KR20230091958A - 기계 학습 모델을 이용한 하부 주행체 마모 예측 - Google Patents
기계 학습 모델을 이용한 하부 주행체 마모 예측 Download PDFInfo
- Publication number
- KR20230091958A KR20230091958A KR1020237016931A KR20237016931A KR20230091958A KR 20230091958 A KR20230091958 A KR 20230091958A KR 1020237016931 A KR1020237016931 A KR 1020237016931A KR 20237016931 A KR20237016931 A KR 20237016931A KR 20230091958 A KR20230091958 A KR 20230091958A
- Authority
- KR
- South Korea
- Prior art keywords
- data
- wear
- components
- machine
- training
- Prior art date
Links
- 238000010801 machine learning Methods 0.000 title claims abstract description 112
- 238000012549 training Methods 0.000 claims abstract description 73
- 238000007689 inspection Methods 0.000 claims abstract description 54
- 238000004088 simulation Methods 0.000 claims abstract description 40
- 230000009471 action Effects 0.000 claims abstract description 23
- 238000000034 method Methods 0.000 claims description 60
- 230000008439 repair process Effects 0.000 claims description 15
- 230000007613 environmental effect Effects 0.000 claims description 11
- 230000005540 biological transmission Effects 0.000 claims description 7
- 238000001514 detection method Methods 0.000 description 108
- 238000005259 measurement Methods 0.000 description 26
- 230000008569 process Effects 0.000 description 22
- 230000002028 premature Effects 0.000 description 9
- 230000015654 memory Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 230000033001 locomotion Effects 0.000 description 7
- 239000012530 fluid Substances 0.000 description 6
- 238000005192 partition Methods 0.000 description 6
- 238000000638 solvent extraction Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 5
- 230000006399 behavior Effects 0.000 description 4
- 230000003542 behavioural effect Effects 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000007637 random forest analysis Methods 0.000 description 3
- 230000002411 adverse Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M17/00—Testing of vehicles
-
- 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]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/006—Indicating maintenance
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/008—Registering or indicating the working of vehicles communicating information to a remotely located station
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
- G07C5/0808—Diagnosing performance data
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
- G07C5/0816—Indicating performance data, e.g. occurrence of a malfunction
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/26—Pc applications
- G05B2219/2616—Earth moving, work machine
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Automation & Control Theory (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Numerical Control (AREA)
- Control Of Position Or Direction (AREA)
- Control Of Turbines (AREA)
- Regulating Braking Force (AREA)
Abstract
시스템은 장치를 포함할 수 있다. 상기 장치는, 기계 장치의 하나 이상의 센서 장치로부터, 기계 장치의 하부 주행체의 하나 이상의 구성부품의 마모와 관련된 센서 데이터를 수신하도록; 그리고 기계 학습 모델 및 센서 데이터를 사용하여, 하나 이상의 구성부품의 마모 비율을 기반으로 하나 이상의 구성부품의 마모량을 예측하도록; 구성될 수 있다. 기계 학습 모델은, 하나 이상의 구성부품의 마모 비율을 예측하기 위해, 훈련 데이터에 의해 훈련된다. 훈련 데이터는 이력 센서 데이터, 이력 검사 데이터, 또는 하나 이상의 제3 장치로부터 비롯되는 시뮬레이션 모델의 시뮬레이션 데이터 중 2개 이상을 포함한다. 상기 장치는 마모량을 기반으로 조치를 수행할 수 있다.
Description
본원 개시는 기계 장치(machine)의 하부 주행체(undercarriage)의 마모 모니터링 및 예컨대 기계 학습 모델(machine learning model)을 사용한 하부 주행체의 마모 예측에 관한 것이다.
기계 장치의 하부 주행체의 구성부품들(예: 궤도 링크, 부싱 및/또는 핀)은 일정 기간에 걸쳐 마모된다. 구성부품들의 마모를 검출하기 위한 일 기술은 상기 구성부품들의 구성부품 치수들의 수동 측정치들을 획득하는 단계를 포함한다. 수동 측정치들은 구성부품들의 명시된 치수들에 대하여 비교될 수 있다. 수동 측정치들을 획득하기 위해, 기계 장치는 작업 현장(work site)에서 작업(task) 수행을 정지하도록 요구된다. 수동 측정치들의 획득은 기계 장치가 작업 수행을 정지하도록 요구하면서 (예컨대 수동 측정치들을 획득하기 위한 이동 시간 및/또는 수동 측정치들을 획득하기 위한 시간으로 인한) 시간 소모 과정이기 때문에, 수동 측정치들의 획득은 작업 현장에서 생산성에 부정적인 영향을 미칠 수 있다. 이와 관련하여, 작업(즉, 기계 장치에 의해 수행될 작업)은 오랜 기간(예컨대 수동 측정치들이 획득되는 동안의 기간) 동안 정지될 수 있다.
그에 추가로, 상기 수동 측정치들은 부정확할 수 있다. 구성부품 치수들의 부정확한 측정치들은 결과적으로 구성부품들의 잔여 수명과 관련하여 부정확한 예측을 야기할 수 있다. 부정확한 예측의 결과로서, 구성부품들은 너무 이른 시기에 고장날 수 있거나, 또는 너무 이른 시기에 수리되거나 교환될 수 있다(예컨대 그 이유는 구성부품들이 교환 또는 수리를 필요로 할 만큼 충분히 마모될 수 없기 때문이다.). 또한, 구성부품들의 상기와 같은 너무 이른 시기의 고장 또는 구성부품들의 너무 이른 시기의 교환 또는 수리는 작업 현장에서 생산성에 부정적인 영향을 미친다. 따라서, 구성부품들의 마모를 검출하기 위한 상기 기술은 작업 현장에서 정지 시간(down time)(예컨대 구성부품 치수들의 수동 측정치들의 획득과 관련되고, 구성부품들의 너무 이른 시기의 고장과 관련되고, 구성부품들의 너무 이른 시기의 수리와 관련되고, 구성 부품들의 너무 이른 시기의 교환과 관련되고, 그리고/또는 기타 사항들과 관련되는 정지 시간)을 예방하거나 줄이기 위해 개선될 필요가 있다.
독일 특허 출원 공개 제DE10257793호("'793 공개")는 선택된 구성부품의 잔여 수명의 계산을 위한 모델 기반 수명 관측기(lifetime observer)를 개시하고 있다. '793 공개는, 모델 기반 수명 관측기가 측정된 부하의 모델 기반 준비와 가용한 센서 장치들에 의한 작동 부하의 측정치를 연결하는 것으로 개시하고 있다.
'793 공개는 모델 기반 수명 관측기를 개시하고 있기는 하지만, '793 공개는 (가용한 센서 장치들로부터 비롯되는) 데이터가 선택된 구성부품의 마모에 영향을 미칠 수 있는 외부 요인들을 고려하는 것으로 개시하고 있지는 않다. 따라서, '793 공개의 모델 기반 수명 관측기는 구성부품들의 잔여 수명을 부정확하게 예측할 수 있다.
본원 개시의 마모 검출 장치는 상기에서 제시된 문제들 중 하나 이상 및/또는 당업계의 기타 문제들을 해결한다.
제1 장치에 의해 수행되는 방법은 하나 이상의 제2 장치로부터 기계 장치의 하부 주행체의 하나 이상의 구성부품의 마모와 관련된 이력 센서 데이터를 수신하는 수신 단계; 하나 이상의 제3 장치로부터 하나 이상의 구성부품의 마모와 관련된 이력 검사 데이터를 수신하는 수신 단계; 이력 센서 데이터 및 이력 검사 데이터를 사용하여, 하나 이상의 구성부품의 잔여 수명을 예측하기 위해 기계 학습 모델을 훈련시키는 훈련 단계(training); 기계 장치의 하나 이상의 센서 장치로부터 하나 이상의 구성부품의 마모와 관련된 센서 데이터를 수신하는 수신 단계; 기계 학습 모델을 사용하고 센서 데이터를 기반으로 하나 이상의 구성부품의 잔여 수명을 예측하는 예측 단계; 및 하나 이상의 구성부품의 잔여 수명을 기반으로 조치가 수행되도록 하는 조치 수행 단계;를 포함한다.
기계 장치는 하나 이상의 메모리; 및 하나 이상의 프로세서;를 포함하되, 상기 프로세서는, 기계 장치의 하나 이상의 센서 장치로부터 기계 장치의 하부 주행체의 하나 이상의 구성부품의 마모와 관련된 센서 데이터를 수신하도록; 기계 학습 모델이 하나 이상의 구성부품의 마모 비율(wear rate)을 예측하도록 훈련 데이터에 의해 훈련되되, 훈련 데이터는 하나 이상의 제3 장치로부터 비롯되는 이력 센서 데이터, 이력 예측 데이터 및 시뮬레이션 모델의 시뮬레이션 데이터 중 2개 이상을 포함하고, 이력 센서 데이터, 이력 검사 데이터 및 시뮬레이션 데이터 중 2개 이상은 하나 이상의 구성부품의 마모와 관련되는 조건에서, 기계 학습 모델 및 센서 데이터를 사용하여 하나 이상의 구성부품의 마모 비율을 기반으로 하나 이상의 구성부품의 마모량(amount of wear)을 예측하도록; 그리고 하나 이상의 구성부품의 마모량을 기반으로 조치를 수행하도록; 구성된다.
시스템은, 기계 장치의 하나 이상의 센서 장치로부터 기계 장치의 하부 주행체의 하나 이상의 구성부품의 마모와 관련된 센서 데이터를 수신하도록; 기계 학습 모델이 이력 센서 데이터, 이력 검사 데이터 및 시뮬레이션 모델의 시뮬레이션 데이터 중 2개 이상을 포함하는 훈련 데이터를 사용하여 하나 이상의 구성부품의 잔여 수명을 예측하도록 훈련되되, 센서 데이터, 이력 검사 데이터 및 시뮬레이션 데이터 중 2개 이상은 하나 이상의 구성부품의 마모와 관련되는 조건에서, 기계 학습 모델을 사용하고 센서 데이터를 기반으로 하나 이상의 구성부품의 잔여 수명을 예측하도록; 그리고 하나 이상의 구성부품의 잔여 수명을 기반으로 조치가 수행되도록; 구성되는 장치를 포함한다.
도 1은 본원에서 설명되는 예시의 구현예를 도시한 도면이다.
도 2는 본원에서 설명되는 예시를 도시한 도면이다.
도 3은 기계 학습 모델을 사용하는 하부 주행체 마모 예측과 관련된 예시의 과정을 나타낸 흐름도이다.
도 2는 본원에서 설명되는 예시를 도시한 도면이다.
도 3은 기계 학습 모델을 사용하는 하부 주행체 마모 예측과 관련된 예시의 과정을 나타낸 흐름도이다.
본원 개시는, 기계 학습 모델을 사용하여, 기계 장치의 하부 주행체의 하나 이상의 구성부품의 잔여 수명을 예측하는 장치에 관한 것이다. "기계 장치"란 용어는, 예를 들면 광산업, 건설, 농업, 운송과 같은 산업 또는 기타 산업과 관련된 작업(operation)을 수행하는 임의의 기계 장치를 지칭할 수 있다. 또한, 하나 이상의 도구(implement)는 기계 장치에 연결될 수 있다.
도 1에는, 본원에서 설명되는 예시의 구현예(100)의 도면이 도시되어 있다. 도 1에 도시된 것처럼, 예시의 구현예(100)는 기계 장치(105)와 마모 검출 장치(190)를 포함한다. 기계 장치(105)는 불도저와 같은 토공 기계(earth-moving machine)로서 구성되어 있다. 그 대안으로, 기계 장치(105)는 굴착기와 같은 다른 유형의 궤도형 기계 장치일 수 있다.
