合图1和图2来解释。
请求处理程序模块302被配置用于接收请求以执行技术设施106中的机器零件的预测性维护。例如，经由网络从工业环境100外部的一个或多个用户之一接收请求。在替代的实施例中，经由网络从一个或一个或多个客户端装置120A-120N接收请求。
对象行为模型生成模块304被配置为基于与技术设施106中的每个机器零件相关联的多个参数生成人工智能模型。
分析模块306被配置用于分析所生成的与技术设施中的每个机器零件相关联的人工智能模型。
调度器模块308被配置用于调度机器零件中的每一个机器零件的预测性维护任务。
工程对象数据库310被配置用于针对技术设施106中的机器零件、并且还针对一个或多个传感器108A-108N、一个或多个传感器108A-108N之间的物理连接、以及与一个或多个传感器108A-108N和物理连接相关联的多个参数值，生成包括一个或多个对象行为模型的工程对象库。工程对象数据库310被配置用于利用工程程序的更新版本持续地更新工程对象库。而且，工程对象数据库310被配置用于在本体模式中维护工程对象库。
验证模块312被配置为生成技术设施106的机器零件的模拟实例。
部署模块314被配置用于为安装在技术设施106中的机器零件部署预测性维护任务。
图4A-图4J是说明根据本发明的实施例的促进机器零件的预测性维护的示例性方法的示意性表示。
在一个示例中，技术设施106中的多个机器零件可以包括在技术设施106中使用的多个控制阀。此外，多个原始设备制造商(OEM)可以制造多个机器零件。多个OEM可以向多个终端用户供应多个机器零件。多个机器零件中的每一个都可以包括一个或多个传感器，诸如一个或多个传感器108A-108N。一个或多个传感器108A-108N可以包括阀门定位器。
多个OEM向多个终端用户分派多个机器零件。多个机器零件与一个或多个传感器108A-108N一起被安装。多个终端用户中的每一个都可以拥有由所述多个OEM中的多个OEM制造的多个机器零件。此外，多个机器零件中的每个机器零件可以包括一个或多个传感器108A-108N。
自动化模块112可以被配置为接收与多个机器零件相关联的诊断信息。自动化模块112可以被配置为分析诊断信息并向一个或多个终端用户显示分析结果。在一个示例中，自动化模块112可以被实施为由一个或多个终端用户经由一个或多个客户端装置120A-120N使用的应用程序。在一个示例中，自动化模块112是用于调度和促进对由多个原始设备制造商制造的多个机器零件的预测性维护的工业框架的一部分。
例如，参考图5，示出了被配置为调度和促进技术设施106中的多个机器零件的预测性维护的工业框架500的示意性表示。工业框架500在工业环境100中被实施，该工业环境包括工业框架102、一个或多个传感器108A-108N、多个机器零件、一个或多个客户端装置120A-120N、以及自动化模块112。在一个示例中，工业框架500是基于应用的生态系统。
工业框架500包括服务提供商服务器502、安装在多个终端用户(506A、506B和506C)的工厂中的多个机器零件(504A和504B)。
多个机器零件(504A和504B)中的每一个都由多个原始设备制造商(OEM)(508A和508B)中的每一个制造。例如，第一类型(504A)的机器零件由第一OEM 508A制造。第二类型(504B)的机器零件由第二OEM 508B制造。多个终端用户(506A-506C)中的每一个都能够访问多个终端用户应用(510A-510C)中的特定终端用户应用。第一终端用户506A访问第一终端用户应用510A。第二终端用户506B访问第二终端用户应用510B。第三终端用户506C访问第三终端用户应用510C。相似地，多个OEM(508A-508B)可以访问多个oem应用(512A-512B)中的不同应用。第一OEM 508A可以访问第一oem应用512A。第二OEM 508B可以访问第二oem应用512B。
多个OEM应用(512A-512B)和多个终端用户应用(510A-510C)可以在一个或多个客户端装置(120A-120N)中的任一个中被执行。服务提供商服务器502可以在工业框架102中被实施。多个OEM应用(512A-512B)和多个终端用户应用(510A-510C)可以是基于网络的计算机应用或独立应用中的至少一个。
