JP2023548283A - 機械学習モデルを用いたシャーシの摩耗予測 - Google Patents

Abstract

機械学習モデルを用いたシャーシの摩耗予測を提供する。システムは、装置を含み得る。装置は、機械のシャーシの１つ以上の部品の摩耗に関連するセンサデータを機械の１つ以上のセンサ装置から受信し、機械学習モデルとセンサデータとを用いて、１つ以上の部品の摩耗率に基づいて１つ以上の部品の摩耗量を予測するように構成され得る。訓練データを用いて機械学習モデルを訓練して、１つ以上の部品の摩耗率を予測する。訓練データは、１つ以上の第３装置のシミュレーションモデルからの過去のセンサデータ、過去の検査データ、又はシミュレーションデータのうちの２つ以上を含む。装置は、摩耗量に基づいてアクションを実行し得る。【選択図】図２

Description

本開示は、一般に、機械のシャーシの摩耗を監視することに関し、例えば、機械学習モデルを用いてシャーシの摩耗を予測することに関する。

機械のシャーシの部品（例えばトラックリンク、ブッシング、及び／又はピン）は時間が経過すると摩耗する。部品の摩耗を検出するための技術は、そのような部品の部品寸法の手動測定値を得ることを含む。手動測定値は、部品の指定された寸法と比較され得る。手動測定値を得るためには、機械は作業現場でのタスクの実行を一時停止する必要がある。手動測定値を取得するには、機械がタスクの実行を中断する必要があり、時間のかかるプロセスであるため（例えば、手動測定値を取得するための移動時間、及び／又は手動測定値を取得するための時間が原因で）、手動測定値を取得することは、作業現場の生産性に悪影響を及ぼす可能性がある。この点に関して、タスク（機械によって実行されるタスク）は、長い期間（例えば、手動測定値を取得する期間）中断する場合がある。

また、このような手動測定値は正確ではない可能性がある。逆に、部品の寸法の不正確な測定は、部品の摩耗量の不正確な予測につながる可能性がある。このような不正確な予測の結果、部品が早期に故障したり、修理又は交換されたりする可能性がある（例えば、部品が交換又は修理を必要とするために十分に摩耗していない可能性がある）。このような部品の早期の故障や部品の早期の交換や修理も、作業現場の生産性に悪影響を及ぼす可能性がある。したがって、作業現場でのダウンタイム（例えば、部品の寸法の手動測定値を得るためのダウンタイム、部品の早期故障に関連するダウンタイム、部品の早期修理に関連するダウンタイム、部品の早期交換に関連するダウンタイム、及び／又は類似の状況）を防止又は低減するために、部品の摩耗を検出するための上記技術を改善する必要がある。

ドイツ特許出願公開第ＤＥ１０２５７７９３号（「‘７９３公開」）は、選択された部品の残存寿命を計算するためのモデルベースの寿命オブザーバを開示している。‘７９３公開では、モデルベースの寿命オブザーバが、利用可能なセンサ装置を介して、操作負荷の測定値と、測定負荷のモデルベースの準備とを関連付けることを開示する。

‘７９３公開は、モデルベースの寿命オブザーバを開示しているが、‘７９３公開は、（利用可能なセンサ装置からの）データが、選択された部品の摩耗に影響を及ぼす可能性のある外部要因を考慮していることを開示していない。したがって、‘７９３公開のモデルベース寿命オブザーバは、部品の残存寿命を正しく予測しない可能性がある。

本開示に係る摩耗検出装置は、上記の問題のうちの１つ以上、及び／又は、当技術分野における他の問題を解決するものである。

第１装置によって実行される方法であって、機械のシャーシの１つ以上の部品の摩耗に関連する過去のセンサデータを１つ以上の第２装置から受信するステップと、前記１つ以上の部品の摩耗に関連する過去の検査データを１つ以上の第３装置から受信するステップと、前記過去のセンサデータ及び前記過去の検査データを用いて機械学習モデルを訓練して、前記１つ以上の部品の残存寿命を予測するステップと、前記１つ以上の部品の摩耗に関連するセンサデータを前記機械の前記１つ以上のセンサ装置から受信するステップと、前記機械学習モデルを用いて、前記センサデータに基づいて、前記１つ以上の部品の残存寿命を予測するステップと、前記１つ以上の部品の残存寿命に基づいてアクションを実行させるステップと、を含む。

機械であって、１つ以上のメモリと、１つ以上のプロセッサと、を含み、前記１つ以上のプロセッサは、前記機械のシャーシの前記１つ以上の部品の摩耗に関連するセンサデータを前記機械の１つ以上のセンサ装置から受信し、前記１つ以上の部品の摩耗率に基づいて、前記機械学習モデルとセンサデータとを用いて、前記１つ以上の部品の摩耗量を予測し、前記１つ以上の部品の摩耗量に基づいて前記アクションを実行するように構成され、前記機械学習モデルは、１つ以上の第３装置からの、過去のセンサデータ、過去の検査データ、又はシミュレーションモデルのシミュレーションデータのうちの２つ以上を含む訓練データを用いて、前記１つ以上の部品の摩耗率を予測するように訓練され、前記過去のセンサデータ、前記過去の検査データ、又は前記シミュレーションデータのうちの２つ以上は、前記１つ以上の部品の摩耗に関連している。

システムであって、前記機械のシャーシの１つ以上の部品の摩耗に関連するセンサデータを前記機械の１つ以上のセンサ装置から受信し、前記機械学習モデルを用いて、前記センサデータに基づいて前記１つ以上の部品の残存寿命を予測し、前記１つ以上の部品の残存寿命に基づいてアクションを実行させるように構成された装置を含み、前記機械学習モデルは、前記過去のセンサデータ、前記過去の検査データ、又はシミュレーションモデルのシミュレーションデータのうちの２つ以上を含む訓練データを用いて、前記１つ以上の部品の残存寿命を予測し、前記１つ以上の部品の残存寿命に基づいてアクションを実行させるように訓練され、前記センサデータ、前記過去の検査データ、又は前記シミュレーションデータのうちの２つ以上は、前記１つ以上の部品の摩耗に関連している。

本明細書に記載された例示的な実装形態の図である。 本明細書に記載された例を示す図である。 機械学習モデルを用いたシャーシ摩耗予測に関連する例示的なプロセスのフローチャートである。

本開示は、機械学習モデルを用いて機械のシャーシの１つ以上の部品の残存寿命を予測する装置に関する。「機械」という用語は、例えば、採掘、建設、農業、輸送、又は他の産業のような産業に関連する操作を実行する任意の機械を意味することができる。さらに、１つ以上の工具を機械に接続することができる。

図１は、本明細書に記載された例示的な実装形態１００の図である。図１に示すように、例示的な実装形態１００は、機械１０５と摩耗検出装置１９０とを含む。機械１０５は、ドーザなどの土工機械として具体化される。代替的に、機械１０５は、掘削機のような別のタイプのトラック式機械であってもよい。

図１に示すように、機械１０５は、エンジン１１０と、センサシステム１２０と、オペレータキャビン１３０と、コントローラ１４０と、リア取り付け部１５０と、フロント取り付け部１６０と、地面係合部材１７０とを含む。

エンジン１１０は、圧縮点火エンジン、火花点火エンジン、レーザ点火エンジン、プラズマ点火エンジンなどの内燃機関を含むことができる。エンジン１１０は、機械１０５及び／又は機械１０５に関連する負荷のセット（例えば、動力を吸収し、及び／又は動力を用いて操作する部品）に動力を供給する。例えば、エンジン１１０は、１つ以上の制御システム（例えば、コントローラ１４０）、センサシステム１２０、オペレータキャビン１３０、及び／又は地面係合部材１７０に動力を供給することができる。

