CN106662867B - 使用条件模型来迁移故障样本以用于机器状况监视 - Google Patents
使用条件模型来迁移故障样本以用于机器状况监视 Download PDFInfo
- Publication number
- CN106662867B CN106662867B CN201480078037.4A CN201480078037A CN106662867B CN 106662867 B CN106662867 B CN 106662867B CN 201480078037 A CN201480078037 A CN 201480078037A CN 106662867 B CN106662867 B CN 106662867B
- Authority
- CN
- China
- Prior art keywords
- machine
- sensor
- data sample
- source
- standalone
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/22—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing
- G06F11/2257—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing using expert systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Automation & Control Theory (AREA)
- Quality & Reliability (AREA)
- Computer Hardware Design (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
一种用于预测机器中的故障模式的方法,包括:从来自源机器和目标机器的一个或多个独立传感器的数据样本学习(31)针对源机器和目标机器中每一个的多变量高斯分布,使用针对独立传感器的多变量高斯分布从来自源机器和目标机器的一个或多个相关传感器的数据样本学习(32)针对源机器和目标机器中每一个的多变量高斯条件分布,使用针对源机器和目标机器的多变量高斯分布,将针对独立传感器的数据样本从源机器变换(33)到目标机器,以及使用经变换的独立传感器数据样本以及针对源机器和目标机器的条件高斯分布,将针对相关传感器的数据样本从源机器变换(34)到目标机器。
Description
背景技术
技术领域
本公开的实施例针对用于机器状况监视的故障诊断的方法和系统。
相关技术的讨论
近年来,数据驱动的方法在机器状况监视的故障诊断中已经受到越来越多的关注。与基于规则的专家系统相反,数据驱动的方法不需要机器的广博知识,使得易于将相同的原理应用于具有很少适配的不同应用。此外,数据驱动的算法趋向于具有关于未来的测试样本的更大的泛化能力,所述数据驱动的算法可以在模式识别或监督机器学习中采用最先进的技术。
然而,关于数据驱动的方法的一个挑战是训练样本(具体地故障训练样本)的不良可用性。在典型机器(例如,燃气涡轮机或飞机)的寿命内,该机器在大多数时间应该处于正常、健康的状态。只有在罕见情况下,它才可能经历某个类型的故障。因此,获得正常的训练数据不是问题,但是获取故障样本是有挑战性的。即使可以获得每种故障类型的至少一个故障样本,但是这些样本也很可能来自不同的机器。
图1图示了对于适当地迁移故障样本的这种需要。机器1(源)在图1(a)中具有正常训练样本11和故障训练样本12二者。机器2(目标)在图1(b)中仅具有正常训练数据13。如何能够将来自机器1的故障训练样本用来帮助训练用于机器2的模式识别算法?如图1(c)中所示,如通过叠加数据来复制故障数据将不起作用,因为机器1和机器2可能具有完全不同的操作行为,以及机器2上的故障可能看起来不同于机器1上发生的相同故障。因此,如图1(c)所示,复制的故障样本与正常训练样本错误地重叠。
迁移学习是机器学习中活跃的研究领域,并且可以用于解决这些样本迁移挑战。通常有适于这种情况的两个方法。
A.对故障样本重新加权:这种方法将较大权重分配给目标域(机器2)中的训练样本,以及将较小权重分配给源域(机器1)中的训练样本。可替代地,其将较大权重分配给更接近目标域的数据分布的源域训练样本。然而,其要求假设:机器1的行为必须类似于机器2的行为。这种假设在机器状况监视中通常是不成立,如例如图1(c)中所示。
B.对故障样本应用变换:源域中的故障样本通过线性或非线性变换被映射到目标域。一个挑战是如何约束该映射,因为有如此多的选项。对应性是这样的约束之一。例如,可以假设在变换之后来自源域的某些样本应该更接近来自目标域的某些样本。这种类型的对应性通常在机器之间不可用。
