CN108780526A - 基于资产定位的预测模型的处置 - Google Patents

基于资产定位的预测模型的处置 Download PDF

Info

Publication number
CN108780526A
CN108780526A CN201780015317.4A CN201780015317A CN108780526A CN 108780526 A CN108780526 A CN 108780526A CN 201780015317 A CN201780015317 A CN 201780015317A CN 108780526 A CN108780526 A CN 108780526A
Authority
CN
China
Prior art keywords
assets
data
prediction model
given
operation data
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.)
Granted
Application number
CN201780015317.4A
Other languages
English (en)
Other versions
CN108780526B (zh
Inventor
A·麦克尔希尼
J·布埃里
T·斯泰西
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Uptake Technology Ltd
Original Assignee
Uptake Technology Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Uptake Technology Ltd filed Critical Uptake Technology Ltd
Publication of CN108780526A publication Critical patent/CN108780526A/zh
Application granted granted Critical
Publication of CN108780526B publication Critical patent/CN108780526B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0633—Workflow analysis
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D3/00—Indicating or recording apparatus with provision for the special purposes referred to in the subgroups
    • G01D3/08—Indicating or recording apparatus with provision for the special purposes referred to in the subgroups with provision for safeguarding the apparatus, e.g. against abnormal operation, against breakdown
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M99/00—Subject matter not provided for in other groups of this subclass
    • G01M99/008—Subject matter not provided for in other groups of this subclass by doing functionality tests
    • 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
    • G05B23/0208—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the configuration of the monitoring system
    • G05B23/021—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the configuration of the monitoring system adopting a different treatment of each operating region or a different mode of the monitored system, e.g. transient modes; different operating configurations of monitored system
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/008—Reliability or availability analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/0706—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation the processing taking place on a specific hardware platform or in a specific software environment
    • G06F11/0709—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation the processing taking place on a specific hardware platform or in a specific software environment in a distributed system consisting of a plurality of standalone computer nodes, e.g. clusters, client-server systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/0793—Remedial or corrective actions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/22—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing
    • G06F11/26—Functional testing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/20—Administration of product repair or maintenance
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G9/00—Traffic control systems for craft where the kind of craft is irrelevant or unspecified
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/20—Monitoring the location of vehicles belonging to a group, e.g. fleet of vehicles, countable or determined number of vehicles
    • G08G1/205—Indicating the location of the monitored vehicles as destination, e.g. accidents, stolen, rental
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G5/00—Traffic control systems for aircraft, e.g. air-traffic control [ATC]
    • G08G5/0004—Transmission of traffic-related information to or from an aircraft
    • G08G5/0013—Transmission of traffic-related information to or from an aircraft with a ground station
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G5/00—Traffic control systems for aircraft, e.g. air-traffic control [ATC]
    • G08G5/0073—Surveillance aids
    • G08G5/0082—Surveillance aids for monitoring traffic from a ground station

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Development Economics (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Automation & Control Theory (AREA)
  • Game Theory and Decision Science (AREA)
  • Computational Linguistics (AREA)
  • Computer Hardware Design (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Educational Administration (AREA)
  • Medical Informatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Algebra (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本文中公开了一种计算机体系结构和软件，其被配置成由资产‑监视系统基于资产的位置来修改预测模型的处置。根据示例实施例，资产‑监视系统可维护指示感兴趣的位置的数据，该感兴趣的位置代表来自资产的操作数据应该被忽视的位置。资产‑监视系统可确定资产是否在感兴趣的位置内。若如此，资产‑监视系统可在处置与资产的操作相关联的预测模型时忽视针对该资产的操作数据。