エンジン１１０は、採鉱、建設、農業、輸送、又はその他の産業で使用される機械１０５の工具に動力を供給することができる。例えば、エンジン１１０は、機械１０５のリア取り付け部１５０及び／又はフロント取り付け部１６０の制御を容易にするために、部品（例えば、１つ以上の油圧ポンプ、１つ以上のアクチュエータ、及び／又は１つ以上の電動モータ）に動力を提供することができる。

センサシステム１２０は、機械１０５のシャーシの１つ以上の部品の摩耗量に関する信号を生成することができるセンサ装置を含むことができる（以下により詳細に説明するように）。センサシステム１２０のセンサ装置のタイプについて、図２に関連して以下でより詳細に説明する。

オペレータキャビン１３０は、一体型ディスプレイ（図示せず）とオペレータコントロール（図示せず）とを含む。オペレータコントロールは、機械１０５の操作を制御するための１つ以上の入力部品（例えば、一体型ジョイスティック、ボタン、制御レバー、及び／又はステアリングホイール）を含むことができる。自律型機械の場合、オペレータコントロールは、オペレータが使用するように設計されるのではなく、オペレータから独立して動作するように設計され得る。この場合、例えば、オペレータコントロールは、オペレータ入力なしに他の部品によって使用される入力信号を提供する１つ以上の入力部品を含むことができる。

コントローラ１４０（例えば、電子制御モジュール（ＥＣＭ））は、機械１０５の操作を制御及び／又は監視することができる。例えば、コントローラ１４０は、オペレータコントロール、センサシステム１２０からの信号、及び／又は摩耗検出装置１９０からの信号に基づいて、機械１０５の操作を制御及び／又は監視することができる。場合によっては、コントローラ１４０は、以下により詳細に説明するように、センサシステム１２０及び摩耗検出装置１９０からの信号に基づいて、シャーシの１つ以上の部品の摩耗量を予測することができる。

フロント取り付け部１５０は、ブレードアセンブリを含むことができる。リア取り付け部１５０は、リッパーアセンブリ、ウインチアセンブリ、及び／又は牽引バーアセンブリを含むことができる。

地面係合部材１７０は、機械１０５を推進するように構成されていてもよい。地面係合部材１７０は、推進機１０５の車輪、トラック、ローラなどを含むことができる。場合によっては、地面係合部材１７０は、（図１に示すように）トラックを含むシャーシを含むことができる。トラックは、トラックリンクを含むことができる。トラックリンクは、トラックリンクブッシング及びトラックリンクピンを含むことができる。一例として、トラックは、第１トラックリンク１７２及び第２トラックリンク１７４を含むことができる。第１トラックリンク１７２は、第１トラックリンクブッシング１７６と第１トラックリンクピン１７８とを含む。第２トラックリンク１７４は、第２トラックリンクピン１８０を含む。

スプロケット１８２は、１つ以上のセクション１８４（本明細書では、単に「セクション１８４」と称し、総称して「セクション１８４」と称する）を含むことができる。スプロケット１８２は、地面係合部材１７０に係合して地面係合部材１７０を駆動するように構成され得る。例えば、セグメント１８４は、トラックリンクブッシング（例えば、地面係合部材１７０のトラック）に係合し、トラックが機械１０５を推進するように回転するように構成することができる。

摩耗検出装置１９０は、シャーシの１つ以上の部品（例えば、１つ以上のトラック、トラックリンク、１つ以上のトラックリンクブッシング、１つ以上のトラックリンクピン、１つ以上のスプロケット１８２、及び／又は１つ以上のセグメント１８４）の摩耗量を予測することができる１つ以上の装置を含むことができる。摩耗検出装置１９０は、摩耗量に基づいて、１つ以上の部品の残存寿命を予測することができる。いくつかの例では、摩耗検出装置１９０は、１つ以上の部品の摩耗率を予測し、摩耗率に基づいて摩耗量を予測することができる。摩耗検出装置１９０は、以下により詳細に説明するように、機械学習モデルを用いて１つ以上の部品の摩耗量を予測することができる。摩耗検出装置１９０は、機械１０５内に配置されてもよく、機械１０５の外部に配置されてもよく、機械１０５内に部分的に配置されてもよく、機械１０５の外部に部分的に配置されてもよい。

上述したように、図１を一例として提供する。他の例は、図１を参照して説明した例とは異なる場合がある。

図２は、本明細書に記載された例示的なシステム２００の図である。図２に示すように、システム２００は、センサシステム１２０と、コントローラ１４０と、摩耗検出装置１９０と、検査装置２１０と、シミュレーション装置２２０と、機械学習モデル２３０とを含む。いくつかの例では、摩耗検出装置１９０、検査装置２１０、及び／又はシミュレーション装置２２０は、現場管理システム（例えば、機械１０５に関連する作業現場）の一部であってもよい。

代替的に、摩耗検出装置１９０、検査装置２１０、及び／又はシミュレーション装置２２０は、バックグラウンドシステムの一部であってもよい。摩耗検出装置１９０、検査装置２１０、及び／又はシミュレーション装置２２０は、同じ装置に含まれていてもよい。代替的に、摩耗検出装置１９０、検査装置２１０、及び／又はシミュレーション装置２２０は、別個の装置であってもよい。

センサシステム１２０は、シャーシの１つ以上の部品（例えば、１つ以上のトラック、トラックリンク、１つ以上のトラックリンクブッシング、１つ以上のトラックリンクピン、１つ以上のスプロケット１８２、及び／又は１つ以上のセグメント）の摩耗量に関連するセンサデータを生成するセンサ装置を含むことができる。センサデータは、１つ以上の部品の摩耗量を推定するために使用されてもよい。センサデータは、センサデータが生成された時刻及び／又は日付を識別する情報を含むことができる。

センサデータは、機械学習モデル２３０を訓練してシャーシの１つ以上の部品の摩耗量を予測するための過去のセンサデータを含むことができる。例えば、センサシステム１２０は、機械学習モデル２３０の訓練に関連して以下により詳細に説明されるように、機械学習モデル２３０を訓練するために、摩耗検出装置１９０に過去のセンサデータを提供することができる。

例えば、センサシステム１２０は、定期的に（例えば、１時間毎、時間間隔毎、及び／又は作業シフト毎に）、摩耗検出装置１９０に過去のセンサデータを提供することができる。追加的に又は代替的に、センサシステム１２０は、トリガイベント（例えば、摩耗検出装置１９０からの要求、コントローラ１４０からの要求、及び／又は、機械１０５のオペレータからの要求（例えば、一体型ディスプレイ及び／又はオペレータコントロールを介して）に基づいて、過去のセンサデータを摩耗検出装置１９０（例えば、訓練機械学習モデル２３０）に提供することができる。

機械学習モデル２３０が訓練された後、センサシステム１２０は、１つ以上の部品の摩耗量を予測するために、機械学習モデル２３０への入力としてセンサデータを提供することができる。センサシステム１２０は、周期的に及び／又はトリガイベントに基づいて、機械学習モデル２３０への入力としてセンサデータを提供することができる。

センサ装置は、振動センサ装置、音センサ装置、トラックリンク摩耗センサ装置、位置センサ装置、速度センサ装置、動きセンサ装置、負荷センサ装置、圧力センサ装置、流量センサ装置、及び／又は温度センサ装置を含むことができる。

