部件故障预测制造技术

示例系统可以涉及部件故障预测。非暂时性计算机可读介质可以包含用于分析与系统的部件相对应的多个特征的指令。非暂时性计算机可读介质还可以包含确定部件使用多个特征中的哪些特征来建模部件的故障的指令。非暂时性计算机可读介质可以包含用于生成多个模型以建模部件的故障并将多个模型组装成用于预测部件故障的单个模型的指令。非暂时性计算机可读介质还可以包含用于提取与由单个模型预测的部件故障关联的数据并且将与所预测的部件故障关联的数据与单个模型关联的指令。

Component Fault Prediction

The example system can involve component failure prediction. Non-temporary computer-readable media may contain instructions for analyzing multiple features corresponding to components of the system. Non-temporary computer-readable media can also contain instructions to determine which features of components use to model components'faults. Non-temporary computer-readable media may contain instructions for generating multiple models to model component failures and assembling multiple models into a single model for predicting component failures. Non-temporary computer-readable media can also contain instructions for extracting data associated with component failures predicted by a single model and associating data associated with predicted component failures with a single model.

【技术实现步骤摘要】
【国外来华专利技术】部件故障预测
技术介绍
机电产品可以由多个部件制成。当部件发生故障时，维修会非常耗时。此外，可能需要熟练的劳动力来确定故障的根本原因。尽管许多部件配备有传感器来监控部件的健康状况，但传感器获得的数据可能是非结构化的并且难以分析。附图说明图1是根据本公开的用于部件故障预测的示例系统。图2是根据本公开的用于部件故障预测的示例系统。图3是根据本公开的用于部件故障预测的示例系统。图4是根据本公开的用于部件故障预测的示例方法。具体实施方式机电产品可以由多个部件组成。如本文所使用的，机电产品是指使用电子和机械部件的产品，诸如打印机。每个部件的状态可以通过至少一个传感器监视。传感器可记录数值数据以用作部件的历史数据记录。当部件发生故障时，传感器可能会将故障记录为历史数据记录的一部分。这可以允许用户准确地确定部件何时失效以及导致故障的原因。然后可以更换部件并且产品能够继续工作。然而，等待更换部件直到部件发生故障对用户和产品的服务商都提出了挑战。重要部件的故障可能导致整个机电产品脱机直到部件被更换，这意味着用户无法完成任何需要该产品的工作。此外，可能很难在短时间内发送部件。相反，如果可以预测部件的故障，则用户和产品服务商都可以采取措施来最小化替换部件将带来的影响。例如，用户和产品服务商可以协调以在产品能够脱机时更换部件而不会对用户造成严重干扰。产品服务商还可以安排更具成本效益的更换部件的运输。另外，产品服务商可以在一次访问中替换多个部件，进一步减少任何未来部件故障的影响。由于与部件关联的传感器仅创建部件的历史数据记录，因此传感器不能预测部件的故障。为了预测故障，可能需要为每个部件构建模型。该模型可以利用由传感器编译的历史数据记录来基于过去的性能和过去的故障来预测部件何时可能发生故障。单独的模型可以用于产品中的每个部件。因此，在具有许多部件的复杂产品中，所使用的模型的数量可能很快变得非常大。许多模型可以被实施和评估；因此，对于相对大量的模型，根据在部件故障之后进行的评估，实现和更新每个模型可能花费时间。与先前系统相比，根据本公开的部件故障预测可以更自动化并且需要更少的输入和手动实施。结果，模型可以在用户不必输入新数据的情况下生成。此外，根据本公开的部件故障预测可以包括模型成功的自动分析和评估。因此，可以基于自动评估的结果自动更新或训练模型，而不是在用户能够进行评估时更新模型。这可以允许在没有用户添加额外输入数据的情况下生成更准确的模型。图1是根据本公开的用于部件故障预测的示例系统100。如图1所示，系统100可包括多个部件。例如，系统100可以包括处理器102和非暂时性计算机可读存储介质104。尽管以下描述涉及单个处理器和单个计算机可读存储介质，但是这些描述也可以应用于具有多个处理器和多个计算机可读存储介质的系统。在这样的示例中，指令可以跨多个计算机可读存储介质(例如存储器)分发，并且指令可以跨多个处理器分布(例如由其执行)。处理器102可以是中央处理单元(CPU)、基于半导体的微处理器和/或适合于检索和执行存储在计算机可读存储介质104中的指令的其他硬件设备。处理器102可以获取、解码和执行指令106、108、110、112、114、116或其组合。作为检索和执行指令的替代或补充，处理器102可以包括至少一个包括用于执行指令106、108、110、112、114、116或其组合的功能的电子部件的电子电路。计算机可读存储介质104可以是存储可执行指令的任何电子、磁、光或其他物理存储设备。因此，计算机可读存储介质104可以是例如随机存取存储器(RAM)、电可擦除可编程只读存储器(EEPROM)、存储驱动器、光盘等。计算机可读存储介质104可以布置在系统100内，如图1所示。在这种情况下，可执行指令可以“安装”在系统100上。附加地和/或可替代地，计算机可读存储介质104可以是便携式、外部或远程存储介质，例如其允许系统100从便携式/外部/远程存储介质下载指令。在这种情况下，可执行指令可以是“安装包”的一部分。如本文所述，可以利用针对部件故障预测的可执行指令来编码计算机可读存储介质104。参考图1，当由诸如处理器102的处理器执行时，分析多个特征的指令106可以使系统100分析系统的多个特征。如本文所使用的，特征是指从传感器为部件编译的历史数据记录生成的数据集。可以生成每个特征以对应于部件的特定部分。例如，可以生成一个特征以对应于部件的过热，而可以生成另一个特征以对应于部件的机械故障。分析多个特征的指令106可以包括用于确定每个特征是否已成功预测部件故障的指令。例如，如果生成用于对应于部件过热的特征，则分析多个特征的指令106可以确定特征已经在过去第一次数地正确预测了部件的过热。分析多个特征的指令106还可以确定该特征在过去第二次数地未能预测部件过热。分析多个特征的指令106还可以包括用于计算特征与部件故障的成功预测之间的相关性的指令。在一些情况下，可以通过将部件的故障总数与特征正确预测的故障数进行比较来计算相关性。在这样的示例中，已经正确预测了更多数量的总故障的特征可以具有更高的相关性。例如，正确预测总共10个故障中的5个故障的特征可能具有0.5的相关性，而正确预测总共10个故障中的8个故障的特征可具有0.8的相关性。分析多个特征的指令106还可以包括用于确定多个特征中的每个特征未能成功预测部件故障的比率的指令。未能成功预测多个部件故障的特征可能被确定为具有比未能成功预测仅少数部件故障的功能更高的故障率。例如，一个特征未能预测总共10个故障中的5个故障，则其故障预测比率为50％，而一个特征未能预测总共10个故障中的两个故障，则其故障预测比率为20％。当由诸如处理器102的处理器执行时，确定使用多个特征中的哪些特征的指令108可以使处理器102选择多个分析的特征以用于对部件的故障进行建模。确定使用多个特征中的哪些特征的指令108可以包括用于确定用于对部件的故障建模的特征的数量的指令。特定故障类型可能需要使用一定数量的特征以便精确地建模故障。确定使用多个特征中的哪些特征的指令108可以确定特定故障类型的精确建模所需的特征的数量是多少。例如，确定使用多个特征中的哪些特征的指令108可以确定总共需要五个特征来精确地建模特定部件的过热故障。然而，示例不限于此并且可以确定任何数量的特征。确定使用多个特征中的哪些特征的指令108还可以包括用于选择多个特征的子集的指令。在一些示例中，可以基于在106完成的分析来选择特征的子集。例如，可以选择具有高于阈值相关性的故障与部件故障正确预测之间的相关性的特征，而具有低于阈值的相关性的特征可以被丢弃。具有高于阈值相关性的相关性的特征可以进一步基于它们的相关性进行排序。具有较高相关性的特征可以排在具有较低相关性的特征之前。然后，确定使用多个特征中的哪些特征的指令108可以基于排序来选择要使用的特征。在其他示例中，确定使用多个特征中的哪些特征的指令108可以基于确定的每个特征未能成功预测部件故障的比率来选择特征的子集。例如，可以丢弃具有高于阈值故障率的故障率的特征，而可以选择具有低于阈值故障率的故障率的特征。确定使用多个特征中的哪些特征的指令108可以进一步对故障率进行排序。在一些示例中，确本文档来自技高网...

