JP2020056783A - 抵抗測定を使用してｒｕｌを予測するための物理ベースのモデル粒子フィルタリングフレームワーク - Google Patents

Abstract

【課題】機械的及び電気的機器における機械的故障の検出及び診断は、多くの産業において非常に重要であり得る。【解決手段】一実施形態は、導電性材料で少なくとも部分的に作製された耐荷重性構造体の耐用年数を推定するためのシステムを提供することができる。動作中、システムは、耐荷重性構造体のための物理ベースの損傷モデルを確立し、動的測定を実行して、疲労サイクルの関数として、耐荷重性構造体の少なくとも１つの導電性特性を取得し、測定された導電性特性に基づいて、物理ベースの損傷モデルのパラメータを推定し、物理ベースの損傷モデルの推定されたパラメータに基づいて、耐荷重性構造体の耐用年数を推定する。【選択図】図１

Description

本開示は、概して、障害診断及び予後診断のためのシステム及び方法に関する。より具体的には、本開示は、耐荷重性ケーブルなどの工学構造体又は機器の残りの耐用年数（ＲＵＬ）（ｒｅｍａｉｎｉｎｇ ｕｓｅｆｕｌ ｌｉｆｅ）を予測するための物理ベースのモデリングを実施することに関する。

機械的及び電気的機器における機械的故障の検出及び診断は、多くの産業において非常に重要であり得る。このような機器の総耐用年数（ＴＵＬ）（ｔｏｔａｌ ｕｓｅｆｕｌ ｌｉｆｅ）又は残りの耐用年数（ＲＵＬ）の正確な予測は、大きな経済的影響を与える可能性がある。例えば、データ又は電荷を担持するケーブルは、電気通信産業、自動車産業、ヘルスケア産業、発電及び配電産業などを含む多くの産業において必須である。耐荷重性ケーブルの破損は、時には、壊滅的な結果をもたらす場合がある。

モデルベースの診断技術及びデータ駆動診断技術を含む、障害診断のための２種類のアプローチがある。モデルベースのアプローチでは、診断されている機械のモデル（すなわち、システム）を、診断エンジンに提供することができる。更に、診断エンジンは、モデルのパラメータの値、並びに入力値及び出力値の一部を受信することができる。モデルベースの診断の目標は、システムモデル及び利用可能な入力／出力値のみから、障害が存在するかどうか、並びにその場合に、障害の原因を判定することである。このプロセスは、大量の計算リソースを必要とする場合がある。一方では、データ駆動アプローチは、異なる障害モード下でのシステムの挙動を説明するラベル付きデータで訓練された統計モデル（例えば、分類子又はリグレッサ）を使用する。このデータ駆動アプローチは、有意義な統計モデルを構築するために、大量のデータを必要とする。しかしながら、このような条件は、容易に満たされない場合がある。

多くの異なるタイプの電気的又は機械的機器は、様々な導電性（例えば、熱的、電気的、又は磁気的）特性を有する材料を使用する。このような材料の例としては、金属、合金、及び炭素複合体が含まれ得る。いくつかの用途（例えば、信号及び充電ケーブル）は、設計された機能を果たすために導電性特性を直接使用する。他の用途（例えば、構造体材料として航空機に使用される炭素複合体）は、その優れた機械的特性により、特定の材料のみを使用することができる。これらの工学用途における材料は、疲労損傷評価に影響を及ぼす（例えば、車両に使用されるハーネスケーブルについての）振動、及び（例えば、電気ケーブルについての）電気充電サイクルなどの環式負荷を受ける。

一実施形態は、導電性材料で少なくとも部分的に作製された耐荷重性構造体の耐用年数を推定するためのシステムを提供することができる。動作中、システムは、耐荷重性構造体のための物理ベースの損傷モデルを確立し、動的測定を実行して、疲労サイクルの関数として、耐荷重性構造体の少なくとも１つの導電性特性を取得し、測定された導電性特性に基づいて、物理ベースの損傷モデルのパラメータを推定し、物理ベースの損傷モデルの推定されたパラメータに基づいて、耐荷重性構造体の耐用年数を推定する。