多个OEM应用512A-512B中的每一个接收与机器零件相关联的信息，所述机器零件由与多个OEM应用512A-512B中的特定OEM应用相关联的相应OEM制造。例如，第一OEM应用512A接收关于由第一OEM 508A制造的第一类型504A的机器零件的信息。值得注意的是，由第一OEM 508A制造的第一类型504A的机器零件存在于多个终端用户(506A-506C)的工厂/技术设施106中。所接收的信息包括与由第一OEM 508A制造的第一类型504A的机器零件中的每个机器零件相关联的诊断数据。诊断信息包括维护数据、磨损数据、一个或多个关键性能指标、特定机器零件的故障预测、以及由第一OEM 508A制造的第一类型504A的机器零件引起的工业停机时间的分析。第一OEM应用512A被配置为分析所接收的信息以向第一OEM508A提供以下信息：
1.由第一OEM 508A制造的第一类型504A的机器零件中的每个机器零件的客户和应用性能监测(application wise performance monitoring)。
2.第一类型504A的机器零件中处于操作中的机器零件的数量和在维护中的机器零件的数量。
3.第一类型504A的机器零件的维护调度和关于实行维护所需的必要备件的细节。
4.第一类型504A的机器零件的故障预测和故障原因。
5.对第一类型504A的机器零件的频繁故障的分析。
6.第一类型504A的机器零件在被安装在第一终端用户506A、第二终端用户506B、和第三终端用户506C的工厂中时的性能比较。该比较根据安装有机器零件的设施以及使用机器零件的应用来提供。
7.跟踪与第一类型504A的机器零件中的每一个相关联的传感器的保修单。例如，在传感器是阀门定位器并且机器零件是控制阀的情况下。第一OEM应用512A显示与定位器保修单和控制阀保修单相关联的信息。
8.应用特定的控制阀库存对(vs)该应用的安装基础。
9.由第一类型504A的机器零件引起的停机时间的分析。
10.第一类型504A的机器零件中的机器零件的备件和替换的规划。
多个终端用户应用510A-510B从被安装在多个终端用户(506A-506C)的大量工厂中的多个机器零件504A-504B接收信息。所接收的信息包括与多个机器零件504A-504B中的每一个相关联的诊断数据。诊断数据包括维护数据、磨损数据、一个或多个关键性能指标、特定机器零件的故障预测、以及由多个机器零件504A-504B引起的工业停机时间的分析。在一个示例中，从服务提供商服务器502接收信息。在另一示例中，信息由自动化模块112基于与多个机器零件(504A-504B)相关联的历史工厂数据生成。历史工厂数据包括与多个机器零件的历史KPI相关联的信息。
第一终端用户应用510A被配置为分析所接收的信息以向第一OEM 508A提供以下信息：
1.用于维护机器零件和过程仪器的维护调度。
2.机器零件和过程仪器的备件和库存的规划。
3.就已制造了特定类型的机器零件的特定OEM而言多个机器零件(504A-504B)中的每个类型的机器零件的比较性能评估。多个OEM 508A-508B中的每一个都基于比较性能分析来进行评级。
4.机器零件监测的警报历史。
5.多个机器零件504A-504B中的过程不规则行为(irregularities)预测。
6.尤其在多个机器零件504A-504B包括控制阀的情况下，在多个机器零件504A-504B周围的过程介质泄漏。
7.多个机器零件504A-504B)的预测寿命。
8.由多个oem 512A-512B中的不同OEM制造的不同类型的机器零件(504A-504B)之间的性能分析和性能比较。
9.与多个机器零件504A-504B中的每个机器零件相关联的停机时间(就时间和成本而言的)分析。
10.与多个机器零件504A-504B相关联的预报阀门维护经费。
11.多个机器零件504A-504B的备件管理和保修期监测。
12.用于多个机器零件504A-504B中的每一个的碳足迹监测的空气消耗比较效用(air consumption comparison utility)。
13.参考多个OEM 508A-508B中的已制造了多个机器零件504A-504B中的特定机器零件的OEM，多个机器零件504A-504B中的每一个的设计特点对多个机器零件504A-504B的实际特点的比较分析。
14.参考多个OEM 508A-508B中的已制造了多个机器零件504A-504B中的特定机器零件的OEM，多个机器零件504A-504B中的每一个的能量消耗的变化。能量消耗的变化基于根据季节性而变化的周围环境温度来分析。
15.管线保温状况监测(由于弱保温造成的温度损失)。
16.与机器零件测试台在工业框架500中的集成相关联的信息。
