CN111160687B - 主动资产监控 - Google Patents

主动资产监控 Download PDF

Info

Publication number
CN111160687B
CN111160687B CN201911000595.XA CN201911000595A CN111160687B CN 111160687 B CN111160687 B CN 111160687B CN 201911000595 A CN201911000595 A CN 201911000595A CN 111160687 B CN111160687 B CN 111160687B
Authority
CN
China
Prior art keywords
asset
data
digital signatures
voltage
component
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201911000595.XA
Other languages
English (en)
Other versions
CN111160687A (zh
Inventor
崔芳芳
克雷格·菲利普·德赖尔
克里斯蒂娜·麦克奈特
迦勒·克劳斯
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
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 CN111160687A publication Critical patent/CN111160687A/zh
Application granted granted Critical
Publication of CN111160687B publication Critical patent/CN111160687B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
    • 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
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R21/00—Arrangements for measuring electric power or power factor
    • G01R21/133—Arrangements for measuring electric power or power factor by using digital technique
    • 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]
    • 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
    • G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
    • G06F11/3452—Performance evaluation by statistical analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
    • G06F11/3466—Performance evaluation by tracing or monitoring
    • G06F11/3495—Performance evaluation by tracing or monitoring for systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/54—Interprogram communication
    • G06F9/542—Event management; Broadcasting; Multicasting; Notifications
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06Q10/20—Administration of product repair or maintenance

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Human Resources & Organizations (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Quality & Reliability (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Automation & Control Theory (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Computer Hardware Design (AREA)
  • Computing Systems (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Tourism & Hospitality (AREA)
  • Operations Research (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Marketing (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Power Engineering (AREA)
  • Multimedia (AREA)
  • Probability & Statistics with Applications (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Medical Informatics (AREA)

Abstract

提出了用于主动资产监控的系统和技术。系统可以从一个或多个资产收集一组电压测量值。该系统还可以执行与该组电压测量值相关联的学习，并生成一组数字签名，该数字签名包括与该组电压测量值有关的一组图案。此外，系统可以基于该组数字签名来确定资产的监控性能，该组数字签名包括与该组电压测量值有关的该组图案。

Description

主动资产监控
技术领域
本公开大体涉及资产管理系统，并且更具体地，涉及用于一个或多个资产的分析系统。
背景技术
通常，难以管理系统中的资产的维护。例如，当今的行业通常采用维护计划，其中，在确定资产损坏后对其维修。因此，资产的常规维护计划通常会导致资产性能下降，资产停机时间增加以及资产成本增加。这样，期望改善资产的管理和/或改善资产的维护计划。
发明内容
下面提供了本说明书的简化概述，以便提供对本说明书某些方面的基本理解。该概述不是对该说明书的详尽概述。它既不旨在标识本说明书的关键或重要元件，也不旨在描述本说明书的特定实施方式的任何范围或权利要求的任何范围。其独特目的是以简化的形式提出本说明书的一些概念，作为稍后提出的更详细描述的序言。
根据实施例，一种系统包括数据收集部件，人工智能部件和监控部件。数据收集部件从一个或多个资产收集一组电压测量值。人工智能部件进行与该组电压测量值相关联的学习，并生成一组数字签名，该组数字签名包括关于该组电压测量值的一组图案(pattern)。监控部件基于该组数字签名来监控资产的性能，该组数字签名包括关于该组电压测量值的该组图案。
根据实施例，一种方法提供了由包括处理器的系统从一个或多个资产收集一组电压测量值。该方法还提供由系统使用一种或多种人工智能技术来进行与该组电压测量值相关联的学习。此外，该方法提供了由系统生成一组数字签名，该一组数字签名包括关于该组电压测量值的一组图案。该方法还提供由系统基于该组数字签名来监控资产的性能的方法，该组数字签名包括关于该组电压测量值的该组图案。
根据另一实施例，一种计算机可读存储设备包括指令，该指令响应于执行而使包括处理器的系统进行操作，该操作包括：从一个或多个资产收集一组电压测量值，使用一种或多种人工智能技术来进行与该组电压测量值相关联的学习，生成一组数字签名，该组数字签名包括关于该组电压测量值的一组图案，以及基于包含关于该组电压测量值的该组图案的该组数字签名来监控资产的性能。
以下描述和附图阐述了说明书的某些说明性方面。然而，这些方面仅指示可以采用本说明书的原理的各种方式中的几种。当结合附图考虑时，根据本说明书的以下详细描述，本说明书的其他优点和新颖特征将变得显而易见。
附图说明
通过结合附图考虑以下详细描述，本发明的许多方面，实施方式，目的和优点将变得显而易见，其中，相同的附图标记始终指代相同的部件，并且其中：
图1示出了根据本文描述的一个或多个实施例的包括资产管理部件的示例性非限制性系统的框图；
图2示出了根据本文描述的一个或多个实施例的包括资产管理部件的另一示例性非限制性系统的框图；
图3示出了根据本文描述的一个或多个实施例的包括资产管理部件的又一示例性非限制性系统的框图；
图4示出了根据本文描述的一个或多个实施例的用于主动资产监控的示例性非限制性系统；
图5示出了根据本文描述的一个或多个实施例的用于主动资产监控的另一示例性非限制性系统；
图6示出了根据本文描述的一个或多个实施例的示例性非限制性数字签名；
图7示出了根据本文描述的一个或多个实施例的与数字签名和电压方差图相关联的示例性非限制性系统；
图8示出了根据本文描述的一个或多个实施例的用于主动资产监控的示例性非限制性方法的流程图；
图9是示出合适的操作环境的示意性框图；和
图10是样本计算环境的示意性框图。
具体实施方式
现在参考附图描述本公开的各个方面，其中，相似的参考标号始终用于指代相似的元件。在下面的描述中，出于解释的目的，阐述了许多具体细节以便提供对一个或多个方面的透彻理解。但是，应当理解，可以在没有这些具体细节的情况下，或者在其他方法，部件，材料等的情况下实践本公开的某些方面。在其他实例中，以框图形式示出了公知的结构和设备以有助于描述一个或多个方面。
提出了用于主动资产监控的系统和技术。一方面，来自一个或多个资产的关键处理变量的测量可以用于识别资产的性能下降的主要指标。此外，可以基于历史处理故障来设置一个或多个阈值，以防止资产性能降至关键阈值以下和/或为资产创建自动化维护工作订单，同时还提高资产的容量和/或产量。在另一方面，可以在漂移导致资产的返工率增加和/或性能损失之前提供与资产相关联的处理正在偏离健康运行状况的提前通知。可以将来自一个或多个资产的机器数据进行比较，以识别一种或多种趋势。此外，可以采用附加的机器数据来识别数字指纹(例如，数字签名)，该数字指纹识别资产的一个或多个趋势的原因。在实施例中，可以比较来自一个或多个资产的电压数据(例如，一组电压测量值)以识别一个或多个趋势。此外，可以采用附加的电压数据(例如，附加的电压测量值)来识别数字指纹(例如，数字签名)，该数字指纹识别资产的一个或多个趋势的原因。在非限制性示例中，可以比较来自一组资产的每个资产的每个孔的机器数据(例如，电压数据)以识别一个或多个趋势，并且可以采用附加的机器数据(例如，附加的电压数据)来识别数字指纹(例如，数字签名)，该数字指纹识别一个或多个趋势的起因。在某些实施例中，可以提供与主动资产监控相关联的分析和/或可视化。这样，可以通过在健康的操作状况下维护资产和/或资产的处理来减少资产的不合格风险。此外，可以提高资产的准确性和/或许多已识别问题。还可以改善资产的故障排除和/或资产的性能。资产维护程序之间的时间量也可以最大化。
首先参考图1，示出了根据本文描述的一个或多个实施例的提供主动资产监控的示例系统100。系统100可以在与企业应用相关联的服务器的网络上或与其结合地实现。系统100可以被各种系统采用，例如但不限于资产系统，设备系统，航空系统，发动机系统，飞行器系统，汽车系统，水运系统，工业设备系统，工业系统，制造系统，工厂系统，能源管理系统，电网系统，供水系统，运输系统，医疗保健系统，炼油系统，媒体系统，金融系统，数据驱动的预测系统，诊断系统，数字系统，资产管理系统，机器学习系统，神经网络系统，网络系统，计算机网络系统，通信系统，企业系统等。在一个示例中，系统100可以与平台即服务(PaaS)和/或资产性能管理系统相关联。在另一个示例中，系统100可以是数字预测系统。而且，系统100和/或系统100的部件可以被用来使用硬件和/或软件来解决本质上技术含量高的(例如，与机器学习有关，与数字数据处理预测有关，与数字数据分析有关，等)、不是抽象的、并且不能作为人类的一系列心理行为来进行的问题。
系统100包括资产管理部件102。在图1中，资产管理部件102可以包括数据收集部件104，人工智能部件106和/或监控部件108。在本公开中解释的系统、装置或处理的各方面可以构成体现在机器中(例如体现在与一个或多个机器相关联的一个或多个计算机可读介质(或媒体)中)的机器可执行部件。当由一个或多个机器(例如计算机，计算设备，虚拟机等)执行这样的部件时，这样的部件可以使机器进行所描述的操作。系统100(例如，资产管理部件102)可以包括用于存储计算机可执行部件和指令的存储器110。系统100(例如，资产管理部件102)可以进一步包括处理器112，以促进系统100(例如，资产管理部件102)对指令(例如，计算机可执行部件和指令)的操作。
资产管理部件102(例如，资产管理部件102的数据收集部件104)可以接收资产数据114。例如，数据收集部件104可以收集资产数据114。可以从一个或多个数据库(例如，数据库的网络)接收资产数据114。例如，资产数据114可以与存储在服务器的网络上的数据相关联。资产数据114也可以是由一个或多个资产生成的和/或与一个或多个资产相关联的存储数据的语料库。例如，资产数据114可以由一个或多个资产、一个或多个设备、一个或多个机器和/或一种或多种类型的装备生成和/或与一个或多个资产、一个或多个设备、一个或多个机器和/或一种或多种类型的装备关联。资产数据114可以是例如时间序列数据。资产数据114也可以是例如包括一个或多个参数和相应数据值的参数数据。资产数据114可以包括各种数据，例如但不限于传感器数据，机器数据，电压数据，处理数据(例如，处理日志数据)，操作数据，监控数据，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/或其他数据。资产数据114也可以是编码数据，处理的数据和/或原始数据。在实施例中，资产数据114可以包括由一个或多个资产生成的电压数据(例如，一组电压测量值)。在非限制性示例中，资产数据114可以是从一个或多个放电机收集的电压数据(例如，一组电压测量值)。例如，可以从每个资产的一个或多个部分(例如，来自一组资产的每个资产的每个孔)收集电压数据(例如，一组电压测量值)。但是，应当理解，资产数据114可以与不同的系统相关联，例如但不限于不同的资产系统，不同的装备系统，不同的航空系统，不同的飞行器系统，汽车系统，船舶系统，工业设备系统，工业系统，制造系统，工厂系统，能源管理系统，电网系统，供水系统，运输系统，医疗系统，炼油系统，媒体系统，金融系统，数据驱动的预测系统，诊断系统，数字系统，资产管理系统，机器学习系统，神经网络系统，网络系统，计算机网络系统，通信系统，企业系统等。
人工智能部件106可以进行与资产数据114相关联的学习。此外，人工智能部件106还可生成一组数字签名，其包括关于资产数据114的一组图案。例如，为了促进对资产的一个或多个未来事件的检测，人工智能部件106可以学习该组数字签名。人工智能部件106还可以生成关于该组数字签名的推论。在实施例中，人工智能部件106可以进行与包括在资产数据114中的电压数据(例如，一组电压测量值)相关的学习。此外，人工智能部件106还可以生成一组数字签名，该一组数字签名包括关于电压数据(例如，该组电压测量值)的一组图案。然而，应当理解，人工智能部件106可以附加地或替代地进行与包含在资产数据114中的其他数据(例如，传感器数据，机器数据，处理数据(例如，处理日志数据)，操作数据，监控数据，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，装备数据，设备数据，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/或其他数据)相关联的学习。人工智能部件106可以采用人工智能的原理来促进与资产数据114相关联的学习和/或生成与资产数据114相关联的推论。人工智能部件106可以显式地或隐式地进行与资产数据114相关联的学习。人工智能部件106的学习和/或生成的推论可以促进与资产数据114相关联的不同图案的识别和/或分类。人工智能部件106还可采用自动分类系统和/或自动分类处理，以促进与资产数据114相关联的学习和/或生成与资产数据114相关联的推论。例如，人工智能部件106可以采用基于概率和/或基于统计的分析(例如，考虑到分析效用和成本)来进行与资产数据114相关联的学习和/或生成与资产数据114相关联的推论。人工智能部件106可以采用例如支持向量机(SVM)分类器来进行与资产数据114相关联的学习和/或生成与资产数据114相关联的推论。附加地或替代地，人工智能部件106可以采用与贝叶斯网络，决策树和/或概率分类模型相关联的其他分类技术。人工智能部件106所采用的分类器可以被显式地训练(例如，经由通用训练数据)以及被隐式地训练(例如，经由观察用户行为，接收外部信息)。例如，对于众所周知的SVM，SVM经由分类器构造器和特征选择模块中的学习或训练阶段进行配置。分类器是将输入属性向量x＝(x1，x2，x3，x4，xn)映射到输入属于类的置信度的函数-即f(x)＝置信度(类)。在某些实施例中，人工智能部件106还可以采用与资产数据114相关联的历史数据，以促进与资产数据114相关联的学习和/或生成与资产数据114相关联的推论。
在一方面，人工智能部件106可以包括推论部件，其可以部分利用基于推论的方案来进一步增强人工智能部件106的自动化方面，以促进与资产数据114相关联的学习和/或生成与资产数据114相关联的推论。人工智能部件106可以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，人工智能部件106可以采用专家系统，模糊逻辑，SVM，隐马尔可夫模型(HMM)，贪婪搜索算法，基于规则的系统，贝叶斯模型(例如，贝叶斯网络)，神经网络，其他非线性训练技术，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，人工智能部件106可以进行与资产数据114相关联的一组机器学习计算。例如，人工智能部件106可以进行一组聚类机器学习计算，一组决策树机器学习计算，一组基于实例的机器学习计算，一组回归机器学习计算，一组正则化机器学习计算，一组规则学习机器学习计算，一组贝叶斯机器学习计算，一组深度玻尔兹曼机器计算，一组深度信念网络计算，一组卷积神经网络计算，一组堆叠自动编码器计算和/或一组不同的机器学习计算。由人工智能部件106确定的一组数字签名可以被存储在例如数字签名库和/或数据库中。
来自该组数字签名的数据签名可以代表资产数据114的子集。此外，来自该组数字签名的数字签名可以是代表数字图案的数字指纹数据。例如，来自该组数字签名的数字签名可以是包括与资产数据114的一部分相关联的数字指纹数据(例如，位串)的数字指纹。来自该组数字签名的数字签名还可以包括在定义的时间段内的一组数据值(例如，一组测量值)。在一方面，来自该组数字签名的数据签名可以代表事件的数字指纹。例如，来自该组数字签名的数据签名可以代表与故障状况相关联的故障事件的数字指纹。此外，来自该组数字签名的数字签名可以独特地标识和/或传送资产数据114的一部分。例如，来自该组数字签名的数字签名可以是对资产数据114的一部分进行编码的数据元素。此外，来自该组数字签名的数字签名可以代表资产数据114的一部分的数字图案。例如，可以基于资产数据114的物理特性(例如资产数据114中的峰值，资产数据114中的波谷，与资产数据114相关联的变化速度，资产数据114中的第一峰值与资产数据114中的第二峰值之间的时间长度，和/或资产数据114的其他图形特性)，来生成该组数字签名的数字签名。这样，来自该组数字签名的数字签名可以传送趋势(例如，图形趋势)和/或预测资产数据114中的异常。在实施例中，人工智能部件106可以采用一种或多种数字指纹技术(例如，一种或多种数字指纹算法)，以将资产数据114映射到该组数字签名。例如，人工智能部件106可以采用哈希技术来生成资产数据114的该组数字签名。在另一个示例中，人工智能部件106可以采用局部敏感的哈希技术来生成资产数据114的该组数字签名。在又一个示例中，人工智能部件106可以采用随机哈希技术来生成资产数据114的该组数字签名。但是，应当理解，可以采用其他类型的数字指纹技术和/或哈希技术来生成资产数据114的该组数字签名。
监控部件108可以基于该组数字签名来监控资产(例如，被监控资产)的性能，该组数字签名包括关于资产数据114的该组图案。在实施例中，资产管理部件102(例如，资产管理部件102的监控部件108)可以接收被监控的资产数据116。例如，监控部件108可以监控资产以收集被监控的资产数据116。在实施例中，可以从一个或多个数据库(例如，数据库的网络)接收被监控的资产数据116。例如，被监控的资产数据116可以由资产生成并存储在一个或多个数据库中。在另一个实施例中，可以直接从资产近似实时地接收被监控的资产数据116。被监控的资产数据116可以由生成至少一部分资产数据114的资产生成。替代地，可以由与生成资产数据114的一个或多个资产不同的资产来生成被监控的资产数据116。与被监控的资产数据116相关联的资产可以是一个或多个资产，一个或多个设备，一个或多个机器和/或一种或多种类型的装备。被监控的资产数据116可以是例如时间序列数据。被监控的资产数据116也可以是例如包括一个或多个参数和对应数据值的参数数据。被监控的资产数据116可以包括各种数据，例如但不限于传感器数据，机器数据，电压数据，处理数据(例如，处理日志数据)，操作数据，监控数据，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，装备数据，设备数据，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/或其他数据。被监控的资产数据116也可以是编码数据，处理后的数据和/或原始数据。在实施例中，被监控的资产数据116可以包括由资产生成的电压数据(例如，一组电压测量值)。在非限制性示例中，被监控的资产数据116可以是从放电机收集的电压数据(例如，一组电压测量值)。例如，可以从资产的一个或多个部分(例如，资产的每个孔)收集电压数据(例如，一组电压测量值)。然而，应当理解，被监控的资产数据116可以与不同的系统相关联，例如但不限于不同的资产系统，不同的装备系统，不同的航空系统，不同的飞行器系统，汽车系统，水运系统，工业装备系统，工业系统，制造系统，工厂系统，能源管理系统，电网系统，供水系统，运输系统，医疗保健系统，炼油系统，媒体系统，金融系统，数据驱动的预测系统，诊断系统，数字系统，资产管理系统，机器学习系统，神经网络系统，网络系统，计算机网络系统，通信系统，企业系统等。
在实施例中，监控部件108可以生成与被监控的资产数据116相关联的数字签名。与被监控的资产数据116相关联的数字签名可以代表至少一部分被监控的资产数据116。此外，与被监控的资产数据116相关联的数字签名可以是代表数字图案的数字指纹数据。例如，与被监控的资产数据116相关联的数字签名可以是包括与至少一部分被监控的资产数据116相关联的数字指纹数据(例如，位串)的数字指纹。与被监控的资产数据116相关联的数字签名还可以包括在定义的时间段内的一组数据值(例如，一组测量值)。在一方面，与被监控的资产数据116相关联的数字签名可以独特地标识和/或传送至少一部分被监控的资产数据116。例如，与被监控的资产数据116相关联的数字签名可以是对至少一部分被监控的资产数据116进行编码的数据元素。此外，与被监控的资产数据116相关联的数字签名可以代表被监控的至少一部分资产数据116的数字图案。例如，可以基于被监控的资产数据116的物理特性(例如被监控的资产数据116中的峰值，被监控的资产数据116中的波谷，与被监控的资产数据116相关联的变化速度，被监控的资产数据116中的第一峰值与被监控的资产数据116中的第二峰值之间的时间长度，和/或被监控的资产数据116的其他图形特性)，来生成与被监控的资产数据116相关联的数字签名。这样，与被监控的资产数据116相关联的数字签名可以用于传送趋势(例如，图形趋势)和/或预测被监控的资产数据116中的异常。在实施例中，监控部件108可以采用一种或多种数字指纹识别技术(例如，一种或多种数字指纹算法)来将被监控的资产数据116映射到与被监控的资产数据116相关联的数字签名中。例如，监控部件108可以采用哈希技术来生成与被监控的资产数据116相关联的数字签名。在另一个示例中，监控部件108可以采用局部敏感哈希技术来生成与被监控的资产数据116相关联的数字签名。在又一个示例中，监控部件108可以采用随机哈希技术来生成与被监控的资产数据116相关联的数字签名。但是，应当理解，可以采用其他类型的数字指纹技术和/或哈希技术来生成与被监控的资产数据116相关联的数字签名。
在另一个实施例中，监控部件108可以将与被监控的资产数据116相关联的数字签名和与资产数据114相关联的该组数字签名进行比较。例如，监控部件108可以将与被监控的资产数据116相关联的数字签名和与资产数据114相关联的该组数字签名进行比较，以识别一个或多个匹配。例如，在生成了与被监控的资产数据116相关联的数字签名之后，监控部件108可以将与被监控的资产数据116相关联的数字签名和与资产数据114相关联的该组数字签名进行比较。在一方面，与被监控的资产数据116相关联的数字签名和与资产数据114相关联的该组数字签名之间的匹配可以指示事件的标识。例如，监控部件108可以基于与被监控的资产数据116相关联的数字签名和与资产数据114相关联的该组数字签名之间的比较，来识别与被监控的资产数据116相关联的资产的特定状况相关联的未来事件。在另一个示例中，监控部件108可以基于与被监控的资产数据116相关联的数字签名和与资产数据114相关联的该组数字签名之间的比较，来识别与被监控的资产数据116相关联的资产的故障状况相关联的未来故障事件。在另一方面，监控部件108可以计算与被监控的资产数据116相关联的数字签名和与资产数据114相关联的该组数字签名之间的相似度。如果与被监控的资产数据116相关联的数字签名的图案与来自与资产数据114相关联的该组数字签名的一个数字签名的图案相匹配，则可以确定与被监控的资产数据116相关联的数字签名和与资产数据114相关联的该组数字签名相匹配。与被监控的资产数据116相关联的数字签名和与资产数据114相关联的该组数字签名之间的匹配可以例如是近似精确匹配。可替代地，与被监控的资产数据116相关联的数字签名和与资产数据114相关联的该组数字签名之间的匹配可以是例如模糊匹配。
在某些实施例中，监控部件108可以基于与一个或多个人工智能技术相关联的学习和/或推论，计算与被监控的资产数据116相关联的数字签名和与资产数据114相关联的该组数字签名之间的相似度。另外地或替代地，监控部件108可以基于一种或多种图案识别技术和/或一种或多种统计技术来计算与被监控的资产数据116相关联的数字签名和与资产数据114相关联的该组数字签名之间的相似度。在一方面，监控部件108可以采用人工智能的原理，以促进生成推论和/或计算在与被监控的资产数据116相关联的数字签名和与资产数据114相关联的该组数字签名之间的相似度。监控部件108还可以采用自动分类系统和/或自动分类处理来促进生成推论和/或计算在与被监控的资产数据116相关联的数字签名和与资产数据114相关联的该组数字签名之间的相似度。例如，监控部件108可以采用基于概率和/或基于统计的分析(例如，考虑到分析效用和成本)，来生成推论和/或计算在与被监控的资产数据116相关联的数字签名和与资产数据114相关联的该组数字签名之间的相似度。监控部件108可以采用例如支持向量机(SVM)分类器，来生成推论和/或计算在与被监控的资产数据116相关联的数字签名和与资产数据114相关联的该组数字签名之间的相似度。附加地或替代地，监控部件108可以采用与贝叶斯网络，决策树和/或概率分类模型相关联的其他分类技术。监控部件108所采用的分类器可以被显式地训练(例如，经由通用训练数据)以及被隐式地训练(例如，经由观察用户行为，接收外部信息)。例如，对于众所周知的SVM，SVM经由分类器构造器和功能选择模块中的学习或训练阶段进行配置。分类器是将输入属性向量x＝(x1，x2，x3，x4，xn)映射到输入属于类的置信度的函数-即f(x)＝置信度(类)。在一方面，监控部件108可以包括推论部件，该推论部件可以部分利用基于推论的方案来进一步增强监控部件108的自动化方面，以促进生成推论和/或计算在与被监控的资产数据116和与资产数据114相关联的该组数字签名之间的相似度。监控部件108可以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，监控部件108可以采用专家系统，模糊逻辑，SVM，HMM，贪婪搜索算法，基于规则的系统，贝叶斯模型(例如贝叶斯网络)，神经网络，其他非线性训练技术，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，监控部件108可以进行与资产数据114相关联的一组机器学习计算。例如，监控部件108可以进行一组聚类机器学习计算，一组决策树机器学习计算，一组基于实例的机器学习计算，一组回归机器学习计算，一组正则化机器学习计算，一组规则学习机器学习计算，一组贝叶斯机器学习计算，一组深度玻尔兹曼机器计算，一组深度信念网络计算，一组卷积神经网络计算，一组堆叠自动编码器计算和/或一组不同的机器学习计算。
在又一个实施例中，监控部件108可以生成监控数据118。监控数据118可以包括由于监控部件108监控与被监控的资产数据116相关联的资产而生成和/或确定的数据。例如，监控数据118可以包括关于与被监控的资产数据116相关联的资产的性能的信息。在一方面，监控数据118可以包括关于与被监控的资产数据116相关联的数字签名和与资产数据114相关联的该组数字签名之间的比较的信息。例如，监控数据118可以包括与被监控的资产数据116相关联的数字签名和与资产数据114相关联的该组数字签名之间的比较的结果。在一个示例中，监控数据118可以包括关于基于与被监控的资产数据116相关联的数字签名和与资产数据114相关联的该组数字签名之间的比较的事件的识别的信息。在另一个示例中，监控数据118可以包括关于基于与被监控的资产数据116相关联的数字签名和与资产数据114相关联的该组数字签名之间的比较的与被监控的资产数据116相关联的资产的特定状况相关联的未来事件的识别的信息。在又一个示例中，监控数据118可以包括关于基于与被监控的资产数据116相关联的数字签名和与资产数据114相关联的该组数字签名之间的比较的与被监控的资产数据116相关联的资产的故障状况相关联的未来故障事件的识别的信息。
尽管图1描绘了资产管理部件102中的单独部件，但是应当理解，可以在公共部件中实现两个或更多部件。此外，可以理解，系统100和/或资产管理部件102的设计可以包括其他部件选择，部件放置等，以促进资产性能管理。
图2示出了根据本文所述的一个或多个实施例的示例性非限制性系统200的框图。为了简洁起见，省略了在此描述的其他实施例中采用的类似元件的重复描述。
系统200包括资产管理部件102。在图2中，资产管理部件102可以包括数据收集部件104，人工智能部件106，监控部件108，存储器110，处理器112和/或用户界面部件202。用户界面部件202可以生成用于计算设备的图形用户界面。该计算设备可以是例如具有显示器的设备，例如但不限于用户设备，计算机，台式计算机，膝上型计算机，监控器设备，智能设备，智能电话，移动设备，手持设备，平板电脑，便携式计算设备或与显示器相关联的另一种类型的计算设备。在某些实施例中，计算设备可以与网页浏览器关联。例如，可以经由在计算设备上执行的网页浏览器来呈现图形用户界面。在一方面，用户界面部件202可以生成用于显示的图形用户界面，该图形用户界面以人类可解释的格式输出与资产数据114、被监控的资产数据116和/或监控数据118相关联的信息。用户界面部件202可以渲染显示器以呈现和/或接收来自计算设备的数据。在实施例中，用户界面部件202可以响应于基于包括关于资产数据114的该组图案的该组数字签名确定资产的被监控的资产数据满足定义的标准，经由图形用户界面为计算设备生成通知。例如，用户界面部件202可以响应于基于包括关于该组电压测量值的该组图案的该组数字签名确定资产的电压数据满足定义的标准，来为计算设备生成通知。在另一个实施例中，用户界面部件202可以经由计算设备提供图形用户界面，以提供关于监控数据118的信息。例如，用户界面部件202可以经由计算设备提供图形用户界面，以基于该组数字签名，提供关于与被监控的资产数据116相关联的资产的性能的信息。
在某些实施例中，与资产数据114、被监控的资产数据116和/或监控数据118相关联的信息可以经由图形用户界面以容易理解的方式被图形地呈现。与资产数据114、被监控的资产数据116和/或监控数据118相关联的信息可以例如作为字母数字字符、图形、动画、音频和视频中的一个或多个来呈现。此外，与资产数据114、被监控的资产数据116和/或监控数据118相关联的信息可以是静态的或动态更新的，以在发生变化或事件时实时地提供信息。用户界面部件202可以显示和/或促进显示与资产数据114、被监控的资产数据116和/或监控数据118相关联的一个或多个显示元素。用户界面部件202可以生成，接收，检索或以其他方式获得与资产数据114、被监控的资产数据116和/或监控数据118相关联的图形元素(例如，图形表示)。根据一个方面，由用户界面部件202提供的图形元素(例如，图形表示)可以形成在计算设备上渲染的完整显示的全部或部分。除图形表示外，一个或多个项目可以形成显示的一部分。在一示例中，用户界面部件202可以生成与监控数据118相关联的通知，与监控数据118相关联的消息，与监控数据118相关联的图标，与监控数据118相关联的缩略图，与监控数据118相关联的对话框，与监控数据118相关联的工具，与监控数据118相关联的小部件，与监控数据118相关联的图表，和/或与监控数据118相关联的另一个显示元素。与监控数据118相关联的显示元素可以是透明的，半透明的或不透明的。与监控数据118相关联的显示元素还可以是各种尺寸，各种颜色，各种亮度等等，以及可以被动画化(例如，用于淡入和淡出等)。在实施例中，用户界面部件202可以经由图表来呈现与监控数据118相关联的信息。例如，用户界面部件202可以在图表中呈现随着时间的一个或多个参数和/或一组值。用户界面部件202还可以基于用户反馈数据来修改图表。例如，用户可以在图表的时间轴上来回前进。用户也可以经由光标选择图表的一部分(例如，图表的水平部分)。
尽管图2描绘了资产管理部件102中的单独部件，但是应当理解，可以在公共部件中实现两个或更多部件。此外，可以理解，系统200和/或资产管理部件102的设计可以包括其他部件选择，部件放置等，以促进资产性能管理。
图3示出了根据本文所述的一个或多个实施例的示例性非限制性系统300的框图。为了简洁起见，省略了在此描述的其他实施例中采用的类似元件的重复描述。
系统200包括资产管理部件102。在图2中，资产管理部件102可以包括数据收集部件104，人工智能部件106，监控部件108，存储器110，处理器112，用户界面部件202和/或优化部件302。
优化部件302可以被用来优化与被监控的资产数据116相关联的资产。
在实施例中，优化部件302可以至少部分地基于所生成的推论以及与被监控的资产数据116相关联的数字签名和与资产数据114相关联的该组数字签名之间的匹配，来预测由监控数据118识别的未来事件。例如，响应于确定与被监控的资产数据116相关联的数字签名与来自与资产数据114相关联的该组数字签名的一个数据签名匹配，优化部件302可以将与被监控的资产数据116相关联的数字签名与事件相关联。在一方面，优化部件302可以响应于确定与被监控的资产数据116相关联的数字签名与来自与资产数据114相关联的一组数字签名的一个数据签名匹配而触发一个或多个动作。动作可以是例如执行特定任务或特定功能。在某些实施例中，动作可以在系统100、系统200和/或系统300外部。例如，可以相对于与被监控的资产数据116相关联的资产和/或包括与被监控的资产数据116相关联的资产的系统来进行动作。在另一个示例中，动作可以与分析处理相关联，该分析处理和与被监控的资产数据116相关联的资产有关。例如，所学习的数字签名可以用作分析中的条件语句，该条件语句触发分析引擎执行与资产相关联的一个或多个处理，该资产与被监控的资产数据116相关联。在某些实施例中，优化部件302可以响应于确定监控数据118满足定义的标准，来修改与被监控的资产数据116相关联的资产的参数(例如，资产参数，机器参数等)。例如，优化部件302可以响应于确定与被监控的资产数据116相关联的数字签名满足定义的标准，而修改与被监控的资产数据116相关联的资产的参数(例如，资产参数，机器参数等)。在一个示例中，优化部件302可以响应于确定与被监控的资产数据116相关联的数字签名和来自与资产数据114相关联的该组数字签名的一个数据签名匹配，而修改与被监控的资产数据116相关联的资产的参数(例如，资产参数，机器参数等)。附加地或替代地，优化部件302可以基于监控数据来更新与资产数据114相关联的该组数字签名。例如，优化部件302可以基于与被监控的资产数据116相关联的资产的监控性能，来更新与资产数据114相关联的该组数字签名。在一个示例中，优化部件302可以响应于确定与被监控的资产数据116相关联的数字签名和来自与资产数据114相关联的该组数字签名的一个数据签名相匹配，来更新与资产数据114相关联的该组数字签名。
尽管图3描绘了资产管理部件102中的单独部件，但是应当理解，可以在公共部件中实现两个或更多部件。此外，可以理解，系统300和/或资产管理部件102的设计可以包括其他部件选择，部件放置等，以促进资产性能管理。
现在参考图4，示出了根据本文所述的一个或多个实施例的系统400的非限制性实施方式。为了简洁起见，省略了在此描述的其他实施例中采用的类似元件的重复描述。
系统400包括一个或多个资产4021-N和数据库404。一个或多个资产4021-N和数据库404可以经由网络406进行通信。网络406可以是通信网络，无线网络，有线网络，互联网协议(IP)网络，IP语音网络，互联网电话网络，移动电信网络和/或另一类型的网络。来自一个或多个资产4021-N的资产可以是设备，机器，车辆，装备，飞行器，发动机，传感器设备，控制器设备(例如，可编程逻辑控制器)，监督控制和数据采集(SCADA)设备，仪表设备，监控设备(例如，远程监控设备)，联网设备，远程终端单元，遥测设备，用户界面设备(例如，人机界面设备)，历史设备，计算设备和/或其他类型的资产。在非限制性示例中，来自一个或多个资产4021-N的至少一个资产可以是放电机。一个或多个资产4021-N还可以经由网络406将资产数据114提供给数据库404。此外，数据库404可以存储资产数据114。在一方面，数据库404和资产管理部件102可以经由网络408进行通信。网络408可以是通信网络，无线网络，有线网络，IP网络，IP语音网络，互联网电话网络，移动电信网络和/或另一类型的网络。在实施例中，资产管理部件102可以从数据库404接收资产数据114。例如，资产管理部件102可以经由网络408接收资产数据114。在实施例中，资产管理部件102可以与资产410通信。在一个示例中，资产管理部件102可以经由网络(诸如通信网络，无线网络，有线网络，IP网络，IP语音网络，互联网电话网络，移动电信网络和/或另一种类型的网络)与资产410通信。在另一个示例中，资产管理部件102可以与资产410直接通信。资产410可以是设备，机器，车辆，装备，飞行器，发动机，传感器设备，控制器设备(例如，可编程逻辑控制器)，SCADA设备，仪表设备，监控设备(例如，远程监控设备)，联网设备，远程终端单元，遥测设备，用户界面设备(例如人机界面设备)，历史设备，计算设备和/或其他类型的资产。在非限制性示例中，资产410可以是放电机。资产410可以是由资产管理部件102监控的监控资产。在一方面，资产410可以将被监控的资产数据116提供给资产管理部件102。
与常规系统相比，资产管理部件102可以提供改进的准确性，减少的时间，更大的能力和/或更大的适应性，以管理资产的性能和/或维护。另外，通过采用资产管理部件102，可以改善资产410的性能，可以降低与资产410相关的成本，并且可以使与资产410相关的风险最小化。此外，应当理解，资产管理部件102的技术特征以及资产410的性能和/或维护的管理等本质上是技术含量高的，而不是抽象的想法。处理资产数据114和/或被监控的资产数据116的资产管理部件102的处理线程不能由人来进行(例如，大于单一人脑的能力)。例如，与单一人脑在同一时间段内可以处理的量，速度和数据类型相比，在一定时间段内通过资产管理部件102的处理的资产数据114和/或监控资产数据116的量、资产数据114和/或监控资产数据116的处理的速度(和/或资产管理部件102分析的资产数据114和/或被监控的资产数据116的数据类型)可以分别更大、更快且不同。此外，资产管理部件102分析的资产数据114和/或被监控的资产数据116可以是与一个或多个资产4021-N和/或资产410相关联的原始数据和/或压缩数据。此外，资产管理部件102可以完全运行以进行一个或多个其他功能(例如，完全上电，完全执行等)，同时还分析资产数据114和/或被监控的资产数据116。
现在参考图5，示出了根据本文描述的一个或多个实施例的系统500的非限制性实施方式。为了简洁起见，省略了在此描述的其他实施例中采用的类似元件的重复描述。
系统500包括数据生成502，数据收集504，数据存储506，数据分析508，维护管理510和/或数据可视化512。数据生成502可以是例如由一个或多个资产4021-N和/或资产410进行的数据生成处理。在一示例中，数据生成502可以经由一个或多个资产4021-N和/或资产410来生成资产数据114和/或被监控的资产数据116。数据收集504可以是例如由数据收集部件104进行的数据收集处理。例如，数据收集504可以经由数据收集部件104收集资产数据114。替代地，数据收集504可以是例如由监控部件108进行的数据监控处理。例如，数据收集504可以经由监控部件108来收集被监控的资产数据116。在某些实施例中，资产数据114和/或被监控的资产数据116可以是提供给数据存储506的原始资产数据。数据存储506可以是数据存储处理，其中资产数据和/或被监控的资产数据存储在数据库中。数据存储506可以例如由数据收集部件104和/或监控部件108进行。数据分析508可以是例如由人工智能部件106和/或监控部件108进行的数据分析处理。例如，数据分析508可以相对于资产数据114进行数据分析。另外地或替代地，数据分析508可以相对于被监控的资产数据116进行数据分析。在一示例中，数据分析508可以相对于资产数据114和/或被监控的资产数据116进行一种或多种人工智能技术。维护管理510可以是例如由用户界面部件202和/或优化部件302进行的维护管理处理。在某些实施例中，可以响应于确定数据分析508满足定义的标准而将自动通知提供给维护管理510。附加地或替代地，在某些实施例中，可以响应于确定数据分析508满足定义的标准而将优化的资产参数提供给数据生成502。数据可视化512可以是例如由用户界面部件202进行的数据可视化处理。例如，可以经由数据可视化512提供数据分析508的可视化。
现在参考图6，示出了根据本文描述的一个或多个实施例的数据签名600的非限制性实施方式。为了简洁起见，省略了在此描述的其他实施例中采用的类似元件的重复描述。
数据签名600可以是与资产相关联的资产数据的数据签名。在一方面，数据签名600可以是由人工智能部件106生成的示例数据签名。数据签名600可以包括例如资产数据的图表。例如，在图6所示的实施例中，数据签名600可以包括基于电压对时间绘制的电压数据602。例如，电压数据602可以是资产的一组电压测量值。在示例中，电压数据602可以对应于资产管理部件102接收到的资产数据114和/或被监控的资产数据116的至少一部分。数据签名600还可以包括电压数据602的表示电压下降的部分604，作为与资产相关联的事件的指示器。例如，电压数据602的部分604可以示出电压方差，该电压方差可以用于识别和/或预测与电压数据602相关联的资产的事件。
现在参考图7，示出了根据本文描述的一个或多个实施例的系统700的非限制性实施方式。为了简洁起见，省略了在此描述的其他实施例中采用的类似元件的重复描述。
系统700包括数据签名702。数据签名702可以是与资产相关联的资产数据的数据签名。在一方面，数据签名702可以是由人工智能部件106生成的示例数据签名。数据签名702可以包括例如资产数据的图表。例如，数据签名702可以包括基于电压对时间绘制的电压数据704。例如，电压数据704可以是资产的一组电压测量值。在示例中，电压数据704可以对应于资产管理部件102所接收的资产数据114和/或被监控的资产数据116的至少一部分。数据签名702还可以包括电压数据704的代表电压下降的部分706，作为与资产相关联的事件的指示器。例如，电压数据704的部分706可以示出电压方差，该电压方差可以用于识别和/或预测与电压数据704相关联的资产的事件。系统700还可以包括电压方差图708。电压方差图708可以是例如由监控部件108生成以有助于监控资产的电压方差图。在实施例中，电压数据704的部分706的标准偏差可以被表示为电压方差图708上的数据点。在一方面，监控部件108可以采用电压方差图708来检测和/或预测资产的一个或多个事件。例如，与时间点710的电压方差相关联的数据可以对应于资产的故障事件。此外，与时间点712的电压方差相关联的数据可以对应于资产的未来故障事件(例如，预测的故障事件)。
已经针对多个部件之间的交互描述了前述系统和/或设备。应当理解，这样的系统和部件可以包括其中指定的那些部件或子部件，某些指定的部件或子部件和/或附加部件。子部件也可以实现为与不是包含在母部件中的其他部件通信耦接的部件。此外，可以将一个或多个部件和/或子部件组合成提供聚合功能的单个部件。为了简洁起见，这些部件还可以与未在本文中具体描述但本领域技术人员已知的一个或多个其他部件交互。
图8示出了根据所公开的主题的方法和/或流程图。为了简化说明，将方法描绘和描述为一系列动作。应当理解和意识到，本发明不限于所示出的动作和/或动作的顺序，例如，动作可以以各种顺序和/或同时发生，以及与本文未呈现和描述的其他动作一起发生。此外，根据所公开的主题，可能不需要所有示出的动作来实施该方法。另外，本领域技术人员将理解并认识到，该方法可替代地经由状态图或事件被表示为一系列相互关联的状态。另外，应当进一步理解，下文和整个说明书中公开的方法能够存储在制品上，以便于将这样的方法传输和转移到计算机。本文所使用的术语制品旨在涵盖可从任何计算机可读设备或存储介质访问的计算机程序。
参照图8，示出了根据本发明的一个或多个实施例的用于主动资产监控的方法800。作为示例，方法800可以用于各种应用中，例如但不限于资产系统，设备系统，航空系统，发动机系统，飞行器系统，汽车系统，船舶系统，工业设备系统，工业系统，制造系统，工厂系统，能源管理系统，电网系统，供水系统，运输系统，医疗保健系统，炼油系统，媒体系统，金融系统，数据驱动的预测系统，诊断系统，数字系统，资产管理系统，机器学习系统，神经网络系统，网络系统，计算机网络系统，通信系统，企业系统等。在802，由包括处理器的系统(例如，由数据收集部件104)收集来自一个或多个资产的一组电压测量值。例如，可以从每个资产的一个或多个部分(例如，来自一组资产的每个资产的每个孔)收集电压数据(例如，该组电压测量值)。来自一个或多个资产的资产可以是设备，机器，车辆，装备，飞行器，发动机，传感器设备，控制器设备(例如，可编程逻辑控制器)，SCADA设备，仪表设备，监控设备(例如，远程监控设备)，联网设备，远程终端单元，遥测设备，用户界面设备(例如，人机界面设备)，历史设备，计算设备和/或其他类型的资产。在非限制性示例中，来自一个或多个资产的至少一个资产可以是放电机。附加地或替代地，其他数据，例如传感器数据，机器数据，处理数据(例如，处理日志数据)，操作数据，监控数据，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/或其他数据，可以从一个或多个资产收集。
在804处，由系统(例如，由人工智能部件106)使用一种或多种人工智能技术来进行与该组电压测量值相关联的学习。一种或多种人工智能技术可以采用人工智能的原理，以促进与该组电压测量值相关联的学习和/或生成与该组电压测量值相关联的推论。例如，学习可以促进与该组电压测量值相关联的不同图案的识别和/或分类。
在806处，由系统(例如，由人工智能部件106)生成包括关于该组电压测量值的一组图案的一组数字签名。例如，可以生成包括关于该组电压测量值的一组图案的一组数字签名。在一个示例中，为了便于检测资产的一个或多个未来事件，可以学习一组数字签名。此外，可以确定关于该组数字签名的推论。来自该组数字签名的数据签名可以代表该组电压测量值的子集。此外，来自该组数字签名的数字签名可以是代表数字图案的数字指纹数据。例如，来自该组数字签名的数字签名可以是数字指纹，其包括与该组电压测量值的一部分相关联的数字指纹数据(例如，位串)。来自该组数字签名的数字签名还可以包括在定义的时间段内的一组数据值(例如，一组测量值)。在一方面，来自该组数字签名的数据签名可以代表事件的数字指纹。例如，来自该组数字签名的数据签名可以代表与故障状况相关联的故障事件的数字指纹。此外，来自该组数字签名的数字签名可以代表该组电压测量值的一部分的数字图案。例如，可以基于该组电压测量值的物理特性(例如该组电压测量值中的峰值，该组电压测量值中的谷值，与该组电压测量值相关联的变化速度，该组电压测量值中的第一峰值与该组电压测量值中的第二峰值之间的时间长度，和/或该组电压测量值的其他图形特性)，来生成来自该组数字签名的数字签名。这样，来自该组数字签名的数字签名可以传送趋势(例如，图形趋势)和/或预测该组电压测量值中的异常。
在808处，基于该组数字签名，由系统(例如，由监控部件108)监控资产的性能，该组数字签名包括关于该组电压测量值的该组图案。在一方面，可以接收由资产生成的被监控的资产数据。例如，可以监控资产以收集被监控的资产数据。被监控的资产数据可以包括一组被监控的电压测量值。被监控的资产数据可以由生成该组电压测量值的至少一部分的资产所生成。替代地，可以由与生成该组电压测量值的一个或多个资产不同的资产来生成被监控的资产数据。与被监控的资产数据关联的资产可以是一个或多个资产，一个或多个设备，一个或多个机器和/或一种或多种类型的装备。资产可以是设备，机器，车辆，装备，飞行器，发动机，传感器设备，控制器设备(例如，可编程逻辑控制器)，SCADA设备，仪表设备，监控设备(例如，远程监控设备)，网络连接的设备，远程终端单元，遥测设备，用户界面设备(例如，人机界面设备)，历史设备，计算设备和/或其他类型的资产。在非限制性示例中，资产可以是放电机。附加地或替代地，可以从资产获得其他监控数据，例如传感器数据，机器数据，处理数据(例如，处理日志数据)，操作数据，监控数据，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/或其他数据，以利于监控。
在实施例中，可以基于与被监控的资产数据相关联的数字签名来监控资产的性能。与被监控的资产数据相关联的数字签名可以是代表数字图案的数字指纹数据。例如，与被监控的资产数据相关联的数字签名可以是数字指纹，其包括与一部分被监控的资产数据相关联的数字指纹数据(例如，位串)。与被监控的资产数据相关联的数字签名还可以包括在定义的时间段内的一组数据值(例如，一组测量值)。在一方面，与被监控的资产数据相关联的数字签名可以代表该组被监控的电压测量值的一部分的数字图案。例如，可以基于被监控的资产数据的物理特性(例如被监控的资产数据中的峰值，被监控的资产数据中的波谷，与被监控的资产数据相关联的变化速度，被监控的资产数据中的第一峰值与被监控的资产数据中的第二峰值之间的时间长度，和/或被监控的资产数据的其他图形特性)，来生成与被监控的资产数据相关联的数字签名。这样，与被监控的资产数据相关联的数字签名可以传送趋势(例如，图形趋势)和/或预测被监控的资产数据中的异常。在另一方面，可以将与被监控的资产数据相关联的数字签名和与该组电压测量值相关联的该组数字签名进行比较，以便于监控资产的性能。例如，可以将与被监控的资产数据相关联的数字签名和与该组电压测量值相关联的该组数字签名进行比较，以识别数字签名之间的一个或多个匹配和/或与资产相关联的一个或多个未来事件。在某些实施例中，可以基于与被监控的资产数据相关联的数字签名与该组数字签名之间的比较来识别与资产的特定状况相关联的未来事件，该组数字签名包括关于该组电压测量值的该组图案。在某些实施例中，可以基于与被监控的资产数据相关联的数字签名与该组数字签名之间的比较来识别与资产的故障状况相关联的未来故障事件，该组数字签名包括关于该组电压测量值的该组图案。在某些实施例中，可以响应于基于与被监控的资产数据相关联的数字签名与包括关于该组电压测量值的该组图案的该组数字签名之间的比较而确定资产的电压数据满足定义的标准，来为计算设备生成通知。在某些实施例中，可以经由计算设备来呈现图形用户界面，该计算设备基于该组数字签名来提供关于资产的性能的信息。在某些实施例中，可以响应于确定与资产相关联的数字签名满足定义的标准来修改资产的参数。例如，可以响应于确定与被监控的资产数据相关联的数字签名与来自该组数字签名的数字签名匹配的，来修改资产的参数，该组数字签名包括关于该组电压测量值的该组图案。在某些实施例中，可以基于被监控的资产的性能来修改该组数字签名。
在810，确定附加电压测量值是否可用。如果是，则方法800返回到804以进行关于附加电压测量值的学习。如果否，则方法800返回至808以继续监控资产的性能。
为了提供所公开的主题的各个方面的环境，图9和图10以及以下讨论旨在提供对其中所公开的主题的各个方面可以实施的合适环境的简要概述。
参考图9，用于实施本公开的各个方面的合适环境900包括计算机912。计算机912包括处理单元914，系统存储器916和系统总线918。系统总线918将包括但不限于系统存储器916的系统部件耦接到处理单元914。处理单元914可以是各种可用处理器中的任何一个。双微处理器和其他多处理器体系结构也可以用作处理单元914。
系统总线1118可以是几种类型的总线结构中的任何一种，包括存储器总线或存储器控制器，外围总线或外部总线，和/或使用任何可用总线架构的本地总线，包括但不限于：工业标准架构(ISA)，微通道架构(MSA)，扩展ISA(EISA)，智能驱动电子(IDE)，VESA本地总线(VLB)，外围部件互连(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)和小型计算机系统接口(SCSI)。
系统存储器916包括易失性存储器920和非易失性存储器922。基本输入/输出系统(BIOS)存储在非易失性存储器922中，该基本输入/输出系统(BIOS)包含例如在启动过程中在计算机912内的各个元件之间传递信息的基本例程。作为说明而非限制，非易失性存储器922可以包括只读存储器(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920包括充当外部高速缓冲存储器的随机存取存储器(RAM)。作为说明而非限制，RAM有多种形式，例如静态RAM(SRAM)，动态RAM(DRAM)，同步DRAM(SDRAM)，双倍数据速率SDRAM(DDRSDRAM)，增强型SDRAM(ESDRAM)，Synchlink DRAM(SLDRAM)，直接Rambus RAM(DRRAM)，直接Rambus动态RAM(DRDRAM)和Rambus动态RAM。
计算机912还包括可移动/不可移动\易失性/非易失性计算机存储介质。图9示出了例如磁盘存储924。磁盘存储924包括但不限于诸如磁盘驱动器，软盘驱动器，磁带驱动器，Jaz驱动器，Zip驱动器，LS-100驱动器，闪存卡或记忆棒的设备。磁盘存储924还可以单独地或与其他存储介质结合地包括其他介质，其他存储介质包括但不限于光盘驱动器，诸如光盘ROM设备(CD-ROM)，CD可记录驱动器(CD-R驱动器)，可擦写CD驱动器(CD-RW驱动器)或数字多功能磁盘ROM驱动器(DVD-ROM)。为了便于将磁盘存储设备924连接到系统总线918，通常使用可移动或不可移动接口，例如接口926。
图9还描绘了充当用户与在合适的操作环境900中描述的基本计算机资源之间的中介的软件。这样的软件包括例如操作系统928。可以存储在磁盘存储924中的操作系统928用于控制和分配计算机系统912的资源。系统应用930利用操作系统928通过程序模块932和程序数据934对(例如存储在系统存储器916或磁盘存储器924中的)资源的管理。应当理解，本公开可以用各种操作系统或操作系统的组合来实现。
用户通过输入设备936将命令或信息输入计算机912。输入设备936包括但不限于指点设备，诸如鼠标，轨迹球，触控笔，触摸板，键盘，麦克风，操纵杆，游戏垫，卫星天线，扫描仪，电视调谐器卡，数码相机，数码摄像机，网络相机等。这些和其他输入设备经由接口端口938通过系统总线918连接到处理单元914。接口端口938包括例如串行端口，并行端口，游戏端口和通用串行总线(USB)。输出设备940使用一些与输入设备936相同类型的端口。因此，例如，USB端口可以用于向计算机912提供输入，并且将来自计算机912的信息输出到输出设备940。提供输出适配器942以说明存在一些输出设备940，例如监控器，扬声器和打印机，以及其他输出设备940，其需要特殊的适配器。作为示例而非限制，输出适配器942包括视频和声卡，其提供了输出设备940和系统总线918之间的连接方式。应当注意，其他设备和/或设备的系统提供输入和输出功能，例如远程计算机944。
计算机912可以使用到一个或多个远程计算机(例如，远程计算机944)的逻辑连接，在网络环境中操作。远程计算机944可以是个人计算机，服务器，路由器，网络PC，工作站，基于微处理器的设备，对等设备或其他公共网络节点等，并且通常包括许多或全部相对于计算机912描述的元件。为了简洁起见，仅示出了具有远程计算机944的存储器存储设备946。远程计算机944通过网络接口948逻辑连接到计算机912，然后经由通信连接950物理连接。网络接口948包含有线和/或无线通信网络，例如局域网(LAN)，广域网(WAN)，蜂窝网络等。LAN技术包括光纤分布式数据接口(FDDI)，铜缆分布式数据接口(CDDI)，以太网，令牌环等。WAN技术包括但不限于点对点链接，电路交换网络(如集成服务数字网络(ISDN))及其上的变体，分组交换网络和数字用户线(DSL)。
通信连接950是指用于将网络接口948连接到总线918的硬件/软件。尽管为了说明清楚起见在计算机912内部示出了通信连接950，但是它也可以在计算机912的外部。仅出于示例性目的，连接到网络接口948所需的硬件/软件包括内部和外部技术，例如包括常规电话级调制解调器，电缆调制解调器和DSL调制解调器的调制解调器，ISDN适配器和以太网卡。
图10是本公开的主题可以与之交互的样本计算环境1000的示意性框图。系统1000包括一个或多个客户端1010。客户端1010可以是硬件和/或软件(例如，线程，进程，计算设备)。系统1000还包括一个或多个服务器1030。因此，除其他模型之外，系统1000可以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)。服务器1030还可以是硬件和/或软件(例如，线程，进程，计算设备)。例如，服务器1030可以容纳线程以通过使用本公开来进行变换。客户端1010和服务器1030之间的一种可能的通信可以是在两个或更多个计算机进程之间传输的数据分组的形式。
系统1000包括通信框架1050，其可以被用来促进客户端1010和服务器1030之间的通信。客户端1010可操作地连接到一个或多个客户端数据存储器1020，其可用于存储客户端1010本地的信息。类似地，服务器1030可操作地连接到一个或多个服务器数据存储器1040，其可用于存储服务器1030本地的信息。
要注意的是，本公开的各方面或特征可以在基本上任何无线电信或无线电技术中使用，例如，Wi-Fi；蓝牙；微波访问的全球互操作性(WiMAX)；增强型通用分组无线业务(增强型GPRS)；第三代合作伙伴计划(3GPP)长期演进(LTE)；第三代合作伙伴计划2(3GPP2)超移动宽带(UMB)；3GPP通用移动电信系统(UMTS)；高速分组访问(HSPA)；高速下行链路分组访问(HSDPA)；高速上行链路分组访问(HSUPA)；GSM(全球移动通信系统)EDGE(GSM演进的增强数据速率)无线电接入网络(GERAN)；UMTS地面无线电接入网(UTRAN)；LTE Advanced(LTE-A)；等等。另外，可以在例如GSM的传统电信技术中利用本文描述的一些或所有方面。另外，移动以及非移动网络(例如，互联网，诸如互联网协议电视(IPTV)的数据服务网络等)可以利用本文描述的方面或特征。
尽管上面已经在运行在一个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环境中描述了主题，但是本领域技术人员将认识到，本公开内容也能够或可以与其他程序模块结合地实现。通常，程序模块包括执行特定任务和/或实现特定抽象数据类型的例程，程序，部件，数据结构等。此外，本领域技术人员将理解，可以用其他计算机系统配置来实践本发明的方法，包括单处理器或多处理器计算机系统，小型计算设备，大型计算机以及个人计算机，手持计算设备(例如PDA，电话)，基于微处理器的或可编程的消费类或工业电子产品等。所示出的方面也可以在分布式计算环境中实践，在分布式计算环境中，任务由通过通信网络链接的远程处理设备执行。然而，本公开的一些(如果不是全部)方面可以在独立计算机上实践。在分布式计算环境中，程序模块可以位于本地和远程存储器存储设备中。
如在本申请中使用的，术语“部件”，“系统”，“平台”，“接口”等可以指代和/或可以包括计算机相关实体或与具有一个或多个特定功能的可操作机器相关的实体。本文公开的实体可以是硬件，硬件和软件的组合，软件或执行中的软件。例如，部件可以是但不限于在处理器上运行的进程，处理器，对象，可执行文件，执行线程，程序和/或计算机。作为说明，在服务器上运行的应用程序和服务器都可以是部件。一个或多个部件可以驻留在执行的进程和/或线程中，并且部件可以位于一台计算机上和/或分布在两个或多个计算机之间。
在另一个示例中，各个部件可以从其上存储有各种数据结构的各种计算机可读介质执行。部件可以例如根据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部件交互和/或经由该信号通过诸如因特网的网络与其它系统交互的一个部件的数据)经由本地和/或远程进程进行通信。作为另一示例，部件可以是具有特定功能的设备，该特定功能由电气或电子电路操作的机械部件提供，该特定功能由处理器执行的软件或固件应用来操作。在这种情况下，处理器可以在设备内部或外部，并且可以执行软件或固件应用的至少一部分。作为又一个示例，部件可以是通过不具有机械部件的电子部件提供特定功能的设备，其中电子部件可以包括处理器或其他装置，以执行至少部分地赋予电子部件功能的软件或固件。在一方面，部件可以经由例如云计算系统内的虚拟机来仿真电子部件。
另外，术语“或”旨在表示包含性“或”而不是排他性“或”。也就是说，除非另有说明或从上下文可以清楚看出，否则“X使用A或B”旨在表示任何自然的包含性排列。也就是说，如果X使用A；X使用B；或X使用A和B两者，则在任何前述情况下都满足“X使用A或B”。此外，在主题说明书和附图中使用的冠词“一”和“一种”通常应被解释为表示“一个或多个”，除非另有说明或从上下文清楚地理解为是单数形式。
如本文中所使用的，术语“示例”和/或“示例性”被用来表示用作示例，实例或说明。为了避免疑问，本文所公开的主题不受这些示例的限制。另外，本文中描述为“示例”和/或“示例性”的任何方面或设计不必被解释为比其他方面或设计优选或有利，也不意味着排除了本领域普通技术人员已知的等效示例性结构和技术。
本文描述的各个方面或特征可以使用标准编程或工程技术实施为方法，装置，系统或制品。另外，可以通过实现本文所公开的方法中的至少一个或多个的程序模块来实现本公开中公开的各个方面或特征，该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他组合可以实现或完成本文描述的方面，包括所公开的方法。如本文所使用的术语“制品”可以涵盖可从任何计算机可读设备，载体或存储介质访问的计算机程序。例如，计算机可读存储介质可以包括但不限于磁存储设备(例如硬盘，软盘，磁条……)，光盘(例如光盘(CD)，数字通用光盘(DVD)，蓝光光盘(BD)…)，智能卡和闪存设备(例如卡，棒，密钥驱动器…)等。
如在本主题说明书中采用的，术语“处理器”可以基本上指包括但不限于单核处理器的任何计算处理单元或设备；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。另外，处理器可以指集成电路，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)，复杂的可编程逻辑设备(CPLD)，分立的栅极或晶体管逻辑，分立的硬件部件或其设计为执行本文所述的功能的任何组合。此外，处理器可以利用纳米级架构，例如但不限于基于分子和量子点的晶体管，开关和门，以优化空间使用或增强用户设备的性能。处理器也可以被实现为计算处理单元的组合。
在本公开中，诸如“存储”，“存储器”，“数据存储”，“数据存储器”，“数据库”以及与部件的操作和功能有关的基本上任何其他信息存储部件的术语被用来指代作为“存储器”中体现的实体的“存储器部件”，或包括存储器的部件。应当理解，本文所述的存储器和/或存储器部件可以是易失性存储器或非易失性存储器，或者可以包括易失性和非易失性存储器两者。
作为说明而非限制，非易失性存储器可包括只读存储器(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))。易失性存储器可以包括RAM，例如，RAM可以用作外部缓存。作为说明而非限制，RAM有多种形式，例如同步RAM(SRAM)，动态RAM(DRAM)，同步DRAM(SDRAM)，双倍数据速率SDRAM(DDR SDRAM)，增强型SDRAM(ESDRAM)，Synchlink DRAM(SLDRAM)，直接RambusRAM(DRRAM)，直接Rambus动态RAM(DRDRAM)和Rambus动态RAM(RDRAM)。另外，本文的系统的公开的存储器部件或方法旨在包括但不限于包括这些以及任何其他合适类型的存储器。
应当理解和明白，关于特定系统或方法所描述的部件可包括与关于本文公开的其他系统或方法所描述的相应部件(例如，分别命名的部件或相似命名的部件)相同或相似的功能。
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，不可能为了描述本公开而描述部件或方法的每种可能的组合，但是本领域的普通技术人员可以认识到，本公开的许多进一步的组合和置换是可能的。此外，在详细说明书，权利要求书，附录和附图中使用术语“包括”，“具有”，“具备”等的范围内，这些术语旨在以类似于术语“包括”为“包含”在权利要求书中被用作过渡词时而被解释的方式具有包容性
本发明的进一步方面通过以下条项的主题提供：
1.一种系统，包括：存储器，所述存储器在其上存储有计算机可执行部件；处理器，所述处理器至少执行以下计算机可执行部件：数据收集部件，所述数据收集部件从一个或多个资产收集一组电压测量值；人工智能部件，所述人工智能部件进行与所述一组电压测量值相关联的学习并生成一组数字签名，所述一组数字签名包括关于所述一组电压测量值的一组图案；和监控部件，所述监控部件基于所述一组数字签名来监控资产的性能，所述一组数字签名包括关于所述一组电压测量值的所述一组图案。
2.根据任何在前条项的系统，其中所述监控部件基于所述一组数字签名来识别与所述资产的特定状况相关联的未来事件，所述一组数字签名包括关于所述一组电压测量值的所述一组图案。
3.根据任何在前条项的系统，其中所述监控部件基于所述一组数字签名来识别与所述资产的故障状况相关联的未来故障事件，所述一组数字签名包括关于所述一组电压测量值的所述一组图案。
4.根据任何在前条项的系统，其中所述计算机可执行部件进一步包括：用户界面部件，所述用户界面部件响应于基于包括关于所述一组电压测量值的所述一组图案的所述一组数字签名而确定所述资产的电压数据满足定义的标准，而为计算设备生成通知。
5.根据任何在前条项的系统，其中所述计算机可执行部件进一步包括：用户界面部件，所述用户界面部件经由计算设备提供图形用户界面，所述计算设备基于所述一组数字签名来提供关于所述资产的所述性能的信息。
6.根据任何在前条项的系统，其中所述计算机可执行部件进一步包括：优化部件，所述优化部件响应于确定与所述资产相关联的数字签名满足定义的标准而修改所述资产的参数。
7.根据任何在前条项的系统，其中所述优化部件基于被监控的所述资产的性能来更新所述一组数字签名。
8.一种方法，包括：由包括处理器的系统从一个或多个资产收集一组电压测量值；由所述系统使用一种或多种人工智能技术来进行与所述一组电压测量值相关联的学习；由所述系统生成一组数字签名，所述一组数字签名包括关于所述一组电压测量值的一组图案；和由所述系统基于所述一组数字签名来监控资产的性能，所述一组数字签名包括关于所述一组电压测量值的所述一组图案。
9.根据任何在前条项的方法，进一步包括：由所述系统基于所述一组数字签名来识别与所述资产的特定状况相关联的未来事件，所述一组数字签名包括关于所述一组电压测量值的所述一组图案。
10.根据任何在前条项的方法，进一步包括：由所述系统基于所述一组数字签名来识别与所述资产的故障状况相关联的未来故障事件，所述一组数字签名包括关于所述一组电压测量值的所述一组图案。
11.根据任何在前条项的方法，进一步包括：由所述系统响应于基于包括关于所述一组电压测量值的所述一组图案的所述一组数字签名而确定所述资产的电压数据满足定义的标准，来为计算设备生成通知。
12.根据任何在前条项的方法，进一步包括：由所述系统经由计算设备渲染图形用户界面，所述计算设备基于所述一组数字签名来提供关于所述资产的所述性能的信息。
13.根据任何在前条项的方法，进一步包括：由所述系统响应于确定与所述资产相关联的数字签名满足定义的标准来修改所述资产的参数。
14.根据任何在前条项的方法，进一步包括：由所述系统基于被监控的所述资产的性能来更新所述一组数字签名。
15.一种计算机可读存储设备，所述计算机可读存储设备包括指令，所述指令响应于执行而使包括处理器的系统进行操作，所述操作包括：从一个或多个资产收集一组电压测量值；使用一种或多种人工智能技术来进行与所述一组电压测量值相关联的学习；生成一组数字签名，所述一组数字签名包括关于所述一组电压测量值的一组图案；和基于所述一组数字签名来监控资产的性能，所述一组数字签名包括关于所述一组电压测量值的所述一组图案。
16.根据任何在前条项的计算机可读存储设备，其中所述操作进一步包括：基于所述一组数字签名来识别与所述资产的特定状况相关联的未来事件，所述一组数字签名包括关于所述一组电压测量值的所述一组图案。
17.根据任何在前条项的计算机可读存储设备，其中所述操作进一步包括：响应于基于包括关于所述一组电压测量值的所述一组图案的所述一组数字签名而确定所述资产的所述电压数据满足定义的标准，来为计算设备生成通知。
18.根据任何在前条项的计算机可读存储设备，其中所述操作进一步包括：经由计算设备渲染图形用户界面，所述计算设备基于所述一组数字签名来提供关于所述资产的所述性能的信息。
19.根据任何在前条项的计算机可读存储设备，其中所述操作进一步包括：响应于确定与所述资产相关联的数字签名满足定义的标准，来修改所述资产的参数。
20.根据任何在前条项的计算机可读存储设备，其中所述操作进一步包括：基于被监控的所述资产的性能来更新所述一组数字签名。

Claims (20)

1.一种系统，其特征在于，包括：
存储器，所述存储器在其上存储有计算机可执行部件；
处理器，所述处理器至少执行以下计算机可执行部件：
数据收集部件，所述数据收集部件从一个或多个资产收集一组电压测量值；
人工智能部件，所述人工智能部件进行与所述一组电压测量值相关联的学习并生成一组数字签名，所述一组数字签名包括关于所述一组电压测量值的一组图案；和
监控部件，所述监控部件基于所述一组数字签名来监控资产的性能，所述一组数字签名包括关于所述一组电压测量值的所述一组图案；
其中，所述一组数字签名代表所述一组电压测量值的子集，并且每个电压特征包括电压与时间的关系图；
其中，所述一组数字签名用于创建电压方差图，以便于对所述资产进行故障事件的监测，其中，所述一组数字签名中的至少一些包括指示电压下降的部分，并且仅导出指示电压下降的部分的标准偏差，并且每个所述标准偏差作为单个数据点被映射到电压方差图上，所述电压方差图具有示出标准偏差的y轴和指示时间的x轴；
其中，所述电压方差图显示在用户界面上并且用于确定所述故障事件的发生并且还选择性地用于预测未来故障事件的出现。
2.根据权利要求1所述的系统，其特征在于，其中所述监控部件基于所述一组数字签名来识别与所述资产的特定状况相关联的未来事件，所述一组数字签名包括关于所述一组电压测量值的所述一组图案。
3.根据权利要求1所述的系统，其特征在于，其中所述监控部件基于所述一组数字签名来识别与所述资产的故障状况相关联的未来故障事件，所述一组数字签名包括关于所述一组电压测量值的所述一组图案。
4.根据权利要求1所述的系统，其特征在于，其中所述计算机可执行部件进一步包括：
用户界面部件，所述用户界面部件响应于基于包括关于所述一组电压测量值的所述一组图案的所述一组数字签名而确定所述资产的电压数据满足定义的标准，而为计算设备生成通知。
5.根据权利要求1所述的系统，其特征在于，其中所述计算机可执行部件进一步包括：
用户界面部件，所述用户界面部件经由计算设备提供图形用户界面，所述计算设备基于所述一组数字签名来提供关于所述资产的所述性能的信息。
6.根据权利要求1所述的系统，其特征在于，其中所述计算机可执行部件进一步包括：
优化部件，所述优化部件响应于确定与所述资产相关联的数字签名满足定义的标准而修改所述资产的参数。
7.根据权利要求6所述的系统，其特征在于，其中所述优化部件基于被监控的所述资产的性能来更新所述一组数字签名。
8.一种方法，其特征在于，包括：
由包括处理器的系统从一个或多个资产收集一组电压测量值；
由所述系统使用一种或多种人工智能技术来进行与所述一组电压测量值相关联的学习；
由所述系统生成一组数字签名，所述一组数字签名包括关于所述一组电压测量值的一组图案；和
由所述系统基于所述一组数字签名来监控资产的性能，所述一组数字签名包括关于所述一组电压测量值的所述一组图案；
其中，所述一组数字签名代表所述一组电压测量值的子集，并且每个电压特征包括电压与时间的关系图；
其中，所述一组数字签名用于创建电压方差图，以便于对所述资产进行故障事件的监测，其中，所述一组数字签名中的至少一些包括指示电压下降的部分，并且仅导出指示电压下降的部分的标准偏差，并且每个所述标准偏差作为单个数据点被映射到电压方差图上，所述电压方差图具有示出标准偏差的y轴和指示时间的x轴；
其中，所述电压方差图显示在用户界面上并且用于确定所述故障事件的发生并且还选择性地用于预测未来故障事件的出现。
9.根据权利要求8所述的方法，其特征在于，进一步包括：
由所述系统基于所述一组数字签名来识别与所述资产的特定状况相关联的未来事件，所述一组数字签名包括关于所述一组电压测量值的所述一组图案。
10.根据权利要求8所述的方法，其特征在于，进一步包括：
由所述系统基于所述一组数字签名来识别与所述资产的故障状况相关联的未来故障事件，所述一组数字签名包括关于所述一组电压测量值的所述一组图案。
11.根据权利要求10所述的方法，其特征在于，进一步包括：
由所述系统响应于基于包括关于所述一组电压测量值的所述一组图案的所述一组数字签名而确定所述资产的电压数据满足定义的标准，来为计算设备生成通知。
12.根据权利要求8所述的方法，其特征在于，进一步包括：
由所述系统经由计算设备渲染图形用户界面，所述计算设备基于所述一组数字签名来提供关于所述资产的所述性能的信息。
13.根据权利要求8所述的方法，其特征在于，进一步包括：
由所述系统响应于确定与所述资产相关联的数字签名满足定义的标准来修改所述资产的参数。
14.根据权利要求8所述的方法，其特征在于，进一步包括：
由所述系统基于被监控的所述资产的性能来更新所述一组数字签名。
15.一种计算机可读存储设备，所述计算机可读存储设备包括指令，所述指令响应于执行而使包括处理器的系统进行操作，其特征在于，所述操作包括：
从一个或多个资产收集一组电压测量值；
使用一种或多种人工智能技术来进行与所述一组电压测量值相关联的学习；
生成一组数字签名，所述一组数字签名包括关于所述一组电压测量值的一组图案；和
基于所述一组数字签名来监控资产的性能，所述一组数字签名包括关于所述一组电压测量值的所述一组图案；
其中，所述一组数字签名代表所述一组电压测量值的子集，并且每个电压特征包括电压与时间的关系图；
其中，所述一组数字签名用于创建电压方差图，以便于对所述资产进行故障事件的监测，其中，所述一组数字签名中的至少一些包括指示电压下降的部分，并且仅导出指示电压下降的部分的标准偏差，并且每个所述标准偏差作为单个数据点被映射到电压方差图上，所述电压方差图具有示出标准偏差的y轴和指示时间的x轴；
其中，所述电压方差图显示在用户界面上并且用于确定所述故障事件的发生并且还选择性地用于预测未来故障事件的出现。
16.根据权利要求15所述的计算机可读存储设备，其特征在于，其中所述操作进一步包括：
基于所述一组数字签名来识别与所述资产的特定状况相关联的未来事件，所述一组数字签名包括关于所述一组电压测量值的所述一组图案。
17.根据权利要求16所述的计算机可读存储设备，其特征在于，其中所述操作进一步包括：
响应于基于包括关于所述一组电压测量值的所述一组图案的所述一组数字签名而确定所述资产的所述电压数据满足定义的标准，来为计算设备生成通知。
18.根据权利要求16所述的计算机可读存储设备，其特征在于，其中所述操作进一步包括：
经由计算设备渲染图形用户界面，所述计算设备基于所述一组数字签名来提供关于所述资产的所述性能的信息。
19.根据权利要求16所述的计算机可读存储设备，其特征在于，其中所述操作进一步包括：
响应于确定与所述资产相关联的数字签名满足定义的标准，来修改所述资产的参数。
20.根据权利要求16所述的计算机可读存储设备，其特征在于，其中所述操作进一步包括：
基于被监控的所述资产的性能来更新所述一组数字签名。
CN201911000595.XA 2018-10-22 2019-10-21 主动资产监控 Active CN111160687B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US16/166,739 2018-10-22
US16/166,739 US11573879B2 (en) 2018-10-22 2018-10-22 Active asset monitoring

Publications (2)

Publication Number Publication Date
CN111160687A CN111160687A (zh) 2020-05-15
CN111160687B true CN111160687B (zh) 2023-09-19

Family

ID=68426075

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911000595.XA Active CN111160687B (zh) 2018-10-22 2019-10-21 主动资产监控

Country Status (3)

Country Link
US (1) US11573879B2 (zh)
EP (1) EP3644153B1 (zh)
CN (1) CN111160687B (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
PL3559625T3 (pl) 2016-12-22 2022-01-31 Geotab Inc. Sposób i urządzenie do zarządzania pojazdem elektrycznym
US11288378B2 (en) * 2019-02-20 2022-03-29 Saudi Arabian Oil Company Embedded data protection and forensics for physically unsecure remote terminal unit (RTU)
FR3098940B1 (fr) * 2019-07-15 2021-11-05 Bull Sas Procédé et dispositif de détermination d’une valeur de risque d’incident technique dans une infrastructure informatique à partir de valeurs d’indicateurs de performance
EP3796117B1 (de) * 2019-09-18 2021-10-27 Siemens Aktiengesellschaft Diagnoseverfahren und diagnosesystem für eine verfahrenstechnische anlage
US11757676B2 (en) * 2021-03-23 2023-09-12 Geotab Inc. Systems and methods for asset type fingerprinting and data message decoding
US11588664B2 (en) 2021-03-23 2023-02-21 Geotab Inc. Systems and methods for data message decoding and asset type fingerprinting
US20230084950A1 (en) * 2021-07-14 2023-03-16 Uptimeai Tech Private Limited System and method for monitoring complex structures
DE102022114579A1 (de) 2021-08-03 2023-02-09 Schaeffler Technologies AG & Co. KG Industrieanlage und Verfahren zum Anlagenbetrieb und -monitoring
WO2023011679A1 (de) 2021-08-03 2023-02-09 Schaeffler Technologies AG & Co. KG Industrieanlage und verfahren zum anlagenbetrieb und -monitoring
US20230408989A1 (en) * 2022-06-21 2023-12-21 Honeywell International Inc. Recommendation system for advanced process control limits using instance-based learning

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103345673A (zh) * 2013-07-08 2013-10-09 国家电网公司 一种电力资产全寿命周期监控系统
CN103390208A (zh) * 2012-05-08 2013-11-13 通用电气公司 控制系统资产管理
CN104361422A (zh) * 2014-09-30 2015-02-18 国网山西省电力公司电力科学研究院 一种基于经济评估的电力用户电能质量数据收集方法
CA2927826A1 (en) * 2016-04-25 2017-10-25 Si-Ga Data Security (2014) Ltd. Industrial control system smart hardware monitoring
EP3255581A1 (en) * 2016-06-10 2017-12-13 General Electric Company Digital pattern prognostics

Family Cites Families (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5602761A (en) * 1993-12-30 1997-02-11 Caterpillar Inc. Machine performance monitoring and fault classification using an exponentially weighted moving average scheme
GB0123547D0 (en) * 2001-10-01 2001-11-21 Marconi Software Solutions Ltd A system for identifying a user
US7512503B2 (en) * 2003-05-12 2009-03-31 Simmonds Precision Products, Inc. Wire fault detection
US7457675B2 (en) * 2005-08-15 2008-11-25 Abb Inc. External status asset monitor
US7714735B2 (en) * 2005-09-13 2010-05-11 Daniel Rockwell Monitoring electrical assets for fault and efficiency correction
US8725667B2 (en) 2008-03-08 2014-05-13 Tokyo Electron Limited Method and system for detection of tool performance degradation and mismatch
US9333577B2 (en) 2008-08-29 2016-05-10 General Electric Company Electro discharge machining apparatus and method
US8588984B2 (en) 2009-07-23 2013-11-19 Athula Dayanarth Rajapaske Rotor angle stability prediction using post disturbance voltage trajectories
US9251033B2 (en) 2011-07-07 2016-02-02 Vce Company, Llc Automatic monitoring and just-in-time resource provisioning system
US9255969B2 (en) 2012-05-21 2016-02-09 General Electric Company Prognostics and life estimation of electrical machines
US9411326B2 (en) 2012-08-21 2016-08-09 General Electric Company Plant control optimization system including visual risk display
US20140337277A1 (en) * 2013-05-09 2014-11-13 Rockwell Automation Technologies, Inc. Industrial device and system attestation in a cloud platform
FI126901B (en) * 2014-09-12 2017-07-31 Enics Ag Procedure and system for testing an electronic device
US9471452B2 (en) * 2014-12-01 2016-10-18 Uptake Technologies, Inc. Adaptive handling of operating data
US9960598B2 (en) 2015-03-03 2018-05-01 General Electric Company Methods and systems for enhancing control of power plant generating units
US11347191B2 (en) 2015-07-29 2022-05-31 Illinois Tool Works Inc. System and method to facilitate welding software as a service
US10313281B2 (en) * 2016-01-04 2019-06-04 Rockwell Automation Technologies, Inc. Delivery of automated notifications by an industrial asset
US10311399B2 (en) * 2016-02-12 2019-06-04 Computational Systems, Inc. Apparatus and method for maintaining multi-referenced stored data
US10534328B2 (en) 2016-06-21 2020-01-14 General Electric Company Methods and systems for enhancing control of power plant generating units
US9977425B1 (en) 2017-07-14 2018-05-22 General Electric Company Systems and methods for receiving sensor data for an operating manufacturing machine and producing an alert during manufacture of a part
US11099221B2 (en) * 2018-07-06 2021-08-24 Schneider Electric USA, Inc. Dynamic tolerance curves for power monitoring systems

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103390208A (zh) * 2012-05-08 2013-11-13 通用电气公司 控制系统资产管理
CN103345673A (zh) * 2013-07-08 2013-10-09 国家电网公司 一种电力资产全寿命周期监控系统
CN104361422A (zh) * 2014-09-30 2015-02-18 国网山西省电力公司电力科学研究院 一种基于经济评估的电力用户电能质量数据收集方法
CA2927826A1 (en) * 2016-04-25 2017-10-25 Si-Ga Data Security (2014) Ltd. Industrial control system smart hardware monitoring
EP3255581A1 (en) * 2016-06-10 2017-12-13 General Electric Company Digital pattern prognostics

Also Published As

Publication number Publication date
EP3644153B1 (en) 2024-06-26
US11573879B2 (en) 2023-02-07
EP3644153A1 (en) 2020-04-29
CN111160687A (zh) 2020-05-15
US20200125470A1 (en) 2020-04-23

Similar Documents

Publication Publication Date Title
CN111160687B (zh) 主动资产监控
US10824761B2 (en) Digital pattern prognostics
EP3640870A1 (en) Asset performance manager
US20210334656A1 (en) Computer-implemented method, computer program product and system for anomaly detection and/or predictive maintenance
US20190279132A1 (en) Analytics core and aggregation
Ku A study on prediction model of equipment failure through analysis of big data based on RHadoop
Divya et al. Review of fault detection techniques for predictive maintenance
Khan et al. Robustness of AI-based prognostic and systems health management
Yan et al. A comprehensive survey of deep transfer learning for anomaly detection in industrial time series: Methods, applications, and directions
Lima et al. Smart predictive maintenance for high-performance computing systems: a literature review
Pagano A predictive maintenance model using long short-term memory neural networks and Bayesian inference
Aldrini et al. Fault diagnosis and self-healing for smart manufacturing: a review
Chowdhury et al. Internet of Things resource monitoring through proactive fault prediction
Liu et al. Real-time safety assessment of dynamic systems in non-stationary environments: A review of methods and techniques
Bulla et al. Improved data-driven root cause analysis in fog computing environment
Arunan et al. A change point detection integrated remaining useful life estimation model under variable operating conditions
Rebahi et al. AI based predictive maintenance as a key enabler for circular economy: The KYKLOS 4.0 approach
Cerquitelli et al. Data-driven predictive maintenance: A methodology primer
Anh et al. A novel approach for anomaly detection in automatic meter intelligence system using machine learning and pattern recognition
Langone et al. A flexible and interpretable framework for predicting anomalous behavior in Industry 4.0 environments
Sekhar et al. Data Analytics Techniques for Smart Grids Applications Using Machine Learning
Vidhya et al. Mech-Health: A Machine Learning Based Fault Detection Using Predictive Analysis For LSTM
Bousdekis et al. Supporting the selection of prognostic-based decision support methods in manufacturing
Mercurio Towards predictive maintenance using long short-term memory autoencoder and streaming explainability
Gupta et al. A critical review on system architecture, techniques, trends and challenges in intelligent predictive maintenance

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