【技術分野】

【0001】

【背景技術】

【0002】

【0003】

【0004】

【0005】

【発明の概要】

そのような手法は、製造者及び／又は消費者にとって満足のいくものではない。 例えば、電気デバイスが電気自動車において用いられるとき、いずれの車両において電気デバイスが重大な損傷レベルに達したのかを特定することが重要である。製造者は、顧客に警告し、損傷を受けそうな電気デバイスの制御／交換を提案することができる。このサービスは、車両群に対し、より良い品質の制御を与える。 維持コストが高くアクセスが制限されている洋上風車群についても同じことが生じる。

本発明は、容易に入手可能であり、かつ製造者及び／又は顧客にとって重要な特徴である製品のコストを増大させないデータに基づいて電気デバイスの損傷レベルを推定することを目的とする。 このために、本発明は、電気デバイスの損傷レベルを推定する方法であって、
前記損傷レベル推定が行われる前記電気デバイスに関連する動作サイクルのヒストグラムを形成するステップと、
前記形成されたヒストグラムに最も近い、ヒストグラムの集合体のうちのヒストグラム又はヒストグラムの結合を決定するために、前記形成されたヒストグラムを、前記ヒストグラムの集合体のうちの前記ヒストグラムと、又は前記ヒストグラムの集合体のうちの前記ヒストグラムの結合と比較するステップであって、前記ヒストグラムの集合体のうちの各ヒストグラムは損傷レベルに関連付けられている、ステップと、
前記最も近いヒストグラムの前記損傷レベルから、又は前記最も近いヒストグラムの結合のうちの前記ヒストグラムの前記損傷レベルから、前記電気デバイスの前記損傷レベルの推定値を決定するステップと、
を含むことを特徴とする、方法に関する。 本発明はまた、電気デバイスの損傷レベルを推定するデバイスであって、
前記損傷レベル推定が行われる前記電気デバイスに関連する動作サイクルのヒストグラムを形成する手段と、
前記形成されたヒストグラムに最も近い、ヒストグラムの集合体のうちのヒストグラム又はヒストグラムの結合を決定するために、前記形成されたヒストグラムを、前記ヒストグラムの集合体のうちの前記ヒストグラムと、又は前記ヒストグラムの集合体のうちの前記ヒストグラムの結合と比較する手段であって、前記ヒストグラムの集合体のうちの各ヒストグラムは損傷レベルに関連付けられている、手段と、
前記最も近いヒストグラムの前記損傷レベルから、又は前記最も近いヒストグラムの結合のうちの前記ヒストグラムの前記損傷レベルから、前記電気デバイスの前記損傷レベルの推定値を決定する手段と、
を備えることを特徴とする、デバイスに関する。 本発明はまた、電気デバイスの損傷レベルを推定するシステムであって、
前記損傷レベル推定が行われる前記電気デバイスに関連する動作サイクルのヒストグラムを形成する手段と、
前記形成されたヒストグラムに最も近い、ヒストグラムの集合体のうちのヒストグラム又はヒストグラムの結合を決定するために、前記形成されたヒストグラムを、前記ヒストグラムの集合体のうちの前記ヒストグラムと、又は前記ヒストグラムの集合体のうちの前記ヒストグラムの結合と比較する手段であって、前記ヒストグラムの集合体のうちの各ヒストグラムは、損傷レベルに関連付けられている、手段と、
前記最も近いヒストグラムの前記損傷レベルから、又は前記最も近いヒストグラムの結合のうちの前記ヒストグラムの前記損傷レベルから、前記電気デバイスの前記損傷レベルの推定値を決定する手段と、
を備えることを特徴とする、システムに関する。 このため、容易に入手可能であり、かつ電気デバイスのコストを大きく増大させず、かつ電気デバイスの製造者及び／又は顧客に満足を与えるデータに基づいて電気デバイスの損傷レベルを推定することが可能である。 特定の特徴によれば、前記ヒストグラムの集合体は、前記電気デバイスと同じ機能を有する他の電気デバイスのサイクル及び損傷レベルの測定値から得られたヒストグラムのデータベースから生成される。 このため、同様のデバイスの現実世界の動作中又は動作後に収集されるデータからヒストグラムの集合体を生成することが可能である。 特定の特徴によれば、前記ヒストグラムの集合体の前記形成された１つ以上のヒストグラムはビン（棒グラフの棒）によって定義され、当該ビンは、値、温度範囲、速度範囲、加速度範囲、及び、ビン内の基本サイクルの数を表す。 このため、ヒストグラムビンは、電気デバイスの応力を示すいくつかのパラメーターの組合せを表すことができる。 特定の特徴によれば、前記ヒストグラムの集合体の前記形成された１つ以上のヒストグラムは、ビンごとに、前記基本サイクルの数を、前記ビン内の前記基本サイクルの数の和で除算することによって正規化される。 このため、ヒストグラム間の比較が容易になる。 特定の特徴によれば、前記形成されたヒストグラムを、ヒストグラムの集合体のうちの複数のヒストグラムと、又は、前記ヒストグラムの集合体のうちの複数のヒストグラムからなる複数の結合（combinations）と比較するステップは、二次距離との比較によって行われる。 このため、形成されたヒストグラムと、ヒストグラムの集合体のうちの複数のヒストグラム、又は、ヒストグラムの集合体のうちの複数のヒストグラムからなる複数の結合との間の類似性が、重み付けされた方式で評価される。 特定の特徴によれば、前記方法は、前記損傷レベルの前記決定された推定値を通知する更なるステップを含む。 このため、デバイスのユーザーに、健全性状態を警告し、メンテナンスのための早期の警告を発行することが可能である。 特定の特徴によれば、前記方法は、前記損傷レベルを寿命の期待値に変換し、前記残りの寿命の期待値を前記ユーザーに通知する更なるステップを含む。 このため、デバイスのユーザーに、推定故障時点を警告することが可能である。 特定の特徴によれば、ヒストグラムの複数の結合は、ヒストグラムの線形結合である。 このため、ヒストグラムの結合の計算が容易にされる。 特定の特徴によれば、前記方法は損傷評価装置によって実行され、前記ヒストグラムの集合体は、前記損傷評価装置の前記メモリに記憶されるか、電気通信ネットワークを通じてサーバーから得られる。 このため、損傷評価装置は、必要とされる場合、損傷レベルを自律的に計算することができる。 特定の特徴によれば、前記動作サイクルのヒストグラムを形成するステップは損傷評価装置によって行われ、前記方法は、前記形成されたヒストグラムをサーバーに転送する更なるステップを含み、前記サーバーは、前記比較するステップと、前記決定するステップと、前記サーバーによって実行されている前記電気デバイスの前記損傷レベルの前記推定値を転送する更なるステップとを実行する。 このため、デバイスにおける計算量を減少させ、デバイスとサーバーとの間の送信データを最適化することが可能である。 特定の特徴によれば、前記方法は、前記サーバーによって実行される、
前記電気デバイスと同じ機能を有する他の電気デバイスのサイクルの測定値及び損傷レベルの測定値から得られたヒストグラムを受信する更なるステップと、
前記受信したヒストグラムを用いて前記ヒストグラムのデータベースを更新する更なるステップと、
を含む。 このため、形成されたヒストグラムの損傷レベルを計算するのに用いられるヒストグラムの集合体を、電気デバイスの寿命中に更新することができる。 本発明の特性は、例示の実施形態の以下の説明を読むことから更に明らかになり、その説明は添付の図面を参照しながら行われる。

