BR112021002569A2 - sistema e método para previsão de falhas de máquinas industriais - Google Patents
sistema e método para previsão de falhas de máquinas industriais Download PDFInfo
- Publication number
- BR112021002569A2 BR112021002569A2 BR112021002569-3A BR112021002569A BR112021002569A2 BR 112021002569 A2 BR112021002569 A2 BR 112021002569A2 BR 112021002569 A BR112021002569 A BR 112021002569A BR 112021002569 A2 BR112021002569 A2 BR 112021002569A2
- Authority
- BR
- Brazil
- Prior art keywords
- machine
- data resources
- failure
- machine learning
- learning model
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 230000001953 sensory effect Effects 0.000 claims abstract description 89
- 238000010801 machine learning Methods 0.000 claims abstract description 73
- 238000009826 distribution Methods 0.000 claims abstract description 17
- 230000008569 process Effects 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 14
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 7
- 238000004140 cleaning Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 238000012950 reanalysis Methods 0.000 claims description 4
- 230000001052 transient effect Effects 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims 1
- 238000012544 monitoring process Methods 0.000 description 18
- 238000004088 simulation Methods 0.000 description 14
- 239000000243 solution Substances 0.000 description 10
- 238000004519 manufacturing process Methods 0.000 description 9
- 230000006399 behavior Effects 0.000 description 8
- 238000012423 maintenance Methods 0.000 description 8
- 230000002159 abnormal effect Effects 0.000 description 7
- 238000005265 energy consumption Methods 0.000 description 7
- 230000036541 health Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000007619 statistical method Methods 0.000 description 6
- 238000003860 storage Methods 0.000 description 6
- 206010000117 Abnormal behaviour Diseases 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000003044 adaptive effect Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 230000002547 anomalous effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000001131 transforming effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000009286 beneficial 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
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000001746 injection moulding Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000007620 mathematical function Methods 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
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
- 238000003466 welding Methods 0.000 description 1
Classifications
-
- 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
- G06N3/08—Learning 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
- G05B23/0283—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
-
- 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
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/4184—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by fault tolerance, reliability of production system
-
- 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
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Automation & Control Theory (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
SISTEMA E MÉTODO PARA PREVISÃO DE FALHAS DE MÁQUINAS INDUSTRIAIS. Um sistema e método para previsão de falhas em máquinas industriais, incluindo: recepção de dados sensoriais brutos coletados a partir de pelo menos uma máquina; geração de uma pluralidade de recursos de dados com base nas entradas sensoriais brutas; seleção a partir da pluralidade de recursos de dados, de uma pluralidade de recursos de dados indicativos, em que a seleção é baseada em uma distribuição da pluralidade de recursos de dados indicativos que determina uma associação entre a pluralidade de recursos de dados indicativos e uma falha de máquina; seleção, com base na pluralidade de recursos de dados indicativos, de um modelo de aprendizado de máquina; aplicação do modelo de aprendizado de máquina selecionado à pluralidade de recursos de dados indicativos; e determinação da probabilidade de uma próxima falha da máquina.
Description
[0001] Este pedido reivindica o benefício do Pedido Provisório U.S. Nº 62 / 717.853 deposi- tado em 12 de agosto de 2018, cujos conteúdos são aqui incorporados por referência.
[0002] A presente divulgação se refere, em geral, a sistemas de manutenção para máquinas e, mais especificamente, ao monitoramento de operações de máquina para melhorar proces- sos de máquina.
[0003] Comunicações, processamento, computação em nuvem, inteligência artificial e outras tecnologias computadorizadas avançaram significativamente nos últimos anos, anunciando novos campos de tecnologia e produção. Além disso, muitas das tecnologias industriais em- pregadas desde ou antes da década de 1970 ainda estão em uso hoje. As soluções existentes relacionadas a essas tecnologias industriais muitas vezes viram apenas pequenas melhorias, apenas aumentando ligeiramente a produção e o rendimento.
[0004] Em práticas de fabricação modernas, os fabricantes devem frequentemente cumprir prazos de produção rígidos e fornecer qualidade de produção sem falhas ou quase perfeita. Como resultado, esses fabricantes correm o risco de grandes perdas sempre que ocorre uma falha inesperada da máquina. Uma falha de máquina é um evento que ocorre quando uma máquina se desvia do serviço correto. Erros, que normalmente são desvios do estado correto da máquina, não são necessariamente falhas, mas podem levar e indicar possíveis falhas futuras. Além das falhas, os erros podem causar um comportamento incomum da máquina que pode afetar o desempenho.
[0005] O tempo médio de inatividade de máquina com base em falha para fabricantes típicos (ou seja, a quantidade média de tempo em que a produção é encerrada, parcial ou totalmente, devido a falha de máquina) é de 17 dias por ano, ou seja, 17 dias de produção perdida e, portanto, de receita perdida. No caso de uma turbina de energia típica de 450 megawatts, por exemplo, um único dia de paralisação pode custar ao fabricante mais de US $ 3 milhões em receita perdida. Esse tempo de inatividade pode ter custos adicionais relacionados a reparos, precauções de segurança e semelhantes.
[0006] Em usinas de energia, bilhões de dólares americanos são gastos anualmente para ga- rantir a confiabilidade. Especificamente, bilhões de dólares são gastos em sistemas de backup e redundâncias utilizadas para minimizar os tempos de paralisação da produção. Além disso, sistemas de monitoramento podem ser utilizados para identificar falhas rapida- mente, acelerando assim o retorno à produção quando ocorre um tempo de inatividade. No entanto, os sistemas de monitoramento existentes normalmente identificam falhas apenas depois ou imediatamente antes do início do tempo de inatividade.
[0007] Além disso, as soluções existentes para monitorar as falhas da máquina normalmente dependem de um conjunto de regras predeterminadas para cada máquina. Esses conjuntos de regras não levam em consideração todos os dados que podem ser coletados em relação à máquina e só podem ser usados para verificar parâmetros-chave específicos, ignorando o resto. Além disso, esses conjuntos de regras devem ser fornecidos com antecedência por engenheiros ou outros analistas humanos. Como resultado, apenas alguns dos dados coleta- dos podem ser realmente usados por soluções existentes, resultando no desperdício de recur- sos de computação relacionados à transmissão, armazenamento e processamento de dados não utilizados. Além disso, a falha em considerar todos os dados relevantes pode resultar em falha na determinação ou previsão imprecisa de falhas.
[0008] Além disso, as soluções existentes muitas vezes dependem de testes periódicos em intervalos predeterminados.
[0009] Assim, mesmo as soluções existentes que podem prever falhas com antecedência, nor- malmente retornam solicitações para realizar a manutenção da máquina, mesmo quando a máquina não está em condição imediata de falha. Essa substituição e manutenção prematuras resultam em desperdício de materiais e despesas com a substituição de peças que ainda estão funcionando corretamente. Além disso, essas soluções existentes geralmente determinam falhas apenas depois que elas ocorrem. Como resultado, essas falhas podem não ser evitadas, resultando em tempo de inatividade e perda de receita.
[00010] Além disso, as soluções de monitoramento e manutenção existentes muitas ve- zes requerem equipamento de teste dedicado. Consequentemente, essas soluções normal- mente requerem operadores especializados e bem treinados na operação de cada sistema de monitoramento e manutenção. Requerer operadores especializados pode ser inconveniente e dispendioso, e pode introduzir fontes potenciais de erro humano. Além disso, dada a grande quantidade de dados que podem ser coletados para qualquer máquina, além das flutuações mínimas nos dados, um analista humano não é capaz de determinar adequadamente as pró- ximas falhas.
[00011] Além disso, as soluções existentes muitas vezes dependem de dados físicos brutos que podem não ser indicativos o suficiente para permitir a previsão de falhas de má- quina. Como resultado, essas falhas podem não ser evitadas, resultando em tempo de inati- vidade e perda de receita.
[00012] Seria, portanto, vantajoso fornecer uma solução que superasse os desafios ob- servados acima.
[00013] Em seguida, é feito um resumo de várias modalidades exemplificativas da di- vulgação. Este resumo é fornecido para a conveniência do leitor para fornecer uma compre- ensão básica de tais modalidades e não define totalmente a amplitude da divulgação. Este resumo não é uma visão geral abrangente de todas as modalidades contempladas e não se destina a identificar os elementos-chave ou críticos de todas as modalidades, nem a delinear o escopo de qualquer ou todos os aspectos. Seu único propósito é apresentar alguns conceitos de uma ou mais modalidades de uma forma simplificada como uma ação preliminar para a descrição mais detalhada que será apresentada posteriormente. Por conveniência, o termo "certas modalidades" pode ser usado neste documento para se referir a uma única modali- dade ou múltiplas modalidades da divulgação.
