促进引入已知的变化量到配套部件的集合中的制作方法

主题公开涉及促进引入已知的变化量到配套部件的集合中，并且更具体地，涉及自动促进选择航空发动机的部件。

技术实现要素：

下面提出概述以提供本发明的一个或多个实施例的基本理解。本概述不打算标识重要的或关键的元件，或描绘特定实施例的任何范围或权利要求的任何范围。它唯一的目的是以简化的形式提出概念作为之后被提出的更详细的描述的序言。在本文中的一个或多个实施例中，促进选择航空发动机的部件的设备、系统、计算机实现的方法、装置和/或计算机程序产品。

根据一个实施例，提供了促进选择航空发动机的部件的系统。系统可包含存储计算机可执行部件的存储器。系统还可包含可操作耦合到存储器的处理器，并且所述处理器可执行存储在存储器中的计算机可执行部件。计算机可执行部件可包含计算部件，所述计算部件基于测量的制造特性的统计分布来计算航空发动机的部件之间的标准差。计算机可执行部件可进一步包含选择部件，所述选择部件基于计算的标准差来选择部件的子集。计算机可执行部件可进一步包含分析部件，所述分析部件分析在相应标准差的部件的子集以确定最大化耐久性性能的用于交换的时间段和标准差。

根据另一实施例，提供了计算机实现的方法。计算机实现的方法可包含由操作耦合到处理器的系统基于测量的制造特性的统计分布来计算航空发动机的部件之间的标准差。计算机实现的方法可进一步包括由系统基于计算的标准差来选择部件的子集。计算机实现的方法可进一步包括由系统分析在相应标准差的部件的子集以确定最大化耐久性性能的用于交换的时间段和标准差。

根据另一实施例，提供了促进选择航空发动机的部件的计算机程序产品。计算机程序产品可包含计算机可读存储介质，所述计算机可读存储介质具有以其体现的程序指令。程序指令可以是由处理器可执行的以促使处理器基于测量的制造特性的统计分布来计算航空发动机的部件之间的标准差。程序指令可进一步是由处理器可执行的以促使处理器基于计算的标准差来选择部件的子集。程序指令可进一步是由处理器可执行的以促使处理器分析在相应标准差的部件的子集以确定最大化耐久性性能的用于交换的时间段和标准差。

本发明还公开了一组技术方案，如下：

1.一种促进选择航空发动机的部件的系统，包含：

存储计算机可执行部件的存储器；

处理器，所述处理器可操作耦合到所述存储器并且所述处理器执行存储在所述存储器中的计算机可执行部件，其中所述计算机可执行部件包含：

计算部件，所述计算部件基于测量的制造特性的统计分布来计算所述航空发动机的部件之间的标准差；

选择部件，所述选择部件基于所计算的标准差来选择部件的子集；以及

分析部件，所述分析部件分析在相应标准差的所述部件的子集以确定最大化耐久性性能的用于交换的时间段和标准差。

2.如技术方案1所述的系统，进一步包含机器学习部件，所述机器学习部件采用人工智能以学习所述部件之间的所述标准差，使所述部件的子集的一个或多个模型的建造能自动生成最大化耐久性性能的所述用于交换的时间段和所述标准差。

3.如技术方案2所述的系统，其中所述机器学习部件执行基于效用的分析，所述基于效用的分析将与选择部件的一个子集而不是部件的另一子集关联的益处作为因素。

4.如技术方案1所述的系统，其中所述部件的子集在总的叶片气流的最小和最大极限内。

5.如技术方案1所述的系统，其中所述部件的子集至少部分地基于热障涂层厚度、叶片气流和壁厚。

6.如技术方案1所述的系统，其中所述选择部件还基于正态统计分布来根据相似性而在所述部件的子集之间交换以引入变化到所述部件的子集中。

7.如技术方案6所述的系统，其中所述选择部件在具有一个标准差的所述部件的子集之间交换。

8.如技术方案6所述的系统，其中所述选择部件在具有两个标准差的所述部件的子集之间交换。

9.如技术方案1所述的系统，进一步包含基于所述标准差来预测维护调度的预防性维护部件。

10.一种计算机实现的方法，包含：

由操作耦合到处理器的系统基于测量的制造特性的统计分布来计算航空发动机的部件之间的标准差；

由所述系统基于所计算的标准差来选择部件的子集；以及

由所述系统分析在相应标准差的所述部件的子集以确定最大化耐久性性能的用于交换的时间段和标准差。

11.如技术方案10所述的计算机实现的方法，进一步包含采用人工智能以学习所述部件之间的所述标准差，使所述部件的子集的一个或多个模型的建造能自动生成最大化耐久性性能的所述用于交换的时间段和所述标准差。

12.如技术方案10所述的计算机实现的方法，其中所述部件的子集至少部分地基于热障涂层厚度、叶片气流和壁厚。

13.如技术方案10所述的计算机实现的方法，其中所述选择部件基于正态统计分布来根据相似性而在所述部件的子集之间交换以引入变化到所述部件的子集中。

14.如技术方案13所述的计算机实现的方法，其中所述选择部件在具有一个标准差的所述部件的子集之间交换。

15.如技术方案13所述的计算机实现的方法，其中所述选择部件在具有两个标准差的所述部件的子集之间交换。

16.如技术方案10所述的计算机实现的方法，进一步包含基于所述标准差来预测维护调度。

17.一种用于促进选择航空发动机的部件的计算机程序产品，所述计算机程序产品包含计算机可读存储介质，所述计算机可读存储介质具有以其体现的程序指令，所述程序指令由处理器可执行以促使所述处理器：

