CN110337640A - 用于问题警报聚合的方法和系统 - Google Patents

用于问题警报聚合的方法和系统 Download PDF

Info

Publication number
CN110337640A
CN110337640A CN201880013195.XA CN201880013195A CN110337640A CN 110337640 A CN110337640 A CN 110337640A CN 201880013195 A CN201880013195 A CN 201880013195A CN 110337640 A CN110337640 A CN 110337640A
Authority
CN
China
Prior art keywords
assets
event
entity
list
data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201880013195.XA
Other languages
English (en)
Other versions
CN110337640B (zh
Inventor
C·林切夫斯基
R·曼诺尔
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.)
Prekognaz Co
Original Assignee
Prekognaz 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 Prekognaz Co filed Critical Prekognaz Co
Publication of CN110337640A publication Critical patent/CN110337640A/zh
Application granted granted Critical
Publication of CN110337640B publication Critical patent/CN110337640B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/0751—Error or fault detection not based on redundancy
    • G06F11/0754—Error or fault detection not based on redundancy by exceeding limits
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D41/00—Electrical control of supply of combustible mixture or its constituents
    • F02D41/22—Safety or indicating devices for abnormal conditions
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D41/00—Electrical control of supply of combustible mixture or its constituents
    • F02D41/24—Electrical control of supply of combustible mixture or its constituents characterised by the use of digital means
    • F02D41/2406—Electrical control of supply of combustible mixture or its constituents characterised by the use of digital means using essentially read only memories
    • F02D41/2425—Particular ways of programming the data
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0267—Fault communication, e.g. human machine interface [HMI]
    • G05B23/0272—Presentation of monitored results, e.g. selection of status reports to be displayed; Filtering information to the user
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/0706—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation the processing taking place on a specific hardware platform or in a specific software environment
    • G06F11/0709—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation the processing taking place on a specific hardware platform or in a specific software environment in a distributed system consisting of a plurality of standalone computer nodes, e.g. clusters, client-server systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/0706—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation the processing taking place on a specific hardware platform or in a specific software environment
    • G06F11/0736—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation the processing taking place on a specific hardware platform or in a specific software environment in functional embedded systems, i.e. in a data processing system designed as a combination of hardware and software dedicated to performing a certain function
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/0766—Error or fault reporting or storing
    • G06F11/0781—Error filtering or prioritizing based on a policy defined by the user or on a policy defined by a hardware/software module, e.g. according to a severity level
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/32—Monitoring with visual or acoustical indication of the functioning of the machine
    • G06F11/321—Display for diagnostics, e.g. diagnostic result display, self-test user interface
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/06—Management of faults, events, alarms or notifications
    • H04L41/0604—Management of faults, events, alarms or notifications using filtering, e.g. reduction of information by using priority, element types, position or time
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/06—Management of faults, events, alarms or notifications
    • H04L41/0681—Configuration of triggering conditions
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D41/00—Electrical control of supply of combustible mixture or its constituents
    • F02D41/22—Safety or indicating devices for abnormal conditions
    • F02D2041/228—Warning displays
    • 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
    • G05B2219/20—Pc systems
    • G05B2219/26—Pc applications
    • G05B2219/2637—Vehicle, car, auto, wheelchair
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/079—Root cause analysis, i.e. error or fault diagnosis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3055—Monitoring arrangements for monitoring the status of the computing system or of the computing system component, e.g. monitoring if the computing system is on, off, available, not available
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/22—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks comprising specially adapted graphical user interfaces [GUI]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Abstract

本发明公开了用于问题警报聚合和识别次优行为的方法和系统。该方法包括以下步骤：针对资产提供数据驱动警报，其中，数据驱动警报与从资产测量的和/或检测到的真实世界数据相关联，其中，实体是资产的物理对象和/或进程；提供资产表示，其包括对象、进程、以及与资产的实体相关联的传感器之间的相关性；将数据驱动警报与资产表示中相关的各个实体相关联；将数据驱动警报聚合到事件中，其中，事件是根据资产表示的具有相关实体的相关数据驱动警报的分组；将各个事件评分为事件分数，其中，事件分数代表事件重要性、事件紧急性、事件相关性和/或事件显著性；并且生成所述事件的选择子集和相应事件分数，其中，所述选择子集是基于事件分数。