[00014] Certas modalidades divulgadas neste documento incluem um método para pre- ver falhas em máquinas industriais, incluindo: recepção de entradas sensoriais brutas cole- tadas a partir de pelo menos uma máquina; geração de uma pluralidade de recursos de dados com base nas entradas sensoriais brutas; seleção a partir da pluralidade de recursos de dados uma pluralidade de recursos de dados indicativos, em que a seleção é baseada em uma dis- tribuição da pluralidade de recursos de dados indicativos que determina uma associação en- tre a pluralidade de recursos de dados indicativos e uma falha de máquina; seleção, com base na pluralidade de recursos de dados indicativos, de um modelo de aprendizado de máquina; aplicação do modelo de aprendizado de máquina selecionado à pluralidade de recursos de dados indicativos; e determinação da probabilidade de uma próxima falha da máquina.
[00015] Certas modalidades divulgadas, na presente invenção, também incluem mídia legível por computador transitória tendo instruções armazenadas nele para fazer com que um circuito de processamento execute um processo, o processo incluindo: recepção de entradas sensoriais brutas coletadas a partir de pelo menos uma máquina; geração de uma pluralidade de recursos de dados com base nas entradas sensoriais brutas; seleção a partir da pluralidade de recursos de dados, de uma pluralidade de recursos de dados indicativos, em que a seleção é baseada em uma distribuição da pluralidade de recursos de dados indicativos que determina uma associação entre a pluralidade de recursos de dados indicativos e uma falha de máquina; seleção, com base na pluralidade de recursos de dados indicativos, de um modelo de apren- dizado de máquina; aplicação do modelo de aprendizado de máquina selecionado, à plura- lidade de recursos de dados indicativos; e determinação da probabilidade de uma próxima falha da máquina.
[00016] Certas modalidades divulgadas neste documento também incluem um sistema para prever falhas em máquinas industriais, incluindo: um circuito de processamento; e uma memória, a memória contendo instruções que, quando executadas pelos circuitos de proces- samento, configuram o sistema para: recepção de entradas sensoriais brutas coletadas a partir de pelo menos uma máquina; geração de uma pluralidade de recursos de dados com base nas entradas sensoriais brutas; seleção a partir da pluralidade de recursos de dados, de uma plu- ralidade de recursos de dados indicativos, em que a seleção é baseada em uma distribuição da pluralidade de recursos de dados indicativos que determina uma associação entre a plu- ralidade de recursos de dados indicativos e uma falha de máquina; seleção, com base na pluralidade de recursos de dados indicativos, de um modelo de aprendizado de máquina; aplicação do modelo de aprendizado de máquina selecionado à pluralidade de recursos de dados indicativos; e determinação da probabilidade de uma próxima falha da máquina.
[00017] O assunto divulgado neste documento é particularmente apontado e distinta- mente reivindicado nas reivindicações na conclusão do relatório descritivo. O acima exposto e outros objetos, características e vantagens das modalidades divulgadas serão evidentes a partir da seguinte descrição detalhada tomada em conjunto com os desenhos de acompanha- mento.
[00018] A Figura 1 é um diagrama de rede utilizado para descrever as várias modalida- des divulgadas.
[00019] A Figura 2 é um diagrama esquemático de um sistema preditor de falha de má- quina de acordo com uma modalidade.
[00020] A Figura 3A simula a representação de entradas sensoriais brutas de acordo com uma modalidade.
[00021] A Figura 3B simula a representação de entradas sensoriais indicativas de acordo com uma modalidade.
[00022] A Figura 4 é um fluxograma que ilustra um método para prever futuras falhas de máquina de acordo com uma modalidade.
[00023] A Figura 5A simula a representação das entradas sensoriais brutas de acordo com uma modalidade.
[00024] A Figura 5B simula a representação de uma versão filtrada de entradas senso- riais brutas de acordo com uma modalidade.
[00025] A Figura 6A simula a representação de entradas sensoriais brutas em segundos de acordo com uma modalidade.
[00026] A Figura 6B simula a representação de anomalias identificadas em uma reso- lução de minuto que é baseada nas entradas sensoriais brutas da Fig 6A de acordo com uma modalidade.
[00027] A Figura 7A ilustra a normalização de entradas sensoriais brutas para uma es- cala uniforme de acordo com uma modalidade.
[00028] A Figura 7B ilustra a normalização de entradas sensoriais brutas para uma es- cala uniforme de acordo com uma modalidade.
[00029] A Figura 8 ilustra a representação de recursos de dados indicativos selecionados de acordo com uma modalidade.
[00030] É importante notar que as modalidades aqui divulgadas são apenas exemplos dos muitos usos vantajosos dos ensinamentos inovadores deste documento. Em geral, as declarações feitas no relatório descritivo do presente pedido não necessariamente limitam qualquer uma das várias modalidades reivindicadas. Além disso, algumas declarações po- dem se aplicar a algumas características inventivas, mas não a outras. Em geral, a menos que indicado de outra forma, os elementos no singular podem estar no plural e vice-versa sem perda de generalidade. Nos desenhos, numerais semelhantes se referem a peças semelhantes por meio de várias vistas.
[00031] Depois da recepção de entradas sensoriais brutas relacionadas a uma máquina, as entradas sensoriais brutas são automaticamente pré-processadas e transformadas em uma pluralidade de recursos de dados usando uma função matemática. Um ou mais recursos de dados indicativos são então selecionados, a partir da pluralidade de recursos de dados, com base em uma distribuição da pluralidade de recursos de dados indicativos que demonstram pelo menos uma associação entre a pluralidade de recursos de dados indicativos e uma falha de máquina. Com base nos recursos de dados indicativos, um modelo de aprendizado de máquina preferido é selecionado de forma autônoma. O modelo de aprendizado de máquina preferido inclui uma capacidade de previsão de falha de máquina precisa e melhor previsi- bilidade de longo alcance de uma falha de máquina em relação à pluralidade de modelos de aprendizado de máquina. O modelo de aprendizado de máquina selecionado é aplicado à pluralidade de recursos de dados indicativos para pelo menos determinar a probabilidade de uma próxima falha de máquina.
[00032] A figura 1 mostra um exemplo de diagrama de rede 100 utilizado para descrever as várias modalidades divulgadas. O exemplo de diagrama de rede 100 inclui um sistema de monitoramento de máquina (MMS) 130, um preditor de falha de máquina 140, uma base de dados 150 e um dispositivo cliente 160 conectado através de uma rede 110. O exemplo de diagrama de rede 100 mostra ainda uma pluralidade de sensores 120-1 a 120-n (doravante referido individualmente como um sensor 120 e coletivamente como sensores 120, mera- mente para fins de simplicidade, onde n é um número inteiro igual ou superior a 1), comu- nicativamente conectado ao sistema de monitoramento de máquina 130. A rede 110 pode ser, mas não está limitada a, uma rede sem fio, uma rede celular ou com fio, uma rede de área local (LAN), uma rede de área ampla (WAN), uma rede de área metropolitana (MAN), a Internet, a rede mundial (WWW), redes semelhantes e qualquer combinação das mesmas.
[00033] O dispositivo cliente 160 pode ser, mas não está limitado a, um computador pessoal, um laptop, um computador tablet, um smartphone, um dispositivo de computação vestível ou qualquer outro dispositivo capaz de receber e exibir notificações indicando pre- visões de tempo de manutenção e falha, resultados de análise supervisionada, análise não supervisionada de dados de operação da máquina e semelhantes.
[00034] Os sensores 120 estão localizados na proximidade (por exemplo, proximidade física) a uma máquina 170.
[00035] A máquina 170 pode ser qualquer máquina para a qual o desempenho pode ser representado por meio de dados sensoriais, incluindo máquina industrial usada em configu- rações industriais, tais como, mas não se limitando a, uma turbina, um motor, uma máquina de solda, uma impressora tridimensional (3D), uma máquina de moldagem por injeção, uma combinação das mesmas, uma parte das mesmas e semelhantes. Cada sensor 120 é configu- rado para coletar entradas sensoriais, tais como, mas não se limitando a, sinais de som, sinais de ultrassom, luz, indicadores de rastreamento de movimento, temperatura, indicadores de consumo de energia e semelhantes com base na operação da máquina 170. Os sensores 120 podem incluir, mas não estão limitados a, sensores de captura de som, sensores de rastrea- mento de movimento, medidores de consumo de energia, medidores de temperatura e seme- lhantes. Qualquer um dos sensores 120 pode ser, mas não necessariamente, conectado co- municativamente ou conectado de outra forma à máquina 170 (tal conexão não é ilustrada na figura 1 apenas por uma questão de simplicidade e sem limitação nas modalidades divul- gadas).
[00036] Os sensores 120 são conectados ou acoplados ao sistema de monitoramento de máquina 130.