振動センサ装置は、機械１０５の振動を感知し、その振動に基づいて機械振動データを生成する１つ以上の装置を含むことができる。一例として、振動センサ装置は、１つ以上の慣性測定ユニット（ＩＭＵ）を含むことができる。機械振動データは、機械１０５の振動測定を示すことができる。

音センサ装置は、機械１０５から発せられた音（又は雑音）を感知し、その音に基づいて機械音データを生成する１つ以上の装置を含むことができる。音データは、機械１０５に関連する音の測定を識別することができる。トラックリンク摩耗センサ装置は、機械１０５のトラックリンクの摩耗を感知し、トラックリンク摩耗データを生成する１つ以上の装置を含むことができる。トラックリンク摩耗データは、トラックリンク摩耗の測定を識別することができる。

位置センサ装置は、機械１０５の位置を感知し、その位置を識別する位置データを生成する１つ以上の装置を含むことができる。一例として、位置センサ装置は、全地球測位システム（ＧＰＳ）受信機及び／又はＧＰＳセンサを含むことができる。位置データは、機械の位置を識別することができる。この位置は、機械１０５がタスクを実行する作業場所を含むことができる。

動きセンサ装置は、機械１０５に関連する速度を感知し、機械１０５に関連する速度を識別する速度データを生成する１つ以上の装置を含むことができる。動きセンサ装置は、加速度計、回転速度計、速度計、及び／又はＩＭＵを含むことができる。いくつかの実装形態では、動きセンサ装置は、機械１０５が移動する距離をさらに感知してもよく、機械１０５が移動する距離を識別する距離データを生成してもよい。この距離は、タスクの実行中に機械１０５が移動する距離に対応することができる。追加的に又は代替的に、距離は、１つ以上の部品が修理及び／又は交換されてから移動した距離に対応することができる。動きセンサ装置は、機械１０５が使用されている間（例えば、タスクが実行されている間）の時間量を監視し、機械１０５が使用されている間の時間量を識別する機械時間データを生成することができる。

負荷センサ装置は、エンジン１１０の負荷を感知し、エンジン１１０の負荷を識別する負荷データを生成することができる１つ以上の装置を含むことができる。圧力センサ装置は、機械１０５のリア取り付け部１５０及び／又はフロント取り付け部１６０の制御を容易にする油圧システムの流体圧力を感知し、油圧システムの流体圧力を識別する圧力データを生成することができる１つ以上のセンサ装置を含むことができる。圧力センサ装置は、圧力センサ及び／又は圧力センサを含むことができる。

流量センサ装置は、油圧システムの流体の流量を感知し、油圧システムの流体の流量を識別する流量データを生成することができる１つ以上のセンサ装置を含むことができる。流量センサ装置は、流量センサ、流量モニタ、及び／又はポンプ流量を含むことができる。

温度センサは、機械１０５の異なる部品の温度（例えば、油圧システムの温度及び／又はエンジン１１０の温度）を感知し、機械１０５の異なる部品の温度を識別する温度データを生成することができる１つ以上のセンサ装置を含むことができる。

コントローラ１４０は、１つ以上のプロセッサ２４０（本明細書では「プロセッサ２４０」と別称され、「プロセッサ２４０」と総称される）及び１つ以上のメモリ２５０（本明細書では「メモリ２５０」と別称され、「メモリ２５０」と総称される）を含むことができる。プロセッサ２４０は、ハードウェア、ファームウェア、及び／又はハードウェア及びソフトウェアの組み合わせで実装される。プロセッサ２４０は、中央処理ユニット（ＣＰＵ）、グラフィックス処理ユニット（ＧＰＵ）、加速処理ユニット（ＡＰＵ）、マイクロプロセッサ、マイクロコントローラ、デジタル信号プロセッサ（ＤＳＰ）、フィールド・プログラマブル・ゲート・アレイ（ＦＰＧＡ）、特定用途向け集積回路（ＡＳＩＣ）、又は他のタイプの処理部品を含む。プロセッサ２４０は、機能を実行するようにプログラムすることができる。

メモリ２５０は、ランダムアクセスメモリ（ＲＡＭ）、読み出し専用メモリ（ＲＯＭ）、及び／又は、機能を実行するためにプロセッサ２４０によって使用される情報及び／又は命令を格納する他のタイプの動的又は静的記憶装置（例えば、フラッシュメモリ、磁気メモリ、及び／又は光メモリ）を含む。例えば、この機能が実行されると、コントローラ１４０はセンサデータを（例えば、センサシステム１２０から）取得することができ、摩耗検出装置１９０は、センサデータに基づいて（例えば、機械学習モデル２３０を用いて）１つ以上の部品の摩耗量を予測することができる。

摩耗検出装置１９０は、以下により詳細に説明するように、機械学習モデル２３０を訓練してシャーシの１つ以上の部品の摩耗量を予測するように構成された１つ以上の装置（例えば、サーバ装置又はサーバ装置のセット）を含むことができる。いくつかの実装形態では、摩耗検出装置１９０は、クラウドコンピューティング環境の１つ以上のコンピューティングリソースによって実施されてもよい。摩耗検出装置１９０は、例えば、クラウドコンピューティング環境にホスティングされていてもよい。代替的に、摩耗検出装置１９０は、非クラウドベースであってもよく、部分的にクラウドベースであってもよい。

検査装置２１０は、機械１０５の過去の検査に関する過去の検査データを提供することができる１つ以上の装置を含むことができる。過去の検査データは、過去の検査が実行された時間及び／又は日付（例えば、過去の検査の時間及び／又は日付）に関連することを識別する情報を含むことができる。過去の検査は、機械１０５の１つ以上の位置（例えば、１つ以上の作業場所）で（例えば、手動で）実行されてもよい。いくつかの例では、検査データが提供されるとき、検査装置２１０は、機械１０５の過去の検査に関する過去の検査レポートからのデータを提供することができる。一例として、過去の検査レポートは、実行された１つ以上の検査を識別する情報と、検査レポートに関連する時間及び／又は日付を識別する情報（例えば、機械１０５の検査の時間及び／又は日付）とを含むことができる。１つ以上の検査を識別する情報は、１つ以上の部品の摩耗の測定、１つ以上の部品の状態の全体的な評価、機械１０５によって実行されるタスクの摩損性の測定、機械１０５のトラック張力、機械１０５に関連する位置の環境条件、及び／又は１つ以上の部品の摩耗量に関連する別のタイプの検査を含むことができる。

過去の検査データは、機械学習モデル２３０を訓練して、シャーシの１つ以上の部品の摩耗量を予測するために使用することができる。例えば、検査装置２１０は、機械学習モデル２３０の訓練に関連して後述するように、機械学習モデル２３０を訓練するために、過去の検査データを摩耗検出装置１９０に提供することができる。

過去の検査データは、機械１０５に関連する測定値（例えば、過去の検査に関連する手動測定値）に基づいて得られた情報を含むことができる。例えば、過去の検査データは、機械１０５が１つの位置で実行したタスクの摩損性の測定を識別する摩損性データと、タスクの実行中にその位置での環境条件を識別する環境データと、機械１０５のトラック張力（例えば、その位置でタスクを実行した結果）を識別するトラック張力データとを含むことができる。摩損性の測定は、この位置でタスクを実行した結果としての１つ以上の部品の摩耗量を示すことができる。環境データは、位置での湿度（例えば、土壌の湿度）の測定を識別する湿度データ及び／又は位置での乾燥度（例えば、土壌の乾燥度）の測定を識別する乾燥度データを含むことができる。

