一种部件生命期监测方法
1. 源由
最近在忙碌着视频AI识别目标检测的东西,从核心的角度看与之前多因素检测、预判的技术有同工之妙。
希望后续能够在这方面有更多的理解和深入的研究机会,所以将之前一些想法和思路梳理下,如果能有机会和实际应用相关联,那就更棒了!
2. 摘要 & 分析
本发明涉及设备部件的健康管理与故障预测领域,具体涉及一种部件生命期监测方法。
从方法论的角度,这种基于数据的检测、预测理论适用于各种设备。从实际的角度看,部件的生命周期与设计、制造、使用、维保等方方面面都具有相关性。
因此,从逻辑的角度可以认为,一个部件的生命周期是受到多因素影响的。那么,接下来对生命周期具有决定作用的主要因素有哪些,将会对于生命周期产生影响。而这些因素将会随着使用场景,维保情况等(综合的说就是运营情况)不同,有着不同的权重。
因此,从大家能够理解的抽象角度有以下描述(专利描述语我们就不看了)。
一种部件生命期监测方法,其特征在于,包括以下步骤:
A)建立部件生命期的基线模型;
B)根据每个部件的使用情况,调整基线模型,获得每个部件的独立模型;
C)将部件的使用情况与部件的独立模型对比,获得部件的生命期监测信息。
- 基线模型通常来自设计研发
- 调整基线模型的数据通常来自严格监测、管控的设备运营
基于数据,将会出现大量的迭代分析,因为一个多因素模型能否收敛或者局部收敛,并非能够简单的理解。就像二维平面解析几何到三维空间几何两者之间的理解差距。
作为三维生物的人来说,可能很难理解四维空间是怎么个情况。而实际运行的部件,通常受到多因素(更多维度)的影响,有的时候很难理解通过所谓的行列式方程(GPU,AI模型)来简单理解。
从结果导向,以及数据分析的角度,现代科学是具备对于结果评估的方法的。类似PID算法,科学技术始终能够对结果进行评估,从而调整模型,以便更加接近事实。
本发明的实质性效果是:与寿命压力测试相结合,获取有效数据样本的数量足、数据采集全面,用于生命期比对的模型建立更细致,因而能够对部件的生命期进行更全面和更准确的监测。
从哲学的角度,我们始终在接近事实真相,在人类短暂的寿命里,无法获得真理。正如苏格拉底所说的「我唯一知道的就是我什么都不知道!」
3. 举例
- 根据关键部件的失效机理给出:主、次因素、各因素之间权重比例、失效征兆;
- 基于部件 ALT 测试数据建立单一因素失效模型,给出单一因素的生命衰老期曲线;
- 调整影响部件 ALT 衰老测试的加速条件,找到单一因素失效模型的加速因子,给出
带有加速因子单一因素的生命衰老期曲线; - 基于带有加速因子单一因素的生命衰老期曲线和权重比例,建立带有加速因子的多
因素生命衰老期的曲线(生命周期衰老预测曲线); - 基于部件 ALT 测试数据和失效征兆传感物理量,建立部件的失效征兆/症状模型;
- 通过物联网上传实时传感监测数据(如:温度、湿度、压力、载重、使用频率等),
专家系统应用部件的失效征兆/症状模型和生命周期衰老预测模型对部件进行全方
位的监控; - 当维保人员/设备进行现场维保和召修作业时,检查、记录;
- 后台专家系统经大数据分析形成智能 AI 分析报告;