CN107851057A - 预测模型的动态执行 - Google Patents
预测模型的动态执行 Download PDFInfo
- Publication number
- CN107851057A CN107851057A CN201680043853.0A CN201680043853A CN107851057A CN 107851057 A CN107851057 A CN 107851057A CN 201680043853 A CN201680043853 A CN 201680043853A CN 107851057 A CN107851057 A CN 107851057A
- Authority
- CN
- China
- Prior art keywords
- assets
- data
- forecast model
- local analytics
- analytics device
- 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.)
- Withdrawn
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3003—Monitoring arrangements specially adapted to the computing system or computing system component being monitored
- G06F11/3006—Monitoring arrangements specially adapted to the computing system or computing system component being monitored where the computing system is distributed, e.g. networked systems, clusters, multiprocessor systems
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/048—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators using a predictor
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F15/00—Digital computers in general; Data processing equipment in general
- G06F15/16—Combinations of two or more digital computers each having at least an arithmetic unit, a program unit and a register, e.g. for a simultaneous processing of several programs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/48—Program initiating; Program switching, e.g. by interrupt
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/34—Director, elements to supervisory
- G05B2219/34477—Fault prediction, analyzing signal trends
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/48—Program initiating; Program switching, e.g. by interrupt
- G06F9/4806—Task transfer initiation or dispatching
- G06F9/4843—Task transfer initiation or dispatching by program, e.g. task dispatcher, supervisor, operating system
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/48—Program initiating; Program switching, e.g. by interrupt
- G06F9/4806—Task transfer initiation or dispatching
- G06F9/4843—Task transfer initiation or dispatching by program, e.g. task dispatcher, supervisor, operating system
- G06F9/485—Task life-cycle, e.g. stopping, restarting, resuming execution
- G06F9/4856—Task life-cycle, e.g. stopping, restarting, resuming execution resumption being on a different machine, e.g. task migration, virtual machine migration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/48—Program initiating; Program switching, e.g. by interrupt
- G06F9/4806—Task transfer initiation or dispatching
- G06F9/4843—Task transfer initiation or dispatching by program, e.g. task dispatcher, supervisor, operating system
- G06F9/485—Task life-cycle, e.g. stopping, restarting, resuming execution
- G06F9/4856—Task life-cycle, e.g. stopping, restarting, resuming execution resumption being on a different machine, e.g. task migration, virtual machine migration
- G06F9/4862—Task life-cycle, e.g. stopping, restarting, resuming execution resumption being on a different machine, e.g. task migration, virtual machine migration the task being a mobile agent, i.e. specifically designed to migrate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
- G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
- G06F9/5044—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals considering hardware capabilities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
- G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
- G06F9/5055—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals considering software capabilities, i.e. software resources associated or available to the machine
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Automation & Control Theory (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Geometry (AREA)
- Debugging And Monitoring (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Computer And Data Communications (AREA)
- Alarm Systems (AREA)
Abstract
本文中揭示了与资产相关的系统、装置及方法及与资产操作相关的预测模型及对应工作流。特定来说,实例涉及经配置以接收及本地执行预测模型、本地个性化预测模型及/或本地执行工作流或其部分的资产。
Description
相关申请案的交叉参考
本申请案要求以下项的优先权:(i)2016年6月17日申请且标题为预测模型的动态执行(Dynamic Execution of Predictive Models)的第15/185,524号美国非临时专利案;(ii)2015年12月8日申请且标题为资产处的本地分析(Local Analytics at an Asset)的第14/963,207号美国非临时专利申请案;及(iii)2015年6月19日提交且标题为“预测模型及工作流的动态执行(Dynamic Execution of Predictive Models&Workflows)”的第14/744,362号美国非临时专利申请案,所述非临时专利申请案中的每一者的全部内容以引入方式全部并入本文中。本申请案还以引用方式并入了2015年6月5日申请且标题为“资产健康状况分数(Asset Health Score)”的第14/732,258号美国非临时专利申请案的全部内容。
背景技术
今天,机器(在本文中也被称为“资产”)在许多行业中无处不在。从把货物运送到各国的机车到帮助护士及医生挽救生命的医疗设备,资产在日常生活中起着重要的作用。取决于资产所起的作用,其复杂性及成本可能会有所不同。例如,一些资产可包括多个子系统(例如,机车的发动机、传动装置等),其必须协调操作以使资产适当地运作。
由于资产在日常生活中扮演着重要的角色,所以期望资产可在有限的停机时间内进行维修。因此,一些人已经开发了各机制来监测及检测资产内的异常状况,以促进可能在最小停机时间内维修资产。
发明内容
用于监测资产的当前方法通常涉及资产上计算机,其从分布在整个资产中的各种传感器及/或致动器接收信号,所述传感器及/或致动器监测资产的操作状况。作为一个代表性实例,如果资产是机车,那么传感器及/或致动器可监测例如温度、电压及速度的参数以及其它参数。如果来自这些装置中的一或多者的传感器及/或致动器信号达到某些值,那么所述资产上计算机可产生异常状况指示符,例如“故障代码”,其是资产内已经发生异常状况的指示。
通常,异常情况可为资产或其组件处的缺陷,其可能导致资产及/或组件的故障。因而,异常情况可与给定故障或可能多个故障相关联,因为异常情况是给定故障或多个故障的征兆。实际上,用户通常定义与每一异常状况指示符相关联的传感器及相应的传感器值。即,用户定义资产的“正常”操作状况(例如,不触发故障代码的操作状况)及“异常”操作状况(例如,触发故障代码的操作状况)。
在资产上计算机产生异常状况指示符之后,指示符及/或传感器信号可被传递到远程位置,在所述远程位置中,用户可接收异常状况及/或传感器信号的一些指示且决定是否采取行动。用户可能采取的一个行动是指派机械师等来评估及可能地维修资产。一旦处于资产处,机械师可将计算装置连接到资产并操作计算装置以致使资产利用一或多个本地诊断工具来促进诊断所产生的指示符的原因。
虽然目前的资产监测系统在触发异常情况指示符方面通常是有效的,但是此类系统通常是保守的。即,到资产监测系统触发指示符的时候,资产内的故障可能已经发生(或即将发生),这可能导致代价高昂的停机时间以及其它缺点。另外,由于此类资产监测系统中的资产上异常检测机制的简单本质,当前的资产监测方法倾向于涉及远程计算系统对资产执行监测计算,且如果检测到问题,那么向所述资产发射指令。当资产移动到通信网络的覆盖范围之外时,由于网络延迟及/或不可行,这可能是不利的。另外,由于存储在资产上的本地诊断工具的本质,当前的诊断程序倾向于又低效又麻烦,这是因为需要机械师来致使资产利用此类工具。
本文中揭示的实例系统、装置及方法试图帮助解决这些问题中的一或多者。在实例实施方案中,网络配置可包含通信网络,其促进资产与远程计算系统之间的通信。在一些情况下,通信网络可促进资产与远程计算系统之间的安全通信(例如,经由加密或其它安全措施)。
如上文所述,每一资产可包含分布在整个资产中的多个传感器及/或致动器,其促进监测资产的操作状况。多个资产可向远程计算系统提供指示每一资产的操作状况的相应数据,所述远程计算系统可经配置以基于所提供的数据执行一或多个操作。通常,传感器及/或致动器数据(例如,信号数据)可用于一般的资产监测操作。然而,如本文中所述,远程计算系统及/或资产可利用此数据来促进执行更复杂的操作。
在实例实施方案中,远程计算系统可经配置以定义及部署与资产的操作相关的预测模型及对应工作流(在本文中被称为“模型-工作流对”)。资产可经配置以接收模型-工作流对,并利用本地分析装置根据模型-工作流对来操作。
通常,模型-工作流对可致使资产监测某些操作状况,且当存在某些状况时,修改可能帮助防止发生特定事件的行为。具体来说,预测模型可接收来自资产传感器及/或致动器的特定集合的数据作为输入,且输出一或多个特定事件可能在未来特定时间段内在资产处发生的可能性。工作流可涉及基于由模型输出的一或多个特定事件的可能性执行的一或多个操作。
实际上,远程计算系统可定义聚合、预测模型及对应工作流、个性化预测模型及对应工作流,或其某个组合。“聚合”模型/工作流可指代对资产群组通用的模型/工作流,而“个性化”模型/工作流可指代针对来自资产群组的单个资产或资产子群组定制的模型/工作流。
在实例实施方案中,远程计算系统可通过基于多个资产的历史数据定义聚合预测模型来开始。利用多个资产的数据可促进定义比利用单个资产的操作数据更准确的预测模型。
形成聚合模型的基础的历史数据可包含指示给定资产的操作状况的至少操作数据。具体来说,操作数据可包含识别何时在资产处发生故障的情况的异常状况数据及/或指示在发生所述情况时在资产处测量的一或多个物理性质的数据(例如,信号数据)。数据还可包含指示资产已在其中被操作的环境的环境数据及指示资产何时被利用的日期及时间的调度数据、用于定义聚合模型-工作流对的资产相关数据等等。
基于历史数据,远程计算系统可定义预测特定事件发生的聚合模型。在特定的实例实施方案中,聚合模型可输出将在未来特定时间段内在资产处发生故障的概率。此模型可在本文中被称为“故障模型”。除了其它实例预测模型外,其它聚合模型可预测资产将在未来特定时间段内完成任务的可能性。
在定义聚合模型之后,远程计算系统可接着定义对应于所定义的聚合模型的聚合工作流。通常,工作流可包含资产可基于对应模型执行的一或多个操作。即,对应模型的输出可致使资产执行工作流操作。例如,聚合模型-工作流对可经定义使得当聚合模型输出特定范围内的概率时,资产将执行特定工作流操作(例如本地诊断工具)。
在定义聚合模型-工作流对之后,远程计算系统可向一或多个资产发射所述对。一或多个资产接着可根据聚合模型-工作流对来操作。
在实例实施方案中,远程计算系统可经配置以进一步定义一或多个资产的个性化预测模型及/或对应工作流。远程计算系统可基于每一给定资产的某些特性以及其它考虑来进行上述定义。在实例实施方案中,远程计算系统可以聚合模型-工作流对作为基准而开始,且基于资产的特性个性化给定资产的聚合模型及工作流中的一或两者。
实际上,远程计算系统可经配置以确定与聚合模型-工作流对相关的资产特性(例如,所关注特性)。此类特性的实例可包含资产年限、资产使用状况、资产类别(例如,品牌及/或型号)、资产健康状况及资产的操作环境等其它特性。
接着,远程计算系统可确定对应于所关注特性的给定资产的特性。至少基于给定资产特性中的一些,远程计算系统可经配置以个性化聚合模型及/或对应工作流。
定义个性化模型及/或工作流可涉及远程计算系统对聚合模型及/或工作流进行某些修改。例如,除了其它实例外,个性化聚合模型可能涉及改变模型输入、改变模型计算,及/或改变计算的变量或输出的权重等等。除了其它实例外,个性化聚合工作流可能涉及改变工作流的一或多个操作及/或改变触发工作流的模型输出值或值范围。
在定义给定资产的个性化模型及/或工作流之后,远程计算系统可接着向给定资产发射个性化模型及/或工作流。在其中模型或工作流中的仅一者被个性化的情况下,给定资产可利用模型或工作流的未被个性化的聚合版本。给定资产可接着根据其个性化模型-工作流对来操作。
在又一实例实施方案中,系统可具有在远程计算系统或本地分析装置处执行给定预测模型及/或工作流的选项。在这方面,在远程计算系统处执行给定的预测模型及/或工作流可具有一些优点,且在本地分析装置处执行给定的预测模型及/或工作流可具有其它优点。
例如,远程计算系统通常拥有比本地分析装置更高的处理能力及/或智能。另外,远程计算系统通常可拥有本地分析装置未知的信息。结果,远程计算系统通常能够比本地分析装置更精确地执行给定的预测模型。例如,远程计算系统通常可能比本地分析装置更可能精确地预测资产处是否将发生故障。这种精确度的提高可能导致与维护资产相关联的成本的降低,这是因为可能有较少的错误否定(例如,导致代价高昂的停机时间的遗漏故障)及/或较少的错误肯定(例如,导致不必要的维护的不精确的故障预测)。
另外,远程计算系统通常具有给定预测模型的最新版本,而本地分析装置可能具有过时(例如,不太精确)的版本。因此,由于此原因,远程计算系统也可比本地分析装置更精确地执行给定的预测模型。除了上文讨论的优点之外,在远程计算系统处执行给定的预测模型可能还有其它的优点。
然而,在本地分析装置而不是在远程计算系统处执行给定的预测模型可能具有某些其它优点。例如,本地分析装置位于资产上或其附近,且通常直接从资产接收资产操作数据(例如,经由物理连接或近程网络连接),而远程计算系统远离资产且通常经由与本地分析装置的广域网连接(例如,通过蜂窝网络及/或互联网的连接)从资产间接接收资产操作数据。结果,本地分析装置可比远程计算系统更早地存取资产操作数据,这又使得本地分析装置能够比远程计算系统更早地执行给定的预测模型,且接着作用于模型的输出。由本地分析装置进行的此较早执行可导致改进防止资产处发生故障(及对应的成本降低)以及其它优点。
另外,资产与远程计算系统之间的网络连接可由对使用网络连接收费的第三方(例如,为其蜂窝网络上的数据使用收费的无线运营商)提供,这意味着在本地分析装置处执行给定的预测模型通常成本较低。在本地分析装置处执行给定的预测模型也可能具有其它优点。
还应理解的是,在远程计算系统处与在本地分析装置处执行给定预测模型的相对优点可随模型改变。例如,在远程计算系统处执行第一模型可提供精确度的显著提高,而在远程计算系统处执行第二模型可仅提供精确度的适度提高(如果有的话)。作为另一实例,在本地分析装置处执行第一模型可提供数据发射成本的显著降低,而在本地分析装置处执行第二模型可仅提供数据发射成本中的适度降低。其它实例也是可能的。
鉴于上文,远程计算系统可经配置以分析在远程计算系统与本地分析装置处执行给定预测模型的相对优点,且基于所述分析,针对所述给定预测模型定义量化这些相对优点的“执行函数”。实际上,远程计算系统接着可向本地分析装置发射执行函数。接着,本地分析装置可利用执行函数来决定是在远程计算系统还是本地分析装置处执行给定的预测模型,且接着根据此决定进行操作。这些函数可以各种方式实行。
在一个特定实例实施例中,远程计算系统可选择给定的预测模型用于分析,且接着定义(a)输出第一性能分数的第一性能分数函数(“PSF”),所述第一性能分数反映在远程计算系统处执行给定预测模型的预期值,及(b)输出第二性能分数的第二PSF,所述第二性能分数反映在本地分析装置处执行给定预测模型的预期值。这些性能分数可采取各种形式。
在一个实施方案中,可根据与在远程计算系统处与在本地分析装置处执行给定预测模型相关联的相应预期成本来表示性能分数。例如,在远程计算系统执行给定预测模型的第一性能分数可基于(a)与在远程计算系统处执行给定预测模型的历史精确度对应的期望成本(例如,根据由于不精确预测产生的不必要的维护及停机时间),及(b)从耦合到资产的本地分析装置向远程计算系统发射在远程计算系统处执行模型所需的数据的预期成本。进而,在本地分析装置处执行给定预测模型的第二性能分数可基于与在本地分析装置处执行给定预测模型的历史精确度对应的预期成本(例如,根据由于不精确预测产生的不必要的维护及停机时间)。
实际上,这些预期成本值可基于以下项来确定:(a)与给定预测模型相关的历史数据,例如历史模型精确度及模型结果的历史成本,(b)本地分析装置发射以使远程计算系统执行给定预测模型的资产数据量,其可能是已知的或基于历史数据发射量而确定,及(c)当前及/或历史数据发射速率。这些预期成本值也可基于其它数据来确定。
如上所述,在许多情况下,在远程计算系统处执行给定预测模型的预期成本可能比在本地分析装置处执行给定预测模型的预期成本更低(例如,更好),因为远程计算系统通常能够比本地分析装置更精确地执行给定的预测模型。然而,与远程计算系统的改进的精确度相关的此较低的成本可能由经引发以在远程计算系统处执行预测模型的数据发射成本以及其它潜在成本抵消。
无论如何,如上所述,在远程计算系统为给定的预测模型定义第一及第二PSF之后,其接着可向本地分析装置发射这些PSF,使得本地分析装置可根据由PSF输出的预期成本值执行给定的预测模型。在实例实施例中,远程计算系统可以各种方式发射给定的PSF。作为一个特定实例,远程计算系统可发射给定PSF的表达式(例如,定义所述参数之间的关系的一或多个参数及数学运算符)及用于评估所述表达式的一或多个值(例如,一或多个参数的相应值)。远程计算系统也可以各种其它方式发射执行函数。
在实例实施方案中,如上所述,给定资产可包含本地分析装置,其可经配置以致使给定资产根据由远程计算系统提供的模型-工作流对来操作。本地分析装置可经配置以利用来自资产传感器及/或致动器的操作数据(例如,通常用于其它资产相关目的的数据)来运行预测模型。当本地分析装置接收到某些操作数据时,其可执行所述模型,且取决于所述模型的输出,可执行对应工作流。
执行对应工作流可帮助促进防止在给定资产处发生非期望事件。以此方式,给定资产可本地确定可能发生特定事件,且接着可执行特定工作流以帮助防止发生事件。如果给定资产与远程计算系统之间的通信受阻,那么这可能特别有用。例如,在某些情况下,故障可能发生在采取预防性动作的命令从远程计算系统到达给定资产之前。在此类情况下,本地分析装置可为有利的,因为其可在本地产生命令,由此避免任何网络延迟或由于给定资产“离线”而引起的任何问题。因而,本地分析装置执行模型-工作流对可促进致使资产适应其状况。
在一些实例实施方案中,在首次执行模型-工作流对之前或之时,本地分析装置本身可个性化其从远程计算系统接收到的模型-工作流对。通常,本地分析装置可通过评估在定义模型-工作流对时所进行的与给定资产相关的一些或全部预测、假设及/或一般化来个性化模型-工作流对。基于评估,本地分析装置可修改模型-工作流对,使得模型-工作流对的基础预测、假设及/或一般化更准确地反映给定资产的实际状态。本地分析装置接着可执行个性化模型-工作流对,而不是执行其最初从远程计算系统接收的模型-工作流对,这可导致对资产的更准确的监测。
当给定资产根据模型-工作流对操作时,给定资产也可继续向远程计算系统提供操作数据。基于至少此数据,远程计算系统可修改聚合模型-工作流对及/或一或多个个性化模型-工作流对。远程计算系统可能由于多种原因而进行修改。
在一个实例中,如果在资产处发生所述模型先前没有考虑到的新事件,那么远程计算系统可修改模型及/或工作流。例如,在故障模型中,新事件可能是在其数据用于定义聚合模型的资产中的任一者处尚未发生的新故障。
在另一实例中,如果在资产处在通常不会导致事件发生的操作状况下发生所述事件,那么远程计算系统可修改模型及/或工作流。例如,再次返回到故障模型,如果在过去尚未导致故障发生的操作状况下发生所述故障,那么可修改所述故障模型或对应工作流。
在又一实例中,如果所执行的工作流未能阻止事件的发生,那么远程计算系统可修改模型及/或工作流。具体来说,如果模型的输出致使资产执行旨在防止发生事件的工作流但是尽管如此所述事件还是发生在资产处,那么远程计算系统可修改模型及/或工作流。修改模型及/或工作流的原因的其它实例也是可能的。
远程计算系统接着可将任何修改分配给其数据引起修改的资产及/或与远程计算系统通信的其它资产。以此方式,远程计算系统可动态地修改模型及/或工作流,且基于个别资产的操作状况将此类修改分配给整群资产。
在一些实例实施方案中,资产及/或远程计算系统可经配置以动态调整执行预测模型及/或工作流。特定来说,资产(例如,经由耦合到其的本地分析装置)及/或远程计算系统可经配置以检测触发关于资产及/或远程计算系统是否执行预测模型及/或工作流的责任的改变的某些事件。
例如,在一些情况下,在资产从远程计算系统接收到模型-工作流对之后,资产可将模型-工作流对存储在数据存储装置中,而接着可依赖于远程计算系统集中地执行模型-工作流对中的部分或全部。另一方面,在其它情况下,远程计算系统可依赖于资产来本地执行模型-工作流对中的部分或全部。在又其它情况下,远程计算系统及资产可共享执行模型-工作流对的责任。
无论如何,在某个时间点,可能发生触发资产及/或远程计算系统调整预测模型及/或工作流的执行的某些事件。例如,资产及/或远程计算系统可检测将资产耦合到远程计算系统的通信网络的某些特性。基于通信网络的特性,资产可调整其是否在本地执行预测模型及/或工作流,且远程计算系统可因此修改其是否集中执行模型及/或工作流。以此方式,资产及/或远程计算系统可适应资产的状况。
在特定实例中,资产可检测如下指示:资产与远程计算系统之间的通信链路的信号强度相对较弱(例如,资产可确定即将“离线”)、网络延迟相对较高,及/或网络带宽相对较低。因此,资产可经编程以承担先前由远程计算系统处置的执行模型-工作流对的责任。进而,远程计算系统可停止集中执行模型-工作流对中的一些或全部。以此方式,资产可在本地执行预测模型,且接着基于执行预测模型来执行对应工作流以潜在地帮助防止资产处发生故障。
另外,在一些实施方案中,资产及/或远程计算系统可类似地基于各种其它考虑来调整执行(或可能修改)预测模型及/或工作流。例如,基于资产的处理能力,资产可在本地执行模型-工作流对,且远程计算系统也可因此进行调整。在另一实例中,基于将资产耦合到远程计算系统的通信网络的带宽,资产可执行所修改的工作流(例如,根据数据发射方案以减小的发射速率向远程计算系统发射数据)。其它实例也是可能的。
另外或替代地,耦合到给定资产的本地分析装置可经配置以基于与预测模型及/或工作流对应的一或多个执行函数(例如,PSF)动态地执行预测模型及/或工作流。特定来说,如上文所讨论,本地分析装置可从远程计算系统接收此类功能。在给定资产的操作期间,本地分析装置可识别应执行的特定模型-工作流对。基于所述识别,本地分析装置接着可执行对应的执行函数以确定本地分析装置是否应执行可以各种方式执行的特定预测模型及/或工作流。
例如,在实例实施例中,本地分析装置可首先识别与特定的预测模型及/或工作流对应的一或多个PSF,且接着执行PSF(例如,用于本地分析装置的一个PSF及用于远程计算系统的一个PSF)。在本地分析装置确定用于在远程计算系统处与在本地分析装置处执行给定预测模型的性能分数之后,本地分析装置可比较这两个性能分数,且接着决定在具有更好的性能分数(例如,最低的预期成本)的位置处执行给定的预测模型。进而,本地分析装置可致使给定的预测模型在具有更好性能分数的位置处执行。
例如,如果本地分析装置的性能分数大于(例如,具有较低的期望成本)远程计算系统的性能分数(或阈值量更大),那么本地分析装置可基于资产的操作数据(例如,信号数据)本地执行预测模型及/或工作流。
另一方面,如果本地分析装置的性能分数小于(例如,具有更高的期望成本)远程计算系统的性能分数(或阈值量更小),那么本地分析装置可替代地向远程计算系统发射用于使远程计算系统远程地执行给定预测模型及/或工作流的指令,以及来自资产的用于所述执行的操作数据。远程计算系统接着可向本地分析装置返回集中执行给定预测模型的结果,这可致使本地分析装置执行操作,例如执行对应工作流。
如上文所讨论,本文中提供的实例涉及预测模型的部署及执行。在一个方面中,提供了一种计算系统。所述计算系统包括至少一个处理器、非暂时性计算机可读媒体及存储在所述非暂时性计算机可读媒体上的程序指令,所述程序指令可由所述至少一个处理器执行以致使所述计算系统执行以下操作:(a)向资产发射预测模型及对应工作流以供所述资产本地执行,所述预测模型及对应工作流与所述资产的操作相关,(b)检测所述资产在本地执行所述预测模型或所述对应工作流中的至少一者的指示,及(c)基于所述检测到的指示,通过所述预测模型或所述对应工作流中的至少一者的所述计算系统来修改集中执行。
在另一方面中,提供了一种上面存储有指令的非暂时性计算机可读媒体,所述指令可执行以使得计算系统执行以下操作:(a)向资产发射预测模型及对应工作流以供所述资产本地执行,所述预测模型及对应工作流与所述资产的操作相关,(b)检测所述资产在本地执行所述预测模型或所述对应工作流中的至少一者的指示,及(c)基于所述检测到的指示,通过所述预测模型或所述对应工作流中的至少一者的所述计算系统来修改集中执行。
在又一方面中,提供了一种计算机实施方法。所述方法包括:(a)向资产发射预测模型及对应工作流以供所述资产本地执行,所述预测模型及对应工作流与所述资产的操作相关,(b)检测所述资产在本地执行所述预测模型或所述对应工作流中的至少一者的指示,及(c)基于所述检测到的指示,通过所述预测模型或所述对应工作流中的至少一者的所述计算系统来修改集中执行。
如上文所讨论,本文中提供的实例涉及确定在何处执行预测模型及/或工作流。在一个方面中,提供了一种经配置以监测资产的操作状况的本地分析装置。所述本地分析装置包括:资产接口,其经配置以将所述本地分析装置耦合到所述资产;网络接口,其经配置以促进所述本地分析装置与计算系统之间的通信;所述计算系统(i)经配置以监测所述资产的操作状况且(ii)远离所述本地分析装置定位;至少一个处理器;非暂时性计算机可读媒体;及存储在所述非暂时性计算机可读媒体上的程序指令,所述程序指令可由所述至少一个处理器执行以致使所述本地分析装置:(a)识别与要执行的所述资产的所述操作相关的预测模型;(b)基于与所识别的预测模型对应的一或多个执行函数,确定所述本地分析装置是否应执行所述预测模型;(c)如果所述本地分析装置应执行所述预测模型,那么基于经由所述资产接口接收的所述资产的操作数据执行所述预测模型;且(d)否则,经由所述网络接口向所述计算系统发射(i)用于致使所述计算系统执行所述预测模型的指令,及(ii)经由所述资产接口接收的所述资产的操作数据。
在另一方面中,提供了一种上面存储有指令的非暂时性计算机可读媒体,所述指令可执行以使经由本地分析装置的资产接口耦合到资产的所述本地分析装置执行以下操作:(a)识别与要执行的所述资产的所述操作相关的预测模型;(b)基于与所识别的预测模型对应的一或多个执行函数,确定所述本地分析装置是否应执行所述预测模型;(c)如果所述本地分析装置应执行所述预测模型,那么基于经由所述资产接口接收的所述资产的操作数据执行所述预测模型;且(d)否则,向计算系统发射(i)用于致使所述计算系统执行所述预测模型的指令,及(ii)经由所述资产接口接收的所述资产的操作数据,所述计算系统经配置以监测所述资产的操作状况且无线地耦合到所述本地分析装置。
在又一方面中,提供了一种用于促进与耦合到本地分析装置的资产的操作相关的预测模型的最佳执行的计算机实施方法。所述方法包括:(a)由所述本地分析装置识别要执行的所述预测模型;(b)基于与所识别的预测模型对应的一或多个执行函数,确定所述本地分析装置是否应执行所述预测模型;(c)如果所述本地分析装置应执行所述预测模型,那么由所述本地分析装置基于经由所述本地分析装置的资产接口接收的所述资产的操作数据执行所述预测模型;且(d)否则,由所述本地分析装置向计算系统发射(i)用于使所述计算系统执行所述预测模型的指令,及(ii)经由所述资产接口接收的所述资产的操作数据,所述计算系统经配置以经由所述本地分析装置的网络接口监测远离所述本地分析装置定位的所述资产的操作状况。
所属领域的一般技术人员在阅读下面的揭示内容时将明白这些以及许多其它方面。
附图说明
图1描绘了其中可实施实例实施例的实例网络配置。
图2描绘了实例资产的简化框图。
图3描绘了实例异常状况指示符及触发准则的概念说明。
图4描绘了实例分析系统的简化框图。
图5描绘了可用于定义模型-工作流对的定义阶段的实例流程图。
图6A描绘了聚合模型-工作流对的概念说明。
图6B描绘了个性化模型-工作流对的概念说明。
图6C描绘了另一个性化模型-工作流对的概念说明。
图6D描绘了所修改的模型-工作流对的概念说明。
图7描绘了可用于定义输出健康状况指标的预测模型的建模阶段的实例流程图。
图8描绘了用于定义模型的数据的概念说明。
图9描绘了可用于定义性能分数函数的实例定义阶段的实例流程图。
图10描绘了实例性能分数函数的方面的概念说明。
图11描绘了可用于本地执行预测模型的本地执行阶段的实例流程图。
图12描绘了可用于修改模型-工作流对的修改阶段的实例流程图。
图13描绘了可用于调整模型-工作流对的执行的调整阶段的实例流程图。
图14描绘了可用于确定是否在本地执行预测模型的确定阶段的实例流程图。
图15描绘了用于定义及部署聚合预测模型及对应工作流的实例方法的流程图。
图16描绘了用于定义及部署个性化预测模型及/或对应工作流的实例方法的流程图。
图17描绘了用于动态地修改模型-工作流对的执行的实例方法的流程图。
图18描绘了用于接收及本地执行模型-工作流对的实例方法的流程图。
图19描绘了用于根据一或多个执行函数执行预测模型的实例方法的流程图。
图20描绘了用于定义预测模型及对应执行函数且执行预测模型的实例方法的流程图。
具体实施方式
以下揭示内容参考附图及几个示范性情况。所属领域的一般技术人员将会理解,此类参考仅用于解释的目的,且因此不意味着限制。所揭示的系统、装置及方法中的部分或全部可以各种方式重新布置、组合、添加及/或移除,其中的每一方式均在本文中予以考虑。
I.实例网络配置
现在转向图式,图1描绘了其中可实施实例实施例的实例网络配置100。如所示,网络配置100包含资产102、资产104、通信网络106、可采取分析系统的形式的远程计算系统108、输出系统110及数据源112。
通信网络106可通信地连接网络配置100中的组件中的每一者。例如,资产102及104可经由通信网络106与分析系统108通信。在一些情况下,资产102及104可与一或多个中间系统(例如资产网关(未描绘))通信,所述资产网关进而与分析系统108通信。类似地,分析系统108可经由通信网络106与输出系统110通信。在一些情况下,分析系统108可与一或多个中间系统(例如主机服务器(未描绘))通信,所述主机服务器进而与输出系统110通信。许多其它配置也是可能的。在实例情况下,通信网络106可促进网络组件之间的安全通信(例如,经由加密或其它安全措施)。
通常,资产102及104可采取经配置以执行一或多个操作(其可基于领域来定义)的任何装置的形式,且还可包含经配置以发射指示给定资产的一或多个操作状况的数据的设备。在一些实例中,资产可包含经配置以执行一或多个相应操作的一或多个子系统。实际上,多个子系统可并行或按顺序操作以使资产操作。
实例资产可包含运输机器(例如,机车、飞机、乘用车辆、半挂卡车、船舶等)、工业机器(例如,采矿设备、建筑设备、工厂自动化设备等)、医疗机器(例如,医学成像设备、外科手术设备、医疗监测系统、医学实验室设备等)及实用机器(例如,涡轮机、太阳能农场等)等等。所属领域的一般技术人员将明白,这些仅仅是资产的几个实例,且数个其它资产在本文中是可能的及予以考虑的。
在实例实施方案中,资产102及104可各自为相同的类型(例如,一队机车或飞机、风力涡轮机组或MRI机器集合等等),且可能为相同类别(例如,相同品牌及/或型号)。在其它实例中,资产102及104在类型、品牌、型号等方面可能不同。下文参考图2进一步详细讨论资产。
如所示,资产102及104及可能的数据源112可经由通信网络106与分析系统108通信。通常,通信网络106可包含经配置以促进在网络组件之间传送数据的一或多个计算系统及网络基础设施。通信网络106可为或可包含可为有线及/或无线的且支持安全通信的一或多个广域网(WAN)及/或局域网(LAN)。在一些实例中,通信网络106可包含一或多个蜂窝网络及/或因特网等网络。通信网络106可根据例如LTE、CDMA、GSM、LPWAN、WiFi、蓝牙、以太网、HTTP/S、TCP、CoAP/DTLS等的一或多个通信协议进行操作。虽然通信网络106被示为单个网络,但是应理解的是,通信网络106可包含本身通信地链接的多个不同的网络。通信网络106也可采取其它形式。
如上文所述,分析系统108可经配置以从资产102及104及数据源112接收数据。一般来说,分析系统108可包含经配置以接收、处理、分析及输出数据的一或多个计算系统,例如服务器及数据库。分析系统108可根据给定数据流技术(例如TPL Dataflow或NiFi等等)来配置。在下文参考图3进一步详细讨论分析系统108。
如所示,分析系统108可经配置以向资产102及104及/或输出系统110发射数据。所发射的特定数据可采取各种形式,并将在下文进一步详细描述。
通常,输出系统110可采取经配置以接收数据并提供某种形式的输出的计算系统或装置的形式。输出系统110可采取各种形式。在一个实例中,输出系统110可为或包含输出装置,其经配置以接收数据并响应于所述数据而提供听觉、视觉及/或触觉输出。通常,输出装置可包含经配置以接收用户输入的一或多个输入接口,且输出装置可经配置以基于此用户输入而通过通信网络106发射数据。输出装置的实例包含平板计算机、智能电话、膝上型计算机、其它移动计算装置、台式计算机、智能电视等。
输出系统110的另一实例可采取工作令系统的形式,所述工作令系统经配置以输出使机械师等维修资产的请求。输出系统110的又另一实例可采取经配置以对资产的零件下订单并输出其收据的零件订购系统的形式。许多其它输出系统也是可能的。
数据源112可经配置以与分析系统108通信。通常,数据源112可为或包含一或多个计算系统,其经配置以收集、存储数据及/或向其它系统(例如分析系统108)提供数据,所述数据可与由分析系统108执行的功能相关。数据源112可经配置以独立于资产102及104产生及/或获得数据。因而,由数据源112提供的数据在本文中可被称为“外部数据”。数据源112可经配置以提供当前及/或历史数据。实际上,分析系统108可通过“订阅”由数据源提供的服务来从数据源112接收数据。然而,分析系统108也可以其它方式从数据源112接收数据。
数据源112的实例包含环境数据源、资产管理数据源及其它数据源。通常,环境数据源提供指示资产的操作环境的某种特性的数据。环境数据源的实例包含提供关于给定区域的自然及人造特征的信息的气象数据服务器、全球导航卫星系统(GNSS)服务器、地图数据服务器及拓扑数据服务器等等。
通常,资产管理数据源提供指示可影响资产的操作或维护的实体(例如,其它资产)的事件或状态的数据(例如,资产可在何时及何处操作或接收维护)。资产管理数据源的实例包含:交通数据服务器,其提供关于空中、水上及/或地面交通的信息;资产调度服务器,其提供关于资产在特定日期及/或特定时间的预期路线及/或位置的信息;缺陷检测器系统(也称为“热箱”检测器),其提供关于经过缺陷检测器系统附近的资产的一或多个操作状况的信息;零件供应商服务器,其提供关于特定供应商的库存中的零件及其价格的信息;及维修车间服务器,其提供关于维修车间产能等的信息;等等。
其它数据源的实例包含提供关于电力消耗的信息的电网服务器及存储资产的历史操作数据的外部数据库等等。所属领域的一般技术人员将明白,这些仅仅是数据源的几个实例,且数个其它实例是可能的。
应理解的是,网络配置100是其中可实施本文中描述的实施例的网络的一个实例。数个其它布置是可能的且在本文中予以考虑。例如,其它网络配置可包含未描绘的额外组件及/或更多或更少的所描绘的组件。
II.实例资产
转向图2,描绘了实例资产200的简化框图。来自图1的资产102及104中的任一者或两者可如同资产200一样进行配置。如所示,资产200可包含一或多个子系统202、一或多个传感器204、一或多个致动器205、中央处理单元206、数据存储装置208、网络接口210、用户接口212及本地分析装置220,其全部可通过系统总线、网络或其它连接机构(直接地或间接地)通信地链接。所属领域的一般技术人员将明白,资产200可包含未展示的额外部件及/或更多或更少的所描绘组件。
一般来说,资产200可包含经配置以执行一或多个操作的一或多个电气、机械及/或机电组件。在一些情况下,一或多个组件可被分组到给定子系统202中。
通常,子系统202可包含作为资产200的部分的相关组件群组。单个子系统202可独立地执行一或多个操作,或单个子系统202可与一或多个其它子系统一起操作以执行一或多个操作。通常,不同类型的资产且甚至不同类别的相同类型的资产可包含不同子系统。
例如,在运输资产的背景下,子系统202的实例可包含发动机、变速装置、传动系、燃料系统、电池系统、排气系统、制动系统、电气系统、信号处理系统、发电机、齿轮箱、转子及液压系统,以及数个其它子系统。在医疗机器的背景下,子系统202的实例可包含扫描系统、电动机、线圈及/或磁体系统、信号处理系统、转子及电气系统,以及数个其它子系统。
如上文所指示,资产200可配备有:各种传感器204,其经配置以监测资产200的操作状况;及各种致动器205,其经配置以与资产200或其组件交互并监测资产200的操作状况。在一些情况下,传感器204及/或致动器205中的一些可基于特定子系统202被分组。以此方式,传感器204及/或致动器205的群组可经配置以监测特定子系统202的操作状况,且来自所述群组的致动器可经配置以按照某种方式与特定子系统202交互,所述方式可基于那些操作状况而改变子系统的行为。
通常,传感器204可经配置以检测可指示资产200的一或多个操作状况的物理性质,且提供所检测的物理性质的指示,例如电信号(例如,信号数据)。在操作中,传感器204可经配置以连续地、周期性地(例如,基于采样频率)及/或响应于某个触发事件来获得测量值。在一些实例中,传感器204可预先配置有用于执行测量的操作参数及/或可根据由中央处理单元206提供的操作参数(例如,指示传感器204获得测量值的采样信号)来执行测量。在实例中,不同传感器204可具有不同操作参数(例如,一些传感器可基于第一频率进行采样,而其它传感器基于第二不同频率进行采样)。无论如何,传感器204可经配置以向中央处理单元206发射指示所测量的物理性质的电信号。传感器204可连续地或周期性地将此类信号提供给中央处理单元206。
例如,传感器204可经配置以测量资产200的物理性质,例如资产200的位置及/或移动,在所述情况下,传感器可采取GNSS传感器、基于航位推测的传感器、加速度计、陀螺仪、计步器、磁力计等形式。
另外,各种传感器204可经配置以测量资产200的其它操作状况,其实例可包含温度、压力、速度、加速率或减速率、摩擦、功率使用量、燃料使用量、液面、运行时间、电压及电流、磁场、电场、物体的存在或不存在、组件的位置及发电等等。所属领域的一般技术人员将明白,这些仅仅是传感器可经配置以测量的一些实例操作状况。取决于行业应用或特定资产,可使用更多或更少的传感器。
如上文所指示,致动器205的配置在某些方面可类似于传感器204。具体来说,致动器205可经配置以检测指示资产200的操作状况的物理性质,且以与传感器204类似的方式提供其指示。
另外,致动器205可经配置以与资产200、一或多个子系统202及/或其一些组件交互。因而,致动器205可包含经配置以执行机械操作(例如,移动)或以其它方式控制组件、子系统或系统的电动机等。在特定实例中,致动器可经配置以测量燃料流量并改变燃料流量(例如限制燃料流量),或致动器可经配置以测量液压压力并改变液压压力(例如,增大或减小液压压力)。致动器的数个其它实例交互也是可能的且在本文中予以考虑。
通常,中央处理单元206可包含一或多个处理器及/或控制器,其可采取通用或专用处理器或控制器的形式。具体来说,在实例实施方案中,中央处理单元206可为或包含微处理器、微控制器、专用集成电路、数字信号处理器等。进而,数据存储装置208可为或包含一或多个非暂时性计算机可读存储媒体,例如光学、磁性、有机或快闪存储器等等。
中央处理单元206可经配置以存储、存取及执行存储在数据存储装置208中的计算机可读程序指令,以执行本文中描述的资产的操作。例如,如上文所指示,中央处理单元206可经配置以从传感器204及/或致动器205接收相应的传感器信号。中央处理单元206可经配置以将传感器及/或致动器数据存储在数据存储装置208中且随后从数据存储装置208存取所述数据。
中央处理单元206还可经配置以确定所接收的传感器及/或致动器信号是否触发任何异常状况指示符,例如故障代码。例如,中央处理单元206可经配置以在数据存储装置208中存储异常状况规则,其中的每一规则包含表示特定异常状况的给定异常状况指示符及触发异常状况指示符的相应触发准则。即,每一异常状况指示符对应于在异常状态指示符被触发之前必须得到满足的一或多个传感器及/或致动器测量值。实际上,资产200可预编程有异常状况规则及/或可从计算系统(例如分析系统108)接收新的异常状况规则或对现有规则的更新。
无论如何,中央处理单元206可经配置以确定所接收的传感器及/或致动器信号是否触发任何异常状况指示符。即,中央处理单元206可确定所接收的传感器及/或致动器信号是否满足任何触发准则。当此确定为肯定时,中央处理单元206可产生异常状态数据,且还可致使资产的用户接口212输出异常情况的指示,例如视觉及/或声讯警报。另外,中央处理单元206可可能以时间戳记在数据存储装置208中记录所触发的异常状况指示符的发生。
图3描绘了资产的实例异常状况指示符及相应触发准则的概念说明。特定来说,图3描绘了实例故障代码的概念说明。如所示,表300包含分别对应于传感器A、致动器B及传感器C的列302、304及306及分别对应于故障代码1、2及3的行308、310及312。条目314接着指定与给定故障代码对应的传感器准则(例如,传感器值阈值)。
例如,当传感器A检测到大于135转每分钟(RPM)的旋转测量值且传感器C检测到大于65摄氏度(C)的温度测量值时,将触发故障代码1。当致动器B检测到大于1000伏(V)的电压测量值且传感器C检测到小于55℃的温度测量值时,将触发故障代码2。当传感器A检测到大于100RPM的旋转测量值、致动器B检测到大于750V的电压测量值且传感器C检测到大于60℃的温度测量值时,将触发故障代码3。所属领域的一般技术人员将明白,图3的提供仅仅是出于实例及解释目的,且许多其它故障代码及/或触发准则在本文中是可能的且予以考虑。
返回参考图2,中央处理单元206还可经配置以实行用于管理及/或控制资产200的操作的各种额外功能。例如,中央处理单元206可经配置以向子系统202及/或致动器205提供指令信号,所述指令信号致使子系统202及/或致动器205执行某个操作(例如修改节气门位置)。另外,中央处理单元206可经配置以修改其处理来自传感器204及/或致动器205的数据的速率,或中央处理单元206可经配置以向传感器204及/或致动器205提供指令信号,所述指令信号致使传感器204及/或致动器205例如修改采样速率。另外,中央处理单元206可经配置以从子系统202、传感器204、致动器205、网络接口210及/或用户接口212接收信号,且基于此类信号致使操作发生。另外,中央处理单元206可经配置以从例如诊断装置等的计算装置接收信号,所述信号致使中央处理单元206根据存储在数据存储装置208中的诊断规则执行一或多个诊断工具。下文讨论中央处理单元206的其它功能性。
网络接口210可经配置以提供资产200与连接到通信网络106的各种网络组件之间的通信。例如,网络接口210可经配置以促进去向及来自通信网络106的无线通信,且因此可采取用于发射及接收各种无线信号(over-the-air signal)的天线结构及相关联装置的形式。其它实例也是可能的。实际上,网络接口210可根据通信协议(例如但不限于上述通信协议中的任一者)来配置。
用户接口212可经配置以促进用户与资产200的交互,且还可经配置以促进致使资产200响应于用户交互来执行操作。用户接口212的实例包含触敏接口、机械接口(例如,杠杆、按钮、滚轮、拨号盘、键盘等)以及其它输入接口(例如麦克风)等等。在一些情况下,用户接口212可包含或提供到输出组件(例如显示屏、扬声器、耳机插孔等)的连接性。
本地分析装置220通常可经配置以接收及分析与资产200相关的数据,且基于此分析可致使在资产200处发生一或多个操作。例如,本地分析装置220可接收资产200的操作数据(例如,由传感器204及/或致动器205产生的信号数据)且基于此数据可向中央处理单元206、传感器204及/或致动器205提供致使资产200执行操作的指令。
为了促进此操作,本地分析装置220可包含一或多个资产接口,其经配置以将本地分析装置220耦合到资产的机载系统中的一或多者。例如,如图2中所示,本地分析装置220可具有到资产的中央处理单元206的接口,其可使得本地分析装置220能够从中央处理单元206接收操作数据(例如,由传感器204及/或致动器205产生并发送到中央处理单元206的操作数据),且接着向中央处理单元206提供指令。以此方式,本地分析装置220可经由中央处理单元206间接地与资产200的其它机载系统(例如,传感器204及/或致动器205)介接并从其中接收数据。另外或替代地,如图2中所示,本地分析装置220可具有到一或多个传感器204及/或致动器205的接口,其可使得本地分析装置220能够与传感器204及/或致动器205直接通信。本地分析装置220也可以其它方式与资产200的机载系统介接,包含图2中所说明的接口由未展示的一或多个中间系统促进的可能性。
实际上,本地分析装置220可使得资产200能够在本地执行高级分析及相关联的操作,例如执行预测模型及对应工作流,所述操作可能不能够使用其它资产上组件执行。因而,本地分析装置220可帮助向资产200提供额外的处理能力及/或智能。
应当理解的是,本地分析装置220还可经配置以致使资产200执行与预测模型无关的操作。例如,本地分析装置220可从远程源(例如分析系统108或输出系统110)接收数据,且基于所接收的数据致使资产200执行一或多个操作。一个特定实例可涉及本地分析装置220从远程源接收资产200的固件更新,且接着致使资产200更新其固件。另一特定实例可涉及本地分析装置220从远程源接收诊断指令,且接着根据所接收的指令致使资产200执行本地诊断工具。数个其它实例也是可能的。
如所示,除了上文讨论的一或多个资产接口之外,本地分析装置220还可包含处理单元222、数据存储装置224及网络接口226,其全部均可通过系统总线、网络或其它连接机制通信地链接。处理单元222可包含上文关于中央处理单元206讨论的组件中的任一者。进而,数据存储装置224可为或可包含一或多个非暂时性计算机可读存储媒体,其可采用上文讨论的计算机可读存储媒体的形式中的任一者。
处理单元222可经配置以存储、存取及执行存储在数据存储装置224中的计算机可读程序指令,以执行本文中描述的本地分析装置的操作。例如,处理单元222可经配置以接收由传感器204及/或致动器205产生的相应的传感器及/或致动器信号,且可基于此类信号执行预测模型-工作流对。其它功能在下文予以描述。
网络接口226可与上述网络接口相同或类似。实际上,网络接口226可促进本地分析装置220与分析系统108之间的通信。
在一些实例实施方案中,本地分析装置220可包含可与用户接口212类似的用户接口及/或与所述用户接口通信。实际上,用户接口可位于远离本地分析装置220(及资产200)的位置。其它实例也是可能的。
虽然图2展示了本地分析装置220经由一或多个资产接口物理地且通信地耦合到其相关联的资产(例如,资产200),但是也应当理解的是,情况可能并非总是如此。例如,在一些实施方案中,本地分析装置220可不物理地耦合到其相关联的资产,而是可位于远离资产220的位置。在此实施方案的实例中,本地分析装置220可无线地通信地耦合到资产200。其它布置及配置也是可能的。
所属领域的一般技术人员将明白,图2中所示的资产200仅仅是资产的简化表示的一个实例,且许多其它实例也是可能的。例如,其它资产可包含未描绘的额外组件及/或更多或更少的所描绘的组件。另外,给定资产可包含一致操作以执行给定资产的操作的多个个别资产。其它实例也是可能的。
III.实例分析系统
现在转向图4,描绘了实例分析系统400的简化框图。如上文所指示,分析系统400可包含通信地链接且经布置以实行本文中描述的各种操作的一或多个计算系统。具体来说,如所示,分析系统400可包含数据摄入系统402、数据科学系统404及一或多个数据库406。这些系统组件可经由一或多个无线及/或有线连接通信地耦合,所述连接可经配置以促进安全通信。
数据摄入系统402通常可用于接收及处理数据并将数据输出到数据科学系统404。因而,数据摄入系统402可包含一或多个网络接口,其经配置以从网络配置100的各种网络组件(例如资产102及104、输出系统110及/或数据源112)接收数据。具体来说,数据摄入系统402可经配置以接收模拟信号、数据流及/或网络分组等等。因而,网络接口可包含一或多个有线网络接口(例如端口等)及/或无线网络接口,类似于上文描述的无线网络接口。在一些实例中,数据摄入系统402可为或包含根据给定数据流技术配置的组件,例如NiFi接收器等。
数据摄入系统402可包含经配置以执行一或多个操作的一或多个处理组件。实例操作可包含压缩及/或解压缩、加密及/或解密、模/数转换及/或数/模转换、筛选及放大等其它操作。另外,数据摄入系统402可经配置以基于数据的数据类型及/或数据特性来解析、分类、组织及/或路由数据。在一些实例中,数据摄入系统402可经配置以基于数据科学系统404的一或多个特性或操作参数来格式化、封装及/或路由数据。
通常,由数据摄入系统402接收的数据可采取各种形式。例如,数据的有效载荷可包含单个传感器或致动器测量值、多个传感器及/或致动器测量值及/或一或多个异常状况数据。其它实例也是可能的。
另外,所接收的数据可包含某些特性,例如源标识符及时间戳记(例如,获得信息的日期及/或时间)。例如,可将唯一标识符(例如,计算机产生的字母、数字、字母数字或类似标识符)指派给每一资产,且可能指派给每一传感器及致动器。此类标识符可操作以识别数据所来源于的资产、传感器或致动器。在一些情况下,另一特性可包含获得信息的位置(例如,GPS坐标)。数据特性可以信号签名或元数据等等形式出现。
数据科学系统404通常可用于(例如,从数据摄入系统402)接收数据并分析数据,并基于此分析致使一或多个操作发生。因而,数据科学系统404可包含一或多个网络接口408、处理单元410及数据存储装置412,其全部均可通过系统总线、网络或其它连接机制通信地链接。在一些情况下,数据科学系统404可经配置以存储及/或存取促进实行本文中揭示的功能性中的一些的一或多个应用程序接口(API)。
网络接口408可与上述任何网络接口相同或类似。实际上,网络接口408可促进数据科学系统404与各种其它实体(例如数据摄入系统402、数据库406、资产102、输出系统110等)之间的通信(例如,具有某种安全级别)。
处理单元410可包含一或多个处理器,其可采用上述处理器形式中的任一者。进而,数据存储装置412可为或可包含一或多个非暂时性计算机可读存储媒体,其可采用上文讨论的计算机可读存储媒体的形式中的任一者。处理单元410可经配置以存储、存取及执行存储在数据存储装置412中的计算机可读程序指令,以执行本文中描述的分析系统的操作。
通常,处理单元410可经配置以对从数据摄入系统402接收的数据执行分析。为此,处理单元410可经配置以执行一或多个模块,其各自可采取存储在数据存储装置412中的一或多个程序指令集的形式。模块可经配置以促进致使结果基于相应程序指令的执行而出现。来自给定模块的实例结果可包含将数据输出到另一模块、更新给定模块及/或另一模块的程序指令,且将数据输出到网络接口408以发射到资产及/或输出系统110等等。
数据库406通常可用于(例如,从数据科学系统404)接收数据并存储数据。因而,每一数据库406可包含一或多个非瞬时计算机可读存储媒体,例如上文提供的实例中的任一者。实际上,数据库406可与数据存储装置412分离或与数据存储装置412集成。
数据库406可经配置以存储数种类型的数据,其中的一些在下文讨论。实际上,存储在数据库406中的数据中的一些可包含时间戳记,其指示数据被产生或添加到数据库的日期及时间。另外,数据可以数种方式存储在数据库406中。除其它实例外,例如,数据可按照时间顺序、表方式存储,及/或基于数据源类型(例如,基于资产、资产类型、传感器、传感器类型、致动器或致动器类型)或异常状况指示符来组织。
IV.实例操作
现在将在下文进一步详细讨论图1中描绘的实例网络配置100的操作。为了帮助描述此类操作中的一些,可参考流程图来描述可执行的操作的组合。在一些情况下,每一框可表示程序代码的模块或部分,其包含可由处理器执行以实施过程中的特定逻辑功能或步骤的指令。程序代码可存储在任何类型的计算机可读媒体上,例如非暂时性计算机可读媒体上。在其它情况下,每一框可表示经布线以执行过程中的特定逻辑功能或步骤的电路。另外,流程图中所示的框可重新布置为不同次序,组合成更少的框,分成额外的框,及/或基于特定实施例而移除。
以下描述可参考其中例如资产102等的单个数据源向接着执行一或多个功能的分析系统108提供数据的实例。应当理解的是,这仅仅是为了清楚及解释而进行的,且并不意味着限制。实际上,分析系统108通常同时从多个源接收数据,且基于此聚合的接收数据来执行操作。
A.操作数据的收集
如上文所提及,典型资产102可采取各种形式且可经配置以执行多个操作。在非限制性实例中,资产102可采取可操作以在美国各地转运货物的机车的形式。在运送时,资产102的传感器及/或致动器可获得反映资产102的一或多个操作状况的信号数据。传感器及/或致动器可向资产102的处理单元发射数据。
处理单元可经配置以从传感器及/或致动器接收数据。实际上,处理单元可同时或按顺序接收来自多个传感器的传感器数据及/或来自多个致动器的致动器数据。如上文所讨论,在接收到此数据时,处理单元还可经配置以确定数据是否满足触发任何异常状况指示符(例如故障代码)的触发准则。在处理单元确定触发了一或多个异常状态指示符的情况下,处理单元可经配置以执行一或多个本地操作,例如经由用户接口输出被触发指示符的指示。
