TW202244649A - 智慧減輕或預防設備性能缺陷 - Google Patents

智慧減輕或預防設備性能缺陷 Download PDF

Info

Publication number
TW202244649A
TW202244649A TW111100017A TW111100017A TW202244649A TW 202244649 A TW202244649 A TW 202244649A TW 111100017 A TW111100017 A TW 111100017A TW 111100017 A TW111100017 A TW 111100017A TW 202244649 A TW202244649 A TW 202244649A
Authority
TW
Taiwan
Prior art keywords
classification
performance
classifications
classification model
parameters
Prior art date
Application number
TW111100017A
Other languages
English (en)
Inventor
薩拉赫 阿勒哈利法
丹尼爾 巴格萊
克里斯多夫 約翰 蓋文
Original Assignee
美商安進公司
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 美商安進公司 filed Critical 美商安進公司
Publication of TW202244649A publication Critical patent/TW202244649A/zh

Links

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
    • G05B23/0243—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
    • 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
    • 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
    • G05B23/0275—Fault isolation and identification, e.g. classify fault; estimate cause or root of failure

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Debugging And Monitoring (AREA)
  • Test And Diagnosis Of Digital Computers (AREA)
  • Heterocyclic Carbon Compounds Containing A Hetero Ring Having Oxygen Or Sulfur (AREA)
  • Pharmaceuticals Containing Other Organic And Inorganic Compounds (AREA)

Abstract

一種診斷或預測設備的性能之方法包括：藉由在該設備的使用時間段內監測與該設備相關聯的一個或多個參數來確定該一個或多個參數的值。該方法還包括：藉由使用分類模型處理該一個或多個參數的值來確定該設備的性能分類；將該性能分類映射到減輕或預防行動；以及生成指示該減輕或預防行動的輸出。

