CN113196311A - 用于识别和预测机器的异常感测行为模式的***和方法 - Google Patents
用于识别和预测机器的异常感测行为模式的***和方法 Download PDFInfo
- Publication number
- CN113196311A CN113196311A CN201980071706.8A CN201980071706A CN113196311A CN 113196311 A CN113196311 A CN 113196311A CN 201980071706 A CN201980071706 A CN 201980071706A CN 113196311 A CN113196311 A CN 113196311A
- Authority
- CN
- China
- Prior art keywords
- pattern
- machine
- time
- suspect
- input data
- 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
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 39
- 238000000034 method Methods 0.000 title claims abstract description 27
- 230000001953 sensory effect Effects 0.000 claims abstract description 55
- 238000012544 monitoring process Methods 0.000 claims abstract description 22
- 230000006399 behavior Effects 0.000 claims description 38
- 238000010801 machine learning Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000003491 array Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 238000005314 correlation function Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000013136 deep learning model Methods 0.000 claims 2
- 238000007726 management method Methods 0.000 description 27
- 239000000243 solution Substances 0.000 description 11
- 238000004519 manufacturing process Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000012423 maintenance Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 5
- 238000004088 simulation Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 206010000117 Abnormal behaviour Diseases 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 2
- 230000002547 anomalous effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001746 injection moulding Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012549 training 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
- G05B23/0224—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
- 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
- G05B23/0227—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions
- G05B23/0232—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions based on qualitative trend analysis, e.g. system evolution
-
- 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
- G05B23/0227—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions
- G05B23/0235—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions based on a comparison with predetermined threshold or range, e.g. "classical methods", carried out during normal operation; threshold adaptation or choice; when or how to compare with the threshold
-
- 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
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0283—Predictive 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]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
