纤维材料层中熔化的薄纱绞线比率的表征
阅读说明：本技术 纤维材料层中熔化的薄纱绞线比率的表征 (Characterization of the ratio of melted tissue strands in a layer of fibrous material ) 是由 M·A·沙尔斯基 于 2019-06-05 设计创作，主要内容包括：本申请公开了纤维材料层中熔化的薄纱绞线比率的表征。提供了用于表征具有热塑性薄纱的纤维层的系统和方法。一种方法包括：获取纤维材料的图像,该纤维材料包括纤维的绞线并且还包括热塑性塑料的细丝的薄纱；将该图像细分成片；确定在每个片内描绘的熔化细丝的量；以及确定在每个片内描绘的未熔化细丝的量。(The present application discloses characterization of the ratio of melted tissue strands in a layer of fibrous material. Systems and methods for characterizing a fibrous layer having a thermoplastic veil are provided. One method comprises the following steps: acquiring an image of a fibrous material comprising strands of fibers and further comprising a veil of filaments of a thermoplastic; subdividing the image into slices; determining an amount of melted filament traced within each sheet; and determining the amount of unmelted filament traced within each sheet.)
技术领域
本公开涉及复合材料领域，特别是涉及包括热塑性薄纱的纤维增强复合物。
背景技术
干碳纤维材料通常包括熔化到碳纤维的绞线(strand)上的热塑性薄纱(veil)(包括多根细丝(filament))。碳纤维的绞线提供了增强的材料稳定性和韧性，而热塑性塑料(thermoplastic)的薄纱将绞线结合在一起。干碳纤维材料被用作制造复合零件的输入。为了确保一致的制造质量，期望干碳纤维材料的热塑性薄纱具有熔化到碳纤维的绞线中的特定量。然而，对干碳纤维材料的检查仍然是一种人工和劳动密集的过程，这进而增加了制造复合零件的成本。这特别值得注意，因为可能在单个复合零件(例如，飞行器机翼的蒙皮)中使用数千英尺的干碳纤维材料。
因此，可能期望具有考虑以上讨论的至少一些问题以及其它可能问题的方法和装置。
发明内容
本文描述的实施例利用特征检测工艺来表征纤维材料(例如，未用热固性或热塑性树脂浸渍的单向干碳纤维材料、玻璃纤维材料、具有金属纤维或甚至陶瓷纤维的材料等)内的热塑性薄纱的熔化量。熔化量可以通过将已熔化(导致颜色/亮度变化)的薄纱的细丝数目与未熔化的薄纱的细丝数目进行比较来表征。例如，本文讨论的机器学习过程可以将纤维材料的图像分成片(slice)，利用训练的卷积神经网络来检测薄纱内的熔化细丝和未熔化细丝，并且针对每一片确定熔化细丝和未熔化细丝的比率。然后，基于针对每一片确定的比率，可以针对图像确定熔化量的总体度量。
一个实施例是一种用于表征具有热塑性薄纱的纤维层的方法。该方法包括：获取纤维材料的图像，该纤维材料包括纤维的绞线并且还包括热塑性塑料的细丝的薄纱；将该图像细分成片；确定在每个片内描绘的熔化细丝的量；以及确定在每个片内描绘的未熔化细丝的量。
另一个实施例是一种包含编程指令的非瞬态计算机可读介质，这些编程指令在由处理器执行时可操作用于执行用于表征具有热塑性薄纱的纤维层的方法。该方法包括：获取纤维材料的图像，该纤维材料包括碳纤维的绞线并且还包括热塑性塑料的细丝的薄纱；将图像细分成片；确定在每个片内描绘的熔化细丝的量；以及确定在每个片内描绘的未熔化细丝的量。
另一个实施例是一种用于表征具有热塑性薄纱的纤维层的装置。该装置包括：接口，该接口接收纤维材料的图像，该纤维材料包括纤维的绞线并且还包括热塑性塑料的细丝的薄纱；以及控制器，该控制器将图像细分成片，确定在每个片内描绘的熔化细丝的量，并且确定在每个片内描绘的未熔化细丝的量。
本发明的装置和方法也在以下不与权利要求混淆的条款中被提及。
A1.一种用于表征具有热塑性薄纱的纤维层的方法，该方法包括：
获取纤维材料的图像，该纤维材料包括纤维的绞线并且还包括热塑性塑料的细丝的薄纱202；
将图像细分成片204；
确定在每个片内描绘的熔化细丝的量206；和
确定在每个片内描绘的未熔化细丝的量208。
A2.还提供了根据段落A1所述的方法，该方法还包括：
基于针对每一片的熔化细丝的数目和未熔化细丝的数目，针对该片对薄纱的熔化量进行量化210；和
基于针对每一片的薄纱的熔化量，对针对图像的薄纱的熔化量进行量化212。
A3.还提供了根据段落A1所述的方法，其中：
确定熔化细丝的量包括识别每一片的包括熔化细丝的部分；和
确定未熔化细丝的量包括识别每一片的包括未熔化细丝的部分。
A4.还提供了根据段落A1所述的方法，其中：
这些确定步骤通过已经训练的神经网络来执行。
A5.还提供了根据段落A4所述的方法，其中：
该神经网络包括卷积神经网络。
A6.还提供了根据段落A1所述的方法，该方法还包括：
比较针对图像的薄纱的熔化量和设计公差；和
响应于确定针对图像的薄纱的熔化量不在设计公差内而发送通知。
A7.还提供了根据段落A1所述的方法，所述方法还包括：
基于亮度或颜色中的至少一个的差异来区分熔化细丝和未熔化细丝。
A8.还提供了根据段落A1所述的方法，其中：
纤维的绞线选自碳纤维、玻璃纤维、金属纤维和陶瓷纤维组成的组。
A9.还提供了根据段落A8所述的方法，其中：
纤维的绞线是碳纤维的绞线。
A10.根据段落A1所述的方法组装的飞行器的一部分。
根据本发明的介质的另一个方面，提供了：
B1.一种包含编程指令的非瞬态计算机可读介质，这些编程指令在由处理器执行时可操作用于执行用于表征具有热塑性薄纱的纤维层的方法，所述方法包括：
获取纤维材料的图像，该纤维材料包括纤维的绞线并且还包括热塑性塑料的细丝的薄纱202；
将图像细分成片204；
确定在每个片内描绘的熔化细丝的量206；和
确定在每个片内描绘的未熔化细丝的量208。
B2.还提供了根据段落B1所述的介质，其中所述方法还包括：
基于针对每一片的熔化细丝的数目和未熔化细丝的数目，对针对该片的薄纱的熔化量进行量化210；和
基于针对每一片的薄纱的熔化量，对针对图像的薄纱的熔化量进行量化212。
B3.还提供了根据段落B1所述的介质，其中：
确定熔化细丝的量包括识别每一片的包括熔化细丝的部分；和
确定未熔化细丝的量包括识别每一片的包括未熔化细丝的部分。
B4.还提供了根据段落B1所述的介质，其中：
这些确定步骤通过已经训练的神经网络来执行。
B5.还提供了根据段落B2所述的介质，其中：
该神经网络包括卷积神经网络。
B6.还提供了根据段落B1所述的介质，其还包括：
比较针对图像的薄纱的熔化量和设计公差；和
响应于确定针对图像的薄纱的熔化量不在设计公差内而发送通知。
B7.还提供了根据段落B1所述的介质，其中：
机器学习模型基于亮度或颜色中的至少一个的差异来区分熔化细丝和未熔化细丝。
B8.还提供了根据段落B1所述的介质，其中：
纤维的绞线选自由碳纤维、玻璃纤维、金属纤维和陶瓷纤维组成的组。
B9.还提供了根据段落B8所述的介质，其中：
纤维的绞线是碳纤维的绞线。
B10.根据由存储在根据段落B1所述的计算机可读介质上的指令定义的方法组装的飞行器的一部分。
根据本发明的装置的另一个方面，提供了：
C1.一种用于表征具有热塑性薄纱的纤维层的装置，该装置包括：
接口716，其接收纤维材料750的图像742，纤维材料750包括纤维的绞线752并且还包括热塑性塑料的细丝760的薄纱754；和
控制器712，其将图像细分成片744，确定在每个片内描绘的熔化细丝的量，并且确定在每个片内描绘的未熔化细丝的量。
C2.还提供了根据段落C1所述的装置，其中：
该控制器基于针对每一片的熔化细丝的数目和未熔化细丝的数目对针对该片的薄纱的熔化量进行量化，并且基于针对每一片的薄纱的熔化量对针对图像的薄纱的熔化量进行量化。
C3.还提供了根据段落C1所述的装置，其中：
该控制器操作神经网络724，该神经网络724通过识别每一片的包括熔化细丝的部分来确定熔化细丝的量；并且
该控制器通过识别每一片的包括未熔化细丝的部分来确定未熔化细丝的量。
C4.还提供了根据段落C1所述的装置，其中：
该控制器通过已经训练的神经网络来确定熔化细丝的量和未熔化细丝的量。
C5.还提供了根据段落C4所述的装置，其中：
该神经网络包括卷积神经网络。
C6.还提供了根据段落C1所述的装置，其还包括：
比较针对图像的薄纱的熔化量和设计公差；和
响应于确定针对图像的薄纱的熔化量不在设计公差内而发送通知。
C7.还提供了根据段落C1所述的装置，其中：
纤维的绞线选自由碳纤维、玻璃纤维、金属纤维和陶瓷纤维组成的组。
C8.还提供了根据段落C7所述的装置，其中：
纤维的绞线是碳纤维的绞线。
C9.使用根据段落C1所述的装置制造飞行器的一部分。
其他说明性实施例(例如，与上述实施例相关的方法和计算机可读介质)可能在下文描述。已经讨论的特征、功能和优点可以在各种实施例中独立地实现，或者可以在另一些实施例中组合，其进一步的细节可以参考下面的描述和附图而看到。
附图说明
现在仅通过示例并参考附图来描述本公开的一些实施例。在所有附图中，相同的附图标记表示相同的元件或相同类型的元件。
图1是说明性实施例中的纤维评估系统的框图。
图2是示出说明性实施例中用于评估纤维材料的方法的流程图。
图3是示出说明性实施例中的纤维材料的图片的图。
图4-图6是示出说明性实施例中的来自图片的片(slice)的图。
图7是说明性实施例中的纤维材料评估系统的框图。
图8是说明性实施例中的飞行器生产和维护方法的流程图。
图9是说明性实施例中的飞行器的框图。
具体实施方式
附图和以下描述说明本公开的具体说明性实施例。因此，应当理解，本领域技术人员将能够设计各种布置，这些布置虽然未在本文中明确描述或示出，但体现了本公开的原理并且被包括在本公开的范围内。此外，本文描述的任何示例旨在帮助理解本公开的原理，并且应被理解为不限于这些具体描述的示例和条件。因此，本公开不限于下文所述的具体实施例或示例，而是通过权利要求及其等同物进行限制。
复合零件(例如，碳纤维增强聚合物(CFRP)零件)最初被堆积成多层，这些层一起形成层压板。层压板的每个层内的个体纤维彼此平行对齐，但是不同的层可以呈现不同的纤维取向，以便沿着不同的维度增加所得到的复合物的强度。层压板可以包括粘性树脂，该粘性树脂凝固以将层压板硬化成复合零件(例如，用于飞行器)。已经用未固化的热固性树脂或热塑性树脂浸渍过的碳纤维称为“预浸料(prepreg)”。其它类型的碳纤维包括未用热固性树脂浸渍但可包括增粘剂或粘合剂的“干纤维”。干纤维可以在固化之前用树脂注入。对于热固性树脂，硬化是被称为固化的单向过程，而对于热塑性树脂，如果被再加热，则树脂可以达到粘性形式。本文所讨论的系统和方法描述了包括热塑性薄纱形式的粘合剂的干纤维材料的评估。
图1是说明性实施例中的纤维评估系统100的框图。纤维评估系统100包括任何系统、设备或部件，其可操作以自动评估纤维材料(例如单向CFRP、玻璃纤维材料、具有金属纤维或甚至陶瓷纤维的材料等)的图像，以便确定在该材料中熔化的热塑性细丝(filament)与未熔化的热塑性细丝的比例。在该实施例中，纤维评估系统100包括表征单元110和成像系统130。
成像系统130获取纤维材料142(例如，单向CFRP层、玻璃纤维材料、具有金属纤维或甚至陶瓷纤维的材料等)的片材140的图像。这些图像可以在沿着片材140的各种位置和/或在各种取向上获取。这些图像不仅描绘了在片材140内的纤维152(例如，碳纤维、玻璃纤维、金属纤维、陶瓷纤维等)的绞线150，也描绘了热塑性细丝162的薄纱(veil)160，其用作绞线150的粘合剂或增粘剂。每个热塑性细丝162例如可以是七千分之一英寸厚，甚至更薄。每股绞线150可以更小，使得在单个线性英寸内发现1.2万到4万股绞线。成像系统130可以包括相机(例如，彩色相机、立体相机等)或其它非破坏性成像部件，例如超声波成像设备或激光成像设备。
通过成像系统130获取的图像在接口(I/F)116处被接收。这些图像可以被控制器112存储在存储器114(例如，硬盘、闪存等)中以用于稍后的分析。控制器112管理表征单元110的操作以便于图像接收、分析和报告。例如，当评估图像时，控制器112可以访问存储器114处的神经网络124。神经网络124可以包括例如卷积神经网络，该卷积神经网络已经基于训练数据122进行了训练，以便检测图像内未的熔化细丝和熔化细丝。
训练数据122可以包括一组图像或片(例如，数千个这样的图像)以及指示在这些元素中发现的特征的伴随标签。例如，训练数据122可以包括具有已被标记为熔化或未熔化的区域的图像。训练数据122也可以包括拍摄的干碳材料的图片，其中面内纤维角度是变化的(例如，零度、+45度、-45度、90度等)。为了训练神经网络124以考虑在这些不同的纤维角度处发现的亮度或对比度的差异，这可能是相关的。因此，训练数据122可以用于测试和细化神经网络124检测熔化细丝和未熔化细丝的过程。控制器112可以实现为例如定制电路、执行编程指令的硬件处理器或它们的某种组合。
将参照图2讨论纤维评估系统100的操作的说明性细节。对于该实施例，假定技术人员希望表征纤维材料142的片材140，以便确定片材140内的熔化细丝与未熔化细丝的比率是否在期望的公差内。
图2是示出说明性实施例中的用于评估纤维材料的方法200的流程图。方法200的步骤是参考图1的纤维评估系统100进行描述的，但是本领域技术人员将理解，可以在其他系统中执行方法200。本文描述的流程图的步骤不是完全包含性的，而是可以包括未示出的其他步骤。本文描述的步骤也可以以替代的顺序执行。
在步骤202中，成像系统130获取纤维材料142的片材140的图像。纤维材料142包括纤维152的绞线150，并且还包括热塑性塑料的热塑性细丝162的薄纱160。可以以任何合适的格式生成图像，并且可以由I/F 116获取图像的数字版本以存储在存储器114中。在一个实施例中，每几百米长度的纤维材料142就获取一个图像，并且该图像表示纤维材料142的一小部分(例如，2英寸×2英寸的部分)。然而，该图像可以描绘具有任何合适的期望大小的任何合适的区域。
在获取图像之后，控制器112继续将图像细分成片(步骤204)。如本文所用，“片(slice)”可以包括图像的任何合适部分。例如，片可以包括占图像的整个宽度但仅占图像高度的一小部分的一部分，可以包括占图像的整个高度但仅占图像宽度的一小部分的一部分，可以包括矩形区段，等等。理想的是，片的大小(例如，窄尺度)将足够小以使得不描绘多根细丝，但是足够大以使得被训练用于区域检测的卷积神经网络在试图将片的一些部分分类为表示熔化细丝或未熔化细丝时可以有效地操作。例如，片大小可以在六十个到一百六十个像素之间(例如，一百个像素)。可以期望每个片描绘许多不同的细丝，例如五十到一百根细丝。
在进一步的实施例中，可以选择片大小，使得图像高度可被该片大小均匀地分割，或者可以对图像进行预处理(例如，裁剪、缩放、滤波等)，以便增强图像质量和/或切片(slicing)。
在步骤206中，针对每个片，控制器112确定所描绘的熔化细丝的量。如本文所用，“熔化细丝”(例如，如图3中的熔化部分324所描绘)包括已经熔化到绞线150中的细丝。这可以由控制器112操作神经网络124检测在该片中表示存在熔化细丝的特征来执行。例如，熔化细丝可以与特定的曲率、亮度、颜色等相关联，并且神经网络124可以通过训练数据122来训练以识别这些特征。在一个实施例中，神经网络124对一个片执行特征分析，以便检测与熔化细丝相关联的一个或更多个特征的存在。由神经网络124考虑的每个区域的大小在尺度上可以等于正被考虑的片的大小。如果以足够的置信度检测到足够的特征，则神经网络124可以指示在正被分析的该片的区域内存在熔化细丝。
此外，针对每个片，控制器112确定所描述的未熔化细丝的量(即，步骤208)。如本文所用，“未熔化细丝”(例如，如图3中的未熔化部分326所描绘)包括置留在绞线150上而尚未熔化到绞线150中的细丝。这可以由控制器112操作神经网络124检测在该片中表示存在未熔化细丝的特征来执行。例如，未熔化细丝可以与特定的曲率、亮度、颜色等相关联，并且神经网络124可以通过训练数据122来训练以识别这些特征。当执行关于未熔化细丝的确定时，神经网络124可以执行与步骤206中的上述特征识别任务类似的特征识别任务。
细丝的某些部分看起来可能部分熔化，在这种情况下，控制器112可以根据控制器112所使用的神经网络是如何训练的，将细丝分类为熔化状态或未熔化状态。在进一步的实施例中，某些区域可以描绘熔化细丝和未熔化细丝两者，并且控制器112可以基于控制器112所使用的神经网络是如何训练的，将这样的区域分类为熔化或未熔化。
在步骤206和步骤208中，并不是片内的所有区域都必然包括细丝(例如，熔化细丝或未熔化细丝)。这些区域可以被报告为空区域。当确定片材140是否在与熔化率无关的公差内时，空区域的大小可能是相关的。
在步骤206和步骤208中确定的量可以指示确定存在给定类型的细丝的区域(例如，线性区域或平面区域)的大小，可以指示给定类型的细丝的数目，或者可以包括其它合适的度量(例如，描绘给定类型的细丝的像素的数目)。这些量用于确定熔化细丝与未熔化细丝的比率。
在步骤210中，控制器112对针对每一片的薄纱160的热塑性细丝162的熔化量进行量化。这可以例如通过对针对一个片的熔化细丝和未熔化细丝的量求和，然后将熔化细丝的量除以该总和来实现。在进一步的实施例中，这可以包括确定熔化细丝与未熔化细丝的比率。设计规格所期望的熔化百分比可以根据应用而变化，但是熔化百分比的一个示例是在30％和50％之间。
步骤212包括控制器112基于针对每一片的薄纱160的熔化量，对针对图像的薄纱160的熔化量进行量化。例如，控制器112可以对步骤210中针对每一片确定的熔化量进行求平均，以便确定在整个图像中发现的熔化量。
在进一步的实施例中，可以通过以不同的方式对图像进行切片(例如，切片成“宽”片，随后是“高”片、不同大小的片、成镜像的片或旋转的片、具有调整的颜色或亮度或对比度的片等)来针对相同的图像重复方法200。在又一实施例中，可以针对多个图像重复方法200，以便量化片材140的整体。例如，在包括数百英尺的干碳纤维材料142的整个卷被表征的实施例中，可能期望获取和分析材料的大量图像。
方法200提供了优于现有技术和系统的优点，因为它使得手动检查技术能够被更廉价且更精确的自动化过程所代替。这意味着技术人员有更多的时间专注于制造的其他方面，这增强了用干碳纤维材料制造复合零件的过程。
可以使用方法200的技术来检查大量层的表面，以便在堆放发生之前在这些层中的每个层处确认期望的熔化率。在针对每一层的熔化率已知的情况下，由这些层产生的任何最终预成型体也将具有已知的熔化率。即使对于在检查后放置在该预成型体的内部上的层也是如此。
示例
在以下示例中，在表征干碳纤维材料的背景下描述了附加过程、系统和方法。即，通过讨论以上提供的用于分析干碳纤维材料的系统和方法，以下附图提供了指示可以如何对图像进行切片和表征的示例。
图3是示出说明性实施例中的纤维材料的图。具体地，图3是CFRP形式的单层单向干纤维材料的自顶向下的视图。图3描述了碳纤维的一条或更多条绞线310，其通过细丝322的薄纱320结合在一起。图3描述了碳纤维的绞线310之间的距离的微小不均匀性，因为预期在线束(bundle)300中的绞线310大致均匀分布，但不完全均匀分布。一些细丝具有熔化部分324，而其他细丝具有未熔化部分326。单根细丝可以具有熔化区域和未熔化部分。
在该示例中，图片300将在边界330处被细分成片，从而得到片342、片344和片346。图4详细描绘了片342。如图4所示，在指示条400处，基于神经网络进行的分析，用不同的标识符标记了片342的一些部分。“E”指示没有任何种类的细丝的区域，“UM”指示由未熔化细丝占据的区域，而“M”指示由熔化细丝占据的区域。可以将部分M的大小(在该情况下为线性距离)与区域UM的大小进行比较，以便确定针对片342的熔化细丝的量。
图5描绘了片344，并且通过指示条500描绘了区域M、区域UM和空区域。在片344中，区域M的大小实质上小于区域UM的大小。图6描述了片346，其具有由指示条600指示的区域M与区域UM的最高比率。
图7是说明性实施例中的纤维材料评估系统700的框图。根据图7，该系统包括由碳纤维的绞线752以及细丝760的薄纱754制成的碳纤维材料750。细丝760包括熔化部分764和未熔化部分766。成像系统730产生碳纤维材料750的图像，该图像(以数字形式)通过接口(I/F)716获取。控制器712可以将这些图像引导到存储器714以进行存储。存储器714存储神经网络724，以及训练数据722和目标函数726，其用于在训练期间对神经网络724的输出进行评分。存储器714还存储图像742、片744和片数据746。片数据746可以指示例如在每一片中检测到的细丝的熔化部分和未熔化部分的位置和量。尽管如上所述的系统关注于干纤维材料，但是在进一步的实施例中，它可以用于对预浸料材料执行类似的功能。
更具体地参考附图，可以在如图8中所示的方法800中的飞行器制造和维修以及如图9所示的飞行器802的背景下描述本公开的实施例。在预生产期间，方法800可以包括飞行器802的规格和设计804以及材料采购806。在生产期间，飞行器802的部件和子组件制造808和系统集成810发生。此后，飞行器802可以通过认证和递送812以便投入服役814。当被客户投入服役时，飞行器802被定期安排在维护和维修816中进行常规工作(其也可以包括修改、重新配置、翻新等)。在方法800中描述的生产和服役的任何一个或更多个合适的阶段(例如，规范和设计804、材料采购806、部件和子组件制造808、系统集成810、认证和交付812、服役814、维护和维修816)期间和/或飞行器802的任何合适的部件(例如，机身818、系统820、内部822、推进系统824、电气系统826、液压系统828、环境系统830)可以使用本文所实施的装置和方法。
方法800的每个过程可以由系统集成商、第三方和/或运营商(例如，客户)执行或进行。为了本描述的目的，系统集成商可以包括但不限于任何数量的飞行器制造商和主要系统分包商；第三方可以包括但不限于任何数量的供货商、分包商和供应商；运营商可以是航空公司、租赁公司、军事实体、服务组织等。
如图9所示，通过方法800生产的飞行器802可以包括机身818与多个系统820和内部822。系统820的示例包括推进系统824、电气系统826、液压系统828和环境系统830中的一个或更多个。可以包括任何数量的其它系统。尽管示出了航空航天示例，但本发明的原理可应用于其它工业，例如汽车工业。
如上所述，可以在方法800中描述的生产和维修的任何一个或更多个阶段期间使用本文所实施的装置和方法。例如，可以以类似于在飞行器802服役时生产的部件或子组件的方式制造或加工与部件和子组件制造808相对应的部件或子组件。此外，例如，通过极大地加速飞行器802的组装或降低飞行器802的成本，可以在子组件制造808和系统集成810期间使用一个或更多个装置实施例、方法实施例或其组合。类似地，例如在维护和维修816期间但不限于在维护和维修816期间，在飞行器802在服役时，可以使用一个或更多个装置实施例、方法实施例或其组合。例如，本文所述的技术和系统可以用于材料采购806、部件和子组件制造808、系统集成810、服役814和/或维护和维修816，和/或可以用于机身818和/或内部822。这些技术和系统甚至可以用于系统820，包括例如推进系统824、电气系统826、液压系统828和/或环境系统830。
在一个实施例中，零件包括机身818的一部分，并且在部件和子组件制造808期间制造。然后该零件可以在系统集成810中组装到飞行器中，然后在服役814中使用，直到磨损使该零件不可用。然后，在维护和维修816中，该零件可以被丢弃并被新制造的零件替换。本发明的部件和方法可以在部件和子组件制造808中使用，以便制造新的零件。
图中所示或本文所描述的各种控制元件(例如，电气部件或电子部件)中的任何一个都可以实现为硬件、实施软件的处理器、实施固件的处理器或它们的某种组合。例如，元件可以实现为专用硬件。专用硬件元件可以称为“处理器”、“控制器”或一些类似的术语。当由处理器提供时，这些功能可以由单个专用处理器、由单个共享处理器或由多个单独的处理器(其中一些可以共享)提供。此外，术语“处理器”或“控制器”的显式使用不应被理解为仅指能够执行软件的硬件，而是可以隐含地包括但不限于数字信号处理器(DSP)硬件、网络处理器、专用集成电路(ASIC)或其它电路、现场可编程门阵列(FPGA)、用于存储软件的只读存储器(ROM)、随机存取存储器(RAM)、非易失性存储装置、逻辑或其它一些物理硬件部件或模块。
此外，控制元件可以被实现为可由处理器或计算机执行以实施该元件的功能的指令。指令的一些示例是软件、程序代码和固件。指令在被处理器执行时可操作以指示处理器执行元件的功能。指令可以存储在由处理器可读的存储设备上。存储设备的一些示例是数字存储器或固态存储器、诸如磁盘和磁带的磁存储介质、硬盘驱动器或光学可读的数字数据存储介质。
尽管本文描述了具体实施例，但本公开的范围不限于这些具体实施例。本公开的范围由随附权利要求及其任何等同物限定。