基于测量的制造特性的统计分布来计算所述航空发动机的部件之间的标准差；

基于所计算的标准差来选择部件的子集；以及

分析在相应标准差的所述部件的子集以确定最大化耐久性性能的用于交换的时间段和标准差。

18.如技术方案17所述的计算机程序产品，其中所述程序指令进一步可执行以促使所述处理器：

采用人工智能以学习所述部件之间的所述标准差，使所述部件的子集的一个或多个模型的建立能自动生成最大化耐久性性能的所述用于交换的时间段和所述标准差。

19.如技术方案17所述的计算机程序产品，其中所述选择部件基于正态统计分布来根据相似性而在所述部件的子集之间交换以引入变化到所述部件的子集中。

20.如技术方案17所述的计算机程序产品，其中所述程序指令进一步可执行以促使所述处理器：

基于所述标准差来预测维护调度。

附图说明

图1说明了根据本文中描述的一个或多个实施例的促进选择航空发动机的部件的示例非限制性系统的框图。

图2说明了根据本文中描述的一个或多个实施例的、包括机器学习部件的、促进选择航空发动机的部件的示例非限制性系统的框图。

图3说明了根据本文中描述的一个或多个实施例的、包括预防性维护部件的、促进选择航空发动机的部件的示例非限制性系统的框图。

图4说明了根据本文中描述的一个或多个实施例的航空发动机的示例非限制性的截面图。

图5说明了根据本文中描述的一个或多个实施例的用于促进选择航空发动机的部件的示例非限制性的计算机实现的方法的流程图。

图6说明了根据本文中描述的一个或多个实施例的用于促进部件的子集之间的交换的示例非限制性的计算机实现的方法的流程图。

图7说明了根据本文中描述的一个或多个实施例的描绘随机配套和智能配套之间的不同的示例非限制性的图表。

图8说明了根据本文中描述的一个或多个实施例的描绘热性能的四个四分位组的示例非限制性的图表。

图9说明了示例非限制性的操作环境的框图，在所述操作环境中可促进本文中描述的一个或多个实施例。

图10说明了可操作以执行本文中描述的各种实现的计算机的示例框图。

具体实施方式

下面的详细描述仅是说明性的并且不打算限制实施例和/或实施例的应用或使用。此外，不存在受在前述的

背景技术：
部分或发明内容部分中或在具体实施方式部分中提出的任何表达的或暗示的信息约束的意图。

现在参考附图描述一个或多个实施例，其中通篇使用相似的附图标记指示相似的元件。在下面的描述中，为了解释的目的，阐明了许多具体细节以便提供一个或多个实施例的更彻底的理解。然而，在各种情况下，显然可以在没有这些具体细节的情况下实施一个或多个实施例。

本文中描述的一个或多个实施例利用设计成与诸如高压涡轮1级叶片（hpts1b）的燃气轮机热段部分的智能配套协同被使用的算法（例如配套算法）以最大化耐久性性能并且避免计划外的停机时间。如本文中使用的，可互换地使用配套与智能配套以意指智能配套，除非指定了另一类型的配套。配套是分组、组织或选择部件或部分（诸如将被放到套件（例如部件的子集）中的航空发动机的部件或部分）的过程。如本文中使用的，可以可互换地使用术语“部件”和“部分”以意指航空发动机的部件或部分。可使用套件以完成生产订单，并且可组装来自套件的部分以建造产品。套件还可被用于航空发动机的维护、维修和大修（mro）。本文中的实施例描述将热限寿的航空航天部件配套到发动机集合（例如套件）中。更具体地，配套可基于相关于部件的热寿命期望的测量。意识到，可对诸如最优级效率或机械鲁棒性的除热寿命期望之外的对象采用配套。

算法可基于诸如热障涂层（tbc）厚度、叶片气流和壁厚的测量的制造特性来选择航空发动机的部件。算法可基于正态统计分布来在相似的套件之间进行交换和替换部件以引入变化到套件中以便避免建立过于相似的叶片的集合的无法预料的下游效应。例如，从一个套件与距离一个标准差的另一套件的部件的替换可以是68%的时间。在另一示例中，距离两个标准差的套件之间的部件的替换可以是28%的时间。算法可引入已知的变化量到配套部件的集合中同时仍然使用可能的最相似的部件。完成此以避免建立过于相似的叶片的集合的无法预料的下游效应。可将变化的量设置在0和100之间的任何位置。0的变化被认为是将最相似的部件“结块（chunk）”在一起。100的变化被认为是完全随机配套。

图1说明了根据本文中描述的一个或多个实施例的可促进选择航空发动机的部件的示例非限制性系统100的框图。在此公开中解释的系统（例如系统100等等）、装置或过程的方面可包括在一个或多个机器内体现的（例如在与一个或多个机器关联的一个或多个计算机可读介质（或媒体）中体现的）一个或多个机器可执行的部件。这样的部件当由一个或多个机器（例如计算机、计算设备、虚拟机等）执行时可促使机器执行描述的操作。

在各种实施例中，系统100可以是包括处理器的任何类型的部件、机器、设备、设施、装置和/或仪器。在一些实施例中，系统100能够与有线和/或无线网络有效和/或操作通信。可包含系统100的部件、机器、装置、设备、设施和/或工具可包括但不限于平板计算设备、手持设备、服务器级计算机器和/或数据库、膝上型计算机、笔记本计算机、桌上型计算机、蜂窝电话、智能电话、消费者器具和/或仪器、工业和/或商业设备、数字助理、多媒体互联网电话、多媒体播放器等等。

如在图1中说明的，系统100可包括总线102、存储器104、处理器106、输入部件108、计算部件110、选择部件112、分析部件114和/或一个或多个服务器116。总线102可提供系统100的各种部件的相互连接。存储器104和处理器106可执行如本文中描述的系统100的计算和/或存储操作。将意识到，在一些实施例中一个或多个系统部件可通过直接有线连接或被集成在芯片集上来与其他部件无线通信。

在另一方面，系统100可与一个或多个服务器116通信。可经由有线（包括光纤）和/或无线技术促进通信。一个或多个服务器116可包含一个或多个服务器数据存储，可采用所述一个或多个服务器数据存储以存储一个或多个服务器116本地的信息。在一个实现中，一个或多个服务器116的数据存储可含有一个或多个条目，例如，条目可涉及诸如热障涂层厚度、叶片气流（例如气流）、壁厚、用于交换的时间段和标准差的信息。

在系统100的本文中描述的一个或多个实施例中，可使用预测性分析法以自动生成由系统100使用的航空发动机的部件的子集的一个或多个模型以促进自动生成最大化耐久性性能的用于交换的时间段和套件之间的标准差。例如，自动生成可基于在知识库中保留的信息。如本文中使用的，术语“知识库”可以是可以存储一个或多个类型的信息的数据库或其他存储位置或存储库（repository）。设想了所有这样的实施例。

知识库可包含涉及最大化耐久性性能的用于交换的时间段和部件的子集之间的标准差的信息。在一些实施例中，可随时间收集和在知识库中保留涉及最大化耐久性性能的用于交换的时间段和部件的子集之间的标准差的信息。在一些实施例中，收集的信息可包括测量的制造特性。例如，收集的信息可包括热障涂层厚度、叶片气流和航空发动机内的叶片的壁厚。基于获得的信息，系统100可评价知识库（或多个知识库）并且生成被采用以促进自动生成最大化耐久性性能的用于交换的时间段和标准差的部件的子集的一个或多个模型。系统100的预测性分析法可确定：如果部件的子集的信息与部件的一个或多个其他子集相似，则可利用部件的相似的子集的模型以促进自动生成最大化耐久性性能的用于交换的时间段和标准差。

本文中描述的计算机处理系统、计算机实现的方法、装置和/或计算机程序产品可采用硬件和/或软件来生成模型，所述模型本质上是高度技术的，所述模型不是抽象的并且不能如人的思想活动的集合来执行所述模型。例如，一个或多个实施例可对大量的可用信息执行漫长的和复杂的解释和分析以确定最大化耐久性性能的用于交换的时间段和标准差。在另一示例中，甚至在没有关于部件的子集的详细知识的情况下，一个或多个实施例可对大量的数据执行预测性分析法以促进生成部件的子集的一个或多个模型来以高水平的精确度自动生成最大化耐久性性能的用于交换的时间段和标准差。可通过比较训练集与测试集来评价精确度。在使用训练集来训练模型之后，可使用测试集通过计算匹配预测的目标的输出的百分比来计算精确度，所述输出由运行在训练集元件上的模型生成。

在各种实施例中，输入部件108可接收测量的制造特性。测量的制造特性可包括但不限于热障涂层厚度、叶片气流（例如气流）和壁厚。这些制造特性可影响叶片的热性能或叶片的热寿命期望。因此，可相对于叶片的平均寿命或寿命期限来测量叶片的热性能。可以以叶片在它到达最终使用之前具有的循环（例如起飞和降落）的数量方面来量化叶片的平均寿命。例如，带有鲁棒的热性能的叶片平均具有多于平均叶片的循环的数量。

热障涂层可隔离叶片不受热疲劳，从而延长叶片的平均寿命。例如，带有更厚的热障涂层的叶片具有比带有更薄的热障涂层的叶片所具有的更好的对热疲劳的隔离。另外，许多涡轮叶片是可引导气流用于内部冷却的空心机翼。可通过在叶片内注入冷却剂来获得内部冷却。可通过测量气流的质量流量（massrate）来执行气流测量。可执行气流测量以核实气流的质量流量在总的叶片气流的最小和最大极限之内。如果不存在最小量的冷却剂，则叶片可具有比意图的更短的平均寿命。类似地，叶片的壁厚也可以是平均寿命的决定因素。在制造期间叶片的壁厚可在叶片之间变化。

在合格的叶片的集合内，在热性能方面一些叶片可以比其他叶片更鲁棒。例如，可使一个叶片飞行多个循环而可使另一叶片飞行更多循环。可基于热性能来评价叶片并且可基于标准差来将叶片配套在一起。可将具有相似的热性能的叶片配套在一起以便它们在相同时间退化。可使用这个配套算法以减少停机时间。例如，如果叶片在不同时间退化，将会需要拆卸发动机以维修一个叶片，然后另一叶片，然后另一叶片并以此类推。为了避免配套过于相似的叶片的集合并且引起无法预料的下游效应，配套算法还可引入变化到配套叶片的集合中。例如，套件可与距离一个标准差的另一部件在大约68%的时间交换部件或叶片并且与距离两个标准差的另一部件在大约28%的时间交换部件或叶片。在其他示例中，套件可以以不同的标准差和/或不同的用于交换的时间段与另一套件交换部件或叶片。

使部件的性能适应以具有已知的性能的分布可影响发动机寿命或性能的weibull分布或概率分布。代替由于异常值需要移除的部件集合或叶片的集合，所提出的概念使weibull分布适应部件性能的已知的分布，并且部件作为集合将更相似地退化或执行。hpts1b的weibull分布被集合中的最脆弱的执行者支配。例如，如果62个hpts1b中的61个hpts1b正执行得好，但是一个hpts1b具有差的热性能，则它将使发动机比预期的更早离开机翼。配套使能发动机的更预测性的维护和更好的机队范围的耐久性性能。

可使用积累损伤模型（cdm）来采用仿真以估算将部件分组的机队影响。cdm可确定驱动遇险的条件以及对导致加速的遇险的那个条件的暴露的数量。例如，对灰尘条件的暴露导致在部分上的灰尘聚集，所述在部分上的灰尘聚集又导致那个部件在操作中变得更热。分析可预测部分在它应当被保养或被安排维护之前可承受的剩余的暴露的数量。采用智能配套的部件或叶片应当在大约相同的时间需要保养或维护（使用cdm仿真）。

计算部件110可计算航空发动机的部件或叶片之间的标准差。标准差可基于部件或叶片的热性能的统计分布。计算部件110还可计算部件或叶片的热性能。可基于诸如热障涂层厚度、叶片气流和壁厚的测量的制造特性来评价热性能。这些制造特性可以是叶片的平均寿命的决定因素。例如，热障涂层厚度和叶片气流可保护叶片不受热疲劳，并且壁厚可以是关于叶片是否满足最低标准的决定因素。计算部件110可基于热障涂层厚度、叶片气流和壁厚来计算叶片的平均寿命。可通过计算部件110根据热性能水平将叶片分等级。基于叶片的热性能，计算部件110可计算部件或叶片之间的与所有的部件或叶片的统计学群体相比的标准差。

选择部件112可基于由计算部件110根据测量的制造特性计算的热性能来选择（例如分组、配套、组织等）航空发动机的部件。例如，可基于相关于部件或叶片的热寿命期望（例如热性能）的测量来将部件或叶片分组在一起。配套叶片可帮助避免具有在其他叶片之前故障的一个脆弱的叶片。可由热保护最少的叶片使航空发动机离开机翼并且将航空发动机置于停机时间维修中。之后强迫仍然具有寿命的剩余的叶片离开机翼，移除或废弃，并且浪费额外的循环。例如，一个叶片可具有多个循环而另一叶片可具有更多的循环数量。随机选择叶片可保证叶片不在相似的时间故障，然而，耐久性特性可仍然被单个叶片驱动。

带有变化的智能配套可节省花费在维护上的时间以便不因为一个需要被维修的脆弱的叶片而必须拆卸发动机。智能配套可导致更好的总的机队耐久性性能，减少商店访问并且减少部件的过早废弃。根据热性能水平被配套在一起的叶片具有相似的循环的数量。可为叶片一起调度维护。可引入最小的变化量所以叶片不会在完全相同的时间全部故障。为了稳定性，配套算法可使用正态分布方法以引入可调整的变化量到叶片的集合中以便避免建立过于相似的集合。

选择部件112还可基于计算的标准差来选择部件的子集（例如套件）。部件的子集可至少部分基于热障涂层厚度、叶片气流和壁厚。部件的子集必须在总的叶片气流的最小和最大极限内。可基于气流的质量流量来测量叶片气流。可由输入部件108接收叶片气流数据。例如，选择部件112可选择距离一个标准差、距离两个标准差等的部件的子集。此外，选择部件112可基于正态统计分布来根据相似性而在部件的子集（例如套件）之间进行交换以引入变化到部件的子集（例如，套件）中。选择部件112可在具有一个标准差的套件之间交换部件或叶片。例如，选择部件112可将套件的部件或叶片与距离一个标准差的另一套件在大约68%的时间交换。选择部件112可在具有两个标准差距离的套件之间交换部件或叶片。例如，选择部件112可将套件的部件或叶片与距离两个标准差的另一套件在大约28%的时间交换。意识到，选择部件112可在用于交换的不同的时间段和/或不同的标准差的套件之间交换部件或叶片。