一个或多个客户端装置120A-120N还可以托管由原始设备制造商使用的应用程序。一个或多个终端用户可以将与OEM中的每一个相关联的数据上传到云服务器中。在这样的情况下，由OME使用的应用程序可以被配置为分析云服务器中的数据以生成关于OEM的一个或多个数据洞察。在一个示例中，由OEM使用的应用程序可以被托管在云服务器中。因此，即使在多个机器零件已经被安装在技术设施106中的情况下，OEM也可以使用应用程序来检索关于由OEM制造的多个机器零件的信息。与多个机器零件相关联的信息包括多个机器零件的位置以及与多个机器零件相关联的诊断信息。一个或多个终端用户具有关于安装在技术设施106中的多个机器零件的信息。
参考图4A，图4A是根据本发明的实施例的多个机器零件包括多个控制阀的场景的示意性表示。自动化模块112被配置为调度和预测多个机器零件的维护。自动化模块112具有输入层402、智能层404、输出层406、以及可视化层408。在这样的情况下，输入层402被配置为接收多个机器零件的维护调度。此外，输入层402被配置为接收关于所调度的维护所需的备件的信息。输入层402被配置为从多个机器零件的一个或多个定位器接收诊断数据，所述诊断数据包括冲程数(STRKS)、定位器的方向已改变的次数(CHDIR)、在线气动泄漏(ONLK)、静摩擦力(STIC)、和终点停止行为(ZERO，OPEN)、以及控制阀偏差(DEVI)。
接下来，智能层404被配置为将由输入层402接收的信息与在多个机器零件的参数化期间已经被配置在定位器中的阈值进行比较。智能层404首先考虑第一阈值。每当第一阈值被违反时，输出层406被配置为生成警报。输出层406被配置为调度相关维护事件。
智能层404此外包括机器学习模型。机器学习模型分析与诊断信息相关联的历史数据并预测诊断模型违反所生成的阈值的时隙。例如，如果预测出特定关键性能指示器到那时在特定日期之前有磨损，则智能层404使输出层406生成警报。此外，机器学习模型被训练为将诊断信息与在多个机器零件中频繁发生的一个或多个故障进行映射。机器学习模型被训练为将一个或多个备件映射到一个或多个故障中的每一个。智能层404被配置为使用机器学习模型来识别纠正技术设施106的多个机器零件中的多个故障所需的多个备件。根据数据分析，智能层404被配置为映射故障到备件映射表。在一个示例中，机器学习模型是基于回归的模型，这些基于回归的模型在给定诊断信息作为输入的情况下预测维护事件。
智能层404此外被配置为分析从一个或多个终端用户获得的历史测试数据。智能层404此外利用由机器学习模型在多个维护事件/故障、补救信息连同维护所需的多个备用零件之间进行的映射。
将从所生成的模型导出的维护事件预测与故障到备件映射相组合，智能层404被配置为预测故障和所需的备件。
智能层404此外被配置为通过应用自回归整合移动平均(ARIMA)模型来实行对诊断信息的时间序列分析并预报多个机器零件中的故障发生。
在一个示例中，输出层406被配置为经由友好通信交换格式通过JSON、XML格式将预测信息变换到可视化层410。可视化层410负责经由丰富的(rich)用户界面以直观的方式在网络应用中呈现由智能层404和输出层406生成的结果。
图4B是根据本发明的实施例的制造多个机器零件的多个OEM被评级的场景的示意性表示。输入层402被配置为接收与多个机器零件相关联的多个准则，诸如平均使用寿命、故障列表、针对多个机器零件完成的维护的列表、重复相似故障的次数计数。智能层404被配置为基于所接收的多个准则对多个OEM进行评级。例如，第一OEM可能制造与由第二OEM制造的控制阀相比具有更少故障的控制阀。此外，由同一OEM制造的相似阀门可以为不同应用提供不同性能。当为多个应用分配多个机器零件时，智能层404分析多个机器零件的多个准则。此外，输出层406被配置为显示分析的结果。分析的结果包括关于多个机器零件在多个应用中的每一个中的相对性能的信息。
图4C是根据本发明的实施例的监测由于多个机器零件中的每一个而生成的警报的场景的示意性表示。
输入层402被配置为整理由于多个机器零件中的故障而生成的警报。输入层402接收如在图4A中提及的所有诊断信息，此外，输入层402还监测死区(DBUP和DBDOWN)、温度(TMAX和TMIN)以及平均设定点(PAVG)。智能层404分析诊断信息和由于多个机器零件而生成的警报。输出层406被配置为显示由于多个机器零件中的每个机器零件而生成的警报中的每一个之间的关系。可视化层408被配置为输出与所生成的警报相关联的关键性能趋势并且还为每个所生成的警报提供检修提示。
图4D是根据本发明的实施例的在由多个控制阀实行的每个过程中预测过程不规则行为的场景的示意性表示。
输入层402被配置为接收参考图4A-图4C提及的所有诊断信息。此外，智能层404被配置为针对由多个机器零件完成的每个过程确定固定的对象集。对于特定过程，针对固定的对象集，存在诊断信息的典型范围。智能层404被配置为分析诊断信息以预测过程不规则行为。输出层406和可视化层408被配置为把所预测的过程不规则行为通知操作员。