【図面の簡単な説明】

【0035】

【図1】本発明による電気デバイスの損傷評価を決定するためのシステムのアーキテクチャの例を表す図である。

【図2】本発明による損傷評価装置のアーキテクチャの例を表す図である。

【図3】本発明を実施することができるサーバーの例を表す図である。

【図4】本発明による電気デバイスの損傷評価レベルを決定するためのアルゴリズムの第１の例を表す図である。

【図5A】本発明による電気デバイスの損傷評価レベルを決定するためのアルゴリズムの第２の例を表す図である。

【図5B】本発明による電気デバイスの損傷評価レベルを決定するためのアルゴリズムの第２の例を表す図である。

【図6A】本発明による電気デバイスの損傷評価レベルを決定するためのアルゴリズムの第３の例を表す図である。

【図6B】本発明による電気デバイスの損傷評価レベルを決定するためのアルゴリズムの第３の例を表す図である。

【図7A】本発明による電気デバイスの損傷評価レベルを決定するためのアルゴリズムの第４の例を表す図である。

【図7B】本発明による電気デバイスの損傷評価レベルを決定するためのアルゴリズムの第４の例を表す図である。

【発明を実施するための形態】

図１は、本発明による電気デバイスの損傷評価を決定するためのシステムのアーキテクチャの例を表す。

電気デバイスの損傷評価を決定するためのシステムは、例えば、電気自動車において実施される。

損傷評価装置１０は、少なくとも１つの電気デバイスの損傷レベルを決定するために用いられる。

図１の例において、損傷評価装置１０は、パワーモジュール１５ａ、電解コンデンサ１５ｂ、電気モータ１５ｃ及び電池１５ｄの損傷レベルを決定するために用いられる。

電気デバイスの損傷レベルを決定するためのシステムは、第２の実現モード、第３の実現モード及び第４の実現モードによれば、サーバーＳｅｒｖを備えることができる。

以下で開示されるように、サーバーＳｅｒｖは、本発明を部分的に実行することができる。

図２は、本発明による損傷評価装置のアーキテクチャの例を表す。

損傷評価装置１０は、例えば、バス２０１によって共に接続されたコンポーネントに基づくアーキテクチャと、図４又は図５Ａ又は図６Ａ又は図７Ａに開示されているようなプログラムによって制御されるプロセッサ２００とを有する。

本発明の第２の実現モード、第３の実現モード及び第４の実現モードによれば、バス２０１は、プロセッサ２００を、リードオンリーメモリＲＯＭ２０２、ランダムアクセスメモリＲＡＭ２０３、入出力Ｉ／Ｏ ＩＦ インターフェース２０５、ディスプレイ２０７及びネットワークインターフェース２０６にリンクさせる。

メモリ２０３は、図４又は図５Ａ又は図６Ａ又は図７Ａに開示されているようなアルゴリズムに関連するプログラムの変数及び命令を受信するように意図されたレジスタを含む。

プロセッサ２００は、入出力Ｉ／Ｏ ＩＦ ２０５を通じて、例えば、検知された温度、加速度及び／又は速度の測定値を受信する。

プロセッサ２００は、少なくとも１つの電気デバイスの損傷レベルを通知するようにディスプレイ２０７に命令することもできるし、又は電気デバイスの寿命予測を通知するようにディスプレイ２０７に命令することもできる。

ネットワークインターフェース２０６は、データを転送及び／又は受信するように車両のメンテナンス中に用いられる有線接続とすることもできるし、又は無線インターフェースとすることもできる。

リードオンリーメモリ、又は場合によっては、フラッシュメモリ２０２は、図４又は図５Ａ又は図６Ａ又は図７Ａに開示されているような、損傷評価装置１０が電源オンされているときの、ランダムアクセスメモリ２０３に対するアルゴリズムに関連するプログラムの命令を含む。

損傷評価装置１０は、ＰＣ（パーソナルコンピュータ）、ＤＳＰ（デジタル信号プロセッサ）若しくはマイクロコントローラ等のプログラム可能なコンピューティングマシンによって、１組の命令若しくはプログラムの実行によってソフトウェアにおいて実施することができるか、又はそうでない場合、ＦＰＧＡ（フィールドプログラマブルゲートアレイ）又はＡＳＩＣ（特定用途向け集積回路）等のマシン又は専用コンポーネントによってハードウェアにおいて実施することができる。

換言すれば、損傷評価装置１０は、図４又は図５Ａ又は図６Ａ又は図７Ａに開示されているようなアルゴリズムに関連したプログラムを損傷評価装置１０に実行させる、回路、又は回路を含むデバイスを備える。

図３は、本発明を実施することができるサーバーの例を表す。

サーバーＳｅｒｖは、例えば、バス３０１によって共に接続されたコンポーネントに基づくアーキテクチャと、図５Ｂ又は図６Ｂ又は図７Ｂに開示されているようなプログラムによって制御されるプロセッサ３００とを有する。

バス３０１は、プロセッサ３００を、リードオンリーメモリＲＯＭ３０２、ランダムアクセスメモリＲＡＭ３０３及びネットワークインターフェース３０６にリンクさせる。

メモリ３０３は、図５Ｂ又は図６Ｂ又は図７Ｂに開示されているようなアルゴリズムに関連するプログラムの変数及び命令を受信するように意図されたレジスタを含む。

ネットワークインターフェース３０６は、データを転送及び／又は受信するように車両のメンテナンス中に用いられる有線接続とすることもできるし、又は無線インターフェースとすることもできる。

リードオンリーメモリ、又は場合によっては、フラッシュメモリ３０２は、図５Ｂ又は図６Ｂ又は図７Ｂに開示されているような、サーバーＳｅｒｖが電源オンされているときの、ランダムアクセスメモリ３０３に対するアルゴリズムに関連するプログラムの命令を含む。

サーバーＳｅｒｖは、ＰＣ（パーソナルコンピュータ）、ＤＳＰ（デジタル信号プロセッサ）若しくはマイクロコントローラ等のプログラム可能なコンピューティングマシンによって、１組の命令若しくはプログラムの実行によってソフトウェアにおいて実施することができるか、又はそうでない場合、ＦＰＧＡ（フィールドプログラマブルゲートアレイ）又はＡＳＩＣ（特定用途向け集積回路）等のマシン又は専用コンポーネントによってハードウェアにおいて実施することができる。

換言すれば、サーバーＳｅｒｖは、図５Ｂ又は図６Ｂ又は図７Ｂに開示されているようなアルゴリズムに関連したプログラムをサーバーＳｅｒｖに実行させる、回路、又は回路を含むデバイスを備える。

図４は、本発明による電気デバイスの損傷評価レベルを決定するためのアルゴリズムの第１の例を表す。

より厳密には、本アルゴリズムは、損傷評価装置１０のプロセッサ２００によって実行される。

ステップＳ４００において、プロセッサ２００は、損傷レベル推定が実行される電気デバイスに関係するサイクルを得る。

サイクルは、例えば、電気デバイスの機能中の所与の温度範囲内の電気デバイス動作温度の変化である。

サイクルは、電気デバイスの機能中の速度及び／又は加速度の所与の範囲内の電気デバイスの動作とすることができる。

次のステップＳ４０１において、プロセッサ２００は、得られたサイクルをヒストグラムの形態でメモリに記憶し、及び／又は以前に得られたサイクルから既に形成されたヒストグラムを更新する。

プロセッサ２００は、電気デバイスの応力履歴を表すヒストグラムを構築する。

いくつかのタイプのヒストグラムを構築することができ、ヒストグラムはビンによって定義され、当該ビンは、例えば、値、温度範囲、速度範囲、加速度範囲、及び、このビン内の基本サイクルの数を表す。

例えば、ヒストグラムビンは、温度の平均及び温度変動のような対を表す。温度は、センサによって測定することができるか、又は電圧及び強度入力信号を電気デバイスにおける温度変動に変換する熱モデルから計算することができる。

例えば、電気デバイスが電気自動車のためのパワーモジュールであるとき、各ヒストグラムビンは、速度／加速度の対に対応し、各ビンによって記憶される値は、このモードのための基本距離の数である。

例えば、電気デバイスが洋上風車であるとき、各ヒストグラムビンは出力電力に対応し、各ビンによって記憶される値は、基本期間の数、例えば、このモードにおいて費やされる１秒である。

ヒストグラムは１に正規化することができ、すなわち、各ビンの値が、全てのビンの和で除算される。この場合、スケーリング係数は、ヒストグラム情報の集合体の一部として記憶される。

ステップＳ４０２において、プロセッサ２００は、電気デバイスの損傷を評価する時点であるか否かをチェックする。例えば、電気デバイスの損傷はメンテナンス動作中に評価されるか、又は電気デバイスの損傷は、周期的に、例えば毎日若しくは毎週評価されるか、又は電気デバイスの損傷は、電気デバイスを備えるシステムが電源オンにされる度に評価される。

電気デバイスの損傷を評価する時点である場合、プロセッサ２００はステップＳ４０３に移る。そうでない場合、プロセッサ２００はステップＳ４００に戻る。

次のステップＳ４０３において、プロセッサ２００は、メモリからヒストグラムの集合体及び対応する損傷を得る。正規化されたヒストグラムの集合体の場合、スケーリング係数も得られる。

ヒストグラムの集合体は、ヒストグラムのデータベースから生成される。ヒストグラムのデータベースは、いくつかの他の同様の電気デバイスにおけるサイクルの複数の測定値及び損傷の複数の測定値から得ることができる。ヒストグラムの集合体は、製造時に損傷評価装置に記憶され、及び／又は電気デバイスのメンテナンス中に更新される。

例えば、損傷が電力サイクルの数に関係するとき、デバイスが故障すると、電力サイクル、温度、温度変動定義に従って、応力のヒストグラムが、新たに観測されたプロファイルとしてデータベースに記憶される。ヒストグラムは、まず、１に正規化される場合があり、各ビン値は、全てのビンの和で除算される。これは、値１がここで、このプロファイルのための故障閾値を表すことを伴う。

メンテナンス動作が実行されるとき、損傷の尺度は、例えば、試験の特定の出力を測定することによって作成することができ、新たに観測されたプロファイルとして、又は既存のプロファイルを置き換えることによって、データベースにヒストグラムと共に記憶することができる。

データベース内のプロファイルの数Ｎが大きくなりすぎたとき、効用関数を最小化する複雑度を制限するために、観測されたプロファイルの剪定が必要である場合がある。

換言すれば、プロセッサ２００は、Ｎ個のデータベースプロファイルからＬ個の基準プロファイルの集合体を抽出する。ここで、Ｎは、メンテナンス中に更新されるデバイス群からのフィードバックに従って時間と共に増大する可能性があり、ここで、Ｌ個の基準プロファイルは、必ずしもＮ個のプロファイルの中からＬ個を選択したものではない。これは、ベクトル量子化のトレーニング段階を定義し、ここで、トレーニングセットは、観測されるプロファイルのＮ個のヒストグラムの集合であり、Ｌ個の重心は、基準プロファイルのヒストグラムであり、距離は、損傷評価において用いられる効用関数とすることができる。

例えば、ヒストグラムの集合体を構築するために、観測されたプロファイルが、ランダムに、Ｎ個のデータベースプロファイルから選ばれる。

例えば、基準プロファイルのヒストグラムは、効用関数に従って選ばれた観測プロファイルに最も近いものとして得られる。

例えば、基準プロファイルのヒストグラムは、２つのプロファイルのヒストグラムの加重平均を適用することによって、ヒストグラムの集合体に移される。

ヒストグラムの集合体を構築するための以前のステップは、所与の回数繰り返される。

以下の損傷レベル推定のステップを容易にするために集合体の抽出を実行することもできる。

例えば、集合体は、線形に独立したヒストグラムの基礎を構築するように選択することができ、ここで、別の観測されたベクトルは、基礎におけるヒストグラムの線形結合として容易に表すことができる。

プロセッサ２００は、ヒストグラムの集合体のうちの各ヒストグラムについて、ヒストグラムの集合体を、ステップＳ４０１において形成されたヒストグラムに最も近いものとみなすことによって、損傷値を計算する。

次のステップＳ４０４において、プロセッサ２００は、電気デバイスの損傷レベル推定を決定する。

プロセッサ２００は、ステップＳ４０１において記憶されたヒストグラムを、メモリ２０３に記憶されたヒストグラムと比較する。

一般的な観点から、プロセッサ２００は、二次距離との比較を行う。このため、効用関数Ｄ（ｐ_ｉ，ｐ_ｏｂ，｛ａ_ｉ｝∈Ω）の最小化として損傷を推定するための一般的な手法を定義することができる。ここで、Ωは最小化が制限されるパラメーターの集合｛ａ_ｉ｝の目標集合である。例えば、Ωは、サイズＬの実数値ベクトルの全体集合、又は１に等しい１つを除く全てがヌルエントリであるサイズＬのＬ個のベクトルの集合、又は最も関連するＭ個のプロファイルの組合せのためのＭ個を除く全てがヌルエントリであるサイズＬのベクトルの集合である。効用関数Ｄ（ｐ_ｉ，ｐ_ｏｂ，｛ａ_ｉ｝∈Ω）は、例えば、Kullback「Information theory and statistics」John Wiley and Sons, NY, 1959の論文に開示されているように、二次距離、最大距離、又は変更されたカルバック−ライブラーダイバージェンスである。

効用関数を最小化するためのアルゴリズムは、可能な場合、解の集合Ωの中からのしらみつぶし探索とすることもできるし、又は解の集合Ωからのランダム探索とすることもできるし、又は効用関数が二次距離であり、かつΩがサイズＬの実数値ベクトルの全体集合であるとき、ムーア−ペンローズの擬似逆行列等のアルゴリズムとすることもできる。

ムーア−ペンローズの擬似逆行列アルゴリズムは、Moore, E. H. (1920)「On the reciprocal of the general algebraic matrix」Bulletin of the American Mathematical Society 26 (9): 394-395. doi:10.1090/S0002-9904-1920-03322-7の論文に開示されている。

第１の特定の実現モードによれば、プロセッサ２００は、ヒストグラムの形態の得られた応力履歴を、ヒストグラムの形態の基準プロファイルの集合体と比較する。応力履歴は、ヒストグラムＨ_ｏｂ＝（Ｈ_ｏｂ（１），．．．，Ｈ_ｏｂ（Ｋ））であり、ここで、Ｋは、多次元とすることができるヒストグラムのビンの数であり、各ビンは、値のタプル、例えば、対（温度，温度変動）に関連付けられている。プロファイル集合体のうちの各ヒストグラムＨ_ｉは、Ｈ_ｏｂと同じ形態をとる。

プロセッサ２００は、既に実行されていない場合、応力履歴を表すヒストグラムを正規化することができる。ここで、和
が計算され、
となるように正規化ヒストグラムｐ_ｏｂを定義することを可能にする。

プロセッサ２００は、必要な場合、正規化されたヒストグラムｐ_ｉの集合体のＬ個のヒストグラムＨ_ｉの全てについて同じ正規化を行うことができる。この場合、スケーリング係数は、ヒストグラム情報の集合体の一部として記憶される。

プロセッサ２００は、ヒストグラムの集合体に属するＨ_ｉと、ステップＳ４０１においてメモリに記憶されたＨ_ｏｂとの間の類似度を特徴付けることを可能にする距離Ｄ（ｐ_ｏｂ，ｐ_ｉ）を計算する。これは、Ｈ_ｉ＝Ｈ_ｏｂである場合、ヌルである。

例えば、プロセッサ２００は、最小化される以下の効用関数を用いる。
二次距離である
最大距離である
変更されたカルバック−ライブラーダイバージェンスであり、εは計算を安定化させるパラメーターである、

第２の特定の実現モードによれば、ヒストグラムを含むプロファイル集合体は、応力履歴の得られたヒストグラムに近づけるために結合される。

好ましくは、結合は線形であり、すなわち、プロセッサ２００は、距離Ｄ（）が最小化されるようにパラメーターの集合ａ_１，．．，ａ_Ｌを得る。例えば、プロセッサ２００は、以下の効用関数を、最小化されるように定義する。

これは、Ｐ（ｋ，ｉ）＝ｐ_ｉ（ｋ）となるように行列Ｐを定義し、Ａ（ｉ）＝ａ_ｉとなるようにベクトルＡを定義することによって得ることができる。このため、比較は、
を最小化するＡを得ることによって行われる。ここで、
は、ムーア−ペンローズの擬似逆行列計算を用いることによって得ることができる。

プロセッサ２００は、比較結果から損傷を判断する。

一般的な観点から、プロセッサ２００は、
によって、最適化関数の後に得られたパラメーターの集合
から損傷を推定する。

第１の特定の実現モードによれば、プロセッサ２００は、効用関数Ｄ（ｐ_ｏｂ，ｐ_ｉ）を最小化するものとしてインデックス
を決定し、これは、得られた応力履歴に関連付けられた損傷推定
を得ることを可能にする。ここで、ｄ_ｉは、基準プロファイルｉに関連付けられた損傷値である。

ここで、推定された損傷は、直接、電気デバイスの総損傷であるか、又は以前の総損傷推定に蓄積されることに留意されたい。

第２の特定の実現モードによれば、パラメーター
を与える
が得られると、プロセッサ２００は、
を用いることによって損傷推定を計算する。

次のステップＳ４０５において、プロセッサ２００は、少なくとも１つの電気デバイスの損傷情報を通知するようにディスプレイ２０７に命令する。

特定の実現モードによれば、プロセッサ２００は、少なくとも１つの電気デバイスの損傷レベルを通知するようにディスプレイ２０７に命令する。

別の特定の実現モードによれば、プロセッサ２００は、少なくとも１つの電気デバイスの故障の前に残りの寿命の推定を通知するようにディスプレイ２０７に命令する。故障前の残りの寿命はプロセッサ２００によって判断される。例えば、プロセッサ２００は、経時的な総損傷レベル展開の直線外挿を用い、ここで、故障前の残りの寿命は、総損傷レベルの外挿曲線と損傷レベル閾値との間の交点を計算することによって得られる。

図５Ａ及び図５Ｂは、本発明による、電気デバイスの損傷レベルを決定するアルゴリズムの第２の例を表す。

より詳細には、図５Ａのアルゴリズムは、損傷評価装置１０のプロセッサ２００によって実行される。

ステップＳ５００において、プロセッサ２００は、損傷レベル推定が行われる電気デバイスに関するサイクルを得る。

サイクルは、例えば、電気デバイスの機能中の所与の温度範囲内の電気デバイス動作温度の変化である。

サイクルは、電気デバイスの機能中の速度及び／又は加速度の所与の範囲内の電気デバイスの動作とすることができる。

次のステップＳ５０１において、プロセッサ２００は、得られたサイクルをヒストグラムの形態でメモリに記憶し、及び／又は既に以前に得られたサイクルから形成されたヒストグラムを更新する。

プロセッサ２００は、電気デバイスの応力履歴を表すヒストグラムを構築する。

いくつかのタイプのヒストグラムを構築することができ、ヒストグラムはビンによって定義され、当該ビンは、値、温度範囲、速度範囲、加速度範囲、及びこのビン内の基本サイクルの数を表す。

例えば、ヒストグラムビンは、温度の平均及び温度変動のような対を表す。温度は、センサによって測定することができるか、又は損失を電気デバイスにおける温度変動に変換する熱モデルから計算することができる。

例えば、電気デバイスが電気自動車のためのパワーモジュールであるとき、各ヒストグラムビンは、速度／加速度の対に対応し、各ビンによって記憶される値は、このモードのための基本距離の数である。

例えば、電気デバイスが洋上風車であるとき、各ヒストグラムビンは出力電力に対応し、各ビンによって記憶される値は、基本期間の数、例えば、このモードにおいて費やされる１秒である。

ヒストグラムは１に正規化することができ、すなわち、各ビンの値が、全てのビンの和で除算される。この場合、スケーリング係数は、ヒストグラム情報の集合体の一部として記憶される。

次のステップＳ５０２において、プロセッサ２００は、電気デバイスの損傷を評価する時点であるか否かをチェックする。例えば、メンテナンス動作中に電気デバイスの損傷が評価されるか、又は電気デバイスの損傷は、周期的に、例えば毎日若しくは毎週評価されるか、又は電気デバイスの損傷は、電気デバイスを備えるシステムが電源オンにされる度に評価される。

電気デバイスの損傷を評価する時点である場合、プロセッサ２００はステップＳ５０３に移る。そうでない場合、プロセッサ２００はステップＳ５００に戻る。

ステップＳ５０３において、プロセッサ２００は、サーバーＳｅｒｖからヒストグラムの集合体又はヒストグラムの集合体に関連する情報を受信する。

ヒストグラムの集合体に関連する情報は、例えば、Ｐ（ｋ，ｉ）＝ｐ_ｉ（ｋ）となるような、ヒストグラムの集合体のうちの各ヒストグラムに関連する１つの行列Ｐと、Ａ（ｉ）＝ａ_ｉとなるようなベクトルＡである。行列Ｐは、行列Ｈの正規化後に得られる。この場合、スケーリング係数は、ヒストグラム情報の集合の一部として記憶される。

次のステップＳ５０４において、プロセッサ２００は、電気デバイスの損傷レベル推定を決定する。

プロセッサ２００は、ステップＳ５０１において記憶されたヒストグラムを、ステップＳ５０３において受信されるヒストグラムの集合体のうちの複数のヒストグラムと比較する。

一般的な観点から、プロセッサ２００は、二次距離との比較を行う。このため、効用関数Ｄ（ｐ_ｉ，ｐ_ｏｂ，｛ａ_ｉ｝∈Ω）の最小化として損傷を推定するための一般的な手法を定義することができる。ここで、Ωは最小化が制限されるパラメーターの集合｛ａ_ｉ｝の目標集合である。例えば、Ωは、サイズＬの実数値ベクトルの全体集合、又は１に等しい１つを除く全てがヌルエントリであるサイズＬのＬ個のベクトルの集合、又は最も関連するＭ個のプロファイルの組合せのためのＭ個を除く全てがヌルエントリであるサイズＬのベクトルの集合である。効用関数Ｄ（ｐ_ｉ，ｐ_ｏｂ，｛ａ_ｉ｝∈Ω）は、例えば、二次距離、最大距離、又は変更されたカルバック−ライブラーダイバージェンスである。

効用関数を最小化するためのアルゴリズムは、可能な場合、解の集合Ωの中からのしらみつぶし探索とすることもできるし、又は解の集合Ωからのランダム探索とすることもできるし、又は効用関数が二次距離であり、かつΩがサイズＬの実数値ベクトルの全体集合であるとき、ムーア−ペンローズの擬似逆行列等のアルゴリズムとすることもできる。

第１の特定の実現モードによれば、プロセッサ２００は、ヒストグラムの形態の得られた応力履歴を、ヒストグラムの形態の基準プロファイルの集合体と比較する。応力履歴は、ヒストグラムＨ_ｏｂ＝（Ｈ_ｏｂ（１），．．．，Ｈ_ｏｂ（Ｋ））であり、ここで、Ｋは、多次元とすることができるヒストグラムのビンの数であり、各ビンは、値のタプル、例えば、対（温度，温度変動）に関連付けられている。プロファイル集合体のうちの各ヒストグラムＨ_ｉは、Ｈ_ｏｂと同じ形態をとる。

プロセッサ２００は、既に実行されていない場合、応力履歴を表すヒストグラムを正規化することができる。ここで、和
が計算され、
となるように正規化ヒストグラムｐ_ｏｂを定義することを可能にする。

プロセッサ２００は、必要な場合、正規化されたヒストグラムｐ_ｉの集合体のＬ個のヒストグラムＨ_ｉの全てについて同じ正規化を行うことができる。

プロセッサ２００は、ヒストグラムの集合体に属するＨ_ｉと、ステップＳ５０１においてメモリに記憶されたＨ_ｏｂとの間の類似度を特徴付けることを可能にする距離Ｄ（ｐ_ｏｂ，ｐ_ｉ）を計算する。これは、Ｈ_ｉ＝Ｈ_ｏｂである場合、ヌルである。

例えば、プロセッサ２００は、最小化される以下の効用関数を用いる。
二次距離である
最大距離である
変更されたカルバック−ライブラーダイバージェンスであり、εは計算を安定化させるパラメーターである、

第２の特定の実現モードによれば、ヒストグラムを含むプロファイル集合体は、応力履歴の得られたヒストグラムに近づけるために結合される。

好ましくは、結合は線形であり、すなわち、プロセッサ２００は、距離Ｄ（）が最小化されるようにパラメーターの集合ａ_１，．．，ａ_Ｌを得る。例えば、プロセッサ２００は、以下の効用関数を最小化されるように定義する。

これは、Ｐ（ｋ，ｉ）＝ｐ_ｉ（ｋ）となるように行列Ｐを定義し、Ａ（ｉ）＝ａ_ｉとなるようにベクトルＡを定義することによって得ることができる。このため、比較は、
を最小化するＡを得ることによって行われる。ここで、
は、ムーア−ペンローズの擬似逆行列計算を用いることによって得ることができる。

ステップＳ５０３において、プロセッサ２００が、ヒストグラムの集合体に関連する情報を受信する場合、プロセッサ２００は、パラメーターの集合ａ_１，．．，ａ_Ｌを得ない。なぜなら、これらは既に、距離Ｄ（ｐ）が最小化されるように与えられているためである。

プロセッサ２００は、比較結果又はヒストグラムの集合体に関連する情報から損傷を判断する。

一般的な観点から、プロセッサ２００は、
によって、最適化関数の後に得られたパラメーターの集合
から損傷を推定する。

第１の特定の実現モードによれば、プロセッサ２００は、効用関数Ｄ（ｐ_ｏｂ，ｐ_ｉ）を最小化するものとしてインデックス
を決定し、これは、得られた応力履歴に関連付けられた損傷推定
を得ることを可能にする。ここで、ｄ_ｉは、基準プロファイルｉに関連付けられた損傷値である。

ここで、推定された損傷は、直接、電気デバイスの総損傷であるか、又は以前の総損傷推定に蓄積されることに留意されたい。

第２の特定の実現モードによれば、パラメーター
を与える
が得られると、プロセッサ２００は、
を用いることによって損傷推定を計算する。

次のステップＳ５０５において、プロセッサ２００は、少なくとも１つの電気デバイスの損傷情報を通知するようにディスプレイ２０７に命令する。

特定の実現モードによれば、プロセッサ２００は、少なくとも１つの電気デバイスの損傷レベルを通知するようにディスプレイ２０７に命令する。

別の特定の実現モードによれば、プロセッサ２００は、少なくとも１つの電気デバイスの故障の前に残りの寿命の推定を通知するようにディスプレイ２０７に命令する。故障前の残りの寿命はプロセッサ２００によって判断される。例えば、プロセッサ２００は、経時的な総損傷レベル展開の直線外挿を用い、ここで、故障前の残りの寿命は、総損傷レベルの外挿曲線と損傷レベル閾値との間の交点を計算することによって得られる。

より詳細には、図５Ｂのアルゴリズムは、サーバーＳｅｒｖのプロセッサ３００によって実行される。

ステップＳ５５０において、プロセッサ３００は、損傷レベル評価装置から受信されたヒストグラムを得る。ヒストグラムは、例えば、メンテナンス動作中に、及び／又は周期的に受信される。

例えば、ヒストグラムが電力サイクル数に関連しているとき、デバイスが故障すると、電力サイクル、温度、温度変動定義に従って、応力の受信したヒストグラムが、新たに観測されたプロファイルとしてサーバーＳｅｒｖのデータベースに記憶される。ヒストグラムは、まず、１に正規化される場合があり、各ビン値は、ビンの全ての和で除算される。これは、値１がここで、このプロファイルのための故障閾値を表すことを伴う。

メンテナンス動作が実行されるとき、損傷の尺度は、例えば、試験の特定の出力を測定することによって作成することができ、新たに観測されたプロファイルとして、又は既存のプロファイルを置き換えることによって、データベースにヒストグラムと共に記憶することができる。

次のステップＳ５５１において、プロセッサ３００は、受信したヒストグラムを用いてヒストグラムのデータベースを更新する。

観測されたプロファイルの数が大きくなりすぎたとき、プロセッサ３００は、ステップＳ５５２において、効用関数の最小化の複雑度を制限するために、ヒストグラムの集合体の剪定を行う。

換言すれば、プロセッサ３００は、Ｎ個の観測されたプロファイルからＬ個の基準プロファイルを抽出する。ここで、Ｎは、メンテナンス中に更新されるデバイス群からのフィードバックに従って時間と共に増大する可能性があり、ここで、Ｌ個の基準プロファイルは、必ずしもＮ個のプロファイルの中からＬ個を選択したものではない。これは、ベクトル量子化のトレーニング段階を定義し、ここで、トレーニングセットは、観測されるプロファイルのＮ個のヒストグラムの集合であり、Ｌ個の重心は、基準プロファイルのヒストグラムであり、距離は、損傷評価において用いられる効用関数とすることができる。

例えば、ヒストグラムの集合体を構築するために、観測されたプロファイルが、Ｎ個の中からランダムにデータベースから選ばれる。

例えば、基準プロファイルのヒストグラムは、効用関数に従って選ばれた観測プロファイルに最も近いものとして得られる。

例えば、基準プロファイルのヒストグラムは、２つのプロファイルのヒストグラムの加重平均を適用することによって、ヒストグラムの集合体に移される。

ヒストグラムの集合体を構築するための以前のステップは、所与の回数繰り返される。

損傷レベル推定を容易にするために集合体の抽出を実行することもできる。例えば、集合体は、線形に独立したヒストグラムの基礎を構築するように選択することができ、ここで、別の観測されたベクトルは、基礎におけるヒストグラムの線形結合として容易に表すことができる。

次のステップＳ５５３において、プロセッサ３００は、ヒストグラムの集合体の更新された評価の転送、又は少なくとも１つの損傷評価装置１０へのヒストグラムの集合体に関する情報の転送を命令する。

図６Ａ及び図６Ｂは、本発明による、電気デバイスの損傷レベルを決定するアルゴリズムの第３の例を表す。

より詳細には、図６Ａのアルゴリズムは、損傷評価装置１０のプロセッサ２００によって実行される。

ステップＳ６００において、プロセッサ２００は、損傷レベル推定が行われる電気デバイスに関するサイクルを得る。

サイクルは、例えば、電気デバイスの機能中の所与の温度範囲内の電気デバイス動作温度の変化である。

サイクルは、電気デバイスの機能中の速度及び／又は加速度の所与の範囲内の電気デバイスの動作とすることができる。

次のステップＳ６０１において、プロセッサ２００は、得られたサイクルをヒストグラムの形態でメモリに記憶し、及び／又は既に以前に得られたサイクルから形成されたヒストグラムを更新する。

