CN110337616A - 用于对工业资产性能持续地进行建模的系统和方法 - Google Patents

用于对工业资产性能持续地进行建模的系统和方法 Download PDF

Info

Publication number
CN110337616A
CN110337616A CN201780083181.0A CN201780083181A CN110337616A CN 110337616 A CN110337616 A CN 110337616A CN 201780083181 A CN201780083181 A CN 201780083181A CN 110337616 A CN110337616 A CN 110337616A
Authority
CN
China
Prior art keywords
model
performance
data
industrial assets
control processor
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
Application number
CN201780083181.0A
Other languages
English (en)
Inventor
徐锐
Y.徐
严卫中
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.)
General Electric Co
Original Assignee
General Electric Co
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 General Electric Co filed Critical General Electric Co
Publication of CN110337616A publication Critical patent/CN110337616A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • 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
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • 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
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
    • 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
    • G05B17/00—Systems involving the use of models or simulators of said systems
    • G05B17/02—Systems involving the use of models or simulators of said systems electric
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Automation & Control Theory (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

一种对工业资产性能持续地进行建模的方法包括：初始模型构建块，所述初始模型构建块基于工业资产历史数据、配置数据以及训练数据的组合而创建第一模型，对历史数据、配置数据以及训练数据中的至少一个进行过滤；和持续学习块，所述持续学习块通过评价模型集合的一个或多个成员对于预定阈值的结果而预测一个或多个集合成员的性能。模型应用块将所选择的模型集合成员推送到性能诊断中心，基于将模型集合成员与现场建模算法比较而选择成员。公开了系统和计算机可读介质。