发明内容
如本文所述的本公开的示例性实施例通常包括用于跨机器迁移样本的系统和方法,使得故障可以在从未见过该故障的机器上被检测到。本发明的实施例对故障样本应用变换,但是使用以下事实:充足的正常训练数据通常可从不同的机器得到。因此,对针对不同机器的数据的概率分布进行建模是可能的。基于此,根据本发明的实施例,在变换之后,来自源的数据分布应该类似于目标。根据本发明实施例的算法可以获得更现实的结果,如图1(d)所示,其中故障样本在机器2域中被迁移,并且可以更容易地与正常训练样本区分开。
根据本发明的实施例,提供了一种用于预测机器中的故障模式的方法,包括:从来自源机器和目标机器的一个或多个独立传感器的数据样本学习针对源机器和目标机器中每一个的多变量高斯分布,其中所述数据样本在针对每个机器的正常操作状况下获取;使用针对独立传感器的多变量高斯分布从来自源机器和目标机器的一个或多个相关传感器的数据样本学习针对源机器和目标机器中每一个的多变量高斯条件分布,其中所述数据样本在针对每个机器的正常操作状况下获取;使用针对源机器和目标机器的多变量高斯分布,将针对独立传感器的数据样本从源机器变换到目标机器;以及使用经变换的独立传感器数据样本以及针对源机器和目标机器的条件高斯分布,将针对相关传感器的数据样本从源机器变换到目标机器。
根据本发明的进一步实施例,所述方法包括:从与故障相关联的源机器的独立传感器获取数据样本;使用针对源机器和目标机器的多变量高斯分布,将针对独立传感器的故障数据样本从源机器变换到目标机器;以及使用经变换的独立传感器数据样本以及针对源机器和目标机器的条件高斯分布,将针对相关传感器的故障数据样本从源机器变换到目标机器。
根据本发明的进一步实施例,所述多变量高斯条件分布通过下式表达:yi|xi~N(fi(xi),Cyi(xi)),其中yi表示相关传感器,xi表示独立传感器,fi(xi)表示独立传感器xi的多变量高斯条件分布的均值,并且Cyi(xi)表示给定独立传感器xi的相关传感器yi的条件协方差。
根据本发明的进一步实施例,所述条件协方差Cyi(xi)是对角矩阵。
根据本发明的进一步实施例,所述条件协方差Cyi(xi)是常数。
根据本发明的进一步实施例,独立传感器数据样本从源机器到目标机器的变换通过下式表达:其中x1表示针对源机器的独立传感器数据,是源机器的独立传感器的多变量高斯分布的均值,是目标机器的独立传感器的多变量高斯分布的均值,是源机器的独立传感器的多变量高斯分布的协方差,并且是目标机器的独立传感器的多变量高斯分布的协方差。
根据本发明的进一步实施例,相关传感器数据样本从源机器到目标机器的变换通过下式表达:其中y1表示针对源机器的相关传感器数据,y2表示针对目标机器的相关传感器数据,f1(x1)是源机器的独立传感器的多变量条件分布的均值,f2(x12)是针对目标机器的经变换的独立传感器的多变量条件分布的均值,是针对源机器的给定独立传感器x1的相关传感器y1的多变量高斯分布的协方差,并且是给定经变换的独立传感器x12的目标机器的相关传感器y2的多变量高斯分布的协方差。
根据本发明的进一步实施例,针对给定机器的多变量条件分布的均值是回归函数,其将针对给定机器的独立传感器数据映射到针对给定机器的相关传感器数据,其中给定机器是源机器和目标机器之一。
根据本发明的进一步实施例,所述方法还包括接收针对源机器和目标机器中每一个的传感器数据样本,以及将针对每个机器的传感器数据样本划分成来自独立传感器的数据和依赖于独立传感器的数据值的来自相关传感器的数据。
根据本发明的另一个实施例,提供了一种用于预测机器中的故障模式的方法,包括:接收针对源机器和目标机器中每一个的传感器数据样本,以及将针对每个机器的传感器数据样本划分成来自一个或多个独立传感器的数据和来自其传感器值依赖于独立传感器的数据值的一个或多个相关传感器的数据,其中所述数据样本在针对每个机器的正常操作状况下获取;使用针对源机器的多变量高斯分布和针对目标机器的多变量高斯分布,将针对独立传感器的数据样本从源机器变换到目标机器;使用经变换的独立传感器数据样本以及针对源机器的条件高斯分布和针对目标机器的条件高斯分布,将针对相关传感器的数据样本从源机器变换到目标机器;从与故障相关联的源机器的独立传感器获取数据样本;使用针对源机器和目标机器的多变量高斯分布,将针对独立传感器的故障数据样本从源机器变换到目标机器;以及使用经变换的独立传感器数据样本以及针对源机器和目标机器的条件高斯分布,将针对相关传感器的故障数据样本从源机器变换到目标机器。
根据本发明的进一步实施例,所述方法包括从来自源机器和目标机器的独立传感器的数据样本学习针对源机器和目标机器的多变量高斯分布;以及使用针对独立传感器的多变量高斯分布,从来自源机器和目标机器的相关传感器的数据样本,学习针对源机器和目标机器的多变量高斯条件分布。