一种用于识别和预测机器的异常感测行为模式的***和方法,包括:监视与至少一个机器有关的第一组带时间戳的感测输入数据;在分析第一组带时间戳的感测输入数据时,确定与第一组带时间戳的感测输入数据相关的第一异常感测输入行为的第一可疑模式;将第一可疑模式与和第二组带时间戳的感测输入数据相关的第二异常感测输入行为的第二模式进行比较,其中第二模式先前确定为指示机器故障;以及确定第一可疑模式是否在预定阈值以上与第二模式相关。
Description
相关申请的交叉引用
本申请要求2018年11月2日提交的美国临时申请号62/754591的权益,其内容通过引用合并于此。
技术领域
本公开总体上涉及用于机器的维护***,更具体地,涉及识别和预测这种机器的异常感测行为模式。
背景技术
近年来,通信、处理、云计算、人工智能和其他计算机化技术取得了显著进步,预示着技术和生产的新领域。尽管进行了这些改进,但自1970年代或之前开始采用的许多工业技术一直沿用至今。与这些工业技术有关的现有解决方案通常进行了较小的改进,从而仅略微提高了生产和产量。
在现代制造实践中,制造商必须经常遵守严格的生产时间表,并提供无缺陷或几乎无缺陷的生产质量。结果,每当发生意外的机器故障时,这些制造商就有遭受重大损失的风险。机器故障是当机器偏离正确服务时发生的事件。错误通常是偏离机器的正确状态,不一定是故障,但可能导致并指示潜在的未来故障。除故障外,错误还可能导致异常的机器行为,从而影响性能。
典型制造商的基于故障的平均机器停机时间(即由于机器故障而部分或全部关闭生产的平均时间)为每年17天,即17天的生产损失且因此收入。例如,对于典型的450兆瓦功率涡轮机,一天的停机时间可能会使制造商损失超过300万美元的收入。这种停机时间可能招致与维修、安全预防措施等相关的额外费用。
在能源发电厂中,每年花费数十亿美元用于确保可靠性。具体来说,数十亿美元用于备份***和冗余,以最大程度地减少生产停机时间。另外,监视***可用于快速识别故障,从而在发生停机时间时加快恢复生产。然而,现有的监视***通常仅在停机开始之后、期间或之前识别故障。
此外,用于监视机器故障的现有解决方案通常依赖于每个机器的预定规则集。这些规则集并未考虑可能针对机器收集的所有数据,只能用于检查特定的关键参数,而忽略其余参数。此外,这些规则集必须由工程师或其他人工分析人员预先提供。结果,现有解决方案实际上仅可以使用所收集的数据中的一些,从而导致浪费了与未使用数据的传输、存储和处理有关的计算资源的使用。此外,不考虑所有相关数据可能导致错过或以其他方式不准确的故障确定。
另外,现有的解决方案通常依赖于以预定间隔进行的定期测试。因此,即使是可以预先预测故障的现有解决方案,即使在机器没有立即发生故障的危险时,也通常会返回执行机器维护的请求。这样的过早更换导致浪费材料和花费在更换仍能正常工作的零件上的费用。此外,这样的现有解决方案通常仅在故障发生之后才确定故障。结果,可能无法避免此类故障,从而导致停机和收入损失。
最后,现有的监视和维护解决方案通常需要专用的测试设备。因此,这些解决方案通常需要专业操作员,他们需要在每个监视和维护***的操作方面接受过良好的培训。要求专业操作员会带来不便和昂贵,并且可能会引入潜在的人为错误来源。除了任何微小的数据波动外,鉴于对任何给定机器可以收集的数据量都很巨大,人工分析人员通常无法充分确定即将发生的故障。
因此,提供克服上述挑战的解决方案将是有利的。
发明内容
以下是本公开的多个示例实施例的概述。提供该概述是为了方便读者提供对这样的实施例的基本理解,并且不完全限定本公开的广度。该概述不是所有预期实施例的详尽概述,并且既不旨在标识所有实施例的关键或重要元素,也不旨在描绘任何或所有方面的范围。其唯一目的是以简化形式呈现一个或多个实施例的一些概念,作为稍后呈现的更详细描述的序言。为了方便起见,术语“某些实施例”在本文中可以用于指代本公开的单个实施例或多个实施例。
本文公开的某些实施例包括一种用于识别和预测机器的异常感测行为模式的方法,该方法包括:监视与至少一个机器有关的第一组带时间戳的感测输入数据;在分析第一组带时间戳的感测输入数据时,确定与第一组带时间戳的感测输入数据相关的第一异常感测输入行为的第一可疑模式;将第一可疑模式与和第二组带时间戳的感测输入数据相关的第二异常感测输入行为的第二模式进行比较,其中第二模式先前确定为指示机器故障;以及确定第一可疑模式是否在预定阈值以上与第二模式相关。
本文公开的某些实施例还包括一种非暂时性计算机可读介质,其上存储有用于使处理电路执行处理的指令,该处理包括:监视与至少一个机器有关的第一组带时间戳的感测输入数据;在分析第一组带时间戳的感测输入数据时,确定与第一组带时间戳的感测输入数据相关的第一异常感测输入行为的第一可疑模式;将第一可疑模式与和第二组带时间戳的感测输入数据相关的第二异常感测输入行为的第二模式进行比较,其中第二模式先前确定为指示机器故障;以及确定第一可疑模式是否在预定阈值以上与第二模式相关。
本文公开的某些实施例还包括一种用于识别和预测机器的异常感测行为模式的***,该***包括:处理电路;以及内存,该内存包含指令,所述指令在由处理电路执行时将***配置为:监视与至少一个机器有关的第一组带时间戳的感测输入数据;在分析第一组带时间戳的感测输入数据时,确定与第一组带时间戳的感测输入数据相关的第一异常感测输入行为的第一可疑模式;将第一可疑模式与和第二组带时间戳的感测输入数据相关的第二异常感测输入行为的第二模式进行比较,其中第二模式先前确定为指示机器故障;以及确定第一可疑模式是否在预定阈值以上与第二模式相关。
附图说明
在说明书的结论处,在权利要求书中特别指出并明确要求保护本文公开的主题。根据结合附图的以下详细描述,所公开的实施例的前述及其他目的、特征和优点将变得显而易见。
图1是用于描述各种公开的实施例的网络图。
图2是根据实施例的管理服务器的框图。
图3A模拟了根据实施例的第一异常感测输入行为的第一可疑模式的表示。
图3B模拟了根据实施例的第二异常感测输入行为的第二模式的表示。
图4是示出根据实施例的用于识别和预测机器的异常感测行为模式的方法的示例流程图。
具体实施方式
