CN111539546A - 智能型预诊断与健康管理系统的建模方法及其电脑程序产品 - Google Patents
智能型预诊断与健康管理系统的建模方法及其电脑程序产品 Download PDFInfo
- Publication number
- CN111539546A CN111539546A CN201910104962.4A CN201910104962A CN111539546A CN 111539546 A CN111539546 A CN 111539546A CN 201910104962 A CN201910104962 A CN 201910104962A CN 111539546 A CN111539546 A CN 111539546A
- Authority
- CN
- China
- Prior art keywords
- branch
- model
- modeling
- prediction
- analysis
- 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
- 230000036541 health Effects 0.000 title claims abstract description 60
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000003745 diagnosis Methods 0.000 title claims abstract description 54
- 238000004590 computer program Methods 0.000 title claims abstract description 13
- 238000012544 monitoring process Methods 0.000 claims abstract description 48
- 238000005457 optimization Methods 0.000 claims abstract description 24
- 238000004458 analytical method Methods 0.000 claims description 117
- 238000012423 maintenance Methods 0.000 claims description 33
- 238000007781 pre-processing Methods 0.000 claims description 21
- 230000003044 adaptive effect Effects 0.000 claims description 18
- 230000001364 causal effect Effects 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000007637 random forest analysis Methods 0.000 claims description 5
- 238000012706 support-vector machine Methods 0.000 claims description 5
- 238000013139 quantization Methods 0.000 claims description 4
- 238000000611 regression analysis Methods 0.000 claims description 3
- 239000013256 coordination polymer Substances 0.000 description 13
- 238000004422 calculation algorithm Methods 0.000 description 11
- 238000013507 mapping Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 9
- 238000010801 machine learning Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 5
- 230000015654 memory Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000013480 data collection Methods 0.000 description 4
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 238000004140 cleaning Methods 0.000 description 3
- 230000003862 health status Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000001134 F-test Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012880 independent component analysis Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 101150013568 US16 gene Proteins 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000012047 cause and effect analysis Methods 0.000 description 1
- 238000005229 chemical vapour deposition Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种智能型预诊断与健康管理系统的建模方法,该方法包括新树建立步骤、双分支建模步骤以及模型自适性优化步骤,可随着监控数据的增加以由双分支建模步骤所建构出的预测假设模型中挑选出最佳方案作为最佳化决策的基准,此基准为下一次预测使用,并令系统的预测结果符合预期目标值。本发明同时提供一种智能型预诊断与健康管理系统的电脑程序产品,在执行该电脑程序产品时完成上述的智能型预诊断与健康管理系统的建模方法。
Description
技术领域
本发明涉及一种智能型预诊断与健康管理系统的建模方法及其电脑程序产品,特别是涉及一种可自适性最佳化的智能型预诊断系统的建模方法及其电脑程序产品。
背景技术
制造业为了确保生产机器的工艺稳定并且提高稼动率,必须要对生产机器的运作状态进行严密的品质监控。利用机器预诊断及健康管理技术,可通过分析机器数据来监控和评估设备以及零件的健康状态,并根据状态来决定最佳的维护或更换时机,以减少非预期性停机并降低维修频率。
习知技术中为了达到品质要求,对于关键工艺参数有严密的监控与观察。所谓“关键工艺参数”指的是与设备故障最相关的因素,实务上会对该些因素进行监控以作为设备维护预诊断的重要指标。为提升预诊断的精准性,已有许多公开技术提出各种改良,包括申请人在美国专利申请号US16/001,520中提出一种领先辅助参数的选择方法以及结合关键参数及领先辅助参数进行设备维护预诊断的方法,将感测器搜集到的数据进行筛选并区分为关键参数(criticalparameters,CP)集合以及其他特征参数集合后,再从特征参数集合中鉴定出提前影响关键参数时间最早者作为领先辅助参数(leading associatedparameters,LAP),并进一步利用关键参数(CP)集合及该领先辅助参数(LAP)建立一种有效提升提前预警能力的设备维护预诊断模型。
然而在进行设备维护预诊断模型建模的时候,习知技术须累积一定量的监控数据与维修纪录方能开始建模。但新机器设备导入预诊断系统初期,工程师往往无法快速且有效地从少量且不具备维修纪录的监控数据中找出重要参数并建立预测模型。因此,需提供一种智能型预诊断与健康管理系统的建模方法及其电脑程序产品,以克服上述习知技术的缺点。
发明内容
本发明的目的之一,在于解决新机器设备导入预诊断系统初期,难以通过少量且不具备维修纪录的监控数据中找出重要参数并建立预测模型的缺点。
本发明的另一目的,在于通过双分支建模方法,依自适性优化机制从双分支模型中挑选最佳方案(golden model)进行最佳化决策,使得预诊断与健康管理系统的预测结果符合预期目标值。
为了达到上述目的,本发明提供一种智能型预诊断与健康管理系统的建模方法,该方法通过一内建有多个参考假设模型的智能型预诊断和健康管理系统进行。该建模方法包括:
(步骤S1)新树建立步骤,根据一待监控机器定义出至少一分析树节点(Object),每一分析树节点(Object)经由至少一监控点以取得一监控数据;
(步骤S2)双分支建模步骤,在一分支1实施一数据前处理步骤a,以将该监控数据转换为一指定特征格式并进行一相似度分析,以从该些参考假设模型中挑选相似度最高且超过一指定门槛的参考假设模型作为该分析树节点的一分支1预测假设模型;同时在一分支2对该监控数据实施一数据前处理步骤b,以利用一因果关系检定确认该分析树节点(Object)所对应的一关键参数(CP)以及多个相关参数(AP),并建构一适用在该待监控机器的假设模型以作为该分析树节点的一分支2预测假设模型;以及
(步骤S3)模型自适性优化步骤,随着该监控数据不断地产生,在该分析树节点(Object)进行一“机器是否无法继续维运”的判断结束后,倘若该判断的结果为“是”,则从该双分支建模步骤所建构的该分支1预测假设模型或该分支2预测假设模型之中挑选一最佳方案作为该分析树节点(Object)最佳化决策的基准,此基准为下一次预测使用,并令智能型预诊断和健康管理系统的预测结果符合预期目标值。
进一步地,在该新树建立步骤中,该待监控机器可为一不具维修纪录的新机器。
进一步地,在该双分支建模步骤的分支1中,该指定特征格式可具有与该参考假设模型建模前相同的特征格式。
进一步地,在该模型自适性优化步骤指定该最佳方案后,还可包括将该监控数据转换为该指定特征格式并更新至该智能型预诊断和健康管理系统内建的该些参考假设模型中。
进一步地,在该模型自适性优化步骤中,还可包括获取至少一维修纪录,该组维修纪录包含至少一个该监控点的维修状态值,使该监控数据与该维修纪录为一对一的关系。
进一步地,在该双分支建模步骤的分支1中,该相似度分析可采用至少一选自由欧基里德距离(Eucledian Distance)、马哈拉诺比斯距离(Mahalanobis Distance)、曼哈顿距离(Manhattan Distance)、马可夫斯基距离(Minkowskidistance)、余弦相似度(CosineSimilarity)及其组合作为该相似度分析的一量化方法。
进一步地,在该双分支建模步骤的分支1中,当该相似度分析的结果未超过该指定门槛时,可先以一由该分支2所确认的该关键参数(CP)以及该些相关参数(AP)所组成的特征矩阵作为该分支1预测假设模型建模的基础,并在模型自适性优化步骤中取得一维修纪录标签后,依一监督式学习方法重建该分支1预测假设模型。
进一步地,该监督式学习方法可包括至少一选自由支持向量机(support VectorMachine;SVM)、回归分析(Regression)、随机森林(Random Forest)及其组合所组成的群组。
进一步地,在该模型自适性优化步骤中,当该分支1预测假设模型连续m次优于该分支2预测假设模型时,可设定该分支1预测假设模型为该最佳方案;当该分支1预测假设模型连续m次未优于该分支2预测假设模型时,则可指定该分支2预测假设模型为该最佳方案。
进一步地,在该模型自适性优化步骤中,m值可为一大于2的正整数。
本发明还提供一种智能型预诊断与健康管理系统的电脑程序产品,在执行该电脑程序产品时可完成上述的智能型预诊断与健康管理系统的建模方法。
是以,本发明可从少量且不具备维修纪录的分析树节点监控数据开始分析,找出重要参数并利用分析树节点双分支建模来建立预测模型。随着分析树节点监控数据与相应的维修纪录不断地增加,通过模型自适性优化步骤,从分析树节点双分支模型挑选最佳方案(golden model)进行最佳化决策,分析并得知重要的监控参数对于机器运作状态的影响程度,进而找出当下最佳的零件维修与更换时机,以确保生产机器的工艺稳定及提高产能与稼动率。
附图说明
图1A为本发明一实施例的智能型预诊断系统架构图。
图1B为本发明一实施例的智能型预诊断系统建模方法的流程图。
图2A至图2B为本发明一实施例的数据前处理步骤a与数据前处理步骤b的流程图。
图3A至3B为本发明一实施例的相似度分析步骤与领先辅助参数分析步骤的流程图。
图4为本发明一实施例的模型自适性优化步骤的流程图。
具体实施方式
涉及本发明的详细说明及技术内容,现就配合附图说明如下:
图1A为本发明一实施例的智能型预诊断系统架构图,该智能型预诊断和健康管理(SPHM)系统10至少包括一分析引擎服务管理(analytic engine service manager,AESM)模组20、一智能预测及健康管理物件分析树(SPHM-OAT)模组30、一机器学习库模组40以及一档案系统模组50。
为了使本发明的系统的应用更具扩展性,上述的智能型预诊断和健康管理系统10可进一步包括一扩充模组,该扩充模组连接该智能预测及健康管理物件分析树模组30,且该扩充模组可包括一第一可交换应用程序界面60a、一第二可交换应用程序界面60b以及一可交换驱动程序界面60c,其中该第一可交换应用程序界面60a用以连接一外部机器学习模组70,该第二可交换应用程序界面60b用以连接一外部参考模型模组80,而该可交换驱动程序界面60c则用以连接一外部数据收集驱动装置(EDCD)90来取得设置在一待监控机器设备的数据库91的原始数据。
该分析引擎服务管理模组20为本发明智能型预诊断和健康管理系统10的核心,可控管该智能预测及健康管理物件分析树(SPHM-OAT)模组30中各部件的状态。
该智能预测及健康管理物件分析树模组30连接该分析引擎服务管理模组20,并包括多个分析树(OAT),每一分析树(OAT)包括多个分析树节点(Object),每一分析树节点(Object)则分别对应一关键参数(CP)以及多个相关参数(AP),并由指定的一健康指标(SPHMHealth Indicator,SPHM-HI)适时地反映分析树各节点的健康状态,做好提前预警与健康管理。该健康指标(SPHM-HI)为可扩充式,基本项目举例可包括故障预防与判断功能(Next N-Run Fail,NRF)指标、设备关键零组件剩余寿命估计(Remaining UsefulLife,RUL)指标、一般健康指标(Health Indicator,HI)以及其他类似相关的健康指标,由于该些健康指标的功能、种类、实际量化与分析方式为熟悉此技艺的人士所熟知,故不在此赘述。
该些关键参数(CP)以及相关参数(AP)的数据来源可为感应器取得的信息、也可为由该些分析树节点(Object)的关键参数(CP)及其他相关参数(AP)聚合而成。每一分析树节点由一物件控制表(OCB)与之连接,该些物件控制表是用来储存对应的该分析树节点在分析过程中的运算结果,并且具有定期备份以及还原的效果。如此一来,若在分析过程中发生灾难事件,通过该些物件控制表即可快速进行回复作业,从上一次的检查点取得该分析树节点的状态,再以递回的方式,从兄弟节点(sibling node)往父节点(parent node),由下而上地持续进行阶层式集成运算分析直到位在最高阶层的分析树节点(即,根(root))分析完成为止。
据此,在监控数据来源正确且关键参数(CP)及相关参数(AP)的选择也正确的前提下,本发明的智能型预诊断和健康管理系统10可通过该些分析树节点适时地反映该些分析树节点的健康状态,做好提前预警与健康管理。
该智能预测及健康管理物件分析树(SPHM-OAT)模组30除了管理上述代表着对应多类机器的该些分析树外,也负责该些分析树节点上的工作流程管理。所谓的“工作流程”是由一映射表负责管理,且可包括堆迭而成的数据前处理层(data preprocessinglayer)、数据假设层(data hypothesis layer)以及数据整体学习层(data ensemblelayer),该工作流程的层次、顺序与实际工作内容可根据需求而调整,并不仅限于上述内容。
该映射表通过表格驱动(table driven)机制运作,从表格中依预先设定的工作方法,从与该智能预测及健康管理物件分析树模组30连接的该机器学习库模组40中挑选出至少一种适当的演算法给上述如数据前处理层、数据假设层或数据整体学习层等工作流程使用。举例来说,适用在数据前处理层的演算法可包括特征选取(feature selection)演算法或特征萃取(feature extraction)演算法等具备特征挑选能力的演算法;适用在数据假设层的演算法可包括回归(regression)演算法、自回归移动平均模型(autoregressiveintegrated moving average model,ARIMA)演算法、相对强弱指数(relative strengthindex,RSI)演算法或其他具备预测能力的演算法;而数据整体学习层的工作方法则是通过构建一组由该映射表指定的多个假设模型来进行投票或依照当前该分析树指定的阶层式集成运算。除此之外,该分析引擎服务管理模组20亦根据该映射表的机制以对每个分析树的该工作流程进行控制。
该档案系统模组50可作为系统将档案写回及/或储存档案的场所,上述的“档案”,举例可包括该智能预测及健康管理物件分析树模组30中该些分析树生命周期的量化分析信息、或者预设的参考假设模型集在建模前的特征样本数据集、或者计算过程中系统发生故障时的备援数据、或者各分析树节点所属的参考假设,以在必要时提供该智能预测及健康管理物件分析树模组30所要求的信息。
必要时本发明的系统可通过该扩充模组连接外部装置进行扩充,举例来说,当现有的该机器学习库模组40的数据不足时,可通过该扩充模组的该第一可交换应用程序界面60a连接该外部机器学习模组70以扩充既有的该机器学习库模组40功能;或者,可通过该扩充模组的该第二可交换应用程序界面60b连接该外部参考模型模组80以扩充该智能预测及健康管理物件分析树模组30的该映射表的假设模型指标并参与手动模式的外部假设模型的选择与布署;又可通过该扩充模组的该可交换驱动程序界面60c以连接一外部数据收集驱动装置90,该外部数据收集驱动装置90连接该外部数据库91,故可通过该外部数据收集驱动装置90取得储存在该待监控机器设备的该外部数据库91的原始数据。
接下来,将通过一实例说明本发明的智能型预诊断与健康管理系统的建模方法。
首先,在新机器导入本发明的智能型预诊断与健康管理系统初期,从无到有地累计n笔不具备维修纪录的该分析树节点(object)的监控数据,该些监控数据可为原始数据(raw data),且每一笔监控数据包括了多个监控参数。
完成上述的初始化设定后,开启该分析树节点(object)的双分支建模模式。请搭配参考图1B、图2A及图2B,该分析树节点(object)的双分支建模分别为分支1预测假设模型建模以及分支2预测假设模型建模。
分支1预测假设模型建模
本发明的分支1建模的流程包括:步骤200a的数据前处理步骤a以及步骤300a的相似度分析步骤,并根据上述两步骤以进行接下来的步骤400a,即分支1预测假设模型的建模及预测。
步骤200a的数据前处理步骤a是将新机器的该分析树节点(object)的监控数据转换为与该智能型预诊断和健康管理系统10内建参考假设模型建模前相同的特征格式。
步骤300a的相似度分析步骤则以该映射表内建的参考假设模型指标做为参考,并依据每一参考假设模型建模前的特征数据样本,依相似度指标挑选建模特征相似度超过门槛值的该参考假设模型作为该分析树节点(object)的“分支1预测假设模型”(步骤400a)。
步骤300a的相似度分析是通过计算特征距离来量化相似度,并由内建的参考假设模型中挑选出与某一参考假设模型的建模特征相似度最高的假设模型以作为该分析树节点(object)的分支1预测假设模型。在此步骤中,各种不同空间的特征距离计算方法都可以用来量化相似度,其技术为熟悉此技艺的人士所熟知,故不在此赘述。
然而,倘若该新机器的该监控数据在经过转换后的特征数据与该智能型预诊断和健康管理系统10中内建的参考假设模型建模前的特征数据间相似度指标值皆低于指定门槛值时,表示该智能型预诊断和健康管理系统10中内建的参考假设模型没有适用在该新机器的假设模型。那么,将会暂时进行分支2的步骤300b的领先辅助参数分析步骤所取得的该关键参数(CP)与该些相关参数(AP)所组成的特征矩阵作为该分析树节点(object)的分支1预测假设模型(步骤400a)建模步骤的特征。待执行模型自适性优化步骤(步骤500)并取得维修纪录标签(labels)后,再依监督式学习(supervised learning)方法重建该分析树节点(object)的分支1预测假设模型。最后再新增一假设模型,在一智能型预诊断与健康管理(SPHM)物件容器内,该智能型预诊断与健康管理(SPHM)物件容器置入在该智能预测及健康管理物件分析树模组30的映射表中,并将该智能型预诊断与健康管理(SPHM)物件容器所对应的建模的特征样本数据储存在该档案系统模组50,即可完成分支1的预测假设模型的自动扩充。涉及前文所提到的监督式学习方法,一般常见的有支持向量机(support vectormachine,SVM)、回归分析(regression)与随机森林(randomforest)等,上述方法的功能、种类、实际量化与分析方式为熟悉此技艺的人士所熟知,故不在此赘述。
分支2预测假设模型建模
本发明的分支2预测假设建模流程包括以下步骤:步骤200b的进行数据前处理步骤b以及步骤300b的领先辅助参数分析步骤,并根据上述两步骤以进行接下来的步骤400b,即分支2预测假设模型的建模及预测。
步骤200b是利用数据清理步骤(请参考图2B的步骤210b)将该分析树节点(object)的监控数据处理成可以使用的状态。上述的数据清理步骤包含但不限于:数据对齐、遗漏值(missing value)处理、错误数据修正及其他类似相关步骤,其功能、种类与实际作业方式为熟悉此技艺的人士所熟知,故不在此赘述。
随后进行统计特征处理步骤(请参考图2B的步骤220b)以及混合特征处理步骤(请参考图2B的步骤230b),依统计方法,例如:最大值、最小值、平均值、变异数、峰态、偏态等,生成各项统计特征;以及依特征萃取(feature extraction)方法,如主成份分析(principalcomponents analysis,PCA)、独立成份分析(independent componentsanalysis,ICA)等,生成各种线性转换特征;依机器学习方法(machine learning),如类神经网路(neural networks,NNs)演算法、套索演算法(least absolute shrinkage andselection operator;LASSO)等生成混和特征并获得一特征集合。
接下来,依照步骤300b所述地进行领先辅助参数分析步骤。先将所搜集到的该特征集合分为关键参数集合及非关键参数集合。并依因果关系检定,例如,格兰杰因果关系检定(Granger causality test)找出该新机器的该分析树节点(object)的关键参数(CP)的有效领先辅助参数(leading associated parameters,LAP)。
涉及上述的关键参数(CP)、有效领先辅助参数(LAP),简单来说,一关键参数(CP)的变动由一有效领先辅助参数(LAP)引起,即该有效领先辅助参数(LAP)对于该关键参数(CP)具有领先反应的能力。随后再以譬如回归模型(regression model)、ARIMA模型(autoregressive integrated moving average model)等趋势建模技术(trend modelingtechniques)来建立预测假设模型,再以集成学习(ensemble learning)构建该分析树节点(object)的分支2预测假设模型。最后再新增一假设模型在一智能型预诊断与健康管理(SPHM)物件容器内,该智能型预诊断与健康管理(SPHM)物件容器置入在该智能预测及健康管理物件分析树模组30的该映射表中,并将该智能型预诊断与健康管理(SPHM)物件容器所对应的建模的特征样本数据储存在该档案系统模组50,即可完成该分析树节点(object)的分支2预测假设模型自动扩充。上述的特征生成、特征转换、趋势建模技术、回归模型、ARIMA模型与集成学习等方法,已为习于此技艺的人士所熟知,故不在此赘述。
双分支建模实施例
请续参考图1B,其绘示依照本发明的一实施例的智能型预诊断系统的建模方法的流程图。在此实施例中假设过往的训练经验中分支2为最佳方案,故第一步的步骤110中,将会依据过往的训练经验而优先指定分支2预测模型为最佳方案(golden model)。
接着执行步骤120,获取一新机器设备的该些分析树节点(Object)的前n笔监控数据集X,其中每一组分析树节点(Object)的监控数据X中包含有多个监控值xij,其中i是用以指出第i个监控参数,j是用以指出第j笔监控数据。该些分析树节点(Object)的监控数据X以一对一的方式对应至监控点i。
下一步实施双分支建模的数据前处理步骤200a与200b。上述的分析树节点(Object)双分支的数据前处理步骤200a与200b的目的在于过滤无效或无影响力的监控数据,并将可使用的监控数据转换为适用在分支1及/或适用在分支2后续步骤的数据格式。举例来说,一MOCVD机器上的微粒过滤器上的感测器可通过该数据前处理步骤200a将监控数据转换为适用在后续相似度分析步骤300a的数据格式;或通过该数据前处理步骤200b将监控数据转换为后续适用找寻领先辅助参数分析步骤300b的数据格式。
以下分别说明分支1的该前处理步骤200a与分支2的该前处理步骤200b。
涉及该前处理步骤200a请搭配参考图2A。首先实施步骤210a以从该智能型预诊断和健康管理系统中预存的假设模型中挑选出一组建模前实施特征工程后的特征矩阵。其次,将步骤200a所取得的监控数据转换为与上述建模前实施特征工程后的特征矩阵相同格式的特征矩阵(即,步骤220a)。
至于该前处理步骤200b请参考图2B。首先,实施步骤210b以进行如前文所描述的数据清理步骤。其次,实施一统计特征处理步骤220b及一混和特征处理步骤230b。最后,实施步骤240b将所有特征置于特征池内以做为下一阶段中该领先辅助参数分析步骤300b的基础。
接下来说明分支1的相似度分析步骤300a与分支2的领先辅助参数分析步骤300b。
请续搭配参照图3A,为本发明一实施例分支1的该相似度分析步骤300a流程图。分支1的该相似度分析步骤300a的目的是为了了解在本发明的智能型预诊断和健康管例系统中预存的假设模型中是否存在合适分析该新机器设备的假设模型(步骤330a)。通过上述的相似度分析,若预存的假设模型中存在某一个假设模型建模前的特征集与特定该分析树节点(Object)的监控数据转换后的特征矩阵的相似度不仅高于指定门槛值、且空间距离也最相近的情况下,表示该假设模型适于该新机器特定的该分析树节点(Object)的预测(步骤350a)。适用在该相似度分析步骤300a的量化方式举例可包括欧基里德距离(EucledianDistance)、马哈拉诺比斯距离(Mahalanobis Distance)、曼哈顿距离(ManhattanDistance)、马可夫斯基距离(Minkowskidistance)、余弦相似度(Cosine Similarity)等。其功能、种类系为熟悉此技艺的人士所熟知,故不在此赘述。
然在另一种情况中,倘若相似度比对结果低于指定门槛值,代表内建的参考假设模型之中不存在适用在该新机器的假设模型。此时,改以如分支2步骤340a、步骤360a所述地,取得该关键参数(CP)与该辅助参数(AP)所组成的特征矩阵(步骤340a),同时指定监督式学习假设方法(步骤360a)用以作为分支1预测建模步骤400a建模的基础。
当步骤400a完成后,即可将该分析树节点(Object)的建模的假设模型指标新增或更新至该智能预测及健康管理物件分析树模组30的该映射表中并完成该分析树节点(Object)的分支1预测假设模型扩充或更新。
请搭配参考图3B,是本发明的一实施例分支2的该领先辅助参数分析步骤300b流程图。该领先辅助参数分析步骤300b包含一设定关键参数步骤310b、一设定特征参数步骤320b、一特征选择步骤330b、一因果分析步骤340b、一辅助参数设定步骤350b及一产生领先辅助参数步骤360b。
首先,该设定关键参数步骤310b与该设定特征参数步骤320b是将该分析树节点(Object)的监控数据经过数据清理后,由一领域专家指定该关键参数(CP),再通过该特征撷取方法将数据转换成统计特征与混合特征(如图2B的步骤220b及230b),由该关键参数(CP)外的其他参数组成一个与该关键参数(CP)最接近的参数。
这些特征组成一个庞大的特征集合,并将该特征集合分类为一关键参数(CP)集合与一个没有关键参数(CP)特征的特征集合。接下来,在该因果分析步骤(步骤340b)中通过格兰杰因果关系检定(Granger Causality Test)找到该关键参数(CP)的有效领先辅助参数(LAP)。
若上述的特征集合过大时,可改由该特征选择步骤(步骤330b),系先选取与该关键参数(CP)相关最高的特征,再进行格兰杰因果关系检定,据此作为该分析树节点(Object)的分支2预测假设模型建模步骤(步骤400b)的基础。
当步骤400b完成后,即可将该分析树节点(Object)建模的假设模型指标新增或更新至该智能预测及健康管理物件分析树模组30的该映射表中并完成该分析树节点(Object)的分支2假设模型扩充或更新。
涉及上述格兰杰因果关系检定步骤400b与分支2假设模型建模步骤400b的分析流程,首先,假设该关键参数(CP)和所选定的一辅助参数(AP)为稳定序列(stationary timeseries)。虚无假设为:“该辅助参数非该关键参数的格兰杰原因”,并建立该关键参数的自回归模型(AR modelon CP),如下式1:
[式1]
CPt=CPt-1+…CPt-m+errort
其中CPt表示在时间t的CP观测值,根据F检定,如果落后期CPt被加入模型后可提高自回归模型的解释力,此落后期将被留在模型中,m表示的是关键参数变量落后期中检定为显著的时间上最早一个,而errort为估计误差项。
加入该辅助参数(AP)的落后期,建立如式2的模型:
[式2]
CPt=CPt-1+…CPt-m+APt-p+APt-p-1+…+APt-q+errort
同样的,根据F检定,当该辅助参数落后期加入模型后可提高模型的解释力时,此落后期将被留在模型中。其中,p代表该辅助参数(AP)变量落后期中检定为显著的时间上最早一个,q则是该辅助参数(AP)变量落后期中检定为显著的时间上最近一个。
如果没有任何该辅助参数(AP)的落后期被留在模型中,无格兰杰因果关系的虚无假设就成立。
如果该辅助参数(AP)与该关键参数(CP)有因果关系,则将该辅助参数(AP)纳入一辅助参数候选集合(associated parameter candidate set)之中。
最后从该辅助参数候选集合的所有辅助参数(AP)以下列两个模型(式3、式4)再做一次F检定,以确认该辅助参数(AP)可以提早多久对该关键参数(CP)的变化产生反应。式3相较于式4而言,多了一期的数据APt-q,因此,当比较式3与式4的结果时可以判断多加的该期的数据是否有差异产生,若有,则代表多加的该期的数据是可资利用的数据。
[式3]
CPt=CPt-1+…+CPt-m+APt-p+APt-2+…+APt-(q-1)+APt-q+errort
[式4]
CPt=CPt-1+…+CPt-m+APt-p+APt-2+…+APt-(q-1)+errort
最后我们选取可以最早反应该关键参数(CP)变化的辅助参数(AP)作为一领先辅助参数(LAP)。
涉及图1B中提到的该模型自适性优化步骤(适性化切换机制,步骤500)的实例请参照图4。
首先,实施步骤510以确认一机器是否无法继续维运。倘若“判断该机器是否无法继续维运”的结果为“是”,则实施步骤520来获取监控点当下的该分析树节点(Object)的监控数据与维修纪录。其中,维修纪录以一对一的方式对应至每一笔监控数据。每一个该分析树节点(Object)具备至少一个监控点,每一笔维修记录yi包含至少一个监控点的维修状态值,以一具体的例子来说,一分析树节点(Object)可代表一有机金属化学气相沉积(metal-organic chemicalvapor deposition,MOCVD)机器,且机器包括有k个监控点,亦即,一个该分析树节点(设备)至少含有一个如电流、电压、震动频率等监测点。
接着,进行步骤530以计算分支1及分支2的模型评估指标(model evaluationindex,MEI),常见的模型评估指标包括但不限于准确率、召回率、F值与ROC曲线下方面积等。
随后,实施步骤540与550以确认该分析树节点(object)的双分支建模模式中是否存在任一分支预测模型的模型评估指标优于另一分支模型。具体而言,上述步骤均与演算相关,在步骤540中根据上述的模型评估指标(MEI)结果,以决定后续步骤550是否使用承袭过去训练经验的最佳方案(本实施例中预设最佳方案为分支2)。
如果分析的结果分支1假设模型的MEI连续m次优于分支2模型时,则实施步骤560,即设定分支1预测模型为该分析树节点(object)的最佳方案(golden model)并开始系统的预诊断分析;但相反的,如果分支1假设模型的模型评估指标并没有连续m次优于分支2模型,则实施步骤570并指定分支2-假设模型为最佳方案并开始系统的预诊断分析,将该分析树节点(object)监控数据转换为与步骤300a相同的特征格式,最后重建分支1的预测模型,将该分析树节点(object)的假设模型指标新增或更新至该智能预测及健康管理物件分析树模组30中的该映射表中以完成分支1假设模型的扩充或更新。
上述实施例可利用电脑程序产品来实现,更具体地,可作为一电脑程序产品并通过一包括有多个指令的系统可读取媒体进行上述实施例中的步骤而实现。
该包括有多个指令的系统可读取媒体包括但不限定于软碟、光碟、唯读光碟、磁光碟、唯读记忆体、随机存取记忆体、可抹除可程序唯读记忆体(EPROM)、电子式可抹除可程序唯读记忆体(EEPROM)、光卡(optical card)或磁卡、快闪记忆体或任何适用在储存电子指令的机器可读取媒体。或者,上述的智能型预诊断和健康管理系统10也可作为电脑程序产品下载,并通过诸如网路连线等通讯连接的数据信号从远端转移至本地端电脑。
本发明可有效的利用双分支建模模式,快速地对于仅有少量且不具备维修纪录的新机器开始进行预测分析。且随着监控数据与相应的维修纪录不断地增加,本发明的智能型预诊断和健康管理系统将在每个分析树节点的“是否无法继续维运”的判断为“是”之后,进行分支1及分支2的预测假设模型比对,当确认双分支模型中存在一分支预测模型的模型评估指标连续m次优于另一分支预测模型时,即以较佳的该分支预测模型作为该分析树节点的最佳方案(golden model)并进行最佳决策,使智能型预诊断和健康管理系统的预测结果符合预期目标值。
以上已将本发明做一详细说明,惟以上所述者,仅为本发明的一较佳实施例而已,当不能限定本发明实施的范围。即凡依本发明申请范围所作的均等变化与修饰等,皆应仍属本发明的专利涵盖范围内。
Claims (11)
1.一种智能型预诊断与健康管理系统的建模方法,其特征在于,所述建模方法通过一内建有多个参考假设模型的智能型预诊断和健康管理系统进行,所述建模方法包括:
新树建立步骤,根据一待监控机器定义出至少一分析树节点,每一所述分析树节点经由至少一监控点以取得一监控数据;
双分支建模步骤,在一分支1实施一数据前处理步骤a,以将所述监控数据转换为一指定特征格式并进行一相似度分析,以从多个所述参考假设模型中挑选相似度最高且超过一指定门槛的参考假设模型作为所述分析树节点的一分支1预测假设模型;同时在一分支2对所述监控数据实施一数据前处理步骤b,以利用一因果关系检定确认所述分析树节点所对应的一关键参数以及多个相关参数,并建构一适用在所述待监控机器的假设模型以作为所述分析树节点的一分支2预测假设模型;以及
模型自适性优化步骤,随着所述监控数据不断地产生,在所述分析树节点进行一“机器是否无法继续维运”的判断结束后,倘若所述判断的结果为“是”,则从所述双分支建模步骤所建构的所述分支1预测假设模型或所述分支2预测假设模型之中挑选一最佳方案作为所述分析树节点最佳化决策的基准,令所述智能型预诊断和健康管理系统的一预测结果符合预期目标值。
2.如权利要求1所述的建模方法,其特征在于,在所述新树建立步骤中,所述待监控机器为一不具维修纪录的新机器。
3.如权利要求1所述的建模方法,其特征在于,在所述双分支建模步骤的分支1中,所述指定特征格式具有与所述参考假设模型建模前相同的特征格式。
4.如权利要求3所述的建模方法,其特征在于,在所述模型自适性优化步骤指定所述最佳方案后,还包括将所述监控数据转换为所述指定特征格式并更新至所述智能型预诊断和健康管理系统内建的多个所述参考假设模型中。
5.如权利要求1所述的建模方法,其特征在于,在所述模型自适性优化步骤中,还包括获取至少一维修纪录,所述维修纪录包含至少一个所述监控点的维修状态值,使所述监控数据与所述维修纪录为一对一的关系。
6.如权利要求1所述的建模方法,其特征在于,在所述双分支建模步骤的分支1中,所述相似度分析采用至少一选自由欧基里德距离、马哈拉诺比斯距离、曼哈顿距离、马可夫斯基距离、余弦相似度及其组合作为所述相似度分析的一量化方法。
7.如权利要求1所述的建模方法,其特征在于,在所述双分支建模步骤的分支1中,当所述相似度分析的结果未超过所述指定门槛时,先以一由所述分支2所确认的所述关键参数以及多个所述相关参数所组成的特征矩阵作为所述分支1预测假设模型建模的基础,并在所述模型自适性优化步骤中取得一维修纪录标签后,依一监督式学习方法重建所述分支1预测假设模型。
8.如权利要求7所述的建模方法,其特征在于,所述监督式学习方法系包括至少一选自由支持向量机、回归分析、随机森林及其组合所组成的群组。
9.如权利要求1所述的建模方法,其特征在于,在所述模型自适性优化步骤中,当所述分支1预测假设模型连续m次优于所述分支2预测假设模型时,即设定所述分支1预测假设模型为所述最佳方案;当所述分支1预测假设模型连续m次未优于所述分支2预测假设模型时,则指定所述分支2预测假设模型为所述最佳方案。
10.如权利要求9所述的建模方法,其特征在于,在所述模型自适性优化步骤中,m值为一大于2的正整数。
11.一种智能型预诊断与健康管理系统的电脑程序产品,在执行所述电脑程序产品时完成如权利要求1至10任一项所述的智能型预诊断与健康管理系统的建模方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910104962.4A CN111539546A (zh) | 2019-02-01 | 2019-02-01 | 智能型预诊断与健康管理系统的建模方法及其电脑程序产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910104962.4A CN111539546A (zh) | 2019-02-01 | 2019-02-01 | 智能型预诊断与健康管理系统的建模方法及其电脑程序产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111539546A true CN111539546A (zh) | 2020-08-14 |
Family
ID=71974771
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910104962.4A Pending CN111539546A (zh) | 2019-02-01 | 2019-02-01 | 智能型预诊断与健康管理系统的建模方法及其电脑程序产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111539546A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08314875A (ja) * | 1995-03-14 | 1996-11-29 | Mitsubishi Electric Corp | 協調分散処理方法、および分散共有メモリ監視装置、分散共有メモリネットワーク追跡装置、分散共有メモリネットワーク設定支援装置 |
CN101126929A (zh) * | 2007-09-05 | 2008-02-20 | 东北大学 | 连采机远程实时故障预测及诊断方法与装置 |
US20110040441A1 (en) * | 2009-08-14 | 2011-02-17 | Thales | Device for system diagnosis |
CN105260823A (zh) * | 2015-09-23 | 2016-01-20 | 中广核核电运营有限公司 | 一种重大设备健康状态的评估方法及系统 |
CN105259758A (zh) * | 2015-10-22 | 2016-01-20 | 西安西热电站信息技术有限公司 | 基于海量历史数据火电机组运行参数智能在线寻优方法 |
CN108241343A (zh) * | 2016-12-24 | 2018-07-03 | 青岛海尔模具有限公司 | 一种智能工厂管理平台系统 |
CN108829933A (zh) * | 2018-05-22 | 2018-11-16 | 北京天泽智云科技有限公司 | 一种半导体制造设备的预测性维护与健康管理的方法 |
-
2019
- 2019-02-01 CN CN201910104962.4A patent/CN111539546A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08314875A (ja) * | 1995-03-14 | 1996-11-29 | Mitsubishi Electric Corp | 協調分散処理方法、および分散共有メモリ監視装置、分散共有メモリネットワーク追跡装置、分散共有メモリネットワーク設定支援装置 |
CN101126929A (zh) * | 2007-09-05 | 2008-02-20 | 东北大学 | 连采机远程实时故障预测及诊断方法与装置 |
US20110040441A1 (en) * | 2009-08-14 | 2011-02-17 | Thales | Device for system diagnosis |
CN105260823A (zh) * | 2015-09-23 | 2016-01-20 | 中广核核电运营有限公司 | 一种重大设备健康状态的评估方法及系统 |
CN105259758A (zh) * | 2015-10-22 | 2016-01-20 | 西安西热电站信息技术有限公司 | 基于海量历史数据火电机组运行参数智能在线寻优方法 |
CN108241343A (zh) * | 2016-12-24 | 2018-07-03 | 青岛海尔模具有限公司 | 一种智能工厂管理平台系统 |
CN108829933A (zh) * | 2018-05-22 | 2018-11-16 | 北京天泽智云科技有限公司 | 一种半导体制造设备的预测性维护与健康管理的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20200250584A1 (en) | Modeling method for smart prognostics and health management system and computer program product thereof | |
TWI667660B (zh) | Intelligent pre-diagnosis and health management system modeling method and computer program product | |
US8036999B2 (en) | Method for analyzing and classifying process data that operates a knowledge base in an open-book mode before defining any clusters | |
KR101825881B1 (ko) | 빅 데이터 분석을 이용한 제조 공정 관리 방법 및 이를 이용한 제조 공정 관리 시스템 | |
CN108762228A (zh) | 一种基于分布式pca的多工况故障监测方法 | |
CN111178553A (zh) | 一种基于arima和lstm算法的工业设备健康趋势分析方法及系统 | |
US20200250897A1 (en) | Intelligent prognostics and health management system and method | |
JPH06170696A (ja) | 工具寿命と予測工具摩耗の診断用のリアル・タイム・エキスパート・システムを使用するシステムと方法 | |
CN117110748A (zh) | 一种基于融合终端的变电站主设备运行状态异常检测方法 | |
CN116992346A (zh) | 一种基于人工智能大数据分析的企业生产数据处理系统 | |
CN117114454A (zh) | 一种基于Apriori算法的直流套管状态评估方法及系统 | |
KR101960755B1 (ko) | 미취득 전력 데이터 생성 방법 및 장치 | |
CN113497725A (zh) | 告警监控方法、系统、计算机可读存储介质及电子设备 | |
CN111539546A (zh) | 智能型预诊断与健康管理系统的建模方法及其电脑程序产品 | |
CN110197289B (zh) | 一种基于大数据的节能设备管理系统 | |
Borissova et al. | A concept of intelligent e-maintenance decision making system | |
CN114819925B (zh) | 基于事件序列分析预测的工业物联网系统及其控制方法 | |
US20200310897A1 (en) | Automatic optimization fault feature generation method | |
Bey-Temsamani et al. | A practical approach to combine data mining and prognostics for improved predictive maintenance | |
CN114168409A (zh) | 一种业务系统运行状态监控预警方法与系统 | |
Mbuli et al. | Root causes analysis and fault prediction in intelligent transportation systems: coupling unsupervised and supervised learning techniques | |
Chen et al. | Integrated group-based valuable sensor selection approach for remaining machinery life estimation in the future industry 4.0 era | |
CN118012479B (zh) | 一种基于预估方式的数字孪生实时更新方法、介质及系统 | |
Meidan et al. | Data mining for cycle time key factor identification and prediction in semiconductor manufacturing | |
CN117578481B (zh) | 一种电压暂降预估模型建立方法、介质及系统 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200814 |
|
WD01 | Invention patent application deemed withdrawn after publication |