CN110050240A - 用于监视技术系统的状态的计算机系统和方法 - Google Patents
用于监视技术系统的状态的计算机系统和方法 Download PDFInfo
- Publication number
- CN110050240A CN110050240A CN201780077498.3A CN201780077498A CN110050240A CN 110050240 A CN110050240 A CN 110050240A CN 201780077498 A CN201780077498 A CN 201780077498A CN 110050240 A CN110050240 A CN 110050240A
- Authority
- CN
- China
- Prior art keywords
- data
- status data
- precision
- status
- precision grade
- 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
Links
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
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/38—Services specially adapted for particular environments, situations or purposes for collecting sensor information
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Automation & Control Theory (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
一种计算机系统(100)、计算机实现的方法和计算机程序产品被提供用于监视特定技术系统(300)的技术状态。该计算机系统具有用来在低精度模式(LPM)中接收从一个或多个传感器(S1到Sn)的传感器数据生成的状态数据(SD1)的接口模块(110),状态数据(SD1)反映该特定技术系统(300)的技术参数,其中低精度模式(LPM)由符合第一精度级别的收到的状态数据(SD1)表征。进一步,接口能够发送用于一个或多个传感器(S1到SN)的一个或多个指令(I1),一个或多个指令(I1)配置成使一个或多个传感器生成符合第二精度级别的另外状态数据(SD2),与第一精度级别相比,第二精度级别与更高数据准确度关联。符合第二精度级别的另外状态数据(SD2)由接口接收并且被提供到数据分析器(140)。机器学习模块(120)将低精度机器学习模型应用到收到的状态数据(SD1),其中基于符合第一精度级别的训练数据来训练低精度数据模型以便对于异常技术状态的一个或多个指示符分析收到的状态数据并且以便检测异常指示符。在检测到异常指示符的情况下,命令生成器模块(130)生成用于一个或多个传感器(S1到Sn)的一个或多个指令(I1)。
Description
技术领域
本发明一般涉及技术系统的状态监视,并且更具体地说,涉及用于技术状态监视的切换灵敏度的方法、计算机程序产品和系统。
背景技术
许多技术系统经由感应反映技术状态的技术系统的技术参数的传感器被监视。例如,对于电机系统(例如,引擎),振动可指示系统的将来崩溃。在此类系统下,在早期阶段采取修复或维护措施而不是等待技术系统的崩溃通常是有利的。反映技术状态的相应传感器数据通常偶发(例如,事件驱动)或基于极粗糙的数据采样被提供。粗糙或不常收集的数据可允许即将出现的失效的增大概率的识别,然而,此类数据的数据量通常不适合用于自动化数据分析。以更高的传送频率发送状态数据是不实际的备选,因为传感器经常由电池供电并且因此不必最小化功耗。进一步,由于传感器数据被路由通过的网络中有限的带宽,发送大数据量通常不是有利的。在物联网的上下文中,传感器被大量使用,这导致在大多数时间期间网络泛溢着无用数据,而技术系统在顺畅地运行。因此,需要利用改进的数据准确度来改进技术系统的技术状态的监视,同时保持关于监视传感器的低功率和低带宽消耗环境。
发明内容
在某些情形中,其中技术系统的将来行为的预测是所期望的(例如,用于预测性维护的工具失效的预测、用于将来资源分配的系统负载的预测等),通常训练机器学习模型以了解系统行为。基于学习的系统行为,能够通过适当的预测算法作出对将来系统行为的预测。
预测的准确度取决于过去已收集的训练数据的相关性和/或精确度。然而,对应数据经常以低速率被发送,并且不必是定期的,而是偶发的(事件驱动)。例如,用来监视特定机器能力的传感器可每10分钟发送数据,或者它可仅在其中预定义的阈值(例如,阈值温度值)被超过的情况下才发送数据以节省电池电能和带宽。使用此类不经常收集的数据训练的机器学习模型当然在其预测准确度方面是很不准确的。不过,不是以高速率或利用高准确度来简单地收集训练数据(例如,通过经使用数据分组来发送更多数据),这将增大能量消耗和带宽与存储要求,提议的解决方案利用低准确度预测模型工作,直至监视到的数据指示异常情况。换而言之,只要鉴于学习的系统行为识别到在收集的数据中的无异常,系统便在低精确度模式中运行。然而,一旦检测到异常情况,例如,因为对于系统到达临界状态的阈值概率被超过,系统便切换到高精度模式。高精度模式特征在于现在以更高的频率收集和提供监视数据,或者收集更多数据(例如,通过激活附加的传感器),或者通过在原始数据上执行更少的预处理来收集更相关/精确的数据。在高精度模式中现在被收集的监视数据被存储在分析数据结构中。
在一个实施例中,已使用在高精度模式中收集的数据训练的高准确度预测模型可被用来分析数据以便确认或否认异常系统情况,并且建议或触发对应动作(例如,在冗余组件之间切换,关闭组件,执行紧急停止)。
在一个实施例中,在高精度模式中收集的数据可被流传送到系统的操作员(例如,服务技术人员)的人机界面以基于高精度数据采取适当的动作(例如,触发预期很快将失效的组件的替换)。
本发明的不同实施例能够以如独立权利要求项中所公开的计算机系统、计算机实现的方法和计算机程序产品的形式被实现。
在一个实施例中,计算机系统被提供用于监视特定技术系统的技术状态。计算机系统与监视系统交互,监视系统包含生成形成用于特定系统的状态数据的基础的传感器数据的传感器。一般地,计算机系统和监视系统能够远离彼此,或者可在共用计算机平台上被实现。状态数据可包含原始传感器数据,但也可包含提供有关被监视系统的技术状态的信息的预处理的传感器数据。也就是说,传感器可直接提供状态数据(原始数据或预处理的数据)。它也可提供原始数据到另外的模块,其中对传感器数据执行预处理以最终生成状态数据。
计算机系统具有接口模块以在低精度模式中接收状态数据。状态数据基于由(监视系统的)一个或多个传感器生成的传感器数据。状态数据反映该特定技术系统的技术参数。例如,此类技术参数能够包含但不限于温度、压力、气体浓度、振动等。低精度模式(LPM)由符合第一精度级别的收到的状态数据表征。精度级别反映关于评估该特定技术系统的技术状态的状态数据的质量。例如,如果可用传感器的仅子集被用来生成用于状态数据的传感器数据,则用于分析的状态数据的质量通常比在其中所有可用传感器为监视技术状态的状态数据提供数据的情况中更低。在另一示例中,传感器可以以低频率提供状态数据以便节省能量和带宽。因此,与其中传感器以更高的频率提供数据的情况相比较,用于分析的相应状态数据的质量通常是更低的。在另一示例中,传感器数据可被预处理(例如,通过提取平均值、均值、最大或最小值等),其中多个传感器数据通常被处理或聚合成单个值。一般地,预处理的状态数据比最初原始数据消耗更少存储器。通常,此类预处理的数据比最初原始数据对于分析具有更低质量。低精度模式在本文中使用时始终涉及高精度模式(HPM)。也就是说,与高精度模式的第二精度级别相比,低精度模式的第一精度级别与状态数据的更低数据准确度(或数据质量)关联,高精度模式的第二精度级别与关于被监视系统的将来状态的预测的状态数据的更高的数据准确度关联。
计算机系统进一步具有机器学习模块以对收到的状态数据应用低精度机器学习模型。低精度数据模型基于符合第一精度级别的训练数据来训练以便对于异常技术状态的一个或多个指示符分析收到的状态数据(也符合第一精度级别)并且以便检测异常指示符。换而言之,机器学习模型的精度适于收到的状态数据的精度。状态数据的精度能够受由监视系统的传感器采样的状态数据的质量和/或数量影响。机器学习模型能够基于预测分类或回归算法。预测算法能够是概率算法或确定性算法。在具体实施方式中提供了此类预测性算法的具体示例。异常指示符的示例是在训练阶段期间从如由低精度机器学习模块所学习的被监视技术系统的预期行为偏离的增大或减小的压力、温度或振动级别。
