CN108463806A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN108463806A CN108463806A CN201680077496.XA CN201680077496A CN108463806A CN 108463806 A CN108463806 A CN 108463806A CN 201680077496 A CN201680077496 A CN 201680077496A CN 108463806 A CN108463806 A CN 108463806A
- Authority
- CN
- China
- Prior art keywords
- data
- assets
- given
- group
- computing system
- 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- Withdrawn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
Landscapes
- Telephonic Communication Services (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本文中公开了一种计算机体系结构和软件,其被配置成基于预测模型来修改资产‑监视系统处的数据采集操作。根据本公开,该资产‑监视系统可执行预测模型,该预测模型输出来自事件组的至少一个事件(例如,故障事件)是否可能在将来的给定时间段内在给定资产处发生的指示符。基于该预测模型的输出,资产‑监视系统可修改用于从给定资产摄取数据的一个或多个操作参数,诸如用于所摄取的数据的存储位置、来自资产的所摄取的一组数据变量、和/或以此摄取来自资产的数据的速率。
Description
关联申请的交叉引用
本申请要求以下美国专利申请的优先权:于2015年12月8日提交且标题为“Computer Architecture and Method for Modifying Data Intake Storage Locationbased on a Predictive Model(用于基于预测模型修改数据采集存储位置的计算机体系结构及方法)”的美国非临时专利申请No.14/963,208;于2015年12月8日提交且标题为“Computer Architecture and Method for Modifying Intake Data Set based on aPredictive Model(用于基于预测模型修改采集数据集的计算机体系结构及方法)”的美国非临时专利申请No.14/963,209;以及于2015年12月8日提交且标题为“ComputerArchitecture and Method for Modifying Intake Data Rate based on a PredictiveModel(用于基于预测模型修改采集数据率的计算机体系结构及方法)”的美国非临时专利申请No.14/963,212。这些申请的全部内容通过引用并入本文。
本申请还通过引用并入了下列美国专利申请:于2015年6月5日提交且标题为“Asset Health Score(资产健康评分)”的美国非临时专利申请No.14/732,258;以及于2015年12月8日提交且标题为“Local Analytics at an Asset(资产的本地分析)”的美国非临时专利申请No.14/963,207。
背景
如今,机器(在此也称为“资产”)在许多行业中无处不在。从跨国转移货物的机车到帮助护士和医生挽救生命的医疗装备,资产在日常生活中承担重要角色。取决于资产承担的角色,其复杂度和成本可能会有所不同。例如,一些资产可包括多个子系统,这些子系统必须协调操作以使资产正常运作(例如,机车的引擎、变速器等)。
由于资产在日常生活中扮演的关键角色,期望资产是能用有限的停机时间来修理的。相应地,某些已经开发了用来监视和检测资产内的异常状况的机制,以便于可能用最小停机时间来修理资产。
概览
当前用于监视资产的办法通常涉及资产上(on-asset)计算机,其从遍及资产分布的监视该资产的操作条件的各种传感器和/或致动器接收信号形式的操作数据。作为一个代表性示例,如果资产是机车,则传感器和/或致动器可监视诸如温度、电压和速度等其他示例的参数。如果来自这些设备中的一台或多台设备的传感器和/或致动器信号达到某些值,则资产上计算机可随后生成异常-状况指示符,诸如“故障码”,其是资产内已发生异常状况的指示。
一般而言,异常状况可以是资产或其组件处的缺陷,其可导致资产和/或组件的故障。由此,异常状况可以与一个给定故障或可能多个故障相关联,因为该异常状况是给定的一个或多个故障的症状。实践中,用户通常定义与每个异常-状况指示符相关联的传感器及对应的传感器值。换言之,用户定义资产的“正常”操作条件(例如,那些不触发故障码的操作条件)和“异常”操作条件(例如,那些触发故障码的操作条件)。
资产上计算机还可将传感器信号、致动器信号、和/或异常-状况指示符发送到远程位置(诸如远程资产-监视系统),其可接着对此类数据执行进一步处理。例如,远程资产-监视系统可使用从资产接收的某些数据作为用于定义预测模型的训练数据和/或作为用于执行预测模型的输入数据。
实践中,资产可将大量数据发送到远程资产-监视系统,但该资产-监视系统可以不必能够处理该传入数据的全部。因此,为了降低被摄取以供处理的资产数据的量,资产-监视系统可被配置成执行数据采集过程,在此期间该系统可根据各种采集参数来选择性地过滤、解析、分类、组织、和/或路由资产数据。例如,尽管资产可针对一大组不同数据变量(例如,来自各种不同传感器/致动器的信号)发送数据流,但是资产-监视系统可被配置成仅采集这些数据变量的固定子集。作为另一示例,尽管资产可发送每个由用于相应数据变量的大量顺序数据点组成的数据流,但是资产-监视系统可被配置成根据固定采集率(或“采样率”)来采集从该资产接收的数据,使得该系统仅采集每个这样的数据流中的数据点的子集。其他示例也是可能的。资产-监视系统可接着将被标识用于采集的资产数据路由到预定义的存储位置,其中此类数据可被访问以供进一步处理,同时丢弃或者存档其他资产数据。
尽管该采集过程通常在使资产-监视系统能够处置传入资产数据以供处理时有效,但是可能有时期望根据修改了的采集参数来采集资产数据。例如,如果特定资产在不久的将来似乎有可能遇到故障事件,则期望资产-监视系统调整其采集参数,以便以更高的重要级别处理来自该资产的数据,因为此类数据可通常提供对故障事件的原因的更好的洞察,且可因此(除了其他原因以外)对训练预测性故障模型的过程更有价值。
此处所公开的示例系统、设备和方法试图帮助解决这些问题中的一个或多个。在示例实现中,网络配置可包括促成资产和远程计算系统之间的通信的通信网络。在一些情形中,该通信网络可促成资产和远程计算系统之间的安全通信(例如,经由加密或其他安全措施)。
如以上所提到的,每个资产可包括遍及资产分布的促成监视该资产的操作条件的多个传感器和/或致动器。多个资产可向远程计算系统提供指示每个资产的操作条件的相应数据,该远程计算系统可被配置成基于所提供的数据执行一个或多个动作。
在示例实现中,远程计算系统可被配置成定义与资产的操作相关的一个或多个预测模型并接着根据该一个或多个预测模型操作。一般而言,每个这样的预测模型可接收来自特定资产的传感器数据作为输入,并且输出在将来的特定时间段内在该资产处将发生给定事件组中的至少一个事件的可能性。(出于本公开的目的,应当理解,“事件组”可包括单个事件或多个事件。)作为一个特定示例,预测模型可输出在将来的特定时间段内在资产处甚至将发生至少一个故障的可能性。这样的模型在本文中可被称为“故障模型”。作为另一示例,预测模型可预测资产将在将来的特定时间段内完成任务的可能性。还可存在针对资产的预测模型的其他示例。
实践中,预测模型可基于一个或多个资产的历史数据来被定义。在最低限度,该历史数据可包括指示给定资产的操作条件的操作数据(诸如标识资产处发生了故障的实例的异常-状况数据)和/或指示在那些实例的时间在该资产处测得的一个或多个物理属性的传感器数据。历史数据还可包括指示其中资产已被操作的环境的环境数据以及指示资产何时被利用的日期和时间的调度数据,以及被用来定义汇总模型-工作流配对的资产相关数据的其他示例。
由远程计算系统定义的一个或多个预测模型还可对应于可由远程计算系统和/或另一实体执行的一个或多个工作流。一般而言,工作流可涉及可以基于对应模型的输出而被执行的一个或多个动作。换言之,给定预测模型的输出可致使远程计算系统(或另一个实体)执行相应工作流。例如,给定模型-工作流配对可被定义为使得当预测模型输出满足给定阈值条件的概率时,远程计算系统(或另一实体)可执行特定工作流。
根据本公开,工作流可采取用于基于预测模型的输出来调整远程计算系统的采集过程的一个或多个动作的形式。这样的采集工作流可采取各种形式。
根据一个实施例,采集工作流可涉及基于预测模型修改从给定资产(或资产组)摄取的数据的存储位置。例如,当预测模型指示来自给定事件组的至少一个事件是可能在将来的特定时间段内在给定资产(或资产组)处发生的阈值时,这样的工作流可被配置成将从该给定资产(或资产组)摄取的数据路由到更持久、可靠和/或稳健的存储位置。其他示例也是可能的。
根据另一实施例,采集工作流可涉及基于预测模型修改从给定资产(或资产组)摄取的数据变量集。例如,当预测模型指示来自给定事件组的至少一个事件是可能在将来的特定时间段内在给定资产(或资产组)处发生的阈值时,这样的工作流可被配置成扩展从该给定资产(或资产组)摄取的数据变量集以包括其他数据变量。其他示例也是可能的。
根据又一个实施例,采集工作流可涉及基于预测模型修改针对给定资产(或资产组)的数据摄取率。例如,当预测模型指示来自给定事件组的至少一个事件是可能在将来的特定时间段内在给定资产(或资产组)处发生的阈值时,这样的工作流可被配置成增加以此从该给定资产(或资产组)摄取数据的速率。其他示例也是可能的。
应当理解,这些修改动作中的两个或更多个还可被组合成单个采集工作流。此外,应当理解,采集工作流还可涉及用于调整远程计算系统的采集过程的其他动作。
相应地,在一个方面,本文中公开了一种用于修改资产的采集存储位置的方法,其包括计算系统,该计算系统(a)按第一模式操作,其中该计算系统将从多个资产的给定资产摄取的操作数据储存在第一数据存储位置中;(b)当按第一模式操作时,(i)从该给定资产接收操作数据,(ii)摄取所接收的操作数据的至少一部分,(iii)将所摄取的数据的至少一部分储存在第一数据存储位置中,以及(iv)基于所摄取的数据的至少一部分,执行预测模型,该预测模型输出来自事件组的至少一个事件是否可能在将来的给定时间段内在该给定资产处发生的指示符,(c)作出该指示符满足阈值条件的确定,(d)响应于该确定,从按第一模式操作转变为按第二模式操作,其中该计算系统将从该给定资产摄取的操作数据储存在第二数据存储位置,以及(e)当按第二模式操作时,(i)从该给定资产接收操作数据,(ii)摄取所接收的操作数据的至少一部分,(iii)将所摄取的数据的至少一部分储存在第二数据存储位置中。
在另一方面,本文中公开了一种用于修改所摄取的一组资产的数据变量的方法,其包括计算系统,该计算系统(a)按第一模式操作,其中该计算系统摄取从多个资产的给定资产接收的第一组数据变量,(b)当按第一模式操作时,(i)从该给定资产接收操作数据,(ii)从所接收的操作数据摄取该第一组数据变量,以及(iii)基于所摄取的数据的至少一部分,执行预测模型,该预测模型输出来自事件组的至少一个事件是否可能在将来的给定时间段内在该给定资产处发生的指示符,(c)作出该指示符满足阈值条件的确定,(d)响应于该确定,从按第一模式操作转变为按第二模式操作,其中该计算系统摄取从该给定资产接收的第二组数据变量,其中该第一组数据变量和该第二组数据变量相差至少一个数据变量,以及(e)当按第二模式操作时,(i)从该给定资产接收操作数据,以及(ii)从所接收的操作数据摄取该第二组数据变量。
在又一个方面,本文中公开了一种用于修改资产的数据摄取率的方法,其包括计算系统,该计算系统(a)按第一模式操作,其中该计算系统以第一摄取率摄取从多个资产的给定资产接收的操作数据;(b)当按第一模式操作时,(i)从该给定资产接收操作数据,(ii)以该第一摄取率摄取所接收的操作数据的至少一部分,以及(iii)基于所摄取的数据的至少一部分,执行预测模型,该预测模型输出来自事件组的至少一个事件是否可能在将来的给定时间段内在该给定资产处发生的指示符,(c)作出该指示符满足阈值条件的确定,(d)响应于该确定,从按第一模式操作转变为按第二模式操作,其中该计算系统以不同于该第一摄取率的第二摄取率从该给定资产摄取操作数据,以及(e)当按第二模式操作时,(i)从该给定资产接收操作数据,(ii)以该第二摄取率摄取所接收的操作数据的至少一部分。
进一步,本文中公开了一种计算设备,其包括(a)数据采集系统,(b)至少一个处理器,(c)非瞬态计算机可读介质,以及(d)被储存在该非瞬态计算机可读介质上的程序指令,这些程序指令能由该至少一个处理器执行以致使该计算系统执行本文中所公开的功能,以用于修改资产的采集存储位置、修改所摄取的一组资产的数据变量、和/或修改资产的数据摄取率。
更进一步,本文中公开了一种其上储存有指令的非瞬态计算机可读介质,其中这些指令能由处理器执行以致使计算系统执行本文中所公开的功能,以用于修改资产的采集存储位置、修改所摄取的一组资产的数据变量、和/或修改资产的数据摄取率。
本领域的普通技术人员在阅读以下公开时将领会这些以及许多其他方面。
附图简述
图1描绘了其中可实现示例实施例的示例网络配置。
图2描绘了示例资产的简化框图。
图3描绘了示例异常-状况指示符和触发准则的概念解说。
图4描绘了示例分析系统的简化框图。
图5描绘了可被用于定义预测模型的定义阶段的示例流程图。
图6描绘了可被用于定义输出健康度量的预测模型的建模阶段的示例流程图。
图7描绘了被用来定义模型的数据的概念解说。
图8描绘了用于基于预测模型修改采集存储位置的示例方法的流程图。
图9描绘了用于基于预测模型修改所摄取的一组资产的数据变量的示例方法的流程图。
图10描绘了用于基于预测模型修改数据摄取率的示例方法的流程图。
详细描述
以下公开对附图和若干示例性场景作出参考。本领域的普通技术人员将理解,这些参考仅仅是出于解释的目的,且因此并不意味着限制。所公开的系统、设备和方法的部分或全部可按各种方式来重新排列、组合、添加、和/或移除,其中的每一种方式都在本文中得到了构想。
I.示例网络配置
现在转向附图,图1描绘了其中可实现示例实施例的示例网络配置100。如图所示,网络配置100包括资产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,以及数据源112。
通信网络106可通信地连接网络配置100中的各组件中的每一者。例如,资产102和104可经由通信网络106与分析系统108通信。在一些情形中,资产102和104可以与一个或多个中间系统(诸如资产网关(未图示))进行通信,该中间系统进而与分析系统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。在一些情形中,分析系统108可以与一个或多个中间系统(诸如主机服务器(未图示))进行通信,该中间系统进而与输出系统110通信。许多其他配置也是可能的。在示例情形中,通信网络106可促成各网络组件之间的安全通信(例如,经由加密或其他安全措施)。
一般而言,资产102和104可采取被配置成执行一个或多个操作(其可基于字段来定义)的任何设备的形式,并且还可包括被配置成传送指示给定资产的一个或多个操作条件的数据的装备。在一些示例中,资产可包括被配置成执行一个或多个相应操作的一个或多个子系统。在实践中,多个子系统可按并行方式或顺序地操作以便使资产运转。
示例资产可包括运输机械(例如,机车、航空器、客车、半拖挂卡车、船舶等)、工业机械(例如,采矿装备、建筑装备、加工装备、组装装备等)、医疗机械(例如,医学成像装备、手术装备、医学监视系统、医学实验室装备等)、实用机械(例如,涡轮机、太阳能农场等)、和无人驾驶飞行器等其他示例。本领域的普通技术人员将领会,这些仅仅是资产的一些示例,并且许多其他示例在本文中是可能的且得到了构想。
在示例实现中,资产102和104可各自具有相同的等级(例如,一队机车或航空器、一组风力涡轮机、一组铣床、或一组磁共振成像(MRI)机)等其他示例)并且可能可以具有相同的类别(例如,相同的装备类型、品牌、和/或型号)。在其他示例中,资产102和104可就类型、品牌、型号等方面有所不同。例如,资产102和103可以是施工现场(例如,挖掘现场)或生产设施(等许多其他示例)处的不同件设备。下面参考图2对资产作进一步详细的讨论。
如图所示,资产102和104以及可能的数据源112可经由通信网络106与分析系统108通信。一般而言,通信网络106可包括一个或多个计算系统和被配置成促成在各网络组件之间转移数据的网络基础设施。通信网络106可以是或者可以包括一个或多个广域网(WAN)和/或局域网(LAN),其可以是有线和/或无线的并且支持安全通信。在一些示例中,通信网络106可包括一个或多个蜂窝网络和/或互联网等其他网络。通信网络106可根据诸如LTE、CDMA、GSM、LPWAN、WiFi、蓝牙、以太网、HTTP/S、TCP、CoAP/DTLS等等的一个或多个通信协议来操作。虽然通信网络106被示为单个网络,但应当理解,通信网络106可包括其自身通信地链接的多个不同的网络。通信网络106也可采取其他形式。
如以上所提到的,分析系统108可被配置成从资产102和104以及数据源112接收数据。广义上说,分析系统108可包括一个或多个计算系统,诸如服务器和数据库,其被配置成接收、处理、分析和输出数据。分析系统108可根据给定的数据流技术(诸如TPL数据流或NiFi等其他示例)来进行配置。下面参考图4对分析系统108作进一步详细的讨论。
如图所示,分析系统108可被配置成将数据传送到资产102和104和/或输出系统110。所传送的特定数据可采用各种形式且将在下面进一步详细描述。
一般而言,输出系统110可采取被配置成接收数据并提供某种形式的输出的计算系统或设备的形式。输出系统110可采取各种形式。在一个示例中,输出系统110可以是或者包括输出设备,该输出设备被配置成接收数据并响应于该数据提供可听、视觉和/或触觉输出。一般而言,输出设备可包括被配置成接收用户输入的一个或多个输入接口,并且该输出设备可被配置成基于这样的用户输入通过通信网络106传送数据。输出设备的示例包括平板、智能电话、膝上型计算机、其他移动计算设备、台式计算机、智能电视等等。
输出系统110的另一示例可采取工作定单(work-order)系统的形式,该工作定单系统被配置成输出针对请机修工等来修理资产的请求。输出系统110的又一个示例可采取被配置成部件订单(parts-ordering)系统的形式,该部件订单系统对资产的部件下订单并输出其收据。许多其他输出系统也是可能的。
数据源112可被配置成与分析系统108通信。一般而言,数据源112可以是或者包括一个或多个计算系统,该一个或多个计算系统被配置成收集、储存、和/或向其他系统(诸如分析系统108)提供可与分析系统108所执行的功能相关的数据。数据源112可被配置成独立于资产102和104而生成和/或获得数据。由此,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可被配置成提供当前和/或历史数据。实践中,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也可按其他方式从数据源112接收数据。
数据源112的示例包括环境数据源、资产-管理数据源,以及其他数据源。一般而言,环境数据源提供指示其中资产被操作的环境的某种特性的数据。环境数据源的示例包括气象数据服务器、全球导航卫星系统(GNSS)服务器、地图数据服务器和地形数据服务器,其提供关于给定区域的自然和人造特征的信息等其他示例。
一般而言,资产-管理数据源提供指示可影响资产的运转或维护(例如,资产可以运转或接收维护的时间和地点)的实体(例如,其他资产)的事件或状态的数据。资产-管理数据源的示例包括提供关于空中、水、和/或地面交通的信息的交通数据服务器、提供关于资产在特定日期和/或特定时间的预计路线和/或位置的信息的资产调度服务器、提供关于经过缺陷检测器系统附近的资产的一个或多个操作条件的信息的缺陷检测器系统(也称为“热箱”检测器)、提供关于特定供应商具有库存的部件及其价格的信息的部件供应商服务器,以及提供关于维修店能力等的信息的维修店服务器等其他示例。
其他数据源的示例包括提供关于电力消耗的信息的电网服务器和储存资产的历史操作数据的外部数据库等其他示例。本领域的普通技术人员将领会,这些仅仅是数据源的一些示例,并且许多其他示例是可能的。
应当理解,网络配置100是其中可以实现在此描述的各实施例的网络的一个示例。许多其他布置是可能的且在本文中得到了构想。例如,其他网络配置可包括未图示的附加组件和/或更多或更少的图示出的组件。
II.示例资产
转到图2,描绘了示例资产200的简化框图。来自图1的资产102和104中的任一个或两者可如资产200那样进行配置。如图所示,资产200可包括一个或多个子系统202、一个或多个传感器204、一个或多个致动器205、中央处理单元206、数据存储208、网络接口210、用户接口212、并且可能还包括本地分析设备220,所有这些可通过系统总线、网络或其他连接机制来以通信方式(直接或间接地)链接。本领域的普通技术人员将领会,资产200可包括未示出的附加组件和/或更多或更少的所描绘的组件。
广义上说,资产200可包括被配置成执行一个或多个操作的一个或多个电组件、机械组件、和/或机电组件。在一些情形中,一个或多个组件可被分组到给定子系统202中。
一般而言,子系统202可包括作为资产200的一部分的一组相关组件。单个子系统202可独立地执行一个或多个操作,或者该单个子系统202可连同一个或多个其他子系统一起操作以执行一个或多个操作。通常,不同类型的资产且甚至相同类型不同等级的资产可包括不同的子系统。
例如,在运输资产的上下文中,子系统202的示例可包括引擎、变速器、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、转子和液压系统等许多其他子系统。在医疗机器的上下文中,子系统202的示例可包括扫描系统、电机、线圈和/或磁体系统、信号处理系统、转子和电气系统等许多其他子系统。
如以上所建议,资产200可配备有被配置成监视资产200的操作条件的各种传感器204,以及被配置成与资产200或其组件交互并监视资产200的操作条件的各种致动器205。在一些情形中,传感器204和/或致动器205中的一些可基于特定子系统202来被分组。以这种方式,传感器204和/或致动器205的组可被配置成监视特定子系统202的操作条件,并且来自该组的致动器可被配置成按可基于这些操作条件改变该特定子系统202的行为的某种方式来与该子系统交互。
一般而言。传感器204可被配置成检测可指示资产200的一个或多个操作条件的物理属性,以及提供对所检测到的物理属性的指示,诸如电信号。在操作中,传感器204可被配置成连续地、周期性地(例如,基于采样频率)、和/或响应于某个触发事件来获得测量。在一些示例中,传感器204可预先配置有用于执行测量的操作参数和/或可根据由中央处理单元206提供的操作参数(例如,指令传感器204获得测量的采样信号)来执行测量。在示例中,不同传感器204可具有不同的操作参数(例如,一些传感器可基于第一频率进行采样,而其他传感器基于第二不同的频率进行采样)。无论如何,传感器204可被配置成向中央处理单元206传送指示所测得的物理属性的电信号。传感器204可向中央处理单元206连续地或周期性地提供此类信号。
例如,传感器204可被配置成测量诸如资产200的位置和/或移动之类的物理属性,在该情形中,该传感器可采取GNSS传感器、基于航位推算的传感器、加速度计、陀螺仪、计步器、磁力计等等形式。
附加地,各种传感器204可被配置成测量资产200的其他操作条件,其示例可包括温度、压力、速度、加速或减速率、摩擦、功率使用、燃料使用、液面、运行时、电压和电流、磁场、电场、对象的存在或不存在、组件的位置和发电等其他示例。本领域的普通技术人员将领会,这些仅仅是传感器可被配置成测量的一些示例操作条件。取决于工业应用或特定资产,可使用附加或更少的传感器。
如以上所建议,致动器205可在某些方面被配置类似于传感器204进行配置。具体而言,致动器205可被配置成检测指示资产200的操作条件的物理属性并按类似于传感器204的方式提供其指示。
而且,致动器205可被配置成与资产200、一个或多个子系统202、和/或其某个组件交互。由此,致动器205可包括被配置成执行机械操作(例如,移动)或以其他方式控制组件、子系统或系统的电机等等。在特定示例中,致动器可被配置成测量燃料流量和改变燃料流(例如,限制燃料流),或者致动器可被配置成测量液压压力和改变液压压力(例如,增加或减小液压压力)。致动器的许多其他示例交互也是可能的且在本文中得到了构想。
一般而言,中央处理单元206可包括一个或多个处理器和/或控制器,其可采取通用或专用处理器或控制器的形式。具体而言,在示例实现中,中央处理单元206可以是或者包括微处理器、微控制器、专用集成电路、数字信号处理器等等。进而,数据存储208可以是或者包括一个或多个非瞬态计算机可读存储介质,诸如光学、磁、有机或闪存存储器等其他示例。
中央处理单元206可被配置成储存、访问和执行被储存在数据存储208中的计算机可读程序指令以执行本文中所描述的资产的操作。例如,如以上所建议,中央处理单元206可被配置成从传感器204和/或致动器205接收相应传感器信号。中央处理单元206可被配置成将传感器和/或致动器数据储存在数据存储208中和稍后从该数据存储208访问它。
中央处理单元206还可被配置成确定所接收的传感器和/或致动器信号是否触发任何异常-状况指示符,诸如故障码。例如,中央处理单元206可被配置成在数据存储208中储存异常-状况规则,其中的每一者都包括表示特定异常状况的给定异常-状况指示符和触发该异常-状况指示符的相应触发准则。换言之,每个异常-状况指示符与在该异常-状况指示符被触发之前必须被满足的一个或多个传感器和/或致动器测量值相对应。实践中,资产200可用异常-状况规则来预编程和/或可从计算系统(诸如分析系统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可被配置成确定所接收的传感器和/或致动器信号是否触发任何异常-状况指示符。换言之,中央处理单元206可确定所接收的传感器和/或致动器信号是否满足任何触发准则。当这样的确定是肯定的时,中央处理单元206可生成异常-状况数据,且随后还可致使资产的网络接口210将该异常-状况数据传送到分析系统108,并且/或者致使资产的用户接口212输出异常状况的指示,诸如视觉和/或可听警报。附加地,中央处理单元206可记录(可能利用时间戳)数据存储208中正被触发的异常-状况指示符的发生。
图3描绘了资产的示例异常-状况指示符和相应触发准则的概念解说。具体而言,图3描绘了示例故障码的概念解说。如图所示,表300包括分别对应于传感器A、致动器B和传感器C的列302、304和306以及分别对应于故障码1、2和3的行308、310和312。条目314于是指定对应于给定故障码的传感器准则(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)的旋转测量且传感器C检测到大于65摄氏度(C)的温度测量时故障码1将被触发,当致动器B检测到大于1000伏特(V)的电压测量且传感器C检测到小于55℃的温度测量时故障码2将被触发,而当传感器A检测到大于100RPM的旋转测量、致动器B检测到大于750V的电压测量且传感器C检测到大于60℃的温度测量时故障码3将被触发。本领域的普通技术人员将领会,图3仅仅是出于示例和解释的目的而提供的,并且许多其他故障码和/或触发准则是可能的且在本文中得到了构想。
返回参考图2,中央处理单元206可被配置成执行同样用于管理和/或控制资产200的操作的各种附加功能。例如,中央处理单元206可被配置成向子系统202和/或致动器205提供致使该子系统202和/或致动器205执行某个操作(诸如修改节流阀位置)的指令信号。附加地,中央处理单元206可被配置成修改其以此处理来自传感器204和/或致动器205的数据的速率,或者中央处理单元206可被配置成向传感器204和/或致动器205提供致使该传感器204和/或致动器205(举例而言)修改采样率的指令信号。而且,中央处理单元206可被配置成从子系统202、传感器204、致动器205、网络接口210、和/或用户接口212接收信号并且基于此类信号致使操作发生。更进一步,中央处理单元206可被配置成从诸如诊断设备之类的计算设备接收致使中央处理单元206根据被储存在数据存储208中的诊断规则执行一个或多个诊断工具的信号。下面讨论中央处理单元206的其他功能性。
网络接口210可被配置成提供资产200和连接到通信网络106的各种网络组件之间的通信。例如,网络接口210可被配置成促成去往和来自通信网络106的无线通信,并因此可采取用于传送和接收各种无线(over-the-air)信号的天线结构及相关联装备的形式。其他示例也是可能的。实践中,网络接口210可根据通信协议进行配置,诸如但不限于以上所描述的任一种。
用户接口12可被配置成促成同资产200的用户交互,并且还可被配置成便于致使资产200响应于用户交互执行操作。用户接口212的示例包括触敏接口、机械接口(例如,杠、按钮、轮、拨号盘、键盘等)以及其他输入接口(例如,话筒)等其他示例。在一些情形中,用户接口212可包括或提供到诸如显示屏、扬声器、耳机插孔等等的输出组件的连通性。
