用于预测机器部件的相关联的故障的系统和方法与流程

本发明涉及零件修理和更换的领域，并且更具体地涉及用于预测机器部件的相关联的故障的系统和方法。

背景技术：

对复杂产品(诸如车辆、电器、工业设备以及其他复杂产品)的诊断、维护和修理可能是困难的并且耗时的。可能需要专业知识和/或昂贵的诊断设备来确保产品能够被正确诊断、维护或修理。参与修理和维护这些复杂机器的人员会理解，当停止使用复杂的机器来进行修理或维护时，可能碰到意想不到的缺陷。

已经开发了各种工具来辅助这些任务。在mcquown等人的美国专利申请公开第2005/0144183号(’183公开)中描述了一种这样的工具。’183公开描述了一种手持便携单元，其可以由机车技术人员现场使用以访问为了修理、诊断和排除机车问题所需的信息，并进行必要的修理。例如，技术人员可以下载原理图、修理手册、修理建议以及其他资源，以帮助完成手头的任务。另外，技术人员可以使用便携单元从供应商订购所需的零件。

虽然’183公开的便携单元可以帮助技术人员诊断、维护和修理机车，但是仅仅这样可能是不够的。现场技术人员可以标识需要更换的机车的特定零件，并且因此使用便携单元订购该零件。然而，便携单元可能不能标识其他相关零件，这些相关零件应与该零件一起订购以确保技术人员可以抢在可能在不久的将来的指定时间窗口内意想不到地发生的任何相关联的故障发生之前完成任何相关联的修理。因此，技术人员需要具有知识和远见，以在订购时标识这些相关零件。由于机器的复杂性以及能够标识相关零件的难度，缺陷可能被忽略或未被察觉。’183公开的单元也没有提供对在检查期间应该被解决的不同部件、子系统或系统的可能的相关联的修理的指示。因此，现场技术人员可能需要具有几年的经验，并且能够将各种相关或看似不相关的早期故障的发生联系起来，但是这对于某些复杂的机器来说可能是很难的或不可能的。这可能导致即将发生故障的操作条件。

复杂机器(包括但不限于非公路矿用卡车、液压挖掘机、履带式拖拉机，以及轮式装载机)可能代表大量的资本投入，并且在操作时能够具有显著的生产力。因此，重要的是预测部件、子系统和/或系统故障，使得可以在生产力将受到较少影响的时段期间安排维修，并且使得可以在小故障导致潜在的灾难性故障之前进行任何较小的维修。

本发明旨在克服上述的一个或多个问题和/或现有技术中的其他缺点。

技术实现要素：

本发明的一个方面涉及并公开了一种用于预测机器的一个或多个部件的故障的系统。该系统可以包括配置为输入第一部件的当前修理数据的至少一个接口、配置为记录第一部件的当前修理数据的数据库，以及可操作地连接到至少一个接口和数据库的处理器。处理器可以基于存储在数据库中的历史修理数据分析第一部件的当前修理数据，其中历史修理数据包括机器的多个部件(包括第一部件和第二部件)的标识。处理器可以基于存储在数据库中的历史修理数据生成用于维修第二部件的建议。

本发明的另一方面涉及一种预测机器的部件的故障的方法。该方法可以包括将机器的第一部件的当前修理数据输入到数据库中，并且处理该修理数据。该处理可以包括基于存储在数据库中的历史修理数据分析第一部件的当前修理数据，其中历史修理数据包括机器的多个部件(包括第一部件和第二部件)的标识。该处理还可以包括基于存储在数据库中的历史修理数据生成用于维修第二部件的建议，并且输出建议修理检查列表。

本发明的又一方面涉及一种其上存储有计算机可读指令的计算机可读介质，该指令在由处理器执行时使处理器执行预测机器的一个或多个部件的故障的方法。该方法可以包括将机器的第一部件的当前修理数据输入到数据库中，并且处理该修理数据。该处理可以包括基于存储在数据库中的历史修理数据分析第一部件的当前修理数据，其中历史修理数据包括机器的多个部件(包括第一部件和第二部件)的标识。该处理还可以包括基于存储在数据库中的历史修理数据生成用于维修第二部件的建议，并且输出建议修理检查列表。

附图说明

图1是用于预测机器部件的故障的示例性系统的框图；

图2是存储在图1的系统的数据库中的示例性数据的表示；

图3是预测机器部件的故障的方法的示例性实施例的流程图；

图4是示出了输入并存储在图1的系统的数据库内的修理数据的示例性集合的示例性图表；并且

图5是示出了基于存储在图1的系统的数据库内的数据的建议的示例性集合的示例性图表。

具体实施方式

现在将详细参考在附图中示出的示例性实施例。只要有可能，在整个附图中将使用相同的参考数字来指代相同或相似的零件。

图1描绘了用于预测机器部件的故障的示例性系统的框图，其中该系统总体上标记为10。为了本发明的目的，如图3中所示，结合远程定位的机器(包括诸如非公路矿用卡车、液压挖掘机、履带式拖拉机、轮式装载机等的机器)来描述预测机器中的相关联的故障的本系统和方法。然而，所公开的系统和方法同样适用于各种其他设备或机器。此外，本发明可以涉及对从一个机器的一个零件、子系统或系统收集的信息进行分析。然而，可以从多个机器收集和分析数据。

图1中所示的系统10包括现场系统100和远程系统102，它们可以通过通信网络104可操作地连接。现场系统100及其系统元件可以位于当前正在维修的机器的现场，而远程系统102及其系统元件可以位于当前正在维修的机器的远程或不在现场。系统10和/或现场系统100和/或远程系统102可以是服务器、客户端、大型机、台式机、膝上型计算机、网络计算机、工作站、个人数字助理(pda)、平板pc等。通信网络104可以是例如基于电话的网络(例如pbx或pots)、局域网(lan)、广域网(wan)、因特网或另一分组交换网络、专用内联网、工作站对等网络、直接链路网络、无线网络或另一合适的网络。

现场系统100可以包括至少一个机器106。在图1中，现场系统100被描绘为包括单个机器106；然而，本发明的系统和方法同样适用于具有多于一个机器106的现场系统100。此外，当现场系统100包括多于一个的机器106时，机器可以是相同的机器、相关或相似的一组机器，或者在一些情况下为多个不同的机器。可以包括来自各种工作现场、例如不同的采矿地点的多个机器106。

如图1中所示，机器106可以包括一个或多个传感器108和/或部件110。部件110可以是机器106的单个零件，或机器106的系统或子系统。单零件部件110可以是例如密封件、管、阀、波纹管等，而子系统或系统可以是冷却器或热交换器、进气和/或排气歧管、制动器组等。传感器108可以包括一个或多个传感器108以感测来自机器106的一个或多个部件110的数据。传感器108可以是本领域中已知的用于响应于操作参数的水平而产生电信号的类型的传感器，并且可以感测来自机器106及其部件110的数据，包括脉宽调制传感器数据、基于频率的数据、五伏模拟传感器数据，以及已有效消抖的开关数据。传感器108还可以连接到机器106的电子模块(未示出)。

图1的现场系统100还包括接口112，其可操作地连接到通信网络104和机器106(包括传感器108和部件110)。接口112能够与机器106通信，并且能够经由通信网络104与远程系统102通信。接口112可以包括显示器114和输入设备116。显示器114可以是电子显示器，包括但不限于lcd、crt、等离子显示器等，并且可以包括图形用户界面(gui)(未示出)。输入设备116可以是用于输入信息的任何已知设备，包括但不限于键盘。虽然输入设备116示出为与显示器114分离的元件，但是在一些实施例中，输入设备116可以形成为显示器114的一部分。另外，诸如例如手持计算设备、语音识别设备、触摸屏等的其他类型的接口设备可以用于与机器106和远程系统102接口连接。

图1中所示的远程系统102包括处理器118、接口120和数据库126。示出为可操作地连接到通信网络104的处理器118可以与现场系统100和数据库126通信，以执行对当前修理数据的分析，如下面关于图3所述的。处理器118可以包括一个或多个已知的处理设备，诸如来自由intel^tm制造的pentium^tm或xeon^tm家族的微处理器、由amd^tm制造的turion^tm家族或任何其他类型的处理器。

接口120可以可操作地连接到处理器118。在一些情况下，与通过处理器118可操作地连接相反，接口120还可以直接可操作地连接到数据库126。接口120可以包括显示器122和输入设备124。显示器122可以是lcd、crt、等离子显示器等，并且可以包括图形用户界面(gui)(未示出)。输入设备124可以是用于输入信息的任何已知设备，包括但不限于键盘。虽然输入设备124示出为与显示器122分离的元件，但是在一些实施例中，输入设备124可以形成为显示器122的一部分。另外，诸如例如手持计算设备、语音识别设备、触摸屏等的其他类型的接口设备可以用于与处理器118、数据库126和现场系统100接口连接。

来自一个或多个机器106的数据可以收集并存储在数据库126中，来在本文公开的实施例中使用。可以在数小时、数天、数周、数月或数年的过程中收集数据，并且存储和记录在数据库126中。

如图2中所示，数据库126可以配置为存储各种类型的数据，包括修理数据128和操作数据130。“修理数据”可以指来自机器上的当前修理过程的“当前修理数据”，并且可以包括诸如机器的部件、子系统和/或系统的标识的数据。“修理数据”还可以指来自机器上的先前修理过程的数据，并且在该上下文中可以被称为“历史修理数据”，其可以包括诸如部件、子系统和/或系统的标识的数据。因此，第一部件的标识以及第二部件或相关联的部件的标识可以与其他机器部件、子系统和/或系统的标识一起存储在数据库126中。“历史修理数据”可以指在一段时间(例如数月或数年)内收集的数据，其可以存储在数据库126中以供所公开的系统10使用。“修理数据”在本文中也可以称为“工作订单数据”。历史修理数据可以是在一段时间内从单个机器上收集的数据，或者是从相同或类似的一组机器或多个机器上收集的。例如，历史修理数据可以在数月或数年的时间内收集，并存储在用于单个拖运卡车、一组拖运卡车或多个拖运卡车，以及类似但不完全相同的矿用卡车的单个数据库126中。虽然本文可以针对给定机器描述修理数据，但是其还可以指为几个相同或类似机器收集的数据，其可用于分析一组机器的性能。

“操作数据”和“历史操作数据”可以包括例如发动机rpm、油压、水温、增压压力、油污染、电动机电流、液压压力、系统电压等。“操作数据”还可以包括与机器106的其他条件相关的数据，包括但不限于有效载荷、轮胎性能等。处理器可以基于历史操作数据分析当前(第一)部件的当前修理数据，该历史操作数据作为生成用于维修相关联的(第二)部件的建议的一部分。输入并存储在数据库126中的数据可以各自包括时间和/或日期戳。例如，数据可以带有2000年1月1日的戳记来输入。存储在数据库126内的数据可以源自例如技术人员、机器制造商、经销商和/或服务提供商。修理数据和/或操作数据可以手动地或通过一个或多个传感器108收集并记录在数据库126中。

在一些实施例中，数据库126可以包括配置为存储信息或数据(诸如上述修理数据和操作数据)的一个或多个存储设备，其可以由处理器118使用以执行与所公开的实施例相关的某些功能。数据库126可以包括易失性或非易失性、磁性、半导体、磁带、光学、可移动、不可移动或其他类型的存储设备或计算机可读介质。数据库126或可操作地连接到处理器118的另一存储设备(未示出)可以存储程序和/或其他信息，诸如与处理数据相关的信息。在一个示例性实施例中，远程系统102包括存储器(未示出)，其可以包括从存储设备或其他地方加载的一个或多个程序或子程序，当由处理器118执行时，这些程序执行各种过程、操作或与公开的实施例一致的过程。例如，存储器可以包括使处理器118能够基于历史修理数据来分析当前修理数据(以及执行其他任务)的一个或多个程序，如下面关于图3详细讨论的。

图3是预测机器部件的故障的方法的示例性实施例的流程图，该方法由图1的系统执行，特别是由处理器118执行。通常，系统10配置为标识循环出现的模式，该模式中在历史上不同事件(包括部件故障)已经在指定时间窗口内发生并应用了值优先化，如下面更详细讨论的。该系统可以用于预测相关联的部件故障，这些故障可能基于由当前修理数据触发的统计上的显著历史证据而发生。此外，系统包括生成或输出建议(也称为检查列表)的功能，来建议对预测为将要故障的一个或多个相关联的部件进行抢先修理和/或维护。

相关联的部件是指大约在正在维修不同的部件的同时，经常需要维修(例如，修理或更换)的部件。正在维修的部件可以称为“第一部件”或“当前部件”，并且可能需要维修的部件可以称为“第二部件”、“至少一个第二部件”或“相关联的部件”。在一些情况下，大约在正在维修一个部件(第一部件或当前部件)的同时，另外多个部件可能需要维修，在这种情况下，需要维修的多个部件可以称为“另外的部件”或“相关联的部件”。术语“相关联的”不要求部件与另一部件相关。实际上，如本发明中所述的，部件可以是相关联的部件，尽管它在逻辑上与正在维修的其他部件无关。

现在将参考图3中的流程图来讨论预测机器部件中的故障的方法的细节。

图3中所示的方法200包括步骤202，其中根据图1及其相关描述，从一个或多个机器106收集部件数据。部件数据可以使用例如图1中所示的接口112的输入设备116，由技术人员或输入部件数据的其他实体手动地收集。替代地，可以使用一个或多个机器传感器108来自动地收集部件数据并将其发送到数据库126。

在步骤204中，输入部件数据作为当前修理数据。这可以使用接口112手动地或自动地完成。输入的当前修理数据可以包括例如标识的当前正在维修的部件的部件信息，诸如零件号。在其他情况下，接口120可以用于输入部件数据作为当前修理数据。例如，现场技术人员可以联系访问远程系统102的远程技术人员，并向远程技术人员提供部件数据来作为当前修理数据输入。

在步骤206中，将当前修理数据记录在数据库126中。可以通过例如标识部件信息(诸如当前正在维修的部件的零件号)，以及标识指示了何时维修了该部件的日期和/或时间戳来记录当前修理数据。

可以将数据清洁步骤(未示出)作为步骤204和/或步骤206的一部分包括进来，其也可以称为数据清理或数据清洗步骤。原始数据可以作为未清洁数据输入并记录。通常采用的数据清洁技术可以用于检测和校正输入到数据库中的数据的误差。关于如本文所述输入并记录到数据库中的当前修理数据，可使用已知的数据清理技术来标识修理数据的不完整、不正确、误差或不相关的方面，并且更换、修改或删除数据使得其与存储在数据库中的其他修理数据一致。

在步骤208、步骤210和步骤214中，基于存储在数据库126中的历史修理数据来执行对当前修理数据的分析。远程系统102的处理器118可以配置为执行分析。具体地，可以应用一个或多个算法来执行分析，所述算法可以由处理器118访问或者在一些情况下存储在处理器118上，如下面更详细描述的。可以使用一个或多个算法从数据库提取数据(诸如修理数据和/或操作数据)，以确定何时应当维修或更换机器部件，并且建议对该部件进行维修或更换。

在步骤208中，基于历史修理数据分析在步骤206中记录的当前修理数据。为了在步骤208中执行分析，可以根据步骤210做出决定。具体地，在步骤210中，图3中所示的操作方法可以确定一个或多个相关联的事件是否在先前部件故障的指定时间内发生。如本文所讨论的，相关联的事件可以是例如除了当前正在维修的部件(第一部件)之外的相关联的部件(第二部件)的故障。并且“先前部件故障”可以指当前正在维修的部件(第一部件)的先前故障，其中先前部件故障的数据存储在数据库126中。

可以利用可由处理器118访问或存储在处理器118上的算法，来确定是否在先前部件故障的指定时间内发生了一个或多个相关联的事件。具体地，在步骤210中应用的算法可以是先验算法(apriorialgorithm)的一个版本，其通常被理解为是对数据挖掘和确定数据集中的项目出现的频率有用的一般类型的算法。数据挖掘一般可以指辨别数据集中的模式并从辨别的模式中提取有用信息的过程。本发明中使用的术语“事件”、“事务”或“项目”可以可互换地用于指代在给定机器的正常操作条件之外发生的部件、子系统或系统故障或修理。

本系统和方法可以使用先验算法的修改版本来确定相关联的事件是否在先前部件故障的指定时间内发生。使用修改的先验算法，记录在数据库126中作为历史修理数据的每个修理数据可以被记录为一个时间戳记录。例如，一个修理数据条目或项目可以是“改变冷却器/热交换器密封件，2000年1月1日”。本发明的先验算法可以通过远程系统102的处理器118来应用，以检测一个或多个相关联的事件是否在先前部件故障的指定时间内发生。例如，修改的先验算法可以包括在7到15天之间的时间限制(这里也称为时间段或时间窗口)。在该示例中，使用修改的先验算法的分析将从可能的建议(图3，步骤218；图5)中将在当前正在维修的部件的先前故障的7到15天时间段之外发生的任何相关联的事件排除掉。在另一示例中，先验算法可以包括10天的时间限制，从而从可能的建议中将超过当前正在维修的部件的先前故障10天发生的任何相关联的事件排除掉。可以使用接口120的输入设备124输入时间限制。替代地，可使用远程系统102的另一输入设备或与远程系统102分离但可操作地连接到远程系统102的系统的另一输入设备来输入时间限制。

作为又一个示例，如果在第一时间发生第一部件(例如，冷却器或热交换器密封件)的故障，则测量第二部件(例如，冷却器或热交换器软管或传动泵软管)的故障发生的时间作为第一时间之后的第二时间。这些时间测量结果编译在数据库126中，其可以由修改的先验算法经由远程系统102的处理器118访问。然后可以确定第二部件的故障可能在第一部件的故障之后的时间n(其中n＝第二时间-第一时间)内发生。

因此，修改的先验算法是可以通过提供时间限制来限制可能的建议的算法，如上所述。本文所述的修改的先验算法可以称为类先验算法(apriori-likealgorithm)、修改的先验算法或简单先验算法。本发明将指定是否以及何时参考通用先验算法而不是上述修改的先验算法。

如果确定在先前部件故障的指定时间内没有发生一个或多个相关联的事件，则该过程结束，如步骤212中所示。然而，如果在先前部件故障的指定时间内发生了一个或多个相关联的事件，然后可以确定该一个或多个相关联的事件是否满足优先级阈值，如步骤214中所示。

在步骤214中，为了确定该一个或多个相关联的事件是否满足优先级阈值，可以利用可由处理器118访问或存储在处理器118上的另一算法。具体地，在步骤214中应用的算法可以是pareto算法。pareto算法通常被理解为使用所存储的数据来确定哪些事件贡献了某些效应的大部分(通常为80％)的算法。在商业中通常考虑pareto算法的原理，即80％的公司的销售额可能来自20％的公司的消费者或客户。在本发明的上下文中，在步骤214中应用的pareto算法可以用于确定哪些修理事件倾向于对机器停机时间的成本的特定百分比做出贡献。pareto算法还可以用于确定一个或多个相关联的事件是否为倾向于对成本的高百分比做出贡献的修理事件中的一个，使得该一个或多个相关联的事件将包括在步骤218的建议内。

在一个示例中，可以在该pareto算法中设置为约80％的阈值。应用该阈值，分析将确定哪些机器修理在历史上贡献了80％或更多的总停机时间修理成本。那些没有贡献的修理将不会被包括在在步骤218中生成的建议内。

对于任何单个机器，可能存在数千(甚至数万或数十万)的部件，其中大部分或全部可以分组为子系统，这些子系统可以分组到机器的单独系统中。数据库126可以存储单独修理事件的成本，包括一个或多个相关联的事件以及每个修理事件中涉及的系统、子系统和部件的成本。每个修理事件中涉及的系统、子系统和/或部件的标识可以构成本发明中讨论的历史修理数据。例如，假设在一年中，给定机器有1000次修理事件，并且1000次修理事件导致该机器的总修理成本为1000000美元。并且假设在这1000个修理事件中涉及总共10000个不同的部件。涉及10000个部件并导致总修理成本为1000000美元的1000次修理事件可以称为历史修理数据。所公开的pareto算法，并且特别是pareto算法的优先级阈值，可以确定这10000个部件中的哪些部件涉及总计至少800000美元(总成本的80％)的最贵的修理事件。因此可以应用pareto算法来计算修理事件的总和，从最贵的修理事件开始并继续加上第二贵的修理事件，直到组合成本等于至少800000美元。在许多情况下，与修理事件的总数相比，少数的修理事件可占据该机器大量的总停机时间修理成本。作为简单的示例，在1000个修理事件中，20个修理事件可占总停机时间修理成本的80％。尽管在上面讨论了一年的时间段，但是给定机器的总修理成本所基于的时间段可以是数天、数周、数月或数年的时间段。该时间段可以例如使用输入设备124在pareto算法中设置。

80％的阈值仅是pareto算法的一个典型的示例。在其他示例中，阈值可以设定为高于80％(例如，约90％或约95％)的值以提供更具选择性和排他性的分析，或低于80％(例如，约70％或约75％)以提供更具包容性的分析。例如，如果在先验算法已经在步骤210中运行之后，在先前部件故障的指定时间内发生了大量(例如，二十个)事件，则在步骤214中使用pareto算法的分析可以进一步根据如本文所讨论的阈值来限制事件的数量。然而，如果在先验算法已经运行之后，只发生了较少的事件(例如，五个)，则当在步骤218中将这些事件生成为建议时，可以不排除这些事件中的任何一个。可以通过例如使用输入设备124在pareto算法中预定和设置事件的最大数量。例如，如果在先验算法之后应用pareto算法，并且pareto算法包括了限制为五个事件的最大限制，则在步骤218可以生成不超过五个建议。当存在对事件的最大限制时，这些事件可以是如上所讨论的最贵的事件。由pareto算法允许的事件的最大数量可以多于或少于五，这取决于以下因素，包括但不限于正在维修的机器，以及可用于提供维修的技术人员的数目。

由于机器复杂性，当一个看似不相关的部件正在维修时，可能有许多其他部件需要维修。在维修机器时，专业技术人员可以尝试应用可以描述为本领域中的专业知识的领域知识专业技能，来预测不同的部件是否处于故障边缘，并且是否应当也进行修理或更换。然而，使用这样的领域知识专业技能可能导致对太多可能相关的部件进行维修。包括在步骤214中应用pareto算法的分析可以确定在机器维修的任何单个实例期间相关联的部件的修理的优先级。该过程也可以称为值优先化。

代表各种机器部件的停机时间成本的数据(例如，作为阈值百分比值)可以存储在数据库126上，来在图3的分析期间手动地或自动地输入到pareto算法中。可使用接口120的输入设备124，或者替代地使用远程系统102的另一输入设备或与远程系统102分离但可操作地连接到远程系统102的系统的另一输入设备来输入该数据。另外，各种机器部件的停机时间成本的数据可以存储在单独的数据库或存储装置上，它们作为远程系统102的一部分的或者与远程系统102分离但可操作地连接到远程系统102的系统的一部分。

因此，使用本文所述的先验算法和pareto算法的分析可以用于利用数据挖掘来发现频繁项目集的序列。如本文所用，术语“频繁项目集”可以指代一起发生的部件故障。可以根据输入到先验算法中的定时，以及输入到pareto算法中的值优先化的阈值来确定是否可将部件故障识别为频繁项目集，如上所讨论的。

如果一个或多个相关联的事件不满足pareto算法的优先级阈值，则该过程结束，如步骤216中所示。然而，如果该一个或多个相关联的事件满足pareto算法的优先级阈值，则过程进行到步骤218，并且处理器118基于存储在数据库126内的历史修理数据生成(输出)应当维修哪些相关联的部件的建议。建议可以包括用于维修至少一个相关联的部件的一个或多个建议，其可以显示在显示器114上。在一些情况下，建议可以显示在显示器122上。在步骤218生成建议之后，该方法可以在步骤220结束。

因此，本文所述的系统和方法可以允许基于确定部件可能故障来抢先修理当前未维修的机器部件，其中基于与当前正在维修的部件的故障相关联的标识的关联性做出该确定。例如，如果当前正在进行修理的部件是热交换器密封件，并且在历史上热交换器软管在更换热交换器密封件之后的七天内故障，则用于预测机器部件的故障的所公开的系统和方法可以向技术人员或其他实体提供指示(建议)来在更换密封件时检查软管。如果软管需要修理或更换，则可以同时维修热交换器密封件和软管。

尽管图3的流程图是指“修理数据”，但是可以使用“操作数据”来应用相同的方法，如上面参考图2所讨论的。例如，图3的方法可以与操作数据130一起使用，包括但不限于发动机rpm、油压、水温、增压压力、油污染、电动机电流、液压压力，以及系统电压。如上所述，操作数据130也可以存储在数据库126中。另外，尽管算法被描述为存储在处理器118中并且可通过处理器118访问，但是在其他实施例中，任一种算法或两种算法都可以存储在现场系统100或远程系统102的其他处理单元和/或存储设备上。此外，在其他实施例中，步骤210和步骤214可以颠倒，使得在pareto算法之后应用先验算法。也就是说，方法200可以这样进行，使得首先确定一个或多个相关联的事件是否满足优先级阈值，并且如果是，则确定该一个或多个相关联的事件是否在先前部件故障的指定时间内发生。这种操作方法可以在基于先验算法的时间限制过滤出另外的相关联的修理之前，从可能的建议中滤出小成本修理事件。因此，先验算法和pareto算法可不必相互依赖。

图4描绘了示出了输入并存储在图1的系统10的数据库126内的修理数据的示例性集合的示例性图表400。“前项”涉及给定(第一)部件的先前事件(例如，故障)的修理数据。“后项”是指先前事件之后的事件(相关联的事件)的修理数据，该事件根据本文所述的系统和方法确定为与先前事件相关联。也就是说，后项可以涉及与第一部件不同的相关联的(第二)部件。“标识号”列可以包括给定部件、子系统或系统的号码，诸如零件号和/或型号。

“置信度(％)”列指示前项和后项是相关事件的置信度。可以通过应用步骤208、步骤210和/或步骤214的分析来统计地得出置信度百分比，如关于图3所述的。例如，在本发明的步骤210中应用的先验算法可以用于确定置信度百分比。对于给定的前项事件，先验算法可以使用存储在数据库126内的数据来计算后项也将在由先验算法指定的时间限制内发生的可能性，其中可能性可以表示为百分比。例如，图4示出了当维修冷却器/热交换器密封件时，则也应对冷却器/热交换器软管进行维修的可能性为100.000％。尽管图4涉及描绘了修理数据，但是图表还可以描绘关于图2示出和讨论的类型的“操作数据”。

图5描绘了示出了基于存储在图1的系统10的数据库内的数据的建议的示例性集合的示例性图表500。建议的图表500是示出了哪些事件是相关的并应该由技术人员解决的检查列表。图表500可以包括描述建议的描述列，该建议可以包括建议对相关联的(即，第二)部件进行抢先修理。例如，如果在历史上修理冷却器/热交换器密封件时，经常接着对冷却器/热交换器软管进行修理，则可以生成具有以下描述的建议：在历史上，冷却器/热交换器密封件的修理事件之后经常是冷却器/热交换器软管的修理事件。该描述向技术人员通知了在维修冷却器/热交换器密封件的同时要维修冷却器/热交换器软管。另外的可能描述在图5中示出，并且还可以根据正在维修的部件包括各种其他描述。

如图5中所示，诸如图表500的单个图表可以包括针对各种机器部件的建议。在一些情况下，可以基于维修单个机器部件来生成提供建议的建议图表。除了图5中所示的“描述”列之外，关于当前正在维修的指定机器部件，图表500可以包括指定了部件序列号、维修日期、型号代码和/或制造商的另外的列。建议的图表500可以在现场系统100中访问。例如，显示器114可以显示图表500。替代地，图1中未示出的另一显示器可以用于显示图表500。

本领域中的技术人员将理解，与本发明一致的系统和方法的全部或部分可以存储在其他计算机可读介质上或从其读取。参考图1，系统10可以包括其上存储有计算机可读机器指令的计算机可读介质，当由处理器118执行时，该指令可以使处理器118执行本文所公开的包括预测机器中的故障的方法的方法，以及其他任务。示例性计算机可读介质可包括辅助存储设备，如硬盘、软盘和cd-rom；或其他形式的计算机可读存储器，诸如只读存储器(rom)或随机存取存储器(ram)。这样的计算机可读介质可以由系统10的一个或多个部件来实施，诸如处理器118、数据库126、接口112、接口120、机器106、服务器系统或这些和其他部件的组合。

工业实用性

尽管对包括卡车、液压挖掘机、履带式拖拉机和轮式装载机的机器进行了描述，但是本发明的系统和方法可以应用于依赖机器设备的其他工业。例如，除了汽车工业之外，航空公司或航运业可以应用所述的系统和方法，并且重型设备制造商寻求该系统和方法来向寻求使非计划机器停机时间最小化的客户提供数据利用服务。

用于预测机器部件的相关联的故障的所公开的系统和方法是一种由修理数据或操作数据触发的预测工具，其可用于可靠地抢先维修相关联的部件的故障。该系统和方法可以利用和挖掘大量通常跨越数月或数年的历史数据，以便在维修机器部件时探索到模式和关系。每当检查、修理、更换或以其他方式维修机器部件时，该系统和方法还可以提供指定的、可操作的建议。

另外，因为可以预测某些相关联的部件的故障，通过使用本文所公开的系统和方法，可以以成本有效的方式维持用于修理和更换的零件的库存。例如，如果系统确定在入口排气歧管管故障和入口排气歧管波纹管故障之间存在联系，则可以针对这两种情况保持库存，使得可以将它们一次性解决。

因此，用于预测机器部件的相关联的故障的所公开的系统和方法可以通过抢先维修相关联的部件的故障来使用于维修机器及其部件、子系统和系统的非计划的和昂贵的停机时间最小化。本文所述的系统和方法特别可用于以建议的形式提供可操作的情报，来抢先维修总是对专家技术人员而言太复杂而不能准确诊断的机器中的部件的相关联的故障，特别是当相关联的部件可能不是在逻辑上连接在给定机器内时。

虽然本文所述的系统和方法涉及基于对一个部件的修理来预测另一个部件的故障，从而确定机器部件之间的故障模式，但是其也可以用于基于对机器的子系统或系统的修理，从而确定在其他机器子系统或系统之间的故障模式，其中子系统和系统可以包括多个部件。

对于本领域中的技术人员显而易见的是，可以对用于预测机器部件的相关联的故障的所公开的系统和方法做出各种修改和变化。在考虑本发明的说明书和实践后，本发明的其他实施例对于本领域中的技术人员将是显而易见的。因此，说明书和示例仅被认为是示例性的，并且本发明的真实范围由所附权利要求书及其等价物指示。