この実施形態の変形例では、物理ベースの損傷モデルは、耐荷重性構造体の物理的構造体をモデリングする分析部分と、損傷劣化をモデリングする半分析部分と、を含む。

この実施形態の変形例では、少なくとも導電性特性は、電気抵抗、熱抵抗、及び磁気抵抗のうちの１つ以上を含む。

この実施形態の変形例では、物理ベースの損傷モデルのパラメータを推定することは、ベイジアン推測ベースのフィルタリングアルゴリズムを適用することを含む。

更なる変形例では、ベイジアン推測ベースのフィルタリングアルゴリズムは、粒子フィルタリングアルゴリズムを含む。

この実施形態の変形例では、物理ベースの損傷モデルの推定パラメータは、損傷変数、損傷成長率を示すパラメータ、及び総耐用年数を示すパラメータを含む。

この実施形態の変形例では、耐荷重性構造体は、耐荷重性ケーブルを含む。

一実施形態は、導電性材料で少なくとも部分的に作製された耐荷重性構造体における構造的損傷を監視するためのシステムを提供することができる。動作中、システムは、耐荷重性構造体の物理ベースの損傷モデルを確立し、動的測定を実行して、疲労サイクルの関数として、耐荷重性構造体の少なくとも１つの導電性特性を取得し、測定された導電性特性に基づいて、物理ベースの損傷モデルのパラメータを推定することによって、損傷の状態及び損傷成長率を推測する。

一実施形態による、機械的システムの例示的なグレーボックスモデルを示す。 様々なクラック条件下でのケーブルの有効耐荷重性領域を示す。 一実施形態による、ケーブルの抵抗測定結果を示す。 一実施形態による、１まとまりの機器の残りの耐用年数（ＲＵＬ）を推定するための例示的な粒子フィルタリングフレームワークを示す。 粒子フィルタの動作プロセスを示すフローチャートを提示する。 一実施形態による、ＲＵＬを予測するためのプロセスを示すフローチャートを提示する。 一実施形態による、マルチストランドケーブルの抵抗をシミュレートするためのシミュレーションインターフェースを示す図を提示する。 一実施形態による、ユニットバンドルのモデリングを示す。 一実施形態による、２８本のストランドケーブルの損傷変数のシミュレーション結果を、時間の関数として示す。 一実施形態による、異なる初期摩耗条件下での損傷シミュレーションを示す。 一実施形態による、粒子フィルタ予測と実験測定結果との間の比較結果を示す。 一実施形態による、粒子フィルタ予測と実験測定結果との間の比較結果を示す。 一実施形態による、粒子フィルタ予測と実験測定結果との間の比較結果を示す。 一実施形態による、ＲＵＬ予測システムを容易にする例示的なコンピュータシステムを示す。 一実施形態による、ＲＵＬ推定システムを容易にする例示的な装置を示す。

本明細書に記載される実施形態は、電気的、熱的、又は磁気伝導性材料を含む機械的及び／又は電気的機器（例えば、耐荷重性ケーブル）に対して、故障診断及び予後診断を実行する技術的問題を解決する。より具体的には、システムは、１まとまりの機器（例えば、ケーブル）の機械的寿命を、その導電性特性（例えば、電気抵抗、熱抵抗、又は磁気抵抗）にマッピングすることができる。例えば、ケーブルの電気抵抗を測定することによって、システムは、ケーブルのＴＵＬ又はＲＵＬを予測することができる。いくつかの実施形態では、物理ベースのモデルを使用して、機器の機械的及び導電性特性をリンクすることができ、分析モデリング及び実験に基づく調査の両方に基づいて、半分析的損傷蓄積モジュールを確立することができる。更に、システムは、物理ベースのモデルを粒子フィルタリングフレームワークと統合して、モデルパラメータを推定し、したがって、ＴＵＬ又はＲＵＬを予測することができる。

物理ベースのモデリングを使用して、実際の問題の本質的な物理学をキャプチャすることができる。このようなモデリングを使用して、まだ研究されていない、又はデータがまだ利用可能でない状況下でのシステムの挙動を予測することができる。３つのタイプの物理ベースのモデル、ホワイトボックスモデル、ブラックボックスモデル、及びグレーボックスモデルが存在する。

ホワイトボックスモデルでは、システムは、その物理的構造体に基づいて、サブコンポーネントに分解することができる。例えば、マルチストランドケーブルは、複数のストランドに分解され得る。各コンポーネント（例えば、単一ストランドのケーブル）の物理的挙動は、一連の分析式（例えば、微分方程式）によって表され得る。例えば、単一ストランドのケーブルの電気伝導は、分析式を用いて表され得る。全体的な挙動は、サブコンポーネント間の相互作用に起因し得る。ホワイトボックスモデルのパラメータは物理的な意味を有し、設計時に選択される（例えば、技術的仕様）か、又は（例えば、システムが使用中の場合に）データから推定される。