Description

智慧減輕或預防設備性能缺陷
本申請總體上關於可以用於製造、產品開發、和/或其他過程的設備（例如，用於開發或商業化製造藥品的設備），並且更具體地關於識別可以減輕或預防與這種設備相關的性能缺陷之行動。
在各種開發和生產情境中，依賴不同類型的設備來提供品質水平足夠高之輸出（例如，實體產品）。為了製造生物製藥藥物產品，例如，所需設備可以包括培養基儲罐、過濾設備、生物反應器、分離設備、純化設備等。在一些情況下，設備可以包括諸如能夠即時地或近即時地監測過程的感測器（例如，溫度和/或壓力探針）等輔助裝置或與該等輔助裝置相關聯。當這種監測可用時，主題專家或團隊可以較佳的是在將設備用於其主要目的（例如，用於產品開發或產品商業化製造）之前的時間利用他們的培訓和經驗來識別設備的問題或預測設備問題之出現。例如，主題專家可以在用於進行「就地蒸汽（steam-in-place）」消毒程序的罐內觀察在所監測溫度下的特定模式或行為，並應用其個人知識來推理出該等模式或行為係蒸汽疏水閥故障、溫度探針校準不當、或某種其他特定根本原因所致。然後，主題專家可以響應於診斷（例如，檢查和/或替換蒸汽疏水閥、或重新校準溫度探針等）而應用其個人知識來確定要採取的一項或多項適當的行動，並且完成該（該等）行動或請求完成該（該等）行動。
然而，這種專業知識通常是特定於每個人或團隊的，且因此可能在不同的地點（例如，工廠或實驗室）和不同的時間（例如，在關鍵員工離職時）在應用上存在不一致。此外，主題專家可能未能注意到特定警告標誌，諸如當指示設備問題（例如，感測器讀數短暫下降等）的信號斷斷續續時。即使主題專家可以準確且一致地識別問題或潛在問題，這個過程通常也將很耗時且成本高昂（例如，由於高技能人員所需的工時數）。在一些情境中，與持續人工監測相關聯的成本異常高昂，且因此替代性地採用「次佳」做法。例如，可以定期（例如，每三個月一次或每年一次）或基於使用情況（例如，在每使用100小時之後、或在每次「運行」之後）維護（例如檢驗、校準等）某一設備，以降低出問題的可能性。然而，這可能導致不必要的高資源消耗（如果維護的頻率高於所需）或性能問題的次數或頻率高得無法接受（如果維護的頻率低於所需）。
為了解決當前/傳統做法的前述缺點中的一些缺點，本文描述之實施方式包括自動化並改進對設備性能問題/缺陷的識別以及基於該等問題/缺陷對要採取的行動的確定的系統和方法。該設備可以是在特定過程中使用的任何類型的裝置或系統（諸如消毒罐或儲罐、生物反應器等），且在一些實施方式中可以包括用於監測該設備的（多個）感測器裝置中的一些或全部感測器裝置。雖然本文所提供的示例主要關於藥品製造或開發，但應理解，本文揭露的系統和方法提供了設備無關平臺，該設備無關平臺可以應用於被設計成在其他情境中使用的設備（例如，在諸如食品、紡織、汽車等非藥品開發或製造過程中使用的設備）。
為了識別設備性能問題，使用歷史資料來訓練分類模型。可以使用在特定設備被使用（或多個類似設備被使用）的時間段內的歷史感測器讀數集合以及指示主題專家或團隊如何對每個這樣的時間段內的任何性能問題進行分類或沒有性能問題的標籤來訓練該分類模型。例如，對於一組給定輸入資料，主題專家可以指派從由[「良好」、「故障類型1」、…「故障類型 N」]組成之群組中選擇的標籤，其中， N係大於或等於一的整數。應理解，如本文所使用的，術語「專家」不一定指示任何最低資格水平（例如培訓、知識、經驗等），但其在一些實施方式中可以指示最低資格水平。為了確定使用哪些特徵（例如，哪些感測器讀數）來訓練分類模型，可以使用主分量分析或其他合適的技術來確定哪些特徵最能預測特定性能問題。
一旦經過訓練，分類模型可以被配置成對新資料（例如，在預定時間窗內的即時感測器讀數）進行操作，以診斷/推斷相同（或至少類似）類型的設備何時將出現特定類型的缺陷或預測設備何時將出現特定類型的缺陷。例如，對於給定時間窗內的一組給定輸入資料（對應於在訓練期間使用的特徵），分類模型可以輸出與在訓練期間使用的標籤之一（例如「良好」、「故障類型1」等）相對應的分類。
進一步地，在一些實施方式中，計算系統（可能但不一定係訓練和/或運行該分類模型的同一計算裝置）可以將該分類模型的輸出映射到要採取的一個特定行動或一組行動，以糾正所診斷出的性能問題，或預防所預測的性能問題發生。計算系統還可以向一個或多個使用者通知所推薦的（多項）行動，並且還可能向（該等）使用者通知映射到該（該等）行動的所診斷出或所預測的性能問題，以促使完成該（該等）行動。計算系統可以藉由訪問例如包括主題專家知識儲存庫的資料庫來執行映射。進一步地，在一些實施方式中，個人（例如，主題專家）可以輸入資訊以確認由分類模型輸出的特定分類是否正確，並且計算系統可以將此資訊用作訓練標籤以進一步提高分類模型的準確度。
與上文的背景技術部分中所描述之傳統做法相比，本文揭露之系統和方法可以以更高的可靠性/一致性和更快的速度識別與設備相關的問題和/或潛在問題。這進而可以降低與在生產期間（或在開發期間等）原本可能出現的設備性能故障或其他缺陷相關聯的風險和成本。此外，由於減少了對人類監測的需要，因此可以大大降低人工成本。進一步地，在一些實施方式中，藉由在真正需要維護活動時觸發維護活動，而不僅僅是基於時間流逝或設備使用水平，可以降低與過度維護相關聯的成本——而不會相應增加設備故障/缺陷的風險。本文描述之系統和方法還可以隨時間推移表現出更高的準確度（例如，藉由基於使用者對模型分類的確認來進一步訓練），並且可以有助於識別先前未識別到的設備缺陷類型/模式。
以上介紹的以及在下文更詳細地討論的不同構思可以以多種方式中的任一種實施，並且所描述之構思不限於任何特定的實施方式。出於說明目的，提供了實施方式的示例。
圖1係示例系統100的簡化框圖，該示例系統可以診斷或預測在特定過程中使用的設備102的缺陷、基於該等缺陷識別適當的行動、並向使用者通知所識別的行動。在一些實施方式中，設備102係被配置成用於商業生產過程（諸如，生物製藥藥物製造過程）的實體裝置或系統（例如，相互關聯的裝置/元件的集合）。在其他實施方式中，設備102係被配置成用於不同類型的過程（諸如產品開發過程）的實體裝置或系統。可以使用設備102的過程的更具體示例包括配製、水合、細胞培養、收穫、分離、純化、和最終的填充和精加工過程。僅提供幾個示例，設備102可以是消毒罐、培養基儲罐、過濾器、生物反應器、離心機等。在其他實施方式中，設備102係在與藥品開發或生產無關的過程（例如，食品製造廠、油加工廠等）中使用的設備。
系統100還包括一個或多個感測器裝置104，該一個或多個感測器裝置被配置成感測與設備102和/或設備的內容物或鄰近外部環境相關聯的物理參數。例如，（多個）感測器裝置104可以包括一個或多個溫度感測器（例如，用於在操作期間獲取設備102的內部溫度、表面溫度和/或外部溫度的讀數）、一個或多個壓力感測器（例如，用於在操作期間獲取設備102的內部壓力和/或外部壓力的讀數）和/或一個或多個其他感測器類型。作為舉更具體的示例，設備102可以是消毒罐，並且（多個）感測器裝置104可以包括位於罐內不同位置處的多個溫度感測器。（多個）感測器裝置104可以包括僅進行直接測量（例如，溫度、壓力、流速等）的感測器和/或間接確定參數值的「軟」感測裝置或系統（例如，用於以非破壞性方式確定化學成分和分子結構的拉曼分析儀和探針），這適用於設備102的類型和設備102被配置成用於的操作。
（多個）感測器裝置104可以包括集成在設備102之上或之內的一個或多個裝置、和/或固定到或以其他方式放置在設備102附近的一個或多個裝置。根據實施方式，（多個）感測器裝置104中沒有、一些或所有感測器裝置可以被視為設備102的一部分。具體地，在（多個）感測器裝置104中的任何或所有感測器裝置的性能均包括在設備性能分析（如下文進一步描述）中的實施方式中，本文對「設備102」的提及包括該等感測器裝置104。例如，對消毒罐的性能分析可能不僅包括分析罐完成其既定任務的能力（例如，保存所期望的內容物而不發生洩漏，並使內容物滿足所期望的溫度曲線），而且還包括分析固定到罐或與罐集成在一起的多個溫度感測器的性能。