本地分析设备220可通常被配置成接收和分析与资产200相关的数据,并且基于这样的分析可致使一个或多个操作发生在资产200处。例如,本地分析设备220可接收资产200的操作数据(例如,由传感器204和/或致动器205生成的数据)并且基于此类数据可向中央处理单元206、传感器204、和/或致动器205提供致使资产200执行操作的指令。
为促成该操作,本地分析设备220可包括被配置成将该本地分析设备220耦合到资产的板上(on-board)系统中的一者或多者的一个或多个资产接口。例如,如图2所示,本地分析设备220可具有到资产的中央处理单元206的接口,其可使得本地分析设备220能够从中央处理单元206接收操作数据(例如,由传感器204和/或致动器205生成且发送到中央处理单元206的操作数据)并接着向中央处理单元206提供指令。以这种方式,本地分析设备220可经由中央处理单元206间接地与资产200的其他板上系统(例如,传感器204和/或致动器205)对接并从资产200的其他板上系统接收数据。附加地或替代地,如图2所示,本地分析设备200可具有到一个或多个传感器204和/或致动器205的接口,其可使得本地分析设备220能够与传感器204和/或致动器205直接地通信。本地分析设备220也可按其他方式与资产200的板上系统对接,包括图2中所解说的接口由未示出的一个或多个中间系统促成的可能性。
实践中,本地分析设备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(诸如执行预测模型及对应的工作流),其可能不能够以其他方式利用其他资产上组件来被执行。由此,本地分析设备220可帮助向资产200提供附加处理能力和/或智能。
应当理解,本地分析设备220还可被配置成致使资产200执行与预测模型不相关的操作。例如,本地分析设备220可从远程源(诸如分析系统108或输出系统110)接收数据,并且基于所接收的数据致使资产200执行一个或多个操作。一个特定示例可涉及本地分析设备220从远程源接收针对资产200的固件更新,并接着致使资产200更新其固件。另一特定示例可涉及本地分析设备220从远程源接收诊断指令,并接着根据所接收的指令致使资产200执行本地诊断工具。许多其他示例也是可能的。
如图所示,除了以上所讨论的一个或多个资产接口之外,本地分析设备220还可包括处理单元222、数据存储224和网络接口226,所有这些可通过系统总线、网络、或其他连接机制来被通信地链接。处理单元222可包括以上关于中央处理单元206所讨论的任何组件。进而,数据存储224可以是或者包括一个或多个非瞬态计算机可读存储介质,其可采取以上所讨论的计算机可读存储介质的任何形式。
处理单元222可被配置成储存、访问和执行被储存在数据存储224中的计算机可读程序指令以执行本文中所描述的本地分析设备的操作。例如,处理单元222可被配置成接收由传感器204和/或致动器205生成的相应传感器和/或致动器信号,并且可基于此类信号执行预测模型-工作流配对。下面描述其他功能。
网络接口226可以与以上所描述的网络接口相同或类似。实践中,网络接口226可促成本地分析设备220和分析系统108之间的通信。
在一些示例实现中,本地分析设备220可包括并且/或者与可类似于用户接口212的用户接口通信。实践中,用户接口可位于本地分析设备220(和资产200)的远程。其他示例也是可能的。
尽管图2示出了本地分析设备220经由一个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),但是还应当理解,该情形可能并非总是如此。例如,在一些实现中,本地分析设备220可以不物理地耦合到其相关联的资产,而是改为可位于资产220的远程。在这样的实现的示例中,本地分析设备220可被无线地、通信地耦合到资产200。其他布置及配置也是可能的。
本领域的普通技术人员将领会,图2所示的资产200仅仅是资产的简化表示的一个示例,并且许多其他示例也是可能的。例如,其他资产可包括未图示的附加组件和/或更多或更少的图示出的组件。而且,给定资产可包括被一致操作的多个个体资产以执行该给定资产的操作。其他示例也是可能的。
III.示例分析系统
现在转到图4,描绘了示例分析系统400的简化框图。如以上所建议,分析系统400可包括被通信地链接且被布置成执行本文中所描述的各种操作的一个或多个计算系统。具体而言,如图所示,分析系统400可包括数据采集系统402、数据科学系统404,以及一个或多个数据库406。这些系统组件可经由可以被配置成促成安全通信的一个或多个无线和/或有线连接来被通信地耦合。
数据采集系统402可通常用于接收数据并接着摄取所接收的数据的至少一部分以供输出到数据科学系统404。由此,数据采集系统402可包括一个或多个网络接口,其被配置成从网络配置100的各种网络组件(诸如资产102和104、输出系统110、和/或数据源112)接收数据。具体而言,数据采集系统402可被配置成接收模拟信号、数据流、和/或网络分组等其他示例。由此,网络接口可包括一个或多个有线网络接口(诸如端口等等)、和/或无线网络接口(类似于以上所描述的那些无线网络接口)。在一些示例中,数据采集系统402可以是或者包括根据给定数据流技术配置的组件,诸如NiFi接收器等等。
数据采集系统402可包括被配置成执行一个或多个操作的一个或多个处理组件。示例操作可包括压缩和/或解压缩、加密和/或解密、模数转换和/或数模转换、放大、格式化和打包等其他操作。而且,数据采集系统402可被配置成根据一个或多个采集参数(其可根据本公开进行修改)来过滤、解析、分类、组织、路由、和/或储存数据。例如,数据采集系统402可根据定义要从资产采集的特定的一组数据变量(例如,要被摄取的特定的一组资产传感器/致动器读数)的采集参数来操作。作为另一示例,数据采集系统402可根据定义要以此从资产采集数据的速率(即,采样频率)的采集参数来操作。作为又一个示例,数据采集系统402可根据定义从资产摄取的数据的存储位置的采集参数来操作。数据采集系统402也可根据其他采集参数来操作。
一般而言,由数据采集系统402接收的数据可采取各种形式。例如,数据的有效载荷可包括单个传感器或致动器测量、多个传感器和/或致动器测量和/或一个或多个异常-状况数据。其他示例也是可能的。
而且,所接收的数据可包括某些特性,诸如源标识符和时间戳(例如,信息被获得的日期和/或时间)。例如,唯一的标识符(例如,计算机生成的字母、数字、字母数字或类似标识符)可被指派给每个资产,并且可能被指派给每个传感器和致动器。此类标识符可操作用于标识数据源自的资产、传感器或致动器。在一些情形中,另一特性可包括信息被获得的位置(例如,GPS坐标)。数据特性可以以信号签名或元数据等其他示例的形式出现。
数据科学系统404可通常用于(例如,从数据采集系统402)接收和分析数据以及基于这样的分析致使一个或多个操作发生。由此,数据科学系统404可包括一个或多个网络接口408、处理单元410和数据存储器412,所有这些可通过系统总线、网络或其他连接机制来被通信地链接。在一些情形中,数据科学系统404可被配置成储存和/或访问促成执行本文中所公开的某些功能性的一个或多个应用程序接口(API)。
网络接口408可以与以上所描述的任何网络接口相同或类似。实践中,网络接口408可促成数据科学系统404与诸如数据采集系统402、数据库406、资产102、输出系统110等各种其他实体之间的(例如,带有某种安全级别的)通信。
处理单元410可包括一个或多个处理器,其可采取以上所描述的任何处理器形式。进而,数据存储412可以是或者包括一个或多个非瞬态计算机可读存储介质,其可采取以上所讨论的计算机可读存储介质的任何形式。处理单元410可被配置成储存、访问和执行被储存在数据存储412中的计算机可读程序指令以执行本文中所描述的分析系统的操作。
一般而言,处理单元410可被配置成对从数据采集系统402接收的数据执行分析。为此,处理单元410可被配置成执行一个或多个模块,该一个或多个模块可各自采取被储存在数据存储412中的一个或多个程序指令集的形式。这些模块可被配置成促成基于相应程序指令的执行而致使结果发生。来自给定模块的示例结果可包括将数据输出到另一模块、更新给定模块和/或另一模块的程序指令,以及将数据输出到网络接口408以供传输到资产和/或输出系统110等其他示例。
数据库406可通常用于(例如,从数据科学系统404)接收和储存数据。由此,每个数据库406可包括一个或多个非瞬态计算机可读存储介质,诸如以上所提供的任何示例。实践中,数据库406可以与数据存储412分开或者与数据存储412集成。
数据库406可被配置成储存多种类型的数据,其中的一些在下面讨论。实践中,被储存在数据库406中的数据中的一些可包括指示数据被生成或添加到数据库的日期和时间的时间戳。而且,数据可按多种方式被储存在数据库406中。例如,数据可按时间序列、按列成表格的方式来被储存,并且/或者基于数据源类型(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-状况指示符等其他示例来被组织。根据本公开,数据库还可具有不同的存储特性,诸如不同程度的耐用期限、可访问性和/或可靠性。数据库类型的代表性示例可包括时间序列数据库、文档数据库、关系数据库、和图形数据库等等。
IV.示例操作
现在将在下面进一步详细讨论图1中所描绘的示例网络配置100的操作。为了帮助描述这些操作中的一些操作,可参考流程图来描述可被执行的操作的组合。在一些情形中,每个框可表示程序代码的模块或部分,该程序代码包括能由处理器执行以实现过程中的特定逻辑功能或步骤的指令。程序代码可被储存在任何类型的计算机可读介质上,诸如非瞬态计算机可读介质。在其他情形中,每个框可表示被布线以执行过程中的特定逻辑功能或步骤的电路系统。而且,流程图中所示的各框可基于特定实施例而被重新排列成不同的顺序、被组合成更少的框、被分成附加的框、和/或被移除。
以下描述可参考其中单个数据源(诸如资产102)向分析系统108提供接着执行一个或多个功能的数据的示例。应当理解,这仅仅是为了清楚和解释而完成的,而并不意味着限制。实践中,分析系统108通常可能同时从多个源接收数据,并且基于如此汇总的接收到的数据来执行操作。
A.操作数据集合
如以上所提及的,代表性资产102可采取各种形式并且可被配置成执行多个操作。在非限制性示例中,资产102可采取可操作以跨美国转运货物的机车的形式。在运送期间,资产102的传感器和/或致动器可获得反映资产102的一个或多个操作条件的数据。传感器和/或致动器可将该数据传送到资产102的处理单元。
处理单元可被配置成从传感器和/或致动器接收数据。实践中,处理单元可同时或顺序地接收来自多个传感器的传感器数据和/或来自多个致动器的致动器数据。如以上所讨论,在接收该数据的同时,处理单元还可被配置成确定该数据是否满足触发任何异常-状况指示符(诸如故障码)的触发准则。在处理单元确定一个或多个异常-状况指示符被触发的事件中,处理单元可被配置成执行一个或多个本地操作,诸如经由用户接口输出所触发的指示符的指示。
资产102可接着经由资产102的网络接口和通信网络106将操作数据传送到分析系统108。在操作中,资产102可连续地、周期性地、和/或响应于触发事件(例如,异常状况)来向分析系统108传送操作数据。具体而言,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)来周期性地传送操作数据,或者资产102可被配置成传送操作数据的连续的实时反馈。附加地或替代地,资产102可被配置成基于某些触发来传送操作数据,诸如当传感器和/或致动器测量满足针对任何异常-状况指示符的触发准则时。资产102也可按其他方式传送操作数据。
实践中,资产102的操作数据可包括传感器数据、致动器数据、异常-状况数据、和/或其他资产事件数据(例如,指示资产关机、重启等的数据)。在一些实现中,资产102可被配置成在单个数据流中提供操作数据,而在其他实现中,资产102可被配置成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提供传感器和/或致动器数据的第一数据流以及异常-状况数据的第二数据流。作为另一示例,资产102可向分析系统108提供用于资产102上的每个相应传感器和/或致动器的分开的数据流。其他可能性同样存在。
传感器和致动器数据可采取各种形式。例如,有时,传感器数据(或致动器数据)可包括由资产102的传感器(或致动器)中的每一者获得的测量。而在其他时间,传感器数据(或致动器数据)可包括由资产102的传感器(或致动器)的子集获得的测量。
具体而言,传感器和/或致动器数据可包括由与给定的所触发的异常-状况指示符相关联的传感器和/或致动器获得的测量。例如,如果被触发的故障码是来自图3的故障码1,则传感器数据可包括由传感器A和C获得的原始测量。附加地或替代地,该数据可包括由不直接与所触发的故障码相关联的一个或多个传感器或致动器获得的测量。继续上一个示例,该数据可附加地包括由致动器B和/或其他传感器或致动器获得的测量。在一些示例中,资产102可基于由分析系统108提供的故障码规则或指令而在操作数据中包括特定传感器数据,该分析系统108可能已例如首先确定了在致动器B正在测量的事物和造成了故障码1被触发的事物之间存在关联。其他示例也是可能的。
更进一步,该数据可基于感兴趣的特定时间而包括来自感兴趣的每个传感器和/或致动器的一个或多个传感器和/或致动器测量,该感兴趣的特定时间可基于多个因素来选择。在一些示例中,该感兴趣的特定时间可以基于采样率。在其他示例中,该感兴趣的特定时间可以基于异常-状况指示符被触发的时间。
具体而言,基于异常-状况指示符被触发的时间,该数据可包括来自感兴趣的每个传感器和/或致动器(例如,与所触发的指示符直接或间接地相关联的传感器和/或致动器)的一个或多个相应的传感器和/或致动器测量。该一个或多个测量可基于大约在所触发的异常-状况指示符的时间的特定数量的测量或特定持续时间。
例如,如果被触发的故障码是来自图3的故障码2,则感兴趣的传感器和致动器可包括致动器B和传感器C。该一个或多个测量可包括在故障码的触发(例如,触发测量)之前由致动器B和传感器C获得的最新近的相应测量或在该触发测量之前、之后或附近的相应的一组测量。例如,一组五个测量可包括在触发测量之前或之后(例如,不包括该触发测量)的五个测量、在触发测量之前或之后的四个测量和该触发测量、或之前的两个测量和之后的两个测量以及该触发测量,等其他可能性。
类似于传感器和致动器数据,异常-状况数据可采取各种形式。一般而言,异常-状况数据可包括或采取指示符的形式,该指示符可操作以从可能在资产102处发生的所有其他异常状况中唯一地标识在该资产102处发生了的特定异常状况。异常-状况指示符可采取字母、数字或字母数字标识符等其他示例的形式。而且,异常-状况指示符可采取描述异常状况的字的字符串的形式,诸如“过热引擎”或“燃料不足”等其他示例。
分析系统108且尤其是分析系统108的数据采集系统可被配置成从一个或多个资产和/或数据源接收操作数据。
数据采集系统可被配置成采集所接收的数据的至少一部分、对所接收的数据执行一个或多个操作,并接着将该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这样的分析执行一个或多个操作。
B.定义预测模型和工作流
作为一个示例,分析系统108可被配置成基于所接收的一个或多个资产的操作数据和/或所接收的与该一个或多个资产相关的外部数据来定义预测模型及对应的工作流。分析系统108也可基于各种其他数据来定义模型-工作流配对。
一般而言,模型-工作流配对可包括程序指令集,其致使资产监视某些操作条件以便确定给定事件组中的至少一个事件将在将来发生的可能性,且随后在该可能性达到阈值的情况下执行某些操作。例如,预测模型可包括一个或多个算法,该一个或多个算法的输入是来自资产的一个或多个传感器和/或致动器的传感器和/或致动器数据,并且该一个或多个算法的输出被用来确定特定类型的事件在将来的特定时间段内在该资产处可能发生(或没有此类事件会发生)的概率。进而,工作流可包括一个或多个触发(例如,模型输出值)以及资产基于该触发执行的对应操作。
实践中,分析系统108可被配置成定义汇总的和/或个体化的预测模型和/或工作流。“汇总的”模型/工作流可指代对资产组而言通用的且在不考虑资产的特定特性的情况下所定义的模型/工作流。在另一方面,“个体化的”模型/工作流可指代针对单个资产或来自资产组的资产的子组特别定制的且基于该单个资产或资产的子组的特定特性定义的模型/工作流。
根据本公开,模型-工作流配对的一个实现可采取以下形式:用于预测给定事件组中的至少一个事件在将来的特定时间段内(例如,在将来的几个小时、几天或几周内)在资产处发生的可能性的模型,以及用于基于该预测模型调整分析系统的采集过程的对应工作流。该模型-工作流配对可采取各种形式。
1.用于调整采集操作的预测模型
如以上所提到的,分析系统108可被配置成定义用于预测给定事件组中的至少一个事件在将来的特定时间段内在资产处发生的可能性的模型。实践中,该事件组可被定义为包括可影响分析系统调整其采集过程的期望的任何事件。此类事件的示例可包括资产故障、资产重启、资产关机、和/或资产处的异常状况的发生(例如,传感器/致动器值或传感器/致动器值的组合中的异常)。分析系统108可按各种方式定义这样的预测模型。
图5是描绘可被用于定义模型-工作流配对的定义阶段的一个可能的示例的流程图500。出于解说目的,示例定义阶段被描述为由分析系统108执行,但是该定义阶段也可由其他系统执行。本领域的普通技术人员将领会,流程图500是为了清楚和解释起见而被提供的,并且操作的许多其他组合可被用来定义预测模型。
如图5所示,在框502处,分析系统108可通过定义形成给定预测模型的基础的一组数据(例如,感兴趣的数据)而开始。感兴趣的数据可从多个源(诸如资产102和104以及数据源112)导出,并且可被储存在分析系统108的数据库中。
感兴趣的数据可包括来自资产组的特定的一组资产或来自资产组的所有资产(例如,感兴趣的资产)的历史数据。而且,感兴趣的数据可包括来自感兴趣的资产中的每一者的特定的一组传感器和/或致动器的测量或者来自感兴趣的资产中的每一者的所有传感器和/或致动器的测量。更进一步,感兴趣的数据可包括来自过去的特定时间段的数据,诸如相当于两周的历史数据。
感兴趣的数据可包括各种类型的数据,其可取决于给定的预测模型。在一些实例中,感兴趣的数据可至少包括指示资产的操作条件的操作数据,其中该操作数据如以上在操作数据集合部分中所讨论。附加地,感兴趣的数据可包括指示资产通常在其中被操作的环境的环境数据和/或指示资产在此期间要执行某些任务的计划的日期和时间的调度数据。其他类型的数据也可被包括在感兴趣的数据中。
实践中,感兴趣的数据可按多种方式来被定义。在一个示例中,感兴趣的数据可以是用户定义的。具体而言,用户可操作接收指示对感兴趣的某些数据的选择的用户输入的输出系统110,并且该输出系统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可接着定义感兴趣的数据。
在另一示例中,感兴趣的数据可以是机器定义的。具体而言,分析系统108可执行各种操作(诸如模拟)以确定生成最准确的预测模型的感兴趣的数据。其他示例也是可能的。
返回图5,在框504处,分析系统108可被配置成基于感兴趣的数据来定义与资产的操作相关的汇总的预测模型。一般而言,汇总的预测模型可定义资产的操作条件与资产处的某事件的可能性之间的关系。具体而言,汇总的预测模型可接收来自资产的传感器的传感器数据和/或来自该资产的致动器的致动器数据作为输入,并且输出给定事件组中的至少一个事件将在将来的一定时间量内在该资产处发生的概率。
如以上所提到的,该事件组可被定义为包括可对分析系统调整其采集过程的期望具有影响的任何事件。这些事件可取决于特定实现而不同。例如,这样的事件可采取可在资产处发生的故障事件的形式,在该情形中,预测模型可预测故障事件将在将来的某个时间段内发生的可能性。在另一示例中,这样的事件可采用可由资产采取的动作的形式(例如,重启或关机动作),在该情形中,预测模型可预测资产将在将来的某个时间段内采取和/或完成该动作的可能性。在又一个示例中,这样的事件可采取更换事件(例如,补液或组件更换)的形式,在该情形中,预测模型可预测在更换事件需要发生之前的时间量。在又一其他示例中,这样的事件可采取资产生产率的变化的形式,在该情形中,预测模型可预测资产在将来的特定时间段内的生产率。在还有一个示例中,这样的事件可采取指示资产的行为与预计的资产行为不同的“领先指示符”事件的形式,在该情形中,预测模型可预测一个或多个领先指示符发生在将来的可能性。预测模型的其他示例也是可能的。
一般而言,定义汇总的预测模型可涉及利用一种或多种建模技术来生成返回零和一之间的概率的模型,诸如随机森林技术、逻辑回归技术、或其他回归技术等其他建模技术。然而,其他技术也是可能的。
在一个特定示例实现中,预测模型可采取用于监视资产的健康和输出资产的健康度量(例如,“健康评分”)的一个或多个预测模型的形式,该健康度量是指示故障是否将在将来的给定时间帧(例如,接下来两周)内在给定资产处发生的单个汇总的度量。具体而言,健康度量可指示来自故障组的故障将不会在将来的给定时间帧内在资产处发生的可能性,或者健康度量可指示来自故障组中的至少一个故障将在将来的给定的时间帧内在资产处发生的可能性。
取决于健康度量的期望粒度,分析系统108可被配置成定义输出不同级别的健康度量的不同预测模型,其中的每一个可被用作根据本公开的预测模型。例如,分析系统108可定义输出针对资产整体的健康度量(即,资产级健康度量)的预测模型。作为另一示例,分析系统108可定义输出针对资产的一个或多个子系统的相应健康度量(即,子系统级健康度量)的相应预测模型。在一些情形中,每个子系统级预测模型的输出可被组合以生成资产级健康度量。其他示例也是可能的。
一般而言,定义输出健康度量的预测模型可按各种方式来被执行。图6是描绘可被用于定义输出健康度量的模型的建模阶段的一个可能的示例的流程图600。出于解说目的,示例建模阶段被描述为由分析系统108执行,但是该建模阶段也可由其他系统执行。本领域的普通技术人员将领会,流程图600是为了清楚和解释起见而被提供的,并且操作的许多其他组合可被用来确定健康度量。
如图6所示,在框602处,分析系统108可通过定义形成健康度量的基础的一组一个或多个故障(例如,感兴趣的故障)而开始。实践中,该一个或多个故障可以是那些在其发生的情况下可使资产(或其子系统)不能操作的故障。基于所定义的一组故障,分析系统108可采取步骤来定义用于预测这些故障中的任一者在将来的给定时间帧(例如,接下来两周)内发生的可能性的模型。
具体而言,在框604处,分析系统108可分析一个或多个资产的组的历史操作数据以从一组故障中标识给定故障的过往发生。在框606处,分析系统108可标识与给定故障的每个标识出的过往发生相关联的相应的一组操作数据(例如,来自给定故障的发生之前的给定时间帧的传感器和/或致动器数据)。在框608处,分析系统108可分析与给定故障的过往发生相关联的标识出的各组操作数据以定义以下各项之间的关系(例如,故障模型):(1)给定的一组操作度量的值和(2)给定故障在将来的给定时间帧(例如,接下来两周)内发生的可能性。最后,在框610处,针对所定义的组中的每个故障的所定义的关系(例如,各个个体故障模型)可接着被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继续接收针对一个或多个资产的组的更新了的操作数据时,分析系统108还可通过对该更新了的操作数据重复步骤604-610来继续针对一个或多个故障的所定义的组细化预测模型。
现在将更详细地描述图6中所解说的示例建模阶段的功能。起始于框602,如以上所提到的,分析系统108可通过定义形成健康度量的基础的一个或多个故障的组而开始。分析系统108可按各种方式执行该功能。
在一个示例中,该组一个或多个故障可以基于一个或多个用户输入。具体而言,分析系统108可从由用户操作的计算系统(诸如输出系统110)接收指示对一个或多个故障的用户选择的输入数据。由此,该组一个或多个故障可以是用户定义的。
在其他示例中,该组一个或多个故障可以基于由分析系统108作出的确定(例如,机器定义的)。具体而言,分析系统108可被配置成定义可按多种方式发生的一个或多个故障的组。
例如,分析系统108可被配置成基于资产102的一个或多个特性来定义一组故障。换言之,某些故障可对应于资产的某些特性,诸如资产类型、等级等。例如,每种类型和/或等级的资产可具有感兴趣的相应故障。
在另一实例中,分析系统108可被配置成基于被储存在分析系统108的数据库中的历史数据和/或由数据源112提供的外部数据来定义一组故障。例如,分析系统108可利用此类数据来确定哪些故障导致最长的修理时间和/或哪些故障历史上跟随有附加故障等其他示例。
在又一其他示例中,该组一个或多个故障可基于用户输入和由分析系统108作出的确定的组合来被定义。其他示例也是可能的。
在框604处,对于来组一组故障中的故障中的每一者,分析系统108可分析一个或多个资产的组的历史操作数据(例如,异常-行为数据)以标识给定故障的过往发生。一个或多个资产的组可包括单个资产(诸如资产102)或相同或相似类型的多个资产(诸如包括资产102和104的一队资产)。分析系统108可分析特定量的历史操作数据,诸如相当于一定量的时间的数据(例如,相当于一个月)或一定数量的数据点(例如,最近的一千个数据点)等其他示例。
实践中,标识给定故障的过往发生可涉及分析系统108标识指示该给定故障的操作数据(诸如异常-状况数据)的类型。一般而言,给定故障可以与一个或多个异常-状况指示符(诸如故障码)相关联。换言之,当给定故障发生时,一个或多个异常-状况指示符可被触发。由此,异常-状况指示符可反映给定故障的底层征兆。
在标识指示给定故障的操作数据的类型之后,分析系统108可按多种方式标识给定故障的过往发生。例如,分析系统108可根据被储存在分析系统108的数据库中的历史操作数据来定位对应于与给定故障相关联的异常-状况指示符的异常-状况数据。每个被定位的异常-状况数据将指示给定故障的发生。基于该被定位的异常-状况数据,分析系统108可标识过往故障所发生的时间。
在框606处,分析系统108可标识与给定故障的每个标识出的过往发生相关联的相应的一组操作数据。具体而言,分析系统108可标识来自大约在给定故障的给定发生的时间的某个时间帧的一组传感器和/或致动器数据。例如,该组数据可来自于故障的给定发生之前、之后或附近的特定时间帧(例如,两周)。在其他情形中,该组数据可以从故障的给定发生之前、之后或附近的一定数量的数据点中被标识。
在示例实现中,一组操作数据可包括来自资产102的一些或所有传感器和致动器的传感器和/或致动器数据。例如,该组操作数据可包括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和/或致动器的数据。
为了解说,图7描绘了分析系统108可分析以促成定义模型的历史操作数据的概念解说。绘图700可对应于源自资产200的一些传感器和致动器(例如,传感器A和致动器B)或所有传感器和致动器的历史数据片段。如图所示,绘图700包括x轴702上的时间、y轴上的测量值704,以及对应于传感器A的传感器数据706和对应于致动器B的致动器数据708,其中的每一者包括表示在特定时间点T处的测量的各个数据点。而且,绘图700包括在过往时间Tf(例如,“故障时间”)处发生了的故障710的发生的指示,以及该故障的发生之前的时间712的量的指示ΔT,各组操作数据从中得到标识。由此,Tf–ΔΤ定义感兴趣的时间点的时间帧714。
返回图6,在分析系统108针对给定故障的给定发生(例如,Tf处的发生)标识一组操作数据之后,分析系统108可确定是否存在一组操作数据应当针对其得到标识的任何剩余发生。在存在剩余发生的事件中,框606将针对每个剩余发生而被重复。
此后,在框608处,分析系统108可分析与给定故障的过往发生相关联的标识出的各组操作数据以定义以下各项之间的关系(例如,故障模型):(1)给定的一组操作度量(例如,给定的一组传感器和/或致动器测量)和(2)给定故障在将来的给定时间帧(例如,接下来两周)内发生的可能性。换言之,给定故障模型可将来自一个或多个传感器和/或致动器的传感器和/或致动器测量作为输入,并输出给定故障将在将来的给定时间帧内发生的概率。
一般而言,故障模型可定义资产102的操作条件和故障发生的可能性之间的关系。在一些实现中,除了来自资产102的传感器和/或致动器的原始数据信号之外,故障模型还可接收许多其他数据输入(也称为特征),其是从传感器和/或致动器信号导出的。此类特征可包括历史上当故障发生时测得的值的平均数或范围、历史上在故障的发生之前测得的值梯度(例如,测量中的变化率)的平均数或范围、故障间的持续时间(例如,在故障的第一发生和故障的第二发生之间的时间量或数据点的数量)、和/或指示故障发生附近的传感器和/或致动器测量趋势的一个或多个故障模式。本领域的普通技术人员将领会,这些仅仅是可以从传感器和/或致动器信号导出的几个示例特征,并且许多其他特征是可能的。
实践中,故障模型可按多种方式来被定义。在示例实现中,分析系统108可通过利用返回零和一之间的概率的一种或多种建模技术来定义故障模型,其可采取以上所描述的任何建模技术的形式。
在特定示例中,定义故障模型可涉及分析系统108基于在框606处所标识的历史操作数据来生成响应变量。具体而言,分析系统108可针对在特定时间点接收到的每组传感器和/或致动器测量确定相关联的响应变量。由此,响应变量可采取与故障模型相关联的数据集的形式。
响应变量可指示给定的一组测量是否在框606处所确定的任何时间帧内。换言之,响应变量可反映给定的一组数据是否来自故障的发生附近的感兴趣的时间。响应变量可以是二元值响应变量,使得如果给定的一组测量在任何所确定的时间帧内,则相关联的响应变量被分配一的值,要不然的话,则相关联的响应变量被分配零的值。
返回图7,在绘图700上示出了响应变量向量Yres的概念图解。如图所示,与时间帧714内的各组测量相关联的响应变量具有一的值(例如,时间Ti+3-Ti+8处的Yres),而与时间帧714外部的各组测量相关联的响应变量具有零的值(例如,时间Ti-Ti+2和Ti+9-Ti+10处的Yres)。其他相应变量也是可能的。
继续基于响应变量定义故障模型的特定示例,分析系统108可利用框606处所标识的历史操作数据和所生成的响应变量来训练故障模型。基于该训练过程,分析系统108可接着定义故障模型,其接收各种传感器和/或致动器数据作为输入,并输出故障将在与被用来生成响应变量的时间帧等同的时间段内发生的在零和一之间的概率。
在一些情形中,利用框606处所标识的历史操作数据和所生成的响应变量进行训练可导致用于每个传感器和/或致动器的变量重要性统计数据。给定的变量重要性统计数据可指示传感器或致动器对给定故障将在将来的时间段内发生的概率的相对影响。
附加地或替代地,分析系统108可被配置成基于一种或多种生存分析技术(诸如Cox比例风险技术)来定义故障模型。虽然分析系统108可按在某些方面类似于以上所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可确定指示从上一次故障到下一个预计事件的时间量的生存时间响应变量。下一个预计事件可以要么是对传感器和/或致动器测量的接收要么是故障的发生,以先发生者为准。该响应变量可包括与测量被接收的特定时间点中的每一者相关联的一对值。该响应变量可接着被用来确定故障将在将来的给定时间帧内发生的概率。
在一些示例实现中,故障模型可部分地基于诸如天气数据之类的外部数据和“热箱”数据等其他数据来被定义。例如,基于此类数据,故障模型可增加或减小输出故障概率。
实践中,可以在与资产传感器和/或致动器获得测量的时间不一致的时间点处观察外部数据。例如,“热箱”数据被收集的时间(例如,机车沿着配备有热箱传感器的铁路轨道的区段通过的时间)可以与传感器和/或致动器测量时间不一致。在此类情形中,分析系统108可被配置成执行一个或多个操作以确定本该在对应于传感器测量时间的时间被观察到的外部数据观察。
具体而言,分析系统108可利用外部数据观察的时间和测量的时间来内插外部数据观察以产生对应于测量时间的时间的外部数据值。外部数据的内插可允许外部数据观察或从其导出的特征作为输入被包括到故障模型中。实践中,各种技术可被用来利用传感器和/或致动器数据来内插外部数据,诸如最近邻内插、线性内插、多项式内插和样条内插等其他示例。
返回图16,在分析系统108针对来自框602处所定义的一组故障的给定故障确定故障模型之后,分析系统108可确定是否存在故障模型应当针对其被确定的任何剩余故障。在仍存在故障模型应当针对其被确定的故障的事件中,分析系统108可重复框604-608的循环。在一些实现中,分析系统108可确定涵盖框602处所定义的所有故障的单个故障模型。在其他实现中,分析系统108可针对资产102的每个子系统确定故障模型,其可接着被用来确定资产级故障模型。其他示例也是可能的。
最后,在框610处,针对所定义的组中的每个故障(例如,各个个体故障模型)的所定义的关系可接着被组合成模型(例如,健康度量模型),以用于预测在将来的给定时间帧(例如,接下来两周)内发生的总体可能性。换言之,该模型接收来自一个或多个传感器和/或致动器的传感器和/或致动器测量作为输入,并输出来自一组故障中的至少一个故障将在将来的给定时间帧内发生的单个概率。[153]分析系统108可按多种方式定义健康度量模型,这可取决于健康度量的期望粒度。换言之,在其中存在多个故障模型的实例中,故障模型的结果可按多种方式来被利用以获得健康度量模型的输出。例如,分析系统108可根据多个故障模型确定最大值、中值或平均值,并将该经确定的值用作健康度量模型的输出。
在其他示例中,确定健康度量模型可涉及分析系统108把权重归于由各个个体故障模型输出的各个个体概率。例如,来自一组故障的每个故障可被认为是同样地不合需的,且因此每个概率可同样地在确定健康度量模型时被相同地加权。在其他实例中,一些故障可被认为比其他故障更不合需(例如,更具灾难性或要求更长的修理时间等),且因此那些对应概率可相比其他概率被更多地加权。
在又一其他示例中,确定健康度量模型可涉及分析系统108利用一种或多种建模技术,诸如回归技术。汇总响应变量可采取来自各个个体故障模型中的每一者的响应变量(例如,图7中的Yres)的逻辑或(逻辑OR)的形式。例如,与发生在框606处所确定的任何时间帧(例如,图7的时间帧714)内的任何一组测量相关联的汇总响应变量可具有一的值,而与发生在这些时间帧中的任一者外部的各组测量相关联的汇总响应变量可具有零的值。定义健康度量模型的其他方式也是可能的。
在一些实现中,框610可能是不必要的。例如,如以上所讨论,分析系统108可确定单个故障模型,在该情形中,健康度量模型可以是单个故障模型。
然而,应当理解,本文中所公开的健康评分模型仅仅是可被用来触发用于调整采集操作的工作流的预测模型的一个示例。预测模型的其他示例也可被使用。
返回图5,分析系统108还可被配置成定义针对资产的个体化的预测模型,其可涉及利用汇总的预测模型作为基线。个体化可以基于资产的某些特性。以这种方式,分析系统108可向给定资产提供与汇总的预测模型相比更准确且稳健的预测模型。
具体而言,在框506处,分析系统108可被配置成决定是否要个体化框504处针对给定资产(诸如资产102)定义的汇总模型。分析系统108可按多种方式执行该决定。
在一些情形中,分析系统108可被配置成默认定义个体化的预测模型。在其他情形中,分析系统108可被配置成基于资产102的某些特性来决定是否要定义个体化的预测模型。例如,在一些情形中,只有某些类型或等级的资产(要么在某些环境中被操作,要么具有某些健康评分)可接收个体化的预测模型。在又一其他情形中,用户可定义个体化的模型是否是针对资产102而被定义的。其他示例也是可能的。
无论如何,如果分析系统108决定为资产102定义个体化的预测模型,则分析系统108可在框508处这么做。
在框508处,分析系统108可被配置成按多种方式定义个体化的预测模型。在示例实现中,分析系统108可至少部分地基于资产102的一个或多个特性来定义个体化的预测模型。
在定义针对资产102的个体化的预测模型之前,分析系统108可能已经确定了形成个体化模型的基础的感兴趣的一个或多个资产特性。实践中,不同的预测模型可具有感兴趣的不同的对应特性。
一般而言,感兴趣的特性可以是与汇总模型-工作流配对相关的特性。例如,感兴趣的特性可以是分析系统108已经确定了的影响汇总模型-工作流配对的准确性的特性。此类特性的示例可包括资产年龄、资产使用、资产能力、资产负荷、资产健康(可能由资产健康度量指示,在下面讨论)、资产等级(例如,品牌和/或模型),以及其中资产被操作的环境等其他特性。
分析系统108可能已经按多种方式确定了感兴趣的特性。在一个示例中,分析系统108可能已通过执行促成标识感兴趣的特性的一个或多个建模仿真而这么做了。在另一示例中,感兴趣的特性可能已被预定义并被储存在分析系统108的数据存储中。在又一个示例中,感兴趣的特性可能已由用户定义并且经由输出系统110提供给分析系统108。其他示例也是可能的。
无论如何,在确定感兴趣的特性之后,分析系统108可确定资产102的对应于所确定的感兴趣的特性的特性。换言之,分析系统108可确定资产102的特性中的对应于感兴趣的特性的类型、值、其存在或缺乏等。分析系统108可按多种方式执行该操作。
例如,分析系统108可被配置成基于源自资产102和/或数据源112的数据来执行该操作。具体而言,分析系统108可利用资产102的操作数据和/或来自数据源112的外部数据来确定资产102的一个或多个特性。其他示例也是可能的。
基于资产102的所确定的一个或多个特性,分析系统108可通过修改汇总模型来定义个体化的预测模型。汇总模型可按多种方式来被修改。例如,汇总模型可通过以下来被修改:改变(例如,添加、移除、重新排序等)一个或多个模型输入、改变对应于资产操作限制的一个或多个传感器和/或致动器测量范围(例如,改变对应于“领先指示符”事件的操作限制)、改变一个或多个模型计算、对变量或计算的输出进行加权(或改变其权重)、利用与曾被用来定义汇总模型的建模技术不同的建模技术、和/或利用与曾被用来定义汇总模型的响应变量不同的响应变量,等其他示例。
实践中,个体化汇总模型可取决于给定资产的一个或多个特性。具体而言,某些特性比起其他特性而言可不同地影响对汇总模型的修改。此外,特性的类型、值、存在等也可影响修改。例如,资产年龄可影响汇总模型的第一部分,而资产等级可影响汇总模型的第二、不同的部分。并且,第一年龄范围内的资产年龄可按第一方式影响汇总模型的第一部分,而在与该第一范围不同的第二年龄范围内的资产年龄可按第二、不同的方式影响汇总模型的第一部分。其他示例也是可能的。
在一些实现中,个体化汇总模型可取决于除了资产特性之外或替代资产特性的考虑。例如,当已知资产处于相对良好的操作状态(例如,如机修工等定义的)时,汇总模型可基于该资产的传感器和/或致动器读数来被个体化。
更具体而言,在领先指示符预测模型的示例中,分析系统108可被配置成(例如,从由机修工操作的计算设备)接收资产处于良好操作状态的指示以及来自资产的操作数据。至少基于该操作数据,分析系统108可接着通过修改对应于“领先指示符”事件的相应操作限制来个体化资产的领先-指示符预测模型。其他示例也是可能的。
还应当理解,在一些示例实现中,分析系统108可被配置成定义针对给定资产的个体化的预测模型,而无需首先定义汇总预测模型。其他示例也是可能的。
一旦预测模型被定义,分析系统108还可被配置成基于新的资产数据来更新该模型。例如,基于从资产或其他数据源接收的新的历史数据,分析系统108可修改资产的汇总的和/或个体化的模型。分析系统108可周期性地(例如,每日、每周、每月等)和/或响应于某个触发事件(例如,接收到新的历史数据或事件的发生)来执行该更新功能。分析系统108也可按其他方式来更新预测模型。
还应当理解,除分析系统108以外的设备和/或系统可被配置成对预测模型进行个体化和修改。例如,如果资产包括被配置成接收和执行预测模型的本地分析设备,则该本地分析设备也可被配置成单独地或与分析系统108相组合地来个体化和/或修改预测模型。代表性的本地分析设备的操作在美国专利申请No.14/963,207(代理人案卷No.Uptake-00051)中被进一步详细地公开,其全部内容通过引用并入本文。
2.用于调整采集操作的工作流
如以上所提到的,以上所公开的预测模型可对应于用于基于预测模型的输出来调整采集操作的工作流。该采集工作流可采取各种形式。
根据一个实施例,采集工作流可涉及基于预测模型修改从给定资产摄取的数据的存储位置。例如,当预测模型指示来自给定事件组的至少一个事件是可能在将来的特定时间段内在给定资产处发生的阈值时,工作流可被配置成将从该给定资产摄取的数据路由到更持久、可靠和/或稳健的存储位置。其他示例也是可能的。
根据另一实施例,采集工作流可涉及基于预测模型修改从给定资产摄取的数据变量集。例如,当预测模型指示来自给定事件组的至少一个事件是可能在将来的特定时间段内在给定资产处发生的阈值时,工作流可被配置成扩展从该给定资产摄取的数据集以包括附加数据变量(例如,来自该资产处的附加传感器/致动器的数据流)。要被摄取的这些附加数据变量可以是预定义的、和/或可基于触发采集工作流的预测模型的类型和/或输出来被定义。例如,数据采集系统可初始地被配置成采集核心的一组数据变量(例如,温度、速度、位置等),并且采集工作流可接着被配置成致使数据采集系统采集与预计要在将来发生的特定事件类型相关的附加数据变量。作为一个代表性示例,如果与资产的引擎相关联的事件被预计要在将来发生,则采集工作流可致使数据采集系统采集与资产的引擎相关的附加数据变量(例如,电压、油压、扭矩等)。许多其他示例也是可能的。
根据又一个实施例,采集工作流可涉及基于预测模型修改针对给定资产的数据摄取率。例如,当预测模型指示来自给定事件组的至少一个事件是可能在将来的特定时间段内在给定资产处发生的阈值时,工作流可被配置成增加以此从该给定资产摄取数据的速率。作为一个代表性示例,采集工作流可被配置成通过致使数据采集系统从第一采样频率(例如,10MHz)切换到第二采样频率(例如,1MHz)来增加数据速率。作为另一代表性示例,采集工作流可被配置成通过致使数据采集系统将被储存的接收到的资产数据的量从第一量(例如,每10个数据点)改变为第二量(例如,每2个数据点)来增加数据速率。作为又一个代表性示例,采集工作流可被配置成通过致使数据采集系统从第一采样方案(例如,每15分钟的周期采样)切换到第二采样方案(例如,响应于触发事件(诸如检测到对应预测模型的输出超过阈值)进行采样)来增加数据速率。其他示例也是可能的。
应当理解,这些修改中的两者或更多者还可被组合成单个采集工作流。此外,应当理解,采集工作流还可涉及用于调整分析系统的采集过程的其他动作。
诸如以上所描述的那些的采集工作流还可按各种方式来被定义。在一个示例中,汇总工作流可以是用户定义的。具体而言,用户可操作接收指示对某些工作流动作的选择的用户输入的计算设备,并且该计算设备可向分析系统108提供指示此类选择的数据。基于该数据,分析系统108可接着定义工作流。
在另一示例中,工作流可以是机器定义的。具体而言,分析系统108可执行各种功能(诸如模拟),以确定可促成确定由预测模型输出的概率的原因和/或防止由该模型预测的事件的发生的工作流。定义工作流的其他示例也是可能的。
在定义对应于预测模型的工作流时,分析系统108还可定义针对工作流的触发。作为示例,工作流触发可采取针对预测模型的输出的阈值(或值的范围)的形式(例如,低于10%的健康度量)。作为另一示例,工作流触发可采取针对预测模型的输出的阈值变化率的形式。作为另一示例,工作流触发可采取预测模型的输出已满足阈值的阈值时间量的形式。其他示例也是可能的。此外,在一些情形中,工作流还可具有多个触发(例如,多个阈值),其中的每一者可致使一个或多个不同的动作发生。还应当理解,该一个或多个阈值可以是能配置的。
如与以上所描述的预测模型一样,用于调整给定资产的采集操作的工作流可采取汇总的工作流或个体化的工作流的形式。在这个方面,分析系统108(和/或资产的本地分析设备)可使用与以上所描述的用于定义个体化的预测模型的技术类似的技术来定义给定资产的个体化工作流(例如,通过基于给定资产的一个或多个特性来修改汇总工作流)。
此外,如与预测模型一样,采集工作流可基于新的资产数据来被更新。例如,基于从资产或其他数据源接收的新数据,分析系统108(和/或资产的本地分析设备)可修改汇总的和/或个体化的采集工作流(例如,通过调整被摄取的数据的存储位置、要被摄取的数据变量集、和/或与工作流相关联的摄取率)。该更新功能可被周期性地(例如,每日、每周、每月等)执行和/或响应于某个触发事件(例如,接收到新的历史数据或事件的发生)而被执行。工作流也可按其他方式来被更新。
还应当理解,以上所描述的采集工作流可基于从资产接收的某些操作数据来被配对和触发,而非基于预测模型的输出。在一个实现中,例如,采集工作流可基于从资产接收的传感器数据来被触发。作为一个这样的示例,采集工作流可被配置成使得如果分析系统108确定给定传感器的输出满足阈值条件(例如,表示异常值的阈值),则采集工作流可接着致使数据采集系统调整其针对资产的采集操作(例如,通过改变采集存储位置、扩展采集数据变量集、和/或增加采集数据率)。在另一实现中,采集工作流可基于从资产接收的异常-状况指示符来被触发。作为一个这样的示例,采集工作流可被配置成使得如果分析系统108从资产接收某些异常-状况指示符(或异常-状况指示符的某些组合),则采集工作流可接着致使数据采集系统调整其针对该资产的采集操作。采集工作流也可基于其他因素来被触发。
C.模型-工作流配对的执行
一旦以上所公开的模型-工作流配对由分析系统108定义,则该模型-工作流配对可被部署用于运行时执行。例如,在优选实现中,分析系统108可被配置成根据模型-工作流配对来操作。
根据该实现,分析系统108可通过按其中分析系统的数据采集系统402根据默认的一组采集参数来摄取各种资产(诸如资产102)的接收到的数据(例如,传感器和/或致动器信号)的第一模式操作而开始。
当数据采集系统402按第一模式操作时,分析系统的数据科学系统404可接着将所摄取的数据的至少一部分输入到预测模型中,以用于确定给定事件(例如,故障事件)组中的至少一个事件可在将来的给定时间段内在资产处发生的可能性。数据科学系统404可接着基于该预测模型而最终确定至少一个这样的事件在将来的给定时间段内在资产处发生的可能性满足第一阈值条件。例如,数据科学系统404可确定针对资产102的健康评分处于或低于10%。
该确定可接着触发采集工作流,其可致使分析系统108从按第一模式操作转变为按第二模式操作,其中该分析系统的数据采集系统402根据包括至少一个修改了的采集参数的一组采集参数来摄取资产102(以及可能其他相关联的资产)的数据。例如,实践中,该采集工作流可致使数据科学系统404向数据采集系统402发信号以转变为不同的操作模式和/或修改采集参数。然而,其他实现也是可能的。在采集工作流被触发之后,分析系统108可接着根据经修改的(诸)采集参数而开始摄取数据。
分析系统的数据科学系统404从那之后可继续将所摄取的数据的至少一部分输入到预测模型中,并且在某一时刻可确定至少一个这样的事件在将来的给定时间段内在资产处发生的可能性满足第二阈值条件。作为响应,分析系统108可接着转变为另一模式和/或进一步修改该组采集参数。
在某一稍后时间,数据科学系统404还可基于预测模型确定给定事件组中的至少一个事件在将来的给定时间段内在资产处发生的可能性不再满足第一阈值条件。作为响应,分析系统108可从按第二模式操作转变回按第一模式操作。
如以上所提到的,当在各操作模式之间转变时,数据采集系统402可修改各种不同的采集参数。根据一个实现,数据采集系统402可被摄取的数据的存储位置从默认存储位置修改为修改了的存储位置。例如,在第一模式中,数据采集系统402可操作以将采集数据储存在第一存储位置(例如,数据库406中的第一数据库)中,而在第二操作模式中,数据采集系统402可操作以将数据储存在第二存储位置(例如,数据库406中的第二数据库)中。实践中,这两个存储位置将优选地具有不同的存储特性。例如,第二存储位置可包括比第一数据存储位置更持久、可靠和/或稳健的数据存储。作为另一示例,第二存储位置可包括比第一存储位置更高的数据存储率,这可以更好地容适更高的数据采集率或扩展了的一组正被摄取的数据变量。而且,在一些实施例中,第一和第二存储位置之一可被设置在与分析系统108相同或不同的地理位置处的分析系统108的外部(例如,在远程数据服务器处)。还应当理解,在一些操作模式中,数据采集系统402可被配置成将采集数据储存在多个不同的存储位置(例如,第一位置和第二位置)处。
经修改的存储位置可按各种方式来被选择。在一个示例中,经修改的存储位置可以是作为工作流定义的一部分选择的单个固定的存储位置。在另一示例中,经修改的存储位置可取决于诸如预测模型的类型、预测模型的输出值、工作流的阈值、和/或资产的特性之类的因素及其他因素而不同。经修改的存储位置也可按其他方式来被选择。
根据另一实现,数据采集系统402可将被摄取的数据变量集从默认数据集修改为修改了的数据集。例如,采集工作流可致使数据采集系统402将为资产从第一组数据变量(例如,对应于资产的传感器A、B和C的数据变量)摄取的一组数据变量扩展为更大的第二组数据变量(例如,对应于资产的传感器A、B和C以及传感器D的数据变量)。在另一示例中,采集工作流可致使数据采集系统402将为资产从第一组数据变量(例如,对应于资产的传感器A、B和C的数据变量)摄取的一组数据变量改变为不同的第二组数据变量(例如,对应于资产的传感器D、E和F的数据变量)。其他示例也是可能的。
经修改的数据集可按各种方式来被选择。在一个示例中,经修改的数据集可以是作为工作流定义的一部分选择的固定的一组数据变量。在另一示例中,经修改的数据集可取决于诸如预测模型的类型、预测模型的输出值、工作流的阈值、和/或资产的特性之类的因素及其他因素而不同。经修改的数据集也可按其他方式来被选择。
根据又一个实现,数据采集系统402可将采集率从默认速率修改为修改了的速率。例如,数据采集系统402可通过增加或减小从资产接收的数据的采样率来修改采集率。作为另一示例,数据采集系统402可通过改变被储存的接收到的资产数据的量来修改采集率(例如,如果给定的数据变量以100个数据点/秒的速率被接收,则系统可在第一模式中每10个值地储存并且在第二模式中每2个值地储存)。其他示例也是可能的。
经修改的速率可按各种方式来被选择。在一个示例中,经修改的速率可以是作为工作流定义的一部分选择的固定速率。在另一示例中,经修改的速率可以是可取决于诸如预测模型的输出值、工作流的阈值、和/或资产的特性之类的因素及其他因素的可变速率。经修改的速率也可按其他方式来被选择。
还应当理解,除分析系统108以外的设备和/或系统可被配置成执行(或帮助执行)用于修改采集操作的预测模型和/或对应的工作流。例如,与以上讨论相一致,资产可包括可被配置成执行用于修改采集操作的预测模型、用于修改采集操作的工作流、或两者的本地分析设备220(或类似设备)。
在一个实现中,例如,分析系统108可被配置成执行预测模型并接着向资产发信号,该资产可进而被配置成基于来自分析系统108的信号执行用于修改采集操作的对应工作流。根据该实现,资产可在传送操作数据之前执行功能,该操作数据可导致分析系统对该数据的采集的修改(例如,通过调整传输数据集、传输数据速率、传输信道等等)。
在另一实现中,资产可被配置成执行预测模型并接着向分析系统108发信号,该分析系统108可进而被配置成基于来自该资产的信号执行用于修改采集操作的对应工作流。
在又一个实现中,资产可被配置成执行用于修改采集操作的预测模型及对应的工作流两者。根据该实现,如上所述,资产可在传送操作数据之前执行功能,该操作数据可导致分析系统对该数据的采集的修改。
如以上所提到的,代表性的本地分析设备的操作在美国专利申请No.14/963,207(代理人案卷No.Uptake-00051)中被进一步详细地公开,其全部内容通过引用并入本文。
V.示例方法
图8-10中描绘了解说可根据三个示例方法来被执行的功能的流程图。仅出于解说目的,这些功能被描述为由分析系统108执行,但是应当理解,这些功能中的一者或多者可由其他设备或系统(例如,资产的本地分析设备220)来执行。还应当理解,某些功能可被添加到这些示例方法中和/或以下描述的某些功能可被修改或从示例方法中移除。
在图8中,描绘了解说可根据用于基于预测模型修改资产的采集存储位置的示例方法800来被执行的功能的流程图。
在框802处,示例方法800可涉及分析系统108按第一模式操作,其中该分析系统108被配置成将从给定资产摄取的操作数据储存在第一数据存储位置中。当按该第一模式操作时,分析系统108可接收给定资产的操作数据(例如,传感器数据、致动器数据、异常-状况数据等)、经由数据采集系统402摄取所接收的操作数据的至少一部分,并接着将所摄取的数据储存到第一存储位置中。
在框804处,方法800可涉及分析系统108执行预测模型,其输出来自事件组的至少一个事件是否可能在将来的给定时间段内在给定资产处发生的指示符(例如,指示来自故障组的至少一个故障是否可能在将来的给定时间段内在给定资产处发生的健康度量)。
在框806处,方法800可涉及分析系统108作出指示符满足阈值条件的确定。例如,如果预测模型输出没有来自事件组的事件可能在将来的给定时间段内在给定资产处发生的概率,则分析系统108可确定该概率处于或低于阈值。在另一方面,如果预测模型输出来自事件组的至少一个事件在将来的给定时间段内在给定资产处发生的概率,则分析系统108可确定该概率处于或高于阈值。其他实现也是可能的。
在框808处,方法800可涉及分析系统108从框802的第一模式转变为第二模式,其中该分析系统108被配置成将从给定资产摄取的操作数据储存在第二数据存储位置(例如,更持久、可靠和/或稳健的存储位置)中。在转变为按第二模式操作之后,分析系统108可接收给定资产的操作数据、经由数据采集系统402摄取所接收的操作数据的至少一部分,并接着将所摄取的数据储存到第二存储位置中,而非储存到第一存储位置中。
现在转到图9,描绘了解说可根据用于基于预测模型修改所摄取的一组资产的数据变量的示例方法900来被执行的功能的流程图。
在框902处,示例方法900可涉及分析系统108按第一模式操作,其中该分析系统108被配置成摄取从给定资产接收的第一组数据变量。当按该第一模式操作时,分析系统108可接收给定资产的操作数据(例如,传感器数据、致动器数据、异常-状况数据等),并接着经由数据采集系统402从该接收到的操作数据摄取该第一组数据变量。
在框904处,方法900可涉及分析系统108执行预测模型,其输出来自事件组的至少一个事件是否可能在将来的给定时间段内在给定资产处发生的指示符(例如,指示来自故障组的至少一个故障是否可能在将来的给定时间段内在给定资产处发生的健康度量)。
在框906处,方法900可涉及分析系统108作出指示符满足阈值条件的确定。例如,如果预测模型输出没有来自事件组的事件可能在将来的给定时间段内在给定资产处发生的概率,则分析系统108可确定该概率处于或低于阈值。在另一方面,如果预测模型输出来自事件组的至少一个事件在将来的给定时间段内在给定资产处发生的概率,则分析系统108可确定该概率处于或高于阈值。其他实现也是可能的。
在框908处,方法900可涉及分析系统108从框902的第一模式转变为第二模式,其中该分析系统108被配置成摄取从给定资产接收的不同的第二组数据变量(例如,包括来自附加传感器和/或执行器的数据的扩展的一组数据变量)。在转变为按第二模式操作之后,分析系统108可接收给定资产的操作数据,并接着经由数据采集系统402从该接收到的操作数据摄取该第二组数据变量。
转到图10,描绘了解说可根据用于基于预测模型修改资产的数据摄取率的示例方法1000来被执行的功能的流程图。
在框1002处,示例方法1000可涉及分析系统108按第一模式操,作其中该分析系统108被配置成以第一摄取率摄取从给定资产接收的操作数据。当按该第一模式操作时,分析系统108可接收给定资产的操作数据(例如,传感器数据、致动器数据、异常-状况数据等),并接着以第一摄取率经由数据采集系统402摄取所接收的操作数据的至少一部分。
在框1004处,方法1000可涉及分析系统108执行预测模型,其输出来自事件组的至少一个事件是否可能在将来的给定时间段内在给定资产处发生的指示符(例如,指示来自故障组的至少一个故障是否可能在将来的给定时间段内在给定资产处发生的健康度量)。
在框1006处,方法1000可涉及分析系统108作出指示符满足阈值条件的确定。例如,如果预测模型输出没有来自事件组的事件可能在将来的给定时间段内在给定资产处发生的概率,则分析系统108可确定该概率处于或低于阈值。在另一方面,如果预测模型输出来自事件组的至少一个事件在将来的给定时间段内在给定资产处发生的概率,则分析系统108可确定该概率处于或高于阈值。其他实现也是可能的。
在框1008处,方法1000可涉及分析系统108从框1002的第一模式转变为第二模式,其中该分析系统108被配置成以与第一摄取率不同的第二摄取率(例如,较高的摄取率)从给定资产摄取操作数据。在转变为按第二模式操作之后,分析系统108可接收给定资产的操作数据,并接着以第二摄取率经由数据采集系统402摄取所接受的操作数据的至少一部分。
VI.结论
以上已描述了所公开的创新的示例实施例。然而,本领域技术人员将理解,在不脱离将由权利要求限定的本发明的真实范围和精神的情况下,可以对所描述的实施例作出改变和修改。
此外,就本文中所描述的示例涉及由诸如“人类”、“操作员”、“用户”或其他实体等参与者执行或发起的操作而言,这仅仅出于示例和解释的目的。除非在权利要求语言中明确叙述,否则权利要求不应当被解释为要求由这些参与者采取动作。
Claims (60)
1.一种计算系统,包括:
数据采集系统;
至少一个处理器;
非瞬态计算机可读介质;以及
被储存在所述非瞬态计算机可读介质上的程序指令,所述程序指令能由所述至少一个处理器执行以致使所述计算系统:
按第一模式操作,在所述第一模式中所述计算系统将从多个资产中的给定资产摄取的操作数据储存在第一数据存储位置中;
当按所述第一模式操作时,(a)从所述给定资产接收操作数据,(b)摄取所接收的操作数据的至少一部分,(c)将所摄取的数据的至少一部分储存在所述第一数据存储位置中,以及(d)基于所摄取的数据的至少一部分,执行预测模型,所述预测模型输出有关来自事件组的至少一个事件是否可能在将来的给定时间段内在所述给定资产处发生的指示符;
作出所述指示符满足阈值条件的确定;
响应于所述确定,从按所述第一模式操作转变为按第二模式操作,在所述第二模式中所述计算系统将从所述给定资产摄取的操作数据储存在第二数据存储位置中;以及
当按所述第二模式操作时,(a)从所述给定资产接收操作数据,(b)摄取所接收的操作数据的至少一部分,(c)将所摄取的数据的至少一部分储存在所述第二数据存储位置中。
2.根据权利要求1所述的计算系统,其特征在于,相应的操作数据包括以下中的一者或两者:(i)与在特定时间在所述给定资产处发生了的故障相关联的异常-状况数据和(ii)指示在所述特定时间所述给定资产的至少一个操作条件的传感器数据。
3.根据权利要求1所述的计算系统,其特征在于,所述事件组包括一个或多个故障的组。
4.根据权利要求3所述的计算系统,其特征在于,所述预测模型输出健康度量,所述健康度量指示来自所述故障组的至少一个故障是否可能在将来的所述给定时间段内在所述给定资产处发生。
5.根据权利要求4所述的计算系统,其特征在于,所述预测模型基于历史操作数据来被定义,所述历史操作数据包括(i)与过去在所述多个资产处发生了的一个或多个故障相关联的历史异常-状况数据和(ii)指示过去所述多个资产的操作条件的历史传感器数据。
6.根据权利要求1所述的计算系统,其特征在于,所述第二数据存储位置被设置在所述计算机系统的外部。
7.根据权利要求1所述的计算系统,其特征在于,所述第二数据存储位置比所述第一数据存储位置更持久。
8.根据权利要求1所述的计算系统,其特征在于,在所述第二模式中,所述数据采集系统继续将从所述给定资产摄取的所述操作数据的至少一部分储存在所述第一数据存储位置中。
9.根据权利要求1所述的计算系统,其特征在于,来自所述事件组中的至少一个事件是否可能在将来的所述给定时间段内在所述给定资产处发生的指示包括没有来自所述事件组中的事件可能在将来的所述给定时间段内在所述给定资产处发生的概率,并且其中所述指示符满足所述阈值条件的所述确定包括所述概率处于或低于阈值的确定。
10.根据权利要求1所述的计算系统,其特征在于,来自所述事件组中的至少一个事件是否可能在将来的所述给定时间段内在所述给定资产处发生的指示包括来自所述事件组中的至少一个事件在将来的所述给定时间段内在所述给定资产处发生的概率,并且其中所述指示符满足所述阈值条件的所述确定包括所述概率处于或高于阈值的确定。
11.一种其上储存有指令的非瞬态计算机可读介质,所述指令能执行以致使计算系统:
按第一模式操作,在所述第一模式中所述计算系统将从多个资产中的给定资产摄取的操作数据储存在第一数据存储位置中;
当按所述第一模式操作时,(a)从所述给定资产接收操作数据,(b)摄取所接收的操作数据的至少一部分,(c)将所摄取的数据的至少一部分储存在所述第一数据存储位置中,以及(d)基于所摄取的数据的至少一部分,执行预测模型,所述预测模型输出有关来自事件组的至少一个事件是否可能在将来的给定时间段内在所述给定资产处发生的指示符;
作出所述指示符满足所述阈值条件的确定;
响应于所述确定,从按所述第一模式操作转变为按第二模式操作,在所述第二模式中所述计算系统将从所述给定资产摄取的操作数据储存在第二数据存储位置中;以及
当按所述第二模式操作时,(a)从所述给定资产接收操作数据,(b)摄取所接收的操作数据的至少一部分,(c)将所摄取的数据的至少一部分储存在所述第二数据存储位置中。
12.根据权利要求11所述的非瞬态计算机可读介质,其特征在于,所述事件组包括一个或多个故障的组,并且其中所述预测模型输出健康度量,所述健康度量指示来自所述故障组的至少一个故障是否可能在将来的所述给定时间段内在所述给定资产处发生。
13.根据权利要求12所述的计算系统,其特征在于,所述预测模型基于历史操作数据来被定义,所述历史操作数据包括(i)与过去在所述多个资产处发生了的一个或多个故障相关联的历史异常-状况数据和(ii)指示过去所述多个资产的操作条件的历史传感器数据。
14.根据权利要求11所述的非瞬态计算机可读介质,其特征在于,所述第二数据存储位置比所述第一数据存储位置更持久。
15.根据权利要求11所述的非瞬态计算机可读介质,其特征在于,在所述第二模式中,所述计算系统继续将从所述给定资产摄取的所述操作数据的至少一部分储存在所述第一数据存储位置中。
16.一种计算机实现的方法,包括:
按第一模式操作的计算系统,在所述第一模式中所述计算系统将从多个资产中的给定资产摄取的操作数据储存在第一数据存储位置中;当按所述第一模式操作时,所述计算系统(a)从所述给定资产接收操作数据,(b)摄取所接收的操作数据的至少一部分,(c)将所摄取的数据的至少一部分储存在所述第一数据存储位置中,以及(d)基于所摄取的数据的至少一部分,执行预测模型,所述预测模型输出来有关自事件组的至少一个事件是否可能在将来的给定时间段内在所述给定资产处发生的指示符;
所述计算系统作出所述指示符满足所述阈值条件的确定;
响应于所述确定,所述计算系统从按所述第一模式操作转变为按第二模式操作,在所述第二模式中所述计算系统将从所述给定资产摄取的操作数据储存在第二数据存储位置中;以及
当按所述第二模式操作时,所述计算系统(a)从所述给定资产接收操作数据,(b)摄取所接收的操作数据的至少一部分,(c)将所摄取的数据的至少一部分储存在所述第二数据存储位置中。
17.根据权利要求16所述的计算机实现的方法,其特征在于,所述事件组包括一个或多个故障的组,并且其中所述预测模型输出健康度量,所述健康度量指示来自所述故障组的至少一个故障是否可能在将来的所述给定时间段内在所述给定资产处发生。
18.根据权利要求17所述的计算机实现的方法,其特征在于,所述预测模型基于历史操作数据来被定义,所述历史操作数据包括(i)与过去在所述多个资产处发生了的一个或多个故障相关联的历史异常-状况数据和(ii)指示过去所述多个资产的操作条件的历史传感器数据。
19.根据权利要求16所述的计算机实现的方法,其特征在于,所述第二数据存储位置比所述第一数据存储位置更持久。
20.根据权利要求16所述的计算机实现的方法,其特征在于,在所述第二模式中,所述计算系统继续将从所述给定资产摄取的所述操作数据的至少一部分储存在所述第一数据存储位置中。
21.一种计算系统,包括:
数据采集系统;
至少一个处理器;
非瞬态计算机可读介质;以及
被储存在所述非瞬态计算机可读介质上的程序指令,所述程序指令能由所述至少一个处理器执行以致使所述计算系统:
按第一模式操作,在所述第一模式中所述计算系统摄取从多个资产中的给定资产接收的第一组数据变量;
当按所述第一模式操作时,(a)从所述给定资产接收操作数据,(b)从所接收的操作数据摄取所述第一组数据变量,以及(c)基于所摄取的数据的至少一部分,执行预测模型,所述预测模型输出有关来自事件组的至少一个事件是否可能在将来的给定时间段内在所述给定资产处发生的指示符;
作出所述指示符满足阈值条件的确定;
响应于所述确定,从按所述第一模式操作转变为按第二模式操作,在所述第二模式中所述计算系统摄取从所述给定资产接收的第二组数据变量,其中所述第一组数据变量和所述第二组数据变量相差至少一个数据变量;以及
当按所述第二模式操作时,(a)从所述给定资产接收操作数据,以及(b)从所接收的操作数据摄取所述第二组数据变量。
22.根据权利要求21所述的计算系统,其特征在于,所述第一和第二组数据变量中的每个数据变量包括所述给定资产处的相应传感器的输出。
23.根据权利要求21所述的计算系统,其特征在于,所述事件组包括一个或多个故障的组。
24.根据权利要求23所述的计算系统,其特征在于,所述预测模型输出健康度量,所述健康度量指示来自所述故障组的至少一个故障是否可能在将来的所述给定时间段内在所述给定资产处发生。
25.根据权利要求24所述的计算系统,其特征在于,所述预测模型基于历史操作数据来被定义,所述历史操作数据包括(i)与过去在所述多个资产处发生了的一个或多个故障相关联的历史异常-状况数据和(ii)指示过去所述多个资产的操作条件的历史传感器数据。
26.根据权利要求21所述的计算系统,其特征在于,所述第二组数据变量包括不被包括在所述第一组数据变量中的一个或多个数据变量。
27.根据权利要求26所述的计算系统,其特征在于,所述第二组数据变量包括所述第一组数据变量中的每个数据变量。
28.根据权利要求21所述的计算系统,其特征在于,来自所述事件组中的至少一个事件是否可能在将来的所述给定时间段内在所述给定资产处发生的指示包括没有来自所述事件组中的事件可能在将来的所述给定时间段内在所述给定资产处发生的概率,并且其中所述指示符满足所述阈值条件的确定包括所述概率处于或低于阈值的确定。
29.根据权利要求21所述的计算系统,其特征在于,来自所述事件组中的至少一个事件是否可能在将来的所述给定时间段内在所述给定资产处发生的指示包括来自所述事件组中的至少一个事件在将来的所述给定时间段内在所述给定资产处发生的概率,并且其中所述指示符满足所述阈值条件的确定包括所述概率处于或高于阈值的确定。
30.一种其上储存有指令的非瞬态计算机可读介质,所述指令能执行以致使计算系统:
按第一模式操作,在所述第一模式中所述计算系统摄取从多个资产中的给定资产接收的第一组数据变量;
当按所述第一模式操作时,(a)从所述给定资产接收操作数据,(b)从所接收的操作数据摄取所述第一组数据变量,以及(c)基于所摄取的数据的至少一部分,执行预测模型,所述预测模型输出有关来自事件组的至少一个事件是否可能在将来的给定时间段内在所述给定资产处发生的指示符;
作出所述指示符满足阈值条件的确定;
响应于所述确定,从按所述第一模式操作转变为按第二模式操作,在所述第二模式中所述计算系统摄取从所述给定资产接收的第二组数据变量,其中所述第一组数据变量和所述第二组数据变量相差至少一个数据变量;以及
当按所述第二模式操作时,(a)从所述给定资产接收操作数据(b)从所接收的操作数据摄取所述第二组数据变量。
31.根据权利要求30所述的非瞬态计算机可读介质,其特征在于,所述第一和第二组数据变量中的每个数据变量包括所述给定资产处的相应传感器的输出。
32.根据权利要求30所述的非瞬态计算机可读介质,其特征在于,所述事件组包括一个或多个故障的组,并且其中所述预测模型输出健康度量,所述健康度量指示来自所述故障组的至少一个故障是否可能在将来的所述给定时间段内在所述给定资产处发生。
33.根据权利要求32所述的非瞬态计算机可读介质,其特征在于,所述预测模型基于历史操作数据来被定义,所述历史操作数据包括(i)与过去在所述多个资产处发生了的一个或多个故障相关联的历史异常-状况数据和(ii)指示过去所述多个资产的操作条件的历史传感器数据。
34.根据权利要求30所述的非瞬态计算机可读介质,其特征在于,所述第二组数据变量包括不被包括在所述第一组数据变量中的一个或多个数据变量。
35.根据权利要求34所述的非瞬态计算机可读介质,其特征在于,所述第二组数据变量包括所述第一组数据变量中的每个数据变量。
36.一种计算机实现的方法,包括:
计算系统,所述计算系统按第一模式操作,所述第一模式中所述计算系统摄取从多个资产中的给定资产接收的第一组数据变量;
当按所述第一模式操作时,所述计算系统(a)从所述给定资产接收操作数据,(b)从所接收的操作数据摄取所述第一组数据变量,以及(c)基于所摄取的数据的至少一部分,执行预测模型,所述预测模型输出来自事件组的至少一个事件是否可能在将来的给定时间段内在所述给定资产处发生的指示符;
所述计算系统作出所述指示符满足阈值条件的确定;
响应于所述确定,所述计算系统从按所述第一模式操作转变为按第二模式操作,在所述第二模式中所述计算系统摄取从所述给定资产接收的第二组数据变量的,其中所述第一组数据变量和所述第二组数据变量相差至少一个数据变量;以及
当按所述第二模式操作时,所述计算系统(a)从所述给定资产接收操作数据,以及(b)从所接收的操作数据摄取所述第二组数据变量。
37.根据权利要求36所述的计算机实现的方法,其特征在于,所述第一和第二组数据变量中的每个数据变量包括所述给定资产处的相应传感器的输出。
38.根据权利要求36所述的计算机实现的方法,其特征在于,所述事件组包括一个或多个故障的组,并且其中所述预测模型输出健康度量,所述健康度量指示来自所述故障组的至少一个故障是否可能在将来的所述给定时间段内在所述给定资产处发生。
39.根据权利要求38所述的计算机实现的方法,其特征在于,所述预测模型基于历史操作数据来被定义,所述历史操作数据包括(i)与过去在所述多个资产处发生了的一个或多个故障相关联的历史异常-状况数据和(ii)指示过去所述多个资产的操作条件的历史传感器数据。
40.根据权利要求36所述的计算机实现的方法,其特征在于,所述第二组数据变量包括不被包括在所述第一组数据变量中的一个或多个数据变量。
41.一种计算系统,包括:
数据采集系统;
至少一个处理器;
非瞬态计算机可读介质;以及
被储存在所述非瞬态计算机可读介质上的程序指令,所述程序指令能由所述至少一个处理器执行以致使所述计算系统:
按第一模式操作,在所述第一模式中所述计算系统以第一摄取率摄取从多个资产中的给定资产接收的操作数据;
当按所述第一模式操作时,(a)从所述给定资产接收操作数据,(b)以所述第一摄取率摄取所接收的操作数据的至少一部分,以及(c)基于所摄取的数据的至少一部分,执行预测模型,所述预测模型输出来自事件组的至少一个事件是否可能在将来的给定时间段内在所述给定资产处发生的指示符;
作出所述健康度量满足阈值条件的确定;
响应于所述确定,从按所述第一模式操作转变为按第二模式操作,在所述第二模式中所述计算系统以不同于所述第一摄取率的第二摄取率从所述给定资产摄取操作数据,以及当按所述第二模式操作时,(a)从所述给定资产接收操作数据和(b)以所述第二摄取率摄取所接收的操作数据的至少一部分。
42.根据权利要求41所述的计算系统,其特征在于,所接收的操作数据包括以下中的一者或两者:(i)与在特定时间在所述给定资产处发生了的故障相关联的异常-状况数据和(ii)指示在所述特定时间所述给定资产的至少一个操作条件的传感器数据。
43.根据权利要求41所述的计算系统,其特征在于,所述事件组包括一个或多个故障的组,并且其中所述预测模型输出健康度量,所述健康度量指示来自所述故障组的至少一个故障是否可能在将来的所述给定时间段内在所述给定资产处发生。
44.根据权利要求43所述的计算系统,其特征在于,所述预测模型基于历史操作数据来被定义,所述历史操作数据包括(i)与过去在所述多个资产处发生了的一个或多个故障相关联的历史异常-状况数据和(ii)指示过去所述多个资产的操作条件的历史传感器数据。
45.根据权利要求41所述的计算系统,其特征在于,来自所述事件组中的至少一个事件是否可能在将来的所述给定时间段内在所述给定资产处发生的指示包括没有来自所述事件组中的事件可能在将来的所述给定时间段内在所述给定资产处发生的概率,并且其中所述指示符满足所述阈值条件的所述确定包括所述概率处于或低于阈值的确定。
46.根据权利要求41所述的计算系统,其特征在于,来自所述事件组中的至少一个事件是否可能在将来的所述给定时间段内在所述给定资产处发生的指示包括没有来自所述事件组中的事件可能在将来的所述给定时间段内在所述给定资产处发生的概率,并且其中所述指示符满足所述阈值条件的所述确定包括所述概率处于或低于阈值的确定。
47.根据权利要求41所述的计算系统,其特征在于,所述第二摄取率高于所述第一摄取率。
48.根据权利要求41所述的计算系统,其特征在于,所述第二摄取率包括基于所述指示符确定的可变速率。
49.一种其上储存有指令的非瞬态计算机可读介质,所述指令能执行以致使计算系统:
按第一模式操作,在所述第一模式中所述计算系统以第一摄取率摄取从多个资产中的给定资产接收的操作数据;
当按所述第一模式操作时,(a)从所述给定资产接收操作数据,(b)以所述第一摄取率摄取所接收的操作数据的至少一部分,以及(c)基于所摄取的数据的至少一部分,执行预测模型,所述预测模型输出来自事件组的至少一个事件是否可能在将来的给定时间段内在所述给定资产处发生的指示符;
作出所述健康度量已达到阈值的确定;以及
响应于所述确定,(a)从所述给定资产接收操作数据和(b)以所述第二摄取率摄取所接收的操作数据的至少一部分。
50.根据权利要求49所述的非瞬态计算机可读介质,其特征在于,所接收的操作数据包括以下中的一者或两者:(i)与在特定时间在所述多个资产处发生了的故障相关联的异常-状况数据和(ii)指示在所述特定时间所述多个资产的至少一个操作条件的传感器数据。
51.根据权利要求49所述的非瞬态计算机可读介质,其特征在于,所述事件组包括一个或多个故障的组,并且其中所述预测模型输出健康度量,所述健康度量指示来自所述故障组的至少一个故障是否可能在将来的所述给定时间段内在所述给定资产处发生。
52.根据权利要求51所述的非瞬态计算机可读介质,其特征在于,所述预测模型基于历史操作数据来被定义,所述历史操作数据包括(i)与过去在所述给定资产处发生了的一个或多个故障相关联的历史异常-状况数据和(ii)指示过去所述给定资产的操作条件的历史传感器数据。
53.根据权利要求49所述的非瞬态计算机可读介质,其特征在于,来自所述事件组中的至少一个事件是否可能在将来的所述给定时间段内在所述给定资产处发生的指示包括没有来自所述事件组中的事件可能在将来的所述给定时间段内在所述给定资产处发生的概率,并且其中所述指示符满足所述阈值条件的所述确定包括所述概率处于或低于阈值的确定。
54.根据权利要求49所述的非瞬态计算机可读介质,其特征在于,来自所述事件组中的至少一个事件是否可能在将来的所述给定时间段内在所述给定资产处发生的指示包括没有来自所述事件组中的事件可能在将来的所述给定时间段内在所述给定资产处发生的概率,并且其中所述指示符满足所述阈值条件的所述确定包括所述概率处于或低于阈值的确定。
55.一种计算机实现的方法,包括:
计算系统,所述计算系统按第一模式操作,在所述第一模式中所述计算系统以第一摄取率摄取从多个资产中的给定资产接收的操作数据;
当按所述第一模式操作时,所述计算系统(a)从所述给定资产接收操作数据,(b)以所述第一摄取率摄取所接收的操作数据的至少一部分,以及(c)基于所摄取的数据的至少一部分,执行预测模型,所述预测模型输出来自事件组的至少一个事件是否可能在将来的给定时间段内在所述给定资产处发生的指示符;
所述计算系统作出所述健康度量已达到阈值的确定;以及
响应于所述确定,所述计算系统从按所述第一模式操作转变为按第二模式操作,在所述第二模式中所述计算系统以不同于所述第一摄取率的第二摄取率从所述给定资产摄取操作数据;以及
当按所述第二模式操作时,所述计算系统(a)从所述给定资产接收操作数据和(b)以所述第二摄取率摄取所接收的操作数据的至少一部分。
56.根据权利要求55所述的计算机实现的方法,其特征在于,所接收的操作数据包括以下中的一者或两者:(i)与在特定时间在所述给定资产处发生了的故障相关联的异常-状况数据和(ii)指示在所述特定时间所述给定资产的至少一个操作条件的传感器数据。
57.根据权利要求55所述的计算机实现的方法,其特征在于,所述事件组包括一个或多个故障的组,并且其中所述预测模型输出健康度量,所述健康度量指示来自所述故障组的至少一个故障是否可能在将来的所述给定时间段内在所述给定资产处发生。
58.根据权利要求57所述的计算机实现的方法,其特征在于,所述预测模型基于历史操作数据来被定义,所述历史操作数据包括(i)与过去在所述多个资产处发生了的一个或多个故障相关联的历史异常-状况数据和(ii)指示过去所述多个资产的操作条件的历史传感器数据。
59.根据权利要求55所述的计算机实现的方法,其特征在于,来自所述事件组中的至少一个事件是否可能在将来的所述给定时间段内在所述给定资产处发生的指示包括没有来自所述事件组中的事件可能在将来的所述给定时间段内在所述给定资产处发生的概率,并且其中所述指示符满足所述阈值条件的所述确定包括所述概率处于或低于阈值的确定。
60.根据权利要求55所述的计算机实现的方法,其特征在于,来自所述事件组中的至少一个事件是否可能在将来的所述给定时间段内在所述给定资产处发生的指示包括没有来自所述事件组中的事件可能在将来的所述给定时间段内在所述给定资产处发生的概率,并且其中所述指示符满足所述阈值条件的所述确定包括所述概率处于或低于阈值的确定。
Applications Claiming Priority (8)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201462086155P | 2014-12-01 | 2014-12-01 | |
US14/963,209 | 2015-12-08 | ||
US14/963,212 US10025653B2 (en) | 2014-12-01 | 2015-12-08 | Computer architecture and method for modifying intake data rate based on a predictive model |
US14/963,212 | 2015-12-08 | ||
US14/963,208 US20170161659A1 (en) | 2014-12-01 | 2015-12-08 | Computer Architecture and Method for Modifying Data Intake Storage Location Based on a Predictive Model |
US14/963,209 US20170161621A1 (en) | 2014-12-01 | 2015-12-08 | Computer Architecture and Method for Modifying Intake Data Set Based on a Predictive Model |
US14/963,208 | 2015-12-08 | ||
PCT/US2016/065262 WO2017100245A1 (en) | 2014-12-01 | 2016-12-07 | Computer architecture and method for modifying data intake parameters based on a predictive model |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108463806A true CN108463806A (zh) | 2018-08-28 |
Family
ID=62488876
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201680059994.1A Withdrawn CN108141473A (zh) | 2014-12-01 | 2016-09-12 | 基于资产可用性的网状网络路由 |
CN201680077496.XA Withdrawn CN108463806A (zh) | 2014-12-01 | 2016-12-07 | 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 |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201680059994.1A Withdrawn CN108141473A (zh) | 2014-12-01 | 2016-09-12 | 基于资产可用性的网状网络路由 |
Country Status (1)
Country | Link |
---|---|
CN (2) | CN108141473A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113711188A (zh) * | 2019-04-25 | 2021-11-26 | Emc Ip控股有限公司 | 连续复制系统中的数据分发 |
CN114008671A (zh) * | 2019-06-24 | 2022-02-01 | 通用电气精准医疗有限责任公司 | 使用人工智能的自适应医学成像设备配置 |
CN114527733A (zh) * | 2022-02-23 | 2022-05-24 | 上海电气集团股份有限公司 | 电气控制系统的仿真测试方法及装置 |
CN116662638A (zh) * | 2022-09-06 | 2023-08-29 | 荣耀终端有限公司 | 数据采集方法及相关装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7647131B1 (en) * | 2006-03-09 | 2010-01-12 | Rockwell Automation Technologies, Inc. | Dynamic determination of sampling rates |
WO2014145977A1 (en) * | 2013-03-15 | 2014-09-18 | Bates Alexander B | System and methods for automated plant asset failure detection |
CN104809051A (zh) * | 2014-01-28 | 2015-07-29 | 国际商业机器公司 | 用于预测计算机应用中的异常和故障的方法和装置 |
US20150213701A1 (en) * | 2013-03-15 | 2015-07-30 | Codex Corporation | Monitoring inmate movement with rfid |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
JP2006260344A (ja) * | 2005-03-18 | 2006-09-28 | Toshiba Corp | 故障履歴管理装置 |
US9071666B2 (en) * | 2007-04-26 | 2015-06-30 | Alcatel Lucent | Edge router and method for dynamic learning of an end device MAC address |
US20090076873A1 (en) * | 2007-09-19 | 2009-03-19 | General Electric Company | Method and system to improve engineered system decisions and transfer risk |
JP4571235B2 (ja) * | 2008-11-28 | 2010-10-27 | パナソニック株式会社 | 経路制御装置、経路異常予測装置、方法、およびプログラム |
CN102509178B (zh) * | 2011-11-25 | 2014-12-17 | 江苏省电力公司淮安供电公司 | 配网设备状态评估系统 |
-
2016
- 2016-09-12 CN CN201680059994.1A patent/CN108141473A/zh not_active Withdrawn
- 2016-12-07 CN CN201680077496.XA patent/CN108463806A/zh not_active Withdrawn
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7647131B1 (en) * | 2006-03-09 | 2010-01-12 | Rockwell Automation Technologies, Inc. | Dynamic determination of sampling rates |
WO2014145977A1 (en) * | 2013-03-15 | 2014-09-18 | Bates Alexander B | System and methods for automated plant asset failure detection |
US20150213701A1 (en) * | 2013-03-15 | 2015-07-30 | Codex Corporation | Monitoring inmate movement with rfid |
CN104809051A (zh) * | 2014-01-28 | 2015-07-29 | 国际商业机器公司 | 用于预测计算机应用中的异常和故障的方法和装置 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113711188A (zh) * | 2019-04-25 | 2021-11-26 | Emc Ip控股有限公司 | 连续复制系统中的数据分发 |
CN113711188B (zh) * | 2019-04-25 | 2024-04-05 | Emcip控股有限公司 | 连续复制系统中的数据分发 |
CN114008671A (zh) * | 2019-06-24 | 2022-02-01 | 通用电气精准医疗有限责任公司 | 使用人工智能的自适应医学成像设备配置 |
CN114527733A (zh) * | 2022-02-23 | 2022-05-24 | 上海电气集团股份有限公司 | 电气控制系统的仿真测试方法及装置 |
CN116662638A (zh) * | 2022-09-06 | 2023-08-29 | 荣耀终端有限公司 | 数据采集方法及相关装置 |
CN116662638B (zh) * | 2022-09-06 | 2024-04-12 | 荣耀终端有限公司 | 数据采集方法及相关装置 |
Also Published As
Publication number | Publication date |
---|---|
CN108141473A (zh) | 2018-06-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11144378B2 (en) | Computer system and method for recommending an operating mode of an asset | |
KR20180010321A (ko) | 예측 모델들의 동적 실행 | |
CN109074344A (zh) | 用于基于预测模型来创建资产相关任务的计算机系统和方法 | |
CN108780526A (zh) | 基于资产定位的预测模型的处置 | |
US10176279B2 (en) | Dynamic execution of predictive models and workflows | |
CN109643256A (zh) | 用于推荐资产修复的计算机架构和方法 | |
US20220100595A1 (en) | Computer System and Method for Recommending an Operating Mode of an Asset | |
US20160371584A1 (en) | Local Analytics at an Asset | |
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 | |
KR20180011333A (ko) | 자산에서의 로컬 분석 |
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: 1259725 Country of ref document: HK |
|
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20180828 |
|
WW01 | Invention patent application withdrawn after publication |