システムの内部機構の知識がほとんどない場合、ホワイトボックスモデルを実装することは不可能である。代わりに、システムの入力と出力との間のマッピングを表すブラックボックスモデルを使用することができる。ブラックボックスモデルでは、パラメータは物理的意味を有さない。深層学習ニューラルネットワークなどの様々な機械学習技術を使用して、ブラックボックスモデルのパラメータを推測することができる。例えば、ケーブルの分解速度は、負荷及び損傷条件に基づいて、ニューラルネットワークを使用して推測することができる。

多くの状況では、システムの内部動作に関する全ての詳細は知られていない。このような状況では、「欠落」部分に関するモデルを、実験データから構築することができる。このようなモデルは、グレーボックスモデルと呼ばれることがある。グレーボックスモデリングは、セミ物理モデリングとしても知られており、システムは、システム内のサブコンポーネントの既知の物理的挙動を表す一連の分析式、及び未知の物理的挙動を表す１つ以上の追加的な非分析式を使用して、説明され得る。

図１は、一実施形態による、機械的システムの例示的なグレーボックスモデルを示す。機械的システム１００は、質量１０２、ばね１０４、及びダンパー１０６を含むことができる。ばね１０４及びダンパー１０６の動力学は周知である。加えて、機械的システム１００はまた、その動力学が既知ではないが、実験データから推測することができる、コンポーネント１０８を含むことができる。グレーボックスモデリングを使用して、以下の式のセットを使用して、機械的システム１００を説明することができる。

上記式中、ｍは質量であり、ｘは変位であり、ｇは重力定数であり、Ｆｓは力であり、ｋ及びｃは、それぞればね定数及びダンパー定数である。質量、ばね、及びダンパーの動力学は、明確に定義された式（すなわち、式（１）、（４）、及び（５）を使用して表され得る。しかしながら、コンポーネント１０８の動力学は既知ではなく、式（２）における関数Ｔ（Ｆ）は、実験データからのみ導出することができる。参照することができるように、モデルを説明するために使用される式は、分析式及び非分析式の混合物である。このようなハイブリッドモデルを使用して、多くの実際のシステムを説明することができる。体重負荷ケーブルを実施例として使用すると、ケーブルの一般的な形態及び劣化の傾向を知ることができるが、ケーブルの劣化速度は、実験データから推測される必要がある。いくつかの実施形態では、このような情報を推測することは、ケーブルの電気的特性を取得することを含むことができる。

様々な導電性特性（例えば、導電性、熱伝導性、又は磁気伝導性特性）は、マイクロスケール及びマクロスケールの両方で、材料構造体に緊密にリンクされ得る。材料の損傷は、耐荷重性能力、並びに電気伝導経路、熱伝導経路、及び磁気伝導経路の変化をもたらし得る。図２は、様々なクラック条件下でのケーブルの有効耐荷重性領域を示す。より具体的には、図２は、様々な劣化条件における多数のケーブル（例えば、ケーブル２０２及び２０４）を示す。左から右に、劣化はますます悪化し、ケーブル２０６は完全に破壊されている。図２からわかるように、各ケーブルにおけるマイクロクラック又はクラック（例えば、ケーブル２０４におけるマイクロクラック２０８又はケーブル２０６におけるクラック２１０）は、ケーブルの断面積に影響を及ぼし得る。電流伝導断面積は、ケーブルの耐荷重性（又は体重負荷）断面積に等しいため、これらのマイクロクラック又はクラックは、ケーブルの耐荷重性断面積を減少させるだけでなく、また、ケーブルの導電性断面積を減少させる。したがって、電気抵抗、熱抵抗、又は磁気抵抗測定は、機器（例えば、ケーブル）における損傷と関連付けられた情報を提供することができる。機械的測定（例えば、ひずみ又は応力を測定する）と比較して、電気的又は熱的測定は、機器のサービスを中断することなく実装が簡単であり得、したがって長期的な障害監視を可能にする。

材料又は構造的損傷は、多くの場合、時間とともに成長し、材料の進行性の内部悪化をもたらし得る。正規化された損傷変数Ｄを定義することができ、ここにおいて、Ｄ＝０は非損傷状態を指し、Ｄ＝１は完全に故障した（例えば、破壊された）状態を指す。電気伝導経路と機械的耐荷重性との間の類推に基づいて、損傷変数はまた、断面積の関数として表すことができ、

式中、Ａ_０は、損傷前の検体（例えば、ケーブル）の有効断面積であり、Ａは、負荷を運び、電気を伝導する検体の電流有効断面積である。ケーブルの断面積は、電流伝導に影響を及ぼし得るため、いくつかの実施形態では、断面積の間の比は、断面積に反比例する測定された電気抵抗で置き換えることができる。したがって、損傷変数は、以下のように表すことができる。