また、過去の検査データは、オペレータ行動データを含むことができる。例えば、オペレータ行動データは、タスク実行中の機械１０５の速度を識別する情報、タスク実行中の機械１０５のエンジン１１０の負荷を識別する情報、タスク実行中の機械１０５の移動距離を識別する情報、タスク実行中の機械１０５の時間量、タスク実行中の機械１０５の油圧システムの流体圧力を識別する情報、及び／又はタスク実行中の機械１０５の油圧システムの流体流量を識別する情報を含むことができる。オペレータ行動データの一部又は全てをセンサデータに基づいて決定することができる。場合によっては、オペレータ行動データは、マシン１０５によって実行されるタスクのタイプを識別する情報を含むことができる。

シミュレーション装置２２０は、機械１０５の操作をシミュレートするシミュレーションモデル（例えば、１つ以上の部品の摩耗の特定の測定を実現するために）を含むことができる１つ以上の装置を含むことができる。シミュレーション装置２２０は、機械１０５の操作及び１つ以上の部品の摩耗をシミュレートすることにより、シミュレーションデータを生成することができる。

シミュレーションデータは、機械学習モデル２３０を訓練して、シャーシの１つ以上の部品の摩耗量を予測するために使用することができる。例えば、シミュレーション装置２２０は、機械学習モデル２３０を訓練することに関連して後述するように、機械学習モデル２３０を訓練するためのシミュレーションデータを摩耗検出装置１９０に提供することができる。いくつかの実装形態では、シミュレーションデータは、機械１０５の振動測定と１つ以上の部品の摩耗量との間の相関を示すことができる。

図２に示すように、摩耗検出装置１９０は、センサシステム１２０からの過去のセンサデータ、検査装置２１０からの過去の検査データ、及びシミュレーション装置２２０からのシミュレーションデータを受信することができる。過去のセンサデータ、過去の検査データ、及び／又はシミュレーションデータは、１つ以上の部品の摩耗量を予測するために機械学習モデル２３０を訓練するために使用される訓練データに含まれていてもよい。機械学習モデル２３０は、摩耗量に基づいて、１つ以上の部品の残存寿命を予測することができる。いくつかの例では、機械学習モデル２３０は、１つ以上の部品の摩耗率を予測し、摩耗率に基づいて１つ以上の部品の摩耗量を予測するように訓練されてもよい。

いくつかの実装形態では、機械学習モデル２３０は、機械１０５の１つ以上の部品の摩耗量を予測するように訓練されてもよい。さらに、機械学習モデル２３０は、機械１０５に類似した機械群のシャーシの１つ以上の部品（例えば、類似又は同一の機械、類似又は同一の仕様、類似又は同一の部品、及び／又は実行される類似又は同一のタスク）の摩耗量を予測するように訓練されてもよい。この点に関して、訓練データは、機械のセットに関連する過去のセンサデータ、過去の検査データ、及び／又はシミュレーションデータを含むことができる。

訓練機械学習モデル２３０に基づいて、摩耗検出装置１９０は、（例えば機械学習モデル２３０を用いて）１つ以上の部品の摩耗率（及び／又は１つ以上の部品の摩耗量）に影響を与える要因を識別することができる。これらの要因は、摩耗の測定、位置、湿度の測定、（機械１０５によって実行されるタスクを認識することができる）オペレータの挙動、移動距離、移動距離に関連する速度、トラック張力、牽引レバー力、機械１０５の振動の測定、及び／又は機械１０５の音の測定を含むことができる。

いくつかの例では、訓練機械学習モデル２３０に基づいて、摩耗検出装置１９０は、（例えば、機械学習モデル２３０を用いて）摩損の測定と機械１０５の位置との間の相関を（例えば、過去の検査データに基づいて）決定することができる。例えば、摩耗検出装置１９０（例えば、機械学習モデル２３０）は、機械１０５の位置に基づいて摩損の測定を決定することができる。例えば、摩耗検出装置１９０は、第１位置（例えば、第１作業場所）における摩損の第１測定値が、第２位置（例えば、第２作業場所）における摩損の第２測定値を上回っていると判定することができる。したがって、摩耗検出装置１９０は、（例えば機械学習モデル２３０を用いて）第１位置での１つ以上の部品の摩耗率（及び対応する摩耗量）が、１つ以上の部品の摩耗率（及び対応する摩耗量）を上回ると判定することができる。

また、摩耗検出装置１９０は、（例えば、機械学習モデル２３０を用いて）位置での環境条件と１つ以上の部品の摩耗率との相関を（例えば、過去の検査データに基づいて）決定することができる。例えば、摩耗検出装置１９０は、第１位置での湿度測定値が第２位置での湿度測定値を上回っていると判定することができる。したがって、摩耗検出装置１９０は、（例えば機械学習モデル２３０を用いて）湿度の測定が増加するにつれて、１つ以上の部品の摩耗率が増加すると判定することができる。いくつかの例では、機械１０５が第１位置及び第２位置で同じタスクを実行していると摩耗検出装置１９０が判断した場合、摩耗検出装置１９０は、湿度測定の増加に伴って１つ以上の部品の摩耗率が増加していることを確認することができる。

摩耗検出装置１９０は、（例えば、機械学習モデル２３０を用いて）実行されたタスクと１つ以上の部品の摩耗率との間の相関を（例えば、過去の検査データ及び／又は過去のセンサデータに基づいて）決定することができる。例えば、摩耗検出装置１９０は、（例えば、機械学習モデル２３０を用いて）第１オペレータ挙動データの分析に基づいて第１タイプのタスク（例えば、移動体に関連するタスク）を識別し、第２オペレータ挙動データの分析に基づいて第２タイプのタスク（例えば、作業現場への運転など、移動体に関連しないタスク）を識別することができる。摩耗検出装置１９０は、第１タイプのタスクに関連する摩耗率が第２タイプのタスクに関連する摩耗率を上回っていると判定することができる。

いくつかの実装形態では、摩耗検出装置１９０は、（例えば、機械学習モデル２３０を用いて）実行されたタスクと１つ以上の部品の摩耗率との間の相関を決定するために、実行されたタスクとトラック張力との間の相関を決定することができる。例えば、摩耗検出装置１９０は、過去のトラック張力データを分析して、機械１０５の第１トラック張力（第１タイプのタスクを実行することによって生成される）が機械１０５の第２トラック張力（第２タイプのタスクを実行することによって生成される）よりも小さいと判定することができる。

摩耗検出装置１９０は、（例えば、機械学習モデル２３０を用いて）タスクを実行するための牽引レバー力と１つ以上の部品の摩耗率との間の相関を（例えば、過去の検査データ及び／又は過去のセンサデータに基づいて）決定することができる。いくつかの例では、摩耗検出装置１９０は、タスクの実行中に機械によって使用される牽引レバー力の量を識別する牽引レバー力データを決定することができる。摩耗検出装置１９０は、過去の負荷データ、過去の速度データ、過去の距離データ及び／又は過去の温度データに基づいて、牽引レバー力データを決定することができる。摩耗検出装置１９０は、（例えば機械学習モデル２３０を用いて）１つ以上の部品の摩耗率が、牽引レバー力の増加に伴って増加すると判定することができる。例えば、摩耗検出装置１９０は、エンジン１１０の負荷に伴って１つ以上の部品の摩耗率が増加していると判定することができる。

