CN108780315B - 用于优化旋转设备的诊断的方法和装置 - Google Patents
用于优化旋转设备的诊断的方法和装置 Download PDFInfo
- Publication number
- CN108780315B CN108780315B CN201780019123.1A CN201780019123A CN108780315B CN 108780315 B CN108780315 B CN 108780315B CN 201780019123 A CN201780019123 A CN 201780019123A CN 108780315 B CN108780315 B CN 108780315B
- Authority
- CN
- China
- Prior art keywords
- text
- information
- deep learning
- case
- sensor
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0275—Fault isolation and identification, e.g. classify fault; estimate cause or root of failure
- G05B23/0281—Quantitative, e.g. mathematical distance; Clustering; Neural networks; Statistical analysis
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H1/00—Measuring characteristics of vibrations in solids by using direct conduction to the detector
- G01H1/003—Measuring characteristics of vibrations in solids by using direct conduction to the detector of rotating machines
- G01H1/006—Measuring characteristics of vibrations in solids by using direct conduction to the detector of rotating machines of the rotor of turbo machines
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
- G05B19/406—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by monitoring or safety
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0267—Fault communication, e.g. human machine interface [HMI]
- G05B23/0272—Presentation of monitored results, e.g. selection of status reports to be displayed; Filtering information to the user
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0275—Fault isolation and identification, e.g. classify fault; estimate cause or root of failure
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/041—Abduction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- 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
- G05B2219/33—Director till display
- G05B2219/33284—Remote diagnostic
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Automation & Control Theory (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Computer Interaction (AREA)
- Mathematical Optimization (AREA)
- Probability & Statistics with Applications (AREA)
- Algebra (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Manufacturing & Machinery (AREA)
- Computational Mathematics (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