在一个实现中，选择部件112可在一个或多个服务器116的数据存储中搜索条目。在另一实现中，选择部件110可发送涉及部件的子集的选择的信息到一个或多个服务器116。一个或多个服务器116可在服务器数据存储中记录信息。

在一个或多个实施例中，系统100可利用接收的数据的基于云的分析或基于本地的分析以选择部件的子集。例如，选择部件112可基于记录在服务器数据存储中的部件的子集的选择结果的分析来选择部件的子集。选择结果可包括涉及部件的测量的制造特性、部件的标准差和部件的子集、用于交换的时间段等的信息。

分析部件114可分析在相应标准差的部件的子集以确定最大化耐久性性能的用于交换的时间段和标准差。为了避免建立过于相似的叶片的集合的无法预料的下游效应，分析部件114可采用配套算法，所述配套算法使用正态分布方法以引入可调整的变化量到部件或叶片的集合中。为了引入已知的变化量到配套叶片的集合中，分析部件114可分析和确定套件可与距离一个标准差的另一套件进行交换的次数。分析部件114还可分析和确定套件可与距离两个标准差的另一套件进行交换的次数。例如，分析部件114可确定套件可与距离一个标准差的另一套件在大约68%的时间交换部件或叶片。在另一示例中，分析部件114可确定套件可与距离两个标准差的另一套件在大约28%的时间交换部件或叶片。意识到，分析部件114可分析套件可在最大化耐久性性能的用于交换的时间段和/或与在距离不同标准差的另一套件进行交换的次数。

图2说明了根据本文中描述的一个或多个实施例的、包括机器学习部件202的、促进选择航空发动机的部件的示例非限制性系统200的框图。为简短起见，省略了在本文中描述的其他实施例中采用的相似元件的重复描述。机器学习部件202可根据由输入部件108接收的数据、由计算部件110进行的计算、由选择部件112进行的选择和由分析部件114分析的变化来识别模式和进行预测。例如，机器学习部件202可观测由输入部件108接收的测量的制造特性（例如热障涂层厚度、叶片气流、壁厚等）。在另一示例中，机器学习部件202可观测由计算部件110计算的和由选择部件112配套在一起的标准差。在仍有的另一示例中，机器学习部件202可观测由分析部件114通过采用配套算法引入的变化的量。在一个实现中，机器学习部件202可在一个或多个服务器116的数据存储中搜索条目。在一个或多个实施例中，机器学习部件202可利用数据的基于云的分析或基于本地的分析以使能部件的子集的一个或多个模型的生成。

更具体地，机器学习部件202可采用人工智能以学习使能部件的子集的一个或多个模型的建立的部件之间的标准差。例如，可使用观测的信息以建造模型以进行预测。可使用模型以自动生成最大化耐久性性能和最小化停机时间的用于交换的时间段以及标准差的预测。另外，机器学习部件202可执行基于效用的分析，所述基于效用的分析将与选择部件的一个子集而不是部件的另一子集相关联的益处作为因素。例如，选择部件的一个子集而不是部件的另一子集可导致不同的标准差，所述不同的标准差可影响耐久性性能。

本文中描述的设备的实施例可采用人工智能（ai）以促进自动化本文中描述的一个或多个特征。部件可采用各种基于ai的方案用于执行本文中公开的各种实施例/示例。为了提供或帮助本文中描述的许多确定（例如确定、断定、推断、计算、预测、预报、估测、导出、预计、探测），本文中描述的部件可检查其被准许访问的数据的整体或子集并且可从如经由事件和/或数据捕捉的观测的集合提供关于系统的状态、环境等的推理或确定系统的状态、环境等。例如，可采用确定以识别特定的上下文或动作，和/或可生成在状态上的概率分布。确定可以是概率的—即，在基于数据和事件的考虑的关心对象的状态上的概率分布的计算。确定还可指被用于从事件和/或数据的集合组成更高级别的事件的技术。

根据观测的事件和/或存储的事件数据的集合、事件是否以紧密的时间接近性（temporalproximity）相关联以及事件和数据是否来自一个或若干事件和数据源，这样的确定可导致新的事件或动作的构建。本文中公开的部件可采用与执行与要求保护的主题相关的自动的和/或确定的动作相关的各种分类（显式地训练的（例如经由训练数据）以及隐式地训练的（例如经由观测行为、偏好、历史信息、接收外界信息等））方案和/或系统（例如支持向量机、神经网络、专家系统、bayesian信念网络、模糊逻辑、数据融合引擎等）。因此，可使用分类方案和/或系统以自动学习和执行多个功能、动作和/或确定。

分类器可将输入属性向量z=(z1,z2,z3,z4,zn)映射到输入属于类别的置信度，如通过f(z)=confidence(class)。这样的分类可采用概率的和/或基于统计的分析（例如包括分析效用和成本）以确定要被自动执行的动作。支持向量机（svm）是可被采用的分类器的示例。svm通过在可能的输入的空间中（其中超曲面试图从非触发事件分离触发准则）发现超曲面来操作。直观地，这使分类对于接近的测试数据正确，但对训练数据并不完全相同。其他有指导的和无指导的模型分类方法包括例如朴素bayesian、bayesian网络、决策树、神经网络、模糊逻辑模型，并且可采用提供不同独立性的模式的概率分类模型。如本文中使用的分类还包含统计回归，利用所述统计回归以开发优先权的模型。

图3说明了根据本文中描述的一个或多个实施例的、包括预防性维护部件302的、促进选择航空发动机的部件的示例非限制性系统300的框图。为简短起见，省略了在本文中描述的其他实施例中采用的相似元件的重复描述。预防性维护部件302可基于由计算部件110计算的标准差来预测维护调度。根据热性能（例如热寿命期望）以及叶片和叶片的统计学群体之间的标准差来将叶片配套在一起。带有相似的标准差的叶片将具有相似的平均寿命。因此，预防性维护部件302可预测最大化耐久性性能的部件或叶片的集合的维护调度。例如，因为配套叶片与带有相似的平均寿命的其他叶片，可调度叶片在相同时间维护。

图4说明了根据本文中描述的一个或多个实施例的航空发动机400的示例非限制性的截面图。为简短起见，省略了在本文中描述的其他实施例中采用的相似元件的重复描述。发动机400包括进气口402、风扇404、压缩机406、燃烧室408、涡轮410和喷嘴412。进气口402可通过进气口402连续汲取空气到发动机400中并且保证平稳的气流到发动机400中。风扇404和压缩机406由旋转叶片和静轮叶（vane）组成。当空气移动通过压缩机406时空气的压力和温度增加。燃烧室408可连续添加燃料到压缩的空气并且燃烧它。涡轮410是一系列可从离开燃烧室的热气体中提取能量的有叶片的盘。还可使用此能量中的一些能量以驱动压缩机406。可使用来自压缩机406的冷却空气或冷却剂以冷却涡轮410的涡轮叶片。来自涡轮410的废气经过喷嘴412以产生高速喷射。

涡轮410的hpts1b在发动机400的热段中，其中热疲劳可使叶片退化。涡轮410的温度可达到超过2000°f（1093°c）。当发动机400中叶片或部件中的任何部件损坏，需要为了维护（例如mro）拆卸发动机。为了减少诸如发动机400的发动机为了维护离开机翼的次数，本文中的实施例可采用智能配套的配套算法，所述智能配套基于部件的热寿命期望（例如经由计算部件110计算的）将部件分组（例如经由选择部件112）在一起。本文中实施例还可采用配套算法以引入已知的变化量（例如经由分析部件114分析的）到配套的部件或叶片的集合中同时仍然使用可能的最相似的部件或叶片。可引入已知的变化量以避免建立过于相似的叶片的集合的无法预料的下游效应。配套算法可使用正态分布方法以引入可调整的变化量到叶片的集合中。此外，配套算法可基于正态统计分布来在相似的套件之间进行交换（例如经由选择部件112选择的）。

图5说明了根据本文中描述的一个或多个实施例的用于促进选择航空发动机的部件的示例非限制性的计算机实现的方法500的流程图。为简短起见，省略了在本文中描述的其他实施例中采用的相似元件的重复描述。在502，计算机实现的方法500可包括由操作耦合到处理器的系统基于测量的制造特性的统计分布来计算（例如，经由计算部件110）航空发动机的部件之间的标准差。测量的制造特性可包括但不限于热障涂层厚度、叶片气流和壁厚。可由输入部件108接收这些制造特性。

在504，计算机实现的方法500可包括由系统基于计算的标准差来选择（例如，经由选择部件112）部件的子集。可基于计算的标准差来将叶片配套在一起以避免具有由单个叶片使其脱离机翼的发动机并且最大化耐久性性能。选择部件112可至少部分地基于热障涂层厚度、叶片气流和壁厚来选择部件的子集。为了稳定性可以引入变化的最小量到部件的子集中。例如，选择部件112可基于正态统计分布来根据相似性而在部件的子集之间交换以引入变化到部件的子集中。

在506，计算机实现的方法500可包括由系统分析（例如经由分析部件114）在相应标准差的部件的子集以确定最大化耐久性性能的用于交换的时间段和标准差。分析部件114可使用配套算法以引入可调整的变化量到部件的子集中（例如，叶片的集合、叶片的套件等）。可引入变化到部件的子集（例如套件）中以避免建立过于相似的叶片的集合的无法预料的下游效应。分析部件114可通过分析套件可与距离一个标准差的另一套件交换部件的时间的量来引入可调整的变化量到叶片的集合中。

此外，分析部件114可分析套件可与距离两个标准差的另一套件交换部件的时间的量。例如，分析部件114可分析套件可与距离一个标准差的另一套件在大约68%的时间交换部件或叶片。在另一示例中，分析部件可分析套件可与距离两个标准差的另一套件在大约28%的时间交换部件或叶片。意识到分析部件也可分析套件可与在不同标准差的另一套件交换部件或叶片的时间段。

图6说明了根据本文中描述的一个或多个实施例的、用于促进部件的子集之间的交换的示例非限制性的计算机实现的方法600的流程图。为简短起见，省略了在本文中描述的其他实施例中采用的相似元件的重复描述。在602，计算机实现的方法600可包括基于从测量的制造特性由计算部件110计算的热性能来对航空发动机的部件分组（例如经由选择部件112选择或配套）。例如，可基于测量的制造特性来将部件分组在一起，所述测量的制造特性可影响部件的热性能或热寿命期望。配套部件可帮助避免具有比大部分部件早得多发生故障的一个脆弱的部件。

在604，计算机实现的方法600可包括基于计算的（例如经由计算部件110）标准差来选择（例如经由选择部件112）部件的子集（例如套件）。计算部件110可计算部件的子集（例如套件）之间的标准差。计算部件110可基于部件或叶片的测量的制造特性的统计分布来计算标准差。测量的制造特性可包括但不限于热障涂层厚度、叶片气流和壁厚。

在604，计算机实现的方法600还可包括确定（例如经由分析部件114）最大化耐久性性能的用于交换的时间段和标准差。可基于正态统计分布来在相似的部件的子集（例如套件）之间进行交换以引入变化到部件的子集（例如套件）中以避免建立过于相似的叶片的集合的无法预料的下游效应。例如，分析部件114可确定可在距离一个标准差的套件之间在大约68%的时间进行交换。在另一示例中，分析部件114可确定可在距离两个标准差的套件之间在大约28%的时间进行交换。意识到，分析部件114还可分析可以在不同的标准差进行交换的时间段。

在606，计算机实现的方法600可包括确定（例如经由选择部件112）部件的子集是否在相应距离的标准差内。更具体地，选择部件112可确定部件的子集是否在由分析部件114分析的、可在用于交换的相应时间段进行交换的距离的标准差内。如果部件的子集不在可进行交换的相应距离的标准差内，过程在604重复（例如在多个套件正在同时交换/优化时，选择部件的另一子集或与另一套件交换）。如果部件的子集在可进行交换的相应距离的标准差内，过程继续到608。

在608，计算机实现的方法600可包括在套件之间在用于交换的相应时间段的交换（例如经由选择部件112）。例如，选择部件112可在具有距离一个标准差的部件的子集（例如套件）之间在大约68%的时间交换。在仍有的另一示例中，选择部件112还可在具有距离两个标准差的部件的子集之间在大约28%的时间交换。意识到选择部件112可在不同的标准差的部件的子集之间和/或在用于交换的不同的时间段交换。

在610，计算机实现的方法600可包括确定（例如经由选择部件112）交换是否达到了用于交换的相应时间段。如果交换还没有达到由分析部件114分析的、可进行交换的用于交换的相应时间段，过程在608重复。如果交换已经达到了由分析部件114分析的、可进行交换的用于交换的相应时间段，过程继续到612。例如，如果部件的子集距离一个标准差，可继续进行交换直到大约68%的时间。意识到可在不同的标准差和在不同的用于交换的时间段进行交换。

在612，计算机实现的方法600可包括结束（例如，经由选择部件112）交换。选择部件112可确定交换已经达到了用于交换的相应时间段并且停止交换。例如，如果部件的两个子集距离一个标准差并且用于交换的时间段是68%的时间，则选择部件112可确定交换完成并且在交换的百分比达到68%时结束交换过程。在另一示例，如果部件的两个子集距离两个标准差并且用于交换的时间段是28%的时间，则选择部件112可确定交换完成并且在交换的百分比达到28%时结束交换过程。意识到多个部件的子集（例如多个套件）可在同时交换。意识到随着两个部件的子集之间的交换的结束交换可针对部件的其他子集继续。

图7说明了根据本文中描述的一个或多个实施例的描绘随机配套和智能配套之间的不同的示例非限制性的图表700。为简短起见，省略了在本文中描述的其他实施例中采用的相似元件的重复描述。图表702说明了基于热保护参数或热性能的所有叶片的统计学群体或叶片群体分布。图表704是叶片的热性能如何使用随机配套互相比较的说明。同样地，图表706是随机配套的叶片的另一集合，所述图表706说明了叶片相对于套件中的其他叶片热表现有多好。用随机配套，叶片不太可能同时故障。然而，可仍然由单个叶片（例如第一个故障的叶片）驱动耐久性性能，所述单个叶片具有相对于大部分的叶片的低热保护参数。因此，用随机配套，当叶片故障时发动机可仍然需要更频繁的维修。

图表708和710说明了已经通过采用智能配套被配套的叶片。在图表708和710中智能配套的叶片在更接近的时间点具有更一致的磨损率。用智能配套，可基于叶片之间的热性能的标准差来将叶片配套在一起。如在图表708中说明的，叶片具有相似的（例如在范围上接近）热性能参数（例如热性能水平）。可引入变化以防止具有过于相似的叶片的无法预料的下游效应。说明了如具有高于或低于大部分叶片的热保护参数的那些叶片的变化。叶片之间的热保护参数的变化是最小量。如所说明的，相比于图表704和图表706中的用随机配套的叶片，图表708中的叶片之间的热保护参数的范围是最小的。

图表710是智能配套的另一示例。图表710是已经被用比图表708中的叶片的集合更高的热保护参数智能配套的叶片的另一集合。总体而言，在图表710中叶片具有比图表708中的叶片更鲁棒的热性能（例如更高的热保护参数）。图表708和710中的叶片两者都还可从配套的其他方面也获益。例如，带有更低的热保护参数的图表708中的叶片可从增加的效率获益，并且图表708和710中的叶片两者都可从由于减少的系统变化（例如叶片的集合内减少的变化）而增加的建模精确度获益。

如同图表708中的叶片，图表710中的叶片互相也具有相似的（例如在范围上接近）热保护参数。同样地，可引入变化使得图表710中的叶片不具有精确的热保护参数。此外，相比于用随机配套的图表704和图表706，图表710中的叶片之间的热保护参数的变化是最小的。

图8说明了根据本文中描述的一个或多个实施例的描绘热性能的四个四分位组的示例非限制性的图表800。为简短起见，省略了在本文中描述的其他实施例中采用的相似元件的重复描述。图表800是划分成四个象限（象限1、象限2、象限3、象限4）的叶片配套提案的非限制性示例。基于热性能来以在下规格界限（lsl）开始的象限1和在上规格界限结束（usl）的象限4划分象限。意识到可将热性能划分成不同于四个象限的任何数量的部分。还意识到可修改叶片配套提案以适应业务的需要。

在中间是象限2和3。可将落在象限2和3内的叶片配套作为新制成（newmake），因为没有包括带有较低热性能的叶片（例如象限1中的叶片）所述新制成将自动获得较长的耐久性性能。更具体地，削减掉在示例非限制性的图表800中占叶片的大约37.5%的较低热性能叶片。较低热性能叶片的削减导致新制成发动机的平均寿命的自动增加。没有由具有较低热性能（例如所述叶片被较少地热保护）的象限1中的叶片使象限2和3中的叶片脱离机翼。

较低热性能叶片可从诸如由于减少的系统变化而增加的效率和增加的建模精确度的配套的其他方面获益。象限1中的带有较低热性能的叶片可被配套在一起并且被使用于维护、维修和大修（mro）并且不被作为区域内操作者（in-regionoperator）使用。区域内操作者是在全球的部分（其中与空气中的污染和颗粒物质耦合的提高的环境温度对发动机的热段中的硬件的热耐久性和机械耐久性是挑战性的）中操作的飞机。因为象限1中的操作者已经带有较低热性能叶片而飞行，不推荐象限1作为区域内操作者。象限1中的较低热性能叶片将不影响已经带有较低热性能叶片而飞行的那些机队的weibull分布。

象限4含有四个象限中的最鲁棒的耐久性性能叶片。象限4中的叶片平均具有多于平均叶片的循环的数量。象限4的较高热性能叶片还可从诸如由于减少的系统变化而增加的建模精确度的配套的另一方面获益。象限4中的叶片也可被使用于mro。然而，推荐象限4中的叶片用于区域内操作者。象限4的区域内操作者需要最鲁棒的耐久性性能叶片。可发送象限4中的最鲁棒耐久性性能叶片到是将会需要耐久性性能的环境严苛的操作者的用户。原因是极端大气条件可引起叶片变热并且以更快的速率退化。例如，空气污染可导致灰尘在叶片上积聚，引起那些叶片在操作中变得更热并且这样的温度上升可以以更快的速率减少那些叶片的寿命。

此外，在象限1、2、3和4内，可进一步使用配套算法来配套叶片。配套可以是用于改进总的机队质量以及单独的发动机益处的方法。可基于热性能评价叶片并且用优化耐久性性能的标准差的变化将叶片配套在一起。例如，计算部件110可基于测量的制造特性（例如热障涂层厚度、叶片气流、壁厚等）的统计分布来计算部件之间的热性能的标准差。选择部件112可基于热性能将部件分组（例如选择、配套、组织等）。选择部件112还可基于由计算部件110计算的标准差来选择部件的子集（例如套件）。为了稳定性还可基于热性能的标准差来利用变化选择部件的子集。可由分析部件114分析变化。分析部件114可分析部件的子集可在最大化耐久性性能的用于交换的某一时间段具有某一标准差。

为了提供公开的主题的各种方面的上下文，图9以及下面的讨论打算提供合适的环境的通常的描述，在所述合适的环境中可实现公开的主题的各种方面。图9说明了示例非限制性的操作环境的框图，在所述操作环境中可促进本文中描述的一个或多个实施例。为简短起见，省略了在本文中描述的其他实施例中采用的相似元件的重复描述。

参考图9，用于实现要求保护的主题的各种方面的合适的环境900包括计算机902。计算机902包括处理单元904、系统存储器906、编解码器905和系统总线908。系统总线908将包括但不限于系统存储器906的系统部件耦合到处理单元904。处理单元904可以是各种可用的处理器中的任何处理器。还可采用双微处理器和其他多处理器架构作为处理单元904。

系统总线908可以是一个或多个总线结构的若干类型中的任何一个，所述一个或多个总线结构包括使用可用的总线架构中任何种类的存储器总线或存储器控制器、外设总线或外部总线和/或局域总线，所述可用的总线架构包括但不限于工业标准架构（isa）、微通道架构（msa）、扩展isa（eisa）、智能驱动电子设备（ide）、vesa局部总线（vlb）、外设部件互联（pci）、卡总线、通用串行总线（usb）、高级图形端口（agp）、个人计算机存储器卡国际联合会总线（pcmcia）、火线（ieee1394）以及小型计算机系统接口（scsi）。

系统存储器906包括易失性存储器911和非易失性存储器912。含有基本例程以在计算机902内的元件之间传递信息（诸如在启动期间）的基本输入/输出系统（bios）被存储在非易失性存储器912中。作为说明而非限制，非易失性存储器912可包括只读存储器（rom）、可编程rom（prom）、电可编程rom（eprom）、电可擦除可编程rom（eeprom）或闪速存储器。易失性存储器911包括充当外部高速缓冲存储器的随机存取存储器（ram）。根据本方面，易失性存储器可存储写入操作重试逻辑（在图9中未示出）等等。作为说明而非限制，ram是以诸如静态ram（sram）、动态ram（dram）、同步dram（sdram）、双倍数据速率sdram（ddrsdram）以及增强型sdram（esdram）的许多方式是可用的。

计算机902还可包括可移动/不可移动、易失性/非易失性计算机存储介质。例如，图9说明了盘存储装置914。盘存储装置914包括但不限于如磁盘驱动器、固态盘（ssd）软盘驱动器、磁带驱动器、极碟驱动器、ls-110驱动器、闪速存储器卡或记忆棒的设备。此外，盘存储装置914可单独或与其他存储介质结合而包括存储介质，所述其他存储介质包括但不限于诸如紧致盘rom设备（cd-rom）、cd可录写驱动器（cd-r驱动器）、cd可重写驱动器（cd-rw驱动器）或数字多功能盘rom驱动器（dvd-rom）的光盘驱动器。为了促进盘存储设备914到系统总线908的连接，通常使用诸如接口916的可移动或不可移动接口。

意识到图9描述了充当用户和在合适的操作环境900中描述的基本计算机资源之间的中介的软件、执行中的软件、硬件和/或与硬件结合的软件。这样的软件包括操作系统918。可被存储在盘存储装置914上的操作系统918行动以控制和分配计算机系统902的资源。应用920由操作系统918通过存储在系统存储器906中或盘存储装置914上的诸如引导/关机事物表等等的程序数据926和程序模块924利用资源的管理。将意识到可用各种操作系统或操作系统的组合来实现要求保护的主题。例如，应用920和程序数据926可包括实现本公开的方面的软件。

用户通过一个或多个输入设备928键入命令或信息到计算机902中，所述输入设备928的非限制性示例可包括诸如鼠标、跟踪球、指示笔、触控板、键盘、麦克风、控制杆、游戏手柄、圆盘式卫星天线、扫描仪、tv调谐卡、数字照相机、数字视频摄录机、电子鼻、网络摄像机以及允许用户与计算机902相互作用的任何其他设备的指向设备。这些和其他输入设备通过系统总线908经由一个或多个接口端口930连接到处理单元904。一个或多个接口端口930包括例如串行端口、并行端口、游戏端口（gameport）和通用串行总线（usb）。一个或多个输出设备936使用与一个或多个输入设备928相同类型的端口的一些端口。因此，例如，可使用usb端口以提供输入到计算机902和从计算机902输出信息到输出设备936。提供输出适配器934以说明在其他输出设备936之中存在一些如监视器、扬声器和打印机的需要特殊适配器的输出设备936。输出适配器934作为说明而非限制包括提供输出设备936和系统总线908之间的连接的手段的视频卡和声卡。应当注意，诸如一个或多个远程计算机938的其他设备和/或设备的系统提供输入和输出能力两者。

计算机902可使用到诸如一个或多个远程计算机938的一个或多个远程计算机的逻辑连接来在联网的环境中操作。一个或多个远程计算机938可以是个人计算机、服务器、路由器、网络pc、工作站、基于微处理器的器具、对等设备（peerdevice）、智能电话、平板电脑或其他网络节点，并且通常包括许多相对于计算机902描述的元件。为了简短的目的，关于一个或多个远程计算机938仅说明了存储器存储设备940。将一个或多个远程计算机938通过网络接口942逻辑连接到计算机902并且之后将一个或多个远程计算机938经由一个或多个通信连接944连接。网络接口942包含诸如局域网（lan）、广域网（wan）和蜂窝网络的有线和/或无线通信网络。lan技术包括光纤分布式数据接口（fddi）、铜线分布式数据接口（cddi）、以太网、令牌环等等。wan技术包括但不限于点到点链路、如综合业务数字网（isdn）和其上的变体的电路切换网、分组切换网以及数字订户线路（dsl）。

一个或多个通信连接944指被采用以将网络接口942连接到总线908的硬件/软件。虽然为了说明清楚通信连接944被示出在计算机902内，它也可在计算机902外部。仅为了示范的目的，对于到网络接口942的连接必须的硬件/软件包括诸如包括常规的电话级调制解调器、线缆调制解调器以及dsl调制解调器的调制解调器、isdn适配器、有线和无线的以太网卡、集线器、路由器的内部和外部技术。

现在参考图10，根据本说明书说明了计算环境1000的示意性框图。系统1000包括一个或多个客户端1002（例如计算机、智能电话、平板电脑、照相机、pda）。一个或多个客户端1002可以是硬件和/或软件（例如线程、进程、计算设备）。例如，一个或多个客户端1002可通过采用说明书容纳一个或多个cookie和/或关联的上下文的信息。

系统1000还包括一个或多个服务器1004。一个或多个服务器1004还可以是硬件或与软件结合的硬件（例如线程、进程、计算设备）。例如，服务器1004可容纳线程以通过采用本公开的方面来执行媒体项目的变换。在客户端1002和服务器1004之间的一个可能的通信可以是以适配于被在两个或多于两个计算机进程之间传送的数据分组的形式，其中数据分组可包括编码分析的顶部空间（headspace）和/或输入。例如，数据分组可包括cookie和/或关联的上下文信息。系统1000包括通信框架1006（例如诸如因特网的全球通信网络），可采用所述通信框架1006以促进一个或多个客户端1002和一个和多个服务器1004之间的通信。

可经由有线（包括光纤）和/或无线技术促进通信。操作连接一个或多个客户端1002到一个或多个客户端数据存储1008，所述一个或多个客户端数据存储1008可被采用以存储一个或多个客户端1002本地的信息（例如一个或多个cookie和/或关联的上下文信息）。相似地，操作连接一个或多个服务器1004到一个或多个服务器数据存储1011，所述一个或多个服务器数据存储1011可被采用以存储服务器1004本地的信息。

在一个示范的实现中，客户端1002可传递编码的文件（例如编码的媒体项目）到服务器1004。服务器1004可存储文件、编码文件或传递文件到另一客户端1002。要意识到，客户端1002也可传送未压缩的文件到服务器1004并且服务器1004可根据本公开压缩文件和/或变换文件。同样地，服务器1004可编码信息并且经由通信框架1006传送信息到一个或多个客户端1002。

还可在分布式的计算环境中（其中由通过通信网络被链接的远程处理设备执行某些任务）实践公开的说明的方面。在分布式的计算环境中，程序模块可位于本地和远程存储器存储设备两者。

此外，要意识到本文中描述的各种部件（例如，探测部件、输入部件、样品递送部件等等）可包括一个或多个电气电路，所述一个或多个电气电路可包括合适值的部件和电路元件以便实现此一个或多个创新的方面。此外，可意识到可在一个或多个集成电路（ic）芯片上实现各种部件的许多部件。在一个示范的实现中，可在单个ic芯片中实现部件的集合。在其他示范的实现中，在单独的ic芯片上制作或实现相应的部件的一个或多个部件。

上面已经描述的内容包括本发明的实现的示例。当然不可能为了描述要求保护的主题的目的而描述部件或方法的每个可能的组合，但是要意识到本创新的许多进一步的组合和排列是可能的。因此，要求保护的主题打算包含落入所附权利要求的精神和范围内的所有这样的改变、修改和变型。此外，本公开的说明的实现的上面的描述（包括在摘要中描述的内容）不规定为详尽的或将公开的实现限制成公开的精确形式。虽然为了说明性的目的本文中描述具体实现和示例，如那些相关领域技术人员可认识到的，在这样的实现和示例的范围内被考虑的各种修改是可能的。

具体地并且关于由上面描述的部件、设备、电路、系统等等执行的各种功能，除非另外指示，即使用于描述这样的部件的术语不在结构上等同于在本文中说明的要求保护的主题的示范的方面中执行功能的公开的结构，用于描述这样的部件的术语意图是对应于执行描述的部件的指定的功能的任何部件（例如，功能的等同物）。在这方面，还将认识到创新包括系统以及具有用于执行要求保护的主题的各种方法的动作和/或事件的计算机可执行指令的计算机可读存储介质。

已经相对于若干部件/框之间的相互作用来描述前述的系统/电路/模块。可意识到这样的系统/电路和部件/框可包括并且根据前面所述的各种排列和组合而包括那些部件或指定的子部件、指定的部件或子部件的一些部件或子部件，和/或附加的部件。还可作为通信耦合到其他部件而不是包括在父部件（分级的）内的部件来实现子部件。另外，应当注意可结合一个或多个部件到提供聚合的功能性的单个部件中或将一个或多个部件划分到若干单独的子部件中，并且可提供诸如管理层的任何一个或多个中间层以通信耦合到这样的子部件以便提供集成的功能性。本文中描述的任何部件还可与本文中没有具体描述但由那些本领域技术人员已知的一个或多个其他部件相互作用。

尽管阐明发明的宽广范围的数字范围和参数是近似值，尽可能精确地报告了在具体示例中阐明的数字值。然而，任何数字值固有地含有由在它们的相应的测试测量中发现的标准差必然造成的某些误差。此外，本文中公开的所有范围将被理解为包含任何和所有归入其中的子范围。例如，“小于或等于11”的范围可包括在最小值0和最大值11之间（并且包括最小值0和最大值11）的任何和所有子范围，即，具有等于或大于0的最小值和等于或小于11的最大值的任何和所有子范围，例如1到5。在某些情况下，参数的按照规定的数字值可取负值。

另外，虽然可已经相对于若干实现的仅一个实现来公开本创新的特定特征，如可对任何给定的或特定的应用期望的或有益的，可与其他实现的一个或多个其他特征结合这样的特征。此外，对在详细描述或权利要求中使用术语“包括（include/including）”、“具有”、“含有”、以上的变型和其他相似的词语方面而言，这些术语打算是以类似于术语“包含（comprising）”的方式而包含性的，作为开放转折词而不排除任何另外的或其他元件。

本说明书通篇提到“一个实现”或“实现”意指在至少一个实现中包括与实现相关描述的特定的特征、结构或特性。因此，在本说明书通篇的各种位置中短语“在一个实现中，”或“在实现中，”的出现并不必全部指相同的实现。此外，可在一个或多个实现中以任何合适的方式结合特定的特征、结构或特性。

此外，本说明书通篇提到“项目”或“文件”意指与实现关联描述的特定的结构、特征或对象并不必指相同对象。此外，“文件”或“项目”可指各种格式的对象。

如在本申请中使用的，术语“部件”、“模块”、“系统”等等的意图通常打算是指计算机相关的实体，硬件（例如电路）、硬件和软件的组合或者涉及带有一个或多个具体功能性的操作机器的实体。例如，部件可以是但不限于运行在处理器（例如数字信号处理器）上的进程、处理器、对象、可执行文件、执行的线程、程序和/或计算机。作为说明，运行在控制器上的应用和控制器两者可以是部件。一个或多个部件可驻留在在执行的进程和/或线程内并且可在一个计算机上定位部件和/或在两个或多于两个计算机之间分布部件。虽然在各种实现中描绘单独的部件，要意识到可在一个或多个共同的部件中表示部件。此外，各种实现的设计可包括不同的部件布局、部件选择等以达到最优的性能。此外，“设备”可以以专门设计的硬件、通过在其上的软件的执行（所述软件的执行使硬件能够执行具体功能（例如媒体项目聚合））来使其专用化的通用化的硬件、存储在计算机可读介质上的软件、或以上的组合的形式出现。

此外，本文中使用词语“示例”或“示范的”以意指充当示例、实例或说明。本文中描述成“示范的”任何方面或设计并不必被解释成比其他的方面或设计是优选的或有益的。而是，词语“示例”或“示范的”的使用打算以具体的方式提出概念。如在本申请中使用的，术语“或”打算意指包含性的“或”而不是排他的“或”。即，除非另外指定或从上下文清楚可见，“x采用a或b”打算意指自然包含的排列的任何排列。即，如果x采用a、x采用b或x采用a和b两者，则在前述实例的任何实例的情况下满足“x采用a或b”。另外，如在本申请和所附的权利要求中使用的冠词“一”（“a”和“an”）通常应当被解释成意指“一个或多个”除非另外指定或从上下文清楚可见指向单数形式。

部件列表

100系统

102总线

104存储器

106处理器

108输入部件

110计算部件

112选择部件

114分析部件

116一个或多个服务器

200系统

202机器学习部件

300系统

302预防性维护部件。