式中、Ｒ_０は、損傷前のケーブルの電気抵抗であり、Ｒは、電流電気抵抗及び正規化された抵抗

である。電気抵抗に加えて、熱抵抗又は磁気抵抗もまた、損傷変数を計算するために使用することができる。以下の説明では、損傷変数を推定するための実施例として電気抵抗測定を使用するが、本開示の範囲は、電気抵抗測定に限定されない。

疲労により誘発される構造的損傷は、多くの場合、経時的に蓄積する。前述のように、機器の疲労損傷累積モデルは、典型的には、連続的な損傷機械的理論又は実験調査に基づく分析及び非分析（又は半分析）式の両方を必要とする。パリスの法則は、均質材料におけるクラック成長を説明するために広く使用されてきた。より具体的には、パリスの法則は、クラックの大きさ及び局所的応力強度などのマイクロスケールの構造体特性を使用する。パリスの法則は、以下のように表すことができる。

式中、αは半クラック長さであり、Ｎは疲労サイクル（例えば、負荷サイクル）の数であり、

は、疲労サイクルの数に対する半クラック長さの変化率であり、Ｃは、クラック成長式及びクラックの形状の材料定数であり、ｍは、材料のタイプに基づいて選択され得る指数であり、ΔＫは疲労サイクル中の応力強度係数の範囲である。

パリスの法則に着想を得て、次のように、マイクロスケールの損傷変数（すなわち、Ｄ）に対するべき法則式を導出することができる。

式中、α及びＮ_ｆはモデル係数である。Ｄ＝Ｄ_ｃ≦１は、破損状態に対応し、Ｄ_ｃは、材料依存性である臨界損傷度であり、実験から判定され得る。Ｄの式をべき法則式に代入することにより、損傷蓄積モデルを説明する一セットの方程式を得ることができる。より具体的には、式（６）を式（８）に代入すると、

を得ることができる。

Ｄに関する微分方程式はまた、式（８）を介して得ることができる。

この損傷蓄積モデルは、損傷変数Ｄを正規化された電気抵抗ｒにリンクし、これは測定可能である。

図３は、一実施形態による、ケーブルの抵抗測定結果を示す。図面から見ることができるように、式（９）によって示されるように、ほぼ線形の傾向が示されている。曲線の端部（すなわち、ｒ＝１）は、完全に破壊されたケーブルの状況を表す。モデルの入力（すなわち、疲労サイクル数Ｎ）及び出力（例えば、ｒの測定値）を与えた場合、モデルパラメータ（すなわち、［Ｄ，α，Ｎ_ｆ］）を推定することができ、Ｄは損傷変数であり、αは、損傷成長率を反映し、Ｎ_ｆは、疲労サイクル数に関して総耐用年数を反映する。

様々なベイジアン推測ベースのアルゴリズムを使用して、前述の疲労蓄積モデルのパラメータを推定することができる。モデルパラメータ間の非線形関係により、モデルパラメータを推定するために、粒子フィルタが使用されてきた。図４は、一実施形態による、１まとまりの機器のＲＵＬを推定するための例示的な粒子フィルタリングフレームワークを示す。

図４において、ＲＵＬ推定フレームワーク４００は、２つの段階、状態追跡段階４０２、及び予測段階４０４を含み得る。状態追跡段階４０２は、係数及び損傷変数を推定するためのものである。より具体的には、状態追跡段階４０２は、システムモデルを維持するためのシステムモデリングモジュール４０６を含むことができる。モデルの状態ベクトルは、一セットの変数を選択することによって以下のように定式化され得る。ｘ＝［Ｄ，α，Ｎ_Ｌ］^Ｔ。状態空間モデルは、状態遷移式ｘ_ｋ＋１＝ｆ（ｘ_ｋ）＋ｖ_１，ｋ、及び測定式ｇ（ｘ_ｋ）で説明され得、式中、ν_１，ｋ及びν_２，ｋは、ノイズ用語（例えば、ガウス分布ノイズ）であり、ｒ_ｋ＝ｇ（ｘ_ｋ）＋ｖ_２，ｋは、材料システムの電気ネットワークを表し、ｆ（ｘ_ｋ）は、物理ベースの損傷蓄積モデルを表し、ｒは正規化された抵抗である。

状態追跡段階４０２は、状態（すなわち、モデルパラメータ）を推定するための粒子フィルタ４０８を更に含むことができる。より具体的には、粒子フィルタ４０８は、測定モジュール４１０から測定結果を受信する。例えば、測定モジュール４１０は、電気抵抗の測定を提供することができる。システムモデル及び測定結果に基づいて、粒子フィルタ４０８は、状態の後の確率密度関数（ＰＤＦ）（ｐｒｏｂａｂｉｌｉｔｙ ｄｅｎｓｉｔｙ ｆｕｎｃｔｉｏｎ）を出力することができる。

粒子フィルタは、状態／パラメータ推定問題を解決するための有効なツールであり得る。一セットのノイズ測定値のセット（例えばＺ_１：ｔ＝｛ｚ（τ）｜τ＝０，１，．．．ｔ｝）が与えられると、粒子フィルタを使用して、状態変数ｓ（ｔ）及びモデルパラメータθ（ｔ）からなる状態ｘ（ｔ）の推定を見つけることができる。確率密度は、ｐ（ｘ（ｔ）｜Ｚ_１：ｔ）などの連続的なＰＤＦによって表され得る。

粒子フィルタは、後のＰＤＦを以下のようにセットとして反復的に近似することができる。

式中、

は、（状態変数及びモデルパラメータを含む）状態空間の点であり、

は、点と関連付けられた重要な重みである。より具体的には、Ｘ：＝｛ｓ_１，ｓ_２，．．．，Ｓ_ｍ，θ_１，θ_２，．．．，θ_ｎ｝。粒子フィルタでは、状態はＰＤＦとして表すことができ、アルゴリズムは、一セットの粒子及び関連付けられた重みとして、状態ＰＤＦをサンプリングすることを含む。システムは、モデルに従って粒子値を伝搬し、測定結果に基づいて重量を更新する。

図５は、粒子フィルタの動作プロセスを示すフローチャートを提示する。動作は、粒子の初期化から開始する（動作５０２）。より具体的には、システムは、

を提案し、粒子を伝搬する。システムは、各粒子に対する測定の尤度を計算する（動作５０４）。例えば、システムは、状態空間式

に基づいて、尤度関数

を計算し、ここで、ω_ｋ及びν_ｋはノイズを表す。システムは、尤度に基づいて粒子重量を更新し（動作５０６）、次いで、重みを正規化する（動作５０８）。より具体的には、システムは、

を計算することができる。次いで、このシステムは、粒子をより大きい重量で保持することによって、粒子を再サンプリングすることができる（動作５１０）。このプロセスは、収束に達するまで繰り返される。

図４に戻ると、ＲＵＬ推定フレームワーク４００の推定段階４０４では、システムモデル調整モジュール４１２は、状態追跡段階４０２から識別されたモデル（例えば、固定モデルパラメータを有するモデル）を受信し、破損閾値推定モジュール４１４から破損閾値を受信する。予測段階４０４では、モデルパラメータが固定され、システムは、各粒子によって運ばれた状態ベクトルを使用して、破損に対する実行シミュレーションを実行する。予測されるＲＵＬ（例えば、Ｎ_ｆによって表される）は、各粒子からの予測の重量平均をとることによって計算され得、ここで重みは、状態追跡段階４０２で判定される。

図６は、一実施形態による、ＲＵＬを予測するためのプロセスを示すフローチャートを提示する。動作中、システムは、調査中の機器の物理ベースのモデルを取得する（動作６０２）。より具体的には、物理ベースのモデルは、機器の様々なコンポーネントの構造体の分析説明と、損傷の成長を説明する半物理的構造体損傷蓄積モデルとの両方を含む。より具体的には、モデルは、１つ以上の既知の物理学法則（例えば、ニュートンの法則又はアンペアの法則）から導出された分析式、及び実験データに基づいて得られた半分析式の両方を含む。

システムは、オブザーバブルとしても知られる１つ以上の状態変数の測定結果を取得する（動作６０４）。測定は、サービス中に実行することができる。いくつかの実施形態では、システムは、調査中の機器の少なくとも１つの導電性特性（例えば、電気抵抗、熱抵抗、又は磁気抵抗）を測定する。次いで、このシステムは、粒子フィルタを使用して、物理ベースのモデルの未知のパラメータを推定する（動作６０６）。粒子フィルタからは、様々な重量の粒子数を出力することができることに留意されたい。推定されたモデルパラメータは、損傷成長率を含むことができる。次いで、システムは、機器のＲＵＬ又はＴＵＬを予測するためのシミュレーションを実行する（動作６０８）。いくつかの実施形態では、システムは、各粒子によって運ばれた（損傷成長率を含み得る）状態ベクトルを使用して、破損に対する実行シミュレーションを実行し、各粒子からの予測の重量平均をとることによって、ＲＵＬを予測することができる。換言すれば、システムは、粒子を使用してＲＵＬを予測し、次いで、全ての粒子について、ＲＵＬの重量平均を計算することができる。

