CN111382494A - 用于检测工业机器的感知数据中的异常的系统及方法 - Google Patents
用于检测工业机器的感知数据中的异常的系统及方法 Download PDFInfo
- Publication number
- CN111382494A CN111382494A CN201911363157.XA CN201911363157A CN111382494A CN 111382494 A CN111382494 A CN 111382494A CN 201911363157 A CN201911363157 A CN 201911363157A CN 111382494 A CN111382494 A CN 111382494A
- Authority
- CN
- China
- Prior art keywords
- input data
- sensory input
- anomaly
- suspected
- anomalies
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000001953 sensory effect Effects 0.000 title claims abstract description 97
- 238000000034 method Methods 0.000 title claims abstract description 34
- 230000006399 behavior Effects 0.000 claims description 31
- 238000012544 monitoring process Methods 0.000 claims description 21
- 238000010801 machine learning Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims 2
- 238000007726 management method Methods 0.000 description 32
- 239000000243 solution Substances 0.000 description 17
- 230000002159 abnormal effect Effects 0.000 description 14
- 238000004519 manufacturing process Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000012423 maintenance Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 230000003542 behavioural effect Effects 0.000 description 3
- 238000005265 energy consumption Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000005236 sound signal Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000007664 blowing Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000001746 injection moulding Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M99/00—Subject matter not provided for in other groups of this subclass
- G01M99/005—Testing of complete machines, e.g. washing-machines or mobile phones
-
- 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
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M15/00—Testing of engines
- G01M15/14—Testing gas-turbine engines or jet-propulsion engines
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
一种用于检测工业机器传感器数据中的异常的计算机实现的方法，包括：基于接收到的位于预定接近度内的多个工业机器的多个感知输入数据中的每一个的感知输入数据的可疑异常水平值，计算与至少时间间隔相关的平均异常量；以及当从多个感知输入数据的每个可疑异常水平值中减去计算出的平均异常量的结果超过预定阈值时，确定多个可疑异常中的至少一个是异常。
Description
相关申请的交叉引用
本申请要求于2018年12月26日提交的美国临时申请号62/785017的权益，其内容通过引用合并于此。
技术领域
本公开总体上涉及用于机器的维护系统，更具体地涉及检测从工业机器接收的感知输入数据中的异常。
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取得了显著进步，预示着技术和生产的新领域。尽管有这些改进，但自1970年代或之前开始采用的许多工业技术一直沿用至今。与这些工业技术相关的现有解决方案通常只进行了较小的改进，从而仅略微提高了产量和产额。
在现代制造实践中，制造商必须经常遵守严格的生产时间表，并提供完美或几乎完美的生产质量。结果，每当发生意外的机器故障时，这些制造商都可能遭受重大损失。机器故障是指当机器偏离正确的服务时发生的事件。错误通常是与机器正确状态之间的偏差，不一定是故障，但可能导致并指示潜在的未来故障。除故障外，错误还可能导致可影响性能的异常机器行为。
典型制造商基于故障的平均机器停机时间(即由于机器故障而部分或全部关闭生产的平均时间量)为每年17天，即损失了17天的产量，从而损失了收入。例如，对于典型的450兆瓦功率涡轮机，一天的停机时间可能会使制造商损失超过300万美元的收入。这种停机时间可能招致与维修、安全预防措施等相关的额外费用。
在能源发电厂中，每年花费数十亿美元用于确保可靠性。具体来说，数十亿美元用于备份系统和冗余，以最大程度地减少生产停机时间。另外，监视系统可用于快速识别故障，从而在发生停机时间时加快恢复生产。然而，现有的监视系统通常仅在停机开始之后、之中或之前识别故障。
此外，用于监视机器故障的现有解决方案通常依赖于每个机器的预定规则集。这些规则集并未考虑可能针对机器收集的所有数据，并且只能用于检查特定的关键参数，而忽略其余参数。此外，这些规则集是由工程师或其他人工分析人员预先配置的。结果，现有解决方案实际上只能使用部分收集的数据，从而导致浪费了与未使用数据的传输、存储和处理有关的计算资源的使用。此外，如果不考虑所有相关数据，可能会导致丢失或不正确地确定故障。
另外，现有解决方案通常依赖于以预定间隔进行的定期测试。因此，甚至可以预先预测故障的现有解决方案通常也会返回执行机器维护的请求，即使当机器没有立即发生故障的危险时。这种过早的更换导致浪费材料和花费在更换仍能正常工作的零件上的费用。此外，这样的现有解决方案通常仅在发生故障之后才确定故障。结果，可能无法避免此类故障，从而导致停机和收入损失。
此外，现有的监视和维护解决方案通常需要专用的测试设备。因此，这些解决方案通常需要专门的操作员，他们需要在每个监视和维护系统的操作方面接受过良好的培训。要求专业的操作员可能既不便又昂贵，并可能引入人为错误的潜在来源。考虑到除了微小的数据波动外，对于任何给定机器而言，可能会收集到大量数据，因此人工分析人员通常无法充分确定即将发生的故障。
最后，现有解决方案提出了识别异常并生成和提供纠正性解决方案建议的技术。通常将纠正性解决方案建议发送给与负责维护机器的用户相关的用户设备。因此，尽管可以自动执行识别机器的次优操作的过程，但仍然手动执行修复识别出的机器的次优操作。这是低效、耗时且劳动密集的。
此外，从各种可能的措施中选择最合适的纠正性措施可能是一个挑战。将这样的决定基于可能指示即将发生的机器故障的已识别模式不会为人为错误留出余地，从而在确定哪种解决方案最适合与特定故障相关的特定模式时节省了宝贵的时间。当前，即使有对即将发生的机器故障的这种预测，也没有解决方案建议基于特定的识别模式来选择纠正性解决方案。
因此，提供一种克服上述缺陷的解决方案将是有利的。
发明内容
以下是本公开的多个示例实施例的概述。提供该概述是为了方便读者提供对这种实施例的基本理解，并且不完全限定本公开的广度。该概述不是所有预期实施例的详尽概述，并且既不旨在标识所有实施例的关键或重要元素，也不旨在描绘任何或所有方面的范围。其唯一目的是以简化形式呈现一个或多个实施例的一些概念，作为稍后呈现的更详细描述的序言。为了方便起见，术语“某些实施例”在本文中可以用来指本公开的单个实施例或多个实施例。
本文公开的某些实施例包括一种用于检测工业机器传感器数据中的异常的计算机实现的方法，包括：基于接收到的位于预定接近度内的多个工业机器的多个感知输入数据中的每一个的感知输入数据的可疑异常水平值，计算与至少时间间隔相关的平均异常量；以及当从多个感知输入数据的每个可疑异常水平值中减去计算出的平均异常量的结果超过预定阈值时，确定多个可疑异常中的至少一个是异常。
本文公开的某些实施例还包括一种非暂时性计算机可读介质，其上存储有用于使处理电路执行处理的指令，该处理包括：基于接收到的位于预定接近度内的多个工业机器的多个感知输入数据中的每一个的感知输入数据的可疑异常水平值，计算与至少时间间隔相关的平均异常量；以及当从多个感知输入数据的每个可疑异常水平值中减去计算出的平均异常量的结果超过预定阈值时，确定多个可疑异常中的至少一个是异常。
本文公开的某些实施例还包括一种用于识别和修复机器的次优操作的系统，该系统包括：处理电路；和存储器，该存储器包含指令，当所述指令由处理电路执行时将系统配置为：基于接收到的位于预定接近度内的多个工业机器的多个感知输入数据中的每一个的感知输入数据的可疑异常水平值，计算与至少时间间隔相关的平均异常量；以及
当从多个感知输入数据的每个可疑异常水平值中减去计算出的平均异常量的结果超过预定阈值时，确定多个可疑异常中的至少一个是异常。
附图说明
在说明书结尾处的权利要求书中特别指出并明确要求保护本文公开的主题。根据结合附图的以下详细描述，所公开的实施例的前述及其他目的、特征和优点将变得显而易见。
图1是用于描述各种公开的实施例的网络图。
图2是根据实施例的管理服务器的框图。
图3A模拟了根据实施例的正常感知输入行为的第一模式的表示。
图3B模拟了根据实施例的异常感知输入行为的第二模式的表示。
图4是示出根据实施例的用于检测从位于预定接近度中的工业机器接收的感知输入数据中的异常的方法的流程图。
具体实施方式
重要的是要注意，本文公开的实施例仅仅是本文创新教导的许多有利用途的示例。通常，在本申请的说明书中做出的陈述不一定限制各种所要求保护的实施例中的任何一个。而且，某些陈述可能适用于某些发明特征，而不适用于其他特征。通常，除非另外指出，否则单数元素可以是复数，反之亦然，而不会失去一般性。在附图中，在多个视图中相同的附图标记指代相同的部分。
通过监视与位于预定接近度中的多个机器有关的带时间戳的感知输入数据，在时间间隔中识别出多个感知输入数据的多个可疑异常。每个可疑异常都包括可疑异常水平值。计算与时间间隔相关的多个可疑异常水平值的平均异常量。然后，通过从多个感知输入数据的每个可疑异常水平值中减去计算出的平均异常量，来确定至少一个可疑异常是异常还是合理的机器行为。在一实施例中，平均异常量是平均值、中位数、标准偏差以及超过预定基线值的平均传感器值的类似计算。
图1是用于描述各种公开的实施例的示例网络图100。示例网络图100包括通过网络110连接的机器监视系统(MMS)130、管理服务器140、数据库150、客户端设备160和数据源180。示例网络图100还包括连接到MMS130的多个传感器120-1至120-n(仅出于简化目的，以下简称为传感器120和统称为传感器120，其中n是等于或大于1的整数)。网络110可以是但不限于无线、蜂窝或有线网络、局域网(LAN)、广域网(WAN)、城域网(MAN)、互联网、万维网(WWW)、类似网络及其任意组合。
客户端设备160可以是但不限于个人计算机、膝上型计算机、平板计算机、智能手机、可穿戴计算设备或能够接收和显示指示维护和故障时间预测、纠正性解决方案建议、机器操作数据的监督分析、未经监督分析的结果或两者兼而有之等的通知的任何其他设备。
传感器120位于机器170比如工业机器的接近度中(例如物理接近度)。机器170可以是可通过感知输入数据表示性能的任何机器，比如但不限于涡轮机、发动机、焊接机、三维(3D)打印机、注射成型机、其组合、其一部分等。每个传感器120配置为基于机器170的操作来收集感知输入数据，比如但不限于声音信号、超声信号、光、运动跟踪指示符、温度、能量消耗指示符等。传感器120可以包括但不限于声音捕获传感器、运动跟踪传感器、能耗计、温度计等。任何一个传感器120都可以通信地或以其他方式连接到机器170(仅出于简单起见并且在不限制所公开的实施例的情况下在图1中未示出这种连接)。应当注意，可以经由网络110将诸如机器170之类的多个机器连接到管理服务器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可以配置为存储从与一个或多个机器(例如机器170)相关的多个传感器(例如传感器120)收集的机器历史数据。历史数据可以指示异常感知输入数据输入和异常机器行为、正常感知输入数据输入和正常机器行为、正常和异常模式、异常感知输入数据输入序列等。
传感器120连接到MMS130。在一实施例中，MMS130配置为存储和预处理从传感器120接收到的原始感知输入数据。可替代地或共同地，MMS130可配置为周期性地检索收集的例如存储在数据库150中的感知输入数据。预处理可以包括但不限于数据清理、规范化、重新缩放、重新趋势、重新格式化、噪声过滤、其组合等。
预处理可以进一步包括特征提取。在一实施例中，特征提取的结果包括在无监督机器学习期间由管理服务器140使用的特征，以检测指示符。特征提取可以包括但不限于降维技术，比如但不限于奇异值分解、离散傅立叶变换、离散小波变换、线段方法或其组合。当利用这样的降维技术时，预处理可导致用于感知输入数据的较低维空间。机器监视系统130配置为将预处理的感知输入数据发送到管理服务器140。
在一实施例中，管理服务器140配置为通过网络110从机器监视系统130接收与机器170相关的预处理的感知输入数据。感知输入数据可被连续地接收并且可被实时地接收。在一实施例中，管理服务器140配置为存储从机器监视系统130接收到的感知输入数据。可替代地或共同地，可以将感知输入数据存储在数据库150中。数据库150可以进一步存储从与其他机器(也未示出)相关的多个其他传感器(未示出)收集的感知输入数据(原始的、预处理的或两者)。数据库150可以进一步存储指示符、异常模式、故障预测、用于分析感知输入数据的行为模型或其组合。
管理服务器140，通常至少包括处理电路(未示出)和存储器(未示出)，该存储器在其中包含指令，该指令在由处理电路执行时配置管理服务器140，如下文进一步所述。
在一实施例中，管理服务器140配置为监视与位于预定接近度中的多个机器(例如机器170)有关的多个带时间戳的感知输入数据。多个机器可以与相同类型的机器有关，例如所有被监视的机器可以是特定类型的工业机器，比如涡轮机。多个机器可以包括例如十个涡轮机的机组。预定接近度可以例如是二十个涡轮机位于的一平方英里。预定接近度可以预先输入到例如数据库150中，以促进管理服务器140操作。多个带时间戳的感知输入数据的监视过程可以包括例如实时或接近实时地跟踪和聚合与同多个机器部件有关的感知输入数据相关的多个参数。监视可被恒定地执行并且可以进一步由机器监视系统130执行。所监视的感知输入数据可以包括指示多个机器中的至少一个部件的操作的数据。例如，所监视的感知输入数据可以包括温度值、一个或多个齿轮的速度值、振动强度等。
在一实施例中，管理服务器140配置为至少在与多个带时间戳的感知输入数据相对应的时间间隔中识别多个感知输入数据的多个可疑异常。时间间隔可以是例如时间指针，管理服务器140在该时间指针处对所监视的感知输入数据的样本进行采样，在该时间指针处识别出多个感知输入数据的可疑异常。即，在时间间隔中识别出的多个感知输入数据的多个可疑异常同时或近似同时发生。多个感知输入数据中的每个感知输入包括可疑异常水平值。可疑异常水平值可以由例如0-100之间的数字表示。
在一实施例中，可疑异常可以由不同于相同类型的多个感知输入数据的感知输入来表示。在一实施例中，感知输入值与预期基线的超过预定阈值的差将该值建立为可疑异常。例如，在机器的平均温度为90度的情况下，当变化非常快并在几秒钟内发生时，可以将110度的温度视为可疑异常。多个可疑异常的识别可以通过但不限于无监督机器学习来实现。在另一实施例中，无监督机器学习可以包括一种或多种信号处理技术、一种或多种神经网络的实现、递归神经网络、决策树学习、贝叶斯网络、聚类等。应当注意，可以使用不同的机器学习技术来分析由感知输入数据表示的不同参数。例如，可以通过将第一机器学习技术应用于来自温度传感器的感知输入数据来分析温度参数，并且可以通过将第二机器学习技术应用于来自能耗计的感知输入数据来分析能耗参数。
在一实施例中，管理服务器140可以配置为基于例如数据的一个或多个部分的类型来自动选择至少一种最优方法以检测感知输入数据中的指示符。指示符是超过最大阈值或低于最小阈值的数据点，指示存在可疑异常。在另一实施例中，选择可以基于将多个模型应用于感知输入数据的至少一部分中的每一个的结果。在又一实施例中，选择可以进一步基于误报率和真正率。
在另一实施例中，管理服务器140配置为基于机器170的至少一部分来生成元模型。为其生成元模型的机器的每个部分可以是部件(未示出)，比如但不限于管道、发动机、发动机的一部分、其组合等。生成元模型可以包括但不限于选择模型，该模型最优地指示针对机器170的至少一部分中的每一个的感知输入数据中的异常。每个生成的元模型用于检测机器170的各个部分的行为异常。
在一实施例中，管理服务器140配置为基于分析实时地生成至少一个自适应阈值用于检测异常。在另一实施例中，管理服务器140配置为基于机器170或其每个部分的感知输入数据来实时或接近实时地确定正常机器行为模式。可以基于所确定的正常行为模式来生成自适应阈值。在下文中参照图3A和3B进一步描述基于正常行为模式的用于检测异常的自适应阈值的生成。
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视的感知输入数据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)的故障的预测。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，管理服务器140配置为基于多个机器的多个感知输入数据的每个感知输入的可疑异常水平值来计算与至少时间间隔相关的平均异常量。例如，监视位于预定接近度中的三个单传感器机器的三个传感器输入数据，从而识别出三个可疑异常。第一个机器的可疑异常水平值为0，第二个机器的可疑异常水平值为2，第三个机器的可疑异常水平值为7。因此，平均异常量为3。应当注意的是，对于不同的时间间隔，可能存在多个平均异常量，在时间间隔处，对多个感知输入数据进行采样并且可以识别新的可疑异常。
在一实施例中，管理服务器140配置为当从多个感知输入数据的每个可疑异常水平值中减去计算出的平均异常量的结果大于预定阈值时确定多个可疑异常中的至少一个是异常。在一实施例中，使用计算出的平均异常量和每个可疑异常水平值两者的绝对值来执行计算。在另一实施例中，预定阈值为零。例如，监视位于预定接近度中的三个单传感器机器的三个感知输入数据，从而识别出三个可疑异常。第一个机器的可疑异常水平值为100，第二个机器的可疑异常水平值为100，第三个机器的可疑异常水平值为100。因此，平均异常量为100。根据相同的示例，通过从每个可疑异常水平值中减少计算出的平均异常量，结果对于第一个机器将为零，对于第二个机器将为零，对于第三个机器将为零。也就是说，没有发现异常。
根据另一非限制性示例，位于预定接近度中的40个机器的平均异常量为120，并且这40个机器中只有三个机器具有大于零的正值，例如值为一(1)、四(4)和二(2)，表明机器行为异常。应当注意，在某些实施例中，由于示例中指示的正值相对较低，因此它们被认为仅指示机器的次优操作。
应注意，管理服务器140配置为当从多个感知输入数据的每个可疑异常水平值中减少计算出的平均异常量的结果等于或小于零时确定多个可疑异常中的至少一个是多个机器中的至少一个机器的合理行为。
在一实施例中，管理服务器140配置为在确定识别出异常时生成至少一个指示所确定的异常的通知。该通知可包括与异常有关的数据、建议的纠正性措施、机器故障时间等。根据另一实施例，通知可被发送到至少一个设备，例如客户端设备160。
应当注意，可以连续地监视多个感知输入数据，以便识别多个感知输入数据中的新的可疑异常。即，可以恒定地执行本文上面和下面描述的方法。
应该注意的是，仅出于简化目的并且不限制所公开的实施例，图1中的机器监视系统130被示为与管理服务器140分开的部件。机器监视系统130可被并入管理服务器140中，以允许管理服务器140获得并预处理感知输入数据，而不脱离本公开的范围。
还应当注意，仅出于简化目的并且不限制所公开的实施例，关于客户端设备160和机器170讨论了以上参照图1在此描述的实施例。多个客户端设备可以接收与机器维护和故障有关的信息，而不脱离本公开的范围。另外，在不脱离本公开的范围的情况下，可以收集与多个机器有关的感知输入数据以确定任何或所有机器的故障。
应进一步注意，本文公开的实施例不限于图1所示的特定架构，并且在不脱离所公开的实施例的范围的情况下，可以等同地使用其他架构。具体地，管理服务器140可以驻留在云计算平台、数据中心、内部等中。此外，在一实施例中，可能存在多个如上所述运行的管理服务器，并且配置为具有一个作为备用代理以在发生故障的情况下进行控制，在它们之间共享负载或在它们之间分配功能。
管理服务器140配置为对实时、接近实时或者甚至在预定时间间隔之后监视的感知输入数据的值进行归一化，以便增强次优机器操作的预测能力。有多种机器特征可能会受到例如环境变量的影响。在这些机器特征上指示的感知输入数据的值可能被意外地识别为指示例如机器故障的异常机器行为，而实际上，当考虑到来自位于预定接近度中的同类型多个机器中的多个传感器时，机器行为实际上是合理的。例如，当强烈阵风吹过并且仅监视一个机器时，涡轮机的转子的速度可以显著增加，因此可以将其识别为异常机器行为。然而，当监视位于预定接近度中的十个涡轮机的十个转子的速度时，十个转子的增加的速度被识别为合理的机器行为。
图2示出了根据一实施例实现的管理服务器140的示例框图。管理服务器140包括联接到存储器220、存储装置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的部件可以通过总线260连接。
处理电路210可被实现为一个或多个硬件逻辑部件和电路。例如但不限于，可以使用的说明性类型的硬件逻辑部件包括现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、通用微处理器、微控制器、数字信号处理器(DSP)等或者可以执行信息的计算或其他操作的任何其他硬件逻辑部件。
存储器220可以是易失性的(例如RAM等)、非易失性的(例如ROM、闪存等)或其组合。在一配置中，用于实现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装置230中。
在另一实施例中，存储器220配置为存储软件。软件应广义地解释为表示任何类型的指令，无论是指软件、固件、中间件、微码、硬件描述语言还是其他形式。指令可以包括代码(例如以源代码格式、二进制代码格式、可执行代码格式或任何其他合适的代码格式)。当由一个或多个处理器执行时，指令使处理电路210执行本文所述的各种过程。在一实施例中，存储器220可以包含由传感器(例如图1的传感器120)收集的数据。在另一实施例中，这样的数据也可以存储在诸如数据库的数据仓库中。
存储装置230可以是磁性存储装置、光学存储装置等，并且可以实现为例如闪存或其他存储技术、CD-ROM、数字多功能磁盘(DVD)或可用于存储所需信息的任何其他介质。
网络接口240允许管理服务器140与机器监视系统130通信，以便例如接收原始的和/或预处理的感知输入数据。另外，网络接口240允许管理服务器140与客户端设备160通信，以便发送例如与异常活动、机器次优操作、机器故障预测、纠正性解决方案建议、纠正性措施等有关的通知。
如本文进一步描述，机器学习单元250配置为基于经由网络接口240接收的感知输入数据来执行机器学习。在一实施例中，机器学习单元250还配置为基于一个或多个机器学习模型来确定对机器(例如机器170)的故障的预测。在另一实施例中，机器学习单元250还配置为确定避免或减轻所确定的预测故障的至少一项推荐。作为非限制性示例，至少一项推荐可以指示机器170上的排气管应被新的排气管替换以避免故障。机器学习模型可用于检测从位于预定接近度中的机器接收的感知输入数据中的异常，如本文上面和下面进一步描述。
应当理解，本文描述的实施例不限于图2所示的特定架构，并且在不脱离所公开的实施例的范围的情况下，可以等同地使用其他架构。
图3A是根据实施例实现的行为模式的示例表示。图3A所示的表示包括曲线图300A，其中感知输入数据由曲线310A表示。在图3A所示的示例仿真中，曲线310A表示感知输入数据随时间的聚合行为。在机器(例如图1的机器170)的操作期间，可以连续地监视由曲线310A表示的聚合行为的重复序列，比如重复序列320A和330A。在确定例如重复序列320A、重复序列330A或两者时，生成机器的正常行为模式的模型。
应当指出，对两个或更多个行为周期的连续监视对于确定更准确的模式可能有用。随着监视且因此学习继续，可以相应地更新正常行为模型。正常行为模式的模型可用于确定异常和机器故障预测。作为非限制性示例，如果序列320A在机器故障或机器的其他次优操作之前，则可以预测重复序列330A的确定在机器故障或机器的其他次优操作之前。
图3B是示出自适应阈值的生成的示例表示300B。基于一个或多个重复序列(例如重复序列320A和330A)，确定最大阈值310B和最小阈值320B。阈值310B和320B可以实时确定并且与过去的机器行为无关。在示例实施方式中，阈值310B和320B是动态的，并且基于序列320A和330A以及任何随后确定的序列来调整。点330B表示指示符，即高于最大阈值310B或低于最小阈值320B的数据点。在确定已经超过阈值310B或320B之一时，可以检测到异常。在一实施例中，异常指示机器的次优操作。
图4是示例流程图400，其示出了根据实施例的用于检测从位于预定接近度中的工业机器接收的感知输入数据中的异常的方法。
在S410，在预定时间间隔内监视与位于预定接近度中的多个机器有关的多个感知输入数据。在一实施例中，给感知输入数据加上时间戳，以将数据标识为源自该预定时间间隔。基于机器(例如机器170)的操作，感知输入数据可以包括例如声音信号、超声信号、光、运动跟踪指示符、温度、能量消耗指示符等。
在S420，在与多个带时间戳的感知输入数据相对应的时间间隔内，识别多个感知输入数据的多个可疑异常。多个感知输入数据中的每个感知输入包括可疑异常水平值。在一实施例中，可以通过无监督机器学习来实现对多个可疑异常的识别。无监督机器学习可以包括一种或多种信号处理技术、一种或多种神经网络的实现、递归神经网络、决策树学习、贝叶斯网络、聚类等。在另一实施例中，从外部计算可疑异常并作为输入接收。
在S430，基于多个机器的多个感知输入数据中的每个感知输入的可疑异常水平值，计算与时间间隔相关的平均异常量。
在S440，从多个感知输入数据的每个可疑异常水平值中减去计算出的平均异常量。
在S450，检查相减的结果是否超过预定阈值，例如大于零，如果大于零，则继续执行S460；否则，继续执行S465。
在S460，将可疑异常确定为异常。例如，当在S440中描述的减少的结果大于零，例如1、12、70等时，该正值指示异常的机器行为。
在S465，将可疑异常确定为合理的机器行为。合理的机器行为确定可以指示由于可接受的原因(例如影响机器操作的环境变量)而发生了一个或多个可疑异常。变量的示例包括强阵风吹向风力涡轮机。应当注意，这些被确定为合理的机器行为的可疑异常并不表示机器的次优操作，也不表示机器失效、机器故障、即将发生的机器故障等。
在可选的S470，基于对异常或合理的机器行为的确定，为工业机器的至少一部分生成元模型。为其生成元模型的机器的每个部分可以是部件，比如但不限于管道、发动机、发动机的一部分、其组合等。生成元模型可以包括但不限于选择模型，该模型最优地指示针对机器的至少一部分中的每一个的感知输入数据中的异常。然后，可以使用每个生成的元模型来检测工业机器各个部分的行为中的未来异常。
本文公开的各种实施例可被实现为硬件、固件、软件或其任何组合。此外，软件优选地被实现为有形地体现在由部件或某些设备和/或设备的组合构成的程序存储单元或计算机可读介质上的应用程序。可以将应用程序上载到包括任何适当架构的机器并由其执行。优选地，机器在具有诸如一个或多个中央处理电路(“CPU”)、存储器和输入/输出接口的硬件的计算机平台上实现。计算机平台还可以包括操作系统和微指令代码。本文描述的各种处理和功能可以是可由CPU执行的微指令代码的一部分或应用程序的一部分或者其任何组合，无论是否明确示出了这种计算机或处理器。另外，各种其他外设单元可以连接到计算机平台，比如附加数据存储单元和打印单元。此外，非暂时性计算机可读介质是除了用于暂时性传播信号之外的任何计算机可读介质。
如本文所用，短语“中的至少一个”之后是项目列表是指可以单独利用任何所列项目，或者可以利用两个或更多个所列项目的任何组合。例如，如果系统被描述为包括“A、B和C中的至少一个”，则该系统可以包括单独A；单独B；单独C；A和B组合；B和C结合；A和C结合；或A、B和C组合。
本文中引用的所有示例和条件语言旨在用于教学目的，以帮助读者理解所公开的实施例的原理以及发明人为进一步发展本领域所贡献的概念，并且应解释为不限于这样具体列举的示例和条件。此外，本文中叙述所公开实施例的原理、方面和实施例及其特定示例的所有陈述旨在涵盖其结构和功能上的等同物。另外，希望这样的等同物包括当前已知的等同物以及将来开发的等同物，即开发的执行相同功能的任何元件，而与结构无关。
Claims (19)
1.一种用于检测工业机器传感器数据中的异常的计算机实现的方法，包括：
基于接收到的位于预定接近度内的多个工业机器的多个感知输入数据中的每一个的感知输入数据的可疑异常水平值，计算与至少时间间隔相关的平均异常量；以及
当从多个感知输入数据的每个可疑异常水平值中减去计算出的平均异常量的结果超过预定阈值时，确定多个可疑异常中的至少一个是异常。
2.根据权利要求1所述的计算机实现的方法，还包括：
监视与多个工业机器有关的多个带时间戳的感知输入数据；以及
在至少与多个带时间戳的感知输入数据相对应的时间间隔中，识别多个感知输入数据的多个可疑异常，其中，多个感知输入数据中的每个感知输入数据包括可疑异常水平值。
3.根据权利要求2所述的计算机实现的方法，其中，通过无监督机器学习来实现对所述多个可疑异常的识别。
4.根据权利要求1所述的计算机实现的方法，还包括：
在确定识别出异常时，生成指示所确定的异常的通知。
5.根据权利要求1所述的计算机实现的方法，还包括：
当从多个感知输入数据的每个可疑异常水平值中减去平均异常量的结果等于或小于预定阈值时，确定多个可疑异常中的至少一个是多个工业机器中的至少一个工业机器的合理行为。
6.根据权利要求1所述的计算机实现的方法，其中，所述感知输入数据指示多个工业机器的至少一个部件的操作。
7.根据权利要求6所述的计算机实现的方法，还包括：
基于多个工业机器的至少一个部件生成元模型，所述元模型最优地指示针对多个工业机器的至少一个部件中的每一个的感知输入数据中的异常。
8.根据权利要求1所述的计算机实现的方法，还包括：
预处理从多个传感器接收的原始感知输入数据，所述多个传感器配置为基于多个工业机器的操作来收集感知输入数据；以及
将预处理的原始感知输入数据存储在数据源中。
9.根据权利要求8所述的计算机实现的方法，其中，所述预处理包括以下中的至少一个：数据清理、规范化、重新缩放、重新趋势、重新格式化以及噪声过滤。
10.一种非暂时性计算机可读介质，其上存储有用于使处理电路执行处理的指令，该处理包括：
基于接收到的位于预定接近度内的多个工业机器的多个感知输入数据中的每一个的感知输入数据的可疑异常水平值，计算与至少时间间隔相关的平均异常量；以及
当从多个感知输入数据的每个可疑异常水平值中减去计算出的平均异常量的结果超过预定阈值时，确定多个可疑异常中的至少一个是异常。
11.一种用于检测工业机器传感器数据中的异常的系统，包括：
处理电路；和
存储器，该存储器包含指令，当所述指令由处理电路执行时将系统配置为：
基于接收到的位于预定接近度内的多个工业机器的多个感知输入数据中的每一个的感知输入数据的可疑异常水平值，计算与至少时间间隔相关的平均异常量；以及
当从多个感知输入数据的每个可疑异常水平值中减去计算出的平均异常量的结果超过预定阈值时，确定多个可疑异常中的至少一个是异常。
12.根据权利要求11所述的系统，其中，所述系统还配置为：
监视与多个工业机器有关的多个带时间戳的感知输入数据；以及
在至少与多个带时间戳的感知输入数据相对应的时间间隔中，识别多个感知输入数据的多个可疑异常，其中，多个感知输入数据中的每个感知输入数据包括可疑异常水平值。
13.根据权利要求12所述的系统，其中，通过无监督机器学习来实现对所述多个可疑异常的识别。
14.根据权利要求11所述的系统，其中，所述系统还配置为：
在确定识别出异常时，生成指示所确定的异常的通知。
15.根据权利要求11所述的系统，其中，所述系统还配置为：
当从多个感知输入数据的每个可疑异常水平值中减去平均异常量的结果等于或小于预定阈值时，确定多个可疑异常中的至少一个是多个工业机器中的至少一个工业机器的合理行为。
16.根据权利要求11所述的系统，其中，所述感知输入数据指示多个工业机器的至少一个部件的操作。
17.根据权利要求16所述的系统，其中，所述系统还配置为：
基于多个工业机器的至少一个部件生成元模型，所述元模型最优地指示针对多个工业机器的至少一个部件中的每一个的感知输入数据中的异常。
18.根据权利要求11所述的系统，其中，所述系统还配置为：
预处理从多个传感器接收的原始感知输入数据，所述多个传感器配置为基于多个工业机器的操作来收集感知输入数据；以及
将预处理的原始感知输入数据存储在数据源中。
19.根据权利要求18所述的系统，其中，所述预处理包括以下中的至少一个：数据清理、规范化、重新缩放、重新趋势、重新格式化以及噪声过滤。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US201862785017P | 2018-12-26 | 2018-12-26 | |
| US62/785,017 | 2018-12-26 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111382494A true CN111382494A (zh) | 2020-07-07 |
Family
ID=71079826