도 1에 도시된 것처럼, 기계 장치(105)는 엔진(110), 센서 시스템(120), 운전실(130)(operator cabin), 컨트롤러(140), 후방 부착부(150)(rear attachment), 전방 부착부(160) 및 지면 결합 부재들(170)(ground engaging members)을 포함한다.
엔진(110)은 압축 점화 엔진, 불꽃 점화 엔진, 레이저 점화 엔진, 플라스마 점화 엔진 등과 같은 내연기관을 포함할 수 있다. 엔진(110)은 기계 장치(105)로, 그리고/또는 기계 장치(105)와 관련된 부하들(예: 동력을 흡수하고, 그리고/또는 작동을 위해 동력을 사용하는 구성부품들)의 집합으로 동력을 공급한다. 예를 들면, 엔진(110)은, 하나 이상의 제어 시스템[예: 컨트롤러(140)], 센서 시스템(120), 운전실(130) 및/또는 지면 결합 부재들(170)로 동력을 공급할 수 있다.
엔진(110)은 광산업, 건설, 농업, 건설 또는 임의의 다른 산업에서 사용되는 도구와 같은 기계 장치(105)의 도구로 동력을 공급할 수 있다. 예를 들면, 엔진(110)은 기계 장치(105)의 후방 부착부(150) 및/또는 전방 부착부(160)의 제어를 용이하게 하기 위해 구성부품들(예: 하나 이상의 유압 펌프, 하나 이상의 액추에이터, 및/또는 하나 이상의 전기 모터)에 동력을 공급할 수 있다.
센서 시스템(120)은, (하기에서 보다 더 상세하게 설명되는 것처럼) 기계 장치(105)의 하부 주행체의 하나 이상의 구성부품의 마모량과 관련한 신호들을 생성할 수 있는 센서 장치들을 포함한다. 센서 시스템(120)의 센서 장치들의 유형들은 도 2와 관련하여 하기에서 보다 더 상세하게 설명된다.
운전실(130)은 통합 디스플레이(미도시) 및 운전자 제어부(미도시)(operator controls)를 포함한다. 운전자 제어부는 기계 장치(105)의 작동을 제어하기 위해 하나 이상의 입력 구성부품(예: 통합 조이스틱, 누름 버튼, 제어 레버 및/또는 스티어링 휠)을 포함할 수 있다. 자율 주행 기계 장치를 위해, 운전자 제어부는 운전자에 의한 사용을 위해 설계되지 않을 수 있으며, 오히려 운전자로부터 독립적으로 작동하도록 설계될 수 있다. 이러한 경우에, 예를 들면, 운전자 제어부는 임의의 운전자 입력 없이 다른 구성부품에 의한 사용을 위한 입력 신호를 공급하는 하나 이상의 입력 구성부품을 포함할 수 있다.
컨트롤러(140)[예: 전자 제어 모듈(ECM)]는 기계 장치(105)의 작동을 제어하고, 그리고/또는 모니터링할 수 있다. 예를 들면, 컨트롤러(140)는 운전자 제어부로부터, 센서 시스템(120)으로부터, 그리고/또는 마모 검출 장치(190)로부터 비롯되는 신호들을 기반으로 기계 장치(105)의 작동을 제어하고, 그리고/또는 모니터링할 수 있다. 일부 사례에서, 컨트롤러(140)는, 하기에서 보다 더 상세하게 설명되는 것처럼, 센서 시스템(120) 및 마모 검출 장치(190)로부터 비롯되는 신호들을 기반으로 하부 주행체의 하나 이상의 구성부품의 마모량을 예측할 수 있다.
전방 부착부(150)는 블레이드 어셈블리를 포함할 수 있다. 후방 부착부(150)는 리퍼(ripper) 어셈블리, 윈치 어셈블리 및/또는 드로바(drawbar) 어셈블리를 포함할 수 있다.
지면 결합 부재들(170)은 기계 장치(105)를 추진하도록 구성될 수 있다. 지면 결합 부재들(170)은 기계 장치(105)를 추진하기 위한 휠들, 궤도들, 롤러들 등을 포함할 수 있다. 일부 사례에서, 지면 결합 부재들(170)은 (도 1에 도시된 것처럼) 궤도들을 포함하는 하부 주행체를 포함할 수 있다. 궤도들은 궤도 링크들을 포함할 수 있다. 궤도 링크는 궤도 링크 부싱 및 궤도 링크 핀을 포함할 수 있다. 일례로서, 궤도들은 제1 궤도 링크(172)와 제2 궤도 링크(174)를 포함할 수 있다. 제1 궤도 링크(172)는 제1 궤도 링크 부싱(176)과 제1 궤도 링크 핀(178)을 포함한다. 제2 궤도 링크(174)는 제2 궤도 링크 핀(180)을 포함한다.
스프로켓(182)(sprocket)은 [본원에서 개별적으로 "세그먼트(184)"로서, 그리고 집합적으로는 "세그먼트들(184)"로서 지칭되는] 하나 이상의 세그먼트(184)를 포함할 수 있다. 스프로켓(182)은 지면 결합 부재들(170)과 맞물려서 지면 결합 부재들(170)을 구동하도록 구성될 수 있다. 예를 들면, 세그먼트들(184)은 [예컨대 지면 결합 부재들(170)의 궤도들의] 궤도 링크 부싱들과 맞물려 회전하면서 궤도들로 하여금 기계 장치(105)를 추진하도록 구성될 수 있다.
마모 검출 장치(190)는 하부 주행체의 하나 이상의 구성부품[예컨대 하나 이상의 궤도, 궤도 링크, 하나 이상의 궤도 링크 부싱, 하나 이상의 궤도 링크 핀, 하나 이상의 스프로켓(182) 및/또는 하나 이상의 세그먼트(184)]의 마모량을 예측할 수 있는 하나 이상의 장치를 포함할 수 있다. 마모량을 기반으로, 마모 검출 장치(190)는 하나 이상의 구성부품의 잔여 수명을 예측할 수 있다. 일부 예시에서, 마모 검출 장치(190)는 하나 이상의 구성부품의 마모 비율을 예측하고 마모 비율을 기반으로 마모량을 예측할 수 있다. 마모 검출 장치(190)는, 하기에서 보다 더 상세하게 설명되는 것처럼, 하나 이상의 구성부품의 마모량을 예측하기 위해 기계 학습 모델을 이용할 수 있다. 마모 검출 장치(190)는 기계 장치(105)의 안쪽에, 기계 장치(105)의 외부에, 또는 부분적으로 기계 장치(105)의 안쪽에, 그리고 부분적으로는 그 외부에 위치될 수 있다.
상기에서 명시한 것처럼, 도 1은 일례로서 제공된다. 다른 예시들은 도 1과 관련하여 설명한 것과 다를 수 있다.
도 2에는, 본원에서 설명되는 예시의 시스템(200)의 도면이 도시되어 있다. 도 2에 도시된 것처럼, 시스템(200)은 센서 시스템(120), 컨트롤러(140), 마모 검출 장치(190), 검사 장치(210), 시뮬레이션 장치(220) 및 기계 학습 모델(230)을 포함한다. 일부 예시에서, 마모 검출 장치(190), 검사 장치(210) 및/또는 시뮬레이션 장치(220)는 [예컨대 기계 장치(105)와 관련한 작업 현장의] 현장 관리 시스템의 부분일 수 있다.
그 대안으로, 마모 검출 장치(190), 검사 장치(210) 및/또는 시뮬레이션 장치(220)는 백 오피스 시스템(back office system)의 부분일 수 있다. 마모 검출 장치(190), 검사 장치(210) 및/또는 시뮬레이션 장치(220)는 동일한 장치 내에 포함될 수 있다. 그 대안으로, 마모 검출 장치(190), 검사 장치(210) 및/또는 시뮬레이션 장치(220)는 별도의 장치들일 수 있다.
센서 시스템(120)은 하부 주행체의 하나 이상의 구성부품[예컨대 하나 이상의 궤도, 궤도 링크, 하나 이상의 궤도 링크 부싱, 하나 이상의 궤도 링크 핀, 하나 이상의 스프로켓(182) 및/또는 하나 이상의 세그먼트]의 마모량과 관련된 센서 데이터를 생성하는 센서 장치들을 포함할 수 있다. 센서 데이터는 하나 이상의 구성부품의 마모량을 추론하기 위해 이용될 수 있다. 센서 데이터는 센서 데이터가 생성된 시간 및/또는 날짜를 식별하는 정보를 포함할 수 있다.
센서 데이터는, 하부 주행체의 하나 이상의 구성부품의 마모량을 예측하도록 기계 학습 모델(230)을 훈련시키기 위해 이용되는 이력 센서 데이터를 포함할 수 있다. 예를 들면, 센서 시스템(120)은, 기계 학습 모델(230)을 훈련시키는 것과 관련하여 하기에서 보다 더 상세하게 설명되는 것처럼, 기계 학습 모델(230)을 훈련시키기 위해 마모 검출 장치(190)로 이력 센서 데이터를 공급할 수 있다.
예를 들면, 센서 시스템(120)은, 마모 검출 장치(190)에 주기적으로(예컨대 매 한 시간마다, 매 두 시간마다, 그리고/또는 매 작업 교대 시마다) 이력 센서 데이터를 공급할 수 있다. 그에 추가로, 또는 그 대안으로, 센서 시스템(120)은, 트리거링 이벤트[예를 들면, (예컨대 통합 디스플레이 및/또는 운전자 제어부를 통해) 마모 검출 장치(190)에서의 요청, 컨트롤러(140)에서의 요청, 및/또는 기계 장치(105)의 운전자의 요청]를 기반으로 [예컨대 기계 학습 모델(230)을 훈련시키기 위해] 마모 검출 장치(190)로 이력 센서 데이터를 공급할 수 있다.
기계 학습 모델(230)이 훈련된 후에, 센서 시스템(120)은, 하나 이상의 구성부품의 마모량을 예측하기 위해 기계 학습 모델(230)에 입력으로서 센서 데이터를 공급할 수 있다. 센서 시스템(120)은, 주기를 기반으로, 그리고/또는 트리거링 이벤트를 기반으로, 기계 학습 모델(230)로 입력으로서 센서 데이터를 공급할 수 있다.
센서 장치들은 진동 센서 장치, 사운드 센서 장치, 궤도 링크 마모 센서 장치, 위치 센서 장치, 속도 센서 장치, 모션 센서 장치, 부하 센서 장치, 압력 센서 장치, 유량 센서 장치 및/또는 온도 센서 장치를 포함할 수 있다.
진동 센서 장치는, 기계 장치(105)의 진동을 감지하여 진동을 기반으로 기계 장치 진동 데이터를 생성하는 하나 이상의 장치를 포함할 수 있다. 일례로서, 진동 센서 장치는 하나 이상의 관성 측정 유닛(IMU)을 포함할 수 있다. 기계 장치 진동 데이터는 기계 장치(105)의 진동 정도(measure of vibration)를 나타낼 수 있다.
사운드 센서 장치는, 기계 장치(105)에서 발산되는 사운드(또는 노이즈)를 감지하여 사운드를 기반으로 기계 사운드 데이터를 생성하는 하나 이상의 장치를 포함할 수 있다. 사운드 데이터는 기계 장치(105)와 관련된 사운드 정도(measure of sound)를 식별할 수 있다. 궤도 링크 마모 센서 장치는, 기계 장치(105)의 궤도 링크들의 마모를 감지하여 궤도 링크 마모 데이터를 생성하는 하나 이상의 장치를 포함할 수 있다. 궤도 링크 마모 데이터는 궤도 링크들의 마모 정도(measure of wear)를 식별할 수 있다.
위치 센서 장치는 기계 장치(105)의 위치를 감지하여 위치를 식별하는 위치 데이터를 생성하는 하나 이상의 장치를 포함할 수 있다. 일례로서, 위치 센서 장치는 위성 위치확인 시스템(GPS) 수신기 및/또는 GPS 센서를 포함할 수 있다. 위치 데이터는 기계 장치의 위치를 식별할 수 있다. 위치는 기계 장치(105)가 작업을 수행하는 곳인 작업 현장을 포함할 수 있다.