前述の粒子フィルタリングアルゴリズムに加えて、アンセンテッドカルマンフィルタなどのその他のベイジアン推測ベースのフィルタリングアルゴリズムもまた、状態追跡及びＲＵＬ予測に使用することができる。

図７Ａは、一実施形態による、マルチストランドケーブルの抵抗をシミュレートするためのシミュレーションインターフェースを示す図を提示する。マルチストランドケーブル７００は、複数のセクション（例えば、セクション７０２及び７０４）に分割することができる。各セクションは、単位バンドルモデルによって表され得る。

図７Ｂは、一実施形態による、ユニットバンドルのモデリングを示す。図７Ｂに示される実施例では、断面７２０によって示されるように、ユニットバンドル７１０は７本のストランドを有する。各ストランドは、抵抗値が

から計算される抵抗器によって表すことができ、式中、ρは抵抗率であり、Ｌはストランドの長さであり、Ａは断面積である。前述したように、断面積は、損傷変数Ｄの関数である。その結果、ストランド抵抗もＤに関連している。抵抗率はケーブルの材料と関連付けられ得る。いくつかの実施形態では、ケーブルは、銅、アルミニウム、又はステンレス鋼で作製することができる。等価回路７３０は、ユニットバンドル７１０の２つの隣接するストランド（例えば、ストランド１及び２）の電気的挙動をモデリングする。より具体的には、各ストランドは、ストランド抵抗を含むことができる（例えば、ストランド１は、ストランド抵抗７３２及び７３４を含み、接触抵抗（例えば、接触抵抗７３６）が、２つの隣接するストランド間に存在する。ストランドの数及び複数のストランドのレイアウトに応じて、ユニットバンドルのより複雑な等価回路モデルを確立することができる。

マルチストランドケーブル（例えば、マルチストランドケーブル７００）の完全なモデルは、ユニットバンドルモデルをケーブルの全てのセグメントに組み合わせることによって達成され得る。図７Ｂに示される実施例では、７本のストランドのケーブルが存在する。実際には、耐荷重性ケーブルにおけるストランドの数は、より大きくてもよく、又はより小さくてもよい。以下の実施例では、ケーブルは、最大２８本のストランドを含むことができる。図８Ａは、一実施形態による、２８本のストランドケーブルの正規化された抵抗のシミュレーション結果を、時間の関数として示す。図８Ａでは、異なるラインは、異なるシミュレーション実行を示し、２０回実行されている。２８本のストランド間の初期摩耗／損傷は、ランダムに分布していると見なすことができる。図８Ａは、シミュレーションデータの傾向が実験（例えば、測定）の傾向に従うことを示す。異なるシミュレーション実行の間の抵抗の不均一な変化は、ランダム化された初期損傷状態に起因する。

図８Ｂは、一実施形態による、異なる初期摩耗条件下でのシミュレーション結果を示す。より具体的には、シミュレーションを実行するとき、アルゴリズムは、２８本のストランド間の初期摩耗／損傷状態の通常の分布を想定する。図８Ｂに示す１０個のシミュレーション結果は、初期摩耗の異なる平均値である。より具体的には、初期摩耗の平均値は、０から０．１まで変化している。図８Ｂからわかるように、初期摩耗の平均が閾値（例えば、０．１）に達すると、抵抗は大幅に増加し得る。

図８Ｃ〜図８Ｅは、一実施形態による、粒子フィルタ予測と実験測定結果との間の比較結果を示す。より具体的には、図８Ｃは、予測された正規化された抵抗及び測定値を示し、よりノイズが多いデータは測定結果であり、よりノイズが少ないことデータは予測を示す。図８Ｄは、粒子フィルタによって予測される損傷変数を示す。図８Ｅは、粒子フィルタによって予測される総耐用年数（ＴＵＬ）を示す。図８Ｅからわかるように、ＴＵＬの予測は、初期段階で大きな変動を示し得るが、測定の後半に収束する傾向がある。

いくつかの実施形態では、機能モックアップユニット（ＦＭＵ）（ｆｕｎｃｔｉｏｎａｌ ｍｏｃｋ−ｕｐ ｕｎｉｔ）ベースのアプローチを、モデル実装に使用することができる。例えば、マルチストランドケーブル用に、モデリカモデルを確立することができる。モデリカモデルを使用して、ケーブルのストランドの数及びケーブルの長さを、プログラム的に変更することができる。

構造ベース（又は物理ベース）のモデル（例えば、図７Ａ及び図７Ｂに示されるモデル）は、空間的に分布された損傷（例えば、ケーブルの損傷）を推定するために使用され得る。製造不良又は取り扱いによる機器又は構造体の初期摩耗を考慮するという利点を提供することができる。粒子フィルタベースの状態推定はまた、モンテカルロシミュレーションによって、プロセスノイズ、及び個々のサブコンポーネント（例えば、マルチストランドケーブルにおけるケーブルストランド）の破損の影響を推定することができる。応力−ひずみ分析がモデルに組み込まれる場合、損傷伝搬もシミュレートすることができる。この構造又は物理ベースのモデルは、実験データの迅速なチェックのために使用され得る。

図９は、一実施形態による、ＲＵＬ予測システムを容易にする例示的なコンピュータシステムを示す。コンピュータシステム９００は、プロセッサ９０２、メモリ９０４、及び記憶デバイス９０６を含む。コンピュータシステム９００は、表示デバイス９１０、キーボード９１２、及びポインティングデバイス９１４に結合され得、また、１つ以上のネットワークインタフェースを介して、ネットワーク９０８に結合され得る。記憶デバイス９０６は、オペレーティングシステム９１８及びＲＵＬ予測システム９２０を記憶することができる。

ＲＵＬ予測システム９２０は、コンピュータシステム９００によって実行されると、コンピュータシステム９００に、本開示に記載される方法及び／又はプロセスを実行させることができる命令を含むことができる。ＲＵＬ予測システム９２０はまた、物理ベースのモデルを確立するための命令（モデリングモジュール９２４）、及び測定結果を取得するための命令（測定結果取得モジュール９２６）を含むことができる。更に、ＲＵＬ予測システム９２０は、粒子フィルタ（粒子フィルタリングモジュール９２８）、及びＴＵＬ又はＲＵＬを予測するための命令（予測モジュール９３０）を含むことができる。

図１０は、一実施形態による、ＲＵＬ推定システムを容易にする例示的な装置を示す。装置１０００は、有線、無線、量子光、又は電気通信チャネルを介して互いに通信し得る、複数のユニット又は装置を備えることができる。装置１０００は、１つ以上の集積回路を使用して実現され得、図１０に示されるものよりも少ない又は多くのユニット又は装置を含んでもよい。更に、装置１０００は、コンピュータシステムに統合されてもよく、又は他のコンピュータシステム及び／又はデバイスと通信することができる、別個のデバイスとして実現されてもよい。具体的には、装置１０００は、図９のコンピュータシステム９００のモジュール９２４〜９３０と同様の機能又は動作を実行するユニット１００２〜１００８を備えることができ、それには、モデリングユニット１００２、測定結果取得ユニット１００４、粒子フィルタリングユニット１００６、及びＲＵＬ予測ユニット１００８が含まれる。装置１０００は、通信ユニット１０１０を更に含むことができる。

詳細な説明セクションに記載される方法及びプロセスは、上述のようにコンピュータ可読記憶媒体に記憶され得る、コード及び／又はデータとして具体化することができる。コンピュータシステムが、コンピュータ可読記憶媒体上に記憶されたコード及び／又はデータを読み取り、かつ実行するとき、コンピュータシステムは、データ構造体及びコードとして具体化され、コンピュータ可読記憶媒体内に記憶された方法及びプロセスを実行する。

更に、上述の方法及びプロセスは、ハードウェアモジュール又は装置に含まれてもよい。ハードウェアモジュール又は装置としては、特定用途向け集積回路（ＡＳＩＣ）（ａｐｐｌｉｃａｔｉｏｎ−ｓｐｅｃｉｆｉｃ ｉｎｔｅｇｒａｔｅｄ ｃｉｒｃｕｉｔ）チップ、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）（ｆｉｅｌｄ−ｐｒｏｇｒａｍｍａｂｌｅ ｇａｔｅ ａｒｒａｙ）、特定の時間に特定のソフトウェアモジュール又は１まとまりのコードを実行する、専用又は共有プロセッサ、及び現在知られている又は後に開発される他のプログラム可能論理デバイスを含むことができるが、これらに限定されない。ハードウェアモジュール又は装置が起動されると、それらは、それらの内部に含まれる方法及びプロセスを実行する。

Claims (20)

1. 導電性材料で少なくとも部分的に作製された耐荷重性構造体の耐用年数を推定するための方法であって、
   前記耐荷重性構造体の物理ベースの損傷モデルを確立することと、
   動的測定を実行して、疲労サイクルの関数として、前記耐荷重性構造体の少なくとも１つの導電性特性を取得することと、
   前記測定された導電性特性に基づいて、前記物理ベースの損傷モデルのパラメータを推定することと、
   前記物理ベースの損傷モデルの前記推定されたパラメータに基づいて、前記耐荷重性構造体の前記耐用年数を推定することと、を含む、方法。
2. 前記物理ベースの損傷モデルが、前記耐荷重性構造体の物理的構造体をモデリングする分析部分と、損傷劣化をモデリングする半分析部分と、を含む、請求項１に記載の方法。
3. 前記少なくとも１つの導電性特性が、電気抵抗、熱抵抗、及び磁気抵抗のうちの１つ以上を含む、請求項１に記載の方法。
4. 前記物理ベースの損傷モデルの前記パラメータを推定することが、ベイジアン推測ベースのフィルタリングアルゴリズムを適用することを含む、請求項１に記載の方法。
5. 前記ベイジアン推測ベースのフィルタリングアルゴリズムが、粒子フィルタリングアルゴリズムを含む、請求項４に記載の方法。
6. 前記物理ベースの損傷モデルの前記推定パラメータが、損傷変数、損傷成長率を示すパラメータ、及び総耐用年数を示すパラメータを含む、請求項１に記載の方法。
7. 前記耐荷重性構造体が、耐荷重性ケーブルを含む、請求項１に記載の方法。
8. コンピュータシステムであって、
   プロセッサと、
   前記プロセッサに結合され、前記プロセッサによって実行されると、前記プロセッサに、導電性材料で少なくとも部分的に作製された耐荷重性構造体の耐用年数を推定するための方法を実行させる、命令を記憶する、記憶デバイスと、を備え、前記方法が、
   前記耐
   荷重性構造体の物理ベースの損傷モデルを確立することと、
   動的測定を実行して、疲労サイクルの関数として、前記耐荷重性構造体の少なくとも１つの
   導電性特性を取得することと、
   前記測定された導電性特性に基づいて、前記物理ベースの損傷モデルのパラメータを推定することと、
   前記物理ベースの損傷モデルの前記推定されたパラメータに基づいて、前記耐荷重性構造体の前記耐用年数を推定することと、
   を含む、コンピュータシステム。
9. 前記物理ベースの損傷モデルが、前記耐荷重性構造体の物理的構造体をモデリングする分析部分と、損傷劣化をモデリングする半分析部分と、を含む、請求項８に記載のコンピュータシステム。
10. 前記少なくとも１つの導電性特性が、電気抵抗、熱抵抗、及び磁気抵抗のうちの１つ以上を含む、請求項８に記載のコンピュータシステム。
11. 前記物理ベースの損傷モデルの前記パラメータを推定することが、ベイジアン推測ベースのフィルタリングアルゴリズムを適用することを含む、請求項８に記載のコンピュータシステム。
12. 前記ベイジアン推測ベースのフィルタリングアルゴリズムが、粒子フィルタリングアルゴリズムを含む、請求項１１に記載のコンピュータシステム。
13. 前記物理ベースの損傷モデルの前記推定パラメータが、損傷変数、損傷成長率を示すパラメータ、及び総耐用年数を示すパラメータを含む、請求項８に記載のコンピュータシステム。
14. 前記耐荷重性構造体が、耐荷重性ケーブルを含む、請求項８に記載のコンピュータシステム。
15. 導電性材料で少なくとも部分的に作製された耐荷重性構造体の構造的損傷を監視するための方法であって、
    前記耐荷重性構造体の物理ベースの損傷モデルを確立することと、
    動的測定を実行して、疲労サイクルの関数として、前記耐荷重性構造体の少なくとも１つの導電性特性を取得することと、
    前記測定された導電性特性に基づいて、前記物理ベースの損傷モデルのパラメータを推定することによって、損傷の状態及び損傷成長率を推測することと、を含む、方法。
16. 前記物理ベースの損傷モデルが、前記耐荷重性構造体の物理的構造体をモデリングする分析部分と、損傷劣化をモデリングする半分析部分と、を含む、請求項１５に記載の方法。
17. 前記少なくとも１つの導電性特性が、電気抵抗、熱抵抗、及び磁気抵抗のうちの１つ以上を含む、請求項１５に記載の方法。
18. 前記物理ベースの損傷モデルの前記パラメータを推定することが、ベイジアン推測ベースのアルゴリズムを適用することを含む、請求項１５に記載の方法。
19. 前記ベイジアン推測ベースのフィルタリングアルゴリズムが、粒子フィルタリングアルゴリズムを含む、請求項１８に記載の方法。
20. 前記耐荷重性構造体が、耐荷重性ケーブルを含む、請求項１５に記載の方法。