资产102接着可经由资产102的网络接口及通信网络106向分析系统108发射操作数据。在操作中,资产102可连续地、周期性地及/或响应于触发事件(例如,异常状况)向操作分析系统108发射操作数据。具体来说,资产102可基于特定频率(例如,每天、每小时、每十五分钟、每分钟一次、每秒一次等)周期性地发射操作数据,或资产102可经配置以发射操作数据的连续的实时馈送。另外或替代地,例如当传感器及/或致动器测量值满足用于任何异常状况指示符的触发准则时,资产102可经配置以基于某些触发来发射操作数据。资产102也可以其它方式发射操作数据。
实际上,资产102的操作数据可包含传感器数据、致动器数据及/或异常状况数据。在一些实施方案中,资产102可经配置以在单个数据流中提供操作数据,而在其它实施方案中,资产102可经配置以在多个不同的数据流中提供操作数据。例如,资产102可向分析系统108提供传感器及/或致动器数据的第一数据流及异常状况数据的第二数据流。其它可能性也存在。
传感器及致动器数据可能采取各种形式。例如,有时,传感器数据(或致动器数据)可包含由资产102的传感器(或致动器)中的每一者获得的测量值。而在其它时间,传感器数据(或致动器数据)可包含由资产102的传感器(或致动器)的子集获得的测量值。
具体来说,传感器及/或致动器数据可包含由与给定被触发的异常状况指示符相关联的传感器及/或致动器获得的测量值。例如,如果被触发的故障代码是来自图3的故障代码1,那么传感器数据可包含由传感器A及C获得的原始测量值。另外或替代地,数据可包含由与被触发的故障代码不直接相关联的一或多个传感器或致动器获得的测量值。继续最后的实例,数据可另外包含由致动器B及/或其它传感器或致动器获得的测量值。在一些实例中,资产102可基于由分析系统108提供的故障代码规则或指令在操作数据中包含特定的传感器数据,其例如可确定在致动器B正进行测量的测量值与起初引起故障代码1被触发的测量值之间存在相关性。其它实例也是可能的。
另外,数据可包含基于特定所关注时间的来自每一所关注的感测器及/或致动器的一或多个传感器及/或致动器测量值,所述时间可基于数个因素来选择。在一些实例中,所关注的特定时间可基于采样速率。在其它实例中,所关注的特定时间可基于触发异常状况指示符的时间。
特定来说,基于触发异常状况指示符的时间,数据可包含来自每一所关注的传感器及/或致动器(例如,与被触发的指示符直接及间接相关联的传感器及/或致动器)的一或多个相应的传感器及/致动器测量值。一或多个测量值可基于在触发的异常状况指示符的时间周围的测量的特定次数或特定持续时间。
例如,如果触发的故障代码是来自图3的故障代码2,那么所关注的传感器及致动器可包含致动器B及传感器C。一或多个测量值可包含在触发故障代码(例如,触发测量)之前由致动器B及传感器C获得的最近的相应测量值或在触发测量之前、之后或附近的相应测量值集合。例如,一组五次测量可包含触发测量之前或之后的五次测量(例如,不包含触发测量)、触发测量之前或之后的四次测量及触发测量,或触发测量之前的两次测量及触发测量之后的两次测量以及触发测量以及其它可能性。
与传感器及致动器数据类似,异常状况数据可采取各种形式。通常,异常情况数据可包含或采取指示符的形式,所述指示符可操作以从在资产102处可能发生的所有其它异常状况中唯一地识别在资产102处发生的特定异常状况。异常状况指示符可采取字母、数字或字母数字标识符等等的形式。另外,异常状况指示符可采取描述异常状况的字串的形式,例如“发动机过热”或“燃料不足”等等。
分析系统108,且特别是分析系统108的数据摄入系统可经配置以从一或多个资产及/或数据源接收操作数据。数据摄入系统可经配置以对所接收的数据执行一或多个操作,且接着将数据中继到分析系统108的数据科学系统。进而,数据科学系统可分析所接收的数据并基于此分析执行一或多个操作。
B.定义预测模型及工作流
作为一个实例,分析系统108可经配置以基于一或多个资产的所接收的操作数据及/或与一或多个资产相关的所接收的外部数据来定义预测模型及对应工作流。分析系统108也可基于各种其它数据定义模型-工作流对。
通常,模型-工作流对可包含程序指令集,其致使资产监测某些操作状况并实行某些操作,所述操作帮助促进防止发生监测操作状况所指示的特定事件。具体来说,预测模型可包含一或多个算法,所述算法的输入是来自资产的一或多个传感器及/或致动器的传感器及/或致动器数据,且其输出用于确定在未来特定时间段内在资产处可能发生特定事件的概率。进而,工作流可包含一或多个触发(例如,模型输出值)及资产基于触发实行的对应操作。
如上文所指示,分析系统108可经配置以定义聚合及/或个性化预测模型及/或工作流。“聚合”模型/工作流可指代如下模型/工作流:对资产群组通用且在不考虑部署有模型/工作流的资产的特定特性的情况下进行定义的模型/工作流。另一方面,“个性化”模型/工作流可指代如下模型/工作流:针对来自资产群组的单个资产或资产子群组具体定制且基于部署有模型/工作流的单个资产或资产子群组的特定特性进行定义的模型/工作流。下文进一步详细讨论这些不同类型的模型/工作流及由分析系统108执行以定义模型/工作流的操作。
1.聚合模型及工作流
在实例实施方案中,分析系统108可经配置以基于多个资产的聚合数据来定义聚合模型-工作流对。定义聚合模型-工作流对可以各种方式执行。
图5是描绘可用于定义模型-工作流对的定义阶段的一个可能实例的流程图500。出于说明目的,实例定义阶段被描述为由分析系统108实行,但是此定义阶段也可由其它系统实行。所属领域的一般技术人员将明白,出于清楚及解释目的提供流程图500,且可利用操作的数个其它组合来定义模型-工作流对。
如图5中所示,在框502处,分析系统108可开始于定义形成给定预测模型的基础的数据集合(例如,所关注的数据)。所关注的数据可源自数个来源,例如资产102及104及数据源112,且可被存储在分析系统108的数据库中。
所关注的数据可包含来自资产群组中的特定资产集合或来自资产群组中的所有资产(例如,所关注的资产)的历史数据。另外,所关注的数据可包含来自所关注资产中的每一者的特定传感器及/或致动器集合或来自所关注的资产中的每一者的所有传感器及/或致动器的测量值。另外,所关注的数据可包含来自过去特定时间段的数据,例如两周的历史数据。
所关注的数据可包含各种类型的数据,这可能取决于给定的预测模型。在一些情况下,所关注的数据可至少包含指示资产的操作状况的操作数据,其中操作数据如上文在操作数据的收集段落中讨论。另外,所关注的数据可包含指示资产通常在其中被操作的环境的环境数据及/或指示在其期间资产将实行某些任务的计划日期及时间的调度数据。其它类型的数据也可被包含在所关注的数据中。
实际上,所关注的数据可以多种方式来定义。在一个实例中,所关注的数据可为用户定义的。特定来说,用户可操作输出系统110,其接收指示所关注的某些数据的选择的用户输入,且输出系统110可向分析系统108提供指示此类选择的数据。基于所接收的数据,分析系统108接着可定义所关注的数据。
在另一实例中,所关注的数据可为机器定义的。特定来说,分析系统108可执行各种操作,例如模拟,以确定产生最准确的预测模型的所关注的数据。其它实例也是可能的。
返回到图5,在框504处,分析系统108可经配置以基于所关注的数据定义与资产操作相关的聚合预测模型。通常,聚合、预测模型可定义资产的操作状况与在资产处发生事件的可能性之间的关系。具体来说,聚合、预测模型可接收来自资产的传感器的传感器数据及/或来自资产的致动器的致动器数据作为输入,且输出在未来某个时间量内将在资产处发生事件的概率。
预测模型预测的事件可取决于特定实施情况而有所不同。例如,事件可能是故障,且因此,预测模型可能是预测在未来某个时间段内是否将会发生故障的故障模型(下文在健康状况分数模型及工作流段落中详细讨论故障模型)。在另一实例中,事件可为资产完成任务,且因此,预测模型可预测资产将按时完成任务的可能性。在其它实例中,事件可为流体或组件更换,且因此,预测模型可预测特定资产流体或组件需要被更换之前的时间量。在又其它实例中,事件可为资产生产率的变化,且因此,预测模型可预测未来特定时间段内资产的生产率。在另一实例中,事件可为“领先指示符”事件的发生,所述事件可指示与预期资产行为不同的资产行为,且因此,预测模型可预测在未来发生一或多个领先指示符事件的可能性。预测模型的其它实例也是可能的。
无论如何,分析系统108可以各种方式定义聚合预测模型。通常,此操作可涉及利用一种或多种建模技术来产生返回介于0与1之间的概率的模型,例如随机森林技术、逻辑回归技术或其它回归技术以及其它建模技术。在特定实例实施方案中,分析系统108可根据下文参考图7的讨论来定义聚合预测模型。分析系统108也可以其它方式定义聚合模型。
在框506处,分析系统108可经配置以定义对应于来自框504的定义模型的聚合工作流。通常,工作流可采取基于预测模型的特定输出实行的动作的形式。在实例实施方案中,工作流可包含资产基于所定义的预测模型的输出执行的一或多个操作。可为工作流的部分的操作的实例包含资产根据特定数据采集方案采集数据,根据特定数据发射方案向分析系统108发射数据,执行本地诊断工具及/或修改资产的操作状况等工作流操作。
特定的数据采集方案可指示资产如何采集数据。特定来说,数据采集方案可指示资产从其中获得数据的某些传感器及/或致动器,例如资产的多个传感器及致动器(例如,所关注的传感器/致动器)中的传感器及/或致动器的子集。另外,数据采集方案可指示资产从所关注的传感器/致动器获得的数据的量及/或资产采集此类数据的采样频率。数据采集方案也可包含各种其它属性。在特定的实例实施方案中,特定数据采集方案可对应于资产健康状况的预测模型,且可基于资产健康状况降低而调整以(例如,从特定传感器)采集更多数据及/或特定数据。或者特定的数据采集方案可对应于领先指示符预测模型,且可基于发生领先指示符事件的可能性增加而被调整为由资产传感器及/或致动器采集的修改数据,所述领先指示符事件可表明子系统可能发生故障。
特定的数据发射方案可指示资产如何向分析系统108发射数据。具体来说,数据发射方案可指示资产应当发射的数据类型(且还可指示数据的格式及/或结构),例如来自某些传感器或致动器的数据、资产应当发射的多个数据样本、发射频率,及/或资产应在其数据发射中包含的数据的优先级方案。在一些情况下,特定的数据采集方案可包含数据发射方案或数据采集方案可与数据发射方案配对。在一些实例实施方案中,特定的数据发射方案可对应于资产健康状况的预测模型,且可基于高于阈值的资产健康状况而调整为不太频繁地发射数据。其它实例也是可能的。
如上文所指示,本地诊断工具可为本地存储在资产处的程序集合等。本地诊断工具通常可促进诊断资产处的错误或故障的原因。在一些情况下,当执行时,本地诊断工具可将测试输入传递到资产的子系统或其部分中以获得测试结果,这可促进诊断错误或故障的原因。这些本地诊断工具通常在资产上休眠,且除非资产接收到特定的诊断指令,否则将不会被执行。其它本地诊断工具也是可能的。在一个实例实施方案中,特定的本地诊断工具可对应于资产的子系统的健康状况的预测模型,且可基于等于或低于阈值的子系统健康状况来执行。
最后,工作流可涉及修改资产的操作状况。例如,可控制资产的一或多个致动器以促进修改资产的操作状况。可修改各种操作状况,例如速度、温度、压力、液面、电流消耗及功率分布等等。在特定的实例实施方案中,操作状况修改工作流可对应于用于预测资产是否将按时完成任务的预测模型,且可基于低于阈值的预测完成百分比来致使资产提高其行进速度。
无论如何,总体工作流可以各种方式来定义。在一个实例中,聚合工作流可为用户定义的。具体来说,用户可操作接收指示某些工作流操作的选择的用户输入的计算装置,且计算装置可向分析系统108提供指示此类选择的数据。基于此数据,分析系统108可接着定义聚合工作流。
在另一实例中,聚合工作流可为机器定义的。特定来说,分析系统108可执行各种操作(例如模拟)来确定可促进确定由预测模型输出的概率的原因及/或防止由模型预测的事件的发生的工作流。定义聚合工作流的其它实例也是可能的。
在定义对应于预测模型的工作流时,分析系统108可定义工作流的触发。在实例实施方案中,工作流触发可为由预测模型输出的概率的值或由预测模型输出的值的范围。在一些情况下,工作流可具有多个触发,其中的每一触发可致使发生不同的操作或多个操作。
为了说明,图6A是聚合模型-工作流对600的概念说明。如所示,聚合模型-工作流对说明600包含用于模型输入602、模型计算604、模型输出范围606及对应工作流操作608的列。在此实例中,预测模型具有来自传感器A的单个输入数据,且具有两个计算值:计算值I及II。此预测模型的输出影响所执行的工作流操作。如果输出概率小于或等于80%,那么执行工作流操作1。否则,执行工作流操作2。其它实例模型-工作流对在本文中是可能的且予以考虑。
2.个性化模型及工作流
在另一方面中,分析系统108可经配置以定义资产的个性化的预测模型及/或工作流,这可涉及利用聚合模型-工作流对作为基准。个性化可基于资产的某些特性。以此方式,分析系统108可对给定资产提供与聚合模型-工作流对相比更准确及稳健的模型-工作流对。
特定来说,返回到图5,在框508处,分析系统108可经配置以决定是否个性化在框504处针对给定资产(例如,资产102)定义的聚合模型。分析系统108可以多种方式实行此决定。
在一些情况下,分析系统108可经配置以默认地定义个性化的预测模型。在其它情况下,分析系统108可经配置以基于资产102的某些特性来决定是否定义个性化预测模型。例如,在一些情况下,只有某些类型或类别或在特定环境中操作的或具有某些健康状况评分的资产可能会收到个性化的预测模型。在又其它情况下,用户可定义是否针对资产102定义个性化模型。其它实例也是可能的。
无论如何,如果分析系统108决定定义资产102的个性化预测模型,那么分析系统108可在框510处这样做。否则,分析系统108可前进到框512。
在框510处,分析系统108可经配置以按照多种方式定义个性化预测模型。在实例实施方案中,分析系统108可至少部分地基于资产102的一或多个特性来定义个性化预测模型。
在定义资产102的个性化预测模型之前,分析系统108可能已经确定了形成个性化模型的基础的一或多个所关注的资产特性。实际上,不同的预测模型可能具有不同的对应的所关注的特性。
通常,所关注的特性可为与聚合模型-工作流对相关的特性。例如,所关注的特性可为分析系统108已经确定影响聚合模型-工作流对的准确性的特性。此类特性的实例可包含资产年限、资产使用状况、资产能力、资产负荷、资产健康状况(可能由下文讨论的资产健康状况指标指示)、资产类别(例如,品牌及/或型号)及操作资产的环境等特性。
分析系统108可能已经以多种方式确定了所关注的特性。在一个实例中,分析系统108可通过执行促进识别所关注的特性的一或多个建模模拟来完成。在另一实例中,所关注的特性可能已经预定义并存储在分析系统108的数据存储装置中。在又另一实例中,所关注的特性可能已经由用户定义且经由输出系统110被提供给分析系统108。其它实例也是可能的。
无论如何,在确定所关注的特性之后,分析系统108可确定与所确定的所关注的特性对应的资产102的特性。即,分析系统108可确定与所关注的特性对应的资产102的特性的类型、价值、其存在或缺乏等。分析系统108可以多种方式执行此操作。
例如,分析系统108可经配置以基于源自资产102及/或数据源112的数据来执行此操作。特定来说,分析系统108可利用资产102的操作数据及/或来自数据源112的外部数据来确定资产102的一或多个特性。其它实例也是可能的。
基于所确定的资产102的一或多个特性,分析系统108可通过修改聚合模型来定义个性化预测模型。聚合模型可以多种方式进行修改。例如,可通过改变(例如,增加、移除、重新排序等)一或多个模型输入、改变与资产操作极限对应的一或多个传感器及/或致动器测量范围(例如,改变与“领先指示符”事件对应的操作极限)、改变一或多个模型计算值、对计算的变量或输出加权(或改变其权重)、利用与用于定义聚合模型的建模技术不同的建模技术及/或利用与用于定义聚合模型的响应变量不同的响应变量等等来修改聚合模型。
为了说明,图6B是个性化模型-工作流对610的概念说明。-具体来说,个性化模型-工作流对说明610是来自图6A的聚合模型-工作流对的修改版本。如所示,个性化模型-工作流对说明610包含用于模型输入612及模型计算614的修改列,且包含来自图6A的模型输出范围606及工作流操作608的原始列。在此实例中,个性化模型有两个输入,来自传感器A及致动器B的数据,且具有两个计算值:计算值II及III。输出范围及对应工作流操作与图6A的输出范围及对应工作流操作相同。分析系统108可能已经基于确定资产102例如相对较老且健康状况相对较差等原因来以此方式定义个性化模型。
实际上,个性化聚合模型可取决于给定资产的一或多个特性。特定来说,某些特性可能会以与其它特性不同的方式影响聚合模型的修改。另外,特性的类型、价值、存在等也可影响修改。例如,资产年限可能会影响聚合模型的第一部分,而资产类别可能会影响聚合模型的第二不同部分。且在第一年限范围内的资产年限可能以第一方式影响聚合模型的第一部分,而在与第一范围不同的第二年限范围内的资产年限可能以第二方式影响聚合模型的第一部分。其它实例也是可能的。
在一些实施方案中,个性化聚合模型可取决于作为资产特性的补充或替代的考虑。例如,当已知资产处于相对良好的操作状态(例如,如机械师等所定义的)时,可基于资产的传感器及/或致动器读数对聚合模型进行个性化。更特定来说,在领先指示符预测模型的实例中,分析系统108可经配置以接收资产处于良好操作状态的指示(例如,来自机械师操作的计算装置)以及操作来自资产的数据。至少基于操作数据,分析系统108接着可通过修改与“领先指示符”事件的对应的相应操作极限来个性化资产的领先指示符预测模型。其它实例也是可能的。
返回到图5,在框512处,分析系统108还可经配置以决定是否个性化资产102的工作流。分析系统108可以多种方式实行此决定。在一些实施方案中,分析系统108可根据框508来执行此操作。在其它实施方案中,分析系统108可基于个性化预测模型来决定是否定义个性化工作流。在又另一实施方案中,如果定义了个性化预测模型,那么分析系统108可决定定义个性化工作流。其它实例也是可能的。
无论如何,如果分析系统108决定定义资产102的个性化工作流,那么分析系统108可在框514处这样做。否则,分析系统108可结束定义阶段。
在框514处,分析系统108可经配置以按照多种方式定义个性化工作流。在实例实施方案中,分析系统108可至少部分地基于资产102的一或多个特性来定义个性化工作流。
在定义资产102的个性化工作流之前,类似于定义个性化预测模型,分析系统108可能已经确定了形成个性化工作流的基础的一或多个所关注的资产特性,其可能已经根据框510的讨论进行了确定。通常,这些所关注的特性可为影响聚合工作流的效力的特性。此类特性可包含上文讨论的实例特性中的任一者。其它特性也是可能的。
再次类似于框510,分析系统108可确定与个性化工作流的所确定的所关注的特性对应的资产102的特性。在实例实施方案中,分析法系统108可以与参考框510所讨论的特性确定类似的方式来确定资产102的特性,且实际上可利用所述确定中的一些或全部。
无论如何,基于资产102的所确定的一或多个特性,分析系统108可通过修改聚合工作流来个性化资产102的工作流。聚合工作流可以多种方式进行修改。例如,可通过改变(例如,增加、移除、重新排序、替换等)一或多个工作流操作(例如,从第一数据采集方案改变为第二方案或从特定数据采集方案改变为特定的本地诊断工具)及/或改变(例如,增加、减少、增加、移除等)触发特定工作流操作的对应模型输出值或值范围等等来修改聚合工作流。实际上,对聚合工作流的修改可以类似于对聚合模型的修改的方式取决于资产102的一或多个特性。
为了说明,图6C是个性化模型-工作流对620的概念说明。具体来说,个性化模型-工作流对说明620是来自图6A的聚合模型-工作流对的修改版本。如所示,个性化模型-工作流对说明620包含来自图6A的模型输入602、模型计算604及模型输出范围606的原始列,但是包含用于工作流操作628的修改列。在此实例中,个性化模型-工作流对与图6A中的聚合模型-工作流对类似,除了当聚合模型的输出大于80%时,工作流操作3被触发而不是操作1之外。除其它原因外,分析系统108可基于确定资产102例如在历史上增加资产故障的发生的环境中操作来定义此个别工作流。
在定义个性化工作流之后,分析系统108可结束定义阶段。那时,分析系统108可接着具有用于资产102的个性化模型-工作流对。
在一些实例实施方案中,分析系统108可经配置以定义用于给定资产的个性化预测模型及/或对应工作流,而不首先定义聚合预测模型及/或对应工作流。其它实例也是可能的。
虽然上文讨论了分析系统108个性化预测模型及/或工作流,但是其它装置及/或系统可执行个性化。例如,资产102的本地分析装置可个性化预测模型及/或工作流,或可与分析系统108一起工作以执行此类操作。下文进一步详细讨论本地分析装置执行此类操作。
3.健康状况分数模型及工作流
在特定实施方案中,如上所提及,分析系统108可经配置以定义与资产的健康状况相关联的预测模型及对应工作流。在实例实施方案中,用于监测资产的健康状况的一或多个预测模型可用于输出资产的健康状况指标(例如,“健康状况分数”),所述健康状况指标是单个聚合指标,其指示在未来的给定时间范围内(例如,接下来的两周)是否将在给定资产处发生故障。特定来说,健康状况指标可指示在未来的给定时间范围内将不会在资产处发生故障群组中的任何故障的可能性,或健康状况指标可指示在未来的给定时间范围内将在资产处发生故障群组中的至少一个故障的可能性。
实际上,用于输出健康状况指标的预测模型及对应工作流可根据上述讨论被定义为聚合或个性化模型及/或工作流。
另外,取决于健康状况指标的期望粒度,分析系统108可经配置以定义输出不同水平的健康状况指标的不同的预测模型且定义不同的对应工作流。例如,分析系统108可定义输出整个资产的健康状况指标(即,资产水平健康状况指标)的预测模型。作为另一实例,分析系统108可定义输出资产的一或多个子系统的相应健康状况指标(即,子系统级健康状况指标)的相应预测模型。在一些情况下,每一子系统级预测模型的输出可经组合以产生资产水平健康状况指标。其它实例也是可能的。
通常,定义输出健康状况指标的预测模型可以各种方式执行。图7是描绘可用于定义输出健康状况指标的模型的建模阶段的一个可能实例的流程图700。出于说明目的,实例建模阶段被描述为由分析系统108实行,但是此建模阶段也可由其它系统实行。所属领域的一般技术人员将明白,出于清楚及解释目的提供流程图700,且可利用操作的数个其它组合来确定健康状况指标。
如图7中所示,在框702处,分析系统108可通过定义形成健康状况指标的基础的一或多个故障(即,所关注的故障)的集合而开始。实际上,一或多个故障可为在发生的情况下可能使资产(或其子系统)不可操作的故障。基于所定义的故障集合,分析系统108可采取步骤来定义用于预测在未来的给定时间范围内(例如,接下来的两周)发生故障中的任一者的可能性的模型。
特定来说,在框704处,分析系统108可分析一或多个资产群组的历史操作数据,以从所述故障集合中识别给定故障的过去发生。在框706处,分析系统108可识别与给定故障的每一识别的过去发生相关联的相应操作数据集合(例如,在发生给定故障之前,来自给定时间范围的传感器及/或致动器数据)。在框708处,分析系统108可分析与给定故障的过去发生相关联的所识别的操作数据集合,以定义(1)用于给定的操作指标集合的值与(2)在未来的给定时间范围内(例如,未来两周)发生故障的可能性之间的关系(例如,故障模型)。最后,在框710处,将所定义集合中的每一故障的所定义关系(例如,个别故障模型)接着可组合成用于预测故障发生的总体可能性的模型。
当分析系统108继续接收一或多个资产群组的更新的操作数据时,分析系统108还可通过对更新的操作数据重复步骤704到710来继续针对一或多个故障的所定义集合改进预测模型。
现在将进一步详细地描述图7中所说明的实例建模阶段的功能。从框702开始,如上所述,分析系统108可通过定义形成健康状况指标的基础的一或多个故障的集合开始。分析系统108可以各种方式执行此功能。
在一个实例中,一或多个故障的集合可基于一或多个用户输入。具体来说,分析系统108可从由用户操作的计算系统(例如输出系统110)接收指示一或多个故障的用户选择的输入数据。因而,一或多个故障的集合可为用户定义的。
在其它实例中,一或多个故障的集合可基于由分析系统108做出的确定(例如,机器定义的)。特定来说,分析系统108可经配置以定义可能以多种方式发生的一或多个故障的集合。
例如,分析系统108可经配置以基于资产102的一或多个特性来定义故障集合。即,某些故障可能对应于资产的某些特性,例如资产类型、类别等。例如,每一类型及/或类别的资产可能具有相应的所关注的故障。
在另一实例中,分析系统108可经配置以基于存储在分析系统108的数据库中的历史数据及/或由数据源112提供的外部数据来定义故障集合。例如,分析系统108可利用此数据来确定哪些故障导致了最长的维修时间及/或历史上哪些故障之后接着出现额外故障等等。
在又其它实例中,可基于用户输入及由分析系统108做出的确定的组合来定义一或多个故障的集合。其它实例也是可能的。
在框704处,对于故障集合中的故障中的每一者,分析系统108可分析一或多个资产群组的历史操作数据(例如,异常行为数据)以识别给定故障的过去发生。一或多个资产群组可包含单个资产(例如资产102),或包含相同或类似类型的多个资产,例如包含资产102及104的资产群的队伍。分析系统108可分析特定数量的历史操作数据,例如一定量的时间价值的数据(例如,一个月的数据价值)或一定数量的数据点(例如,最近的一千个数据点)等等。
实际上,识别给定故障的过去发生可涉及分析系统108识别指示给定故障的操作数据(例如异常状况数据)的类型。通常,给定故障可与一或多个异常状况指示符(例如故障代码)相关联。即,当给定故障发生时,可能触发一或多个异常状态指示符。因而,异常状况指示符可反映给定故障的潜在征兆。
在识别指示给定故障的操作数据的类型之后,分析系统108可以多种方式识别给定故障的过去发生。例如,分析系统108可根据存储在分析系统108的数据库中的历史操作数据来定位与关联于给定故障的异常状况指示符对应的异常状况数据。每一经定位的异常状况数据将指示发生给定的故障。基于此经定位的异常状况数据,分析系统108可识别发生过去故障的时间。
在框706处,分析系统108可识别与每一识别的给定故障的过去发生相关联的操作数据的相应集合。特定来说,分析系统108可识别来自在给定故障的给定发生的时间周围的某个时间范围内的传感器及/或致动器数据的集合。例如,所述数据集合可来自在给定的故障发生之前、之后或周围的特定时间范围(例如,两周)。在其它情况下,可从在给定的故障发生之前、之后或周围的一定数量的数据点来识别所述数据集合。
在实例实施方案中,所述操作数据集合可包含来自资产102的一些或全部传感器及致动器的传感器及/或致动器数据。例如,所述操作数据集合可包含来自与对应于给定故障的异常状况指示符相关联的传感器及/或致动器的数据。
为了说明,图8描绘了分析系统108可分析以促进定义模型的历史操作数据的概念说明。曲线图800可对应于源自资产102的传感器及致动器中的一些(例如,传感器A及致动器B)或所有者的历史数据片段。如所示,曲线图800包含x轴802上的时间、y轴804上的测量值及与传感器A对应的传感器数据806及与致动器B对应的致动器数据808,所述数据中的每一者包含表示特定时间点Ti处的测量值的各种数据点。另外,曲线图800包含在过去时间Tf(例如,“故障时间”)发生的故障810的发生的指示及发生故障之前的时间量812的指示ΔT,从所述指示识别操作数据集合。因而,Tf-ΔT定义了所关注数据点的时间范围814。
返回到图7,在分析系统108识别给定故障的给定发生(例如,Tf处的发生)的操作数据集合之后,分析系统108可确定是否存在应针对其识别操作数据集合的任何剩余发生。在存在剩余发生的情况下,将对每一剩余发生重复框706。
此后,在框708处,分析系统108可分析与给定故障的过去发生相关联的所识别的操作数据集合,以定义(1)操作指标的给定集合(例如,传感器及/或致动器测量值的给定集合)与(2)在未来的给定时间范围内(例如,未来两周)发生故障的可能性之间的关系(例如,故障模型)。即,给定故障模型可将来自一或多个传感器及/或致动器的传感器及/或致动器测量值作为输入,并输出将在未来的给定时间范围内发生给定故障的概率。
通常,故障模型可定义资产102的操作状况与发生故障的可能性之间的关系。在一些实施方案中,除了来自资产102的传感器及/或致动器的原始数据信号之外,故障模型可接收从传感器及/或致动器信号导出的多个其它数据输入,也被称为特征。此类特征可包含发生故障时在历史上测量的值的平均值或范围、发生故障之前在历史上测量的值梯度的平均值或范围(例如,测量值的变化率)、特征之间的持续时间(例如,在第一次发生故障与第二次发生故障之间的时间量或数据点数目)及/或指示发生故障周围的传感器及/或致动器测量值趋势的一或多个故障模式。所属领域的一般技术人员将明白,这些仅仅是可从传感器及/或致动器信号导出的几个实例特征,且许多其它特征是可能的。
实际上,故障模型可以多种方式来定义。在实例实施方案中,分析系统108可通过利用一或多种建模技术来定义故障模型,所述建模技术返回介于0与1之间的概率,所述建模技术可采用上述任何建模技术的形式。
在特定实例中,定义故障模型可涉及分析系统108基于在框706识别的历史操作数据来产生响应变量。具体来说,分析系统108可确定在特定时间点所接收的传感器及/或致动器测量值的每一集合的相关联响应变量。因而,响应变量可采取与故障模型相关联的数据集合的形式。
响应变量可指示给定测量值集合是否在框706处确定的时间范围中的任一者内。即,响应变量可反映给定数据集合是否来自发生故障周围的所关注时间。响应变量可为二进制值响应变量,使得如果给定测量值集合在所确定的时间范围中的任一者内,那么相关联响应变量被指派值1,否则相关联响应变量被指派值0。