모션 센서 장치는 기계 장치(105)와 관련된 속도를 감지하여 기계 장치(105)와 관련된 속도를 식별하는 속도 데이터를 생성하는 하나 이상의 장치를 포함할 수 있다. 모션 센서 장치는 가속도계, 회전 속도계, 속도계 및/또는 IMU를 포함할 수 있다. 일부 구현예에서, 모션 센서 장치는 기계 장치(105)에 의해 이동된 거리를 더 감지할 수 있고 기계 장치(105)에 의해 이동된 거리를 식별하는 거리 데이터를 생성할 수 있다. 거리는 작업을 수행하는 동안 기계 장치(105)에 의해 이동된 거리에 상응할 수 있다. 그에 추가로, 또는 그 대안으로, 거리는 하나 이상의 구성부품의 수리 및/또는 교환 이후 이동된 거리에 상응할 수 있다. 모션 센서 장치는 기계 장치(105)가 (예컨대 작업을 수행하기 위해) 사용되는 동안의 시간을 모니터링할 수 있으며, 그리고 기계 장치(105)가 사용되는 동안의 시간을 식별하는 기계 장치 시간 데이터를 생성할 수 있다.
부하 센서 장치는 엔진(110)의 부하를 감지할 수 있으면서 엔진(110)의 부하를 식별하는 부하 데이터를 생성하는 하나 이상의 장치를 포함할 수 있다. 압력 센서 장치는 기계 장치(105)의 후방 부착부(150) 및/또는 전방 부착부(160)의 제어를 용이하게 하는 유압 시스템의 유체의 압력을 감지하여 유압 시스템의 유체의 압력을 식별하는 압력 데이터를 생성할 수 있는 하나 이상의 센서 장치를 포함할 수 있다. 압력 센서 장치는 압력 센서 및/또는 압력 변환기를 포함할 수 있다.
유량 센서 장치는 유압 시스템의 유체의 유량을 감지하여 유압 시스템의 유체의 유량을 식별하는 유량 데이터를 생성할 수 있는 하나 이상의 센서 장치를 포함할 수 있다. 유량 센서 장치는 유량 센서, 유량 모니터 및/또는 펌프 유량을 포함할 수 있다.
온도 센서는 기계 장치(105)의 상이한 구성부품들의 온도[예컨대 유압 시스템의 온도 및/또는 엔진(110)의 온도]를 감지하여 기계 장치(105)의 상이한 구성부품들의 온도를 식별하는 온도 데이터를 생성할 수 있는 하나 이상의 센서 장치를 포함할 수 있다.
컨트롤러(140)는 [본원에서 개별적으로 "프로세서(240)"로서, 그리고 종합적으로는 "프로세서들(240)"로서 지칭되는] 하나 이상의 프로세서(240) 및 [본원에서 개별적으로 "메모리(250)"로서, 그리고 종합적으로는 "메모리들(250)"로서 지칭되는] 하나 이상의 메모리(250)를 포함할 수 있다. 프로세서(240)는 하드웨어, 펌웨어, 및/또는 하드웨어 및 소프트웨어의 조합으로 구현된다. 프로세서(240)는 중앙 처리 유닛(CPU), 그래픽 처리 유닛(GPU), 가속 처리 유닛(APU), 마이크로프로세서, 마이크로컨트롤러, 디지털 신호 프로세서(DSP), 필드 프로그래머블 게이트 어레이(FPGA), 주문형 집적회로(ASIC), 또는 다른 유형의 처리 구성부품을 포함한다. 프로세서(240)는 기능을 수행하도록 프로그래밍될 수 있다.
메모리(250)는, 기능을 수행하기 위해 프로세서(240)에 의한 사용을 위한 정보 및/또는 명령들을 저장하는 랜덤 액세스 메모리(RAM), 판독 전용 메모리(ROM) 및/또는 또 다른 유형의 동적 또는 정적 저장 장치(예컨대 플래시 메모리, 자기 메모리 및/또는 광학 메모리)를 포함한다. 예를 들면, 기능을 수행할 때, 컨트롤러(140)는 [예컨대 센서 시스템(120)으로부터] 센서 데이터를 획득할 수 있으며, 그리고 마모 검출 장치(190)로 하여금 센서 데이터를 기반으로 하나 이상의 구성부품의 마모량을 [예컨대 기계 학습 모델(230)을 사용하여] 예측하도록 할 수 있다.
마모 검출 장치(190)는, 하기에서 보다 더 상세하게 설명되는 것처럼, 하부 주행체의 하나 이상의 구성부품의 마모량을 예측하기 위해 기계 학습 모델(230)을 훈련시키도록 구성되는 하나 이상의 장치(예: 서버 장치, 또는 서버 장치들의 그룹)를 포함할 수 있다. 일부 구현예에서, 마모 검출 장치(190)는 클라우드 컴퓨팅 환경(cloud computing environment)의 하나 이상의 컴퓨팅 자원에 의해 구현될 수 있다. 예를 들면, 마모 검출 장치(190)는 클라우드 컴퓨팅 환경에서 호스팅(hosting)될 수 있다. 그 대안으로, 마모 검출 장치(190)는 비-클라우드 기반일 수 있거나, 또는 부분적으로 클라우드 기반일 수 있다.
검사 장치(210)는 기계 장치(105)의 이력 검사와 관련한 이력 검사 데이터를 공급할 수 있는 하나 이상의 장치를 포함할 수 있다. 이력 검사 데이터는 이력 검사들이 수행되었을 때와 관련된 시간 및/또는 날짜(예: 이력 검사들의 시간 및/또는 날짜)를 식별하는 정보를 포함할 수 있다. 이력 검사들은 기계 장치(105)의 하나 이상의 위치(예: 하나 이상의 작업 현장)에서 (예컨대 수동으로) 수행될 수 있다. 일부 예시에서, 검사 데이터를 공급할 때, 검사 장치(210)는 기계 장치(105)의 이력 검사들과 관련한 이력 검사 보고서들에서 비롯되는 데이터를 공급할 수 있다. 일례로서, 이력 검사 보고서는 수행된 하나 이상의 검사를 식별하는 정보, 및 검사 보고서와 관련된 시간 및/또는 날짜[예컨대 기계 장치(105)의 검사의 시간 및/또는 날짜]를 식별하는 정보를 포함할 수 있다. 하나 이상의 검사를 식별하는 정보는 하나 이상의 구성부품의 마모 정도(measure of wear), 하나 이상의 구성부품의 조건의 전체 평가, 기계 장치(105)에 의해 수행된 작업으로 인한 마모도 정도(measure of abrasiveness), 기계 장치(105)의 궤도 장력, 기계 장치(105)와 관련된 위치에서 환경 조건, 및/또는 하나 이상의 구성부품의 마모량과 관련한 또 다른 유형의 검사를 포함할 수 있다.
이력 검사 데이터는, 하부 주행체의 하나 이상의 구성부품의 마모량을 예측하도록 기계 학습 모델(230)을 훈련시키기 위해 이용될 수 있다. 예를 들면, 검사 장치(210)는, 기계 학습 모델(230)의 학습과 관련되어 하기에서 보다 더 상세하게 설명되는 것처럼, 기계 학습 모델(230)을 훈련시키기 위해 마모 검출 장치(190)로 이력 검사 데이터를 공급할 수 있다.
이력 검사 데이터는, 기계 장치(105)와 관련된 측정치들(예컨대 이력 검사들과 관련된 수동 측정치들)을 기반으로 획득되는 정보를 포함할 수 있다. 예를 들면, 이력 검사 데이터는 해당 위치에서 기계 장치(105)에 의해 수행되는 작업으로 인한 마모도 정도를 식별하는 마모도 데이터, 작업의 수행 동안 해당 위치에서 환경 조건들을 식별하는 환경 데이터, 및 (예컨대 해당 위치에서 작업의 수행 결과로서) 기계 장치(105)의 궤도 장력을 식별하는 궤도 장력 데이터를 포함할 수 있다. 마모도 정도는 해당 위치에서 작업의 수행 결과로서 하나 이상의 구성부품의 마모량을 나타낼 수 있다. 환경 데이터는 해당 위치에서 수분(예컨대 토양의 수분) 정도를 식별하는 수분 데이터 및/또는 해당 위치에서 건조 상태(예컨대 토양의 건조 상태) 정도를 식별하는 건조 상태 데이터(dryness data)를 포함할 수 있다.
그에 추가로, 이력 검사 데이터는 운전자 행동 데이터(operator behavior data)를 포함할 수 있다. 예를 들면, 운전자 행동 데이터는 작업을 수행할 때 기계 장치(105)의 속도를 식별하는 정보, 기계 장치(105)가 작업을 수행하고 있을 때 엔진(110)의 부하를 식별하는 정보, 작업을 수행하는 동안 기계 장치(105)에 의해 이동되는 거리를 식별하는 정보, 기계 장치(105)가 작업을 수행하기 위해 사용되는 시간, 기계 장치(105)가 작업을 수행하고 있을 때 유압 시스템의 유체의 압력을 식별하는 정보, 및/또는 기계 장치(105)가 작업을 수행하고 있을 때 유압 시스템의 유체의 유량을 포함할 수 있다. 운전자 행동 데이터 중 일부 또는 모두는 센서 데이터를 기반으로 결정될 수 있다. 일부 사례에서, 운전자 행동 데이터는 기계 장치(105)에 의해 수행되는 작업의 유형을 식별하는 정보를 포함할 수 있다.
시뮬레이션 장치(220)는 (예컨대 하나 이상의 구성부품의 특정한 마모 정도를 달성하기 위해) 기계 장치(105)의 작동을 시뮬레이션하는 시뮬레이션 모델을 포함할 수 있는 하나 이상의 장치를 포함할 수 있다. 시뮬레이션 장치(220)는 기계 장치(105)의 작동 및 하나 이상의 구성부품의 마모를 시뮬레이션함으로써 시뮬레이션 데이터를 생성할 수 있다.
시뮬레이션 데이터는, 하부 주행체의 하나 이상의 구성부품의 마모량을 예측하도록 기계 학습 모델(230)을 훈련시키기 위해 이용될 수 있다. 예를 들면, 시뮬레이션 장치(220)는, 기계 학습 모델(230)을 훈련시키는 것과 관련하여 하기에서 보다 더 상세하게 설명되는 것처럼, 기계 학습 모델(230)을 훈련시키기 위해 마모 검출 장치(190)로 시뮬레이션 데이터를 공급할 수 있다. 일부 구현예에서, 시뮬레이션 데이터는 기계 장치(105)의 진동 정도와 하나 이상의 구성부품의 마모량 간의 상관관계를 나타낼 수 있다.
도 2에 도시된 것처럼, 마모 검출 장치(190)는 센서 시스템(120)으로부터 이력 센서 데이터를 수신하고, 검사 장치(210)로부터 이력 검사 데이터를 수신하고, 시뮬레이션 장치(220)로부터 시뮬레이션 데이터를 수신할 수 있다. 이력 센서 데이터, 이력 검사 데이터 및/또는 시뮬레이션 데이터는, 하나 이상의 구성부품의 마모량을 예측하도록 기계 학습 모델(230)을 훈련시키기 위해 이용되는 훈련 데이터에 포함될 수 있다. 마모량을 기반으로, 기계 학습 모델(230)은 하나 이상의 구성부품의 잔여 수명을 예측할 수 있다. 일부 예시에서, 기계 학습 모델(230)은 하나 이상의 구성부품의 마모 비율을 예측하고 이 마모 비율을 기반으로 하나 이상의 구성부품의 마모량을 예측하도록 훈련될 수 있다.