概率算法(例如,朴素贝叶斯分类器、贝叶斯网络、对数回归)产生返回相关事件(相关将来事件)的概率的机器学习模型。此概率能够被用来控制数据收集过程。监视系统基于指示概率机器学习模型指示相关事件所按照的概率的数字而从LPM切换到HPM。为此目的,监视系统能够生成在0与1之间的伪随机数字R,并且如果R大于等于相关事件的概率,则切换到HPM。这样,分析结构被填充有适合用于应用机器学习算法以生成高精度模式模型的正常和异常情况的混合。
确定性算法(例如,判决树,支持向量机器、线性/非线性回归、梯度提升机...)产生作出事件是否发生的二进制判定的模型。在事件由模型指示时,监视系统从LPM切换到HPM。最常见的是,LPM模型具有比HPM模型更低的预测准确度(即,更多假正和假负)。
一旦机器学习模块在低精度模式中检测到此类异常指示符,异常指示符便由计算机系统以此类方式理解,使得它表示技术系统可偏离其正常操作状态的警告。因此,计算机系统使用检测到的异常指示符作为将用于技术系统的监视过程从当前低精度模式切换到高精度模式的触发器。
为此,命令生成器模块在检测到异常指示符的情况下,生成用于一个或多个传感器的一个或多个指令。一个或多个指令配置成促使一个或多个传感器生成符合第二精度级别的状态数据的另外传感器数据,其中如更早所解释的,与第一精度级别相比,第二精度级别与更高的数据准确度关联。
(一个或多个)生成的指令经由计算机系统的接口模块被提供到监视系统的一个或多个传感器。通常,指令由监视系统的通信模块接收,其中它们可在被应用到各种传感器在以更改监视系统的一个或多个参数前被预处理。响应于指令,监视系统开始在高精度模式中提供另外状态数据(即,在新精度参数的应用后发送的所有状态数据)。
计算机系统的接口模块随后接收现在符合第二精度级别的另外状态数据,并且将收到的另外状态数据提供给数据分析器。
计算机系统因此能在带有对于传感器数据的收集和传送的低带宽要求和通常带有由一个或多个传感器的低能量消耗在低精度模式中运行的同时,检测被监视技术系统的可疑行为。由于许多传感器使用电池操作,因此,传感器的能量消耗是一个关键参数,特别是在物联网(IoT)环境中。因此,由于由传感器进行的数据传送经常被降到最小,因此,传感器优选是在自动导致用于监视过程的低精度模式的低功率模式中操作。不过,低精度状态数据可仍足以反映技术系统与其正常操作状态的潜在偏离。低精度机器学习模块在此类低精度数据上被训练,其允许计算机系统认识到潜在的异常。在此类情况下,系统决定更详细地检查技术系统的可疑行为,并且将监视系统切换到高精度模式中以提供比低精度数据对分析潜在错误行为更适当的另外传感器数据。高精度模式消耗更多功率并且降低电池操作的传感器的操作寿命。因此,仅在其中异常指示符给出某一理由以假设技术系统的不当行为的情况下切换到高精度模式节省了用于传感器的功率消耗,并且进一步节省了用于传感器数据的传送的带宽,同时允许以高准确度检测系统的潜在错误。
机器学习模型是基于预测分类算法或预测回归算法的预测机器学习模型,因为它们经常在数据挖掘活动中被使用。此类算法能够是概率性或确定性的。例如,在使用概率预测数据挖掘(机器学习)算法的情况下,仅在预定义的概率阈值被超过的情况下才可检测到异常指示符。
用于分析高精度状态数据的数据分析器能够是计算机系统本身的集成模块,或者它可以与计算机系统通信耦合。数据分析器可支持用于分析从监视系统收到的高精度状态数据的不同功能。
一方面,数据分析器具有基于符合第二精度级别的训练数据来训练的另外的机器学习模型。也就是说,高精度机器学习模型能够被应用到高精度状态数据以对于技术系统的异常技术状态的一个或多个指示符分析此类数据。此分析利用比由低精度机器学习模块执行的分析更高的准确度来执行。例如,高精度机器学习模块能够基于收到的高精度状态数据来预测技术系统的将来失效。适当警报能够由高精度机器学习模块自动引发。
一方面,数据分析器将另外状态数据流传送到人机界面。在此情况下,操作人员能够分析反映技术系统的技术状态的高精度状态数据,并且采取适当动作以防止系统的失效。例如,在某个零件最终损坏前可将它替换成备用零件。
一方面,数据分析器进一步包含数据存储组件以存储收到的另外状态数据。例如,存储的数据可被用于训练高精度机器学习模块,或者它们可被提供用于以后的离线分析。
补充监视系统是用于监视特定技术系统的技术状态的本发明的另外的实施例。如前面已经描述的,监视系统包含一个或多个传感器以在低精度模式(LPM)中生成用于反映特定技术系统的技术参数的低精度状态数据的传感器数据。低精度模式由符合第一精度级别的状态数据表征。
监视系统进一步具有通信模块以将状态数据提供到补充计算机系统,以便通过其低精度机器学习模型来对于异常技术状态的一个或多个指示符分析状态数据。进一步,如果提供的低精度状态数据指示被监视技术系统的潜在异常技术状态,则通信模块接收用于一个或多个传感器的指令(由补充计算机系统生成)以生成符合第二精度级别的另外(高精度)状态数据。换而言之,如果有关技术系统的潜在异常行为的信息被编码在提供的低精度状态数据中,则通信模块被指示将监视系统切换到用于高精度状态数据生成的高精度模式中。这通过响应于和根据收到的指令,更改控制高精度状态数据的准确度的至少一个精度参数以符合第二精度级别来实现。最后,通信模块将向另外高精度状态数据提供到补充计算机系统和其数据分析器。
精度参数的更改能够以多种方式或其组合被执行。例如,指令可激活未被用于低精度状态数据的生成的附加的传感器。例如,如果下降的温度提升了导管可能正在泄漏的怀疑,则用于测量导管中压力的附加的传感器可被激活。这不但改进了在高精度模式中状态数据的数量,而且通过添加反映技术系统状态的附加的物理参数,改进了高精度状态数据的质量。
在另一示例中,指令可促使传感器或通信组件以比低精度更高的频率发送高精度状态数据。这提供了在时间中的更佳分辨率,并且高精度机器学习模块可以能以高准确度和可靠性找到特定异常指示符。
在一个示例中,通信模块经常在将预处理的低精度状态数据发送到补充计算机系统前在传感器原始数据上执行某一形式的数据预处理。例如,多个原始数据被平均或以另外方式聚合以在数据传送中节省带宽。指令现在可造成数据预处理的降低,以便高精度状态数据具有比低精度状态数据更低程度的预处理。在极端情况下,数据预处理可完全被放弃,并且传感器的原始数据直接被传送到补充计算机系统和其分析器以便进一步分析。
一旦低精度状态(节省功率和带宽)指示技术系统从其正常操作状态的潜在偏离,监视系统便从低精度模式自动被切换到高精度模式。仅在此类情况下,监视系统才以更高的功率和/或带宽消耗为代价,切换到更高的状态数据准确度(质量)。回报是更细粒度的状态数据,其经由由补充计算机系统应用的预测算法或通过由操作人员进行的高精度数据的分析,允许潜在失效的更可靠分析。
在一个实施例中,用于监视特定技术系统的技术状态的计算机实现的方法由计算机系统执行,并且包含以下步骤:在低精度模式中接收基于由补充监视系统的一个或多个传感器生成的传感器数据的状态数据,状态数据反映特定技术系统的技术参数,其中低精度模式由符合第一精度级别的收到的状态数据表征;对收到的状态数据应用低精度机器学习模型,其中基于符合第一精度级别的训练数据来训练低精度机器学习模型以对于异常技术状态的一个或多个指示符分析收到的状态数据;如果检测到异常指示符,则发送用于该一个或多个传感器的指令以生成符合第二精度级别的另外状态数据,与第一精度级别相比,第二精度级别与更高的数据准确度关联;响应于发送指令,接收符合第二精度级别的另外状态数据;以及将另外状态数据提供到数据分析器。
在一个实施例中,其中数据分析器具有基于符合第二精度级别的训练数据来训练的另外的机器学习模型,方法进一步包含:对另外状态数据应用该另外的机器学习模型以对于异常技术状态的一个或多个另外指示符分析另外状态数据。机器学习模型是基于预测分类算法或预测回归算法的预测机器学习模型。
在一个实施例中,计算机程序产品包含指令,指令在被加载到计算机系统的存储器中并且由该计算机系统的至少一个处理器执行时促使计算装置执行上面计算机实现的方法的步骤和执行上述计算机系统的功能。
在一个实施例中,用于监视特定技术系统的技术状态的计算机实现的方法由补充监视系统执行,并且包含以下步骤:在低精度模式中由一个或多个传感器生成用于反映特定技术系统的技术参数的状态数据的传感器数据,其中低精度模式由符合第一精度级别的状态数据表征;将状态数据提供到低精度机器学习模型以便对于异常技术状态的一个或多个指示符分析提供的状态数据;如果提供的状态数据指示异常技术状态,则从该低精度机器学习模型接收用于该一个或多个传感器的一个或多个指令以生成符合第二精度级别的另外状态数据,与第一精度级别相比,第二精度级别与更高的数据准确度关联;响应于收到的指令,更改至少一个精度参数以生成符合第二精度级别的另外状态数据;以及将另外状态数据提供到数据分析器。
更改该至少一个精度参数步骤包含以下步骤的任何一个或组合:
-添加一个或多个附加的传感器到一个或多个传感器以提供包含来自附加的传感器的附加的状态数据的另外状态数据;
-以比在低精度模式中提供的状态数据更高的频率提供另外状态数据;以及
-在生成另外状态数据时,降低关于在低精度模式中的状态数据的数据预处理或数据聚合。