系統100還包括耦合到（多個）感測器裝置104的計算系統110。如下文進一步詳細討論的，計算系統110可以包括單個計算裝置或者包括位於一處或彼此遠離的多個計算裝置（例如，一個或多個伺服器和一個或多個使用者端裝置）。計算系統110通常被配置成：(1) 分析由（多個）感測器裝置104生成的讀數以推斷/診斷或預測/預料設備102的缺陷（例如，故障或其他不可接受的性能）；(2) 基於所推斷或所預測的缺陷識別應採取的行動；以及 (3) 向使用者通知所識別的行動。在圖1所示的示例實施方式中，計算系統110包括處理單元120、網路介面122、顯示器124、使用者輸入裝置126和記憶體128。
處理單元120包括一個或多個處理器，該一個或多個處理器中的每一個可以是可程式設計微處理器，該可程式設計微處理器執行存儲在記憶體128中的軟體指令以執行如本文描述之計算系統110的一些或全部功能。替代性地，處理單元120中的一個或多個處理器可以是其他類型的處理器（例如，專用積體電路（ASIC）、現場可程式設計閘陣列（FPGA）等）。
網路介面122可以包括任何合適的硬體（例如，前端發射器和接收器硬體）、固件和/或軟體，該硬體、固件和/或軟體被配置成使用一種或多種通信協定與外部裝置和/或系統（例如，（多個）感測器裝置104或者提供計算系統110與（多個）感測器裝置104之間的介面的伺服器（圖1中未示出）等）通信。例如，網路介面122可以是或者包括乙太網介面。雖然圖1中未示出，但計算系統110可以經由單個通信網路或經由一種或多種類型的多個通信網路（例如，一種或多種有線和/或無線局域網（LAN）、和/或一種或多種有線和/或無線廣域網路（WAN），例如網際網路或內聯網等）與（多個）感測器裝置104和/或與提供計算系統110與（多個）感測器裝置104之間的介面的任何（多個）裝置通信。
顯示器124可以使用任何合適的顯示技術（例如，LED、OLED、LCD等）來向使用者呈現資訊，並且使用者輸入裝置126可以是鍵盤或其他合適的輸入裝置。在一些實施方式中，顯示器124和使用者輸入裝置126集成在單個裝置（例如，觸控式螢幕顯示器）內。通常，顯示器124和使用者輸入裝置126可以組合以使得使用者能夠查看由計算系統110輸出的視覺呈現（例如，圖形化使用者介面或所顯示的資訊）和/或與視覺呈現交互例如以達到多個目的，諸如向使用者通知設備故障或其他缺陷以及建議使用者採取任何減輕或預防行動。
記憶體128可以包括包含易失性和/或非易失性記憶體在內的一個或多個實體記憶體裝置或單元，且可以包括位於計算系統110的不同計算裝置中的記憶體。可以使用任何合適的一種或多種記憶體類型，諸如唯讀記憶體（ROM）、固態驅動器（SSD）、硬碟驅動器（HDD）等。記憶體128存儲一個或多個軟體應用程式（包括設備分析應用程式130）的指令。設備分析應用程式130在由處理單元120執行時通常被配置成訓練分類模型132，使用經訓練的分類模型132來推斷或預測有缺陷的設備性能（即，針對設備102以及可能還有其他設備），識別補救行動，並且向使用者通知缺陷和對應的行動。為此，設備分析應用程式130包括降維單元140、訓練單元142、分類單元144和映射單元146。單元140至146可以是設備分析應用程式130的不同軟體元件或模組，或者可以僅表示設備分析應用程式130的不一定劃分在不同的元件/模組中的功能。例如，在一些實施方式中，分類單元144和訓練單元142被包括在單個軟體模組中。此外，在一些實施方式中，不同的單元140至146可以分佈在設備分析應用程式130的多個副本（例如，在計算系統110中的不同裝置上執行的多個副本）中，或者分佈在計算系統110的一個或多個裝置上存儲和執行的不同類型的應用程式中。下文參考系統100的操作更詳細地描述單元140至146中的每一個的操作。
分類模型132可以是任何合適類型的分類器，諸如支持向量機（SVM）模型、決策樹模型、深度神經網路、 k-最近鄰（KNN）模型、樸素貝葉斯分類器（NBC）模型、長短期記憶（LSTM）模型、HDBSCAN聚類模型或者可以將多組輸入資料分類成兩個或更多個可能分類之一的任何其他模型。在一些實施方式中，除了由（多個）感測器裝置104生成的參數的值之外，分類模型132還對一個或多個其他類型的參數的值進行操作。例如，除了來自（多個）感測器裝置104的讀數之外，分類模型132還可以接受時間參數值作為輸入（例如，自過程開始以來的分鐘數或小時數）。在一些實施方式中，分類模型132接受一個或多個類別參數作為輸入（例如0或1，或類別A、B或C等）。類別（例如，二元）參數可以表示是否發生了特定操作、是否添加了特定物質等。此外，分類模型132可以接受反映「記憶」分量的一個或多個輸入。例如，一個參數可以是探針在 x分鐘的溫度讀數，而另一參數可以是同一探針在 x-1分鐘的溫度讀數，以此類推。在其他實施方式中，分類模型132本身具有記憶分量（即，分類模型132係「有狀態的」）。
根據實施方式，分類模型132可以將多組輸入（參數值）分類成兩個可能分類之一（例如，「良好性能」或「不良性能」），或分類成多於兩種可能分類之一（例如，「良好」、「故障類型A」或「故障類型B」）。下文結合圖3討論可以與良好性能或與特定類型的設備缺陷相對應的感測器讀數的一些示例。在一些實施方式中，分類模型132包括可以對同一組輸入或多組不同（可能是重疊的）輸入進行操作的兩個或更多個單獨訓練的模型。例如，分類模型132可以包括：KNN模型，其將一組參數值分類成「良好」或「不良」；並且還包括神經網路，其僅分析多組「不良」資料並且將該等資料組中的每一組分類成特定類型的故障或其他缺陷。作為另一個示例，分類模型132可以包括多個不同的神經網路，每個神經網路被專門訓練成檢測相應類型的設備缺陷。
如下文還將進一步詳細描述的，計算系統110被配置成出於訓練目的而訪問歷史資料庫150，並且被配置成訪問專家知識資料庫152以識別所推薦的行動。歷史資料庫150可以存儲與設備102的過去運行和/或其他類似設備的過去運行相關聯的參數值。例如，歷史資料庫150可以存儲由（多個）感測器裝置104（和/或由其他類似的感測器裝置）生成的感測器讀數，並且還可能存儲其他相關參數（例如，時間）的值。歷史資料庫150還可以存儲針對每組歷史參數值的「標籤」資訊，該「標籤」資訊指示特定設備缺陷或指示不存在任何這種缺陷。例如，一些感測器讀數組可能與歷史資料庫150中的「良好」標籤相關聯，其他感測器讀數組可能與歷史資料庫150中的「故障類型1」標籤相關聯等。
專家知識資料庫152可以是資訊儲存庫，該資訊表示當識別到某些類型的設備缺陷時主題專家在過去為了減輕或預防設備問題（針對設備102和/或類似設備）所採取的行動。例如，專家知識資料庫152可以包括一個或多個表，該一個或多個表將歷史資料庫150的標籤所表示的缺陷類型中的每一種（例如，「故障類型1」等）與可以減輕或預防對應問題的一個或多個適當行動相關聯。資料庫150、152可以存儲在記憶體128的永久性記憶體中，或者存儲在計算系統110或另一裝置或系統的不同永久性記憶體中。在一些實施方式中，計算系統110使用網路介面122經由網際網路訪問資料庫150、152中的一者或兩者。