根据本发明的另一个实施例,提供了一种由计算机可读的非暂时性程序存储设备,其有形地体现由计算机运行以执行用于预测机器中的故障模式的方法步骤的指令的程序。
附图说明
图1(a)-(d)描绘了根据本公开的实施例的迁移故障样本的示例。
图2(a)-(b)描绘了根据本公开的实施例的使用针对两个机器的高斯过程的学习的回归函数。
图3是根据本发明的实施例的获得变换并然后变换样本的工作流程的流程图。
图4(a)-(b)示出根据本发明的实施例的使用单个多变量高斯分布和条件模型变换正常训练样本的比较结果。
图5是根据本公开的实施例的用于实现用于跨机器变换故障样本的方法的示例性计算机系统的框图。
具体实施方式
本文所述的本公开的示例性实施例通常包括用于跨机器变换故障样本的方法。因此,虽然本公开易受到各种修改和替代形式,但是在附图中通过示例的方式示出并且将在本文中详细描述其具体实施例。然而,应当理解的是,没有意图将本公开限制为所公开的特定形式,而相反地,本公开要涵盖落入本公开的精神和范围内的所有修改、等同物和替代物。
注释。假定有K个机器。令zi表示针对机器i的N维多变量传感器值,其中i=1,2,…,K,并且令机器1总是表示源域。本公开将集中于K=2的情况,其中样本从机器1迁移到机器2。如果有多于2个机器,那么可以在机器1和机器3之间、在机器1和机器4之间等重复相同的过程。
本发明的实施例可以找到变换z12=g12(z1),使得z12的分布与目标域中的z2的分布相同。这里,变量z表示所有传感器,独立和相关传感器二者。一个简单的解决方案是假定针对z1和z2中每一个的单个多变量高斯分布,使得z1~N(m1,C1)以及z2~N(m2,C2),其中m和C分别表示高斯分布的均值和协方差。可以证明的是,最佳线性变换具有以下形式:
在公式(1)中,R是任意正交矩阵,其可以被设置为单位矩阵并且因此可以从公式中移除。假定在机器状况监视中高斯分布通常是无效的,由于机器的复杂性和多模式性质。如图1(a)-(d)中所示,数据分布远非理想的高斯分布。
根据本公开的实施例,可以使用条件模型对机器的数据分布进行建模。这基于来自被转让给本公开的受让人的美国专利号7,305,317的思想,其内容通过引用以其整体并入本文:所有传感器可以被分类成独立传感器和相关传感器。对于独立传感器,联合分布可以由多变量高斯分布来描述。对于相关传感器,给定独立传感器的条件分布可以通过回归模型来建模。通过使用条件模型,典型在机器状态监视中的复杂和经常多模式数据分布可以比单个多变量高斯分布更好地建模。
在样本变换阶段期间,独立传感器可以从源机器变换到目标机器。然后,相关传感器可以基于已变换的独立传感器和来自两个机器的条件模型来变换。
如上所公开的,所有传感器可以被划分成两个类别:独立传感器和相关传感器。相关传感器数据依赖于独立传感器的值,并且独立传感器彼此之间具有很少相关性。例如,在燃气涡轮机中,气流和入口温度传感器是独立的,因为这些传感器中的每个可以变化而不受另一传感器影响。在另一方面,功率传感器或叶片路径温度传感器是相关传感器,因为其值可以从一组独立传感器预测。独立和相关传感器的划分需要领域知识,或者可以使用相关性分析来执行。然而,在美国专利号7,305,317中并没有公开对独立和相关传感器的概率分布进行建模的。
假定有K个机器,令原始传感器向量其中i=1,2,…,K,xi表示M个独立传感器,以及yi表示L个相关传感器,两者都是列向量。根据本公开的实施例,独立传感器xi的分布可以被建模为多变量高斯分布:
根据本发明的实施例,可以假定协方差是对角的,因为xi包含其每对之间具有很小相关性的独立传感器。均值和协方差二者都是从正常训练样本学习的。这可以针对所有机器单独地进行。
根据本发明的实施例,给定独立传感器xi的相关传感器yi的条件分布可以被建模为另一个多变量高斯分布。
yi|xi~N(fi(xi),Cyi(xi)). (3)
在公式(3)中,fi(xi)(条件高斯分布的均值)是回归函数,其将独立传感器xi映射到相关传感器yi。根据本公开的实施例,yi(xi)可以从针对机器i的正常训练样本学习。任何适当的线性或非线性回归函数可以用于fi(xi)。fi(xi)的典型选择可以是支持向量回归和高斯过程。根据本公开的实施例,可以假定条件协方差Cyi(xi)是对角的。注意的是,Cyi(xi)是依赖于独立传感器xi的函数。但是为了简明起见,根据本公开的实施例,还可以假定对于本公开的剩余部分,Cyi是常数。图2(a)-(b)描绘了针对图2(a)中的机器1和图2(b)中的机器2的训练样本21、23和使用高斯过程的学习的回归函数fi(xi)22和24。
根据本发明的实施例,为了将样本从机器1变换到机器2,独立传感器x1可以基于如下高斯模型来变换:
公式(4)类似于公式(1),除了仅变换独立传感器而不是所有传感器。由于是对角的,因此公式(4)可以被视为来自机器1的规范化随后为机器2中的去规范化。