用于优化旋转设备的诊断的方法和装置。本发明总体上涉及用于优化旋转设备,尤其是燃气轮机的诊断的方法和装置。该装置包括:a)用于在一系列时间窗上提供关于旋转设备的状态的状态信息的装置(11),由此可以从在可预定的时间段内进行测量的至少一个可用传感器的传感器特征(10)导出状态,b)用于使用深度学习的装置(20),所述深度学习组合提供的历史传感器信息和指示旋转设备的警告和/或警报的事件的序列数据,c)由此用经由深度学习预测的是否已经在时间窗内发生了警告和/或警报的概率来补充状态信息,d)用于提供许多文本诊断知识案例的装置(24),e)用于从文本诊断知识案例提取关于文本特征的语义信息的装置(17),以及f)用于将状态信息和语义信息组合成使得能够优化诊断的统一表示的装置(19)。
Description
技术领域
本发明一般涉及用于优化旋转设备(特别是燃气轮机)的诊断的方法和装置。
背景技术
旋转设备的远程监控和诊断在实践中是必不可少的。燃气轮机的远程诊断是复杂的任务,其可被分为三个步骤:(1)检测,(2)隔离,以及(3)诊断。最近,对工厂过程安全性、提高的可靠性和可用性、低维护成本以及关于设备健康状况的持续认识的系统化方法的需求不断增加。这种需求挑战现有的工具环境,该工具环境典型地建立在状况监控解决方案和专家系统的采用之上。具体而言,作为系统化诊断的一部分的故障检测、故障隔离、故障机制定义和诊断定义是在工程师的决策制定过程中支持工程师、直到纠正动作建议为止的基本功能性。然而,由于由大量子系统和工艺流导致的技术复杂性,对工业燃气轮机的诊断非常重要,并且需要来自诸如系统力学、空气动力学和热力学(仅举几例)之类的领域的各种工程师的多学科专业知识。
直到最近,计算能力的增长才给予来自人工智能领域的自主决策制定方法第二助力(wind),使得可用新方法和工具来应对之前略述的挑战。一个这样的示例是深度学习——一种利用GPU硬件构建具有看不见的能力的模型以从数据中自动构造相关特征的强大方法。
在分析阶段,在远程诊断中心(RDC)的专家通常用他关于故障模式和解决方案的发现和假设来丰富以上提及的步骤(1)中可用的传感器数据,所有这些都在票务系统(例如Salesforce或STM-RMS)中用自然语言文档记录为自由文本。尽管这种非结构化的(或半结构化的)文档记录方式对于技术人员来说是方便的,但是很难与其它同事分享在这些注释中表达的知识。它是基于来自过去的相似案例提出解决方案。因此挑战是提供一种系统,该系统可以在诊断期间向技术人员自动提出相关历史案例,其中考虑传感器数据以及(中间)人类生成的内容两者,主要是文本信息。此外,具有需要对参数进行大量手动调整以便良好运行的解决方案实际上是不可行的。到目前为止,远程诊断中心(RDC)中的诊断过程主要是手动的,并且缺乏通过软件工具的支持。
以上提及的票务系统Salesforce具有集成功能性,用于发现与当前打开的票相似的票。在该系统中很可能使用诸如在词袋之上的TF/IDF之类的标准测量。术语频率-逆文档频率(TF/IDF)是旨在反映单词对文档多么重要的数字统计。而且,不包括传感器数据。
进一步的可能的方法是在将用于识别振动情况的传感器数据的频谱分解之上的基于案例的推理。关于频谱分解的特征向量计算的基础是与学习方法完全不同的方法。
经典的基于案例的推理应用的一个方面是手动定义对相似度比较的权重。首先,这样的权重典型地是未知的,并且对于专家定义也不直观。其次,考虑到专家需要定义作为特征的在不同表现之间的“局部”相似度以及将局部相似度组合成全局值的全局组合功能两者,用于收集这样的相似度“估计”的努力是相当大的。
考虑到传感器和文本信息两者,先前提及的大多数潜在工作解决方案的共同缺点是不能够自动预测相关历史案例,也不可以避免大量的手动参数化。
本发明的一个目的是提供一种方法,该方法将文本信息集成到基于学习的方法中以优化燃气轮机诊断。
发明内容
以上提及的目的通过用于优化旋转设备的诊断的、包括本发明的实施例的特征的一种方法和一种或多种装置来实现。也描述了本发明的优选实施例。
本发明的一个方面是将文本信息(动态地)集成到基于学习的方法中以优化燃气轮机诊断。
该发明方法支持远程诊断中心的工程师。它基于自然语言处理(NLP)技术与深度学习的组合,该自然语言处理(NLP)技术允许我们在由工程师写下的大量诊断知识上构建,该深度学习包括关于从可用传感器导出的实际轮机状态的信息。该方法被嵌入到在基于物理、基于规则和数据驱动方法上构建的整体系统工作流中。该框架支持工程师识别相关信息,从而显著减少故障检修时间,提高技术响应能力和容量两者。
提出的发明要求保护一种用于优化旋转设备诊断(特别是燃气轮机诊断)的方法,该方法包括以下步骤:
a)在一系列时间窗上提供关于旋转设备的状态的状态信息,由此状态是从在可预定义的时间段期间进行测量的至少一个可用传感器的传感器特征导出的,
b)使用深度学习,所述深度学习将提供的历史传感器信息与指示旋转设备的警告和/或警报的事件的序列数据组合,
c)由此用经由深度学习预测的是否已经在时间窗内发生了警告和/或警报的概率来补充状态信息,
d)提供许多文本诊断知识案例,
e)从文本诊断知识案例提取关于文本特征的语义信息,以及
f)将状态信息和语义信息组合成使得能够优化诊断的统一表示。
这样的优化的诊断导致调节旋转设备的操作和/或维持旋转设备。
深度学习可以使用基于案例的推理学习方法。自然语言训练方法可以用于提取所述语义信息。不同的权重可以应用于不同类型的文本特征。
该提取的结果优选是一组文本特征向量,对于每个文本诊断知识案例一个所述向量。可以通过将案例相对于训练的案例分类来确定一个文本特征向量,导致不同的集群带来案例相似度计算,由此向量包含与集群存在的一样多的集群隶属度(membershipdegree)。不同类型的文本特征可以是受影响的部分和/或观察的症状。
深度学习可以自动识别使得两个所述时间窗相似或不相似的潜在结构,以便预测所述概率。
来自可预定义的时间段(例如24h)的具有所述概率的状态信息由向量表示。可预定义可意味着用户可以输入或选择时间段,或者该时间段由默认值设置,例如24小时。
所述统一表示导致一个统一的传感器和文本特征向量。
该发明的进一步的方面是一种用于优化燃气轮机诊断的装置,包括:
a)用于在一系列时间窗上提供关于旋转设备的状态的状态信息的装置(11),由此状态可以是从在可预定义的时间段期间进行测量的至少一个可用传感器的传感器特征(10)导出的,
b)用于使用深度学习的装置(20),所述深度学习将提供的历史传感器信息与指示旋转设备的警告和/或警报的事件的序列数据组合,
c)由此用经由深度学习预测的是否已经在时间窗内发生了警告和/或警报的概率来补充状态信息,
d)用于提供许多文本诊断知识案例的装置(24),
e)用于从文本诊断知识案例提取关于文本特征的语义信息的装置(17),以及
f)用于将状态信息和语义信息组合成使得能够优化诊断的统一表示的装置(19)。
该发明的进一步的方面是一种可直接加载到计算机的内部存储器中的计算机程序(产品),包括软件代码部分,用于当所述计算机程序(产品)在计算机上或在以上提及的装置之一上运行时执行以上提及的方法的步骤。
由准确的处理时间的估计的需求所激励的这样的用于柔性制造系统内的上下文感知分析的框架是本发明方法的益处。与最先进的自适应学习模型相比,它可以被成功应用并且犯更少的预测错误。更准确的处理时间的估计直接影响制造系统的生产量时间和周期时间的可靠性,这是用于优化的生产计划和调度的基础。
附图说明
当结合附图阅读时,从下面的具体实施方式中最好地理解本发明的前述和其它方面。出于图示该发明的目的,附图中示有目前优选的实施例,但是应当理解:该发明不限于公开的特殊手段。附图中包括下面的图:
图1示意性地示出使用基于CBR和NLP的集群和排序的概念,
图2示意性地示出用于分类事件的时间窗并提取紧凑的潜在特征表示的深度学习,
图3描绘将来自CBR和NLP的特征向量组合成一个统一的特征向量,以及
图4描绘相似度计算的示例。
具体实施方式
图1示意性地示出使用基于CBR和NLP的集群和排序的概念的概念。
用1、2和3标记的图1示出先前提及的在一个或多个时间窗(24h窗)内的传感器数据10的步骤(1)检测11、(2)隔离12、(3)诊断15。在步骤(2)和(3)中,用户可经由执行所述步骤的仪表板13与系统交互。在步骤(2)之后的初步通知14和在步骤(3)之后的客户通知16可能是有用的,如图1中所示。
提出的方法使用传感器数据10以及用于从过去自动识别相似案例的自然语言注释两者。可以向工程师/用户呈现相似度分析和计算的结果,以便于他/她搜索解决方案。将推荐机制与标准工具和/或与已经在用于燃气轮机的远程诊断中心(RDC)处使用的系统(诸如Salesforce)集成可能是有用的。
简而言之,使用历史数据(文本和时间信息两者,该文本意味着历史案例24和历史传感器数据23并且经由案例ID相互链接)。训练模型可以用于:
(a)将轮机传感器数据的24h窗压缩成紧凑的潜在特征向量(参见“传感器特征压缩”22),以及
(b)基于文本内容(参见“文本特征提取(NLP)”17和“集群检索”18),将所述工具/系统中的新(初步)案例分配给一组预先计算的集群,给出结果:用于集群中的每一个的隶属度的向量。因此,成员资格的排序和集群检索被集成,并且可以被呈现给诊断15步骤(3)。
然后将两个特征向量组合并与包含用于所有历史案例的相似表示的案例库进行比较,给出结果:相关历史案例连同其相似性的程度的列表,通过降低的相似度来排列次序。所述案例相似度连同那些相关案例的集群隶属度允许直接计算哪些集群对于给定的案例是最相关的。然后将结果显示给诊断系统的GUI(例如,显示器)内的诊断工程师。可以在NLP(软件)模块17中实现用于提取(非结构化的)文本信息的文本特征的分析。可以在CBR(软件模块)中实现传感器特征压缩22。因此采用将这两个“单模态”模块的结果组合成“多模态”整体评估。
下面详细介绍这三个模块:
-基于案例的推理(CBR):
应用机器学习方法(更具体而言是深度学习方法)来自动识别使得传感器数据的两个(时间)窗相似或不相似的“隐藏(潜在)结构”是有用的。历史数据23可以用于基于辅助任务来训练所谓的卷积神经网络40(CNN),该辅助任务将历史传感器信息与指示燃气轮机的警告和警报的事件的序列(SoE)数据组合。深度学习是基于学习数据的表示的更广泛的机器学习方法系列的一部分。它可以基于一组算法,该算法试图通过使用具有复杂结构的多个处理层对数据中的高级抽象概念进行建模,或者以其它方式由多个非线性变换组成。CNN通常是一种前馈人工神经网络,其中各个神经元以它们响应于感受野(receptivefield)中的重叠区域的方式平铺。
深度学习包括下面的步骤:
步骤I:时间窗的分类,优选是24小时窗,
步骤II:特征提取
步骤III:相似度计算
步骤IV:可以用于解决相同类型的未来问题的概括。
作为第一步I,训练CNN,其将来自24h时间窗的所有传感器测量作为输入(测量可以具有一分钟的分辨率,导致对于每个传感器有1440个值)。辅助任务由预测在对应的传感器数据时间序列内先前给定的24h时间窗中是否已经发生警告或错误的概率组成。在完成训练(CBR)20之后,移除网络的输出节点,并将最后的隐藏层用作新的输出层。然后CNN的新输出将在24h时间窗中输出从完整的一组传感器数据提取的一组潜在特征(步骤II)。提取的潜在特征的数量在CNN结构的设计阶段中是可配置的。相关特征的相似度计算(而不是发现)(步骤III)由CNN学习算法自动完成。
最后,CBR学习模型21学习特征以区分其中已经发生事件(警告或警报)的时间序列。通过看左手边的图2,曲线中存在24h传感器数据描绘。如右手边上所示(参见40),只要需要将输出分为正常事件或异常事件,局部特征就会通过所示的卷积、子采样及其重复的步骤映射到全局特征。在概括步骤IV中,可以得出不止一个相同类型的旋转设备。
-自然语言处理(NLP):