摩耗検出装置１９０は、（例えば、機械学習モデル２３０を用いて）１つ以上の部品の摩耗測定と機械１０５の振動測定との間の相関を（例えば、シミュレーションデータ、過去のセンサデータ、及び／又は過去の検査データを用いて）決定することができる。例えば、摩耗検出装置１９０は、１つ以上の部品の摩耗量と機械１０５の振動測定との間の相関を示すシミュレーションデータを決定することができる。

摩耗検出装置１９０は、過去のセンサデータ（例えば、過去の機械振動データ）及び過去の検査データ（例えば、過去の摩損性データ及び／又は過去のトラック張力）を分析して、振動測定と摩損性測定又はトラック張力測定とを関連付けることができる。例えば、摩耗検出装置１９０は、（例えば、機械学習モデル２３０を用いて）第１摩損性測定（例えば、第１摩損性データ）に対応する第１振動測定（例えば、第１過去の振動データに基づく）が、第２摩損性測定（例えば、第２摩損性データ）に対応する第２振動測定（例えば、第２過去の振動データに基づく）を上回っていると判定することができる。摩耗検出装置１９０は、摩損性の第１測定が摩損性の第２測定を超え、振動の第１測定が振動の第２測定値を超えていると判定することができる。摩耗検出装置１９０は、過去のセンサデータと過去の検査データとの分析に基づいて、１つ以上の部品の摩耗量と機械１０５の振動測定との相関を確認することができる。例えば、摩耗検出装置１９０は（例えば、機械学習モデル２３０を用いて）、１つ以上の部品の摩耗の増加に伴って振動の測定が増加することを決定することができる。

同様に、摩耗検出装置１９０は、機械振動の過去のデータとトラックリンク摩耗の過去のデータとを分析して、１つ以上の部品の摩耗の増加に伴って振動測定が増加することを決定することができる。同様に、摩耗検出装置１９０は、（例えば、機械学習モデル２３０を用いて）１つ以上の部品の摩耗測定と機械１０５の音測定との間の相関を（例えば、シミュレーションデータ、過去のセンサデータ、及び／又は過去の検査データを用いて）決定することができる。例えば、摩耗検出装置１９０は（例えば、機械学習モデル２３０を用いて）、１つ以上の部品の摩耗の増加に伴って音の測定が増加することを決定することができる。

上記に基づいて、機械学習モデル２３０は、位置、湿度の測定、オペレータの挙動（例えば、タスクの実行に関連する）、移動距離（例えば、機械１０５がタスクを実行する場合）、移動距離に関連する速度、トラック張力、牽引レバー力（例えば、機械１０５がタスクを実行する場合）、振動の測定、及び／又は、音の測定に基づいて、１つ以上の部品の摩耗率及び／又は摩耗量を予測するように訓練されてもよい。機械学習モデル２３０は、予測された摩耗率及び／又は１つ以上の部品の摩耗に基づいて、１つ以上の部品が交換及び／又は修理されるべき日付及び／又は時間を予測することができる。１つ以上の部品の予測摩耗率、１つ以上の部品の予測摩耗量、及び／又は予測日時は、以下では、「予測部品摩耗情報」と呼ばれることがある。

摩耗検出装置１９０は、機械学習モデル２３０を訓練する際に、訓練データを、訓練セット（例えば、機械学習モデル２３０を訓練するためのデータセット）、検証セット（例えば、機械学習モデル２３０のフィッティングを評価するためのデータセット、及び／又は、機械学習モデル２３０を微調整するためのデータセット）、テストセット（例えば、機械学習モデル２３０の最終的なフィッティングを評価するためのデータセット）、及び／又は、類似のものに分けることができる。摩耗検出装置１９０は、訓練データを最小の特徴セットに減らすために次元削減を前処理及び／又は実行することができる。摩耗検出装置１９０は、この最小特徴セット上で機械学習モデル２３０を訓練することができるので、機械学習モデル２３０を訓練するための処理を削減し、分類技術を最小特徴セットに適用することができる。

摩耗検出装置１９０は、論理回帰分類技術、ランダムフォレスト分類技術、勾配ブースティング機械学習（ＧＢＭ）技術、及び／又は類似の技術などの分類技術を用いて、分類結果（例えば、１つ以上の部品の摩耗量）を決定することができる。摩耗検出装置１９０は、分類技術の使用に加えて、又は分類技術の使用に代わるものとして、ナイーブベイズ分類器技術を使用することができる。この場合、摩耗検出装置１９０は、二分再帰的分割を実行して、最小特徴セットの訓練データを領域及び／又は分岐に分割し、予測（例えば、１つ以上の部品の摩耗率及び／又は摩耗量）を実行するためにパーティション及び／又は分岐を使用することができる。再帰的分割の使用に基づいて、摩耗検出装置１９０は、データ項目の手動線形分類及び分析に関する計算リソースの使用を低減し、数千、数百万、又は数十億のデータ項目を用いてモデルを訓練することを可能にし、少ないデータ項目を使用するよりも正確なモデルをもたらすことができる。

摩耗検出装置１９０は、対象分野の専門家（例えば、機械１０５及び／又は１つ以上の機械に関連する１つ以上のオペレータ）から機械学習モデル２３０への入力を受信することを含む教師付き訓練プロセスを使用して機械学習モデル２３０を訓練することができ、これは、教師なし訓練プロセスに比べて、機械学習モデル２３０を訓練するための時間量、処理リソース量及び／又は類似の量を削減することができる。摩耗検出装置１９０は、ニューラルネットワーク技術潜在的セマンティックインデクシング技術、及び／又は類似の技術のような、１つ以上の他のモデル訓練技術を使用することができる。

例えば、摩耗検出装置１９０は、（例えば、２層フィードフォワードニューラルネットワークアーキテクチャ、３層フィードフォワードニューラルネットワークアーキテクチャなどを使用して）人工ニューラルネットワーク処理技術を実行して、１つ以上の部品の異なる摩耗量のパターンに関するパターン認識を実行することができる。この場合、人工ニューラルネットワーク処理技術を使用することにより、ノイズ、不正確又は不完全なデータに対してよりロバストであり、かつ、摩耗検出装置１９０が人間のアナリスト又はシステムによって又はあまり複雑でない技術によって検出できないパターン及び／又は傾向を検出できるようにすることにより、摩耗検出装置１９０によって生成される機械学習モデル２３０の精度を向上させることができる。

訓練後、機械学習モデル２３０を用いて、予測された部品摩耗情報を決定（又は予測）することができる。換言すれば、摩耗検出装置１９０は、１つ以上の部品の摩耗率及び／又は摩耗量に関するデータを出力することができる機械学習モデル２３０を訓練した後に、機械１０５からセンサデータを受信し、受信したセンサデータを機械学習モデル２３０に入力することができる。受信されたセンサデータは、位置データ、オペレータ挙動データ、距離データ（例えば、タスクに関連する）、速度データ（例えば、タスクに関連する）、牽引レバー力データ（例えば、タスクに関連する）、振動データ及び／又は音データを含むことができる。機械学習モデル２３０の出力は、予測された部品摩耗情報のスコアを含むことができる。予測された部品摩耗情報の場合、スコアは、予測された部品摩耗情報の信頼性の測定を表すことができる。

