用于估计部件磨损的方法技术

本公开涉及一种用于估计部件磨损的计算机实现的方法。至少一个聚类分析可以被应用于在部件使用期间取得的测量结果以标识聚类并生成警报。生成警报。生成警报。

【技术实现步骤摘要】
【国外来华专利技术】用于估计部件磨损的方法


[0001]本专利技术涉及用于估计部件磨损(component wear)的计算机实现的方法。至少一个聚类分析(clustering analysis)可以被应用于在部件使用期间取得的测量结果以标识聚类并生成警报。

技术介绍

[0002]当机械部件被使用时，部件的部分磨损。磨损可能包括部件的退化或形状改变，最通常位于与机器的另一部分接触或与外部表面接触的表面处。磨损可能是化学的、机械的或这两者，并且可能由于接触部周围的条件(诸如压力、温度和润滑)而加剧。
[0003]磨损导致需要部件被检查和更换，因为继续使用被磨损的部件是效率低下并且可能是不安全的。
[0004]例如，在车辆中，经常被更换的零件包括挡风玻璃雨刷片、过滤器、刹车片、轮胎、皮带和气缸。所有这些部件易受摩擦磨损和热磨损的影响。这些部件中任何一个部件的磨损都使车辆驾驶更不安全，因为部件在磨损时将效率较低(例如，磨损的刹车片将提供较差的制动能力)，并且因为部件的最终故障去除了来自车辆的关键功能(例如，故障的挡风玻璃雨刷片在恶劣条件下无法为驾驶员提供可见性)。
[0005]磨损在机械加工过程(例如金属切削，其中材料以切屑的形式被移除，以通过工具和工件之间的相对移动创建净形(net shape))中也是有害的。确实，机械加工中最重要又不可避免的挑战之一是工具(tool)的持续磨损。在此情况下，工具磨损是由于工具和工件(workpiece)之间的相互作用而导致切削表面的材料损失。众所周知，工具磨损导致经加工的部件的许多问题，包括形态和尺寸差异、振动和颤振以及不足的表面光洁度。
[0006]使用磨损或损伤的工具进行机械加工将导致部件的随着时间而扩展的表面缺陷以及裂纹，从而导致该部件不被接受或提前退役。因此，在对安全关键部件进行机械加工时，业内采用基于时间的维护策略，并且无论磨损状态如何都在设定的时间丢弃该工具。通常，工具可能在剩余50
‑
80％的使用寿命的情况下被退役。
[0007]在使用期间评估部件磨损可能是有挑战性的，因为该部件可能是无法到达的和/或正在移动，使得目视检查无法提供有用的结果。在车辆的示例中，对刹车片的磨损的检查可能需要移除车轮，这是普通车辆用户可能无法完成的任务。皮带和其他内部发动机部件可能更难以检查。
[0008]可达性(accessibility)也可能是机械加工中的挑战。尝试检查诸如用于机械加工的工具之类的部件具有在检查发生时工具必须被停止使用的附加缺点。在工具的设计和测试阶段期间，设计者可能以运行至故障的方法(run
‑
to
‑
failure method)来选择离线的磨损测量。此方法间歇性地中断切削过程，并需要将工具从机器暂时移除以使用光学显微镜完成磨损测量。这是一种耗时且昂贵的方法，其还引入了对该过程的混杂影响(confounding influence)，诸如第一机械加工循环和第二机械加工循环中工具之间的位置差异。位置差异可能影响切削条件，因此对于相同时间段的各机械加工循环，磨损进度可
能有所不同。
[0009]图1示出了工具在其生命周期期间花费在不同状态中的时间的典型分解。此示例性典型工具的不到一半的生命周期被花费在机械加工，其生命周期的剩余部分由于工件测量或工具测量的发生而被花费在闲置。
[0010]TCM旨在将工业焦点从预防性方法移到预测性维护策略以减少浪费。为了提高流程效率，TCM系统理想地应该辅助减少花费在测量上的时间以增加机械加工时间。
[0011]有监督的机器学习可以被用于辅助TCM技术。与任何有监督的学习技术一样，可以使用与许多先前使用的工具相关的数据来构建模型，其中模型试图定义所测量的先前使用的工具的退化与工具的特性之间的关系。例如，由有监督的学习技术生成的简单模型可以发现并定义加工直到故障的时间(machining time to failure)与工具直径、工件硬度和工具每分钟转数(rpm)之间的关系。然后，对于新工具，这样的TCM技术可以使用工具直径、工件硬度和工具每分钟转数(rpm)作为到机器学习所导出的模型的输入参数来预测故障时间(time to failure)。由于机械加工的复杂性、不同的操作条件以及磨损状态的描述性标签(label)的可用性，仍然有TCM可能不准确的情况。
[0012]存在对于对部件磨损的改进估计的需要，以减少部件停用时间并提高安全性。

技术实现思路

[0013]本专利技术由所附独立权利要求限定。本专利技术的实施例在从属权利要求中限定。
[0014]在第一方面，提供了一种用于估计部件磨损的计算机实现的方法，包括：对第一多个测量结果执行第一聚类分析以标识第一测量结果中的一个或多个聚类，其中第一测量结果包括在部件的使用期间取得的部件的参数的测量结果；以及当在第一测量结果中标识出新的聚类时生成警报。
[0015]以此方式，该方法通过突出显示所测量的参数何时已经有足够显著的变化以至于保证新的聚类被标识出来提供对部件磨损的估计。
[0016]该方法使用在相关部件的使用期间进行的测量，从而避免与使用测试部件相关联的有害影响或者与对与除使用中的部件之外的部件相关的数据的依赖性相关联的有害影响。因此该方法更加准确，因为它不依赖于如下假设：使用中的部件是以与用于建立或训练磨损模型(例如经过训练的分类器)的方法相类似的方式磨损的。部件的磨损进度可能有很大不同，这取决于部件的类别和其使用时的条件，也取决于由于其随机性而无法容易地测量或准确预测的属性(例如夹杂物和微观结构)。因此，依赖对均一(uniform)工具特性的假设可能导致对磨损估计的准确性降低。相比之下，本专利技术的方法使用从其磨损需要被估计的具体工具测量到的当前数据。对部件磨损的更准确估计可以通过避免不必要的检查来减少部件停用时间，通过在其他估计可能没有如此指示的情况下指示需要检查来提高安全性，并减少当工具被丢弃时所剩余的被浪费的寿命。
[0017]在工具的使用期间执行并在取得新的测量结果时更新的聚类分析是有利的，因为当达到一定程度的磨损时，部件通常展现出其行为的显著改变。例如，机械加工工具中裂纹的出现或传动带中磨散的开始可能导致来自部件的声发射(acoustic emission)、部件周围的力或接触部件的摩擦区域处生成的温度的改变。聚类分析可以标识出测量结果中的这样的变化。此外，与简单阈值测量(其实现警报可在简单阈值处被生成)相比，聚类分析是有
利的，因为基于阈值的警报将更易受离群值的触发的影响。例如，传动带和链轮之间温度的非常短暂的尖峰(例如单个测量结果)可能是由与带磨损无关的因素引起的(例如，碎片进入并迅速离开摩擦区域)。聚类分析可能不会将此离群值认定为新的聚类的开始，因此不会生成会导致不必要的检查、维护或部件浪费的警报。
[0018]警报的生成可以是对部件和/或相关联的机械的控制器的警报，以停止操作以准备检查或作为安全措施。警报的生成还可以包括到操作员的听觉或本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种用于估计部件磨损的计算机实现的方法，包括：对第一多个测量结果执行第一聚类分析以标识所述第一测量结果中的一个或多个聚类，其中所述第一测量结果包括对在所述部件的使用期间取得的所述部件的参数的测量结果；以及当在所述第一测量结果中标识出新的聚类时生成警报。2.如权利要求1所述的方法，还包括：对第二多个测量结果执行第二聚类分析以标识所述第二测量结果中的一个或多个聚类，其中所述第二测量结果包括在所述警报已经被生成之后并且在所述部件的进一步使用期间取得的所述部件的所述参数的测量结果；以及当在所述第二测量结果中标识出新的聚类时生成警报。3.如权利要求2所述的方法，还包括：继续对所述第一测量结果的所述第一聚类分析，并且将所述第二测量结果引入所述第一聚类分析以标识经组合的第一测量结果和第二测量结果中的一个或多个聚类；以及当在所述经组合的第一测量结果和第二测量结果中标识出新的聚类时生成警报。4.如前述权利要求中任一项所述的方法，其中，所述第一聚类分析和/或所述第二聚类分析是通过无监督的机器学习算法执行的。5.如权利要求4所述的方法，其中，所述无监督的机器学习算法不预定义要在所述分析期间确定的聚类的数量。6.如权利要求5所述的方法，其中，所述无监督的机器学习算法是狄利克...

【专利技术属性】
技术研发人员：C，
申请(专利权)人：六号元素英国有限公司，
类型：发明
国别省市：