重要的是要注意,本文公开的实施例仅仅是本文创新教导的许多有利用途的示例。通常,在本申请的说明书中做出的陈述不必限制任何各种所要求保护的实施例。此外,某些陈述可能适用于某些发明特征,而不适用于其他特征。通常,除非另外指出,否则单数元素可以是复数,反之亦然,而不会失去一般性。在附图中,相同的附图标记在多个视图中指代相同的部分。
各种公开的实施例包括一种用于识别和预测机器的异常感测行为模式的方法。通过监视和分析机器的感测输入,确定第一异常感测输入行为的第一可疑模式。然后将第一模式与至少第二模式进行比较,该第二模式指示与先前被分析并确定为指示机器故障的感测输入相关的第二异常感测输入行为。一旦确定第一可疑模式在预定阈值以上与至少第二模式相关,则生成指示即将发生的机器故障的通知。该通知可以包括一些见解,并且可以指示例如所识别的模式的根本原因和/或即将发生的机器故障。
图1是用于描述各种公开的实施例的示例网络图100。示例网络图100包括通过网络110连接的机器监视***(MMS)130、管理服务器140、数据库150和客户端设备160。示例网络图100还包括连接至机器监视***130的多个传感器120-1至120-n(以下仅为简单起见,单独称为传感器120且统称为传感器120,其中n为等于或大于1的整数)。网络110可以是但不限于无线、蜂窝或有线网络、局域网(LAN)、广域网(WAN)、城域网(MAN)、互联网、万维网(WWW)等网络及其任何组合。
客户端设备160可以是但不限于个人计算机、膝上型计算机、平板电脑、智能电话、可穿戴管理服务器或能够接收和显示指示维护和故障时间预测、监督分析结果、机器运行数据的无监督分析或两者兼有的任何其他设备。
传感器120位于机器170附近(例如物理上接近)。机器170可以是可以通过感测数据表示性能的任何机器,比如但不限于涡轮机、发动机、焊接机、三维(3D)打印机、注塑机、其组合、其一部分等。每个传感器120配置为基于机器170的操作来收集感测输入数据,比如但不限于声音信号、超声信号、光、运动跟踪指示符、温度、能耗指示符等。传感器120可以包括但不限于声音捕获传感器、运动跟踪传感器、能耗计、温度计等。任何传感器120可以通信地或以其他方式连接到机器170(仅出于简单起见并且在不限制所公开的实施例的情况下在图1中未示出这种连接)。
传感器120连接到机器监视***130。在一实施例中,机器监视***130配置为存储和预处理从传感器120接收的原始感测输入数据。可替代地,或共同地,机器监视***130可以配置为周期性地检索例如存储在数据库150中的所收集的感测输入数据。预处理可以包括但不限于数据清理、归一化、重新缩放、重新趋势、重新格式化、噪声过滤、其组合等。
在一实施例中,管理服务器140配置为监视与至少一个机器(例如机器170)有关的至少第一组带时间戳的感测输入数据(以下称为感测输入)。管理服务器140配置为通过网络110接收与至少一个机器相关的感测输入。感测输入可被恒定地接收并且可被实时或接近实时地接收。可以从传感器120接收感测输入。根据实施例,管理服务器140通过网络110使用MMS130来接收感测输入数据。
第一组感测输入可以包括多种类型的感测输入,其中每种类型的感测输入可以至少与和机器相关、由机器执行的过程有关。也就是说,例如,第一类型的感测输入数据可以与机器170的温度有关,第二类型的感测输入数据可以与机器170的特定齿轮的速度有关等。在另一实施例中,管理服务器140配置为接收预处理的感测输入数据。
在一实施例中,管理服务器140可以进一步存储从机器监视***130接收的感测输入(原始、预处理或两者)。可替代地,或共同地,可以将感测输入存储在数据库150中。数据库150可以进一步存储从与其他机器(也未示出)相关的多个其他传感器(未示出)收集的感测输入数据(原始、预处理或两者)。数据库150可以进一步存储异常模式、行为趋势、故障预测、用于分析感测输入数据的机器学习模型或其组合。
在一实施例中,管理服务器140配置为分析第一组带时间戳的感测输入数据。可以使用一个或多个机器学习模型(比如但不限于深度学习)来实现分析,模型被设计为检测每种类型的感测输入数据中的异常。在进一步的实施例中,可以通过将第一组感测输入与存储在数据库(例如数据库150)中的先前感测数据进行比较来实现分析,对多种类型的感测输入数据的常规参数进行指示,这些数据先前被确定为反映机器(例如机器170)的至少一个部件的常规操作。
在一实施例中,管理服务器140基于对第一组带时间戳的感测输入数据的分析来确定与第一组带时间戳的感测输入数据相关的第一异常感测输入行为的第一可疑模式。第一异常感测输入行为的第一可疑模式可以包括例如传感器测量特征、传感器异常、异常组、机器操作状态、机器故障等。
第一可疑模式可以包括一个或多个传感器异常阵列、异常组等,其反映每个异常发生时间,以及其他有关信息,比如与异常相关的值,即异常参数值、特征等。例如,异常参数值可以是机器或其一部分的温度、与机器(例如机器170)相关的磅/平方英寸(PSI)、速度等。
作为非限制性示例,第一可疑模式可以包括与由管理服务器140监视的三种不同类型的感测输入相关的十个异常。根据同一示例,第一类型涉及首先发生的机器的每分钟转数(RPM)和与之相关的异常,第二类型与用于第二发生的振动和与之相关的异常有关的传感器,第三类型涉及第三发生的机器温度和与之相关的异常。在一实施例中,第一可疑模式可以通过例如应用相关函数来确定,该相关函数收集感测输入的一个或多个特征并将一个或多个相关规则应用于所收集的特征。
在一实施例中,管理服务器140将第一异常感测输入行为的第一可疑模式与和至少第二组带时间戳的感测输入数据相关的第二异常感测输入行为的至少第二模式进行比较。第二异常感测输入行为的第二模式可以包括例如传感器测量特征、传感器异常、异常组、机器操作状态、机器故障等。第二模式表示先前发生的机器故障。第二模式是先前生成的,并且可以在分析第二组感测输入时存储在数据库(例如数据库150)中。先前被分析的第二组感测输入可以与相同的至少一个机器、其他机器或其组合有关。可以通过在至少一个第一可疑模式和至少第二模式上应用至少一个机器学习算法来实现上述比较。
在一实施例中,管理服务器140在确定第一可疑模式在预定阈值以上与至少一个第二模式相关时生成通知,该通知预测至少一个机器的即将发生的机器故障。在一实施例中,通知可以包括直到停机的特定时间、纠正解决方案建议、根本原因细节等。