根据本发明的实施例,相关传感器y1可以基于如下条件模型来变换:
其中经变换的独立传感器x12从公式(4)获得,并且fi(xi)是回归函数,其是条件高斯分布的均值。
图3是根据本发明的实施例的用于通过获得变换并变换样本来预测针对机器的故障模式的方法的流程图。现在参照附图,方法通过针对两个机器学习针对独立传感器的多变量高斯分布(如公式(2)所表达的)而在步骤31开始。在步骤32,给定独立传感器xi的相关传感器yi的条件分布可以被建模为另一个多变量高斯分布,如公式(3)所表达的。步骤33到35是其中样本从机器1变换到机器2的循环。在步骤33,针对独立传感器的样本使用公式(4)从机器1变换到机器2,以及在步骤34,针对相关传感器的样本使用公式(5)从机器1变换到机器2。对于机器1的剩余样本,从步骤35起重复步骤33和34。
图4(a)-(b)示出了在图4(a)中使用单个多变量高斯分布并且在图4(b)中使用根据本发明的实施例的条件模型的将机器2的未改变正常训练样本42与针对机器1的经变换的正常训练样本41相比较的结果。为了说明性目的,仅示出了2D数据(N=2,M=1以及L=1)。如图4(b)中所示,在变换之后,使用根据本发明的实施例的方法的经变换的机器1的样本41的分布比如图4(a)中所示使用单个高斯分布模型更接近机器2的样本42。
使用相同的变换,机器1的故障训练样本还可以被变换到机器2,如图1(d)所示。然后,本领域中已知的模式识别算法可以被用来区分机器2的正常和故障样本。
应理解的是,本发明可以以各种形式的硬件、软件、固件、专用过程或其组合来实现。在一个实施例中,本发明可以作为在计算机可读程序存储设备上有形体现的应用程序在软件中实现。应用程序可以被上传到包括任何合适架构的机器并且由所述机器来执行。
图5是根据本发明的实施例的用于实现用于跨机器变换故障样本的方法的示例性计算机系统的框图。现在参照图5,用于实现本发明的计算机系统51可以除了其他之外尤其包括中央处理单元(CPU)52、存储器53和输入/输出(I/O)接口54。计算机系统51通常通过I/O接口54耦合到显示器55和各种输入装置56(诸如鼠标和键盘)。支持电路可以包括诸如高速缓存、电源、时钟电路和通信总线之类的电路。存储器53可以包括随机存取存储器(RAM)、只读存储器(ROM)、盘驱动器、带驱动器等或其组合。本发明可以被实现为例程57,其被存储在存储器53中并且由CPU 52执行以处理来自信号源58的信号。因此,计算机系统51是通用计算机系统,所述计算机系统51当执行本发明的例程57时成为专用计算机系统。
计算机系统51还包括操作系统和微指令代码。本文所述的各种过程和功能可以是经由操作系统执行的微指令代码的部分或应用程序的部分(或其组合)。此外,各种其他外围设备可以被连接到计算机平台,例如附加数据存储设备和打印设备。
进一步应理解的是,由于在附图中描绘的一些组成系统组件和方法步骤可以以软件来实现,系统组件(或过程步骤)之间的实际连接可以取决于本发明被编程的方式而不同。给定本文所提供的本发明的教导,相关领域的普通技术人员将能够想到本发明的这些和类似的实现方式或配置。
虽然已经参照示例性实施例详细描述了本发明,但是本领域技术人员将理解的是,在不偏离如所附权利要求中所阐述的本发明的精神和范围的情况下可以对其做出各种修改和替换。
Claims (20)
1.一种用于预测机器中的故障模式的计算机实现的方法,该方法由计算机来实现,包括以下步骤:
从来自源机器和目标机器的一个或多个独立传感器的数据样本学习针对源机器和目标机器中每一个的多变量高斯分布,其中所述数据样本在针对每个机器的正常操作状况下获取;
使用针对独立传感器的多变量高斯分布从来自源机器和目标机器的一个或多个相关传感器的数据样本学习针对所述源机器和所述目标机器中每一个的多变量高斯条件分布,其中所述数据样本在针对每个机器的正常操作状况下获取;
使用针对源机器和目标机器的多变量高斯分布,将针对独立传感器的数据样本从源机器变换到目标机器;以及
使用经变换的独立传感器数据样本以及针对源机器和目标机器的条件高斯分布,将针对相关传感器的数据样本从源机器变换到目标机器。
2.根据权利要求1所述的方法,进一步包括:
从与故障相关联的源机器的独立传感器获取数据样本;
使用针对源机器和目标机器的多变量高斯分布,将针对独立传感器的所述故障数据样本从源机器变换到目标机器;以及
使用经变换的独立传感器数据样本以及针对源机器和目标机器的条件高斯分布,将针对相关传感器的所述故障数据样本从源机器变换到目标机器。
3.根据权利要求1所述的方法,其中所述多变量高斯条件分布被表达为,其中y i 表示相关传感器,x i 表示独立传感器,表示独立传感器x i 的多变量高斯条件分布的均值,并且表示给定独立传感器x i 的相关传感器y i 的条件协方差。
4.根据权利要求3所述的方法,其中所述条件协方差是对角矩阵。
5.根据权利要求4所述的方法,其中所述条件协方差是常数。
6.根据权利要求3所述的方法,其中独立传感器数据样本从源机器到目标机器的变换通过下式表达:
,
其中x1表示针对源机器的独立传感器数据,是源机器的独立传感器的多变量高斯分布的均值,是目标机器的独立传感器的多变量高斯分布的均值,是源机器的独立传感器的多变量高斯分布的协方差,并且是目标机器的独立传感器的多变量高斯分布的协方差。
7.根据权利要求6所述的方法,其中相关传感器数据样本从源机器到目标机器的变换通过下式表达:
,其中
y1表示针对源机器的相关传感器数据,y2表示针对目标机器的相关传感器数据,是源机器的独立传感器的多变量条件分布的均值,是针对目标机器的经变换的独立传感器的多变量条件分布的均值,是针对源机器的给定独立传感器x1的相关传感器y1的多变量高斯分布的协方差,并且是给定经变换的独立传感器x12的目标机器的相关传感器y2的多变量高斯分布的协方差。
8.根据权利要求7所述的方法,其中针对给定机器的多变量条件分布的均值是回归函数,其将针对给定机器的独立传感器数据映射到针对给定机器的相关传感器数据,其中给定机器是源机器和目标机器之一。
9.根据权利要求1所述的方法,进一步包括接收针对源机器和目标机器中每一个的传感器数据样本,以及将针对每个机器的传感器数据样本划分成来自独立传感器的数据和依赖于独立传感器的数据值的来自相关传感器的数据。
10.一种用于预测机器中的故障模式的计算机实现的方法,该方法由计算机来实现,包括以下步骤:
接收针对源机器和目标机器中每一个的传感器数据样本,以及将针对每个机器的传感器数据样本划分成来自一个或多个独立传感器的数据和来自其传感器值依赖于独立传感器的数据值的一个或多个相关传感器的数据,其中所述数据样本在针对每个机器的正常操作状况下获取;
使用针对源机器的多变量高斯分布和针对目标机器的多变量高斯分布,将针对独立传感器的数据样本从源机器变换到目标机器;
使用经变换的独立传感器数据样本以及针对源机器的条件高斯分布和针对目标机器的条件高斯分布,将针对相关传感器的数据样本从源机器变换到目标机器;
从与故障相关联的源机器的独立传感器获取数据样本;
使用针对源机器和目标机器的多变量高斯分布,将针对独立传感器的所述故障数据样本从源机器变换到目标机器;以及
使用经变换的独立传感器数据样本以及针对源机器和目标机器的条件高斯分布,将针对相关传感器的所述故障数据样本从源机器变换到目标机器。
11.根据权利要求10所述的方法,进一步包括:
从来自源机器和目标机器的独立传感器的数据样本学习针对源机器和目标机器的多变量高斯分布;以及
使用针对独立传感器的多变量高斯分布,从来自源机器和目标机器的相关传感器的数据样本,学习针对所述源机器和所述目标机器的多变量高斯条件分布。
12.一种由计算机可读的非暂时性程序存储设备,其有形地体现由计算机运行以执行用于预测机器中的故障模式的方法步骤的指令的程序,所述方法包括以下步骤:
从来自源机器和目标机器的一个或多个独立传感器的数据样本学习针对源机器和目标机器中每一个的多变量高斯分布,其中所述数据样本在针对每个机器的正常操作状况下获取;
使用针对独立传感器的多变量高斯分布从来自源机器和目标机器的一个或多个相关传感器的数据样本学习针对所述源机器和所述目标机器中每一个的多变量高斯条件分布,其中所述数据样本在针对每个机器的正常操作状况下获取;
使用针对源机器和目标机器的多变量高斯分布,将针对独立传感器的数据样本从源机器变换到目标机器;以及
使用经变换的独立传感器数据样本以及针对源机器和目标机器的条件高斯分布,将针对相关传感器的数据样本从源机器变换到目标机器。
13.根据权利要求12所述的计算机可读程序存储设备,所述方法进一步包括:
从与故障相关联的源机器的独立传感器获取数据样本;
使用针对源机器和目标机器的多变量高斯分布,将针对独立传感器的所述故障数据样本从源机器变换到目标机器;以及
使用经变换的独立传感器数据样本以及针对源机器和目标机器的条件高斯分布,将针对相关传感器的所述故障数据样本从源机器变换到目标机器。
14.根据权利要求12所述的计算机可读程序存储设备,其中多变量高斯条件分布被表达为,其中y i 表示相关传感器,x i 表示独立传感器,表示独立传感器x i 的多变量高斯条件分布的均值,并且表示给定独立传感器x i 的相关传感器y i 的条件协方差。
15.根据权利要求14所述的计算机可读程序存储设备,其中所述条件协方差是对角矩阵。
16.根据权利要求15所述的计算机可读程序存储设备,其中所述条件协方差是常数。
17.根据权利要求14所述的计算机可读程序存储设备,其中独立传感器数据样本从源机器到目标机器的变换通过下式表达:
,
其中x1表示针对源机器的独立传感器数据,是源机器的独立传感器的多变量高斯分布的均值,是目标机器的独立传感器的多变量高斯分布的均值,是源机器的独立传感器的多变量高斯分布的协方差,并且是目标机器的独立传感器的多变量高斯分布的协方差。
18.根据权利要求17所述的计算机可读程序存储设备,其中相关传感器数据样本从源机器到目标机器的变换通过下式表达:
,其中
y1表示针对源机器的相关传感器数据,y2表示针对目标机器的相关传感器数据,是源机器的独立传感器的多变量条件分布的均值,是针对目标机器的经变换的独立传感器的多变量条件分布的均值,是针对源机器的给定独立传感器x1的相关传感器y1的多变量高斯分布的协方差,并且是给定经变换的独立传感器x12的目标机器的相关传感器y2的多变量高斯分布的协方差。
19.根据权利要求18所述的计算机可读程序存储设备,其中针对给定机器的多变量条件分布的均值是回归函数,其将针对给定机器的独立传感器数据映射到针对给定机器的相关传感器数据,其中给定机器是源机器和目标机器之一。
20.根据权利要求12所述的计算机可读程序存储设备,所述方法进一步包括接收针对源机器和目标机器中每一个的传感器数据样本,以及将针对每个机器的传感器数据样本划分成来自独立传感器的数据和依赖于独立传感器的数据值的来自相关传感器的数据。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/US2014/034305 WO2015160339A1 (en) | 2014-04-16 | 2014-04-16 | Transferring failure samples using conditional models for machine condition monitoring |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106662867A CN106662867A (zh) | 2017-05-10 |
CN106662867B true CN106662867B (zh) | 2019-03-15 |
Family
ID=50732331
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201480078037.4A Active CN106662867B (zh) | 2014-04-16 | 2014-04-16 | 使用条件模型来迁移故障样本以用于机器状况监视 |
Country Status (4)
Country | Link |
---|---|
US (1) | US10108513B2 (zh) |
EP (1) | EP3132321B1 (zh) |
CN (1) | CN106662867B (zh) |
WO (1) | WO2015160339A1 (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102016008987B4 (de) * | 2015-07-31 | 2021-09-16 | Fanuc Corporation | Maschinenlernverfahren und Maschinenlernvorrichtung zum Lernen von Fehlerbedingungen, und Fehlervorhersagevorrichtung und Fehlervorhersagesystem, das die Maschinenlernvorrichtung einschließt |
CN106991095B (zh) * | 2016-01-21 | 2021-09-28 | 阿里巴巴集团控股有限公司 | 机器异常的处理方法、学习速率的调整方法及装置 |
WO2024005798A1 (en) * | 2022-06-28 | 2024-01-04 | Siemens Industry Software Inc. | A system on a chip comprising a diagnostics module |
WO2024005797A1 (en) * | 2022-06-28 | 2024-01-04 | Siemens Industry Software Inc. | A system on a chip comprising a diagnostics module |
WO2024005799A1 (en) * | 2022-06-28 | 2024-01-04 | Siemens Industry Software Inc. | A system on a chip comprising a diagnostics module |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5119468A (en) * | 1989-02-28 | 1992-06-02 | E. I. Du Pont De Nemours And Company | Apparatus and method for controlling a process using a trained parallel distributed processing network |
US5465321A (en) * | 1993-04-07 | 1995-11-07 | The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration | Hidden markov models for fault detection in dynamic systems |
US6415276B1 (en) * | 1998-08-14 | 2002-07-02 | University Of New Mexico | Bayesian belief networks for industrial processes |
US7305317B2 (en) | 2003-09-05 | 2007-12-04 | Siemens Corporate Research, Inc. | Joint approach of out-of-range detection and fault detection for power plant monitoring |
US7188050B2 (en) | 2004-08-25 | 2007-03-06 | Siemens Corporate Research, Inc. | Method and apparatus for detecting out-of-range conditions in power generation equipment operations |
US7788205B2 (en) * | 2006-05-12 | 2010-08-31 | International Business Machines Corporation | Using stochastic models to diagnose and predict complex system problems |
US8103463B2 (en) * | 2006-09-21 | 2012-01-24 | Impact Technologies, Llc | Systems and methods for predicting failure of electronic systems and assessing level of degradation and remaining useful life |
US8694283B2 (en) * | 2010-09-17 | 2014-04-08 | Siemens Aktiengesellschaft | System and method for modeling conditional dependence for anomaly detection in machine condition monitoring |
WO2014012579A1 (de) | 2012-07-17 | 2014-01-23 | Siemens Aktiengesellschaft | Verfahren, werkzeug, datenträger und programmbaustein zur beurteilung einer verlässlichkeit einer vorrichtung |
US10252145B2 (en) * | 2016-05-02 | 2019-04-09 | Bao Tran | Smart device |
-
2014
- 2014-04-16 WO PCT/US2014/034305 patent/WO2015160339A1/en active Application Filing
- 2014-04-16 US US15/303,243 patent/US10108513B2/en active Active
- 2014-04-16 CN CN201480078037.4A patent/CN106662867B/zh active Active
- 2014-04-16 EP EP14724616.9A patent/EP3132321B1/en active Active
Also Published As
Publication number | Publication date |
---|---|
US20170031792A1 (en) | 2017-02-02 |
WO2015160339A1 (en) | 2015-10-22 |
EP3132321A1 (en) | 2017-02-22 |
US10108513B2 (en) | 2018-10-23 |
EP3132321B1 (en) | 2018-10-17 |
CN106662867A (zh) | 2017-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106662867B (zh) | 使用条件模型来迁移故障样本以用于机器状况监视 | |
CN109816624B (zh) | 外观检查装置 | |
AU2019201857B2 (en) | Sparse neural network based anomaly detection in multi-dimensional time series | |
US20200134313A1 (en) | Detection method and detection device | |
JP7164014B2 (ja) | 機械学習を使用してバイナリからソースコードを識別するためのシステム及び方法 | |
CN112231033A (zh) | 结合rpa与ai的软件界面元素的匹配方法及装置 | |
KR102327026B1 (ko) | Gcn 기반의 어셈블리 코드 학습 장치 및 방법과 이를 이용한 보안 약점 탐지 장치 및 방법 | |
KR102002528B1 (ko) | 객체 검출 장치 및 그 방법 | |
CN111310778A (zh) | 检测装置、检测方法以及记录检测程序的记录介质 | |
CN111126566B (zh) | 基于gan模型的异常家具布局数据检测方法 | |
CN116402777B (zh) | 基于机器视觉的电力设备检测方法及系统 | |
US20230351253A1 (en) | System and method for performing test data management | |
WO2020146460A3 (en) | Apparatus, system and method for developing industrial process solutions using artificial intelligence | |
US20230205883A1 (en) | Integrated static and dynamic analysis for malware detection | |
Chen et al. | Multi-granularity Cross-Domain Temporal Regression Network for Remaining Useful Life Estimation of Aero Engines | |
CN107609479A (zh) | 基于带有噪声输入的稀疏高斯过程的姿态估计方法及系统 | |
EP3686812A1 (en) | System and method for context-based training of a machine learning model | |
US11966218B2 (en) | Diagnosis device, diagnosis method and program | |
WO2020194583A1 (ja) | 異常検知装置、制御方法、及びプログラム | |
KR102568037B1 (ko) | 파이프 인식 모델 생성 방법 및 장치, 이를 이용한 파이프 이상 영역 판단 방법 및 시스템 | |
CN113033757A (zh) | 用于测试神经网络中算子精度的方法、装置和计算机可读存储介质 | |
US20170132278A1 (en) | Systems and Methods for Inferring Landmark Delimiters for Log Analysis | |
US20240134369A1 (en) | Anomaly sign detection system, anomaly sign detection model generation method, and anomaly sign detection model generation program | |
CN108804858A (zh) | 一种在物联网中使用虚拟传感器的方法及系统 | |
US20220405581A1 (en) | Neural network optimization system, neural network optimization method, and electronic device |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |