CN110073304B - 用于确定工业机器的当前和将来状态的方法和设备 - Google Patents

用于确定工业机器的当前和将来状态的方法和设备 Download PDF

Info

Publication number
CN110073304B
CN110073304B CN201780079761.2A CN201780079761A CN110073304B CN 110073304 B CN110073304 B CN 110073304B CN 201780079761 A CN201780079761 A CN 201780079761A CN 110073304 B CN110073304 B CN 110073304B
Authority
CN
China
Prior art keywords
event
machine
computer
industrial machine
predictive model
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201780079761.2A
Other languages
English (en)
Other versions
CN110073304A (zh
Inventor
A.科亨
M.迪克斯
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.)
ABB Schweiz AG
Original Assignee
ABB Schweiz AG
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 ABB Schweiz AG filed Critical ABB Schweiz AG
Publication of CN110073304A publication Critical patent/CN110073304A/zh
Application granted granted Critical
Publication of CN110073304B publication Critical patent/CN110073304B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
    • G05B19/4155—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by programme execution, i.e. part programme or machine function execution, e.g. selection of a programme
    • 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
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
    • G05B23/0254—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, Neural Networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • 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
    • G06N5/04—Inference or reasoning models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/33—Director till display
    • G05B2219/33139—Design of industrial communication system with expert system

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Automation & Control Theory (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Human Computer Interaction (AREA)
  • Manufacturing & Machinery (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Algebra (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

第一工业机器（110）将历史事件数据（130）提供给生成预测模型的模型生成计算机（101）。行为预测计算机（102）将模型（150）与来自第二机器（120）——受监督的工业机器（IMUS）的过去和当前数据（140）组合使用，以及将反馈提供给IMUS。两个机器（110、120）都具有共同的性质。生成预测模型包括：获得事件特征和事件向量，以将向量聚类并且将聚类指派到机器状态；以及标识机器状态转移的概率。特征、向量以及聚类通过处理技术来处理，其中，技术中的一些是自然语言处理技术（NLP）。

Description

用于确定工业机器的当前和将来状态的方法和设备
技术领域
本描述一般涉及由计算机系统处理来自工业机器的事件数据，并且更具体地涉及处理事件日志并且预测工业机器的行为。
背景技术
出于各种原因，几乎每个工业机器（或其它工业装备）有时出故障或损坏。维护和维修活动不能避免。机器操作者通过监视机器、通过收集并且评估数据（关于机器）并且通过与机器交互来监督机器（例如，以维护或维修机器）。由此能够使机器故障的发生最小化。然而，存在许多约束，并且，在此仅能够列举约束的一些方面。
第一方面涉及数据质量和量。机器数据来自传感器、来自控制单元或其它源，并且，数据在所谓的事件日志中能够是可用的。日志能够是具有针对关键事件（诸如，警报或警告）的码和针对非关键事件（诸如，对机器的操作进行编档的码）的码的长列表。潜在地，存在大约10000个不同的码。这对于人为对码进行解码来说，是困难、耗时并且易于出错的。
第二方面涉及识别时间和反应时间。事件数据能够给出暗示：即刻预期到例如在机器人机器与物理接近机器人的物品之间的碰撞（或其它不希望的事件）。码不一定是针对关键事件的码。对于任何人类操作者都没有足够的时间来提前预计碰撞并且使机器人停止。
第三方面涉及协助人类操作者的计算机。计算机需要以最小化的信号传播延迟（从传感器到计算机、机器）和最小化的处理延迟（在计算机内）实时处理事件数据，以便计算机（以及随后人类操作者）能够在实际发生错误之前作出反应。
第四方面涉及数据处理的准确度。例如，在不正确的数据处理（“误警报”）的情况下使机器停止也是不期望的。
第五方面涉及对于在一天的具体时间期间（例如，在工作班次之间、在调度的休息期间）的维护而言工业机器的可利用性。理论上，工业机器能够在任何时间被关断以便维护，但技术资源会被浪费，更不必说由中断产生的其它可能的影响。
这些约束影响效率和有效性。监督工业机器需要改进。
Ball等人的US 2015/0378807 A1解释预测生产过程中的故障的方法。过程的组成部分与故障事件组合标识，其中，故障事件与诸如零件耗尽之类的含义相关联。预测将取决于时间的变量用作输入。
发明内容
根据本发明的实施例，所提到的约束通过用于预测受监督的工业机器（IMUS）的行为的方法、计算机程序以及计算机系统来解决。如本文中所使用的，预测结果是确定机器的当前和将来状态。
第一工业机器将事件数据提供给生成预测模型的模型生成计算机。事件数据是历史数据。行为预测计算机将模型与来自第二机器——IMUS的过去和当前数据组合使用，以及将反馈提供给IMUS。第一和第二机器两者具有共同的性质，因此，预测模型适用于用于训练的机器和用于监督的机器两者。可能出于两个目的而使用同一个工业机器。在这样的情形下，机器作为第一机器操作以提供历史数据，并且随后（当已至少初始生成模型时），机器作为第二机器IMUS来操作。
生成预测模型包括：获得事件特征和事件向量，以将向量聚类并且将聚类指派到机器状态；以及标识机器状态转移的概率。特征、向量以及聚类通过技术来处理，其中，技术中的一些是自然语言处理（NLP）技术。预测模型适合于接收（IMUS的）事件表示作为输入并且提供转移概率作为输出。可选地，给IMUS提供反馈。虽然预测模型是语义不可知的，但在与专家和操作者用户的交互期间添加语义增强模型。增强的模型给IMUS提供反馈作为控制信号。使用预测IMUS的行为的模型在短处理时间内被优化。因此，提高了效率和有效性。
用于预测IMUS的行为的方法具有两个互补的子方法：生成预测模型和预测IMUS的行为。子方法使用来自机器的事件数据：生成预测模型的历史数据以及要由预测模型处理的过去/当前数据。
附图说明
图1图示预测工业机器的行为的计算机实现的方法的概览；
图2图示以事件日志的形式提供事件数据的工业机器，并且图示使用预测反馈的受监督的工业机器（IMUS）；
图3图示用于预测工业机器的行为的方法，其具有用于生成预测模型的方法和用于预测行为的方法；
图4图示事件日志的示例，其具有多个事件表示，事件表示具有诸如时间戳和事件码之类的元素；
图5图示简化的坐标图，其中，向量表示事件特征；
图6图示由模型生成计算机生成的预测模型，其中，该图以第一粒度图示模型；
图7以第二粒度图示预测模型；
图8图示如由行为预测计算在操作中使用的预测模型；
图9图示人类用户与计算机之间的交互；以及
图10图示可以与在此描述的技术一起使用的通用计算机装置和通用移动计算机装置的示例。
具体实施方式
概览
图1图示预测工业机器的行为的计算机实现的方法的概览。术语“行为”代表工业机器在其操作期间的技术状态的序列。如从左到右图示的，存在两个工业机器和两个计算机活动。工业机器110是历史数据提供者机器（或训练机器），并且工业机器120是得益于预测的受监督的机器。计算机活动I是观察来自工业机器110的事件数据130（事件表示）并且得出预测模型150的模型生成活动。事件数据130在它在模型生成活动之前是可用的意义上是历史数据。计算机活动II是行为预测活动，其将预测模型150与来自机器120的事件数据140组合使用，以及可选地将反馈160提供给工业机器120。反馈160能够是干涉工业机器120的操作的控制信号。反馈160还能够响应于预测结果（具有IMUS的当前和将来状态）导致用户与IMUS的交互。
如下面更详细地解释的，事件数据具有一些约束（例如，数据量和定时不一致性），使得仅凭事件数据本身并不适合于预测。使用预测模型150克服这些及其它约束。
描述和附图涉及单个机器，但该方法还能够应用于机器的组合。例如，机器能够在具体的工业过程中合作：机器A能够抓住一件材料，机器B能够处理该件材料，机器C能够对它进行清洁等等。机器A、B以及C能够位于所谓的机器单元（machine cell）内。出于安全及其它原因，如果该单元中的一个机器正被停止，则其它机器正自动地被停止。机器A、B和C的组合ABC能够被视为单个机器。
同样地，该方法还能够应用于机器的构件，例如，仅应用于电动机。具体的构件能够被当作机器110和120使得预测与构件有关。
工业机器110和120具有共同的性质：
a）机器（至少）具有可能发生的共同的事件集。
b）机器具有（至少一些）共同的构件（例如，类似类型的电动机），或机器属于类似类型（例如，两者都是来自相同制造商的工业机器人）。
c）共同的事件与共同的构件有关。
因此，两个工业机器，即，历史数据提供者机器110和受监督的机器120都表现出类似行为。
例如，如果机器110和120两者都具有作为构件的直流（DC）电动机，则一些事件对于DC电动机是典型的，其中，换向器电刷的故障是典型的。事件“电刷故障”是与共同的构件DC电动机有关的共同事件。另一方面，如果机器110将使用DC电动机，而机器120将使用AC电动机，则构件是不同的。仅DC电动机的事件（例如，电刷故障）将不会对AC电动机造成影响。将不存在与共同的构件有关的共同事件。换言之，机器110和120两者都需要符合条件，否则，此类事件可能无助于该模型。
将此示例简化。由于不符合条件，该模型关于该条件会不准确。因此，预测可能变得不准确。例如，将具有DC电动机的机器的模型应用于具有AC电动机的机器（如IMUS）可能得出将不会与IMUS的实际情况对应的状态（和/或状态转移）。然而，容差是可存在的。在此示例中，AC电动机可能从不进入将在DC电动机故障（或其它）事件之前发生的状态。
为了便于解释，活动被分离地图示和描述，如同计算机活动在相继的阶段实行那样。本领域技术人员理解，在实际实现中，两个计算机活动能够大致同时实行。一旦初始预测模型变为可用（即，得自活动I），预测（即，活动II）就能够启动。但是，模型生成（活动I）继续，以便随着时间推移，初始预测模型变成更准确的预测模型（即，变得对约束越来越敏感的模型）。
通过图示和描述进行的分离是便利的，但同一个机器能够提供历史数据，并且随后变成IMUS。
两个活动都被描述为计算机实现的方法：用于生成预测模型的方法（参见图3，301）和用于预测行为的方法（参见图3，302）。因此，存在模型生成计算机101和行为预测计算机102。计算机101和102两者的组合被称为计算机系统100。
方法能够由相同计算机系统实行。在这样的情形下，计算机系统100能够实现为单个计算机系统。
对于针对实际的工业现场的使用的实现可以使用分离的计算机系统。模型生成计算机101能够由对于工业机器远程定位的计算机来实现，例如，由经由广域网（例如，经由因特网）从机器110接收数据的、服务器场（例如，“计算机云”，模型生成作为软件即服务（SaaS））中的计算机来实现。行为预测计算机102能够在工业现场上实现，以便使从机器120中的事件日志单元（event log unit）到计算机102的信号传播延迟最小化。本领域技术人员能够根据计算能力来选择计算机。要注意，重点的划分（训练对操作）能够节约计算资源，这是因为预测计算机102不需要用于训练的资源。
模型生成还能够被描述为训练模式中的计算机（或计算机系统）（即，计算机101）。一旦初始生成了模型，就能够（不仅通过使用来自机器110的历史数据，而且还使用来自机器120的历史数据来）对该模型进行训练。行为预测还能够被描述为操作模式（因为工业机器正被操作，即，计算机102）。
关于计算机到工业机器120的实时连接，模式能够被认为是“离线模式”（在训练期间未连接）和“在线模式”（处于操作模式的同时，连接以提供反馈）。因此，事件数据130能够被认为是“静态的”（在期望的训练期间未改变），并且事件数据140能够被认为是“动态的”（通常，新的事件表示不断地到达）。
如在此使用的，术语“历史”指（在计算机101中）实行模型生成之前的时间，例如，事件数据130是历史数据。
如本文中所使用的，“过去”、“当前”以及“将来”与行为预测计算机102的操作期间的任何给定的时间点（时间戳、计算机系统时间）关联使用。机器120提供作为事件数据140的数据（其为过去的数据，时间戳在系统时间之前）。计算机102导出对于机器120的机器状态（S1、S2等等），其为过去状态（因为，状态发生的时间在系统时间之前）。计算机102还导出当前状态，其为如在系统时间在计算机102中表示的机器120的状态。计算机102还导出一个或多个将来状态，其中“将来”在系统时间开始，并且延伸到感兴趣的时段（T INT）内。导出当前/将来状态并且可选地导出给机器120的反馈所耗费的处理时间（计算时间）需要被最小化。这通过使用该模型来实现。换言之，该计算实时地实行（以便计算结果提早变为可用：在系统时间或最迟在T INT结束之前）。预测模型150被优化，以便由计算机102（例如通过使用针对具体事件数据返回（一个或多个）状态的查找表来）快速访问。计算机102导出当前/将来状态所耗费的时间间隔能够被忽视。
感兴趣的时段与反馈160的需要和反馈160的可用性有关。计算时间和感兴趣的时段T INT两者都使得给机器120的反馈能够生效，以便使机器的操作的后果（风险）最小化。示例可能与上面的方面有关。紧急停止必须立即实行，以便该时段非常短。在该时段较长的情况下，维护能够等待直到调度了机器停止为止的反馈同样是有价值的。
模型生成计算机101具有实行该方法的模块，该模块包括用于通过第一组技术和第二组技术来处理的模块。
事件和状态的语义
事件、状态以及反馈能够具有与工业机器的技术状态有关的语义含义。优点在于，由本发明实行的方法是语义不可知的。语义含义能够在大致任何时间点通过与人类用户交互来添加。
语义含义通过示例来解释：工业机器的人类操作者对防止机器故障等等感兴趣。在预测到的事件（例如，所提到的碰撞）之前向用户呈现的控制信号（或警告信号）帮助避免损害。在此情况下，用户仍然能够命令机器紧急停止。这同样能够是自动化的。
换言之，该反馈可能对将来造成影响，但控制信号需要以具有适当含义（例如，让机器停止）的具体机器特定的格式应用于机器。
机器示例
图2图示将事件数据130作为事件日志230来提供的工业机器210（参见图1中的机器110），并且图示使用预测反馈260（参见图1中的160）的工业机器220（其受监督，参见图1中的IMUS 120）。
举例来说，工业机器210被描述为具有电动机212、控制单元214（其运行具有控制指令的控制程序）、机器人操纵器216以及事件日志单元218（其输出事件日志230）的工业机器人（或“机器人单元”）。工业机器220具有类似构件：电动机222、控制单元224以及机器人操纵器216。通常还提供事件日志记录（日志单元228和日志240）。
实际事件是例如控制程序启动、电动机启动、使电动机停止、检测超过阈值（例如，电动机212或操纵器216的速度超限）的技术参数、使操纵器在具体的方向移动（向前运动、向后运动）。
事件日志单元218提供事件日志230，其中，每个事件由时间戳（针对具体的时间点）和事件码表示。
提供事件日志是现代工业机器的标准功能。事件码表示事件的细节。如本文中所使用的，事件码是串（具有例如4个数字字符）。还能够使用其它约定（例如，具有其它数量的数字字符、字母-数字字符的串）。码能够被当作用自然语言表达的字。自然语言处理和序列挖掘因此是适合于处理事件日志的技术，但还能够使用其它技术。
时间戳例如作为yyyy（年）、mm（月）、dd（日）、hh（小时）等等被给出。
例如，控制单元214在2016年1月1日上午2点钟启动控制程序的执行，对于该事件的表示为：
2016-01-01 02:00:48/2211。
实际事件具有不等的重要性，一些事件（例如，启动/停止）属于机器的正常操作。而一些其它实际事件使工业机器110的操作处于风险，并且需要避免再次发生。或者，至少应使发生的频率最小化。
为了图示这种要避免的事件，图2还示出能够属于机器人或能够放置在操纵器216的可及范围内的物品219。物品219能够是例如具有材料的盒、安全护栏、地面地板或任何其它物理物体。在此示例中，当操纵器216触碰物品219时，发生事件“碰撞”，在事件日志230中，这例如被编档为：
2016-01-01 05:33:16/6777。
该日志指示检测该事件的时间点，但为了简单起见，信号传播时间（从该事件到该事件的编档）被忽略。
在工业机器220中，操纵器226未触及物品229，因为，对控制单元224的反馈260（其来自计算机102，参见图1）已防止这种情况。其它工业机器（诸如，接收反馈260’的机器220’）能够得益于相同模型（尺度效应）。
因此，期望预测事件以及尤其是预测要避免的事件。由于预测耗费时间，因此需要缩短预测时间。然而，由人类操作者检查事件日志耗费大量时间。同样地，人类操作者难以从着眼于码来预测事件。本描述现在通过解释预测模型来聚焦于计算机支持的预测。
方法
图3图示用于预测工业机器的行为的方法300，其中方法301用于生成预测模型（左侧），以及方法302用于预测行为（右侧）。
（左侧）计算机实现的方法301是下述方法：用于生成预测模型150（供处理机器-事件-数据中使用），以预测IMUS 120的行为，其中确定当前和将来状态。
在步骤接收311中，计算机101接收具有具体事件的多个事件表示430的事件日志230，所述具体事件在观察时间间隔T期间，在具体工业机器110/210的操作期间发生。具体工业机器110/210和IMUS 120具有共同的性质。事件表示430包括时间戳431和事件码432。
在步骤获得312中，计算机101从事件表示430获得事件特征Fn，并且将特征组合到特征向量中。由此，计算机101使用第一组的技术。
在步骤聚类313中，计算机通过使用第二组的技术将特征向量聚类成多个向量聚类。由此，计算机101将向量聚类指派到机器状态。
在步骤标识314中，计算机101标识机器状态之间的状态转移概率P。
在步骤提供315中，计算机101提供预测模型150。该模型适合于从IMUS 120接收事件表示430作为输入，并且适合于将状态转移概率P作为输出提供给IMUS 120。
可选地，在步骤接收311事件日志中，计算机101接收具有事件码432的多个事件表示，事件码432是具有字符的串。
可选地，在步骤从事件表示430获得312事件特征（并且将特征组合到特征向量中）中，特征描述以下项中的至少一个：
#在观察时间间隔期间发生多次的具有具体事件码的事件的频率，
#观察时间间隔内在事件之间的预定义的时隙内的、由第一码表示的第一事件的发生和由第二码表示的第二事件的发生，
#以及具有在第一事件与第二事件之间发生的预定义的最大数量的事件的、第一事件的和第二事件的发生。
可选地，在步骤（从事件表示430）获得312事件特征（Fn）（并且将特征组合到特征向量中）中，计算机101通过使用包括以下项中的任一项的第一组的技术来确定和组合特征：
#跳字方法，
#连续词袋方法、通过主题建模，以及
#检测预定义的时间间隔内的事件码的成对同时发生。
可选地，在步骤聚类313（将特征向量聚类成多个向量聚类）中，计算机101使用包括以下项中的任一项的第二组的技术：k-均值、模糊c-均值、期望最大化聚类、仿射传播、作为DBScan或最大边缘聚类的基于密度的算法。
可选地，在步骤标识314（机器状态之间的状态转移概率P）中，计算机101提供作为预测模型150的一部分的状态序列模型的结果（参见图7）。
可选地，在步骤提供315（具有事件码作为输入并且具有状态转移概率作为输出的预测模型）中，计算机101与专家人类用户交互，以便接收与事件码和机器状态有关的语义含义。
（右侧）计算机实现的方法302是用于预测IMUS 120的行为的方法。在步骤接收321中，计算机102接收从工业机器110接收先前从历史事件数据130生成的预测模型150，工业机器110与IMUS120具有共同的性质。预测模型150已通过使用第一组的和第二组的技术来生成。（预测模型150是根据方法301生成的模型。）在步骤接收322中，计算机102从IMUS 120接收具有事件表示430的当前和过去事件数据（日志140）。在步骤处理323中，计算机102处理事件表示430作为对预测模型150的输入，并且输出IMUS 120的状态的转移概率。
存在下述另外的-可选的步骤：将反馈160/ 260转发324到IMUS 120，并且用于与专家人类用户991交互（与操作者人类用户992或与一般用户交互），以将反馈160/260关联到控制信号以用于干涉IMUS 120的操作。
（着眼于该图的两侧）存在用于预测IMUS 120的行为的计算机实现的方法300。首先，计算机（例如，计算机101）实行方法301。其次，计算机（例如，计算机102）实行方法302。
用于预测IMUS 120的行为的计算机实现的方法300是利用以下步骤的方法：
#通过从具体工业机器接收具有事件的事件表示的历史事件数据、通过获得事件特征和事件向量、通过将向量聚类以将聚类指派到状态、通过标识状态转移概率、以及通过提供具有事件码作为输入和转移概率作为输出的预测模型，来生成301预测模型150，其中，具体工业机器与IMUS具有共同的性质；以及
#通过使用以具有来自IMUS的事件表示的当前和过去事件数据作为输入的预测模型，以及通过输出IMUS的状态的转移概率，来预测302 IMUS的行为。
图3还图示计算机程序或计算机程序产品。该计算机程序产品在被加载到计算机的存储器中并且由计算机的至少一个处理器执行时，实行计算机实现的方法的步骤。换言之，图3中的框图示方法301和302。
事件和特征
图4图示对于具有多个事件表示431/432（即，其具有元素时间戳431和事件码432）的事件日志430的示例（参见130/230）。事件日志属于机器110/210（参见左侧）。该图示出列标记，但在实际实现中，不要求标记。如以虚线图示的，事件日志430还能够通过指示事件描述433和严重性等级434来增强。这样的指示便于解释，但不一定被计算机101使用。在此示例中，严重性等级由3个等级值（信息、警告、错误）给出。
为了便于解释，时间戳在此还由从事件01到事件M（索引m）的事件ID给出。在此示例中，以秒的粒度来提供时间戳。然而，在具体的秒内，可能存在不止一个事件表示431/432。例如，事件09、10以及11共享相同时间戳。因此，由其表示事件的序列可能与该事件实际发生的序列不同。
事件日志430给出对于观察时间间隔T期间的事件的事件表示。
如本文中所使用的，大写字母T指示以小时、分钟以及秒钟（hh mm ss）给出的持续期或时间间隔。这被简化：对于较长的持续期（日DD、月MM、年YY、YYYY等等）或较短的持续期（零点几秒）的单位也能够被编码。在图4的示例中，对于事件日志430的观察时间间隔T为大约6个月。
有可能以不同的持续时间粒度提供事件日志。总观察时间间隔T内的事件日志能够分成部分间隔（T1+T2+T3……<=T）的多个事件日志。如果机器110没有活动，则日志记录事件能够被中断。使用固定规则也是可能的（例如，T1、T2、T3等等的相等持续期）。
为了便于解释，将假设，一个具体事件日志430（观察时间间隔T）得出一个具体模型。如上文中所提到的，能够增强初始模型。这与另外的事件日志（超出T）的使用对应。
由于在工业机器中，事件发生于不同位置，因而事件发生和时间戳可能不同。定时不一致性不应当被忽视。例如，可能恰巧较早发生的事件由较迟的时间戳表示，而较迟发生的事件由较早的时间戳表示。事件具有（能够比时间戳粒度更长的）持续期，并且，持续期可能不同。因此，事件m-1不能在所有情况下都被视为事件m的前一个事件。这造成评估事件和标识反馈160（参见图1）的后果，但特征方法（参见图5）对于这样的不一致性是稳健的。
例如，能够建立规则，以便一旦检测到事件m的码6777和事件m+1的码2213，就关断机器120（其为反馈160/260）。然而，至少出于诸如以下一些原因，这样的规则将不会可靠：
（i）两个码都能够以对于m的2213和对于m+1的6777的相反顺序来表示，
（ii）能够在6777与2213之间找到其它事件表示。
生成预测模型150不关心此类潜在的不一致性。预测模型150不只是以事件粒度生成，而且还以尺度上升到状态粒度的特征生成。如上文中所提到的，计算机101接收事件数据130，并且由向量表示事件特征。本描述现在着眼于能够从事件日志430（即，从该日志中的事件表示）获得的事件特征Fn（F1到FN）。
本领域技术人员能够使用标准方法。用于处理特征和向量的技术还从自然语言处理（NLP）获知，并且能够在此使用。下文总结能够单独或组合使用的第一组技术，其中，这些技术如下：
（a）跳字方法，其为NLP技术（在下文中解释：Guthrie, David, 等人的“A closerlook at skip-gram modelling.”Proceedings of the 5th international Conferenceon Language Resources and Evaluation (LREC-2006). 2006.）
（b）连续词袋方法，其同样为NLP技术（在下文中解释：Tomas Mikolov, Kai Chen,Greg Corrado, and Jeffrey Dean.“Efficient estimation of word representationsin vector space.”ICLR Workshop, (2013) and Tomas Mikolov, Ilya Sutskever, KaiChen, Greg S. Corrado, and Jeff Dean.“Distributed representations of wordsand phrases and their compositionality.”In Advances in neural informationprocessing systems, pp. 3111-3119. 2013.）
（c）主题建模（在下文中解释：Wallach, Hanna M. “Topic modeling: beyondbag-of-words.”In Proceedings of the 23rd international conference on Machinelearning, pp. 977-984. ACM, 2006.）
（d）预定义的时间间隔内的事件码的成对同时发生的检测。
预测模型150的准确度随着观察时间间隔T的长度而提高。为了供工业机器使用，T具有周或月的数量级。本描述指的是在六个月的观察时间间隔T的前六小时内发生的事件01到21的示例。
特征Fn具有在如下的注释中给出的特征值:
F(n,码)
其中，n是特征索引，以及“码”代表具体事件码。还有可能针对具体事件定义特征（注释为例如a(n,m)）。
本描述解释大大地简化的3个特征。
特征1涉及等同编码的事件的发生的数量。换言之，特征1涉及日志历史中的每个事件码的频率。在此示例中，事件01、05以及12被编码为“2211”，得出下面的特征值：
a(1,2211)=3、a(1,2211)=3、a(1,2211)=3。
事件07和14被编码为“6444”，得出下面的特征值：
a(1,6444)=2、a(1,6444)=2。
首要地，（T内的）每个事件能够与对于该特征的值相关联。此外，使此示例简化，在T内数量较高（数量级：180*4 =720）。
特征2涉及事件码与（所有）其它事件码的同时发生。在说明性的示例中，特征2利用第一事件（具有具体的第一码）和第二事件（具有具体的第二码）的时间戳来解释。在两个时间戳之间存在间隔。例如，第一码为“2211”，并且，第二码为“1234”。
从事件01到02，时隙为00:00:14。
从事件05到06，时隙为00:00:55。
从事件12到13，时隙为00:00:09。
特征值（在此与事件有关）为：
a(1,01)=00:00:14、a(1,05)=00:00:55、a(1,12)=00:00:09。
特征值能够例如通过求平均值或设置中值来进一步处理。
特征3涉及上文中所提到的标准方法其中之一。其它特征能够例如通过标识一天的时间内的事件的发生概率（例如，事件直方图），将事件码关联到时间戳的周期性的反复发生。对于每个具体事件码（或对于事件），存在高达N个特征。
图5图示简化的多维坐标图，其中，向量V表示事件特征。事件特征能够属于具体事件（例如，具有码2211的实际事件01），或能够属于具体事件码（例如，码2211，但与具有该码的具体事件无关）。简化的向量由括号V（1）、V（2）以及V（3）中的数字来图示。
为了将图示简化，坐标图仅具有对应于特征F1（水平）和F2（垂直）的两个维度。向量坐标对应于特征值；存在对于特征F1和对于特征F2的数值。换言之，组合的特征值能够被视为如图示为向量V（1）、V（2）以及（V（3））那样的向量V。
虽然二维向量能够容易地图示（如在图5中，例如，从括号到坐标原点），但是注意，“向量”及其图形呈现仅为便于图示。由于存在N个特征F1…Fn…FN，因而存在N个维度（也被称为“N维空间”）和具有特征的数据结构。多维性仅仅通过另外的坐标轴Fn来标志。
图示向量V（1）和V（2）接近，并且，在一定距离图示向量V（3）。这指示机器的状态（或状况）。诸如“程序启动”和“电动机启动”之类的事件指示正常操作，并且，诸如“检测到碰撞”和“程序暂停”之类的事件指示故障。
然而，在这一点上，不需要添加语义含义。事件/码与机器状态的关联通过聚类来实行。计算机101（参见图1）将向量与由虚线区符号图示的聚类相关联。聚类C1包括V（1）和V（2），并且，聚类C2包括V（3）。换言之，将所提到的数据结构（即，向量）聚集。
聚类技术对于本领域技术人员是可用的。聚类技术以及出于相同目的的其它技术（例如，无监督学习）是已知的，并且能够在此使用。下文总结能够单独或组合使用的第二组技术：将事件或码根据其在N维空间中的接近性来编组的适合的聚类方法例如通过下文来解释：Rasmussen, Edie M.“Clustering Algorithms.”Information retrieval: datastructures & algorithms 419 (1992): 442。更详细地，另外的方法为：
（a）K-均值（在下文中解释：Kanungo, Tapas等人的“An efficient k-meansclustering algorithm: Analysis and implementation.”IEEE transactions onpattern analysis and machine intelligence 24.7 (2002): 881-892.）
（b）模糊c-均值（在下文中解释：James C. Bezdek, Robert Ehrlich, andWilliam Full.“FCM: The fuzzy c-means clustering algorithm.”Computers &Geosciences 10.2-3 (1984): 191-203.）
（c）EM聚类（在下文中解释：Bradley, Paul S., Usama Fayyad, and CoryReina. Scaling EM (expectation-maximization) clustering to large databases.Redmond: Technical Report MSR-TR-98-35, Microsoft Research, 1998.）