サーバ装置などの異なる装置が、機械学習モデル２３０を生成し、訓練することができる。異なる装置は、摩耗検出装置１９０による使用のために機械学習モデル２３０を提供することができる。異なる装置は、（例えば、スケジューリングベース、オンデマンドベース、トリガベース、周期ベース、及び／又は類似に）機械学習モデル２３０を更新し、機械学習モデル２３０を摩耗検出装置１９０に提供することができる。場合によっては、摩耗検出装置１９０は、追加の訓練データ（例えば、追加の過去のセンサデータ、追加の過去の検査データ、及び／又は追加のシミュレーションデータ）を受信し、機械学習モデル２３０を再訓練することができる。代替的に、摩耗検出装置１９０は、機械学習モデル２３０を訓練するために、別の装置に追加の訓練データを提供することができる。機械学習モデル２３０は、周期的に及び／又はトリガイベントに基づいて再訓練することができる。

いくつかの実装形態では、摩耗検出装置１９０は、コントローラ１４０が予測された部品摩耗情報を決定することを可能にするために、機械学習モデル２３０をコントローラ１４０に提供することができる。代替的に、摩耗検出装置１９０は、予測された部品摩耗情報を決定するための要求をコントローラ１４０から受信してもよい。要求は、機械１０５のセンサデータを含むことができる。

摩耗検出装置１９０（及び／又はコントローラ１４０）は、予測された部品摩耗情報に基づいてアクションを実行することができる。例えば、アクションは、摩耗検出装置１９０が１つ以上の部品の予測摩耗量に基づいて（例えば、予測摩耗量が閾値摩耗量を満たす場合に）機械１０５の操作を調整することを含むことができる。例えば、摩耗検出装置１９０は、機械１０５の速度低下、エンジン１１０の負荷低下、油圧システムの圧力低下、油圧システムの流量低下、油圧システムの温度低下、及び／又は１つ以上の部品の摩耗率を低下させ、１つ以上の部品を修理又は交換しなければならないまでの時間を延長することができる他の操作を引き起こすことができる。

摩耗検出装置１９０は、１つ以上の部品の寿命を延ばすために、機械１０５を異なる作業場所にナビゲートし、異なる作業場所で１つ以上のタスクを実行することを含むことができる。例えば、異なる作業場所は、機械１０５が現在位置している作業場所に関連する（１つ以上の部品の）摩耗率よりも小さい（１つ以上の部品の）摩耗率と関連してもよい。追加的に又は代替的に、摩耗検出装置１９０は、１つ以上の部品の寿命を延ばすために、機械１０５に異なるタスクを実行させることができる。例えば、異なるタスクは、機械１０５が現在実行しているタスクに関連する（１つ以上の部品の）摩耗率よりも小さい（１つ以上の部品の）摩耗率に関連してもよい。

このアクションは、摩耗検出装置１９０が、複数の機械（例えば、機械１０５を含む）の部品の摩耗量を監視する１つ以上の装置に残存寿命情報を送信することを含むことができる。いくつかの例では、摩耗検出装置１９０は、（１つ以上の部品の）摩耗量が閾値摩耗量を満たす場合に、残存寿命情報を送信することができる。残存寿命情報は、１つ以上の部品の摩耗量、１つ以上の部品の摩耗率、１つ以上の部品の残存寿命、及び／又は１つ以上の部品の修理及び／又は交換に関連する提案を示すことができる。１つ以上の装置は、場所管理システムの装置、バックオフィスシステムの装置、機械１０５のオペレータに関連する装置、技術者に関連する装置、及び／又はコントローラ１４０を含むことができる。

いくつかの例では、摩耗検出装置１９０は、残存寿命情報を送信して、１つ以上の装置に１つ以上の交換部品を発注させるようにしてもよい。場合によっては、残存寿命情報は、１つ以上の部品及び／又は１つ以上の交換部品を識別する情報を含むことができる。

摩耗検出装置１９０は、１つ以上の装置（例えば、コントローラ１４０）に残存寿命情報を送信して、機械１０５を修理施設に自律的にナビゲートさせることができる。追加的に又は代替的に、摩耗検出装置１９０は、残存寿命情報を送信して、１つ以上の装置が、１つ以上の部品を検査及び／又は修理するために、技術者のカレンダをカレンダイベントで埋められるようにしもよい。追加的に又は代替的に、摩耗検出装置１９０は、１つ以上の装置（例えば、コントローラ１４０）に警報を作動させるために、残存寿命情報を送信してもよい。警報は、１つ以上の部品を修理又は交換すること示唆する可能性がある。

場合によっては、摩耗検出装置１９０は、残存寿命情報を送信して、１つ以上の装置に１つ以上の部品を修理及び／又は交換するためのサービス要求を生成させることができる。サービス要求を生成することの一部として、１つ以上の装置は、本明細書で説明される１つ以上のアクションを実行することができる。

いくつかの例では、アクションは、摩耗検出装置１９０により、第１自律装置が機械１０５に関連する位置に１つ以上の交換部品を送達するようにすることを含みうる。この位置は、機械１０５の現在の位置、機械１０５が複数のタスクを実行する作業場所の位置、機械１０５がタスクを実行していないときに機械１０５が配置されている位置、及び／又は機械１０５が修理及び／又は交換中であるときに機械１０５が配置されている位置を含むことができる。場合によっては、残存寿命情報は、機械１０５に関連する位置を識別する情報を含むことができる。

いくつかの例では、アクションは、摩耗検出装置１９０が、予測された部品摩耗情報を検証するために、機械１０５に関連する位置に第２自律装置をナビゲートさせることを含むことができる。第２自律装置は、部品摩耗情報の検証に基づいて検証情報を生成し、検証情報を摩耗検出装置１９０に送信することができる。摩耗検出装置１９０は、検証情報を用いて機械学習モデル２３０を再訓練することができる。

場合によっては、摩耗検出装置１９０は、（例えば、予測された部品摩耗情報に基づいて）１つ以上の部品の故障が間もなく発生するか否かを判定することができる。摩耗検出装置１９０が、故障が発生しようとしていると判断した場合、摩耗検出装置１９０は、上述したアクションのうちの１つ以上を実行することができる。摩耗検出装置１９０は、故障が差し迫っていないと判断した場合には、アクションを行わないようにしてもよい。

図２に示す装置及びネットワークの数及び配置を一例として提供する。実際には、図２に示されるものと比較して、追加の装置、より少ない装置、異なる装置、又は異なる配置の装置が存在することができる。さらに、図２に示す２つ以上の装置は、単一の装置内で実装されてもよく、又は、図２に示す単一の装置は、複数の分散装置として実装されてもよい。追加的に又は代替的に、システム２００の装置のセット（例えば、１つ以上の装置）は、システム２００の別の装置のセットが実行するものとして説明された１つ以上の機能を実行することができる。

図３は、機械学習モデルを用いたシャーシ摩耗予測に関連する例示的なプロセス３００のフローチャートである。図３の１つ以上の処理ブロックは、第１装置（例えば、摩耗検出装置１９０）によって実行することができる。図３の１つ以上の処理ブロックは、摩耗検出装置とは別の、又は摩耗検出装置を含む、コントローラ（例えばコントローラ１４０）のような、別の装置又は装置のセットによって実行することができる。

図３に示すように、プロセス３００は、機械のシャーシの１つ以上の部品の摩耗に関連する過去のセンサデータを１つ以上の第２装置から受信することを含み得る（ブロック３１０）。例えば、上述したように、第１装置は、機械のシャーシの１つ以上の部品の摩耗に関連する過去のセンサデータを１つ以上の第２装置から受信することができる。