Description

基于资产定位的预测模型的处置
相关申请的交叉引用
本申请要求2016年3月9日提交的题为“Handling of Predictive Models Basedon Asset Location(基于资产位置的预测模型的处置)”的美国非临时专利申请No.15/064,878的优先权，该专利申请通过引用整体结合于此。此外，本申请通过引用以其整体纳入了下列美国专利申请的每一者：于2015年6月5日提交的标题为“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日提交的标题为“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。
背景技术
如今，机器(本文中也称为“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建造家园和城市的施工装备，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数据、致动器数据、和/或异常-状况指示符提供给另一计算系统或设备，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(或修改)预测模型的训练数据和/或作为用于执行针对该资产的预测模型的输入数据。额外地或替换地，本地资产监视系统可使用某些资产数据以执行资产本身处的这些数据处理操作中的一些或全部。
一般来说，当那些一个或多个资产在现实世界条件下操作时，资产监视系统基于针对一个或多个资产的操作数据来处置预测模型。即，资产监视系统通常基于反映资产如何在领域中发挥作用的操作数据来处置预测模型。然而，资产监视系统通常接收针对一个或多个资产的操作数据，而没有这一个或多个资产正在其中操作的上下文的知识。例如，资产监视系统可能不知道针对资产的操作数据对应于“代表性”或“非代表性”上下文。
因此，有时，资产监视系统可能不知不觉地接收在处置预测模型时可能不可靠的资产的数据。例如，资产可以在修理店/院子，其中诊断或其他故障诊断工具可以在资产上运行，这可能导致资产输出非代表性操作数据。在另一示例中，资产可以位于临时导致该资产以非代表性方式操作的某处，诸如在隧道中或某些其他受限区域中，这同样可以导致资产输出非代表性操作数据，该非代表性操作数据可能歪曲培训、修改和/或输出预测模型。非代表性上下文的其他示例也是可能的。
不幸的是，当前的资产监测系统通常接收针对资产的操作数据，而不知道这些数据是否代表“正常”操作，并且因此能够可靠地用于定义、修改和/或执行预测模型。实际上，当前的资产监视系统通常不跟踪哪些位置与非代表性操作数据相关联，诸如修理店、隧道等。结果，当前的资产监视系统可不知不觉地使用不可靠的操作数据来定义、修改和/或执行预测模型，这可能导致不准确的模型和/或模型输出以及其他缺点。
本文中公开的示例系统、设备和方法寻求帮助解决这些问题中的一个或多个。在示例实现中，一个或多个资产可与一个或多个资产监视系统通信，该一个或多个资产监视系统可远离一个或多个资产或者可在至少一个资产本地。
如以上所提及的，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。多个资产可向资产监视系统提供指示每个资产的操作条件的相应数据，该资产监视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，资产监视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数据作为输入数据，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将发生至少一个故障事件的可能性。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/或指示围绕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/致动器数据。
如上所提及的，有时，远程资产监视系统(和/或本地资产监视系统)可能不希望像在定义、修改和/或执行预测模型的过程中通常那样使用资产的操作数据。一个这样的时间可能是当资产位于特定类型的位置时，诸如修理店、隧道或其他非代表性位置，其中资产趋向于生成不可靠的操作数据。
因此，在示例实施例中，资产监视系统可被配置成维持指示感兴趣的一个或多个位置的数据。一般地，感兴趣的位置代表资产的操作数据可能是不期望的并且应该被忽视的位置。例如，感兴趣的位置可以是资产正在测试或以其他方式被迫以非代表性方式(例如，资产修理店/院子)操作的位置，或者是资产操作条件由于外部条件(例如，隧道内)而变得暂时没有代表性的位置等其它示例。
资产监视系统可被配置成以各种方式维护感兴趣的位置。在示例实施例中，资产监视系统可从另一系统或设备接收指示感兴趣的一个或多个位置的数据。在此类实施例中，另一系统或设备可能涉及先定义感兴趣的位置，然后向资产监控系统提供指示所定义的感兴趣的位置的数据。
在其它示例实施例中，维护感兴趣的位置的资产监视系统可涉及定义感兴趣的位置的资产监视系统本身，可按各种方式来执行该定义。在一个示例实现中，资产监视系统可至少部分地基于针对多个资产的至少一个历史位置来定义感兴趣的位置。例如，基于此种数据，资产监视系统可标识资产趋向于“集群”的位置，标识与集群相关联的某些进一步的资产相关信息，并推断这些集群对应于感兴趣的位置。定义感兴趣的位置的其他示例也是可能的。
在任何事件中，当维护指示感兴趣的一个或多个位置的数据时，资产监视系统可操作从而该资产监视系统结合与资产操作有关的预测模型使用针对一个或多个资产的操作数据。当以这种方式操作时，资产监视系统随后可确定针对一个或多个资产的特定资产的位置数据与感兴趣的位置之一相匹配。
基于该确定，当资产监视系统处置与资产操作相关的预测模型时，该资产监视系统可以转换为以资产监控系统忽视针对特定资产的操作数据的方式来操作。例如，资产监控系统可定义、修改和/或执行此类预测模型，而不考虑针对给定资产的操作数据，在确定或不考虑针对与感兴趣的位置相匹配的位置数据的该给定资产的任何操作数据之后，资产监控系统接收该给定资产的操作数据等其它示例。以此方式，资产监视系统可忽视可能位于资产通常输出不可靠数据的非代表性位置的资产的操作数据，由此帮助维护针对其他资产的预测模型的完整性和/或针对特定资产的预测模型的未来执行。
因此，在一个方面，本文中公开了一种用于基于资产数据来处置针对该资产的操作数据的方法，其中该方法包括计算系统(i)接收针对多个资产中的每一者的位置数据，(ii)确定针对多个资产的给定资产的给定位置数据与不可靠的操作数据相关联的位置相匹配，(iii)当处置与多个资产的操作有关的预测模型时，响应于该确定而决定忽视针对给定资产的操作数据，以及(iv)根据该决定来处置预测模型。
在另一方面中，本文中公开了一种计算设备，其包括(a)至少一个处理器，(b)非瞬态计算机可读介质，以及(c)存储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，以用于基于资产的位置数据来处置针对该资产的操作数据。
在又一方面中，本文中公开了一种其上存储有指令的非瞬态计算机可读介质，其中该指令由处理器执行以致使计算系统执行本文中公开的功能，用于基于资产的位置数据来处置该资产的操作数据。
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。
附图的简要说明
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描绘了示例分析平台的简化框图。
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描绘了表示可被用于忽视资产操作数据的示例操作的流程图。
图9A描绘了第一时间点处的历史资产位置数据的概念性图示。
图9B描绘了第二时间点处的历史资产位置数据的概念性图示。
图9C描绘了第三时间点处的历史资产位置数据的概念性图示。
图10描绘了在定义感兴趣的位置中使用的聚合资产位置数据的概念性图示。
图11描绘了聚合资产位置数据和所定义的感兴趣的位置的概念性图示。
图12A描绘了所定义的感兴趣的位置和第四时间点处的资产位置数据的概念性图示。
图12B描绘了所定义的感兴趣的位置和第五时间点处的资产位置数据的概念性图示。
图12C描绘了所定义的感兴趣的位置和第六时间点处的资产位置数据的概念性图示。
图13描绘了基于资产的位置数据来处置针对该资产的操作数据的示例方法的流程图。
图14描绘了基于资产的位置数据来处置针对该资产的操作数据的另一示例方法的流程图。
具体实施方式
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、可采取分析平台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与分析平台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平台108通信。类似地，分析平台108可经由通信网络106与输出系统110通信。在一些情形中，分析平台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)以及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可各自具有相同类型(例如，一队机车或飞行器等其他示例)并且可能可以具有相同类别(例如，相同装备类型、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104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与分析平台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/或无线的并且可支持安全通信。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。
如以上所提及的，分析平台108(本文中有时被称为“远程资产监视系统”)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，分析平台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。分析平台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对分析平台108作进一步详细的讨论。
如图所示，分析平台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取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可被配置成与分析平台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(诸如分析平台108)提供可与分析平台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，分析平台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，分析平台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、位置单元214，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。
如以上所建议的，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。在示例实施例中，一个或多个此类传感器可与位置单元214结合或者与其分离，如以下所讨论的。
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。
如以上所建议的，致动器205可在某些方面被类似于传感器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(诸如分析平台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平台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、用户接口212、和/或位置单元214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212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。
位置单元214可一般被配置成方便执行与地理空间定位/位置和/或导航有关的功能。更具体地，位置单元214可被配置成方便经由一种或多种定位技术(诸如GNSS技术(例如，GPS、GLONASS、伽利略、北斗等)、三角测量技术等)确定资产200的定位/位置和/或跟踪资产200的移动。如此，位置单元214可包括一个或多个传感器和/或接收器，其根据一种或多种特定定位技术来配置。
在示例实施例中，位置单元214可允许资产200向其它系统和/或设备(例如，分析平台108)提供指示资产200的位置的位置数据，该位置数据可采取GPS坐标的形式以及其它形式。在一些实现中，资产200可连续地、周期性地、基于触发或以某种其它方式向其它系统提供位置数据。此外，资产200可独立于或连同其它资产相关数据(例如，连同操作数据)提供位置数据。
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。在另一示例中，本地分析设备220可从位置单元214接收位置数据并且基于此种数据，可修改它如何处置针对该资产200的预测模型和/或工作流。其它示例分析和相应的操作也是可能的。
为了促成这些操作中的一些操作，本地分析设备220可包括被配置成将该本地分析设备220耦合到一个或多个资产的板上(on-board)系统中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接收数据(例如，由传感器204和/或致动器205生成且发送给中央处理单元206的操作数据，或者由位置单元214生成的位置数据)并随后向中央处理单元206提供指令。以此方式，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220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。
在实践中，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(诸如分析平台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来执行预测模型和相应的工作流。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。在实践中，网络接口226可促成本地分析设备220和分析平台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。在实践中，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200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.示例分析平台
现在转到图4，描绘了示例分析平台400的简化框图。如以上所建议的，分析平台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。例如，如图所示，分析平台400可包括数据采集系统402、数据分析系统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。此外，这些组件中的两个或更多个组件可整体或部分地被集成在一起。
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分析系统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(例如，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操作数据，诸如单个传感器或致动器测量、多个传感器和/或致动器测量、异常-状况数据和/或关于资产操作的其它数据。其他示例也是可能的。
而且，所接收的数据可包括与操作数据对应的其它数据，诸如源标识符和时间戳(例如，信息被获得的日期和/或时间)和/或定位数据。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。此外，定位数据可表示资产位置(例如，以GPS坐标等的形式)，并且在某些情形中，该定位数据可对应于当某些信息被获得时(诸如操作数据)的资产位置。在实践中，与操作数据对应的其它数据可采取信号签名或元数据的形式，以及其它示例。
数据分析系统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。如此，数据分析系统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，数据分析系统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。在实践中，网络接口408可促成数据分析系统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平台的操作。
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，从数据分析系统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。额外地或替换地，数据库406中存储的一些数据可包括指示在特定时间点处的资产位置和/或还可指示当该资产被生成或另行收集特定数据时的资产位置的位置数据(例如，GPS坐标)。
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、致动器类型或资产位置)或异常-状况指示符等其他示例来被组织。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。
应理解，分析平台400可同样包括其它系统和/或组件。例如，分析平台400可包括确定和/或跟踪资产位置的系统。其他示例也是可能的。
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)向分析平台108提供数据以接着执行一个或多个功能的示例。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。在实践中，分析平台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。在操作期间，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平台108。在示例实施例中，如以上所建议的，资产102还可连同操作数据提供其它数据。例如，资产102可提供与操作数据对应的定位数据、时间戳、和/或源标识符。替换地，资产102可在与针对操作数据不同的数据流中提供其它此类数据。例如，资产102可提供包括针对该资产的操作数据的第一数据流，并且资产102可提供包括针对该资产的位置数据的第二数据流。其他示例也是可能的。
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)来向分析平台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。
在实践中，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可向分析平台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可向分析平台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可基于由分析平台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，该分析平台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。
分析平台108且尤其是分析平台108的数据采集系统可随后被配置成从一个或多个资产(诸如操作数据和/或位置数据)和/或从其它数据源接收数据。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平台108的数据分析系统。
B.操作数据的使用
在标准操作期间，针对给定资产收集的操作数据随后可被用于各种目的。作为一个示例，操作数据可在定义、修改、和/或执行与资产操作有关的预测模型以及相应的工作流(即，“模型-工作流配对”)的过程期间使用。作为另一示例，操作数据可在定义、修改和/或执行与资产操作有关的其它工作流(诸如，用于基于资产的操作数据来提供通知的工作流)(例如，独立于预测模型的工作流)的过程期间被使用。其他示例也是可能的。现在以下将更详细地描述资产的操作数据的这些示例使用。
1.模型-工作流配对
作为一个示例，分析平台108可使用针对多个资产的操作数据(以及其它数据)来定义、修改和/或执行与资产操作有关的模型-工作流配对。
一般而言，模型-工作流配对可包括程序指令集，其致使设备监视资产的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，且随后在该可能性满足某些条件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，对应的工作流可采取在预测模型的输出满足某些条件时执行的一个或多个操作的形式。
在实践中，分析平台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-工作流配对可指代对资产组而言通用的且在不考虑给定(一个或多个)资产的个体特性的情况下所定义的模型-工作流配对。在另一方面，“个体化”的模型-工作流配对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。
现在将在以下更详细地描述定义并执行模型-工作流配对的过程。
a.定义预测模型
在示例实现中，分析平台108可被配置成基于针对多个资产的汇总的操作数据来定义汇总模型-数据流配对。定义汇总模型-工作流配对可以各种方式来执行。
图5是描绘可被用于定义预测模型的定义阶段的一个可能示例的流程图500。出于解说目的，示例定义阶段被描述为由分析平台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模型-工作流配对。
如图5中所示，在框502处，分析平台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平台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，诸如在两周有价值的历史数据。
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。
在实践中，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可向分析平台108提供指示此类选择的数据。基于所接收的数据，分析平台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，分析平台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，分析平台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事件在该资产处发生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。
预测模型所预测的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，这样的事件可采取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。在其它示例中，这样的事件可采取已完成任务(例如，将货物的有效载荷传送到目的地)的形式，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完成该任务的可能性。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事件在将来发生的可能性。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，分析平台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，分析平台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，分析平台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平台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，分析平台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，分析平台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，分析平台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，分析平台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，分析平台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。
当分析平台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，分析平台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(例如，修改)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，分析平台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。分析平台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，分析平台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平台108作出的确定(例如，机器定义的)。具体而言，分析平台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，分析平台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相应的感兴趣的故障。
在另一实例中，分析平台108可被配置成基于被储存在分析平台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，分析平台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/或哪些故障历史上伴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平台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，对于来自该组故障中的各故障中的每一者，分析平台108可分析一个或多个资产的组的历史操作数据(例如，异常-状况数据)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)。分析平台108可分析特定量的历史操作数据，诸如在一定量的时间有价值的数据(例如，在一个月有价值)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。
在实践中，标识给定故障的过往发生可涉及分析平台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，分析平台108可按多种方式标识给定故障的过往发生。例如，分析平台108可根据被储存在分析平台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，分析平台108可标识过往故障所发生的时间。
在框606处，分析平台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，分析平台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描绘了分析平台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102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704上的测量值，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。如此，Tf–ΔΤ定义感兴趣的数据点的时间帧714。
返回图6，在分析平台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，分析平台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。在存在剩余发生的情况中，框606将针对每个剩余发生而被重复。
此后，在框608处，分析平台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，分析平台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平台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，分析平台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)。其他响应变量也是可能的。
继续基于响应变量定义故障模型的特定示例，分析平台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，分析平台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，分析平台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。虽然分析平台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，但是分析平台108可确定指示从最后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。
在实践中，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，分析平台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，分析平台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，在分析平台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，分析平台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情况中，分析平台108可重复框604-608的循环。在一些实现中，分析平台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，分析平台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，并输出来自该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。
分析平台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，分析平台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平台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平台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，分析平台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，分析平台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。以此方式，分析平台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，分析平台108可被配置成决定是否要个体化在框504处针对给定资产(诸如资产102)定义的汇总模型。分析平台108可按多种方式执行该决定。
在一些情形中，分析平台108可被配置成默认定义个体化的预测模型。在其他情形中，分析平台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，如果分析平台108决定为资产102定义个体化的预测模型，则分析平台108可在框508处这么做。
在框508处，分析平台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，分析平台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，分析平台108可能已经确定了形成个体化模型的基础的一个或多个感兴趣的资产特性。在实践中，不同的预测模型可具有不同的相对应的感兴趣的特性。
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平台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。
分析平台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，分析平台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平台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提供给分析平台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，分析平台108可确定资产102的对应于所确定的感兴趣的特性的特性。即，分析平台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。分析平台108可按多种方式执行该操作。
例如，分析平台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，分析平台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，分析平台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。
在实践中，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，分析平台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，分析平台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，分析平台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，分析平台108还可被配置成基于新的资产数据来更新(例如，修改)该模型。例如，基于从资产或其他数据源接收的新的操作数据，分析平台108可修改资产的汇总的和/或个体化的模型。分析平台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。分析平台108也可按其他方式来更新预测模型。
分析平台108可进一步被配置成将汇总和/或个体预测模型传送给随后用于执行该预测模型的其它设备和/或系统。作为一个可能示例，分析平台108可将汇总和/或个体预测模型传送给被配置成本地执行该预测模型(例如，经由本地分析设备等)的资产。分析平台108可被配置成周期性地或者基于触发事件(诸如对预测模型的任何修改或更新)来执行该传输。
还应当理解，除了分析平台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平台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中被进一步详细地公开，其全部内容通过引用并入本文。
b.定义相应的工作流
如上所提及的，以上揭示的预测模型可对应于一个或多个工作流，每个工作流采取要基于预测模型的输出来被执行的一个或多个操作的形式。这一个或多个工作流采取各种形式。
在一个实现中，这一个或多个工作流可包括由分析平台108基于该预测模型的输出来执行的工作流。可以是此种工作流的一部分的操作的示例可包括致使输出系统或设备输出针对给定资产的健康度量的指示，使得输出系统或设备输出可能影响针对给定资产的健康度量的一个或多个推荐动作的指示，生成修复给定资产或其一部分的工作命令，为给定资产订购一部分，和/或使给定资产经由一个或多个命令修改给定资产处的操作，以及其他示例操作。
在另一实现中，这一个或多个工作流可包括由资产102基于该预测模型的输出来执行的工作流。可以是此种工作流的一部分的操作的示例包括根据特定数据获取方案的资产获取数据，根据特定数据传输方案将数据传送给分析平台108，执行本地诊断工具，和/或修改资产的操作状况，以及其它示例工作流操作。
特定的数据获取方案可指示资产如何获取数据。具体而言，数据获取方案可指示资产从其获得数据的某些传感器和/或致动器，诸如资产的多个传感器和致动器中的传感器和/或致动器的子集(例如，感兴趣的传感器/致动器)。此外，数据获取方案可指示资产从感兴趣的传感器/致动器获得的数据量和/或资产获得此种数据的采样频率。数据获取方案还可包括各种其它属性。在特定示例实现中，特定的数据获取方案可对应于针对资产健康的预测模型，并且可被调整为基于降低的资产健康来获得更多数据和/或特定数据(例如，从特定传感器)。或者特定的数据获取方案可对应于领先指示符预测模型，并且可基于可能发出可能发生子系统故障的信号的领先指示符事件的发生的可能性的增加来调整为由资产传感器和/或致动器获取的修改数据。
特定的数据传输方案可指示资产如何传送数据给分析平台108。具体来说，数据传输方案可指示资产应该传送的数据类型(并且还可指示数据的格式和/或结构)，诸如来自某些传感器或致动器的数据、资产应该传送的数据采样的数量、传输频率、和/或针对资产应该包括在其数据传输中的数据的优先级方案。在一些情形中，特定的数据获取方案可包括数据传输方案或者数据获取方案可与数据传输方案配对。在一些示例实现中，特定的数据传输方案可对应于针对资产健康的预测模型，并且可基于在阈值以上的资产健康来调整以较不频繁地传送数据。其他示例也是可能的。
如上所建议的，本地诊断工具可以是本地存储在资产处的程序集等。本地诊断工具一般可便于诊断资产过错或故障的原因。在一些情形中，当被执行时，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，这可以有助于诊断过错或故障的原因。这些本地诊断工具通常在资产上休眠，除非资产接收到特定的诊断指令，否则不会被执行。其他本地诊断工具也是可能的。在一个示例实现中，特定的本地诊断工具可对应于针对资产的子系统的健康的预测模型，并且可基于在阈值处或阈值以下的子系统健康来被执行。
最后，工作流可涉及修改资产的操作条件。例如，资产的一个或多个致动器可被控制以便于修改资产的操作条件。各种操作条件可被修改，诸如速度、温度、压力、流体水平，电流牵引，和功率分布，以及其他示例。在特定示例实现中，操作条件修改工作流可对应于用于预测资产是否将按时完成任务并且可致使该资产基于在阈值以下的预测完成比例来增加其行进速度的预测模型。
一般来说，定义诸如以上描述的那些工作流的工作流可涉及选择要采取的恰适的(诸)工作流操作并且还定义基于预测模型的输出来触发此种(类)操作的条件。这些触发可采取各种形式。作为一个示例，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。作为又一示例，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。
诸如以上所描述的那些工作流的工作流可按各种方式来定义。在一个示例中，工作流可以是用户定义的。例如，用户可操作接收指示某些工作流操作和触发的选择的用户输入的计算设备，并且计算设备可将指示此类选择的数据提供给分析平台108和/或资产102本身，后者可随后实现工作流的用户定义。作为该过程的一部分，用户可以能够访问历史操作数据以帮助选择恰适的(诸)工作流操作，定义触发，或者另行配置工作流。
在另一示例中，相应的工作流可以是机器定义的。例如，分析平台108可执行各种功能，诸如数据分析和/或模拟，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。当执行这些功能时，分析平台108可依赖于历史操作数据以帮助选择恰适的(诸)工作流操作，定义触发，或者另行配置工作流。定义相应工作流的其他示例也是可能的。
与上述预测模型一样，工作流可以或者采取聚合工作流或者采取个体化工作流的形式。在这个方面，分析平台108可使用与以上所描述的用于定义个体化预测模型的那些技术类似的技术来定义针对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，工作流可基于新的资产数据来被修改。例如，基于从资产或其他数据源接收的新数据，分析平台108可修改汇总和/或个体化工作流。这种修改功能可被周期性地(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修改。
仍进一步地，分析平台108可被配置成将汇总和/或个体化工作流传送给随后用于执行该工作流的其它设备和/或系统。作为一个可能示例，分析平台108可将汇总和/或个体化工作流传送给被配置成本地执行该工作流(例如，经由本地分析设备等)的任何资产。分析平台108可被配置成周期性地或者基于触发事件(诸如对预测模型的任何修改或更新)来执行该传输。
还应理解，工作流可被分析平台108以外的设备和/或系统定义、个体化、和/或修改。例如，资产可被配置成或单独或与分析平台108结合地定义、个体化和/或修改工作流(例如，经由本地分析设备、中央处理单元等)。如上所提及的，代表性本地分析设备的操作在美国专利申请No.14/963,207中被进一步详细地公开。
c.执行模型-工作流配对
一旦预测模型和对应的工作流被定义，该模型-工作流配对可随后被部署以供例程执行。其后，分析平台108、资产(例如，经由本地分析设备、中央处理单元等)、或其某个组合可使用操作数据来执行模型-工作流配对。
例如，在一个实现中，分析平台108可被配置成执行预测模型和对应的工作流两者。根据该实现，分析平台108可接收针对给定资产的操作数据，将操作数据的至少一部分作为输入提供给预测模型，以及随后基于预测模型的输出来执行对应的工作流。
在另一实现中，分析平台108可被配置成执行针对给定资产的预测模型，同时该给定资产本身可被配置成执行对应的工作流。根据该实现，分析平台108可接收针对给定资产的操作数据，将操作数据的至少一部分作为输入提供给预测模型，以及随后基于预测模型的输出来发信号给给定资产，给定资产可进而执行对应的工作流。
在又一实现中，给定资产可被配置成执行预测模型，同时分析平台108可被配置成执行对应的工作流。根据该实现，给定资产可将其操作数据的至少一部分作为输入提供给预测模型，以及随后基于预测模型的输出来发信号给分析平台108，分析平台108可进而执行对应的工作流。
在又一实现中，给定资产可被配置成执行预测模型和对应的工作流两者。根据该实现，给定资产可将其操作数据的至少一部分作为输入提供给预测模型，以及随后基于预测模型的输出来执行对应的工作流。
再次，如上所提及的，代表性本地分析设备的操作在美国专利申请No.14/963,207中被进一步详细地公开。
2.其它工作流
在一些实现中，针对给定资产的操作数据还可被用于定义、修改和执行与不对应于预测模型的资产操作有关的其它工作流。这些工作流可采取各种形式。
一个此种工作流可采取用于基于操作数据来提供通知的过程的形式。例如，分析平台108、资产或其某个组合可执行促成向用户通知已经针对给定资产生成的某些异常状况指示符(或者某些异常状况指示符的组合)。作为另一示例，分析平台108、资产或其某个组合可在针对给定资产的给定传感器值满足代表异常值的阈值条件时执行通知用户的工作流。这些通知可采取各种形式，其示例可包括经由图形用户界面、电子邮件、文本消息等发出警报。
另一此种工作流可采取用于与其它设备和/或系统共享收到的操作数据的过程的形式。例如，分析平台108可执行将从某些资产收到的操作数据中继给一个或多个其它分析平台的工作流。同样可存在基于操作数据的各种其它工作流。
这些其它工作流可按与以上描述的对应于预测模型的工作流类似的方式被定义、修改和执行。
C.忽视不可靠的操作数据
如上所讨论的，有时，分析平台108(和/或资产的本地分析设备)可能不希望像在例如定义、修改和/或执行预测模型-工作流配对或其它工作流的过程中通常那样为资产使用操作数据。此种时间可能是资产位于感兴趣的特定位置时，诸如在修理店、隧道内等，其中资产趋向于以非代表性方式操作或另行生成不可靠的数据。因此，当给定资产生成操作数据，同时位于此种感兴趣的位置内时，分析平台108(和/或给定资产的本地分析设备)避免在处置与资产操作有关的预测模型时使用该操作数据。在给定资产存在于感兴趣的位置之后，分析平台108和/或给定资产的本地分析平台可像通常那样使用针对给定资产的操作数据来恢复。
一般来说，可按各种方式来执行忽视不可靠的操作数据。图8描绘了基于资产的位置数据来忽视针对该资产的操作数据的一种可能示例方法的流程图800。出于解说目的，示例方法800被描述为由资产监视系统执行，但是该方法800也可由其他平台、系统和/或设备执行。本领域的普通技术人员将领会，方法800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忽视操作数据。
如图8中所示，在框802处，方法800可涉及维护指示感兴趣的一个或多个位置的数据，每个感兴趣的位置代表来自资产的操作数据可能不可靠的位置。在框804处，方法800可涉及确定针对特定资产(例如，资产102)的位置数据与感兴趣的位置之一相匹配。在框806处，方法800可涉及在处置与多个资产的操作有关的预测模型时忽视针对特定资产的操作数据。
现在将更详细地描述示例方法800的功能。具体来说，方法800被描述为由资产-监视系统来执行，资产监视系统可采取分析平台108或资产102的本地分析设备的形式。在某些实施例中，分析平台108和资产102的本地分析设备可协作地执行方法800的操作。其他示例也是可能的。
在任何事件中，在框802处，方法800可涉及维护指示感兴趣的一个或多个位置的数据的资产-监视系统。如上所提及的，感兴趣的位置是资产趋向于生成不可靠的操作数据的位置。即，感兴趣的位置是资产生成可能导致模型-工作流配对的非代表性处置的操作数据的位置。如此，感兴趣的位置代表其中来自资产的操作数据应该被忽视的位置。
在实践中，感兴趣的位置可以是空间中的单点或包含空间中的多个点的区域。例如，采取空间中的单点形式的感兴趣的位置可以是可由例如纬度和经度坐标标识的地理位置，而采取区域形式的感兴趣的位置可以是可由例如界限和边界描述、多个纬度和经度坐标、或一些其他的边界标识符标识的地理位置。在特定示例中，感兴趣的位置可由地理围栏等来标识。其他示例也是可能的。
存在众多感兴趣的位置的示例。感兴趣的位置的一些示例类型可包括故障资产聚集的位置，资产-操作条件趋向于变为暂时异常的位置，以及资产在理想(或近乎理想)的上下文中操作或者另行不处于现实压力之下的位置。故障资产聚集的位置的示例可包括修理店或院子、资产测试设施、以及通常执行诊断的其它位置，以及其它示例。资产-操作条件趋向于变为暂时异常的位置的示例可包括资产被约束的隧道或其它位置、包括陡峭倾斜或下降或其他极端地形的位置、以及包括高于或低于平均温度或其他极端环境条件的位置、以及其它示例。资产在理想或近乎理想的上下文中操作的位置的示例可包括资产代理等，以及其它示例。
在任何事件中，维护指示感兴趣的一个或多个位置的数据的资产-监视系统可按各种方式来执行。在示例实施例中，该操作可涉及接收指示感兴趣的一个或多个位置的数据并且随后将此类数据存储在存储中的资产-监视系统。在此类实施例中，另一设备或系统可定义感兴趣的位置，该位置随后被提供给资产-监视系统。
例如，资产-监视系统可从计算系统或设备接收标识一个或多个感兴趣的位置的消息(例如，针对每个感兴趣的位置的一个或多个坐标集)以及可能是所述位置是实际上感兴趣的位置的指示。在实践中，用户可在计算系统或设备处提供标识感兴趣的位置的输入。计算系统或设备可随后基于对资产-监视系统的那些输入来发送感兴趣的位置的消息，该资产-监视系统可随后维护指示该消息中所标识的感兴趣的位置的数据。
在另一示例中，当资产102的本地分析设备正执行方法800时，本地分析设备可通过从分析平台108接收感兴趣的位置的消息并在存储器中存储指示在该消息中标识的感兴趣的位置的数据来维护指示感兴趣的一个或多个位置的数据。其他示例也是可能的。
在其它示例实施例中，维护指示感兴趣的一个或多个位置的数据的资产-监视系统可涉及资产-监视系统本身，其定义感兴趣的一个或多个位置并且随后存储指示那些所定义感兴趣的位置的数据。在实践中，资产-监视系统可按各种方式来定义感兴趣的位置。
例如，资产-监视系统可至少部分地基于针对多个资产的至少一个位置数据来定义感兴趣的位置。具体地，资产-监视系统可基于历史位置数据、当前位置数据或其组合来执行该操作。一般来说，基于资产-位置数据来定义感兴趣的位置的资产-监视系统可涉及从位置数据以及可能还有与该位置数据中的一些(例如，诸如资产的特性，同时位于由位置数据指示的位置处)相关联的附加信息来推断存在给定的感兴趣位置，这可按各种方式来执行。
例如，资产-监视系统可从多个资产中聚合位置数据，分析该聚合位置数据以标识资产倾向于“集群”的任何位置，然后推断这些集群位置对应于感兴趣的位置。更具体地，当资产操作时，它们可向资产-监视系统提供相应的位置数据，资产-监视系统可将该位置数据存储在数据库等中。资产可周期性地、连续地或基于某些触发事件等来提供此类数据。
图9A、9B和9C从资产-监视系统可存储的各个时间点示出了资产-位置数据的概念图。图9A示出了具有来自第一时间点的资产-位置数据902的示例地理区域900。每个资产-位置数据902对应于特定的资产并且代表在第一时间点处的地理区域900内的特定资产位置。图9B示出了具有来自第二时间点的资产-位置数据904的地理区域900。再次，每个资产-位置数据904对应于特定的资产并且代表在第二时间点处的地理区域900内的特定资产位置。尤其是，资产-位置数据904可对应于与对应于图9A的资产-位置数据902的那些资产不同的一个或多个资产。类似地，图9C示出了具有来自第三时间点的资产-位置数据906的地理区域900。每个资产-位置数据906对应于特定的资产并且代表在第三时间点处的地理区域900内的特定资产位置。资产-位置数据906可对应于与对应于图9A的资产-位置数据902和/或图9B的资产-位置数据904的那些资产不同的一个或多个资产。
基于历史位置数据，资产-监视系统可标识资产历史上群集的任何位置，这可按任何方式来执行。一般地，该操作可涉及确定数据点超过阈值密度和/或数据点在与其他数据点接近的阈值内的位置以及其它示例的资产-监视系统。在示例实施例中，资产-监视系统可执行对历史位置数据的群集分析以标识资产趋向于群集的位置。示例群集分析可包括执行连接性模型、分布模型、密度模型、和/或群组模型、以及其它群集相关模型。
额外地或替换地，利用监督学习算法的统计分类技术可用于标识感兴趣的位置。统计分类算法的示例可包括线性分类器，诸如逻辑回归和朴素贝叶斯分类器、支持向量机、k最近邻分类器、随机森林模型、以及学习矢量量化神经网络等统计分类算法。
在实践中，资产-监视系统可通过分析数据、使用统计分类算法来标识感兴趣的位置，该数据可包括输入到预测模型的相同操作数据、资产位置数据、以及与预测模型的结果相关联的响应变量中的一些或全部。响应变量可按与图7中所示的类似的方式来开发。例如，当预测模型可能已经以非代表性方式来操作时(例如，利用不可靠的操作数据)，标识可由时间来构成。针对这些时间和相关联的操作和位置数据的响应变量被赋予值1。针对所有其它时间和位置的响应变量被赋予值0。该算法随后分析该数据以标识与按非代表性方式暂时操作的资产相关联的位置。其他示例响应变量也是可能的。
图10示出了可针对任何群集分析的历史资产-位置数据的概念性解说。图10示出了来自图9A-9C的并且分别包括来自图9A、9B和9C的资产-位置数据902、904和906的相同地理区域900。资产-监视系统可使用上述任何技术来分析针对任何群集的汇总历史资产-位置数据，在该示例中，这可导致资产-监视系统标识群集1000。
在资产-监视系统标识了任何群集之后，它可随后基于给定群集来定义感兴趣的位置。可按各种方式来执行该操作。在一个示例中，该操作可涉及资产-监视系统确定给定群集是否与该资产-监视系统可从中推断该给定群集是感兴趣的位置的任何信息相关联。例如，信息可指示给定群集指示给定群集接近在阈值时间段内订购或交付资产部分的阈值数量的位置，该资产在位于给定群集周围时趋向于输出大量异常-状况指示符，该资产在位于给定集群周围时趋向于输出相同或相似类型的异常-状况指示符，或者具有低于阈值的健康度量的资产趋向于聚集在给定群集周围，以及其他许多示例。
在任何事件中，资产-监视系统可按各种方式来定义针对每个群集的感兴趣的位置。具体来说，在一种情形中，资产-监视系统可将感兴趣的位置定义为由定义群集的各个数据点覆盖的区域内的点。该点可以或可以不对应于资产-位置数据点。在一些此类情形中，资产-监视系统可进一步将感兴趣的位置定义为围绕该点的区域，诸如该点周围的特定半径等。
在其它情形中，资产-监视系统可将感兴趣的位置定义为限定定义群集的一些或所有数据点的区域。此种区域可采用各种形状，诸如圆形、正方形、矩形、三角形、自由形状等。作为一个示例，图11示出了所定义的感兴趣的位置的概念性解说。如图所示，图11示出了被定义为限定定义群集1000的每个资产-位置数据点的区域的感兴趣的位置1100。所定义的感兴趣的位置的其他示例也是可能的。
额外地或附加地，基于给定群集来定义感兴趣的位置的资产-监视系统可涉及从计算系统或设备接收指示感兴趣的位置的选择数据。更具体地，基于所标识的群集，资产-监视系统可致使计算系统(例如，输出系统110)或设备显示感兴趣的位置有可能存在于与所标识的群集对应的位置处的建议。计算系统或设备随后可(例如，从用户)接收输入选择，该输入选择选择、概括或另行标识应该被定义为感兴趣的位置的位置。例如，用户可提供从该建议中概括出关于位置的地理围栏的输入选择。在任何事件中，该输入选择可随后被提供给资产-监视系统，资产-监视系统随后基于该输入选择来定义感兴趣的位置。
资产-监视系统也可以其它方式来定义感兴趣的位置。例如，资产-监视系统可至少部分地基于给定资产在特定的感兴趣的位置处的情形来定义感兴趣的位置。具体来说，资产-监视系统可确定已知给定资产在特定的感兴趣的位置时的情形(例如，日期和/或时间)。例如，基于修理店日志、资产-监视系统可确定资产102在给定日期在修理场被修理。资产-监视系统可随后确定关于特定情形的给定资产的位置。例如，资产-监视系统可确定在给定日期的资产102的GPS坐标。
资产-监视系统可随后基于关于特定情形的给定资产的所确定位置来定义感兴趣的位置。例如，在一些实施例中，资产-监视系统可将感兴趣的位置定义为特定情形处的给定资产的所确定位置。替换地，资产-监视系统可使用给定资产的所确定位置作为针对感兴趣的位置的起点并且随后使用其它历史资产-位置数据来定义感兴趣的位置的边界。
为了解说，返回至图10，资产-位置数据1002可对应于给定日期的资产102的位置，资产-监视系统在该给定日期确定资产102在修理场被修理。资产-监视系统可随后基于接近资产-位置数据1002的历史位置数据来确定感兴趣的位置(例如，修理场)的边界。在示例实现中，离资产-位置数据1002阈值距离内的数据点可被用于定义感兴趣的位置的边界。其他示例也是可能的。
在又一示例实施例中，资产-监视系统可至少部分地基于由资产产生的异常状况数据来定义感兴趣的位置。例如，感兴趣的位置可对应于资产趋向于生成相对较高数量的异常-状况指示符和/或相对较高数量的资产趋向于生成异常-状况指示符的位置。如此，资产-监视系统标识在异常-状况活动中存在“尖峰”的位置可能是有用的。
具体来说，基于来自多个资产的历史异常-状况数据，资产-监视系统可确定异常-状况指示符被触发的资产的位置。随后，以与以上讨论类似的方式，资产-监视系统可将感兴趣的位置定义为与相对较高浓度的异常-状况活动对应的位置。定义感兴趣的位置的其他示例也是可能的。
返回至图8，在框804处，方法800可涉及资产-监视系统确定针对特定资产(例如，资产102)的位置数据与框802处定义的感兴趣的位置之一相匹配。在实践中，如上所讨论的，资产-监视系统可接收针对多个资产的位置数据，并且资产-监视系统还可连同位置数据或者与位置数据分离地接收与收到的位置数据对应的相应数据(例如，操作数据)。在任何情况中，基于针对多个资产的位置数据，资产-监视系统可确定任何此种位置数据是否与任何感兴趣的位置相匹配。资产-监视系统可按各种方式来作出这种确定。
例如，该操作可涉及资产-监视系统从资产102(或从另一系统，诸如位置系统)接收反映过去或当前时间的资产102的位置的位置数据。在示例实施例中，如上所讨论的，当资产102生成或另行收集操作数据时，位置数据可对应于资产102的位置。在任何情况中，资产-监视系统可随后确定资产102的位置是否与任何感兴趣的位置相匹配。
在实践中，当资产102的位置数据与以下位置相对应时，资产102的位置可被认为与感兴趣的位置相匹配：(1)等效于感兴趣的位置(例如，资产102的GPS坐标等效于感兴趣的位置的坐标)，(2)在感兴趣的位置的边界内(其中感兴趣的位置被定义为区域)，或者(3)在感兴趣的位置的阈值距离或其它接近度内(它是否被定义为单个点或区域)，以及其他示例。
在资产-监视系统是资产102的本地分析设备的示例实施例中，本地分析设备确定资产102的位置数据是否与感兴趣的位置相匹配可涉及本地分析设备例如基于来自资产102的位置单元的位置数据来确定资产102的位置。本地分析设备可随后将资产102的位置与存储器中存储的每个感兴趣的位置作比较并确定资产102是否在感兴趣的位置内。其他示例也是可能的。
作为示例，图12A、12B和12C示出了各个时间点处与所定义的感兴趣位置有关的资产-位置数据的概念性解说。如图所示，图12A-12C各自包括来自图9A-9C的地理区域900以及来自图11的所定义的感兴趣的位置1100。此外，图12A包括与第四时间点处的多个资产对应的资产-位置数据，包括与资产102对应的资产位置数据1200。基于此种资产-位置数据，资产-监视系统将不能确定资产102在感兴趣的位置内。
图12B包括与第五时间点处的多个资产对应的资产-位置数据，包括与资产102对应的资产位置数据1200。如图所示，现在资产-位置数据1200指示感兴趣的位置1100内的资产位置。因此，基于资产102的资产-位置数据1200，资产-监视系统将确定资产102在感兴趣的位置内。
作为另一示例，图12C包括与第六时间点处的多个资产对应的资产-位置数据，包括与资产102对应的资产位置数据1200。如图所示，资产102已经相对于如图12A中所表示的其位置移动，但是资产-位置数据1200仍在感兴趣的位置1100内。因此，资产-监视系统将确定资产102在感兴趣的位置内。此外，资产-监视系统将确定其它两个资产也在感兴趣的位置内。
在另一示例实施例中，资产-监视系统确定任何位置数据是否与任何感兴趣的位置相匹配可涉及资产-监视系统从资产102接收资产102在感兴趣的位置内的指示。具体来说，资产102可例如从分析平台108接收标识感兴趣的位置的数据，资产102可随后将该数据存储在存储器中。在操作中，资产102可监视其当前位置并确定其当前位置是否在任何感兴趣的位置内。当资产102在感兴趣的位置之一内时，资产102随后向资产-监视系统发送消息。确定资产位置数据是否与感兴趣的位置相匹配的其它示例也是可能的。
在框806处，方法800可涉及在基于框804处的确定来处置与多个资产的操作有关的预测模型时，资产-监视系统忽视针对资产102的操作数据。在实践中，该操作可首先涉及当响应于框804处的确定而处置预测模型时，资产-监视系统决定忽视针对资产102的操作数据，并且随后根据该决定来处置预测模型，这可涉及资产-监视系统忽视针对资产102的操作数据。
在实践中，丢弃针对资产102的操作数据的决定可具有数个不同的范围。例如，资产-监视系统可决定忽视资产-监视系统在决定之后(或许直到资产-监视系统确定资产的位置不再与感兴趣的位置相匹配)接收的针对资产102的一些或所有操作数据、它在决定之前接收的一些或所有操作数据、或其某个组合。额外地或替换地，资产-监视系统可决定忽视针对资产102的对应于触发决定的位置数据的一些或所有操作数据。例如，如上所讨论的，位置数据可对应于操作数据(例如，给定位置数据可反映资产102位于哪里、何时生成给定操作数据)等，该决定可以是仅忽视与感兴趣的位置相匹配的位置数据对应的操作数据。其他决定示例也是可能的。
根据决定来处置与资产的操作有关的预测模型的资产-监视系统可按各种方式来执行。例如，在决定忽视针对资产102的操作数据之前，资产-监视系统可能已经操作从而它基于针对包括资产102的一组资产的操作数据来定义模型-工作流配对和/或至少部分地基于针对资产102的操作数据来执行模型-工作流配对。在决定之后，资产-监视系统可转换至操作以使得资产-监视系统不同地处置预测模型和/或相应的工作流，以及其他差异。
例如，在决定之后，资产-监视系统可在基于针对资产102的操作数据来处置预测模型或另行放弃处置预测模型时忽视针对资产102的操作数据。更具体地，在决定之前，资产-监视系统可基于针对包括资产102的多个资产的操作数据来定义预测模型，但是在决定之后，资产-监视系统可基于针对多个资产的操作数据而非针对资产102的操作数据(即，排除针对资产102的操作数据)来定义预测模型。
额外地或替换地，在决定之前，资产-监视系统可基于相应的操作数据来执行针对多个资产中的每个资产的预测模型，但是在决定之后，资产-监视系统可基于针对多个资产中除了资产102的每个资产来执行预测模型并且放弃执行针对资产102的预测模型。在资产-监视系统是资产102的本地分析设备的实现中，在决定之后，本地分析设备可放弃执行针对资产102的预测模型。此外，本地分析设备可放弃将操作数据发送给分析平台108。
额外地或替换地，在决定之前，资产-监视系统可基于针对包括资产102的一个或多个资产的操作数据来更新(例如，修改)预测模型，但是在决定之后，资产-监视系统可基于针对多个资产的操作数据而非针对资产102的操作数据(即，排除针对资产102的操作数据)来更新预测模型。
在实践中，当处置预测模型时忽视针对给定资产的操作数据的特征可按各种方式来执行。例如，资产-监视系统是分析平台108，分析平台108的数据采集系统可以不摄取(例如，阻挡或另行滤除出)针对资产102的操作数据，数据采集系统可摄取针对资产102的操作数据但是可以不将此种数据传递给分析平台108的数据分析系统，或者数据分析系统可接收针对资产102的操作数据但是可选择放弃使用此种数据作为对与资产操作有关的预测模型的输入。在资产-监视系统是资产102的本地分析设备的示例中，本地分析系统可以不摄取来自资产102的操作数据，可摄取此种数据但是选择放弃使用此种数据作为对预测模型的输入，和/或可以放弃将操作数据传送给分析平台108。其他示例也是可能的。
在任何情况中，根据忽视针对资产102的操作数据的决定来处置预测模型可帮助资产-监视系统以更可靠的方式来处置与资产操作有关的预测模型和相应的工作流。例如，资产-监视系统可忽视针对可能位于资产102输出不可靠数据的位置中的资产102(以及任何感兴趣的位置内的任何其它资产)的操作数据，由此帮助维护针对其他资产的预测模型的完整性和/或针对资产102的预测模型的未来执行。其他优势也是可能的。
在一些实施例中，资产-监视系统可额外地或替换地响应于确定针对资产102的位置数据与感兴趣的位置相匹配而不同地处置其它操作。例如，资产-监视系统可响应于该确定以不同方式来与其它系统通信。具体来说，在决定之前，当来自资产102的操作数据指示异常状况存在于资产102处时(例如，当资产102的操作数据满足某些标准时)，资产-监视系统可致使输出设备或系统(例如，输出系统110)基于此种数据来输出异常-状况指示符(例如，故障码)。在决定之后，资产-监视系统可甚至在来自资产102的操作数据指示异常状况存在于资产102处时，停止致使(或在第一情形中放弃致使)输出设备或系统输出异常-状况指示符。
在其它示例中，额外地或替换地，资产-监视系统可忽视针对一些预测模型的操作数据，但使用针对其它预测模型的操作数据。例如，在示例实施例中，资产-监视系统可忽视针对与资产操作有关的预测模型(例如，健康度量预测模型或与领域中的资产操作有关的其它预测模型)的操作数据，但是可使用针对与执行对资产的修复有关的预测模型(或者与针对资产的非代表性上下文有关的其它预测模型，诸如有助于向修理资产的机械师或其他维修人员提供修理建议的预测模型)的操作数据。资产-监视系统可如何不同地处置操作的其它示例也是可能的。
有时在决定根据忽视针对资产102的操作数据的决定处置预测模型之后，资产-监视系统可以转换到如决定之前那样操作。这种转换可出于各种原因而发生。例如，资产-监视系统可基于资产102的位置数据来确定资产102已经移到感兴趣的位置1100以外。在其它示例中，可能会发生导致资产-监视系统向后转换的时间或其他触发器。其他示例也是可能的。
V.示例方法
现在转到图13，描绘了解说可根据用于基于资产的位置数据来处置针对该资产的操作数据的示例方法1300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平台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来执行。还应当理解，某些功能可被添加到该示例方法1300中和/或以下描述的某些功能可被修改或从示例方法1300中移除。
在框1302，方法1300可涉及分析平台108针对多个资产中的每一者接收位置数据。在一些情形中，分析平台108还可接收与位置数据对应的操作数据(例如，当位于由位置数据指示的位置处时，由给定资产生成的操作数据)。在框1304，方法1300可涉及分析平台108确定针对多个资产的给定资产的给定位置数据与不可靠的操作数据相关联的位置(例如，感兴趣的位置)相匹配。在框1306，方法1300可涉及当处置与多个资产的操作有关的预测模型时，分析平台108响应于来自框1304的确定，决定忽视针对给定资产的操作数据。在框1308，方法1300可涉及分析平台108根据框1306处作出的决定来处置预测模型。
图14示出了解说可根据用于基于资产的位置数据来处置针对该资产的操作数据的示例方法1400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资产102的本地分析设备执行，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来执行。还应当理解，某些功能可被添加到该示例方法1400中和/或以下描述的某些功能可被修改或从示例方法1400中移除。
在框1402，方法1400可涉及本地分析设备针对资产102接收位置数据。在一些情形中，本地分析设备还可接收与位置数据对应的操作数据(例如，当位于由位置数据指示的位置处时，由资产102生成的操作数据)。在框1404，方法1400可涉及本地分析设备确定针对资产的给定位置数据与不可靠的操作数据相关联的位置(例如，感兴趣的位置)相匹配。在框1406，方法1400可涉及当处置与包括资产102的多个资产的操作有关的预测模型时，本地分析设备响应于来自框1404的确定，决定忽视针对该资产的操作数据。在框1408，方法1400可涉及本地分析设备根据框1406处作出的决定来处置预测模型。
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 (20)

1.一种计算系统，包括：
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：
接收针对多个资产中的每一者的位置数据；
确定针对所述多个资产中的给定资产的给定位置数据与关联于不可靠的操作数据的位置相匹配；
响应于所述确定，当处置与所述多个资产的所述操作有关的预测模型时，决定忽视针对所述给定资产的操作数据；以及
根据所述决定来处置所述预测模型。
2.如权利要求1所述的计算系统，其特征在于，存储在所述非瞬态计算机可读介质上的所述程序指令进一步被所述至少一个处理器执行以致使所述计算系统：
接收针对所述多个资产中的每一者的与所述位置数据对应的操作数据。
3.如权利要求2所述的计算系统，其特征在于，根据所述决定来处置所述预测模型包括基于与针对所述多个资产的位置数据对应的排除与针对给定资产的给定位置对应的操作数据后的操作数据来定义所述预测模型。
4.如权利要求2所述的计算系统，其特征在于，所述预测模型先前由所述计算系统定义，并且其中根据所述决定来处置所述预测模型包括基于与针对所述多个资产的位置数据对应的排除与针对给定资产的给定位置对应的操作数据后的操作数据来修改所述预测模型。
5.如权利要求1所述的计算系统，其特征在于，根据所述决定来处置所述预测模型包括放弃执行针对所述给定资产的所述预测模型。
6.如权利要求1所述的计算系统，其特征在于，与所述不可靠的操作数据相关联的所述位置是第一位置，并且其中存储在所述非瞬态计算机可读介质上的所述程序指令进一步被所述至少一个处理器执行以致使所述计算系统：
在所述确定之前，定义与不可靠的操作数据相关联的一个或多个位置，其中所述一个或多个位置包括所述第一位置。
7.如权利要求6所述的计算系统，其特征在于，定义所述一个或多个位置至少部分地基于针对所述多个资产中的一个或多个资产的历史位置数据。
8.如权利要求1所述的计算系统，其特征在于，确定针对所述多个资产中的所述给定资产的所述给定位置数据与关联于不可靠的操作数据的所述位置相匹配包括确定所述给定位置数据对应于在与不可靠的操作数据相关联的所述位置的阈值距离内的位置。
9.如权利要求1所述的计算系统，其特征在于，存储在所述非瞬态计算机可读介质上的所述程序指令进一步被所述至少一个处理器执行以致使所述计算系统：
在所述确定之前，致使计算设备在针对所述给定资产的操作数据满足特定准则时输出异常状况的指示；以及
响应于所述确定，放弃致使所述计算设备在针对所述给定资产的操作数据满足所述特定准则时输出所述异常状况的所述指示。
10.一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：
接收针对多个资产中的每一者的位置数据；
确定针对所述多个资产中的给定资产的给定位置数据与关联于不可靠的操作数据的位置相匹配；
响应于所述确定，当处置与所述多个资产的所述操作有关的预测模型时，决定忽视针对所述给定资产的操作数据；以及
根据所述决定来处置所述预测模型。
11.如权利要求10所述的非瞬态计算机可读介质，其特征在于，存储在所述非瞬态计算机可读介质上的所述程序指令被进一步执行以致使所述计算系统：
接收针对所述多个资产中的每一者的与所述位置数据对应的操作数据。
12.如权利要求11所述的非瞬态计算机可读介质，其特征在于，根据所述决定来处置所述预测模型包括基于与针对所述多个资产的位置数据对应的排除与针对给定资产的给定位置对应的操作数据后的操作数据来定义所述预测模型。
13.如权利要求11所述的非瞬态计算机可读介质，其特征在于，所述预测模型先前由所述计算系统定义，并且其中根据所述决定来处置所述预测模型包括基于与针对所述多个资产的位置数据对应的排除与针对给定资产的给定位置对应的操作数据后的操作数据来修改所述预测模型。
14.如权利要求10所述的非瞬态计算机可读介质，其特征在于，根据所述决定来处置所述预测模型包括放弃执行针对所述给定资产的所述预测模型。
15.如权利要求10所述的非瞬态计算机可读介质，其特征在于，存储在所述非瞬态计算机可读介质上的所述程序指令被进一步执行以致使所述计算系统：
在所述确定之前，致使计算设备在针对所述给定资产的操作数据满足特定准则时输出异常状况的指示；以及
响应于所述确定，放弃致使所述计算设备在针对所述给定资产的操作数据满足所述特定准则时输出所述异常状况的所述指示。
16.一种计算机实现的方法，包括：
由计算系统接收针对多个资产中的每一者的位置数据；
由所述计算系统确定针对所述多个资产中的给定资产的给定位置数据与关联于不可靠的操作数据的位置相匹配；响应于所述确定，当处置与所述多个资产的所述操作有关的预测模型时，由所述计算系统决定忽视针对所述给定资产的操作数据；以及
由所述计算系统根据所述决定来处置所述预测模型。
17.如权利要求16所述的计算机实现的方法，其特征在于，与所述不可靠的操作数据相关联的所述位置是第一位置，并且其中所述方法进一步包括：在所述确定之前，由所述计算系统定义与不可靠的操作数据相关联的一个或多个位置，其中所述一个或多个位置包括所述第一位置。
18.如权利要求17所述的计算机实现的方法，其特征在于，定义所述一个或多个位置至少部分地基于针对所述多个资产中的一个或多个资产的历史位置数据。
19.如权利要求16所述的计算机实现的方法，其特征在于，确定针对所述多个资产中的所述给定资产的所述给定位置数据与关联于不可靠的操作数据的所述位置相匹配包括确定所述给定位置数据对应于在与不可靠的操作数据相关联的所述位置的阈值距离内的位置。
20.如权利要求16所述的计算机实现的方法，其特征在于，根据所述决定来处置所述预测模型包括放弃执行针对所述给定资产的所述预测模型。
CN201780015317.4A 2016-03-09 2017-03-08 基于资产定位的预测模型的处置 Active CN108780526B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US15/064,878 2016-03-09
US15/064,878 US10510006B2 (en) 2016-03-09 2016-03-09 Handling of predictive models based on asset location
PCT/US2017/021407 WO2017156156A1 (en) 2016-03-09 2017-03-08 Handling of predictive models based on asset location

Publications (2)

Publication Number Publication Date
CN108780526A true CN108780526A (zh) 2018-11-09
CN108780526B CN108780526B (zh) 2022-04-26

Family

ID=59787896

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201780015317.4A Active CN108780526B (zh) 2016-03-09 2017-03-08 基于资产定位的预测模型的处置

Country Status (9)

Country Link
US (1) US10510006B2 (zh)
EP (1) EP3427200B1 (zh)
JP (1) JP2019509565A (zh)
KR (1) KR20180114943A (zh)
CN (1) CN108780526B (zh)
AU (1) AU2017231718A1 (zh)
CA (1) CA3016585A1 (zh)
SG (1) SG11201807563UA (zh)
WO (1) WO2017156156A1 (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2987670A1 (en) * 2016-12-05 2018-06-05 Aware360 Ltd. Integrated personal safety and equipment monitoring system
US10721142B1 (en) * 2018-03-08 2020-07-21 Palantir Technologies Inc. Computer network troubleshooting
US11604969B2 (en) * 2018-09-18 2023-03-14 Nec Corporation Performance prediction from communication data
JPWO2020250807A1 (zh) * 2019-06-10 2020-12-17
US11921853B2 (en) * 2019-07-23 2024-03-05 Denso Corporation System for adaptive vehicle security and response
US20210280073A1 (en) * 2020-03-05 2021-09-09 AlarisPro, Inc. Systems and methods for centralized management of vehicle fleets
US11675342B2 (en) * 2020-12-24 2023-06-13 Noodle Analytics, Inc. AI-based smart health surveillance system and method
US20220358764A1 (en) * 2021-05-04 2022-11-10 Baker Hughes Holdings Llc Change detection and characterization of assets
CN113487910B (zh) * 2021-06-10 2022-12-09 中国汽车技术研究中心有限公司 一种用于跟车场景的汽车数据采集系统性能分析方法
US20230401529A1 (en) * 2022-06-08 2023-12-14 Express Scripts Strategic Development, Inc. System and method for automatic detection for multiple failed orders at a back end pharmacy

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090002148A1 (en) * 2007-06-28 2009-01-01 Microsoft Corporation Learning and reasoning about the context-sensitive reliability of sensors
CN102162832A (zh) * 2010-12-23 2011-08-24 江苏兆伏新能源有限公司 一种检测太阳能电池板阵列故障的方法和系统
CN102319744A (zh) * 2011-06-04 2012-01-18 首钢总公司 一种与表面检测系统和测厚仪系统实现通讯的方法
US20120092180A1 (en) * 2010-05-14 2012-04-19 Michael Rikkola Predictive analysis for remote machine monitoring
CN103135515A (zh) * 2011-12-05 2013-06-05 北京掌城科技有限公司 一种车辆状况的诊断方法
CN103593390A (zh) * 2013-08-22 2014-02-19 小米科技有限责任公司 一种多媒体信息识别的方法、装置及设备
US20150025695A1 (en) * 2012-01-13 2015-01-22 Process Systems Enterprise Limited System For Fluid Processing Networks
US20150170090A1 (en) * 2013-12-17 2015-06-18 Intellisense.Io Ltd Optimizing efficiency of an asset and an overall system in a facility
JP5790242B2 (ja) * 2011-07-25 2015-10-07 富士ゼロックス株式会社 故障予測装置及びプログラム
CN105051486A (zh) * 2013-04-08 2015-11-11 株式会社神户制钢所 形状检查装置
CN105074598A (zh) * 2013-02-04 2015-11-18 Abb技术有限公司 用于输电和配电资产状态预测和诊断的系统和方法
US9262255B2 (en) * 2013-03-14 2016-02-16 International Business Machines Corporation Multi-stage failure analysis and prediction

Family Cites Families (117)

* Cited by examiner, † Cited by third party
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
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
US7739096B2 (en) 2000-03-09 2010-06-15 Smartsignal Corporation System for extraction of representative data for training of adaptive process monitoring equipment
US6775641B2 (en) 2000-03-09 2004-08-10 Smartsignal Corporation Generalized lensing angular similarity operator
US6957172B2 (en) 2000-03-09 2005-10-18 Smartsignal Corporation Complex signal decomposition and modeling
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
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
US7233886B2 (en) 2001-01-19 2007-06-19 Smartsignal Corporation Adaptive modeling of changed states in predictive condition monitoring
US6859739B2 (en) 2001-01-19 2005-02-22 Smartsignal Corporation Global state change indicator for empirical modeling in condition based 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
US7539597B2 (en) 2001-04-10 2009-05-26 Smartsignal Corporation Diagnostic systems and methods for predictive condition monitoring
US20020183971A1 (en) 2001-04-10 2002-12-05 Wegerich Stephan W. 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
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
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
SI1579288T1 (sl) 2002-11-04 2017-10-30 Ge Intelligent Platforms, Inc. Nadzor stanja sistema z uporabo povratnega lokalnega računalnika za strojno učenje
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
WO2005008404A2 (en) 2003-07-11 2005-01-27 Computer Associates Think, Inc. Modeling of applications and business process services through auto discovery analysis
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
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
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
US7751340B2 (en) 2006-11-03 2010-07-06 Microsoft Corporation Management of incoming information
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
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
US7941701B2 (en) 2007-08-03 2011-05-10 Smartsignal Corporation Fuzzy classification approach to fault pattern matching
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
US7756678B2 (en) 2008-05-29 2010-07-13 General Electric Company System and method for advanced condition monitoring of an asset system
US8352216B2 (en) 2008-05-29 2013-01-08 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
US8024069B2 (en) 2009-01-28 2011-09-20 Ge Intelligent Platforms, Inc. System and method for path planning
BR112012003727A2 (pt) 2009-08-17 2017-05-23 Deal Magic Inc monitoramento contextualmente ciente de ativos
CN102844721B (zh) 2010-02-26 2015-11-25 株式会社日立制作所 故障原因诊断系统及其方法
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
US20120296885A1 (en) * 2010-09-09 2012-11-22 Google Inc. Transportation Information Systems and Methods
US8532795B2 (en) 2010-10-04 2013-09-10 General Electric Company Method and system for offline code validation
KR101274412B1 (ko) 2011-03-25 2013-06-14 사단법인 한국온실작물연구소 실내 환경 제어 방법 및 시스템
US8862938B2 (en) 2011-04-18 2014-10-14 General Electric Company System, method, and apparatus for resolving errors in a system
CA2833779A1 (en) 2011-04-20 2012-10-26 The Cleveland Clinic Foundation Predictive modeling
US8620853B2 (en) 2011-07-19 2013-12-31 Smartsignal Corporation Monitoring method 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
US8660980B2 (en) 2011-07-19 2014-02-25 Smartsignal Corporation Monitoring system using kernel regression modeling with pattern sequences
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
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
US9052209B2 (en) 2012-09-24 2015-06-09 Caterpillar Inc. Location services in mining vehicle operations
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
US8918246B2 (en) 2012-12-27 2014-12-23 Caterpillar Inc. Augmented reality implement control
US20140184643A1 (en) 2012-12-27 2014-07-03 Caterpillar Inc. Augmented Reality Worksite
US8937619B2 (en) 2013-03-15 2015-01-20 Palantir Technologies Inc. Generating an object time series from data objects
US8909656B2 (en) 2013-03-15 2014-12-09 Palantir Technologies Inc. Filter chains with associated multipath views for exploring large data sets
US9535808B2 (en) 2013-03-15 2017-01-03 Mtelligence Corporation System and methods for automated plant asset failure detection
US8917274B2 (en) 2013-03-15 2014-12-23 Palantir Technologies Inc. Event matrix based on integrated data
US20140330609A1 (en) 2013-05-01 2014-11-06 International Business Machines Corporation Performance Driven Municipal Asset Needs and Sustainability Analysis
US20140330747A1 (en) 2013-05-01 2014-11-06 International Business Machines Corporation Asset lifecycle management
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
US20160196513A1 (en) 2013-06-26 2016-07-07 Climate Risk Pty Ltd Computer implemented frameworks and methodologies for enabling climate change related risk analysis
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
US10410116B2 (en) 2014-03-11 2019-09-10 SparkCognition, Inc. System and method for calculating remaining useful time of objects
US8924429B1 (en) 2014-03-18 2014-12-30 Palantir Technologies Inc. Determining and extracting changed data from a data source
US9471452B2 (en) * 2014-12-01 2016-10-18 Uptake Technologies, Inc. Adaptive handling of operating data

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090002148A1 (en) * 2007-06-28 2009-01-01 Microsoft Corporation Learning and reasoning about the context-sensitive reliability of sensors
US20120092180A1 (en) * 2010-05-14 2012-04-19 Michael Rikkola Predictive analysis for remote machine monitoring
CN102162832A (zh) * 2010-12-23 2011-08-24 江苏兆伏新能源有限公司 一种检测太阳能电池板阵列故障的方法和系统
CN102319744A (zh) * 2011-06-04 2012-01-18 首钢总公司 一种与表面检测系统和测厚仪系统实现通讯的方法
JP5790242B2 (ja) * 2011-07-25 2015-10-07 富士ゼロックス株式会社 故障予測装置及びプログラム
CN103135515A (zh) * 2011-12-05 2013-06-05 北京掌城科技有限公司 一种车辆状况的诊断方法
US20150025695A1 (en) * 2012-01-13 2015-01-22 Process Systems Enterprise Limited System For Fluid Processing Networks
CN105074598A (zh) * 2013-02-04 2015-11-18 Abb技术有限公司 用于输电和配电资产状态预测和诊断的系统和方法
US9262255B2 (en) * 2013-03-14 2016-02-16 International Business Machines Corporation Multi-stage failure analysis and prediction
CN105051486A (zh) * 2013-04-08 2015-11-11 株式会社神户制钢所 形状检查装置
CN103593390A (zh) * 2013-08-22 2014-02-19 小米科技有限责任公司 一种多媒体信息识别的方法、装置及设备
US20150170090A1 (en) * 2013-12-17 2015-06-18 Intellisense.Io Ltd Optimizing efficiency of an asset and an overall system in a facility

Also Published As

Publication number Publication date
US20170262756A1 (en) 2017-09-14
CN108780526B (zh) 2022-04-26
SG11201807563UA (en) 2018-10-30
AU2017231718A1 (en) 2018-10-11
EP3427200B1 (en) 2023-03-01
CA3016585A1 (en) 2017-09-14
EP3427200A1 (en) 2019-01-16
WO2017156156A1 (en) 2017-09-14
US10510006B2 (en) 2019-12-17
EP3427200A4 (en) 2019-10-30
KR20180114943A (ko) 2018-10-19
JP2019509565A (ja) 2019-04-04

Similar Documents

Publication Publication Date Title
CN108780526A (zh) 基于资产定位的预测模型的处置
US11144378B2 (en) Computer system and method for recommending an operating mode of an asset
US10878385B2 (en) Computer system and method for distributing execution of a predictive model
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
CN109643256A (zh) 用于推荐资产修复的计算机架构和方法
CN109716356A (zh) 多变量数据中的异常检测
US20220398495A1 (en) Computer System and Method for Detecting Anomalies in Multivariate Data
US10579961B2 (en) Method and system of identifying environment features for use in analyzing asset operation
US20220100595A1 (en) Computer System and Method for Recommending an Operating Mode of 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
CN116579697A (zh) 冷链全链路数据信息管理方法、装置、设备及存储介质

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: 40000092

Country of ref document: HK

GR01 Patent grant
GR01 Patent grant