Description

用于问题警报聚合的方法和系统
本发明的技术领域和背景技术
本发明涉及用于问题警报聚合以及识别次优行为的方法和系统。
预测性维护和故障检测在许多行业中都至关重要，在这些行业中，不可预测的问题可能需要付出高昂代价，这涉及许多不利结果，包括货币损耗、运营停机、设备损耗、财产损失、处罚、赔偿、有时甚至是人类死亡。为防止此类损失，许多工厂安装了传感器来帮助监控工厂生产及其进程。机器学习算法处理此类传感器的读数，并在发生可疑事件时向维护或安全团队发出警报。这种警报产生、机器学习或数据挖掘算法各不相同，包括例如简单的单一传感器阈交警报、问题特定的警报脚本、问题特定的模式检测或可能性学习、趋势检测算法、预测偏差算法、深度学习算法和其他异常检测算法。
由于复杂系统的性质(其包括大量可能正常的系统状态)，以及每个警报可能包含大量传感器的事实，此类算法常常会产生假警报，其误检率可通过权衡利弊的设置阈值来得以缓解。如果阈值设置得太高，警报会减少，但可能不会对危机进行警报。如果阈值设置得太低，则会有过多的警报，导致注意到该警报的维护或安全团队通常无法调查所有警报，并可能忽略某些警报或大部分警报。结果，大多数问题没有被检测到。
一旦生成警报，该警报就会被传送给维护或安全团队以调查原因。由于警报是机器学习算法的产物，因此使用机器学习输入术语来表示警报，其通常是基于监测系统数据库中的列的标题，或者是生成警报的传感器的名称。
为了调查警报，维护团队需要识别触发警报的一个传感器或一些传感器的目的和指示，区分这些传感器之间的潜在关系，并确定警报的真实原因，其可能经常会远离所识别的传感器(由于这些设备/部件的互连性)。在复杂的工业设备中，设施通常太大，并且包含太多交错的子系统，使得维护团队不能记住警报中的各个传感器的目的及其与其他传感器的关系，这需要额外的参考信息、传感器布局图和设施专家的参与，以了解警报的性质和严重性。这些额外资源并非总是可用的。
大型设施通常具有非常可靠的稳健处理系统，这意味着设施装置(例如锅炉)的故障很少。目前的警报系统的特征是具有高警报率，通常为每天数百次。维护团队无法彻底调查所有警报。这些设施经常采用高成本维护计划和冗余策略，使得能够在机器失灵或故障的情况下实现低工作量和替代生产过程。警报调查团队意识到实际问题的发生率低，则可能会发展成忽略和解除警报的倾向。
现在的问题检测系统目前在典型工厂中的检测率约为实际问题的2-3％。复杂的关键设备不能依赖现有的问题警报系统。大多数复杂设备采用系统冗余，并安排有冗余维护过程，这增加了生产成本。在实践中，对于复杂设备中的组件故障识别并没有很好的解决方案。
目前的问题预测系统会产生以下内容。
1.触发太多和/或不可靠的警报(例如，通常每天数百次)，时常被指定为假警报-误检率使得通用的问题警报系统实际上变为无用。
2.生成与附到相关数据库中的列的类似文本描述符和标签相关联的警报，这些警报不向调查团队表明问题，导致每个警报需要复杂的人工调查以识别问题、其位置和警报原因-此类调查往往无法得出结论。
由于如此差的检测率和误标记为假警报，使用现在的问题检测系统的综合体中的大多数问题未能被预防。工厂人员时常不相信他们自己用于早期问题检测的检测系统，或者由于大量产生的警报而将这种系统描述为不切实际，这迫使设施管理者要在生产设施中建立冗余的维护过程。
建模语言使用户能够对机器、设备、工厂或系统进行建模。使用目前的建模语言的这种建模需要建模语言专家。建模语言通常没有停止标准(即，识别何时模型被完全表示的能力)，这进一步增加了建模的时间和复杂性。传感器被包括作为设施模型的一部分在现有建模语言下是可行的，但这需要非常精细级别的建模，比较耗时。此外，传感器会测量部件或进程的属性(即，性质)。这些属性的示例包括重量、重要性、温度和压力。将传感器或数据列建模为组件(例如，引擎)的一部分并不能得到其真实功能。
可能的解决方案是将元数据与传感器相关联，以便描述由传感器测量的属性。这样的解决方案是有问题的，因为这些属性并不是模型的整合部分。现有的建模语言的其他问题是执行建模需要专业知识、建模复杂性、缺乏停止标准以及无法进行自动模型查询。
期望的是，具有用于问题警报聚合和识别资产中的次优行为的方法和系统。这些方法和系统尤其会将克服上述各种限制。
发明内容
本发明的目的是提供用于问题警报聚合和识别次优行为的方法和系统。
应注意，本文中使用的术语“示例性”是指实施方式和/或实现的示例，并且不意味着必然表达更期望的用例。类似地，本文中使用的术语“替代的”和“替代地”是指各种预期实施方式和/或实现之外的示例，并且不意味着必然表达更期望的用例。因此，从上文可以理解，在本文中“示例性”和“替代的”可以被应用于多个实施方式和/或实现。本文还预期了这些替代和/或示例性实施方式的各种组合。
为清楚起见，本文使用下述具体规定的一些术语。本文中使用的术语“资产”是指具有目的或主要活动的复杂物理系统，并且由大量交错的实体、对象、部件和进程组成，其一起动作以实现目的或主要活动。这类资产的示例包括工业综合体、生产设施、化学精炼厂、复杂物理操作、复杂机械、自动化机械、自动驾驶车辆、机动车、船只、飞行器、复杂计算机程序和生物系统。
本文中使用的术语“对象”是指任何物理项(即，您可以触摸或访问的部分)。本文中的术语“实体”是指更广泛的对象和/或进程的类别。本文中使用的术语“特征”或“属性”是指实体的属性。本文中使用的术语“传感器”是指传感器、测量、用户标签或数据库中的列。
本文中使用的术语“资产表示”是指资产的模型，其不仅包括资产的物理部分，还包括诸如资产进程、特征和传感器之类的资产的特性。本文中使用的术语“图”是指用边连接的一组顶点。
本发明的实施方式使得能够聚合由机器学习算法产生的数据生成的警报。这种聚合技术利用特定资产的资产表示，并产生比传统系统更少且质量更高的警报。这种高质量警报在本文中被称为“事件”，其可以精确定位资产中引发该事件的缺陷部分的识别、功能和位置。这种可靠且低频的事件易于理解和检查，有助于维护或安全团队调查、理解和纠正问题。
本发明的实施方式提供了显著的优点，包括以下内容。
1.事件具有显著降低的警报率(例如，从每天几百次警报到每周十个或更少的集中事件)。
2.事件定位了设施中存在问题的一部分和/或问题，从而简化了问题调查。
3.事件是可靠的-大多数(若不是全部)都是真实的警报，其表明一些实际问题需要制造进程中的人为干预、操作者引发变更、外部问题的缓解(例如，天气相关导致的中断)或人为错误的纠正。
4.事件可靠性建立了对维护或安全团队的信任，使得问题调查可以被更加严肃地对待。
5.简化的事件管理通过消除资产冗余、定时维护过程和防止故障来降低制造/运营成本。
本发明的实施方式通过获得以下输入来实现问题警报聚合。
A.数据驱动警报–该数据驱动警报由在资产及其实体上测量的和/或检测到的真实世界数据生成。警报由数据挖掘、机器学习或深度学习算法产生(例如，传感器阈值、问题特定的警报脚本、已知问题的模式检测、已知问题的模式可能性、已知问题的分类、异常状态检测、算法预测的测量偏差、趋势检测和新集群检测)。在一个实施方式中，由异常检测算法(例如，基于核密度估计(KDE))产生警报，其中警报阈值设置得非常低，从而导致大量警报，这对于人类团队的处理来说通常是不切实际的。
B.特定资产的资产表示，工厂/设备结构、机器、化学精炼厂和/或生产进程(其包括产生数据驱动警报的全部或部分传感器)是否具有涉及构建下述与数据测量有关的一个图或一些图的实施方式。
因此，根据本发明，首次提供了一种用于问题警报聚合的方法，该方法包括以下步骤：(a)针对资产提供数据驱动警报，其中，所述数据驱动警报与从所述资产测量的和/或检测到的真实世界数据相关联，并且其中所述资产是具有主要活动的复杂物理系统，并且其中实体是所述资产的物理对象和/或进程，并且其中所述实体适于一起动作以实现所述主要活动；(b)提供所述资产的资产表示，其中，所述资产表示包括所述对象、所述进程、以及与所述资产的所述实体相关联的传感器之间的相关性；(c)将所述数据驱动警报与所述资产表示中相关的所述各个实体相关联；(d)将所述数据驱动警报聚合到所述资产表示中的事件，其中，所述事件是根据所述资产表示的具有相关实体的相关数据驱动警报的分组；(e)将各个所述事件评分为事件分数，其中，所述事件分数代表事件重要性、事件紧急性、事件相关性和/或事件显著性；以及(f)生成所述事件的选择子集和相应事件分数，其中所述选择子集是基于所述事件分数。
另选地，至少一个所述事件被识别为属于从以下各项组成的组中选择的至少一个特定识别事件：资产故障、有问题的实体、故障传感器、用户引起的变化、维护过程、用户错误、不活动对象、有问题的实体、不活动对象组件、需要维护的对象组件、故障对象组件、泄漏管道、由实体或所述资产生产的有缺陷的产品、以及由实体或所述资产生产的有问题的化学样品。
另选地，所述聚合的步骤包括以下步骤：(i)提取所述各个实体的指定子表示；以及(ii)将类似的和/或连接的所述指定子表示或与所述指定子表示的偏差聚合到指定事件。
根据本发明，首次提供了一种用于产生复杂物理操作的互联表示以识别次优行为的方法，该方法包括以下步骤：(a)创建传感器列表，其中，所述传感器列表包括所有相关传感器、所有相关测量、和/或数据库中的与在资产中测量和/或检测到的真实世界数据相关的所有相关传感器数据列，其中所述资产是具有主要活动的复杂物理系统，并且其中实体是所述资产的物理对象和/或进程，并且其中所述实体适于一起动作以实现所述主要活动；(b)创建对象列表，其中，所述对象列表包括所述资产中的至少一个相关对象；(c)创建进程列表，其中，所述进程列表包括所述资产中的至少一个相关进程；(d)通过将所述传感器列表、所述对象列表和所述进程列表中的列表元素相关联来创建一组实体连接；(e)迭代所述步骤(b)至步骤(d)来改进所述对象列表、所述进程列表和所述实体连接，直至所述资产中的所有相关对象和所有相关进程被正确列出并相应地关联到所述资产的资产表示，从而产生互联表示；(f)利用所述资产表示来识别从最佳执行、进行和/或实现所述主要活动或所述主要活动的子方面损害所述资产的至少一个所述相关对象或至少一个所述相关进程。
另选地，迭代的步骤包括以下步骤：迭代以改进所述进程列表和所述实体连接，直至所列出的各个所述相关传感器与给定的所述对象或给定的所述进程相关，并且所列出的各个所述相关进程与来自所述对象列表的至少两个不同的所述对象相关。
另选地，所述对象列表包括与所述对象相关联的对象属性，并且其中所述进程列表包括与所述进程相关联的进程属性，其中所述对象属性和所述进程属性是它们各自相关联的实体的属性，并且其中所述传感器列表包括与所述相关传感器和所述相关测量相关联的分类值，并且其中所述识别的步骤包括以下步骤：识别从最佳执行、进行和/或实现所述主要活动或所述主要活动的子方面中损害所述资产的至少一个相关的所述对象属性、至少一个相关的所述进程属性、或至少一个相关的所述分类值。
另选地，所述资产表示被配置为对作为所述资产的人工调查的一组预定义查询产生等同回复。
另选地，所述资产表示被配置描述为资产数据图(ADG)，其中所述ADG是用边连接的一组顶点的图，所述资产表示被配置为自动查询，并且其中所述ADG被配置为对作为所述资产表示的一组预定义查询产生等同回复。
另选地，所述资产表示被配置描述为图，其中所述图是用边连接的一组顶点，所述资产表示被配置为自动查询，并且其中所述图是能够执行机器学习算法或深度学习算法的基础。
另选地，该方法还包括以下步骤：(g)提取至少一个所述实体的实体重要性、至少两个所述实体之间的联接的实体重要性、和/或与所述至少一个实体相关联的真实世界数据的实体重要性，其中所述实体重要性是基于：(i)所述资产表示或所述资产表示的衍生表示；以及(ii)从与所述资产表示或所述资产表示的衍生表示相关联的所述相关传感器测量的和/或检测到的真实世界数据。
另选地，该方法还包括步骤：(g)预测所述资产中的至少一个所述实体的至少一个属性值，其中所述至少一个属性值基于：(i)所述资产表示或所述资产表示的衍生表示；以及(ii)从与所述资产表示或所述资产表示的衍生表示相关联的所述相关传感器测量的和/或检测到的真实世界数据。
根据本发明，首次提供了一种用于问题警报聚合的系统，该系统包括：(a)用于执行计算操作的CPU；(b)用于存储数据的存储器模块；(c)警报聚合模块，该警报聚合模块被配置为：(i)针对资产提供数据驱动警报，其中，所述数据驱动警报与从所述资产测量的和/或检测到的真实世界数据相关联，并且其中所述资产是具有主要活动的复杂物理系统，并且其中实体是所述资产的物理对象和/或进程，并且其中所述实体适于一起动作以实现所述主要活动；(ii)提供所述资产的资产表示，其中，所述资产表示包括所述对象、所述进程、以及与所述资产的所述实体相关联的传感器之间的相关性；(iii)将所述数据驱动警报与所述资产表示中相关的所述各个实体相关联；(iv)将所述数据驱动警报聚合到所述资产表示中的事件，其中，所述事件是根据所述资产表示的具有相关实体的相关数据驱动警报的分组；(v)将各个所述事件评分为事件分数，其中，所述事件分数代表事件重要性、事件紧急性、事件相关性和/或事件显著性；以及(vi)生成所述事件的选择子集和相应事件分数，其中所述选择子集是基于所述事件分数。
根据本发明，首次提供了一种用于问题警报聚合的非暂时性计算机可读存储介质，所述非暂时性计算机可读存储介质具有在该非暂时性计算机可读存储介质上实施的计算机可读代码，所述计算机可读代码包括：(a)用于针对资产提供数据驱动警报的程序代码，其中，所述数据驱动警报与从所述资产测量的和/或检测到的真实世界数据相关联，并且其中所述资产是具有主要活动的复杂物理系统，并且其中实体是所述资产的物理对象和/或进程，并且其中所述实体适于一起动作以实现所述主要活动；(b)用于提供所述资产的资产表示的程序代码，其中，所述资产表示包括所述对象、所述进程、以及与所述资产的所述实体相关联的传感器之间的相关性；(c)用于将所述数据驱动警报与所述资产表示中相关的所述各个实体相关联的程序代码；(d)用于将所述数据驱动警报聚合到所述资产表示中的事件的程序代码，其中，所述事件是根据所述资产表示的具有相关实体的相关数据驱动警报的分组；(e)用于将各个所述事件评分为事件分数的程序代码，其中，所述事件分数代表事件重要性、事件紧急性、事件相关性和/或事件显著性；(f)用于生成所述事件的选择子集和相应事件分数的程序代码，其中所述选择子集是基于所述事件分数。
根据本发明，首次提供了一种用于产生复杂物理操作的互联表示以识别次优行为的系统，该系统包括：(a)用于执行计算操作的CPU；(b)用于存储数据的存储器模块；(c)资产表示模块，该资产表示模块被配置为：(i)创建传感器列表，其中，所述传感器列表包括所有相关传感器、所有相关测量、和/或数据库中的与在资产中测量和/或检测到的真实世界数据相关的所有相关传感器数据列，其中所述资产是具有主要活动的复杂物理系统，并且其中实体是所述资产的物理对象和/或进程，并且其中所述实体适于一起动作以实现所述主要活动；(ii)创建对象列表，其中，所述对象列表包括所述资产中的至少一个相关对象；(iii)创建进程列表，其中，所述进程列表包括所述资产中的至少一个相关进程；(iv)通过将所述传感器列表、所述对象列表和所述进程列表中的列表元素相关联来创建一组实体连接；(v)迭代所述步骤(ii)至步骤(iv)来改进所述对象列表、所述进程列表和所述实体连接，直至所述资产中的所有相关对象和所有相关进程被正确列出并相应地关联到所述资产的资产表示，从而产生互联表示；(vi)利用所述资产表示来识别从最佳执行、进行和/或实现所述主要活动或所述主要活动的子方面损害所述资产的至少一个所述相关对象或至少一个所述相关进程。
根据本发明，首次提供了一种非暂时性计算机可读存储介质，所述非暂时性计算机可读存储介质具有在该非暂时性计算机可读存储介质上实施的计算机可读代码，所述计算机可读代码产生用于识别次优行为的复杂物理操作的互联表示，所述计算机可读代码包括：(a)用于创建传感器列表的程序代码，其中，所述传感器列表包括所有相关传感器、所有相关测量、和/或数据库中的与在资产中测量和/或检测到的真实世界数据相关的所有相关传感器数据列，其中所述资产是具有主要活动的复杂物理系统，并且其中实体是所述资产的物理对象和/或进程，并且其中所述实体适于一起动作以实现所述主要活动；(b)用于创建对象列表的程序代码，其中，所述对象列表包括所述资产中的至少一个相关对象；(c)用于创建进程列表的程序代码，其中，所述进程列表包括所述资产中的至少一个相关进程；(d)用于通过将所述传感器列表、所述对象列表和所述进程列表中的列表元素相关联来创建一组实体连接的程序代码；(e)用于迭代所述步骤(b)至步骤(d)的程序代码，以改进所述对象列表、所述进程列表和所述实体连接，直至所述资产中的所有相关对象和所有相关进程被正确列出并相应地关联到所述资产的资产表示，从而产生互联表示；(f)用于利用所述资产表示来识别从最佳执行、进行和/或实现所述主要活动或所述主要活动的子方面损害所述资产的至少一个所述相关对象或至少一个所述相关进程的程序代码。
根据以下详细描述和示例，这些实施方式和其他实施方式将是显而易见的。
附图说明
此处仅通过举例的方式参考附图描述了本发明，其中：
图1是根据本发明实施方式的资产表示典型架构的输入数据的简化高级示意图，该资产表示用于示例性资产中的问题警报聚合和识别次优行为；
图2是根据本发明实施方式的根据图1的资产表示产生的资产数据图(ADG)的事件子树以及给定示例性事件的ADG的简化高级示意图；
图3是根据本发明实施方式的事件子树和图2的示例性ADG(其描述了资产中两个对象之间的路径)的简化高级示意图。
具体实施方式
本发明涉及用于问题警报聚合和识别次优行为的方法和系统。参考所附说明书和附图，可以更好地理解根据本发明提供的这种方法和系统的原理和操作。
如果一组预定义查询在图和资产表示上的结果是相同的，则此处描述的资产数据图(ADG)准确地描述了资产表示。类似地，如果人类专家和资产表示针对一组预定义查询的结果是相同的，则该资产表示描述了资产。因此，通过在资产表示获得的ADG上使用标准查询库，使得具有图的ADG能够替代向人类专家的查询。
参考附图，图1是根据本发明实施方式的资产表示的典型架构的输入数据的简化高级示意图，该资产表示用于示例性资产中的问题警报聚合和识别次优行为。描述了系统的传感器数据面板2，该传感器数据面板2包含如在测量数据集的标题中所指定的传感器名称，其具有可选的元数据和备注。传感器名称(在图1中标有“□”符号)与资产或处理结构中的测量属性相关联。某些传感器可能只有分类值(在图1中标有“■”符号)。图1中被标记(被标记为符号)的元素表示这些元素正在被积极监测。
图1提供了涉及丰田普锐斯(Toyota Prius)车辆的所包括的传感器的资产表示的示例性实施方式。例如，使用现有机器学习算法产生的警报将为“在AFBD中检测到问题”或“NM_DD_C读数太高”。这种警报信息掩盖了真实问题的识别与定位及其成因。
图1的系统在资产表示创建进程中引导和监测资产专家，以确保由系统创建的所包括的传感器的资产表示符合资产表示要求。该系统可用于对任何资产(包括机器、设备、精炼厂或工厂)进行建模。
系统并不了解或不能访问资产。因此，系统无法验证该资产表示是否为资产的正确表示。系统负责使所得到的表示有效，以用于警报聚合。该系统替代了与传统建模系统中的“资产专家”进行交流的建模语言专家，为资产专家提供了一个简单明确的过程，使得她/他可自行对其资产进行建模。
描述了系统的资产结构面板4，该资产结构面板4包含资产的分层的对象结构。请注意，对象可以是包含其他实体的项。在图1的示例性实施方式中，资产是丰田普锐斯车辆。因此，主要资产(如资产结构面板4中所示)是“丰田普锐斯”，其包括对象“动力分配装置”、“马达”和“电池”。各对象(在图1中用符号标记)可以具有属性(图1中用“√”符号标记)，这些属性并不是对象，而是其父对象的属性。在图1中，“丰田普锐斯”资产具有“速度”属性。来自传感器数据面板2的传感器可以与诸如速度属性这样的测量属性相关联。
描述了系统的资产行为面板6，该资产行为面板6包含资产中分层的进程(在图1中标记为“○”)。资产行为面板6的根进程体现了资产的主要功能(例如，驾驶)。在图1中，资产的主要功能是没有名称的，尽管该主要功能可具有标题“从一个地方行驶到另一个地方”。资产行为面板6的主要功能包括“提供运动功率”和“操作者活动”这两个主要进程，各进程都有子进程(例如，“参与的电动机”和“巡航”)。进程可以连接到资产结构面板4中的对象，对象可以影响进程或受到进程影响。
图2是根据本发明实施方式的根据图1的资产表示产生的资产数据图(ADG)的事件子树以及给定示例性事件的ADG的简化高级示意图。
图1中描述的系统的输出是所包括的传感器的资产表示，该资产表示被转换为ADG以使用AGD上的标准查询库进行自动查询。需要将一组预定义查询的回复与资产专家的回复进行匹配，并且以资产专家完全理解的术语来描述该一组预定义查询的回复。
ADG的所有元素(无论是传感器元素、实体元素(即，对象元素和/或进程元素)、还是属性元素)都可以包括附加元数据和信息(诸如对用户指南或问题解决手册的详细解释或参考)。数据测量和传感器连接到所测量的属性，并且这些属性又连接到ADG中的相关实体，使数据成为ADG的原生部分。
警报被聚合到事件中，根据资产表示或ADG对事件进行识别和评分(例如，其反映了事件重要性、相关性或显著性)。这种聚合通常会产生一些集中事件。每个警报源自至少一个传感器，该传感器与ADG中描述实体的属性相连接。由资产表示的相邻的、从属的、类似的、或进程连接的实体所触发的所有警报都被累积到单个事件中。使用资产表示中描述资产的相关元素的术语来表达所得到的事件，这些术语均是安全维护团队使用和理解的术语和表达。
在一个实施方式中，假设：(1)问题是从小规模开始，(2)在没有干预的情况下问题不会消失，(3)如果问题不加以处理则会增长和加速，以及(4)在给定时间发生超过一个问题的概率几乎为零。
在图2中，描述了系统的事件报告面板10，该事件报告面板10包含分层的事件子树(即，列表)，其中每个事件(在图2中用“◇”符号标记)与一组累积的相关警报相关联(如上所述)。在图2中还描述了特定资产的资产表示的给定示例性事件(“新事件(id-2648)”)的ADG 12。
将事件分数附加至每个事件，以表示事件在资产(例如，机器、系统、精炼厂、设备或工厂)中存在问题的可能性。在一个实施方式中，事件分数依赖于以下方面中的一个或更多个方面：
1.警报可能性-事件中的警报未描述正常运营的资产的可能性(L)。
2.分数趋势-L表现出如果L随时间增加则事件分数较高的趋势。
3.ADG加权–对ADG的“顶点”(即实体)、“边”(即ADG中两个实体之间的联接)和/或事件警报中涉及的“路径”(即一系列连接边)进行加权。在一个实施方式中，这种加权是启发式的(heuristic)，而在另一个实施方式中，加权是由图型的机器学习算法产生的，该算法获得ADG和可选数据作为输入。
4.事件集中-如果所有警报都来自ADG的集中部分，如图2的ADG 12所示，则事件分数高。如果警报来自整个资产，则事件分数低。一些措施会反映一个事件的集中，包括：
a.警报的关联实体是警报中所涉及的其他实体的分层从属(即，具有共同的父实体)，
b.上述关系只能延至预设代数，并且
c.警报的关联实体之间的“路径”(如下所述)的数量越多，实体的连接越多。
图3是根据本发明实施方式的事件子树和图2的示例性ADG(其描述了资产中两个对象之间的路径)的简化高级示意图。在图3的ADG 14中描述的路径(即，由指示性的灰色事件元素突出显示)将各种资产表示元素(即，“油冷却系统”，“交换器”，“泵水”，“罐356”和“等级23”)相关联。
在许多情况下，警报不会累积，或者“累积”事件不会增加或者甚至消失。基于上述假设，这些事件代表噪声，这导致非常低的事件分数。
在一些示例性用例中，可以通过特定类型对象中的特定警报模式来识别事件。在一些用例中，对象是一般的(即，任何对象)，其具有从单个传感器触发警报的显著模式，而从资产表示的相邻或进程连接的实体获得的信息则不支持这种模式。这种场景可归于特定触发传感器变得有缺陷时，会使事件被添加至故障传感器列表而不是活动事件列表。识别此类故障传感器警报可显著降低处理紧急程度，并减少维护团队的工作量。
作为示例性用例，特定类型对象可以是管道，该管道具有流过管道入口阀的测量容量增加的所示模式。因此，所识别的事件将会是管道中的泄漏。
作为另一示例性用例，特定类型对象可以是金属板切割器，该金属板切割器具有作为切割器的振动和移动速度的函数的展示模式，以表明所识别的事件发生的可能性。因此，所识别的事件将会是有缺陷的金属样品。在另一个示例性用例中，所识别的事件可以是有缺陷的产品或有问题的化学样品。
作为又一示例性用例，可以通过机器学习算法来学习预测所识别的事件的发生率的模式，该机器学习算法获得相关ADG或资产表示作为输入。
作为又一示例性用例，可以识别特定模式，即对象不会作用于其关联的一个或更多个对象。在这种情况下，所识别的事件将是“无声(silent)”事件，其既不发布在活动事件列表中也不发布在观察事件列表中，因为该事件并不需要维护团队的参与。相反，无声事件是关于对象工作时间(包括过去和未来(即预测))的统计数据的输入源。此类统计信息用于安排维护访问。
在又一示例性用例中，可以预测资产中的对象或进程的特征的最可能值。在一个实施方式中，用于学习和预测特征值的机器学习算法利用具有从资产的ADG获得的深度网络架构的深度学习。在又一个实施方式中，基于图的机器学习算法可以与从这种资产的ADG获得的深度网络一起使用。
因此，数据驱动警报可以与从资产测量的和/或检测到的真实世界数据相关联以用于具有主要活动的复杂物理系统、与作为资产的物理对象和/或进程的实体相关联、以及与适于一起动作以实现主要活动的实体相关联。可以产生资产的资产表示，该资产表示包括对象、进程以及与资产的实体相关联的传感器之间的相关性。
利用数据驱动警报与资产表示中相关的各个实体相关联，可以将数据驱动警报聚合到资产表示的事件中，其中事件是根据资产表示的具有相关实体的相关数据驱动警报的分组。然后可以将每个事件评分为事件分数，以表示事件重要性、事件紧急性、事件相关性和/或事件显著性。然后可以生成选择的事件子集和相应的事件分数，其中所选择的子集是基于事件分数。
此外，事件可以被具体地识别为资产故障、有问题的实体、故障传感器、用户引发的变化、维护过程、用户错误、不活动对象、有问题的实体、不活动对象组件、需要维护的对象组件、故障对象组件、泄漏管道、由实体或资产生产的有缺陷的产品、和/或由实体或资产生产的有问题的化学样品。
此外，聚合进程可以包括提取各个实体的指定子表示，以及将类似和/或连接的指定子表示或者与指定子表示的偏差聚合到指定事件。
此外，可以产生复杂物理操作的互联表示以识别次优行为。这涉及创建传感器列表，该传感器列表具有所有相关传感器、所有相关测量值、和/或数据库中的与在资产中测量和/或检测到的真实世界数据相关的所有相关传感器数据列；创建具有资产中相关对象的对象列表；创建具有资产中相关进程的进程列表；通过将传感器列表、对象列表和进程列表中的列表元素相关联来创建一组实体连接。
通过迭代以上来改进对象列表、进程列表和实体连接，直至资产中的所有相关对象以及所有相关进程被正确列出并相应地关联到资产的资产表示，从而生成互联表示。通过利用资产表示，可以识别从最佳执行、进行和/或实现主要活动或其中的子方面损害资产的相关对象或相关进程。
此外，迭代可以包括改进进程列表和实体连接，直至所列出的各个相关传感器与给定对象或给定进程相关，并且所列出的各个相关进程与来自对象列表的至少两个不同的对象相关。
此外，对象列表和进程列表可以包括各自的对象属性和进程属性，该对象属性和进程属性是它们各自相关联的实体的属性，其中传感器列表具有与相关传感器和测量值相关联的分类值。这使得能够识别从最佳执行、进行和/或实现主要活动或其中的子方面损害资产的相关对象属性、进程属性和分类值。
此外，所述资产表示可以被配置为对作为所述资产的人工调查的一组预定义查询产生等同回复。此外，资产表示可以被配置描述为ADG(其是具有用边连接的一组顶点的图)、被配置为自动查询、并且其中ADG被配置为对作为所述资产表示的一组预定义查询产生等同回复。
此外，资产表示可以被配置描述为图、被配置为自动查询，并且用作可以执行机器学习算法或深度学习算法的基础。
此外，资产表示可用于提取实体的实体重要性、两个或更多个实体之间的联接的实体重要性、和/或与实体相关联的真实世界数据的实体重要性，其中，实体重要性是基于：(i)资产表示或衍生的资产表示；(ii)从与资产表示或衍生的资产表示相关联的相关传感器测量的和/或检测到的真实世界数据。
此外，资产表示可以用于预测资产中的实体的属性值，其中，属性值是基于：(i)资产表示或衍生的资产表示；(ii)从与资产表示或衍生的资产表示相关联的相关传感器测量的和/或检测到的真实世界数据。
虽然已经关于有限数量的实施方式描述了本发明，但是应当理解，可以进行本发明的许多变型、修改和其他应用。
权利要求书(按照条约第19条的修改)
1.一种用于问题警报聚合的方法，该方法包括以下步骤：
(a)针对资产提供数据驱动警报，其中：
(i)所述数据驱动警报与从所述资产测量的和/或检测到的真实世界数据相关联；
(ii)所述资产是具有主要活动的复杂物理系统；
(iii)对象是物理项；
(iv)进程是影响至少一个对象的非物理项；
(v)实体是所述资产的物理对象和/或进程；并且
(vi)所述实体适于一起动作以实现所述主要活动；
(b)提供所述资产的资产表示，其中，所述资产表示包括：
(i)所述资产的至少两个对象和所述资产的至少两个进程的表示；
(ii)与所述资产的所述实体相关联的至少两个传感器的表示；以及
(iii)所述对象、所述进程、以及与所述资产的所述实体相关联的传感器之间的相关性；
(c)将所述数据驱动警报与所述资产表示中相关的所述各个实体相关联；
(d)将所述数据驱动警报聚合到所述资产表示中的事件，其中，所述事件是根据所述资产表示的具有相关实体的相关数据驱动警报的分组；
(e)将各个所述事件评分为事件分数，其中，所述事件分数代表事件重要性、事件紧急性、事件相关性和/或事件显著性；以及
(f)生成所述事件的选择子集和相应事件分数，其中，所述选择子集是基于所述事件分数。
2.根据权利要求1所述的方法，其中，至少一个所述事件被识别为属于从以下各项组成的组中选择的至少一个特定识别事件：资产故障、有问题的实体、故障传感器、用户引起的变化、维护过程、用户错误、不活动对象、有问题的实体、不活动对象组件、需要维护的对象组件、故障对象组件、泄漏管道、由实体或所述资产生产的有缺陷的产品、以及由实体或所述资产生产的有问题的化学样品。
3.根据权利要求1所述的方法，其中，所述聚合的步骤包括以下步骤：
(i)提取所述各个实体的指定子表示；以及
(ii)将类似的和/或连接的所述指定子表示或与所述指定子表示的偏差聚合到指定事件。
4.一种用于产生复杂物理操作的互联表示以识别次优行为的方法，该方法包括以下步骤：
(a)创建传感器列表，其中：
(i)所述传感器列表包括所有相关传感器、所有相关测量、和/或数据库中的与在资产中测量的和/或检测到的真实世界数据相关的所有相关传感器数据列；
(ii)所述资产是具有主要活动的复杂物理系统；
(iii)对象是物理项；
(iv)进程是影响至少一个对象的非物理项；
(v)实体是所述资产的物理对象和/或进程，并且
(vi)所述实体适于一起动作以实现所述主要活动；
(b)创建对象列表，其中，所述对象列表包括所述资产中的至少一个相关对象；
(c)创建进程列表，其中，所述进程列表包括所述资产中的至少一个相关进程；
(d)通过将所述传感器列表、所述对象列表和所述进程列表中的列表元素相关联来创建一组实体连接；
(e)迭代所述步骤(b)至步骤(d)以改进所述对象列表、所述进程列表和所述实体连接，直至：
(i)所述对象列表包括至少两个所述相关对象并且所述进程列表包括所述资产中的至少两个所述相关进程；以及
(ii)所述资产中的所有相关对象和所有相关进程被正确列出并相应地关联到所述资产的资产表示，从而产生互联表示；以及
(f)利用所述资产表示来识别从最佳执行、进行和/或实现所述主要活动或所述主要活动的子方面损害所述资产的至少一个所述相关对象或至少一个所述相关进程。
5.根据权利要求4所述的方法，其中，所述迭代的步骤包括以下步骤：迭代以改进所述进程列表和所述实体连接，直至所列出的各个所述相关传感器与给定的所述对象或给定的所述进程相关，并且所列出的各个所述相关进程与来自所述对象列表的至少两个不同的所述对象相关。
6.根据权利要求4所述的方法，其中，所述对象列表包括与所述对象相关联的对象属性，并且其中，所述进程列表包括与所述进程相关联的进程属性，其中，所述对象属性和所述进程属性是它们各自相关联的实体的属性，并且其中，所述传感器列表包括与所述相关传感器和所述相关测量相关联的分类值，并且其中，所述识别的步骤包括以下步骤：识别从最佳执行、进行和/或实现所述主要活动或所述主要活动的子方面损害所述资产的至少一个相关的所述对象属性、至少一个相关的所述进程属性、或至少一个相关的所述分类值。
7.根据权利要求4所述的方法，其中，所述资产表示被配置为对作为所述资产的人工调查的一组预定义查询产生等同回复。
8.根据权利要求4所述的方法，其中，所述资产表示被配置描述为资产数据图(ADG)，其中，所述ADG是用边连接的一组顶点的图，所述资产表示被配置为自动查询，并且其中，所述ADG被配置为对作为所述资产表示的一组预定义查询产生等同回复。
9.根据权利要求4所述的方法，其中，所述资产表示被配置描述为图，其中，所述图是用边连接的一组顶点，所述资产表示被配置为自动查询，并且其中，所述图是能够执行机器学习算法或深度学习算法的基础。
10.根据权利要求4所述的方法，该方法还包括以下步骤：
(g)提取至少一个所述实体的实体重要性、至少两个所述实体之间的联接的实体重要性、和/或与所述至少一个实体相关联的真实世界数据的实体重要性，其中，所述实体重要性是基于：
(i)所述资产表示或所述资产表示的衍生表示；以及
(ii)从与所述资产表示或所述资产表示的衍生表示相关联的所述相关传感器测量的和/或检测到的真实世界数据。
11.根据权利要求4所述的方法，该方法还包括以下步骤：
(g)预测所述资产中的至少一个所述实体的至少一个属性值，其中，所述至少一个属性值基于：
(i)所述资产表示或所述资产表示的衍生表示；以及
(ii)从与所述资产表示或所述资产表示的衍生表示相关联的所述相关传感器测量的和/或检测到的真实世界数据。
12.一种用于问题警报聚合的系统，该系统包括：
(a)用于执行计算操作的CPU；
(b)用于存储数据的存储器模块；
(c)警报聚合模块，该警报聚合模块被配置为：
(i)针对资产提供数据驱动警报，其中：
(A)所述数据驱动警报与从所述资产测量的和/或检测到的真实世界数据相关联；
(B)所述资产是具有主要活动的复杂物理系统；
(C)对象是物理项；
(D)进程是影响至少一个对象的非物理项；
(E)实体是所述资产的物理对象和/或进程；并且
(F)所述实体适于一起动作以实现所述主要活动；
(ii)提供所述资产的资产表示，其中，所述资产表示包括：
(A)所述资产的至少两个对象和所述资产的至少两个进程的表示；
(B)与所述资产的所述实体相关联的至少两个传感器的表示；以及
(C)所述对象、所述进程、以及与所述资产的所述实体相关联的传感器之间的相关性；
(iii)将所述数据驱动警报与所述资产表示中相关的所述各个实体相关联；
(iv)将所述数据驱动警报聚合到所述资产表示中的事件，其中，所述事件是根据所述资产表示的具有相关实体的相关数据驱动警报的分组；
(v)将各个所述事件评分为事件分数，其中，所述事件分数代表事件重要性、事件紧急性、事件相关性和/或事件显著性；以及
(vi)生成所述事件的选择子集和相应事件分数，其中，所述选择子集是基于所述事件分数。
13.一种用于问题警报聚合的非暂时性计算机可读存储介质，所述非暂时性计算机可读存储介质具有在该非暂时性计算机可读存储介质上实施的计算机可读代码，所述计算机可读代码包括：
(a)用于针对资产提供数据驱动警报的程序代码，其中：
(i)所述数据驱动警报与从所述资产测量的和/或检测到的真实世界数据相关联；
(ii)所述资产是具有主要活动的复杂物理系统；
(iii)对象是物理项；
(iv)进程是影响至少一个对象的非物理项；
(v)实体是所述资产的物理对象和/或进程；以及
(vi)所述实体适于一起动作以实现所述主要活动；
(b)用于提供所述资产的资产表示的程序代码，其中，所述资产表示包括：
(i)所述资产的至少两个对象和所述资产的至少两个进程的表示；
(ii)与所述资产的所述实体相关联的至少两个传感器的表示；以及
(iii)所述对象、所述进程、以及与所述资产的所述实体相关联的传感器之间的相关性；
(c)用于将所述数据驱动警报与所述资产表示中相关的所述各个实体相关联的程序代码；
(d)用于将所述数据驱动警报聚合到所述资产表示中的事件的程序代码，其中，所述事件是根据所述资产表示的具有相关实体的相关数据驱动警报的分组；
(e)用于将各个所述事件评分为事件分数的程序代码，其中，所述事件分数代表事件重要性、事件紧急性、事件相关性和/或事件显著性；以及
(f)用于生成所述事件的选择子集和相应事件分数的程序代码，其中，所述选择子集是基于所述事件分数。
14.一种用于产生复杂物理操作的互联表示以识别次优行为的系统，该系统包括：
(a)用于执行计算操作的CPU；
(b)用于存储数据的存储器模块；
(c)资产表示模块，该资产表示模块被配置为：
(i)创建传感器列表，其中：
(A)所述传感器列表包括所有相关传感器、所有相关测量、和/或数据库中的与在资产中测量和/或检测到的真实世界数据相关的所有相关传感器数据列；
(B)所述资产是具有主要活动的复杂物理系统；
(C)对象是物理项；
(D)进程是影响至少一个对象的非物理项；
(E)实体是所述资产的物理对象和/或进程，并且
(F)所述实体适于一起动作以实现所述主要活动；
(ii)创建对象列表，其中，所述对象列表包括所述资产中的至少一个相关对象；
(iii)创建进程列表，其中，所述进程列表包括所述资产中的至少一个相关进程；
(iv)通过将所述传感器列表、所述对象列表和所述进程列表中的列表元素相关联来创建一组实体连接；
(v)迭代所述步骤(ii)至步骤(iv)来改进所述对象列表、所述进程列表和所述实体连接，直至：
(A)所述对象列表包括至少两个所述相关对象并且所述进程列表包括所述资产中的至少两个所述相关进程；以及
(B)所述资产中的所有相关对象和所有相关进程被正确列出并相应地关联到所述资产的资产表示，从而产生互联表示；以及
(vi)利用所述资产表示来识别从最佳执行、进行和/或实现所述主要活动或所述主要活动的子方面损害所述资产的至少一个所述相关对象或至少一个所述相关进程。
15.一种非暂时性计算机可读存储介质，所述非暂时性计算机可读存储介质具有在该非暂时性计算机可读存储介质上实施的计算机可读代码，所述计算机可读代码产生用于识别次优行为的复杂物理操作的互联表示，所述计算机可读代码包括：
(a)用于创建传感器列表的程序代码，其中：
(i)所述传感器列表包括所有相关传感器、所有相关测量、和/或数据库中的与在资产中测量和/或检测到的真实世界数据相关的所有相关传感器数据列；
(ii)所述资产是具有主要活动的复杂物理系统；
(iii)对象是物理项；
(iv)进程是影响至少一个对象的非物理项；
(v)实体是所述资产的物理对象和/或进程；并且
(vi)所述实体适于一起动作以实现所述主要活动；
(b)用于创建对象列表的程序代码，其中，所述对象列表包括所述资产中的至少一个相关对象；
(c)用于创建进程列表的程序代码，其中，所述进程列表包括所述资产中的至少一个进程；
(d)用于通过将所述传感器列表、所述对象列表和所述进程列表中的列表元素相关联来创建一组实体连接的程序代码；
(e)用于迭代所述程序代码功能(b)-程序代码功能(d)的程序代码，以改进所述对象列表、所述进程列表和所述实体连接，直至：
(i)所述对象列表包括至少两个所述相关对象并且所述进程列表包括所述资产中的至少两个所述相关进程；以及
(ii)所述资产中的所有相关对象和所有相关进程被正确列出并相应地关联到所述资产的资产表示，从而产生互联表示；以及
(f)用于利用所述资产表示来识别从最佳执行、进行和/或实现所述主要活动或所述主要活动的子方面损害所述资产的至少一个所述相关对象或至少一个所述相关进程的程序代码。

Claims (15)

1.一种用于问题警报聚合的方法，该方法包括以下步骤：
(a)针对资产提供数据驱动警报，其中，所述数据驱动警报与从所述资产测量的和/或检测到的真实世界数据相关联，并且其中，所述资产是具有主要活动的复杂物理系统，并且其中，实体是所述资产的物理对象和/或进程，并且其中，所述实体适于一起动作以实现所述主要活动；
(b)提供所述资产的资产表示，其中，所述资产表示包括所述对象、所述进程、以及与所述资产的所述实体相关联的传感器之间的相关性；
(c)将所述数据驱动警报与所述资产表示中相关的所述各个实体相关联；
(d)将所述数据驱动警报聚合到所述资产表示中的事件，其中，所述事件是根据所述资产表示的具有相关实体的相关数据驱动警报的分组；
(e)将各个所述事件评分为事件分数，其中，所述事件分数代表事件重要性、事件紧急性、事件相关性和/或事件显著性；以及
(f)生成所述事件的选择子集和相应事件分数，其中，所述选择子集是基于所述事件分数。
2.根据权利要求1所述的方法，其中，至少一个所述事件被识别为属于从以下各项组成的组中选择的至少一个特定识别事件：资产故障、有问题的实体、故障传感器、用户引起的变化、维护过程、用户错误、不活动对象、有问题的实体、不活动对象组件、需要维护的对象组件、故障对象组件、泄漏管道、由实体或所述资产生产的有缺陷的产品、以及由实体或所述资产生产的有问题的化学样品。
3.根据权利要求1所述的方法，其中，所述聚合的步骤包括以下步骤：
(i)提取所述各个实体的指定子表示；以及
(ii)将类似的和/或连接的所述指定子表示或与所述指定子表示的偏差聚合到指定事件。
4.一种用于产生复杂物理操作的互联表示以识别次优行为的方法，该方法包括以下步骤：
(a)创建传感器列表，其中，所述传感器列表包括所有相关传感器、所有相关测量、和/或数据库中的与在资产中测量和/或检测到的真实世界数据相关的所有相关传感器数据列，其中，所述资产是具有主要活动的复杂物理系统，并且其中，实体是所述资产的物理对象和/或进程，并且其中，所述实体适于一起动作以实现所述主要活动；
(b)创建对象列表，其中，所述对象列表包括所述资产中的至少一个相关对象；
(c)创建进程列表，其中，所述进程列表包括所述资产中的至少一个相关进程；
(d)通过将所述传感器列表、所述对象列表和所述进程列表中的列表元素相关联来创建一组实体连接；
(e)迭代所述步骤(b)至步骤(d)来改进所述对象列表、所述进程列表和所述实体连接，直至所述资产中的所有相关对象和所有相关进程被正确列出并相应地关联到所述资产的资产表示，从而产生互联表示；
(f)利用所述资产表示来识别从最佳执行、进行和/或实现所述主要活动或所述主要活动的子方面损害所述资产的至少一个所述相关对象或至少一个所述相关进程。
5.根据权利要求4所述的方法，其中，所述迭代的步骤包括以下步骤：迭代以改进所述进程列表和所述实体连接，直至所列出的各个所述相关传感器与给定的所述对象或给定的所述进程相关，并且所列出的各个所述相关进程与来自所述对象列表的至少两个不同的所述对象相关。
6.根据权利要求4所述的方法，其中，所述对象列表包括与所述对象相关联的对象属性，并且其中，所述进程列表包括与所述进程相关联的进程属性，其中，所述对象属性和所述进程属性是它们各自相关联的实体的属性，并且其中，所述传感器列表包括与所述相关传感器和所述相关测量相关联的分类值，并且其中，所述识别的步骤包括以下步骤：识别从最佳执行、进行和/或实现所述主要活动或所述主要活动的子方面损害所述资产的至少一个相关的所述对象属性、至少一个相关的所述进程属性、或至少一个相关的所述分类值。
7.根据权利要求4所述的方法，其中，所述资产表示被配置为对作为所述资产的人工调查的一组预定义查询产生等同回复。
8.根据权利要求4所述的方法，其中，所述资产表示被配置描述为资产数据图(ADG)，其中，所述ADG是用边连接的一组顶点的图，所述资产表示被配置为自动查询，并且其中，所述ADG被配置为对作为所述资产表示的一组预定义查询产生等同回复。
9.根据权利要求4所述的方法，其中，所述资产表示被配置描述为图，其中，所述图是用边连接的一组顶点，所述资产表示被配置为自动查询，并且其中，所述图是能够执行机器学习算法或深度学习算法的基础。
10.根据权利要求4所述的方法，该方法还包括以下步骤：
(g)提取至少一个所述实体的实体重要性、至少两个所述实体之间的联接的实体重要性、和/或与所述至少一个实体相关联的真实世界数据的实体重要性，其中，所述实体重要性是基于：
(i)所述资产表示或所述资产表示的衍生表示；以及
(ii)从与所述资产表示或所述资产表示的衍生表示相关联的所述相关传感器测量的和/或检测到的真实世界数据。
11.根据权利要求4所述的方法，该方法还包括以下步骤：
(g)预测所述资产中的至少一个所述实体的至少一个属性值，其中，所述至少一个属性值基于：
(i)所述资产表示或所述资产表示的衍生表示；以及
(ii)从与所述资产表示或所述资产表示的衍生表示相关联的所述相关传感器测量的和/或检测到的真实世界数据。
12.一种用于问题警报聚合的系统，该系统包括：
(a)用于执行计算操作的CPU；
(b)用于存储数据的存储器模块；
(c)警报聚合模块，该警报聚合模块被配置为：
(i)针对资产提供数据驱动警报，其中，所述数据驱动警报与从所述资产测量的和/或检测到的真实世界数据相关联，并且其中，所述资产是具有主要活动的复杂物理系统，并且其中，实体是所述资产的物理对象和/或进程，并且其中，所述实体适于一起动作以实现所述主要活动；
(ii)提供所述资产的资产表示，其中，所述资产表示包括所述对象、所述进程、以及与所述资产的所述实体相关联的传感器之间的相关性；
(iii)将所述数据驱动警报与所述资产表示中相关的所述各个实体相关联；
(iv)将所述数据驱动警报聚合到所述资产表示中的事件，其中，所述事件是根据所述资产表示的具有相关实体的相关数据驱动警报的分组；
(v)将各个所述事件评分为事件分数，其中，所述事件分数代表事件重要性、事件紧急性、事件相关性和/或事件显著性；以及
(vi)生成所述事件的选择子集和相应事件分数，其中，所述选择子集是基于所述事件分数。
13.一种用于问题警报聚合的非暂时性计算机可读存储介质，所述非暂时性计算机可读存储介质具有在该非暂时性计算机可读存储介质上实施的计算机可读代码，所述计算机可读代码包括：
(a)用于针对资产提供数据驱动警报的程序代码，其中，所述数据驱动警报与从所述资产测量的和/或检测到的真实世界数据相关联，并且其中，所述资产是具有主要活动的复杂物理系统，并且其中，实体是所述资产的物理对象和/或进程，并且其中，所述实体适于一起动作以实现所述主要活动；
(b)用于提供所述资产的资产表示的程序代码，其中，所述资产表示包括所述对象、所述进程、以及与所述资产的所述实体相关联的传感器之间的相关性；
(c)用于将所述数据驱动警报与所述资产表示中相关的所述各个实体相关联的程序代码；
(d)用于将所述数据驱动警报聚合到所述资产表示中的事件的程序代码，其中，所述事件是根据所述资产表示的具有相关实体的相关数据驱动警报的分组；
(e)用于将各个所述事件评分为事件分数的程序代码，其中，所述事件分数代表事件重要性、事件紧急性、事件相关性和/或事件显著性；以及
(f)用于生成所述事件的选择子集和相应事件分数的程序代码，其中，所述选择子集是基于所述事件分数。
14.一种用于产生复杂物理操作的互联表示以识别次优行为的系统，该系统包括：
(a)用于执行计算操作的CPU；
(b)用于存储数据的存储器模块；
(c)资产表示模块，该资产表示模块被配置为：
(i)创建传感器列表，其中，所述传感器列表包括所有相关传感器、所有相关测量、和/或数据库中的与在资产中测量和/或检测到的真实世界数据相关的所有相关传感器数据列，其中，所述资产是具有主要活动的复杂物理系统，并且其中，实体是所述资产的物理对象和/或进程，并且其中，所述实体适于一起动作以实现所述主要活动；
(ii)创建对象列表，其中，所述对象列表包括所述资产中的至少一个相关对象；
(iii)创建进程列表，其中，所述进程列表包括所述资产中的至少一个相关进程；
(iv)通过将所述传感器列表、所述对象列表和所述进程列表中的列表元素相关联来创建一组实体连接；
(v)迭代所述步骤(ii)至步骤(iv)来改进所述对象列表、所述进程列表和所述实体连接，直至所述资产中的所有相关对象和所有相关进程被正确列出并相应地关联到所述资产的资产表示，从而产生互联表示；以及
(vi)利用所述资产表示来识别从最佳执行、进行和/或实现所述主要活动或所述主要活动的子方面损害所述资产的至少一个所述相关对象或至少一个所述相关进程。
15.一种非暂时性计算机可读存储介质，所述非暂时性计算机可读存储介质具有在该非暂时性计算机可读存储介质上实施的计算机可读代码，所述计算机可读代码产生用于识别次优行为的复杂物理操作的互联表示，所述计算机可读代码包括：
(a)用于创建传感器列表的程序代码，其中，所述传感器列表包括所有相关传感器、所有相关测量、和/或数据库中的与在资产中测量和/或检测到的真实世界数据相关的所有相关传感器数据列，其中，所述资产是具有主要活动的复杂物理系统，并且其中，实体是所述资产的物理对象和/或进程，并且其中，所述实体适于一起动作以实现所述主要活动；
(b)用于创建对象列表的程序代码，其中，所述对象列表包括所述资产中的至少一个相关对象；
(c)用于创建进程列表的程序代码，其中，所述进程列表包括所述资产中的至少一个相关进程；
(d)用于通过将所述传感器列表、所述对象列表和所述进程列表中的列表元素相关联来创建一组实体连接的程序代码；
(e)用于迭代所述程序代码功能(b)-程序代码功能(d)的程序代码，以改进所述对象列表、所述进程列表和所述实体连接，直至所述资产中的所有相关对象和所有相关进程被正确列出并相应地关联到所述资产的资产表示，从而产生互联表示；以及
(f)用于利用所述资产表示来识别从最佳执行、进行和/或实现所述主要活动或所述主要活动的子方面损害所述资产的至少一个所述相关对象或至少一个所述相关进程的程序代码。
CN201880013195.XA 2017-02-23 2018-01-30 用于问题警报聚合和识别次优行为的方法、系统和介质 Active CN110337640B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US15/440,081 US10318364B2 (en) 2017-02-23 2017-02-23 Methods and systems for problem-alert aggregation
US15/440,081 2017-02-23
PCT/IL2018/050101 WO2018154558A1 (en) 2017-02-23 2018-01-30 Methods and systems for problem-alert aggregation

Publications (2)

Publication Number Publication Date
CN110337640A true CN110337640A (zh) 2019-10-15
CN110337640B CN110337640B (zh) 2023-11-21

Family

ID=63167814

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201880013195.XA Active CN110337640B (zh) 2017-02-23 2018-01-30 用于问题警报聚合和识别次优行为的方法、系统和介质

Country Status (4)

Country Link
US (1) US10318364B2 (zh)
EP (1) EP3586233A4 (zh)
CN (1) CN110337640B (zh)
WO (1) WO2018154558A1 (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11831492B2 (en) * 2016-08-16 2023-11-28 Nicira, Inc. Group-based network event notification
US20190385090A1 (en) * 2018-06-14 2019-12-19 Honeywell International Inc. Systems and methods for using artificial intelligence models to identify a current threat scenario
GB2582590A (en) * 2019-03-26 2020-09-30 Ge Aviat Systems Ltd Method and system for fusing disparate industrial asset event information
US11544580B2 (en) * 2019-08-07 2023-01-03 Precognize Ltd. Methods and systems for improving asset operation based on identification of significant changes in sensor combinations in related events

Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AUPR464601A0 (en) * 2001-04-30 2001-05-24 Commonwealth Of Australia, The Shapes vector
US20020163427A1 (en) * 2001-03-01 2002-11-07 Evren Eryurek Integrated device alerts in a process control system
US6529141B1 (en) * 2000-07-14 2003-03-04 Globe Ranger Corporation System and method for transmitting a triggered alarm
CA2488079A1 (en) * 2003-11-20 2005-05-20 New England 800 Company D/B/A Taction System and method for event-based forecasting
JP2006518893A (ja) * 2003-01-23 2006-08-17 ヴァーダシス・インコーポレーテッド イベントのジャーナル化によるディジタル資産使用アカウンタビリティ
US20090240472A1 (en) * 2008-03-21 2009-09-24 Jason Winnebeck Data processing systems and methods
CN101833497A (zh) * 2010-03-30 2010-09-15 山东高效能服务器和存储研究院 一种基于专家系统方法的计算机故障管理系统
CN103329109A (zh) * 2010-10-04 2013-09-25 阿沃森特亨茨维尔公司 用于结合可管理子系统来实时地监视并管理数据中心资源的系统和方法
CN103348328A (zh) * 2010-10-04 2013-10-09 阿沃森特亨茨维尔公司 用于实时地监视并管理数据中心资源的系统和方法
CN103460184A (zh) * 2010-10-04 2013-12-18 阿沃森特亨茨维尔公司 用于结合通用数据模型存储库来监视并管理数据中心资源的系统和方法
US8739290B1 (en) * 2011-09-29 2014-05-27 Emc Corporation Generating alerts in event management systems
US20140195463A1 (en) * 2013-01-10 2014-07-10 Jonathan S. Jacobs System and methods for generating and displaying optimized solutions to complex problems
US20140215618A1 (en) * 2013-01-25 2014-07-31 Cybereason Inc Method and apparatus for computer intrusion detection
US8977252B1 (en) * 2006-07-06 2015-03-10 Gryphonet Ltd. System and method for automatic detection and recovery of malfunction in mobile devices
CA2982498A1 (en) * 2015-04-28 2016-11-03 Osisoft, Llc Multi-context sensor data collection, integration, and presentation
US20160379282A1 (en) * 2015-06-29 2016-12-29 Miq Llc User community generated analytics and marketplace data for modular systems

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6421571B1 (en) * 2000-02-29 2002-07-16 Bently Nevada Corporation Industrial plant asset management system: apparatus and method
US8489728B2 (en) * 2005-04-15 2013-07-16 Microsoft Corporation Model-based system monitoring
US8335582B2 (en) * 2008-05-19 2012-12-18 Applied Materials, Inc. Software application to analyze event log and chart tool fail rate as function of chamber and recipe
US9557735B2 (en) * 2009-12-10 2017-01-31 Fisher-Rosemount Systems, Inc. Methods and apparatus to manage process control status rollups
EP2513765A1 (en) 2009-12-16 2012-10-24 Abb As Method and system for providing an hmi in a process control system for monitoring and control of a process
WO2014109645A1 (en) * 2013-01-08 2014-07-17 Secure-Nok As Method, device and computer program for monitoring an industrial control system
US9274684B2 (en) * 2013-03-07 2016-03-01 Siemens Industry, Inc. Hierarchical navigation with related objects
EP2981902A4 (en) * 2013-03-31 2016-10-26 Schneider Electric Usa Inc AUTOMATIC CONFIGURATION OF AGGREGATIONS OF ALARMS
US10193775B2 (en) * 2014-10-09 2019-01-29 Splunk Inc. Automatic event group action interface
US10176032B2 (en) * 2014-12-01 2019-01-08 Uptake Technologies, Inc. Subsystem health score
US10135705B2 (en) * 2016-06-30 2018-11-20 Rockwell Automation Technologies, Inc. Industrial internet of things data pipeline for a data lake

Patent Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6529141B1 (en) * 2000-07-14 2003-03-04 Globe Ranger Corporation System and method for transmitting a triggered alarm
US20020163427A1 (en) * 2001-03-01 2002-11-07 Evren Eryurek Integrated device alerts in a process control system
AUPR464601A0 (en) * 2001-04-30 2001-05-24 Commonwealth Of Australia, The Shapes vector
JP2006518893A (ja) * 2003-01-23 2006-08-17 ヴァーダシス・インコーポレーテッド イベントのジャーナル化によるディジタル資産使用アカウンタビリティ
CA2488079A1 (en) * 2003-11-20 2005-05-20 New England 800 Company D/B/A Taction System and method for event-based forecasting
US8977252B1 (en) * 2006-07-06 2015-03-10 Gryphonet Ltd. System and method for automatic detection and recovery of malfunction in mobile devices
US20090240472A1 (en) * 2008-03-21 2009-09-24 Jason Winnebeck Data processing systems and methods
CN101833497A (zh) * 2010-03-30 2010-09-15 山东高效能服务器和存储研究院 一种基于专家系统方法的计算机故障管理系统
CN103348328A (zh) * 2010-10-04 2013-10-09 阿沃森特亨茨维尔公司 用于实时地监视并管理数据中心资源的系统和方法
CN103460184A (zh) * 2010-10-04 2013-12-18 阿沃森特亨茨维尔公司 用于结合通用数据模型存储库来监视并管理数据中心资源的系统和方法
CN103329109A (zh) * 2010-10-04 2013-09-25 阿沃森特亨茨维尔公司 用于结合可管理子系统来实时地监视并管理数据中心资源的系统和方法
US8739290B1 (en) * 2011-09-29 2014-05-27 Emc Corporation Generating alerts in event management systems
US20140195463A1 (en) * 2013-01-10 2014-07-10 Jonathan S. Jacobs System and methods for generating and displaying optimized solutions to complex problems
US20140215618A1 (en) * 2013-01-25 2014-07-31 Cybereason Inc Method and apparatus for computer intrusion detection
CA2982498A1 (en) * 2015-04-28 2016-11-03 Osisoft, Llc Multi-context sensor data collection, integration, and presentation
US20160379282A1 (en) * 2015-06-29 2016-12-29 Miq Llc User community generated analytics and marketplace data for modular systems

Also Published As

Publication number Publication date
EP3586233A1 (en) 2020-01-01
EP3586233A4 (en) 2021-07-14
US10318364B2 (en) 2019-06-11
WO2018154558A1 (en) 2018-08-30
US20180239666A1 (en) 2018-08-23
CN110337640B (zh) 2023-11-21

Similar Documents

Publication Publication Date Title
Jiang et al. Performance supervised plant-wide process monitoring in industry 4.0: A roadmap
Wilkinson et al. Comparison of methods for wind turbine condition monitoring with SCADA data
JP5530019B1 (ja) 異常予兆検知システム及び異常予兆検知方法
Kusiak et al. Prediction of status patterns of wind turbines: A data-mining approach
CN110337640A (zh) 用于问题警报聚合的方法和系统
Mounce et al. Pattern matching and associative artificial neural networks for water distribution system time series data analysis
CN106600115A (zh) 一种企业信息系统运维智能分析方法
JP2013041448A (ja) 異常検知・診断方法、および異常検知・診断システム
CN102282552A (zh) 基于模式的智能控制、监测及自动化的系统、方法和计算机程序
JP2012137934A (ja) 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
JP2011145846A (ja) 異常検知方法、異常検知システム、及び異常検知プログラム
Wang et al. Data-driven risk assessment on urban pipeline network based on a cluster model
Yan et al. Big-data-driven based intelligent prognostics scheme in industry 4.0 environment
Aboutorab et al. A survey on the suitability of risk identification techniques in the current networked environment
CN116720324A (zh) 基于预测模型的牵引变电所关键设备故障预警方法及系统
Dorgo et al. Quality vs. quantity of alarm messages-How to measure the performance of an alarm system
Wang et al. Early anomaly warning of environment-induced bridge modal variability through localized principal component differences
CN110009126A (zh) 基于pls模型与pca贡献度融合的在线报警分析方法
Hou et al. Fault detection and diagnosis of air brake system: A systematic review
Thunem et al. Ussing an Agent-Oriented Framework for Supervision, Diagnosis and Prognosis Applications in Advanced Automation Environments
Wu et al. Traffic sensor health monitoring using spatiotemporal graphical modeling
JP7062505B2 (ja) 設備管理支援システム
Merkt Predictive models for maintenance optimization: an analytical literature survey of industrial maintenance strategies
Liu et al. EXPERIENCE: Algorithms and case study for explaining repairs with uniform profiles over IoT data
Kondo et al. Process mining for alarm rationalization and fault patterns identification

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