図３にさらに示すように、プロセス３００は、１つ以上の部品の摩耗に関連する過去の検査データを１つ以上の第３装置から受信することを含むことができる（ブロック３２０）。例えば、上述したように、第１装置は、１つ以上の部品の摩耗に関連する過去の検査データを１つ以上の第３装置から受信することができる。

図３にさらに示すように、プロセス３００は、過去のセンサデータ及び過去の検査データを用いて機械学習モデルを訓練して、１つ以上の部品の残存寿命を予測することを含むことができる（ブロック３３０）。例えば、上述したように、第１装置は、過去のセンサデータ及び過去の検査データを用いて、機械学習モデルを訓練して、１つ以上の部品の残存寿命を予測することができる。

過去のセンサデータ及び過去の検査データは、訓練データに含まれ、訓練データは、機械の位置を識別する２つ以上の位置データと、前記位置でタスクを実行している間に前記機械が移動した距離を識別する距離データと、前記機械が移動した距離に関連する速度を識別する速度データと、前記機械がタスクを実行する時間量を識別する機械時間データと、前記機械の振動の測定を識別する機械振動データと、前記機械に関連する音の測定を識別する機械音データと、前記位置でタスクを実行している間に前記機械によって使用される牽引レバー力の量を識別する牽引レバー力データと、前記位置で前記機械によって実行される前記タスクの摩損性の測定を識別する摩損性データと、前記位置で前記タスクを実行した結果としての前記１つ以上の部品のトラック張力を識別するトラック張力データとのうちの２つ以上を含み、前記機械学習モデルを訓練することは、位置データ、距離データ、速度データ、機械時間データ、機械振動データ、機械音データ、牽引レバー力データ、摩損性データ、又はトラック張力データのうちの２つ以上を用いて前記機械学習モデルを訓練することを含む。

訓練データは、タスクの実行中に位置での環境条件を識別する環境データを含み、機械学習モデルを訓練することは、位置データ、距離データ、速度データ又は機械時間データ、機械振動データ、機械音データ、牽引レバー力データ、摩損性データ、トラック張力データのうちの２つ以上、又は環境データを用いて機械学習モデルを訓練することを含む。

機械学習モデルを訓練することは、機械学習モデルを訓練して、１つ以上の部品の摩耗率を予測し、摩耗率に基づいて１つ以上の部品の残存寿命を予測することを含み、１つ以上の部品の残存寿命を決定することは、摩耗率に基づいて１つ以上の部品の摩耗量を決定することと、摩耗量に基づいて１つ以上の部品の残存寿命を決定することとを含む。

図３にさらに示すように、プロセス３００は、１つ以上の部品の摩耗に関連するセンサデータを機械の１つ以上のセンサ装置から受信することを含むことができる（ブロック３４０）。例えば、上述したように、第１装置は、１つ以上の部品の摩耗に関連するセンサデータを機械の１つ以上のセンサ装置から受信することができる。

図３にさらに示すように、プロセス３００は、機械学習モデルを用いて、センサデータに基づいて、１つ以上の部品の残存寿命を予測することを含むことができる（ブロック３５０）。例えば、上述したように、第１装置は、機械学習モデルを用いて、センサデータに基づいて、１つ以上の部品の残存寿命を予測することができる。

図３にさらに示すように、プロセス３００は、１つ以上の部品の残存寿命に基づいてアクションを実行させることを含むことができる（ブロック３６０）。例えば、上述したように、第１装置は、１つ以上の部品の残存寿命に基づいてアクションを実行することができる。

プロセス３００は、機械の操作をシミュレートすることによって生成され、１つ以上の部品の摩耗に関連している１つ以上の第４装置からシミュレーションデータを受信することを含み、機械学習モデルを訓練することは、センサデータ、過去の検査データ、及びシミュレーションデータを用いて機械学習モデルを訓練することを含む。

センサデータは、機械の振動測定に関する機械振動データを含み、シミュレーションデータは、機械の振動測定と１つ以上の部品の摩耗との間の相関を示し、機械学習モデルを訓練することは、機械振動データとシミュレーションデータとを用いて機械学習モデルを訓練することを含む。

アクションを実行させることは、１つ以上の部品の予測残存寿命に基づいて機械の操作を調整することと、残存寿命情報を装置に送信して、１つ以上の部品の予測残存寿命を示す予測残存寿命に基づいて１つ以上の部品の少なくとも１つを修理又は交換するためのサービス要求を装置に生成させることと、残存寿命情報を機械のオペレータに関連する装置に送信して、オペレータが残存寿命情報に基づいて機械の操作を調整するか、又はオペレータに関連する装置を用いてサービス要求を送信するようにさせることとのうちの少なくとも１つを含む。

図３はプロセス３００のブロック例を示しているが、いくつかの実装形態では、プロセス３００は、図３に示されるものとは異なる追加のブロック、より少ないブロック、異なるブロック、又は異なる配置のブロックを含むことができる。追加的に又は代替的に、プロセス３００の２つ以上のブロックを並列に実行することができる。

本開示は、機械学習モデルを用いて機械のシャーシの１つ以上の部品の残存寿命を予測する方法に関する。１つ以上の部品の残存寿命を予測する方法は、機械トラックの手動測定値（トラックの摩耗量を決定するための）及びトラックの残存寿命の不正確な予測に関連する問題を防止することができる。

手動測定値を得る場合、トラックの手動測定値は、機械の移動を防止するための機械リソースを浪費する可能性がある。さらに、トラックの誤った手動測定値及び／又はトラックの残存寿命の誤った予測は、誤った手動測定値及び／又は残存寿命の誤った予測に関連する問題（例えば、トラックの早期故障、トラックの早期修復、及び／又はトラックの早期交換）を改善するための計算リソースを浪費する可能性がある。

機械学習モデルを用いてシャーシの１つ以上の部品の残存寿命を予測する方法は、上記の手動測定値及び残存寿命の不正確な予測に関する問題を解決することができる。いくつかの利点は、開示されている方法に関連し得る。例えば、機械学習モデルを用いて１つ以上の部品の残存寿命を予測することにより、このプロセスは、トラックの手動測定（これは不正確である可能性がある）を防止し、トラックの残存寿命の不正確な予測を防止することができる。

このプロセスは、手動測定を防止することにより、機械の操作の中断を防止（又は制限）し、手動測定値が得られたときに機械が固定されることを防止し、残存寿命の不正確な予測を防止することができる。このプロセスは、人為的な測定を防止し、トラックの残存寿命の不正確な予測を防止することによって、人為的な測定の不正確さ及びトラックの残存寿命の不正確な予測に関連する問題（例えば、トラックの早期の故障、トラックの早期の修復、及び／又はトラックの早期の交換）を改善するために本来使用されるべき計算又は機械資源を保持することができる。

前述の開示は、説明および説明を提供しているが、開示されている正確な形に実装を限定したり、または限定したりすることを意図していない。上記の開示に基づいて修正や変更を行ってもよいし、実施形態の実践から修正や変更を得てもよい。さらに、１つ以上の実施形態を組み合わせることができない理由が上記の開示に明確に提供されていない限り、本明細書に記載されているいずれの実施形態を組み合わせることができる。特徴の特定の組み合わせは、請求項に記載され及び／又は明細書に開示されていても、これらの組み合わせは、種々の実施形態の開示を制限することを意図するものではない。以下に列挙される各従属請求項は、１つの請求項のみに直接従属することができるが、様々な実施形態の開示には、請求項セット内の全ての他の請求項と組み合わせる各従属請求項が含まれる。

本明細書に使用されるように、「一」、「１つ」及び「１セット」は、１つ以上のものを含むことを意図しており、「１つ以上」と交換可能に使用され得る。さらに、本明細書で使用されるように、冠詞「当該」は、冠詞「当該」と組み合わせて引用される１つ以上のものを含むことを意図しており、「１つ以上」と交換可能に使用され得る。さらに、「に基づいて」という語句は、特に明記しない限り、「少なくとも部分的に基づく」ということを意味することを意図している。さらに、本明細書で使用されるように、用語「または」は、本明細書で使用される際に含まれることを意図しており、別段の明示がない限り（例えば、「その１つ」または「その１つのみ」と組み合わせて使用される場合）、「および／または」と交換して使用することができる。

Claims (10)

1. 第１装置（１９０）によって実行される方法であって、
   機械のシャーシの１つ以上の部品の摩耗に関連する過去のセンサデータを１つ以上の第２装置（１２０）から受信するステップと、
   前記１つ以上の部品の摩耗に関連する過去の検査データを１つ以上の第３装置（２１０）から受信するステップと、
   前記過去のセンサデータ及び前記過去の検査データを用いて機械学習モデル（２３０）を訓練して、前記１つ以上の部品の残存寿命を予測するステップと、
   前記１つ以上の部品の摩耗に関連するセンサデータを前記機械の前記１つ以上のセンサ装置（１２０）から受信するステップと、
   前記機械学習モデル（２３０）を用いて、前記センサデータに基づいて、前記１つ以上の部品の残存寿命を予測するステップと、
   前記１つ以上の部品の残存寿命に基づいてアクションを実行させるステップと、を含む方法。
2. 前記機械の操作をシミュレートすることによって生成され、前記１つ以上の部品の摩耗に関連しているエミュレーションデータを１つ以上の第４装置（２２０）から受信するステップをさらに含み、
   前記機械学習モデル（２３０）を訓練するステップは、前記センサデータ、前記過去の検査データ及び前記シミュレーションデータを用いて前記機械学習モデル（２３０）を訓練するステップを含む、請求項１に記載の方法。
3. 前記過去のセンサデータ及び前記過去の検査データは前記訓練データに含まれ、
   前記訓練データは、
   前記機械の位置を識別する位置データと、
   前記位置でタスクを実行している間に前記機械が移動した距離を識別する距離データと、
   前記機械が移動した距離に関連する速度を識別する速度データと、
   前記機械がタスクを実行する時間量を識別する機械時間データと、
   前記機械の振動の測定を識別する機械振動データと、
   前記機械に関連する音の測定を識別する機械音データと、
   前記位置でタスクを実行している間に前記機械によって使用される牽引レバー力の量を識別する牽引レバー力データと、
   前記位置で前記機械によって実行される前記タスクの摩損性の測定を識別する摩損性データと、
   前記位置で前記タスクを実行した結果としての前記１つ以上の部品のトラック張力を識別するトラック張力データとのうちの２つ以上を含み、
   前記機械学習モデル（２３０）を訓練するステップは、位置データ、距離データ、速度データ、機械時間データ、機械振動データ、機械音データ、牽引レバー力データ、摩損性データ、又はトラック張力データのうちの２つ以上を用いて前記機械学習モデル（２３０）を訓練するステップを含む、請求項１及び２のいずれかに記載の方法。
4. 前記訓練データは、前記タスクの実行中に前記位置での環境条件を識別する環境データを含み、
   前記機械学習モデル（２３０）を訓練するステップは、位置データ、距離データ、速度データ又は機械時間データ、機械振動データ、機械音データ、牽引レバー力データ、摩損性データ、トラック張力データのうちの２つ以上、又は環境データを用いて前記機械学習モデル（２３０）を訓練するステップを含む請求項１～３のいずれか１項に記載の方法。
5. 前記機械学習モデル（２３０）を訓練するステップは、前記機械学習モデル（２３０）を訓練して、前記１つ以上の部品の摩耗率を予測し、前記摩耗率に基づいて前記１つ以上の部品の残存寿命を予測するステップを含み、
   前記１つ以上の部品の残存寿命を決定するステップは、
   前記摩耗率に基づいて前記１つ以上の部品の摩耗量を決定するステップと、
   前記摩耗量に基づいて、前記１つ以上の部品の残存寿命を決定するステップと、を含む請求項１～４のいずれか１項に記載の方法。
6. システムであって、
   前記機械のシャーシの１つ以上の部品の摩耗に関連するセンサデータを前記機械の１つ以上のセンサ装置から受信し、
   前記機械学習モデル（２３０）を用いて、前記センサデータに基づいて前記１つ以上の部品の残存寿命を予測するように構成された第１装置（１９０）を含み、
   前記機械学習モデル（２３０）は、
   前記過去のセンサデータ
   前記過去の検査データ、又は
   シミュレーションモデルのシミュレーションデータのうちの２つ以上を含む訓練データを用いて、前記１つ以上の部品の残存寿命を予測し、
   前記１つ以上の部品の残存寿命に基づいてアクションを実行させるように訓練され、
   前記センサデータ、前記過去の検査データ、又は前記シミュレーションデータのうちの２つ以上は、前記１つ以上の部品の摩耗に関連している、システム。
7. 前記第１装置（１９０）は、前記アクションを実行させるとき、
   前記１つ以上の部品の摩耗率を低減するために、前記１つ以上の部品の残存寿命を示す前記１つ以上の部品の残存寿命に基づいて前記機械の操作を調整し、
   前記残存寿命情報を装置に送信して、前記残存寿命に基づいて前記１つ以上の部品のうちの少なくとも１つを修理又は交換するためのサービス要求を前記装置に生成させ、
   又は
   前記残存寿命情報を前記機械のオペレータに関連する装置に送信して、前記１つ以上の部品の摩耗率を低減するために、オペレータが前記機械の操作を調整するようにさせるように構成される、請求項６に記載のシステム。
8. 前記訓練データは、
   前記機械の位置を識別する位置データと、
   前記１つ以上の部品が修理又は交換されてから前記機械が移動した距離を識別する距離データと、
   前記機械が移動した距離に関連する速度を識別する速度データと、
   前記機械の振動の測定を識別する機械振動データと、
   前記機械によって生成される音の測定を識別する機械音データと、
   前記位置で前記タスクを実行している間に前記機械によって使用される牽引レバー力の量を識別する牽引レバー力データと、
   前記位置で前記機械によって実行されるタスクの摩損性の測定を識別する摩損性データと、
   前記位置で前記タスクが実行された結果としての前記１つ以上の部品のトラック張力を識別するトラック張力データのうちの２つ以上を含む、請求項６及び７のいずれか１つに記載のシステム。
9. 前記第１装置（１９０）は、位置データ、距離データ、速度データ、機械振動データ、機械音データ、牽引レバー力データ、摩損性データ、又はトラック張力データのうちの２つ以上を用いて前記機械学習モデル（２３０）を再訓練するように構成される、請求項６～８のいずれか１項に記載のシステム。
10. 前記訓練データは、前記位置での湿度測定を識別する湿度データをさらに含み
    前記第１装置（１９０）は、湿度データと、位置データ、距離データ、速度データ、機械振動データ、機械音データ、牽引レバー力データ、摩損性データ、トラック張力データのうちの２つ以上とを用いて前記機械学習モデル（２３０）を再訓練するように構成される、請求項６～９のいずれか１項に記載のシステム。