（d）仿射传播（在下文中解释：Delbert Dueck. Affinity propagation:clustering data by passing messages. Diss. University of Toronto, 2009.）
（e）如DBScan那样的基于密度的算法（在下文中解释：Thanh N Tran, KlaudiaDrab, and Michal Daszykowski.“Revised DBSCAN algorithm to cluster data withdense adjacent clusters.”Chemometrics and Intelligent Laboratory Systems 120(2013): 92-96.）
（f）如最大边缘聚类那样的基于密度的算法（在下文中解释：Zhang, Kai, IvorW. Tsang, and James T. Kwok.“Maximum margin clustering made practical.”IEEETransactions on Neural Networks 20.4 (2009): 583-596）
改变粒度的聚类
聚类改变粒度：在此示例中，聚类将（多个）13个不同的事件码（即，1234、1235、1800、2211、2211、2212、2213、2214、6421、6444、6528、6555、6777）聚集成6个状态。（在实际实现中，存在不同的较高数量）。聚类能够是有利的，因为，聚类降低对人类操作者示出的技术状态信息的复杂性。由于人类操作者需要在短时间内标识工业机器的关键（预故障）状态，因而呈现状态（而不是事件码）例如通过降低人为错误的可能性能够是有利的。
换言之，聚类将低级事件码改变成高级状态码。语义含义能够如结合图8来解释的那样添加。
图6-7图示由模型生成计算机701以不同粒度生成的模型650/750，并且，图8图示如由行为预测计算机802在操作中使用的模型850。在操作中，模型850使计算机802能够提供（机器状态之间的）状态转移概率作为输出（参见图8）。系统802通过提供进入将来的具体状态的可能性来预测行为（在此：将来技术状态）。
图6-7通过输入处的粒度来区分：图6专注于与事件码有关的状态和转移概率，以及图7专注于与过去状态以及与当前状态有关的状态和转移概率。
两个图都图示图解，这便于解释。实现使用由计算机处理的数据结构，但不需要向人类用户呈现图解。
如图6中那样，存在模型生成计算机101已例如通过应用统计从聚类（参见图5）导出的机器状态S1、S2以及S3。图6使用箭头来示出从第一状态间隔期间的状态到随后的第二状态间隔中的状态、从“旧”到“新”的转移概率P。黑体箭头指示接收到具体事件（其具有具体事件码“1235”）的表示时，从状态S1到状态S1、从S1到S2以及从S1到S3的转移概率 P。转移能够是使得新状态与旧状态完全相同（例如，从S1到S1）的状态内转移。
在此示例中，工业机器210自时间点02:01:02起处于状态S1（参见图4）。发生了事件，并且，模型生成计算机101已接收到事件码“1235”。在码“2212”发生以下事件。在间隔T内，发生类似的和不同的事件序列，它们当中：类似的序列（参见ID 03和04、10和11、M-1和M处的1235、2212）；以及不同的序列（参见ID 17和18处的1235、1800）。计算机101已标识聚类（如上所述），并且已计算转移概率。（在接收到码1235时）存在机器依然处于状态S1（即，从S1转移到S1）的0.85的概率、从S1转移到状态S2的0.10的概率以及从S1转移到S3的0.05的概率。
在一般注释（针对从S2到S1的转移所图示）中，存在概率P(旧状态,新状态,条件)。
如果该条件与事件码有关，则存在从不同的事件码到不同的状态（多到一）的指派。
条件能够不同地定义。在具有事件作为输入的粒度中，条件能够例如是：
（i）具体事件码（例如，图6中的1235）的到达能够与到具体状态的转移有关。不同的码能够触发转移，因此，这是“许多码到一个状态”指派。
（ii）其间具有预定义数量的无关事件码（例如，序列中的2211和1234，其间具有零和预定义的数量）的两个或更多个事件码（即，多个事件码）的序列的到达同样能够被指派到到具体码的转移。这是“许多码的组合到一个状态”指派。
（iii）其间具有无关的事件码（例如，时间间隔内序列中的2211和1234，参见上文）的预定义的时间间隔的两个或更多个事件码的序列的到达。这仍是“许多码的组合到一个状态”指派。
如图7中那样，粒度改变。状态之间的概率（P(旧状态,新状态,条件)）可能取决于作为状态的条件。换言之，状态转移可能取决于过去和/或当前状态。
过去状态（即，机器110过去示出的状态和状态转移，例如从S1到S2的转移）和当前状态（即，具体状态，例如S2）输入到状态序列模型（MSS）（其为模型150的一部分）。模型输出进入将来的具体状态的可能性。这在没有另外的条件的情况下图示：P(2,3)=0.40、P(2,2)=0.40，P(2,1)=0.18、P(2,4)=0.02。
图6-7中的该概览为了解释而简化，本领域技术人员能够应用其它技术来计算概率，例如：
（a）如在下文中解释的BIDE（双向扩展）：Wang, Jianyong, and Jiawei Han.“BIDE: Efficient mining of frequent closed sequences.”Data Engineering, 2004.Proceedings. 20th International Conference on. IEEE, 2004。
（b）在下文中解释的PrefixScan：Han, Jiawei等人的“Prefixscan: Miningsequential patterns efficiently by prefix-projected pattern growth.”proceedings of the 17th international conference on data engineering. 2001。
（c）在下文中解释的递归神经网络：Graves, Alex.“Generating sequences withrecurrent neural networks.”arXiv preprint arXiv:1308.0850 (2013)。
（d）及其它。
这些及其它技术能够应用于训练模型。
使用语义
到目前为止，图6-7尚未图示对于状态的语义的应用。本描述继续讨论预测模型的使用并且调查使用语义的机会。
注意，模型150提供状态（和转移概率）而没有指示（状态的）含义。这造成对于输入（即，事件数据）和对于输出（即，模型）的后果。事件仅仅具有采取事件码（参见图4中的432）的形式的标识符（在语言学上是“能指（signifier）”），状态同样地具有标识符（参见图6中的S1、S2等等），但在与语义含义无任何关联的情况下，该模型为操作性的（在应用于IMUS时）。
图8图示行为预测计算机802的操作。计算机802通信地耦合到（受监督的）工业机器120。它已接收到预测模型150（以及更具体来说是状态序列模型850），并且，它继续（从IMUS 120）接收事件数据840。计算机802处理事件表示（类似于图4中的430）作为对预测模型150的输入，导出过去和当前机器状态，并且提供转移概率（作为反馈860）。能够通过添加语义将反馈增强到控制信号。由于语义，控制信号能够准确地与IMUS交互，并且甚至可能干涉其操作（例如，在即刻碰撞的情况下，关断IMUS）。添加语义还协助人类用户缩短识别和反应时间。语义还例如通过在“误”警报与“正确”警报之间区分来提高处理正确性。
图9图示人类用户与计算机之间的交互。图9类似于图1，并且，图1的框由虚线图示。专家用户991与计算机101交互，以将语义添加到模型中的状态。（通过与用户991的交互）由语义描述符将预测模型150增强到语义增强式预测模型959，诸如，例如：S1被描述为“机器的正常操作”，S2被描述为“电动机的异常操作或（机器人）机器的制动器的异常操作，但仍不是关键的”，S3被描述为“制动器故障”，S4被描述为“齿轮故障”，S5被描述为“模式1中的非计划维护”，以及S6被描述为“模式2中的非计划维护”。
操作者用户992是工业机器120的人类操作者。他或她阅读关于具有/没有语义描述符的状态的信息。计算机102（和/或工业机器120）通常装备适当的用户界面。信息能够（向用户）显示或以其它方式传递（例如，音频消息、对于用户所携带的移动装置的电子通信、短消息服务SMS、电子邮件）。信息能够以操作者用户所期望的格式传递：通过警告灯、通告灯等等来传递。
状态能够是当前状态和（得自预测的）将来状态。信息能够利用帮助用户与机器交互（例如，使机器减速、让机器停顿等等）的预定义的消息来增强。信息能够另外作为（或代替）对机器120的反馈。
状态能够与（到/从具体状态的）转移概率组合呈现。严重性的程度能够联系到概率。
传递到（一个或多个）用户的信息用于改变机器的状态，尤其是干涉IMUS 120的操作以防止故障。
通常，两个用户都是单独的人类个体，但也可能是同一个人。它们的工作时间涉及（计算机101的）训练模式和（计算机102的）操作模式。
行为预测计算机802的操作还能够通过以下示例解释为基本步骤序列：
（1）开始
（2）持续地实时监视机器事件（或“观察”，参见到达计算机802的事件数据840）。
（3）如果新事件表示（参见时间戳431、码432）到达事件日志，则
（3a）阅读新事件日志
（3b）（通过使用先前训练的机器状态模型（参见图6）来）确定当前操作状态
（3c）以语义信息向人类操作者显示当前操作状态（参见操作者用户992（图9））
（3d）对关于当前状态的控制信号（例如，机器120或控制中心中的信号、指示该状态的信号）进行更新
（3e）针对将来感兴趣时段T INT，（使用先前训练的SSM（图7）来）计算状态转移的概率
（3f）以包括置信度的度量的语义显示将来状态
（3g）对关于期望的将来状态的控制信号进行更新
（4）结束
另外的方面
已解释实施例，本描述通过讨论一些另外的方面告终。不需要提前标识状态的语义含义。模型生成计算机101提供具有事件作为输入和转移概率作为输出的模型（参见步骤315），但不要求在机器（110和120）中可能存在什么状态的知识。在此，在计算机内的数据的意义上使用知识。注意，也尚未要求在人类理解的意义上的“知识”，因为语义含义与模型生成无关。潜在地，并不关乎机器的目的。
基于（作为历史数据的事件数据130中的）事件，计算机提供状态和状态间转移概率。不要求将状态（和转移）关联到语义含义。对于生成模型而言，（历史数据中的）事件的含义不作为要求。从事件码（其不传达含义）生成状态（和转移）。因此，不必考虑触发事件的（机器110中的）构件的交互。
当模型150应用于IMUS 120时，计算机102提供状态和状态间转移概率，但仍不要求状态和概率的语义含义。换言之，状态和转移从机器110（具有历史数据）镜像到IMUS 120（具有当前、过去数据）。
在标识符与含义之间存在分离：诸如“电动机启动”的具体事件具有标识符，诸如，数字或文本串、事件码“1234”。实际上（即，在机器110和120中），存在开始旋转的电动机。在语言学的术语中，这对应于能指（标识符）和指称（标识符代表什么）。
但是，模型生成计算机101可能忽略含义。模型生成计算机101通过仅着眼于标识符（例如，“1234”），但通过忽略事件（电动机启动）的含义来提供模型150（参见图3中的方法）。因此，该模型提供与含义分离的状态（和转移概率）。该模型将不会考虑电动机的性质。然而，对于该模型（其用于预测IMUS的行为）的应用，存在两个机器都具有相同的语义含义（例如，共同的构件、共同的事件）的要求。因此，IMUS 120将表现出与训练机器110类似的行为，或者换言之，来自事件数据140的状态（和转移）将类似于来自事件数据130的状态（和转移）。语义含义能够与较迟的时间点的状态有关。
忽略（语义）含义以生成该模型（参见图1的左侧）并且应用该模型（参见图1的右侧）使（计算机101、102的）操作者免于考虑（机器的操作的）先验知识。这可以是胜过上文中所提到的、由Ball 等人的参考文献的优点。
存在递送事件码（其具有时间戳）的工业机器（图1的左侧上的110）。（利用特征、聚类等等）生成模型150，并且，模型150反映状态（和/或转移概率）。目前为止，输入处的事件码尚未与含义（或语义）相关联。因此，存在尚未被指派到含义的状态（和转移）。状态具有诸如“S1”、“S2”之类的码字，但不具有含义。
具有含义“正常操作”的状态不应被转换成关断IMUS 120的控制信号。具有指示故障、异常操作（或IMUS 120或机器构件的异常操作等等）的含义的状态能够转换成改变机器的操作的控制信号。因此，（状态的）码字“S1”被指派到含义“正常”，码字“S2”被指派到“电动机异常”等等。如所解释的，这由人类专家用户进行，但这是在过程结束时进行。
从该观点来看，指派含义（将含义指派到状态）能够被推迟（与Ball 等人相比）。含义的标识能够推迟到事件码已被处理成模型150中的状态/转移的时间点。由于该推迟，指派含义能够以状态（和/或对于转移概率）的粒度完成。由于聚类等等及其它活动，状态的数量低于事件的数量（即，图4中的事件含义433）。这降低复杂性，不太可能造成错误。潜在地，存在另外的优点：在模型正在被生成时，甚至不要求（在对事件的含义指派的意义上的）知识，甚至不要求对于机器构件的互操作的细节。
从不同的观点来看，存在递送事件码（其具有时间戳）的工业机器（如图1的左侧上的110那样）。正在生成该模型，得出状态（和转移概率）。状态（和转移）能够例如在屏幕上向用户呈现。
然后，模型150能够应用于第二机器（即，受监督的工业机器-IMUS，第二机器甚至能与第一机器完全相同），机器将递送事件数据140（码，具有时间戳）。使用模型150将同样得出状态（和/或转移概率）。状态（和转移）同样能够（例如，在屏幕上）向用户呈现。
由于两个机器都具有共同的构件（共同的性质），因而状态/转移将是类似的。但是，状态不具有含义（输入处的事件码也不具有含义，甚至机器的类型仍是未知的）。目前为止，屏幕将示出图片，但与第二机器的交互仍不是可能的。在这一点上，可能已经存在某种益处，因为用户（即，机器的操作者）可以在没有通读事件日志的情况下，更好地理解机器实际上如何工作。这可能已经具有在协助故障排除方面（基于人为的）的效果。状态（和转移）提供对机器的内部状态的概览（这具有技术效果）。