如上文所述，計算系統110可以包括一個或多個裝置，並且如果包括多個裝置，則該多個裝置可以位於一處或遠端地分佈（例如，在不同裝置之間利用乙太網和/或網際網路通信）。在一個實施方式中，例如，計算系統110的第一伺服器（包括單元140、142）訓練分類模型132，計算系統110的第二伺服器從（多個）感測器裝置104收集即時測量值，並且計算系統110的第三伺服器（包括單元144、146）從第二伺服器接收該等測量值並使用經訓練的分類模型132的副本基於所接收的測量值來生成分類（即，診斷或預測）。作為另一個示例，以上示例的第三伺服器不存儲經訓練的分類模型132的副本，而是藉由將測量值提供給第二伺服器來利用分類模型132（例如，如果分類模型132可經由web服務佈置被使用）。如本文所使用的，除非術語的使用在上下文另有清楚指示，否則諸如「運行」、「使用」、「實施」等術語、諸如分類模型132等模型廣泛地用於涵蓋直接執行本機存放區的模型或請求另一裝置（例如，遠端伺服器）執行該模型的替代方案。應理解，除了圖1所示和/或本文描述之功能配置和分佈之外，其他功能配置和分佈也是可能的並且在本發明的範圍內。
現在將參考圖1的部件和圖2中所描繪的過程200兩者更詳細地描述系統100的操作。首先，在初始訓練階段，設備分析應用程式130從歷史資料庫150檢索歷史資料202（例如，包括過去的感測器讀數）。在過程200的階段204，降維單元140組合歷史資料202中的參數值（例如，形成參數值的線性組合）以生成較少數量的值，該等較少數量的值中的每個值都對分類模型132進行的分類有很大貢獻。例如，降維單元140可以使用主分量分析（PCA）、概率主分量分析（PPCA）、貝葉斯概率主分量分析（BPPCA）、高斯混合模型（GMM）或另一合適的技術來處理來自歷史資料202的參數值。降維單元140可以將感測器讀數（以及可能的其他輸入值）降為任何合適數量的維度（例如兩個、三個、五個等）。
在階段204之後，在過程200的階段206，訓練單元142使用在階段204生成的參數值來訓練分類模型132。例如，如果降維單元140在階段204實施PCA技術將原始參數值（例如，來自感測器裝置的歷史讀數）降為兩個維度（PC1、PC2）的值，則訓練單元142可以在階段206使用該等（PC1、PC2）值及其對應的人工生成標籤來訓練分類模型132。然而，在其他實施方式中，從過程200中省略階段204並且從系統100中省略降維單元140。在這後一種情況下，訓練單元142可以替代性地使用來自歷史資料202的原始參數值作為直接輸入來訓練分類模型132。在任一種情況下，為了達到分類模型132的良好性能，歷史資料202應包括所期望的每種分類類型的眾多不同示例（例如，「良好」性能和一個或多個特定類型的設備缺陷）。訓練單元142還可以在階段206驗證和/或進一步鑒定經訓練的分類模型132（例如，使用歷史資料202中未用於訓練的部分）。
圖3描繪了繪圖300，該繪圖示出了在（多個）感測器裝置104包括溫度感測器並且設備102包括消毒罐的示例實施方式中可以與不同的設備缺陷類型/模式相對應的示例感測器讀數。圖3中的跡線302表示設備102的預期/期望（「良好」）性能，而其他三條跡線304、306、308表示指示不同類型的設備缺陷的情景。具體地，跡線304描繪了其中溫度感測器讀數最初振盪（在溫度斜升期間）的情景，這可能指示溫度控制系統存在問題或指示系統完整性問題。跡線306描繪了溫度高於最低消毒溫度（並因此在技術上可能不是「錯誤」狀態）的「超調」情景，這也可能指示溫度控制系統存在問題或溫度感測器校準存在問題。跡線308描繪了來自溫度感測器的信號短暫中斷的「掉線（drop out）」情景，這可能致使計時器重新啟動消毒過程，並因此造成設備性能和壽命的問題。也可能存在其他類型的缺陷。例如，第四缺陷類型/模式可以對應於在溫度斜升到穩定狀態之後的稍後時間發生的振盪，第五缺陷類型/模式可以對應於頻率大大低於圖3中所示的頻率的振盪，第六缺陷類型/模式可以對應於比圖3中所示的時間段明顯更長的時間段的掉線，第七缺陷類型/模式可以對應於多次掉線，以此類推。在理想情況下，除了辨識/分類良好或可接受的性能之外，分類模型132還被訓練成辨識任何可能類型的設備缺陷，並且被訓練成當推斷出/診斷出或預測到該類型的缺陷時輸出對應的分類。
現在返回圖2，在階段210至218，當設備102在使用中時，分類單元144對新（例如，即時或近即時的）資料208（例如，來自（多個）感測器裝置104的新感測器讀數）運行經訓練的分類模型132。例如，如果設備102係消毒罐，則階段210至218可以在使用消毒罐執行的消毒（例如，「就地蒸汽」）程序的多次迭代期間發生。
當設備102運作時，（多個）感測器裝置104生成新資料208的至少一部分。例如，（多個）感測器裝置104可以各自每固定時間段（例如，每五秒、每分鐘等）生成一個即時讀數（例如，溫度、壓力、pH值等）。讀數的類型和頻率可以與在訓練階段期間使用的資料相匹配。
在階段210，設備分析應用程式130（或其他軟體）篩選/預處理新資料208。例如，階段210可以應用篩選器來確保僅檢索來自某一預定義當前時間窗的資料。作為另一個示例，設備分析應用程式130（或其他軟體）在階段210預處理感測器讀數，以使該等讀數具有與用於訓練的歷史資料202相同的格式。例如，如果來自（多個）感測器裝置104的感測器讀數的捕獲頻率低於在訓練期間使用感測器讀數的頻率，則設備分析應用程式130可以在階段210使用內插技術生成附加「讀數」。
在階段212，降維單元140或類似單元降低新資料208所反映的參數值的維度（可能在篩選階段210進行的處理之後）。
在階段214，分類單元144使用在階段212生成的參數值來運行經訓練的分類模型132。例如，如果降維單元140在階段212實施PCA技術將原始參數值（例如，來自（多個）感測器裝置104的讀數）降為兩個維度（PC1、PC2）的值，則分類單元144可以在階段214對該等（PC1、PC2）值運行分類模型132。下文結合圖4討論了在降維單元140將輸入參數值降為兩個維度並且分類模型132係SVM模型的一個這樣的實施方式中的分類示例。
在替代實施方式中，從過程200中省略階段212，在這種情況下，分類單元144可以替代地對來自新資料202的原始參數值（作為直接輸入）運行分類模型132（可能在階段210進行的處理之後）。例如，系統100可以省略降維單元140，並且過程200可以省略階段204和階段212兩者。
分類模型132針對每組輸入資料，例如針對在設備102在使用中時的多個均勻時間段（例如，每10分鐘或每小時、每六小時、每天等）中的每一個輸出特定分類。分類可以是推斷結果，即設備102表現出的當前問題（例如，故障（failure/fault））或不存在問題的診斷。替代性地，分類可以是設備102在未來將表現出特定問題的預測或設備102在未來將不會表現出問題的預測。在一些實施方式中，分類模型132被配置/被訓練成輸出包括推斷結果和預測在內的一組分類中的任一分類。例如，分類「A」可以指示設備102目前不存在問題或預期不存在問題，分類「B」可以指示設備102當前正在經歷特定類型的故障，分類「C」可以指示如果不採取補救行動，則設備102可能將在相對不久的未來經歷特定類型的故障（或者導致有缺陷的性能），等等。
在階段216，將分類模型132輸出的分類提供回歷史資料202，以用於進一步訓練（完善）分類模型132。對於這種附加訓練，設備分析應用程式130或其他軟體可以為個人（例如，主題專家）提供使用者介面，以確認分類是否正確，或在分類模型132的輸出不正確的情況下輸入正確的分類。然後，可以將該等人工輸入或確認的分類用作附加訓練的標籤。當可用於初始訓練的歷史資料202的量相對較小時，附加訓練可能特別有益。在一些實施方式中，從過程200中省略階段216。
在階段218，映射單元146將分類模型132做出的分類映射到一個或多個所推薦的行動。為此，例如，映射單元146可以使用分類作為存儲在專家知識資料庫152中的表的關鍵字。（多個）對應的行動可以包括一個或多個預防/維護行動和/或一個或多個修復當前問題的行動。例如，映射單元146可以將分類「故障類型C」映射到核對總和/或改變篩選器的行動。在一些實施方式中，映射單元146將至少一些可用分類映射到可能有用的多組替代行動（例如，如果主題專家過去曾發現存在幾種不同方式能最好地解決設備102或類似設備的特定問題）。