例如,当第一可疑模式包括三种类型的异常并且第二模式也包括至少相同三种类型的异常时,可以越过预定阈值。在一实施例中,当确定第一可疑模式和第二模式是否在预定阈值以上相关时,也可以考虑发生第一可疑模式和第二模式的时间段。
应当注意,即使当第二模式的仅一部分与第一可疑模式或其部分相关,也可以将第一可疑模式确定为在预定阈值以上相关。例如,先前被确定为指示机器故障的第二模式可以包括发展为机器故障的五个异常,其具有特定的特征并且以某一顺序排列。根据同一示例,尽管第一可疑模式仅包括三个异常,但在特定时间点,仍可以确定第一可疑模式和第二模式之间的预定阈值以上的相关性。根据同一示例,可以在识别出第一可疑模式的异常的特征与第二模式的前三个异常的特征之间的相似性高于预定阈值以及异常排列的特定顺序时实现确定。
在一实施例中,管理服务器140配置为生成指示机器故障将要发生的概率的预测模型。可以基于确定第一可疑模式在预定阈值以上与至少第二模式相关来生成预测模型。
在一实施例中,一旦确定第一可疑模式和至少第二模式在预定阈值以上相关,则第一可疑模式可被分类为将导致机器故障的序列,即使当第一模式即该序列在监视时仅包括先前被第二模式确定为导致机器故障的异常的一部分。作为非限制性示例,被确定为在预定阈值以上与第一可疑模式相关的第二模式包括按导致先前机器故障的特定时间序列排列的十个异常。根据同一示例,当前被监视的第一可疑模式可以仅包括十个异常中的两个,然而,管理服务器140仍可以配置为预测第一可疑模式的序列,或者具体地以特定水平预测即将发生的机器故障。可以基于第一可疑模式的这两个异常相对于第二模式的前两个异常被识别的时间、第一可疑模式的异常相对于第二模式的前两个异常的值的值等来确定预测。
根据另一实施例,模式可包括一系列模式或子模式。例如,可以在周日识别感测输入的异常行为,比如一系列异常、异常组等,并将其分类为模式“A”。根据同一示例,可以在星期一识别感测输入的第二且不相关的异常行为并可将其分类为模式“B”。应当注意,模式“A”和模式“B”可以指的是机器的不同传感器和不同参数。根据同一示例,可以识别包括模式“A”和模式“B”的新模式“C”并将其存储在数据库中以供进一步使用,以使得当管理服务器140监视第一模式时,可以识别包括例如两个子模式“A”和“B”的模式“C”。
应当注意的是,仅出于简化目的并且不限制所公开的实施例,机器监视***130在图1中被示为与管理服务器140分开的部件。机器监视***130可以合并在管理服务器140中,以允许管理服务器140获得并预处理感测输入数据,而不脱离本公开的范围。
还应当注意,仅出于简化目的并且不限制所公开的实施例,相对于客户端设备160和机器170讨论了以上参照图1描述的实施例。多个客户端设备可以接收与机器维护、趋势和故障有关的信息,而不脱离本公开的范围。另外,在不脱离本公开的范围的情况下,可以收集与多个机器有关的感测输入数据以确定任何或所有机器的故障。
还应当注意,本文公开的实施例不限于图1所示的具体架构,并且可以等同地使用其他架构而不背离所公开的实施例的范围。具体地,管理服务器140可以驻留在云计算平台、数据中心、房屋等中。此外,在一实施例中,可以存在多个如上所述运行的管理服务器,并且配置为具有一个作为备用代理,以在故障的情况下进行控制,在它们之间分担负载,或者在它们之间划分功能。
图2示出了根据一实施例实现的管理服务器140的示例框图。管理服务器140包括耦合到内存220、存储器230、网络接口240和机器学习(ML)单元250的处理电路210。在一实施例中,管理服务器140的部件可以经由总线260连接。
处理电路210可被实现为一个或多个硬件逻辑部件和电路。例如但不限于,可以使用的说明性类型的硬件逻辑部件包括现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、***级芯片***(SOC)、通用微处理器、微控制器、数字信号处理器(DSP)等或者可以执行信息的计算或其他操作的任何其他硬件逻辑部件。
内存220可以是易失性的(例如RAM等)、非易失性的(例如ROM、闪存等)或其组合。在一配置中,可以将用于实现本文公开的一个或多个实施例的计算机可读指令存储在存储器230中。
在另一实施例中,内存220配置为存储软件。软件应广义地解释为指任何类型的指令,无论是指软件、固件、中间件、微码、硬件描述语言还是其他形式。指令可以包括代码(例如以源代码格式、二进制代码格式、可执行代码格式或任何其他合适的代码格式)。当由一个或多个处理器执行时,指令使处理电路210执行本文所述的各种过程。
存储器230可以是磁存储器、光存储器等,并且可以实现为例如闪存或其他存储技术、CD-ROM、数字多功能盘(DVD)或可以用于存储所需信息的任何其他介质。
网络接口240允许管理服务器140与机器监视***130通信,用于例如接收原始和/或预处理的感测输入数据为目的。另外,网络接口240允许管理服务器140与客户端设备160通信,以便发送例如与异常活动、机器故障预测等有关的通知。
机器学习单元250配置为基于经由网络接口240接收的感测输入数据来执行机器学习,如本文进一步描述。在一实施例中,机器学习单元250还配置为基于一个或多个机器学习模型来确定对机器170的故障的预测。在另一实施例中,机器学习单元250还配置为确定至少一个纠正解决方案建议,以避免或减轻所确定的预测故障。作为非限制性示例,至少一个建议可以指示机器170上的排气管应更换为新的排气管,以免发生故障。在另一实施例中,机器学习单元250还配置为基于一个或多个机器学习模型来确定第一异常感测输入行为的第一可疑模式与第二异常感测输入行为的第二模式之间的相关度,如上文进一步描述。
应当理解,本文描述的实施例不限于图2所示的特定架构,并且在不脱离所公开的实施例的范围的情况下,可以等同地使用其他架构。
图3A是示出根据实施例的第一异常感测输入行为的第一可疑模式的表示的示例模拟。图3A所示的模拟包括图形300A,其中识别出两组异常。每组包括机器(例如图1的机器170)的多个参数的一个或多个异常。组310包括与机器的两个参数有关的三个异常,比如振动360,其中检测到单个异常,以及温度370,其中检测到两个异常。组320示出了与机器的振动360有关的两个异常以及与机器温度370有关的单个异常。第一组310和第二组320可被认为是多个异常的第一可疑模式。
图3B是示出根据实施例的第二异常感测输入行为的第二模式的表示的示例模拟。图3B所示的模拟包括图形300B,其中识别出两组异常。每组包括机器(例如图1的机器170)的多个参数的一个或多个异常。组330包括与机器的两个参数有关的三个异常,比如振动360,其中检测到单个异常,以及温度370,其中检测到两个异常。组340示出了与机器的振动360有关的两个异常以及与机器温度370有关的单个异常。组330和组340可被认为是多个异常的第二模式,第一可疑模式可以与之比较。图形300B还示出了在第二模式即组330和组340结束之后发生的机器故障350。
在一实施例中,上文描述的第二模式允许实时或接近实时地预测至少一个机器的即将发生的机器故障。即,通过将第一可疑模式与第二模式进行比较,确定第一可疑模式与第二模式之间的相关性。因此,考虑到在第二模式结束之后已经记录了机器故障的事实,管理服务器140确定在第一可疑模式之后将发生机器故障。
图4是示出根据实施例的用于识别和预测机器的异常感测行为模式的方法的示例流程图400。在一实施例中,该方法由图1的管理服务器140执行。
在S410,监视与至少一个机器(例如图1的机器170)有关的第一组带时间戳的感测输入数据。每种类型的带时间戳的感测输入数据可以至少与和机器相关的过程有关。
在S420,分析第一组带时间戳的感测输入数据。该分析可以使用一个或多个机器学习模型来实现,并且被设计为检测每种类型的感测输入数据中的异常。
在S430,确定与第一组带时间戳的感测输入数据相关的第一异常感测输入行为的第一可疑模式。第一异常感测输入行为的第一可疑模式可以包括例如传感器测量特征、传感器异常、异常组、机器操作状态、机器故障等。第一可疑模式可以包括一个或多个传感器异常阵列、异常组等,其反映每个异常发生时间,以及其他有关信息,比如与异常相关的值,即异常参数值、特征等。例如,异常参数值可以是机器或其一部分的温度、与机器相关的磅/平方英寸(PSI)、速度等。
在S440,将第一可疑模式与第二异常感测输入行为的至少第二序列进行比较,该第二异常感测输入行为与被确定为指示机器故障的至少第二组带时间戳的感测输入数据相关。通过在至少一个第一可疑模式和至少第二模式上应用至少一个机器学习算法来实现比较。
在S450,确定第一可疑模式是否在预定阈值以上与至少第二模式相关,如果是,则在S460继续执行;否则,执行继续到S410。
在S460,生成预测至少一个机器的即将发生的机器故障的通知。
本文公开的各种实施例可被实现为硬件、固件、软件或其任何组合。此外,软件优选地被实现为有形地体现在由部分或某些设备和/或设备的组合构成的程序存储单元或计算机可读介质上的应用程序。可以将应用程序上载到包括任何适当架构的机器并由其执行。优选地,机器在具有诸如一个或多个中央处理单元(“CPU”)、内存和输入/输出接口的硬件的计算机平台上实现。计算机平台还可以包括操作***和微指令代码。本文描述的各种过程和功能可以是可以由CPU执行的微指令代码的一部分或应用程序的一部分或者其任何组合,无论是否明确示出了这种计算机或处理器。另外,各种其他***单元可以连接到计算机平台,比如附加数据存储单元和打印单元。此外,非暂时性计算机可读介质是除了暂时性传播信号之外的任何计算机可读介质。
如本文所用,后跟项目列表的短语“中的至少一个”是指可以单独地使用任何所列项目,或者可以利用两个或更多个所列项目的任何组合。例如,如果***被描述为包括“A、B和C中的至少一个”,则该***可以包括单独A;单独B;单独C;A和B组合;B和C组合;A和C组合;或A、B和C组合。
本文叙述的所有示例和条件语言旨在用于教学目的,以帮助读者理解所公开实施例的原理和发明人为进一步发展本领域所贡献的概念,并且应解释为不限于此类具体叙述的示例和条件。此外,本文中叙述所公开实施例的原理、方面和实施例及其特定示例的所有陈述旨在涵盖其结构和功能上的等同物。另外,意图是这样的等同物包括当前已知的等同物以及将来开发的等同物,即开发的执行相同功能的任何元件,而与结构无关。
Claims (19)
1.一种用于识别机器的异常感测行为模式的方法,包括:
监视与至少一个机器有关的第一组带时间戳的感测输入数据;
在分析第一组带时间戳的感测输入数据时,确定与第一组带时间戳的感测输入数据相关的第一异常感测输入行为的第一可疑模式;
将第一可疑模式与和第二组带时间戳的感测输入数据相关的第二异常感测输入行为的第二模式进行比较,其中第二模式先前确定为指示机器故障;以及
确定第一可疑模式是否在预定阈值以上与第二模式相关。
2.根据权利要求1所述的方法,还包括:
在确定所述第一可疑模式在预定阈值以上与第二模式相关时,生成预测至少一个机器的即将发生的机器故障的通知。
3.根据权利要求2所述的方法,其中,所述通知对以下至少一项进行指示:指示即将到来的机器故障的确定模式、根本原因以及至少一个纠正解决方案建议。
4.根据权利要求1所述的方法,其中,使用以下至少一项来实现对所述第一组带时间戳的感测输入数据的分析:机器学习模型和深度学习模型。
5.根据权利要求1所述的方法,其中,使用相关函数来实现对所述第一可疑模式的确定。
6.根据权利要求1所述的方法,其中,所述比较还包括对所述第一可疑模式和第二模式应用至少一个机器学习算法。
7.根据权利要求1所述的方法,其中,确定所述第一可疑模式是否在预定阈值以上与第二模式相关还包括确定第一可疑模式和第二模式发生的时间段。
8.根据权利要求1所述的方法,其中,所述第一可疑模式包括以下至少一项:一个或多个传感器异常阵列、反映每个异常发生时间的异常组以及与所述异常相关的异常参数值。
9.根据权利要求1所述的方法,还包括:
对所述第一组带时间戳的感测输入数据进行预处理,其中预处理包括以下至少一项:数据清理、归一化、重新缩放、重新趋势、重新格式化和噪声过滤。
10.一种非暂时性计算机可读介质,其上存储有用于使处理电路执行处理的指令,该处理包括:
监视与至少一个机器有关的第一组带时间戳的感测输入数据;
在分析第一组带时间戳的感测输入数据时,确定与第一组带时间戳的感测输入数据相关的第一异常感测输入行为的第一可疑模式;
将第一可疑模式与和第二组带时间戳的感测输入数据相关的第二异常感测输入行为的第二模式进行比较,其中第二模式先前确定为指示机器故障;以及
确定第一可疑模式是否在预定阈值以上与第二模式相关。
11.一种用于识别机器的异常感测行为模式的***,包括:
处理电路;以及
内存,该内存包含指令,所述指令在由处理电路执行时将***配置为:
监视与至少一个机器有关的第一组带时间戳的感测输入数据;
在分析第一组带时间戳的感测输入数据时,确定与第一组带时间戳的感测输入数据相关的第一异常感测输入行为的第一可疑模式;
将第一可疑模式与和第二组带时间戳的感测输入数据相关的第二异常感测输入行为的第二模式进行比较,其中第二模式先前确定为指示机器故障;以及
确定第一可疑模式是否在预定阈值以上与第二模式相关。
12.根据权利要求11所述的***,其中,所述***还配置为:
在确定所述第一可疑模式在预定阈值以上与第二模式相关时,生成预测至少一个机器的即将发生的机器故障的通知。
13.根据权利要求12所述的***,其中,所述通知指示以下至少一项:指示即将到来的机器故障的确定模式、根本原因以及至少一个纠正解决方案建议。
14.根据权利要求11所述的***,其中,使用以下至少一项来实现对所述第一组带时间戳的感测输入数据的分析:机器学习模型和深度学习模型。
15.根据权利要求11所述的***,其中,使用相关函数来实现对所述第一可疑模式的确定。
16.根据权利要求11所述的***,其中,所述比较还包括对所述第一可疑模式和第二模式应用至少一个机器学习算法。
17.根据权利要求11所述的***,其中,确定所述第一可疑模式是否在预定阈值以上与第二模式相关还包括确定第一可疑模式和第二模式发生的时间段。
18.根据权利要求11所述的***,其中,所述第一可疑模式包括以下至少一项:一个或多个传感器异常阵列、反映每个异常发生时间的异常组以及与所述异常相关的异常参数值。
19.根据权利要求11所述的***,其中,所述***还配置为:
对所述第一组带时间戳的感测输入数据进行预处理,其中预处理包括以下至少一项:数据清理、归一化、重新缩放、重新趋势、重新格式化和噪声过滤。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201862754591P | 2018-11-02 | 2018-11-02 | |
US62/754,591 | 2018-11-02 | ||
PCT/US2019/059627 WO2020093036A1 (en) | 2018-11-02 | 2019-11-04 | System and method for recognizing and forecasting anomalous sensory behavioral patterns of a machine |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113196311A true CN113196311A (zh) | 2021-07-30 |
Family
ID=70464762
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201980071706.8A Pending CN113196311A (zh) | 2018-11-02 | 2019-11-04 | 用于识别和预测机器的异常感测行为模式的***和方法 |
Country Status (5)
Country | Link |
---|---|
US (1) | US11733688B2 (zh) |
CN (1) | CN113196311A (zh) |
BR (1) | BR112021007906A2 (zh) |
DE (1) | DE112019005467T5 (zh) |
WO (1) | WO2020093036A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11947671B2 (en) | 2021-09-15 | 2024-04-02 | Nanotronics Imaging, Inc. | Method, systems and apparatus for intelligently emulating factory control systems and simulating response data |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
BR112021007906A2 (pt) | 2018-11-02 | 2021-08-03 | Skf Ai, Ltd. | sistema e método para reconhecer e prever padrões de comportamento sensoriais anômalos de uma máquina |
EP3908894A1 (en) * | 2019-01-09 | 2021-11-17 | WestRock Packaging Systems, LLC | Predictive maintenance tool based on digital model |
US11853450B2 (en) | 2019-11-05 | 2023-12-26 | Saudi Arabian Oil Company | Detection of web application anomalies using machine learning |
US11675342B2 (en) * | 2020-12-24 | 2023-06-13 | Noodle Analytics, Inc. | AI-based smart health surveillance system and method |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020091972A1 (en) * | 2001-01-05 | 2002-07-11 | Harris David P. | Method for predicting machine or process faults and automated system for implementing same |
