CN111242323B - 用于修理机器次优操作的主动自动系统和方法 - Google Patents

Abstract

通过与至少一个机器有关的传感输入，识别可以表明机器的次优操作的一个或多个模式。所公开的方法进一步允许基于所识别的模式自动和主动选择并执行修正动作。修正动作可以包括调整机器软件参数，即配置，改变机器运行状态(温度、湿度、等)、库存日程安排(在故障之前的一星期预订锅炉/泵更换等)。

Description

用于修理机器次优操作的主动自动系统和方法

技术领域

本发明通常涉及用于机器的维护系统，且更具体地涉及监测机器操作并主动维修机器故障，以改善机器运行。

背景技术

近年来，通信、处理、云计算、人工智能、和其他计算机化技术已经极大地进步，预计会产生新的技术和制造。进一步地，自1970年代或在此之前采用的许多工业技术今天仍然被使用。与这些工业技术有关的现有技术方案通常有很小的改善，由此仅能略微地增加生产和产量。

在现代制造实践中，制造商通常必须满足严格的生产时限并提供无瑕疵的或几乎无瑕疵的生产质量。结果，这些制造商在有意外的机器故障发生时面临严重损失。机器故障是在机器得不到正确维护时发生的事件。错误(其通常是相对于机器的正确状态的偏差)未必死故障，但是可能会导致和表明潜在的未来故障。除了故障外，错误可能会导致影响性能的异常的机器行为。

对于典型的制造商来说，基于平均故障的机器停机时间(即由于机器故障造成生产部分或全部停止的平均时间量)为每年17天，即17天没有生产和收入。在典型的450兆瓦特功率的涡轮机的情况下，例如，一天的停机时间会造成制造商损失3百万美元的收入。这种停机时间会带来与修理、安全保护措施等有关的额外成本。

在发电厂的情况下，每年花费以亿计的美元来确保可靠性。具体地，以亿计的美元花费在后备系统和冗余系统上，以用于使得生产停机时间最小化。另外，监测系统可以用于快速识别故障，由此在停机时间发生时快速恢复生产。然而，现有的监测系统通常仅在停机时间开始之后或马上开始之前才能识别故障。

进一步地，用于监测机器故障的现有的方案通常依赖于用于每一个机器的一组预定规则。这些规则设置未考虑可以针对机器收集的所有数据，且仅用于检查特定关键参数而忽略其他参数。而且，这些规则设置必须通过工程师或其他分析人员提前提供。结果，实际上仅一些收集数据可以被现有的方案使用，由此造成与无用数据的传输、存储、和处理有关的计算资源的浪费。进一步地，不考虑所有相关数据会造成故障的忽视或不准确确定。

另外，现有的方案通常依赖于按预定间隔的周期性测试。由此，可提前预测故障的甚至现有的方案通常能返回请求，从而甚至在机器为处于立即的故障危险时也执行机器维护。这种过早的更换造成材料浪费和对仍然正确发挥功能的部分的未必要更换。进一步地，这种现有的方案通常仅在故障发生之后确定故障。结果，这种故障可能无法被防止，造成停机和收入损失。

进一步地，现有的监测和维护方案通常要求专用的测试设备。因此，这些方案通常要求专门的操作者，其被训练以能操作每一个监测和维护系统。需要专门的操作者是不方便的且昂贵的，且会引入潜在人造成的错误。另外，在针对任何给定机器收集的除了数据的微小波动以外的海量数据的情况下，分析人员不能充分确定即将来临的故障。

另外，现有的方案提供了这样的技术，通过这样的技术可以识别异常并相应产生和提供修正方案建议。修正方案建议通常发送到与用户(即人)关联的用户装置，该用户对维护机器负责。因此，虽然能自动执行识别机器次优操作的过程，但是仍然需要手动地执行随识别的次优机器操作的维修，这耗费时间和和大量劳力。

因此，有利的是提供一种能克服如上所述问题的方案。

发明内容

本发明提供一种用于主动修理机器次优操作的方法，包括：使用管理服务器监测与至少一个机器有关的一个或多个传感输入；至少经由不受监督的机器学习分析被监测的传感输入，其中不受监督的机器学习的输出包括至少一个指标；基于该至少一个指标识别表明至少一个机器的至少一个次优操作的至少一个机器行为模式；基于该至少一个机器行为模式选择至少一个修正动作；和使用管理服务器执行至少一个修正动作。

所述的方法进一步包括:持续监测与至少一个机器关联的传感输入，以确定所执行的修正动作对至少一个机器行为的影响。

所述的方法进一步包括:将至少一个修正动作按照其效果进行分级。

所述的方法进一步包括:将以下中的至少一个存储在数据源中以供未来使用：至少一个机器行为模式，至少一个修正动作，至少一个修正动作的分级。

所述的方法进一步包括:基于至少一个机器行为模式和所监测的传感输入确定至少一个机器故障预测；和，基于至少一个机器故障预测选择至少一个修正动作。

所述的方法中，选择至少一个修正动作进一步包括：提取与表明至少一个机器的至少一个次优操作的至少一个机器行为模式关联的一个或多个特征；基于提取的特征，在包括多个修正动作的至少一个数据源中针对一个或多个修正动作进行搜索；和,选择至少一个修正动作，该至少一个修正动作具有第一可能性评分和第二可能性评分，该第一可能性评分高于能对机器的至少一个次优操作进行修理的第一预定临界值，且该第二可能性评分低于会对机器造成损坏的第二预定临界值。

附图说明

本文公开的主题在规格结论处的权利要求中被特别指出并清楚限定。通过关联附图从以下详细描述可以理解所公开实施例的前述和其他目的、特征和优点。

图1是用于描述各种公开实施例的网络图。

图2是根据实施例的管理服务器系统的示意图。

图3A和3B是显示了传感输入模拟的模拟情况。

图4是显示了根据实施例的用于主动修理机器次优操作的方法流程图。

图5是显示了根据实施例的选择用于执行的修正动作的方法流程图。

具体实施方式

重要的是，本文公开的实施例仅是本文的创新性教导的许多有利利用的例子。通常，在本申请的说明书中所作的描述不是要用于限定各个要求保护的实施例。而且，一些说明可以应用于本发明的一些特征，而不能应用于其他特征。通常，除非另有说明，单数要素可以是多个且反之亦然，而不丧失一般性。在几个附图中，相同的附图标记不是相同部分。

通过与至少一个机器有关的传感输入，识别可以表明机器的次优操作的一个或多个模式(pattern)。所公开的方法进一步允许基于所识别的模式自动和主动选择并执行修正动作。修正动作可以包括调整机器软件参数，即配置，改变机器运行状态(温度、湿度、等)、库存日程安排(在故障之前的一星期预订锅炉/泵更换等)。

图1显示了用于描述各种公开实施例的示例性网络图100。示例性网络图100包括经由网络110通信地连接的机器监测系统(MMS)130、管理服务器140、数据库150、客户端装置160、和数据源180。示例性网络图100进一步包括通信地连接到MMS 130的多个传感器120-1到120-n(下文中个别称为传感器120且共同称为传感器120，仅仅是出于简单的目的)。网络110可以是但不限于是无线网络、蜂窝或有线网络、局域网(LAN)、广域网(WAN)、城域网(MAN))、因特网、万维网(WWW)、相似网络和其任何组合。

客户端装置160可以是但不限于是个人计算机、笔记本电脑、平板电脑、智能电话、可穿戴计算装置、或能接收和/或显示通知的任何其他装置，所述通知表明维护和故障的时间预测、修正方案建议、机器操作数据的监督分析结果、无监督分析结果或两者都有。

传感器120定位为接近(例如物理上接近)机器170。机器170可以是其性能可经由传感数据给出的任何机器，例如但不限于，工业机器、涡轮机、发动机、焊接机器、三维(3D)打印机、注射模制机器、其组合、其一部分等。每一个传感器120配置为基于机器170的操作来收集传感输入，例如但不限于，声音信号、超声信号、光、运动追踪指标、温度、能量消耗指标等。传感器120可以包括但不限于声音捕捉传感器、动作追踪传感器、能量消耗计、温度计等。任何传感器120可以但非必须通信地或以其他方式连接到机器170(这种连接在图1中未示出，这仅仅是处于简单的缘故，而不是要对所公开实施例进行限制)。应注意，多个机器(例如机器170)可以经由网络110连接到管理服务器140。

数据源180可以是服务器、数据仓库、网站、云数据库等。数据源180可以配置为例如存储与修正动作关联的一个或多个修正方案建议和/或数据，该修正动作用于在机器故障发生之前解决或缓解机器故障。

传感器120通信地连接到MMS 130。MMS 130可以配置为存储和预处理从传感器120接收的原始传感输入。替换地或共同地，MMS 130可以配置为周期性地获取例如存储在数据库150中的所收集传感输入。预处理可以包括但不限于数据清理、标准化、调整、再生成、重新格式化、噪声滤波、其组合等。预处理可以进一步包括特征提取。特征提取的结果可以包括在不受监督的机器学习期间被管理服务器140利用以便检测指标的特征。特征提取可以包括但不限于尺寸减小技术，例如但不限于，奇异值分解(singular valuedecomposition)、离散傅里叶变换(discrete Fourier transformations)、离散小波转换(discrete wavelet transformations)、线段法(line segment methods)、或其组合。

在这种尺寸减小技术被利用时，预处理可以例如实现用于传感输入的低维空间。机器监测系统130配置为向管理服务器140发送经预处理的传感输入。

在一实施例中，管理服务器140配置为经由网络110从机器监测系统130接收与机器170关联的经预处理传感输入。传感输入可以被连续接收，且可以实时接收。在一实施例中，管理服务器140可以进一步存储从机器监测系统130接收的传感输入数据。替换地或共同地，传感输入数据可以存储在数据库150中。数据库150可以进一步存储从与其他机器(未示出)关联的多个其他传感器(也未示出)收集的传感输入(原始的、经预处理的或两者)。数据库150可以进一步对指标、异常模式、故障预测、用于分析传感输入数据的行为模型或其组合进行存储。

管理服务器140通常至少包括处理单元(未示出)和存储器(未示出)，存储器在其中含有指令，所述指令在被处理单元执行时配置管理服务器140，如进一步在下文描述的。根据一实施例，存储在存储器中的指令是用于配置系统100以执行下文描述的方法的指令。存储器还可以包含被传感器120收集的数据，但是这种数据也可以存储在例如数据库150这样的数据仓库中，其中在一些实施例中，管理服务器140的存储器在其中存储数据和/或指令或从其获取数据和/或指令。

在一实施例中，管理服务器140配置为监测与至少一个机器(例如机器170)有关的传感输入。监测过程例如可以包括追踪和聚集与几个机器部件有关的传感输入所关联的多个参数。监测可以持续执行且可以进一步通过机器监测系统130执行。

在一实施例中，管理服务器140配置为分析经预处理传感输入。分析可以包括但不限于不受监督的机器学习。在进一步实施例中，不受监督的机器学习可以包括一个或多个信号处理技术、一个或多个神经网络的实例或两者都有。应注意，可以使用不同机器学习技术分析通过传感输入表示的不同参数。例如，可以通过对来自温度传感器的传感输入施加第一机器学习技术来分析温度参数，且可以通过向来自能量消耗仪表的传感输入施加第二机器学习技术来分析能量消耗参数。

在一实施例中，管理服务器140可以配置为自动选择至少一个最佳方法，用于基于例如数据的一个或多个部分的类型来检测传感输入数据中的指标。在进一步实施例中，选择可以基于向传感输入数据的至少一部分每一个施加多个模型所得到的结果。在进一步实施例中，选择可以进一步基于假阳性率和真阳性率。

在进一步实施例中，管理服务器140配置为基于机器170的至少一部分产生元模型(meta model)。机器的每一个部分(元模型针对所述部分产生)可以是部件(未示出)，例如但不限于，管、发动机、发动机的一部分其组合等。产生元模型可以包括但不限于选择一模型，该模型能最佳表示出用于机器170的至少一部分每一个的传感输入中的异常。所产生的元模型每一个用于检测机器170的相应部分行为中的异常。

在一实施例中，管理服务器140配置为实时产生至少一个适应性临界值，用于基于分析检测异常。在进一步实施例中，管理服务器140配置为实时或几乎实时地基于机器170或其每一个部分的传感输入确定正常机器行为模式。

在一实施例中，在识别正常机器行为模式时，管理服务器140配置为识别表明机器170的至少一个次优操作的至少一个机器行为模式。次优操作可以包括机器生产恶化、机器产量差、与正常功能执行相关的差功能执行、机器错误、机器故障等。应注意，可以使用至少一个适应性临界值检测机器行为模式。适应性临界值可以基于所确定的正常行为模式产生。在下文针对图3A和3B进一步描述用于基于正常行为模式来检测异常的适应性临界值的产生。在一实施例中，管理服务器140可以配置为基于至少一个机器行为模式和所监测的传感输入来确定至少一个机器故障预测。至少一个机器故障预测可以是机器或其任何部分(例如机器的部件)的故障预测。在一实施例中，基于例如异常的相似模式来预测故障。

在一实施例中，基于所识别的表明机器次优操作的机器行为模式，管理服务器140选择一个或多个修正动作，以便自动且主动修理机器的次优操作。在一实施例中，管理服务器140的主动性允许在错误发展成机器故障之前修理和解决机器的次优操作，例如机器错误。在进一步实施例中，管理服务器140可以配置为产生表明异常活动、被识别的即将来临的机器故障、机器错误、选择修正动作等的通知。在进一步实施例中，管理服务器140进一步配置为例如向用户装置160发送所产生的通知。参照图5在下文进一步描述选择过程。

在一实施例中，管理服务器140可以配置为主动执行所选择的至少一个修正动作。执行所选择的修正动作可以例如包括调整机器软件参数(即配置)、改变运行状况(温度、湿度等)、库存日程安排(在故障之前的一星期预订锅炉/泵更换等)。

应注意，机器监测系统130显示在图1中作为与管理服务器140分离的部件，这仅仅是出于简单的目的而非限制所公开的实施例。机器监测系统130可以并入管理服务器140中，以便允许管理服务器140获得和预处理传感输入，而不脱离本发明的范围。

还应注意，本文如上针对图1所述的实施例是针对用户装置160和机器170描述的，这仅仅是出于简单的目的，而非限制公开所公开的实施例。多个用户装置可以接收与机器维护和故障有关的信息，而不脱离本发明的范围。另外，可以收集与多个机器有关的传感输入，以确定机器任何或所有机器的故障，而不脱离本发明的范围。

进一步应注意，本文公开的实施例不限于图1示出的具体架构，且可以同样地使用其他架构，而不脱离所公开实施例的范围。具体地，管理服务器140可以位于云计算平台、数据中心、部署软件等。而且，在一实施例中，可以存在多个管理服务器，其如上所述都运行且配置为具有备用代理，以在故障的情况下采取控制，以在它们之间共享负荷，或在它们之间分配功能。

图2显示了根据一个实施例实施的管理服务器140的示例性方块图。管理服务器140包括联接到存储器220、存储部230、网络接口240、和机器学习(ML)单元250的处理电路210。在一实施例中，管理服务器140的部件可以经由公交车260通信地连接。

处理电路210可以实现为一个或多个硬件逻辑部件和电路。例如，且但不限于，可使用的硬件逻辑部件的示例性类型包括现场可编程阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、通常目的微处理器、微控制器、数字信号处理器(DSP)等，或可执行计算或其他信息操作的任何其他硬件逻辑部件。

存储器220可以是易失的(例如RAM等)、非易失的(例如ROM、闪速存储器等)或其组合。在一种构造中，执行本文公开的一个或多个实施例的计算机可读指令可以存储在存储部230中。

在另一实施例中，存储器220配置为存储软件。软件应宽泛地立即为任何类型的指令，无论被称为软件、固件、中间件、微指令、硬件描述语言、或其他形式都可以。指令可以包括代码(例如源代码格式，二元代码格式，可执行代码格式，或任何其他合适代码格式)。在通过一个或多个处理器执行时指令使得处理电路210执行本文所述的各种过程。

存储部230可以是磁性存储器、光学存储器等，且可以例如实现为闪速存储器或存储器技术、CD-ROM、数字多用光盘(DVD)、或可用于存储期望信息的任何其他介质。

网络接口240允许管理服务器140与机器监测系统130通信，例如用于接收原始和/或预处理传感输入的目的。另外，网络接口240允许管理服务器140与客户端装置160通信，以便例如发送与异常活动、机器次优操作、机器故障预测、修正方案建议、修正动作等有关的通知。

如本文进一步所述的，机器学习单元250配置为基于经由网络接口240接收的传感输入执行机器学习。在一实施例中，机器学习单元250进一步配置为基于一个或多个机器学习模型确定机器170的机器次优操作、机器故障、对机器故障的预测等。在进一步实施例中，机器学习单元250也配置为确定至少一个修正动作，以用于修理机器的次优操作。作为非限制性的例子，至少一个修正动作可以包括调整机器软件参数(即配置)、改变机器运行状态(温度、湿度等)、库存日程安排(在故障之前的一星期预订锅炉/泵更换等)。

应理解，本文所述的实施例并不限制为图2示出的具体架构，且可以同样地使用其他架构，而不脱离所公开实施例的范围。

图3A是根据实施例实施的确定行为模式的示例性模拟。图3A所示的模拟包括图300A，其中传感输入通过曲线310A表示。在图3所示的示例性模拟中，曲线310A代表随时间的传感输入的集合行为(aggregated behavior)。在机器(例如图1的机器170)操作期间，通过曲线310A表示的集合行为可以按重复序列被连续监测，例如序列320A和330A。在确定例如重复序列320A、重复序列330A、或两者时，产生机器的正常行为模式的模型。应注意，对例如行为的两个或更多循环的连续监测可以用于确定更准确的模式。因此，在监测和学习时，可以相应地持续更新正常行为模型。正常行为模式的模型可以用于确定机器故障预测。作为非限制性的例子，如果序列320A领先于机器故障或机器的其他次优操作，则可以预测重复序列330A的确定领先于机器故障或机器的其他次优操作。

图3B是显示了适应性临界值产生的示例性模拟300B。基于一个或多个重复序列(例如重复的序列320A和330A)，确定最大临界值310B和最小临界值320B。临界值310B和320B可以实时确定而不管过去的机器行为如何。在示例性实施方式，基于序列320A和330A以及任何随后确定的序列，临界值310B和320B是动态的且被调试。点330B代表指标，即高于最大临界值310B或低于最小临界值320B的数据点。在确定临界值310B或320B中之一已经超过时，可以检测到异常。

图4是示例性流程图400，显示了用于根据实施例主动修理机器次优操作的方法。

在S410，监测与至少一个机器(例如机器170)有关的传感输入。传感输入例如可以包括基于机器(例如机器170)操作的声音信号、超声信号、光、运动追踪指标、温度、能量消耗指标等。

在S420，至少经由不受监督的机器学习分析被监测的传感输入。应注意，可以使用不同机器学习技术分析通过传感输入表示的不同参数。不受监督的机器学习的输出可以包括至少一个指标。指标可以与机器的各种特征关联，例如使得可以使用温度指标识别机器的异常温度值，可以使用振动指标识别机器的异常振动等。

在S430，基于至少一个指标识别至少一个机器行为模式。机器行为模式可以包括与机器的一个或多个部件关联的一个或多个异常值，异常值的一个或多个序列等(表明机器次优操作)。在一实施例中，S430可以进一步包括例如通过将所识别的模式特征与机器行为历史模式(之前被分析并存储在数据库中)的历史模式特征比较来分析所识别的模式。历史模式的特征可以表明机器故障根源、相关修正方案等。由此，所识别模式的分析允许确定机器行为模式的根源，其表明机器的次优操作。根源例如可以是机器部件中之一的温度增加，其例如通过改变机器170中的运行状态来解决。

在S440，基于至少一个机器行为模式选择一个或多个修正动作。一个或多个修正动作例如可以包括调节机器软件参数(即配置)、改变运行状况(温度、湿度等)、库存日程安排(在故障之前的一星期预订锅炉/泵更换等)。在一实施例中，最可能解决机器故障的一个或多个修正动作的选择可以基于分析存储在数据库中且之前被监测的多个修正动作来实现。多个修正动作的分析可以包括针对其堆修理机器故障的潜在贡献将每一个修正动作分级。应注意，被确定为具有高于预定水平的评分的多于一个的修正动作可以通过管理服务器140选择。参照图5进一步描述修正动作的选择。

在S450，通过管理服务器140执行(即进行)所选择的至少一个修正动作。在一实施例中，管理服务器140配置为持续监测修正动作对机器行为的影响。在修正动作执行之后可以通过分析与至少一个机器关联的传感输入实现监测，以确定所执行的修正动作对至少一个行为的影响。根据另一实施例，管理服务器140可以配置为针对至少一个修正动作对修理机器170的次优操作的效果对至少一个修正动作进行分级。分级例如可以包括将用于修正动作(其完全修理次优操作)的相对高评分、仅解决部分次优操作的中等评分、和对机器次优操作具有相对差的影响或根本没有影响的低评分关联。根据另一实施例，分级还可以包括用于被确定为使次优操作恶化的负评分。

根据另一实施例，管理服务器140可以配置为在数据源中存储例如数据源180以用于未来使用，存储以下中的至少一个：至少一个机器行为模式、至少一个修正动作、至少一个修正动作的分级。未来使用例如可以包括将新的修正动作分级、建议修正动作、识别或辨别新的异常机器行为模式等。

应注意，在管理服务器140确定最佳或唯一的修正方案必须涉及手动干预的情况下，管理服务器140可以产生修正方案建议，其例如表明动作的最佳方式。根据另一实施例，管理服务器140可以产生修正方案建议，且将不主动执行修正动作，甚至在损坏机器170的可能性高于预定临界值而没有其他更好修正动作可用的情况下也是如此。建议可以通过管理服务器140经由网络110发送到客户端装置，例如客户端装置160，其与负责机器170的维护的人关联。

图5是示例性流程图440，其显示了根据一实施例的用于选择用于执行的修正动作的方法。在一实施例中，可以通过管理服务器140该方法。

在S440-10，提取与机器行为模式关联的一个或多个特征，其表明机器的至少一个次优操作。特征例如可以是与所识别机器行为模式关联的机器部件(一个或多个)类型、模式开始时的时间指针、模式持续时间、在一模式中所识别的表明机器次优操作的多个异常等。

在S440-20，基于所提取的特征在包括多个修正动作的至少一个数据源(例如数据源180)中对一个或多个修正动作执行搜索。在一实施例中，可以通过管理服务器140执行搜索。每一个修正动作可以包括元数据(metadata)，该元数据在前述情况(修正动作被管理为用于修理机器的次优操作)下表明使用修正动作、修正动作描述等在之前解决了的次优操作的类型。

在S440-30，选择具有第一可能性评分和第二可能性评分的至少一个修正动作，该第一可能性评分高于能对机器的至少一个次优操作进行修理的第一预定临界值，该第二可能性评分低于会对机器造成损坏的第二预定临界值。第一临界值可以表明，有70％可能性能对机器次优操作进行修理的评分是成为候选修正动作所应具有的修正动作的最小评分。第二临界值可以表明，有20％可能性会对机器造成损坏的评分是成为候选修正动作所应具有的修正动作的最大评分。例如，识别具有第一可能性评分和第二可能性评分(即风险)的第一可选修正动作，该第一可能性评分具有97％的可能性能修理机器故障，该第二可能性评分有50％的可能性会对机器造成损坏。根据同一例子，与第一修正动作相比，可以选择第二可选修正动作，该第二可选修正动作具有仅85％的可能性能对机器的次优操作进行修理的第一可能性评分和有10％的可能性会损坏机器的第二可能性评分(尽管修理机器故障的第一修正动作的第一可能性评分更高)。

应理解，本文使用的对要素的任何指代，例如“第一”，“第二”等，通常不限制这些要素的量或顺序。而是，这些指代在本文通常用作在两个或更多要素或要素的实例之间进行区分的便利方法。由此，对第一和第二要素的描述并不意味着仅可以采用这两个要素，或第一要素必须以某种方式优于第二要素。还有，除非另有说明，否则一组要素包括一个或多个要素。

如在本文使用的，在项目之前的短语“至少一个”意味着任何所列项目可被个别地利用，或可利用所列项目中的两个或更多的任何组合。例如，如果系统被描述为包括“A、B和C中的至少一个”，则系统可仅包括A；仅包括B；仅包括C；A和B的组合；B和C的组合；A和C的组合；或A、B和C的组合。

本文公开的各种实施例可实施为硬件、固件、软件或任何其组合。而且，软件优选实施为实施在程序存储单元或计算机可读介质(其包括一些部分或某些装置和/或装置组合)的应用程序。应用程序可以加载到机器并被机器执行，该机器包括任何合适的架构。优选地，机器实施在计算机平台上，其具有例如一个或多个中央处理单元(“CPU”)、存储器、和输入/输出接口。计算机平台还可以包括操作系统和微指令代码。本文所述的各种过程和功能可以是微指令代码的部分或应用程序的部分，或任何其组合，其可以通过CPU执行，而无论这种计算机或处理器是否被明确示出。此外，各种其他外围单元可以连接到计算机平台，例如额外的数据存储单元和打印单元。进而，除了瞬时传播信号，非瞬时计算机可读介质是任何计算机可读介质。

本文所用的所有例子和条件性语言目的是用于教导，以有助于读者理解所公开实施例的原理和发明人对现有技术所作的贡献，且应理解为不应限制为这种具体描述的例子和情况。而且，本文对所公开实施例以及其具体例子的原理、方面、和实施例的所有描述目的是涵盖其结构和功能等效例。另外，目的是这种等效例包括目前已知的等效例以及未来开发的等效例，即被开发出来以执行相同功能的任何要素，而不管结构如何。

Claims (5)

1.一种用于主动修理机器次优操作的方法，包括：

使用管理服务器监测与至少一个机器有关的一个或多个传感输入；

至少经由不受监督的机器学习分析被监测的传感输入，其中不受监督的机器学习的输出包括至少一个指标；

基于该至少一个指标识别表明至少一个机器的至少一个次优操作的至少一个机器行为模式；

基于该至少一个机器行为模式选择至少一个修正动作；和,

使用管理服务器执行至少一个修正动作；

其中，选择至少一个修正动作进一步包括：

提取与表明至少一个机器的至少一个次优操作的至少一个机器行为模式关联的一个或多个特征；

基于提取的特征，在包括多个修正动作的至少一个数据源中针对一个或多个修正动作进行搜索；和,

选择至少一个修正动作，该至少一个修正动作具有第一可能性评分和第二可能性评分，该第一可能性评分高于能对机器的至少一个次优操作进行修理的第一预定临界值，且该第二可能性评分低于会对机器造成损坏的第二预定临界值。

2.如权利要求1所述的方法，进一步包括:

持续监测与至少一个机器关联的传感输入，以确定所执行的修正动作对至少一个机器行为的影响。

3.如权利要求2所述的方法，进一步包括:

将至少一个修正动作按照其效果进行分级。

4.如权利要求3所述的方法，进一步包括:

将以下中的至少一个存储在数据源中以供未来使用：至少一个机器行为模式，至少一个修正动作，至少一个修正动作的分级。

5.如权利要求1所述的方法，进一步包括:

基于至少一个机器行为模式和所监测的传感输入确定至少一个机器故障预测；和,

基于至少一个机器故障预测选择至少一个修正动作。