[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN116670608A - 用于物联网预测建模的混合系综方法 - Google Patents

用于物联网预测建模的混合系综方法 Download PDF

Info

Publication number
CN116670608A
CN116670608A CN202180083086.7A CN202180083086A CN116670608A CN 116670608 A CN116670608 A CN 116670608A CN 202180083086 A CN202180083086 A CN 202180083086A CN 116670608 A CN116670608 A CN 116670608A
Authority
CN
China
Prior art keywords
data
data analysis
models
predictions
model
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202180083086.7A
Other languages
English (en)
Inventor
A·胡舒多夫
T·P·朱厄尔
Z·D·史密斯
D·J·林
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Caterpillar Inc
Original Assignee
Caterpillar Inc
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Caterpillar Inc filed Critical Caterpillar Inc
Publication of CN116670608A publication Critical patent/CN116670608A/zh
Pending legal-status Critical Current

Links

Classifications

    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00Testing or monitoring of control systems or parts thereof
    • G05B23/02Electric testing or monitoring
    • G05B23/0205Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/024Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00Machine learning
    • G06N20/20Ensemble learning
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00Machine learning
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00Computing arrangements using knowledge-based models
    • G06N5/04Inference or reasoning models
    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00Testing or monitoring of control systems or parts thereof
    • G05B23/02Electric testing or monitoring
    • G05B23/0205Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0283Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Automation & Control Theory (AREA)
  • Computational Linguistics (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Networks Using Active Elements (AREA)
  • Compositions Of Oxide Ceramics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Debugging And Monitoring (AREA)

Abstract

一种用于通过监测设备数据来预测设备故障的计算机实现的方法,该方法包括:通过经由数据分析和机器学习技术的多个第一模型处理设备数据生成第一组预测;通过经由数据分析和机器学习技术的多个第二模型处理设备数据生成第二组预测;使用机器学习技术,通过比较第一组预测和第二组预测生成一致性决策;使用机器学习技术估计一致性决策的置信度水平;以及选择性地公开满足置信度阈值的一致性决策。