在一个实施例中,计算机程序产品包含指令,指令在被加载到监视系统的计算机组件的存储器中并且由该计算机组件的至少一个处理器执行时促使该计算机组件执行前面计算机实现的方法的步骤以执行如所公开的补充监视系统的功能。
借助于在随附权利要求中特别描绘的元件和组合,将认识到和实现本发明的另外方面。要理解的是,前面的一般描述和下面的详细描述只是示范和说明性的,并且不是限制如所描述的本发明。
附图说明
图1示出根据一个实施例的与计算机系统通信耦合以便监视特定技术系统的技术状态的监视系统的简化框图;
图2是根据一实施例的两个补充计算机实现的方法的简化流程图;
图3A、3B、3C图示了用于将精度参数从低精度模式更改到高精度模式的示例;以及
图4是示出可与在这里描述的技术一起使用的通用计算机装置和通用移动计算装置的示例的图。
具体实施方式
图1示出根据本发明的一个实施例的与计算机系统100通信耦合以便监视特定技术系统300的技术状态的监视系统200的简化框图。图1在计算机实现的方法1000、2000的上下文中被描述,方法分别由计算机系统100和补充监视系统200执行,并且在图2的流程图中被图示。下面的描述参照带有相应标号的两个图形。用于技术系统300的示例是风力涡轮、机器人、泵、化学反应器或其中技术状态能够由一个或多个传感器监视的任何其他技术系统。技术参数值的监视由作为监视系统200的一部分的一个或多个传感器S1到Sn执行。在一些实现中,监视系统200及其传感器能够是技术系统300本身的组成部分。例如,温度或压力传感器可被安装在化学反应器内或者在技术系统300本身的泵内。然而,随着物联网(IoT)技术的出现,越来越多的传感器被单独安装以观察反映技术系统的技术状态的技术状态参数。例如,振动传感器可简单地被放置或安装在技术系统的某个部分上,并且能够被连接到监视系统200的中心通信模块210以便证实感应的参数值以作进一步分析。传感器可以经由无线通信连接被连接,或者它可以通过有线连接被连接(例如,在传感器的情况下,传感器是技术系统300的组成组件)。
用于被用来监视技术系统的技术参数值的传感器的示例是:温度传感器、压力传感器、振动传感器、麦克风、视觉传感器(例如,相机)、流量计等。本领域技术人员能够将提供有关技术系统的有用技术状态数据的任何传感器集成到监视系统200中。特别是在IoT传感器的情况下,此类传感器通常由电池供电。对于此类传感器基础设施的一个要求是在电池需要被替换前,传感器应具有长的寿命,或者电池在寿命期间根本不必被替换。进一步,用于此类传感器网络的网络带宽通常被限制。因此,通过网络的数据传送被限制。因此,此类传感器网络通常以使得到通信模块210的数据传送被保持在最低程度的此类方式操作。这可通过由相应传感器对状态数据样本的低采样频率(例如,随后是传送频率的相应降低)或通过只使用监视系统200的可用传感器的子集来实现。也可能(由传感器本身或者由通信模块)对原始传感器数据应用预处理(例如,均值、平均等)以降低被提供用于进一步分析的数据量。通信模块210可包含子模块的层次结构,其中每个子模块收集传感器S1到Sn的子集的传感器数据,其随后在被发送到计算机系统100以便进一步分析前能够由通信模块210进一步预处理。
在正常操作中,监视系统200在通常暗示只使用可用传感器的子集的低精度模式中操作。通常,这些传感器在相对低频率(例如,低采样频率和/或传感器出站传送的低传送频率)收集和提供技术参数值以节省电池电能和带宽。在一些情况下,由传感器提供的数据已经被预处理以进一步降低要通过网络发送的数据量。在一些情况下,通信模块210可执行收到的传感器数据的(进一步)预处理。不过,在低精度模式中捕获的此类参数值反映技术系统的技术状态,并且在本文中被称为低精度状态数据SD1。由通信模块生成2100的低精度状态数据SD1对应于在一方面根据传感器的长电源寿命来提供状态数据和由于此类状态数据的传送的网络的低带宽消耗与在以足够好的准确度或数据质量级别提供状态数据以提取有关技术系统的技术状态的有意义的信息之间的折中。
生成的低精度(LP)数据SD1随后被提供2200到补充计算机系统100的接口模块110,并且由其接收1100以由LP机器学习模型120分析。只要计算机系统100在低精度模式(LPM)中操作,路由器150便将反映特定技术系统的技术参数的收到的LP状态数据SD1直接路由到计算机系统100的LP机器学习模块120。LP机器学习模块120对收到的LP状态数据SD1应用1200低精度机器学习模型。由此,基于符合第一精度级别(低精度级别)的训练数据来训练LP机器学习模型以对于技术系统300的异常技术状态的一个或多个指示符分析收到的状态数据。通常,在将机器学习模型应用到数据以便分析数据前对它们进行训练。一些模型(例如,隐马尔可夫模型)也能够在操作中的同时被连续训练。对于公开的实施例,在(一个或多个)模型被训练时,它是不相关的。例如,如果温度值(或任何其他技术参数值)从基于训练数据所预期的值偏离,则可检测到异常技术状态。
如果检测1300到异常指示符,则计算机系统100的命令生成器130生成用于一个或多个传感器的一个或多个指令以生成用于符合第二精度级别的高精度(HP)状态数据的另外传感器数据,其中与第一精度级别相比,第二精度级别与更高的数据准确度关联。换而言之,(一个或多个)生成的指令I1配置成通过相应地指示监视传感器将监视系统200从LP模式(LPM)切换到HP模式(HPM)中。在其中传感器数据的预处理由通信模块执行的情况下,生成的指令也可包含指向通信模块以相应地更改数据预处理的指令。如果未检测1300到异常指示符,则计算机系统100简单地继续接收1100 LP状态数据,并且利用LP机器学习模型来分析收到的LP状态数据。
随后,一个或多个生成的指令经由接口模块110被发送1400到监视系统200,其中它们由通信模块210接收2300。通信模块将收到的指令转发到相应传感器以便以使得相应传感器在切换后提供对于HP状态数据的传感器数据的此类方式更改2400精度参数。例如,对于能够从LPM直接切换到HPM的传感器,对应指令能够被直接路由到相应传感器以便相应地进行切换。在指令要求激活附加的传感器的情况下,通信模块能够将指令路由到对应传感器以便相应地激活传感器。在其中通信模块已在LPM中执行数据预处理的情况下,它能够根据收到的指令更改或放弃数据预处理。图3A到3C中讨论了精度参数的更改以生成HP状态数据的详细示例。在已切换到HPM后,监视系统200将HP状态数据SD2提供2500到计算机系统100,其通过接口模块110被收到1500。
路由器150能够识别现在监视系统200在HPM中操作。例如,收到的状态数据可包含模式标记,指示状态数据是HP状态数据还是LP状态数据,并且路由器能够将LP数据自动路由(提供)1600到LP机器学习模块120和HP状态数据到数据分析器140。备选的是,命令生成器130可在已发送HPM切换指令到监视系统后通知路由器150,以便路由器变得知道将来状态数据将是HPM状态数据SD2,并且相应地将HPM状态数据路由(提供)1600到数据分析器140。数据分析器140能够是计算机系统100的集成模块,或者它可以是在与计算机系统100通信耦合的远程计算机(例如,服务器计算机、移动计算装置等)上运行的组件。
在一个实施例中,数据分析器140包含基于符合第二精度级别的训练数据来训练的另外的HP机器学习模型141。也就是说,能够对HP状态数据SD2应用HP机器学习模型以对于异常技术状态的一个或多个指示符分析HP状态数据。换而言之,一旦计算机系统在HPM中操作,HP机器学习模型的预测算法便能够以更高的准确度来分析HP状态数据,并且基于HP状态数据以比LP机器学习模块120基于LP状态数据所能做到的可靠性更高的可靠性来预测技术系统300的潜在失效。由于仅在一旦LP机器学习模型检测到可疑情况才激活HPM模式,因此,在系统在LPM中操作时在大多数时间期间还能够实现低电池和低带宽消耗。然而,在切换到HPM后,数据分析的可靠性和潜在失效预测被大幅改进。当然,在检测到异常情况后,一旦消除异常情况的根本原因(例如,备用零件替换),系统便被设回LPM。通过使用HP机器学习模型,数据分析器能够自动和自主地检测异常情况,并且如果预防性维护或修复动作是所要求的,则为技术系统300的操作员引发相应警报。
在一个实施例中,数据分析器140具有数据流传送器142以将HP状态数据SD2流传送到人机界面(HMI)150。HMI 150能够包含任何已知用户界面技术以允许用户通过例如图形用户界面、基于语音的用户界面或基于手势的用户界面与数据分析器交互。在此实施例中,数据分析器140具有数据可视化作用以向用户10呈现反映技术系统300的技术状态的HP状态数据。用户10可以是技术系统的操作员或者是此类技术状态数据的分析中的专家。流传送的数据被呈现给用户10,意图是采取校正动作以便避免技术系统300的潜在失效。
此外,在任何实施例中,数据分析器140可进一步包含数据存储组件143以存储收到的HP状态数据SD2。存储HP状态数据允许HP状态数据的离线分析。进一步,存储的数据能够被用来进一步训练HP机器学习模型141和改进HP机器学习模型的预测能力的可靠性。
图3A、3B、3C图示了用于将精度参数从低精度模式更改到高精度模式的示例。在本文中使用时,精度参数是在被更改时关于数据如何影响在由机器学习模型使用的预测算法的可靠性的对状态数据的质量有影响的参数。预测机器学习模型通常基于预测分类算法或预测回归算法。此类算法能够具有概率性或确定性性质。预测算法的一些众所周知的示例是朴素贝叶斯、自适应贝叶斯网络、隐马尔可夫模型和支持向量机器。在由Charu C.Arggarwal所著的“Data Mining – The Textbook”(2015)第10章:Data Classification中和在第11章:Data Classification – Advanced Concepts中描述了关于数据挖掘或机器学习分类算法的细节。在由John O. Rawlings、Sastry G. Patula、David A. Dickey所著的“Applied Regression Analysis, A Research Tool, Second Edition”(Springer,1998)中描述了关于数据挖掘回归算法的细节。
图3A图示了其中精度参数是对由监视系统生成的状态数据SD1、SD2作出贡献的传感器的数量的示例。在示例中,在低精度模式中,仅一个传感器S1正在提供对于LP状态数据SD1的传感器数据。从补充计算机系统收到的指令通过包含用于激活传感器S2以对HP状态数据S2作出贡献的指令来更改传感器的数量。在示例中,LP状态数据与HP状态数据以相同速率被生成。然而,情况不一定是这样。HP状态数据可以是以更高速率被生成,或者只要数据质量被改进以允许基于HP状态数据的更可靠预测,甚至以比LP状态数据更低的速率被生成。
例如,对于操作风力涡轮,振动的观察提供有关风力涡轮组件(例如,变速箱)即将失效的可能性的重要信息。然而,风力涡轮振动传感器经常发生失效。为改进传感器数据的可靠性,振动传感器数据可通过由温度传感器收集的附加的数据来补充,以确保振动传感器数据正确地指示错误。在LPM中,振动由振动传感器以预定义的采样率感应,并且作为LP状态数据被提供到LP机器学习模型。一旦LP机器学习模型检测到在收到的LP状态数据中的异常,它便发送指令到监视系统以激活温度传感器,其中附加的温度传感器值补充振动传感器值以形成HP状态数据。
图3B图示了其中精度参数是传感器数据的传送速率(频率)的示例。在LPM中,LP状态数据SD1源于传感器S1,并且以第一频率被发送。在监视系统接收用于切换到HPM的指令时,指令促使传感器S1增大数据收集和传送的频率。在示例中,通过将在LPM中由S1提供的传感器数据的采样率翻倍来生成HPM状态数据SD2。
例如,与操作机器人有关的问题是机器人柜的潜在过热。因此,基于监视的状态数据来预测机器人柜的过热是有利的。通常,柜中的温度传感器和风扇速度传感器被用于监视机器人柜的技术状态。机器学习技术能够被用来基于监视的传感器参数值建立预测模型(预测机器学习模型)以提前几天捕获过热。在更频繁地收集温度和风扇速度数据时,预测模型的质量及因此预测的可靠性增大。同时,限制在网络周围发送的数据量是有利的。
在LPM中,宽松的监视是可接受的。例如,每天仅几次收集有关温度和风扇速度的数据,数据甚至可被预处理以只具有用于该天的一个LP状态数据点。LP状态数据被提供给预测模型,其以高召回、低精度(其是用受限LP状态数据要实现的最佳质量)在70%的情况中正确预测过热。一旦此LP分类器预测即将过热,HPM中的详细监视便被激活。在详细监视阶段,采样和预处理是不同的。监视系统更频繁地收集数据(例如,每10分钟)并且不应用任何预处理。对于此类型的HP状态数据,可应用以前已基于此类HP状态数据训练的带有高召回和高精度的HP预测模型。
另外的风力涡轮示例图示了精度参数频率和传感器的数量的组合使用。声音传感器可被用于声发射测量。声发射(AE)是在材料内采用瞬态弹性波或声波的形式发射的能量。在已检测到和电处理声波后,使用AE设备获得AE信号。一般地,AE信号具有25 kHz到3MHz的宽频率范围。然而,通常由于高灵活性而在100 kHz到1 MHz之间的频率范围中分析和处理它。对于此示例,高达2 MHZ的采样率能够对于指示在早期阶段的失效是好的,但对于发送或记录是明显昂贵的。在LPM中,未通过完全2 MHz速率而是通过例如在200 kHz与1MHz之间的更低速率对于例如每小时100ms对声数据进行采样。如果LP机器学习模型指示可能失效,则具有高达2 MHZ的采样率的声发射测量的记录或发送能够被激活,并且在HPM开始中详细监视。在详细监视中,例如每几分钟能够对于100ms长或甚至更长期间(例如,1秒)记录声传感器数据。在此情形中的HP状态数据从更高采样率推导,其中传感器数据比在HPM中被更频繁地被收集。
图3C图示了其中精度参数是被应用到传感器原始数据以生成状态数据的数据预处理的等级的示例。在LPM中,LP状态数据SD1基于由传感器S1收集的传感器原始数据。例如,原始数据的两个随后集合被预处理,产生一个LP状态数据包SD1。如本文中所使用的预处理包含对传感器原始数据应用的任何数据处理(例如,平均、均值计算、最大或最小值确定等),其能够被用来降低要通过网络发送的数据量,同时仍提供有关技术系统的技术状态的有意义的信息。当切换到HPM时,预处理被降低或完全放弃以改进HP状态数据的准确度。在示例中,由S1感应的原始数据被用来生成HP状态数据SD2。
其中在监视系统切换到HPM时数据预处理被降低的示例包含至少一个振动传感器以测量泵的振动。由此,目标是基于振动数据对泵缺陷的早期识别以及失效(例如,叶片的失效)的相应根本原因分析。通常,许多泵失效由通过泵的振动谱的特定元素反映的缓慢的退化过程造成。振动能够通过用于工业资产的相应振动传感器被捕获(例如,由挪威奥斯陆的ABB AS Process Automation Division提供的WiMON100无线振动传感器)。在取自泵的聚合振动趋势数据指示泵的退化时,根本原因分析要求随时间的振动频谱的更详细研究。频谱能够通过对采样的振动传感器数据应用的快速傅立叶变换(FFT)来计算。例如,聚合的振动趋势数据可以是在整个频谱或谱的一部分上的积分。可转而使用其它适当的聚合的趋势数据。聚合的趋势数据能够是从振动频谱推导的任何单个特性值,其在无异常发生时是用于泵的特性谱的指示符,并且其在泵的异常操作情况下更改。在LPM中,只要在振动频谱中不存在对于退化(异常)的指示符,便应用宽松的监视。振动传感器可每天几次捕获快速的100ms时间序列。对于此传感器数据,应用FFT并且为相应采样期间计算总体趋势值。一旦识别到异常,便激活详细监视以切换到HPM。在HPM中,进行详细监视在于振动传感器以更高采样率(例如,每小时)收集快速时间序列,并且提供用于所有数据集合的整个FFT谱并且不仅仅是趋势指示符,以使得在频谱数据中的根本原因分析能实现。换而言之,采样数据的数据预处理被降低,在于趋势值的计算被忽略,并且FFT被直接应用到以比在LPM中更高速率采样的传感器原始数据。这允许针对关于异常泵振动行为的潜在根本原因分析获得的频谱的元素,执行根本原因分析。
在下面的参考文献中能够找到有关在预测维护的上下文中基于相应机器学习算法的机器学习模型的使用的信息:
-Widodo,Achmad和Bo-Suk Yang。“Support vector machine in machine conditionmonitoring and fault diagnosis”。Mechanical systems and signal processing 21.6(2007):2560-2574。
- Miao,Qiang和Viliam Makis。“Condition monitoring and classificationof rotating machinery using wavelets and hidden Markov models”。Mechanicalsystems and signal processing 21.2(2007):840-855。
-Poyhonen、Sanna、Pedro Jover和Heikki Hyotyniemi。“Signal processing ofvibrations for condition monitoring of an induction motor”。Control,Communications and Signal Processing, 2004。First International Symposium on.IEEE,2004。
- Shin,Hyun Joon,Dong-Hwan Eom和Sung-Shick Kim。“One-class supportvector machines - an application in machine fault detection andclassification”。Computers & Industrial Engineering 48.2(2005):395-408。
- Kankar、P. K.、Satish C. Sharma和S. P. Harsha。“Fault diagnosis ofball bearings using machine learning methods”。Expert Systems withApplications 38.3(2011):1876-1886
图4是示出可与在这里描述的技术一起使用的通用计算机装置900和通用移动计算装置950的示例的图。计算装置900旨在表示各种形式的数字计算机,诸如膝上型计算机、台式计算机、工作站、个人数字助理、服务器、刀片服务器、大型机和其他适当计算机。通用计算机装置900可对应于如图1中所图示的计算机系统100。计算装置950旨在表示各种形式的移动装置,诸如个人数字助理、蜂窝电话、智能电话和其他类似计算装置。例如,计算装置950可由操作员用于与计算机系统100的通信。在这里示出的组件、其连接和关系及其功能用意仅是示范,并且无意于限制本文档中描述和/或要求保护的发明的实现。
计算装置900包含处理器902、存储器904、存储装置906、连接到存储器904和调整扩展端口910的高速接口910和连接到低速总线914和存储装置906的低速接口912。组件902、904、906、908、910和912的每个使用各种总线被互连,并且可被安装在共用母板上或在适当时以其他方式被安装。处理器902能够处理指令以便在计算装置900内执行,包含在存储器904中或在存储装置906上存储的指令以在诸如耦合到高速接口998的显示器916的外部输入/输出装置上显示用于GUI的图形信息。在其他实现中,在适当时,可连同多个存储器和多个类型的存储器使用多个处理单元和/或多个总线。此外,多个计算装置900可与提供部分的必需操作的每个装置(例如,作为服务器组、刀片服务器的群组或处理装置)连接。
存储器904在计算装置900内存储信息。在一个实现中,存储器904是一个或多个易失性存储器单元。在另一实现中,存储器904是一个或多个非易失性存储器单元。存储器904也可以是另一形式的计算机可读介质,诸如磁盘或光盘。
存储装置906有能力提供用于计算装置900的大容量存储。在一个实现中,存储装置906可以是或者含有计算机可读介质,诸如软盘装置、硬盘装置、光盘装置或磁带装置、闪速存储器或其他类似的固态存储器装置或装置的阵列,包含在存储区网络或其他配置中的装置。计算机程序产品能够被有形实施在信息载体中。计算机程序产品也可含有指令,其在被执行时,执行一种或多种方法,诸如上述那些方法。信息载体是计算机或机器可读介质,诸如存储器904、存储装置906或在处理器902上的存储器。
高速控制器908管理用于计算装置900的带宽密集型操作,而低速控制器912管理更低的带宽密集型操作。功能的此类分配只是示范。在一个实现中,高速控制器908被耦合到存储器904、显示器916(例如,通过图形处理器或加速器)和可以接受各种扩展卡(未示出)的高速扩展端口910。在实现中,低速控制器912被耦合到存储装置906和低速扩展端口914。可包含各种通信端口(例如,USB、蓝牙、以太网、无线以太网)的低速扩展端口可以例如通过网络适配器被耦合到一个或多个输入/输出装置,诸如键盘、指点装置、扫描仪或诸如交换机或路由器的网络装置。
如图中所示,计算装置900可以以多种不同形式被实现。例如,它可被实现为标准服务器920,或者在一组此类服务器中多次被实现。它也可被实现为机架服务器系统924的一部分。此外,它可被实现为诸如膝上型计算机922的个人计算机。备选的是,来自计算装置900的组件可与在诸如装置950的移动装置(未示出)中的另外组件组合。每个此类装置可含有一个或多个计算装置900、950,并且整个系统可以由彼此通信的多个计算装置900、950组成。
除其他组件外,计算装置950包含处理器952、存储器964、诸如显示器954的输入/输出装置、通信接口966和收发器968。装置950也可被提供有诸如微驱动器或其他装置的存储装置以提供附加的存储。组件950、952、964、954、966和968的每个使用各种总线被互连,并且若干个组件可被安装在共用母板上或在适当时其他方式被安装。
处理器952能够执行在计算装置950内的指令,包含在存储器964中存储的指令。处理器可被实现为包含单独且多个模拟和数字处理单元的芯片的芯片集。处理器可例如提供用于装置950的其他组件的协调,诸如控制用户界面、由装置950运行的应用和由装置950进行的无线通信。
处理器952可通过控制接口958和耦合到显示器954的显示接口956与用户进行通信。显示器954可以是例如TFT LCD(薄膜晶体管液晶显示器)或OLED(有机发光二极管)显示器,或者其他适当的显示技术。显示接口956可包括用于驱动显示器954以向用户呈现图形和其他信息的适当电路。控制接口958可接收来自用户的命令并将它们转换以便提交给处理器952。另外,可提供与处理器952进行通信的外部接口962,以便使得装置950能够与其他装置进行邻近区域的通信。外部接口962可例如提供用于在一些实现中的有线通信或用于在其他实现中的无线通信,并且多个接口也可被使用。
存储器964在计算装置950内存储信息。存储器964能够被实现为一个或多个计算机可读介质或介质、一个或多个易失性存储器单元或一个或多个非易失性存储器单元的一项或多项。扩展存储器984也可被提供和通过可包含例如SIMM(单列直插式存储器模块)卡接口的扩展接口982连接到装置950。此类扩展存储器984可提供用于装置950的额外存储空间,或者可也存储用于装置950的应用或其他信息。具体地说,扩展存储器984可包含用于实行或补充上述过程的指令,并且可也包含安全信息。因此,例如,扩展存储器984可充当用于装置950的安全性模块,并且可被编程有允许装置950的安全使用的指令。另外,可经由SIMM卡提供安全应用连同附加的信息,诸如以非可骇入方式(non-hackable manner)将识别信息置于SIMM卡上。
存储器可包含例如闪速存储器和/或MRAM存储器,如下所讨论的。在一个实现中,计算机程序产品被有形实施在信息载体中。计算机程序产品含有指令,其在被执行时,执行一种或多种方法,诸如上述那些方法。信息载体是例如通过收发器968或外部接口962可被接收的计算机或机器可读介质,诸如存储器964、扩展存储器984、处理器952上的存储器。
装置950可通过通信接口966以无线方式进行通信,该通信接口在需要之处可包含数字信号处理电路。通信接口966可提供用于在各种模式或协议下的通信,各种模式或协议诸如GSM话音呼叫、SMS、EMS或MMS消息发送、CDMA、TDMA、PDC、WCDMA、CDMA2000或GPRS、EDGE、UMTS、LTE等等。此类通信可例如通过射频收发器968进行。此外,可进行近距离通信,诸如使用蓝牙、WiFi或其他此类收发器(未示出)。此外,GPS(全球定位系统)接收器模块980可向装置950提供附加的导航和位置有关的无线数据,其可在适当时由在装置950上运行的应用使用。
装置950也可使用音频编解码器960进行可听通信,该编解码器可接收来自用户的口述信息并且将它转换成可使用的数字信息。音频编解码器960可同样地诸如通过例如在装置950的听筒中的扬声器,生成对于用户的可听见声音。此类声音可包含来自话音电话呼叫的声音,可包含录制的声音(例如,话音消息、音乐文件等),并且也可包含由在装置950上操作的应用生成的声音。
如图中所示,计算装置950可以以多种不同形式被实现。例如,它可被实现为蜂窝电话980。它也可被实现为智能电话982的一部分、个人数字助理或其他类似移动装置。
在这里描述的系统和技术的各种实现能够在数字电子电路、集成电路、专门设计的ASIC(专用集成电路)、计算机硬件、固件、软件和/或其组合中实现。这些各种实现能够包含在可编程系统上是可执行和/或可解释的一个或多个计算机程序中的实现,该可编程系统包含可以是专用或通用的至少一个可编程处理器、至少一个输入装置和至少一个输出装置,该至少一个可编程处理器被耦合以接收来自存储系统的数据和指令,以及将数据和指令传送到存储系统。
这些计算机程序(也称为程序、软件、软件应用或代码)包含用于可编程处理器的机器指令,并且能够以高级过程和/或面向对象编程语言、和/或以汇编/机器语言被实现。在本文中使用时,用语“机器可读介质”和“计算机可读介质”指用来提供机器指令和/或数据到可编程处理器的任何计算机程序产品、设备和/或装置(例如,磁盘、光盘、存储器、可编程逻辑器装置(PLD)),包含接收机器指令作为机器可读信号的计算机可读介质。用语“机器可读信号”指用来提供机器指令和/或数据到可编程处理器的任何信号。
为提供用于与用户的交互,在这里描述的系统和技术能够在具有用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或LCD(液晶显示器)监视器)和用户能够通过其向计算机提供输入的键盘和指点装置(例如,鼠标或轨迹球)的计算机上实现。其他种类的装置也能够被用来提供用于与用户的交互;例如,提供到用户的反馈能够是任何形式的感官反馈(例如,视觉反馈、听觉反馈或触觉反馈);并且来自用户的输入能够以任何形式被接收,包含声音、语音或触觉输入。
在这里描述的系统和技术能够在包含后端组件(例如,作为数据服务器),或者包含中间件组件(例如,应用服务器),或者包含前端组件(例如,具有通过其用户能够与在这里描述的系统和技术的实现交互的图形用户界面或Web浏览器的客户端计算机),或者此类后端、中间件或前端组件的任何组合的计算装置中实现。系统的组件能够通过数字数据通信的任何形式或介质(例如,通过通信网络)被互连。通信网络的示例包含局域网(“LAN”)、无线局域网(“WLAN”)、广域网(“WAN”)及因特网。
计算装置能够包含客户端和服务器。客户端和服务器一般是彼此远离的,并且通常通过通信网络交互。客户端和服务器的关系依靠在相应计算机上运行并且彼此具有客户端-服务器关系的计算机程序而产生。
多个实施例已被描述。不过,将理解的是,在不脱离本发明的精神和范围的情况下可进行各种修改。
此外,图中描绘的逻辑流程不要求示出的特定顺序或连续顺序以实现所需结果。此外,可提供其他步骤,或者可从描述的流程消除步骤,以及可将其他组件添加到描述的系统或者从描述的系统去除。相应地,其他实施例在随附权利要求的范围内。
Claims (15)
1.一种用于监视特定技术系统(300)的技术状态的计算机系统(100),包括:
接口模块(110),所述接口模块配置成
在低精度模式(LPM)中接收从一个或多个传感器(S1到Sn)的传感器数据生成的状态数据(SD1),所述状态数据(SD1)反映所述特定技术系统(300)的技术参数,其中所述低精度模式(LPM)由符合第一精度级别的收到的状态数据(SD1)表征,以及
进一步配置成发送用于所述一个或多个传感器(S1到SN)的一个或多个指令(I1),所述一个或多个指令(I1)配置成促使所述一个或多个传感器以生成符合第二精度级别的另外状态数据(SD2),与所述第一精度级别相比,所述第二精度级别与更高的数据准确度关联,以及
进一步配置成接收符合所述第二精度级别的所述另外状态数据(SD2)以将所述另外状态数据提供到数据分析器(140);
机器学习模块(120),所述机器学习模块配置成将低精度机器学习模型应用到所述收到的状态数据(SD1),其中基于符合所述第一精度级别的训练数据来训练所述低精度数据模型,用来对于异常技术状态的一个或多个指示符分析所述收到的状态数据并且用来检测异常指示符;以及
命令生成器模块(130),所述命令生成器模块配置成在检测到所述异常指示符的情况下生成用于所述一个或多个传感器(S1到Sn)的所述一个或多个指令(I1)。
2.如权利要求1所述的计算机系统,进一步包括具有基于符合所述第二精度级别的训练数据来训练的另外的机器学习模型(141)的所述数据分析器,所述另外的机器学习模型配置成被应用到所述另外状态数据(SD2)以对于异常技术状态的一个或多个另外指示符分析所述另外状态数据。
3.如权利要求1所述的系统,进一步包括所述数据分析器(140)包含配置成将所述另外状态数据流传送到人机界面(150)的数据流传送器(142)。
4.如权利要求2或3所述的系统,其中数据分析器(140)进一步包括数据存储组件(143)以存储所述收到的另外状态数据(SD2)。
5.如前面权利要求任一项所述的系统,其中所述机器学习模型(120)是基于预测分类算法或预测回归算法的预测机器学习模型。
6.一种用于监视特定技术系统(300)的技术状态的监视系统(200),所述监视系统(200)包括:
一个或多个传感器(S1到Sn),所述一个或多个传感器配置成在低精度模式(LPM)中生成反映所述特定技术系统(300)的技术参数的传感器数据,其中所述低精度模式(LPM)由从符合第一精度级别的所述传感器数据生成的状态数据(SD1)表征,并且进一步配置成响应于收到的指令(I1),更改至少一个精度参数以生成符合第二精度级别的另外状态数据(SD2);
通信模块(210),所述通信模块配置成将所述状态数据(SD1)提供到补充计算机系统的低精度机器学习模型以便对于异常技术状态的一个或多个指示符分析提供的状态数据(SD1),并且进一步配置成如果所述提供的状态数据(SD1)指示异常技术状态,则从所述补充计算机系统接收用于所述一个或多个传感器(S1到Sn)的指令,以生成用于符合所述第二精度级别的所述另外状态数据(SD2)的传感器数据,与所述第一精度级别相比,所述第二精度级别与更高的数据准确度关联,以及以将所述另外状态数据(SD2)提供到数据分析器(140)。
7.如权利要求6所述的监视系统,其中至少一个精度参数的所述更改包含以下选项的任何一个或组合:
所述另外状态数据(SD2)包含来自所述低精度模式(LPM)中未包含的附加数据的附加状态数据;
所述另外状态数据(SD2)以比在所述低精度模式(LPM)中收到的所述状态数据(SD1)更高的频率被发送;以及
所述另外状态数据(SD2)具有比在所述低精度模式(LPM)中发送的所述状态数据(SD1)更低程度的预处理。
8.一种用于监视特定技术系统(300)的技术状态的计算机实现的方法(1000),包括:
在低精度模式中接收(1100)从一个或多个传感器(S1到Sn)的传感器数据生成的状态数据,所述状态数据(SD1)反映所述特定技术系统的技术参数,其中所述低精度模式由符合第一精度级别的收到的状态数据表征;
将低精度机器学习模型应用(2200)到所述收到的状态数据,其中基于符合所述第一精度级别的训练数据来训练所述低精度机器学习模型,以对于异常技术状态的一个或多个指示符分析所述收到的状态数据;
如果检测(1300)到异常指示符,则发送(1400)用于所述一个或多个传感器的指令以生成用于符合第二精度级别的另外状态数据的传感器数据,与所述第一精度级别相比,所述第二精度级别与更高的数据准确度关联;
响应于发送指令,接收(1500)符合所述第二精度级别的所述另外状态数据;以及
将所述另外状态数据提供(1600)到数据分析器(140)。
9.如权利要求8所述的方法,其中所述数据分析器具有基于符合所述第二精度级别的训练数据来训练的另外的机器学习模型,所述方法进一步包括:
将所述另外的机器学习模型应用(1710)到所述另外状态数据以对于异常技术状态的一个或多个指示符分析所述另外状态数据。
10.如权利要求8或9所述的方法,其中所述机器学习模型是基于预测分类算法或预测回归算法的预测机器学习模型。
11.一种包含指令的计算机程序产品,所述指令在被加载到计算装置的存储器中并且由所述计算装置的至少一个处理器执行时促使所述计算装置执行根据所述权利要求8到10中的任一项所述的计算机实现的方法的所述步骤。
12.一种用于监视特定技术系统的技术状态的计算机实现的方法(2000),包括:
在低精度模式中由一个或多个传感器生成(2100)用于反映所述特定技术系统的技术参数的状态数据的传感器数据,其中所述低精度模式由符合第一精度级别的所述状态数据表征;
将所述状态数据提供(2200)到补充计算机系统的低精度机器学习模型以便对于异常技术状态的一个或多个指示符分析提供的状态数据;
如果所述提供的状态数据指示异常技术状态,则从所述补充计算机系统接收(2300)用于所述一个或多个传感器的一个或多个指令以生成对于符合第二精度级别的另外状态数据的传感器数据,与所述第一精度级别相比,所述第二精度级别与更高的数据准确度关联;
响应于收到的指令,更改(2400)至少一个精度参数以生成符合所述第二精度级别的所述另外状态数据;以及
将所述另外状态数据提供到数据分析器。
13.如权利要求12所述的方法,其中所述数据分析器具有基于符合所述第二精度级别的训练数据来训练的另外的机器学习模型,以便对于异常技术状态的一个或多个指示符分析所述另外状态数据。
14.如权利要求12或13所述的方法,其中所述至少一个精度参数包含以下步骤的任何一个或组合:
将一个或多个附加的传感器添加到所述一个或多个传感器以提供包含来自所述附加的传感器的附加的状态数据的所述另外状态数据;
以比在所述低精度模式中提供的所述状态数据更高的频率提供所述另外状态数据;以及
在生成所述另外状态数据时,降低针对在所述低精度模式中的所述状态数据的数据预处理或数据聚合。
15.一种包含指令的计算机程序产品,所述指令在被加载到计算装置的存储器中并且由所述计算装置的至少一个处理器执行时促使所述计算装置执行根据权利要求12到14中的任一项所述的计算机实现的方法的所述步骤。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP16203972.1A EP3336634B1 (en) | 2016-12-14 | 2016-12-14 | Computer system and method for monitoring the status of a technical system |
EP16203972.1 | 2016-12-14 | ||
PCT/EP2017/079397 WO2018108429A1 (en) | 2016-12-14 | 2017-11-16 | Computer system and method for monitoring the status of a technical system |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110050240A true CN110050240A (zh) | 2019-07-23 |
CN110050240B CN110050240B (zh) | 2022-11-15 |
Family
ID=57838119
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201780077498.3A Active CN110050240B (zh) | 2016-12-14 | 2017-11-16 | 用于监视技术系统的状态的计算机系统和方法 |
Country Status (4)
Country | Link |
---|---|
US (1) | US11238371B2 (zh) |
EP (1) | EP3336634B1 (zh) |
CN (1) | CN110050240B (zh) |
WO (1) | WO2018108429A1 (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111622815A (zh) * | 2020-04-20 | 2020-09-04 | 天津大学 | 基于叶尖定时和优化朴素贝叶斯的叶片裂纹在线测量方法 |
CN113853566A (zh) * | 2019-07-26 | 2021-12-28 | 谷歌有限责任公司 | 基于雷达的姿势识别的情境敏感控制 |
CN114729708A (zh) * | 2020-03-09 | 2022-07-08 | 金子产业株式会社 | 电磁阀 |
US11841933B2 (en) | 2019-06-26 | 2023-12-12 | Google Llc | Radar-based authentication status feedback |
US11868537B2 (en) | 2019-07-26 | 2024-01-09 | Google Llc | Robust radar-based gesture-recognition by user equipment |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2016313150A1 (en) * | 2015-08-27 | 2018-03-08 | Dronsystems Limited | A highly automated system of air traffic control (ATM) for at least one Unmanned Aerial Vehicle (Unmanned Aerial Vehicles UAV) |
EP3422222B1 (en) * | 2017-06-29 | 2024-04-10 | Roche Diabetes Care GmbH | Method and state machine system for detecting an operation status for a sensor |
EP3611944B1 (en) * | 2018-08-14 | 2021-11-24 | Sony Group Corporation | Method and control arrangement for controlling a response time of a wireless sensor device |
JP6625280B1 (ja) * | 2018-12-27 | 2019-12-25 | 三菱電機株式会社 | 異常診断装置および異常診断方法 |
WO2020192937A1 (en) * | 2019-03-28 | 2020-10-01 | Siemens Aktiengesellschaft | Condition monitoring system and method |
CN113449008B (zh) * | 2020-03-27 | 2023-06-06 | 华为技术有限公司 | 一种建模方法及装置 |
US11935077B2 (en) * | 2020-10-04 | 2024-03-19 | Vunet Systems Private Limited | Operational predictive scoring of components and services of an information technology system |
CN115867774A (zh) * | 2021-05-25 | 2023-03-28 | 文雅能源公司 | 一种数据分类装置及方法 |
EP4231659A1 (de) * | 2022-02-18 | 2023-08-23 | Siemens Aktiengesellschaft | Übertragung vorverarbeiteter sensordaten unter einbezug der datenqualität |
CN115278390B (zh) * | 2022-07-29 | 2023-04-07 | 昌建宏程实业有限公司 | 一种通信基站建设用综合机柜结构及其控制系统 |
CN117744890B (zh) * | 2024-02-08 | 2024-05-07 | 人和数智科技有限公司 | 一种人居环境监测优化方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090222142A1 (en) * | 2008-02-29 | 2009-09-03 | Bsafe Electrix, Inc. | Electrical monitoring and control system |
CN102175269A (zh) * | 2011-01-24 | 2011-09-07 | 华东师范大学 | 一种可改变采样频率的传感器设备及其控制方法 |
CN102460529A (zh) * | 2009-06-11 | 2012-05-16 | 株式会社日立制作所 | 装置异常监视方法以及系统 |
CN103426007A (zh) * | 2013-08-29 | 2013-12-04 | 人民搜索网络股份公司 | 一种机器学习分类方法及装置 |
CN103942286A (zh) * | 2014-04-10 | 2014-07-23 | 北京邮电大学 | 一种利用相关系数进行相关性分析的贝叶斯分类数据挖掘方法 |
US20150254719A1 (en) * | 2014-03-05 | 2015-09-10 | Hti, Ip, L.L.C. | Prediction of Vehicle Transactions and Targeted Advertising Using Vehicle Telematics |
CN105046327A (zh) * | 2015-06-03 | 2015-11-11 | 王宝会 | 一种基于机器学习技术的智能电网信息系统及方法 |
CN105550746A (zh) * | 2015-12-08 | 2016-05-04 | 北京旷视科技有限公司 | 机器学习模型的训练方法和训练装置 |
CN105829984A (zh) * | 2013-10-22 | 2016-08-03 | 尼得科电机有限公司 | 机器诊断编码器 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9946244B2 (en) * | 2014-08-25 | 2018-04-17 | Siemens Aktiengesellschaft | Intelligent programmable logic controller |
US11859846B2 (en) * | 2018-06-15 | 2024-01-02 | Johnson Controls Tyco IP Holdings LLP | Cost savings from fault prediction and diagnosis |
-
2016
- 2016-12-14 EP EP16203972.1A patent/EP3336634B1/en active Active
-
2017
- 2017-11-16 WO PCT/EP2017/079397 patent/WO2018108429A1/en active Application Filing
- 2017-11-16 CN CN201780077498.3A patent/CN110050240B/zh active Active
-
2019
- 2019-06-14 US US16/441,028 patent/US11238371B2/en active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090222142A1 (en) * | 2008-02-29 | 2009-09-03 | Bsafe Electrix, Inc. | Electrical monitoring and control system |
CN102460529A (zh) * | 2009-06-11 | 2012-05-16 | 株式会社日立制作所 | 装置异常监视方法以及系统 |
CN102175269A (zh) * | 2011-01-24 | 2011-09-07 | 华东师范大学 | 一种可改变采样频率的传感器设备及其控制方法 |
CN103426007A (zh) * | 2013-08-29 | 2013-12-04 | 人民搜索网络股份公司 | 一种机器学习分类方法及装置 |
CN105829984A (zh) * | 2013-10-22 | 2016-08-03 | 尼得科电机有限公司 | 机器诊断编码器 |
US20150254719A1 (en) * | 2014-03-05 | 2015-09-10 | Hti, Ip, L.L.C. | Prediction of Vehicle Transactions and Targeted Advertising Using Vehicle Telematics |
CN103942286A (zh) * | 2014-04-10 | 2014-07-23 | 北京邮电大学 | 一种利用相关系数进行相关性分析的贝叶斯分类数据挖掘方法 |
CN105046327A (zh) * | 2015-06-03 | 2015-11-11 | 王宝会 | 一种基于机器学习技术的智能电网信息系统及方法 |
CN105550746A (zh) * | 2015-12-08 | 2016-05-04 | 北京旷视科技有限公司 | 机器学习模型的训练方法和训练装置 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11841933B2 (en) | 2019-06-26 | 2023-12-12 | Google Llc | Radar-based authentication status feedback |
CN113853566A (zh) * | 2019-07-26 | 2021-12-28 | 谷歌有限责任公司 | 基于雷达的姿势识别的情境敏感控制 |
US11868537B2 (en) | 2019-07-26 | 2024-01-09 | Google Llc | Robust radar-based gesture-recognition by user equipment |
CN113853566B (zh) * | 2019-07-26 | 2024-05-28 | 谷歌有限责任公司 | 基于雷达的姿势识别的情境敏感控制 |
CN114729708A (zh) * | 2020-03-09 | 2022-07-08 | 金子产业株式会社 | 电磁阀 |
CN114729708B (zh) * | 2020-03-09 | 2024-02-02 | 金子产业株式会社 | 电磁阀 |
CN111622815A (zh) * | 2020-04-20 | 2020-09-04 | 天津大学 | 基于叶尖定时和优化朴素贝叶斯的叶片裂纹在线测量方法 |
Also Published As
Publication number | Publication date |
---|---|
EP3336634B1 (en) | 2020-02-26 |
US20190294998A1 (en) | 2019-09-26 |
US11238371B2 (en) | 2022-02-01 |
CN110050240B (zh) | 2022-11-15 |
WO2018108429A1 (en) | 2018-06-21 |
EP3336634A1 (en) | 2018-06-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110050240A (zh) | 用于监视技术系统的状态的计算机系统和方法 | |
EP3902992B1 (en) | Scalable system and engine for forecasting wind turbine failure | |
US20220137613A1 (en) | Method and system for predicting failure of mining machine crowd system | |
US20170178311A1 (en) | Machine fault detection based on a combination of sound capture and on spot feedback | |
US10760995B2 (en) | Failure detection device for detecting an issue with a part of a machine | |
US10948103B2 (en) | Methods and apparatus to monitor health information of a valve | |
US10489752B2 (en) | Failure mode ranking in an asset management system | |
US11442444B2 (en) | System and method for forecasting industrial machine failures | |
JP2018524704A (ja) | 予測モデルの動的な実行 | |
US11789431B2 (en) | Vibration-based manufacturing plant control | |
WO2019226559A1 (en) | Coordinating execution of predictive models between multiple data analytics platforms to predict problems at an asset | |
CN111781498A (zh) | 一种设备检测点的数据分析系统 | |
US20200380391A1 (en) | Methods and systems for predicting electromechanical device failure | |
US20210230834A1 (en) | Prime mover mountable hydraulic tool and related monitoring systems and methods | |
US11228820B2 (en) | Generating and/or encoding rotational data for a mechanical element over a digital network | |
Alomari et al. | SHAP-based insights for aerospace PHM: Temporal feature importance, dependencies, robustness, and interaction analysis | |
AU2015200309B2 (en) | Predicting failure of a mining machine | |
EP4336294A1 (en) | System and method for detecting anomalies in a cyber-physical system | |
JP2020047214A (ja) | プラント監視システム | |
WO2022108928A1 (en) | Monitoring laundry machine operation using machine learning analysis of acoustic transducer signal information | |
CN116244444A (zh) | 设备故障诊断方法和装置 | |
Alomari et al. | Results in Engineering | |
AU2016222450A1 (en) | Predicting failure of a mining machine |
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 |