返回到图8,在曲线图800上展示了响应变量矢量Yres的概念说明。如所示,与时间范围814内的测量值集合相关联的响应变量具有值1(例如,在时间Ti+3到Ti+8处的Yres),而与时间范围814之外的测量值集合相关联的响应变量具有值0(例如,在时间Ti到Ti+2及Ti+9到Ti+10处的Yres)。其它响应变量也是可能的。
继续在基于响应变量定义故障模型的特定实例中,分析系统108可利用在框706识别的历史操作数据及所产生的响应变量来训练故障模型。基于此训练过程,分析系统108接着可定义故障模型,其接收各种传感器及/或致动器数据作为输入,且输出在与用于产生响应变量等效的时间段内将发生故障的介于0与1之间的概率。
在一些情况下,利用在框706处识别的历史操作数据及所产生的响应变量的训练可导致用于每一传感器及/或致动器的可变重要性统计量。给定可变重要性统计量可指示传感器或致动器对将在未来的时间段内发生给定故障的概率的相对影响。
另外地或替代地,分析系统108可经配置以基于一或多种生存分析技术(例如Cox比例风险技术)来定义故障模型。分析系统108可以在某些方面类似于上文讨论的建模技术的方式来利用生存分析技术,但是分析系统108可确定生存时间响应变量,其指示从上次故障到下一个预期事件的时间量。下一个预期事件可能是接收传感器及/或致动器的测量值或故障的发生,以先发生者为准。此响应变量可包含与接收测量值的特定时间点中的每一者相关联的一对值。接着,可利用响应变量来确定在未来的给定时间范围内将发生故障的概率。
在一些实例实施方案中,可部分地基于例如天气数据及“热箱”数据等外部数据以及其它数据定义故障模型。例如,基于此数据,故障模型可增大或减小输出故障概率。
实际上,可在与资产传感器及/或致动器获得测量值的时间不一致的时间点处观察外部数据。例如,收集“热箱”数据的时间(例如,机车沿装有热箱传感器的铁路轨道段行进的时间)可与传感器及/或致动器测量时间不一致。在此类情况下,分析系统108可经配置以执行一或多个操作以确定原本将在与传感器测量时间对应的时间处观察到的外部数据观察值。
具体来说,分析系统108可利用外部数据观察值的时间及测量值的时间来内插外部数据观察值以产生与测量时间对应的时间的外部数据值。外部数据的内插可允许将外部数据观察值或从其导出的特征作为输入包含在故障模型中。实际上,除了其它实例外,还可使用各种技术来利用传感器及/或致动器数据来内插外部数据,例如最近邻内插、线性内插、多项式内插及样条内插。
返回到图7,在分析系统108确定来自在框702处定义的故障集合中的给定故障的故障模型之后,分析系统108可确定是否存在应针对其确定故障模型的任何剩余故障。在仍然存在应针对其确定故障模型的故障情况下,分析系统108可重复框704到708的回路。在一些实施方案中,分析系统108可确定包含在框702处定义的故障的所有者的单个故障模型。在其它实施方案中,分析系统108可确定资产102的每一子系统的故障模型,接着可利用所述故障模型来确定资产水平故障模型。其它实例也是可能的。
最后,在框710处,接着可将所定义集合中的每一故障的所定义关系(例如,个别故障模型)组合成用于预测在未来的给定时间范围(例如,接下来的两周)发生故障的总体可能性的模型(例如,健康状况指标模型)。即,所述模型可接收来自一或多个传感器及/或致动器的传感器及/或致动器测量值作为输入,并输出将在未来的给定时间范围内发生故障集合中的至少一个故障的单个概率。
分析系统108可以多种方式定义健康状况指标模型,这可取决于健康状况指标的期望粒度。即,在存在多个故障模型的情况下,可以多种方式利用故障模型的结果来获得健康状况指标模型的输出。例如,分析系统108可从多个故障模型中确定最大值、中值或平均值,并将所述确定值用作健康状况指标模型的输出。
在其它实例中,确定健康状况指标模型可涉及分析系统108将权重归属于由个别故障模型输出的个别概率。例如,来自故障集合的每一故障可被认为是同样不希望的,因此每一概率同样可在确定健康状况指标模型时进行相同加权。在其它情况下,一些故障可能被认为比其它故障更不受欢迎(例如,更具灾难性或需要更长的维修时间等),因此那些对应的概率可能比其它概率进行更多加权。
在又其它实例中,确定健康状况指标模型可涉及分析系统108利用一种或多种建模技术,例如回归技术。聚合响应变量可采取来自个别故障模型中的每一者的响应变量(例如,图8中的Yres)的逻辑分离(逻辑或)的形式。例如,与在框706确定的任何时间范围(例如,图8的时间范围814)内发生的任何测量值集合相关联的聚合响应变量可具有值1,而与在时间范围中的任一者之外发生的测量值集合相关联的聚合响应变量可具有零值。定义健康状况指标模型的其它方式也是可能的。
在一些实施方案中,框710可能是不必要的。例如,如上文所讨论,分析系统108可确定单个故障模型,在这种情况下,健康状况指标模型可为单个故障模型。
实际上,分析系统108可经配置以更新单个故障模型及/或总体健康状况指标模型。分析系统108可每天、每周、每月等更新模型,且可基于来自资产102或来自其它资产(例如,来自与资产102相同的群的其它资产)的历史操作数据的新部分。其它实例也是可能的。
C.定义执行函数
在实例实施例中,分析系统108可经配置以定义执行函数,其可能有助于确定耦合到资产的本地分析装置(例如,耦合到资产102的本地分析装置220)是否应执行预测模型。虽然下文讨论了与执行预测模型相关的执行函数,但是应理解,讨论也适用于执行工作流。事实上,下文讨论中的一些可能适用于确定本地分析装置是否应执行预测模型及对应工作流中的任一者或两者。其它实例也是可能的。
如上文所指示,虽然分析系统108及本地分析装置220两者均可经配置以执行分析装置220所耦合到的给定资产(例如,资产102)的预测模型,但是可能存在某些因素使分数析系统108或本地分析装置220而不是另一个执行资产102的预测模型是有利的。
例如,关于执行预测模型(即,预测结果是否实际发生),一个因素可能是精确的。此因素对于与“关键”资产故障(例如,可能使资产102部分或完全无法操作的故障)对应的预测模型可能尤为重要。因此,考虑与其它因素无关的精确性,使分析系统108执行预测模型而不是使本地分析装置220执行预测模型可能是有利的。情况可能如此,因为分析系统108通常拥有更大的处理能力及/或智能。另外或替代地,分析系统108可拥有本地分析装置220未知的信息,例如关于与资产故障相关联的成本(例如,维修成本)的变化的信息及/或资产102的未来操作状况的变化的信息,以及各种其它信息。因此,当执行预测模型时,分析系统108通常比本地分析装置220更精确。另外,分析系统108可具有比由本地分析装置220存储的预测模型版本更新(即,精确)的预测模型版本。
另一因素可为预测模型的结果可用的速度。即,确定预测模型将被执行与获得执行的预测模型的结果之间的时间。此因素对于预测模型可能是重要的,所述预测模型具有基于模型的输出(例如,寻求避免资产故障的操作)致使在资产102处发生操作的对应工作流。
考虑与其它因素无关的模型-结果可用性速度,本地分析装置220执行预测模型而不是分析系统108执行预测模型可能是有利的,因为本地分析装置220通常可比分析系统108更快获得模型结果。例如,情况可能如此,因为本地分析装置220(例如,物理地或经由自组织、点对点等数据连接)耦合到资产102,从所述资产102获得用于执行预测模型的数据。为了使分析系统108执行所述模型,本地分析装置220首先经由通信网络106向分析系统108发射资产数据。分析系统108接着基于资产数据执行预测模型,且将执行预测模型的结果发射回本地分析装置220。这些额外操作中的每一者需要一些时间量,由此延迟了模型输出的可用性。另外,由于例如网络延迟、有限带宽及/或本地分析装置220与分析系统108之间缺少网络连接等状况以及其它因素,此延迟可能会延长。
又一因素可为与执行预测模型相关联的任何数据发射成本。例如,可能存在与从本地分析装置220向分析系统108发射数据相关联的数据发射费用,这与对应于蜂窝电话数据计划的数据发射费用类似。因此,考虑与其它因素无关的数据发射成本,本地分析装置220执行预测模型可能是有利的(例如,在数据发射费用方面更便宜)。如果执行预测模型需要相对大量的资产数据,情况尤其如此。数个其它实例因素也是可能的。
未能实践本文中提供的实例的资产监测系统可能存在许多缺陷。例如,此一缺陷可能涉及未考虑到上述因素中的一些或全部,这可能导致资产监测系统浪费资源(例如,使多个装置执行相同或类似的计算),获得不精确结果,及/或引发不必要的数据发射成本以及其它缺陷。另一缺陷可能涉及考虑与其它因素无关的一个因素,这仍然可能导致预测模型的非最佳执行。本文中提供的实例因此试图改进此类缺陷。
特定来说,分析系统108可经配置以分析在分析系统108处与在本地分析装置处执行特定预测模型的相对优点,且基于所述分析为所述模型定义那些相对优点的定量量度,例如执行函数。通常,执行函数提供特定装置或系统(例如,分析系统108或本地分析装置220)执行特定预测模型的相对优点的量度。因此,实际上,分析系统108可为特定预测模型定义至少分析系统执行函数及本地分析装置执行函数(例如,针对特定预测模型的执行函数集合)。其它实例执行函数类型也是可能的。
一般来说,执行函数可采取各种形式。在特定实例中,给定执行函数可包含或采取包含一或多个参数及数学运算符的数学表达式的形式,所述表达式定义所述一或多个参数之间的关系,且所述函数还可包含用于评估所述表达式的一或多个对应值(例如,参数中的一或多者的值)。执行函数也可采用其它形式。
仅出于实例及解释的目的,下文讨论性能分数函数(PSF),其是执行函数的一个可能实例。因此,下文讨论不应被解释为限制。执行函数的各种其它实例也是可能的且在本文中予以考虑。
如刚刚提及,在一个特定的实例实施例中,执行函数可采取PSF的形式,所述PSF输出指示与使特定预测模型由特定装置或系统(例如,分析系统108或本地分析装置220)执行相关联的值的分析性能指标(例如,“性能分数”)。因此,分析系统PSF输出反映使分析系统108执行特定预测模型的值的性能分数,而本地分析装置PSF输出反映使本地分析装置220执行特定的预测模型的值的分数。各种其它的执行函数也是可能的。
无论如何,分析系统108可以各种方式定义PSF。在一个实例实施例中,分析系统108可至少基于与特定预测模型相关的历史数据来定义特定预测模型的PSF。此历史数据的实例可包含历史模型结果数据及历史结果成本数据,以及各种其它数据。历史数据可由分析系统108存储及/或由数据源112提供,且可反映可包含或不包含资产102的多个资产的历史数据。
通常,历史模型结果数据可指示或用于确定基于特定预测模型的先前预测的精确性。实际上,模型结果数据可采取各种形式及/或可包含各种信息。作为一个特定实例,模型结果数据可包含(a)用于进行预测的预测模型的标识符,(b)进行预测的系统或装置的类型的标识符(例如,分析系统或本地分析装置),(c)先前预测的指示(例如,在资产处将会或不会发生故障的预测),及/或(d)与所述预测相关的实际结果的指示,由此指示先前的预测是否正确(例如,资产处实际上发生或没有发生故障)。历史模型结果数据也可包含各种其它信息,例如与以上信息中的任一者对应的一或多个时间戳记。
通常,历史结果-成本数据可指示或用于根据基于特定预测模型的先前预测来确定与处理资产相关的先前成本。例如,如果预测是在资产处将不会发生故障,但是在资产上实际上确实发生了故障,那么对应的结果成本数据可能指示相对较大的值(例如,与资产在现场出错相关联的资产时间及/或美元成本、资产错过交付截止日期、机械师前往资产来维修所述资产,及/或新零件及安装所述新零件所需的人力)。在另一实例中,如果预测是将发生故障,但是实际上资产没有实际问题,那么对应的结果-成本数据可指示与上述实例相比相对适中的值(例如,与将资产从现场拉出并带到维修车间相关联时间及/或美元成本,及机械师确定没有问题存在所需的劳动力)。结果成本数据的其它实例也是可能的。
实际上,历史结果-成本数据可采取各种形式及/或可包含各种信息。作为一个特定实例,历史结果-成本数据可包含(a)特定资产结果的指示(例如,资产出现故障的特定组件、资产被检验,但是特定子系统实际上不需要维修等),(b)与特定资产结果相关联的指标(例如,基于结果花费的时间量及/或美元),及/或(c)导致在资产处采取(或不采取)行动的先前预测的指示(例如,资产的健康状况分数低于某个阈值的指示),以及其它信息。在一些实例实施例中,历史结果-成本数据可包含额外信息,例如可基于与特定资产结果相关联的时间戳记确定的历史模型-结果数据中包含的信息的一些或全部。结果成本数据的其它实例也是可能的。
现在转向图9,流程图900描绘可用于定义PSF的定义阶段的一个可能实例。出于说明目的,实例定义阶段被描述为由分析系统108实行,但是此定义阶段也可由其它系统实行。所属领域的一般技术人员将明白,出于清楚及解释目的提供流程图900,且可利用操作的数个其它组合来定义PSF。
如图9中所示,在框902处,分析系统108可通过确定分析系统108正在定义的PSF的类型而开始。例如,分析系统108可确定其是否正在定义与本地分析装置相关联的PSF或与分析系统相关联的PSF等等。实际上,此操作可以各种方式发生。
在一些实施例中,分析系统108可默认首先定义本地分析装置PSF,且在所述PSF被定义之后,定义分析系统PSF,反之亦然。另外或替代地,分析系统108可基于经由用户接口提供的用户输入来确定PSF的类型等等。
在框904处,分析系统108可经配置以确定一或多个预测精确度,所述预测精确度中的每一者反映由分析系统或本地分析装置执行的特定预测模型的精确度。在实例实施例中,分析系统108可至少基于历史模型-结果数据且可能还基于来自框902的确定来确定预测精确度。即,取决于分析系统108是为本地分析装置还是为分析系统定义PSF,一或多个预测精确度可能不同。
图10描绘了实例PSF的方面的概念说明。如所示,图10包含四个事件表1000、1001、1010及1011。事件表1000及1001对应于本地分析装置220的PSF,而事件表1010及1011对应于分析系统108的PSF。事件表1000及1010是精确度表,而事件表1001及1011是成本表。如下文进一步详细讨论,事件表1000及1001提供反映在本地分析装置220处执行特定预测模型的预期值的性能分数,而事件表1010及1011提供反映在分析系统108处执行特定预测模型的预期值的性能分数。
如所示,每一事件表包含与预测结果对应的行1002及1004(例如,在资产处将发生或不发生与特定预测模型相关联的特定故障)及与实际结果对应的列1006及1008(例如,资产处实际发生了什么)。每一事件表还包含四个事件条目,其中行1002、1004与列1006、1008相交。
每一事件条目对应于特定的预测结果事件,其中行定义预测事件,且列定义结果事件。例如,行1002与列1006相交的事件条目对应于特定资产故障将发生且特定资产故障实际发生的预测的预测结果事件。作为另一实例,行1004与列1006相交的事件条目对应于特定资产故障将不会发生且特定资产故障实际发生的预测的预测结果事件。
另外,每一事件条目包含反映与对应的预测结果事件相关的精确度或成本的值。例如,在事件表1000及1010中,每一事件条目包含精确度值(例如,“P1”到“P8”),其可采取数值的形式(例如,0与1之间的值、百分比等)。在事件表1000中,每一精确度值(P1到P4)对应于特定的预测结果事件,且反映本地分析装置220将正确预测资产102的结果事件的可能性。因而,假设本地分析装置220正确的时候要比不正确的时候多,那么精确度值P1及P4理想地大于精确度值P2及P3。
类似地,在事件表1010中,每一精确度值(P5到P8)对应于特定的预测结果事件,且反映分析系统108将正确预测资产102的结果事件的可能性。如同事件表1000,精确度值P5及P8理想地大于精确度值P6及P7。另外,精确度值P5及P8通常分别大于精确度值P1及P4,因为如上所述,分析系统108在进行预测方面通常比本地分析装置220更精确。因此,精确度值P6及P7通常分别小于精确度值P2及P3。在实例实施例中,每一事件表1000及1010的每列中的精确度值总计为值1(或100%),且类似地,每一事件表1000及1010的每一行中的精确度值总计为值1(或100%)。其它实例也是可能的。
无论如何,如上所提及,分析系统108可至少基于历史模型-结果数据来确定预测精确度,这可以各种方式执行。作为一个特定实例,分析系统108可通过首先(例如,基于用于进行预测的预测模型的包含在模型结果数据中的标识符)从历史模型结果数据中识别与定义了PSF的特定预测模型相关的数据。接着,如果分析系统108正在定义本地分析装置PSF,那么其可(例如,基于进行预测的系统或装置的包含在模型结果数据中的类型的标识符)识别与由本地分析装置进行的预测相关的历史模型-结果数据。另一方面,如果分析系统108正在定义分析系统PSF,那么其可识别与由分析系统进行的预测相关的历史模型-结果数据。
无论如何,一旦分析系统108已经识别了历史模型-结果数据的适当全集,那么对于所述全集内的每一数据,所述分析系统接着可分析先前预测(例如,基于包含在模型结果数据中的先前预测的指示)及与所述预测相关的实际结果(例如,基于包含在模型结果数据中的实际结果的指示)。基于此分析,分析系统108接着可确定预测精确度,这可涉及根据分析来确定一或多个概率分布。分析系统108也可以各种其它方式确定预测精确度。
返回到图9,在框906处,分析系统108可经配置以至少基于历史结果-成本数据来确定一或多个预测成本。通常,给定的预测成本反映了与精确或不精确预测相关的成本。例如,与精确预测资产需要维修相关联的预测成本可反映将所述资产带出现场并带入维修车间进行维修的成本。作为另一实例,与不精确地预测资产不需要被维修相关联的预测成本可反映资产在现场损坏的成本,所述资产没有按时完成交付或其它任务的成本,及/或不在现场维修资产的成本,这通常比在修理店中维修资产的成本更高。在实例实施方案中,预测成本可采取表示美元数量及/或与资产故障相关联的时间量的负值的形式等等。
返回到图10,在事件表1001及1011中,每一事件条目包含成本值(例如“C1”到“C8”),其可采取数值形式(例如,有符号的或无符号整数等),以及其它可能性。在事件表1001中,每一成本值(C1到C4)对应于特定预测结果事件且反映与所述特定结果事件及本地分析装置220执行特定预测模型以进行特定预测相关联的成本。例如,成本值C3可具有成本值C1到C4中的最高值,因为当本地分析装置220预测不会发生故障但是在资产102处仍然发生故障时通常引发相对较大的成本。例如,基于此预测,当发生故障时,资产102可能不在现场而在离修理店很远的地方,这可能导致花费大量的时间及美元成本来使资产102再次操作。另一方面,成本值C4可具有成本值C1到C4中的最低值,因为与本地分析装置220预测不会发生故障且实际上在资产处不发生故障相关联的成本接近于零成本。
在事件表1011中,每一事件条目包含与事件表1001相同的成本值(C1到C4)。情况可能如此,因为从分析系统108及本地分析装置220的角度来看,与特定的预测结果事件相关联的成本可能是相同的。
然而,对于分析系统PSF,分析系统108可经配置以基于各种考虑来定义一或多个额外的预测成本(在图10中被描绘为“C5”)。通常,额外的预测成本反映了与使分析系统108执行预测模型而不是使本地分析装置220执行预测模型相关联的额外成本。此类额外成本的实例可对应于上文讨论的模型-结果可用性速度因子及/或数据发射成本因子,以及其它可能性。
在实例实施例中,额外成本可同样适用于每一预测结果事件。例如,在图10中,额外成本值C5同等地应用在事件表1011的每一事件条目中,且可反映与使分析系统108执行特定预测模型相关联的数据发射成本。在其它实施例中,额外成本可应用于一些但不是全部预测结果事件(例如,表1011的一些事件条目可能不包含C5),及/或额外成本对于给定的预测结果事件可能是特定的(例如,表1011的给定事件条目可包含额外成本“C6”)。另外或替代地,额外成本可基于正在定义PSF的特定预测模型。其它考虑也是可能的。
无论如何,如上所提及,分析系统108可至少基于历史结果-成本数据来确定预测成本,这可以各种方式执行。作为一个特定实例,分析系统108可通过首先(例如,基于致使在资产处采取(或不采取)动作的先前预测的指示及/或与所述指示相关联的包含在结果成本数据中的时间戳记)从结果成本数据中识别与定义了PSF的特定预测模型相关的数据。即,分析系统108识别与特定预测模型相关的结果-成本数据的全集。
在一些实例实施例中,分析系统108可定义用于确定预测成本的标准化测量单位。例如,结果-成本指标可表示由于不精确的预测而引起的被浪费的时间量,或反而可表示不在现场维修资产所花费的美元数量。无论如何,在识别结果-成本数据的全集之后,分析系统108可针对所述全集内的每一数据,根据标准测量单元来转换结果-成本指标(例如,包含在结果成本数据中)。
此后,分析系统108接着可针对每一预测结果事件(例如,事件表1001及1011的每一事件条目)(例如,基于包含在结果-成本数据中的特定资产结果的指示及先前预测的指示)识别与所述事件对应的结果-成本数据的子全集。即,分析系统108可识别可归因于每一特定预测结果事件的成本的子全集(例如,与正确预测将发生故障相关联的历史成本、与错误预测故障不会发生相关联的历史成本等)。
从结果-成本数据的所述子全集,分析系统108可接着基于对结果成本值执行一或多个统计过程(例如,根据历史结果成本数据确定平均值或中值)来确定所述预测结果事件的成本。分析系统108也可以各种其它方式定义预测成本。
当分析系统108确定包含任何额外成本(例如,数据发射成本)的分析系统PSF的预测成本时,所述确定还可基于除了历史结果成本数据之外的数据。例如,与关联于使分析系统108执行特定预测模型的数据发射成本对应的额外成本可基于以下项来确定:(a)本地分析装置必须发射以使分析系统108执行特定预测模型的资产数据(例如,信号数据)的量,及(b)与在本地分析装置与分析系统108之间发射数据相关联的数据发射费用。实际上,对于特定的预测模型,资产数据的量可能是已知的(即,对于预测模型,数据量是固定的),及/或所述资产数据量可基于与特定的预测模型相关的历史数据发射量来确定。另外,数据发射费用可基于当前数据发射速率或费用(例如,当前的蜂窝数据使用计划)及/或历史数据发射速率。数据的其它实例也可用来确定预测成本。
另外,在实例实施例中,分析系统108可在定义给定的预测成本时考虑各种其它考虑(例如与特定的预测模型相关联的故障的严重性(例如,“严重”故障可能导致更高成本值)及/或由特定模型触发的工作流的类型(例如,涉及资产102处的预防性操作的工作流可能导致事件表1011中与分析系统PSF对应的一些或所有事件条目的更高成本值,因为使模型输出在相对更短的时间内可用是有利的),以及其它考虑。
返回到图9,在框908处,分析系统108可经配置以至少基于所确定的预测精确度及预测成本来定义PSF(例如,用于分析系统108的一个PSF及用于本地分析装置220的一个PSF)。作为分析系统108执行此功能的一个可能实例,返回到图10,本地分析装置220的PSF可通过取事件表1000及1001中的相应事件条目的乘积(例如,P1*C1、P2*C2等)并对所述乘积求和以获得在本地分析装置处执行特定预测模型的预期成本来进行定义。类似地,分析系统108的PSF可通过取事件表1010及1011中的对应事件条目的乘积(例如,P5*(C1+C5)等)并对所述乘积求和以获得在本地分析装置处执行特定预测模型的预期成本来进行定义。
因此,本地分析装置220的PSF及分析系统108的PSF可分别由公式1及公式2表示:
公式1:Pl*G1+P2*C2+P3*C3+P4*C4
公式2:P5*(C1+C5)+P6*(C2+C5)+P7*(C3+C5)+P8*(C4+C5)
总之,在实例实施例中,可基于与在本地分析装置处执行特定模型的历史精确度对应的预期成本来定义本地分析装置PSF,且分析系统PSF可基于以下项来定义:(a)与在分析系统处执行特定模型的历史精确度对应的预期成本及(b)从耦合到资产的本地分析装置向分析系统发射在分析系统处执行模型所需的数据的预期成本。分析系统108还可可经配置以按照各种其它方式定义PSF。
D.部署模型/工作流/执行函数
在分析系统108定义模型-工作流对之后,分析系统108可将定义的模型-工作流对部署到一或多个资产。具体来说,分析系统108可向至少一个资产(例如资产102)发射定义的预测模型及/或对应工作流。分析系统108可周期性地或基于触发事件(例如对给定模型-工作流对的任何修改或更新)来发射模型-工作流对。
在一些情况下,分析系统108可仅发射个性化模型或个性化工作流中的一者。例如,在分析系统108仅定义个性化模型或工作流的情况下,分析系统108可发射工作流或模型的聚合版本以及个性化模型或工作流,或如果资产102已将聚合版本存储在数据存储装置中,那么分析系统108可能不需要发射聚合版本。总之,分析系统108可发射(1)个性化模型及/或个性化工作流、(2)个性化模型及聚合工作流、(3)聚合模型及个性化工作流或(4)聚合模型及聚合工作流。
实际上,分析系统108可能已经针对多个资产执行了图7的框702到710的操作中的一些或全部来定义每一资产的模型-工作流对。例如,分析系统108可另外定义资产104的模型-工作流对。分析系统108可经配置以同时或按顺序向资产102及104发射相应的模型-工作流对。
另外,在分析系统108定义了与特定预测模型对应的一或多个PSF的集合之后,分析系统108可向一或多个本地分析装置(例如耦合到资产102的本地分析装置220)发射所述PSF。在实例实施例中,分析系统108可以各种方式发射PSF。例如,分析系统108可在其发射特定预测模型时发射PSF集合,或其可在发射模型之前或之后发射PSF集合。另外,分析系统108可一起或单独地发射PSF集合。另外,对于每一PSF,分析系统可发射给定PSF的表达式(例如,上文描述的公式1及2)及/或用于评估所述表达式的一或多个值(例如,来自图10中所示的事件表的值)。发射PSF的其它实例也是可能的。
在实例实施例中,分析系统108为其向本地分析装置发射的每一预测模型定义及部署PSF。以此方式,如下文详细讨论,本地分析装置220可在执行给定预测模型之前确定执行给定预测模型的最佳方式。
实际上,在分析系统108向本地分析装置发射PSF之后,分析系统108可继续改进或以其它方式更新PSF。在实例实施例中,代替发射整个更新的PSF,分析系统108可仅发射用于评估PSF表达式的值(例如,来自图10中所示的事件表中的值中的任一者),或在表达式已经改变的情况下,其可发射新的表达式,但还可发射或不发射新的值。其它实例也是可能的。
E.资产的本地执行
例如资产102等给定资产可经配置以接收模型-工作流对或其部分,并根据所接收的模型-工作流对来操作。即,资产102可在数据存储装置中存储模型-工作流对,并将由资产102的传感器及/或致动器获得的数据输入到预测模型中,且有时基于预测模型的输出执行对应工作流。
实际上,资产102的各种组件可执行预测模型及/或对应工作流。例如,如上文所讨论,每一资产可包含本地分析装置,其经配置以存储及运行由分析系统108提供的模型-工作流对。当本地分析装置接收到特定传感器及/或致动器数据时,其可将所接收的数据输入到预测模型中,且取决于模型的输出可执行对应工作流的一或多个操作。
在另一实例中,与本地分析装置分离的资产102的中央处理单元可执行预测模型及/或对应工作流。在又其它实例中,资产102的本地分析装置及中央处理单元可协同执行模型-工作流对。例如,本地分析装置可执行预测模型,且中央处理单元可执行工作流,反之亦然。
在实例实施方案中,在本地执行模型-工作流对之前(或可能在首先本地执行模型工作流时),本地分析装置可个性化资产102的预测模型及/或对应工作流。无论模型-工作流对是采用聚合模型-工作流对还是个性化模型-工作流对的形式,均可能发生这种情况。
如上文所指示,分析系统108可基于关于资产群组或特定资产的某些预测、假设及/或一般化来定义模型-工作流对。例如,在定义模型-工作流对时,分析系统108可预测、假设及/或一般化资产的有关特性及/或资产的操作状况以及其它考虑。
无论如何,本地分析装置个性化预测模型及/或对应工作流可涉及本地分析装置确认或推翻分析系统108在定义模型-工作流对时作出的一或多个预测、假设及/或一般化中的一或多者。根据本地分析装置对预测、假设及/或一般化的评估,本地分析装置此后可修改(或在已经个性化的模型及/或工作流的情况下进一步修改)预测模型及/或工作流。以此方式,本地分析装置可帮助定义更加现实及/或准确的模型-工作流对,这可能导致更有效的资产监测。
实际上,本地分析装置可基于许多考虑来个性化预测模型及/或工作流。例如,本地分析装置可基于由资产102的一或多个传感器及/或致动器产生的操作数据来这样做。具体来说,本地分析装置可通过以下项来个性化:(1)获得由一或多个传感器及/或致动器的特定群组产生的操作数据(例如,通过经由资产的中央处理单元间接地获得此数据,或可能直接从传感器及/或致动器本身中的某些直接获得此数据;(2)基于所获得的操作数据评估与模型-工作流对相关联的一或多个预测、假设及/或一般化;以及(3)如果所述评估指示任何预测、假设及/或一般化是不正确的,那么相应地修改模型及/或工作流。此类操作可以各种方式执行。
在一个实例中,本地分析装置(例如,经由资产的中央处理单元)获得由传感器及/或致动器的特定群组产生的操作数据可基于作为模型-工作流对的部分或与其一起被包含的指令。特定来说,指令可识别本地分析装置执行的一或多个测试,所述测试评估定义模型-工作流对时涉及到的一些或全部预测、假设及/或一般化。每一测试可识别本地分析装置将针对其获得操作数据的一或多个所关注的所关注的传感器及/或致动器、要获得的操作数据的量及/或其它测试考虑。因此,本地分析装置获得由传感器及/或致动器的特定群组产生的操作数据可能涉及本地分析装置根据测试指令等获得此操作数据。本地分析装置获得用于个性化模型-工作流对的操作数据的其它实例也是可能的。
如上所述,在获得操作数据之后,本地分析装置可利用数据来评估定义模型-工作流对时涉及到的一些或全部预测、假设及/或一般化。此操作可以各种方式执行。在一个实例中,本地分析装置可将所获得的操作数据与一或多个阈值(例如,阈值及/或值的阈值范围)进行比较。通常,给定的阈值或范围可对应于用于定义模型-工作流对的一或多个预测、假设及/或一般化。具体来说,测试指令中识别的每一传感器或致动器(或传感器及/或致动器的组合)可具有对应的阈值或范围。本地分析装置接着可确定由给定的传感器或致动器产生的操作数据是高于还是低于对应的阈值或范围。本地分析装置评估预测、假设及/或一般化的其它实例也是可能的。
此后,本地分析装置可基于评估来修改(或不修改)预测模型及/或工作流。即,如果评估指示任何预测、假设及/或一般化是不正确的,那么本地分析装置可相应地修改预测模型及/或工作流。否则,本地分析装置可在不修改的情况下执行模型-工作流对。
实际上,本地分析装置可以多种方式来修改预测模型及/或工作流。例如,本地分析装置可(例如,通过修改值的值或范围)修改预测模型及/或工作流的一或多个参数及/或预测模型及/或工作流的触发点等等。
作为一个非限制性实例,假设资产102的发动机操作温度不超过特定温度,分析系统108可能已经定义了资产102的模型-工作流对。结果,资产102的预测模型的部分可涉及确定第一计算值且接着仅在第一计算值超过基于假设的发动机操作温度确定的阈值时才确定第二计算值。当个性化模型-工作流对时,本地分析装置可获得由测量资产102的发动机的操作数据的一或多个传感器及/或致动器产生的数据。接着,本地分析装置可使用此数据来确定关于发动机操作温度的假设实际上是否为真(例如,发动机操作温度是否超过阈值)。如果数据指示发动机操作温度具有超过假设的特定温度的值或超过所述特定温度阈值量,那么本地分析装置可例如修改触发确定第二计算值的阈值。本地分析装置个性化预测模型及/或工作流的其它实例也是可能的。
本地分析装置可基于额外或替代考虑来个性化模型-工作流对。例如,本地分析装置可基于一或多个资产特性(例如上文讨论的资产特性中的任一者)来这样做,所述特性可由本地分析装置确定或提供给本地分析装置。其它实例也是可能的。
在实例实施方案中,在本地分析装置个性化预测模型及/或工作流之后,本地分析装置可向分析系统108提供预测模型及/或工作流已经个性化的指示。此指示可采取各种形式。例如,所述指示可识别本地分析装置修改的预测模型及/或工作流的方面或部分(例如,被修改的参数及/或参数被修改为什么)及/或可识别修改的原因(例如,致使本地分析装置进行修改的基础操作数据或其它资产数据及/或原因的描述)。其它实例也是可能的。
在一些实例实施方案中,本地分析装置及分析系统108两者均可在个性化模型-工作流对被涉及到,个性化模型-工作流对可以各种方式执行。例如,分析系统108可向本地分析装置提供测试资产102的某些状况及/或特性的指令。基于所述指令,本地分析装置可在资产102处执行测试。例如,本地分析装置可获得由特定资产传感器及/或致动器产生的操作数据。此后,本地分析装置可向分析系统108提供来自测试状况的结果。基于此类结果,分析系统108可相应地定义资产102的预测模型及/或工作流并将其发射到本地分析装置以用于本地执行。
在其它实例中,本地分析装置可执行与执行工作流的部分相同或类似的测试操作。即,与预测模型对应的特定工作流可致使本地分析装置执行某些测试并向分析系统108发射结果。
在实例实施方案中,在本地分析装置个性化预测模型及/或工作流(或与分析系统108一起工作以个性化预测模型及/或工作流)之后,本地分析装置可执行个性化预测模型及/或工作流而不是原始模型及/或工作流(例如,本地分析装置最初从分析系统108接收的模型及/或工作流)。在一些情况下,虽然本地分析装置执行个性化版本,但是本地分析装置可将模型及/或工作流的原始版本保留在数据存储装置中。
通常,资产执行预测模型且基于所得输出执行工作流的操作可促进确定由模型输出的特定事件发生的可能性的原因及/或可促进防止未来发生特定事件。在执行工作流时,资产可在本地确定并采取行动来帮助防止事件发生,这在依赖分析系统108做出此类确定并提供推荐的动作是无效或的不可行(例如,当存在网络延迟时、当网络连接不良时、当资产移出通信网络106的覆盖范围时等)的情况下是有益的。
实际上,资产可以各种方式执行预测模型,这可能取决于特定预测模型。图9是描绘可用于本地执行预测模型的本地执行阶段的一个可能实例的流程图900。将在输出资产的健康状况指标的健康状况指标模型的背景中讨论实例本地执行阶段,但是应当理解的是,相同或类似的本地执行阶段可用于其它类型的预测模型。另外,出于说明目的,实例本地执行阶段被描述为由资产102的本地分析装置实行,但是此阶段也可由其它装置及/或系统实行。所属领域的一般技术人员将明白,出于清楚及解释目的提供流程图900,且可利用操作及功能的数个其它组合来本地执行预测模型。
如图11中所示,在框1102处,本地分析装置可接收反映资产102的当前操作状况的数据。在框1104处,本地分析装置可从所接收的数据识别要被输入到由分析系统108提供的模型中的操作数据集合。在框1106处,本地分析装置可接着将所识别的操作数据集合输入到模型中并运行模型以获得资产102的健康状况指标。
当本地分析装置继续接收资产102的更新的操作数据时,本地分析装置还可通过基于更新的操作数据重复框1102到1106的操作而继续更新资产102的健康状况指标。在一些情况下,可在每次本地分析装置从资产102的传感器及/或致动器接收新数据时或周期性地(例如,每小时、每天、每周,每月等)重复框1102到1106的操作。以此方式,当在操作中使用资产时,本地分析装置可经配置以动态地更新健康状况指标,可能实时更新。
现在将进一步详细地描述图11中所说明的实例本地执行阶段的功能。在框1102处,本地分析装置可接收反映资产102的当前操作状况的数据。此数据可包含来自资产102的传感器中的一或多者的传感器数据、来自资产102的一或多个致动器的致动器数据,及/或其可包含异常状况数据以及其它类型的数据。
在框1104处,本地分析装置可从所接收的数据识别要被输入到由分析系统108提供的健康状况指标模型中的操作数据集合。此操作可以多种方式执行。
在一个实例中,本地分析装置可基于资产102的特性(例如正针对其确定健康状况指标的资产类型或资产类别)识别用于所述模型的操作数据输入集合(例如,来自特定传感器及/或所关注致动器的数据)。在一些情况下,所识别的操作数据输入集合可为来自资产102的传感器中一些或所有者的传感器数据及/或来自资产102的致动器中的一些或所有者的的致动器数据。
在另一实例中,本地分析装置可基于由分析系统108提供的预测模型来识别操作数据输入集合。即,分析系统108可向资产102提供用于模型的特定输入的一些指示(例如,在预测模型中或在单独的数据发射中)。识别操作数据输入集合的其它实例也是可能的。
在框1106处,本地分析装置操作接着可运行健康状况指标模型。具体来说,本地分析装置可将所识别的操作数据集合输入到模型中,所述模型进而确定并输出在未来的给定时间范围内(例如,接下来的两周)发生至少一个故障的总体可能性。
在一些实施方案中,此操作可涉及本地分析装置将特定操作数据(例如,传感器及/或致动器数据)输入到健康状况指标模型的一或多个个别故障模型中,每一个别故障模型可输出个别概率。接着,本地分析装置可使用这些个别概率,可能根据健康状况指标模型将一些概率加权得多于其它概率,以确定在未来的给定时间范围内发生故障的总体可能性。
在确定发生故障的总体可能性之后,本地分析装置可将发生故障的概率转换成健康状况指标,所述健康状况指标可采取反映在未来的时间范围内(例如,两周)内将不会在资产102处发生故障的可能性的单个聚合参数的形式。在实例实施方案中,将故障概率转换成健康状况指标可涉及本地分析装置确定故障概率的补。具体来说,总体故障概率可采取从0到1的值的形式;健康状况指标可通过从1减去所述数字来确定。将故障概率转换成健康状况指标的其它实例也是可能的。
在资产本地执行预测模型之后,资产接着可基于所执行的预测模型的所得输出来执行对应工作流。通常,资产执行工作流可涉及本地分析装置致使在资产处执行操作(例如,通过向资产的机载系统中的一或多者发送指令)及/或本地分析装置致使例如分析系统108及/或输出系统110等计算系统执行远离资产的操作。如上所提及,工作流可采取各种形式,因此工作流可以各种方式执行。
例如,可使资产102在内部执行修改资产102的一些行为的一或多个操作,例如修改数据采集及/或发射方案、执行本地诊断工具、修改资产102的操作状况(例如,修改速度、加速度、风扇速度、螺旋桨角度、进气口等或经由资产102的一或多个致动器执行其它机械操作),或输出可能是健康状况相对较低指标或推荐的预防性动作的指示,所述预防性动作应当在资产102的用户接口处对资产102执行或对外部计算系统执行。
在另一实例中,资产102可向通信网络106上的系统(例如输出系统110)发射致使系统实行操作的指令,例如产生工作令或订购特定零件以用于维修资产102。在又另一实例中,资产102可与远程系统(例如分析系统108)进行通信,所述远程系统接着促进致使操作远离资产102发生。资产102本地执行工作流的其它实例也是可能的。
F.模型/工作流修改阶段
在另一方面中,分析系统108可实行修改阶段,在所述修改阶段期间,分析系统108基于新的资产数据修改部署的模型及/或工作流。可对聚合及个性化模型及工作流两者执行此阶段。
特定来说,当给定资产(例如,资产102)根据模型-工作流对操作时,资产102可向分析系统108提供操作数据及/或数据源112可向分析系统108提供与资产102相关的外部数据。至少基于此数据,分析系统108可修改资产102的模型及/或工作流及/或其它资产(例如资产104)的模型及/或工作流。在修改其它资产的模型及/或工作流时,分析系统108可共享从资产102的行为学习得到的信息。
实际上,分析系统108可以多种方式进行修改。图12是描绘可用于修改模型-工作流对的修改阶段的一个可能实例的流程图1200。出于说明目的,实例修改阶段被描述为由分析系统108实行,但是此修改阶段也可由其它系统实行。所属领域的一般技术人员将明白,出于清楚及解释目的提供流程图1200,且可利用操作的数个其它组合来修改模型-工作流对。
如图12中所示,在框1202处,分析系统108可接收分析系统108从其识别特定事件的发生的数据。数据可为源自资产102的操作数据或来自数据源112的与资产102相关的外部数据等数据。所述事件可采取上文讨论的任何事件的形式,例如资产102处的故障。
在其它实例实施方案中,事件可采取新的组件或子系统被添加到资产102的形式。另一事件可采取“领先指示符”事件的形式,这可能涉及资产102的传感器及/或致动器产生与在模型定义阶段期间在图7的框706处识别的数据不同(可能相差阈值差)的数据。此差可指示资产102具有高于或低于与资产102类似的资产的正常操作状况的操作状况。又另一事件可采取后面是一或多个领先指示符事件的事件的形式。
基于所识别的特定事件的发生及/或基础数据(例如,与资产102相关的操作数据及/或外部数据),分析系统108接着可修改聚合、预测模型及/或工作流及/或一或多个个性化预测模型及/或工作流。特定来说,在框1004处,分析系统108可确定是否修改聚合预测模型。分析系统108可由于许多原因而确定修改聚合预测模型。
例如,如果所识别的特定事件的发生是包含资产102在内的多个资产的第一次发生(例如在来自资产队伍的资产处第一次发生特定故障或第一次将特定的新组件添加到来自资产队伍的资产),那么分析系统108可修改聚合预测模型。
在另一实例中,如果与所识别的特定事件的发生相关联的数据不同于用于最初定义聚合模型的数据,那么分析系统108可进行修改。例如,所识别的特定事件的发生可能在先前不与特定事件的发生相关联的操作状况下发生(例如,特定故障可能在先前未在所述特定故障下测量的相关联传感器值下发生)。修改聚合模型的其它原因也是可能的。
如果分析系统108确定修改聚合预测模型,那么分析系统108可在框1006处这样做。否则,分析系统108可前进到框1008。
在框1206处,分析系统108可至少部分地基于在框1202处所接收的与资产102相关的数据来修改聚合模型。在实例实施方案中,可以各种方式(例如上文参考图5的框510讨论的任何方式)修改聚合模型。在其它实施方案中,聚合模型也可以其它方式修改。
在框1208处,分析系统108可接着确定是否修改聚合工作流。分析系统108可由于许多原因而修改聚合工作流。
例如,分析系统108可基于在框1204处是否修改聚合模型及/或在分析系统108处是否存在其它改变来修改聚合工作流。在其它实例中,尽管资产102执行聚合工作流,但如果在框1202处发生所识别的事件发生,那么分析系统108可修改聚合工作流。例如,如果工作流旨在帮助促进防止事件(例如,故障)的发生且工作流被正确执行,但是事件仍然发生,那么分析系统108可修改聚合工作流。修改聚合工作流的其它原因也是可能的。
如果分析系统108确定修改聚合工作流,那么分析系统108可在框1210处这样做。否则,分析系统108可前进到框1212。
在框1210处,分析系统108可至少部分地基于在框1202处所接收的与资产102相关的数据来修改聚合工作流。在实例实施方案中,可以各种方式(例如上文参考图5的框514讨论的任何方式)修改聚合工作流。在其它实施方案中,聚合模型也可以其它方式修改。
在框1212到框1218处,分析系统108可经配置以至少部分地基于在框1202处接收的与资产102相关的数据(例如,针对资产102及104中的每一者)修改一或多个个性化模型及/或(例如,针对资产102中的一个或资产104)修改一或多个个性化工作流。分析系统108可以类似于框1204到1210的方式来这样做。
然而,修改个性化模型或工作流的原因可能与聚合情况的原因不同。例如,分析系统108可进一步考虑首先用于定义个性化模型及/或工作流的基础资产特性。在特定实例中,如果所识别的特定事件的发生是具有资产102的资产特性的资产的此特定事件的第一次发生,那么分析系统108可修改个性化模型及/或工作流。修改个性化模型及/或工作流的其它原因也是可能的。
为了说明,图6D是修改的模型-工作流对630的概念说明。具体来说,模型-工作流对说明630是来自图6A的聚合模型-工作流对的修改版本。如所示,修改的模型-工作流对说明630包含来自图6A的模型输入602的原始列,且包含用于模型计算634、模型输出范围636及工作流操作638的修改列。在此实例中,修改的预测模型具有来自传感器A的单个输入数据,且具有两个计算值:计算值I及III。如果修改模型的输出概率小于75%,那么执行工作流操作1。如果输出概率在75%与85%之间,那么执行工作流操作2。且如果输出概率大于85%,那么执行工作流操作3。其它实例修改模型-工作流对在本文中是可能的且予以考虑。
返回到图12,在框1220处,分析系统108接着可向一或多个资产发射任何模型及/或工作流修改。例如,分析系统108可向资产102(例如,数据引起修改的资产)发射修改的个性化模型-工作流对且向资产104发射修改的聚合模型。以此方式,分析系统108可基于与资产102的操作相关联的数据来动态地修改模型及/或工作流,并将此类修改分配给多个资产,例如资产102所属的队伍。因此,其它资产可从源自资产102的数据中受益,因为其它资产的本地模型-工作流对可基于此数据被改进,由此帮助创建更加准确及稳健的模型-工作流对。
虽然上述修改阶段被讨论为由分析系统108执行,但是在实例实施方案中,资产102的本地分析装置可另外或替代地以与上文讨论的类似的方式实行修改阶段。例如,在一个实例中,当资产102通过利用由一或多个传感器及/或致动器产生的操作数据来操作时,本地分析装置可修改模型-工作流对。因此,资产102的本地分析装置、分析系统108或其一些组合可在资产相关状况改变时修改预测模型及/或工作流。以此方式,本地分析装置及/或分析系统108可基于其可用的最近的数据连续地调整模型-工作流对。
G.动态执行模型/工作流
在另一方面中,资产102及/或分析系统108可经配置以动态调整执行模型-工作流对。特定来说,资产102及/或分析系统108可经配置以检测触发关于资产102及/或分析系统108是否应执行预测模型及/或工作流的责任的改变的某些事件。
在操作中,资产102及分析系统108两者均可执行代表资产102的模型-工作流对的全部或部分。例如,在资产102从分析系统108接收模型-工作流对之后,资产102可将模型-工作流对存储在数据存储装置中,但是接着可依赖于分析系统108集中执行模型-工作对中的部分或全部。特定来说,资产102可向分析系统108提供至少传感器及/或致动器数据,分析系统108接着可使用此数据来集中执行资产102的预测模型。基于模型的输出,分析系统108接着可执行对应工作流,或分析系统108可向资产102发射模型的输出或使资产102本地执行工作流的指令。
在其它实例中,分析系统108可依赖于资产102来本地执行模型-工作流对中的部分或全部。具体来说,资产102可本地执行预测模型中的部分或全部,并将结果发射到分析系统108,所述结果接着可致使分析系统108集中执行对应工作流。或资产102也可本地执行对应工作流。
在又其它实例中,分析系统108及资产102可共享执行模型-工作流对的责任。例如,分析系统108可集中执行模型及/或工作流的部分,而资产102本地执行模型及/或工作流的其它部分。资产102及分析系统108可发射来自它们相应的已执行的责任的结果。其它实例也是可能的。
在某个时间点,资产102及/或分析系统108可确定应当调整模型-工作流对的执行。即,一或两者可确定执行责任应当被修改。此操作可以各种方式发生。
1.基于调整因子的动态执行
图13是描绘可用于调整模型-工作流对的执行的调整阶段的一个可能实例的流程图1300。出于说明目的,实例调整阶段被描述为由资产102及/或分析系统108实行,但是此修改阶段也可由其它系统实行。所属领域的一般技术人员将明白,出于清楚及解释目的提供流程图1100,且可利用操作的数个其它组合来调整模型-工作流对的执行。
在框1302处,资产102及/或分析系统108可检测调整因子(或潜在地多个调整因子),其指示需要对模型-工作流对的执行进行调整的状况。此类状况的实例包含通信网络106的网络状况或资产102及/或分析系统108的处理状况等等。实例网络状况可包含网络延迟、网络带宽、资产102与通信网络106之间的链路的信号强度,或网络性能的一些其它指示等等。实例处理状况可包含处理容量(例如,可用的处理能力)、处理使用量(例如,所消耗的处理能力的量)或处理能力的一些其它指示等等。
实际上,检测调整因子可以各种方式执行。例如,此操作可涉及确定网络(或处理)状况是否达到一或多个阈值或状况是否以某种方式改变。检测调整因子的其它实例也是可能的。
特定来说,在一些情况下,检测调整因子可涉及资产102及/或分析系统108检测到资产102与分析系统108之间的通信链路的信号强度低于阈值信号强度的指示或以某个变化率降低的指示。在此实例中,调整因子可指示资产102即将“离线”。
在另一种情况下,检测调整因子可另外或可替代地涉及资产102及/或分析系统108检测到网络延迟高于阈值延迟或以某个变化率增加的指示。或所述指示可为网络带宽低于阈值带宽或以某个变化率下降。在这些实例中,调整因子可指示通信网络106滞后。
在又其它情况下,检测调整因子可另外或替代地涉及资产102及/或分析系统108检测到处理容量低于特定阈值或以某个变化率降低及/或处理使用量高于阈值或以某个变化率增加的指示。在此类实例中,调整因子可指示资产102(及/或分析系统108)的处理能力较低。检测调整因子的其它实例也是可能的。
在框1304处,基于检测到的调整因子,可调整本地执行责任,这可以多种方式发生。例如,资产102可能已经检测到调整因子,且接着确定本地执行模型-工作流对或其部分。在一些情况下,资产102接着可向分析系统108发射资产102在本地执行预测模型及/或工作流的通知。
在另一实例中,分析系统108可能已经检测到调整因子,且接着向资产102发射指令以致使资产102本地执行模型-工作流对或其部分。基于所述指令,资产102接着可在本地执行模型-工作流对。
在框1306处,可调整集中执行责任,这可以多种方式发生。例如,可基于分析系统108检测到资产102在本地执行预测模型及/或工作流的指示来调整集中执行责任。分析系统108可以多种方式检测此指示。
在一些实例中,分析系统108可通过从资产102接收资产102在本地执行预测模型及/或工作流的通知来检测所述指示。通知可采取各种形式,例如二进制或文本,且可识别资产在本地执行的特定预测模型及/或工作流。
在其它实例中,分析系统108可基于资产102的所接收的操作数据来检测指示。具体来说,检测指示可涉及分析系统108接收资产102的操作数据,且接着检测所接收的数据的一或多个特性。根据所接收的数据的一或多个检测到的特性,分析系统108可推断出资产102在本地执行预测模型及/或工作流。
实际上,可以各种方式来执行检测所接收的数据的一或多个特性。例如,分析系统108可检测所接收的数据的类型。特定来说,分析系统108可检测数据源,例如产生传感器或致动器数据的特定传感器或致动器。基于所接收的数据的类型,分析系统108可推断出资产102在本地执行预测模型及/或工作流。例如,基于检测到特定传感器的传感器标识符,分析系统108可推断出资产102在本地执行预测模型及对应工作流,其导致资产102从特定传感器采集数据并向分析系统108发射所述数据。
在另一情况中,分析系统108可检测所接收的数据的量。分析系统108可将所述量与某个数据阈值量进行比较。基于所述量达到阈值量,分析系统108可推断出资产102正在本地执行致使资产102采集等于或大于阈值量的数据量的预测模型及/或工作流。其它实例也是可能的。
在实例实施方案中,检测所接收的数据的一或多个特性可涉及分析系统108检测所接收的数据的一或多个特性中的特定变化,例如所接收的数据的类型的变化、所接收的数据量的变化或接收数据的频率的变化。在特定实例中,所接收的数据的类型的变化可涉及分析系统108检测其正在接收的传感器数据源的改变(例如,正在产生被提供给分析系统108的数据的传感器及/或致动器的变化)。
在一些情况下,检测所接收的数据中的变化可涉及分析系统108将近期接收的数据与过去(例如,当前时间之前的一小时、一天、一周等)接收的数据进行比较。无论如何,基于检测到所接收的数据的一或多个特性的变化,分析系统108可推断出资产102在本地执行预测模型及/或工作流,其导致对由资产102提供到分析系统108的所述数据的此变化。
另外,分析系统108可基于在框1302处检测到调整因子来检测资产102在本地执行预测模型及/或工作流的指示。例如,如果分析系统108在框1302处检测到调整因子,那么分析系统108可向资产102发射致使资产102调整其本地执行责任的指令,且相应地,分析系统108可调整自己的集中执行责任。检测指示的其它实例也是可能的。
在实例实施方案中,可根据对本地执行责任的调整来调整集中执行责任。例如,如果资产102现在在本地执行预测模型,那么分析系统108可相应地停止集中执行预测模型(且可或可不中止执行对应工作流)。另外,如果资产102在本地执行对应工作流,那么分析系统108可相应地停止执行工作流(且可或可不停止集中执行预测模型)。其它实例也是可能的。
实际上,资产102及/或分析系统108可连续地执行框1302到1306的操作。有时,可调整本地及集中执行责任以促进优化模型-工作流对的执行。
另外,在一些实施方案中,资产102及/或分析系统108可基于检测到调整因子来执行其它操作。例如,基于通信网络106的状况(例如,带宽、延迟、信号强度或网络质量的另一指示),资产102可在本地执行特定工作流。分析系统108可基于分析系统108检测通信网络的状况提供特定工作流,所述特定工作流可能已经存储在资产102上,或可为已经存储在资产102上的工作流的修改版本(例如,资产102可在本地修改工作流)。在一些情况下,除其它可能的工作流操作外,特定工作流可包含增加或减少采样速率的数据采集方案及/或增加或减少被发射到分析系统108的数据的发射率或数量的数据发射方案。
在特定实例中,资产102可确定通信网络的一或多个检测到的状况已经达到相应的阈值(例如,指示网络质量不良)。基于此确定,资产102可在本地执行工作流,所述工作流包含根据数据发射方案发射数据,所述数据发射方案减少资产102发射到分析系统108的数据量及/或频率。其它实例也是可能的。
2.基于执行函数的动态执行
图14是描绘可用于确定是否本地执行预测模型的确定阶段的一个可能实例的流程图1400。出于说明的目的,实例确定阶段被描述为由耦合到资产102的本地分析装置220执行,但是此确定阶段也可由其它系统或装置实行。例如,在一些实施方案中,分析系统108可不向本地分析装置发射PSF,而是本身可确定本地分析装置是否应执行特定的预测模型,且接着相应地指示本地分析装置。所属领域的一般技术人员将明白,出于清楚及解释目的提供流程图1400,且可利用操作的数个其它组合来确定是否本地执行预测模型。
在框1402处,本地分析装置220可通过识别应执行的特定预测模型而开始。在一个实例实施例中,本地分析装置220可周期性地或不定期地执行存储在本地分析装置220上的资产102的多个预测模型。在执行给定的预测模型之前,本地分析装置220可通过将特定预测模型定位在其存储器存储装置中来识别所述模型。
另外或替代地,本地分析装置220可基于一或多个基于背景的触发来识别特定的预测模型,所述触发例如资产操作状况、触发异常状况指示符、一天当中的时间、资产102的位置等。作为一个特定实例,本地分析装置220可确定资产102的操作状况指示资产102正在开始偏离正常操作状况。基于此确定,本地分析装置220可从其存储在存储器中的多个模型中识别可帮助预测在未来的给定时间段内在资产102处是否可能发生特定故障的特定预测模型。各种其它实例也是可能的。
无论如何,在本地分析装置220识别出要执行的特定预测模型之后,其可接着识别与特定预测模型对应的一或多个PSF。此操作可涉及本地分析装置200利用查找表及/或基于特定预测模型的唯一标识符执行查询,以及各种其它实例操作。
在框1404处,本地分析装置220可任选地经配置以确定是否修改所标识的PSF中的一或多者。即,在一些实例实施例中,本地分析装置220可经配置以动态地修改PFS以尝试进一步优化特定预测模型的执行。实际上,修改给定的PSF可涉及修改PSF的任何参数(例如,图10中所示的事件表中的事件条目值中的任一者)、向PSF表达式添加额外参数、向PSF的输出添加值及/或整体修改PSF(例如,应用比例因子)以及其它可能性。本地分析装置220可出于各种原因修改给定的PSF。
在实例实施例中,本地分析装置220可基于一或多个动态因素来修改给定的PSF。作为一个实例,本地分析装置220可基于PSF的年限及/或特定的预测模型(例如,基于PSF及/或模型的“陈旧度”)来修改给定的PSF。例如,假设分析系统108具有特定预测模型及对应的PSF的最新版本(例如,精确及/或最佳)。相反,本地分析装置220可能具有模型或PSF中的任一者或两者的过时版本。因而,本地分析装置220可经配置以基于自从预测模型上一次更新以来、自从PFS上一次更新以来或其某个组合经过的时间量来修改本地分析装置的PSF(例如,通过降低预测精确度及/或增加成本)。在一些情况下,如果时间量超过阈值时间量,那么本地分析装置220可这样做。总之,在特定的实例实施例中,本地分析装置220可(a)基于自(a1)PSF所对应的预测模型及/或(a2)所述PSF更新以来的时间量来修改本地分析装置PSF,及(b)不修改分析系统PSF。其它实例也是可能的。
另一动态因素可能涉及网络状况。例如,本地分析装置220可基于通信网络106的状况(例如,带宽、延迟、信号强度或网络质量的另一指示)来修改给定的PSF。特定来说,当本地分析装置220检测到一或多个网络状况指示网络质量不佳时,本地分析装置220可修改与分析系统108对应的PSF(例如,通过增加所述PSF的成本及/或对所述PSF应用比例因子)。动态修改执行函数的各种其它原因也是可能的。
无论如何,本地分析装置220可经配置以执行所识别(且可能被修改)的PSF。例如,本地分析装置220可为其自身及分析系统108执行PSF。此后,在框1406处,本地分析装置220可经配置以确定是否在本地执行预测模型,这可以各种方式执行。
在实例实施例中,本地分析装置220可经配置以比较执行PSF的结果并识别特定预测模型的最佳执行。例如,这些操作可能涉及本地分析装置220比较性能分数并基于较好分数(例如,较低成本)确定执行的位置。具体来说,如果本地分析装置220的性能分数大于(或等于)分析系统108的性能分数(或阈值量更大),那么使本地分析装置220执行特定的预测模型可能是最优的。否则,如果本地分析装置220的性能分数小于分析系统108的性能分数(或阈值量更小),那么使分析系统108执行特定的预测模型可能是最优的。其它实例也是可能的。
如果本地分析装置220确定其应执行模型(例如,预测模型的最佳执行是由本地分析装置进行),那么在框1408处,本地分析装置220可执行预测模型,其可能根据以上讨论发生。
如果本地分析装置220反而确定分析系统108应执行所述模型,那么在框1410处,本地分析装置220可经配置以向分析系统108发送(a)分析系统108要执行特定的预测模型的指令及(b)来自资产102的用于执行模型的操作数据(例如,传感器及/或致动器信号数据)。分析系统108接着可执行特定的预测模型(例如,以类似于本地分析装置220如何执行所述模型的方式),并将集中执行特定预测模型的结果传回本地分析装置220。基于所述结果,本地分析装置220可接着执行各种操作,例如执行工作流或本文所揭示的任何其它操作。
在实例实施例中,本地分析装置220在本地执行其从分析系统108接收的一些或任何预测模型之前,其可执行关于图14所讨论的执行函数操作中的一些或全部。另外或替代地,本地分析装置220可在每次执行给定模型之前,在自从执行函数操作的上一次迭代以来经过某个时间量之后或周期性地(例如,每小时、每天、每周等)执行关于图14讨论的执行函数操作中的一些或全部,以及其它可能性。
V.实例方法
现在转到图15,描绘了说明用于定义及部署可由分析系统108执行的聚合、预测模型及对应工作流的实例方法1500的流程图。对于方法1500及下文讨论的其它方法,由流程图中的框所说明的操作可根据上述讨论来执行。另外,上文讨论的一或多个操作可被添加到给定的流程图。
在框1502处,方法1500可涉及分析系统108接收多个资产(例如资产102及104)的相应操作数据。在框1504处,方法1500可涉及分析系统108基于所接收的操作数据来定义与多个资产的操作相关的预测模型及对应工作流(例如,故障模型及对应工作流)。在框1506处,方法1500可涉及分析系统108向多个资产中的至少一个资产(例如,资产102)发射预测模型及对应工作流以供至少一个资产进行本地执行。
图16描绘了用于定义及部署可由分析系统108执行的个性化预测模型及/或对应工作流的实例方法1600的流程图。在框1602处,方法1600可涉及分析系统108接收多个资产的操作数据,其中多个资产至少包含第一资产(例如资产102)。在框1604处,方法1600可涉及分析系统108基于所接收的操作数据来定义与多个资产的操作相关的聚合预测模型及聚合对应工作流。在框1606处,方法1600可涉及分析系统108确定第一资产的一或多个特性。在框1608处,方法1600可涉及分析系统108基于第一资产的一或多个特性以及聚合预测模型及聚合对应工作流来定义与第一资产的操作相关的个性化预测模型或个性化对应工作流中的至少一者。在框1610处,方法1600可涉及分析系统108向第一资产发射所定义的至少一个个性化预测模型或个性化对应工作流以供第一资产进行本地执行。
图17描绘了用于动态地修改可由分析系统108执行的模型-工作流对的执行的实例方法1700的流程图。在框1702处,方法1700可涉及分析系统108向资产(例如,资产102)发射与资产的操作相关的预测模型及对应工作流以供资产进行本地执行。在框1704处,方法1700可涉及分析系统108检测资产在本地执行预测模型或对应工作流中的至少一者的指示。在框1706处,方法1700可涉及分析系统108基于检测到的指示来通过预测模型或对应工作流中的至少一者的计算系统来修改集中执行。
类似于方法1700,用于动态地修改模型-工作流对的执行的另一方法可由资产(例如资产102)执行。例如,此方法可涉及资产102从中央计算系统(例如,分析系统108)接收与资产102的操作相关的预测模型及对应工作流。所述方法还可涉及资产102检测指示与调整预测模型及对应工作流的执行相关联的一或多个状况的调整因子。所述方法可涉及基于检测到的调整因子(i)修改预测模型或对应工作流中的至少一者的资产102的本地执行,及(ii)向中央计算系统发射资产102在本地执行预测模型或对应工作流中的至少一者的指示以促进中央计算系统通过预测模型或对应工作流中的至少一者的计算系统修改集中执行。
图18描绘了例如由资产102的本地分析装置本地执行模型-工作流对的实例方法1800的流程图。在框1802处,方法1800可涉及本地分析装置经由网络接口接收与经由本地分析装置的资产接口耦合到本地分析装置的资产(例如,资产102)的操作相关的预测模型,其中预测模型由远离本地分析装置定位的计算系统(例如,分析系统108)基于多个资产的操作数据来定义。在框1804处,方法1800可涉及本地分析装置经由资产接口接收用于资产102的操作数据(例如,由一或多个传感器及/或致动器产生且可经由资产的中央处理单元间接地或直接从一或多个传感器及/或致动器接收的操作数据)。在框1806处,方法1800可涉及本地分析装置基于用于资产102的所接收的操作数据的至少部分来执行预测模型。在框1808处,方法1800可涉及本地分析装置基于执行预测模型来执行对应于预测模型的工作流,其中执行工作流包含经由资产接口致使资产102执行操作。
图19描绘了用于例如通过耦合到资产102的本地分析装置根据一或多个执行函数执行预测模型的实例方法1900的流程图。在框1902处,方法1900可涉及由本地分析装置识别要执行的预测模型。在框1904处,方法1900可涉及基于与所识别的预测模型对应的一或多个执行函数,确定本地分析装置是否应执行预测模型。在框1906处,方法1900可涉及如果本地分析装置应执行预测模型,那么由本地分析装置基于经由本地分析装置的资产接口接收的资产的操作数据执行预测模型。在框1908处,方法1900可涉及否则由本地分析装置向计算系统发射(i)用于使计算系统执行预测模型的指令,及(ii)经由资产接口接收的资产的操作数据,所述计算系统经配置以经由本地分析装置的网络接口监测远离本地分析装置定位的资产的操作状况。
图20描绘了用于定义预测模型及对应的执行函数且执行可由分析系统108执行的预测模型的实例方法2000的流程图。在框2002处,方法2000可涉及分析系统108定义对应于与资产的操作相关的先前定义的预测模型的一或多个执行函数。在框2004处,方法2000可涉及分析系统108向耦合到资产的本地分析装置发射定义的一或多个执行函数。在框2006处,方法2000可涉及分析系统108从本地分析装置接收(i)基于本地分析装置执行一或多个执行函数使分析系统108执行先前定义的预测模型的指令,及(ii)用于资产的操作数据。在框2008处,方法2000可涉及分析系统108利用所接收的操作数据来执行先前定义的预测模型。在框2010处,方法2000可涉及分析系统108向本地分析装置发射预测模型的执行结果。
VI.结论
上文已经描述了所揭示的创新的实例实施例。然而,所属领域技术人员将会理解,可对所描述的实施例进行改变及修改而不背离由权利要求界定的本发明的真实范围及精神。
另外,就本文中所描述的实例涉及由例如“人”、“操作者”、“用户”或其它实体等行动者执行或发起的操作来说,这仅仅是出于实例及解释的目的。权利要求不应被解释为要求此类行动者采取行动,除非在权利要求语言中明确叙述。
Claims (40)
1.一种计算系统,其包括:
至少一个处理器;
非暂时性计算机可读媒体;及
存储在所述非暂时性计算机可读媒体上的程序指令,所述程序指令可由所述至少一个处理器执行以致使所述计算系统执行以下操作:
定义与资产的操作相关的预测模型及对应工作流;
向所述资产发射所述预测模型及对应工作流以用于本地执行;
检测所述资产在本地执行所述预测模型或所述对应工作流中的至少一者的指示;及
基于所述检测到的指示,修改所述计算系统对所述预测模型或所述对应工作流中的至少一者的集中执行。
2.根据权利要求1所述的计算系统,其中检测所述指示包括:
接收所述资产的数据;及
检测所述所接收的数据的特性。
3.根据权利要求2所述的计算系统,其中检测所述所接收的数据的所述特性包括检测所述所接收的数据的类型的变化。
4.根据权利要求3所述的计算系统,其中所述所接收的数据包括由多个传感器或多个致动器中的至少一者产生的数据,且其中检测所述所接收的数据的所述类型的所述变化包括检测产生所述数据的所述多个传感器或所述多个致动器中的所述至少一者的变化。
5.根据权利要求2所述的计算系统,其中检测所述所接收的数据的所述特性包括检测所述所接收的数据的量的变化。
6.根据权利要求2所述的计算系统,其中检测所述所接收的数据的所述特性包括检测接收所述所接收的数据的频率的变化。
7.根据权利要求2所述的计算系统,其中所述所接收的数据包括由多个传感器或多个致动器中的至少一者产生的数据,且其中检测所述所接收的数据的所述特性包括检测识别产生所述数据的所述多个传感器中的给定传感器或所述多个致动器中的给定致动器中的一者的标识符。
8.根据权利要求1所述的计算系统,其中所述指示包括所述资产在本地执行至少所述预测模型的指示,且其中修改所述计算系统对所述预测模型或所述对应工作流中的至少一者的所述集中执行包括修改所述计算系统对至少所述预测模型的所述集中执行。
9.根据权利要求8所述的计算系统,其中修改所述计算系统对所述预测模型的所述集中执行包括停止执行所述预测模型。
10.根据权利要求1所述的计算系统,其中所述程序指令进一步包括可执行以致使所述计算系统执行以下操作的指令:
确定通信地耦合所述资产及所述计算系统的通信网络的特性;及
基于所述通信网络的所确定的特性,修改所述计算系统对所述预测模型或所述对应工作流中的至少一者的集中执行。
11.根据权利要求10所述的计算系统,其中所述通信的所述所确定的特性是信号强度。
12.一种上面存储有指令的非暂时性计算机可读媒体,所述指令可执行以致使计算系统执行以下操作:
定义与资产的操作相关的预测模型及对应工作流;
向所述资产发射所述预测模型及对应工作流以用于本地执行;
检测所述资产在本地执行所述预测模型或所述对应工作流中的至少一者的指示;及
基于所述检测到的指示,修改所述计算系统对所述预测模型或所述对应工作流中的至少一者的集中执行。
13.根据权利要求12所述的非暂时性计算机可读媒体,其中检测所述指示包括:
接收所述资产的数据;及
检测所述所接收的数据的特性。
14.根据权利要求13所述的非暂时性计算机可读媒体,其中检测所述所接收的数据的所述特性包括检测所述所接收的数据的类型的变化。
15.根据权利要求14所述的非暂时性计算机可读媒体,其中所述所接收的数据包括由多个传感器产生的传感器数据,且其中检测所述所接收的数据的所述类型的所述变化包括检测产生所述传感器数据的所述多个传感器的变化。
16.根据权利要求13所述的非暂时性计算机可读媒体,其中检测所述所接收的数据的所述特性包括检测所述所接收的数据的量的变化。
17.根据权利要求13所述的非暂时性计算机可读媒体,其中检测所述所接收的数据的所述特性包括检测接收所述所接收的数据的频率的变化。
18.一种计算机实施方法,其包括:
由计算系统定义与资产的操作相关的预测模型及对应工作流;
由所述计算系统向所述资产发射所述预测模型及对应工作流以供所述资产进行本地执行;
由所述计算系统检测所述资产在本地执行所述预测模型或所述对应工作流中的至少一者的指示;及
基于所述检测到的指示,修改所述计算系统对所述预测模型或所述对应工作流中的至少一者的集中执行。
19.根据权利要求18所述的计算机实施方法,其中所述指示包括所述资产在本地执行至少所述预测模型的指示,且修改计算系统对所述预测模型或所述对应工作流中的至少一者的所述集中执行包括修改所述计算系统对至少所述预测模型的所述集中执行。
20.根据权利要求19所述的计算机实施方法,其中修改所述计算系统对所述预测模型的所述集中执行包括停止执行所述预测模型。
21.一种经配置以监测资产的操作状况的本地分析装置,所述本地分析装置包括:
资产接口,其经配置以将所述本地分析装置耦合到所述资产;
网络接口,其经配置以促进所述本地分析装置与计算系统之间的通信;所述计算系统(i)经配置以监测所述资产的操作状况且(ii)远离所述本地分析装置定位;
至少一个处理器;
非暂时性计算机可读媒体;及
存储在所述非暂时性计算机可读媒体上的程序指令,所述程序指令可由所述至少一个处理器执行以致使所述本地分析装置执行以下操作:
识别与要执行的所述资产的操作相关的预测模型;
基于与所述所识别的预测模型对应的一或多个执行函数,确定所述本地分析装置是否应执行所述预测模型;
如果所述本地分析装置应执行所述预测模型,那么基于经由所述资产接口接收的所述资产的操作数据执行所述预测模型;且
否则,经由所述网络接口向所述计算系统发射(i)用于使所述计算系统执行所述预测模型的指令,及(ii)经由所述资产接口接收的所述资产的操作数据。
22.根据权利要求21所述的本地分析装置,其中所述所识别的预测模型是第一预测模型,且其中存储在所述非暂时性计算机可读媒体上的所述程序指令进一步可由所述至少一个处理器执行以致使所述本地分析装置:
在识别所述第一预测模型之前,经由所述网络接口从所述计算系统接收包括所述第一预测模型的多个预测模型,其中所述多个预测模型中的每一者对应于在未来的给定时间段内在所述资产处将发生特定故障的可能性。
23.根据权利要求21所述的本地分析装置,其中所述一或多个执行函数包括所述本地分析装置的第一性能分数函数及所述计算系统的第二性能分数函数,且其中确定所述本地分析装置是否应执行所述预测模型是基于所述本地分析装置的第一性能分数及所述计算系统的第二性能分数。
24.根据权利要求23所述的本地分析装置,其中所述第一性能分数包括与所述本地分析装置执行所述预测模型相关联的第一预期值,且其中所述第二性能分数包括与所述计算系统执行所述预测模型相关联的第二预期值。
25.根据权利要求23所述的本地分析装置,其中确定所述本地分析装置是否应执行所述预测模型包括:
(i)执行所述第一性能分数函数以确定所述第一性能分数,及(ii)执行所述第二性能分数函数以确定所述第二性能分数;及
将所述第一性能分数与所述第二性能分数进行比较。
26.根据权利要求25所述的本地分析装置,其中确定所述本地分析装置是否应执行所述预测模型包括:
基于所述比较,当所述第一性能分数大于或等于所述第二性能分数时,确定应由所述本地分析装置执行所述预测模型。
27.根据权利要求25所述的本地分析装置,其中确定所述本地分析装置是否应执行所述预测模型包括:
基于所述比较,当所述第一性能分数比所述第二性能分数大阈值量以上时,确定应由所述本地分析装置执行所述预测模型。
28.根据权利要求25所述的本地分析装置,其中存储在所述非暂时性计算机可读媒体上的所述程序指令进一步可由所述至少一个处理器执行以致使所述本地分析装置:
在确定所述本地分析装置是否应执行所述预测模型之前,经由所述网络接口从所述计算系统接收所述第一及第二性能分数函数,其中所述第一及第二性能分数函数对应于所识别的预测模型,且由所述计算系统定义。
29.根据权利要求21所述的本地分析装置,其中经由所述资产接口接收的所述资产的所述操作数据包括来自以下项的信号数据:(i)所述资产的至少一个传感器、(ii)所述资产的至少一个致动器或(iii)所述资产的至少一个传感器及所述资产的至少一个致动器。
30.根据权利要求21所述的本地分析装置,其中存储在所述非暂时性计算机可读媒体上的所述程序指令进一步可由所述至少一个处理器执行以致使所述本地分析装置:
在确定所述本地分析装置是否应执行所述预测模型之前,基于一或多个动态因素修改所述一或多个执行函数。
31.根据权利要求30所述的本地分析装置,其中所述本地分析装置与所述计算系统经由广域网通信地耦合,且其中所述一或多个动态因素包括以下至少一者:(i)自从更新所述一或多个执行函数以来的时间量,(ii)自从更新所述预测模型以来的时间量,或(iii)所述广域网的一或多个网络状况。
32.一种上面存储有指令的非暂时性计算机可读媒体,所述指令可执行以使经由本地分析装置的资产接口耦合到资产的所述本地分析装置:
识别与要执行的所述资产的操作相关的预测模型;
基于与所述所识别的预测模型对应的一或多个执行函数,确定所述本地分析装置是否应执行所述预测模型;
如果所述本地分析装置应执行所述预测模型,那么基于经由所述资产接口接收的所述资产的操作数据执行所述预测模型;且
否则,向计算系统发射(i)用于使所述计算系统执行所述预测模型的指令,及(ii)经由所述资产接口接收的所述资产的操作数据,所述计算系统经配置以监测所述资产的操作状况且无线地耦合到所述本地分析装置。
33.根据权利要求32所述的非暂时性计算机可读媒体,其中确定所述本地分析装置是否应执行所述预测模型包括:
(i)执行所述第一性能分数函数以确定所述本地分析装置的第一性能分数,及
(ii)执行所述第二性能分数函数以确定所述计算系统的第二性能分数;及
将所述第一性能分数与所述第二性能分数进行比较。
34.根据权利要求33所述的非暂时性计算机可读媒体,其中确定所述本地分析装置是否应执行所述预测模型包括:
基于所述比较,当所述第一性能分数大于或等于所述第二性能分数时,确定应由所述本地分析装置执行所述预测模型。
35.根据权利要求33所述的非暂时性计算机可读媒体,其中确定所述本地分析装置是否应执行所述预测模型包括:
基于所述比较,当所述第一性能分数比所述第二性能分数大阈值量以上时,确定应由所述本地分析装置执行所述预测模型。
36.根据权利要求32所述的非暂时性计算机可读媒体,其中所述指令进一步可执行以致使所述本地分析装置:
在确定所述本地分析装置是否应执行所述预测模型之前,基于一或多个动态因素修改所述一或多个执行函数。
37.根据权利要求36所述的非暂时性计算机可读媒体,其中所述本地分析装置与所述计算系统经由广域网无线通信地耦合,且其中所述一或多个动态因素包括以下至少一者:(i)自从更新所述一或多个执行函数以来的时间量,(ii)自从更新所述预测模型以来的时间量,或(iii)所述广域网的一或多个网络状况。
38.一种用于促进与耦合到本地分析装置的资产的操作相关的预测模型的最佳执行的方法,所述方法包括:
由所述本地分析装置识别要执行的所述预测模型;
基于与所述所识别的预测模型对应的一或多个执行函数,确定所述本地分析装置是否应执行所述预测模型;
如果所述本地分析装置应执行所述预测模型,那么由所述本地分析装置基于经由所述本地分析装置的资产接口接收的所述资产的操作数据执行所述预测模型;且
否则,由所述本地分析装置向计算系统发射(i)用于致使所述计算系统执行所述预测模型的指令,及(ii)经由所述资产接口接收的所述资产的操作数据,所述计算系统经配置以经由所述本地分析装置的网络接口监测远离所述本地分析装置定位的所述资产的操作状况。
39.根据权利要求38所述的方法,其进一步包括:
在确定所述本地分析装置是否应执行所述预测模型之前,基于一或多个动态因素修改所述一或多个执行函数。
40.根据权利要求38所述的方法,其中确定所述本地分析装置是否应执行所述预测模型包括:
(i)执行所述第一性能分数函数以确定所述本地分析装置的第一性能分数,及
(ii)执行所述第二性能分数函数以确定所述计算系统的第二性能分数;及
将所述第一性能分数与所述第二性能分数进行比较。
Applications Claiming Priority (7)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US14/744,362 US10176279B2 (en) | 2015-06-05 | 2015-06-19 | Dynamic execution of predictive models and workflows |
US14/744,362 | 2015-06-19 | ||
US14/963,207 | 2015-12-08 | ||
US14/963,207 US10254751B2 (en) | 2015-06-05 | 2015-12-08 | Local analytics at an asset |
US15/185,524 US10579750B2 (en) | 2015-06-05 | 2016-06-17 | Dynamic execution of predictive models |
US15/185,524 | 2016-06-17 | ||
PCT/US2016/038261 WO2016205766A1 (en) | 2015-06-19 | 2016-06-18 | Dynamic execution of predictive models |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107851057A true CN107851057A (zh) | 2018-03-27 |
Family
ID=57546590
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201680043853.0A Withdrawn CN107851057A (zh) | 2015-06-19 | 2016-06-18 | 预测模型的动态执行 |
Country Status (9)
Country | Link |
---|---|
US (1) | US10579750B2 (zh) |
EP (1) | EP3311276A4 (zh) |
JP (1) | JP2018524704A (zh) |
KR (1) | KR20180010321A (zh) |
CN (1) | CN107851057A (zh) |
AU (1) | AU2016279079A1 (zh) |
CA (1) | CA2990010A1 (zh) |
HK (1) | HK1251689A1 (zh) |
WO (1) | WO2016205766A1 (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109947079A (zh) * | 2019-03-20 | 2019-06-28 | 阿里巴巴集团控股有限公司 | 基于边缘计算的区域异常检测方法和边缘计算设备 |
CN110765098A (zh) * | 2019-09-02 | 2020-02-07 | 北京东软望海科技有限公司 | 流程运行预测系统及方法 |
CN111723968A (zh) * | 2019-03-21 | 2020-09-29 | 罗伯特·博世有限公司 | 使用故障预测模型监视操作过程 |
CN114223002A (zh) * | 2019-08-07 | 2022-03-22 | 普雷科格奈兹公司 | 用于基于在相关事件中识别传感器组合中的显著变化来改进资产操作的方法和系统 |
Families Citing this family (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10176032B2 (en) * | 2014-12-01 | 2019-01-08 | Uptake Technologies, Inc. | Subsystem health score |
US10776706B2 (en) * | 2016-02-25 | 2020-09-15 | Honeywell International Inc. | Cost-driven system and method for predictive equipment failure detection |
US20180046475A1 (en) * | 2016-08-11 | 2018-02-15 | Twitter, Inc. | Detecting scripted or otherwise anomalous interactions with social media platform |
US10769549B2 (en) * | 2016-11-21 | 2020-09-08 | Google Llc | Management and evaluation of machine-learned models based on locally logged data |
US10956821B2 (en) * | 2016-11-29 | 2021-03-23 | International Business Machines Corporation | Accurate temporal event predictive modeling |
US10379898B2 (en) * | 2017-03-24 | 2019-08-13 | International Business Machines Corporation | Virtual machine consolidation |
US10423473B2 (en) * | 2017-04-18 | 2019-09-24 | United Technologies Corporation | Fault-accommodating, constrained model-based control using on-board methods for detection of and adaption to actuation subsystem faults |
WO2018210876A1 (en) * | 2017-05-16 | 2018-11-22 | Tellmeplus | Process and system for remotely generating and transmitting a local device state predicting method |
JP6844468B2 (ja) * | 2017-08-09 | 2021-03-17 | 富士通株式会社 | データ生成プログラム、データ生成方法及びデータ生成装置 |
US10721142B1 (en) * | 2018-03-08 | 2020-07-21 | Palantir Technologies Inc. | Computer network troubleshooting |
US11604441B2 (en) | 2018-06-15 | 2023-03-14 | Johnson Controls Tyco IP Holdings LLP | Automatic threshold selection of machine learning/deep learning model for anomaly detection of connected chillers |
US11859846B2 (en) | 2018-06-15 | 2024-01-02 | Johnson Controls Tyco IP Holdings LLP | Cost savings from fault prediction and diagnosis |
US10984154B2 (en) * | 2018-12-27 | 2021-04-20 | Utopus Insights, Inc. | System and method for evaluating models for predictive failure of renewable energy assets |
US11084387B2 (en) * | 2019-02-25 | 2021-08-10 | Toyota Research Institute, Inc. | Systems, methods, and storage media for arranging a plurality of cells in a vehicle battery pack |
US11288601B2 (en) * | 2019-03-21 | 2022-03-29 | International Business Machines Corporation | Self-learning selection of information-analysis runtimes |
EP3796109A1 (en) * | 2019-09-18 | 2021-03-24 | Siemens Aktiengesellschaft | System, apparatus and method for predicting attributes of an asset |
CN111027217B (zh) * | 2019-12-11 | 2023-03-24 | 中国船舶重工集团海装风电股份有限公司 | 一种风电机组载荷计算方法、装置、设备及存储介质 |
US12039467B2 (en) * | 2020-05-20 | 2024-07-16 | Caterpillar Inc. | Collaborative system and method for validating equipment failure models in an analytics crowdsourcing environment |
EP3916555A1 (de) * | 2020-05-27 | 2021-12-01 | Gestalt Robotics GmbH | Verfahren und vorrichtungen zur latenzkompensation |
EP3923214A1 (en) | 2020-06-08 | 2021-12-15 | ABB Power Grids Switzerland AG | Method and computing system for performing a prognostic health analysis for an asset |
US20220187819A1 (en) * | 2020-12-10 | 2022-06-16 | Hitachi, Ltd. | Method for event-based failure prediction and remaining useful life estimation |
US11378032B1 (en) * | 2021-03-26 | 2022-07-05 | Caterpillar Inc. | Method and system for moving horizon estimation for machine control |
JP2023090412A (ja) * | 2021-12-17 | 2023-06-29 | 株式会社日立産機システム | 通信システム、管理装置及び端末 |
US12007832B2 (en) | 2022-02-25 | 2024-06-11 | Bank Of America Corporation | Restoring a system by load switching to an alternative cloud instance and self healing |
US12061465B2 (en) | 2022-02-25 | 2024-08-13 | Bank Of America Corporation | Automatic system anomaly detection |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100152878A1 (en) * | 2008-12-16 | 2010-06-17 | Industrial Technology Research Institute | System for maintaining and analyzing manufacturing equipment and method thereof |
US20110004419A1 (en) * | 2009-07-01 | 2011-01-06 | Kohji Ue | Apparatus, system, and method of determining apparatus state |
US20120092180A1 (en) * | 2010-05-14 | 2012-04-19 | Michael Rikkola | Predictive analysis for remote machine monitoring |
US20130268935A1 (en) * | 2012-04-06 | 2013-10-10 | Accenture Global Services Limited | Adaptive architecture for a mobile application based on rich application, process, and resource contexts and deployed in resource constrained environments |
WO2014145977A1 (en) * | 2013-03-15 | 2014-09-18 | Bates Alexander B | System and methods for automated plant asset failure detection |
CN104966136A (zh) * | 2015-06-25 | 2015-10-07 | 北京慧点科技有限公司 | 一种流程执行动态预测方法 |
Family Cites Families (148)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5633800A (en) | 1992-10-21 | 1997-05-27 | General Electric Company | Integrated model-based reasoning/expert system diagnosis for rotating machinery |
US5566092A (en) | 1993-12-30 | 1996-10-15 | Caterpillar Inc. | Machine fault diagnostics system and method |
JP3366837B2 (ja) | 1997-08-15 | 2003-01-14 | 株式会社小松製作所 | 機械の異常監視装置および方法 |
US6473659B1 (en) | 1998-04-10 | 2002-10-29 | General Electric Company | System and method for integrating a plurality of diagnostic related information |
US6622264B1 (en) | 1999-10-28 | 2003-09-16 | General Electric Company | Process and system for analyzing fault log data from a machine so as to identify faults predictive of machine failures |
US6947797B2 (en) | 1999-04-02 | 2005-09-20 | General Electric Company | Method and system for diagnosing machine malfunctions |
US6336065B1 (en) | 1999-10-28 | 2002-01-01 | General Electric Company | Method and system for analyzing fault and snapshot operational parameter data for diagnostics of machine malfunctions |
US7783507B2 (en) | 1999-08-23 | 2010-08-24 | General Electric Company | System and method for managing a fleet of remote assets |
US20110208567A9 (en) | 1999-08-23 | 2011-08-25 | Roddy Nicholas E | System and method for managing a fleet of remote assets |
US6442542B1 (en) | 1999-10-08 | 2002-08-27 | General Electric Company | Diagnostic system with learning capabilities |
US6615367B1 (en) | 1999-10-28 | 2003-09-02 | General Electric Company | Method and apparatus for diagnosing difficult to diagnose faults in a complex system |
US7020595B1 (en) | 1999-11-26 | 2006-03-28 | General Electric Company | Methods and apparatus for model based diagnostics |
US6650949B1 (en) | 1999-12-30 | 2003-11-18 | General Electric Company | Method and system for sorting incident log data from a plurality of machines |
US6634000B1 (en) | 2000-02-01 | 2003-10-14 | General Electric Company | Analyzing fault logs and continuous data for diagnostics for a locomotive |
US6725398B1 (en) | 2000-02-11 | 2004-04-20 | General Electric Company | Method, system, and program product for analyzing a fault log of a malfunctioning machine |
US20030126258A1 (en) | 2000-02-22 | 2003-07-03 | Conkright Gary W. | Web based fault detection architecture |
US6957172B2 (en) | 2000-03-09 | 2005-10-18 | Smartsignal Corporation | Complex signal decomposition and modeling |
US6775641B2 (en) | 2000-03-09 | 2004-08-10 | Smartsignal Corporation | Generalized lensing angular similarity operator |
US7739096B2 (en) | 2000-03-09 | 2010-06-15 | Smartsignal Corporation | System for extraction of representative data for training of adaptive process monitoring equipment |
US6952662B2 (en) | 2000-03-30 | 2005-10-04 | Smartsignal Corporation | Signal differentiation system using improved non-linear operator |
US6799154B1 (en) | 2000-05-25 | 2004-09-28 | General Electric Comapny | System and method for predicting the timing of future service events of a product |
EP1164550B1 (en) | 2000-06-16 | 2008-12-03 | Ntn Corporation | Machine component monitoring, diagnosing and selling system |
US6760631B1 (en) | 2000-10-04 | 2004-07-06 | General Electric Company | Multivariable control method and system without detailed prediction model |
US20020091972A1 (en) | 2001-01-05 | 2002-07-11 | Harris David P. | Method for predicting machine or process faults and automated system for implementing same |
US6859739B2 (en) | 2001-01-19 | 2005-02-22 | Smartsignal Corporation | Global state change indicator for empirical modeling in condition based monitoring |
US7233886B2 (en) | 2001-01-19 | 2007-06-19 | Smartsignal Corporation | Adaptive modeling of changed states in predictive condition monitoring |
US7373283B2 (en) | 2001-02-22 | 2008-05-13 | Smartsignal Corporation | Monitoring and fault detection system and method using improved empirical model for range extrema |
US20020183971A1 (en) | 2001-04-10 | 2002-12-05 | Wegerich Stephan W. | Diagnostic systems and methods for predictive condition monitoring |
US7539597B2 (en) | 2001-04-10 | 2009-05-26 | Smartsignal Corporation | Diagnostic systems and methods for predictive condition monitoring |
US6643600B2 (en) | 2001-04-26 | 2003-11-04 | General Electric Company | Method and system for assessing adjustment factors in testing or monitoring process |
WO2002090669A1 (fr) | 2001-05-08 | 2002-11-14 | Hitachi Construction Machinery Co., Ltd | Machine-outil, son systeme de diagnostic de panne et son systeme d'entretien |
US7107491B2 (en) | 2001-05-16 | 2006-09-12 | General Electric Company | System, method and computer product for performing automated predictive reliability |
US6975962B2 (en) | 2001-06-11 | 2005-12-13 | Smartsignal Corporation | Residual signal alert generation for condition monitoring using approximated SPRT distribution |
US7457732B2 (en) | 2001-08-17 | 2008-11-25 | General Electric Company | System and method for measuring quality of baseline modeling techniques |
US7428478B2 (en) | 2001-08-17 | 2008-09-23 | General Electric Company | System and method for improving accuracy of baseline models |
CA2471013C (en) | 2001-12-19 | 2011-07-26 | David Helsper | Method and system for analyzing and predicting the behavior of systems |
US6892163B1 (en) | 2002-03-08 | 2005-05-10 | Intellectual Assets Llc | Surveillance system and method having an adaptive sequential probability fault detection test |
US7660705B1 (en) | 2002-03-19 | 2010-02-09 | Microsoft Corporation | Bayesian approach for learning regression decision graph models and regression models for time series analysis |
US8176186B2 (en) | 2002-10-30 | 2012-05-08 | Riverbed Technology, Inc. | Transaction accelerator for client-server communications systems |
PT1579288T (pt) | 2002-11-04 | 2017-06-23 | Ge Intelligent Platforms Inc | Monitorização do estado do sistema utilizando máquina de aprendizagem local recorrente |
US6823253B2 (en) | 2002-11-27 | 2004-11-23 | General Electric Company | Methods and apparatus for model predictive control of aircraft gas turbine engines |
JP4333331B2 (ja) | 2002-12-20 | 2009-09-16 | セイコーエプソン株式会社 | 故障予測システム及び故障予測プログラム並びに故障予測方法 |
US7634384B2 (en) | 2003-03-18 | 2009-12-15 | Fisher-Rosemount Systems, Inc. | Asset optimization reporting in a process plant |
US20040243636A1 (en) | 2003-03-18 | 2004-12-02 | Smartsignal Corporation | Equipment health monitoring architecture for fleets of assets |
US7054706B2 (en) | 2003-06-30 | 2006-05-30 | Intel Corporation | Managing supply chains with model predictive control |
EP1652138A4 (en) | 2003-07-11 | 2006-12-06 | Computer Ass Think Inc | MODELING APPLICATIONS AND COMPANY PROCESS SERVICES THROUGH AN AUTO DISCOVERY ANALYSIS |
US7181370B2 (en) | 2003-08-26 | 2007-02-20 | Siemens Energy & Automation, Inc. | System and method for remotely obtaining and managing machine data |
US7127371B2 (en) | 2003-10-08 | 2006-10-24 | Ge Medical Systems Information | Customized medical equipment preventative maintenance method and system |
EP1698117B1 (en) | 2003-12-23 | 2013-04-17 | TELEFONAKTIEBOLAGET LM ERICSSON (publ) | Method and system for efficient routing in ad hoc networks |
CA2796914C (en) | 2004-01-09 | 2017-08-01 | United Parcel Service Of America, Inc. | System, method and apparatus for collecting telematics and sensor information in a delivery vehicle |
US7062370B2 (en) | 2004-03-30 | 2006-06-13 | Honeywell International Inc. | Model-based detection, diagnosis of turbine engine faults |
US7447666B2 (en) | 2004-04-09 | 2008-11-04 | The Boeing Company | System and method for analyzing a pattern in a time-stamped event sequence |
US7280941B2 (en) | 2004-12-29 | 2007-10-09 | General Electric Company | Method and apparatus for in-situ detection and isolation of aircraft engine faults |
US7640145B2 (en) | 2005-04-25 | 2009-12-29 | Smartsignal Corporation | Automated model configuration and deployment system for equipment health monitoring |
US7536364B2 (en) | 2005-04-28 | 2009-05-19 | General Electric Company | Method and system for performing model-based multi-objective asset optimization and decision-making |
US9846479B1 (en) | 2005-05-30 | 2017-12-19 | Invent.Ly, Llc | Smart security device with monitoring mode and communication mode |
JP5043839B2 (ja) | 2005-07-11 | 2012-10-10 | ブルックス オートメーション インコーポレイテッド | 予知保全用インテリジェント状態監視及び障害診断システム |
US7509235B2 (en) | 2005-08-31 | 2009-03-24 | General Electric Company | Method and system for forecasting reliability of assets |
JP4717579B2 (ja) | 2005-09-30 | 2011-07-06 | 株式会社小松製作所 | 作業機械のメンテナンス作業管理システム |
US7869908B2 (en) | 2006-01-20 | 2011-01-11 | General Electric Company | Method and system for data collection and analysis |
US7509537B1 (en) | 2006-02-02 | 2009-03-24 | Rockwell Collins, Inc. | Prognostic processor system for real-time failure analysis of line replaceable units |
US7496798B2 (en) | 2006-02-14 | 2009-02-24 | Jaw Link | Data-centric monitoring method |
US7693608B2 (en) | 2006-04-12 | 2010-04-06 | Edsa Micro Corporation | Systems and methods for alarm filtering and management within a real-time data acquisition and monitoring environment |
US7949436B2 (en) | 2006-05-19 | 2011-05-24 | Oracle America, Inc. | Method and apparatus for automatically detecting and correcting misalignment of a semiconductor chip |
US20080059120A1 (en) | 2006-08-30 | 2008-03-06 | Fei Xiao | Using fault history to predict replacement parts |
US20080059080A1 (en) | 2006-08-31 | 2008-03-06 | Caterpillar Inc. | Method and system for selective, event-based communications |
US8275577B2 (en) | 2006-09-19 | 2012-09-25 | Smartsignal Corporation | Kernel-based method for detecting boiler tube leaks |
US7725293B2 (en) | 2006-12-07 | 2010-05-25 | General Electric Company | System and method for equipment remaining life estimation |
US8311774B2 (en) | 2006-12-15 | 2012-11-13 | Smartsignal Corporation | Robust distance measures for on-line monitoring |
US7548830B2 (en) | 2007-02-23 | 2009-06-16 | General Electric Company | System and method for equipment remaining life estimation |
US20080221834A1 (en) | 2007-03-09 | 2008-09-11 | General Electric Company | Method and system for enhanced fault detection workflow |
US8145578B2 (en) | 2007-04-17 | 2012-03-27 | Eagel View Technologies, Inc. | Aerial roof estimation system and method |
US8229769B1 (en) | 2007-06-13 | 2012-07-24 | United Services Automobile Association | Systems and methods for processing overhead imagery |
KR101491196B1 (ko) | 2007-08-03 | 2015-02-06 | 스마트시그널 코포레이션 | 결함 패턴 매칭을 위한 퍼지 분류 접근 |
US7919940B2 (en) | 2007-10-21 | 2011-04-05 | Ge Intelligent Platforms, Inc. | System and method for jerk limited trajectory planning for a path planner |
US8050800B2 (en) | 2007-10-21 | 2011-11-01 | Ge Intelligent Platforms, Inc. | Method and system for meeting end conditions in a motion control system |
US7962240B2 (en) | 2007-12-20 | 2011-06-14 | Ge Intelligent Platforms, Inc. | Methods and systems for synchronizing a control signal of a slave follower with a master source |
JP2009206850A (ja) | 2008-02-28 | 2009-09-10 | Fuji Xerox Co Ltd | 故障診断装置およびプログラム |
US8352216B2 (en) | 2008-05-29 | 2013-01-08 | General Electric Company | System and method for advanced condition monitoring of an asset system |
US7756678B2 (en) | 2008-05-29 | 2010-07-13 | General Electric Company | System and method for advanced condition monitoring of an asset system |
US7822578B2 (en) | 2008-06-17 | 2010-10-26 | General Electric Company | Systems and methods for predicting maintenance of intelligent electronic devices |
US8285402B2 (en) | 2008-07-14 | 2012-10-09 | Ge Intelligent Platforms, Inc. | Method and system for safety monitored terminal block |
KR101044074B1 (ko) | 2008-12-24 | 2011-06-27 | 동국대학교기술지주 주식회사 | 공간 공개념 기반의 시설 자산 관리 시스템 및 방법 |
KR20100076708A (ko) | 2008-12-26 | 2010-07-06 | 한국건설기술연구원 | 공공시설물 자산관리정보 시스템 |
WO2010082322A1 (ja) | 2009-01-14 | 2010-07-22 | 株式会社日立製作所 | 装置異常監視方法及びシステム |
US8024069B2 (en) | 2009-01-28 | 2011-09-20 | Ge Intelligent Platforms, Inc. | System and method for path planning |
US8989887B2 (en) | 2009-02-11 | 2015-03-24 | Applied Materials, Inc. | Use of prediction data in monitoring actual production targets |
WO2011104760A1 (ja) | 2010-02-26 | 2011-09-01 | 株式会社 日立製作所 | 故障原因診断システムおよびその方法 |
EP2375637A1 (en) | 2010-03-22 | 2011-10-12 | British Telecommunications Public Limited Company | Network routing adaptation based on failure prediction |
US8234420B2 (en) | 2010-07-14 | 2012-07-31 | Ge Intelligent Platforms, Inc. | Method, system, and apparatus for communicating using multiple controllers |
US8532795B2 (en) | 2010-10-04 | 2013-09-10 | General Electric Company | Method and system for offline code validation |
CN103502899B (zh) | 2011-01-26 | 2016-09-28 | 谷歌公司 | 动态预测建模平台 |
US8862938B2 (en) | 2011-04-18 | 2014-10-14 | General Electric Company | System, method, and apparatus for resolving errors in a system |
WO2012145616A2 (en) | 2011-04-20 | 2012-10-26 | The Cleveland Clinic Foundation | Predictive modeling |
US8594982B2 (en) | 2011-06-09 | 2013-11-26 | Pulsar Informatics, Inc. | Systems and methods for distributed calculation of fatigue-risk prediction and optimization |
US8620853B2 (en) | 2011-07-19 | 2013-12-31 | Smartsignal Corporation | Monitoring method using kernel regression modeling with pattern sequences |
US8660980B2 (en) | 2011-07-19 | 2014-02-25 | Smartsignal Corporation | Monitoring system using kernel regression modeling with pattern sequences |
US9256224B2 (en) | 2011-07-19 | 2016-02-09 | GE Intelligent Platforms, Inc | Method of sequential kernel regression modeling for forecasting and prognostics |
GB2494416A (en) | 2011-09-07 | 2013-03-13 | Rolls Royce Plc | Asset Condition Monitoring Using Internal Signals Of The Controller |
US8560494B1 (en) | 2011-09-30 | 2013-10-15 | Palantir Technologies, Inc. | Visual data importer |
US20140309878A1 (en) | 2013-04-15 | 2014-10-16 | Flextronics Ap, Llc | Providing gesture control of associated vehicle functions across vehicle zones |
US8626385B2 (en) | 2012-03-15 | 2014-01-07 | Caterpillar Inc. | Systems and methods for analyzing machine performance |
US9051945B2 (en) | 2012-04-30 | 2015-06-09 | Caterpillar Inc. | System and method for identifying impending hydraulic pump failure |
US8850000B2 (en) | 2012-05-08 | 2014-09-30 | Electro-Motive Diesel, Inc. | Trigger-based data collection system |
US20130325502A1 (en) | 2012-06-05 | 2013-12-05 | Ari Robicsek | System and method for providing syndrome-specific, weighted-incidence treatment regimen recommendations |
US9234750B2 (en) | 2012-07-30 | 2016-01-12 | Caterpillar Inc. | System and method for operating a machine |
US20140060030A1 (en) | 2012-08-31 | 2014-03-06 | Caterpillar Inc. | Hydraulic accumulator health monitor |
US9960929B2 (en) | 2012-09-21 | 2018-05-01 | Google Llc | Environmental sensing with a doorbell at a smart-home |
CN104823194B (zh) | 2012-09-24 | 2017-07-28 | 卡特彼勒公司 | 采矿作业控制和审查 |
US9176183B2 (en) | 2012-10-15 | 2015-11-03 | GlobalFoundries, Inc. | Method and system for wafer quality predictive modeling based on multi-source information with heterogeneous relatedness |
US9613413B2 (en) | 2012-10-17 | 2017-04-04 | Caterpillar Inc. | Methods and systems for determining part wear based on digital image of part |
US9139188B2 (en) | 2012-11-01 | 2015-09-22 | Caterpillar Inc. | Prediction control strategy for hybrid machinery |
US9151681B2 (en) | 2012-12-19 | 2015-10-06 | Progress Rail Services Corporation | Temperature detector having different types of independent sensors |
US20140170617A1 (en) | 2012-12-19 | 2014-06-19 | Caterpillar Inc. | Monitoring System for a Machine |
US20140184643A1 (en) | 2012-12-27 | 2014-07-03 | Caterpillar Inc. | Augmented Reality Worksite |
US20140188778A1 (en) | 2012-12-27 | 2014-07-03 | General Electric Company | Computer-Implemented System for Detecting Anomaly Conditions in a Fleet of Assets and Method of Using the Same |
US8918246B2 (en) | 2012-12-27 | 2014-12-23 | Caterpillar Inc. | Augmented reality implement control |
US9217999B2 (en) | 2013-01-22 | 2015-12-22 | General Electric Company | Systems and methods for analyzing data in a non-destructive testing system |
US10001518B2 (en) | 2013-02-04 | 2018-06-19 | Abb Schweiz Ag | System and method for power transmission and distribution asset condition prediction and diagnosis |
US8937619B2 (en) | 2013-03-15 | 2015-01-20 | Palantir Technologies Inc. | Generating an object time series from data objects |
US8917274B2 (en) | 2013-03-15 | 2014-12-23 | Palantir Technologies Inc. | Event matrix based on integrated data |
US8909656B2 (en) | 2013-03-15 | 2014-12-09 | Palantir Technologies Inc. | Filter chains with associated multipath views for exploring large data sets |
JP5768834B2 (ja) | 2013-04-12 | 2015-08-26 | 横河電機株式会社 | プラントモデル管理装置及び方法 |
US20140330747A1 (en) | 2013-05-01 | 2014-11-06 | International Business Machines Corporation | Asset lifecycle management |
US20140330609A1 (en) | 2013-05-01 | 2014-11-06 | International Business Machines Corporation | Performance Driven Municipal Asset Needs and Sustainability Analysis |
US8799799B1 (en) | 2013-05-07 | 2014-08-05 | Palantir Technologies Inc. | Interactive geospatial map |
WO2014197497A2 (en) | 2013-06-03 | 2014-12-11 | The Morey Corporation | Geospatial asset tracking systems, methods and apparatus for acquiring, manipulating and presenting telematic metadata |
US9665843B2 (en) | 2013-06-03 | 2017-05-30 | Abb Schweiz Ag | Industrial asset health profile |
US8886601B1 (en) | 2013-06-20 | 2014-11-11 | Palantir Technologies, Inc. | System and method for incrementally replicating investigative analysis data |
US20160196500A1 (en) | 2013-06-26 | 2016-07-07 | Climate Risk Pty Ltd | Computer implemented frameworks and methodologies for enabling risk analysis for a system comprising physical assets |
US10018997B2 (en) | 2013-06-28 | 2018-07-10 | Fisher-Rosemount Systems, Inc. | Non-intrusive data analytics in a process control system |
US8713467B1 (en) | 2013-08-09 | 2014-04-29 | Palantir Technologies, Inc. | Context-sensitive views |
US8689108B1 (en) | 2013-09-24 | 2014-04-01 | Palantir Technologies, Inc. | Presentation and analysis of user interaction data |
US8938686B1 (en) | 2013-10-03 | 2015-01-20 | Palantir Technologies Inc. | Systems and methods for analyzing performance of an entity |
US8812960B1 (en) | 2013-10-07 | 2014-08-19 | Palantir Technologies Inc. | Cohort-based presentation of user interaction data |
US8786605B1 (en) | 2013-10-24 | 2014-07-22 | Palantir Technologies Inc. | Systems and methods for distance and congestion-aware resource deployment |
US8832594B1 (en) | 2013-11-04 | 2014-09-09 | Palantir Technologies Inc. | Space-optimized display of multi-column tables with selective text truncation based on a combined text width |
US8868537B1 (en) | 2013-11-11 | 2014-10-21 | Palantir Technologies, Inc. | Simple web search |
WO2015112892A1 (en) | 2014-01-24 | 2015-07-30 | Telvent Usa Llc | Utility resource asset management system |
US10410116B2 (en) | 2014-03-11 | 2019-09-10 | SparkCognition, Inc. | System and method for calculating remaining useful time of objects |
US8935201B1 (en) | 2014-03-18 | 2015-01-13 | Palantir Technologies Inc. | Determining and extracting changed data from a data source |
US10521747B2 (en) | 2014-04-08 | 2019-12-31 | Northrop Grumman Systems Corporation | System and method for providing a scalable semantic mechanism for policy-driven assessment and effective action taking on dynamically changing data |
US9857238B2 (en) | 2014-04-18 | 2018-01-02 | Google Inc. | Thermodynamic model generation and implementation using observed HVAC and/or enclosure characteristics |
US20160028605A1 (en) | 2014-05-30 | 2016-01-28 | Reylabs Inc. | Systems and methods involving mobile linear asset efficiency, exploration, monitoring and/or display aspects |
US9733629B2 (en) | 2014-07-21 | 2017-08-15 | Honeywell International Inc. | Cascaded model predictive control (MPC) approach for plantwide control and optimization |
US20160028648A1 (en) | 2014-07-25 | 2016-01-28 | At&T Intellectual Property I, L.P. | Resource Management Service |
US9960598B2 (en) | 2015-03-03 | 2018-05-01 | General Electric Company | Methods and systems for enhancing control of power plant generating units |
US10197631B2 (en) | 2015-06-01 | 2019-02-05 | Verizon Patent And Licensing Inc. | Systems and methods for determining vehicle battery health |
-
2016
- 2016-06-17 US US15/185,524 patent/US10579750B2/en active Active
- 2016-06-18 CN CN201680043853.0A patent/CN107851057A/zh not_active Withdrawn
- 2016-06-18 CA CA2990010A patent/CA2990010A1/en not_active Abandoned
- 2016-06-18 WO PCT/US2016/038261 patent/WO2016205766A1/en active Application Filing
- 2016-06-18 KR KR1020187001579A patent/KR20180010321A/ko unknown
- 2016-06-18 EP EP16812595.3A patent/EP3311276A4/en not_active Withdrawn
- 2016-06-18 JP JP2017565131A patent/JP2018524704A/ja active Pending
- 2016-06-18 AU AU2016279079A patent/AU2016279079A1/en not_active Abandoned
-
2018
- 2018-08-30 HK HK18111139.9A patent/HK1251689A1/zh unknown
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100152878A1 (en) * | 2008-12-16 | 2010-06-17 | Industrial Technology Research Institute | System for maintaining and analyzing manufacturing equipment and method thereof |
US20110004419A1 (en) * | 2009-07-01 | 2011-01-06 | Kohji Ue | Apparatus, system, and method of determining apparatus state |
US20120092180A1 (en) * | 2010-05-14 | 2012-04-19 | Michael Rikkola | Predictive analysis for remote machine monitoring |
US20130268935A1 (en) * | 2012-04-06 | 2013-10-10 | Accenture Global Services Limited | Adaptive architecture for a mobile application based on rich application, process, and resource contexts and deployed in resource constrained environments |
WO2014145977A1 (en) * | 2013-03-15 | 2014-09-18 | Bates Alexander B | System and methods for automated plant asset failure detection |
CN104966136A (zh) * | 2015-06-25 | 2015-10-07 | 北京慧点科技有限公司 | 一种流程执行动态预测方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109947079A (zh) * | 2019-03-20 | 2019-06-28 | 阿里巴巴集团控股有限公司 | 基于边缘计算的区域异常检测方法和边缘计算设备 |
CN111723968A (zh) * | 2019-03-21 | 2020-09-29 | 罗伯特·博世有限公司 | 使用故障预测模型监视操作过程 |
CN114223002A (zh) * | 2019-08-07 | 2022-03-22 | 普雷科格奈兹公司 | 用于基于在相关事件中识别传感器组合中的显著变化来改进资产操作的方法和系统 |
CN110765098A (zh) * | 2019-09-02 | 2020-02-07 | 北京东软望海科技有限公司 | 流程运行预测系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
US10579750B2 (en) | 2020-03-03 |
HK1251689A1 (zh) | 2019-02-01 |
AU2016279079A1 (en) | 2018-02-15 |
JP2018524704A (ja) | 2018-08-30 |
CA2990010A1 (en) | 2016-12-22 |
EP3311276A4 (en) | 2019-02-13 |
WO2016205766A1 (en) | 2016-12-22 |
US20160371585A1 (en) | 2016-12-22 |
EP3311276A1 (en) | 2018-04-25 |
KR20180010321A (ko) | 2018-01-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107851057A (zh) | 预测模型的动态执行 | |
Diez-Olivan et al. | Data fusion and machine learning for industrial prognosis: Trends and perspectives towards Industry 4.0 | |
Vogl et al. | A review of diagnostic and prognostic capabilities and best practices for manufacturing | |
Ran et al. | A survey of predictive maintenance: Systems, purposes and approaches | |
US10878385B2 (en) | Computer system and method for distributing execution of a predictive model | |
US10261850B2 (en) | Aggregate predictive model and workflow for local execution | |
JP6055622B2 (ja) | システムの健康状態の判断 | |
CN109716356A (zh) | 多变量数据中的异常检测 | |
Myklebust | Zero defect manufacturing: a product and plant oriented lifecycle approach | |
CN107851233A (zh) | 资产处的本地分析 | |
US10176279B2 (en) | Dynamic execution of predictive models and workflows | |
JP2019509565A (ja) | アセットの場所に基づいてなされる予測モデルの扱い | |
US10254751B2 (en) | Local analytics at an asset | |
CN101766001A (zh) | 远程测试系统和方法 | |
CN109643256A (zh) | 用于推荐资产修复的计算机架构和方法 | |
CN108463806A (zh) | 用于基于预测模型修改数据采集参数的计算机体系结构和方法 | |
CN118278914A (zh) | 一种基于gis系统设备故障抢修的实现方法 | |
Koukaras et al. | Proactive buildings: A prescriptive maintenance approach | |
Balali et al. | Data Intensive Industrial Asset Management | |
Lybeck et al. | Lifecycle prognostics architecture for selected high-cost active components | |
Skaf | Prognostics: Design, implementation, and challenges | |
Jafari | Machine learning for predictive maintenance in autonomous vehicle fleets | |
Iyyer et al. | Architecture for dynamic component life tracking in an advanced HUMS, RFID, and direct load sensor environment | |
Saleem et al. | IoT-based Digital Twin Braiding Machinery for Defect Detection | |
Tavakoli | Ageneric predictive information system for resource planning and optimisation |
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 | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 1251689 Country of ref document: HK |
|
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20180327 |