US20130060524A1 (en) * | 2010-12-01 | 2013-03-07 | Siemens Corporation | Machine Anomaly Detection and Diagnosis Incorporating Operational Data |
AU2015200309A1 (en) * | 2010-05-14 | 2015-02-12 | Joy Global Surface Mining Inc | Predicting failure of a mining machine |
US20150313529A1 (en) * | 2014-05-01 | 2015-11-05 | Ramot At Tel-Aviv University Ltd. | Method and system for behavioral monitoring |
CN105574284A (zh) * | 2015-12-29 | 2016-05-11 | 山东鲁能软件技术有限公司 | 一种基于趋势特征点的电力设备故障诊断方法 |
US9600394B2 (en) * | 2015-06-18 | 2017-03-21 | Oracle International Corporation | Stateful detection of anomalous events in virtual machines |
CN106576060A (zh) * | 2014-03-11 | 2017-04-19 | 英国气体贸易有限公司 | 家用器具的操作状态的确定 |
US20180293125A1 (en) * | 2016-01-03 | 2018-10-11 | Presenso, Ltd. | System and method for unsupervised prediction of machine failures |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
BR112021007906A2 (pt) | 2018-11-02 | 2021-08-03 | Skf Ai, Ltd. | sistema e método para reconhecer e prever padrões de comportamento sensoriais anômalos de uma máquina |
-
2019
- 2019-11-04 BR BR112021007906-8A patent/BR112021007906A2/pt unknown
- 2019-11-04 CN CN201980071706.8A patent/CN113196311A/zh active Pending
- 2019-11-04 WO PCT/US2019/059627 patent/WO2020093036A1/en active Application Filing
- 2019-11-04 DE DE112019005467.8T patent/DE112019005467T5/de active Pending
-
2021
- 2021-04-21 US US17/236,413 patent/US11733688B2/en active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020091972A1 (en) * | 2001-01-05 | 2002-07-11 | Harris David P. | Method for predicting machine or process faults and automated system for implementing same |
AU2015200309A1 (en) * | 2010-05-14 | 2015-02-12 | Joy Global Surface Mining Inc | Predicting failure of a mining machine |
US20130060524A1 (en) * | 2010-12-01 | 2013-03-07 | Siemens Corporation | Machine Anomaly Detection and Diagnosis Incorporating Operational Data |
CN106576060A (zh) * | 2014-03-11 | 2017-04-19 | 英国气体贸易有限公司 | 家用器具的操作状态的确定 |
US20150313529A1 (en) * | 2014-05-01 | 2015-11-05 | Ramot At Tel-Aviv University Ltd. | Method and system for behavioral monitoring |
US9600394B2 (en) * | 2015-06-18 | 2017-03-21 | Oracle International Corporation | Stateful detection of anomalous events in virtual machines |
CN105574284A (zh) * | 2015-12-29 | 2016-05-11 | 山东鲁能软件技术有限公司 | 一种基于趋势特征点的电力设备故障诊断方法 |
US20180293125A1 (en) * | 2016-01-03 | 2018-10-11 | Presenso, Ltd. | System and method for unsupervised prediction of machine failures |
Non-Patent Citations (2)
Title |
---|
ABHISHEK B. SHARMA等: "Sensor Faults: Detection Methods and Prevalence in Real-World Datasets", 《ACM TRANSACTIONS ON SENSOR NETWORKS》, vol. 6, no. 3, 30 June 2010 (2010-06-30), pages 1 - 39 * |
文元美等: "工业控制***软件的用户操作异常检测方法", 《中国测试》, vol. 40, no. 4, 31 July 2014 (2014-07-31), pages 98 - 101 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11947671B2 (en) | 2021-09-15 | 2024-04-02 | Nanotronics Imaging, Inc. | Method, systems and apparatus for intelligently emulating factory control systems and simulating response data |
Also Published As
Publication number | Publication date |
---|---|
WO2020093036A1 (en) | 2020-05-07 |
BR112021007906A2 (pt) | 2021-08-03 |
US11733688B2 (en) | 2023-08-22 |
DE112019005467T5 (de) | 2021-07-22 |
US20210240178A1 (en) | 2021-08-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210397501A1 (en) | System and method for unsupervised prediction of machine failures | |
US11243524B2 (en) | System and method for unsupervised root cause analysis of machine failures | |
US11403551B2 (en) | System and method for validating unsupervised machine learning models | |
US11669083B2 (en) | System and method for proactive repair of sub optimal operation of a machine | |
US11442444B2 (en) | System and method for forecasting industrial machine failures | |
CN113196311A (zh) | 用于识别和预测机器的异常感测行为模式的***和方法 | |
WO2019142331A1 (ja) | 障害予測システムおよび障害予測方法 | |
US11933695B2 (en) | System and method for detecting anomalies in sensory data of industrial machines located within a predetermined proximity | |
Soualhia et al. | Infrastructure fault detection and prediction in edge cloud environments | |
CN105474577B (zh) | 用于监测***性能和可用性的***和方法 | |
US20130197854A1 (en) | System and method for diagnosing machine tool component faults | |
KR20190021560A (ko) | 빅데이터를 활용한 고장예지보전시스템 및 고장예지보전방법 | |
US20210158220A1 (en) | Optimizing accuracy of machine learning algorithms for monitoring industrial machine operation | |
US20180307218A1 (en) | System and method for allocating machine behavioral models | |
CN111061581B (zh) | 一种故障检测方法、装置及设备 | |
US20220058527A1 (en) | System and method for automated detection and prediction of machine failures using online machine learning | |
KR102108975B1 (ko) | 함정설비의 상태기반 정비 지원 장치 및 방법 | |
Beduschi et al. | Optimizing rotating equipment maintenance through machine learning algorithm | |
US11822323B2 (en) | Providing corrective solution recommendations for an industrial machine failure | |
CN118068790A (zh) | 一种工业生产数据管理方法及*** | |
CN114443398A (zh) | 内存故障预测模型的生成方法、检测方法、装置及设备 | |
CN117611128A (zh) | 一种考虑单备件保障下的健康管理***及方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20210906 Address after: Gothenburg Applicant after: AKTIEBOLAGET SKF Address before: Israel Yuekeni Mourinho Applicant before: SKF artificial intelligence Co.,Ltd. |
|
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |