[发明专利]部件的战略部署的方法和系统

说明书

提供了用于优化制造过程的方法和系统。例如，提供了一种用于优化新零件的制造过程的方法。该方法包括由配置为驱动制造过程的系统执行一组制造。该方法包括接收与一个或多个现场零件相关联的数据。该方法进一步包括生成与一个或多个现场零件相关联的第一模型，并基于第一模型更新与新零件相关联的第二模型。该方法进一步包括根据更新的第二模型制造新零件。

技术领域

本公开大体涉及工业资产及其部件的制造，部署和管理。更具体地，本公开涉及用于战略部署资产和/或其部件的方法和系统。

背景技术

新推出的产品的典型生命周期收益曲线可能表现出三个不同的阶段。第一阶段是最早的阶段，通常包括客户在采用和评估产品时的早期现场经验，并且产品制造商会收集有关产品现场使用的商业和技术方面的数据。在第一阶段，制造商的收益通常为负数，因为制造和部署产品的成本可能会超过来自早期采用客户的收入。

第二阶段通常开始于收益变为正数，包括一个高增长阶段，在该阶段该产品已被许多客户所采用，并且收益快速增长。在第三阶段，通常会观察到收益处于稳定状态，这表明该产品已达到其最大的市场潜力。

从制造商的角度来看，典型的制造过程的目标之一就是为客户提供价值。这样，零件通常被设计为提供可能的最大耐久性，并且相应地优化典型的制造过程。但是，典型的制造过程缺乏可以使人们在不影响耐久性或平衡整个给定企业的流程的情况下有利地改变收益曲线的技术基础设施。换句话说，当前的制造过程并不旨在优化制造成本和零件性能。

发明内容

本文特定的实施例帮助解决或减轻上述问题以及本领域中已知的其他问题。鉴于本公开可实现的实施例允许资产组中的部件的战略部署。

例如，一个实施例可以提供在现场操作中已部署的资产/零件/部件的预测寿命的模型；该模型可用于提供对新制作的模型的更新，即对所制造的资产/零件/部件的模型的更新。更新可以基于一个或多个数字数据流。然后，可以利用更新的新制作的模型，基于新制作零件的制造数据，路线结构，降额和环境条件来驱动制造过程。在示例性实施中，前述两个模型可以是基于物理的，基于机器学习的，基于人工智能的或其组合。

另一个实施例提供一种用于优化新零件的制造过程的方法。该方法包括由配置为驱动制造过程的系统来执行一组制造功能。该方法包括接收与现场零件相关的数据，并生成现场零件耐久性的模型。在一些实施中，现场零件的耐久性的模型可以是基于物理的，基于机器学习的，基于人工智能的或其组合。该方法进一步包括基于现场零件的耐久性的模型更新新零件的模型。在使用机器学习和/或人工智能的某些实施中，新零件的模型可以实时更新。

另一个实施例提供一种用于优化新零件的制造过程的系统。该系统包括处理器和存储器(memory)，该存储器包括指令，当指令被处理器执行时，使处理器执行某些操作。这些操作可以包括接收与现场零件相关的数据，并根据该数据生成现场零件的耐久性的模型。这些操作进一步可以包括根据现场零件的耐久性的模型更新新零件的模型。在一些实施中，现场零件的耐久性的模型可以是基于物理的，基于机器学习的，基于人工智能的或其组合。在使用机器学习和/或人工智能的某些实施中，新零件的模型可以实时更新。

下面参考附图描述各种实施例的附加特征，操作模式，优点和其他方面。注意，本公开不限于本文描述的特定实施例。这些实施例仅出于说明性目的。基于所提供的教导，其他实施例或本公开的实施例的修改对于相关领域的技术人员将是显而易见的。

附图说明

示例性实施例可以采取各种部件和部件的布置的形式。在附图中示出了示例性实施例，在全部附图中，相似的附图标记可以指示各个附图中的对应或相似部分。

此外，附图仅用于说明实施例的目的，并且不应被解释为限制本公开。根据以下附图的启用描述，本公开的新颖性方面对于相关领域的普通技术人员将变得显而易见。

图1示出根据实施例的过程。