[00037] O sistema de monitoramento de máquina 130 pode ser configurado para arma- zenar e pré-processar entradas sensoriais brutas recebidas dos sensores 120. Alternativa- mente ou coletivamente, o sistema de monitoramento de máquina 130 pode ser configurado para recuperar periodicamente entradas sensoriais coletadas armazenadas, por exemplo, no banco de dados 150. O pré-processamento pode incluir, mas não está limitado a, limpeza de dados, normalização, reescalonamento, reanálise de tendências, reformatação, filtragem de ruído, uma combinação dos mesmos e semelhantes.
[00038] O pré-processamento pode ainda incluir extração de recursos de dados. Os re- sultados da extração de recursos de dados podem incluir recursos de dados a serem utilizados pelo preditor de falha de máquina 140 durante o aprendizado de máquina, a fim de detectar recursos de dados que indicam a próxima falha de máquina, conforme descrito aqui abaixo. A extração de recursos de dados pode incluir, mas não está limitada a, técnicas de redução de dimensão, tais como, mas não se limitando a, decomposições de valores singulares, trans- formações discretas de Fourier, transformações de wavelet discretas, métodos de segmento de linha ou uma combinação dos mesmos. Quando tais técnicas de redução de dimensão são utilizadas, o pré-processamento pode resultar em um espaço dimensional inferior para as entradas sensoriais. O sistema de monitoramento de máquina 130 é configurado para enviar as entradas sensoriais pré-processadas para o preditor de falha de máquina 140.
[00039] Em uma modalidade, o preditor de falha de máquina 140 está configurado para receber, através da rede 110, entradas sensoriais brutas associadas à máquina 170 do sistema de monitoramento de máquina 130. As entradas sensoriais brutas podem ser recebidas cons- tantemente em tempo real , ou podem ser armazenadas localmente e enviadas para o preditor de falha de máquina 140 em lotes. Cada tipo de entrada sensorial bruta pode ser relacionada a pelo menos um processo que está associado à máquina, executado pela máquina e assim por diante. Ou seja, um primeiro tipo de entradas sensoriais pode estar relacionado à tempe- ratura da máquina 170, um segundo tipo de entradas sensoriais pode estar relacionado à velocidade de uma determinada engrenagem da máquina 170 e assim por diante. Em uma outra modalidade, o preditor de falha de máquina 140 é configurado para receber entradas sensoriais pré-processadas.
[00040] Em uma modalidade, o preditor de falha de máquina 140 pode ainda armazenar os dados de entrada sensorial (bruta, pré-processada ou ambos) recebidos do sistema de mo- nitoramento de máquina 130. Alternativamente ou coletivamente, os dados de entrada sen- sorial podem ser armazenados no banco de dados 150. O banco de dados 150 pode ainda armazenar entradas sensoriais (brutas, pré-processadas ou ambos) coletadas de uma plurali- dade de outros sensores (não mostrados) associadas a outras máquinas (também não mostra- das). O banco de dados 150 pode ainda armazenar indicadores, padrões anômalos, tendências comportamentais, previsões de falha, modelos de aprendizado de máquina utilizados para analisar dados de entrada sensorial ou uma combinação dos mesmos.
[00041] Em uma modalidade, o preditor de falha de máquina 140 é configurado para pré-processar as entradas sensoriais brutas conforme descrito aqui acima. Em uma outra mo- dalidade, o preditor de falha de máquina 140 é configurado para gerar um ou mais recursos de dados com base nas entradas sensoriais. Os recursos de dados podem ser representados por recursos calculados matematicamente. Em uma outra modalidade, a geração pode ser executada pela transformação das entradas sensoriais pré-processadas e / ou de cada tipo das entradas sensoriais brutas em um ou mais recursos de dados que são representados por um recurso calculado matematicamente. Os recursos de dados podem ser uma representação matemática das entradas sensoriais brutas configuradas para representar as entradas sensori- ais de uma maneira clara. A geração pode ser alcançada usando pelo menos uma técnica de análise estatística. As técnicas de análise estatística podem incluir, mas não estão limitadas a, cálculo da média para as entradas sensoriais brutas, cálculo da mediana para as entradas sensoriais brutas, cálculo do desvio padrão para as entradas sensoriais brutas e assim por diante. Em uma modalidade, implementação de uma ou mais das técnicas de análise estatís- tica nas entradas sensoriais brutas permite que o preditor de falha de máquina 140 gere a pluralidade de recursos de dados.
[00042] Os recursos de dados permitem a identificação de uma associação entre uma pluralidade de anomalias associadas a uma pluralidade de processos relacionados à máquina
170. Ou seja, os recursos de dados são uma representação nova e informativa das entradas sensoriais brutas ou pré-processadas, permitindo identificar estruturas ocultas nas entradas sensoriais brutas. Em uma outra modalidade, a transformação inclui a redução do tamanho das entradas sensoriais brutas, por exemplo, transformando dados brutos em resolução de segundos em resolução de minutos indicativos. Em uma outra modalidade, a transformação inclui normalizar as entradas sensoriais brutas e / ou entradas sensoriais pré-processadas para uma escala uniforme. Ou seja, as entradas sensoriais brutas podem estar em escalas diferen- tes e, portanto, o preditor de falha de máquina 140 pode ser configurado para normalizar as entradas sensoriais brutas, gerando uma escala uniforme para todas as entradas sensoriais brutas. A escala uniforme pode ser utilizada para identificar uma associação entre os dife- rentes tipos de entradas sensoriais, uma correlação entre comportamentos anormais dos di- ferentes tipos de entradas sensoriais e semelhantes.
[00043] Em uma modalidade, o preditor de falha de máquina 140 é configurado para selecionar a partir da pluralidade de recursos de dados, uma pluralidade de recursos de dados indicativos. Recursos de dados indicativos são a representação das entradas sensoriais bru- tas, que quando analisadas, permitem indicar melhor em uma falha de máquina futura em relação a outros recursos de dados diferentes com uma capacidade mais fraca de contribuir para uma previsão de falha de máquina. Em uma outra modalidade, a pluralidade de recursos de dados indicativos é selecionada com base em pelo menos uma distribuição da pluralidade de recursos de dados indicativos. A distribuição pode indicar uma associação em desenvol- vimento entre a pluralidade de recursos de dados indicativos em relação a uma falha de má- quina.
[00044] Em um exemplo, uma máquina (por exemplo, a máquina 170) com cinco com- ponentes está sendo monitorada e, durante um certo período de tempo, os parâmetros de três recursos de dados indicativos associados a três componentes da máquina 170 indicam parâ- metros anormais de cada dos componentes. O recurso de dados indicativos pode incluir, por exemplo, temperatura operacional de uma máquina, consumo de energia atual e recente, ve- locidade de um componente mecânico e semelhantes. Parâmetros anormais incluem valores desses recursos excedendo ou caindo abaixo de valores limites predeterminados, por exem- plo, a engrenagem principal de uma máquina girando acima de 2.500 RPM. De acordo com o mesmo exemplo, o preditor de falha de máquina 140 pode determinar que a distribuição dos recursos de dados indicativos, ou seja, os parâmetros anormais de cada um deles, indi- cam uma associação entre os três recursos de dados indicativos que podem ser indicativos de uma futura falha da máquina. Por exemplo, pode ser predeterminado que os recursos de dados indicativos de uma temperatura operacional de um eixo de engrenagem, uma veloci- dade de rotação de uma engrenagem principal montada no eixo e uma tensão aplicada ao eixo podem estar associadas entre si. Quando dois dos três ultrapassam um valor limite pre- determinado, o valor limite de disparo do terceiro pode ser reduzido para indicar uma falha potencial iminente dentro da máquina. Em uma outra modalidade, a seleção dos recursos de dados indicativos tendo uma probabilidade melhor de contribuir mais para a previsão de uma falha de máquina em relação a outros recursos de dados, pode ser alcançada pela identifica- ção de uma mudança crescente na distribuição de recursos de dados antes de uma falha de máquina em comparação com um estado normal da máquina. Em uma outra modalidade, a seleção da pluralidade de entradas sensoriais indicativas é executada após a identificação de uma nova falha de máquina. Em uma outra modalidade, pelo menos uma porção da plurali- dade de recursos de dados indicativos é usada como uma entrada para um modelo de apren- dizado de máquina, conforme descrito aqui abaixo.
[00045] Deve-se notar que diferentes máquinas operam de maneiras diferentes e têm componentes diferentes. Portanto, um primeiro conjunto de recursos de dados indicativos determinados a contribuir ao máximo para uma previsão de uma próxima falha de máquina de uma primeira máquina pode ser diferente de um segundo conjunto de recursos de dados indicativos determinados a contribuir ao máximo para uma previsão de uma próxima falha de máquina de uma segunda máquina.
[00046] Em uma modalidade, o preditor de falha de máquina 140 é configurado para selecionar, com base em pelo menos um recurso de dados indicativos da pluralidade de re- cursos de dados indicativos, um modelo de aprendizado de máquina preferido a partir de uma pluralidade de modelos de aprendizado de máquina. O modelo de aprendizado de má- quina preferido inclui recursos de previsão de falha de máquina mais precisos e melhor pre- visibilidade de longo alcance de uma falha de máquina em relação à pluralidade de modelos de aprendizado de máquina. O modelo de aprendizado de máquina preferido é selecionado com base na probabilidade de prever de forma otimizada uma falha de máquina considerando os recursos de dados selecionados indicativos. A previsão ideal de uma falha da máquina pode incluir dois parâmetros principais, como um nível mais preciso de previsão de falha da máquina, sem falsos positivos, e uma previsibilidade de longo alcance de uma falha da má- quina.
[00047] Em uma outra modalidade, o preditor de falha de máquina 140 é configurado para selecionar o modelo de aprendizado de máquina preferido a partir de uma pluralidade de modelos de aprendizado de máquina, independentemente da pluralidade de recursos de dados indicativos. Isto é, o modelo de aprendizado de máquina preferido pode ser selecio- nado com respeito às capacidades de predição da pluralidade de modelos de aprendizado de máquina como previamente testado, validado e determinado. Em uma outra modalidade, um conjunto de hiperparâmetros que é ideal para uso com o modelo de aprendizado de máquina selecionado é selecionado. A seleção dos hiperparâmetros permite otimizar um nível de pre- cisão do modelo de aprendizado de máquina. Um hiperparâmetro é um parâmetro externo usado para determinar qual modelo de aprendizado de máquina pode ser empregado, e pode ser selecionado manualmente por um usuário. Eles podem incluir parâmetros de um modelo anterior semelhante ao modelo empregado atualmente, como a profundidade de uma árvore de decisão ou quantas camadas o modelo de aprendizado da máquina deve empregar.
[00048] Em uma modalidade, o preditor de falha de máquina 140 está configurado para aplicar o modelo de aprendizado de máquina selecionado na pluralidade de recursos de dados indicativos. Ao aplicar o modelo de aprendizado de máquina selecionado, o preditor de falha de máquina 140 pode ser configurado para realizar a classificação em tempo real, ou quase em tempo real, de um estado de integridade da máquina. A classificação pode incluir, mas não está limitada a, três estados de integridade da máquina, como normal, tendência que indica uma falha e falha da máquina que se aproxima. O estado de integridade normal é representado por valores normais, ou seja, parâmetros dos recursos de dados indicativos. Os valores normais podem ser previamente determinados com base em indicadores que permi- tem detectar anomalias relacionadas a uma determinada entrada sensorial, por exemplo, um recurso de dados. Um estado de integridade de tendência é representado por mudanças cres- centes associadas a pelo menos uma porção da pluralidade de recursos de dados indicativos que podem indicar valores anormais dos recursos de dados indicativos.
[00049] Conforme discutido adicionalmente acima na presente invenção, as mudanças podem ser representadas pela distribuição da pluralidade de recursos de dados indicativos. A tendência do estado de integridade pode ser determinada com base nos indicadores que permitem detectar anomalias relacionadas a uma determinada entrada sensorial, ou seja, re- curso de dados. Os indicadores podem ser utilizados para determinar, em relação a cada tipo de entrada sensorial, recursos de dados indicativos, se pelo menos uma parte dos recursos de dados indicativos representar um comportamento normal ou anormal de pelo menos um único componente da máquina 170. Isto é , um indicador pode ser, por exemplo, um ponto de dados que está posicionado acima de um valor limite máximo ou abaixo de um valor limite mínimo, de modo que, após a determinação de que um dos valores limite foi excedido, uma anomalia pode ser detectada.
[00050] Os indicadores permitem a identificação de uma correlação entre comporta- mentos anormais de uma pluralidade de recursos de dados indicativos. A identificação da correlação pode ser alcançada, pelo monitoramento de uma pluralidade de componentes de uma máquina (por exemplo, a máquina 170), onde a correlação pode ser representada por metamodelos. Os metamodelos são modelos gerados a partir de um ou mais modelos de aprendizado de máquina e levam em consideração dados anteriores. Eles são baseados nas entradas sensoriais indicativas relacionadas aos seus respectivos componentes e podem ser utilizados para identificar anomalias na operação de cada respectivo componente da má- quina. Em uma modalidade, a tendência do estado de integridade pode ser dividida em dife- rentes níveis, por exemplo, uma semana antes da falha, duas semanas antes da falha e assim por diante. Assim, um metamodelo pode incluir dados que representam a correlação entre certas falhas de componente de uma máquina, por exemplo, conforme detectado por com- portamento anormal de recursos de dados indicativos e o período de tempo entre tal detecção e uma falha real.
[00051] O estado de falha pode ser representado por, por exemplo, valores radicais de todos os recursos de dados indicativos. Em uma outra modalidade, o preditor de falha de máquina 140 pode ser configurado para gerar, com base nos recursos de dados gerados das entradas sensoriais indicativas, um gráfico de integridade que resume o estado de integridade da máquina.
[00052] Deve-se notar que diferentes parâmetros representados pelos recursos de dados indicativos podem ser analisados usando diferentes modelos de aprendizado de máquina. Por exemplo, um parâmetro de temperatura pode ser analisado pela aplicação de um primeiro modelo de aprendizado de máquina a recursos de dados indicativos relacionados a um sensor de temperatura e um parâmetro de consumo de energia pode ser analisado pela aplicação de um segundo modelo de aprendizado de máquina a um recurso de dados indicativos relacio- nados a um medidor de consumo de energia. Em uma modalidade, o modelo de aprendizado de máquina inclui várias técnicas de aprendizado de máquina, por exemplo, aprendizado profundo, redes neurais, tais como rede neural convolucional profunda, redes neurais recor- rentes, aprendizado de árvore de decisão, redes bayesianas, agrupamento e semelhantes.
[00053] Em uma modalidade, o preditor de falha de máquina 140 é configurado para determinar pelo menos uma probabilidade de uma próxima falha de máquina, ou seja, a pro- babilidade de ocorrer uma falha de máquina. A determinação da probabilidade pode ser re- alizada constantemente. Em outra modalidade, o preditor de falha de máquina 140 pode ser configurado para determinar pelo menos uma tendência que é indicativa de pelo menos uma próxima falha de máquina. Em uma outra modalidade, a determinação das tendências pode ser alcançada identificando um número predeterminado de parâmetros de componentes de máquina representados por recursos de dados indicativos e excedendo um certo valor limite que é indicativo de um comportamento anormal do componente de máquina ao longo de um período de tempo predefinido.
[00054] A título de exemplo, quando uma máquina (por exemplo, a máquina 170) in- cluindo dez componentes está sendo monitorada, e durante um certo período de tempo os sensores de três componentes da máquina 170 indicam comportamento anormal, o preditor de falha da máquina 140 pode identificar uma correlação entre os três recursos de dados indicativos. O preditor de falha de máquina 140 pode ser configurado para identificar uma tendência em, por exemplo, um número predeterminado de recursos de dados indicativos e, portanto, determinar que uma falha de máquina está prestes a acontecer. Em uma outra mo- dalidade, o preditor de falha de máquina 140 é configurado para marcar a correlação entre os recursos de dados indicativos. Tal marcação pode permitir que o sistema armazene e re- cupere dados para uso posterior relacionados à correlação identificada.
[00055] Em uma outra modalidade, o preditor de falha de máquina 140 é configurado para gerar um metamodelo com base em pelo menos dados coletados de uma porção da máquina 170. Cada porção da máquina para a qual um metamodelo é gerado pode ser um componente (não mostrado), tal como, mas não limitado a, um tubo, um motor, uma parte de um motor, uma combinação dos mesmos e semelhantes. A geração de um metamodelo pode incluir, mas não está limitada a, seleção de um ou mais modelos que indicam de forma otimizada anomalias nas entradas sensoriais para cada uma de pelo menos uma porção da máquina 170. Os modelos podem ser modelos externos recuperados de um banco de dados , ou modelos internos anteriores gerados a partir de dados produzidos a partir dos vários componentes e recursos de dados indicativos da máquina atual. Cada um dos metamodelos gerados é utilizado para detectar anomalias no comportamento da respectiva porção da má- quina 170.
[00056] Em uma modalidade, o preditor de falha de máquina 140 é configurado para gerar, em tempo real, pelo menos um valor limite adaptativo para detectar anomalias com base na análise dos recursos de dados indicativos. Em uma outra modalidade, o preditor de falha de máquina 140 é configurado para determinar, em tempo real, padrões de comporta- mento normais para os recursos de dados, isto é, as entradas sensoriais da máquina 170 ou cada parte da mesma. Os valores limites adaptativos podem ser gerados com base nos pa- drões de comportamento normais determinados.
[00057] Em uma modalidade, o preditor de falha de máquina 140 é configurado para gerar, em tempo real, pelo menos um limite adaptativo para detectar anomalias com base na análise dos recursos de dados indicativos. Em uma outra modalidade, o preditor de falha de máquina 140 é configurado para determinar, em tempo real, padrões de comportamento nor- mais para os recursos de dados, isto é, as entradas sensoriais da máquina 170 ou cada parte da mesma. Os limites adaptativos podem ser gerados com base nos padrões de comporta- mento normais determinados.
[00058] Deve-se notar que o sistema de monitoramento de máquina 130 é mostrado na figura 1 como um componente separado do preditor de falha de máquina 140 apenas para fins de simplicidade e sem limitação das modalidades divulgadas. O sistema de monitora- mento de máquina 130 pode ser incorporado no preditor de falha de máquina 140 de modo a permitir que o preditor de falha de máquina 140 obtenha e processe previamente entradas sensoriais sem se afastar do escopo da divulgação.
[00059] Deve-se notar também que as modalidades aqui descritas acima em relação à figura 1 são discutidas em relação a um dispositivo cliente 160 e uma máquina 170 mera- mente para fins de simplicidade e sem limitação às modalidades divulgadas. Vários disposi- tivos cliente podem receber informações relacionadas à manutenção da máquina, tendências e falhas sem se afastar do escopo da divulgação. Além disso, as entradas sensoriais relacio- nadas a várias máquinas podem ser coletadas para determinar falhas de qualquer uma ou todas as máquinas sem se afastar do escopo da divulgação.
[00060] Deve-se notar ainda que as modalidades divulgadas neste documento não estão limitadas à arquitetura específica ilustrada na figura 1 e outras arquiteturas podem ser igual- mente utilizadas sem se afastar do escopo das modalidades divulgadas. Especificamente, o preditor de falha de máquina 140 pode residir em uma plataforma de computação em nuvem, um centro de dados, no local, uma combinação híbrida dos mesmos e semelhantes. Além disso, em uma modalidade, pode haver uma pluralidade de servidores de gerenciamento ope- rando conforme descrito acima e configurados para ter um como proxy de espera para assu-
mir o controle em caso de falha, para compartilhar a carga entre eles ou para dividir as fun- ções entre eles.
[00061] A figura 2 mostra um diagrama de blocos exemplificativo do preditor de falha de máquina 140 implementado de acordo com uma modalidade. O preditor de falha de má- quina 140 inclui um circuito de processamento 210 acoplado a uma memória 220, um arma- zenamento 230, uma interface de rede 240 e um processador de aprendizado de máquina (ML) 250. Em uma modalidade, os componentes do preditor de falha de máquina 140 podem ser conectados comunicativamente por um barramento 260.
[00062] O circuito de processamento 210 pode ser realizado como um ou mais compo- nentes e circuitos lógicos de hardware. Por exemplo, e sem limitação, tipos ilustrativos de componentes lógicos de hardware que podem ser usados incluem matrizes de portas progra- máveis em campo (FPGAs), circuitos integrados específicos de aplicativos (ASICs), produ- tos padrão específicos de aplicativos (ASSPs), sistema em um sistemas de chips (SOCs), unidades de processamento gráfico (GPUs), unidades de processamento de tensor (TPUs), microprocessadores de uso geral, microcontroladores, processadores de sinal digital (DSPs) e semelhantes, ou quaisquer outros componentes lógicos de hardware que podem realizar cálculos ou outras manipulações de informações.
[00063] A memória 220 pode ser volátil (por exemplo, RAM, etc.), não volátil (por exemplo, ROM, memória flash, etc.) ou uma combinação das mesmas. Em uma configura- ção, instruções legíveis por computador para implementar uma ou mais modalidades aqui divulgadas podem ser armazenadas no armazenamento 230.
[00064] Em outra modalidade, a memória 220 está configurada para software de arma- zenamento. Software deve ser interpretado amplamente como qualquer tipo de instrução, seja referido como software, firmware, middleware, microcódigo, linguagem de descrição de hardware ou de outra forma. As instruções podem incluir código (por exemplo, em for- mato de código-fonte, formato de código binário, formato de código executável ou qualquer outro formato de código adequado). As instruções, quando executadas por um ou mais pro- cessadores, fazem com que o circuito de processamento 210 execute os vários processos descritos neste documento.
[00065] O armazenamento 230 pode ser armazenamento magnético, armazenamento óptico e semelhantes, e pode ser realizado, por exemplo, como memória flash ou outra tec- nologia de memória, CD-ROM, Discos Versáteis Digitais (DVDs) ou qualquer outra mídia que pode ser usada para armazenar as informações desejadas.
[00066] A interface de rede 240 permite que o preditor de falha de máquina 140 se co- munique com o sistema de monitoramento de máquina 130, por exemplo, através de uma rede 110, com a finalidade de, por exemplo, receber entradas sensoriais brutas e / ou pré- processadas. Além disso, a interface de rede 240 permite que o preditor de falha de máquina 140 se comunique com o dispositivo cliente 160 a fim de enviar, por exemplo, notificações relacionadas a atividade anômala, previsão de falha de máquina, etc.
[00067] O processador de aprendizado de máquina 250 está configurado para executar algoritmos de aprendizado de máquina com base em entradas sensoriais recebidas por meio da interface de rede 240, conforme descrito mais adiante neste documento. Em uma moda- lidade, o processador de aprendizado de máquina 250 é ainda configurado para determinar, com base em um ou mais modelos de aprendizado de máquina, previsões para falhas da máquina 170. Em uma outra modalidade, o processador de aprendizado de máquina 250 também está configurado para determinar pelo menos uma recomendação para evitar ou mi- tigar as falhas previstas determinadas. Como um exemplo não limitativo, pelo menos uma recomendação pode indicar que um tubo de escape na máquina 170 deve ser substituído em um futuro próximo por um novo tubo de escape para evitar falha. O processador 250 pode ser uma GPU, uma TPU, um DSP ou qualquer processador semelhante capaz de executar processos de aprendizado de máquina.
[00068] Deve ser entendido que as modalidades descritas na presente invenção não estão limitadas à arquitetura específica ilustrada na figura 2, e outras arquiteturas podem ser igualmente utilizadas sem se afastar do escopo das modalidades divulgadas.
[00069] A figura 3A é uma simulação de exemplo que ilustra a representação de entra- das sensoriais brutas de acordo com uma modalidade. A simulação mostrada na figura 3A inclui um gráfico 300A no qual duas entradas sensoriais brutas são representadas por um primeiro tipo de pontos 310A e por um segundo tipo de pontos 320A. Na simulação de exemplo mostrada na figura 3, os pontos 310A representam entradas sensoriais brutas que estão relacionadas a, por exemplo, um primeiro processo e / ou parâmetro que está associado à máquina. Por exemplo, os pontos 310A podem descrever a temperatura de uma máquina (por exemplo, a máquina 170, figura 1) ao longo do tempo. Os pontos 320A representam entradas sensoriais brutas que estão relacionadas a, por exemplo, um segundo processo e / ou parâmetro que está associado à máquina. Por exemplo, os pontos 320A podem descrever o consumo de energia de uma máquina (por exemplo, a máquina 170, figura 1) ao longo do tempo. Conforme descrito adicionalmente acima na presente invenção, a representação dos dados brutos não é indicativa e, portanto, a identificação de uma correlação entre os dois parâmetros exemplificativos pode ser difícil de alcançar.
[00070] A figura 3B é uma simulação exemplificativa 300B que ilustra a representação de entradas sensoriais indicativas de acordo com uma modalidade. A simulação mostrada na figura 3B inclui um gráfico 300B no qual duas entradas sensoriais brutas são representadas por uma primeira curva 310B e por uma segunda curva 320B. No exemplo de simulação mostrado na figura 3B, a curva 310B representa entradas sensoriais indicativas que estão relacionadas a, por exemplo, um primeiro processo e / ou parâmetro que está associado à máquina. Por exemplo, a curva 310B pode ser uma representação indicativa da temperatura de uma máquina (por exemplo, a máquina 170, figura 1) ao longo do tempo. A representação indicativa pode ser alcançada pela implementação de uma ou mais técnicas de análise es- tatística nas entradas sensoriais brutas iniciais recebidas de um ou mais sensores, para trans- mitir as entradas sensoriais brutas em entradas sensoriais indicativas. A curva 320B repre- senta entradas sensoriais indicativas que estão relacionadas a, por exemplo, um segundo processo e / ou parâmetro que está associado a uma máquina (por exemplo, a máquina 170, figura 1). Por exemplo, a curva 320B pode descrever o consumo de energia de uma máquina (por exemplo, a máquina 170, figura 1) ao longo do tempo.
[00071] A representação das entradas sensoriais indicativas permite facilitar a identifi- cação de uma correlação entre os dois parâmetros exemplificativos e, portanto, permite iden- tificar tendências que influenciam o comportamento da máquina e prever falhas da máquina com o tempo. Na simulação mostrada na figura 3B, a correlação entre os parâmetros, ou seja, as entradas sensoriais indicativas, pode ser que quando a temperatura, representada pela curva 310B, está abaixo de um certo valor limite (não mostrado) o consumo de energia, representado pela curva 320B excede um certo limite (não mostrado). Por exemplo, a corre- lação entre a temperatura e o consumo de energia pode indicar que quando a temperatura cai abaixo de um certo valor limite e o consumo de energia sobe acima de um certo valor limite, é provável que ocorra uma falha de máquina dentro de uma semana.
[00072] A figura 4 é um fluxograma exemplificativo 400 que ilustra um método para prever falhas de máquina de acordo com uma modalidade. Em uma modalidade, o método pode ser realizado pelo preditor de falha de máquina 140.
[00073] Em S410, as entradas sensoriais brutas relacionadas a uma máquina (por exem- plo, a máquina 170) são recebidas.
[00074] Cada tipo de entradas sensoriais brutas pode estar relacionado a, por exemplo,
um processo que está associado à máquina como descrito adicionalmente acima na presente invenção.
[00075] Em S420, as entradas sensoriais brutas são pré-processadas. O pré-processa- mento de tais entradas pode incluir, mas não está limitado a, limpeza de dados, normalização, reescalonamento, reanálise de tendência, reformatação, filtragem de ruído, uma combinação dos mesmos e semelhantes. Por exemplo, os dados brutos de várias fontes podem ser nor- malizados para uma escala uniforme, como a mudança de todos os dados de entrada para o número de anomalias detectadas por minuto. Isso permite uma comparação fácil das várias entradas sensoriais brutas para análises adequadas. Em uma modalidade, S420 é opcional.
[00076] Em S430, um ou mais recursos de dados são gerados com base nas entradas sensoriais que podem ser pré-processadas. Os recursos de dados podem ser representados por recursos calculados matematicamente. Em uma modalidade, S430 pode incluir a trans- formação das entradas sensoriais pré-processadas e / ou cada tipo de entradas sensoriais bru- tas em um ou mais recursos de dados que são representados por recursos calculados mate- maticamente. Os recursos de dados podem incluir valores relevantes de componentes da máquina, como revolução por minuto ou temperatura operacional de componentes específi- cos usados para girar uma engrenagem ou executar funções de computador, respectivamente. A transformação das entradas sensoriais brutas em recursos de dados pode ser alcançada usando pelo menos uma técnica de análise estatística conforme descrito adicionalmente neste documento. A técnica de análise estatística pode incluir, mas não está limitada a, cálculo da média para as entradas sensoriais brutas, cálculo da mediana para as entradas sensoriais bru- tas, cálculo do desvio padrão para as entradas sensoriais brutas e assim por diante.
[00077] Em S440, um ou mais recursos de dados indicativos são selecionados a partir da pluralidade de recursos de dados. A pluralidade de recursos de dados indicativos pode ser, por exemplo, um subconjunto da pluralidade de recursos de dados. Os recursos de dados indicativos são valores de componentes extraídos das entradas sensoriais brutas dos compo- nentes da máquina, que, quando analisados, são representativos da integridade da máquina e podem ser indicativos de uma falha futura da máquina. Em uma outra modalidade, a plu- ralidade de recursos de dados indicativos é selecionada com base em pelo menos uma dis- tribuição da pluralidade de recursos de dados indicativos. A distribuição pode indicar em uma associação em desenvolvimento entre a pluralidade de recursos de dados indicativos para uma falha de máquina.
[00078] Em S450, pelo menos um modelo de aprendizado de máquina preferido é sele- cionado a partir de uma pluralidade de modelos de aprendizado de máquina. A seleção do modelo de aprendizado de máquina preferido pode ser alcançada com base nos recursos de dados indicativos. O modelo de aprendizado de máquina preferido inclui recursos de previ- são de falha de máquina mais precisos e melhor previsibilidade de longo alcance de uma falha de máquina em relação à pluralidade de modelos de aprendizado de máquina. O modelo de aprendizado de máquina preferido é selecionado com base na probabilidade de prever de forma otimizada uma falha de máquina, considerando os recursos de dados indicativos sele- cionados. Em uma modalidade, um metamodelo gerado a partir de um ou mais modelos de aprendizado de máquina levando em consideração dados anteriores é usado para determinar o modelo de aprendizado de máquina preferido para a máquina específica usada.
[00079] Em uma outra modalidade, S450 inclui ainda selecionar um conjunto de hiper- parâmetros que é ideal para uso com o modelo de aprendizado de máquina selecionado. A seleção dos hiperparâmetros permite otimizar um nível de precisão do modelo de aprendi- zado de máquina. Em uma outra modalidade, o preditor de falha de máquina 140 é configu- rado para selecionar o modelo de aprendizado de máquina preferido a partir de uma plurali- dade de modelos de aprendizado de máquina, independentemente da pluralidade de recursos de dados indicativos.
[00080] Em S460, o modelo de aprendizado de máquina preferido é aplicado nos recur- sos de dados indicativos selecionados. Isso é realizado para determinar pelo menos uma pro- babilidade de uma próxima falha da máquina, identificando uma tendência que é indicativa de uma próxima falha da máquina e assim por diante.
[00081] No S470, a probabilidade de uma próxima falha da máquina em relação a cada ponto no tempo de operação da máquina é determinada constantemente. Em uma outra mo- dalidade, S470 inclui ainda a identificação de pelo menos uma tendência que indica pelo menos uma próxima falha de máquina. A identificação da tendência pode ser alcançada com base na identificação de uma correlação entre parâmetros anormais associados à pluralidade de recursos de dados indicativos.
[00082] No S480 opcional, uma notificação é gerada. A notificação pode indicar, por exemplo, a probabilidade de uma próxima falha da máquina, uma tendência e / ou uma pre- visão de falha da máquina. A notificação pode ser enviada a um dispositivo cliente ou pode ser enviada a um sistema configurado para executar automaticamente a manutenção na má- quina ou em uma parte dela.
[00083] A figura 5A é um exemplo de simulação 500A que ilustra a representação de entradas sensoriais brutas em que os valores anormais podem ser difíceis de detectar. A fi- gura 5B é um exemplo de simulação 500B que ilustra a representação de uma versão filtrada das entradas sensoriais brutas da figura. 5A. As entradas sensoriais filtradas podem ser, por exemplo, entradas sensoriais pré-processadas.
[00084] A figura 6A é um exemplo de simulação 600A que ilustra a representação de entradas sensoriais brutas em resolução de segundos para demonstrar a dificuldade de detec- tar anomalias e tendências indicando futuras falhas de máquina em tal resolução. Os dados brutos mostrados na simulação 600A são dados com ruído e a escala usada, por exemplo, valor do sensor direto e tempo em segundo, torna difícil discernir facilmente o evento rele- vante. A figura 6B, por outro lado, é um exemplo de simulação 600B que ilustra a represen- tação de um recurso de dados gerado com base na entrada sensorial mostrada na figura 6A destacando eventos significativos. As anomalias identificadas em uma resolução de minuto são baseadas nas entradas sensoriais brutas da figura 6A, e eventos significativos, como um pico em anomalias por minuto, podem ser vistos claramente em torno das marcas de 5, 8 e 12 minutos.
[00085] A figura 7A e a figura 7B são exemplos de simulação 700A e 700B que ilustram a normalização de entradas sensoriais brutas em uma escala uniforme. Depois que as entra- das sensoriais brutas 710 e 730 são recebidas, o método de pré-processamento aqui descrito acima é realizado e, assim, o preditor de falha da máquina (mostrado nas figuras 1 e 2) é capaz de gerar uma escala uniforme, como a escala apresentada nos gráficos 715 e 735. A escala uniforme pode ser uma representação dos recursos de dados das entradas sensoriais. A escala uniforme pode ser utilizada para identificar a distribuição de um subconjunto de recursos de dados indicativos determinados para permitir melhor previsibilidade em compa- ração com outros recursos de dados. Quando a distribuição de uma pluralidade de recursos de dados indicativos muda de uma certa maneira, isso pode indicar uma próxima falha da máquina. Por exemplo, quando um primeiro conjunto de parâmetros de um primeiro recurso de dados indicativos aumenta acima de um certo valor limite, enquanto um segundo conjunto de parâmetros de um segundo recurso de dados indicativos diminui abaixo de um certo valor limite, pode ser determinada uma tendência indicando uma falha de máquina futura.
[00086] A figura 8 é um exemplo de simulação 800 ilustrando a representação de recur- sos de dados indicativos selecionados de acordo com uma modalidade. Os recursos de dados indicativos representados pelas curvas 810, 820 e 830 podem representar três entradas sen- soriais recebidas de um ou mais sensores de uma máquina. Isto é, embora possa haver mui- tos, por exemplo, 1000, recursos de dados associados à operação da máquina, apenas três podem ser determinados como úteis e indicativos o suficiente para que um modelo de apren- dizado da máquina possa usá-los como entrada para prever uma falha da máquina . Os três recursos de dados indicativos podem ser selecionados a partir de uma pluralidade de recursos de dados com base em sua distribuição para uma falha de máquina. Ou seja, ao identificar uma associação e / ou correlação entre os três recursos de dados em relação a uma falha da máquina, os três recursos de dados podem ser classificados como recursos de dados indica- tivos.
[00087] Por exemplo, com base no método divulgado, pode ser determinado que a tem- peratura operacional, RPM de um eixo específico e a tensão usada sejam recursos de dados indicativos de uma máquina particular, enquanto o tempo para completar uma tarefa e a detecção de movimento não são indicativos recursos de dados. Assim, apenas os três recur- sos de dados indicativos são monitorados e, se alguns ou todos esses recursos de dados in- dicativos excederem ou ficarem abaixo do valor limite predeterminado, por exemplo, dentro de um período de tempo especificado, uma potencial falha de máquina futura poderá ser prevista.
[00088] As várias modalidades aqui divulgadas podem ser implementadas como hardware, firmware, software ou qualquer combinação dos mesmos. Além disso, o software é preferivelmente implementado como um programa de aplicação tangivelmente incorpo- rado em uma unidade de armazenamento de programa ou mídia legível por computador que consiste em partes, ou de certos dispositivos e / ou uma combinação de dispositivos. O pro- grama de aplicativo pode ser carregado e executado por uma máquina que compreende qual- quer arquitetura adequada. Preferivelmente, a máquina é implementada em uma plataforma de computador com hardware, como uma ou mais unidades de processamento central ("CPUs"), uma memória e interfaces de entrada / saída. A plataforma de computador também pode incluir um sistema operacional e código de microinstrução. Os vários processos e fun- ções aqui descritos podem ser parte do código de microinstrução ou parte do programa de aplicativo, ou qualquer combinação dos mesmos, que pode ser executada por uma CPU, seja ou não tal computador ou processador explicitamente mostrado. Além disso, várias outras unidades periféricas podem ser conectadas à plataforma do computador, como uma unidade de armazenamento de dados adicional e uma unidade de impressão. Além disso, uma mídia legível por computador não transitória é qualquer mídia legível por computador, exceto para um sinal de propagação transitório.
[00089] Conforme usado neste documento, a frase "pelo menos um de" seguida por uma lista de itens significa que qualquer um dos itens listados pode ser utilizado individualmente, ou qualquer combinação de dois ou mais dos itens listados pode ser utilizada. Por exemplo, se um sistema for descrito como incluindo "pelo menos um de A, B e C", o sistema poderá incluir A individualmente; B individualmente; C individualmente; A e B em combinação; B e C em combinação; A e C em combinação; ou A, B e C em combinação.
[00090] Todos os exemplos e linguagem condicional mencionados neste documento são destinados a fins pedagógicos para ajudar o leitor a compreender os princípios da modalidade divulgada e os conceitos contribuídos pelo inventor para promover o estado da técnica, e devem ser interpretados como não possuindo caráter limitativo a tais exemplos e condições especificamente citados. Além disso, todas as declarações neste documento que indicam princípios, aspectos e modalidades das modalidades divulgadas, bem como exemplos espe- cíficos das mesmas, se destinam a abranger seus equivalentes estruturais e funcionais. Além disso, pretende-se que tais equivalentes incluam tanto os equivalentes atualmente conheci- dos, quanto os equivalentes desenvolvidos no futuro, ou seja, quaisquer elementos desen- volvidos que desempenhem a mesma função, independentemente da estrutura.
Claims (19)
1. MÉTODO PARA PREVISÃO DE FALHAS EM MÁQUINAS INDUSTRIAIS, ca- racterizado por compreender: - recepção de entradas sensoriais brutas coletadas a partir de pelo menos uma máquina; - geração de uma pluralidade de recursos de dados com base nas entradas sensoriais brutas; seleção a partir da pluralidade de recursos de dados, de uma pluralidade de recursos de dados indicativos, em que a seleção é baseada em uma distribuição da pluralidade de recursos de dados indicativos que determina uma associação entre a pluralidade de recursos de dados indicativos e uma falha de máquina; - seleção, com base na pluralidade de recursos de dados indicativos, de um modelo de apren- dizado de máquina; - aplicação do modelo de aprendizado de máquina selecionado à pluralidade de recursos de dados indicativos; e - determinação da probabilidade de uma próxima falha da máquina.
2. MÉTODO, de acordo com a reivindicação 1, caracterizado por cada tipo de entrada sensorial bruta estar relacionado a pelo menos um processo que está associado à máquina.
3. MÉTODO, de acordo com a reivindicação 1, caracterizado por ele compreender ainda: o pré-processamento das entradas sensoriais brutas recebidas.
4. MÉTODO, de acordo com a reivindicação 3, caracterizado por pré-processamento in- cluir qualquer um dos seguintes processos: limpeza de dados, normalização, reescalona- mento, reanálise de tendência, reformatação e filtragem de ruído.
5. MÉTODO, de acordo com a reivindicação 1, caracterizado por ele compreender ainda: geração de uma notificação para a probabilidade determinada da próxima falha da máquina, em que a notificação indica pelo menos um dentre: a próxima falha da máquina e pelo menos uma recomendação para evitar ou mitigar a falha de máquina determinada que se aproxima.
6. MÉTODO, de acordo com a reivindicação 1, caracterizado por a seleção do modelo de aprendizado de máquina compreender ainda: seleção de um conjunto de hiperparâmetros que é ideal para uso com o modelo de aprendizado de máquina selecionado para otimizar um nível de precisão do modelo de aprendizado de máquina.
7. MÉTODO, de acordo com a reivindicação 6, caracterizado por modelo de aprendizado de máquina selecionado compreender uma capacidade de previsão de falha de máquina pre- cisa e melhor previsibilidade de longo alcance de uma falha de máquina em relação a uma pluralidade de modelos de aprendizado de máquina.
8. MÉTODO, de acordo com a reivindicação 1, caracterizado por determinação de pelo menos uma probabilidade ser realizada em uma base constante.
9. MÉTODO, de acordo com a reivindicação 1, caracterizado por pelo menos um recurso de dados ser representado por pelo menos um recurso estatístico.
10. MÍDIA LEGÍVEL POR COMPUTADOR NÃO TRANSITÓRIA, caracterizada por que nela estão contidas instruções armazenadas para fazer com que um circuito de proces- samento execute um processo, o processo compreendendo: - recepção de entradas sensoriais brutas coletadas a partir de pelo menos uma máquina; - geração de uma pluralidade de recursos de dados com base nas entradas sensoriais brutas; seleção a partir da pluralidade de recursos de dados, de uma pluralidade de recursos de dados indicativos, em que a seleção é baseada em uma distribuição da pluralidade de recursos de dados indicativos que determina uma associação entre a pluralidade de recursos de dados indicativos e uma falha de máquina; - seleção, com base na pluralidade de recursos de dados indicativos, de um modelo de apren- dizado de máquina; - aplicação do modelo de aprendizado de máquina selecionado, à pluralidade de recursos de dados indicativos; e - determinação da probabilidade de uma próxima falha da máquina.
11. SISTEMA PARA PREVISÃO DE FALHAS EM MÁQUINAS INDUSTRIAIS, ca- racterizado por ele compreender: um circuito de processamento; e uma memória, a memória que contém instruções que, quando executadas pelos circuitos de processamento, configuram o sistema para: - receber entradas sensoriais brutas coletadas a partir de pelo menos uma máquina; - gerar uma pluralidade de recursos de dados com base nas entradas sensoriais brutas; - selecionar a partir da pluralidade de recursos de dados uma pluralidade de recursos de dados indicativos, em que a seleção é baseada em uma distribuição da pluralidade de recursos de dados indicativos que determina uma associação entre a pluralidade de recursos de dados indicativos e uma falha de máquina; - selecionar, com base na pluralidade de recursos de dados indicativos, um modelo de apren- dizado de máquina; aplicar o modelo de aprendizado de máquina selecionado à pluralidade de recursos de dados indicativos; e determinar a probabilidade de uma próxima falha da máquina.
12. SISTEMA, de acordo com a reivindicação 11, caracterizado por cada tipo de entrada sensorial bruta estar relacionado a pelo menos um processo que está associado à máquina.
13. SISTEMA, de acordo com a reivindicação 11, caracterizado por sistema ser ainda con- figurado para: processar previamente as entradas sensoriais brutas recebidas.
14. SISTEMA, de acordo com a reivindicação 13, caracterizado por pré-processamento incluir qualquer um dos seguintes processos: limpeza de dados, normalização, reescalona- mento, reanálise de tendência, reformatação e filtragem de ruído.
15. SISTEMA, de acordo com a reivindicação 11, caracterizado por o sistema ser ainda configurado para: - gerar uma notificação para a probabilidade determinada da próxima falha da máquina, em que a notificação indica pelo menos um dentre: a próxima falha da máquina e pelo menos uma recomendação para evitar ou mitigar a próxima falha da máquina determinada.
16. SISTEMA, de acordo com a reivindicação 11, caracterizado por a seleção do modelo de aprendizado de máquina compreender ainda: seleção de um conjunto de hiperparâmetros que é ideal para uso com o modelo de aprendizado de máquina selecionado para otimização de um nível de precisão do modelo de aprendizado de máquina.
17. SISTEMA, de acordo com a reivindicação 16, caracterizado por modelo de aprendi- zado de máquina selecionado compreender uma capacidade de previsão de falha de máquina precisa e melhor previsibilidade de longo alcance de uma falha de máquina em relação a uma pluralidade de modelos de aprendizado de máquina.
18. SISTEMA, de acordo com a reivindicação 11, caracterizado por determinação de pelo menos uma probabilidade é realizada em uma base constante.
19. SISTEMA, de acordo com a reivindicação 11, caracterizado por pelo menos um recurso de dados é representado por pelo menos um recurso estatístico.
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US201862717853P | 2018-08-12 | 2018-08-12 | |
| US62/717,853 | 2018-08-12 | ||
| PCT/US2019/045869 WO2020036818A1 (en) | 2018-08-12 | 2019-08-09 | System and method for forecasting industrial machine failures |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| BR112021002569A2 true BR112021002569A2 (pt) | 2021-05-04 |
Family
ID=69525811
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| BR112021002569-3A BR112021002569A2 (pt) | 2018-08-12 | 2019-08-09 | sistema e método para previsão de falhas de máquinas industriais |
Country Status (5)
| Country | Link |
|---|---|
| US (1) | US11442444B2 (pt) |
| CN (1) | CN112534370A (pt) |
| BR (1) | BR112021002569A2 (pt) |
| DE (1) | DE112019004082T5 (pt) |
| WO (1) | WO2020036818A1 (pt) |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11604969B2 (en) * | 2018-09-18 | 2023-03-14 | Nec Corporation | Performance prediction from communication data |
| US11257001B2 (en) * | 2018-10-09 | 2022-02-22 | International Business Machines Corporation | Prediction model enhancement |
| WO2021213614A1 (en) * | 2020-04-20 | 2021-10-28 | Abb Schweiz Ag | A fault state detection apparatus |
| US11438211B1 (en) * | 2020-07-23 | 2022-09-06 | Marvell Asia Pte Ltd. | Adaptive diagnostics for communication systems |
| US11982585B2 (en) | 2021-09-23 | 2024-05-14 | Rockwell Automation Technologies, Inc. | System and method for strain and acceleration based analytics in an independent cart system |
| US20230126460A1 (en) * | 2021-10-22 | 2023-04-27 | Wayne State University | System and method for predicting machine failure |
| US20230273852A1 (en) * | 2022-02-25 | 2023-08-31 | Bank Of America Corporation | Restoring a system by load switching to an alternative cloud instance and self healing |
| US20240035445A1 (en) * | 2022-07-28 | 2024-02-01 | General Electric Company | Systems and methods for estimating future risk of failure of a wind turbine component using machine learning |
Family Cites Families (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5566092A (en) * | 1993-12-30 | 1996-10-15 | Caterpillar Inc. | Machine fault diagnostics system and method |
| GB0127552D0 (en) * | 2001-11-16 | 2002-01-09 | Abb Ab | Analysing events |
| US7696866B2 (en) * | 2007-06-28 | 2010-04-13 | Microsoft Corporation | Learning and reasoning about the context-sensitive reliability of sensors |
| CN102498445A (zh) * | 2009-09-17 | 2012-06-13 | 西门子公司 | 用于机器状态监测的、使用规则生成的样本的监督故障学习 |
| US20130030765A1 (en) * | 2011-07-27 | 2013-01-31 | Danni David | System and method for use in monitoring machines |
| WO2017116627A1 (en) * | 2016-01-03 | 2017-07-06 | Presenso, Ltd. | System and method for unsupervised prediction of machine failures |
| GB2546087A (en) * | 2016-01-07 | 2017-07-12 | Skf Ab | Railway condition monitoring sensor device and method for monitoring the condition of a railway bearing |
| WO2017139046A1 (en) * | 2016-02-09 | 2017-08-17 | Presenso, Ltd. | System and method for unsupervised root cause analysis of machine failures |
| KR102000416B1 (ko) * | 2016-05-09 | 2019-07-15 | 스트롱 포스 아이오티 포트폴리오 2016, 엘엘씨 | 산업용 사물 인터넷을 위한 방법들 및 시스템들 |
| US11646808B2 (en) * | 2016-05-09 | 2023-05-09 | Strong Force Iot Portfolio 2016, Llc | Methods and systems for adaption of data storage and communication in an internet of things downstream oil and gas environment |
| CN105928695A (zh) * | 2016-05-11 | 2016-09-07 | 中国矿业大学 | 一种小型无人直升机机械零部件故障诊断系统及故障诊断方法 |
| WO2018112352A1 (en) * | 2016-12-15 | 2018-06-21 | President And Fellows Of Harvard College | Techniques of automated fault detection and related systems and methods |
| CN108304941A (zh) * | 2017-12-18 | 2018-07-20 | 中国软件与技术服务股份有限公司 | 一种基于机器学习的故障预测方法 |
| US11029359B2 (en) * | 2018-03-09 | 2021-06-08 | Pdf Solutions, Inc. | Failure detection and classsification using sensor data and/or measurement data |
-
2019
- 2019-08-09 BR BR112021002569-3A patent/BR112021002569A2/pt unknown
- 2019-08-09 DE DE112019004082.0T patent/DE112019004082T5/de active Pending
- 2019-08-09 CN CN201980051781.8A patent/CN112534370A/zh active Pending
- 2019-08-09 WO PCT/US2019/045869 patent/WO2020036818A1/en active Application Filing
-
2021
- 2021-02-04 US US17/167,243 patent/US11442444B2/en active Active
Also Published As
| Publication number | Publication date |
|---|---|
| US11442444B2 (en) | 2022-09-13 |
| WO2020036818A8 (en) | 2021-02-25 |
| DE112019004082T5 (de) | 2021-06-10 |
| CN112534370A (zh) | 2021-03-19 |
| WO2020036818A1 (en) | 2020-02-20 |
| US20210157310A1 (en) | 2021-05-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| BR112021002569A2 (pt) | sistema e método para previsão de falhas de máquinas industriais | |
| US20210397501A1 (en) | System and method for unsupervised prediction of machine failures | |
| US20220300857A1 (en) | System and method for validating unsupervised machine learning models | |
| US11243524B2 (en) | System and method for unsupervised root cause analysis of machine failures | |
| US11720821B2 (en) | Automated and customized post-production release review of a model | |
| US20200166921A1 (en) | System and method for proactive repair of suboptimal operation of a machine | |
| Su et al. | Enhanced-online-random-forest model for static voltage stability assessment using wide area measurements | |
| US11733688B2 (en) | System and method for recognizing and forecasting anomalous sensory behavioral patterns of a machine | |
| US11933695B2 (en) | System and method for detecting anomalies in sensory data of industrial machines located within a predetermined proximity | |
| US20210158220A1 (en) | Optimizing accuracy of machine learning algorithms for monitoring industrial machine operation | |
| US20180307218A1 (en) | System and method for allocating machine behavioral models | |
| US20220058527A1 (en) | System and method for automated detection and prediction of machine failures using online machine learning | |
| Zhou et al. | A novel system anomaly prediction system based on belief markov model and ensemble classification | |
| US11822323B2 (en) | Providing corrective solution recommendations for an industrial machine failure | |
| CN112800660B (zh) | 引擎队中的芯摩擦诊断 | |
| Martínez et al. | A Data-Driven Approach for Components Useful Life Estimation in Wind Turbines | |
| Wijesinghe et al. | Log-based Anomaly Detection of Enterprise Software: An Empirical Study | |
| Bendimerad et al. | A Monitoring System and Faults Prediction for Internet of Things System | |
| JP2024040716A (ja) | 故障予測装置および故障予測方法 | |
| CN114443398A (zh) | 内存故障预测模型的生成方法、检测方法、装置及设备 | |
| Zhou et al. | Algoritam za odabir karakteristika utemeljen na vrijednosti informacije u otkrivanju nepravilnosti u nizovima podataka |