CN112655030A - 为工业机器故障提供矫正解决方案推荐 - Google Patents
为工业机器故障提供矫正解决方案推荐 Download PDFInfo
- Publication number
- CN112655030A CN112655030A CN201980054790.2A CN201980054790A CN112655030A CN 112655030 A CN112655030 A CN 112655030A CN 201980054790 A CN201980054790 A CN 201980054790A CN 112655030 A CN112655030 A CN 112655030A
- Authority
- CN
- China
- Prior art keywords
- features
- machine
- industrial machine
- segment
- failure
- 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
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
- G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
- G05B19/0428—Safety, monitoring
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
- G05B23/0245—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a qualitative model, e.g. rule based; if-then decisions
- G05B23/0251—Abstraction hierarchy, e.g. "complex systems", i.e. system is divided in subsystems, subsystems are monitored and results are combined to decide on status of whole system
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0267—Fault communication, e.g. human machine interface [HMI]
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0275—Fault isolation and identification, e.g. classify fault; estimate cause or root of failure
- G05B23/0281—Quantitative, e.g. mathematical distance; Clustering; Neural networks; Statistical analysis
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0297—Reconfiguration of monitoring system, e.g. use of virtual sensors; change monitoring method as a response to monitoring results
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C3/00—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Algebra (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Pure & Applied Mathematics (AREA)
- Human Computer Interaction (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
一种为工业机器故障提供矫正解决方案推荐的系统和方法,该方法包括:监测至少工业机器行为模型的多个分段以识别具有与先前机器故障相关联的至少第一特征集合的第一分段;确定解决先前机器故障的矫正解决方案推荐;识别与第二分段相关联的至少第二特征集合;以及当确定第二特征集合与第一特征集合的相似高于预定阈值时,生成包括矫正解决方案推荐的通知。
Description
相关申请的交叉引用
本申请要求于2018年8月20日提交的美国临时申请No.62/719,733的权益,其内容通过引用结合于此。
技术领域
本公开总体上涉及用于机器的维护系统,更具体地涉及用于改进机器进程的监测机器操作。
背景技术
近年来,通信、处理、云计算、人工智能、以及其他计算机化技术已经显著进步,成为技术和生产的新领域的先兆。此外,自20世纪70年代以来或之前采用的许多工业技术目前仍在使用。与这些工业技术相关的现有解决方案经常仅见到微小的改进,仅略微增加生产和产量。
在现代制造实践中,制造商必须经常满足严格的生产时间线并且提供无瑕疵或几乎无瑕疵的生产质量。因此,每当意外的机器故障发生时,这些制造商都会有严重损失的风险。机器故障是当机器偏离正确的服务时发生的事件。通常偏离机器的正确状态的错误不一定是故障,但可能导致并指示潜在的未来故障。除了故障之外,错误可能以其他方式引起可能影响性能的不寻常的机器行为。
典型制造商的基于故障的平均机器停机时间(即,由于机器故障,生产部分地或全部地停工的平均时间量)是每年17天,即,损失17天的生产并因此损失17天的收入。例如,在典型的450兆瓦功率涡轮机的情况下,单天的停机时间可能在损失的收入方面使制造商花费超过3百万美元。这种停工时间可具有与维修、安全防范等相关的附加成本。
在能源发电厂中,每年数十亿美元花费在确保可靠性上。具体地,数十亿美元花费在用于最小化生产停机时间的备份系统和冗余上。此外,可以利用监测系统来快速识别故障,从而当停机时间发生时加速返回到生产。然而,现有的监测系统通常仅在停机时间开始之后或在停机时间开始之前立即识别故障。
进一步地,用于监视机器故障的现有解决方案通常依赖于用于每个机器的预定规则的集合。这些规则集合不考虑关于机器收集的所有数据,并且这些规则集合仅用于检查特定关键参数而忽略其余参数。此外,这些规则集合必须由工程师或其他分析人员提前提供。因此,现有解决方案实际上可能仅使用了所收集的数据中的一些,从而导致与未使用数据的传输、存储和处理相关的计算资源的浪费使用。进一步地,未能考虑所有相关数据可能导致故障的遗漏或以其他方式的不准确的故障确定或故障预测。
此外,现有解决方案通常依赖于以预定间隔的周期性测试。因此,甚至当机器不处于立即故障状况时,甚至可以提前预测故障的现有解决方案通常返回执行机器维护的请求。这种过早的更换和维护导致浪费材料和花费在更换仍然正常工作的部件上的费用。进一步地,这样的现有解决方案通常仅在故障发生之后才使得启动维修。结果可能无法防止此类故障,从而导致停机时间和收入损失。
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在每个监视和维护系统的操作中训练良好的专业操作者。需要专业的操作者可能是不方便且昂贵的,并且可能引入人为错误的潜在来源。另外,除了数据的微小波动之外,给定可以针对任何给定机器收集的绝对数量的数据,分析人员不能够充分地确定即将到来的故障。
因此,提供一种将克服上述挑战的解决方案将是有利的。
发明内容
下面是本公开的几个示例性实施例的概述。提供本概述是为了方便给读者提供对这些实施例的基本理解,而不是完全限定本公开的广度。本概述不是对所有预期实施例的广泛概述,并且既不旨在识别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的形式呈现一个或更多个实施例的一些概念,作为稍后呈现的更详细描述的前序。为了方便起见,术语“某些实施例”本文可以用于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为工业机器故障提供矫正解决方案推荐的方法,包括:监测至少工业机器行为模型的多个分段以识别具有与先前机器故障相关联的至少第一特征集合的第一分段;确定解决先前机器故障的矫正解决方案推荐;识别与第二分段相关联的至少第二特征集合;以及当确定第二特征集合与第一特征集合的相似高于预定阈值时,生成包括矫正解决方案推荐的通知。
本文所公开的某些实施例还包括一种非暂时性计算机可读介质,该非暂时性计算机可读介质上存储有用于使处理电路执行过程的指令,该过程包括:监测至少工业机器行为模型的多个分段,以识别具有与先前机器故障相关联的至少第一特征集合的第一分段;确定解决先前机器故障的矫正解决方案推荐;识别与第二分段相关联的至少第二特征集合;以及当确定第二特征集合与第一特征集合的相似高于预定阈值时,生成包括矫正解决方案推荐的通知。
本文公开的某些实施例还包括一种用于为工业机器故障提供矫正解决方案推荐的系统,该系统包括:处理电路;以及存储器,该存储器包括指令,该指令在由处理电路执行时将该系统配置为:监测至少工业机器行为模型的多个分段,以识别具有与先前机器故障相关联的至少第一特征集合的第一分段;确定解决先前机器故障的矫正解决方案推荐;识别与第二分段相关联的至少第二特征集合;以及当确定第二特征集合与第一特征集合的相似高于预定阈值时,生成包括矫正解决方案推荐的通知。
附图说明
在说明书结尾处的权利要求书中具体指出并清楚地要求保护本文所公开的主题。根据下面结合附图的详细描述中,所公开的实施例的上述和其他目的、特征和优点将变得显而易见。
图1是用于描述所公开的各个实施例的网络图。
图2是根据实施例的管理服务器系统的示意图。
图3是示出了根据实施例的用于为机器故障提供矫正解决方案推荐的方法的流程图。
图4A为示出了根据实施例的来自工业机器行为模型的第一特征集合的收集的示例仿真。
图4B为示出了根据实施例对包括第二特征集合的工业机器行为模型的第二分段的监测的示例仿真。
具体实施方式
重要的是要注意,本文所公开的实施例仅是本文的创新性教导内容的许多有利用途的示例。通常,在本申请的说明书中进行的陈述不一定限制各个要求保护的实施例中的任何实施例。此外,一些陈述可适用于一些发明特征但不适用于其他发明特征。通常,除非另有说明,单数元件可以是复数的,反之亦然,而不失一般性。在附图中,相同的标号在几个视图始终指代相同的部件。
所公开的各实施例包括一种用于为机器故障提供矫正解决方案推荐的方法和系统。在从第一工业机器行为模型(下文称为机器工业行为模型)收集指示先前机器故障的第一特征集合之后,收集用于解决先前机器故障的第一矫正解决方案。然后,将第一特征集合与对应的矫正解决方案推荐相关联并且存储在数据库中。此后,监测第二机器行为模型以确定第二机器行为模型的第二特征集合与第一特征集合相似是否高于预定阈值。基于确定第二特征集合与第一特征集合之间的相似度越过阈值,将包括与用于解决先前机器故障的第一矫正解决方案相关联的矫正解决方案推荐的通知发送到与第二机器行为模型相关的机器相关联的客户端设备。
图1示出了用来描述所公开的各种实施例的示例网络图100。示例网络图100包括通过网络110连接的机器监测系统(MMS)130、管理服务器140、数据库150和客户端设备160和数据源180。示例网络图100还包括连接到机器监测系统130的多个传感器120-1至120-n(以下仅出于简化的目的单独称为传感器120并共同称为传感器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网络、蜂窝网络或有线网络、局域网(LAN)、广域网(WAN)、城域网(MAN)、互联网、万维网(WWW)、相似网络及它们的任何组合。
客户端设备160可以是但不限于个人计算机、笔记本电脑、平板计算机、智能电话、可穿戴计算设备、日志、数据源(例如数据库)或能够接收和/或显示指示维护和故障定时预测、监督分析的结果、机器操作数据的无监督分析等的通知的任何其他设备。
传感器120位于机器170附近(例如,物理接近)。机器170可以是可经由传感数据表示其性能的任何机器,包括用于工业设置的工业机器,但不限于涡轮机、发动机、焊接机器、三维(3D)打印机、注射成型机器、它们的组合、它们的一部分等。每个传感器120被配置为基于机器170的操作收集传感输入,传感输入诸如但不限于声音信号、超声信号、光、运动跟踪指示器、温度、能量消耗指示器等。传感器120可包括但不限于声音捕捉传感器、运动跟踪传感器、能量消耗计、温度计等。传感器120中的任一个可以(但不一定)通信地或以其他方式连接(这种仅为了简单起见而不限制所公开的实施例的连接在图1中未示出)到机器170。
应当注意的是,多个机器(诸如机器170)可经由网络110连接至管理服务器140。
传感器120通信地连接到MMS 130。MMS 130可被配置为存储和预处理从传感器120接收的原始传感输入。替代地或共同地,MMS 130可被配置成周期性地检索存储在例如数据库150中的所收集的传感输入。预处理可以包括但不限于数据清洗、标准化、重标度、重新趋势化(re-trending)、重新格式化、噪声滤波、它们的组合等。
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),该存储器中包含指令,当由处理电路执行该指令时,该指令对如下文进一步描述的管理服务器140进行配置。根据本公开的实施例,存储在存储器中的指令是配置系统100以执行下文描述的方法的指令。存储器还可包含由传感器120收集的数据,然而,此类数据还可存储在数据仓库(例如数据库150)中,其中在某些实施例中,管理服务器140的存储器将数据和/或指令存储到数据仓库或从数据仓库中检索数据和/或指令。
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可被配置成存储被用来解决或减轻先前发生的机器故障的一个或更多个矫正解决方案推荐。
在实施例中,管理服务器140被配置成用于监测多个机器行为模型。每个机器行为模型可以与机器(例如,机器170)相关联。机器行为模型可由例如聚集与机器的多个部件和/或由机器执行的过程相关联的多个传感输入的图表示。在进一步的实施例中,机器行为模型可以由元模型表示,其中每个元模型与机器的部件相关联。元模型是从一个或更多个机器学习模型生成的并且考虑先前数据的模型。它们基于与其相应部件相关的指示性传感输入,并且可用于识别机器的每个相应部件的操作中的异常。在进一步的实施例中,机器行为模型可以被划分成多个分段。分段可以由图形所表示的机器的至少一个部件的至少反常操作行为的时间帧、起点和终点等来确定。
在实施例中,管理服务器140被配置为从多个机器行为模型中的至少第一机器行为模型的至少第一分段识别与先前机器故障相关联的至少第一特征集合。第一特征集合可包括例如传感输入的特性、在先前机器故障期间或先前机器故障之前发生的异常、统计度量、在先前机器故障期间或先前机器故障之前的传感输入之间的相关性、在先前机器故障期间或先前机器故障之前的机器行为模式、根本原因等。在实施例中,可以利用第一特征集合来预测新的即将到来的机器故障和/或标识机器故障,如本文中下面进一步描述的。
在实施例中,管理服务器140被配置为,例如基于从数据源(例如,数据源180)检索的数据,确定与解决先前机器故障的矫正解决方案相关联的至少第一矫正解决方案推荐。先前机器故障可能已经发生在与正被监测的机器行为模型相关联的机器中,或者可能已经发生在被确定为相似高于预定阈值的这种机器的机器中。作为非限制性示例,第一矫正解决方案建议可以指示机器170的排气管道应该被替换为新的排气管道以避免故障。
如本文中以上进一步讨论的,数据源180可以是例如工厂的服务器,数据仓库等,其被配置成收集并存储与先前被确定为对解决在一个或更多个机器的操作期间发生的机器故障有用的矫正解决方案相关联的矫正解决方案推荐。第一矫正解决方案推荐的收集可以使用例如标识符来实现,该标识符允许确定哪个矫正解决方案推荐与哪个收集的机器故障特征相关。
在实施例中,标识符可以是发生机器故障的时间帧,使得与机器故障相关联的特征以及矫正解决方案推荐可以具有相同或相似的时间帧。因此,某一矫正解决方案推荐可以被识别为与一个或更多个特征相关联。在示例场景中,在上午10:07在第一机器行为模型中识别反常行为,并且在一分钟之后,在上午10:08,由服务器记录矫正解决方案推荐。根据相同的示例,特征(即,反常行为)和矫正解决方案推荐发生在相似的时间帧内。在实施例中,可基于预定阈值来确定相似的时间帧,使得例如在10:00分的间隔内的发生的事件可被认为是相同的时间帧,并且在10:01分或更长时间内的发生的事件可被认为是不同的时间帧。
在实施例中,管理服务器140被配置为在数据库(例如,数据库150)中存储具有与其相关的至少第一矫正解决方案推荐的第一特征集合。即,指示先前机器故障的第一特征集合与已被用于解决先前机器故障的矫正解决方案推荐相关联,并且第一特征集合和矫正解决方案推荐两者被存储在数据库150中以供将来使用。
在实施例中,管理服务器140被配置为识别与至少第一机器行为模型的第二分段相关联的至少第二特征集合。第二分段可以包括至少第二特征集合。需要注意的是,检测可以在同一机器行为模型即第一机器行为模型的第二分段上执行,也可以在第二机器行为模型和第三机器行为模型等的分段上执行。第二特征集合可包括例如允许预测或识别机器故障的传感输入的特性、传感输入的异常、传感输入之间的相关性、机器行为模式等。监测至少第二分段允许管理服务器140检测并确定(如果它们存在的话)第二分段的第二特征集合和第一分段的第一特征集合之间的相似度,该相似度指示机器故障并且先前与相应的矫正解决方案推荐相关联。
在实施例中,管理服务器140被配置成用于确定第二特征集合与存储在数据库150中的第一特征集合相似是否高于预定阈值。在实施例中,可以使用相似度函数来实现确定,该相似度函数是提供表示两特征集合之间的相似度的定量值的函数。可以通过将第二特征集合与该至少第一特征集合进行比较来实现该确定。
根据另一个实施例,可以使用一个或更多个机器学习模型来实现该确定。阈值可以是预定指示符,该预定指示符在到达时指示第二特征集合和第一特征集合足够相似,使得可以确定例如是否当前正在发生相同的机器故障、是否将要发生相同的机器故障或者是否已经发生相同的机器故障。作为非限制性示例,阈值可要求第二分段和第一分段的传感输入的最大值将是相同的。作为另一个非限制性示例,阈值可以要求两个反常行为之间的间隔将小于一分钟。作为另一非限制性示例,阈值可要求所监测的部件中的至少两者相同。应当注意的是,第一分段和第二分段之间的相似度可以指示第二分段也指示机器故障或即将到来的机器故障。即,在确定相似度超过阈值时,可以预测至少一个即将到来的机器故障。
在实施例中,在确定超过阈值之后,管理服务器140被配置为从数据库150中提取至少第一矫正解决方案推荐。例如,在确定第二机器行为模型的第二分段与第一机器行为模型的第一分段的相似高于预定阈值,第一分段被确定为指示机器故障并且与有效的矫正解决方案相关联,提取与先前被确定为有效的矫正解决方案相关联的矫正解决方案推荐以供将来使用。
在实施例中,管理服务器140被配置为向客户端设备(例如,客户端设备160)发送包括该至少第一矫正解决方案推荐的通知。向其发送通知的客户端设备160与在该处识别或预测至少即将到来的机器故障的机器(例如,机器170)相关联。该通知可以包括例如关于如何防止即将到来的机器故障、如何解决所识别的机器故障等的推荐。在进一步的实施例中,通知可以包括信息,例如但不限于故障时间、机器故障根本原因、退化事件的演进、与先前机器故障相关的信息等。在进一步的实施例中,在发送通知之前,管理服务器140被配置为基于例如机器类型、机器特征、至少第二分段的第二特征集合、它们的组合等来调整矫正解决方案推荐。
在实施例中,管理服务器140被配置为确定针对至少第一矫正解决方案推荐和所识别的即将到来的机器故障的适合性分数。即,适合性分数可以指示成功解决第一机器故障的矫正解决方案推荐将解决即将到来的机器故障和/或现有机器故障的概率。
图2示出了根据一个实施例实现的管理服务器140的示例框图。管理服务器140包括耦接到存储器220、存储装置230、网络接口240和机器学习(ML)处理器250的处理电路210。在实施例中,管理服务器140的部件可以经由总线260通信地连接。
处理电路210可被实现为一个或更多个硬件逻辑组件和电路。例如但不限于,可以使用的硬件逻辑组件的说明性类型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)、图形处理单元(GPU)、张量处理单元(TPU)、通用微处理器、微控制器、数字信号处理器(DSP)等,或能够执行对信息的计算或其他操纵的任何其他硬件逻辑组件。
存储器220可以是易失性的(例如,RAM)、非易失性的(例如,ROM或闪存)或它们的组合。在一种配置中,用于实现本文所公开的一个或更多个实施例的计算机可读指令可以被存储在存储装置230中。
在另一实施例中,存储器220被配置为存储软件。软件应当被广义地解释为意指任何类型的指令,无论其被称为软件、固件、中间件、微代码、硬件描述语言或其他。指令可以包括(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)的代码。指令在由一个或更多个处理器执行时,使得处理电路210执行本文描述的各种进程。
存储器230可以是磁性存储装置、固态存储装置、光学存储装置等,并且可以被实现为例如闪存或其他存储器技术、CD-ROM、数字通用盘(DVD)、或可以用于存储期望的信息的任何其他介质。
网络接口240允许管理服务器140与机器监测系统130通信,以用于例如接收原始和/或经预处理的传感输入的目的。另外,网络接口240允许管理服务器140与客户端设备160通信,以便发送例如与异常活动、机器故障预测、矫正解决方案推荐等相关的通知。
如本文进一步描述的,机器学习处理器250被配置为基于经由网络接口240接收的传感输入来执行机器学习。在实施例中,机器学习处理器250还被配置为基于一个或更多个机器学习模型来确定对机器170的故障的预测。在进一步的实施例中,机器学习处理器250还被配置为确定用于避免或减轻所确定的预测故障的至少一个推荐。作为非限制性示例,至少一个推荐可以指示机器170上的排气管应该被新的排气管替换以避免故障。机器学习模型可以用于识别第一特征集合与至少第二特征集合之间的相似度,相似度可以指示机器故障和/或即将到来的机器故障。
应当理解,本文所描述的实施例不限于图2中示出的具体架构,并且在不脱离所公开的实施例的范围的情况下,可等同地使用其他架构。
图3是示出了根据实施例的用于为机器故障提供矫正解决方案推荐的方法的示例流程图300。
在S310处,监测至少工业机器行为模型的多个分段以识别具有与先前工业机器故障相关联的至少第一特征集合的第一分段。第一特征集合是与先前故障相关联的工业机器的各种参数。在实施例中,S310还可以包括监测多个机器行为模型以收集与先前发生的多个机器故障相关的特征。
在S320,确定与先前解决第一机器故障的至少一个矫正解决方案相关联的矫正解决方案推荐。可以先前存储矫正解决方案推荐并从数据源(例如,图1的数据源180)检索矫正解决方案推荐。数据源可以是例如服务器、数据仓库等,该数据源被配置成收集并存储先前被确定为对解决在一个或更多个机器的操作期间发生的机器故障有用的矫正解决方案推荐。应当注意的是,可以结合若干矫正解决方案来解决单个即将到来的机器故障或现有的机器故障,使得矫正解决方案推荐可以包括单个矫正解决方案或多个矫正解决方案。根据另一实施例,矫正解决方案推荐还可以包括一个或更多个无效的解决方案。无效的解决方案是在相似的先前情况中(即,在相似的先前机器故障中)使用的、但是对于解决相似的先前机器故障的目的而言无效的矫正解决方案。
在S330处,识别具有至少第二特征集合的机器行为模型的至少第二分段。应当注意的是,可以从相同机器行为模型(即,第一机器行为模型)的第二分段识别第二特征集合,并且还可以在第二机器行为模型、第三机器行为模型等的分段上执行该第二特征集合。如果第二特征集合与第一特征集合之间存在指示机器故障的任何相似度,则识别至少第二分段允许检测。
在S340处,检查第二特征集合与第一特征集合的相似是否高于预定阈值,如果是,则继续执行S350;否则,继续执行S330。当确定相似度超过阈值时,识别至少即将到来的机器故障。在实施例中,相似度还可以指示已经发生的机器故障与先前分析的机器故障相似。在进一步的实施例中,基于相似度函数确定相似度高于预定阈值,该相似度函数提供表示两特征集合之间的相似度的定量值。在又进一步的实施例中,基于机器学习模型来确定相似度。
在S360处,生成包括第一矫正解决方案推荐的通知并且可选地将该通知发送给客户端设备(例如,图1的客户端设备160)。客户端设备与其中识别了至少即将到来的机器故障的机器(例如,图1的机器170)相关联。例如,客户端设备(诸如智能电话)通信地连接到具有正被监测的相关联的机器行为模型的机器,并且在识别出即将到来的机器故障或识别出已经发生的机器故障时,向智能电话发送通知。根据相同的示例,通知可以包括用于解决机器故障的建议的解决方案。在进一步的实施例中,S360可以包括在确定越过阈值(即,第一特征集合和第二特征集合之间的相似度超过阈值)时从数据库提取第一矫正解决方案推荐。
图4A是示出来自第一机器行为模型的第一特征集合的收集的示例仿真400A。分段410A示出了第一机器的正常行为。也就是说,传感输入位于指示机器操作正常的预定正常范围内。分段420A示出了反常机器行为。反常机器行为由关于分段410A中所示的正常机器行为的传感输入的反常值表示。分段420A中所示的传感输入可指示例如机器的气体管中的高压、相对高的能源消耗和相对低的油压。分段430A示出了机器停机时间,其遵循其中机器不起作用的反常行为。可以从分段420A收集第一特征集合。此后,与解决机器故障的矫正解决方案相关的矫正解决方案推荐连同在机器故障上指示的第一特征集合一起被存储在数据库中。作为非限制性示例,第一矫正解决方案推荐可以指示机器的排气管道应该被替换为新的排气管道以避免故障。第一特征集合的收集以及特征与相关矫正解决方案推荐的关联允许在将来情况下使用所收集的特征和解决方案,例如图4B所示的用于及时识别机器故障的矫正解决方案,并且建议在过去已经解决相似机器故障的适当矫正解决方案。
图4B是示出对包括第二特征集合的机器行为模型的第二分段的监测的示例仿真400B。分段410B示出了第二机器的正常行为。也就是说,传感输入位于指示机器操作是正常的正常范围内。分段420B示出了反常的机器行为。反常机器行为由关于分段410B中所示的正常机器行为的传感输入的反常值来表示。分段420B中所示的传感器输入可以指示机器的气体管中的高压、相对高的能源消耗和相对低的油压。即,在第一机器故障之前在第一机器行为模型的分段420A中识别的三个反常传感输入值也存在于第二机器行为模型的分段420B中。因此,与解决第一机器故障的矫正解决方案相关联的矫正解决方案推荐应当被发送到与第二机器相关联的客户端设备,以便防止即将到来的机器故障。应当注意的是,反常传感输入值是特征的至少一部分,通过所述特征的至少一部分管理服务器140能够确定分段420A和分段420B是否具有相似高于阈值的特征。其他特征可以是例如反常行为的时间帧、指示反常行为的传感器的数量、模式等。
本文所公开的各种实施例可被实现为硬件、固件、软件或它们的任何组合。此外,软件优选地被实现为有形地体现在程序存储单元或计算机可读介质上的应用程序,该程序存储装置单元或计算机可读介质由部件或某些设备和/或设备的组合组成。应用程序可以被上传到包括任何适当架构的机器并且由该机器执行。优选地,机器在具有硬件(诸如一个或更多个中央处理单元(“CPU”)、存储器和输入/输出接口)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。本文所描述的各种处理和功能可以是微指令代码的一部分或应用程序的一部分或它们的任何组合,其可以由CPU执行,无论这样的计算机或处理器是否被明确示出。此外,诸如附加数据存储装置单元和打印单元的各种其他外围单元可以连接到计算机平台。此外,非暂时性计算机可读介质是除了暂时性传播信号之外的任何计算机可读介质。
如本文中所使用的,跟随有项目列表的短语“至少一个”是指可以单独利用所列出的项目中的任一个,或者可以利用所列出的项目中的两个或更多个的任何组合。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的A、单独的B、单独的C、A和B的组合、B和C的组合、A和C的组合或A、B和C的组合。
本文叙述的所有示例和条件性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和发明人为促进本领域所贡献的概念,并且将被解释为不限于此类具体叙述的示例和条件。此外,本文叙述所公开的实施例的原理、方面和实施例以及其具体示例的所有陈述旨在涵盖其结构和功能等同物两者。另外,这种等同物旨在包括当前已知的等同物以及将来开发的等同物,即,不管结构如何都执行相同功能的开发的任何元件。
Claims (19)
1.一种为工业机器故障提供矫正解决方案推荐的方法,包括:
监测至少工业机器行为模型的多个分段以识别具有与先前工业机器故障相关联的至少第一特征集合的第一分段;
确定解决所述先前工业机器故障的矫正解决方案推荐;
识别与第二分段相关联的至少第二特征集合;以及
当确定所述第二特征集合与所述第一特征集合的相似高于预定阈值时,生成包括所述矫正解决方案推荐的通知。
2.根据权利要求1所述的方法,还包括:
向客户端设备发送所生成的通知。
3.根据权利要求1所述的方法,其中,所述第一特征集合和所述第二特征集合指示以下中的至少一个:特征、异常、统计度量、传感输入之间的相关性、机器行为模式和根本原因。
4.根据权利要求1所述的方法,其中,所述第一特征集合允许通过检测机器的至少一个部件的反常行为来检测工业机器故障。
5.根据权利要求1所述的方法,其中,所述通知包括以下中的至少一个:故障时间、工业机器故障根本原因、退化事件的演变、与先前工业机器故障相关的信息。
6.根据权利要求1所述的方法,还包括:
确定所述矫正解决方案推荐的适合性分数,其中,所述适合性分数指示所述矫正解决方案推荐将解决即将到来的或现有的第二工业机器故障的概率。
7.根据权利要求1所述的方法,其中,基于相似度函数,所述第二特征集合被确定为与所述第一特征集合的相似高于预定阈值,所述相似度函数提供表示两个特征集合之间的相似度的定量值。
8.根据权利要求1所述的方法,其中,所述至少工业机器行为模型由多个元模型表示,其中,所述多个元模型中的每一个与工业机器的部件相关联。
9.根据权利要求1所述的方法,其中,使用机器学习模型将所述第二特征集合确定为与所述第一特征集合相似。
10.一种非暂时性计算机可读介质,所述非暂时性计算机可读介质上存储有用于使处理电路执行过程的指令,所述过程包括:
监测至少工业机器行为模型的多个分段以识别具有与先前工业机器故障相关联的至少第一特征集合的第一分段;
确定解决所述先前工业机器故障的矫正解决方案推荐;
识别与第二分段相关联的至少第二特征集合;以及
当确定所述第二特征集合与所述第一特征集合的相似高于预定阈值时,生成包括所述矫正解决方案推荐的通知。
11.一种为工业机器故障提供矫正解决方案推荐的系统,包括:
处理电路;以及
存储器,所述存储器包括指令,当所述指令在由所述处理电路执行时,所述指令将所述系统配置为:
监测至少工业机器行为模型的多个分段以识别具有与先前工业机器故障相关联的至少第一特征集合的第一分段;
确定解决所述先前工业机器故障的矫正解决方案推荐;
识别与第二分段相关联的至少第二特征集合;以及
当确定所述第二特征集合与所述第一特征集合的相似高于预定阈值时,生成包括所述矫正解决方案推荐的通知。
12.根据权利要求11所述的系统,其中,所述系统还被配置为:
向客户端设备发送所生成的通知。
13.根据权利要求11所述的系统,其中,所述第一特征集合和所述第二特征集合指示以下中的至少一个:特征、异常、统计度量、传感输入之间的相关性、机器行为模式和根本原因。
14.根据权利要求11所述的系统,其中,所述第一特征集合允许通过检测机器的至少一个部件的反常行为来检测工业机器故障。
15.根据权利要求11所述的系统,其中,所述通知包括以下中的至少一个:故障时间、工业机器故障根本原因、退化事件的演变、与先前工业机器故障相关的信息。
16.根据权利要求11所述的系统,其中,所述系统还被配置为:
确定所述矫正解决方案推荐的适合性分数,其中,所述适合性分数指示所述矫正解决方案推荐将解决即将到来的或现有的第二工业机器故障的概率。
17.根据权利要求11所述的系统,其中,基于相似度函数,所述第二特征集合被确定与所述第一特征集合的相似高于预定阈值,所述相似度函数提供表示两个特征集合之间的相似度的定量值。
18.根据权利要求11所述的系统,其中,所述至少工业机器行为模型由多个元模型表示,其中,所述多个元模型中的每一个与工业机器的部件相关联。
19.根据权利要求11所述的系统,其中,使用机器学习模型将所述第二特征集合确定为与所述第一特征集合相似。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201862719733P | 2018-08-20 | 2018-08-20 | |
US62/719,733 | 2018-08-20 | ||
PCT/US2019/046121 WO2020041020A1 (en) | 2018-08-20 | 2019-08-12 | Providing corrective solution recommendations for an industrial machine failure |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112655030A true CN112655030A (zh) | 2021-04-13 |
Family
ID=69591259
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201980054790.2A Pending CN112655030A (zh) | 2018-08-20 | 2019-08-12 | 为工业机器故障提供矫正解决方案推荐 |
Country Status (5)
Country | Link |
---|---|
US (1) | US11822323B2 (zh) |
CN (1) | CN112655030A (zh) |
BR (1) | BR112021002673A2 (zh) |
DE (1) | DE112019004198T5 (zh) |
WO (1) | WO2020041020A1 (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020091972A1 (en) * | 2001-01-05 | 2002-07-11 | Harris David P. | Method for predicting machine or process faults and automated system for implementing same |
US20040025082A1 (en) * | 2002-07-31 | 2004-02-05 | Roddy Nicholas Edward | Method and system for monitoring problem resolution of a machine |
CN101107594A (zh) * | 2005-01-18 | 2008-01-16 | 国际商业机器公司 | 基于历史对可疑组件排优先级 |
WO2017116627A1 (en) * | 2016-01-03 | 2017-07-06 | Presenso, Ltd. | System and method for unsupervised prediction of machine failures |
CN107045335A (zh) * | 2017-03-16 | 2017-08-15 | 欧科佳(上海)汽车电子设备有限公司 | 一种车辆远程诊断系统及方法 |
CN107436595A (zh) * | 2016-05-27 | 2017-12-05 | 发那科株式会社 | 机械学习装置、故障预测装置、机械系统及机械学习方法 |
CN108229704A (zh) * | 2018-01-16 | 2018-06-29 | 百度在线网络技术(北京)有限公司 | 用于推送信息的方法和装置 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6567709B1 (en) * | 2000-02-04 | 2003-05-20 | Rem Technology | Integrated monitoring, diagnostics, shut-down and control system |
EP1688842B1 (en) * | 2005-01-26 | 2008-02-20 | Océ-Technologies B.V. | Automated performance analysis and failure remediation |
US20090096405A1 (en) * | 2007-10-15 | 2009-04-16 | General Electric Company | Method and system for remotely predicting the remaining life of an ac motor system |
-
2019
- 2019-08-12 WO PCT/US2019/046121 patent/WO2020041020A1/en active Application Filing
- 2019-08-12 DE DE112019004198.3T patent/DE112019004198T5/de active Pending
- 2019-08-12 CN CN201980054790.2A patent/CN112655030A/zh active Pending
- 2019-08-12 BR BR112021002673-8A patent/BR112021002673A2/pt unknown
-
2021
- 2021-02-01 US US17/163,920 patent/US11822323B2/en active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020091972A1 (en) * | 2001-01-05 | 2002-07-11 | Harris David P. | Method for predicting machine or process faults and automated system for implementing same |
US20040025082A1 (en) * | 2002-07-31 | 2004-02-05 | Roddy Nicholas Edward | Method and system for monitoring problem resolution of a machine |
CN101107594A (zh) * | 2005-01-18 | 2008-01-16 | 国际商业机器公司 | 基于历史对可疑组件排优先级 |
WO2017116627A1 (en) * | 2016-01-03 | 2017-07-06 | Presenso, Ltd. | System and method for unsupervised prediction of machine failures |
CN107436595A (zh) * | 2016-05-27 | 2017-12-05 | 发那科株式会社 | 机械学习装置、故障预测装置、机械系统及机械学习方法 |
CN107045335A (zh) * | 2017-03-16 | 2017-08-15 | 欧科佳(上海)汽车电子设备有限公司 | 一种车辆远程诊断系统及方法 |
CN108229704A (zh) * | 2018-01-16 | 2018-06-29 | 百度在线网络技术(北京)有限公司 | 用于推送信息的方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
WO2020041020A1 (en) | 2020-02-27 |
US11822323B2 (en) | 2023-11-21 |
BR112021002673A2 (pt) | 2021-05-11 |
DE112019004198T5 (de) | 2021-06-02 |
US20210157309A1 (en) | 2021-05-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210397501A1 (en) | System and method for unsupervised prediction of machine failures | |
US11243524B2 (en) | System and method for unsupervised root cause analysis of machine failures | |
US20220300857A1 (en) | System and method for validating unsupervised machine learning models | |
US11669083B2 (en) | System and method for proactive repair of sub optimal operation of a machine | |
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 | |
US11933695B2 (en) | System and method for detecting anomalies in sensory data of industrial machines located within a predetermined proximity | |
Marti-Puig et al. | Effects of the pre-processing algorithms in fault diagnosis of wind turbines | |
US9282008B2 (en) | Systems and methods for monitoring system performance and availability | |
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 | |
CN112655030A (zh) | 为工业机器故障提供矫正解决方案推荐 | |
Pham et al. | Text Mining Framework for Predictive Maintenance in Manufacturing | |
CN114443398A (zh) | 内存故障预测模型的生成方法、检测方法、装置及设备 | |
CN118068790A (zh) | 一种工业生产数据管理方法及系统 |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20211222 Address after: Gothenburg Applicant after: AKTIEBOLAGET SKF Address before: Yoknem, Israel Applicant before: SKF artificial intelligence Co.,Ltd. |