Description

用于物联网预测建模的混合系综方法
技术领域
本发明涉及分析模型的验证。此外,本发明涉及一种用于在众包环境中登录和验证分析模型的系统。
背景技术
诸如采矿、建筑、制造、运输、生产、电信、卫生保健、药物、金融和公共卫生的许多行业生成大量的关于它们各自的产品和消费者与这些产品的交互的数据。例如,在建筑行业中,企业通常可以使用各种系统来控制各种设备,诸如轮式装载机、自动平地机、刨床、服务器、路由器、大量工作设备和其它类型的机器,以执行各种行业特定任务。系统可以进行监视以捕获大数据,执行分析操作以解释捕获的数据用于系统维护、管理和战略规划。
总的来说,系统和设备的这种结合生成包含关于行业系统和设备的丰富信息的大量原始数据流。原始数据通常包含复杂的模式和有用的相关性。分析通常未开发的和不可访问的大数据流可以为其特定行业生成对基于数据流的系统和设备的新见解。这些新见解可以帮助优化用于许多功能的资源,诸如监测和监视、失效检测和诊断、预测和预报、工程管理、供应链管理和其它有意义的功能。附加地,这些见解可以引出关于前述功能的更好和更快的决策。
通常,在任何给定时间,许多可用类型的分析模型中的一种用于解释所捕获的原始数据以生成能够用于各种目的的相关数据。例如,相关数据能够用于监测许多物联网(IoT)设备和机器的健康和预测故障。在当前这个通常被称为第四次工业革命的时代,这一点至关重要。
直接或间接与设备通信的系统通常包括诸如传感器的连接设备。例如,连接设备可以位于机器内,并且生成能够被监测以确定机器健康状况的传感器数据。所生成的数据可以直接由操作员查看和处理各种警报来解释,该警报指示系统健康状况,例如“临界温度超出规范”。可替代地,机器健康状况也能够通过将指示机器健康的传感器数据引导到能够将原始传感器数据转换成机器健康状况指示符的分析模型中来解释。
“健康建模”的传统方法通常包括两种类型的分析解决方案,第一种是基于物理学的分析模型,第二种是统计分析模型。期望创建处理物联网传感器数据和预测设备健康状况的模型的软件工程师和计算机工程师的一般实践将使用基于物理学的建模或统计建模。
使用单一物联网健康分析和预测模型通常导致不准确的故障检测/预测和增加的误报率,其中在没有证明或证实生成故障警告的根本事实下生成故障警告。由分析模型发出的准确故障通知的数量不仅取决于分析模型检测/预测实际故障的能力,而且取决于分析模型过滤掉错误故障通知指示符的能力。
区分实际故障和错误警报的能力取决于分析引擎处理数据的方式。换言之,将非故障实例报告为故障实例不利地反映了由这种模型发布的预测的质量。
由James等人在2002年3月6日提交的美国专利申请第US10/092,491号(“‘491专利申请”)公开了一种用于诊断和预测仪表系统中的系统性能、错误系统状况和异常系统行为的方法。虽然本发明描述了一种用于仪表系统中的诊断和预测的广义形式,该仪表系统可以提供传感器数据和离散系统变量,并考虑了所有标准形式的数据,时变(传感器或提取的特征)量和离散测量,嵌入的物理和符号模型,以及与其它自治使能部件的通信,但是本发明没有公开通过结合物理和统计模型来预测故障。
发明内容
所公开的用于通过监测设备健康来预测故障的系统,包括:通过经由多个第一数据分析模型处理设备数据生成第一组预测;通过经由多个第二数据分析模型处理设备数据生成第二组预测;在比较第一组预测和第二组预测之后生成一致性决策;统计数据分析可以使用结果、定时、概率等生成一致性决策的置信度水平的估计;以及选择性地报告满足置信度阈值的一致性决策,同时不公开物理模型数据分析结果和统计数据分析结果的预测。
提出了一种使用物理模型和统计模型(包括机器学习(ML)和人工智能(AI)模型)的失效诊断方法。通常,在实际中,单个模型在这两个领域的性能都较低,因为没有一个单独的分析模型本身是完美的。通过结合物理模型和统计模型,创建了各自以不同原理操作的“模型的混合系综”,其具有较高的检测精度和较低的误报率。
下面在标题为“具体实施方式”的部分中描述本发明的这些和其它特征、方面和实施例。
附图说明
图1显示描绘所公开的发明的一个实施例的工艺流程的流程图。
图2指示根据所公开的发明的一个实施例的工艺流程。
图3示出根据所公开的发明的另一个实施例的工艺流程。
图4描绘执行物理数据分析的方式。
图5表示执行统计数据分析的方式。
图6示出根据所公开的发明的一个实施例的系统图。
图7指示处理一组相关参数的方式。
具体实施方式
为何系综:
所提出的是一种称之为“系综模型”的模型,其用于监测感兴趣的事件,诸如用于物联网(IoT)设备和机器的健康监测和设备故障预测。在第四次工业革命的时代,这种监测至关重要。
工作场所或生产场所通常包括大量的设备,并且为了清楚起见,设备可以被定义为执行多个任务的一个或多个机器。每个机器经配置生成指示各种参数属性的传感器数据。能够经由工作场所机器参数属性实时地连续监测工作场所机器性能。
在一个实施例中,公开了一种用于通过监测设备数据预测设备故障的计算机实现的方法,该方法包括:通过经由数据分析和机器学习技术的多个第一模型处理设备数据生成第一组预测。在本文中,术语“预测”指示异常检测,其中在机器发生失效或故障先前或之前预测机器失效或故障。
该方法进一步包括:通过经由数据分析和机器学习技术的多个第二模型处理设备数据生成第二组预测;使用机器学习技术,通过比较第一组预测和第二组预测生成一致性决策;使用机器学习技术估计一致性决策的置信度水平;以及选择性地公开满足置信度阈值的一致性决策。
在所公开的发明的实施例中,维护图7所示的数据库700,使得对于工作场所上的每个机器,维护相关联的参数列表。附加地,数据库还包含每个参数列表的合适的值范围。合适的或可接受的值范围包括最低可接受值(最小值)和最高可接受上限值(最大值)。对于给定的机器,大于或等于最小值并且小于或等于最大值的所有值被认为在可接受的值范围内。在该实施例中,只要参数值保持在可接受的值范围内,就不生成警报或通知。
通常,对于给定机器,给定机器的物理属性和相关联状态能够提供关于给定机器的功能的足够信息。该信息可以提供警报通知的基础,或者换言之提供相对于给定机器的不期望或不良性能的标记。
另一方面,给定机器的基于统计分析模型的分析将使用数学原理。例如,统计分析模型可以使用概率理论来分析和解释表示给定机器工作方式的一组数字数据。换言之,在检查随机样本的特征之后,使用数学原理来推论关于一组机器的特征。
在手动操作模式中,为了处理来自传感器的输入,该传感器监测给定机器的温度数据,该机器可以经配置通过使操作员直接解释数据(例如,“临界温度超出规范”)来监测机器‘健康’状态。在接收到该警报通知后,操作员可以采取纠正措施,诸如“停止设备”。至于确定修复动作的确切过程,作为手动协调的操作,操作员可以基于他/她的判断做出确定,或者可以在操作员组织内部或外部向专家咨询。
在所公开的发明的所公开实施例的优选实施例中,数据分析的统计模型至少基于事件开始时间、事件结束时间、事件持续时间、事件结果、事件概率和所连接事件的发生来进行数据分析。能够是数据存储700的一部分的事件数据库可以存储多个事件的事件数据的列表,诸如对于给定的事件,数据存储可以包含诸如开始时间、结束时间、事件持续时间、事件结果、事件概率和所连接事件的发生的信息。该信息与其它统计数据一起可以至少部分地提供异常检测的基础。
可替代地,能够进行数据库搜索以标识其中遇到给定设备的类似温度趋势的先前实例。数据库搜索还可以揭示先前采用的修复动作过程及其结果。基于修复动作过程的结果,可以选择性地采用或忽略先前采用的修复动作过程。如果经选择,操作员可以有选择地消除动作的历史过程,如果操作员察觉到它没有带来期望的结果。
涉及使用寻求专家意见和进行数据库搜索的选项可能是耗时的。时间延迟对于依赖在解决潜在问题的步骤之后检测有问题的症状的系统是常见的。可以应用各种数据处理模型来最小化时间延迟。例如,设备传感器数据可以通过用于分析设备数据以标识设备健康状况的数据分析模型。传统上,‘设备健康建模’可以包含使用基于物理学的分析模型或基于统计的分析模型。
附加地,基于物理学的模型或基于统计的模型可以用于处理物联网(IoT)传感器数据并且预测设备健康状况。
对于任何单个分析模型,给定分析模型的质量取决于给定分析模型的以下能力:(1)检测指示真实问题发生的实例;(2)区分指示问题发生的实例和指示非问题发生的实例;以及(3)报告指示问题发生的实例并忽略指示非问题发生的实例。在本文中,术语“问题”指示与机器相关联的失效或故障的即将发生的和关键的实例。类似地,术语“非问题”指示出现与机器相关联的失效或故障的良性和微不足道的实例。通常,单个模型孤立地工作,照此,当检测指示问题发生或非问题发生的实例时,它们通常具有低精度。
在所公开的发明的一个实施例中,该实施例结合多个分析模型以创建具有较高的失效检测精度和较低的误报率的‘模型混合系综’。
在所公开的发明的另一个实施例中,可以通过结合全部各自不同的多个分析模型来制定模型的混合系综。在所公开的发明的又一个实施例中,模型的混合系综可以通过结合模型来制定,该模型展现出部分模型基本上相反。例如,可以通过将物理分析模型与统计分析模型相结合来制定模型的混合系综。
通常,物理模型是域驱动的。物理模型的精度通常取决于模型创建者用数学描述模型中使用的对象的物理属性的能力。在所公开的发明的一个实施例中,物理模型可以基于由对象制造商提供的信息来表征模型参数。还可以经由从用户团体接收的反馈来保护域知识。域知识的范围可以从一般的和模糊的到特定的和精确的。有利地,相对于域知识的更大的特定性将增加物理分析模型的有效性。
物理模型提供了几个优点,例如,物理分析模型的结果可以通过人类观察来解释。附加地,物理分析模型可以通过增加域专业知识来提供提高模型效率和预测精度的能力。此外,物理分析模型提供了一种途径,由此能够在不必存档来自工厂的数据的情况下创建模型。在另一个示例性实施例中,可以通过结合多个模型(诸如三个或多个模型)来制定模型的混合系综。
类似地,统计模型提供了几个优点。统计分析模型(包括机器学习(ML)和人工智能(AI)模型)可以客观地进行数据分析以标识趋势并且量化数据属性。统计分析模型可以附加地基于经量化的数据属性来概括数据以指示数据分布或其它数据特征。由统计数据分析模型提供的无偏和数据支持的概要可以提供做出知情决策的坚实基础。
统计模型(包括机器学习(ML)和人工智能(AI)模型)可以提供参考框架以解释各种数据属性之间差异的大小。附加地,统计模型可以指示不同数据属性之间的各种类型的关系,并且还指示它们各自的强度。同样地,统计模型可以确定统计分析的结果,并且证实基于该结果的预测。
现在参考图1,描述了所公开的发明的一个实施例的工艺流程。该过程开始于框100,其中系统确定给定机器是否处于运行状态。如果机器处于运行状态,则该过程移动到框110以监测来自状况监测软件的各种指示符,用于异常检测。使用统计、机器学习和人工智能来训练指示给定机器的健康状况的状况监测指示符(CMI),以对各种参数值进行预检查,从而确保参数值在可接受的范围内。
如果在框100处确定机器当前未运行,则代替进行到框110,过程迭代地移回到框100以确定机器是否已开始工作。换言之,过程迭代地返回到框100,直到机器从空闲状态切换到运行状态。
如前所述,该过程从框100移动到框110以监测来自CMI的输入用于异常检测。该过程可以移动到框120以使用统计分析模型(包括用于异常检测的ML和AI模型)进行数据分析。此后,过程移动到框130,以使用用于预测故障的物理分析模型进行数据分析。在框140,该过程可以生成一致性决策。一致性决策可以指示用于修复异常模式和/或故障指示符的建议的动作过程。
结合图4进一步描述进行一致性决策的方式。在所公开的发明的一个实施例中,物理参数由人工智能引擎评估以标识可能导致显示异常模式或故障指示模式的可疑状况。
对于工作场所上的每个机器,物理分析模型处理与给定设备相关联的每个参数的物理数据。除了其它物理属性之外,物理数据还可以包括参数值、上阈值、下阈值和比特状态信息。
当参数值小于或等于上阈值时,并且当参数值等于或大于下阈值时,则将比特状态设置为“1”或“真”。默认地,将比特状态的值设置为“1”或“真”。然而,当由传感器数据指示的参数值大于上阈值时,或当参数值小于下阈值时,则将比特状态设置为“0”或“假”。同样地,默认地,将比特切换参数设置为“0”或“假”。如上所述,当比特状态的值从真变为假时,将比特切换参数设置为‘1’或‘真’。这个过程称之为比特切换操作。
进一步地,与每个参数相关联的物理数据由人工智能引擎处理以:(1)标识观察到比特切换的参数,(2)标识引起比特切换的至少一个可疑因素(可能是引起比特切换的原因),(3)通过将至少一个可疑因素运行通过统计分析模型以标识一组相关因素,来为至少一个可疑因素标识一组相关因素,(4)再次将可疑因素运行通过物理分析模型以提取可疑因素的比特切换信息,(5)由人工智能引擎处理可疑因素,进行根本原因分析,以确定故障/异常模式是否是由过去的可疑因素引起的,以及故障是否在修改过去的可疑因素之后被纠正,以及(6)如果故障/异常模式是由过去的可疑因素引起的,并且如果在修改过去的可疑因素之后纠正了故障,则可疑因素和修改可疑因素的方式被包括在一致性决策中。
该过程可以使用物理和统计预测建模技术来达到一致性决策。附加地,诸如人工智能、历史数据分析、设备趋势信息分析等的其它技术可以单独使用或者与物理和统计预测建模技术结合使用。
在框140生成一致性决策之后,该过程可以在框150估计一致性决策的置信度水平。在框160,该过程可以确定一致性决策的估计置信度水平是否高于预定阈值。换言之,除非一致性决策是可信的,否则系统避免向接收方公开一致性决策。
可替代地,在框160,如果该过程确定所生成的一致性决策的置信度水平不满足阈值要求,则在丢弃所生成的一致性决策之后,该过程移回到框100。
除了生成一致性决策之外,系统还确保所生成的一致性决策满足或超过置信度水平阈值。所公开的系统经设计通过呈现基于物理分析模型以及统计分析模型两者的决策来避免发出假阳性故障通知。
在框170,在报告了满足置信度水平阈值的可信的一致性决策之后,过程移回到框100以检查并且查看给定设备是否在给定时间点运行。因此,该过程生成越来越精确且选择性地报告的故障通知,其基于可信的一致性决策。从框100开始,该过程开始生成一致性决策并选择性地报告可信的一致性决策的另一迭代。
可替代地,在所公开的发明的另一个实施例中,系统可以指示给定决策的置信度水平,并允许接收方配置期望的置信度水平阈值。在该实施例中,所公开的系统可以指示置信度水平阈值、所生成的一致性决策,并且可选地呈现供接收方提供定制的置信度水平阈值的选项。
在所公开的发明的又一个实施例中,除了公开基于物理和统计分析模型的结合的一致性决策的置信度水平之外,该系统还可以可替代地公开由统计分析模型和物理分析模型指示的单独的置信度水平。可以理解,从物理以及统计模型导出的数据分析结果的通知将以各种形式公开。
人工智能引擎可以经配置监测数据的异常模式。在遇到设备故障时,人工智能引擎可以隔离可能导致设备故障的一组异常模式或模式的结合。
在所公开的发明的一个实施例中,两组或多组模型检查或处理设备数据;第一组是至少一个统计分析模型,第二组是至少一个物理分析模型。至少一个统计模型可以基于机器学习和人工智能。
在检查给定机器的设备数据之后,统计模型可以将检查分析结果与CMI进行通信。在处理来自统计模型的检查分析结果之后,CMI可以确定所检查的设备数据模式是否指示故障。
如果CMI确定所检查的机器数据模式指示故障,则CMI进行比特切换操作,下面将详细描述。同样,在检查设备数据之后,物理模型可以将检查分析结果与CMI进行通信。在处理来自物理模型的检查分析结果之后,CMI可以确定所检查的设备数据模式是否指示故障。
如果CMI确定所检查的设备数据模式指示故障,则CMI进行比特切换操作。一致性决策可以由一致性决策引擎生成,这将在下面进一步讨论。附加地,置信度水平估计引擎可以为所生成的一致性决策生成置信度水平指示符。
该过程可以维护数据库,以存储与每个设备故障相关联的一组属性。例如,故障名称、可以指示给定故障的一组相关联的症状、给定故障的严重性、给定故障的生产影响、可以是给定故障的根本原因或引起给定故障的一组故障、可以作为给定故障的结果或作为给定故障的效果而发生的一组故障、给定故障与其它故障的相关性等。当综合考虑时,这些因素可以确定给定故障的权重。
无论统计分析模型还是物理分析模型检测到给定故障,当统计模型在框120检测到一些异常模式但未检测到任何特定故障模式,并且物理模型在框130检测到特定故障模式时,都可能出现情况。该过程可以解决由两种模型中只有一种以下述方式在任何给定时间检测到故障的情况引起的不一致性。
相反地,在框120,统计模型可以不检测异常模式,并且物理模型检测一些故障模式。在这种情况下,如果与检测到的故障模式相关联的权重是无关紧要的,则一致性决策做出电路可以生成一致性决策,并且估计所生成的一致性决策的低置信度水平。
在框140,一致性决策做出电路可以生成用于异步数据分析的一致性决策。附加地,在框150,一致性决策做出电路可以估计在框140生成的一致性决策的置信度水平。
在所公开的发明的一个实施例中,如果故障是即将发生的和关键的,则一致性决策做出电路可以将低置信度水平分配给一致性决策。可替代地,如果故障不是即将发生的和关键的,则一致性决策做出电路可以向一致性决策分配高置信度水平。
在所公开的发明的另一个实施例中,如果故障的财政影响是显著的,则一致性决策做出电路可以向一致性决策分配低置信度水平。可替代地,如果故障的财政影响是可忽略的,则一致性决策做出电路可以向一致性决策分配高置信度水平。
在框160,该过程可以确定一致性决策的置信度水平高于阈值。在这种情况下,可以在框170报告一致性决策。根据在框160确定的置信度水平阈值,可以报告或可以不报告一致性决策。如上所述,在框170,仅报告满足置信度阈值的一致性决策。
在所公开的发明的一个实施例中,配置管理控制器可以将与每个被监测参数相关联的比特的值设置为“真”,以指示每个被监测参数的值在可接受的范围内。一旦特定参数的值低于下限范围或超过上限范围,CMI就可以将特定参数的比特设置为“假”。CMI可以在检测到特定给定参数的比特值的改变时经训练以启动至少一个适当的升级过程来解决比特改变。
附加地,CMI还可以使用人工智能来训练,以在注意到表示关键故障的参数(诸如采矿机中的关键低燃料水平指示符)的存在时产生标记。
现在参考图2,其示出根据所公开的发明的一个实施例的工艺流程。该过程开始于框200,其中系统确定给定设备是否处于运行状态。如果设备正在运行,则过程移动到框210,以通过监测来自状况监测软件的各种指示符来检测异常。
在使用所公开的用于故障检测的过程的应用的一个示例中,该过程可以在框210监测来自CMI的输入。在框230,该过程可以使用统计模型进行数据分析以检测异常模式而不检测故障模式。在框220,该过程可以使用物理模型进行数据分析以检测故障模式。
使用在框220和230中生成的数据,该过程可以在框240生成一致性决策。例如,该过程在框240确定故障即将发生,并且该过程可以在框250将高置信度水平分配给一致性决策。在该示例中,该过程可以在框260确定所分配的置信度水平高于阈值。在框270,该过程可以选择性地报告满足的一致性决策。否则,该过程可以在返回到框200之前丢弃或存储不满足的一致性决策。
在使用所公开的用于故障检测的过程的应用的另一个示例中,在框230使用统计模型进行数据分析以检测异常模式之后,统计模型可以不检测异常模式。然而,在框220,物理模型可以检测指示故障的模式。在这种情况下,在框240生成一致性决策之后,该过程可以在框250为一致性决策分配低置信度水平。该过程可以在框260确定一致性决策的置信度水平低于所需阈值,并且因此移回到框200,而不是在框270报告一致性决策。
然而,如果该过程在框250将高置信度水平分配给一致性决策,则该过程可以在框260确定一致性决策的置信度水平高于所需阈值,并且随后在框270报告可信的一致性决策。
在所公开的发明的一个实施例中,配置管理控制器可以将与每个被监测参数相关联的比特的值设置为“真”,以指示每个被监测参数的值在可接受的范围内。一旦特定参数的值低于下限范围或超过上限范围,CMI就可以将特定参数的比特设置为“假”。CMI可以在检测到特定参数的比特值的改变时经训练以启动至少一个适当的升级过程来解决比特改变。
CMI还可以使用人工智能来训练,以甚至在启动比特切换操作之前为一组关键参数产生标记。临界参数可以例如表示临界故障,诸如采矿设备中的临界低燃料水平指示符。
现在参考图3,示出根据所公开的发明的另一个实施例的工艺流程。在框300,该过程确定是否请求统计数据分析。如果请求统计数据分析,则该过程可以移动到框310以确定被指定来处理数据的统计分析模型的数量。附加地,在框310,该过程可以标识被指定来处理数据的统计数据分析模型。在框320,该过程可以确定在框310指定的每个统计分析模型是否已经完成数据处理任务。
如果每个指定的统计分析模型已经完成数据处理任务,则该过程可以移动到框360以向置信度水平估计引擎呈现统计数据分析结果。可替代地,如果每个指定的统计分析模型还没有完成数据处理任务,则该过程可以移动到框330,其中下一个统计分析模型可以完成数据处理任务。
在框340,该过程可以将权重因子与由在步骤330中执行的最近数据处理生成的数据分析结果相关联。在所公开的发明的一个实施例中,权重因子可以指示与数据分析结果相关联的优先级。通常,数据分析结果可以包含可能的机器故障的几个实例。权重因子可以用于对检测到的故障指示列表中的给定故障进行分级。该信息可以由接收故障通知的一方使用,以优先化寻址和修复给定故障的响应。
该过程可以在框360将统计数据分析结果呈现给置信度水平估计引擎之前,在框350更新统计数据分析结果数据库中的数据分析结果和相应的权重因子。
图4描绘执行物理数据分析的方式。在框400,该过程确定是否请求物理数据分析。如果请求物理数据分析,则该过程移动到框410以确定被指定来处理数据的物理数据分析模型的数量。进一步地,在框410,该过程可以标识被指定来处理数据的物理数据分析模型。
在框420,该过程确定在框410标识的每个物理数据分析模型是否已经完成数据处理任务。如果所有指定的物理分析模型已经完成数据处理,则该过程可以移动到框460以向置信度水平估计引擎呈现物理数据分析结果。可替代地,如果所有指定的物理分析模型还没有完成数据处理任务,则该过程可以移动到框430以使用下一个物理数据分析模型来处理数据。
在框440,该过程可以将权重因子与由在步骤430中执行的最近数据处理任务生成的数据分析结果相关联。该过程可以在框460将统计数据分析结果呈现给置信度水平估计引擎之前,在框450更新统计数据分析结果数据库中的数据分析结果和相应的权重因子。
图5中示出了执行统计数据分析的方式。在框500,该过程可以确定该过程是否已经接收到物理数据分析结果。该过程停留在框500,直到该过程接收物理数据分析结果。一旦接收到物理数据分析结果,该过程可以移动到框510。
在框510,该过程可以确定该过程是否已经接收到统计数据分析结果。该过程停留在框500,直到该过程接收到统计数据分析结果。一旦接收到统计数据分析结果,该过程可以移动到框520。
在框520,一致性决策生成引擎基于所接收的物理数据分析结果和统计数据分析结果生成一致性决策。在所公开的发明的一个实施例中,该过程可以将权重与所生成的一致性决策相关联。与一致性决策相关联的权重值可以指示一致性决策的严重性。
与一致性决策相关联的较低权重值可以指示由于忽略一致性决策而导致的较小影响。因此,如果较低权重值与一致性决策相关联,则用户可以选择忽略一致性决策。相反地,较高的权重值可以指示由于忽略一致性决策而导致的主要影响。因此,如果较高的权重值与一致性决策相关联,则可以建议用户不要忽略一致性决策。结合图7进一步描述了进行一致性决策的方式。
在框530,置信度水平估计引擎可以生成用于在框520生成的一致性决策的置信度水平。阈值确定引擎可以在框540确定在步骤530中生成的并且与一致性决策相关联的置信度水平是否高于预定阈值。
阈值确定引擎可以选择性地批准置信度水平高于预定阈值的一组一致性决策。在框550,报告引擎可以选择性地报告由阈值确定引擎批准的一致性决策。因此,该过程可以丢弃较不可靠的一致性决策,并且选择性地报告可信的一致性决策。
图6描绘根据所公开的发明的一个实施例的系统图。从远程工作场所收集各种类型的遥测数据600。例如,设备健康生命数据、设备部件健康数据、设备流体负荷数据、设备流体数据、设备配置数据等。该遥测数据通常在工作现场并从远程位置传输到数据处理设施。下面描述由所公开的系统在数据处理设备处处理数据的方式。
如上所述,在到达数据处理设施时,在遥测数据管理引擎610处接收数据。数据进一步从遥测数据管理引擎610分发到数据库600和各种分析引擎615、620和625。
数据库600可以存储未处理的遥测数据以及已处理的遥测数据。此外,数据库600还可以存储先前遇到的有问题的症状、先前采用的修复动作过程和相关联的结果。如果修复动作过程产生有利的结果,则可以选择性地采用先前采用的修复动作过程。相反地,操作员可以选择性地消除先前没有产生期望结果的动作过程。
附加地,数据库600还可以包含其它数据库,诸如统计数据分析数据库、物理数据分析数据库和其它类似数据库。遥测数据可以经由有线因特网连接或无线因特网连接605从工作场所传输到远程位置。在到达远程位置时,数据被传输到遥测数据管理引擎610。
在存储在数据库600之后,未处理的遥测数据可以与各种数据分析引擎共享,诸如第一数据分析引擎615、第二数据分析引擎620和第三数据分析引擎625。尽管在图6中仅示出了三个分析引擎615、620和625,但是在所公开的发明的各种实施例中可以使用更少或更多的各种类型的分析引擎。
第一数据分析引擎615、第二数据分析引擎620和第三数据分析引擎625各自可以处理遥测数据并且经由遥测数据管理引擎610将处理后的数据存储在数据库600。附加地,已处理的数据还被发送到一致性决策生成引擎630。
在所公开的发明的一个实施例中,一致性决策生成引擎630可以基于所接收的物理数据分析结果和统计数据分析结果生成一致性决策。一致性决策生成引擎630可以将权重与一致性决策相关联,其中与一致性决策相关联的权重值可以指示忽略一致性决策的影响的严重性。
在每个指定的物理数据分析模型完成数据处理任务之后,物理数据分析结果被呈现给置信度水平估计引擎635。置信度水平估计引擎635可以生成一致性决策的置信度水平。阈值确定引擎640可以确定与所生成的一致性决策相关联的置信度水平是否高于预定阈值。
阈值确定引擎640可以选择性地批准置信度水平高于预定阈值的一致性决策。附加地,阈值确定引擎640可以将经批准的一致性决策传送到报告引擎645。报告引擎645可以报告由阈值确定引擎640批准的一致性决策。
工业实用性
现在参考图7,示出了处理一组相关参数的方式。在框700,将诸如设备传感器数据、设备历史趋势数据、客户数据、站点数据等数据存储在数据存储中。对于每个参数,相关联的上阈值和下阈值也存储在数据库中。
在框710,该过程至少基于设备传感器数据来标识超出界限的参数。超出界限的参数值通常可以落在所配置的阈值范围之外。换言之,每个超出界限的参数值可以小于下阈值或大于上阈值。
附加地,在框710,该过程标识一组相关参数。在所公开的发明的一个实施例中,相关参数是一组参数,其中,改变一个参数的值导致改变该组相关参数中的每个参数的值。人工智能引擎可以经编程迭代地标识相关参数的嵌套集合,并且不仅预测可能的故障,而且确定修复引起故障的状况的途径。
在框720,该过程确定该组相关参数中的每个参数是否被处理。框730的处理包括为该组相关参数中的每个参数标识一组可疑状况。该组可疑状况可能导致给定参数的阈值违规。在所公开的发明的一个实施例中,该过程可以执行修复动作以克服阈值违规。该过程可以进行搜索以通过遍历数据存储来标识修复动作。
尽管上述描述叙述了标识和克服阈值违规,但是应理解,可以类似方式处理除阈值违规以外的违规。
在所公开的发明的一个实施例中,当给定参数值第一次经历阈值违规时,系统可以使用比特切换来检测事件。该过程可以从数据存储中标识用于所检测的比特切换的一组修改的参数。附加地,该过程可以为该组相关参数中的每个参数标识一组相关参数。改变一个参数的值导致改变该组相关参数中的其它参数的值。在退出到框740之前,对于给定参数,标识受导致比特切换的状况影响的所有参数,并且采取修复动作来反转比特切换。在所公开的发明的另一个实施例中,该过程可以仅通知用户阈值违规并且不打扰采取修复动作。在该实施例中,一旦通知用户阈值违规,就可以执行比特切换操作。
在所公开的发明的一个实施例中,该系统可以使用物理分析模型进行处理,其中该组相关参数中的每个参数收集该组相关参数中的每个参数的物理数据。物理数据可以包括上阈值边界、下阈值边界、比特状态信息和其它类似属性。然后,该系统可以使用人工智能来处理与该组相关参数中的每个参数相关联的物理数据,以标识指示故障的模式。
进一步地,使用统计分析模型,该系统可以处理该组相关参数中的每个参数,以将给定参数的统计数据与该组相关参数的统计数据进行比较。值得注意的是,统计数据可以包括参数的历史趋势,诸如:上阈值边界、下阈值边界、移动平均值、相关系数、统计分布的参数、比特状态信息和其它类似属性。统计分析可以标识可能历史上导致阈值边界违规的一组可疑参数,并且可以基于统计数据分析来标识异常模式。
因此,统计分析引擎可以为每个比特切换标识可能已经引起比特切换的一组可疑参数。在进行物理分析操作和统计分析操作之后,该系统可以生成一致性决策并且指示一致性决策的置信度水平。
通过统计分析模型处理相关参数和可疑参数,该系统可以通过标识与一致性决策相关联的第一权重来确定置信度水平。同样,通过物理分析模型处理相关参数和可疑参数,该系统可以标识与一致性决策相关联的第二权重。此外,通过人工智能引擎处理相关参数和可疑条件,该系统可以标识与一致性决策相关联的第三权重。最终,该系统可以通过聚集第一权重、第二权重和第三权重来计算一致性决策的权重。
应当理解,前面的描述提供了所公开的系统和技术的示例。然而,可以设想,本发明的其它实现方式在细节上可以不同于前述示例。对本发明或其示例的所有引用旨在引用在该点处讨论的特定示例,并且不旨在暗示对更一般地本发明的范围的任何限制。关于某些特征的区别和贬低的所有语言都旨在缺乏对这些特征的偏好,但除非另有说明,否则并不完全将其从本发明的范围中排除。
除非本文另有说明,否则本文对值的范围的叙述仅旨在用作个别地提及落在该范围内的每个单独值的速记方法,并且将每个单独值并入说明书中,如同其在本文中被个别地叙述一样。本文描述的所有方法可以以任何合适的顺序进行,除非本文另有说明或与上下文明显抵触。
在描述本发明的上下文中(特别是在所附权利要求的上下文中),术语“一(a)”和“一(an)”以及“该(the)”和“至少一个”和类似指示物的使用应被解释为涵盖单数和复数,除非在本文中另有说明或与上下文明显抵触。术语“至少一个”后面跟着一个或多个项目的列表(例如,“A和B中的至少一个”)的使用应解释为意指选自所列项目(A或B)的一个项目或所列项目(A和B)中的两个或多个的任何结合,除非本文中另有说明或与上下文明显抵触。因此,本发明包括适用法律允许的所附权利要求书中所述主题的所有修改和等效物。而且,上述要素在其所有可能的变化中的任何结合都被本发明所涵盖,除非在本文中另有说明或与上下文明显抵触。

Claims (10)

1.一种用于通过监测设备数据来预测设备故障的计算机实现的方法,所述方法包括:
通过经由数据分析和机器学习技术的多个第一模型处理设备数据生成第一组预测;
通过经由数据分析和机器学习技术的多个第二模型处理设备数据生成第二组预测;
使用机器学习技术,通过比较所述第一组预测和所述第二组预测生成一致性决策;
使用机器学习技术估计所述一致性决策的置信度水平;以及
选择性地公开满足置信度阈值的所述一致性决策。
2.根据权利要求1所述的方法,其中数据分析的所述多个第一模型是包括机器学习(ML)和人工智能(AI)模型的数据分析的统计模型。
3.根据权利要求2所述的方法,其中数据分析的所述统计模型至少基于事件开始时间、事件结束时间、事件持续时间、事件结果、事件概率和所连接事件的发生来进行数据分析。
4.根据权利要求3所述的方法,其中数据分析的所述多个第二模型是数据分析的物理模型。
5.根据权利要求4所述的方法,其中所述一致性决策是在比较所述第一组预测和所述第二组预测之后生成的。
6.根据权利要求1所述的方法,其中所述第一组预测由数据分析的第一模型生成,而所述第二组预测由数据分析的所述多个第二模型生成。
7.根据权利要求6所述的方法,其中所述第一组预测由数据分析的所述多个第一模型生成,而所述第二组预测由数据分析的第二模型生成。
8.根据权利要求6所述的方法,进一步包括向接收方选择性地公开满足置信度阈值的所述一致性决策。
9.根据权利要求8所述的方法,其中选择性地公开所述一致性决策包括不公开物理模型数据分析结果和统计数据分析结果的预测。
10.一种用于使用人工智能减少来自事件检测系统的假阳性通知的计算机实现的方法,包括:
从源接收遥测数据;
在处理器,通过处理所述接收的遥测数据生成第一数据,其中所述第一数据是由第一数据模型使用第一逻辑生成的;
在所述处理器,通过处理所述接收的遥测数据生成第二数据,其中所述第二数据是由第二数据模型使用第二逻辑生成的,其中所述第一逻辑与所述第二逻辑不同(不相交);
在所述处理器,通过处理所述第一数据和所述第二数据生成第三数据,其中所述第三数据是由系综数据模型使用第三逻辑生成的,其中所述第三逻辑与所述第二逻辑不同(不相交)。
CN202180083086.7A 2020-12-10 2021-11-17 用于物联网预测建模的混合系综方法 Pending CN116670608A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US17/117153 2020-12-10
US17/117,153 US20220187813A1 (en) 2020-12-10 2020-12-10 Hybrid ensemble approach for iot predictive modelling
PCT/US2021/059596 WO2022125277A1 (en) 2020-12-10 2021-11-17 Hybrid ensemble approach for iot predictive modelling

Publications (1)

Publication Number Publication Date
CN116670608A true CN116670608A (zh) 2023-08-29

Family

ID=78845130

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202180083086.7A Pending CN116670608A (zh) 2020-12-10 2021-11-17 用于物联网预测建模的混合系综方法

Country Status (6)

Country Link
US (1) US20220187813A1 (zh)
EP (2) EP4310620A3 (zh)
CN (1) CN116670608A (zh)
AU (1) AU2021397184A1 (zh)
CA (1) CA3201263A1 (zh)
WO (1) WO2022125277A1 (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3965031A4 (en) * 2019-05-31 2022-12-07 Siemens Ltd., China METHOD, APPARATUS AND SYSTEM FOR STORING DEFECT DATA AND COMPUTER READABLE MEDIA
EP4300234A1 (de) * 2022-06-29 2024-01-03 Siemens Aktiengesellschaft Überwachungsvorrichtung zur zustandsüberwachung einer maschine
WO2024059625A1 (en) * 2022-09-14 2024-03-21 Rochester Institute Of Technology Network adjustment based on machine learning end system performance monitoring feedback
CN116366375B (zh) * 2023-06-02 2023-08-15 北京华科海讯科技股份有限公司 基于人工智能的安全运算方法及系统
US12095786B1 (en) * 2023-12-18 2024-09-17 Wiz, Inc. System and method for generating cybersecurity remediation in computing environments

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
SI2922845T1 (sl) 2012-11-20 2018-10-30 Merial, Inc. Antihelmintske spojine in sestavki ter postopek za njihovo uporabo
US10092491B2 (en) 2015-03-20 2018-10-09 John E. Kulesza Skin renewal enhancer

Also Published As

Publication number Publication date
EP4310620A2 (en) 2024-01-24
US20220187813A1 (en) 2022-06-16
EP4310620A3 (en) 2024-04-10
AU2021397184A1 (en) 2023-06-29
EP4260254A1 (en) 2023-10-18
CA3201263A1 (en) 2022-06-16
WO2022125277A1 (en) 2022-06-16

Similar Documents

Publication Publication Date Title
CN116670608A (zh) 用于物联网预测建模的混合系综方法
Alaswad et al. A review on condition-based maintenance optimization models for stochastically deteriorating system
KR102118670B1 (ko) Ict 인프라 관리 시스템 및 이를 이용한 ict 인프라 관리 방법
JP2009053938A (ja) 複数モデルに基づく設備診断システム及びその設備診断方法
CN112083244B (zh) 综合化航空电子设备故障智能诊断系统
Roemer et al. An overview of selected prognostic technologies with application to engine health management
KR20190021560A (ko) 빅데이터를 활용한 고장예지보전시스템 및 고장예지보전방법
CN111262750B (zh) 一种用于评估基线模型的方法及系统
JP2017010263A (ja) 異常予兆診断装置のプリプロセッサ及びその処理方法
WO2023065584A1 (zh) 设备的剩余使用寿命的确定方法、装置和电子设备
KR101776350B1 (ko) 압축기를 진단하는 방법 및 시스템
CN117114454A (zh) 一种基于Apriori算法的直流套管状态评估方法及系统
WO2013041440A1 (en) System and method for plant wide asset management
CN116975604B (zh) 贴片机驱动系统的故障预测方法及系统
US11262743B2 (en) Predicting leading indicators of an event
RU2687848C1 (ru) Способ и система вибромониторинга промышленной безопасности динамического оборудования опасных производственных объектов
CN110765633A (zh) 一种动力装置的智能管理方法和装置
KR102108975B1 (ko) 함정설비의 상태기반 정비 지원 장치 및 방법
Xin et al. Dynamic probabilistic model checking for sensor validation in Industry 4.0 applications
AU2023203898B2 (en) Method For Managing Plant, Plant Design Device, And Plant Management Device
WO2020044898A1 (ja) 機器状態監視装置及びプログラム
CN117950947A (zh) 一种基于互联网的计算机故障监测系统及方法
Ding et al. A data analytic engine towards self-management of cyber-physical systems
Perreault et al. Deriving prognostic continuous time Bayesian networks from D-matrices
Beduschi et al. Optimizing rotating equipment maintenance through machine learning algorithm

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination