CN111567022B - 使用移动设备和云计算机的机器诊断 - Google Patents

使用移动设备和云计算机的机器诊断 Download PDF

Info

Publication number
CN111567022B
CN111567022B CN201880084711.8A CN201880084711A CN111567022B CN 111567022 B CN111567022 B CN 111567022B CN 201880084711 A CN201880084711 A CN 201880084711A CN 111567022 B CN111567022 B CN 111567022B
Authority
CN
China
Prior art keywords
machine
mobile device
operating state
signal
state
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
CN201880084711.8A
Other languages
English (en)
Other versions
CN111567022A (zh
Inventor
H.克劳森
P.R.K.库鲁甘蒂
T.崔
G.斯特拉克
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.)
Siemens AG
Original Assignee
Siemens AG
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 Siemens AG filed Critical Siemens AG
Publication of CN111567022A publication Critical patent/CN111567022A/zh
Application granted granted Critical
Publication of CN111567022B publication Critical patent/CN111567022B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F15/00—Digital computers in general; Data processing equipment in general
    • G06F15/76—Architectures of general purpose stored program computers
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G06F18/2193—Validation; Performance evaluation; Active pattern learning techniques based on specific statistical tests
    • 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
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04M—TELEPHONIC COMMUNICATION
    • H04M1/00—Substation equipment, e.g. for use by subscribers
    • H04M1/72—Mobile telephones; Cordless telephones, i.e. devices for establishing wireless links to base stations without route selection
    • H04M1/724—User interfaces specially adapted for cordless or mobile telephones
    • H04M1/72403—User interfaces specially adapted for cordless or mobile telephones with means for local support of applications that increase the functionality
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04M—TELEPHONIC COMMUNICATION
    • H04M1/00—Substation equipment, e.g. for use by subscribers
    • H04M1/26—Devices for calling a subscriber
    • H04M1/27—Devices whereby a plurality of signals may be stored simultaneously
    • H04M1/274—Devices whereby a plurality of signals may be stored simultaneously with provision for storing more than one subscriber number at a time, e.g. using toothed disc
    • H04M1/2745—Devices whereby a plurality of signals may be stored simultaneously with provision for storing more than one subscriber number at a time, e.g. using toothed disc using static electronic memories, e.g. chips
    • H04M1/2753—Devices whereby a plurality of signals may be stored simultaneously with provision for storing more than one subscriber number at a time, e.g. using toothed disc using static electronic memories, e.g. chips providing data content
    • H04M1/2755—Devices whereby a plurality of signals may be stored simultaneously with provision for storing more than one subscriber number at a time, e.g. using toothed disc using static electronic memories, e.g. chips providing data content by optical scanning
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04M—TELEPHONIC COMMUNICATION
    • H04M1/00—Substation equipment, e.g. for use by subscribers
    • H04M1/72—Mobile telephones; Cordless telephones, i.e. devices for establishing wireless links to base stations without route selection
    • H04M1/724—User interfaces specially adapted for cordless or mobile telephones
    • H04M1/72448—User interfaces specially adapted for cordless or mobile telephones with means for adapting the functionality of the device according to specific conditions
    • H04M1/72454—User interfaces specially adapted for cordless or mobile telephones with means for adapting the functionality of the device according to specific conditions according to context-related or environment-related conditions
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04M—TELEPHONIC COMMUNICATION
    • H04M2250/00—Details of telephonic subscriber devices
    • H04M2250/52—Details of telephonic subscriber devices including functional features of a camera

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Hardware Design (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Human Computer Interaction (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Paper (AREA)
  • Machine Translation (AREA)

Abstract

一种由移动设备(101)执行的用于确定机器(103)的操作状态的方法，包括测量(S101)机器(103)的信号，将测量的信号应用(S103)于在机器信号和相关联的操作状态上学习的机器学习的分类器或机器学习模型，基于将测量的信号应用于机器学习的分类器或机器学习模型，生成(S105)机器(103)的操作状态，以及输出机器(103)的操作状态。

Description

使用移动设备和云计算机的机器诊断
相关申请的交叉引用
本申请基于在2017年11月27日提交的序列号为62/590,741的临时申请，该申请全部内容通过引用结合于此。
技术领域
以下公开涉及使用便携式智能设备和云计算机来诊断机器。
背景技术
机器可能需要定期维护。可以执行机器的操作状态的诊断来计划维护。未调试的(out of tune)机器可能需要调试以在最佳状态下操作。特定机器可以具有不同于相同类型、类别或型号的其他机器的特定问题或操作特性。
机器可以存在于各种住宅、商业和工业环境中。专家操作员可以前往机器以维修或调试机器，或者通过远程连接指导另一操作员进行维修和调试。
发明内容
在一个实施例中，一种用于确定机器的操作状态的方法包括测量机器的信号，将测量的信号应用于在多个机器信号和相关联的操作状态上学习的机器学习的分类器，基于将测量的信号在该机器学习的分类器上的应用，生成机器的操作状态，以及输出机器的操作状态。
在一个实施例中，一种用于训练用于操作状态的评估的分类器的方法包括检索多个机器信号，存储与多个机器信号中的每个机器信号相关联的多个操作状态，以及基于多个机器信号和多个操作状态，用机器学习来训练分类器。
在一个实施例中，一种用于确定机器的操作状态的移动设备包括：被配置为测量机器的信号的传感器；其上存储有被配置为基于测量的信号生成机器的操作状态的机器学习的分类器的存储器，该机器学习的分类器在多个机器信号和相关联的操作状态上学习；以及被配置为输出机器的操作状态的用户界面。
附图说明
本文参考以下附图描述了本发明的示例性实施例。
图1示出了用于确定机器的操作状态的示例系统。
图2示出了用于诊断和调试机器的示例技术。
图3示出了用于训练分类器和确定机器的状态的示例系统。
图4示出了示例移动设备。
图5示出了用于训练分类器的示例技术。
图6示出了用于确定机器的操作状态的示例技术。
具体实施方式
专家操作员可以手动诊断或手动调试机器。专家可以看、听和感觉机器的操作，以确定机器的操作状态。操作员可以亲自在机器附近或经由远程出席(telepresence)来检查或调整机器。例如，在“人机回路(human in the loop)”的反馈过程中，专家可以检查马达驱动的操作参数，诸如发出的噪声或振动，以确定马达是否处于良好的条件(例如，处于正常操作状态)或需要维护(例如，润滑)。在另一示例中，专家可以改变气体燃烧器的参数，诸如气体流速或空气/燃料混合物，并检查操作参数(诸如噪声或火焰的颜色)的改变，以确定燃烧器是否在其最佳状态下操作。
专家操作员可能会了解机器在操作条件下的独特行为(例如噪声、震动气味)，但在轮班之间或向新操作员传授这些知识可能是有挑战性的或耗时的。使用专家远程或现场诊断或调试机器可能是昂贵的。机器可能位于难以物理上访问的远程地区，或者与互联网或专家远程访问的其他通信渠道的连接有限。可能需要实时执行维护或调试(以及操作状态的评估)，其中大延迟或离线操作可能会负面地影响维护或调试的结果。当小批量生产机器时，可能很少有专家可用于调试、诊断或培训其他操作人员。24小时运行的机器可能总是需要专家待命。
机器的诊断和调试可以由人类专家操作员执行，但是成本很高且可用性低。尽管专家操作员可以远程执行诊断和调试，但机器可能位于(例如，由于安全性)数据使用或远程访问受限的区域。此外，因为专家操作员的远程出席仍然需要专家操作员出现在远程连接的一端，所以远程出席可能具有与专家操作员亲自出现在机器处相同的可用性和成本问题。此外，远程访问可能无法满足诊断和调试的实时要求。例如，对于使用远程访问的专家操作员来说，在调试燃烧器参数的同时听燃烧器的噪声可能是困难的。
专家操作员可以使用移动设备(例如智能手机、智能(smart)设备、智能(intelligent)设备或便携式计算机)来记录要诊断或调试的机器的相关数据。移动设备可以用麦克风、加速度计、磁力计、温度计、热像仪或作为移动设备的部分或与移动设备通信的相机来记录机器的声音、振动、磁场、温度或图像。专家操作员还可以将机器的操作状态的评估作为与(多个)记录的信号相关联的标签输入到移动设备。例如，专家操作员可以将信号标记为与机器的正常操作状态相关联，或与其中机器需要维护(例如润滑)或者其他检修(servicing)的状态相关联。专家操作员还可以输入可以允许记录的信号和标签与特定机器相关联的机器的唯一标识码。
可以将信号、标签和标识码传送到远程计算机(例如，联网服务器或云计算机)。远程计算机可以通过将信号、标签和标识码应用于分类器或机器学习模型来训练分类器或机器学习模型。当被训练时，分类器或机器学习模型能够为不是用于训练分类器或模型的信号之一(例如，“看不见的”信号)的输入信号生成标签。
一旦训练好，可以将分类器或机器学习模型传送到移动设备(或另一设备)用于诊断和调试。操作员(不一定是专家操作员)可以使用移动设备，用于机器的实时诊断和调试。操作员可以向移动设备输入类型、种类、型号或唯一标识码。例如，操作员可以通过提供标识符码、通过对设备上的条形码的扫描、通过设备的定位和房间中的视点、或者通过相机视频在视觉上识别设备来录入该信息。如果训练好的分类器或机器学习模型可用于由输入标识的机器，则移动设备可以加载训练好的分类器或模型。操作员可以通过使用与移动设备通信的传感器来记录来自机器的信号，从而开始机器的诊断或调试。移动设备可以将信号输入到训练好的分类器或机器学习模型，以基于训练期间对信号的专家评估来生成机器的操作状态的标签。训练好的分类器或模型可以在不连接到远程计算机的情况下生成操作状态的标签，因此可以实时确定操作状态，而无需与远程计算机的进一步的数据传送。当标签指示机器的异常操作状态时，标签(例如，与唯一标识符相关)可以用于检索关于如何修理、维护或调试机器(例如，恢复正常操作状态)的信息。为了调试，操作员可以改变机器的参数，并测量机器的另一信号，以接收两个操作状态的适应度(fitness)指标。适应度指标可以是机器的调试的指标。在一些情况下，适应度指标可以是机器的信号或操作状态与调试好的机器的“基本事实(ground truth)”信号或操作状态之间的差别或相似性。例如，操作员可能最初接收到示出观察到的信号与设备的正确调试的基本事实显著不同的60％的适应度指标。当改变参数时，适应度指标可能降低到58％，从而指示参数改变的方向是错误的。在另一方向上改变参数可能使适应度指标增加到92％，指示信号或机器状态与基本事实相似。当参数的进一步改变再次降低适应度指标时，该参数的最佳设置可能已经由先前的设置实现了。在第二优化步骤中，可以修改机器的另一参数，以潜在地进一步增加适应度指标。当达到高适应度指示(例如，高于90％)时，可以认为该设备是良好调试的。以这种方式，操作员可以反复调试机器，直到机器达到期望的或正常操作状态。操作员可以在没有专家实时或远程出席的情况下调试或维护机器。传感器和分类器或机器学习模型可以部署在手机上，允许非专家在远程位置立即诊断和调试机器，而无需专家参与。此外，可以与其他设备(例如，服务团队的设备)共享记录的信号、标签和唯一标识符，以用于其他操作员对机器的维护有深入了解并提出建议。
记录的机器的信号、标签和唯一标识符可以被存储并用于训练分类器或机器学习模型。由于对机器执行的维修、环境或操作条件或者其他因素，特定机器的正常操作状态可能会产生与相同类型、种类或型号的其他机器的正常操作状态不同的信号。可以将记录或记录的信号、标签和唯一标识符上传到远程计算机，以训练、重新训练或更新分类器或模型，或者为特定机器训练新的分类器或模型。不熟悉特定机器的新操作员可能会确认机器正在正常状态下操作，尽管产生了与其他机器不同(或指示另一机器处于异常操作状态)的信号。附加地或可替代地，在机器的数据上训练的分类器或模型可以基于用于训练分类器或模型的历史信号来确定新信号的适应度指标。通过记录随时间产生的信号中的改变，适应度参数可以在故障前提供早期预警。例如，可以随时间记录振动信号，并且给定操作状态或适应度指标、由训练好的分类器或模型来标识可能指示未来故障可能发生的振动的性质(例如，强度、幅度、振幅或频率的增加)的改变。例如，给定轴承(bearing)中滚珠(ball)的数量和主轴(spindle)的速度，性质的改变可以是轴承的特性光谱带的增加。增加的趋势可以用于预测(例如，基于物理模型)轴承何时需要更换。类似的趋势可以通过使用物理模型或来自现场的一个或多个类似设备的统计故障数据来监控。
图1示出了用于确定机器的操作状态的示例系统。该系统包括移动设备101和将为其确定操作状态的机器103。移动设备101可以是手机、智能手机、便携式计算机或其他便携式设备。移动设备101可以与一个或多个传感器105和数据存储107通信。传感器105可以是移动设备101的部分、连接到移动设备101或者远离移动设备101。移动设备101可以连接到网络109并与远程计算机111通信。远程计算机111可以是云计算机、本地雾计算机、远程数据存储、服务器或其他计算设备。
移动设备101可以放置在机器103附近，以测量机器103的一个或多个信号。附加地或可替代地，传感器105可以被带到机器103附近以测量信号。信号可以是声音、振动、磁场、温度或由传感器105(诸如麦克风、加速度计、磁力计、温度计、热像仪、可见光相机、声学相机、压力传感器、气压计、陀螺仪、地磁传感器、霍尔效应传感器或接近传感器)测量的机器的图像的测量。
移动设备101或传感器105还可以扫描机器103的唯一标识符(例如，条形码、快速响应(quick response，QR)码或另一标识符)。在一些情况下，唯一标识符可以是机器103的物理属性，诸如颜色、位置(例如坐标)或其他属性。附加地或可替代地，操作员可以将机器103的唯一标识符输入到移动设备101中。移动设备101可以使用唯一标识符来选择适应于机器103的分类器或机器学习模型。例如，移动设备101可以使用唯一标识符在表中查找适合于机器103的一个或多个适合的分类器或机器学习模型，并基于该表选择分类器或模型。所选分类器或模型可以适应于机器103的类型、类别或种类。例如，可以在来自机器103的相同类型、类别或种类的机器的信号和标签上训练适应的分类器或模型。附加地或可替代地，所选分类器或模型可以适应于特定机器103。例如，可以在来自机器103的信号和标签上训练所选分类器或模型。
机器103可以是生成可以由传感器105测量的信号的机械(machinery)的任何整体或部分。例如，机器103可以是马达驱动、马达轴承、气体燃烧器、熔炉或其他设备。机器103可以生成一个或多个可以由传感器105测量的信号。例如，机器可能在操作期间产生可以由传感器105测量的噪声、振动或磁场。在另一示例中，机器103可以具有可测量的或者可以由传感器105感测的温度、颜色、形状或外观。附加地或可替代地，机器103的输入或输出可以生成信号。例如，流经机器103的流体生成可以由传感器105测量的信号。在另一示例中，机器的输出轴可以生成可以由传感器105测量的信号。
传感器105可以被配置为测量机器103的信号，并与移动设备101传送该信号。传感器105可以远离移动设备101并与之通信。例如，传感器105可以是手持式的，或者适应于放置在机器103上或附近。在另一示例中，传感器105是与机器103集成的传感器或机器103的部分。传感器105可以是位于例如防爆环境中的封闭设备内的压力、温度或流速传感器。传感器105可以通过有线或无线连接与移动设备101通信。例如，传感器105可以通过Wi-Fi、蓝牙、红外或者其他短距离或长距离无线连接与移动设备105通信。传感器105可以被配置为测量信号持续一段时间。例如，传感器可以测量信号持续5秒、60秒或另一段时间。
传感器105可以是麦克风。在一些情况下，麦克风可以与移动设备101集成。在其他情况下，麦克风可以在移动设备101的外部。例如，麦克风可以在移动设备101的外部，并通过有线或无线连接通信。麦克风可以被配置为测量由机器103产生的声音。例如，麦克风可以测量机器103运行时产生的噪声。可能存在多个麦克风。例如，第一麦克风可以用于测量期望的声音(例如，由机器103产生的声音)，并且第二麦克风可以测量环境(ambient)、背景或环境声音。附加地或可替代地，多个麦克风可以用于波束形成。例如，多个麦克风可以允许仅在感兴趣的方向聚焦以进行监控，从而减少来自其他声源的失真。移动设备101可以通过去除由第一麦克风记录的声音中的任何环境、背景或环境噪声来降低记录信号中的噪声。由麦克风生成的信号可以是由于来自机器的声波通过介质的传播而导致的膜(membrane)或麦克风的其他部分的偏转(deflection)的度量(measure)。
传感器105可以是加速度计。在一些情况下，加速度计可以与移动设备101集成。例如，加速度计可以内置在移动设备101中，使得当加速度计在放置在机器103上、附近或周围时，测量机器103的振动。在其他情况下，加速度计可以在移动设备101的外部。由加速度计生成的信号可以是由于由机器引起的振动而导致的加速度计偏转的度量。
传感器105可以是磁力计。在一些情况下，磁力计可以与移动设备101集成。例如，磁场对移动设备的组件的影响可以用于测量由机器103生成的磁场的强度或其他性质。在其他情况下，磁力计可以在移动设备101的外部。例如，外部磁力计可以允许对可能对操作员或移动设备101有害的高强度磁场的测量。磁力计可以测量到机器101的特定距离处的磁场强度。例如，信号可以包括场强的测量和从测量的位置到机器103的距离的值。由磁力计生成的信号可以是由外部磁场施加在磁力计上的力的度量。
传感器105可以是温度计。在一些情况下，温度计可以与移动设备101集成。在其他情况下，温度计可以在移动设备的外部。例如，温度探头可以测量机器103的温度，并将该温度传输到移动设备。在一些情况下，由温度计生成的信号可以是机器的材料中存在的平均动能的度量。在其他情况下，由温度计生成的信号可以是依赖于温度计的温度的电压的度量。例如，温度计可以是热电偶(thermocouple)。
传感器105可以是热像仪或红外成像仪。成像仪可以被配置为测量来自机器103的热辐射或红外辐射。成像仪可以向移动设备101传输包括温度信息的图像。温度信息可以是空间分辨的。热像仪或红外成像仪可以生成包括由机器生成的红外辐射的强度的空间分辨测量的图像。
传感器105可以是声学相机。传感器105可以被配置为测量具有多个组件的较大设备的时频声学发射的特殊模式。例如，机器103可以是包括诸如泵、马达、轴承和阀的部件的锅炉(broiler)水泵(feed pump)。对于特定的操作的模式，每个部分可以具有其自己的时频特性。例如，声学相机能够使用图像分割方法来检测、区分和跟踪组件及这些组件各自的发射(例如，时频特性、声音或信号)。声学相机可以允许每个组件被单独地建模和监控。当检测到异常信号时，系统可以自动地标识发出异常信号的机器的组件。
传感器105可以是可见光相机。在一些情况下，相机可能是移动设备的部分。例如，相机可以是移动设备101的正面或背面相机。在其他情况下，相机可以远离移动设备101并与移动设备101通信。相机可以被配置为捕获机器103的图像。一个或多个相机可以捕获机器103的多个图像。移动设备101可以组合或处理图像。例如，可以处理图像以去除噪声或隔离机器103的部分或全部。在另一示例中，组合多个图像以确定图像中的深度信息。可以将深度信息添加到每个像素。在由相机生成的图像的每个像素处，相机可以存储由机器反射或辐射的可见光的强度的度量，并且在一些情况下，存储颜色值。
移动设备可以从传感器105接收一个以上的测量。例如，移动设备可以接收来自热相机的热图像和来自相机的(例如，在可见光光谱中的)图像。可以组合或处理信号。例如，移动设备101可以将热图像重叠在来自相机的图像上。组合或处理的信号可以形成分类器或机器学习模型的输入。
数据存储107可以是移动设备101的存储器模块。训练好的分类器或机器学习模型可以存储在数据存储107中。该存储可以托管(host)多个训练好的分类器和模型。移动设备可以基于接收到的信号测量或机器103的唯一标识符来选择特定的分类器或模型。数据存储107可以向移动设备101提供所选分类器或模型。在一些情况下，异常数据的摘录(snippet)、片(patch)或段(piece)可以存储在数据存储107上，用于将来的分析。在一些其他情况下，数据摘录可以在不同的时间存储在数据存储器107上，从而允许对机器103的操作条件的趋势分析。
图2示出了用于诊断和调试机器的示例技术。可以提供额外的、不同的或更少的动作。例如，可以省略动作S107和S109。这些动作可以以任何顺序执行。例如，动作S111可以从动作S105直接进行。这些动作可以由耦合到存储器的处理器来执行。这些动作可以包括存储在存储器中的指令，当执行指令时，使得处理器执行这些动作。例如，移动设备101可以具有配置为执行这些动作的处理器，该处理器具有耦合到其上的存储器。
在动作S101，获取传感器数据。传感器数据可以从作为移动设备的部分或外部的传感器获取。传感器数据可以包括机器的信号或性质的测量。例如，信号数据可以包括机器的声音、振动、磁场、温度或图像的测量。
在动作S103，传感器数据应用于机器训练好的分类器或机器学习模型。训练好的分类器或模型可能已经在机器的一组输入传感器数据和相关联的操作状态上进行了训练。例如，传感器数据的训练可以包括由移动设备测量的机器的信号和由专家操作员评估的操作状态。处理器可以将传感器数据应用于训练好的分类器或模型。
在动作S105，为应用于训练好的分类器或模型的传感器数据生成操作状态。操作状态可以是训练好的分类器或模型的输出。当机器生成由传感器数据测量的信号时，操作状态可以描述机器的操作。例如，操作状态可以指示机器处于正常操作状态或异常操作状态。在一些情况下，可能存在多余一种异常操作状态。例如，异常操作状态可以描述异常的严重程度，诸如轻微异常操作或严重异常操作。
在动作S107，检查是否满足退出标准。退出标准可以是最小操作状态。例如，退出标准可以指定必须生成正常或轻微异常状态来满足退出标准。附加地或可替代地，退出标准可以是通过过程的迭代的最小或最大数量。在一些情况下，如果不满足退出标准，过程可能会重复。例如，当操作员为了最佳或正常操作而调试机器时，操作员可以确定机器处于异常操作状态，并且可以调整机器的参数。可以基于新的传感器数据再次确定具有调整的参数的机器的操作状态。该过程可以重复，直到实现机器的正常操作。退出标准可以是最小操作状态。
在动作S109中，当满足退出标准时，过程可以结束。附加地或可替代地，该过程可以在单次迭代后结束。
在动作S111中，输出指令。指令可以包含关于执行机器的维修、维护或调试的信息。在一些情况下，指令可能对机器的类别、类型、种类或型号是通用的。在其他情况下，指令可能对特定机器是特定的。指令可以基于机器的唯一标识符。
可以在机器上执行维修、维护或调试操作。例如，操作员可以基于在动作S111中输出的指令来尝试修理机器。维修或操作可能涉及改变机器的参数。例如，可以根据指令调整燃烧器的空气/燃料比或气体流速。
当执行修理或操作时，在动作S101中可以获取新的传感器数据。在动作S103中，可以将新的传感器数据应用于训练好的分类器或模型，并且在动作S105中，可以生成机器的更新的操作状态。可以在动作S107中检查退出标准(例如，机器在正常操作状态下操作)，以验证修理或操作恢复了机器的操作。如果修理或操作没有充分修复机器，可以执行另一次迭代。在一些情况下，在第一次迭代后，在动作S111中不输出新的指令。在其他情况下，在动作S111中输出新的指令。例如，指令可以遍历(step through)故障树，并标识其他组件，供操作员检查、维修或调整。
图3示出了用于训练分类器和确定机器的状态的示例系统。该系统包括与服务器303通信的移动设备301。移动设备301可以是图1的移动设备101或图4的移动设备401。服务器303可以是远程计算机111。通信可以穿过诸如网络109的网络连接。
移动设备301可以具有传感器接口305和用户界面307。传感器接口305可以被配置为接受、要求或检索传感器数据309。一个或多个传感器105可以生成传感器数据。传感器数据309可以是机器的信号或性质的度量。在一些情况下，传感器数据309可以包括机器的唯一标识符。在一些其他情况下，传感器数据309可以在移动设备301内生成，例如，作为现成的集成传感器组的部分。用户界面305可以接受来自用户或操作员的输入并向用户或操作员显示信息。用户界面305可以被配置为接受传感器数据标签311。标签311可以指示生成传感器数据时机器的操作状态。
在分类器或机器学习模型的训练期间，传感器数据309由传感器接口305获取。传感器接口可以与传感器通信。传感器接口305可以包括放大器和其他电路组件。传感器接口305可以包括软件组件。软件组件可以是可由通用或专用处理器执行以实现传感器接口的指令。
用户(例如，专家操作员)可以以用户界面307标记传感器数据309。例如，每条传感器数据309或多组传感器数据309可以由专家操作员分配数据标签311。当获取传感器数据309时，传感器数据标签311可以指示机器的操作状态。例如，传感器数据标签311可以指示机器的正常或异常操作状态。在另一示例中，传感器数据309可以指示机器需要特定检修。可以将传感器数据309和相关联的标签311传送到服务器303。
服务器303可以包括数据存储313和离线训练节点319。数据存储313可以包括传感器数据存储315和机器学习模型存储317。数据存储313和离线训练节点319可以由耦合到存储器的处理器实现。例如，数据存储313可以存储传感器数据存储315和机器学习模型存储317的信息。服务器303的处理器可以将数据传入和传出数据存储313。在另一示例中，离线训练节点319可以包括可由服务器303的专用或通用处理器执行以实现离线训练节点319的指令。
在训练期间，数据存储313可以接收传感器数据309和相关联的标签311。在一些情况下，传感器数据存储315可以存储传感器数据309和相关联的标签311。服务器303可以实现访问控制以保护存储的传感器数据309、标签311以及分类器或机器学习模型。访问控制可以确保只有授权的移动设备或用户可以访问存储在服务器303上的内容。
为了训练分类器或机器学习模型，离线训练节点319可以从机器学习模型存储317中调用分类器或模型，并且从传感器数据存储315中调用传感器数据309和标签311。在一些情况下，分类器或模型可能未经训练。
离线训练节点319通过应用成对的传感器数据309和相关联的标签311来训练分类器或模型。通过应用成对的数据309和标签311，分类器或模型学习将传感器数据309的输入段与机器的操作状态的输出标签311进行映射。离线训练节点319可以使用一种或多种技术来训练分类器或机器学习模型。例如，离线训练节点319可以使用相互依赖分析(mutualinterdependence analysis，MIA)或多元高斯混合模型(multivariate Gaussian mixturemodel，MGMM)。在一些情况下，MIA可以用于处理分类器或机器学习模型的输入。例如，MIA可以提取输入传感器数据的最佳表示。也就是说，MIA从一组输入表示中提取高维公共表示，诸如从设备的操作的正常模式中提取一组功率谱密度。在其他情况下，MGMM可以用于处理分类器或机器学习模型的输入。例如，MGMM可以将输入的传感器数据分成段(segment)或片，使输入适应模型，并将适应的模型用作分类器或机器学习模型的输入。其他模型可以包括深度神经网络分类器、随机森林分类器或时间模型，诸如递归神经网络或隐马尔可夫模型。一旦训练好，可以将训练好的分类器或机器学习模型传送到机器学习模型存储317。
训练好的分类器或模型可以与描述训练数据集的元信息一起存储。在一些情况下，元数据包括生成由传感器数据309测量的信号的一个或多个机器的类型、种类、型号或唯一标识符。这可以允许在类似的机器上使用训练好的分类器或模型，以基于不是训练集的部分的传感器数据309和标签311来生成操作状态。使用在来自与要被诊断或调试的第二机器类似的机器的数据上训练好的分类器或模型可以提高第二机器的生成的操作状态的准确性。
将训练好的分类器或模型传送到移动设备301。可以在诊断或调试机器之前传送训练好的分类器或模型。以这种方式，在移动设备301上执行传感器数据309和标签311(例如，以及唯一标识符)的记录，由服务器303远程地执行训练，并且可以在移动设备301上执行机器的操作状态的确定，而无需任何进一步的数据传送(例如，在移动设备301和服务器303之间没有连接)。在移动设备301上，训练好的分类器或模型可以用于确定另一机器的操作状态。因为训练好的分类器或模型存储在移动设备301的本地，所以可以实时生成另一机器的操作状态，而无需与服务器303的额外通信。在移动设备301连接到服务器303和从服务器303断开的情况下，可以周期性地更新存储在服务器上的一个或多个训练好的分类器或模型，或者添加新的训练好的分类器或模型。
在示例中，为了生成机器的操作状态，用户可以输入待诊断或调试的机器的类型、品牌或型号。移动设备301可以基于输入来确定训练好的分类器或模型对于特定类型或种类的机器是否可用。当训练好的分类器或模型对于机器可用时，移动设备301可以加载训练好的分类器或模型。在一些情况下，当训练好的分类器或模型可用于特定机器、但是训练好的分类器或模型没有存储在移动设备301上，而是存储在机器学习模型存储317上时，移动设备301可以请求并下载适当的训练好的分类器或模型。加载训练好的分类器或模型后，操作员可以开始机器的诊断或调试。移动设备301的传感器可以基于机器的操作生成传感器数据309。移动设备301将传感器数据309输入到加载的分类器或机器学习的模型中。训练好的分类器或模型的输出是与在分类器或模型的训练过程期间、由专家评估的标签相对应的机器的操作状态的标签。附加地或可替代地，可以输出表示传感器数据309与机器的正常操作状态或与机器的最佳调试的状态的相似性的适应度指标。例如，适应度参数可以表示为百分比适应度。在机器的实时诊断或调试期间，移动设备301可以在不连接到服务器303的情况下执行操作状态的确定。因为输入传感器数据309和相关联的标签311编码在在诊断或调试之前加载到移动设备301上的训练好的分类器或模型中，所以在没有到服务器(或例如，互联网)的连接的情况下，对操作状态的确定是可能的。
图4示出了示例移动设备401。移动设备401可以包括与网络接口405、传感器407、存储器409、用户界面411和位置电路413连接的处理器403。可以提供额外的或更少的组件。例如，移动设备401可能缺少位置电路413。
移动设备401可以是手机、智能手机、移动计算机或其他移动或便携式计算设备。移动设备401可以是可重新配置的。例如，可以在移动设备401上加载执行机器的诊断或调试的应用(例如，图2的方法)。
处理器403可以执行指令并实现应用。处理器403可以是通用或专用处理器。处理器403可以耦合到存储器409。处理器403可以被配置为将机器的操作状态与机器的改变的、期望的或正常操作状态进行比较。例如，在调试期间，处理器403可以将机器的当前操作状态与机器的改变的或正常状态进行比较，以确定机器是否在改变的或正常状态下操作，并且最终确定是否可以执行调试过程的另一次迭代。
处理器403可以被配置为检索在机器的历史执行上训练好的分类器或机器学习模型。历史执行可以包括机器的先前信号。处理器403可以被配置为将机器的当前测量的信号应用于在机器的历史记录上训练好的分类器或模型。该应用可以生成指示机器的当前信号或操作状态与机器在正常或调试的操作中的历史信号或操作状态之间的相似性或差别的适应度指标。以这种方式，适应度参数的改变可以指示机器的故障可能发生或者机器未调试好。例如，根据历史记录，当机器的振动随时间增长时，适应度参数下降的趋势可能指示机器可能会故障。振动信号的实际值仍然可以被训练好的分类器或模型分类为正常行为，而适应度参数的趋势或改变量随着时间的推移，可以指示故障可能发生。
网络接口405可以允许移动设备401和网络(诸如服务器、远程计算机或云计算机)上的资源之间的通信。网络接口可以包括用于连接到网络的端口、信号放大器、数模转换器以及模数转换器。附加地或可替代地，网络接口405可以包括可由处理器403执行、以实现网络接口405的指令。指令可以存储在存储器409中。在一些情况下，网络接口405可以促进移动设备401和服务器(例如，远程计算机111)之间的通信。网络接口可以与网络109通信。网络接口405可以在神经网络的训练期间促进机器信号以及相关联的标签到服务器的传输。服务器可以通过网络接口405向移动设备401发送训练好的分类器或机器学习模型。
传感器407可以被配置为测量信号或机器的性质。传感器407可以是移动设备401和处理器403的部分或者远离移动设备401和处理器403。例如，传感器407和处理器403之间的连接可以是有线的、无线的或者有线和无线的组合。传感器407可以被配置为对机器进行连续测量。例如，在调试机器时，传感器407可以在调试过程的每次迭代中记录或测量机器的信号或性质。传感器407可以在机器的参数被调整之前或之后进行测量。当调试过程没有导致机器的期望的或正常操作状态时，传感器407可以进行第二次、第三次或更多次测量。
存储器409可以与处理器403耦合。存储器409可以存储指令和训练好的分类器或机器学习模型。训练好的分类器或模型可以存储在存储器409中，并且被配置为将输入映射到输出。例如，训练好的分类器或模型可以被训练为将传感器407记录的信号或测量作为输入，并输出机器的相关联的操作状态。可以基于机器的多个机器信号或性质以及(例如，如由专家操作员评估的)相关联的操作状态来训练分类器或机器学习模型。在调试过程中，训练好的分类器或模型可以被配置为基于由传感器407记录的更新的信号生成进一步的操作状态。
由存储器409存储的指令可以存储或组织在指令库中。指令库可以包含将机器从当前(例如异常状态)转换到改变的(例如正常)操作状态的指令。例如，指令库可以包含手册、指令或其他信息文档，以帮助操作员维修或调试机器。这些指令可能与定义的机器类别、种类、类型或型号相关。附加地或可替代地，库中的指令可以与机器的唯一标识符相关或相关联。
用户界面411可以被配置为接受用户输入并显示信息。例如，用户界面可以包括键盘、显示器和触摸屏中的一个或多个。用户界面411可以被配置为显示或输出机器的操作状态。例如，当机器的操作状态异常或偏离如适应度指标所指示的机器的历史信号和状态时，用户界面可以显示预警。附加地或可替代地，用户界面411可以被配置为显示用于改变机器的状态的指令。例如，用户界面可以显示具有指令的手册，以帮助操作员维修或调试机器。
位置电路413可以被配置为确定移动设备401的位置。位置电路可以包括放大器、相关器、时钟或其他组件。位置电路413可以与全球导航卫星系统(global navigationsatellite system，GNSS)通信以定位。例如，位置电路413可以与一个或多个全球定位系统(global positioning system，GPS)卫星通信，以确定移动设备401的位置。移动设备401的位置可以用作机器的唯一标识符。例如，当移动设备401在机器附近时，移动设备401的位置可以接近机器的位置，并且移动设备的位置可以用于确定特定机器(例如，与不同位置的类似机器相比)。
图5示出了用于训练分类器或机器学习模型的示例技术。分类器可以由远离移动设备的服务器来训练。例如，图1的服务器111可以执行训练分类器或机器学习模型的动作。
在动作S201中，处理器接收多个机器信号。在一些情况下，处理器可以是服务器111的处理器。机器信号可以由传感器生成，并由与传感器通信的移动设备发送到处理器。机器信号可以表示在操作期间由机器生成的信号的传感器进行的测量。例如，信号可以是一个或多个机器的声音、振动、磁场、温度的测量，或者图片。
在动作S203中，机器信号与相关联的标签一起存储。信号和相关联的标签可以存储在与处理器耦合的存储器中。操作员可以针对每个信号评估标签。例如，专家操作员可以将机器信号标记为与机器的操作状态相关联。标签可以指示信号与正常操作状态或机器需要检修的状态(例如异常状态)相关联。标签可以指示要在机器上执行的特定检修。例如，标签可以指示机器处于异常操作状态，需要检修的特定部件以恢复正常操作。
在动作S201中，信号的标签可以与信号一起被接收。在一些情况下，操作员可以在移动设备(例如，与测量信号的传感器通信的移动设备)上标记信号，并且移动设备可以将信号和相关联的标记传送到处理器。附加地或可替代地，可以从不同的位置或设备添加标签，或者由处理器在比接收到机器信号更早或更晚的时间接收到标签。
信号和标签可以与元信息一起存储。元信息可以包括生成信号的机器的唯一标识符。通过将元数据与机器信号和标签包括在一起，在信号和标签上训练好的分类器或机器学习模型可以与机器的种类、类型、类别或模型相关联(或适用于机器的种类、类型、类别或模型)，或者与产生信号的特定机器相关联。
在动作S205中，处理器基于多个存储的机器信号和相关联的操作状态，用机器学习来训练分类器或机器学习模型。处理器可以通过应用成对的输入和输出来训练分类器或模型。例如，分类器或机器学习模型可以学习接受机器信号作为输入，并产生与机器信号相关联的标记的操作状态作为输出。训练好的分类器或模型可以将机器信号映射到机器的标记的操作状态。用多对信号和标记的操作状态训练分类器或模型可以提高分类器或模型预测正确操作状态的准确性。
一旦训练好，分类器或机器学习模型可以接收看不见的机器信号作为输入，并且产生或生成机器的操作状态作为输出。例如，来自相同或不同机器的、不是训练中使用的机器信号的部分的机器信号，可以由处理器应用于训练好的分类器或机器学习模型。训练好的分类器或模型可以基于用于训练的信号和标记的操作状态输出与输入机器信号相关联的机器的操作状态。
图6示出了用于确定机器的操作状态的示例技术。可以提供额外的、不同的或更少的动作。例如，可以省略动作S315-S325。这些动作可以以任何顺序执行。例如，动作S319可以在动作S317之前执行。该技术可以是迭代的，使得某些动作可以重复。例如，对于每次迭代，可以重复动作S301、S307a、S307b和S309。调试机器可能需要动作的多次迭代。
这些动作可以由耦合到存储器的处理器来执行。这些动作可以包括存储在存储器中的指令，当指令被执行时，使得处理器执行这些动作。例如，移动设备101可以具有配置为执行这些动作的处理器，该处理器具有耦合到其上的存储器。
在动作S301中，机器的信号由移动设备测量。该信号可以是在操作期间由机器产生的信号。例如，信号可以是声音、振动、磁场、被测量的机器的温度。附加地或可替代地，信号可以是机器的可见、声学、红外或其他光谱中的图像。信号可以从机器的全部或部分产生。信号可以由移动设备的传感器或者与移动设备通信的传感器来测量。例如，信号可以通过麦克风、加速度计、磁力计、温度计、热像仪或作为移动设备的部分或外部的相机来测量。
在动作S303a中，可以标识机器的类型。例如，当机器是马达时，马达的类型可以是有刷的或无刷的、直流的或交流的、或者两相或三相的。类型还可以包括型号、制造商或关于机器的其他信息。
在动作S303b中，扫描机器的唯一标识符。移动设备或与移动设备通信的传感器可以扫描代码。唯一标识符可以指示如动作S303a中的机器的类型。例如，唯一标识符可以是机器的型号或序列号。移动设备可以使用唯一标识符来查找关于机器的更多信息。例如，移动设备可以使用唯一标识符来查找具有关于机器以及关于适合或适应于机器使用的训练好的分类器或机器学习模型的信息的表中的条目。在一些情况下，可以对唯一标识符编码。例如，唯一标识符可以是条形码、QR码或其他编码。移动设备可以用相机或另一传感器扫描条形码或QR码，以解码唯一标识符。附加地或可替代地，唯一标识符可以是机器的位置。例如，移动设备可以使用机器的位置(或者移动设备在机器的附近的位置)来查找具有为该位置或机器存储的信息的表中的条目。
在动作S305中，可以选择机器学习的分类器或机器学习模型。在一些情况下，移动设备可以存储适应于一个或多个机器的多个训练好的分类器或模型。移动设备可以从多个分类器或模型中选择适应于确定正在被诊断或调试的机器的操作状态的训练好的分类器或模型。当基于从被诊断或调试的机器的相同类型、种类、类别或模型的机器测量的训练信号训练分类器或模型时，训练好的分类器或可以被认为适应于机器。在一些情况下，可以基于被诊断或调试的特定机器产生的信号来训练适应的模型或分类器。
在动作S307a中，机器的测量的信号由处理器应用于训练好的分类器或机器学习模型。训练好的分类器或模型可以是在动作S305中选择的适应的分类器或模型。测量的信号可以形成训练好的分类器或模型的输入。
在动作S307b中，机器的操作状态由处理器生成。操作状态可以是基于机器的输入信号的训练好的分类器或机器学习模型的输出。操作状态可以指示机器正在正常操作条件下操作，或者机器需要检修。附加地或可替代地，可以生成示出当前记录与基本事实(例如，用于训练的机器的正常操作或良好调试的状态)的相似性的适应度指标。适应度指标可以示为适应基本事实的百分位数(percentile)适应度。此外，可以显示实时数据表示(诸如功率谱密度)，允许操作员对来自机器的当前信号的视觉解释。
在动作S309中，可以输出机器的操作状态。在一些情况下，机器的操作状态可以输出到移动设备的用户界面。例如，操作状态可以显示在移动设备的显示器上。附加地或可替代地，可以将操作状态发送到另一设备或计算机。例如，移动设备可以向远程计算机或另一移动设备发送操作状态。通过向其他设备发送操作状态，操作员可以从其他操作员处接收关于机器和操作状态的评论。
在动作S311a中，移动设备可以生成或检索指令。指令可以包含关于改变机器的状态的信息。在一些情况下，指令将包含关于从机器的当前状态转换到改变的状态(例如，机器的正常操作状态)的信息。例如，指令可以包含纠正机器中的故障的说明。指令可以描述要改变的参数，以转换到机器的改变的状态。例如，指令可以指示操作员更换马达的轴承，调整燃烧器的空气/燃料比，或者拧紧机器的安装螺栓。指令可以包含实现转换的工具列表。
移动设备可能具有存储在存储器中的指令库。移动设备可以基于机器的唯一标识符、机器的操作状态或两者从存储器中检索指令。移动设备可以通过修改存储的指令来生成指令。
在动作S311b中，指令由移动设备输出。在一些情况下，移动设备可以用用户界面显示指令。例如，指令可以显示在移动设备的显示器上。在其他情况下，将指令发送到另一设备。附加地或可替代地，指令可以用声音合成。例如，移动设备可以为免提操作或维修/调试大声地向操作员读出指令，这些操作或维修/调试需要与移动设备不同的操作员位置来进行机器操作的实时分类。
当期望对机器的迭代诊断或调试时，过程可以重复一个或多个动作。例如，在动作S309、S311a、S311b或S313中的一个或多个之后，可以在动作S301中测量第二机器信号。在动作S307a和S307b中，第二机器信号可以应用于训练好的分类器或机器学习模型，以生成机器的第二操作状态。在一些情况下，操作员可以在测量机器的第二信号之前调试机器的参数或尝试维修机器。
在动作S313中，将机器的第二操作状态与改变的状态进行比较。该比较可以检查操作员的调试或维护是否使机器转换到改变的、期望的或正常操作状态。当第二状态不对应于改变的状态时(例如，当机器没有转换到正常操作状态时)，可以执行另一次迭代。例如，在第二操作状态不对应于改变的状态的情况下，可以在动作S301中测量机器的第三信号。在测量第三信号之前，操作员可以尝试进一步的调试或维修。
在动作S315中，将适应度指标的值与阈限进行比较。该比较可以建立与用于训练分类器或模型的正常或调试好的机器的偏离。例如，当调试机器时，阈限可以设置为90％。当适应度参数等于或高于90％的值时，适应度参数可以指示机器已调试好。低于90％的适应度值可以指示机器未调试好。
在动作S317中，处理器可以基于比较输出警报。在一些情况下，警报可以警告即将发生的机器故障或机器的异常操作状态。在其他情况下，警报可以指示机器已调试好或未调试好。警报可以指示测量的信号的改变、不同、相似性或差异。当差异高于、低于或处于阈值时，可以输出警报。例如，当测量的信号大于比机器的先前信号更强的阈值量时(例如，当机器发出的噪声比来自用于训练分类器或机器学习模型的机器的噪声更大时)，可以输出警报。在另一示例中，当适应度指标的值大于阈值时，可以输出警报，指示机器已经达到调试的或历史上正常的操作状态。在另一示例中，当适应度指标小于阈值时，可以输出警报，指示机器未调试好或需要调试。警报可以通过移动设备的用户界面输出。例如，移动设备的显示器可以输出警报。附加地或可替代地，可以将警报发送到另一设备。例如，可以将警报传送到另一移动设备或远程服务器。警报可以通知操作员或其他操作员机器的条件。
在动作S319中，处理器可以将测量的信号和机器的操作状态发送到远程计算机。例如，移动设备可以向服务器303发送信号和操作状态(或者仅测量的信号和机器的操作状态)。
在动作S321中，处理器可以接收训练好的机器学习的分类器或机器学习模型。在一些情况下，远程计算机可以用测量的信号和机器的操作状态重新训练分类器或模型，或者训练新的分类器或模型。远程计算机可以将在更新的测量的信号、操作状态上训练好的分类器或机器学习模型发送到移动设备。
本文所描述的示例性实施例是说明性的，并且在不脱离本公开的精神或所附权利要求的范围的情况下，可以引入多种变化。例如，在本公开和所附权利要求的范围内，不同示例性实施例的元件和/或特征可以彼此组合和/或彼此替代。

Claims (18)

1.一种用于确定机器的操作状态的方法，所述方法包括：
用移动设备测量所述机器的信号；
由处理器将测量的信号应用于在多个机器信号和相关联的操作状态上学习的机器学习的分类器；
基于将所述测量的信号在所述机器学习的分类器上的应用，由处理器生成所述机器的操作状态；以及
由所述移动设备输出所述机器的操作状态；
由所述移动设备生成一个或多个指令，以从所述机器的操作状态转换到改变的状态，其中，所述指令包含给与操作员的指示如何维修、维护或调试机器的信息，其中，所述操作状态包括所述机器的异常操作状态，并且所述改变的状态包括期望机器达到的操作状态或正常操作状态；以及
由所述移动设备输出所述一个或多个指令。
2.根据权利要求1所述的方法，其中所述信号由所述移动设备的麦克风、加速度计、磁力计、温度计、热像仪或相机测量。
3.根据权利要求1所述的方法，其中所述信号包括声音测量、振动测量、磁场测量、温度测量或所述机器的图像。
4.根据权利要求1所述的方法，还包括：
由所述移动设备标识所述机器的类型；以及
基于所述机器的类型，由所述移动设备从多个机器学习的分类器中选择适应的机器学习的分类器，
其中所述信号应用于所述适应的机器学习的分类器。
5.根据权利要求4所述的方法，还包括：
由所述移动设备扫描所述机器的唯一标识符，
其中基于所述唯一标识符来标识所述机器的类型。
6.根据权利要求1所述的方法，还包括：
由所述移动设备测量所述机器的第二信号；
由所述处理器将所述第二信号应用于所述机器学习的分类器；
基于将所述第二信号在所述机器学习的分类器上的应用，由所述处理器生成所述机器的第二操作状态；
由所述处理器将所述第二操作状态与所述改变的状态进行比较；以及
当所述第二操作状态不对应于所述改变的状态时，用所述移动设备测量所述机器的第三信号，
其中所述改变的状态是所述机器的正常操作状态。
7.根据权利要求1所述的方法，其中，所述机器的操作状态包括所述机器的适应度指标，所述适应度指标是所述机器的测量的信号和所述多个机器信号中的一个机器信号之间的相似性或差别的度量。
8.根据权利要求7所述的方法，还包括：
由所述处理器将所述适应度指标与阈限进行比较，以及
当所述适应度指标高于阈值时，基于所述适应度指标，由所述处理器输出警报。
9.根据权利要求1所述的方法，其中所述处理器实时执行所述应用和生成。
10.根据权利要求1所述的方法，还包括：
由所述处理器将所述测量的信号和所述机器的操作状态发送到远程计算机；以及
由所述处理器接收在所述测量的信号和所述机器的操作状态上训练的更新的机器学习的分类器。
11.根据权利要求1所述的方法，其中所述机器学习的分类器存储在所述移动设备上。
12.一种用于训练用于操作状态的评估的分类器的方法，所述方法包括：
由处理器检索多个机器信号；
由所述处理器存储多个操作状态，所述多个操作状态中的每个操作状态与所述多个机器信号中的一个机器信号相关联；以及
基于所述多个机器信号和所述多个操作状态，由所述处理器用机器学习来训练所述分类器；
一旦训练好，将所述分类器传送到移动设备或另一设备以用于诊断和调试，其中，所述移动设备生成一个或多个指令，以从所述机器的操作状态转换到改变的状态，其中，所述指令包含给与操作员的指示如何维修、维护或调试机器的信息，其中，所述操作状态包括所述机器的异常操作状态，并且所述改变的状态包括期望机器达到的操作状态或正常操作状态。
13.根据权利要求12所述的方法，其中所述多个机器信号包括一个或多个机器的声音测量、振动测量、磁场测量或温度测量或者图像。
14.一种用于确定机器的操作状态的移动设备，所述移动设备包括：
传感器，被配置为测量所述机器的信号；
存储器，其上存储有机器学习的分类器，所述机器学习的分类器被配置为基于测量的信号生成所述机器的操作状态，所述机器学习的分类器在多个机器信号和相关联的操作状态上学习；以及
用户界面，被配置为输出所述机器的操作状态；
指令库，被配置为提供一个或多个指令以从所述机器的操作状态转换到改变的状态，其中，所述指令包含给与操作员的指示如何维修、维护或调试机器的信息，其中，所述操作状态包括所述机器的异常操作状态，并且所述改变的状态包括期望机器达到的操作状态或正常操作状态，
其中所述用户界面还被配置为输出所述一个或多个指令。
15.根据权利要求14所述的移动设备，其中，所述传感器还被配置为测量所述机器的第二信号，
其中所述机器学习的分类器还被配置为基于所述第二信号生成所述机器的第二操作状态，
其中所述改变的状态是所述机器的正常操作状态，以及
其中所述移动设备还包括：
处理器，被配置为将所述第二操作状态与所述改变的状态进行比较。
16.根据权利要求14所述的移动设备，其中，所述机器的操作状态包括所述机器的适应度指标，所述适应度指标是所述机器的测量信号和所述多个机器信号中的一个机器信号之间的相似性或差别的度量。
17.根据权利要求14所述的移动设备，还包括：
处理器，被配置为将适应度指标与阈限进行比较，以及
其中所述用户界面被配置为基于所述比较输出警报。
18.根据权利要求14所述的移动设备，其中所述机器学习的分类器被配置为实时生成所述机器的操作状态。
CN201880084711.8A 2017-11-27 2018-07-26 使用移动设备和云计算机的机器诊断 Active CN111567022B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201762590741P 2017-11-27 2017-11-27
US62/590,741 2017-11-27
PCT/US2018/043797 WO2019103767A1 (en) 2017-11-27 2018-07-26 Machine diagnosis using mobile devices and cloud computers

Publications (2)

Publication Number Publication Date
CN111567022A CN111567022A (zh) 2020-08-21
CN111567022B true CN111567022B (zh) 2022-05-13

Family

ID=63371765

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201880084711.8A Active CN111567022B (zh) 2017-11-27 2018-07-26 使用移动设备和云计算机的机器诊断

Country Status (5)

Country Link
US (1) US20200356898A1 (zh)
EP (1) EP3701708B1 (zh)
CN (1) CN111567022B (zh)
ES (1) ES2929302T3 (zh)
WO (1) WO2019103767A1 (zh)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11954923B2 (en) * 2018-06-29 2024-04-09 Renumics Gmbh Method for rating a state of a three-dimensional test object, and corresponding rating system
JP7046760B2 (ja) * 2018-08-23 2022-04-04 アンリツ株式会社 信号解析装置及び信号解析方法並びに信号解析プログラム
US11283813B2 (en) * 2019-04-02 2022-03-22 Connectwise, Llc Fraudulent host device connection detection
CN110633800B (zh) * 2019-10-18 2022-08-02 北京邮电大学 基于自动驾驶车辆的车道位置确定方法、设备及存储介质
DE102020101490A1 (de) 2020-01-22 2021-07-22 Endress+Hauser Conducta Gmbh+Co. Kg Sensorsystem und Verfahren
US11831608B2 (en) * 2020-01-27 2023-11-28 Nvidia Corporation Application firewalls based on self-modeling service flows
US20210341896A1 (en) * 2020-05-01 2021-11-04 Rockwell Automation Technologies Inc. Industrial motor drives with integrated condition monitoring
US20210341901A1 (en) * 2020-05-01 2021-11-04 Rockwell Automation Technologies, Inc. Induction motor condition monitoring using machine learning
EP3934271A1 (en) 2020-07-01 2022-01-05 Nokia Technologies Oy Apparatus, method and computer program for detecting defects
TWI792086B (zh) * 2020-10-30 2023-02-11 友達光電股份有限公司 行動式設備診斷裝置及設備診斷資訊顯示方法
US20220334566A1 (en) * 2021-03-31 2022-10-20 Ats Automation Tooling Systems Inc. Cloud-based vibratory feeder controller

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104471501A (zh) * 2012-06-12 2015-03-25 西门子公司 用于设备状态监测中故障诊断的归纳的模式识别
CN107223323A (zh) * 2016-09-01 2017-09-29 深圳前海达闼云端智能科技有限公司 网络诊断的方法、云端智能机器人、网络设备及专用网络
WO2017201345A1 (en) * 2016-05-18 2017-11-23 Sigsense Technologies, Inc. Systems and methods for equipment performance modeling

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8626149B2 (en) * 2007-12-18 2014-01-07 Qualcomm Incorporated Monitoring and troubleshooting a module associated with a portable communication device
US20130030765A1 (en) * 2011-07-27 2013-01-31 Danni David System and method for use in monitoring machines
US20140263607A1 (en) * 2013-03-15 2014-09-18 Clark Equipment Company Scannable codes to display machine information
US9324022B2 (en) * 2014-03-04 2016-04-26 Signal/Sense, Inc. Classifying data with deep learning neural records incrementally refined through expert input
US20170178311A1 (en) * 2015-12-20 2017-06-22 Prophecy Sensors, Llc Machine fault detection based on a combination of sound capture and on spot feedback
US10349219B2 (en) * 2016-01-26 2019-07-09 Truemotion, Inc. Methods and systems for combining sensor data to determine vehicle movement information
US11003988B2 (en) * 2016-11-23 2021-05-11 General Electric Company Hardware system design improvement using deep learning algorithms
GB2567850B (en) * 2017-10-26 2020-11-04 Gb Gas Holdings Ltd Determining operating state from complex sensor data

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104471501A (zh) * 2012-06-12 2015-03-25 西门子公司 用于设备状态监测中故障诊断的归纳的模式识别
WO2017201345A1 (en) * 2016-05-18 2017-11-23 Sigsense Technologies, Inc. Systems and methods for equipment performance modeling
CN107223323A (zh) * 2016-09-01 2017-09-29 深圳前海达闼云端智能科技有限公司 网络诊断的方法、云端智能机器人、网络设备及专用网络

Also Published As

Publication number Publication date
ES2929302T3 (es) 2022-11-28
EP3701708B1 (en) 2022-10-19
EP3701708A1 (en) 2020-09-02
CN111567022A (zh) 2020-08-21
US20200356898A1 (en) 2020-11-12
WO2019103767A1 (en) 2019-05-31

Similar Documents

Publication Publication Date Title
CN111567022B (zh) 使用移动设备和云计算机的机器诊断
Niu Data-driven technology for engineering systems health management
CN107636702A (zh) 集成式资产完整性管理系统
US11003178B2 (en) Facility diagnosis device, facility diagnosis method, and facility diagnosis program
CN109791401A (zh) 生成用于嵌入式分析和诊断/预测推理的故障模型
US20190197238A1 (en) Critical infrastructure forensics
EP4034953A1 (en) System and method for assessing an operating condition of an asset
US11598896B2 (en) Remote vibration detection of submerged equipment using magnetic field sensing
WO2019094177A1 (en) Systems and method for human-assisted robotic industrial inspection
JP2021022290A (ja) 制御状態監視システムおよびプログラム
KR20200001910A (ko) 발전소 고장 예측 및 진단시스템의 학습모델을 위한 학습데이터 생성장치 및 방법
CN107851233A (zh) 资产处的本地分析
US20200327425A1 (en) Automated feedback-driven prognosis system and method
US20180276322A1 (en) Failure diagnosis apparatus, monitoring apparatus, failure diagnosis method and recording medium
Kim et al. Smart connected worker edge platform for smart manufacturing: Part 1—Architecture and platform design
US11636359B2 (en) Enhanced collection of training data for machine learning to improve worksite safety and operations
Alaoui-Belghiti et al. Unsupervised anomaly detection using optimal transport for predictive maintenance
Jones et al. Bayesian localisation of acoustic emission sources for wind turbine bearings
Al Rashdan et al. Automation Technologies Impact on the Work Process of Nuclear Power Plants
JP2021149205A (ja) 監視制御システムの自動試験装置
US10853762B2 (en) Global monitoring system for critical equipment performance evaluation
Dunn Big data, predictive analytics and maintenance
US11361537B2 (en) Enhanced collection of training data for machine learning to improve worksite safety and operations
Breikin et al. Application of Markov chains to identification of gas turbine engine dynamic models
Fuhrmann et al. X-AMINOR: A Mobile Multi-Sensor Platform for Lifecycle-Monitoring of Transformers.

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