存在隐含的技术动机，诸如避免故障、找到IMUS处的异常等等。状态与技术含义之间的关联在过程结束时出现：例如，码字“S1”、“S2”等等被指派到机器的典型的技术情况。这由专家用户来进行。换言之，特别是在状态能够与机器的技术行为有关的意义上，专家用户能够将一些状态加标签（即，标识）成感兴趣的。
此外，存在码到含义的指派，例如，含义“电动机启动”中的“1234”，但对于生成模型，该指派被忽略。事件码被处理因为它们是可用的，但含义被忽略。有可能在该方法中根本不考虑描述。在本文中的描述（参见图4/433）中，添加含义以使解释简化。注意，这些描述符能够由对机器110进行编程的人来定义，或甚至能够由机器110的人类操作者以编程方式创建。（对码的含义的指派可能因人而异，但由于含义对码的指派被忽略，因而能够一致地生成模型。）不需要事先人工调查可能的事件-含义与状态的关联。
换言之，通过使用历史数据来控制机器（例如，通过如果预测到故障，则命令机器停止）能够使用模型150并且将模型150传递到要控制的机器（IMUS 120）。由于控制要求含义的标识，含义的标识可能被推迟到事件码已被处理成对于模型150的状态/转移的时间点。定义必须标识什么错误的前期努力能够潜在地被避免。本方法甚至允许找到尚未预计的错误。（Ball 等人主张错误的预先预计）。
模型150中的状态是“无含义的”状态，但能够被丰富成 “全含义的”状态。可有利的是，添加含义在（过程）结束时进行，使得模型150的生成是机器不可知的。
在另外的方面，存在计算机实现的方法（301），其用于生成供处理机器事件数据中使用的预测模型（150），以预测受监督的工业机器（120）的行为。该预测包括确定当前和将来状态。
在接收步骤（311）中，计算机接收具有与时间戳（431）相关联的事件码（432）的事件日志（230）。事件码（432）源自在观察时间间隔（T）期间在具体工业机器（110、210）的操作期间发生的具体事件。具体工业机器（110、210）和受监督的工业机器（120）具有共同的性质。在获得步骤（312）中，计算机从事件码（432）和时间戳（431）获得事件特征（Fn），并且将特征组合到特征向量（V（1）、V（2）、V（3））中。由此，计算机使用第一组的处理技术。在聚类步骤（313）中，计算机通过使用第二组的处理技术将特征向量（V（1）、V（2）、V（3））聚类成多个向量聚类（C1、C2）。由此，计算机将向量聚类（C1、C2）指派到机器状态（S1、S2、S3）。在标识步骤（314）中，计算机标识机器状态（S1、S2、S3）之间的状态转移概率（P）。在提供步骤（315）中，计算机提供预测模型（150、750），预测模型（150、750）适合于从受监督的工业机器（120）接收事件表示（430）作为输入，并且适合于将状态转移概率（P）作为输出提供给受监督的工业机器（120）。
图10是示出可以与在此描述的技术一起使用的通用计算机装置900和通用移动计算机装置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、主机及其它适当的计算机。通用计算机装置900可以对应于图1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、智能电话及其它类似的计算装置。例如，计算装置950可以包括如图1中所示的装置的数据存储构件和/或处理构件。在此示出的构件、它们的连接和关系及其功能仅仅意在为示范性的，而并非意在限制在此文档中描述和/或要求保护的本发明的实现。
计算装置900包括处理器902、存储器904、存储装置906、连接到存储器904和高速扩展端口910的高速接口908以及连接到低速总线914和存储装置906的低速接口912。构件902、904、906、908、910以及912中的每个使用各种总线来互连，并且可以安装在共同的母板上或在适当时以其它方式安装。处理器902能够处理用于在计算装置900内执行的指令，包括存储在存储器904中或存储在存储装置906上的指令，以将GUI的图形信息显示在外部输入/输出装置上，诸如，显示在耦合到高速接口908的显示器916上。在其它实现中，在适当时，多个处理器和/或多个总线可以与多个存储器和多种类型的存储器一起使用。同样地，可以将多个计算装置900连接，其中每个装置提供必要的操作的部分（例如，作为服务器库、一组刀片服务器或多处理器系统）。
存储器904将信息存储在计算装置900内。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还可以是另一种形式的计算机可读介质，诸如，磁盘或光盘。
存储装置906能够提供用于计算装置900的海量存储。在一个实现中，存储装置906可以是或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、闪速存储器或其它类似的固态存储器装置或装置阵列，包括存储区网络或其它配置中的装置。计算机程序产品能够在信息载体中有形地体现。计算机程序产品还可以含有指令，指令在被执行时实行诸如上述方法的一个或多个方法。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或处理器902上的存储器。
高速控制器908管理对于计算装置900的带宽密集型操作，而低速控制器912 管理较低带宽密集型操作。这样的功能分配仅仅为示范性的。在一个实现中，高速控制器908耦合到存储器904、显示器916（例如，通过图形处理器或加速器）以及高速扩展端口910，高速扩展端口910可以接受各种扩展卡（未示出）。在该实现中，低速控制器912耦合到存储装置906和低速扩展端口914。可以包括各种通信端口（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耦合到一个或多个输入/输出装置，诸如，键盘、点击装置、扫描仪或诸如交换机或路由器之类的联网装置。
如该图中所示，计算装置900可以用多种不同形式实现。例如，它可以实现为标准服务器920或在一组这样的服务器中多次实现。它还可以实现为机架服务器系统924的一部分。另外，它可以在诸如膝上型计算机922的个人计算机中实现。备选地，来自计算装置900的构件可以与移动装置（未示出）（诸如，装置950）中的其它构件组合。这样的装置中的每个可以含有计算装置900、950中的一个或多个，并且，整个系统可以由彼此通信的多个计算装置900、950构成。
除了其它构件以外，计算装置950还包括处理器952、存储器964、诸如显示器954之类的输入/输出装置、通信接口966以及收发器968。还可以给装置950提供诸如微型驱动器或其它装置的存储装置，以提供额外的存储。构件950、952、964、954、966以及968中的每个使用各种总线来互连，并且，构件中的若干可以安装在共同的母板上或在适当时以其它方式安装。
处理器952能够执行计算装置950内的指令，包括存储在存储器964中的指令。该处理器可以实现为芯片的芯片集，包括多个分离的模拟和数字处理器。该处理器可以例如为装置950的其它构件的协调提供诸如用户接口的控制、由装置950运行的应用以及由装置950进行的无线通信。
处理器952可以通过控制接口958和耦合到显示器954的显示器接口956来与用户通信。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）显示器或其它适当的显示器技术。显示器接口956可以包括用于驱动显示器954以向用户呈现图形及其它信息的适当的电路。控制接口958可以从用户接收命令，并且将这些命令转换，以便提交给处理器952。另外，可以提供与处理器952通信的外部接口962，以便于实现装置950与其它装置的近区通信。外部接口962可以例如在一些实现中为有线通信做准备，或在其它实现中为无线通信做准备，并且，还可以使用多个接口。
存储器964将信息存储在计算装置950内。存储器964能够实现为一个或多个计算机可读介质、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中的一个或多个。扩展存储器984还可以被提供并且通过扩展接口982连接到装置950，扩展接口982可以包括例如SIMM（单列直插式存储器模块）卡接口。这样的扩展存储器984可以为装置950提供额外的存储空间，或还可以存储用于装置950的应用或其它信息。特别地，扩展存储器984可以包括实施或补充上述过程的指令，并且还可以包括安全信息。因而，例如，扩展存储器984可以充当用于装置950的安全模块，并且可以利用许可装置950的安全使用的指令来编程。另外，安全应用可以与额外的信息一起经由SIMM卡来提供，诸如，将标识信息以不可攻击的方式放在SIMM卡上。
如下面讨论的，存储器可以包括例如闪速存储器和/或NVRAM存储器。在一个实现中，计算机程序产品在信息载体中有形地体现。计算机程序产品含有指令，指令在被执行时实行诸如上述方法的一个或多个方法。信息载体是计算机或机器可读介质，诸如存储器964、扩展存储器984或处理器952上的存储器，可以例如通过收发器968或外部接口962来接收。
装置950可以通过通信接口966来无线地通信，在必要的情况下，通信接口966可以包括数字信号处理电路。通信接口966还可以为各种模式或协议下的通信做准备，这些模式或协议诸如：GSM语音呼叫、SMS、EMS或MMS消息发送、CDMA、TDMA、PDC、WCDMA、CDMA2000或GPRS等等。这样的通信可以例如通过射频收发器968发生。另外，短程通信可以诸如使用蓝牙、WiFi或其它这样的收发器（未示出）发生。另外，GPS（全球定位系统）接收器模块980可以将与导航和位置有关的额外的无线数据提供给装置950，可以在适当时由在装置950上运行的应用来使用。
装置950还可以使用音频编解码器960来可听地通信，音频编解码器960可以从用户接收口头的信息，并且使其转换成可用的数字信息。音频编解码器960同样地可以诸如通过例如装置950的听筒中的扬声器来为用户生成可听的声音。这样的声音可以包括来自语音电话呼叫的声音，可以包括所记录的声音（例如，语音消息、音乐文件等等），并且还可以包括由在装置950上操作的应用来生成的声音。
如该图中所示出的，计算装置950可以用多种不同形式实现。例如，它可以实现为蜂窝电话980。它还可以实现为智能电话982、个人数字助理或其它类似的移动装置的一部分。
在此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/或以上项的组合中实现。这些各种实现能够包括在包括至少一个可编程处理器的可编程系统上可执行和/或可解译的一个或多个计算机程序中的实现，可编程处理器可以是专用或通用的，被耦合以从存储系统、至少一个输入装置以及至少一个输出装置接收数据和指令，并且将数据和指令传送到存储系统、至少一个输入装置以及至少一个输出装置。
这些计算机程序（也被称为程序、软件、软件应用或代码）包括用于可编程处理器的机器指令，并且能够用高级过程和/或面向对象的编程语言和/或用汇编/机器语言实现。如本文中所使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给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、可编程逻辑装置（PLD）），包括接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了为与用户的交互做准备，在此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器装置（例如，CRT（阴极射线管）或LCD（液晶显示器）监视器）以及键盘和点击装置（例如，鼠标或轨迹球）的计算机上实现，其中，用户能够通过键盘和点击装置来将输入提供给计算机。其它种类的装置同样地能够用于为与用户的交互做准备；例如，提供给用户的反馈能够是任何形式的感觉反馈（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包括声响、语音或触觉输入的任何形式接收。
在此描述的系统和技术能够在计算装置中实现，计算装置包括后端构件（例如，作为数据服务器）或包括中间件构件（例如，应用服务器）或包括前端构件（例如，具有用户能够借以与在此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）或这样的后端、中间件或前端构件的任何组合。该系统的构件能够通过数字数据通信（例如，通信网络）的任何形式或介质来互连。通信网络的示例包括局域网（“LAN”）、广域网（“WAN”）以及因特网。
计算装置能够包括客户端和服务器。客户端和服务器一般彼此远离，并且通常通过通信网络来交互。借助于在相应的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客户端和服务器的关系。
另外，图中所描绘的逻辑流程不要求所示出的具体顺序或序列顺序来达到期望结果。另外，可以提供其它步骤，或可以从所描述的流程排除步骤，并且，可以将其它构件添加到所描述的系统或从所描述的系统去除。因此，其它实施例在下面的权利要求的范围内。
参考列表
100 计算机系统，101 模型生成计算机，102 行为预测计算机，110 工业机器，120（受监督的）工业机器，130事件数据，140事件数据，150预测模型，160 反馈，210 工业机器，212电动机，214 控制单元，216 机器人操纵器，218事件日志单元，219 物品，230事件日志，220 工业机器，222电动机，224 控制单元，226 机器人操纵器，228 日志单元，229 物品，240事件日志，260 反馈，3xx 方法/步骤，430事件日志，431 时间戳，432事件码，433事件描述，434 严重性等级，701 模型生成计算机，750 模型（正在生成），802 行为预测计算机，850 模型（正在使用），860 反馈，959 语义增强的预测模型，991 专家用户，992操作者用户，9xx 计算机构件，Fn 特征，P 概率，S1、S2等等 机器状态，V 向量，T 观察时间间隔。

Claims (14)

1.一种计算机实现的方法（301），所述方法（301）用于生成预测模型（150），所述预测模型（150）供处理机器事件数据中使用，以预测受监督的工业机器（120）的行为，其中确定当前和将来状态，所述方法（300）包括：
接收（311）具有具体事件的多个事件表示（430）的事件日志（230），所述具体事件在观察时间间隔（T）期间在具体工业机器（110、210）的操作期间发生，其中，所述具体工业机器（110、210）和所述受监督的工业机器（120）具有共同的性质，其中，所述事件表示（430）包括时间戳（431）和事件码（432）；
从所述事件表示（430）获得（312）事件特征（Fn），并且将所述特征组合到特征向量（V（1）、V（2）、V（3））中，由此使用第一组的处理技术；
通过使用第二组的处理技术，将所述特征向量（V（1）、V（2）、V（3））聚类（313）成多个向量聚类（C1、C2），由此将向量聚类（C1、C2）指派到机器状态（S1、S2、S3）；
标识（314）所述机器状态（S1、S2、S3）之间的状态转移概率（P）；以及
提供（315）所述预测模型（150、750），所述预测模型（150、750）适合于从受监督的工业机器（120）接收事件表示（430）作为输入，并且适合于将状态转移概率（P）作为输出提供给所述受监督的工业机器（120）。
2.根据权利要求1所述的方法（301），其中，接收（311）具有所述多个事件表示（430）的所述事件日志（230）包括接收作为具有字符的串的所述事件码（432）。
3.根据权利要求1-2中的任一项所述的方法（301），其中，在从所述事件表示（430）获得（312）事件特征（Fn）并且将所述特征组合到特征向量（V（1）、V（2）、V（3））中的步骤中，所述特征描述以下项中的至少一个：
在所述观察时间间隔（T）期间发生多次的、具有具体事件码（432）的事件的频率；
所述观察时间间隔（T）内在所述事件之间的预定义的时隙内的、由第一码表示的第一事件的发生和由第二码表示的第二事件的发生；以及
具有在第一事件与第二事件之间发生的预定义的最大数量的事件的、所述第一事件的和所述第二事件的发生。
4.根据权利要求1-2中的任一项所述的方法（301），其中，在从所述事件表示（430）获得（312）事件特征（Fn）并且将所述特征组合到特征向量（V（1）、V（2）、V（3））的步骤中，使用包括以下项中的任一项的所述第一组的所述处理技术来确定和组合所述特征：
通过跳字方法、通过连续词袋方法、通过主题建模以及通过检测预定义的时间间隔内的事件码的成对同时发生。
5.根据权利要求1-2中的任一项所述的方法（301），其中，将所述特征向量聚类（313）成多个向量聚类使用包括以下项中的任一项的所述第二组的处理技术来实行：
k-均值、模糊c-均值、期望最大化聚类、仿射传播、作为DBScan或最大边缘聚类的基于密度的算法。
6.根据权利要求1-2中的任一项所述的方法（301），其中，标识（314）所述机器状态（S1、S2、S3）之间的状态转移概率（P）得出作为所述预测模型（150）的一部分的状态序列模型（750）。
7.根据权利要求1-2中的任一项所述的方法（301），其中，提供具有事件码作为输入并且具有状态转移概率（P）作为输出的预测模型（150）包括与专家人类用户（991）交互以便接收与事件码和机器状态有关的语义含义的另外的步骤。
8.一种计算机实现的方法（302），用于预测受监督的工业机器（120）的行为，所述方法包括：
从工业机器（110）接收（321）先前从历史事件数据（130）生成的预测模型（150），所述工业机器（110）与所述受监督的工业机器（120）具有共同的性质，其中，所述预测模型（150）已通过使用第一组的和第二组的处理技术来生成；
从所述受监督的工业机器（120）接收（322）具有事件表示（430）的当前和过去事件数据（140）；
处理（323）所述事件表示（430）作为对所述预测模型（150）的输入，并且输出所述受监督的工业机器（120）的状态的转移概率（P）；
所述方法特征在于：所述预测模型（150）是根据权利要求1-7中的任一项所述的方法已经生成的模型。
9.根据权利要求8所述的方法，具有将反馈（160、260）转发（324）到所述受监督的工业机器（120）的另外的步骤。
10.根据权利要求9所述的方法，具有下述另外的步骤：与专家人类用户（991）交互或与操作者人类用户（992）交互，以将所述反馈（160、260）关联到控制信号以用于干涉所述受监督的工业机器（120）的操作。
11.一种计算机实现的方法（300），用于预测受监督的工业机器（120）的行为，所述方法（300）包括：
首先，实行根据权利要求1-7中的任一项所述的所述方法（301），以及
其次，实行根据权利要求8-10中的任一项所述的所述方法（302）。
12.一种计算机实现的方法（300），用于预测受监督的工业机器（120）的行为，所述方法（300）包括：
通过从具体工业机器（110）接收具有事件的事件表示（430）的历史事件数据（130）、通过获得（312）事件特征和事件向量（V（1）、V（2）、V（3））、通过将所述向量聚类（313）以将聚类指派到状态、通过标识（314）状态转移概率（P）、以及通过提供具有事件码作为输入和转移概率作为输出的预测模型（150）来生成（301）所述预测模型（150），其中，所述具体工业机器（110）与所述受监督的工业机器（120）具有共同的性质；以及
通过使用以具有来自所述受监督的工业机器（110）的事件表示（430）的当前和过去事件数据（140）作为所述输入的所述预测模型（150），以及通过输出所述受监督的工业机器（120）的状态的转移概率（P），来预测（302）所述受监督的工业机器（120）的所述行为。
13.一种其上存储有计算机程序的计算机可读存储介质（1630），所述计算机程序包括指令，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，使得所述计算装置执行根据权利要求1至12中的任一项的计算机实现的方法的步骤。
14.一种用于预测受监督的工业机器（120）的行为的计算机系统（100），所述计算机系统（100）被实现为以下任一项：
模型生成计算机（101），所述模型生成计算机（101）适合于通过实行根据权利要求1-7中的任一项所述的方法（301），通过处理来自具体工业机器（110）的事件数据来提供预测模型（150）；
或者
行为预测计算机（102），所述行为预测计算机（102）适合于通过实行根据权利要求8-11中的任一项所述的方法，将所述预测模型（150）与来自所述受监督的工业机器（120）的事件数据（140）组合使用。
CN201780079761.2A 2016-12-21 2017-12-20 用于确定工业机器的当前和将来状态的方法和设备 Active CN110073304B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
EP16205984.4A EP3339995A1 (en) 2016-12-21 2016-12-21 Determining current and future states of industrial machines by using a prediction model based on historical data
EP16205984.4 2016-12-21
PCT/EP2017/083818 WO2018115122A1 (en) 2016-12-21 2017-12-20 Determining current and future states of industrial machines by using a prediction model based on historical data

Publications (2)

Publication Number Publication Date
CN110073304A CN110073304A (zh) 2019-07-30
CN110073304B true CN110073304B (zh) 2022-05-17

Family

ID=57794065

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201780079761.2A Active CN110073304B (zh) 2016-12-21 2017-12-20 用于确定工业机器的当前和将来状态的方法和设备

Country Status (4)

Country Link
US (2) US11836636B2 (zh)
EP (2) EP3339995A1 (zh)
CN (1) CN110073304B (zh)
WO (1) WO2018115122A1 (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11663679B2 (en) * 2019-10-11 2023-05-30 International Business Machines Corporation Generating mode change alerts with automatic detection from sensor data
WO2021090149A1 (en) * 2019-11-05 2021-05-14 Abb Schweiz Ag Method and apparatus for monitoring of electric drives in an industrial system
JP7391737B2 (ja) 2020-03-18 2023-12-05 住友重機械工業株式会社 射出成形機、産業機械
US11687069B2 (en) * 2020-05-29 2023-06-27 Honeywell International Inc. Identification of facility state and operating mode in a particular event context
CN112101220B (zh) * 2020-09-15 2023-03-03 哈尔滨理工大学 一种无监督模型参数迁移的滚动轴承寿命预测方法
US11868932B2 (en) 2020-09-30 2024-01-09 International Business Machines Corporation Real-time opportunity discovery for productivity enhancement
CN112577724B (zh) * 2020-12-03 2023-01-31 安徽容知日新科技股份有限公司 动设备启停机阈值的确定方法、启停机监测方法及装置
JP7548843B2 (ja) 2021-02-22 2024-09-10 株式会社日立製作所 異常度算出システムおよび方法

Family Cites Families (43)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6931383B2 (en) * 1999-05-04 2005-08-16 At&T Corp. Methods and apparatus for communicating information in a supervised learning system
US7089250B2 (en) * 2003-10-08 2006-08-08 International Business Machines Corporation Method and system for associating events
US7672811B2 (en) * 2005-06-17 2010-03-02 Gm Global Technology Operations, Inc. System and method for production system performance prediction
US20070088550A1 (en) * 2005-10-13 2007-04-19 Dimitar Filev Method for predictive maintenance of a machine
US8386232B2 (en) * 2006-06-01 2013-02-26 Yahoo! Inc. Predicting results for input data based on a model generated from clusters
US20070288419A1 (en) * 2006-06-07 2007-12-13 Motorola, Inc. Method and apparatus for augmenting data and actions with semantic information to facilitate the autonomic operations of components and systems
JP2008158996A (ja) * 2006-12-26 2008-07-10 Chugoku Electric Power Co Inc:The 情報処理装置及び情報処理方法
US8036999B2 (en) * 2007-02-14 2011-10-11 Isagacity Method for analyzing and classifying process data that operates a knowledge base in an open-book mode before defining any clusters
US8700550B1 (en) * 2007-11-30 2014-04-15 Intellectual Assets Llc Adaptive model training system and method
US8234522B2 (en) * 2008-09-04 2012-07-31 Telcordia Technologies, Inc. Computing diagnostic explanations of network faults from monitoring data
JPWO2011111599A1 (ja) * 2010-03-11 2013-06-27 日本電気株式会社 障害分析ルール抽出装置、障害分析ルール抽出方法、及び記憶媒体
KR101650993B1 (ko) * 2010-06-24 2016-08-24 더 닐슨 컴퍼니 (유에스) 엘엘씨 광범위하게 측정된 비-파라메트릭, 다차원, 공간적 및 시간적 인간 행동 또는 기술적 관측을 처리하기 위한 네트워크 서버 장치, 및 이를 위한 관련 방법
US8484077B2 (en) * 2010-07-21 2013-07-09 Yahoo! Inc. Using linear and log-linear model combinations for estimating probabilities of events
US8589331B2 (en) * 2010-10-22 2013-11-19 International Business Machines Corporation Predicting outcomes of a content driven process instance execution
JP2012137934A (ja) * 2010-12-27 2012-07-19 Hitachi Ltd 異常検知・診断方法、異常検知・診断システム、及び異常検知・診断プログラム並びに企業資産管理・設備資産管理システム
US8732100B2 (en) * 2011-04-20 2014-05-20 The United States Of America As Represented By The Secretary Of The Air Force Method and apparatus for event detection permitting per event adjustment of false alarm rate
JP5808605B2 (ja) * 2011-08-17 2015-11-10 株式会社日立製作所 異常検知・診断方法、および異常検知・診断システム
WO2014006354A1 (en) * 2012-07-06 2014-01-09 Research In Motion Limited Method and apparatus for activating an emergency beacon signal
US20140046879A1 (en) * 2012-08-13 2014-02-13 Predixion Software, Inc. Machine learning semantic model
EP2708793B1 (de) * 2012-09-15 2016-02-03 ABB Technology AG Sicherheitseinrichtung für eine technische Anlage oder einen technischen Prozess
EA026061B1 (ru) * 2012-09-28 2017-02-28 Юнилевер Н.В. Морозильный аппарат и способ его эксплуатации
EP2725706A1 (en) * 2012-10-23 2014-04-30 ABB Technology AG Model predictive control with reference tracking
US9306962B1 (en) * 2013-07-25 2016-04-05 Niddel Corp Systems and methods for classifying malicious network events
US10409926B2 (en) * 2013-11-27 2019-09-10 Falkonry Inc. Learning expected operational behavior of machines from generic definitions and past behavior
US10614373B1 (en) * 2013-12-23 2020-04-07 Groupon, Inc. Processing dynamic data within an adaptive oracle-trained learning system using curated training data for incremental re-training of a predictive model
US9679248B2 (en) * 2013-12-30 2017-06-13 International Business Machines Corporation Automated creation of semantically-enriched diagnosis models using time series data of temperatures collected by a network of sensors
US10098215B2 (en) * 2014-05-29 2018-10-09 Hitachi, Ltd. X-ray tube predictive fault indicator sensing device, X-ray tube predictive fault indicator sensing method, and X-ray imaging device
US20150378807A1 (en) * 2014-06-30 2015-12-31 International Business Machines Corporation Predicting process failures using analytics
US20160078367A1 (en) * 2014-10-15 2016-03-17 Brighterion, Inc. Data clean-up method for improving predictive model training
CN104297002B (zh) * 2014-10-21 2017-03-08 中国计量学院 一种地铁电动塞拉门故障预测装置
US20170235658A1 (en) * 2015-03-27 2017-08-17 Renesas Electronics Corporation Analysis device and analysis method
CN105139295A (zh) * 2015-09-29 2015-12-09 广东电网有限责任公司电力科学研究院 一种电力设备在线监测海量信息的数据挖掘方法
DE102015221313A1 (de) * 2015-10-30 2017-05-04 Siemens Aktiengesellschaft System und Verfahren zur Wartung einer Anlage
US10296846B2 (en) * 2015-11-24 2019-05-21 Xerox Corporation Adapted domain specific class means classifier
CN105426999A (zh) * 2015-11-27 2016-03-23 广州供电局有限公司 输变电设备状态变化预测方法和系统
US20170178025A1 (en) * 2015-12-22 2017-06-22 Sap Se Knowledge base in enterprise threat detection
CN106096748A (zh) * 2016-04-28 2016-11-09 武汉宝钢华中贸易有限公司 基于聚类分析和决策树算法的装车工时预测模型
EP3258333A1 (en) * 2016-06-17 2017-12-20 Siemens Aktiengesellschaft Method and system for monitoring sensor data of rotating equipment
EP3264338A1 (en) * 2016-06-28 2018-01-03 Siemens Aktiengesellschaft Method for providing a searchable data base of models describing technical processes
WO2018011742A1 (en) * 2016-07-13 2018-01-18 Incelligent P.C. Early warning and recommendation system for the proactive management of wireless broadband networks
EP3500897A1 (en) * 2016-08-29 2019-06-26 Siemens Aktiengesellschaft Method and system for anomaly detection in a manufacturing system
US9582781B1 (en) * 2016-09-01 2017-02-28 PagerDuty, Inc. Real-time adaptive operations performance management system using event clusters and trained models
JP2020199517A (ja) * 2019-06-07 2020-12-17 ファナック株式会社 レーザ加工システム

Also Published As

Publication number Publication date
US20190311273A1 (en) 2019-10-10
EP3559766B1 (en) 2021-06-23
US20240062077A1 (en) 2024-02-22
US11836636B2 (en) 2023-12-05
CN110073304A (zh) 2019-07-30
EP3339995A1 (en) 2018-06-27
WO2018115122A1 (en) 2018-06-28
EP3559766A1 (en) 2019-10-30

Similar Documents

Publication Publication Date Title
CN110073304B (zh) 用于确定工业机器的当前和将来状态的方法和设备
WO2020259421A1 (zh) 一种业务系统的监控方法及装置
US12066797B2 (en) Fault prediction method and fault prediction system for predecting a fault of a machine
Caggiano et al. Cloud manufacturing framework for smart monitoring of machining
US9530256B2 (en) Generating cumulative wear-based indicators for vehicular components
Vodenčarević et al. Identifying behavior models for process plants
EP3513580A1 (en) Passive visit detection
US20220260988A1 (en) Systems and methods for predicting manufacturing process risks
US20170278007A1 (en) Early Warning Prediction System
US20230376026A1 (en) Automated real-time detection, prediction and prevention of rare failures in industrial system with unlabeled sensor data
Friederich et al. Towards data-driven reliability modeling for cyber-physical production systems
US20230176562A1 (en) Providing an alarm relating to anomaly scores assigned to input data method and system
US20230289568A1 (en) Providing an alarm relating to an accuracy of a trained function method and system
WO2021178649A1 (en) An algorithmic learning engine for dynamically generating predictive analytics from high volume, high velocity streaming data
WO2020036851A1 (en) Optimizing accuracy of machine learning algorithms for monitoring industrial machine operation
US11501155B2 (en) Learning machine behavior related to install base information and determining event sequences based thereon
WO2023191787A1 (en) Recommendation for operations and asset failure prevention background
Windmann et al. Automatic model separation and application for diagnosis in industrial automation systems
Xia et al. HMM based modeling and health condition assessment for degradation process
de Arriba-Pérez et al. Automatic Generation of Insights From Workers’ Actions in Industrial Workflows With Explainable Machine Learning: A Proposed Architecture With Validation
Huang et al. Real-time Control of Maintenance on Deteriorating Manufacturing System
LU502876B1 (en) Anticipating the cause of abnormal operation in industrial machines
US20240104580A1 (en) Service level agreement management and breach detection
Kumbala Predictive Maintenance of NOx Sensor using Deep Learning: Time series prediction with encoder-decoder LSTM
US20230006901A1 (en) Systems and methods for network incident management

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