プロセッサ２００は、電気デバイスの応力履歴を表すヒストグラムを構築する。

いくつかのタイプのヒストグラムを構築することができ、ヒストグラムはビンによって定義され、当該ビンは、値、温度範囲、速度範囲、加速度範囲、及びこのビン内の基本サイクルの数を表す。

例えば、ヒストグラムビンは、温度の平均及び温度変動のような対を表す。温度は、センサによって測定することができるか、又は電圧及び強度入力信号を電気デバイスにおける温度変動に変換する熱モデルから計算することができる。

例えば、電気デバイスが電気自動車のためのパワーモジュールであるとき、各ヒストグラムビンは、速度／加速度の対に対応し、各ビンによって記憶される値は、このモードのための基本距離の数である。

例えば、電気デバイスが洋上風車であるとき、各ヒストグラムビンは出力電力に対応し、各ビンによって記憶される値は、基本期間の数、例えば、このモードにおいて費やされる１秒である。

ヒストグラムは１に正規化することができ、すなわち、各ビンの値が、全てのビンの和で除算される。この場合、スケーリング係数は、ヒストグラム情報の集合体の一部として記憶される。

次のステップＳ６０２において、プロセッサ２００は、電気デバイスの損傷を評価する時点であるか否かをチェックする。例えば、メンテナンス動作中に電気デバイスの損傷が評価されるか、又は電気デバイスの損傷は、周期的に、例えば毎日若しくは毎週評価されるか、又は電気デバイスの損傷は、電気デバイスを備えるシステムが電源オンにされる度に評価される。

電気デバイスの損傷を評価する時点である場合、プロセッサ２００はステップＳ６０３に移る。そうでない場合、プロセッサ２００はステップＳ６００に戻る。

次のステップＳ６０３において、プロセッサ２００は、サーバーＳｅｒｖにヒストグラムを転送する。

次のステップＳ６０４において、プロセッサ２００は、サーバーＳｅｒｖから損傷推定レベルを受信する。

次のステップＳ６０５において、プロセッサ２００は、少なくとも１つの電気デバイスの損傷情報を通知するようにディスプレイ２０７に命令する。

特定の実現モードによれば、プロセッサ２００は、少なくとも１つの電気デバイスの損傷レベルを通知するようにディスプレイ２０７に命令する。

別の特定の実現モードによれば、プロセッサ２００は、少なくとも１つの電気デバイスの故障の前に残りの寿命の推定を通知するようにディスプレイ２０７に命令する。故障前の残りの寿命はプロセッサ２００によって判断される。例えば、プロセッサ２００は、経時的な総損傷レベル展開の直線外挿を用い、ここで、故障前の残りの寿命は、総損傷レベルの外挿曲線と損傷レベル閾値との間の交点を計算することによって得られる。

より厳密には、図６Ｂのアルゴリズムは、サーバーＳｅｒｖのプロセッサ３００によって実行される。

ステップＳ６５０において、プロセッサ３００は、メモリからヒストグラムの集合体及び対応する損傷を得る。正規化されたヒストグラムの集合体の場合、スケーリング係数も得られる。

ヒストグラムの集合体は、ヒストグラムのデータベースから生成される。ヒストグラムのデータベースは、いくつかの他の同様の電気デバイスにおけるサイクルの複数の測定値及び損傷の複数の測定値から得ることができる。ヒストグラムの集合体は、製造時に損傷評価装置に記憶され、及び／又は電気デバイスのメンテナンス中に更新される。

例えば、損傷が電力サイクルの数に関係するとき、デバイスが故障すると、電力サイクル、温度、温度変動定義に従って、応力のヒストグラムが、新たに観測されたプロファイルとしてデータベースに記憶される。ヒストグラムは、まず、１に正規化される場合があり、各ビン値は、全てのビンの和で除算される。これは、値１がここで、このプロファイルのための故障閾値を表すことを伴う。

メンテナンス動作が行われるとき、損傷の尺度は、例えば、試験の特定の出力を測定することによって作成することができ、新たに観測されたプロファイルとして、又は既存のプロファイルを置き換えることによって、データベースにヒストグラムと共に記憶することができる。

データベース内のプロファイルの数Ｎが大きくなりすぎたとき、効用関数を最小化する複雑度を制限するために、観測されたプロファイルの剪定が必要である場合がある。

換言すれば、プロセッサ３００は、Ｎ個のデータベースプロファイルからＬ個の基準プロファイルの集合体を抽出する。ここで、Ｎは、メンテナンス中に更新されるデバイス群からのフィードバックに従って時間と共に増大する可能性があり、ここで、Ｌ個の基準プロファイルは、必ずしもＮ個のプロファイルの中からＬ個を選択したものではない。これは、ベクトル量子化のトレーニング段階を定義し、ここで、トレーニングセットは、観測されるプロファイルのＮ個のヒストグラムの集合であり、Ｌ個の重心は、基準プロファイルのヒストグラムであり、距離は、損傷評価において用いられる効用関数とすることができる。

例えば、ヒストグラムの集合体を構築するために、観測されたプロファイルが、ランダムにＮ個のデータベースプロファイルから選ばれる。

例えば、基準プロファイルのヒストグラムは、効用関数に従って選ばれた観測プロファイルに最も近いものとして得られる。

例えば、基準プロファイルのヒストグラムは、２つのプロファイルのヒストグラムの加重平均を適用することによって、ヒストグラムの集合体に移される。

ヒストグラムの集合体を構築するための以前のステップは、所与の回数繰り返される。

集合体の抽出は、以下の損傷レベル推定のステップを容易にするために実行することもできる。例えば、集合体は、線形に独立したヒストグラムの基礎を構築するように選択することができ、ここで、別の観測されたベクトルは、基礎におけるヒストグラムの線形結合として容易に表すことができる。

ステップＳ６５１において、プロセッサ３００は、損傷評価装置１０からのヒストグラムの受信を検出する。

次のステップＳ６５２において、プロセッサ３００は、ステップＳ６５０において受信したヒストグラムを、サーバーＳｅｒｖに記憶されたヒストグラムの集合体と比較する。

プロセッサ３００は、メモリからヒストグラムの集合体を得る。

ヒストグラムの集合体は、いくつかの電気デバイスにおけるサイクルの複数の測定値及び損傷の複数の測定値から得ることができる。

プロセッサ３００は、ヒストグラムの集合体のうちの各ヒストグラムについて、ヒストグラムの集合体を、ステップＳ６５１において受信されたヒストグラムに最も近いものとみなすことによって、損傷値を計算する。

プロセッサ３００は、電気デバイスの損傷レベル推定を決定する。

プロセッサ３００は、ステップＳ６５１において受信したヒストグラムを、ヒストグラムの集合体と比較する。

一般的な観点から、プロセッサ３００は、二次距離との比較を行う。このため、効用関数Ｄ（ｐ_ｉ，ｐ_ｏｂ，｛ａ_ｉ｝∈Ω）の最小化として損傷を推定するための一般的な手法を定義することができる。ここで、Ωは最小化が制限されるパラメーターの集合｛ａ_ｉ｝の目標集合である。例えば、Ωは、サイズＬの実数値ベクトルの全体集合、又は１に等しい１つを除く全てがヌルエントリであるサイズＬのＬ個のベクトルの集合、又は最も関連するＭ個のプロファイルの組合せのためのＭ個を除く全てがヌルエントリであるサイズＬのベクトルの集合である。効用関数Ｄ（ｐ_ｉ，ｐ_ｏｂ，｛ａ_ｉ｝∈Ω）は、例えば、二次距離、最大距離、又は変更されたカルバック−ライブラーダイバージェンスである。

効用関数を最小化するためのアルゴリズムは、可能な場合、解の集合Ωの中からのしらみつぶし探索とすることもできるし、又は解の集合Ωからのランダム探索とすることもできるし、又は効用関数が二次距離であり、かつΩがサイズＬの実数値ベクトルの全体集合であるとき、ムーア−ペンローズの擬似逆行列等のアルゴリズムとすることもできる。

第１の特定の実現モードによれば、プロセッサ３００は、ヒストグラムの形態の得られた応力履歴を、ヒストグラムの形態の基準プロファイルの集合体と比較する。応力履歴は、ヒストグラムＨ_ｏｂ＝（Ｈ_ｏｂ（１），．．．，Ｈ_ｏｂ（Ｋ））であり、ここで、Ｋは、多次元とすることができるヒストグラムのビンの数であり、各ビンは、値のタプル、例えば、対（温度，温度変動）に関連付けられている。プロファイル集合体のうちの各ヒストグラムＨ_ｉは、Ｈ_ｏｂと同じ形態をとる。

プロセッサ３００は、既に実行されていない場合、応力履歴を表すヒストグラムを正規化することができる。ここで、和
が計算され、
となるように正規化ヒストグラムｐ_ｏｂを定義することを可能にする。

プロセッサ３００は、必要な場合、正規化されたヒストグラムｐ_ｉの集合体のＬ個のヒストグラムＨ_ｉの全てについて同じ正規化を行うことができる。

プロセッサ３００は、ヒストグラムの集合体に属するＨ_ｉと、ステップＳ６０１においてメモリに記憶されたＨ_ｏｂとの間の類似度を特徴付けることを可能にする距離Ｄ（ｐ_ｏｂ，ｐ_ｉ）を計算する。これは、Ｈ_ｉ＝Ｈ_ｏｂである場合、ヌルである。

例えば、プロセッサ３００は、最小化される以下の効用関数を用いる。
二次距離である
最大距離である
変更されたカルバック−ライブラーダイバージェンスであり、εは計算を安定化させるパラメーターである、

第２の特定の実現モードによれば、ヒストグラムを含むプロファイル集合体は、応力履歴の得られたヒストグラムに近づけるために結合される。

好ましくは、結合は線形であり、すなわち、プロセッサ３００は、距離Ｄ（）が最小化されるようにパラメーターの集合ａ_１，．．，ａ_Ｌを得る。例えば、プロセッサ３００は、以下の効用関数を最小化されるように定義する。

これは、Ｐ（ｋ，ｉ）＝ｐ_ｉ（ｋ）となるように行列Ｐを定義し、Ａ（ｉ）＝ａ_ｉとなるようにベクトルＡを定義することによって得ることができる。このため、比較は、
を最小化するＡを得ることによって行われる。ここで、
は、ムーア−ペンローズの擬似逆行列計算を用いることによって得ることができる。

プロセッサ３００は、比較結果から損傷を判断する。

一般的な観点から、プロセッサ３００は、
によって、最適化関数の後に得られたパラメーターの集合
から損傷を推定する。

第１の特定の実現モードによれば、プロセッサ３００は、効用関数Ｄ（ｐ_ｏｂ，ｐ_ｉ）を最小化するものとしてインデックス
を決定し、これは、得られた応力履歴に関連付けられた損傷推定
を得ることを可能にする。ここで、ｄ_ｉは、基準プロファイルｉに関連付けられた損傷値である。

ここで、推定された損傷は、直接、電気デバイスの総損傷であるか、又は以前の総損傷推定に蓄積されることに留意されたい。

第２の特定の実現モードによれば、パラメーター
を与える
が得られると、プロセッサ３００は、
を用いることによって損傷推定を計算する。

次のステップＳ６５３において、プロセッサ３００は、損傷評価装置１０への決定された損傷レベルの転送を命令する。

図７Ａ及び図７Ｂは、本発明による、電気デバイスの損傷レベルを決定するアルゴリズムの第４の例を表す。

より詳細には、図７Ａのアルゴリズムは、損傷評価装置１０のプロセッサ２００によって実行される。

ステップＳ７００において、プロセッサ２００は、損傷レベル推定が行われる電気デバイスに関するサイクルを得る。

サイクルは、例えば、電気デバイスの機能中の所与の温度範囲内の電気デバイス動作温度の変化である。

サイクルは、電気デバイスの機能中の速度及び／又は加速度の所与の範囲内の電気デバイスの動作とすることができる。

次のステップＳ７０１において、プロセッサ２００は、得られたサイクルをヒストグラムの形態でメモリに記憶し、及び／又は既に以前に得られたサイクルから形成されたヒストグラムを更新する。

プロセッサ２００は、電気デバイスの応力履歴を表すヒストグラムを構築する。

いくつかのタイプのヒストグラムを構築することができ、ヒストグラムはビンによって定義され、当該ビンは、値、温度範囲、速度範囲、加速度範囲、及びこのビン内の基本サイクルの数を表す。

例えば、ヒストグラムビンは、温度の平均及び温度変動のような対を表す。温度は、センサによって測定することができるか、又は電圧及び強度入力信号を電気デバイスにおける温度変動に変換する熱モデルから計算することができる。

例えば、電気デバイスが電気自動車のためのパワーモジュールであるとき、各ヒストグラムビンは、速度／加速度の対に対応し、各ビンによって記憶される値は、このモードのための基本距離の数である。

例えば、電気デバイスが洋上風車であるとき、各ヒストグラムビンは出力電力に対応し、各ビンによって記憶される値は、基本期間の数、例えば、このモードにおいて費やされる１秒である。

ヒストグラムは１に正規化することができ、すなわち、各ビンの値が、全てのビンの和で除算される。この場合、スケーリング係数は、ヒストグラム情報の集合体の一部として記憶される。

次のステップＳ７０２において、プロセッサ２００は、電気デバイスの損傷を評価する時点であるか否かをチェックする。例えば、メンテナンス動作中に電気デバイスの損傷が評価されるか、又は電気デバイスの損傷は、周期的に、例えば毎日若しくは毎週評価されるか、又は電気デバイスの損傷は、電気デバイスを備えるシステムが電源オンにされる度に評価される。

電気デバイスの損傷を評価する時点である場合、プロセッサ２００はステップＳ６０３に移る。そうでない場合、プロセッサ２００はステップＳ６００に戻る。

次のステップＳ７０３において、プロセッサ２００は、サーバーＳｅｒｖにヒストグラムを転送する。

次のステップＳ７０４において、プロセッサ２００は、サーバーＳｅｒｖから損傷推定レベルを受信する。

次のステップＳ７０５において、プロセッサ２００は、少なくとも１つの電気デバイスの損傷情報を通知するようにディスプレイ２０７に命令する。

特定の実現モードによれば、プロセッサ２００は、少なくとも１つの電気デバイスの損傷レベルを通知するようにディスプレイ２０７に命令する。

別の特定の実現モードによれば、プロセッサ２００は、少なくとも１つの電気デバイスの故障の前に残りの寿命の推定を通知するようにディスプレイ２０７に命令する。故障前の残りの寿命はプロセッサ２００によって判断される。例えば、プロセッサ２００は、経時的な総損傷レベル展開の直線外挿を用い、ここで、故障前の残りの寿命は、総損傷レベルの外挿曲線と損傷レベル閾値との間の交点を計算することによって得られる。

より厳密には、図７Ｂのアルゴリズムは、サーバーＳｅｒｖのプロセッサ３００によって実行される。

ステップＳ７５０において、プロセッサ３００は、損傷レベル評価が行われる電気デバイスと同じ機能を有する他の電気デバイスについて、損傷レベル評価デバイスから受信したヒストグラムを得る。ヒストグラムは、例えばメンテナンス動作中に及び／又は周期的に受信される。

例えば、ヒストグラムが電力サイクルの数に関連するとき、デバイスが故障すると、電力サイクル、温度、温度変動定義に従って、応力の受信したヒストグラムが、新たに観測されたプロファイルとしてサーバーＳｅｒｖのデータベースに記憶される。ヒストグラムは、まず、１に正規化される場合があり、各ビン値は、全てのビンの和で除算される。これは、値１がここで、このプロファイルのための故障閾値を表すことを伴う。

メンテナンス動作が行われるとき、損傷の尺度（a measure）は、例えば、試験の特定の出力を測定することによって作成することができ、新たに観測されたプロファイルとして、又は既存のプロファイルを置き換えることによって、データベースにヒストグラムと共に記憶することができる。

次のステップＳ７５１において、プロセッサ３００は、受信したヒストグラムを用いてヒストグラムのデータベースを更新する。

観測されるプロファイルの数が大きくなりすぎたとき、効用関数を最小化する複雑度を制限するために、プロセッサ３００は、ヒストグラムの集合体を剪定する。

換言すれば、プロセッサ３００は、Ｎ個の観測されたプロファイルからＬ個の基準プロファイルを抽出する。ここで、Ｎは、メンテナンス中に更新されるデバイス群からのフィードバックに従って時間と共に増大する可能性があり、ここで、Ｌ個の基準プロファイルは、必ずしもＮ個のプロファイルの中からＬ個を選択したものではない。これは、ベクトル量子化のトレーニング段階を定義し、ここで、トレーニングセットは、観測されるプロファイルのＮ個のヒストグラムの集合であり、Ｌ個の重心は、基準プロファイルのヒストグラムであり、距離は、損傷評価において用いられる効用関数とすることができる。

例えば、ヒストグラムの集合体を構築するために、観測されたプロファイルが、Ｎ個の中からランダムにデータベースから選ばれる。

例えば、基準プロファイルのヒストグラムは、効用関数に従って選ばれた観測プロファイルに最も近いものとして得られる。

例えば、基準プロファイルのヒストグラムは、２つのプロファイルのヒストグラムの加重平均を適用することによって、ヒストグラムの集合体に移される。

ヒストグラムの集合体を構築するための以前のステップは、所与の回数繰り返される。

集合体の抽出は、以下の損傷レベル推定のステップを容易にするために実行することもできる。例えば、集合体は、線形に独立したヒストグラムの基礎を構築するように選択することができ、ここで、別の観測されたベクトルは、基礎におけるヒストグラムの線形結合として容易に表すことができる。

次のステップＳ７５２において、プロセッサ３００は、ヒストグラムのデータベースからヒストグラムの集合体を選択する。

次のステップＳ７５３において、プロセッサ３００は、損傷評価装置１０からヒストグラムを受信する。

次のステップＳ７５４において、プロセッサ３００は、電気デバイスの損傷レベル推定を決定するために、ステップにおいて受信したヒストグラムを、ステップＳ７５２において形成されたヒストグラムの集合体と比較する。

一般的な観点から、プロセッサ３００は、二次距離との比較を行う。このため、効用関数Ｄ（ｐ_ｉ，ｐ_ｏｂ，｛ａ_ｉ｝∈Ω）の最小化として損傷を推定するための一般的な手法を定義することができる。ここで、Ωは最小化が制限されるパラメーターの集合｛ａ_ｉ｝の目標集合である。例えば、Ωは、サイズＬの実数値ベクトルの全体集合、又は１に等しい１つを除く全てがヌルエントリであるサイズＬのＬ個のベクトルの集合、又は最も関連するＭ個のプロファイルの組合せのためのＭ個を除く全てがヌルエントリであるサイズＬのベクトルの集合である。効用関数Ｄ（ｐ_ｉ，ｐ_ｏｂ，｛ａ_ｉ｝∈Ω）は、例えば、二次距離、最大距離、又は変更されたカルバック−ライブラーダイバージェンスである。

効用関数を最小化するためのアルゴリズムは、可能な場合、解の集合Ωの中からのしらみつぶし探索とすることもできるし、又は解の集合Ωからのランダム探索とすることもできるし、又は効用関数が二次距離であり、かつΩがサイズＬの実数値ベクトルの全体集合であるとき、ムーア−ペンローズの擬似逆行列等のアルゴリズムとすることもできる。

第１の特定の実現モードによれば、プロセッサ３００は、ヒストグラムの形態の得られた応力履歴を、ヒストグラムの形態の基準プロファイルの集合体と比較する。応力履歴は、ヒストグラムＨ_ｏｂ＝（Ｈ_ｏｂ（１），．．．，Ｈ_ｏｂ（Ｋ））であり、ここで、Ｋは、多次元とすることができるヒストグラムのビンの数であり、各ビンは、値のタプル、例えば、対（温度，温度変動）に関連付けられている。プロファイル集合体のうちの各ヒストグラムＨ_ｉは、Ｈ_ｏｂと同じ形態をとる。

プロセッサ３００は、既に実行されていない場合、応力履歴を表すヒストグラムを正規化することができる。ここで、和
が計算され、
となるように正規化ヒストグラムｐ_ｏｂを定義することを可能にする。

プロセッサ３００は、必要な場合、正規化されたヒストグラムｐ_ｉの集合体のＬ個のヒストグラムＨ_ｉの全てについて同じ正規化を行うことができる。

プロセッサ３００は、ヒストグラムの集合体に属するＨ_ｉと、ステップＳ７０１においてメモリに記憶されたＨ_ｏｂとの間の類似度を特徴付けることを可能にする距離Ｄ（ｐ_ｏｂ，ｐ_ｉ）を計算する。これは、Ｈ_ｉ＝Ｈ_ｏｂである場合、ヌルである。

例えば、プロセッサ３００は、最小化される以下の効用関数を用いる。
二次距離である
最大距離である
変更されたカルバック−ライブラーダイバージェンスであり、εは計算を安定化させるパラメーターである、

第２の特定の実現モードによれば、ヒストグラムを含むプロファイル集合体は、応力履歴の得られたヒストグラムに近づけるために結合される。

好ましくは、結合は線形であり、すなわち、プロセッサ３００は、距離Ｄ（）が最小化されるようにパラメーターの集合ａ_１，．．，ａ_Ｌを得る。例えば、プロセッサ３００は、以下の効用関数を最小化されるように定義する。

これは、Ｐ（ｋ，ｉ）＝ｐ_ｉ（ｋ）となるように行列Ｐを定義し、Ａ（ｉ）＝ａ_ｉとなるようにベクトルＡを定義することによって得ることができる。このため、比較は、
を最小化するＡを得ることによって行われる。ここで、
は、ムーア−ペンローズの擬似逆行列計算を用いることによって得ることができる。

プロセッサ３００は、比較結果から損傷を判断する。

一般的な観点から、プロセッサ３００は、
によって、最適化関数の後に得られたパラメーターの集合
から損傷を推定する。

第１の特定の実現モードによれば、プロセッサ３００は、効用関数Ｄ（ｐ_ｏｂ，ｐ_ｉ）を最小化するものとしてインデックス
を決定し、これは、得られた応力履歴に関連付けられた損傷推定
を得ることを可能にする。ここで、ｄ_ｉは、基準プロファイルｉに関連付けられた損傷値である。

ここで、推定された損傷は、直接、電気デバイスの総損傷であるか、又は以前の総損傷推定に蓄積されることに留意されたい。

第２の特定の実現モードによれば、パラメーター
を与える
が得られると、プロセッサ３００は、
を用いることによって損傷推定を計算する。

次のステップＳ７５４において、プロセッサ３００は、損傷評価装置１０への決定された損傷レベルの転送を命令する。

当然のことながら、本発明の範囲から逸脱することなく、上述した本発明の実施形態に対して多くの変更を行うことができる。

【図1】

【図2】

【図3】

【図4】

【図5A】

【図5B】

【図6A】

【図6B】

【図7A】

【図7B】