图4E是根据本发明的实施例的在多个控制阀中预测过程介质泄漏的场景的示意性表示。
智能层404被配置为分析诊断信息以预测在多个机器零件中过程介质泄漏的发生。例如，智能层404可以被配置为分析最小和最大温度以及环境温度以预测过程介质泄漏。在一个示例中，使用机器学习模型来预测过程介质泄漏。
图4F是根据本发明的实施例的预测多个机器零件的使用寿命的场景的示意性表示。智能层404被配置为预测多个机器零件的定位器的使用寿命。在一个示例中，使用计数器来对多个机器零件的膨胀和收缩的循环次数计数。多个机器零件中的每一个都具有膨胀收缩循环的总有限次数。智能层404基于膨胀和收缩循环次数的计数与膨胀收缩循环的总有限次数来确定多个机器零件的剩余使用寿命。
图4G是根据本发明的实施例的预测由多个机器零件引起的停机时间的场景的示意性表示。
输入层402被配置为接收技术设施106的操作员的操作员日志。输入层402被配置为确定针对多个机器零件中的每一个中的故障的纠正所记录的时间量。输入层402此外被配置为记录在故障的纠正中所消耗的任何备件。输出层408被配置为显示与由多个机器零件中的每一个引起的停机时间、以及还有用于纠正过程所消耗的备件相关联的数据。
图4H是根据本发明的实施例的预测维护多个机器零件所需的预算的场景的示意性表示。
输入层402被配置为接收财政年度中用于维护的预算。智能层404被配置为分析任何所预测的维护事件、以及针对该财政年度所预测的备件消耗，并预测在该财政年度结束时的剩余预算。例如，使终端用户能够在输入层402中定义财政年度。此外使终端用户能够输入用于多个机器零件的维护活动的预算。技术设施106的操作员被配置为在每个维护事件结束期间输入关于所消耗的任何备件的数据。智能层406被配置为计算剩余预算。
图4I是根据本发明的实施例的订购维护多个机器零件所需的备件的场景的示意性表示。
输入层402被配置为确定针对每个维护事件所需的备件的列表。
输出层406被配置为从多个oem订购列表中的备件。
图4J是根据本发明的实施例的预测由多个机器零件所消耗的能量的场景的示意性表示。
智能层404被配置为分析诊断信息以计算由多个机器零件中的每一个所消耗的能量。此外，将由第一OEM制成的每个机器零件所消耗的能量与由第二oem制成的每个机器零件所消耗的能量进行比较。而且，将由第一OEM制成的每个定位器所消耗的能量与由第二oem制成的每个定位器所消耗的能量进行比较。输出层408被配置为向终端用户呈现所消耗的能量的差异。
在本发明的示例性实施例中，输入层402利用通过典型的工业物联网(IioT)连接网络从由定位器进行的阀门定位器测量所接收的过程数据。从定位器获得的数据包括直接KPI以及诸如静态数据和工厂信息之类的辅助信息。
本发明可以采取计算机程序产品的形式，该计算机程序产品包括可以从存储程序代码的计算机可用或计算机可读介质访问的程序模块，以供一个或多个计算机、处理器或指令执行系统使用或结合一个或多个计算机、处理器或指令执行系统使用。为了本描述的目的，计算机可用或计算机可读介质可以是能够包含、存储、传递、传播或传输程序以供指令执行系统、设备或装置使用或者结合指令执行系统、设备或装置使用的任何设备。介质可以是电子、磁性、光学、电磁、红外、或半导体系统(或设备或装置)，或者本身作为不包括在物理计算机可读介质的定义中的信号载体的传播介质，所述物理计算机可读介质包括半导体或固态存储器、磁带、可移动计算机磁盘、随机存取存储器(RAM)、只读存储器(ROM)、硬磁盘和诸如光盘只读存储器(CD-ROM)、光盘读/写与DVD之类的光盘。如本领域技术人员已知的，用于实施本技术的每个方面的处理器和程序代码均可以是集中式的或分布式的(或其组合)。
尽管已参考某些实施例详细地描述了本发明，但应当理解的是，本发明并不限于那些实施例。考虑到本公开，对本领域技术人员而言，许多修改和变型将自己呈现，而不偏离如本文中所描述的本发明的各种实施例的范围。因此，本发明的范围是由以下权利要求而不是前面的描述来指示的。在权利要求的等效意义和范围内的所有改变、修改和变型都应被认为在其范围内。在方法权利要求中所要求保护的所有有利实施例也可以应用于系统/设备权利要求。
附图标记的列表
1.工业环境100
2.工业控制系统102
3.一个或多个客户端装置120A-120N
4.网络104
5.一个或多个工程对象108A-108N
6.一个或多个客户端装置120A-120N
7.平台110
8.自动化模块112
9.服务器114
10.网络接口116
11.数据库118
12.(一个或多个)处理器202
13.可访问的存储器204
14.存储单元206
15.通信接口208
16.输入输出单元210
17.网络接口212
18.总线214
19.集成开发环境(IDE)216
20.请求处理程序模块302
21.对象行为模型生成模块304
22.分析模块306
23.修改器模块308
24.工程对象数据库310
25.验证模块312
26.部署模块314
27.输入层402
28.智能层404
29.输出层408
30.可视化层410
31.服务提供商服务器502
32.多个机器零件504A-504B
33.多个终端用户506A-506C
34.多个oem 508A-508B
35.多个终端用户应用510A-510C
36.多个oem应用512A-512B
Claims (11)
1.一种促进技术设施(106)中的机器零件的预测性维护的方法，所述方法包括：
由处理单元(202)接收与多个机器零件相关联的诊断信息；
由所述处理单元(202)接收关于与所调度的维护相关联的备件的信息；
由所述处理单元(202)将接收到的信息和与所述多个机器零件相关联的一个或多个阈值进行比较；
由所述处理单元(202)基于接收到的信息和与所述多个机器零件相关联的一个或多个阈值的比较的结果生成至少一个警报；以及
由所述处理单元(202)基于所生成的警报调度维护事件。
2.根据权利要求1所述的方法，此外包括：
由所述处理单元(202)使用机器学习模型分析与诊断信息相关联的历史数据，所述诊断信息与所述多个机器零件相关联；
由所述处理单元(202)预测由所述多个机器零件违反所述一个或多个阈值的多个时隙；
由所述处理单元(202)将所述诊断信息和与所述多个机器零件相关联的多个备用零件进行映射；
由所述处理单元(202)生成实行所调度的维护活动所需的备用零件的列表。
3.根据权利要求1或2中任一项所述的方法，此外包括：
由所述处理单元(202)基于所述多个机器零件的多个OEM分析所述多个机器零件；以及
由所述处理单元(202)显示所述分析的结果。
4.根据权利要求1至3中任一项所述的方法，此外包括：
由所述处理单元(202)基于与所述多个机器零件相关联的所述诊断信息的分析确定多个过程不规则行为；以及
由所述处理单元(202)通知操作员所确定的过程不规则行为。
5.根据权利要求1至3中任一项所述的方法，此外包括：
由所述处理单元(202)基于所述诊断信息的分析预测所述多个机器零件中的每一个的使用寿命；以及
由所述处理单元(202)通知操作员所述多个机器零件的所确定的使用寿命。
6.根据权利要求1至3中任一项所述的方法，此外包括：
由所述处理单元(202)基于所述诊断信息的分析预测由所述多个机器零件中的每一个消耗的能量；以及
由所述处理单元(202)通知操作员所预测的由所述多个机器零件中的每一个消耗的能量。
7.一种用于促进多个机器零件中的预测性维护的工业框架(102)，其中所述工业框架(102)包括：
处理单元(202)；以及
耦合到所述处理单元(202)的存储器(204)，其中所述存储器包括以能够由一个或多个处理器执行的机器可读指令的形式存储的多个终端用户应用(50A-50C)和多个oem应用(512A-512B)，其中所述多个终端用户应用(50A-50C)和所述多个oem应用(512A-512B)能够实行根据权利要求1至6中任一项所述的方法。
8.根据权利要求7所述的工业框架(102)，其中：
所述多个oem应用(512A-512B)中的第一OEM应用(512A)被配置为：
接收关于由第一OEM(508A)制造的一个或多个机器零件的信息；以及
分析接收到的信息以生成关于下列项的信息：
1)操作中的机器零件的数量，
2)维护中的机器零件的数量，
3)用于所述多个机器零件的维护调度，
4)所述多个机器零件中的故障的预测，
5)所述多个机器零件中的每个机器零件与其他机器零件的的性能统计的比较，以及
6)与所述多个机器零件中的每一个相关联的保修信息。
9.根据权利要求7所述的工业框架(102)，其中：
所述多个终端用户应用(510A-510B)被配置为：
从所述多个机器零件(504A-504B)接收诊断信息；以及
分析接收到的诊断信息以生成关于下列项的信息：
1)操作中的机器零件的数量，
2)所述多个机器零件的警报历史，
3)用于所述多个机器零件的维护调度，
4)所述多个机器零件中的故障的预测，
5)所述多个机器零件中的每个机器零件与其他机器零件的的性能统计的比较，以及
6)所述多个机器零件中的每一个的过程不规则行为的预测，
7)所述多个机器零件中的每一个的空气消耗比较的预测。
10.一种工业环境(100)，包括：
如权利要求9中所要求保护的工业框架(102)；
包括多个机器零件(504A-504C)的技术设施(106)；以及
经由网络(104)通信地耦合到所述工业框架(102)的多个人机界面(120A-120N)，其中所述工业框架(102)被配置为实行根据权利要求1至6中任一项所述的方法。
11.一种计算机程序产品，具有存储在其中的机器可读指令，所述机器可读指令在由处理单元(202)执行时促使处理器实行根据权利要求1至6中任一项所述的方法。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| IN202131030906 | 2021-07-09 | ||
| IN202131030906 | 2021-07-09 | ||
| PCT/EP2022/068930 WO2023280987A1 (en) | 2021-07-09 | 2022-07-07 | Method, system and framework for facilitating predictive maintenance for machine parts in an industrial environment |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117957506A true CN117957506A (zh) | 2024-04-30 |
Family
ID=82748158
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202280061049.0A Pending CN117957506A (zh) | 2021-07-09 | 2022-07-07 | 用于在工业环境中促进机器零件的预测性维护的方法、系统和框架 |
Country Status (3)
| Country | Link |
|---|---|
| EP (1) | EP4352583A1 (zh) |
| CN (1) | CN117957506A (zh) |
| WO (1) | WO2023280987A1 (zh) |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7797062B2 (en) * | 2001-08-10 | 2010-09-14 | Rockwell Automation Technologies, Inc. | System and method for dynamic multi-objective optimization of machine selection, integration and utilization |
-
2022
- 2022-07-07 EP EP22748271.8A patent/EP4352583A1/en active Pending
- 2022-07-07 CN CN202280061049.0A patent/CN117957506A/zh active Pending
- 2022-07-07 WO PCT/EP2022/068930 patent/WO2023280987A1/en active Application Filing
Also Published As
| Publication number | Publication date |
|---|---|
| WO2023280987A1 (en) | 2023-01-12 |
| EP4352583A1 (en) | 2024-04-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US8155908B2 (en) | Systems and methods for real-time system monitoring and predictive analysis | |
| JP2017142800A (ja) | プロセス制御ネットワークのルールビルダー | |
| EP3355145A1 (en) | Systems and methods for reliability monitoring | |
| AU2018271267B2 (en) | Robotic regression testing for smart devices | |
| CN113820993A (zh) | 生成工业控制编程的方法、系统和非暂态计算机可读介质 | |
| CN112581303A (zh) | 用于工业自动化的人工智能通道 | |
| CN106575282B (zh) | 用于先进过程控制的云计算系统和方法 | |
| US9208267B2 (en) | Cloud based simulation and analysis for control appliances | |
| Ahmad et al. | Analyzing critical failures in a production process: Is industrial IoT the solution? | |
| CN114063574A (zh) | 工业装置、方法及非暂态计算机可读介质 | |
| Ku | A study on prediction model of equipment failure through analysis of big data based on RHadoop | |
| EP4033390A1 (en) | System and method for fault prediction and management of an asset | |
| WO2021052777A1 (en) | System, apparatus and method for predicting attributes of an asset | |
| EP4174601A1 (en) | System, apparatus and method for monitoring condition of an asset in technical installation | |
| EP3217241A2 (en) | Calibration technique for rules used with asset monitoring in industrial process control and automation systems | |
| Zuo et al. | Research on remote state monitoring and intelligent maintenance system of CNC machine tools | |
| CA3188727A1 (en) | Systems and methods for hvac equipment predictive maintenance using machine learning | |
| CN117957506A (zh) | 用于在工业环境中促进机器零件的预测性维护的方法、系统和框架 | |
| Jiang et al. | Condition-based switching and replacement policies for a two-unit warm standby redundant system subject to non-instantaneous switchover | |
| US20170277142A1 (en) | Process control system performance analysis using scenario data | |
| Lünnemann et al. | The Digital Twin for Operations, Maintenance, Repair and Overhaul | |
| Silva et al. | Predictive maintenance for sensor enhancement in industry 4.0 | |
| Lima et al. | Predictive maintenance applied to mission critical supercomputing environments: remaining useful life estimation of a hydraulic cooling system using deep learning | |
| Novikov et al. | Application of the open operating system ‘MindSphere’in digital transformation of high-tech enterprises | |
| EP4141648A1 (en) | Method and system for generating automation domain objects using knowledge from another automation domain object |
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 |