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！

一种部件生命期监测方法：PDF下载

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

1. 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；
2. 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；
3. 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；
4. 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）；
5. 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；
6. 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；
7. 当维保人员/设备进行现场维保和召修作业时，检查、记录；
8. 后台专家系统经大数据分析形成智能 AI 分析报告；