基于成本优化模型的系统寿命延长

摘要

本发明涉及基于成本优化模型的系统寿命延长。一种方法，记录用于系统中第一和第二部件的当前性能标签，记录用于部件的校准基线性能标签，和通过老化模型处理性能标签以确定用于每一个部件的未来性能标签。通过系统功能模型处理未来性能标签以确定用于每一个可能的修理情况的系统功能状态。成本最佳的修理情况随后从可能的修理情况确定，且记录在存储器中。一种设备，包括系统的第一和第二部件和主机，主机配置为用于通过老化和系统功能模型处理当前和基线性能标签，如上所述。成本最佳的修理情况从可能的修理情况确定，且随后记录在存储器中。示例性系统可以是具有启动器电动机和电池的发动系统。

说明书

技术领域

本发明涉及基于成本优化模型的方法和设备，用于延长具有多个部件的 系统的寿命。

背景技术

系统形成整合整体的一组相互作用或相互依赖的部件。构成系统的各种 部件的性能随时间以不同速率下降。因为每一个部件的角色和成本非常不 同，给定部件性能随时间的下降相对于用在同一系统中的其他部件对系统的 功能状态有独特的影响。因此，精确地识别系统中要修理或更换的成本最佳 部件（一个或多个）是有难度的。

发明内容

本文公开的老化模型和系统功能模型用于确定系统的应该被修理或更 换的具体部件（一个或多个）以提供成本优化的系统工作寿命延长。成本优 化可以考虑用户的期望系统寿命，例如用户还想期望拥有和操作具体车辆或 其他系统多久。以这种方式，本方法可避免以更高的总成本向期望多拥有和 操作该系统仅一年的用户推荐提供五年运行寿命的修理方案。

系统的功能状态（SOF）取决于构成该具体系统的每一个部件的健康状 态（SOH）。每一个部件的SOH影响是协作的，即甚至在部件的SOH保持 在零以上时系统的SOF也是零。因此，SOF可以基于所有可能的修理情况 针对系统估计或预测，即构件可能的每一个修理情况修理/更换部件中的一 些、所有或不修理/更换。如上所述，这种分析也可以考虑用户的期望系统寿 命，例如车辆服务的期望终点。

具体说，本方法包括针对用在系统中的每一个部件记录当前和新的/校准 基线性能标签，随后通过老化模型处理当前和校准基线性能标签以确定用于 每一个部件的未来性能标签。方法包括通过系统功能模型处理用于当前和校 准基线部件的未来性能标签，以确定用于每一个可能的修理情况的系统 SOF，2ⁿ-1个修理情况可用于n个部件的系统。方法进一步包括计算n种情 况的成本最佳的修理情况，且记录该情况在例如与部件和/或数据记录器通信 的数据记录器或主机的存储器中。成本最佳的修理的确定可包括确定用户期 望的系统寿命终点，成本优化的推荐也考虑到期望寿命终点。

设备至少包括第一和第二部件以及与第一和第二部件通信的主机。主机 包括老化模型和系统功能模型，例如编程在实体的非瞬时的存储器。主机配 置为用于接收用于每一个第一和第二部件的当前和校准基线性能标签，和通 过老化模型处理当前和校准基线性能标签以确定用于每一个第一和第二部 件的未来性能标签。

主机还通过系统功能模型处理未来性能标签以确定用于每一个可能的 修理情况的系统SOF，其中每一个可能的修理情况描述了第一和第二部件的 可能修理组合，且从可能的修理情况中计算成本最佳的修理情况。如上所述， 成本最佳的修理情况可以考虑用户对系统的期望服务寿命终点。成本最佳的 修理情况可以记录在存储器用于随后获取，例如通过执行修理情况的维护人 员获取。

在下文结合附图进行的对实施本发明的较佳模式做出的详尽描述中能 容易地理解上述的本发明的特征和优点以及其他的特征和优点。

附图说明

图1是具有一对部件的示例性系统的示意图。

图2是可用在图1所示的老化模型的示例性时间曲线图。

图3是显示基于模型的方法的各种部分的流程图，其用于确定系统的哪 些部件要修理/更换。

图4是描述示例性修理情况的表格。

图5是用于不同示例性修理情况的各种预测系统功能的另一流程图。

图6是基于模型的方法的流程图，其用于在例如图1的示例性系统这样 的系统中确定哪些部件需要修理/更换。

具体实施方式

参见附图，其中相同的附图标记表示相同的元件，示例性系统10显示 为具有一对部件，即与主机20通信的第一部件12和第二部件14。出于简单 的目的，仅两个部件用在下列的例子中，但是本领域技术人员应理解任意多 个（n）部件可被使用而不脱离本发明的范围。

在具体的非限制性的实施例中，图1的系统10可以配置为是车辆发动 系统（cranking system）。在这样的实施例中，第一部件12可以是启动器电 动机而第二部件14可以是电池。发动功能基于电池、启动器电动机、或这 两个部件的逐渐劣化而随时间劣化。为了在该例子中恢复一些丧失的发动功 能或在任何其他系统中恢复丧失的系统功能状态（SOF），部件12和14中 的一个或两者可被修理或更换。目前的方法考虑针对2ⁿ-1中可能的修理/更 换情况考虑修理成本对寿命延长，出于简单的目的以下称为修理情况。系统 10由于每一个修理情况造成的最终SOF随后被预测以由此确定哪些部件（一 个或多个）应该被修理/更换。

在系统10中，可选的数据记录器15可以用于在实体的/非瞬时存储器 18中记录相应部件12和14的当前性能标签（performance signature）（箭头 11，110）。经由数据记录器15的记录取决于实施例可以是连续的或周期性 的。记录的值可以包括动力消耗、速度、故障数据或充分地描述该具体部件 的当前或现在的性能的任何其他信息。在其他实施例中，数据记录器15可 以省略且用于相应部件12和14的当前性能标签（箭头11，110）可以传递 或流动到主机20。

主机20可以远离系统10且与之以无线通信，或与系统10定位在一起， 例如在系统10配置为是车辆系统时在与系统10在同一车辆上的车辆控制 器。在例如经由传感器25（见图3）从第一和第二部件12和14获取当前性 能标签时主机20接收当前性能标签（箭头11，110）。主机20可以从新的或 经过验证的/修理部件测量和记录校准的新的/修理的标签，用于以后使用。 这些校准信号的使用将参考图5在下文详细描述。

主机20可以包括微处理器或中央处理单元（CPU）、存储器这样的通用 元件，包括但不限于:实体的/非瞬时的存储器（在其上记录实施图5的本方 法100中的指令、只读存储器（ROM）、随机访问存储器（RAM）、电可编 程只读存储器（EEPROM）、高速时钟、模拟-数字（A/D）和数字-模拟（D/A） 电路和任何所需的输入/输出（I/O）电路和装置以及信号调制和缓冲电路。

主机20包括用于第一部件12的老化模型22和用于第二部件14的老化 模型24，其可以在实体的/非瞬时的存储器中记录为曲线、公式、查找表。 在更多部件被使用的情况下，将给出额外的老化模型。如在本文使用的，术 语“老化模型”是指其预测部件劣化或恶化的任何装置。主机20还包括与 老化模型22和24通信的系统功能模型26。系统功能模型26可因此处理通 过老化模型22和24产生的信息，以及直接地处理用于每一个部件12和14 的当前性能标签（箭头11）。

参见图2，示例性子模型50可以用作图1的老化模型22的一部分。迹 线52代表现有部件（在该例子中为电池）的性能，且迹线54代表新的电池 的性能。垂直轴线（R）代表电池电阻。水平轴线代表时间（t），例如月。 相似的子模型可以用于给定部件的其他部件或其他参数，例如具有在垂直轴 线上绘制的电阻或反电磁力（EMF）的启动器电动机。通过测量所需参数， 和通过得知相似的车辆中同一部件随时间的过去的性能，迹线52的轨迹可 被预测且由此建模。

参见图3，图1的监视系统10和主机20之间的信息流以图块模式示出。 使用标签获取逻辑的传感器25可以用于获取分别用于第一和第二部件12和 14的当前性能标签（箭头11，110）。当前性能标签（箭头11，110）最终例 如经由远程信息处理单元、经由施加到图1的数据记录器15的维护探针、 闪存装置或以其他方式而传递到主机20。

一旦通过主机20接收，当前性能标签（箭头11，110）通过老化模型 22、24处理。这种老化模型22、24可以包括描述基本上相似部件12、14 的过去性能的历史维护或统计数据，例如用在参考测试、确认或先前部署的 系统的部件的相同模型。这种数据可以是查找表、性能曲线、公式的形式或 任何其他合适数据形式。

系统功能模型26处理用于相应部件12、14的当前性能标签（箭头11、 110）和未来性能标签（箭头13，130），以由此产生相应的当前系统功能状 态（SOF）（箭头33）和未来SOF（箭头133）。从这些值，主机20可识别 要修理/更换的部件12和/或14，以便产生与有用操作寿命的延长有关的最 成本高效的结果。

在示例性曲轴系统中，最大电动机扭矩可以被表示为:

$\frac{K_m{V}_o}{R_b+R_m}$

其中K_m是用于电动机的反EMF，R_b是电池电阻，R_m是电动机电阻， 且V_o是电池开路电压。最大/峰值发动机反扭矩是且发动成功的条件是 用于以这种方式所述的发动系统的SOF是

$\mathrm{SOF}=\frac{\frac{K_m{V}_o}{(\mathrm{Rb}+\mathrm{Rm})}-{\tau }_e^p}{\frac{K_m^o{V}_o}{(R_b^o+R_m^o)}-{\tau }_e^p}x100\%$

校准的原始值是分母，从而SOF=1且随时间下降至0。

参见图4，三个不同示例性修理情况针对图1的两部件示例系统10显示。 对于n个部件，实际的修理情况的数量（#）是2ⁿ-1。对于修理情况0，部件 12和14两者都不更换。部件12在修理情况1下更换，且部件14在情况2 下更换。在修理情况3，部件12和14都被更换。

在修理情况1-3中，在修理时的SOF分别通过F₀（t）、F₁（t）、F₂（t）、 和F₃（t）代表，且在每一个情况下系统服务寿命结束时相应的SOF为F₀（t_f）、 F₁（t_f）、F₂（t_f）、和F₃（t_f）。这里，系统服务寿命可以被校准，或其可以基 于用户的期望系统服务寿命选择，例如拥有车辆的用户，用户希望该车辆在 车辆出售或交易之前行驶设定的时间段。对于修理情况0修理成本（$）为0， 虽然系统10可能不工作，但是实际上没有什么需要更换或修理。剩余使用 寿命（RUL）经由主机20针对各种情况0-3确定为RUL₀、RUL₁、RUL₂和 RUL₃。由此，修理成本（$）和RUL针对每一个修理情况计算，RUL经由 通过模型22、24、和26的处理而确定。主机20可随后使用修理成本和RUL 的比以确定最划算的修理，例如各种可能的修理情况0-3中期望系统服务寿 命中剩余的时间。

参见图5，给出三个不同示例性修理情况30、32和34。第一修理情况 30修理第一部件12或通过新的/校准基线部件120更换第一部件12且继续 使用现有的第二部件14。第二修理情况32修理第二部件14或通过新的/校 准基线部件140更换第二部件14同时继续使用现有的第一部件12。类似地， 第三修理情况34用部件120和140更换部件12和14。

在示例性修理情况30中，标签获取经由传感器25或在现有的第二部件 14的当前性能标签（箭头110）中的其他结果发生，其被馈送到用于该具体 部件的老化模型24。新的第一部件120的新的性能标签（箭头121）被馈送 到用于第一部件12的老化模型22，所述新的性能标签可使用相似的传感器 25而被离线确定且被记录用于在执行本方法时使用。在第二示例性修理情况 32中发生相同的方法，即新的性能标签（箭头141）被用于新的第二部件140。 同样，部件120和140的新的性能标签（箭头121和141）用在第三修理情 况34。

在每一个情况下30、32、34，用于现有的或修理/更换部件的未来标签 被馈送到系统功能模型26。在第一修理情况30下，即其中第一部件12被更 换，系统10的SOF是F₁（t_f）。在第二修理情况32下，即第二部件14被更 换，系统10的SOF是F₂（t_f）。在第三修理情况34下，即部件12和14被 更换，系统10的SOF是F_1,2（t_f）。

如本领域理解的，系统的功能状态（SOF）可以被如下表示:

F（t）=F{θ₁（t）,θ₂（t）,θ₃（t），...,θ_n（t）}

其中θ代表相应部件1，2，3，…n的健康状态的标签（SOH）。在例如 图2的模型22和24这样的部件老化模型中，应用下列的数学等式:

θ_i（t_f）=Φ（t_f，t）θ_i（t）.

其中（i）是部件，t_f是部件（i）服务寿命结束时的时间，和Φ是代表部 件（i）的老化的函数。

可以应用两个不同预测策略。在当前时间（t_k）小于用于具体部件的服 务寿命结束（t_f）时实施第一个。该策略可以实施为保证服务寿命且在直到 系统寿命结束之前在期望的服务寿命/时间中选择具有最小成本的修理情况。 第二个可以在已经达到服务寿命结束时实施，即t_f＜t_k。该策略可有助于通过 最小的修理成本使得RUL最大化。

参见图6，示例性成本优化方法100用于延长系统的寿命，例如图1所 示的系统10。如前所述，出于简单的目的将描述两个部件的系统。

在步骤S102开始时，系统10的当前功能状态（SOF）使用图2的系统 功能模型26计算或估计。从步骤S102的SOF随后在步骤S104估计以确定 SOF是否超过零。若如此，在步骤S106数据记录器15记录合适的标志或其 他值，且等待下一个测量循环。然而，如果在步骤S104确定SOF为零，则 方法100前进到步骤S108。

在步骤S108，主机20确定当前时间（t_k）是否小于寿命终点（t_f），即 如果系统10仍然在其期望服务寿命中运行。若如此，则方法100前进到步 骤122。如果系统10超过其服务寿命运行，该方法100前进到步骤S110。

在步骤S110，已经在步骤S108确定系统10超过其可用服务寿命，主 机20设置k=1且设置比值（S/RUL）_min=（$/RUL）_max，即如果这样的修理 事实上是需要进行的则修理/更换两部件的成本除以RUL。方法100随后前 进到步骤S112。

在步骤S112，主机20计算用于第一修理情况（k=1）的值（$/RUL）， 其中第一部件12被更换或修理，随后前进到步骤S114。

在步骤S114，来自步骤S112的值与在步骤S110设定的值相比。如果 用于k=1的（$/RUL）小于步骤S110设定的（$/RUL）_min，则方法100前进 到步骤S120，否则方法100前进到步骤S116。

在步骤S 116，主机20确定k是否等于或超过值2ⁿ-1。若是，则方法100 前进到步骤S136。若否，则方法100前进到步骤S118。

在步骤S118，主机20让k增量，即k=k+1，且以新的k值重复步骤S112。

在步骤S120，主机20针对k=1设置值（$/RUL）_min=（$/RUL），随后 前进到步骤S116。

在步骤S122，主机20针对第一修理情况设置k=1，设置值$_min等于对 应于在系统10中修理所有部件或整个系统10的有效更换的最大校准值。

在步骤S124，主机20接下来计算用于修理情况1的SOF（见图4）且 在步骤S126确定该值是否超过零。来自步骤S126的值超过零，则方法100 前进到步骤S128，否则前进到步骤S130。

在步骤S128，主机20确定是否$k<$min，且如果是则前进到步骤S134。 即主机20确定用于当前修理情况的成本是否等于或超过记录的最小成本。 如果是，则方法100前进到步骤S 134。否则，方法100前进到步骤S 130。

在步骤S130，主机20确定k是否等于或超过2ⁿ-1，或在该例子中是否 k≥3。若是，则方法100前进到步骤S136,否则方法前进到步骤S132。

在步骤S132，值k被增量，即k=k+1，从而方法100以修理情况2继续。 一旦k已经增量，方法100进行步骤S124。

在步骤S134，针对修理情况1值$min被设定为修理第一部件的成本， 且方法100前进到步骤S130。

在步骤136，主机20返回已选择的修理情况作为推荐动作。在一个例子 中，电池更换的成本是$100.00，且提供额外的20个月的寿命，成本比率为 5美元/月。更换启动器电动机为$300，且提供更多的36个月的寿命，或$8.30/ 月。然而，修理/更换电池和启动器电动机是$350.00，但是由于协同作用的 影响提供80月的寿命，成本仅为$4.375/月。在该示例性情况下，主机20可 选择第三修理情况，即修理/更换电池和电动机两者。决定可以基于用户所说 的系统期望寿命终点。例如，如果期望的寿命终点相对短，例如10个月， 则该值可以经由主机20记录，且主机20可计算在记录的期望系统寿命上成 本最佳的的修理。即可以相对于用户的具体时间框架更成本有效地仅更换电 池，而具有较长期望系统寿命的另一用户可选择修理两个部件。

尽管已经对执行本发明的较佳模式进行了详尽的描述，但是本领域技术 人员可得知在所附的权利要求的范围内的用来实施本发明的许多替换设计 和实施例。