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911363157.XA Pending CN111382494A (zh) | 2018-12-26 | 2019-12-26 | 用于检测工业机器的感知数据中的异常的系统及方法 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US11933695B2 (zh) |
| CN (1) | CN111382494A (zh) |
| DE (1) | DE102019219727A1 (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116955091A (zh) * | 2023-09-20 | 2023-10-27 | 深圳市互盟科技股份有限公司 | 基于机器学习的数据中心故障检测系统 |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020185234A1 (en) * | 2019-03-14 | 2020-09-17 | Hewlett-Packard Development Company, L.P. | Preprocessing sensor data for machine learning |
| DE102020209163A1 (de) | 2020-07-21 | 2022-01-27 | Robert Bosch Gesellschaft mit beschränkter Haftung | Verfahren und Vorrichtung zum Detektieren von Anomalien in Sensoraufzeichnungen eines technischen Systems |
| DE102020209162A1 (de) | 2020-07-21 | 2022-01-27 | Robert Bosch Gesellschaft mit beschränkter Haftung | Verfahren und Vorrichtung zum Detektieren von Anomalien in Sensoraufzeichnungen eines technischen Systems |
| CA3130130A1 (en) * | 2021-09-08 | 2023-03-08 | Rainhouse Manufacturing Canada Ltd. | Anti-vibration control system for industrial machines |
Family Cites Families (36)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| IT1310142B1 (it) | 1999-08-20 | 2002-02-11 | Merloni Elettrodomestici Spa | Dispositivo, sistema e metodo per il monitoraggio di una utenzaelettrica domestica, in particolare un elettrodomestico. |
| US6993417B2 (en) | 2001-09-10 | 2006-01-31 | Osann Jr Robert | System for energy sensing analysis and feedback |
| US7463986B2 (en) | 2002-10-25 | 2008-12-09 | Hudson Bay Wireless Llc | Electrical power metering system |
| EP1489719A3 (en) | 2003-06-20 | 2007-05-02 | Matsushita Electric Industrial Co., Ltd. | Energy management system, energy management method, and unit for providing information on energy-saving recommended equipment |
| US7167777B2 (en) | 2003-11-04 | 2007-01-23 | Powerweb Technologies | Wireless internet lighting control system |
| US7317404B2 (en) | 2004-01-14 | 2008-01-08 | Itron, Inc. | Method and apparatus for collecting and displaying consumption data from a meter reading system |
| US7460930B1 (en) | 2004-05-14 | 2008-12-02 | Admmicro Properties, Llc | Energy management system and method to monitor and control multiple sub-loads |
| US20060167591A1 (en) | 2005-01-26 | 2006-07-27 | Mcnally James T | Energy and cost savings calculation system |
| US7276915B1 (en) | 2005-02-01 | 2007-10-02 | Sprint Communications Company L.P. | Electrical service monitoring system |
| JP4885463B2 (ja) | 2005-03-03 | 2012-02-29 | 株式会社日立製作所 | センサネットワークシステム、センサデータの処理方法及びプログラム |
| US20090030752A1 (en) * | 2007-07-27 | 2009-01-29 | General Electric Company | Fleet anomaly detection method |
| US8255090B2 (en) | 2008-02-01 | 2012-08-28 | Energyhub | System and method for home energy monitor and control |
| WO2009137654A1 (en) | 2008-05-07 | 2009-11-12 | Power House Dynamics, Llc. | System and method to monitor and manage performance of appliances |
| JP5290026B2 (ja) | 2009-03-31 | 2013-09-18 | 日立建機株式会社 | 作業機械の学習診断システム、状態診断装置及び状態学習装置 |
| US7840383B2 (en) | 2009-04-01 | 2010-11-23 | Eugene Wang | Operationalizing a power usage monitoring system |
| US8468380B2 (en) | 2009-07-31 | 2013-06-18 | Dell Products, Lp | Power consumption monitor and method therefor |
| US8665061B2 (en) | 2009-08-05 | 2014-03-04 | Electro Industries/Gauge Tech | Intelligent electronic device having user-authenticating capabilities |
| US8515711B2 (en) | 2010-10-21 | 2013-08-20 | Siemens Energy, Inc. | Diagnostic system and method for monitoring operating conditions of components of a turbine machine |
| JP5455866B2 (ja) | 2010-10-28 | 2014-03-26 | 株式会社日立製作所 | 異常診断装置および産業機械 |
| US8644166B2 (en) | 2011-06-03 | 2014-02-04 | Asoka Usa Corporation | Sensor having an integrated Zigbee® device for communication with Zigbee® enabled appliances to control and monitor Zigbee® enabled appliances |
| US20140058615A1 (en) | 2012-08-21 | 2014-02-27 | Charles Terrance Hatch | Fleet anomaly detection system and method |
| JP6183346B2 (ja) * | 2014-12-10 | 2017-08-23 | 日本精工株式会社 | 異常診断装置、軸受、回転装置、産業機械及び車両 |
| DE102016008987B4 (de) * | 2015-07-31 | 2021-09-16 | Fanuc Corporation | Maschinenlernverfahren und Maschinenlernvorrichtung zum Lernen von Fehlerbedingungen, und Fehlervorhersagevorrichtung und Fehlervorhersagesystem, das die Maschinenlernvorrichtung einschließt |
| US11049004B1 (en) * | 2015-11-15 | 2021-06-29 | ThetaRay Ltd. | System and method for anomaly detection in dynamically evolving data using random neural network decomposition |
| WO2017116627A1 (en) * | 2016-01-03 | 2017-07-06 | Presenso, Ltd. | System and method for unsupervised prediction of machine failures |
| WO2017120579A1 (en) * | 2016-01-10 | 2017-07-13 | Presenso, Ltd. | System and method for validating unsupervised machine learning models |
| WO2017127260A1 (en) * | 2016-01-19 | 2017-07-27 | Presenso, Ltd. | System and method for allocating machine behavioral models |
| WO2017139046A1 (en) * | 2016-02-09 | 2017-08-17 | Presenso, Ltd. | System and method for unsupervised root cause analysis of machine failures |
| US20170364818A1 (en) * | 2016-06-17 | 2017-12-21 | Business Objects Software Ltd. | Automatic condition monitoring and anomaly detection for predictive maintenance |
| US10997135B2 (en) * | 2016-09-16 | 2021-05-04 | Oracle International Corporation | Method and system for performing context-aware prognoses for health analysis of monitored systems |
| US9915375B1 (en) * | 2017-02-10 | 2018-03-13 | Fisher Controls International Llc | Methods and apparatus to monitor health information of a valve |
| US20180357595A1 (en) * | 2017-06-08 | 2018-12-13 | Sap Se | Data collection and correlation |
| US11250343B2 (en) * | 2017-06-08 | 2022-02-15 | Sap Se | Machine learning anomaly detection |
| US10929421B2 (en) * | 2017-06-08 | 2021-02-23 | Sap Se | Suggestion of views based on correlation of data |
| US10691085B2 (en) * | 2017-06-14 | 2020-06-23 | Inventus Holdings, Llc | Defect detection in power distribution system |
| JP7194976B2 (ja) * | 2018-09-21 | 2022-12-23 | 株式会社サンセイアールアンドディ | 遊技機 |
-
2019
- 2019-12-16 DE DE102019219727.2A patent/DE102019219727A1/de active Pending
- 2019-12-17 US US16/717,207 patent/US11933695B2/en active Active
- 2019-12-26 CN CN201911363157.XA patent/CN111382494A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116955091A (zh) * | 2023-09-20 | 2023-10-27 | 深圳市互盟科技股份有限公司 | 基于机器学习的数据中心故障检测系统 |
| CN116955091B (zh) * | 2023-09-20 | 2024-04-30 | 深圳市互盟科技股份有限公司 | 基于机器学习的数据中心故障检测系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| US11933695B2 (en) | 2024-03-19 |
| US20200209111A1 (en) | 2020-07-02 |
| DE102019219727A1 (de) | 2020-07-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20210397501A1 (en) | System and method for unsupervised prediction of machine failures | |
| US20220300857A1 (en) | System and method for validating unsupervised machine learning models | |
| US11243524B2 (en) | System and method for unsupervised root cause analysis of machine failures | |
| US11669083B2 (en) | System and method for proactive repair of sub optimal operation of a machine | |
| US11933695B2 (en) | System and method for detecting anomalies in sensory data of industrial machines located within a predetermined proximity | |
| WO2023071217A1 (zh) | 基于深度迁移学习的多工况流程工业故障检测诊断方法 | |
| JP7017861B2 (ja) | 異常検知システムおよび異常検知方法 | |
| US11442444B2 (en) | System and method for forecasting industrial machine failures | |
| US11733688B2 (en) | System and method for recognizing and forecasting anomalous sensory behavioral patterns of a machine | |
| US20210158220A1 (en) | Optimizing accuracy of machine learning algorithms for monitoring industrial machine operation | |
| US20180307218A1 (en) | System and method for allocating machine behavioral models | |
| US20220058527A1 (en) | System and method for automated detection and prediction of machine failures using online machine learning | |
| Chen et al. | An integrated framework for statistical change detection in running status of industrial machinery under transient conditions | |
| KR102108975B1 (ko) | 함정설비의 상태기반 정비 지원 장치 및 방법 | |
| US11822323B2 (en) | Providing corrective solution recommendations for an industrial machine failure | |
| CN114443398A (zh) | 内存故障预测模型的生成方法、检测方法、装置及设备 | |
| CN114371678A (zh) | 一种装备安全生产的预警方法、系统、设备及存储介质 | |
| CN117705178A (zh) | 风电螺栓信息检测方法、装置、电子设备和存储介质 | |
| CN117951489A (zh) | 水轮机组故障发生度测度方法、装置和计算机设备 | |
| CN117514649A (zh) | 一种风电机组健康状态监测方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| CB02 | Change of applicant information |
Address after: Israel Yuekeni Mourinho Applicant after: SKF artificial intelligence Co.,Ltd. Address before: Israel Yuekeni Mourinho Applicant before: SKF presenso Co.,Ltd. Address after: Israel Yuekeni Mourinho Applicant after: SKF presenso Co.,Ltd. Address before: Haifa Applicant before: Presenso Co.,Ltd. |
|
| CB02 | Change of applicant information | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20210901 Address after: Gothenburg Applicant after: AKTIEBOLAGET SKF Address before: Israel Yuekeni Mourinho Applicant before: SKF artificial intelligence Co.,Ltd. |
|
| TA01 | Transfer of patent application right | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |