CN110245772A - 分析核心与聚合 - Google Patents
分析核心与聚合 Download PDFInfo
- Publication number
- CN110245772A CN110245772A CN201910175707.9A CN201910175707A CN110245772A CN 110245772 A CN110245772 A CN 110245772A CN 201910175707 A CN201910175707 A CN 201910175707A CN 110245772 A CN110245772 A CN 110245772A
- Authority
- CN
- China
- Prior art keywords
- assets
- model
- data
- component
- analysis
- 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.)
- Pending
Links
Classifications
-
- 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
-
- 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- 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
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- 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
- G06Q10/10—Office automation; Time management
- G06Q10/103—Workflow collaboration or project management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/04—Ageing analysis or optimisation against ageing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
给出了分析核心和/或与聚合相关联的分析核心。例如,系统包含监测组件、目录组件、模型套件组件和模型处理/学习组件。监测组件监测和分析与一个或多个资产相关联的数据。目录组件管理与一个或多个资产相关联的分析,其中目录组件管理用于一个或多个资产的模型集合。模型套件组件从模型集合中选择模型子集。模型处理/学习组件处理模型子集,并执行与模型子集相关联的学习以预测一个或多个资产的健康状态。
Description
相关申请
本申请要求2018年3月8日提交的并且题为“ANALYTICS CORE AND AGGREGATION”的美国临时申请No.62/640,376的优先权,其全部内容通过引用结合于本文中。
技术领域
本公开一般涉及资产管理系统,并且更确切地说,涉及用于一个或多个资产的分析系统。
背景技术
管理一个或多个资产在成本、复杂性、时间和/或准确性方面可能是繁重的。因此,改进的资产管理系统是期望的。
发明内容
以下给出了说明书的简要概述,以便提供说明书的一些方面的基本理解。此概述不是说明书的广泛概览。它既不意图标识说明书的关键或至关重要的要素,也不意图描绘说明书的具体实施的任何范围或权利要求书的任何范围。其唯一目的是以简化的形式呈现说明书的一些概念,作为对稍后呈现的更详细描述的序言。
按照实施例,系统包含监测组件、目录组件、模型套件组件和模型处理/学习组件。监测组件监测和分析与一个或多个资产相关联的数据。目录组件管理与一个或多个资产相关联的分析,其中目录组件管理用于一个或多个资产的模型集合。模型套件组件从模型集合中选择模型子集。模型处理/学习组件处理模型子集,并执行与模型子集相关联的学习以预测一个或多个资产的健康状态。在某些实施例中,飞进(fly forward)组件执行预报模型以确定对于所述一个或多个资产的确定性预报和/或概率预报。在某些实施例中,检查器聚合组件聚合所述模型子集以确定对于所述一个或多个资产的优化模型。在某些实施例中,资源图聚合组件确定与所述模型子集的聚合相关联的一组属性,以促进来自所述一个或多个资产中的至少一个资产的服务。
按照另一实施例,一种方法规定由包括处理器的系统监测与一个或多个资产相关联的数据。所述方法还规定由所述系统分析所述一个或多个资产。更进一步,所述方法规定由所述系统管理与所述一个或多个资产相关联的分析,包括生成用于所述一个或多个资产的模型集合。所述方法还规定由所述系统从所述模型集合中选择模型子集。更进一步,所述方法规定由所述系统执行与所述模型子集相关联的学习以预测所述一个或多个资产的健康状态。在实施例中,所述方法还规定由所述系统处理所述模型子集。在某些实施例中,所述方法还规定由所述系统执行预报模型以确定对于所述一个或多个资产的确定性预报和/或概率预报。在某些实施例中,所述方法还规定由所述系统聚合所述模型子集以确定对于所述一个或多个资产的优化模型。在某些实施例中,所述方法还规定由所述系统确定与所述模型子集的聚合相关联的一组属性,以促进来自所述一个或多个资产中的至少一个资产的服务。
按照又一实施例,一种计算机可读存储装置包括指令,所述指令响应于执行而使包括处理器的系统执行操作,所述操作包括:分析一个或多个资产;管理与所述一个或多个资产相关联的分析,包括生成用于所述一个或多个资产的模型集合;从所述模型集合中选择模型子集;以及执行与所述模型子集相关联的学习以预测所述一个或多个资产的健康状态。在实施例中,操作进一步包括处理模型子集。在某些实施例中,所述操作进一步包括执行预报模型以确定对于所述一个或多个资产的确定性预报和/或概率预报。在某些实施例中,所述操作进一步包括聚合所述模型子集以确定对于所述一个或多个资产的优化模型。在某些实施例中,所述操作进一步包括确定与所述模型子集的聚合相关联的一组属性,以促进来自所述一个或多个资产中的至少一个资产的服务。
以下描述和附图阐述了说明书的某些说明性方面。然而,这些方面仅指示了可以采用说明书原理的各种方式中的几种方式。当结合附图考虑时,从说明书的以下详细描述中,本说明书的其它优点和新颖特征将变得显而易见。
本发明还公开了一组技术方案,如下:
技术方案1. 一种系统,包括:
存储器,所述存储器存储计算机可执行组件;以及
处理器,所述处理器被配置为执行存储在所述存储器中的以下计算机可执行组件:
监测组件,所述监测组件监测和分析与一个或多个资产相关联的数据;
目录组件,所述目录组件管理与所述一个或多个资产相关联的分析,其中所述目录组件管理用于所述一个或多个资产的模型集合;
模型套件组件,所述模型套件组件从所述模型集合中选择模型子集;以及
模型处理/学习组件,所述模型处理/学习组件处理所述模型子集,并执行与所述模型子集相关联的学习以预测所述一个或多个资产的健康状态。
技术方案2. 如技术方案1所述的系统,其中所述模型套件组件定义用于所述一个或多个资产的一个或多个特征的一个或多个模型。
技术方案3. 如技术方案1所述的系统,其中所述模型处理/学习组件执行一个或多个机器学习技术以预测所述一个或多个资产的所述健康状态。
技术方案4. 如技术方案1所述的系统,其中所述模型处理/学习组件学习与所述模型子集相关的一个或多个特征。
技术方案5. 如技术方案1所述的系统,其中所述计算机可执行组件进一步包括:
飞进组件,所述飞进组件执行预报模型以确定对于所述一个或多个资产的确定性预报和/或概率预报。
技术方案6. 如技术方案5所述的系统,其中所述飞进组件确定所述一个或多个资产的一个或多个预测的操作特性。
技术方案7. 如技术方案5所述的系统,其中所述飞进组件采用用于所述一个或多个资产的一组历史参数来预报所述一个或多个资产的一个或多个未来的操作特性。
技术方案8. 如技术方案1所述的系统,其中所述计算机可执行组件进一步包括:
检查器聚合组件,所述检查器聚合组件聚合所述模型子集以确定对于所述一个或多个资产的优化模型。
技术方案9. 如技术方案3所述的系统,其中所述计算机可执行组件进一步包括:
资源图聚合组件,所述资源图聚合组件确定与所述模型子集的聚合相关联的一组属性,以促进来自所述一个或多个资产中的至少一个资产的服务。
技术方案10. 一种方法,包括:
由包括处理器的系统监测与一个或多个资产相关联的数据;
由所述系统分析所述一个或多个资产;
由所述系统管理与所述一个或多个资产相关联的分析,包括生成用于所述一个或多个资产的模型集合;
由所述系统从所述模型集合中选择模型子集;以及
由所述系统执行与所述模型子集相关联的学习以预测所述一个或多个资产的健康状态。
技术方案11. 如技术方案10所述的方法,进一步包括:
由所述系统处理所述模型子集。
技术方案12. 如技术方案10所述的方法,进一步包括:
由所述系统执行预报模型以确定对于所述一个或多个资产的确定性预报和/或概率预报。
技术方案13. 如技术方案10所述的方法,进一步包括:
由所述系统聚合所述模型子集以确定对于所述一个或多个资产的优化模型。
技术方案14. 如技术方案13所述的方法,进一步包括:
由所述系统确定与所述模型子集的聚合相关联的一组属性,以促进来自所述一个或多个资产中的至少一个资产的服务。
技术方案15. 如技术方案10所述的方法,进一步包括:
由所述系统定义用于所述一个或多个资产的一个或多个特征的一个或多个模型。
技术方案16. 一种包括指令的计算机可读存储装置,所述指令响应于执行而使包括处理器的系统执行操作,所述操作包括:
分析一个或多个资产;
管理与所述一个或多个资产相关联的分析,包括
生成用于所述一个或多个资产的模型集合;
从所述模型集合中选择模型子集;以及
执行与所述模型子集相关联的学习以预测所述一个或多个资产的健康状态。
技术方案17. 如技术方案16所述的计算机可读存储装置,其中所述操作进一步包括:
处理所述模型子集。
技术方案18. 如技术方案16所述的计算机可读存储装置,其中所述操作进一步包括:
执行预报模型以确定对于所述一个或多个资产的确定性预报和/或概率预报。
技术方案19. 如技术方案16所述的计算机可读存储装置,其中所述操作进一步包括:
聚合所述模型子集以确定对于所述一个或多个资产的优化模型。
技术方案20. 如技术方案19所述的计算机可读存储装置,其中所述操作进一步包括:
确定与所述模型子集的聚合相关联的一组属性,以促进来自所述一个或多个资产中的至少一个资产的服务。
附图说明
在结合附图考虑以下详细描述时,本发明的许多方面、实现、目的和优点将变得显而易见,其中相似的附图标记通篇指相似的部件,并且其中:
图1图解了按照本文描述的一个或多个方面和实现的示例分析核心组件的高级框图;
图2图解了按照本文描述的一个或多个方面和实现的另一示例分析核心组件的高级框图;
图3图解了按照本文描述的一个或多个方面和实现的又一示例分析核心组件的高级框图;
图4图解了按照本文描述的一个或多个方面和实现的分析核心的示例架构;
图5图解了按照本文描述的一个或多个方面和实现的与聚合相关联的分析核心的示例架构;
图6图解了按照本文描述的一个或多个方面和实现的与聚合相关联的分析核心的另一示例架构;
图7图解了按照本文描述的一个或多个方面和实现的示例系统;
图8图解了按照本文描述的一个或多个方面和实现的与用于一个或多个资产的一个或多个模型的生成相关联的示例系统;
图9图解了按照本文描述的一个或多个方面和实现与分析网络相关联的示例系统;
图10图解了按照本文描述的一个或多个方面和实现与分析网络的分析核心部分相关联的示例系统;
图11图解了按照本文描述的一个或多个方面和实现与分析网络的分析核心加上聚合部分相关联的示例系统;
图12图解了按照本文描述的一个或多个方面和实现与分析核心数据库模型处理相关联的示例系统;
图13图解了按照本文描述的一个或多个方面和实现与用于分析核心的嵌套结构相关联的示例系统;
图14图解了按照本文描述的一个或多个方面和实现的示例数据结构;
图15图解了按照本文描述的一个或多个方面和实现的示例图形用户界面;
图16描绘了按照本文描述的一个或多个实施例用于促进分析核心和/或聚合的示例方法的流程图;
图17是图解合适的操作环境的示意框图;以及
图18是样本计算环境的示意框图。
具体实施方式
现在参考附图描述此公开的各个方面,其中相似的附图标记通篇用于指相似的元件。在以下描述中,为了说明的目的,阐述了大量特定细节,以便提供一个或多个方面的全面理解。然而,应该理解,可以在没有这些特定细节的情况下或者用其它方法、组件、材料等来实践本公开的某些方面。在其它实例中,以框图形式示出了公知的结构和装置以促进描述一个或多个方面。
给出了提供分析核心和/或与聚合相关联的分析核心的系统和技术。例如,与涉及关于资产系统的数字数据的人工解释的常规资产管理系统相比,主题创新提供了能改进对于一个或多个资产的资产管理和/或资产预报的新颖分析核心。在一方面,能通过生成能预测一个或多个资产的一个或多个特性和/或一个或多个行为的模型集合来预报(例如,预测)一个或多个资产的消耗(例如,一个或多个资产的有用性的消耗)。在一个示例中,资产能是用于一个或多个机器的部件的组合。在另一个示例中,若干模型能对应于用于一个或多个资产的若干可能的故障模式。
本文公开的各种系统和技术能涉及航空、飞行器、发动机、机器、汽车、水上艇筏、基于云的服务、加热、通风和空调(HVAC)、医疗、水过滤、冷却、泵、诊断、预后、在通过数据的实时聚合对模型进行实时、显式和隐式训练中将材料成本列为因素的优化机器设计、和/或一个或多个其它资产。
在实施例中,底层基础数据的预测能由如本文所公开的分析核心生成。历史数据能与投射数据和/或针对数据集的一个或多个过程分析模型耦合,以基于过去处理的、目前的和预报的模型套件获得一个或多个资产的健康状态的连续视图。在一方面,能在部件级和模块级采用定义用于一个或多个资产的配置的配置输入表。此外,能对部件级和模块级跟踪健康状态。像这样,与常规资产管理系统相比能减少处理足迹。更进一步,本文公开的分析核心能是高度鲁棒的,和/或能是用于递送预报输入的集成系统。本文公开的分析核心还能管理针对具体资产的大量分析。而且,本文公开的分析核心能是便携式的和/或合并到任何现有资产管理系统中。本文公开的分析核心还能提供用于企业资源规划处理的多个模型级和/或预报。
在另一个实施例中,能竞争(例如,聚合)变化的模型类型,以创建对于由与本文公开的聚合相关联的分析核心进行检查、移除和/或修复的预报。能采用多个工具来查询分析数据库。像这样,工具能满足多个商务应用以从分析数据库(例如,健康状态)提取信息。在一方面,与聚合相关联的分析核心能包含分析数据库、聚合器和聚合管理器。分析数据库能包含一组模型输出,采用允许聚合器准确地和/或一致地竞争模型的格式。聚合器能是执行一个或多个操作以竞争模型的工具。聚合器还能允许模拟提供概率预报和/或确定性预报。更进一步,聚合器能被配置用于多种输出类型。聚合管理器能是用于聚合器的指令集。在一方面,聚合管理器能由用户可配置和/或可管理。像这样,用与本文公开的聚合器相关联的分析核心,能降低关于资产系统管理的复杂性。与本文公开的聚合器相关联的分析核心还能提供允许用于提取预报的多个输入的聚合管理器的公共架构。更进一步,与本文公开的聚合器相关联的分析核心能被构造成为新聚合解决方案提供减少的聚合器集和/或快速配置。与常规资产管理系统相比,与本文公开的聚合器相关联的分析核心还能提供改进的准确性和/或改进的可重复性。
首先参考图1,图解了根据本主题公开的一方面的示例系统100,其给分析核心提供对于一个或多个资产的改进的资产管理和/或资产预报。系统100能由各种系统采用,诸如但不限于:资产管理系统、资产预报系统、建模系统、航空系统、电力系统、分布式电力系统、能源管理系统、热管理系统、运输系统、石油和然气系统、机械系统、机器系统、装置系统、基于云的系统、加热系统、HVAC系统、医疗系统、汽车系统、飞行器系统、水上艇筏系统、水过滤系统、冷却系统、泵系统、发动机系统、诊断系统、预后系统、机器设计系统、医疗装置系统、医学成像系统、医学建模系统、模拟系统、企业系统、企业成像解决方案系统、高级诊断工具系统、图像管理平台系统、人工智能系统、机器学习系统、神经网络系统等。在一个示例中,系统100能与图形用户界面系统相关联,以促进分析核心数据的可视化和/或解释。而且,能采用系统100和/或系统100的组件来使用硬件和/或软件解决本质上高度技术性的问题(例如,与处理数字数据相关的、与处理被数字化的模拟数据相关的、与分析数字数据相关的、与对数字数据建模相关的、与人工智能相关的等),这些问题不是抽象的,并且不能作为一组心理动作由人执行。在一个示例中,系统100能与平台即服务(PaaS)系统相关联。在另一示例中,系统100能是数字分析系统。
系统100能包含分析核心组件102,其能包含监测组件104、目录组件106、模型套件组件108、模型处理/学习组件110和/或飞进组件112。在此公开中说明的系统、设备或过程的方面能构成在(一个或多个)机器内实施的(例如,在与一个或多个机器关联的一个或多个计算机可读介质(或媒体)中实施的)(一个或多个)机器可执行组件。(一个或多个)此类组件当由一个或多个机器(例如,(一个或多个)计算机、(一个或多个)计算装置、(一个或多个)虚拟机等)执行时能使(一个或多个)机器执行描述的操作。系统100(例如,分析核心组件102)能包含用于存储计算机可执行组件和指令的存储器114。系统100(例如,分析核心组件102)能进一步包含处理器116,以促进由系统100(例如,分析核心组件102)对指令(例如,计算机可执行组件和指令)的操作。在某些实施例中,分析核心组件102能与一个或多个资产118通信。在某些实施例中,系统100能进一步包含通用数据库120。
监测组件104能监测和/或分析与一个或多个资产118相关联的数据。一个或多个资产118能包含一个或多个装置、一个或多个机器和/或一件或多件设备。例如,来自一个或多个资产118的资产能是装置、机器、设备、装置元件、机器元件、设备元件、发动机、发动机元件、飞行器、车辆、控制器装置(例如,可编程逻辑控制器)、监督控制和数据获取(SCADA)装置、仪表装置、监测装置(例如,远程监测装置)、网络连接的装置、传感器装置、远程终端单元、遥测装置、用户界面装置(例如,人机界面装置)、历史装置、计算装置、另一种类型的资产等。在一方面,一个或多个资产118能生成数字数据。在示例中,监测组件104能监测和/或分析传感器数据、过程数据(例如,过程日志数据)、操作数据、监测数据、维护数据、参数数据、测量数据、性能数据、工业数据、机器数据、资产数据、设备数据、装置数据、仪表数据、实时数据、历史数据、音频数据、图像数据、视频数据和/或与一个或多个资产118相关联的其它数据。在某些实施例中,一个或多个资产118还能与振动检测系统、温度检测系统、压力检测系统、流速检测系统、电流传感器系统、电压检测器系统、热负载系统、音频系统、图像系统、视频捕获系统、将模拟数据转换成数字数据的模拟系统、和/或与数字数据相关联的另一类型系统相关联。在某些实施例中,一个或多个资产118能经由网络(诸如例如,通信网络、无线网络、因特网协议(IP)网络、IP语音网络、因特网电话网络、移动电信网络和/或另一类型网络)与分析核心组件102通信。像这样,监测组件104能经由网络(诸如例如,通信网络、无线网络、IP网络、IP语音网络、因特网电话网络、移动电信网络和/或另一类型的网络)监测和/或分析与一个或多个资产118相关联的数据。
目录组件106能管理与一个或多个资产118相关联的分析。比如,目录组件106能存储与由一个或多个资产118提供的数据相关联的分析。在示例中,目录组件106能存储与传感器数据、过程数据(例如,过程日志数据)、操作数据、监测数据、维护数据、参数数据、测量数据、性能数据、工业数据、机器数据、资产数据、设备数据、装置数据、仪表数据、实时数据、历史数据、音频数据、图像数据、视频数据和/或与一个或多个资产118相关联的其它数据相关联的分析。在一方面,目录组件106能存储与一个或多个资产118相关联的分析数据。在实施例中,分析数据能包含与一个或多个资产118相关联的模型集合。例如,模型集合对与传感器数据、过程数据(例如,过程日志数据)、操作数据、监测数据、维护数据、参数数据、测量数据、性能数据、工业数据、机器数据、资产数据、设备数据、装置数据、仪表数据、实时数据、历史数据、音频数据、图像数据、视频数据、和/或与一个或多个资产118相关联的其它数据相关联的分析建模。目录组件106还能将分析数据提供给模型套件组件108。模型套件组件108能选择由目录组件106管理的模型子集。在实施例中,模型套件组件108能定义用于一个或多个资产118的一个或多个特征的一个或多个模型。例如,模型套件组件108能基于一个或多个资产118的一个或多个特征来选择由目录组件106管理的模型子集。在某些实施例中,模型套件组件108能基于与和一个或多个资产118相关联的概率预报和/或确定性预报相关联的目标来选择由目录组件106管理的模型子集。
模型处理/学习组件110能用配置数据和/或其它数据处理模型子集。附加地或备选地,模型处理/学习组件110能关于模型子集执行学习。比如,模型处理/学习组件110能学习与和一个或多个资产118相关联的模型子集相关的一个或多个特征和/或信息。在实施例中,模型处理/学习组件110能采用机器学习和/或人工智能原理(例如,机器学习过程)来学习与和一个或多个资产118相关联的模型子集相关的一个或多个特征和/或信息。模型处理/学习组件110能关于学习与显式地或隐式地与一个或多个资产118相关联的模型子集相关的一个或多个特征和/或信息来执行学习。在一方面,模型处理/学习组件110能基于与人工智能原理相关联的分类、相关性、推理和/或表达来学习与和一个或多个资产118相关联的模型子集相关的一个或多个特征和/或信息。比如,模型处理/学习组件110能采用自动分类系统和/或自动分类过程来学习与和一个或多个资产118相关联的模型子集相关的一个或多个特征和/或信息。在一个示例中,模型处理/学习组件110能采用基于概率和/或统计的分析来学习和/或生成关于与一个或多个资产118相关联的模型子集的推理。在一方面,模型处理/学习组件110能包含推理组件(未示出),该推理组件能利用部分基于推理的方案来学习与和一个或多个资产118相关联模型子集相关的一个或多个特征和/或信息来进一步增强模型处理/学习组件110的自动化方面。
模型处理/学习组件110能采用任何合适的基于机器学习的技术、基于统计的技术和/或基于概率的技术。例如,模型处理/学习组件110能采用专家系统、模糊逻辑、SVM、隐马尔可夫(Markov)模型(HMM)、贪婪搜索算法、基于规则的系统、贝叶斯(Bayesian)模型(例如,贝叶斯网络)、神经网络、其它非线性训练技术、数据融合、基于效用的分析系统、采用贝叶斯模型的系统等。在另一方面,模型处理/学习组件110能执行与学习与和一个或多个资产118相关联的模型子集相关的一个或多个特征和/或信息相关联的一组机器学习计算。例如,模型处理/学习组件110能执行一组聚类机器学习计算、一组逻辑回归机器学习计算、一组决策树机器学习计算、一组随机森林机器学习计算、一组回归树机器学习计算、一组最小二乘机器学习计算、一组基于实例的机器学习计算、一组回归机器学习计算、一组支持向量回归机器学习计算、一组k-means机器学习计算、一组谱聚类机器学习计算、一组规则学习机器学习计算、一组贝叶斯机器学习计算、一组深度玻尔兹曼(Boltzmann)机器计算、一组深度信念网络计算和/或一组不同的机器学习计算以学习与和一个或多个资产118相关联的模型子集相关的一个或多个特征和/或信息。
飞进组件112能执行预报模型以确定对于一个或多个资产118的确定性预报和/或概率预报。比如,由飞进组件112执行的预报模型能与一个或多个资产118的一个或多个预测的操作特性相关联。在实施例中,由飞进组件112执行的预报模型能确定一个或多个资产118在历史上如何操作和/或在何处操作。更进一步,由飞进组件112执行的预报模型能采用历史操作信息来预测导致对于一个或多个资产118的下一个维护事件的一个或多个未来操作条件。比如,由飞进组件112执行的预报模型能采用用于一个或多个资产118的一组操作参数(例如,一组历史参数)来预报一个或多个资产118的未来操作特性。
像这样,分析核心组件102能确定和/或预测一个或多个资产118的健康状态。在某些实施例中,与一个或多个资产118相关联的数据能被存储在通用数据库120中。比如,一个或多个资产118的健康状态、一个或多个资产118的历史和/或一个或多个资产118的一个或多个预报能被存储在通用数据库120中。在某些实施例中,能对于与一个或多个资产118相关联的多个部件和/或多个子系统生成用于一个或多个资产118的嵌套系统。在实施例中,飞进组件112能生成与对于资产或若干资产中的每个资产“预报/预期”的未来操作特性相关联的数据,从其中能生成资产的未来健康状态的确定性预报或概率预报。在非限制性实施例中,对于由飞进组件112执行的预报模型存储的数据能包含数据集或数据类型,诸如例如,城市对、利用率、资产标识信息(例如,尾号等)、周围环境温度(例如,平均季节性周围环境温度)、从资产操作中生成的参数和采用的分析处理等。对于由飞进组件112执行的预报模型存储的数据能是确定性的和/或概率的。例如,对于由飞进组件112执行的预报模型的初始数据能是确定性的。更进一步,对于由飞进组件112执行的预报模型的未来数据能包含概率结果。
通用数据库120能关联于一个或多个使用情况,诸如例如,检查预报(例如,在两周间隔期间等)、移除预报(例如,按需运行等)、商店访问预报(例如,在两周间隔期间等)、部分流需求作为商店访问预报的部分、按需数据提取、用可视化工具的按需数据提取、用作如果场景将会怎样的部分(例如,对于5到50个实例复制数据库)等。在某些实施例中,通用数据库120能存储一个或多个数据元素,存储一个或多个飞进元素,存储与健康状态相关的模型输出,存储一个或多个概率元素,提供对于多个模型的估计,存储逐个航班元素,基于历史和/或预测的健康状态跟踪任何资产,提取一队或一群资产,将一个或多个模型提取到聚合器中以便确定检查、移除、工作范围、修复预报、适应资产健康状态跟踪,和/或与配置管理系统集成数据。
现在参考图2,图解了根据本主题公开的一方面的示例系统200,其提供与对于一个或多个资产改进的资产管理和/或资产预报的聚合相关联的分析核心。为了简洁起见,省略了对在本文描述的其它实施例中采用的相似元件的重复描述。
系统200能包含分析核心组件102。分析核心组件102能包含监测组件104、目录组件106、模型套件组件108、模型处理/学习组件110、飞进组件112、检查器聚合组件202、资源图聚合组件204、存储器114和/或处理器116。在某些实施例中,系统200此外能包含一个或多个资产118和/或通用数据库120。
检查器聚合组件202能竞争由模型套件组件108选择的模型子集,以确定用于一个或多个资产118的优化模型。比如,检查器聚合组件202能聚合(例如竞争)由模型套件组件108选择的模型子集,以确定用于一个或多个资产118的优化模型。在一方面,检查器聚合组件202能组合来自由模型套件组件108选择的模型子集的一个或多个模型,以确定用于一个或多个资产118的优化模型。在实施例中,检查器聚合组件202能执行对于一个或多个资产118的一个或多个模拟、一个或多个概率预报和/或一个或多个确定性预报,以促进模型子集的聚合。资源图聚合组件204能确定与模型子集的聚合相关联的一组属性。例如,资源图聚合组件204能确定在模型子集的聚合之间的一组关系。在实施例中,能采用该组属性来促进服务一个或多个资产,以例如修复一个或多个资产118的健康状态。
现在参考图3,图解了根据本主题公开的一方面的示例系统300,其提供与对于一个或多个资产改进的资产管理和/或资产预报的聚合相关联的分析核心。为了简洁起见,省略了对在本文描述的其它实施例中采用的相似元件的重复描述。
系统300能包含分析核心组件102。分析核心组件102能包含监测组件104、目录组件106、模型套件组件108、模型处理/学习组件110、飞进组件112、检查器聚合组件202、资源图聚合组件204、存储器114和/或处理器116。在某些实施例中,系统300此外能包含一个或多个资产118和/或通用数据库120。系统300还能与图形用户界面系统相关联,以促进分析核心数据(诸如资产管理数据和/或资产预报数据)的可视化和/或解释。例如,系统300能包含用户显示装置302。用户显示装置302能经由网络304与分析核心组件102通信。用户显示装置302能提供分析核心数据(诸如资产管理数据和/或资产预报数据)的显示。例如,用户显示装置302能包含与显示器相关联的图形用户界面。用户显示装置302能是具有显示器的装置,诸如但不限于计算装置、计算机、桌上型计算机、膝上型计算机、监测器装置、智能装置、智能电话、移动装置、手持装置、平板电脑、便携式计算装置或与显示器相关联的另一类型用户装置。
图4图解了按照本文描述的各个方面和实现的示例系统400。为了简洁起见,省略了对在本文描述的其它实施例中采用的相似元件的重复描述。系统400能图解用于分析核心的示例架构。在一方面,系统400能由分析核心组件102实现。比如,系统400能由监测组件104、目录组件106、模型套件组件108、模型处理/学习组件110和/或飞进组件112实现。
系统400能包含预报输入402、预处理404、过程分析/模型406、配置表408、模型套件410、输入数据412和/或输出数据414。系统400能管理用于一个或多个资产(例如,一个或多个资产118)的分析和/或模型。系统400能对应于分析核心。例如,系统400能对应于分析核心组件102的一个或多个功能。系统400还能是集成系统。在实施例中,输入数据412能被提供给配置表408。输入数据412例如能是由一个或多个资产118提供的数据。例如,输入数据412能包含传感器数据、过程数据(例如,过程日志数据)、操作数据、监测数据、维护数据、参数数据、测量数据、性能数据、热力学性能数据、工业数据、机器数据、资产数据、设备数据、装置数据、仪表数据、实时数据、历史数据、音频数据、图像数据、视频数据和/或与一个或多个资产118相关联的其它数据。在一方面,能基于输入数据412确定预报输入402。在某些实施例中,能在过程分析/模型406之前执行预处理404。过程分析/模型406能包含与输入数据相关联的一个或多个模型的处理和/或分析。例如,过程分析/模型406能包含与一个或多个资产118相关联的一个或多个模型的处理和/或分析。模型套件410能选择模型子集以便由过程分析/模型406处理和/或分析。能基于过程分析/模型406生成输出数据414。附加地或备选地,能基于预报输入402和/或预处理404来生成输出数据414。输出数据414能提供一个或多个资产118的健康状态。
在某些实施例中,输入数据412能包含与一个或多个资产118和/或一个或多个其它资产相关联的历史数据。历史数据例如能是一组过滤的和/或专用的历史数据。在某些实施例中,输入数据412能被连续更新。在实施例中,预报输入402能是预报元素,其能采用历史数据来开发用于一个或多个资产118的未来概率操作模型。未来概率模型能是被提供给过程分析/模型406的数据集。能采用预处理404来针对一个或多个特性(诸如例如,正常恶化)调整预报(例如,未来概率模型)。模型套件410能基于用于一个或多个资产118的配置信息来定义要应用于一个或多个资产118的分析集。在一方面,用于一个或多个资产118的配置信息能被存储在配置表中。能通过使用模型套件410和/或与配置表408相关联的配置信息添加至少一部分历史数据(例如,最近的历史数据)和/或预报的元素来执行处理。结果能被存储在数据库中。例如,输出数据414能包含结果。附加地或备选地,输出数据414能包含被标记成将预报数据与历史数据分开的预报数据。在某些实施例中,输出数据414能被同步到序列号、模块、部件、特征信息和/或与一个或多个资产118相关联的其它信息。输出数据414能提供针对一个或多个资产118的一个或多个后果需要的健康状态信息,诸如检查、移除、商店检修、服务中维护、修复跟踪和/或用于一个或多个资产的另一规程118。包含在输出数据414中的健康状态信息能通过直接读取数据库或通过聚合模块来提供。处理能是流或批,并且能被调度以匹配分析的定时要求。在某些实施例中,系统400能被划分成多个实例(例如,嵌套)和/或结果能通过数据库聚合。像这样,能通过采用系统400来提供在系统特征级、子系统特征级、模块特征级和/或部件特征级的跟踪。更进一步,能通过采用系统400来提供改进的预报功能。附加地或备选地,能通过采用系统400来提供减少的处理足迹。在一方面,系统400能是概率的。系统400还能是具有流和批能力的。系统400能提供优化以及如果场景处理将会怎样。系统400还能提供具有嵌套能力的设计。还能给系统400提供反馈回路输入。系统400还能容纳历史元素和预报元素。
图5图解了按照本文描述的各个方面和实现的示例系统500。为了简洁起见,省略了对在本文描述的其它实施例中采用的相似元件的重复描述。系统500能图解用于与聚合相关联的分析核心的示例架构。在一方面,系统500能由分析核心组件102实现。比如,系统500能由检查器聚合组件202和/或资源图聚合组件204实现。系统500能包含聚合器502和聚合器管理器504。聚合器管理器504能与聚合器502通信。更进一步,聚合器502能接收输出数据506,并且聚合器502能生成一个或多个后果508。在某些实施例中,输出数据506能对应于由过程分析/模型406提供的输出数据414。
聚合器502能接收输出数据506,输出数据506例如包含一个或多个资产118的健康状态。聚合器502能竞争(例如,聚合、组合等)例如由过程分析/模型406提供的模型。例如,聚合器502能竞争(例如,聚合、组合等)包含用于预报的阈值的模型,并且通过在最短的时间量内达到该阈值来确定完成处理的预报。聚合器502还能选择要预报的元素。聚合器管理器504能定义对于聚合器502的一个或多个功能。在一方面,聚合器管理器504能定义要由聚合器502执行的机器学习类型。例如,聚合器管理器504能将聚合器502配置为概率聚合器、贝叶斯聚合器、蒙特卡洛(Monte Carlo)聚合器、另一种类型的机器学习聚合器等。在另一方面,聚合器管理器504能定义或确定来自一个或多个资产118的哪些资产要预报。聚合器502和聚合器管理器504能相对于与图4相关联的聚合器核心在下游实现。例如,聚合器502和聚合器管理器504能采用由与图4相关联的聚合器核生成的数据(例如,输出数据414)。在实施例中,聚合器502能预测对于一个或多个资产118的N个后果,其中N是整数。在另一实施例中,聚合器502能从输出数据506提取信息以融合数据和/或确定对于来自一个或多个资产118的资产的限制因素。例如,聚合器502能从输出数据506提取信息以融合数据和/或确定来自一个或多个资产118的资产的移除过程、来自一个或多个资产118的资产的检查过程、来自一个或多个资产118的资产的修复过程、来自一个或多个资产118的资产的商店访问过程、来自一个或多个资产118的资产的服务中维护过程、来自一个或多个资产118的资产的服务中修复过程等。在实施例中,一个或多个后果508能是对于一个或多个资产118的一个或多个预测后果。在一方面,系统500能给单个聚合点提供多功能能力。系统500还能采用存储在数据库(例如,由输出数据506存储的)中的分析(例如,一个或多个资产118的健康状态)。通过系统500的聚合能是外部可配置的,和/或能在不重新编码以进行更新的情况下执行。像这样,系统500能提供对于后果的可追溯性和/或控制点。更进一步,用系统500,能将多个聚合方法集成到单个过程中。通过系统500的聚合还能提供优化功能性。系统500还能提供多模型类型和/或概率处理。在用系统500的分析过程中还能采用反馈。系统500还能提供在嵌套级的聚合。
图6图解了按照本文描述的各个方面和实现的示例系统600。为了简洁起见,省略了对在本文描述的其它实施例中采用的相似元件的重复描述。系统600能图解用于与聚合相关联的分析核心的示例架构。在一方面,系统600能由分析核心组件102实现。比如,系统600能由检查器聚合组件202和/或资源图聚合组件204实现。更进一步,系统600能图解在图5中示出的聚合器和/或聚合器管理器的功能性。
聚合器(例如,聚合器502)能执行步骤602、步骤604、步骤606、步骤608、步骤610、步骤612、步骤614和/或步骤616。在实施例中,为了启动聚合器(例如,聚合器502),在步骤602能选择聚合标识符(ID)。例如,能选择由聚合管理器618提供的资产ID和/或聚合功能ID。在步骤604,聚合器(例如,聚合器502)能提取预报数据。在步骤606,聚合器(例如,聚合器502)还能选择聚合函数。例如,聚合器(例如,聚合器502)还能选择聚合函数,诸如例如蒙特卡洛聚合函数、确定性聚合函数、另一种类型的聚合函数等。在步骤608,聚合器(例如,聚合器502)还能提取反馈数据。反馈数据例如能包含历史数据和/或新数据。在某些实施例中,在步骤610,聚合器(例如,聚合器502)能附加地或备选地插入新反馈。例如,聚合器(例如,聚合器502)能根据需要应用关于资产的分析的反馈数据。此外,在步骤612,聚合器(例如,聚合器502)能处理聚合。例如,聚合器(例如,聚合器502)还能组装聚合和/或过程。聚合和/或过程能是迭代的。更进一步,在步骤614,聚合器(例如,聚合器502)能执行存储功能。例如,聚合器(例如,聚合器502)能将输出数据(例如,输出数据506或输出数据414)组装到数据库620。在步骤616,聚合器(例如,聚合器502)还能执行数据智能/搜集。例如,聚合器(例如,聚合器502)还能将输出数据(例如,输出数据506或输出数据414)组装到数据智能/搜集。在某些实施例中,能采用反馈数据624动态地调整模型。数据库620能包含预报数据库622、反馈数据624和/或聚合数据库626。在某些实施例中,聚合管理器618能定义聚合处理,诸如蒙特卡洛聚合处理、确定性聚合处理、概率1聚合处理、概率2聚合处理、优化聚合处理等。聚合管理器618能包含一个或多个资产118的列表。例如,聚合管理器618能包含列表,该列表包含资产信息、模块信息、部件信息、资产的特征信息等。聚合管理器618还能包含与一个或多个资产118相关联的相关模型和/或分析。更进一步,聚合管理器618能定义一个或多个反馈回路元件和/或一个或多个模型/分析调整。聚合管理器618还能定义对于聚合函数的处理,诸如例如,多次迭代等。聚合管理器618还能定义输出数据以存储在数据库620中。更进一步,在步骤616,聚合管理器618能定义用于数据智能/搜集的输出元素。
图7图解了按照本文描述的各个方面和实现的示例系统700。为了简洁起见,省略了对在本文描述的其它实施例中采用的相似元件的重复描述。系统700能图解例如数字产品路线图。系统700包含分析核心和操作顾问704。分析核心702能对应于系统400、系统500和/或系统600的至少一部分。分析核心702能给操作顾问704提供有关一个或多个资产118的健康状态的信息。基于由分析核心702提供的一个或多个资产118的健康状态,操作顾问704能管理对于一个或多个资产118的数字维护、一个或多个资产118的修复、一个或多个资产118的检修、用于一个或多个资产118的一个或多个过程、对一个或多个资产118的一个或多个修改和/或执行与一个或多个资产118相关联的一个或多个操作。操作顾问704还能支持与对于一个或多个资产118的数字维护、一个或多个资产118的修复、一个或多个资产118的检修、用于一个或多个资产118的一个或多个过程、对一个或多个资产118的一个或多个修改和/或执行与一个或多个资产118相关联的一个或多个操作相关联的一个或多个后果。
图8图解了按照本文描述的各个方面和实现的示例系统800。为了简洁起见,省略了对在本文描述的其它实施例中采用的相似元件的重复描述。系统800能图解生成用于一个或多个资产(例如,一个或多个资产118)的一个或多个模型以预测一个或多个资产(例如,一个或多个资产118)的健康状态。系统800能包含监测802。监测802能与监测组件104相关联。例如,监测802能监测和/或分析与一个或多个资产118相关联的数据。在一方面,监测118能监测和/或分析传感器数据、过程数据(例如,过程日志数据)、操作数据、监测数据、维护数据、参数数据、测量数据、性能数据、工业数据、机器数据、资产数据、设备数据、装置数据、仪表数据、实时数据、历史数据、音频数据、图像数据、视频数据和/或与一个或多个资产118相关联的其它数据。在某些实施例中,监测802能经由网络(诸如例如,通信网络、无线网络、IP网络、IP语音网络、因特网电话网络、移动电信网络和/或另一类型的网络)监测和/或分析与一个或多个资产118相关联的数据。
系统800能附加地或替代地包含模型执行804。模型执行804能与目录组件106、模型套件组件108和/或模型处理/学习组件110相关联。模型执行804能生成和/或管理用于一个或多个资产118的一个或多个模型。更进一步,模型执行804能用配置数据和/或其它数据来处理一个或多个模型,以促进与一个或多个资产118相关联的概率预报和/或确定性预报。在一方面,模型执行804能学习与和一个或多个资产118相关联的一个或多个模型相关的一个或多个特征和/或信息。例如,模型执行804能采用机器学习和/或人工智能原理(例如,机器学习过程)来学习与和一个或多个资产118相关联的一个或多个模型相关的一个或多个特征和/或信息。
附加地或备选地,系统800能包含飞进模型执行806。飞进模型执行806能与飞进组件112相关联。例如,飞进模型执行806能执行预报模型以确定对于一个或多个资产118的确定性预报和/或概率预报。在一方面,由飞进模型执行806执行的预报模型能与一个或多个资产118的一个或多个预测的操作特性相关联。在实施例中,由飞进模型执行806执行的预报模型能确定一个或多个资产118在历史上如何操作和/或在何处操作。更进一步,由飞进模型执行806执行的预报模型能采用历史操作信息来预测导致对于一个或多个资产118的下一个维护事件的一个或多个未来操作条件。比如,由飞进模型执行806执行的预报模型能采用用于一个或多个资产118的一组操作参数(例如,一组历史参数)来预报一个或多个资产118的未来操作特性。在实施例中,与监测802、模型执行804和/或飞进模型执行806相关联的数据能被存储在数据库808中。在另一实施例中,可视化810能基于存储在数据库808中的数据提供对于用户装置812的一个或多个可视化。比如,可视化810能提供与存储在数据库808中的数据相关联的图形用户界面。存储在数据库808中的数据能包含分析核心数据、资产管理数据、资产预报数据、健康状态数据、预测后果数据和/或与监测802、模型执行804和/或飞进模型执行806相关联的其它数据。用户装置812能是具有显示器的用户显示装置,诸如但不限于计算装置、计算机、桌上型计算机、膝上型计算机、监测器装置、智能装置、智能电话、移动装置、手持装置、平板电脑、便携式计算装置或与显示器相关联的另一类型用户装置。在一方面,用户装置812能包含与显示可视化810的装置相关联的图形用户界面。在一个示例中,用户装置812能对应于用户显示装置302。在某些实施例中,聚合管理器814能促进提供给用户装置812的可视化810的一个或多个方面。比如,聚合管理器814能与检查器聚合组件202和/或资源图聚合组件204相关联。在一方面,聚合管理器814能聚合与模型执行804和/或飞进模型执行806相关联的一个或多个模型,以生成用于一个或多个资产118的优化模型。在某些实施例中,聚合管理器814能执行对于一个或多个资产118的一个或多个模拟、一个或多个概率预报和/或一个或多个确定性预报,以促进生成用于一个或多个资产118的优化模型。在某些实施例中,可视化810能提供与用于一个或多个资产118的优化模型相关联的信息。
图9图解了按照本文描述的各个方面和实现的示例系统900。为了简洁起见,省略了对在本文描述的其它实施例中采用的相似元件的重复描述。系统900能图解分析网络的至少一部分以促进预测一个或多个资产118的健康状态。系统900包含模型处理/学习902。模型处理/学习902能与模型处理/学习组件110和/或过程分析/模型406相关联。模型处理/学习902能接收输入数据904。输入数据904能包括媒体数据906、翼上(on-wing)健康顾问(OHA)数据908、制造数据910、燃气路径跟踪过滤器(GPTF)数据912、客户反馈数据914、数据组装数据916、设计数据918、配置数据920、商店访问(SV)数据922和/或其它资产数据924。输入数据904能与一个或多个资产118相关联。在某些实施例中,能通过监测一个或多个资产118来获得输入数据904的至少一部分。更进一步,模型处理/学习902能基于输入数据904生成和/或管理用于一个或多个资产118的一个或多个模型。比如,模型处理/学习902能基于输入数据904用配置数据和/或其它数据来处理一个或多个模型,以促进与一个或多个资产118相关联的概率预报和/或确定性预报。在一方面,模型处理/学习902能基于输入数据904学习与和一个或多个资产118相关联的一个或多个模型相关的一个或多个特征和/或信息。例如,模型处理/学习902能基于输入数据904采用机器学习和/或人工智能原理(例如,机器学习过程)来学习与和一个或多个资产118相关联的一个或多个模型相关的一个或多个特征和/或信息。在某些实施例中,模型处理/学习902能与工作台过程通信,该过程能经由目录创建分析和/或部署分析。附加地或备选地,模型处理/学习902能与企业工作范围工具通信,该工具能定义商店访问和/或什么进入商店访问。附加地或备选地,模型处理/学习902能与操作顾问通信,操作顾问能确定估计并且能向全球商店预报工具提供估计。全球商店预报工具能预测一个或多个资产118的材料。附加地或备选地,模型处理/学习902能与制造/设计集成器通信,该集成器能采用和/或提供制造数据910。制造数据910能附加地或备选地被提供给与操作顾问(例如,操作顾问704)相关联的一个或多个设计工具,以调整用于一个或多个资产118的一个或多个模型。在实施例中,模型处理/学习902能包含数据融合(例如,模型融合器),其能应用于由模型处理/学习902生成的一个或多个模型。与模型处理/学习902相关联的数据融合(例如,模型融合器)例如能学习由模型处理/学习902生成的一个或多个模型之间的一个或多个相互依赖性。在某些实施例中,能创建由模型处理/学习902生成的一个或多个模型之间的相互依赖性的层级。更进一步,能利用与模型处理/学习902相关联的多个模型来提供改进的和准确的预测。在某些实施例中,与由模型处理/学习902提供的一个或多个模型相关联的特征的至少一部分能是独立的。还能采用由模型处理/学习902提供的一个或多个模型来确定故障何时达到危难条件阈值或与一个或多个资产118相关联的特定健康状态。附加地或备选地,还能采用由模型处理/学习902提供的一个或多个模型来确定一个或多个资产118何时与特定健康状态相关联。
图10图解了按照本文描述的各个方面和实现的示例系统1000。为了简洁起见,省略了对在本文描述的其它实施例中采用的相似元件的重复描述。系统1000能图解分析网络的分析核心1002以促进预测一个或多个资产118的健康状态。分析核心1002能包含监测1004、模型处理/学习1006和/或飞进模型1008。监测1004能与监测组件104相关联。例如,监测1004能监测和/或分析与一个或多个资产118相关联的数据。在一方面,监测1004能监测和/或分析传感器数据、过程数据(例如,过程日志数据)、操作数据、监测数据、维护数据、参数数据、测量数据、性能数据、工业数据、机器数据、资产数据、设备数据、装置数据、仪表数据、实时数据、历史数据、音频数据、图像数据、视频数据和/或与一个或多个资产118相关联的其它数据。在某些实施例中,监测1004能经由网络(诸如例如,通信网络、无线网络、IP网络、IP语音网络、因特网电话网络、移动电信网络和/或另一类型的网络)监测和/或分析与一个或多个资产118相关联的数据。
模型处理/学习1006能与模型处理/学习组件110、过程分析/模型406和/或模型处理/学习902相关联。模型处理/学习1006能基于监测1004、飞进模型1008、模型套件1010、目录1012和/或包含在数据库1014中的数据来生成和/或管理用于一个或多个资产118的一个或多个模型。比如,模型处理/学习1006能用配置数据和/或其它数据处理一个或多个模型,以基于监测1004、飞进模型1008、模型套件1010、目录1012和/或包含在数据库1014中的数据促进与一个或多个资产118相关联的概率预报和/或确定性预报。在一方面,模型处理/学习1006能基于监测1004、飞进模型1008、模型套件1010、目录1012和/或包含在数据库1014中的数据来学习与和一个或多个资产118关联的一个或多个模型相关的一个或多个特征和/或信息。例如,模型处理/学习1006能基于监测1004、飞进模型1008、模型套件1010、目录1012和/或包含在数据库1014中的数据来采用机器学习和/或人工智能原理(例如机器学习过程)来学习与和一个或多个资产118关联的一个或多个模型相关的一个或多个特征和/或信息。还能采用由模型处理/学习1006提供的一个或多个模型来确定故障何时达到与一个或多个资产118相关联的危难条件阈值。附加地或备选地,还能采用由模型处理/学习1006提供的一个或多个模型来确定一个或多个资产118何时与特定健康状态相关联。
飞进模型1008能是预报模型以确定对于一个或多个资产118的确定性预报和/或概率预报。在一方面,飞进模型1008能与一个或多个资产118的一个或多个预测的操作特性相关联。在实施例中,飞进模型1008能确定一个或多个资产118在历史上如何操作和/或在何处操作。更进一步,飞进模型1008能采用历史操作信息来预测导致对于一个或多个资产118的下一个维护事件的一个或多个未来操作条件。比如,飞进模型1008能采用用于一个或多个资产118的一组操作参数(例如,一组历史参数)来预报一个或多个资产118的未来操作特性。模型套件1010能选择模型子集以供模型处理/学习1006处理和/或分析。例如,模型套件1010能从能包括模型集合的目录1012中选择模型子集。
图11图解了按照本文描述的各个方面和实现的示例系统1100。为了简洁起见,省略了对在本文描述的其它实施例中采用的相似元件的重复描述。系统1100能包含分析核心1002和聚合器1102以促进预测一个或多个资产118的健康状态。聚合器1102能包括检查器聚合器1104和/或资源图聚合器1106。例如,检查器聚合器1104能对应于检查器聚合组件202,和/或资源图聚合器1106能对应于资源图聚合组件204。检查器聚合器1104能竞争由分析核心1002选择的模型子集,以确定用于一个或多个资产118的优化模型。比如,检查器聚合器1104能聚合(例如竞争)由分析核心1002选择的模型子集,以确定用于一个或多个资产118的优化模型。在一方面,检查器聚合器1104能组合来自由分析核心1002选择的模型子集的一个或多个模型,以确定用于一个或多个资产118的优化模型。在实施例中,检查器聚合器1104能执行对于一个或多个资产118的一个或多个模拟、一个或多个概率预报和/或一个或多个确定性预报,以促进模型子集的聚合。资源图聚合器1106能确定与模型子集的聚合相关联的一组属性。例如,资源图聚合器1106能确定在模型子集的聚合之间的一组关系。在实施例中,能采用该组属性来促进服务一个或多个资产,以例如修复一个或多个资产118的健康状态。
图12图解了按照本文描述的各个方面和实现的示例系统1200。为了简洁起见,省略了对在本文描述的其它实施例中采用的相似元件的重复描述。系统1200能图解分析核心数据库模型处理。系统1200能包括用以运行飞进模型的过程1202、用以运行燃气路径跟踪过滤器(GPTF)的过程1204和/或用以运行一个或多个模型的过程1206。过程1202能基于资产数据1208和/或包含在配置表1210中的信息来执行飞进模型。资产数据1208能包含与一个或多个资产118相关联的数据。例如,资产数据1208能包含传感器数据、过程数据(例如,过程日志数据)、操作数据、监测数据、维护数据、参数数据、测量数据、性能数据、工业数据、机器数据、资产数据、设备数据、装置数据、仪表数据、实时数据、历史数据、音频数据、图像数据、视频数据和/或与一个或多个资产118相关联的其它数据。配置表1210能包括与一个或多个资产118相关联的配置信息。此外,过程1204能基于资产数据1208和/或包含在配置表1210中的信息来执行GPTF。更进一步,过程1206能基于资产数据1208、飞进模型、GPTF、配置表1210和/或模型套件1212来确定一个或多个模型。模型套件1212能选择一个或多个模型以供过程12016处理和/或分析。此外,由过程1202、过程1204和/或过程1206生成的输出能被存储在数据库1214中。例如,数据库1214能存储飞进模型、与GPTF相关联的数据、与对于一个或多个资产118的一个或多个预测相关联的一个或多个模型等。在实施例中,数据库1214能包括由过程1206确定的一个或多个过程分析/模型406。附加地或备选地,数据库1214能包括基于过程1202、过程1204和/或过程1206确定的一个或多个资产118的健康状态。
图13图解了按照本文描述的各个方面和实现的示例系统1300。为了简洁起见,省略了对在本文描述的其它实施例中采用的相似元件的重复描述。系统1300能图解用于分析核心的嵌套结构。例如,主系统1302能被嵌套为具有唯一分析核心处理的一组子系统1304。在实施例中,系统1300能被划分成多个实例(例如,嵌套)并且结果能通过数据库聚合。在另一个实施例中,与由主系统1302和/或该组子系统1304进行的唯一分析核心处理相关联的数据能被传送到数据智能/搜集1306的接口。
图14图解了按照本文描述的各个方面和实现的示例数据结构1400。为了简洁起见,省略了对在本文描述的其它实施例中采用的相似元件的重复描述。数据结构1400能提供用于绘制趋势(例如,历史趋势和/或进一步趋势)的分析数据。在实施例中,能将数据结构1400下采样到每天的最大值,以提供具有减小的数据大小的数据结构。在一方面,数据结构1400能提供对于当前资产状况(例如,飞行器的当前发动机状况等)的聚合数据。在非限制性实施例中,数据结构1400能包括资产ID数据1402、子组件ID数据1404、分析数据1406和/或循环数据1408。资产ID数据1402能包括用于一个或多个资产的一个或多个标识符。例如,资产ID数据140能包括用于一个或多个飞行器和/或一个或多个其它资产的一个或多个标识符。子组件ID数据1404能包括用于一个或多个资产的一个或多个子组件的一个或多个标识符。例如,子组件ID数据1404能包括用于一个或多个飞行器的一个或多个发动机的一个或多个标识符。分析数据1406能包括用于与资产ID数据1402和/或子组件ID数据1404相关联的一个或多个资产和/或一个或多个子组件的分析信息。例如,分析数据1406能包括由分析核心确定的分析信息,如本文中更全面公开的。循环数据1408能包括用于与资产ID数据1402和/或子组件ID数据1404相关联的一个或多个资产和/或一个或多个子组件的若干循环(例如年龄指示符)。
图15图解了按照本文描述的各个方面和实现的示例图形用户界面1500。为了简洁起见,省略了对在本文描述的其它实施例中采用的相似元件的重复描述。例如,图形用户界面1500能被显示在用户显示装置302上。在一方面,图形用户界面1500能以图形格式和/或人类可解释格式显示分析核心数据,诸如用于一个或多个资产的资产管理数据和/或资产预报数据。比如,图形用户界面1500能包含以图形格式和/或人类可解释格式提供分析核心数据(诸如用于一个或多个资产的资产管理数据和/或资产预报数据)的部分1502。在示例中,部分1502能包括按资产的阈值信息的循环(例如,按发动机序列号的阈值信息的循环)。此外,图形用户界面1500能包括提供与包含在部分1502中的分析核心数据相关联的一个或多个资产的资产计数和/或其它信息的部分1504。附加地或备选地,图形用户界面1500能包括提供与包含在部分1502中的分析核心数据相关联的一个或多个资产的资产细节和/或其它信息的部分1506。然而,要认识到,在某些实施例中,图形用户界面1500能包括促进对于一个或多个资产的资产管理和/或资产预报的其它信息和/或其它图形元素。
前面提到的系统和/或装置已经相对于几个组件之间的交互进行了描述。应该认识到,这样的系统和组件能包括其中指定的那些组件或子组件、指定的组件或子组件中的一些、和/或附加组件。子组件也能够被实现为通信地耦合到其它组件而不是包含在父组件内的组件。此外,一个或多个组件和/或子组件可以被组合成提供聚合功能性的单个组件。组件还可以与为了简洁起见本文未具体描述但是本领域技术人员已知的一个或多个其它组件交互。
图16图解了按照所公开主题的方法论和/或流程图。为了简化说明,该方法论被描绘和描述为一系列动作。要理解和认识到,主题创新不受图解的动作和/或动作顺序的限制,例如,动作能以各种顺序发生和/或同时发生,并且具有本文未呈现和描述的其它动作。更进一步,实现按照所公开的主题的方法论可以并不要求所有图解的动作。此外,本领域技术人员将理解和认识到,该方法论能备选地经由状态图或事件被表示为一系列相互关联的状态。此外,应该进一步认识到,下文和此说明书通篇公开的方法论能够被存储在制品上,以促进将这种方法论传输和传递到计算机。本文所使用的术语“制品”意图涵盖从任何计算机可读装置或存储介质可存取的计算机程序。
参考图16,图解了按照本文描述的一个或多个实施例用于促进分析核心和/或聚合的方法论1600。作为示例,方法论1600能被用于各种应用,诸如但不限于:资产管理系统、资产预报系统、建模系统、航空系统、电力系统、分布式电力系统、能源管理系统、热管理系统、运输系统、石油和然气系统、机械系统、机器系统、装置系统、基于云的系统、加热系统、HVAC系统、医疗系统、汽车系统、飞行器系统、水上艇筏系统、水过滤系统、冷却系统、泵系统、发动机系统、诊断系统、预后系统、机器设计系统、医疗装置系统、医学成像系统、医学建模系统、模拟系统、企业系统、企业成像解决方案系统、高级诊断工具系统、图像管理平台系统、人工智能系统、机器学习系统、神经网络系统等。在1602,由包括处理器的系统(例如,由监测组件104)监测与一个或多个资产相关联的数据。在1604,确定是否存在要监测的另一资产。如果是,则方法论返回到1602。如果否,则方法论行进到1606。在1606,由系统(例如,由监测组件104)分析一个或多个资产。在1608,由系统(例如,由目录组件106)管理与一个或多个资产相关联的分析,并且(例如,由目录组件106)生成用于一个或多个资产的模型集合。在1610,由系统(例如,由模型套件组件108)选择来自模型集合的模型子集。在1612,由系统(例如,由模型处理/学习组件110)执行与模型子集相关联的学习,以预测一个或多个资产的健康状态。在1614,由系统(例如,由检查器聚合组件202)聚合模型子集以确定用于一个或多个资产的优化模型。在某些实施例中,方法论1600能附加地或替代地包括由系统处理模型子集。在某些实施例中,方法论1600能附加地或备选地包括由系统执行预报模型以确定对于一个或多个资产的确定性预报和/或概率预报。在某些实施例中,方法论1600能附加地或备选地包括由系统确定与模型子集的聚合相关联的一组属性,以促进来自一个或多个资产中的至少一个资产的服务。在某些实施例中,方法论1600能附加地或备选地包括由系统定义用于一个或多个资产的一个或多个特征的一个或多个模型。
前面提到的系统和/或装置已经相对于几个组件之间的交互进行了描述。应该认识到,这样的系统和组件能包括其中指定的那些组件或子组件、指定的组件或子组件的一些、和/或附加组件。子组件也能够被实现为通信地耦合到其它组件而不是包含在父组件内的组件。此外,一个或多个组件和/或子组件可以被组合成提供聚合功能性的单个组件。组件还可以与为了简洁起见本文未具体描述但是本领域技术人员已知的一个或多个其它组件交互。
为了提供所公开主题的各个方面的上下文,图17和18以及如下讨论意图提供其中可实现所公开主题的各个方面的合适环境的简要的一般描述。
参考图17,用于实现此公开各个方面的合适的环境1700包含计算机1712。计算机1712包含处理单元1714、系统存储器1716和系统总线1718。系统总线1718将系统组件(包含但不限于系统存储器1716)耦合到处理单元1714。处理单元1714能是各种可用处理器中的任何处理器。也能采用双微处理器和其它多处理器架构作为处理单元1714。
系统总线1718能是几种类型总线结构中的任一种,所述总线结构包含存储器总线或存储器控制器、外围总线或外部总线和/或使用各种可用总线架构的局部总线,所述可用总线架构包含但不限于工业标准架构(ISA)、微通道架构(MAS)、扩展ISA(EISA)、智能驱动电子(IDE)、VESA局部总线(VLB)、外围组件互连(PCI)、卡总线、通用串行总线(USB)、高级图形端口(AGP)、个人计算机存储卡国际协会总线(PCMCIA)、火线(IEEE 1394)和小计算机系统接口(SCSI)。
系统存储器1716包含易失性存储器1720和非易失性存储器1722。包含诸如在启动期间在计算机1712内的元件之间传递信息的基本例程的基本输入/输出系统(BIOS)被存储在非易失性存储器1722中。作为说明而非限制,非易失性存储器1722能包含只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)、闪存、或非易失性随机存取存储器(RAM)(例如,铁电RAM(FeRAM))。易失性存储器1720包括随机存取存储器(RAM),其充当外部高速缓冲存储器。作为说明而非限制,RAM可用于许多形式,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双倍数据速率SDRAM(DDR SDRAM)、增强SDRAM(ESDRAM)、同步链路DRAM(SLDRAM)、直接Rambus RAM(DRRAM)、直接Rambus动态RAM(DRDRAM)和Rambus动态RAM。
计算机1712还能包含可拆卸/不可拆卸、易失性/非易失性计算机存储介质。图17图解了例如盘存储装置1724。盘存储装置1724包含但不限于像固体驱动(SSD)、磁盘驱动、软盘驱动、磁带驱动、Jaz驱动、Zip驱动、LS-100驱动、闪存卡或存储条的装置。盘存储装置1724还能单独地或与其它存储介质组合地包括存储介质,其它存储介质包括但不限于光盘驱动诸如蓝光光盘可写驱动(BD-R)、压缩盘ROM装置(CD-ROM)、CD可记录驱动(CD-R驱动)、CD可重写驱动(CD-RW驱动)或数字通用盘ROM驱动(DVD-ROM)。为了促进盘存储装置1724到系统总线1718的连接,通常使用可拆卸或不可拆卸接口,诸如接口1726。
图17还描绘了充当用户与在合适的操作环境1700中描述的基本计算机资源之间的中介的软件。这种软件例如包含操作系统1728。能被存储在盘存储装置1724上的操作系统1728用于控制和分配计算机系统1712的资源。系统应用1730利用由操作系统1728通过例如或者存储在系统存储器1716中或者存储在盘存储装置1724上的程序模块1732和程序数据1734的资源的管理。要认识到,此公开能用各种操作系统或操作系统的组合来实现。
用户通过(一个或多个)输入装置1736将命令或信息录入到计算机1712中。输入装置1736包含但不限于诸如鼠标、跟踪球、触控笔、触摸板、键盘、麦克风、操纵杆、游戏手柄、卫星天线、扫描仪、电视调谐器卡、数码相机、数码摄像机、网络摄像头等指点装置。这些和其它输入装置经由(一个或多个)接口端口1738通过系统总线1718连接到处理单元1714。(一个或多个)接口端口1738例如包含串行端口、并行端口、游戏端口和通用串行总线(USB)。(一个或多个)输出装置1740使用与(一个或多个)输入装置1736相同类型的端口中的一些端口。从而,例如,USB端口可用于向计算机1712提供输入,并将信息从计算机1712输出到输出装置1740。提供输出适配器1742以说明存在一些输出装置1740,像监测器、扬声器和打印机,以及需要特殊适配器的其它输出装置1740。作为说明而非限制,输出适配器1742包含视频卡和声卡,它们提供输出装置1740和系统总线1718之间的连接手段。应该指出,其它装置和/或装置系统提供输入和输出能力两者,诸如(一个或多个)远程计算机1744。
计算机1712能使用到一个或多个远程计算机(诸如(一个或多个)远程计算机1744)的逻辑连接操作在连网环境中。(一个或多个)远程计算机1744能是个人计算机、服务器、路由器、网络PC、工作站、基于微处理器的器械、对等装置或其它公共网络节点等,并且通常包含许多或所有相对于计算机1712描述的元件。出于简洁的目的,仅图解了存储器存储装置1746与(一个或多个)远程计算机1744。(一个或多个)远程计算机1744通过网络接口1748逻辑连接到计算机1712,并且然后经由通信连接1750物理连接。网络接口1748涵盖有线和/或无线通信网络,诸如局域网(LAN)、广域网(WAN)、蜂窝网络等。LAN技术包含光纤分布式数据接口(FDDI)、铜分布式数据接口(CDDI)、以太网、令牌环等。WAN技术包含但不限于点对点链路、像集成服务数字网络(ISDN)及其变形的电路切换网络、分组切换网络和数字订户线(DSL)。
(一个或多个)通信连接1750指代将网络接口1748连接到总线1718所采用的硬件/软件。虽然为了说明清楚起见,通信连接1750被显示在计算机1712内部,但是它也能在计算机1712的外部。用于连接到网络接口1748的硬件/软件仅为了示例性目的而包含内部和外部技术,诸如调制解调器,包含正规电话级调制解调器、电缆调制解调器和DSL调制解调器、ISDN适配器和以太网卡。
图18是本公开的主题能与其交互的样本计算环境1800的示意性框图。系统1800包含一个或多个客户端1810。(一个或多个)客户端1810能是硬件和/或软件(例如,线程、过程、计算装置)。系统1800还包含一个或多个服务器1830。从而,系统1800能对应于两层客户端服务器模型或多层模型(例如,客户端、中间层服务器、数据服务器)以及其它模型。(一个或多个)服务器1830还能是硬件和/或软件(例如,线程、过程、计算装置)。例如,服务器1830能通过采用本公开来容纳执行变换的线程。客户端1810和服务器1830之间的一种可能通信可以采用在两个或更多个计算机过程之间传送的数据分组的形式。
系统1800包括能用于促进(一个或多个)客户端1810与(一个或多个)服务器1830之间的通信的通信框架1850。(一个或多个)客户端1810可操作地连接到可用于存储(一个或多个)客户端1810本地的信息的一个或多个客户端数据存储1820。类似地,(一个或多个)服务器1830操作地连接到可用于存储服务器1830本地的信息的一个或多个服务器数据存储1840。
要指出,本公开的方面或特征能用于基本上任何无线电信或无线电技术,例如Wi-Fi、蓝牙、全球微波接入互操作性(WiMAX)、增强型通用分组无线电服务(增强型GPRS)、第三代合作伙伴项目(3GPP)长期演进(LTE)、第三代合作伙伴项目2(3GPP2)超移动宽带(UMB)、3GPP通用移动电信系统(UMTS)、高速分组接入(HSPA)、高速下行链路分组接入(HSDPA)、高速上行链路分组接入(HSUPA)、GSM(全球移动通信系统)EDGE(GSM演进的增强数据速率)无线电接入网(GERAN)、UMTS地面无线电接入网(UTRAN)、LTE高级(LTE-A)等。此外,本文描述的一些或所有方面都能用在遗留电信技术(例如GSM)中。此外,移动以及非移动网络(例如,因特网、数据服务网络诸如因特网协议电视(IPTV)等)能利用本文描述的方面或特征。
虽然上面已经在运行在一个和/或多个计算机上的计算机程序的计算机可执行指令的一般上下文中描述了主题,但是本领域技术人员将认识到,此公开还能或者可以与其它程序模块组合地执行。一般而言,程序模块包含执行具体任务和/或实现具体抽象数据类型的例程、程序、组件、数据结构等。此外,本领域技术人员将认识到,本发明的方法可以用其它计算机系统配置来实践,包含单处理器或多处理器计算机系统、小型计算装置、大型计算机以及个人计算机、手持计算装置(例如,PDA、电话)、基于微处理器或可编程消费或工业电子产品等。说明的方面还可以在分布式计算环境中实践,其中任务由通过通信网络链接的远程处理装置执行。然而,本公开的一些(如果不是全部)方面能在独立计算机上实施。在分布式计算环境中,程序模块可位于本地和远程存储器储存装置两者中。
如本申请中所使用的术语“组件”、“系统”、“平台”、“接口”等能指代和/或能包含计算机相关实体或与具有一个或多个特定功能性的操作机器相关的实体。本文公开的实体能是硬件、硬件和软件的组合、软件或执行中的软件。例如,组件可以是但不限于在处理器上运行的过程、处理器、对象、可执行、执行线程、程序、和/或计算机。作为说明,运行在服务器上的应用和服务器两者都能是组件。一个或多个组件可驻留在执行的过程和/或线程内,并且组件可被局部化在一个计算机上,和/或分布在两个或更多个计算机之间。
在另一示例中,相应组件能从其上存储有各种数据结构的各种计算机可读介质执行。组件可经由本地和/或远程过程进行通信,诸如按照具有一个或多个数据分组的信号(例如,来自与本地系统、分布式系统中的另一组件交互的和/或跨网络(诸如互联网)经由信号与其它系统交互的一个组件的数据)。作为另一示例,组件能是具有由电气或电子电路操作的机械部件提供的特定功能性的设备,该电路通过由处理器执行的软件或固件应用进行操作。在这种情况下,处理器能在设备的内部或外部,并且能执行软件或固件应用的至少一部分。作为又一个示例,组件能是通过没有机械部件的电子组件提供特定功能性的设备,其中电子组件能包含处理器或执行至少部分地赋予电子组件的功能性的软件或固件的其它部件。在一方面,组件能经由虚拟机(例如,在云计算系统内)模仿电子组件。
此外,术语“或者”意图意味着包含性的“或者”而不是排他性的“或者”。也就是说,除非另有说明或从上下文中清楚,否则“X采用A或B”意图意味着任何自然的包含性排列。也就是说,如果X采用A;X采用B;或者X采用A和B两者,则在任何前述实例下都满足“X采用A或B”。而且,在主题说明书和附图中使用的冠词“一”通常应被解释为意味着“一个或多个”,除非另有说明或从上下文清楚地指向单数形式。
如本文所使用的,术语“示例”和/或“示例性”用于意味着用作示例、实例或说明。为避免疑义,本文公开的主题不受这种示例的限制。此外,本文描述为“示例”和/或“示例性”的任何方面或设计不一定被解释为比其它方面或设计优选或有利,也不意味着排除了对本领域普通技术人员已知的等效示例性结构和技术。
能使用标准编程或工程技术将本文描述的各个方面或特征实现为方法、设备、系统或制品。此外,在本公开中公开的各个方面或特征能通过实现本文公开的方法中的至少一个或多个的程序模块来实现,程序模块被存储在存储器中并且至少由处理器执行。硬件和软件或硬件和固件的其它组合能启用或实现本文描述的各方面,包括(一个或多个)公开的方法。本文所使用的术语“制品”能涵盖从任何计算机可读装置、载体或存储介质可存取的计算机程序。例如,计算机可读存储介质能包括但不限于磁存储装置(例如,硬盘、软盘、磁条......)、光盘(例如,压缩盘(CD)、数字通用盘(DVD)、蓝光光盘(BD)......)、智能卡和闪存装置(例如,卡、棒、关键驱动(key drive)......)等。
当在主题说明书中采用时,术语“处理器”能指代基本上任何计算处理单元或装置,包括但不限于单核处理器、具有软件多线程执行能力的单处理器、多核处理器、具有软件多线程执行能力的多核处理器、具有硬件多线程技术的多核处理器、并行平台以及具有分布式共享存储器的并行平台。此外,处理器能指代设计用于执行本文描述的功能的集成电路、专用集成电路(ASIC)、数字信号处理器(DSP)、现场可编程门阵列(FPGA)、可编程逻辑控制器(PLC)、复杂可编程逻辑装置(CPLD)、分立门或晶体管逻辑、分立硬件组件、或其任何组合。另外,处理器能利用纳米级架构,诸如但不限于基于分子和量子点的晶体管、开关和门,以便优化空间使用或增强用户设备的性能。处理器也可被实现为计算处理单元的组合。
在本公开中,利用诸如“存储”、“存储装置”、“数据存储”、“数据存储装置”、“数据库”以及与组件的操作和功能性相关的基本上任何其它信息存储组件的术语指代“存储器组件”、实施在“存储器”中的实体或包括存储器的组件。要认识到,本文描述的存储器和/或存储器组件能是易失性存储器或非易失性存储器,或者能包含易失性和非易失性存储器两者。
作为说明而非限制,非易失性存储器能包含只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除ROM(EEPROM)、闪存、或非易失性随机存取存储器(RAM)(例如,铁电RAM(FeRAM))。例如,易失性存储器能包含RAM,其能充当外部高速缓冲存储器。作为说明而非限制,RAM可用于许多形式,诸如同步RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双倍数据速率SDRAM(DDR SDRAM)、增强SDRAM(ESDRAM)、同步链路DRAM(SLDRAM)、直接Rambus RAM(DRRAM)、直接Rambus动态RAM(DRDRAM)和Rambus动态RAM(RDRAM)。此外,本文的系统或方法的公开的存储器组件意图包含但不限于包含这些和任何其它合适类型的存储器。
要认识到和理解到,如关于特定系统或方法所描述的组件能包括与关于本文公开的其它系统或方法描述的相应组件(例如,分别命名的组件或类似命名的组件)相同或类似的功能性。
上面已经描述的内容包括提供本公开的优点的系统和方法的示例。当然,出于描述本公开的目的,不可能描述组件或方法的每一个可想到的组合,但是本领域普通技术人员能认识到,本公开的许多另外组合和置换是可能的。更进一步,在详细描述、权利要求书、附录和附图中使用术语“包含”、“具有”、“拥有”等的这种意义上,这种术语意图以与术语“包括”类似的方式是包含性的,因为“包括”当被采用时被解释为权利要求中的过渡词。
Claims (10)
1. 一种系统,包括:
存储器,所述存储器存储计算机可执行组件;以及
处理器,所述处理器被配置为执行存储在所述存储器中的以下计算机可执行组件:
监测组件,所述监测组件监测和分析与一个或多个资产相关联的数据;
目录组件,所述目录组件管理与所述一个或多个资产相关联的分析,其中所述目录组件管理用于所述一个或多个资产的模型集合;
模型套件组件,所述模型套件组件从所述模型集合中选择模型子集;以及
模型处理/学习组件,所述模型处理/学习组件处理所述模型子集,并执行与所述模型子集相关联的学习以预测所述一个或多个资产的健康状态。
2.如权利要求1所述的系统,其中所述模型套件组件定义用于所述一个或多个资产的一个或多个特征的一个或多个模型。
3.如权利要求1所述的系统,其中所述模型处理/学习组件执行一个或多个机器学习技术以预测所述一个或多个资产的所述健康状态。
4.如权利要求1所述的系统,其中所述模型处理/学习组件学习与所述模型子集相关的一个或多个特征。
5.如权利要求1所述的系统,其中所述计算机可执行组件进一步包括:
飞进组件,所述飞进组件执行预报模型以确定对于所述一个或多个资产的确定性预报和/或概率预报。
6.如权利要求5所述的系统,其中所述飞进组件确定所述一个或多个资产的一个或多个预测的操作特性。
7.如权利要求5所述的系统,其中所述飞进组件采用用于所述一个或多个资产的一组历史参数来预报所述一个或多个资产的一个或多个未来的操作特性。
8.如权利要求1所述的系统,其中所述计算机可执行组件进一步包括:
检查器聚合组件,所述检查器聚合组件聚合所述模型子集以确定对于所述一个或多个资产的优化模型。
9.如权利要求3所述的系统,其中所述计算机可执行组件进一步包括:
资源图聚合组件,所述资源图聚合组件确定与所述模型子集的聚合相关联的一组属性,以促进来自所述一个或多个资产中的至少一个资产的服务。
10.一种方法,包括:
由包括处理器的系统监测与一个或多个资产相关联的数据;
由所述系统分析所述一个或多个资产;
由所述系统管理与所述一个或多个资产相关联的分析,包括生成用于所述一个或多个资产的模型集合;
由所述系统从所述模型集合中选择模型子集;以及
由所述系统执行与所述模型子集相关联的学习以预测所述一个或多个资产的健康状态。
Applications Claiming Priority (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201862640376P | 2018-03-08 | 2018-03-08 | |
US62/640376 | 2018-03-08 | ||
US16/235155 | 2018-12-28 | ||
US16/235,155 US20190279132A1 (en) | 2018-03-08 | 2018-12-28 | Analytics core and aggregation |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110245772A true CN110245772A (zh) | 2019-09-17 |
Family
ID=65657357
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910175707.9A Pending CN110245772A (zh) | 2018-03-08 | 2019-03-08 | 分析核心与聚合 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20190279132A1 (zh) |
EP (1) | EP3537352A1 (zh) |
CN (1) | CN110245772A (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10942710B1 (en) | 2019-09-24 | 2021-03-09 | Rockwell Automation Technologies, Inc. | Industrial automation domain-specific language programming paradigm |
US11048483B2 (en) | 2019-09-24 | 2021-06-29 | Rockwell Automation Technologies, Inc. | Industrial programming development with an extensible integrated development environment (IDE) platform |
US11163536B2 (en) | 2019-09-26 | 2021-11-02 | Rockwell Automation Technologies, Inc. | Maintenance and commissioning |
US11042362B2 (en) * | 2019-09-26 | 2021-06-22 | Rockwell Automation Technologies, Inc. | Industrial programming development with a trained analytic model |
US11392112B2 (en) | 2019-09-26 | 2022-07-19 | Rockwell Automation Technologies, Inc. | Virtual design environment |
US11080176B2 (en) | 2019-09-26 | 2021-08-03 | Rockwell Automation Technologies, Inc. | Testing framework for automation objects |
US11733687B2 (en) | 2019-09-26 | 2023-08-22 | Rockwell Automation Technologies, Inc. | Collaboration tools |
US11308447B2 (en) | 2020-04-02 | 2022-04-19 | Rockwell Automation Technologies, Inc. | Cloud-based collaborative industrial automation design environment |
EP4360183A1 (en) * | 2021-06-25 | 2024-05-01 | Landis+Gyr Technology, Inc. | Asset management for utility system maintenance |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140365271A1 (en) * | 2013-06-10 | 2014-12-11 | Abb Technology Ltd. | Industrial asset health model update |
Family Cites Families (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3186866B2 (ja) * | 1992-11-20 | 2001-07-11 | 株式会社東芝 | 構造部材の劣化・損傷予測方法およびその予測装置 |
GB0319553D0 (en) * | 2003-08-20 | 2003-09-24 | Rolls Royce Plc | Condition monitoring |
CN101950327B (zh) * | 2010-09-09 | 2012-05-23 | 西北工业大学 | 一种基于故障树信息的设备状态预测方法 |
US9311615B2 (en) * | 2010-11-24 | 2016-04-12 | International Business Machines Corporation | Infrastructure asset management |
US10579928B2 (en) * | 2012-09-17 | 2020-03-03 | Siemens Aktiengesellschaft | Log-based predictive maintenance using multiple-instance learning |
US10254751B2 (en) * | 2015-06-05 | 2019-04-09 | Uptake Technologies, Inc. | Local analytics at an asset |
US11107169B2 (en) * | 2015-11-18 | 2021-08-31 | General Electric Company | Systems and methods for controlling and monitoring power assets |
US11295217B2 (en) * | 2016-01-14 | 2022-04-05 | Uptake Technologies, Inc. | Localized temporal model forecasting |
US10444714B2 (en) * | 2016-06-21 | 2019-10-15 | General Electric Company | Machine monitoring device |
US10474789B2 (en) * | 2016-06-24 | 2019-11-12 | The Boeing Company | Prediction methods and systems for structural repair during heavy maintenance of aircraft |
US10489752B2 (en) * | 2016-08-26 | 2019-11-26 | General Electric Company | Failure mode ranking in an asset management system |
CN106503813A (zh) * | 2016-10-27 | 2017-03-15 | 清华大学 | 基于起重装备工作状态的预测性维修决策方法及系统 |
CN107358299B (zh) * | 2017-06-16 | 2022-11-22 | 杭州培慕科技有限公司 | 基于故障模式的预知性维修闭环方法 |
US10699040B2 (en) * | 2017-08-07 | 2020-06-30 | The Boeing Company | System and method for remaining useful life determination |
US20190188581A1 (en) * | 2017-12-18 | 2019-06-20 | Siemens Aktiengesellschaft | Switching from calendar-based to predictive maintenance: a leaner and faster software-based solution orchestrating data-driven forecasting models |
-
2018
- 2018-12-28 US US16/235,155 patent/US20190279132A1/en active Pending
-
2019
- 2019-03-01 EP EP19160244.0A patent/EP3537352A1/en not_active Ceased
- 2019-03-08 CN CN201910175707.9A patent/CN110245772A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140365271A1 (en) * | 2013-06-10 | 2014-12-11 | Abb Technology Ltd. | Industrial asset health model update |
Also Published As
Publication number | Publication date |
---|---|
EP3537352A1 (en) | 2019-09-11 |
US20190279132A1 (en) | 2019-09-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110245772A (zh) | 分析核心与聚合 | |
Li et al. | A survey of data-driven and knowledge-aware explainable ai | |
Saldivar et al. | Self-organizing tool for smart design with predictive customer needs and wants to realize Industry 4.0 | |
US20180137219A1 (en) | Feature selection and feature synthesis methods for predictive modeling in a twinned physical system | |
US11853051B2 (en) | Method and apparatus for optimizing diagnostics of rotating equipment | |
Combemale et al. | A hitchhiker's guide to model-driven engineering for data-centric systems | |
US20180300333A1 (en) | Feature subset selection and ranking | |
CN107103362A (zh) | 机器学习系统的更新 | |
US10775314B2 (en) | Systems and method for human-assisted robotic industrial inspection | |
US20140229421A1 (en) | Autonomous semantic software agents and design method therefor, and online simulation apparatus using an inference engine | |
US11669757B2 (en) | Operational energy consumption anomalies in intelligent energy consumption systems | |
US11561950B2 (en) | System and method for facilitating an objective-oriented data structure and an objective via the data structure | |
Escobar et al. | Quality 4.0—green, black and master black belt curricula | |
Bossé et al. | Information fusion and analytics for big data and IoT | |
CN116882978B (zh) | 一种基于产品信息框架的深海潜水器运维保障系统 | |
WO2021066796A1 (en) | Modeling human behavior in work environments using neural networks | |
Karaoğlu et al. | Applications of machine learning in aircraft maintenance | |
Longo | Explainable Artificial Intelligence: First World Conference, xAI 2023, Lisbon, Portugal, July 26–28, 2023, Proceedings, Part II | |
Javed et al. | Random neural network learning heuristics | |
Qasim et al. | A Model-Based Method for System Reconfiguration | |
Madni et al. | Exploiting Digital Twins in MBSE to Enhance System Modeling and Life Cycle Coverage | |
Peng et al. | Machine learning hyperparameter fine tuning service on dynamic cloud resource allocation system-taking heart sounds as an example | |
Marrone | Optimizing Product Development and Innovation Processes with Artificial Intelligence | |
US20240069047A1 (en) | Automated sample analyzer | |
US20230152787A1 (en) | Performance optimization of complex industrial systems and processes |
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 |