Description

用于对工业资产性能持续地进行建模的系统和方法
优先权声明
本专利申请声明提交于2016年11月11日的标题为“SYSTEMS AND METHODS FORPERFORMANCE MODELING WITH ONLINE ENSEMBLE REGRESSION”的序号为62/420850的美国临时专利申请的根据35 U.S.C.§119的优先权的权益，该临时专利申请的整个公开通过引用而结合于本文中。
背景技术
工业资产被工程化以实行作为工业过程的部分的具体任务。例如，除了其它事物之外并且无限制，工业资产能够包括发电机、燃气涡轮、动力设备、生产线上的制造装备、飞行器发动机、风力涡轮发电机、动力设备、机车、用于在患者护理设施中使用的健康护理或成像装置(例如，X射线或MRI系统)或用于在挖掘操作中使用的钻削装备。这些资产的设计和实现通常考虑手头的任务的物理性质以及资产的操作环境及其(一个或多个)特定操作模式两者。
工业资产能够为复杂并且非静止的系统。使用传统的机器学习建模途径来对这样的系统进行建模不足以对这样的系统的操作适当地进行建模。复杂的工业资产的一个示例是动力设备。将期望的是，提供用于带有持续学习能力的这样的系统的性能建模的系统和方法。如本文中所使用的，工业资产(即，动力设备)的具体示例用于图示一些实施例的特征。本领域技术人员在阅读本公开时将意识到，该示例仅仅是出于说明性的目的的，并且不同类型和/或性质的其它工业资产处于本公开的范围内。一些和/或全部实施例的特征可以与其它工业资产联合使用。
附图说明
图1描绘了根据实施例的利用集合回归算法(ensemble regression algorithm)对工业资产性能的持续建模的流程图；
图2描绘了根据实施例的用于实现对工业资产性能进行建模的基于集合(ensemble)的被动途径的系统；
图3描绘了根据实施例的在验证模型集合中使用的工业资产的仿真数据的示例；
图4描绘了根据实施例的集合回归算法对窗口大小的敏感性；
图5A描绘了根据实施例的利用再训练的随时间推移的集合回归算法的性能；
图5B描绘了未利用再训练的随时间推移的集合回归算法的性能；
图6A描绘了根据实施例的利用再训练的随时间推移的集合回归算法的预测误差；以及
图6B描绘了未利用再训练的随时间推移的集合回归算法的预测误差。
具体实施方式
在当今的竞争激烈的商业环境中，工业资产的操作者或用户(诸如，动力设备所有者)一直力图降低其操作和维护成本，因而增加其利润。为了更高效地操作工业资产，能够开发更高效的机器-例如，下一代涡轮机器。还能够针对设备操作而开发先进的数字解决方案(软件和工具)。例如，通用电气公司首创使工业资产数字化的被称为“数字动力设备”的项目是新近开发的这样的技术中的一种。数字动力设备涉及构建数字模型(基于物理性质的以及数据驱动式的两者)或用于对动力设备中的每一个资产的目前状态进行建模的所谓的“数字孪生”的收集。该变换技术使公共事业能够监测并且管理发电生态系统的每一个方面，以干净地、高效地并且安全地生成电力。
动力设备在本文中用作由于物理性质驱动的退化、不同的操作和控制设置以及各种维护动作而导致的固有动态的系统的说明性示例。例如，由于因老化而造成的部件磨损、静止部件与旋转部件之间的摩擦等等而导致机械资产或装备的效率逐渐地退化。外部因素(诸如，灰尘、污垢、湿度以及温度)也能够对这些资产或装备的特性造成影响。操作条件的变化可能引起所观察数据的未见过的场景。
例如，对于联合循环式动力设备，导管燃烧器的通断开关将导致功率输出与对应的输入变量之间的关系变化。维护动作(具体地，在线动作)通常将引起对于系统行为的突然变化。典型的示例是压缩机的水洗，这可能显著地提高其效率，并且导致在类似的环境下的更高的功率输出。
在过去的几十年里，具体地，在机器学习和计算智能的社群中的分类的上下文中，非静止环境中的学习(其在本文献中也被称为概念漂移学习或动态的学习)已经吸引了大量的努力。概念漂移能够区分成两个类型：真实漂移，其指后验概率的变化；和虚拟漂移，其指在未对后验概率造成影响的情况下，先验概率的变化。物理系统退化和操作条件变化为真实漂移。对于初始建模的不充分的数据表示属于虚拟漂移。
概念漂移还能够基于随时间推移的变化率而分类成三个类型的模式。突然漂移指示突然从一个概念发生漂移到另一概念(例如，动力燃气涡轮的水洗能够提高压缩机效率(隐藏变量)，这导致功率输出的显著增加)。与突然漂移形成对照，逐渐漂移针对概念演进而耗费较长时期(例如，部件的磨损导致物理系统的退化)。还能够随着先前概念的再次出现而再次发生漂移。
通常，基于是否要求数据的变化的显式检测，针对概念漂移的适应算法属于两个主要族-主动途径和被动途径。对于主动途径，能够在检测到变化之后，触发适应机制。相比之下，假定能够在任何时间以任何变化模式或速率发生变化，被动途径随时间推移而持续地学习。
在主动途径的框架下，漂移检测算法监测性能度量或数据分布特性，并且通知适应机制对所检测到的变化作出反应。普遍使用的检测技术包括序列假设检验、变化检测检验以及假设检验。对于适应机制的主要挑战是选择最相关的信息来更新模型。一个简单的策略是应用滑动窗口，并且仅仅将当前窗口内的数据点用于再训练模型。窗口大小能够提前固定或适应性地调整。实例加权是解决该问题的另一途径，其基于数据点的年龄或对于模型性能的相对重要性而将权重指派给数据点。实例加权要求所有的先前数据的存储，这对于带有大数据的许多应用是不可行的。备选途径是应用数据采样来维持提供训练数据以更新模型的数据储备库。
在新数据点到达时，被动途径执行模型的持续更新。被动途径与持续学习和在线学习密切相关。持续地演进的学习者能够是单个模型或模型集合。体现的模型的持续演进集合具有优于单个模型的优点。具体地，基于集合的学习提供从集合添加模型和去除模型的非常灵活的结构，因而提供新知识与旧知识之间的学习的有效平衡。体现的基于集合的被动算法能够包括以下的方面：
投票策略-加权投票对于许多算法是普遍选择，但一些作者主张平均投票可能更适于非静止环境学习。
投票权重-如果使用加权投票，则权重通常基于模型性能而确定。例如，对于每个学习者的权重被运算为随机模型与学习者之间的均方误差的差值。动态加权多数算法(DWM)通过以预定因子减小权重而惩罚学习者的错误预测。对于每个学习者的权重被运算为算法Learn++.NSE中的加权误差的对数归一化的倒数。
新模型-何时并且如何将新模型添加到集合对于有效并且快速的对环境变化的适应是重要的。一些常规途径针对每一个新数据组块而构建新模型。更普遍地，如果(一个或多个)当前数据点上的集合性能为错误的或低于期望，则添加新模型。训练数据通常为最新近样本。
集合修剪-实践中，集合大小通常由于资源的限制而为有界的。简单的修剪策略是无论何时达到集合的上界，都去除最差性能模型。有效的集合大小还能够通过诸如基于实例的修剪和有序聚集之类的途径而动态地确定。如果模型的权重低于阈值，则DWM算法将该模型从集合去除。
非静止环境下的带有非平衡类的流化数据的学习的方面的更新近的进展包括解决类演进的问题(即，带有流化数据的类的出现和消失)的基于集合的在线学习算法。
体现的系统和方法提供选择用于工业资产的性能(例如，动力设备)的预测的模型的基于集合的被动途径。体现的算法基于动态及在线集合回归算法(DOER)而开发。体现的算法包括满足工业应用的特定要求的优于常规DOER的明显修改。当与常规建模算法相比时，体现的算法提供多个合成及真实(工业应用)数据集上的总体上更好的性能。
对体现的过程中所包括的常规DOER的修改至少包括以下的三个方面。第一，数据选择器单元被引入常规DOER中，该数据选择器单元增加针对模型更新而选择数据(例如，过滤)的能力，而非单单仅依赖于新近数据的常规途径。基于储备库采样而添加长期存储器，以存储先前历史数据知识。作为对于新模型的训练集，通过将过滤应用于长期存储器数据和当前数据(被称为短期存储器)而选择类似的数据点(在预定阈值内集群)。因而，体现的过程对于例如响应于突然变化而以更快速的方式对突变作出算法适应而为有效的。当变化点之前的数据点不再表示变化点之后的真实信息(即，起因于工业资产的性能的变化)时，该适应性是有用的。作为示例，动力设备中的普遍现象是，水洗清洁导致压缩机或涡轮效率的显著改进。这样的维护能够导致功率输出的突然增加，这使得先前学习的动力设备模型不再是有效的。
第二，常规DOER算法将在线序列极限学习机(OS-ELM)用作集合中的基本模型。然而，常规OS-ELM的学习策略的一个缺陷是，由于非唯一解的可能性而导致其性能不稳定。为了解决该问题，体现的系统和方法将正则化单元引入到OS-ELM的初始模型构建训练块。该正则化单元能够惩罚较大的权重，并且达到更好的一般化。在分析上可解的标准用于自动地从给定的候选集选择正则化因子。在一些实现中，然后，神经元的数量能够设置为大量(例如，大约500个)，而不需要进一步调谐。在该实现下，基本模型变得无参数，这减轻参数调谐的负担。在常规途径下，参数调谐耗费时间，并且要求人工参与。
第三，体现的过程针对带有多个输出的问题而使常规DOER算法扩展。体现的系统和过程能够包括将在线序列极限学习机(OS-ELM)用作集合中的基本模型，在线序列极限学习机(OS-ELM)是具有非常快速地训练并且易于实现的优点的ELM的在线实现。其它基本模型(例如，随机森林、支持向量机等等)也能够用作基本模型。
极限学习机(ELM)是特殊类型的前馈神经网络。与在其它前馈神经网络(其中训练网络涉及发现所有的连接权重和偏置)中不同，在ELM中，输入神经元与隐藏神经元之间的连接随机地生成并且固定，以便不需要训练神经网络。因而，训练ELM成为仅仅发现隐藏神经元与输出神经元之间的连接，这只是线性最小二乘问题，其的解能够通过隐藏层输出矩阵的广义逆被直接地生成。由于这样的特殊网络设计，ELM训练变得非常快速。ELM具有比包括SVM的其它机器学习算法的更好的一般化性能，并且对于分类和回归两者都是高效和有效的。
考虑一组M个训练样本，假定隐藏神经元的数量为L。于是，ELM的针对一般化的单层前馈神经网络的输出函数为：
其中，hi(x)＝G(wi，bi，x)，是关于输入x的第i个隐藏神经元的输出；
G(w，b，x)是满足ELM通用逼近能力定理的非线性分段连续函数；
βi是第i个隐藏神经元至k≥1个输出节点之间的输出权重矩阵；以及
H(x)＝[h1(x)，...，hL(x)]是将数据从d维输入空间映射到L维随机特征空间(ELM特征空间)的随机特征映射。
对于批量ELM(其中，所有的样本都对于训练是可利用的)，输出权重向量能够作为Hβ＝Y的最小二乘解而估计，即，其中是隐藏层输出矩阵的Moore-Penrose广义逆，其能够通过正交投射方法而运算：
为了达到更好的一般化和稳定解，正则化因子C(其能够在分析上估计)被添加到HTH的对角元素。因而，H的Moore-Penrose广义逆被运算为(HTH+I/C)-1HT。为了选择C，对于候选Cj(j＝1，...，N)的范围的留一交叉验证误差能够被运算为其中，yj和是第j个样本目标值和预测值，并且是HAT＝H(HTH+I/C)-1HT的对角的第j个值。通过应用奇异值分解，使得H能够表示为H＝U∑VT。于是，HAT能够改写为HAT＝U∑(∑T∑+I/C)-1∑TUT，其中作为与极小ELOOCV对应的解而选择最优C。
在线序列ELM(OS-ELM)是经典的ELM的变型，OS-ELM具有逐一地或逐组块(其带有固定或变化的组块大小)地学习数据的能力。OS-ELM涉及两个学习阶段：初始训练和序列学习。
初始模型构建块(第一阶段)：从给定的M个训练样本选取初始训练样本的小组块，其中M0≥L；并且使用上述的批量ELM公式来运算初始输出权重矩阵β0。
序列持续学习块(第二阶段2)：对于第(M0+k+1)个训练样本，执行以下的两个步骤。
(1)运算部分隐藏层输出矩阵：
并设置以及
(2)运算输出权重矩阵：
其中
对于k＝0，1，2，...，M-M0+1。
图1根据实施例而描绘集合回归算法(ERA)100。ERA 100实现基于ELM的在线动态途径。ERA包括初始模型构建块、在线持续学习块以及模型应用块。在线持续学习块包括模型性能评价和模型集更新。应当容易理解，持续学习块能够以带有正则周期性和/或非正则周期性的截然不同的时间间隔(其能够被预定)操作。
在初始模型构建块的期间，接收初始训练数据(步骤105)。初始训练数据能够包括但不限于提供对于实际物理资产配置的参数的细节的工业资产配置数据。训练数据还能够包括历史数据，该历史数据能够包括来自用于具体物理资产的传感器的监测数据和来自相同类型和性质的其它工业资产的监测数据。历史数据、资产配置数据以及域知识能够用于创建初始模型。过滤能够应用于这些数据元素，以标识来自集的有用数据(例如，对模型造成影响的那些数据元素)。初始训练数据，其能够表达为：
其中d≥1和r≥1分别是对于输入变量和输出变量的维数。
创建第一模型(m1)(步骤110)。该第一模型基于训练数据。作为持续学习块的部分，第一模型被添加到模型集合(步骤115)。根据实施例，模型集合能够为模型的收集，其中每个模型实现不同的建模途径。ERA算法针对模型集合的每个模型而预测相应的性能输出(步骤120)。
利用从工业资产接收的新监测数据样本来评价/处理所预测的性能(步骤122)。该监测数据样本流能够与准确的所观察的(即，“真值(ground truth)”)数据组合，其中随后的过滤将通过持续学习块而用于更新/创建模型，以便添加到模型集合。在步骤130，在所预测的性能输出与新数据样本之间运算误差差值(delta δ)。如果误差差值小于或等于预定阈值，则ERA算法返回到模型集合，其中更新每个单独的模型(135)，并且基于其性能而调整其对应的权重(140)。
如果在步骤130将误差差值确定成大于预定阈值，则创建新模型(步骤133)。然后，该新模型被添加到模型集合。另外，更新每个单独的模型(135)，并且基于其性能而调整其对应的权重(140)。
根据实施例，关于模型集合中的模型的量是否超过预定量而作出确定(步骤145)。如果存在太多的模型，则去除最不准确的模型(步骤150)。
新数据样本(在步骤122接收)能够包括真值。关于真值数据是否可在预测输出(步骤120)中利用而作出确定(步骤126)。如果存在可利用的真值数据，则过程100的持续学习块部分继续进行如上所述的步骤130。
作为模型应用块的部分，过程100能够将模型集合向外推送，以替换当前在性能诊断中心中实现的现场模型(fielded model)。如果真值不可利用(步骤126)于在生成输出预测(步骤120)中使用，则模型应用块能够将模型集合向外推送(步骤155)到性能诊断中心，以执行预报任务。
根据实施例，ERA算法100维持带有固定大小ws的两个数据窗口。第一数据窗口被称为短期存储器DS，其含有来自流的最新近的ws数据点。另一个数据窗口被称为长期存储器DL，其基于储备库采样而收集来自流的数据点。具体地，该采样策略最初将第一ws数据点带到储备库。随后，以概率ws/t将t数据点添加到储备库。然后，将随机选择的点从储备库去除。对于导致新模型的创建的新数据点，其概率为1。通过维持长期存储器和短期存储器两者，体现ERA算法能够利用先前知识和最新近知识两者。
模型集合的每个模型能够与命名为Life的变量相关联，该变量对模型到目前为止已看到的在线评价的总数进行计数。因而，Life针对每个新模型而初始化为0。数据点(带有上限阈值≤ws)上的模型的均方误差(MSE)指代为变量mse，变量mse同样地最初设置为0，MSE在所述数据点上被评价。集合的投票策略为加权投票，并且，第一模型的权重为1。
在在线学习块中，对于新输入点xt，集合基于来自新输入点xt的所有的成分的加权投票而生成预测
其中，M为集合中的模型的总数；
wi为模型mi的权重；以及
oi为来自模型mi的输出。
对应地，新数据点上的模型mi的预测误差作为下式而获得：
对于每个模型mi，如前面所提到的，基于msei而调整其权重。在所运算的平方误差为的情况下，变量msei被运算为：
因此，对于模型mi的权重wi更新为：
其中是集合中的所有的模型的一组MSE，并且median(Ψt)取所有的模型的MSE的中值。如等式5中所示出的，在模型的MSE大于中值的情况下，模型对集合输出的影响呈指数降低。带有比中值更小的MSE的模型将更有助于最终集合输出。
权重更新之后，集合中的模型全都基于OS-ELM的更新规则而通过使用新点(xt，yt)来再训练。
为了确定是否需要将新模型添加到集合，算法评价新点(xt，yt)上的集合的绝对百分比误差，
根据实施例，如果APEj(j＝1，...，r)大于阈值δj，则创建新模型。因此，如果没有模型达到预定准确度，则将新模型添加到模型集合。注意到，基于特定要求，对于不同的输出，阈值可能为不同的。最初，对于新模型的变量Life和mse设置成0，并且指派给模型的权重为1。
对于新模型的训练数据从长期存储器和短期存储器(即，DL和DS)基于这两个集中的点与新数据点(xt，yt)的相似性而被选择。为了运算这样的距离，考虑输入变量和输出变量两者，这导致扩展向量z＝(x，y)＝(x1，...，xd，y1，...，yr)。给定从DL和DS组合的候选集(即，DC＝(z1，...，z2×ws))和当前数据点zt＝(xt，yt)，zt与zj∈DC之间的距离被运算为：
其中W＝(W1，...，Wd+r)是对于输入变量和输出变量的权重。在一些实现中，与输入变量相比而更大的权重(例如，可能是5倍)被指派给输出变量，以强调隐藏因素(诸如，操作条件和组件效率)的影响。
阈值τ能够定义为所有的这些距离的平均值减去标准偏差。来自DC的所有的候选点(其中它们的到当前数据点的距离小于τ)都被包括在训练集中。如果训练集中的点的总数太小(例如，小于ws)，则额外的候选点能够基于它们的到当前数据点的距离的数量级而被添加到训练集，直到训练集具有ws个数据点为止。
根据实施例，集合中的模型的最大数量为固定的。因此，如果由于新模型的添加而导致模型的数量高于阈值ES，则依据变量mse的最差性能模型将从集合去除。
在进行上文中所讨论的所有的更新之后，模型的权重能够归一化。
图2描绘了根据实施例的用于实现对工业资产性能进行建模的基于集合的被动途径的系统200。系统200能够包括一个或多个工业资产202、204、206，其中工业资产202能够为涡轮。每个工业资产能够包括针对工业资产而监测操作的各种操作状态参数的一个或多个传感器。传感器的数量、所监测的参数以及其它因素能够取决于机械装置本身的类型和性质而变化。例如，对于涡轮发动机，传感器能够监测涡轮叶片磨损、燃料混合物、功率输出、(一个或多个)温度、(一个或多个)压力等等。应当容易理解，系统200能够包括任何类型和性质的多个所监测的工业资产。而且，无论传感器的数量、数据的量以及从所监测的工业资产接收的信息的格式，都能够实现体现的系统和方法。每个工业资产能够跨电子通信网络240而与其它装置通信。
根据实施例，性能建模服务器210能够从来自服务器数据存储设备220的模型集合容器224、训练数据记录226以及传感器数据记录228获得存取模型。服务器210能够跨电子通信网络240而与数据存储设备通信和/或与数据存储设备直接通信。
电子通信网络能够是以下项、能够包含以下项或能够是以下项的部分：专用互联网协议(IP)网络、互联网、集成服务数字网络(ISDN)、帧中继连接、连接到电话线的调制解调器、公用交换电话网络(PSTN)、公用或专用数据网络、局域网(LAN)、城域网(MAN)、广域网(WAN)、有线或无线网络、本地、区域、或全球通信网络、企业内联网、前述项的任何组合和/或任何其它适合的通信手段。应当认识到，本文中所公开的技术和系统未受到网络240的性质的限制。
服务器210能够包括至少一个服务器控制处理器212，服务器控制处理器212配置成通过执行可由服务器控制处理器从服务器数据存储设备220存取的可执行指令222而支持对工业资产性能技术进行建模的体现的基于集合的被动途径。除了其它原因之外，还出于本地高速缓存的目的，服务器能够包括存储器214。
服务器210能够包括正则化单元216，正则化单元216能够基于更大的加权的惩罚而引入正则化因子的初始模型构建块自动选择中，以便OS-ELM能够在无人工干预的情况下以优于常规途径的增加的速度操作。持续学习单元218能够与预定阈值相比而评价集合模型成员的性能。能够基于比较的结果而作出确定，以针对集合而创建新模型，或在集合中访问另一模型以便评价。模型应用单元219能够选择模型集合的成员，以使得加权因子更新。模型应用单元能够将模型推送到性能诊断中心，以替换用于执行工业资产的评价的现场模型。
模型集合容器224能够包括一个或多个模型，其中每个模型能够实现不同的算法，以对工业资产的性能进行建模。模型集合容器能够包括表示工业资产的类型的分区(即，飞行器发动机、发电设备、机车发动机等等)。在每个分区内，能够存在多个模型，其中每个模型实现不同的算法，以针对该类型的工业资产而预测性能。
训练数据记录226能够含有对于工业资产的类型中的每个的相应的训练数据的记录。该训练数据能够包括对于一个或多个类型的(一个或多个)工业资产的操作的真值数据。传感器数据记录228能够包括从每个相应的工业资产获得的传感器数据。数据存储设备220能够包括含有来自传感器的监测数据的历史记录221。工业资产配置记录229包括对于各种工业资产的实际物理资产配置的参数的细节。
每个工业资产202、204、206能够跨电子通信网络(例如，网络240)而与性能诊断中心服务器230通信。工业资产将传感器数据提供给性能诊断中心。通过现场建模算法234而在计算机控制之下分析该传感器数据。该分析的结果能够应用于确定相应的工业资产的预测性的功能状态(例如，效率、失灵、维护调度等等)。如应当容易理解的，具体算法途径能够针对工业资产的每个类型和/或性质而在现场建模算法中实现。另外，能够存在各自专用于分析工业资产的类型/性质的多个性能诊断中心。
体现的系统和过程相对于模型集合容器224的建模算法分析现场建模算法234的准确度和/或将其进行比较。比较的结果在现场建模算法是否应当被集合中的算法之一替换的方面是确定性的。例如，维护活动(或缺乏维护活动)、维修、部件磨损等等能够有助于现场建模算法不再提供其预测中的足够的准确度。如果现场建模将被替换，则集合的所选择的建模算法被性能建模服务器210推送到性能诊断中心服务器230，其中现场建模算法以所选择的建模算法替代。
图3描绘了根据实施例的在验证模型集合中使用的工业资产数据(与真实监测数据组合而仿真)的示例。仿真数据用于压缩机发电系统，并且包括压缩机效率310和总电功率输出320。该仿真数据等同于压缩机的水洗和在一年的时期内的逐渐部件磨损的作用。
数据集包括九个输入变量，这些输入变量被认为是压缩机入口温度、压缩机入口湿度、环境压力、入口压力降、排气压力降、入口导向叶片角、燃料温度、压缩机流量以及由控制器运算的点火温度。输出变量是关于发电机功率的总功率输出和净热耗率。
通过调整压缩机效率，从而能够评价带有不同的模式和速率的漂移上的算法性能。压缩机效率310首先从1线性地降低到0.9，并且然后，在与发动机的水洗对应的变化点40000处，跳到1.1。压缩机效率针对10000个点而保持稳定于1.1，并且再次降低。压缩机效率连同从真实数据集获得的九个输入变量作为输入而提供给功率仿真工具(其被称为GTP(燃气涡轮性能))。GTP生成功率输出和热耗率的输出，以便进一步分析。如总电功率输出图320中所图示的，清楚地看到压缩机的变化对来自GTP的总功率输出的影响。具体地，在变化点40000处，由于压缩机效率的显著改进，功率输出显著地增加。还存在关于数据(例如，带有功率输出＝0的数据点)的一些噪声或异常值，从进一步分析去除所述噪声或异常值。
为了增大样本总体，生成500个时间变量仿真数据系列。这些数据系列中的每个含有2000个数据点，所述数据点为图3中的数据组块。所生成的序列基本上属于两个类型的变化-突然变化和逐渐变化(265个系列具有突然变化，而235个系列具有逐渐变化)。
对于突然变化，压缩机效率开始于1.0，并且然后逐渐地降低到0.9。压缩机效率在变化点处跳到1.1，并且降低到0.9，其中压缩机效率再次跳到1.1。效率暂时将水平保持于1.1，并且然后逐渐地下降到0.95。对于逐渐变化，压缩机效率仍然开始于1.0，并且然后逐渐地降低到0.9并且留在0.9。针对每个序列而随机地选择变化点、变化范围以及稳定范围。
对于通过应用真实数据集而进行的评价，评价使用来自动力设备的经ISO修正的基本负载总功率和经ISO修正的基本负载总LHV热耗率。在十七个月的操作时期内取日期范围。每五分钟对数据点进行采样，并且去除具有值缺失的任何记录。
图4描绘了根据实施例的集合回归算法性能对用于添加新模型的窗口大小和阈值δ的敏感性。窗口大小ws设置于{100，500，1000，1500，2000，3000，4000，5000}的范围内，并且阈值以0.01的步长从0.01变化到0.1。其它参数为固定的。在异常值被去除之后，图3中所图示的数据集用于该分析。
如能够在图4中观察的，一般而言，依据平均绝对百分比误差(MAPE)而测量的算法性能对于较小的δ是更好的。因此，阈值δ需要设置成某个小值，以快速适应于变化。还能够从图4看出，当δ很小时，算法对窗口大小ws不太敏感。随着δ变得更大，非常小或非常大的窗口中的任一个可能导致更差的性能。
最大模型数量ES对体现的算法性能的影响的确定针对仿真数据和真实数据两者被实施。对于该仿真，模型数量ES在2到16的范围内变化，其中对于每个值的MAPE作为来自数据集上的10次运行的平均值而获得。在仿真中，窗口大小ws和阈值δ分别设置于1000和0.04。一般而言，不存在跨针对模型数量ES而研究的整个范围的显著性能变化。对于仿真数据，模型数量的增加未给性能带来改进。然而，利用真实数据的仿真指示，当模型数量处于从6到12的范围内时，算法性能变得略微地更好。模型数量的选择取决于问题，然而，在[6，12]内变动的值对于以下是良好开端：在降低计算负担或避免过度复杂性的同时，确保在模型集合中存在足够的模型。
ELM和体现OS-ELM(利用模型更新再训练和未利用模型更新再训练)是对于比较的基准。还包括来自原始DOER算法的性能。为了使图5A-6B的该研究聚焦于概念漂移，对于每个系列，仅有对于从变化之前的100个点开始的系列的子集的MAPE出现了并且持续了运算整个变化范围。每个算法在每个系列上运行五次。图5A-6B的图基于系列上的平均性能。如清楚地指示的，未利用再训练的ELM和OS-ELM未良好地实行，其中平均值和标准偏差分别作为5.201±1.539(突然变化)和8.896±0.879(逐渐变化)，以及5.148±1.244(突然变化)和4.526±1.785(逐渐变化)。对于DOER的MAPE是2.219±1.790(突然变化)和1.370±1.420(逐渐变化)。
在比较中，对于修改的DOER的MAPE是2.116±1.681(突然变化)和1.546±1.506(逐渐变化)，所述MAPE对于带有突然变化的系列是略微地更好的，但是对于逐渐变化情况而略微地恶化。包括LTM提高了算法更快速地适应于由于操作条件变化或维护动作而导致的突然变化的能力。整个非训练系列上的体现的算法的平均值和标准偏差是0.813±0.109(突然变化)和0.474±0.031(逐渐变化)，其在实践中满足1％的期望。
类似地，(在线或离线)执行水洗维护动作时的真实数据集上的DOER和体现的算法的性能是导致概念漂移的重要因素。功率输出和热耗率上的对于体现的算法的MAPE的平均值和标准偏差分别是1.114±0.067和0.615±0.034。在比较中，DOER在这两个输出上达到1.278±0.024和0.774±0.018。
图5A描绘真实数据集上的根据实施例的利用再训练的随时间推移的集合回归算法的性能。类似地，图5B描绘随时间推移的集合回归算法的性能，但未利用再训练。图6A描绘根据实施例的利用再训练的随时间推移的集合回归算法的预测误差。类似地，图6B描绘随时间推移的集合回归算法的预测误差，但未利用再训练。
图5A图示，在时间区域A内，体现的基于集合的途径(利用再训练)的预测输出以优于图5B中所图示的常规途径(未利用再训练)的充分显著的改进来跟踪来自工业资产的真实输出数据。类似地，图6A图示，在时间区域A内，体现的基于集合的途径(利用再训练)的预测的误差是优于图6B中所图示的常规途径(未利用再训练)的充分显著的改进。
体现的系统和方法提供用于复杂的工业资产性能建模的在线基于集合的途径，其对于工业资产(例如，发电站、机车、飞行器以及船舶发动机等等)的操作中的实时优化和利润最大化是重要的。通过将现场建模算法与集合的算法成员比较，能够作出关于是否应当替换现场建模算法的确定。如果确定替换，则性能建模服务器将集合的所选择的成员推送到性能诊断中心服务器，其中所推送的建模算法替换现场建模算法。
体现的途径的持续学习能力(即，算法再训练)导致有可能响应于由于组件退化、维护动作或操作变化而导致的概念漂移而自动地更新(一个或多个)模型。体现的过程能够一致地满足真实设备操作中的要求，其中在仿真数据和真实数据两者上，总MAPE预测误差＜1％。体现的过程可针对不同的所配置的设备和对于实现的容易度而缩放。
根据一些实施例，存储于非易失性存储器或计算机可读介质(例如，寄存器存储器、处理器高速缓冲存储器、RAM、ROM、硬盘驱动器、闪速存储器、CD ROM、磁介质等等)中的计算机程序应用可以包括代码或可执行指令，其在执行时，可以指导和/或使得控制器或处理器通过应用在线学习途径的基于集合的在线算法再训练而执行工业资产性能的持续建模的方法，以评价是否应当以来自集合的算法替换现场建模算法，如上文中所公开的。
计算机可读介质可以是非暂时性计算机可读介质，包括所有的形式和类型的存储器以及除了暂时性的传播信号以外的所有的计算机可读介质。在一个实现中，非易失性存储器或计算机可读介质可以是外部存储器。
虽然已在本文中描述具体的硬件和方法，但注意到，可以根据本发明的实施例而提供任何数量的其它配置。因而，虽然已示出、描述且指出本发明的基本新颖特征，但将理解，在不脱离本发明的精神和范围的情况下，可以由本领域技术人员作出所图示的实施例及其操作中的形式和细节的各种省略、置换以及改变。还完全地打算且预期元件从一个实施例至另一个实施例的置换。本发明仅仅关于所附权利要求及其中详述的等同物而限定。

Claims (20)

1.一种对工业资产性能持续地进行建模的方法，所述方法包含：
初始模型构建块，所述初始模型构建块基于工业资产历史数据、配置数据以及训练数据的组合而创建第一模型；以及
持续学习块，所述持续学习块通过评价模型集合的一个或多个成员对于预定阈值的结果而预测所述一个或多个集合成员的性能。
2.根据权利要求1所述的方法，所述创建第一模型包括对所述历史数据、配置数据以及训练数据中的至少一个进行过滤。
3.根据权利要求1所述的方法，所述评价模型集合成员以实时和预定间隔之一发生。
4.根据权利要求1所述的方法，所述持续学习块包括基于所述预测而创建新模型。
5.根据权利要求1所述的方法，所述持续学习块包括：
从性能诊断中心接收现场建模算法；
评价所述现场建模算法的性能；
运算所述现场建模算法的输出与至少所述集合模型成员之一的输出之间的差值；以及
将所述差值与所述预定阈值比较。
6.根据权利要求1所述的方法，模型应用块包括：
基于所述性能预测的结果而从模型集合的所述一个或多个成员选择模型；以及
将所选择的模型集合成员推送到性能诊断中心。
7.根据权利要求1所述的方法，包括：
确定所述模型集合中的模型的量是否超过预定量；以及
如果所述量超过所述预定量，则从所述模型集合去除最不准确的模型集合成员。
8.一种非暂时性计算机可读介质，在其上已存储指令，所述指令在由控制处理器执行时，使得所述控制处理器执行对工业资产性能持续地进行建模的方法，所述方法包含：
初始模型构建块，所述初始模型构建块基于工业资产历史数据、配置数据以及训练数据的组合而创建第一模型；以及
持续学习块，所述持续学习块通过评价模型集合的一个或多个成员对于预定阈值的结果而预测所述一个或多个集合成员的性能。
9.根据权利要求8所述的介质，含有存储于其中的计算机可读指令，以使得所述控制处理器执行所述方法，所述创建第一模型包括对所述历史数据、配置数据以及训练数据中的至少一个进行过滤。
10.根据权利要求8所述的介质，含有存储于其中的计算机可读指令，以使得所述控制处理器执行所述方法，所述评价模型集合成员以实时和预定间隔之一发生。
11.根据权利要求8所述的介质，含有存储于其中的计算机可读指令，以使得所述控制处理器执行所述方法，所述持续学习块包括基于所述预测而创建新模型。
12.根据权利要求8所述的介质，含有存储于其中的计算机可读指令，以使得所述控制处理器执行所述方法，所述方法包括：
从性能诊断中心接收现场建模算法；
评价所述现场建模算法的性能；
运算所述现场建模算法的输出与至少所述集合模型成员之一的输出之间的差值；以及
将所述差值与所述预定阈值比较。
13.根据权利要求12所述的介质，含有存储于其中的计算机可读指令，以使得所述控制处理器执行所述方法，所述方法包括：
基于所述比较的结果而选择模型集合模型；以及
将所选择的模型集合成员推送到所述性能诊断中心。
14.根据权利要求8所述的介质，含有存储于其中的计算机可读指令，以使得所述控制处理器执行所述方法，包括：
确定所述模型集合中的模型的量是否超过预定量；以及
如果所述量超过所述预定量，则从所述模型集合去除最不准确的模型集合成员。
15.一种用于对工业资产性能持续地进行建模的系统，所述系统包含：
服务器，所述服务器包括控制处理器，所述服务器与数据存储设备通信；
所述服务器包括配置成实施初始模型构建块的正则化单元；
所述服务器包括配置成实施持续学习块的持续学习单元；
所述服务器包括配置成实施模型应用块的模型应用单元；
所述数据存储设备包括：
模型集合容器，所述模型集合容器含有成员算法，所述成员算法中的每个配置成基于相应的传感器数据记录而预测所述一个或多个工业资产的相应的性能，并且所述模型集合成员中的每个实施不同的建模途径，以对所述工业资产进行建模；
历史数据记录，所述历史数据记录含有由工业资产中的传感器获得的先前监测数据；
工业资产配置记录，所述工业资产配置记录含有所述工业资产的物理资产配置的参数；
所述控制处理器配置成访问使得所述控制处理器执行方法的可执行指令，所述方法包含：
初始模型构建块，所述初始模型构建块基于工业资产历史数据、配置数据以及训练数据的组合而创建第一模型；以及
持续学习块，所述持续学习块通过评价模型集合的一个或多个成员对于预定阈值的结果而预测所述一个或多个集合成员的性能。
16.根据权利要求15所述的系统，所述可执行指令使得所述控制处理器执行所述方法，所述创建第一模型包括对所述历史数据、配置数据以及训练数据中的至少一个进行过滤。
17.根据权利要求15所述的系统，所述可执行指令使得所述控制处理器执行所述方法，所述评价模型集合成员以实时和预定间隔之一发生。
18.根据权利要求15所述的系统，所述可执行指令使得所述控制处理器执行所述方法，所述持续学习块包括基于所述预测而创建新模型。
19.根据权利要求15所述的系统，所述可执行指令使得所述控制处理器执行所述方法，包括：
从性能诊断中心接收现场建模算法；
评价所述现场建模算法的性能；
运算所述现场建模算法的输出与至少所述集合模型成员之一的输出之间的差值；
将所述差值与所述预定阈值比较；以及
基于所述比较的结果而选择模型集合模型；以及
将所选择的模型集合成员推送到所述性能诊断中心。
20.根据权利要求15所述的系统，所述可执行指令使得所述控制处理器执行所述方法，所述方法包括：
确定所述模型集合中的模型的量是否超过预定量；以及
如果所述量超过所述预定量，则从所述模型集合去除最不准确的模型集合成员。
CN201780083181.0A 2016-11-11 2017-11-10 用于对工业资产性能持续地进行建模的系统和方法 Pending CN110337616A (zh)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US201662420850P 2016-11-11 2016-11-11
US62/420850 2016-11-11
US15/806,999 US20180136617A1 (en) 2016-11-11 2017-11-08 Systems and methods for continuously modeling industrial asset performance
US15/806999 2017-11-08
PCT/US2017/061002 WO2018089734A1 (en) 2016-11-11 2017-11-10 Systems and methods for continuously modeling industrial asset performance

Publications (1)

Publication Number Publication Date
CN110337616A true CN110337616A (zh) 2019-10-15

Family

ID=62107806

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201780083181.0A Pending CN110337616A (zh) 2016-11-11 2017-11-10 用于对工业资产性能持续地进行建模的系统和方法

Country Status (4)

Country Link
US (1) US20180136617A1 (zh)
EP (1) EP3539060A4 (zh)
CN (1) CN110337616A (zh)
WO (1) WO2018089734A1 (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110851966A (zh) * 2019-10-30 2020-02-28 同济大学 一种基于深度神经网络的数字孪生模型修正方法
CN112729815A (zh) * 2020-12-21 2021-04-30 云南迦南飞奇科技有限公司 基于无线网络的输送线健康状况在线故障大数据预警方法
CN117114195A (zh) * 2023-08-31 2023-11-24 国网浙江电动汽车服务有限公司 基于概念漂移的多类型电动汽车充电需求实时预测方法
CN117114195B (zh) * 2023-08-31 2024-07-02 国网浙江电动汽车服务有限公司 基于概念漂移的多类型电动汽车充电需求实时预测方法

Families Citing this family (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI748035B (zh) * 2017-01-20 2021-12-01 日商半導體能源硏究所股份有限公司 顯示系統及電子裝置
US10948883B2 (en) * 2017-09-20 2021-03-16 Rockwell Automation Technologies, Inc. Machine logic characterization, modeling, and code generation
US20210312284A1 (en) * 2018-08-23 2021-10-07 Siemens Aktiengesellschaft System and method for validation and correction of real-time sensor data for a plant using existing data-based models of the same plant
US11469969B2 (en) 2018-10-04 2022-10-11 Hewlett Packard Enterprise Development Lp Intelligent lifecycle management of analytic functions for an IoT intelligent edge with a hypergraph-based approach
CN109445906B (zh) * 2018-10-11 2021-07-23 北京理工大学 一种虚拟机需求数量预测方法
US11481665B2 (en) 2018-11-09 2022-10-25 Hewlett Packard Enterprise Development Lp Systems and methods for determining machine learning training approaches based on identified impacts of one or more types of concept drift
US11562227B2 (en) * 2019-03-13 2023-01-24 Accenture Global Solutions Limited Interactive assistant
CN110633516B (zh) * 2019-08-30 2022-06-14 电子科技大学 一种电子器件性能退化趋势的预测方法
DE102019128655B4 (de) 2019-10-23 2021-11-25 Technische Universität Ilmenau Verfahren zur Bereitstellung einer rechnergestützten Steuerung für ein technisches System
CN111324635A (zh) * 2020-01-19 2020-06-23 研祥智能科技股份有限公司 工业大数据云平台数据处理方法及系统
EP4115360A4 (en) * 2020-03-02 2023-06-28 Telefonaktiebolaget Lm Ericsson (Publ) Synthetic data generation in federated learning systems
US11525375B2 (en) 2020-04-09 2022-12-13 General Electric Company Modeling and control of gas cycle power plant operation with variant control profile
CN111766839B (zh) * 2020-05-09 2023-08-29 同济大学 一种智能车间调度知识自适应更新的计算机实现系统
CN112560337B (zh) * 2020-12-10 2023-12-01 东北大学 复杂工业过程数字孪生系统智能建模方法、装置、设备及存储介质
CN113746817A (zh) * 2021-08-20 2021-12-03 太原向明智控科技有限公司 一种煤矿井下通讯控制监控系统及方法
CN115577864B (zh) * 2022-12-07 2023-04-07 国网浙江省电力有限公司金华供电公司 基于多模型组合运算的配电网运行优化调度方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1855141A (zh) * 2005-04-28 2006-11-01 通用电气公司 用于执行基于模型的多目标资产优化和决策的方法和系统
US20060247798A1 (en) * 2005-04-28 2006-11-02 Subbu Rajesh V Method and system for performing multi-objective predictive modeling, monitoring, and update for an asset
US20120083933A1 (en) * 2010-09-30 2012-04-05 General Electric Company Method and system to predict power plant performance
US8700550B1 (en) * 2007-11-30 2014-04-15 Intellectual Assets Llc Adaptive model training system and method
US20150149135A1 (en) * 2012-06-01 2015-05-28 Abb Technology Ag Method and system for predicting the performance of a ship
CN104966141A (zh) * 2013-06-10 2015-10-07 Abb研究有限公司 工业资产健康状况模型更新
CN105046374A (zh) * 2015-08-25 2015-11-11 华北电力大学 一种基于核极限学习机模型的功率区间预测方法
CN105160437A (zh) * 2015-09-25 2015-12-16 国网浙江省电力公司 基于极限学习机的负荷模型预测方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8280533B2 (en) * 2000-06-20 2012-10-02 Fisher-Rosemount Systems, Inc. Continuously scheduled model parameter based adaptive controller
DE112009005510A5 (de) * 2008-01-31 2013-06-20 Fisher-Rosemount Systems, Inc. Robuster adaptiver modellprädiktiver Regler mit Abstimmung zum Ausgleich einer Modellfehlanpassung
US8935174B2 (en) * 2009-01-16 2015-01-13 The Boeing Company Analyzing voyage efficiencies
US9152469B2 (en) * 2013-01-28 2015-10-06 Hewlett-Packard Development Company, L.P. Optimizing execution and resource usage in large scale computing

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1855141A (zh) * 2005-04-28 2006-11-01 通用电气公司 用于执行基于模型的多目标资产优化和决策的方法和系统
US20060247798A1 (en) * 2005-04-28 2006-11-02 Subbu Rajesh V Method and system for performing multi-objective predictive modeling, monitoring, and update for an asset
US8700550B1 (en) * 2007-11-30 2014-04-15 Intellectual Assets Llc Adaptive model training system and method
US20120083933A1 (en) * 2010-09-30 2012-04-05 General Electric Company Method and system to predict power plant performance
US20150149135A1 (en) * 2012-06-01 2015-05-28 Abb Technology Ag Method and system for predicting the performance of a ship
CN104966141A (zh) * 2013-06-10 2015-10-07 Abb研究有限公司 工业资产健康状况模型更新
CN105046374A (zh) * 2015-08-25 2015-11-11 华北电力大学 一种基于核极限学习机模型的功率区间预测方法
CN105160437A (zh) * 2015-09-25 2015-12-16 国网浙江省电力公司 基于极限学习机的负荷模型预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
SYMONE G.SOARES 等: "An adaptive ensemble of on-line extreme learning machines with variable forgetting factor for dynamic system prediction", 《NEUROCOMPUTING》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110851966A (zh) * 2019-10-30 2020-02-28 同济大学 一种基于深度神经网络的数字孪生模型修正方法
CN112729815A (zh) * 2020-12-21 2021-04-30 云南迦南飞奇科技有限公司 基于无线网络的输送线健康状况在线故障大数据预警方法
CN117114195A (zh) * 2023-08-31 2023-11-24 国网浙江电动汽车服务有限公司 基于概念漂移的多类型电动汽车充电需求实时预测方法
CN117114195B (zh) * 2023-08-31 2024-07-02 国网浙江电动汽车服务有限公司 基于概念漂移的多类型电动汽车充电需求实时预测方法

Also Published As

Publication number Publication date
EP3539060A1 (en) 2019-09-18
WO2018089734A1 (en) 2018-05-17
EP3539060A4 (en) 2020-07-22
US20180136617A1 (en) 2018-05-17

Similar Documents

Publication Publication Date Title
CN110337616A (zh) 用于对工业资产性能持续地进行建模的系统和方法
VanDeventer et al. Short-term PV power forecasting using hybrid GASVM technique
JP5214656B2 (ja) 評価装置および評価プログラム
Lin et al. Model-based adversarial meta-reinforcement learning
Helbig et al. Population-based metaheuristics for continuous boundary-constrained dynamic multi-objective optimisation problems
Devidze et al. Explicable reward design for reinforcement learning agents
WO2020198520A1 (en) Process and system including an optimization engine with evolutionary surrogate-assisted prescriptions
Nichiforov et al. Deep learning techniques for load forecasting in large commercial buildings
Lei et al. Improved artificial bee colony algorithm and its application in data clustering
Alfred A genetic-based backpropagation neural network for forecasting in time-series data
Xu et al. Concept drift learning with alternating learners
Demertzis et al. MOLESTRA: a multi-task learning approach for real-time big data analytics
Raamesh et al. Enhancing software reliability and fault detection using hybrid brainstorm optimization-based LSTM model
Kujanpää et al. Hierarchical imitation learning with vector quantized models
Khan Particle swarm optimisation based feature selection for software effort prediction using supervised machine learning and ensemble methods: A comparative study
Keshk et al. Automatic estimation of differential evolution parameters using Hidden Markov Models
Lo Predicting software reliability with support vector machines
Behera et al. GAN-based multi-task learning approach for prognostics and health management of IIoT
Xu et al. Power plant performance modeling with concept drift
Andersen et al. Towards model-based reinforcement learning for industry-near environments
Micu et al. THE GENETIC APPROACH OF MARKETING RESEARCH.
Chen et al. A unifying learning framework for building artificial game-playing agents
US11481267B2 (en) Reinforcement learning approach to root cause analysis
Smith et al. Strategic knowledge transfer
Cerqueira Ensembles for Time Series Forecasting

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