CN112200323A - 评估工业设备和过程的状态 - Google Patents
评估工业设备和过程的状态 Download PDFInfo
- Publication number
- CN112200323A CN112200323A CN202010647792.7A CN202010647792A CN112200323A CN 112200323 A CN112200323 A CN 112200323A CN 202010647792 A CN202010647792 A CN 202010647792A CN 112200323 A CN112200323 A CN 112200323A
- Authority
- CN
- China
- Prior art keywords
- measurement data
- machine learning
- record
- learning model
- industrial plant
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 114
- 230000008569 process Effects 0.000 title claims abstract description 66
- 238000005259 measurement Methods 0.000 claims abstract description 149
- 238000010801 machine learning Methods 0.000 claims abstract description 65
- 238000012549 training Methods 0.000 claims abstract description 41
- 230000004044 response Effects 0.000 claims abstract description 7
- 238000007689 inspection Methods 0.000 claims description 12
- 238000011156 evaluation Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 230000006399 behavior Effects 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 5
- 238000012423 maintenance Methods 0.000 claims description 4
- 230000008439 repair process Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims 1
- 238000012937 correction Methods 0.000 description 8
- 238000005187 foaming Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 230000036541 health Effects 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000003862 health status Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000001953 sensory effect Effects 0.000 description 3
- 208000024891 symptom Diseases 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 230000021317 sensory perception Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005587 bubbling Effects 0.000 description 1
- 238000012824 chemical production Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000001010 compromised effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000003748 differential diagnosis Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 239000006260 foam Substances 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 238000000053 physical method Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric 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
- G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric 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
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/024—Quantitative 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/25—Pc structure of the system
- G05B2219/25255—Neural network
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32335—Use of ann, neural network
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/33—Director till display
- G05B2219/33331—Test, diagnostic of field device for correct device, correct parameters
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric 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
- G05B23/0243—Electric 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 model based detection method, e.g. first-principles knowledge model
- G05B23/0254—Electric 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 model based detection method, e.g. first-principles knowledge model based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, Neural Networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Human Resources & Organizations (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Automation & Control Theory (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本公开的实施例涉及评估工业设备和过程的状态。一种用于训练机器学习模型的方法,基于由多个传感器收集的测量数据以评估工业设备和/或过程的至少一个状态,该方法包括:获得测量数据的多个记录;对于测量数据的每个记录,获得表示状态的标签;确定测量数据的至少一个记录的合理性和/或至少一个标签的合理性;以及响应于该合理性符合至少一个预定标准,将测量数据的记录和标签包括在训练数据的集合中,训练机器学习模型要在训练数据的集合上被训练。一种方法,用于评估过程或设备的状态。
Description
技术领域
本发明涉及使用训练的机器学习模型基于由传感器收集的测量数据来评估工业设备的健康状态,或者设备或使用设备的工业过程的任意其他状态。
背景技术
许多工业工厂的工业设备资产没有配备在线状态监测***。这种设备的健康状态目前由巡逻工厂的操作人员进行检查。基于感官知觉(诸如可见的泄漏、可听到的噪声和可感觉的振动),操作人员可以推断设备的异常情况,并将其标记用于维修。操作人员还对过程(诸如化学生产过程)进行目测检查,以确定质量或识别异常过程状态(例如,在反应器中起泡)。
这一人工过程是劳动密集型的,因此成本高昂。其中一些努力是浪费的,因为即使并非所有设备都需要同时检查健康状态,但这也不会减少步行穿过工厂的长度。
此外,在人工过程中也有错误来源。感官知觉是主观的并且可能归咎于错误的设备。例如,可能会误判声音传来的方向。
发明目标
因此,本发明的目标是允许对劳动密集度较低且不易出错的工业设备或过程的状态进行自动化监测。
该目标是通过用于训练根据主权利要求的机器学习模型的方法以及用于评估根据另一个独立权利要求的工业设备和/或过程的一个或多个状态的方法来实现。另外的的有利的实施例在相应的从属权利要求中详细说明。
发明内容
本发明提供了一种用于训练机器学习模型方法,以基于由多个传感器收集的测量数据来评估工业设备的至少一个状态(诸如健康状态)和/或在工业工厂中运转的过程的至少一个状态。该方法的目标是将模型训练成一种状态,在这种状态下,可以将测量数据输入到模型中,并且模型返回设备或过程状态的准确指示。
术语“机器学习模型”包括要在训练示例的有限集合上训练的每一个模型,并且有能力将获得的经验推广到未经训练的情况。主要示例是人工神经网络或支持向量机。
例如,设备的状态可以包括健康状态。例如,健康状态可以包括设备或过程目前是否正常操作的指示。例如,健康状态还可以包括对将来可能发生的一个或多个故障的预测和/或对设备的剩余使用寿命的估计。由于磨损而发生的大多数故障都会提前通知,这些故障可以由传感器接收。例如,尽管泵继续正常运转,但具有轴承问题的泵可能会发出大量的振动或噪音。但如果轴承不及时固定,泵就可能会完全失效。
例如,过程状态可以包括生产过程中是否存在问题,如可能导致容器的溢出的过程液体起泡。另一个示例是过程工厂中存在某些物质的泄漏。
在训练方法的过程中,获得了测量数据的多个记录。这些记录对应于各种操作情况以及设备和/或过程的各种状态。术语“获得”不限于实时测量。相反,更有可能的是,在实际训练开始之前,收集了相当长一段时间的测量数据。
对于测量数据的每个记录,都会获得标签。该标签表示在由测量数据的记录表征的操作情况下的设备和/或过程的状态。同样,术语“获得”不限于实时标记。相反,可以先收集测量数据的集合,然后进行标记。标签可能来自任何来源。例如,标签可以从人类专家处获得。
任何合适的翻译都可以应用于人类专家的输入。例如,当人类专家输入某一操作情况下存在某一感官印象(诸如噪声)时,则标签可以仅分配给具有来自能够接收该感官印象的传感器的测量数据的记录。例如,如果感官印象是噪声,则待标记的数据可以包括由至少一个麦克风捕获的测量数据。
术语“测量数据”不限于由一个或多个传感器实际捕获的真实的测量数据。相反,例如测量数据还可以通过使用设备和/或工业过程的模型的仿真获得。此外,从已经标记的测量数据开始,可以通过诸如“生成对抗网络”的技术产生与同一标签一致的人工测量数据。例如,给出足够多的测量数据的记录指示泵中的轴承问题,则可以通过计算生成更多的人工测量数据的记录,这些记录与所述实际测量数据不可区分。结果是具有指示轴承问题测量数据的记录的可变性更高。
测量数据的至少一个记录的合理性和/或至少一个标签的合理性是至少部分地基于与测量数据的至少一个其他记录、与至少一个其他标签和/或关于工业设备并且/或者与关于该设备所在的工业工厂和/或关于过程的附加信息的比较来确定的。例如,附加信息可以从工业工厂的分布式控制***(DCS)中获取。
响应于合理性符合至少一个预定标准,将测量数据的记录和标签包括在训练机器学习模型的集合中,该机器学习模型要在训练数据的集合上被训练。例如,该标准可以包括阈值。
发明者已经发现,自动化的合理性检查提高了将要训练机器学习模型的训练数据的最终集合中的测量数据的记录与标签之间的关联的准确度。特别地,在训练数据的集合中,将有更多正确的“基本事实”和更少的错误和矛盾。以这种方式,最终获得的机器学习模型更有可能基于物理测量数据的记录,对设备和/或过程的状态提供准确的评估。
即,合理性检查有助于抑制由人在标记测量数据中所固有的主观成分,使得设备的人工监测的这一缺点不会转移到自动化监测中。
在一个特别有利的实施例中,比较包括由在工业设备影响范围内的不同位置的不同传感器获取的相同物理量的测量值。由于该设备的存在和/或操作,不同位置的物理量的值可能以某种方式相互关联。例如,物理量可以在不同位置之间变化的数量是有限的。
例如,工业设备可以包括泵。测量数据的记录可以包括在泵的入口区域获取的噪声和/或振动的测量数据,以及在泵的出口区域获取的噪声和/或振动的测量数据。则可以合理地预期,泵的出口区域的噪声和/或振动与泵的入口区域的噪声和/或振动有些相似。例如,由于在两个位置捕获的噪声和/或振动是由同一个源产生的,因此频谱应该相似,并且与泵的转速相关。此外,振动的强度应该与泵是否运转相关。
例如,如果测量数据指示振动,但泵未运转,则泵不可能是该振动的来源。在另一个示例中,如果测量数据指示泵的下游压力高于泵的上游压力,则指示泵正在操作。这与指示泵未操作的标签不一致。造成这种不一致的可能原因是,现有的几个泵中错误的一个被标记为未操作。例如,这可能发生在包括多个相邻的并联泵的设置中。
在另外的特别有利的实施例中,比较包括通过工业设备的预期操作而彼此相关的不同物理量的测量值。即,该预期操作可以作为合理性检查的附加知识加以利用。
在上述示例中,工业设备包括泵,不同的物理量可以包括以下项中的至少项:噪声、振动、输出质量流、输出压力、电力消耗。例如,如果泵不消耗电力,则不应该存在输出质量流。
在另外的特别有利的实施例中,响应于确定合理性不符合标准,提示人类专家决定下一步要做什么。专家可以认为测量数据和标签的组合是合理的,并且他可以选择性地修改在该过程中的测量数据和/或标签。例如,如果确定专家已将错误的泵标记为未运转,则专家可以对此进行更正。
此外,在另外的特别有利的实施例中,将测量数据的记录和/或标签与在同一工业工厂内的同一种设备的另一个实例上获得的测量数据的至少一个其他记录和/或至少一个其他标签进行比较。在提示专家决定的过程中可以将该比较的结果呈现给专家。
例如,如果测量数据记录和标签的组合指示设备的部件有问题,而这没有通过合理性检查,则可以检查对测量数据(即观察到的症状)或标签(即从测量数据推断出的症状的根本原因)的修正是否可以使测量数据记录和标签的组合合理。此外,还可以执行在工业工厂内的设备的类似部件的搜索。然后,可以确定测量数据和标签的组合是否合理地指示不同但相似的设备的问题。然后,可以向专家呈现一份不同修正的清单,这些修正可以使测量数据记录和标签的组合合理,使得专家可以更正任何错误。
例如,在一组并联泵中,通过振动测量指示的轴承问题可能归咎于第一个泵,而第二个泵是实际故障的泵。此外,有些症状可能会混淆,因为它们与几种类型的故障一致,使得需要用更多的测量数据进行鉴别诊断。例如,高振幅的振动可以指示多个故障,但如果该振幅对泵的转速的依赖关系显示出共振峰值,则可以排除其中一些故障。
该方法还可以包括优化表征机器学习模型的行为的参数的集合,使得机器学习模型以足够的准确度将训练数据的集合中的测量数据的记录映射到其相应的标签。该步骤可以由检查测量数据和/或标签合理性的同一实体执行,但这不是必需的。相反,获得训练的机器学习模型以评估设备和/或过程的一个或多个状态的总体项目可以被分解为由不同实体执行的子任务。例如,第一实体可以收集原始测量数据并将其提供给第二实体用于标记。第三实体可以从第二实体获得标记的测量数据的记录,并剔除和/或修改不合理的测量数据的记录和/或标签。以这种方式改进的测量数据的记录和标签可以传递给第四实体,第四实体优化参数的集合,从而执行机器学习模型的最终训练。
特别是在这样一系列中,合理性检查用于解决获取测量数据的标记的记录的数量、质量和成本之间的内在冲突。特别地,成本可能随着所需的质量而不成比例地增加。例如,为了降低超过某一点的图像噪声,可能需要将在室温下操作的图像传感器更换为需要用液氮冷却的传感器。为了提高超过某一点的标签的准确度,可能需要将标记任务重新分配给每小时收费更高的更好的人类专家。合理性检查简化了对于测量数据的记录和标签的质量要求。即,可以使用质量等级较低的测量数据和/或标签。反过来这意味着,对于给定的金额,可以获得更多的数据。这增加了机器学习模型在训练期间所经历的情况的可变性。最终结果是,经训练的机器学习模型在处理未训练的情况时具有较高的泛化能力。
将不同的子任务分配给不同实体的可能性创造了具有自身可销售价值的新产品。例如,机器学习***的制造商可以从第一供应商购买训练数据的集合,并将其传递给随后执行机器学习模型的训练的第二供应商。然后,第二供应商可以传递表征机器学习模型的行为的参数的集合。使用参数的集合,制造商可以生产任意数量的机器学习模型(以及包含这些模型的模块)。因此,本发明还涉及使用上述方法获得的训练数据的集合和/或参数的集合。
对训练方法的讨论表明,即使从给定的一组测量数据的标记的记录开始,也可以创建不同的机器学习模型。但仍然存在更多的自由度。测量数据的记录的不同的组可以用于训练从测量数据评估设备和/或过程状态的特定方面。例如,可以基于麦克风捕获的噪声数据的记录来训练第一模型,可以基于相机捕获的图像的记录来训练第二模型,并且可以使用两者的组合来训练第三模型。在工业工厂的操作期间,没有确定哪种模型最适合于评估设备和/或过程的所需状态。相反,不同的模式可能适用于不同的情况。
例如,在特定的操作情况下,噪声数据可能会因为建筑工人在现场使用冲击钻工作而受到损害。在这种情况下,至少部分基于噪声数据且不考虑钻机干扰的模型可能会得出错误的结论,使得仅使用图像的第二模型在这种情况下可能更合适。但是在噪声测量和图像采集都不受干扰的“正常”操作情况下,最全面的第三模型可能更合适。
因此,本发明还提供了一种用于评估工业设备的至少一种状态和/或工业工厂中运转的过程的至少一种状态的方法。在该方法过程中,获得测量数据的至少一个记录,至少一个记录描述设备和/或过程的操作情况。例如,可以使用多个传感器来获取测量数据,但这不是强制性的。相反,执行状态评估的实体还可以从物理地使用传感器获取测量数据的另一个实体获得测量数据。
获得了多个经训练的机器学习模型。多个经训练的机器学习模型各自被配置为将至少一个测量数据的记录映射到设备的状态和/或过程的状态的指示。
对于经训练的机器学习模型中的每个经训练的机器学习模型,确定适应度的数字以评估由至少一个测量数据的记录描述的情况。选择其适应度的数字满足预定标准的至少一个经训练的机器学习模型。使用至少一个所选择的经训练的机器学习模型,将测量数据的记录映射到所需状态。
以这种方式,包含在多个这种经训练的机器学习模型中的知识可以被汇集。每种操作情况可以由适当的“专家”进行评估,使得得出大部分的相应情况下可用的测量数据。
在一个特别有利的实施例中,在确定适应度的数字的过程中,确定针对测量数据的质量和/或针对其中包含的任何干扰的类型和/或强度的测量。训练的机器学习模型的适应度的数字是至少部分地基于经训练的机器学习模型的适应度来确定的,以处理根据测量质量和/或包含所确定的类型和/或强度的干扰的测量数据。
在上述示例中,如果存在经过特别训练的另一个机器学习模型,即使在存在来自电动工具的间歇性噪声的情况下,也可以通过噪声测量来评估设备的状态,那么可以在存在这种间歇性噪声的情况下选择该模型。同样地,可能存在另外的机器学习模型,即使在低光照或其他不利情况下,也允许通过图像数据更好地确定状态。
在一个特别有利的实施例中,确定针对测量数据的质量的测量具体包括将测量数据提供给另外的经训练的机器学习模型。该另外的经训练的机器学习模型被特别配置为产生分类值和/或回归值,作为质量的测量。
例如,分类值可以指示图像中是否存在高斯噪声、散粒噪声或运动模糊,或者在音频测量上是否存在叠加的爆裂声或蜂鸣声。例如,回归值可以是质量的综合指标,或者它们可以表示单个干扰的强度。现有的这种干扰的知识允许对用于评估状态的经训练的机器学习模型进行更合适的选择。还允许在将测量数据输入所选择的机器学习模型之前对测量数据进行更合适的预处理。
针对测量数据的质量的分类和/或回归的其他可能的方面包括:不同采集信号之间的对准、缺失数据、信噪比以及错误读数的概率。
在另外的特别有利的实施例中,至少一个经训练的机器学习模型的选择进一步基于对状态的评估的准确度和/或置信度的要求。与准确度和/或置信度较低的模型相比,允许以更高准确度和/或更高置信度评估状态的模型可能需要更多的计算时间。因此,为了加快整体的评估速度,可以将不同的模型级联。对于工厂的初步筛选,通过一个相当简单的模型进行快速粗略的评估就足够了。如果该模型指示该状态可能有些问题,例如,设备可能有故障或过程可能异常运转,则该状态可以进一步使用在更复杂的测量数据上工作的计算更密集的模型来研究。
在另外的特别有利的实施例中,在使用多个传感器获得测量数据的至少一个记录之前,根据数据库来选择多个传感器中的子集,该数据库存储其状态要被评估的设备与适用于评估该设备的状态的传感器之间的关联。以这种方式,传感器只在需要时激活。例如,在电池上操作,或者依赖于某种消耗品的有限供应的传感器,可能只允许有限数量的测量,直到消耗品耗尽为止。那么,将它们的使用限制在从测量中获得某些东西的情况下可能是有利的。这使得传感器中的消耗品持续时间更长。
当选择传感器时,人们使用的测量数量的术语可以自动映射到传感器类型。例如,人类专家关于由噪声指示轴承问题的知识可以自动转换为使用麦克风收集数据的指令。
在另外的特别有利的实施例中,基于评估状态的先前历史来确定重复获得测量数据的记录的间隔。以这种方式,获得测量数据的努力可以集中在不久的将来最有可能需要维修的设备上,或者集中在有更高风险运行进入异常状态的过程上。
例如,泵的正常检查间隔可以由其制造商规定。如果没有特殊问题,那么这个检查间隔就足够了。然而,如果泵是一个已经有问题历史的“坏角色”,那么应该以较短的间隔检查它的状态,以防止小问题变成大问题。
在另一个示例中,该过程最初可能对反应器中起泡的发生具有相当大的抵抗力,但一旦第一个起泡泡沫开始出现,应加强对该过程的监测,因为已经到达了不稳定状态,并且有起泡***性扩散的风险。
在另外的特别有利的实施例中,至少部分地基于已经确定的合理性和/或已经评估的状态来选择从其中获取进一步的测量数据的传感器和/或与进一步的测量数据相关的设备的部件。例如,如果已经确定设备或过程有问题,则可以进行进一步的测量,以便进一步识别问题的类型和严重程度。此外,如果通过合理性检查的与设备的特定部件或与特定过程相关的测量数据的记录过少,则可能需要进一步的测量数据的记录,以便进行机器学习模型的全面训练。
在另外的特别有利的实施例中,多个传感器包括安装在服务机器人上的传感器,该服务机器人被配置为在工业工厂中的设备的不同部件之间和/或不同过程之间移动。以这种方式,可以重新使用一个或同一组传感器来评估设备的多个部件和/或多个过程的状态。将传感器的复制品保存在设备的每个部件的位置和/或可以监测工厂的多个过程中的每一个过程的位置,从而允许使用更复杂和更准确的传感器。
特别地,由于工业工厂中不同类型的设备和/或不同的过程需要以不同的间隔进行检查,因此服务机器人上的传感器的利用率要比固定在设备的每个部件的位置和/或可以监测每个过程的位置的传感器的利用率高很多。
在另外的特别有利的实施例中,服务机器人在工业工厂中的位置和/或由服务机器人的传感器感测的设备的标识,是基于由传感器捕获的测量数据与关于工业工厂的布局和/或关于工厂内安装的设备的库存的预先存储的信息之间的匹配来确定的。即使没有基于卫星或地面导航***的信号,这也是一种确定位置和/或标识的快速和经济有效的方法。例如,工业工厂的至少一部分可以位于屏蔽这种信号的建筑物内。
此外,匹配可以用于识别丢失的设备。例如,仅在特殊情况下使用的设备,诸如一年两次用于排放特定容器用于维护的泵,可能已被移除,因为在工厂中的其他地方更迫切地需要它。此外,设备的部件可能已被移除以进行维修。
响应于所确定的状态满足预定标准,可以采取任何更正措施。例如,
·可以将设备的部件标记为维护和/或维修和/或将来进行更频繁的检查;
·可以改变设备的部件的操作参数(例如可以降低泵的转速),以减轻设备的部件的负荷;
·可以改变过程的操作参数,以使过程进入稳定状态(例如,不再起泡的状态);或
·可以关闭设备的部件和/或过程,以防止进一步损坏。
这些方法可以至少部分地在一个或多个计算机上实现。因此,它们可能至少部分地体现在软件中。因此,本发明还涉及具有机器可读指令的计算机程序产品,机器可读指令当由一个或多个计算机执行时,使一个或多个计算机执行上述方法。
例如,计算机程序可以在非暂态计算机可读存储介质上和/或在可下载的产品中传递。备选地或组合地,存储介质和/或可下载的产品可以包含训练数据的集合和/或参数的集合。计算机可以配备训练数据的集合、参数的集合、计算机程序、存储介质和/或可下载的产品。
附图说明
在下文中,本发明使用附图进行说明,不旨在限制本发明的范围。
附图示出了:
图1:训练方法100的示例性实施例;
图2:用于评估状态50c、51a的方法200的示例性实施例;
图3:泵工厂50中的方法200的示例性应用。
具体实施方式
图1是训练方法100的示例性实施例的流程图。在步骤110中,获得测量数据3的多个记录3a-3c。这些记录3a-3c对应于各种操作情况和设备51的各种状态51a和/或过程的各种状态50c。状态50c、51a是使用经训练的机器学习模型1确定的。
在步骤120中,对于每个记录3a-3c,都会获得标签4a-4c。该标签4a-4c将设备51的状态51a和/或在工厂中运转的过程的状态50c分配到记录3a-3c,并且表示对于机器学习模型1的训练的“基本事实”。
在该“基本事实”进入训练数据的集合1a之前,基于与记录3a-3c和/或标签4a-4c应该一致的附加数据的比较,确定测量数据3的至少一个记录3a-3c的合理性3a*-3c*和/或至少一个标签4a-4c的合理性4a*-4c*。该附加数据可以包括其他记录3a-3c、其他标签4a-4c并且/或者关于工业设备51和/或关于存在设备51的工厂50和/或关于在工厂50中运转的过程的任何其它附加信息。
合理性3a*-3c*和4a*-4c*是根据至少一个预定的标准140来评估的。如果满足该标准140(真值1),则检查的记录3a-3c及其关联的标签4a-4c被包括在训练数据的集合1a中,机器学习模型1要在训练数据的集合1a上被训练。
在图1中所示的示例中,如果不满足标准140(真值0),则试图纠正这种不一致。在步骤160中,提示人类专家6决定是否接受170记录3a-3c及其标签4a-4c的组合是合理的,或者是否拒绝180该组合。如果接受了该组合,这可能伴随着对记录3a-3c和/或其标签4a-4c的修正(框171),或者不需要这种修正(框172)。如上所述,修正的示例是对于记录3a-3c、标签4a-4c和设备51之间的错误关联或其他混淆或明显的错误的更正。
特别地,在框161中,记录3a-3c和/或标签4a-4c可以与在同一工厂50内的同一种设备51的另一个实例上获得的其他记录3a-3c和/或其他标签4a-4c比较。在框162中,该比较的结果被呈现给专家6。例如,呈现给专家的消息可以是:“注意!你进入的标签-泵3未操作-与文件中已经存在的信息冲突-你的意思是说泵2未操作吗?-这是一致的。”
最后获得的训练数据的集合1a用于步骤190以优化表征机器学习模型1的行为的参数的集合1b,从而训练该模型1。这可以由上文所述的精练训练数据的集合1a的同一实体来完成,或由不同的实体来完成。
此外,如上所述,方法100可以在测量数据3的物理采集已经完成的时候开始。但是,如果方法100是在该物理数据获取仍在进行或甚至完全未完成的时候开始的,则在方法100过程中积累的信息可以直接用于简化该物理数据获取。
在步骤260中,可以利用已经确定的合理性3a*-3c*、4a*-4c*来确定应该使用哪些传感器2a-2c来获得进一步的测量数据3和/或进一步的测量数据3与设备51的哪个部件相关。例如,如果对于设备51的特定的部件,合理的测量数据3太少,或者对应的标签4a-4c太少,则服务机器人9可以被引导到设备51的该部件以收集更多的数据。
在步骤270中,基于测量数据3的记录3a-3c,结合关于工业工厂50的布局50a和/或关于安装在工厂50中的设备51的库存51b的预存储信息,确定服务机器人9的位置9a和/或当前正在测试的设备51的标识符51b。
图2是用于评估工厂50中的工业设备51的状态51a和/或工厂50中运转的过程的状态50c的方法200的示例性实施例的流程图。在可选步骤205中,存储设备51的部件与被认为适合评估该设备51的相应状态51a的传感器2a-2c之间的关联8a的数据库8被利用以确定从中获取测量数据3的记录3a-3c的选择传感器2a-2c。以这种方式,确保仅获取与当前所需的状态51a相关的信息。
在步骤210中,获得测量数据3的至少一个记录3a-3c。该记录3a-3c描述了设备51和/或过程的操作情况,其状态50c、51a将被评估。根据框211,可以基于评估状态50c、51a的先前历史来确定重复记录3a-3c的获得210的间隔。即,如果设备51在“坏角色”列表中,或者如果过程在不稳定的边缘运转,则应更频繁地检查。
在步骤220中,获得多个经训练的机器学习模型1、11-13。每个这种模型11-13都被配置为将测量数据3的记录3a-3c映射到状态50c、51a的指示。
特别地,可能有模型11-13的更大的集合,其可以基于各种数据来评估状态50c、51a。在步骤220中,在这个大集合中,只可以选择那些接受当前在手边的记录3a-3c作为输入的模型11-13。
因此,在此阶段选择的所有模型11-13原则上都能够从记录3a-3c中评估状态50c、51a。在步骤230中,确定哪个模型11-13最适合此目的。为此,用于评估由记录3a-3c描述情况的适应度的数字11a-13a被分配给每个模型11-13。在步骤240中,选择其适应度的数字11a-13a满足预定标准的至少一个模型11-13。
在图2所示的示例中,检查测量数据3、3a-3c的质量以达到适应度的数字11a-13a。在框231中,确定针对记录3a-3c的质量和/或干扰的测量3a’-3c’,并且在框232中,至少部分基于模型11-13的适应度,将适应度的数字11a-13a分配给机器学习模型11-13,以处理在质量和/或干扰方面与测量值3a’-3c’相似的记录3a-3c。
例如,如果质量的测量3a’-3c’指示所获取的记录3a-3c包含具有高斯白噪声的图像,则对于仍然评估设备51和/或过程的状态50c、51a的模型11-13,适应度的数字11a-13a更高,在高斯白噪声存在的情况下具有足够的精度。
特别地,根据子框231a,可以使用记录3a-3c来查询另一个经训练的机器学习模型14,以获得分类值14a和/或回归值14b,作为质量的测量3a’-3c’。如前所述,例如这种模型可以根据其中包含的干扰对记录3a-3c进行分类。
在步骤250中,使用至少一个选择的经训练的机器学习模型11-13,将测量数据的记录3a-3c映射到所需的状态50c、51a。
如前所述,首先选择合适的机器学习模型11-13,然后应用该模型来确定状态50c、51a,提供了更高的灵活性。不需要产生整体“一体适用”的模型。相反,如果开发了新的模型11-13,该模型特别适用于处理包含新类型干扰的记录3a-3c,则该新的模型11-13可以简单地添加到可用模型11-13的目录中,并将在适当的情况下被选择。特别地,已经花费的训练没有任何损失。相比之下,如果只使用单一的整体模型,对该模型的任何更改都至少需要进行部分再训练。
此外,对于可用于确定状态50c、51a的数据类型,存在更大的灵活性。例如,可以发现泵的振动也可以从靠近泵的磁场变化中辨别出来。在这种情况下,可以简单地添加新的模型,并且可以以自适应的方式来确定先前对来自噪声的振动的确定还是新的对来自磁场的振动的确定更准确。相比之下,要构建同时接受噪声和磁场数据两者作为输入的整体学习模型是相当困难的。
与图1类似,在步骤260中,所确定的状态50c、51a可以用于计划下一次使用哪些传感器2a-2c,和/或应该在哪个设备51或过程上执行下一次测量。
类似于图1,基于测量数据3的记录3a-3c,结合关于工业工厂50的布局50a和/或关于安装在工厂50中的设备51的库存51b和/或关于过程的预存储信息,确定服务机器人9的位置9a和/或当前正在测试的设备51的标识符51b。
图3示出了方法200在工业工厂50中的示例性应用。工厂50是一个泵工厂,包括四个并联的泵53a-53d、一个用于向泵53a-53d供电的变压器54和一个在泵53a-53d的下游的节流阀55。图3示出了检查机器人9可以在工厂50中执行的两个不同的检查流程。泵53a-53d、节流阀55和变压器54都是设备51的部件,其状态51a将受到监测。
泵53a-53d具有最大的磨损或由于其他原因而出现故障的倾向。因此,他们被提供以更频繁的检查流程A。该流程通向每个泵53a-53d的入口区域I和出口区域O。在本示例中,在检查机器人9的每次停止处获取的测量数据3的记录3a-3c指示相应的入口区域I或出口区域O中的振动。
节流阀55比泵53a-53d更坚固、更简单,因此故障倾向小得多。对于完全没有运动部件的变压器54来说,情况更是如此。因此,变压器54和节流阀55由检查机器人9在执行频率较低的较长检查流程B上访问。
参考标号列表
1 机器学习模型
1a 用于机器学习模型1的训练数据的集合
1b 表征机器学习模型1的行为的参数的集合
2a-2c 传感器
3 测量数据
3a-3c 测量数据3的记录
3a*-3c* 记录3a-3c的合理性
3a’-3c’ 记录3a-3c的质量的测量
4a-4c 记录3a-3c的标签
5 关于过程、设备51或工厂50的附加信息
6 人类专家
7 由人类专家6提供的决定
8 数据库
8a 设备51与适当的传感器2a-2c之间的关联
9 检查机器人
9a 工厂50中检查机器人9的位置
11-13 经训练的机器学习模型1
11a-13a 评估给定情况的模型11-13的适应度的数字
14 评价质量3a’-3c’的另外的机器学习模型
14a 另外的模型14提供的分类值
14b 另外的模型14提供的回归值
50 工业工厂
50a 工厂50的布局
50b 工厂50中的设备51的库存
50c 工厂50中运转的过程的状态
51 工业工厂50中的设备
51a 设备51的状态
51b 设备51的标识
53a-53d 作为设备51的泵
54 作为设备51的变压器
55 作为设备51的节流阀
100 用于训练机器学习模型1的方法
110 获得测量数据3的记录3a-3c
120 获得记录3a-3c的标签4a-4c
130 确定合理性3a*-3c*,4a*-4c*
140 合理性3a*-3c*,4a*-4c*的标准
150 将记录3a-3c和标签4a-4c包括在训练数据的集合1a中
160 查询人类专家6的决定7
161 搜索类似的设备51
162 基于类似的设备51查询专家
170 接受测量数据3a-3c和标签4a-4c是合理的
171 接受170修正
172 接受170不修正
180 拒绝记录3a-3c和标签4a-4c
190 使用训练数据的集合1b训练模型1的参数的集合1b
200 用于评估过程和/或设备51的状态50c、51a的方法
205 使用数据库8选择适当的传感器2a-2c
210 获得测量数据3的记录3a-3c
211 固定重复获得210的间隔
220 获得多个训练的模型11-13
230 确定每个模型11-13的适应度的数字11a-13a
231 确定质量的测量3a’-3c’
231a 查询另外的训练的模型14
232 基于测量3a’-3c’确定适应度的数字11a-13a
240 选择具有适当的适应度的数字11a-13a的模型11-13
250 应用选择的模型11-13以确定状态50c、51a
260 对于新的测量确定传感器2a-2c、设备51
270 确定机器人9的位置9a、设备51的标识51b
A,B 检查机器人的检查流程9
I 泵53a-53d的入口区域
O 泵53a-53d的出口区域
Claims (22)
1.一种用于训练机器学习模型(1)的方法(100),以基于由多个传感器(2a-2c)收集的测量数据(3)来评估工业设备(51)的至少一个状态(51a)和/或工业工厂(50)中运转的过程的至少一个状态(50c),所述方法(100)包括:
·获得(110)测量数据(3)的多个记录(3a-3c),所述多个记录(3a-3c)对应于各种操作情况和各种状态(50c、51a);
·对于测量数据(3)的每个记录(3a-3c),获得(120)标签(4a-4c),所述标签(4a-4c)表示由测量数据(3)的所述记录(3a-3c)表征的所述操作情况中的所述状态(50c、51a);
·至少部分地基于与测量数据(3)的至少一个其他记录(3a-3c)、与至少一个其他标签(4a-4c)并且/或者与关于所述工业设备(51)和/或关于所述设备(51)所在的所述工业工厂(50)和/或关于所述过程的附加信息(5)的比较,确定(130)测量数据(3)的至少一个记录(3a-3c)的合理性(3a*-3c*)和/或至少一个标签(4a-4c)的合理性(4a*-4c*);以及
·响应于所述合理性(3a*-3c*、4a*-4c*)符合至少一个预定标准(140),将测量数据(3)的所述记录(3a-3c)和所述标签(4a-4c)包括(150)在训练数据的集合(1a)中,所述机器学习模型(1)要在训练数据的所述集合(1a)上被训练。
2.根据权利要求1所述的方法(100),其中所述比较包括由在所述工业设备(51)影响的范围内的不同位置的不同传感器(2a-2c)获取的相同物理量的测量值。
3.根据权利要求1至2中任一项所述的方法(100),其中所述工业设备(51)包括泵(53a-53d),并且其中测量数据(3)的所述记录(3a-3c)包括在所述泵(53a-53d)的入口区域(I)获取的噪声和/或振动的测量数据(3),以及在所述泵的出口区域(O)获取的噪声和/或振动的测量数据(3)。
4.根据权利要求1至3中任一项所述的方法(100),其中所述比较包括通过所述工业设备(51)的所述预期操作而彼此相关的不同物理量的测量值。
5.根据权利要求4所述的方法(100),其中所述工业设备(51)包括泵(53a-53d),并且其中所述不同的物理量包括以下项中的至少两项:噪声、振动、输出质量流、输出压力、电力消耗。
6.根据权利要求1至5中任一项所述的方法(100),还包括:响应于确定所述合理性(3a*-3c*、4a*-4c*)不符合标准(140),提示(160)人类专家(6)决定(7)是否:接受(170)所述测量数据(3、3a-3c)和所述标签(4a-4c)的组合是合理的,而由所述专家(6)对所述测量数据(3、3a-3c)和/或所述标签(4a-4c)进行修正(171)或者不修正(172);或者放弃(180)所述测量数据(3、3a-3c)和所述标签(4a-4c)。
7.根据权利要求6所述的方法(100),还包括:
将测量数据(3)的所述记录(3a-3c)和/或所述标签(4a-4c)与在所述同一工业工厂(50)内的同一种设备(51)的另一个实例上获得的测量数据(3)的至少一个其他记录(3a-3c)和/或至少一个其他标签(4a-4c)进行比较(161);以及
在提示(160)所述专家(6)进行所述决定(7)的过程中将所述比较的结果呈现(162)给所述专家(6)。
8.根据权利要求1至7中任一项所述的方法(100),进一步包括:优化(190)表征所述机器学习模型(1)的行为的参数的集合(1b),使得所述机器学习模型(1)以足够的准确度将训练数据的所述集合(1a)中的测量数据(3)的所述记录(3a-3c)映射到测量数据(3)的所述记录(3a-3c)的相应的标签(4a-4c)。
9.一种训练数据的集合(1a)和/或参数的集合(1b),通过权利要求1至8中任一项所述的方法(100)获得。
10.一种用于基于由多个传感器(2a-2c)收集的测量数据(3、3a-3c)来评估工业设备(51)的至少一个状态(51a)和/或工业工厂(50)中运转的过程的至少一个状态(50c)的方法(200),包括:
·获得(210)测量数据(3)的至少一个记录(3a-3c),所述至少一个记录(3a-3c)描述所述设备(51)和/或所述过程的操作情况;
·获得(220)多个经训练的机器学习模型(1、11-13),所述多个经训练的机器学习模型(1、11-13)各自被配置为将测量数据(3)的所述记录(3a-3c)映射到所述状态(50c、51a)的指示;
·对于所述经训练的机器学习模型(11-13)中的每个经训练的机器学习模型(11-13),确定(230)适应度的数字(11a-13a),以评估由测量数据(3)的所述记录(3a-3c)描述的所述情况;
·选择(240)其适应度的数字(11a-13a)满足预定标准的至少一个经训练的机器学习模型(11-13);以及
·使用至少一个所选择的经训练的机器学习模型(11-13),将测量数据(3)的所述记录(3a-3c)映射到所需的状态(50c、51a)。
11.根据权利要求10所述的方法,其中确定(230)适应度的数字(11a-13a)包括:
·确定(231)针对所述测量数据(3、3a-3c)的质量和/或针对包含在所述测量数据(3、3a-3c)中的任何干扰的类型和/或强度的测量(3a’-3c’);以及
·至少部分地基于经训练的机器学习模型(11-13)的适应度来确定(232)所述经训练的机器学习模型(11-13)的所述适应度的数字(11a-13a),以处理所述质量(3a’-3c’)的和/或包含所述类型和/或所述强度的干扰的测量数据(3、3a-3c)。
12.根据权利要求11所述的方法(200),其中确定(231)针对所述测量数据(3、3a-3c)的所述质量的测量(3a’-3c’)具体包括:向另外的经训练的机器学习模型(14)提供(231a)所述测量数据(3、3a-3c),所述另外的经训练的机器学习模型(14)被配置为产生分类值(14a)和/或回归值(14b)作为所述质量的测量(3a’-3c’)。
13.根据权利要求10至12中任一项所述的方法(200),其中所述至少一个经训练的机器学习模型(11-13)的所述选择(240)进一步基于所述状态(50c、51a)的所述评估的准确度和/或置信度的要求。
14.根据权利要求10至13中任一项所述的方法(200),还包括:在使用多个传感器(2a-2c)获得(210)测量数据(3)的所述记录(3a-3c)之前,根据数据库(8)来选择(205)所述多个传感器(2a-2c)的子集,所述数据库(8)存储其状态(51a)要被评估的设备(51)与适用于评估所述设备(51)的所述状态(51a)的传感器(2a-2c)之间的关联。
15.根据权利要求10至14中任一项所述的方法(200),其中基于所评估的状态(50c、51a)的先前历史来确定(211)重复获得(210)测量数据(3)的记录(3a-3c)的间隔。
16.根据权利要求10至15中任一项所述的方法(200),还包括:响应于所确定的状态(50c、51a)满足预定标准,将所述设备(51)标记为维护和/或维修和/或将来进行更频繁的检查;改变所述设备(51)的所述操作参数,以减轻所述设备上的负荷;改变所述过程的所述操作参数,以使所述过程进入稳定状态;和/或关闭所述设备(51)和/或所述过程,以防止进一步的损坏。
17.根据权利要求1至16中任一项所述的方法(100、200),还包括:至少部分地基于已经确定的合理性(3a*-3c*、4a*-4c*)和/或已经评估的状态(50c、51a),选择(260)从其中获取进一步的测量数据(3、3a-3c)的至少一个传感器(2a-2c),和/或与进一步的测量数据(3、3a-3c)相关的设备(51)的部件。
18.根据权利要求1至17中任一项所述的方法(100、200)其中所述多个传感器(2a-2c)包括安装在服务机器人(9)上的传感器(2a-2c),所述服务机器人(9)被配置为在所述工业工厂(50)中的设备(51)的不同部件之间和/或不同过程之间移动。
19.根据权利要求18所述的方法(100、200),还包括:基于由所述传感器(2a-2c)捕获的测量数据(3、3a-3c)与关于所述工业工厂(50)的布局(50a)和/或关于所述工厂(50)内安装的所述设备(51)的所述库存(50b)的预先存储的信息之间的匹配,确定(270)所述服务机器人(9)在所述工业工厂(50)中的位置(9a)和/或由所述服务机器人(9)的所述传感器(2a-2c)感测的所述设备(51)的标识(51b)。
20.一种计算机程序,包括机器可读指令,所述机器可读指令当由一个或多个计算机执行时,使所述一个或多个计算机执行根据权利要求1至19中任一项所述的方法(100、200)。
21.一种非暂态计算机可读存储介质和/或可下载的产品,具有权利要求9所述的训练数据的集合和/或参数的集合,和/或具有权利要求20所述的计算机程序。
22.一种计算机,配备有权利要求9所述的训练数据的集合和/或参数的集合,和/或配备有权利要求20所述的计算机程序,和/或配备有权利要求21所述的存储介质和/或可下载的产品。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP19184982.7 | 2019-07-08 | ||
EP19184982.7A EP3764179A1 (en) | 2019-07-08 | 2019-07-08 | Assessing conditions of instustrial equipment and processes |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112200323A true CN112200323A (zh) | 2021-01-08 |
Family
ID=67211611
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010647792.7A Pending CN112200323A (zh) | 2019-07-08 | 2020-07-07 | 评估工业设备和过程的状态 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20210012242A1 (zh) |
EP (1) | EP3764179A1 (zh) |
CN (1) | CN112200323A (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US12008889B2 (en) | 2022-05-12 | 2024-06-11 | Honeywell International Inc. | Method and system to improve efficiency of system tests for a system having a plurality of sensors |
CN115933553B (zh) * | 2022-11-24 | 2024-06-04 | 华北电力科学研究院有限责任公司 | 电厂设备状态监测***及方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06167591A (ja) * | 1992-11-30 | 1994-06-14 | Hitachi Ltd | プラントの異常検知方法及びその装置 |
US20040002776A1 (en) * | 2000-06-09 | 2004-01-01 | Bickford Randall L. | Surveillance system and method having an operating mode partitioned fault classification model |
US20160178414A1 (en) * | 2014-12-17 | 2016-06-23 | General Electric Company | System and methods for addressing data quality issues in industrial data |
CN206530447U (zh) * | 2017-03-03 | 2017-09-29 | 南京工程学院 | 多传感器风力发电机组齿轮箱状态检测装置 |
KR20180074188A (ko) * | 2016-12-23 | 2018-07-03 | 주식회사 포스코 | 설비 모니터링 장치 및 방법 |
CN108764088A (zh) * | 2018-05-18 | 2018-11-06 | 南京瑞松信息科技有限公司 | 一种基于证据k-nn分类器的设备状态检测及预警方法 |
US20190057170A1 (en) * | 2017-08-15 | 2019-02-21 | Arundo Analytics, Inc. | Identifying and Removing Sets of Sensor Data from Models |
CN109917772A (zh) * | 2017-12-13 | 2019-06-21 | 北京航空航天大学 | 一种远程在线评估设备状态的phm快速原型*** |
Family Cites Families (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1028306B1 (en) * | 1998-08-28 | 2008-10-15 | Mitutoyo Corporation | Apparatus and method concerning analysis and generation of a part program for measuring coordinates and surface properties |
ATE441140T1 (de) * | 2005-02-15 | 2009-09-15 | Abb Research Ltd | Diagnoseeinrichtung für ein prozesssteuersystem |
US8682835B1 (en) * | 2006-12-15 | 2014-03-25 | Intellectual Assets Llc | Asset surveillance method and system comprising a dynamic model framework |
GB2496040B (en) * | 2011-10-24 | 2019-04-03 | Fisher Rosemount Systems Inc | Predicted fault analysis |
EP2603030B1 (en) * | 2011-12-09 | 2014-12-24 | Fujitsu Limited | Interference management in wireless communication networks |
US10990894B2 (en) * | 2013-07-11 | 2021-04-27 | Neura, Inc. | Situation forecast mechanisms for internet of things integration platform |
US9396523B2 (en) * | 2013-07-24 | 2016-07-19 | Microsoft Technology Licensing, Llc | Image restoration cascade |
GB2522926A (en) * | 2014-02-11 | 2015-08-12 | Ge Aviat Systems Ltd | Method of identifying anomalies |
DE102015113929A1 (de) * | 2014-08-21 | 2016-02-25 | Affectomatics Ltd. | Bewertung und Benachrichtigungen auf der Grundlage affektiver Reaktionen der Crowd |
CA3015407C (en) * | 2015-03-11 | 2022-05-17 | Siemens Industry, Inc | Diagnostics in building automation |
US10209706B2 (en) * | 2016-01-20 | 2019-02-19 | General Electric Company | Monitoring and reporting of industrial equipment status |
US11237546B2 (en) * | 2016-06-15 | 2022-02-01 | Strong Force loT Portfolio 2016, LLC | Method and system of modifying a data collection trajectory for vehicles |
JP2018063545A (ja) * | 2016-10-12 | 2018-04-19 | 横河電機株式会社 | 情報処理装置、情報処理方法、情報処理プログラム及び記録媒体 |
GB2557249B (en) * | 2016-12-01 | 2020-08-05 | Sensyne Health Group Ltd | Method and apparatus for improving energy efficiency of sensing technology |
EP3591484A4 (en) * | 2017-03-03 | 2020-03-18 | Panasonic Intellectual Property Management Co., Ltd. | ADDITIONAL LEARNING PROCEDURE FOR A DEGRADATION DIAGNOSTIC SYSTEM |
US10746405B2 (en) * | 2017-04-24 | 2020-08-18 | Honeywell International Inc. | Apparatus and method for using model training and adaptation to detect furnace flooding or other conditions |
CN107272619A (zh) * | 2017-06-23 | 2017-10-20 | 深圳市盛路物联通讯技术有限公司 | 一种工业生产设备的智能监控***及方法 |
US20200167652A1 (en) * | 2018-11-26 | 2020-05-28 | General Electric Company | Implementation of incremental ai model for edge system |
KR20200087494A (ko) * | 2019-01-11 | 2020-07-21 | 삼성전자주식회사 | 배터리 관리 방법 및 장치 |
US11714397B2 (en) * | 2019-02-05 | 2023-08-01 | Samsung Display Co., Ltd. | System and method for generating machine learning model with trace data |
US11061650B2 (en) * | 2019-06-27 | 2021-07-13 | Intel Corporation | Methods and apparatus to automatically generate code for graphical user interfaces |
-
2019
- 2019-07-08 EP EP19184982.7A patent/EP3764179A1/en active Pending
-
2020
- 2020-07-07 CN CN202010647792.7A patent/CN112200323A/zh active Pending
- 2020-07-07 US US16/921,951 patent/US20210012242A1/en active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06167591A (ja) * | 1992-11-30 | 1994-06-14 | Hitachi Ltd | プラントの異常検知方法及びその装置 |
US20040002776A1 (en) * | 2000-06-09 | 2004-01-01 | Bickford Randall L. | Surveillance system and method having an operating mode partitioned fault classification model |
US20160178414A1 (en) * | 2014-12-17 | 2016-06-23 | General Electric Company | System and methods for addressing data quality issues in industrial data |
KR20180074188A (ko) * | 2016-12-23 | 2018-07-03 | 주식회사 포스코 | 설비 모니터링 장치 및 방법 |
CN206530447U (zh) * | 2017-03-03 | 2017-09-29 | 南京工程学院 | 多传感器风力发电机组齿轮箱状态检测装置 |
US20190057170A1 (en) * | 2017-08-15 | 2019-02-21 | Arundo Analytics, Inc. | Identifying and Removing Sets of Sensor Data from Models |
CN109917772A (zh) * | 2017-12-13 | 2019-06-21 | 北京航空航天大学 | 一种远程在线评估设备状态的phm快速原型*** |
CN108764088A (zh) * | 2018-05-18 | 2018-11-06 | 南京瑞松信息科技有限公司 | 一种基于证据k-nn分类器的设备状态检测及预警方法 |
Non-Patent Citations (3)
Title |
---|
廖瑞金等: "输变电设备状态评估方法的研究现状", 《高电压技术》, vol. 44, no. 11, 26 November 2018 (2018-11-26), pages 3454 - 3464 * |
武孟贤: "基于改进遗传算法的设备巡检路径优化研究", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》, no. 2, 15 February 2019 (2019-02-15), pages 140 - 372 * |
谢添: "基于物联网与大数据分析的设备健康状况监测***设计与实现", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》, no. 6, 15 June 2018 (2018-06-15), pages 028 - 89 * |
Also Published As
Publication number | Publication date |
---|---|
US20210012242A1 (en) | 2021-01-14 |
EP3764179A1 (en) | 2021-01-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109947088B (zh) | 基于模型全生命周期管理的设备故障预警*** | |
US7640145B2 (en) | Automated model configuration and deployment system for equipment health monitoring | |
CN103025592B (zh) | 用于油田设备预测和健康管理的***、方法和装置 | |
US7213174B2 (en) | Provision of process related information | |
US6480810B1 (en) | Process for the monitoring and diagnostics of data from a remote asset | |
US20140365179A1 (en) | Method and Apparatus for Detecting and Identifying Faults in a Process | |
EP3105644B1 (en) | Method of identifying anomalies | |
US20210150827A1 (en) | System and method for monitoring and predicting breakdowns in vehicles | |
CN108280543B (zh) | 基于分类回归模式的工况自适应的设备健康度评估方法 | |
US11003178B2 (en) | Facility diagnosis device, facility diagnosis method, and facility diagnosis program | |
US7062358B2 (en) | System apparatus and method for diagnosing a flow system | |
KR102343752B1 (ko) | 프로세스 장치에서 전체 프로세스 섹션의 상태를 자동 모니터링하고 측정하는 컴퓨터 실행 방법 및 시스템 | |
JP2008186472A (ja) | 予測的状態監視のための診断システムおよび方法 | |
CN107111312B (zh) | 监视在工业现场运行的过程的至少一个步骤的监视装置和监视方法 | |
CN108027611B (zh) | 利用受专家意见监督的决策模式学习的用于机器维护的决策辅助***和方法 | |
KR20190021560A (ko) | 빅데이터를 활용한 고장예지보전시스템 및 고장예지보전방법 | |
US20230375441A1 (en) | Monitoring device and method for segmenting different times series of sensor data points | |
CN112200323A (zh) | 评估工业设备和过程的状态 | |
US11900223B2 (en) | Device and method for monitoring a system | |
EP3627261B1 (en) | Diagnosis system and method using parallel analysis paths | |
Xin et al. | Dynamic probabilistic model checking for sensor validation in Industry 4.0 applications | |
Ordieres-Meré et al. | Advanced predictive quality control strategy involving different facilities | |
RU2777950C1 (ru) | Обнаружение нештатных ситуаций для прогнозного технического обслуживания и определения конечных результатов и технологических процессов на основании качества данных | |
US20240125675A1 (en) | Anomaly detection for industrial assets | |
Ayed et al. | A Data-Driven Methodology to Assess Raw Materials Impact on Manufacturing Systems Breakdowns |
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 |