下表中提供了在設備102係消毒罐的實施方式中，專家知識資料庫152中缺陷分類與對應行動之間的一些示例映射：
分類（缺陷類型） 缺陷描述 （多項）對應行動
A 在升溫期間溫度振盪（例如，圖3的跡線304）。 評估蒸汽疏水閥和調節器是否需要更換。
B 就地蒸汽溫度超過目標溫度（例如，圖3的跡線306）。 校準或更換溫度感測器，並評估調節器是否需要調整或更換。
C 短暫的溫度信號掉線，導致就地蒸汽操作重新啟動（例如，圖3的跡線308）。 如果這係反復出現的故障，則校準溫度感測器並考慮更換。檢查蒸汽疏水閥上是否存在異物，並評估蒸汽疏水閥是否需要更換。
[表1]
在以上示例中，分類模型132還可以支持第四分類，該第四分類與「良好」性能相對應並且因此不需要映射。然而，在一些實施方式中，即使「良好」分類也需要映射（例如，映射到表示最低或預設維護等級的一個或多個維護行動）。
在階段220，設備分析應用程式130將所推薦的（多個）行動呈現或以其他方式提供給一個或多個系統使用者。例如，設備分析應用程式130可以在階段220生成或填充圖形化使用者介面或其他呈現（或其一部分），以經由顯示器124和/或一個或多個其他顯示器/裝置呈現給使用者。（多個）行動（以及可能由分類模型132產生的對應分類）可以單獨示出，和/或可以用於提供更高級統計資料的視圖等。另外或替代性地，設備分析應用程式130可以為一個或多個使用者自動生成電子郵件或文本通知，包括指示所推薦的（多個）行動和對應分類的消息。當感測器資料可用時（例如，一旦（多個）感測器裝置104生成給定時間窗內的最後感測器讀數），可以即時地或近即時地提供通知。
在一些實施方式中，過程200包括圖2中未示出的附加階段。例如，在一些實施方式中，並且在圖2中所示的任何階段之前，降維單元140與分類單元144一起操作以例如藉由識別分類模型132在進行推斷或預測時最依賴哪些參數值來生成有助於「特徵工程」的輸出。例如，降維單元140可以應用PCA技術將20個輸入參數降到兩個維度，並且還生成當降維單元140計算這兩個維度的值時對這20個輸入參數中的每一個的值的依賴程度（例如，加權）的指示符。此後，對分類模型132的訓練和執行可以僅基於最重要的輸入參數（例如，被示出具有最大預測強度的參數）。
在一些實施方式中和/或情景中，階段204至220全部發生在設備102的主要既定用途之前。例如，如果旨在將設備102用於生物製藥藥物產品的商業化製造，則階段204至220可以發生於在該藥物產品的商業化製造過程期間使用設備102之前。以這種方式，可以大大降低在生產期間出現不可接受的設備性能的風險，從而降低因「停機時間」導致的成本和延遲的風險和/或預防品質問題。作為另一個示例，如果旨在將設備102用於產品開發階段，則階段204至220可以發生於在該開發過程期間使用設備102之前，從而可能降低成本並縮短藥物開發時間。然而，在一些實施方式中，在設備102的主要用途期間（例如，在商業化製造或產品開發期間）還發生、或替代地發生階段210至220（或僅階段210至216）。
在一些情景中，可能會在過程200期間發現新類型的設備缺陷。例如，在階段220輸出的推薦的行動可能未能減輕或預防特定設備問題。在這種情況下，主題專家可能會研究該問題以識別「解決方案」。一旦識別到解決方案，就可以人工重新創建該問題，以在歷史資料庫150中創建附加訓練資料。然後，現在可以用與新識別到的問題相對應的附加分類來修改和重新訓練分類模型132。此外，可以將專家知識資料庫152擴展成包括針對該問題的（多項）適當的減輕或預防行動。
在一些實例中，在允許分類模型132準確地識別某些設備問題的範圍內開發新訓練資料可能是不切實際的。在該等情況下，可以用「硬編碼」分類器（例如，用於識別特定類型的設備缺陷的固定演算法/規則）來補充分類模型132。
以「就地蒸汽」消毒罐為例，用特徵工程技術（例如，PCA、PPCA等）與分類模型（例如SVM、決策樹等）的約20種不同組合來測試與系統100和過程200類似的系統和過程的性能。該特定用例的最佳性能係藉由使用將 n維資料（對於 n個特徵/輸入）降為兩個維度的PCA技術和達到約94%到97%的分類準確度的SVM分類模型來提供的，該分類準確度取決於隨機選擇哪些資料來用作測試和訓練資料集並且取決於所考慮的設備。就不同的資料集和設備來說，SVM分類模型與PCA的總體準確度為約95%。圖4描繪了示出由SVM分類模型做出的示例分類的繪圖400。繪圖400的 x軸和 y軸表示使用PCA技術生成（例如，可以由降維單元140生成）的值。在繪圖400中，虛線表示劃分該示例的三個可能的分類的決策邊界：良好性能（分類402）；缺陷類型A（分類404）；以及缺陷類型B（分類406）。具體地，缺陷類型A對應於在升溫期間溫度讀數振盪的問題，而缺陷類型B對應於溫度超調問題（即，上表1中反映的前兩個缺陷）。
就不同的資料集和設備來說，隨機森林分類與PCA也表現良好，提供約96%的總體準確度。然而，SVM分類在所檢驗的所有用例中都有更一致的準確度。NBC分類、決策樹分類和KNN分類（各自與PCA一起）分別提供約89%、89%和85%的總體準確度。
圖5描繪了可以由圖1的計算系統110生成和/或填充的示例呈現500。例如，設備分析應用程式130可以生成和/或填充呈現500，以供在顯示器124和/或一個或多個其他裝置（例如，使用者移動裝置等）的一個或多個其他顯示器上查看。通常，呈現500描繪了指示多次運行中的每一次的分類（由分類模型132作出）的資訊以及與該等分類相關聯的資訊（在此，係溫度讀數）。
如在圖5中看到的，在該示例中，呈現500包括疊加了多個溫度跡線的繪圖502。每個溫度跡線可以表示分類模型132所分析/處理以輸出一種分類（在該示例中，為「故障A」、「故障B」或「良好」）的溫度感測器資料（例如，由（多個）感測器裝置104之一生成）。呈現500的餅狀圖504示出了每個分類的數量占分類模型132做出的所有分類的百分比。呈現500的圖表506示出了多個不同批次和標記的結果（即，特定故障類型，如果存在的話）。每個批次（B22、B23等）可以指代一批不同的材料（例如，所製造的一批特定藥物產品/物質），並且每個標記（T1、T2等）可以指代不同的設備或不同的設備部件（例如，特定溫度感測器）。應理解，在其他實施方式中，呈現500可以包括比圖5中所示的更少、更多和/或不同的資訊，和/或可以以不同的格式示出資訊。
在一些實施方式中，設備分析應用程式130也（或替代地）生成和/或填充其他類型的呈現。在一些實施方式中，例如，設備分析應用程式130（例如，在圖2的階段220）針對每次運行/分類生成或填充基於文本的消息或視覺化，其中，該基於文本的消息或視覺化指示分類模型132輸出的分類以及該分類所映射到的一項或多項所推薦的行動。設備分析應用程式130或另一應用程式可以使得將該基於文本的消息或視覺化呈現給一個或多個使用者（例如，經由電子郵件、SMS文本消息、專用應用程式螢幕/顯示器等）。
圖6係用於減輕或預防設備性能缺陷的示例方法600的流程圖。例如，方法600可以由計算系統（例如，一個或多個計算裝置）來實施，諸如由圖1的計算系統110（例如，借由執行設備分析應用程式130的指令的處理單元120）。
在框602處，藉由在設備（例如，設備102）的使用時間段內（例如，在消毒操作期間、或在收穫操作期間等，取決於設備的種類）監測與該設備相關聯的一個或多個參數來確定（該等）參數的值。（該等）參數可以包括溫度、壓力、pH值、濕度或與設備相關聯的任何其他合適類型的物理特性。框602可以包括直接或間接地從生成參數值的一個或多個感測器裝置（例如，（多個）感測器裝置104）接收該等值。在其他實施方式中（例如，如果方法600整體上由系統100執行），框602可以包括生成該等值（例如，由（多個）感測器裝置104）的動作。時間段可以是任何合適長度的時間（例如，10分鐘、六小時、一天等），並且在該時間段內，參數值可以對應於以任何合適頻率（例如，每秒一次、每分鐘一次等）或以多個頻率（例如，在使用多個感測器裝置的一些實施方式中）獲取的測量值。
在框604處，藉由使用分類模型對在框602處確定的值進行處理來確定設備的性能分類。分類模型（例如，分類模型132）可以包括SVM模型、決策樹模型、深度神經網路、KNN模型、NBC模型、LSTM模型、HDBSCAN聚類模型或可以將多組輸入資料分類為多個可用分類之一的任何其他合適類型的模型。分類模型可以是單個經訓練的模型，或者可以包括多個經訓練的模型。
在框606處，將性能分類映射到減輕或預防行動。例如，框606可以包括使用性能分類作為資料庫（例如，專家知識資料庫152）的關鍵字。即，框606可以包括確定哪一行動對應於這樣的資料庫中的性能分類。在一些實施方式中，還將性能分類映射到一項或多項附加減輕或預防行動，該等附加減輕或預防行動可以包括應累積採取的行動（例如，清潔部件A以及檢驗元件B）和/或應被視為替代方案的行動（例如，清潔部件A或更換部件A）。
在框608處，生成指示減輕或預防行動的輸出。在一些實施方式中，輸出還指示映射到行動的性能分類（例如，與分類相對應的代碼和/或對分類的文本描述）。此外，在一些實施方式中，輸出可以包括指示在設備被使用的多個時間段中的每個時間段內的分類和/或對應行動的資訊。例如，輸出可以是視覺呈現（例如，在顯示器124上）、視覺呈現的一部分（例如，特定資訊欄或圖表等）或用於生成或觸發任何這樣的呈現的資料。在一些實施方式中，框608包括生成資料以填充基於web的報告，該基於web的報告可以由多個使用者經由他們的web瀏覽器訪問。
在一些實施方式中，方法600還包括圖6中未示出的一個或多個附加框。例如，方法600在框602之前還可以包括一個框，在這個框中使用多組（多個）參數的歷史值和該等組的相應標籤（例如，「良好」、「故障類型A」等）來訓練分類模型。方法600在框604之後（並且可能也在框606和/或608之後）還可以包括一個框，在這個框中接收（例如，在使用者登錄之後經由使用者輸入裝置126）表示（多個）參數值的人工分類的使用者指派的標籤（例如，「良好」、「故障類型A」等），並且然後使用在框602處確定的（多個）值和該使用者指派的標籤來進一步訓練該分類模型。
本揭露之實施方式關於非暫態電腦可讀存儲介質，在該非暫態電腦可讀存儲介質上具有用於執行各種電腦實施操作的電腦代碼。術語「電腦可讀存儲介質」在本文中用於包括能夠存儲或編碼用於執行本文描述之操作、方法、和技術的一系列指令或電腦代碼的任何介質。介質和電腦代碼可以是為了本揭露之實施方式的目的而特別設計和構造的介質和電腦代碼，或者它們可以是電腦軟體領域的技術人員公知和可獲得的類型。電腦可讀存儲介質的示例包括但不限於：磁性介質，諸如硬碟、軟碟、和磁帶；光學介質，諸如CD-ROM和全息裝置；磁光介質，諸如光碟；以及被特別配置成存儲和執行程式碼的硬體裝置，諸如ASIC、可程式設計邏輯裝置（「PLD」）以及ROM和RAM裝置。
電腦代碼的示例包括諸如由編譯器產生的機器代碼、以及包含由電腦使用解譯器或編譯器執行的較高級代碼的檔。例如，可以使用Java、C++、或其他對象導向的程式設計語言和開發工具來實施本揭露之實施方式。電腦代碼的附加示例包括加密代碼和壓縮代碼。此外，本揭露之實施方式可以作為電腦程式產品下載，該電腦程式產品可以經由傳輸通道從遠端電腦（例如，伺服器電腦）傳送到請求電腦（例如，使用者端電腦或不同的伺服器電腦）。本揭露之另一個實施方式可以用硬接線電路系統代替機器可執行軟體指令或與機器可執行軟體指令組合來實施。
如本文所使用的，除非上下文另有明確指明，否則單數術語「一（a、an）」和「該（the）」可以包括複數個引用物。
如本文所使用的，術語「連接（connect、connected和connection）」指代（並且附圖中描繪的連接（connection）表示）操作性耦合或連結。連接的部件可以直接地或例如藉由另一組部件間接地彼此耦合。
如本文所使用的，術語「大致」、「基本上」、「基本」和「約」用於描述並且解釋小的變化。當與事件或情況相結合使用時，該等術語可以指代事件或情況恰好發生的情形以及事件或情況近似發生的情形。例如，當結合數值使用時，該等術語可以指代該數值小於或等於 ± 10%、諸如小於或等於 ± 5%，小於或等於 ± 4%、小於或等於 ± 3%、小於或等於 ± 2%、小於或等於 ± 1%、小於或等於 ± 0.5%、小於或等於 ± 0.1%、或小於或等於 ± 0.05%的變化範圍。例如，如果值之間的差小於或等於值的平均值的 ± 10%、諸如小於或等於 ± 5%、小於或等於 ± 4%、小於或等於 ± 3%、小於或等於 ± 2%、小於或等於 ± 1%、小於或等於 ± 0.5%、小於或等於 ± 0.1%、或小於或等於 ± 0.05%，則可以認為兩個數值「基本上」相同。
另外，數量、比率、以及其他數值在本文有時以範圍格式呈現。應理解，這種範圍格式係為了方便和簡潔而使用，並且應靈活地理解為包括明確指定為範圍極限的數值，但也包括包含在該範圍內的所有單獨數值和子範圍，就好像每個數值或子範圍明確指定了一樣。
雖然已經參考本揭露之具體實施方式描述和展示了本揭露，但該等描述和圖示並不限制本揭露。熟悉該項技術者應理解，在不脫離由所附請求項限定的本揭露之真實精神和範圍之情況下，可以進行各種改變並且可以替換等同物。該等圖示可能不一定係按比例繪製的。由於製造過程、容差和/或其他原因，本揭露中的藝術再現與實際裝置之間可能存在差異。可以存在未具體展示的本揭露之其他實施方式。說明書（除了申請專利範圍之外）和附圖應被視為說明性的而非限制性的。可以做出修改以使特定情況、材料、物質組成、技術、或過程適應本揭露之目標、精神和範圍。所有該等修改旨在落入所附請求項的範圍內。雖然已經參考按特定循序執行的特定操作描述了本文揭露的技術，但應理解，該等操作可以組合、細分、或重新排序以形成等同的技術，而並不背離本揭露之教導。因此，除非本文有具體指示，否則操作的順序和分組並不是對本揭露之限制。
102:設備 104:多個感測器裝置 110:電腦系統 120:處理單元 122:網路介面 124:顯示器 126:使用者輸入裝置 128:記憶體 130:設備分析應用程式 132:分類別模組 140:降維單元 142:訓練單元 144:分類單元 146:映射單元 150:歷史資料庫 152:專家知識資料庫 202:歷史資料 206:訓練 204:降維 208:新資料 210:篩選 212:降維 216:模型完善 214:診斷/預測 218:映射 220:輸出
熟悉該項技術者將理解，本文描述之附圖係出於說明目的而包括的，而非限制本揭露。附圖不一定係按比例繪製，而是將重點放在說明本揭露之原理上。應理解，在一些情況下，所描述之實施方式的各個方面可以被擴大或放大示出，以有助於理解所描述之實施方式。在附圖中，貫穿各附圖，相似的附圖標記通常指代功能相似和/或結構相似的部件。
[圖1]係示例系統之簡化框圖，該示例系統可以用於診斷或預測在特定過程中使用的設備的缺陷、基於該等缺陷識別適當的行動、並向使用者通知所識別的行動。
[圖2]描繪了可以由圖1的計算系統實施之示例過程。
[圖3]描繪了示出與不同的設備缺陷模式相對應的示例感測器讀數之繪圖。
[圖4]描繪了示出由支持向量機（SVM）分類模型做出的示例分類之繪圖。
[圖5]描繪了可以由圖1的計算系統生成和/或填充之示例呈現。
[圖6]係用於減輕或預防設備性能缺陷的示例方法之流程圖。
無
102:設備
104:多個感測器裝置
110:電腦系統
120:處理單元
122:網路介面
124:顯示器
126:使用者輸入裝置
128:記憶體
130:設備分析應用程式
132:分類別模組
140:降維單元
142:訓練單元
144:分類單元
146:映射單元
150:歷史資料庫
152:專家知識資料庫

Claims (24)

  1. 一種減輕或預防設備性能缺陷之方法，該方法包括： 藉由在設備的使用時間段內監測與該設備相關聯的一個或多個參數來確定該一個或多個參數的值； 藉由計算系統使用分類模型處理該一個或多個參數的值來確定該設備的性能分類； 由該計算系統將該性能分類映射到減輕或預防行動；以及 由該計算系統生成指示該減輕或預防行動的輸出。
  2. 如請求項1所述之方法，其中： 該分類模型被配置成對於一組給定參數值輸出多個可用分類中的一個，該多個可用分類包括 (i) 指示不推薦減輕或預防行動的分類和 (ii) 指示推薦減輕或預防行動的一個或多個其他分類；並且 確定該性能分類包括由該分類模型輸出該一個或多個其他分類中的一個分類。
  3. 如請求項2所述之方法，其中該一個或多個其他分類包括各自對應於與該設備的缺陷性能相關聯的不同診斷或預測的多個分類。
  4. 如請求項1至3中任一項所述之方法，其中，該分類模型包括支持向量機（SVM）模型。
  5. 如請求項1至3中任一項所述之方法，其中，該分類模型包括決策樹模型。
  6. 如請求項1至3中任一項所述之方法，其中，該分類模型包括神經網路。
  7. 如請求項1至6中任一項所述之方法，其中，監測該一個或多個參數包括由該計算系統接收一個或多個感測器裝置所生成的感測器讀數。
  8. 如請求項7所述之方法，其中，該設備包括該一個或多個感測器裝置。
  9. 如請求項7或8所述之方法，其中，該一個或多個感測器裝置包括 (i) 一個或多個溫度感測器和 (ii) 一個或多個壓力感測器中的一者或兩者。
  10. 如請求項7至9中任一項所述之方法，其中： 該等感測器讀數係由多個感測器裝置生成的；並且 確定該一個或多個參數的值包括藉由對該等感測器讀數應用降維技術來生成該等值。
  11. 如請求項1至10中任一項所述之方法，其中，將該性能分類映射到該減輕或預防行動包括：確定資料庫中的哪個行動與該性能分類相對應，該資料庫包含針對與該設備相關聯的已知情景的已知減輕或預防行動。
  12. 如請求項1至11中任一項所述之方法，其中，生成指示該減輕或預防行動的輸出包括經由顯示器將該輸出呈現給使用者。
  13. 如請求項1至12中任一項所述之方法，進一步包括，在確定與該設備相關聯的該一個或多個參數的值之前： 使用 (i) 該一個或多個參數的多組歷史值和 (ii) 多個相應標籤來訓練該分類模型。
  14. 如請求項13所述之方法，進一步包括，在確定該設備的性能分類之後： 由該計算系統接收使用者指派的標籤，該使用者指派的標籤表示對該一個或多個參數的值的人工分類；以及 使用 (i) 該一個或多個參數的值和 (ii) 該使用者指派的標籤來進一步訓練該分類模型。
  15. 如請求項1所述之方法，其中： 該設備包括罐和一個或多個溫度感測器； 監測該一個或多個參數包括由該計算系統接收該一個或多個溫度感測器所生成的感測器讀數； 該分類模型被配置成對於一組給定參數值輸出多個可用分類中的一個，該多個可用分類包括 (i) 指示不推薦減輕或預防行動的分類和 (ii) 各自對應於與該設備的缺陷性能相關聯的不同診斷或預測的多個其他分類； 該多個其他分類包括以下中的一者或多者：(i) 與溫度掉線相對應的一個或多個分類，(ii) 與溫度振盪相對應的一個或多個分類，或者 (iii) 與溫度超調相對應的一個或多個分類；並且 確定該性能分類包括該分類模型輸出該多個其他分類中的一個分類。
  16. 一種用於減輕或預防設備性能缺陷的系統，該系統包括： 計算系統，該計算系統具有一個或多個處理器和一個或多個非暫態電腦可讀介質，該一個或多個非暫態電腦可讀介質存儲指令，該等指令在由該一個或多個處理器執行時使得該計算系統 藉由在該設備的使用時間段內監測與該設備相關聯的一個或多個參數來確定該一個或多個參數的值， 藉由使用分類模型處理該一個或多個參數的值來確定該設備的性能分類， 將該性能分類映射到減輕或預防行動，以及 生成指示該減輕或預防行動的輸出。
  17. 如請求項16所述之系統，其中： 該分類模型被配置成對於一組給定參數值輸出多個可用分類中的一個，該多個可用分類包括 (i) 指示不推薦減輕或預防行動的分類和 (ii) 指示推薦減輕或預防行動的一個或多個其他分類；並且 確定該性能分類包括由該分類模型輸出該一個或多個其他分類中的一個分類。
  18. 如請求項17所述之系統，其中該一個或多個其他分類包括各自對應於與該設備的缺陷性能相關聯的不同診斷或預測的多個分類。
  19. 如請求項16至18中任一項所述之系統，其中，該分類模型包括支持向量機（SVM）模型、決策樹模型或神經網路。
  20. 如請求項16至19中任一項所述之系統，其中： 該設備包括一個或多個感測器裝置；並且 監測該一個或多個參數包括接收該一個或多個感測器裝置所生成的感測器讀數。
  21. 如請求項20所述之系統，其中，該一個或多個感測器裝置包括 (i) 一個或多個溫度感測器和 (ii) 一個或多個壓力感測器中的一者或兩者。
  22. 如請求項20或21所述之系統，其中： 該一個或多個感測器裝置包括多個感測器裝置；並且 確定該一個或多個參數的值包括藉由對該等感測器讀數應用降維技術來生成該等值。
  23. 如請求項16至22中任一項所述之系統，其中，將該性能分類映射到該減輕或預防行動包括：確定資料庫中的哪個行動與該性能分類相對應，該資料庫包含針對與該設備相關聯的已知情景的已知減輕或預防行動。
  24. 如請求項16至23中任一項所述之系統，進一步包括： 顯示器， 其中，生成指示該減輕或預防行動的輸出包括經由該顯示器將該輸出呈現給使用者。
TW111100017A 2021-01-04 2022-01-03 智慧減輕或預防設備性能缺陷 TW202244649A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US202163133554P 2021-01-04 2021-01-04
US63/133,554 2021-01-04

Publications (1)

Publication Number Publication Date
TW202244649A true TW202244649A (zh) 2022-11-16

Family

ID=80446151

Family Applications (1)

Application Number Title Priority Date Filing Date
TW111100017A TW202244649A (zh) 2021-01-04 2022-01-03 智慧減輕或預防設備性能缺陷

Country Status (9)

Country Link
US (1) US20240045414A1 (zh)
EP (1) EP4272041A1 (zh)
JP (1) JP2024503598A (zh)
AR (1) AR124563A1 (zh)
AU (1) AU2022204978A1 (zh)
CA (1) CA3206982A1 (zh)
MX (1) MX2023007859A (zh)
TW (1) TW202244649A (zh)
WO (1) WO2022147489A1 (zh)

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7778797B2 (en) * 2006-09-28 2010-08-17 Fisher-Rosemount Systems, Inc. Method and system for detecting abnormal operation in a stirred vessel
WO2015104691A2 (en) * 2014-01-13 2015-07-16 Brightsource Industries (Israel) Ltd. Systems, methods, and devices for detecting anomalies in an industrial control system
JP7000376B2 (ja) * 2019-04-23 2022-01-19 ファナック株式会社 機械学習装置、予測装置、及び制御装置

Also Published As

Publication number Publication date
EP4272041A1 (en) 2023-11-08
JP2024503598A (ja) 2024-01-26
CA3206982A1 (en) 2022-07-07
WO2022147489A1 (en) 2022-07-07
US20240045414A1 (en) 2024-02-08
AR124563A1 (es) 2023-04-12
MX2023007859A (es) 2023-07-07
AU2022204978A1 (en) 2023-07-20

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***
US10777470B2 (en) Selective inclusion/exclusion of semiconductor chips in accelerated failure tests
US9842302B2 (en) Population-based learning with deep belief networks
US9454855B2 (en) Monitoring and planning for failures of vehicular components
US10635096B2 (en) Methods for analytics-driven alarm rationalization, assessment of operator response, and incident diagnosis and related systems
EP3183622B1 (en) Population-based learning with deep belief networks
US20190033840A1 (en) Facility diagnosis device, facility diagnosis method, and facility diagnosis program
CN110892349A (zh) 自动化检查***
US11605025B2 (en) Automated quality check and diagnosis for production model refresh
US11385950B2 (en) Failure mode specific analytics using parametric models
AU2019204000A1 (en) Mitigating asset damage via asset data analysis and processing
BRPI1101199A2 (pt) método e sistema computadorizado para monitorar uma rede de distribuição de água, e, método computadorizado para administrar uma rede de distribuição de água
US11334057B2 (en) Anomaly detection for predictive maintenance and deriving outcomes and workflows based on data quality
EP4174601A1 (en) System, apparatus and method for monitoring condition of an asset in technical installation
US20170038281A1 (en) Method of predicting life of component of machine
US20160170395A1 (en) Case management linkage of updates, evidence, and triggers
CN109669796A (zh) 一种磁盘故障的预测方法和装置
TW202244649A (zh) 智慧減輕或預防設備性能缺陷
CN113792421B (zh) 一种基于数字孪生的tpm设备管理数据处理***及方法
De Meyer Validating the integrity of single source condition monitoring data
US20240125675A1 (en) Anomaly detection for industrial assets
JP7524045B2 (ja) データ解析装置、方法およびシステム
RU2777950C1 (ru) Обнаружение нештатных ситуаций для прогнозного технического обслуживания и определения конечных результатов и технологических процессов на основании качества данных
US20240095552A1 (en) Empirical formula-based estimation techniques based on correcting situational bias
Martins Industrial Sensors Online Monitoring and Calibration Through Hidden Markov Models