【技术保护点】
1.一种非暂时性计算机可读介质，所述计算机可读介质包含指令，所述指令在由处理器执行时使所述处理器：分析多个特征，其中所述特征中的每个特征对应于系统的部件；确定使用所述多个特征中的哪些特征来建模所述部件的故障；生成多个模型来建模所述部件的所述故障；将所述多个模型组装成用于预测部件故障的单个模型；提取与由所述单个模型预测的部件故障关联的数据；并且将与所预测的部件故障关联的所述数据与所述单个模型相关。

【技术特征摘要】
【国外来华专利技术】1.一种非暂时性计算机可读介质，所述计算机可读介质包含指令，所述指令在由处理器执行时使所述处理器：分析多个特征，其中所述特征中的每个特征对应于系统的部件；确定使用所述多个特征中的哪些特征来建模所述部件的故障；生成多个模型来建模所述部件的所述故障；将所述多个模型组装成用于预测部件故障的单个模型；提取与由所述单个模型预测的部件故障关联的数据；并且将与所预测的部件故障关联的所述数据与所述单个模型相关。2.如权利要求1所述的非暂时性计算机可读介质，其中用于组装所述多个模型的指令包括：基于所述部件的确定的故障范围来组装所述多个模型的指令。3.如权利要求1所述的非暂时性计算机可读介质，其中用于确定使用所述多个特征中的哪些特征的指令包括：基于所确定的用于生成所述多个模型的特征的数量来选择所述多个特征中的一部分特征的指令。4.如权利要求1所述的非暂时性计算机可读介质，进一步包括用于进行以下步骤的指令：基于所述单个模型预测所述部件的故障；并且发送预测所述部件将发生故障的警报。5.如权利要求1所述的非暂时性计算机可读介质，其中用于分析所述多个特征的所述关联的指令包括用于进行以下步骤的指令：确定所述多个特征中的每个特征是否已成功预测所述部件的故障；计算所述特征与部件故障的成功预测之间的相关性；并且确定所述多个特征中的每个特征未能成功预测部件故障的比率。6.一种系统，包括：特征生成器，用于基于从多个传感器提取的数据生成多个特征；特征合成器，用于基于对生成的多个特征的分析来确定和选择使用所述生成的多个特征中的哪些特征；模型生成器，用于基于选择的特征来生成多个模型；和模型合成器，用于通过以下步骤将所述多个模型组装成单个模型：接收来自生成的多个模型的输出；并且将来自所述生成的多个模型的所述输出组合成单个输出。7.如权利要求6所述的系统，进一步包括故障提取器，以：确定发生...

【专利技术属性】
技术研发人员：M·G·洛佩斯，G·S·里贝罗，L·阿维斯，H·C·马尔凯济，B·S·塔尼，L·马尔凯齐尼，E·罗德尔，J·弗兰科·格伦特，
申请(专利权)人：惠普发展公司，有限责任合伙企业，
类型：发明
国别省市：美国,US