NLP可以用于处理由诊断工程师/用户馈送到诊断过程中的人类生成的内容。可能由语言方法扩展标准词袋方法以将文档表示为特征向量。基于由NLP专家从历史案例24提取的(语言专用的)字典和语法26,还提取关于受影响的部分的“语义”信息和从文本观察的症状。这允许NLP模块从具体(句法)公式抽象并专注于内容的含义。
NLP模型的训练25为两步骤过程:
•在第一步骤中,每个文档都具有如上所述提取的其词袋和语义特征。不同的权重可以应用于不同类型的特征,例如给症状设置更多重要性。然后可以在所有特征上应用TF-IDF缩放。该步骤的结果是一组文档特征向量,对于每个文档一个。
•在第二步骤中,使用非负矩阵因子分解集群文档特征向量。该步骤具有两个结果:
1)将文件分配给集群27,以及
2)一组新的潜在特征向量,对于每个文档一个。
潜在特征向量的特征在于在其它文档及其所属的集群的上下文中是单个文档。相似的文档具有相似的潜在特征向量。基于专家/用户的可用性,可以在迭代过程中通过与领域专家讨论它并将他或她的反馈转换为用于集群算法的配置参数(诸如特征权重)来细化集群。然后通过将案例(模糊地)相对于训练的集群分类来确定用于给定情况的特征向量,导致集群隶属度的向量具有与集群一样多的条目。这种“绕行”使得能够以非常直接的方式在文本信息(例如,文本案例描述)的“相似度”上集成专家反馈。
-集成排序和检索19:
如图3中所描绘的,提出的解决方案将来自CBR和NLP的特征向量组合成一个最终用于相似度计算的统一的特征向量32。统一表示(更具体而言,统一的特征向量)使得能够在诊断中对优化过程进行反馈。相似度计算的可能实现方式是分别计算两个案例的CBR部分30中和NLP部分31上的余弦距离,并通过取两个部分30、31的加权平均值而将这些距离组合成统一的测量。尽管已经为群集信息考虑了基于NLP的信息的事实,但是在使用CBR和NLP信息两者以用于似性计算的好处是:案例级别33上的相似度通常比群集34上的相似度更加一致。
通过在仅仅在第二步骤中组合它们的结果之前计算NLP和CBR模块/组件内的距离,需要考虑这两个向量的维度显著不同。
图3例如描绘这两个向量。这可能以其它方式导致对基于CBR的评估的偏差(bias)。整体解决方案可以被呈现给诊断工程师。而且,提出的解决方案的技术实现方式可包括某个UI元素(UI=用户界面),该UI元素允许工程师对由该方法提供的结果进行评级和/或加权。这使得能够连续评估方法以及提供可以用于进一步优化使用的模型的训练数据。这样的优化的诊断可以导致调节旋转设备的操作和/或维持旋转设备。
参考以上提及的步骤III,图4描绘了相似度计算的简化示例。在顶部上的行中,存在案例编号和文本发现。如先前所述的相似度计算带来相似性的程度。例如,与具有案例编号301142的案例和案例297987之间的文本特征“排放阀”相关的相似性的程度为0.44,并且与案例301142和案例299647之间的文本特征“压力压缩机”相关的相似性的程度为0.24。
应理解:可以不同方式组合本发明各实施例中记载的元件和特征以产生同样落入本发明的范围内的新实施例。
Claims (21)
1.用于优化旋转设备的诊断的方法,包括以下步骤:
a)在一系列时间窗上提供关于旋转设备的状态的状态信息,由此状态是从在可预定义的时间段期间进行测量的至少一个可用传感器的传感器测量导出的,
b)使用深度学习,所述深度学习将提供的历史传感器信息(23,24)与指示旋转设备的警告和/或警报的事件序列数据组合,
c)由此用经由深度学习预测的是否已经在时间窗内发生了警告和/或警报的概率来补充状态信息,其中
c1)所述深度学习自动识别使得两个所述时间窗相似或不相似的潜在结构,以便预测所述概率;
d)提供许多文本诊断知识案例,
e)从文本诊断知识案例提取关于文本特征的语义信息,以及
f)将状态信息和语义信息组合成使得能够优化诊断的统一表示。
2.根据权利要求1所述的方法,其中这样的优化的诊断导致调节旋转设备的操作和/或维持旋转设备。
3.根据权利要求1或2所述的方法,其中深度学习使用基于案例的推理学习方法。
4.根据权利要求1或2所述的方法,其中自然语言训练方法用于提取所述语义信息。
5.根据权利要求4所述的方法,其中该提取的结果是一组文本特征向量,对于每个文本诊断知识案例一个所述向量。
6.根据权利要求5所述的方法,其中通过将案例相对于训练的案例分类来确定一个文本特征向量,导致不同的集群带来案例相似度计算,由此所述向量包含与集群存在的一样多的集群隶属度。
7.根据权利要求1或2所述的方法,其中将不同的权重应用于不同类型的文本特征。
8.根据权利要求1或2所述的方法,其中不同类型的文本特征是受影响的部分和/或观察的症状。
9.根据权利要求1或2所述的方法,其中来自可预定义的时间段的具有所述概率的状态信息由向量表示。
10.根据权利要求1或2所述的方法,其中所述统一表示导致一个统一的传感器和文本特征向量。
11.用于优化旋转设备的诊断的装置,包括:
a)用于在一系列时间窗上提供关于旋转设备的状态的状态信息的装置(11),由此状态可以是从在可预定义的时间段期间进行测量的至少一个可用传感器的传感器测量(10)导出的,
b)用于使用深度学习的装置(20),所述深度学习将提供的历史传感器信息(23,24)与指示旋转设备的警告和/或警报的事件序列数据组合,
c)由此用经由深度学习预测的是否已经在时间窗内发生了警告和/或警报的概率来补充状态信息,其中
c1)所述深度学习自动识别使得两个所述时间窗相似或不相似的潜在结构,以便预测所述概率;
d)用于提供许多文本诊断知识案例的装置(24),
e)用于从文本诊断知识案例提取关于文本特征的语义信息的装置(17),以及
f)用于将状态信息和语义信息组合成使得能够优化诊断的统一表示的装置(19)。
12.根据权利要求11所述的装置,其中这样的优化的诊断导致调节旋转设备的操作和/或维持旋转设备。
13.根据权利要求11或12所述的装置,其中深度学习使用基于案例的推理学习方法。
14.根据权利要求11或12所述的装置,其中自然语言训练方法用于提取所述语义信息。
15.根据权利要求14所述的装置,其中该提取的结果是一组文本特征向量,对于每个文本诊断知识案例一个所述向量。
16.根据权利要求15所述的装置,其中可以通过将案例相对于训练的案例分类来确定一个文本特征向量,导致不同的集群带来案例相似度计算,由此向量包含与集群存在的一样多的集群隶属度。
17.根据权利要求11或12所述的装置,其中不同的权重可以应用于不同类型的文本特征。
18.根据权利要求11或12所述的装置,其中不同类型的文本特征是受影响的部分和/或观察的症状。
19.根据权利要求11或12所述的装置,其中来自可预定义的时间段的具有所述概率的状态信息由向量表示。
20.根据权利要求11或12所述的装置,其中所述统一导致一个统一的传感器和文本特征向量。
21.一种计算机的内部存储器,具有直接加载到其中的计算机程序产品,所述计算机程序产品包括软件代码部分,用于当所述计算机程序产品在计算机上运行时执行根据权利要求1-10中任一项所述的方法的步骤。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP16161609.9A EP3223095B1 (en) | 2016-03-22 | 2016-03-22 | Method and apparatus for optimizing diagnostics of rotating equipment |
EP16161609.9 | 2016-03-22 | ||
PCT/EP2017/055331 WO2017162434A1 (en) | 2016-03-22 | 2017-03-07 | Method and apparatus for optimizing diagnostics of rotating equipment |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108780315A CN108780315A (zh) | 2018-11-09 |
CN108780315B true CN108780315B (zh) | 2021-09-07 |
Family
ID=55628823
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201780019123.1A Active CN108780315B (zh) | 2016-03-22 | 2017-03-07 | 用于优化旋转设备的诊断的方法和装置 |
Country Status (4)
Country | Link |
---|---|
US (1) | US11853051B2 (zh) |
EP (1) | EP3223095B1 (zh) |
CN (1) | CN108780315B (zh) |
WO (1) | WO2017162434A1 (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3425460A1 (de) * | 2017-07-04 | 2019-01-09 | Siemens Aktiengesellschaft | Vorrichtung und verfahren zur bestimmung des zustands einer spindel einer werkzeugmaschine |
EP3499432A1 (de) * | 2017-12-12 | 2019-06-19 | Siemens Aktiengesellschaft | Bot für eine kommunikationsplattform |
CN108363478B (zh) * | 2018-01-09 | 2019-07-12 | 北京大学 | 针对可穿戴设备深度学习应用模型分载系统及方法 |
CN109902153B (zh) * | 2019-04-02 | 2020-11-06 | 杭州安脉盛智能技术有限公司 | 基于自然语言处理和案例推理的设备故障诊断方法及系统 |
GB201908496D0 (en) | 2019-06-13 | 2019-07-31 | Rolls Royce Plc | Computer-implemented methods for determining compressor operability |
GB201908494D0 (en) | 2019-06-13 | 2019-07-31 | Rolls Royce Plc | Computer-implemented methods for training a machine learning algorithm |
GB202003015D0 (en) * | 2020-03-03 | 2020-04-15 | Atlas Copco Ias Uk Ltd | Riveting machine |
EP4100836A1 (en) * | 2020-03-20 | 2022-12-14 | Siemens Energy, Inc. | Method for detection of anomolous operation of a system |
EP3919996A1 (en) * | 2020-06-02 | 2021-12-08 | Siemens Aktiengesellschaft | Method and apparatus for monitoring of industrial devices |
CN111813084B (zh) * | 2020-07-10 | 2022-10-28 | 重庆大学 | 一种基于深度学习的机械装备故障诊断方法 |
US11796993B2 (en) | 2021-05-12 | 2023-10-24 | Yokogawa Electric Corporation | Systems, methods, and devices for equipment monitoring and fault prediction |
EP4180888A1 (en) * | 2021-11-11 | 2023-05-17 | Siemens Aktiengesellschaft | Method and data processing system for predicting a production line standstill time for an industrial automation arrangement |
CN117370818B (zh) * | 2023-12-05 | 2024-02-09 | 四川发展环境科学技术研究院有限公司 | 基于人工智能的供排水管网智能诊断方法及智慧环保系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1514209A (zh) * | 2003-08-01 | 2004-07-21 | 重庆大学 | 旋转机械故障智能诊断方法与装置 |
CN101802928A (zh) * | 2007-07-20 | 2010-08-11 | 罗斯蒙德公司 | 旋转装置的压力诊断 |
CN102840991A (zh) * | 2011-06-22 | 2012-12-26 | 霍尼韦尔国际公司 | 用于旋转机械的基于规则的诊断设备和方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7313573B2 (en) * | 2003-09-17 | 2007-12-25 | International Business Machines Corporation | Diagnosis of equipment failures using an integrated approach of case based reasoning and reliability analysis |
US8671315B2 (en) * | 2010-01-13 | 2014-03-11 | California Institute Of Technology | Prognostic analysis system and methods of operation |
JP2011145846A (ja) * | 2010-01-14 | 2011-07-28 | Hitachi Ltd | 異常検知方法、異常検知システム、及び異常検知プログラム |
WO2013077977A1 (en) * | 2011-11-23 | 2013-05-30 | Remedev, Inc. | Remotely-executed medical diagnosis and therapy including emergency automation |
-
2016
- 2016-03-22 EP EP16161609.9A patent/EP3223095B1/en active Active
-
2017
- 2017-03-07 CN CN201780019123.1A patent/CN108780315B/zh active Active
- 2017-03-07 US US16/086,016 patent/US11853051B2/en active Active
- 2017-03-07 WO PCT/EP2017/055331 patent/WO2017162434A1/en active Application Filing
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1514209A (zh) * | 2003-08-01 | 2004-07-21 | 重庆大学 | 旋转机械故障智能诊断方法与装置 |
CN101802928A (zh) * | 2007-07-20 | 2010-08-11 | 罗斯蒙德公司 | 旋转装置的压力诊断 |
CN102840991A (zh) * | 2011-06-22 | 2012-12-26 | 霍尼韦尔国际公司 | 用于旋转机械的基于规则的诊断设备和方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108780315A (zh) | 2018-11-09 |
EP3223095A1 (en) | 2017-09-27 |
US11853051B2 (en) | 2023-12-26 |
US20190204820A1 (en) | 2019-07-04 |
WO2017162434A1 (en) | 2017-09-28 |
EP3223095B1 (en) | 2024-03-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108780315B (zh) | 用于优化旋转设备的诊断的方法和装置 | |
Khan et al. | A review on the application of deep learning in system health management | |
US11544676B2 (en) | Equipment repair management and execution | |
US10733536B2 (en) | Population-based learning with deep belief networks | |
EP4104117A1 (en) | Digital platform using cyber-physical twin structures providing an evolving digital representation of a real world asset for quantifying event occurrences measurements, and method thereof | |
JP5753286B1 (ja) | 情報処理装置、診断方法、およびプログラム | |
JP2020119605A (ja) | 異常検出システム、異常検出方法、異常検出プログラム及び学習済モデル生成方法 | |
EP3183622B1 (en) | Population-based learning with deep belief networks | |
US20140195184A1 (en) | Anomaly Detection/Diagnostic Method and Anomaly Detection/Diagnostic System | |
US20130282336A1 (en) | Anomaly Sensing and Diagnosis Method, Anomaly Sensing and Diagnosis System, Anomaly Sensing and Diagnosis Program and Enterprise Asset Management and Infrastructure Asset Management System | |
US20050197992A1 (en) | System, method, and computer program product for combination of cognitive causal models with reasoning and text processing for knowledge driven decision support | |
JP2013025367A (ja) | 設備状態監視方法およびその装置 | |
JP2011145846A (ja) | 異常検知方法、異常検知システム、及び異常検知プログラム | |
Yang et al. | Data mining-based methods for fault isolation with validated FMEA model ranking | |
Gao et al. | A process fault diagnosis method using multi‐time scale dynamic feature extraction based on convolutional neural network | |
CN116457802A (zh) | 利用未被标记的传感器数据对工业系统中的罕见故障的自动实时检测、预测和阻止 | |
Li et al. | An MEWMA-based segmental multivariate hidden Markov model for degradation assessment and prediction | |
Karaoğlu et al. | Applications of machine learning in aircraft maintenance | |
Bond et al. | A hybrid learning approach to prognostics and health management applied to military ground vehicles using time-series and maintenance event data | |
Liu et al. | Residual useful life prognosis of equipment based on modified hidden semi-Markov model with a co-evolutional optimization method | |
CN113469263A (zh) | 适于小样本的预测模型训练方法、装置及相关设备 | |
Baptista et al. | Aircraft Engine Bleed Valve Prognostics Using Multiclass Gated Recurrent Unit | |
JP2017045147A (ja) | 情報提供装置、情報提供方法、及びプログラム | |
US20240104269A1 (en) | Transferable hybrid prognostics based on fundamental degradation modes | |
Khodadi | Learning-based Vehicle Diagnostic and Prognostic System Utilizing Natural Language Processing |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right |
Effective date of registration: 20220119 Address after: Munich, Germany Patentee after: Siemens energy global Corp. Address before: Munich, Germany Patentee before: SIEMENS AG |
|
TR01 | Transfer of patent right |