일부 구현예에서, 기계 학습 모델(230)은 기계 장치(105)의 하나 이상의 구성부품의 마모량을 예측하도록 훈련될 수 있다. 그에 추가로, 기계 학습 모델(230)은 기계 장치(105)와 유사한 기계 장치들의 그룹(예컨대 유사하거나 동일한 유형의 기계 장치들, 유사하거나 동일한 사양, 유사하거나 동일한 구성부품들 및/또는 유사하거나 동일한 유형의 수행 작업들)의 하부 주행체의 하나 이상의 구성부품의 마모량을 예측하도록 훈련될 수 있다. 이와 관련하여, 훈련 데이터는 기계 장치들의 그룹과 관련된 이력 센서 데이터, 이력 검사 데이터 및/또는 시뮬레이션 데이터를 포함할 수 있다.
기계 학습 모델(230)을 훈련시키는 것을 기반으로, [예컨대 기계 학습 모델(230)을 사용하는] 마모 검출 장치(190)는 하나 이상의 구성부품의 마모 비율(및/또는 하나 이상의 구성부품의 마모량)에 영향을 미치는 요인들(factors)을 식별할 수 있다. 요인들은 마멸 정도(measure of abrasion), 위치, 수분 정도, [기계 장치(105)에 의해 수행되는 작업을 식별할 수 있는] 운전자 행동, 이동된 거리, 이동된 거리와 관련된 속도, 궤도 장력, 드로바 힘, 기계 장치(105)의 진동 정도, 및/또는 기계 장치(105)의 사운드 정도를 포함할 수 있다.
일부 예시에서, 기계 학습 모델(230)을 훈련시키는 것을 기반으로, [예컨대 기계 학습 모델(230)을 사용하는] 마모 검출 장치(190)는 (예컨대 이력 검사 데이터를 기반으로) 마멸 정도와 기계 장치(105)의 위치 간의 상관관계를 결정할 수 있다. 예를 들면, 마모 검출 장치(190)[예컨대 기계 학습 모델(230)]는, 마멸 정도가 기계 장치(105)의 위치를 기반으로 한다는 것으로 결정할 수 있다. 예를 들면, 마모 검출 장치(190)는, 제1 위치(예컨대 제1 작업 현장)에서의 제1 마멸 정도가 제2 위치(예컨대 제2 작업 현장)에서의 제2 마멸 정도를 초과한다는 것으로 결정할 수 있다. 따라서, [예컨대 기계 학습 모델(230)을 사용하는] 마모 검출 장치(190)는, 제1 위치에서 하나 이상의 구성부품의 마모 비율(및 그에 따라 마모량)이 하나 이상의 구성부품의 마모 비율(및 그에 따라 마모량)을 초과한다는 것으로 결정할 수 있다.
그에 추가로, [예컨대 기계 학습 모델(230)을 사용하는] 마모 검출 장치(190)는, (이력 검사 데이터를 기반으로) 위치에서의 환경 조건들과 하나 이상의 구성부품의 마모 비율 간의 상관관계를 결정할 수 있다. 예를 들면, 마모 검출 장치(190)는, 제1 위치에서의 수분 정도가 제2 위치에서의 수분 정도를 초과한다는 것으로 결정할 수 있다. 따라서, [예컨대 기계 학습 모델(230)을 사용하는] 마모 검출 장치(190)는, 수분 정도가 증가함에 따라 하나 이상의 구성부품의 마모 비율도 증가한다는 것으로 결정할 수 있다. 일부 예시에서, 마모 검출 장치(190)는, 제1 위치 및 제2 위치에서 기계 장치(105)가 동일한 작업을 수행했던 것으로 결정하는 경우, 마모 검출 장치(190)는, 수분 정도(measure of moisture)가 증가함에 따라 하나 이상의 구성부품의 마모 비율도 증가한다고 확인할 수 있다.
[예컨대 기계 학습 모델(230)을 사용하는] 마모 검출 장치(190)는 (예컨대 이력 검사 데이터 및/또는 이력 센서 데이터를 기반으로) 수행된 작업과 하나 이상의 구성부품의 마모 비율 간의 상관관계를 결정할 수 있다. 예를 들면, [예컨대 기계 학습 모델(230)을 사용하는] 마모 검출 장치(190)는 제1 운전자 행동 데이터를 분석하는 것을 기반으로 제1 유형의 작업(예컨대 이동 재료와 관련된 작업)을 식별할 수 있으며, 그리고 제2 운전자 행동 데이터를 분석하는 것을 기반으로 제2 유형의 작업(예컨대 작업 현장으로의 운행처럼, 이동 재료와 관련되지 않은 작업)을 식별할 수 있다. 마모 검출 장치(190)는, 제1 유형의 작업과 관련된 마모 비율이 제2 유형의 작업과 관련된 마모 비율을 초과한다는 것으로 결정할 수 있다.
일부 구현예에서, [예컨대 기계 학습 모델(230)을 사용하는] 마모 검출 장치(190)는, 수행된 작업과 하나 이상의 구성부품의 마모 비율 간의 상관관계를 결정하기 위해, 수행된 작업과 궤도 장력 간의 상관관계를 결정할 수 있다. 예를 들면, 마모 검출 장치(190)는, (제1 유형의 작업의 수행에서 기인하는) 기계 장치(105)의 제1 궤도 장력이 (제2 유형의 작업의 수행에서 기인하는) 기계 장치(105)의 제2 궤도 장력보다 더 낮다는 것으로 결정하기 위해, 이력 궤도 장력 데이터를 분석할 수 있다.
[예컨대 기계 학습 모델(230)을 사용하는] 마모 검출 장치(190)는 (예컨대 이력 검사 데이터 및/또는 이력 센서 데이터를 기반으로) 작업을 수행하기 위해 이용되는 드로바 힘과 하나 이상의 구성부품의 마모 비율 간의 상관관계를 결정할 수 있다. 일부 예시에서, 마모 검출 장치(190)는, 작업을 수행하는 동안 기계 장치에 의해 사용되는 드로바 힘의 양을 식별하는 드로바 힘 데이터를 결정할 수 있다. 마모 검출 장치(190)는 이력 부하 데이터, 이력 속도 데이터, 이력 거리 데이터 및/또는 이력 온도 데이터를 기반으로 드로바 힘 데이터를 결정할 수 있다. [예컨대 기계 학습 모델(230)을 사용하는] 마모 검출 장치(190)는, 드로바 힘이 증가함에 따라 하나 이상의 구성부품의 마모 비율도 증가한다는 것으로 결정할 수 있다. 예를 들면, 마모 검출 장치(190)는, 하나 이상의 구성부품의 마모 비율이 엔진(110)의 부하처럼 증가한다는 것으로 결정할 수 있다.
[예컨대 기계 학습 모델(230)을 사용하는] 마모 검출 장치(190)는 (예컨대 시뮬레이션 데이터, 이력 센서 데이터 및/또는 이력 검사 데이터를 사용하여) 하나 이상의 구성부품의 마모 정도와 기계 장치(105)의 진동 정도 간의 상관관계를 결정할 수 있다. 예를 들면, 마모 검출 장치(190)는, 시뮬레이션 데이터가 하나 이상의 구성부품의 마모량과 기계 장치(105)의 진동 정도 간의 상관관계를 나타낸다는 것으로 결정할 수 있다.
마모 검출 장치(190)는, 마모도 정도 또는 궤도 장력 정도와 진동 정도의 상관관계를 입증하기 위해, 이력 센서 데이터(예컨대 이력 기계 장치 진동 데이터) 및 이력 검사 데이터(예컨대 이력 마모도 데이터 및/또는 이력 궤도 장력)를 분석할 수 있다. 예를 들면, [기계 학습 모델(230)을 사용하는] 마모 검출 장치(190)는, 제1 마모도 정도(예: 제1 마모도 데이터)에 상응하는 (예컨대 제1 이력 진동 데이터를 기반으로 하는) 제1 진동 정도가 제2 마모 정도(예: 제2 마모도 데이터)에 상응하는 (예컨대 제2 이력 진동 데이터를 기반으로 하는) 제2 진동 정도를 초과한다는 것으로 결정할 수 있다. 마모 검출 장치(190)는, 제1 마모도 정도가 제2 마모도 정도를 초과하고 제1 진동 정도는 제2 진동 정도를 초과한다는 것으로 결정할 수 있다. 이력 센서 데이터 및 이력 검사 데이터를 분석하는 것을 기반으로, 마모 검출 장치(190)는 하나 이상의 구성부품의 마모량과 기계 장치(105)의 진동 정도 간의 상관관계를 확인할 수 있다. 예를 들면, [예컨대 기계 학습 모델(230)을 사용하는] 마모 검출 장치(190)는, 하나 이상의 구성부품의 마모가 증가함에 따라 진동 정도도 증가한다는 것으로 결정할 수 있다.
그와 유사하게, 마모 검출 장치(190)는, 하나 이상의 구성부품의 마모가 증가함에 따라 진동 정도도 증가한다는 것으로 결정하기 위해, 이력 기계 장치 진동 데이터 및 이력 궤도 링크 마모 데이터를 분석할 수 있다. 그와 유사하게, [예컨대 기계 학습 모델(230)을 사용하는] 마모 검출 장치(190)는 (예컨대 시뮬레이션 데이터, 이력 센서 데이터 및/또는 이력 검사 데이터를 사용하여) 하나 이상의 구성부품의 마모 정도와 기계 장치(105)의 사운드 정도 간의 상관관계를 결정할 수 있다. 예를 들면, [예컨대 기계 학습 모델(230)을 사용하는] 마모 검출 장치(190)는, 하나 이상의 구성부품의 마모가 증가함에 따라 사운드 정도도 증가한다는 것으로 결정할 수 있다.
전술한 내용을 기반으로, 기계 학습 모델(230)은, 위치, 수분 정도, (예컨대 작업 수행과 관련된) 운전자 행동, [예컨대 기계 장치(105)가 작업을 수행하고 있는 동안] 이동된 거리, 이동된 거리와 관련된 속도, 궤도 장력, [기계 장치(105)가 작업을 수행하고 있는 동안] 드로바 힘, 진동 정도 및/또는 사운드 정도를 기반으로, 하나 이상의 구성부품의 마모 비율 및/또는 마모량을 예측하도록 훈련될 수 있다. 하나 이상의 구성부품의 예측 마모 비율 및/또는 마모를 기반으로, 기계 학습 모델(230)은, 하나 이상의 구성부품이 교환되고, 그리고/또는 수리되어야 하는 날짜 및/또는 시간을 예측할 수 있다. 하나 이상의 구성부품의 예측 마모, 하나 이상의 구성부품의 예측 마모량, 및/또는 예측 날짜 및/또는 시간은 이하 "예측 구성부품 마모 정보"로서 지칭될 수 있다.
기계 학습 모델(230)을 훈련시킬 때, 마모 검출 장치(190)는, 훈련 세트[예: 기계 학습 모델(230)을 훈련시키기 위한 데이터 세트], 유효성 검증 세트(validation set)[예: 기계 학습 모델(230)의 적합도(fit)를 평가하기 위해, 그리고/또는 기계 학습 모델(230)을 미세 조정하기 위해 사용되는 데이터 세트], 시험 세트[예: 기계 학습 모델(230)의 최종 적합도를 평가하기 위해 사용되는 데이터 세트] 등으로 훈련 데이터를 나눌 수 있다. 마모 검출 장치(190)는, 훈련 데이터를 최소 기능 세트(minimum feature set)로 축소하기 위해 차원 축소(dimensionality reduction)를 전처리(preprocess)하고, 그리고/또는 수행할 수 있다. 마모 검출 장치(190)는, 상기 최소 기능 세트를 기반으로 기계 학습 모델(230)을 훈련시키고 그에 따라 기계 학습 모델(230)을 훈련시키기 위한 처리를 감소시킬 수 있으며, 그리고 최소 기능 세트에 분류 기술(classification technique)을 적용할 수 있다.
마모 검출 장치(190)는, 범주형 결과(categorical outcome)(예: 하나 이상의 구성부품의 마모량)를 결정하기 위해, 분류 기술, 예를 들면 논리 회귀 분류 기술, 랜덤 포레스트(random forest) 분류 기술, 그래디언트 부스팅 기계 학습(GBM) 등을 사용할 수 있다. 분류 기술의 사용에 추가로, 또는 그 대안으로서, 마모 검출 장치(190)는 나이브 베이지안(naive Bayesian) 분류기 기술을 이용할 수 있다. 이러한 경우에, 마모 검출 장치(190)는 파티션들(partitions) 및/또는 브랜치들(branches)로 최소 기능 세트의 훈련 데이터를 분할하기 위해 이진 재귀 파티셔닝(binary recursive partitioning)을 수행할 수 있으며, 그리고 (예컨대 하나 이상의 구성부품의 마모 비율 및/또는 마모량의) 예측을 수행하기 위해 파티션들 및/또는 브랜치들을 이용할 수 있다. 재귀 파티셔닝의 이용을 기반으로, 마모 검출 장치(190)는, 데이터 항목들의 수동 선형 정렬(sorting) 및 분석에 상대적으로 컴퓨팅 자원들의 활용을 감소시킬 수 있으며, 그에 따라 모델을 훈련시키기 위해 수천, 수백만 또는 수억 개의 데이터 항목의 이용을 가능하게 하며, 그 결과로 보다 더 적은 데이터 항목을 이용하는 경우보다 더 정확한 모델을 생성할 수 있다.
마모 검출 장치(190)는, 범주형 결과(categorical outcome)(예: 하나 이상의 구성부품의 마모량)를 결정하기 위해, 분류 기술, 예를 들면 논리 회귀 분류 기술, 랜덤 포레스트 분류 기술, 그래디언트 부스팅 기계 학습(GBM) 등을 사용할 수 있다. 분류 기술의 사용에 추가로, 또는 그 대안으로서, 마모 검출 장치(190)는 나이브 베이지안(naive Bayesian) 분류기 기술을 이용할 수 있다. 이러한 경우에, 마모 검출 장치(190)는 파티션들(partitions) 및/또는 브랜치들(branches)로 최소 기능 세트의 훈련 데이터를 분할하기 위해 이진 재귀 파티셔닝(binary recursive partitioning)을 수행할 수 있으며, 그리고 (예컨대 하나 이상의 구성부품의 마모 비율 및/또는 마모량의) 예측을 수행하기 위해 파티션들 및/또는 브랜치들을 이용할 수 있다. 재귀 파티셔닝의 이용을 기반으로, 마모 검출 장치(190)는, 데이터 항목들의 수동 선형 정렬(sorting) 및 분석에 상대적으로 컴퓨팅 자원들의 활용을 감소시킬 수 있으며, 그에 따라 모델을 훈련시키기 위해 수천, 수백만 또는 수억 개의 데이터 항목의 이용을 가능하게 하며, 그 결과로 보다 더 적은 데이터 항목을 이용하는 경우보다 더 정확한 모델을 생성할 수 있다.
마모 검출 장치(190)는, 범주형 결과(categorical outcome)(예: 하나 이상의 구성부품의 마모량)를 결정하기 위해, 분류 기술, 예를 들면 논리 회귀 분류 기술, 랜덤 포레스트 분류 기술, 그래디언트 부스팅 기계 학습(GBM) 등을 사용할 수 있다. 분류 기술의 사용에 추가로, 또는 그 대안으로서, 마모 검출 장치(190)는 나이브 베이지안(naive Bayesian) 분류기 기술을 이용할 수 있다. 이러한 경우에, 마모 검출 장치(190)는 파티션들(partitions) 및/또는 브랜치들(branches)로 최소 기능 세트의 훈련 데이터를 분할하기 위해 이진 재귀 파티셔닝(binary recursive partitioning)을 수행할 수 있으며, 그리고 (예컨대 하나 이상의 구성부품의 마모 비율 및/또는 마모량의) 예측을 수행하기 위해 파티션들 및/또는 브랜치들을 이용할 수 있다. 재귀 파티셔닝의 이용을 기반으로, 마모 검출 장치(190)는, 데이터 항목들의 수동 선형 정렬(sorting) 및 분석에 상대적으로 컴퓨팅 자원들의 활용을 감소시킬 수 있으며, 그에 따라 모델을 훈련시키기 위해 수천, 수백만 또는 수억 개의 데이터 항목의 이용을 가능하게 하며, 그 결과로 보다 더 적은 데이터 항목을 이용하는 경우보다 더 정확한 모델을 생성할 수 있다.
마모 검출 장치(190)는, 주제 전문가(subject matter expert)[예: 기계 장치(105) 및/또는 하나 이상의 기계 장치와 관련된 한 명 이상의 운전자]로부터 기계 학습 모델(230)에 대한 입력을 수신하는 수신 단계를 포함하는 감독식 훈련 절차(supervised training procedure)를 이용하여 기계 학습 모델(230)을 훈련시킬 수 있으며, 이는 감독식 훈련 절차에 상대적으로 기계 학습 모델(230)을 훈련시키기 위한 시간, 처리 자원들의 양 등을 감소시킬 수 있다. 마모 검출 장치(190)는 하나 이상의 다른 모델 훈련 기술, 예를 들면 신경망 기술, 잠재 의미 색인 기술(latent semantic indexing technique) 등을 이용할 수 있다.
예를 들면, 마모 검출 장치(190)는, 하나 이상의 구성부품의 상이한 마모량들의 패턴들과 관련하여 패턴 인식(pattern recognition)을 수행하기 위해, 인공 신경망 처리 기술(예컨대 2-계층 순방향 신경망 아키텍처, 3-계층 순방향 신경망 아키텍처 등을 사용하는 기술)을 수행할 수 있다. 이러한 경우에, 인공 신경망 처리 기술을 이용하면, 노이즈가 있거나, 부정확하거나, 또는 불완전한 데이터에 대해 보다 더 견고하게 함으로써, 그리고 마모 검출 장치(190)로 하여금 인간 분석가들 또는 보다 덜 복잡한 기술을 이용하는 시스템들에 검출될 수 없는 패턴들 및/또는 경향들을 검출할 수 있게 함으로써, 마모 검출 장치(190)에 의해 생성되는 기계 학습 모델(230)의 정확성이 개선될 수 있다.
훈련 후에, 기계 학습 모델(230)은 예측 구성부품 마모 정보를 결정(또는 예측)하기 위해 이용될 수 있다. 달리 말하면, 마모 검출 장치(190)는, 기계 학습 모델(230)을 훈련시킨 후에, 기계 장치(105)로부터 센서 데이터를 수신하고, 수신된 센서 데이터를 기계 학습 모델(230)에 입력하며, 그리고 기계 학습 모델(230)은 하나 이상의 구성부품의 마모 비율 및/또는 마모량과 관련한 데이터를 출력할 수 있다. 수신된 센서 데이터는, 위치 데이터, 운전자 행동 데이터, (예컨대 작업과 관련된) 거리 데이터, (예컨대 작업과 관련된) 속도 데이터, (예컨대 작업과 관련된) 드로바 힘 데이터, 진동 데이터 및/또는 사운드 데이터를 포함할 수 있다. 기계 학습 모델(230)의 출력은 예측 구성부품 마모 정보에 대한 점수(score)를 포함할 수 있다. 예측 구성부품 마모 정보에 대한 점수는 예측 구성부품 마모 정보의 신뢰 정도(measure of confidence)를 나타낼 수 있다.
서버 장치와 같은 다른 장치(different device)는 기계 학습 모델(230)을 생성하여 훈련시킬 수 있다. 다른 장치는 마모 검출 장치(190)에 의한 이용을 위한 기계 학습 모델(230)을 제공할 수 있다. 다른 장치는 (예컨대 일정을 기반으로, 요청 시를 기반으로, 트리거링을 기반으로, 주기를 기반으로, 등) 기계 학습 모델(230)을 업데이트하여 마모 검출 장치(190)로 제공할 수 있다. 일부 사례에서, 마모 검출 장치(190)는 추가 훈련 데이터(예컨대, 추가 이력 센서 데이터, 추가 이력 검사 데이터 및/또는 추가 시뮬레이션 데이터)를 수신하여 기계 학습 모델(230)을 재훈련시킬 수 있다. 그 대안으로, 마모 검출 장치(190)는, 기계 학습 모델(230)을 훈련시키기 위해, 다른 장치에 추가 훈련 데이터를 제공할 수 있다. 기계 학습 모델(230)은 주기를 기반으로, 그리고/또는 트리거링 이벤트를 기반으로 재훈련될 수 있다.
일부 구현예에서, 마모 검출 장치(190)는, 컨트롤러(140)로 하여금 예측 구성부품 마모 정보를 결정할 수 있도록 하기 위해, 컨트롤러(140)에 기계 학습 모델(230)을 제공할 수 있다. 그 대안으로, 마모 검출 장치(190)는, 예측 구성부품 마모 정보를 결정하기 위해, 컨트롤러(140)로부터 요청을 수신할 수 있다. 요청은 기계 장치(105)의 센서 데이터를 포함할 수 있다.
마모 검출 장치(190)[및/또는 컨트롤러(140)]는 예측 구성부품 마모 정보를 기반으로 조치를 수행할 수 있다. 예를 들면, 조치는, 마모 검출 장치(190)가 (예컨대 예측 마모량이 임계 마모량을 만족할 때) 하나 이상의 구성부품의 예측 마모량을 기반으로 기계 장치(105)의 작동의 조정을 야기하는 것을 포함할 수 있다. 예를 들면, 마모 검출 장치(190)는, 기계 장치(105)의 속도의 감소, 엔진(110)의 부하의 감소, 유압 시스템의 압력의 감소, 유압 시스템의 유량의 감소, 유압 시스템의 온도의 감소를 야기할 수 있고, 그리고/또는 하나 이상의 구성부품의 마모 비율을 감소시킬 수 있고 하나 이상의 구성부품이 수리되거나 교환되어야 할 때까지 시간을 연장시킬 수 있는 다른 작업을 야기할 수 있다.
마모 검출 장치(190)는, 기계 장치(105)로 하여금 다른 작업 현장으로 운행하여, 하나 이상의 구성부품의 수명을 연장하기 위한 노력의 일환으로, 다른 작업 현장에서 하나 이상의 작업을 수행하게 할 수 있다. 예를 들면, 다른 작업 현장은, 기계 장치(105)가 현재 위치해 있는 작업 현장과 관련한 (하나 이상의 구성부품의) 마모 비율보다 더 적은 (하나 이상의 구성부품의) 마모 비율과 관련될 수 있다. 그에 추가로, 또는 그 대안으로, 마모 검출 장치(190)는 기계 장치(105)로 하여금, 하나 이상의 구성부품의 수명을 연장하기 위한 노력의 일환으로, 다른 작업을 수행하도록 할 수 있다. 예를 들면, 다른 작업은, 기계 장치(105)가 현재 수행하고 있는 작업과 관련한 (하나 이상의 구성부품의) 마모 비율보다 더 적은 (하나 이상의 구성부품의) 마모 비율과 관련될 수 있다.
조치는, 마모 검출 장치(190)가, [예컨대 기계 장치(105)를 포함하는] 복수의 기계 장치의 구성부품들의 마모량을 모니터링하는 하나 이상의 장치로, 잔여 수명 정보를 전송하는 것을 포함할 수 있다. 일부 예시에서, 마모 검출 장치(190)는, (하나 이상의 구성 부품의) 마모량이 임계 마모량을 만족시킬 때, 잔여 수명 정보를 전송할 수 있다. 잔여 수명 정보는 하나 이상의 구성부품의 마모량을 나타낼 수 있고, 하나 이상의 구성부품의 마모 비율을 나타낼 수 있고, 하나 이상의 구성부품의 잔여 수명을 나타낼 수 있고, 그리고/또는 하나 이상의 구성부품의 수리 및/또는 교환과 관련된 제의(offer)를 나타낼 수 있다. 하나 이상의 장치는 현장 관리 시스템의 장치, 백 오피스 시스템의 장치, 기계 장치(105)의 운전자와 관련된 장치, 기술자와 관련된 장치, 및/또는 컨트롤러(140)를 포함할 수 있다.
일부 예시에서, 마모 검출 장치(190)는, 하나 이상의 장치로 하여금 하나 이상의 교환 구성부품을 주문하도록 하기 위해, 잔여 수명 정보를 전송할 수 있다. 일부 사례에서, 잔여 수명 정보는 하나 이상의 구성부품 및/또는 하나 이상의 교환 구성부품을 식별하는 정보를 포함할 수 있다.
마모 검출 장치(190)는, 하나 이상의 장치[예: 컨트롤러(140)]로 하여금 기계 장치(105)가 수리 시설로 자율 운행하도록 하기 위해, 잔여 수명 정보를 전송할 수 있다. 그에 추가로, 또는 그 대안으로, 마모 검출 장치(190)는, 하나 이상의 장치로 하여금 기술자의 일정표(calendar)에 하나 이상의 구성부품을 검사하고, 그리고/또는 수리하기 위한 일정 이벤트(calendar event)가 덧붙여지도록 하기 위해, 잔여 수명 정보를 전송할 수 있다. 그에 추가로, 또는 그 대안으로, 마모 검출 장치(190)는, 하나 이상의 장치[예: 컨트롤러(140)]로 하여금 경보가 활성화되도록 하기 위해, 잔여 수명 정보를 전송할 수 있다. 경보는, 하나 이상의 구성부품이 수리되거나 교환되어야 함을 지시할 수 있다.
일부 사례에서, 마모 검출 장치(190)는, 하나 이상의 장치가 하나 이상의 구성부품을 수리하고, 그리고/또는 교환하도록 서비스 요청을 생성하도록 하기 위해, 잔여 수명 정보를 전송할 수 있다. 서비스 요청을 생성하는 것의 부분으로서, 하나 이상의 장치는 본원에서 설명되는 조치들 중 하나 이상을 수행할 수 있다.
일부 예시에서, 조치는, 마모 검출 장치(190)가 제1 자율 주행 장치(autonomous device)로 하여금 하나 이상의 교환 구성부품을 기계 장치(105)와 관련된 위치로 배달하도록 하는 것을 포함할 수 있다. 위치는, 기계 장치(105)의 현재 위치, 기계 장치(105)가 다수의 작업을 수행하는 작업 현장의 위치, 기계 장치(105)가 작업을 수행하고 있지 않을 때 기계 장치(105)가 배치되어 있는 위치, 및/또는 기계 장치(105)의 수리 및/또는 교환을 진행 중일 때 기계 장치(105)가 배치되어 있는 위치를 포함할 수 있다. 일부 사례에서, 잔여 수명 정보는 기계 장치(105)와 관련된 위치를 식별하는 정보를 포함할 수 있다.
일부 예시에서, 조치는, 마모 검출 장치(190)가 제2 자율 주행 장치로 하여금, 예측 구성부품 마모 정보를 검증하기 위해 기계 장치(105)와 관련된 위치로 항해하도록 하는 것을 포함할 수 있다. 제2 자율 주행 장치는, 구성부품 마모 정보를 검증하는 것을 기반으로 검증 정보(verification information)를 생성할 수 있으며, 그리고 마모 검출 장치(190)로 검증 정보를 전송할 수 있다. 마모 검출 장치(190)는 기계 학습 모델(230)을 재훈련시키기 위해 검증 정보를 이용할 수 있다.
일부 사례에서, 마모 검출 장치(190)는, 하나 이상의 구성부품의 고장이 (예컨대 예측 구성부품 마모 정보를 기반으로) 임박해 있는지 그 여부를 결정할 수 있다. 마모 검출 장치(190)가 고장이 임박해 있는 것으로 결정한다면, 마모 검출 장치(190)는 상기에서 설명한 조치들 중 하나 이상을 수행할 수 있다. 마모 검출 장치(190)가 고장이 임박해 있지 않은 것으로 결정한다면, 마모 검출 장치(190)는 조치를 수행하지 않을 수 있다.
도 2에 제시된 장치들 및 네트워크들의 개수 및 배치는 예시로서 제공되어 있다. 실제로, 도 2에 제시된 것보다 추가 장치들, 더 적은 장치들, 다른 장치들, 또는 다르게 배치된 장치들도 제공될 수 있다. 또한, 도 2에 제시된 2개 이상의 장치는 단일 장치 이내에서 구현될 수 있거나, 또는 도 2에 제시된 단일 장치는 다수의 분산된 장치로서 구현될 수 있다. 그에 추가로, 또는 그 대안으로, 시스템(200)의 장치들(예: 하나 이상의 장치)의 세트는, 시스템(200)의 장치들의 다른 세트에 의해 수행되고 있는 것처럼, 설명한 하나 이상의 기능을 수행할 수 있다.
도 3에는, 기계 학습 모델을 이용한 하부 주행체 마모 예측과 관련된 예시의 과정(300)의 흐름도가 도시되어 있다. 도 3의 하나 이상의 과정 블록(process block)은 제1 장치[예: 마모 검출 장치(190)]에 의해 수행될 수 있다. 도 3의 하나 이상의 과정 블록은, 컨트롤러[예: 컨트롤러(140)]처럼, 마모 검출 장치로부터 분리되거나 그를 포함하는 다른 장치 또는 장치들의 그룹에 의해 수행될 수 있다.
도 3에 도시된 것처럼, 과정(300)은, 하나 이상의 제2 장치로부터, 기계 장치의 하부 주행체의 하나 이상의 구성부품의 마모와 관련된 이력 센서 데이터를 수신하는 수신 단계를 포함할 수 있다(블록 310). 예를 들면, 제1 장치는, 상기에서 설명한 것처럼, 하나 이상의 제2 장치로부터, 기계 장치의 하부 주행체의 하나 이상의 구성부품과 관련된 이력 센서 데이터를 수신할 수 있다.
도 3에 추가로 도시된 것처럼, 과정(300)은, 하나 이상의 제3 장치로부터, 하나 이상의 구성부품의 마모와 관련된 이력 검사 데이터를 수신하는 수신 단계를 포함할 수 있다(블록 320). 예를 들면, 제1 장치는, 상기에서 설명한 것처럼, 하나 이상의 제3 장치로부터, 하나 이상의 구성부품과 관련된 이력 검사 데이터를 수신할 수 있다.
도 3에 추가로 도시된 것처럼, 과정(300)은, 하나 이상의 구성부품의 잔여 수명을 예측하기 위해, 이력 센서 데이터 및 이력 검사 데이터를 사용하여 기계 학습 모델을 훈련시키는 훈련 단계를 포함할 수 있다(블록 330). 예를 들면, 제1 장치는, 상기에서 설명한 것처럼, 하나 이상의 구성부품의 잔여 수명을 예측하기 위해, 이력 센서 데이터 및 이력 검사 데이터를 사용하여 기계 학습 모델을 훈련시킬 수 있다.
이력 센서 데이터 및 이력 검사 데이터는 훈련 데이터에 포함되며, 훈련 데이터는 기계 장치의 위치를 식별하는 위치 데이터, 위치에서 작업을 수행하는 동안 기계 장치에 의해 이동된 거리를 식별하는 거리 데이터, 기계 장치에 의해 이동된 거리와 관련된 속도를 식별하는 속도 데이터, 기계 장치가 작업을 수행한 동안의 시간을 식별하는 기계 장치 시간 데이터, 기계 장치의 진동 정도를 식별하는 기계 장치 진동 데이터, 기계 장치와 관련된 사운드 정도를 식별하는 기계 장치 사운드 데이터, 위치에서 작업을 수행하는 동안 기계 장치에 의해 사용되는 드로바 힘량을 식별하는 힘 데이터, 위치에서 기계 장치에 의해 수행되는 작업의 마모도 정도를 식별하는 마모도 데이터, 또는 위치에서 작업의 수행의 결과로서 하나 이상의 구성부품의 궤도 장력을 식별하는 궤도 장력 데이터 중 2개 이상을 포함하며, 그리고 기계 학습 모델을 훈련시키는 훈련 단계는 위치 데이터, 거리 데이터, 속도 데이터, 기계 장치 시간 데이터, 기계 장치 진동 데이터, 기계 장치 사운드 데이터, 드로바 힘 데이터, 마모도 데이터 또는 궤도 장력 데이터 중 2개 이상을 사용하여 기계 학습 모델을 훈련시키는 훈련 단계를 포함한다.
훈련 데이터는, 작업의 수행 동안 위치에서의 환경 조건들을 식별하는 환경 데이터를 포함하며, 그리고 기계 학습 모델을 훈련시키는 훈련 단계는 위치 데이터, 거리 데이터, 속도 데이터, 기계 장치 시간 데이터, 기계 장치 진동 데이터, 기계 장치 사운드 데이터, 드로바 힘 데이터, 마모도 데이터 및 궤도 장력 데이터 중 2개 이상을 사용하거나, 또는 환경 데이터를 사용하여 기계 학습 모델을 훈련시키는 훈련 단계를 포함한다.
기계 학습 모델을 훈련시키는 훈련 단계는 하나 이상의 구성부품의 마모 비율을 예측하기 위해, 그리고 마모 비율을 기반으로 하나 이상의 구성부품들의 잔여 수명을 예측하기 위해 기계 학습 모델을 훈련시키는 훈련 단계를 포함하며, 그리고 하나 이상의 구성부품의 잔여 수명을 결정하는 결정 단계는 마모 비율을 기반으로 하나 이상의 구성부품의 마모량을 결정하는 결정 단계 및 마모량을 기반으로 하나 이상의 구성부품의 잔여 수명을 결정하는 결정 단계를 포함한다.
도 3에 추가로 도시된 것처럼, 과정(300)은, 기계 장치의 하나 이상의 센서 장치로부터, 하나 이상의 구성부품의 마모와 관련된 센서 데이터를 수신하는 수신 단계를 포함할 수 있다(블록 340). 예를 들면, 제1 장치는, 상기에서 설명한 것처럼, 기계 장치의 하나 이상의 센서 장치로부터, 하나 이상의 구성부품의 마모와 관련된 센서 데이터를 수신할 수 있다.
도 3에 추가로 도시된 것처럼, 과정(300)은, 기계 학습 모델을 사용하여, 그리고 센서 데이터를 기반으로, 하나 이상의 구성부품의 잔여 수명을 예측하는 예측 단계를 포함할 수 있다(블록 350). 예를 들면, 제1 장치는, 상기에서 설명한 것처럼, 기계 학습 모델을 사용하여, 그리고 센서 데이터를 기반으로, 하나 이상의 구성부품의 잔여 수명을 예측할 수 있다.
도 3에 추가로 도시된 것처럼, 과정(300)은, 하나 이상의 구성부품의 잔여 수명을 기반으로 수행할 조치를 야기하는 조치 야기 단계를 포함할 수 있다(블록 360). 예를 들면, 제1 장치는, 상기에서 설명한 것처럼, 하나 이상의 구성부품의 잔여 수명을 기반으로 수행할 조치를 야기할 수 있다.
과정(300)은 하나 이상의 제4 장치로부터 시뮬레이션 데이터를 수신하는 수신 단계를 포함하되, 시뮬레이션 데이터는 기계 장치의 작동을 시뮬레이션함으로써 생성되고 하나 이상의 구성부품의 마모와 관련되며, 그리고 기계 학습 모델을 훈련시키는 훈련 단계는 센서 데이터, 이력 검사 데이터 및 시뮬레이션 데이터를 사용하여 기계 학습 모델을 훈련시키는 훈련 단계를 포함한다.
센서 데이터는 기계 장치의 진동 정도와 관련한 기계 장치 진동 데이터를 포함하되, 시뮬레이션 데이터는 기계 장치의 진동 정도와 하나 이상의 구성부품의 마모 간의 상관관계를 나타내며, 그리고 기계 학습 모델을 훈련시키는 훈련 단계는 기계 장치 진동 데이터 및 시뮬레이션 데이터를 사용하여 기계 학습 모델을 훈련시키는 훈련 단계를 포함한다.
수행할 조치를 야기하는 조치 야기 단계는, 하나 이상의 구성부품의 예측 잔여 수명을 기반으로 기계 장치의 작동의 조정을 야기하는 조정 야기 단계; 장치로 하여금 예측 잔여 수명을 기반으로, 하나 이상의 구성부품의 수리 및 교환 중 적어도 하나에 대한 서비스 요청을 생성하도록 하기 위해 장치로 잔여 수명 정보의 전송을 야기하는 전송 야기 단계이며, 잔여 수명 정보는 하나 이상의 구성부품의 예측 잔여 수명을 나타내는 것인, 상기 전송 야기 단계; 및 운전자로 하여금 잔여 수명 정보를 기반으로 기계 장치의 작동을 조정하게 하거나, 또는 운전자와 관련된 장치를 사용하여 서비스 요청을 전송하도록 하기 위해 기계 장치의 운전자와 관련된 장치로 잔여 수명 정보의 전송을 야기하는 전송 야기 단계; 중 적어도 하나를 포함한다.
비록 도 3에는, 과정(300)의 예시의 블록들이 도시되어 있기는 하지만, 일부 구현예에서, 과정(300)은 도 3에 묘사된 것보다 추가 블록들, 더 적은 블록들, 다른 블록들 또는 다르게 배치된 블록들을 포함할 수 있다. 그에 추가로, 그 대안으로, 과정(300)의 블록들 중 2개 이상은 병행하여 수행될 수 있다.
산업 적용 가능성
본원 개시는, 기계 학습 모델을 사용하여, 기계 장치의 하부 주행체의 하나 이상의 구성부품의 잔여 수명의 예측을 위한 과정에 관한 것이다. 하나 이상의 구성부품의 잔여 수명을 예측하기 위한 개시된 과정은, (궤도들의 마모량을 결정하기 위한) 기계 장치의 궤도들의 수동 측정치들과 관련한 문제들 및 궤도들의 잔여 수명의 부정확한 예측들을 방지할 수 있다.
궤도들의 수동 측정치들은, 수동 측정치들이 획득되는 동안, 기계 장치의 이동을 방지하기 위해 이용되는 기계 장치 자원들을 낭비하게 할 수 있다. 그에 추가로, 궤도들의 부정확한 수동 측정치들 및/또는 궤도들의 잔여 수명의 부정확한 예측들은, 부정확한 수동 측정치들 및/또는 잔여 수명의 부정확한 예측들과 관련된 문제들(예: 궤도들의 너무 이른 시기의 고장, 궤도들의 너무 이른 시기의 수리, 및/또는 궤도들의 너무 이른 시기의 교환)을 해소하기 위해 사용되는 컴퓨팅 자원들을 낭비하게 할 수 있다.
기계 학습 모델을 사용하여 하부 주행체의 하나 이상의 구성부품의 잔여 수명을 예측하기 위한 개시된 과정은 수동 측정치들에 대하여, 그리고 잔여 수명의 부정확한 예측들에 대하여 상기에서 언급한 문제들을 해결할 수 있다. 여러 장점이 개시된 과정과 연계될 수 있다. 예를 들면, 기계 학습 모델을 사용하여 하나 이상의 구성부품의 잔여 수명을 예측함으로써, 본원 과정은 (부정확할 수 있는) 궤도들의 수동 측정치들을 방지할 수 있으며, 그리고 궤도들의 잔여 수명의 부정확한 예측들을 방지할 수 있다.
수동 측정치들을 방지함으로써, 본원 과정은 기계 장치의 작동에서의 임의의 방해를 방지(또는 제한)할 수 있고, 수동 측정치들이 획득되는 동안 기계 장치의 정지를 방지할 수 있으며, 잔여 수명의 부정확한 예측들을 방지할 수 있다. 수동 측정치들을 방지하고 궤도들의 잔여 수명의 부정확한 예측들을 방지함으로써, 본원 과정은, 그렇지 않을 경우 부정확한 수동 측정치들 및 궤도들의 잔여 수명의 부정확한 예측들과 관련된 문제들(예: 궤도들의 너무 이른 시기의 고장, 궤도들의 너무 이른 시기의 수리 및/또는 궤도들의 너무 이른 시기의 교환)을 해소하기 위해 사용되었을 컴퓨팅 자원들 또는 기계 장치 자원들을 보존할 수 있다.
전술한 개시는 예시 및 설명을 제공하지만, 그러나 철저하게 하거나, 또는 개시된 정확한 형태로 구현예들을 제한하고자 하는 의도는 아니다. 수정 및 변형은 상기 개시 내용을 고려하여 이루어질 수 있거나, 또는 구현예들의 실행으로부터 획득될 수 있다. 또한, 전술한 개시가 하나 이상의 구현예가 조합될 수 없다는 이유를 명확하게 제공하지 않는 한, 본원에서 설명되는 구현예들 중 어느 구현예라도 조합될 수 있다. 비록 특징들의 특정한 조합들이 청구범위에 인용되고, 그리고/또는 명세서에 개시되어 있기는 하지만, 상기 조합들은 다양한 구현예들의 개시를 제한하고자 하는 의도는 아니다. 하기에 열거되는 각각의 종속 청구항이 직접으로 하나의 청구항에만 의존할 수 있기는 하지만, 다양한 구현예들의 개시는 청구범위 내 다른 모든 청구항과 결합되는 각각의 종속 청구항을 포함한다.
본원에서 사용되는 것처럼, "단수 명사" 및 "세트"는 하나 이상의 항목을 포함시키고자 하는 의도이며, "하나 이상"과 바뀌어 사용될 수 있다. 또한, 본원에서 사용되는 것처럼, "특정" 명사는 그 특정 명사와 관련하여 참조되는 하나 이상의 항목을 포함시키고자 하는 의도이며, 그리고 "하나 이상"과 바뀌어 사용될 수 있다. 또한, "~를 기반으로 하는"이란 표현은, 분명히 달리 명시되어 있지 않은 한 "적어도 부분적으로 ~를 기반으로 하는"을 의미하고자 하는 의도이다. 또한, 본원에서 사용되는 것처럼 "또는"이란 용어는 연속해서 사용될 때 포함되게 하고자 하는 의도이며, 그리고 분명히 달리 명시되지 않는 한, (예컨대 "~ 중 어느 하나" 또는 "~ 중 하나만"과 함께 사용되는 경우) "및/또는", "그리고/또는"과 바뀌어 사용될 수 있다.
Claims (10)
- 제1 장치(190)에 의해 수행되는 방법에 있어서, 상기 방법은
하나 이상의 제2 장치(120)로부터, 기계 장치의 하부 주행체의 하나 이상의 구성부품의 마모와 관련된 이력 센서 데이터를 수신하는 수신 단계;
하나 이상의 제3 장치(210)로부터, 상기 하나 이상의 구성부품의 마모와 관련된 이력 검사 데이터를 수신하는 수신 단계;
상기 하나 이상의 구성부품의 잔여 수명을 예측하기 위해, 이력 센서 데이터 및 이력 검사 데이터를 사용하여 기계 학습 모델(230)을 훈련시키는 훈련 단계;
상기 기계 장치의 하나 이상의 센서 장치(120)로부터, 상기 하나 이상의 구성부품의 마모와 관련된 센서 데이터를 수신하는 수신 단계;
상기 기계 학습 모델(230)을 사용하여, 그리고 센서 데이터를 기반으로, 상기 하나 이상의 구성부품의 잔여 수명을 예측하는 예측 단계; 및
상기 하나 이상의 구성부품의 잔여 수명을 기반으로 조치가 수행되도록 하는 조치 수행 단계;를 포함하는 것인, 방법. - 제1항에 있어서, 상기 방법은
하나 이상의 제4 장치(220)로부터 시뮬레이션 데이터를 수신하는 수신 단계를 더 포함하되,
시뮬레이션 데이터는 상기 기계 장치의 작동을 시뮬레이션함으로써 생성되고 상기 하나 이상의 구성부품의 마모와 관련되며; 그리고
상기 기계 학습 모델(230)을 훈련시키는 훈련 단계는 센서 데이터, 이력 검사 데이터 및 시뮬레이션 데이터를 사용하여 상기 기계 학습 모델(230)을 훈련시키는 훈련 단계를 포함하는 것인, 방법. - 제1항 또는 제2항에 있어서, 상기 이력 센서 데이터 및 상기 이력 검사 데이터는 상기 훈련 데이터에 포함되되,
상기 훈련 데이터는
상기 기계 장치의 위치를 식별하는 위치 데이터,
상기 위치에서 작업을 수행하는 동안 상기 기계 장치에 의해 이동된 거리를 식별하는 거리 데이터,
상기 기계 장치에 의해 이동된 거리와 관련된 속도를 식별하는 속도 데이터,
상기 기계 장치가 작업을 수행한 동안의 시간을 식별하는 기계 장치 시간 데이터,
상기 기계 장치의 진동 정도를 식별하는 기계 장치 진동 데이터,
상기 기계 장치와 관련된 사운드 정도를 식별하는 기계 장치 사운드 데이터,
상기 위치에서 작업을 수행하는 동안 상기 기계 장치에 의해 사용되는 드로바 힘량을 식별하는 드로바 힘 데이터,
상기 위치에서 상기 기계 장치에 의해 수행되는 작업의 마모도 정도를 식별하는 마모도 데이터, 또는
상기 위치에서 작업 수행의 결과로서 상기 하나 이상의 구성부품의 궤도 장력을 식별하는 궤도 장력 데이터 중 2개 이상을 포함하며; 그리고
상기 기계 학습 모델(230)을 훈련시키는 훈련 단계는, 위치 데이터, 거리 데이터, 속도 데이터, 기계 장치 시간 데이터, 기계 장치 진동 데이터, 기계 장치 사운드 데이터, 드로바 힘 데이터, 마모도 데이터 및 궤도 장력 데이터 중 2개 이상을 사용하여 상기 기계 학습 모델(230)을 훈련시키는 훈련 단계를 포함하는 것인, 방법. - 제1항 내지 제3항 중 어느 한 항에 있어서, 상기 훈련 데이터는 작업의 수행 동안 상기 위치에서의 환경 조건들을 식별하는 환경 데이터를 포함하며; 그리고
상기 기계 학습 모델(230)을 훈련시키는 훈련 단계는, 위치 데이터, 거리 데이터, 속도 데이터, 기계 장치 시간 데이터, 기계 장치 진동 데이터, 기계 장치 사운드 데이터, 드로바 힘 데이터, 마모도 데이터, 궤도 장력 데이터 중 2개 이상을 사용하거나, 또는 환경 데이터를 사용하여 상기 기계 학습 모델(230)을 훈련시키는 훈련 단계를 포함하는 것인, 방법. - 제1항 내지 제4항 중 어느 한 항에 있어서, 상기 기계 학습 모델(230)을 훈련시키는 훈련 단계는, 상기 하나 이상의 구성부품의 마모 비율을 예측하기 위해, 그리고 상기 마모 비율을 기반으로 상기 하나 이상의 구성부품의 잔여 수명을 예측하기 위해, 상기 기계 학습 모델(230)을 훈련시키는 훈련 단계를 포함하며; 그리고
상기 하나 이상의 구성부품의 잔여 수명을 결정하는 결정 단계는
마모 비율을 기반으로 상기 하나 이상의 구성부품의 마모량을 결정하는 결정 단계; 및
마모량을 기반으로 상기 하나 이상의 구성부품의 잔여 수명을 결정하는 결정 단계;를 포함하는 것인, 방법. - 제1 장치(190)를 포함하는 시스템에 있어서,
상기 제1 장치는
기계 장치의 하나 이상의 센서 장치로부터, 기계 장치의 하부 주행체의 하나 이상의 구성부품의 마모와 관련된 센서 데이터를 수신하도록;
기계 학습 모델(230)이, 훈련 데이터를 사용하여, 상기 하나 이상의 구성부품의 잔여 수명을 예측하도록 훈련되되, 상기 훈련 데이터는
이력 센서 데이터,
이력 검사 데이터, 또는
시뮬레이션 모델의 시뮬레이션 데이터 중 2개 이상을 포함하고,
센서 데이터, 이력 검사 데이터 및 시뮬레이션 데이터 중 2개 이상은 상기 하나 이상의 구성부품의 마모와 관련되는 조건에서,
기계 학습 모델(230)을 사용하고 센서 데이터를 기반으로, 상기 하나 이상의 구성부품의 잔여 수명을 예측하도록; 그리고
상기 하나 이상의 구성부품의 잔여 수명을 기반으로 조치가 수행되도록; 구성되는 것인, 시스템. - 제6항에 있어서, 조치가 수행되도록 할 때,
상기 제1 장치(190)는
상기 하나 이상의 구성부품의 마모 비율을 감소시키기 위해, 상기 하나 이상의 구성부품의 잔여 수명을 기반으로 상기 기계 장치의 작동의 조정을 야기하고;
잔여 수명 정보가 상기 하나 이상의 구성부품의 잔여 수명을 포함하는 조건에서,
장치로 하여금, 잔여 수명을 기반으로, 상기 하나 이상의 구성부품의 수리 및 교환 중 적어도 하나에 대한 서비스 요청을 생성하도록 하기 위해, 상기 장치로의 잔여 수명 정보의 전송을 야기하고;
상기 하나 이상의 구성부품의 마모 비율을 감소시키기 위해 운전자로 하여금 상기 기계 장치의 작동을 조정하도록 하기 위해, 상기 기계 장치의 운전자와 관련된 장치로 잔여 수명 정보의 전송을 야기하는; 것 중 적어도 한 가지를 실행하도록 구성되는 것인, 시스템. - 제6항 또는 제7항에 있어서,
훈련 데이터는
상기 기계 장치의 위치를 식별하는 위치 데이터;
상기 하나 이상의 구성부품의 수리 또는 교환 이후 상기 기계 장치에 의해 이동된 거리를 식별하는 거리 데이터;
상기 기계 장치에 의해 이동된 거리와 관련된 속도를 식별하는 속도 데이터,
상기 기계 장치의 진동 정도를 식별하는 기계 장치 진동 데이터;
상기 기계 장치에 의해 생성되는 사운드 정도를 식별하는 기계 장치 사운드 데이터;
상기 위치에서 작업을 수행하는 동안 상기 기계 장치에 의해 사용되는 드로바 힘량을 식별하는 드로바 힘 데이터;
상기 위치에서 상기 기계 장치에 의해 수행되는 작업의 마모도 정도를 식별하는 마모도 데이터; 또는
상기 위치에서 작업의 수행 결과로서 상기 하나 이상의 구성부품의 궤도 장력을 식별하는 궤도 장력 데이터; 중 2개 이상을 포함하는 것인, 시스템. - 제6항 내지 제8항 중 어느 한 항에 있어서, 상기 제1 장치(190)는, 위치 데이터, 거리 데이터, 속도 데이터, 기계 장치 진동 데이터, 기계 장치 사운드 데이터, 드로바 힘 데이터, 마모도 데이터 및 궤도 장력 데이터 중 2개 이상을 사용하여 상기 기계 학습 모델(230)을 재훈련시키도록 구성되는 것인, 시스템.
- 제6항 내지 제9항 중 어느 한 항에 있어서, 상기 훈련 데이터는 상기 위치에서의 수분 정도를 식별하는 수분 데이터를 더 포함하며; 그리고
상기 제1 장치(190)는, 상기 수분 데이터; 및 위치 데이터, 거리 데이터, 속도 데이터, 기계 장치 진동 데이터, 기계 장치 사운드 데이터, 드로바 힘 데이터, 마모도 데이터 및 궤도 장력 데이터 중 2개 이상;을 사용하여, 상기 기계 학습 모델(230)을 재훈련시키도록 구성되는 것인, 시스템.
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US16/949,448 US11704942B2 (en) | 2020-10-29 | 2020-10-29 | Undercarriage wear prediction using machine learning model |
| US16/949,448 | 2020-10-29 | ||
| PCT/US2021/053321 WO2022093484A1 (en) | 2020-10-29 | 2021-10-04 | Undercarriage wear prediction using machine learning model |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20230091958A true KR20230091958A (ko) | 2023-06-23 |
Family
ID=78599209
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020237016931A KR20230091958A (ko) | 2020-10-29 | 2021-10-04 | 기계 학습 모델을 이용한 하부 주행체 마모 예측 |
Country Status (8)
| Country | Link |
|---|---|
| US (1) | US11704942B2 (ko) |
| EP (1) | EP4237815A1 (ko) |
| JP (1) | JP2023548283A (ko) |
| KR (1) | KR20230091958A (ko) |
| CN (1) | CN116391187A (ko) |
| AU (1) | AU2021369215A1 (ko) |
| CA (1) | CA3197078A1 (ko) |
| WO (1) | WO2022093484A1 (ko) |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11755725B2 (en) | 2019-01-30 | 2023-09-12 | Salesforce, Inc. | Machine learning anomaly detection mechanism |
| US11451456B2 (en) * | 2019-04-19 | 2022-09-20 | Cisco Technology, Inc. | Learning stable representations of devices for clustering-based device classification systems |
| US20220188775A1 (en) * | 2020-12-15 | 2022-06-16 | International Business Machines Corporation | Federated learning for multi-label classification model for oil pump management |
| US20220414532A1 (en) * | 2021-06-28 | 2022-12-29 | Bank Of America Corporation | Machine learning model scenario-based training system |
| US11972646B2 (en) * | 2021-12-16 | 2024-04-30 | Caterpillar Inc. | Detecting sprocket segment wear based on machine drivetrain data |
| US20230193597A1 (en) * | 2021-12-16 | 2023-06-22 | Caterpillar Inc. | Component wear monitoring based on strain data |
| DE102022210320A1 (de) * | 2022-09-29 | 2024-04-04 | Robert Bosch Gesellschaft mit beschränkter Haftung | Verfahren und Vorrichtung zur Verschleißanalyse einer Komponente eines Kraftfahrzeugs |
| US20240144101A1 (en) * | 2022-11-01 | 2024-05-02 | Kabushiki Kaisha Yaskawa Denki | Generation system, computer-readable storage medium, and method for generating waveform evaluation model |
| CN118183563B (zh) * | 2024-05-17 | 2024-08-13 | 青岛埃德机械设备制造有限公司 | 基于人工智能的车辆举升设备运行管理控制系统及方法 |
Family Cites Families (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE10137056C5 (de) * | 2001-07-28 | 2018-09-06 | Rieter Ingolstadt Gmbh | Verfahren zur Wartung einer Textilmaschine |
| AU2003270148A1 (en) | 2002-09-05 | 2004-03-29 | Bombardier Transportation Gmbh | Method and device for monitoring the state of vehicle chassis |
| DE10257793A1 (de) | 2002-12-11 | 2004-07-22 | Daimlerchrysler Ag | Modellbasierter Lebensdauerbeobachter |
| US9881428B2 (en) | 2014-07-30 | 2018-01-30 | Verizon Patent And Licensing Inc. | Analysis of vehicle data to predict component failure |
| WO2016143118A1 (ja) | 2015-03-12 | 2016-09-15 | 株式会社日立製作所 | 機械診断装置および機械診断方法 |
| US10984338B2 (en) | 2015-05-28 | 2021-04-20 | Raytheon Technologies Corporation | Dynamically updated predictive modeling to predict operational outcomes of interest |
| US9880075B2 (en) | 2016-02-11 | 2018-01-30 | Caterpillar Inc. | Wear measurement system using a computer model |
| US10656051B2 (en) | 2017-07-26 | 2020-05-19 | Caterpillar Inc. | System and method for detecting wear or failure of genset power system coupling |
| DE102017126134A1 (de) | 2017-11-08 | 2019-05-09 | Claas Industrietechnik Gmbh | Raupenfahrzeug |
| US11046180B2 (en) * | 2018-05-03 | 2021-06-29 | Caterpillar Inc. | System and method for controlling track slip of a machine |
| US10282834B1 (en) * | 2018-06-22 | 2019-05-07 | Caterpillar Inc. | Measurement platform that automatically determines wear of machine components based on images |
| US20200097921A1 (en) | 2018-09-24 | 2020-03-26 | Hitachi, Ltd. | Equipment repair management and execution |
| US20200114992A1 (en) | 2018-10-10 | 2020-04-16 | Caterpillar Inc. | Tension adjustment system |
| AU2020256221A1 (en) * | 2019-04-02 | 2021-11-04 | ACV Auctions Inc. | Vehicle undercarriage imaging system |
| CN110954314A (zh) | 2019-12-18 | 2020-04-03 | 北京昊鹏智能技术有限公司 | 设备磨损的预测方法及装置 |
-
2020
- 2020-10-29 US US16/949,448 patent/US11704942B2/en active Active
-
2021
- 2021-10-04 CN CN202180073958.1A patent/CN116391187A/zh active Pending
- 2021-10-04 EP EP21806528.2A patent/EP4237815A1/en active Pending
- 2021-10-04 CA CA3197078A patent/CA3197078A1/en active Pending
- 2021-10-04 AU AU2021369215A patent/AU2021369215A1/en active Pending
- 2021-10-04 JP JP2023521772A patent/JP2023548283A/ja active Pending
- 2021-10-04 KR KR1020237016931A patent/KR20230091958A/ko not_active Application Discontinuation
- 2021-10-04 WO PCT/US2021/053321 patent/WO2022093484A1/en active Application Filing
Also Published As
| Publication number | Publication date |
|---|---|
| CA3197078A1 (en) | 2022-05-05 |
| WO2022093484A1 (en) | 2022-05-05 |
| US20220139117A1 (en) | 2022-05-05 |
| AU2021369215A1 (en) | 2023-06-08 |
| JP2023548283A (ja) | 2023-11-16 |
| CN116391187A (zh) | 2023-07-04 |
| EP4237815A1 (en) | 2023-09-06 |
| US11704942B2 (en) | 2023-07-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR20230091958A (ko) | 기계 학습 모델을 이용한 하부 주행체 마모 예측 | |
| KR20230091959A (ko) | 기계 장치 진동 데이터를 기반으로 한 하부 주행체 마모 예측 | |
| CN111435557A (zh) | 用于检测机器部件问题的故障检测装置 | |
| EP3825966A1 (en) | A system and method for monitoring and predicting breakdowns in vehicles | |
| US11572076B2 (en) | Track wear detection based on pressure data and flow data | |
| CA3240744A1 (en) | Component wear monitoring based on strain data | |
| US11972646B2 (en) | Detecting sprocket segment wear based on machine drivetrain data | |
| US11680591B2 (en) | Determining remaining life of a hose assembly based on sensor data | |
| US12124231B2 (en) | On-board machine component failure detection | |
| US20230168641A1 (en) | On-board machine component failure detection | |
| CN117474425B (zh) | 一种供应链数据采集与分析方法和系统 | |
| WO2023022842A1 (en) | Component monitoring based on magnetic signals |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal |