CN111656327A - 维修干预预测 - Google Patents

维修干预预测 Download PDF

Info

Publication number
CN111656327A
CN111656327A CN201880087640.7A CN201880087640A CN111656327A CN 111656327 A CN111656327 A CN 111656327A CN 201880087640 A CN201880087640 A CN 201880087640A CN 111656327 A CN111656327 A CN 111656327A
Authority
CN
China
Prior art keywords
machine learning
centralized database
intervention
equipment
maintenance
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
Application number
CN201880087640.7A
Other languages
English (en)
Inventor
L·阿维斯
费尔南多·弗里德里希
安德森·内韦斯
道格拉斯·奧利韦拉
凯尔文·莱因哈特
保罗·乌尔巴诺
保罗·内托
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.)
Hewlett Packard Development Co LP
Original Assignee
Hewlett Packard Development Co LP
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 Hewlett Packard Development Co LP filed Critical Hewlett Packard Development Co LP
Publication of CN111656327A publication Critical patent/CN111656327A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3058—Monitoring arrangements for monitoring environmental properties or parameters of the computing system or of the computing system component, e.g. monitoring of power, currents, temperature, humidity, position, vibrations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/079—Root cause analysis, i.e. error or fault diagnosis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/008—Reliability or availability analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/0706—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation the processing taking place on a specific hardware platform or in a specific software environment
    • G06F11/0736—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation the processing taking place on a specific hardware platform or in a specific software environment in functional embedded systems, i.e. in a data processing system designed as a combination of hardware and software dedicated to performing a certain function
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/0751—Error or fault detection not based on redundancy
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/0766—Error or fault reporting or storing
    • G06F11/0787—Storage of error reports, e.g. persistent data storage, storage using memory protection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3003—Monitoring arrangements specially adapted to the computing system or computing system component being monitored
    • G06F11/3013—Monitoring arrangements specially adapted to the computing system or computing system component being monitored where the computing system is an embedded system, i.e. a combination of hardware and software dedicated to perform a certain function in mobile devices, printers, automotive or aircraft systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
    • G06F11/3447—Performance evaluation by modeling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
    • G06F11/3457—Performance evaluation by simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
    • G06F11/3466—Performance evaluation by tracing or monitoring
    • G06F11/3476—Data logging
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
    • G06F11/3466—Performance evaluation by tracing or monitoring
    • G06F11/3495—Performance evaluation by tracing or monitoring for systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/23—Updating
    • G06F16/2379—Updates performed during online database operations; commit processing
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
    • G06F11/3409—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment for performance assessment
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2201/00—Indexing scheme relating to error detection, to error correction, and to monitoring
    • G06F2201/86—Event-based monitoring

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Quality & Reliability (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Hardware Design (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Debugging And Monitoring (AREA)
  • Accessory Devices And Overall Control Thereof (AREA)

Abstract

示例包括非暂时性机器可读存储介质，其上存储有机器可读指令，机器可读指令可执行以使处理资源监控与设备有关的感官输入，监控与设备有关的第一维修干预，将与所监控的感官输入和第一维修干预有关的数据存储在集中式数据库中，并且基于存储在集中式数据库中的数据预测第二维修干预。

Description

维修干预预测
背景技术
在设备的生命周期期间，存在可能导致维修干预的故障。维修干预可以包括在已经历故障或被识别为接近故障的设备上执行维修的维修技术。故障可以包括所谓的磨损故障，该磨损故障可以在设备已超出估计的使用寿命时发生。
附图说明
图1图示了与本公开一致的用于选择用于维修干预预测的机器学习模型的流程图。
图2图示了与本公开一致的用于维修干预预测的系统的示例。
图3图示了与本公开一致的用于维修干预预测的另一系统的示例。
图4图示了与本公开一致的用于维修干预预测的方法的示例。
具体实施方式
很多行业将设备使用和维修作为服务来销售。与服务相关的设备可以包括维修成本，诸如技术支持访问和已磨损的部分的更换。可以利用设备监控系统来快速识别与设备有关的故障，从而在停机时间发生时，加速恢复生产。然而，作为服务提供的在诸如打印机的设备上的维修要么是反应性的要么是预防性的。前者可能导致可能增加设备的停机时间的意外的成本或调度冲突。后者可能导致不必要的成本，在设备没有接近故障的情况下，该不必要的成本原是可以避免的。
如本文中所描述的，维修干预预测可以提供关于在特定时间段内设备何时最有可能发生故障的洞察，这可以改进维修调度。例如，维修团队可以决定访问现场以在被评估为接近故障(例如，在特定时间段内发生故障)的设备上执行维修。另外，在接到维修电话后，维修团队可以在位于附近的在特定时间段内可能发生故障的设备上执行维修。
本公开的一些示例针对维修干预预测。如本文中所公开的维修干预预测可以包括由数据分析和机器学习技术驱动的预测性维修，预测性维修可以允许降低维修成本的维修计划。例如，干预预测可以包括监控感官输入和与设备有关的第一维修干预。与所监控的感官输入和第一维修干预有关的数据可以被存储在集中式数据库中，并且第二维修干预可以基于存储在集中式数据库中的数据被预测。
图1图示了与本公开一致的用于选择用于维修干预预测的机器学习模型的流程图100。机器学习模型可以为，但不限于，受监督的机器学习模型。如本文中所描述的，机器学习包括建立可以接收输入数据和使用统计分析以预测输出值的模型。除了在训练期间提供关于预测的准确性的反馈之外，受监督的机器学习还包括将数据和期望的输出输入到机器学习模型中。经过训练的机器学习模型可以被应用到一组数据以计算输出值。
例如，可以使用受监督的机器学习模型基于与设备使用和过去的维修有关的数据来预测即将发生的维修干预。如本文中所描述的，诸如云计算环境的集中式数据库可以存储从至少一个设备检索到的与事件有关的数据。例如，该至少一个设备可以是打印机。
选择机器学习模型可以包括记录事件数据102。例如，如本文中所描述的，可以将至少一个设备的与所监控的感官输入和维修干预有关的事件数据导出到可以存储事件数据的集中式数据库。事件数据可以包括至少一个设备的与使用和维修干预有关的数据。设备可以包括用于生成事件日志的系统，以基于与设备有关而发生的事件来记录事件数据。例如，设备可以包括用于生成事件日志的系统，事件日志追踪在维修干预之前的时间中发生的一系列事件。用于生成事件日志的数据可以被导出到集中式数据库。
如图1中所图示的，选择机器学习模型可以包括数据清洗104。数据清洗104可以包括处理存储在集中式数据库内的数据，以提供用于使用训练数据集进行维修干预预测的机器学习模型。数据清洗104可以包括检索诸如设备的序列号、事件码、事件的严重性、维修干预的完成日期、维修干预的开始日期、在第一维修干预与第二干预之间发生的事件的日期、用于识别与每个干预相关的事件的序列号、打印页的数量、扫描页的数量和/或与设备的使用或维修干预有关的其它数据的数据。
预测设备何时可能经历故障可以包括使用至少一个机器学习模型。例如，分类模型可以被用于预测设备是否面临即将发生的故障的风险，而回归模型可以被用于预测浮点数。浮点数可以是指示直到设备可能经历即将发生的故障为止的时间量的值。因此，如果分类模型预测即将发生的设备故障，那么回归模型可以被用于预测设备的下一次维修干预在何时。
即将发生的维修干预的预测可以被称为健康状况。健康状况可以包括多个类别。例如，健康状况可以被分类为或者“好”或者“坏”。被分类为“坏”的设备可以指示该设备面临经历即将发生的故障的风险，而被分类为“好”的设备可以指示该设备没有面临经历即将发生的故障的风险。如本文中所描述的，健康状况可以被用于检测磨损故障。磨损故障可以在设备已超出该设备的估计的使用寿命时发生。设备的使用可以损害设备的部件，这可能导致故障。另外，这些部件的更换可能使附加部件过载，这可以导致维修干预。
在一些示例中，选择机器学习模型可以包括使用存储在集中式数据库内的数据以训练机器学习模型。用于训练机器学习模型的数据可以由数据清洗104处理。例如，数据清洗104可以处理存储在集中式数据库内的数据并且创建逗号分隔值(CSV)文件，CSV文件可以被用于训练和验证机器学习模型。CSV文件可以包括信息，诸如事件码、事件的严重性和与设备的使用有关的事件的时间戳，以及其它信息。
特征工程106可以被应用到CSV文件以识别信息并且将信息转换为可以被用于训练机器学习模型的格式。例如，特征工程106可以识别在第一维修干预与选择的事件之间的设备的运行时间、在第一维修干预与选择的事件之间的打印页的数量、在第一维修干预与选择的事件之间的扫描页的数量、和/或可以被用于预测维修干预的其它特征。
由特征工程106识别的信息可以被用于训练机器学习模型以预测设备的健康状况和浮点数。模型选择108可以包括两个阶段以选择机器学习模型：模型训练112和模型测试114。如本文中所描述的，第一机器学习模型可以预测设备的健康状况，并且第二机器学习模型可以预测设备的浮点数。
模型训练112可以包括训练多个机器学习模型，并且模型测试114可以包括使用一组度量标准来评估多个机器学习模型中的每个机器学习模型。例如，用于训练机器学习模型以预测设备的健康状况的训练样本可以包括基于在选择的时间间隔内检索到的数据的一组值。选择的时间间隔可以是在第一维修干预之后的检测到的第一事件的第一天与第二维修干预之前的检测到的第二事件的第二天之间。
每个训练样本可以被标记为“好”或“坏”以允许机器学习训练过程识别导致维修干预的时间中的模式。从设备检索到的数据可以被评估，以基于识别到的模式与检索到的数据之间的相似度来确定使用多个机器学习模型当中的哪个机器学习模型预测设备的健康状况。
用于训练机器学习模型以预测设备的浮点数的训练样本可以包括基于在选择的时间间隔内检索到的数据的一组值。选择的时间间隔可以是在第一维修干预之后的检测到的第一事件的第一天与第二维修干预之前的检测到的第二事件的第二天之间。每个训练样本可以用浮点数标记以允许机器学习训练过程识别导致维修干预的时间中的模式，浮点数是检测到的第二事件与第二维修干预之前的最后检测到的事件之间的时间间隔。从设备检索到的数据可以被评估，以基于识别到的模式与检索到的数据之间的相似度来确定使用哪个机器学习模型预测设备的浮点数。
选择机器学习模型可以包括验证116在模型选择108处选择的机器学习模型。例如，已被训练和测试的所选择的机器学习模型可以使用从设备检索到的数据被验证。验证116可以包括确定在特征工程106处处理的信息是否提供被分类为“好结果”的信息。“好结果”可以包括或者相同的机器学习模型测试的度量标准，或者模型在生产上的仿真。验证116可以包括使用不是模型选择108的一部分的数据来测量预测的质量。例如，如果验证116导致在模型选择108处选择的机器学习模型的结果是好的的确定，则所选择的机器学习模型可以被用于预测维修干预。如果验证116导致在模型选择108处选择的机器学习模型的结果是不好的的确定，则特征工程106可以包括处理信息以创建新特征集以训练机器学习模型，并且新的机器学习模型可以被选择。
图2图示了与本公开一致的用于维修干预预测的系统210的示例。系统210可以包括非暂时性机器可读存储介质218。非暂时性机器可读存储介质218可以是存储可执行指令的电子、磁性、光学或其它物理存储设备。因此，非暂时性机器可读存储介质218可以是例如随机存取存储器(RAM)、电可擦可编程只读存储器(EEPROM)、存储驱动器、光盘等。在此示例中，可执行指令可以被“安装”在系统210上。另外和/或替换地，非暂时性机器可读存储介质218可以是例如允许系统210从便携式/外部/远程存储介质下载指令的便携式的外部或远程存储介质。在这种情况下，可执行指令可以是“安装包”的一部分。
指令222可以包括可执行以监控与设备有关的感官输入的指令。设备可以包括打印机或任何其它输出设备。设备可以包括至少一个传感器，该至少一个传感器被配置为基于设备的操作来收集诸如，但不限于，感官信号、超声信号、光、运动、追踪指示、温度、能耗指示等的感官输入。传感器可以包括，但不限于，声音捕捉传感器、运动追踪传感器、能耗计、温度计等。传感器可以被通信地耦接到或以其它方式被连接到设备。
监控与设备有关的感官输入可以包括监控与设备的使用有关的数据。监控感官输入可以包括选择时间间隔以监控感官输入。例如，感官输入可以在第一维修干预之后发生的第一事件与第一维修干预之后发生的第二事件之间被监控。
设备可以包括信息日志。信息日志可以包括与设备的使用有关的数据并且可以根据感官数据生成事件日志。事件日志可以被存储在设备内的系统日志中。另外，如本文中所描述的，事件日志可以将与感官输入有关的数据导出到集中式数据库。与感官输入有关的数据可以被用于预测由于设备或设备的部件接近故障而导致的维修干预。
指令224可以包括可执行以监控与设备有关的第一维修干预的指令。如本文中所描述的，维修干预可以包括在设备上执行的维修，该设备已经历故障或被识别为面临即将发生的故障的风险。故障可以包括磨损故障，磨损故障可以在设备或设备的部件已超出它的估计的使用寿命时发生。
监控与设备有关的第一维修干预可以包括记录设备经历导致维修干预的故障的每个时间。如本文中所描述的，所记录的与维修干预有关的数据可以被存储在集中式数据库中。存储设备的维修干预的记录可以允许在维修干预之前发生的事件的检索。这些事件可以被用于预测相同的设备或相似的设备的维修干预。
指令226可以包括可执行以将与所监控的感官输入和第一维修干预有关的数据存储在集中式数据库中的指令。集中式数据库可以包括云计算环境。集中式数据库可以接收和存储与设备的所监控的感官输入和维修干预有关的数据。
另外，如本文中所描述的，集中式数据库可以存储一个以上设备的与所监控的感官输入和维修干预有关的数据。例如，数据库可以存储一批设备的数据。存储的数据可以被用于选择机器学习模型以预测设备的维修干预。集中式数据库可以包括一个以上机器学习模型，该一个以上机器学习模型可以被用于预测设备的即将发生的维修干预。
指令228可以包括可执行以基于存储在集中式数据库中的数据预测第二维修干预的指令。例如，预测设备的第二维修干预可以包括分析存储在中央数据库中的数据。该分析可以包括，但不限于，将与感官输入和记录的维修干预有关的数据输入到受监督的机器学习模型中以预测即将发生的维修干预。
另外，该分析还可以包括选择受监督的机器学习模型以分析存储在集中式数据库中的数据。集中式数据库可以包括机器学习模型库，其中机器学习模型库包括至少一个机器学习模型。如图1所图示的，存储在集中式数据库内的数据可以被用于在多个机器学习模型当中选择机器学习模型。例如，存储在集中式数据库内的数据可以被处理并且被用于训练和测试多个存储的机器学习模型。所选择的机器学习模型可以被验证并且被选择以预测即将发生的维修干预。
预测即将发生的维修干预可以包括提供即将发生的维修干预的通知。通知可以包括显示设备的健康状况和/或浮点数。例如，健康状况的格式可以包括好-坏、1-0、真-假或可以描述设备的健康状况的其它格式。留给预测的维修干预的时间的格式可以包括表示使用诸如月、周、天、小时、分钟、秒等的单位的时间间隔的浮点数。
如果机器学习模型预测设备没有面临经历故障的风险，通知可以是设备没有面临经历可能导致维修干预的故障的风险的指示。在另一示例中，如果机器学习模型预测设备面临经历故障的风险，通知可以是设备可能面临经历导致维修干预的故障的风险的指示。该指示还可以包括直到维修干预为止的时间量。
图3图示了与本公开一致的用于维修干预预测的系统320的示例。如图3中所图示的，系统320可以包括被耦接到存储器资源334的处理资源332，指令可以被存储在存储器资源334上，诸如指令336、338、342、344和346。尽管下面的描述涉及单个处理资源和单个存储器资源，但是该描述也可以应用于具有多个处理资源和多个存储器资源的系统。在这样的示例中，指令可以跨多个处理资源分布(例如，被存储)。
处理资源332可以是中央处理单元(CPU)、基于半导体的微处理器、和/或适用于存储在存储器资源334中的指令的检索和执行的其它硬件设备。处理资源332可以获取、解码和执行指令336、338、342、344和346、或其组合。作为检索和执行指令的替换或附加，处理资源336可以包括电子电路，该电子电路包括用于执行指令336、338、342、344和346、或其组合的功能的电子部件。
存储器资源334可以是易失性或非易失性存储器。存储器资源334可以是可移除(例如，便捷式)存储器，或非可移除(例如，内部的)存储器。例如，存储器资源334可以是随机存取存储器(RAM)(例如，动态随机存取存储器(DRAM)和/或相变随机存取存储器(PCRAM))、只读存储器(ROM)(例如，EEPROM和/或光盘只读存储器(CR-ROM)、闪存、激光盘、数字多功能盘(DVD)或其它光盘存储器，和/或诸如盒式磁带、磁带或磁盘的磁性介质，以及其它类型的存储器。
指令336在由处理资源332执行时可以使存储器资源334监控与设备有关的感官输入。设备可以是打印机。如本文中所描述的，监控与设备有关的感官输入可以包括生成系统日志信息。例如，系统日志信息可以包括与设备的使用有关的数据。系统日志信息可以从设备被导出到集中式数据库。
指令338在由处理资源332执行时可以使存储器资源334监控与设备有关的第一维修干预。维修干预可以与设备故障有关，其中设备故障可以基于设备超出估计的使用寿命。如本文中所描述的，监控与设备有关的第一维修干预可以包括追踪设备的每个维修干预。系统日志信息可以包括与导致维修干预的事件和设备使用有关的信息。
指令342在由处理资源332执行时可以使存储器资源334将与所监控的感官输入和第一维修干预有关的数据存储在集中式数据库中。如本文中所描述的，集中式数据库可以存储从多个设备接收的数据。例如，集中式数据库可以存储从单个设备或一批设备接收的数据。存储在集中式数据库中的数据可以被用于选择至少一个机器学习模型以预测设备的即将发生的维修干预。
指令344在由处理资源332执行时可以使存储器资源334通过受监督的机器学习分析存储在集中式数据库中的数据。集中式数据库可以包括机器学习模型库，机器学习模型库可以包括至少一个机器学习模型。系统320可以包括可执行以选择用于分析存储在集中式数据库中的数据的受监督的机器学习模型的指令。
如本文中所描述的，分析存储在集中式数据库中的与设备有关的数据可以提供设备的健康状况。例如，设备的健康状况可以指示设备是否面临经历故障的风险。
指令346在由处理资源332执行时可以使存储器资源334基于存储在集中式数据库中的所分析的数据预测第二维修干预。如本文中所描述的，预测第二维修干预可以基于存储在集中式数据库中的所分析的数据。如果健康状况指示设备面临故障的风险，则可以预测维修干预，以及直到预测的维修干预为止的时间量。如本文中所描述的，维修干预可以与由于设备超出设备的估计的使用寿命而导致的设备故障有关。
预测第二维修干预可以包括提供第二维修干预的通知。提供第二维修干预的通知可以包括提供即将发生的维修干预的警告、直到即将发生的维修干预为止的时间量或两者都有。
图4图示了与本公开一致的用于维修干预预测的方法430的示例。在448处，方法430可以包括监控与设备有关的感官输入。例如，设备可以为打印机，并且监控与设备有关的感官输入可以包括生成系统日志信息。例如，系统日志信息可以包括与设备的使用有关的数据。系统日志信息可以从设备被导出到集中式数据库。
在452处，方法430可以包括监控与设备有关的第一维修干预。监控与设备有关的第一维修干预可以包括追踪设备的每个维修干预。系统日志信息可以包括与导致维修干预的事件和设备使用有关的信息。
在454处，方法430可以包括将与所监控的感官输入和第一维修干预有关的数据存储在集中式数据库中。集中式数据库可以存储从多个设备接收的数据。例如，集中式数据库可以存储从单个设备或一批设备接收的数据。存储在集中式数据库中的数据可以被用于选择至少一个机器学习模型以预测设备的维修干预。
在456处，方法430可以包括通过受监督的机器学习分析存储在集中式数据库中的数据。分析存储在集中式数据库中的与设备有关的数据可以提供设备的健康状况。例如，设备的健康状况可以指示设备是否面临经历可能导致维修干预的故障的风险。
在458处，方法430可以包括基于存储在集中式数据库中的所分析的数据预测第二维修干预。如果健康状况指示设备面临故障的风险，则可以预测维修干预，以及直到预测的维修干预为止的时间量。
在462处，方法430可以包括提供第二维修干预的通知。提供第二维修干预的通知可以包括提供即将发生的维修干预的警告、直到即将发生的维修干预为止的时间量或两者都有。
在本公开的上述详细描述中，参考构成本公开的一部分的附图，并且在附图中以图示的方式示出如何实践本公开的示例。这些示例被描述得足够详细，以使得本领域普通技术人员能够实践本公开的示例，并且将理解的是，可以使用其它示例，并且可以在不脱离本公开的范围的情况下进行过程、电气和/或结构改变。
在本文中，图遵循编号惯例，其中第一个数字对应于附图编号，并且其余数字标识附图中的元件或部件。在本文中，各种图中所示的元件可以能够被添加、被交换和/或被消除，以便提供本公开的多个附加示例。此外，图中所提供的元件的比例和相对尺寸旨在图示本公开的示例，而不应被认为是限制性的。

Claims (15)

1.一种非暂时性机器可读存储介质，其上存储有机器可读指令，所述机器可读指令可执行以使处理资源：
监控与设备有关的感官输入；
监控与所述设备有关的第一维修干预；
将与所监控的感官输入和所述第一维修干预有关的数据存储在集中式数据库中；并且
基于存储在所述集中式数据库中的所述数据预测第二维修干预。
2.根据权利要求1所述的介质，其中，所述指令可执行以选择用于监控所述感官输入的时间间隔。
3.根据权利要求1所述的介质，其中，所述指令可执行以将与所监控的感官输入有关的数据存储在系统日志中。
4.根据权利要求1所述的介质，其中，所述设备是打印机。
5.根据权利要求1所述的介质，其中，所述指令可执行以提供所述第二维修干预的通知。
6.根据权利要求1所述的介质，其中，所述指令可执行以通过受监督的机器学习而分析存储在所述集中式数据库中的所述数据。
7.一种系统，包括：
处理资源；和
存储器资源，存储机器可读指令，所述机器可读指令可执行以使所述处理资源：
监控与设备有关的感官输入；
监控与所述设备有关的第一维修干预；
将与所监控的感官输入和所述第一维修干预有关的数据存储在集中式数据库中；
通过受监督的机器学习，分析存储在所述集中式数据库中的所述数据；并且
基于存储在所述集中式数据库中的所分析的数据来预测第二维修干预。
8.根据权利要求7所述的系统，其中，所述指令可执行以选择用于分析存储在所述集中式数据库中的所述数据的受监督的机器学习模型。
9.根据权利要求8所述的系统，进一步包括可执行以验证所选择的受监督的机器学习模型的指令。
10.根据权利要求7所述的系统，其中，所述第一维修干预和所述第二维修干预与设备故障有关，其中，所述设备故障基于所述设备超出估计的使用寿命。
11.根据权利要求7所述的系统，其中，所述集中式数据库包括机器学习模型库，并且其中所述机器学习模型库包括至少一个机器学习模型。
12.一种计算机实现的方法，包括：
监控与设备有关的感官输入；
监控与所述设备有关的第一维修干预；
将与所监控的感官输入和所述第一维修干预有关的数据存储在集中式数据库中；
通过受监督的机器学习，分析存储在所述集中式数据库中的所述数据；
基于存储在所述集中式数据库中的所分析的数据来预测第二维修干预；并且
提供所述第二维修干预的通知。
13.根据权利要求12所述的方法，其中，监控与所述机器有关的感官输入包括生成系统日志信息。
14.根据权利要求12所述的方法，其中，提供所述第二维修干预的通知包括提供直到所述第二维修干预为止的时间量。
15.根据权利要求12所述的方法，进一步包括提供所述设备的健康状况。
CN201880087640.7A 2018-01-26 2018-01-26 维修干预预测 Pending CN111656327A (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/US2018/015538 WO2019147271A1 (en) 2018-01-26 2018-01-26 Maintenance intervention predicting

Publications (1)

Publication Number Publication Date
CN111656327A true CN111656327A (zh) 2020-09-11

Family

ID=67395520

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201880087640.7A Pending CN111656327A (zh) 2018-01-26 2018-01-26 维修干预预测

Country Status (7)

Country Link
US (1) US11216329B2 (zh)
EP (1) EP3743816A4 (zh)
JP (1) JP2020537226A (zh)
KR (1) KR102364585B1 (zh)
CN (1) CN111656327A (zh)
BR (1) BR112020013830A2 (zh)
WO (1) WO2019147271A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11574508B2 (en) 2021-05-07 2023-02-07 David A. Stringfield Predictive, preventative and conditional maintenance method and system for commercial vehicle fleets

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007256356A (ja) * 2006-03-20 2007-10-04 Ricoh Co Ltd 画像形成装置
US20120072769A1 (en) * 2010-09-21 2012-03-22 Microsoft Corporation Repair-policy refinement in distributed systems
US20140361978A1 (en) * 2013-06-07 2014-12-11 International Business Machines Corporation Portable computer monitoring
US20160104123A1 (en) * 2014-10-10 2016-04-14 At&T Intellectual Property I, L.P. Predictive Maintenance
CN107000435A (zh) * 2014-10-07 2017-08-01 录象射流技术公司 用于远程检修工业打印机的系统和方法

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003182328A (ja) 2001-12-21 2003-07-03 Pacific Ind Co Ltd タイヤ状態監視装置の送信機及びタイヤ状態監視装置
JP5228019B2 (ja) * 2010-09-27 2013-07-03 株式会社東芝 評価装置
FR2970358B1 (fr) * 2011-01-06 2019-04-12 Airbus Helicopters Pronostic de duree avant maintenance par fusion entre modelisation et simulation, pour equipements electroniques embarques dans un aeronef
US10579928B2 (en) * 2012-09-17 2020-03-03 Siemens Aktiengesellschaft Log-based predictive maintenance using multiple-instance learning
JP6475915B2 (ja) * 2013-12-26 2019-02-27 サトーホールディングス株式会社 プリンターのメンテナンスガイド装置およびそのメンテナンスガイド方法
US10984338B2 (en) 2015-05-28 2021-04-20 Raytheon Technologies Corporation Dynamically updated predictive modeling to predict operational outcomes of interest
JP6350404B2 (ja) * 2015-06-17 2018-07-04 株式会社リコー 情報処理システム、部品寿命決定方法及びプログラム
WO2017116627A1 (en) 2016-01-03 2017-07-06 Presenso, Ltd. System and method for unsupervised prediction of machine failures
US20170308802A1 (en) 2016-04-21 2017-10-26 Arundo Analytics, Inc. Systems and methods for failure prediction in industrial environments

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007256356A (ja) * 2006-03-20 2007-10-04 Ricoh Co Ltd 画像形成装置
US20120072769A1 (en) * 2010-09-21 2012-03-22 Microsoft Corporation Repair-policy refinement in distributed systems
US20140361978A1 (en) * 2013-06-07 2014-12-11 International Business Machines Corporation Portable computer monitoring
CN107000435A (zh) * 2014-10-07 2017-08-01 录象射流技术公司 用于远程检修工业打印机的系统和方法
US20160104123A1 (en) * 2014-10-10 2016-04-14 At&T Intellectual Property I, L.P. Predictive Maintenance

Also Published As

Publication number Publication date
EP3743816A4 (en) 2021-09-15
WO2019147271A1 (en) 2019-08-01
KR20200098681A (ko) 2020-08-20
US20200293392A1 (en) 2020-09-17
US11216329B2 (en) 2022-01-04
JP2020537226A (ja) 2020-12-17
BR112020013830A2 (pt) 2020-12-01
KR102364585B1 (ko) 2022-02-17
EP3743816A1 (en) 2020-12-02

Similar Documents

Publication Publication Date Title
Nguyen et al. Automated detection of performance regressions using statistical process control techniques
US10466138B2 (en) Determining remaining useful life of rotating machinery including drive trains, gearboxes, and generators
JP6811018B2 (ja) 品質評価システム、品質評価方法及びプログラム
WO2016161263A1 (en) Predictive analytic reliability tool set for detecting equipment failures
US20190163165A1 (en) Examining apparatus, examining method and recording medium
CN111796953A (zh) 故障预测装置及方法、存储介质、模型的学习及生成方法
KR20190021560A (ko) 빅데이터를 활용한 고장예지보전시스템 및 고장예지보전방법
WO2013041440A1 (en) System and method for plant wide asset management
KR102408426B1 (ko) 설비 노화 지수를 이용한 이상 감지 방법 및 장치
CN112272763A (zh) 异常探测装置、异常探测方法以及异常探测程序
CN113196311A (zh) 用于识别和预测机器的异常感测行为模式的系统和方法
JP2009086896A (ja) コンピュータの障害予測システムおよび障害予測方法
Calabrese et al. An event based machine learning framework for predictive maintenance in industry 4.0
Becherer et al. Intelligent choice of machine learning methods for predictive maintenance of intelligent machines
EP3627261B1 (en) Diagnosis system and method using parallel analysis paths
CN111061581B (zh) 一种故障检测方法、装置及设备
CN111400850A (zh) 设备故障分析方法、装置、设备和存储介质
KR102364585B1 (ko) 메인터넌스 개입 예측
JP2021096639A (ja) 制御方法、制御装置、機械設備、制御プログラム、記録媒体
US20220177016A1 (en) Method and device for diagnosing a railroad switch with a point machine
US20230359191A1 (en) System and method for determining a cause of an operating anomaly of a machine, computer program and electronically readable data storage device
US20220414555A1 (en) Prediction system, information processing apparatus, and information processing program
GB2590414A (en) Anomaly detection for code management
Aggogeri et al. Design for Reliability of Robotic Systems Based on the Prognostic Approach
Ault et al. Risk‐based approach for managing obsolescence for automation systems in heavy industries

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: 20200911

WD01 Invention patent application deemed withdrawn after publication