CN112703457A - 用于使用工业物联网进行数据收集、学习和机器信号流传输实现分析和维护的方法和系统 - Google Patents

用于使用工业物联网进行数据收集、学习和机器信号流传输实现分析和维护的方法和系统 Download PDF

Info

Publication number
CN112703457A
CN112703457A CN201980044757.1A CN201980044757A CN112703457A CN 112703457 A CN112703457 A CN 112703457A CN 201980044757 A CN201980044757 A CN 201980044757A CN 112703457 A CN112703457 A CN 112703457A
Authority
CN
China
Prior art keywords
data
industrial machine
vibration
industrial
service
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
CN201980044757.1A
Other languages
English (en)
Inventor
查尔斯·霍华德·塞拉
小杰拉尔德·威廉·达菲
杰弗里·P·麦加金
梅于尔·德赛
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.)
Strong Force IoT Portfolio 2016 LLC
Original Assignee
Strong Force IoT Portfolio 2016 LLC
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
Priority claimed from US15/973,406 external-priority patent/US11838036B2/en
Application filed by Strong Force IoT Portfolio 2016 LLC filed Critical Strong Force IoT Portfolio 2016 LLC
Publication of CN112703457A publication Critical patent/CN112703457A/zh
Pending legal-status Critical Current

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
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H1/00—Measuring characteristics of vibrations in solids by using direct conduction to the detector
    • G01H1/003—Measuring characteristics of vibrations in solids by using direct conduction to the detector of rotating machines
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H3/00—Measuring characteristics of vibrations by using a detector in a fluid
    • G01H3/04—Frequency
    • G01H3/08—Analysing frequencies present in complex vibrations, e.g. comparing harmonics present
    • 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
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G05B13/028—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using expert systems only
    • 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
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/4183—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by data acquisition, e.g. workpiece identification
    • 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
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/4184—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by fault tolerance, reliability of production 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
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/41845—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by system universality, reconfigurability, modularity
    • 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
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/4185—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by the network communication
    • 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
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/41865—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by job scheduling, process planning, material flow
    • 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
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
    • 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
    • G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
    • 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
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/0227—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions
    • G05B23/0229—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions knowledge based, e.g. expert systems; genetic algorithms
    • 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
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
    • 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
    • G05B23/0264—Control of logging system, e.g. decision on which data to store; time-stamping measurements
    • 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
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0286—Modifications to the monitored process, e.g. stopping operation or adapting control
    • 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
    • G05B23/0286—Modifications to the monitored process, e.g. stopping operation or adapting control
    • G05B23/0289—Reconfiguration to prevent failure, e.g. usually as a reaction to incipient failure detection
    • 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
    • G05B23/0286—Modifications to the monitored process, e.g. stopping operation or adapting control
    • G05B23/0291—Switching into safety or degraded mode, e.g. protection and supervision after failure
    • 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
    • G05B23/0286—Modifications to the monitored process, e.g. stopping operation or adapting control
    • G05B23/0294—Optimizing process, e.g. process efficiency, product quality
    • 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
    • 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
    • G06F18/2178—Validation; Performance evaluation; Active pattern learning techniques based on feedback of a supervisor
    • 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
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • 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
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/046—Forward inferencing; Production systems
    • 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
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/309—Measuring or estimating channel quality parameters
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/309—Measuring or estimating channel quality parameters
    • H04B17/318—Received signal strength
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L1/00—Arrangements for detecting or preventing errors in the information received
    • H04L1/0001—Systems modifying transmission characteristics according to link quality, e.g. power backoff
    • H04L1/0002—Systems modifying transmission characteristics according to link quality, e.g. power backoff by adapting the transmission rate
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L1/00—Arrangements for detecting or preventing errors in the information received
    • H04L1/004—Arrangements for detecting or preventing errors in the information received by using forward error control
    • H04L1/0041—Arrangements at the transmitter end
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L1/00—Arrangements for detecting or preventing errors in the information received
    • H04L1/12—Arrangements for detecting or preventing errors in the information received by using return channel
    • H04L1/16—Arrangements for detecting or preventing errors in the information received by using return channel in which the return channel carries supervisory signals, e.g. repetition request signals
    • H04L1/18—Automatic repetition systems, e.g. Van Duuren systems
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/10—Protocols in which an application is distributed across nodes in the network
    • H04L67/1097—Protocols in which an application is distributed across nodes in the network for distributed storage of data in networks, e.g. transport arrangements for network file system [NFS], storage area networks [SAN] or network attached storage [NAS]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
    • H04L9/32—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols including means for verifying the identity or authority of a user of the system or for message authentication, e.g. authorization, entity authentication, data integrity or data verification, non-repudiation, key authentication or verification of credentials
    • H04L9/3236—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols including means for verifying the identity or authority of a user of the system or for message authentication, e.g. authorization, entity authentication, data integrity or data verification, non-repudiation, key authentication or verification of credentials using cryptographic hash functions
    • H04L9/3239—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols including means for verifying the identity or authority of a user of the system or for message authentication, e.g. authorization, entity authentication, data integrity or data verification, non-repudiation, key authentication or verification of credentials using cryptographic hash functions involving non-keyed hash functions, e.g. modification detection codes [MDCs], MD5, SHA or RIPEMD
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
    • H04L9/50—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols using hash chains, e.g. blockchains or hash trees
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/32—Operator till task planning
    • G05B2219/32234—Maintenance planning
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/32—Operator till task planning
    • G05B2219/32287—Medical, chemical, biological laboratory
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/35—Nc in input of data, input till input file format
    • G05B2219/35001—Data input, data handling, programming, monitoring of nc
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/37—Measurements
    • G05B2219/37337—Noise, acoustic emission, sound
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/37—Measurements
    • G05B2219/37351—Detect vibration, ultrasound
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/37—Measurements
    • G05B2219/37434—Measuring vibration of machine or workpiece or tool
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/40—Robotics, robotics mapping to robotics vision
    • G05B2219/40115—Translate goal to task program, use of expert 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
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/45—Nc applications
    • G05B2219/45004—Mining
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/45—Nc applications
    • G05B2219/45129—Boring, drilling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L2209/00—Additional information or applications relating to cryptographic mechanisms or cryptographic arrangements for secret or secure communication H04L9/00
    • H04L2209/80—Wireless
    • H04L2209/805—Lightweight hardware, e.g. radio-frequency identification [RFID] or sensor
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L5/00—Arrangements affording multiple use of the transmission path
    • H04L5/003—Arrangements for allocating sub-channels of the transmission path
    • H04L5/0058—Allocation criteria
    • H04L5/0064—Rate requirement of the data, e.g. scalable bandwidth, data priority
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P80/00—Climate change mitigation technologies for sector-wide applications
    • Y02P80/10—Efficient use of energy, e.g. using compressed air or pressurized fluid as energy carrier
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/80—Management or planning

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Quality & Reliability (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Manufacturing & Machinery (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Security & Cryptography (AREA)
  • Electromagnetism (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Chemical & Material Sciences (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Algebra (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

工业机器预测性维护系统可包括工业机器数据分析设施，工业机器数据分析设施通过将机器学习应用于表示工业机器部分状况的通过数据收集网络接收的数据，生成工业机器运行状况监测数据流。该系统可包括工业机器预测性维护设施，工业机器预测性维护设施通过对运行状况监测数据应用机器故障检测和分类算法生成工业机器服务建议，以响应运行状况监测数据。该系统还可包括计算机维护管理系统，计算机维护管理系统响应于所述工业机器服务建议生成服务和部件的订单和/或请求。系统可包括服务和交付协调设施，服务和交付协调设施处理关于响应于服务和部件的订单和/或请求而在工业机器上被执行的服务的信息，从而在为各个工业机器生成服务活动分类账和结果的同时验证所执行的服务。

Description

用于使用工业物联网进行数据收集、学习和机器信号流传输 实现分析和维护的方法和系统
交叉引用
本申请要求以下在先申请优先权：2018年8月2日递交的发明名称为“用于使用工业物联网进行机器信号流传输实现分析和维护的方法和系统”的申请号为62/714,078的美国临时专利申请案；2018年8月2日递交的发明名称为“用于使用工业物联网进行数据收集和学习的方法和系统”的申请号为62/713,897的美国临时专利申请案；2018年11月8日递交的发明名称为“用于使用工业物联网进行机器信号流传输实现分析和维护的方法和系统”的申请号为62/757,166的美国临时专利申请案；2019年1月31日递交的发明名称为“用于使用工业物联网进行数据收集、学习和机器信号流传输实现分析和维护的方法和系统”的申请号为62/799,732的美国临时专利申请案；2018年9月26日递交的发明名称为“用于在利用频带调整的工业物联网数据收集环境中进行检测以诊断油气生产设备的方法和系统”的申请号为16/143,286的美国非临时专利申请案；以及2018年5月7日递交的发明名称为“用于在采用大数据集的工业物联网数据收集环境中进行检测的方法和系统”的申请号为15/973,406的美国非临时专利申请案。
2018年9月26日递交的发明名称为“用于在利用频带调整的工业物联网数据收集环境中进行检测以诊断油气生产设备的方法和系统”的申请号为16/143,286的美国非临时专利申请案，其是2018年8月2日递交的发明名称为“用于在采用大数据集的工业物联网数据收集环境中进行检测的方法和系统”的申请号为PCT/US2018/045036的国际申请案(于2019年2月7日公开，公开号为WO/2019/028269)的旁路继续申请，该旁路继续申请要求于2018年5月7日递交的发明名称为“用于在采用大数据集的工业物联网数据收集环境中进行检测的方法和系统”的申请号为15/973,406的美国非临时专利申请案的在先申请优先权，该申请案是2017年5月9日递交的发明名称为“用于工业物联网的方法和系统”的申请号为PCT/US2017/031721的国际申请案(于2017年11月16日公开，公开号为WO/2017/196821)的旁路部分继续申请并且要求至少以下在先申请优先权：2016年5月9日递交的发明名称为“强力工业物联网矩阵”的申请号为62/333,589的美国临时专利申请案；2016年6月15日递交的发明名称为“为实现更灵活的后处理而通过高采样率数字记录测量波形数据作为流传输长时间和无间隙波形数据的自动顺序表的部分进行存储的方法”的申请号为62/350,672的美国临时专利申请案；2016年10月26日递交的发明名称为“用于工业物联网的方法和系统”的申请号为62/412,843的美国临时专利申请案；以及2016年11月28日递交的发明名称为“用于工业物联网的方法和系统”的申请号为62/427,141的美国临时专利申请案；并且其中申请号为PCT/US2018/045036的国际申请案和申请号为15/973,406的美国非临时专利申请案还要求以下在先申请优先权：2017年8月2日递交的发明名称为“工业物联网的智能供热系统”的申请号为62/540,557的美国临时专利申请案；2017年9月24日递交的发明名称为“用于工业物联网的方法和系统”的申请号为62/562,487的美国临时专利申请案；2017年11月8日递交的发明名称为“用于工业物联网的方法和系统”的申请号为62/583,487的美国临时专利申请案；以及2017年8月2日递交的发明名称为“用于生产和使用氢燃料的智能加热系统的系统和方法”的申请号为62/540,513的美国临时专利申请案。本申请还要求以下在先申请优先权：2018年8月2日递交的发明名称为“用于使用工业物联网进行数据收集和学习的方法和系统”的申请号为62/713,897的美国临时专利申请案以及2018年11月2日递交的发明名称为“用于使用工业物联网进行机器信号流传输实现分析和维护的方法和系统”的申请号为62/757,166的美国临时专利申请案，这两项都是2017年5月9日递交的发明名称为“用于工业物联网的方法和系统”的申请号为PCT/US2017/031721的国际申请案(于2017年11月16日公开，公开号为WO/2017/196821)的旁路部分继续申请，并且要求以下在先申请优先权：2016年5月9日递交的发明名称为“强力工业物联网矩阵”的申请号为62/333,589的美国临时专利申请案；2016年6月15日递交的发明名称为“实现更灵活的后处理的通过高采样率数字记录测量波形数据作为长时间和无间隙的波形数据流式的自动顺序列表的部分进行存储的方法”的申请号为62/350,672的美国临时专利申请案；2016年10月26日递交的发明名称为“用于工业物联网的方法和系统”的申请号为62/412,843的美国临时专利申请案；以及2016年11月28日递交的发明名称为“用于工业物联网的方法和系统”的申请号为62/427,141美国临时专利申请案。本申请还要求以下在先申请优先权：2017年8月2日递交的发明名称为“工业物联网中的智能供热系统”的申请号为62/540,557的美国临时专利申请案；2017年9月24日递交的发明名称为“用于工业物联网的方法和系统”的申请号为62/562,487的美国临时专利申请案；以及2017年11月8日递交的发明名称为“用于工业物联网的方法和系统”的申请号为62/583,487美国临时专利申请案。所有上述申请案分别通过引用全部并入本文，如同在本文中完整陈述一样。
背景技术
1、技术领域
本发明涉及工业环境中用于数据收集的方法和系统，以及利用所收集的数据在工业环境中执行监控、远程控制、自主动作和其它活动的方法和系统。
2、现有技术
重工业环境，如用于大规模制造(如飞机、轮船、卡车、汽车等大型工业机器的制造)的环境、能源生产环境(如油气工厂、再生能源环境等)、能源提取环境(如采掘、钻井等)、施工环境(如大型建筑物的建造)等，涉及高度复杂的机器、设备和系统以及高度复杂的工作流程，其中作业人员必须考虑众多参数、度量等以便优化不同技术的设计、开发、部署和运行，从而提高整体效果。以往，人们使用专用的数据收集器在重工业环境中收集数据，在确定可将分析结果作为依据来诊断环境中的问题和/或提出操作改进方法后，将多个批次的特定传感器数据记录在磁带或硬盘等介质上以供日后分析。将多个批次的数据返回总部以供分析，例如，对多种传感器收集的数据进行信号处理或其它分析，之后分析可以作为在环境中诊断问题的基础和/或作为建议完善运行方式的基础。此工作往往需要花费数周或数月时间，且针对的是有限的数据集。
物联网(IoT，Internet of Things)的出现使人们能够持续连接更广范围的设备，并在这些设备之间实现持续互联。大多数此类设备是消费设备，如照明灯、恒温器等。在比较复杂的工业环境中实现这一点更加困难，因为可用数据范围往往有限，且处理来自多个传感器的数据非常复杂，导致很难形成对工业部门有效的“智能”解决方案。因此，需要对工业环境中数据收集方法和系统进行改进，以及对使用所收集的数据在多种重工业环境中提供改进的监视、控制、智能问题诊断和智能运行优化的方法和系统进行改进。
包含多种环境的工业系统在利用来自多个传感器的数据方面存在多个难题。例如，在该系统的多个部分按不同的时间尺度进行升级或更换时，在移动设备进入或离开一个位置时，以及由于升级设备的资本成本和风险，许多工业系统在给定时间的一个位置拥有各种计算资源和网络功能。此外，许多工业系统处于具有挑战性的环境中，其中网络连通性可能是变化的，在不同的位置振动噪声和电磁(EM，electro-magnetic)噪声源等多个噪声源可能较为显著，且系统的多个部位存在高压、高噪声、高温以及腐蚀性材料。许多工业过程都受到工艺运行参数的高度可变性以及非正常(off-nominal)运行的非线性响应的影响。因此，工业过程的传感要求可能随时间的推移、过程的工作阶段、设备的老化和性能下降以及工作条件而有所不同。先前所说的工业过程受困于传感配置的保守、运行过程中非必要参数的检测或潜在的风险以及无法检测仅在表征系统时偶尔利用到的参数。此外，先前所说的工业系统对于快速且实时地配置所感测到的参数以及在管理间歇性网络可用性等系统变量方面并不灵活。工业系统通常在泵、搅拌器、储罐以及风机等系统中使用相似的组件。然而，先前所说的工业系统并没有一种机制来利用不同类型的过程中可能用到和/或由于竞争性问题可能无法使用的相似组件的数据。此外，先前所说的工业系统并未将来自偏移系统的数据实时地集成到传感器计划和执行中。
工业环境中广泛分布着大型、复杂、重型机器，这些机器的工作寿命非常长，并且要求提供持续服务，包括要求提供定期维护以及经常性的非预期维修。
许多需要持续维护、服务和维修的大型工业机器都涉及高风险生产过程和其它过程，如能源生产、制造、采矿、钻井和运输，这些过程最好极少中断或不中断。在服务操作中，如果出现非预期问题或长时间延期，需要关闭对这一过程至关重要的机器，这可能会造成每天花费数千甚至数百万美元。在本文中公开的实施例以及本文引用的文件中，还提供了一种平台，该平台具有改进的设备、系统、组件、过程和方法，用于收集、处理和使用来自工业机器和关于工业机器的数据，包括用于预测故障、预测维护需求和促进维修。然而，在一些地区，维护、服务和维修重型工业机器的劳动力正在老龄化。随着工人退休，他们的许多专业技能都失传了，新工人往往缺乏关于机器(如机器的内部结构)、操作信息(如在各种工作模式如何运行)和/或程序信息(如如何执行日常维护任务)的最基本事实信息，更不用说处理更复杂程序的专有技术和专业技能了，例如维修，可能需要使用不熟悉的部件或工具的多步程序。另一个挑战是要及时找到工业机器的相关部件和组件，例如紧急维修可能需要的部件和组件，以便它们能够在工作所需的地点和时间提供。机器的内部结构、部件或组件可能没有相关信息，因此工人可能需要猜测发生了什么故障，涉及哪个部件，以及如何进行维修。维修可能需要多次检查，例如一次或多次检查后才能发现问题的性质、需要更换的部件和需要使用的工具，以及再进行一次或多次检查后才能在相关部件和工具到达后进行维修。这可能意味着需要延误数天，让机器操作人员付出巨大代价。这一过程可能在几个月或几年后重复发生，因为下一个工人可能无法就机器的内部结构、部件或组件获得首位工人获得的相关知识。
需要改进收集、发现、采集、传播、管理和处理工业机器信息、操作信息和程序信息的方法和系统，所述工业机器信息包括事实信息(如内部结构、部件和组件)，所述程序信息包括与维护、服务和维修相关的专有技术和其它信息。还需要改进查找一组对特定机器的维护、服务和维修具有相关专有技术和专业技能的工人的方法和系统。还需要改进对相关部件和组件的查找、订购和完成订单的方法和系统，以使维护、服务和维修操作能够无缝进行且中断最少。
发明内容
在实施例中，工业机器预测性维护系统可以包括工业机器数据分析设施，其通过对表示工业机器各部分状况的数据应用机器学习生成所述工业机器运行状况监测数据流，所述表示工业机器各部分状况的数据是通过数据收集网络接收的。所述系统还包括工业机器预测性维护设施，其通过对所述运行状况监测数据应用机器故障检测和分类算法产生工业机器服务建议以响应所述运行状况监测数据。所述系统还包括计算机维护管理系统(CMMS)，其产生对服务和部件的订单和请求中的至少一个以响应接收到所述工业机器服务建议。此外，所述系统包括服务和交付协调设施，其接收和处理关于对工业机器执行的服务的信息以响应对服务和部件的订单和请求中的所述至少一个，从而验证执行的所述服务，同时为各个工业机器生成服务活动和结果的分类账。
在实施例中，根据振动数据预测服务事件的方法可以包括一组操作步骤，所述一组操作步骤包括从至少一个振动传感器捕获振动数据，所述至少一个振动传感器设置为捕获工业机器的一部分的振动。可以对所捕获的振动数据进行处理，以确定所捕获振动的频率、振幅和重力中的至少一个。接下来，可以基于例如所述确定的频率来确定多段振动频谱中限定所述捕获振动范围的分段。因此，计算所述捕获振动的振动严重度单元可以基于所述确定的分段以及从所述振动数据生成的所述峰值幅度或重力中的至少一个。此外，所述方法可以包括在预测性维护电路中生成信号，以基于所述严重度单元对所述工业机器的所述部分执行维护操作。
在实施例中，以流采样速率进行零间隙信号捕获可以包括以流采样速率对信号进行采样，从而产生所述信号的多个采样。可以利用信号路由电路将所述信号的所述多个采样中的第一部分分配给第一信号分析电路，所述信号路由电路生成所述信号的所述多个采样的第一部分，所述第一部分基于小于所述流采样速率的第一信号分析采样速率。可以利用信号路由电路将所述信号的所述多个采样分配给第二信号分析电路，所述信号路由电路生成所述信号的所述多个采样的第二部分，所述第二部分基于小于所述流采样速率的第二信号分析采样速率。在实施例中，所述零间隙信号捕获还可以包括存储所述信号的所述多个采样、所述第一信号分析电路的输出和所述第二信号分析电路的输出。在实施例中，在所述存储的多个采样中的所述分配的第一部分和在所述存储的多个采样中的所述分配的第二部分被标记有引用所述对应存储信号分析输出的标记。
本文提供用于工业环境中数据收集的方法和系统，以及用于使用所收集的数据在多种重工业环境中改进的监视、控制、智能问题诊断和智能运行优化的改进方法和系统。这些方法和系统包括在多种配置和位置中部署的方法、系统、组件、设备、工作流程、服务、过程等，如：(a)物联网的“边缘”处，如重工业机器的本地环境中；(b)数据传输网络中，其中在重工业机器的本地环境和其它环境之间移动数据，例如其它机器或远程控制器，例如拥有或操作机器的企业或机器运行的设施；以及(c)在部署设施以控制机器或其环境所在的位置，如拥有或控制重工业环境或部署在其中的机器、设备或系统的企业的云计算环境和内部部署计算环境。这些方法和系统包括用于提供改进数据的一系列方式，包括用于提供改进性数据收集的一系列方法和系统，以及用于在工业环境的控制器的边缘处、网络中以及云端或内部部署增强智能的方法和系统。
在本文中公开了用于以下各项的方法和系统：连续超声波监测，其包括提供对能量生产设施的旋转元件和轴承的连续超声波监测；基于云计算的系统，其包括基于远程、模拟工业传感器的融合的机器模式识别，或对来自多个模拟工业传感器的状态信息的机器模式分析，以对工业系统提供预期的状态信息；工业物联网(IoT)设备的设备内置传感器融合和数据存储，其包括用于工业IoT设备的设备内置传感器融合和数据存储，其中来自多个传感器的数据在该设备处被多路复用以存储融合数据流；以及自组织系统，其包括：用于工业IoT数据的自组织数据市场，包括用于工业IoT数据的自组织数据市场，其中可用数据元素在市场中基于以训练集和来自市场成功度量的反馈训练自组织设施进行组织以供消费者消费；自组织数据池，其包括基于利用率和/或收益度量来自组织数据池，该利用率和/或收益度量包括针对多个数据池跟踪的利用率和/或收益度量；工业数据收集器的自组织集群，其包括基于群成员的功能和条件在它们自身之间组织以优化数据收集的工业数据收集器的自组织集群；自组织收集器，其包括自组织、多传感器数据收集器，该自组织、多传感器数据收集器可以基于其环境条件来优化数据收集、功率和/或产量；用于多传感器数据收集器的自组织存储设备，其包括用于工业传感器数据的多传感器数据收集器的自组织存储设备；用于多传感器数据网络的自组织网络编码，其包括用于从工业数据收集环境中的多个传感器传输数据的数据网络的自组织网络编码。
本文公开了用于以下各项的方法和系统：基于工业特定反馈训练人工智能(artificial intelligence，简称AI)模型，其包括基于反映利用率、产量或影响的度量的工业特定反馈来训练AI模型，其中AI模型对来自工业环境的传感器数据进行操作；工业IoT分布式分类账，其包括支持跟踪在用于工业IoT数据的自动数据市场中执行的交易的分布式分类账；网络敏感的收集器，其包括网络条件敏感、自组织、多传感器数据收集器，该数据收集器可以基于带宽、服务质量、定价和/或其它网络条件进行优化；远程组织的通用数据收集器，其可以基于工业数据收集环境中识别的需要和/或条件来启动和关闭传感器接口；以及具有振动、热、电和/或声音输出的触觉或多感官用户界面，其包括用于工业传感器数据收集器的可穿戴触觉或多感官用户界面。
在本文中公开了用于以下各项的方法和系统：增强现实(augmented reality，简称AR)和虚拟现实(virtual reality，简称VR)工业眼镜的显示层，其中热图元素是基于所收集的数据的模式和/或参数来显示；以及基于反馈指标和/或工业环境中的训练对AR/VR界面进行条件敏感、自组织调整。
在实施例中，一种用于对来自工业环境中的第一机器中的至少一个第一元件的信号进行数据收集、处理和利用的系统，该系统包括：平台，该平台包括连接到本地数据收集系统上的计算环境，该本地数据收集系统具有从工业环境中的至少第一机器获取的至少第一传感器信号和第二传感器信号。该系统包括本地数据收集系统中的第一传感器和本地数据收集系统中的第二传感器，该第一传感器被配置为连接到第一机器。该系统还包括本地数据收集系统中的交叉点开关，该交叉点开关具有多个输入和多个输出，该输入和输出包括连接到第一传感器上的第一输入和连接到第二传感器上的第二输入。在整个本公开中，无论在何处描述交叉点开关、复用器(multiplexer，简称MUX)设备或其它多输入多输出数据收集或通信设备，本文还可以预期任何多传感器采集设备。在某些实施例中，多传感器采集设备包括被配置为用于模拟传感器输入或与模拟传感器输入兼容的一个或多个通道。多个输出包括第一输出和第二输出，它们被配置为在其中第一输出被配置为可在第一传感器信号和第二传感器信号的传递之间切换的条件与其中同时从第一输出传递第一传感器信号和从第二输出传递第二传感器信号的条件之间切换。多个输入中的每一个被配置为单独分配给多个输出中的任意一个，或者组合在对输出的输入的任何子集中。未分配的输出被配置为关闭，例如通过产生高阻抗状态。
在实施例中，该第一传感器信号和第二传感器信号是关于工业环境的连续振动数据。在实施例中，本地数据收集系统中的第二传感器被配置为连接到第一机器。在实施例中，本地数据收集系统中的第二传感器被配置为连接到工业环境中的第二机器。在实施例中，平台的计算环境被配置为比较第一和第二传感器信号的相对相位。在实施例中，第一传感器是单轴传感器，而第二传感器是三轴传感器。在实施例中，交叉点开关的多个输入中的至少一个包括用于改进信噪比的因特网协议、前端信号调节。在实施例中，交叉点开关包括第三输入，该第三输入被配置有连续监测的报警，当该第三输入在多个输出中的任何一个处未被分配或未被检测时，该警报具有预定触发条件。
在实施例中，本地数据收集系统包括多个多路复用单元和多个数据采集单元，该多个数据采集单元从工业环境中的多个机器接收多个数据流。在实施例中，本地数据收集系统包括分布式复杂可编程硬件设备(Complex Programmable Logic Device，简称CPLD)芯片，每个芯片专用于数据总线以对多个多路复用单元和多个数据采集单元进行逻辑控制，该多个数据采集单元从工业环境中的多个机器接收多个数据流。在实施例中，本地数据收集系统被配置为使用固态继电器提供高电流输入功能。在实施例中，本地数据收集系统被配置为关闭模拟传感器通道和部件板中的至少一个。
在实施例中，本地数据收集系统包括锁相环带通跟踪滤波器，其被配置为获取低速每分钟转数(Revolutions Per Minute，简称RPM)和相位信息。在实施例中，本地数据收集系统被配置为使用板载计时器相对于至少一个触发通道和多个输入中的至少一个来数字地导出相位。在实施例中，本地数据收集系统包括峰值检测器，其被配置为使用单独的模数转换器进行自动定标以进行峰值检测。在实施例中，本地数据收集系统被配置为选择至少一个触发通道的路线，该触发通道是原始的并被缓冲到多个输入中的至少一个中。在实施例中，本地数据收集系统包括至少一个delta-sigma模数转换器，其被配置为增加输入过采样率以降低采样率输出并最小化抗混叠滤波器要求。在实施例中，各自专用于数据总线以对多个多路复用单元和多个数据采集单元进行逻辑控制的分布式CPLD芯片包括高频晶体时钟参考，其被配置为由用于至少一个delta-sigma模数转换器的至少一个分布式CPLD芯片划分以在无需数字重新采样的情况下实现更低的采样率。
在实施例中，本地数据收集系统被配置为以单个相对较高采样率获取长数据块，而不是以不同采样率取得多个数据集。在实施例中，单个相对较高采样率对应于约四十千赫兹的最大频率。在实施例中，长数据块的持续时间超过一分钟。在实施例中，本地数据收集系统包括多个数据采集单元，其各自具有板载卡集合，该板载卡集合被配置为存储板载卡集合所在的数据采集单元的校准信息和维护历史。在实施例中，本地数据收集系统被配置为基于分层模板来规划数据采集路线。
在实施例中，本地数据收集系统被配置为管理数据收集带。在实施例中，数据收集带定义特定频带以及一组频谱峰值、真峰值电平、从时间波形导出的波峰因数和从振动包络导出的总波形中的至少一个。在实施例中，本地数据收集系统包括使用数据收集带的智能管理的神经网络专家系统。在实施例中，本地数据收集系统被配置为基于分层模板创建数据采集路线，每个分层模板包括与和数据采集路线相关联的机器相关的数据收集带。在实施例中，至少一个分层模板与第一机器的多个互连元件相关联。在实施例中，至少一个分层模板与和至少第一机器和第二机器相关联的类似元件相关联。在实施例中，至少一个分层模板与位于第二机器附近的至少第一机器相关联。
在实施例中，本地数据收集系统包括图形用户界面(graphical user interface，简称GUI)系统，其被配置为管理数据收集带。在实施例中，GUI系统包括专家系统诊断工具。在实施例中，该平台包括对来自多个传感器的状态信息进行基于云的机器模式分析以提供工业环境的预期的状态信息。在实施例中，该平台被配置为基于利用率度量和收益度量中的至少一个来提供数据池的自组织。在实施例中，该平台包括工业数据收集器的自组织集群。在实施例中，本地数据收集系统包括用于工业传感器数据收集器的可穿戴触觉用户界面，其具有振动、热、电和声输出中的至少一种。
在实施例中，交叉点开关的多个输入包括连接到该第二传感器上的第三输入和连接到第二传感器上的第四输入。第一传感器信号来自与第一机器相关联的不变位置处的单轴传感器。在实施例中，第二传感器是三轴传感器。在实施例中，本地数据收集系统被配置为从至少第一输入、第二输入、第三输入和第四输入同时记录无间隙数字波形数据。在实施例中，该平台被配置为基于同时记录的无间隙数字波形数据来确定相对相位的变化。在实施例中，第二传感器被配置为可移动到与第一机器相关联的多个位置，同时获取同时记录的无间隙数字波形数据。在实施例中，交叉点开关的多个输出包括第三输出和第四输出。第二、第三和第四输出被一起分配给一系列三轴传感器，每个三轴传感器位于与机器相关联的不同位置。在实施例中，该平台被配置为基于相对相位变化和同时记录的无间隙数字波形数据来确定操作偏转形态。
在实施例中，不变位置是与该第一机器的旋转轴相关联的位置。在实施例中，该系列三轴传感器序列中的三轴传感器各自位于第一机器上的不同位置处，但是各自与机器中的不同轴承相关联。在实施例中，该系列三轴传感器中的三轴传感器各自位于与类似轴承相关联的类似位置处，但是各自与不同的机器相关联。在实施例中，本地数据收集系统被配置为在第一机器和第二机器都在运行时的同时从第一机器获取同时记录的无间隙数字波形数据。在实施例中，本地数据收集系统被配置为在来自第一机器的同时记录的无间隙数字波形数据中表征来自第一机器和第二机器的贡献。在实施例中，同时记录的无间隙数字波形数据的持续时间超过一分钟。
在实施例中，一种监测具有至少一个由一组轴承支撑的轴的机器的方法包括：监测在与机器相关联的不变位置处分配给单轴传感器的第一数据通道。该方法包括监测第二、第三和第四数据通道，每个数据通道被分配给三轴传感器的其中一个轴。该方法包括在机器运行的同时从所有数据通道同时记录无间隙数字波形数据，并基于数字波形数据来确定相对相位的变化。
在实施例中，在获取数字波形的同时，三轴传感器位于与机器相关联的多个位置处。在实施例中，第二、第三和第四通道被一起分配给一系列三轴传感器，每个三轴传感器位于与机器相关联的不同位置。在实施例中，同时从所有传感器接收数据。在实施例中，该方法包括基于相对相位信息的变化和波形数据来确定运行偏转形态。在实施例中，不变位置是与该机器的轴相关联的位置。在实施例中，该系列三轴传感器序列中的三轴传感器各自位于不同位置处，并且各自与机器中的不同轴承相关联。在实施例中，不变位置是与该机器的轴相关联的位置。该系列三轴传感器序列中的三轴传感器各自位于不同位置处，并且各自与支撑机器中的轴的不同轴承相关联。
在实施例中，该方法包括监测在位于第二机器上的不变位置处分配给该单轴传感器的第一数据通道。该方法包括监测第二、第三和第四数据通道，每个数据通道被分配给位于与第二机器相关联的位置处的三轴传感器的轴线。该方法还包括在两个机器都在运行的同时从第二机器的所有数据通道同时记录无间隙数字波形数据。在实施例中，该方法包括以同时来自第二机器的无间隙数字波形数据表征来自每个机器的贡献。
在实施例中，一种用于以监测工业环境中的第一机器中的至少第一元件的平台对信号进行数据收集、处理和利用的方法包括在计算环境下以监测至少第一机器的本地数据收集系统自动地获取至少第一传感器信号和第二传感器信号。该方法包括将本地数据收集系统的交叉点开关的第一输入连接到本地数据收集系统中的第一传感器，并将交叉点开关的第二输入连接到本地数据收集系统中的第二传感器。该方法包括在其中交叉点开关的第一输出在传递至少第一传感器信号和第二传感器信号之间交替的条件与其中同时从交叉点开关的第一输出传递第一传感器信号和从交叉点开关的第二输出传递第二传感器信号的条件之间切换。该方法还包括将交叉点开关的未分配输出切断为高阻抗状态。
在实施例中，该第一传感器信号和第二传感器信号是来自工业环境的连续振动数据。在实施例中，本地数据收集系统中的第二传感器连接到第一机器。在实施例中，本地数据收集系统中的第二传感器连接到工业环境中的第二机器。在实施例中，该方法包括在计算环境下自动地比较第一和第二传感器信号的相对相位。在实施例中，第一传感器是单轴传感器，而第二传感器是三轴传感器。在实施例中，交叉点开关的至少第一输入包括用于改进信噪比的因特网协议前端信号调节。
在实施例中，该方法包括当该交叉点开关的第三输入未被分配给交叉点开关上的多个输出中的任何一个时以具有预定触发条件的报警连续地监测至少第三输入。在实施例中，本地数据收集系统包括多个多路复用单元和多个数据采集单元，该多个数据采集单元从工业环境中的多个机器接收多个数据流。在实施例中，本地数据收集系统包括分布式CPLD芯片，每个芯片专用于数据总线以对多个多路复用单元和多个数据采集单元进行逻辑控制，该多个数据采集单元从工业环境中的多个机器接收多个数据流。在实施例中，本地数据收集系统使用固态继电器提供高电流输入功能。
在实施例中，该方法包括关闭模拟传感器通道和该本地数据收集系统的部件板中的至少一个。在实施例中，本地数据收集系统包括用于A/D零参考的外部电压参考，其独立于第一传感器和第二传感器的电压。在实施例中，本地数据收集系统包括获取低速RPM和相位信息的锁相环带通跟踪滤波器。在实施例中，该方法包括使用板载计时器相对于交叉点开关上的至少一个触发通道以及多个输入中的至少一个来数字化地导出相位。
在实施例中，该方法包括使用单独的模数转换器以峰值检测器进行自动定标以便于峰值检测。在实施例中，该方法包括选择至少一个触发通道的路线，该触发通道是原始的并被缓冲到交叉点开关上的多个输入中的至少一个中。在实施例中，该方法包括以至少一个delta-sigma模数转换器来增加输入过采样率以降低采样率输出并最小化抗混叠滤波器要求。在实施例中，分布式CPLD芯片各自专用于数据总线以对多个多路复用单元和多个数据采集单元进行逻辑控制，并且各自包括高频晶体时钟参考，其被用于至少一个delta-sigma模数转换器的至少一个分布式CPLD芯片划分以在无需数字重新采样的情况下实现更低的采样率。在实施例中，该方法包括利用本地数据收集系统以单个相对较高采样率获取长数据块，而不是以不同采样率取得多个数据集合。在实施例中，单个相对较高采样率对应于约四十千赫兹的最大频率。在实施例中，长数据块的持续时间超过一分钟。在实施例中，本地数据收集系统包括多个数据采集单元，并且每个数据采集单元具有板载卡集合，该板载卡集合存储板载卡集合所在的数据采集单元的校准信息和维护历史。
在实施例中，该方法包括基于与工业环境中的第一机器中的至少第一元件相关联的分层模板来规划数据采集路线。在实施例中，该本地数据收集系统管理数据收集带，数据收集带定义特定频带以及一组频谱峰值、真峰值电平、从时间波形导出的波峰因数和从振动包络导出的总波形中的至少一个。在实施例中，本地数据收集系统包括使用数据收集带的智能管理的神经网络专家系统。在实施例中，本地数据收集系统基于分层模板创建数据采集路线，每个分层模板包括与和数据采集路线相关联的机器相关的数据收集带。在实施例中，至少一个分层模板与第一机器的多个互连元件相关联。在实施例中，至少一个分层模板至少与第一机器和第二机器相关联的类似元件相关联。在实施例中，至少一个分层模板至少与位于第二机器附近的第一机器相关联。
在实施例中，该方法包括控制该本地数据收集系统的GUI系统来管理数据收集带。GUI系统包括专家系统诊断工具。在实施例中，该平台的计算环境包括对来自多个传感器的状态信息进行基于云的机器模式分析以提供工业环境的预期的状态信息。在实施例中，该平台的计算环境基于利用率度量和收益度量中的至少一个来提供数据池的自组织。在实施例中，该平台的计算环境包括工业数据收集器的自组织集群。在实施例中，交叉点开关的多个输入中的每一个可单独分配给交叉点开关的多个输出中的任何一个。
本文描述的用于工业机器传感器数据流传输、收集、处理和存储的方法和系统可以配置成操作现有的数据收集、处理和存储系统并与之集成，并且可以包括用于从部署成监控与工业机器至少一个移动部件相关的工业机器的各方面的传感器捕获多个感测数据流的方法；该数据流中的至少一个包含多个数据频率。该方法可以包括识别该多个流中与表示至少一个预定义频率的数据对应的至少一个流中的数据子集。该至少一个预定义频率由从备用传感器收集的数据集合表示，该备用传感器部署成以监测该工业机器的与该机器的至少一个移动零部件相关联的各方面。该方法还可以包括利用数据处理设施处理所识别的数据，该数据处理设施利用被配置为应用于从备用传感器收集的数据集合的算法来处理所识别的数据。最后，该方法可以包括将数据流、所识别的数据子集和所识别的数据的处理结果的至少其中之一存储在电子数据集中。
本文中描述的用于工业机器传感器数据流传输、收集、处理以及存储的方法和系统可以被配置为操作现有的数据收集、处理和存储系统并与其集成，并且可以包括一种用于应用从传感器捕获的数据的方法，该传感器部署成以监测工业机器的与该机器的至少一个移动零部件相关联的各方面。利用覆盖预定义频率范围的预定义分辨率线来捕获数据，并将该数据发送到频率匹配设施，该频率匹配设施识别从其它传感器流传输的数据子集，该其它传感器部署成以监测该工业机器的与该机器的至少一个移动零部件相关联的各方面。流数据包括多个分辨率线和频率范围。所识别的数据子集对应于分辨率线和预定义频率范围。该方法可以包括以与使用预定分辨率线数捕获的数据格式对应的格式将数据子集存储在电子数据记录中，并且向数据处理设施发信号通知所存储数据子集的存在。该方法可选地包括利用算法、模型和模式识别器的至少一个集合来处理数据子集，该至少一个集合对应于与处理利用覆盖预定义频率范围的预定义分辨率线捕获的数据相关联的算法、模型和模式识别器。
本文描述的用于工业机器传感器数据流传输、收集、处理和存储的方法和系统可以被配置为操作现有的数据收集、处理和存储系统并与其集成，并且可以包括一种用于识别流传输传感器数据的子集并建立第一逻辑路线的方法，该传感器数据从传感器捕获，该传感器部署成以监测工业机器的与该机器的至少一个移动零部件相关联的各方面，该流传输传感器数据的子集在预定义频率范围的预定义分辨率线处，该第一逻辑路线用于执行该识别的第一计算设施与第二计算设施之间进行电子形式的通信。在实施例中，将流传输传感器数据子集从第一设施传送到第二设施时，流传输传感器数据的已识别子集仅在所建立的第一逻辑路线上传送。该方法还可以包括对流传输传感器数据中并非所识别的子集的至少一部分建立第二逻辑路线，以在第一计算设施与第二计算设施之间进行电子形式的通信。另外，该方法还可以包括对流传输传感器数据中包括所识别子集的至少一部分和该数据中并非由所识别子集表示的至少另一部分建立第三逻辑路线，该第三逻辑路线用于第一计算设施与第二计算设施之间进行电子形式的通信。
本文中描述的用于工业机器传感器数据流传输、收集、处理以及存储的方法和系统可以被配置为操作现有的数据收集、处理和存储系统并与其集成，并且可以包括第一数据感测和处理系统，其从第一组传感器捕获第一数据，该第一组传感器部署成以监测工业机器的与该机器的至少一个移动零部件相关联的各方面，该第一数据覆盖一组分辨率线和一个频率范围。该系统可以包括第二数据感测和处理系统，其从第二组传感器捕获并流传输第二组数据，该第二组传感器部署成监测与该工业机器的至少一个移动零部件相关联的该机器的各方面，该第二数据覆盖包括该组分辨率线的多个分辨率线和包括该频率范围的多个频率。该系统可以使得能够选择该第二数据中与该第一数据的该组分辨率线和频率范围对应的一部分，并利用第一数据感测和处理系统来处理第二数据的选定部分。
本文中描述的用于工业机器传感器数据流传输、收集、处理以及存储的方法和系统可以被配置为操作现有的数据收集、处理和存储系统并与其集成，并且可以包括一种用于自动地处理感测数据流的一部分的方法。该感测数据从第一组传感器接收，该第一组传感器部署成以监测该工业机器的与该机器的至少一个移动零部件相关联的各方面。感测数据响应于电子数据结构，该电子数据结构促进提取与从第二组传感器接收的感测数据集合对应的感测数据流的子集，该第二组传感器部署成以监测该工业机器的与该机器的至少一个移动零部件相关联的各方面。该感测数据集被限制在一个频率范围内。感测数据流包括超出该感测数据集合的频率范围的频率范围，该处理包括对感测数据流的一部分执行算法，该部分被约束到该感测数据集合的频率范围，该算法被配置为处理该感测数据集合。
本文中描述的用于工业机器传感器数据流传输、收集、处理以及存储的方法和系统可以被配置为操作现有的数据收集、处理和存储系统并与其集成，并且可以包括一种用于从传感器接收第一数据的方法，该传感器部署成以监测工业机器的与该机器的至少一个移动零部件相关联的各方面。该方法还可以包括检测由第一数据表示的频率范围和分辨率线中的至少一个；从传感器接收数据流，该传感器部署成以监测该工业机器的与该机器的至少一个移动零部件相关联的各方面。该数据流包括：(1)超过由第一数据表示的频率范围和分辨率线的多个频率范围和多个分辨率线；(2)从数据流中提取的数据集合，其对应于由第一数据表示的频率范围和分辨率线中的至少一个；以及(3)利用数据处理算法处理的提取数据集合，该数据处理算法被配置为处理第一数据的频率范围内和分辨率线内的数据。
本文提供的方法和系统用于使用移动设备，包括可穿戴设备、移动机器人、移动车辆和/或手持设备，以识别工业环境中的目标状态。所述移动设备包括一个或多个传感器，所述传感器可配置成记录目标的状态相关测量值，例如，基于振动、温度、电气、磁性、声音和/或其它测量值。使用部分或所有这些移动设备捕获的数据可以由智能系统在这些移动设备上和/或在通过网络与这些移动设备通信的服务器上处理。智能系统包括处理使用相应移动设备捕获的数据的智能。例如，处理数据可以包括识别目标的状态，通过将来自可穿戴设备的状态相关测量值与存储在数据库中的信息进行比较来记录测量值，所述信息例如可以是与工业环境相关联的知识库的一部分。在实施例中，可以识别并采取纠正措施以响应使用移动设备捕获的状态相关测量值。
在实施例中，公开了一种使用可穿戴设备来识别工业环境的目标状态的方法。在实施例中，所述方法包括使用所述可穿戴设备的一个或多个传感器记录所述目标的状态相关测量值；通过网络向服务器传输所述状态相关测量值；使用与所述服务器相关联的智能系统依据所述目标的预记录数据处理所述状态相关测量值。在实施例中，依据所述目标的预先记录数据处理所述状态相关测量值包括：在与所述工业环境相关联的知识库内识别所述目标的所述预先记录数据；识别由所述知识库内的所述目标的所述预先记录数据指示的状态以作为所述目标的所述状态。
在实施例中，公开了一种用于识别工业环境的目标状态的系统。在实施例中，所述系统包括第一可穿戴设备，包括被配置为记录第一类型状态相关测量值的一个或多个传感器；第二可穿戴设备，包括被配置为记录第二类型状态相关测量值的一个或多个传感器；以及服务器，其从所述第一可穿戴设备接收所述第一类型状态相关测量值和从所述第二可穿戴设备接收所述第二类型状态相关测量值，所述服务器包括智能系统，配置为：依据存储在知识库内的预先记录数据处理所述第一类型状态相关测量值和所述第二类型状态相关测量值，以识别所述目标的所述状态；以及根据所述第一类型状态相关测量值或所述第二类型状态相关测量值中的至少一个更新所述预先记录数据。
在实施例中，公开了一种使用移动数据收集器来识别工业环境的目标状态的方法。在实施例中，所述方法包括控制所述移动数据收集器接近所述工业环境内的所述目标的位置；使用所述移动数据收集器的一个或多个传感器记录所述目标的状态相关测量值；通过网络向服务器发送所述状态相关测量值；使用与所述服务器相关联的智能系统依据所述目标的预先记录数据处理所述状态相关测量值。在实施例中，依据所述目标的预先记录数据处理所述状态相关测量值包括：在与所述工业环境相关联的知识库内识别所述目标的所述预先记录数据；识别由所述知识库内的所述目标的所述预先记录数据指示的状态以作为所述目标的所述状态。
在实施例中，公开了一种用于识别工业环境的目标状态的系统。在实施例中，所述系统包括第一移动数据收集器，包括被配置为记录第一类型状态相关测量值的一个或多个传感器；第二移动数据收集器，包括被配置为记录第二类型状态相关测量值的一个或多个传感器；以及服务器，其从所述第一移动数据收集器接收所述第一类型状态相关测量值，从所述第二移动数据收集器接收所述第二类型状态相关测量值，所述服务器包括智能系统，配置为：依据存储在知识库内的预先记录数据处理所述第一类型状态相关测量值和所述第二类型状态相关测量值，以识别所述目标的所述状态；以及根据所述第一类型状态相关测量值或所述第二类型状态相关测量值中的至少一个更新所述预先记录数据。
在实施例中，公开了一种使用手持设备来识别工业环境的目标状态的方法。在实施例中，所述方法包括使用所述手持设备中的一个或多个传感器记录所述目标的状态相关测量值；通过网络向服务器发送所述状态相关测量值；使用与所述服务器相关联的智能系统依据所述目标的预先记录数据处理所述状态相关测量值。在实施例中，依据所述目标的预先记录数据处理所述状态相关测量值包括：在与所述工业环境相关联的知识库内识别所述目标的所述预先记录数据；识别由所述知识库内的所述目标的所述预先记录数据指示的状态以作为所述目标的所述状态。
在实施例中，公开了一种用于识别工业环境的目标状态的系统。在实施例中，所述系统包括第一手持设备，包括被配置为记录第一类型状态相关测量值的一个或多个传感器；第二手持设备，包括被配置为记录第二类型状态相关测量值的一个或多个传感器；以及服务器，其从所述第一手持设备接收所述第一类型状态相关测量值和从所述第二手持设备接收所述第二类型状态相关测量值，所述服务器包括智能系统，配置为：依据存储在知识库内的预先记录数据处理所述第一类型状态相关测量值和所述第二类型状态相关测量值，以识别所述目标的所述状态；以及根据所述第一类型状态相关测量值或所述第二类型状态相关测量值中的至少一个更新所述预先记录数据。
本文提供了一种计算机视觉系统的方法和系统，该计算机视觉系统被配置为使用来自一个或多个数据捕获设备的输入来识别一个或多个工业IoT设备的运行特征，例如振动或其它合适的特征。所述一个或多个数据捕获设备可以包括捕获可见和不可见光的图像数据捕获设备、测量所述一个或多个工业IoT设备的各种特征的传感器或其它合适的数据捕获设备。所述计算机视觉系统被配置为从所述输入生成图像数据集并分析所述图像数据集的所述视觉方面，以便识别所述工业IoT设备的运行特征。此外，所述计算机视觉系统被配置为根据所述工业IoT设备的所述运行特征确定是否采取纠正措施。
在实施例中，用于检测制造设备运行特征的装置包括存储器和处理器。所述存储器包括所述处理器可执行的指令，用于使用由一个或多个数据捕获设备捕获的原始数据生成一个或多个图像数据集。所述存储器还包括所述处理器可执行的指令，用于识别所述一个或多个图像数据集表示的感兴趣点内与所述制造设备的一部分对应的一个或多个值。所述存储器还包括所述处理器可执行的指令，用于记录所述一个或多个值；将所述记录的一个或多个值与相应预测值进行比较；并且基于所述记录的一个或多个值与所述相应预测值的比较来生成方差数据集。所述存储器还包括所述处理器可执行的指令，用于基于所述方差数据识别所述制造设备的运行特征并生成指示所述运行特征的指示。
在实施例中，一种用于检测制造设备的运行特征的方法包括使用一个或多个数据捕获设备捕获的原始数据生成一个或多个图像数据集。所述方法还包括识别所述一个或多个图像数据集表示的感兴趣点内与所述制造设备的一部分对应的一个或多个值；记录所述一个或多个值；并且将所述记录的一个或多个值与相应预测值进行比较。所述方法还包括基于所述记录的一个或多个值与所述相应预测值的比较来生成方差数据集以及基于所述方差数据识别所述制造设备的运行特征。所述方法还包括生成指示所述运行特性的指示。
在实施例中，用于检测制造设备运行特征的系统包括至少一个数据捕获设备、存储器和处理器，所述至少一个数据捕获设备用于捕获所述制造设备的感兴趣点的原始数据。所述存储器包括所述处理器可执行的指令，用于使用所述捕获的原始数据生成一个或多个图像数据集，并且识别所述一个或多个图像数据集表示的感兴趣点内与所述制造设备的一部分对应的一个或多个值。所述存储器还包括所述处理器可执行的指令，用于记录所述一个或多个值并将所述记录的一个或多个值与相应预测值进行比较。所述存储器还包括所述处理器可执行的指令，用于基于所述记录的一个或多个值与所述相应预测值的比较来生成方差数据集，基于所述方差数据识别所述制造设备的运行特征并生成指示所述运行特征的指示。
在实施例中，用于检测制造设备运行特征的计算机视觉系统包括至少一个数据捕获设备、存储器和处理器，所述至少一个数据捕获设备用于捕获所述制造设备的感兴趣点的原始数据。所述存储器包括所述处理器可执行的指令，用于使用所述捕获的原始数据生成一个或多个图像数据集，并且可视识别所述一个或多个图像数据集表示的感兴趣点内与所述制造设备的一部分对应的一个或多个值。所述存储器还包括可由所述处理器执行的指令，以记录所述一个或多个值并且可视比较所述已记录的一个或多个值与对应的预测值。所述存储器还包括所述处理器可执行的指令，用于基于所述记录的一个或多个值与所述相应预测值的比较来生成方差数据集，并基于所述方差数据识别所述制造设备的运行特征。所述存储器还包括所述处理器可执行的指令，用于将所述运行特征与阈值进行比较，并基于所述运行特征是否大于阈值，确定所述运行特征是否在公差内。所述存储器还包括所述处理器可执行的指令，用于生成指示所述运行特征的指示。
在实施例中，用于检测设备运行特征的计算机视觉系统包括至少一个数据捕获设备、存储器和处理器，所述至少一个数据捕获设备用于捕获所述设备的感兴趣点的原始数据。所述存储器包括所述处理器可执行的指令，用于使用所述捕获的原始数据生成一个或多个图像数据集，并且可视识别所述一个或多个图像数据集表示的感兴趣点内与所述设备的一部分对应的一个或多个值。所述存储器还包括可由所述处理器执行的指令，以记录所述一个或多个值并且可视比较所述已记录的一个或多个值与对应的预测值。所述存储器还包括所述处理器可执行的指令，用于基于所述记录的一个或多个值与所述相应预测值的比较来生成方差数据集。所述存储器包括所述处理器可执行的指令，用于基于所述方差数据识别所述设备的运行特征，并将所述运行特征与阈值进行比较。所述存储器包括所述处理器可执行的指令，用于基于所述运行特征是否大于所述阈值确定所述运行特征是否在公差内，并生成指示所述运行特征的指示。
此处提供的方法和系统包括本文公开的实施例组合。在实施例中，一种方法包括：从可穿戴设备接收表示工业机器的至少一部分振动的振动数据，所述可穿戴设备包括至少一个用于捕获所述振动数据的振动传感器；通过处理所述捕获振动数据来确定所述捕获振动的频率；基于所述频率，确定多段振动频谱中限定所述捕获振动范围的分段；基于所述确定的分段为所述捕获振动计算严重度单元；以及在预测性维护电路中生成信号，以基于所述严重度单元对所述工业机器的所述至少一部分执行维护操作。在实施例中，所述可穿戴设备的所述至少一个振动传感器基于从与所述工业机器的所述至少一部分相关联的振动包络导出的波形来捕获所述振动数据。在实施例中，所述方法还包括：使用所述可穿戴设备检测所述工业机器接近所述可穿戴设备；以及使所述可穿戴设备捕获所述振动数据以响应检测所述工业机器与所述可穿戴设备的接近度。在实施例中，所述方法还包括：使用所述可穿戴设备的所述至少一个振动传感器检测所述工业机器的所述至少一部分的振动级别变化；以及使用所述可穿戴设备捕获所述振动数据以响应检测所述振动级别变化。在实施例中，所述方法还包括：将所述信号传输到所述可穿戴设备以引起所述执行所述维护操作。在实施例中，基于所述确定的分段为所述捕获振动计算严重度单元包括：基于所述确定的分段将所述捕获振动通过如下方式映射到所述严重度单元：当所述捕获振动的所述频率对应于所述多段振动频谱的低端拐点阈值范围以下时，将所述捕获振动映射到第一严重度单元；当所述捕获振动的所述频率对应于所述多段振动频谱的中间范围时，将所述捕获振动映射到第二严重度单元；以及当所述捕获振动的所述频率对应于所述多段振动频谱的高端拐点阈值范围以上时，将所述捕获振动映射到第三严重度单元。在实施例中，所述方法还包括训练智能系统以确定振动是否映射到所述第一严重度单元、所述第二严重度单元或所述第三严重度单元。在实施例中，所述严重度单元基于所述捕获振动数据表示所述维护操作对所述工业机器的所述至少一部分的影响。在实施例中，所述方法还包括通过处理所述捕获振动数据来确定所述捕获振动数据的幅度和重力。在实施例中，计算所述捕获振动的严重度单元包括：基于所述确定的分段以及所述幅度或重力中的至少一个来计算所述严重度单元。在实施例中，所述严重度单元表示所述捕获振动，与所述频率无关。在实施例中，所述信号或所述维护操作中的至少一个基于所述严重度单元指示增加或减少用于使用所述至少一个振动传感器收集和分析进一步振动数据的频率。在实施例中，所述维护操作指示对所述工业机器的所述至少一部分执行校准、诊断测试或视觉检查中的一个。在实施例中，所述方法还包括将所述信号传送到所述工业机器的组件。在实施例中，所述维护操作指示重新测量所述工业机器的所述至少一部分。在实施例中，所述工业机器的所述部件引起所述执行所述维护操作以响应接收到所述信号。在实施例中，所述可穿戴设备是集成在工业平台内的多个可穿戴设备中的第一可穿戴设备。在实施例中，所述多个可穿戴设备中的第二可穿戴设备使用温度传感器捕获所述工业机器的温度。在实施例中，基于所述严重度单元且基于根据所述捕获的温度计算的第二严重度单元生成所述信号。在实施例中，所述多个可穿戴设备中的第三可穿戴设备使用电传感器捕获所述工业机器的电输出或用电情况。在实施例中，基于所述严重度单元且基于根据所述捕获的电输出或用电情况计算的第三严重度单元生成所述信号。在实施例中，所述多个可穿戴设备中的第四可穿戴设备使用磁传感器来捕获所述工业机器的电磁场中的电平或变化。在实施例中，基于所述严重度单元并且基于根据所述电磁场中所述捕获的电平或变化计算的第四严重度单元生成所述信号。在实施例中，所述多个可穿戴设备中的第五可穿戴设备使用声音传感器捕获从所述工业机器输出的声波。在实施例中，基于所述严重度单元且基于根据所述捕获的声波计算的第五严重度单元生成所述信号。在实施例中，所述可穿戴设备是集成在衣物内的第一可穿戴设备。在实施例中，所述方法还包括使用集成在配件物品内的第二可穿戴设备。
在实施例中，一种方法包括：部署用于检测和监测工业机器的至少一部分的振动活动的移动数据收集器，所述移动数据收集器包括一个或多个振动传感器；通过处理表示所述振动活动并使用所述一个或多个振动传感器生成的振动数据来确定所述振动活动相对于定时的严重度；以及基于所述振动活动的所述严重度预测待针对所述工业机器的所述至少一部分执行的一个或多个维护操作。在实施例中，通过处理表示所述振动活动并使用所述一个或多个振动传感器生成的所述振动数据来确定所述振动数据相对于所述定时的所述严重度包括：通过处理所述振动数据来确定所述振动活动的频率；基于所述频率确定多段振动频谱中限定所述振动活动范围的分段；以及基于所述多段振动频谱的所述确定的分段计算所述振动活动的严重度单元。在实施例中，基于所述多段振动频谱的已确定分段来计算所述振动活动的严重度单元包括：基于所述多段振动频谱的所述确定的分段通过以下方式将所述振动活动映射到所述严重度单元：当所述振动活动的所述频率对应于所述多段振动频谱的低端拐点阈值范围以下时，将所述振动活动映射到第一严重度单元；当所述振动活动的所述频率对应于所述多段振动频谱的中间范围时，将所述振动活动映射到第二严重度单元；当所述振动活动的所述频率对应于所述多段振动频谱的高端拐点阈值范围以上时，将所述振动活动映射到第三严重度单元。在实施例中，所述方法还包括使所述至少一个移动数据收集器执行所述维护操作。在实施例中，所述方法还包括：控制所述移动数据收集器接近所述工业机器在包括所述工业机器的工业环境内的位置；使所述移动数据收集器的所述一个或多个振动传感器记录所述振动活动的一个或多个测量值；以及将所述振动活动的所述一个或多个测量值作为所述振动数据通过网络发送到服务器。在实施例中，在所述服务器上处理所述振动数据以确定所述振动活动的所述严重度。在实施例中，基于所述振动活动的所述严重度预测待针对所述工业机器的所述至少一部分执行的所述一个或多个维护操作包括：使用与所述服务器相关联的智能系统依据所述工业机器的预先记录数据处理所述振动数据。在实施例中，依据所述工业机器的所述预先记录数据处理所述振动数据包括在与所述工业环境相关联的知识库内识别所述工业机器的所述预先记录数据；以及基于所述工业机器在所述知识库内的所述预先记录数据来识别所述机器的所述至少一部分的运行特征；以及基于所述运行特征预测所述一个或多个维护操作。在实施例中，所述振动活动指示从与所述工业机器相关联的振动包络导出的波形。在实施例中，当所述移动数据收集器接近所述工业机器时，所述一个或多个振动传感器检测所述振动活动。在实施例中，所述振动活动表示所述工业机器的所述至少一部分的速度信息。在实施例中，所述振动活动表示所述工业机器的所述至少一部分的频率信息。在实施例中，所述移动数据收集器是移动机器人。在实施例中，所述移动数据收集器是移动车辆。在实施例中，所述移动数据收集器是移动数据收集器群的多个移动数据收集器中的一个。在实施例中，所述方法还包括使用所述移动数据收集器群的自组织系统来控制所述移动数据收集器在包括所述工业机器的工业环境内的移动。在实施例中，当所述移动数据收集器接近所述工业机器时，所述一个或多个振动传感器检测所述振动活动。在实施例中，使用所述移动数据收集器群的所述自组织系统来控制所述移动数据收集器在所述工业环境内的所述移动包括：基于所述多个移动数据收集器中的至少一个其它移动数据收集器的移动来控制所述移动数据收集器在所述工业环境内的所述移动。在实施例中，所述移动数据收集器是移动机器人，并且所述多个移动数据收集器中的至少一个其它移动数据收集器是移动车辆。
在实施例中，一种工业机器预测性维护系统包括：移动数据收集器群，其包括一个或多个移动数据收集器，被配置为收集运行状况监测数据，所述运行状况监测数据表示位于工业环境中的一个或多个工业机器的状况；工业机器预测性维护设施，其通过对所述运行状况监测数据应用机器故障检测和分类算法产生工业机器服务建议以响应所述运行状况监测数据；以及计算机维护管理系统(Computerized Maintenance Management System，简称CMMS)，其产生对服务和部件的订购和请求中的至少一个以响应接收到所述工业机器服务建议。在实施例中，所述工业机器预测性维护系统还包括服务和交付协调设施，其接收和处理关于对工业机器执行的服务的信息以响应对服务和部件的订购和请求中的所述至少一个，从而验证执行的所述服务，同时为各个工业机器产生服务活动和结果的分类账。在实施例中，所述分类账使用区块链结构来跟踪对服务和部件中的所述订购和所述请求中的所述至少一个中的每一个的交易记录。在实施例中，每个记录被存储为所述区块链结构中的区块。在实施例中，所述CMMS通过将发货就绪、安装、操作传感器数据、服务事件、部件订购、服务订购或诊断活动中的至少一个的数据与所述分类账中最近生成的区块的散列组合来生成所述分类账的后续区块。在实施例中，所述工业机器预测性维护系统还包括自组织系统，其控制所述一个或多个移动数据收集器在所述工业环境内的移动。在实施例中，所述自组织系统向所述一个或多个移动数据收集器发送对所述运行状况监测数据的请求。在实施例中，所述移动数据收集器将所述运行状况监测数据传输到所述自组织系统以响应所述请求。在实施例中，所述自组织系统将所述运行状况监测数据发送到所述工业机器预测维护设施。在实施例中，所述工业机器预测维护系统还包括数据收集路由器，当所述移动数据收集器接近所述数据收集路由器时，所述数据收集路由器从所述一个或多个移动数据收集器接收所述运行状况监测数据。在实施例中，所述数据收集路由器将所述运行状况监测数据传输到所述工业机器预测性维护设施。在实施例中，所述一个或多个移动数据收集器将所述运行状况监测数据推送到所述数据收集路由器。在实施例中，所述数据收集路由器从所述一个或多个移动数据收集器提取所述运行状况监测数据。在实施例中，所述工业机器预测性维护系统还包括自组织系统，其控制所述一个或多个移动数据收集器在所述工业环境内的移动。在实施例中，所述自组织系统控制所述运行状况监测数据从所述一个或多个移动数据收集器到所述数据收集路由器的传送。在实施例中，所述一个或多个移动数据收集器中的每个移动数据收集器是下列各项中的一种：包括一个或多个集成传感器的移动机器人、包括一个或多个耦合传感器的移动机器人、具有一个或多个集成传感器的移动车辆，或具有一个或多个耦合传感器的移动车辆。在实施例中，所述工业机器预测性维护设施基于针对所述运行状况监测数据计算的严重度单元来产生所述工业机器服务建议。
在实施例中，一种系统包括：集成在工业制服内的多个可穿戴设备，所述工业制服的每个可穿戴设备包括一个或多个传感器，所述传感器收集工业环境中的工业机器的测量值，所述测量值表示所述工业机器的状况；工业机器预测性维护设施，其通过对所述测量值应用机器故障检测和分类算法，基于所述测量值产生工业机器服务建议；以及计算机维护管理系统(CMMS)，其产生对服务和部件的订购和请求中的至少一个以响应接收到所述工业机器服务建议。在实施例中，所述系统还包括服务和交付协调设施，其接收和处理关于对工业机器执行的服务的信息以响应对服务和部件的订购和请求中的所述至少一个，从而验证执行的所述服务，同时为各个工业机器产生服务活动和结果的分类账。在实施例中，所述分类账使用区块链结构来跟踪对服务和部件中的所述订购和所述请求中的所述至少一个中的每一个的交易记录。在实施例中，每个记录被存储为所述区块链结构中的区块。在实施例中，所述CMMS通过将发货就绪、安装、操作传感器数据、服务事件、部件订购、服务订购或诊断活动中的至少一个的数据与所述分类账中最近生成的区块的散列组合来生成所述分类账的后续区块。在实施例中，所述工业制服的第一可穿戴设备的所述一个或多个传感器包括被配置为收集来自所述工业机器中的至少一个的振动测量值的传感器。在实施例中，所述工业制服的第二可穿戴设备的所述一个或多个传感器包括被配置为收集来自所述工业机器中的至少一个的温度测量值的传感器。在实施例中，所述工业制服的第一可穿戴设备的所述一个或多个传感器包括被配置为收集来自所述工业机器中的至少一个的电气测量值的传感器。在实施例中，所述工业制服的第一可穿戴设备的所述一个或多个传感器包括被配置为收集来自所述工业机器中的至少一个的磁测量值的传感器。在实施例中，所述工业制服的第一可穿戴设备的所述一个或多个传感器包括被配置为收集来自所述工业机器中的至少一个的声音测量值的传感器。在实施例中，所述工业制服的第一可穿戴设备是衣物，所述工业制服的第二可穿戴设备是配件物品。在实施例中，所述系统还包括集中处理设备，其控制所述多个可穿戴设备收集所述一个或多个工业机器的测量值。在实施例中，所述集中处理设备向所述工业制服的可穿戴设备发送第一命令，以使所述可穿戴设备的所述一个或多个传感器收集所述一个或多个工业机器的测量值。在实施例中，所述集中处理设备向所述可穿戴设备发送第二命令，以使所述可穿戴设备向所述集中处理设备发送所述测量值。在实施例中，所述工业机器预测性维护设施基于为所述测量值计算的严重度单元来产生所述工业机器服务建议。
在实施例中，一种系统包括：集成在工业制服内的多个可穿戴设备，所述工业制服的每个可穿戴设备包括一个或多个传感器，所述传感器收集工业环境中的工业机器的测量值，所述测量值表示所述工业机器的状况；工业机器预测性维护设施，其通过对所述测量值应用机器故障检测和分类算法，基于所述测量值产生工业机器服务建议；计算机维护管理系统(CMMS)，其产生对服务和部件的订购和请求中的至少一个以响应接收到所述工业机器服务建议；以及服务和交付协调设施，其接收和处理关于对工业机器执行的服务的信息以响应对服务和部件的订购和请求中的所述至少一个，从而验证执行的所述服务，同时为各个工业机器产生服务活动和结果的分类账。在实施例中，所述工业机器预测性维护设施基于为所述测量值计算的严重度单元来产生所述工业机器服务建议。在实施例中，所述分类账使用区块链结构来跟踪对服务和部件中的所述订购和所述请求中的所述至少一个中的每一个的交易记录。在实施例中，每个记录被存储为所述区块链结构中的区块。
在实施例中，一种系统包括：移动数据收集器群，其包括一个或多个移动数据收集器，被配置为收集运行状况监测数据，所述运行状况监测数据表示位于工业环境中的一个或多个工业机器的状况；工业机器预测性维护设施，其通过对所述运行状况监测数据应用机器故障检测和分类算法产生工业机器服务建议以响应所述运行状况监测数据；计算机维护管理系统(CMMS)，其产生对服务和部件的订购和请求中的至少一个以响应接收到所述工业机器服务建议；以及服务和交付协调设施，其接收和处理关于对工业机器执行的服务的信息以响应对服务和部件的订购和请求中的所述至少一个，从而验证执行的所述服务，同时为各个工业机器产生服务活动和结果的分类账。在实施例中，所述工业机器预测性维护设施基于针对所述运行状况监测数据计算的严重度单元来产生所述工业机器服务建议。在实施例中，所述分类账使用区块链结构来跟踪对服务和部件中的所述订购和所述请求中的至少一个中的每一个的交易记录。在实施例中，每个记录被存储为所述区块链结构中的区块。
在实施例中，一种方法包括：使用手持设备的一个或多个振动传感器生成表示工业机器的至少一部分的测量振动的振动数据；将所述振动数据映射到一个或多个严重度单元；以及通过基于所述严重度单元确定对工业机器的所述至少一部分执行的维护操作，使用所述严重度单元来预测所述工业机器的维护。在实施例中，将所述振动数据映射到一个或多个严重度单元包括：将所述振动数据的各部分映射到第一严重度单元，其中所述振动数据的所述各部分的频率对应于振动频谱的低端拐点阈值范围以下；将所述振动数据的各部分映射到第二严重度单元，其中所述振动数据的各部分的频率对应于所述振动频谱的中间范围；以及将所述振动数据的各部分映射到第三严重度单元，其中所述振动数据的各部分的频率对应于所述振动频谱的高端拐点阈值范围以上。在实施例中，在所述手持设备处执行所述将所述振动数据映射到所述一个或多个严重度单元。在实施例中，在服务器处执行所述将所述振动数据映射到所述一个或多个严重度单元。在实施例中，所述方法还包括将所述振动数据从所述手持设备发送到所述服务器。在实施例中，所述方法还包括：利用与所述手持设备相关联的集中处理设备，检测所述手持设备接近所述工业机器；从所述集中处理设备向所述手持设备发送第一命令，以使所述手持设备生成所述振动数据；以及在所述生成所述振动数据之后，从所述集中处理设备向所述手持设备发送第二命令，以使所述手持设备向所述集中处理设备发送所述振动数据。
在实施例中，一种系统包括：工业机器，其包括至少一个振动传感器，所述振动传感器设置为捕获所述工业机器的一部分的振动；移动数据收集器，其通过从所述至少一个振动传感器收集所述捕获振动生成振动数据；多段振动频谱结构，其促进将所述捕获振动映射到多段振动频率的一个振动频率段；严重度单元算法，其接收所述振动的所述确定的频率和所述对应的映射分段，并产生严重度值，然后将所述严重度值映射到为所述对应的映射分段限定的多个严重度单元中的一个；以及信号生成电路，其接收所述多个严重度单元中的所述一个严重度单元，并基于所述一个严重度单元向预测性维护服务器发送信号，指示对所述工业机器的部分执行相应维护操作。
在实施例中，一种方法包括：使用分布式分类账来跟踪在用于工业物联网数据的自动化数据市场中执行的一个或多个交易。在实施例中，所述分布式分类账分布存储指示一个或多个设备上的所述一个或多个交易的数据。在实施例中，所述指示所述一个或多个交易的数据对应于交易记录；以及使用一个或多个移动数据收集器来生成表示工业机器的状况的传感器数据。在实施例中，所述传感器数据用于确定对服务和部件的订购或请求中的至少一个，所述服务和部件用于解决与所述机器的所述状况相关联的问题。在实施例中，存储在所述分布式分类账中的交易记录表示以下各项中的一个或多个：所述传感器数据、所述工业机器的所述状况、对服务和部件的所述订购或所述请求中的所述至少一个、与所述机器的所述状况相关联的所述问题，或者用于识别所述交易记录的散列。在实施例中，所述分布式分类账使用区块链结构来存储所述交易记录。在实施例中，每个交易记录被存储为所述区块链结构中的区块。在实施例中，每个移动数据收集器是移动车辆、移动机器人、手持设备或可穿戴设备中的一个。在实施例中，所述方法还包括：对所述传感器数据应用机器故障检测和分类算法，生成工业机器服务建议；以及基于所述工业机器服务建议产生对服务和部件的所述订购或所述请求中的所述至少一个。在实施例中，所述一个或多个移动数据收集器使用计算机视觉系统通过使用一个或多个数据捕获设备捕获原始图像数据并处理所述原始图像数据以生成图像集数据，来生成所述传感器数据。在实施例中，所述图像集数据用于产生所述工业机器服务建议。
在实施例中，一种系统包括：连接工业机器和一个或多个移动数据收集器的IoT网络，每个移动数据收集器包括一个或多个传感器，以生成指示所述工业机器的状况的传感器数据；以及与所述IoT网络通信的服务器，所述服务器实现预测性维护平台，所述预测性维护平台使用分布式分类账来跟踪与所述工业机器相关的维护交易，所述分布式分类账存储与所述维护交易相对应的交易记录。在实施例中，所述预测性维护平台将所述交易记录中的至少一些交易记录分发给所述一个或多个移动数据收集器。在实施例中，所述系统还包括自组织存储系统，其优化存储所述分布式分类账内的所述交易记录。在实施例中，所述系统还包括自组织存储系统，其优化存储与所述工业机器相关联的维护数据。在实施例中，所述系统还包括自组织存储系统，其优化存储与所述IoT网络相关联的IoT数据。在实施例中，所述系统还包括自组织存储系统，其优化存储与所述维护交易相关的部件和服务数据。在实施例中，所述系统还包括自组织存储系统，其优化存储与所述工业机器相关联的知识库数据。在实施例中，每个移动数据收集器是移动车辆、移动机器人、手持设备或可穿戴设备中的一个。在实施例中，所述系统还包括工业机器预测性维护设施，其通过对所述传感器数据应用机器故障检测和分类算法来产生针对所述状况的工业机器服务建议。在实施例中，所述系统还包括严重度单元算法，其基于所述传感器数据产生所述状况的严重度值。在实施例中，基于所述严重度值产生所述工业机器服务建议。在实施例中，所述一个或多个移动数据收集器中的至少一个使用计算机视觉系统通过使用一个或多个数据捕获设备捕获原始图像数据并处理所述原始图像数据以生成图像集数据，来生成所述传感器数据。在实施例中，所述图像集数据用于产生所述工业机器服务建议。
在实施例中，一种方法包括：利用移动数据收集器生成表示工业机器状况的传感器数据；通过分析所述传感器数据来确定所述工业机器状况的严重度；基于所述状况的严重度预测待对所述工业机器执行的维护操作；以及将所述预测的维护操作的交易记录存储在与所述工业机器相关联的服务活动的分类账内。在实施例中，所述方法还包括：针对所述预测的维护操作产生对用于执行所述维护操作的服务和部件的订购或请求中的至少一个；以及将指示对服务和部件的所述订购或请求的至少一个的数据包括在所述交易记录内。在实施例中，所述移动数据收集器是移动车辆、移动机器人、手持设备或可穿戴设备中的一个。在实施例中，所述方法还包括对表示所述工业机器的状况的数据应用机器学习。在实施例中，通过分析振动的频率来确定所述传感器数据的所述严重度包括使用所述应用的机器学习基于与所述振动的频率或速度中的至少一个相关联的机器学习数据，来确定所述传感器数据的所述严重度。
在实施例中，工业机器预测性维护系统包括：计算机视觉系统，其使用由一个或多个数据捕获设备捕获的原始数据生成一个或多个图像数据集，并且基于所述一个或多个图像数据集检测工业机器的运行特征；工业机器预测性维护设施，其通过对指示所述运行特征的数据应用机器故障检测和分类算法来产生工业机器服务建议；计算机维护管理系统(CMMS)，其产生对服务和部件的订购和请求中的至少一个以响应接收到所述工业机器服务建议；以及服务和交付协调设施，其基于对服务和部件的订购和请求中的所述至少一个接收和处理待在所述工业机器上执行的服务的相关信息。在实施例中，所述服务和交付协调设施验证待在所述工业机器上执行的所述服务，同时为所述工业机器生成服务活动和结果的分类账。在实施例中，所述分类账使用区块链结构来跟踪对服务和部件中的所述订购和所述请求中的所述至少一个中的每一个的交易记录。在实施例中，每个记录被存储为所述区块链结构中的区块。在实施例中，所述CMMS通过将发货就绪、安装、操作传感器数据、服务事件、部件订购、服务订购或诊断活动中的至少一个的数据与所述分类账中最近生成的区块的散列组合来生成所述分类账的后续区块。在实施例中，所述工业机器预测性维护设施使用存储在与所述工业机器相关联的知识库内的数据来产生所述工业机器服务建议。在实施例中，所述运行特征与针对所述工业机器的至少一部分检测到的振动有关。在实施例中，所述工业机器预测性维护设施根据针对所述检测到的振动计算的严重度单元来产生所述工业机器服务建议。在实施例中，通过确定所述检测到的振动的频率、确定多段振动频谱中限定所述检测到的振动范围的分段以及基于所述确定的分段计算所述检测到的振动的所述严重度单元，来为所述检测到的振动计算所述严重度单元。在实施例中，通过基于所述确定的分段将所述检测到的振动映射到多个严重度单元中的一个来确定多段振动频谱中限定所述检测到的振动范围的分段。在实施例中，所述严重度单元中的每一个对应于所述多段振动频谱的不同范围。在实施例中，当所述捕获的振动的所述频率对应于所述多段振动频谱的低端拐点阈值范围以下时，将所述检测到的振动映射到第一严重度单元。在实施例中，当所述捕获的振动的所述频率对应于所述多段振动频谱的中间范围时，将所述检测到的振动映射到第二严重度单元。在实施例中，当所述捕获的振动的所述频率对应于所述多段振动频谱的高端拐点阈值范围以上时，将所述检测到的振动映射到第三严重度单元。在实施例中，所述严重度单元指示所述检测到的振动可导致所述工业机器的至少所述一部分出现故障。在实施例中，所述工业机器服务建议包括用于防止或减轻所述故障的建议。在实施例中，对服务的所述订购和所述请求中的所述至少一个针对用于防止或减轻所述故障的部件或服务。在实施例中，所述一个或多个数据捕获设备位于所述计算机视觉系统的外部。在实施例中，所述工业机器预测性维护系统还包括移动数据收集器，其用于通过使用对服务和部件的订购和请求中的所述至少一个对所述工业机器执行与所述工业机器服务建议相对应的维护操作。在实施例中，所述服务和交付协调设施从所述移动数据收集器接收指示所述维护操作执行的信号。在实施例中，所述服务和交付协调设施使用分类账来记录所述工业机器的服务活动和结果。在实施例中，所述服务和交付协调设施基于从所述移动数据收集器接收的所述信号在所述分类账中生成新记录。
在实施例中，工业机器预测性维护系统包括：计算机视觉系统，其使用由一个或多个数据捕获设备捕获的原始数据生成一个或多个图像数据集，并且基于所述一个或多个图像数据集检测工业机器的运行特征；工业机器预测性维护设施，其通过对指示所述运行特征的数据应用机器故障检测和分类算法来产生工业机器服务建议；以及计算机维护管理系统(CMMS)，其产生对服务和部件的订购和请求中的至少一个以响应接收到所述工业机器服务建议。在实施例中，所述工业机器预测性维护系统还包括服务和交付协调设施，其基于对服务和部件的订购和请求中的所述至少一个接收和处理待在所述工业机器上执行的服务的相关信息。在实施例中，所述服务和交付协调设施验证待在所述工业机器上执行的所述服务，同时为所述工业机器生成服务活动和结果的分类账。在实施例中，所述分类账使用区块链结构来跟踪对服务和部件中的所述订购和所述请求中的所述至少一个中的每一个的交易记录。在实施例中，每个记录被存储为所述区块链结构中的区块。在实施例中，所述CMMS通过将发货就绪、安装、操作传感器数据、服务事件、部件订购、服务订购或诊断活动中的至少一个的数据与所述分类账中最近生成的区块的散列组合来生成所述分类账的后续区块。在实施例中，所述工业机器预测性维护设施使用存储在与所述工业机器相关联的知识库内的数据来产生所述工业机器服务建议。在实施例中，所述运行特征与针对所述工业机器的至少一部分检测到的振动有关。在实施例中，所述工业机器预测性维护设施根据针对所述检测到的振动计算的严重度单元来产生所述工业机器服务建议。在实施例中，通过确定所述检测到的振动的频率、确定多段振动频谱中限定所述检测到的振动范围的分段以及基于所述确定的分段计算所述检测到的振动的所述严重度单元，来为所述检测到的振动计算所述严重度单元。在实施例中，通过基于所述确定的分段将所述检测到的振动映射到多个严重度单元中的一个来确定多段振动频谱中限定所述检测到的振动范围的分段。在实施例中，所述严重度单元中的每一个对应于所述多段振动频谱的不同范围。在实施例中，当所述捕获的振动的所述频率对应于所述多段振动频谱的低端拐点阈值范围以下时，将所述检测到的振动映射到第一严重度单元。在实施例中，当所述捕获的振动的所述频率对应于所述多段振动频谱的中间范围时，将所述检测到的振动映射到第二严重度单元。在实施例中，当所述捕获的振动的所述频率对应于所述多段振动频谱的高端拐点阈值范围以上时，将所述检测到的振动映射到第三严重度单元。在实施例中，所述严重度单元指示所述检测到的振动可导致所述工业机器的至少所述一部分出现故障。在实施例中，所述工业机器服务建议包括用于防止或减轻所述故障的建议。在实施例中，对服务的所述订购和所述请求中的所述至少一个针对用于防止或减轻所述故障的部件或服务。在实施例中，所述一个或多个数据捕获设备位于所述计算机视觉系统的外部。在实施例中，所述工业机器预测性维护系统还包括移动数据收集器，其用于通过使用对服务和部件的订购和请求中的所述至少一个对所述工业机器执行与所述工业机器服务建议相对应的维护操作。在实施例中，所述服务和交付协调设施从所述移动数据收集器接收指示所述维护操作执行的信号。在实施例中，所述服务和交付协调设施使用分类账来记录所述工业机器的服务活动和结果。在实施例中，所述服务和交付协调设施基于从所述移动数据收集器接收的所述信号在所述分类账中生成新记录。在实施例中，所述移动数据收集器是移动车辆。在实施例中，所述移动数据收集器是移动机器人。在实施例中，所述移动数据收集器是手持设备。在实施例中，所述移动数据收集器是可穿戴设备。
在实施例中，工业机器预测性维护系统包括：计算机视觉系统，其使用由一个或多个数据捕获设备捕获的原始数据生成一个或多个图像数据集，并且基于所述一个或多个图像数据集检测工业机器的运行特征；工业机器预测性维护设施，其基于所述运行特征产生工业机器服务建议；以及移动数据收集器，被配置为对所述工业机器执行与所述工业机器服务建议相对应的维护操作。在实施例中，所述移动数据收集器是移动数据收集器群中的一个移动数据收集器，所述工业机器预测性维护系统还包括所述移动数据收集器群的自组织系统，其控制所述群的所述移动数据收集器在包括所述工业机器的工业环境内的移动。在实施例中，所述工业机器预测性维护设施通过对指示所述运行特征的数据应用机器故障检测和分类算法来产生所述工业机器服务建议。在实施例中，所述工业机器预测性维护设施使用存储在与所述工业机器相关联的知识库内的数据来产生所述工业机器服务建议。在实施例中，所述运行特征与针对所述工业机器的至少一部分检测到的振动有关。在实施例中，所述工业机器预测性维护设施根据针对所述检测到的振动计算的严重度单元来产生所述工业机器服务建议。在实施例中，通过确定所述检测到的振动的频率、确定多段振动频谱中限定所述检测到的振动范围的分段以及基于所述确定的分段计算所述检测到的振动的所述严重度单元，来为所述检测到的振动计算所述严重度单元。在实施例中，通过基于所述确定的分段将所述检测到的振动映射到多个严重度单元中的一个来确定多段振动频谱中限定所述检测到的振动范围的分段。在实施例中，所述严重度单元中的每一个对应于所述多段振动频谱的不同范围。在实施例中，当所述捕获的振动的所述频率对应于所述多段振动频谱的低端拐点阈值范围以下时，将所述检测到的振动映射到第一严重度单元。在实施例中，当所述捕获的振动的所述频率对应于所述多段振动频谱的中间范围时，将所述检测到的振动映射到第二严重度单元。在实施例中，当所述捕获的振动的所述频率对应于所述多段振动频谱的高端拐点阈值范围以上时，将所述检测到的振动映射到第三严重度单元。在实施例中，所述严重度单元指示所述检测到的振动可导致所述工业机器的至少所述一部分出现故障。在实施例中，所述工业机器服务建议包括用于防止或减轻所述故障的建议。在实施例中，所述工业机器预测维护系统还包括计算机维护管理系统(CMMS)，其产生对服务和部件的订购和请求中的至少一个以响应接收到所述工业机器服务建议。在实施例中，所述移动数据收集器通过使用对服务和部件的订购和请求中的所述至少一个来执行所述维护操作。在实施例中，所述工业机器预测性维护系统还包括服务和交付协调设施，其基于对服务和部件的订购和请求中的所述至少一个接收和处理待在所述工业机器上执行的服务的相关信息。在实施例中，所述服务和交付协调设施验证待在所述工业机器上执行的所述服务，同时为所述工业机器生成服务活动和结果的分类账。在实施例中，所述分类账使用区块链结构来跟踪对服务和部件中的所述订购和所述请求中的所述至少一个中的每一个的交易记录。在实施例中，每个记录被存储为所述区块链结构中的区块。在实施例中，所述CMMS通过将发货就绪、安装、操作传感器数据、服务事件、部件订购、服务订购或诊断活动中的至少一个的数据与所述分类账中最近生成的区块的散列组合来生成所述分类账的后续区块。
在实施例中，一种用于工业机器预测性维护的方法，包括：使用移动数据收集器的一个或多个传感器生成表示工业机器的状况的数据；处理所述数据以确定所述工业机器的所述状况的严重度；基于所述严重度确定针对所述工业机器的所述状况的工业机器服务建议；以及生成指示所述工业机器服务建议的信号。在实施例中，所述移动数据收集器使用计算机视觉系统，所述计算机视觉系统使用由一个或多个数据捕获设备捕获的原始数据来生成一个或多个图像数据集作为所述数据，并且基于所述一个或多个图像数据集来检测工业机器的运行特征。在实施例中，所述运行特征对应于所述工业机器的所述状况。在实施例中，所述移动数据收集器是移动机器人。在实施例中，所述移动数据收集器是移动车辆。在实施例中，所述移动数据收集器是手持设备。在实施例中，所述移动数据收集器是可穿戴设备。在实施例中，基于所述严重度来确定所述工业机器的所述状况的所述工业机器服务建议包括：使用智能系统对所述数据和所述严重度应用机器故障检测和分类算法。在实施例中，所述工业机器的所述状况涉及针对所述工业机器的至少一部分检测到的振动，并且处理所述数据以确定所述工业机器的所述状况的所述严重度包括：确定所述检测到的振动的频率；确定多段振动频谱中限定所述检测到的振动范围的分段；基于所述确定的分段计算所述检测到的振动的所述严重度。在实施例中，所述严重度对应于严重度单元。在实施例中，通过基于所述确定的分段将所述检测到的振动映射到多个严重度单元中的一个来确定多段振动频谱中限定所述检测到的振动范围的分段。在实施例中，所述严重度单元中的每一个对应于所述多段振动频谱的不同范围。在实施例中，所述方法还包括：当所述检测到的振动的所述频率对应于所述多段振动频谱的低端拐点阈值范围以下时，将所述检测到的振动映射到第一严重度单元；当所述检测到的振动的所述频率对应于所述多段振动频谱的中间范围时，将所述检测到的振动映射到第二严重度单元；当所述检测到的振动的所述频率对应于所述多段振动频谱的高端拐点阈值范围以上时，将所述检测到的振动映射到第三严重度单元。在实施例中，所述方法还包括：向移动机器人发送所述信号，所述移动机器人被配置为执行与所述工业机器服务建议相关联的维护操作。在实施例中，所述方法还包括：将所述工业机器服务建议的记录存储在与所述工业机器相关联的服务活动的分类账中。在实施例中，所述分类账使用区块链结构来跟踪用于所述工业机器的工业机器服务建议的记录。在实施例中，每个记录被存储为所述区块链结构中的区块。在实施例中，所述方法还包括基于所述工业机器服务建议产生对服务和部件的订购或请求中的至少一个。在实施例中，所述信号指示对服务和部件的所述订购或所述请求中的所述至少一个。
在实施例中，一种用于工业机器预测性维护的方法，包括：使用一个或多个可穿戴设备生成表示工业机器的状况的数据，每个可穿戴设备包括一个或多个传感器。在实施例中，当所述一个或多个可穿戴设备中的可穿戴设备接近所述工业机器时，所述可穿戴设备生成所述数据的部分或全部；处理所述数据以确定所述工业机器的所述状况的严重度；基于所述严重度确定针对所述工业机器的所述状况的工业机器服务建议；以及将所述工业机器服务建议的记录存储在与所述工业机器相关联的服务活动的分类账中。在实施例中，所述工业机器的所述状况涉及针对所述工业机器的至少一部分检测到的振动，并且处理所述数据以确定所述工业机器的所述状况的所述严重度包括：确定所述检测到的振动的频率；确定多段振动频谱中限定所述检测到的振动范围的分段；基于所述确定的分段计算所述检测到的振动的所述严重度。在实施例中，所述严重度对应于严重度单元。在实施例中，通过基于所述确定的分段将所述检测到的振动映射到多个严重度单元中的一个来确定多段振动频谱中限定所述检测到的振动范围的分段。在实施例中，所述严重度单元中的每一个对应于所述多段振动频谱的不同范围。在实施例中，所述方法还包括：当所述检测到的振动的所述频率对应于所述多段振动频谱的低端拐点阈值范围以下时，将所述检测到的振动映射到第一严重度单元；当所述检测到的振动的所述频率对应于所述多段振动频谱的中间范围时，将所述检测到的振动映射到第二严重度单元；当所述检测到的振动的所述频率对应于所述多段振动频谱的高端拐点阈值范围以上时，将所述检测到的振动映射到第三严重度单元。在实施例中，基于所述严重度来确定所述工业机器的所述状况的所述工业机器服务建议包括：使用智能系统对所述数据和所述严重度应用机器故障检测和分类算法。在实施例中，所述智能系统包括YOLO(即，you only look once)神经网络。在实施例中，所述智能系统包括YOLO卷积神经网络。在实施例中，所述智能系统包括被构造成在现场可编程门阵列上操作或从现场可编程门阵列操作的一组神经网络。在实施例中，所述智能系统包含被构造成在现场可编程门阵列和图形处理单元混合组件上操作或从所述现场可编程门阵列和图形处理单元混合组件操作的一组神经网络。在实施例中，所述智能系统包括用于混合神经网络的用户可配置的串行和并行流。在实施例中，所述智能系统包括用于为一组神经网络配置拓扑或工作流的机器学习系统。在实施例中，所述智能系统包括用于为一组神经网络配置拓扑或工作流的深度学习系统。在实施例中，所述分类账使用区块链结构来跟踪用于所述工业机器的工业机器服务建议的记录。在实施例中，每个记录被存储为所述区块链结构中的区块。在实施例中，所述方法还包括：基于所述工业机器服务建议产生对服务和部件的订购或请求中的至少一个。在实施例中，存储在所述分类账中的所述工业机器服务建议的所述记录指示对所述服务和部件的所述订购或所述请求中的所述至少一个。在实施例中，所述一个或多个可穿戴设备集成在工业制服内。在实施例中，所述可穿戴设备集成在衣物内。在实施例中，所述可穿戴设备集成在配件物品内。
在实施例中，一种用于工业机器预测性维护的方法，包括：使用一个或多个手持设备生成表示工业机器的状况的数据，每个手持设备包括一个或多个传感器。在实施例中，当所述一个或多个手持设备中的手持设备接近所述工业机器时，所述手持设备生成所述数据的部分或全部；处理所述数据以确定所述工业机器的所述状况的严重度；基于所述严重度确定针对所述工业机器的所述状况的工业机器服务建议；以及将所述工业机器服务建议的记录存储在与所述工业机器相关联的服务活动的分类账中。在实施例中，所述工业机器的所述状况涉及针对所述工业机器的至少一部分检测到的振动，并且处理所述数据以确定所述工业机器的所述状况的所述严重度包括：确定所述检测到的振动的频率；确定多段振动频谱中限定所述检测到的振动范围的分段；基于所述确定的分段计算所述检测到的振动的所述严重度。在实施例中，所述严重度对应于严重度单元。在实施例中，通过基于所述确定的分段将所述检测到的振动映射到多个严重度单元中的一个来确定多段振动频谱中限定所述检测到的振动范围的分段。在实施例中，所述严重度单元中的每一个对应于所述多段振动频谱的不同范围。在实施例中，所述方法还包括：当所述检测到的振动的所述频率对应于所述多段振动频谱的低端拐点阈值范围以下时，将所述检测到的振动映射到第一严重度单元；当所述检测到的振动的所述频率对应于所述多段振动频谱的中间范围时，将所述检测到的振动映射到第二严重度单元；当所述检测到的振动的所述频率对应于所述多段振动频谱的高端拐点阈值范围以上时，将所述检测到的振动映射到第三严重度单元。在实施例中，基于所述严重度来确定所述工业机器的所述状况的所述工业机器服务建议包括：使用智能系统对所述数据和所述严重度应用机器故障检测和分类算法。在实施例中，所述智能系统包括YOLO(即，you only look once)神经网络。在实施例中，所述智能系统包括YOLO卷积神经网络。在实施例中，所述智能系统包括被构造成在现场可编程门阵列上操作或从现场可编程门阵列操作的一组神经网络。在实施例中，所述智能系统包含被构造成在现场可编程门阵列和图形处理单元混合组件上操作或从所述现场可编程门阵列和图形处理单元混合组件操作的一组神经网络。在实施例中，所述智能系统包括用于混合神经网络的用户可配置的串行和并行流。在实施例中，所述智能系统包括用于为一组神经网络配置拓扑或工作流的机器学习系统。在实施例中，所述智能系统包括用于为一组神经网络配置拓扑或工作流的深度学习系统。在实施例中，所述分类账使用区块链结构来跟踪用于所述工业机器的工业机器服务建议的记录。在实施例中，每个记录被存储为所述区块链结构中的区块。在实施例中，所述方法还包括基于所述工业机器服务建议产生对服务和部件的订购或请求中的至少一个。在实施例中，存储在所述分类账中的所述工业机器服务建议的所述记录指示对所述服务和部件的所述订购或所述请求中的所述至少一个。
在实施例中，一种用于工业机器预测性维护的方法，包括：使用一个或多个移动机器人生成表示工业机器的状况的数据，每个移动机器人包括一个或多个传感器。在实施例中，当所述一个或多个移动机器人中的移动机器人接近所述工业机器时，所述移动机器人生成所述数据的部分或全部；处理所述数据以确定所述工业机器的所述状况的严重度；基于所述严重度确定针对所述工业机器的所述状况的工业机器服务建议；以及将所述工业机器服务建议的记录存储在与所述工业机器相关联的服务活动的分类账中。在实施例中，所述工业机器的所述状况涉及针对所述工业机器的至少一部分检测到的振动，并且处理所述数据以确定所述工业机器的所述状况的所述严重度包括：确定所述检测到的振动的频率；确定多段振动频谱中限定所述检测到的振动范围的分段；基于所述确定的分段计算所述检测到的振动的所述严重度。在实施例中，所述严重度对应于严重度单元。在实施例中，通过基于所述确定的分段将所述检测到的振动映射到多个严重度单元中的一个来确定多段振动频谱中限定所述检测到的振动范围的分段。在实施例中，所述严重度单元中的每一个对应于所述多段振动频谱的不同范围。在实施例中，所述方法还包括：当所述检测到的振动的所述频率对应于所述多段振动频谱的低端拐点阈值范围以下时，将所述检测到的振动映射到第一严重度单元；当所述检测到的振动的所述频率对应于所述多段振动频谱的中间范围时，将所述检测到的振动映射到第二严重度单元；当所述检测到的振动的所述频率对应于所述多段振动频谱的高端拐点阈值范围以上时，将所述检测到的振动映射到第三严重度单元。在实施例中，基于所述严重度来确定所述工业机器的所述状况的所述工业机器服务建议包括：使用智能系统对所述数据和所述严重度应用机器故障检测和分类算法。在实施例中，所述智能系统包括YOLO(即，you only look once)神经网络。在实施例中，所述智能系统包括YOLO卷积神经网络。在实施例中，所述智能系统包括被构造成在现场可编程门阵列上操作或从现场可编程门阵列操作的一组神经网络。在实施例中，所述智能系统包含被构造成在现场可编程门阵列和图形处理单元混合组件上操作或从所述现场可编程门阵列和图形处理单元混合组件操作的一组神经网络。在实施例中，所述智能系统包括用于混合神经网络的用户可配置的串行和并行流。在实施例中，所述智能系统包括用于为一组神经网络配置拓扑或工作流的机器学习系统。在实施例中，所述智能系统包括用于为一组神经网络配置拓扑或工作流的深度学习系统。在实施例中，所述分类账使用区块链结构来跟踪用于所述工业机器的工业机器服务建议的记录。在实施例中，每个记录被存储为所述区块链结构中的区块。在实施例中，所述方法还包括基于所述工业机器服务建议产生对服务和部件的订购或请求中的至少一个。在实施例中，存储在所述分类账中的所述工业机器服务建议的所述记录指示对所述服务和部件的所述订购或所述请求中的所述至少一个。在实施例中，所述移动机器人是移动数据收集器群的多个移动机器人中的一个。在实施例中，所述方法还包括控制所述移动数据收集器群使所述移动机器人接近所述工业机器在工业环境内的位置。在实施例中，控制所述移动数据收集器群使所述移动机器人接近所述工业机器在工业环境内的位置包括：使用所述移动数据收集器群的自组织系统基于所述移动数据收集器群的其它移动机器人在所述工业环境内的位置，来控制所述移动机器人在所述工业环境内的移动。
在实施例中，一种用于工业机器预测性维护的方法，包括：使用一个或多个移动车辆生成表示工业机器的状况的数据，每个移动车辆包括一个或多个传感器。在实施例中，当所述一个或多个移动车辆中的移动车辆接近所述工业机器时，所述移动车辆生成所述数据的部分或全部；处理所述数据以确定所述工业机器的所述状况的严重度；基于所述严重度确定针对所述工业机器的所述状况的工业机器服务建议；以及将所述工业机器服务建议的记录存储在与所述工业机器相关联的服务活动的分类账中。在实施例中，所述工业机器的所述状况涉及针对所述工业机器的至少一部分检测到的振动，并且处理所述数据以确定所述工业机器的所述状况的所述严重度包括：确定所述检测到的振动的频率；确定多段振动频谱中限定所述检测到的振动范围的分段；基于所述确定的分段计算所述检测到的振动的所述严重度。在实施例中，所述严重度对应于严重度单元。在实施例中，通过基于所述确定的分段将所述检测到的振动映射到多个严重度单元中的一个来确定多段振动频谱中限定所述检测到的振动范围的分段。在实施例中，所述严重度单元中的每一个对应于所述多段振动频谱的不同范围。在实施例中，所述方法还包括：当所述检测到的振动的所述频率对应于所述多段振动频谱的低端拐点阈值范围以下时，将所述检测到的振动映射到第一严重度单元；当所述检测到的振动的所述频率对应于所述多段振动频谱的中间范围时，将所述检测到的振动映射到第二严重度单元；当所述检测到的振动的所述频率对应于所述多段振动频谱的高端拐点阈值范围以上时，将所述检测到的振动映射到第三严重度单元。在实施例中，基于所述严重度来确定所述工业机器的所述状况的所述工业机器服务建议包括：使用智能系统对所述数据和所述严重度应用机器故障检测和分类算法。在实施例中，所述智能系统包括YOLO(即，you only look once)神经网络。在实施例中，所述智能系统包括YOLO卷积神经网络。在实施例中，所述智能系统包括被构造成在现场可编程门阵列上操作或从现场可编程门阵列操作的一组神经网络。在实施例中，所述智能系统包含被构造成在现场可编程门阵列和图形处理单元混合组件上操作或从所述现场可编程门阵列和图形处理单元混合组件操作的一组神经网络。在实施例中，所述智能系统包括用于混合神经网络的用户可配置的串行和并行流。在实施例中，所述智能系统包括用于为一组神经网络配置拓扑或工作流的机器学习系统。在实施例中，所述智能系统包括用于为一组神经网络配置拓扑或工作流的深度学习系统。在实施例中，所述分类账使用区块链结构来跟踪用于所述工业机器的工业机器服务建议的记录。在实施例中，每个记录被存储为所述区块链结构中的区块。在实施例中，所述方法还包括基于所述工业机器服务建议产生对服务和部件的订购或请求中的至少一个。在实施例中，存储在所述分类账中的所述工业机器服务建议的所述记录指示对所述服务和部件的所述订购或所述请求中的所述至少一个。在实施例中，所述移动车辆是移动数据收集器群的多个移动车辆中的一个。在实施例中，所述方法还包括控制所述移动数据收集器群使所述移动车辆接近所述工业机器在工业环境内的位置。在实施例中，控制所述移动数据收集器群使所述移动车辆接近所述工业机器在工业环境内的位置包括：使用所述移动数据收集器群的自组织系统基于所述移动数据收集器群的其它移动车辆在所述工业环境内的位置，来控制所述移动车辆在所述工业环境内的移动。
在实施例中，一种方法包括：训练计算机视觉系统以使用包括图像数据或非图像数据中的至少一个的训练数据集，来检测工业机器的状况；使用所述经过训练的计算机视觉并基于使用一个或多个数据捕获设备生成的数据集，来检测工业机器的状况；确定所述检测到的状况的严重度值，所述严重度表示所述检测到的状况对所述工业机器的影响；基于所述严重度值产生对服务和部件的订购或请求中的至少一个，所述服务和部件用于解决与所述工业机器的所述检测到的状况相关的问题；以及将与所述工业机器的所述检测到的状况相关的问题的记录存储在与所述工业机器相关联的分类账中。在实施例中，所述一个或多个数据捕获设备包括辐射成像设备、声波捕获设备、LIDAR设备、点云捕获设备或红外检测设备。在实施例中，基于所述工业机器的振动特性来检测所述检测到的状况。在实施例中，基于所述工业机器的压力特性来检测所述检测到的状况。在实施例中，基于所述工业机器的温度特性来检测所述检测到的状况。在实施例中，基于所述工业机器的化学特性来检测所述检测到的状况。在实施例中，训练所述计算机视觉系统以使用包括图像数据或非图像数据中的所述至少一个的所述训练数据集，来检测所述工业机器的所述状况包括：使用深度学习系统从所述图像数据或非图像数据中的至少一个检测特征；以及利用所述检测到的特征训练待学习的分类模型，以基于所述检测到的特征并基于结果反馈来检测所述工业机器的所述状况。在实施例中，所述结果反馈涉及所述工业机器、用于使用所述工业机器的过程或包括所述工业机器的设施中的维护、维修、正常运行时间、停机时间、盈利能力、效率或操作优化中的至少一种。在实施例中，使用所述经过训练的计算机视觉并基于使用所述一个或多个数据捕获设备生成的所述数据集，来检测所述工业机器的所述状况包括：使用部件识别来识别所述工业机器中将导致与所述检测到的状况相关的问题的一个或多个组件。在实施例中，对服务和部件的所述订购或所述请求中的所述至少一个用于所述一个或多个组件的更换部件。在实施例中，当所述严重度值不满足阈值时，不产生对服务和部件的所述订购或请求中的所述至少一个。在实施例中，所述方法还包括使用预测性维护知识系统根据以下的至少一个：所述检测到的状况、对服务和部件的所述订购或所述请求中的所述至少一个、或所述分类账中的所述存储记录，来更新预测性维护知识库。
在实施例中，一种系统包括：计算机维护管理系统(CMMS)，其产生对服务和部件的订购或请求中的至少一个以响应接收到与工业机器相对应的工业机器服务建议，并生成指示对服务和部件的所述订购或请求中的所述产生的至少一个的信号；以及移动数据收集器，其接收所述信号并向使用所述移动数据收集器的工人指示所述工业机器服务建议或对服务和部件的所述订购或请求中的所述产生的至少一个。在实施例中，所述移动数据收集器是可穿戴设备。在实施例中，所述可穿戴设备通过向所述可穿戴设备的显示器输出指示所述工业机器服务建议或所述产生的对服务和部件的所述订购或请求中的至少一个的数据来向所述工人指示所述工业机器服务建议或所述产生的对服务和部件的所述订购或请求中的至少一个。在实施例中，所述移动数据收集器是手持设备。在实施例中，所述手持设备通过向所述手持设备的显示器输出指示所述工业机器服务建议或所述产生的对服务和部件的所述订购或请求中的至少一个的数据来向所述工人指示所述工业机器服务建议或所述产生的对服务和部件的所述订购或请求中的至少一个。在实施例中，所述系统还包括服务和交付协调设施，其接收并处理关于对所述工业机器执行的服务的信息以响应对服务和部件的订购和请求中的所述至少一个，从而验证执行的所述服务，同时为所述工业机器产生服务活动和结果的分类账。在实施例中，所述系统还包括自组织数据收集器，其使得新记录存储在所述分类账中，所述新记录指示以下中的至少一个：所述工业机器服务建议或所述产生的对服务和部件的所述订购或请求中的至少一个。在实施例中，所述分类账使用区块链结构来跟踪对服务和部件中的所述订购和所述请求中的所述至少一个中的每一个的交易记录。在实施例中，每个记录被存储为所述区块链结构中的区块。在实施例中，所述CMMS通过将发货就绪、安装、操作传感器数据、服务事件、部件订购、服务订购或诊断活动中的至少一个的数据与所述分类账中最近生成的区块的散列组合来生成所述分类账的后续区块。
在实施例中，一种系统包括：计算机维护管理系统(CMMS)，其产生对服务和部件的订购或请求中的至少一个以响应接收到与工业机器相对应的工业机器服务建议，并生成指示对服务和部件的所述订购或请求中的所述产生的至少一个的信号；移动数据收集器，其接收所述信号并向使用所述移动数据收集器的工人指示所述工业机器服务建议或对服务和部件的所述订购或请求中的所述产生的至少一个；以及服务和交付协调设施，其接收并处理关于对所述工业机器执行的服务的信息以响应对服务和部件的订购和请求中的所述至少一个，从而验证执行的所述服务，同时为所述工业机器产生服务活动和结果的分类账。在实施例中，所述移动数据收集器是可穿戴设备。在实施例中，所述可穿戴设备通过向所述可穿戴设备的显示器输出指示所述工业机器服务建议或所述产生的对服务和部件的所述订购或请求中的至少一个的数据来向所述工人指示所述工业机器服务建议或所述产生的对服务和部件的所述订购或请求中的至少一个。根据权利要求1016所述的系统。在实施例中，所述移动数据收集器是手持设备。在实施例中，所述手持设备通过向所述手持设备的显示器输出指示所述工业机器服务建议或所述产生的对服务和部件的所述订购或请求中的至少一个的数据来向所述工人指示所述工业机器服务建议或所述产生的对服务和部件的所述订购或请求中的至少一个。在实施例中，所述系统还包括自组织数据收集器，其使得新记录存储在所述分类账中，所述新记录指示以下中的至少一个：所述工业机器服务建议或所述产生的对服务和部件的所述订购或请求中的至少一个。在实施例中，所述分类账使用区块链结构来跟踪对服务和部件中的所述订购和所述请求中的所述至少一个中的每一个的交易记录。在实施例中，每个记录被存储为所述区块链结构中的区块。在实施例中，所述CMMS通过将发货就绪、安装、操作传感器数据、服务事件、部件订购、服务订购或诊断活动中的至少一个的数据与所述分类账中最近生成的区块的散列组合来生成所述分类账的后续区块。
在实施例中，一种系统包括：计算机维护管理系统(CMMS)，其产生对服务和部件的订购或请求中的至少一个以响应接收到与工业机器相对应的工业机器服务建议，并生成指示对服务和部件的所述订购或请求中的所述产生的至少一个的信号；移动数据收集器，其接收所述信号并向使用所述移动数据收集器的工人指示所述工业机器服务建议或对服务和部件的所述订购或请求中的所述产生的至少一个；以及自组织数据收集器，其使得新记录被存储在所述分类账中，所述新记录指示以下各项中的至少一个：所述工业机器服务建议或对服务和部件的所述订购或请求中的所述产生的至少一个。在实施例中，所述分类账使用区块链结构来跟踪对服务和部件中的所述订购和所述请求中的所述至少一个中的每一个的交易记录。在实施例中，每个记录被存储为所述区块链结构中的区块。在实施例中，所述移动数据收集器是可穿戴设备。在实施例中，所述可穿戴设备通过向所述可穿戴设备的显示器输出指示所述工业机器服务建议或所述产生的对服务和部件的所述订购或请求中的至少一个的数据来向所述工人指示所述工业机器服务建议或所述产生的对服务和部件的所述订购或请求中的至少一个。在实施例中，所述移动数据收集器是手持设备。在实施例中，所述手持设备通过向所述手持设备的显示器输出指示所述工业机器服务建议或所述产生的对服务和部件的所述订购或请求中的至少一个的数据来向所述工人指示所述工业机器服务建议或所述产生的对服务和部件的所述订购或请求中的至少一个。在实施例中，所述系统还包括自组织数据收集器，其使得新记录存储在所述分类账中，所述新记录指示以下中的至少一个：所述工业机器服务建议或所述产生的对服务和部件的所述订购或请求中的至少一个。在实施例中，所述CMMS通过将发货就绪、安装、操作传感器数据、服务事件、部件订购、服务订购或诊断活动中的至少一个的数据与所述分类账中最近生成的区块的散列组合来生成所述分类账的后续区块。
在实施例中，一种方法包括：使用移动数据收集器的一个或多个传感器检测工业机器的运行特征；通过网络向服务器发送指示所述运行特征的数据；使用与所述服务器相关联的智能系统，依据所述工业机器的预先记录数据处理所述运行特征。在实施例中，依据所述工业机器的所述预先记录数据处理所述运行特征包括：在与所述工业环境相关联的知识库内识别所述工业机器的所述预先记录数据；识别由所述工业机器在所述知识库内的所述预先记录数据指示的特征以作为所述工业机器的状况；确定所述状况的严重度，所述严重度表示所述状况对所述工业机器的影响；基于所述状况的所述严重度预测将对所述工业机器执行的维护操作；以及将所述预测的维护操作的交易记录存储在与所述工业机器相关联的服务活动的分类账内。在实施例中，所述移动数据收集器是移动机器人。在实施例中，所述移动数据收集器是移动车辆。在实施例中，所述移动数据收集器是手持设备。在实施例中，所述移动数据收集器是可穿戴设备。在实施例中，所述工业机器的所述状况涉及针对所述工业机器的至少一部分检测到的振动，确定所述状况的所述严重度包括：确定所述振动的频率；确定多段振动频谱中限定所述振动范围的分段；以及基于所述确定的分段计算所述检测到的振动的所述严重度。在实施例中，所述严重度对应于严重度单元。在实施例中，通过基于所述确定的分段将所述振动映射到多个严重度单元中的一个来确定多段振动频谱中限定所述振动范围的分段。在实施例中，所述严重度单元中的每一个对应于所述多段振动频谱的不同范围。在实施例中，所述方法还包括：当所述振动的所述频率对应于所述多段振动频谱的低端拐点阈值范围以下时，将所述振动映射到第一严重度单元；当所述振动的所述频率对应于所述多段振动频谱的中间范围时，将所述振动映射到第二严重度单元；当所述振动的所述频率对应于所述多段振动频谱的高端拐点阈值范围以上时，将所述振动映射到第三严重度单元。在实施例中，所述分类账使用区块链结构来跟踪用于所述工业机器的预测性维护操作的交易记录。在实施例中，每个交易记录被存储为所述区块链结构中的区块。在实施例中，所述工业机器的所述状况涉及针对所述工业机器的至少一部分检测到的温度。在实施例中，所述工业机器的所述状况涉及针对所述工业机器的至少一部分检测到的电输出。在实施例中，所述工业机器的所述状况涉及针对所述工业机器的至少一部分检测到的磁输出。在实施例中，所述工业机器的所述状况涉及针对所述工业机器的至少一部分检测到的声音输出。
在实施例中，一种方法包括：使用移动数据收集器的一个或多个传感器检测工业机器的运行特征；通过网络向服务器发送指示所述运行特征的数据；使用与所述服务器相关联的智能系统依据所述工业机器的预先记录数据处理所述运行特征。在实施例中，依据所述工业机器的所述预先记录数据处理所述运行特征包括：在与所述工业环境相关联的知识库内识别所述工业机器的所述预先记录数据；识别由所述工业机器在所述知识库内的所述预先记录数据指示的特征以作为所述工业机器的状况，所述工业机器的所述状况涉及针对所述工业机器的至少一部分检测到的振动；基于多段振动频谱中限定所述振动范围的分段来确定所述状况的严重度，所述严重度表示所述状况对所述工业机器的影响；以及基于所述状况的所述严重度预测待对所述工业机器执行的维护操作。在实施例中，所述移动数据收集器是移动机器人。在实施例中，所述移动数据收集器是移动车辆。在实施例中，所述移动数据收集器是手持设备。在实施例中，所述移动数据收集器是可穿戴设备。在实施例中，所述严重度对应于严重度单元。在实施例中，通过基于所述确定的分段将所述振动映射到多个严重度单元中的一个来确定多段振动频谱中限定所述振动范围的分段。在实施例中，所述严重度单元中的每一个对应于所述多段振动频谱的不同范围。在实施例中，所述方法还包括：当所述振动的所述频率对应于所述多段振动频谱的低端拐点阈值范围以下时，将所述振动映射到第一严重度单元；当所述振动的所述频率对应于所述多段振动频谱的中间范围时，将所述振动映射到第二严重度单元；当所述振动的所述频率对应于所述多段振动频谱的高端拐点阈值范围以上时，将所述振动映射到第三严重度单元。在实施例中，所述方法还包括将所述预测的维护操作的交易记录存储在与所述工业机器相关联的服务活动的分类账内。在实施例中，所述分类账使用区块链结构来跟踪用于所述工业机器的预测性维护操作的交易记录。在实施例中，每个交易记录被存储为所述区块链结构中的区块。
在实施例中，一种方法包括：使用移动数据收集器的一个或多个传感器检测工业机器的运行特征，所述工业机器的所述运行特征涉及针对所述工业机器的至少一部分检测到的振动；基于多段振动频谱中限定所述振动范围的分段来确定所述运行特征的严重度，所述严重度表示所述运行特征对所述工业机器的影响；以及基于所述运行特征的所述严重度预测待对所述工业机器执行的维护操作。在实施例中，所述移动数据收集器是移动机器人。在实施例中，所述移动数据收集器是移动车辆。在实施例中，所述移动数据收集器是手持设备。在实施例中，所述移动数据收集器是可穿戴设备。在实施例中，所述严重度对应于严重度单元。在实施例中，通过基于所述确定的分段将所述振动映射到多个严重度单元中的一个来确定多段振动频谱中限定所述振动范围的分段。在实施例中，所述严重度单元中的每一个对应于所述多段振动频谱的不同范围。在实施例中，所述方法还包括：当所述振动的所述频率对应于所述多段振动频谱的低端拐点阈值范围以下时，将所述振动映射到第一严重度单元；当所述振动的所述频率对应于所述多段振动频谱的中间范围时，将所述振动映射到第二严重度单元；当所述振动的所述频率对应于所述多段振动频谱的高端拐点阈值范围以上时，将所述振动映射到第三严重度单元。在实施例中，所述方法还包括将所述预测的维护操作的交易记录存储在与所述工业机器相关联的服务活动的分类账内。在实施例中，所述分类账使用区块链结构来跟踪用于所述工业机器的预测性维护操作的交易记录。在实施例中，每个交易记录被存储为所述区块链结构中的区块。
在实施例中，一种方法包括：使用移动数据收集器的一个或多个传感器检测工业机器的运行特征，所述工业机器的所述运行特征涉及针对所述工业机器的至少一部分检测到的振动；基于多段振动频谱中限定所述振动范围的分段来确定所述运行特征的严重度，所述严重度表示所述运行特征对所述工业机器的影响；基于所述运行特征的所述严重度预测将对所述工业机器执行的维护操作；以及将所述预测的维护操作的交易记录存储在与所述工业机器相关联的服务活动的分类账内。在实施例中，所述移动数据收集器是移动机器人。在实施例中，所述移动数据收集器是移动车辆。在实施例中，所述移动数据收集器是手持设备。在实施例中，所述移动数据收集器是可穿戴设备。在实施例中，所述严重度对应于严重度单元。在实施例中，通过基于所述确定的分段将所述振动映射到多个严重度单元中的一个来确定多段振动频谱中限定所述振动范围的分段。在实施例中，所述严重度单元中的每一个对应于所述多段振动频谱的不同范围。在实施例中，所述方法还包括：当所述振动的所述频率对应于所述多段振动频谱的低端拐点阈值范围以下时，将所述振动映射到第一严重度单元；当所述振动的所述频率对应于所述多段振动频谱的中间范围时，将所述振动映射到第二严重度单元；当所述振动的所述频率对应于所述多段振动频谱的高端拐点阈值范围以上时，将所述振动映射到第三严重度单元。在实施例中，所述分类账使用区块链结构来跟踪用于所述工业机器的预测性维护操作的交易记录。在实施例中，每个交易记录被存储为所述区块链结构中的区块。
在实施例中，一种方法包括：使用移动数据收集器的一个或多个传感器检测工业机器的运行特征，所述工业机器的所述运行特征涉及针对所述工业机器的至少一部分检测到的振动；基于多段振动频谱中限定所述振动范围的分段来确定所述运行特征的严重度，所述严重度表示所述运行特征对所述工业机器的影响。在实施例中，所述严重度对应于严重度单元。在实施例中，通过基于所述确定的分段将所述振动映射到多个严重度单元中的一个来确定多段振动频谱中限定所述振动范围的分段。在实施例中，所述严重度单元中的每一个对应于所述多段振动频谱的不同范围；基于所述运行特征的所述严重度预测待对所述工业机器执行的维护操作；将所述预测的维护操作的交易记录存储在与所述工业机器相关联的服务活动的分类账内。在实施例中，所述分类账使用区块链结构来跟踪用于所述工业机器的预测性维护操作的交易记录。在实施例中，每个交易记录被存储为所述区块链结构中的区块。在实施例中，所述移动数据收集器是移动机器人。在实施例中，所述移动数据收集器是移动车辆。在实施例中，所述移动数据收集器是手持设备。在实施例中，所述移动数据收集器是可穿戴设备。在实施例中，确定所述运行特征的所述严重度包括：当所述振动的所述频率对应于所述多段振动频谱的低端拐点阈值范围以下时，将所述振动映射到第一严重度单元；当所述振动的所述频率对应于所述多段振动频谱的中间范围时，将所述振动映射到第二严重度单元；以及当所述振动的所述频率对应于所述多段振动频谱的高端拐点阈值范围以上时，将所述振动映射到第三严重度单元。
在实施例中，一种方法包括：部署用于检测和监测工业机器的至少一部分的振动活动的移动数据收集器，所述移动数据收集器包括一个或多个振动传感器；控制所述移动数据收集器接近所述工业机器在包括所述工业机器的工业环境内的位置；使所述移动数据收集器的所述一个或多个振动传感器记录所述振动活动的一个或多个测量值；将所述振动活动的所述一个或多个测量值作为振动数据通过网络发送到服务器；处理所述振动数据以在所述服务器上确定所述振动活动相对于定时的严重度；在所述服务器处基于所述振动活动的所述严重度预测待针对所述工业机器的所述至少一部分执行的维护操作；以及向所述移动数据收集器发送指示所述维护操作的信号，以使所述移动数据收集器执行所述维护操作。在实施例中，通过处理所述振动数据来确定所述振动数据相对于所述定时的所述严重度包括：通过处理所述振动数据来确定所述振动活动的频率；基于所述频率确定多段振动频谱中限定所述振动活动范围的分段；基于所述多段振动频谱的所述确定的分段计算所述振动活动的严重度单元。在实施例中，基于所述多段振动频谱的已确定的分段来计算所述振动活动的严重度单元包括：基于所述多段振动频谱的所述确定的分段通过以下方式将所述振动活动映射到所述严重度单元：当所述振动活动的所述频率对应于所述多段振动频谱的低端拐点阈值范围以下时，将所述振动活动映射到第一严重度单元；当所述振动活动的所述频率对应于所述多段振动频谱的中间范围时，将所述振动活动映射到第二严重度单元；当所述振动活动的所述频率对应于所述多段振动频谱的高端拐点阈值范围以上时，将所述振动活动映射到第三严重度单元。在实施例中，基于所述振动活动的所述严重度预测待针对所述工业机器的所述至少一部分执行的所述一个或多个维护操作包括：使用与所述服务器相关联的智能系统依据所述工业机器的预先记录数据处理所述振动数据。在实施例中，依据所述工业机器的所述预先记录数据处理所述振动数据包括：在与所述工业环境相关联的知识库内识别所述工业机器的所述预先记录数据；基于所述工业机器在所述知识库内的所述预先记录数据来识别所述机器的所述至少一部分的运行特征；基于所述运行特征预测所述一个或多个维护操作。在实施例中，所述振动活动指示从与所述工业机器相关联的振动包络导出的波形。在实施例中，当所述移动数据收集器接近所述工业机器时，所述一个或多个振动传感器检测所述振动活动。在实施例中，所述振动活动表示所述工业机器的所述至少一部分的速度信息。在实施例中，所述振动活动表示所述工业机器的所述至少一部分的频率信息。在实施例中，所述移动数据收集器是移动数据收集器群的多个移动数据收集器中的一个。在实施例中，所述方法还包括使用所述移动数据收集器群的自组织系统来控制所述移动数据收集器在包括所述工业机器的工业环境内的移动。在实施例中，当所述移动数据收集器接近所述工业机器时，所述一个或多个振动传感器检测所述振动活动。在实施例中，使用所述移动数据收集器群的所述自组织系统来控制所述移动数据收集器在所述工业环境内的所述移动包括：基于所述多个移动数据收集器中的至少一个其它移动数据收集器的移动来控制所述移动数据收集器在所述工业环境内的所述移动。在实施例中，所述移动数据收集器是移动机器人，并且所述多个移动数据收集器中的至少一个其它移动数据收集器是移动车辆。
在实施例中，一种方法包括：部署用于检测和监测工业机器的至少一部分的振动活动的移动数据收集器，所述移动数据收集器包括一个或多个振动传感器；控制所述移动数据收集器接近所述工业机器在包括所述工业机器的工业环境内的位置；使所述移动数据收集器的所述一个或多个振动传感器记录所述振动活动的一个或多个测量值；将所述振动活动的所述一个或多个测量值作为振动数据通过网络发送到服务器；处理所述振动数据以在所述服务器处确定所述振动活动的频率；在所述服务器处基于所述频率确定多段振动频谱中限定所述振动活动范围的分段；在所述服务器处基于所述多段振动频谱的所述确定的分段计算所述振动活动的严重度单元；在所述服务器处基于所述严重度单元预测待针对所述工业机器的所述至少一部分执行的维护操作；以及向所述移动数据收集器发送指示所述维护操作的信号，以使所述移动数据收集器执行所述维护操作。在实施例中，基于所述多段振动频谱的已确定的分段来计算所述振动活动的严重度单元包括：基于所述多段振动频谱的所述确定的分段通过以下方式将所述振动活动映射到所述严重度单元：当所述振动活动的所述频率对应于所述多段振动频谱的低端拐点阈值范围以下时，将所述振动活动映射到第一严重度单元；当所述振动活动的所述频率对应于所述多段振动频谱的中间范围时，将所述振动活动映射到第二严重度单元；当所述振动活动的所述频率对应于所述多段振动频谱的高端拐点阈值范围以上时，将所述振动活动映射到第三严重度单元。在实施例中，基于所述严重度单元预测待针对所述工业机器的所述至少一部分执行的所述一个或多个维护操作包括：使用与所述服务器相关联的智能系统依据所述工业机器的预先记录数据处理所述振动数据。在实施例中，依据所述工业机器的所述预先记录数据处理所述振动数据包括：在与所述工业环境相关联的知识库内识别所述工业机器的所述预先记录数据；基于所述工业机器在所述知识库内的所述预先记录数据来识别所述机器的所述至少一部分的运行特征；基于所述运行特征预测所述一个或多个维护操作。在实施例中，所述振动活动指示从与所述工业机器相关联的振动包络导出的波形。在实施例中，当所述移动数据收集器接近所述工业机器时，所述一个或多个振动传感器检测所述振动活动。在实施例中，所述振动活动表示所述工业机器的所述至少一部分的速度信息。在实施例中，所述振动活动表示所述工业机器的所述至少一部分的频率信息。在实施例中，所述移动数据收集器是移动数据收集器群的多个移动数据收集器中的一个。在实施例中，所述方法还包括使用所述移动数据收集器群的自组织系统来控制所述移动数据收集器在包括所述工业机器的工业环境内的移动。在实施例中，当所述移动数据收集器接近所述工业机器时，所述一个或多个振动传感器检测所述振动活动。在实施例中，使用所述移动数据收集器群的所述自组织系统来控制所述移动数据收集器在所述工业环境内的所述移动包括：基于所述多个移动数据收集器中的至少一个其它移动数据收集器的移动来控制所述移动数据收集器在所述工业环境内的所述移动。在实施例中，所述移动数据收集器是移动机器人，并且所述多个移动数据收集器中的至少一个其它移动数据收集器是移动车辆。
在实施例中，一种方法包括：部署用于检测和监测工业机器的至少一部分的振动活动的移动数据收集器，所述移动数据收集器包括一个或多个振动传感器；控制所述移动数据收集器接近所述工业机器在包括所述工业机器的工业环境内的位置；使所述移动数据收集器的所述一个或多个振动传感器记录所述振动活动的一个或多个测量值；将所述振动活动的所述一个或多个测量值作为振动数据通过网络发送到服务器；处理所述振动数据以在所述服务器上确定所述振动活动相对于定时的严重度；在所述服务器处基于所述振动活动的所述严重度预测待针对所述工业机器的所述至少一部分执行的维护操作；向所述移动数据收集器发送指示所述维护操作的信号，以使所述移动数据收集器执行所述维护操作；以及将所述预测的维护操作的记录存储在与所述工业机器相关联的分类账内。在实施例中，通过处理所述振动数据来确定所述振动数据相对于所述定时的所述严重度包括：通过处理所述振动数据来确定所述振动活动的频率；基于所述频率确定多段振动频谱中限定所述振动活动范围的分段；基于所述多段振动频谱的所述确定的分段计算所述振动活动的严重度单元。在实施例中，基于所述多段振动频谱的已确定的分段来计算所述振动活动的严重度单元包括：基于所述多段振动频谱的所述确定的分段通过以下方式将所述振动活动映射到所述严重度单元：当所述振动活动的所述频率对应于所述多段振动频谱的低端拐点阈值范围以下时，将所述振动活动映射到第一严重度单元；当所述振动活动的所述频率对应于所述多段振动频谱的中间范围时，将所述振动活动映射到第二严重度单元；当所述振动活动的所述频率对应于所述多段振动频谱的高端拐点阈值范围以上时，将所述振动活动映射到第三严重度单元。在实施例中，基于所述振动活动的所述严重度预测待针对所述工业机器的所述至少一部分执行的所述一个或多个维护操作包括：使用与所述服务器相关联的智能系统依据所述工业机器的预先记录数据处理所述振动数据。在实施例中，依据所述工业机器的所述预先记录数据处理所述振动数据包括：在与所述工业环境相关联的知识库内识别所述工业机器的所述预先记录数据；基于所述工业机器在所述知识库内的所述预先记录数据来识别所述机器的所述至少一部分的运行特征；基于所述运行特征预测所述一个或多个维护操作。在实施例中，所述振动活动指示从与所述工业机器相关联的振动包络导出的波形。在实施例中，当所述移动数据收集器接近所述工业机器时，所述一个或多个振动传感器检测所述振动活动。在实施例中，所述振动活动表示所述工业机器的所述至少一部分的速度信息。在实施例中，所述振动活动表示所述工业机器的所述至少一部分的频率信息。在实施例中，所述移动数据收集器是移动数据收集器群的多个移动数据收集器中的一个。在实施例中，所述方法还包括使用所述移动数据收集器群的自组织系统来控制所述移动数据收集器在包括所述工业机器的工业环境内的移动。在实施例中，当所述移动数据收集器接近所述工业机器时，所述一个或多个振动传感器检测所述振动活动。在实施例中，使用所述移动数据收集器群的所述自组织系统来控制所述移动数据收集器在所述工业环境内的所述移动包括：基于所述多个移动数据收集器中的至少一个其它移动数据收集器的移动来控制所述移动数据收集器在所述工业环境内的所述移动。在实施例中，所述移动数据收集器是移动机器人，并且所述多个移动数据收集器中的至少一个其它移动数据收集器是移动车辆。在实施例中，所述分类账使用区块链结构来跟踪用于所述工业机器的预测性维护操作的交易记录。在实施例中，每个交易记录被存储为所述区块链结构中的区块。
附图说明
图1至图5是分别示出根据本发明的工业IoT数据收集、监视和控制系统的整体视图的多个部分的示意图；
图6是根据本发明的包括工业环境中设置的本地数据收集系统的平台的示意图，该平台用于从机器、组件、系统、子系统、环境状况、状态、工作流程、过程和其它元件等环境元素收集数据或与之有关的数据；
图7是示出根据本发明的用于在工业环境中收集模拟传感器数据的工业数据收集系统的元件的示意图；
图8是具有根据本发明的配置成收集波形数据的数据收集模块的旋转或振动机器的示意图；
图9是根据本发明的安装到示范性旋转机器的电机轴承上的示范性三轴传感器的示意图；
图10和图11是根据本发明的安装到示范性旋转机器的示范性三轴传感器和单轴传感器的示意图；
图12是根据本发明的具有传感器集合的多个受勘测机器的示意图；
图13是根据本发明的混合关系元和二进制存储方法的示意图；
图14是根据本发明的涉及将认知和机器学习系统应用于数据收集和处理的数据收集架构的组件和交互的示意图；
图15是根据本发明的涉及应用具有认知数据市场的平台的数据收集架构的组件和交互的示意图；
图16是根据本发明的涉及应用数据收集器的自组织群的数据收集架构的组件和交互的示意图；
图17是根据本发明的涉及应用触觉用户界面的数据收集架构的组件和交互的示意图；
图18是根据本发明的多格式流数据收集系统的示意图；
图19是根据本发明的将传统数据收集和存储与流数据收集和存储组合的示意图；
图20是根据本发明的使用传统与更新的流传输传感器数据处理的工业机器传感的示意图；
图21是根据本发明的有助于门户算法使用和传统与流传输传感器数据对齐的工业机器传感数据处理系统的示意图；
图22是根据本发明的涉及流数据采集工具从连接到云网络设施的工业环境接收模拟传感器信号的数据收集架构的组件和交互的示意图；
图23是根据本发明的涉及流数据采集工具具有警报模块、专家分析模块和驱动程序API以便有助于与云网络设施进行通信的数据收集架构的组件和交互的示意图；
图24是根据本发明的包含流数据采集工具和先进先出存储器架构以便提供实时操作系统的数据收集架构的组件和交互的示意图；
图25至图30是示出四个模拟传感器信号、信号之间的传递函数、每个信号的分析以及在从传感器获取的流传输信号之间移动和编辑的操作控制的屏幕的示意图；
图31是根据本发明的涉及多个流数据采集工具接收模拟传感器信号并将这些信号数字化以便被流传输集线器服务器获取的数据收集架构的组件和交互的示意图；
图32是根据本发明的包含处理新流数据和已提取并处理的数据的主原始数据服务器的数据收集架构的组件和交互的示意图；
图33、图34和图35是根据本发明的涉及处理新流数据和已提取并处理的数据的服务器处理、分析、报告和归档的数据收集架构的组件和交互的示意图；
图36是根据本发明的涉及关系数据库服务器和数据归档及其与云网络设施的连接性的数据收集架构的组件和交互的示意图；
图37至图42是根据本发明的涉及虚拟流数据采集工具从连接到云网络设施的工业环境接收模拟传感器信号的数据收集架构的组件和交互的示意图；
图43至图50是根据本发明的包含用于工业机器的数据收集的数据通道方法和系统的数据收集架构的组件和交互的示意图；
图51是示出根据本发明的数据监测设备的实施例的示意图；
图52和图53是示出根据本发明的数据监测设备的实施例的示意图；
图54是示出根据本发明的数据监测设备的实施例的示意图；
图55和图56是示出根据本发明的用于数据收集的系统的实施例的示意图；
图57和图58是示出根据本发明的用于数据收集且包括多个数据监测设备的系统的实施例的示意图；
图59示出根据本发明的集成传感器的数据监测设备的实施例；
图60和图61是示出根据本发明的与外部传感器通信的数据监测设备的实施例的示意图；
图62是示出根据本发明的含有信号评估电路中的细节的数据监测设备的实施例的示意图；
图63是示出根据本发明的含有信号评估电路中的细节的数据监测设备的实施例的示意图；
图64是示出根据本发明的含有信号评估电路中的细节的数据监测设备的实施例的示意图；
图65是示出根据本发明的用于数据收集的系统的实施例的示意图；
图66是示出根据本发明的用于数据收集且包括多个数据监测设备的系统的实施例的示意图；
图67是示出根据本发明的数据监测设备的实施例的示意图；
图68和图69示出根据本发明的数据监测设备的实施例的示意图；
图70和图71是示出根据本发明的数据监测设备的实施例的示意图；
图72和图73是示出根据本发明的数据监测设备的实施例的示意图；
图74和图75是示出根据本发明的用于数据收集且包括多个数据监测设备的系统的实施例的示意图；
图76是示出根据本发明的数据监测设备的实施例的示意图；
图77和图78示出根据本发明的数据监测设备的实施例的示意图；
图79是示出根据本发明的数据监测设备的实施例的示意图；
图80是示出根据本发明的数据监测设备的实施例的示意图；
图81和图82是示出根据本发明的用于数据收集的系统的实施例的示意图；
图83和图84是示出根据本发明的用于数据收集且包括多个数据监测设备的系统的实施例的示意图；
图85是示出根据本发明的数据监测设备的实施例的示意图；
图86和图87是示出根据本发明的数据监测设备的实施例的示意图；
图88是示出根据本发明的数据监测设备的实施例的示意图；
图89和图90是示出根据本发明的用于数据收集的系统的实施例的示意图；
图91和图92是示出根据本发明的用于数据收集且包括多个数据监测设备的系统的实施例的示意图；
图93是示出根据本发明的数据监测设备的实施例的示意图；
图94和图95是示出根据本发明的数据监测设备的实施例的示意图；
图96是示出根据本发明的数据监测设备的实施例的示意图；
图97和图98是示出根据本发明的用于数据收集的系统的实施例的示意图；
图99和图100是示出根据本发明的用于数据收集且包括多个数据监测设备的系统的实施例的示意图；
图101是示出根据本发明的数据监测设备的实施例的示意图；
图102和图103是示出根据本发明的数据监测设备的实施例的示意图；
图104是示出根据本发明的数据监测设备的实施例的示意图；
图105和图106是示出根据本发明的用于数据收集的系统的实施例的示意图；
图107和图108是示出根据本发明的用于数据收集且包括多个数据监测设备的系统的实施例的示意图；
图109至图136是根据本发明的涉及多种神经网络实施例与接收模拟传感器信号的流数据采集工具以及专家分析模块交互的数据收集架构的组件和交互的示意图；
图137至图139是根据本发明的包含工业环境中路径模板的收集器和数据收集器路由的数据收集架构的组件和交互的示意图；
图140是示出根据本发明的采用数据收集带的监测系统的示意图；
图141是示出根据本发明的在预测状态和结果时采用振动和其它噪声的系统的示意图；
图142是示出根据本发明的工业环境中的数据收集系统的示意图；
图143是示出根据本发明的工业环境中的数据收集装置的示意图；
图144是根据本发明的工业环境中的数据收集程序的示意流程图；
图145是示出根据本发明的工业环境中的数据收集系统的示意图；
图146是示出根据本发明的工业环境中的数据收集装置的示意图；
图147是根据本发明的工业环境中的数据收集程序的示意流程图；
图148是示出根据本发明的工业环境中工业相关反馈的示意图；
图149是示出根据本发明的工业环境中的数据收集系统的智能带配置的示范性用户界面的示意图；
图150是示出根据本发明的用于反算的图形方法11300的示意图；
图151是示出根据本发明的向负责响应调适成在工业环境中收集数据的系统在工业环境中收集的数据的用户提供触觉刺激的可穿戴触觉用户界面的示意图；
图152是示出根据本发明的基于调适成在工业环境中收集数据的系统在工业环境中收集的数据的热图的增强现实显示的示意图；
图153是示出根据本发明的包括覆盖工业环境视图的实时数据的增强现实显示的示意图；
图154是示出根据本发明的图形用户界面中的用户界面显示和神经网络的组件的示意图；
图155是根据本发明的涉及在工业环境中将数据收集器和传感器网格协议集群化的数据收集架构的组件和交互的示意图；
图156至图159是根据本发明的工业环境中的移动传感器平台的示意图；
图160是根据本发明的涉及在工业环境中组装期间两个移动传感器平台检验车辆的数据收集架构的组件和交互的示意图；
图161和图162是根据本发明的工业环境中的移动传感器平台之一的示意图；
图163是根据本发明的涉及在工业环境中组装期间两个移动传感器平台检验涡轮发动机的数据收集架构的组件和交互的示意图；
图164是示出根据本发明一些方面的数据收集系统的示意图；
图165是示出根据本发明的用于工业环境中自组织网络敏感的数据收集的系统的示意图；
图166是示出根据本发明的用于工业环境中自组织网络敏感的数据收集的装置的示意图；
图167是示出根据本发明的用于工业环境中自组织网络敏感的数据收集的装置的示意图；
图168是示出根据本发明的用于工业环境中自组织网络敏感的数据收集的装置的示意图；
图169和图170是示出根据本发明的传输情况的实施例的示意图；
图171是示出根据本发明的传感器数据传输协议的实施例的示意图；
图172和图173是示出根据本发明的基准数据的实施例的示意图；
图174是示出根据本发明的工业环境中的数据收集和存储系统的实施例的示意图；
图175是示出根据本发明的用于工业环境中数据收集的自组织存储的装置的实施例的示意图；
图176是示出根据本发明的存储时间定义的实施例的示意图；
图177是示出根据本发明的数据分辨率描述的实施例的示意图；
图178和图179是根据本发明的用于工业环境的数据收集的自组织网络编码的装置的示意图；
图180和图181是根据本发明的与工业环境中的数据收集进行交互的数据市场的示意图；
图182是示出根据本发明的作为工业物联网生态系统中的网络元件的智能加热系统的示意图；
图183是包含通过中间网络耦合的服务器与客户端节点的数据网络的示意图；
图184是图示在客户端节点与服务器节点之间实现基于TCP的通信的模块的框图；
图185是图示在客户端节点与服务器节点之间实现基于分组编码传输通信协议(Packet Coding Transmission Communication Protocol，简称PC-TCP)通信的模块的框图；
图186是在蜂窝网络中服务器与模块设备之间使用基于PC-TCP的通信的示意图；
图187是使用常规UDP模块的1个PC-TCP模块的框图；
图188是部分集成到客户端应用中以及部分使用常规UDP模块实现的PC-TCP模块的框图；
图189是与用户空间和内核空间组件分离的PC-TCP模块的框图；
图190是代理架构的框图；
图191是其中代理节点同时使用PC-TCP和常规TCP进行通信的基于PC-TCP的代理架构的框图；
图192是使用网关设备实施的基于PC-TCP代理的架构的框图；
图193是在客户端节点内实施的备用代理架构的框图；
图194是其中代理节点同时使用PC-TCP和常规TCP进行通信的第二基于PC-TCP的代理架构的框图；
图195是使用无线接入设备实施的基于PC-TCP代理的架构的框图；
图196是在蜂窝网络中实施的基于PC-TCP代理的架构的框图；
图197是在基于电视电缆的数据网络中实施的基于PC-TCP代理的架构的框图；
图198是使用单独的PC-TCP连接与客户端节点通信以及与服务器节点通信的中间代理的框图；
图199是在网络设备中实施的基于PC-TCP代理的架构的框图；
图200是记录客户端节点与服务器节点之间的通信的中间代理的框图；
图201-202是图示将通用内容传送至多个目的地的示意图；
图203-213是PC-TCP通信方法的多种实施例的示意图；
图214是包括窗口和速率控制模块的PC-TCP通信方法的框图；
图215是数据网络的示意图；
图216-219是图示根据多个可调参数配置的实施例PC-TCP通信方法的框图；
图220是示出网络通信系统的示意图；
图221是图示使用已存储的通信参数的示意图；
图222是图示多路径内容传送的第一实施例的示意图；
图223-225是图示多路径内容传送的第二实施例的示意图；
图226是示出根据本发明的方法和系统的智能烹饪系统的集成炉灶的示意图；
图227是示出根据本发明的智能烹饪系统的单个智能燃烧器的示意图；
图228是示出根据本发明的太阳能氢气生产和存储站的局部外观图；
图229是示出根据本发明的低压存储系统的示意图；
图230和图231是低压存储系统的剖面图；
图232是示出根据本发明的电解器的示意图；
图233是示出根据本发明的与电子设备交互并参与供应商、内容提供商、服务提供商和监管者的相关生态系统的平台的示意图；
图234是示出根据本发明的智能烹饪系统的智能家庭实施例的示意图；
图235是示出根据本发明的氢气生产和使用系统的示意图；
图236是示出根据本发明的电解池的示意图；
图237是示出根据本发明的集成到烹饪系统中的氢气生产系统的示意图；
图238是根据本发明的在Wi-Fi可用时在正常连接模式下采用ad hocWi-Fi形式通过附近移动设备从炉灶实现的自动交换连接的示意图；
图239是示出根据本发明的为连接到云临时使用本地移动设备而采用ad hocWi-Fi形式通过附近移动设备从炉灶实现的自动交换连接的示意图；
图240是示出根据本发明的三元件感应智能烹饪系统的透视图；
图241是示出根据本发明的单一燃烧器燃气智能烹饪系统的透视图；
图242是示出根据本发明的电热板智能烹饪系统的透视图；
图243是示出根据本发明的单一感应加热元件智能烹饪系统的透视图；
图244-251是示出根据本发明的智能把手的用户界面特征的可视界面的视图；
图252是示出根据本发明的部署在单一加热元件烹饪系统上的智能把手的透视图；
图253是示出根据本发明的部署在用于单一加热元件烹饪系统的厨房电器一侧上的智能把手的局部透视图；
图254-257是示出根据本发明的智能烹饪系统的智能温度探针的透视图；
图258-263是根据本发明的用于一系列智能手机和平板设备兼容的不同扩展坞的示意图；
图264和图266是根据本发明的与智能烹饪系统配合使用的燃烧器设计的示意图；
图265是与智能烹饪系统配合使用的燃烧器设计的剖面图；
图267、图269和图271是根据本发明的另一个示例的与智能烹饪系统配合使用的燃烧器设计的示意图；
图268和图270是燃烧器设计的剖面图；
图272-274是根据本发明又一个示例的与智能烹饪系统配合使用的燃烧器设计的示意图；
图275-277是根据本发明的再一个示例的与智能烹饪系统一起使用而设想的燃烧器设计的示意图；
图278和图280是根据本发明的附加示例的与智能烹饪系统配合使用的燃烧器设计的示意图；
图279是与智能烹饪系统配合使用的燃烧器设计的剖面图；
图281是示出根据本发明的与智能厨房关联的方法的流程图，该智能厨房包括智能炉灶和排气风扇，当水壶中的水开始沸腾时可自动打开排气风扇；
图282是根据本发明的与用于氢气生产、存储、分发和使用的可再生能源相关的实施例方法和系统；
图283是根据本发明的与可再生能源相关的备选实施例方法和系统；
图284是根据本发明的与可再生能源相关的备选实施例方法和系统；
图285示出氢气生产、存储、分发和使用系统的环境和制造用途；
图286-289是示出根据本发明的使用一个或多个可穿戴设备进行移动数据收集的系统的实施例的示意图；
图290-292是示出根据本发明的使用一个或多个移动机器人和/或移动车辆进行移动数据收集的系统的实施例的示意图；
图293-296是示出根据本发明的使用一个或多个手持设备进行移动数据收集的系统的实施例的示意图；
图297-299是示出根据本发明的计算机视觉系统的实施例的示意图；
图300-301是示出根据本发明的用于训练计算机视觉系统的深度学习系统的实施例的示意图；
图302示出预测维护生态系统网络架构；
图303示出使用机器学习查找用于图302的预测维护生态系统的服务工人；
图304示出预测维护生态系统中的订购部件和服务；
图305示出在工业机器环境中部署智能RFID元件；
图306示出用于智能RFID中的机器信息的广义数据结构；
图307示出智能RFID的存储结构的框图；
图308示出存储在智能RFID中的数据的示例；
图309示出从机器收集信息的方法的流程图；
图310示出用于从生产环境收集数据的方法的流程图；
图311示出在线维护管理系统，该系统具有用于数据源更新在线维护管理系统数据存储中的信息的接口；
图312示出具有特定角色访问的预测性维护信息的分布式分类账；
图313示出捕获工业机器部分图像的过程；
图314示出使用图像机器学习来识别工业机器的可能内部结构的过程；
图315示出预测维护收集信息的知识图；
图316示出基于预测维护分析生成服务建议等的人工智能系统；
图317示出叠加在预防性维护时间线上的预测维护时间线；
图318示出诊断信息的潜在来源的框图；
图319示出给供应商评级的示图；
图320示出用于评级程序的过程的示图；
图321示出应用于预测性维护生态系统交易的区块链的示图；
图322示出促进将振动数据转换为严重度单元的传递函数；
图323示出促进将振动数据映射到严重度单元的表；
图324示出用于常规振动评估和基于严重程度单元的评估的复合频率图；
图325示出渲染工业机器的一部分用于电子用户界面以描绘和发现关于工业机器的旋转部件的严重度单元和相关信息；
图326示出用于预测性维护事件的旋转组件设计参数数据表；
图327为基于严重程度单元和致动器计数(如齿轮中的齿数)预测对齿轮、电机和滚子轴承中的至少一个进行维护的流程图。
具体实施方式
本文公开了本发明的详细实施例；但是，应理解，所公开的实施例仅是本发明的示范，其可以采用多种形式来实施。因此，本文公开的特定结构和功能细节不应解释为具有限定性，而仅仅作为权利要求书的基础并作为用于指导本领域技术人员在任何适合的具体结构中利用本发明的代表性基础。
本文描述的用于工业机器传感器数据流传输、收集、处理和存储的方法和系统可以与现有数据收集、处理和存储系统协同工作并与之集成，同时保留对现有格式/频率范围/分辨率兼容数据的访问。虽然本文描述的工业机器传感器数据流传输设施可以在比现有数据收集系统更广范围的频率下以更高的分辨率从传感器收集更大数据量(例如，更长时长的数据收集)，但是可以使用该方法和系统来支持访问与现有系统兼容的一个或多个频率范围和/或一个或多个分辨率线数的数据流中的数据。进一步，可以标识、提取、存储和/转发流数据的一部分到现有数据处理系统以便有助于现有数据处理系统的操作，现有数据处理系统基本上匹配现有数据处理系统使用基于现有收集的数据进行的操作。以此方式，用于传感工业机器的多个方面(如工业机器的移动部分的多个方面)而新部署的系统可以有助于继续使用现有传感数据处理设施、算法、模型、模式识别器、用户界面等。
通过确定现有的频率范围、格式和/或分辨率，如通过访问定义现有数据的这些方面的数据结构，可以配置更高分辨率的流数据来表示特定频率、频率范围、格式和/或分辨率。可以将此配置的流数据存储在与现有传感数据结构兼容的数据结构中，以便现有处理系统和设施能够像处理现有数据一样来访问和处理该数据。一种使流数据与现有传感数据兼容的调试方法包括将流数据与现有数据对齐，以便能够提取、存储流数据中与现有数据对齐的部分并使其能够通过现有数据处理方法进行处理。或者，数据处理方法配置成处理流数据中与现有数据对应(如通过对齐)的部分，以实现与用于处理现有数据的方法基本类似的功能，如处理包含特定频率范围或特定分辨率等数据的方法。
可以将用于处理现有数据的方法与传感数据的某些特征关联，如某些频率范围、数据源等。例如，用于处理工业机器移动部分的轴承传感信息的方法能够处理来自轴承传感器且位于特定频率范围内的数据。因此，可以通过正在处理的数据的这些特征来对该方法进行部分识别。因此，在给定一组条件的情况下，如正在传感的移动设备、工业机器类型、正在传感的数据频率等，数据处理系统可以选择适合的方法。此外，在给定这样一组条件的情况下，工业机器数据传感和处理设施可以配置数据过滤器、路由器、处理器等元件来处理满足这些条件的数据。
图1至5示出工业IoT数据收集、监视和控制系统10的整体视图的多个部分。图2示出移动自组织网络(mobile ad hoc network，简称MANET)20，它可以形成安全的临时网络连接22(有时连接，有时隔离)，具有云端30或其它远程联网系统，从而可以通过环境内的MANET 20实现网络功能，而无需外部网络，但是在其它时间，可以在中央位置发送和接收信息。这使得工业环境能够利用联网和控制技术的优势，同时还提供了安全性，如防止网络攻击。MANET 20可以使用认知无线电技术40，包括构成与IP协议等效的技术，如路由器42、MAC44和物理层技术46。在某些实施例中，图1至5所示的系统通过往返于数据收集设备或重工业机器之间的网络提供网络敏感或网络感知数据传输。
图3-4示出在重工业机器所在位置的IoT部署边缘本地部署的智能数据收集技术。这包括多种传感器52、IoT设备54、数据存储能力(例如，数据池60或分布式分类账62)(包括智能、自组织存储器)、传感器融合(包括自组织传感器融合)等。图中示出了用于数据收集的接口，包括多感知接口、平板电脑、智能手机58等。图3还示出数据池60，该数据池可以收集机器或检测机器状况的传感器发布的数据，如供本地或远程智能稍后使用的数据。分布式分类账系统62可以将存储器分布到多种环境元件的本地存储器上或更广泛地分布到整个系统中。图4还示出设备内置传感器融合80，如用于在设备上存储来自多个模拟传感器82的设备数据，可以在本地或在云端中通过机器学习84等分析该数据，包括通过基于人们创建的且在操作本文公开的方法和系统时提供反馈(如基于成功的测量)得以增强的初始模型来训练机器。
图1示出可以部署在云端或企业所有者或运营商场所的工业IoT系统的基于服务器的部分。该服务器部分包括网络编码(包括自组织网络编码和/或自动化配置)，该网络编码可以基于反馈测量、网络状况等来配置网络编码模型，以用于跨网络在数据收集系统和云端之间高效传输大量数据。网络编码可以提供用于智能、分析、远程控制、远程操作、远程优化、多种存储配置等范围广泛的功能，如图1所示。多种存储配置可以包括用于支持系统交易数据或其它元件的分布式分类账存储。
图5示出编程数据市场70，其可以是自组织市场，如用于提供工业环境中收集的数据，如数据收集器、数据池、分布式分类账和本文公开的其它元素。本发明中提供了有关图1至5的多种组件和子组件的附加详情。
参考图6，平台100的实施例可以包括本地数据收集系统102，该本地数据收集系统可以设置在环境104中，如与图3所示相似的工业环境，以便用于从该环境的元件中收集数据或收集与之相关的数据，如机器、组件、系统、子系统、周围状况、状态、工作流程、过程和其它元件。平台100可以连接到或包括图1-5中所示的工业IoT数据收集、监视和控制系统10的多个部分。平台100可以包括网络数据传输系统108，如用于通过网络110往返于本地数据收集系统102传输数据，如向主机处理系统112传输数据，例如，设置在云计算环境中或企业场所或由彼此交互以处理本地数据收集系统102所收集数据的分布式组件组成的系统。主机处理系统112，在一些情况中简称为主机系统112，可以包括用于实现自动化或自动化辅助的数据处理的多种系统、组件、方法、过程、设施等，如用于监视一个或多个环境104或网络110或用于远程控制本地环境104中或网络110中的一个或多个元件。平台100可以包括一个或多个本地自主系统，如用于实现自主行为，如反映人工或基于机器的智能，或如用于基于对来自本地数据收集系统102或来自一个或多个输入源116的输入数据应用一组规则或模型来实现自动操作，该输入源可以包括来自各种来源的信息反馈和输入，包括本地环境104、网络110、主机系统112或一个或多个外部系统、数据库等中的信息反馈和输入。平台100可以包括一个或多个智能系统118，该智能系统可以设置在平台100的一个或多个组件中、与之集成或作为其输入。本发明中提供了平台100的这些组件和其它组件的详情。
智能系统118可以包括认知系统120，如用于协调网格、点对点、环、串行和其它架构等处理元件而实现一定程度的认知行为，其中一个或多个节点元件彼此协调以提供统一且协调的行为来协助处理、通信、数据收集等。图2所示的MANET 20还可以使用认知无线电技术，包括构成与IP协议等效的技术，如路由器42、MAC 44和物理层技术46。在一个示例中，认知系统技术栈可以包括于2011年11月15日公布授予Schlicht等人的美国专利号8,060,017中公开的多个示例，并且通过引用的方式并入本文，如同在本文中完整陈述一样。
智能系统可以包括机器学习系统122，如用于学习一个或多个数据集。该一个或多个数据集可以包括使用本地数据收集系统102收集的信息或来自输入源116的其它信息，以便用于识别状态、对象、事件、模式、条件等，反过来，机器学习系统122可用于由主机系统112到处理作为平台100组件或工业IoT数据收集、监视和控制系统10等多个部分的输入。学习可以是人工监管或完全自动化学习，如使用一个或多个输入源116来提供数据集以及有关要学习的项目的信息。机器学习可以使用一个或多个模型、规则、语义理解、工作流程或对世界的其它结构化或半结构化理解，用于基于对系统或过程的工作模型的反馈或前馈对系统或过程的控制进行自动优化等。一种用于语义和场景理解、工作流程或其它结构化或半结构化理解的此类机器学习技术在2012年6月12日公布授予Moore的美国专利号8,200,775中予以公开，并且通过引用的方式并入本文，如同在本文中完整陈述一样。机器学习可以用于改进前述技术，例如，通过基于反馈(如有关模型在给定情形中的成功)或基于迭代(如在递归过程中)来调整一个或多个权重、结构、规则等(如更改模型内的函数)。如果对系统的底层结构或行为是否充分理解尚不确定，没有足够的数据可用或在出于多种原因被优选的情况下，机器学习还可以在缺失底层模型的情况下实施；即，可以在机器学习设施内对输入源进行加权处理、结构化等操作而不考虑对结构的任何先验理解，并且可以将结果(如基于实现多种期望目标时的成功测量的结果)连续提供给机器学习系统，使其能够学习如何实现标定的目标。例如，该系统可以学习识别故障、识别模式、开发模型或函数、制定规则、优化性能、将故障率最小化、优化收益、优化资源利用率、优化流量(如交通流量)或优化可能与成功结果相关的多个其它参数(如各种环境中的结果)。机器学习可以使用基因编程技术，例如，基于反馈升级或降级一个或多个输入源、结构、数据类型、对象、权重、节点、链接或其它因素(使得成功元件出现在一系列代上)。例如，可以在备选配置和排列中布置数据收集系统102的备选传感器输入，以使该系统可以对一系列数据收集事件使用基因编程技术，基于多种状况(如平台100组件的状况、网络110的状况、数据收集系统102的状况以及环境104的状况)等来确定提供成功结果的排列。在实施例中，本地机器学习可以随时间的推移开启或关闭排列中的多传感器数据收集器102中的一个或多个传感器，同时跟踪成功结果，如对成功预测故障的贡献、对性能指标(如效率、有效性、投资回报、收益率等)的贡献、对一个或多个参数优化的贡献、模式的标识(如与威胁、故障模式、成功模式等相关)等。例如，系统可以学习在给定状况下应该将哪些组传感器开启或关闭才能达到数据收集器102的最高值利用率。在实施例中，可以使用相似的技术来处理平台100中(如网络110中)的数据传输优化，通过使用基因编程或其它机器学习技术来学习配置网络元件(如，配置网络传输路径、配置网络编码类型和架构、配置网络安全元件)等。
在实施例中，本地数据收集系统102可以包括高性能多传感器数据收集器，该高性能多传感器数据收集器具有多个用于收集和处理模拟和其它传感器数据的新特征。在实施例中，本地数据收集系统102可以部署到图3所示的工业设施中。本地数据收集系统102还可以用于监视其它机器，如图9和图10中所示的机器2300，图12中所示的机器2400、2600、2800、2950和3000以及图13中所示的机器3202和3204。数据收集系统102可以具有板载智能系统118(如学习优化数据收集器的配置和操作，如基于场景和条件来配置传感器的排列和组合)。在一个示例中，数据收集系统102包括交叉点开关130或其它模拟开关。本地数据收集系统102的自动化智能配置可以基于多种类型的信息，如来自多种输入源的信息，包括基于如下项的信息：可用功率、传感器的功率要求、所收集数据的值(如基于来自平台100其它元件的反馈信息)、信息的相对值(如基于相同或相似信息其它来源的可用性的值)、功率可用性(如用于对传感器供电)、网络状况、环境状况、运行状态、运行场景、运行事件及其它。
图7示出用于工业环境中收集的传感器数据(如模拟传感器数据)的数据收集和分析系统1100的元件和子组件。如图7所示，本文公开的方法和系统的实施例可以包括具有始于复用器(multiplexer，简称MUX)主板1104的若干不同模块的硬件。在实施例中，可以有MUX选配板1108。MUX 114主板位于传感器连接到系统的位置。这些连接位于顶部以便于安装。然后，MUX 114主板的下侧以及Mux选配板1108上有许多设置，选配板1108通过板两端的两个接头连接到MUX主板1104。在实施例中，Mux选配板具有公接头，其与主Mux板上的母接头啮合在一起。这使得它们能够彼此堆叠，从而占用更小的空间。
在实施例中，主Mux板和/或MUX选配板经用于信号调节(如硬件集成)的电缆连接到母模拟板(例如，通过4个同时通道)和子模拟板1110(例如，通过4个附加通道，总计8个通道)。然后，这些信号从模拟板1110移动到抗混叠板(未示出)，该抗混叠板中移除一些潜在的混叠。混叠移除的余下部分在delta sigma板1112上完成。delta sigma板1112对信号提供更多混叠防护以及其它调节和数字化操作。接下来，数据移动到JennicTM板1114，以便进行更多数字化操作并经USB或以太网传送到计算机。在实施例中，JennicTM板1114可以使用pic板1118替代，以便实现更高级、更高效的数据收集和通信。一旦数据移动到计算机软件1102，则计算机软件1102能够操作处理该数据以显示趋势、频谱、波形、统计和分析。
在实施例中，该系统旨在接收从数伏至4-20mA信号的所有类型的数据。在实施例中，可以使用开放的数据存储和通信格式。在一些实例中，该系统的某些部分可以是专有的，尤其是与分析和报告关联的一些研究和数据。在实施例中，智能带分析是一种将数据拆分成容易分析的部分的方式，该部分可以与其它智能带组合以产生新的更简单但完善的分析。在实施例中，提取此唯一性信息并使用图形来阐述这些状况，因为图片阐述对用户更有帮助。在实施例中，将复杂的程序和用户界面简化，以使任何用户都能够像专家一样操作数据。
在实施例中，该系统本质上在一个大循环中工作。该系统在具有通用用户界面(GUI)1124的软件开始。在实施例中，快速路径创建可以利用分层模板。在实施例中，创建GUI，以使任何普通用户都能够利用简单的模板自行填写信息。创建模板之后，用户能够复制和粘贴任何所需的信息。此外，用户还能够开发他们自己的模板，以方便将来使用并将知识制度化。当用户输入所有用户信息并连接用户的所有传感器后，用户就可以启动系统获取数据。
本文公开的方法和系统的实施例可以包括用于触发和振动输入的独一无二的静电保护。在可能产生会损坏电气设备的大静电力许多关键工业环境中，例如旋转机械或使用大型传输带的低速平衡中，需要适当的换能器和触发输入保护。在实施例中，描述了一种低成本但高效的方法用于此类保护且无需外部补充设备。
通常，振动数据收集器并非设计用于处理大输入电压，因为成本高昂且通常并不需要。随着技术的改进和监控成本的大幅下降，这些数据收集器需要获取多种不同类型的RPM数据。在实施例中，一种方法是使用成熟的OptoMOSTM技术而不使用传统的磁簧继电器方法，该技术允许切换前部高电压信号。就弱缓存模拟信号的传输而言，已经消除了有关非线性过零或其它非线性固态行为的许多历史问题。此外，在实施例中，印刷电路板路由拓扑将所有单个通道输入电路布置在尽可能靠近输入连接器的位置。在实施例中，可以将用于触发和振动输入的独一无二的静电保护设置在Mux和数据采集(data acquisition，简称DAQ)硬件之前，以便在信号从传感器传递到该硬件时将积聚的电荷消散。在实施例中，Mux和模拟板可以使用包含更宽布线和前端电路的固态继电器的设计拓扑来支持高电流输入。
在一些系统中，复用器是后来添加的，因此不考虑来自该复用器的信号的质量。由于复用器的质量差，信号质量可能下降多达30dB或更多。因此，使用信噪比为110dB的24位DAQ，可能损失相当大的信号质量，并且如果Mux中信噪比下降到80dB，则它可能不会比20年前的16位系统好多少。在本系统的实施例中，Mux之前的重要部分是Mux上的前方信号调节，其用于改善信噪比。多个实施例可以在Mux切换之前对振动以及其它信号输入执行信号调节(如范围/增益控制、积分、滤波等)以便达到最高信噪比。
在实施例中，除提供更好的信号之外，该复用器还可以提供持续的监视器警报特征。真正连续的系统随时监视每个传感器，但是往往成本昂贵。典型的复用器系统一次仅监视一定数量的通道，并且在一组较大的传感器中逐个切换。由此，当前没有被收集的传感器未被监视，如果电平升高，用户可能永远不会知道。在实施例中，通过在复用器上设置数据采集(但未监视该输入时仍能够对照已知的警报条件测量输入通道电平的电路，从而使复用器可以具有连续监视警报特征。在实施例中，持续监视Mux旁通提供了一种机制，通过使用滤波的峰值保持电路或功能类似的多个触发条件对当前未被Mux系统采样的通道进行重大报警情况的连续监视，进而以合算的方式使用硬件中断或其它手段将这些警报传递到监测系统。本质上，这使得系统能够持续监视，虽然无法像真正的连续系统一样及时捕获有关问题的数据。在实施例中，将此功能与自适应调度技术耦合以用于持续监视，持续监测系统软件基于统计、分析、数据警报和动态分析对数据收集顺序进行调适和调整，使系统能够在发出警报时立即快速收集有关警报传感器的动态频谱数据。
典型复用器的另一个限制是，它们拥有的通道数量可能有限。在实施例中，使用分布式复杂可编程逻辑器件(CPLD)芯片连同用于多个Mux和数据采集部分的逻辑控制的专用总线，使得CPLD能够控制多个Mux和DAQ，从而使得系统能够处理的通道数量不再有限制。实现与多种类型的预见性维护和振动换能器实现接口需要大量切换操作。这包括AC/DC耦合、4-20接口、集成电子压电式换能器、通道功率降低(用于转换运算放大器功率)、单端或差分接地选项等。此外还需要对数字端口的控制以便进行范围和增益控制、硬件集成的切换、AA滤波和触发。此逻辑可以由为所控制的任务进行战略定位的一系列CPLD芯片来执行。单一大型CPLD需要长电路路径且这些电路路径在该单一大型CPLD处有相当大的密度。在实施例中，分布式CPLD不仅解决了这些问题，而且还提供了相当大的灵活性。创建总线，其中具有固定分配的每个CPLD具有其自己唯一的设备地址。在实施例中，复用器和DAQ可以堆叠在一起，从而提供连接至系统的附加输入和输出通道。对于多个板(例如，对于多个Mux板)，提供了跳线以用于设置多个地址。在另一个示例中，三个位允许多达8个可跨接配置的板。在实施例中，总线协议定义为使总线上的每个CPLD都可以单独寻址或作为一组寻址。
典型的复用器可能被限制于仅收集相同组中的传感器。对于详细分析，这或许具有局限性，因为能够同时检查来自同一个机器上的传感器的数据具有巨大的价值。目前使用常规固定组复用器的系统只能比较在安装时分配给特定一组的数量有限的通道(基于每组中的通道数量)。提供某种灵活性的唯一途径是在系统中重叠通道或并入大量冗余性，这两种方式均可能明显增加开销(在一些情况下，成本与灵活性呈指数增长)。最简单的Mux设计选择多个输入之一并将其路由到单个输出线路中。成组设计由一组简单构建块组成，各构建块处理一个固定组的输入并且路由到其相应的输出。通常，这些输入不重叠，因此一个Mux分组的输入不能路由到另一个分组。与通常将一个固定组或多组固定通道选择切换至单个输出(如2、4、8个等组成的组中)的常规Mux芯片不同的是，交叉点Mux允许用户将任何输入分配到任何输出。先前，交叉点复用器用于专门的用途，如RGB数字视频应用，并且事实上对于振动分析等模拟应用而言噪声太大；然而，该技术的最新进展现在使之成为可能。交叉点Mux的另一个优点是能够通过将输出置于高阻抗状态来禁用它们。对于输出总线而言这是理想的，使得多个Mux卡可以堆叠，并且其输出总线可以连接在一起而无需总线开关。
在实施例中，这可以使用模拟交叉点开关来解决以便用于收集不同组的振动输入通道并提供矩阵电路，使得系统可以从所有输入传感器访问任何一组8个通道。
在实施例中，使用具有专用总线的分布式CPLD芯片来控制多个复用器以便对多个Mux和数据采集部分进行逻辑控制，这种能力可通过利用分层复用器得以增强，分层复用器允许多个DAQ从多个复用器收集数据。分层Mux可以允许更多通道的模块化输出，如16个、24个或8个通道组卡的更多倍数。在实施例中，这允许更快的数据收集以及更多通道同时进行数据收集以用于更复杂的分析。在实施例中，可以稍微配置该Mux，使之便携并使用数据采集驻留特征，这可以使SV3X DAQ成为受保护的系统实施例。
在实施例中，一旦信号离开复用器和分层Mux，它们将移动到有其它增强的模拟板。在实施例中，可以使用节能技术，如：在不使用时降低模拟通道的功率；降低组件板的功率；对于非选定的通道，降低模拟信号处理运算放大器的功率；降低母模拟板和子模拟板上的通道功率。通过DAQ系统的低电平固件降低组件板和其它硬件功率的能力使得相对于节能能力的高电平应用控制相对更容易。始终可以实现硬件的显性控制，但是在默认情况下并非必需如此。在实施例中，节能的好处对于受保护的系统是有价值的，尤其是在它采用电池工作或太阳能供电的情况下。
在实施例中，为实现信噪比的最大化并提供最佳数据，路由到单独A/D且用于自动换算的峰值检测器将向系统提供每组数据中的最高峰值，因此它能够快速地将数据换算到该峰值。出于振动分析的目的，不明显降低微处理器速度时，许多微处理器中的内置A/D转换器可能在位数、通道数或采样频率方面是不够的。尽管存在这些局限性，但是将它们用于自动换算目的是有益的。在实施例中，可以使用功能降低且更便宜的单独A/D。对于每个输入通道，在对信号进行缓冲之后(通常通过适当的耦合：AC或DC)，但在对信号进行调节之前，将信号直接馈送到微处理器或低成本A/D。与投掷范围、增益和滤波器开关的条件信号不同，没有开关发生变化。这允许在对输入数据进行信号调节、馈送到功能更强大的外部A/D，并且使用其中无需CPU即可访问存储器的直接存储器访问(direct memory access，简称DMA)方法定向到板载存储器的同时实现自动换算数据的同时采样。这可以在无需切换开关位置并允许设置时间的情况下显著简化自动换算过程，大大地减慢了自动换算过程。此外，可以同时收集数据，这保证了最佳信噪比。该缩减的位数和其它特征对于自动换算的目的通常是绰绰有余的。在实施例中，同时使用模拟和数字方法的改进集成形成创新混合集成，这也将提高或保持最高可能信噪比。
在实施例中，模拟板的一个分段可以允许将触发通道(原始或缓存)路由到其它模拟通道中。这可以让用户能够将触发路由到任何通道以便进行分析和故障排查。系统可以具有触发通道，以确定多种输入数据集之间的相对相位或在无需重复非期望输入的情况下获取重要数据。在实施例中，可以使用数字控制继电器将原始或缓存的触发信号切换到这些输入通道之一。可能期望对触发脉冲的质量进行检查，因为它可能因种种原因而被破坏，包括触发传感器的布置不足、布线问题、错误的设置问题(如使用光传感器时反射带脏污)等。查看原始或缓存信号的能力可以提供优良的诊断或调试工具。通过将记录的数据信号用于多种信号处理技术，如变速滤波算法，它还可以提供一些改进的相位分析能力。
在实施例中，一旦信号离开模拟板，这些信号将进入delta-sigma板，在其中用于A/D零基准的精确电压参考提供更精确的直流传感器数据。delta sigma的高速度还支持将delta-sigma A/D的较高输入过采样用于较低采样率输出以便将抗混叠滤波器要求最小化。可以将较低的过采样率用于较高的采样率。例如，对于256Hz(100Hz的Fmax)的最低采样率要求设置的三阶AA滤波器对于200至500Hz的Fmax范围则是足够的。可以将另一种较高截止AA滤波器用于始于1kHz至更高的Fmax范围(其中辅助滤波器开始以2.56倍的最高采样率128kHz触发)。在实施例中，CPLD可以用作delta-sigma A/D的时钟分频器，以便实现较低采样率而无需数字重新采样。在实施例中，可以采用CPLD作为可编程时钟分频器将高频晶体参考降频到较低频率。相对于其更长的时间周期，降频的较低频率的精确度甚至比初始源更精确。这同样最大限度地降低或消除了通过delta-sigma A/D进行重采样处理的需要。
在实施例中，数据随后从delta-sigma板移动到JennicTM板，其中可通过数字方式导出相对于使用板载定时器的输入和触发通道的相位。在实施例中，JennicTM板还可以将校准数据和系统维护维修历史数据存储在板载卡组中。在实施例中，JennicTM板将能够实现以高采样率获取长数据块，而非以不同的采样率提取多个数据集，从而能够对数据进行流传输并获取长数据块以用于在将来进行高级分析。
在实施例中，信号通过JennicTM板之后，将被传送到计算机。在实施例中，计算机软件将用于从专家系统GUI开始增加系统的智能。该GUI可以提供具有简化用户界面的图形专家系统，用于定义有助于任何人开展复杂分析的智能带和诊断。在实施例中，此用户界面可以围绕智能带为中心，这对于普通用户而言是实现复杂但灵活的分析的简化途径。在实施例中，智能带可以与自我学习神经网络配对来实现甚至更高级的分析方法。在实施例中，此系统可以将机器的的分层结构用于其它分析洞察。预见性维护的一个关键部分是能够在维修或检验期间从已知信息中学习。在实施例中，反算的图形方法可以基于已知故障或问题来改善智能带和相关性。
在实施例中，有一种智能路径，其调适同时收集哪些传感器以便获得附加的相关智能。在实施例中，智能操作数据存储(operational data store，简称ODS)允许系统选择收集数据来执行工作偏转形态分析，以便进一步检查机械状况。在实施例中，自适应调度技术允许该系统更改为在多个(例如，8个)相关通道上进行全频谱分析而收集的调度数据。在实施例中，该系统可以提供数据以实现用于持续监视以及用于分析的环境局部振动的扩展统计能力，其结合环境温度和本地温度以及振动级别变化以用于识别机械问题。
在实施例中，可以由个人计算机(personal computer，简称PC)来控制数据采集设备以实施预期数据采集命令。在实施例中，DAQ机盒可以是自备性的，并且能够独立于外部PC控制来获取、处理、分析和监视。实施例可以包括安全数字(secure digital，简称SD)卡存储器。在实施例中，可以利用SD卡来提供重要附加存储能力。这对于监视可永久存储关键数据的应用而言至关重要。此外，如果发生供电故障，则可以存储最新数据，即便未将其卸载到另一个系统。
目前的趋势是使DAQ系统尽可能与外界通信，通常采用包括无线网络在内的网络形式。过去，通常使用专用总线来控制具有微处理器或微控制器/与PC配对的微处理器的DAQ系统。在实施例中，DAQ系统可以包括一个或多个微处理器/微控制器、专门的微控制器/微处理器或主要侧重于与外界通信方面的专用处理器。这些包括USB、以太网和无线，且具有提供一个或多个IP地址以便托管页面的能力。与外界的所有通信则使用基于简单文本的菜单来完成。提供一系列常用命令(实际上多于100个)，如InitializeCard、AcquireData、StopAcquisition、RetrieveCalibration Info等。
在实施例中，密集信号处理活动，包括重新采样、加权、滤波和频谱处理，可以由专用处理器来执行，如现场可编程门阵列(Field Programmable Gata Array，简称FPGA)、数字信号处理器(Digital Signal Processor，简称DSP)、微处理器、微控制器或其组合。在实施例中，此子系统可以经由专门的硬件总线来与通信处理分段通信。双端口存储器、信号量逻辑等将有助于实现这一目标。本实施例不仅可以显著提高效率，而且能够显著地提高处理能力，包括数据的流传输以及其它高端分析技术。这消除了不停中断一些主要过程的需要，包括信号调节电路的控制、使用A/D触发原始数据采集、将A/D输出导向至适合的板载存储器、处理该数据。
多个实施例可以包括传感器过载识别。需要监测系统来识别传感器何时过载。可能存在涉及高频输入将使标准100mv/g传感器(是业界最常用的)饱和的情形，并且能够传感过载的能力，以提高数据质量从而更好地分析。一种监测系统可以识别其系统何时过载，但是在一些实施例中，该系统可以查看传感器的电压来确定过载是否来自该传感器，从而使得用户能够获取更适合该情形的另一个传感器或再次收集数据。
多个实施例可以包括传感器的射频识别(Radio Frequency Identification，简称RFID)和测斜仪或加速度计，以使传感器能够指示它连接到哪个机器/轴承以及哪个方向，从而使软件能够自动存储数据而无需用户输入。在实施例中，用户可以将该系统置于任何一个或多个机器上，并且该系统将在数秒内自动进行自身设置并准备进行数据收集。
多个实施例可以包括通过将超声波传感器置于变压器、电机控制中心、制动器等内部来进行超声波在线监视，以及通过声谱监视，持续查找识别电弧、电晕以及指示故障或问题的其它电气问题的模式。多个实施例可以包括对能量生产设施的旋转元件和轴承提供持续超声波监测。在实施例中，可以通过将超声波数据与振动、温度、压力、热通量、磁场、电场、电流、电压、电容、电感及其组合(如简单比率)等其它参数进行组合，在超声波在线监视以及识别其它故障时使用分析引擎。
本文公开的方法和系统的实施例可以包括使用模拟交叉点开关用于收集可变多组振动输入通道。对于振动分析，从以不同方向安装在机器(或多个机器)的不同部分上的振动换能器同时获得多个通道非常有益。通过同时获取读数，例如，可以比较这些输入的相对相位来诊断多种机械故障。此外，还可以执行其它类型的交叉通道分析，如互相关、传递函数以及工作偏转形态(Operating Deflection Shape，简称ODS)。
本文公开的方法和系统的实施例可以包括用于A/D零基准的精确电压参考。一些A/D芯片提供其自身的内部零电压参考以便用作外部信号调节电路的中间刻度值，以便确保A/D和外部运算放大器使用相同的参考。虽然这在理论上看上去是合理的，但是存在现实复杂性。在许多情况下，这些参考本身基于使用电阻器分频器的供电电压。对于许多目前的系统，尤其是其供电经由USB或类似总线从PC供电的系统，这提供了不可靠的参考，因为供电电压往往随负载的变化发生显著的变化。对于需要更多信号处理的delta-sigma A/D芯片，尤其如此。虽然偏移量可能随负荷一起偏离，但是如果需要以数字方式校准读数就会产生问题。通常以数字方式修改来自A/D的记数表示的电压偏移量以便补偿DC偏移。然而，对于此情况，如果针对一组负荷状况确定了适合的校准偏移量，则它们将不适用于其它状况。以记数表示的绝对DC偏移量将不再适用。因此，有必要对变得复杂、不可靠和最终难以管理的所有负荷状况进行校准。在实施例中，使用外部电压参考，其仅仅独立于供电电压，以用作零点偏移。
在实施例中，该系统提供锁相环带通跟踪滤波器方法，用于获取慢速RPM和相位以实现平衡，从而以远程方式平衡造纸厂等场所的慢速机械并根据其数据提供附加分析。出于平衡的目的，有时需要以非常慢的速度平衡。典型跟踪滤波器可以基于锁相环或PLL设计来构造；然而，稳定性和速度范围是最重要的考量。在实施例中，使用多个数字控制开关来选择适合的RC和阻尼常数。测量接入转速计(tach)信号的频率之后，可以完全自动地切换。本文公开的方法和系统的实施例可以包括使用板载定时器对相对于输入和触发通道的相位进行数字推导。在实施例中，数字相位推导使用数字定时器来确定从触发事件到数据采集的精确开始的精确延迟。然后，使用插值法将此延迟或偏移量进一步细化以获得更精确的偏移量，然后将其应用于所采集数据的分析确定的相位，以使该相位“本质上”是绝对相位，且具有对于一次平衡、对齐分析等有用的精确力学意义。
本文公开的方法和系统的实施例可以包括信号处理固件/硬件。在实施例中，可以采用高采样率获取长数据块，而非以不同的采样率提取多个数据集。通常，在用于振动分析的现代路径收集过程中，惯例是以固定采样率按指定数据长度来收集数据。根据现有的具体机械分析要求，采样率和数据长度可能因不同路径点而有所不同。例如，电机可能要求相对较慢的采样率以及较高的分辨率，以便将运行速度谐波与线频率谐波区分开。然而现实的权衡是需要花费更多收集时间来实现这种较高的分辨率。相比之下，一些高速压缩机或齿轮组要求远远更高的采样率来测量相对较高频率数据的振幅，虽然可能并不一定需要精确的分辨率。然而，理想情况下，以非常高的采样率收集非常长的样本长度的数据会更好些。当数字采集设备于20世纪80年代初首次普及时，A/D采样、数字存储和计算能力无法达到今天它们所达到的水平，因此在数据收集所需的时间与期望的分辨率和精确度之间进行了折衷。由于这种限制，该领域内的一些分析人员甚至拒绝放弃他们的模拟磁带记录系统，这些系统并没有因这些数字化缺陷而受到太大影响。采用了几种混合系统，这些系统以多种采样率和所需的长度将所记录的模拟数据的回放数字化，虽然这些系统无疑自动化程度较低。正如先前提到的，更常用的方法是平衡数据收集时间与分析能力，并且以多种采样率和采样长度来通过数字方式获取数据块，并将这些块单独进行数字化存储。在实施例中，可以按最高实际采样率(例如，102.4kHz，对应40kHz Fmax)来收集长数据长度的数据并进行存储。该长块数据可以在与先验方法所采用的较短长度的较低采样率相同的时间内获取，因此不会有有效延迟添加到测量点处的采样中，这在路径收集过程中始终是关注所在。在实施例中，数据的模拟磁带记录进行数字化模拟所采用的精度应确保其实际上可以视为适用于多种用途的连续或“模拟”精度，包括本发明实施例的用途，上下文另行指出的情况除外。
本文公开的方法和系统的实施例可以包括校准数据和维护历史在板载卡组上的存储。许多依赖于与PC接口来工作的数据采集设备将其校准系数存储在PC上。对于拥有很多信号路径并且因此校准表可能非常大的复杂数据采集设备而言尤其如此。在实施例中，校准系数存储在闪存存储器中，闪存存储器将永久地记住该数据或有关事宜的任何其它重要信息以便用于所有实际目的。此信息可以包括铭牌信息，如单个组件的序列号、固件或软件版本号、维护历史和校准表。在实施例中，无论机盒最终连接到哪台计算机，DAQ机盒都保持校准状态且继续保存所有此类重要信息。PC或外部设备可以在任何时间轮询此信息以用于植入或信息交换目的。
本文公开的方法和系统的实施例可以包括利用分层模板进行快速路径创建。在振动监视以及常规参数监视领域中，需要在数据库或功能等效的位置建立数据监视点。这些点关联多种属性，包括如下类别：换能器属性、数据收集设置、机械参数和工作参数。换能器属性将包括探针类型、探针安装类型和探针安装方向或轴方向。与测量关联的数据收集属性将包括采样率、数据长度、集成电子压电式探针功率和耦合要求、硬件集成要求、4-20或电压接口、范围和增益设置(如果适用的话)、滤波器要求等。相对于特定点的机械参数要求将包括如下项：运行速度、轴承类型、滚子轴承所对应的轴承参数数据，这些轴承参数数据包括中径、滚珠数量、内圈直径和外圈直径。对于可倾瓦轴承，该参数数据将包括轴瓦数量等。对于诸如齿轮箱等设备上的测量点，所需参数将包括例如，每个齿轮上的轮齿数量。对于感应式电机，所需参数将包括转子条和柱的数量；对于压缩机，所需参数包括叶片和/或轮叶的数量；对于风扇，所需参数包括叶片的数量。对于皮带/皮带轮系统，可以根据皮带轮的尺寸以及皮带轮的中心距来计算皮带的数量以及相关皮带通过频率。对于联轴器附近的测量，可能需要联轴器类型和齿轮联轴器中的轮齿数量等。工作参数数据将包括工作负荷，可以采用兆瓦、流量(气体或液体)、百分比、马力、每分钟英尺等来表示。工作温度(包括环境温度和操作温度)、工作压力、湿度等可能具有相关性。正如所看到的，单个测量点所需的设置信息可能非常大。执行这些数据的任何合理分析也至关重要。机械、设备和轴承特定信息对于识别故障频率以及预测多种类型的特定故障是必不可少的。换能器属性以及数据收集参数对于正确解释数据以及为适当类型的分析技术提供限制至关重要。输入此数据的传统方式是，通常在最低分层级别(例如，有关机械参数的轴承级别)或适用于数据收集设置信息的换能器级别进行人工输入，并且操作相当繁琐。然而，再强调都不为过的是，组织数据所需的分层关系的重要性—用于分析和解释以及数据的存储和移动。此处，我们主要强调数据的存储和移动。本质上，前述设置信息在最低分层级别上极具冗余性；然而，由于其具有较强的分层特性，它可以这种形式非常高效地存储。在实施例中，分层特性可以在以模板形式复制数据时加以利用。例如，适于许多目的的分层存储结构是从公司、工厂或站点、单元或过程、机器、设备、轴元件、轴承和换能器的普遍性到具体性来定义的。复制与特定机器、设备、轴元件或轴承关联的数据比仅在最低换能器级别复制该数据容易得多。在实施例中，该系统不仅以此分层方式存储数据，而且使用分层模板稳健地支持数据的快速复制。特定分层级别的元件相似性有助于以分层格式进行数据的有效存储。例如，很多机器具有通用元件，如电机、齿轮箱、压缩机、皮带、风扇等。更具体地，许多电机可以轻松分类为感应式、直流、定速或变速电机。许多齿轮箱可以分为常见分组，如输入/输出、输入小齿轮/中间齿轮/输出小齿轮、4杆等。在工厂或公司内，有许多出于成本和维护原因购买和标准化的相似类型的设备。这导致大量相似类型的设备重复，并因此提供了利用分层模板方法的大好机会。
本文公开的方法和系统的实施例可以包含智能带。智能带是指已处理的信号特征，该信号特征源自于用于分析数据并实现正确诊断的任何动态输入或输入组。此外，智能带甚至可以包含用于实现更稳健且更复杂智能带的微型或相对简单的诊断。以往，在机械振动分析领域中，已经使用报警带来定义用于分析和/或趋向显著振动模式的相关频谱频带。警报带通常由低频界限与高频界限之间的频谱(相对于频率绘出的振幅)区定义组成。这些界限之间的振幅以与用于计算总振幅的相同方式进行总计。智能带更具灵活性，原因在于其不仅涉及特定频带，而且涉及一组频谱峰值，如单个峰值的谐波、从时间波形获得的真峰值电平或波峰因数、从振动包络频谱获得的整体波形或这些信号属性的其它专用信号分析技术或逻辑组合(AND、OR、XOR等)。另外，其它参数数据(包含系统负载、电机电压和相位信息、轴承温度、流速等)的无数分类同样可以用作形成附加智能带的基础。在实施例中，智能带症状可以用作专家系统的构建块，专家系统的引擎利用这些输入来获得诊断信息。其中一些微型诊断反过来可以用作智能带故障现象(智能带甚至可以包含诊断)，从而用于更广泛的诊断。
本文公开的方法和系统的实施例可以包含使用智能带的神经网络专家系统。典型的振动分析引擎是基于规则的(即，其使用符合条件时会触发特定诊断的专家规则列表)引擎。相反，神经方法利用进入较小分析引擎或神经元的多个输入刺激的加权触发，这个较小分析引擎或神经元反过来又将简化的加权输出馈送到其它神经元。这些神经元的输出也可以分类为转而馈送其它神经元的智能带。这将产生一种与基于规则的系统的一次性方法相比更具层次的专家诊断方法。在实施例中，专家系统利用使用智能带的这种神经方法；但是，该系统并不排除将基于规则的诊断重新分类为作为供专家系统利用的其它刺激的智能带。从这个角度来说，尽管其在最高等级上基本上属于神经方法，但其可以作为混合方法进行概述。
本文公开的方法和系统的实施例可以包含在智能带故障现象分析中使用数据库层次，且可以将诊断分配至各种分层数据库等级。例如，智能带在轴承等级可以被称为“松动(Looseness)”，在设备等级触发“松动”，并且在机器等级触发“松动”。另一个实例将在联轴器上进行称为“水平面相位翻转”的智能带诊断，并在机器等级上产生“垂直耦合失调”的智能带诊断。
本文公开的方法和系统的实施例可以包含专家系统GUI。在实施例中，系统采用图形方法为专家系统定义智能带和诊断。用于创建特定机器诊断的故障现象、规则或更广泛的智能带的输入可能枯燥且耗时。一种使该过程更便利且高效的手段是使用布线提供图形方式。所提出的图形界面由四个主要组件组成：故障现象部件库(symptom parts bin)、诊断库(diagnoses bin)、工具库(tools bin)和图形布线区域(graphical wiring area，简称GWA)。在实施例中，故障现象部件库包含各种频谱、波形、包络及任何类型的信号处理特征或特征分组，如频谱峰值、频谱谐波、波形真峰值、波形波峰因数、频谱报警带等。每个部件可以分配其它属性。例如，频谱峰值部件可以分配运行速度的频率或阶数(多阶)。一些部件可以是预定义的或由用户定义，如1×、2×、3×运行速度，1×、2×、3×齿轮啮合，1×、2×、3×叶片行程、电机转子块的数量×运行速度等。
在实施例中，诊断库包含各种预定义以及用户定义的诊断，如失准、不平衡、松动、轴承故障等。与部件相同的是，诊断也可以用作用于构建更复杂诊断的部分。在实施例中，工具库包括逻辑运算，如AND、OR、XOR等，或其它组合上述各部分的方式，如查找最大值(Find Max)、查找最小值(Find Min)、内插(Interpolate)、平均值(Average)、其它统计运算等。在实施例中，图形配线区域包括来自部件库的部件或来自诊断库的诊断，并且可以使用工具进行组合以创建诊断。各种部件、工具和诊断将用图标来表示，这些图标以所需的方式简单地以图形方式连接在一起。
本文公开的方法和系统的实施例可以包含用于反算定义的图形方法。在实施例中，专家系统还向系统提供学习机会。如果已知唯一的一组刺激或智能带对应于特定故障或诊断，那么可以反算一组系数，将这些系数应用于未来的一组类似刺激时，将得出相同的诊断。在实施例中，如果存在多组数据，那么可以使用最佳拟合方法。与智能带GUI不同的是，该实施例将自行产生布线图。在实施例中，用户可以定制反向传播方法设置，并使用数据库浏览器来匹配特定数据集和所需诊断。在实施例中，可以使用智能带GUI来创建或定制所需诊断。在实施例中，之后，用户可以按压GENERATE按钮，并且当完成实现最佳拟合的算法时故障现象至诊断的动态布线可能出现在屏幕上。在实施例中，完成上述操作后将展示各种统计数据，详细说明映射过程进展的程度。在一些情况下，例如如果(输入数据全部为零或为错误数据(错误分配)等，则可能无法实现映射。本文公开的方法和系统的实施例可以包含轴承分析方法。在实施例中，轴承分析方法可以结合计算机辅助设计(computeraided design，简称CAD)、预测解卷积、最小方差无失真响应(minimum variancedistortionless response，简称MVDR)和频谱谐波总和。
近年来，一直有强大的节能动力，这导致变频驱动器和变速旋转机械的涌入。在实施例中，提供了一种轴承分析方法。在实施例中，利用暂态信号对扭转振动进行检测和分析，从而以更全面方式诊断与扭转力相关的机械(如具有转动组件的机械)并提供先进的扭转振动分析。主要由于电机速度控制系统成本的降低以及能源使用成本和意识的增加，利用负载控制的潜在巨大节能优势已经变得更加经济合理。遗憾的是，振动常被忽略。如果将机器设计为仅以一种速度运行，设计物理结构就相应地简单得多，从而避免结构性和扭转性的机械共振，每种共振都可能大幅降低机器的机械健康。这将会包含所使用的材料类型、材料重量、加强构件需求和放置、轴承类型、轴承位置、底座支架约束等结构特征。即使机器以一种速度运行，设计一种结构以便最大程度地减少振动仍可能是一项艰巨的任务，可能需要计算机建模、有限元分析和现场测试。通过加入可变速度，在许多情况下，无法针对所有所需速度进行设计。然后，问题变成了最小化问题，例如通过速度规避。这就是通常将许多现代电机控制器编程为跳过或快速通过特定速度范围或速度带的原因所在。实施例可以包含在振动监测系统中确定速度范围。使用常规振动分析技术，非扭转性结构共振通常相当容易检测。但是，对于扭转而言，情况并非如此。当前关注的一个特殊领域是扭转性共振问题发生率的增加，这显然是因为速度变化的扭转应力增加以及设备在扭转性共振速度下的运行。与非扭转性结构共振不同的是，非扭转性结构共振通常表现出具有大幅增加的外壳或外部振动效应，而扭转性共振通常没有这种效应。就轴扭转共振而言，由共振引起的扭转运动只能通过查找速度和/或相位变化来辨别。当前用于分析扭转性振动的标准方法包括使用专用仪器。本文公开的方法和系统允许在不使用这种专用仪器的情况下分析扭转性振动。这种方法可以由关闭机器和使用应变仪和/或速度编码器板和/或齿轮等其它特殊固定件组成。摩擦轮是另一个替代方案，但其通常需要手动实施并且需要专业分析人员。一般来说，这些技术可能过于昂贵和/或麻烦。由于成本的降低以及便利性的提高(例如，远程访问)，持续振动监测系统越来越盛行。在实施例中，能够只使用振动信号来辨别扭转速度和/或相位变化。在实施例中，暂态分析技术可以用来区分扭转引起的振动与由于过程控制引起的速度变化。在实施例中，用于辨别的因素可能集中于以下方面中的一个或多个：由变速电机控制引起的速度变化速率相对较慢、具有持续性和刻意性；扭转速度变化往往较为短暂、具有脉冲性且不具有持续性；扭转速度变化往往具有波动性，极可能呈指数衰减，而过程速度变化不会；并且相对于轴的转动速度与扭转相关的较小速度变化表明，监测相位行为将展示快速或短暂的速度突发，和历史上与升高或降低机器速度相关的慢速相位变化形成对比(以波特图或奈奎斯特图为代表)。
本文公开的方法和系统的实施例可以包含同时使用模拟和数字方法的改进集成。当使用软件以数字方式集成信号时，基本上需将频谱低端频率数据的振幅乘以一个函数，这个函数随着其接近零而迅速变得无限大并且产生业内所称的“陡坡(ski-slope)”效应。陡坡的振幅实质上是仪器的底噪(noise floor)。对此，简单补救方法是传统硬件积分器，其能够在比已经数字化的信号大得多的信噪比下执行。此外还可以将放大因数限制在合理的水平，从而基本上禁止与十分大的数字相乘。但是，在频率变大的较高频率下，可能将远高于底噪的初始振幅乘以一个十分小的数字(1/f)，这个数字使振幅降至远低于底噪的水平。硬件积分器具有固定底噪，尽管低底限不会随着当前较低的振幅高频数据降低。相反，数字化高频信号的相同数字相乘仍按比例降低底噪。在实施例中，可以在单位增益点以下(在通常基于增益由单位和/或所需信噪比确定的值下)使用硬件集成，并在单位增益值以上使用软件集成来产生理想结果。在实施例中，在频域中执行集成。在实施例中，接着可以将所产生的混合数据转换回波形，这个波形在信噪比方面应远优于硬件集成或软件集成数据。在实施例中，结合数字软件集成的优势使用硬件集成的优势来实现最大信噪比。在实施例中，具有曲线拟合的一阶渐进式硬件积分器高通滤波器在降低或消除噪声的同时允许一些相对低频的数据通过，从而允许挽回不当滤波器消除的十分有用的分析数据。
本文公开的方法和系统的实施例可以包含用于持续监视的自适应调度技术。通常使用前置Mux执行持续监视，其目的在于在许多数据通道中选择几个通道，以馈送DAQ系统的硬件信号处理、A/D和处理组件。这主要是出于实际成本考虑。折中方式是不持续监视所有点(而是通过替代硬件方法在较小范围内进行监测)。在实施例中，提供多个调度等级。在实施例中，在绝大部分持续的最低等级下，将以轮循方式循环所有测量点。例如，如果需要30秒来收集和处理一个测量点并且有30个点，则每15分钟对每个点进行一次维护；但是，如果一个点应根据用户选择的任何标准发出警报，则可以提高其优先级，以便更频繁地进行维护。由于每个警报的严重程度可能有多个级别，因此在监测方面可能存在多个级别的优先级。在实施例中，将更频繁地监测更严重的警报。在实施例中，可以较不频繁的间隔应用多种附加高级信号处理技术。实施例可以利用PC的增强处理能力，并且PC能够暂时暂停轮循路线收集(具有多个收集层)过程并为其选择的点流传输所需量的数据。实施例可以包含各种先进处理技术，如包络处理、小波分析以及许多其它信号处理技术。在实施例中，采集这些数据后，DAQ卡组将在其被中断的点处继续其路线。在实施例中，各种PC调度数据采集将遵循其自身的时间表，其频率将低于DAQ卡路线。其可按小时、天、路线循环数(例如每10个循环一次)来设置，并且还基于其警报严重程度优先级或测量类型(例如，可以按不同于风扇的方式监测电机)来增加调度。
本文公开的方法和系统的实施例可以包含数据采集驻留特征。在实施例中，用于路线收集、实时分析并且通常作为一种采集工具的数据采集盒可以与其PC(平板电脑或其它设备)分离并由外部电源或合适的电池供电。在实施例中，数据收集器仍保有持续监视能力，并且其机载固件可以长时间实施专用监测功能或可以远程控制以便进行进一步分析。本文公开的方法和系统的实施例可以包含用于持续监视的扩展统计能力。
本文公开的方法和系统的实施例可以包含环境传感、局部传感和振动以供分析。在实施例中，周围环境温度和压力、传感温度和压力可以与长期/中期振动分析结合以便预测任何条件或特征范围。变化型式可以增加红外传感、红外热像法、超声波和许多其它传感器类型和输入类型，并与振动结合或相互结合。本文公开的方法和系统的实施例可以包含智能路线。在实施例中，持续监测系统的软件将基于统计、分析、数据警报和动态分析对数据收集顺序进行调适/调整。通常，基于传感器所连接的通道来设置路线。在实施例中，通过交叉点开关，Mux能够将任何输入Mux通道结合到(例如，八个)输出通道。在实施例中，随着通道进入报警状态或系统识别出关键偏差，Mux将暂停软件中设置的正常路线，以便从共享关键统计变化的通道收集特定同步数据以用于进行更高级的分析。实施例包含进行智能ODS或智能传递函数。
本文公开的方法和系统的实施例可以包含智能ODS和一个或多个传递函数。在实施例中，由于系统的复用器和交叉点开关，可以对所有连接到机器/结构的振动传感器执行ODS、传递函数或其它特殊测试，显示机器的各点是如何相互联系的。在实施例中，可以流传输40-50kHz和长度更长的数据(例如，至少一分钟)，这可以揭示不同于正常ODS或传递函数将显示的信息。在实施例中，系统将能够基于要使用的数据/统计/分析来确定智能线路特征，智能线路特征脱离标准路线并对一个机器、结构或多个机器和结构进行ODS，这些机器和结构可能由于引导其的条件/数据而显示相关性。在实施例中，对于传递函数，可以对一个通道使用冲击锤，然后与机器上的其它振动传感器进行比较。在实施例中，系统可以使用机器或系统的负载、速度、温度或其它变化等条件变化来执行传递函数。在实施例中，随着时间的推移，不同传递函数可以进行相互比较。在实施例中，不同传递函数可以如同可以展示机械故障如何变化的影片一样串连在一起，例如，轴承可以展示其如何通过轴承故障的四个阶段等。本文公开的方法和系统的实施例可以包含分层Mux。
参见图8，本发明一般包含以数字方式从机器2020收集或流传输波形数据2010，机器2020的运行速度可以在不同情境中从相对较慢的旋转或振荡速度变为相对较快的速度。至少一个机器上的波形数据2010可以包含来自安装在恒定参考位置2040的单轴传感器2030以及来自安装在包含位置2052在内的变化位置(或位于多个位置)的三轴传感器2050的数据。在实施例中，波形数据2010可以是在数分钟的持续时间内以无间隙格式同时从各个传感器2030、2050获得的振动数据，其具有足以捕获周期性和暂态冲击事件的最大可分解频率。借助该实例，波形数据2010可以包含能够用于产生工作偏转形态的振动数据。在需要时，该数据还可以用于诊断振动，可以根据这些振动规定机器维修方案。
在实施例中，机器2020可以进一步包含壳体2100，壳体2100可包含能够驱动轴2120的驱动电机2110。可以对轴2120进行支撑以便通过一组轴承2130(例如包含第一轴承2140和第二轴承2150)进行旋转或振荡。数据收集模块2160可以连接到机器2020(或驻留在机器2020上)。在一个实例中，数据收集模块2160可以通过云端网络设施2170定位和访问、可以从机器2020收集波形数据2010并且将波形数据2010传送到远程位置。机器2020的驱动轴2120的工作终端2180可以驱动风车、风扇、泵、钻机、齿轮系统、驱动系统或其它工作元件，因为本文描述的技术能够应用于包含旋转或振荡元件的范围广泛的机器、设备、工具等。在其它情况下，发电机可以代替电机2110，并且驱动轴2120的工作终端可以将旋转能量引导到发电机以产生电力，而不是消耗电力。
在实施例中，波形数据2010可以基于机器2020的布局使用预定路线格式来获得。波形数据2010可以包含单轴传感器2030和三轴传感器2050的数据。单轴传感器2030可以用作具有一个数据通道的参考探测器并且固定在受勘测机器上的恒定位置2040。三轴传感器2050可以用作具有三个数据通道的三轴探测器(例如三个正交轴)并且可以依据预定诊断路线格式从一个测试点移动到下一个测试点。在一个实例中，传感器2030、2050可以手动安装到机器2020并且在某些服务实例中可以连接到单独的便携式计算机。参考探测器可以保持在一个位置，而用户可以沿着机器上的预定路线(例如轴承到轴承)移动三轴振动探测器。在该实例中，指导用户将传感器定位在预定位置以完成机器(或其部分)的勘测。
参见图9，展示了根据本发明的示范性机器2200的一部分，其具有安装到与具有输出轴2230和输出构件2240的机器2200电机轴承相关的位置2220的三轴传感器2210。参见图10，展示了根据本发明的示范性机器2300，其具有三轴传感器2310和单轴振动传感器2320，单轴振动传感器2320用作在振动勘测期间连接至机器2300上恒定位置的参考传感器。三轴传感器2310和单轴振动传感器2320可以连接到数据收集系统2330。
在其它实例中，传感器以及数据收集模块和设备可以集成到或驻留在旋转机器上。借助这些实例，机器可以包含预定位置处的多个单轴传感器和多个三轴传感器。传感器最初可以是已安装的设备并由初始设备制造商提供，或在改装应用中在不同的时间进行安装。数据收集模块2160等可以选择并使用单轴传感器，并且在单轴传感器移动到每个三轴传感器收集波形数据2010的期间仅从单轴传感器上获取数据。数据收集模块2160可以驻留在机器2020上和/或通过云端网络设施2170连接。
参见图8，各种实施例包含通过在本地以数字方式记录或在云端网络设施2170上进行流传输来收集波形数据2010。波形数据2010可以不间断地进行收集以确保无间隙，并且在一些方面，可能类似于模拟记录波形数据。可以根据被监测机器的旋转或振荡速度用一到两分钟收集来自所有通道的波形数据2010。在实施例中，数据采样率可以是相对于机器2020运行频率的相对较高采样率。
在实施例中，可以使用第二参考传感器，并且可以收集第五数据通道的数据。如此，单轴传感器可以是第一通道，并且三轴振动可以占用第二、第三和第四数据通道。该第二参考传感器与第一传感器一样可以是单轴传感器，如加速计。在实施例中，第二参考传感器与第一参考传感器一样可以保持在机器上的同一位置以进行整个振动勘测。第一参考传感器(即，单轴传感器)的位置可以不同于第二参考传感器(即，另一个单轴传感器)的位置。在某些实例中，当机器具有运行速度不同的两个轴时，可以使用第二参考传感器，其中两个参考传感器位于两个不同的轴上。根据该实例，可在与旋转机器相关的其它恒定位置使用其它单轴参考传感器。
在实施例中，波形数据可以在相对较长的时间段内以相当高的速率以无间隙格式通过电子方式传输。在一个实例中，时间段为60秒至120秒。在另一实例中，采样率为100kHz，最大可分解频率(Fmax)为40kHz。根据本发明，应了解，可以展示波形数据，以便更加接近可从模拟记录波形数据的先前实例中获得的一些数据。
在实例中，采样、频带选择和滤波技术可以允许长数据流的一个或多个部分(即，持续时间中的一到两分钟)欠采样或过采样，以实现变化的有效采样率。为此，可使用内插和抽取的方式以进一步实现变化的有效采样率。例如，可以将过采样应用于接近所采样机器旋转或振荡运行速度的频带或应用于其谐波，因为在机器的运行范围内，这些频率下的振动效应往往可能更明显。在实施例中，可以抽取数字采样数据集以产生较低的采样率。根据本发明，应了解，本文中的抽取可与内插相反。在实施例中，抽取数据集可以包含首先将低通滤波器应用于以数字采样数据集然后对数据集进行欠采样处理。
在一个实例中，可以在数字波形的每十分之一处对100Hz的样本波形进行欠采样，以产生10Hz的有效采样率，但可有效地舍弃剩余十分之九的波形部分且不将其包含在样本波形的建模中。此外，由于与100Hz样本波形相关的欠采样率(即，10Hz)，这种类型的无修饰欠采样可能会产生虚假频率。
用于模数转换的大部分硬件使用采样保持电路，采样保持电路可以在给定时间内为电容器充电，以便相对于特定时间变化确定波形的平均值。根据本发明，应了解，相对于特定时间变化的波形值并非线性值，而是更类似于基数正弦(sinc)函数；因此，可以表明，可能更加重视采样间隔中心的波形数据，基数正弦信号从采样间隔中心发生指数衰减。
借助以上实例，可以在10Hz时对100Hz的样本波形进行硬件采样，因此每个采样点取100毫秒内的平均值(例如，100Hz采样信号的每个点可取10毫秒内的平均值)。与如上文所论述有效舍弃所采样波形十分之九的数据点相反，本发明可以包含加权相邻数据。相邻数据可以指先前舍弃的采样点和保留的一个剩余点。在一个实例中，低通滤波器可以通过线性方式求相邻样本数据的平均值，即，确定每十个点的总和然后用总和除以十。在另一个实例中，可以使用sinc函数对相邻数据进行加权。使用sinc函数对初始波形进行加权的过程可以称为脉冲函数，或者在时域中可以称为卷积。
本发明不仅适用于基于所检测的电压对波形信号进行数字化，而且适用于基于电流波形、振动波形和包含视频信号栅格化在内的图像处理信号对波形信号进行数字化。在一个实例中，可以对计算机屏幕上的窗口尺寸调整进行抽取，尽管需要在至少两个方向上进行。在这些进一步实例中，应了解，可表明自身欠采样不足。为此，可以通过类似方式证明自身过采样或上采样不足，以便可以如同抽取一样使用内插，而不是仅进行自身的欠采样。
根据本发明，应了解，本文中的内插可以指首先将低通滤波器应用于数字采样波形数据然后对波形数据进行上采样。根据本发明，应了解，现实中的实例可能通常会要求使用非整数因数进行抽取或内插或两者。为此，本发明包含依序内插和抽取，以便实现用于内插和抽取的非整数因数比率。在一个实例中，依序内插和抽取可以定义为将低通滤波器应用于样本波形，随后在低通滤波之后对波形进行内插，然后在内插之后对波形进行抽取。在实施例中，可以循环振动数据，以有目的地模拟常规磁带录音机的循环，结合有效拼接使用数字滤波技术以便进行更长时间的分析。根据本发明，应了解，以上技术不排除在收集时使用用户的GUI处理和显示的波形、频谱和其它类型的分析。根据本发明，应了解，新系统可以允许与原始波形数据的高性能集合并行执行该功能。
就收集问题的时间而言，应了解，使用通过在不同采样率和数据长度下收集改进数据分辨率的折衷方法节约的时间实际上未达到预期。原因是，每次停止和启动数据采集硬件时，尤其是执行硬件自动伸缩时，会产生时延问题。同样地，关于线路信息(即，测试位置)的数据检索通常采用采用数据库格式并以极慢的速度。突然将原始数据存储到磁盘(无论是固态还是其它形式)也可能相当缓慢。
相反，许多实施例包含如本文所公开的数字流传输波形数据2010，并且还享有在仅需设置一次数据采集硬件的同时加载路线参数信息的益处。由于仅将波形数据2010流传输到一个文件，因此无需打开和关闭文件或使用存储介质在加载与写入操作之间切换。可以表明，本文中所述的收集和存储波形数据2010能够在明显比传统批次数据采集方法更短的时间内产生相对更有意义的数据。实例包含电机，为实现足够高的分辨率，可以使用4K点(即，4096)的数据长度收集电机的相关波形数据，以便(尤其)区分电气边带频率。对于风扇或鼓风机，可以使用1K(即，1024)的降低分辨率。在某些情况下，1K可以作为最低波形数据长度要求。采样率可以是1280Hz，并且相当于500Hz的Fmax。根据本发明，应了解，行业标准因数为2.56的过采样可以满足奈奎斯特准则(Nyquist Criterion)所需的两倍(2×)过采样，并且具有适应抗混叠滤波器滚降(anti-aliasing filter-rolloff)的一些额外余地。收集这些波形数据的时间在1280赫兹下为1024点，即800毫秒。
为提高精确度，可以取波形数据的平均值。八个平均值和可与百分之五十的重叠(例如)一起使用。这会将时间从800毫秒延长到3.6秒，相当于800msec×8个平均值×0.5(重叠率)+0.5×800msec(未重叠头端和尾端)。在以Fmax＝500Hz下收集波形数据后，可以使用较高采样率。在一个实例中，可使用先前采样率的十倍(10×)，并且Fmax＝10kHz。借助这个实例，八个平均值可与百分之五十(50％)的重叠一起使用，以在较高速率(可能相当于360毫秒或0.36秒的收集时间)下收集波形数据。根据本发明，应了解，可能需要从路线列表中读取用于较高采样率的硬件收集参数，并且允许硬件自动伸缩或重新设置其它必要的硬件收集参数，或允许两者。为此，可以添加数秒的时延以适应采样率的变化。在其它情况下，引入时延可以适应硬件的自动伸缩以及使用本文所公开的较低采样率时可能需要的硬件收集参数的变化。除适应采样率的变化之外，还需要另外的时间从数据库读取路线点信息(即，监测位置以及接下来监测的位置)、显示路线信息以及处理波形数据。此外，波形数据和/或相关频谱的显示可能也会消耗大量时间。根据上文，在每个测量点获得波形数据的同时，可能已过去了15秒至20秒。
在其它实例中，可以添加另外的采样率，但是这可能会使振动勘测的总时间量更长，因为时间合计为从一个采样率到另一个采样率的转换时间以及在不同采样率下获得额外数据的时间。在一个实例中，使用较低采样率，如128Hz的采样率，其中Fmax＝50Hz。借助这个实例，因此除上文提及的其它条件以外，在该采样率下，振动勘测将需要另外的36秒以用于第一组平均化数据，并且因此每个测量点处花费的总时间会更大幅度地增加。其它实例包含使用本文公开的无间隙波形数据的类似数字流传输，以用于风力涡轮机以及可能具有相对较低速度的旋转或振荡系统的其它机器。在许多实例中，所收集的波形数据可以包含相对较高采样率下的长数据样本。在一个实例中，在所有记录的通道上，采样率可以是100kHz并且采样持续时间可以是两分钟。在许多实例中，一个通道可以用于单轴参考传感器，并且另外三个数据通道可以用于三轴的三通道传感器。根据本发明，应了解，可以显示较长的数据长度以便于检测极低频现象。此外，还可以显示较长的数据长度以适应风力涡轮机运行中的固有速度变化。另外，还可以显示较长的数据长度以提供使用如本文所论述的众多平均值的机会，从而实现极高频谱分辨率并使得某些频谱分析的磁带循环可行。如今，许多先进分析技术可供使用，因为这些技术可以根据本发明使用可获得、较长的、长度不间断的波形数据。
根据本发明，还应了解，同时从多个通道收集波形数据可有助于在多个通道之间执行传递函数。此外，同时从多个通道收集波形数据有助于在机器上建立相位关系，从而可以通过依赖同时从各个通道收集波形的事实而利用更复杂的相关性。在其它实例中，可在数据收集中使用更多通道，以便通过允许同时从多个传感器采集波形数据(否则不得不在振动勘测中以连续方式逐个传感器移动来进行采集)来减少完成整个振动勘测所花的时间。
本发明包含在一个通道上使用至少一个单轴参考探测器，以便允许在通道之间采集相对相位比较。参考探测器可以是在一个机器的振动勘测期间不移动而因此固定于恒定位置的加速计或其它类型的换能器。在振动勘测的整个振动数据采集中，多个参考探测器可以分别部署在固定到位的适当位置(即，恒定位置)处。在某些实例中，根据数据收集模块2160的容量等可以部署多达七个参考探测器。使用传递函数或类似技术，所有通道的相对相位可以在所有所选频率下彼此进行比较。通过在移动或监测其它三轴振动传感器时将一个或多个参考探测器保持在其恒定位置，可以表明，整个机器可以在振幅和相对相位方面进行映射。即使存在比数据收集通道更多的测量点，也可以证明这一点是正确的。利用该信息，可以产生工作偏转形态来以3D形式展示机器的动态运动，从而可以提供非常有价值的诊断工具。在实施例中，一个或多个参考探测器可以提供相对相位而不是绝对相位。根据本发明，应了解，相对相位对于某些用途而言可能并不如绝对相位有价值，但仍然可以表明相对相位信息非常有用。
在实施例中，振动勘测期间使用的采样率可以数字方式同步到预定运行频率，该频率可能与机器的有关参数(如旋转或振荡速度)相关。如此，允许使用同步平均技术来提取更多信息。根据本发明，应了解，这可以在不使用对于路线收集数据通常不可用的关键相量或来自旋转轴的参考脉冲的情况下实现。如此，可以在无需使用关键相量来部署同步平均的情况下从复杂信号中去除非同步信号。分析变速箱中的一个特定小齿轮或通常应用于复杂机械机构中的任何组件时，可以表明这是非常有效的。在许多情况下，关键相量或参考脉冲很少可以用于路线收集数据，但本文公开的方法可以克服这种缺失。在实施例中，在所分析的机器中可能存在以不同速度运行的多个轴。在某些情况下，每个轴可能有一个单轴参考探测器。在其它情况下，仅可以使用在一个轴上的恒定位置处的单轴参考探测器来将一个轴与另一个轴的相位关联。在实施例中，相对于单速设备，变速设备可能更容易使用相对较长的数据持续时间来进行分析。可以使用本文公开的相同技术在同一连续振动数据集中以若干机器速度进行振动勘测。这些技术还可以允许研究振动与速度变化率之间的关系变化，这在以前是不可能的。
在实施例中，由于原始波形数据可以本文所公开的无间隙数字格式捕获，因此出现了众多分析技术。无间隙数字格式可有助于在识别特定问题后以多种方式分析波形数据的多个途径。根据本文公开的技术收集的振动数据可以提供暂态、半周期性和极低频现象的分析。根据本发明采集的波形数据可以含有相对较长的原始无间隙波形数据流，其可以按需要方便地回放，并且可以对其执行多种不同的复杂分析技术。大量这类技术可以提供各种形式的滤波以便从暂态冲击数据中提取低振幅调制，暂态冲击数据可以包含在相对较长的原始无间隙波形数据流中。根据本发明，应了解，在过去的数据收集实践中，由于以前的数据收集模块的目的仅仅在于周期信号，通常在频谱处理算法的平均过程中丢弃这些类型的现象；或者由于最初的原始信号中大部分内容通常在知道不会被使用时被舍弃，因此丢弃这些现象以便将尺寸减小方法归档。
在实施例中，存在一种监测机器振动的方法，该机器具有至少一个由一组轴承支撑的轴。该方法包含监测第一数据通道，该通道分配至与机器相关的恒定位置处的单轴传感器。该方法还包含监测分配至三轴传感器的第二、第三和第四数据通道。该方法进一步包含：同时记录机器处于运行时来自所有数据通道的无间隙数字波形数据；以及基于数字波形数据确定相对相位的变化。该方法还包含三轴传感器，该传感器位于获得数字波形时位于与机器相关的多个位置处。在实施例中，第二、第三和第四通道被一起分配给一系列三轴传感器，每个三轴传感器位于与机器相关联的不同位置。在实施例中，同时从其所有通道上的所有传感器接收数据。
该方法还包含基于相对相位信息的变化和波形数据确定工作偏转形态。在实施例中，参考传感器的恒定位置是指与机器的轴关联的位置。在实施例中，该系列三轴传感器序列中的三轴传感器各自位于不同位置处，并且各自与机器中的不同轴承相关联。在实施例中，恒定位置是指与机器的轴关联的位置，其中，一系列三轴传感器中的三轴传感器分别位于不同位置并分别与支撑机器中的轴的不同轴承关联。各种实施例包含依序监测旋转或振荡机器或类似加工机械的多个通道(其可以称为集合)的振动或类似过程参数和信号的方法。在各种实例中，集合可以包含一至八个通道。在其它实例中，集合可以表示被监测设备上的逻辑测量分组，无论这些测量位置对于测量而言是暂时的、是由初始设备制造商提供的、是后期改装的还是以上的一个或多个组合。
在一个实例中，集合可以监测单个方向上的轴承振动。在另一个实例中，集合可以使用三轴传感器监测三个不同方向(例如，正交方向)。在其它实例中，集合可以监测四个或更多通道，其中第一通道可以监测单轴振动传感器，并且第二、第三和第四通道可以分别监测三轴传感器的三个方向。在其它实例中，集合可以固定到同一设备或相关轴上的一组相邻轴承。各种实施例提供多种方法，包含用于以相对更高效的方式从振动研究等中部署的各种集合中收集波形数据的策略。这些方法还包含同时监测参考通道，参考通道分配至与监测机器的集合相关的恒定参考位置。可以示出与参考通道的协作，以支持所收集波形与集合的更完整的相关性。参考通道上的参考传感器可以是单轴振动传感器，或者可以由旋转轴上的参考位置等触发的相位参考传感器。如本文所公开的，上述方法可以进一步包含以相对较高的采样率同时记录来自每一集合中所有通道的无间隙数字波形数据，以便包含认为在所监测机械运行时对其进行适当分析所必要的所有频率。集合中的数据可以无间隙的方式流传输到存储介质以供后续处理，存储介质可以连接到云端网络设施、本地数据链路、蓝牙(BluetoothTM)连接以及蜂窝数据连接等。
在实施例中，本文公开的方法包含用于从各种集合收集数据的策略，包含随后可以应用于来自集合的数据以突出或更好地分离特定频率或波形现象的数字信号处理技术。这可能与当前以不同采样率收集多组数据的方法或与包含集成的不同硬件滤波配置形成对比，这些配置(被称为先验硬件配置)由于其约束提供相对较低的处理后灵活性。此外，还可以表明这些硬件配置由于与针对每一次独立测试配置硬件相关的延迟而增加了振动勘测的时间。在实施例中，用于从各种集合收集数据的方法包含用于将流数据的部分分类为同质数据且属于特定集合的数据标记技术。在一个实例中，类别可以定义为运行速度。如此，可以从常规系统仅作为一个集合收集的集合中产生众多的集合。许多实施例包含处理后分析技术，用于在适当时对所收集集合的每一通道之间以及所监测所有集合的所有通道之间的所有相关频率的相对相位进行比较。
参考图12，许多实施例包含具有旋转组件和/或振荡组件2410的第一机器2400，每个组件由包含轴承组2422、轴承组2424、轴承组2426和更多轴承组(根据需要)的一组轴承2420支撑。第一机器2400可以由第一传感器集合2450监测。第一集合2450可以配置成从最初安装(或之后添加)在第一机器2400上的传感器接收信号。机器2400上的传感器可以包含单轴传感器2460，如单轴传感器2462、单轴传感器2464和更多单轴传感器(根据需要)。在许多实例中，单轴传感器2460可以定位在机器2400中允许感测机器2400的一个旋转或振荡组件2410的位置。
机器2400还可以具有三轴(例如，正交轴)传感器2480，如三轴传感器2482、三轴传感器2484和更多三轴传感器(根据需要)。在许多实例中，三轴传感器2480可以定位在机器2400中允许感测多组轴承2420中的每个轴承组的位置，轴承组与机器2400的旋转或振荡组件关联。机器2400还可以具有温度传感器2500，如温度传感器2502、温度传感器2504和更多温度传感器(根据需要)。机器2400还可以具有分别详细说明其一个旋转组件的RPM的转速计传感器2510或更多转速计传感器(根据需要)。借助以上实例，第一传感器集合2450可以勘测与第一机器2400关联的以上传感器。为此，第一集合2450可以配置成接收八个通道的数据。在其它实例中，第一传感器集合2450可以根据需要配置成包含八个以上通道或不到八个通道。在这个实例中，八个通道包含可以分别监测单轴参考传感器信号的两个通道以及可以监测三轴传感器信号的三个通道。剩余的三个通道可以监测两个温度信号和来自转速计的一个信号。在一个实例中，根据本发明，第一集合2450可以监测单轴传感器2462、单轴传感器2464、三轴传感器2482、温度传感器2502、温度传感器2504和转速计传感器2510。在对机器2400的振动勘测期间，第一集合2450可以首先监测三轴传感器2482，然后再监测三轴传感器2484。
根据本发明，监测三轴传感器2484之后，第一集合2450可以根据需要监测机器2400上的其它三轴传感器，传感器为与机器2400的振动勘测相关的预定路线列表的一部分。在振动勘测期间，第一集合2450可以继续监测单轴传感器2462、单轴传感器2464、两个温度传感器2502、2504和转速计传感器2510，同时第一集合2450可以按针对振动勘测的预定路线计划连续监测多个三轴传感器2480。
参考图12，许多实施例包含具有旋转组件和/或振荡组件2610的第二机器2600，每个组件由包含轴承组2622、轴承组2624、轴承组2626和更多轴承组(根据需要)的一组轴承2620支撑。第二机器2600可以由第二传感器集合2650监测。第二集合2650可以配置成从最初安装(或之后添加)在第二机器2600上的传感器接收信号。机器2600上的传感器可以包含单轴传感器2660，如单轴传感器2662、单轴传感器2664和更多单轴传感器(根据需要)。在许多实例中，单轴传感器2660可以定位在机器2600中允许感测机器2600的一个旋转或振荡组件2610的位置。
机器2600还可以根据需要具有三轴(例如，正交轴)传感器2680，如三轴传感器2682、三轴传感器2684、三轴传感器2686、三轴传感器2688和更多三轴传感器。在许多实例中，三轴传感器2680可以定位在机器2600中允许感测多组轴承2620中的每个轴承组的位置，轴承组与机器2600的旋转或振荡组件关联。机器2600还可以根据需要具有温度传感器2700，如温度传感器2702、温度传感器2704和更多温度传感器。机器2600还可以根据需要具有分别详细说明其一个旋转组件的RPM的转速计传感器2710或更多转速计传感器。
借助以上实例，第二传感器集合2650可以勘测与第二机器2600关联的以上传感器。为此，第二集合2650可以配置成接收八个通道的数据。在其它实例中，第二传感器集合2650可以根据需要配置成具有八个以上通道或不到八个通道。在这个实例中，八个通道包含可以监测单轴参考传感器信号的一个通道以及可以监测两个三轴传感器信号的六个通道。剩余通道可以监测温度信号。在一个实例中，第二集合2650可以监测单轴传感器2662、三轴传感器2682、三轴传感器2684和温度传感器2702。根据本发明对机器2600进行振动勘测期间，第二集合2650可以首先同时监测三轴传感器2682和三轴传感器2684，然后同时监测轴传感器2686和三轴传感器2688。
根据本发明，监测三轴传感器2680之后，第二集合2650可以根据需要监测机器2600上的其它三轴传感器(以成对方式同时进行)，传感器为与机器2600的振动勘测相关的预定路线列表的一部分。在该振动勘测期间，第二集合2650可以持续监测处于其恒定位置的单轴传感器2662以及温度传感器2702，同时第二集合2650可以按针对振动勘测的预定路线计划连续监测多个三轴传感器。
继续参考图12，许多实施例包含具有旋转或振荡组件2810或者两种组件的第三机器2800，每个组件由包含轴承组2822、轴承组2824、轴承组2826和更多轴承组(根据需要)的一组轴承2820支撑。第三机器2800可以由第三传感器集合2850监测。第三集合2850可以配置有单轴传感器2860和两个三轴(例如，正交轴)传感器2880、2882。在许多实例中，单轴传感器2860可以由用户紧固在机器2800上允许感测机器2800的一个旋转或振荡组件的位置处。三轴传感器2880、2882也可以由用户定位在机器2800上允许感测一组轴承中每个轴承的位置，轴承分别与机器2800的旋转或振荡组件关联。第三集合2850还可以包含温度传感器2900。与第一集合2450和第二集合2650不同的是，第三集合2850及其传感器可以移动到其它机器。
许多实施例还包含具有旋转组件或/和振荡组件2960的第四机器2950，每个组件由包含轴承组2972、轴承组2974、轴承组2976和所需的更多轴承组的一组轴承2970支撑。当用户将第三传感器集合2850移到第四机器2950时，第四机器2950也可以由第三传感器集合2850监测。许多实施例还包含具有旋转或振荡组件3010或两种组件的第五机器3000。第五机器3000在运行中可能不会明确地由任何传感器或任何传感器集合监测，但其可以产生足够幅度的振动或其它脉冲能量，以便记录在振动勘测中与机器2400、2600、2800、2950中任何一个相关的数据中。
许多实施例包含通过本文所公开的预定路线监测第一机器2400上的第一传感器集合2450。许多实施例还包含通过预定路线监测第二机器2600上的第二传感器集合2650。靠近机器2600的机器2400位置可以包含在两次振动勘测的情景元数据中。第三集合2850可以在机器2800、机器2950与其它合适机器之间移动。机器3000未配置机载传感器，但可以在需要时由第三传感器集合2850监测。机器3000及其运行特征可以记录在与其它机器的振动勘测相关的元数据中，以表明由于其接近性产生的贡献。
许多实施例包含用于协调关系元数据和流原始数据格式的混合数据库自适应。根据本发明，应了解，与利用传统数据库结构将铭牌和运行参数(有时被视为元数据)与离散且相对简单的个别数据测量关联的旧系统不同的是，更现代的系统可以较高的采样率和较高的分辨率收集相对更大量的原始流数据。同时，根据本发明，还应了解，用于链接和获取这些原始数据或与这些原始数据关联或两者的元数据网络正以不断增大的速率扩展。
在一个实例中，单个整体振动级可以作为测量点的路线或规定列表的一部分进行收集。接着可以将所收集的数据与位于特定机器上的轴承壳体表面上的点的数据库测量位置信息关联，该点在垂直方向上邻近耦合器。有关适当分析的机械分析参数可以与位于表面上的点相关联。有关适当分析的机械分析参数的实例可以包含通过表面上的测量点的轴的运行速度。有关适当分析的机械分析参数的其它实例可以包含以下各项中的一个或组合：一件设备和/或机器的所有组件轴的运行速度；分析的轴承类型，如滑动轴承或滚子轴承；齿轮上的齿轮齿数(如果有齿轮箱)；电机中的极数；电机的差频和行频；滚子轴承元件尺寸；风扇叶片数等。有关适当分析的机械分析参数的实例可以进一步包含机器运行条件，如机器上的负载和负载是否以百分比、瓦数、气流、头压、马力等表示。机械分析参数的其它实例包含有关邻近机器的信息，这些信息可能会影响振动研究期间所获得的数据。
根据本发明，应了解，大量设备和机械类型可以支持许多不同的类别，每个类别可以明显不同的方式进行分析。例如，可以表明，诸如螺杆压缩机和锤式粉碎机等一些机器的运行噪声较大并且可以预期比其它机器的振动更明显。可以表明，已知振动更明显的机器需要改变振动级别，对于较安静机器而言该振动级别可能被视为可接受。
本发明进一步包含在所收集的振动数据中发现的分层关系，其可以用于支持数据的适当分析。分层数据的一个实例包含：振动勘测中所测量的机器组件(如轴承)的互连、轴承之间的关系(包含轴承连接到特定轴的方式，特定小齿轮安装在特定轴上的特定齿轮箱内)，以及轴、小齿轮与齿轮箱之间的关系。分层数据可以进一步包含所监测的轴承在机械齿轮系内的哪个特定点相对于机器中的其它组件定位。分层数据还可以详细说明机器中的所测量轴承是否与另一台机器，后者的振动可能影响在作为振动研究主题的机器中测量的内容。
对分层数据中彼此相关、来自轴承或其它组件的振动数据的分析可以使用表格查找、有关源自原始数据的频率模式之间的相关性搜索以及来自机器元数据的特定频率。在一些实施例中，以上数据可以存储在关系数据库中并且可以从该数据库检索。在实施例中，可以使用美国国家仪器公司的技术数据管理解决方案(Technical Data ManagementSolution，简称TDMS)文件格式。可以优化TDMS文件格式，用于对各种类型的测量数据(即，波形的二进制数字样本)进行流传输并能够操纵分层元数据。
许多实施例包含混合关系元数据二进制存储方法(hybrid relationalmetadata-binary storage approach，简称HRM-BSA)。HRM-BSA可以包含基于结构化查询语言(structured query language，简称SQL)的关系数据库引擎。基于结构化查询语言的关系数据库引擎还可以包含原始数据引擎，该引擎可以针对均匀且相对无结构的数据的吞吐量和存储密度进行优化。根据本发明，应了解，可以在分层元数据与SQL关系数据库引擎之间的协作方面展示益处。在一个实例中，标记技术和指示物标杆可以用于使原始数据库引擎与SQL关系数据库引擎相关。原始数据库引擎与SQL关系数据库引擎链接之间的相关性的三个实例包含：(1)从SQL数据库到原始数据的指示物；(2)从辅助元数据表或类似原始数据分组到SQL数据库的指示物；和(3)SQL数据库或原始数据技术领域外的独立存储表。
参考图13，本发明可以包含用于群组1和群组2的指示物，其中可以包含：相关文件名；路径信息；表格名；与现有SQL数据库技术一起使用的数据库关键字段，SQL数据库技术可以用于关联特定数据库片段或位置；特定测量原始数据流的资产属性；具有相关时间戳/日期戳的记录；或相关元数据，如运行参数、面板状况等。借助这个实例，设备3200可以包含第一机器3202、第二机器3204和设备3200中的许多其它机器。第一机器3202可以包含齿轮箱3210、电机3212和其它元件。第二机器3204可以包含电机3220和其它元件。包含波形3240、波形3242、波形3244和其它波形(根据需要)在内的许多波形3230可以从设备3200中的机器3202、3204收集。波形3230可以与本地标记链接表3300和链接原始数据表3400关联。机器3202、3204及其元件可以与具有关系数据库3500的链接表关联。链接表原始数据表3400和具有关系数据库3500的链接表可以与具有可选独立存储表3600的链接表关联。
本发明可以包含可以应用于原始波形数据内的时标或样本长度的标记。标记通常分为两类：预设标记或动态标记。预设标记可以与预设或现有运行条件(例如负载、头压、以每分钟立方英尺计的气流、环境温度、RPM等)相关。这些预设标记可以直接馈送到数据收集系统中。在某些情况下，可以在数据通道上与波形数据(例如，用于振动、电流、电压等的波形)并行收集预设标记。或者，可以手动输入预设标记的值。
对于趋势数据等动态标记而言，对类似数据进行比较可能至关重要，例如，将振动振幅和模式与一组可重复的运行参数进行比较。本发明的一个实例包含一个平行通道输入，其做为来自运行轴的关键相量触发脉冲，可以在收集的瞬间提供RPM信息。在动态标记的该实例中，所收集波形数据的部分可以标记适当速度或速度范围。
本发明还可以包含可以与数据相关的动态标记，数据可以从对样本波形执行后处理和分析中获得。在其它实施例中，动态标记还可以与收集后导出的参数(包含RPM)以及从运行中得出的其它度量(例如最大RPM等报警条件)相关。在某些实例中，作为本文描述的关于便携式数据收集系统的振动勘测的候选对象，许多现代设备不包含转速计信息。这可能是因为即使RPM的测量对于振动勘测和分析而言可能是最重要的，但添加转速计并非始终实用或具有成本合理性。应了解，对于定速机械，尤其在机器的大致速度可以事先确定时，获取精确的RPM测量并不那么重要；然而，变速驱动器变得越来越普遍。根据本发明，还应了解，各种信号处理技术可以允许从原始数据中得出RPM而无需专用的转速计信号。
在许多实施例中，RPM信息可以用于在原始波形数据的收集历史中标记其片段。其它实施例包含用于遵循振动研究的规定路线收集仪器数据的技术。动态标记可以使分析和趋势软件能够将标记所指示的收集时间间隔(例如两分钟)的多个片段用作多个历史收集集合，而不仅仅是先前系统中的一个集合，在先前系统中，路线收集系统以往会存储仅一个RPM设置的数据。如先前所描述，这反过来可以扩展为任何其它运行参数，如负载设置、环境温度等。然而，可以放置在指向原始数据流的一类索引文件中的动态标记可以对同质实体中的流的各部分进行分类，从而更容易地与原始数据流的先前收集部分进行比较。
许多实施例包含混合关系元数据二进制存储方法，其可以充分使用用于关系数据流和原始数据流的既有技术。在实施例中，混合关系元数据二进制存储方法可以使数据与各种标记链接匹配。标记链接可以允许快速搜索关系元数据，并且可以使用常规SQL技术和既有技术更高效地分析原始数据。这可以表明可利用常规数据库技术无法提供的许多功能、链接、兼容性和扩展。
标记链接还可以允许使用常规二进制存储和数据压缩技术快速和高效地存储原始数据。这可以表明可利用常规原始数据技术提供的许多功能、链接、兼容性和扩展，如TDMS(美国国家仪器)、UFF(通用文件格式，如UFF 58)等。标记链接可以进一步允许使用标记技术链路，其中来自集合的更丰富的数据集可以在与更常规系统相同的收集时间积聚。来自集合的更丰富数据集可以存储与预定收集准则关联的数据快照，并且所提议系统可以利用标记技术从收集的数据流中导出多个快照。如此可以表明，可实现所收集数据的相对更全面的分析。这样做的益处之一可以包含在运行速度相对于RPM、负载、运行温度、流速等特定频率或阶数下更具趋向性的振动点，这些数据可以在类似于使用常规系统收集数据所花时间的时间内进行收集。
在实施例中，平台100可以包含部署在环境104中的本地数据收集系统102，以便监测来自机器、机器元件和机器所处环境的信号，这些机器包含部署在本地工作现场或处于共同控制之下的分布式工作现场的重型机器。重型机器可以包含推土设备、重型公路工业车辆、重型越野工业车辆、部署在各种环境中的工业机器，如涡轮机、涡轮机械、发电机、泵、皮带轮系统、歧管与阀门系统等。在实施例中，重型工业机械还可以包含推土设备、压土设备、拖运设备、起重设备、运输设备、集料生产设备、用于混凝土施工的设备以及打桩设备。在实例中，推土设备可以包含挖掘机、反铲挖掘机、装载机、推土机、滑移装载机、挖沟机、自动平地机、自动铲运机、履带式装载机以及轮式装载铲车。在实例中，施工车辆可以包含翻斗车、槽车、倾卸车和拖车。在实例中，物料搬运设备可以包含吊车、运输机、叉式升降机和起重机。在实例中，施工设备可以包含隧道装卸设备、压路机、混凝土搅拌机、热拌设备、筑路机(压土机)、碎石机、铺路机、稀浆封层机、喷涂机和重型泵。重型工业设备的其它实例可以包含实施牵引、结构、传动系、控制和信息等的不同系统。重型工业设备可以包含许多不同的传动系及其组合以便提供移动动力并且为附件和机载功能提供动力。在每个这种实例中，平台100可以将本地数据收集系统102部署到环境104中，机器、电机、泵等在环境104中运行并直接连接且集成到每个机器、电机、泵等中。
在实施例中，平台100可以包含部署在环境104中的本地数据收集系统102，以监测来自运行中的机器以及建造中的机器(例如，涡轮机与发电机组，如西门子(SiemensTM)SGT6-5000FTM燃气涡轮机、SST-900TM蒸汽涡轮机、SGen6-1000ATM发电机和SGen6-100ATM发电机等)的信号。在实施例中，可以部署本地数据收集系统102，从而在蒸汽涡轮机在由可以引导通过涡轮机的热水蒸气引起但也可以从不同来源(如煤气炉、核芯、熔盐环等)产生的电流中旋转时监测蒸汽涡轮机。在这些系统中，本地数据收集系统102可以监测涡轮机以及闭环循环中的水或其它流体，水在该循环中凝结，然后对其进行加热直到再次蒸发为止。本地数据收集系统102可以单独监测蒸汽涡轮机和部署为将水加热成蒸汽的燃料源。在实例中，蒸汽涡轮机的工作温度可以介于500℃与650℃之间。在许多实施例中，可以针对高压、中压和低压布置和配置蒸汽涡轮机阵列，使得可以最佳方式将相应蒸汽压力转换成旋转运动。
本地数据收集系统102还可以部署在燃气涡轮机布置中，因此不仅监测运行中的涡轮机，而且监测送入涡轮机、温度可能超过1500℃的热燃烧气体。因为这些气体比蒸汽涡轮机中的气体热得多，因此可以使用可从较小开口吹出的空气冷却叶片，以便在废气与叶片之间形成保护膜或边界层。这种温度剖面可以由本地数据收集系统102监测。与典型蒸汽涡轮机不同的是，燃气涡轮机引擎包含压缩机、燃烧室和涡轮，这些组件均由轴颈支撑，以便与旋转轴一起旋转。这些组件中的每一个的构造和运行可以由本地数据收集系统102监测。
在实施例中，平台100可以包含部署在环境104中的本地数据收集系统102，以监测用作旋转引擎的水力涡轮机的信号，该水力涡轮机可以从流动的水中获取能量并用于发电。选择用于一个项目的该类型水力涡轮机或水力发电设备可以基于现场的静水高度(通常被称为水头)以及流量(或水的体积)。在这个实例中，发电机可以置于连接水力涡轮机的轴的顶部。当涡轮机捕获其叶片中自然流动的水并旋转时，涡轮机会向发电机发送旋转功率以产生电能。如此，平台100可以监测来自发电机、涡轮机、本地供水系统、流量控件(如大坝窗口和水闸)的信号。此外，平台100可以监测电网的局部状况，包含负载、预测需求、频率响应等，并且将这类信息包含在由平台100在这些水电环境中部署的监测和控制中。
在实施例中，平台100可以包含部署在环境104中的本地数据收集系统102，以监测来自热、核、地热、化学、生物质、碳基燃料、混合能源再生设备等能源生产环境的信号。许多这些设备可以使用多种形式、由来自核、燃气、日光和熔盐热源的热供电的能量获取设备，如风力涡轮机、水力涡轮机和蒸汽涡轮机。在实施例中，这类系统中的元件可以包含传输线、换热器、脱硫洗涤器、泵、冷却器、同流换热器、冷水机组等。在实施例中，涡轮机械、涡轮机、涡旋式压缩机等某些实施方式可以配置成阵列控制，以便监测产生用于消耗的电力、提供制冷、产生用于局部制造和加热的蒸汽等的大型设施，并且阵列控制平台可以由工业设备的供应商提供(如霍尼韦尔与其ExperionTM PKS平台)。在实施例中，平台100可以专门与本地制造商特定控件通信并集成这些控件，并且可以允许一个制造商的设备与其它设备通信。此外，平台100允许本地数据收集系统102在许多不同制造商的系统上收集信息。在实施例中，平台100可以包含部署在环境104中的本地数据收集系统102，以监测来自海上工业设备、船用柴油机、造船装置、油气厂、冶炼厂、石油化工厂、压舱水处理解决方案、船用泵和涡轮机等。
在实施例中，平台100可以包含部署在环境104中的本地数据收集系统102，以监测来自重型工业设备和过程的信号，包含监测一个或多个传感器。借助这个实例，传感器可以是可用于检测或响应物理环境中某种类型的输入(如电信号、热信号或光信号)的设备。在实施例中，本地数据收集系统102可以包含但不限于下列多个传感器：例如，温度传感器、压力传感器、扭矩传感器、流量传感器、热传感器、烟雾传感器、电弧传感器、辐射传感器、位置传感器、加速度传感器、应变传感器、压力循环传感器、压力传感器、空气温度传感器等。扭矩传感器可以包含磁扭角传感器。在一个实例中，本地数据收集系统102中的扭转传感器与速度传感器可能类似于在2013年1月8日公布的授予Meachem的美国专利第8,352,149号中论述的传感器，该美国专利在此通过引用的方式并入本文，如同在本文中完整陈述一样。在实施例中，可以提供一个或多个传感器，如触觉传感器、生物传感器、化学传感器、图像传感器、湿度传感器、惯性传感器等。
在实施例中，平台100可以包含部署在环境104中的本地数据收集系统102，以监测来自传感器的信号，这些传感器可以提供用于故障检测的信号，故障检测包含振动过大、材料不当、材料属性不当、适当尺寸的准确度、适当形状的准确度、适当重量、平衡的准确度。其它故障传感器包含用于库存控制和检查以便确认部件已按计划包装、部件具有计划的公差、指示出现包装损坏或挤压的传感器，以及可以指示在运输中发生冲击或损坏的传感器。其它故障传感器可以包含检测润滑不足、润滑过度、清洁传感器检测窗的需求、低润滑引起的维护需求、润滑区中的堵塞或流量降低引起的维护需求等。
在实施例中，平台100可以包含部署在环境104中的本地数据收集系统102，该环境包含飞机运行和制造，包含监测用于特殊应用的传感器的信号，例如用于飞机的姿态和航向参考系统(Attitude and Heading Reference System，简称AHRS)的传感器，如陀螺仪、加速计和磁力计。在实施例中，平台100可以包含部署在环境104中的本地数据收集系统102，以监测互补金属氧化物半导体(complementary metal-oxide-semiconductor，简称CMOS)或N型金属氧化物半导体(N-type metal-oxide-semiconductor，简称NMOS，有源MOS)技术中半导体电荷耦合装置(charge coupled device，简称CCD)、有源像素传感器等图像传感器的信号。在实施例中，平台100可以包含部署在环境104中的本地数据收集系统102，以监测来自红外线(infra-red，简称IR)传感器、紫外线(ultraviolet，简称UV)传感器、触摸传感器、接近传感器等传感器的信号。在实施例中，平台100可以包含部署在环境104中的本地数据收集系统102，以监测来自传感器的信号，这些传感器配置用于光学字符识别(optical character recognition，简称OCR)、读取条形码、检测表面声波、检测转发器、与家庭自动化系统通信、医学诊断、健康监测等。
在实施例中，平台100可以包含部署在环境104中的本地数据收集系统102，以监测来自微机电系统(Micro-Electro-Mechanical System，简称MEMS)传感器等传感器的信号，如ST Microelectronic’sTM LSM303AH智能MEMS传感器，其可包含超低功率高性能系统级封装特征的3D数字线性加速度传感器和3D数字磁力传感器。
在实施例中，平台100可以包含部署在环境104中的本地数据收集系统102，以监测来自涡轮机、风车、工业车辆、机器人等其它大型机器的信号。这些大型机器包含在每台机器上提供多个子系统的多个组件和元件。为此，平台100可以包含部署在环境104中的本地数据收集系统102，以监测轮轴、轴承、皮带、吊斗、齿轮、轴、齿轮箱、凸轮、托架、凸轮轴、离合器、制动器、滚筒、发电机、馈线、飞轮、衬垫、泵、卡爪、机器臂、密封件、插座、套筒、阀门、轮、致动器、电机、伺服电机等单个元件的信号。许多机器和其元件可以包含伺服电机。本地数据收集系统102可以监测伺服机构的电机、旋转编码器和电位计以提供位置、放置和工业过程的进展的三维细节。
在实施例中，平台100可以包含部署在环境104中的本地数据收集系统102，以监测齿轮驱动装置、动力系、分动箱、多速轴、传动装置、直接驱动装置、链条驱动装置、皮带驱动装置、轴驱动装置、磁力驱动装置和类似啮合机械驱动装置的信号。在实施例中，平台100可以包含部署在环境104中的本地数据收集系统102，以监测工业机器故障状况的信号，这些故障状况可能包含过热、噪声、齿轮磨削、齿轮锁定、振动过大、摆动、充气不足、充气过量等。运行故障、维护指示和来自其它机器的交互可能导致运行、安装和维护期间可能发生的维护或运行问题。故障不仅可能在工业机器的机构中发生，而且也可能在支持机器的基础设施(如其布线和本地安装平台)中发生。在实施例中，大型工业机器可能面临不同类型的故障状况，如过热、噪声、齿轮磨削、机器部件的振动过大、风扇振动问题、大型工业机器的旋转部件问题。
在实施例中，平台100可以包含部署在环境104中的本地数据收集系统102，以监测来自工业机械的信号，包括可能由于轴承润滑剂污染或损失而可能发生的过早轴承故障引起的故障。在另一个实例中，可能发生轴承失准等机械缺陷。许多因素均可能导致故障，如金属疲劳，因此，本地数据收集系统102可以监测循环和局部应力。借助该实例，平台100可以监测机器部件的不当运行、部件维护和维修的缺乏、耦合件或齿轮箱等重要机器部件的腐蚀、机器部件的失准等。尽管无法完全阻止故障的发生，但可以缓解许多工业故障以降低运营损失和经济损失。平台100在许多工业环境中提供实时监测和预测性维护，其中已表明这相比定期维护过程更节约成本，该定期维护过程根据固定的时间期限而不是元件或机器上的实际负载和磨损来更换部件。为此，平台10可以提供预防措施的提示或执行一些预防措施，如遵守机器的操作手册和模式说明、适当润滑和机器部件维护，将超出机器限定容量的机器超限降至最低或者消除、根据需要更换磨损但仍可用的部件、为相关人员提供有关机器使用的培训等。
在实施例中，平台100可以包含部署在环境104中的本地数据收集系统102，以监测可能由多个物理、电子和符号格式或信号携带的多个信号。平台100可以使用信号处理，包含信号的多个数学、统计、计算、启发式和语言学表示与处理以及从信号处理操作(如用于表示、建模、分析、合成、感测、采集和从信号中提取信息的技术)中提取有用信息所需的多个操作。在实例中，信号处理可以使用多种技术来执行，包括但不限于转换、频谱估计、统计运算、概率运算和随机运算、数值理论分析、数据挖掘等。各种类型的信号的处理构成许多电气或计算过程的基础。因此，信号处理适用于工业环境中的几乎所有学科和应用，如音频与视频处理、图像处理、无线通信、过程控制、工业自动化、金融系统、特征提取、噪声降低等质量改进、图像增强等。针对图像的信号处理可以包含用于制造检查、质量检查和自动化运行检查与维护的模式识别。平台100可以使用许多模式识别技术，包含可以基于关键特征将输入数据分为多个类别以达到识别数据的模式或规律的目的的技术。平台100还可以实施具有机器学习运行的模式识别过程，并且可以用于计算机视觉、语音和文本处理、雷达处理、手写识别、CAD系统等应用中。平台100可以使用监督分类和非监督分类。可以基于监督学习分类算法来根据从不同对象类别获得的训练数据创建用于图像或模式识别的分类器。非监督学习分类算法可以通过使用分段和聚类等先进分析技术在未标记数据中查找隐藏结构来操作。例如，用于非监督学习的一些分析技术可以包含K均值聚类、高斯混合模型、隐马尔科夫模型等。监督和非监督学习模式识别方法中使用的算法使得能够在各种高精度应用中使用模式识别。平台100可以在人脸检测相关应用中使用模式识别，例如安全系统、追踪、运动相关应用、指纹分析、医学和法医学应用、导航与制导系统、车辆追踪、交通系统等公共基础设施系统、车牌监测等。
在实施例中，平台100可以包含部署在环境104中的本地数据收集系统102，该系统使用机器学习来实现来自计算机的基于推导的学习成果而无需进行编程。因此，平台100可以通过进行数据驱动预测并根据数据集进行调适来从一组数据中学习并作出决策。在实施例中，机器学习可能涉及由机器学习系统执行多个机器学习任务，如监督学习、非监督学习和强化学习。监督学习可以包含向机器学习系统提供一组实例输入和所需输入。非监督学习可以包含学习算法自身通过模式检测和/或特征学习等方法将其输入结构化。强化学习可以包含机器学习系统在动态环境中执行然后提供关于正确和错误决策的反馈。在实例中，机器学习可以包含基于机器学习系统输出的多个其它任务。在实例中，还可以将任务分类为机器学习问题，如分类、回归、聚类、密度估计、降维、异常检测等。在实例中，机器学习可以包含多种数学和统计学技术。在实例中，许多种类型的机器学习算法可以包含基于决策树的学习、关联规则学习、深度学习、人工神经网络、遗传学习算法、归纳逻辑编程、支持向量机(support vector machine，简称SVM)、贝叶斯网络、强化学习、表示学习、基于规则的机器学习、稀疏字典学习、相似性和度量学习、学习分类器系统(learning classifiersystem，简称LCS)、逻辑回归、随机森林、K均值、梯度提升和自适应提升、K最近邻(K-nearest neighbor，简称KNN)、先验算法等。在实施例中，可以使用某些机器学习算法(如为解决约束和无约束优化问题而定义的遗传算法，其可能基于自然选择，即推进生物进化的过程)。借助该实例，遗传算法可以部署用于解决并非非常适合标准优化算法的多种优化问题，包括目标函数不连续、不可微分、随机或高度非线性的问题。在一个实例中，可以将遗传算法用于解决混合整数编程问题，其中一些分量被限制为整数值。遗传算法与机器学习技术和系统可以用于计算智能系统、计算机视觉、自然语言处理(Natural LanguageProcessing，简称NLP)、推荐系统、强化学习、构建图形模型等中。借助该实例，机器学习系统可以用于执行基于智能计算的控制，并且响应多种系统中的任务(如交互式网站和门户、脑机接口、在线安全和欺诈检测系统、诊断和治疗辅助系统等医疗应用、DNA序列分类等)。在实例中，机器学习系统可以用于先进计算应用(如在线广告、自然语言处理、机器人、搜索引擎、软件工程、语音和手写识别、模式匹配、博弈、计算解剖学、生物信息学系统等)中。在实例中，机器学习还可以用于金融与营销系统(如用于用户行为分析、在线广告、经济评估、金融市场分析等)中。
下文提供关于结合图1到图6描绘的方法、系统、装置和组件的其它细节。在实施例中，本文公开了基于远程模拟工业传感器融合、用于基于云的机器模式识别的方法和系统。例如，来自振动、压力、温度、加速度、磁场、电场和其它模拟传感器的数据流可以进行多路复用处理或以其它方式融合、通过网络中继转发并馈送到基于云的机器学习设施，该设施可以使用与工业机器、工业过程或其组件或元件的运行特征相关的一个或多个模型。模型可以由具有工业环境相关经验的人创建，并且可以与训练数据集(如通过对环境中的传感器或其它类似环境中的传感器收集的数据进行人工分析或机器分析创建的模型)关联。然后，学习机器可以对其它数据进行操作，最初使用模型的一组规则或元素，以便提供各种输出，如将数据分类、识别某些模式(如指示存在故障的模式，或指示燃料效率、能力产生等运行条件的模式)。机器学习设施可以接受反馈，如一个或多个输入或成功度量，使得其可以训练或改进其初始模型(如通过基于反馈调整权重、规则、参数等改进)。例如，工业机器的燃料消耗模型可以包含物理模型参数，这些参数以重量、运动、阻力、动量、惯性、加速度和其它指示消耗的因素为特征；以及化学模型参数(如预测通过燃烧、通过电池充电与放电中的化学反应等产生和/或消耗的能量的参数)。模型可以通过馈送到来自设置于机器环境中、机器中等的传感器的数据以及指示实际燃料消耗的数据来细化，以便机器可以提供越来越精确的基于传感器的燃料消耗估计值，并且还可以提供指示增加燃料消耗可以作出的改变(如改变机器的运行参数或改变环境的其它元素，如环境温度、附近机器的运行等)的输出。例如，如果两台机器之间的共振效应对其中一台产生不利影响，则模型可以对此进行考虑并自动提供输出，从而改变其中一台机器的运行(如降低共振、增加一台或两台机器的燃料效率)。通过持续调整参数来使输出符合实际状况，机器学习设施可以自组织以提供环境状况的高度精确模型(如用于预测故障、优化运行参数等)。这可以用于增加燃料效率、降低磨损、增加输出、延长运行寿命、避免故障状况以及许多其它目的。
图14示出了数据收集架构的组件和交互，该架构涉及将认知与机器学习系统应用于数据收集和处理。参见图14，数据收集系统102可以设置在一种环境(例如，制造、组装或操作例如机电系统和机器等一个或多个复杂系统的工业环境)中。数据收集系统102可以包含机载传感器，并且可以通过一个或多个输入接口或端口4008等从一个或多个传感器(如本文公开的任何类型的模拟或数字传感器)以及从一个或多个输入源116(如通过Wi-Fi、蓝牙、NFC或其它本地网络连接或通过因特网可用的源)接收输入。可以组合传感器并进行多路复用处理(如使用一个或多个复用器4002)。数据可以缓存或缓冲在缓存/缓冲器4022中，并且通过一个或多个输出接口和端口4010(在实施例中，其可以与输入接口和端口4008分离或相同)可用于外部系统，如本发明中别处所描述的远程主机处理系统112(其可以包含广泛的处理架构4024，包含结合在本发明和图中描述的其它实施例描述的任何元件)。数据收集系统102可以配置成从主机处理系统112获取输入，如来自分析系统4018的输入，分析系统4018可以对来自数据收集系统102的数据和来自其它输入源116的数据进行操作以提供分析结果，该分析结果反过来可以作为学习反馈输入4012提供到数据收集系统，从而协助数据收集系统102的配置和运行。
可以在基于机器的智能的控制下，使用本地认知输入选择系统4004、可选远端认知输入选择系统4114或两者的组合等来执行输入的组合(包括选择“打开”或“关闭”哪些传感器或输入源)。认知输入选择系统4004、4014可以使用本发明别处所描述的智能与机器学习能力，例如使用检测到的条件(如输入源116或传感器所报告的条件)、状态信息(包含由可确定状态的机器状态识别系统4020确定的状态信息)，例如与运行状态、环境状态、已知过程或工作流程中的状态、涉及故障或诊断状况的状态或许多其它状态相关。这可以包含基于学习反馈系统4012的学习反馈优化输入选择和配置，其可以包含提供训练数据(如来自主机处理系统112或者直接或通过主机处理系统112来自其它数据收集系统102的数据)并且可以包含提供反馈度量，如在主机处理系统112的分析系统4018内计算的成功度量。例如，如果由特定传感器和输入组合组成的数据流在给定的一组条件下产生积极结果(如提供改进的模式识别、改进的预测、改进的诊断、改进的产率、改进的投资回报率、改进的效率等)，则与来自分析系统4018的结果相关的度量可以通过学习反馈系统4012提供到认知输入选择系统4004、4014，以帮助配置未来数据收集，从而选择这些条件下的组合(例如，通过使其它传感器断电，允许取消选择其它输入源)。在实施例中，在一个或多个认知输入选择系统4004的控制下，选择和取消选择传感器组合可能以自动变化的方式发生，例如使用基因编程技术，基于来自分析系统4018等的学习反馈4012，可以将给定状态或一组条件的有效组合升级，并且使不太有效的组合降级，使本地数据收集系统逐步优化并针对每个独特环境进行调适。因此，提供一种自动调适的多传感器数据收集系统，其中(借助反馈)使用认知输入选择来改进数据收集系统在其特定环境中的有效性、效率或其它性能参数。性能参数可能与整体系统度量(如金融收益、过程优化结果、能源生产或使用等)、分析度量(如成功识别模式、进行预测、分类数据等)以及本地系统度量(如带宽利用率、存储器利用率、功率消耗等)相关。在实施例中，主机的分析系统4018、状态系统4020和认知输入选择系统4114可以从多个数据收集系统102接收数据，使得可以通过协调多个系统102的运行来进行优化(包含输入选择的优化)。例如，认知输入选择系统4114可以理解，如果一个数据收集系统102已经收集X轴的振动数据，则另一个数据收集系统的X轴振动传感器可能关闭，这有利于从另一数据收集器102获得Y轴数据。因此，通过主认知输入选择系统4114的协调收集，多个收集器102在众多不同传感器上的活动可以在不浪费能量、带宽、存储空间等的情况下提供用于主机处理系统112的丰富数据集。如上文所述，优化可以基于整体系统成功度量、分析性成功度量和本地系统度量或以上两者的组合。
本文公开了用于多个工业传感器状态信息的基于云端的机器模式分析的方法和系统，以提供工业系统的预期状态信息。在实施例中，机器学习可以利用状态机，如追踪多个模拟和/或数字传感器的状态、将状态馈送至模式分析设施以及基于有关状态信息序列的历史数据确定工业系统的预期状态。例如，在工业机器的温度状态超过某一阈值，然后出现故障状况(如一组轴承发生故障)的情况下，可以由模式识别器追踪该温度状态，模式识别器可以产生指示预期轴承故障状态的输出数据结构(每当识别出高温输入状态时)。有关温度、压力、振动、加速度、动量、惯性、摩擦、热量、热通量、电流状态、磁场状态、电场状态、电容状态、充电和放电状态、运动、位置和许多其它参数的各种测量值和预期状态可以由状态机管理。状态可以包括组合状态，其中数据结构包括一系列状态，每种状态由类字节数据结构中的一个位置表示。例如，工业机器的特征可以是遗传结构，如提供压力、温度、振动和声学数据的结构，该结构的测量占据数据结构中的一个位置，使得组合状态可以在类字节结构上运行，如用于简洁地描绘机器或环境的当前组合状态或简洁地描绘预期状态的结构。这种类字节结构可以由状态机用于机器学习，如在结构上运行以便确定影响多个状况的组合效果的模式的模式识别。可以追踪和使用许多这类结构，如在机器学习中，表示可以在工业环境中感测的不同元素的各种长度的各种组合。在实施例中，类字节结构可以用于基因编程技术中，如通过替换不同类型的数据或来自不同来源的数据并随时间的推移跟踪成果，以便基于这些结构在用于真实世界情境时的成功而产生一个或多个有利的结构，上述成功示例包括指示预期状态的成功预测或实现成功运行成果，如效率增加、成功路由信息、实现利润增长等。也就是说，通过改变类字节结构(用于随时间推移的机器优化)中使用的数据类型和来源，基于基因编程的机器学习设施可以“逐渐形成”一组数据结构，其包括用于给定目的的、来自有利数据来源混合(例如，从传感器X得出温度，从传感器Y得出振动)的有利数据类型混合(例如，压力、温度和振动)。不同的预期成果可以产生不同的数据结构，这些数据结构通过基因编程借助应用机器学习和具有有利结果(对于关注的所需成果而言)的结构升级来最好地支持这些成果随着时间的推移的有效实现。升级的数据结构可以提供本发明通篇描述的各种活动的简洁有效的数据，包含存储在数据池中(其可以通过存储有利数据结构来优化，该结构提供给定环境的最佳运行结果)、呈现于数据市场中(如呈现为用于给定目的的最有效结构)等活动。
在实施例中，提供了一种平台，其具有来自多个模拟工业传感器的状态信息的基于云的机器模式分析，以提供工业系统的预期状态信息。在实施例中，如设置在云端的主机处理系统112可以包含状态系统4020，其可以用于推断或计算当前状态或用于确定与数据收集系统102相关的预期未来状态或安置数据收集系统102的环境的某一方面，如机器状态、组件、工作流程、过程、事件(例如，是否已发生事件)、对象、人员、条件、功能等。维持状态信息允许主机处理系统112在一个或多个分析系统4018中进行分析，以确定情景信息，应用语义和条件逻辑并执行本发明通篇描述的处理架构4024实现的许多其它功能。
在实施例中，提供了一种平台，其具有用于IoT(IoT设备的创建、部署和管理)的基于云端的策略自动化引擎。在实施例中，平台100包括(或集成有，或包含)主机处理系统112(例如位于云平台上)、用于自动化IoT设备的创建、部署和策略管理的策略自动化引擎4032。可能需要包括访问策略、网络使用策略、存储器使用策略、带宽使用策略、设备连接策略、安全策略、基于规则的策略、基于角色的策略以及其它策略在内的策略来管控IoT设备的使用。例如，由于IoT设备可能具有许多与其它设备不同的网络和数据通信，因此可能需要策略以指示给定设备可以连接的设备、可以传递的数据以及可以接收的数据。由于有望在不久的将来部署数十亿具有无数潜在连接的设备，因此人们无法在逐个连接的基础上为IoT设备配置策略。因此，智能策略自动化引擎4032可以包含用于创建、配置和管理策略的认知特征。策略自动化引擎4032可以使用来自策略数据库或文库等的可能策略信息，策略数据库或文库可以包含可用策略的一个或多个公共来源。这些策略可以一种或多种常规策略语言或脚本来撰写。策略自动化引擎4032可以根据一个或多个模型应用策略，例如基于给定装置、机器或环境的特征。例如，大型机器(如用于发电的机器)可以包含仅经证实的本地控制器可以改变发电的某些参数的策略，从而避免黑客远程“接管”。这又可以通过自动查找和应用安全策略来实现，这些安全策略通过要求接入认证等来阻止机器的控制基础架构与因特网的连接。策略自动化引擎4032可以包含认知特征，如改变策略的应用、策略的配置等(如基于来自状态系统4020的状态信息的特征)。策略自动化引擎4032可以基于来自分析系统4018的一个或多个分析结果、基于整体系统结果(如安全漏洞的程度、策略违反等)、本地结果和分析结果等从学习反馈系统4012接收反馈。通过基于此类反馈的变化和选择，策略自动化引擎4032可以随着时间的推移学习自动创建、部署、配置和管理大量设备上的策略，如管理用于在IoT设备之间配置连接的策略。
本文公开了用于工业IoT设备的设备内置传感器融合和数据存储的方法和系统，包含用于工业IoT设备的设备内置传感器融合和数据存储，其中来自多个传感器的数据在用于存储融合数据流的设备中进行多路复用处理。举例来说，例如，在类字节结构(其中时间、压力和温度为数据结构中的字节，使得压力和温度在时间上保持关联，而不需要通过外部系统单独处理流)中，或通过相加、相除、相乘、相减等，压力和温度数据可以被多路复用成以时间序列组合压力和温度的数据流，使得融合数据可以存储在设备上。本发明通篇描述的任何传感器数据类型可以这种方式融合并且存储在本地数据池、存储器中或IoT设备上，如数据收集器、机器组件等。
在实施例中，提供了一种平台，其具有用于工业IoT设备的设备内置传感器融合和数据存储。在实施例中，将认知系统用于数据收集系统102的自组织存储系统4028。传感器数据，尤其是模拟传感器数据，可以消耗大量存储容量，尤其在数据收集器102具有多个机载传感器输入或来自本地环境的传感器输入时。简单、无限期地存储所有的数据通常并非一个好的选择，甚至传输所有数据可能会超过带宽限制、超过带宽许可(如超过蜂窝数据计划容量)等。因此，需要存储策略。这些策略通常包括仅捕获数据的部分(如快照)、在有限的时间段内存储数据、存储数据的部分(如中间形式或抽象形式)等。在这些选项和其它选项中有许多可能的选择，确定恰当的存储策略可能极其复杂。在实施例中，自组织存储系统4028可以基于学习反馈4012使用认知系统，并且使用来自分析系统4018或主认知输入选择系统4114的另一系统的各种度量，如整体系统度量、分析度量和本地性能指示。自组织存储系统4028可以自动改变存储参数，如存储位置(包含数据收集系统102上的本地存储、附近数据收集系统102上的存储(如使用点对点组织)和远程存储，如基于网络的存储)、存储量、存储持续时间、存储的数据类型(包含单个传感器或输入源116，以及各种组合或多路复用数据，如在认知输入选择系统4004、4014下选择的数据)、存储类型(如相对可用的硬盘驱动器空间使用RAM、闪存或其它短期存储器)、存储组织(如以原始形式、分层等)以及其它参数。参数的改变可以依据反馈进行，以便随着时间的推移，数据收集系统102调适其数据存储以根据其环境(如特定工业环境)状况对自身进行优化，从而使得其存储所需正确数量且用户可用的正确类型的数据。
在实施例中，本地认知输入选择系统4004可以组织将各种机载传感器、外部传感器(如在本地环境中)和其它到本地数据收集系统102的输入源116的数据融合成一个或多个融合数据流，从而使用复用器4002等创建各种信号，此类信号表示由数据收集系统102处理的源模拟和/或数字数据的组合、排列、混合、分层、抽取、数据-元数据组合等。特定传感器融合的选择可以在本地由认知输入选择系统4004基于来自学习反馈系统4012的学习反馈(如各种整体系统、分析系统和本地系统结果与度量)等确定。在实施例中，系统可以学习融合传感器的特定组合和排列，以便最好地实现适当的状态预期等，如分析系统4018关于其预测未来状态(如由状态系统4020处理的各种状态)的能力的反馈所指示。例如，输入选择系统4004可以指示在较大的一组可用传感器中选择传感器子组，并且可以组合来自所选传感器的输入，例如，通过将各输入放入所定义的多位数据结构的字节中(如通过以给定采样率或时间获取信号并将结果放入字节结构中，然后随着时间的推移收集和处理字节来进行组合)、通过在复用器4002中进行多路复用(如通过连续信号的加法混合来进行组合)等。可以使用用于组合和融合的各种信号处理和数据处理技术中的任何技术，包含卷积技术、自动转换技术、变换技术等。所讨论的特定融合可以通过认知学习适用于给定情境，如通过基于来自结果的反馈4012(如由分析系统4018传送的反馈)使认知输入选择系统4004学习，使得本地数据收集系统102执行情景自适应传感器融合。
在实施例中，分析系统4018可以适用于各种分析技术中的任何技术，包含统计和经济计量技术(如线性回归分析、使用相似性度量、基于热图的技术等)、推理技术(如贝叶斯推理、基于规则的推理、归纳推理等)、迭代技术(如反馈、递归、前馈和其它技术)、信号处理技术(如傅里叶和其它转换)、模式识别技术(如卡尔曼和其它滤波技术)、搜索技术、概率技术(如随机漫步、随机森林算法等)、模拟技术(如随机漫步、随机森林算法、线性优化等)以及其它技术。这可以包括计算各种统计值或量度。在实施例中，分析系统4018可以至少部分设置在数据收集系统102上，使得本地分析系统可以计算一个或多个量度，如与本发明通篇提及的任何项相关的量度。例如，可以在机上计算效率、电力利用率、存储器利用率、冗余、熵和其它因数的量度，使得数据收集102可以在不依赖远程(例如，基于云端的)分析系统的情况下实现本发明通篇提及的各种认知和学习功能。
在实施例中，主机处理系统112、数据收集系统102或两者可以包含、连接到自组织网络系统4020或与其集成，其可以包括一个认知系统，用于提供基于机器的智能或组织网络利用以供输送数据收集系统中的数据(例如，在一个或多个本地数据收集系统102和主机处理系统112等之间处理模拟数据和其它传感器数据或其它源数据)。这可以包含针对传送到数据收集系统的源数据、反馈数据(如提供到学习反馈系统4012或通过该系统提供的分析数据)、用于支持市场的数据(如结合其它实施例所描述的数据)以及通过输出接口和端口4010从一个或多个数据收集系统102提供的输出数据组织网络利用。
本文公开了用于工业IoT数据自组织数据市场的方法和系统，包括在市场中组织可用数据元件以供消耗者基于使用训练集训练自组织设施和来自市场成功度量的反馈进行消耗。最初可建立市场，以提供从一个或多个工业环境收集的可用数据，如根据类型、来源、环境、机器、一个或多个模式等(如菜单或层级)来呈现数据。市场可以根据机器学习等改变收集的数据、数据的组织、数据的呈现(包含将数据推送到外部站点、提供链接、配置可以访问数据的API等)、数据定价等，这可以改变前述任一不同参数。机器学习设施可以通过自组织管理所有这些参数，例如，通过随着时间的推移改变参数(包括改变所呈现的数据类型的元素)、用于获得每个数据类型的来源数据、所呈现的数据结构(如类字节结构、融合或多路复用结构(如表示多个传感器类型)以及统计结构(如表示传感器信息的各种数学结果等)、数据定价、数据呈现位置、数据呈现方式(如通过API、链接、推送消息等)、数据存储方式、数据获取方式等。随着参数的变化，可以获得关于成功度量的反馈，如查看数量、每次访问的收益(例如，支付价格)、总收益、单位利润、总利润以及许多其它量度，并且自组织机器学习设施可以提升改进成功度量的配置并降级没有改进的配置，如此，随着时间的推移，市场逐渐被配置成以有效定价(例如，往往提供来自市场的较高总利润的定价)呈现来自有利来源(例如可靠、精确且价格低的来源)的有利数据类型组合(例如，提供对给定类型的特定工业环境预期状态的稳定预测的组合)。市场可能包括寻找输入数据源的蜘蛛、网络爬虫等，如查找公布潜在相关数据的数据池、连接的IoT设备等。这些可以由人类用户训练并以类似于本发明中别处描述的方式通过机器学习改进。
在实施例中，提供了一种平台，其具有用于工业IoT数据的自组织数据市场。参见图15，在实施例中，提供了一种平台，其具有认知数据市场4102(在一些情况下被称为自组织数据市场)，用于由一个或多个数据收集系统102收集的数据或来自位于各种数据收集环境(如工业环境)中其它传感器或输入源116的数据。除数据收集系统102收集的数据之外，这些数据可以包含由IoT设备(如相机、监测器、嵌入式传感器、移动设备、诊断设备和系统、仪器系统、远程信息处理系统等)收集、处理或交换的数据，用于监测此类环境中的机器、设备、组件、部件、操作、功能、条件、状态、事件、工作流程和其它元素(统称为术语“状态”)的各种参数和特征等。数据还可以包含关于前述任何内容的元数据，例如，描述数据、指示起源、指示关于标识、访问、角色和许可的元素、提供数据的综述或抽取或以其它方式补充一个或多个数据项以实现进一步处理，如用于提取、变换、加载和处理数据。这些数据(除非上下文另有指示，否则这个术语包含元数据)对于第三方可能极有价值，可以作为单个元素(如关于环境状态的数据可以用作一个过程中的条件的实例)，或者作为集合体(如在不同环境中许多系统和装置上的收集数据可以选择性地用于开发行为模型、训练学习系统等的实例)。随着数十亿IoT设备的部署(使用无数连接)，可用数据量将激增。为实现数据的访问和利用，认知数据市场4102实现各种组件、特征、服务和过程以使用户能够以数据包(如批量数据、数据流(包含事件流)、来自各种数据池4120的数据等)的形式进行供应、查找、消耗和交易。在实施例中，认知数据市场4102可以包含在主机处理系统112(如基于云计算的系统)的主处理架构4024的一个或多个其它组件中、连接到这些组件或与这些组件集成，并且可以连接到各种传感器、输入源115、数据收集系统102等。认知数据市场4102可以包含市场接口4108，其可以包含数据供应者可以提供可用数据的一个或多个供应者接口以及可以查找并收集数据的一个或多个消费者接口。消费者接口可以包含到数据市场搜索系统4118的接口，其可以包含使用户能够指出用户希望获取的数据类型(如通过在以数据或元数据为特征的自然语言搜索接口中输入关键词)的特征。搜索接口可以使用各种搜索和过滤技术，包含关键词匹配、协作过滤(如使用消费者的已知偏好或特征来匹配其它类似消费者和其它消费者过去的结果)、排序技术(如根据结合本发明中的其它实施例描述的各种度量基于过去结果的成功进行排序)。在实施例中，供应接口可以允许数据所有者或供应者以一个或多个包的形式通过认知数据市场4102供应数据(如将批量数据、数据流等打包)。供应者可以通过提供来自单个输入源116、单个传感器等的数据或通过提供组合、排列等(如多路复用模拟数据，来自多个来源的数据的混合字节，提取、加载和变换结果，卷积结果等)以及通过提供与前述任一者相关的元数据等预先打包数据。打包可以包含基于每批次、流传输(如对事件馈送或其它馈送或流的预定)、基于每项、收入分成或其它基础的定价。针对涉及定价的数据，数据交易系统4114可以追踪订单、交付和利用，包含订单的完成。交易系统4114可以包含丰富的交易特征，包含数字版权管理，例如，通过管理管控所购买数据的访问控制和管控使用(如允许有限的一组用户或角色在有限时间、有限域内使用数据或将其用于有限的目的)的密匙来进行。交易系统4114可以通过处理信用卡、电汇转账、借记和其它形式的考虑项等来管理支付。
在实施例中，市场4102的认知数据打包系统4010可以使用基于机器的智能来打包数据，例如，通过将数据包自动配置成批、流、池等。在实施例中，打包可以根据一个或多个规则、模型或参数，例如，通过打包或聚集很可能补充或补足现有模型的数据。例如，可以基于指示数据类型的元数据或通过识别数据流中指示数据性质的特征或特性将来自一组类似机器(如本发明通篇提及的一个或多个工业机器)的运行数据聚合在一起。在实施例中，打包可以使用机器学习和认知能力来进行，例如，通过学习输入源116、传感器的组合、排列、混合、分层等；来自数据池4120的信息和来自数据收集系统102的信息很可能满足用户需求或产生成功度量。学习可以基于学习反馈4012，如基于分析系统4018确定的度量(如系统性能度量、数据收集度量、分析度量等)进行学习。在实施例中，成功度量可能与市场成功度量相关，如包的查看、包的占用、包的购买或许可、对包进行的支付等。这些度量可以在分析系统4018中进行计算，包含将特定反馈度量与搜索项和其它输入关联，使得认知打包系统4110可以查找和配置设计用于向消费者提供更高价值并为数据供应者提供更高回报的包。在实施例中，认知数据打包系统4110可以使用学习反馈4012自动改变打包，例如，使用不同组合、排列、混合等并改变应用于给定输入源、传感器、数据池等的权重，以推广有利的包且不再强调不那么有利的包。这可以使用基因编程和比较不同包的结果的类似技术来进行。反馈可以包含来自状态系统4020的状态信息(如关于各种运行状态等的信息)，以及关于市场条件和状态的信息(如定价和其它数据源的可用性信息)。因此，提供自适应认知数据打包系统4110，其自动适应条件从而为市场4102提供有利的数据包。
在实施例中，可以提供认知数据定价系统4112来设置数据包的定价。在实施例中，数据定价系统4112可以使用一组规则、模型等，诸如基于供应条件、需求条件、各种可用来源的定价等来设置定价。例如，包的定价可以配置为基于构成要素(例如输入源、传感器数据等)的价格总和来设置，或者基于对构成要素的价格总和的基于规则的折扣来设置等。可以应用规则和条件逻辑，例如，考虑成本因素(例如带宽和网络使用、峰值需求因素、稀缺因素等)的规则，考虑使用参数(例如包的目的、域、用户、角色、持续时间等)的规则以及许多其它规则。在实施例中，认知数据定价系统4112可以包括完全认知的智能特征，例如，使用包括自动改变定价和跟踪结果反馈的基因编程。跟踪反馈可基于的结果包括各种金融收益度量、利用率度量等，这些度量可以通过在分析系统4018中计算来自数据交易系统4114的数据的度量来提供。
本文公开了用于自组织数据池的方法和系统，该方法和系统可以包括基于利用率和/或收益度量的数据池的自组织，包括针对多个数据池跟踪的利用率和/或收益度量。数据池最初可以包括非结构化或松散结构的数据池(包含来自工业环境的数据)，例如来自或有关工业机器或组件的传感器数据。例如，数据池可以从环境中的各种机器或组件(例如涡轮、压缩机、电池、反应器、发动机、电机、车辆、泵、转子、车轴、轴承、阀和许多其它组件)中获取数据流，其中数据流包含模拟和/或数字传感器数据(各种类型)、发布的关于运行条件的数据、诊断和故障数据、机器或组件的识别数据、资产跟踪数据以及许多其它类型的数据。每个数据流在池中都可以具有标识符，例如指示其来源以及(可选地)类型的标识符。数据池可以由外部系统访问，例如，通过一个或多个接口或API(例如RESTful API)，或者由数据集成元件(例如网关、代理、网桥、连接器等)访问，并且数据池可以使用类似的功能来访问可用的数据流。数据池可由自组织机器学习设施管理，该设施可以配置数据池，例如，通过管理用于该池的来源、管理可用的流以及管理进出数据池的API或其它连接。自组织可以接收反馈，例如基于可以包括利用率和收益度量的成功度量。可包含在内的利用率和收益度量可以考虑获取和/或存储数据的成本以及池的益处，该成本和益处通过利润或包括用户有用指示等的其它度量来测量。例如，自组织数据池可以识别定期访问和提取的能量生产环境的化学和辐射数据，而振动和温度数据没有被使用，在这种情况下，数据池可以自动重组，例如，通过停止存储振动和/或温度数据，或者通过获得此类数据的更好来源。这种自动重组也可以应用于数据结构，例如，通过渐进迭代和反馈促进不同的数据类型、不同的数据源、不同的数据结构等。
在实施例中，提供了一种具有基于利用率和/或收益度量的数据池自组织的平台。在实施例中，数据池4120可以是自组织数据池4120，例如通过认知能力来组织，如本发明全文所述。数据池4120可以响应于学习反馈4012，例如基于度量和结果的反馈(包括在分析系统4018中计算出的度量和结果)进行自组织。组织可以包括确定要存储在池中的数据或数据包(例如表示特定的组合、排列、聚合等)、这种数据的结构(例如平面、层次、链接或其它结构)、存储持续时间、存储介质(例如硬盘、闪存、SSD、基于网络的存储器等)的性质、存储位的排列和其它参数。例如基于主机处理系统112的状态、一个或多个数据收集系统102、存储环境参数(例如容量、成本和性能因素)、数据收集环境参数、市场参数和许多其它参数，可以改变存储的内容和性质，使得数据池4120可以学习和适应。在实施例中，数据池4120可以学习和适应，例如，通过改变上述参数和其它参数以响应收益度量(例如投资回报、电力利用优化、收入优化等)。
本文公开了用于基于行业特定反馈训练AI模型的方法和系统，包括基于行业特定反馈训练AI模型，该行业特定反馈反映利用率、收益或影响的度量，并且其中AI模型对来自工业环境的传感器数据进行操作。如上所述，这些模型可以包括用于工业环境、机器、工作流程的模型、用于预测状态的模型、用于预测故障和优化维护的模型、用于自组织存储(在设备上、数据池中和/或云端中)的模型、用于优化数据传输的模型(例如用于优化网络编码、网络条件敏感路由等)、用于优化数据市场的模型以及许多其它模型。
在实施例中，提供了一种具有基于行业特定反馈训练AI模型的平台。在实施例中，本文公开的认知系统的各种实施例可以从行业特定和领域特定输入来源116(例如与特定机器、设备、组件、过程等的优化相关)获取输入和反馈。因此，存储组织、网络使用、传感器和输入数据的组合、数据汇集、数据打包、数据定价和其它特征的学习和适应(例如，用于市场4102或用于主机处理系统112的其它目的)可以通过学习给定环境或应用(例如涉及IoT设备的应用(例如工业环境))的领域特定反馈度量来配置。这可以包括效率优化(例如在电气、机电、磁、物理、热力学、化学以及其它过程和系统中)、输出优化(例如用于生成能量、材料、产品、服务和其它输出)、故障预测、规避和缓解(例如在上述系统和过程中)、性能度量优化(例如投资回报、收益、利润、毛利、收入等)、成本降低(包括人工成本、带宽成本、数据成本、材料输入成本、许可成本等)、效益优化(例如与安全、满意度、健康相关的效益)、工作流程优化(例如优化过程的时间和资源分配)等。
本文公开了用于工业数据收集器的自组织群的方法和系统，包括工业数据收集器的自组织群，其基于群成员的能力和状况在工业数据收集器之间进行组织以优化数据收集。群中的每个成员都可以配置成具有智能以及与其它成员协调的能力。例如，群成员可以跟踪关于其它成员正在处理的数据的信息，使得可以在整个群中智能地分配数据收集活动、数据存储、数据处理和数据发布，同时考虑到环境条件、群成员的能力、操作参数、规则(例如来自管理群操作的规则引擎)和成员的当前状况。例如，在四个收集器中，具有相对较低的电流功率水平(例如低电池)的一个收集器可能被临时分配发布数据的角色，因为当其需要发布数据时，其可能从读取器或询问设备(例如RFID读取器)接收一定量的功率。具有良好功率水平和强大处理能力的第二收集器可能被分配更复杂的功能，例如，处理数据、融合数据、组织群的其余部分(包括机器学习下的自组织，以便随着时间的推移对群进行优化，包括通过基于反馈调整操作参数、规则等)等。群中具有强大存储能力的第三个收集器可能被分配收集和存储一类数据的任务，比如振动传感器数据，这需要消耗相当大的带宽。群中的第四个收集器(例如具有较低存储能力的收集器)可能被分配收集通常可丢弃的数据的角色，例如关于当前诊断条件的数据，其中只需要维护和传递有关故障的数据。群成员可以通过点对点关系来连接，方法是将成员作为“主导”或“中枢”，或者让它们进行串联或环形连接，其中每个成员将数据(包括命令)传递给下一个成员，并且了解适合前一个和/或下一个成员的能力和命令的性质。群可用于在群中分配存储(例如，使用每个存储器的内存作为聚合数据存储)。在这些实例中，聚合数据存储可以支持分布式分类账，该分类账可以存储交易数据，例如涉及由群收集的数据的交易、在工业环境中发生的交易等数据。在实施例中，交易数据还可以包括用于管理群、环境或机器或其组件的数据。群可以通过设置在群的一个或多个成员上的机器学习能力或者基于来自外部机器学习设施的指令来进行自组织，该外部机器学习设施可以基于管理与每个成员相关的参数来优化存储、数据收集、数据处理、数据呈现、数据传输和其它功能。机器学习设施可以从初始配置开始，并改变与上述任何一项相关的群参数(也包括改变群的成员资格)，例如，基于向机器学习设施提供关于成功度量(例如利用率度量、效率度量、预测或预期状态的成功度量、生产率度量、收益度量、利润度量等)的反馈进行迭代。随着时间的推移，可将群优化为有利配置，以实现工业环境或其机器、组件或过程的所有者、操作者或主机的期望成功度量。
可以基于分层组织(例如，其中主数据收集器102组织和指导一个或多个从属数据收集器102的活动)和协作组织(例如，其中群4202的组织决策分布在数据收集器102中(例如，使用各种决策模型，如投票系统、点数系统、最低成本路由系统、优先级系统等))来组织群4202。在实施例中，例如在数据收集器设置在移动机器人、无人机、移动潜水器等之上或之中的情况下，一个或多个数据收集器102可以具有移动能力，使得组织可以包括数据收集器102的位置和定位。数据收集系统102可以彼此通信并且可以与主机处理系统112通信，包括共享集合分配的存储空间，其涉及一个或多个收集器上的存储或者可由一个或多个收集器访问的存储(在实施例中，即使进行物理分布，例如使用虚拟化能力，该集合分配的存储空间也可以视为统一存储空间)。组织可以基于一个或多个规则、模型、条件、过程等(例如由条件逻辑体现或执行)来进行自动化，并且可以通过策略来管理组织，例如通过策略引擎处理。规则可以基于行业、应用和领域特定的对象、类、事件、工作流程、过程和系统，例如通过设置群4202在指定的地点和时间收集选定类型的数据，例如与前述内容协调。例如，群4202可以分配数据收集器102，以通过串行方式从执行工业过程(例如机器人制造过程)的一系列机器中的每台机器收集诊断、传感器、仪器和/或远程信息处理数据，例如这些机器中的每台机器的输入和输出的时间和位置。在实施例中，自组织可以是认知的，例如当群体随时间的推移改变一个或多个收集参数并适应参数的选择、应用于参数的权重等时。在实例中，这可以是对学习和反馈的响应，例如来自学习反馈系统4012的学习和反馈，学习反馈系统4012可以基于通过将分析系统4018(其在实施例中可以驻留在群4202、主机处理系统112或其组合上)应用于由群4202处理的数据或本文公开的各实施例的其它元素(包括市场元素等)来确定的各种反馈度量。因此，群4202可以显示自适应行为，例如适应当前状态4020或其环境的预期状态(考虑市场行为)、各种对象(例如IoT设备、机器、组件和系统)的行为、过程(包括事件、状态、工作流程等)以及给定时间的其它因素。在变化过程(如神经网络、自组织图等)、选择、推广等过程中参数可能会变化(如通过基因编程或其它基于人工智能的技术实现的参数)。可通过认知机器学习来管理、改变、选择和调整的参数可包括存储参数(群4202上的位置、类型、持续时间、数量、结构等)、网络参数(例如群4202的组织方式，例如网格、点对点、环形、串行、分层和其它网络配置以及带宽利用、数据路由、网络协议选择、网络编码类型和其它网络参数)、安全参数(例如各种安全应用和服务的设置)、位置和定位参数(例如，将移动数据收集器102的移动路由到位置、相对于数据采集点、相对于彼此以及相对于网络可用性可能有利的位置定位和定向收集器102等)、输入选择参数(例如，用于每个收集器102和集合收集的传感器、输入源116等之间的输入选择)、数据组合参数(例如，用于传感器融合、输入组合、多路复用、混合、分层、卷积和其它组合的参数)、功率参数(例如，基于一个或多个收集器102或其它对象、设备等的功率水平和功率可用性的参数)、状态(包括群4202、单个收集系统102、主机处理系统112或环境中一个或多个对象的预期状态和条件)、事件等。反馈可以基于本文描述的任何类型的反馈，使得群可以随着时间的推移适应其当前和预期的情况，以实现各种预期目标。
本文公开了用于工业物联网分布式分类账的方法和系统，包括支持跟踪在自动化数据市场中针对工业物联网数据执行的交易的分布式分类账。分布式分类账可以使用安全协议，例如用于加密货币的协议(例如用于支持BitcoinTM货币的BlockchainTM协议)跨设备分配存储。分类账或类似的交易记录可以包括一种结构，在该结构中，链的每个连续成员存储用于先前交易的数据，并且可以建立竞争来确定替代数据存储数据结构中的“最佳”结构(例如最完整的结构)，该分类账或类似的交易记录可以跨数据收集器、工业机器或组件、数据池、数据市场、云计算元件、服务器存储，和/或在企业的IT基础设施(例如工业环境或本文公开的系统的所有者、操作者或主机)上存储。分类账或交易可以通过机器学习来优化，以便提供存储效率、安全性、冗余性等。
在实施例中，认知数据市场4102可以使用用于跟踪和处理交易的安全体系结构，例如分布式分类账4004。在实施例中，在链式分布式数据结构(例如BlockchainTM)中跟踪数据包中的交易，从而允许进行取证分析和验证，其中各个设备存储表示数据包中交易的分类账的一部分。分布式分类账4004可以分配至IoT设备、数据池4120、数据收集系统102等，以便可以在不依赖于单个中央信息存储库的情况下验证交易信息。交易系统4114可以配置为将数据存储在分布式分类账4004中，并从中(以及从组成设备)检索数据，以便解决交易。因此，提供了用于处理数据交易的分布式分类账4004，例如用于物联网数据包的交易。在实施例中，自组织存储系统4028可用于优化分布式分类账数据的存储，以及用于组织可在市场4102中呈现的数据(如物联网数据)包的存储。
本文公开了用于网络敏感收集器的方法和系统，包括网络条件敏感、自组织、多传感器数据收集器，其可以基于带宽、服务质量、定价和/或其它网络条件进行优化。网络敏感度可以包括对数据传输价格(例如，允许系统在非高峰时段或付费数据计划的可用参数范围内接收或推送数据)、网络质量(例如避免可能出错的时段)、环境条件质量(例如延迟传输直到信号质量良好，例如，当收集器从屏蔽环境中出现时，避免在被工业环境中典型的大型金属结构等屏蔽时寻找信号期间浪费电力)等相关了解。
本文公开了用于远程组织通用数据收集器的方法和系统，该数据收集器可以基于工业数据收集环境中识别的需求和/或条件为传感器接口加电和断电。例如，接口可以识别可用的传感器，并且可以打开接口和/或处理器来接收来自这些传感器的输入，包括允许传感器插入数据收集器的硬件接口、无线数据接口(例如，收集器可以连通传感器，可选地通过询问信号提供一些功率)和软件接口(例如用于处理特定类型的数据)。因此，能够处理各种数据的收集器可以配置成适应给定环境中的特定用途。在实施例中，配置可以是自动的或者在机器学习下，这可以通过基于随时间变化的反馈度量优化参数来改进配置。
本文公开了用于多传感器数据收集器的自组织存储的方法和系统，包括用于工业传感器数据的多传感器数据收集器的自组织存储。自组织存储可以基于机器学习的应用来分配存储，这可以基于随时间变化的反馈测量来改进存储配置。可以通过配置所使用的数据类型(例如，类字节结构、表示来自多个传感器的融合数据的结构、表示通过对数据应用数学函数计算得出的统计或度量的结构等)、通过配置压缩、通过配置数据存储持续时间、通过配置写入策略(例如，通过使用其中一个设备为链中的其它设备存储指令的协议等，分割多个存储设备上的数据)、以及通过配置存储层次结构(例如，通过提供预先计算的中间统计数据以便更快速地访问被频繁访问的数据项)来优化存储。因此，随着时间的推移，可以基于反馈进行配置和优化高度智能的存储系统。
本文公开了用于多传感器数据网络的自组织网络编码的方法和系统，包括用于在工业数据收集环境中传输来自多个传感器的数据的数据网络的自组织网络编码。网络编码，包括随机线性网络编码，能够在各种网络上高效可靠地传输大量数据。可以基于机器学习选择不同的网络编码配置，以基于网络条件、环境条件和其它因素(例如正在传输的数据的性质、环境条件、运行条件等)来优化网络编码和其它网络传输特性(包括通过基于成功度量的反馈随时间的推移训练网络编码选择模型，例如本文所述的任何度量)。
在实施例中，提供了一种具有用于多传感器数据网络的自组织网络编码的平台。认知系统可以改变用于联网的一个或多个参数，例如，网络类型选择(例如，在可用的本地、蜂窝、卫星、Wi-Fi、BluetoothTM、NFC、
Figure BDA0002874613920001371
和其它网络中选择)、网络选择(例如，选择特定网络，例如已知具有预期安全特征的网络)、网络编码选择(例如，选择用于高效传输的网络编码类型，例如随机线性网络编码，固定编码等)、网络定时选择(例如，基于网络定价条件、流量等配置传送)、网络特征选择(例如选择认知特征、安全特征等)、网络条件选择(例如基于当前环境或运行条件的网络质量)、网络特征选择(例如启用可用认证、许可和类似系统)、网络协议选择(例如在HTTP、IP、TCP/IP、蜂窝、卫星、串行、分组、流传输和许多其它协议中选择)等。考虑到带宽限制、价格变化、对环境因素的敏感性、安全考虑等，选择最佳网络配置可能非常复杂，并且取决于具体情况。自组织网络系统4030在例如使用来自分析系统4018的关于各种结果测量的信息从学习反馈系统4012获取输入的同时，可以改变这些参数的组合和排列。在许多实例中，结果可能包括整体系统度量、分析成功度量和本地绩效指标。在实施例中，来自学习反馈系统4012的输入可以包括来自各种传感器和输入源116的信息、来自状态系统4020的有关状态的信息(例如事件、环境条件、运行条件等，或其它信息)或其它输入。通过在不同状态下改变和选择网络参数的替代配置，自组织网络系统可以找到完全适应由主机处理系统112监测或控制的环境(例如一个或多个数据收集系统102所处的环境)并且完全适应新出现的网络条件的的配置。因此，提供了一种自组织、网络条件自适应数据收集系统。
参考图42，数据收集系统102可以具有一个或多个输出接口和/或端口4010。这些接口和/或端口可以包括网络端口和连接、应用程序编程接口等。本文公开了一种用于触觉或多感知用户界面的方法和系统，包括用于工业传感器数据收集器且具有振动、热、电和/或声音输出的可穿戴触觉或多感知用户界面。例如，基于被配置成支持界面的数据结构，可以将界面设置成向用户提供输入或反馈，例如基于来自环境中的传感器的数据。例如，如果检测到基于振动数据的故障状况(例如，由于轴承磨损、轴未对齐或机器之间的共振状况造成的故障状况)，则可以通过界面的振动，例如摇动腕戴式设备，将其呈现在触觉界面中。类似地，指示过热的热数据可以通过加热或冷却可穿戴触觉设备来呈现，例如，当工人在机器上工作并且不一定能查看用户界面时。类似地，可以通过嗡嗡声等来呈现电或磁数据，例如以指示存在开路电连接或电线等。也就是说，多感知界面可以直观地帮助用户(例如具有可穿戴设备的用户)获得对环境中正在发生的事情的快速指示，且可穿戴界面具有不需要用户关注图形UI的各种交互模式，这在用户需要关注环境的许多工业环境中可能很难或者不可能实现。
在实施例中，提供了一种平台，该平台具有用于工业传感器数据收集器的可穿戴触觉用户界面，该界面具有振动、热、电和/或声音输出。在实施例中，提供了触觉用户界面4302作为数据收集系统102的输出，例如用于处理振动、热、电和/或声音输出的信息并将其提供给数据收集系统102的一个或多个组件或其它系统(例如可穿戴设备、手机等)的系统。数据收集系统102可以采用适合用于向用户传递触觉输入(例如布置在头饰、臂章、腕带或手表、腰带、衣物、制服等中的输入)的形式因素(例如振动、加热或冷却、嗡嗡声等)提供。在这种情况下，数据收集系统102可以与用户(例如负责操作或监控工业环境的个人)穿戴的装备、制服、设备等集成。在实施例中，来自各种传感器或输入源的信号(或由认知输入选择系统4004、4014中的一个或多个管理的选择性组合、排列、混合等)可以触发触觉反馈。例如，如果附近的工业机器过热，则触觉界面可以通过升温或者通过向另一设备(例如手机)发送信号使其升温来警告用户。如果系统正在经历异常振动，触觉界面可能会振动。因此，通过各种形式的触觉输入，数据收集系统102可以通知用户需要注意一个或多个设备、机器或其它因素(例如工业环境中的因素)，而不要求用户读取消息或转移其对手头任务的视觉注意力。可以在认知输入选择系统4004、4014中考虑触觉界面以及应该提供的输出选择。例如，可以在分析系统4018中监控和分析用户行为(例如对输入的响应)，并且可以通过学习反馈系统4012提供反馈，以便可以基于传感器和输入的正确收集或打包，在正确的时间以正确的方式提供信号，以优化触觉系统4202的有效性。这可能包括基于规则或基于模型的反馈(例如，提供以某种逻辑方式对应正在传送的源数据的输出)。在实施例中，可以提供一种认知触觉系统，其中用于触觉反馈的输入或触发的选择、输出的选择、定时、强度水平、持续时间和其它参数(或应用于它们的权重)可以在变化、升级和选择的过程中变化(例如使用基因编程)，其中基于真实世界的反馈响应实际情况中的反馈或者基于用户行为的模拟和测试结果的反馈。因此，提供了一种用于数据收集系统102的自适应触觉界面，例如对于总体系统结果、数据收集结果、分析结果等而言，该界面可以学习和调整反馈以满足相关要求并优化对用户行为的影响。
本文公开了用于AR/VR工业眼镜表示层的方法和系统，其中基于所收集数据中的模式和/或参数来呈现热图元素。本文公开了用于基于工业环境中的反馈度量和/或训练对AR/VR界面进行条件敏感、自组织调节的方法和系统。在实施例中，本发明全文描述的任何数据、度量等可以由视觉元素、覆盖等呈现，以在AR/VR界面中呈现，例如，在工业眼镜中、智能手机或平板电脑上的AR/VR界面上、数据收集器上的AR/VR界面上(其可以体现在智能手机或平板电脑中)、机器或组件上的显示器上和/或工业环境中的显示器上。
在实施例中，提供了一种具有显示AR/VR收集数据的热图的平台。在实施例中，提供了具有热图4204的平台，热图4204显示从数据收集系统102收集的数据，用于向AR/VR界面4208提供输入。在实施例中，提供了热图界面4304作为数据收集系统102的输出，例如，用于处理各种传感器数据和其它数据(例如地图数据、模拟传感器数据和其它数据)的可视化信息并将其提供给数据收集系统102的一个或多个组件或其它系统，例如移动设备、平板电脑、仪表板、计算机、AR/VR设备等。数据收集系统102可以采用适合用于向用户传递视觉输入的形式因素提供，例如呈现地图，该地图包括模拟和数字传感器数据的水平指标(例如指示旋转、振动、加热或冷却、压力和许多其它条件的水平的数据)。在这种情况下，数据收集系统102可以与负责操作或监控工业环境的个人使用的设备等集成。在实施例中，来自各种传感器或输入源的信号(或由认知输入选择系统4004、4014中的一个或多个管理的选择性组合、排列、混合等)可以向热图提供输入数据。坐标可以包括真实世界的位置坐标(例如地理位置或环境地图上的位置)以及其它坐标，例如，基于时间的坐标、基于频率的坐标或允许在基于地图的可视化中表示模拟传感器信号、数字信号、输入源信息和各种组合的其它坐标，使得颜色可以表示沿着相关维度的不同输入水平。例如，如果附近的工业机器过热，则热图界面可以通过用亮红色显示机器来提醒用户。如果系统正在经历异常振动，则热图界面可能会显示机器视觉元素的不同颜色，或者可能会使表示机器的图标或显示元素在界面中振动，从而引起对该元素的关注。点击、触摸或以其它方式与地图交互可以允许用户深入了解底层传感器或用作热图显示器输入的输入数据。因此，通过各种形式的显示，数据收集系统102可以通知用户需要注意一个或多个设备、机器或其它因素，例如工业环境中的因素，而不要求用户读取基于文本的消息或输入。可以在认知输入选择系统4004、4014中考虑热图界面以及应该提供的输出选择。例如，可以在分析系统4018中监控和分析用户行为(例如对输入或显示的响应)，并且可以通过学习反馈系统4012提供反馈，以便可以基于传感器和输入的正确收集或打包，在正确的时间以正确的方式提供信号，以优化热图UI 4304的有效性。这可以包括基于规则或基于模型的反馈(例如，提供以某种逻辑方式对应正在传送的源数据的输出的反馈)。在实施例中，可以提供一种认知热图系统，其中对热图显示的输入或触发的选择、输出的选择、颜色、视觉表示元素、定时、强度水平、持续时间和其它参数(或应用于它们的权重)可以在变化、升级和选择的过程中变化(例如使用基因编程进行的选择)，其中基于真实世界的反馈响应实际情况中的反馈或者基于用户行为的模拟和测试结果的反馈。因此，提供了一种用于数据收集系统102或由其收集的数据或由主机处理系统112处理的数据的自适应热图界面，例如对于总体系统结果、数据收集结果、分析结果等而言，该界面可以学习和调整反馈以满足相关要求并优化对用户行为和反应的影响。
在实施例中，提供了一种平台，该平台具有数据收集器所收集数据的AR/VR可视化的自动优化调节。在实施例中，提供了一种具有自动优化调节AR/VR可视化系统4308的平台，该可视化系统4308用于由数据收集系统102收集的可视化数据，例如，数据收集系统102具有AR/VR界面4208，或者向AR/VR界面4308(例如位于虚拟现实中的手机，或AR耳机、AR眼镜等)提供输入的情况。在实施例中，提供了AR/VR系统4308作为数据收集系统102的输出界面，例如用于处理各种传感器数据和其它数据(例如地图数据、模拟传感器数据和其它数据)的可视化信息，并将其提供给数据收集系统102的一个或多个组件或其它系统，例如移动设备、平板电脑、仪表板、计算机、AR/VR设备等。数据收集系统102可以采用适合用于向用户传递AR或VR视觉、听觉或其它感觉输入的形式因素提供，例如通过呈现一个或多个显示，例如3D现实可视化、对象、地图、相机覆盖或其它覆盖元素、地图等，这些显示包括或对应模拟和数字传感器数据的水平指标(例如向输入源116等指示旋转、振动、加热或冷却、压力或许多其它条件的水平的数据)。在这种情况下，数据收集系统102可以与负责操作或监控工业环境的个人使用的设备等集成。
在实施例中，来自各种传感器或输入源的信号(或由认知输入选择系统4004、4014中的一个或多个管理的选择性组合、排列、混合等)可以提供输入数据来填充、配置、修改或以其它方式确定AR/VR元素。视觉元素可以包括各种图标、地图元素、菜单元素、滑块、触发器、颜色、形状、尺寸等，用于表示模拟传感器信号、数字信号、输入源信息和各种组合。在许多实例中，视觉覆盖元素的颜色、形状和尺寸可以表示沿着传感器或传感器组合的相关维度的不同输入水平。在其它实例中，如果附近的工业机器过热，AR元件可以通过在一副AR眼镜显示器的一部分中以闪烁的红色显示表示该类型机器的图标来警告用户。如果系统正在经历异常的振动，则显示机器组件可视化的虚拟现实界面(例如机器的照相机视图与3D可视化元素的叠加)可以高亮颜色以及运动等方式显示振动组件，以确保该组件在用于帮助用户监控或维护机器的虚拟现实环境中突出显示。点击、触摸、将眼睛移向AR/VR界面中的视觉元素或以其它方式与AR/VR界面中的视觉元素交互可以允许用户深入了解底层传感器或用作显示器输入的输入数据。因此，通过各种形式的显示，数据收集系统102可以通知用户需要关注一个或多个设备、机器或其它因素(例如在工业环境中的因素)，而不要求用户读取基于文本的消息或输入或转移对适用环境的注意力(无论是具有AR特征的真实环境还是用于模拟、训练等的虚拟环境)。
AR/VR输出界面4208以及应提供的输出或显示的选择和配置可以在认知输入选择系统4004、4014中处理。例如，可以在分析系统4018中监控和分析用户行为(例如对输入或显示的响应)，并且可以通过学习反馈系统4012提供反馈，以便可以基于传感器和输入的正确集合或打包，在正确的时间以正确的方式提供AR/VR显示信号，以优化AR/VR UI 4308的有效性。这可能包括基于规则或基于模型的反馈(例如，提供以某种逻辑方式对应正在传送的源数据的输出)。在实施例中，可以提供认知调节的AR/VR界面控制系统4308，其中AR/VR显示元素的输入或触发的选择、输出(例如颜色、视觉表示元素、定时、强度水平、持续时间和其它参数(或它们所应用的权重))的选择以及VR/AR环境的其它参数可以在变化、升级和选择(例如使用基因编程)的过程中根据基于实际情况中的真实世界响应或者基于用户行为的模拟和测试结果的反馈而变化。因此，提供了用于数据收集系统102或由其收集的数据或由主机处理系统112处理的数据的自适应调节的AR/VR界面，例如对于总体系统结果、数据收集结果、分析结果等而言，该界面可以学习和调整反馈以满足相关要求并优化对用户行为和反应的影响。
如上所述，本文公开了用于持续超声波监测的方法和系统，包括提供对能量生产设施旋转元件和轴承的持续超声波监测。实施例包括使用工业环境的持续超声波监测作为云部署模式识别器的来源。实施例包括使用持续超声波监测向状态机提供更新的状态信息，该状态信息用作云部署模式识别器的输入。实施例包括基于策略引擎中声明的策略向用户提供持续超声波监测信息。实施例包括将持续超声波监测数据与其它数据一起存储在工业传感器设备上的融合数据结构中。实施例包括使来自工业环境的持续超声波监测数据流可用作数据市场中的服务。实施例包括将持续超声波监测数据流馈送到自组织数据池中。实施例包括训练机器学习模型以监控持续超声波监测数据流，其中该模型基于从此类数据流的人工分析中创建的训练集，并且基于在工业环境中收集的性能数据来改进。
实施例包括数据收集器群，包括至少一个用于进行工业环境持续超声波监测的数据收集器和至少一个其它类型的数据收集器。实施例包括使用分布式分类账来存储来自跨多个设备的持续超声波监测的时间序列数据。实施例包括在自组织数据收集器、网络敏感数据收集器、远程组织数据收集器、具有自组织存储的数据收集器等中收集持续超声波数据流。实施例包括使用自组织网络编码传输从工业环境收集的超声波数据流。实施例包括经由一个界面传送连续收集的超声波数据流的参数指标，其中该界面是可穿戴触觉设备的感知界面、可穿戴触觉设备的热图视觉界面、随着界面层的自组织调节操作的界面等之一。
如上所述，本文公开了用于基于远程模拟工业传感器融合的基于云端的机器模式识别的方法和系统。实施例包括从布置在工业环境中的多个模拟传感器获取输入，将传感器多路复用成多路复用数据流，将数据流馈送到云端部署的机器学习设施中，以及训练机器学习设施的模型以识别与工业环境相关联的定义模式。实施例包括对来自表征工业环境状态的状态机的输入状态使用基于云端的模式识别器。实施例包括通过策略引擎部署策略，该策略引擎管理在基于云端的机器学习中哪些用户可以使用哪些数据以及出于什么目的使用数据。实施例包括使用基于云端的平台来识别包含从工业传感器发布的数据的多个数据池中的数据模式。实施例包括训练模型以识别优选的传感器组来诊断工业环境的状况，其中训练集由人类用户创建，并且基于所收集的有关工业环境状况的数据反馈来改进模型。
实施例包括由通过群自动传播的策略控制的数据收集器群。实施例包括使用分布式分类账在多个设备上存储传感器融合信息。实施例包括将来自一组数据收集器的输入馈送到基于云的模式识别器，该模式识别器将来自多个传感器的数据用于工业环境。数据收集器可以是自组织数据收集器、网络敏感数据收集器、远程组织数据收集器、具有自组织存储的一组数据收集器等。实施例包括一种工业环境中的数据收集系统，该系统具有自组织网络编码，用于来自环境中多个传感器融合数据的数据传输。实施例包括在一个界面中传送通过融合来自工业数据收集系统中多个传感器的输入而形成的信息，该界面包括多感知界面、热图界面、随着界面层的自组织调节操作的界面等。
如上所述，本文公开了用于对来自多个模拟工业传感器的状态信息进行基于云端的机器模式分析以提供工业系统预期状态信息的方法和系统。实施例包括使用策略引擎来确定可以用于基于云端的机器分析的状态信息。实施例包括将来自具有多个传感器流的融合、设备上存储的多个设备的输入馈送到基于云端的模式识别器中，以确定工业环境的预期状态。实施例包括使来自基于云端的机器模式识别器的输出(例如预期状态信息)可用作数据市场中的数据服务，该基于云端的机器模式识别器分析来自远程模拟工业传感器的融合数据。实施例包括使用基于云的模式识别器，基于从包含来自环境中的机器的信息流的数据池收集的数据来确定工业环境的预期状态。实施例包括训练模型以识别优选的状态信息来诊断工业环境的状况，其中训练集由人类用户创建，并且基于所收集的有关工业环境状况的数据反馈来改进模型。实施例包括向维护工业环境当前状态信息的状态机进行馈送的数据收集器群。实施例包括使用分布式分类账来存储融合传感器状态的历史状态信息，自组织数据收集器向维护工业环境当前状态信息的状态机进行馈送。实施例包括向维护工业环境当前状态信息的状态机进行馈送的数据收集器，其中数据收集器可以是网络敏感数据收集器、远程组织数据收集器、具有自组织存储的数据收集器等。实施例包括工业环境中的数据收集系统，该系统具有用于数据传输的自组织网络编码，并维护环境的预期状态信息。实施例包括在一个界面中传送由工业数据收集系统中的机器学习确定的预期状态信息，其中该界面可以是多感知界面、热图界面、随着界面层的自组织调节操作的界面等中的一个或多个。
如上所述，本文公开了用于物联网的基于云端的策略自动化引擎的方法和系统，其中IoT设备的创建、部署和管理(包括用于物联网的基于云端的策略自动化引擎)使得能够创建、部署和管理适用于IoT设备的策略。策略可涉及存储来自多个工业传感器的融合数据的设备上存储系统的数据使用，或者在物联网传感器数据的自组织市场中可以向谁提供什么数据。策略可以控制如何针对特定工业环境组织自组织群或数据收集器，网络敏感数据收集器如何针对特定工业环境使用网络带宽，远程组织数据收集器如何收集和提供与特定工业环境相关的数据，或者数据收集器如何针对特定工业环境进行自组织存储。策略可以部署在一组自组织数据池上，这些数据池包含从工业传感设备流传输的数据，以对来自这些数据池或存储在设备(对分布式分类账设备的存储能力进行管理)上的数据使用进行管理。实施例包括训练模型以确定应该在工业数据收集系统中部署的策略。实施例包括一种工业环境中的数据收集系统，该系统具有用于在系统内部署策略的策略引擎，并且可选地具有用于数据传输的自组织网络编码。在某些实施例中，策略适用于如何在多感知界面、热图视觉界面或者在随着界面层的自组织调节操作的界面中呈现数据。
如上所述，本文公开了用于工业IoT设备(例如工业数据收集器)的设备内置传感器融合和数据存储的方法和系统，包括自组织、远程组织或网络敏感工业数据收集器，其中在设备上对来自多个传感器的数据进行多路复用处理以存储融合数据流。实施例包括呈现从IoT设备的设备内置存储中提取的融合传感器数据的自组织市场。实施例包括将融合传感器信息从多个工业传感器以及从设备内置数据存储设施流传输到数据池。实施例包括训练模型以确定应该存储在数据收集环境中的设备上的数据。实施例包括自组织工业数据收集器群，它们彼此组织以优化数据收集，其中至少一些数据收集器具有来自多个传感器的融合数据的设备上存储。实施例包括将分布式分类账信息与融合传感器信息一起存储在工业IoT设备上。实施例包括一种用于数据收集的系统，该系统具有工业传感器数据等的设备内置传感器融合以及(可选地)用于数据传输的自组织网络编码，其中数据结构被存储以支持替代的多感知呈现模式、视觉热图呈现模式和/或随着界面层的自组织调节操作的界面。
如上所述，本文公开了用于工业物联网数据的自组织数据市场的方法和系统，其中基于使用训练集训练自组织设施和来自市场成功度量的反馈，在市场中组织可用数据元素供消费者消费。实施例包括基于数据池的利用率度量在自组织数据市场中组织一组数据池。实施例包括训练模型以确定数据市场中数据的定价。向数据市场馈送来自工业数据收集器的自组织群、具有自组织存储的一组工业数据收集器、或者自组织、网络敏感或远程组织工业数据收集器的数据流。实施例包括使用分布式分类账为工业物联网数据的自组织市场存储交易数据。实施例包括使用自组织网络编码将工业环境中收集的传感器数据传输到市场。实施例包括提供数据结构库，该数据结构库适合在数据市场、热图可视化和/或随着界面层的自组织调节操作的界面中以替代的多感知界面模式呈现数据。
如上所述，本文公开了用于自组织数据池的方法和系统，例如，基于可针对多个数据池跟踪的利用率和/或收益度量进行自组织的数据池。在实施例中，数据池包含来自自组织数据收集器的数据。实施例包括训练模型以在数据市场中呈现最有价值的数据，其中训练基于行业特定的成功度量。实施例包括使用来自数据收集器自组织群的数据填充一组自组织数据池。实施例包括使用分布式分类账来存储部署在数据池中的数据的交易信息，其中分布式分类账分布在据池中。实施例包括使用来自一组网络敏感或远程组织数据收集器或一组具有自组织存储的数据收集器的数据填充一组自组织数据池。实施例包括一种工业环境中的数据收集系统，该系统具有用于数据存储的自组织池和用于数据传输的自组织网络编码，例如包括源数据结构的系统，该源数据结构用于支持在多感知界面、热图界面和/或随着界面层的自组织调节操作的界面中呈现数据。
如上所述，本文公开了用于基于行业特定反馈(例如反映利用率、收益或影响的测量的反馈)训练AI模型的方法和系统，其中AI模型对来自工业环境的传感器数据进行操作。实施例包括基于工业环境中的行业特定反馈或网络和工业条件来训练数据收集器群或数据收集器，例如远程组织、自组织或网络敏感数据收集器，以配置存储等。实施例包括训练AI模型以识别和使用工业环境中用于存储分布式分类账信息的可用存储位置。实施例包括基于行业特定反馈度量为远程组织数据收集器训练远程管理器。实施例包括一种工业环境中的数据收集系统，该系统具有对用于组织数据传输所用网络编码模型的基于云端的训练，或者管理多感知界面、热图界面和/或随着界面层的自组织调节而操作的界面中数据呈现的设施。
如上所述，本文公开了用于工业数据收集器的自组织群的方法和系统，这些工业数据收集器基于群成员的能力和状态在工业数据收集器之间进行组织以优化数据收集。实施例包括在数据群中部署分布式分类账数据结构。数据收集器可以是为远程组织配置的或者具有自组织存储网络敏感数据收集器。用于在具有群的工业环境中的数据收集系统可以包括用于数据传输的自组织网络编码。系统包括传递信息的群，该群传递信息以供在多感知界面、热图界面和/或随着界面层的自组织调节操作的界面中使用。
如上所述，本文公开了用于工业物联网分布式分类账的方法和系统，包括支持跟踪在自动化数据市场中针对工业物联网数据执行的交易的分布式分类账。实施例包括自组织数据收集器，其被配置成将所收集的信息分发到分布式分类账。实施例包括网络敏感数据收集器，其被配置成基于网络条件将所收集的信息分发到分布式分类账。实施例包括远程组织数据收集器，其被配置成基于对分发的智能远程管理将所收集的信息分发到分布式分类账。实施例包括具有自组织本地存储的数据收集器，该数据收集器被配置成将所收集的信息分发到分布式分类账。实施例包括工业环境中的数据收集系统，该系统采用分布式分类账进行数据存储并采用自组织网络编码进行数据传输。在实施例中，数据存储具有支持用于数据呈现的触觉界面、用于数据呈现的热图界面和/或随着界面层的自组织调节而操作的界面的数据结构。
如上所述，本文公开了用于自组织收集器的方法和系统，包括自组织、多传感器数据收集器，其可以基于其环境中的条件来优化数据收集、功率和/或收益，并且可选择性地响应远程组织。实施例包括至少部分基于网络条件来组织的自组织数据收集器。实施例包括具有用于在工业数据收集环境中所收集数据的自组织存储的自组织数据收集器。实施例包括工业环境中的数据收集系统，该系统具有用于数据传输的自组织数据收集和自组织网络编码。实施例包括一种工业环境中的数据收集系统，该系统具有自组织数据收集器，该数据收集器馈送支持用于数据呈现的触觉或多感知可穿戴界面、用于数据呈现的热图界面和/或随着界面层的自组织调节操作的界面的数据结构。
如上所述，本文公开了用于网络敏感收集器的方法和系统，包括网络条件敏感、自组织多传感器数据收集器，其可以基于带宽、服务质量、价格和/或其它网络条件进行优化。实施例包括远程组织、网络条件敏感通用数据收集器，该收集器可以基于工业数据收集环境中识别的需求和/或条件(包括网络条件)为传感器接口加电和断电。实施例包括网络条件敏感数据收集器，其具有用于在工业数据收集环境中收集的数据的自组织存储。实施例包括网络条件敏感数据收集器，其具有用于工业数据收集环境中的数据传输的自组织网络编码。实施例包括一种工业环境中的数据收集系统，该系统具有网络敏感数据收集器，该数据收集器传递支持用于数据呈现的触觉可穿戴界面、用于数据呈现的热图界面和/或随着界面层的自组织调节操作的界面的数据结构。
如上所述，本文公开了用于远程组织通用数据收集器的方法和系统，该收集器可以基于工业数据收集环境中识别的需求和/或条件来为传感器接口加电和断电。实施例包括远程组织通用数据收集器，其具有用于在工业数据收集环境中收集的数据的自组织存储。实施例包括工业环境中的数据收集系统，该系统具有数据收集远程控制和用于数据传输的自组织网络编码。实施例包括远程组织数据收集器，用于存储传感器数据并传递在触觉或多感知可穿戴界面、热图视觉界面和/或随着界面层的自组织调节操作的界面中使用数据的指令。
如上所述，本文公开了用于多传感器数据收集器的自组织存储的方法和系统，包括用于工业传感器数据的多传感器数据收集器的自组织存储。实施例包括工业环境中的数据收集系统，该系统具有用于数据传输的自组织数据存储和自组织网络编码。实施例包括具有自组织存储的数据收集器，用于存储传感器数据和用于转换数据以供在触觉可穿戴界面、热图呈现界面和/或随着界面层的自组织调节操作的界面中使用的指令。
如上所述，本文公开了用于多传感器数据网络的自组织网络编码的方法和系统，包括用于在工业数据收集环境中传输多个传感器数据的数据网络的自组织网络编码。该系统包括支持用于数据呈现的触觉可穿戴界面、用于数据呈现的热图界面和/或用于数据呈现的界面层的自组织调节的数据结构。
如上所述，本文公开了用于触觉或多感知用户界面的方法和系统，包括用于工业传感器数据收集器且具有振动、热、电和/或声音输出的可穿戴触觉或多感知用户界面。实施例包括用于从数据收集器传送工业状态信息且具有振动、热、电和/或声音输出的可穿戴触觉用户界面。可穿戴触觉设备还具有用于呈现指示数据参数的热图的视觉表示层。实施例包括基于反馈度量和/或工业环境中的训练对AR/VR界面和多感知界面进行条件敏感自组织调节。
如上所述，本文公开了用于AR/VR工业眼镜表示层的方法和系统，其中基于所收集数据中的模式和/或参数来呈现热图元素。实施例包括基于反馈度量和/或工业环境中的训练对热图AR/VR界面进行条件敏感自组织调节。如上所述，本文公开了用于基于反馈度量和/或工业环境中的训练对AR/VR界面进行条件敏感自组织调节的方法和系统。
以下说明性权项描述了本发明的某些实施例。以下发明中提到的数据收集系统可以是本地数据收集系统102、主机处理系统112(例如，使用云平台)、或者本地系统和主机系统的组合。在实施例中，提供了一种数据收集系统或数据收集和处理系统，其使用模拟交叉点开关来收集具有可变组模拟传感器输入的数据，并且在一些实施例中，在复用器上具有IP前端信号调节以提高信噪比，具有复用器连续监控报警功能，使用具有专用总线的分布式CPLD芯片对多个MUX和数据采集部分进行逻辑控制，具有使用固态继电器和设计拓扑的高电流输入能力，具有至少一个模拟传感器通道和组件板的断电能力，具有用于触发和振动输入的独特静电保护，和/或用于A/D零基准的精确电压基准。
在实施例中，提供了一种数据收集和处理系统，该系统使用模拟交叉点开关来收集具有可变组模拟传感器输入的数据，并具有用于获取低速RPM和相位信息的锁相环带通跟踪滤波器，使用板载定时器对相对于输入和触发通道的相位进行数字推导；具有用于自动缩放的峰值检测器，该峰值检测器被路由到单独的模数转换器中用于检测峰值；原始或者缓冲到其它模拟通道中的触发通道的路由；针对delta-sigma A/D使用较高的输入过采样，以获得更低的采样率输出，从而最小化AA滤波器要求；和/或使用CPLD作为delta-sigma模数转换器的时钟分频器，以实现更低的采样率，而无需数字重采样。
在实施例中，提供了一种数据收集和处理系统，该系统使用模拟交叉点开关来收集具有可变组模拟传感器输入的数据，并且具有以高采样率获取的长数据块，而不是以不同采样率获取的多组数据，存储具有板载卡组维护历史的校准数据，具有使用分层模板快速创建路由能力，对数据收集带进行智能管理，和/或具有利用数据收集带智能管理的神经网络专家系统。
在实施例中，提供了一种数据收集和处理系统，该系统使用模拟交叉点开关来收集具有可变组模拟传感器输入的数据，并在传感器数据分析中使用数据库层次结构，使用专家系统GUI图形方法来定义专家系统的智能数据收集带和诊断，使用图形方法来反算定义，提出了轴承分析方法，使用瞬时信号分析进行扭转振动检测/分析，和/或使用模拟和数字方法改进集成。
在实施例中，提供了一种数据收集和处理系统，该系统使用模拟交叉点开关来收集具有可变组模拟传感器输入的数据，并具有用于在本地环境中持续监控模拟数据的自适应调度技术、数据采集驻留特征、自给式数据采集盒、SD卡存储器、用于持续监控的扩展板载统计能力、使用环境噪声、局部噪声和振动噪声进行预测、基于输入数据或警报的智能路由更改以使得用于分析或关联的动态数据同步、智能ODS和传输功能、分层复用器、传感器过载识别和/或RF识别和倾斜仪。
在实施例中，提供了一种数据收集和处理系统，该系统使用模拟交叉点开关来收集具有可变组模拟传感器输入的数据，并且具有持续超声波监测、基于远程模拟工业传感器融合的基于云的机器模式识别，对来自多个模拟工业传感器的状态信息进行基于云的机器模式分析以提供工业系统的预期状态信息，用于物联网的基于云的策略自动化引擎，以及IoT设备的创建、部署和管理，用于工业IoT设备的设备内置传感器融合和数据存储，工业物联网数据的自组织数据市场，基于利用率和/或收益度量的数据池自组织、基于行业特定反馈训练AI模型、工业数据收集器的自组织群、物联网分布式分类账、自组织收集器、网络敏感收集器、远程组织收集器、多传感器数据收集器的自组织存储、多传感器数据网络的自组织网络编码、用于工业传感器数据收集器且具有振动、热、电和/或声音输出的可佩戴触觉用户界面、显示AR/VR收集数据的热图，和/或数据收集器所收集数据的自动调节AR/VR可视化。
在实施例中，提供了一种数据收集和处理系统，该系统在复用器上具有IP前端信号调节以提高信噪比。在实施例中，提供了一种数据收集和处理系统，该系统在复用器上具有IP前端信号调节以提高信噪比，并且至少具有下列其中一项：具有复用器连续监控报警功能；复用器上具有IP前端信号调节以提高信噪比；使用具有专用总线的分布式CPLD芯片对多个MUX和数据采集部分进行逻辑控制。在实施例中，提供了一种数据收集和处理系统，该系统在复用器上具有IP前端信号调节以提高信噪比，并且具有下列至少一项：使用固态继电器和设计拓扑的高电流输入能力；至少一个模拟传感器通道和组件板的断电能力；用于触发和振动输入的独特静电保护；A/D零基准的精确电压基准；和用于获取低速RPM和相位信息的锁相环带通跟踪滤波器。在实施例中，提供了一种数据收集和处理系统，该系统在复用器上具有IP前端信号调节以提高信噪比，并且至少具有下列其中一项：使用板载定时器对相对于输入和触发通道的相位进行数字推导；用于自动缩放的峰值检测器，该峰值检测器被路由到单独的模数转换器中用于峰值检测；原始或缓冲到其它模拟通道中的触发通道的路由；针对delta-sigma A/D使用较高的输入过采样，以降低采样率输出，从而最大限度地降低AA滤波器要求；以及使用CPLD作为delta-sigma模数转换器的时钟分频器来实现更低的采样率，而不需要数字重采样。在实施例中，提供了一种数据收集和处理系统，该系统在复用器上具有IP前端信号调节以提高信噪比，并且至少具有下列其中一项：以高采样率获取的长数据块，而不是以不同采样率获取的多组数据；存储具有板载卡组维护历史的校准数据；使用分层模板的快速路由创建能力；数据收集带的智能管理：和利用数据收集带智能管理的神经网络专家系统。在实施例中，提供了一种数据收集和处理系统，该系统在复用器上具有IP前端信号调节以提高信噪比，并且至少具有下列其中一项：在传感器数据分析中使用数据库层次结构；用于定义专家系统智能数据收集带和诊断的专家系统GUI图形方法；和用于反算定义的图形方法。
在实施例中，提供了一种数据收集和处理系统，该系统在复用器上具有IP前端信号调节以提高信噪比，并且至少具有下列其中一项：所提出的轴承分析方法；利用瞬时信号进行的扭转振动检测/分析；使用模拟和数字方法改进的集成；用于在本地环境中持续监控模拟数据的自适应调度技术；数据采集驻留特征；自给式数据采集盒；和SD卡存储器。在实施例中，提供了一种数据收集和处理系统，该系统在复用器上具有IP前端信号调节以提高信噪比，并且至少具有下列其中一项：用于连续监控的扩展板载统计能力；使用环境噪声、局部噪声和振动噪声进行预测；基于传入数据或警报的智能路由更改，以使得用于分析或关联的动态数据同步；智能OSD和传输功能；和分层复用器。在实施例中，提供了一种数据收集和处理系统，该系统在复用器上具有IP前端信号调节以提高信噪比，并且至少具有下列其中一项：传感器过载识别；RF识别和倾斜仪；持续超声波监测；基于远程模拟工业传感器融合的机器模式识别；以及对来自多个模拟工业传感器的状态信息进行基于云的机器模式分析，以提供工业系统的预期状态信息。在实施例中，提供了一种数据收集和处理系统，该系统在复用器上具有IP前端信号调节以提高信噪比，并且至少具有下列其中一项：用于物联网的基于云端的策略自动化引擎，以及IoT设备的创建、部署和管理；用于工业IoT设备的设备内置传感器融合和数据存储：工业物联网数据的自组织数据市场；以及基于利用率和/或收益度量的数据池自组织。在实施例中，提供了一种数据收集和处理系统，该系统在复用器上具有IP前端信号调节以提高信噪比，并且至少具有下列其中一项：基于行业特定反馈训练AI模型；工业数据收集器的自组织群；IoT分布式分类账；自组织收集器；和网络敏感收集器。在实施例中，提供了一种数据收集和处理系统，该系统在复用器上具有IP前端信号调节以提高信噪比，并且至少具有下列其中一项：远程组织收集器；用于多传感器数据收集器的自组织存储；多传感器数据网络的自组织网络编码；用于工业传感器数据收集器且具有振动、热、电和/或声音输出的可穿戴触觉用户界面；显示AR/VR收集数据的热图；以及数据收集器所收集数据的自动调节AR/VR可视化。。
在实施例中，提供了一种具有复用器连续监控报警功能的数据收集和处理系统。在实施例中，提供了一种数据收集和处理系统，该系统具有复用器连续监控报警功能，并且至少具有下列其中一项：使用具有专用总线的分布式CPLD芯片对多个MUX和数据采集部分进行逻辑控制；使用固态继电器和设计拓扑的高电流输入能力；至少一个模拟传感器通道和/或组件板的断电能力；用于触发和振动输入的独特静电保护；和用于A/D零基准的精确电压基准。在实施例中，提供了一种数据收集和处理系统，该系统具有复用器连续监控报警功能，并且至少具有下列其中一项：用于获取低速RPM和相位信息的锁相环带通跟踪滤波器；使用板载定时器对相对于输入和触发通道的相位进行数字推导；用于自动缩放的峰值检测器，该峰值检测器被路由到单独的模数转换器中用于峰值检测；以及原始或缓冲到其它模拟通道中的触发通道的路由。在实施例中，提供了一种数据收集和处理系统，该系统具有复用器连续监控报警功能，并且至少具有下列其中一项：对delta-sigma A/D使用较高的输入过采样，以获得更低的采样率输出，从而最小化AA滤波器要求；使用CPLD作为delta-sigma模数转换器的时钟分频器，以实现更低的采样率，而无需数字重采样；以高采样率获取的长数据块，而不是以不同采样率收集的多组数据；存储具有板载卡组维护历史的校准数据；以及使用分层模板的快速路由创建能力。在实施例中，提供了一种数据收集和处理系统，该系统具有复用器连续监控报警功能，并且至少具有下列其中一项：数据收集带的智能管理；利用数据收集带智能管理的神经网络专家系统：在传感器数据分析中使用数据库层次结构：以及用于定义专家系统智能数据收集带和诊断的专家系统GUI图形方法。在实施例中，提供了一种数据收集和处理系统，其具有复用器连续监控报警功能，并且至少具有下列其中一项：用于反算定义的图形方法；提出的轴承分析方法；利用瞬时信号分析进行的扭转振动检测/分析：以及使用模拟和数字方法改进集成。在实施例中，提供了一种数据收集和处理系统，其具有复用器连续监控报警功能，并且至少具有下列其中一项：用于在本地环境中连续监控模拟数据的自适应调度技术；数据采集驻留特征；自给式数据采集盒；和SD卡存储器。在实施例中，提供了一种数据收集和处理系统，该系统具有复用器连续监控报警功能，并且至少具有下列其中一项：用于连续监控的扩展板载统计能力；使用环境噪声、局部噪声和振动噪声进行预测；基于传入数据或警报的智能路由更改，以使得用于分析或关联的动态数据同步；智能OSD和传输功能。在实施例中，提供了一种数据收集和处理系统，该系统具有复用器连续监控报警功能，并且至少具有下列其中一项：分层复用器；传感器过载识别：RF识别和倾斜仪；基于远程模拟工业传感器融合的基于云的机器模式识别；以及对来自多个模拟工业传感器的状态信息进行基于云的机器模式分析，以提供工业系统的预期状态信息。在实施例中，提供了一种数据收集和处理系统，该系统具有复用器连续监控报警功能，并且至少具有下列其中一项：用于IoT的基于云的策略自动化引擎，以及IoT设备的创建、部署和管理；用于工业IoT设备的设备内置传感器融合和数据存储；工业IoT数据的自组织数据市场；基于利用率和/或收益度量的数据池自组织；以及基于行业特定反馈训练AI模型。在实施例中，提供了一种数据收集和处理系统，其具有复用器连续监控报警功能，并且至少具有下列其中一项：工业数据收集器的自组织群；物联网分布式分类账；自组织收集器；网络敏感收集器；和远程组织收集器。在实施例中，提供了一种数据收集和处理系统，其具有复用器连续监控报警功能，并且至少具有下列其中一项：用于多传感器数据收集器的自组织存储；和用于多传感器数据网络的自组织网络编码。在实施例中，提供了一种数据收集和处理系统，其具有复用器连续监控报警功能，并且至少具有下列其中一项：用于工业传感器数据收集器且具有振动、热、电和/或声音输出的可穿戴触觉用户界面；显示AR/VR收集数据的热图；以及数据收集器所收集数据的自动调节AR/VR可视化。
在实施例中，提供了一种数据收集和处理系统，该系统使用具有专用总线的分布式CPLD芯片对多个MUX和数据采集部分进行逻辑控制。在实施例中，提供了一种数据收集和处理系统，该系统使用具有专用总线的分布式CPLD芯片对多个MUX和数据采集部分进行逻辑控制，并使用固态继电器和设计拓扑结构具有高电流输入能力。在实施例中，提供了一种数据收集和处理系统，该系统使用具有专用总线的分布式CPLD芯片对多个MUX和数据采集部分进行逻辑控制，并且具有至少一个模拟传感器通道和组件板的断电能力。在实施例中，提供了一种数据收集和处理系统，该系统使用具有专用总线的分布式CPLD芯片对多个MUX和数据采集部分进行逻辑控制，并具有用于触发和振动输入的独特静电保护。在实施例中，提供了一种数据收集和处理系统，该系统使用具有专用总线的分布式CPLD芯片对多个MUX和数据采集部分进行逻辑控制，并且具有用于A/D零基准的精确电压基准。在实施例中，提供了一种数据收集和处理系统，该系统使用具有专用总线的分布式CPLD芯片对多个MUX和数据采集部分进行逻辑控制，并具有用于获取低速RPM和相位信息的锁相环带通跟踪滤波器。在实施例中，提供了一种数据收集和处理系统，该系统使用具有专用总线的分布式CPLD芯片对多个MUX和数据采集部分进行逻辑控制，并使用板载定时器对相对于输入和触发通道的相位进行数字推导。在实施例中，提供了一种数据收集和处理系统，该系统使用具有专用总线的分布式CPLD芯片对多个MUX和数据采集部分进行逻辑控制，并且具有用于自动缩放的峰值检测器，该峰值检测器被路由到单独的模数转换器中用于峰值检测。在实施例中，提供了一种数据收集和处理系统，该系统使用具有专用总线的分布式CPLD芯片对多个MUX和数据采集部分进行逻辑控制，并且具有原始或缓冲到其它模拟通道中的触发通道的路由。在实施例中，提供了一种数据收集和处理系统，该系统使用具有专用总线的分布式CPLD芯片对多个MUX和数据采集部分进行逻辑控制，并对delta-sigma A/D使用较高的输入过采样，以获得更低的采样率输出，从而最小化AA滤波器要求。在实施例中，提供了一种数据收集和处理系统，该系统使用具有专用总线的分布式CPLD芯片对多个MUX和数据采集部分进行逻辑控制，并且使用CPLD作为delta-sigma模数转换器的时钟分频器，以实现更低的采样率，而不需要数字重采样。在实施例中，提供了一种数据收集和处理系统，该系统使用具有专用总线的分布式CPLD芯片对多个MUX和数据采集部分进行逻辑控制，并且具有以高采样率获取的长数据块，而不是以不同采样率收集的多组数据。在实施例中，提供了一种数据收集和处理系统，该系统使用具有专用总线的分布式CPLD芯片对多个MUX和数据采集部分进行逻辑控制，并存储具有板载卡组维护历史的校准数据。在实施例中，提供了一种数据收集和处理系统，该系统使用具有专用总线的分布式CPLD芯片对多个MUX和数据采集部分进行逻辑控制，并具有使用分层模板的快速路由创建能力。在实施例中，提供了一种数据收集和处理系统，该系统使用具有专用总线的分布式CPLD芯片对多个MUX和数据采集部分进行逻辑控制，并对数据收集带进行智能管理。在实施例中，提供了一种数据收集和处理系统，该系统使用具有专用总线的分布式CPLD芯片对多个MUX和数据采集部分进行逻辑控制，并具有利用数据收集带智能管理的神经网络专家系统。在实施例中，提供了一种数据收集和处理系统，该系统使用具有专用总线的分布式CPLD芯片对多个MUX和数据采集部分进行逻辑控制，并且在传感器数据分析中使用数据库层次结构。在实施例中，提供了一种数据收集和处理系统，该系统使用具有专用总线的分布式CPLD芯片对多个MUX和数据采集部分进行逻辑控制，并具有用于定义专家系统智能数据收集带和诊断的专家系统GUI图形方法。在实施例中，提供了一种数据收集和处理系统，该系统使用具有专用总线的分布式CPLD芯片对多个MUX和数据采集部分进行逻辑控制，并具有用于反算定义的图形方法。在实施例中，提供了一种数据收集和处理系统，该系统使用具有专用总线的分布式CPLD芯片对多个MUX和数据采集部分进行逻辑控制，并提出了轴承分析方法。在实施例中，提供了一种数据收集和处理系统，该系统使用具有专用总线的分布式CPLD芯片对多个MUX和数据采集部分进行逻辑控制，并利用瞬时信号分析进行扭转振动检测/分析。在实施例中，提供了一种数据收集和处理系统，该系统使用具有专用总线的分布式CPLD芯片对多个MUX和数据采集部分进行逻辑控制，并且使用模拟和数字方法改进集成。在实施例中，提供了一种数据收集和处理系统，该系统使用具有专用总线的分布式CPLD芯片对多个MUX和数据采集部分进行逻辑控制，并且具有用于在本地环境中连续监控模拟数据的自适应调度技术。在实施例中，提供了一种数据收集和处理系统，该系统使用具有专用总线的分布式CPLD芯片对多个MUX和数据采集部分进行逻辑控制，并具有数据采集驻留特征。在实施例中，提供了一种数据收集和处理系统，该系统使用具有专用总线的分布式CPLD芯片对多个MUX和数据采集部分进行逻辑控制，并具有自给式数据采集盒。在实施例中，提供了一种数据收集和处理系统，该系统使用具有专用总线的分布式CPLD芯片对多个MUX和数据采集部分进行逻辑控制，并具有SD卡存储器。在实施例中，提供了一种数据收集和处理系统，该系统使用具有专用总线的分布式CPLD芯片对多个MUX和数据采集部分进行逻辑控制，并具有用于连续监控的扩展板载统计能力。在实施例中，提供了一种数据收集和处理系统，该系统使用具有专用总线的分布式CPLD芯片对多个MUX和数据采集部分进行逻辑控制，并且使用环境噪声、局部噪声和振动噪声进行预测。在实施例中，提供了一种数据收集和处理系统，该系统使用具有专用总线的分布式CPLD芯片对多个MUX和数据采集部分进行逻辑控制，并基于传入数据或警报进行智能路由更改，以使得用于分析或关联的动态数据同步。在实施例中，提供了一种数据收集和处理系统，该系统使用具有专用总线的分布式CPLD芯片对多个MUX和数据采集部分进行逻辑控制，并具有智能ODS和传输功能。在实施例中，提供了一种数据收集和处理系统，该系统使用具有专用总线的分布式CPLD芯片对多个MUX和数据采集部分进行逻辑控制，并具有分层复用器。在实施例中，提供了一种数据收集和处理系统，该系统使用具有专用总线的分布式CPLD芯片对多个MUX和数据采集部分进行逻辑控制，并具有传感器过载识别。在实施例中，提供了一种数据收集和处理系统，该系统使用具有专用总线的分布式CPLD芯片对多个MUX和数据采集部分进行逻辑控制，并具有RF识别和倾斜仪。在实施例中，提供了一种数据收集和处理系统，该系统使用具有专用总线的分布式CPLD芯片对多个MUX和数据采集部分进行逻辑控制，并具有持续超声波监测。在实施例中，提供了一种数据收集和处理系统，该系统使用具有专用总线的分布式CPLD芯片对多个MUX和数据采集部分进行逻辑控制，并具有基于远程模拟工业传感器融合的基于云的机器模式识别。在实施例中，提供了一种数据收集和处理系统，该系统使用具有专用总线的分布式CPLD芯片对多个MUX和数据采集部分进行逻辑控制，并对来自多个模拟工业传感器的状态信息进行基于云的机器模式分析，以提供工业系统的预期状态信息。在实施例中，提供了一种数据收集和处理系统，该系统使用具有专用总线的分布式CPLD芯片对多个MUX和数据采集部分进行逻辑控制，并且具有用于物联网的基于云的策略自动化引擎，以及IoT设备的创建、部署和管理。在实施例中，提供了一种数据收集和处理系统，该系统使用具有专用总线的分布式CPLD芯片对多个MUX和数据采集部分进行逻辑控制，并且具有用于工业IoT设备的设备内置传感器融合和数据存储。在实施例中，提供了一种数据收集和处理系统，该系统使用具有专用总线的分布式CPLD芯片对多个MUX和数据采集部分进行逻辑控制，并具有用于工业物联网数据的自组织数据市场。在实施例中，提供了一种数据收集和处理系统，该系统使用具有专用总线的分布式CPLD芯片对多个MUX和数据采集部分进行逻辑控制，并具有基于利用率和/或收益度量的数据池自组织。在实施例中，提供了一种数据收集和处理系统，该系统使用具有专用总线的分布式CPLD芯片对多个MUX和数据采集部分进行逻辑控制，并基于行业特定反馈训练AI模型。在实施例中，提供了一种数据收集和处理系统，该系统使用具有专用总线的分布式CPLD芯片对多个MUX和数据采集部分进行逻辑控制，并具有工业数据收集器的自组织群。在实施例中，提供了一种数据收集和处理系统，该系统使用具有专用总线的分布式CPLD芯片对多个MUX和数据采集部分进行逻辑控制，并具有物联网分布式分类账。在实施例中，提供了一种数据收集和处理系统，该系统使用具有专用总线的分布式CPLD芯片对多个MUX和数据采集部分进行逻辑控制，并具有自组织收集器。在实施例中，提供了一种数据收集和处理系统，该系统使用具有专用总线的分布式CPLD芯片对多个MUX和数据采集部分进行逻辑控制，并具有网络敏感收集器。在实施例中，提供了一种数据收集和处理系统，该系统使用具有专用总线的分布式CPLD芯片对多个MUX和数据采集部分进行逻辑控制，并具有远程组织收集器。在实施例中，提供了一种数据收集和处理系统，该系统使用具有专用总线的分布式CPLD芯片对多个MUX和数据采集部分进行逻辑控制，并具有用于多传感器数据收集器的自组织存储。在实施例中，提供了一种数据收集和处理系统，该系统使用具有专用总线的分布式CPLD芯片对多个MUX和数据采集部分进行逻辑控制，并具有用于多传感器数据网络的自组织网络编码。在实施例中，提供了一种数据收集和处理系统，该系统使用具有专用总线的分布式CPLD芯片对多个MUX和数据采集部分进行逻辑控制，并且具有用于工业传感器数据收集器且具有振动、热、电和/或声音输出的可穿戴触觉用户界面。在实施例中，提供了一种数据收集和处理系统，该系统使用具有专用总线的分布式CPLD芯片对多个MUX和数据采集部分进行逻辑控制，并具有显示AR/VR收集数据的热图。在实施例中，提供了一种数据收集和处理系统，该系统使用具有专用总线的分布式CPLD芯片对多个MUX和数据采集部分进行逻辑控制，并对数据收集器收集的数据进行自动调节AR/VR可视化。
在实施例中，提供了一种数据收集和处理系统，该系统具有下列其中一项或多项：使用固态继电器和设计拓扑的高电流输入能力；模拟传感器通道和组件板中至少一个的断电能力；用于触发和振动输入的独特静电保护；用于A/D零基准的精确电压基准；用于获取低速RPM和相位信息的锁相环带通跟踪滤波器；使用板载定时器对相对于输入和触发通道的相位进行数字推导；用于自动缩放的峰值检测器，该峰值检测器被路由到单独的模数转换器中用于峰值检测；原始或者缓冲到其它模拟通道中的触发通道的路由；对delta-sigmaA/D使用较高的输入过采样，以获得更低的采样率输出，从而最小化抗混叠(anti-aliasing，简称AA)滤波器要求；使用CPLD作为delta-sigma模数转换器的时钟分频器，以实现更低的采样率，而无需数字重采样；具有以高采样率获取的长数据块，而不是以不同采样率收集的多组数据；存储具有板载卡组维护历史的校准数据；使用分层模板的快速路由创建能力；数据收集带的智能管理；利用数据收集带智能管理的神经网络专家系统；在传感器数据分析中使用数据库分层；用于定义专家系统智能数据收集带和诊断的专家系统GUI图形方法；用于反算定义的图形方法；提出的轴承分析方法；利用瞬时信号分析进行的扭转振动检测/分析；使用模拟和数字方法的改进集成；用于在本地环境中连续监控模拟数据的自适应调度技术；数据采集驻留特征；自给式数据采集盒；SD卡存储器；用于连续监控的扩展板载统计能力；使用环境噪声、局部噪声和振动噪声进行预测；基于传入数据或警报的智能路由更改以使得用于分析或关联的动态数据同步；智能ODS和传输功能；分层复用器；传感器过载识别；RF识别和倾斜仪；持续超声波监测；基于远程模拟工业传感器融合的基于云的机器模式识别；对来自多个模拟工业传感器的状态信息进行的基于云的机器模式分析，以提供工业系统的预期状态信息；用于物联网的基于云的策略自动化引擎，以及IoT设备的创建、部署和管理；用于工业IoT设备的设备内置传感器融合和数据存储；工业物联网数据的自组织数据市场；基于利用率和/或收益度量的数据池自组织；基于行业特定反馈训练AI模型；工业数据收集器的自组织群；物联网分布式分类账；自组织收集器；网络敏感收集器；远程组织收集器；多传感器数据收集器的自组织存储；多传感器数据网络的自组织网络编码；用于工业传感器数据收集器且具有振动、热、电和/或声音输出的可穿戴触觉用户界面；显示AR收集数据的热图；或者数据收集器所收集数据的自动调节AR/VR可视化。
在实施例中，提供了一种平台，该平台具有下列其中一项或多项：基于远程模拟工业传感器融合的基于云端的机器模式识别；对来自多个模拟工业传感器的状态信息进行的基于云端的机器模式分析，以提供工业系统的预期状态信息；用于IoT的基于云端的策略自动化引擎，以及IoT设备的创建、部署和管理；用于工业IoT设备的设备内置传感器融合和数据存储；工业物联网数据的自组织数据市场，基于利用率和/或收益度量的数据池自组织；基于行业特定反馈训练AI模型；工业数据收集器的自组织群；物联网分布式分类账；自组织收集器；网络敏感收集器；远程组织收集器；多传感器数据收集器的自组织存储；多传感器数据网络的自组织网络编码；用于工业传感器数据收集器且具有振动、热、电和/或声音输出的可穿戴触觉用户界面；显示AR收集数据的热图；或者数据收集器所收集数据的自动调节AR/VR可视化。
关于图18，具有工业传感、处理和存储系统4500的一系列现有数据传感和处理系统包括流数据收集器4510，该流数据收集器4510可以配置成接受此处描述的各种格式的数据。在实施例中，格式范围可以包括可源自各种传感器的数据格式A4520、数据格式B4522、数据格式C4524和数据格式D4528。此外，传感器的范围可以包括仪器A4540、仪器B4542、仪器C4544和仪器D4548。流数据收集器4510可以配置有处理能力，使得能够在利用流传输、路由、自组织存储以及本文描述的其它能力的同时访问各种格式。
图19描述了用于工业机器传感器数据流收集、处理和存储的方法和系统4600，该方法和系统有助于使用流数据收集器4610来收集和获取来自原有仪器4620和流传输仪器4622的数据。原有仪器4620及其数据方法可以捕获并提供由于原有系统和采集过程(例如上文所描述的现有数据方法)而在范围上限于特定频率范围等的数据。流数据收集器4610可以配置成捕获流传输仪器数据4632以及原有仪器数据4630。流数据收集器4610还可以配置成使用当前和原有数据方法来捕获原有仪器4620和流传输仪器4622以及传感器的当前流。这些实施例对原有仪器的转换应用、对流传输仪器所做的处理以及对现有或预期仪器或方法所做的处理有益。在实施例中，流数据收集器4610可以配置成处理原有仪器数据4630，使其可以与流传输仪器数据4632兼容地存储。流数据收集器4610可以基于原有仪器数据4630来处理或解析流传输仪器数据4632，以至少提取一次与原有仪器数据4630兼容的流数据4642，该原有仪器数据4630可以处理成已转换的原有数据4640。在实施例中，可以包括转换后原有数据4652的提取部分和流数据4654的提取数据4650可以便于原有仪器数据处理和可以模拟原有仪器数据处理方法等的进一步处理进行访问和处理的格式存储。在实施例中，已转换原有数据4652的一些部分也可以以便于利用不同方法进行处理的格式存储，这些方法可以利用流传输工具可能具有的更高频率、分辨率和数据量。
图20描绘了描述用于工业机器传感器数据流传输、收集、处理和存储的方法和系统4700的替代实施例，这些方法和系统有助于原有仪器的处理与集成。在实施例中，流数据收集器4710可以与工业机器4712连接，并且可以包括多个传感器，例如流传感器4720和4722，其可以配置成感测与机器4712的至少一个移动部件相关联的工业机器4712的各个方面。传感器4720和4722(或更多)可以与一个或多个流传输设备4740通信，该流传输设备有助于将数据从一个或多个传感器流传输至流数据收集器4710。在实施例中，工业机器4712还可以与一个或多个原有仪器4730对接或包括一个或多个原有仪器4730，原有仪器4730可以捕获与工业机器4712的一个或多个移动部件相关联的数据，并将该数据存储到原有数据存储设施4732中。
在实施例中，频率和/或分辨率检测设施4742可以配置成便于检测有关原有仪器来源数据的信息，例如数据的频率范围或数据的分辨率等。检测设施4742可以直接对来自原有仪器4730的数据或者存储在原有存储设备4732中的数据进行操作。检测设施4742可以将检测到的有关原有仪器4730、其来源数据和其存储数据4732等信息传送到流数据收集器4710。或者，检测设施4742可以访问信息，例如关于频率范围、分辨率等信息，这些信息表征了来自原有仪器4730的源数据和/或可以从原有存储设施4732的一部分访问。
在实施例中，流数据收集器4710可以配置一个或多个自动处理器、算法和/或其它数据方法，以将由一个或多个原有仪器4730捕获的信息与由一个或多个流传输设备4740从一个或多个工业机器4712提供的数据的一部分进行匹配。来自流传输设备4740的数据可以包括比原有仪器4730的源数据更宽的频率和分辨率范围，因此，可以实现过滤和其它此类功能，以从流传输设备4740提取与原有仪器4730的源数据在频率范围、分辨率等方面相对应的数据。在实施例中，所配置的流数据收集器4710可以产生多个数据流，包括可以与来自流传输设备4740的数据流对应的数据流，以及在一些方面与源自原有仪器的数据和基础设施兼容以对其进行采集和自动处理的单独数据流。或者，流数据收集器4710可以流之外的模式(例如成批、聚合、概要等)输出数据。
所配置的流数据收集器4710可以与流存储设施4764通信，以存储来自流传输设备4710的数据输出以及从流传输设备4710提取的数据中的至少一个，在某些方面，这些数据可以与源自原有仪器4730的数据兼容。此外，还可以将已配置流数据收集器4710的原有兼容输出提供给格式转换器设施4748、4760，该格式转换器设施可以对原有兼容数据进行配置、调适、重新格式化和其它调整，以便可以将其存储在原有兼容存储设施4762中，使得原有处理设施4744可以对原有兼容存储设施4762中的数据执行数据处理方法等，原有兼容存储设施4762被配置成处理源自原有仪器4730的数据。在原有兼容数据存储在流存储设施4764中的实施例中，原有处理设施4744还可以在可选地由格式转换器4760处理之后自动处理该数据。通过安排数据收集、流传输、处理、格式化和存储元件以提供与源自原有仪器的数据完全兼容的格式的数据，可以简化从原有系统的转换，并且可以轻松地将源自原有仪器的数据与新获取的数据(具有更多内容)进行比较，而不会丢失源自原有仪器4730的数据的原有价值。
图21描绘了本文描述的用于工业机器传感器数据流传输、收集、处理和存储的方法和系统4800的替代实施例，该方法和系统4800可以与原有仪器数据收集和处理兼容。在实施例中，处理工业机器感测的数据可以多种方式完成，包括对齐原有数据源和流数据源，例如通过将存储的原有数据和流数据对齐；将存储的原有数据与感测数据流对齐；以及在收集原有数据和流数据时将其对齐。在实施例中，工业机器4810可以包括一个或多个流数据传感器4820、与其通信或集成，流数据传感器4820可以感测工业机器4810的各方面，例如机器的一个或多个移动部件的各方面。工业机器4810还可以与感测工业机器4810类似方面的一个或多个原有数据传感器4830通信、包括此类传感器或与之集成。在实施例中，一个或多个原有数据传感器4830可以向一个或多个原有数据收集器4840提供感测数据。流数据传感器4820可以生成包含原有数据传感器4830所有方面(即，更丰富的信号)并且与来自原有数据传感器4830的感测数据兼容的输出。流数据传感器4820可以向原有数据收集器4840提供兼容数据。通过模仿原有数据传感器4830或其数据流，流数据传感器4820可以在工业机器的感测和处理系统升级期间等替换一个或多个原有数据传感器(或用作其适当的复制品)。流数据可以模拟频率范围、分辨率等，以确保所有形式的原有数据均可捕获或者可以从流数据中导出。在实施例中，如有需要，还可以由流数据传感器4820执行格式转换。流数据传感器4820还可以生成适合由流数据收集器4850收集的替代数据流。在实施例中，此类替代数据流可以是涉及下列其中一方面或多方面的原有数据传感器数据的超集：频率范围、分辨率、感测数据的持续时间等。
在实施例中，工业机器感测数据处理设施4860可以执行多种感测数据处理方法，其中一些方法可以与来自原有数据传感器4830的数据兼容，并且可以生成可以满足原有感测数据处理要求的输出。为便于使用处理设施4860的各种数据处理能力，可能需要对齐原有数据和流数据，以便可以提取流数据的兼容部分，以便用遗留兼容方法等进行处理。在实施例中，图21描绘了用于将流数据与原有数据对齐的三种不同技术。第一种对齐方法4862包括将原有数据收集器4840输出的原有数据与流数据收集器4850输出的流数据对齐。当数据由原有数据收集器4840提供时，可以检测数据的各个方面，例如分辨率、频率、持续时间等，并且可以用于处理方法的控制措施，该处理方法识别来自流数据收集器4850的数据流中有意与原有数据兼容的部分。处理设施4860可以对流数据的已识别部分应用一种或多种原有兼容方法，以提取可以轻松与原有数据进行比较或参照的数据。
在实施例中，第二种对齐方法4864可以包括将流数据与来自原有存储设施4882的数据对齐。在实施例中，第三种对齐方法4868可以包括将流存储设施4884的已存储流数据与来自原有数据存储设施4882的原有数据对齐。在方法4862、4864、4868中的每一个中，可以通过处理原有数据以检测分辨率、持续时间、频率范围等方面来确定对齐数据。或者，对齐可以由对齐设施，例如使用方法4862、4864和4868的设施来执行，该设施可以接收或者可以配置原有数据描述信息，例如原有频率范围、持续时间和分辨率等。
在实施例中，工业机器感测数据处理设施4860可以访问能存储在原有数据方法存储设施4880中的原有兼容方法和算法。原有算法存储设施4880中的这些方法、算法或其它数据也可以是对齐信息的源，该对齐信息可以由工业机器感测数据处理设施4860传送到具有方法4862、4864和4868的各种对齐设施。通过访问原有兼容算法和方法，数据处理设施4860可以有助于处理原有数据、与原有数据兼容的流数据或表示原有数据的流数据部分，以产生原有兼容分析。
在实施例中，数据处理设施4860可以执行各种其它感测数据处理方法，例如小波推导等，以产生流数据分析4892。在实施例中，流数据收集器102、4510、4610和4710(图3、图6、图18、图19和图20)或数据处理设施4860可包括可从数据流中定义和提取的便携式算法、方法和输入。在许多实例中，用户或企业可能已经拥有与分析特定机器和资产相关的现有有效方法。这些现有方法可以作为便携式算法或方法导入已配置的流数据收集器102、4510、4610和4710或数据处理设施4860中。数据处理，如此处针对已配置的流数据收集器102、4510、4610和4710所描述的数据处理，也可以将算法或方法与相应情况匹配，然后从流中提取数据以与来自原有采集或原有采集技术的数据方法匹配。在实施例中，流数据收集器102、4510、4610和4710可以与许多类型的系统兼容，并且可以与具有不同临界程度的系统兼容。
现在描述的是此处描述的方法和系统的实例性工业机器部署。工业机器可以是气体压缩机。在一个实例中，气体压缩机可以在超大型涡轮机(例如包括10,000HP马达的超大型涡轮机)上操作油泵。油泵可能是一个非常关键的系统，因为油泵故障可能导致整个工厂停运。该实例中的气体压缩机可以非常高的频率(例如36,000RPM)运行四级，并且可以包括跨置在油膜上的可倾瓦轴承。在该实例中，油泵可以具有滚子轴承，如果用户没有发现预期的故障，油泵可能会停止运行，并且整个涡轮机械将会出现故障。继续采用该实例，流数据收集器102、4510、4610和4710可以收集与振动(例如外壳振动和接近探针振动)相关的数据。其它轴承工业机器实例可以包括发电机、发电厂、锅炉给水泵、风扇、强制通风风扇、抽风机等。用于工业气体行业中使用的轴承系统的流数据收集器102、4510、4610和4710可以支持电机的预测分析，例如由基于模型的专家系统执行的预测分析—例如使用电压、电流和振动作为分析度量。
另一实例性工业机器部电机的电压和电流数据来帮助分析署可以是电机和流数据收集器102、4510、4610和4710，例如，其可以通过收集电机。
另一实例性工业机器部署可以包括油质量感测。例如，工业机器可以执行油分析，并且流数据收集器102、4510、4610和4710可以帮助搜索油中的金属碎片。
本文描述的方法和系统也可以与基于模型的系统结合使用。基于模型的系统可以与接近探针集成。接近探针可用于感测机械的问题，并由于感测到的问题而关闭机械。与接近探针集成的基于模型的系统可以测量峰值波形，并基于峰值波形测量发送关闭机械的信号。
运营工业机器的企业可以在许多不同的行业中运营。这些行业可以包括运营生产线、提供计算基础设施、支持金融服务、提供HVAC设备等行业。这些行业可能对损失的运行时间和由于损失的运行时间而产生的成本非常敏感。HVAC设备企业可能会特别关注与超声波、振动、IR等相关的数据，并且使用工业机器感测数据流传输收集的方法和系统中会获得比原有系统更多的关于与这些度量相关的机器性能的信息。
本文描述的用于工业机器传感器数据流传输、收集、处理和存储的方法和系统可以配置成操作现有的数据收集、处理和存储系统并与之集成，并且可以包括用于从部署成监控与工业机器至少一个移动部件相关的工业机器的各方面的传感器捕获多个感测数据流的方法；该数据流中的至少一个包含多个数据频率。该方法可以包括识别多个流的至少一个流中与表示至少一个预定义频率的数据对应的数据子集。该至少一个预定义频率由从备用传感器收集的数据集合表示，该备用传感器部署成以监测该工业机器的与该机器的至少一个移动零部件相关联的各方面。该方法还可以包括利用数据处理设施来处理所识别的数据，该数据处理设施利用配置为应用于从备选传感器收集的数据集的数据方法来处理所识别的数据。最后，该方法可以包括将数据流、所识别的数据子集和所识别的数据的处理结果的至少其中之一存储在电子数据集中。
本文描述的方法和系统可以包括一种方法，即将从部署成监控与工业机器至少一个移动部件相关的工业机器的各方面的传感器捕获的数据应用到频率匹配设施，其中利用覆盖预定频率范围的预定分辨率线数捕获数据，该频率匹配设施识别从部署成监控与工业机器至少一个移动部件相关的工业机器的各方面的其它传感器流传输的数据子集，流数据包括多个分辨率线数和频率范围，所识别的数据子集与分辨率线数和预定频率范围对应。该方法可以包括以与使用预定分辨率线数捕获的数据格式对应的格式将数据子集存储在电子数据记录中，并且向数据处理设施发信号通知所存储数据子集的存在。该方法可以可选地包括使用算法、方法、模型和模式识别器中的至少一个来处理数据子集，该算法、方法、模型和模式识别器对应与处理利用覆盖预定频率范围的预定分辨率线数捕获的数据相关的算法、方法、模型和模式识别器。
本文描述的方法和系统可以包括用于识别流传输传感器数据子集的方法。传感器数据是从部署成监控与工业机器至少一个移动部件相关的工业机器的各方面的传感器捕获的。流传输传感器数据子集处于预订频率范围的预定分辨率线数。该方法包括建立第一逻辑路线以在执行识别的第一计算设施与第二计算设施之间进行电子通信。将流传输传感器数据子集从第一设施传送到第二设施时，流传输传感器数据的已识别子集仅在所建立的第一逻辑路线上传送。该方法还可以包括对流传输传感器数据中并非所识别的子集的至少一部分建立第二逻辑路线，以在第一计算设施与第二计算设施之间进行电子形式的通信。该方法还可以包括为流传输传感器数据中包括所识别子集的至少一部分数据以及流传输传感器数据中并非由所识别子集表示的至少另一部分数据建立第三逻辑路线，以在第一计算设施与第二计算设施之间进行电子通信。
本文描述的方法和系统可以包括第一数据感测和处理系统，该系统从部署成监控与工业机器至少一个移动部件相关的工业机器的各方面的第一组传感器捕获第一数据，第一数据覆盖一组分辨率线数和频率范围。该系统可以包括第二数据感测和处理系统，其从第二组传感器捕获并流传输第二组数据，该第二组传感器部署成监测与该工业机器的至少一个移动零部件相关联的该机器的各方面，该第二数据覆盖包括该组分辨率线的多个分辨率线和包括该频率范围的多个频率。该系统可以实现：(1)选择第二数据中与第一数据的一组分辨率线和频率范围对应的部分；以及(2)使用第一数据感测和处理系统处理第二数据的选定部分。
本文描述的方法和系统可以包括用于自动处理感测数据流的一部分的方法。从部署成监控与工业机器至少一个移动部件相关的工业机器的各方面的第一组传感器捕获的感测数据响应电子数据结构，该电子数据结构有助于提取感测数据流的子集，该子集对应从部署成监控与工业机器至少一个移动部件相关的工业机器的各方面的第二组传感器接收的感测数据集。该感测数据集被限制在一个频率范围内。感测数据流包括超出该感测数据集频率范围的频率范围。该处理包括对被限制在感测数据集频率范围内的感测数据流的一部分执行数据方法。数据方法配置成处理感测数据集。
本文描述的方法和系统可以包括一种用于从部署成监控与工业机器至少一个移动部件相关的工业机器的各方面的传感器接收第一数据的方法。该方法还可以包括：(1)检测由第一数据表示的频率范围和分辨率线中的至少一个，以及(2)从传感器接收数据流，该传感器部署成以监测该工业机器的与该机器的至少一个移动零部件相关联的各方面。数据流包括：多个频率范围和多个分辨率线数，其超过由第一数据表示的频率范围和分辨率线数；从数据流中提取对应由第一数据表示的至少其中一个频率范围和分辨率线数的数据集；以及使用数据处理方法处理所提取的数据集，该数据处理方法配置成处理第一数据的频率范围内和分辨率线数内的数据。
本文公开的方法和系统可以包括连接到数据采集仪器或与数据采集仪器集成，并且在许多实施例中，图22示出了包括数据采集(data acquisition，简称DAQ)流传输仪器5002(也称为SDAQ)的方法和系统5000。在实施例中，传感器5010、5012、5014的输出可以是各种类型的输出，包括振动、温度、压力、超声波等。在许多实例中，可以使用其中一个传感器。在其它实例中，可以使用许多传感器，并且可以单独或以预定的组合和/或以预定的时间间隔、环境、设置等使用传感器的信号。
在实施例中，来自传感器5010、5012、5014的输出信号可以馈送到DAQ仪器5002的仪器输入5020、5022、5024中，并且可以配置附加流传输能力5028。通过这些实例，来自传感器5010、5012、5014或更多(如适用)的输出信号可以在至少针对缩放和滤波进行数字化之前调节为模拟信号。然后，信号可以由模数转换器5030进行数字化处理。可以足以执行最大预期频率分析的预定速率对从所有相关通道接收的信号(即，通过手动、报警或路由等方式开启一个或多个通道)进行同时采样，该最大预期频率分析可以根据需要进行调整和重新调整，或者通过其它方式保持恒定，以确保与其它相关数据集兼容或一致。在实施例中，信号采样时间相对较长并且为无间隙的连续流，以便能够在具有足够单独采样的情况下以较低的采样率进行进一步的后处理。
在实施例中，数据可以从点集合流传输，然后可以根据规定的序列、路由、路径等从其它点收集下一数据集。在许多实例中，传感器5010、5012、5014或更多传感器可以根据规定的顺序、路由、预先布置的配置等移动到下一个位置。在某些实例中，并非所有传感器5010、5012、5014都可以移动，因此一些传感器可以固定在适当位置，并用于检测基准相位等。
在实施例中，复用器(mux)5032可用于切换到下一个点集合、切换到两种方法或可组合的收集模式的混合、其它预定路由等。复用器5032可以堆叠以形成阶梯，并且有效地接受比DAQ仪器5002所提供通道更多的通道。在实例中，DAQ仪器5002可以提供八个通道，而复用器5032可以堆叠以提供32个通道。利用一个或多个复用器可以实现进一步的变化。在实施例中，复用器5032可以通过仪器输入5034馈送到DAQ仪器5002中。在实施例中，DAQ仪器5002可以包括控制器5038，该控制器可以采用板载控制器、PC、其它连接设备、基于网络的服务及其组合的形式。
在实施例中，用于管理数据收集过程的序列和面板条件可以从多媒体探针(multimedia probe，简称MMP)和探针控制、序列和分析(probe control,sequence andanalytical，简称PCSA)信息存储器5040中获取。在实施例中，信息存储器5040可以位于DAQ仪器5002上。在实施例中，信息存储器5040的内容可以通过云网络设施从其它DAQ仪器、其它连接设备、被感测的机器、其它相关源及其组合中获取。在实施例中，信息存储器5040可以包括机器分层结构关系等项目，例如，机器包含预定件设备，每个设备可以包含一个或多个轴，并且这些轴中的每一个可以具有多个关联的轴承。这些类型的轴承中的每一种可由特定类型的换能器或探针根据一个或多个特定的规定序列(路径、路由等)以及可在一个或多个DAQ仪器5002上设置的一个或多个特定面板条件来监控。通过该实例，面板条件可以包括硬件特定开关设置或其它收集参数。在许多实例中，收集参数包括但不限于采样率、AC/DC耦合、电压范围和增益、积分、高通滤波和低通滤波、抗混叠滤波、ICPTM换能器和其它集成电路压电换能器、4-20mA环路传感器等。在实施例中，信息存储器5040还可以包括对于正确分析很重要的机械特定特征，例如，齿轮的齿、泵叶轮中的叶片数量、电机转子条数量、计算轴承频率所需的轴承特定参数、所有旋转元件的每分钟转数信息以及这些RPM范围的倍数等。信息存储器中的信息也可用于提取流数据5050以进行永久存储。
基于来自DAQ API软件5052的指示，可以使用DAQ仪器5002上的驱动器的DAQ驱动器服务5054上传数字化波形。在实施例中，随后可以将数据馈送到原始数据服务器5058中，原始数据服务器5058可以将流数据5050存储在流数据存储库5060中。在实施例中，该数据存储区通常用于存储，直到从DAQ仪器5002中复制并验证数据。DAQ API 5052还可以指示本地数据控制应用5062提取和处理最近获得的流数据5050，并将其转换成具有足够长度的相同或更低的采样率，以实现一个或多个预期分辨率。通过这些实例，可以将该数据转换成谱，取其平均值并以各种方式进行处理，并且至少暂时存储为提取/处理(extracted/processed，简称EP)数据5064。根据本发明，应了解，原有数据可能需要其自身的采样率和分辨率来确保兼容性，并且该采样率通常可能并非与所获取的采样率成整数比例。根据本发明，还应了解，这可能与顺序采样数据尤其相关，顺序采样数据的采样频率与外部频率(通常是机器或其局部组件的运行速度)而非DAQ仪器的内部晶体、时钟功能等采用的更标准的采样率(例如，Fmax值100、200、500、1K、2K、5K、10K和20K等)直接相关。
在实施例中，本地数据控制应用5062的提取/处理(EP)对齐模块5068能够将采样率略微调节到满足使数据与原有系统兼容的重要要求的非整数比比率。在实施例中，分数比率也可以更容易地转换成整数比率，这是因为待处理的数据长度可以调整。根据本发明，应了解，如果数据未被流传输并且仅以标准或预定Fmax的频谱形式存储，则在某些情况下可能无法将其逆向且精确地转换为顺序采样数据。根据本发明，还应了解，内部识别问题也可能需要协调。在许多实例中，可以将流数据转换成所描述的适当采样率和分辨率，并将其存储(尽管是暂时的)在EP原有数据存储库5070中，以确保与原有数据的兼容性。
为支持原有数据识别问题，在许多实施例中示出了用户输入模块5072，前提是没有用于识别转换的自动化过程(部分或全部)。在此类实例中，一个或多个原有系统(即，预先存在的数据采集)的特征在于，要导入的数据采用完全标准化的格式，例如MimosaTM格式和其它类似格式。此外，在完成标识映射表5074时，可能需要原有数据和/或生成原有数据的一台或多台机器足够缩进，以将原有数据的一部分关联并链接到新获取的流数据5050的一部分。在许多实例中，终端用户和/或原有供应商能够提供足够的信息来完成功能标识(ID)映射表5074的至少一部分，因此可以为原有系统的原始数据提供必要的数据库模式，用于比较、分析和操作新的流数据5050。
在实施例中，本地数据控制应用5062还可以经由有线或无线传输将流数据以及提取/处理(EP)数据引导到云网络设施5080。其它设备可以从云网络设施5080访问、接收和维护包括来自主原始数据服务器(master raw data server，简称MRDS)5082的数据在内的数据。远离DAQ仪器5002的数据的移动、分发、存储和检索可以由云数据管理服务器(clouddata management service，简称CDMS)5084来协调。
图23示出了其它方法和系统，其包括访问相关基于云的服务的DAQ仪器5002。在实施例中，DAQ API 5052可以控制数据收集过程及其序列。通过这些示例，DAQ API 5052可以提供以下功能：编辑过程，查看数据图，控制对该数据的处理，查看所有各种形式的输出数据，分析该数据(包括专家分析)，经由本地数据控制应用5062与外部设备通信，以及经由云网络设施5080与CDMS 5084通信。在实施例中，DAQ API 5052还可以控制数据的移动、数据的过滤以及许多其它管理功能。
在实施例中，专家分析模块5100可以使用流数据分析器模块5104和本地数据控制应用5062以及提取/处理(EP)对齐模块5068来生成报告5102，该报告可以使用来自信息存储器5040的机器或测量点特定信息来分析流数据5050。在实施例中，专家分析模块5100可以生成新报警，或者将报警设置置入与流数据5050相关的报警模块5108中。在实施例中，流数据分析器模块5104可以提供用于以各种绘图格式和报告格式从流数据5050中提取有用信息的手动机制或自动机制。在实施例中，由DAQ API 5052提供对专家分析模块5100的监管控制。在其它示例中，可以(全部或部分)经由云网络设施5080提供专家分析模块5100。在许多示例中，由于使用最新的软件版本、更多的处理能力、更大量的历史数据供参考等各种原因，可以使用经由云的专家分析模块5100，而不使用本地部署的专家分析模块5100。在许多示例中，非常重要的一点是，在无法建立因特网连接时专家分析模块5100能够可用，因此具有该冗余对于无缝且时间有效的操作可能是至关重要的。为此，DAQ仪器5002可用的许多模块化软件应用和数据库(适用时)可以利用系统组件冗余来实现，以提供能够在需要时提供与云服务的连接并且可以在连接不可用时且有时无法有目的地提高安全性等隔离场景中成功运行的操作稳健性。
在实施例中，特别是对于由PC获取的流传输无间隙数据，DAQ仪器获取可能需要用于硬件的实时操作系统(Real Time Operating System，简称RTOS)。在某些情况下，对RTOS的要求会导致(或需要)昂贵的定制硬件和软件来运行这种系统。在许多实施例中，可以避免使用这种昂贵的定制硬件和软件，可以使用标准WindowsTM操作系统或者类似环境(包括这种操作系统中包括的专有应用的程序流程中的系统中断)来有效且充分地实现RTOS。
本文公开的方法和系统可以包括一个或多个DAQ仪器、连接到一个或多个DAQ仪器或者与之集成，并且在许多实施例中，图24示出了包括DAQ仪器5002(也称为流传输DAQ或SDAQ)的方法和系统5150。在实施例中，DAQ仪器5002可以使用标准Windows操作系统(或其它类似的个人计算系统)有效且充分地实施RTOS，该标准Windows操作系统可以包括软件驱动器，该软件驱动器配置先进先出(First In,First Out，简称FIFO)存储区域5152。可以维护FIFO存储区域5152，并且FIFO存储区域5152可以将信息保存足够长的时间，以应对可能遇到的本地操作系统的最坏情况中断，从而有效地提供RTOS。在许多示例中，可以维护本地个人计算机或连接设备上的配置，以最大程度地减少操作系统中断。为此，可以维护、控制或调整该配置，以消除(或隔离)任何暴露于操作系统中断可能成为问题的极端环境的情况。在实施例中，DAQ仪器5002可以生成通知、报警、消息等，以在检测到任何间隙错误时通知用户。在这些许多示例中，可以表明此类错误非常罕见，并且即使发生此类错误，也可以在获知何时发生这种情况时调整数据。
在实施例中，DAQ仪器5002可以维持足够大的FIFO存储区域5152，该FIFO存储区域5152可以缓冲传入数据，以使得在获取数据时不受操作系统中断的影响。根据本发明，应了解，FIFO存储区域5152的预定大小可以基于操作系统中断，该操作系统中断可以包括Windows系统和应用功能，例如，将数据写入磁盘或SSD、绘图、GUI交互和标准Windows任务、低级驱动器任务(例如，为DAQ硬件提供服务以及以激增方式检索数据)等。
在实施例中，可包含在DAQ仪器5002中的计算机、控制器、连接设备等可以配置为通过USB端口、火线接口、以太网等从一个或多个硬件设备中获取数据。在实施例中，DAQ驱动器服务5054可以配置为周期性地向通道特定FIFO区域5152传递数据，以便于提供可配置为不丢失数据(即数据是无间隙的)的通道特定FIFO存储器缓冲器。在实施例中，DAQ驱动器服务5054可以配置为维持甚至(比DAQ驱动器服务5054)更大的通道特定FIFO区域5152，该通道特定FIFO区域5152填充从DAQ驱动器服务5054获得的新数据。在实施例中，DAQ驱动器服务5054可以配置为采用其它流程：原始数据服务器5058可以从FIFO 5110获取数据并且可以将该数据作为邻近连续流写入非易失性存储区域(例如流数据存储库5060)，该非易失性存储区域可以配置为一个或多个磁盘驱动器、SSD等。在实施例中，FIFO5110可以配置为包括开始标记或指针以及停止标记或指针，以标记当前最新流写入的位置。通过这些示例，FIFO结束标记5114可以配置为标记最新数据的结束，直至到达后台处理程序的末尾，然后返回不断循环。在这些示例中，在后台处理程序填满时，FIFO 5110中始终有一兆字节(或其它配置容量)的最新可用数据。根据本发明，应了解，可以采用FIFO存储区域的其它配置。在实施例中，DAQ驱动器服务5054可以配置为使用DAQ API 5052将最新数据传输到高-级应用，以用于处理、绘图和分析目的。在一些示例中，尽管不要求该数据为无间隙数据，但即使在这些情况下，识别和标记数据中的间隙也是有帮助的。此外，这些数据可以配置为足够频繁地更新，以使得用户将数据视为实时数据。在许多实施例中，至少在规定的时间段内将原始数据以无间隙的方式传输到非易失性存储器中，规定的时间段示例可以为约三十秒到四小时以上。根据本发明，应了解，许多设备及其组件可以影响无间隙数据流的相对所需持续时间，并且在设备及其组件的速度大部分相对较低时，在相对较长的时间帧上发生非周期性瞬态活动时，或者在占空比仅允许在受限持续时间等相关范围内进行操作时，无间隙数据流的相对所需持续时间可能会超过四小时。
参考图23，流数据分析器模块5104可以提供以各种绘图格式和报告格式从数据流提取信息的手动机制或自动机制。在实施例中，重采样、滤波(包括抗混叠)、传递函数、频谱分析、包络、平均、峰值检测功能以及许多其它信号处理工具可以供分析人员使用，以分析流数据并且可以用于生成超大型快照阵列。根据本发明，应了解，通过预先安排快照收集(即在所讨论的测量点的初始数据采集期间)，可以创建比以往更大的快照阵列。
图25描绘了显示器5200，该显示器5200的可视内容5202可以全部或部分进行本地访问或远程访问。在许多实施例中，显示器5200可以是DAQ仪器5002的一部分，也可以是PC或连接设备5038的一部分(其中PC或连接设备5038可以是DAQ仪器5002的一部分)，或者可以从相关网络连接的显示器中查看显示器5200的可视内容5202。在其它示例中，显示器5200的可视内容5202或其部分可以移植到一个或多个相关网络地址。在许多实施例中，可视内容5202可以包括屏幕5204，例如，屏幕5204示出可以25.6kHz的采样率对通道5220、通道5222、通道5224和通道5228同时收集大约两分钟的数据流5208。通过这些示例，在这些配置中，数据的长度可以约为3.1兆字节。根据本发明，应了解，在磁带记录装置(例如卷到卷或盒式磁带)等一些情况下，可以利用通常与回放相关的所有控件(例如前进5230、快进、后退5232、快退、后退一步、前进一步、前进到时间点、后退到时间点、开始5234、结束5238、播放5240、停止5242等)来重放数据流(包括上述四个通道中的每个通道，或尽可能多的适用数量的通道中的数据流)。另外，数据流的回放还可以配置为将数据流的宽度设置为以整个流的连续子集显示。在两分钟的数据流示例中，可以通过“全选”按钮5244选择整个两分钟，或者可以利用屏幕5204上的控件选择数据流的某个子集，或者可以通过配置显示器5200和DAQ仪器5002将数据流的某个子集呈现在屏幕5204上。在该示例中，可以选择屏幕5204上的“处理选定数据”按钮5250以确认选定数据流。
图26描绘了包括显示器5200上屏幕5250的许多实施例，屏幕5250示出了该示例中选择所有数据的结果。在实施例中，图26中的屏幕5250可以提供与图25中所示的屏幕5204上描绘的回放功能相同或相似的回放功能，但是还包括重采样功能、波形显示和频谱显示。根据本发明，应了解，该功能可以允许用户在许多情况下选择任何比原始流采样率所支持的Fmax小的Fmax。在实施例中，可以选择任意大小的任一部分，并且可以提供进一步处理数据、分析数据以及用于查看数据和剖析数据的工具。在实施例中，屏幕5250可以包括窗口5252、窗口5254、窗口5258和窗口5260，这四个窗口显示来自图25中通道5220、通道5222、通道5224和通道5228的流数据。在实施例中，屏幕5250还可以包括偏移和重叠控件5262、重采样控件5264和其它类似控件。
在许多示例中，可以在任意两个通道之间建立许多传递函数中的任一个传递函数，例如，图27中所示显示器5200上示出的屏幕5284上所示的通道5280和通道5282之间。屏幕5284上通道5280和通道5282的可选择性可以允许用户在包括屏幕5284和屏幕5204的任意屏幕上描绘传递函数的输出。
在实施例中，图28示出了显示器5200上的高分辨率频谱屏幕5300，该高分辨率频谱屏幕5300具有波形视图5302、全光标控件5304和峰值提取视图5308。在这些示例中，峰值提取视图5308可以配置解析配置5310，该解析配置5310可以配置为提供增强的幅度和频率精度并且可以使用频谱边带能量分布。峰值提取视图5308还可以配置平均值5312、相位和光标矢量信息5314等。
在实施例中，图29示出了显示器5200上的包络屏幕5350，该包络屏幕5350具有波形视图5352和频谱格式视图5354。包络屏幕5350上的视图5352和视图5354可以波形格式和频谱格式显示信号的调制。在实施例中，图30示出了显示器5200上的相对相位屏幕5380，该相对相位屏幕5380具有四个相位视图：相位视图5382、相位视图5384、相位视图5388和相位视图5390。这四个相位视图5382、5384、5388和5390与包络屏幕5350的频谱相关，该包络屏幕5350可以在视图5352中以波形格式显示信号的调制并在视图5354中以频谱格式显示信号的调制。在实施例中，可以选择参考通道控件5392，以便使用通道4作为参考通道来确定每个通道之间的相对相位。
根据本发明，应了解，高达100kHz(或在某些情况下更高)的振动数据采样率也可以用于非振动传感器。在此情况下，根据本发明，应了解，在这些采样率下的这种持续时间中的流数据可以发现待分析的新模式，这主要是由于许多这类传感器从未以此方式应用。根据本发明，应了解，机械条件监控中使用的不同传感器可以提供更类似于静态水平(而不是快速动作动态信号)的测量。在某些情况下，在实现更高采样率之前，可以使用更短响应时间的换能器。
在许多实施例中，尽管传感器可以具有诸如温度、压力或流量等相对静态的输出，但是仍然可以用本文公开的动态信号处理系统和方法进行分析。根据本发明，应了解，在许多示例中，可以减缓时间尺度。在许多示例中，可以单独地或者通过与其它相关传感器协作或融合的方式分析约每分钟收集一次的温度读数的集合(持续时间超过两周)。通过这些示例，可以从所有读数中省略(例如通过减法)直流电平或平均电平，并且可以处理(例如通过傅里叶变换)所得到的Δ测量。根据这些示例，所得到的频谱线可以与工业系统过程中存在的特定机械行为或其它症状关联。在其它示例中，其它技术包括：可以查找调制的包络，可以查找仅持续较短时间(例如激增)的频谱模式的小波，跨通道分析以查找与包括振动在内的其它传感器的相关性等。
图31示出了DAQ仪器5400，该DAQ仪器5400可以与一个或多个模拟传感器5402和端点节点5404集成，以提供流传感器5410或智能传感器，上述传感器可以接收模拟信号，处理模拟信号并将模拟信号数字化，然后将其发送到多个实施例中的一个或多个外部监测系统5412，该外部监测系统5412可以连接本文公开的方法和系统，与本文公开的方法和系统对接，或者与本文公开的方法和系统集成。监测系统5412可以包括可与CDMS 5084通信的流中心服务器5420。在实施例中，CDMS 5084可以与云数据5430和云服务5432关联、一起使用并集成，上述云数据5430和云服务5432可以通过一个或多个云网络设施5080来访问。在实施例中，流中心服务器5420可以与另一个流传感器5440连接，该流传感器5440可以包括DAQ仪器5442、端点节点5444，以及一个或多个模拟传感器(例如模拟传感器5448)。流中心服务器5420可以连接其它流传感器(例如流传感器5460)，该流传感器可以包括DAQ仪器5462、端点节点5464，以及一个或多个模拟传感器(例如模拟传感器5468)。
在实施例中，可以采用流中心服务器5480等其它流中心服务器，该流中心服务器可以与其它流传感器(例如流传感器5490)连接，该流传感器可以包括DAQ仪器5492、端点节点5494，以及一个或多个模拟传感器(例如模拟传感器5498)。在实施例中，流中心服务器5480还可以与其它流传感器(例如流传感器5500)连接，该流传感器可以包括DAQ仪器5502、端点节点5504，以及一个或多个模拟传感器(例如模拟传感器5508)。在实施例中，传输可以采用平均总体水平，并且在其它示例中，传输可以包括以规定和/或固定速率采样的动态信号。在实施例中，流传感器5410、流传感器5440、流传感器5460、流传感器5490和流传感器5500可以配置为获取模拟信号，然后将包括耦合、平均、积分、微分、缩放、各种滤波等信号调节应用于这些模拟信号。流传感器5410、流传感器5440、流传感器5460、流传感器5490和流传感器5500可以配置为以可接受的速率和分辨率(比特数)将模拟信号数字化，并根据需要进一步处理数字化信号。流传感器5410、流传感器5440、流传感器5460、流传感器5490和流传感器5500可以配置为以预定的可调节且可重调节的速率传输该数字化信号。在实施例中，流传感器5410、流传感器5440、流传感器5460、流传感器5490和流传感器5500配置为以充分高效的速率获取数据，将该数据数字化，处理并传输该数据，使得可以在适当长的时间段内保持相对一致的数据流，从而可以证明可进行大量有效分析。在许多实施例中，数据流中不存在间隙，并且数据长度应该相对较长，尽管实际考虑通常需要结束流，但是理想情况下持续无限量的时间。根据本发明，应了解，在流中实际上无间隙的这种较长持续时间数据流不同于更常用的激增收集，在激增收集中，数据在相对短的时间段内被收集(即短脉冲串收集)，然后暂停，然后会出现另一个激增收集等。在通过非连续激增收集的常用数据集合中，可以较低的速率收集数据以进行低频分析，并以较高的速率收集数据以进行高频分析。相比之下，在本发明的许多实施例中，(i)流数据为一次收集，(ii)以最有用且可能的采样率收集流数据，以及(iii)以足够长的时间收集流数据，从而可以执行低频分析以及高频分析。为便于收集流数据，在流传感器5410、流传感器5440、流传感器5460、流传感器5490和流传感器5500等一个或多个流传感器上必须有足够的存储内存，以便可以在内存溢出之前在外部将新数据卸载到另一个系统中。在实施例中，可以将该内存中的数据存储到“先进先出”(FIFO)模式，并且可以从该模式进行访问。在这些示例中，具有FIFO区域的存储器可以是双端口，使得传感器控制器可以在外部系统从不同部分读取时写入存储器的一部分。在实施例中，可以通过信号量逻辑来管理数据流量。
根据本发明，应了解，因为探针的自然共振与质量的平方根成反比并且探针的自然共振将被降低，因此质量较大的振动换能器将具有较低的线性频率响应范围。因而，共振响应本质上是非线性的，因此具有较低固有频率的换能器将具有较窄线性通带频率响应。根据本发明，应了解，在高于固有频率的情况下，传感器的幅度响应将逐渐减小到可忽略甚至不可用的水平。考虑到这一点，因此高频加速度计的质量往往非常小，约为一克的一半。根据本发明，应了解，在某些情况下，增加流传输所需的信号处理及数字化电子器件，可能会使得传感器在测量高频活动的许多情况下不可用。
在实施例中，流集线器5420和流集线器5480等流集线器可以通过线缆有效地将流传输所需的电子器件移动到外部集线器。根据本发明，应了解，流集线器实际上可以位于流传感器附近，或者流集线器与流传感器可以相距集线器电子驱动能力所支持的距离。在使用互联网缓存协议(Internet Cache Protocol，简称ICP)的情况下，基于预期频率响应、线缆容量等，集线器的电子驱动能力所支持的距离可以在100英尺至1000英尺(30.5米至305米)之间。在实施例中，流集线器可以位于便于接收电力以及连接网络(可以是LAN也可以是WAN)的位置处。在实施例中，其它电力选项可以包括太阳能、热能以及能量收集。流传感器与任意外部系统之间的传输可以是无线传输，也可以是有线传输，并且该传输可以涵盖802.11和900MHz无线系统、以太网、USB、火线接口等标准通信技术。
参考图22，DAQ仪器5002的许多示例包括可以从本地数据控制应用5062向主原始数据服务器(Master Raw Data Server，简称MRDS)5082上传数据的实施例。在实施例中，还可以将多媒体探针(Multimedia Probe，简称MMP)和探针控制、序列和分析(ProbeControl,Sequence and Analytical，简称PCSA)信息存储器5040中的信息从MRDS 5082下载到DAQ仪器5002。图32中示出了MRDS 5082的进一步细节，包括可以经由有线网络或无线网络或者通过与一个或多个便携式媒体、驱动器的连接、其它网络连接等从DAQ仪器5002向MRDS 5082传输数据的实施例。在实施例中，DAQ仪器5002可以配置为便携式，并且设置在一个或多个预定路线上以评估预定测量点。在许多示例中，MRDS 5082中可包括的操作系统可以是WindowsTM操作系统、LinuxTM操作系统或MacOSTM操作系统，或者其它类似操作系统。此外，在这些设置中，操作系统、操作系统的模块以及其它所需的库、数据存储器等可以通过访问云网络设施5080来全部或部分访问。在实施例中，特别是在在线系统示例中，MRDS5082可以直接驻留在DAQ仪器5002上。在实施例中，DAQ仪器5002可以链接在设施中的内网上，也可以通过其它方式链接在防火墙之后。在其它示例中，DAQ仪器5002可以链接到云网络设施5080。在各种实施例中，可以为计算机或移动计算设备中之一有效地指定MRDS5082，所有其它计算设备可以向该MRDS 5082提供数据，例如图41和图42中所示的MRDS6104的其中之一。在DAQ仪器5002可以部署和配置为接收群环境中的流数据的许多示例中，可以为DAQ仪器5002中的一个或多个有效地指定MRDS 5082，所有其它计算设备可以向该MRDS 5082提供数据。在许多示例中，DAQ仪器5002可以部署和配置为在本文公开的方法和系统为智能地分配、控制、调整和重调整数据池、计算资源、用于本地数据收集的网络带宽等环境中接收流数据，可以为DAQ仪器5002中的一个或多个有效地指定MRDS 5082，所有其它计算设备可以向该MRDS 5082提供数据。
进一步参考图32，可以在各种环境中根据需要或扩展要求将新的原始流数据，以及已通过提取、处理和校准处理等的数据(EP数据)上传到一个或多个主原始数据服务器。在实施例中，主原始数据服务器(Master Raw Data Server，简称MRDS)5700可以连接到其它主原始数据服务器(例如MRDS 5082)，并从其它主原始数据服务器接收数据。MRDS 5700可以包括数据分发管理器模块5702。在实施例中，新原始流数据可以存储在新流数据存储库5704中。在许多情况下，与在DAQ仪器5002上存储的原始数据流一样，新流数据存储库5704以及新提取和处理数据存储库5708可以采用类似的方式配置为暂时存储区。
在实施例中，MRDS 5700可以包括具有提取和处理调整模块的流数据分析器模块。分析器模块5710可以被示出为数据分析器和提取器，该数据分析器和提取器与通常在便携式流DAQ上可用的数据分析器和提取器相比更稳健，尽管通常在便携式流DAQ上可用的数据分析器和提取器也可以部署在DAQ仪器5002上。在实施例中，分析器模块5710获取流数据，并且以与DAQ仪器5002上本地数据控制模块5062类似的特定采样率和分辨率对流数据进行实例化。分析器模块5710的特定采样率和分辨率可以基于用户输入5712，或者可以基于来自多媒体探针(MMP)以及探针控制、序列和分析(PCSA)信息存储器5714和/或识别映射表5718中的自动提取，其中，如果存在与结合DAQ仪器5002所详述的各种形式的原有数据类似的原有数据的不完整信息，则可能需要用户输入5712。在实施例中，可以使用分析器模块5710处理原有数据，并且可以将原有数据存储在一个或多个暂时保存区域，例如新的原有数据存储库5720中。可以将一个或多个暂时区域配置为保存数据，直到将数据复制到存档并完成验证为止。分析器模块5710还可以通过提供许多不同类型的信号处理工具来促进深入分析，上述信号处理工具包括但不限于滤波、傅里叶变换、加权、重采样、包络解调、小波、双通道分析等。根据该分析，可以从报告和绘图模块5724中生成许多不同类型的绘图和小报告。在实施例中，数据在用户启动时或以自动方式(特别是对于在线系统)发送到处理、分析、报告和存档(Processing,Analysis,Reports,and Archiving，简称PARA)服务器5730。
在实施例中，PARA服务器5750可以连接到其它PARA服务器(例如PARA服务器5730)，并且可以从该服务器接收数据。参考图34，PARA服务器5730可以向PARA服务器5750上的监管模块5752提供数据，该监管模块5752可以配置为提供处理功能、分析功能、报告功能、存档功能、监管功能及类似功能中的至少一种。监管模块5752还可以包含提取、处理及对齐功能等。在实施例中，传入流数据可以在正确验证之后先存储在原始数据流存档5760中。基于来自多媒体探针(MMP)和探针控制、序列和分析(PCSA)信息存储器5762以及用户设置的分析要求，可以提取、分析数据并将数据存储在提取和处理(EP)原始数据存档5764中。在实施例中，来自报告模块5768的各种报告可以由监管模块5752生成。来自报告模块5768的各种报告包括各种智能带的趋势图、总体图以及统计模式等。在实施例中，报告模块5768还可以配置为将输入数据与历史数据进行比较。通过这些示例，报告模块5768可以搜索和分析不利趋势、突然变化、机械缺陷模式等。在实施例中，PARA服务器5750可以包括专家分析模块5770，从该专家分析模块5770生成报告，并执行分析。完成后，可以经由可连接到局域网的服务器模块5774将存档数据馈送到本地主服务器(Local Master Server，简称LMS)5772。在实施例中，还可以经由云数据管理服务器(Cloud Data Management Server，简称CDMS)5778通过用于云网络设施5080的服务器模块将存档数据馈送到LMS 5772。在实施例中，PARA服务器5750上的监管模块5752可以配置为提供处理功能、分析功能、报告功能、存档功能、监管功能及类似功能中的至少一种，根据这些功能可以利用报警生成器模块5782生成报警、评估报警、存储报警、修改报警、重分配报警等。
图34描绘了包括PARA服务器及其与LAN 5802的连接的各种实施例。在实施例中，一个或多个DAQ仪器(例如DAQ仪器5002)可以从一个或多个模拟传感器5710接收和处理模拟数据，该模拟传感器的数据可以馈送到DAQ仪器5002。如本文所讨论的，DAQ仪器5002可以基于从一个或多个模拟传感器获取的模拟数据来创建数字数据流。可以将来自DAQ仪器5002的数字数据流上传到MRDS 5082，并且可以从MRDS 5082将数字数据流发送到PARA服务器5800，其中多个终端(例如终端5810、终端5812和终端5814)可以各自与PARA服务器5800或MRDS 5082交互并查看数据和/或分析报告。在实施例中，PARA服务器5800可以与可包括LMS 5822的网络数据服务器5820通信。在这些示例中，LMS 5822可以配置为用于存档数据的可选存储区域。LMS 5822还可以配置为外部驱动器，该外部驱动器可以连接到可运行LMS5822的PC或其它计算设备；或者LMS 5822可以由PARA服务器5800直接运行，其中LMS 5822可以配置为与PARA服务器5800一起操作和共存。LMS 5822可以与原始数据流存档5824、提取和处理(EP)原始数据存档5828、以及MMP和探针控制、序列和分析(PCSA)信息存储器5830连接。在实施例中，CDMS 5832还可以连接到LAN 5802，并且还可以支持数据存档。
在实施例中，如图35所示，诸如平板电脑5852和智能手机5854等便携式连接设备5850可以分别使用网络API 5860和API 5862连接CDMS5832。API 5860和API 5862可以配置为在浏览器中执行并且可以允许通过云网络设施5870访问先前讨论的可通过PARA服务器5800访问的所有(或一些)功能。在实施例中，用户5880的计算设备(例如计算设备5882、计算设备5884和计算设备5888)也可以通过浏览器或其它连接来访问云网络设施5870，以接收相同的功能。在实施例中，瘦客户端应用不需要任何其它设备驱动器，并且可以借助云服务5890和云数据5892支持的网络服务来实现。在许多示例中，可以使用可视化的高级LabVIEWTM编程语言以及NXGTM基于网络的虚拟接口子程序等，来开发和重新配置瘦客户端应用。在实施例中，瘦客户端应用可以提供高级图形功能，例如LabVIEWTM工具支持的功能。在实施例中，LabVIEWTM工具可以生成JSCRIPTTM代码和JAVATM代码，这些代码可以在编译-之后被编辑。NXGTM工具可以生成网页VI系列，其可以不需要任何专用驱动器，而仅仅需要一些可以从任意浏览器轻松安装的RESTfulTM服务。根据本发明，应了解，由于可以在浏览器内运行各种应用，因此可以在尤其用于个人设备、移动设备、便携式连接设备等的WindowsTM操作系统、LinuxTM操作系统和AndroidTM操作系统等任意操作系统上运行应用。
在实施例中，图36中更详细地描绘了CDMS 5832。在实施例中，CDMS 5832可以提供PARA服务器5800(图34)能够提供的所有数据存储和服务。相比之下，所有API系列可以是能够在浏览器中运行的网络API系列，并且所有其它应用均可以在PARA服务器5800或DAQ仪器5002上运行，该DAQ仪器5002通常可以是WindowsTM操作系统、LinuxTM操作系统或其它类似操作系统。在实施例中，CDMS 5832包括以下功能中的至少一种或其组合：CDMS 5832可以包括云GUI 5900，该云GUI 5900可以配置为提供对所有数据图的访问权限，其中数据图包括趋势、波形、频谱、包络、传递函数、测量事件的日志、分析(包括专家分析)、效用等。在实施例中，CDMS 5832可以包括云数据交换5902，该云数据交换5902配置为便于向云网络设施5870传输数据以及从云网络设施5870传输数据。在实施例中，CDMS 5832可以包括云图/趋势模块5904，该云图/趋势模块5904可以配置为显示通过网络应用绘制的所有图，可以包括趋势、波形、频谱、包络、传递函数等。在实施例中，CDMS 5832可以包括云报告器5908，该云报告器5908可以配置为提供所有分析报告、日志、专家分析、趋势图、统计信息等。在实施例中，CDMS 5832可以包括云报警模块5910。可以生成云报警模块5910的报警，并且可以经由电子邮件、文本或其它消息传递机制将报警发送到各种设备5920。来自各种模块的数据可以存储在新数据5914中。各种设备5920可以包括终端5922、便携式连接设备5924或平板电脑5928。云报警模块的报警被设计为交互式，以便终端用户可以确认报警从而避免接收冗余报警，并且还可以查看报警点的重要情景敏感数据，包括频谱、波形统计信息等。
在实施例中，关系数据库服务器(Relational Database Server，简称RDS)5930可以用于从MMP和PCSA信息存储器5932中访问所有信息。与PARA服务器5800(图36)一样，EP和对齐模块5934、数据交换5938以及专家系统模块5940可以使用来自信息存储5932的信息。在实施例中，与PARA服务器5800一样，EP对齐模块5934、数据交换5938和专家系统5940也可以使用原始数据流存档5942以及提取和处理原始数据存档5944。在实施例中，CDMS 5832可以管理新流原始数据5950、新提取和处理原始数据5952以及新数据5954(基本上所有其它原始数据，例如总体图、智能带、统计数据、来自信息存储器5932的数据)。
在实施例中，可以使用技术数据管理流(Technical Data ManagementStreaming，简称TDMS)文件格式将流数据与RDS 5930以及MMP和PCSA信息存储器5932链接。在实施例中，信息存储器5932可以包括用于记录所有测量事件的至少一部分的表格。通过这些示例，测量事件可以是任意单个数据捕获、流、快照、平均级别或整体级别。每个测量事件可以具有点识别信息，还可以具有日期和时间戳。在实施例中，可以使用TDMS格式在流数据、测量事件和信息存储器5932中的表格之间建立链接。通过这些示例，可以通过包括TDMS属性并分配TDMS属性，通过存储具有TDMS格式的文件结构的唯一测量点识别码来创建链接。在实施例中，具有TDMS格式的文件可以允许三个级别的层级。通过这些示例，这三个级别的层级可以是根、组和通道。根据本发明，应了解，MimosaTM数据库模式在理论上可以是无限的。虽然如此，但有限的TDMS层级结构具有众多优势。在许多示例中，可以提出以下属性，以便在使用Mimosa兼容数据库模式时添加到TDMS流结构中。
根级别：全局标识1：文本字符串(这可以是从网络获得的唯一标识)；全局标识2：文本字符串(这可以是从网络获得的附加标识)；公司名称：文本字符串；公司标识：文本字符串；公司段标识：4字节整数；公司段标识：4字节整数；网站名称：文本字符串；网站段标识：4字节整数；网站资产标识：4字节整数；路径名称：文本字符串；版本号：文本字符串
组级别：第1节名称：文本字符串；第1节段标识：4字节整数；第1节资产标识：4字节整数；第2节名称：文本字符串；第2节段标识：4字节整数；第2节资产标识：4字节整数；机器名称：文本字符串；机器段标识：4字节整数；机器资产标识：4字节整数；设备名称：文本字符串；设备段标识：4字节整数；设备资产标识：4字节整数；轴名称：文本字符串；轴段标识：4字节整数；轴资产标识：4字节整数；轴承名称：文本字符串；轴承段标识：4字节整数；轴承资产标识：4字节整数；探针名称：文本字符串；探针段标识：4字节整数；探针资产标识：4字节整数
通道级别：通道编号：4字节整数；方向：4字节整数(在某些示例中可能是文本)；数据类型：4字节整数；预留名称1：文本字符串；预留段标识1：4字节整数；预留名称2：文本字符串；预留段标识2：4字节整数；预留名称3：文本字符串；预留段标识3：4字节整数
在实施例中，具有TDMS格式的文件可以自动使用属性或资产信息，并且可以根据特定属性和资产信息制作索引文件以便于数据库搜索，具有TDMS格式的文件可以用于存储大量数据流，因为可以优化具有TDMS格式的文件以便存储二进制数据流，也可以包括一些最小数据库结构，使得许多标准SQL操作可行，但是本文讨论的TDMS格式和功能可能不如完整的SQL关系数据库那样有效。然而，TDMS格式可以利用这两方面的优点，即可以在有效编写和存储大量二进制数据流的类别或格式与完全关系数据库的类别或格式之间取得平衡，这有助于搜索、排序和数据恢复。在实施例中，可以找到下述优化解决方案，可以通过在两个数据库方法之间建立链接，将分析用途所需的元数据以及具有用于流收集的面板条件的提取规定列表存储在RDS 5930中。通过这些示例，相对较大的模拟数据流可以作为二进制数据流主要存储在原始数据流存档5942中，以便按照固有关系SQL类型规定、格式、约定等用于快速流加载。具有TDMS格式的文件还可以配置为包含LabVIEWTM软件的DIAdemTM报告功能，以便提供其它机制来方便且快速地促进模拟或流数据的访问。
本文所公开的方法和系统可以包括虚拟数据采集仪器，连接到虚拟数据采集仪器，或者与虚拟数据采集仪器集成，并且在许多实施例中，图37示出了包括虚拟流DAQ仪器6000(也称为虚拟DAQ仪器、VRDS或VSDAQ)的方法和系统。与DAQ仪器5002(图22)相比，虚拟DAQ仪器6000可以配置为仅包括一个原生应用。在许多示例中，一个授权的原生应用可以是DAQ驱动器模块6002，该DAQ驱动器模块6002可以管理与可包括流功能的DAQ仪器6004的所有通信。在实施例中，其它应用(如有)可以配置为瘦客户端网络应用，例如RESTfulTM网络服务。可以通过DAQ网络API 6010访问一个原生应用或其它应用或服务。DAQ网络API 6010可以在各种网络浏览器中运行，或者可以通过各种网络浏览器来访问。
在实施例中，流数据的存储以及流数据的提取和处理(处理为提取和处理数据)可以主要由DAQ驱动器服务6012在DAQ网络API 6010的指导下处理。在实施例中，来自各种类型的传感器的输出(包括振动、温度、压力、超声波等)可以馈送到DAQ仪器6004的仪器输入中。在实施例中，可以对从传感器输出的信号进行缩放调节和滤波调节，并且可以通过模拟数字转换器对信号进行数字化处理。在实施例中，输出传感器的信号可以是来自所有相关通道、以足以执行最大预期频率分析的速率同时采样的信号。在实施例中，输出传感器的信号可以作为一个连续流在相对长的时间内进行无间隙采样，以便能够以较低的采样率和足够的样本进行各种进一步的后处理。在其它示例中，可以将流频率调整(和重调整)为以非均匀间隔的记录方式记录流数据。对于温度数据、压力数据以及可能相对较慢的其它类似数据，样本之间的变化Δ时间可以进一步改善数据的质量。通过上述示例，来自点集合的数据可以流传输，然后可以根据规定的序列、路线、路径等从附加点收集下一组数据。在许多示例中，便携式传感器可以根据规定的顺序移动到下一个位置，但因为其中一些便携式传感器可以用于参考相位或其它用途，因而不一定需将全部便携式传感器移动到下一个位置。在其它示例中，复用器6020可以用于切换到下一个点集合，或者可以组合使用这两种方法。
在实施例中，可以从MMP PCSA信息存储器6022中获得序列和面板条件，其中序列和面板条件可以用于使用虚拟DAQ仪器6000来管理数据收集过程。MMP PCSA信息存储器6022可以包括以下项目：机器的层级结构关系，即机器包含设备，其中每个设备包含轴并且每个轴与轴承相关联，这可以在特定面板条件下根据特定的规定顺序由特定类型的换能器或探针监控(路线、路径等)监测。通过这些示例，面板条件可以包括硬件特定开关设置或其它收集参数，例如，采样率、AC/DC耦合、电压范围和增益、积分、高通和低通滤波、抗混叠滤波、ICPTM换能器，以及其它集成电路压电换能器、4-20mA环路传感器等。信息存储器6022包括对于正确分析非常重要的机械特定特征等其它信息，该机械特定特征包括齿轮的齿数、泵叶轮中的叶片数量、电机转子条的数量、承载计算轴承频率所需的特定参数、所有旋转元件的1倍转速(RPM)等。
在DAQ网络API 6010软件的指示下，可以使用虚拟DAQ仪器6000的DAQ驱动器服务6012来上传数字化波形。在实施例中，数据可以馈送到RLN数据和控制服务器6030中，该RLN数据和控制服务器6030可以将流数据存储到网络流数据存储库6032中。与DAQ仪器5002不同，服务器6030可以在DAQ驱动器模块6002内运行。根据本发明，应了解，单独的应用可能需要驱动程序，以便在原生操作系统中运行，该仪器仅需仪器驱动程序才可以在本机运行。在许多示例中，所有其它应用均可以配置为基于浏览器的应用。因此，相关的网络变量可以非常类似于LabVIEWTM共享变量或网络流变量，这些变量可以设计为通过一个或多个网络访问或者通过网络应用访问。
在实施例中，DAQ网络API 6010还可以指示本地数据控制应用6034提取和处理最近获取的流数据，进而将该流数据转换为足够长度的相同采样率或较低采样率以提供预期分辨率。可以将该数据转换为频谱，然后以各种方式取平均值和处理该数据，并且将其存储在EP数据存储库6040等上作为EP数据。在某些实施例中，EP数据存储库6040仅用于暂时存储。根据本发明，应了解，原有数据可能需要其自身的采样率和分辨率，并且特别是对于其采样频率与外部频率直接相关的顺序采样数据而言，该采样率通常可以不与所获取的采样率成整数比例。外部频率通常可以是机器或其内部元件的运行速度，而不是由DAQ仪器5002和DAQ仪器6000的内部晶体、时钟功能等产生的更标准的采样率(例如Fmax的值为100、200、500、1K、2K、5K、10K、20K等)。在实施例中，本地数据控制应用6034的EP校准元件能够以分数方式将采样率调整为更适用于原有数据集的非整数比率，从而提升了与原有系统的兼容性。在实施例中，因为可以基于DAQ仪器5002和DAQ仪器6000获取的原始流数据的深度和内容调整待处理数据(或者更大数据流的至少一部分)的长度，因此分数比率可以更容易地转换为整数比率。根据本发明，应了解，如果数据未被流传输并且仅存储为具有标准值Fmax的频谱的传统快照，则很可能将所收集的数据不可追溯地且准确地转换为顺序采样数据。在实施例中，特别是对于原有数据，可以将流数据转换为EP原有数据存储库6042等中描述和存储的适当采样率和分辨率。为支持原有数据识别场景，在没有自动识别转换过程的情况下，可以包括用户输入6044。在实施例中，此类用于识别转换的自动化过程可以包括从原有系统输入数据，该原有系统可以包含MimosaTM格式等完全标准化格式，以及用于完成标识映射表6048的足够的识别信息。在其它示例中，终端用户、原有数据供应商、原有数据存储设施等能够提供足够的信息来完成(或充分完成)标识映射表6048的相关部分，进而提供用于原有系统的原始数据的数据库模式，使得原有系统的原始数据可以轻松获取和保存并用于本文公开的当前系统中的分析。
图38描绘了虚拟DAQ仪器6000的其它实施例和细节。在这些示例中，DAQ网络API6010可以控制数据收集过程及其序列。DAQ网络API6010可以提供以下功能：编辑该数据收集过程、查看数据图、控制该数据的处理以及以其所有各种形式查看输出、分析数据(包括专家分析)、经由DAQ驱动器模块6002与外部设备通信，以及与一个或多个云网络设施5080通信并且尽可能将流数据和EP数据传输到一个或多个云网络设施5080。在实施例中，当本地需求可能需要或者仅仅由于在整个专有工业设置中没有外部连接此类使用而阻止此类信号时，虚拟DAQ仪器本身和DAQ网络API6010可以独立于云网络设施5080的访问运行。在实施例中，DAQ网络API6010还可以管理数据的移动、过滤以及许多其它管理功能。
虚拟DAQ仪器6000还可以包括专家分析模块6052。在实施例中，专家分析模块6052可以是网络应用或者可生成报告6054的其它合适模块，该模块可以利用来自MMP PCSA信息存储器6022的机器或测量点特定信息，使用流数据分析器模块6050来分析流数据6058。在实施例中，DAQ网络API 6010可以提供对专家分析模块6052的监管控制。在实施例中，还可以经由专家系统模块5940提供(或补充)专家分析，该专家系统模块5940可以驻留在可经由CDMS 5832访问的一个或多个云网络设施上。在许多示例中，由于最新软件版本的可用性和使用、更多处理能力、更大量的历史数据参考等各种原因，经由云的专家分析可以优于本地系统，例如专家分析模块6052。根据本发明，应了解，重要的是，能够在无法建立互联网连接时提供专家分析，以便在需要时提供冗余，以便进行无缝且时间有效的操作。在实施例中，该冗余可以扩展到所讨论的所有模块化软件应用和数据库(如果适用)，因此本文讨论的每个模块均可配置为提供冗余，以在没有互联网连接的情况下继续运行。
图39描绘了许多虚拟DAQ仪器的其它实施例和细节，该虚拟DAQ仪器位于在线系统中并且通过网络端点经由中央DAQ仪器连接到一个或多个云网络设施。在实施例中，提供了具有网络端点6060的主DAQ仪器以及附加DAQ仪器，例如具有网络端点6062的DAQ仪器、具有网络端点6064的DAQ仪器，以及具有网络端点6068的DAQ仪器。具有网络端点6060的主DAQ仪器可以通过LAN 6070与具有网络端点6062、网络端点6064、网络端点6068的其它DAQ仪器连接。应当理解，仪器6060、仪器6062、仪器6064、仪器6068中的每一个可以包括个人计算机、连接设备以及包括WindowsTM，LinuxTM或其它适当操作系统的类似设备，以便利用许多有线网络选项和无线网络选项(如以太网、无线802.11g、900MHz无线网络)以及在需要时使用现有通信硬件所允许的各种其它方式来轻松连接设备(例如，以便更好地穿透墙壁、外壳以及在工业环境中经常遇到的其它结构性障碍物)。
图40描绘了可以在各种设置、环境和网络连接设置中使用的端点的许多功能元件的其它实施例和细节。该端点包括端点和硬件模块6080。在实施例中，端点硬件模块6080可以包括一个或多个复用器6082、DAQ仪器6084，以及计算机6088、计算设备、PC，以及可包括如本文所公开的复用器、DAQ仪器、计算机、连接设备等的设备。端点软件模块6090包括数据收集器应用(data collector application，简称DCA)6092和原始数据服务器(raw dataserver，简称RDS)6094。在实施例中，DCA 6092可以类似于DAQ API 5052(图22)，并且DCA6092可以配置为用于从DAQ仪器6084获取流数据并根据规定的序列或用户指令将流数据存储在本地。在许多示例中，规定的序列或用户指令可以是LabVIEWTM软件应用，该LabVIEWTM软件应用可以控制来自DAQ仪器的数据并从DAQ仪器中读取数据。对于基于云的在线系统，许多实施例中的存储数据可以进行网络可访问。在许多示例中，可以使用LabVIEWTM工具通过共享变量或网络流(或共享变量的子集)来实现此目的。共享变量及其附属网络流可以是可优化用于通过网络共享数据的网络对象。在许多实施例中，DCA 6092可以配置有图形用户界面，该图形用户界面可以配置为尽可能有效且快速地收集数据并将数据推送到共享变量及其附属网络流。在实施例中，端点原始数据服务器6094可以配置为从单进程共享变量读取原始数据，并且可以将原始数据与主网络流一起部署。在实施例中，来自便携式系统的原始数据流可以暂时存储在本地，直到原始数据流被推送到MRDS 5082(图22)为止。根据本发明，应了解，网络中的在线系统仪器可以被称为本地端点或远程端点或者与局域网或广域网关联的端点。对于可以与一个或多个云网络设施无线连接或者可以不与一个或多个云网络设施无线连接的便携式数据收集器应用，可以如前所述省略端点术语，以便详述可能不需要网络连接的仪器。
图41描绘了具有其各自软件块的多个端点的其它实施例和细节，其中这些设备中的至少一个设备配置为主块。每个块可以包括数据收集器应用(Data CollectorApplication，简称DCA)7000和原始数据服务器(Raw Data Server，简称RDS)7002。在实施例中，每个块还可以包括主原始数据服务器模块(Master Raw Data Server module，简称MRDS)7004、主数据收集和分析模块(Master Data Collection and Analysis module，简称MDCA)7008，以及监管和控制接口模块(supervisory and control interface module，简称SCI)7010。MRDS 7004可以配置为(至少)从其它端点读取网络流数据，并且可以经由包括云服务5890和云数据5892的CDMS 5832将网络流数据转发到一个或多个云网络设施。在实施例中，CDMS 5832可以配置为存储数据并提供网络服务、数据服务和处理服务。在这些示例中，这可以通过LabVIEWTM应用实现，该应用可以配置为从网络流中读取数据或者共享所有本地端点中的变量，将它们写入本地主机PC、本地计算设备、连接设备等，作为网络流以及具有TDMSTM格式的文件。在实施例中，CDMS 5832还可以配置为使用LabVIEW或类似软件将该数据发布到适当的存储桶，上述软件可以由来自亚马逊网络服务器上的亚马逊网络服务(Amazon Web Services，AWSTM)的S3TM网络服务等支持，并且可以有效地用作后端服务器。在许多示例中，针对何时发布数据，创建或调整时间表，创建或调整事件触发(包括新数据事件)，创建缓冲器满溢信息，创建报警消息或更多报警消息等，可以启用不同的标准，或者可以设置不同的标准。
在实施例中，MDCA 7008可以配置为提供对原始数据的自动化及用户导向分析，该分析可以包括跟踪和评注特定事件，由此可以注意到可生成报告的位置并且可以注意到报警。在实施例中，SCI 7010可以是配置成从云提供系统的远程控制并具有生成状态和报警功能的应用。在实施例中，SCI7010可以配置为连接到监控控制和数据采集(supervisorycontrol and data acquisition，简称SCADA)控制系统，与SCADA控制系统对接，或者集成到SCADA控制系统中。在实施例中，SCI 7010可以配置为可提供远程控制和状态报警的LabVIEWTM应用，其中可以将该远程控制和状态报警提供给可连接到一个或多个云网络设施5870的任意远程设备。
在实施例中，被监测设备可以包括可提供重要机械分析背景信息的RFID标签。RFID标签可以与整个机器相关联或者与各个元件相关联，并且可以在更换、修理或重建机器的某些元件时替换RFID标签。RFID标签可以提供与单元寿命相关的永久信息，或者也可以重新闪存以利用至少一部分新信息进行更新。在许多实施例中，本文公开的DAQ仪器5002可以询问一个或多个RFID芯片，以获知机器、机器元件、机器的服务历史以及如何连接所有部分的分层结构(包括驱动图、线图和液压布局)。在实施例中，可以从RFID标签检索下述一些信息：制造商、机器类型、型号、序列号、型号、制造日期、安装日期、批号等。通过这些示例，机械类型可以包括使用MimosaTM格式表，该MimosaTM格式表包括关于电机、齿轮箱、风扇和压缩机中的一种或多种的信息。机械类型还可以包括轴承的数量、类型、位置和标识号。与一个或多个风扇相关的信息包括风扇类型、叶片数量、叶轮数量和皮带数量。根据本发明，应了解，其它机器及其元件可以通过类似方式分层级地布置相关信息，所有这些信息都可以通过询问与一个或多个机器相关联的一个或多个RFID芯片获取。
在实施例中，工业环境中的数据收集可以包括将来自多个来源(例如模拟传感器)的模拟信号路由到多个模拟信号处理电路。模拟信号的路由可以通过模拟交叉点开关来实现，该模拟交叉点开关可以将多个模拟输入信号中的任意一个路由到多个输出中的任意一个(例如模拟输出和/或数字输出)。工业环境中通过模拟信号交叉点开关实现的输入到输出的路由是可配置的，例如，可以通过模拟交叉点开关的开关部分所响应的电子信号进行配置。
在实施例中，模拟交叉点开关可以从工业环境中的多个模拟信号源接收模拟信号。模拟信号源可以包括产生模拟信号的传感器。产生模拟信号(模拟信号可通过模拟交叉点开关切换)的传感器可以包括下述传感器，该传感器能够检测条件并将该条件转换为可以表示条件的模拟信号，例如，将条件转换成相应的电压。可以由可变电压表示的示例性条件可以包括温度、摩擦、声音、光、扭矩、每分钟转数、机械阻力、压力、流速等，以及由贯穿本发明和通过引用并入本文的文件所公开的输入源和传感器表示的任意条件。其它形式的模拟信号可以包括电信号，例如可变电压、可变电流、可变电阻等。
在实施例中，模拟交叉点开关可以保留在工业环境中输入到模拟交叉点开关中的模拟信号的一个或多个方面。集成于该开关中的模拟电路可以提供缓冲输出。模拟交叉点开关的模拟电路可以跟随输入信号(例如输入电压)，以在输出上产生缓冲表示。这可以替代性地通过继电器(机械继电器、固态继电器等)来实现，该继电器使得存在于输入上的模拟电压或电流能够传输到模拟开关的选定输出。
在实施例中，工业环境中的模拟交叉点开关可以配置为将多个模拟输入中的任意一个切换到多个模拟输出中的任意一个。示例性的实施例包括MIMO、复用配置。模拟交叉点开关可以进行动态配置，因此配置变更可以导致输入到输出的映射发生改变。配置变更可以应用于一个或多个映射，因此映射发生改变可以使得一个或多个输出被映射到与配置变更之前不同的输入。
在实施例中，模拟交叉点开关的输入数量可以多于输出数量，使得输入的子集可以同时路由到输出。在其它实施例中，模拟交叉点开关的输出数量可以多于输入数量，使得单个输入当前可映射到多个输出，或者可以不用将至少一个输出映射到任意输入。
在实施例中，工业环境中的模拟交叉点开关可以配置为将多个模拟输入中的任意一个切换到多个数字输出中的任意一个。为了实现从模拟输入到数字输出的转换，可以在每个输入上、每个输出上或者模拟交叉点开关的输入与输出之间的中间点处配置模数转换器电路。在靠近模拟信号源的模拟交叉点开关处将模拟信号数字化的好处可以包括：降低数字信号通信相对于模拟信号传输的成本和复杂性，降低能耗，以及便于在异常情况在整个工业环境中扩展之前检测和控制异常情况等。靠近模拟信号源捕获模拟信号还有助于改进信号路由管理(例如要求同时路由多个信号)，可以更有效地免受外界影响。在该示例中，可以在本地捕获(和存储)一部分信号，同时可以通过数据收集网络传送另一部分信号。一旦数据收集网络具有可用带宽，则可以使用时间戳(可指示收集数据的时间)等传送本地存储的信号。对于同时需要比可用通道数多的数据收集通道的多个应用，该技术会很有用。采样控制还可以基于对有效采样数据的指示。作为示例，诸如工业环境中的传感器等信号源可以提供数据有效信号，该数据有效信号传输来自传感器的数据可用时间的指示。
在实施例中，将模拟交叉点开关的输入映射到输出可以基于工业环境中的可呈现给交叉点开关的一部分的信号路由计划。信号路由计划可以用于工业环境中的数据收集方法，该数据收集方法可以包括：沿多个模拟信号路径路由多个模拟信号。该方法可以包括：将多个模拟信号单独连接到模拟交叉点开关的输入，该模拟交叉点开关可以配置有路由计划。交叉点开关可以响应所配置的路由计划，将多个模拟信号的一部分路由到多个模拟信号路径的一部分。
在实施例中，模拟交叉点开关可以包括至少一个高电流输出驱动电路，其可能适合于沿着需要高电流的路径路由模拟信号。在实施例中，模拟交叉点开关可以包括至少一个电压限制输入，其可以有助于保护模拟交叉点开关免受由于过量模拟输入信号电压造成的损坏。在实施例中，模拟交叉点开关可以包括至少一个电流限制输入，其可以有助于保护模拟交叉点开关免受由于过量模拟输入电流造成的损坏。模拟交叉点开关可以包括多个互连的继电器，其可以有助于将输入路由到输出，而几乎没有实质的信号损失或者没有实质的信号损失。
在实施例中，模拟交叉点开关可以包括可检测一个或多个模拟输入信号条件的处理功能，例如信号处理等(例如编程处理器、专用处理器、数字信号处理器等)。为响应此类检测，可以执行一个或多个操作，例如，设置报警、向工业环境中的另一设备发送报警信号、改变交叉点开关配置、禁用一个或多个输出、打开或关闭开关的一部分、改变输出状态(例如通用数字或模拟输出等)。在实施例中，开关可以配置为处理输入，以在一个或多个输出上生成信号。可以在数据收集模板中配置要使用的输入、输入的处理算法、用于生成信号的条件、要使用的输出等。
在实施例中，模拟交叉点开关可以包括多于32个输入和多于32个输出。可以配置多个模拟交叉点开关，以使得即使每个开关提供少于32个输入和32个输出时，也可跨越多个交叉点开关将32个输入中的任意一个切换到32个输出中的任意一个。
在实施例中，适用于工业环境的模拟交叉点开关可以包括四个或更少的输入以及四个或更少的输出。每个输出可以配置为生成与映射的模拟输入对应的模拟输出，或者每个输出可以配置为产生相应映射输入的数字表示。
在实施例中，用于工业环境的模拟交叉点开关可以配置有电路，该电路便于在将输入信号与输出信号缓冲(例如隔离)时复制输入信号的至少一部分属性，例如电流、电压范围、偏移、频率、占空比、斜率等。或者，模拟交叉点开关可以配置有无缓冲的输入/输出，从而有效地产生基于双向的交叉点开关。
在实施例中，用于工业环境的模拟交叉点开关可以包括受保护的输入，其可以通过使用信号调节电路等避免输入出现损坏状况。受保护的输入可以防止开关损坏并防止与开关输出连接的下游设备损坏。作为示例，对这种模拟交叉点开关的输入可以包括电压限幅电路，该电压限幅电路可以防止输入信号的电压超过输入保护阈值。有源电压调节电路可以通过均匀地减小输入信号来缩放输入信号，使得输入上的最大电压不超过安全阈值。作为另一个示例，这种模拟交叉点开关的输入可以包括分流电路，该分流电路使得超过最大输入保护电流阈值的电流通过保护电路而不会进入开关。可以保护模拟开关输入，使模拟开关输免受静电放电和/或雷击。可以应用于模拟交叉点开关的输入的其它信号调节功能可以包括电压缩放电路，该电压缩放电路试图协助区分可能存在于输入上的有效输入信号和低电压噪声。然而，在实施例中，模拟交叉点开关的输入可以是无缓冲的和/或不受保护的输入，以对信号产生最小影响。诸如报警信号等信号或者不容易影响保护方案(例如上文描述的那些方案)的信号可以连接到模拟交叉点开关的无缓冲输入。
在实施例中，模拟交叉点开关可以配置可便于输入信号报警监控的电路、逻辑和/或处理元件。这种模拟交叉点开关可以检测满足报警条件的输入，并且对此进行响应，切换输入、切换输入到输出的映射、禁用输入、禁用输出、发出报警信号、激活/停用通用输出等。
在实施例中，用于在工业环境中收集数据的系统可以包括模拟交叉点开关，该模拟交叉点开关可以适于对模拟交叉点开关的一部分或者与模拟交叉点开关相关联的电路(例如输入保护设备、输入调节设备、开关控制设备等)选择性地通电或断电。模拟交叉点开关中可通电/断电的部分可以包括开关的输出、输入、分段等。在示例中，模拟交叉点开关可以包括一个模块化结构，该模块化结构可以将开关部分分成独立供电部分。基于诸如输入信号满足标准或者向模拟交叉点开关呈现配置值等条件，可以将一个或多个模块化部分通电/断电。
在实施例中，用于在工业环境中收集数据的系统可以包括可适于执行信号处理的模拟交叉点开关，该信号处理包括但不限于提供用于检测跨越电压参考的输入的电压参考(例如零伏，用于检测过零信号)；锁相环，便于捕获慢频信号(例如，每分钟低转速信号并检测其相应的相位)，相对于其它输入导出输入信号相位，相对于参考(例如参考时钟)导出输入信号的相位，相对于检测到的报警输入条件等导出输入信号相位。这种模拟交叉点开关的其它信号处理功能可以包括对delta-sigma A/D的输入过采样，以产生较低的采样率输出，以使得AA滤波器要求等最小化。即使在切换输入时，这种模拟交叉点开关也可以恒定的采样率支持长块采样，这可以有助于输入信号速率独立性并降低采样方案的复杂性。可以从可由电路(例如，可以使参考时钟的多个分量可用的时钟分频器电路)产生的多个采样率中选择恒定的采样率。
在实施例中，用于在工业环境中收集数据的系统可以包括模拟交叉点开关，该模拟交叉点开关可以适于支持在工业环境中实现数据收集/数据路由模板。模拟交叉点开关可以基于可检测或导出的工业环境中的条件来实现数据收集/数据路由模板，例如，输入信号满足一个或多个标准(例如，信号从第一条件转换为第二条件，在预定时间界面内输入信号没有转换(例如非活动输入)等)。
在实施例中，用于在工业环境中收集数据的系统可以包括模拟交叉点开关，该模拟交叉点开关可以适于从数据收集模板的一部分配置。可以自动完成配置(无需人为干预以执行配置操作或配置变更)，例如基于模板中的时间参数等。可以远程地完成配置，例如通过从远程位置发送信号，其中该信号可以通过模拟交叉点开关的开关配置特征进行检测。可以基于模拟交叉点开关的配置特征可检测的条件(例如定时器、输入条件、输出条件等)等动态完成配置。在实施例中，用于配置模拟交叉点开关的信息可以在流中提供作为一组控制线、数据文件、索引数据集等。在实施例中，用于交换机的数据收集模板中的配置信息可以包括：每个输入及相应输出的列表、每个输出功能(活动、非活动、模拟、数字等)的列表、用于更新配置的条件(例如输入信号满足条件)、触发信号、时间(相对于另一时间/事件/状态，或绝对值)、配置的持续时间等。在实施例中，开关配置可以是输入信号协议感知的，以便基于该协议可以从第一输入切换到第二输入以生成给定输出。在一个示例中，可以通过开关从第一视频信号切换为第二视频信号来启动配置变更。配置电路可以检测输入信号的协议，并在视频信号的同步阶段(例如在水平或垂直刷新期间)切换为第二视频信号。在其它示例中，当一个或多个输入处于零伏时，可以进行切换。对于从低于零伏转换到高于零伏的正弦信号，可以进行切换。
在实施例中，用于在工业环境中收集数据的系统可以包括模拟交叉点开关，该模拟交叉点开关可以适于通过将输入到开关的模拟信号转换为数字输出来提供数字输出。在基于数据收集模板等切换模拟输入之后，可以进行转换。在实施例中，开关输出的一部分可以是数字输出，而一部分可以是模拟输出。每个输出或输出组可以配置为模拟或数字输出或输出组，例如，基于包括在数据收集模板中或从数据收集模板导出的模拟交叉点开关输出配置信息。模拟交叉点开关中的电路可以感测输入信号电压范围并相应地智能地配置模数转换功能。作为示例，第一输入可以具有12伏的电压范围，第二输入可以具有24伏的电压范围。可以调整用于这些输入的模数转换器电路，以使得整个数字值范围(例如，8位信号的256个电平)将基本上通过线性方式映射到第一输入的12伏和第二输入的24伏。
在实施例中，模拟交叉点开关可以基于所连接模拟信号的特性自动配置输入电路。电路配置的示例可以包括对最大电压、基于感测的最大阈值的阈值、高于和/或低于接地参考的电压范围、偏移参考等进行设置。模拟交叉点开关还可以调整输入以支持电压信号、电流信号等。模拟交叉点开关可以检测输入信号的协议，例如视频信号协议、音频信号协议、数字信号协议、基于输入信号频率特性的协议等。基于传入信号适用的模拟交叉点开关的输入的其它方面可以包括信号的采样持续时间，以及比较器或差分类型信号等。
在实施例中，模拟交叉点开关可以配置具有抗输入信号漂移和/或泄漏的功能，当模拟信号在长时间内通过模拟交叉点开关而不改变值(例如恒定电压)时可能发生输入信号漂移和/或泄漏。技术可以包括电压升压、电流注入、周期性零参考(例如，将输入暂时连接到参考信号(例如接地)、将高电阻路径应用于接地参考等)。
在实施例中，工业环境中的数据收集系统可以包括模拟交叉点开关，该模拟交叉点开关部署在包括输送机和/或升降机的组装线中。动力辊筒输送机系统包括许多沿着路径输送产品的辊筒。沿着该路径可以有许多点，可以监控这些点以获知辊筒的正确操作、置于辊筒上的负载、产品的积累等。动力辊筒输送机系统还可以便于将产品移动更长的距离，因此动力辊筒输送机系统可以同时运输大量产品。用于这种组装环境中的数据收集系统可以包括传感器，该传感器检测各种条件以及沿着传输路径的大量位置。随着产品沿着路径前进，一些传感器可能处于活动状态，而其它传感器(例如产品已通过的传感器)可能处于非活动状态。数据收集系统可以使用模拟交叉点开关，通过从连接到非活动传感器的输入切换到连接到活动传感器的输入，从而仅选择当前或预期为活动状态的传感器，从而为数据检测和/或收集和/或处理设施提供最有用的传感器信号。在实施例中，可以通过输送机控制系统配置模拟交叉点开关，该输送机控制系统监控产品活动，并指示模拟交叉点开关基于与组装环境相关联的控制程序或数据收集模板，将不同输入引导到特定输出。
在实施例中，工业环境中的数据收集系统可以包括部署在工厂中的模拟交叉点开关，该工厂中使用风扇作为工业元件。在实施例中，工厂环境中的风扇可以提供诸如干燥、排气管理、清洁空气流等一系列功能。在安装大量风扇的装置中，监控风扇转速、扭矩等可以有益于检测风扇所产生气流的潜在问题的早期指示。然而，同时监控用于大量风扇的这些元件中的每个元件可能是效率低下。因此，可以在每个风扇处设置诸如转速计、扭矩计等传感器，并且可以将该传感器的模拟输出信号提供给模拟交叉点开关。利用可以处理传感器数据的有限数量的输出或至少有限数量的系统，模拟交叉点开关可用于选择多个传感器的可用传感器信号，并将可用传感器信号的子集传递给数据收集、监控和处理系统。在一个示例中，可以选择来自布置在一组风扇处的传感器的传感器信号，以将该传感器信号切换到交叉点开关输出。在完成这组风扇的传感器信号收集和/或处理后，可以重新配置模拟交叉点开关以切换来自另一组风扇的待处理信号。
在实施例中，工业环境中的数据收集系统可以包括模拟交叉点开关，该模拟交叉点开关部署为基于涡轮机的电力系统中的工业元件。已经证明，监控涡轮系统(例如水力发电系统)中的振动可以减少停机时间。然而，要监控多个区域的振动(特别是在线振动监控)，这包括相对轴振动、轴承绝对振动、涡轮机盖振动、推力轴承轴向振动、定子铁芯振动、定子线棒振动、定子端部绕组振动等方面，随着时间的推移从列表中进行选择可能非常有益，例如，每次少量地从传感器获取这些类型的振动中的每一种振动的样本。包括模拟交叉点开关的数据收集系统可以通过以下方式提供该功能：将每个振动传感器连接到模拟交叉点开关的单独输入并配置开关以将输入的子集输出。诸如计算机等振动数据处理系统可以确定哪些传感器通过模拟交叉点开关并配置算法以相应地执行振动分析。作为示例，可以在模拟交叉点开关中选择用于捕获涡轮机盖振动的传感器，进而将传感器信号传递到配置有算法的系统，以根据传感器信号确定涡轮机盖振动。确定涡轮机盖振动后，交叉点开关可以配置为沿推力轴承轴向振动方向传递传感器信号，并且相应的振动分析算法可以应用于数据。通过此方式，可以通过单个处理系统分析每种类型的振动，该处理系统与模拟交叉点开关协同工作以传递特定的传感器信号以供处理。
参考图44，描绘了用于在工业环境中收集数据的模拟交叉点开关。模拟交叉点开关7022可以具有多个输入7024，该多个输入7024连接到工业环境中的传感器7026。模拟交叉点开关7022还可以包括连接到诸如模数转换器7030、模拟比较器7032等数据收集基础设施的多个输出7028。模拟交叉点开关7022可以通过解析可由控制器7034等提供的开关控制值，有助于将一个或多个输入7024连接到一个或多个输出7028。
工业环境中的数据收集示例系统包括模拟信号源，每个模拟信号源连接到模拟交叉点开关的至少一个输入，该模拟交叉点开关包括多个输入和多个输出；其中模拟交叉点开关可以配置为将输入信号源的一部分切换到多个输出。
在某些实施例中，模拟交叉点开关还包括模数转换器，该模数转换器将输入到交叉点开关的模拟信号的一部分转换为具有代表性的数字信号；输出的一部分包括模拟输出，并且输出的一部分还包括数字输出；其中和/或模拟交叉点开关适于检测一个或多个模拟输入信号条件。示例实施例中的任意一个或多个包括模拟输入信号条件(包括信号的电压范围)，并且模拟交叉点开关通过响应的方式调整输入电路以符合所检测的电压范围。
工业环境中的数据收集的示例系统包括多个工业传感器，该工业传感器生成表示由工业传感器的数量感测的环境中工业机器状况的模拟信号，交叉点开关接收模拟信号并基于向交叉点开关呈现的信号路由计划，将模拟信号路由到交叉点开关的各个模拟输出。在某些实施例中，模拟交叉点开关还包括模数转换器，该模数转换器将输入到交叉点开关的模拟信号的一部分转换为具有代表性的数字信号；其中输出的一部分包括模拟输出，输出的一部分还包括数字输出；其中模拟交叉点开关适用于检测一个或多个模拟输入信号条件；其中，一个或多个模拟输入信号条件包括信号的电压范围，和/或模拟交叉点开关通过响应的方式调整输入电路以符合所检测的电压范围。
工业环境中的数据收集的示例方法包括通过以下方式沿多个模拟信号路径路由多个模拟信号：将多个模拟信号分别连接到模拟交叉点开关的输入；使用来自数据收集模块的数据路由信息配置模拟交叉点开关，以用于工业环境路由；以及利用所配置的模拟交叉点开关将一部分模拟信号路由到多个模拟信号路径的一部分。在某些其它实施例中，模拟交叉点开关的至少一个输出包括高电流驱动器电路；模拟交叉点开关的至少一个输入包括限压电路；和/或模拟交叉点开关的至少一个输入包括限流电路。在某些其它实施例中，模拟交叉点开关包括多个互连的继电器，其便于将多个输入中的任意一个连接到多个输出中的任意一个；模拟交叉点开关还包括模数转换器，该模数转换器将输入到交叉点开关的模拟信号的一部分转换成具有代表性的数字信号；模拟交叉点开关还包括信号处理功能，以检测一个或多个模拟输入信号条件，并对此进行响应，执行操作(例如，设置报警、改变开关配置、禁用一个或多个输出、将开关的一部分断电)，改变通用(数字/模拟)输出的状态等)；其中输出的一部分可以是模拟输出，并且输出的一部分也可以是数字输出；模拟交叉点开关适用于检测一个或多个模拟输入信号条件；模拟交叉点开关适于响应于检测一个或多个模拟输入信号条件而采取一个或多个动作，其中动作包括设置报警；发送报警信号；更改模拟交叉点开关的配置；禁用输出；断开模拟交叉点开关的一部分；给模拟交叉点开关的一部分供电；和/或控制模拟交叉点开关的通用输出。
示例系统包括输送机的动力辊筒，其包括模拟交叉点开关的任意操作。在没有限制的情况下，其它示例性实施例包括通过传感器感测动力辊筒的状况，以确定动力辊筒的旋转速率、由动力辊筒传送的负载、动力辊筒消耗的动力、和/或动力辊筒的加速度。示例系统包括处于工厂环境中的风扇，其包括模拟交叉点开关的任意操作。在没有限制的情况下，某些其它实施例包括设置用于感测风扇状况的传感器，所感测的状况包括风扇叶片尖端速度、扭矩、背压、RPM和/或由风扇排出的每单位时间的空气体积。示例系统包括发电环境中的涡轮机，其包括模拟交叉点开关的任意操作。在没有限制的情况下，某些其它实施例包括设置用于感测涡轮机状况的多个传感器，其中所感测的状况包括相对轴振动、轴承的绝对振动、涡轮机盖振动、推力轴承轴向振动、定子振动或定子铁芯振动、定子线棒的振动和/或定子端部绕组的振动。
在实施例中，工业环境中的数据收集的方法和系统可以包括多个工业条件感测和采集模块，其可以包括每个模块的至少一个可编程逻辑组件，该可编程逻辑组件可以控制模块的感测功能和采集功能的一部分。每个模块上的可编程逻辑组件可以通过专用逻辑总线互连，该专用逻辑总线可以包括数据通道和控制通道。专用逻辑总线可以通过逻辑和/或物理方式扩展到其它感测和采集模块上的其它可编程逻辑组件。在实施例中，可编程逻辑组件可以经由专用互连总线、经由专用互连总线的专用编程部分、经由在可编程逻辑组件与感测和采集模块或整个系统之间传递的程序来编程。用于工业环境数据感测和采集系统的可编程逻辑组件可以是复杂可编程逻辑器件、专用集成电路、微控制器及其组合。
工业数据收集环境中的可编程逻辑组件可以执行与数据收集相关联的控制功能。控制示例包括对模拟通道、传感器、模拟接收器、模拟开关、逻辑模块的部分(其上布置有可编程逻辑组件，例如逻辑板、系统等)的功率控制；自上电/断电；自睡眠/唤醒等。诸如这些功能和其它功能等控制功能可以与其它可编程逻辑组件(诸如单个数据收集模块上的其它元件和其它此类模块上的元件)的控制和操作功能协调执行。可编程逻辑组件可提供的其它功能可以包括产生电压参考，例如用于输入信号状况检测的精确电压参考。可编程逻辑组件可以生成、设置、重置、调整、校准或以其它方式确定参考电压及其容差等。可编程逻辑组件的其它功能可以包括启用数字锁相环以便于跟踪缓慢转换的输入信号，并且还有助于检测这些信号的相位。此外还可以实现相对相位检测，包括相对于触发信号、其它模拟输入、板载参考(例如板载定时器)等的相位。可编程逻辑组件可以编程为执行输入信号峰值电压检测和控制输入信号电路，以实现输入到输入的操作电压范围的自动缩放等。可以编程到可编程逻辑组件中的其它功能可以包括确定用于采样输入的适当采样频率，该采样频率与其工作频率无关。可编程逻辑组件可以编程为检测多个输入信号中的最大频率，并且为每个输入信号设置大于检测到的最大频率的采样频率。
可编程逻辑组件可编程为配置和控制数据路由元件，例如复用器、交叉点开关、模数转换器等，以实现用于工业环境的数据收集模板。数据收集模板可以包括在用于可编程逻辑组件的程序中。或者，可以在程序中包括解析数据收集模板以配置和控制工业环境中的数据路由资源的算法。
在实施例中，工业环境中的一个或多个可编程逻辑组件可以编程为执行智能带信号分析和测试。这种分析和测试的结果可以包括触发智能带数据收集操作，其可以包括在工业环境中重新配置一个或多个数据路由资源。可编程逻辑组件可以配置为执行智能带分析的一部分，例如来自可编程逻辑组件本地的一个或多个传感器的信号活动的收集和验证。来自多个可编程逻辑组件的智能带信号分析结果可以由其它可编程逻辑组件、服务器、机器学习系统等进一步处理，以确定是否符合智能带要求。
在实施例中，工业环境中的一个或多个可编程逻辑组件可以编程为控制数据路由资源和传感器以获得相关结果，例如降低功耗(例如根据需要打开/关闭资源)、通过管理用户认证实现工业环境的安全性等。在实施例中，某些数据路由资源(例如复用器等)可以配置为支持某些输入信号类型。可编程逻辑组件可以基于要路由到资源的信号类型来配置资源。在实施例中，可编程逻辑组件可以通过向可配置传感器指示要向路由资源呈现的协议或信号类型，促进传感器的协调和数据路由资源信号类型匹配的协调。可编程逻辑组件可以便于检测输入到数据路由资源(例如模拟交叉点开关等)的信号的协议。基于检测到的协议，可编程逻辑组件可以配置路由资源以促进协议的支持和有效处理。在示例中，工业环境中的可编程逻辑组件配置数据收集模块可以实施智能传感器接口规范，例如IEEE 1451.2智能传感器接口规范。
在实施例中，在工业环境中的多个数据感测、收集和/或路由模块上分布可编程逻辑组件有助于实现更大的功能和本地操作间控制。在示例中，模块可以基于安装在与每个模块相关联的一个或多个可编程逻辑组件中的程序独立执行操作功能。两个模块可以构造成基本相同的物理元件，但是可以基于加载到模块上的可编程逻辑组件中的程序在工业环境中执行不同的功能。通过此方式，因此即使一个模块经历故障或断电，其它模块也可以继续执行其功能，这至少部分是由于每个模块具有自身的可编程逻辑组件。在实施例中，配置分布在工业环境中多个数据收集模块上的多个可编程逻辑组件可以促进可以被感测的环境中条件的可扩展性、用于在整个工业环境中路由感测数据的数据路由选项的数量、可感测的条件类型、环境中的计算能力等。
在实施例中，可编程逻辑控制器配置数据收集和路由系统可以促进外部系统的验证，以便用作存储节点(例如用于分布式分类账等)。可编程逻辑组件可以编程为执行用于与外部存储节点等外部系统通信的协议的验证。
在实施例中，可以执行诸如CPLD等可编程逻辑组件的编程，以适应一系列数据感测、收集和配置差异。在实施例中，添加和/或移除传感器时、改变传感器类型时、改变传感器配置或设置时、改变数据存储配置时、将数据收集模板嵌入设备程序中时、添加和/或移除数据收集模块(例如缩放系统)时、使用较低成本设备(其可能在较高成本设备上限制功能或资源)时等，可以对一个或多个元件执行重新编程。可编程逻辑组件可以编程为：经由专用可编程逻辑器件的编程通道、经由菊花链编程架构、经由可编程逻辑组件的网格、经由互连元件的中心辐射架构、经由环配置(例如使用通信令牌等)，传播用于其它可编程元件的程序。
在实施例中，工业环境中的数据收集系统包括通过专用控制总线连接的分布式可编程逻辑设备，该系统可以与石油和天然气收集环境(例如石油和/或天然气田)中的钻井机一起部署。钻井机具有可在钻井操作期间操作、监控和调整的许多活动部分。用于监控定滑轮的传感器可以与用于监控防喷器等的传感器物理隔离。为了有效地保持对这种宽范围、多样传感器布置的控制，诸如复杂可编程逻辑器件(Complex Programmable LogicDevice，简称CPLD)等可编程逻辑组件可以分布在整个钻井机中。尽管每个CPLD可以配置有程序以便于有限的一组传感器的操作，但是CPLD的至少一部分可以通过专用总线连接，以便于传感器控制、操作和使用的协调。在一个示例中，可以靠近泥浆泵等设置一组传感器，以监控流量、密度、泥浆罐水平等。可以将每个传感器(或一组传感器)与一个或多个CPLD一起部署，以便运行传感器以及传感器信号路由和收集资源。该泥浆泵组中的CPLD可以通过专用控制总线互连，以促进传感器和数据收集资源控制等的协调。该专用总线可以在物理上和/或逻辑上延伸超出钻井机的泥浆泵控制部分，因此其它部分(例如定滑轮等)的CPLD可以协调通过钻井机部分的数据收集和相关操作。
在实施例中，工业环境中的数据收集系统包括通过专用控制总线连接的分布式可编程逻辑设备，该系统可以在石油和天然气收集环境(例如油和/或气田)中与压缩机一起部署。压缩机可以用于石油和天然气工业中，以压缩各种气体以及用于诸如闪蒸气体、气流提升、再注入、增压、蒸汽回收、套管头等用途。从传感器收集用于这些不同压缩机功能的数据需要实质上不同的控制机制。一种可以满足这些不同数据收集要求的方法是：分布按照不同控制机制编程的CPLD。一个或多个CPLD可以设置用于不同压缩机功能的多组传感器。专用控制总线可以用于促进压缩机实例中和跨压缩机实例的CPLD的控制和/或编程协调。在一个示例中，CPLD可以配置为管理用于传感器的数据收集基础设施，该传感器被设置为收集用于闪蒸气体压缩的压缩机相关条件；第二CPLD或CPLD组可以配置为管理用于传感器的数据收集基础设施，该传感器被设置为收集用于蒸汽回收气体压缩的压缩机相关条件。这些CPLD组可以运行控制程序。
在实施例中，工业环境中的数据收集系统包括通过专用控制总线连接的分布式可编程逻辑设备，该系统可以部署在具有用于石油和天然气生产的涡轮机(例如模块化冲动式汽轮机)的炼油厂中。用于从冲动式汽轮机收集数据的系统可以配置有多个适于冲动式汽轮机特定功能的状态感测和收集模块。分布CPLD以及这些模块可以促进适应性数据收集，以适应各个装置。作为示例，可以在配置用于感测这些状况的传感器的数据收集模块中捕获叶片状况，例如叶尖旋转速率、叶片的温升、脉冲压力、叶片加速率等。其它模块可以配置为收集与阀相关联的数据(例如，在多阀配置中，一个或多个模块可以配置用于每个阀或用于一组阀)，涡轮机排气(例如，径向排气数据收集的配置可以与轴向排气数据收集不同)、涡轮速度感测可以针对固定与可变速度实施例等实施例进行不同的配置。另外，冲动式汽轮机系统可以与联合循环系统、热电联产系统、太阳能发电系统、风力发电系统、水力发电系统等其它系统一起安装。这些装置的数据收集要求也可能有所不同。使用基于CPLD的模块化数据收集系统(该系统使用用于CPLD的专用互连总线)可以便于直接对每个模块进行编程和/或重新编程，而无需关闭或通过物理方式访问每个模块。
参考图45，描绘了工业环境中的数据收集系统的示例性实施例，该系统包括通过总线互连的用于控制和/或编程的分布式CPLD。示例性数据收集模块7200可以包括一个或多个CPLD 7206，该CPLD 7206用于控制一个或多个数据收集系统资源(例如传感器7202等)。该CPLD可以控制的其它数据收集资源可以包括交叉点开关、复用器、数据转换器等。模块上的CPLD可以通过总线(例如专用逻辑总线7204)互连，该总线可以超出数据收集模块延伸到其它数据收集模块上的CPLD。诸如模块7200等数据收集模块可以在工业机器7208(例如冲动式汽轮机)和/或7210(例如热电联产系统)等环境中进行配置。CPLD的控制和/或配置可以由环境中的控制器7212处理。此外，还可以在数据收集模块7200之内和之间以及在工业机器7208与工业机器7210之间，和/或与外部系统(例如互联网门户、数据分析服务器等)配置数据收集和路由资源和互连(未示出)，以便于数据收集、路由、存储、分析等。
工业环境中的数据收集示例系统包括多个工业状态感测和采集模块，其中可编程逻辑组件设置在每个模块上，其中可编程逻辑组件控制相应模块的感测和采集功能的一部分。该系统包括通信总线，该通信总线专用于互连设置在多个模块中的至少一个上的至少一个可编程逻辑组件。在实施例中，通信总线延伸到其它感测和采集模块上的其它可编程逻辑组件。
在某些其它实施例中，系统包括经由通信总线编程的可编程逻辑组件，通信总线包括专用于可编程逻辑组件编程的部分，通过以下功率控制功能来控制模块的感测和采集功能的一部分：例如，控制传感器、复用器、模块的一部分的功率，和/或控制可编程逻辑组件的休眠模式；通过检测从设置在模块上的至少两个传感器导出的至少两个模拟信号的相对相位，通过向设置在模块上的传感器和/或模数转换器提供电压参考来控制模块的感测和采集功能的一部分；通过控制由设置在模块上的至少一个传感器提供的数据的采样；通过检测由设置在模块上的传感器提供的信号的峰值电压；和/或通过为复用器指定至少一个输入和一个输出的映射，对设置在模块上的至少一个复用器进行配置。某些实施例中，通信总线延伸到其它条件感测和/或采集模块上的其它可编程逻辑组件。在某些实施例中，模块可以是工业环境条件感测模块。在某些实施例中，模块控制程序包括用于实现智能传感器接口通信协议的算法，例如IEEE1451.2兼容智能传感器接口通信协议。在某些实施例中，可编程逻辑组件包括配置可编程逻辑组件和/或感测或采集模块以实现智能带数据收集模板。示例和非限制性可编程逻辑组件包括现场可编程门阵列、复杂可编程逻辑器件和/或微控制器。
示例系统包括用于油气田的钻井机，其具有用于监控钻井机各方面的状态感测和/或采集模块。在没有限制的情况下，另一示例系统包括监控压缩机和/或监控脉冲蒸汽发动机。
在实施例中，工业环境中的数据收集系统可以包括触发信号和至少一个数据信号，其共享信号复用器的公共输出，并且在检测到工业环境中的状况(例如触发信号的状态)后切换公共输出以传播数据信号或触发信号。在数据信号与触发信号之间共享输出还可以有助于减少工业环境中的单独路由信号的数量。减少单独路由信号的益处可以包括减少数据收集模块之间的互连数量，从而降低工业环境的复杂性。用于减少单独路由信号的权衡措施可以包括增加信号切换模块上的逻辑复杂度以实现信号的检测和条件切换。这种增加的本地化逻辑复杂性的净效益是可以总体降低工业环境中这种数据收集系统的实现复杂性。
示例性部署环境可以包括具有触发信号通道限制的环境，例如现有数据收集系统，该系统不具有用于将附加触发信号传输到具有足够计算复杂度以执行触发检测的模块的单独触发支持。另一示例性部署可以包括需要至少一些自主控制以执行数据收集的系统。
在实施例中，工业环境中的数据收集系统可以包括模拟开关，该模拟开关在第一输入(例如触发输入)和第二输入(例如基于第一输入条件的数据输入)之间切换。触发输入可以由模拟开关的一部分监控，以检测信号的变化，例如相对于参考或触发阈值电压从低电压到高电压的变化。在实施例中，可以从模拟开关接收切换信号的设备可以监控触发信号以获得指示从触发输入切换到数据输入的条件的条件。检测到触发输入的条件时，可以重新配置模拟开关，以将数据输入引导到传播触发输出的相同输出。
在实施例中，工业环境中的数据收集系统可以包括模拟开关，该模拟开关将第一输入引导到模拟开关的输出，直到模拟开关的输出指示应该将第二输入引导到模拟开关的输出时为止。模拟开关的输出可以将触发信号传播到输出。为响应通过开关从第一条件(例如第一电压低于触发阈值电压值)转变到第二条件(例如第二电压高于触发阈值电压值)传播的触发信号，开关可以停止传播触发信号，而是将另一输入信号传播到输出。在实施例中，触发信号和其它数据信号可以是相关的，例如触发信号可以指示输送机上放置有对象，并且数据信号表示输送机上的变化。
在实施例中，为了便于及时检测触发条件，模拟开关的输出采样率可以进行调节，例如，使得在传播触发信号时采样率较高，而在传播数据信号时采样率较低。或者，对于触发器或数据信号，采样率可以是固定的。在实施例中，采样率可以基于从触发发生到触发检测的预定时间，并且可以大于捕获数据信号的最小采样率。
在实施例中，将多个分层组织的触发器路由到另一模拟通道上可以有助于在工业环境中实现分层数据收集触发结构。用于实现分层触发信号架构的数据收集模板可以包括信号切换配置和功能数据，其可以促进信号切换设施，例如模拟交叉点开关或复用器，以在层级中输出第一输入触发，并且基于检测到的第一触发条件，通过改变输入到输出的内部映射，在与第一输入触发相同的输出上输出层级结构中的第二输入触发。检测到第二输入触发条件后，输出可以切换到数据信号(例如来自工业环境中的传感器的数据)。
在实施例中，一旦检测到触发条件，除了从触发信号切换到数据信号之外，还可以生成报警并且可选择性地将报警传播到更高功能的设备/模块。除切换到数据信号之外，一旦检测到触发状态，被禁用或断电的传感器被激活/激励，以开始为新选择的数据信号生成数据。另外，激活包括向传感器发送重置或刷新信号。
在实施例中，工业环境中的数据收集系统可以包括一种用于将触发信号路由到与工业车辆的变速箱相关联的数据信号路径上的系统。将触发信号组合到同样用于数据信号的信号路径上，通过减少需要路由的信号线的数量、同时启用高级功能(例如基于液压油压力变化的数据收集等)，可以将这种方法用于变速箱应用中。作为示例，传感器可以配置为检测液压流体中的压力差，该压力差超过某个阈值，这可能在液压流体流被引回叶轮中以在低速时提供更高的扭矩情况下发生。此类传感器的输出可以配置为用于在低速操作时收集关于变速箱的数据的触发器。在示例中，用于工业环境的数据收集系统可以具有复用器或开关，其有助于在单个信号路径上路由触发器或数据通道。检测来自压力传感器的触发信号可导致不同的信号通过同一线路路由，其中通过切换一组控制来路由触发信号。例如，复用器可以输出触发信号，直到检测到触发信号以指示输出应该改变为数据信号为止。作为检测高压条件的结果，可以激活数据收集活动，以便可以使用最近触发信号使用的相同线路来收集数据。
在实施例中，工业环境中的数据收集系统可以包括一种用于将触发信号路由到与用于卡车和汽车操作的车辆悬架相关联的数据信号路径上的系统。车辆悬架(特别是主动悬架)可以包括用于检测道路事件、悬架状况和车辆数据(例如速度、转向等)的传感器。不需要一直检测这些条件，检测到触发条件等时除外。因此，可以实现将触发条件信号和至少一个数据信号组合到单个物理信号路由路径上。这样做可以降低成本，原因在于在此类数据收集系统中需要更少的物理连接。在示例中，传感器可以配置为检测悬架必须作出反应的条件(例如坑洼)。来自悬架的数据可以沿着与该道路条件触发信号相同的信号路由路径进行路由，使得可以在检测到坑洼时收集数据，从而有助于确定悬架对坑洼的反应。
在实施例中，工业环境中的数据收集系统可以包括一种用于将触发信号路由到与用于发电站发电的涡轮机相关联的数据信号路径上的系统。用于发电的涡轮机可以加装数据收集系统，该数据收集系统优化现有数据信号线以实现更大的数据收集功能。这种方法涉及在现有线路上路由新的数据源。多路复用信号通常满足这种需求，可以通过复用器等将触发信号与数据信号组合，以进一步改善数据收集。在示例中，第一传感器可以包括热阈值传感器，其可以测量发电涡轮机的温度。检测到该触发条件后(例如温度升高到热阈值以上)，数据收集系统控制器可以在用于检测触发条件的相同线路上发送不同的数据收集信号。这可以通过以下步骤实现：控制器等感测触发信号变化条件，然后向复用器发出信号，以从触发信号切换为数据信号，使得数据信号可以在与用于数据收集的触发信号相同的线路上输出。在该示例中，检测到涡轮机具有超过其安全热阈值的部分时，可以在触发信号路径上路由次级安全信号，并监控其它安全条件(例如过热等)。
参考图46，描绘了在工业环境中的数据收集系统中的数据信号路径上路由触发信号的实施例。信号复用器7400可以从传感器或其它触发源7404的第一输入接收触发信号，并且从传感器的第二输入接收数据信号，该传感器用于检测与环境7402中的工业机器相关联的温度。复用器7400可以配置为将触发信号输出到输出信号路径7406。数据收集模块7410可以处理数据路径7406上的信号，以查找可指示触发条件的信号变化，其中触发条件可以由触发传感器7404通过复用器7400提供。检测后，可以改变控制输出7408，从而可以控制复用器7400以通过切换内部开关等来开始从温度探针7402输出数据，该内部开关可以控制路由到输出7406的一个或多个输入。数据收集设施7410可以响应检测到的触发条件而激活数据收集模板，该数据收集模板可以包括切换复用器以及将数据收集到触发的数据存储器7412。在完成数据收集活动之后，复用器控制信号7408可以恢复到其初始状态，从而可以再次监控触发传感器7404。
工业环境中的数据收集示例系统包括模拟开关，该模拟开关将第一输入引导至模拟开关的输出，直到模拟开关的输出指示第二输入应被引导至模拟开关的输出为止。在某些其它实施例中，示例系统包括：其中模拟开关的输出指示第二输入应基于从待决条件转换到触发条件的输出引导到输出。在实施例中，触发条件包括检测表示高于触发电压值的电压的输出；使用模拟开关将多个信号从模拟开关上的输入路由到模拟开关上的输出，以响应模拟开关的输出(指示第二输入应当被引导到输出)；以超出输入到模拟开关的多个信号的转换速率的速率对模拟开关的输出进行采样；和/或当模拟开关的输出指示第二输入应当被引导到模拟开关的输出时生成报警信号。
工业环境中的数据收集示例系统包括模拟开关，该模拟开关基于第一输入的条件，在第一输入与第二输入之间进行切换。在某些其它实施例中，第一输入的条件包括表示触发条件的第一输入，和/或触发条件包括检测表示高于触发电压值的电压的第一输入。在某些实施例中，模拟开关包括：基于第一输入的条件，使用模拟开关将多个信号从模拟开关上的输入路由到模拟开关上的输出；以超出输入到模拟开关的多个信号的转换速率的速率对模拟开关的输入进行采样，和/或基于第一输入的条件，生成报警信号。
工业环境中的数据收集示例系统包括触发信号和至少一个数据信号，该数据信号共享信号复用器的公共输出，并且在检测到触发信号的预定义状态后，公共输出可以配置为通过信号复用器传输该至少一个数据信号。在某些其它实施例中，信号复用器是模拟复用器；可以在公共输出上检测触发信号的预定义状态，对触发信号的预定义状态的检测包括检测表示高于触发电压值的电压的公共输出；复用器包括利用复用器将多个信号从复用器上的输入路由到复用器上的输出，以响应触发信号预定义状态的检测；复用器包括以超出输入到复用器的多个信号的转换速率的速率对复用器的输出进行采样；复用器包括生成报警以响应触发信号预定义状态的检测；和/或复用器包括激活至少一个传感器，以生成至少一个数据信号。在没有限制的情况下，示例系统包括：通过将指示齿轮箱条件的触发信号引导到模拟开关的输出来监控工业车辆的变速箱，直到模拟开关的输出指示表示与触发信号有关的变速箱条件的第二输入应当被引导到模拟开关的输出为止；通过将表示悬架状态的触发信号引导到模拟开关的输出来监控工业车辆的悬架系统，直到模拟开关的输出指示表示与该悬架状态相关的悬架状态的第二输入应当被引导到模拟开关的输出为止；和/或通过将指示发电涡轮机状态的触发信号引导到模拟开关的输出来监控发电涡轮机，直到模拟开关的输出指示表示与触发信号有关的发电涡轮机状况的第二输入应当被引导到模拟开关的输出为止。
在实施例中，工业环境中的数据收集系统可以包括数据收集系统，该数据收集系统监控一组收集频带参数的至少一个信号，并且在信号中检测到该组收集频带参数中的参数后，根据检测到的参数配置来自一组传感器的数据收集。选定的一组传感器、信号和一组收集频带参数可以是智能带数据收集模板的一部分，其中系统可以在工业环境中收集数据时使用该智能带数据收集模板。预备智能带数据收集模板的动机可以包括监控工业机器的一组条件以用于改进操作、减少停机时间、预防性维护、故障预防等。基于对工业机器相关数据(例如，可以由该组传感器检测到的条件)的分析，可以采取下列操作：例如，通知用户状况的变化、调整操作参数、安排预防性维护、从附加传感器组触发数据收集等。可以指示需要执行某些操作的数据示例可以包括可通过来自该组传感器的数据中存在的趋势检测到的变化。另一个示例是从该组传感器导出的分析值的趋势。
在实施例中，该组收集频带参数可以包括从传感器接收的值，该传感器配置为感测工业机器的状况(例如轴承振动)。然而，一组收集频带参数反而可以是从传感器接收的数据的趋势(例如，由轴承振动传感器通过多个振动测量得出的轴承振动的趋势)。在实施例中，一组收集频带参数可以是来自多个传感器的数据和/或数据趋势的组合(例如，来自轴上和轴外振动传感器的数据趋势)。在实施例中，当从本文描述的一个或多个传感器导出的数据值足够接近该组收集频带参数中的数据值时，可以触发该组传感器的数据收集活动。或者，当从一个或多个传感器导出的数据值(例如趋势等)超出一组收集频带参数范围时，可以触发该组传感器的数据收集活动。在一个示例中，用于电机的一组数据收集频带参数可以是选定操作转速的95％至105％的转速范围。当电机的转速趋势保持在上述范围内时，可以推迟数据收集活动。然而，当趋势达到或超过上述范围时，则可以触发数据收集动作(例如由智能带数据收集模板定义的活动)。
在实施例中，触发数据收集活动(例如，由智能带数据收集模板定义的数据收集活动)可能导致用于工业环境的数据收集系统的改变，这可能影响系统的多个方面，例如数据感测、切换、路由、存储分配、存储配置等。数据收集系统的这种改变可能与条件检测近乎实时发生；然而，它可以设定为在将来发生。该改变还可以与其它数据收集活动协调，使得有效数据收集活动(例如，用于不同智能带数据收集模板的数据收集活动)可以在系统被重新配置为满足智能带数据收集模板要求之前完成，该模板由满足智能带数据收集触发要求的感测条件触发。
在实施例中，来自传感器的数据处理可以随着时间的推移在一组传感器上、工业环境中的机器之间等累积。虽然条件的感测值可能足以触发智能带数据收集模板活动，但可能需要从多个传感器随着时间的推移收集并处理数据，以生成可以与用于有条件地触发数据收集活动的一组数据收集带参数比较的数据值。使用来自多个传感器的数据和/或处理数据(以生成数据值的趋势等)可以有助于防止在可接受范围之外的感测数据值的不重要实例引起无根据的智能带数据收集活动。在示例中，如果不经常在可接受范围之外检测轴承的振动，则该值随着时间的推移的趋势可以用于检测频率是否增大、减小、保持大致恒定还是在数值的范围内。如果发现这种值的频率增大，则该趋势指示发生在轴承经历的工业机器运行中的改变。该趋势振动值的可接受数值范围可以确定为一组数据收集带参数，将针对该组监测用于轴承的振动数据。当趋势振动值处于可接受值的范围之外时，可以启动智能带数据收集活动。
在实施例中，支持智能带数据收集模板的、工业环境中的数据收集系统可以通过以下方式在一个或多个条件的感测点处配置可以触发智能带数据收集模板数据收集活动的数据处理能力：使用可以包括数据处理能力的智能传感器；使用与传感器接口对接并处理传感器数据的可编程逻辑组件；使用被布置在邻近传感器位置的计算机处理器(例如微处理等)等。在实施例中，从用于检测智能带模板数据收集活动的一个或多个传感器收集的数据可以由远程处理器、服务器等来执行处理，这些远程处理器、服务器等可以访问来自多个传感器、传感器模块、工业机器、工业环境等的数据。
在实施例中，工业环境中的数据收集系统可以包括数据收集系统，该数据收集系统监测工业环境以获得一组参数，并且在检测到至少一个参数后，基于所检测到的参数配置来自一组传感器的数据收集，并且使得数据存储控制器适应数据存储设施的配置，以支持来自一组传感器的数据收集。本文描述的用于有条件地改变工业环境中数据收集系统配置(以实施智能带数据收集模板)的方法和系统还可以包括对数据存储架构的改变。作为示例，数据存储设施可以布置在数据收集模块上，该数据收集模块可以包括用于监测工业环境中的条件的一个或多个传感器。该本地数据存储设施通常可以配置用于从该模块向下一级感测或处理模块或服务器快速移动感测数据。检测到智能带数据收集条件时，可能需要并发捕获来自多个传感器的传感器数据。为了适应该并发收集，本地存储器可以重新配置为以协调的方式(例如，同步对各个传感器进行重复采样，或在已知偏移的情况下等)从多个传感器中的每一个捕获数据，以建立可以远远大于通常将通过本地存储器捕获并移动的一组感测数据。用于控制本地存储的存储控制设施可以监测到本地数据存储中和离开本地数据存储的移动，从而确保数据从多个传感器到本地数据存储以及到服务器、联网存储设施等目的地的安全移动。可配置本地数据存储设施，使得来自与智能带数据收集模板关联的一组传感器数据作为一组智能带数据安全存储并可轻松访问，以促进智能带特定数据的处理。作为示例，本地存储器可以包括非易失性存储器(nonvolatile memory，简称NVM)。为了响应于被触发的智能带数据收集模板而准备数据收集，可以擦除NVM的部分，以准备NVM从而接收模板中指示的数据。
在实施例中，多个传感器可以设置为用于条件特定监测的一组传感器。可以选择每一组，可以是传感器的逻辑组，以提供与工业环境中的元件有关的信息，借助该信息可以深入了解潜在问题、问题的根源等。各组可以与可监测以确定是否符合可接受数值范围的条件关联。该组传感器可以基于机器架构、组件的分层或数据的分层，它们有助于发现有关可有效用于维持或提高工业环境中的性能的机器相关的信息。智能带传感器组可以基于复杂条件(诸如机器故障等)的专家系统分析来配置。智能带传感器组可以设置为便于不依赖特定故障模式或历史的知识收集。智能带传感器组可以设置为：在将所提议的智能带数据收集模板作为工业机器操作程序的一部分实施之前对其进行测试。收集并处理来自传感器组的数据可以有助于确定向组贡献有意义的数据的传感器，并且可以从组去除没有贡献的传感器。智能带传感器组可以基于外部数据(诸如指示最有助于减少工业环境中的故障的传感器数据的类型的工业研究)来调节。
在实施例中，工业环境中的数据收集系统可以包括数据收集系统，该数据收集系统监测至少一个信号以确定是否符合一组收集带条件，并且在检测到不符合条件时，配置来自与被监测信号关联的传感器预定组的数据收集。检测到不符合条件时，可以访问与被监测信号关联的收集带模板，并且可以将模板中识别的资源配置为执行数据收集。在实施例中，模板可以识别要启动的传感器、要收集的传感器数据、收集的持续时间或要收集的数据数量、存储所收集数据的目的地(例如，存储结构)等。在实施例中，用于工业环境中数据收集的智能带方法可以包括从配置为感测环境中工业机器的条件的一个或多个传感器定期收集数据。可以根据定义条件的可接受范围的一组准则检查所收集的数据。在确认所收集数据接近可接受极限的一端或超过条件的可接受范围后，数据收集可以基于被配置为数据收集模板的智能带收集协议，从与所感测条件关联的传感器的智能带组开始。在实施例中，条件的可接受范围基于条件的应用分析历史。在实施例中，在确认超过可接受范围后，内部检测到所感测条件的模块的数据存储资源可以配置为促进从传感器的智能带组捕获数据。
在实施例中，监测触发智能带数据收集模板数据收集操作的条件可以响应：调节，例如安全调节；响应即将开始的活动，例如，为开展预防性维护而关闭工业环境的一部分；响应常规数据收集活动中丢失的传感器数据等。在实施例中，为响应智能带模板数据收集活动中的故障传感器或丢失的传感器数据，可以将一个或多个备选传感器临时包括在该组传感器中，以便提供可以有效代替数据处理算法中的丢失数据的数据。
在实施例中，智能带数据收集模板可以配置为检测并收集用于智能带分析的数据，该数据覆盖振动频谱，例如用于频谱区域或峰值的振动包络和当前签名，这些振动频谱或峰值可以为机器相关参数的绝对频率或因数、用于时域导出计算的振动时间波形的组合，包括但不限于：整体RMS、整体峰值、真实峰值、波峰因数等；振动矢量、各种区域(例如，低频区域、高频区域、低阶等)中的频谱能量驼峰；压力容积分析等。
在实施例中，应用智能带数据收集模板的数据收集系统可以应用于工业环境，例如自动化生产环境中的滚珠螺杆致动器。智能带分析可以应用于工业环境中的滚珠螺杆致动器，例如精确制造或定位应用(例如，半导体光刻机等)。因为使用滚珠螺杆的典型主要目标是用于精确定位，因此定位机构中的变化检测可以帮助避免昂贵、有缺陷的生产运行。智能带触发和数据收集可以通过智能带分析检测定位机构中(诸如滚珠螺杆机构、蜗杆驱动器、线性电机等)的潜在变化，从而为这种应用提供帮助。在示例中，与滚珠螺杆定位系统有关的数据可以使用本文描述的工业环境中的数据收集系统来收集。多个传感器可以配置为收集数据，例如螺杆扭矩、螺杆方向、螺杆速度、螺杆阶跃、拧紧检测等。该数据的某一部分可以由智能带数据分析设施来处理，以确定诸如作为转矩函数的螺杆速度趋势等差异是否接近或超过可接受阈值。确定后，可以启动用于滚珠螺杆生产系统的数据收集模板，以将数据收集系统的数据感测、路由以及收集资源配置为执行数据收集，以促进其它分析。智能带数据收集模板通过将来自对应传感器的数据通过一个或多个信号路径路由到数据收集器，来促进从其它传感器快速收集除螺杆速度和转矩之外的数据(诸如位置、方向、加速度等)。这些来源的数据收集持续时间和顺序可以在智能带数据收集模板中指定，从而有效捕获其它分析所需的数据。
在实施例中，应用智能带数据收集模板配置并使用数据收集和路由架构的数据收集系统可以应用于采矿环境中的通风系统。通风在采矿安全中起着关键性作用。有关通风设备潜在问题的早期检测可以通过向此类环境中的数据收集应用智能带方法来辅助。传感器可以布置为收集与贯穿采矿作业的通风操作、质量以及性能有关的信息。在各通风设备、通风相关元件处，例如风扇、电机、传送带、过滤器、温度计、电压、电流、空气质量、毒物检测等，可以配置相应的传感器。虽然任何一个元件的变化(例如，每分钟的风量等)可能并不指示问题，但智能带分析可以用于检测可能暗示通风设备潜在问题的变化趋势。为了执行智能带分析，可能需要来自多个传感器的数据来形成分析基础。通过实施用于通风站的数据收集系统，可以捕获来自通风系统的数据。在示例中，可以为通风站指示智能带分析。为响应该指示，可以将数据收集系统配置为通过将布置在通风站处的传感器数据路由到中心监测设施来收集数据，该中心监测设施可以收集并分析来自若干通风站的数据。
在实施例中，应用智能带数据收集模板配置并使用数据收集和路由架构的数据收集系统可以应用于采矿环境中的动力传动系统数据收集和分析。动力传动系统(例如采矿车的动力传动系统)可以包括一系列元件，这些元件可受益于本文描述的工业环境中的数据收集方法和系统的使用。尤其是，基于智能带的数据收集可以用于在特定条件(可通过智能带分析检测)下从重型采矿车动力传动系统中收集数据。基于智能带的数据收集模板可以由动力传动系统数据收集和路由系统用于配置传感器、数据路径以及数据收集资源，以在特定情形(例如可以指示动力传动系统性能不可接受趋势的情形)下执行数据收集。用于工业动力传动系统的数据收集系统可以包括感测非转向轴、行星转向轴、驱动轴(例如，主轴和侧轴)、传动装置(例如，标准、转矩转换器、长落差)等。可以收集与这些操作部件有关的一系列数据。然而，为执行全面的智能带分析，还可能需要收集用于支撑动力传动系统的支撑和结构构件的数据。因此，可以基于对该数据需求的智能带分析测定触发跨该宽范围的动力传动系统相关组件的收集。在示例中，智能带分析可以指示主驱动轴与机翼驱动轴之间的潜在滑移，其可以由机翼驱动轴至主驱动轴操作的响应延迟时间的增长趋势来表示的。为响应该增长趋势，布置在整个采矿车动力传动系统中的数据收集模块可以配置为路由来自本地传感器的数据，以通过数据收集器收集并分析。采矿车动力传动系统基于智能带的数据收集可以包括基于所检测到的趋势类型的一系列模板。如果检测到与转向轴有关的趋势，则要实施的数据收集模板可以在传感器内容、持续时间等方面与归一化净荷的功率需求有关的趋势不同。各模板可以相应地在整个车辆动力传动系统中配置数据感测、路由以及收集资源。
参见图47，描绘了工业环境中的数据收集系统，该系统有助于用于智能带分析的数据收集。工业环境中的数据收集系统可以包括智能带分析数据收集模板存储库7600，其中可以通过数据收集控制器7602存储并访问用于数据收集系统配置和数据收集的智能带模板7610。模板7610可以包括数据收集系统配置7604和操作信息7606，该信息可以识别传感器、收集器、信号路径以及用于收集的启动和协调等信息。控制器7602可以接收指示，例如来自智能带分析设施7608的命令，以选择并实施特定智能带模板7610。控制器7602可以访问模板7610并基于该模板中的信息配置数据收集系统资源。在实施例中，模板可以识别：特定传感器；复用器/开关配置、数据收集触发/启动信号和/或条件、持续时间和/或收集的数据量；所收集数据的目的地；中间处理(若有)；以及任意其它有用信息(例如，实例标识符等)。控制器7602可以配置并操作数据收集系统，以执行智能带模板的收集，并且选择性地向之前的配置返回系统配置。
工业环境中的数据收集示例系统包括数据收集系统，该数据收集系统监测用于一组收集带参数的至少一个信号，并且在检测到来自该组收集带参数的参数时，基于所检测到的参数配置系统的部分并执行来自该组传感器的数据收集。在某些其它实施例中，信号包括感测工业环境中的状况的传感器的输出，其中，该组收集带参数包括可从信号中导出的值，该值超过可从信号导出的可接受值范围；其中，至少一个信号包括感测工业环境中的状况的传感器的输出。在实施例中，配置系统的部分包括配置存储设施，以接受从该组传感器收集的数据；其中，配置系统的部分包括配置数据路由部分，该数据路由部分包括以下各项中的至少一个：模拟交叉点开关、分层复用器、模数转换器、智能传感器和/或可编程逻辑组件。在实施例中，检测来自该组收集带参数的参数包括检测超过趋势值可接受范围的信号的趋势值；和/或其中，配置系统的部分包括实施与所检测参数关联的智能带数据收集模板。在特定实施例中，数据收集系统监测一组可接受数据值内的数据值信号(该数据值表示信号的可接受收集带条件)，并且在检测到处于该组可接受数据值范围之外的至少一个信号的数据值时触发数据收集活动，使得从与被监测信号关联的传感器的预定组收集数据。在某些其它实施例中，数据收集系统包括：信号，包括感测工业环境中的条件的传感器的输出；其中，该组可接受数据值包括在可从信号导出的可接受值范围内的、可从信号中导出的值；配置系统的存储设施，以促进从传感器的预定组收集数据，从而响应处于该组可接受数据值范围之外的数据值检测；配置系统的路由部分，包括模拟交叉点开关、分层复用器、模数转换器、智能传感器、和/或可编程逻辑组件，以响应处于该组可接受数据值之外的数据值检测；其中，该组可接受数据值之外的信号数据值检测包括检测超出趋势值可接受范围的信号的趋势值；和/或其中，数据收集活动由与所检测到参数关联的智能带数据收集模板来定义。
工业环境中的数据收集示例方法包括以下操作：从配置为感测环境中工业机器状况传感器收集数据；根据定义条件的可接受范围的一组准则检查所收集的数据；以及为响应违反条件的可接受范围的所收集数据，基于被配置为智能带数据收集模板的智能带收集协议从与所感测条件关联的传感器的智能带组收集数据。在某些其它实施例中，方法包括：其中，违反条件的可接受范围包括来自传感器的数据接近可接受范围的最大值的趋势；其中，传感器的智能带组由智能带数据收集模板来定义；其中，智能带数据收集模板包括要启动的传感器列表、要收集的传感器数据、从传感器收集数据的持续时间和/或用于存储所收集数据的目的地位置；其中，从传感器的智能带组收集数据包括配置工业环境的至少一个数据路由资源，该数据路由资源有助于将来自传感器的智能带组的数据路由到多个数据收集器；和/或其中，该组准则包括通过处理来自传感器的数据导出的趋势值范围。
在没有限制的情况下，示例系统监测自动化生产环境中的滚珠螺杆致动器，并且监测来自滚珠螺杆致动器的至少一个信号以获取一组收集带参数，并且在检测到来自该组收集带参数的参数时，基于所检测到的参数配置系统的部分并从被布置为监测滚珠螺杆致动器条件的一组传感器中收集数据；另一个示例系统监测采矿环境中的通风系统，并且监测来自通风系统的至少一个信号以获取一组收集带参数，并且在检测到来自该组收集带参数的参数时，基于所检测到的参数配置系统的部分并从被布置为监测通风系统条件的一组传感器中收集数据；示例系统监测采矿车的动力传动系统，并且监测来自动力传动系统的至少一个信号以获取一组收集带参数，并且在检测到来自该组收集带参数的参数时，基于所检测到的参数配置系统的部分并从被布置为监测动力传动系统条件的一组传感器中收集数据。
在实施例中，工业环境中的数据收集系统可以自动配置本地和远程数据收集资源，并且可以从多个系统传感器收集数据，该多个系统传感器被识别生成执行工作偏转形态渲染所需数据的一组传感器的一部分。在实施例中，系统传感器分布在工业环境中的工业机器的整个结构部分中。在实施例中，系统传感器感测包括振动、旋转、平衡、摩擦等一系列系统条件。在实施例中，自动配置响应在条件值可接受范围之外检测到的环境中的条件。在实施例中，系统传感器的所识别组中的传感器感测条件。
在实施例中，工业环境中的数据收集系统可以配置数据收集计划(例如模板)，以便从分布在整个机器中的多个系统传感器收集数据，从而促进基于机器结构信息和用于生成机器工作偏转形态可视化(operational deflection shape visualization，简称ODSV)的数据组自动生成ODSV。
在实施例中，工业环境中的数据收集系统可以基于工业机器的ODSV配置数据收集模板，该数据收集模板用于通过识别被布置为感测环境中工业机器的预选择结构构件状况的传感器来收集工业环境中的数据。在实施例中，该模板可以包括从所识别传感器收集数据的顺序和时间。
在实施例中，工业环境中的数据收集方法和系统可以包括一种通过验证机器结构元件的工作偏转形态可视化来建立用于多个工业机器状况传感器的传感器值可接受范围作为在可接受范围内展示偏转的方法。在实施例中，来自用于所验证ODSV中的多个传感器的数据定义该传感器值可接受范围。
在实施例中，工业环境中的数据收集系统可以包括多个数据源，例如传感器，该数据源可以针对协调数据收集进行分组，以提供生成ODSV所需的数据。与要分组的传感器有关的信息、数据收集协调要求等可以从ODSV数据收集模板中检索。协调数据收集可以包括并发数据收集。为便于从该组传感器的一部分并发收集数据，可以配置用于数据收集系统的传感器路由资源，例如，通过配置数据复用器来路由来自其所连接的传感器组的一部分的数据。在实施例中，连接复用器输入的各个此类来源可以在复用器中路由到单独输出，使得来自所有所连接源的数据可以路由到工业环境的数据收集元件上。在实施例中，复用器可以包括数据存储功能，这些数据存储功能可以有助于分享输入的至少一部分的共同输出。在实施例中，复用器可以包括数据存储功能和数据总线启用的输出，使得可以在存储器中捕获各个来源的数据并通过数据总线(例如与复用器输出共用的数据总线)发送。在实施例中，传感器可以为智能传感器，这些智能传感器可以包括数据存储功能，并且可以支持复用器公共输出的使用和/或共同数据总线的使用的协调方式将来自数据存储器的数据发送到复用器。
在实施例中，工业环境中的数据收集系统可以包括模板，这些模板用于配置数据收集系统，以从多个传感器收集数据，从而对多个偏转形态执行ODSV。可以配置单个模板，以实现松动、柔性接头、弯曲、扭曲等的可视化。可以针对工业环境中机器的不同部分配置单个偏转形态数据收集模板。
在实施例中，工业环境中的数据收集系统可以有助于实现工作偏转形态可视化，该工作偏转形态可视化可以包括向可视化提供数据的传感器位置的可视化。在可视化中，供数据以生成可视化的各传感器可以由视觉元件来指示。视觉元件可以有助于用户访问与传感器有关的信息，例如，位置、类型、所提供的典型数据、从传感器到数据收集器的数据路径、偏转形态模板标识符、路由数据所使用的开关或复用器的配置等。视觉元件可以通过使从传感器接收的传感器识别信息与使传感器识别信息与环境中的物理位置关联的信息(诸如传感器地图)关联来确定。为响应表示所选传感器的视觉元件，信息可以显示在可视化中，例如，通过用户在传感器视觉元件上定位光标。
在实施例中，ODSV可以受益于满足相位关系要求的数据。环境中的数据收集系统可以配置为协助收集符合相位关系要求的数据。或者，数据收集系统可以从多个传感器收集数据，该数据可以包含满足相位关系要求的数据，但还可以包括不满足相位关系要求的数据。访问相位检测数据的后处理操作可以选择所收集数据的子集。
在实施例中，工业环境中的数据收集系统可以包括复用器，该复用器从多个传感器接收数据，并且复用所接收的数据，以便递送到数据收集器。数据收集器可以处理数据，以便于执行ODSV。ODSV可能需要来自若干不同传感器的数据，并且在处理来自不同传感器的数据时可以受益于参考信号的使用，例如来自传感器的数据。复用器可以配置为诸如通过以下方式提供来自不同传感器的数据：随着时间的推移在复用器的输入之间切换，使得可以通过数据收集器接收来自各传感器的数据。然而，复用器可以包括多个输出，使得输入的至少一部分可以路由到多个输出中的至少两个。因此，在实施例中，多输出复用器可以配置为通过以下方式促进可以适于ODSV的数据收集：将来自其中一个输入的参考信号(例如，来自加速计的数据)路由到其中一个输出，并且在维持参考信号输出路由的同时将来自多个输出的数据复用到其中一个或多个输出中。数据收集器可以收集来自参考输出的数据，并且将其用于对齐来自其它传感器的已复用数据。
在实施例中，工业环境中的数据收集系统可以借助与用于采矿应用的输送机有关的协调数据收集来促进ODSV。采矿作业可以依赖输送机系统来将材料、物资以及设备移至矿井中和移出矿井。采矿作业通常可以昼夜不停地运营；因此，输送机停机时间可能对生产力和成本具有实质性的影响。通过ODSV可以更轻松地检测到输送机和相关系统的高级分析，该分析侧重于仅借助点观测来进行检测可能具有挑战性的二次影响。捕获与振动、应力等有关的操作数据可以促进ODSV。然而，数据捕获的协调可以提供更可靠的结果。因此，可以具有散布在整个输送机系统中的传感器的数据收集系统可以配置为促进这种协调数据收集。在示例中，影响输送机结构组件(例如：着陆点和连接着陆点并在着陆点之间支撑输送机的水平构件；输送段转接点；电机支架；输送机辊子支架等)的数据捕获可能需要与和输送机动态装载、驱动系统、电机、门等有关的数据协调。工业环境(诸如采矿环境)中的数据收集系统可以包括数据感测和收集模块，这些数据感测和收集模块布置在整个输送机中的输送段转接点、驱动系统等位置处。各模块可以由可编程逻辑控制器等一个或多个控制器来配置，该一个或多个控制器可以通过辅助执行协调数据收集的物理或逻辑(例如，无线)通信总线来连接。为了促进协调，可以在模块之间传达诸如触发等参考信号，以便在收集数据时使用。在实施例中，可以在各模块处执行数据收集和存储，以便减少在采矿环境中实时传输感测数据的需要。将来自模块的数据传输到ODSV处理设施可以在收集之后或作为模块之间且处理设施允许的通信带宽执行。通过ODSV可以深入了解输送机中的条件，例如，随着时间的推移可能引起过早故障的结构构件的偏转。与用于工业环境(例如采矿)中的数据收集系统的协调数据收集可以启用ODSV，该ODSV可以通过减少由于非预期组件故障导致的停机时间来降低操作成本。
在实施例中，工业环境中的数据收集系统可以借助与用于采矿应用的风机有关的协调数据收集来促进工作偏转形态可视化。风机在整个矿井中移动空气以提供通风、设备冷却、燃烧排气排泄等采矿作业中起着提供至关重要的作用。确保风机的可靠且通常连续的操作可能对矿工安全和成本高效运营至关重要。数十或数百台风机可以用于大型采矿作业中。风机(例如用于通风管理的风机)可以包括电路、升压器以及辅助风机。高功率辅助风机可以高度(超过2500RPM)运行。执行ODSV可以揭示与部署在采矿环境中的风机有关的重要可靠性信息。采矿风机ODSV所需的数据范围收集可以由本文描述的工业环境中的数据收集系统来执行。在实施例中，感测元件(例如智能感测和数据收集模块)可以部署有风机和/或风机子系统。这些模块可以交换收集控制信息(例如，通过专用控制总线等等)，以便可以在时间和相位方面协调数据收集，以促进ODSV。
用于采矿中的大型辅助风机可以构造成用于运输到矿井中并且可以通过矿井，因此可以包括风机主体、入口和出口、稀释阀、保护罩、电气外壳、车轮、检修窗、以及其它结构和/或操作元件。这种辅助风机的ODSV可能需要收集许多不同元件的数据。用于数据收集的系统可以配置为感测并收集数据，该数据可以与结构工程数据相结合，以促进此类型工业风机的ODSV。
参见图48，描绘了执行适用于ODSV的协调数据收集的、工业环境中的数据收集系统的实施例。工业环境中的数据收集系统可以包括ODSV数据收集模板存储库7800，其中可以由用于数据收集控制器7802的系统存储并访问用于数据收集系统配置和数据收集的ODSV模板7810。模板7810可以包括：数据收集系统配置7804和操作信息7806，该信息可以识别传感器、收集器、信号路径、参考信号信息、用于收集的启动和协调的信息等。控制器7802可以接收指示，例如来自ODSV分析设施7808的命令，以选择并实施特定ODSV模板7810。控制器7802可以访问模板7810并基于该模板中的信息配置数据收集系统资源。在实施例中，模板可以识别：特定传感器；复用器/开关配置、用于协调数据收集的参考信号、数据收集触发/启动信号和/或条件、持续时间和/或收集的数据量；所收集数据的目的地；中间处理(若有的话)；以及任意其它有用信息(例如，实例标识符等)。控制器7802可以配置并操作数据收集系统，执行ODSV模板的收集，并且选择性地向之前的配置返回系统配置。
用于在工业环境中执行ODSV的数据收集的示例方法包括自动配置本地和远程数据收集资源，以及使用所配置的资源从多个传感器收集数据，其中，若干传感器包括生成执行ODSV所需的数据的一组传感器。在某些其它实施例中，示例方法还包括：其中，传感器分布在工业环境中的工业机器的整个结构部分中；其中，传感器感测包括振动、旋转、平衡和/或摩擦等一系列系统条件；其中，自动配置响应在条件值可接受范围之外检测到环境中的条件；其中，条件由一组系统传感器中的传感器来感测；其中，自动配置包括将信号切换资源配置为将该组传感器的一部分并发连接到数据收集资源；和/或其中，信号切换资源被配置为在从传感器收集数据期间维持参考传感器与数据收集资源之间的连接，以执行ODSV。
工业环境中的数据收集示例方法包括以下各项：配置数据收集计划，以便从分布在工业环境整个机器中的多个系统传感器收集数据，该计划基于机器结构信息和生成机器ODSV所需的数据的指示；基于数据收集计划配置环境中的数据感测、路由以及收集资源；以及基于数据收集计划收集数据。在某些其它实施例中，示例方法还包括以下各项：生成ODSV；其中，配置数据感测、路由以及收集资源是响应于在条件值可接受范围外部检测到的环境中的条件；其中，条件由数据收集计划中识别的传感器来感测；其中，配置资源包括将信号切换资源配置为将多个系统传感器并发连接到数据收集资源；和/或其中，信号切换资源被配置为在从传感器收集数据期间维持参考传感器与数据收集资源之间的连接，以执行ODSV。
一种用于工业环境中的示例性数据收集系统包括：布置在整个环境中的多个传感器；将来自多个传感器的信号连接到数据收集资源的复用器；以及用于处理响应数据收集模板从多个传感器收集的数据的处理器，其中，处理产生布置在该环境中的机器的一部分的ODSV。在某些其它实施例中，示例系统包括：其中，ODSV收集模板还识别执行从所识别传感器收集数据所依赖的环境中的条件；其中，条件由ODSV数据收集模板中识别的传感器感测；其中，数据收集模板指定并发连接到数据收集资源的复用器的输入；其中，复用器被配置为在从传感器收集数据期间维持参考传感器与数据收集资源之间的连接，以执行ODSV；其中，ODSV数据收集模板指定用于对于工业环境中机器的一部分的松动、柔性接头、弯曲和/或扭曲执行ODSV的数据收集要求；和/或其中，ODSV收集模板指定从多个所识别传感器收集数据的顺序和时间。
监测采矿输送机以执行输送机的ODSV的的示例方法包括：自动配置本地和远程数据收集资源；以及使用所配置的资源从被布置用于感测采矿输送机的多个传感器收集数据。在实施例中，多个传感器包括一组传感器，其生成执行输送机一部分的工作偏转形态可视化所需数据。用于执行风机ODSV的、监测采矿风机的示例方法包括以下各项：自动配置本地和远程数据收集资源；以及使用所配置的资源从被布置用于感测风机的多个传感器收集数据，并且其中，多个传感器包括生成足以执行风机一部分的ODSV或执行ODSV所需数据的一组传感器。
在实施例中，工业环境中的数据收集系统可以包括分层复用器，该复用器有助于根据可配置分层(例如用户可配置分层)进行输入数据通道的连续多路复用。工业环境中的数据收集系统可以包括分层复用器，该分层复用器有助于根据可配置分层进行多个输入数据通道的连续多路复用。分层可以基于工业环境中的运行参数(例如工业环境中的机器参数)由控制器自动配置。
在实施例中，工业环境中的数据收集系统可以包括多个传感器，这些传感器可以不同速率输出数据。系统还可以包括复用器模块，该复用器模块接收以类似输出速率从多个传感器第一部分进入复用器模块第一分层复用器单独输入的传感器输出。复用器模块的第一分层复用器可以向第二分层复用器提供其输入一部分的至少一个多路复用输出，该第二分层复用器以类似的输出速率接收多个传感器第二部分的传感器输出，并且提供其输入一部分的至少一个多路复用输出。在实施例中，第一组传感器的输出速率可以低于第二组传感器的输出速率。在实施例中，第一组传感器的数据收集速率要求可以低于第二组传感器的数据收集速率要求。在实施例中，第一分层复用器输出是其输入一部分的时间复用组合。在实施例中，第二分层复用器以与第一复用器的输出速率类似的输出速率接收传感器信号在实施例中，第一复用器产生其多个输入一部分的基于时间的复用。
在实施例中，工业环境中的数据收集系统可以包括基于数据收集模板进行动态配置的分层复用器。分层复用器可以包括多个输入和多个输出。在实施例中，任意输入均可响应模板的传感器输出收集要求指向任何输出。在实施例中，可以以第一切换速率多路复用输入的子集并向多个输出中的至少一个输出该子集。
在实施例中，工业环境中的数据收集系统可以包括：多个传感器，该多个传感器用于感测环境中的机器条件；分层复用器；多个模数转换器(analog-to-digital converter，简称ADC)；处理器；本地存储器；以及外部接口。系统可以使用处理器来访问用于从多个传感器的一部分收集数据的参数的数据收集模板，基于所定义的参数配置分层复用器、ADC以及本地存储器以促进数据收集，并且使用所配置的元件执行数据收集，这包括将从多个传感器中的一部分收集的数据组存储到本地存储器中。在实施例中，ADC将模拟传感器数据转换成与分层复用器兼容的数字形式。在实施例中，处理器监测用于触发条件的由传感器生成的至少一个信号，并且在检测到触发条件后，通过在外部接口上传送警告并根据与触发条件对应的模板执行数据采集中的至少一个来进行响应。
在实施例中，工业环境中的数据收集系统可以包括分层复用器，该复用器可以基于环境的数据收集模板进行配置。该复用器可以支持同时接收大量数据信号(例如，从环境中的传感器接收)。在实施例中，用于环境中的工业机器一部分的所有传感器可以单独连接到复用器第一级的输入。复用器的第一级可以提供可反馈到复用器第二级中的多个输出。复用器第二级可以提供反馈到第三级中的多个输出，以此类推。可以针对特定数据收集组(例如，确定整个机器中的温度的组或确定整个机器中的振动的组等)配置用于环境的数据收集模板。各模板可以识别要从其中收集数据的、环境中的多个传感器，例如在数据收集事件期间。在向分层复用器呈现模板时，可以对用于各复用级的输入到输出映射进行配置，使得所需数据在最后一个复用分层级的输出处可用于数据收集。在示例中，用于收集确定整个环境中机器的温度的一组数据的数据收集模板可以识别许多温度传感器。第一级复用器可以通过选择连接到温度传感器的所有可用输入对模板进行响应。来自这些传感器的数据可以多路复用到第二级传感器的多个输入上，第二级传感器可以执行基于时间的多路复用，以生成来自传感器一部分的温度数据的时间复用的输出。这些输出可以由数据收集器收集并解复用成独立的传感器温度读数。
在实施例中，例如，触发等时间敏感信号可以直接连接到最终复用器级的输入，从而降低由于通过多个复用级路由而导致的任何潜在延迟。
在实施例中，工业环境中的数据收集系统中的分层复用器可以包括继电器阵列、可编程逻辑组件(例如CPLD)、现场可编程门阵列(field programmable gate array，简称FPGA)等。
在实施例中，工业环境中的数据收集系统可以与采矿应用中的炸药系统一起使用，该数据收集系统可以包括用于将传感器输出路由到信号路径上的分层复用器。爆炸启动和电子起爆系统可以配置为提供计算机辅助起爆系统。确保起爆安全可能涉及一系列条件的有效感测和分析。工业环境中的数据收集系统可以部署为感测并收集与炸药系统(例如用于采矿的炸药系统)关联的数据。数据收集系统可以使用分层复用器将炸药系统的部署(包括其布局规划、集成、互连、级联计划等)与分层复用器协调配合，从炸药系统设备中自动捕获数据。炸药系统可以采用分层的形式来部署，该分层从主引爆器开始，并且随后是通过电子爆炸控件连续层连接有序爆炸的爆炸连接。从这些爆炸系统配置层中的每一个收集的数据可以与分层复用器的级关联，使得可以在与分层复用器的爆炸控制分层对应的分层中捕获从散装炸药爆炸收集中的数据。
在实施例中，工业环境中的数据收集系统可以与石油和天然气管道应用中的炼油厂鼓风机一起使用，该数据收集系统可以包括用于将传感器输出路由到信号路径上的分层复用器。炼油厂鼓风机应用包括火焰加热器燃烧空气预热系统等。强制通风鼓风机可以包括可受益于条件感测和监测的一系列移动和可移动部件。感测可以包括检测以下各项的条件：联轴器(例如，温度、旋转速率等)；电机(振动、温度、RPM、转矩、用电量等)；百叶窗机械(致动器、百叶窗等)；以及充气室(流率、堵塞、背压等)。工业环境中的数据收集系统可以配置为从炼油厂鼓风机收集数据，该系统使用分层复用器将来自传感器等的信号路由到信号收集器。在示例中，可以部署多个传感器来感测流入、通过和流出炼油厂应用中使用的强制通风鼓风机的空气，例如，以预热燃烧空气等。传感器可以基于由传感器产生的信号频率来分组。检测百叶窗位置和进行控制的传感器可以比检测鼓风机RPM的传感器以更低的速率生成数据。因此，百叶窗位置和控制传感器信号可以应用于复用器分层中比鼓风机RPM传感器更低的层级，因为来自百叶窗的数据变化频率低于来自RPM传感器的数据变化频率。数据收集系统可以在多个百叶窗传感器之间切换，并且仍然可以捕获足够的信息以正确地检测百叶窗位置。然而，正确检测鼓风机RPM数据可能需要鼓风机RMP传感器与数据收集器之间的连接具有更大带宽。分层复用器可以正确检测所需的速率捕获鼓风机RPM数据(可能通过长时间输出RPM传感器数据)，同时在多个百叶窗传感器输入之间切换并将它们引导到(或穿过)与鼓风机RPM输出不同的输出上。或者，百叶窗输入可以与鼓风机RPM数据时间复用到单个输出上，该单个输出可以由数据收集器来解复用，该数据收集器被配置为确定何时输出鼓风机RPM数据和何时输出百叶窗位置数据。
在实施例中，工业环境中的数据收集系统可以与石油和天然气管道应用中的管道相关压缩机(例如，往复式的)一起使用，该数据收集系统可以包括用于将传感器输出路由到信号路径上的分层复用器。用于管道应用的往复式压缩机的典型用途是生产用于管道测试的压缩空气。工业环境中的数据收集系统可以在从基于管道测试的往复式压缩机中收集数据的同时应用分层复用器。来自沿着被测试管道的一部分部署的传感器的数据可以输入到分层复用器的最下级，因为这些传感器可以在测试之前和期间定期采样。然而，采样率可能相对于检测压缩机运行(例如以更高频率运行的压缩机的部件，如往复式联动装置、电机等)的传感器较低。以能够再现所检测到的运动的频率提供数据的传感器可以输入到分层复用器中的更高级。管道传感器之间的时间复用可以在捕获密封泄露等事件的同时提供大量传感器的覆盖。然而，往复式联动装置传感器之间的时间复用可能需要输出信号带宽，该输出信号带宽可能超过可用于将数据从复用器路由到数据收集器的带宽。因此，在实施例中，可以将多个管道传感器时间复用到单个复用器输出上，并且可以将检测快速移动的部件(例如压缩机电机)的压缩机传感器路由到复用器的单独输出。
参见图49，描绘了工业环境中的数据收集系统，该数据收集系统将分层复用器用于向数据收集器路由传感器信号。来自多个传感器(例如，监测随着相对较低频率变化的条件的传感器(例如，鼓风机百叶窗位置传感器))的输出可以输入到分层复用器8002的最低分层级8000，并且路由到复用器中的连续更高级，最终从复用器输出，可能作为包括多个低频传感器中的每一个的时间特定样本的时间复用信号。来自多个第二传感器(例如，监测可能以高于1000RPM运行的电机运行的传感器)的输出可以输入到分层复用器的更高分层级8004，并且路由到支持所需带宽的输出。
一种用于工业环境中的示例性数据收集系统包括：控制器，用于控制工业环境中的数据收集资源；和分层复用器，其有助于根据可配置分层进行多个输入数据通道的连续多路复用。在实施例中，分层由控制器基于工业环境中的机器的运行参数进行自动配置。在某些其它实施例中，示例系统包括：其中，机器的运行参数在数据收集模板中识别；其中，分层将自动配置，以响应智能带数据收集启动，该智能带数据收集启动还包括布置在输入数据通道的来源与分层复用器之间的模数转换器；和/或其中，机器的运行参数包括数据通道中的至少一个的触发条件。用于工业环境中数据收集的另一个示例系统包括：多个传感器；和复用器模块，该复用器模块接收具有到第一分层复用器的单独输入中的类似输出速率的、来自传感器的第一部分的传感器输出接收以类似输出速率从多个传感器第一部分进入第一分层复用器单独输入的传感器输出，该第一分层复用器向第二分层复用器提供其输入一部分的至少一个多路复用输出，第二分层复用器接收来自传感器第二部分的传感器输出，并且提供其输入一部分的至少一个多路复用输出。在某些其它实施例中，示例系统包括；其中，传感器的第二部分以高于传感器第一部分输出速率的速率输出数据；其中，传感器的第一部分和第二部分以不同的速率输出数据；其中，第一分层复用器输出是其输入一部分的时间复用组合；其中，第二复用器接收以与第一复用器输出速率类似的输出速率的传感器信号；和/或其中，第一复用器产生其输入一部分的基于时间的复用。
工业环境中的数据收集示例系统包括：多个传感器，该传感器用于感测环境中的机器条件；分层复用器；多个模数转换器；控制器；本地存储器；外部接口，其中，系统包括使用控制器来访问定义用于从传感器的一部分收集数据的参数的数据收集模板，基于所定义的参数配置分层复用器、ADC以及本地存储器以促进数据收集，并且使用所配置的元件执行数据收集，这包括将从传感器的一部分收集的数据的组存储到本地存储器中。在某些其它实施例中，示例系统包括：其中，ADC将模拟传感器数据转换成可与分层复用器兼容的数字形式；其中，处理器监测用于触发条件的由传感器生成的至少一个信号，并且在检测到触发条件后，通过在外部接口上传送警告和/或根据与触发条件对应的模板执行数据采集来进行响应；其中，分层复用器根据可配置分层执行从传感器接收的数据的连续多路复用；其中，分层基于工业环境中的机器运行参数由控制器进行自动配置；其中，机器的运行参数在数据收集模板中识别；其中，分层响应将自动配置，以响应智能带数据收集启动；系统还包括布置在输入数据通道的来源与分层复用器之间的ADC，其中，机器的运行参数包括数据通道中的至少一个的触发条件；其中，分层复用器根据可配置分层执行从多个传感器接收的数据的连续多路复用；和/或其中，分层基于工业环境的所检测参数由控制器进行自动配置。在没有限制的情况下，示例系统被配置为监视采矿炸药系统，并且包括：控制器，该控制器用于控制与炸药系统关联的数据收集资源；和分层复用器，该分层复用器有助于根据可配置分层进行多个输入数据通道的连续多路复用，其中，分层基于炸药系统的配置由控制器进行自动配置。在没有限制的情况下，示例系统被配置为监视石油和天然气管道应用中的炼油厂鼓风机，并且包括：控制器，该控制器用于控制与炼油厂鼓风机关联的数据收集资源；和分层复用器，该分层复用器有助于根据可配置分层进行多个输入数据通道的连续多路复用，其中，分层基于炼油厂鼓风机的配置由控制器进行自动配置。在没有限制的情况下，示例系统被配置为监视石油和天然气管道应用中的往复式压缩机，并且包括：控制器，该控制器用于控制与往复式压缩机关联的数据收集资源；和分层复用器，该分层复用器有助于根据可配置分层进行多个输入数据通道的连续多路复用，其中，分层基于往复式压缩机的配置由控制器进行自动配置。
在实施例中，工业环境中的数据收集系统可以包括超声传感器，该超声波传感器布置用于捕获环境中的元件的超声条件。系统可以配置为收集在计算存储器中表示所捕获超声条件的数据，处理器可以在计算机存储器中执行超声分析算法。在实施例中，所感测元件可以为移动元件、旋转元件、结构元件等等中的一个。在实施例中，可以将数据流传输到计算机存储器。在实施例中，可以连续流传输数据。在实施例中，可以在持续时间(例如超声条件采样持续时间)内流传输数据。在实施例中，系统还可以包括数据路由基础设施，该数据路由基础设施有助于将来自超声波传感器的流数据路由到包括本地和远程目的地在内的多个目的地。路由基础设施可以包括分层复用器，该分层复用器适于将流数据和数据从至少一个其它传感器路由到目的地。
在实施例中，工业环境中的超声波监测可以由本文描述的数据收集系统在旋转元件(例如，电机轴等)、轴承、配件、联轴器、壳体、承载元件等上执行。超声波数据可以用于模式识别、状态确定、时间序列分析等，上述各项中的任意一个可以由工业环境的计算资源来执行，这些计算资源可以包括本地计算资源(例如，位于环境内和/或环境中的机器内的资源等)和远程计算资源(例如，基于云的计算资源等)。
在实施例中，可以启动由数据收集系统执行的工业环境中的超声波监测，以响应触发(例如，指示电机运转的来自电机的信号等)、时间度量(例如，自最近监测活动以来的时间量、一天中的时间、相对于触发的时间、将来事件(例如机器关机)之前的时间量等)、外部事件(例如，雷击等)。可以启动超声波监测，以响应智能带数据收集活动的实施。可以启动超声波监测，以响应工业环境中应用的数据收集模板。数据收集模板可以基于可适用于被监测元件、机器、环境等的先前振动引起的故障分析来进行配置。因为超声波数据的连续监测可能在延长时间段内需要工业环境中的专用数据路由资源，因此用于持续超声波监测的数据收集模板可以使用数据路由和资源使用设置信息来配置，数据收集系统的控制器可以使用该数据路由和资源使用设置信息来设置资源，以适应持续超声波监测。在示例中，数据复用器可以配置为在模板中指定的持续时间内将其输出的一部分专用于超声波数据。
在实施例中，工业环境中的数据收集系统可以执行持续超声波监测。系统还可以包括由位于振动监测传感器或设备邻近位置的本地处理器处理超声波数据。根据本地处理器的计算能力，可以执行诸如峰值检测等功能。可编程逻辑组件可以提供执行峰值检测的足够计算能力。超声波数据(本地或远程)的处理可以向与被监测元件关联的控制器提供反馈。可以将反馈用于控制环路中，以潜在的方式调节运行条件(例如转速等)，从而尝试降低或至少遏制超声波数据分析表明的潜在负面影响。
在实施例中，工业环境中的数据收集系统可以执行超声波监测，尤其是持续超声波监测。超声波监测数据可与被监测元件或机器的多维模型组合，以生成可视化超声波数据。在实施例中，可以生成图像、图像集、视频等在时间上与感测到的超声波数据相关的内容。在实施例中，图像识别和/或分析可应用于超声可视化，以进一步帮助确定超声波监测检测到的病症的严重性。可以训练图像分析算法以检测正常条件和越界条件。负载传感器的数据可与超声波数据进行结合以便于测试材料和系统。
在实施例中，工业环境中的数据收集系统可对石油和天然气管道应用中的管道进行超声波监测。流经管道的石油可引起振动和其它机械效应，这可能导致管道、支撑构件、流量增压器、调节器、转向器等的衬垫结构发生变化。对管道中的关键元件执行持续超声波监测有助于检测可能引发故障的材料的早期变化，例如联合压裂等。工业环境中的数据收集系统可配置有超声感测设备，该超声感测设备可通过信号数据路由资源(例如交叉点开关、复用器等)与数据收集和分析节点连接，可在该节点处收集超声波数据并所收集的超声波数据进行分析。在实施例中，数据收集系统可包括参考数据收集计划或模板的控制器，该数据收集计划或模板包含相关信息以便于配置系统的数据采样、路由和收集资源，从而适于沿着管道从多个元件收集超声波样本数据。模板可指示从多个超声波传感器收集超声波数据的序列，并且控制器可配置复用器，用于在模板中指定的一段时间内将超声波传感器数据从指定的超声波传感器发送到目的地，例如数据存储控制器、分析处理器等。控制器可检测模板中的收集序列或要访问的模板序列，并响应所检测序列中的每个模板，调整复用器等以将每个模板中指定的传感器数据路由到收集器。
在实施例中，工业环境中的数据收集系统可对发电应用中的压缩机执行超声波监测。压缩机包括几个关键的旋转元件(例如，轴、电机等)、旋转支撑元件(例如，轴承、联轴器等)等。配置为便于在发电应用中感测、路由、收集和分析超声波数据的数据收集系统可从多个超声波传感器中接收超声波传感器数据。基于配置设置模板，例如，用于从一个或多个超声波传感器设备中收集持续超声数据的模板，控制器可配置数据收集系统的资源以便于通过一个或多个信号数据线将超声波数据从传感器至少发送到可本地或远程访问的数据收集器。在实施例中，模板可指示主轴的超声波数据应该连续检索一分钟，然后副轴的超声波数据应该检索一分钟，随后是压缩机壳体的超声波数据。控制器可配置复用器，该复用器接收用于每个传感器的超声波数据，以通过配置控制集来依次路由每个传感器的数据，该控制集通过复用器首先引导来自主轴超声波传感器的输入直到达到被转发的时间或其它数据度量。控制器可切换复用器以根据需要路由附加超声波数据，从而满足第二模板的要求。控制器可沿着路径继续调整数据收集系统资源，直到满足所有超声波监测数据收集模板的要求。
在实施例中，工业环境中的数据收集系统可在风力发电应用中对风力涡轮机变速箱进行超声波监测。风力涡轮机中的变速箱可能在操作中经受较高的阻力，部分原因是风的性质的变化，这可能导致齿轮平面、液压流体泵、调节器等移动部件过早发生故障。工业环境中的数据收集系统可配置有超声波传感器，该超声波传感器捕获可早期检测这些高应变元件的潜在故障模式的信息。为了确保可有效地从具有足够覆盖范围的不同超声波传感器中获取超声波数据以便于生成可执行的超声成像评估，该系统可配置为专门从一个或多个传感器以相对较高的速率传送足够的数据。路由通道可专用于在一段时间内传送超声传感数据，该段时间可在超声波数据收集计划或模板中指定。为达到该目的，控制器(例如，可编程逻辑组件)可配置交叉点开关的一部分和数据收集器，以将超声波数据从第一组超声波传感器(例如，用于感测液压流体流量控制元件的超声波传感器)发送到多个数据收集器。交叉点开关的另一部分可配置为将附加传感器数据路由到数据收集器，该附加传感器数据可用于评估数据收集器其它数据通道上的超声波数据(例如，电机开/关状态、感测组件的热力条件等)，其中可在该数据收集器中对数据进行组合与分析。该控制器可重新配置数据路由资源，使得能够基于相应的数据收集模板从其它元件中收集超声波数据。
参考图50，工业环境中的数据收集系统可包括一个或多个超声波传感器8050，该超声波传感器8050可以连接到数据收集和路由系统8052，该数据收集和路由系统8052可由控制器8054基于超声波传感器特定数据收集模板8056进行配置，该超声波传感器特定数据收集模板8056可由超声波数据分析设备8058提供给控制器8054。控制器8054可配置数据收集系统8052的资源并基于模板8056中的数据收集要求在一段时间内监测数据收集。
工业环境中的数据收集示例系统包括：超声波传感器，其布置用于获取环境中的元件的超声条件；控制器，其配置数据收集系统的数据路由资源以将超声波传感器捕获的超声波数据路由到由超声波监测数据收集模板指定的目的地位置；以及处理器，其在数据到达目的地之后对其执行超声分析算法。在某些其它实施例中，示例系统还包括：其中，模板定义从超声波传感器捕获持续超声数据的时间间隔；数据路由基础设施，其有助于将流数据从超声波传感器路由到包括本地和远程目的地在内的多个目的地；路由基础设施包括分层复用器，其适于将流数据和数据从至少一个其它传感器路由到目的地；其中，环境中的元件包括旋转元件、轴承、配件、联轴器、壳体和/或承载件；其中，模板定义了持续超声波监测的激活条件；和/或其中，激活条件包括触发器、智能带、模板、外部事件和/或法规遵从性配置。
工业环境中的数据收集示例系统包括：超声波传感器，其布置用于获取环境中工业机器的元件的超声条件；控制器，其配置数据收集系统的数据路由资源以将超声波传感器捕获的超声波数据路由到由超声波监测数据收集模板指定的目的地位置；以及处理器，其在数据到达目的地之后对其执行超声分析算法。在某些实施例中，模板定义从超声波传感器捕获持续超声数据的时间间隔；该系统还包括数据路由基础设施，其有助于将数据从超声波传感器路由到包括本地和远程目的地在内的多个目的地；路由基础设施包括分层复用器，其适用于将超声波数据和数据从至少一个其它传感器路由到目的地；其中，工业机器的元件包括旋转元件、轴承、配件、联轴器、壳体和/或承载件；其中，模板定义了持续超声波监测的激活条件；和/或其中，激活条件包括触发器、智能带、模板、外部事件和/或法规遵从性配置。
在工业环境中进行持续超声波监测的示例性方法包括：在工业环境中在工业机器的至少一个移动部件的超声波监测范围内配置超声波监测设备，其中，该超声波监测设备产生超声波监测数据流；基于超声波监测数据收集模板配置数据路由基础设施，以将超声波监测数据流路由到目的地，其中，基础设施有助于通过模拟交叉点开关和/或分层复用器将数据从多个传感器路由到多个目的地；通过路由基础设施将超声波监测设备数据路由到目的地；使用超声波数据分析算法处理所存储的数据，该算法提供电机轴、轴承、配件、联轴器、壳体和承载件中的至少一个的超声分析；和/或将数据存储在目的地的计算机可访问存储器中。示例性方法的某些其它实施例包括：其中，数据收集模板定义从超声波监测设备捕获持续超声波数据的时间间隔；其中，配置数据路由基础设施包括配置分层复用器以将超声波数据和数据从至少一个其它传感器路由到目的地；其中，对工业机器中的至少一个元件进行超声波监测，该元件包括旋转元件、轴承、配件、联轴器、壳体和/或承载件；其中，模板定义了持续超声波监测的激活条件；其中，激活条件包括触发器、智能带、模板、外部事件和/或法规遵从性配置；其中，超声波数据分析算法执行模式识别；和/或其中，路由超声波监测设备数据，以响应与至少一个移动部件相关联的工业环境中的条件检测。
在没有限制的情况下，用于监测石油或天然气管道的示例系统包括处理器，其在管道数据到达目的地之后对其执行超声分析算法；用于监测发电压缩机的示例系统包括处理器，其在发电压缩机数据到达目的地之后对其执行超声分析算法；用于监测风力涡轮机变速箱的示例系统包括处理器，其在变速箱数据到达目的地之后对其执行超声分析算法。
泵、压缩机、空调装置、混合器、搅拌器、电机和发动机等工业组件在包括工厂、气体处理系统、采矿作业、汽车系统等工业环境在内的设备操作中起关键作用。
各种各样的泵包括各种正排量泵、速度泵和脉冲泵。速度泵或离心泵通常包括具有弯曲叶片的叶轮，当叶轮浸入水或气体等流体中时，该叶轮使流体或气体沿与叶轮相同的旋转方向旋转。当流体或气体旋转时，离心力使其移动到泵的外径，例如泵外壳，可在此处收集流体或气体并进行进一步处理。从外周去除流体或气体可能导致泵输入孔处的压力降低，从而导致新的流体或气体被吸入泵中。
正排量泵可包括往复泵、螺杆泵、齿轮泵或螺旋泵，例如，往复泵通常包括交替产生吸力和压力的活塞，吸力会打开入口阀并将液体或气体抽吸到汽缸中，压力会关闭进气阀并迫使液体或气体通过出口阀排出气缸。这种泵送方法可能导致受压液体或气体的周期波被引入下游系统中。
一些机动车辆(例如，汽车和卡车)可使用水冷却系统来防止发动机过热。在一些车辆中，由与车辆驱动轴关联的皮带驱动的离心式水泵用于迫使水和冷却剂的混合物通过发动机，以维持可接受的发动机温度。发动机过热可能对发动机具有较高的破坏性，而且可能导致安装在车辆中的水泵使用困难或成本较高。
在实施例中，车辆水泵可配备多个传感器，用于测量与水泵相关的属性，例如轴承或泵壳体的温度、与泵相关联的驱动轴的振动、液体泄漏等。这些传感器可利用有线和无线连接技术的混合直接连接到监测设备或通过中间设备进行连接。监测设备可访问与传感器对应的检测值，其中，检测值直接对应于传感器输出或数据输出的处理版本，例如传感器输出的数字化版本或采样版本，和/或虚拟传感器或与其它感测值相关的建模值。监测设备可采用本文其它部分讨论的方法来访问和处理检测值，以评估水泵的健康状况以及容易磨损和易发生故障的水泵的各种组件，例如轴承或轴承组、驱动轴、电机等。监测设备可处理检测值，以识别泵的驱动轴上的扭转。然后，可基于水泵的特定几何形状及其在车辆中的安装方式，评估相对于预期扭转所识别的扭转。意外的扭转可能会对驱动轴造成过度压力，并可能是泵健康状况恶化的迹象。监测设备可处理检测值，以识别轴中的意外振动或轴承中或轴承附近的壳体中的意外温度值或温度变化。在一些实施例中，传感器可包括定位在水泵周围的多个温度传感器，以识别轴承之间或泵壳体上的可能指示潜在轴承故障的热点。监测设备可处理与水传感器相关联的检测值，以识别泵附近可能指示密封不良的液体泄漏。可联合分析检测值以了解泵的健康状况。
在说明性示例中，与车辆水泵相关联的检测值可以比泵的操作旋转更高的频率指示振动的突然增加，并指示与泵循环中特定相位相关联的温度的相应局部增加。这些变化可指示轴承局部故障。
生产线还可包括一个或多个泵，用于移动各种材料，包括酸性或腐蚀性材料、可燃材料、矿物质、包含不同尺寸的微粒的流体、高粘度流体、可变粘度流体或高密度流体。生产线泵可设计用于专门满足生产线的需要，包括泵组合，以处理各种类型的材料，或以所需速度或所需压力移动流体所需的扭矩。由于这些生产线可能是连续的生产线，因此可能需要进行主动维护，而不是组件发生故障后再进行维护。泵速和压力的变化可能对最终产品产生负面影响，并且识别最终产品中问题的能力可能滞后于实际组件劣化不可接受的较长时间。
在实施例中，工业泵可配备多个传感器，用于测量与泵相关的属性，例如轴承或泵壳的温度、与泵相关联的驱动轴的振动、输入或输出管线的振动、压力、流速、流体微粒测量、泵壳体的振动等。这些传感器可利用有线和无线连接技术的混合直接连接到监测设备或通过中间设备进行连接。监测设备可访问与传感器对应的检测值，其中检测值直接对应数据输出的处理版本的传感器输出，例如传感器输出的数字化或采样版本。监测设备可采用本文其它部分讨论的方法来访问和处理检测值，以总体评估泵的健康状况、评估泵组件的健康状况、预测由非典型泵性能引起的潜在下行线路问题，或者泵送流体的变化。监测设备可处理检测值，以识别泵的驱动轴上的扭转。然后可基于泵的特定几何形状及其如何相对于装配线上的其它组件安装在设备中，评估相对于预期扭转所识别的扭转。意外的扭转可能会对驱动轴造成过度压力，并可能是泵健康状况恶化的迹象。此外，还可评估入口管和出口管的振动以获得意外振动或共振振动，其用于驱动过程控制以避免某些泵频率。振动的变化也可能是由于流体成分或密度发生变化、某些频率的振动被放大或抑制。监测设备可处理检测值，以识别轴中的意外振动、轴承中或轴承附近的壳体中的意外温度值或温度变化。在一些实施例中，传感器可包括定位在泵周围的多个温度传感器，用于识别轴承之间或泵壳体上的热点，该热点可能指示潜在的轴承故障。对于一些泵，当被泵送流体具有腐蚀性或含有大量微粒时，由于长期暴露于流体中，可能会损坏与流体接触的泵的内部组件。该问题可能反映在输出压力的意外变化中。另外或可选地，如果齿轮泵中的齿轮开始腐蚀并且不再迫使所有截留的流体流出，则可能导致泵速增加、流体空化和/或输出管道中的意外振动。
压缩机通过减小气体占据的体积或增加有限体积中的气体量来增加气体的压力。正排量压缩机利用活塞或旋转螺杆的运动将气体移动到加压保持室中。动态排气式压缩机利用离心力使气体加速进入固定式压缩机，在此处将动能转换为压力。压缩机可用于压缩各种气体以用于装配线。压缩空气可为装配线上的气动设备提供动力。在石油和天然气工业中，闪蒸气体压缩机可用于压缩气体，使其在进入低压力环境时离开烃液。压缩机可用于恢复天然气和石油管道中的压力、混合所需流体和/或转移或输送所需流体。压缩机可用于实现天然气的地下储存。
与泵类似，压缩机可配备多个传感器，用于测量与压缩机相关的属性，例如轴承或压缩机壳体的温度、与压缩机相关的驱动轴、传动装置、变速箱等的振动、容器压力、流速等。这些传感器可利用有线和无线连接技术的混合直接连接到监测设备或通过中间设备进行连接。监测设备可访问与传感器对应的检测值，其中检测值直接对应数据输出的处理版本的传感器输出，例如传感器输出的数字化或采样版本。监测设备可使用本文其它部分描述的方法来访问和处理检测值，以整体评估压缩机的健康状况，评估压缩机组件的健康状况和/或预测由非典型压缩机性能引起的潜在下行线路问题。监测设备可处理检测值，以识别压缩机的驱动轴上的扭转。然后可基于压缩机的特定几何形状及其如何相对于其它组件和设备安装在设备中，评估相对于预期扭转所识别的扭转。意外的扭转可能会对驱动轴造成过度的压力，并且可能是压缩机健康状况恶化的迹象。此外，还可评估入口管和出口管的振动以获得意外振动或共振振动，其用于驱动过程控制以避免某些压缩机频率。监测设备可处理检测值，以识别轴中的意外振动、轴承中或轴承附近的壳体中的意外温度值或温度变化。在一些实施例中，传感器可包括定位在压缩机周围的多个温度传感器，用于识别轴承之间或压缩机壳体上的热点，该热点可能指示潜在的轴承故障。在一些实施例中，传感器可监测储存压缩气体的容器中的压力。压力变化或压力变化率可指示压缩机存在的问题。
搅拌器和混合器可用于各种工业环境中。搅拌器可用于将不同组分(例如液体、固体或气体)混合在一起。搅拌器可用于促进组分材料更均匀地混合。搅拌器可用于通过增加不同组分材料之间的暴露并向系统添加能量来促进化学反应。搅拌器可用于促进热传递以便于均匀加热或冷却材料。
混合器和搅拌器用于化学品生产、食品生产、药物生产等各种工业中。混合器包括油漆和涂料混合器、粘合剂和密封剂混合器、油气混合器、水处理混合器、废水处理混合器等。
搅拌器可包括旋转或搅拌装有待混合材料的整个罐或容器的设备，例如混凝土搅拌器。有效的搅拌可能受到罐内部挡板的数量和形状的影响。通过旋转罐或容器进行的搅拌可能会受到相对于罐的形状的旋转轴、旋转方向和作用在罐中材料上的重力等外力的影响。影响材料搅拌效果或通过搅拌罐或容器进行混合的效果的因素可包括旋转轴，以及沿不同轴的振动幅度和频率。可基于以下条件来选择这些因素：所选材料的类型、材料的相对粘度、比重、微粒数、组分材料或混合物的任何预期剪切稀化或剪切增稠、流入或流出容器或罐的材料的流速、流入或流出容器的材料流的方向和位置等。
在旋转推进器或以其它方式移动机械设备时，搅拌器、大型罐式混合器、便携罐式混合器、手提罐式混合器、鼓式混合器和安装型混合器(具有各种安装类型)可包括推进器或其它机械设备，例如插入待混合材料的罐中的桨叶、叶片或定子。这些机械设备可包括翼型叶轮、固定桨距叶片叶轮、可变桨距叶片叶轮、防倾斜叶轮、固定径向叶片叶轮、船用式螺旋桨、可折叠翼型叶轮、可折叠倾斜叶片叶轮、可折叠径向叶片叶轮和可变桨距叶轮。搅拌器可采用下列安装方式：使得机械搅拌集中在罐中。搅拌器可采用下列安装方式：使其在罐中形成角度或者垂直或水平偏离容器的中心。搅拌器可从罐的上方、下方或侧面进入罐中。在单个罐中可有多个搅拌器，从而可以在整个罐或化学品容器中实现均匀混合。
搅拌器包括使组分材料战略性地流动或引入容器，包括入口位置和方向、入口速度、入口压力、材料粘度、材料比重等。
材料混合的成功搅拌可通过挡板槽中的一个或多个推进器等技术组合进行，其中，组分在不同位置以不同速率引入。
在实施例中，工业混合器或搅拌器可配备多个传感器，用于测量与工业混合器相关的属性，例如：轴承或罐壳体的温度、与推进器或其它机械装置(例如，桨叶、叶片或定子等)相关的驱动轴的振动，输入或输出管线的振动、压力、流速、流体微粒测量、罐壳体的振动等。这些传感器可利用有线和无线连接技术的混合直接连接到监测设备或通过中间设备进行连接。监测设备可访问与传感器对应的检测值，其中检测值直接对应数据的处理版本的传感器输出，输出传感器输出的数字化或采样版本、来自多个传感器的数据融合等。监测设备可使用本文其它部分讨论的方法访问和处理检测值，以评估整个搅拌器或混合器的健康状况，评估搅拌器或混合器组件的健康状况，预测由非典型性能引起的潜在下行线路问题或搅拌材料组成的变化。例如，监测设备可处理检测值，以识别搅拌叶轮的驱动轴上的扭转。然后可基于搅拌器的特定几何形状及其如何相对于其它组件和/或设备件安装在设备中，评估相对于预期扭转所识别的扭转。意外的扭转可能会对驱动轴造成过度的压力，并且可能是搅拌器健康状况恶化的迹象。可监测流入和流出管道的振动以获得意外振动或共振振动，其用于驱动过程控制以避免某些搅动频率。此外，还可监测流入和流出管道以获得意外的流速、意外的微粒含量等。振动的变化也可能是由于流体成分发生变化，或者是由于密度增加或某些频率的振动受到抑制。监测设备可分配传感器以收集检测值，该检测值用于识别轴中的意外振动或者轴承中或轴承附近的壳体中的意外温度值或温度变化。对于一些搅拌器，当搅拌的流体具有腐蚀性或含有大量微粒时，由于长期暴露于材料中，可能会损坏与材料接触的搅拌器的内部组件(例如挡板、推进器、叶片等)。
HVAC、空调系统等可使用压缩机和风扇的组合来冷却和循环工业环境中的空气。与压缩机和搅拌器的描述类似，这些系统可包括多个旋转组件，这些组件的故障或性能下降可能对工作环境产生负面影响并可能降低产品质量。监测设备可用于监测用于测量一个或多个旋转组件的各个方面、通风系统、环境条件等的传感器。HVAC/空调系统的组件可包括风扇电机、驱动轴、轴承、压缩机等。监测设备可根据本文其它部分讨论的方法访问和处理与传感器输出对应的检测值，以评估空调单元、HVAC系统等的整体健康状况以及这些系统的组件，识别操作状态，预测由非典型性能引起的潜在问题等。评估技术可包括轴承分析、驱动轴、转子和定子的扭转分析、峰值检测等。监测设备可处理检测值，以识别驱动轴上的扭转、潜在轴承故障等问题。
装配线输送机可包括多个移动和旋转组件，作为通过制造过程移动材料的系统的一部分。这些装配线输送机可在较大的速度范围内运行。当输送装置水平输送材料以便进行筛选、分级、包装、铺展、脱水、将产品送入下一个在线流程等时，这些输送装置也可以以各种频率振动。
输送系统可包括发动机或电机、一个或多个驱动轴转向辊或轴承，输送机可沿着该转向辊或轴承移动。振动输送机可包括弹簧和多个振动器，振动器以正弦方式向前振动输送机。
在实施例中，输送机和振动输送机可配备多个传感器，用于测量与输送机相关的属性，例如，轴承的温度、驱动轴的振动、沿输送机移动方向的辊的振动、与输送机相关的速度和速度等。监测设备可使用本文其它部分讨论的方法访问和处理检测值，以评估输送机及输送机组件的整体健康状况，预测由非典型性能引起的潜在问题等。用于评估输送机的技术可包括轴承分析、扭转分析、相位检测/锁相环以调整输送机不同部分的检测值、频率转换和频率分析、峰值检测等。监测设备可处理检测值，以识别驱动轴上的扭转、潜在轴承故障、不均匀的输送等问题。
在说明性示例中，造纸厂输送系统可包括一种网状结构，纸浆料涂覆在该网状结构上。当液体蒸发且纸张变干时，网状结构将输送浆料。然后可将纸张卷绕到纸芯管上，直到滚筒直径达到3米。造纸厂的输送速度范围为：从传统设备的14～48米/分钟的速度到新型高速设备的接近2000米/分钟的速度。对于较慢的机器，纸张可以14米/分钟的速度卷绕到滚筒上，朝向滚筒末端的直径约为3米，这表明卷取滚筒可以一分钟一对的速度旋转。卷材传送的振动或卷取滚筒上的扭转可能造成纸张损坏、纸幅在卷材上倾斜或者滚筒倾斜，这导致设备停机或产品质量下降或无法使用。此外，设备故障可能导致昂贵的机器停机和产品损失。因此，预测问题并提供预防性维护等能力可能非常有用。
监测卡车发动机和转向系统以便于及时维护并避免意外故障可能至关重要。可使用监测设备监测燃烧室、旋转曲轴、轴承等的健康状况，该监测设备被构造为解译从多个传感器接收的检测值，该传感器测量与发动机组件相关的各种特性，包括温度、扭转、振动等。如上所述，监测设备可处理检测值，以识别发动机轴承的健康状况、曲轴/驱动轴上的扭转振动、燃烧室中的意外振动、不同组件的过热等。可在本地进行处理，或者可在多个车辆上收集数据并进行联合分析。监测设备可处理与发动机、燃烧室等相关的检测值。传感器可监测温度、振动、扭转、声学等属性以识别问题。监测设备或系统可使用峰值检测、轴承分析、扭转分析、相位检测、PLL、带通滤波等技术，识别转向系统和轴承扭转分析存在的潜在问题，以识别旋转发动机上的组件存在的潜在问题。这种潜在问题的识别可用于安排及时维护，在维护之前减少操作并影响将来的组件设计。
石油和天然气工业中的钻孔机和螺丝刀可能承受较大的应力。由于钻孔机和螺丝刀经常处于较远的位置，并且由于与引进更换组件相关的前置时间，意外故障可能延长停机时间。可利用监测设备来监测钻机或螺丝刀以及相关的旋转曲轴、轴承等的健康状况，该监测设备被构造为解译从多个传感器接收的检测值，该传感器测量与钻孔机或螺丝刀相关的各种特性，包括温度、扭转、振动、转速、垂直速度、加速度、图像传感器等。如上所述，监测设备可处理检测值，以识别设备的健康状况、曲轴/驱动轴上的扭转振动、组件的意外振动、不同组件的过热等。可在本地进行处理，或者在多个机器上收集数据并进行联合分析。监测设备可联合处理检测值、设备维护记录、产品记录、历史数据等，以识别检测值、组件的当前和未来状态、组件或设备的预期寿命等之间的相关性。传感器可监测温度、振动、扭转、声学等属性，以识别钻轴中的意外扭转、齿轮的滑动、过热等问题。监测设备或系统可使用峰值检测、轴承分析、扭转分析、相位检测、PLL、带通滤波等技术来识别潜在问题。这种潜在问题的识别可用于安排及时维护，订购新组件或替换组件，在维护之前减少操作并影响将来的组件设计。
类似地，可能需要监测油气田中运行的变速箱的健康状况。监测设备可构造为解译从多个传感器接收的检测值，该传感器用于测量与变速箱相关的各种特性，例如温度、振动等。监测设备可处理检测值，以识别齿轮和变速箱的健康状况和预期寿命。可在本地进行处理，或者在多个变速箱上收集数据并进行联合分析。监测设备可联合处理检测值、设备维护记录、产品记录历史数据等，以识别检测值、变速箱的当前和未来状态、变速箱和相关组件的预期寿命等之间的相关性。监测设备或系统可使用峰值检测、轴承分析、扭转分析、相位检测、PLL、带通滤波等技术来识别潜在问题。这种潜在问题的识别可用于安排及时维护，订购新组件或替换组件，在维护之前减少操作并影响将来的设备设计。
由于内部发生的化学反应，石油和天然气工业中的精炼罐可能承受较大的应力。由于罐中的裂口可能导致潜在的有毒化学物质泄露，因此监测精炼罐和相关组件的状况有很大益处。监测精炼罐以收集各种不间断数据可用于预测设备磨损、组件磨损、意外应力等。对精炼罐状态等设备健康状况的特定预测可用于安排及时维护，订购新组件或替换组件，在维护之前减少操作并影响将来的组件设计。与上文所述类似，可利用监测设备监测精炼罐，该监测设备被构造为解译从多个传感器接收的检测值，该传感器测量与精炼罐相关的各种特性，例如温度、振动、内部和外部压力、接缝和端口处的液体或气体等。监测设备可处理检测值，以识别设备健康状况、罐中的意外振动、罐过热或罐上的不均匀加热等问题。可在本地进行处理，或者在多个罐上收集数据并进行联合分析。监测设备可联合处理检测值、设备维护记录、产品记录历史数据等，以识别检测值、罐的当前和未来状态、罐和相关组件的预期寿命等之间的相关性。监测设备或系统可使用峰值检测、轴承分析、扭转分析、相位检测、PLL、带通滤波等技术来识别潜在问题。
类似地，可能需要监测石油和天然气精炼厂中运行的离心机的健康状况。监测设备可构造为解译从多个传感器接收的检测值，该传感器测量与离心机相关的各种特性，例如温度、振动、压力等。监测设备可处理检测值，以识别设备的健康状况、离心机中的意外振动、过热、离心机上的压力等。可在本地进行处理，或者在多个离心机上收集数据并进行联合分析。监测设备可联合处理检测值、设备维护记录、产品记录历史数据等，以识别检测值、离心机的当前和未来状态、离心机和相关组件的预期寿命等之间的相关性。监测设备或系统可使用峰值检测、轴承分析、扭转分析、相位检测、PLL、带通滤波等技术来识别潜在问题。这种潜在问题的识别可用于安排及时维护，订购新组件或替换组件，在维护之前减少操作并影响将来的设备设计。
在实施例中，可以通过监测整个过程中的各种组件的状况来获得关于组件或工业设备的健康或其它状况相关的信息或状态信息。监测可包括监测传感器信号测量属性的幅度，例如温度、湿度、加速度、位移等属性。图51中示出了数据监测设备8100的实施例，该数据监测设备8100可包括通信地耦合到控制器8102的多个传感器8106。控制器8102可包括数据采集电路8104、数据分析电路8108、MUX控制电路8114和响应电路8110。数据采集电路8104可包括MUX 8112，其中输入对应检测值的子集。MUX控制电路8114可构造为基于多个检测值的子集和/或来自响应电路8110的命令和/或数据分析电路8104的输出，提供MUX逻辑控制的自适应调度以及MUX输入和检测值的对应关系。数据分析电路8108可包括以下电路中的一个或多个：峰值检测电路、相位差分电路、PLL电路、带通滤波器电路、频率变换电路、频率分析电路、扭转分析电路、轴承分析电路、过载检测电路、传感器故障检测电路、用于识别机器或组件之间不利相互作用的振动谐振电路、用于识别不利失真(例如，工作偏转形态、重量超载、作用力过大、应力和基于应变的效应等)的失真识别电路等。数据分析电路8108可输出组件健康状况作为分析结果。
数据分析电路8108可基于给定输入的MUX最大输出值或给定输入的MUX输出值的变化率确定机器、设备、系统或设备的状态、条件、或组件、部件、子系统的状态等(此处统称为组件健康状态)。数据分析电路8108可基于给定输入的MUX值的时间积分来确定组件的健康状态。数据分析电路8108可基于MUX输出相对于车载时间或另一传感器的相位差来确定组件的健康状态。数据分析电路8108可基于对应一个或多个输入检测值的MUX输出的值、相位、相位差和变化率的关系来确定组件健康状态。数据分析电路8108可基于过程阶段或组件规格或组件预期状态来确定组件健康状态。
复用器控制电路8114可基于组件健康状态、预期组件健康状态、组件类型、被测设备类型、设备的预期状态、过程阶段(不同的参数/传感器值)来调整复用器的逻辑控制调度，这在过程的不同阶段十分重要。复用器控制电路8114可基于用户选择的序列或远程监测应用，或者基于用户对特定值的要求，调整复用器的逻辑控制调度。复用器控制电路8114可基于存储配置文件或计划(例如，基于存储元件的类型和可用性以及本文其它部分和通过引用并入本文的文件中描述的参数)、网络条件或可用性(如本文其它部分和通过引用并入本文的文件所述)或组件或设备的价值或成本，来调整复用器的逻辑控制调度。
多个传感器8106可以有线连接至数据采集电路8104上的端口。多个传感器8106可以无线连接到数据采集电路8104。数据采集电路8104能够访问对应于多个传感器8106中的至少一个传感器的输出的检测值，其中，传感器8106可以捕获关于一件设备或操作组件的不同操作方面的数据。
为针对特定组件或设备设计的数据监测设备8100的多个传感器8106的选择可以取决于各种考虑因素，例如，安装新传感器的可访问性、初始设计中的传感器的结合、预期的操作和故障条件、在过程或工厂中的各个位置处所需的分辨率、传感器的可靠性等。故障的影响、故障的时间响应(例如，在故障之前发生的警告时间和/或非正常模式)、发生故障的可能性，和/或所需的灵敏度，和/或检测故障状况的困难等可以推动在多大程度上使用更多传感器和/或更高性能的传感器监测某个组件或设备，该传感器专用于意外或未检测到的故障成本高昂或具有严重后果的系统。
根据设备的类型、被测量的组件、设备运行的环境等，传感器8106可包括但不限于以下部件中的一个或多个：振动传感器、温度计、湿度计、电压传感器和/或电流传感器(用于组件和/或测量组件的其它传感器)、加速度计、速度检测器、光或电磁传感器(例如，确定温度、成分和/或光谱分析，和/或物体位置或运动)、图像传感器、结构光传感器、基于激光的图像传感器、热像仪、声波传感器、位移传感器、浊度计、粘度计、轴向荷载传感器、径向荷载传感器、三轴传感器、加速度计、速度计、转速计、流体压力计、空气流量计、马力计、流量计、流体粒子检测器、光学(激光)粒子计数器、超声波传感器、声学传感器、热通量传感器、电流传感器、磁力计、pH传感器等，包括但不限于本文和通过引用并入本文的文件中描述的任何传感器。
传感器8106可以提供随时间变化的数据流，该数据流具有例如与加速度或振动有关的相位分量，使得能够对一件设备或操作组件的不同操作方面的相位或频率分析进行评估。传感器8106可以提供通常不基于相位的数据流，例如温度、湿度、负载等。传感器8106可以提供随时间变化的连续或近乎连续的数据流、周期性读数、事件驱动的读数，和/或根据所选择的间隔或时间表的读数。
传感器8106可监测轴承、轴承组、电机、驱动轴、活塞、泵、输送机、振动输送机、压缩机、钻机等车辆中的组件，以及该领域的石油和天然气设备、装配线组件等。
在实施例中，如图51所示，传感器8106可以是数据监测设备8100的一部分，在本文中在某些情况下称为数据收集器，其在一些情况下可以包括移动或便携式数据收集器。在实施例中，如图52和53所示，一个或多个外部传感器8126可以适时地连接到监测设备8120，或由监测设备8120进行访问，其中未明确说明该外部传感器8126是监测设备8120的一部分，而是新设备，其之前连接到或集成到设备或组件中。监测设备8120可包括控制器8122。控制器8122可以包括数据采集电路8104、数据分析电路8108、MUX控制电路8114和响应电路8110。数据采集电路8104可包括MUX8112，其中其输入对应检测值的子集。MUX控制电路8114可以构造为基于多个检测值的子集和/或来自响应电路8110的命令和/或数据分析电路8108的输出来提供MUX的逻辑控制以及MUX输入和检测值的对应关系。数据分析电路8108可包括以下电路中的一个或多个：峰值检测电路、相位差分电路、PLL电路、带通滤波器电路、频率变换电路、频率分析电路、扭转分析电路、轴承分析电路、过载检测电路、用于识别机器或部件之间不利相互作用的振动谐振电路、用于识别不利失真(例如，工作偏转形态、应力和基于应变的效应等)的失真识别电路等。
一个或多个外部传感器8126可以直接连接至控制器8122的数据采集电路8104上的一个或多个输入端口8128，或者可以由数据采集电路8104例如借助于读取器、询问器或其它无线连接来例如通过短距离无线协议进行无线访问。在实施例中，如图53所示，数据采集电路8104还可以包括无线通信电路8130。数据采集电路8104可以使用无线通信电路8130无线地或者经由单独的来源或这些方法的某种组合来访问与一个或多个外部传感器8126对应的检测值。
在实施例中，如图54所示，控制器8134还可以包括数据存储电路8136。数据存储电路8136可以构造为存储传感器规格、组件规格、预期状态信息、检测值、复用器输出、组件模型等中的一个或多个。数据存储电路8136可以向数据分析电路8108提供规范和预期状态信息。
在实施例中，响应电路8110可基于数据分析电路8108提供的传感器状态来发起各种操作。响应电路8110可调整传感器标度值(例如，从100毫伏/克调整为10毫伏/克)。响应电路8110可以从多个可用的传感器中选择备用传感器。响应电路8110可以从不同范围的多个传感器中获取数据。响应电路8110可以推荐备用传感器。响应电路8110可以发出警告或警报。
在实施例中，响应电路8110可以使数据采集电路8104基于组件状态启用或禁用对与某些传感器对应的检测值的处理。这可以包括切换到具有不同响应速率、灵敏度、范围等的传感器；访问新传感器或传感器类型，访问来自多个传感器的数据等。切换可以基于模型、一组规则等来进行。在实施例中，切换可以在机器学习系统的控制下进行，从而基于一组试验中与输入数据结合的一个或多个成功度量来控制切换，这可以在人为监督下或在自动化系统的控制下进行。切换可以涉及从一个输入端口切换到另一个输入端口(例如从一个传感器切换到另一个传感器)。切换可以涉及改变数据的复用，例如在不同情况下组合不同的流。切换可以涉及激活系统以获得附加数据，例如，将移动系统(例如，机器人系统或无人机系统)移动到可获得不同数据或附加数据的位置(例如，定位图像传感器以获得不同的视图或定位声纳传感器以用于不同的收集方向)，或者移动到可以访问不同传感器的位置(例如，移动收集器，以通过有线或无线连接与环境中的一个位置处的传感器连接)。可以通过将变化引导至复用器(MUX)控制电路8114来实现该切换。
在实施例中，响应电路8110可以推荐将来使用具有不同响应速率、灵敏度和范围等的传感器替换某些传感器。响应电路8110可以推荐用于组件、设备、操作条件和过程等的未来实施例的设计变更。
在实施例中，响应电路8110可以推荐在即将到来的过程停止时进行维护或者发起维护呼叫，其中维护可以包括使用具有不同响应率、灵敏度、范围等的相同或替代类型的传感器来替换传感器。在实施例中，响应电路8110可以实现或推荐过程变化—例如，为了降低接近维护间隔、非正常运行或出于特定目的而发生故障但仍至少部分处于运行状态的组件的使用率，改变组件的运行速度(例如将其置于低需求模式)，启动问题缓解(例如，发出滚子轴承组的额外润滑信号，或发出不平衡系统的校准过程的信号)等。
在实施例中，数据分析电路8108和/或响应电路8110可以定期存储复用器的某些检测值和/或输出和/或与数据存储电路8136中的MUX逻辑控制相对应的数据，以便跟踪随时间变化的组件性能。在实施例中，基于传感器状态，如本文其它部分所述，最近测量的传感器数据和相关的操作条件，例如数据存储电路中8136中的RPM、组件负载、温度、压力、振动或本文所描述类型的其它传感器数据，可以撤回过载/故障传感器数据。信号评估电路8108可以更高的数据速率存储数据，以便将来以更大的粒度进行处理，能够以不同的采样率进行重新处理，和/或能够对系统信息进行诊断或后处理，其中标记了感兴趣的操作数据等。
在实施例中，如图55、图56、图57以及图58所示，数据监测系统8138可以包括至少一个数据监测设备8140。所述至少一个数据监测设备8140可以包括传感器8106和控制器8142，该控制器8142包括数据采集电路8104、数据分析电路8108、数据存储电路8136以及通信电路8146，该通信电路8146使得数据和分析能够被发送到远程服务器8148上的监测应用8150。信号评估电路8108可以包括至少一个过载检测电路(例如，参考图101和图102)和/或传感器故障检测电路(例如，参考图101和图102)。信号评估电路8108可以周期性地与通信电路8146共享数据，以便将该数据传输至远程服务器8148，从而使得能够通过监测应用8150跟踪随时间变化和在变化的条件下的组件和设备性能。基于传感器状况，信号评估电路8108和/或响应电路8110可以与通信电路8146共享数据，以基于关于一个或多个准则的数据拟合来将数据传输到远程服务器8148。数据可以包括用于传输的最近的传感器数据以及诸如RPM、组件负载、温度、压力、振动之类的附加数据。信号评估电路8108可以以更高的数据速率共享数据以进行传输，从而使得能够在远程服务器上以更大的粒度进行处理。
在实施例中，如图55所示，通信电路8146可以将数据直接传送至远程服务器8148。在实施例中，如图56所示，通信电路8146可以将数据传送至中间计算机8152，所述中间计算机可以包括数据存储电路8158和运行操作系统8156的处理器8154。
在如图57和图58所示的实施例中，数据收集系统8160可以具有多个监测设备8144，所述多个监测设备8144收集单个设备中的多个组件上的数据、收集同一设施中的多个设备(相同类型设备和不同类型的设备)上同一组件的数据，以及从多个设施中的监测设备收集数据。远程服务器8148上的监测应用8150可以接收并存储来自多个各种监测设备8144的检测值、定时信号和数据中的一个或多个。
在实施例中，如图57所示，通信电路8146可以将数据直接传送至远程服务器8148。在实施例中，如图58所示，通信电路8146可以将数据传送至中间计算机8152，所述中间计算机可以包括数据存储电路8158和运行操作系统8156的处理器8154。可以存在与各个监测设备8140相关联的单独的中间计算机8152，或者单独的中间计算机8152可以与多个监测设备8144相关联，其中，中间计算机8152可以从多个数据监测设备收集数据并将累积数据发送至远程服务器8148。至远程服务器8148的传输可以是流式的、批量的(例如，当连接可用时)或机会性的。
监测应用8150可以选择待联合分析的检测值的子集。用于分析的子集可以基于单一类型的传感器、组件或组件运行在其中的单一类型的设备来选择。用于分析的子集可以基于常见运行条件(诸如，负载大小、运行条件(例如，间歇或连续)、运行速度或者转速计输出)、常见环境条件(诸如，湿度、温度、空气或者流体颗粒)等等来进行选择或分组。用于分析的子集可以基于其它附近设备(例如，以类似频率旋转的附近机器、产生电磁场的附近设备、产生热量的附近设备、引起运动或振动的附近设备、释放蒸气、化学品或颗粒的附近设备)的影响或其它潜在的干扰或干预效应来选择。
在实施例中，监测应用8150可以分析所选择的子集。在示例中，可以按照不同的时间段(例如，一个运行周期、几个运行周期、一个月、一年、组件的寿命等等)分析来自单个传感器的数据。还可以针对不同时间段分析来自测量共同元件类型的共同类型的多个传感器的数据。可以识别数据的趋势，例如与过程中的启动或者不同点相关的变化的变化率。可以分析不同传感器的趋势和值的相关性以识别其短期分析可以提供关于预期传感器性能的最佳预测的那些参数。该信息可以被传送回监测设备以更新下述项：传感器模型、传感器选择、传感器范围、传感器缩放、传感器采样频率、收集的数据类型等等，并且可以在本地进行分析或者影响未来监测设备的设计。
在实施例中，监测应用8150可以访问设备规格、设备几何形状、组件规格、组件材料、多个传感器的预期的状态信息、操作历史、历史检测值、传感器寿命模型等，以用于使用基于规则或基于模型的分析来对所选择的子集进行分析。监测应用8150可以提供关于传感器选择、要收集的附加数据、与传感器数据一起存储的数据等的建议。监测应用8150可以提供关于调度维修和/或维护的建议。监测应用8150可以提供关于更换传感器的建议。替换件传感器可以匹配被替换的传感器，或者替换件传感器可以具有不同的范围、灵敏度、采样频率等。
在实施例中，监测应用8150可以包括远程学习电路，该远程学习电路被构造成对下述项进行分析：传感器状况数据(例如，传感器过载或传感器故障)以及来自其它传感器的数据、关于被监控的组件的故障数据、关于被监控的设备的故障数据、正在生产的输出等等。远程学习系统可以识别传感器过载和来自其它传感器的数据之间的相关性。
一种用于工业环境中进行数据收集的示例性监测系统包括：数据采集电路、MUX、MUX控制电路、数据分析电路以及分析响应电路，数据采集电路解译多个检测值，每个检测值对应于从多个输入传感器中的至少一个输入传感器接收的输入；MUX具有对应于检测值的子集的输入；MUX控制电路解译多个检测值的子集，并且提供下述项作为结果：MUX输入和检测值的对应关系以及MUX的逻辑控制，其中，MUX的逻辑控制包括选择线的自适应调度；数据分析电路接收来自MUX的输出的数据分析电路和对应于MUX的逻辑控制的数据，从而产生组件健康状况；分析响应电路响应于组件健康状况而执行操作，其中，多个传感器包括至少两个传感器，例如，温度传感器、负载传感器、振动传感器、声波传感器、热通量传感器、红外传感器、加速度计、三轴振动传感器和/或转速计等等。在某些其它实施例中，示例性系统包括：其中，多个检测值中的至少一个检测值可以与表示虚拟传感器的两个或更多个输入传感器的融合相对应；其中，该系统还包括数据存储电路，该数据存储组件规格和预期组件状态信息中的至少一个，并将多个检测值的子集缓存预定时间长度；其中，该系统还包括数据存储电路，该数据存储电路存储组件规格和预期组件状态信息中的至少一个，并且将MUX的输出和与MUX的逻辑控制相对应的数据缓存预定时间长度；其中，数据分析电路包括峰值检测电路、相位检测电路、带通滤波器电路、频率变换电路、频率分析电路、PLL电路、扭转分析电路和/或轴承分析电路；其中，操作还包括将附加数据存储到数据存储电路中；其中，所述操作包括启用MUX电路的一个或多个部分中或者禁用MUX电路的一个或多个部分中的至少一个；和/或，其中，所述操作包括使MUX控制电路改变MUX输入和检测值的对应关系以及MUX的逻辑控制。在某些实施例中，该系统包括至少两个复用器；对复用器输入和检测值的对应关系进行控制还包括控制第一复用器的输出至第二复用器的输入的连接；对复用器输入和检测值的对应关系进行控制还包括将所述至少两个复用器中的一个复用器的至少一部分断电；和/或对MUX输入和检测值的对应关系进行控制包括选择线的自适应调度。在某些实施例中，数据响应电路对来自一个或两个MUX的数据流进行分析，并且响应于该分析而推荐动作。
一种示例性测试系统包括测试系统、监测设备、MUX、MUX控制电路以及用户界面，测试系统与多个模拟和数字输入传感器通信；监测设备包括数据采集电路，该数据采集电路解译多个检测值，所述多个检测值中的每个检测值对应于输入传感器；MUX具有对应于检测值子集的输入；MUX控制电路解译多个检测值的子集并提供下述项作为结果：MUX输入和检测值的对应关系以及MUX的逻辑控制，其中，MUX的逻辑控制包括选择线的自适应调度；以及用户界面能够接受关于选择线的调度输入和显示MUX的输出以及选择线数据。
在实施例中，可以通过查看数据信号相对于相关数据信号的幅度和相位或者定时二者、定时器、参考信号或者数据测量来获得与工业设备的组件或设备的健康或其它状况或状态信息相关的信息或者与关于工业设备的组件或设备的健康或其它状况或状态信息相关的信息。图59中示出了数据监测设备8500的实施例，该数据监测设备8500可包括通信地耦合到控制器8502的多个传感器8506。控制器8502可以包括数据采集电路8504、信号评估电路8508以及响应电路8510。多个传感器8506可以连线至数据采集电路8504上的端口，或者无线地与数据采集电路8504通信。多个传感器8506可以无线连接到数据采集电路8504。数据采集电路8504能够访问对应于多个传感器8506中的至少一个传感器的输出的检测值，其中，传感器8506可以捕获关于一件设备或操作组件的不同操作方面的数据。
对于为特定组件或设备设计的数据监测设备8500的多个传感器8506的选择取决于多种因素，例如，安装新传感器的可访问性、与初始设计中传感器的结合、预期的操作和故障条件、传感器的可靠性等。故障的影响可以驱动使用更多传感器和/或更高能力传感器监控一个组件或一件设备，其中，更多的传感器和/或更高能力的传感器专用于下述系统，该系统中意外故障或未检测到的故障将会产生很高费用或具有严重后果。
取决于设备的类型、被测量的组件、设备运行的环境等，传感器8506可以包括但不限于下述项中的一个或多个：振动传感器、温度计、湿度计、电压传感器、电流传感器、加速度计、速度检测器、光或电磁传感器(例如，确定温度、成分和/或光谱分析和/或物体位置或运动)、图像传感器、结构光传感器、基于激光器的图像传感器、声波传感器，位移传感器、浊度计、粘度计、负载传感器、三轴传感器、加速度计，转速计、流体压力计、空气流量计、马力计、流速计、流体颗粒检测器，声学传感器、pH传感器等，包括但不限于本公开内容和通过引用包含的文献中所描述的任何传感器。
传感器8506可以提供随时间变化的数据流，该数据流具有例如与加速度或振动有关的相位分量，使得能够对一件设备或操作组件的不同操作方面的相位或频率分析进行评估。传感器8506可以提供通常不基于相位的数据流，例如温度、湿度、负载等。传感器8506可以提供随时间变化的连续或近乎连续的数据流、周期性读数、事件驱动的读数，和/或根据所选择的间隔或时间表的读数。
在实施例中，如图59所示，传感器8506可以是数据监测设备8500的一部分，在本文中在某些情况下称为数据收集器，其在一些情况下可以包括移动或便携式数据收集器。在实施例中，如图60和图61所示，传感器8518--新的传感器或先前附接到或集成到设备或组件中的传感器可以机会性地连接至监测设备8512或被监测设备8512访问。传感器8518可以直接连接至控制器8514的数据采集电路8516上的输入端口8520，或者可以由数据采集电路8516例如借助于读取器、询问器或其它无线连接来例如通过短距离无线协议进行无线访问。在实施例中，数据采集电路8516可以无线地或经由单独的来源或这些方法的某种组合来访问对应于传感器8518的检测值。在实施例中，数据采集电路8504可以包括无线通信电路8522，该无线通信电路能够从附近的传感器8518机会性地无线接收数据，并将该数据路由至数据采集电路8516上的输入端口8520。
在一个实施例中，如图62和图63所示，信号评估电路8508可以处理检测值以获得与被监控的该组件或设备有关的信息。由信号评估电路8508提取的信息可以包括：旋转速度，包括幅度、频率、相位的震动数据，和/或声学数据，和/或诸如温度、湿度、图像数据之类的非相位传感器数据。
信号评估电路8508可以包括一个或多个组件，例如相位检测电路8528、锁相环电路8530和/或带通滤波器电路8532，相位检测电路8528用于确定两个基于时间的信号之间的相位差；锁相环电路8530用于调整信号的相对相位，使得该信号与之第二信号、定时器或参考信号对准；带通滤波器电路8532可以用于分离出以不同频率出现的信号。示例性带通滤波器电路8532包括本领域中理解的任何滤波操作，至少包括低通滤波器、高通滤波器和/或带通滤波器—例如用于排除或减少针对特定确定不感兴趣的频率，和/或增强感兴趣频率的信号。附加地或替代地，带通滤波器电路8532包括用于缩窄频率(例如，来自已知噪声源的频率)的范围的一个或多个陷波滤波器或者其它滤波机制。这可以用于滤除诸如整体旋转之类的主频率信号，并且可以帮助能够在与扭转、轴承故障等相关联的频率下评估低幅度信号。
在实施例中，可以通过相位检测电路8528确定两个信号之间的相位差来实现对相对差的了解。例如，当相对于一件设备的相对旋转发生周期性振动时，了解信号之间的相对相位偏移(如果有的话)是有价值的。在实施例中，了解下述项是有价值的：循环轴中相对于电机控制输入发生振动的位置，以更好地平衡电机的控制。对于以相对较慢的RPM运行的系统和组件而言，这会尤其正确。了解两个信号或这些信号之间的相位差和定时器可以使得能够建立信号值与其在过程或旋转中发生的位置之间的关系。了解相对相位差会有助于评估系统的不同组件之间的关系，例如创建工作偏转形态(Operational Deflection Shape，简称ODS)的振动模型。
信号评估电路8544可以使用下述技术来进行频率分析，诸如，数字快速傅立叶变换(Fast Fourier transform，简称FFT)、拉普拉斯变换、Z变换、小波变换、其它频域变换或其它数字或模拟信号分析技术，其包括但不限于包括复杂的相变演化分析的复杂的分析。总转速或转速表可以根据诸如旋转速度计、加速度计、位移计之类的传感器的数据推导出。还可以识别其它感兴趣的频率。这些频率可以包括接近总转速的频率以及高于转速的频率。这些频率可以包括与整体转速不同步的频率。在转速的倍数的频率下观察到的信号可能是因为轴承引起的振动或涉及轴承的其它行为或情况而产生的。在一些情况下，这些频率的范围可以是转速的一倍、转速的两倍、转速的三倍等，高达转速的3.15至15倍，或更高倍。在一些实施例中，信号评估电路8544可以基于总旋转速度来针对带通滤波器电路8532选择RC分量，从而创建带通滤波器电路8532，以去除诸如总旋转速度之类的预期频率的信号，以便于识别其它频率的小幅度信号。在实施例中，可以选择可变组件，使得可以对组件进行调整以与转速的变化保持一致，使得带通滤波器可以是可变带通滤波器。这可以在自动自调节电路元件的控制下或在处理器的控制下发生，包括基于电路行为模型的自动控制，其中，转速指示器或其它数据被提供作为控制的基础。
在实施例中，信号评估电路8544可以利用基于时间的检测值来执行瞬时信号分析，而不是执行频率分析。这些瞬时信号分析可以包括识别信号幅度的突然变化，包括幅度的变化超过预定值或者幅度的变化存在了一定持续时间。在实施例中，基于时间的传感器数据可以与定时器或参考信号对准，从而使得基于时间的传感器数据能够与例如循环中的时间或位置对准。观察频率随时间变化的附加处理可以包括使用短时傅里叶变换(Short-Time Fourier Transform，简称STFT)或小波变换。
在实施例中，可以将基于频率的技术和基于时间的技术结合起来，诸如使用基于时间的技术来确定发生给定运行模式或状况的离散时间段，并且使用基于频率的技术来确定一个或多个离散时间段内的行为。
在实施例中，信号评估电路可以利用解调技术从以低速运行的设备(例如纸浆机、采矿设备等)中获得信号。采用解调技术的信号评估电路在将数据变换到频域之前可以包括带通滤波器电路、整流器电路和/或低通电路。
响应电路8510和响应电路8710可以进一步包括评估信号评估电路8508、信号评估电路8544的结果，并且基于某些准则来启动动作。准则可以包括来自特定传感器的检测值的预定最大值或最小值、传感器的相应检测值随时间变化的值、值的变化、值的变化率和/或累积值(例如，高于/低于阈值的时间、高于/低于一个或多个阈值的加权时间，和/或检测值高于/低于一个或多个阈值的面积)。该准则可以包括传感器在某些频率或相位下的检测值，其中，所述频率或相位可以基于设备几何形状、设备控制方案、系统输入、历史数据、当前运行条件和/或预期响应。该准则可以包括来自不同传感器的数据(例如，相对值、值的相对变化、值的相对变化率、随时间变化的相对值等)的组合。相关准则可以随其它数据或信息(例如，处理阶段、正在处理的产品类型、设备类型、环境温度和湿度、来自其它设备的外部振动等)而改变。相关准则可以包括与总转速同步的程度，诸如以区分由轴承引起的振动和由设备设计引起的振动。在实施例中，准则可以反映在一个或多个经计算的统计或度量(包括通过对多个准则或统计的进一步计算生成的统计或度量)中，所述一个或多个经计算的统计或度量则可以用于处理(诸如通过板上数据收集器或者通过外部系统进行处理)，诸如被提供作为到控制系统(其可以是板上数据收集器或遥控器，例如用于控制下述项的选择：数据输入、传感器数据的多路复用、存储器等)的关于本公开内容中描述的一个或多个机器学习能力的输入，或者被提供作为到另一系统的输入的数据元素，诸如可用于数据市场、SCADA系统、遥控器系统、维护系统、分析系统或其它系统的数据流或数据包。
在说明性的非限制性示例中，在下述情况下可以发出警报：如果振动幅度和/或频率超过预定最大值，如果存在超过预定可接受范围的变化或变化率，和/或如果基于振动幅度和/或频率的累积值超过阈值。本文某些实施例描述为检测值超过阈值或预定值，但是检测值也可以低于阈值或预定值—例如，在预期会发生检测值的变化量，但是检测值指示该变化可能没有发生过的情况下。例如但不限于，振动数据可以指示系统搅动水平、正确操作设备等，并且振动数据低于幅度和/或频率阈值可以是没有根据期望进行操作的过程的指示。除非上下文另有明确说明，否则本文中关于描述确定一值高于阈值和/或超过预定值或预期值的任何描述应理解为包括确定一值低于阈值和/或低于预定值或预期值。
预定的可接受范围可以基于预期的系统响应或者基于设备几何形状和控制方案(诸如，轴承的数量、相对转速、在特定频率下针对系统的功率流入等)的振动。预定的可接受范围还可以基于对跨多个类似设备和组件的检测值以及数据与设备故障的相关性进行的长期分析。基于振动相位信息，可以识别问题的物理位置。基于振动相位信息，可以识别系统设计缺陷、非正常操作和/或组件或过程故障。在一些实施例中，可以基于数据随时间的变化或变化率(例如，振动发生的频率或相位增大了幅度和移位)来发出报警。在一些实施例中，可以基于累积值(诸如，在在阈值之上所花费的时间、在一个或多个阈值之上所花费的加权时间，和/或检测值在一个或多个阈值上的曲线的面积)来发出报警。在实施例中，可以基于来自不同传感器的数据的组合(值的相对变化、幅度的相对变化率、相位的频率，以及非相位传感器的诸如温度、湿度之类的值)来发出报警。例如，温度和能量以某些频率下增大可能表明热轴承开始失效。在实施例中，警报的相对准则可以随其它数据或信息(例如，过程阶段、在设备上进行处理的产品的类型、环境温度和湿度、来自其它设备的外部振动等)而改变。
在实施例中，响应电路8510可以使数据采集电路8504基于上面讨论的准则中的一些准则来启用或禁用对应于某些传感器的检测值的处理。这可以包括切换到具有不同响应速率、灵敏度、范围等的传感器；访问新传感器或传感器类型等。切换可以基于模型、一组规则等来进行。在实施例中，切换可以在机器学习系统的控制下进行，从而基于一组试验中与输入数据结合的一个或多个成功度量来控制切换，这可以在人为监督下或在自动化系统的控制下进行。切换可以涉及从一个输入端口切换到另一个输入端口(例如从一个传感器切换到另一个传感器)。切换可以涉及改变数据的复用，例如在不同情况下组合不同的流。切换可以涉及激活系统以获得附加数据，例如将移动系统(例如，机器人或无人机系统)移动到可获得不同或附加数据的位置(例如，定位图像传感器用于不同视图或定位声纳传感器用于不同收集方向)或移动到可以访问不同传感器的位置(例如，移动收集器以通过有线或无线连接连接到布置在环境中的某个位置的传感器)。响应电路8510可以推荐将来使用具有不同响应速率、灵敏度、范围等的传感器替换某些传感器。响应电路8510可以推荐用于组件、设备、操作条件、过程等的未来实施例的设计变更。
在实施例中，响应电路8510可以推荐在即将到来的过程停止时进行维护或者发起维护呼叫。响应电路8510可以推荐过程或运行参数的变化以远程地平衡该设备。在实施例中，响应电路8510可以实现或推荐过程变化，例如，为了降低接近维护间隔的组件的利用率，非正常运行的组件的利用率或者为了某种用途发生故障但至少部分仍可操作的组件的利用率，从而改变组件的运行速度(例如将其置于低需求模式)，以改善问题(例如，发出滚子轴承组的额外润滑信号，或发出不平衡系统的校准过程的信号)等。
在实施例中，如图64所示，数据监测设备8540还可以包括数据存储电路8542、存储器等。信号评估电路8544可以周期性地存储某些检测值，以便能够随时间跟踪组件性能。
在实施例中，基于当传感器值接近一个或多个准则时可能发生的相关运行条件和/或故障模式，信号评估电路8544可以基于针对诸如贯穿本公开内容所描述的那些准则的一个或多个准则进行的数据拟和来将数据存储到数据存储电路8542中。基于满足或接近指定准则或范围的一个传感器输入，信号评估电路8544可以存储附加数据，例如，RPM、组件负载、温度、压力、振动或者贯穿本公开内容所描述的类型的其它传感器数据。信号评估电路8544可以更高的数据速率存储数据，以便将来以更大的粒度进行处理，能够以不同的采样率进行重新处理，和/或能够对系统信息进行诊断或后处理，其中标记了感兴趣的操作数据等。
在实施例中，如图65所示，数据监测系统8546可以包括至少一个数据监测设备8548。至少一个数据监测设备8548包括传感器8506和控制器8550，控制器8550包括数据采集电路8504、信号评估电路8538、数据存储电路8542以及通信电路8552，该通信电路使得数据和分析能够被发送到位于远程服务器8554上的监测应用8556上。信号评估电路8538可以包括相位检测电路8528、锁相环电路8530和/或带通电路8532中的至少一个。信号评估电路8538可以周期性地与通信电路8552共享数据，以便将该数据传输至远程服务器8554，从而使得能够通过监测应用8556跟踪随时间变化和在变化的条件下的组件和设备性能。因为当传感器值接近一个或多个准则时可能发生相关的运行条件和/或故障模式，所以信号评估电路8538可以与通信电路8552共享数据，以基于针对一个或多个准则进行的数据拟合来将数据传输到远程服务器8554。基于满足或接近指定准则或范围的一个传感器输入，信号评估电路8538可以共享附加数据(例如RPM、分量负载、温度、压力、振动等)以用于传输。信号评估电路8538可以以更高的数据速率共享数据以进行传输，从而使得能够在远程服务器上以更大的粒度进行处理。
在实施例中，如图66所示，数据收集系统8560可以具有多个监测设备8558，所述多个监测设备8558收集单个设备中的多个组件上的数据、收集同一设施中的多个设备(相同类型设备和不同类型的设备)上同一组件的数据，以及从多个设施中的监测设备收集数据。远程服务器上的监测应用可以接收和存储来自多个各种监测设备的数据。然后，监测应用可以选择可以联合分析的数据的子集。监控数据的子集可以基于来自单一类型的组件的数据或来自其中组件正在运行的单一类型的设备的数据进行选择。监控数据可以基于常见运行条件(诸如，负载大小、运行条件(例如，间歇性、连续性)、运行速度或转速表、常见的周围环境条件(例如湿度、温度、空气或流体颗粒等))来选择或分组。监控数据可以基于附近其它设备的影响(例如，附近机器以相似频率旋转、附近设备产生电磁场、附近设备产生热量、附近设备引起运动或振动、附近设备发射蒸汽、化学品或颗粒物)，或者其它潜在的干扰或干预效应进行选择。
然后，监测应用可以分析所选择的数据集。例如，可以按照不同的时间段(例如一个运行周期、几个运行周期、一个月、一年)分析来自单个组件的数据。还可以针对不同的时间段分析来自多个相同类型的组件的数据。数据的趋势(例如频率或幅度的变化)可以与和相同组件或设备相关联的故障和维护记录相关联。可以识别数据的趋势，例如与过程中的启动或者不同点相关的变化的变化率。可以将附加数据引入分析(例如，输出产品质量、输出量(例如每单位时间)、指示过程的成功或失败等)中。可以分析不同类型数据的趋势和值的相关性以识别下述参数，所述参数的短期分析可以提供关于预期性能的最佳预测。该信息可以被传送回监测设备以更新本地收集和分析的数据类型或影响未来监测设备的设计。
在说明性的非限制性示例中，监测设备可以用于收集和处理传感器数据以测量机械扭矩。监测设备可以与高分辨率、高速振动传感器通信或包括高分辨率、高速振动传感器，以在足以测量多个旋转周期的延长的时间段内收集数据。对于齿轮驱动设备，采样分辨率应该使每个周期进行采样的数量至少等于驱动该组件的齿轮齿的数量。应当理解的是，也可以使用较低的采样分辨率，这可以导致较低的置信度确定和/或获取较长的时间段内的数据以产生足够的统计置信度。然后，该数据可以用于生成关于一件设备的相位参考(相对探针)或转速计信号。该相位参考可用于对准相位数据，诸如来自位于系统内的组件上或者不同组件上的不同位置的多个传感器的振动数据或加速度数据。该信息可以有助于确定不同组件的扭矩或者生成工作偏转形态(ODS)，用于指示在运行模式期间一个或多个组件的机械偏转的程度，一个或多个组件的机械偏转的程度可以用于测量组件的机械扭矩。
较高分辨率的数据流可以提供附加数据，用于检测低速操作中的瞬时信号。瞬时信号的识别使得能够识别一件设备或组件中的缺陷。
在说明性的非限制性示例中，监测设备可以用于识别机械抖动以用于故障预测模型。当设备通过提升到运行速度而启动然后进入操作期间时，监测设备可以开始获取数据。一旦达到运行速度，预计扭转抖动应该是最小的，并且在该阶段期间扭转的变化可以指示裂缝、轴承故障等。附加地，可以从信号中去除已知的扭转，以便于识别由系统设计缺陷或组件磨损引起的意外扭转。具有与以运行速度收集的数据相关联的相位信息可以有助于识别振动的位置和潜在的组件磨损。关于位于整个机器中的多个传感器的相对相位信息可以有助于在扭转传播通过一件设备时评估扭转。
一种用于工业环境中的示例性数据收集系统包括：数据采集电路，其解译来自通信地耦合到该数据采集电路的多个输入传感器的多个检测值，其中，所述多个检测值中的每个检测值对应于至少一个输入传感器；信号评估电路，其响应于所述多个检测值获得与至少一个输入传感器相对应的振动幅度、振动频率和振动相位位置中的至少一个；以及响应电路，其响应于振动幅度、振动频率和振动相位位置中的至少一个来执行至少一个操作。一种示例性系统的某些其它实施例包括：其中，信号评估电路包括相位检测电路，或者相位检测电路和锁相环电路和/或带通滤波器；其中，多个输入传感器包括用于提供相位信息的至少两个输入传感器和用于提供非相位传感器信息的至少一个输入传感器；信号评估电路还对准由至少两个输入传感器提供的相位信息；其中，所述至少一个操作还响应于下述项中的至少一项：振动幅度的大小的变化；振动频率或相位的变化；振动幅度、振动频率和振动相位中的至少一个的变化率；振动幅度、振动频率和振动相位中至少两个之间的值的相对变化；和/或振动幅度、振动频率和振动相位中的至少两个之间的相对变化率；所述系统还包括报警电路，其中，所述至少一个操作包括提供报警，所述报警可以是触觉、听觉和视觉中的一种；数据存储电路，其中，在数据存储电路中周期性地存储振动幅度、振动频率和振动相位中的至少一个以产生振动历史，所述至少一个操作包括将附加数据存储到数据存储电路中(例如，作为组件的振动指纹)；其中，将附加数据存储到数据存储电路中还响应于下述项中的至少一项：振动幅度的大小的变化；振动频率或振动相位的变化；振动幅度、振动频率或振动相位的变化率；振动幅度、振动频率和振动相位中至少两个之间的值的相对变化；以及振动幅度、振动频率和振动相位中的至少两个之间的相对变化率；该系统还包括多路复用(MUX)电路和MUX控制电路中的至少一个；其中，通过多路复用电路可以基于用户输入、检测到的状况和所选择的关于机器的运行参数中的至少一个来选择检测值的可替代组合；其中，所述多个检测值中的每个检测值对应于至少一个输入传感器；其中，所述至少一个操作包括启用或禁用所述多路复用电路的一个或多个部分的连接；其中，MUX控制电路解译所述多个检测值的子集，并提供MUX的逻辑控制以及MUX输入和检测值的对应关系作为结果；和/或，其中，MUX的逻辑控制包括选择线的自适应调度。
一种监控组件的示例性方法包括：从至少一个传感器接收基于时间的数据、利用参考信号对所接收的数据进行锁相、将所接收的基于时间的数据变换为频率数据、对频率数据滤波以去除转速表频率、识别在高频下出现的低振幅信号，以及在低振幅信号超过阈值时激活报警。
一种用于工业环境中对信号进行数据收集、处理和利用的示例性系统包括多个监测设备，每个监测设备包括数据采集电路、信号评估电路、数据存储设备、通信电路以及远程服务器上的监测应用，该数据采集电路被构造成解译来自通信地耦合到数据采集电路的多个输入传感器的多个检测值，所述多个检测值中的每个检测值对应于至少一个输入传感器；信号评估电路被构造成响应于多个检测值中的相应的至少一个检测值而获得与至少一个输入传感器相对应的振动幅度、振动频率和振动相位位置中的至少一个；数据存储设备用于存储多个检测值的子集；通信电路被构造成将至少一个所选择的检测值传送到远程服务器；监测应用被构造成：接收至少一个所选择的检测值、联合分析从多个监测设备接收的检测值的子集，以及推荐动作。
在某些其它实施例中，示例性系统包括：针对每个监测设备，多个输入传感器包括用于提供相位信息的至少一个输入传感器和用于提供非相位输入传感器信息的至少一个输入传感器，其中，联合分析包括使用来自多个监测设备的相位信息来对准来自多个监测设备的信息；其中，检测值的子集基于与检测值相关联的数据来进行选择，所述与检测值相关联的数据包括下述项中的至少一项：常见的组件类型，常见的设备类型和常见的运行条件，并且检测值的子集进一步基于下述项中的一项来进行选择：与检测值相关联的组件的预期寿命，与检测值相关联的设备的类型以及检测值被测量的运行条件；和/或其中，对检测值的子集的分析包括向神经网络馈送检测值的子集和补充信息，以学习利用深度学习技术来识别各种运行状况、健康状况、预期寿命以及故障状况。在实施例中，所述补充信息可以包括下述项中的一项：组件规格、组件性能、设备规格、设备性能、维护记录、维修记录以及预期状况模型。
一种用于工业环境中进行数据收集的示例性系统包括数据采集电路、信号评估电路、多路复用电路以及响应电路，数据采集电路被构造成解译来自通信地耦合到数据采集电路的多个输入传感器的多个检测值，所述多个检测值中的每个检测值对应于至少一个输入传感器；信号评估电路被构造成响应于多个检测值中的相应的至少一个检测值而获得与至少一个输入传感器相对应的振动幅度、振动频率和振动相位位置中的至少一个；通过多路复用电路可以基于用户输入、检测到的状况和所选择的关于机器的运行参数中的至少一个来选择检测值的可替代组合，所述多个检测值中的每个检测值对应于至少一个输入传感器；响应电路构造被成响应于振动幅度、振动频率和振动相位位置中的至少一个来执行至少一个操作。
一种用于在一件设备中进行数据收集的示例性系统，包括数据采集电路、定时器电路、信号评估电路以及响应电路，数据采集电路被构造成解译来自通信地耦合到数据采集电路的多个输入传感器的多个检测值，所述多个检测值中的每个检测值对应于至少一个输入传感器；定时器电路被构造成基于多个检测值中的第一检测值生成定时信号；信号评估电路被构造成获得对应于第二检测值的振动幅度、振动频率和振动相位位置中的至少一个，该信号评估电路包括相位检测电路，该相位检测电路被构造成确定多个检测值中的第二检测值与定时信号之间的相对相位差；以及响应电路被构造成响应于振动幅度、振动频率和振动相位位置中的至少一个而执行至少一个操作。
工业环境中的示例性轴承分析系统，包括数据采集电路、数据存储器、定时器电路、轴承分析电路以及响应电路，其中，数据采集电路被构造成解译来自通信地耦合到数据采集电路的多个输入传感器的多个检测值，所述多个检测值中的每个检测值对应于至少一个输入传感器；数据存储器用于存储关于多个轴承类型的规范和预期的状态信息，并且将多个检测值缓存预定时间长度；定时器电路被构造成基于多个检测值中的第一检测值生成定时信号；轴承分析电路被构造成相对于规范和预期的状态信息对所缓存的检测值进行分析从而产生寿命预测，该轴承分析电路包括相位检测电路和信号评估电路，该相位检测电路被构造成确定多个检测值中的第二检测值与定时信号之间的相对相位差，信号评估电路被构造成获得与第二检测值对应的振动幅度、振动频率和振动相位位置中的至少一个；以及响应电路被构造成响应于振动幅度、振动频率和振动相位位置中的至少一个执行至少一个操作。
一种示例性电机监测系统包括：数据采集电路、数据存储电路、定时器电路、电机分析电路以及响应电路，数据采集电路被构造成解译来自通信地耦合到数据采集电路的多个输入传感器的多个检测值，多个检测值中的每个检测值对应于至少一个输入传感器；数据存储电路被构造成存储关于电机和电机组件的规范、系统几何形状以及预期的状态信息，存储历史电机性能并且将多个检测值缓存预定时间长度；定时器电路被构造成基于多个检测值中的第一检测值生成定时信号；电机分析电路被构造成相对于规范和预期的状态信息对缓存的检测值进行分析从而生成电机性能参数，所述电机分析电路包括相位检测电路和信号评估电路，该相位检测电路被构造成确定多个检测值中第二检测值与时间信号之间的相对相位差，信号评估电路被构造成获得对应于第二检测值的振动幅度、振动频率和振动相位位置中的至少一个并且相对于所缓存的检测值、规范和预期的状态信息对振动幅度、振动频率和振动相位位置中的至少一个进行分析，从而生成电机性能参数；以及响应电路被构造成响应于振动幅度、振动频率和振动相位位置中的至少一个和电机性能参数来执行至少一个操作。
一种用于估计车辆转向系统性能参数的示例性系统，包括：数据采集电路、数据存储电路、定时器电路、转向系统分析电路以及响应电路，其中，数据采集电路被构造成解译来自通信地耦合到数据采集电路的多个输入传感器的多个检测值，所述多个检测值中的每个检测值对应于至少一个输入传感器；数据存储电路被构造成存储用于车辆转向系统、齿条、小齿轮以及转向柱的规范、系统几何形状和预期的状态信息，存储历史转向系统性能并且将多个检测值缓存预定时间长度；定时器电路被构造成基于多个检测值中的第一检测值生成定时信号；转向系统分析电路被构造成相对于规范和预期的状态信息对所缓存的检测值进行分析，从而产生转向系统性能参数，该转向系统分析电路包括相位检测电路和信号评估电路，该相位检测电路被构造成确定多个检测值中的第二检测值与定时信号之间的相对相位差，信号评估电路被构造成获得对应于第二检测值的振动幅度、振动频率和振动相位位置中的至少一个，并且相对于所缓存的检测值、规范和预期的状态信息对振动幅度、振动频率和振动相位位置中的至少一个进行分析，从而生成转向系统性能参数；以及响应电路被构造成响应于振动幅度、振动频率和振动相位位置中的至少一个以及转向系统性能参数执行至少一个操作。
一种用于估计健康参数和泵性能参数的示例性系统，包括数据采集电路、数据存储电路、定时器电路、泵分析电路以及响应电路，其中，数据采集电路被构造成解译来自通信地耦合到该数据采集电路的多个输入传感器的多个检测值，所述多个检测值中的每个检测值对应于至少一个输入传感器；数据存储电路被构造成存储与检测值相关联的泵和泵组件的规范、系统几何形状和预期的状态信息，存储历史泵性能并将多个检测值缓存预定时间长度；定时器电路被构造成基于多个检测值中的第一检测值生成定时信号；泵分析电路被构造成相对于规范和预期的状态信息对所缓存的检测值进行分析，从而产生泵性能参数，该泵分析电路包括相位检测电路和信号评估电路，该相位检测电路被构造成确定多个检测值中的第二检测值与时间信号之间的相对相位差，信号评估电路被构造成获得对应于第二检测值的振动幅度、振动频率和振动相位位置中的至少一个，并相对于所缓存的检测值、规范和预期的状态信息对振动幅度、振动频率和振动相位位置中的至少一个进行分析，从而产生泵性能参数；以及响应电路被构造成响应于振动幅度、振动频率和振动相位位置中的至少一个以及泵性能参数执行至少一个操作。在实施例中，所述泵是以下中的一个：汽车中的水泵以及矿用泵。
一种用于估计钻机的钻机性能参数的示例系统，包括数据采集电路、数据存储电路、定时器电路、钻机分析电路以及响应电路，其中，数据采集电路被构造成解译来自通信地耦合到该数据采集电路的多个输入传感器的多个检测值，所述多个检测值中的每个检测值对应于至少一个输入传感器；数据存储电路被构造成存储与检测值相关联的钻机和钻机组件的规范、系统几何形状和预期的状态信息，存储历史钻机性能并将多个检测值缓存预定时间长度；定时器电路被构造成基于多个检测值中的第一检测值生成定时信号；钻机分析电路被构造成相对于规范和预期的状态信息对所缓存的检测值进行分析，从而产生钻机性能参数，该钻机分析电路包括相位检测电路和信号评估电路，该相位检测电路被构造成确定多个检测值中的第二检测值与时间信号之间的相对相位差，信号评估电路被构造成获得对应于第二检测值的振动幅度、振动频率和振动相位位置中的至少一个，并相对于所缓存的检测值、规范和预期的状态信息对振动幅度、振动频率和振动相位位置中的至少一个进行分析，从而产生钻机性能参数；以及响应电路被构造成响应于振动幅度、振动频率和振动相位位置中的至少一个以及钻机性能参数执行至少一个操作。在实施例中，所述钻机是石油钻机和天然气钻机中的一个。
一种用于估计输送机健康参数的示例性系统，包括：数据采集电路、数据存储电路、定时器电路、信号评估电路以及响应电路，数据采集电路被构造成解译来自通信地耦合到数据采集电路的多个输入传感器的多个检测值，所述多个检测值中的每个检测值对应于至少一个输入传感器；数据存储电路被构造成存储关于与检测值相关联的输送机和输送机组件的规范、系统几何形状和预期的状态信息，存储历史输送机性能并将多个检测值缓存预定时间长度；定时器电路被构造成基于多个检测值中的第一检测值生成定时信号；输送机分析电路被构造成相对于规范和预期的状态信息对所缓存的检测值进行分析，从而产生输送机性能参数，该输送机分析电路包括相位检测电路，该相位检测电路被构造成确定多个检测值中的第二检测值与时间信号之间的相对相位差；信号评估电路被构造成获得对应于第二检测值的振动幅度、振动频率和振动相位位置中的至少一个，并相对于所缓存的检测值、规范和预期的状态信息对振动幅度、振动频率和振动相位位置中的至少一个进行分析，从而产生输送机性能参数；以及响应电路被构造成响应于振动幅度、振动频率和振动相位位置中的至少一个以及输送机性能参数来执行至少一个操作。
一种用于估计搅拌器健康参数的示例系统，包括数据采集电路、数据存储电路、定时器电路、搅拌器分析电路以及响应电路，其中，数据采集电路被构造成解译来自通信地耦合到该数据采集电路的多个输入传感器的多个检测值，所述多个检测值中的每个检测值对应于至少一个输入传感器；数据存储电路被构造成存储与检测值相关联的搅拌器和搅拌器组件的规范、系统几何形状和预期的状态信息，存储历史搅拌器性能并将多个检测值缓存预定时间长度；定时器电路被构造成基于多个检测值中的第一检测值生成定时信号；搅拌器分析电路被构造成相对于规范和预期的状态信息对所缓存的检测值进行分析，从而产生搅拌器性能参数，该搅拌器分析电路包括相位检测电路和信号评估电路，该相位检测电路被构造成确定多个检测值中的第二检测值与时间信号之间的相对相位差，信号评估电路被构造成获得对应于第二检测值的振动幅度、振动频率和振动相位位置中的至少一个，并相对于所缓存的检测值、规范和预期的状态信息对振动幅度、振动频率和振动相位位置中的至少一个进行分析，从而产生搅拌器性能参数；以及响应电路被构造成响应于振动幅度、振动频率和振动相位位置中的至少一个以及搅拌器性能参数执行至少一个操作。在实施例中，搅拌器是下述项中的一个：旋转罐式混合器、大型罐式混合器、便携式罐式混合器、手提式罐式混合器、鼓式混合器、安装式混合器以及螺旋桨混合器。
一种用于估计压缩机健康参数的示例性系统，包括：数据采集电路、数据存储电路、定时器电路、压缩机分析电路、信号评估电路以及响应电路，数据采集电路被构造成解译来自通信地耦合到数据采集电路的多个输入传感器的多个检测值，所述多个检测值中的每个检测值对应于至少一个输入传感器；数据存储电路被构造成存储与检测值相关联的压缩机和压缩机组件的规范、系统几何形状和预期的状态信息，存储历史压缩机性能并将多个检测值缓存预定时间长度；定时器电路被构造成基于多个检测值中的第一检测值生成定时信号；压缩机分析电路被构造成相对于规范和预期的状态信息对所缓存的检测值进行分析，从而产压缩机性能参数，所述定时器电路包括相位检测电路，该相位检测电路被构造成确定多个检测值中的第二检测值与时间信号之间的相对相位差；信号评估电路被构造成获得对应于第二检测值的振动幅度、振动频率和振动相位位置中的至少一个，并相对于所缓存的检测值、规范和预期的状态信息对振动幅度、振动频率和振动相位位置中的至少一个进行分析，从而产生压缩机性能参数；响应电路被构造成响应于振动幅度、振动频率和振动相位位置中的至少一个以及压缩机性能参数来执行至少一个操作。
一种用于估计空调健康参数的示例性系统，包括：数据采集电路、数据存储电路、定时器电路、空调分析电路、信号评估电路以及响应电路，数据采集电路被构造成解译来自通信地耦合到数据采集电路的多个输入传感器的多个检测值，所述多个检测值中的每个检测值对应于至少一个输入传感器；数据存储电路被构造成存储与检测值相关联的空调和空调组件的规范、系统几何形状和预期的状态信息，存储历史空调性能并将多个检测值缓存预定时间长度；定时器电路被构造成基于多个检测值中的第一检测值生成定时信号；空调分析电路被构造成相对于规范和预期的状态信息对所缓存的检测值进行分析，从而产生空调器性能参数，该空调分析电路包括相位检测电路，该相位检测电路被构造成确定多个检测值中的第二检测值与定时信号之间的相对相位差；信号评估电路被构造成获得对应于第二检测值的振动幅度、振动频率和振动相位位置中的至少一个，并且相对于所缓存的检测值、规范和预期的状态信息对振动幅度、振动频率和振动相位位置中的至少一个进行分析，从而产生空调性能参数；响应电路被构造成响应于振动幅度、振动频率和振动相位位置中的至少一个以及空调器性能参数来执行至少一个操作。
一种用于估计离心机健康参数的示例系统，包括：数据采集电路、数据存储电路、定时器电路、离心机分析电路、信号评估电路以及响应电路，数据采集电路被构造成解译来自通信地耦合到数据采集电路的多个输入传感器的多个检测值，所述多个检测值中的每个检测值对应于至少一个输入传感器；数据存储电路被构造成存储与检测值相关联的离心机和离心机组件的规范、系统几何形状和预期的状态信息，存储历史离心机性能并将多个检测值缓存预定时间长度；定时器电路被构造成基于多个检测值中的第一检测值生成定时信号；离心机分析电路被构造成相对于规范和预期的状态信息对所缓存的检测值进行分析，从而产生离心机性能参数，该离心机分析电路包括相位检测电路，该相位检测电路被构造成确定多个检测值中的第二检测值与时间信号之间的相对相位差；信号评估电路被构造成获得对应于第二检测值的振动幅度、振动频率和振动相位位置中的至少一个，并相对于所缓存的检测值、规范和预期的状态信息对振动幅度、振动频率和振动相位位置中的至少一个进行分析，从而产生离心机性能参数；响应电路被构造成响应于振动幅度、振动频率和振动相位置中的至少一个以及离心机性能参数来执行至少一个操作。
在实施例中，可以通过比较过程中同一点处的多个信号的值来获得关于组件或一件工业设备的健康状况的信息。这可以通过使信号相对于其它相关数据信号、定时器或参考信号对准来实现。数据监测设备8700、数据监测设备8718的实施例在图67至图69中示出，并且可以包括控制器8702、监控器8720。控制器可以包括数据采集电路8704、数据采集电路8722、信号评估电路8708、数据存储电路8716以及可选的响应电路8710。信号评估电路8708可以包括定时器电路8714和可选的相位检测电路8712。
数据监测设备可以包括通信地耦合到控制器8702的多个传感器8706。多个传感器8706可以有线连接至数据采集电路8704上的端口。多个传感器8706可以无线连接至数据采集电路8704，数据采集电路8704可以访问对应于多个传感器8706中的至少一个的输出的检测值，其中，传感器8706可以捕获关于一件设备或操作组件的不同操作方面的数据。在实施例中，如图68和图69所示，一个或多个未明确成为监测设备8718的一部分的外部传感器8724可以适时地被连接至监测设备8718或由监测设备8718访问。数据采集电路8722可以包括一个或多个输入端口8726。一个或多个外部传感器8724可以直接连接至控制器8720的数据采集电路8722上的一个或多个输入端口8726。在实施例中，如图69所示，数据采集电路8722还可以包括无线通信电路8728，无线地或者经由单独的来源或这些方法的某种组合来访问与一个或多个外部传感器8724对应的检测值。
用于连接到为特定组件或设备设计的数据监测设备8700和8718的多个传感器8706以及8724的选择可以取决于各种考虑因素，例如，安装新传感器的可访问性、初始设计中的传感器的结合、预期的操作和故障条件、在过程或工厂中的各个位置处所需的分辨率、传感器的可靠性等。故障的影响、故障的时间响应(例如，故障之前发生的警告时间和/或非正常模式)、故障的可能性和/或检测到故障条件所需的灵敏度和/或难度可以驱动使用更多传感器和/或更高能力传感器监控一个组件或一件设备的程度，其中，所述更多的传感器和/或更高能力的传感器专用于下述系统，该系统中意外故障或未检测到的故障将是费用很高的或具有严重后果。
信号评估电路8708可以处理检测值以获得关于被监测的组件或设备的信息。由信号评估电路8708提取的信息可以包括关于过程中的哪个点或时间对应于检测值的信息，其中，该时间点基于由定时器电路8714生成的定时信号。定时信号的开始可以通过检测控制信号的边沿(例如上升沿、下降沿或上述两者)来生成，其中，控制信号可以与过程的开始相关联。定时信号的开始可以由组件或设备的初始移动触发。定时信号的开始可以由通过管道或开口的初始流动或通过实现预定速率的流动来触发。定时信号的开始可以由指示过程已经开始的状况值触发—例如，开关的状况、按钮、被提供来指示过程已经开始的数据值等。所提取的信息可以包括关于由相位检测电路8712确定的检测值流的相位与由计时器电路8714生成的时间信号的相位之差的信息。所提取的信息可以包括关于第一检测值流的相位与第二检测值流的相位之差的信息，其中，第一检测值流用作定时器电路生成的定时信号的基础或触发器。
根据设备的类型、被测量的组件、设备运行的环境等，传感器8706、传感器8724可以包括但不限于下述项中的一个或多个：温度计、湿度计、电压传感器、电流传感器、加速度计、速度检测器、光或电磁传感器(例如，确定温度、成分和/或光谱分析，和/或物体位置或运动)、图像传感器、位移传感器、浊度计、粘度计、负载传感器、三轴传感器、转速计、流体压力计、空气流量计、马力计，流速计、流体颗粒检测器、声学传感器、pH传感器等。
传感器8706、传感器8724可以提供随时间变化的诸如加速度或振动的数据流，该数据流具有相位分量，从而使得能够对一件设备或操作组件的不同操作方面的相位或频率分析进行评估。传感器8706和传感器8724可以提供非基于相位的数据流，例如温度、湿度、负载等。传感器8706和传感器8724可以根据所选择的间隔或时间表来提供随时间的连续或接近连续的数据流、周期性读数、事件驱动的读数和/或根据选定间隔或时间表的读数。
在实施例中，如图70和图71所示，数据采集电路8734还可以包括如本文其它地方所述的复用器电路8736。来自复用器电路8736的输出可以由信号评估电路8708使用。响应电路8710可以具有打开和关闭部分复用器电路8736的能力。响应电路8710可以具有控制复用器电路8736的控制信道的能力。
响应电路8710还可以包括评估信号评估电路8708的结果，并且基于某些准则启动动作。该准则可以包括传感器在相对于定时器信号的某些频率或相位下的检测值，其中，感兴趣的频率或相位可以基于设备几何形状、设备控制方案、系统输入、历史数据、当前运行条件和/或预期响应。准则可以包括来自特定传感器的检测值的预定最大值或最小值、传感器的相应检测值随时间变化的累计值、值的变化、值的变化率和/或累积值(例如，高于/低于阈值的时间、高于/低于一个或多个阈值的加权时间，和/或检测值高于/低于一个或多个阈值的面积)。该准则可以包括来自不同传感器的数据(例如，相对值、值的相对变化、值的相对变化率、随时间变化的相对值等)的组合。相关准则可以随其它数据或信息(例如，处理阶段、正在处理的产品类型、设备类型、环境温度和湿度、来自其它设备的外部振动等)而改变。
本文某些实施例描述为检测值超过阈值或预定值，但是检测值也可以低于阈值或预定值—例如，在预期会发生检测值的变化量，但是检测值指示该变化可能没有发生过的情况下。例如但不限于，振动数据可以指示系统搅动水平、正确操作设备等，并且振动数据低于幅度和/或频率阈值可以是没有根据期望进行操作的过程的指示。除非上下文另有明确说明，否则本文中关于描述确定一值高于阈值和/或超过预定值或预期值的任何描述应理解为包括确定一值低于阈值和/或低于预定值或预期值。
预定的可接受范围可以基于预期的系统响应或者基于设备几何形状和控制方案(诸如，轴承的数量、相对转速、在特定频率下针对系统的功率流入等)的振动。预定的可接受范围还可以基于对跨多个类似设备和组件的检测值以及数据与设备故障的相关性进行的长期分析。
在一些实施例中，可以基于上面讨论的一些准则发出警报。在说明性示例中，温度和能量以某些频率下增大可能表明热轴承开始失效。在实施例中，警报的相对准则可以随其它数据或信息(例如，过程阶段、在设备上进行处理的产品的类型、环境温度和湿度、来自其它设备的外部振动等)而改变。在说明性的非限制性示例中，响应电路8710可以在下述情况下发起警报：如果振动幅度和/或频率超过预定最大值、如果存在超过预定可接受范围的变化或变化率，和/或如果基于振动幅度和/或频率的累积值超过阈值。
在实施例中，响应电路8710可以使数据采集电路8704基于上面讨论的一些准则来启用或禁用对应于某些传感器的检测值的处理。这可以包括切换到具有不同响应速率、灵敏度、范围等的传感器；访问新传感器或传感器类型等。可以通过改变用于复用器电路8736的控制信号和/或通过接通或断开复用器电路8736的某些输入部分来实现该切换。响应电路8710可以推荐将来使用具有不同响应速率、灵敏度、范围等的传感器替换某些传感器。响应电路8710可以推荐用于组件、设备、操作条件、过程等的未来实施例的设计变更。
在实施例中，响应电路8710可以推荐在即将到来的过程停止时进行维护或者发起维护呼叫。响应电路8710可以推荐过程或运行参数的变化以远程地平衡该设备。在实施例中，响应电路8710可以实现或推荐过程变化—例如，以降低接近维护间隔，非正常运行或出于特定目的而发生故障但仍至少部分运行的组件的使用率。在说明性示例中，由相位检测电路8712推导出的相对于来自计时器电路8714的计时器信号的振动相位信息可以指示问题的物理位置。基于振动相位信息，可以识别系统设计缺陷、非正常运行和/或组件或过程故障。
在实施例中，基于当传感器值接近一个或多个准则时可能发生的相关运行条件和/或故障模式，信号评估电路8708可以基于一个或多个准则进行的数据拟和来将数据存储到数据存储电路8716中。基于满足或接近指定准则或范围的一个传感器输入，信号评估电路8708可以将附加数据(诸如RPM、分量负载、温度、压力、振动)存储到数据存储电路8716中。信号评估电路8708可以更高的数据速率存储数据，以便将来以更大的粒度进行处理，能够以不同的采样率进行重新处理，和/或能够对系统信息进行诊断或后处理，其中标记了感兴趣的操作数据等。
在实施例中，如图72和图73以及图74和图75所示，数据监测系统8762可以包括至少一个数据监测设备8768。所述至少一个数据监测设备8768可以包括传感器8706和控制器8770，控制器8770包括数据采集电路8704、信号评估电路8772、数据存储电路8742和通信电路8752，通信电路8752使得能够将数据和分析发送至远程服务器8774上的监测应用8776。信号评估电路8772可以包括相位检测电路8712和计时器电路8714中的至少一个。信号评估电路8772可以周期性地与通信电路8752共享数据，以便将该数据传输至远程服务器8774，从而使得能够通过监测应用8776跟踪随时间变化和在变化的条件下的组件和设备性能。因为当传感器值接近一个或多个准则时可能发生相关的运行条件和/或故障模式，所以信号评估电路8708可以与通信电路8752共享数据，以基于针对一个或多个准则进行的数据拟合来将数据传输到远程服务器8774。基于满足或接近指定准则或范围的一个传感器输入，信号评估电路8708可以共享附加数据(例如RPM、分量负载、温度、压力、振动等)以用于传输。信号评估电路8772可以以更高的数据速率共享数据以进行传输，从而使得能够在远程服务器上以更大的粒度进行处理。
在实施例中，如图72所示，通信电路8752可以将数据直接传送至远程服务器8774。在实施例中，如图73所示，通信电路8752可以将数据传送至中间计算机8754，所述中间计算机可以包括数据存储电路8760和运行操作系统8758的处理器8756。中间计算机8754可以从多个数据监测设备收集数据并将累积数据发送至远程服务器8774。
在如图74和图75所示的实施例中，数据收集系统8762可以具有多个监测设备8768，所述多个监测设备8768收集单个设备中的多个组件上的数据、收集同一设施中的多个设备(相同类型设备和不同类型的设备)上同一组件的数据，以及从多个设施中的监测设备收集数据。在实施例中，如图74所示，通信电路8752可以将数据直接传送至远程服务器8774。在实施例中，如图75所示，通信电路8752可以将数据传送至中间计算机8754，该中间计算机8754可以包括数据存储电路8760和运行操作系统8758的处理器8756。中间计算机8754可以从多个数据监测设备收集数据并将累积数据发送至远程服务器8774。
在实施例中，远程服务器8774上的监测应用8776可以对来自多个各种监测设备8768的检测值、定时信号以及数据中的一个或多个进行接收和保存。然后，监测应用8776可以选择待联合分析的检测值、定时信号和数据的子集。可以基于单一类型的组件或组件运行在其中的单一类型的设备来选择用于分析的子集。用于分析的子集可以基于常见运行条件(诸如，负载大小、运行条件(例如，间歇或连续)、运行速度或者转速计)、常见环境条件(诸如，湿度、温度、空气或者流体颗粒)等等来进行选择或分组。用于分析的子集可以基于其它附近设备的影响(诸如，附近的机器以类似的频率进行旋转)来进行选择。
然后，监测应用8776可以分析所选择的子集。在说明性示例中，可以针对不同的时间段(例如，一个运行周期、几个运行周期、一个月、一年、组件的寿命等等)分析来自单个组件的数据。还可以针对不同的时间段分析来自多个相同类型的组件的数据。数据趋势(例如频率或幅度的变化)可以与和相同组件或设备相关联的故障和维护记录相关联。可以识别数据的趋势，例如与过程中的启动或者不同点相关的变化的变化率。可以将附加数据引入分析(例如，输出产品质量、指示过程的成功或失败等)中。可以分析不同类型数据的趋势和值的相关性以识别下述参数，所述参数的短期分析可以提供关于预期性能的最佳预测。该信息可以被传送回监测设备以更新本地收集和分析的数据类型或影响未来监测设备的设计。
在说明性的非限制性示例中，监测设备8768可以用于收集和处理传感器数据以测量机械扭矩。监测设备8768可以与高分辨率、高速振动传感器通信或者包括高分辨率、高速振动传感器，以在足以测量多个旋转周期的延长的时间段内收集数据。对于齿轮驱动部件，传感器的采样分辨率应该使每个周期进行采样的数量至少等于驱动该组件的轮齿的数量。应当理解的是，也可以使用较低的采样分辨率，这可以导致较低的置信度确定和/或获取较长的时间段内的数据以产生足够的统计置信度。然后，该数据可以用于生成关于一件设备的相位参考(相对探针)或转速计信号。该相位参考可以直接使用或由定时器电路8714使用，以生成定时信号，从而与来自位于组件上或系统内不同组件上的不同位置的多个传感器的相位数据(例如振动数据或加速度数据)对准。该信息可以有助于确定不同组件的扭矩或者生成工作偏转形态(ODS)。
较高分辨率的数据流还可以提供用于在低速操作中检测瞬时信号的附加数据。瞬时信号的识别可以使得能够识别以低RPM操作的设备或组件中的缺陷。
在说明性的非限制性示例中，监测设备可以用于识别机械抖动以用于故障预测模型。当设备通过提升到运行速度而启动然后进入操作期间时，监测设备可以开始获取数据。一旦达到运行速度，预计扭转抖动应该是最小的或者在预期范围内，并且在该阶段期间扭转的变化可以指示裂缝、轴承故障等。附加地，可以从信号中去除已知的扭转，以便于识别由系统设计缺陷、组件磨损或者意外的过程事件引起的意外扭转。具有与以运行速度收集的数据相关联的相位信息可以有助于识别振动的位置和潜在的组件磨损，和/或可以进一步与组件的故障类型相关联。关于位于整个机器中的多个传感器的相对相位信息可以有助于在扭转传播通过一件设备时评估扭转。
在实施例中，监测应用8776可以访问设备规格、设备几何形状、组件规格、组件材料、多个组件类型的预期的状态信息、操作历史、历史检测值、组件寿命模型等，以用于使用基于规则或基于模型的分析对所选择的子集进行分析。在实施例中，监测应用8776可以向神经网络馈送所选择的子集以利用深度学习技术学习识别各种运行状况、健康状况(例如，寿命预测)和故障状况。在实施例中，可以使用两种技术(基于模型的学习和深度学习)的混合。
在说明性的非限制性示例中，可以使用本文所述的相位检测和对准技术、数据监测设备以及数据收集系统来监测下述项的组件健康：装配线中的输送机和提升器；工业车辆用水泵；工厂空调机组；位于石油和天然气田的钻机、螺丝刀、压缩机、泵、齿轮箱、振动输送机、搅拌机以及电机；工厂矿用泵；位于石油和天然气精炼厂的离心机和精炼罐；以及气体处理系统中的压缩机。
在说明性的非限制性实例中，可以使用本文所描述的相位检测和对准技术、数据监测设备以及数据收集系统来评估用于促进化学和药物生产线中的化学反应的设备(例如，旋转罐/混合器搅拌器、机械/旋转搅拌器以及螺旋桨搅拌器)的组件健康状况。
在说明性的非限制性示例中，可以使用本文描述的相位检测和对准技术、数据监测设备以及数据收集系统来评估车辆转向机构和/或车辆发动机的组件健康状况。
一种用于数据采集的示例性监测系统，包括：数据采集电路、信号评估电路以及响应电路，数据采集电路被构造成解译多个检测值，所述多个检测值中的每个检测值对应于通信地耦合到数据采集电路的多个输入传感器中的至少一个输入传感器；信号评估电路包括定时器电路和相位检测电路，该定时器电路被构造成生成至少一个定时信号，相位检测电路被构造成确定多个检测值中的至少一个检测值与来自定时器电路的定时信号中的至少一个定时信号之间的相对相位差；响应电路被构造成响应于相对相位差执行至少一个操作。在某些其它实施例中，一种示例性系统包括：至少一个操作还响应于以下中的至少一个：多个检测值中的至少一个检测值的幅度的变化；多个检测值中的至少一个检测值的频率或相对相位的变化；多个检测值中的至少一个检测值的幅度和相对相位的变化率；以及多个检测值中的至少一个检测值的幅度和相对相位的相对变化率。在实施例中，所述至少一个操作包括发出警告。在实施例中，警报可以是触觉、听觉和视觉警报中的一种。数据存储电路。在实施例中，存储所述相对相位差、至少一个检测值以及定时信号。在实施例中，所述至少一个操作还包括将附加数据存储到所述数据存储电路中。在实施例中，将附加数据存储到所述数据存储电路中还响应于以下中的至少一个：所述相对相位差的变化和所述相对相位差的变化率。在实施例中，数据采集电路还包括至少一个复用器(MUX)电路，从而使检测值的替代组合可以基于用户输入和为机器选择的运行参数中的至少一个进行选择。在实施例中，所述多个检测值中的每个检测值对应于所述输入传感器中的至少一个输入传感器。在实施例中，所述至少一个操作包括启用或禁用所述复用器电路的一个或多个部分，或者改变所述复用器控制线。在实施例中，数据采集电路包括至少两个复用器电路，至少一个操作包括改变该至少两个复用器电路之间的连接；和/或该系统还包括MUX控制电路，该MUX控制电路被构造成解译多个检测值的子集，并提供对MUX的逻辑控制以及MUX输入和检测值的对应关系作为结果。在实施例中，MUX的逻辑控制包括选择线的自适应调度。
一种示例性的数据收集系统，包括：数据采集电路，其被构造成解译多个检测值，所述多个检测值中的每个检测值对应于通信地耦合到数据采集电路的多个输入传感器中的至少一个输入传感器；以及信号评估电路，包括：定时器电路和相位检测电路，该定时器电路被构造成基于多个检测值中的第一检测值来产生定时信号，该相位检测电路被构造成确定多个检测值中的第二检测值与定时信号之间的相对相位差；以及相位响应电路，其被构造成响应于所述相位差执行至少一个操作。在某些其它实施例中，一种示例性系统包括：至少一个操作还响应于以下中的至少一个：多个检测值中的至少一个检测值的幅度的变化；多个检测值中的至少一个检测值的频率或相对相位的变化；多个检测值中的至少一个检测值的幅度和相对相位的变化率；以及多个检测值中的至少一个检测值的幅度和相对相位的相对变化率。在实施例中，所述至少一个操作包括发出警告。在实施例中，警报可以是触觉、听觉和视觉警报中的一种；所述系统还包括数据存储电路。在实施例中，存储所述相对相位差、至少一个检测值以及定时信号。在实施例中，所述至少一个操作还包括将附加数据存储到数据存储电路中。在实施例中，将附加数据存储到所述数据存储电路中还响应于以下中的至少一个：所述相对相位差的变化和所述相对相位差的变化率。在实施例中，所述数据采集电路还包括至少一个复用器(MUX)电路，从而使检测值的替代组合可以基于用户输入和为机器选择的运行参数中的至少一个进行选择。在实施例中，所述多个检测值中的每个检测值对应于所述输入传感器中的至少一个输入传感器。在实施例中，所述至少一个操作包括启用或禁用所述复用器电路的一个或多个部分，或者改变所述复用器控制线。在实施例中，数据采集电路包括至少两个复用器电路，至少一个操作包括改变该至少两个复用器电路之间的连接；该系统还包括MUX控制电路，该MUX控制电路被构造成解译多个检测值的子集，并提供对MUX的逻辑控制以及MUX输入和检测值的对应关系作为结果；和/或MUX的逻辑控制包括选择线的自适应调度。
一种用于工业环境中对信号进行数据收集、处理和利用的示例性系统包括数据采集电路、信号评估电路、数据存储设施、通信电路以及远程服务器上的监测应用，该数据采集电路被构造成解译多个检测值，所述多个检测值中的每个检测值对应于通信地耦合到数据采集电路的多个输入传感器中的至少一个输入传感器；信号评估电路包括定时器电路和相位检测电路，该定时器电路被构造成基于所述多个检测值中的第一检测值生成定时信号，相位检测电路被构造成确定所述多个检测值中的第二检测值与所述定时信号之间的相对相位差；数据存储设施用于存储多个检测值的子集和定时信号；通信电路被构造成将至少一个所选择的检测值和该定时信号传送到远程服务器；以及远程服务器上的监测应用被构造成接收该至少一个所选择的检测值和该定时信号，联合分析从多个监测设备接收的检测值的子集以及推荐动作。在某些实施例中，联合分析包括使用来自多个监测设备中的每个监测设备的定时信号来对齐来自多个监测设备的检测值。在实施例中，检测值的子集基于与检测值相关联的数据来进行选择，所述与检测值相关联的数据包括下述项中的至少一项：常见的组件类型，常见的设备类型和常见的运行状况。
一种用于工业环境进行数据收集的示例性系统，包括：数据采集电路、信号评估电路以及响应电路，数据采集电路被构造成解译多个检测值，所述多个检测值中的每个检测值对应于通信地耦合到数据采集电路的多个输入传感器中的至少一个输入传感器，数据采集电路包括复用器电路，通过复用器电路可以基于用户输入、检测到的状况和所选择的关于机器的运行参数中的至少一个来选择检测值的可替代组合，多个检测值中的每个检测值对应于至少一个输入传感器；信号评估电路包括定时器电路和相位检测电路，该定时器电路被构造成生成定时信号，相位检测电路被构造成确定多个检测值中的至少一个检测值与来自定时器电路的信号之间的相对相位差；以及响应电路被构造成执行至少一个操作以响应相位差。
一种用于对一件设备进行数据收集的示例性监测系统，包括数据采集电路、定时器电路、信号评估电路以及响应电路，数据采集电路被构造成解译多个检测值，所述多个检测值中的每个检测值对应于通信地耦合到所述数据采集电路的多个输入传感器中的至少一个输入传感器；定时器电路被构造成基于多个检测值中的第一检测值生成定时信号；信号评估电路被构造成获得对应于第二检测值的振动幅度、振动频率和振动相位位置中的至少一个，该信号评估电路包括相位检测电路，该相位检测电路被构造成确定多个检测值中的第二检测值与定时信号之间的相对相位差；以及响应电路被构造成执行至少一个操作以响应振动幅度、振动频率和振动相位位置中的至少一个。
一种用于工业环境中进行轴承分析的监测系统，所述监测设备包括：数据采集电路、数据存储器、定时器电路、轴承分析电路以及响应电路，数据采集电路被构造成解译多个检测值，所述多个检测值中的每个检测值对应于通信地耦合到数据采集电路的多个输入传感器中的至少一个输入传感器；定时器电路被构造成生成定时信号；数据存储器用于存储关于多个轴承类型的规格和预期的状态信息，并且将多个检测值缓存预定时间长度；定时器电路被构造成基于多个检测值中的第一检测值生成定时信号；轴承分析电路被构造成相对于规格和预期的状态信息对所缓存的检测值进行分析，从而产生寿命预测，该轴承分析电路包括相位检测电路和信号评估电路，相位检测电路被构造成确定多个检测值中的第二检测值与定时信号之间的相对相位差，信号评估电路被构造成获得与第二检测值对应的振动幅度、振动频率和振动相位位置中的至少一个；以及响应电路被构造成执行至少一个操作以响应振动幅度、振动频率和振动相位中的至少一个。
在实施例中，可以通过监测整个过程中的各种组件的状况来获得关于组件或工业设备的健康或其它状况相关的信息或状态信息。监测可以包括监测传感器信号的幅度，该传感器信号测量诸如温度、湿度、加速度、位移之类的属性。图76中示出了数据监测设备9000的实施例，该数据监测设备9000可包括通信地耦合到控制器9002的多个传感器9006。控制器9002可以是诸如移动数据收集器之类的数据收集设备的一部分或者可以是诸如网络部署或云部署系统之类的系统的一部分，该控制器9002可以包括数据采集电路9004、信号评估电路9008和响应电路9010。信号评估电路9008可以包括峰值检测电路9012。此外，信号评估电路9008可以可选地包括相位检测电路9016、带通滤波器电路9018、锁相环电路、扭转分析电路、轴承分析电路等中的一个或多个。带通滤波器9018可以用于过滤检测值的流，使得仅在感兴趣的频带处或感兴趣的频带(诸如，例如感兴趣的频率)内检测诸如峰值和谷值的值。数据采集电路9004可以包括一个或多个模数转换器电路9014。由峰值检测电路9012检测的峰值幅度可以输入到模数转换器电路9014中的一个或多个模数转换器电路，以提供用于适当地缩放模数转换器电路9014的输出的参考值。
多个传感器9006可以有线连接至数据采集电路9004上的端口。多个传感器9006可以无线连接到数据采集电路9004。数据采集电路9004可以访问对应于多个传感器9006中的至少一个传感器的输出的检测值，其中，传感器9006可以捕获关于一件设备或操作组件的不同操作方面的数据。
为针对特定组件或设备设计的数据监测设备9000的多个传感器9006的选择可以取决于各种考虑因素，例如，安装新传感器的可访问性、涵盖初始设计中传感器、预期操作和故障条件、过程或工厂中各个位置所需的分辨率、传感器的可靠性、电力可用性、电力利用率、存储利用率等。故障的影响、故障的时间响应(例如，故障之前发生的警告时间和/或非最佳模式)、故障可能性、故障影响程度和/或检测故障条件所需的灵敏度和/或难度可以驱动使用更多传感器和/或更高能力传感器监测一个组件或一件设备的程度，其中，所述更多的传感器和/或更高能力的传感器专用于下述系统，该系统中意外故障或未检测到的故障将是费用很高的或具有严重后果。
信号评估电路9008可以处理检测值以获得关于被监测的组件或设备的信息。由信号评估电路9008提取的信息可以包括关于信号的峰值的信息，例如，峰值温度、峰值加速度、峰值速度、峰值压力、峰值负荷、峰值应变、峰值弯曲或峰值位移。峰值检测可以使用模拟或数字电路完成。在实施例中，峰值检测电路9012能够将检测值的流中的“局部”或短期峰值与“全局”或长期峰值区分开。在实施例中，峰值检测电路9012可以识别峰值形状(不仅仅是单个峰值)，例如，平顶、渐近方式、峰值中的离散跳跃或者峰值中的快速/陡峭爬升、范围内的正弦行为等等。平顶峰可以指示传感器的饱和度。达到峰值的渐近方式可以指示线性系统行为。值的离散跳跃或者峰值的急剧变化可以指示传感器进行测量或者组件的行为的量化或非线性行为。在实施例中，系统能够识别包络(例如由连接一系列峰值的线或曲线所建立的包络)内的峰值的正弦变化。应当注意的是，除非上下文另有说明，否则对“峰值”的引用应该被理解为包括一个或多个“谷值”，所述一个或多个“谷值”表示测量中的一系列低点。
在实施例中，峰值可以用作模数转换电路9014的参考。
在说明性的非限制性示例中，温度探测器可以测量齿轮在其在机器中旋转时的温度。峰值温度可以由峰值检测电路9012检测。峰值温度可以被馈送到模数转换器电路9014中，以适当地缩放当齿轮在机器中旋转时对应于该齿轮的温度读数的检测值流。对应于温度的检测值流相对于齿轮的方向的相位可以由相位检测电路9016确定。知道在齿轮的旋转过程中峰值温度发生的位置可以使得能够识别不良齿轮齿。
在一些实施例中，可以融合两组或更多组检测值以创建虚拟传感器的检测值。峰值检测电路可用于验证所述两组或更多组检测值中的至少一个检测值与虚拟传感器的检测值之间的峰值定时的一致性。
在实施例中，信号评估电路9008能够在下述情况重置峰值检测电路9012：在监测设备9000启动时、在对正在监测的系统的控制信号进行边缘检测时、基于用户输入、在系统错误之后等。在实施例中，信号评估电路9008可以在使用峰值作为模数转换电路的参考值以使得系统能够完全上线之前丢弃峰值检测电路9012的输出的初始部分。
根据设备的类型、被测量的组件、设备运行的环境等，传感器9006可以包括但不限于下述项中的一个或多个：振动传感器、温度计、湿度计、电压传感器、电流传感器、加速度计、速度检测器、光或电磁传感器(例如，确定温度、成分和/或光谱分析，和/或物体位置或运动)、图像传感器、结构光传感器、基于激光器的图像传感器，声波传感器、位移传感器、浊度计、粘度计、负载传感器、三轴传感器、加速度计、转速计、流体压力计、空气流量计、马力计、流速计、流体颗粒检测器、声学传感器、pH传感器等，包括但不限于本文和通过引用并入本文的文件中描述的任何传感器。
传感器9006可以提供随时间变化的数据流，该数据流具有例如与加速度或振动有关的相位分量，使得能够对一件设备或操作组件的不同操作方面的相位或频率分析进行评估。传感器9006可以提供通常不基于相位的数据流，例如温度、湿度、负载等。传感器9006可以提供随时间变化的连续或近乎连续的数据流、周期性读数、事件驱动的读数，和/或根据所选择的间隔或时间表的读数。
在实施例中，如图76所示，传感器9006可以是数据监测设备9000的一部分，在本文中在某些情况下称为数据收集器，其在一些情况下可以包括移动或便携式数据收集器。在实施例中，如图77和78所示，一个或多个外部传感器9026可以适时地连接到监测设备9020，或由监测设备9020进行访问，其中未明确说明外部传感器9026是监测设备9020的一部分，而是新设备，其之前连接到或集成到设备或组件中。监测设备9020可以包括控制器9022。控制器9022可以包括响应电路9010、信号评估电路9008以及数据采集电路9024。信号评估电路9008可以包括峰值检测电路9012，并且可选地包括相位检测电路9016和/或带通滤波器电路9018。数据采集电路9024可以包括一个或多个输入端口9028。一个或多个外部传感器9026可直接连接到控制器9022的数据采集电路9024上的一个或多个输入端口9028，或者可以由数据采集电路9004进行无线访问，例如借助读写器、询问器或通过短距离无线协议等其它无线连接进行访问。在如图78所示的实施例中，数据采集电路9024还可以包括无线通信电路9030。数据采集电路9024可以使用无线通信电路9030无线地或者经由单独的来源或这些方法的某种组合来访问与一个或多个外部传感器9026对应的检测值。
在如图79所示的实施例中，数据采集电路9036还可以包括如本文其它地方所述的复用器电路9038。来自复用器电路9038的输出可以由信号评估电路9008使用。响应电路9010可以具有打开和关闭部分的复用器电路9038的能力。响应电路9010可以具有控制复用器电路9038的控制信道的能力。
响应电路9010可以评估信号评估电路9008的结果，并且基于某些准则发起动作。该准则可以包括关于来自特定传感器的检测值的预定峰值、随时间变化的传感器的相应检测值的累积值、峰值的变化、峰值的变化率和/或累积值(例如，高于/低于阈值的时间、高于/低于一个或多个阈值的加权时间，和/或检测值高于/低于一个或多个阈值的面积)。该准则可以包括来自不同传感器的数据(例如，相对值、值的相对变化、值的相对变化率、随时间变化的相对值等)的组合。相关准则可以随其它数据或信息(例如，处理阶段、正在处理的产品类型、设备类型、环境温度和湿度、来自其它设备的外部振动等)而改变。相关准则可以反映在一个或多个经计算的统计或度量(包括通过对多个准则或统计的进一步计算生成的统计或度量)中，所述一个或多个经计算的统计或度量则可以用于处理(诸如通过板上数据收集器或者通过外部系统进行处理)，诸如被提供作为到控制系统(其可以是板上数据收集器或遥控器，例如用于控制下述项的选择：数据输入、传感器数据的多路复用、存储器等)的关于本公开内容中描述的一个或多个机器学习能力的输入，或者被提供作为到另一系统的输入的数据元素，诸如可用于数据市场、SCADA系统、遥控器系统、维护系统、分析系统或其它系统的数据流或数据包。
本文某些实施例描述为检测值超过阈值或预定值，但是检测值也可以低于阈值或预定值—例如，在预期会发生检测值的变化量，但是检测值指示该变化可能没有发生过的情况下。例如但不限于，振动数据可以指示系统搅动水平、正确操作设备等，并且振动数据低于幅度和/或频率阈值可以是没有根据期望进行操作的过程的指示。例如，在涉及混合机、混合器，搅拌器等的过程中，没有振动可以表明叶片、翼片、轮叶或其它工作元件不能充分移动，例如，造成工作材料过度粘稠或造成齿轮出现问题(例如，剥离齿轮、齿轮卡住等)(离合器等)。除非上下文另有明确说明，否则本文中关于描述确定一值高于阈值和/或超过预定值或预期值的任何描述应理解为包括确定一值低于阈值和/或低于预定值或预期值。
预定的可接受范围可以基于预期的系统响应或者基于设备几何形状和控制方案(诸如，轴承的数量、相对转速、在特定频率下针对系统的功率流入等)的振动。预定的可接受范围还可以基于对跨多个类似设备和组件的检测值以及数据与设备故障的相关性进行的长期分析。
在实施例中，响应电路9010可以基于上面讨论的一个或多个准则发出警报。在说明性示例中，峰值温度的增加超过预定值可指示热轴承开始失效。在实施例中，警报的相对准则可以随其它数据或信息(例如，过程阶段、在设备上进行处理的产品的类型、环境温度和湿度、来自其它设备的外部振动等)而改变。在说明性的非限制性示例中，响应电路9010可以在下述情况下发起警报：如果振动幅度和/或频率超过预定最大值、如果存在超过预定可接受范围的变化或变化率，和/或如果基于振动幅度和/或频率的累积值超过阈值。
在实施例中，响应电路9010可以使数据采集电路9004基于上面讨论的一个或多个准则来启用或禁用对应于某些传感器的检测值的处理。这可以包括切换到具有不同响应速率、灵敏度、范围等的传感器；访问新传感器或传感器类型，访问来自多个传感器的数据等。切换可以基于被切换的传感器的所检测到的峰值或者基于另一传感器的峰值。切换可以基于模型、一组规则等来进行。在实施例中，切换可以在机器学习系统的控制下进行，从而基于一组试验中与输入数据结合的一个或多个成功度量来控制切换，这可以在人为监督下或在自动化系统的控制下进行。切换可以涉及从一个输入端口切换到另一个输入端口(例如从一个传感器切换到另一个传感器)。切换可以涉及改变数据的复用，例如在不同情况下组合不同的流。切换可以涉及激活系统以获得附加数据，例如将移动系统(例如，机器人或无人机系统)移动到可获得不同或附加数据的位置(例如，定位图像传感器用于不同视图或定位声纳传感器用于不同收集方向)或移动到可以访问不同传感器的位置(例如，移动收集器以通过有线或无线连接到布置在环境中的某个位置的传感器)。可以通过改变复用器电路9038的控制信号和/或通过打开或关闭复用器电路9038的某些输入部分来实现该切换。
在实施例中，响应电路9010可以使用所检测到的峰值作为参考电压来调整传感器缩放值。响应电路9010可以调整传感器采样率，使得峰值被捕获。
响应电路9010可以识别传感器过载。在实施例中，响应电路9010可以推荐将来使用具有不同响应速率、灵敏度、范围等的传感器替换某些传感器。响应电路9010可以推荐用于组件、设备、操作条件、过程等的未来实施例的设计变更。
在实施例中，响应电路9010可以在即将到来的过程停止时推荐维护或发起维护呼叫，其中维护可以包括用具有不同响应率、灵敏度、范围等的相同或替代类型的传感器替换传感器。在实施例中，响应电路9010可以实现或推荐过程变化—例如，以降低接近维护间隔、非正常运行或出于特定目的而发生故障但仍至少部分处于运行状态的组件的使用率，改变组件的运行速度(例如将其置于低需求模式)，启动问题缓解(例如，发出滚子轴承组的额外润滑信号，或发出不平衡系统的校准过程的信号)等。
在实施例中，如图80所示，数据监测设备9040可以包括传感器9006和控制器9042，控制器9042可以包括数据采集电路9004和信号评估电路9008。信号评估电路9008可以包括峰值检测电路9012，并且可选地包括相位检测电路9016和/或带通滤波器电路9018。控制器9042还可以包括数据存储电路9044、存储器等。控制器9042还可以包括响应电路9010。信号评估电路9008可以周期性地将某些检测值存储到数据存储电路9044中，以使得能够随时间跟踪组件性能。
在实施例中，基于如本文其它各处所述的相关准则、当传感器值接近一个或多个准则时可能发生的相关运行条件和/或故障模式，信号评估电路9008可以基于针对诸如贯穿本公开内容所描述的那些准则的一个或多个准则进行的数据拟和来将数据存储到数据存储电路9044中。基于满足或接近指定准则或范围的一个传感器输入，信号评估电路9008可以将附加数据(例如，RPM、组件负载、温度、压力、振动或者贯穿本公开内容所描述的类型的其它传感器数据)存储到数据存储电路9068中。信号评估电路9008可以更高的数据速率存储数据，以便将来以更大的粒度进行处理，能够以不同的采样率进行重新处理，和/或能够对系统信息进行诊断或后处理，其中标记了感兴趣的操作数据等。
在实施例中，信号评估电路9008可以存储新峰值，该新峰值指示总体缩放在长时间段内的变化(例如，基于对数月的历史峰值进行的分析来缩放数据流)。当接近历史峰值时(例如，当温度、压力、振动、速度、加速度等接近历史峰值时)，信号评估电路9008可以存储数据。
在如图81和图82以及图83和图84所示的实施例中，数据监测系统9046可以包括至少一个数据监测设备9048。数据监测设备9048中的至少一个可以包括传感器9006和控制器9050，控制器9050包括数据采集电路9004、信号评估电路9008、数据存储电路9044以及通信电路9052，该通信电路9052使得能够将数据和分析传输到远程服务器9054上的监测应用9056上。信号评估电路9008可以包括峰值检测电路9012中的至少一个。信号评估电路9008可以周期性地与通信电路9052共享数据，以便将该数据传输至远程服务器9054，从而使得能够通过监测应用9056跟踪随时间变化和在变化的条件下的组件和设备性能。因为当传感器值接近如本文其它地方所述的一个或多个准则时可能发生相关的运行条件和/或故障模式，所以信号评估电路9008可以与通信电路9052共享数据，以基于针对一个或多个准则进行的数据拟合来见数据传输到远程服务器9054。基于满足或接近指定准则或范围的一个传感器输入，信号评估电路9008可以共享附加数据(例如RPM、分量负载、温度、压力、振动等)以用于传输。信号评估电路9008可以以更高的数据速率共享数据以进行传输，从而使得能够在远程服务器上以更大的粒度进行处理。
在实施例中，如图81所示，通信电路9052可以将数据直接传送至远程服务器9054。在实施例中，如图82所示，通信电路9052可以将数据传送至中间计算机9058，所述中间计算机可以包括数据存储电路9064和运行操作系统9062的处理器9060。
在实施例中，如图83和图84所示，数据收集系统9066可以具有多个监测设备9048，所述多个监测设备收集单个设备中的多个组件上的数据、收集同一设施中的多个设备(相同类型设备和不同类型的设备)上同一组件的数据，以及从多个设施中的监测设备收集数据。远程服务器9054上的监测应用9056可以接收并存储来自多个各种监测设备9048的检测值、定时信号或数据中的一个或多个。
在实施例中，如图81所示，通信电路9052可以将数据直接传送至远程服务器9054。在实施例中，如图82所示，通信电路9052可以将数据传送至中间计算机9058，所述中间计算机可以包括数据存储电路9064和运行操作系统9062的处理器9060。可以存在与每个监测设备9048相关联的单独中间计算机9058，或单独中间计算机9058可以与多个监测设备9048相关联，其中，中间计算机9058可以从多个数据监测设备收集数据并将累积数据发送到远程服务器9054。
监测应用9056可以选择待联合分析的检测值、定时信号和数据的子集。可以基于单一类型的组件或组件运行在其中的单一类型的设备来选择用于分析的子集。可以基于例如负载大小、运行条件(例如间歇，连续)、运行速度或转速计、常见环境条件(例如湿度、温度、空气或流体颗粒)等常见运行条件来选择或分组用于分析的子集。可以基于其它附近设备(例如，以类似频率旋转的附近机器、产生电磁场的附近设备、产生热量的附近设备、引起运动或振动的附近设备、释放蒸气、化学品或颗粒的附近设备)的影响或其它潜在的干扰或干预效应来选择用于分析的子集。
然后，监测应用9056可以分析所选择的子集。在说明性示例中，可以针对不同的时间段(例如，一个运行周期、几个运行周期、一个月、一年、组件的寿命等等)分析来自单个组件的数据。还可以针对不同的时间段分析来自多个相同类型的组件的数据。数据趋势(例如频率或幅度的变化)可以与和相同组件或设备相关联的故障和维护记录相关联。可以识别数据的趋势，例如，与过程中的启动或者不同点相关的变化的变化率。可以将附加数据引入分析(例如，输出产品质量、输出量(例如每单位时间)、指示过程的成功或失败等)中。可以分析不同类型数据的趋势和值的相关性以识别下述参数，所述参数的短期分析可以提供关于预期性能的最佳预测。该信息可以被传送回监测设备以更新本地收集和分析的数据类型或影响未来监测设备的设计。
在实施例中，监测应用9056可以访问设备规格、设备几何形状、组件规格、组件材料、多个组件类型的预期的状态信息、操作历史、历史检测值、组件寿命模型等，以用于使用基于规则或基于模型的分析对所选择的子集进行分析。在实施例中，监测应用9056可以向神经网络馈送所选择的子集，以通过馈送(例如由人类分析员)其中峰值被指定的给定类型的波形行为的大数据集样本来学习识别波形图案中的峰值。
一种用于工业环境进行数据收集的监测系统，该监测系统包括：数据采集电路、峰值检测电路以及峰值响应电路，数据采集电路被构造成解译来自通信地耦合到数据采集电路的多个输入传感器的多个检测值，所述多个检测值中的每个检测值对应至少一个输入传感器；峰值检测电路被构造成响应于多个检测值确定至少一个峰值；以及峰值响应电路被构造成响应于至少一个峰值执行至少一个操作。
示例性监测系统还包括所述至少一个操作，所述至少一个操作还响应于以下中的至少一个：所述多个检测值中的至少一个的幅度的变化；所述多个检测值中的至少一个的频率或相对相位的变化；所述多个检测值中的至少一个的幅度和相对相位的变化率；以及所述多个检测值中的至少一个的幅度和相对相位的相对变化率。在实施例中，所述至少一个操作包括发出警告。在实施例中，警报可以是触觉、听觉和视觉警报中的一种。所述系统还包括数据存储电路。在实施例中，存储所述相对相位差、至少一个检测值以及定时信号。在实施例中，所述至少一个操作还包括将附加数据存储到所述数据存储电路中。在实施例中，将附加数据存储到所述数据存储电路中还响应于以下中的至少一个：所述相对相位差的变化和所述相对相位差的变化率。在实施例中，所述数据采集电路还包括至少一个复用器电路，通过所述至少一个复用器电路可以基于用户输入和为机器选择的运行参数中的至少一个来选择检测值的替代组合。在实施例中，所述多个检测值中的每个检测值对应于所述输入传感器中的至少一个输入传感器。在实施例中，所述至少一个操作包括启用或禁用所述复用器电路的一个或多个部分，或者改变所述复用器控制线。在实施例中，所述数据采集电路包括至少两个复用器电路，并且所述至少一个操作包括改变所述至少两个复用器电路之间的连接。
一种用于工业环境进行数据收集的监测系统，监测系统结构用于接收对应于多个传感器的输入，监测系统结构包括数据采集电路、峰值检测电路以及峰值响应电路，数据采集电路被构造成解译多个检测值，所述多个检测值中的每个检测值对应于至少一个输入传感器；峰值检测电路被构造成响应于多个检测值确定至少一个峰值；以及峰值响应电路被构造成响应于至少一个峰值执行至少一个操作。
示例性监测系统还包括所述至少一个操作，所述至少一个操作还响应于以下中的至少一个：所述多个检测值中的至少一个的幅度的变化；所述多个检测值中的至少一个的频率或相对相位的变化；所述多个检测值中的至少一个的幅度和相对相位的变化率；以及所述多个检测值中的至少一个的幅度和相对相位的相对变化率。在实施例中，至少一个操作包括发出警报。在实施例中，警报可以是触觉、听觉和视觉警报中的一种。所述系统还包括数据存储电路。在实施例中，存储所述相对相位差、至少一个检测值以及定时信号。在实施例中，所述至少一个操作还包括将附加数据存储到所述数据存储电路中。在实施例中，将附加数据存储到所述数据存储电路中还响应于以下中的至少一个：所述相对相位差的变化和所述相对相位差的变化率。在实施例中，所述数据采集电路还包括至少一个复用器电路，通过所述至少一个复用器电路可以基于用户输入和为机器选择的运行参数中的至少一个来选择检测值的替代组合。在实施例中，所述多个检测值中的每个检测值对应于所述输入传感器中的至少一个输入传感器。在实施例中，所述至少一个操作包括启用或禁用所述复用器电路的一个或多个部分，或者改变所述复用器控制线。在实施例中，所述数据采集电路包括至少两个复用器电路，并且所述至少一个操作包括改变所述至少两个复用器电路之间的连接。
一种用于工业环境中对信号进行数据收集、处理和利用的示例性系统包括多个监测设备，每个监测设备包括数据采集电路、峰值检测电路、峰值响应电路、通信电路以及远程服务器上的监测应用，数据采集电路被构造成解译来自通信耦合到数据采集电路的多个输入传感器的多个检测值，所述多个检测值中的每个检测值对应于至少一个输入传感器；峰值检测电路被构造成响应于多个检测值确定至少一个峰值；峰值响应电路被构造成响应于所述至少一个峰值选择至少一个检测值；通信电路被构造成将所述至少一个所选择的检测值传送至远程服务器；以及远程服务器上的监测应用被构造成接收所述至少一个所选择的检测值，联合分析从多个监测设备的子集接收的检测值以及推荐动作。
一种示例性系统还包括：该系统还被构造成基于以下中的一个来选择检测值的子集：与检测值相关联的部件的预计寿命，与检测值相关联的设备的类型，以及测量检测值的操作条件。在实施例中，对检测值的子集的分析包括向神经网络馈送检测值的子集和补充信息，以学习利用深度学习技术识别各种运行状况、健康状况、预期寿命以及故障状况。在实施例中，所述补充信息可以包括下述项中的一项：组件规格、组件性能、设备规格、设备性能、维护记录、维修记录以及预期状况模型。在实施例中，所述至少一个操作还响应于以下中的至少一个：所述多个检测值中的至少一个的幅度的变化；所述多个检测值中的至少一个的频率或相对相位的变化；所述多个检测值中的至少一个的幅度和相对相位的变化率；以及所述多个检测值中的至少一个的幅度和相对相位的相对变化率。在实施例中，所述至少一个操作包括发出警告。在实施例中，警报可以是触觉、听觉和视觉警报中的一种。所述系统还包括数据存储电路。在实施例中，存储所述相对相位差、至少一个检测值以及定时信号。在实施例中，所述至少一个操作还包括将附加数据存储到所述数据存储电路中。在实施例中，将附加数据存储到所述数据存储电路中还响应于以下中的至少一个：所述相对相位差的变化和所述相对相位差的变化率。在实施例中，所述数据采集电路还包括至少一个复用器电路，通过所述至少一个复用器电路可以基于用户输入或为机器选择的运行参数中的至少一个来选择检测值的替代组合。在实施例中，所述多个检测值中的每个检测值对应于所述输入传感器中的至少一个输入传感器。在实施例中，所述至少一个操作包括启用或禁用复用器电路的一个或多个部分，或者改变复用器控制线。在实施例中，所述数据采集电路包括至少两个复用器电路，并且所述至少一个操作包括改变所述至少两个复用器电路之间的连接。
一种示例性电机监测系统，包括数据采集电路、数据存储电路、峰值检测电路以及峰值响应电路，数据采集电路被构造成解译来自通信地耦合到数据采集电路的多个输入传感器的多个检测值，多个检测值中的每个检测值对应于至少一个输入传感器；数据存储电路被构造成存储电机和电机组件的规格、系统几何形状和预期的状态信息，存储历史电机性能并将多个检测值缓存预定时间长度；峰值检测电路被构造成响应于所述多个检测值确定至少包括温度峰值、速度峰值和振动峰值的多个峰值，并且相对于所缓存的检测值、规格以及预期的状态信息来对峰值进行分析，从而产生电机性能参数；以及峰值响应电路被构造成响应于峰值和电机系统性能参数之一执行至少一个操作。
一种用于估计车辆转向系统性能参数的示例性系统，该设备包括数据采集电路、数据存储电路、峰值检测电路以及峰值响应电路，数据采集电路被构造成解译来自通信地耦合到数据采集电路的多个输入传感器的多个检测值，多个检测值中的每个检测值对应至少一个输入传感器；数据存储电路被构造成存储关于车辆转向系统、齿条、小齿轮以及转向柱的规格、系统几何形状和预期的状态信息，存储历史转向系统性能并且将多个检测值缓存预定时间长度；峰值检测电路被构造成响应于所述多个检测值确定包括至少温度峰值、速度峰值和振动峰值的多个峰值，并且相对于所缓存的检测值、规格和预期的状态信息对峰值进行分析，从而产生车辆转向系统性能参数；以及峰值响应电路被构造成响应于峰值和车辆转向系统性能参数之一执行至少一个操作。
用于估计泵性能参数的示例性系统包括数据采集电路、数据存储电路、峰值检测电路以及峰值响应电路，数据采集电路被构造成解译来自通信地耦合到数据采集电路的多个输入传感器的多个检测值，所述多个检测值中的每个检测值对应于至少一个输入传感器；数据存储电路被构造成存储与检测值相关联的泵和泵组件的规格、系统几何形状和预期的状态信息，存储历史泵性能并将多个检测值缓存预定时间长度；峰值检测电路被构造成响应于所述多个检测值确定包括至少温度峰值、速度峰值和振动峰值的多个峰值，并且相对于所缓存的检测值、规格和预期的状态信息对峰值进行分析，从而产生泵性能参数；以及峰值响应电路被构造成响应于峰值和泵性能参数之一执行至少一个操作。在某些其它实施例中，示例性系统包括：在实施例中，所述泵是汽车中的水泵。在实施例中，所述泵是矿用泵。
一种用于估计钻机的钻机性能参数的示例系统，包括数据采集电路、数据存储电路、峰值检测电路以及峰值响应电路，数据采集电路被构造成解译来自通信地耦合到数据采集电路的多个输入传感器的多个检测值，所述多个检测值中的每个检测值对应于至少一个输入传感器；数据存储电路被构造成存储与检测值相关联的钻机和钻机组件的规格、系统几何形状和预期的状态信息，存储历史钻机性能并将多个检测值缓存预定时间长度；峰值检测电路被构造成响应于所述多个检测值确定包括至少温度峰值、速度峰值和振动峰值的多个峰值，并且相对于所缓存的检测值、规格和预期的状态信息对峰值进行分析，从而产生钻机性能参数；以及峰值响应电路被构造成响应峰值和钻机性能参数之一执行至少一个操作。在实施例中，所述钻机是石油钻机和天然气钻机中的一个。
一种用于估计输送机健康参数的示例性系统，该系统包括数据采集电路、数据存储电路、峰值检测电路以及峰值响应电路，数据采集电路被构造成解译来自通信地耦合到数据采集电路的多个输入传感器的多个检测值，多个检测值中的每个检测值对应于至少一个输入传感器；数据存储电路被构造成存储与检测值相关联的输送机和输送机组件的规格、系统几何形状和预期的状态信息，存储历史输送机性能并将多个检测值缓存预定时间长度；峰值检测电路被构造成响应于所述多个检测值确定至少包括温度峰值、速度峰值和振动峰值的多个峰值，并且相对于所缓存的检测值、规格和预期的状态信息对峰值进行分析，从而产生输送机性能参数；以及峰值响应电路被构造成响应于峰值和输送机性能参数之一执行至少一个操作。
一种用于估计搅拌器健康参数的示例性系统，该系统包括数据采集电路、数据存储电路、峰值检测电路以及峰值响应电路，数据采集电路被构造成解译来自通信地耦合到数据采集电路的多个输入传感器的多个检测值，多个检测值中的每个检测值对应于至少一个输入传感器；数据存储电路被构造成存储与检测值相关联的搅拌器和搅拌器组件的规格、系统几何形状和预期的状态信息，存储历史搅拌器性能并将多个检测值缓存预定时间长度；峰值检测电路被构造成响应于所述多个检测值确定至少包括温度峰值、速度峰值和振动峰值的多个峰值，并且相对于所缓存的检测值、规格和预期的状态信息对峰值进行分析，从而产生搅拌器性能参数；以及峰值响应电路被构造成响应于峰值和搅拌器性能参数之一执行至少一个操作。在某些实施方案中，系统还包括：其中，搅拌器是下述项中的一个：旋转罐式混合器、大型罐式混合器、便携式罐式混合器、手提式罐式混合器、鼓式混合器、安装式混合器以及螺旋桨混合器。
一种用于估计压缩机健康参数的示例性系统，该系统包括数据采集电路、数据存储电路、峰值检测电路以及峰值响应电路，数据采集电路被构造成解译来自通信地耦合到数据采集电路的多个输入传感器的多个检测值，多个检测值中的每个检测值对应于至少一个输入传感器；数据存储电路被构造成存储与检测值相关联的压缩机和压缩机组件的规格、系统几何形状和预期的状态信息，存储历史压缩机性能并将多个检测值缓存预定时间长度；峰值检测电路被构造成响应于所述多个检测值确定至少包括温度峰值、速度峰值和振动峰值的多个峰值，并且相对于所缓存的检测值、规格和预期的状态信息对峰值进行分析，从而产生压缩机性能参数；以及峰值响应电路被构造成响应峰值和压缩机性能参数之一执行至少一个操作。
一种用于估计空调健康参数的示例性系统，该系统包括数据采集电路、数据存储电路、峰值检测电路以及峰值响应电路，数据采集电路被构造成解译来自通信地耦合到数据采集电路的多个输入传感器的多个检测值，所述多个检测值中的每个检测值对应于至少一个输入传感器；数据存储电路被构造成存储与检测值相关联的空调和空调组件的规格、系统几何形状和预期的状态信息，存储历史空调性能并将多个检测值缓存预定时间长度；峰值检测电路被构造成响应于多个检测值确定包括至少温度峰值、速度峰值、压力值和振动峰值的多个峰值，并相对于所缓存的检测值、规格和预期的状态信息对峰值进行分析，从而产生空调性能参数；以及峰值响应电路被构造成响应于峰值和空调器性能参数之一执行至少一个操作。
一种用于估计离心机健康参数的示例性系统，该系统包括数据采集电路、数据存储电路、峰值检测电路以及峰值响应电路，数据采集电路被构造成解译来自通信地耦合到数据采集电路的多个输入传感器的多个检测值，多个检测值中的每个检测值对应于至少一个输入传感器；数据存储电路被构造成存储与检测值相关联的离心机和离心机组件的规格、系统几何形状和预期的状态信息，存储历史离心机性能并将多个检测值缓存预定时间长度；峰值检测电路被构造成响应于所述多个检测值确定至少包括温度峰值、速度峰值和振动峰值的多个峰值，并且相对于所缓存的检测值，规格和预期的状态信息对峰值进行分析，从而产生离心机性能参数；以及峰值响应电路被构造成响应峰值和离心机性能参数之一执行至少一个操作。
轴承用于许多不同类型的设备和应用。轴承可以存在于下述项中或者支撑下述项：轴、电机、转子、定子、壳体、框架、悬架系统和组件、齿轮、各种类型的齿轮组、其它轴承和其它元件。轴承可用作诸如磁悬浮列车的高速车辆的支撑。轴承用于支撑发动机、电机、发电机、风扇、压缩机、涡轮机等的旋转轴。巨型滚子轴承可用于支撑建筑物和物理基础设施。不同类型的轴承可用于支撑传统齿轮、行星齿轮和其它类型的齿轮。例如，轴承可用于支撑变速器和齿轮箱，诸如滚子推力轴承。轴承可用于使用圆锥滚子轴承来支撑轮子、轮毂和其它滚动组件。
存在许多不同类型的轴承，诸如滚子轴承、滚针轴承、套筒轴承、滚珠轴承、径向轴承、包括用于低速应用的滚珠推力轴承和滚子推力轴承的推力载荷轴承、锥形轴承和圆锥滚子轴承、专用轴承、磁力轴承、巨型滚子轴承、宝石轴承(例如蓝宝石)、流体轴承、支撑弯曲元件负载的挠性轴承等。贯穿本公开内容的对轴承的引用旨在包括但不限于上文所列出的术语。
在实施例中，可以通过监测工业设备或工业过程的各种组件的状况来获得关于工业设备的组件或设备的健康或其它状况或状态信息相关的信息或者与关于工业设备的组件或设备的健康或其它状况或状态信息相关的信息。监测可以包括监测传感器信号的幅度和/或频率和/或相位，所述传感器信号测量诸如温度、湿度、加速度、位移之类的属性。
图85中示出了数据监测设备9200的实施例，该数据监测设备9200可包括通信地耦合到控制器9202的多个传感器9206。控制器9202可以包括数据采集电路9204、数据存储电路9216、信号评估电路9208以及可选的响应电路9210。信号评估电路9208可以包括频率变换电路9212和频率评估电路9214。
多个传感器9206可以连接至数据采集电路9204上的端口9226(参考图86)。多个传感器9206可以无线连接到数据采集电路9204。数据采集电路9204可以能够访问对应于多个传感器9206中的至少一个的输出的检测值，其中，传感器9206可以捕获关于轴承或设备或基础设施的不同操作方面的数据。
为针对特定轴承或设备设计的数据监测设备9200的多个传感器9206的选择可以取决于各种考虑因素，例如，安装新传感器的可访问性、初始设计中传感器的结合、预期的操作和故障条件、传感器的可靠性等。故障的影响可以驱动使用更多的传感器和/或更高能力的传感器监测轴承或设备的程度，其中，所述更多的传感器和/或更高能力的传感器专用于下述系统，该系统中意外轴承故障或未检测到的轴承故障将是费用很高的或具有严重后果。
信号评估电路9208可以处理检测值以获得关于被监测的轴承的信息。频率变换电路9212可以将一个或多个基于时间的检测值变换为频率信息。该变换可以使用下述技术来完成：例如，数字快速傅立叶变换(FFT)、拉普拉斯变换、Z变换、小波变换、其它频域变换或其它数字或模拟信号分析技术，该分析技术包括但不限于复杂的分析(包括复杂的相演化分析)。
频率评估电路9214(或频率分析电路)可以被构造成检测感兴趣频率的信号。感兴趣频率可以包括高于设备旋转频率的频率(例如，通过转速计测量)，与设备设计和运行条件(例如，轴旋转速度的倍数或其它由轴承承担的设备的旋转部件)相关联的各种谐波和/或谐振频率。接近工作频率的频率下的能量变化可能是系统平衡/不平衡的指标。在大约是工作频率的两倍的频率下的能量变化可以指示系统未对准—例如，在联轴器上，或者系统中出现松动(例如，在工作频率的谐波处发出嘎嘎声)。在接近工作频率的三倍或四倍的频率下的能量变化，其对应于联轴器上的螺栓数量，可能表明其中一个联轴器磨损。在工作频率的四倍、五倍或更多倍频率下的能量变化可能与具有相应数量的元素的某个东西有关，例如，如果存在能量峰值或活动大约是工作频率的五倍，将造成五叶泵的磨损或不平衡。
在说明性的非限制性示例中，在对滚子轴承的分析中，感兴趣的频率可以包括滚珠旋转频率、笼旋转频率、内圈频率(因为轴承经常位于笼内的座圈上)、外圈频率等。受损或开始失效的轴承可能在上文和本公开内容的其它地方提到的频率处显示出能量峰值。因为轴承磨损更多并且由于旋转加速度和砰砰声的更多变化而变得更加受损，这些频率下能量会随着时间的推移而增大。
在说明性的非限制性示例中，不良轴承可能显示出能量峰值，并且随着轴承磨损变得不完美，高频测量的强度会随着时间的推移而开始增大(高频率测量域中可能出现更大的加速度和砰砰声)。这些测量值可能是轴承系统中气隙的指标。随着轴承开始磨损，较硬的撞击可能导致能量信号移动到更高的频率。
在实施例中，信号评估电路9208还可以包括相位检测电路、锁相环电路、带通滤波器电路、峰值检测电路等中的一个或多个。
在实施例中，信号评估电路9208可以包括瞬时信号分析电路。瞬时信号可能导致小振幅振动。然而，轴承分析的挑战在于：你可能会收到与单个或非周期性影响和指数衰减相关的信号。因此，轴承的振荡可能不是由单个正弦波表示，而是由许多高频正弦波的频谱表示。例如，来自失效轴承的信号可能仅在基于时间的信号中被看作短时间内的低幅度尖峰。来自失效轴承的信号的幅度可能低于与不平衡相关的信号，然而轴承失效的后果可能更为显著。能够识别这些信号非常重要。可以使用瞬态分析而不是传统的频率变换(例如FFT，其将信号视为低频正弦波)来最好地分析这种类型的低幅度瞬时信号。较高分辨率的数据流还可以提供用于在低速操作中检测瞬时信号的附加数据。瞬时信号的识别可以识别在低RPM下操作的一件设备或组件中的缺陷。
在实施例中，用于轴承分析的瞬时信号分析电路可以包括包络调制分析和其它瞬时信号分析技术。信号评估电路9208可以将长的检测值流存储到数据存储电路9216。瞬时信号分析电路可以针对那些长的检测值流使用包络分析技术来识别可能不能通过传统的正弦波分析(例如FFT)识别的瞬态效应(例如冲击)。
信号评估电路9208可以利用针对被测量的组件类型(例如，轴承、齿轮、变速机械等)而被优化的瞬时信号分析模型。在说明性的非限制性示例中，齿轮可以在接近其平均旋转速度的情况下共振。在说明性的非限制性示例中，轴承可以在接近轴承旋转频率下共振并且在该频率附近产生振铃。例如，如果轴内座圈磨损，则内圈和轴之间可能存在颤振，从而导致振幅调制到轴承频率的左右两侧。幅度调制可以展示其自身的正弦波特性，该正弦波特性为具有其自身的边带。可以使用各种信号处理技术来消除正弦分量，从而产生调制包络用于分析。
信号评估电路9208可以针对变速机械进行优化。历史上，变速机械的制造成本很高，并且通常使用DC电机和可变滑轮，使得可以使用叶片来控制流动。随着固态硬盘(SCR设备)的发展，变速电机变得越来越普遍。设备的基本工作频率可以在准则公用事业公司提供的50Hz至60Hz之间变化，并且根据应用来进行减速或加速，从而以不同的速度运行设备。以不同速度运行设备的能力可以节省能量。但是，根据设备的几何形状，可能会存在会在共振频率下产生振动的一些速度，从而缩短了组件的使用寿命。变速电机也可能向轴承发电，这可能会损坏轴承。在实施例中，如本文所述的针对包络调制分析和其它瞬时信号分析技术的对长数据流的分析可以用于识别这些频率，使得可以设计用于设备的控制方案从而避免导致轴承出现不可接受的振动和/或损坏的那些速度。
在说明性的非限制性示例中，加热、通风和空调(HVAC)系统可以使用变速电机、风扇、皮带、压缩机等来在现场组装，其中，运行速度不是恒定的，并且它们的相对关系未知。在说明性的非限制性示例中，可变速电机可以用在风扇泵中，以用于建立空气循环。变速电机可用于改变输送机的速度—例如，在制造装配线或钢厂中。变速电机可用于制药过程中的风扇，例如避免振动是关键的地方。
在说明性的非限制性示例中，可以分析套筒轴承的缺陷。套筒轴承通常具有油系统。如果油流停止或油被严重污染，则会很快发生故障。因此，流体颗粒传感器或流体压力传感器可能是检测值的重要来源。
在说明性的非限制性示例中，可以通过测量与叶片通过频率相关的空气脉动来评估风扇完整性。例如，如果风扇具有12个叶片，则可以测量12个空气脉动。与不同叶片相关联的脉动幅度的变化可以指示风扇叶片的变化。与空气脉动相关的频率变化可能指示存在轴承问题。
在说明性的非限制性示例中，可以通过测量当气体被泵入存储容器时该容器中的能量/压力的周期性增加来对油气田中或者装配线上的气体处理设备中使用的压缩机进行评估。能量的幅度的周期性变化增大可能与活塞磨损或旋转螺杆的一部分损坏相关联。能量信号相对于定时信号的相位评估可有助于识别哪个活塞或旋转螺杆的哪个部分有损坏。与能量脉动相关联的频率的变化可能指示轴承问题。
在说明性的非限制性示例中，泵中的空化/气穴可以在泵壳体和输出流中创建模板(shuttering)，该模板可以利用上文和本文其它地方所描述的频率变换和频率分析技术来进行识别。
在说明性的非限制性示例中，上文和本文其它地方所描述的频率变换和频率分析技术可以有助于识别建筑物HVAC系统的组件--例如大风扇中的问题。如果系统的阻尼器设置不良，则可能导致管道在空气被推入系统时出现脉动或振动。监测管道上的振动传感器可有助于系统的平衡。如果大风扇的叶片存在缺陷，则这也可能导致不均匀的空气流动并且导致建筑物管道系统出现脉动。
在说明性的非限制性示例中，来自位于轴承附近的声学传感器的检测值可以有助于识别齿轮或不良轴承之间的啮合问题。基于齿轮传动比的知识，例如“入”齿轮传动比和“出”齿轮传动比，针对系统和输入和输出转速的测量，可以评估在那些比率下发生的能量的检测值，所述检测值则可以用于识别不良轴承。这可以通过简单的现成电机来完成，而不需要使用传感器对电机进行大量改装。
基于其各种组件的输出，信号评估电路9208可以进行轴承寿命预测、识别轴承健康参数、识别轴承性能参数、确定轴承健康参数(例如，故障状况)等。信号评估电路9208可以识别轴承上的磨损、识别轴承中的异物(例如，微粒)的存在、识别涂覆有油/流体的轴承中的气隙或流体损失、识别一组轴承的润滑损失、识别磁轴承等的功率损失、识别挠性轴承的应变/应力等。信号评估电路9208可以识别一件设备的最佳运行参数以延长轴承寿命。信号评估电路9208可以识别选定操作频率(例如，轴旋转速率)下的行为(共振摆动)。
信号评估电路9208可以与数据存储电路9216通信以访问下述项以用于评估其各个组件的输出：设备规格、设备几何形状、轴承规格、轴承材料、多种轴承类型的预期的状态信息、操作历史、历史检测值等。信号评估电路9208可以将下述项缓存预定时间长度：多个检测值的子集、中间数据，诸如被变换为频率信息的基于时间的检测值、过滤的检测值、所识别的感兴趣的频率等。信号评估电路9208可以周期性地将某些检测值存储到数据存储电路9216中，以使得能够随时间跟踪组件性能。在实施例中，基于当检测值接近一个或多个准则时可能发生的相关运行条件和/或故障模式，信号评估电路9208可以基于针对诸如贯穿本公开内容所描述的那些准则的一个或多个准则进行的数据拟和来将数据存储到数据存储电路9216中。基于满足或接近指定准则或范围的一个传感器输入，信号评估电路9208可以将附加数据(例如，RPM、组件负载、温度、压力、振动或者贯穿本公开内容所描述的类型的其它传感器数据)存储到数据存储电路9216中。信号评估电路9208可以更高的数据速率存储数据，以便将来以更大的粒度进行处理，能够以不同的采样率进行重新处理，和/或能够对系统信息进行诊断或后处理，其中标记了感兴趣的操作数据等。
根据设备的类型、被测量的组件、设备运行的环境等，传感器9206可以包括但不限于下述项中的一个或多个：振动传感器、光学振动传感器、温度计、湿度计、电压传感器、电流传感器、加速度计、速度检测器、光或电磁传感器(例如，确定温度、成分和/或光谱分析，和/或物体位置或运动)，图像传感器、结构光传感器、基于激光的图像传感器、红外传感器、声波传感器、热通量传感器、位移传感器、浊度计、粘度计、负载传感器、三轴振动传感器、加速度计、转速计、流体压力计、空气流量计、马力计、流速计、流体颗粒检测器、声学传感器、pH传感器等，包括但不限于本文和通过引用并入本文的文件中描述的任何传感器。传感器通常可以包括至少温度传感器、负载传感器、三轴传感器以及转速计。
传感器9206可以提供随时间变化的数据流，该数据流具有例如与加速度或振动有关的相位分量，使得能够对一件设备或操作组件的不同操作方面的相位或频率分析进行评估。传感器9206可以提供通常不基于相位的数据流，例如温度、湿度、负载等。传感器9206可以提供随时间变化的连续或近乎连续的数据流、周期性读数、事件驱动的读数，和/或根据所选择的间隔或时间表的读数。
在实施例中，如图85所示，传感器9206可以是数据监测设备9200的一部分，在本文中在某些情况下称为数据收集器，其在一些情况下可以包括移动或便携式数据收集器。在实施例中，如图86和87所示，一个或多个外部传感器9224可以适时地连接到监测设备9218，或由监测设备9218进行访问，其中未明确说明外部传感器9224是监测设备9218的一部分，而是新设备，其之前连接到或集成到设备或组件中。监测设备9218可以包括控制器9220。控制器9202可以包括数据采集电路9222、数据存储电路9216和信号评估电路9208，以及可选地包括响应电路9210。信号评估电路9208可以包括频率变换电路9212和频率分析电路9214。数据采集电路9222可以包括一个或多个输入端口9226。一个或多个外部传感器9224可直接连接到控制器9220的数据采集电路9222上的一个或多个输入端口9226，或者可以由数据采集电路9222进行无线访问，例如借助读写器、询问器或通过短距离无线协议等其它无线连接进行访问。在实施例中，如图87所示，数据采集电路9222还可以包括无线通信电路9262。数据采集电路9222可以使用无线通信电路9262无线地或者经由单独的来源或这些方法的某种组合来访问与一个或多个外部传感器9224对应的检测值。
在实施例中，如图88所示，数据采集电路9222还可以包括如本文其它地方所述的复用器电路9236。来自复用器电路9236的输出可以由信号评估电路9208使用。响应电路9210可以具有打开和关闭部分的复用器电路9236的能力。响应电路9210可以具有控制复用器电路9236的控制信道的能力。
响应电路9210可基于轴承性能参数、轴承健康值、轴承寿命预测参数等启动动作。响应电路9210可以评估信号评估电路9208的结果，并且基于某些准则或来自信号评估电路9208的各种组件的输出来启动动作。所述准则可以包括传感器在相对于定时器信号的某些频率或相位下的检测值，其中，感兴趣的频率或相位可以基于设备几何形状、设备控制方案、系统输入、历史数据、当前运行条件和/或预期响应。所述准则可以包括传感器在相对于第二传感器的检测值的某些频率或相位下的检测值。该准则可以包括在相对于与系统转速计相关联的检测值或基于设备几何形状和运行条件所预期的检测值的某些共振频率/谐波处的信号强度。准则可以包括关于来自特定传感器的检测值的预定峰值、传感器的相应检测值随时间变化的累积值、峰值的变化、峰值的变化率和/或累积值(例如，高于/低于阈值的时间、高于/低于一个或多个阈值的加权时间，和/或检测值高于/低于一个或多个阈值的面积)。该准则可以包括来自不同传感器的数据(例如，相对值、值的相对变化、值的相对变化率、随时间变化的相对值等)的组合。相关准则可以随其它数据或信息(例如，处理阶段、正在处理的产品类型、设备类型、环境温度和湿度、来自其它设备的外部振动等)而改变。相关准则可以反映在一个或多个经计算的统计或度量(包括通过对多个准则或统计的进一步计算生成的统计或度量)中，所述一个或多个经计算的统计或度量则可以用于处理(诸如通过板上数据收集器或者通过外部系统进行处理)，诸如被提供作为到控制系统(其可以是板上数据收集器或遥控器，例如用于控制下述项的选择：数据输入、传感器数据的多路复用、存储器等)的关于本公开内容中描述的一个或多个机器学习能力的输入，或者被提供作为到另一系统的输入的数据元素，诸如可用于数据市场、SCADA系统、遥控器系统、维护系统、分析系统或其它系统的数据流或数据包。
这里某些实施例被描述为检测值超过阈值或预定值，但是检测值也可以低于阈值或预定值—例如，在预期会发生检测值的变化量，但是检测值表示该变化可能没有发生过的情况下。例如但不限于，振动数据可以指示系统搅动水平、正确操作设备等，并且振动数据低于幅度和/或频率阈值可以是没有根据期望进行操作的过程的指示。除非上下文另有明确说明，否则本文中关于描述确定一值高于阈值和/或超过预定值或预期值的任何描述应理解为包括确定一值低于阈值和/或低于预定值或预期值。
预定的可接受范围可以基于预期的系统响应或者基于设备几何形状和控制方案(诸如，轴承的数量、相对转速、在特定频率下针对系统的功率流入等)的振动。预定的可接受范围还可以基于对跨多个类似设备和组件的检测值以及数据与设备故障的相关性进行的长期分析。
在一些实施例中，可以基于上面讨论的一些准则发出警报。在说明性示例中，温度和能量以某些频率下增大可能表明热轴承开始失效。在实施例中，警报的相对准则可以随其它数据或信息(例如，过程阶段、在设备上进行处理的产品的类型、环境温度和湿度、来自其它设备的外部振动等)而改变。在说明性的非限制性示例中，响应电路9210可以在下述情况下发起警报：如果振动幅度和/或频率超过预定最大值、如果存在超过预定可接受范围的变化或变化率，和/或如果基于振动幅度和/或频率的累积值超过阈值。
在实施例中，响应电路9210可以使数据采集电路9204基于上面讨论的一些准则来启用或禁用对应于某些传感器的检测值的处理。这可以包括切换到具有不同响应速率、灵敏度、范围等的传感器；访问新传感器或传感器类型等。切换可以基于模型、一组规则等来进行。在实施例中，切换可以在机器学习系统的控制下进行，从而基于一组试验中与输入数据结合的一个或多个成功度量来控制切换，这可以在人为监督下或在自动化系统的控制下进行。切换可以涉及从一个输入端口切换到另一个输入端口(例如从一个传感器切换到另一个传感器)。切换可以涉及改变数据的复用，例如在不同情况下组合不同的流。切换可以涉及激活系统以获得附加数据，例如，将移动系统(例如，机器人或无人机系统)移动到可获得不同数据或附加数据的位置(诸如，针对不同的视图而定位图像传感器或者针对不同的收集方向而定位声纳传感器)或者移动到可以访问不同传感器的位置(例如移动收集器以通过有线或无线连接来连接到设置在环境中的一位置的传感器)。可以通过改变复用器电路9236的控制信号和/或通过打开或关闭复用器电路9236的某些输入部分来实现该切换。响应电路9210可以推荐将来使用具有不同响应速率、灵敏度、范围等的传感器替换某些传感器。响应电路9210可以推荐用于组件、设备、操作条件、过程等的未来实施例的设计变更。
在实施例中，响应电路9210可以推荐在即将到来的过程停止时进行维护或者发起维护呼叫。响应电路9210可以推荐过程或运行参数的变化以远程平衡该设备。在实施例中，响应电路9210可以实现或推荐过程变化，例如，为了降低接近维护间隔的组件的利用率，非正常运行的组件的利用率或者为了某种用途发生故障但至少部分仍可运行的组件的利用率，从而改变组件的运行速度(例如将其置于低需求模式)，以改善问题(例如，发出滚子轴承组的额外润滑信号，或发出不平衡系统的校准过程的信号)等。
在如图89、图90、图91以及图92所示的实施例中，数据监测系统9240可以包括至少一个数据监测设备9250。该至少一个数据监测设备9250可以包括传感器9206和控制器9242，控制器9242包括数据采集电路9204、信号评估电路9208、数据存储电路9216以及通信电路9246。信号评估电路9208可以包括频率检测电路9212和频率分析电路9214中的至少一个。还可以存在如上文和本文其它地方所述的可选的响应电路。信号评估电路9208可以周期性地与通信电路9246共享数据，以便将该数据传输至远程服务器9244，从而使得能够通过监测应用9248跟踪随时间变化和在变化的情况下的组件和设备性能。因为当传感器值接近一个或多个准则时可能发生相关的运行条件和/或故障模式，所以信号评估电路9208可以与通信电路9246共享数据，以基于针对一个或多个准则进行的数据拟合来将数据传输到远程服务器9244。基于满足或接近指定准则或范围的一个传感器输入，信号评估电路9208可以共享附加数据(例如RPM、分量负载、温度、压力、振动等)以用于传输。信号评估电路9208可以以更高的数据速率共享数据以进行传输，从而使得能够在远程服务器上以更大的粒度进行处理。
在实施例中，如图89所示，通信电路9246可以将数据直接传送至远程服务器9244。在实施例中，如图90所示，通信电路9246可以将数据传送到中间计算机9252，该中间计算机9252可以包括运行操作系统9256的处理器9254和数据存储电路9258。中间计算机9252可以从多个数据监测设备收集数据并将累积数据发送至远程服务器9244。
在实施例中，如图91和图92所示，数据收集系统9260可以具有多个监测设备9250，所述多个监测设备收集单个设备中的多个组件上的数据、收集同一设施中的多个设备(相同类型设备和不同类型的设备)上同一组件的数据，以及从多个设施中的监测设备收集数据。远程服务器9244上的监测应用9248可以接收并存储来自多个各种监测设备9250的检测值、定时信号和数据中的一个或多个。在实施例中，如图91所示，通信电路9246可以将数据直接传送至远程服务器9244。在实施例中，如图92所示，通信电路9246可以将数据传送到中间计算机9252，该中间计算机9252可以包括运行操作系统9256的处理器9254和数据存储电路9258。可以存在与每个监测设备9264相关联的单独中间计算机9252，或单独中间计算机9252可以与多个监测设备9250相关联，其中，中间计算机9252可以从多个数据监测设备收集数据并将累积数据发送到远程服务器9244。
监测应用9248可以选择待联合分析的检测值、定时信号和数据的子集。用于分析的子集可以基于轴承类型、轴承材料或轴承运行在其中的单一类型的设备来选择。可以基于常见运行条件或者操作历史(诸如，负载大小、运行条件(例如，间歇或连续)、运行速度或者转速计)、常见环境条件(诸如，湿度、温度、空气或者流体颗粒)等等来选择或分组用于分析的子集。用于分析的子集可以基于常见的预期的状态信息来选择。可以基于其它附近设备(例如，以类似频率旋转的附近机器、产生电磁场的附近设备、产生热量的附近设备、引起运动或振动的附近设备、释放蒸气、化学品或颗粒的附近设备)的影响或其它潜在的干扰或干预效应来选择用于分析的子集。
监测应用9248可以分析所选择的子集。在说明性示例中，可以按照不同的时间段(例如，一个运行周期、周期到周期比较、几个运行周期/时间(一个月、一年、组件的寿命等等)的趋势)分析来自单个组件的数据。还可以针对不同的时间段分析来自多个相同类型的组件的数据。数据的趋势(例如频率或幅度的变化)可以与和相同组件或设备相关联的故障和维护记录相关联。可以识别数据的趋势，例如与过程中的启动或者不同点相关的变化的变化率。可以将附加数据引入分析(例如，输出产品质量、输出量(例如每单位时间)、指示过程的成功或失败等)中。可以分析不同类型数据的趋势和值的相关性以识别下述参数，所述参数的短期分析可以提供关于预期性能的最佳预测。该分析可以识别对关于预期的状态信息、围绕要使用的传感器的推荐以及传感器的定位等的模型进行的模型改进。该分析可以识别附加数据进行收集和存储。该分析可以识别关于所需要的维护和修理和/或预防性维护的安排的建议。该分析可以识别关于购买替换件轴承以及更换轴承的时间的建议。该分析可能导致针对灾难性故障情况的危险性发出警告。该信息可以被传送回监测设备以更新本地收集和分析的数据类型或影响未来监测设备的设计。
在实施例中，监测应用9248可以访问设备规格、设备几何形状、轴承规格、轴承材料、多个轴承类型的预期的状态信息、操作历史、历史检测值、轴承寿命模型等，以用于使用基于规则或基于模型的分析对所选择的子集进行分析。在实施例中，监测应用9248可以向神经网络馈送所选择的子集以利用深度学习技术学习识别各种运行状况、健康状况(例如，寿命预测)和故障状况。在实施例中，可以使用两种技术(基于模型的学习和深度学习)的混合。
在说明性的非限制性示例中，可以使用本文所述的频率变换和频率分析技术、数据监测设备以及数据收集系统来监测下述项中的输送机和提升器上的轴承的健康状况：装配线、工业车辆中的水泵和气体处理系统中的压缩机、位于油气田中的压缩机、工厂空调单元以及工厂矿用泵。
在说明性的非限制性示例中，可以使用本文所述的频率变换和频率分析技术、数据监测设备以及数据收集系统来评估位于油气田中的齿轮箱、电机、泵、振动输送机、混合器、离心机、钻机、螺丝刀和精炼罐的下述组件的一个或多个的健康情况：轴承、齿轮、叶片、螺钉和相关联的轴、电机、转子、定子、齿轮，以及其它组件。
在说明性的非限制性示例中，可以使用本文所述的频率变换和频率分析技术、数据监测设备以及数据收集系统来评估用于促进化学和药物生产线中部署的化学反应的旋转罐/混合器搅拌器、机械/旋转搅拌器以及螺旋桨搅拌器的下述组件的健康状况：轴承和相关联的轴、电机、转子、定子、齿轮以及其它组件。
在说明性的非限制性示例中，可以使用本文所描述的频率变换和频率分析技术、监测设备和数据收集系统数据来评估下述项的健康状况：车辆系统的轴承和相关联的轴、电机、转子、定子、齿轮以及其它组件(诸如转向机构或发动机)。
一种用于工业环境中进行轴承分析的示例性监测设备，其包括数据采集电路、数据存储器以及轴承分析电路，数据采集电路被构造成解译多个检测值，所述多个检测值中的每个检测值对应于通信地耦合到所述数据采集电路的多个输入传感器中的至少一个输入传感器；数据存储器用于存储多个轴承类型的规格和预期的状态信息，并且将多个检测值缓存预定时间长度；以及轴承分析电路被构造成相对于规格和预期的状态信息对所缓存的检测值进行分析，从而产生轴承性能参数。
在某些其它实施例中，示例性监测设备包括以下项中的一个或多个：响应电路，其用以响应于所述轴承性能参数来执行至少一个操作。在实施例中，所述多个输入传感器包括从由以下各项组成的组中选择的至少两个传感器：温度传感器、负荷传感器、光学振动传感器、声波传感器、热通量传感器、红外传感器、加速度计、三轴振动传感器和转速计。在实施例中，所述至少一个操作还响应于以下中的至少一个：所述多个检测值中的至少一个的幅度的变化；所述多个检测值中的至少一个的频率或相对相位的变化；所述多个检测值中的至少一个的幅度和相对相位的变化率；以及所述多个检测值中的至少一个的幅度和相对相位的相对变化率。在实施例中，所述至少一个操作包括发出警告。在实施例中，所述警告可以是触觉、听觉和视觉警告中的一种。在实施例中，所述至少一个操作还包括将附加数据存储到所述数据存储电路中。在实施例中，将附加数据存储到所述数据存储电路中还响应于以下中的至少一个：所述相对相位差的变化和所述相对相位差的变化率。
一种用于工业环境进行轴承分析的示例性监测设备，该监测设备包括数据采集电路、数据存储器以及轴承分析电路，数据采集电路被构造成解译多个检测值，所述多个检测值中的每个检测值对应于通信地耦合到数据采集电路的多个输入传感器中的至少一个输入传感器；数据存储器用于存储多个轴承类型的规格和预期的状态信息，并将多个检测值缓存预定时间长度；以及轴承分析电路被构造成相对于规格和预期的状态信息来对所缓存的检测值进行分析，从而产生轴承健康值。
在某些实施例中，示例性监测设备还包括以下项中的一个或多个：响应电路，其响应于轴承健康值执行至少一个操作。在实施例中，所述多个输入传感器包括从由以下各项构成的组中选择的至少两个传感器：温度传感器、负载传感器、光学振动传感器、声波传感器、热通量传感器、红外传感器、加速度计、三轴振动传感器和转速计等。在实施例中，所述至少一个操作还响应于以下中的至少一个：所述多个检测值中的至少一个的幅度的变化；所述多个检测值中的至少一个的频率或相对相位的变化；所述多个检测值中的至少一个的幅度和相对相位的变化率；以及所述多个检测值中的至少一个的幅度和相对相位的相对变化率。在实施例中，所述至少一个操作包括发出警告。在实施例中，所述警告可以是触觉、听觉和视觉警告中的一种。在实施例中，所述至少一个操作还包括将附加数据存储到所述数据存储电路中。在实施例中，将附加数据存储到所述数据存储电路中还响应于以下中的至少一个：所述相对相位差的变化和所述相对相位差的变化率。
一种用于工业环境进行轴承分析的示例性监测设备，其包括数据采集电路、数据存储电路以及轴承分析电路，数据采集电路被构造成解译多个检测值，所述多个检测值中的每个检测值对应于通信地耦合到数据采集电路的多个输入传感器中的至少一个输入传感器；数据存储器用于存储多个轴承类型的规格和预期的状态信息，并且将多个检测值缓存预定时间长度；以及轴承分析电路被构造成相对于规格和预期的状态信息对所缓存的检测值进行分析，从而产生轴承寿命预测参数。
在某些实施例中，监测设备还包括以下项中的一个或多个：响应电路，其响应于轴承寿命预测参数执行至少一个操作。在实施例中，所述多个输入传感器包括从由以下各项构成的组中选择的至少两个传感器：温度传感器、负载传感器、光学振动传感器、声波传感器、热通量传感器、红外传感器、加速度计、三轴振动传感器和转速计等。在实施例中，所述至少一个操作还响应于以下中的至少一个：所述多个检测值中的至少一个的幅度的变化；所述多个检测值中的至少一个的频率或相对相位的变化；所述多个检测值中的至少一个的幅度和相对相位的变化率；以及所述多个检测值中的至少一个的幅度和相对相位的相对变化率。在实施例中，所述至少一个操作包括发出警告。在实施例中，所述警告可以是触觉、听觉和视觉警告中的一种。在实施例中，所述至少一个操作还包括将附加数据存储到所述数据存储电路中。在实施例中，将附加数据存储到所述数据存储电路中还响应于以下中的至少一个：所述相对相位差的变化和所述相对相位差的变化率。
一种用于工业环境中进行轴承分析的示例性监测设备，其包括数据采集电路、数据存储器以及轴承分析电路，数据采集电路被构造成解译多个检测值，所述多个检测值中的每个检测值对应于通信地耦合到所述数据采集电路的多个输入传感器中的至少一个输入传感器；数据存储器用于存储多个轴承类型的规格和预期的状态信息，并且将多个检测值缓存预定时间长度；以及轴承分析电路被构造成相对于规格和预期的状态信息对所缓存的检测值进行分析，从而产生轴承性能参数。在实施例中，所述数据采集电路包括复用器电路，通过所述复用器电路可以基于用户输入、所检测的状态以及为机器选择的运行参数中的至少一个来选择检测值的替代组合。
在某些其它实施例中，示例性监测设备还包括以下项中的一个或多个：响应电路，其响应于轴承性能参数执行至少一个操作。在实施例中，多个输入传感器包括选自由以下项组成的组中的至少两个传感器：温度传感器、负载传感器、光学振动传感器、声波传感器、热通量传感器、红外传感器、加速度计、三轴振动传感器以及转速计；所述至少一个操作还响应于以下中的至少一个：多个检测值中的至少一个检测值的幅度变化；多个检测值中的至少一个检测值的频率或相对相位的变化；多个检测值中的至少一个检测值的幅度和相对相位二者的变化率；以及多个检测值中的至少一个检测值的幅度和相对相位的相对变化率。在实施例中，所述至少一个操作包括发出警告。在实施例中，所述警告可以是触觉、听觉和视觉警告中的一种。在实施例中，所述至少一个操作还包括将附加数据存储到所述数据存储电路中。在实施例中，将附加数据存储到所述数据存储电路中还响应于以下中的至少一个：所述相对相位差的变化和所述相对相位差的变化率。在实施例中，所述至少一个操作包括启用或禁用所述复用器电路的一个或多个部分，或者改变所述复用器控制线。在实施例中，所述数据采集电路包括至少两个复用器电路，并且所述至少一个操作包括改变所述至少两个复用器电路之间的连接。
一种用于工业环境中进行数据收集、处理以及轴承分析的示例性系统包括多个监测设备，每个监测设备包括数据采集电路、数据存储器、轴承分析电路、通信电路以及远程服务器上的监测应用，数据采集电路被构造成解译多个检测值，所述多个检测值中的每个检测值对应于通信地耦合到数据采集电路的多个输入传感器中的至少一个输入传感器；数据存储器用于存储多个轴承类型的规格和预期的状态信息，并且将多个检测值缓存预定时间长度；轴承分析电路用于相对于规格和预期的状态信息对所缓存的检测值进行分析，从而产生轴承寿命预测参数；通信电路被构造成与远程服务器通信，从而向远程服务器提供轴承寿命预测参数和所缓存的检测值的一部分；以及远程服务器上的监测应用被构造成接收、存储和联合分析来自多个监测设备的检测值的子集。
在某些其它实施例中，示例性监测设备包括以下项中的一个或多个：响应电路，其响应于轴承寿命预测参数执行至少一个操作。在实施例中，所述多个输入传感器包括从由以下各项构成的组中选择的至少两个传感器：温度传感器、负载传感器、光学振动传感器、声波传感器、热通量传感器、红外传感器、加速度计、三轴振动传感器和转速计等。在实施例中，所述至少一个操作还响应于以下中的至少一个：所述多个检测值中的至少一个的幅度的变化；所述多个检测值中的至少一个的频率或相对相位的变化；所述多个检测值中的至少一个的幅度和相对相位的变化率；以及所述多个检测值中的至少一个的幅度和相对相位的相对变化率。在实施例中，所述至少一个操作包括发出警告。在实施例中，所述警告可以是触觉、听觉和视觉警告中的一种。在实施例中，所述至少一个操作还包括将附加数据存储到所述数据存储电路中。在实施例中，将附加数据存储到所述数据存储电路中还响应于以下中的至少一个：所述相对相位差的变化和所述相对相位差的变化率。
一种用于工业环境中进行数据收集、处理以及轴承分析的示例性系统包括多个监测设备，每个监测设备包括数据采集电路、数据存储器、轴承分析电路、通信电路以及远程服务器上的监测应用，数据采集电路被构造成解译多个检测值，所述多个检测值中的每个检测值对应于通信地耦合到数据采集电路的多个输入传感器中的至少一个输入传感器；数据存储器用于存储多个轴承类型的规格和预期的状态信息，并且将多个检测值缓存预定时间长度；轴承分析电路用于相对于规格和预期的状态信息对所缓存的检测值进行分析，从而产生轴承性能参数；通信电路被构造成与远程服务器通信，从而向远程服务器提供寿命预测和所缓存的检测值的一部分；以及远程服务器上的监测应用被构造成接收、存储和联合分析来自多个监测设备的检测值的子集。
在某些其它实施例中，示例性监测设备还包括以下项中的一个或多个：响应电路，其用以响应于所述轴承性能参数来执行至少一个操作。在实施例中，所述多个输入传感器包括从由以下各项构成的组中选择的至少两个传感器：温度传感器、负载传感器、光学振动传感器、声波传感器、热通量传感器、红外传感器、加速度计、三轴振动传感器和转速计等。在实施例中，所述至少一个操作还响应于以下中的至少一个：所述多个检测值中的至少一个的幅度的变化；所述多个检测值中的至少一个的频率或相对相位的变化；所述多个检测值中的至少一个的幅度和相对相位的变化率；以及所述多个检测值中的至少一个的幅度和相对相位的相对变化率。在实施例中，所述至少一个操作包括发出警告。在实施例中，所述警告可以是触觉、听觉和视觉警告中的一种。在实施例中，所述至少一个操作还包括将附加数据存储到所述数据存储电路中。在实施例中，将附加数据存储在数据存储电路中还响应于以下中的至少一个：相对相位差的变化和相对相位差的相对变化率。
一种用于工业环境中进行数据收集、处理以及轴承分析的示例性系统，其包括多个监测设备，每个监测设备包括数据采集电路、流式传输电路以及远程学习系统，数据采集电路被构造成解译多个检测值，多个检测值中的每个检测值对应于通信地耦合到数据采集电路的多个输入传感器中的至少一个输入传感器；流式传输电路用于将至少所获得的检测值的子集流式传输到远程学习系统；以及远程学习系统包括轴承分析电路，该轴承分析电路被构造成相对于至少一个轴承的状况的基于机器的理解对检测值进行分析。
在某些其它实施例中，示例性系统还包括以下项中的一个或多个：在实施例中，基于机器的理解可以基于轴承的模型来开发，所述轴承的模型至少部分地基于轴承的行为与工业机器中的部件的工作频率的关系来确定至少一个轴承的状况。在实施例中，所述至少一个轴承的状态是以下中的至少一个：运行状态、健康状态、预测寿命状态或故障状态。在实施例中，通过向深度学习机器提供输入来开发所述基于机器的理解。在实施例中，所述输入包括多个轴承的多个检测值流和所述多个轴承的多个测量状态值。在实施例中，所述至少一个轴承的状态是以下中的至少一个：运行状态、健康状态、预测寿命状态或故障状态。
一种用于分析轴承和轴承组的示例方法，包括：接收与数据相对应的多个检测值，该数据来自温度传感器、位于轴承或轴承组附近的振动传感器以及用于测量与轴承或轴承组相关联的轴的旋转的转速计；将对应于温度传感器的检测值与预定的最大值进行比较；通过高通滤波器来对对应于振动传感器的检测值进行滤波，其中，该滤波器被选择以消除和与转速计相关联的检测值相关联的振动；识别温度峰值和振动峰值中的至少一个的快速变化；识别出对应于振动传感器的滤波检测值中尖峰出现的频率，并且相对于与轴承或轴承组相关联的预期的状态信息和规格在振幅上对频率和尖峰进行比较；以及确定轴承健康参数。
一种用于在工业环境中监测滚子轴承的示例性设备，包括数据采集电路、数据存储电路、轴承分析电路以及响应电路，数据采集电路被构造成解译多个检测值，所述多个检测值中的每个检测值对应于通信地耦合到所述数据采集电路的多个输入传感器中的至少一个输入传感器；数据存储电路被构造成存储多个滚子轴承类型的规格和预期的状态信息，并且将多个检测值缓存预定时间长度；轴承分析电路被构造成相对于规格和预期的状态信息对所缓存的检测值进行分析，从而产生轴承性能参数；以及
响应电路用于响应于轴承性能预测执行至少一个操作。在实施例中，所述多个输入传感器包括从由以下各项构成的组中选择的至少两个传感器：温度传感器、负载传感器、光学振动传感器、声波传感器、热通量传感器、红外传感器、加速度计、三轴振动传感器和转速计等。
一种用于在工业环境中监测套筒轴承的示例性设备，包括数据采集电路、数据存储器、轴承分析电路以及响应电路，数据采集电路被构造成解译多个检测值，所述多个检测值中的每个检测值对应于通信地耦合到所述数据采集电路的多个输入传感器中的至少一个输入传感器；数据存储器用于存储若干个套筒轴承类型的套筒轴承规格和预期的状态信息，并且将多个检测值缓存预定时间长度；轴承分析电路被构造成相对于规格和预期的状态信息对所缓存的检测值进行分析，从而产生轴承性能参数；以及
响应电路，其用以响应于所述轴承性能参数来执行至少一个操作。在实施例中，所述多个输入传感器包括从由以下各项构成的组中选择的至少两个传感器：温度传感器、负载传感器、光学振动传感器、声波传感器、热通量传感器、红外传感器、加速度计、三轴振动传感器和转速计等。
一种用于在工业环境中监测泵轴承的示例性系统，包括数据采集电路、数据存储器，轴承分析电路以及响应电路，数据采集电路被构造成解译多个检测值，所述多个检测值中的每个检测值对应于通信地耦合到所述数据采集电路的多个输入传感器中的至少一个输入传感器；数据存储器用于存储泵轴承的泵规格、轴承规格和预期的状态信息，并且将多个检测值缓存预定时间长度；轴承分析电路被构造成相对于规格和预期的状态信息对所缓存的检测值进行分析，从而产生轴承性能参数；以及
响应电路，其用以响应于所述轴承性能参数来执行至少一个操作。在实施例中，所述多个输入传感器包括从由以下各项构成的组中选择的至少两个传感器：温度传感器、负载传感器、光学振动传感器、声波传感器、热通量传感器、红外传感器、加速度计、三轴振动传感器和转速计等。
一种用于在工业环境中收集、处理以及分析泵轴承的示例性系统，其包括多个监测设备，每个监测设备包括数据采集电路、数据存储器、轴承分析电路、通信电路以及远程服务器上的监测应用，数据采集电路被构造成解译多个检测值，多个检测值中的每个检测值对应于通信地耦合到数据采集电路的多个输入传感器中的至少一个输入传感器；数据存储器用于存储泵轴承的泵规格、轴承规格和预期的状态信息，并且将多个检测值缓存预定时间长度；轴承分析电路用于相对于泵和轴承的规格以及预期的状态信息对所缓存的检测值进行分析，从而产生轴承性能参数；通信电路被构造成与远程服务器通信，从而向远程服务器提供所缓存的检测值的一部分和轴承性能参数；以及远程服务器上的监测应用被构造成接收、存储和联合分析来自多个监测设备的检测值的子集。
一种用于估计输送机健康参数的示例性系统，包括：数据采集电路，其被构造成解译多个检测值，所述多个检测值中的每个检测值对应于多个输入传感器中的至少一个输入传感器，在实施例中，所述多个输入传感器包括被设置成测量旋转部件的角位置传感器、角速度传感器以及角加速度传感器中的至少一个；数据存储电路被构造成存储输送机和相关旋转部件的规格、系统几何形状和预期的状态信息，存储历史输送机和组件性能并且将多个检测值缓存预定时间长度；轴承分析电路被构造成相对于规格和预期的状态信息对所缓存的检测值进行分析，从而产生轴承性能参数；以及系统分析电路被构造成利用预期状况、历史数据和系统几何形状中的至少一个和轴承性能来估计输送机健康性能。
一种用于估计搅拌器健康参数的示例性系统，包括：数据采集电路，其被构造成解译多个检测值，所述多个检测值中的每个检测值对应于多个输入传感器中的至少一个输入传感器，在实施例中，所述多个输入传感器包括被设置成测量旋转部件的角位置传感器、角速度传感器以及角加速度传感器中的至少一个；数据存储电路被构造成存储搅拌器和相关部件的规格、系统几何形状和预期的状态信息，存储历史搅拌器和组件性能并且将多个检测值缓存预定时间长度；轴承分析电路被构造成相对于规格和预期的状态信息对所缓存的检测值进行分析，从而产生轴承性能参数；以及系统分析电路被构造成利用预期状况、历史数据和系统几何形状中的至少一个和轴承性能来估计搅拌器健康性能。在某些其它实施例中，示例性设备还包括：搅拌器是下述项中的一个：旋转罐式混合器、大型罐式混合器、便携式罐式混合器、手提式混合器、鼓式混合器、安装式混合器以及螺旋桨式混合器。
一种用于估计车辆转向系统性能参数的示例性系统，包括：数据采集电路，其被构造成解译多个检测值，所述多个检测值中的每个检测值对应于多个输入传感器中的至少一个输入传感器，在实施例中，所述多个输入传感器包括被设置成测量旋转部件的角位置传感器、角速度传感器以及角加速度传感器中的至少一个；数据存储电路被构造成存储车辆转向系统，齿条，小齿轮和转向柱的规格，系统几何形状以及预期的状态信息，存储历史转向系统性能并且将多个检测值缓存预定时间长度；轴承分析电路被构造成相对于规格和预期的状态信息对所缓存的检测值进行分析，从而产生轴承性能参数；以及
系统分析电路被构造成利用预期状况、历史数据和系统几何形状中的至少一个和轴承性能来估计车辆转向系统性能参数。
一种用于估计泵性能参数的示例性系统，包括：数据采集电路、，其被构造成解译多个检测值，所述多个检测值中的每个检测值对应于多个输入传感器中的至少一个输入传感器，在实施例中，所述多个输入传感器包括被设置成测量旋转部件的角位置传感器、角速度传感器以及角加速度传感器中的至少一个；数据存储电路被构造成存储泵和泵部件的规格、系统几何形状和预期的状态信息，存储历史转向系统性能并且将多个检测值缓存预定时间长度；轴承分析电路被构造成相对于规格和预期的状态信息对所缓存的检测值进行分析，从而产生轴承性能参数；以及系统分析电路被构造成利用预期状况、历史数据和系统几何形状中的至少一个和轴承性能来估计泵健康性能。在某些实施例中，示例性系统还包括：在实施例中，所述泵是汽车中的水泵，和/或。在实施例中，所述泵是矿用泵。
用于估计钻机性能参数的示例性系统包括：数据采集电路，其被构造成解译多个检测值，所述多个检测值中的每个检测值对应于多个输入传感器中的至少一个输入传感器。在实施例中，所述多个输入传感器包括被设置成测量旋转部件的角位置传感器、角速度传感器以及角加速度传感器中的至少一个；数据存储电路被构造成存储钻机和钻机部件的规格，系统几何形状以及预期的状态信息，存储历史钻机性能并且将多个检测值缓存预定时间长度；轴承分析电路被构造成相对于规格和预期的状态信息对所缓存的检测值进行分析，从而产生轴承性能参数；以及
系统分析电路被构造成利用预期状况、历史数据和系统几何形状中的至少一个和轴承性能来估计钻机的性能参数。在某些其它实施例中，钻机是石油钻机和气体钻机之一。
用于估计钻机性能参数的示例性系统包括：数据采集电路，其被构造成解译多个检测值，所述多个检测值中的每个检测值对应于多个输入传感器中的至少一个输入传感器。在实施例中，所述多个输入传感器包括被设置成测量旋转部件的角位置传感器、角速度传感器以及角加速度传感器中的至少一个；数据存储电路被构造成存储钻机和钻机部件的规格、系统几何形状和预期的状态信息，存储历史钻机性能并且将多个检测值缓存预定时间长度；轴承分析电路被构造成相对于规格和预期的状态信息对所缓存的检测值进行分析，从而产生轴承性能参数；以及系统分析电路被构造成利用预期状况、历史数据和系统几何形状中的至少一个和轴承性能来估计钻机的性能参数。
旋转部件被用于许多不同类型的设备和应用。旋转部件可以包括轴、发电机、转子、定子、轴承、翼片、轮叶、翅片、叶片、风扇、轴承、轮子、轮毂、辐条、滚珠、滚子、销、齿轮等。在实施例中，可以通过监测工业设备或工业过程的组件或各种其它组件的状况，并识别组件的扭转来获得关于工业设备或工业过程中的旋转部件的健康或其它状况或状态信息的信息或者与关于工业设备或工业过程中的旋转部件的健康或其它状况或状态信息相关的信息。监测可以包括监测传感器信号的幅度和相位，例如一个测量属性(诸如角位置、角速度、角加速度等)
图93中示出了数据监测设备9400的实施例，该数据监测设备9400可包括通信地耦合到控制器9402的多个传感器9406。控制器9402可以包括数据采集电路9404、数据存储电路9414、系统评估电路9408以及可选的响应电路9410。系统评估电路9408可以包括扭转分析电路9412。
多个传感器9406可以有线连接至数据采集电路9404上的端口。多个传感器9406可以无线连接至数据采集电路9404。数据采集电路9404能够访问对应于多个传感器9406中的至少一个的输出的检测值，其中，传感器9406可以捕获关于轴承或设备或基础设施的不同操作方面的数据。
被设计用于评估部件(诸如，轴、电机、转子、定子、轴承或齿轮或本文所述的其它部件)或者部件(诸如，动力传动机构或设备或系统内的部件或者包括动力传动机构或设备或系统的部件)的组合的扭转的数据监测设备9400的多个传感器9406的选择可取决于各种考虑因素，例如，安装新传感器的可访问性、初始设计中传感器的结合、预期的操作和故障条件，传感器的可靠性等。故障的影响可以驱动使用更多的传感器和/或更高能力的传感器监测轴承或设备的程度，其中，所述更多的传感器和/或更高能力的传感器专用于下述系统，该系统中意外轴承故障或未检测到的轴承故障将是费用很高的或具有严重后果。为了评估扭转，传感器可以包括角位置传感器和/或角速度传感器和/或角加速度传感器等。
系统评估电路9408可以处理检测值以获得关于被监测的一个或多个旋转部件的信息。扭转分析电路9412可以被构造成例如基于诸如可以从数据存储电路9414获得预期状况、历史状况、系统几何形状等来识别部件或系统的扭转。扭转分析电路9412可以被构造成使用各种技术(例如来自位于轴上的不同位置处的两个线性加速度计的检测值中的幅度、相位和频率差异)来识别扭转。扭转分析电路9412可以使用轴上的角加速度计和轴的端部上的滑环上的角加速度计之间的幅度和相位差来识别扭转。扭转分析电路9412可以使用半桥配置中的两个应变仪或者全桥配置中的四个应变仪来识别部件上的剪切应力/伸长。扭转分析电路9412可以基于诸如标记的技术来使用编码器，以识别轴、轴承、转子、定子、齿轮或其它旋转部件的旋转。被评估的标记可以包括视觉标记，诸如由图像传感器、光检测器等捕获的轴上的齿轮齿或条纹。被评估的标记可以包括位于旋转部件上并由电磁拾取器感测到的磁性部件。传感器可以是霍尔效应传感器。
附加的输入传感器可以包括温度计、热通量传感器、磁力计、轴向负载传感器、径向负载传感器、加速度计、剪切应力扭矩传感器、扭转角传感器等。扭转角可以包括轴上的两个位置处的旋转信息或者轴上的两个位置处的角速度或角加速度。在实施例中，传感器可以被设置在轴的不同端部处。
扭转分析电路9412可以包括瞬时信号分析电路和/或频率变换电路和/或频率分析电路中的一个或多个，如本文其它地方所述。
在实施例中，用于扭转分析的瞬时信号分析电路可以包括包络调制分析和其它瞬时信号分析技术。系统评估电路9408可以将长的检测值刘存储到数据存储电路9414。瞬时信号分析电路可以针对那些长的检测值流使用包络分析技术来识别可能不能通过传统的正弦波分析(例如FFT)识别的瞬态效应(例如冲击)。
在实施例中，感兴趣的频率可以包括识别旋转设备的关系阶数(relation-order)带宽处的能量。观察到的最大阶数可以包括系统带宽和部件旋转速度的函数。对于变化的速度(上升，下降等)，最小RPM可以确定最大观察阶数。在实施例中，在驱动部件的强制频率/频率的谐波处可能存在扭转共振。
在说明性的非限制性示例中，监测设备可以用于收集和处理传感器数据以测量部件上的扭转。监测设备可以与高分辨率、高速振动传感器通信或包括高分辨率、高速振动传感器，以在足以测量多个旋转周期的延长的时间段内收集数据。对于齿轮驱动设备，采样分辨率应该使每个周期进行采样的数量至少等于驱动该组件的齿轮齿的数量。应当理解的是，也可以使用较低的采样分辨率，这可以导致较低的置信度确定和/或获取较长的时间段内的数据以产生足够的统计置信度。然后，该数据可以用于生成关于一件设备的相位参考(相对探针)或转速计信号。该相位参考可以用于对准相位数据，诸如来自位于组件上或系统内的不同组件上的不同位置的多个传感器的速度和/或位置和/或加速度数据。该信息可以有助于确定不同组件的扭矩或者生成工作偏转形态(ODS)，用于指示在运行模式期间一个或多个组件的扭转程度。
较高分辨率的数据流可以提供附加数据，用于检测低速操作中的瞬时信号。瞬时信号的识别使得能够识别一件设备或组件中的缺陷。
在说明性的非限制性示例中，监测设备可以用于识别机械抖动以用于故障预测模型。当设备通过提升到运行速度而启动或者进入操作期间时，监测设备可以开始获取数据。一旦达到运行速度，预计扭转抖动应该是最小的，并且在该阶段期间扭转的变化可以指示裂缝、轴承故障等。附加地，可以从信号中去除已知的扭转，以便于识别由系统设计缺陷或组件磨损引起的意外扭转。具有与以运行速度收集的数据相关联的相位信息可以有助于识别振动的位置和潜在的组件磨损。关于位于整个机器中的多个传感器的相对相位信息可以有助于在扭转传播通过一件设备时评估扭转。
基于其各种组件的输出，系统评估电路9408可以进行组件寿命预测、识别组件健康参数、识别组件性能参数等。系统评估电路9408可以识别旋转部件上的意外扭转、识别挠性轴承的应变/应力等。系统评估电路9408可以识别一件设备的最佳运行参数以延长轴承寿命。系统评估电路9408可识别选定操作频率(例如，轴旋转速率)下的扭转。关于引起扭转的操作频率的信息可以便于将来设备操作平衡。
系统评估电路9408可以与数据存储电路9414通信以访问下述项以用于评估其各个组件的输出：设备规格、设备几何形状、轴承规格、组件材料、多种组件类型的预期的状态信息、操作历史、历史检测值等。系统评估电路9408可以将下述项缓存预定时间长度：多个检测值的子集、中间数据，诸如被变换为频率信息的基于时间的检测值、过滤的检测值、所识别的感兴趣的频率等。系统评估电路9408可以周期性地将某些检测值存储到数据存储电路9414中，以使得能够随时间跟踪组件性能。在实施例中，基于当检测值接近一个或多个准则时可能发生的相关运行条件和/或故障模式，系统评估电路9408可以基于针对诸如贯穿本公开内容所描述的那些准则的一个或多个准则进行的数据拟和来将数据存储到数据存储电路9414中。基于满足或接近指定准则或范围的一个传感器输入，系统评估电路9408可以将附加数据(例如，RPM信息、组件负载、温度、压力、振动或者贯穿本公开内容所描述的类型的其它传感器数据)存储到数据存储电路9414中。系统评估电路9408可以以更高的数据速率存储数据，以便在将来的处理中获得更大的粒度、能够以不同采样速率重新处理，和/或能够诊断或后处理其中标记了感兴趣的操作数据的系统信息等等。
根据设备的类型、被测量的部件、设备运行的环境等，传感器9406可以包括但不限于以下项中的一个或多个：位移传感器、角速度传感器、角度加速度计、振动传感器、光学振动传感器、温度计、湿度计、电压传感器、电流传感器、加速度计、速度检测器、光或电磁传感器(例如，确定温度、成分和/或光谱分析，和/或物体位置或运动)、图像传感器、结构光传感器、基于激光的图像传感器、红外传感器、声波传感器、热通量传感器、位移传感器、浊度计、粘度计、负载传感器、三轴振动传感器、加速度计、转速计、流体压力计、空气流量计、马力计、流量计、流体颗粒检测器、声学传感器、pH传感器等等，包括但不限于本文和通过引用并入本文的文件中描述的任何传感器。
传感器9406可以提供随时间的数据流，该数据流具有例如与角速度、角加速度或者振动有关的相位分量，使得能够对一件设备或操作组件的不同操作方面的相位或频率分析进行评估。传感器9406可以提供通常不基于相位的数据流，例如温度、湿度、负载等。传感器9406可以提供随时间变化的连续或近乎连续的数据流、周期性读数、事件驱动的读数，和/或根据所选择的间隔或时间表的读数。
在说明性的非限制性示例中，当评估发动机部件时，可能希望消除由于活塞振动定时引起的振动或者由于曲轴几何形状引起的预期振动输入，以帮助识别部件上的其它扭转力。这可以有助于评估诸如车辆中的水泵或正排量泵之类的各种部件的健康状况。
在说明性的非限制性示例中，扭转分析和扭转变化的识别可以有利于识别齿轮或传动系统中的粘滑。在一些情况下，这可能仅在每个周期发生一次，并且在确定系统状况或行为时，相位信息可能与信号的幅度一样重要或者比信号的幅度更为重要。
在说明性的非限制性示例中，扭转分析可以帮助识别、预测(例如，定时)和评估动力传动机构中的间隙以及由于方向的改变或启动而导致的后续扭转，这则可以用于对系统进行控制、对维护需求进行评估、对平衡需求进行评估或重新设置部件的需求等等。
在说明性的非限制性示例中，当评估压缩机时，可能期望消除由于活塞振动定时和与用于容积式压缩机的技术和几何形状相关联的预期振动输入引起的振动，以帮助识别部件上的其它扭转力。这可以有助于评估各种环境中的压缩机(诸如，工厂中的空调单元中的压缩机、工业环境中的气体处理系统中的压缩机、油田中的压缩机以及本文其它地方所描述的其它环境中的压缩机)的健康状况。
在说明性的非限制性示例中，扭转分析可以有助于理解与运载工具(例如，起重机、推土机、拖拉机、搬运车、挖土机、叉车、农业设备、采矿设备、镗床和钻机、挖掘机、起重机、混合器(例如，水泥混合器)、油罐车、冷藏车、安全车(例如，包括用于保存贵重物品的保险箱和类似的设施)、水下航行器、船只、飞机、汽车卡车、火车等)的动力传动机构以及移动设备(例如，装配线、升降机、起重机、输送机、牵引系统)的动力传动机构等相关联的各种部件的健康和预期寿命。使用系统几何形状和运行条件的模型来评估传感器数据可以有助于识别下述项：意外的扭转，以来自电机和驱动轴的扭转传递、从驱动轴到万向节的扭转传递，以及从万向节到一个或多个轮轴的扭转传递。
在说明性的非限制性示例中，扭转分析可以有助于理解与列车/电车车轮和车轮组相关联的各种部件的健康和预期寿命。如上所述，扭转分析可以有助于识别车轮或车轮组与轨道之间的粘滑。考虑了系统几何形状的扭转分析可以有助于识别由于粘滑引起的扭转振动，该扭转振动与由于将发动机连接至驱动轴连接到轮轴的驱动几何形状引起的扭转振动不同。
在实施例中，如图93所示，传感器9406可以是数据监测设备9400的一部分，在本文中在某些情况下称为数据收集器，其在一些情况下可以包括移动或便携式数据收集器。在实施例中，如图94和95所示，一个或多个外部传感器9422可以适时地连接到监测设备9416，或由监测设备9416进行访问，其中未明确说明外部传感器9422是监测设备9416的一部分，而是新设备，其之前连接到或集成到设备或组件中。监测设备9416可以包括控制器9418。控制器9418可以包括数据采集电路9420、数据存储电路9414和系统评估电路9408，以及可选地包括响应电路9410。系统评估电路9408可以包括扭转分析电路9412。数据采集电路9420可以包括一个或多个输入端口9424。在实施例中，如图95所示，数据采集电路9420还可以包括无线通信电路9426。外部传感器9422中的一个或多个外部传感器可以直接连接至控制器9418的数据采集电路9420上的输入端口9424中的一个或多个输入端口，或者可以由数据采集电路9420通过无线通信电路9426例如借助于读取器、询问器或其它无线连接等例如通过短距离无线协议进行无线访问。数据采集电路9420可以使用无线通信电路9426无线地或者经由单独的来源或这些方法的某种组合来访问与一个或多个外部传感器9422对应的检测值。
在如图96所示的实施例中，数据采集电路9432还可以包括如本文其它地方所述的复用器电路9434。复用器电路9434的输出可以由系统评估电路9408使用。响应电路9410可以具有打开或关闭复用器电路9434的部分的能力。响应电路9410可以具有控制复用器电路9434的控制信道的能力。
响应电路9410可以基于组件性能参数、组件健康值、组件寿命预测参数等来启动动作。响应电路9410可以评估系统评估电路9408的结果，并且可以基于某些准则或来自系统评估电路9408的各种组件的输出来启动动作。该准则可以包括通过扭转分析电路识别部件上的扭转。所述准则可以包括传感器在相对于定时器信号的某些频率或相位下的检测值，其中，感兴趣的频率或相位可以基于设备几何形状、设备控制方案、系统输入、历史数据、当前运行条件和/或预期响应。所述准则可以包括传感器在相对于第二传感器的检测值的某些频率或相位下的检测值。该准则可以包括在相对于与系统转速计相关联的检测值或基于设备几何形状和运行条件所预期的检测值的某些共振频率/谐波处的信号强度。准则可以包括关于来自特定传感器的检测值的预定峰值、传感器的相应检测值随时间变化的累积值、峰值的变化、峰值的变化率和/或累积值(例如，高于/低于阈值的时间、高于/低于一个或多个阈值的加权时间，和/或检测值高于/低于一个或多个阈值的面积)。该准则可以包括来自不同传感器的数据(例如，相对值、值的相对变化、值的相对变化率、随时间变化的相对值等)的组合。相关准则可以随其它数据或信息(例如，处理阶段、正在处理的产品类型、设备类型、环境温度和湿度、来自其它设备的外部振动等)而改变。相关准则可以反映在一个或多个经计算的统计或度量(包括通过对多个准则或统计的进一步计算生成的统计或度量)中，所述一个或多个经计算的统计或度量则可以用于处理(诸如通过板上数据收集器或者通过外部系统进行处理)，诸如被提供作为到控制系统(其可以是板上数据收集器或遥控器，例如用于控制下述项的选择：数据输入、传感器数据的多路复用、存储器等)的关于本公开内容中描述的一个或多个机器学习能力的输入，或者被提供作为到另一系统的输入的数据元素，诸如可用于数据市场、SCADA系统、遥控器系统、维护系统、分析系统或其它系统的数据流或数据包。
本文某些实施例描述为检测值超过阈值或预定值，但是检测值也可以低于阈值或预定值—例如，在预期会发生检测值的变化量，但是检测值指示该变化可能没有发生过的情况下。除非上下文另有明确说明，否则本文中关于描述确定一值高于阈值和/或超过预定值或预期值的任何描述应理解为包括确定一值低于阈值和/或低于预定值或预期值。
预定的可接受范围可以基于下述项：基于设备几何形状的预期扭转、传递系统的几何形状、设备配置或控制方案(例如活塞点火序列)等等。预定的可接受范围还可以基于历史性能或预测性能(例如对来自过去运行和过去多次运行的信号和性能进行的长期分析)。预定的可接受范围还可以基于历史性能或预测性能，或者基于对跨多个类似设备和组件(均在特定环境中、单个公司中、同行业和跨行业的多家公司中)的信号和性能进行的长期分析。预定的可接受范围还可以基于传感器数据与实际设备和部件性能的相关性。
在一些实施例中，可以基于上面讨论的一些准则发出警报。在实施例中，警报的相对准则可以随其它数据或信息(诸如，过程阶段、在设备上进行处理的产品的类型、环境温度和湿度、来自其它设备的外部振动等)而改变。在说明性的非限制性示例中，响应电路9410可以在下述情况下发起警报：如果跨多个部件中的部件的扭转超过预定最大值、如果存在超过预定可接受范围的变化或变化率，和/或如果基于扭转幅度和/或频率的累积值超过阈值。
在实施例中，响应电路9410可以使数据采集电路9432基于上面讨论的一些准则来启用或禁用对应于某些传感器的检测值的处理。这可以包括切换到具有不同响应速率、灵敏度、范围等的传感器；访问新传感器或传感器类型等。切换可以基于模型、一组规则等来进行。在实施例中，切换可以在机器学习系统的控制下进行，从而基于一组试验中与输入数据结合的一个或多个成功度量来控制切换，这可以在人为监督下或在自动化系统的控制下进行。切换可以涉及从一个输入端口切换到另一个输入端口(例如从一个传感器切换到另一个传感器)。切换可以涉及改变数据的复用，例如在不同情况下组合不同的流。切换可以涉及激活系统以获得附加数据，例如将移动系统(例如，机器人或无人机系统)移动到可获得不同或附加数据的位置(例如，定位图像传感器用于不同视图或定位声纳传感器用于不同收集方向)或移动到可以访问不同传感器的位置(例如，移动收集器以通过有线或无线连接到布置在环境中的某个位置的传感器)。可以通过改变复用器电路9434的控制信号和/或通过打开或关闭复用器电路9434的某些输入部分来实现该切换。
响应电路9410可以在考虑齿轮比和输入与输出之间的任何相位差之后，基于测量的角位置和输出轴的速度与理论角的位置和输出轴的速度之间的差异来计算传动效率。
响应电路9410可以识别应该进行维护的设备或部件。响应电路9410可以推荐将来使用具有不同响应速率、灵敏度、范围等的传感器替换某些传感器。响应电路9410可以推荐用于组件、设备、操作条件、过程等的未来实施例的设计变更。
在实施例中，响应电路9410可以推荐在即将到来的过程停止时进行维护或者发起维护呼叫。响应电路9410可以推荐过程或运行参数的变化以远程平衡该设备。在实施例中，响应电路9410可以实现或推荐过程变化，例如，为了降低接近维护间隔的组件的利用率，非正常运行的组件的利用率或者为了某种用途发生故障但至少部分仍可运行的组件的利用率，从而改变组件的运行速度(例如将其置于低需求模式)，以改善问题(例如，发出滚子轴承组的额外润滑信号，或发出不平衡系统的校准过程的信号)等。
在如图97、图98、图99和图100所示的实施例中，数据监测系统9460可以包括至少一个数据监测设备9448。该至少一个数据监测设备9448可以包括传感器9406和控制器9438，控制器9438包括数据采集电路9404、系统评估电路9408、数据存储电路9414以及通信电路9442。系统评估电路9408可以包括扭转分析电路9412。还可以存在如上文和本文其它地方所述的可选的响应电路。系统评估电路9408可以周期性地与通信电路9442共享数据，以便将该数据传输到至远程服务器9440，从而使得能够通过监测应用9446跟踪随时间变化和在变化的条件下的组件和设备性能。因为当传感器值接近一个或多个准则时可能发生相关的运行条件和/或故障模式，所以系统评估电路9408可以与通信电路9462共享数据，以基于针对一个或多个准则进行的数据拟合来将数据传输到远程服务器9440。基于满足或接近指定准则或范围的一个传感器输入，系统评估电路9408可以共享附加数据(例如RPM、分量负载、温度、压力、振动等)以用于传输。系统评估电路9408可以以更高的数据速率共享数据以进行传输，从而使得能够在远程服务器上以更大的粒度进行处理。在实施例中，如图97所示，通信电路9442可以将数据直接传送至远程服务器9440。在实施例中，如图98所示，通信电路9442可以将数据传送至中间计算机9450，所述中间计算机可以包括数据存储电路9456和运行操作系统9454的处理器9452。
在实施例中，如图99和图100所示，数据收集系统9458可以具有多个监测设备9448，所述多个监测设备收集单个设备中的多个组件上的数据、收集同一设施中的多个设备(相同类型设备和不同类型的设备)上同一组件的数据，以及从多个设施中的监测设备收集数据。远程服务器9440上的监测应用9446可以接收并存储来自多个各种监测设备9448的检测值、定时信号和数据中的一个或多个。在实施例中，如图99所示，通信电路9442可以将数据直接传送至远程服务器9440。在实施例中，如图100所示，通信电路9442可以将数据传送到中间计算机9450，该中间计算机9450可以包括运行操作系统9454的处理器9452和数据存储电路9456。可以存在与每个监测设备9264相关联的单独中间计算机9450，或单独中间计算机9450可以与多个监测设备9448相关联，其中，中间计算机9450可以从多个数据监测设备收集数据并将累积数据发送到远程服务器9440。
监测9446可以选择要联合分析的检测值、定时信号、数据、产品性能等的子集。用于分析的子集可以基于组件类型、组件材料或组件运行在其中的单一类型的设备来选择。可以基于常见运行条件或者操作历史(诸如，负载大小、运行条件(例如，间歇或连续)、运行速度或者转速计)、常见环境条件(诸如，湿度、温度、空气或者流体颗粒)等等来选择或分组用于分析的子集。用于分析的子集可以基于常见的预期的状态信息来选择。可以基于其它附近设备(例如，以类似频率旋转的附近机器、产生电磁场的附近设备、产生热量的附近设备、引起运动或振动的附近设备、释放蒸气、化学品或颗粒的附近设备)的影响或其它潜在的干扰或干预效应来选择用于分析的子集。
监测应用9446可以分析所选择的子集。在说明性示例中，可以针对不同的时间段(例如，一个运行周期、周期到周期比较、几个运行周期/时间(一个月、一年、组件的寿命等等)的趋势)分析来自单个组件的数据。还可以针对不同的时间段分析来自多个相同类型的组件的数据。数据的趋势(例如频率或幅度的变化)可以与和相同组件或设备相关联的故障和维护记录相关联。可以识别数据的趋势，例如与过程中的启动或者不同点相关的变化的变化率。可以将附加数据引入分析(例如，输出产品质量、输出量(例如每单位时间)、指示过程的成功或失败等)中。可以分析不同类型数据的趋势和值的相关性以识别下述参数，所述参数的短期分析可以提供关于预期性能的最佳预测。该分析可以识别对关于预期的状态信息、围绕要使用的传感器的推荐以及传感器的定位等的模型进行的模型改进。该分析可以识别附加数据进行收集和存储。该分析可以识别关于所需要的维护和修理和/或预防性维护的安排的建议。该分析可以识别关于购买替换件轴承以及更换轴承的时间的建议。该分析可以识别关于未来几何形状变化的建议以减少部件上的扭转。该分析可能导致针对灾难性故障情况的危险性发出警告。该信息可以被传送回监测设备以更新本地收集和分析的数据类型或影响未来监测设备的设计。
在实施例中，监测应用9446可以访问设备规格、设备几何形状、组件规格、组件材料、多个组件类型的预期的状态信息、操作历史、历史检测值、组件寿命模型等，以用于使用基于规则或基于模型的分析对所选择的子集进行分析。在实施例中，监测应用9446可以向神经网络馈送所选择的子集以利用深度学习技术学习识别各种运行状况、健康状况(例如，寿命预测)和故障状况。在实施例中，可以使用两种技术(基于模型的学习和深度学习)的混合。
在说明性的非限制性示例中，可以使用本文描述的扭转分析技术、数据监测设备和数据收集系统来监测组装线中的输送机和提升器上的旋转部件的健康状况。
在说明性的非限制性示例中，可以使用本文描述的扭转分析技术、数据监测设备和数据收集系统来监测工业车辆上的水泵中的旋转部件的健康状况。
在说明性的非限制性示例中，可以使用本文描述的数据监测设备和数据收集系统来监测气体处理系统中的压缩机中的旋转部件的健康状况。
在说明性的非限制性示例中，可以使用本文描述的数据监测设备和数据收集系统来监测位于油气田中的压缩机中的旋转部件的健康状况。
在说明性的非限制性示例中，可以使用本文描述的技术、数据监测设备和数据数据收集来评估工厂空调单元中的旋转部件的健康状况。
在说明性的非限制性示例中，可以使用本文描述的技术、数据监测设备和数据数据收集来评估工厂矿用泵中的旋转部件的健康状况。
在说明性的非限制性示例中，可以使用本文描述的扭转分析技术、数据监测设备和数据收集系统来评估位于油气田中的钻机和螺丝刀中的旋转部件(例如轴、轴承和齿轮)的健康状况。
在说明性的非限制性示例中，可以使用本文描述的扭转分析技术、数据监测设备和数据收集系统来评估位于油气田中的电机的旋转部件(例如轴、轴承、齿轮以及转子)的健康状况。
在说明性的非限制性示例中，可以使用本文描述的扭转分析技术、数据监测设备和数据收集系统来评估位于油气田中的泵的旋转部件(例如叶片、螺钉以及其它部件)的健康状况。
在说明性的非限制性示例中，可以使用本文描述的扭转分析技术、数据监测设备和数据收集系统来评估位于油气田中的振动输送机的旋转部件(例如轴、轴承、电机、转子、定子、齿轮以及其它部件)的健康状况。
在说明性的非限制性示例中，可以使用本文描述的扭转分析技术、数据监测设备和数据收集系统来评估位于油气田中的混合器的旋转部件(例如轴承、轴、电机、转子、定子、齿轮以及其它部件)的健康状况。
在说明性的非限制性示例中，可以使用本文描述的扭转分析技术、数据监测设备和数据收集系统来评估位于石油和天然气精炼厂中的离心机的旋转部件(例如轴承、轴、电机、转子、定子、齿轮以及其它部件)的健康状况。
在说明性的非限制性示例中，可以使用本文描述的扭转分析技术、数据监测设备和数据收集系统来评估位于石油和天然气精炼厂中的精炼罐的旋转部件(例如轴承、轴、电机，转子，定子，齿轮和其它部件的)的健康状况。
在说明性的非限制性示例中，可以使用本文描述的扭转分析技术、数据监测设备和数据收集系统来评估用于促进化学和药物生产线中部署的化学反应的旋转罐/混合器搅拌器的旋转部件(例如轴承、轴、电机、转子、定子、齿轮以及其它部件)的健康状况。
在说明性的非限制性示例中，可以使用本文描述的扭转分析技术、数据监测设备和数据收集系统来评估用于促进化学和药物生产线中部署的化学反应的机械/旋转搅拌器的旋转部件(例如轴承、轴、电机、转子、定子、齿轮以及其它部件)的健康状况。
在说明性的非限制性示例中，可以使用本文描述的扭转分析技术、数据监测设备和数据收集系统来评估用于促进化学和药物生产线中部署的化学反应的螺旋桨搅拌器的旋转部件(例如轴承、轴、电机、转子、定子、齿轮以及其它部件)的健康状况。
在说明性的非限制性示例中，可以使用本文描述的扭转分析技术、数据监测设备和数据收集系统来评估车辆转向机构的轴承和相关联的轴、电机、转子、定子、齿轮以及其它部件的健康状况。
在说明性的非限制性示例中，可以使用本文描述的扭转分析技术、数据监测设备和数据收集系统来评估车辆发动机的轴承和相关联的轴、发电机、转子、定子、齿轮以及其它部件的健康状况。
在实施例中，一种用于估计工业机器中的旋转部件的预期寿命的监测设备可以包括数据采集电路，其被构造成解译多个检测值，多个检测值中的每个检测值对应于多个输入传感器的中的至少一个输入传感器。在实施例中，多个输入传感器包括设置成测量旋转部件的角位置传感器、角速度传感器以及角加速度传感器中的至少一个；数据存储电路被构造成存储多个旋转部件的规范、系统几何形状和预期的状态信息，存储历史部件性能并将多个检测值缓存预定时间长度；扭转分析电路用于利用瞬时信号分析来相对于旋转部件规范和预期的状态信息对所缓存的检测值进行分析，从而识别出扭转振动；以及系统分析电路被构造成利用预期状况、历史数据和系统几何形状中的至少一个和所识别的扭转振动来识别旋转部件的预期寿命。在实施例中，监测设备还可以包括响应电路，该响应电路用于响应于旋转部件的预期寿命执行至少一个操作。在实施例中，所述多个输入传感器包括从由以下各项组成的组中选择的至少两个传感器：温度传感器、负载传感器、光学振动传感器、声波传感器、热通量传感器、红外传感器、加速度计、三轴振动传感器和转速计等。至少一个操作可以包括下述项中的至少一个：发出警报和警告、将附加数据存储到数据存储电路中、命令更换旋转部件、安排旋转更换部件、推荐旋转部件的替代件等等。
在实施例中，一种用于评估工业机器中的旋转部件的健康状况的监测设备可以包括数据采集电路，其被构造成解译多个检测值，所述多个检测值中的每个检测值对应于多个输入传感器中的至少一个传感器。在实施例中，多个输入传感器包括设置成测量旋转部件的角位置传感器、角速度传感器以及角加速度传感器中的至少一个；数据存储电路被构造成存储多个旋转部件的规范、系统几何形状和预期的状态信息，存储历史部件性能并将多个检测值缓存预定时间长度；扭转分析电路用于利用瞬时信号分析来相对于旋转部件规范和预期的状态信息对所缓存的检测值进行分析，从而识别出扭转振动；以及系统分析电路被构造成利用预期状况、历史数据和系统几何形状中的至少一个和所识别的扭转振动来识别旋转部件的健康状况。在实施例中，监测设备还可以包括响应电路，该响应电路用于响应于旋转部件的健康状况而执行至少一个操作。所述多个输入传感器可以包括选自由以下项组成的组中的至少两个传感器：温度传感器、负载传感器、光学振动传感器、声波传感器、热通量传感器、红外传感器、加速度计、三轴振动传感器、转速计等。监测设备可以发出警报和警告，诸如进行下述项的至少一个操作：将附加数据存储到数据存储电路中、命令更换旋转部件、安排更换旋转部件、推荐旋转部件的替代件等等。
在实施例中，一种用于评估工业机器中的旋转部件的运行状况的监测设备可以包括数据采集电路，其被构造成解译多个检测值，所述多个检测值中的每个检测值对应于多个输入传感器中的至少一个传感器。在实施例中，所述多个输入传感器包括被设置成测量旋转组件的角位置传感器、角速度传感器和角加速度传感器中的至少一个；数据存储电路被构造成存储多个旋转组件的规格、系统几何形状和预期状态信息，存储历史组件性能并且将多个检测值缓存预定时间长度；扭转分析电路被构造成利用瞬时信号分析来相对于旋转组件规格和预期状态信息对所缓存的检测值进行分析，从而识别扭转振动；系统分析电路被构造成利用预期状态、历史数据和系统几何形状中的至少一个和所识别的扭转振动来识别旋转组件的运行状况。在实施例中，运行状况可以是当前的运行状况或未来的运行状况。响应电路可以响应于旋转部件的运行状况执行至少一个操作。所述至少一个操作可以是将附加数据存储到数据存储电路中、命令更换旋转部件、安排更换旋转部件、推荐旋转部件的替代件等。
在实施例中，一种用于评估工业机器中的旋转部件的运行状况的监测设备可以包括数据采集电路，其被构造成解译多个检测值，所述多个检测值中的每个检测值对应于多个输入传感器中的至少一个传感器。在实施例中，所述多个输入传感器包括被设置成测量旋转组件的角位置传感器、角速度传感器和角加速度传感器中的至少一个；数据存储电路被构造成存储多个旋转组件的规范、系统几何形状和预期状态信息，存储历史组件性能并且将多个检测值缓存预定时间长度；扭转分析电路被构造成利用瞬时信号分析来相对于旋转组件规格和预期状态信息对所缓存的检测值进行分析，从而识别扭转振动；系统分析电路被构造成利用预期状态、历史数据和系统几何形状中的至少一个和所识别的扭转振动来识别旋转组件的运行状况。在实施例中，所述数据采集电路包括复用器电路，通过所述复用器电路可以基于用户输入、所检测的状态以及为机器选择的运行参数中的至少一个来选择检测值的替代组合。运行状况可以是当前的运行状况或未来的运行状况。所述至少一个操作可以启用或禁用复用器电路的一个或多个部分，或者改变复用器控制线。数据采集电路可以包括至少两个复用器电路，并且所述至少一个操作包括改变至少所述两个复用器电路之间的连接。
在实施例中，一种用于评估一件设备中的旋转部件的运行状况的系统可以包括数据采集电路，其被构造成解译多个检测值，所述多个检测值中的每个检测值对应于多个输入传感器中的至少一个输入传感器。在实施例中，所述多个输入传感器包括被设置成测量旋转部件的角位置传感器、角速度传感器和角加速度传感器中的至少一个；数据存储电路被构造成存储多个旋转部件的规范、系统几何形状和预期的状态信息，存储历史部件性能并且将多个检测值缓存预定时间长度；扭转分析电路被构造成利用瞬时信号分析相对于旋转部件规范和预期的状态信息对所缓存的检测值进行分析，从而识别出任何扭转振动；系统分析电路被构造成利用预期状况、历史数据和系统几何形状中的至少一个和扭转振动来识别旋转部件的运行状况；通信模块能够将旋转部件的运行状况、扭转振动和检测值传送至远程服务器，在实施例中，所传送的检测值部分地基于旋转部件的运行状况和扭转振动；远程服务器上的监测应用被构造成接收、存储和联合分析来自监测设备的检测值的子集。对检测值的子集的分析可以包括瞬时信号分析以识别高频扭转振动的存在。监测应用可以被构造成基于以下项之一来使检测值子集化：运行状况、扭转振动、旋转部件的类型、检测值被测量的运行条件，以及设备的类型。对检测值的子集的分析包括向神经网络馈送检测值的子集和补充信息，以学习利用深度学习技术来识别各种运行状况、健康状况以及故障状况。补充信息包括下述项中的一项：组件规格、组件性能、设备规格、设备性能、维护记录、维修记录以及预期状况模型等等。运行状况可以包括当前的运行状况或未来的运行状况。监测设备可以包括响应电路，该响应电路响应于旋转部件的运行状况执行至少一个操作。所述至少一个操作可以包括将附加数据存储到数据存储电路中。
在实施例中，一种用于评估一件设备中的旋转部件的健康状况的系统可以包括数据采集电路，其被构造成解译多个检测值，所述多个检测值中的每个检测值对应于多个输入传感器中的至少一个输入传感器。在实施例中，所述多个输入传感器包括被设置成测量旋转部件的角位置传感器、角速度传感器和角加速度传感器中的至少一个；数据存储电路被构造成存储多个旋转部件的规范、系统几何形状和预期的状态信息，存储历史部件性能并且将多个检测值缓存预定时间长度；扭转分析电路被构造成利用瞬时信号分析相对于旋转部件规范和预期的状态信息对所缓存的检测值进行分析，从而识别出扭转振动；系统分析电路被构造成利用预期状况、历史数据和系统几何形状中的至少一个和扭转振动来识别旋转部件的健康状况；通信模块能够将旋转部件的健康状况、扭转振动和检测值传送至远程服务器。在实施例中，所传送的检测值部分地基于旋转部件的健康状况和扭转振动；远程服务器上的监测应用被构造成接收、存储和联合分析来自监测设备的检测值的子集。在实施例中，对检测值的子集的分析可以包括瞬时信号分析以识别高频扭转振动的存在。监测应用可以被构造成使检测值子集化。对检测值的子集的分析包括向神经网络馈送检测值的子集和补充信息，以学习利用深度学习技术来识别各种运行状况、健康状况以及故障状况。补充信息可以包括下述项中的一项：组件规格、组件性能、设备规格、设备性能、维护记录、维修记录以及预期状况模型。运行状况可以是当前的运行状况或未来的运行状况。响应电路执行至少一个操作以响应旋转部件的健康状况。
在实施例中，一种用于评估一件设备中的旋转部件的预期寿命的系统可以包括数据采集电路，其被构造成解译多个检测值，所述多个检测值中的每个检测值对应于多个输入传感器中的至少一个输入传感器。在实施例中，所述多个输入传感器包括被设置成测量旋转部件的角位置传感器、角速度传感器和角加速度传感器中的至少一个；数据存储电路被构造成存储多个旋转部件的规范、系统几何形状和预期的状态信息，存储历史部件性能并且将多个检测值缓存预定时间长度；扭转分析电路被构造成利用瞬时信号分析相对于旋转部件规范和预期的状态信息对所缓存的检测值进行分析，从而识别出扭转振动；系统分析电路被构造成利用预期状况、历史数据和系统几何形状中的至少一个和扭转振动来识别旋转部件的预期寿命；通信模块能够将旋转部件的预期寿命、扭转振动和检测值传送至远程服务器。在实施例中，所传送的检测值部分地基于旋转部件的预期寿命和扭转振动；远程服务器上的监测应用被构造成接收、存储和联合分析来自监测设备的检测值的子集。在实施例中，对检测值的子集的分析可以包括瞬时信号分析以识别高频扭转振动的存在。监测应用可以被构造成基于下述项之一使检测值子集化：旋转部件的预期寿命、扭转振动、旋转部件的类型、检测值被测量的运行条件，以及设备的类型。对检测值子集的分析可以包括向神经网络馈送检测值的子集和补充信息，以学习利用深度学习技术识别各种运行状况、健康状况、预期寿命以及故障状况。补充信息可以包括下述项中的一项：组件规格、组件性能、设备规格、设备性能、维护记录、维修记录以及预期状况模型。监测设备可以包括响应电路，该响应电路响应于旋转部件的预期寿命执行至少一个操作。所述至少一个操作可以包括下述项之一：命令更换旋转部件、安排旋转更换部件、推荐旋转部件的替代件。
在实施例中，一种用于评估工业环境中的变频电机的健康状况的系统可以包括数据采集电路，其被构造成解译多个检测值，所述多个检测值中的每个检测值对应于多个输入传感器中的至少一个输入传感器。在实施例中，所述多个输入传感器包括被设置成测量旋转部件的角位置传感器、角速度传感器和角加速度传感器中的至少一个；数据存储电路被构造成存储多个旋转部件的规范、系统几何形状和预期的状态信息，存储历史部件性能并且将多个检测值缓存预定时间长度；扭转分析电路被构造成利用瞬时信号分析相对于旋转部件规范和预期的状态信息对所缓存的检测值进行分析，从而识别出扭转振动；系统分析电路被构造成利用预期状况、历史数据和系统几何形状中的至少一个和扭转振动来识别电机健康参数；通信模块能够将电机健康参数、扭转振动和检测值传送至远程服务器。在实施例中，所传送的检测值部分地基于电机健康参数和扭转振动；远程服务器上的监测应用被构造成接收、存储和联合分析来自监测设备的检测值的子集。
在实施例中，一种用于工业环境中的旋转部件的数据采集、处理和扭转分析的系统可以包括数据采集电路，其被构造成解译多个检测值，多个检测值中的每个检测值对应于多个输入传感器中的至少一个输入传感器。在实施例中，所述多个输入传感器包括被设置成测量旋转部件的角位置传感器、角速度传感器以及角加速度传感器中的至少一个；流式传输电路用于将所获取的检测值的至少一个子集流式传输至远程学习系统；以及远程学习系统包括扭转分析电路，该扭转分析电路被构造成相对于至少一个旋转部件的状况的基于机器的理解对检测值进行分析。基于机器的理解可以基于旋转部件的模型来开发，所述基于旋转部件的模型至少部分地基于旋转部件的行为与工业机器中的部件的工作频率的关系来确定至少一个旋转部件的状况。所述至少一个旋转部件的状况是运行状况、健康状况、预测寿命状况以及故障状况中的至少一个。可以通过向深度学习机器提供输入来开发所述基于机器的理解。在实施例中，所述输入包括多个旋转部件的多个检测值流和所述多个旋转部件的多个测量的状态值。所述至少一个旋转部件的状况是运行状况、健康状况、预测寿命状况以及故障状况中的至少一个。
在实施例中，可以通过监测整个过程中的各种组件的状况来获得关于组件或工业设备的健康或其它状况相关的信息或状态信息。监测可以包括监测传感器信号的幅度，该传感器信号测量诸如温度、湿度、加速度、位移之类的属性。图101中示出了数据监测设备9700的实施例，该数据监测设备9700可以包括通信地耦合到控制器9702的多个传感器9706。控制器9702可以包括数据采集电路9704、信号评估电路9708、数据存储电路9716以及响应电路9710。信号评估电路9708可以包括用于检测一个或多个传感器或者一组传感器中的故障的电路，例如，包括过载检测电路9712、传感器故障检测电路9714或者上述两项。此外，信号评估电路9708可以可选地包括下述项中的一个或多个：峰值检测电路、相位检测电路、带通滤波器电路、频率变换电路、频率分析电路、锁相环电路、扭转分析电路、轴承分析电路等。
多个传感器9706可以有线连接至数据电路采集9704上的端口。多个传感器9706可以无线连接至数据电路采集9704。数据电路采集9704可以访问对应于多个传感器9706中的至少一个传感器的输出的检测值，其中，传感器9706可以捕获关于一件设备或操作组件的不同操作方面的数据。
为针对特定组件或设备设计的数据监测设备9700的多个传感器9706的选择可以取决于各种考虑因素，例如，安装新传感器的可访问性、涵盖初始设计中的传感器、预期的操作和故障条件、在过程或工厂中的各个位置处所需的分辨率、传感器的可靠性等。故障的影响、故障的时间响应(例如，故障之前发生的警告时间和/或非正常模式)、故障可能性、故障影响程度和/或检测故障条件所需的灵敏度和/或难度可以驱动使用更多传感器和/或更高能力传感器监测一个组件或一件设备的程度，其中，所述更多的传感器和/或更高能力的传感器专用于下述系统，该系统中意外故障或未检测到的故障将是费用很高的或具有严重后果。
根据设备的类型、被测量的组件、设备运行的环境等，传感器9706可以包括但不限于下述项中的一个或多个：振动传感器、温度计、湿度计、电压传感器和/或电流传感器(用于该组件的传感器和/或测量该组件的其它传感器)、加速度计、速度检测器、光或电磁传感器(例如，确定温度、成分和/或光谱分析，和/或物体位置或运动)、图像传感器、结构光传感器、基于激光的图像传感器、热成像仪、声波传感器、位移传感器、浊度计、粘度计、轴向负载传感器、径向负载传感器、三轴传感器、加速度计、速度计、转速计、流体压力计、空气流量计、马力计、流量计、流体粒子检测器、光学(激光)粒子计数器、超声波传感器、声学传感器、热通量传感器、电流传感器、磁力计、pH传感器等，包括但不限于本文和通过引用并入本文的文件中描述的任何传感器。
传感器9706可以提供随时间变化的数据流，该数据流具有例如与加速度或振动有关的相位分量，使得能够对一件设备或操作组件的不同操作方面的相位或频率分析进行评估。传感器9706可以提供通常不基于相位的数据流，例如温度、湿度、负载等。传感器9706可以提供随时间变化的连续或近乎连续的数据流、周期性读数、事件驱动的读数，和/或根据所选择的间隔或时间表的读数。
在实施例中，如图101所示，传感器9706可以是数据监测设备9700的一部分，在本文中在某些情况下称为数据收集器，其在一些情况下可以包括移动或便携式数据收集器。在实施例中，如图102和103所示，一个或多个外部传感器9724可以适时地连接到监测设备9718，或由监测设备9718进行访问，其中未明确说明外部传感器9724是监测设备9718的一部分，而是新设备，其之前连接到或集成到设备或组件中。监测设备可以包括数据采集电路9722、信号评估电路9708、数据存储电路9716以及响应电路9710。信号评估电路9708可以包括过载检测电路9712、传感器故障检测电路9714或者上述二者。此外，信号评估电路9708可以可选地包括下述项中的一个或多个：峰值检测电路、相位检测电路、带通滤波器电路、频率变换电路、频率分析电路、锁相环电路、扭转分析电路、轴承分析电路等。数据采集电路9722可以包括一个或多个输入端口9726。
外部传感器9724中的一个或多个可以直接连接至控制器9720的数据采集电路9722上的输入端口9726中的一个或多个，或者可以由数据采集电路9722例如借助于读取器、询问器或其它无线连接来例如通过短距离无线协议进行无线访问。在实施例中，如图103所示，数据采集电路9722还可以包括无线通信电路9730。数据采集电路9722可以使用无线通信电路9730无线地或者经由单独的来源或这些方法的某种组合来访问与一个或多个外部传感器9724对应的检测值。
在实施例中，数据存储电路9716可以构造成存储传感器规格、预期的状态信息和检测值。数据存储电路9716可以向信号评估电路9708提供规范和预期的状态信息。
在实施例中，过载检测电路9712可以通过将与此传感器相关联的检测值与用于监测同一元件/属性的、具有更大范围/更低分辨率的一传感器相关联的检测值进行比较来检测传感器过载。测量值的不一致可能表明较高分辨率的传感器可能过载。在实施例中，过载检测电路9712可以通过评估传感器读数与来自其它传感器数据的读数的一致性来检测传感器过载(监测组件/设备的相同或不同方面)。在实施例中，过载检测电路9712可以通过评估由其它传感器收集的数据(例如，指示给定位置中传感器过载的可能性的热通量传感器数据，指示速度传感器过载的可能性的加速度计数据等)来检测传感器过载，以识别可能导致传感器过载的条件。在实施例中，过载检测电路9712可以通过识别上升趋势之后的扁平线输出来检测传感器过载。在实施例中，过载检测电路9712可以通过以下方式来检测传感器过载：例如使用快速傅立叶变换(FFT)将传感器数据变换为频率数据，然后在频率数据中寻找“滑跃(ski-jump)”，该“滑跃”可能由于传感器过载导致数据被削减造成。传感器故障检测电路9714可以识别传感器本身的故障、传感器健康状况或关于传感器数据的有效性的潜在顾虑。值变化率可用于识别传感器本身的故障。例如，突然跳到最大输出可能表示传感器故障而不是传感器过载。在实施例中，过载检测电路9712和/或传感器故障检测电路9714可以在识别传感器过载、故障、错误、无效数据等时利用传感器规格、预期的状态信息、传感器模型等。在实施例中，过载检测电路9712或传感器故障检测电路9714可以使用来自其它传感器的检测值和来自其它元件例如峰值检测电路和/或相位检测电路和/或带通滤波器电路和/或频率变换电路和/或频率分析电路和/或锁相环电路等的输出，以识别所识别的传感器过载、传感器故障、传感器失效等的潜在源。传感器过载中涉及的来源或因素可能包括传感器范围、传感器分辨率和传感器采样频率的限制。表观传感器过载的来源可能是由于复用器的范围、分辨率或采样频率，其提供与传感器相关联的检测值。表观传感器故障或失效中涉及的因素来源可能包括环境条件；例如，过热或过冷可能与基于半导体的传感器的损坏有关，这可能导致传感器数据不稳定，传感器无法产生数据，数据出现在正常行为范围之外(例如，对于通常不会发生这种变化的系统，温度的大、离散跳跃)。电流和/或电压的波动可能与具有敏感元件的电连接传感器的损坏有关。过度振动可能导致传感器的敏感元件(例如电线和/或连接器)受到物理损坏。可能由突然加速或声学数据指示的撞击可能导致具有敏感元件(例如电线和/或连接器)的传感器的物理损坏。传感器周围环境中的湿度快速增加或缺氧可能表明传感器受到水的损害。突然没有来自传感器的信号可以指示传感器断开，这可能是由于振动、冲击等。需要功率的传感器可能会耗尽电池功率或断开电源。在实施例中，过载检测电路9712或传感器故障检测电路9714可以输出传感器状况，其中传感器状况可以是传感器过载、传感器故障、传感器失效、传感器健康等之一。传感器故障检测电路9714可以确定传感器故障状况和传感器有效性状况之一。
在实施例中，如图104所示，数据采集电路9722还可以包括如本文其它地方所述的复用器电路9731。来自复用器电路9731的输出可以由信号评估电路9708使用。响应电路9710可以具有打开或关闭复用器电路9731的部分的能力。响应电路9710可以具有控制复用器电路9731的控制信道的能力。
在实施例中，响应电路9710可以基于由过载检测电路9712提供的传感器状况来启动各种动作。如果传感器状况是“传感器健康”，则响应电路9710可以继续使用该传感器。响应电路9710可以调整传感器标度值(例如，从100毫伏/克调整为10毫伏/克)。响应电路9710可以增加替代传感器的采集范围。响应电路9710可以从先前的计算和评估例如轴承分析、扭转分析等中回馈传感器数据。响应电路9710可以使用预计的或预期的数据(基于在过载/故障之前获取的数据)代替实际的传感器数据，用于计算和评估，例如轴承分析、扭转分析等。响应电路9710可以发出警报。响应电路9710可以发出警报，该警报可以包括传感器超出范围的通知以及关于过载程度的信息，例如“过载范围—数据响应可能不可靠和/或非线性”，“破坏性范围—传感器可能会损坏”等等。响应电路9710可以发出警报，其中警报可以包括关于传感器负载的影响的信息，例如“由于传感器过载/故障而无法监测机器健康状况”等。
在实施例中，响应电路9710可以使数据采集电路9704基于上述传感器状况启用或禁用对应于某些传感器的检测值的处理。这可以包括切换到具有不同响应速率、灵敏度、范围等的传感器；访问新的传感器或类型的传感器，访问来自多个传感器的数据，招募额外的数据收集器(例如将收集器路由到工作点，使用本公开中公开的路由方法和系统以及通过引用并入的文档)等。切换可以基于模型、一组规则等来进行。在实施例中，切换可以在机器学习系统的控制下进行，从而基于一组试验中与输入数据结合的一个或多个成功度量来控制切换，这可以在人为监督下或在自动化系统的控制下进行。切换可以涉及从一个输入端口切换到另一个输入端口(例如从一个传感器切换到另一个传感器)。切换可以涉及改变数据的复用，例如在不同情况下组合不同的流。切换可以涉及激活系统以获得附加数据，例如将移动系统(例如，机器人或无人机系统)移动到可获得不同或附加数据的位置(例如，定位图像传感器用于不同视图或定位声纳传感器用于不同收集方向)或移动到可以访问不同传感器的位置(例如，移动收集器以通过有线或无线连接连接到布置在环境中的某个位置的传感器)。可以通过改变复用器电路9731的控制信号和/或通过打开或关闭复用器电路9731的某些输入部分来实现该切换。
在实施例中，响应电路9710可以推荐将来使用具有不同响应速率、灵敏度、范围等的传感器替换某些传感器。响应电路9710可以推荐用于组件、设备、操作条件、过程等的未来实施例的设计变更。
在实施例中，响应电路9710可以在即将到来的过程停止时推荐维护或发起维护呼叫，其中维护可以包括用具有不同响应率、灵敏度、范围等的相同或替代类型的传感器替换传感器。在实施例中，响应电路9710可以实现或推荐过程变化，例如，为了降低接近维护间隔的组件的利用率，非正常运行的组件的利用率或者为了某种用途发生故障但至少部分仍可运行的组件的利用率，从而改变组件的运行速度(例如将其置于低需求模式)，以改善问题(例如，发出滚子轴承组的额外润滑信号，或发出不平衡系统的校准过程的信号)等。
在实施例中，信号评估电路9708和/或响应电路9710可以周期性地将某些检测值存储在数据存储电路9716中，以使得能够随时间跟踪元件性能。在实施例中，基于传感器状况，如本文其它地方所述，最近测量的传感器数据和相关的运行条件例如RPM、元件负载、温度、压力、振动或在本公开中描述的类型的其它传感器数据在数据存储电路9716中启用退出过载/故障传感器数据。信号评估电路9708可以更高的数据速率存储数据，以便将来以更大的粒度进行处理，能够以不同的采样率进行重新处理，和/或能够对系统信息进行诊断或后处理，其中标记了感兴趣的操作数据等。
在如图105、图106、图107以及图108所示的实施例中，数据监测系统9726可以包括至少一个数据监测设备9728。数据监测设备9728中的至少一个可以包括传感器9706和控制器9730，该控制器9730包括数据采集电路9704、信号评估电路9708、数据存储电路9716以及通信电路9754，该通信电路9754使得能够将数据和分析传输到远程服务器9734上的监测应用9736上。信号评估电路9708可以至少包括过载检测电路9712。信号评估电路9708可以周期性地与通信电路9732共享数据，以便将数据传输到远程服务器9734，从而使得能够通过监测应用9736跟踪随时间变化和在变化的条件下的组件和设备性能。基于传感器状况，信号评估电路9708和/或响应电路9710可以与通信电路9732共享数据，以基于关于一个或多个标准的数据拟合将数据传输到远程服务器9734。数据可以包括用于传输的最近的传感器数据以及诸如RPM、组件负载、温度、压力、振动之类的附加数据。信号评估电路9708可以以更高的数据速率共享数据以进行传输，从而使得能够在远程服务器上以更大的粒度进行处理。
在实施例中，如图105所示，通信电路9732可以将数据直接传送至远程服务器9734。在如图106所示的实施例中，通信电路9732可以将数据传送到中间计算机9738，中间计算机9738可以包括运行操作系统9742的处理器9740和数据存储电路9744。
在实施例中，如图107和图108所示，数据收集系统9746可以具有多个监测设备9728，所述多个监测设备收集单个设备中的多个组件上的数据、收集同一设施中的多个设备(相同类型设备和不同类型的设备)上同一组件的数据，以及从多个设施中的监测设备收集数据。远程服务器9734上的监测应用9736可以接收并存储来自多个各种监测设备9728的检测值、定时信号和数据中的一个或多个。
在实施例中，如图107所示，通信电路9732可以将数据直接传送至远程服务器9734。在实施例中，如图108所示，通信电路9732可以将数据传送至中间计算机9738，所述中间计算机可以包括数据存储电路9744和运行操作系统9742的处理器9740。可以存在与每个监测设备9728相关联的单独中间计算机9738，或单独中间计算机9738可以与多个监测设备9728相关联，其中，中间计算机9738可以从多个数据监测设备收集数据并将累积数据发送到远程服务器9734。到远程服务器9734的通信可以是流式传输、批量(例如当连接可用时)或机会性的。
监测应用9736可以选择要联合分析的检测值的子集。可以基于单个类型的传感器、元件或元件在其中运行的单一类型的设备来选择用于分析的子集。可以基于例如负载大小、运行条件(例如间歇，连续)、运行速度或转速计、常见环境条件(例如湿度、温度、空气或流体颗粒)等常见运行条件来选择或分组用于分析的子集。可以基于其它附近设备(例如，以类似频率旋转的附近机器、产生电磁场的附近设备、产生热量的附近设备、引起运动或振动的附近设备、释放蒸气、化学品或颗粒的附近设备)的影响或其它潜在的干扰或干预效应来选择用于分析的子集。
在实施例中，监测应用9736可以分析所选择的子集。在说明性示例中，可以在按照不同时间段(例如一个运行周期、多个运行周期、一个月、一年、元件的寿命等)分析来自单个传感器的数据。还可以针对不同时间段分析来自测量共同元件类型的共同类型的多个传感器的数据。可以识别数据的趋势，例如与过程中的启动或者不同点相关的变化的变化率。可以分析不同传感器的趋势和值的相关性以识别其短期分析可以提供关于预期传感器性能的最佳预测的那些参数。该信息可以被传送回监测设备以更新传感器模型、传感器选择、传感器范围、传感器缩放、传感器采样频率、本地收集和分析的数据类型，或者影响未来监测设备的设计。
在实施例中，监测应用9736可以访问设备规格、设备几何形状、元件规范、元件材料、多个传感器的预期的状态信息、操作历史、历史检测值、传感器寿命模型等用于使用基于规则或基于模型的分析来分析所选子集。监测应用9736可以提供关于传感器选择、要收集的附加数据或与传感器数据一起存储的数据的推荐。监测应用9736可以提供关于调度维修和/或维护的建议。监测应用9736可以提供关于更换传感器的建议。替换件传感器可以匹配被替换的传感器，或替换传感器可以具有不同的范围、灵敏度、采样频率等。
在实施例中，监测应用9736可以包括远程学习电路，其构造成分析传感器状况数据(例如，传感器过载、传感器故障、传感器失效)以及来自其它传感器的数据、被监测的元件上的故障数据、监测的设备、正在生产的产品等。远程学习系统可以识别传感器过载和来自其它传感器的数据之间的相关性。
在实施例中，方法和系统包括用于工业环境中数据收集的监测系统。该系统包括数据采集电路，其被构造成解译多个检测值，所述多个检测值中的每个检测值对应于多个输入传感器中的至少一个输入传感器。该系统包括数据存储电路和信号评估电路，数据存储电路构造成存储传感器规格、预期的状态信息和检测值；信号评估电路包括过载识别电路，其被构造成响应于预期的状态信息和传感器规格中的至少一个以及多个检测值来确定至少一个传感器的传感器过载状态。该系统也包括传感器故障检测电路和响应电路，传感器故障检测电路构造成响应于预期的状态信息和传感器规格中的至少一个以及多个检测值确定至少一个传感器的传感器故障状况和传感器有效性状况之一；响应电路构造成响应于传感器过载状况、传感器健康状况和传感器有效性状况之一执行至少一个操作。在实施例中，该系统还包括用于从所述多个输入传感器收集数据的移动数据收集器。在实施例中，所述至少一个操作包括发出警告或警报。在实施例中，所述至少一个操作还包括将附加数据存储到所述数据存储电路中。在实施例中，该系统还包括复用器(MUX)电路。在实施例中，所述至少一个操作包括启用或禁用所述复用器电路的一个或多个部分以及改变所述复用器控制线中的至少一个。在实施例中，该系统包括至少两个复用器(MUX)电路，并且该至少一个操作包括改变该至少两个复用器电路之间的连接。在实施例中，所述系统包括MUX控制电路，所述MUX控制电路被构造成解译多个检测值的子集，并且提供MUX输入和检测值的对应关系以及MUX的逻辑控制作为结果。在实施例中，所述MUX的逻辑控制包括所述复用器控制线的自适应调度。在实施例中，方法和系统包括一种用于工业环境中的数据收集、处理和组件分析的系统。一种示例性系统包括多个监测设备，每个监测设备包括数据采集电路，其被构造成解译多个检测值，所述多个检测值中的每个检测值对应于多个输入传感器中的至少一个输入传感器。该系统包括数据存储器和信号评估电路，数据存储器用于存储多个传感器类型的规范和预期的状态信息，并将多个检测值缓存预定的时间长度；信号评估电路包括过载识别电路，其构造成响应于预期的状态信息和传感器规格中的至少一个以及多个检测值来确定至少一个传感器的传感器过载状况。该系统包括传感器故障检测电路和响应电路，传感器故障检测电路构造成响应于预期的状态信息和传感器规格中的至少一个以及多个检测值确定至少一个传感器的传感器故障状况和传感器有效性状况之一；响应电路构造成响应于传感器过载状况、传感器健康状况和传感器有效性状况之一执行至少一个操作。该系统也包括通信电路，其构造成与远程服务器通信，以向远程服务器提供传感器过载状况、传感器健康状况和传感器有效性状况之一以及缓存的检测值的一部分。该系统也包括远程服务器上的监测应用，其构造成接收至少一个选定的检测值以及传感器过载状况、传感器健康状况和传感器有效性状况之一，联合分析从多个监测设备接收的检测值的子集，并推荐动作。在实施例中，监测设备中的至少一个包括用于从所述多个输入传感器收集数据的移动数据收集器。在实施例中，所述至少一个操作包括发出警告或警报。在实施例中，所述至少一个操作还包括将附加数据存储到所述数据存储电路中。在实施例中，监测设备中的至少一个包括复用器(MUX)电路。在实施例中，所述至少一个操作包括启用或禁用所述复用器电路的一个或多个部分以及改变所述复用器控制线中的至少一个。在实施例中，监测设备中的至少一个包括至少两个复用器(MUX)电路，并且该至少一个操作包括改变该至少两个复用器电路之间的连接。在实施例中，所述系统包括MUX控制电路，所述MUX控制电路被构造成解译多个检测值的子集，并且提供MUX输入和检测值的对应关系以及MUX的逻辑控制作为结果。在实施例中，所述MUX的逻辑控制包括所述复用器控制线的自适应调度。在实施例中，该监测应用包括远程学习电路，其构造成分析传感器状况数据以及传感器数据并识别传感器过载和来自其它系统的数据之间的关系。在实施例中，该监测应用被构造成基于传感器过载状况、传感器健康状况、传感器有效性状况、与检测值相关联的传感器的预期寿命、与检测值相关联的设备的预期类型，以及测量检测值的运行条件之一来选择检测值的子集。在实施例中，该补充信息包括传感器规格、传感器历史性能、维护记录、维修记录和预期状况模型之一。在实施例中，对检测值的子集的分析包括向神经网络馈送检测值的子集和补充信息，以学习利用深度学习技术识别各种传感器运行状况、健康状况、预期寿命以及故障状况。
参考图109至图136，本公开的实施例，包括涉及专家系统、自组织、机器学习、人工智能等的实施例，可以受益于神经网络的使用，例如训练用于模式识别，用于分类一个或多个参数、特征或现象，用于支持自主控制和其它目的神经网络。在整个本公开中对神经网络的引用应该被理解为包括各种不同类型的神经网络、机器学习系统、人工智能系统等，例如前馈神经网络、径向基础函数神经网络、自组织神经网络(例如Kohonen自组织神经网络)、递归神经网络、模块化神经网络、人工神经网络、物理神经网络、多层神经网络、卷积神经网络、神经网络与其它专家系统的混合(例如混合模糊逻辑—神经网络系统)、自编码神经网络、概率神经网络、时滞神经网络、卷积神经网络、调控回授神经网络、径向基础函数神经网络、递归神经网络、Hopfield神经网络、Boltzmann机器神经网络、自组织映射(self-organizing map，简称SOM)神经网络、学习矢量量化(learning vector quantization，简称LVQ)神经网络、全递归神经网络、简单递归神经网络、回波状态神经网络、长期短期记忆神经网络、双向神经网络、分层神经网络、随机神经网络、遗传尺度RNN神经网络、机器神经网络委员会、联想神经网络、物理神经网络、瞬时训练神经网络、尖峰神经网络、新认知神经网络、动态神经网络、级联神经网络、神经模糊神经网络、组合模式生成神经网络、记忆神经网络、分层时间记忆神经网络、深度前馈神经网络、门控递归单元(gated recurrent unit，简称GRU)神经网络、自动编码器神经网络、变分自动编码器神经网络、去噪自动编码器神经网络、稀疏自动编码器神经网络、Markov链神经网络、受限Boltzmann机器神经网络、深度信念神经网络、深度卷积神经网络、解卷积神经网络、深度卷积逆图形神经网络、生成对抗神经网络、液态机神经网络、极端学习机神经网络、回波状态神经网络、深度残差神经网络、支持矢量机神经网络、神经图灵机神经网络和/或全息联想记忆神经网络、或前述神经网络的混合或组合、或与其它专家系统的组合，例如基于规则的系统，基于模型的系统(包括基于物理模型、统计模型、基于流的模型、生物模型、仿生模型等的系统)。
在实施例中，前述神经网络可以构造成与DAQ仪器和可以从一个或多个传感器接收模拟信号的其它数据收集器连接。前述神经网络还可以构造成与可以通过一个或多个云网络本地和/或可用的专家系统接口、连接或集成。在实施例中，图110至图136描绘示例性神经网络，且图109描绘示出图110至图136中描绘的神经网络的各种元件的图例。图109描绘各种神经网络元件10000，如在存在分配功能和要求的单元10002中所描绘。在实施例中，各种神经网络示例可以包括反馈数据/传感器单元10010、数据/传感器单元10012、噪声输入单元10014和隐藏单元10018。神经网络组件10000还包括其它后续单元10002：概率隐藏单元10020、尖峰隐藏单元10022、输出单元10024、匹配输入/输出单元10028、回归单元10030、存储器单元10032、不同存储器单元10034、核心10038和卷积或池单元10040。
在图110中，流数据收集系统10050可以包括DAQ仪器10052或可以从包括传感器10060、传感器10062和传感器10064的传感器采集模拟信号的其它数据收集器。流数据收集系统10050可以包括可以与专家系统10080连接、集成或接口的感知神经网络10070。在图111中，流数据收集系统10090可以包括DAQ仪器10052或可以从包括传感器10060、传感器10062、传感器10064的传感器采集模拟信号的其它数据收集器。流数据收集系统10090可以包括前馈神经网络10092，其可以与专家系统10080连接、集成或接口。在图112中，流数据收集系统10100可以包括DAQ仪器10052或可以从包括传感器10060、传感器10062、传感器10064的传感器采集模拟信号的其它数据收集器。流数据收集系统10100可以包括径向基础神经网络10102，其可以与专家系统10080连接、集成或接口。在图113中，流数据收集系统10110可以包括DAQ仪器10052或可以从包括传感器10060、传感器10062、传感器10064的传感器采集模拟信号的其它数据收集器。流数据收集系统10110可以包括深度前馈神经网络10112，其可以与专家系统10080连接、集成或接口。在图114中，流数据收集系统10120可以包括DAQ仪器10052或可以从包括传感器10060、传感器10062、传感器10064的传感器采集模拟信号的其它数据收集器。流数据收集系统10120可以包括可以与专家系统10080连接、集成或接口的递归神经网络10122。
在图115中，流数据收集系统10130可以包括DAQ仪器10052或可以从包括传感器10060、传感器10062、传感器10064的传感器采集模拟信号的其它数据收集器。流数据收集系统10130可以包括长期/短期神经网络10132，其其可以与专家系统10080连接、集成或接口。在图116中，流数据收集系统10140可以包括DAQ仪器10052或可以从包括传感器10060、传感器10062、传感器10064的传感器采集模拟信号的其它数据收集器。流数据收集系统10140可以包括门控递归神经网络10142，其可以与专家系统10080连接、集成或接口。在图117中，流数据收集系统10150可以包括DAQ仪器10052或可以从包括传感器10060、传感器10062、传感器10064的传感器采集模拟信号的其它数据收集器。流数据收集系统10150可以包括可以与专家系统10080连接、集成或接口的自动编码器神经网络10152。在图118中，流数据收集系统10160可以包括DAQ仪器10052或可以从包括传感器10060、传感器10062、传感器10064的传感器采集模拟信号的其它数据收集器。流数据收集系统10160可以包括变分神经网络10162，其可以与专家系统10080连接、集成或接口。在图119中，流数据收集系统10170可以包括DAQ仪器10052或可以从包括传感器10060、传感器10062、传感器10064的传感器采集模拟信号的其它数据收集器。流数据收集系统10170可以包括去噪神经网络10172，其可以与专家系统10080连接、集成或接口。在图120中，流数据收集系统10180可以包括DAQ仪器10052或可以从包括传感器10060、传感器10062、传感器10064的传感器采集模拟信号的其它数据收集器。流数据收集系统10180可以包括稀疏神经网络10182，其可以与专家系统10080连接、集成或接口。在图121中，流数据收集系统10190可以包括DAQ仪器10052或可以从包括传感器10060、传感器10062、传感器10064的传感器采集模拟信号的其它数据收集器。流数据收集系统10190可以包括Markov链神经网络10182，其可以与专家系统10080连接、集成或接口。
在图122中，流数据收集系统10200可以包括DAQ仪器10052或可以从包括传感器10060、传感器10062、传感器10064的传感器采集模拟信号的其它数据收集器。流数据收集系统10200可以包括Hopfield神经网络10202，其可以与专家系统10080连接、集成或交互。在图123中，流数据收集系统10210可以包括DAQ仪器10052或可以从包括传感器10060、传感器10062、传感器10064的传感器采集模拟信号的其它数据收集器。流数据收集系统10210可以包括玻尔兹曼机器神经网络10212，其可以与专家系统10080连接、集成或接口。在图124中，流数据收集系统10220可以包括DAQ仪器10052或可以从包括传感器10060、传感器10062、传感器10064的传感器采集模拟信号的其它数据收集器。流数据收集系统10220可以包括可以受限BM神经网络10222，其可以与专家系统10080连接、集成或接口。在图125中，流数据收集系统10230可以包括DAQ仪器10052或可以从包括传感器10060、传感器10062、传感器10064的传感器采集模拟信号的其它数据收集器。流数据收集系统10230可以包括深信念神经网络10232，其可以与专家系统10080连接、集成或接口。在图126中，流数据收集系统10240可以包括DAQ仪器10052或可以从包括传感器10060、传感器10062、传感器10064的传感器采集模拟信号的其它数据收集器。流数据收集系统10240可以包括深度卷积神经网络10242，其可以与专家系统10080连接、集成或接口。在图127中，流数据收集系统10250可以包括DAQ仪器10052或可以从包括传感器10060、传感器10062、传感器10064的传感器采集模拟信号的其它数据收集器。流数据收集系统10250可以包括解卷积神经网络10242，其可以与专家系统10080连接、集成或交互。在图128中，流数据收集系统10260可以包括DAQ仪器10052或可以从包括传感器10060、传感器10062、传感器10064的传感器采集模拟信号的其它数据收集器。流数据收集系统10260可以包括深度卷积逆图形神经网络10262，其可以与专家系统10080连接、集成或接口。在图129中，流数据收集系统10270可以包括DAQ仪器10052或可以从包括传感器10060、传感器10062、传感器10064的传感器采集模拟信号的其它数据收集器。流数据收集系统10270可以包括生成对抗神经网络10272，其可以与专家系统10080连接、集成或接口。在图130中，流数据收集系统10280可以包括DAQ仪器10052或可以从包括传感器10060、传感器10062、传感器10064的传感器采集模拟信号的其它数据收集器。流数据收集系统10280可以包括液态机神经网络10282，其可以与专家系统10080连接、集成或接口。在图131中，流数据收集系统10290可以包括DAQ仪器10052或可以从包括传感器10060、传感器10062、传感器10064的传感器采集模拟信号的其它数据收集器。流数据收集系统10290可以包括极端学习机神经网络10292，其可以与专家系统10080连接、集成或接口。在图132中，流数据收集系统10300可以包括DAQ仪器10052或可以从包括传感器10060、传感器10062、传感器10064的传感器采集模拟信号的其它数据收集器。流数据收集系统10300可以包括回声状态神经网络10302，其可以与专家系统10080连接、集成或接口。在图133中，流数据收集系统10310可以包括DAQ仪器10052或可以从包括传感器10060、传感器10062、传感器10064的传感器采集模拟信号的其它数据收集器。流数据收集系统10310可以包括深度残余神经网络10312，其可以与专家系统10080连接、集成或接口。在图134中，流数据收集系统10320可以包括DAQ仪器10052或可以从包括传感器10060、传感器10062、传感器10064的传感器采集模拟信号的其它数据收集器。流数据收集系统10320可以包括Kohonen神经网络10322，其可以与专家系统10080连接、集成或接口。在图135中，流数据收集系统10330可以包括DAQ仪器10052或可以从包括传感器10060、传感器10062、传感器10064的传感器采集模拟信号的其它数据收集器。流数据收集系统10330可以包括支持矢量机神经网络10332，其可以与专家系统10080连接、集成或接口。在图136中，流数据收集系统10340可以包括DAQ仪器10052或可以从包括传感器10060、传感器10062、传感器10064的传感器采集模拟信号的其它数据收集器。流数据收集系统10340可以包括神经图灵机神经网络10342，其可以与专家系统10080连接、集成或接口。
在实施例中，工业机器传感器数据流传输动作，例如与本文所述的流数据收集器相关联的那些动作，可以包括数据收集过程，该数据收集过程有助于采用间隙为零或几乎为零的满足最小速率值的采样率来收集工业机器相关的数据。工业机器相关的数据可以从例如但不限于与工业机器一起部署的用于感测该机器的至少一个方面(例如运动部件的工作速率、结构部件和其它部件的振动速率等)的传感器中收集。在工业机器环境中以间隙为零或几乎为零的最小采样率执行数据收集的数据收集过程可以涉及在工业机器之内和之间配置数据收集路由资源，以适应以该采样率进行的不间断的数据收集。在实施例中，配置数据收集路由资源以实现零间隙性能可以包括配置物理上与具有足够的存储空间的数据收集器(例如，传感器)接近的数据收集器，以所需的采样率存储所需的数据量。在实施例中，配置数据收集路由资源以实现零间隙性能可以包括配置数据收集设备(例如，传感器和模数转换器等)，配置数据路由资源，例如网络设备，网络交换设备(例如，数据路由器，复用器等)，配置数据存储设备等，以确保获取并存储以最小采样率采样到的所有数据以备例如数据分析算法等将来参考。
在实施例中，零间隙数据收集过程可以涉及按照分辨率(例如，每个样本的位数)和长度(例如，样本数)以足够快的采样率(该采样率可以是奈奎斯特频率等的倍数)以不间断的方式收集数据，以支持产生存储在计算机可访问数据存储设施中的采样数据的至少一个未处理的输出流。在实施例中，这样的数据收集过程可以进一步包括处理已处理的流，例如，将采样数据处理成附加的输出流，以用于例如存储、显示、评估、交换、与专家系统、统计分析器的通信等目的。如本文所述的用于数据收集、数据路由等的方法和系统可以依赖于数据收集、路由、处理、存储、通信以及显示工业机器相关的资源的配置。
在实施例中，可以通过以足够高的采样率执行单个采样过程以适应所有处理需求来完成执行数据收集以支持未处理的和已处理的输出数据流。可以选择单个高频采样率，而不是以特定目的(例如，存储、显示、统计分析等)所需的多个频率执行顺序的数据收集事件。产生的传感器数据流可以被路由到可以执行例如下采样、原始数据存储、统计和其它分析等功能的工业机器数据处理资源。在示例中，原始传感器数据采样率可以是40kHz、100kHz或更高(在本文中称为“流传输率”)。可以根据该原始传感器数据采样速率下的采样分辨率和长度来定义采样输入流，以完成所需的分析。该原始传感器数据可以存储在计算机可访问存储器中。仅在需要时才通过仅访问存储的传感器数据并根据需要对其进行处理来进行数据处理。在实施例中，除了存储原始传感器数据之外，在采样过程中，以流传输速率为例，原始数据可以以小于流传输速率的任何速率被路由到数据分析(例如，统计)资源并由其进行处理。在示例中，流传输速率采样的原始数据可以被路由到数据分析设施，该数据分析设施将数据转换成较低频率(例如，500Hz)表示并执行可接受500Hz采样率的某些数据分析、显示等操作。同样，可以通过首先对原始数据进行下采样以得到与5kHz采样相当的结果，将流传输速率输入的传感器数据流路由到以5kHz进行数据分析的其它数据分析资源。通过以例如流传输速率等较高的速率执行单个数据收集事件，可以捕获进行广泛的分析、显示和参考操作所需的来自传感器的所有数据—基本上是任何需要采样率等于或小于流传输速率的数据，并将其(例如，在多个输出数据流中)直接提供给处理设施，同时将其存储以用于后续的的间接处理等。由于使用了通用的采样率，这种方法减少了对运行机器的影响，释放了其它类型的传感和例程的数据收集和路由带宽，并简化了数据收集设施的配置等。
在实施例中，以流采样速率进行零间隙信号捕获可以包括以流采样速率对信号进行采样，从而产生所述信号的多个采样。可以利用信号路由电路将所述信号的所述多个采样中的第一部分分配给第一信号分析电路，所述信号路由电路生成所述信号的所述多个采样的第一部分，所述第一部分基于小于所述流采样速率的第一信号分析采样速率。可以利用信号路由电路将所述信号的所述多个采样分配给第二信号分析电路，所述信号路由电路生成所述信号的所述多个采样的第二部分，所述第二部分基于小于所述流采样速率的第二信号分析采样速率。在实施例中，所述零间隙信号捕获还可以包括存储所述信号的所述多个采样、所述第一信号分析电路的输出和所述第二信号分析电路的输出。在实施例中，在所述存储的多个采样中的所述分配的第一部分和在所述存储的多个采样中的所述分配的第二部分被标记有引用所述对应存储信号分析输出的标记。
在实施例中，利用所述信号路由电路进行的分配包括基于所述信号分析采样速率与所述流传输采样速率的比值对多个样本进行集成。分配也可以包括基于所述信号分析采样速率与所述流传输采样速率的比值来选择所述信号的样本。在实施例中，所述流采样速率至少是所述信号主频率的两倍。
在实施例中，所述信号分析采样速率与所述流传输采样速率的比值确定所述第一信号分析电路和所述第二信号分析电路的所述输出的数据的补充二进制位数。当所述流传输采样速率是所述信号分析采样速率的至少两倍且小于所述信号分析采样速率的四倍时，所述补充二进制位数可以为1。当所述流传输采样速率是所述信号分析采样速率的至少四倍且小于所述信号分析采样速率的八倍时，所述补充二进制位数可以为2。
在实施例中，促进对工业机器的状况的零间隙信号感测的系统可以包括传感器，该传感器检测工业机器的状况，该传感器产生随时间变化且基本上对应于所述状况的信号。该系统也可以包括模数转换器，该模数转换器接收所述信号并以至少是所述信号的主频率的两部的流传输采样速率对所述信号进行采样，所述采样信号作为数据值序列从所述模数转换器输出。该系统还可以包括至少一个数字信号路由器，该数字信号路由器接收数据值序列和子采样率。在实施例中，所述子采样速率低于所述流传输采样速率，并且产生至少一个子采样的数据输出序列包括基于所述子采样速率以及所述流传输采样速率与所述子采样速率的比值中的至少一个从所述样本序列中选择样本。在实施例中，该系统还可以包括数据存储设施，该数据存储设施接收数据值序列和从所述子采样的输出序列导出的已分析的数据值集合。在实施例中，所述已分析的数据值集合与所述数据值序列相关联地存储，使得所述数据值序列中对应于所述子采样的输出序列的数据值被标记有引用所述对应的已分析的数据值集合的标记。
在实施例中，产生至少一个子采样的输出序列可以包括基于所述子采样速率与所述流传输采样速率的比值对所述数据值序列中的多个样本进行集成。此外，产生至少一个子采样的输出序列可以包括基于所述子采样速率与所述流传输采样速率的比值来选择所述信号的样本。在实施例中，所述流采样速率至少是所述信号主频率的两倍。
在实施例中，所述子采样速率与所述流传输采样速率的比值确定所述子采样的输出序列中的补充二进制位数。在实施例中，当所述流传输采样速率是所述子采样速率的至少两倍且小于所述子采样速率的四倍时，所述补充二进制位数为1，并且当所述流传输采样速率是所述子采样速率的至少四倍且小于所述子采样速率的八倍时，所述补充二进制位数为2位。
在实施例中，除了在针对固有频率远低于采样率的被采样的信号使用例如流传输速率等高采样率时提供对多个较低采样率的同时逻辑访问之外，产生的过采样还有效地提供收集的数据集中的采样信号的额外分辨率。随着过采样率相对于采样信号频率的增加，有效分辨率也随之增加。在实施例中，对于典型的每个样本16位的数据收集器，过采样因子为2会导致有效信号采样分辨率增加1位，从而有效地为每个样本提供17位信号信息。过采样因子为4会导致每个样本的分辨率增加2位。对于每增加一倍的采样率，将有效分辨率提高一位的一般规则可以用一个函数算法来表示：n＝Log(2)(O)，其中，O是过采样因子(1、2、4等)，“n”是分辨率的有效增加，作为每个样本有效获得的额外分辨率位的计数。
在实施例中，过采样进一步有利于准确地获得低频分量，同时减轻信号数据中样品诱导和分析诱导噪声的影响。以例如流传输速率等高采样率(每通道)进行的数据流传输通常允许使用高过采样率来实现高分辨率的低频率数据，例如，大约1倍的运行速度振动峰值、这些峰值和其它低频率峰值的相关低阶谐波。如上所述，这可以提供增加的幅度分辨率的额外好处，即，过采样因子增加N倍，则波形分辨率以相同的因子增加，其由每个样本的二进制位数的增加表示。附加二进制位的#可计算为：Nb＝LOG(2)(N)。在实施例中，产生低频1/f噪声(滑坡)的数字集成等信号处理技术可得益于有效增加的分辨率，因为通过过采样的分辨率的增加可大大降低噪声。由于流数据最常使用加速度计收集，因此通常需要对加速度计数据进行整合，以将原始加速度计数据转换为与严重度直接相关的单位。在实施例中，例如，对于被测量的信号中的模拟噪声低于有效A/D分辨率(例如，通过过采样增强的硬件的标准A/D分辨率)的情况，如本文所述的过采样是可行且实用的备选方案。
在实施例中，模数转换器可以具有16位或+/-15位的分辨率来测量+/-电压波形。与满量程相比，这样一个实施例提供了-90dB的分辨率。在一个例子中，测量的信号可以是5伏的峰值到峰值。如果不进行过采样，这种采样函数将产生约+/-153微伏(1.526x10^-4伏)的幅度分辨率。但是，使用过采样可以期望将其提高到-23dB或更高，从而将分辨率进一步提高到大约-113dB。当采用信号幅度处理以例如将满量程电压从5伏降低到例如10mV时，分辨率可以进一步提高5伏/10mV＝500＝54dB(大约)。例如通过归一化为1伏进行进一步的处理，以方便与5伏满量程信号进行比较：1伏/10mV＝40dB。因此，此改进是对以前的-113-40至-153dB的过采样分辨率的补充。这有效地导致了2.2x10^-8＝22纳伏的分辨率。
在实施例中，上述概念在相干信号中的应用在分辨率等方面产生了明显的改善。然而，可以在功率谱中呈现信号的噪声分量，以便于确定对所描述的噪声的测量分辨率的影响。
在实施例中，可以在硬件和硬件和软件的组合中执行通过过采样来提高分辨率的技术。所提出的算法可以在硬件组件(如定制、半定制和可编程阵列硬件设备等)中进行编码。可替换地，所提出的算法可以由专用处理资源、多用途计算设备等执行。在实施例中，算法的一些部分可以在硬件(例如，采样、降压等)和具有处理器的其它部分(例如，对数函数等)中执行。对于某些环境，例如当噪声(例如，电子感应的)防止信号与噪声分离以达到期望的分辨率时，硬件处理可能是优选的。在实施例中，可以通过以下两种技术中的至少一种改进硬件处理：(i)多通道数据集成；(ii)使用硬件滤波。在各实施例中，使用多通道数据集成器可以包括从至少2个通道收集数据，一个通道具有硬件集成，例如用于采样信号的低频部分，而另一个通道则没有硬件集成，例如用于采样信号的高频部分。在实施例中，硬件滤波的使用可以包括将来自一个通道的集成数据进行拼接，其中该通道已被低通滤波，而非集成数据已被高通滤波，使得该滤波器具有可用于帮助将数据拼接在一起的重叠滤波器衰减区域。
前述神经网络可以具有各种节点或神经元，其可以在输入时执行各种功能，例如从传感器或其它数据源(包括其它节点)接收的输入。功能可以涉及权重、特点、特点矢量等。神经元可以包括感知，模仿生物功能的神经元(例如人类的触觉，视觉，味觉，听觉和嗅觉)等。连续的神经元(例如具有S型激活)可以用于各种形式的神经网络的背景中，例如涉及反向传播的地方。
在许多实施例中，专家系统或神经网络可以被训练，例如由人类操作者或主管训练，或基于数据集，模型等进行训练。训练可以包括向神经网络呈现表示值的一个或多个训练数据集，例如传感器数据，事件数据，参数数据和其它类型的数据(包括在本公开中描述的许多类型)，以及一个或多个结果指标，例如过程的结果、计算的结果、事件的结果、活动的结果等。训练可以包括优化训练，例如训练神经网络以基于一种或多种优化方法优化一个或多个系统，例如Bayesian方法、参数Bays分类器方法、k-最近邻分类器方法、迭代方法、插值方法、Pareto优化方法、算法方法等。可以在变化和选择的过程中提供反馈，例如使用遗传算法，该遗传算法基于通过一系列轮次的反馈来演化一个或多个解决方案。
在实施例中，多个神经网络可以部署在云平台中，该云平台接收在一个或多个工业环境中收集的数据流和其它输入(例如通过移动数据收集器)且通过一个或多个传输到云平台。网络，包括使用网络编码来提供有效的传输。在云平台中，任选地使用大规模并行计算能力，可以使用多种类型的多个不同神经网络(包括模块形式，结构自适应形式，混合等)来进行预测、分类、控制功能，以及提供如结合本公开中公开的专家系统所描述的其它输出。可以构造不同的神经网络以彼此竞争(任选地包括使用进化算法、遗传算法等)，使得适当类型的神经网络具有适当的输入集、权重、节点类型和功能，等等，可以由专家系统选择用于给定上下文、工作流、环境过程、系统等中涉及的特定任务。
在实施例中，本文描述的涉及专家系统或自组织能力的方法和系统可以使用前馈神经网络，其在一个方向上移动信息，例如从数据输入，如位于或邻近工业机器的模拟传感器，通过一系列神经元或节点，移动到输出。数据可以从输入节点移动到输出节点，任选地通过一个或多个隐藏节点，而没有循环。在实施例中，前馈神经网络可以用各种类型的单元(例如二进制的McCulloch-Pitts神经元，其中最简单的是感知器)构造。
在实施例中，本文描述的涉及专家系统或自组织能力的方法和系统可以使用径向基础函数(radial basis function，简称RBF)神经网络，其在涉及多维空间中的插值的一些情况下可能是优选的(例如，插值有助于优化多维功能，例如优化如此处所述的数据市场，优化发电系统、工厂系统等的效率或输出，或涉及多个维度的其它情况)。在实施例中，RBF神经网络中的每个神经元将来自训练集中的示例存储为“原型”。涉及该神经网络的功能的线性为RBF提供通常不会遇到局部最小值或最大值的问题的优点。
在实施例中，本文描述的涉及专家系统或自组织能力的方法和系统可以使用径向基础函数(RBF)神经网络，例如采用相对于中心的距离标准(例如，高斯函数)的神经网络。可以应用径向基础函数作为多层感知器中的隐藏层(例如，S形隐藏层转移)的替代。RBF网络可以具有两个层，例如输入被映射到隐藏层中的每个RBF的情况。在实施例中，输出层可以包括隐藏层值的线性组合，其表示例如平均预测输出。输出层值可以提供与统计中的回归模型的输出相同或相似的输出。在分类问题中，输出层可以是隐藏层值的线性组合的S形函数，表示后验概率。两种情况下的性能通常通过收缩技术(例如经典统计中的岭回归)改善。这对应于Bayesian框架中对小参数值(因此平滑输出函数)的先验信念。RBF网络可以避免局部最小值，因为在学习过程中调整的唯一参数是从隐藏层到输出层的线性映射。线性确保误差表面是二次的，因此具有单个最小值。在回归问题中，这可以在一个矩阵运算中找到。在分类问题中，可以使用迭代重新加权最小二乘函数等来处理由S形输出函数引入的固定非线性。
RBF网络可以使用内核方法，例如支持向量机(SVM)和高斯进程(其中RBF是内核函数)。可以使用非线性核函数将输入数据投影到可以使用线性模型解决学习问题的空间中。
在实施例中，RBF神经网络可以包括输入层、隐藏层和求和层。在输入层中，针对每个预测变量在输入层中出现一个神经元。在分类变量的情况下，使用N-1个神经元，其中N是类别的数量。在实施例中，输入神经元可以通过减去中值并除以四分位数间距来标准化值范围。然后，输入神经元可以将值反馈到隐藏层中的每个神经元。在隐藏层中可以使用可变数量的神经元(由训练过程确定)。每个神经元可以由径向基础函数组成，该函数以具有与多个预测变量一样多的维度的点为中心。对于每个维度，RBF函数的扩展(例如，半径)可以是不同的。中心和扩展可以通过训练来确定。当呈现出来自输入层的输入值的向量时，隐藏的神经元可以计算出测试用例与神经元中心点的欧几里得距离，然后例如使用扩展值将RBF核函数应用于该距离。然后可以将所得值传递到求和层。在求和层中，来自隐藏层中的神经元的值可以乘以与神经元相关联的权重，且可以添加到其它神经元的加权值。这个总和成为输出。对于分类问题，为每个目标类别生成一个输出(具有单独的权重集和求和单元)。类别的值输出是被评估的情况具有该类别的概率。在RBF的训练中，可以确定各种参数，例如隐藏层中的神经元的数量，每个隐藏层函数的中心的坐标，每个维度中的每个函数的扩展，以及当它们传递到求和层时应用于输出的权重。训练可以通过聚类算法(例如k均值聚类)，通过进化方法等来使用。
在实施例中，递归神经网络可以具有时变的实值(不仅仅是0或1)激活(输出)。每个连接可具有可修改的实值权重。一些节点称为标记节点、一些输出节点和其它隐藏节点。对于离散时间设置中的监督学习，实值输入矢量的训练序列可以成为输入节点的激活序列，一次一个输入矢量。在每个时间步长，每个非输入单元可以将其当前激活计算为其接收连接的所有单元的激活的加权和的非线性函数。系统可以在某些时间步长明确激活(独立于输入信号)某些输出单元。
在实施例中，本文描述的涉及专家系统或自组织能力的方法和系统可以使用自组织神经网络，例如Kohonen自组织神经网络，例如用于数据视图的可视化，例如作为高维数据的低维视图。自组织神经网络可以将竞争学习应用于一组输入数据，例如来自一个或多个传感器或来自工业机器或与工业机器相关联的其它数据输入。在实施例中，自组织神经网络可用于识别数据中的结构，所述数据为例如未标记的数据，例如从工业环境中的一系列振动、声学或其它模拟传感器感测的数据，其中数据源是未知的(例如振动可能来自任何一系列未知来源)。自组织神经网络可以组织数据中的结构或模式，使得它们可以被识别、分析和标记，例如识别对应于由地板移动引起的振动的结构，或由稍微遥远的机器的轴的高频旋转产生的声信号。
在实施例中，本文描述的涉及专家系统或自组织能力的方法和系统可以使用递归神经网络，其可以允许数据的双向流动，例如在连接的单元(例如，神经元或节点)形成有向循环的情况下。这样的网络可以用于建模或表现出动态时间行为，例如涉及动态系统的那些，包括贯穿本公开描述的各种工业机器和设备，例如在具有可变输入的条件中在可变速度或频率下运行的发电机、机器人制造系统、精炼系统等，其中动态系统行为涉及操作者可能希望理解、预测、控制和/或优化的复杂交互。例如，递归神经网络可用于预测工业机器的状态(例如维护状态、故障状态、运行状态等)，例如执行动态过程或动作的工业机器。在实施例中，递归神经网络可以使用内部存储器来处理输入序列，例如来自本文描述的各种类型的其它节点和/或来自工业环境的传感器和其它数据输入。在实施例中，递归神经网络还可以用于模式识别，例如用于基于声音特征、热特征、图像中的一组特征矢量、化学特征等来识别工业机器。在非限制性示例中，通过学习将来自由来自三轴振动传感器和/或应用于一个或多个这种机器的声学传感器的数据流组成的训练数据集的偏移，递归神经网络可以识别涡轮、发电机、电机、压缩机等的运行模式的转换(例如换档)。
在实施例中，本文描述的涉及专家系统或自组织能力的方法和系统可以使用模块化神经网络，其可以包括由媒介调整的一系列独立神经网络(例如本文所述的各种类型的神经网络)。模块化神经网络中的每个独立神经网络可以与单独的输入一起工作，完成构成整个模块化网络要执行的任务的子任务。例如，模块化神经网络可以包括用于模式识别的递归神经网络，例如识别被提供作为模块化网络的输入通道的一个或多个传感器正在感测什么类型的工业机器以及用于一旦理解，优化机器的行为的RBF神经网络。媒介可以接受每个单独神经网络的输入，处理它们，并为模块化神经网络创建输出，例如适当的控制参数、状况预测等。
本公开中包含本文所描述的各种神经网络类型的任意两个、三个之间的组合或更多组合。这可以包括如下组合，其中专家系统使用一种用于识别模式(例如，指示问题或故障情况的模式)的神经网络和使用用于基于所识别的模式自组织活动或工作流程(例如响应所识别的条件或模式，提供管理系统自主控制的输出)的不同的神经网络。这还可以包括如下组合，其中专家系统使用一种用于对项目进行分类(例如，识别机器、部件或运行模式)的神经网络和一种用于预测项目的状况(例如，故障状况、操作状况、预期状况、维修状况等)的不同神经网络。模块化神经网络还可以包括如下状况，其中专家系统使用一种用于确定状况或上下文(例如机器、过程、工作流程、市场、存储系统、网络、数据收集器等的状况)的神经网络和一种用于自组织一个涉及状况或上下文的过程(例如，数据存储过程、网络编码过程、网络选择过程、数据市场过程、发电过程、制造过程、精炼过程、挖掘过程、镗孔过程或本文描述的其它过程)的不同的神经网络。
在实施例中，本文描述的涉及专家系统或自组织能力的方法和系统可以使用物理神经网络，在物理神经网络中，可使用一个或多个硬件元素来执行或模拟神经行为。在实施例中，一个或多个硬件神经元可以被配置成流出表示模拟振动传感器数据电压值的电压值，以根据表示声学的、振动或其它数据的模拟传感器输入计算速度信息，和根据表示声学的、振动或其它数据等的传感器输入计算加速度信息。一个或多个硬件节点可以被配置成流出由神经网络的活动产生的输出数据。硬件节点可包括一个或多个芯片、微处理器、集成电路、可编程逻辑控制器、专用集成电路、现场可编程门阵列等，可供优化速度、输入/输出效率、能量效率、信噪比，或本文描述的任何类型的神经网络的某些部分的其它参数。硬件节点可包括用于计算加速度的硬件(例如，用于对输入数据进行基本的或更复杂的计算以提供输出的专用处理器、用于过滤或压缩数据的专用处理器、用于解压缩数据的专用处理器、用于压缩特定文件或数据类型的专用处理器(例如，用于处理图像数据、视频流、声学信号、振动数据、热图像、热图等)。物理神经网络可以体现在数据收集器中，例如本文描述的移动数据收集器，包括通过以变化配置切换或路由安排输入而重新配置的神经网络，以例如在数据收集器中提供不同的神经网络配置，用于处理不同类型的输入(切换和配置可选地在专家系统的控制下，专家系统可包括位于数据收集器上或远离数据收集器的基于软件的神经网络)。物理的或至少部分物理的神经网络可以包括位于存储系统中的物理硬件节点，以例如用于在工业机器或工业环境内存储数据，以例如加速一个或多个存储元件的输入/输出功能，所述存储元件向神经网络提供数据或从神经网络获取数据。物理的或至少部分物理的神经网络可以包括位于网络中的物理硬件节点，以例如用于在工业环境内、向工业环境或从工业环境中传输数据，以例如用于加速网络中的一个或多个网络节点的输入/输出功能，加速中继功能等。在物理神经网络的实施例中，电可调电阻材料可用于模拟神经突触的功能。在实施例中，物理硬件模拟神经元，软件模拟神经元之间的神经网络。在实施例中，神经网络补充常规算法计算机。它们是多用途的，可以在不需要任何指令的情况下被训练来执行适当的功能，例如分类功能、优化功能、模式识别功能、控制功能、选择功能、评估功能等。
在实施例中，本文描述的涉及专家系统或自组织能力的方法和系统可以使用多层前馈神经网络，例如用于一个或多个项目、现象、模式、状况等的复杂模式分类。在实施例中，多层前馈神经网络可以通过诸如遗传算法之类的优化技术来训练，以例如勘探大而复杂的选项空间，以找到最优的或接近最优的全局解。例如，可以使用一个或多个遗传算法来训练多层前馈神经网络以分类复杂现象，以例如识别工业机器的复杂运行模式，例如包含机器之间的复杂交互模式(包括干扰效应、共振效应等)，包含非线性现象的模式，例如可变速轴的影响，这可能会导致振动和其它信号分析变得困难，包含严重故障的模式，例如多个并发故障发生，使得根本原因分析变得困难，以及其它。在实施例中，多层前馈神经网络可用于对工业机器的超声波监测或声学监测结果进行分类，例如监测壳体内的内部部件，例如电机部件、泵、阀、流体处理部件，和许多其它的，如在制冷系统、精炼系统、反应器系统、催化系统等中的部件。
在实施例中，本文描述的涉及专家系统或自组织能力的方法和系统可以使用前馈、反向传播多层感知机(multi-layer perceptron，简称MLP)神经网络，例如用于处理一个或多个遥感应用，例如用于从分布在各种工业环境中的传感器接收输入。在实施例中，MLP神经网络可以用于物理环境的分类，例如采矿环境、勘探环境、钻井环境等，包括地质结构(包括地下特征和地上特征)的分类、材料(包括流体、矿物、金属等)的分类和其它问题。这可以包括模糊分类。
在实施例中，本文描述的涉及专家系统或自组织能力的方法和系统可以使用结构适配神经网络，其中神经网络的结构是基于例如规则、感测的条件、环境参数等而被适配的。例如，如果神经网络没有对解收敛，例如对项目分类或到达预测，当在一定量的训练之后作用于一组输入时，通过例如将一些子集节点之间的数据路径从单向数据路径切换到双向数据路径，神经网络可例如从前馈神经网络被修改到递归神经网络。可以在专家系统的控制下出现结构适配，以例如在触发、规则或事件出现的情况下触发适配，例如识别阈值的出现(例如在给定的时间内没有对解收敛)或识别需要不同的或附加的结构的现象(例如识别出系统正在动态变化或以非线性方式变化)。在一个非限制性示例中，在接收到无级变速器正被用于驱动正在分析的系统中的发电机、涡轮机等的指示后，专家系统可以在接收连续指示的情况下从简单的神经网络结构如前馈神经网络，切换到更复杂的神经网络结构如递归神经网络、卷积神经网络等。
在实施例中，本文描述的涉及专家系统或自组织能力的方法和系统可以使用自动编码器、自动连接器或Diabolo神经网络，其可以类似于多层感知机(MLP)神经网络，例如，其中可能存在输入层、输出层和连接它们的一个或多个隐藏层。然而，自动编码器中的输出层可以具有与输入层相同数量的单元，其中MLP神经网络的目的是重构它自己的输入(而不仅仅是发射目标值)。因此，自动编码器可以作为无监督学习模型来操作。例如，自动编码器可以用于高效编码的无监督学习，例如用于降维，用于学习数据的生成模型等。在实施例中，自编码神经网络可以用于自学习高效网络编码，用于通过一个或多个网络传输来自工业机器的模拟传感器数据。在实施例中，自编码神经网络可以用于自学习高效存储方法，用于存储来自的工业环境中的模拟传感器数据流。
在实施例中，本文描述的涉及专家系统或自组织能力的方法和系统可以使用概率神经网络(probabilistic neural network，简称PNN)，其在实施例中可以包括多层(例如，四层)前馈神经网络，其中，层可以包括输入层、隐藏层、模式/求和层和输出层。在PNN算法的一个实施例中，每个类的母概率分布函数(probability distribution function，简称PDF)可以近似于例如Parzen窗函数和/或非参数函数。然后，使用每个类的PDF，估测新输入的类概率，并且可以采用贝叶斯规则，以例如将其分配给具有最高后验概率的类。PNN可以包含贝叶斯网络，并且可以使用统计算法或分析技术，例如核Fisher判别分析技术。PNN可用于本文公开的大范围实施例的任一个中的分类和模式识别。在一个非限制性示例中，概率神经网络可以用于基于发动机的传感器和仪器的数据输入收集来预测发动机的故障情况。
在实施例中，本文描述的涉及专家系统或自组织能力的方法和系统可以使用时延神经网络(time delay neural network，简称TDNN)，其可以包括用于序列数据的前馈架构，该前馈架构识别与序列位置无关的特征。在实施例中，为了考虑数据中的时间偏移，将延迟添加到一个或多个输入，或一个或多个节点之间，使得多个数据点(从不同的时间点)一起被分析。时延神经网络可使用例如感知器网络形成更大的模式识别系统的一部分。在实施例中，可以利用监督学习来训练TDDNN，例如，利用反向传播或在反馈下训练连接权重。在实施例中，TDNN可用于处理来自不同流的传感器数据，例如速度数据流、加速度数据流、温度数据流、压力数据流等，其中时延被用于将数据流及时对准，以例如帮助理解涉及对各种流的了解的模式(例如，当在工业机器过热时发生压力和加速度的增加)。
在实施例中，本文描述的涉及专家系统或自组织能力的方法和系统可以使用卷积神经网络(在某些情况下被称为CNN、ConvNet、平移不变的神经网络或空间不变的神经网络)。在实施例中，单元以类似于人脑视觉皮层的模式连接。神经元可以响应于在受限制的空间区域(被称为感受场)中的刺激。感受场可以部分重叠，使得它们共同覆盖整个(例如，视觉)场。节点响应可以通过例如卷积运算，使用例如用最小预处理的多层感知器进行数学计算。卷积神经网络可以用于图像和视频流中的识别，例如，使用设置在例如无人机或移动机器人上的移动数据收集器上的摄像机系统，识别大环境中的机器类型。在实施例中，卷积神经网络可以用于提供基于数据输入的推荐，包括传感器输入和其它上下文信息，例如推荐用于移动数据收集器的路由。在实施例中，卷积神经网络可以用于处理输入，例如用于由在环境中的工作流中涉及的一个或多个参与方提供的指令的自然语言处理。在实施例中，卷积神经网络可以用大量的神经元(例如，100000、500000或更多)，多个(例如，4、5、6或更多)层，以及许多(例如，数百万个)参数部署。卷积神经网络可以使用一个或多个卷积网。
在实施例中，本文描述的涉及专家系统或自组织能力的方法和系统可以使用调控回授网络，来例如用于识别出现的现象(例如在工业环境中以前没有理解的新类型的故障)。
在实施例中，本文描述的涉及专家系统或自组织能力的方法和系统可以使用自组织映射(SOM)，涉及无监督学习。一组神经元可以学习将输入空间中的点映射到输出空间中的坐标。输入空间可以具有来自输出空间的不同的维度和拓扑，并且SOM可以保存这些维度和拓扑，同时将现象映射成组。
在实施例中，本文描述的涉及专家系统或自组织能力的方法和系统可以使用学习矢量量化(LVQ)神经网络。类的原型代表可以在基于距离的分类方案中，连同适当的距离测度一起参数化。
在实施例中，本文描述的涉及专家系统或自组织能力的方法和系统可以使用回声状态网络(echo state network，简称ESN)，其可以包括具有稀疏连接的随机隐藏层的递归神经网络。输出神经元的权重可以改变(例如，权重可以基于反馈来训练)。在实施例中，ESN可用于处理时间序列模式，例如，在一个示例中，识别与工业涡轮机、发电机等中的齿轮变速相关联的事件的模式。
在实施例中，本文描述的涉及专家系统或自组织能力的方法和系统可以使用双向递归神经网络(bi-directional,recurrent neural network，简称BRNN)，例如使用值(例如来自传感器的电压值)的有限序列，以基于每个元素的过去的和将来的上下文预测或标记该序列的该元素。这可以通过添加两个RNNs的输出来完成，例如一个从左到右处理序列，另一个从右到左处理序列。合并的输出是对目标信号的预测，例如由教师或监督者提供的目标信号。双向RNN可以与长短期记忆RNN相结合。
在实施例中，本文所描述的涉及专家系统或自组织能力的方法和系统可以使用分层RNN，该分层RNN以各种方式连接元素以分解分层行为，例如，将其分解为有用的子程序。在实施例中，分层RNN可用于管理用于工业环境中进行数据收集的一个或多个分层模板。
在实施例中，本文描述的涉及专家系统或自组织能力的方法和系统可以使用随机神经网络，该随机神经网络可以引入随机变体到网络中。这种随机变异可以被看作是一种统计抽样的形式，例如蒙特卡洛抽样。
在实施例中，本文描述的涉及专家系统或自组织能力的方法和系统可以使用遗传尺度递归神经网络。在这样的实施例中，使用RNN(通常是LSTM)，其中将序列分解为多个尺度，其中每个尺度指示两个连续点之间的主要长度。一阶尺度由一个法线RNN组成，二阶尺度由所有通过两个指数分隔的点组成，等等。N阶RNN连接第一个节点和最后一个节点。来自所有不同尺度的输出可以被视为成员委员会，并且相关联的分数可以用于下一次迭代的遗传使用。
在实施例中，本文描述的涉及专家系统或自组织能力的方法和系统可以使用机器委员会(committee of machines，简称CoM)，包括一起对给定的示例“投票”的不同的神经网络的集合。由于神经网络可能遭受局部极小化，从相同的架构和训练开始，但是使用随机不同的初始权重常常给出不同的结果。CoM趋向于稳定结果。
在实施例中，本文描述的涉及专家系统或自组织能力的方法和系统可以使用联想神经网络(associative neural network，简称ASNN)，例如涉及对将多个前馈神经网络和k最近邻技术进行组合的机器委员会的扩展。在KNN的分析案例中，可以使用集成响应之间的相关性作为距离的度量。这纠正了神经网络集成的偏差。联想神经网络可以具有与训练集重合的记忆。如果新的数据变得可用，网络立即提高其预测能力，并提供数据估计(自学习)，而不进行再培训。ASNN的另一个重要特征是，通过分析模型空间中的数据实例之间的相关性来解译神经网络结果是可行的。
在实施例中，本文描述的涉及专家系统或自组织能力的方法和系统可以使用即时训练的神经网络(instantaneously trained neural network，简称ITNN)，其中隐藏层和输出层的权重直接从训练矢量数据中映射。
在实施例中，本文描述的涉及专家系统或自组织能力的方法和系统可以使用尖峰神经网络(spiking neural network，简称SNN)，其可以明确地考虑输入的时间。网络输入和输出可以表示为一系列尖峰(例如脉冲函数或更复杂的形状)。SNN可以处理时域中的信息(例如，随时间变化的信号，例如涉及工业机器的动态行为的信号)。它们通常作为递归网络实现。
在实施例中，本文描述的涉及专家系统或自组织能力的方法和系统可以使用动态神经网络，该动态神经网络处理非线性多变量行为，并且包括学习与时间有关的行为，例如瞬态现象和延迟效应。瞬态可以包括使工业部件偏移的行为，例如旋转轴或其它旋转部件的可变速度。
在实施例中，级联相关可以用作架构和监督学习算法，补充固定拓扑网络中权重的调整。级联关联可以从最小的网络开始，然后自动训练并逐个添加新的隐藏单元，从而创建多层结构。一旦一个新的隐藏单元被添加到网络中，它的输入侧权重可以被冻结。然后，该单元成为网络中的永久性特征检测器，可用于产生输出或用于创建其它更复杂的特征检测器。级联相关架构可以快速学习，确定其自身的大小和拓扑结构，并且即使训练集改变并且不需要反向传播，也保留其所构建的结构。
在实施例中，本文描述的涉及专家系统或自组织能力的方法和系统可以使用神经模糊网络，例如涉及人工神经网络的主体中的模糊推理系统。取决于类型，若干层可以模拟模糊推理所涉及的过程，例如模糊化、推理、聚合和去模糊化。将模糊系统嵌入到神经网络的一般结构中，作为使用可用训练方法的益处，以找到模糊系统的参数。
在实施例中，本文描述的涉及专家系统或自组织能力的方法和系统可以使用复合模式生成网络(compositional pattern-producing network，简称CPPN)，例如联想神经网络(ANN)的变体，其不同于激活函数的集合以及它们的应用方式。虽然典型的ANN通常只包含sigmoid函数(有时还有高斯函数)，但CPPN可以包括这两种类型的函数以及许多其它函数。此外，CPPN可以应用于可能输入的整个空间，从而它们可以表示完整的图像。由于它们是函数的组合，因此CPPN实际上以无限分辨率编码图像，并且可以在无论分辨率是不是最优的情况下对特定显示进行采样。
这种类型的网络可以在不进行再训练的情况下添加新的模式。在实施例中，本文描述的涉及专家系统或自组织能力的方法和系统例如可以通过创建特定的记忆结构使用一次性联想记忆网络，该特定的记忆结构使用相邻连接的分层阵列将每个新模式分配给正交平面。
在实施例中，本文描述的涉及专家系统或自组织能力的方法和系统可以使用分层时间记忆(hierarchical temporal memory，简称HTM)神经网络，例如涉及新皮层的结构性质和算法性质。HTM可以使用基于记忆预测理论的仿生模型。HTM可以用来发现和推断观察到的输入模式和序列的高层次原因。
在实施例中，本文描述的涉及专家系统或自组织能力的方法和系统可以使用全息联想记忆(holographic associative memory，简称HAM)神经网络，该神经网络可以包括模拟、基于相关性、联想、刺激响应系统。信息可以映射到复数的相位定向上。该记忆对联想记忆任务、泛化和具有可变注意的模式识别是有效的。
在实施例中，涉及网络编码的各种实施例可用于，例如在节点位于工业环境中的一个或多个数据收集器或机器中的情况下，编码在神经网络中的网络节点之间的传输数据。
在实施例中，方法和系统包括一种用于在工业环境中处理从传感器收集的多个输入的专家系统。一种示例性系统包括一种模块化神经网络，其中专家系统在工业环境中使用一种类型的神经网络来识别模式和使用一种不同的神经网络来自组织活动。在实施例中，该模式指示机器的故障情况。在实施例中，自组织活动管理环境中的系统的自主控制。在实施例中，专家系统至少部分地基于识别的模式组织活动。
在实施例中，方法和系统包括一种用于在工业环境中处理从传感器收集的多个输入的专家系统。一种示例性系统包括一种模块化神经网络，其中专家系统使用一种神经网络来对项目进行分类和使用一种不同的神经网络来预测项目的状况。在实施例中，对项目进行分类包括识别环境中的机器、部件和机器的运行模式中的至少一种。在实施例中，预测状况包括预测故障状况、运行状况、预期状况和维修状况中的至少一种。
在实施例中，方法和系统包括一种用于在工业环境中处理从传感器收集的多个输入的专家系统。一种示例性系统包括一种模块化神经网络，其中专家系统使用一种神经网络来确定状况和背景中的至少一种，并且使用一种不同的神经网络来自组织涉及状况和背景中的至少一种的过程。在实施例中，状况和背景包括机器、过程、工作流程、市场、存储系统、网络和数据收集器的状况中的至少一种。在实施例中，自组织过程包括数据存储过程、网络编码过程、网络选择过程、数据市场过程、发电过程、制造过程、精炼过程、挖掘过程和镗孔过程中的至少一个。
一种用于在工业环境中处理从传感器收集的多个输入的专家系统，包括：模块化神经网络，其包括从由以下各项组成的组中选择的至少两个神经网络：前馈神经网络、径向基础函数神经网络、自组织神经网络、Kohonen自组织神经网络、递归神经网络、模块化神经网络、人工神经网络、物理神经网络、多层神经网络、卷积神经网络、神经网络与其它专家系统的混合、自动编码器神经网络，概率神经网络、时滞神经网络、卷积神经网络、调控回授神经网络、径向基础函数神经网络、递归神经网络、Hopfield神经网络、Boltzmann机器神经网络、自组织映射(SOM)神经网络、学习矢量量化(LVQ)神经网络、全递归神经网络、简单递归神经网络、回波状态神经网络、长期短期记忆神经网络、双向神经网络、分层神经网络、随机神经网络、遗传尺度RNN神经网络、机器神经网络委员会、联想神经网络、物理神经网络、瞬时训练神经网络、尖峰神经网络、新认知神经网络、动态神经网络、级联神经网络、神经模糊神经网络、组合模式生成神经网络、记忆神经网络、分层时间记忆神经网络、深度前馈神经网络、门控递归单元(GRU)神经网络、自动编码器神经网络、变分自动编码器神经网络、去噪自动编码器神经网络、稀疏自动编码器神经网络、Markov链神经网络、受限Boltzmann机器神经网络、深度信念神经网络、深度卷积神经网络、解卷积神经网络、深度卷积逆图形神经网络、生成对抗神经网络、液态机神经网络、极端学习机神经网络、回波状态神经网络、深度残差神经网络、支持矢量机神经网络、神经图灵机神经网络和全息联想记忆神经网络。
在实施例中，方法和系统包括在工业环境中收集数据。一种示例性系统包括体现在移动数据收集器中的物理神经网络。在实施例中，所述移动数据收集器适于通过以不同的配置来路由输入而被重新配置，以便在所述数据收集器内使能不同的神经网配置以处理不同类型的输入。在实施例中，该重新配置可以在专家系统的控制下发生。在实施例中，专家系统包括基于软件的神经网络。在实施例中，基于软件的系统位于数据收集器上。在实施例中，基于软件的系统的位置远离数据收集器。
在实施例中，方法和系统包括处理从工业环境中收集的数据。一种示例性系统包括部署在云平台中的多个神经网络，该云平台接收从一个或多个工业环境收集的并通过一个或多个网络传输到云平台的数据流和其它输入。在实施例中，神经网络具有不同的类型。在实施例中，多个神经网络包括至少一个模块化神经网络。在实施例中，多个神经网络包括至少一个结构适配神经网络。在实施例中，神经网络被构造成例如通过处理来自同一工业环境的输入数据集以提供输出并将输出与至少一个成功度量进行比较，以在专家系统的控制下相互竞争。在实施例中，使用遗传算法来促进竞争神经网络的变形和选择。在实施例中，成功度量包括以下措施中的至少一项：预测精度的度量、分类精度的度量、效率度量、利润度量、维护措施、安全度量和收益度量。
在实施例中，示例性系统包括用于编码神经网络中的网络节点之间的数据传输的网络编码系统。在实施例中，所述节点包括工业环境中的一个或多个数据收集器中、一个或多个存储系统和一个或多个网络设备中的至少一个中的硬件装置。
在数据采集中，工业物联网的监测和控制环境依赖于大型的、不同种类的传感器设置，这使得传感器数据收集的有效设置和及时变化成为一个挑战。考虑到大量的传感器和有限的资源，例如有限的电能的可用性和有限的数据收集和管理设施，包括在传感器数据收集设备、输入/输出接口、数据传输设施、数据存储、数据分析设施等的可用性和性能方面的各种限制，从所有传感器连续收集可能是不可能的。因此，在任何给定时间收集的传感器的数量必须以智能但及时的方式受到限制，无论是在设置初始收集时还是在收集过程中，包括基于系统的状况、操作情况(例如报警情况、运行模式的改变等)等的改变来处理对目前收集方案的快速改变。因此，本文所公开的方法和系统的实施例可以包括用于路由收集器的快速路由创建和修改，例如利用分层模板、执行智能路由改变、监测和响应操作情况的改变，等等。
在实施例中，用于在工业环境中进行数据收集的快速路由创建和修改可以利用分层模板。模板可以用来利用“类似”的机器，这种机器可使用相同的分层传感器路由方案。例如，在可以收集数据的许多可能类型的机器中，某类电机的成员，例如步进电机类，可能具有非常相似的传感器路由需求，例如对日常操作、日常维修和故障模式检测的需求，这可在传感器收集例程的普通分层结构中进行描述。然后，安装新步进电机的用户可以使用新电机的“步进电机分层路由模板”。安装后，步进电机分层路由模板可接着用于改变路由方案以改变条件。用户可以按照独特的电机功能、应用、环境、模式等需要，对模板可选地做出调整。使用模板来部署路由方案极大地减少了用户为新电机配置路由方案所需的时间，或者在使用传统传感器收集方法的现有系统上部署新的路由技术。一旦分层路由模板就位，传感器收集例程可以基于模板快速变化，从而允许在变化的条件下快速修改路由，例如：步进电机的运行模式的变化需要不同传感器子集进行监测，限制报警或故障指示需要在诊断问题时使用更集中的传感器子集，等等。因此，分层路由模板允许快速部署传感器路由配置，以及允许感测的工业环境随着条件的变化而动态改变。
路由模板的功能分层可包括组件、机器、系统、工业环境等的不同分层配置，包括所有传感器和由所有传感器的子集形成的多个配置。在系统级别上，“所有传感器”配置可以包括：到系统中的所有传感器的连接映射、到所有机载仪器传感器(例如，在机器或机器组中进行报告的监测点)的映射、到环境传感器(例如，机器/设备周围的监测点，但不一定是机载的)的映射、到数据收集器上的可用传感器(例如，可以灵活地为不同类型的特定数据提供的数据收集器)的映射、组合不同单个映射的统一映射等。可以提供路由配置，以例如指示如何实现操作路由方案、预定的维修路由方案(例如，从不在运行模式但是分布在系统上的更大的整体传感器集处收集，或从特定组件、功能和模式的聚焦传感器集处收集)、针对不同失效模式分析(例如，对于电机、一个失效模式可能是针对轴承的，另一个是针对启动转速-转矩，其中基于故障模式需要不同子集的传感器数据，例如在运行或维修过程中读取到的异常读数中检测到的)的多个聚焦传感器收集组的一个或多个故障模式路由方案、节电(例如，因天气条件需要降低电工厂电力)，等等。
如上所述，分层模板也有条件(例如，基于规则)，例如基于参数具有条件路由的模板，例如在第一收集周期期间感测的数据，其中后续的路由配置是变化的。在层级结构中，图或树中的节点可以指示叉，通过叉可以使用条件逻辑，以例如为给定的运行模式选择给定的传感器子集。因此，分层模板可以与基于规则或基于模型的专家系统相关联，该系统可以基于分层模板和基于观察到的条件，例如基于机器的类型及其操作状况、环境上下文等等，促进自动路由。在非限制性示例中，分层模板可以在适当的位置具有初始集合配置和条件层次结构，以便根据初始传感器集合感测的条件从初始集合配置切换到第二集合配置。继续这个例子，在各种可能的机器中，传送系统可以具有多个在初始集合中收集的传感器，但是一旦第一数据被收集和分析，如果输送机被确定为处于空闲状况(例如由于运动传感器上没有高于最小阈值的信号)，然后系统可以切换到适合于输送机的闲置状况的传感器数据收集机制(例如，使用多个传感器的非常小的子集，例如仅使用运动传感器来检测从空闲状况离开，在这一点上，可以恢复原来的状况，并且可以将传感器组的其余部分重新接合。因此，当传感器数据的收集检测到状况、运行模式、环境情况等改变的条件时，传感器数据收集可以切换到适当的配置。
一个收集器的分层模板可以基于与其它收集器的路由协调。例如，一个收集器可能被设置为执行振动分析，而另一个收集器被设置为在一组类似机器中的每台机器上执行压力或温度，而不是使每个机器采集每个机器上的所有数据，否则可能需要对每个机器的每个收集器设置不同的传感器类型。诸如采样所需的时间、设置给定传感器所需的时间、所消耗的功率量、可用于整体收集的时间、传感器和/或收集器的输入/输出的数据速率、可用于传输收集到的数据的信道(有线或无线)带宽等等因素，可在安排两个或多个收集器的路由的协调时考虑进去，这样可以进行各种并行和串行配置，以实现整体的有效性。这可以包括使用专家系统优化协调，例如基于规则的优化、基于模型的优化或使用机器学习的优化。
机器学习系统可以创建用于改进的路由的分层模板结构，例如用于教导系统默认操作条件(例如，正常运行模式、系统上线和平均生产)、峰值运行模式(最大能力)、减速生产，等等。机器学习系统可以基于监测情况创建新的分层模板，例如基于生产水平配置的模板、生产配置的速率、检测到的故障模式模式分析等。创建模板的新的机器学习应用可以基于当前生产条件和机器学习模板条件之间的模式匹配(例如，机器学习系统为新的生产配置创建新模板，并且无论什么时候检测到新的配置都应用该新模板)。
可以使用一个或多个分层路由模板来启用快速路由创建，例如当路由模板针对不同条件预先建立路由方案时，以及当触发事件执行传感器路由方案中的改变以适应条件时。在实施例中，触发事件可以是以下内容：基于触发的在路由中的自动改变，该触发指示可能的故障模式，该故障模式促使路由方案中的改变从操作到故障模式分析；基于接收的传感器数据的路由方案中的人执行的改变；基于当触发改变时机器学习的学习到的路由改变(例如，基于由一组人执行的或人监督的改变提供的机器)；手动路由改变(例如，可选的自动的/快速自动改变)；基于观察的设备性能的人执行的改变；等等。路由改变可以包括：从运行模式转变为加速维修、故障模式分析、节电模式、高性能/高输出模式(例如，用于发电设备中的峰值功率)，等等。
可以基于与终端设备传感器的连通性执行交换分层模板配置。在高度自动化的收集路由环境中(例如，室内网络组装厂)，不同的路由收集配置可用于固定的和灵活的工业布局。在一个固定的工业布局中，例如在终端设备传感器、自动收集器和网络之间具有高度有线连接的布局中，对于网络路由层级部分、传感器-离子层级部分、存储部分等而言，可以存在不同的路由配置。对于在终端设备、自动化的收集器和网络之间具有各种有线和无线连接的更灵活的工业的布局，可能有不同的方案。例如，中等自动化的收集路由环境可能包括：自动收集和定期的网络连接；用于定期收集的机器人携带的收集器(例如，地面机器人、无人机、水下设备、具有网络连接的机器人、具有间歇网络连接的机器人、定期上传收集的机器人)；具有定期收集和自动路由的路由计划；只定期收集但收集后直接路由的计划；具有定期收集和定期自动路由的计划用以定期收集；以及，在更长的时间里，定期路由多个收集；等等。对于低程度的自动化收集路由，可能有以下内容组成的组合：自动收集和人辅助收集器(例如，人单独收集，人通过机器人辅助)、计划收集和人辅助收集器辅助(例如，人启动收集，机器人辅助人类进行收集启动，人类发射无人机以在远程站点收集数据)，等等。
在实施例中，参考图137，可以通过本地数据收集系统10500使用分层模板，用于收集和监测通过多个输入通道10500收集的数据，例如来自传感器10514、物联网(IoT)设备10516等的数据。本地收集系统10512，在此也称为数据收集器10512，可以包括数据存储器10502、数据采集电路10504、数据分析电路10506等。在实施例中，监测设施可以按照以下方式部署：在数据收集器10512本地部署；部分在数据收集器本地部署，部分在远离数据收集器的远程信息技术基础设施组件上部署；等等。监测系统可能包括多个通信地耦合到数据收集器10512的输入通道。数据存储器10502可被构造成存储多个收集器路由模板10510和对应于输入通道10500的传感器10514的传感器规格。在实施例中，所述多个收集器路由模板10510各自包括不同的传感器收集例程。数据采集电路10504可被构造成解译多个检测值，所述多个检测值中的每个检测值对应输入通道10500中的至少一个输入通道。数据分析电路10506被构造成接收来自多个输入通道10500的输出数据和基于所接收的输出数据评估当前的路由模板收集例程。在实施例中，数据收集器10512被配置成基于输出数据的内容从当前路由模板收集例程切换到备用路由模板收集例程。监测系统可进一步使用机器学习系统(例如，神经网络专家系统)，基于规则的模板(例如，基于与输入通道提供信息有关的机器的操作状况)，智能路由改变、报警状况、网络连接性、在多个数据收集器中的自组织，传感器组的协调，等等。
在实施例中，对当前路由模板的评估可以基于运行模式路由收集方案，例如正常运行模式、峰值运行模式、空闲运行模式、维修运行模式、节电运行模式等。作为监测的结果，数据收集器可以从当前路由模板收集例程切换，因为数据分析电路确定运行模式的改变，例如运行模式从运行模式转变为加速维护模式、运行模式从运行模式转变为故障模式分析模式、运行模式从运行模式转变为节电模式、运行模式从运行模式转变为高性能模式等。数据收集器可以基于所感测到的运行模式的变化，例如故障条件、性能条件、功率条件、温度条件、振动条件等，从当前路由模板收集例程切换。当前路由模板收集例程的评估可以基于与收集参数有关的收集例程，例如网络可用性、传感器可用性、基于时间的收集例程(例如，按时间表，随着时间的推移)等。
在实施例中，用于工业环境中的数据收集的监测系统可以包括数据收集器和数据存储器。数据收集器通信地耦合到多个输入通道；数据存储器被构造成存储多个收集器路由模板和对应于输入通道的传感器的传感器规格。在实施例中，所述多个收集器路由模板各自包括不同的传感器收集例程；数据采集电路被构造成解译多个检测值，所述多个检测值中的每个检测值对应于所述输入通道中的至少一个输入通道；数据分析电路被构造成接收来自多个输入通道的输出数据，并基于接收到的输出数据评估当前的路由模板收集例程。在实施例中，所述数据收集器用于基于所述输出数据的内容从当前路由模板收集例程切换到备选路由模板收集例程。在实施例中，系统局部地部署在数据收集器上，部分局部地部署在数据收集器上，部分地部署在远离收集器的远程信息技术基础设施组件上，等等。每个输入通道可以对应于位于环境中的传感器。当前路由模板的评估可以基于操作模式路由收集方案。运行模式是正常运行模式、峰值运行模式、空闲运行模式、维护运行模式和节电运行模式中的至少一种。数据收集器可以从当前路由模板收集例程切换，因为数据分析电路确定操作模式的改变，例如操作模式从运行模式变化为加速维护模式，从运行模式变化为故障模式分析模式，从运行模式变化为节电模式，从运行模式变化为高性能模式等。数据收集器可以基于感测的操作模式变化从当前路由模板收集例程切换，例如感测的变化是故障条件、性能条件、功率条件、温度条件、振动条件等。当前路由模板收集例程的评估可以基于与收集参数有关的收集例程，其中例如参数是网络可用性、传感器可用性、基于时间的收集例程(例如，例程按时间表收集传感器数据，随着时间的推移评估传感器数据)。
在实施例中，用于实现用于工业环境中的数据收集的监测系统的计算机实现方法可以包括：提供数据收集器和数据存储器。数据收集器通信地耦合到多个输入通道；数据存储器被构造成存储多个收集器路由模板和对应于输入通道的传感器的传感器规格。在实施例中，所述多个收集器路由模板各自包括不同的传感器收集例程；数据采集电路被构造成解译多个检测值，所述多个检测值中的每个检测值对应于所述输入通道中的至少一个输入通道；数据分析电路被构造成接收来自多个输入通道的输出数据，并基于接收到的输出数据评估当前的路由模板收集例程。在实施例中，所述数据收集器用于基于所述输出数据的内容从当前路由模板收集例程切换到备选路由模板收集例程。在实施例中，计算机实现的方法被部署在本地数据收集器上，例如部分地部署在本地数据收集器上，部分地部署在远离收集器的远程信息技术基础设施组件上，其中每个输入通道对应于位于环境中的传感器。
在实施例中，一种或多种非瞬时性计算机可读介质包括计算机可执行指令，该计算机可执行指令在被执行时可以使至少一个处理器执行动作，包括：提供数据收集器和数据存储器。数据收集器通信地耦合到多个输入通道；数据存储器被构造成存储多个收集器路由模板和对应于输入通道的传感器的传感器规格。在实施例中，所述多个收集器路由模板各自包括不同的传感器收集例程；数据采集电路被构造成解译多个检测值，所述多个检测值中的每个检测值对应于所述输入通道中的至少一个输入通道；数据分析电路被构造成接收来自多个输入通道的输出数据，并基于接收到的输出数据评估当前的路由模板收集例程。在实施例中，所述数据收集器用于基于所述输出数据的内容从当前路由模板收集例程切换到备选路由模板收集例程。在实施例中，指令可以在数据收集器本地部署，例如部分在数据收集器本地部署以及部分在远离数据收集器的远程信息技术基础设施组件上部署，其中所述输入通道中的每个输入通道对应于位于环境中的传感器。
在实施例中，用于工业环境中的数据收集的监测系统可以包括数据收集器和数据存储器。数据收集器通信地耦合到多个输入通道；数据存储器被构造成存储多个收集器路由模板和对应于输入通道的传感器的传感器规格。在实施例中，所述多个收集器路由模板各自包括不同的传感器收集例程；数据采集电路被构造成解译多个检测值，所述多个检测值中的每个检测值对应于所述输入通道中的至少一个输入通道；机器学习数据分析电路被构造成接收来自多个输入通道的输出数据，并基于随时间变化接收到的输出数据评估当前的路由模板收集例程。在实施例中，所述机器学习数据分析电路对接收到的输出数据模式进行学习。在实施例中，所述数据收集器用于基于所学习的已接收输出数据模式从当前路由模板收集例程切换到备选路由模板收集例程。在实施例中，监测系统可以本地部署在数据收集器上，例如本地地部署在数据收集器上，部分地部署在远离收集器的远程信息技术基础设施组件上，其中每个输入通道对应于位于环境中的传感器。机器学习数据分析电路可以包括神经网络专家系统。当前路由模板的评估可以基于操作模式路由收集方案。操作模式可以是正常操作模式、峰值操作模式、空闲操作模式、维护操作模式和省电操作模式中的至少一种。数据收集器可以从当前路由模板收集例程切换，因为数据分析电路确定操作模式的改变，例如操作模式从运行模式变化为加速维护模式，从运行模式变化为故障模式分析模式，从运行模式变化为节电模式，从运行模式变化为高性能模式等。数据收集器可以基于感测的操作模式变化从当前路由模板收集例程切换，例如感测的变化是故障条件、性能条件、功率条件、温度条件、振动条件等。当前路由模板收集例程的评估可以基于关于收集参数的收集例程，例如参数为网络可用性、传感器可用性、基于时间的收集例程(按预定计划收集传感器数据、评估随时间推移的传感器数据)。
在实施例中，实现用于工业环境中数据收集的监测系统的计算机实现的方法可以包括：提供数据收集器，其可通信地耦合到多个输入通道；提供数据存储器，其被构造成存储多个收集器路由模板、与输入通道对应的传感器的传感器规格。在实施例中，所述多个收集器路由模板各自包括不同的传感器收集例程；数据采集电路被构造成解译多个检测值，所述多个检测值中的每个检测值对应于所述输入通道中的至少一个输入通道；机器学习数据分析电路被构造成接收来自多个输入通道的输出数据，并基于随时间接收到的输出数据评估当前的路由模板收集例程。在实施例中，所述机器学习数据分析电路对接收到的输出数据模式进行学习。在实施例中，所述数据收集器用于基于所学习的已接收输出数据模式从当前路由模板收集例程切换到备选路由模板收集例程。在实施例中，该方法可以本地部署在数据收集器上，例如部分地本地部署在数据收集器上以及部分地部署在远离数据收集器的远程信息技术基础设施组件上，其中上述多个输入通道中的每个输入通道对应于位于环境中的传感器。
在实施例中，一种或多种非瞬时计算机可读介质包括计算机可执行指令，所述计算机可执行指令在被执行时可以使至少一个处理器执行以下操作：提供数据收集器，其可通信地耦合到多个输入通道；提供数据存储器，其被构造成存储多个收集器路由模板、与输入通道对应的传感器的传感器规格。在实施例中，所述多个收集器路由模板各自包括不同的传感器收集例程；数据采集电路被构造成解译多个检测值，所述多个检测值中的每个检测值对应于所述输入通道中的至少一个输入通道；机器学习数据分析电路被构造成接收来自多个输入通道的输出数据，并基于随时间接收到的输出数据评估当前的路由模板收集例程。在实施例中，所述机器学习数据分析电路对接收到的输出数据模式进行学习。在实施例中，所述数据收集器用于基于所学习的已接收输出数据模式从当前路由模板收集例程切换到备选路由模板收集例程。在实施例中，指令可以在数据收集器本地部署，例如部分在数据收集器本地部署以及部分在远离数据收集器的远程信息技术基础设施组件上部署，其中所述输入通道中的每个输入通道对应于位于环境中的传感器。
在实施例中，用于工业环境中的数据收集的监测系统可以包括数据收集器和数据存储器。数据收集器通信地耦合到多个输入通道；数据存储器被构造成存储收集器路由模板和对应于输入通道的传感器的传感器规格。在实施例中，所述收集器路由模板包括传感器收集例程；数据采集电路被构造成解译多个检测值，所述多个检测值中的每个检测值对应于所述输入通道中的至少一个输入通道；数据分析电路被构造成接收来自多个输入通道的输出数据，并根据规则评估接收到的输出数据。在实施例中，所述数据收集器用于基于对接收到的输出数据的规则的应用来修改传感器收集例程。在实施例中，该系统可以本地部署在数据收集器上，例如部分地本地部署在数据收集器上以及部分地部署在远离数据收集器的远程信息技术基础设施组件上，其中上述多个输入通道中的每个输入通道对应于位于环境中的传感器。该规则可以基于机器的运行状态，输入通道据此提供信息；该规则可以基于机器的预期状态，输入通道据此提供信息；该规则可以基于检测到的机器的故障状态，输入通道据此提供信息等。对接收到的输出数据的评估可以基于运作模式路由收集方案，其中运作模式为正常运作模式、峰值运作模式、空闲运作模式、维护运作模式和节能运作模式中的至少一种。数据收集器可以修改传感器收集例程，因为数据分析电路确定运作模式的改变，例如运作模式从一种运作模式改变为加速维护模式，从一种运作模式改变为故障模式分析模式，从一种运作模式改变为节能模式，从一种运作模式改变为高性能模式等。数据收集器可以基于感测到的运作模式的改变来修改传感器收集例程，例如感测到的改变是故障条件、性能条件、功率条件、温度条件、振动条件等。对接收到的输出数据的评估可以基于与收集参数相关的收集例程。在实施例中，该参数是网络可用性、传感器可用性、基于时间的收集例程(例如，按计划或随着时间收集传感器数据)等。
在实施例中，用于实现用于工业环境中的数据收集的监测系统的计算机实现方法可以包括：提供数据收集器和数据存储器。数据收集器通信地耦合到多个输入通道；数据存储器被构造成存储收集器路由模板和对应于输入通道的传感器的传感器规格。在实施例中，所述收集器路由模板包括传感器收集例程；提供数据采集电路，其被构造成解译多个检测值，所述多个检测值中的每个检测值对应于所述多个输入通道中的至少一个输入通道；提供数据分析电路，其被构造成从所述多个输入通道接收输出数据并根据规则评估接收到的输出数据。在实施例中，所述数据收集器用于基于对接收到的输出数据的规则的应用来修改传感器收集例程。在实施例中，该方法可以本地部署在数据收集器上，例如部分地本地部署在数据收集器上以及部分地部署在远离数据收集器的远程信息技术基础设施组件上，其中上述多个输入通道中的每个输入通道对应于位于环境中的传感器。
在实施例中，一种或多种非瞬时性计算机可读介质包括计算机可执行指令，该计算机可执行指令在被执行时可以使至少一个处理器执行动作，包括：提供数据收集器和数据存储器。数据收集器通信地耦合到多个输入通道；数据存储器被构造成存储收集器路由模板和对应于输入通道的传感器的传感器规格。在实施例中，所述收集器路由模板包括传感器收集例程；提供数据采集电路，其被构造成解译多个检测值，所述多个检测值中的每个检测值对应于所述多个输入通道中的至少一个输入通道；提供数据分析电路，其被构造成从所述多个输入通道接收输出数据并根据规则评估接收到的输出数据。在实施例中，所述数据收集器用于基于对接收到的输出数据的规则的应用来修改传感器收集例程。在实施例中，指令可以在数据收集器本地部署，例如部分在数据收集器本地部署以及部分在远离数据收集器的远程信息技术基础设施组件上部署，其中所述输入通道中的每个输入通道对应于位于环境中的传感器。
工业环境中的快速路线创建和修改可以基于输入数据或报警采用智能路线改变，例如改变使得能够动态选择用于分析或关联的数据收集。智能路由改变可以使系统能够基于输入的数据或报警来改变传感器数据的当前路由。例如，用户可以设置路由配置，该路由配置创建用于分析的传感器收集的调度，但是当分析(或报警)指示特殊需要时，该系统可以改变传感器路由以满足该需要。例如，在电机振动分布的改变(作为贯穿本公开描述的任何机器中的一个示例)表示电机近期可能会发生故障的情况下，例如一组振动传感器的至少一个轴上的振动的峰值幅度快速增大，该系统可以改变路由以收集更集中的用于分析的数据收集，例如发起对电机的更多轴的收集，发起对电机的其它轴承的收集，以及/或者发起使用其它传感器(例如温度或热通量传感器)进行收集，从而可以确认故障模式正在发生的初始假设，或者有助于分析机器的状态或运作条件。
检测到的运行模式改变可以触发快速路线改变。例如，可以基于单点传感器超出范围检测、分析确定等的结果检测运行模式，并且生成路由改变。可以从传感器端点，例如通过单点传感器分析、多点传感器分析、分析域分析(例如通过时间分布、频率分布、相关多点确定)等检测分析确定。在另一个实例中，可以在例行维护期间检测维护模式，其中路由改变会增加数据收集以在异常条件下以更高的速率捕获数据。可以例如通过报警检测故障模式，该报警指示机器近期发生故障的可能性，该报警可以触发增大数据捕获率以便分析。可以检测基于性能的模式，例如检测输出速率的水平(例如峰、谷、平)，然后可以发起路由改变以适应不同性能监测的分析需求以及与状态相关联的度量。例如，如果基于一段时间内的历史测量，检测到电机、输送机、装配线、发电机、涡轮机等的高峰值速度，则可以使用附加的传感器来监测通常与峰值速度相关联的故障，例如过热(通过采用温度传感器或热通量传感器测量)、过度噪声(通过声学或噪声传感器测量)、过度振动(通过一个或多个振动传感器测量)等。
报警检测可以触发快速路线改变。报警源可以包括前端收集器、本地智能资源、后端数据分析进程、周围环境检测器、网络质量检测器、电能质量检测器、热量、烟雾、噪声、泛洪等。报警类型可以包括单实例异常检测、多实例异常检测、同时多传感器检测、时间集群传感器检测(例如单个传感器或多个传感器)、频率分布检测(例如增大异常检测速率，例如随时间发生报警的次数增加；传感器输出的频率分量的改变，例如电机的物理振动分布随时间改变)等。
机器学习系统可以基于所学习的报警模式分析来改变路由。机器学习系统可以学习系统报警条件模式，例如在正常运作条件下、在峰值运作条件下预期的、基于元件的已使用时间(例如元件是新的、在使用寿命期内、在延长寿命期内、在保质期内)等随时间预期的报警条件。机器学习系统可以基于报警模式的改变来改变路由，例如系统正常运行但经历峰值操作报警模式(例如，系统在不应该运行时运行)，系统是新的但经历早期分布(例如早期故障率的检测)等。机器学习系统可以基于当前报警配置文件相对于生产条件的预期改变来改变路由。例如，工厂、系统或元件在以下情况下经历高于平均值的报警条件：在生产增加之前(例如，在增加生产期间可以预测高于平均值的故障)；就在进入平坦阶段之前(例如，可以是基于增加的数据获取路由方案来提高维护程序的机会)；在计划外事件(例如天气、停电、重启)之后等。
快速路线改变动作可以包括：增大采样率(例如单个传感器采样、多个传感器采样)，增加采样传感器的数量(例如，设备上的其它传感器同时采样，在附近设备上对类似传感器进行协调采样)，生成激增采样(例如在一段时间内以高速率采样)等。可以基于运行模式等按照调度与触发器协调地执行动作。触发动作可以包括：异常数据、超过阈值水平、操作事件触发(例如，在诸如用于起动电机扭矩的起动条件下)等。
快速路线改变可以在下述路由方案之间切换，例如操作路由方案(例如，用于正常操作的传感器收集的子集)、定期维护路由方案(例如，增加的不用于正常操作的重点传感器收集集合)等。可以改变传感器数据的分布，例如在整个系统中分配传感器收集，例如用于特定元件、功能和模式的传感器收集集合。故障模式路由方案可能需要针对不同故障模式分析的多个重点传感器收集组(例如对于电机，一个故障模式可以针对轴承，另一故障模式针对起动速度-转矩)，其中传感器数据的不同子集可以基于故障模式(例如，如在操作或维护期间收集的异常读数中检测到的故障模式)而确定。当天气条件需要降低工厂功率时，可以执行节能模式路由。
可以基于连接因素(例如与收集器或网络可用性和带宽相关联的因素)来执行路线改变的动态调整。例如，可以针对与报警检测相关联的设备改变路由，其中改变网络上的目标设备的路由可释放带宽。对路由的改变可以设置持续时间，例如仅在预定的时间段后切换返回，保持改变直到用户指导为止，基于网络可用性改变持续时间等。
在实施例中，参考图139，可以由本地数据收集系统10520实现智能路线改变，该本地数据收集系统10520用于收集和监测通过多个输入通道10500收集的数据，例如来自传感器10522、IoT设备10524等的数据。本地数据收集系统102，在此也称为数据收集器10520，可以包括数据存储器10502、数据采集电路10504、数据分析电路10506、响应电路10508等。在实施例中，所述监测设施可以部署在数据收集器10520本地，部分部署在所述数据收集器本地且部分部署在远离所述数据收集器的远程信息技术基础设施组件上，等等。可以在数据收集器之间实现智能路由改变，例如在数据收集器之间传输状态消息(例如，从安装在第二输入通道附近的输入通道传输状态消息，从相关的一组输入传感器传输状态消息等)。监测系统可以包括通信地耦合到数据收集器10520的多个输入通道10500。数据采集电路10504可以被构造成解译多个检测值，所述多个检测值中的每个检测值对应于输入通道10500中的至少一个输入通道。在实施例中，数据采集电路10504从多个输入通道的第一输入通道路由采集传感器数据。数据存储器10502可以被被构造成存储传感器数据、与输入通道10500对应的传感器10522的传感器规格等。数据分析电路10506可以被构造成评估与存储的预期状态信息相关的传感器数据。在实施例中，预期状态信息可以包括报警阈值水平。在实施例中，数据分析电路10506在第一组输入通道中的第一输入通道的报警阈值水平被超过时设置报警状态。此外，数据分析电路10506可以通过网络将报警状态传输到具有响应电路10508的路由控制设施。响应电路10508可以被被构造成在从路由控制设施接收到路由改变指示时将用于数据收集的输入通道的路由从第一路由输入通道改变到备用路由输入通道。在网络传输的情况下，备用路由输入通道可以包括第一输入通道以及与第一输入通道相关的一组输入通道，其中如果数据收集器与路由控制设施之间的网络的通信参数(例如时间段参数、网络连接和/或带宽可用性参数)不满足，则数据收集器执行输入通道的路由改变。
在实施例中，报警状态可以指示检测模式，例如，包括超出范围检测的运行模式检测、包括在维护期间检测到报警的维护模式检测、故障模式检测(例如，控制器与故障模式检测设施通信)、功率模式检测、性能模式检测等。在实施例中，报警状态指示预期的状态信息的功率相关限制数据。在实施例中，报警状态指示预期状态信息的高性能限制数据。监测系统还可以包括分析电路，该分析电路在第一组输入通道中的备用输入通道的报警阈值水平被超过时设置报警状态，例如其中第一输入通道和备用输入通道的报警状态的设置被确定为多实例异常检测。在实施例中，第二输入通道路由包括第一输入通道和第二输入通道。在实施例中，来自第一输入通道和第二输入通道的传感器数据有助于同时进行数据分析。第二路由输入通道可以包括路由收集参数的改变，例如路由收集参数为采样率的增大、被采样信道的数量的增加、多个输入通道中的至少一个输入通道的激增采样等。
在实施例中，参考图138，收集器路由模板10510可以用于智能路由改变，并且可以由本地数据收集系统10512实现，该本地数据收集系统10512用于收集和监测通过多个输入通道10500收集的数据，例如来自传感器10514、IoT设备10516等的数据。本地收集系统10512，在此也称为数据收集器10512，可以包括数据存储器10502、数据采集电路10504、数据分析电路10506、响应电路10508等。在实施例中，所述监测设施可以部署在数据收集器10512本地，部分部署在所述数据收集器本地且部分部署在远离所述数据收集器的远程信息技术基础设施等等。
在实施例中，用于工业环境中数据收集的监测系统可以包括：数据收集器，其可通信地耦合到多个输入通道；数据采集电路，其被构造成解译多个检测值，所述多个检测值中的每个检测值对应于所述多个输入通道中的至少一个输入通道。在实施例中，所述数据采集电路从所述多个输入通道的输入通道的第一路由获取传感器数据；数据存储器被构造成存储与输入通道对应的传感器的传感器规格；数据分析电路被构造成相对于所存储的预期状态信息评估所述传感器数据。在实施例中，所述预期状态信息包括报警阈值水平。在实施例中，数据分析电路在第一组输入通道中的第一输入通道的报警阈值水平被超过时设置报警状态；以及响应电路被构造成将用于数据收集的输入通道的路由从第一输入通道路由改变为备用输入通道路由。在实施例中，输入通道的备用路由包括第一输入通道以及与第一输入通道相关的一组输入通道。在实施例中，所述系统可以部署在所述数据收集器本地，部分部署在所述数据收集器本地且部分部署在远离所述收集器的远程信息技术基础设施组件上。在实施例中，每个输入通道对应于位于所述环境中的传感器。这一组输入通道可以与第一输入通道相关，并且至少部分地取自不包括在第一路由输入通道中的多个输入通道。报警状态可以指示检测模式，例如，检测模式为包括超出范围检测的运行模式检测，检测模式为包括在维护期间检测到报警的维护模式检测，检测模式为故障模式检测。控制器可以与故障模式检测设施通信，例如其中，检测模式为功率模式检测，报警状态指示预期的状态信息的功率相关限制数据；检测模式为性能模式检测，报警状态指示预期的状态信息的高性能限制数据；等等。当第一组输入通道中的备用输入通道超过所述报警阈值水平时，所述分析电路可以设置报警状态，例如当第一输入通道和备用输入通道的报警状态的设置被确定为多实例异常检测时。在实施例中，输入通道的备用路由包括第一输入通道和第二输入通道。在实施例中，来自第一输入通道和第二输入通道的传感器数据有助于同时进行数据分析。输入通道的备用路由可以包括路由收集参数的改变，例如采样率的增大、被采样信道的数量的增加、多个输入通道中的至少一个输入通道的激增采样等。
在实施例中，实现用于工业环境中数据收集的监测系统的计算机实现的方法可以包括：提供数据收集器，其可通信地耦合到多个输入通道；提供数据采集电路，其被构造成解译多个检测值，所述多个检测值中的每个检测值对应于所述多个输入通道中的至少一个输入通道。在实施例中，所述数据采集电路从所述多个输入通道的输入通道的第一路由获取传感器数据；提供数据存储器，其被构造成存储与输入通道对应的传感器的传感器规格；提供数据分析电路，其被构造成相对于所存储的预期状态信息评估所述传感器数据。在实施例中，所述预期状态信息包括报警阈值水平。在实施例中，当第一组输入通道中的输入通道超过报警阈值水平时，所述数据分析电路会设置报警状态；提供响应电路，其被构造成将用于数据收集的输入通道的路由从输入通道的第一路由更改为输入通道的备用路由。在实施例中，输入通道的备用路由包括第一输入通道以及与第一输入通道相关的一组输入通道。在实施例中，所述系统可以部署在所述数据收集器本地，部分部署在所述数据收集器本地且部分部署在远离所述收集器的远程信息技术基础设施组件上。在实施例中，每个输入通道对应于位于所述环境中的传感器。
在实施例中，一种或多种非瞬时性计算机可读介质包括计算机可执行指令，该计算机可执行指令在被执行时可以使至少一个处理器执行动作，可以包括：提供数据收集器和数据采集电路。数据收集器通信地耦合到多个输入通道；数据采集电路被构造成解译多个检测值，所述多个检测值中的每个检测值对应于所述输入通道中的至少一个输入通道。在实施例中，所述数据采集电路从所述多个输入通道的输入通道的第一路由获取传感器数据；提供数据存储器，其被构造成存储与输入通道对应的传感器的传感器规格；提供数据分析电路，其被构造成相对于所存储的预期状态信息评估所述传感器数据。在实施例中，所述预期状态信息包括报警阈值水平。在实施例中，当第一组输入通道中的输入通道超过报警阈值水平时，所述数据分析电路会设置报警状态；提供响应电路，其被构造成将用于数据收集的输入通道的路由从输入通道的第一路由更改为输入通道的备用路由。在实施例中，输入通道的备用路由包括第一输入通道以及与第一输入通道相关的一组输入通道。在实施例中，所述指令可以部署在所述数据收集器本地，部分部署在所述数据收集器本地且部分部署在远离所述收集器的远程信息技术基础设施组件上。在实施例中，每个输入通道对应于位于所述环境中的传感器。
在实施例中，用于工业环境中数据收集的监测系统可以包括：数据收集器，其可通信地耦合到多个输入通道；数据采集电路，其被构造成解译多个检测值，所述多个检测值中的每个检测值对应于所述多个输入通道中的至少一个输入通道。在实施例中，所述数据采集电路从所述多个输入通道的输入通道的第一路由获取传感器数据；数据存储器被构造成存储与输入通道对应的传感器的传感器规格；数据分析电路被构造成相对于所存储的预期状态信息评估所述传感器数据。在实施例中，所述预期状态信息包括报警阈值水平。在实施例中，数据分析电路在第一组输入通道中的第一输入通道的报警阈值水平被超过时设置报警状态，并通过网络将报警状态发送到路由控制设施；以及响应电路被构造成在从路由控制设施接收到路由改变指示时，将用于数据收集的输入通道路由从第一输入通道路由改变到备用输入通道路由。在实施例中，输入通道的备用路由包括第一输入通道以及与第一输入通道相关的一组输入通道。在实施例中，如果不满足所述数据收集器与所述路由控制设施之间的所述网络的通信参数，则所述数据收集器会自动执行所述输入通道的路由更改。在实施例中，所述指令可以部署在所述数据收集器本地，部分部署在所述数据收集器本地且部分部署在远离所述收集器的远程信息技术基础设施组件上。在实施例中，每个输入通道对应于位于所述环境中的传感器。通信参数可以是路由控制设施必须响应的时间段参数。通信参数可以是网络可用性参数，例如网络连接参数或带宽需求。与第一输入通道相关的一组输入通道可以至少部分地取自不包括在第一路由输入通道中的多个输入通道。报警状态可以指示检测模式，例如检测模式为包括超出范围检测的运行模式检测，检测模式为包括在维护期间检测到报警的维护模式检测等。检测模式可以是故障模式检测，例如当控制器与故障模式检测设备通信时，报警状态指示预期的状态信息的功率相关限制数据；检测模式可以是性能模式检测，其中报警状态指示预期的状态信息的高性能限制数据等。当第一组输入通道中的备用输入通道超过所述报警阈值水平时，所述分析电路可以设置报警状态，例如当第一输入通道和备用输入通道的报警状态的设置被确定为多实例异常检测时。在实施例中，输入通道的备用路由包括第一输入通道和第二输入通道。在实施例中，来自第一输入通道和第二输入通道的传感器数据有助于同时进行数据分析。输入通道的备用路由可以是路由收集参数的改变，例如采样率的增大、被采样信道的数量的增加、多个输入通道中的至少一个输入通道的激增采样等。
在实施例中，实现用于工业环境中数据收集的监测系统的计算机实现的方法可以包括：提供数据收集器，其可通信地耦合到多个输入通道；提供数据采集电路，其被构造成解译多个检测值，所述多个检测值中的每个检测值对应于所述多个输入通道中的至少一个输入通道。在实施例中，所述数据采集电路从所述多个输入通道的输入通道的第一路由获取传感器数据；提供数据存储器，其被构造成存储与输入通道对应的传感器的传感器规格；提供数据分析电路，其被构造成相对于所存储的预期状态信息评估所述传感器数据。在实施例中，所述预期状态信息包括报警阈值水平。在实施例中，当第一组输入通道中的输入通道超过报警阈值水平时，所述数据分析电路会设置报警状态，并通过网络将报警状态发送到路由控制设施；提供响应电路，其被构造成在从所述路由控制设施接收到路由更改指示时将用于数据收集的输入通道的路由从输入通道的第一路由更改为输入通道的备用路由。在实施例中，输入通道的备用路由包括第一输入通道以及与第一输入通道相关的一组输入通道。在实施例中，如果不满足所述数据收集器与所述路由控制设施之间的所述网络的通信参数，则所述数据收集器会自动执行所述输入通道的路由更改。在实施例中，所述指令可以部署在所述数据收集器本地，部分部署在所述数据收集器本地且部分部署在远离所述收集器的远程信息技术基础设施组件上。在实施例中，每个输入通道对应于位于所述环境中的传感器。
在实施例中，一种或多种非瞬时性计算机可读介质包括计算机可执行指令，该计算机可执行指令在被执行时可以使至少一个处理器执行动作，包括：提供数据收集器和数据采集电路。数据收集器通信地耦合到多个输入通道；数据采集电路被构造成解译多个检测值，所述多个检测值中的每个检测值对应于所述输入通道中的至少一个输入通道。在实施例中，所述数据采集电路从所述多个输入通道的输入通道的第一路由获取传感器数据；提供数据存储器，其被构造成存储与输入通道对应的传感器的传感器规格；提供数据分析电路，其被构造成相对于所存储的预期状态信息评估所述传感器数据。在实施例中，所述预期状态信息包括报警阈值水平。在实施例中，当第一组输入通道中的输入通道超过报警阈值水平时，所述数据分析电路会设置报警状态，并通过网络将报警状态发送到路由控制设施；提供响应电路，其被构造成在从所述路由控制设施接收到路由更改指示时将用于数据收集的输入通道的路由从输入通道的第一路由更改为输入通道的备用路由。在实施例中，输入通道的备用路由包括第一输入通道以及与第一输入通道相关的一组输入通道。在实施例中，如果不满足所述数据收集器与所述路由控制设施之间的所述网络的通信参数，则所述数据收集器会自动执行所述输入通道的路由更改。在实施例中，所述指令可以部署在所述数据收集器本地，部分部署在所述数据收集器本地且部分部署在远离所述收集器的远程信息技术基础设施组件上。在实施例中，每个输入通道对应于位于所述环境中的传感器。
在实施例中，用于工业环境中的数据收集的监测系统可以包括第一和第二数据收集器和数据采集电路。第一和第二数据收集器通信地耦合到多个输入通道；数据采集电路被构造成解译多个检测值，所述多个检测值中的每个检测值对应于所述输入通道中的至少一个输入通道。在实施例中，所述数据采集电路从所述多个输入通道的输入通道的第一路由获取传感器数据；数据存储器被构造成存储与输入通道对应的传感器的传感器规格；数据分析电路被构造成相对于所存储的预期状态信息评估所述传感器数据。在实施例中，所述预期状态信息包括报警阈值水平。在实施例中，数据分析电路在第一组输入通道中的第一输入通道的报警阈值水平被超过时设置报警状态；通信电路被构造成与第二数据收集器通信。在实施例中，第二数据收集器从第一输入通道路由发送与第一输入通道相关的状态消息；响应电路被构造成基于来自第二数据收集器的状态消息将用于数据收集的输入通道路由从第一输入通道路由改变为备用输入通道路由。在实施例中，输入通道的备用路由包括第一输入通道以及与第一输入传感器相关的一组输入通道。在实施例中，所述系统可以部署在所述数据收集器本地，部分部署在所述数据收集器本地且部分部署在远离所述收集器的远程信息技术基础设施组件上。在实施例中，每个输入通道对应于位于所述环境中的传感器。从第二数据收集器发送的设置状态消息可以来自安装在第一输入通道附近的第二输入通道。从第二控制器发送的设定报警可以来自第二输入传感器，该第二输入传感器是包括第一输入传感器相关的一组输入传感器的一部分。与第一输入通道相关的一组输入通道可以至少部分地取自不包括在第一路由输入通道中的多个输入通道。报警状态可以指示检测模式，例如，检测模式为包括超出范围检测的运行模式检测，检测模式为包括在维护期间检测到报警的维护模式检测，检测模式为故障模式检测等。控制器可以与故障模式检测设施通信，例如其中，检测模式为功率模式检测，报警状态指示预期的状态信息的功率相关限制数据；检测模式为性能模式检测，报警状态指示预期的状态信息的高性能限制数据；等等。当第一组输入通道中的备用输入通道超过所述报警阈值水平时，所述分析电路可以设置报警状态，例如当第一输入通道和备用输入通道的报警状态的设置被确定为多实例异常检测时。在实施例中，输入通道的备用路由包括第一输入通道和第二输入通道。在实施例中，来自第一输入通道和第二输入通道的传感器数据有助于同时进行数据分析。输入通道的备用路由可以是路由收集参数的改变，例如采样率的增大，被采样信道的数量的增加，多个输入通道中的至少一个输入通道的激增采样等。
在实施例中，用于实现用于工业环境中的数据收集的监测系统的计算机实现方法可以包括提供第一和第二数据收集器和数据采集电路。第一和第二数据收集器通信地耦合到多个输入通道；数据采集电路被构造成解译多个检测值，所述多个检测值中的每个检测值对应于所述输入通道中的至少一个输入通道。在实施例中，所述数据采集电路从所述多个输入通道的输入通道的第一路由获取传感器数据；提供数据存储器，其被构造成存储与输入通道对应的传感器的传感器规格；提供数据分析电路，其被构造成相对于所存储的预期状态信息评估所述传感器数据。在实施例中，所述预期状态信息包括报警阈值水平。在实施例中，当第一组输入通道中的输入通道超过报警阈值水平时，所述数据分析电路会设置报警状态；提供通信电路，其被构造成与第二数据收集器通信。在实施例中，第二数据收集器从输入通道的第一路由发送与第一输入通道相关的状态消息；提供响应电路，其被构造成基于来自第二数据收集器的状态消息将用于数据收集的输入通道的路由从输入通道的第一路由更改为输入通道的备用路由。在实施例中，输入通道的备用路由包括第一输入通道以及与第一输入传感器相关的一组输入通道。在实施例中，所述方法可以部署在所述数据收集器本地，部分部署在所述数据收集器本地且部分部署在远离所述收集器的远程信息技术基础设施组件上。在实施例中，每个输入通道对应于位于所述环境中的传感器。
在实施例中，一种或多种非瞬时性计算机可读介质包括计算机可执行指令，该计算机可执行指令在被执行时可以使至少一个处理器执行动作，包括：提供第一和第二数据收集器和数据采集电路。第一和第二数据收集器通信地耦合到多个输入通道；数据采集电路被构造成解译多个检测值，所述多个检测值中的每个检测值对应于所述输入通道中的至少一个输入通道。在实施例中，所述数据采集电路从所述多个输入通道的输入通道的第一路由获取传感器数据；提供数据存储器，其被构造成存储与输入通道对应的传感器的传感器规格；提供数据分析电路，其被构造成相对于所存储的预期状态信息评估所述传感器数据。在实施例中，所述预期状态信息包括报警阈值水平。在实施例中，当第一组输入通道中的输入通道超过报警阈值水平时，所述数据分析电路会设置报警状态；提供通信电路，其被构造成与第二数据收集器通信。在实施例中，第二数据收集器从输入通道的第一路由发送与第一输入通道相关的状态消息；提供响应电路，其被构造成基于来自第二数据收集器的状态消息将用于数据收集的输入通道的路由从输入通道的第一路由更改为输入通道的备用路由。在实施例中，输入通道的备用路由包括第一输入通道以及与第一输入传感器相关的一组输入通道。在实施例中，所述指令可以部署在所述数据收集器本地，部分部署在所述数据收集器本地且部分部署在远离所述收集器的远程信息技术基础设施组件上。在实施例中，每个输入通道对应于位于所述环境中的传感器。
在实施例中，用于工业环境中的数据收集的监测系统可以包括数据收集器和数据采集电路。数据收集器通信地耦合到多个输入通道；数据采集电路被构造成解译多个检测值，所述多个检测值中的每个检测值对应于所述输入通道中的至少一个输入通道。在实施例中，数据采集电路从多个输入通道的第一组输入通道采集传感器数据；数据存储器被构造成存储对应于输入通道的传感器的传感器规格；数据分析电路被构造成评估与存储的预期的状态信息相关的传感器数据，在实施例中，所述预期状态信息包括报警阈值水平。在实施例中，数据分析电路在第一组输入通道中的第一输入通道的报警阈值水平被超过时设置报警状态；以及响应电路被构造成将正在被收集的输入通道从第一组输入通道改变为备用组输入通道。在实施例中，备用组输入通道包括第一输入通道以及与第一输入传感器相关的一组输入通道。在实施例中，所述系统可以部署在所述数据收集器本地，部分部署在所述数据收集器本地且部分部署在远离所述收集器的远程信息技术基础设施组件上。在实施例中，每个输入通道对应于位于所述环境中的传感器。与第一输入传感器相关的一组输入传感器可以至少部分地取自不包括在第一组输入传感器中的多个输入传感器。与第一输入通道相关的第一组输入通道可以至少部分地取自不包括在第一路由输入通道中的多个输入通道。报警状态可以指示检测模式，例如检测模式为包括超出范围检测的运行模式检测，检测模式为包括在维护期间检测到报警的维护模式检测。检测模式可以是故障模式检测，例如控制器与故障模式检测设备通信。检测模式可以是功率模式检测，其中报警状态指示预期的状态信息的功率相关限制数据。检测模式可以是性能模式检测，其中报警状态指示预期的状态信息的高性能限制数据。例如当第一输入通道和备用输入通道的报警状态的设置被确定为多实例异常检测时，该分析电路在第一组输入通道中的备用输入通道的报警阈值水平被超过时可以设置报警状态。在实施例中，输入通道的备用路由包括第一输入通道和第二输入通道。在实施例中，来自第一输入通道和第二输入通道的传感器数据有助于同时进行数据分析。备用组输入通道可以包括路由收集参数的改变，例如路由收集参数为采样率的增大、被采样信道的数量的增加、多个输入通道中的至少一个输入通道的激增采样等。
在实施例中，用于实现用于工业环境中的数据收集的监测系统的计算机实现方法可以包括提供数据收集器和数据采集电路。数据收集器通信地耦合到多个输入通道；数据采集电路被构造成解译多个检测值，所述多个检测值中的每个检测值对应于所述输入通道中的至少一个输入通道。在实施例中，所述数据采集电路从多个输入通道中的第一组输入通道获取传感器数据；提供数据存储器，其被构造成存储与输入通道对应的传感器的传感器规格；提供数据分析电路，其被构造成相对于所存储的预期状态信息评估所述传感器数据。在实施例中，所述预期状态信息包括报警阈值水平。在实施例中，当第一组输入通道中的输入通道超过报警阈值水平时，所述分析电路会设置报警状态；提供响应电路，其被构造成将正在被收集的输入通道从第一组输入通道更改为备用组输入通道。在实施例中，备用组输入通道包括第一输入通道以及与第一输入传感器相关的一组输入通道。在实施例中，所述方法可以部署在所述数据收集器本地，部分部署在所述数据收集器本地且部分部署在远离所述收集器的远程信息技术基础设施组件上。在实施例中，每个输入通道对应于位于所述环境中的传感器。
在实施例中，一种或多种非瞬时性计算机可读介质包括计算机可执行指令，该计算机可执行指令在被执行时可以使至少一个处理器执行动作，包括：提供数据收集器和数据采集电路。数据收集器通信地耦合到多个输入通道；数据采集电路被构造成解译多个检测值，所述多个检测值中的每个检测值对应于所述输入通道中的至少一个输入通道。在实施例中，所述数据采集电路从多个输入通道中的第一组输入通道获取传感器数据；提供数据存储器，其被构造成存储与输入通道对应的传感器的传感器规格；提供数据分析电路，其被构造成相对于所存储的预期状态信息评估所述传感器数据。在实施例中，所述预期状态信息包括报警阈值水平。在实施例中，当第一组输入通道中的输入通道超过报警阈值水平时，所述分析电路会设置报警状态；提供响应电路，其被构造成将正在被收集的输入通道从第一组输入通道更改为备用组输入通道。在实施例中，备用组输入通道包括第一输入通道以及与第一输入传感器相关的一组输入通道。在实施例中，所述指令可以部署在所述数据收集器本地，部分部署在所述数据收集器本地且部分部署在远离所述收集器的远程信息技术基础设施组件上。在实施例中，每个输入通道对应于位于所述环境中的传感器。
在实施例中，用于工业环境中的数据收集的监测系统可以包括数据收集器和数据存储器。数据收集器通信地耦合到多个输入通道；数据存储器被构造成存储多个收集器路由模板和对应于输入通道的传感器的传感器规格。在实施例中，所述多个收集器路由模板各自包括不同的传感器收集例程；数据采集电路被构造成解译多个检测值，所述多个检测值中的每个检测值对应于所述输入通道中的至少一个输入通道。在实施例中，数据采集电路从第一输入通道路由采集传感器数据；以及数据分析电路被构造成评估与存储的预期的状态信息相关的传感器数据。在实施例中，所述预期状态信息包括报警阈值水平。在实施例中，当第一组输入通道中的输入通道超过报警阈值水平时，所述数据分析电路会设置报警状态。在实施例中，所述数据收集器用于基于报警状态的设置从当前路由模板收集例程切换到备用路由模板收集例程。在实施例中，所述系统可以部署在所述数据收集器本地，部分部署在所述数据收集器本地且部分部署在远离所述收集器的远程信息技术基础设施组件上。在实施例中，每个输入通道对应于位于所述环境中的传感器。报警状态的设置可以基于运行模式路由收集方案，例如运行模式是正常运行模式、峰值运行模式、空闲运行模式、维护运行模式和节能运行模式中的至少一种。报警阈值水平可以与感测到的多个输入通道之一的改变相关联，例如感测到的改变是故障条件、性能条件、功率条件、温度条件、振动条件等。报警状态可以指示检测模式，例如，检测模式为包括超出范围检测的运行模式检测，检测模式为包括在维护期间检测到报警的维护模式检测等。检测模式可以是功率模式检测，其中报警状态指示预期的状态信息的功率相关限制数据。检测模式可以是性能模式检测，其中报警状态指示预期的状态信息的高性能限制数据。当备用输入通道的报警阈值水平被超过时，分析电路可以设置报警状态，例如其中，报警状态的设置被确定为多实例异常检测。备用路由模板可以是输入通道路由收集参数的改变。路由收集参数可以是采样率的增大，例如被采样信道的数量的增加、多个输入通道中的至少一个输入通道的激增采样等。
在实施例中，实现用于工业环境中数据收集的监测系统的计算机实现的方法可以包括：提供数据收集器，其可通信地耦合到多个输入通道；提供数据存储器，其被构造成存储多个收集器路由模板、与输入通道对应的传感器的传感器规格。在实施例中，多个收集器路由模板各自包括不同的传感器收集例程；提供数据采集电路，其被构造成解译多个检测值，所述多个检测值中的每个检测值对应于所述多个输入通道中的至少一个输入通道。在实施例中，所述数据采集电路从输入通道的第一路由获取传感器数据；提供数据分析电路，其被构造成相对于所存储的预期状态信息评估所述传感器数据。在实施例中，所述预期状态信息包括报警阈值水平。在实施例中，当第一组输入通道中的输入通道超过报警阈值水平时，所述数据分析电路会设置报警状态。在实施例中，所述数据收集器用于基于报警状态的设置从当前路由模板收集例程切换到备用路由模板收集例程。在实施例中，所述系统可以部署在所述数据收集器本地，部分部署在所述数据收集器本地且部分部署在远离所述收集器的远程信息技术基础设施组件上。在实施例中，每个输入通道对应于位于所述环境中的传感器。
在实施例中，一种或多种非瞬时计算机可读介质包括计算机可执行指令，所述计算机可执行指令在被执行时可以使至少一个处理器执行以下操作：提供数据收集器，其可通信地耦合到多个输入通道；提供数据存储器，其被构造成存储多个收集器路由模板、与输入通道对应的传感器的传感器规格。在实施例中，多个收集器路由模板各自包括不同的传感器收集例程；提供数据采集电路，其被构造成解译多个检测值，所述多个检测值中的每个检测值对应于所述多个输入通道中的至少一个输入通道。在实施例中，所述数据采集电路从输入通道的第一路由获取传感器数据；提供数据分析电路，其被构造成相对于所存储的预期状态信息评估所述传感器数据。在实施例中，所述预期状态信息包括报警阈值水平。在实施例中，当第一组输入通道中的输入通道超过报警阈值水平时，所述数据分析电路会设置报警状态。在实施例中，所述数据收集器用于基于报警状态的设置从当前路由模板收集例程切换到备用路由模板收集例程。在实施例中，所述指令可以部署在所述数据收集器本地，部分部署在所述数据收集器本地且部分部署在远离所述收集器的远程信息技术基础设施组件上。在实施例中，每个输入通道对应于位于所述环境中的传感器。
公开了一种用于使用数据收集带的智能管理在工业环境中收集数据的系统的方法和系统，在本文中的某些情况下，数据收集带也被称为智能带。智能带可便于智能、情景和情景感知数据收集，例如，通过数据收集器收集(如，本公开中描述的各种数据收集器)。通过智能带智能管理数据收集可改善各种数据收集参数，以及依赖于数据收集的过程、应用程序和产品的参数，例如，数据质量参数、一致性参数、效率参数、综合性参数、可靠性参数、有效性参数、储存利用率参数、产量参数(包括财务收益率、产量和不良事件减少量)、能耗参数、带宽利用率参数、输入/输出速度参数、冗余参数、安全参数(securityparameters和safetyparameters)、干扰参数、信噪比参数和统计相关性参数等。智能带的智能管理可以跨一个或多个这样的参数(如，基于参数值的加权)进行优化；例如，可通过智能带管理，为关键数据提供给定级别的数据冗余，同时不超过指定的能量使用等级。这可以包括使用贯穿本公开描述的各种优化技术以及通过引用并入本文的文档。
在实施例中，用于智能带的智能管理的方法和系统包括：用于管理智能带(在一些情况下，统称为智能带平台10722)的专家系统以及技术支持元件、服务、过程、模块、应用程序和接口；智能带平台可包括基于模型的专家系统、基于规则的专家系统、使用人工智能的专家系统(如，机器学习系统，机器学习系统可包括神经网络专家系统、自组织映射系统、监督机器学习系统、状态确定系统、分类系统或其它人工智能系统)，或者上述的各种混合或任何组合。除非上下文另有说明，否则对专家系统的引用应被理解为包括使用前述任何一个专家系统或其合适的组合。智能管理可用于事件检测和状态检测等各类数据(例如，振动数据、噪声数据以及本公开中描述的其它类型的传感器数据)的收集。智能管理可包括多个智能带的管理，每个智能带用于支持所识别的应用程序、过程或工作流，如，确认面向一个或多个目标、目的、规则、策略或指南的过程或与之保持一致。智能管理还可涉及数据收集带的管理，其旨在基于其它数据的收集(如，基于与变量有关的系统行为模型)返回一个未知变量，在可用输入(包括指定的输入组合、融合或多路复用)中选择优选输入和/或在可用输入带中指定一个输入带。
数据收集带或智能带可包括任意数量的项目，如，传感器、输入通道、数据位置、数据流、数据协议、数据提取技术、数据转换技术、数据加载技术、数据类型、采样频率、传感器的布置、静态数据点、元数据、数据融合、数据复用和本文中所述的其它项目等。可以与智能带和数据收集带互换使用的智能带设置可用于描述智能带的配置和组成，如，通过指定智能带的定义参数。例如，数据收集带或智能带可包括一个或多个测量频率。频率数据可以进一步包括一组频谱峰值、真实峰值电平、从时间波形导出的波峰因数以及从振动包络导出的整体波形以及贯穿本公开描述的其它信号特性中的至少一个。智能带可包括传感器测量数据或与一个或多个波长有关的数据、一个或多个光谱和/或来自各传感器和元数据的一种或多种类型的数据。智能带可包括一个或多个传感器或者各种类型的传感器，如，本公开中所述的和通过引用并入本公开的文档中所述的传感器。实际上，本文描述的传感器可以用于贯穿本公开描述的任何方法或系统中。例如，一个传感器可以是加速度计，例如，测量每个重力加速度下的电压(V/G)(例如，100mV/G、500mV/G、1V/G、5V/G和10V/G等)的传感器。在实施例中，数据收集带电路可以基于优化传感器的响应性来改变智能带中使用的多个传感器的子集的组成，例如，选择更适合测量低速混合器加速度的加速度计或更适合测量高速工业离心机加速度的加速度计。选择可以智能地完成，通过使用接近式探针和设置在离心机上的多个加速度计进行，其中，低速时，将一个加速度计用于智能带测量，而另一个加速度计在高速时投入使用。加速度计有各种类型，诸如压电晶体、低频(例如，10V/G)、高速压缩机(10MV/G)、MEMS等。在另一个示例中，一个传感器可以是可用于套筒或倾斜垫轴承(例如，油浴)的接近度探针，或者速度探针。在又一示例中，传感器可以是固态继电器(solid-state relay，简称SSR)，构造成与路由数据收集器(如，移动或便携式数据收集器)自动连接，以获得或传递数据。在另一个示例中，可路由移动或便携式数据收集器以改变多个可用传感器的组成，如，通过将适当的加速度计设置到感测点(如，机器的元件上或附近)。在又一个示例中，一个传感器可以是三轴探针(例如，100MV/G三轴探针)，其在实施例中用于便携式数据收集。在三轴探针的一些实施例中，探针一个轴上的垂直元件可具有高频响应，而水平安装的垂直元件可影响整个三轴的频率响应。在另一个示例中，一个传感器可以是温度传感器并且可以包括具有内置的温度传感器的探针，例如用于获得轴承温度。在再一个示例中，传感器可以是超声传感器、麦克风传感器、触控传感器、电容传感器、振动传感器、声学传感器、压力传感器、应变仪、热成像传感器(例如，相机)、成像传感器(例如，相机、激光、IR和结构光)、场检测器、用于测量AC电磁场的EMF仪、高斯计、运动检测器、化学检测器、气体检测器、CBRNE检测器、振动感测器、磁力计、位置传感器、基于位置的传感器、速度传感器、位移传感器、转速计、流量传感器、液位传感器、接近传感器、pH传感器、湿度计/湿度传感器、密度传感器、风速计、粘度计或任何模拟工业传感器和/或数字工业传感器。在又一个示例中，传感器可以旨在检测或测量环境噪声，例如声音传感器或麦克风、超声传感器、声波传感器以及光学振动传感器(例如，使用相机来观察产生噪声的振荡)。在又一个示例中，一个传感器可以是运动检测器。
数据收集带或智能带可具有或可以被配置成包含一个或多个用于特定传感器、特定传感器组或来自多个传感器的组合信号(如，涉及多路复用或传感器融合)的频率、波长或频谱。
数据收集带或智能带可以具有或可以被配置成包含来自一个或多个设备/元件、设备区域、设备的不同但互连区域(例如，机器装配线和用于为线路供电的锅炉室)或位置(例如，剑桥和波士顿的建筑物)的一个或多个传感器或传感器数据(包括传感器组和组合信号)。智能带的设置、配置、指令或规范(本说明书中统称为使用这些术语中的任何一个)可包括放置传感器的位置；数据点采样频率；采样粒度(例如，每秒几分之一的采样点数)；冗余传感器组中的采样传感器；冗余传感器的平均采样协议；以及可影响数据收集的任何其它方面。
在智能带平台10722内，专家系统可包括神经网络、基于模型的系统、基于规则的系统、机器学习数据分析电路和/或任何这些的混合；该系统可在针对特定目标或结果优化的智能带上开始迭代融合，例如，预测和管理设备、元件或者一套设备或元件的性能、健康状况或其它特性。基于传感器数据的连续或周期性分析，当识别出模式/趋势，或出现异常值，或者一组传感器读数开始变化等时，专家系统可以智能地修改其数据收集带。这可通过触发反映模型或理解系统行为的规则(例如，识别出运行模式变化，即运行模式变化时，随轴速的增加而要求不同的传感器)或者可以在神经网络的控制下发生(在结合基于规则的方法或单独使用)，其中，提供输入使得神经网络随时间学习基于关于成功结果的反馈来选择适当的收集模式(例如，系统的成功分类状态、成功预测、相对度量的成功运行等)。例如，当在化学处理设施中安装新的压力反应器时，来自当前数据收集带的数据可能无法准确地预测系统的运行状态或指标，因此，机器学习数据分析电路可开始迭代，以确定新的数据收集带是否能够更好地进行状态预测。基于偏移系统数据(如，来自库或其它数据结构)，可在智能带中初始使用某些传感器、波段或其它智能带成员，并且可以收集数据以评估性能。当神经网络迭代时，可访问其它传感器/波段以确定其在识别性能指标中的相对权重。随着时间的推移，可识别新的波段(或者新的传感器组和重新配置传感器组等)作为更好衡量系统性能的标准，并且专家系统可基于该迭代修改数据收集带。例如，在化学反应设备中，稍微不同的或较旧的关联涡轮式搅拌器可使一个或多个振动频率衰减，而频率不同，振幅更高，并且与在偏移系统中看到的不同，较高振幅在最佳性能期间出现。在该示例中，智能带可根据相应偏移系统的建议而改变，以捕获当前系统中存在的较高振幅频率。
在涉及神经网络或其它机器学习系统的实施例中，专家系统可基于诸如本文所述的反馈和运行参数做种和迭代，如，面向智能带融合。某些反馈可包括利用率衡量、效率衡量(例如，电能或能源、存储或带宽的利用率、易腐材料的输入/输出利用率、燃料利用率和/或财务效率)、预测状态是否成功的衡量(例如，避免和减轻故障)、生产率衡量(例如，工作流程)，产量衡量和利润衡量。某些参数可包括：存储参数(例如，数据存储、燃料存储、库存等)；网络参数(例如，网络带宽、输入/输出速度、网络利用率、网络成本、网络速度和网络可用性等)；传输参数(例如，数据传输质量、数据传输速度、传输错误率和传输成本等)；安全参数(例如，暴露事件的数量和/或类型、攻击脆弱性、数据丢失、数据泄露和接入参数等)；位置和定位参数(例如，数据收集器的位置、工人的位置、机器和设备的位置、库存单元的位置、部件和材料的位置、网络接入点的位置、入口和出口点的位置、着陆位置、传感器组的位置、网络基础设施的位置和电源位置等)；输入选择参数、数据组合参数(例如，用于多路复用、析取、转换和加载等)；功率参数；状态(例如，运行模式、可用性状态、环境状态、故障模式，维护模式和预期状态)；事件和设备规格。关于状态，运行模式可包括移动模式(方向、速度及加速度等)、移动模式类型(例如，滚动、飞行、滑行、悬浮、悬停及浮动等)、性能模式(例如，齿轮、转速、热度、装配线速度、电压等级及频率等级等)、输出模式、燃料转换模式、资源消耗模式和财务性能模式(例如，产量和收益率等)。可用性状态可能是指可能会导致机器离线或需要备份的预期状况。环境状态可指环境温度、环境湿度/湿度、环境压力、环境风/流体流量、是否存在污染或污染物和干扰元素(例如，电气噪声和振动)、电力可用性及电力质量。预期状态可包括：实现或未实现的预期目标，如，指定/阈值输出生产率、指定/阈值生成率、运行效率/故障率、财务效率/利润目标、电力效率/资源利用率；避免故障情况(例如，过热、性能缓慢、速度过快、过度运动、过度振动/振荡、过度加速、膨胀/收缩、电气故障、储存电力/燃料耗尽、过压、过度辐射/熔化、火灾、冻结、流体流动失效(例如，阀门卡涩和流体冻结)；机械故障(例如，元件损坏、元件磨损、耦合错误、未对准、不对称/偏转、元件受损(例如，偏转、应变、应力和开裂)、失衡、碰撞、元件卡涩、链条或皮带丢失或打滑)；避免危险情况或灾难性故障；以及可用性(在线状态)。
专家系统可包括或种子化模型，该模型预测给定数据组的结果或状态(可包括来自传感器的输入，如，通过数据收集器收集到的数据，以及其它数据，如，来自系统组件、外部系统和外部数据源)。例如，该模型可以是工业环境、机器或工作流程的运行模型。在另一个示例中，该模型可以用于预测状态；预测故障和优化维护；自组织存储(例如，设备上、数据池中和/或云存储)；优化数据传输(如，优化网络编码和网络状态敏感路由等)；以及优化数据市场等。
专家系统的迭代可以基于对来自智能带的数据分析产生任意数量的下游动作。在一个实施例中，专家系统可确定系统在给定预期目标下是否应保持或修改运行参数、设备或神经网络模型的权重，如，指定/阈值输出生产率、指定/阈值生成率、运行效率/故障率、财务效率/利润目标、功率效率/资源利用率、避免故障状况、避免危险状况或灾难性故障等。在实施例中，调整可以基于确定工业系统的上下文，诸如理解设备的类型、其目的、其典型运行模式、设备的功能规范、设备与环境的其它特征的关系(包括向设备提供输入或从设备获取输入的任何其它系统)、操作者(包括人和自动控制系统)的存在和作用，以及环境或环境状况。例如，为了实现利润目标，精炼厂中的管道可能需要每天运行一定量的时间和/或以特定流速运行。专家系统可以以产生指定利润目标的方式通过管道运行模型做种，如，基于材料的当前市场销售价格和管道材料成本指定材料通过管道的给定流速。在获取数据和迭代时，模型将预测在当前给定数据下是否能够实现利润目标。可基于专家系统的迭代结果建议(或者自动提供控制指令)以更高的流速运行管道，使其保持更长时间运行等。此外，当系统迭代时，可在模型中对一个或多个附加传感器进行采样，以确定添加在智能带中的传感器是否有助于改善预测状态。在另一个实施例中，专家系统可确定系统在给定的限制运行条件下(例如，满足所需端点(例如，交付日期、数量、成本以及与另一个系统的协调)；在有限资源(例如，电力、燃料和电池)、存储(例如，数据存储)、带宽(例如，本地网络、p2p、WAN、互联网带宽、可用性或输入/输出容量)、授权(例如，基于角色)、保修限制、制造商指南、维护指南下运行)是否应当保持或修改运行参数、设备或者神经网络或其它模型的权重。例如，在精炼厂中，锅炉运行的限制性因素是锅炉给水的通风需在循环中减少，因此，锅炉必须与除氧器协调运行。在该示例中，专家系统通过锅炉运行模型做种，与除气器协调运行，以获得指定的整体性能。在获取来自系统的传感器数据时，专家系统可以确定必须改变锅炉和充气器中的一个或两个以继续满足特定的整体性能。在另一个实施例中，专家系统可以确定系统在已给定的确定阻塞点下是否应保持或修改运行参数、设备或神经网络模型的权重。在又一个实施例中，专家系统可确定系统在给定的非正常运行情况下是否应保持或修改运行参数、设备或神经网络模型的权重。例如，当精炼厂中以高压输送气体的往复式压缩机在非正常运行条件下运行时，可通过传感器进行测量，该传感器将其数据馈送至专家系统(可选地，包括神经网络或其它机器学习系统)。当迭代和接收到非正常数据时，专家系统可预测精炼厂是否无法达到指定目标，并提供行动建议，如，停机维护往复式压缩机。在另一个实施例中，专家系统可以确定系统是否应从一个或多个传感器收集更多/更少的数据点。例如，对药物加工厂中的锚式搅拌器编程，使其搅拌罐中内容物，直到达到一定粘度(例如，以厘泊计)。专家系统在整个运行过程中收集指示粘度增加的数据时可建议收集其它数据点，以便在厂内系统应变因粘度而增加时确认预期状态。在又一个实施例中，专家系统可确定系统是否应该改变数据存储技术。在又一个示例中，专家系统可确定系统是否应该改变数据呈现模式或方式。
在另一个实施例中，专家系统可确定系统是否应该使用一个或多个滤波器(低通、高通和带通等)来收集数据。在又一个实施例中，专家系统可确定系统是否应该从新的智能带/新的传感器组收集数据和/或开始测量神经网络自身识别的新方面。例如，可对制药厂中运行的桨式搅拌混合器进行各种测量，如，混合时间、温度、同源底物的分布、与内部结构的热交换和罐壁或氧气传递速率、机械应力以及搅拌器和内部结构上的力和扭矩等。智能带中可包括监测桨式搅拌混合器各个方面的各种传感器数据流，如，流量计和温度计等。当专家系统迭代时(此时，可能已填充搅拌器运行期间的最小数据)，新运行方面(例如，pH对运行状态的影响)可变得显而易见。因此，专家系统将对新的智能带进行识别，该新智能带包括来自pH计的传感器数据。在又一个实施例中，专家系统可确定系统是否应该停止从智能带、一个或多个传感器等收集数据。在另一个实施例中，专家系统可确定系统是否应该开始从新的智能带(如，由神经网络本身识别的新智能带)收集数据。在又一个实施例中，专家系统可以确定系统是否应该利用专家系统调整模型的权重/偏差。在又一个实施例中，专家系统可以确定系统是否应该移除/重新使用未充分利用的设备。例如，专家系统可在制药加工厂运行期间对厂中与喷液泵一起工作的多个搅拌器进行监测。通过使用工厂运行期间搅拌器的做种数据迭代，专家系统可预测搅拌器是否满足运行状况，即使在一个或多个搅拌器停运的情况下。
在实施例中，工业环境中用于收集数据的监测系统可包括多个输入传感器(如本文所述的任何此类设备)，该传感器通信地耦合到具有控制器的数据收集器。监测系统可以包括数据收集带电路，该数据收集带电路构造成确定处理输出数据的多个传感器中的至少一个。监测系统还可以包括机器学习数据分析电路，该机器学习数据分析电路被构造成从多个传感器的至少一个中接收输出数据并且学习接收到的指示状态的输出数据模式。在一些实施例中，数据收集带电路可以基于接收到的所学输出数据模式和状态中的一个或多个来改变多个传感器中的至少一个或其一个方面。在某些实施例中，机器学习数据分析电路通过使其能够学习数据模式的模型做种。该模型可以是物理模型、运行模型、系统模型等。在其它实施例中，机器学习数据分析电路被构造成用于深度学习。在实施例中，所述输入数据被馈送至没有或最小数据填充的电路，并且机器学习数据分析电路基于输出反馈来学习。例如，生产聚合物的化学加工厂中的静态混合器可用于促进聚合反应。静态混合器在其运行中可采用湍流或层流。在静态混合器运行期间获得的最小数据，如，热传递、混合器的流出速度、雷诺数或压降，可被馈送至专家系统，而专家系统可基于初始反馈进行迭代预测(例如，聚合物的粘度、聚合物的颜色和聚合物的反应性)。
专家系统在智能带的管理中可能需要平衡多个目标/指南。例如，维修与维护组织(repair and maintenance organization，简称RMO)可针对精炼厂储罐的维护设计运行参数，而精炼厂的所有者为了满足生产目标，也可针对储罐设计特定的运行参数。在该示例中，这些与维护目标或生产量有关的目标可由不同的数据收集带跟踪。例如，储罐维护可由包括振动传感器和应变仪在内的传感器跟踪，而储罐生产目标可由包括温度传感器和流量计在内的传感器跟踪。专家系统可以(可选地，使用神经网络、机器学习系统和深度学习系统等，这可在一个或多个监管人员(人为监管或自动监管)下进行)智能地管理与不同目标保持一致的波段并分配权重，修改参数，或基于一个考虑因素(例如，侧重于一个目标，或者为了更好地与所有跟踪目标保持一致，而在目标之间的折中)提供行动建议。传递给专家系统的目标之间的折中可基于适用目标的一个或多个层级或规则(与权限、角色和关键性等相关)。在实施例中，可以使用机器学习(例如神经网络、深度学习系统或如贯穿本公开中描述的其它人工智能系统)来优化目标之间的折衷。
在一个说明性示例中，在运行气动搅拌器的化学加工厂中，专家系统可以管理多个智能带，如，用于检测气动搅拌器运行状态的智能带，用于确定达到生产目标概率的智能带，以及用于确定气动搅拌器的运行是否符合燃油效率目标的智能带。这些智能带中的每一个可以填充有来自不同传感器的不同传感器或数据(例如，用于指示运行状态的振动传感器，用于指示生产目标的流量计，以及用于指示燃料效率的燃料计)，其输出数据是指示特定目标的一个方面。在单个传感器或一组传感器有助于实现多个目标的情况下，当由智能带平台10722管理时，可通过重叠智能带(一些传感器共用，而有一些并非共用)从该传感器或传感器组获取输入。如果数据收集存在限制(如，由于功率限制、存储限制、带宽限制和输入/输出处理能力等)，则可利用规则(例如，法律或法规强制要求的燃料利用目标或污染减少目标)指定一个目标为优先目标，使得与其它目标相关联的数据收集暂停或关闭时，与该目标相关的智能带数据收集仍然得以继续。目标优先级可以分层管理，或者可以通过机器学习来进行管理。在给定当前获取数据的情况下，专家系统可通过模型做种，或者根本不做种，而向预测状态(即，满足目标)迭代。在该示例中，在气动搅拌器运行期间，工厂所有者可以决定将系统运行侧重于燃料效率。仍可监测所有频段，但是当专家系统迭代并预测系统将不满足或未达到特定目标，并提供旨在增加实现目标的机会的变更建议时，工厂所有者可以侧重于燃油效率来构造系统，使得影响燃油效率参数的变更建议同样支持进行其它变更建议。
在实施例中，专家系统可继续以深度学习方式迭代达到单个智能带，从而在通过一个以上智能带做种后，经过优化满足一个以上目标。例如，在化学加工厂或食品加工厂的热流加热系统中，可跟踪多个目标，如，热效率和经济效率。热流加热系统的热效率可以通过比较系统中和系统外的BTU来表示，系统中的BTU可通过燃料用量和质量获得，而系统外的BTU可通过系统外的流量和系统内及系统外的材料温差计算得出。热流加热系统的经济效率可用系统运行成本(包括燃料、劳动力、材料和保养维护)与系统在一段时间内的能量输出之比来表示。用于跟踪热效率的数据可包括来自流量计、质量数据点和温度计的数据，而用于跟踪经济效率的数据可以是来自系统的能量输出(例如，kWh)和成本数据。这些数据可由专家系统用于智能带中以预测状态，然而，专家系统可迭代到智能带，通过优化智能带来预测与热效率和经济效率有关的状态。新的智能带可包括之前在各智能带中使用的数据，但也可使用来自不同传感器或数据源的新数据。在实施例中，专家系统可以使用多个智能带做种并且迭代预测各种状态，但是也可以迭代以减少预测相同状态集所需的智能带数量。
在一些实施例中，专家系统的迭代可以由规则控制。例如，专家系统可构造成以预定频率收集做种数据。专家系统可构造成至少迭代多次，如，当添加新的元件/设备/燃料源时；当传感器停运或用作标准规范时。例如，当测量食品加工线中搅拌器转速的传感器停运，而专家系统开始从测量相同数据点的新传感器获取数据时，专家系统可构造成在利用状态影响或允许状态影响任何下游行动之前迭代多次。专家系统可构造成进行离线训练或现场/在线训练。专家系统可构造成在其智能带中包括静态和/或手动输入数据。例如，管理与食品加工厂中的混合器相关联的智能带的专家系统可以被构造成在正在加工的食品达到特定粘度之前反复预测混合的持续时间。在实施例中，智能带包括关于混合器的速度，其内含物的温度，粘度测量以及食品的粘度和温度所需的终点的数据。专家系统可构造成包括最小/最大数量的变量。
在实施例中，可以否决专家系统。在实施例中，专家系统可以恢复到先前的带设置，比如在专家系统出故障的情况下，比如在神经网络专家系统中的神经网络出故障的情况下，在基于模型的系统中的不确定性太高的情况下，在系统不能够解决基于规则的系统中的冲突规则或者系统无法收敛于前述情况中的任一情况中的解决方案的情况下。例如，专家系统在智能带中所使用的灌溉系统上的传感器数据可以指示现场中的大量泄漏，但是比如无人机的视觉检查指示没有这种泄漏。在这种情况下，专家系统将恢复到用于使专家系统做种的原始智能带。在另一示例中，工业压力锅上的一个或多个点传感器指示密封中的即将发生的故障，但是专家系统通过对性能度量的加权而收敛的数据收集带并未识别出故障。在这种情况下，智能带将恢复到原始设置或恢复到智能带的还将识别压力锅密封件的即将发生的故障的版本。在实施例中，专家系统可以在添加新部件的情况下改变智能带设置，该新部件使得系统更靠近不同的偏移系统。例如，将真空蒸馏单元添加至石油和天然气精炼厂以蒸馏萘，但专家系统的当前智能带设置来自蒸馏出煤油的精炼厂。在该示例中，可以搜索具有用于各种偏移系统的智能带设置的数据结构，以寻找与当前系统更紧密匹配的系统。当新的偏移系统被识别为更紧密匹配时，比如也蒸馏萘的新系统，新的智能带设置(例如，使用哪些传感器，放置位置，采样频率如何，需要哪些静态数据点等，如本文中所描述的)用于使专家系统做种以迭代来对系统的状态进行预测。在实施例中，专家系统可以在新的偏移数据集可以从第三方库获得的情况下改变智能带设置。例如，制药加工厂可以优化催化反应器以便以高效方式运行并将智能带设置存放在数据结构中。可以连续扫描数据结构以寻找新的智能带，该新的智能带更好地帮助监测催化反应并且因此促使对反应器的运行进行优化。
在实施例中，专家系统可以用于揭示未知变量。例如，专家系统可以迭代以识别待用于进一步迭代--比如进一步的神经网络迭代--的缺失变量。例如，发电站的传统冷凝/补给水系统中的未充分利用的罐可以具有未知容量，这是因为其不可接近且罐上不存在文件说明。罐的各个方面可以通过一群传感器测量以达到估计的体积(例如，流入下游空间中，染料追踪溶液用以通过系统的持续时间)，然后该体积可以被给送到神经元中作为智能带中的新变量。
在实施例中，专家系统节点位置的位置可以在机器上、在数据收集器(或一组数据收集器)上、在网络基础设施(企业或其它)中、或者在云中。在实施例中，可以存在跨节点的分布式神经元(例如，机器、数据收集器、网络、云)。
在一方面，用于工业环境中进行数据收集的监测系统10700包括多个输入传感器10702、数据收集带电路10708以及机器学习数据分析电路10712，多个输入传感器10702通信地耦合到数据收集器10704，该数据收集器10704具有控制器10706；数据收集带电路10708被构造成确定多个传感器10702中的至少一个传感器的至少一个收集参数，据此来处理输出数据10710；以及机器学习数据分析电路10712被构造成从多个传感器10702中的至少一个传感器接收输出数据10710并且对接收到的指示状态的输出数据模式10718进行学习。数据收集带电路10708基于状态和所学习的接收到的输出数据模式10718中的一个或多个来改变多个传感器10702中的至少一个传感器的至少一个收集参数。该状态可以与下述各者相对应：所述各者为与环境中的机器有关的结果、与环境中的机器有关的预期结果、与环境中的过程有关的结果、与环境中的过程有关的预期结果等。收集参数可以是带宽参数，可以用于控制多个输入传感器的复用，可以是定时参数，可以涉及频率范围，可以涉及传感器数据的收集粒度，可以是收集数据的存储参数。机器学习数据分析电路可以构造成通过用模型10720做种来学习接收到的输出数据模式10718，该模型10720可以是物理模型、操作模型或系统模型。机器学习数据分析电路可以构造成基于状态来学习接收到的输出数据模式10718。当所学习的接收到的输出数据模式无法可靠地预测状态时，数据收集带电路可以改变多个传感器的子集，这可以包括中断从至少一个子集收集数据。
监测系统10700可以基于所确定的状态来保持或修改环境中的设备项的运行参数。控制器10706可以基于所学习的接收到的输出数据模式10718或状态来调节机器学习数据分析电路10712的加权。控制器10706可以基于所学习的接收到的输出数据模式10718或状态来从多个传感器10702的至少一个子集中的一个或多个成员收集更多/更少的数据点。控制器10706可以基于所学习的接收到的输出数据模式10718或状态来改变输出数据10710的数据存储技术。控制器10706可以基于所学习的接收到的输出数据模式10718或状态来改变数据呈现模式或方式。控制器10706可以将一个或多个过滤器应用于输出数据10710。控制器10706可以基于状态和所学习的接收到的输出数据模式10718中的一个或多个来识别新数据收集带电路10708。控制器10706可以响应于下述各者来调节机器学习数据分析电路10712的权重/偏差：所述各者比如为所学习的接收到的输出数据模式10718、机器学习数据分析电路对预期状态进行预测的准确性、机器学习数据分析电路对状态进行分类的准确性等。监测设备10700可以基于状态和所学习的接收到的输出数据模式10718中的一个或多个来移除未充分利用的设备或重新分配未充分利用的设备。机器学习数据分析电路10712可以包括神经网络专家系统。多个传感器中的至少一个子集测量振动和噪声数据。机器学习数据分析电路10712可以构造成对接收到的指示关于一个或多个目标/指南的进展/对齐的输出数据模式10718进行学习。在实施例中，每个目标/指南的进展/对齐由多个传感器的不同子集确定。机器学习数据分析电路10712可以被构造成对接收到的指示未知变量的输出数据模式10718进行学习。机器学习数据分析电路10712可以被构造成对接收到的指示可用输入中的优选输入的输出数据模式10718进行学习。机器学习数据分析电路10712可以被构造成对接收到的指示可用输入数据收集带中的优选输入数据收集带的输出数据模式10718进行学习。机器学习数据分析电路10712可以部分设置在机器上、一个或多个数据收集器上、网络基础设施中、云中或其任意组合中。
在实施例中，用于工业环境中进行数据收集的监测设备可以包括多个输入传感器10702以及机器学习数据分析电路10712，多个输入传感器10702通信地耦合到控制器10706，控制器10706包括数据收集带电路10708，数据收集带电路10708被构造成确定多个传感器10702的至少一个子集，据此来处理输出数据10710；以及机器学习数据分析电路10712被构造成从多个传感器10702的至少一个子集接收输出数据并且对接收到的指示状态的输出数据模式10718进行学习。在实施例中，数据收集带电路10708基于所学习的接收到的输出数据模式10718和状态中的一个或多个来改变多个传感器10702的至少一个子集的一个方面。数据收集带电路10708改变的方面是从多个传感器10702的至少一个子集中的一个或多个成员收集的数据点的数量和频率。数据收集带电路10708改变的方面是带宽参数、定时参数、频率范围、传感器数据的收集粒度、所收集到的数据的存储参数等。
在一实施例中，用于工业环境中进行数据收集的监测系统10700可以包括多个输入传感器10702、数据收集带电路10708以及机器学习数据分析电路10712，多个输入传感器10702通信地耦合到数据收集器10704，该数据收集器10704具有控制器10706；数据收集带电路10708被构造成确定多个传感器10702中的至少一个传感器的至少一个收集参数，据此来处理输出数据10710；以及机器学习数据分析电路10712被构造成从多个传感器10702中的至少一个传感器接收输出数据10710并且对接收到的指示状态的输出数据模式进行学习。在实施例中，数据收集带电路10708基于状态和所学习的已接收输出数据模式10718中的一个或多个来改变多个传感器10702中的至少一个传感器的至少一个收集参数。在实施例中，当所学习的接收到的输出数据模式10718无法可靠地预测状态时，数据收集带电路10708可以改变多个传感器10702中的至少一个传感器。
在实施例中，用于工业环境中数据收集的监测系统10700可以包括：多个输入传感器10702，其可通信地耦合到数据收集器10704，数据收集器10704具有控制器10706；数据收集带电路10708，其被构造成确定多个传感器10702中的至少一个传感器的至少一个收集参数，据此来处理输出数据10710；以及机器学习数据分析电路10712，其被构造成从多个传感器10702中的至少一个传感器接收输出数据10710并且对指示状态的已接收输出数据模式10718进行学习。在实施例中，数据收集带电路10708基于状态和所学习的已接收输出数据模式10718中的一个或多个来改变多个传感器10702中的至少一个传感器的至少一个收集参数。在实施例中，数据收集器10704基于所学习的接收到的输出数据模式10718或状态从多个传感器10702中的至少一个传感器收集更多或更少的数据点。
在一实施例中，用于工业环境中进行数据收集的监测系统10700可以包括多个输入传感器10702、数据收集带电路10708以及机器学习数据分析电路10712，多个输入传感器10702通信地耦合到数据收集器10704，该数据收集器10704具有控制器10706；数据收集带电路10708被构造成确定多个传感器10702中的至少一个传感器的至少一个收集参数，据此来处理输出数据10710；以及机器学习数据分析电路10712被构造成从多个传感器10702中的至少一个传感器接收输出数据10710并且对接收到的指示状态的输出数据10710模式进行学习。在实施例中，数据收集带电路10708基于状态和所学习的已接收输出数据模式10718中的一个或多个来改变多个传感器10702中的至少一个传感器的至少一个收集参数。在实施例中，控制器10706基于所学习的接收到的输出数据模式10718或状态来改变输出数据10710的数据存储技术。
在实施例中，用于工业环境中数据收集的监测系统10700可以包括：多个输入传感器10702，其可通信地耦合到数据收集器10704，数据收集器10704具有控制器10706；数据收集带电路10708，其被构造成确定多个传感器10702中的至少一个传感器的至少一个收集参数，据此来处理输出数据10710；以及机器学习数据分析电路10712，其被构造成从多个传感器10702中的至少一个传感器接收输出数据10710并且对指示状态的已接收输出数据模式10718进行学习。在实施例中，数据收集带电路10708基于状态和所学习的已接收输出数据模式10718中的一个或多个来改变多个传感器10702中的至少一个传感器的至少一个收集参数。在实施例中，控制器10706基于所学习的接收到的输出数据模式10718或状态来改变数据呈现模式或方式。
在实施例中，用于工业环境中数据收集的监测系统10700可以包括：多个输入传感器10702，其可通信地耦合到数据收集器10704，数据收集器10704具有控制器10706；数据收集带电路10708，其被构造成确定多个传感器10702中的至少一个传感器的至少一个收集参数，据此来处理输出数据10710；以及机器学习数据分析电路10712，其被构造成从多个传感器10702中的至少一个传感器接收输出数据10710并且对指示状态的已接收输出数据模式10718进行学习。在实施例中，数据收集带电路10708基于状态和所学习的已接收输出数据模式10718中的一个或多个来改变多个传感器10702中的至少一个传感器的至少一个收集参数。在实施例中，控制器10706基于所学习的接收到的输出数据模式10718和状态中的一个或多个来识别新数据收集带电路10708。
在实施例中，用于工业环境中数据收集的监测系统10700可以包括：多个输入传感器10702，其可通信地耦合到数据收集器10704，数据收集器10704具有控制器10706；数据收集带电路10708，其被构造成确定多个传感器10702中的至少一个传感器的至少一个收集参数，据此来处理输出数据10710；以及机器学习数据分析电路10712，其被构造成从多个传感器10702中的至少一个传感器接收输出数据10710并且对指示状态的已接收输出数据模式10718进行学习。在实施例中，数据收集带电路10708基于状态和所学习的已接收输出数据模式10718中的一个或多个来改变多个传感器10702中的至少一个传感器的至少一个收集参数。在实施例中，控制器10706调节机器学习数据分析电路10712的权重/偏差。调节可以响应于所学习的接收到的输出数据模式、响应于机器学习数据分析电路对预期状态进行预测的准确性、响应于机器学习数据分析电路对状态进行分类的准确性等。
在一实施例中，用于工业环境中进行数据收集的监测系统10700可以包括多个输入传感器10702、数据收集带电路10708以及机器学习数据分析电路10712，多个输入传感器10702通信地耦合到数据收集器10704，该数据收集器10704具有控制器10706；数据收集带电路10708被构造成确定多个传感器10702中的至少一个传感器的至少一个收集参数，据此来处理输出数据10710。机器学习数据分析电路被构造成从多个传感器10702中的至少一个传感器接收输出数据10710并且对接收到的指示状态的输出数据模式10718进行学习。在实施例中，数据收集带电路10708基于状态和所学习的已接收输出数据模式10718中的一个或多个来改变多个传感器10702中的至少一个传感器的至少一个收集参数。在实施例中，机器学习数据分析电路10712被构造成对接收到的指示关于一个或多个目标或指南的进展或对准的输出数据模式10718进行学习。
权利要求1。在实施例中，用于工业环境中进行数据收集的监测系统包括多个输入传感器、数据收集带电路以及机器学习数据分析电路，多个输入传感器通信地耦合到数据收集器，该数据收集器具有控制器；数据收集带电路被构造成确定多个传感器中的至少一个传感器的至少一个收集参数，据此来处理输出数据；以及机器学习数据分析电路被构造成从多个传感器中的至少一个传感器接收输出数据并且对接收到的指示状态的输出数据模式进行学习。在实施例中，所述数据收集带电路基于状态和所学习的已接收输出数据模式中的一个或多个来改变多个传感器中的至少一个传感器的至少一个收集参数。在实施例中，状态对应于与环境中的机器相关的结果。在实施例中，状态对应于与环境中的机器相关的预期结果。在实施例中，状态对应于与环境中的过程相关的结果。在实施例中，状态对应于与环境中的过程相关的预期结果。在实施例中，收集参数是带宽参数。在实施例中，收集参数用于控制多个输入传感器的复用。在实施例中，收集参数是定时参数。在实施例中，收集参数与频率范围相关。在实施例中，收集参数与传感器数据的收集粒度相关。在实施例中，所述收集参数是所收集数据的存储参数。在实施例中，机器学习数据分析电路被构造成通过植入模型来学习所接收到的输出数据模式。在实施例中，所述模型可以是物理模型、操作模型或系统模型。在实施例中，机器学习数据分析电路被构造成基于状态来学习接收到的输出数据模式。在实施例中，当所学习的接收到的输出数据模式无法可靠地预测状态时，数据收集带电路改变多个传感器的子集。在实施例中，改变至少一个子集包括中断从至少一个子集收集数据。在实施例中，监测系统基于所确定的状态来保持或修改环境中的设备项的运行参数。在实施例中，控制器基于所学习的接收到的输出数据模式或状态来调节机器学习数据分析电路的加权。在实施例中，控制器基于所学习的接收到的输出数据模式或状态从多个传感器的至少一个子集中的一个或多个成员收集更多或更少的数据点。在实施例中，所述控制器基于所学习的已接收输出数据模式或状态来改变输出数据的数据存储技术。在实施例中，所述控制器基于所学习的已接收输出数据模式或状态来改变数据呈现模式或方式。在实施例中，控制器将一个或多个过滤器应用于输出数据。在实施例中，所述控制器基于所学习的已接收输出数据模式和状态中的一个或多个来识别新数据收集带电路。在实施例中，所述控制器调节所述机器学习数据分析电路的权重/偏差。在实施例中，所述调节响应于所学习的已接收输出数据模式。在实施例中，所述调节响应于所述机器学习数据分析电路对预期状态进行预测的准确性。在实施例中，所述调节响应于所述机器学习数据分析电路对状态进行分类的准确性。在实施例中，监测设备基于所学习的接收到的输出数据模式和状态中的一个或多个来移除或重新分配未充分利用的设备。在实施例中，所述机器学习数据分析电路包括神经网络专家系统。在实施例中，多个传感器中的至少一个子集测量振动和噪声数据。在实施例中，所述机器学习数据分析电路被构造成对接收到的指示关于一个或多个目标/指南的进展/对齐的输出数据模式进行学习。在实施例中，每个目标/指南的进展/对齐由多个传感器的不同子集确定。在实施例中，所述机器学习数据分析电路被构造成对接收到的指示未知变量的输出数据模式进行学习。在实施例中，所述机器学习数据分析电路被构造成对接收到的指示可用输入中的优选输入的输出数据模式进行学习。在实施例中，所述机器学习数据分析电路被构造成对接收到的指示可用输入数据收集带中的优选输入数据收集带的输出数据模式进行学习。在实施例中，所述机器学习数据分析电路部分设置在机器上、一个或多个数据收集器上、网络基础设施中、云中或其任意组合中。
在实施例中，方法和系统包括用于工业环境中进行数据收集的监测设备，该监测设备包括多个输入传感器以及机器学习数据分析电路，多个输入传感器通信地耦合到控制器，控制器包括数据收集带电路，数据收集带电路被构造成确定多个传感器的至少一个子集，据此来处理输出数据；以及机器学习数据分析电路被构造成从多个传感器的至少一个子集接收输出数据并且对接收到的指示状态的输出数据模式进行学习。在实施例中，数据收集带电路基于所学习的接收到的输出数据模式和状态中的一个或多个来改变多个传感器的至少一个子集的一个方面。在实施例中，数据收集带电路改变的方面是从多个传感器的至少一个子集中的一个或多个成员收集的数据点的数量。在实施例中，数据收集带电路改变的方面是从多个传感器的至少一个子集中的一个或多个成员收集的数据点的频率。在实施例中，数据收集带电路改变的方面是带宽参数。在实施例中，数据收集带电路改变的方面是定时参数。在实施例中，数据收集带电路改变的方面与频率范围相关。在实施例中，数据收集带电路改变的方面与传感器数据的收集粒度相关。在实施例中，所述收集参数是所收集数据的存储参数。在实施例中，方法和系统包括一种用于工业环境中的数据收集的监测系统。在实施例中，所述系统包括：多个输入传感器，其可通信地耦合到数据收集器，所述数据收集器具有控制器；数据收集带电路，其被构造成确定多个传感器中的至少一个传感器的至少一个收集参数，据此来处理输出数据；以及机器学习数据分析电路，其被构造成从多个传感器中的至少一个传感器接收输出数据并且对指示状态的已接收输出数据模式进行学习。在实施例中，所述数据收集带电路基于状态和所学习的已接收输出数据模式中的一个或多个来改变多个传感器中的至少一个传感器的至少一个收集参数。在实施例中，当所学习的接收到的输出数据模式无法可靠地预测状态时，数据收集带电路改变多个传感器的至少一个传感器。
在实施例中，本文公开的方法和系统包括一种用于工业环境中的数据收集的监测系统。在实施例中，所述系统包括：多个输入传感器，其可通信地耦合到数据收集器，所述数据收集器具有控制器；数据收集带电路，其被构造成确定多个传感器中的至少一个传感器的至少一个收集参数，据此来处理输出数据；以及机器学习数据分析电路，其被构造成从多个传感器中的至少一个传感器接收输出数据并且对指示状态的已接收输出数据模式进行学习。在实施例中，所述数据收集带电路基于状态和所学习的已接收输出数据模式中的一个或多个来改变多个传感器中的至少一个传感器的至少一个收集参数。在实施例中，数据收集器基于所学习的接收到的输出数据模式或状态从多个传感器中的至少一个传感器收集更多或更少的数据点。
在实施例中，本文公开的方法和系统包括用于工业环境中进行数据收集的监测系统，该监测系统包括多个输入传感器、数据收集带电路以及机器学习数据分析电路，多个输入传感器通信地耦合到数据收集器，该数据收集器具有控制器；数据收集带电路被构造成确定多个传感器中的至少一个传感器的至少一个收集参数，据此来处理输出数据；以及机器学习数据分析电路被构造成从多个传感器中的至少一个传感器接收输出数据并且对接收到的指示状态的输出数据模式进行学习。在实施例中，所述数据收集带电路基于状态和所学习的已接收输出数据模式中的一个或多个来改变多个传感器中的至少一个传感器的至少一个收集参数。在实施例中，所述控制器基于所学习的已接收输出数据模式或状态来改变输出数据的数据存储技术。
在实施例中，本文公开的方法和系统包括用于工业环境中数据收集的监测系统。在实施例中，所述系统包括：多个输入传感器，其可通信地耦合到数据收集器，所述数据收集器具有控制器；数据收集带电路，其被构造成确定多个传感器中的至少一个传感器的至少一个收集参数，据此来处理输出数据；以及机器学习数据分析电路，其被构造成从多个传感器中的至少一个传感器接收输出数据并且对指示状态的已接收输出数据模式进行学习。在实施例中，所述数据收集带电路基于状态和所学习的已接收输出数据模式中的一个或多个来改变多个传感器中的至少一个传感器的至少一个收集参数。在实施例中，所述控制器基于所学习的已接收输出数据模式或状态来改变数据呈现模式或方式。
在实施例中，本文公开的方法和系统包括用于工业环境中数据收集的监测系统。在实施例中，所述系统包括：多个输入传感器，其可通信地耦合到数据收集器，所述数据收集器具有控制器；数据收集带电路，其被构造成确定多个传感器中的至少一个传感器的至少一个收集参数，据此来处理输出数据；以及机器学习数据分析电路，其被构造成从多个传感器中的至少一个传感器接收输出数据并且对指示状态的已接收输出数据模式进行学习。在实施例中，所述数据收集带电路基于状态和所学习的已接收输出数据模式中的一个或多个来改变多个传感器中的至少一个传感器的至少一个收集参数。在实施例中，所述控制器基于所学习的已接收输出数据模式和状态中的一个或多个来识别新数据收集带电路。
在实施例中，方法和系统包括用于工业环境中数据收集的监测系统。在实施例中，所述系统包括：多个输入传感器，其可通信地耦合到数据收集器，所述数据收集器具有控制器；数据收集带电路，其被构造成确定多个传感器中的至少一个传感器的至少一个收集参数，据此来处理输出数据；以及机器学习数据分析电路，其被构造成从多个传感器中的至少一个传感器接收输出数据并且对指示状态的已接收输出数据模式进行学习。在实施例中，所述数据收集带电路基于状态和所学习的已接收输出数据模式中的一个或多个来改变多个传感器中的至少一个传感器的至少一个收集参数。在实施例中，所述控制器调节所述机器学习数据分析电路的权重/偏差。在实施例中，所述调节响应于所学习的已接收输出数据模式。在实施例中，所述调节响应于所述机器学习数据分析电路对预期状态进行预测的准确性。在实施例中，所述调节响应于所述机器学习数据分析电路对状态进行分类的准确性。
在实施例中，本文公开的方法和系统包括用于工业环境中数据收集的监测系统。在实施例中，所述系统包括：多个输入传感器，其可通信地耦合到数据收集器，所述数据收集器具有控制器；数据收集带电路，其被构造成确定多个传感器中的至少一个传感器的至少一个收集参数，据此来处理输出数据；以及机器学习数据分析电路，其被构造成从多个传感器中的至少一个传感器接收输出数据并且对指示状态的已接收输出数据模式进行学习。在实施例中，所述数据收集带电路基于状态和所学习的已接收输出数据模式中的一个或多个来改变多个传感器中的至少一个传感器的至少一个收集参数。在实施例中，机器学习数据分析电路被构造成对接收到的指示关于一个或多个目标或指南的进展或对准的输出数据模式进行学习。
如本文其它地方所描述的，工业环境中的专家系统可以使用传感器数据来预测关于环境结果或环境状态或环境中的项目。数据收集可以是用于事件检测、状态检测等的各种类型的数据(例如，贯穿本公开内容所描述的振动数据、噪声数据和其它类型的传感器数据)。例如，专家系统可以在检测或预测事件或状态时利用可选地结合其它传感器数据的环境噪声或者区域的整体声音环境和/或感兴趣的装置的整体振动。例如，精炼厂中的往复式压缩机--可以产生其自身振动--也可以通过与系统的其它方面接触而具有环境振动。
在实施例中，包括其各种子集和与其它类型的数据的组合的所有三种类型的噪声(环境噪声、局部噪声和振动噪声)可以被组织成大数据集以及测量结果，大数据集和测量结果由“深度学习”机器/专家系统处理，该“深度学习”机器/专家系统例如通过学习人工监督或其它反馈(例如来自贯穿本公开以及通过引用并入本文中的文档中所描述的系统中的一个或多个系统的反馈)来学习预测一个或多个状态(例如，维护，故障或运行)或总体结果。
贯穿本公开内容，各种示例将涉及机器、部件、设备、组件等，并且应当理解的是，本公开可以适用于任意上述各者。在工业环境中运行的这些机器的元件(例如，旋转元件、往复元件、摆动元件、弯曲元件、流动元件、悬挂元件、浮动元件、弹跳元件、轴承元件等)可以在元件处于给定的运行条件或状态时(例如，在给定速度、给定齿轮等下的机器的正常运行模式)产生可以属于元件的典型的特定频率和/或幅度的振动。振动参数的变化可以指示或预测机器的状态或结果。各种传感器可以用于测量振动，所述各种传感器比如为加速度计、速度传感器、成像传感器、声学传感器和位移探针，所述各种传感器可以统称为振动传感器。振动传感器可以比如以永久的或临时的(例如，粘合剂、钩环或磁性附件)方式安装至机器，或者振动传感器可以设置在移动或便携式数据收集器上。感测到的条件可以与历史数据进行比较以识别或预测状态、条件或结果。可以使用振动分析来识别的典型故障包括：机器失衡、机器未对准、共振、弯曲轴、齿轮啮合扰动、叶片通过扰动、叶片通过扰动、再循环和气蚀、电机故障(转子和定子)、轴承故障、机械松动、临界机器速度等、以及过度摩擦、离合器打滑、皮带问题、悬架和减振问题、阀和其它流体泄漏、润滑和其它流体系统中的欠压状态、过热(比如由于上述许多因素)、机械系统的接合的阻塞或冻结、干扰效应、以及贯穿本公开内容所描述的及通过参引并入的文献中所描述的其它缺陷。
鉴于机器被经常发现与其它机器相邻或与其它机器协同工作，因此对机器的振动进行测量可能因环境中的各种噪声部件的存在或者机器所可能经受的相关联的振动的存在而变得复杂。实际上，周围和/或局部环境可以具有其自身可能已知的振动和/或噪声模式。在实施例中，振动数据与周围和/或局部噪声或其它环境感测条件的组合可以形成其自身的模式，如本文中将进一步描述的。
在实施例中，测量振动噪声可以涉及位于机器上或机器中的一个或多个振动传感器，所述一个或多个振动传感器用以测量机器的连续地或周期地发生的振动噪声。可以执行振动噪声的分析，比如滤波、信号调节、光谱分析、趋势分析等。可以对聚合或单个传感器的测量进行分析，以隔离设备的振动噪声进而获得机器的特征振动、振动模式或“振动指纹”。振动指纹可以存储在振动指纹的数据结构或库中。振动指纹可以包括频率、频谱(即，频率与幅度)、速度、峰值位置、波峰形状、波形形状、波包络形状、加速度、相位信息、相移(包括复相位测量)等。与参数相关联的振动指纹可以存储在库中，振动指纹可以借助于该参数来进行搜索或分类。参数可以包括机器/部件/设备的品牌或类型、传感器附件或放置的位置、设备/机器的工作循环、设备/机器的负载共享、与其它装置的动态交互、RPM、流量、压力、其它振动驱动特性、线路功率的电压、设备使用年限、操作时间、已知的相邻设备、相关的辅助设备/部件、空间设备的尺寸、设备平台材料、热通量、磁场、电场、电流、电压、电容、电感、产品的方面、以及其组合(例如，简比)。可以为正常运行或者其它运行时段(例如，非正常运行、机能障碍、所需要的维护、故障组件、不正确的运行参数、其它条件等)下的机器获得振动指纹，并且振动指纹可以存储在库中以用于与当前数据进行比较。振动指纹的库可以存储为具有相关预测、状态、结果和/或事件的指示符。所测量的振动指纹的趋势分析数据可以指示维护事件/故障事件之间的时间。
在实施例中，专家系统可以使用振动噪声来确认机器的状态，比如有利操作、生产率、生成率、操作效率、财务效率(例如，每个成本的输出)、功率效率等。在实施例中，专家系统可以将振动噪声与所存储的振动指纹进行比较。在其它实施例中，专家系统可以使用振动噪声和关于状态和结果的初始反馈来做种，以便学习预测其它状态和结果。例如，中心枢转灌溉系统可以通过附接的振动传感器来进行进行远程监测，以提供可以与振动指纹库相比较的测量的振动噪声，进而确认系统是正常操作的。如果系统运行不正常，专家系统可能会自动派遣现场工作人员或无人机进行调查。在精炼厂中的真空蒸馏单元的另一示例中，可以比如通过专家系统将振动噪声与库中的存储的振动指纹进行比较以确认柴油的生产率。在另一示例中，专家系统可以在正常生产率的条件下为管道施加振动噪声，并且当专家系统用当前数据(例如，改变的振动噪声和可能的其它改变的参数)迭代时，专家系统可以预测到生产率因迭代而提高。可以以这种方式连续地分析测量以远程监测操作。
在实施例中，可以比如通过专家系统将振动噪声与库中的存储的振动指纹以及相关状态和结果进行比较，或者替代性地，该振动噪声可以用于使专家系统做种以预测何时需要维护(例如，非正常测量、信号中的伪像等)，比如当振动噪声与设备/部件所需维护的条件相匹配、振动噪声超过阈值/极限、振动噪声超过阈值/极限或者振动噪声同一个或多个附加参数一起与库振动指纹相匹配时，如本文中所描述的那样。例如，当来自制药加工厂中的涡轮搅拌器的振动指纹与需要更换轴承的涡轮搅拌器的振动指纹相匹配时，专家系统可以引起动作，比如立即关闭搅拌器或安排搅拌器的关闭和维护。
在实施例中，可以比如通过专家系统将振动噪声与库中的存储的振动指纹以及相关状态和结果进行比较，或者替代性地，振动噪声可以用于使专家系统做种以预测故障或即将发生的故障。例如，来自制药加工厂中的气体搅拌器的振动噪声可以与搅拌器先前出故障或即将出故障时的条件相匹配。在该示例中，专家系统可以立即关闭搅拌器、安排搅拌器关闭、或者使备用搅拌器上线。在另一示例中，来自化学加工厂中的泵喷射液体搅拌器的振动噪声可能超过阈值或极限，并且专家系统可能会调查造成过量振动噪声、关闭搅拌器等的原因。在另一示例中，来自制药加工厂中的锚式搅拌器的振动噪声可能会超过阈值/极限或者使库振动指纹与一个或多个附加参数(参见本文中的参数)相匹配，所述一个或多个附加参数比如为降低的流量、升高的温度等。通过使用结合参数的振动噪声，专家系统可以更可靠地预测故障或即将发生的故障。
在实施例中，可以比如通过专家系统将振动噪声与库中的存储的振动指纹以及相关状态和结果进行比较，或者替代性地，振动噪声可以用于使专家系统做种以对设备或者给设备带来振动噪声的外部源所存在的问题(例如，不平衡、未对准、磨损或损坏)进行预测或诊断。例如，当来自桨式搅拌器混合器的振动噪声与因先前不平衡引起的振动指纹相匹配时，专家系统可以立即关闭混合器。
在实施例中，当专家系统使用振动噪声来对结果或状态进行预测时，专家系统可以执行下游动作或者使下游动作被执行。下游动作可以包括：触发故障、即将发生的故障、或维护事件的报警；关闭设备/部件；启动维护/润滑/对准；部署现场技术人员；推荐减振/阻尼装置；修改过程以利用备用设备/部件；修改过程以保存产品/反应物等；生成/修改维护计划；将振动指纹与设备的工作循环、RPM、流量、压力、温度或其它振动驱动特性相结合，以获得设备/部件状态并生成报告等。例如，化学加工厂中的催化反应器的振动噪声可以与当催化反应器需要维护时的条件相匹配。基于该所需的维护的预测状态，专家系统可以部署现场技术人员来执行维护。
在实施例中，如果改变的参数导致新的振动指纹，或者如果在没有缓解的情况下预测的结果或状态未发生，则可以更新库。在实施例中，如果振动指纹与替代性状态而非由库预测的状态相关联，则可以更新库。更新可以在下述情况下仅一次之后发生：所述情况为实际发生的状态与库中的预测状态不匹配。在其它实施例中，更新可以在阈值次数之后发生。在实施例中，可以更新库以应用一个或多个用于比较的规则--比如控制与振动指纹相匹配的参数的多少的规则、或者控制用于匹配的标准偏差的规则--以便接受预测结果。
在实施例中，可以比如通过专家系统将振动噪声与库中存储的振动指纹以及相关状态和结果进行比较，或者替代性地，振动噪声可以用于对专家系统进行做种以确定在机器的外部或内部的系统参数的变化是否对其固有操作有影响。在实施例中，温度、流量、使用中的材料、使用持续时间、电源、安装或其它参数(参见上述参数)中的一个或多个的变化可以改变机器的振动指纹。例如，在化学加工厂中的压力反应器中，可以改变流量和反应物。这些改变可以改变机器的振动指纹，使得存储在库中用于正常操作的振动指纹不再正确。
可选地结合其它环境感测条件的环境噪声或者区域的整体声音环境和/或感兴趣的装置的整体振动可以用于对事件、结果或状态进行检测或预测。环境噪声可以通过麦克风、超声传感器、声波传感器、光学振动传感器来测量(例如，通过相机来观察产生噪声的振荡)或者“深度学习”神经网络(涉及使用大数据集来学习对模式、声音类型、噪声类型等进行识别的各种传感器阵列)来测量。在实施例中，环境感测条件可以与运动检测相关。例如，运动可以是平台运动(例如，车辆、石油平台、陆地上的悬挂平台等)或物体运动(例如，移动设备、人、机器人、部件(例如，风扇叶片或涡轮叶片)等)。在实施例中，环境感测条件可以通过成像来感测，以检测各种机器、设备和其它物体--比如可能会影响局部振动的物体--的位置和性质。在实施例中，环境感测条件可以通过热检测和成像来感测(例如，人的存在；可能会影响性能参数的热源的存在等)。在实施例中，环境感测条件可以通过场检测(例如，电场检测、磁场检测等)来感测。在实施例中，环境感测条件可以通过化学检测(例如，烟雾、其它条件)来感测。专家系统可以使用任何传感器数据来提供用于分析的环境感测条件以及用以预测结果、事件或状态的振动指纹。例如，食品加工厂中的搅拌器或混合器附近的环境感测条件可以是冬季月份期间空间加热器的运行。在实施例中，环境感测条件可以包括环境噪声和环境温度。
在一方面，局部噪声可以是周围的但已知的是局部产生的噪声或振动环境。专家系统可以滤除环境噪声、采用共模噪声去除、并且/或者物理隔离感测环境。
在实施例中，用于工业环境中进行数据收集的系统可以使用环境噪声、局部噪声和振动噪声来预测结果、事件和状态。对于各种条件(例如，起动、关闭、正常操作、如本文中其它地方所描述的其它操作时段)，库可以用三种噪声类型中的每一种噪声类型来填充。在其它实施例中，库可以用表示聚合环境噪声、局部噪声和/或振动噪声的噪声模式来填充。可以对聚合噪声进行分析(例如，滤波、信号调节、频谱分析、趋势分析)以获得特征噪声模式并且将噪声模式的变化识别为变化条件的可能指示符。可以生成具有已建立的振动指纹以及局部和环境噪声的噪声模式库，其可以通过参数(参见本文中的参数)或者本地和周围环境的其它参数/特征(例如，公司类型、行业类型、产品、机器人处理单元存在/不存在、操作环境、流量、生产率、辅助设备的品牌或类型(例如，滤波器、密封件、耦合机器))。噪声模式库可以由专家系统使用--比如具有机器学习能力的系统--以确认机器的状态、预测何时需要维护(例如，非正常测量、信号中的伪像)、并且预测故障或即将发生的故障、预测/诊断问题等。
基于当前噪声模式，可以查询或使用库来为专家系统做种以基于噪声模式来预测结果、事件或状态。基于预测，专家系统可以触发下述各种中的一个或多个的警告：所述各者为故障、即将发生的故障、或维护事件、关闭设备/部件/线路、启动维护/润滑/对准、部署现场技术人员、推荐减振/阻尼装置、修改利用备用设备/部件的过程、修改过程以保存产品/反应物等、生成/修改维护计划等。
例如，用于制药厂或烹饪系统中的热流加热系统的噪声模式可以包括局部噪声、环境噪声和振动噪声。环境噪声可能是例如各种泵将燃料泵送到系统中的结果。局部噪声可能是本地安全摄像头在每次检测到运动时啁啾的结果。振动噪声可能由用于加热热流体的燃烧机器造成。这些噪声源可以形成可以与热系统的状态相关联的噪声模式。噪声模式和相关状态可以存储在库中。用于监测热流加热系统的状态的专家系统可以用来自库的噪声模式和相关状态做种。在当前数据被接收到专家系统中时，其可以基于已学习的噪声模式和相关状态来预测状态。
在另一示例中，精炼厂中用于锅炉给水的噪声模式可以包括局部和环境噪声。局部噪声可归因于例如将给水给送到汽包中的给送泵的操作。环境噪声可能归因于附近的风扇。这些噪声源可以形成可以与锅炉给水的状态相关联的噪声模式。噪声模式和相关状态可以存储在库中。用于监测锅炉状态的专家系统可以用来自库的噪声模式和相关状态做种。在当前数据被接收到专家系统中时，其可以基于已学习的噪声模式和相关状态来预测状态。
在又一示例中，精炼厂中的储存箱的噪声模式可以包括局部噪声、环境噪声和振动噪声。环境噪声可能是例如将产品泵送到罐中的泵的结果。局部噪声可能是使罐室通风的风扇的结果。振动噪声可能由电源进入储存箱的线路噪声引起。这些噪声源可以形成可以与储存箱的状态相关联的噪声模式。噪声模式和相关状态可以存储在库中。用于监测储存箱的状态的专家系统可以用来自库的噪声模式和相关状态做种。在当前数据被接收到专家系统中时，其可以基于已学习的噪声模式和相关状态来预测状态。
在另一示例中，用于发电站中的冷凝物/补给水系统的噪声模式可以包括振动和环境噪声。环境噪声可能归因于附近的风扇。振动噪声可能归因于冷凝器的操作。这些噪声源可以形成可以与冷凝物/补给水系统的状态相关联的噪声模式。噪声模式和相关状态可以存储在库中。用于监测冷凝物/补给水系统的状态的专家系统可以用来自库的噪声模式和相关状态做种。在当前数据被接收到专家系统中时，其可以基于已学习的噪声模式和相关状态来预测状态。
如果改变的参数导致新的噪声模式，或者如果在没有缓解诊断问题的情况下预测的结果或状态未发生，则可以更新噪声模式库。如果噪声模式导致替代性状态而非库所预测的状态，则可以更新噪声模式库。更新可以在下述情况下仅一次之后发生：所述情况为实际发生的状态与库中的预测状态不匹配。在其它实施例中，更新可以在阈值次数之后发生。在实施例中，可以更新库以应用一个或多个用于比较的规则--比如控制与噪声指纹相匹配的参数的多少的规则、或者控制用于匹配的标准偏差的规则--以便接受预测结果。例如，挡板可以在制药加工厂的静态搅拌器中更换，这可能导致改变的噪声模式。在另一示例中，由于食品加工厂中的压力锅上的密封件老化，因此与压力锅相关联的噪声模式可能改变。
在实施例中，振动指纹库、噪声源和/或噪声模式可供订阅。这些库可以使用在偏移系统中以改善本地系统的操作。订户可以以任何级别(例如，部件、机器、安装等)订阅，以便访问对其而言通常不可用的数据，这是因为这些不可用的数据比如来自竞争对手、或者来自通常不被考虑的不同行业中的机器的安装。订户可以基于系统条件或者由系统条件过滤来搜索指示符/预测因子，或者使用专有数据更新指示符/预测因子来定制库。该库还可以包括在整个安装中由部署的传感器自动生成的参数和元数据、车载诊断系统和仪表和传感器、环境中的环境传感器、比如在一个或多个移动数据收集器中可以临时安装就位的传感器、可以被放置就位以便长期使用的、比如附接至装置或系统上的感兴趣点的传感器等。
在实施例中，第三方(例如，RMO、制造商)可以在部件级别、设备级别、工厂/安装级别处聚合数据，并且提供统计上有效的数据集，以针对该有效的数据集优化其自身的系统。例如，当考虑机器的新安装时，查看库以获得在进行状态预测时获取的最佳数据点可能是有益的。例如，可以推荐特定的传感器封装以可靠地确定是否存在故障。例如，如果设备的振动噪声与特定水平的局部噪声或其它环境感测条件可靠地相结合是即将发生故障的指示，则可以推荐观察这些元件的给定振动传感器/温度/麦克风组件用于安装。了解这些信息可以比如基于获悉可靠地维护机器所需的信息的数量和深度而告知租赁或购买一件机器或者相关的保证和服务计划的选择。
在实施例中，制造商可以利用该库来快速收集机器的服务中信息，以便为新客户起草工程规范。
在实施例中，噪声和振动数据可以用于远程监测安装并自动派遣现场工作人员。
在实施例中，噪声和振动数据可以用于审核系统。例如，可以通过一套振动传感器和/或环境/局部噪声传感器来检测在许可工作循环范围之外运行的设备。在实施例中，可以基于来自振动传感器和/或环境/局部噪声传感器的数据来触发潜在的保修期外违规的报警。
在实施例中，噪声和振动数据可以用于维护。这在下述情况下可以是特别有用的：多个机器被部署成可以与环境以振动的方式相互作用，比如说例如在发电厂中的位于同一地板或平台上的彼此与环境以振动的方式相互作用的两个大型发电机。
在实施例中，用于工业环境中进行数据收集的监测系统10800可以包括多个传感器10802、数据收集电路10808以及机器学习数据分析电路10812，多个传感器10802选自振动传感器、周围环境条件传感器、以及用于收集环境中的机器附近的非振动数据的本地传感器，多个传感器10802通信地耦合到数据收集器10804；数据收集电路10808被构造成从多个传感器10802收集输出数据10810的数据收集电路10808；以及机器学习数据分析电路10812被构造成接收输出数据10810并且对接收到的预测结果和状态中的至少一个的输出数据模式10814进行学习。该状态可以对应于与环境中的机器有关的结果，与环境中的机器有关的预期结果，与环境中的过程有关的结果，或者与环境中的过程有关的预期结果。该系统可以部署在数据收集器10804上或者分布在数据收集器10804与远程基础设施之间。数据收集器10804可以包括数据收集电路10808。周围环境条件或本地传感器包括噪声传感器、温度传感器、流量传感器、压力传感器、化学传感器、振动传感器、加速度传感器、加速度计、压力传感器、力传感器、位置传感器、定位传感器、速度传感器、位移传感器、温度传感器、热成像传感器、热通量传感器、转速计传感器、运动传感器、磁场传感器、电场传感器、电传感器、电流传感器、流量传感器、气体流量传感器、非气态流体流量传感器、热流传感器、微粒流量传感器、液位传感器、接近传感器、有毒气体传感器、化学传感器、CBRNE传感器、pH传感器、湿度计、湿度传感器、密度计、成像传感器、相机、SSR、三轴探针、超声波传感器、触摸传感器、麦克风、电容传感器、应变计、EMF计等。
在实施例中，用于工业环境中数据收集的监测系统10800可以包括：数据收集电路10808，其被构造成从多个传感器10802中收集输出数据10810，所述多个传感器选自振动传感器、周围环境条件传感器、以及用于收集所述环境中机器附近的非振动数据的本地传感器，多个传感器10802可通信地耦合到数据收集电路10808；以及机器学习数据分析电路10812，其被构造成接收输出数据10810并且对接收到的预测结果和状态中的至少一个的输出数据模式10814进行学习。在实施例中，监测系统10800被构造成确定输出数据是否与学习的接收到的输出数据模式匹配。机器学习数据分析电路10812可以构造成通过用模型10816做种来学习所接收到的输出数据模式10814。模型10816可以是物理模型、操作模型或系统模型。机器学习数据分析电路10812可以构造成基于结果或状态来学习接收到的输出数据模式10814。监测系统10700基于预测的结果或状态来保持或修改运行参数或设备。数据收集电路10808基于所学习的接收到的输出数据模式10814、结果或状态而从多个传感器10802中的一个或多个传感器收集更多或更少的数据点。数据收集电路10808基于所学习的接收到的输出数据模式10814、结果或状态来改变输出数据的数据存储技术。数据收集器10804基于所学习的接收到的输出数据模式10814、结果或状态来改变数据呈现模式或方式。数据收集电路10808将一个或多个滤波器(低通滤波器、高通滤波器、带通滤波器等)应用于输出数据。数据收集电路10808比如响应于所学习的接收到的输出数据模式10814而调节机器学习数据分析电路10812的权重/偏差。监测系统10800基于所学习的接收到的输出模式10814、结果或状态中的一个或多个来移除/重新分配未充分利用的设备。机器学习数据分析电路10812可以包括神经网络专家系统。机器学习数据分析电路10812可以构造成对接收到的指示关于一个或多个目标/指南的进展/对齐的输出数据模式10814进行学习。在实施例中，每个目标/指南的进展/对齐由多个传感器10802的不同子集确定。机器学习数据分析电路10812可以被构造成对接收到的指示未知变量的输出数据模式10814进行学习。机器学习数据分析电路10812可以构造成对指示出可用输入传感器中的优选输入传感器的所接收到的输出数据模式10814进行学习。机器学习数据分析电路10812可以部分设置在机器上、一个或多个数据收集电路10808上、网络基础设施中、云中或其任意组合中。来自振动传感器的输出数据10810形成振动指纹，该振动指纹可以包括频率、频谱、速度、峰值位置、波峰形状、波形形状、波包形状、加速度、相位信息和相移中的一个或多个。数据收集电路10808可以应用与振动指纹相匹配的参数的多少或者用于匹配的标准偏差有关的规则，以识别输出数据10810与所学习的接收到的输出数据模式之间的匹配。状态可以是正常操作、需要维护、故障或即将发生的故障中的一者。监测系统10800可以触发警报、关闭设备/部件/线路、基于预测的结果或状态启动维护/润滑/对准、基于预测的结果或状态部署现场技术人员、基于预测的结果或状态推荐减振/阻尼设备、基于预测的结果或状态修改过程以利用备用设备/组件等。监测系统10800可以基于预测的结果或状态来修改过程以保存产品/反应物等。监测系统10800可以基于预测的结果或状态来生成或修改维护计划。数据收集电路10808可以包括数据收集电路10808。该系统可以部署在数据收集电路10808上或者分布在数据收集电路10808与远程基础设施之间。
在实施例中，用于工业环境中数据收集的监测系统10800可以包括：数据收集电路10808，其被构造成从多个传感器10802中收集输出数据10810，所述多个传感器选自振动传感器、周围环境条件传感器、以及用于收集所述环境中机器附近的非振动数据的本地传感器，多个传感器10802可通信地耦合到数据收集电路10808；以及机器学习数据分析电路10812，其被构造成接收输出数据10810并且对接收到的预测结果和状态中的至少一个的输出数据模式10814进行学习。在实施例中，监测系统10800被构造成确定输出数据是否与所学习的接收到的输出数据模式相匹配并且基于该确定来保持或修改运行参数或设备。
在实施例中，用于工业环境中数据收集的监测系统10800可以包括：数据收集电路10808，其被构造成从多个传感器10802中收集输出数据10810，所述多个传感器选自振动传感器、周围环境条件传感器、以及用于收集所述环境中机器附近的非振动数据的本地传感器，多个传感器10802可通信地耦合到数据收集电路10808；以及机器学习数据分析电路10812，其被构造成接收输出数据10810并且对接收到的预测结果和状态中的至少一个的输出数据模式10814进行学习。在实施例中，来自振动传感器的输出数据10810形成振动指纹。振动指纹可以包括频率、频谱、速度、峰值位置、波峰形状、波形形状、波包形状、加速度、相位信息和相移中的一个或多个。数据收集电路10808可以应用与振动指纹相匹配的参数的多少或者用于匹配的标准偏差有关的规则，以识别输出数据10810与所学习的接收到的输出数据模式之间的匹配。监测系统10800可以构造成确定输出数据是否与所学习的接收到的输出数据模式相匹配并且基于该确定来保持或修改运行参数或设备。
在实施例中，用于工业环境中进行数据收集的监测系统10800可以包括数据收集带电路10818、数据收集电路10808以及机器学习数据分析电路10812，该数据收集带电路10818识别多个传感器10802的子集，据此来处理输出数据，传感器选自振动传感器、周围环境条件传感器、以及用于收集环境中的机器附近的非振动数据的本地传感器，多个传感器10802通信地耦合到数据收集带电路10818；数据收集电路10808被构造成从多个传感器10802的子集收集输出数据10810；以及机器学习数据分析电路10812被构造成接收输出数据10810并且对接收到的预测结果和状态中的至少一个的输出数据模式10814进行学习。在实施例中，当所学习的接收到的输出数据模式10814不能可靠地预测结果或状态时，数据收集带电路10818改变多个传感器10802中的至少一个传感器的至少一个参数。控制器10806基于所学习的接收到的输出数据模式10814和结果或状态中的一个或多个来识别新数据收集带电路10818。机器学习数据分析电路10812还可以构造成对指示出可用输入数据收集带中的优选输入数据收集带的接收到的输出数据模式10814进行学习。该系统可以部署在数据收集电路10808上或者分布在数据收集电路10808与远程基础设施之间。
在实施例中，用于工业环境中进行数据收集的监测系统可以包括数据收集电路10808，其被构造成从多个传感器10802收集输出数据10810，传感器选自振动传感器、周围环境条件传感器、以及用于收集环境中的机器附近的非振动数据的本地传感器，多个传感器10802通信地耦合到数据收集电路10808。在实施例中，来自振动传感器的输出数据10810呈振动指纹的形式；数据结构10820包括多个振动指纹和相关结果；以及机器学习数据分析电路10812被构造成接收输出数据10810并且基于振动指纹的处理对接收到的预测结果或状态的输出数据模式10814进行学习。机器学习数据分析电路10812可以用来自数据结构10820的多个振动指纹中的一个振动指纹进行做种。如果改变的参数导致新的振动指纹或者如果在没有缓解的情况下预测的结果未发生，则可以更新数据结构10820。当所学习的接收到的输出数据模式10814不可靠地预测结果或状态时，可以更新数据结构10820。该系统可以部署在数据收集电路上或者分布在数据收集电路与远程基础设施之间。
在实施例中，用于工业环境中进行数据收集的监测系统10800可以包括数据收集电路10808，其被构造成从多个传感器10802收集输出数据10810，多个传感器10802选自振动传感器、周围环境条件传感器、以及用于收集环境中的机器附近的非振动数据的本地传感器，多个传感器10802通信地耦合到数据收集电路10808。在实施例中，来自多个传感器10802的输出数据10810呈噪音模式的形式；数据结构10820包括多个噪音模式和相关结果；以及机器学习数据分析电路10812被构造成接收输出数据10810并且基于噪音模式的处理对接收到的预测结果或状态的输出数据模式10814进行学习。
在实施例中，用于工业环境中进行数据收集的监测系统可以包括：多个传感器，所述多个传感器选自振动传感器、周围环境条件传感器、以及用于收集环境中的机器附近的非振动数据的本地传感器，所述多个传感器通信地耦合到数据收集器；数据收集电路，该数据收集电路构造成从多个传感器收集输出数据；以及机器学习数据分析电路，该机器学习数据分析电路构造成接收输出数据并且对预测出结果和状态中的至少一者的所接收到的输出数据模式进行学习。状态可以对应于如与环境中的机器有关的结果、预期结果、与过程有关的结果。系统可以部署在数据收集器上。系统可以分布在数据收集器与远程基础设施之间。周围环境条件传感器可以包括噪声传感器、温度传感器、流量传感器、压力传感器、化学传感器、噪声传感器、温度传感器、流量传感器、压力传感器、化学传感器、振动传感器、加速度传感器、加速度计、压力传感器、力传感器、位置传感器、定位传感器、速度传感器、位移传感器、温度传感器、热成像传感器、热通量传感器、转速计传感器、运动传感器、磁场传感器、电场传感器、电传感器、电流传感器、流量传感器、气体流量传感器、非气态流体流量传感器、热流传感器、微粒流量传感器、液位传感器、接近传感器、有毒气体传感器、化学传感器、CBRNE传感器、pH传感器、湿度计、湿度传感器、密度计、成像传感器、相机、SSR、三轴探针、超声波传感器、触摸传感器、麦克风、电容器传感器、应变计和EMF计。本地传感器可以包括下述中的一个或多个：振动传感器、加速度传感器、加速度计、压力传感器、力传感器、位置传感器、定位传感器、速度传感器、位移传感器、温度传感器、热成像传感器、热通量传感器、转速计传感器、运动传感器、磁场传感器、电场传感器、电传感器、电流传感器、流量传感器、气体流量传感器、非气态流体流量传感器、热流传感器、颗粒流量传感器、液位传感器、接近传感器、有毒气体传感器、化学传感器、CBRNE传感器、pH传感器、湿度计、湿度传感器、密度计、成像传感器、相机、SSR、三轴探针、超声波传感器、触摸传感器、麦克风、电容传感器、应变仪和EMF计。
在实施例中，用于工业环境中数据收集的监测系统可以包括：数据收集电路，其被构造成从多个传感器中收集输出数据，所述多个传感器选自振动传感器、周围环境条件传感器、以及用于收集所述环境中机器附近的非振动数据的本地传感器，所述多个传感器可通信地耦合到所述数据收集电路；以及机器学习数据分析电路，其被构造成接收输出数据并且对接收到的预测结果和状态中的至少一个的输出数据模式进行学习。在实施例中，监测系统被构造成确定输出数据是否与学习的接收到的输出数据模式匹配。在实施例中，机器学习数据分析电路可以构造成通过比如在模型为物理模型，操作模型或系统模型的情况下用模型做种来学习所接收到的输出数据模式。机器学习数据分析电路可以构造成基于结果或状态来学习所接收到的输出数据模式。监测系统可以基于预测的结果或状态来保持或修改操作参数或设备。数据收集电路基于所学习的接收到的输出数据模式、结果或状态从多个传感器中的一个或多个传感器收集数据点。数据收集电路可以基于所学习的接收到的输出数据模式、结果或状态来改变输出数据的数据存储技术。数据收集电路可以基于所学习的接收到的输出数据模式、结果或状态来改变数据呈现模式或方式。数据收集电路可以将一个或多个滤波器(低通滤波器、高通滤波器、带通滤波器等)应用于输出数据。数据收集电路可以比如在调节是响应于所学习的接收到的输出数据模式的情况下调节机器学习数据分析电路的权重/偏差。监测系统可以基于所学习的接收到的输出数据模式、结果或状态中的一个或多个来移除或重新分配未充分利用的设备。机器学习数据分析电路可以包括神经网络专家系统。机器学习数据分析电路可以构造成比如在每个目标/指南的进展/对齐由多个传感器的不同子集确定的情况下对指示出一个或多个目标/指南的进展/指示出与一个或多个目标/指南对准的所接收到的输出数据模式进行学习。机器学习数据分析电路可以构造成对指示出未知变量的接收到的输出数据模式进行学习。机器学习数据分析电路可以构造成对指示出可用输入传感器中的优选输入传感器的接收到的输出数据模式进行学习。机器学习数据分析电路可以部分设置在机器上、一个或多个数据收集器上、网络基础设施中、云中或其任意组合中。来自振动传感器的输出数据可以在下述情况下形成振动指纹：所述情况比如为振动指纹包括频率、频谱、速度、峰值位置、波峰形状、波形形状、波包形状、加速度、相位信息和相移中的一个或多个。数据收集电路可以应用与振动指纹相匹配的参数的多少或者用于匹配的标准偏差有关的规则，以识别输出数据与所学习的接收到的输出数据模式之间的匹配。状态可以是正常操作、需要维护、故障或即将发生的故障中的一者。监测系统可以基于预测的结果或状态触发警报。监测系统可以基于预测的结果或状态来关闭设备、部件或线路。监测系统可以基于预测的结果或状态来启动维护、润滑或对准。监测系统可以基于预测的结果或状态来部署现场技术人员。监测系统可以基于预测的结果或状态推荐减振或阻尼装置。监测系统可以基于预测的结果或状态来修改利用备用设备或部件的过程。监测系统可以基于预测的结果或状态来修改过程以保存产品或反应物。监测系统可以基于预测的结果或状态来生成或修改维护计划。系统可以分布在数据收集器与远程基础设施之间。
在实施例中，用于工业环境中数据收集的监测系统可以包括：数据收集电路，其被构造成从多个传感器中收集输出数据，所述多个传感器选自振动传感器、周围环境条件传感器、以及用于收集所述环境中机器附近的非振动数据的本地传感器，所述多个传感器可通信地耦合到所述数据收集电路；以及机器学习数据分析电路，其被构造成接收输出数据并且对接收到的预测结果和状态中的至少一个的输出数据模式进行学习。在实施例中，监测系统被构造成确定输出数据是否与所学习的接收到的输出数据模式相匹配并且基于该确定来保持或修改运行参数或设备。
在实施例中，用于工业环境中数据收集的监测系统可以包括：数据收集电路，其被构造成从多个传感器中收集输出数据，所述多个传感器选自振动传感器、周围环境条件传感器、以及用于收集所述环境中机器附近的非振动数据的本地传感器，所述多个传感器可通信地耦合到所述数据收集电路；以及机器学习数据分析电路，其被构造成接收输出数据并且对接收到的预测结果和状态中的至少一个的输出数据模式进行学习。在实施例中，来自振动传感器的输出数据形成振动指纹。在实施例中，振动指纹可以包括频率、频谱、速度、峰值位置、波峰形状、波形形状、波包形状、加速度、相位信息和相移中的一个或多个。数据收集电路可以应用与振动指纹相匹配的参数的多少或者用于匹配的标准偏差有关的规则，以识别输出数据与所学习的接收到的输出数据模式之间的匹配。监测系统可以构造成确定输出数据是否与所学习的接收到的输出数据模式相匹配并且基于该确定来保持或修改运行参数或设备。
在实施例中，用于工业环境中进行数据收集的监测系统可以包括数据收集带电路、数据收集电路以及机器学习数据分析电路，该数据收集带电路识别多个传感器的子集，据此来处理输出数据，传感器选自振动传感器、周围环境条件传感器、以及用于收集环境中的机器附近的非振动数据的本地传感器，多个传感器通信地耦合到数据收集带电路；数据收集电路被构造成从多个传感器的子集收集输出数据；以及机器学习数据分析电路被构造成接收输出数据并且对接收到的预测结果和状态中的至少一个的输出数据模式进行学习。在实施例中，当所学习的接收到的输出数据模式不能可靠地预测结果或状态时，数据收集带电路改变多个传感器中的至少一个传感器的至少一个参数。在实施例中，控制器基于所学习的接收到的输出数据模式和结果或状态中的一个或多个来识别新数据收集带电路。机器学习数据分析电路还可以构造成对指示出可用输入数据收集带中的优选输入数据收集带的接收到的输出数据模式进行学习。该系统可以分布在数据收集电路与远程基础设施之间。
在实施例中，用于工业环境中进行数据收集的监测系统可以包括数据收集电路，其被构造成从多个传感器收集输出数据，传感器选自振动传感器、周围环境条件传感器、以及用于收集环境中的机器附近的非振动数据的本地传感器，并通信地耦合到数据收集电路。在实施例中，来自振动传感器的输出数据呈振动指纹的形式；数据结构包括多个振动指纹和相关结果；以及机器学习数据分析电路被构造成接收输出数据并且基于振动指纹的处理对接收到的预测结果或状态的输出数据模式进行学习。机器学习数据分析电路可以用来自数据结构的多个振动指纹中的一个振动指纹进行做种。如果改变的参数导致新的振动指纹或者如果在没有缓解的情况下预测的结果未发生，则可以更新数据结构。当所学习的接收到的输出数据模式不可靠地预测结果或状态时，可以更新数据结构。该系统可以分布在数据收集电路与远程基础设施之间。
在实施例中，用于工业环境中进行数据收集的监测系统可以包括数据收集电路，其被构造成从多个传感器收集输出数据，多个传感器选自振动传感器、周围环境条件传感器、以及用于收集环境中的机器附近的非振动数据的本地传感器，多个传感器通信地耦合到数据收集电路。在实施例中，来自多个传感器的输出数据呈噪音模式的形式；数据结构包括多个噪音模式和相关结果；以及机器学习数据分析电路被构造成接收输出数据并且基于噪音模式的处理对接收到的预测结果或状态的输出数据模式进行学习。
用于工业环境中进行数据收集的示例系统包括工业系统，工业系统具有多个部件和多个传感器，其中，传感器中的每个传感器均可操作地耦合到部件中的至少一个部件。示例系统还包括：传感器通信电路，该传感器通信电路响应于感测到的参数组来解译多个传感器数据值；模式识别电路，该模式识别电路响应于传感器数据值的至少一部分来确定识别的模式值；以及传感器学习电路，该传感器学习电路响应于识别的模式值来更新感测的参数组。示例传感器通信电路还响应于更新的感测参数组来调节解译传感器数据值。
下面将对示例系统的某些另外的方面进行描述，这些方面中的任意一个或多个方面可以存在于某些实施例中。示例系统包括感测的参数组，该感测的参数组是融合数量的传感器，并且其中，识别的模式值还包括次要值，该次要值包括响应于融合数量的传感器而确定的值。示例系统还包括模式识别电路和传感器学习电路，模式识别电路和传感器学习电路迭代地执行确定识别的模式值并更新感测的参数组以改善传感性能值。还包括传感性能值的示例系统包括对下述中的一个或多个进行确定：用于检测工业系统中的感兴趣值的信噪比性能；工业系统中的传感器的网络利用率；针对工业系统中感兴趣的值的有效的感测解决方案；工业系统中感测系统的功耗值，感测系统包括传感器；确定次要值的计算效率；次要值的准确度和/或精度；确定次要值的冗余容量；和/或确定次要值的提前期值。示例和非限制性计算效率值包括下述各者中的一个或多个确定值：比如用以确定次要值的处理器操作、用于确定次要值的内存利用率、来自多个传感器的用于确定次要值的多个传感器输入、和/或用于支持次要值的支持数据长期存储。
示例系统包括作为模拟传感器和/或远程传感器的传感器中的一个或多个传感器或全部传感器。示例系统包括为下述值的次要值：下述值比如为虚拟传感器输出值、过程预测值、过程状态值、部件预测值、部件状态值、和/或具有来自融合数量的传感器的作为输入的传感器数据值的模型输出值。示例系统包括为传感器的组合的一个或多个传感器的融合数量的传感器：所述传感器的组合比如为振动传感器和温度传感器、振动传感器和压力传感器、振动传感器和电场传感器、振动传感器和热通量传感器、振动传感器和电传感器、和/或振动传感器和磁传感器。
示例传感器学习电路还通过执行诸如以下操作来更新感测的参数组：所述操作比如为更新感测的参数组的传感器选择、从感测的参数组更新至少一个传感器的传感器采样率、从感测的参数组更新至少一个传感器的传感器分辨率、从感测的参数组更新与至少一个传感器相对应的存储值、从感测的参数组更新与至少一个传感器相对应的优先级；和/或从感测的参数组更新于至少一个传感器相对应的采样率、采样顺序、采样阶段和/或网络路径配置中的至少一者。示例模式识别电路还通过执行以下操作来确定识别的模式值：所述操作比如为确定感测的参数组和更新的感测参数组中的至少一个传感器相对于感兴趣的值的信号有效性；确定感测参数组和更新的感测参数组中的至少一个传感器相对于感兴趣值的灵敏度；确定感测参数组和更新的感测参数组中的至少一个传感器相对于感兴趣值的预测置信度；确定感测参数组和更新的感测参数组中的至少一个传感器相对于感兴趣值的预测延迟时间；确定感测参数组和更新的感测参数组中的至少一个传感器相对于感兴趣值的预测准确度；确定感测的参数组和更新的感测参数组中的至少一个传感器相对于感兴趣的值的预测精度；和/或响应外部反馈更新识别的模式值。感兴趣的示例和非限制值包括：虚拟传感器输出值、过程预测值、过程状态值、部件预测值、部件状态值、和/或具有来自融合的多个传感器的作为输入的传感器数据值的模型输出值。
示例模式识别电路还访问包括第二数量的传感器数据值的基于云的数据，第二数量的传感器数据值与至少一个偏移工业系统相对应。示例传感器学习电路还访问基于云的数据，该基于云的数据包括与至少一个偏移工业系统相对应的第二更新传感器参数组。
用于工业环境中进行数据收集的示例过程包括下述操作：向包括许多个部件的工业系统提供多个传感器的操作，所述许多传感器中的每个传感器均可操作地耦合到所述许多部件中的至少一个部件；响应于感测的参数组解译许多传感器数据值的操作，感测的参数组包括来自许多传感器的融合数量的传感器；用以响应于传感器数据值的数量来确定包括次要值的识别的模式值的操作；用以响应于识别的模式值来更新感测的参数组的操作；以及响应于更新的感测的参数组来调节解译传感器数据值的数量的操作。
下面将对示例过程的某些另外的方面进行描述，这些方面中的任意一个或多个方面可以包括在某些实施例中。示例过程包括迭代地执行确定识别的模式值并更新感测的参数组以改善传感性能值，其中，确定传感性能值包括用于对值进行确定的至少一个操作，比如确定：用于检测工业系统中感兴趣的值的信噪比性能；工业系统中多个传感器的网络利用率；工业系统中感兴趣的值的有效的感测解决方案；工业系统中的感测系统的功耗值，该感测系统包括多个传感器；确定次要值的计算效率；次要值的准确度和/或精度；确定次要值的冗余容量；和/或确定次要值的提前期值。
示例过程包括通过执行下述至少一个操作来更新感测的参数组的操作：所述至少一个操作比如为更新感测的参数组的传感器选择；从感测的参数组更新至少一个传感器的传感器采样率；从感测的参数组更新至少一个传感器的传感器分辨率；从感测的参数组更新与至少一个传感器相对应的存储值；从感测的参数组更新与至少一个传感器相对应的优先级；和/或从感测的参数组更新与至少一个传感器相对应的采样率、采样顺序、采样阶段和网络路径配置中的至少一者。示例过程包括通过执行下述至少一个操作来确定识别的模式值：所述至少一个操作比如为确定感测的参数组和更新的感测参数组中的至少一个传感器相对于感兴趣的值的信号有效性；确定感测参数组和更新的感测参数组中的至少一个传感器相对于感兴趣的值的灵敏度；确定感测参数组和更新的感测参数组中的至少一个传感器相对于感兴趣的值的预测置信度；确定感测参数组和更新的感测参数组中的至少一个传感器相对于感兴趣的值的预测延迟时间；确定感测参数组和更新的感测参数组中的至少一个传感器相对于感兴趣的值的预测准确度；确定感测的参数组和更新的感测参数组中的至少一个传感器相对于感兴趣的值的预测精度；和/或响应于外部反馈更新识别的模式值。
应当广义地理解本文中使用的术语工业系统(和类似术语)。在不限制本公开内容的任何其它方面或描述的情况下，工业系统包括任何大规模处理系统、机械系统、化学系统、装配线、石油和天然气系统(包括但不限于生产、运输、勘探、远程操作、海上作业和/或炼油)、采矿系统(包括但不限于生产、勘探、运输、远程操作和/或地下作业)，铁路系统(码、火车、货运等)、建筑、电力发电、航空航天、农业、食品加工和/或能源生产。某些部件可以不被视为是单独的工业部件，但是可以视为工业上的聚合系统中的部件—例如，单个风扇、电机和/或引擎可以不是工业系统，但可以是更大系统的一部分和/或与许多其它类似部件聚集，以被视为工业系统和/或工业系统的一部分。在某些实施例中，出于某些目的但不出于其它目的，系统可以被认为是工业系统—例如，大型数据服务器群可以被认为是用于某些感测操作(比如温度检测、振动等)的工业系统，但不是用于其它感测操作(比如气体成分)的工业系统。附加地，在某些实施例中，在确定这种系统是否是工业系统和/或哪种类型的工业系统时，可以区分另外相似的外观系统。例如，一个数据服务器场在给定时间内可能不具有对操作至关重要的过程流流速，而另一数据服务器场可能具有对操作至关重要的过程流流速(例如，冷却剂流动流)，并且因此，一个数据服务器场可以是用于数据收集和/或感测改进过程或系统的工业系统，而另一个数据服务器场则不是。因此，本公开的益处可以应用于各种各样的系统中，并且任何这样的系统可以被认为是本文中的工业系统，而在某些实施例中，给定系统可以不被认为是本文中的工业系统。本领域技术人员--受益于本文中的公开内容且了解可获得的常规的预期系统--可以容易地确定本公开的哪些方面将使特定系统受益、如何将本公开内容中的过程和系统组合以增强预期系统的操作。在确定预期系统是否是工业系统和/或本公开的各方面是否可以使预期系统受益或增强预期系统时，本领域技术人员的某些考虑因素包括但不限于：系统的各部分对定位感测设备的可访问性；系统对资本成本(例如，初始安装)和运营成本(例如，过程优化、用电量减少)的敏感性；系统的传输环境(例如，宽带互联网的可用性；卫星覆盖；无线蜂窝接入；系统的电磁(EM)环境；系统的天气、温度和环境条件；用以运行电线、网络线路等的合适的位置的可用性；用于网络基础设施、路由器定位和/或无线中继器的合适位置的存在和/或可用性)；受过训练的人员与计算设备交互的可用性；系统中的感测参数的所需空间、时间和/或频率分辨率；系统或过程被充分理解或建模的程度；系统操作中的调节比率(例如，相对于低负载的高负载差异；相对于低流速的高流速差异；相对于低温操作的高温操作差异)；经营成本的调节比率(例如，基于时间(日、季等)的人员成本的影响；电力消耗成本随时间、吞吐量等的变化的影响)；系统对故障、停机时间等的敏感性；预期系统的远程性(例如，运输成本、时间延迟等)；和/或系统在整个操作周期中的定性变化范围(例如，系统运行若干不同过程，该过程需要随时间变化的感应环境；时间周期和变化的性质，比如周期性、事件驱动、通常可用的交货时间等)。虽然本文出于说明目的描述了工业系统和考虑因素的具体示例，但是受益于本文中的公开内容的任何系统以及受益于本文中的公开内容的本领域技术人员理解的任何考虑因素都被特别地考虑在了本公开内容的范围内。
应当广义地理解本文中使用的术语传感器(和类似术语)。在不限制本公开内容的任何其它方面或描述的情况下，传感器包括被配置成提供表示系统中的物理值(例如，温度、力、压力)的感测值或者提供表示系统中的至少与物理值(例如，工作、充电状态、频率、相位等)具有辅助关系的概念值的感测值。
示例性和非限制性传感器包括振动传感器、加速度传感器、噪声传感器、压力传感器、力传感器、位置传感器、定位传感器、速率传感器、位移传感器、温度传感器、热通量传感器、速度传感器、转速传感器(例如，转速计传感器)、运动传感器、加速度计传感器、磁场传感器、电场传感器、流电传感器、电流传感器、流动传感器(气体传感器、流体传感器、热传感器、微粒传感器、颗粒传感器等)、水平传感器、接近度传感器、气体成分传感器、流体成分传感器、毒性传感器、腐蚀性传感器、酸度传感器、pH传感器、湿度传感器、湿度计测量传感器、湿度传感器、密度传感器(体积传感器或特定传感器)、超声波传感器、成像传感器、模拟传感器和/或数字传感器。感测值的列表是非限制性示例，并且本公开在许多应用中的益处可以独立于传感器类型来实现，而在其它应用中，本公开的益处可以取决于传感器类型。
用于检测的传感器类型和机构可以是本领域中理解的任何类型的传感器。在不受限制的情况下，加速度计可以是任何类型和比例，例如500mV/g(1g＝9.8m/s2)、100mV/g、1V/g、5V/g、10V/g、10MV/g、以及可以是任何频率能力。将理解的是，对于加速度计并且对于所有传感器类型，缩放和范围可以是竞争的(例如，在固定位系统或低位A/D系统中)，并且/或者选择具有大范围的高分辨率缩放可以提高传感器和/或计算成本，这在某些实施例中是可接受的，而在其它实施例中可能是禁止的。示例性的非限制性加速度计包括压电设备、高分辨率和采样速度位置检测设备(例如，基于激光的装置)、和/或可以与加速度和/或振动相关连的其它参数(应变、力、噪声等)的检测设备。示例性和非限制性接近式探针包括电磁装置(例如，霍尔效应、可变磁阻等)、套筒/油膜装置，并且/或者确定可以与接近度相关连的其它参数。示例振动传感器包括三轴探针，该三轴探针可以具有高频响应(例如，100MV/g的比例)。示例性和非限制性温度传感器包括热敏电阻、热电偶和/或光学温度确定。
传感器可以附加地或替代性地为处理值(例如，去抖动值、滤波值和/或补偿值)和/或原始值提供下游处理(例如，在数据收集器、控制器、工厂计算机和/或基于云的数据接收器中)。在某些实施例中，传感器提供电压、电流、数据文件(例如，用于图像)或其它原始数据输出，并且/或者传感器提供表示预期感测测量的值(例如，温度传感器可以传送电压值或温度值)。附加地或替代性地，传感器可以通过有线连接、光学连接或任何其它机构进行无线通信。出于说明的目的，传感器类型和/或通信参数的所描述的示例是非限制性示例。
附加地或替代性地，在某些实施例中，传感器是分布式物理装置—例如其中，两个单独的感测元件协调以提供感测值(例如，位置感测元件和质量感测元件可以协调以提供加速度值)。在某些实施例中，单个物理装置可以形成两个或更多个传感器、和/或形成多于一个传感器的部分。例如，位置感测元件可以形成位置传感器和速度传感器，其中，相同的物理硬件为两个确定提供感测数据。
应当广义地理解本文中使用的术语智能传感器、智能装置(和类似术语)。在不限制本公开内容的任何其它方面或描述的情况下，智能传感器包括如贯穿本公开内容所描述的任何传感器及其方面。智能传感器包括在由传感器传送的感测值中反映的处理的增量，包括至少基本传感器处理(例如，去抖动、滤波、补偿、归一化和/或输出限制)、更复杂的补偿(例如，基于当前环境条件对感测的温度值、共模或其它噪声去除等的已知影响来校正温度值)、将感测值提供为网络通信的感测装置、和/或聚合多个感测值以用于通信的感测装置(例如，装置上的多个传感器以可解析或可解调的方式或作为单独的消息传送；多个传感器向单个智能传感器提供值，该单个智能传感器将感测值传递至数据收集器、控制器、工厂计算机和/或基于云的数据接收器)。术语智能传感器的使用是出于说明的目的，并且传感器是否是智能传感器可以取决于上下文和预期系统，并且可以是与预期系统中的其它传感器相比的相对描述。因此，具有相同功能的给定传感器可以是出于一个预期系统的目的的智能传感器、以及仅出于另一预期系统的目的的传感器，并且/或者具有相同功能的给定传感器可以是在某些运行条件期间预期系统中的智能传感器、以及在其它运行条件期间仅用于相同预期系统的传感器。
除非上下文另有指示，否则应当广义地理解本文中所使用的术语传感器融合、融合传感器和类似术语，而不限于本公开的任何其它方面或描述。传感器融合包括从传感器数据确定二阶数据，并且还包括从多个传感器的传感器数据确定二阶数据，这包括涉及来自多个传感器的数据流的多路复用、数据批的组合等。二阶数据包括关于超出直接感测的系统或运行条件的确定。例如，可以分析温度、压力、混合速率和其它数据以确定哪些参数对期望的结果(例如，反应速率)是结果有效的。传感器融合可以包括来自多个源的传感器数据和/或纵向数据(例如，在一段时间内，在处理的过程中，和/或在工厂中的部件(例如，跟踪一定数量的组装部件、穿过管道的虚拟流体块等)的范围内采集的数据)。传感器融合可以实时执行(例如，随着过程进展用传感器数据填充多个传感器融合确定)、离线(例如，在控制器、工厂计算机和/或基于云的计算设备上执行)、和/或作为后处理操作(例如，利用历史数据、来自多个工厂或处理的数据等)。在某些实施例中，传感器融合包括机器模式识别操作—例如其中，处理的结果被给予机器和/或由机器确定，并且机器模式识别操作从检测到的传感器值空间确定结果有效参数，以确定哪些运行条件可能是结果的原因和/或结果的非正常结果(例如，过程比名义上的、失败的过程等效果差或更有效)。在某些实施例中，结果可以是定量结果(例如，产生比正常运行多20％的产品)或定性结果(例如，产品质量是不可接受的，预期系统的部件X在该过程期间出故障、预期系统的部件X需要维护或服务事件等)。
在某些实施例中，传感器融合操作是迭代的或递归的—例如，在传感器融合操作之后更新估计的一组结果有效参数，并且对相同的数据或者具有更新的结果有效参数集的另一数据集执行随后的传感器融合操作。在某些实施例中，后续传感器融合操作包括对感测方案的调整—例如，执行更高分辨率的检测(例如，在时间、空间和/或频域方面)、更大的数据集(以及随后的计算资源和/或网络资源的承诺)、传感器能力和/或设置的变化(例如，改变A/D缩放、范围、分辨率等；改变更有能力的传感器和/或更有能力的数据收集器等)以用于随后的传感器融合操作。在某些实施例中，传感器融合操作证明了对预期系统的改进(例如，生产数量、质量和/或纯度等)，使得用以改进感测方案的额外资源的支出是合理的。在某些实施例中，传感器融合操作在没有增量成本的情况下提供感测方案的改进—例如通过缩小结果有效参数的数量并且由此释放系统资源以从已经存在于预期系统中的硬件提供更高的分辨率、采样率等。在某些实施例中，对相同数据集、后续数据集和/或历史数据集执行迭代和/或递归传感器融合。例如，高分辨率数据可能已经存在于系统中，并且利用低分辨率数据(例如，从高分辨率数据集采样)执行第一传感器融合操作，以便允许在期望的时间帧内、在期望的处理器、存储器和/或网络利用率内完成传感器融合处理操作、并且/或者允许检查大量变量作为潜在的结果有效参数。在另一示例中，来自高分辨率数据集的更多数量的样本可以响应于存在改进的置信度、缩小潜在结果有效变量、和/或确定更高分辨率所需数据来确定这些参数的结果有效参数和/或有效值而用于随后的传感器融合操作中。
所描述的用于传感器融合的操作和方面是非限制性示例，并且受益于本文中的公开内容且可获得关于预期系统的常规信息的本领域技术人员可以容易地设计利用传感器融合操作和/或受益于传感器融合操作。系统利用传感器融合操作和/或受益于传感器融合操作的某些考虑因素包括但不限于：系统中的部件数量；系统中的部件的成本；系统的维护成本和/或停机时间；系统改进的价值(生产数量、质量、产量等)；不良系统结果的存在、可能性和/或后果(例如，副产品、热和/或照明事件、环境效益或后果、系统中存在的危险)；为系统提供多种传感器的费用；系统输入与系统输出之间的复杂性；计算资源的可用性和成本(例如，处理、存储、和/或通信吞吐量)；预期系统的大小/规模和/或这种系统产生统计上重要数据的能力；是否存在偏移系统，这包括偏移系统的数据是否可用，以及来自偏移系统的数据组合是否会产生相对于单独考虑的系统的统计改进的数据集；和/或升级、改进或改变预期系统的感测方案的成本。可以受益于或利用传感器融合操作的预期系统的所描述的考虑是非限制性的说明。
在本公开中将某些系统、过程、操作和/或部件描述为“偏移系统”等。偏移系统是与预期系统不同但与预期系统相关的系统。例如，预期的精炼厂可以具有“偏移精炼厂”，该偏移精炼厂可以是由竞争者运营的精炼厂，由运营预期精炼厂的同一实体运营的精炼厂，和/或可以是不再存在的历史运营的精炼厂。偏移精炼厂与预期的精炼厂具有一些相关关系，比如利用类似的反应、工艺流程、产量、原料、流出物材料等。作为出于一个目的的偏移系统的系统可以不是出于另一目的的偏移系统。例如，利用传送带和类似电机的制造过程可以是出于跟踪产品移动、理解电机操作和故障模式等目的的预期制造过程的偏移过程，但如果所生产的产品具有不同的质量结果参数则可以不是产品质量的偏移过程。本文中所考虑的任何工业系统可以具有出于某些目的的偏移系统。受益于本公开内容且可获得有关预期系统的常规信息的本领域技术人员可以容易地确定由偏移系统或系统的偏移方面所公开的内容。
术语计算机、计算设备、处理器、电路和/或服务器中的任意一个或多个包括任何类型的计算机，任何类型的计算机能够访问与其通信的存储在比如非瞬态计算机可读介质上的指令，任何类型的计算机能够访问与其通信的存储在比如非瞬时计算机可读介质上的指令，于是计算机在执行指令时执行本文中所描述的系统或方法的操作。在某些实施例中，这样的指令本身包括计算机、计算设备、处理器、电路和/或服务器。附加地或替代性地，计算机、计算设备、处理器、电路和/或服务器可以是单独的硬件设备、分布在硬件设备上的一个或多个计算资源，并且/或者计算机、计算设备、处理器、电路和/或服务器可以包括下述方面：比如逻辑电路、嵌入式电路、传感器、致动器、输入和/或输出设备、网络和/或通信资源、任何类型的存储器资源、任何类型的处理资源、和/或配置成响应于确定条件以在功能上执行本文中的系统和方法的一个或多个操作的硬件设备。
本文所描述的某些操作包括解译、接收和/或确定一个或多个值、参数、输入、数据或其它信息。包括解译、接收和/或确定任何值参数、输入、数据和/或其它信息的操作包括但不限于：经由用户输入接收数据；通过任何类型的网络接收数据；从与接收设备通信的存储器位置读取数据值；利用默认值作为接收数据值；基于接收设备可获得的其它信息来估计、计算或导出数据值；和/或响应于稍后接收的数据值更新这些数据或值中的任意数据或值。在某些实施例中，数据值可以由第一操作接收并且稍后由第二操作更新作为接收的数据值的一部分。例如，当通信断开、间歇或中断时，可以执行用以解译、接收和/或确定数据值的第一操作，并且当通信恢复时，可以执行用以解译、接收和/或确定数据值的更新操作。
提供本文中的某些逻辑操作分组例如本公开的方法或过程来说明本公开的各方面。本文中所描述的操作被示意性地描述和/或描绘，并且操作可以以与本文中的公开内容相一致的方式组合、划分、重新排序、添加或移除。应当理解的是，操作描述的上下文可能需要对一个或多个操作进行排序，并且/或者可以明确地公开一个或多个操作的顺序，但是应当广泛地理解操作的顺序，其中，本文特别考虑了用以提供等效操作结果的任何等效操作分组。例如，如果在一个操作步骤中使用值，则在某些上下文中的操作步骤之前可能需要值的确定(例如，在用于实现特定效果的操作的数据的时间延迟是重要的情况下)，但是在其它上下文中的操作步骤之前可能不需要(例如，在操作的先前执行周期中使用值对于那些目的而言将是足够的情况下)。因此，在某些实施例中，本文明确地构想了所描述的操作顺序和操作分组，并且在某些实施例中，本文明确地构想了重新排序、细分和/或不同的操作分组。
参照图142，用于工业环境中进行数据收集的示例系统10902包括具有多个部件10906的工业系统10904，以及多个传感器10908。在实施例中，传感器10908中的每个传感器均可操作地耦合到组件10906中的至少一个。传感器的选择、分配、类型和通信设置取决于系统10902的应用和/或上下文。
示例系统10902还包括传感器通信电路10920(参照图143)，该传感器通信电路10920响应于感测的参数组10928解译多个传感器数据值10948。感测参数组10928包括哪些传感器10908在哪些时间采样的描述，该描述至少包括所选择的采样频率和处理阶段。在实施例中，特定传感器可以提供感兴趣的值等。示例系统包括感测的参数组10928，该感测参数组10928是融合的多个传感器10926，例如被认为包含对系统的影响期望输出的运行条件的检测(比如系统中部件的生产输出、质量、效率、收益率、纯度、维护或服务预测、故障模式预测等)的一组传感器。在另一实施例中，识别的模式值10930还包括次要值10932，该次要值10932包括响应于融合的多个传感器10926而确定的值。
在某些实施例中，传感器数据值10948被提供至数据收集器10910，数据收集器10910可以与多个传感器10908和/或与控制器10914通信。在某些实施例中，附加地或替代性地存在工厂计算机10912。在示例系统中，控制器10914被构造成在功能上执行传感器通信电路10920、模式识别电路10922和/或传感器学习电路10924的操作，并且为了清楚描述控制器10914被描绘为单独的设备。控制器10914的各方面可以存在于传感器10908、数据控制器10910、工厂计算机10912和/或云计算设备10916上。在某些实施例中，控制器10914的所有方面可以存在于系统10902上所描绘的另一设备中。工厂计算机10912表示可以存在的和/或与工业系统10904通信的本地计算资源，例如处理资源、存储器资源和/或网络资源。在某些实施例中，云计算设备10916表示工业系统10904例如通过专用网络、内联网，通过蜂窝通信、卫星通信和/或通过因特网而可从外部获得的计算资源。在某些实施例中，数据控制器10910可以是计算设备、智能传感器、MUX盒或/或其它能够从多个传感器接收数据并传递数据和/或存储数据以供稍后传输的数据收集设备。示例数据控制器10910不具有存储和/或具有有限存储，并且选择性地传递通过其中的传感器数据，其中，传感器数据的子集由于数据控制器10910、相关网络和/或受环境限制的带宽考虑而在给定时间内传送。在某些实施例中，系统10902中的一个或多个传感器和/或计算设备是便携式设备—例如，步行通过工业系统的机械操作工可以具有智能手机，系统10902可以选择性地将该智能手机用作数据控制器10910、传感器10908—例如以增强通信吞吐量、传感器分辨率，和/或用作用于将传感器数据值10948传送至控制器10914的主要方法。
示例系统10902还包括模式识别电路10922，该模式识别电路10922响应于传感器数据值10948的至少一部分来确定识别的模式值10930。
示例系统10902还包括传感器学习电路10924，该传感器学习电路10924响应于识别的模式值10930而更新感测的参数组10928。示例传感器通信电路10920还响应于更新的感测参数组10928来调节解译传感器数据值10948。
示例系统10902还包括模式识别电路10922和传感器学习电路10924，模式识别电路10922和传感器学习电路10924迭代地执行确定识别的模式值10930并更新感测的参数组10928以改善传感性能值10934。例如，模式识别电路10922可以添加传感器、移除传感器和/或改变传感器设置以基于确定识别的模式值10930的有效或无效预测器的传感器来修改感测的参数组10928，并且传感器学习电路10924可以指示持续变化(例如，在仍然发生改进的同时)、变化率的增加或减少(例如，更快地在改进的感测的参数组10928上收敛)、和/或指示对感测到的参数组10928的随机变化(例如，以确保检查所有可能结果有效的传感器和/或者以避免收敛到本地优化值中)。
用于传感性能值10934的示例性的非限制性选项包括：用于检测工业系统中感兴趣的值的信噪比性能(例如，确定该值的预测信号相对于感测的参数组10928的一个或多个传感器的噪声因子和/或整个感测的参数组10928的噪声因子是高的)；工业系统中的传感器的网络利用率(例如，传感器学习电路10924可以将感测的参数组10928评分为相对较高，其中，感测的参数组10928与另一感测的参数组10928一样有效或几乎一样有效，但是导致较低的网络利用率)；工业系统中感兴趣的值的有效感测分辨率(例如，传感器学习电路10924可以将感测的参数组10928评分为相对较高，其中，感测的参数组10928提供针对输入值的较小变化的输出值的响应预测)；工业系统中的感测系统的功耗值，感测系统包括传感器(例如，传感器学习电路10924可以将感测的参数组10928评分为相对较高，其中，感测的参数组10928与另一感测的参数组10928一样有效或几乎一样有效，但是导致较低的功耗)；用于确定次要值的计算效率(例如，传感器学习电路10924可以将感测的参数组10928评分为相对较高，其中，在确定次要值10932时该感测的参数组10928与另一感测参数组10928一样有效或几乎一样有效，但是导致了更少的处理器周期、更低的网络利用率和/或更低的内存利用率，包括存储的内存需求以及比如缓冲器的中间内存利用率)；次要值的准确度和/或精度(例如，传感器学习电路10924可以将感测的参数组10928评分为相对较高，其中，感测的参数组10928提供次要值10932的高度准确和/或高度精确的确定)；用于确定次要值的冗余容量(例如，传感器学习电路10924可以将感测的参数组10928评分为相对较高，其中，感测的参数组10928提供类似能力和/或资源利用率，但是提供了额外的感测冗余，比如对感测的参数组10928中的来自传感器中的一个或多个传感器的数据中的间隙而言更加鲁棒性)；和/或用于确定次要值10932的提前期值(例如，传感器学习电路10924可以将感测的参数组10928评分为相对较高，其中，感测的参数组10928在次要值10932确定中提供改进的或足够的提前时间—例如以帮助避免过热操作、破坏整个生产运行，确定部件是否具有足够的使用寿命来完成生产运行等)。示例性和非限制性计算效率值包括一个或多个确定，比如：用于确定次要值10932的处理器操作，用于确定次要值10932的内存利用率，用于确定次要值10932的来自多个传感器的多个传感器输入，和/或用于支持次要值10932的支持性存储器，比如长期存储或缓冲器。
示例系统包括作为模拟传感器和/或远程传感器的传感器10908中的一个或多个传感器或所有传感器。示例系统包括比如为下述值的次要值10932：虚拟传感器输出值、过程预测值(例如，生产运行的成功值、过热值、过压值、产品质量值等)、过程状态值(例如，过程的阶段、过程中的某个时间和位置的温度)、部件预测值(例如，部件故障预测、部件维护或服务预测、针对操作变化预测的部件响应)、部件状态值(部件的剩余使用寿命或维护间隔)和/或具有来自融合的多个传感器10926的作为输入的传感器数据值10948的模型输出值。示例系统包括为传感器的组合中的一个或多个传感器的融合数量的传感器10926：所述传感器的组合比如为振动传感器和温度传感器、振动传感器和压力传感器、振动传感器和电场传感器、振动传感器和热通量传感器、振动传感器和电流传感器、和/或振动传感器和磁传感器。
示例传感器学习电路10924还通过执行例如以下操作来更新感测的参数组10928：更新感测的参数组10928的传感器选择(例如，对哪些传感器进行采样)，从感测的参数组更新至少一个传感器的传感器采样率(例如，传感器提供信息的速度和/或信息通过网络的速度)，从感测的参数组更新至少一个传感器的传感器分辨率(例如，改变传感器分辨率或请求传感器分辨率的改变，利用附加的传感器来提供更高的有效分辨率)，从感测的参数组更新与至少一个传感器相对应的存储值(例如，以更高或更低的分辨率和/或更长或更短的时间段存储来自传感器的数据)，从感测的参数组更新与至少一个传感器相对应的优先级(例如，使传感器移动达到更高的优先级—例如，如果环境条件阻止来自所有计划的传感器的数据接收，和/或减小感测数据的创建与在传感器学习电路10924处的接收之间的时间延迟)，和/或从感测的参数组更新与至少一个传感器相对应的采样率、采样顺序、采样阶段和/或网络路径配置中的至少一个。
示例模式识别电路10922还通过执行诸如以下操作来确定识别的模式值10930：所述操作比如为确定感测的参数组和更新的感测参数组中的至少一个传感器相对于感兴趣的值10950的信号有效性(例如，确定传感器值是感兴趣的值10950)的良好预测器；确定感测参数组10928和更新的感测参数组10928中的至少一个传感器相对于感兴趣的值10950的灵敏度(例如，基于所选择的感测参数组10928来确定所确定的感兴趣值对运行条件的微小变化的相对灵敏度)；确定感测参数组10928和更新的感测参数组10928中的至少一个传感器相对于感兴趣的值10950的预测置信度；确定感测参数组10928和更新的感测参数组10928中的至少一个传感器相对于感兴趣的值10950的预测延迟时间；确定感测参数组10928和更新的感测参数组10928中的至少一个传感器相对于感兴趣的值10950的预测准确度；确定感测参数组10928的至少一个传感器的分类精度(例如，基于至少一个传感器的使用来确定机器分类器对模式的分类的准确性)；确定感测参数组10928和更新的感测参数组10928中的至少一个传感器相对于感兴趣的值10950的预测精度；和/或响应于外部反馈更新识别的模式值10930，外部反馈可以作为外部数据10952接收(例如，在已知结果比如维护事件、产品质量确定、生产结果确定等的情况下，由此在已知结果发生之前根据系统的条件改进识别的模式值10930的检测)。示例性的非限制性感兴趣的值10950包括：虚拟传感器输出值、过程预测值、过程状态值、部件预测值、部件状态值、和/或具有来自融合的多个传感器的作为输入的传感器数据值的模型输出值。
示例模式识别电路10922还访问包括第二数量的传感器数据值的基于云的数据10954，第二数量的传感器数据值与至少一个偏移工业系统相对应。示例传感器学习电路10924还访问基于云的数据10954，该基于云的数据10954包括与至少一个偏移工业系统相对应的第二更新传感器参数组。因此，模式识别电路10922可以基于可从偏移系统获得的增加的统计数据来改善系统中的模式识别。附加地或替代性地，传感器学习电路10924可以基于来自偏移系统的数据以更快速且更可靠的方式改进—包括确定偏移系统中哪些传感器被发现在预测系统结果方面是有效的。
示例系统包括包含炼油厂的工业系统。示例精炼厂包括一个或多个压缩机，以用于将流体输送通过设备和/或用于对流体流(例如，用于在蒸馏塔中回流)进行加压。附加地或替代性地，示例精炼厂包括真空蒸馏，例如用于分馏烃。示例性炼油厂还包括系统中的各种管线，用于输送流体、引入原料、最终产品输送等。示例系统包括多个传感器，所述多个传感器用于确定蒸馏塔的每个方面，例如各种流体流的温度、塔中各个接触塔盘的温度和组成、进给和回流的测量、以及废水或分离的产品。蒸馏塔的设计是复杂的，并且最佳设计可以取决于锅炉、压缩机的尺寸、塔内的接触条件、以及原料的组成，所有这些都可以显著改变蒸馏塔的设计。附加地，用于有效感测管道中的条件的最佳位置可以随流体流速、环境条件(例如，引起传热速率的变化)、所用原料和其它因素而变化。此外，锅炉、压缩机或其它操作设备的磨损或功能的丧失可能会改变系统响应和功能，导致单点优化——包括传感器应该放置在哪里以及它们应该如何采样数据——随着系统老化而变得非最优。
在整个系统中提供多个传感器可能是昂贵的，这不一定是因为传感器很昂贵，而是因为传感器所提供的数据可能被禁止传输、存储和使用。成本可能涉及通过网络传输的成本、以及运营成本比如输入/输出操作的数量(以及进行此类操作所需的时间)。该示例系统包括在整个系统中提供大量传感器并且确定哪个传感器对于蒸馏过程的控制和优化是有效的。附加地，随着原料和/或环境条件的改变，用于优化和控制两者的最佳传感器包可能会改变。示例系统利用模式识别电路来确定哪些传感器--包括传感器融合操作(包括组的选择、多路复用和组合的选择等)--在控制所需的蒸馏参数方面和在确定温度、流速、进给和回流的入口塔盘、和/或回流速率的最优值方面是有效的。附加地，传感器学习电路能够随着时间的推移和/或利用偏移的精炼厂快速地会聚在适合于多种运行条件的各种传感器包上。如果发生意外的运行条件—例如压缩机的非正常运行，则传感器学习电路能够将系统迁移至正确的感测和运行条件以应对意外的运行条件。灵活地利用多个传感器的能力允许系统响应于变化的条件而变得灵活，而不会在传感器数据的传输和存储中提供过多的能力。因此，蒸馏塔的操作得到改进，并且可以针对大量运行条件进行优化。附加地，基于对指示非正常运行的模式的识别，可以容易地准备蒸馏塔的报警，以在显著的产品质量损失和/或危险条件发展之前调整或关闭该过程。精炼厂的示例传感器融合操作包括与温度、压力和/或组成相结合的振动信息(例如，以确定压缩机性能)；温度和压力、温度和组成、和/或组成和压力(例如，以确定原料变化、接触盘性能和/或部件出故障)。
示例精炼厂系统包括储存罐和/或锅炉给水。示例系统确定包括传感器融合，比如通过温度和压力融合、和/或利用非振动确定与振动确定(例如，检测泄漏、空气进入系统和/或进给泵问题)来确定储存罐故障和/或非正常运行。某些进一步的示例系统确定包括传感器融合以比如通过包括流速、压力、温度和/或振动的传感器融合来确定锅炉给水出故障。这些参数中的任意一个或多个参数可以用于确定系统泄漏、故障、进给泵的磨损、结垢和/或减少泵送损失同时保持系统流速。类似地，示例工业系统包括具有冷凝物和/或补给水系统的发电系统，其中，传感器融合提供感测的参数组以及故障、维护等的预测。
示例工业系统包括用于田地或田地系统的灌溉系统。灌溉系统受系统的显著变化(例如，入口压力和/或水位、部件磨损和维护)以及环境变化(例如，种植的作物的类型和分布、天气、土壤湿度、湿度、太阳的季节变化、云覆盖和/或风力变化)。另外，灌溉系统倾向于位于偏远的地方，那里不容易获得高带宽网络访问、维护设施和/或甚至没有监督人员。示例系统包括能够检测灌溉系统的条件而不需要所有传感器连续地传输或存储数据的多个传感器。模式识别电路可以容易地确定最重要的传感器组以有效地预测模式和需要响应的系统条件(例如，灌溉周期、定位等)。传感器学习电路为传感参数组向可变性的响应迁移提供了条件，可在较慢的(如季节、气候变化等)或较快的周期(如设备故障、天气条件、种植或收获等阶跃变化事件)中发生。附加地，可以随时准备好远程设施的报警，从而确保正确的传感器包处于合适的位置以用于确定非正常状态(例如，泵的即将发生的故障或维护需求)。
示例工业系统包括化学或制药工厂。化学工厂需要特定的运行条件、流速、温度等，以在整个系统中保持适当的温度、浓度、混合等。在多个系统中，存在多个过程步骤，并且在过程的一个部分中的非正常或不协调运行可能导致产量降低、过程失败和/或生产能力显著降低，这是因为协调过程必须响应(或者因为协调的过程无法响应)。因此，需要非常多的系统来最小化地限定系统，并且在某些实施例中，从数据传输和存储的角度来看，需要数量过多的传感器以保持对宽范围运行条件的感测能力。附加地，即使存在足够的传感器，系统的复杂性也导致难以优化和协调系统操作。在某些实施例中，模式识别电路可以确定提供对系统的高分辨率理解的感测参数组，而不需要所有传感器连续地存储和传输数据。此外，传感器融合的利用提供了抽象期望输出的机会，例如“最大化产量”或“最小化不期望的副反应”，而无需操作者完全理解哪些传感器和系统条件最有效地实现了抽象的期望输出。适用于基于传感器融合操作进行控制和预测的化学或药物计划中的示例部件包括搅拌器、压力反应器、催化反应器和/或热流加热系统。用以确定感测的参数组并调整模式识别电路的示例传感器融合操作包括但不限于：与另一传感器类型组合的振动传感器、与另一传感器类型组合的组合传感器、与另一传感器类型组合的流速确定、和/或与另一传感器类型组合的温度传感器。最适合于特定应用的传感器融合可以由传感器学习电路收敛，但也取决于要进行预测的部件的类型、以及操作者所追求的期望输出的类型。例如，搅拌器适用于振动感测以及部件检测的均匀性(例如，高分辨率温度)、适当混合系统中的预期反应速率等。催化反应器适用于温度感测(基于反应热力学)、组成检测(例如，对于预期的反应物、以及催化材料的直接检测)、流速(例如，总机械故障、体积减小的珠状物等)、和/或压力检测(例如，指示出流速变化或与流速变化相结合)。
示例工业系统包括食品加工系统。示例食品加工系统包括加压容器、搅拌器、混合器和/或热流加热系统。过程的控制对于保持食品安全、产品质量和产品一致性至关重要。然而，食品加工系统的大多数输入参数具有高度可变性—例如，基本的食物产品本身可变为天然产品，具有不同的含水量、蛋白质含量和外观变化。附加地，劳动力成本管理、电力成本管理、以及供水中的可变性等提供了复杂的过程，其中，过程控制变量的确定、用以确定这些变量的感测参数、以及响应于过程变化的感测的优化是难以解决的问题。食品加工系统通常有成本意识，并且不容易产生资金成本(例如，用于优化的稳健网络和计算系统)。此外，食品加工系统可以在类似或相同的生产设施上制造各种各样的产品—例如以支持整个产品线和/或由于季节变化。因此，用于一个过程的传感器设置可能不能很好地支持另一过程。示例系统包括模式识别电路，该模式识别电路确定即使在系统条件的高可变性的情况下也在目标结果中提供强信号响应的感测参数组。模式识别电路可以提供可用于不同过程条件而不需要大量计算或数据存储资源的多个感测组参数选项。附加地，传感器学习电路提供感测系统对过程条件的变化的快速响应，包括更新感测的组参数选项以追求抽象的目标输出，而操作者不必了解哪个感测的参数最能支持输出目标。最适合于特定应用的传感器融合可以由传感器学习电路收敛，但也取决于要进行预测的部件的类型、以及操作者所追求的期望输出的类型。例如，加压容器、搅拌器、混合器和/或热流加热系统的控制和预测适用于传感器融合，其中，温度确定结合非温度确定、振动确定结合非振动确定、和/或热图与热图的变化率和/或非热图确定相结合。示例系统包括具有振动确定和非振动确定的传感器融合。在实施例中，提供了混合器和/或搅拌器的预测信息。示例系统包括具有压力确定、温度确定和/或非压力确定的传感器融合。在实施例中，提供了用于加压容器的预测信息。
参照图144，用于工业环境中进行数据收集的示例过程10936包括向包括多个部件的工业系统提供多个传感器的操作10938，多个传感器中的每个传感器可操作地耦合到多个部件中的至少一个部件。过程10936还包括：响应于感测的参数组解译多个传感器数据值的操作10940，感测的参数组包括来自多个传感器的融合数量的传感器；用以响应于传感器数据值的数量来确定包括所确定的次要值的识别的模式值的操作10942；响应于识别的模式值来更新感测的参数组的操作10944；以及响应于更新的感知参数组而调整解译传感器数据值的数量的操作10946。
示例过程10936包括(例如，通过周期性地、以选定的时间间隔和/或响应于系统改变来重复操作10940至操作10944)迭代地执行确定识别的模式值并更新感测的参数组以改善传感性能值的操作。示例过程10936包括通过确定以下项来确定传感性能值：用于检测工业系统中感兴趣的值的信噪比性能；工业系统中多个传感器的网络利用率；对于工业系统中感兴趣的值的有效感测解决方案；用于工业系统中的感测系统的功耗值，该感测系统包括多个传感器；用于确定次要值的计算效率；次要值的准确度和/或精度；用于确定次要值的冗余容量；和/或用于确定次要值的提前期值。
示例过程10936包括通过执行例如以下操作中的至少一个操作来更新感测的参数组的操作10944：更新感测的参数组的传感器选择；从感测的参数组更新至少一个传感器的传感器采样率；从感测的参数组更新至少一个传感器的传感器分辨率；从感测的参数组更新与至少一个传感器相对应的存储值；从感测的参数组更新与至少一个传感器相对应的优先级；和/或从感测的参数组更新与至少一个传感器相对应的采样率、采样顺序、采样阶段和网络路径配置中的至少一个。示例过程10936包括通过执行例如以下操作中的至少一个操作来确定识别的模式值的操作10942：确定感测的参数组和更新的感测参数组中的至少一个传感器相对于感兴趣的值的信号有效性；确定感测的参数组和更新的感测参数组中的至少一个传感器相对于感兴趣的值的灵敏度；确定感测的参数组和更新的感测参数组中的至少一个传感器相对于感兴趣的值的预测置信度；确定感测的参数组和更新的感测参数组中的至少一个传感器相对于感兴趣的值的预测延迟时间；确定感测的参数组和更新的感测参数组中的至少一个传感器相对于感兴趣的值的预测准确度；确定感测的参数组和更新的感测参数组中的至少一个传感器相对于感兴趣的值的预测精度；和/或响应外部反馈更新识别的模式值。
在实施例中，本文公开的方法和系统包括用于工业环境中数据收集的系统。该系统包括工业系统、传感器通信电路、模式识别电路以及传感器学习电路，工业系统包括多个部件和多个传感器，该多个传感器各自可操作地耦合到多个部件中的至少一个部件；传感器通信电路被构造成响应于感测的参数组来解译多个传感器数据值；模式识别电路被构造成响应于多个传感器数据值的至少一部分来确定识别的模式值；以及传感器学习电路被构造成响应于识别的模式值来更新感测的参数组。在实施例中，传感器通信电路还响应于更新的感测参数组来调节多个传感器数据值的解译。在实施例中，所述感测参数组包括融合的多个传感器。在实施例中，识别的模式值还包括次要值，该次要值包括响应于融合的多个传感器而确定的值。在实施例中，模式识别电路和传感器学习电路还被构造成迭代地执行确定识别的模式值并更新感测的参数组以改善传感性能值。在实施例中，所述传感性能值包括从由以下各项组成的性能确定中选择的至少一个性能确定：用于检测工业系统中的感兴趣的值的信噪比性能；工业系统中的多个传感器的网络利用率；工业系统中的感兴趣的值的有效感测分辨率；以及工业系统中的感测系统的功耗值，感测系统包括所述多个传感器。在实施例中，所述感测性能值包括针对检测所述工业系统中的感兴趣值的信噪比性能。在实施例中，所述感测性能值包括所述工业系统中的多个传感器的网络利用。在实施例中，所述感测性能值包括所述工业系统中的感兴趣值的有效感测分辨率。在实施例中，所述感测性能值包括所述工业系统中的感测系统的功率消耗值，所述感测系统包括所述多个传感器。在实施例中，所述传感性能值包括用于确定次要值的计算效率。在实施例中，所述计算效率包括以下中的至少一个：用于确定次要值的处理器操作，用于确定次要值的内存利用率，用于确定次要值的来自多个传感器的多个传感器输入，以及用于支持次要值的支持性数据长期存储器。在实施例中，所述传感性能值包括次要值的准确度和精度中的一个。在实施例中，所述传感性能值包括用于确定次要值的冗余容量。在实施例中，所述传感性能值包括用于确定次要值的提前时间值。在实施例中，次要值包括组件过热值。在实施例中，次要值包括组件维护时间、组件故障时间和组件使用寿命中的一个。在实施例中，次要值包括影响由工业系统的操作生产的产品质量的非正常运行条件。在实施例中，所述多个传感器包括至少一个模拟传感器。在实施例中，所述传感器中的至少一个包括远程传感器。在实施例中，所述次要值包括选自由以下值组成的值中的至少一个值：虚拟传感器输出值、过程预测值、过程状态值、组件预测值、组件状态值、以及具有来自融合的多个传感器、作为输入的传感器数据值的模型输出值。在实施例中，所述融合的多个传感器还包括从由以下各项组成的对中选择的至少一个传感器类型对：振动传感器与温度传感器；振动传感器与压力传感器；振动传感器与电场传感器；振动传感器与热通量传感器；振动传感器与电传感器；以及振动传感器与磁传感器。在实施例中，传感器学习电路还被构造成通过执行选自由以下各项组成的操作中的至少一个操作来更新感测的参数组：更新感测的参数组的传感器选择；从感测的参数组更新至少一个传感器的传感器采样率；从感测的参数组更新至少一个传感器的传感器分辨率；从感测的参数组更新与至少一个传感器相对应的存储值；从感测的参数组更新与至少一个传感器相对应的优先级；以及从感测的参数组更新与至少一个传感器相对应的采样率、采样顺序、采样阶段和网络路径配置中的至少一个。
在实施例中，所述模式识别电路还被构造成通过执行从由以下各项组成的操作中选择的至少一个操作来确定所述识别的模式值：确定感测的参数组和更新的感测参数组中的至少一个传感器相对于感兴趣的值的信号有效性；确定感测的参数组和更新的感测参数组中的至少一个传感器相对于感兴趣的值的灵敏度；确定感测的参数组和更新的感测参数组中的至少一个传感器相对于感兴趣的值的预测置信度；确定感测的参数组和更新的感测参数组中的至少一个传感器相对于感兴趣的值的预测延迟时间；确定感测的参数组和更新的感测参数组中的至少一个传感器相对于感兴趣的值的预测准确度；确定感测的参数组和更新的感测参数组中的至少一个传感器相对于感兴趣的值的预测精度；以及响应外部反馈更新识别的模式值。在实施例中，所述感兴趣的值包括选自由以下值组成的值中的至少一个值：虚拟传感器输出值、过程预测值、过程状态值、部件预测值、部件状态值、以及具有来自融合的多个传感器的作为输入的传感器数据值的模型输出值。在实施例中，所述模式识别电路还被构造成访问基于云的数据，所述基于云的数据包括多个第二传感器数据值，所述多个第二传感器数据值对应于至少一个偏移工业系统。在实施例中，所述传感器学习电路还构造成访问基于云的数据，所述基于云的数据包括与至少一个偏移工业系统相对应的第二更新的传感器参数组。
在实施例中，方法和系统包括向包括多个部件的工业系统提供多个传感器，所述多个传感器中的每个传感器可操作地耦合到多个部件中的至少一个部件；响应于感测的参数组来解译多个传感器数据值，感测的参数组包括来自多个传感器的融合的多个传感器。所述方法包括：确定识别的模式值，所述识别的模式值包括响应于多个传感器数据值所确定的次要值；响应于识别的模式值来更新感测的参数组；以及响应于更新的感测参数组来调整多个传感器数据值的解译。在实施例中，所述方法包括迭代地执行确定识别的模式值并更新感测的参数组以改善传感性能值。在实施例中，所述方法包括响应于确定以下各项中的至少一项来确定传感性能值：用于检测工业系统中的感兴趣的值的信噪比性能；工业系统中的多个传感器的网络利用率；工业系统中的感兴趣的值的有效感测分辨率；工业系统中的感测系统的功耗值，感测系统包括所述多个传感器；用于确定次要值的计算效率。在实施例中，计算效率包括以下各项中的至少一项：用于确定次要值的处理器操作、用于确定次要值的内存利用率、用于确定次要值的来自多个传感器的多个传感器输入、以及用于支持次要值的支持性数据长期存储器；次要值的准确度和精度中的一个；用于确定次要值的冗余容量；以及用于确定次要值的提前期值。在实施例中，更新感测的参数组包括执行选自由以下各项组成的操作中的至少一个操作：更新感测的参数组的传感器选择；从感测的参数组更新至少一个传感器的传感器采样率；从感测的参数组更新至少一个传感器的传感器分辨率；从感测的参数组更新与至少一个传感器相对应的存储值；从感测的参数组更新与至少一个传感器相对应的优先级；以及从感测的参数组更新与至少一个传感器相对应的采样率、采样顺序、采样阶段和网络路径配置中的至少一个。在实施例中，确定识别的模式值包括执行选自由以下各项组成的操作中的至少一个操作：确定感测的参数组和更新的感测参数组中的至少一个传感器相对于感兴趣的值的信号有效性；确定感测的参数组和更新的感测参数组中的至少一个传感器相对于感兴趣的值的灵敏度；确定感测的参数组和更新的感测参数组中的至少一个传感器相对于感兴趣的值的预测置信度；确定感测的参数组和更新的感测参数组中的至少一个传感器相对于感兴趣的值的预测延迟时间；确定感测的参数组和更新的感测参数组中的至少一个传感器相对于感兴趣的值的预测准确度；确定感测的参数组和更新的感测参数组中的至少一个传感器相对于感兴趣的值的预测精度；以及响应外部反馈更新识别的模式值。
在实施例中，本文公开的系统和方法包括一种用于工业环境中的数据收集的系统。所述系统包括：工业系统，所述工业系统包括多个部件以及多个传感器，多个传感器各自操作地耦合到所述多个部件中的至少一个部件；传感器通信电路，其被构造成响应于感测的参数组来解译多个传感器数据值。在实施例中，感测的参数组包括融合的多个传感器；用于响应于感测的参数组识别模式值的装置；以及用于响应于识别的模式值更新感测的参数组的装置。在实施例中，所述系统包括用于迭代更新感测的参数组的装置。在实施例中，所述系统包括用于访问与偏移工业系统相对应的外部数据和多个第二传感器数据值中的至少一者的装置。在实施例中，用于迭代更新感测的参数组的装置还响应于外部数据和多个第二传感器数据值中的至少一者。在实施例中，所述系统包括用于访问与偏移工业系统相对应的第二感测的参数组的装置。在实施例中，用于迭代更新的装置还响应于第二感测的参数组。
在实施例中，本文公开的方法和系统包括用于工业环境中数据收集的系统。该系统包括工业系统、传感器通信电路以及模式识别电路，工业系统包括多个部件和多个传感器，该多个传感器各自可操作地耦合到多个部件中的至少一个部件；传感器通信电路被构造成响应于感测的参数组来解译多个传感器数据值；模式识别电路被构造成响应于多个传感器数据值的至少一部分来确定识别的模式值。在实施例中，所述识别的模式值包括次要值，所述次要值包括响应于所述多个传感器数据值的所述至少一部分而确定的值；传感器学习电路被构造成响应于所述识别的模式值来更新所述感测参数组。在实施例中，所述传感器通信电路还被构造成响应于所更新的感测参数组来调整所述多个传感器数据值的解译。在实施例中，所述模式识别电路和所述传感器学习电路还被构造成迭代地执行确定所述识别的模式值和更新所述感测参数组以改善感测性能值。在实施例中，所述感测性能值包括针对检测所述工业系统中的感兴趣值的信噪比性能。在实施例中，所述感测参数组包括融合的多个传感器。在实施例中，所述次要值包括响应于融合的多个传感器而确定的值。在实施例中，所述次要值包括选自由以下值组成的值中的至少一个值：虚拟传感器输出值、过程预测值、过程状态值、组件预测值、组件状态值、以及具有来自融合的多个传感器、作为输入的传感器数据值的模型输出值。
在实施例中，本文公开的方法和系统包括用于工业环境中数据收集的系统。所述系统包括工业系统，其包括多个组件和多个传感器，所述多个传感器各自可操作地耦合到所述多个组件中的至少一个组件；传感器通信电路，其被构造成响应于所述感测参数组来解译多个传感器数据值；模式识别电路，其被构造成响应于多个传感器数据值中的至少一部分来确定识别的模式值。在实施例中，识别的模式值包括次要值，所述次要值包括响应于所述多个传感器的至少一部分而确定的值；传感器学习电路被构造成结响应于识别的模式值更新感测的参数组。在实施例中，所述传感器通信电路还被构造成响应于所更新的感测参数组来调整所述多个传感器数据值的解译。在实施例中，所述模式识别电路和所述传感器学习电路还被构造成迭代地执行确定所述识别的模式值和更新所述感测参数组以改善感测性能值。在实施例中，所述感测性能值包括所述工业系统中的多个传感器的网络利用。在实施例中，所述感测参数组包括融合的多个传感器。在实施例中，所述次要值包括响应于融合的多个传感器而确定的值。在实施例中，所述次要值包括选自由以下值组成的值中的至少一个值：虚拟传感器输出值、过程预测值、过程状态值、组件预测值、组件状态值、以及具有来自融合的多个传感器、作为输入的传感器数据值的模型输出值。
在实施例中，本文公开的方法和系统包括用于工业环境中数据收集的系统。所述系统包括工业系统，其包括多个组件和多个传感器，所述多个传感器各自可操作地耦合到所述多个组件中的至少一个组件；传感器通信电路，其被构造成响应于所述感测参数组来解译多个传感器数据值；模式识别电路，其被构造成响应于多个传感器数据值中的至少一部分来确定识别的模式值。在实施例中，所述识别的模式值包括次要值，所述次要值包括响应于所述多个传感器数据值的所述至少一部分而确定的值；传感器学习电路被构造成响应于所述识别的模式值来更新所述感测参数组。在实施例中，所述传感器通信电路还被构造成响应于所更新的感测参数组来调整所述多个传感器数据值的解译。在实施例中，所述模式识别电路和所述传感器学习电路还被构造成迭代地执行确定所述识别的模式值和更新所述感测参数组以改善感测性能值。在实施例中，所述感测性能值包括所述工业系统中的感兴趣值的有效感测分辨率。在实施例中，感测的参数组包括融合的多个传感器。在实施例中，所述次要值包括响应于融合的多个传感器而确定的值。在实施例中，所述次要值包括选自由以下值组成的值中的至少一个值：虚拟传感器输出值、过程预测值、过程状态值、组件预测值、组件状态值、以及具有来自融合的多个传感器、作为输入的传感器数据值的模型输出值。
在实施例中，本文公开的方法和系统包括用于工业环境中数据收集的系统。所述系统包括工业系统，其包括多个组件和多个传感器，所述多个传感器各自可操作地耦合到所述多个组件中的至少一个组件；传感器通信电路，其被构造成响应于所述感测参数组来解译多个传感器数据值；模式识别电路，其被构造成响应于多个传感器数据值中的至少一部分来确定识别的模式值。在实施例中，所述识别的模式值包括次要值，所述次要值包括响应于所述多个传感器数据值的所述至少一部分而确定的值；传感器学习电路被构造成响应于所述识别的模式值来更新所述感测参数组。在实施例中，所述传感器通信电路还被构造成响应于所更新的感测参数组来调整所述多个传感器数据值的解译。在实施例中，所述模式识别电路和所述传感器学习电路还被构造成迭代地执行确定所述识别的模式值和更新所述感测参数组以改善感测性能值。在实施例中，所述感测性能值包括所述工业系统中的感测系统的功率消耗值，所述感测系统包括所述多个传感器。在实施例中，所述感测参数组包括融合的多个传感器。在实施例中，所述次要值包括响应于融合的多个传感器而确定的值。在实施例中，所述次要值包括选自由以下值组成的值中的至少一个值：虚拟传感器输出值、过程预测值、过程状态值、组件预测值、组件状态值、以及具有来自融合的多个传感器、作为输入的传感器数据值的模型输出值。
参照图145，用于工业环境中进行数据收集的示例系统11000包括：工业系统11002，该工业系统11002具有多个部件11004；以及多个传感器11006，每个传感器可操作地耦合到多个部件11004中的至少一个部件。传感器的选择、分配、类型和通信设置取决于系统11000的应用和/或上下文。
示例系统11000还包括传感器通信电路11018(参照图146)，该传感器通信电路11018响应于感测的参数组11026解译多个传感器数据值11034。感测参数组11026包括哪些传感器11006在哪些时间采样的描述，该描述至少包括所选择的采样频率和处理阶段。在实施例中，特定传感器可以提供感兴趣的值等。示例系统包括感测参数组11026，该感测参数组11026是设置用于传感器融合操作的多个传感器。在某些实施例中，感测参数组11026包括一组传感器，所述一组传感器包含检测系统的运行条件，所述运行条件对系统11000的结果、非正常运行、维护间隔、维护健康状态、和/或以上各者中的任意一者的未来状态值、过程、部件、传感器、和/或系统11000感兴趣的任意方面进行预测。
在某些实施例中，传感器数据值11034被提供至数据收集器11008，数据收集器11008可以与多个传感器11006和/或与控制器11012通信。在某些实施例中，附加地或替代性地存在工厂计算机11010。在示例系统中，控制器11012被构造成在功能上执行传感器通信电路11018、模式识别电路11020和/或系统特征电路11022的操作，并且为了清楚描述控制器11012被描绘为单独的设备。控制器11012的各方面可以存在于传感器11006、数据收集器11008、工厂计算机11010和/或云计算设备11014上。在某些实施例中，控制器11012的所有方面可以存在于系统11000上所描绘的另一设备中。工厂计算机11010表示可以存在的和/或与工业系统11000通信的本地计算资源，例如处理资源、存储器资源和/或网络资源。在某些实施例中，云计算设备11014表示工业系统11000例如通过专用网络、内联网，通过蜂窝通信、卫星通信和/或通过因特网而可从外部获得的计算资源。在某些实施例中，数据收集器11008可以是计算设备、智能传感器、MUX盒或其它能够从多个传感器接收数据并传递数据和/或存储数据以供稍后传输的数据收集设备。示例数据收集器11008不具有存储和/或具有有限存储，并且选择性地传递通过其中的传感器数据，其中，传感器数据的子集由于数据收集器11008、相关网络的带宽而在给定时间内传送，并且/或者传感器数据的子集受环境限制。在某些实施例中，系统11000中的一个或多个传感器和/或计算设备是便携式设备—例如，步行通过工业系统的机械操作工可以具有智能手机，系统11000可以选择性地将该智能手机用作数据收集器11008、传感器11006—例如以增强通信吞吐量、传感器分辨率，和/或用作用于将传感器数据值11034传送至控制器11012的主要方法。
示例系统11000还包括：模式识别电路11020，该模式识别电路11020响应于传感器数据值11034的至少一部分来确定识别的模式值11028；以及系统特征电路11022响应于识别的模式值11028为工业系统提供系统特征值11030。系统特征值11030包括根据模式识别电路11020的模式识别操作而确定的任何值，所述操作包括确定出：存在感兴趣的系统条件、存在感兴趣的部件条件、存在系统或部件的抽象条件(例如，产品质量值；操作成本值；部件健康、磨损或维护值；部件容量值；和/或传感器饱和值)和/或预测在感兴趣的时间范围(例如，日历时间、操作时间和/或过程阶段)内发生。模式识别操作包括确定出：与先前已知模式兼容的操作、类似于先前已知模式的操作和/或从先前已知模式信息外推的操作(例如，先前已知模式包括第一部件的温度响应，并且部件之间的已知或估计关系允许基于第一部件的模式识别与已知或估计的关系相结合来确定第二部件的温度将超过阈值)。
以下描述了系统特征值11030的多个示例的非限制性描述。示例系统特征值11030包括与工业系统相关联的过程的预测结果—例如，产品质量描述、产品数量描述、产品可变性描述(例如，根据系统的运行条件预测的产品参数的预期可变性)、产品产量描述、过程的净现值(net present value，简称NPV)、过程完成时间、过程成功完成的机会、和/或产品纯度结果。预测结果可以是批量预测(例如，过程的单次运行或整个运行次数、以及相关联的预测结果)、基于时间的预测(例如，第二天、接下来的三周直到计划停机的过程的预计结果等)、生产定义的预测(例如，接下来的1,000个单元的预测结果、接下来的47个订单等)、和/或基于变化率的结果(例如，预计每月3个部件出故障、每年的排放量输出等)。示例系统特征值11030包括与工业系统相关联的过程的预测未来状态—例如，给定未来时间的操作温度、能耗值、罐中的体积、与工业系统相邻的学校处的发出噪音值、和/或泵的转速。预测的未来状态可以基于时间(例如，在星期四下午4点)、基于过程的状态(例如，在第三阶段期间、在系统关闭期间等)、和/或基于特别感兴趣的未来状态(例如，峰值能耗、最高温度值、最大噪声值、当最大数量的人员将在敏感区域的50英尺范围内的时间或过程阶段、当系统冗余的方面处于最低点时的时间或过程阶段—例如，用于确定过程中的高风险点等)。示例系统特征值11030包括与工业系统相关联的过程的预测的非正常运行—例如，当系统的部件容量将超过正常参数(尽管可能未碰到故障)时，当系统中的任何参数与正常运行相差三个标准差时，当部件的容量未得到充分利用时等。示例系统特征值11030包括多个部件中的一个部件的预测值—例如，在某个时间点和/或处理阶段的运行条件。示例系统特征值11030包括针对多个部件中的一个部件的未来状态值。部件的预测的未来状态可以基于时间、基于过程的状态、和/或基于特定兴趣的未来状态(例如，为部件预测的最高值或最低值)。示例系统特征值11030包括多个部件中的一个部件的预期的维护健康状态信息，包括在特定时间、过程阶段、直到下一个维护事件之前预测到的最低值等。示例系统特征值11030包括多个部件中的至少一个部件的预测维护间隔(例如，基于当前使用、预期使用、计划过程操作等)。示例系统特征值11030包括多个部件中的一个部件的预测的非正常运行—例如在特别感兴趣的选定时间、过程阶段和/或未来状态。示例系统特征值11030包括多个部件中的一个部件的预测故障运行—例如在选定时间、过程阶段、基于当前使用情况所预测的任何故障发生、预期使用情况、计划过程操作、和/或特别感兴趣的未来状态。示例系统特征值11030包括针对多个部件中的一个部件的预测超标值，其中，超标值包括超出设计规范和/或超出选定阈值。示例系统特征值11030包括针对多个传感器中的一个传感器的预测饱和值--例如在选定时间、过程阶段、基于当前使用预测的任何饱和发生、预期使用、计划过程操作、和/或特别感兴趣的未来状态。
预测值11030的任何值可以是原始值(例如，温度值)、导数值(例如，温度值的变化率)、包括加权累积值的累积值(例如，在一个或多个温度阈值之上所花费的时间)、和/或积分值(例如，在感兴趣的温度值或温度轨迹上的温度-时间曲线上的面积)。所提供的示例列出了温度，但是可以利用任何预测值11030，至少包括振动、系统吞吐量、压力等。在某些实施例中，可以利用一个或多个预测值11030的组合。
根据本公开内容将理解的是，组合预测值11030可以创建用于系统分析、控制、和风险管理的特别强大的组合，这在本文中被特别考虑。例如，第一预测值可以指示通过系统的最大流速的时间或过程阶段，第二预测值可以确定在该特定时间或过程中存在的系统的一个或多个部件的预测状态。在另一个示例中，第一预测值指示系统在交付能力方面的最低裕度(例如，通过确定过程中至少一个部件具有最低运行裕度的点，和/或一组部件由于同时存在多个较低的运行裕度而引发的风险导致的在统计上具有较低运行裕度的点)，以及测试系统风险的第二预测值(例如，进水损失、功率损失、温度升高、减少或增加热传递的环境条件变化，或排除某些流出物的排放)，并且可以根据总系统风险来评估单独事件的综合风险。附加地，可以利用灵敏度检查来操作预测值(例如，在裕度内改变系统条件以确定是否可能发生某些故障)。在实施例中，预测值的使用允许在过程中的高风险点处以更高分辨率执行灵敏度检查。
示例系统11000还包括解译外部数据11036的系统协作电路11024，并且其中，模式识别电路11020进一步响应于外部数据11036而进一步确定识别的模式值11028。外部数据11036包括但不限于从系统11000外部和/或控制器11012外部提供的数据。非限制性示例外部数据11036包括来自操作者的条目(例如，指示故障、失效和/或服务事件)。示例模式识别电路11020还响应于外部数据11036而迭代地改进模式识别操作(例如，在已知结果的情况下，比如维护事件、产品质量确定、生产结果确定等，识别的模式值11028的检测由此在已知结果发生之前根据系统的条件进行改进。示例性的非限制性外部数据11036包括诸如以下数据：指示的过程成功值、指示的过程失败值、指示的组件维护事件、指示的组件故障事件、指示的过程结果值、指示的组件磨损值、指示的过程操作超标值、指示的组件操作超标值、指示的故障值和/或指示的传感器饱和值。
示例系统11000还包括系统协作电路11024，系统协作电路11024解译基于云的数据11032，基于云的数据11032包括第二数量的传感器数据值，第二数量的传感器数据值对应于至少一个偏移工业系统，其中，模式识别电路11020进一步响应于基于云的数据11032确定识别的模式值11028。示例模式识别电路11020进一步响应于基于云的数据11032迭代地改进模式识别操作。示例感测的参数组11026包括：三轴振动传感器；振动传感器和第二传感器，第二传感器不是振动传感器而是数字传感器；和/或许多模拟传感器。
示例系统包括包含炼油厂的工业系统。示例精炼厂包括一个或多个压缩机，以用于将流体输送通过设备和/或用于对流体流(例如，用于在蒸馏塔中回流)进行加压。附加地或替代性地，示例精炼厂包括真空蒸馏，例如以分馏烃。示例性炼油厂还包括系统中的各种管线，用于输送流体、引入原料、最终产品输送等。示例系统包括多个传感器，所述多个传感器用于确定蒸馏塔的每个方面，例如各种流体流的温度、塔中各个接触塔盘的温度和组成、进给和回流的测量、以及废水或分离的产品。蒸馏塔的设计是复杂的，并且最佳设计可以取决于锅炉、压缩机的尺寸、塔内的接触条件、以及原料的组成，所有这些都可以显著变化。附加地，用于有效感测管道中的条件的最佳位置可以随流体流速、环境条件(例如，引起传热速率的变化)、所用原料和其它因素而变化。附加地，锅炉、压缩机或其它操作设备的磨损或功能的丧失可能会改变系统响应和功能，从而随着系统老化使单点优化--包括传感器应当定位的位置以及传感器应当如何采样数据--呈现为非最优。
在整个系统中提供多个传感器可能是昂贵的，这不一定是因为传感器很昂贵，而是因为传感器所提供的数据可能被禁止传输、存储和利用。示例系统包括在整个系统中提供大量传感器并且预测部件的未来状态、过程变量、产品和/或系统的排出物。示例系统利用模式识别电路不仅用以确定参数的未来预测状态而且用以确定在参数的未来预测状态将是感兴趣的和/或将与参数的其它未来预测状态组合时所产生的额外的风险或机会。
附加地，系统特征电路和系统协作电路可以随时间改进预测和/或系统特征，并且/或者利用偏移的精炼厂以更有力地进行预测或系统表征，这可以提供更早的检测、整体企业优化的更长期限计划、和/或允许工业系统更接近裕度。如果发生意外的运行条件—例如压缩机的非正常运行，则传感器协作电路能够迁移系统预测并提高在系统和/或偏移系统中检测导致意外操作条件的能力。附加地，基于指示非正常运行、裕度运行、高风险运行和/或即将进行的维护或潜在故障的预测的蒸馏塔的报警，可以容易地准备，以提供对风险的可见性，否则通过在没有严格分析的情况下查看系统容量和过去经历，这些风险可能不会显而易见。
精炼厂的示例传感器融合操作包括与温度、压力和/或组成相结合的振动信息(例如，以确定压缩机性能)；温度和压力、温度和组成、和/或组成和压力(例如，以确定原料变化、接触盘性能和/或部件出故障)。
示例精炼厂系统包括储存罐和/或锅炉给水。示例系统确定包括传感器融合以比如通过温度和压力融合、和/或利用非振动确定与振动确定(例如，检测泄漏、空气进入系统和/或进给泵问题)来确定储存罐故障和/或非正常运行。某些进一步的示例系统预测包括传感器融合以比如通过包括流速、压力、温度和/或振动的传感器融合来确定锅炉给水出故障。这些参数中的任意一个或多个参数可以用于预测系统泄漏、故障、进给泵的磨损、和/或结垢。
类似地，示例工业系统包括具有冷凝物和/或补给水系统的发电系统，其中，传感器融合提供感测的参数组以及故障、维护等的预测。利用传感器融合和/或连续机器学习过程的系统特征电路可以预测故障、非正常运行、部件健康、和/或维护事件，但不限于精炼厂的压缩机、管道、储存罐和/或锅炉给水。
示例工业系统包括用于田地或田地系统的灌溉系统。灌溉系统受系统的显著变化(例如，入口压力和/或水位、部件磨损和维护)以及环境变化(例如，种植的作物的类型和分布、天气、土壤湿度、湿度、太阳的季节变化、云覆盖和/或风力变化)。另外，灌溉系统倾向于位于偏远的地方，那里不容易获得高带宽网络访问、维护设施和/或甚至没有监督人员。示例系统包括能够使得预测灌溉系统的条件而不需要所有传感器连续地传输或存储数据的多个传感器。模式识别电路可以容易地确定最重要的传感器组，以有效地预测模式并且因此确定响应的系统条件(例如，灌溉周期、定位等)。附加地，可以随时准备好远程设施的报警，从而确保正确的传感器包处于合适的位置以用于预测非正常条件(例如，泵的即将发生的故障或维护需求)。在某些实施例中，系统可以确定非正常过程条件，比如供水可用性低于正常水平(例如，基于识别的模式条件，比如最近的降水历史、来自灌溉系统的水生产历史或争夺相同水进料的其它系统)、结构化新闻报警或外部数据等，并且系统更新感测到的参数组，例如以确认供水可用性(例如，相关位置中的水位传感器)、以确认可接受的条件是可以降低水输送水平(例如，湿度传感器、和/或给用户的提示)、和/或确认有足够的可获得的可用二级源(例如，辅助水位传感器)。
示例工业系统包括化学或制药工厂。化学工厂需要特定的运行条件、流速、温度等，以在整个系统中保持适当的温度、浓度、混合等。在多个系统中，存在多个过程步骤，并且在过程的一个部分中的非正常或不协调运行可能导致产量降低、过程失败和/或生产能力显著降低，这是因为协调过程必须响应(或者因为协调的过程无法响应)。因此，需要非常多的系统来最小化地限定系统，并且在某些实施例中，从数据传输和存储的角度来看，需要数量过多的传感器以保持对宽范围运行条件的感测能力。附加地，即使存在足够的传感器，系统的复杂性也导致难以优化和协调系统操作。在某些实施例中，模式识别电路可以预测提供对系统的高分辨率理解的感测参数组，而不需要所有传感器连续地存储和传输数据。此外，模式识别电路可以突出显示即将到来的过程操作的预测系统风险和容量限制，其中，风险隐藏在复杂过程中。因此，这意味着其可以可靠地以较低的成本更接近裕度而操作，并且/或者维护或系统更新可以在经历故障或容量限制之前执行系统升级。
此外，传感器融合的利用提供了抽象期望预测的机会，例如“最大化产量”或“最小化不期望的副反应”，而无需操作者完全理解哪些传感器和系统条件最有效地实现了抽象的期望输出。此外，模式识别电路的预测性质允许过程的变化以在过程被提交至次优结果之前支持待实现的期望结果。适用于基于模式识别电路的操作和/或传感器融合操作进行控制和预测的化学或药物计划中的示例部件包括搅拌器、压力反应器、催化反应器和/或热流加热系统。用以确定感测的参数组并调整模式识别电路的示例传感器融合操作包括但不限于：与另一传感器类型组合的振动传感器、与另一传感器类型组合的组合传感器、与另一传感器类型组合的流速确定、和/或与另一传感器类型组合的温度传感器。例如，搅拌器适用于振动感测以及部件检测的均匀性(例如，高分辨率温度)、适当混合系统中的预期反应速率等。催化反应器适用于温度感测(基于反应热力学)、组成检测(例如，对于预期的反应物、以及催化材料的直接检测)、流速(例如，总机械故障、体积减小的珠状物等)、和/或压力检测(例如，指示出流速变化或与流速变化相结合)。
示例工业系统包括食品加工系统。示例食品加工系统包括加压容器、搅拌器、混合器和/或热流加热系统。过程的控制对于保持食品安全、产品质量和产品一致性至关重要。然而，食品加工系统的大多数输入参数具有高度可变性—例如，基本的食物产品本身可变为具有不同的含水量、蛋白质含量和其它外观变化的天然产品。附加地，劳动力成本管理、电力成本管理、以及供水中的可变性等提供了复杂的过程，其中，预测变量的确定、用以确定这些变量的感测参数、以及响应于过程变化的预测的优化是难以解决的问题。食品加工系统通常有成本意识，并且不容易产生资金成本(例如，用于优化的稳健网络和计算系统)。此外，食品加工系统例如由于支持整个产品线和/或由于季节变化而可以在类似或相同的生产设施上制造各种各样的产品，并且因此，用于一个过程的预测操作可能不能很好地支持另一过程。示例系统包括模式识别电路，该模式识别电路确定即使在系统条件的高可变性的情况下也在目标结果中提供强信号响应的感测参数组。模式识别电路可以提供可用于不同过程条件而不需要大量计算或数据存储资源的多个感测组参数选项，因此实现了针对多种运行条件的相关预测。例如，加压容器、搅拌器、混合器和/或热流加热系统的控制和预测适用于模式识别电路和/或传感器融合的操作，其中，温度确定结合非温度确定、振动确定结合非振动确定、和/或热图与热图的变化率和/或非热图确定相结合。示例系统包括模式识别电路操作和/或具有振动确定和非振动确定的传感器融合。在实施例中，提供了混合器和/或搅拌器的预测信息；和/或具有压力确定、温度确定和/或非压力确定的传感器融合。在实施例中，提供了用于加压容器的预测信息。
参照图147，示例过程11038包括：向包括多个部件的工业系统提供多个传感器的操作11040，多个传感器中的每个传感器可操作地耦合到多个部件中的至少一个部件；响应于感测的参数组解译多个传感器数据值的操作11042，感测的参数组包括多个传感器中的至少一个传感器；用以响应于多个传感器数据值中的至少一部分传感器数据值来确定识别的模式值的操作11044；以及用以响应于识别的模式值为工业系统提供系统特征值的操作11046。
示例过程11038还包括用以通过执行下述操作来提供系统特征值的操作11046：所述操作为确定与工业系统相关联的过程的预测结果；确定与工业系统相关联的过程的预测未来状态；确定与工业系统相关联的过程的预测非正常运行；确定多个部件中的一个部件的预测值；确定多个部件中的一个部件的未来状态值；确定多个部件中的一个部件的预期维护健康状态信息；确定多个部件中的至少一个部件的预测维护间隔；确定多个部件中的一个部件的预测的非正常运行；确定多个部件中的一个部件的预测故障运行；确定多个部件中的一个部件的预测超标值；和/或确定多个传感器中的一个传感器的预测饱和度值。
示例过程11038包括用以对外部数据和/或基于云的数据进行解译的操作11050，并且其中，用以确定识别的模式值的操作11044还响应于外部数据和/或基于云的数据。示例过程11038包括用以例如通过操作11048来调节解译传感器值的操作11042、比如通过更新感测的参数组来响应于外部数据和/或基于云的数据而迭代地改进模式识别操作的操作。迭代地改进模式识别的操作还可以包括响应于系统改变和/或响应于部件、过程或系统的预测值以选定的间隔周期性地重复操作11042至操作11048。
在实施例中，一种用于工业环境中进行数据收集的系统，该系统包括工业系统，工业系统包括多个部件，多个传感器各自可操作地耦合到多个部件中的至少一个部件；传感器通信电路，传感器通信电路构造成响应于感测的参数组来解译多个传感器数据值，感测的参数组包括多个传感器中的至少一个传感器；模式识别电路，模式识别电路构造成响应于多个传感器数据值中的至少一部分传感器数据值来确定识别的模式值；以及系统特征电路，系统特征电路构造成响应于识别的模式值为工业系统提供系统特征值。在实施例中，特征值可以包括选自由以下各项组成的特征值中的至少一个特征值：与工业系统相关联的过程的预测结果；与工业系统相关联的过程的预测未来状态；以及与工业系统相关联的过程的预测的非正常运行。系统特征值可以包括选自由以下各项组成的特征值中的至少一个特征值：多个部件中的一个部件的预测值；多个部件中的一个部件的未来状态值；多个部件中的一个部件的预期维护健康状态信息；以及多个部件中的至少一个部件的预测维护间隔。系统特征值可以包括选自由以下各项组成的特征值中的至少一个特征值：多个部件中的一个部件的预测的非正常运行；多个部件中的一个部件的预测故障运行；以及多个部件中的一个部件的预测超标值。系统特征值可以包括多个传感器中的一个传感器的预测饱和度值。可以包括系统协作电路，该系统协作电路被构造成解译外部数据。在实施例中，模式识别电路还被构造成进一步响应于外部数据确定识别的模式值。模式识别电路还可以构造成响应于外部数据迭代地改进模式识别操作。外部数据可以包括下述中的至少一者：指示的组件维护事件；指示的组件故障事件；指示的组件磨损值；指示的组件操作超标值；以及指示的故障值。外部数据可以包括下述值中的至少一个值：指示的过程失败值；指示的过程成功值；指示的过程结果值；以及指示的过程操作超标值。外部数据可以包括指示的传感器饱和值。可以包括系统协作电路，该系统协作电路被构造成解译基于云的数据，该基于云的数据包括多个第二传感器数据值，该多个第二传感器数据值对应于至少一个偏移工业系统。在实施例中，模式识别电路还构造成进一步响应于基于云的数据确定识别的模式值。模式识别电路还可以构造成响应于基于云的数据迭代地改进模式识别操作。感测的参数组可以包括三轴振动传感器。感测的参数组可以包括振动传感器和第二传感器，该第二传感器，比如在第二传感器包括数字传感器的情况下不是振动传感器。感测的参数组可以包括多个模拟传感器。
在实施例中，一种方法，该方法可以包括：向包括多个部件的工业系统提供多个传感器，所述多个传感器中的每个传感器可操作地耦合到多个部件中的至少一个部件；响应于感测的参数组对多个传感器数据值进行解译，感测到的参数组包括多个传感器中的至少一个传感器；响应于多个传感器数据值中的至少一部分传感器数据值来确定识别的模式值；以及响应于识别的模式值而为工业系统提供系统特征值。系统特征值可以通过执行选自由以下各项组成的操作中的至少一个操作来提供：确定多个部件中的一个部件的预测值；确定多个部件中的一个部件的未来状态值；确定多个部件中的一个部件的预期维护健康状态信息；以及确定多个部件中的至少一个部件的预测维护间隔。系统特征值可以通过执行选自由以下各项组成的操作中的至少一个操作来提供：确定与工业系统相关联的过程的预测结果；确定与工业系统相关联的过程的预测未来状态；以及确定与工业系统相关联的过程的预测的非正常运行。系统特征值可以通过执行选自由以下各项组成的操作中的至少一个操作来提供：确定多个部件中的一个部件的预测的非正常运行；确定多个部件中的一个部件的预测故障运行；以及确定多个部件中的一个部件的预测超标值。系统特征值可以通过确定多个传感器中的一个传感器的预测饱和度值来提供。确定识别的模式值可以进一步响应于外部数据。迭代地改进模式识别操作可以响应于外部数据而提供。解译外部数据可以包括选自由以下各项组成的操作中的至少一个操作：解译所指示的组件维护事件；解译所指示的组件故障事件；解译所指示的组件磨损值；解译所指示的组件操作超标值；以及解译所指示的故障值。解译外部数据可以包括选自由以下各项组成的操作中的至少一个操作：解译所指示的过程成功值；解译所指示的过程失败值；解译所指示的过程结果值；以及解译所指示的过程操作超标值。解译外部数据可以包括解译所指示的传感器饱和值。解译基于云的数据可以包括解译多个第二传感器数据值，该多个第二传感器数据值对应于至少一个偏移工业系统。在实施例中，确定识别的模式值进一步响应于基于云的数据。迭代地改进模式识别操作可以响应于基于云的数据而提供。
在实施例中，一种用于工业环境中进行数据收集的系统，该系统可以包括工业系统，工业系统包括多个部件，多个传感器各自可操作地耦合到多个部件中的至少一个部件；传感器通信电路，传感器通信电路构造成响应于感测的参数组来解译多个传感器数据值，感测的参数组包括多个传感器中的至少一个传感器；用于响应于多个传感器数据值中的至少一部分传感器数据值来确定识别的模式值的装置；以及用于响应于识别的模式值为工业系统提供系统特征值的装置。用于提供系统特征值的装置可以包括用于执行选自由以下各项组成的操作中至少一个操作的装置：确定与工业系统相关联的过程的预测结果；确定与工业系统相关联的过程的预测未来状态；以及确定与工业系统相关联的过程的预测的非正常运行。用于提供系统特征值的装置可以包括用于执行选自由以下各项组成的操作中的至少一个操作的装置：确定多个部件中的一个部件的预测值；确定多个部件中的一个部件的未来状态值；确定多个部件中的一个部件的预期维护健康状态信息；以及确定多个部件中的至少一个部件的预测维护间隔。用于提供系统特征值的装置可以包括用于执行选自由以下各项组成的操作中的至少一个操作的装置：确定多个部件中的一个部件的预测的非正常运行；确定多个部件中的一个部件的预测故障运行；以及确定多个部件中的一个部件的预测超标值。用于提供系统特征值的装置可以包括用于确定多个传感器中的一个传感器的预测饱和度值的装置。可以提供系统协作电路，该系统协作电路被构造成解译外部数据。在实施例中，用于确定识别的模式值的装置进一步响应于外部数据来确定识别的模式值。用于迭代地改进模式识别操作的装置可以响应于外部数据而提供。外部数据可以包括下述值中的至少一个值：指示的处理成功值；指示的过程失败值；以及指示的过程结果值。外部数据可以包括下述各者中的至少一者：指示的组件维护事件；指示的组件故障事件；以及指示的组件磨损值。外部数据可以包括下述值中的至少一个值：指示的过程操作超标值；指示的组件操作超标值；以及指示的故障值。外部数据可以包括指示的传感器饱和值。可以提供系统协作电路，该系统协作电路被构造成解译基于云的数据，该基于云的数据包括多个第二传感器数据值，该多个第二传感器数据值对应于至少一个偏移工业系统。在实施例中，用于确定识别的模式值的装置进一步响应于基于云的数据来确定识别的模式值。用于迭代地改进模式识别操作的装置可以响应于基于云的数据而提供的方法。
在实施方案中，一种用于工业环境中进行数据收集的系统，该系统可以包括：蒸馏塔，蒸馏塔包括多个部件，多个传感器各自可操作地耦合到多个部件中的至少一个部件；传感器通信电路，传感器通信电路构造成响应于感测到的参数组来解译多个传感器数据值，感测的参数组包括多个传感器中的至少一个传感器；模式识别电路，模式识别电路构造成响应于多个传感器数据值中的至少一部分传感器数据值来确定识别的模式值；系统特征电路，系统特征电路构造成响应于识别的模式值为蒸馏塔提供系统特征值。多个部件可以包括热力学处理组件。在实施例中，系统特征值包括选自由以下各项组成的值中的至少一个值：确定热力学处理组件的预测值；确定热力学处理组件的未来状态值；确定热力学处理组件的预期维护健康状态信息；以及根据热力学处理组件的容量来确定过程速率限制。热力学处理部件可以包括压缩机或锅炉中的至少一者。
在实施例中，一种用于工业环境中进行数据收集的系统，该系统可以包括：化学处理系统，化学处理系统包括多个部件，多个传感器各自可操作地耦合到多个部件中的至少一个部件；传感器通信电路，传感器通信电路构造成响应于感测的参数组来解译多个传感器数据值，感测的参数组包括多个传感器中的至少一个传感器；模式识别电路，模式识别电路构造成响应于多个传感器数据值中的至少一部分传感器数据值来确定识别的模式值；以及系统特征电路，系统特征电路构造成响应于识别的模式值为化学处理系统提供系统特征值。化学处理系统可包括化学工厂、制药厂或精炼厂中的一者。系统特征值可以包括选自由以下值组成的值中的至少一个值：分离过程值，分离过程值包括容量值或纯度值中的至少一者；副反应过程值，副反应过程值包括副反应速率值；以及热力学处理值，热力学处理值包括热力学处理部件的能力、容量和预期的维护健康中的一者。
一种用于工业环境中的数据收集的系统，所述系统包括：
灌溉系统、传感器通信电路、模式识别电路以及系统特征电路，灌溉系统包括包括多个部件和多个传感器，多个部件包括泵，多个传感器各自可操作地耦合到多个部件中的至少一个部件；传感器通信电路被构造成响应于感测的参数组来解译多个传感器数据值，感测的参数组包括多个传感器中的至少一个传感器；模式识别电路被构造成响应于多个传感器数据值中的至少一部分传感器数据值来确定识别的模式值；以及系统特征电路被构造成响应于识别的模式值为灌溉系统提供系统特征值。系统特征值可以包括泵的预期维护健康值和泵的未来状态值中的至少一者。模式识别电路可以响应于多个传感器数据值中的至少一部分传感器数据值来确定非正常过程条件。在实施例中，传感器通信电路还构造成响应于非正常过程条件而改变感测的参数组。非正常过程条件可以包括低于正常供水可用性的指示。在实施例中，更新的感测参数组包括选自由以下各项组成的传感器中的至少一个传感器：水位传感器、湿度传感器和辅助水位传感器。
如本文中其它地方所描述的，对可以包括基于规则的系统、基于模型的系统、人工智能(artificial intelligence，简称AI)系统(包括神经网络、自组织系统和贯穿本公开所描述的其它系统)以及它们的各种组合和混合(在本文中统称为“专家系统”，除非上下文另有说明)的各种智能系统和/或专家系统、控制系统(包括远程系统和本地系统、自治系统等)等的反馈可以包括广泛的信息，包括如本文所描述的利用率度量、效率度量(例如，功率、财力度量，例如降低成本)、状态预测或预期成功的度量(例如，避免和减轻故障)、生产率度量(例如，工作流)、产量度量、利润度量等度量。在实施例中，对专家系统的反馈可以是行业特定的、域特定的、工厂特定的、机器特定的等。
专家系统的行业特定反馈可以由第三方--比如维修和维护组织、制造商、一个或多个联盟等--来提供，或者可以由主题系统自身的一个或多个元件生成。行业特定反馈可以比如聚合到一个或多个数据结构中。在实施例中，数据以部件级别、设备级别、工厂/安装级别、和/或行业级别聚合。数据结构的用户可以访问任何级别的数据(例如，部件、设备、工厂、工业等)。用户可以基于针对用户需要的系统条件或者由该系统条件过滤而搜索指示器/预测器的数据结构，或者使用专有数据更新指示器/预测器，以自定义其行业的数据结构。在实施例中，专家系统可以用行业特定反馈比如以深度学习方式来做种，以提供预期的结果或状态和/或执行动作以优化特定机器、设备、部件、过程等。
在实施例中，提供给专家系统的反馈可以使用在一个或多个智能带中以预测朝向一个或多个目标的进展。专家系统可以使用反馈来确定对提供反馈的系统的一个或多个部件的修改、改造、添加、改变等，如本文中其它地方所描述的。基于行业特定的反馈，专家系统可以改变输入、处理或存储输入或输出的方式、用于提供反馈的一个传感器或多个传感器、操作参数、系统中使用的一件设备、或者任何其它引起反馈的工业系统中的参与者的方面。如本文其它地方所描述的，专家系统可以比如使用一个或多个智能带来跟踪多个目标。行业特定反馈可以在智能带中使用或由智能带使用来预测与一个或多个目标相关的结果或状态，并且以推荐或指示旨在增加用以实现结果或状态的可能性的改变。
例如，混合器可以用于食品加工环境或化学加工环境中，但是与食品加工厂有关的反馈(例如，所需的灭菌温度、食品粘度、颗粒密度(比如说例如通过光学传感器测量)、烹饪完成(例如，完成烘焙中涉及的反应)、卫生(例如，没有病原体)可能与化学加工厂中的相关的内容(例如，叶轮速度、速度矢量、流速、没有高污染物水平等)不同。这种行业特定的反馈对于优化混合器在其特定环境中的操作是有用的。
在另一示例中，专家系统可以使用来自农业系统的反馈来训练与部署在田间的灌溉系统相关的模型。在实施例中，行业特定的反馈涉及以下一项或多项：整个行业使用的水量(例如，由流量计测量)、一段时间内的用水趋势(例如，通过流量计测量)、收获量(例如，通过计重秤测量)、昆虫侵扰(例如，通过无人机成像识别和/或测量)、植物死亡(例如，通过无人机成像识别和/或测量)等。
在对制造工业中的冷却进行控制的流体流动系统(例如，风扇、泵或压缩机)的另一示例中，专家系统可以使用来自制造涉及在制造过程期间需要冷却的材料(例如，聚合物)的部件的反馈，比如输出产品的质量、输出产品的强度、输出产品的灵活性等中的一个或多个(比如说例如通过包括密度计、粘度计、尺寸排阻色谱仪和扭矩计的一套传感器测量)。如果传感器指示出聚合物在单体转化期间过快地冷却，则专家系统可以向流体流动系统中的风扇、泵或压缩机中的一个或多个传递指令以减少其操作的方面进而满足质量目标。
在执行精炼工艺(例如，加氢处理，加氢裂化，异构化，重整)的精炼厂中运行的往复式压缩机的另一个示例中，专家系统可以使用与以下一项或多项有关的反馈：压缩机下游的硫、氮和/或芳烃的量(例如，通过近红外(IR)分析仪测量)、产品的十六烷/辛烷值或烟点(例如，通过辛烷分析仪测量)、产品的密度(例如，通过密度计测量)、副产物气体量(例如，通过电化学气体传感器测量)等。在该实施例中，当通过在线近红外分析仪对异丁烯的量和/或质量进行测量而在丁烷异构化为异丁烯期间接收到反馈时，专家系统可以确定出包括往复式压缩机的异构化系统的一个或多个部件的性能应当被改变以满足生产目标。
在精炼厂中操作的真空蒸馏单元的另一示例中，专家系统可以使用与下述各者有关的反馈：回收的原始汽油量(比如说例如通过使用IR测量各种馏分的体积或组成)、回收馏分的沸点(比如说例如使用沸点分析仪)、蒸气冷却速率(比如说例如通过温度计测量)等。在该示例中，当在用以回收柴油的真空蒸馏期间接收到反馈时，当回收的量指示出非正常的生产量时，专家系统可以指示真空蒸馏单元改变原料来源并开始对现有原料的更详细分析。
在精炼厂中的管道的又一示例中，专家系统可以使用与下述各者有关的反馈：烃产品的流动类型(例如，气泡式、分层式、段塞式、环形式、过渡式、雾式)(比如说例如通过染料跟踪来测量)、流速、蒸汽速度(比如用流量计)、蒸汽剪切等。在该示例中，当在管道的操作期间接收到与流动类型及其速率有关的反馈时，专家系统可以推荐修改以改善通过管道的流量。
在制药厂中的桨式或锚式搅拌器/混合器的又一示例中，专家系统可以使用与下述各者有关的反馈：高粘度液体的混合程度、中低粘度液体的加热、混合物的密度、混合物中的生物的生长速率等。在该示例中，当在搅拌器的操作期间接收到细菌生长速率太高(例如用分光光度计测量)的反馈时，专家系统可以指示搅拌器降低其速度以限制添加至混合物或生长基质的空气量。
在化学加工厂中的压力反应器的另一示例中，专家系统可以使用与下述各者有关的反馈：催化反应速率(例如通过质谱仪测量)、颗粒密度(比如通过密度计测量)、生物生长速率(比如通过分光光度计测量)等。在该示例中，当在压力反应器的操作期间接收到颗粒密度和生物生长速率非正常的反馈时，专家系统可以指示压力反应器修改一个或多个操作参数，比如降低压力、升高温度、增大反应体积等。
在化学加工厂中操作的气体搅拌器的另一示例中，专家系统可以使用与如通过适当的传感器或设备而测量的充气液体的有效密度、粘度、气体压力等有关的反馈。在该示例中，当在气体搅拌器的操作期间接收到反馈时，专家系统可以指示气体搅拌器修改一个或多个操作参数，比如增大或减小搅拌速率。
在化学加工厂中的泵喷射液体型搅拌器的又一示例中，专家系统可以使用与混合物的粘度、生长培养基的光密度、以及溶液的温度有关的反馈。在该示例中，当在搅拌器的操作期间接收到反馈时，专家系统可以指示搅拌器修改一个或多个操作参数，例如增大或减小搅拌速率和/或注入额外的热量。
在化学加工厂中的涡轮型搅拌器的又一示例中，专家系统可以使用与振动噪声、反应物的反应速率、热传递或悬浮液的密度有关的反馈。在该示例中，当在搅拌器的操作期间接收到反馈时，专家系统可以指示搅拌器修改一个或多个操作参数，比如增大或减小搅拌速率和/或注入额外量的催化剂。
在化学加工厂中使单体混合以产生聚合物的静态搅拌器的又一示例中，专家系统可以使用与聚合物的粘度、聚合物的颜色、聚合物的反应性等有关的反馈，以迭代至搅拌器的新设置或参数，比如说例如改变雷诺数、温度升高、压力增加等的设置。
在化学加工厂中的催化反应器的另一示例中，专家系统可以使用与反应速率、产物浓度、产物颜色等有关的反馈。在该示例中，当在催化反应器的操作期间接收到反馈时，专家系统可以指示反应器改变一个或多个操作参数，比如升高或降低温度和/或注入额外量的催化剂。
在化学加工厂或食品厂中的热流加热系统的又一示例中，专家系统可以使用与系统外的BTU、流速等有关的反馈。在该示例中，当在热流加热系统的操作期间接收到反馈时，专家系统可以指示系统修改一个或多个操作参数，比如改变输入原料、增加原料的流动等。
在精炼厂中使用锅炉给水的又一示例中，专家系统可以使用与通气水平、温度等相关的反馈。在该示例中，当接收到与锅炉给水相关的反馈时，专家系统可以指示系统修改锅炉的一个或多个运行参数，比如提高通气减少量，以增大给水的流量等。
在精炼厂中的储罐的又一示例中，专家系统可以使用与温度、压力、离开罐的流速等相关的反馈。在该示例中，当接收到与储罐相关的反馈时，专家系统可以指示系统修改一个或多个运行参数，例如增长冷却或加热开始搅拌等。
在发电站中的冷凝物/补给水系统--该冷凝物/补给水系统冷凝来自涡轮机的蒸汽并将其与补给水一起再循环回锅炉进料器--的示例中，专家系统可以使用与测量向内空气泄漏、传热和补给水质相关的反馈。在该示例中，当接收到与冷凝物/补给水系统相关的反馈时，专家系统可以指示系统提高补给水的净化、使真空泵运转，等等。
在食品厂中的搅拌机的另一个示例中，专家系统可以使用与食品的粘度、食品的颜色、食品的温度等相关的反馈。在该示例中，当接收到反馈时，专家系统可以根据达到目标的预测成功来指示搅拌机加速或减速。
在食品厂中的加压蒸煮器的另一示例中，专家系统可以使用与食物的粘度、食物的颜色、食物的温度等相关的反馈。在该示例中，当接收到反馈时，专家系统可以根据达到目标的预测成功来指示加压蒸煮器继续运行、增大温度等。
在实施例中，用于工业环境中进行数据收集的系统11100可以包括多个输入传感器11102、数据收集电路11104以及机器学习数据分析电路11110，多个输入传感器11102通信地耦合到控制器11106；数据收集电路11104被构造成从输入传感器11102收集输出数据11108；以及机器学习数据分析电路11110被构造成接收输出数据11108并且对接收到的指示结果的输出数据模式11112进行学习。在实施例中，机器学习数据分析电路11110被构造成通过植入基于行业特定反馈11118的模型11114来对接收到的输出数据模式11112进行学习。模型11114可以是物理模型、操作模型或系统模型。行业特定反馈11118可以是利用率度量、效率度量(例如，电力和/或金融)、预测或预期状态的成功的度量(例如，避免和减轻故障)、生产率度量(例如，工作流)、产量度量和利润度量中的一个或多个。行业特定反馈11118包括输入传感器在机器的运行期间提供信息的由机器产生的电量。行业特定反馈11118包括输入传感器提供信息的装配线的输出的度量。行业特定反馈11118包括输入传感器提供信息的由机器产生的产品单元的故障率。行业特定反馈11118包括输入传感器提供信息的机器的故障率。行业特定反馈11118包括输入传感器提供信息的机器的功率利用效率。在实施例中，机器是涡轮机、变压器、发电机、压缩机、存储能量的机器以及包括动力传动部件的机器中的一者(例如，由输入传感器提供信息的机器提取材料的速率、由输入传感器提供信息的机器产生气体的速率、由输入传感器提供信息的机器产生碳氢化合物产品的速率以及由输入传感器提供信息的机器产生化学产品的速率)。机器学习数据分析电路11110可以进一步被构造成基于结果来对接收到的输出数据模式11112进行学习。系统11100可以保持或修改运行参数或设备。控制器11106可以基于所学习的接收到的输出数据模式11112或结果来调整机器学习数据分析电路11110的权重，基于所学习的接收到的输出数据模式11112或结果从输入传感器收集更多/更少数据点，基于所学习的接收到的输出数据模式11112或结果来改变输出数据11108的数据存储技术，基于所学习的接收到的输出数据模式11112或结果来改变数据显示模式或方式，并且将一个或多个滤波器(低通、高通、带通等)应用于输出数据11108。在实施例中，系统11100可以基于所学习的接收到的输出数据模式11112和结果中的一个或多个来移除未充分利用的设备/对未充分利用的设备重新分配任务。机器学习数据分析电路11110可以包括神经网络专家系统。输入传感器可以测量振动和噪声数据。机器学习数据分析电路11110可以被构造成对接收到的指示关于一个或多个目标/指南的进展/对齐(例如，其可以由输入传感器中的不同传感器子集来确定)的输出数据模式11112进行学习。机器学习数据分析电路11110可以被构造成对接收到的指示未知变量的输出数据模式11112进行学习。机器学习数据分析电路11110可以被构造成对接收到的指示可用输入中的优选输入的输出数据模式11112进行学习。机器学习数据分析电路11110可以被构造成对接收到的指示可用输入数据收集带中的优选输入数据收集带的输出数据模式11112进行学习。机器学习数据分析电路11110可以部分设置在机器上、一个或多个数据收集器上、网络基础设施中、云中或其任意组合中。系统11100可以部署在数据收集电路11104上。系统11100可以分布在数据收集电路11104与远程基础设施之间。数据收集电路11104可以包括数据收集器。
在实施例中，用于工业环境中数据收集的系统11100可以包括：多个输入传感器11102，其可通信地耦合到控制器11106；数据收集电路11104，其被构造成从所述输入传感器收集输出数据11108；机器学习数据分析电路11110，其被构造成接收输出数据11108并且对接收到的指示结果的输出数据模式11112进行学习。在实施例中，机器学习数据分析电路11110被构造成通过植入基于利用率度量的模型11114来对接收到的输出数据模式11112进行学习。
在实施例中，用于工业环境中数据收集的系统11100可以包括：多个输入传感器11102，其可通信地耦合到控制器11106；数据收集电路11104，其被构造成从所述输入传感器收集输出数据11108；机器学习数据分析电路11110，其被构造成接收输出数据11108并且对接收到的指示结果的输出数据模式11112进行学习。在实施例中，机器学习数据分析电路11110被构造成通过植入基于效率度量的模型11114来对接收到的输出数据模式11112进行学习。
在实施例中，用于工业环境中数据收集的系统11100可以包括：多个输入传感器11102，其可通信地耦合到控制器11106；数据收集电路11104，其被构造成从所述输入传感器收集输出数据11108；机器学习数据分析电路11110，其被构造成接收输出数据11108并且对接收到的指示结果的输出数据模式11112进行学习。在实施例中，机器学习数据分析电路11110被构造成通过植入基于状态的预测或预期成功的度量的模型11114来对接收到的输出数据模式11112进行学习。
在实施例中，用于工业环境中数据收集的系统11100可以包括：多个输入传感器11102，其可通信地耦合到控制器11106；数据收集电路11104，其被构造成从所述输入传感器收集输出数据11108；机器学习数据分析电路11110，其被构造成接收输出数据11108并且对接收到的指示结果的输出数据模式11112进行学习。在实施例中，机器学习数据分析电路11110被构造成通过植入基于生产率度量的模型11114来对接收到的输出数据模式11112进行学习。
在实施例中，本文公开的方法和系统包括一种用于工业环境中的数据收集的系统。所述系统包括：多个输入传感器，其可通信地耦合到控制器；数据收集电路，其被构造成从所述输入传感器收集输出数据；机器学习数据分析电路，其被构造成接收所述输出数据并且对接收到的指示结果的输出数据模式进行学习。在实施例中，机器学习数据分析电路被构造成通过植入基于行业特定反馈的模型来对接收到的输出数据模式进行学习。在实施例中，所述模型可以是物理模型、操作模型或系统模型。在实施例中，行业特定反馈是利用率度量。在实施例中，行业特定反馈是效率度量。在实施例中，效率度量是功率和财力度量之一。在实施例中，行业特定反馈是状态预测或预期成功的度量。在实施例中，成功的度量是避免和减轻故障。在实施例中，行业特定反馈是生产率度量。在实施例中，生产率度量是工作流。在实施例中，行业特定反馈是产量度量。在实施例中，行业特定反馈是利润度量。在实施例中，机器学习数据分析电路还被构造成基于结果来学习接收到的输出数据模式。在实施例中，系统保持或修改运行参数或设备。在实施例中，控制器基于所学习的接收到的输出数据模式或结果来调节机器学习数据分析电路的加权。在实施例中，控制器基于所学习的接收到的输出数据模式或结果从输入传感器收集更多/更少的数据点。在实施例中，控制器基于所学习的接收到的输出数据模式或结果来改变输出数据的数据存储技术。在实施例中，控制器基于所学习的接收到的输出数据模式或结果来改变数据呈现模式或方式。在实施例中，控制器将一个或多个滤波器(低通、高通、带通等)应用于输出数据。在实施例中，系统基于所学习的接收到的输出数据模式中的一种或多种和结果来移除未充分利用的设备/对未充分利用的设备重新分配任务。在实施例中，所述机器学习数据分析电路包括神经网络专家系统。在实施例中，输入传感器测量振动和噪声数据。在实施例中，所述机器学习数据分析电路被构造成对接收到的指示关于一个或多个目标/指南的进展/对齐的输出数据模式进行学习。在实施例中，每个目标/指南的进展/对齐由输入传感器的不同子集确定。在实施例中，所述机器学习数据分析电路被构造成对接收到的指示未知变量的输出数据模式进行学习。在实施例中，所述机器学习数据分析电路被构造成对接收到的指示可用输入中的优选输入的输出数据模式进行学习。在实施例中，所述机器学习数据分析电路被构造成对接收到的指示可用输入数据收集带中的优选输入数据收集带的输出数据模式进行学习。在实施例中，所述机器学习数据分析电路部分设置在机器上、一个或多个数据收集器上、网络基础设施中、云中或其任意组合中。在实施例中，系统部署在数据收集电路上。29.在实施例中，该系统分布在数据收集电路与远程基础设施之间。在实施例中，行业特定反馈包括由输入传感器在机器的运行期间提供信息的机器产生的电量。在实施例中，行业特定反馈包括输入传感器提供信息的装配线的输出的度量。在实施例中，行业特定反馈包括由输入传感器提供信息的机器产生的产品单元的故障率。在实施例中，行业特定反馈包括输入传感器提供信息的机器的故障率。在实施例中，行业特定反馈包括输入传感器提供信息的机器的功率利用效率。
在实施例中，机器是涡轮机。在实施例中，机器是变压器。在实施例中，机器是发电机。在实施例中，机器是压缩机。在实施例中，机器存储能量。在实施例中，机器包括动力传动部件。在实施例中，行业特定反馈包括由输入传感器提供信息的机器提取材料的速率。在实施例中，行业特定反馈包括由输入传感器提供信息的机器产生气体的速率。在实施例中，行业特定反馈包括由输入传感器提供信息的机器产生碳氢化合物产品的速率。在实施例中，工业特定的反馈包括由输入传感器提供信息的机器产生化学产品的速率。在实施例中，数据收集电路包括数据收集器。
在实施例中，本文公开的方法和系统包括用于工业环境中数据收集的系统。该系统包括多个输入传感器、数据收集电路以及机器学习数据分析电路，多个输入传感器通信地耦合到控制器；数据收集电路被构造成从输入传感器收集输出数据；机器学习数据分析电路被构造成接收输出数据并对接收到的指示结果的输出数据模式进行学习。在实施例中，机器学习数据分析电路被构造成通过植入基于利用率度量的模型来对所接收到的输出数据模式进行学习。
在实施例中，本文公开的方法和系统包括一种用于工业环境中的数据收集的系统。所述系统包括：多个输入传感器，其可通信地耦合到控制器；数据收集电路，其被构造成从所述输入传感器收集输出数据；机器学习数据分析电路，其被构造成接收所述输出数据并且对接收到的指示结果的输出数据模式进行学习。在实施例中，机器学习数据分析电路被构造成通过植入基于效率度量的模型来对接收到的输出数据模式进行学习。
在实施例中，本文公开的方法和系统包括用于工业环境中数据收集的系统。所述系统包括：多个输入传感器，其可通信地耦合到控制器；数据收集电路，其被构造成从所述输入传感器收集输出数据；机器学习数据分析电路，其被构造成接收所述输出数据并且对接收到的指示结果的输出数据模式进行学习。在实施例中，机器学习数据分析电路被构造成通过植入基于状态的预测或预期成功的度量的模型来对接收到的输出数据模式进行学习。
在实施例中，本文公开的方法和系统包括用于工业环境中数据收集的系统。所述系统包括：多个输入传感器，其可通信地耦合到控制器；数据收集电路，其被构造成从所述输入传感器收集输出数据；机器学习数据分析电路，其被构造成接收所述输出数据并且对接收到的指示结果的输出数据模式进行学习。在实施例中，机器学习数据分析电路被构造成通过植入基于生产率度量的模型来对接收到的输出数据模式进行学习。
在实施例中，用于工业环境中进行数据收集的系统可以包括专家系统图形用户界面，在该专家系统图形用户界面中，用户可以通过与图形用户界面元素交互来设定用于由数据收集器进行收集的数据收集带的参数。该参数可以涉及设定用于收集的频率范围和设定用于收集的粒度范围中的至少一者。
在实施例中，用于工业环境中进行数据收集的系统可以包括专家系统图形用户界面，在该专家系统图形用户界面中，用户可以通过与图形用户界面元素交互来识别较大组的可用传感器中的用于由数据收集器进行收集的一组传感器。用户界面可以包括可用数据收集器、可用数据收集器的性能、一个或多个相应的智能带的视图等。
在实施例中，用于工业环境中进行数据收集的系统可以包括专家系统图形用户界面，在该专家系统图形用户界面中，用户可以通过与图形用户界面元素交互来选择一组可用输入中的要多路复用的一组输入。
在实施例中，用于工业环境中进行数据收集的系统可以包括专家系统图形用户界面，在该专家系统图形用户界面中，用户可以通过与图形用户界面元素交互来选择工业机器的在图形用户界面中显示的用于数据收集的部件、查看可用于提供与工业机器有关的数据的一组传感器、并选择用于数据收集的传感器子集。
在实施例中，用于工业环境中进行数据收集的系统可以包括专家系统图形用户界面，在该专家系统图形用户界面中，用户可以通过与图形用户界面元素交互来查看一个或多个工业机器的故障条件的一组指示符，其中，故障条件通过将专家系统应用于从一组数据收集器收集的数据来识别。在实施例中，故障条件可以由一个或多个工业机器的各部分的制造商识别。故障条件可以通过分析行业贸易数据、第三方测试机构数据、行业标准等来识别。在实施例中，一个或多个工业机器的故障条件的一组指示符可以包括应力、振动、热、磨损、超声信号、工作偏转形态等的指示符，可选地包括可以由在本公开内容和通过引用并入本文的文件中描述的类型的传感器来感测的任何广泛变化的条件。
在实施例中，用于工业环境中进行数据收集的系统可以包括专家图形用户界面，该专家图形用户界面使得用户能够从工业机器的组成部件列表中进行选择以建立智能带监测，并且响应于此向用户呈现用于工业机器的至少一个传感器的可接受值范围的至少一个智能带定义、以及在由至少一个传感器检测到超出可接受范围条件时将收集并分析数据的相关传感器的列表。
在实施例中，用于工业环境中进行数据收集的系统可以包括专家图形用户界面，该专家图形用户界面使得用户能够从工业机器的条件列表中进行选择以建立智能带监测，并且响应于此向用户呈现用于工业机器的至少一个传感器的可接受值范围的至少一个智能带定义、以及在由至少一个传感器检测到超出可接受范围条件时将收集并分析数据的相关传感器的列表。
在实施例中，用于工业环境中进行数据收集的系统可以包括专家图形用户界面，该专家图形用户界面使得用户能够从工业机器的可靠性度量列表中进行选择以建立智能带监测，并且响应于此向用户呈现用于工业机器的至少一个传感器的可接受值范围的至少一个智能带定义、以及在由至少一个传感器检测到超出可接受范围条件时将收集并分析数据的相关传感器的列表。在该系统中，可靠性度量可以包括行业平均数据、制造商的规范、材料规范、推荐等中的一个或多个。在实施例中，可靠性度量可以包括与故障相关的度量，例如应力、振动、热、磨损、超声信号、工作偏转形态作用等。在实施例中，制造商的规范可以包括循环计数、工作时间、维护建议、维护计划、操作限制、材料限制、保修条款等。在实施例中，工业环境中的传感器可以通过将由传感器感测的条件与规范类型相关联来与制造商的规范关联。在实施例中，将传感器与制造商的规范关联的非限制性示例可以包括与检测运动部件的旋转的传感器关联的占空比规范。在实施例中，温度规范可以与设置成感测工业机器附近的环境温度的热传感器关联。
在实施例中，用于工业环境中进行数据收集的系统可以包括专家图形用户界面，该专家图形用户界面响应于接收用于监测的工业环境的条件和可接受的条件值范围而自动创建设置在工业环境中的智能带传感器组。
在实施例中，用于工业环境中进行数据收集的系统可以包括专家图形用户界面，该专家图形用户界面在电子显示器上呈现能够部署在工业环境中的工业机器的部件的表示，并且响应于用户选择部件中的一个或多个部件来搜索用于涉及所选部件的模式的工业机器故障模式的数据库以及与要监测的故障模式相关联的条件，并进一步识别布置在所呈现的机器表示中、布置在所呈现的机器表示上或者可用于布置在所呈现的机器表示中的多个传感器，当检测到要监测的条件在可接受范围之外时由所述多个传感器自动捕获数据。在实施例中，所识别的多个传感器包括将监测条件的至少一个传感器。
在实施例中，用于工业环境中进行数据收集的系统可以包括用于与智能带一起工作的用户界面，该用户界面可以通过选择在处于环境中的机器的地图上呈现的传感器而有利于用户识别要包括在智能带传感器组中的传感器。可以引导用户基于智能带标准、例如智能带所需的传感器数据的类型在所有可能传感器的子集中进行选择。智能带可以专注于检测工业环境的一部分中的趋势条件；因此，用户界面可以引导用户在所识别的传感器子集中进行选择，例如通过仅允许在用户界面中能够选择环境的智能带定向部分附近的传感器。
在实施例中，智能带数据收集配置和部署用户界面可以包括工业环境中的部件的视图和相关的可用传感器。在实施例中，响应于对用户界面中描绘的工业机器的组成部件的选择，可以突出显示与组成部件的智能带数据收集相关联的传感器，使得用户可以选择这些传感器中的一个或多个传感器。该上下文中的用户选择可以包括对传感器的自动选择的验证，或者手动识别要包括在智能带传感器组中的传感器。
在实施例中，响应于智能带条件的选择、例如轴承温度的趋势，用于智能带配置和使用的用户界面可以自动识别并呈现有助于该条件的智能带分析的传感器。用户可以响应于传感器的这种呈现而确认或以其它方式获知单独的或者作为要包括在智能带数据收集组中的一组传感器的一个或多个传感器。
在实施例中，智能带用户界面可以在地图上呈现工业环境中的工业机器的位置。这些位置可以用智能带数据收集模板的指示符来注释，该模板被配置成用于收集注释位置处的机器的智能带数据。可以对位置进行颜色编码以反映该位置处的机器的智能带覆盖程度。在实施例中，具有高度智能带覆盖的机器的位置可以是绿色，而具有低智能带覆盖的机器的位置可以是红色或一些其它对比色。可以使用其它注释、例如视觉注释。用户可以选择一位置处的机器并且通过将所选机器拖动到第二机器的位置来为第二机器有效地配置与第一机器的智能带相对应的智能带。以此方式，用户可以为新添加的机器或新的工业环境等配置若干智能带数据收集模板。
在实施例中，可以存储智能带的各种配置和选择以用于在整个数据收集平台中使用，例如用于选择用于感测的模板、用于路由的模板、用于设备的供应等，以及用于引导传感器的例如由人员或机器比如自动或遥控无人机进行的放置。
在实施例中，智能带用户界面可以呈现工业环境的地图，该地图可以包括工业机器、机器专用数据收集器、移动数据收集器(机器人和人)等。用户可以查看要执行的智能带数据收集动作的列表并且可以选择数据收集资源集以进行收集。在示例中，被引导的移动机器人可以配备有用于收集多个智能带数据集的数据的数据收集系统。用户可以查看与机器人相关联的工业环境并且通过选择机器人、智能带数据收集模板以及例如机器或机器的一部分在工业环境中的位置来分配机器人以执行智能带数据收集活动。用户界面可以提供收集任务的状态，使得在完成数据收集时通知用户。
在实施例中，智能带操作管理用户界面可以包括智能带数据收集活动的呈现、结果分析、基于结果采取的动作、对智能带数据收集的改变的建议(例如，将传感器添加至智能带收集模板、增加模板特定收集活动的数据收集的持续时间)等。用户界面可以通过响应于用户对智能带数据收集模板进行改变(例如用户调松用于执行智能带数据收集的阈值等)的尝试对可靠性、成本、资源利用、数据收集权衡、维护计划影响、失败风险(增加/减少)等提出潜在影响来促进“假设”类型分析。在实施例中，用户可以选择用于每单位时间(例如，每月、每季度等)的预防性维护的目标预算或者将该目标预算输入到用户界面中，并且用户界面的专家系统可以推荐智能带数据收集模板以及符合预算的阈值。
在实施例中，智能带用户界面可以有利于用户配置用于工业环境中进行数据收集的系统来用于智能带数据收集。用户界面可以包括用户可以选择的工业机器部件--例如电机、联动装置、轴承等--的显示器。响应于这样的选择，专家系统可以与用户界面一起工作以呈现与要监测的部件相关的潜在故障条件的列表。用户可以选择要监测的一个或多个条件。用户界面可以将要监测的条件呈现为可以要求用户批准的集合。用户可以在设置监测器中指示接受该集合或接受选择条件。作为用户选择/批准要监测的一个或多个条件的后续，用户界面可以显示工业环境中的作为智能带传感器组的可用于收集数据的相关传感器的地图。相关传感器可以与一个或多个部件(例如，用户最初选择的部件)、一个或多个故障条件等相关联。
在实施例中，专家系统可以将环境中的相关传感器与用于故障条件的智能带监测的传感器中的优选传感器组进行比较，并基于用于故障条件的传感器向用户提供反馈、例如用于执行智能带监测的置信因子。用户可以评估所呈现的故障条件和智能带分析信息，并且可以在用户界面中采取动作、例如批准相关传感器。作为响应，可以创建用于配置数据收集系统的智能带数据收集模板。在实施例中，可以独立于用户批准来创建智能带数据收集模板。在这样的实施例中，用户可以通过批准智能带分析信息明确地或隐含地指示所创建的模板的批准。
在实施例中，智能带用户界面可以与专家系统一起工作以基于例如制造商的规范、利用类似的工业机器从现实世界的经验得到的统计信息等信息呈现工业环境中的工业机器的用于智能带状态监测的候选部分。在实施例中，用户界面可以允许用户选择智能带数据收集和分析过程的某些方面，包括—例如包括监测的可靠性/失败风险的程度(例如，接近失败、最佳性能、行业平均值等)。响应于此，专家系统可以调整智能带分析的方面，例如要监测的可接受值的范围、监测频率、数据收集频率、数据收集量、数据收集活动的优先级(例如，实际上是用于智能带的数据收集的模板的优先级)、来自传感器的数据的权重(例如，传感器的组、类型中的特定传感器等)。
在实施例中，智能带用户界面可以被构造成允许用户基于用户可能优先考虑的比较数据范围--例如行业平均数据、行业最佳数据、近似于可比较的机器、大多数类似配置的机器等--而让专家系统推荐一个或多个智能带来实现。基于比较数据权重，专家系统可以使用用户界面来向可以在用户界面中采取动作、例如批准一个或多个推荐使用的模板的用户推荐与权重一致的一个或多个智能带模板。
在实施例中，用于配置传感器在工业环境中的布置的用户界面可以包括传感器组的工业环境设备供应商(例如，制造商、批发商、分销商、经销商、第三方顾问等)做出的推荐以包括用于执行工业设备的部件的智能带分析。该信息可以作为用户可以例如通过将表示模板的图形定位在工业设备的一部分上而指示为被接受/批准的数据收集模板呈现给用户。
在实施例中，智能带发现门户可以有利于智能带相关信息的共享，诸如推荐、实际使用情况、智能带数据收集和处理的结果等。发现门户可以实现为智能带用户界面中的面板。
在实施例中，智能带评估门户可以有利于对基于智能带的数据收集和分析进行的评估。可以在这样的门户中呈现的内容可以包括对一个或多个工业机器、工业环境、工业等的现有智能带模板的使用的描绘。智能带的值可以归因于例如基于历史使用和结果的门户中的每个智能带。智能带评估门户还可以包括候选传感器的可视化以基于一系列因素而包括在智能带数据收集模板中，所述因素包括归属值、预防性维护成本、被监测的故障条件等。
在实施例中，可以为工业部件、例如基于工厂的空调机组部署与用于工业环境中进行数据收集的系统相关联的智能带图形用户界面。用于空调机组的智能带分析的数据收集的系统的用户界面可以有利于用于特定空调系统安装的智能带数据收集模板等的图形配置。在实施例中，空调系统的诸如压缩机、冷凝器、热交换器、管道、冷却剂调节器、滤波器、风扇等之类的主要部件以及用于空调系统的特定安装的相应的传感器可以在用户界面被示出。用户可以在用户界面中选择这些部件中的一个或多个部件以配置用于智能带数据收集的系统。响应于用户选择例如冷却剂压缩机，可以在用户界面中自动识别与压缩机相关联的传感器。可以向用户呈现推荐的数据收集模板以对所选压缩机执行智能带数据收集。替代性地，用户可以例如通过用户界面的智能带模板共享面板从智能带用户社区请求候选收集模板。一旦选择了模板，用户界面可以提供用户定制选项，例如收集频率、要监测的可靠程度等。在最终接受模板时，用户界面可以与安装的空调系统的数据收集系统(如果这样的系统可用)交互以实施数据收集模板并向用户提供实施模板的结果的指示。响应于此，用户可以最终批准模板与空调机组一起使用。
在实施例中，可以为基于石油和天然气精炼厂的冷却器部署与用于工业环境中进行数据收集的系统相关联的智能带图形用户界面。用于基于精炼厂的冷却器的智能带分析的数据收集的系统的用户界面可以有利于用于特定的基于精炼厂的冷却器安装的智能带数据收集模板等的图形配置。在实施例中，基于精炼厂的冷却器的包括热交换器、压缩机、水调节器等在内的主要部件以及用于基于精炼厂的冷却器的特定安装的相应传感器可以在用户界面中被示出。用户可以在用户界面中选择这些部件中的一个或多个部件以配置用于智能带数据收集的系统。响应于用户选择例如水调节器，可以在用户界面中自动识别与水调节器相关联的传感器。可以向用户呈现推荐的数据收集模板以对所选部件执行智能带数据收集。替代性地，用户可以例如通过用户界面的智能带模板共享面板从智能带用户社区请求候选收集模板。一旦选择了模板，用户界面可以提供用户定制选项，例如收集频率、要监测的可靠程度等。在最终接受模板时，用户界面可以与安装的基于精炼厂的冷却器的数据收集系统(如果这样的系统可用)交互以实施数据收集模板并向用户提供实施模板的结果的指示。响应于此，用户可以最终批准模板与基于精炼厂的冷却器一起使用。
在实施例中，可以为汽车生产线机器人装配系统部署与用于工业环境中进行数据收集的系统相关联的智能带图形用户界面。用于生产线机器人装配系统的智能带分析的数据收集的系统的用户界面可以有利于用于特定生产线机器人装配系统安装的智能带数据收集模板等的图形配置。在实施例中，生产线机器人装配系统的包括电机、联动装置、工具处理器、定位系统等在内的主要部件以及用于生产线机器人装配系统的特定安装的相应传感器可以在用户界面中被示出。用户可以在用户界面中选择这些部件中的一个或多个部件以配置用于智能带数据收集的系统。响应于用户选择，例如可以在用户界面中自动识别与机器人联动装置相关联的机器人联动装置传感器。可以向用户呈现推荐的数据收集模板以对所选部件执行智能带数据收集。替代性地，用户可以例如通过用户界面的智能带模板共享面板从智能带用户社区请求候选收集模板。一旦选择了模板，用户界面可以提供用户定制选项，例如收集频率、要监测的可靠程度等。在最终接受模板时，用户界面可以与安装的生产线机器人装配系统的数据收集系统(如果这样的系统可用)交互以实施数据收集模板并向用户提供实施模板的结果的指示。响应于此，用户可以最终批准模板与生产线机器人装配系统一起使用。
在实施例中，可以为汽车生产线机器人装配系统部署与用于工业环境中进行数据收集的系统相关联的智能带图形用户界面。用于生产线机器人装配系统的智能带分析的数据收集的系统的用户界面可以有利于用于特定生产线机器人装配系统安装的智能带数据收集模板等的图形配置。在实施例中，施工现场钻孔机械的诸如本身是可以具有许多部件的子系统的刀头、控制系统、碎屑处理和输送部件、预制混凝土输送及安装子系统等之类的主要部件以及用于生产线机器人装配系统的特定安装的相应传感器可以在用户界面中被示出。用户可以在用户界面中选择这些部件中的一个或多个部件以配置用于智能带数据收集的系统。响应于用户选择，例如可以在用户界面中自动识别与碎屑处理部件比如传送器相关联的碎屑处理部件传感器。可以向用户呈现推荐的数据收集模板以对所选部件执行智能带数据收集。替代性地，用户可以例如通过用户界面的智能带模板共享面板从智能带用户社区请求候选收集模板。一旦选择了模板，用户界面可以提供用户定制选项，例如收集频率、要监测的可靠程度等。在最终接受模板时，用户界面可以与安装的生产线机器人装配系统的数据收集系统(如果这样的系统可用)交互以实施数据收集模板并向用户提供实施模板的结果的指示。响应于此，用户可以最终批准模板与生产线机器人装配系统一起使用。
参照图149，描绘了用于工业环境中进行数据收集的系统的智能带配置的示例性用户界面。用户界面11200可以包括工业环境可视化部分11202，在该工业环境可视化部分11202中可以示出一个或多个传感器、机器等。每个传感器、机器或其一部分(例如，电机、压缩机等)可以是能够作为智能带配置过程的一部分来选择的。同样地，每个传感器、机器或其一部分可以在智能带配置过程期间例如响应于用户选择而在视觉上被突出显示，或者被自动识别为智能带传感器组的一部分。用户界面还可以包括智能带选择部分11204或面板，在智能带选择部分11204或面板中，可以在可选元素中示出智能带指示符、故障模式等。症状、故障模式等的用户选择可以使工业可视化部分中的相应部件、传感器、机器等被突出显示。用户界面还可以包括定制面板11206，在定制面板11206中，可以使所选智能带的属性--诸如可接受的范围、监测频率等--能够用于供用户调整。
在实施例中，本文公开的方法和系统包括一种系统，该系统具有用户界面，该用户界面包括：有利于从工业环境选择工业机器的部件的表示的可选图形元素，该工业环境中部署有多个传感器，数据收集系统为用户界面实现交互的该系统从该多个传感器收集数据；以及表示多个传感器的一部分的可选图形元素，该可选图形元素有利于选择传感器以形成工业环境中的传感器的数据收集子集。在实施例中，选择传感器以形成数据收集子集得到数据收集模板，该数据收集模板适于促进配置数据路由及收集系统以从传感器的数据收集子集收集数据。在实施例中，用户界面包括专家系统，该专家系统分析有利于部件选择的图形元素的用户选择，并调整表示多个传感器的一部分的可选图形元素，以仅激活所选图形元素相关联的部件相关联的传感器。在实施例中，有利于选择工业机器的部件的可选图形元素进一步有利于呈现与该部件相关联的多个数据收集模板。在实施例中，所述多个传感器的部分包括智能带传感器组。在实施例中，所述智能带传感器组包括用于由可选图形元素选择的工业机器的部件的传感器。
在实施例中，本文公开的方法和系统包括一种系统，该系统具有专家图形用户界面、工业机器故障模式数据库以及数据库搜索设施，该专家图形用户界面包括来自工业环境的工业机器的多个部件的表示，该工业环境中部署有多个传感器，数据收集系统为用户界面实现交互的该系统从该多个传感器收集数据。在实施例中，所述多个部件的至少一个表示能够由用户在用户界面中选择。该数据库搜索设施在故障模式数据库中搜索与多个部件中的一个部件的用户选择相对应的模式。在实施例中，该系统包括与故障模式相关联的条件的数据库。在实施例中，条件的数据库包括工业环境中的与条件相关联的传感器的列表。在实施例中，数据库搜索设施还在该条件的数据库中搜索与至少一个条件相对应的传感器并在图形用户界面中指示该传感器。在实施例中，多个部件中的一个部件的用户选择导致用于配置数据路由及收集系统的数据收集模板以自动地从与所选部件相关联的传感器收集数据。
在实施例中，本文公开的方法和系统包括一种示例性方法，包括：在专家图形用户界面中呈现工业机器的可靠性度量的列表；促进用户从该列表中选择一个可靠性度量；呈现与所选可靠性度量相关联的智能带数据收集模板的表示；以及响应于接受该智能带数据收集模板的用户指示，配置数据路由及收集系统从工业环境中的多个传感器收集数据，以响应于来自多个传感器中的一个传感器的被检测到在可接受的数据值范围之外的数据值。在实施例中，可靠性度量包括行业平均数据、制造商的规范、制造商的材料规范和制造商的推荐中的一者或多者。在实施例中，包括制造商的规范包括循环计数、工作时间、维护建议、维护计划、操作限制、材料限制和保修条款中的至少一者。在实施例中，可靠性度量与从由应力、振动、热量、磨损、超声特征和工作偏转形态作用组成的列表中选择的故障有关。在实施例中，该方法包括将工业环境中的传感器与制造商的规范相关联。在实施例中，相关联包括使占空比规范与检测运动部件的旋转的传感器匹配。在实施例中，相关联包括使温度规范与设置成感测工业机器附近的环境温度的热传感器匹配。在实施例中，该方法包括基于相关联的结果来动态地设定该可接受的数据值范围。在实施例中，该方法包括基于相关联的结果自动地确定所述多个传感器中的用于检测可接受范围之外的数据值的一个传感器。
诸如用于确定可能的故障根本原因等的反向计算可以受益于图形方法，该图形方法有助于使工业环境、机器或其一部分可视化而被标记有可以提供诸如与故障有关的传感器等之类的数据的信息源的指示。诸如轴承之类的故障部件可以与诸如轴、电机等之类的其它部件相关联。用于监测轴承和相关部件的条件的传感器可以提供可以指示潜在故障源的信息。此类信息也可以用于暗示指示符、例如传感器输出的变化以监测或避免将来发生故障。有利于用于反向计算的图形方法的系统可以与传感器数据收集及分析系统交互以至少部分地使与由反向计算过程确定的数据收集及处理相关的方面自动化。
在实施例中，用于工业环境中进行数据收集的系统可以包括用户界面，在该用户界面中，与感兴趣条件比如故障条件相关联的工业机器的一部分、以及有助于感兴趣条件的传感器数据类型、与监测数据类型的机器部分相关联的数据收集点(例如，传感器)、来自数据收集点的被收集并用于确定感兴趣条件的一组数据、以及提供可能已被用于确定感兴趣条件的特殊数据、比如超出可接受范围的数据等的传感器的注释被呈现在电子显示器上。用户界面可以访问机器的有助于确定并可视化有助于起作用、例如使涡轮机旋转的诸如轴承、轴、制动器、转子、电机壳体等之类的相关部件的描述。用户界面还可以访问将布置在机器中和机器周围的传感器与部件相关联的数据集。数据集中的信息可以包括传感器的描述、数据集的功能、每次感测的条件、从传感器输出的典型或可接受的值范围等。数据集中的信息还可以为待被传递给数据收集器的传感器数据识别系统中的用于在工业环境中进行数据收集的多个潜在路径。用户界面还可以访问下述数据集，该数据集可以包括数据收集模板，该数据收集模板用于配置用于从传感器收集数据的数据收集系统以满足特定目的(例如，以将来自传感器组的数据收集到适于确定机器的条件--例如轴相对于电机的滑动程度等--的传感器数据集中)。
在实施例中，用于确定对有助于工业机器的条件的数据的数据收集的候选源的反向计算的方法可以包括：从数据收集系统的配置及操作模板确定的以下数据收集路径用于从部署在工业机器中的在收集贡献数据时就位的传感器中收集数据。配置及操作模板可以描述来自一组传感器的数据的信号路径切换，多路复用、收集定时等。传感器组可以位于诸如轴承之类的部件的附近、或者在更多区域中分布的传感器、例如捕获与轴承及其相关部件有关的信息的传感器。在实施例中，数据收集模板可以被配置成用于收集并处理数据以检测工业机器的特定条件。因此，模板可以与条件相关联，使得能够通过相关联的模板来执行感兴趣条件的反向计算。可以检查基于模板收集的数据并将其与各种传感器的可接受数据范围进行比较。在可接受范围之外的数据可能表明不可接受的条件的潜在根本原因。在实施例中，可以基于从候选数据源收集的数据与从每个候选数据源收集的可接受的数据范围的比较而从候选数据收集源确定可疑数据收集源。使这些基于反向计算的信号路径可视化，候选传感器和可疑数据源为用户提供了对可能的故障根本原因等的有价值见解。
在实施例中，用于反向计算的方法可以包括：通过应用反向计算以确定贡献数据源来使有助于在工业环境中检测到的故障条件的数据路径可视化，其中，可视化以工业机器中的数据收集系统的直观表示显示为突出显示的数据路径。在实施例中，确定数据源可以是基于用于故障条件的数据收集及处理模板的。当使用数据收集系统从所确定的源收集数据时，模板可以包括数据收集系统的配置。
当发生故障，或者工业环境中机器的某个部分的条件在故障之前达到临界点(例如可能在预防性维护等期间检测到)时，反向计算可能有用于确定要收集的有助于避免故障和/或提高系统性能(例如通过避免部件操作的实质性劣化)的信息。使数据收集源、与条件相关的部件、可以确定条件的潜在开始的算法等可视化可以有助于准备数据收集模板以用于在用于工业环境中进行数据收集的系统中配置数据感测、路由和收集资源。在实施例中，为用于在工业环境中收集数据的系统配置数据收集模板可以基于应用于机器故障的反向计算，该反向计算识别用于监测的候选条件以避免机器故障。得到的模板可以识别要监测的传感器、传感器数据收集路径配置、频率和要收集的数据量、传感器数据的可接受水平等。通过访问与机器有关的信息--例如哪个部件与其它部件以及从机器中的部件收集数据的传感器密切相关，可以在识别目标部件时自动生成数据收集系统配置模板。
在实施例中，用户界面可以包括作为传感器的逻辑布置的数据源的图形显示，传感器可以将数据贡献于工业环境中的机器的条件的计算。逻辑布置可以基于传感器类型、数据收集模板、条件、用于确定条件的算法等来进行。在示例中，用户可能希望查看可能对条件--例如工业环境中的部件的故障--有贡献的所有温度传感器。用户界面可以与机器相关信息--例如与条件有关的部件、用于这些部件的传感器、以及这些传感器中的用来确定测量温度的传感器子集的类型--的数据库通信。用户界面可以突出显示这些传感器。用户界面可以在用户选择用于这些传感器的可选图形元素时激活这些可选图形元素，并且用户界面可以例如在弹出式面板等中呈现与这些传感器相关联的数据，例如传感器类型、收集的数据的范围、可接受的范围、针对给定条件收集的实际数据值等。用户界面的类似功能可以应用于传感器--例如与电机、钻孔机切割头、风力涡轮机等相关联的所有传感器--的物理布置。
在实施例中，诸如部件制造商、远程维护组织等的第三方可以受益于对反向计算可视化的访问。允许第三方访问反向计算信息--例如为条件的计算、提供不可接受的数据值的传感器、传感器定位的可视化等--可以是用户可以在用户界面中进行操作以用于如本文所述的反向计算的图形方法的选项。可以在用户界面的一部分中呈现机器、子系统、单独部件、传感器、数据收集系统等的制造商列表以及远程维护组织等。接口的用户可以选择这些第三方中的一个或多个第三方来授予对可用数据的至少一部分和可视化的访问权限。选择这些第三方中的一个或多个第三方还可以呈现与该第三方有关的统计信息，例如对该第三方被授予访问权限的数据的访问的发生和频率、来自该第三方的访问请求等。
在实施例中，反向计算分析的可视化可以与机器学习相结合，使得反向计算及其可视化可以用于对诸如故障条件之类的条件的潜在新诊断进行学习、对要监测的新条件进行学习等。用户可以与用户界面交互以提供机器学习技术反馈以改进结果，诸如通过特定数据收集和处理解决方案(例如，模板)等指示来防止失败的尝试的成功或失败。
在实施例中，利用用于工业环境中进行数据收集的系统所收集的数据的反向计算的方法和系统可以应用于施工现场应用中的混凝土浇注设备。混凝土浇注设备可以包括若干有源部件，这些有源部件包括可以包含水和骨料供应系统、混合控制系统、混合电机、方向控制器、混凝土传感器等在内的混合器、混凝土泵、输送系统、流量控制以及开/关控制等。混凝土浇注设备的有源或无源部件的故障或其它条件的反向计算可以受益于设备、设备的部件、传感器和其它数据收集点(例如，控制器等)的可视化。当执行流量故障条件的反向计算时，使从与混凝土泵等相关联的传感器收集的数据/条件可视化可以向用户通知可能导致流量故障的泵条件。随着泵的温度升高，流速可能同时降低。这可以通过例如在用户界面中呈现流速传感器数据和泵温度传感器数据来可视化。这种相关性可以由专家系统或由观察可视化的用户注意到并且可以采取校正动作。
在实施例中，利用用于工业环境中进行数据收集的系统所收集的数据的反向计算的方法和系统可以应用于采矿应用中的挖掘及提取系统。挖掘及提取系统可以包括若干有源子系统，这些子系统包括切割头、气动钻机、千斤顶锤、挖掘机、运输系统等。挖掘及提取系统的有源或无源部件的故障或其它条件的反向计算可以受益于设备、设备的组件、传感器和其它数据收集点(例如，控制器等)的可视化。当执行气动管线故障条件的反向计算时，使从与气动钻机等相关联的传感器收集的数据/条件可视化可以向用户通知可能导致管线故障的钻机条件。随着钻机条件的改变，管线压力可能同时增加。这可以通过例如在用户界面中呈现管线压力传感器数据以及来自与钻机相关联的传感器的数据来可视化。这种相关性可以由专家系统或由观察可视化的用户注意到并且可以采取校正动作。
在实施例中，利用用于工业环境中进行数据收集的系统所收集的数据的反向计算的方法和系统可以应用于石油和天然气生产环境中的冷却塔。冷却塔可以包括若干有源部件，这些有源部件包括给水系统、泵、阀、温度控制操作、存储系统、混合系统等。冷却塔的有源或无源部件的故障或其它条件的反向计算可以受益于设备、设备的部件、传感器和其它数据收集点(例如，控制器等)的可视化。当执行循环泵故障条件的反向计算时，使从与冷却塔等相关联的传感器收集的数据/条件可视化可以通知用户可能导致泵故障的冷却塔的条件。随着循环泵的输出的减少，给水的温度可以同时增大。这可以通过例如在用户界面中呈现给水温度传感器数据和泵输出速率传感器数据来可视化。这种相关性可以由专家系统或由观察可视化的用户注意到并且可以采取校正动作。
在实施例中，利用用于工业环境中进行数据收集的系统所收集的数据的反向计算的方法和系统可以应用于发电应用中的循环水系统。循环水系统可以包括若干有源部件，这些有源部件包括泵、存储系统、水冷却器等。循环水系统的有源或无源部件的故障或其它条件的反向计算可以受益于设备、设备的部件、传感器和其它数据收集点(例如，控制器等)的可视化。当执行循环水温度故障条件的反向计算时，使从与水冷却器等相关联的传感器收集的数据/条件可视化可以通知用户可能导致温度条件故障的冷却器条件。随着核心水冷却器温度的增大，循环温度可以同时增大。这可以通过例如在用户界面中呈现循环水温度传感器数据和水冷却器温度传感器数据来可视化。这种相关性可以由专家系统或由观察可视化的用户注意到并且可以采取校正动作。
参照图150，描绘了用于反向计算的图形方法11300。可以在环境11302的地图中描绘工业环境的部件。可以突出显示可能具有故障历史的部件(在该安装或其它安装的情况下)。响应于选择这些部件中的一个部件(例如由用户进行选择)，可以突出显示相关部件以及用于所选部件和相关部件的传感器、包括从其相关传感器到数据收集器的用于数据的信号路由路径。可以向已经收集了不可接受的数据的传感器增加附加的突出显示，从而指示所选部件的故障的潜在根本原因。部件之间的关系可以是至少部分地基于机器配置元数据的。特定传感器与故障条件之间的关系可以是至少部分地基于与该部件相关联和/或与故障条件相关联的数据收集模板的。
在实施例中，本文公开的方法和系统包括一种系统，该系统具有适于在工业环境中收集数据的系统的用户界面。该用户界面包括：表示工业机器的机械部分的多个图形元素。在实施例中，该多个图形元素与由执行数据分析算法的处理器生成的感兴趣条件相关联；表示适于在工业环境中收集数据的系统中的数据收集器的多个图形元素，该数据收集器收集数据分析算法中所使用的数据；以及表示用于捕获数据分析算法中所使用的数据的传感器的多个图形元素。在实施例中，通过用户界面中的视觉突出显示指示用于提供在可接受的数据值范围之外的数据的传感器的图形元素。在实施例中，感兴趣条件选自在用户界面中呈现的感兴趣条件的列表。在实施例中，感兴趣条件是工业机器的机械部分中的至少一个机械部分的机械故障。在实施例中，机械部分包括工业机器的轴承、轴、转子、壳体和联动装置中的至少一者。在实施例中，可接受的数据值范围可用于每个传感器。在实施例中，该系统包括突出显示的数据收集器，所述数据收集器收集在可接受的数据值范围之外的数据。在实施例中，该系统包括数据收集系统配置模板，该数据收集系统配置模板有助于配置数据收集系统以收集用于计算感兴趣条件的数据。
在实施例中，所述方法和系统包括一种确定感兴趣条件的候选源的方法。该方法包括识别数据收集模板，该数据收集模板用于在适于在工业环境中收集数据的系统中配置数据路由和收集资源。在实施例中，该模板用于收集有助于计算感兴趣条件的数据。该方法包括：通过分析数据收集模板来确定从收集数据的数据收集器到产生所收集数据的传感器的路径；将由传感器收集的数据与由传感器收集的数据的可接受的数据值范围进行比较；以及在描绘工业环境和传感器中的至少一个传感器的电子用户界面中突出显示至少一个传感器，该至少一个传感器产生有助于计算感兴趣条件的在该传感器的可接受数据范围之外的数据。在实施例中，感兴趣条件是故障条件。在实施例中，数据收集模板包括适于在工业环境中收集数据的系统的模拟交叉点开关、复用器、分层复用器、传感器、收集器以及数据存储设施中的至少一者的配置信息。在实施例中，工业环境中的突出显示包括突出显示至少一个传感器、以及从该传感器到用于工业环境中进行数据收集的系统的数据收集器的至少一个数据路线。在实施例中，将由传感器收集的数据与可接受的数据值范围进行比较包括将每个传感器收集的数据与专用于每个传感器的可接受的数据值范围进行比较。在实施例中，感兴趣条件的计算包括计算来自至少一个传感器的数据的趋势。在实施例中，可接受的值范围包括数据值的趋势。
在实施例中，方法和系统包括一种用于使有助于在工业环境中检测到的感兴趣条件的数据路线可视化的方法。该方法包括：将反向计算应用于该感兴趣条件以确定与该感兴趣条件相关联的数据收集系统配置模板；分析该模板以确定用于收集用于检测该感兴趣条件的数据的数据收集系统的配置；在电子用户界面中呈现由模板配置的数据收集的地图；以及在电子用户界面中突出显示数据收集系统中的路线，该路线反映从至少一个传感器到有助于计算感兴趣条件的数据的至少一个数据收集器的数据路径。在实施例中，数据收集系统配置模板包括部署在数据收集系统中的至少一个资源的配置信息，所述至少一个资源选自由模拟交叉点开关、复用器、分层复用器、数据收集器和传感器组成的列表。在实施例中，该方法包括通过将机器学习应用于反向计算来生成感兴趣条件的目标诊断。在实施例中，该方法包括在电子用户界面中突出显示传感器，该传感器生成用于计算感兴趣条件的在该传感器的可接受的数据值范围之外的数据。在实施例中，感兴趣条件选自在用户界面中呈现的感兴趣条件的列表。在实施例中，感兴趣条件是工业环境中的至少一个机械部分的机械故障。在实施例中，机械部分包括工业环境中的轴承、轴、转子、壳体和联动装置中的至少一者。
在实施例中，用于工业环境中进行数据收集的系统可以将来自工业环境中的多个传感器的数据路由到可穿戴的触觉刺激器，该可穿戴的触觉刺激器将来自传感器的数据呈现为人类可检测的刺激，这些刺激包括触觉、振动、热、声音和力中的至少一者。在实施例中，触觉刺激表示由感测数据导致的机器的作用。在实施例中，弯曲作用可以表现为使触觉手套的手指弯曲。在实施例中，振动作用可以表现为使触觉臂带振动。在实施例中，加热作用可以表现为触觉腕带的温度升高。在实施例中，电作用(例如，过电压、电流及其它)可以表现为有声音频系统的声音的变化。
在实施例中，工业机器操作者触觉用户界面可以适于向操作者提供响应于操作者对机器的控制的触觉刺激。在实施例中，刺激指示由于操作者的控制和由此产生的与环境中的物体的交互而对机器产生的影响。在实施例中，可以通过触觉用户界面向操作者呈现感测到的超过可接受范围的机械状态。在实施例中，可以通过触觉用户界面向操作者呈现感测到的处于可接受范围内的机械状态。在实施例中，感测到的处于可接受范围内的机械状态可以表示为确认操作者控制的自然语言表示。在实施例中，操作者穿戴触觉用户界面的至少一部分。在实施例中，可穿戴触觉用户界面设备可以包括沿着设备操作者的制服的外腿施加力的设备。当操作者正在控制的车辆沿着车辆的侧面接近障碍物时，可充气的皮腔可以被充气，对操作者的靠近车辆的接近障碍物的侧面的腿施加压力。皮腔可以继续膨胀，从而在操作者的腿上施加与障碍物的接近度一致的额外压力。当与障碍物即将接触时，压力可以是脉冲的。在另一示例中，操作者的臂带可以与操作者正在控制的车辆的一部分所经历的振动协调地振动。这些仅仅是示例而不意在限制或约束可以控制可穿戴触觉反馈用户设备以指示由用于工业环境中进行数据收集的系统感测条件的方式。
在实施例中，由用户在工业环境中穿戴的触觉用户界面安全系统可以适于通过用压力、热、冲击、电气刺激等中的至少一者刺激用户的一部分来指示用户与环境中的设备的接近度，用户的受刺激的部分可以是最接近设备的。在实施例中，刺激的类型、强度、持续时间和频率中的至少一者指示对用户造成伤害的风险。
在实施例中，可以由用户在工业环境中穿戴的可穿戴触觉用户界面设备可以在检测到工业环境中的报警条件时广播其位置和相关信息。报警条件可以在穿戴设备的用户的近侧，或者不在近侧但与穿戴设备的用户相关。用户可以是紧急应答者，因此在检测到需要紧急应答的情况下，用户的触觉设备可以广播用户的位置以有利于快速访问用户或用户快速访问紧急情况位置。在实施例中，可以根据监测工业机器来确定报警条件，传感器可以作为触觉刺激呈现给用户，其中，报警的严重性对应于刺激程度。在实施例中，刺激程度可以是基于报警的严重性的，相应的刺激可以持续、重复或升级，可选地包括同时激活多个刺激、向额外的触觉用户发送报警等，直到例如通过触觉UI检测到可接受的响应为止。可穿戴触觉用户设备可以适于与其它触觉用户设备通信以有利于检测可接受的响应。
在实施例中，用于在工业环境中使用的可穿戴触觉用户界面可以包括手套、戒指、腕带、手表、臂带、头饰、腰带、项链、衬衫(例如，制服衬衫)、鞋袜、裤子、护耳器、安全眼镜、背心、工装裤、工作服、以及可以适于提供触觉刺激的任何其它衣物或配件。
在实施例中，可穿戴触觉设备刺激可以与工业环境中的传感器相关联。非限制性示例包括：响应于在工业环境中检测到的振动而使可穿戴触觉设备振动；响应于在工业环境中检测到的温度而升高或降低可穿戴触觉设备的温度；产生响应于感测到的电信号的变化等而改变音调的声音。在实施例中，可穿戴触觉设备刺激的严重性可以与工业环境中的感测条件的方面相关联。非限制性示例包括：用于低感测振动程度的中等或短期振动；用于增大感测振动的强烈或长期的振动刺激；用于大量的感测振动的积极的、脉冲的和/或多模式的刺激。可穿戴触觉设备刺激还可以包括光照(例如，闪烁、颜色变化等)、声音、气味、触觉输出、触觉设备的运动(例如，使气球膨胀/收缩、关节段的伸展/缩回等)、力/冲击等。
在实施例中，用于工业环境中进行数据收集的系统可以与可穿戴触觉反馈用户设备交互以通过触觉刺激将从发电应用中的燃料处理系统收集的数据中继到用户。用于发电的燃料处理可以包括固体燃料，例如木屑、树桩、森林残余物、木棒、能源柳、泥炭、芯块、树皮、秸秆、农业生物质、煤和固体回收燃料。处理系统可以包括还可以对燃料进行取样的接收站、可以压碎或切碎基于木材的燃料或基于分解废物的燃料的制备站。燃料处理系统可以包括储存及输送系统、进料和除灰系统等。可穿戴触觉用户界面设备可以通过向操作者提供对用户以其它方式与其隔离的处理环境中的条件的反馈而与燃料处理系统一起使用。传感器可以检测固体燃料进给螺杆系统的操作方面。诸如螺杆旋转速率、燃料的重量、燃料的类型等的条件可以被转换成对用户的触觉刺激，同时允许用户使用他的手并提供专注力在其操作燃料供给系统时。
在实施例中，用于工业环境中进行数据收集的系统可以与可穿戴触觉反馈用户设备交互以通过触觉刺激将从卡车和/或车辆应用的悬架系统收集的数据中继到用户。触觉模拟可以与由车辆悬架系统感测到的条件相关联。在实施例中，可以检测道路粗糙度并将其转换成可穿戴触觉臂带的类似振动的刺激。在实施例中，悬架力(收缩和回弹)可以被转换成刺激，该刺激通过可穿戴的触觉背心向用户呈现缩小比例的力。
在实施例中，用于工业环境中进行数据收集的系统可以与可穿戴的触觉反馈用户设备交互以通过触觉刺激将从农业应用中的水耕系统收集的数据中继到用户。在实施例中，可以将水耕系统中的诸如温度、湿度、水位、植物大小、二氧化碳/氧气水平等之类的传感器转换为可穿戴触觉设备触觉刺激。当穿着触觉反馈服装的操作者穿过水耕农业设施时，靠近操作者的传感器可以向触觉反馈服装发信号以通知相关信息，例如触觉服装可以转换成触觉刺激的温度或实际温度与所需温度的度量。在示例中，腕带可以包括热刺激器，该热刺激器可以快速地改变温度以跟踪来自农业环境中的传感器的温度数据或其衍生物。当用户走过设施时，触觉反馈腕带可以改变温度以指示近侧温度符合预期温度的程度。
在实施例中，用于工业环境中进行数据收集的系统可以与可穿戴触觉反馈用户设备交互以通过触觉刺激将从自动化生产线应用中的机器人定位系统收集的数据中继到用户。触觉反馈可以包括接收准确度的定位系统指示符并且当准确度可接受时将准确度转换为可听信号且当准确度不可接受时将准确度转换为另一种类型的刺激。
参照图151，描绘了用于向用户提供触觉刺激--该触觉刺激是响应于在工业环境中由适于在工业环境中收集数据的系统所收集的数据的--的可穿戴触觉用户界面设备。用于工业环境11400中的数据收集的系统11402可以包括多个传感器。可以通过计算系统收集并分析来自这些传感器的数据。分析的结果可以无线地传送到由与工业环境相关联的用户所穿戴的一个或多个可穿戴触觉反馈刺激器11404。可穿戴触觉反馈刺激器可以解译结果，基于触觉刺激-感测条件映射将结果转换为刺激的形式，并且产生刺激。
在实施例中，本文公开的方法和系统包括用于工业环境中数据收集的系统。该系统包括：多个可穿戴触觉刺激器，该多个可穿戴触觉刺激器产生选自由触觉、振动、热量、声音、力、气味和运动组成的刺激列表的刺激；多个传感器，该多个传感器部署在工业环境中以感测环境中的条件；处理器，该处理器逻辑上设置在所述多个传感器与可穿戴触觉刺激器之间，该处理器从传感器接收表示感测条件的数据，确定对应于所接收数据的至少一个触觉刺激，并且发送用于指示可穿戴触觉刺激器产生该至少一个刺激的至少一个信号。在实施例中，该触觉刺激表示由所述条件对所述工业环境中的机器产生的影响。在实施例中，弯曲作用表现为使触觉设备弯曲。在实施例中，振动作用表现为使触觉设备振动。在实施例中，加热作用表现为使触觉设备的温度升高。在实施例中，电作用表现为改变由触觉设备产生的声音。在实施例中，所述多个可穿戴触觉刺激器中的至少一个可穿戴触觉刺激器选自由手套、戒指、腕带、腕表、臂带、头饰、腰带、项链、衬衫、鞋袜、裤子、工装裤、工作服和护目镜组成的列表。在实施例中，所述至少一个信号包括工业环境中的感兴趣条件的报警。在实施例中，响应于报警信号而产生的至少一个刺激由多个可穿戴触觉刺激器中的至少一个可穿戴触觉刺激器重复产生，直到检测到可接受的响应为止。
在实施例中，本文公开的系统和方法包括一种工业机器操作者触觉用户界面，该工业机器操作者触觉用户界面适于基于机器的至少一个感测条件响应于操作者对机器的控制提供操作者触觉刺激，该操作者触觉刺激指示由于操作者的控制和由此产生的与环境中的物体的交互而对机器产生的影响。在实施例中，感测到的对于该条件而言超过可接受的数据值范围的机器条件通过触觉用户界面向操作者呈现。在实施例中，感测到的对于该条件而言在可接受的数据值范围内的机器条件经由音频触觉刺激器被呈现为确认操作者控制的自然语言表示。在实施例中，操作者穿戴触觉用户界面的至少一部分。14.在实施例中，振动感测的条件由触觉用户界面呈现为振动刺激。在实施例中，基于温度感测的条件由触觉用户界面呈现为热量刺激。16.
在实施例中，一种由用户在工业环境中穿戴的触觉用户界面安全系统适于经由最接近设备的触觉用户界面的一部分通过触觉刺激来指示用户与环境中的设备的接近度。在实施例中，刺激的类型、强度、持续时间和频率中的至少一者指示对用户造成伤害的风险。在实施例中，触觉刺激选自由压力、热量、冲击和电刺激组成的列表。在实施例中，触觉用户界面还包括无线发射器，该无线发射器广播所述用户的位置。在实施例中，无线发射器响应于指示用户与设备的接近度来广播用户的位置。在实施例中，用户与环境中的设备的接近度基于从适于在工业环境中收集数据的系统提供给触觉用户界面的传感器数据。在实施例中，该系统适于基于与工业环境中的用户安全条件相关联的数据收集模板。
在实施例中，用于工业环境中进行数据收集的系统可以有助于在增强现实(AR)显示器上呈现指示工业机器感测数据的图形元素。图形元素可以适于以可接受的感测数据值的标度表示感测数据的位置。图形元素可以定位成靠近在增强的视野中检测到的传感器，该传感器捕获AR显示器中的感测数据。图形元素可以是颜色，并且比例可以是范围从冷色(例如，绿色、蓝色)到热色(例如，黄色、红色)等的色标。冷色可以表示更接近可接受范围的中点的数据值，并且热色表示接近或超出该范围的最大值或最小值的数据值。
在实施例中，用于工业环境中进行数据收集的系统可以将从工业环境中的多个传感器收集的数据在AR显示器中呈现为多个图形效果中的一种图形效果(例如，颜色范围内的颜色)，所述多个图形效果将从每个传感器收集的数据与相比于可接受范围之外的值处于可接受范围内的值的大小相关联。在实施例中，多个图形效果可以覆盖工业环境的视图，并且多个图形效果的布置可以对应于传感器在环境视图中所处的位置，该位置产生相应的传感器数据。在实施例中，第一组图形效果(例如，热色)表示多个传感器指示在可接受范围之外的值所针对的部件。
在实施例中，用于工业环境中进行数据收集的系统可以有助于将由工业环境中的传感器收集的信息在AR显示器中呈现为覆盖环境的可视化的热图，使得具有提示较大的故障可能性的传感器数据的环境区域与不同于具有暗提示较小的故障可能性的传感器数据的环境区域的图形效果重叠。在实施例中，热图是基于当前正被感测的数据的。在实施例中，热图是基于来自先前故障的数据的。在实施例中，热图是基于来自较早时间段的数据--诸如表明机器故障的可能性增加的数据--的变化的。在实施例中，热图是基于预防性维护计划和工业环境中的预防性维护的记录的。
在实施例中，用于工业环境中进行数据收集的系统可以有助于将由工业环境中的传感器收集的信息呈现为覆盖环境视图的热图，例如可以在AR显示器中呈现的实时视图。这样的系统可以包括呈现有利于行动号召的覆盖图。在实施例中，覆盖图与热图的区域相关联。覆盖图可以包括要被执行动作的环境的一部分或子系统的视觉效果。在实施例中，要被执行的动作是与维护相关的并且可以是部分特定的。
在实施例中，用于工业环境中进行数据收集的系统可以有助于在环境的一部分的AR视图中基于对用于工业环境中的机器的至少一方面的操作指令的改变来更新工业环境的各方面的热图。热图可以表示符合对工业环境中的机器的各部分的操作限制。在实施例中，热图可以表示由于操作指令的改变而导致的部件故障的可能性。
在实施例中，用于工业环境中进行数据收集的系统可以有利于将工业环境中的用于数据集合模板的传感器的覆盖程度或度量呈现为环境的一部分的AR视图中的热图，其中，数据集合模板识别工业环境中的为数据收集活动选择的传感器。
在实施例中，用于工业环境中进行数据收集的系统可以有助于显示覆盖用于环境的各个部分的故障相关数据的工业环境的视图、例如实时视图的热图。故障相关数据可以包括各个部分的实际故障率与另一故障率之间的差异。另一故障率可以是环境中其它地方的可比较部分的故障率、和/或跨越多个环境的可比较部分的平均故障率，例如行业平均值、制造商故障率估计值等。
在实施例中，用于工业环境中进行数据收集的系统可以有助于在环境的一部分的增强现实视图中显示与从用于生产线机器人处理的机械臂和手收集的数据相关的热图。与从机械臂和手收集的数据相关的热图可以表示来自例如布置在机器人手的手指中的传感器的数据。传感器可以收集数据，例如在捏住物体时施加的压力、物体的阻力(例如，响应于机器人触摸)、当手指执行某个操作(例如握持工具等)时呈现给手指的多轴力、物体的温度、手指从初始接触点到满足阻力阈值的总移动量、以及其它手部位置/使用条件。可以在机器人生产环境的增强现实视图中呈现该数据的热图，使得用户可以对例如机器人手指的相对定位如何影响正在处理的对象进行视觉评估。
在实施例中，用于工业环境中进行数据收集的系统可以有助于在环境的一部分的增强现实视图中显示与从用于生产线机器人处理的线形轴承收集的数据相关的热图。与大多数轴承一样，线形轴承在使用时可能是看不到的。然而，评估线形轴承的操作可以受益于表示来自传感器的数据，该传感器在增强现实显示器中使用时捕获与轴承有关的信息。在实施例中，可以放置传感器以检测由轴承支撑的旋转构件或元件对轴承的各部分施加的力。这些力可以在使用线形轴承的机器人处理机器的增强现实视图中通过使轴承可视化而呈现为与相对力相对应的热图。
在实施例中，用于工业环境中进行数据收集的系统可以有助于在环境的一部分的增强现实视图中显示与从用于采矿的钻孔机械收集的数据相关的热图。钻孔机械，尤其是多头圆形镗头，可能同时穿过多种岩层。传感器可以布置在每个钻孔尖端的近侧，使得传感器可以检测尖端所经受的力。数据可以由适于在工业环境中收集数据的系统收集并被提供给增强现实系统，该增强现实系统可以将数据在钻孔机的视图中显示为热图等。
参照图152，示出了基于由适于收集环境中的数据的系统在工业环境中收集的数据的热图的增强现实显示。工业环境11500的增强现实视图可以包括热图11502，热图11502描绘了在工业环境中从传感器11504接收的数据接收的数据或者根据该数据得到的数据。传感器数据可以由适于在工业环境中进行数据收集和分析的系统捕获并处理。数据可以被转换成适于在用于显示热图的增强现实系统中使用的形式。热图11502可以在增强现实视图中与获取基础数据的传感器一致。
在实施例中，本文公开的方法和系统包括一种增强现实(AR)系统，在该增强现实系统中，工业机器感测数据在工业机器的视图中呈现为从视图中的传感器收集的数据的热图。热图位于捕获AR显示器中可见的感测数据的传感器附近。在实施例中，热图基于从传感器收集的实时数据与该数据的可接受的值范围的比较。在实施例中，热图基于感测的数据的趋势。在实施例中，热图响应于根据由工业环境中的传感器收集的数据计算的感兴趣条件表示工业环境中的传感器的覆盖范围的度量。在实施例中，从视图中的传感器收集的数据的热图基于由适于在工业环境中收集数据的系统通过将来自多个传感器的数据经由模拟交叉点开关、复用器和分层复用器中的至少一者路由到多个数据收集器而收集的数据。在实施例中，热图将不同的收集数据值呈现为不同的颜色。在实施例中，将从多个传感器收集的数据组合以产生热图。
在实施例中，本文公开的方法和系统包括用于工业环境中数据收集的系统。该系统包括增强现实显示器，该增强现实显示器将从工业环境中的多个传感器收集的数据呈现为多种颜色中的一种颜色。在实施例中，颜色将从每个传感器收集的数据与色标相关联，其中，冷色映射到可接受范围内的数据值，热色映射到可接受范围之外的数据值。多种颜色覆盖工业环境的视图，并且多种颜色的布置对应于传感器在环境的视图中所处的位置，该位置产生相应的传感器数据。在实施例中，热色表示多个传感器指示典型范围之外的值所针对的部件。在实施例中，多种颜色基于从传感器收集的实时数据与数据的可接受的值范围的比较。在实施例中，多种颜色基于感测的数据的趋势。在实施例中，多种颜色响应于根据由工业环境中的传感器收集的数据计算的感兴趣条件表示工业环境中的传感器的覆盖范围的度量。
在实施例中，本文公开的方法和系统包括一种示例性方法，包括：将由工业环境中的传感器收集的信息呈现为覆盖所述环境的视图的热图，使得与具有提示较小的故障可能性的传感器数据的环境区域不同的具有提示较大的故障可能性的传感器数据的环境区域与热图重叠。在实施例中，热图是基于当前正被感测的数据的。在实施例中，热图基于来自先前故障数据的数据。在实施例中，热图基于来自较早时间段的数据的变化，该变化表明机器故障的可能性增加。在实施例中，热图是基于预防性维护计划和工业环境中的预防性维护的记录的。在实施例中，热图表示实际故障率与参考故障率的对比。在实施例中，参考故障率是行业平均故障率。在实施例中，参考故障率是制造商的故障率估计值。
在实施例中，用于在工业环境中进行数据收集和可视化的系统可以包括增强现实和/或虚拟现实(AR/VR)显示器，在增强现实和/或虚拟现实显示器中，由设置在AR/VR显示器中的视野中的传感器输出的数据值被显示为具有视觉属性，该视觉属性指示数据与可接受范围或用于感测数据的值的一致程度。在实施例中，视觉属性可以近乎实时地描绘感测数据和/或其衍生物的趋势。在实施例中，视觉属性可以是正被捕获的实际数据，或者是得出的数据，例如数据的趋势等。
在实施例中，用于在工业环境中进行数据收集和可视化的系统可以包括AR/VR显示器，在AR/VR显示器中，由设置在AR/VR中的视野中的传感器输出的数据值的趋势被显示为具有视觉属性，该视觉属性指示趋势的严重程度。在实施例中，可以显示的其它数据或分析可以包括：来自传感器的超过可接受范围的数据，来自传感器的作为由用户选择的智能带的一部分的数据，来自被监测的传感器的用于触发智能带收集行动的数据，来自可以感测环境的满足预防性维护标准的方面的传感器的数据，例如PM动作即将进行、PM动作最近已执行或PM超期。用于这种AR/VR可视化的其它数据可以包括来自传感器的其中可接受的范围最近已经改变、扩展、变窄等的数据。对于工业机器(挖掘机、钻机等)的操作者会特别有用的这种AR/VR可视化的其它数据可以包括对来自传感器的数据的分析，例如对操作元件的影响(扭矩、力、应变等)。
在实施例中，用于在工业环境中进行数据收集和可视化的系统可以包括在可以用于采矿应用中的泵的AR/VR环境中呈现表示所收集数据的视觉属性。采矿应用泵可以提供水并从采矿现场移除液化废物。泵性能可以通过检测泵电机、调节器、流量计等的传感器来监测。可以收集泵性能监测数据并将其呈现为增强现实显示器中的一组视觉属性。在示例中，泵电机电力消耗、效率等可以显示在通过增强现实显示器观察的泵的近侧。
在实施例中，用于在工业环境中进行数据收集和可视化的系统可以包括在可以用于发电应用中的能量存储的AR/VR环境中呈现表示所收集数据的视觉属性。发电能量存储可以利用捕获与存储能量的存储和使用相关的数据的传感器来监测。诸如各个能量存储单元的利用率、能量存储率(例如，电池充电等)、存储的能量消耗率(例如，由能量存储系统提供的KWH)、存储单元状态等之类的信息可以被捕获并被转换成可以在能量存储系统的增强现实视图中呈现的增强现实可视属性。
在实施例中，用于在工业环境中进行数据收集和可视化的系统可以包括在可以用于发电应用中的给水系统的AR/VR环境中呈现表示所收集数据的视觉属性。传感器可以布置在工业环境、例如发电厂中以用于收集与给水系统有关的数据。来自这些传感器的数据可以被用于数据收集的系统捕获并处理。该处理的结果可以包括数据的趋势，例如给水冷却速率、流速、压力等。这些趋势可以通过应用传感器与在视图中可见的物理元件的映射、然后从映射的传感器检索数据而被呈现在给水系统的增强现实视图上。检索的数据(及其衍生物)可以被呈现在给水系统的增强现实视图中。
参照图153，示出了增强现实视图11600，该增强现实视图11600包括覆盖工业环境的视图的实时数据11602。环境中的传感器11604可以例如通过首先检测与传感器相关联的工业机器、系统或其一部分而被增强现实系统识别。来自传感器11604的数据可以从数据储存库中检索、被处理成趋势、并且在增强现实视图11600中呈现为靠近数据所来自的传感器。
在实施例中，本文公开的方法和系统包括一种用于在工业环境中进行数据收集和可视化的系统，在该系统中，由设置在电子显示器中的视野中的传感器输出的数据值在电子显示器中被显示为具有视觉属性，该视觉属性指示数据与所感测数据的可接受的值范围的一致程度。在实施例中，电子显示器中的视图是工业环境中的增强现实显示器中的视图。在实施例中，视觉属性指示所感测的数据随着时间推移相对于可接受范围的趋势。在实施例中，数据值在电子显示器中设置成靠近输出所述数据值的传感器。在实施例中，视觉属性还包括与输出数据值的传感器相关联的智能带传感器组的指示。
在实施例中，本文公开的方法和系统包括一种用于在工业环境中进行数据收集和可视化的系统，在该系统中，由设置在工业环境的增强现实视图中的选择传感器输出的数据值被显示为具有视觉属性，该视觉属性指示数据与所感测数据的可接受的值范围的一致程度。在实施例中，传感器基于数据收集模板来选择，该数据收集模板有助于配置系统中的传感器数据路由资源。在实施例中，选择传感器在模板中被指示为一组智能带传感器的一部分。在实施例中，选择传感器是被监测的用于触发智能带数据收集动作的传感器。在实施例中，选择传感器是感测环境的与预防性维护标准相关联的方面的传感器。在实施例中，视觉属性还指示可接受范围在过去的72小时内是否已经扩展或变窄。
在实施例中，本文公开的方法和系统包括一种用于在工业环境中进行数据收集和可视化的系统，在该系统中，由设置在增强现实显示器中描绘的工业环境的视野中的选择传感器输出的数据值的趋势被显示为具有视觉属性，该视觉属性指示趋势的严重程度。在实施例中，在来自传感器的数据超过可接受的值范围时选择传感器。在实施例中，传感器基于作为智能带传感器组的一部分的传感器来选择。在实施例中，视觉属性还指示趋势与可接受的数据值范围的一致性。在实施例中，用于数据收集的系统适于基于数据收集模板将来自选择传感器的数据路由到增强现实显示器的控制器，该数据收集模板有助于配置用于数据收集的系统的路由资源。在实施例中，响应于在智能带数据收集模板中配置为用于触发智能带数据收集动作的指示的传感器数据来选择传感器。在实施例中，响应于预防性维护标准来选择传感器。在实施例中，预防性维护标准选自由预防性维护动作被安排，预防性维护动作已在过去的72小时内完成，预防性维护动作已逾期组成的列表。
图155示出了用于工业环境中进行数据收集的系统，该系统具有用于捕获并分析工业环境中的数据的自足数据采集盒，该系统包括连接至数据电路11708以分析传感器输入的传感器输入11700、传感器输入11702、传感器输入11704、传感器输入11706、网络通信接口11712、用于发送及接收与至外部系统的传感器输入有关的信息的网络控制电路11710以及用于基于通过网络通信接口接收的指令动态地调整发送信息的哪个部分的数据滤波电路。各种传感器输入X连接至数据电路Y。数据电路与网络控制电路相互通信，网络控制电路连接至一个或多个网络接口。这些接口可以包括经由星形、多跳、点对点、轴辐式、网状、环形、分层、菊花链、广播或其它网络协议进行通信的有线接口或无线接口。这些接口可以是以太网中的多对，或者是诸如I2C的单线网络协议。网络协议可以涉及用于工业网络中的实时通信的以太网和其它协议的各种变型中的一种或多种变型，包括TCP上的
Figure BDA0002874613920005302
工业以太网、以太网Powerlink、以太网/IP、EtherCAT、
Figure BDA0002874613920005301
ProfinetTM、CAN总线、串行协议、近场协议、以及家庭自动化协议，例如
Figure BDA0002874613920005303
Z-WaveTM或者无线WWAN或WLAN协议，例如LTETM、Wi-Fi、BluetoothTM或其它。传感器输入可以永久地或可移除地连接至传感器正在测量的事物，或者可以结合在独立的数据采集盒中。整个系统可以结合到被测量的设备中，这些设备例如为车辆(例如，汽车、卡车、商用车辆、拖拉机、建筑车辆或其它类型的车辆)、设备的部件或项(例如，压缩机、搅拌器、电机、风扇、涡轮机、发电机、输送机、升降机、机器人组件、或在本公开中描述的任何其它项)、基础设施元件(例如，地基、房屋、墙壁、地板、天花板、屋顶、门口、坡道、楼梯等)或工业环境的其它特征或方面。整个系统可以结合到静止的工业系统中，这些系统例如为生产组件、受到磨损和应力的装配线的静态部件(例如导轨)、或者诸如机器人、线性致动器、齿轮箱和振动器的动力元件。
图156示出了具有机载传感器11732和四个电机11734以提供升力和运动控制的航空无人机11730数据采集盒。在实施例中，无人机11730具有充电底座能力，并且在实施例中，无人机11730具有电池更换能力，使得相同的无人机11730可以在短暂返回基座以进行电池更换之后返回巡查。无人机11730可以从要被感测的系统附近的位置飞行。无人机11730可以检测其它传感器无人机的存在并且基于有源传感器和网络协调飞行计划来避免冲突。这些传感器无人机11730基于传感器侦察的预定巡视来巡查并感测环境和设备条件。这些传感器无人机11730还响应于特定事件，包括命令驱动的(人类对额外数据的请求)、来自其它无人机的请求、例如要进行更仔细的感测(例如通过具有多个传感器的多个无人机感测)的物品中检测到的异常等事件。这些传感器无人机11730对结合到无人机11730或位于远程服务器中的AI做出响应，该远程服务器分析条件并生成对额外数据的请求以及对环境或设备的巡查。无人机11730可以配置有多个传感器。例如，大多数无人机11730配备有无论是可见光范围内还是红外范围内的某种视觉传感器、以及诸如光脉冲距离传感、声纳脉冲传感之类的某些形式的主动引导传感器技术。此外，无人机11730可以配备有额外的传感器，例如被设计成用于分析特定设备和机械的材料的特定的化学传感器和磁传感器。
图157示出了具有多种移动模式的自主无人机11780，所述多种移动模式可选地包括飞行、滚转和行走的移动模式。在实施例中，伸缩且铰接的机器人腿允许定位在不平坦表面上。在实施例中，无人机可以具有四个轮。各种移动平台可以包括铰接支腿，该铰接支腿可以向上拉动并且拉开以允许轮子在光滑表面上滚转。支腿可以包括端部构件(例如，“脚”)，该端部构件可以通过各种附接形式实现，无人机可以通过这些附接形式附接至其环境中的元件，例如一件工业设备上的靠近感测点的(例如，在旋转部件的一组轴承附近的)着陆点。端部构件可以使得具有各种附接形式，例如磁性附接、吸盘、粘合剂等。在实施例中，无人机可以具有可以通过端部构件上的替代机构接合(例如，在具有不同附接类型的元件之间旋转)的或者可以从无人机上的存储位置通过铰接腿收回的多种形式。在实施例中，无人机11780可以具有机械臂11782，该机械臂11782能够将粘合剂背衬的钩环紧固元件放置在机器上，以允许无人机在期望的着陆点处附接、脱离和重新附接。可以在视觉系统的控制下进行放置，视觉系统可以包括遥控视觉或其它感测系统，以及/或者识别着陆点类型并且可选地具有模式识别和机器学习的自动着陆系统可以使无人机着陆并启动附接。放置可以基于适当的感测位置的识别(包括通过机器视觉或基于传感器的识别)(例如基于识别的感测需求、触发或输入等)和适当的着陆位置的识别(例如无人机可以例如使用铰接的机械臂来建立稳定的附接并到达感测点)。在实施例中，摄像头系统和其它传感器可以检测表面几何形状和特征以选择适当的着陆及接合模式(例如，粗糙的竖向表面在被识别的情况下可以触发使用腿和铰接的手指来保持，同时光滑的竖向表面在被识别的情况下可以触发使用吸盘或磁体来建立临时附接)。
在实施例中，机器学习可以通过变化和选择--包括测试各种附接形式的安全性--来改变并选择着陆及接合模式。机器学习可以是一组用于着陆和接合的规则、一组模型(该组模型可以填充与机器、基础设施元件和工业环境的其它特征有关的信息)、训练组(包括通过让人类操作者登陆一组无人机并与传感器接合而形成的一种训练)或者使用一组用于着陆和接合的规则、一组模型(该组模型可以填充与机器、基础设施元件和工业环境的其它特征有关的信息)、训练组(包括通过让人类操作者登陆一组无人机并与传感器接合而形成的一种训练)，或者通过借助于大量的试验着陆及接合事件融合各种视觉和其它传感器的深度学习方法来启用。
在实施例中，摄像头11788可以具有对象识别能力(包括通过机器学习改进的模式识别、匹配于机器和其它特征的图像库的基于规则的模式、或者技术的混合或组合)。
在实施例中，可以提供工业机器的基于传感器的识别，其中，机器基于传感器签名(例如，基于与以发电机、涡轮机、压缩机、泵、电机等为特征的已知振动模式、热签名、声音等的匹配)来识别。这可以通过机器学习(包括深度学习或者基于人类生成的训练组的学习)基于规则、模型等、或这些的各种组合而发生。
在实施例中，移动平台可以包含可以设置在一个或多个铰接机械臂11782上的一个或多个多传感器数据收集器(multi-sensor data collector，简称MDC)11790，所述一个或多个铰接机械臂11782可以从无人机11730的内部移动到外部。在实施例中，无人机可以具有其自身的铰接机械臂11782中的一个或多个铰接机械臂，以例如用于拾取并能够放置单个传感器、将传感器附接至感测点、将传感器附接至电源、读取传感器等。
在实施例中，MDC11790可以在感测点处并且通过与中心站11792交互来换入或换出各种传感器，其中，无人机11730可以用新的或不同的传感器来补充MDC11790、可以重新存储任何一次性的或消耗性元件(例如测试条、生物传感器等)等。可以利用本公开中描述的控制元件进行补充和重新存储，所述控制元件涉及传感器组的选择、包括专家系统内的基于规则的、基于模型的和机器学习控制。
在实施例中，无人机11730可以与中心站11792配对，以例如用于无线重新充电、传感器的重新存储、安全文件下载(例如，需要物理连接和验证)等。中心站11792可以例如经由一个或多个应用(比如移动应用)与远程操作者(包括专家系统)和/或与本地操作者进行网络通信，以用于控制无人机11730或中心站11792的元件或用于报告或以其它方式使用由无人机11730或中心站11792收集的信息。
在实施例中，中心站11792可以具有3D打印机，以例如用于打印用于与机器交互的合适的连接器、用于打印在传感器中使用的一次性或消耗性元件、用于打印诸如用于辅助着陆的端部构件之类的元件等。
在实施例中，MDC11790具有用于包括物理接口(例如，USB端口、火线端口、照明端口等)和无线接口(例如，蓝牙、低功耗蓝牙、NFC、Wi-Fi等)在内的各种接口形式的接口端口。
在实施例中，MDC 11790接口可以包括电探针，以例如用于检测电压和电流、例如用于检测并处理工业机器的电子部件的操作签名。
在实施例中，MDC11790携带或访问(例如在无人机11730或中心站11792内)各种连接器，以允许其与各种机器和设备连接。
在实施例中，摄像头11788可以识别用于工业机器的合适的接口端口并选择，并且在用户远程控制下或自动地(可选地在设置于无人机11730上或远程定位的专家系统的控制下)使用用于接口端口的适当的连接器，例如以建立数据通信(例如，与机载诊断或其它仪表系统建立数据通信)、以建立电源连接等。
在实施例中，MDC11790的机械臂11782可以根据需要插入一个或多个电缆或连接器，例如从无人机11730的存储器或从中心站取回的电缆或连接器。中心站可根据需要打印新的连接器接口。
在实施例中，无人机11730是自组织的并且可以是自组织群的一部分，其中，自组织群包括用于数据收集的若干无人机11730的智能集体路由。无人机11730可以具有用于数据收集的安全物理接口--例如需要本地存在以便访问控制特征的物理接口--并与该安全物理接口交互。
无人机11730可以使用无线通信，包括通过无人机11730的网状网络的认知、自组织移动网络使用无线通信，该网状网络还可以包括其它设备，例如主控制器(例如，具有人机界面的移动设备)。
在实施例中，无人机11730具有用于用户交互及移动应用交互的触摸屏显示器。
在实施例中，无人机11730可以使用MDC11790来收集与用于机器仪表的传感器的放置相关的数据(例如，从一组可能的位置收集振动数据并选择用于数据收集的优选位置，然后将半永久性振动传感器设置成用于未来的数据收集)。
智能路由可以包括基于机器的映射，包括参考工业环境的预先存在的地图或蓝图，并基于检测到的条件(例如，通过摄像头、IR、声纳、LIDAR等检测到的条件，无论是固定的还是瞬态的特征、机器、障碍物等的存在，并且更新地图和任何相关路线以反映变化的特征)使用机器进行学习以更新地图。
在实施例中，无人机11730可以包括用于基于传感器检测生物特征的设施(例如，用于人类的存在基础水平识别、例如用于安全的IR感测)以及其它生理传感器，例如用于识别(例如，在允许访问收集的数据或控制功能之前使用人类的生物特征识别)和人类状态条件(例如确定环境中的人类的健康状态、警觉性或其它条件)。在实施例中，无人机11730可以存储或处理紧急急救物品，以例如在确定紧急健康状态的情况下用于递送到紧急点。
在实施例中，无人机11730可以具有碰撞检测及避免(LIDAR；IR等)，例如以避免与其它无人机11730、设备、基础设施或人类工作人员发生碰撞。
在另一实施例中，基于预定事件通知图157中的系统，以评估工厂车间的各个方面的条件。该系统配置有学习算法，在各种位置收集各种传感器的样本。该系统定期为正确操作的工厂车间提供正向强化。当出现故障时，该系统将被指示评估各个方面的条件并告知出现故障。该系统记录传感器数据，例如温度、运动速度、位置传感器的数据。该系统还集成有额外的传感器数据，例如来自结合到待分析的系统中的传感器--例如结合到装配线中的导轨中的位置、温度和结构完整性传感器--的数据。这些传感器通过网络通信接口中的一种网络通信接口将包括实时及历史传感器数据在内的传感器数据传送到系统。
在另一实施例中，图157中的系统具有机械臂并且承载有许多可附接模块，这些可附接模块中每个可附接模块均对不同类型的信号或数据进行感测。例如，系统可以承载有能够感测温度、磁波、润滑剂污染物和锈蚀的四个模块。该系统能够将每种类型的模块附接及脱开以及安全地存放。移动式无人机11730能够返回充电站并选择额外的模块来测量额外类型的信号。例如，系统可以接收对工厂的一部分在振动器被设计成用于将微小部件摇动到料斗中的区域中具有故障的指示，其中，料斗将微小部件注入到输送带中，输送带进给到包括齿轮箱和致动器的拾取及放置用的机械臂中。已经接收到对在该常见区域中存在诸如减速或堵塞的故障模式的指示的系统对化学分析模块进行检索并对机械振动器中的润滑剂的粘度和化学条件进行测试。然后，该系统对不同的化学分析模块进行检索，以对机械臂的齿轮箱和致动器中所使用的不同类型的润滑剂进行分析。然后，该系统通过网络接口传送数据并接收对继续进行的测试的指示，并且对能够检测机械故障的新模块以及可视摄像头模块进行检索。然后，已经对这些模块进行了检索的该系统对装配线的各部件执行可视化分析，并将这些部件发送至远程服务器(或将这些部件保存在本地)以与装配线的相同部分的历史图片进行比较。系统以这种方式持续运行，直到外部系统已指定的传感器(例如手动控制人或预定列表)全部已经完成为止，或者直到传感器中的一个传感器检测到异常(这种异常被量化并被传送给外部系统以提出修复)为止。
图158示出了无人机数据收集系统，该无人机数据收集系统可移动地附接至轨道并且可以通过传感器臂的平移运动和重新定位而将无人机数据收集系统自身定位在系统的要针对故障模式被感测并诊断的一部分附近。机械臂11782能够对例如高灵敏度的冶金故障检测系统--例如X射线或伽马射线照片或非破坏性扫描电子显微镜--进行定位。机械臂11782将其感测臂和测量装置定位在静态或动态移动的目标--例如装配线中的一组滚子轴承--上的各种位置中。系统的机械臂11782在滚子轴承的结构方面执行高分辨率图像捕获和故障模式检测，例如检测是否存在任何滚子轴承故障模式，例如点蚀、擦伤、开槽、蚀刻、腐蚀等。然后，该系统通过网络接口将故障模式检测的结果传送给远程系统。
在另一实施例中，图158的数据收集系统随时间连续地执行预定的一组测量并且随时间对这些测量进行比较。例如，该系统可以随时间测量在精确定位的定向声音输入传感器--该定向声音输入传感器用于一组滚子轴承中的每个滚子轴承--处接收到的声音的分贝。在一段时间之后，当滚子轴承偏离通常的或常用的或者指定的音频分贝范围时，特定滚子轴承的故障模式被指示，然后系统将故障模式检测的结果通过网络接口传送给远程系统。
图159示出了工业环境中的固定导轨11800以及位于固定导轨11800下方的一对端口11802，所述一对端口11802包括网络接口插孔和电源端口插孔。例如飞行无人机11730或轮式传感器机器人等移动式数据收集系统接近导轨并使用移动延伸部来“插入”至端口。此时，系统可以无限期地持续运行，这是因为系统处于网络通信中并且具有持续的电力。在实施例中，远程操作用户此时可以启用移动系统可用的传感器中的任意传感器并将这些传感器引导至目标--该目标包括导轨以及在导引件上移动的任何机械--的任何可达部分。可以对导轨进行化学检查。可以对导轨进行视觉检查。装配线的导轨操作的部分可以由通过系统传感器操作的远程用户进行视觉监测。该系统可以对沿着导轨运行和移动的机械进行听觉测试。嵌入导轨中的任何传感器都可以将其传感器数据传送给附接的转动系统(rovingsystem)。类似地，来自附接的转动系统的传感器输入可以与来自导轨的任何嵌入式传感器数据集成并通过有线网络接口与其一起递送。连接至导轨附近的悬停件的任何无人机11730及其相关功能可以无限期地运行并且提供对装配线的该部分的“放大”监测。如果装配线的一部分被指示出故障，则可以征集一组无人机和轮式数据收集系统来更密切地监测该区域。在远程人类操作者的情况下，这种额外的传感器可视性为操作者提供了与装配线的该部分的各个方面相关的许多实时传感器信息流。远程人类操作者可以重新定位并改变各种数据收集系统的感测模式。在另一实施例中，远程机器学习系统操作多个感测系统来放大并采集与装配线的已经被检测到有故障的区域有关的额外的数据。通过迭代试验和反馈，机器学习系统操作数据收集系统来利用不同位置中的不同传感器对不同信号进行测试，直到已经确定诊断出一个或多个故障模式为止。然后，机器学习系统采取适当的动作，例如禁用装配线的该部段以防止因进一步损坏而造成的价值损失、向现场操作者传达诊断出的故障正被自动订购正确的部件以便交付并产生维修系统中的故障单、自动呼叫维修技术人员前往该位置并修复故障、估算总预测停机时间并基于何时系统将再次生产根据修改的生产量自动更新会计系统。
图160示出了车辆11812的底盘和传动系11810的一部分，车辆例如为用于运输的汽车或卡车，或者例如为用于在建筑或农业中使用的拖拉机之类的工业车辆。车辆11812包括发动机11814、变速器11818、传动轴11820、后差速齿轮箱11822、车轴和车轮端部。本文中公开的各种传感器无人机可以对车辆11812进行感测、监测、分析和重新监测。传感器无人机11730可以在其数据记录期间悬空。传感器无人机11840可以在整个组装过程期间或在该过程中的某些站位处连接至车辆。图163示出了涡轮机11900的一部分。本文中公开的各种传感器无人机可以对涡轮机11900进行感测、监测、分析和重新监测。传感器无人机11730可以在其数据记录期间悬空。传感器无人机11840可以在整个组装过程期间或在该过程中的某些站位处连接至车辆。这些不同的部件是金属制的并且在其工作周期和工作输出范围之外的过度使用和未充分利用时遭受磨损和损坏。为了使该设备运行并以适当的顺序维护这些不同的部件，在整个设备和各种组件中放置了许多传感器。常规地，诸如变速器的大部分有源元件包含许多传感器，这些传感器用于使设备正确地运行并提供反馈，但不一定用于诊断或监测设备的健康或故障模式。这些传感器包括节气门位置传感器、质量空气流量传感器、各种压力和温度的制动传感器以及液位传感器。这些相同的传感器以及许多其它附加传感器不仅可用于使设备运行而且还可以用于设备的维护和诊断。可以永久安装并分布在各处的附加传感器包括润滑剂污染化学传感器，例如固态传感器、齿轮位置传感器、压力传感器、流体泄漏传感器、旋转传感器、轴承传感器、车轮胎面传感器、视觉传感器、音频传感器以及本文列出的许多其它传感器。
图161示出了微型移动磁驱动可附接无人机传感器系统11840，其附接到金属并且可以用于对运动中或静止时的车辆执行分析。它由小型的矩形或方形移动传感器单元组成，该移动传感器单元的尺寸可以小于火柴盒。它具有许多轮子或脚轮或滚珠轴承，并且它使用永磁体或电磁铁附接到金属。它可以弯曲以更容易地与弯曲表面配合，诸如后差速器或驱动轴或传动轴。
图162示出了移动传感器系统的近视图，其示出了其轮子和四个传感器：超声波传感器、化学传感器、磁传感器以及视觉(相机)传感器。该系统在目标区域四周并遍及目标区域行进以进行故障模式检测，诸如运输车辆或工业车辆的底盘。传感器捕获综合数据，且能够覆盖车辆的整个表面和底盘，并且可以检测故障，诸如生锈的部件、化学变化、流体泄漏、润滑剂泄漏、外来污染、酸、土壤和污垢、密封损坏等。传感器系统通过网络接口将该信息报告给另一传感器、报告给车辆本身上的计算机，或报告给远程系统，以促进数据捕获并确保数据被完全记录。该系统还周期性地运行，对车辆执行相同或类似覆盖，使得基准测量值可以与稍后的测量值进行比较以确定车辆的检修状态。这可以用于检测故障模式，但也可以用于创建车辆图像以用于保险、折旧、检修计划或监视目的。
在实施例中，移动附接无人机传感器11840可以可移除地附接到车辆的一部分并且可以围绕车辆的底盘自由移动。它也可以通过图157的移动机器人传感器系统作为感测模块放置在那里，并且随后在它完成感测任务时被检索。
在实施例中，移动附接传感器11840可以采用可以行进穿过流体的游泳设备的形式，或者采用具有化学粘合剂或磁性或真空粘合容纳件或脚形件的多踏板单元的形式，该容纳件或脚形件允许它在要感测的目标的表面上自由移动。
在实施例中，图157中所示的模块化传感器可以可移除地或永久地集成到移动或便携式传感器中，例如无人机、多踏板或轮式工业测量机器人，或者自推进浮动、攀爬、游泳或磁爬行微型数据收集系统。任何传感器都可以在同一目标上的不同位置进行多次测量，以获取目标健康或状况的完整图片。
部署在各种无人机、移动平台、机器人等上的传感器可以采用多种形式。例如，使用滚子轴承运动产生的能量产生足以产生数据信号的感应力以将滚子轴承的状态(诸如速度、每单位时间的旋转，以及指示轴承随时间的平滑旋转的任何微小扰动的模拟数据)传送到数据电路，一组滚子轴承传感器可以集成在滚子轴承本身内。变形传感器可以采用无源扫描(视觉、红外)或有源扫描(激光雷达、声纳)系统的形式，该系统从目标捕获数据并且将该数据与关于部件的形状或取向的历史数据进行比较以检测变化。相机传感器被配置有镜头以捕获投射在目标上或由目标反射的连续且静止的可见和不可见的光子信息。紫外线传感器可以类似地捕获有关目标及其周围环境的连续且静止的帧信息。红外传感器可以从目标捕获光和热发射数据。诸如定向和全信道麦克风等音频传感器可以测量从目标或其环境发射的声波数据的频率和振幅，并且可以随时间比较该数据，以在由目标产生的声音的振幅或质量超过预定或历史水平或与预定或历史水平不同时检测异常。振动传感器可以按照类似方式使用，捕获极低频率的声音以及目标随时间的物理扰动和节奏。粘度传感器可以顺列安装在系统或车辆的润滑系统中，或者可以是可移动的，并且可以对目标的润滑材料的连续或瞬时粘度进行ad-hoc测量和评估。化学传感器可以在它们检测到的分析物(目标化学物质)方面变化很大，并且在车辆或固定机械的情况下，可以被配置有能够捕获和识别目标的多种状况的可变接受器。诸如锈传感器或过热传感器等特定目标传感器可以感测诸如装置、金属结构或化学润滑剂等目标何时开始随时间发生化学变化。这些化学传感器可以是多用途或单用途的，并且可以集成在结构内，例如车辆的车架或底架或者装配线的固定或可移动部分。这些化学传感器可以集成到提供发动机或机器人的机械动力的组件中。这些化学传感器可以附接到部署用于测量目标的便携式自推进数据收集系统。启用后，这些化学传感器与目标接触或从目标采样，并进行化学分析，并且将结果状态报告给数据电路。固体化学传感器可以采用固态化学样本(而不是气态或液体样本)，并且通过检测样本中的多种化学物质来确定特定化学品或组合物的存在。pH传感器可以用于检测目标的酸度水平，并且可以用于确定目标环境的特定变化、目标周围的流体状况，或工作流体(诸如目标中的冷却剂或润滑剂)的状态，并且类似地，流体和气体化学传感器对这些目标执行附加的组分和存在检测。润滑剂传感器可以像是否仍然存在足够的润滑剂(通过检测导电或硬质部件之间的摩擦或距离短缺)的指示器那样简单，或者可以使用化学、压力、视觉、嗅觉或振动反馈测试(振动目标和测量响应)的组合以确定目标中的润滑剂的瞬时或连续存在或数量。污染物传感器可以查看是否存在添加到表面的外来物或受损元件、目标的物质或流体内容物，例如被部件磨损的金属颗粒污染的润滑剂，或者在例如气动系统中由于密封件的破裂而被污染的润滑剂或动力流体。颗粒传感器可以检测流体内或目标上的特定类型颗粒的存在。重量或质量传感器可以确定部件的连续或变化的重量，并且可以从粗刻度(例如用于称量大型机械的称重设备)精细至集成MEMS刻度，该MEMS刻度确定目标重量的连续和瞬时变化，该目标重量由于损坏或磨损或蒸发、升华等而随时间损失质量。旋转传感器可以是光学的、基于音频的，或者使用许多其它技术来检测目标的周期性加速度、速度以及旋转频率。温度传感器可以被配置为测量一般区域中的粗略环境温度以及精细环境温度、目标部件的区域的精确温度，并且可以被设置在整个发动机、机器人系统或任何静止或移动部件中。温度传感器也可以是移动的并且可以被部署为对目标部件、表面、材料或系统进行周期性或ad-hoc测量以确定它是否在正确的温度范围内运行。位置传感器可以像中断的视觉反射、对连续视频执行图像识别算法的视觉系统、磁性或机械开关系统那样简单，该磁性或机械开关系统可以精确地或粗略地持久检测各种可移动元件相对于彼此的位置。通过在目标或一组目标的方向上投射超声波能量或测量由这些目标反射的反射超声波能量，超声波传感器可以用于各种距离、形状、坚固性和取向测量。超声波传感器可以包括多个发射机和接收机以便增加测量的尺寸和精度，并且甚至产生区域的2D或3D轮廓以供进一步分析。辐射传感器可以检测放射性形式的存在，如α、β、γ或x射线辐射，并且一些辐射传感器可以识别方向源、辐射场和面积以及强度。x射线照片可以主动地确定结构、结构变化和结构缺陷，以及提供对目标的其它模糊物理特性的视觉描绘。类似地，伽马射线照片可以用于穿透固体目标，诸如钢或其它金属物体，并且因此确定物理特征(诸如负荷轴承和加压目标中的接头、焊缝、深度、粗糙边缘和以及厚度)的特性。存在各种形式的高分辨率扫描技术，包括扫描隧道显微镜、光子隧道显微镜、扫描探针显微镜。这些测量设备已经小型化，并且这些设备的非破坏性形式可以诸如经由可移动机器人或无人机11730与待测目标接触，然后用于对目标的结构和特性执行极高分辨率(原子级)测量和分析。位移计可以使用电容效应、机械测量或激光测量来实施，并且可以类似于位置计用于测量可移动目标的位置，并且可以用于例如随时间测量佩戴的物理目标的“运动”或变化的位移。磁粉探测器可以用于确定流体(诸如例如润滑剂、沉浸式流体容器、冷却剂或气动流体)是否含有铁磁粒子的微量元素，这可能是金属部件衰变或故障的指示。紫外线粒子检测器可以用于检测诸如气态目标中的污染物。负荷传感器，诸如静态负荷传感器(静止的测量系统)或轴向负荷传感器，其检测(诸如磁性地检测)沿着梁的推力和拉力，并且可以用于确定轴或其它转矩-传输管或轴上的力。加速度计可以是微观尺寸的，被实施为MEMS设备，或者被封装为更大的工业设备，并且可以提供关于目标或目标附近的加速度和重力数据的多个维度，并且可以用于例如检测设备是水平的，或者除了其它数据收集之外，还检测随着时间施加到目标的力的大小。速度传感器可以用于测量平移、位移或转速或速度。旋转传感器可以用于测量旋转元件(诸如轮胎、齿轮、电枢或陀螺仪)的速度、周期、频率、均匀或不均匀运动。湿度感测设备可以检测目标或其环境的液体、冷凝或H2O含量。湿度传感器可以测量目标附近的大气中的水蒸汽的程度。电流表、电压表、磁通计以及电场检测器可以用于测量目标或目标附近的电磁效应、电磁场和电平，或者目标的电子或磁发射，或者存储在目标中的电势能。齿轮箱传感器可以测量工业齿轮箱的许多属性以用于机器人或装配线环境中的原动力的一般转化，以及包括车辆变速器和差速器的许多复杂的车辆齿轮部件。测量可以包括所有内齿轮的精确位置、齿轮元件和齿的磨损状态、各种化学、温度、压力、污染、冷却液液位、流体液位、真空液位、密封液位、扭力、转矩、力、剪切应力、循环计数、齿隙、磨损以及任何其它不断变化的物理属性。齿轮磨损传感器和“齿衰减”传感器可以具体地测量和传达齿轮磨损的程度，或者齿轮的齿已经从原始状态切削、破裂、剥落或以其它方式减小的程度，并且这可以通过视觉或其它发射信号传感器、音频传感器(基于齿冲击的变化测量音质的变化)、激光传感器(测量穿过每个齿轮路径的精确光束的周期性中断)、电力传输测量(经由转矩或力测量来测量从一个齿轮到下一个齿轮的动力损耗)以及许多其它技术来完成。变速器输入速度传感器测量进入变速器的轴转速，并且可以通过相对于时间绘制的旋转位置传感器来实现这一点。变速器输出速度传感器测量将原动力从变速器中输送出去的轴转速。歧管空气流量传感器或质量空气流量传感器可以用于测量发动机的空气密度或进气空气流量，并且因此确定发动机负荷、转矩或功率输出的量。其它类型的发动机负荷传感器可以用于诸如通过测量输送的车轴速度与预期的车轴速度或者通过测量正在产生的功来确定从发动机输送多少功率或转矩。节气门位置传感器测量调节进入发动机的燃料和空气的量的发动机节气门的位置，并且可以使用诸如霍尔效应感测、感应、机械位置感测、磁阻感测以及其它技术等各种技术来测量。冷却剂温度传感器在液体或气体冷却目标系统中随时间或瞬间测量各种位置的冷却剂温度。速度传感器可以在旋转或平移运动中测量整个车辆在路径或移动零部件上的旋转或线性速度或速度。制动传感器可以测量车载或机器人制动系统的各个方面、按下制动器启用开关(诸如车载制动踏板)的程度，或制动器被启用的程度或制动器与运动系统进行摩擦或其它速度抑制接触的程度。流体温度传感器可以测量任何流体(诸如气态、加压、润滑剂、冷媒、燃料或运输物质)的温度，并且可以在整个流体的主体中的单个位置或不同位置测量该温度，并且这样的测量可以通过集成接触传感器、围绕容器周边的分散式接触传感器，或者通过有源或无源测量(诸如红外感测)或测量施加到流体的一部分的能量的效果和反射或测量的效果(诸如通过激光温度计)来实现。发射温度计工具可以被引导到待测量三维流体腔室的各个部分。工具负荷传感器可以用于确定从工具输送的功率量和移动零部件的阻力与该设备的预期空载功率。轴承传感器可以测量轴承中的部分或整个或周期性间隔中的力，并且因此允许系统测量这些力随时间的变化，以及测量机械轴承的其它方面，诸如随时间位置、使用寿命、旋转计数、平均速度变化、声波变化、振动变化、化学变化、颜色变化、表面变化、污染物变化以及与轴承变化及其潜在性能相关的许多其它属性。静止计数器可以测量可移动目标何时静止和静止的频率和时间以及快慢程度，以及可移动目标在哪个内部位置(如在旋转或可移动元件中)或相对位置(如在与另一个设备对接的设备中)保持静止，除其它事项外，还可以指示设备位置，通过设置该特定位置可能产生故障或不希望的物理不对称。液压泵或动力单元传感器可以感测提供动力的液压流体内的压力，并且还基于非线性或其它特定信号来帮助检测液压流体老化、受损、污染、氧化或其它故障。液压泵和动力单元传感器还可以感测泵或动力单元的其它方面，包括服务持续时间、位移、当前位置、占空比的发散度、运动范围的变化或运动随时间的速度曲线、阻力、流体温度以及流体外壳的化学状态、外壳的完整性以及泵的其它固有方面。氧传感器可以感测环境中或目标容器中氧的存在、数量或密度。气体传感器可以使用消耗性化学试剂或固态化学传感器检测特定类型的气体组成，并且可以检测环境或目标容器中特定气体或气体组合的存在、数量或密度。油传感器可以检测油的存在、其粘度、污染程度以及目标区域或容器中的压力。化学分析传感器可以使用消耗品或永久性传感器来分析样本并且确定单个化学分子或元素的存在，或样本的组成，以及构成样本的特定多种化学物质及其相对量。化学分析传感器使用各种技术(包括光谱分析、暴光、与消耗品测试条的组合、固态化学传感器以及其它技术)来建立目标的化学组成。压力检测器可以检测环境中的压力(诸如大气压力)或者可以可移动地连接到可打开的轴，诸如与可充气物体或具有轮胎杆或气动设备或诸如致冷剂单元等充气设备的轮胎连接，并且可以测量其中的压力。压力检测器也可以永久地安装在压缩或真空腔室内，并且通过有线或无线信道传送它们的测量值。真空检测器可以测量内部压力的相对状态的水平，并且还可以产生简单地指示腔室中是否存在预定水平的真空的结果。密度计可以通过在其上投射一种或多种形式的光并测量吸收来测量光密度，例如样本的暗度。转矩传感器可以使用诸如磁弹感测、应变仪或表面声波等技术来测量旋转元件的动态或静态转矩。发动机传感器可以测量发动机的许多方面，包括压力、温度、相对位置、速度、加速度、流体动力学、动力传递以及车辆或其它发电发动机中的许多其它状态。排气传感器和废气传感器可以测量排气系统的输出，以获得诸如相对化学组成、特定化学品的存在、压力、速度、特定粒子的数量、粒子计数以及特定污染物的量等属性。排气传感器可以被设置在废气通过其排出的一个或多个管道或通道内，并且可以由许多不同的传感器组成，这些传感器包括催化传感器、光学传感器、分析排气的机械和化学传感器。曲轴传感器或曲轴位置传感器可以使用光学、磁性、电气、机电或其它技术来建立和报告曲轴的实时速度或曲轴相对于其它部件的位置，包括往复式马达中的活塞的特定位置。凸轮轴位置传感器可以使用光学、磁性、电气、机电或其它技术来建立凸轮轴的位置，并且可以将该位置反馈到反馈回路中的点火和燃料输送系统，以及将信息提供给外部系统用于分析。电容式压力传感器使用电容电效应来测量目标腔室内部的压力。压阻式传感器可以用于测量负荷下的表面和设备的应变和变形。无线传感器可以包含各种不同的感测单元，它们通过无线连接输送它们感测的信息。无线压力传感器执行压力感应并且通过无线连接输送结果。燃料传感器可以使用压力、光学感测、带有浮子、重量或位移感测的机械感测来确定燃料箱内的燃料液位，而其它类型的燃料传感器可以在燃料通过通道或进入腔室时检测燃料流量。陀螺仪传感器可以测量角速度或转速，并且可以产生对物理稳定和运动感测有用的信号。机械位置传感器使用机械、光学、磁性、电或其它感测技术来测量物理位移、角位移、相对位置或取向。MEMS(微电子机械)是微型制造传感器，其可以集成到待测量物体中或集成在移动感测设备中，并且MEMS传感器包含各种感测设备，包括压力传感器、磁场感测、加速度计、流体量传感器、微扫描传感器、用于感测、超声波换能的微镜转向设备，以及收集能量的MEMS设备，该能量可以用于为传感器数据的传输提供动力。喷射器传感器可以感测燃料输送的特性，诸如燃料喷射的量、速度或正时。NOx传感器检测诸如排气系统中的污染物氮氧化物。可变阀正时传感器可以用在反馈系统中以验证和帮助控制被配备有可变阀控制的发动机中的阀升程的正时以实现燃料效率和性能优化。由于没有气帽，燃料箱压力传感器可以检测汽油或柴油燃料箱中的蒸发泄漏，并且在诸如加压燃料箱等其它燃料箱应用中可以检测气体燃料箱的充满程度。燃料流量传感器是专用流体流量传感器，这两者都可以测量在单位时间内行进穿过区域的气体或液体的量，诸如管道或烟道中的水或燃料或气体。油压传感器可以位于发动机、变速器、变速箱或其它密封润滑系统中的各个位置以帮助确定润滑剂的性能和充足性。阻尼传感器或节气门位置传感器测量部分阀系统的位置，并且可以测量进气、排气和其它流量阻尼器或节气门发动机或工业系统中允许的流量。颗粒传感器或颗粒物质传感器可以检测特定的空气质量状况，诸如颗粒和灰尘的存在。空气温度传感器可以位于发动机的各个部分中以接收可以帮助优化发动机中的空气/燃料混合物的数据。冷却剂温度传感器可以感测行进穿过区域或存储在腔室中的冷却剂的温度，并且帮助确定冷却系统是否按预期运行。缸内压力传感器可以捕获关于马达缸中的瞬时压力的数据，并且因此优化发动机中的燃烧。发动机转速传感器可以使用光学或磁电感测来感测曲轴的旋转运动。爆震传感器使用振动感测来测量发动机中爆震的大小和正时，并且可以用于调整点火正时。驱动轴传感器可以测量动力输送轴的多个方面，其包括角速度、动力传递，并且可以结合用于各种振动模式的特定传感器，诸如扭振传感器、横向振动传感器、检测导致故障模式的物体的固有频率处的振动的临界速度振动传感器，以及可以检测u形接头或螺栓中的故障模式的部件故障振动传感器。角度传感器可以测量机械主体相对于参考点的角位置。动力系传感器包括整个发动机-变速器-驱动轴-差速轮系统中的各种传感器。发动机传感器可以包括功率传感器，其包含检测由发动机输送的功率水平的各种传感器。发动机油传感器可以感测油压、温度、粘度以及流量。负荷传感器可以感测静态配置中的重量或应变。频率传感器可以测量各种频率或提供信号或输入维持特定频率的肯定确认。四轮或全轮驱动车辆中的分动箱传感器可以检测齿轮的位置(高或低)。诸如后轮速度传感器等差速传感器指示诸如防抱死制动系统的后轮的车轴速度。后差速器中的各种其它传感器可以检测诸如润滑剂充足、密封、动力传递、泄漏等状况。轮胎压力表是一种特殊形式的压力表，并且可以与阀杆中的轮毂或轮辋集成或者可以根据需要非集成并连接到阀杆。轮胎损坏表可以感测压力损失、牵引力损失，或者使用其它传感器技术来确定轮胎的各种属性，诸如磨损、撕裂、磨秃、分裂、穿刺等。轮胎振动或平衡传感器可以感测车轮何时不能平稳旋转。轮毂和轮辋完整性传感器可以通过化学、电磁、光学或视觉感测来测量和检测车轮的结构完整性和稳定性。空气、流体和润滑剂泄漏传感器可以通过各种方式检测空气或流体的损失，这些方式包括随时间的压力变化、穿刺的直观检测、从容器外部排出气体或液体，或诸如以红外感测进行的温度梯度检测。润滑剂泄漏传感器还可以通过由于磨损引起的噪音增加、部件之间的距离和接触的精细测量、振动以及系统中的不平衡运动来检测润滑剂的损失。
本文描述的传感器可以经由许多数据传输技术来传递它们的瞬时或连续传感器数据，这些数据传输技术包括诸如低距离无线传输的技术，在该低距离无线传输中，发射该传输的功率由感应或机械发电机提供，该发电机由运动或感测到的能量供电。传感器数据可以经由单线或甚至体电流传输协议在任何实际的能量发射设备上传递。例如，嵌入铁金属块内的压力传感器可以使用温度波动在块中产生微小的磁通量，然后通过经由常规的Wi-Fi或以太网网络进行通信的传感器在块的另一个区域中测量该通量。集成在感测部件中的MEMS装置可以执行能量收集以便为传感器数据通过网络的传输供电。
在实施例中，一种用于在工业环境中进行数据收集的系统，具有用于捕获和分析工业环境中的数据的自足数据采集盒，该系统包括用于分析多个传感器输入的数据电路、网络通信接口、用于向外部系统发送和接收与传感器输入有关的信息的网络控制电路，以及被配置为基于通过网络通信接口接收的指令来动态地调整信息的被发送的那个部分的数据滤波器电路。在实施例中，数据电路被配置为分析指示滚子轴承组件中的疲劳或磨损故障模式的数据，诸如生锈、微观点蚀、宏观点蚀、齿轮齿断裂、微振磨损、壳芯分离、塑性变形、划伤、抛光、粘合、磨损、亚壳疲劳、侵蚀、腐蚀、放电、气蚀、开裂、划痕、轮廓点蚀以及剥落。
在实施例中，数据电路被配置为分析指示齿轮箱中的疲劳或磨损故障模式的数据，诸如微观点蚀、宏观点蚀、齿轮齿磨损、齿断裂、层裂、微振磨损、壳芯分离、塑性变形、划伤、抛光、粘合、磨损、亚壳疲劳、侵蚀、放电、气蚀、生锈、腐蚀以及开裂。
在实施例中，数据电路被配置为分析指示液压泵中的疲劳或磨损故障模式的数据，诸如流体通气、过热、过压、润滑膜损失、减压、轴故障、真空密封故障、大颗粒污染、小颗粒污染、生锈、腐蚀、气蚀、轴磨损、咬合、衬套磨损、通道密封损失以及内爆。
在实施例中，数据电路被配置为分析指示发动机中的疲劳或磨损故障模式的数据，诸如不平衡、垫圈故障、凸轮轴、弹簧断裂、阀断裂、阀划伤、阀泄漏、离合器滑移、齿轮干涉、皮带滑移、皮带齿断裂、皮带断裂、齿轮故障、油封故障、后冷却器、中冷器或散热器故障、杆故障、传感器故障、曲轴故障、轴承咬合、低转速过载、起动、全停、高转速、超速、活塞分裂、冲击过载、转矩过载、表面疲劳、临界速度故障、焊接故障和材料故障，材料故障包括微观点蚀、宏观点蚀、齿轮齿断裂、微振磨损、壳芯分离、塑性变形、划伤、抛光、粘合、磨损、亚壳疲劳、生锈、腐蚀、侵蚀、放电、气蚀、开裂、划痕、轮廓点蚀以及剥落。
在实施例中，数据电路被配置为分析指示车辆底盘、车身或车架中的疲劳或磨损故障模式的数据，诸如不平衡、垫圈故障、弹簧断裂、润滑剂密封故障、传感器故障、轴承咬合、冲击过载、表面疲劳、焊接故障、弹簧故障、支柱故障、控制臂故障、主销故障、拉杆和端部故障、小齿轮轴承故障、小齿轮故障以及材料故障，材料故障包括微观点蚀、宏观点蚀、微振磨损、生锈、腐蚀、侵蚀、放电、空化、开裂、划痕、轮廓点蚀以及剥落。
在实施例中，数据电路被配置为分析指示动力系、螺旋桨轴、驱动轴、最终传动或车轮端中的疲劳或磨损故障模式的数据，诸如不平衡、垫圈故障、凸轮轴故障、齿轮箱故障、弹簧断裂、阀断裂、阀划伤、皮带齿断裂、皮带断裂、齿轮齿故障、油封故障、杆故障、传感器故障、曲轴故障、轴承咬合、低转速过载、起动、全停、高转速、超速、活塞分裂、冲击过载、转矩过载、表面疲劳、临界速度故障、轭损坏、焊接故障、u形接头故障、CV接头故障、差速器故障、半轴故障、弹簧故障、支柱故障、控制臂故障、主销故障、拉杆和端部故障、小齿轮轴承故障、环形齿轮故障、小齿轮故障、星形齿轮故障、车轮轴承故障以及材料故障，材料故障包括微观点蚀、宏观点蚀、齿轮齿断裂、微振磨损、加壳芯分离、塑性变形、划伤、抛光、粘合、磨损、亚壳疲劳、生锈、腐蚀、侵蚀、放电、气蚀、开裂、划痕、轮廓点蚀以及剥落。
在实施例中，传感器输入可以是滚子轴承传感器、变形传感器、相机、紫外线传感器、红外传感器、音频传感器、振动传感器、粘度传感器、化学传感器、污染物传感器、颗粒传感器、重量传感器、旋转传感器、温度传感器、位置传感器、超声波传感器、固体化学传感器、pH传感器、流体化学传感器、润滑剂传感器、辐射传感器、x射线照相、伽马射线照相、扫描隧道显微镜、光子隧道显微镜、扫描探针显微镜、激光位移计、磁粉探测仪、紫外线粒子检测器、负荷传感器、静负荷传感器、轴向负荷传感器、加速度计、速度传感器、旋转传感器、湿度、湿度、电流表、电压表、磁通计以及电场检测器、齿轮箱传感器、齿轮磨损传感器、“齿轮衰减”传感器、旋转传感器、变速箱输入传感器、变速箱输出传感器、歧管气流传感器(确定发动机负载，从而影响变速箱)、发动机负荷传感器、节气门位置传感器、冷却剂温度传感器、速度传感器、制动传感器、流体温度传感器、工具负荷传感器、轴承传感器、静止计数器、液压泵传感器、氧传感器、气体传感器、油传感器、化学分析、压力检测器、真空检测器、密度计、转矩传感器、发动机传感器、排气传感器、废气传感器、曲轴位置传感器、凸轮轴位置传感器、电容式压力传感器、压阻式传感器、无线传感器、无线压力传感器、化学传感器、氧传感器、燃料传感器、陀螺仪传感器、机械位置传感器、加速度计、微机电传感器、数字传感器、质量空气流量传感器、歧管绝对压力传感器、节气门控制传感器、喷射器传感器、NOx传感器、可变阀正时传感器、油箱压力传感器、燃料液位传感器、燃料流量传感器、流体流量传感器、阻尼传感器、转矩传感器、颗粒传感器、空气流量计、空气温度传感器、冷却剂温度传感器、缸内压力传感器、发动机转速传感器、爆震传感器、驱动轴传感器、角度传感器、横向振动传感器、扭振传感器、临界速度振动传感器、动力系传感器、发动机传感器：功率传感器、油压、油温度、油粘度、油流量传感器、负荷传感器(结构分析)、振动传感器、频率传感器、音频传感器、分动箱传感器、差速器传感器、轮胎压力表、轮胎损坏表、轮胎振动传感器、轮毂和轮辋完整性传感器、气体泄漏传感器、流体泄漏传感器以及润滑剂泄漏传感器。
在实施例中，传感器输入另外包括麦克风或振动传感器，振动传感器被配置为检测可移动或旋转部件中的振动或声频状况，诸如呼呼、啸叫、咆哮、呜呜、隆隆声、咕噜声、嘎嘎声、车轮跳动以及颤动。
在实施例中，数据电路被配置为分析指示生产线齿轮箱中的疲劳或磨损故障模式的数据，诸如微观点蚀、宏观点蚀、齿轮齿磨损、齿断裂、层裂、微振磨损、壳芯分离、塑性变形、划伤、抛光、粘合、磨损、亚壳疲劳、侵蚀、放电、气蚀、腐蚀以及开裂。
在实施例中，数据电路被配置为分析指示生产线振动器中的疲劳或磨损故障模式的数据，诸如湿度渗透、污染、微观点蚀、宏观点蚀、齿轮齿磨损、齿断裂、层裂、微振磨损、壳芯分离、塑性变形、划伤、抛光、粘合、磨损、亚壳疲劳、生锈、侵蚀、放电、气蚀、腐蚀以及开裂。
在实施例中，分析包括检测接收数据中的异常。在实施例中，数据过滤器电路执行存储程序以创建信息的摘要。在实施例中，该系统在用户可配置时间段之后丢弃以信息摘要为基础的数据。
在实施例中，分析包括确定要存储哪些数据，确定要传输哪些数据，确定要汇总哪些数据，确定要丢弃哪些数据，或者确定接收数据的准确性。
在实施例中，该系统用于与多个其它类似配置的系统进行通信，并且当系统使用的存储量超过阈值时存储信息。
在实施例中，该系统用于使用虚拟机执行经由网络通信接口接收的指令。
在实施例中，该系统进一步包括数字签名的代码执行环境以用于解密和运行它经由网络接口接收的指令。
在实施例中，该系统进一步包括多个不同的加密保护的内存段。
在实施例中，至少一个内存段可用于经由公钥-私钥管理系统与存储数据进行公共交互。
在实施例中，该系统进一步包括调节电路，该调节电路用于将信号转换为适合于输入到模数转换器的形式。
在实施例中，用于在工业环境中进行数据收集具有用于捕获和分析工业过程中的数据的自足数据采集盒的系统包括用于分析多个传感器输入的数据电路、用于向外部系统发送和接收与传感器输入有关的信息的网络控制电路，以及存储设备，其中该数据电路连续地监测传感器输入并且将它们存储在嵌入式数据立方体中，并且其中该数据采集盒基于对历史数据的统计分析来动态地确定要发送什么信息。
在实施例中，该系统进一步包括多个网络通信接口。在实施例中，该网络控制电路使用多个网络通信接口将另一个类似配置的系统从一个网络桥接到另一个网络。在实施例中，该分析进一步包括检测信息中的异常。在实施例中，数据电路执行存储程序以创建信息的摘要。在实施例中，数据电路同时向一个客户端供应摘要数据并向另一个客户端供应非摘要数据。在实施例中，数据电路存储历史异常的摘要并且丢弃信息的至少一部分。在实施例中，数据电路实时提供对嵌入式数据立方体的客户端查询接入。在实施例中，数据电路以SQL查询的形式支持客户端请求。在实施例中，数据电路以OLAP查询的形式支持客户端请求。在实施例中，该系统进一步包括调节电路，该调节电路用于将信号转换为适合于输入到模数转换器的形式。
在实施例中，用于在工业环境中进行数据收集具有用于捕获和分析工业过程中的数据的自足数据采集盒的系统包括用于分析多个传感器输入的数据电路，以及用于向外部系统发送和接收与传感器输入有关的信息的网络控制电路，该系统用于向多个其它类似配置的系统提供传感器数据，并且该系统基于其它类似配置的系统的可用性来动态地重新配置它发送数据的位置以及以及它发送数据的数量。
在实施例中，该系统进一步包括多个网络通信接口。在实施例中，该网络控制电路使用多个网络通信接口将另一个类似配置的系统从一个网络桥接到另一个网络。在实施例中，动态重新配置是基于通过一个或多个网络通信接口接收的请求。在实施例中，动态重新配置是基于远程用户做出的请求。在实施例中，动态重新配置基于对由数据采集盒获取的数据类型的分析。在实施例中，动态重新配置是基于该系统和一个类似配置的系统中的至少一个的运行参数。在实施例中，网络控制电路以数据包发送传感器数据，该数据包被设计为由其它类似配置的系统存储和转发。在实施例中，当在系统中检测到故障时，网络控制电路将其存储的信息的至少一部分转发到另一个类似配置的系统。在实施例中，网络控制电路基于信息请求的源来确定如何通过所连接的类似配置的系统的网络来路由信息。在实施例中，网络控制电路基于请求信息的频率来决定如何在类似配置的系统的网络中路由数据。在实施例中，网络控制电路基于在给定时间段内请求了多少数据，决定如何在类似配置的系统的网络中路由数据。在实施例中，网络控制电路使用诸如多跳、网状、串行、并行、环、实时和中心辐射式等相互通信协议来实施类似配置的系统的网络。在实施例中，在可配置的时间段之后，该系统仅存储信息的摘要并丢弃基础信息。在实施例中，该系统进一步包括调节电路，该调节电路用于将信号转换为适合于输入到模数转换器的形式。
在实施例中，用于在工业环境中进行数据收集具有用于捕获和分析工业过程中的数据的自足数据采集盒的系统包括用于分析多个传感器输入的数据电路、用于向外部系统发送和接收与传感器输入有关的信息的网络控制电路，其中该系统向一个或多个类似配置的系统提供传感器数据，并且其中该数据电路基于有多少其它设备请求该信息来动态地重新配置其发送数据的路由。
在实施例中，该系统进一步包括多个网络通信接口。在实施例中，该网络控制电路使用多个网络通信接口将另一个类似配置的系统从一个网络桥接到另一个网络。在实施例中，网络控制电路使用诸如多跳、网状、串行、并行、环、实时和中心辐射式等相互通信协议来实施类似配置的系统的网络。在实施例中，该系统连续地将其信息的单个副本提供给另一个类似配置的系统，并且将其信息的请求者引导到另一个类似配置的系统。在实施例中，另一个类似配置的系统具有与系统不同的运行特性。在实施例中，不同的运行特性可以是功率、存储、网络连接、接近度、可靠性、占空比。在实施例中，在可配置的时间段之后，该系统仅存储信息的摘要并丢弃基础信息。
在实施例中，用于在工业环境中进行数据收集具有用于捕获和分析工业过程中的数据的自足数据采集盒的系统包括用于分析多个传感器输入的数据电路、用于向外部系统发送和接收与传感器输入有关的信息的网络控制电路，其中该系统向一个或多个类似配置的系统提供传感器数据，并且其中该数据电路动态地指定能够提供传感器数据以替换该系统的类似配置的系统。
在实施例中，通过检测系统故障模式来触发该指定。在实施例中，当该系统不能供应所请求的信号时，它指定另一个类似配置的系统以向请求者供应相似但不相同的信息。在实施例中，该系统向请求者指示新信号与原始信号不同。在实施例中，网络控制电路使用诸如多跳、网状、串行、并行、环、实时和中心辐射式等相互通信协议来实施类似配置的系统的网络。在实施例中，在可配置的时间段之后，该系统仅存储信息的摘要并丢弃基础信息。在实施例中，网络控制电路将系统自布置到具有一个或多个类似配置的系统的冗余存储网络中。在实施例中，网络控制电路将系统自布置到具有一个或多个类似配置的系统的容错存储网络中。在实施例中，网络控制电路将系统自布置到具有一个或多个类似配置的系统的分层存储网络中。在实施例中，网络控制电路将系统自布置成分层数据传输配置中以便减少上游流量。在实施例中，网络控制电路将系统自布置成具有多个冗余数据路径的矩阵化网络配置以便提高信息传输的可靠性。在实施例中，网络控制电路将系统自布置成具有多个冗余数据路径的矩阵化网络配置以便提高信息传输的可靠性。在实施例中，该系统在上游网络连接不可用时累积从其它类似配置的系统接收的数据，然后一旦恢复上游网络连接就发送所有累积的数据。在实施例中，累积的数据被提交给远程数据库。在实施例中，该系统将其位置重新布置在具有其它类似配置的系统的网状网络拓扑中以便最小化它必须从其它系统中继的数据量。在实施例中，该系统将其位置重新布置在具有其它类似配置的系统的网状网络拓扑中以便最小化它必须通过其它系统发送的数据量。
在实施例中，用于在工业环境中进行数据收集具有用于捕获和分析工业过程中的数据的自足数据采集盒的系统包括用于分析多个传感器输入的数据电路、用于向外部系统发送和接收与传感器输入有关的信息的网络控制电路，其中该系统向一个或多个类似配置的系统提供传感器数据，并且其中该系统和一个或多个类似配置的系统被布置为合并的虚拟信息提供者。
在实施例中，该系统和每个类似配置的系统复用它们的信息。在实施例中，该系统和每个类似配置的系统向请求者提供单个统一信息源。在实施例中，该系统和每个类似配置的系统进一步包括在系统之间组合数据的智能代理电路。在实施例中，该系统和每个类似配置的系统进一步包括基于机器学习算法选择要收集或存储的数据的智能代理电路。在实施例中，机器学习算法进一步包括将由外部系统使用的哪些数据作为输入的反馈功能。在实施例中，机器学习算法进一步包括控制功能，其基于对数据随时间变化的请求的分析来调整精度、捕获频率或存储的信息。在实施例中，机器学习算法进一步包括基于对随时间变化的信息请求的分析来调整哪些传感器数据被捕获的反馈功能。在实施例中，机器学习算法进一步包括基于历史信息使用来调整哪些传感器数据被捕获的反馈功能。在实施例中，机器学习算法进一步包括基于哪些信息最指示故障模式来调整哪些传感器数据被捕获的反馈功能。在实施例中，机器学习算法进一步包括基于与故障模式一致的检测到的信息组合来调整哪些传感器数据被捕获的反馈功能。在实施例中，网络控制电路使用诸如多跳、网状、串行、并行、环、实时和中心辐射式等相互通信协议来实施类似配置的系统的网络。在实施例中，网络控制电路使用诸如多跳、网状、串行、并行、环、实时和中心辐射式等相互通信协议来将该系统自布置成具有类似配置的系统的网络通信。在实施例中，在可配置的时间段之后，该系统仅存储信息的摘要并丢弃基础信息。
一种用于工业环境中的数据收集具有用于捕获和分析工业环境中的数据的自足数据采集盒的系统，包括：用于分析多个传感器输入的数据电路；网络通信接口；用于向外部系统发送和接收与传感器输入有关的信息的网络控制电路；以及数据滤波器电路，该数据滤波器电路用于基于通过网络通信接口接收的指令来动态地调整发送信息的哪部分。
其中数据电路用于分析指示滚子轴承组件中的疲劳或磨损故障模式的数据，该疲劳或磨损故障模式选自由以下项组成的组：生锈、微观点蚀、宏观点蚀、齿轮齿断裂、微振磨损、壳芯分离、塑性变形、划伤、抛光、粘合、磨损、亚壳疲劳、侵蚀、腐蚀、放电、气蚀、开裂、划痕、轮廓点蚀以及剥落。
其中数据电路用于分析指示齿轮箱中的疲劳或磨损故障模式的数据，该疲劳或磨损故障模式选自由以下项组成的组：微观点蚀、宏观点蚀、齿轮齿磨损、齿断裂、层裂、微振磨损、壳芯分离、塑性变形、划伤、抛光、粘合、磨损、亚壳疲劳、侵蚀、放电、气蚀、生锈、腐蚀以及开裂。
其中数据电路用于分析指示液压泵中的疲劳或磨损故障模式的数据，该疲劳或磨损故障模式选自由以下项组成的组：流体通气、过热、过压、润滑膜损失、减压、轴故障、真空密封故障、大颗粒污染、小颗粒污染、生锈、腐蚀、气蚀、轴磨损、咬合、衬套磨损、通道密封损失以及内爆。
其中数据电路用于分析指示发动机中的疲劳或磨损故障模式的数据，该疲劳或磨损故障模式选自由以下项组成的组：不平衡、垫圈故障、凸轮轴、弹簧断裂、阀断裂、阀划伤、阀泄漏、离合器滑移、齿轮干涉、皮带滑移、皮带齿断裂、皮带断裂、齿轮齿故障、油封故障、后冷却器、中冷器或散热器故障、杆故障、传感器故障、曲轴故障、轴承咬合、低转速过载、起动、全停、高转速、超速、活塞分裂、冲击过载、转矩过载、表面疲劳、临界速度故障、焊接故障和材料故障，材料故障包括微观点蚀、宏观点蚀、齿轮齿断裂、微振磨损、壳芯分离、塑性变形、划伤、抛光、粘合、磨损、亚壳疲劳、生锈、腐蚀、侵蚀、放电、气蚀、开裂、划痕、轮廓点蚀、剥落。
其中数据电路用于分析指示车辆底盘、车身或车架中的疲劳或磨损故障模式的数据，该疲劳或磨损故障模式选自由以下项组成的组：不平衡、垫圈故障、弹簧断裂、润滑剂密封故障、传感器故障、轴承咬合、冲击过载、表面疲劳、焊接故障、弹簧故障、支柱故障、控制臂故障、主销故障、拉杆和端部故障、小齿轮轴承故障、小齿轮故障以及材料故障，材料故障包括微观点蚀、宏观点蚀、微振磨损、生锈、腐蚀、侵蚀、放电、空化、开裂、划痕、轮廓点蚀、剥落。
其中，数据电路用于分析指示动力系、螺旋桨轴、驱动轴、最终传动或车轮端中的疲劳或磨损故障模式的数据，该疲劳或磨损故障模式选自由以下项组成的组：不平衡、垫圈故障、凸轮轴故障、齿轮箱故障、弹簧断裂、阀断裂、阀划伤、皮带齿断裂、皮带断裂、齿轮齿故障、油封故障、杆故障、传感器故障、曲轴故障、轴承咬合、低RPM过载、起动、全停、高RPM、超速、活塞分裂、冲击过载、转矩过载、表面疲劳、临界速度故障、轭损坏、焊接故障、u形接头故障、CV接头故障、差速器故障、半轴故障、弹簧故障、支柱故障、控制臂故障、主销故障、拉杆和端部故障、小齿轮轴承故障、环形齿轮故障、小齿轮故障、星形齿轮故障、车轮轴承故障以及材料故障，材料故障包括微观点蚀、宏观点蚀、齿轮齿断裂、微振磨损、加壳芯分离、塑性变形、划伤、抛光、粘合、磨损、亚壳疲劳、生锈、腐蚀、侵蚀、放电、气蚀、开裂、划痕、轮廓点蚀以及剥落。
其中，传感器输入选自由以下项组成的组：滚子轴承传感器、变形传感器、相机、紫外线传感器、红外传感器、音频传感器、振动传感器、粘度传感器、化学传感器、污染物传感器、颗粒传感器、重量传感器、旋转传感器、温度传感器、位置传感器、超声波传感器、固体化学传感器、pH传感器、流体化学传感器、润滑剂传感器、辐射传感器、x射线照相、伽马射线照相、扫描隧道显微镜、光子隧道显微镜、扫描探针显微镜、激光位移计、磁粉探测仪、紫外线粒子检测器、负荷传感器、静负荷传感器、轴向负荷传感器、加速度计、速度传感器、旋转传感器、湿度、湿度、电流表、电压表、磁通计以及电场检测器、齿轮箱传感器、齿轮磨损传感器、“齿轮衰减”传感器、旋转传感器、变速箱输入传感器、变速箱输出传感器、歧管气流传感器(确定发动机负载，从而影响变速箱)、发动机负荷传感器、节气门位置传感器、冷却剂温度传感器、速度传感器、制动传感器、流体温度传感器、工具负荷传感器、轴承传感器、静止计数器、液压泵传感器、氧传感器、气体传感器、油传感器、化学分析、压力检测器、真空检测器、密度计、转矩传感器、发动机传感器、排气传感器、废气传感器、曲轴位置传感器、凸轮轴位置传感器、电容式压力传感器、压阻式传感器、无线传感器、无线压力传感器、化学传感器、氧传感器、燃料传感器、陀螺仪传感器、机械位置传感器、加速度计、微机电传感器、数字传感器、质量空气流量传感器、歧管绝对压力传感器、节气门控制传感器、喷射器传感器、NOx传感器、可变阀正时传感器、油箱压力传感器、燃料液位传感器、燃料流量传感器、流体流量传感器、阻尼传感器、转矩传感器、颗粒传感器、空气流量计、空气温度传感器、冷却剂温度传感器、缸内压力传感器、发动机转速传感器、爆震传感器、驱动轴传感器、角度传感器、横向振动传感器、扭振传感器、临界速度振动传感器、动力系传感器、发动机传感器：功率传感器、油压、油温度、油粘度、油流量传感器、负荷传感器(结构分析)、振动传感器、频率传感器、音频传感器、分动箱传感器、差速器传感器、轮胎压力表、轮胎损坏表、轮胎振动传感器、轮毂和轮辋完整性传感器、气体泄漏传感器、流体泄漏传感器以及润滑剂泄漏传感器。
其中传感器输入另外包括麦克风或振动传感器、其用于检测可移动或旋转部件中的振动或声频状况，其选自由以下项组成的列表：呼呼、啸叫、咆哮、呜呜、隆隆声、咕噜声、嘎嘎声、车轮跳动以及颤动。
其中数据电路用于分析指示生产线齿轮箱中的疲劳或磨损故障模式的数据，该疲劳或磨损故障模式选自由以下项组成的组：微观点蚀、宏观点蚀、齿轮齿磨损、齿断裂、层裂、微振磨损、壳芯分离、塑性变形、划伤、抛光、粘合、磨损、亚壳疲劳、侵蚀、放电、气蚀、腐蚀以及开裂。
其中数据电路用于分析指示生产线振动器中的疲劳或磨损故障模式的数据，该疲劳或磨损故障模式选自由以下项组成的组：湿气渗透、污染、微观点蚀、宏观点蚀、齿轮齿磨损、齿断裂、层裂、微振磨损、壳芯分离、塑性变形、划伤、抛光、粘合、磨损、亚壳疲劳、生锈、侵蚀、放电、气蚀、腐蚀以及开裂。
其中分析进一步包括检测接收数据中的异常。
其中数据过滤器电路执行存储程序以创建信息的摘要。
其中该系统在用户可配置时间段之后丢弃以信息摘要为基础的数据。
其中分析进一步包括确定要存储什么数据，确定要传输什么数据，确定要汇总什么数据，确定要丢弃哪些数据，或者确定接收数据的准确性。
其中该系统用于与多个其它类似配置的系统进行通信，并且当系统使用的存储量超过阈值时存储信息。
其中该系统用于使用虚拟机执行经由网络通信接口接收的指令。
其中该系统进一步包括数字签名的代码执行环境以用于解密和运行它经由网络接口接收的指令。
其中该系统进一步包括多个不同的加密保护的内存段。
其中至少一个内存段可用于经由公钥-私钥管理系统与存储数据进行公共交互。
其中，该系统还包括调节电路，该调节电路用于将信号转换为适合于输入到模数转换器的形式。
一种用于工业环境中的数据收集系统，具有用于捕获和分析工业过程中的数据的自足数据采集盒，该系统包括：
数据电路，用于分析多个传感器输入；
网络控制电路，用于向外部系统发送和接收与传感器输入有关的信息；
存储设备；
其中数据电路持续地监测传感器输入并将其存储在嵌入式数据立方体中；并且
其中数据采集盒基于对历史数据的统计分析来动态确定哪些信息要发送。
其中该系统进一步包括多个网络通信接口。
其中该网络控制电路使用多个网络通信接口将另一个类似配置的系统从一个网络桥接到另一个网络。
其中该分析进一步包括检测信息中的异常。
其中数据电路执行存储程序以创建信息的摘要。
其中数据电路同时向一个客户端供应摘要数据并向另一个客户端供应非摘要数据。
其中数据电路存储历史异常的摘要并且丢弃信息的至少一部分。
其中数据电路实时提供对嵌入式数据立方体的客户端查询接入。
其中数据电路以SQL查询的形式支持客户端请求。
其中，数据电路以OLAP查询的形式支持客户端请求。
其中，该系统还包括调节电路，该调节电路用于将信号转换为适合于输入到模数转换器的形式。
一种用于工业环境中的数据收集系统，具有用于捕获和分析工业过程中的数据的自足数据采集盒，该系统包括：
数据电路，用于分析多个传感器输入；
网络控制电路，用于向外部系统发送和接收与传感器输入有关的信息；
其中该系统用于向多个其它类似配置的系统提供传感器数据；并且
其中该系统基于其它类似配置的系统的可用性来动态地重新配置其发送数据的位置以及其发送数据的量。
其中该系统进一步包括多个网络通信接口。
其中该网络控制电路使用多个网络通信接口将另一个类似配置的系统从一个网络桥接到另一个网络。
其中动态重新配置是基于通过一个或多个网络通信接口接收的请求。
其中动态重新配置是基于远程用户做出的请求。
其中动态重新配置基于对由数据采集盒获取的数据类型的分析。
其中动态重新配置是基于该系统和一个类似配置的系统中的至少一个的运行参数。
其中网络控制电路以数据包发送传感器数据，该数据包被设计为由其它类似配置的系统存储和转发。
其中当在系统中检测到故障时，网络控制电路将其存储的信息的至少一部分转发到另一个类似配置的系统。
其中网络控制电路基于信息请求的源来确定如何通过所连接的类似配置的系统的网络来路由信息。
其中网络控制电路基于请求信息的频率来决定如何在类似配置的系统的网络中路由数据。
其中基于在给定时间段内请求了多少数据，决定如何在类似配置的系统的网络中路由数据。
其中网络控制电路使用选自由以下项组成的列表的相互通信协议来实施类似配置的系统的网络：多跳、网状、串行、并行、环、实时和中心辐射式。
其中在可配置的时间段之后，该系统仅存储信息的摘要并丢弃基础信息。
其中，该系统还包括调节电路，该调节电路用于将信号转换为适合于输入到模数转换器的形式。
一种用于工业环境中的数据收集系统，具有用于捕获和分析工业过程中的数据的自足数据采集盒，该系统包括：
数据电路，用于分析多个传感器输入；
网络控制电路，用于向外部系统发送和接收与传感器输入有关的信息；
其中该系统向一个或多个类似配置的系统提供传感器数据；
其中数据电路基于有多少其它设备请求该信息来动态地重新配置它发送数据的路由。
其中该系统进一步包括多个网络通信接口。
其中该网络控制电路使用多个网络通信接口将另一个类似配置的系统从一个网络桥接到另一个网络。
其中网络控制电路使用选自由以下项组成的列表的相互通信协议来实施类似配置的系统的网络：多跳、网状、串行、并行、环、实时和中心辐射式。
其中该系统连续地将其信息的单个副本提供给另一个类似配置的系统，并且将其信息的请求者引导到另一个类似配置的系统。
其中另一个类似配置的系统具有与系统不同的运行特性。
其中不同的运行特性选自由以下项组成的列表：功率、存储、网络连接、接近度、可靠性和占空比。
其中在可配置的时间段之后，该系统仅存储信息的摘要并丢弃基础信息。
一种用于工业环境中的数据收集系统，具有用于捕获和分析工业过程中的数据的自足数据采集盒，该系统包括：
数据电路，用于分析多个传感器输入；
网络控制电路，用于向外部系统发送和接收与传感器输入有关的信息；
其中该系统向一个或多个类似配置的系统提供传感器数据；并且
其中数据电路动态地指定能够提供传感器数据以替换该系统的类似配置的系统。
其中通过检测系统故障模式来触发该指定。
其中当该系统不能供应所请求的信号时，它指定另一个类似配置的系统以向请求者供应相似但不相同的信息。
其中该系统向请求者指示新信号与原始信号不同。
其中网络控制电路使用选自由以下项组成的列表的相互通信协议来实施类似配置的系统的网络：多跳、网状、串行、并行、环、实时和中心辐射式。
其中在可配置的时间段之后，该系统仅存储信息的摘要并丢弃基础信息。
其中网络控制电路将系统自布置到具有一个或多个类似配置的系统的冗余存储网络中。
其中网络控制电路将系统自布置到具有一个或多个类似配置的系统的容错存储网络中。
其中网络控制电路将系统自布置到具有一个或多个类似配置的系统的分层存储网络中。
其中网络控制电路将系统自布置成分层数据传输配置中以便减少上游流量。
其中网络控制电路将系统自布置成具有多个冗余数据路径的矩阵化网络配置以便提高信息传输的可靠性。
其中网络控制电路将系统自布置成具有多个冗余数据路径的矩阵化网络配置以便提高信息传输的可靠性。
其中该系统在上游网络连接不可用时累积从其它类似配置的系统接收的数据，然后一旦恢复上游网络连接就发送所有累积的数据。
其中累积的数据被提交给远程数据库。
其中该系统将其位置重新布置在具有其它类似配置的系统的网状网络拓扑中以便最小化它必须从其它系统中继的数据量。
其中该系统将其位置重新布置在具有其它类似配置的系统的网状网络拓扑中以便最小化它必须通过其它系统发送的数据量。
一种用于工业环境中的数据收集系统，具有用于捕获和分析工业过程中的数据的自足数据采集盒，该系统包括：
数据电路，用于分析多个传感器输入；
网络控制电路，用于向外部系统发送和接收与传感器输入有关的信息；
其中该系统向一个或多个类似配置的系统提供传感器数据；并且
其中该系统和一个或多个类似配置的系统被布置为合并的虚拟信息提供者。
其中该系统和每个类似配置的系统复用它们的信息。
其中该系统和每个类似配置的系统向请求者提供单个统一信息源。
其中该系统和每个类似配置的系统进一步包括在系统之间组合数据的智能代理电路。
其中该系统和每个类似配置的系统进一步包括基于机器学习算法选择哪些数据要收集或存储的智能代理电路。
其中机器学习算法进一步包括将由外部系统使用的数据作为输入的反馈功能。
其中机器学习算法进一步包括控制功能，其基于对数据随时间变化的请求的分析来调整精度、捕获频率或存储信息。
其中机器学习算法进一步包括基于对随时间变化的信息请求的分析来调整哪些传感器数据被捕获的反馈功能。
其中机器学习算法进一步包括基于历史信息使用来调整哪些传感器数据被捕获的反馈功能。
其中机器学习算法进一步包括基于哪些信息最指示故障模式来调整哪些传感器数据被捕获的反馈功能。
其中机器学习算法进一步包括基于与故障模式一致的检测到的信息组合来调整哪些传感器数据被捕获的反馈功能。
其中网络控制电路使用选自由以下项组成的列表的相互通信协议来实施类似配置的系统的网络：多跳、网状、串行、并行、环、实时和中心辐射式。
其中网络控制电路使用选自由以下项组成的列表的相互通信协议来将该系统自布置成具有类似配置的系统的网络配置：多跳、网状、串行、并行、环、实时和中心辐射式。
其中在可配置的时间段之后，该系统仅存储信息的摘要并丢弃基础信息。
本文公开了用于在具有自组织功能的工业环境中进行数据收集的方法和系统。这样的数据收集系统和方法可以诸如通过一个或多个数据收集器(诸如在整个本公开中描述的任何广泛的数据收集器实施例)、中央总部或计算系统等促进对数据的智能、情境、上下文感知收集、汇总、存储、处理、传输和/或组织。工业环境中的数据收集的所描述的自组织功能可以改进这种数据收集的各种参数，以及取决于数据收集的程序、应用程序和产品的参数，诸如数据质量参数、一致性参数、效率参数、综合参数、可靠性参数、有效性参数、存储利用率参数、产量参数(包括财务收益率、输出产量以及不利事件减少)、能耗参数、带宽利用率参数、输入/输出速度参数、冗余参数、安全性参数、安全参数、干扰参数、信噪比参数、统计相关性参数等。自组织功能可以跨一个或多个这样的参数进行优化，诸如基于参数值的加权进行优化；例如，可以管理数据收集器的集群(或管理自身)以便为关键数据提供给定水平的冗余，同时不会超过指定水平的能量使用率，例如，每个数据收集器或每一组数据收集器或整个数据收集器集群。这可以包括使用贯穿本公开描述的各种优化技术以及通过引用并入本文的文档。
在实施例中，在工业环境中用于数据收集的这种方法和系统可以包括一个或多个数据收集器，例如被布置在数据收集器的协作组或“集群”中，这些数据收集器结合与计算系统进行通信的数据池来收集和组织数据，以及支持技术部件、服务、程序、模块、应用程序和接口以用于管理数据收集(在一些情况下统称为数据收集系统12004)。这些部件的示例包括但不限于基于模型的专家系统、基于规则的专家系统、使用人工智能的专家系统(诸如机器学习系统，其可以包括神经网络专家系统、自组织地图系统、人监督机器学习系统、状态确定系统、分类系统或其它人工智能系统)，或任何上述系统的各种混合或组合。除非上下文另有指示，否则对自组织方法或系统的引用应当被理解为包含任何一个前述或合适的组合的利用。
本公开的数据收集系统和方法可以与各种类型的数据一起使用，该数据包括但不限于振动数据、噪声数据以及在整个本公开中描述的类型的其它传感器数据。这种数据收集可以用于事件检测、状态检测等，并且这种事件检测、状态检测等可以用于自组织数据收集系统和方法，如本文进一步讨论的。自组织功能可以包括单独地或成组地管理数据收集器，其中这样的功能旨在支持所识别的应用程序、程序或工作流，诸如确认一个或多个目的、目标、规则、政策或指南的进展或与一个或多个目的、目标、规则、政策或指南的一致性。自组织功能还可以涉及管理不同的目标/指南，或引导数据收集器基于其它数据的收集(诸如基于涉及未知变量的系统的行为的模型)来确定该变量、在可用输入中选择优选的传感器输入(包括指定输入的组合、融合或复用)，和/或在可用数据收集器中指定特定的数据收集器。
数据收集器可以包括任何数量的项目，诸如如本文中描述的传感器、输入通道、数据位置、数据流、数据协议、数据提取技术、数据变换技术、数据加载技术、数据类型、采样频率、传感器放置、静态数据点、元数据、数据融合、数据复用、自组织技术等。数据收集器设置可以诸如通过指定定义数据收集器的参数来描述数据收集器的配置和组成。例如，数据收集器设置可以包括要测量的一个或多个频率。频率数据可以进一步包括一组频谱峰值、真实峰值电平、从时间波形导出的波峰因数以及从振动包络导出的整体波形以及贯穿本公开描述的其它信号特性中的至少一个。数据收集器可以包括测量关于一个或多个波长、一个或多个光谱的数据和/或来自各种传感器和元数据的一种或多种类型的数据的传感器。数据收集器可以包括诸如在本公开和通过引用结合到本文的文件中描述的一种或多种传感器或各种类型的传感器。实际上，本文描述的传感器可以用于贯穿本公开描述的任何方法或系统中。例如，一个传感器可以是加速度计，诸如测量每G加速度的电压的加速度计(例如，100mV/G、500mV/G、1V/G、5V/G、10V/G)。在实施例中，数据收集器可以基于优化传感器的响应性来改变数据收集器中使用的多个传感器的子集的构成，诸如(例如)选择更适合于测量低速齿轮系统或钻井/钻孔设备的加速度的加速度计与更适合于测量发电环境中高速涡轮机的加速度的一个加速度计。选择可以诸如例如使用接近度探针和被设置在特定目标(例如，齿轮系统、钻头或涡轮)上的多个加速度计智能地完成，其中在低速时，一个加速度计用于在数据收集器中测量，而另一个加速度计是在高速下使用。加速度计有各种类型，诸如压电晶体、低频(例如，10V/G)、高速压缩机(10MV/G)、MEMS等。在另一个示例中，一个传感器可以是可用于套筒或倾斜垫轴承(例如，油浴)的接近度探针，或者速度探针。在又一示例中，一个传感器可以是固态中继器(SSR)，其用于自动地与另一个路由数据收集器(诸如移动或便携式数据收集器)对接以获得或传递数据。在另一个示例中，诸如通过将适当的加速度计带到诸如在机器的部件上或附近的感测点，可以路由数据收集器以改变多个可用传感器的构成。在又一个示例中，一个传感器可以是三轴探针(例如，100MV/G三轴探针)，其在实施例中用于便携式数据收集。在三轴探针的一些实施例中，探针的一个轴上的垂直元件可以具有高频响应，而水平安装的元件可以影响限制整个三轴的频率响应。在另一个示例中，一个传感器可以是温度传感器并且可以包括具有内置的温度传感器的探针，例如用于获得轴承温度。在再一个示例中，传感器可以是超声传感器、麦克风传感器、触控传感器、电容传感器、振动传感器、声学传感器、压力传感器、应变仪、热成像传感器(例如，相机)、成像传感器(例如，相机、激光、IR和结构光)、场检测器、用于测量AC电磁场的EMF仪、高斯计、运动检测器、化学检测器、气体检测器、CBRNE检测器、振动感测器、磁力计、位置传感器、基于位置的传感器、速度传感器、位移传感器、转速计、流量传感器、液位传感器、接近传感器、pH传感器、湿度计/湿度传感器、密度传感器、风速计、粘度计或任何模拟工业传感器和/或数字工业传感器。在又一个示例中，传感器可以旨在检测或测量环境噪声，例如声音传感器或麦克风、超声传感器、声波传感器以及光学振动传感器(例如，使用相机来观察产生噪声的振荡)。在又一个示例中，一个传感器可以是运动检测器。
数据收集器可以具有或可以用于包含特定传感器、特定的多组传感器的一个或多个频率、波长或频谱，或来自多个传感器的组合信号(诸如涉及复用或传感器融合)。数据收集器可以具有或可以用于包含来自一件或多件设备/部件、装置区域、装置的不同但互连的区域(例如，机器装配线和用于为线路供电的锅炉房)或位置(例如，一个地理位置的建筑物和单独的不同地理位置的建筑物)的一个或多个传感器或传感器数据(包括多组传感器和组合信号)。数据收集器设置、配置、指令或规范(本文统称为使用这些术语中的任何一个)可以包括放置传感器的位置、对数据点采样的频率、进行采样的间隔(例如，每几分之一秒的采样点数)、一组冗余传感器中要采样的传感器、冗余传感器的平均采样协议，以及将会影响数据采集的任何其它方面。
在数据收集系统12004内，自组织功能可以通过神经网络、基于模型的系统、基于规则的系统、机器学习系统和/或任何这些系统的混合来实施。另外，自组织功能可以全部或部分地由单独的数据收集器、数据收集器的集合或群组、基于网络的计算系统、包括一个或多个计算设备的本地计算系统、包括一个或多个计算设备的远程计算系统以及这些部件中的一个或多个的组合来执行。可以针对特定目标或结果来优化自组织功能，诸如预测和管理设备、一件设备、部件或设备的系统或部件的性能、健康状况或其它特性。基于对传感器数据的连续或周期性分析，当识别模式/趋势，或者出现异常值，或者一组传感器读数开始改变等时，自组织功能可以智能地修改数据集合，如本文所述。这可以通过触发反映模型的规则或理解系统行为(例如，识别随着轴的速度增加而需要不同传感器的运行模式的变化)来触发，或者其可以在神经网络的控制下发生(或者结合基于规则的方法或单独使用)，其中提供输入使得神经网络随时间学习基于关于成功结果的反馈来选择适当的收集模式(例如，系统状态的成功分类、成功的预测、相对于度量的成功运行)。在许多示例中，当为新产品重新配置装配线或者在制造工厂中安装新装配线时，来自当前数据收集器的数据可能无法准确地预测系统的运行状态或度量，因此，自组织功能可以开始迭代以确定新的数据收集器、感测数据的类型、感测数据的格式等在预测状态或度量方面是否更好。基于诸如来自库或其它数据结构的偏置系统数据，首先可以在系统中使用某些传感器、频带或其它数据收集器，并且可以收集数据以评估性能。随着自组织功能的迭代，可以接入其它传感器/频带以确定它们在识别性能度量中的相对权重。随着时间变化，可以识别新的频带(或新的传感器集合、用于传感器的新的配置集合等)作为系统中更好或更合适的性能指标，并且自组织功能可以基于该迭代来修改它的数据收集器。在许多示例中，能量提取环境中的较旧的镗孔工具可能会阻尼一个或多个振动频率，而不同的频率与在当前系统中得到的振幅相比具有较高的振幅并且存在于最佳性能期间。在该示例中，自组织功能可以例如通过数据收集系统将数据收集器从最初提出的数据收集器改变，以捕获当前系统中存在的较高振幅的频率。
在涉及神经网络或其它机器学习系统的实施例中，自组织功能可以被植入并且可以例如基于诸如本文所述的反馈和运行参数进行迭代。某些反馈可以包括利用率度量、效率度量(例如，功率或能源利用率，存储使用量、带宽使用量、易腐材料的输入/输出使用的使用量、燃料使用率和/或财务效率，诸如成本减少等财务)、预测或预测状态的成功度量(例如，避免和缓解故障)、生产率度量(例如，工作流程)、产量度量以及利润度量。某些参数可以包括存储参数(例如，数据存储、燃料存储、库存存储)、网络参数(例如，网络带宽、输入/输出速度、网络利用率、网络成本、网络速度、网络可用性)、传输参数(例如，数据传输质量、数据传输速度、传输误码率、传输成本)、安全参数(例如，暴露事件的数量和/或类型、攻击漏洞、数据丢失、数据泄露、接入参数)、位置和定位参数(例如，数据收集器的位置、工人的位置、机器和设备的位置、库存单元的位置、部件和材料的位置、网络接入点的位置、入口和出口点的位置、着陆位置的位置、传感器组的位置、网络基础设施的位置、电源的位置)、输入选择参数、数据组合参数(例如，用于复用、提取、转变、加载)、功率参数(例如，单个数据收集器、多组数据收集器或所有可能可用的数据收集器的功率参数)、状态(例如，运行模式、可用性状态、环境状态、故障模式、健康状态)、维护模式、预期状态)、事件以及设备规格。关于状态，运行模式可以包括移动模式(方向、速度、加速度等)、移动模式的类型(例如，滚动、飞行、滑动、悬浮、悬停、浮动)、性能模式(例如，齿轮、转速、热量水平、装配线速度、电压电平、频率水平)、输出模式、燃料转换模式、资源消耗模式以及财务绩效模式(例如，收益率、收益性)。可用性状态可以指可能会导致机器离线或需要备份的预期状况。环境状态可能是指环境温度、环境湿度/湿度、环境压力、环境风/流体流量、污染或污染物的存在、干扰元素的存在(例如，电噪声、振动)、功率可用性以及功率质量等其它参数。预期状态可以包括实现或不实现期望目标，诸如指定/阈值输出生产率、指定/阈值产生率、运行效率/故障率、财务效率/利润目标、功率效率/资源利用率、避免故障状况(故障状况例如，过热、性能缓慢、速度过快、过度运动、过度振动/振荡、过度加速、膨胀/收缩、电气故障、存储的功率/燃料耗尽、过压、过度辐射/熔化、着火、冷冻、流体流故障(例如，阀卡住、流体冷冻)、机械故障(例如，部件损坏、部件磨损、联接故障、未对准、不对称/偏转、部件损坏(例如，偏转、应变、应力、开裂)、不平衡、碰撞、元件堵塞，以及链条或皮带丢失或滑移)、避免危险状况或灾难性故障，以及可用性(在线状态))。
自组织功能可以包括在给定一组数据的情况下预测结果或状态的模型或者植入该模型，该组数据可以包括诸如经由数据收集器来自传感器的输入以及其它数据，诸如来自系统部件、来自外部系统和来自外部数据源的其它数据。例如，该模型可以是工业环境、机器或工作流程的运行模型。在另一个示例中，该模型可以用于预测状态、用于预测故障、用于优化维护、用于优化数据传输(诸如用于优化网络编码、网络条件敏感路由)、用于优化数据市场等。
基于对来自数据收集器的数据的分析，自组织功能可以导致任意数量的下游动作。在实施例中，自组织功能可以确定该系统应当在给定期望目标的情况下保持或修改运行参数、设备或神经网络模型的加权，诸如指定/阈值输出生产率、指定/阈值产生率、运行效率/故障率、财务效率/利润目标、功率效率/资源利用率、避免故障状况、避免危险状况或灾难性故障等。在实施例中，调整可以基于确定工业系统的上下文，诸如理解设备的类型、其目的、其典型运行模式、设备的功能规范、设备与环境的其它特征的关系(包括向设备提供输入或从设备获取输入的任何其它系统)、操作者(包括人和自动控制系统)的存在和作用，以及环境或环境状况。例如，为了在分布式环境(例如，配电环境)中实现利润目标，发电机或发电机系统可能需要以特定效率水平运行。自组织功能可以植入用于发电机系统的运行的模型来使得产生指定利润目标，诸如基于一天中的时间、发电机消耗的燃料的当前市场销售价格、当前需求或预期的未来需求等指示发电系统中的单独发电机的开/关状态。在获取数据和迭代时，该模型预测在给定当前数据的情况下是否将实现利润目标，并且确定所收集的数据或数据类型是否适于、适合于该模型等。基于迭代结果，可以进行推荐(或者可以自动地提供控制指令)以收集不同/附加数据，不同地组织数据，引导不同的数据收集器以收集新数据等，和/或以更高输出(但效率更低)的速率运行发电机的子集，为附加发电机供电，维持当前运行状态等。另外，当系统迭代时，可以在模型中对一个或多个附加传感器进行采样以确定它们对自组织功能的添加是否会改进预测状态或以其它方式辅助数据收集工作的目标。
在实施例中，用于在工业环境中进行数据收集的系统可以包括通信地耦合到具有一个或多个处理器的数据收集器的多个输入传感器，诸如本文所述的任何输入传感器。数据收集系统可以包括多个单独的数据收集器，其用于一起运行以确定从中处理输出数据的多个传感器的至少一个子集。数据收集系统还可以包括机器学习电路，机器学习电路用于从多个传感器的至少一个子集接收输出数据并且学习指示状态的所接收的输出数据模式。在一些实施例中，数据收集系统可以基于所学习的接收输出数据模式和状态中的一个或多个来改变多个传感器中的至少一个子集或其方面。在某些实施例中，机器学习电路植入使得其能够学习数据模式的模型。该模型可以是物理模型、运行模型、系统模型等。在其它实施例中，机器学习电路被构造成用于深度学习。在实施例中，所述输入数据被馈送至没有或最小数据填充的电路，并且机器学习数据分析电路基于输出反馈来学习。例如，制造环境中的金属加工系统可以运行以使用诸如车床、铣床、磨床、钻孔工具等机床来制造部件。这种机器可以各种速度和输出速率运行，这可能会影响机器的寿命、效率、精度等。数据收集器可以获取各种参数以评估机床的环境，例如运行速度、发热、振动以及与部件规格的一致性。该系统可以利用这样的参数并且基于这样的反馈来对预测状态、输出速率等进行迭代。另外，该系统可以自组织使得数据收集器收集可以从中进行这种预测的附加/不同数据。
数据收集系统的自组织功能中可能存在多个目标/指南的平衡。例如，修复和维护组织(RMO)可以具有被设计用于维护制造设施中的机器的运行参数，而该设施的所有者可以具有用于机器的特定运行参数，这些运行参数被设计用于满足生产目标。在该示例中，与维护目标或生产输出有关的这些目标可以由不同的数据收集器或传感器跟踪。例如，可以通过包括温度传感器、振动换能器和应变仪的传感器来跟踪对机器的维护，同时可以通过包括速度传感器和功耗计的传感器来跟踪机器的生产目标。数据收集系统可以(可选地使用神经网络、机器学习系统、深度学习系统等，其可以在一个或多个监督者(人或自动化)的监督下发生)智能地管理与不同目标一致的数据收集器并且基于诸如如下因素来分配权重、参数修改或建议：例如偏向一个目标或折衷以允许更好地与所跟踪的所有目标一致。被传递给数据收集系统的目标之间的妥协可以基于与适用目标的权限、作用、关键性等有关的一个或多个层级或规则。在实施例中，可以使用机器学习(例如神经网络、深度学习系统或如贯穿本公开中描述的其它人工智能系统)来优化目标之间的折衷。例如，在涡轮运行的发电厂中，数据收集系统可以管理多个数据收集器，诸如旨在检测涡轮的运行状态的数据收集器、旨在识别击中生产目标的概率的数据收集器，以及旨在确定涡轮的运行是否满足燃料效率目标的数据收集器。这些数据收集器中的每一个均可以填充有不同传感器或来自不同传感器(例如，用于指示运行状态的振动换能器、用于指示生产目标的流量计，以及用于指示燃料效率的燃料计)的数据，这些不同传感器的输出数据指示特定目标的方面。当单个传感器或一组传感器有助于实现一个以上的目标时，重叠的数据收集器(具有一些公共传感器和其它非公共传感器)可以从该传感器或该组传感器获取输入，如同由数据收集系统管理那样。如果数据收集受到限制(诸如由于功率限制、存储限制、带宽限制、输入/输出处理能力等)，则规则可以指示一个目标(例如，燃料利用目标或法律或法规规定的污染减少目标)优先，使得与该目标相关联的数据收集者的数据收集得以维持，而其它数据收集器的数据收集暂停或关闭。目标优先级可以分层管理，或者可以通过机器学习来进行管理。在给定数据收集系统可已获取的当前数据的情况下，在对预测状态(例如，满足目标)进行迭代时，该数据收集系统可以植入模型，或者可以根本不植入。在该示例中，在涡轮的运行期间，发电厂所有者可以决定将系统偏向燃料效率。仍然可以监测所有数据收集器，但是当自组织功能迭代并预测该系统将不会收集或不收集足以确定该系统是否满足特定目标的数据时，该数据收集系统可以推荐或实施旨在收集适当数据的变化。另外，发电厂所有者可以对系统结构调整为偏向于特定目标，使得对影响这种目标的数据收集参数的推荐变化有利于进行其它推荐的变化。
在实施例中，在植入一种以上优化满足一个以上目标的数据收集数据类型之后，数据收集系统可以继续以深度学习的方式迭代，以实现数据收集器的分布。例如，可以针对精炼环境(诸如精炼效率和经济效率)来跟踪多个目标。该精炼系统的精炼效率可以通过将投入系统的燃料(可以通过了解所使用的燃料的量和质量而获得)与来自该系统的精炼产品输出的量(使用流出系统的流量来计算)进行比较来表达。精炼系统的经济效率可以被表达为运行系统的成本(包括燃料、劳动力、材料和服务)与在一段时间内来自该系统的精炼产品输出之间的比率。用于跟踪精炼效率的数据可以包括来自流量计、质量数据点和温度计的数据，并且用于跟踪经济效率的数据可以是来自系统的产品输出流量和成本数据。这些数据可以用于数据收集系统以预测状态；然而，该系统的自组织功能可以对数据收集策略进行迭代，该策略被优化以预测与热效率和经济效率相关的状态。新数据收集方案可以包括先前在单独的数据收集器中使用的数据，而且也可以使用来自不同传感器或数据源的新数据。
在一些实施例中，数据收集系统的迭代可以由规则控制。例如，数据收集系统可以用于收集用于以预定频率植入的数据。诸如当添加新的部件/设备/燃料源时，当传感器离线时，或者作为标准实践，数据收集系统可以用于至少迭代多次。例如，当在海上钻井运行中测量钻孔工具的旋转的传感器离线并且数据收集系统开始从测量相同数据点的新传感器或数据收集器获取数据时，数据收集系统可以用于在状态被利用或允许影响任何下游动作之前迭代多次。数据收集系统可以用于离线或现场/在线训练。数据收集系统可以用于在其数据收集器中包括静态和/或手动输入数据。例如，与这种钻孔工具相关联的数据收集系统可以被构造成对基于运行持续时间预测钻孔距离进行迭代。在实施例中，数据收集器包括关于钻孔工具的速度、距离传感器、温度传感器等的数据。
在实施例中，可以否决数据收集系统。在实施例中，诸如在自组织功能故障的情况下、诸如如果收集的数据不充分或不适当地收集、如果基于模型的系统中的不确定性太高、如果系统无法解决基于规则的系统中的冲突规则，或者系统无法集中于上述任何一种解决方案，则数据收集系统可以恢复到先前的设置。例如，关于发电系统的由数据收集系统使用的传感器数据可以指示非运行状态(诸如被占用的涡轮)，但是(诸如通过无人机进行的)输出传感器和直观检查可以指示正常运行。在这种情况下，数据收集系统可以恢复到原始数据收集方案以植入自组织功能。在另一个示例中，制冷系统上的一个或多个点传感器可以指示压缩机中即将发生的故障，但是数据收集器自组织以收集与确定性能度量未识别故障相关联的数据。在这种情况下，数据收集器将恢复为原始设置或数据收集器设置的版本，该数据收集器设置的版本也将识别压缩机即将发生故障。
在实施例中，数据收集系统可以在添加新部件的情况下改变数据收集器设置，该新部件使该系统更靠近不同的系统。例如，将真空蒸馏单元添加到石油和天然气精炼厂以蒸馏萘，但是数据收集系统的当前数据收集器设置源自蒸馏出煤油的精炼厂。在该示例中，可以搜索具有用于各种系统的数据收集器设置的数据结构以寻找与当前系统更紧密匹配的系统。当新系统(诸如也蒸馏萘的系统)被识别为更紧密匹配时，新的数据收集器设置(使用哪些传感器、将它们引导到哪里、采样频率、需要什么类型的数据和点等，如本文所述)用于对数据收集系统植入以对预测系统的状态进行迭代。在实施例中，数据收集系统可以在来自第三方库的新数据集可用的情况下改变数据收集器设置。例如，发电厂可能已经优化了特定的涡轮模型以便以高效方式运行并且将数据收集器设置存放在数据结构中。可以针对新的数据收集器连续扫描数据结构，这些新的数据收集器更好地辅助监测发电并因此导致优化涡轮的运行。
在实施例中，数据收集系统可以利用自组织功能来发现未知变量。例如，数据收集系统可以迭代以识别要用于进一步迭代的丢失变量。例如，发电站的传统冷凝/补给水系统中的未充分利用的罐可以具有未知容量，这是因为其不可接近且罐上不存在文件说明。罐的各个方面可以由数据收集器集群测量以达到估计的体积(例如，进入下游空间的流量、染料追踪溶液对系统起作用的持续时间)，然后可以将其作为一个新变量馈入数据收集系统中。
在实施例中，数据收集系统节点可以在机器上，在数据收集器(或一组数据收集器)上，在网络基础设施(企业或其它网络基础设施)中，或者在云中。在实施例中，可以存在跨节点的分布式神经元(例如，机器、数据收集器、网络、云)。
在一个方面中，如图164中所示，数据收集系统12004可以被布置为在工业环境12000中例如从一个或多个目标12002收集数据。在所示实施例中，数据收集系统12004包括一组数据收集器12008或数据收集器12008的“集群”12006、网络12010、计算系统12012以及数据库或数据池12014。每个数据收集器12008可以包括一个或多个输入传感器并且可通信地耦合到数据收集系统12004的任何和所有其它部件，如部件之间的连接箭头部分地说明了这一点。
目标12002可以是工业环境12000中的任何形式的机械或其部件。这种工业环境12000的示例包括但不限于工厂、管道、建筑工地、海洋石油钻井平台、船舶、飞机或其它飞行器、采矿环境、钻井环境、精炼厂、分布式环境、制造环境、能源开采环境、海上勘探地点、水下勘探地点、装配线、仓库、发电环境以及危险废物环境，每一种环境都可以包括一个或多个目标12002。目标12002可以采用传感器可以获得数据的任何形式的物品或位置。这种目标12002的示例包括但不限于机器、管道、设备、装置、工具、车辆、涡轮、扬声器、激光器、自动机、计算机设备、工业设备以及开关。
数据收集系统12004的自组织功能可以在数据收集系统12004的任何部件处或由数据收集系统12004的任何部件来执行。在实施例中，数据收集器12008或数据收集器12008的集群12006可以在没有其它部件的辅助的情况下基于例如由其相关传感器感测的数据和其它知识来自组织。在实施例中，网络12010可以在没有其它部件的辅助的情况下并且基于例如由数据收集器12008感测的数据或其它知识来进行自组织。类似地，计算系统12012和/或数据池12014在没有其它部件的辅助的情况下并且基于例如由数据收集器12008感测的数据或其它知识来进行自组织。应当明白的是，也可以实施任何组合或混合型自组织系统。
在许多示例中，数据收集系统12004可以执行或启用用于在工业环境12000中具有自组织功能的用于数据收集的各种方法或系统。这些方法和系统可以包括分析例如从数据收集器12008处的传感器接收或感测的多个传感器输入。所述方法和系统还可以包括对所接收的数据进行采样并且对以下至少一项进行自组织：(i)数据的存储操作；(ii)提供多个传感器输入的传感器的收集操作，以及(iii)多个传感器输入的选择操作。
在各方面中，存储操作可以包括将数据存储在例如数据收集器12008、计算系统12012和/或数据池12014的本地数据库中。还可以汇总给定时间段内的数据以减小感测数据的大小。汇总的数据可以被发送到一个或多个数据采集盒、一个或多个数据中心、和/或系统的其它部件或其它独立系统。在一些方面中，汇总给定时间段内的数据以减小数据的大小可以包括确定经由网络(例如，网络12010)发送数据的速度。在实施例中，汇总数据的大小对应于可以经由网络实时连续发送数据的速度。在这样方面或其它方面中，可以经由网络将汇总数据连续地发送到例如外部设备。
在各种实施方案中，该方法和系统可以包括将汇总数据提交到本地分类账，识别可接入网络上的一个或多个其它可接入信号采集仪器，和/或将本地分类账中的汇总数据与至少一个其它可接入信号采集仪器(例如，数据收集器12008)同步。在实施例中，可以包括经由网络从一个或多个其它可接入信号采集仪器接收传感器数据的远程流。还可以或替代地向潜在客户端发送广告消息，该广告消息指示本地存储的数据、汇总数据以及传感器数据的远程流中的至少一种的可用性。
该方法和系统可以包括识别可接入网络(例如，网络12010)上的一个或多个其它可接入信号采集仪器(例如，数据收集器12008)，将一个或多个其它可接入信号采集仪器中的至少一个指定为逻辑通信集线器，以及为逻辑通信集线器提供可用数据及其相关源的列表。可以利用混合点对点通信协议将可用数据及其相关源的列表提供给逻辑通信集线器。
在一些方面中，存储操作可以包括将数据存储在本地数据库中并且利用机器学习自动组织数据池的至少一个参数。该组织可以至少部分地基于接收关于使用来自数据池(例如，数据池12014)的数据的外部机器学习系统的分类准确度和预测准确度中的至少一种的信息。
本发明描述了一种用于在具有自组织功能的工业环境中进行数据收集的方法，根据本发明的一个公开的非限制性实施例的方法可以包括：分析多个传感器输入，对从传感器输入接收的数据进行采样以及对以下至少一项进行自组织：(i)数据的存储操作；(ii)提供多个传感器输入的传感器的收集操作，以及(iii)多个传感器输入的选择操作。
本公开描述了一种用于在具有自组织功能的工业环境中进行数据收集的系统，根据本公开的一个公开的非限制性实施例的系统可以包括：数据收集器，其用于处理来自工业环境中的传感器的多个传感器输入并且用于产生与多个传感器输入相关联的数据；以及自组织系统，其用于对以下至少一项进行自组织：(i)数据的存储操作；(ii)提供多个传感器输入的传感器数据收集操作，以及(iii)多个传感器输入的选择操作。
本公开描述了一种具有自组织功能的用于在工业环境中进行数据收集的方法，根据本公开的一个公开的非限制性实施例的方法可以包括分析多个传感器输入，对从传感器输入接收的数据进行采样，以及对以下至少一项进行自组织：(i)数据的存储操作；(ii)提供多个传感器输入的传感器的收集操作，以及(iii)多个传感器输入的选择操作。在实施例中，存储操作包括将数据存储在本地数据库中，以及汇总给定时间段的数据以减小数据的大小。
本公开的任何前述实施例中的另一实施例可以包括其中该方法进一步包括将汇总数据发送到一个或多个数据采集盒的情况。
本公开的任何前述实施例中的另一实施例可以包括其中该方法进一步包括将汇总数据发送到一个或多个数据中心的情况。
本公开的任何前述实施例中的另一实施例可以包括如下情况：汇总给定时间段的数据以减小数据的大小包括确定可以经由网络发送数据的速度。在实施例中，汇总数据的大小对应于可以经由网络实时连续发送数据的速度。
本公开的任何前述实施例中的另一实施例可以包括其中该方法进一步包括经由网络将汇总数据连续发送到外部装置的情况。
本发明描述了一种用于在具有自组织功能的工业环境中进行数据收集的方法，根据本发明的一个公开的非限制性实施例的方法可以包括：分析多个传感器输入，对从传感器输入接收的数据进行采样以及对以下至少一项进行自组织：(i)数据的存储操作；(ii)提供多个传感器输入的传感器的收集操作，以及(iii)多个传感器输入的选择操作。在实施例中，存储操作包括将数据存储在本地数据库中，汇总给定时间段的数据以减小数据的大小，将汇总数据提交到本地分类账，识别可接入网络上的一个或多个其它可接入信号采集仪器，以及将本地分类账中的汇总数据与至少一个其它可接入信号采集仪器同步。本公开的任何前述实施例中的另一实施例可以包括其中该方法进一步包括经由网络从一个或多个其它可接入信号采集仪器接收传感器数据的远程流的情况。
本公开的任何前述实施例中的另一实施例可以包括其中该方法进一步包括向潜在客户端发送广告消息的情况，该广告消息指示本地存储的数据、汇总数据以及远程流中的至少一个的可用性。
本发明描述了一种用于在具有自组织功能的工业环境中进行数据收集的方法，根据本发明的一个公开的非限制性实施例的方法可以包括：分析多个传感器输入；对从传感器输入接收的数据进行采样，以及对以下至少一项进行自组织：(i)数据的存储操作，(ii)提供多个传感器输入的传感器的收集操作，以及(iii)对多个传感器输入的选择操作。在实施例中，存储操作包括将数据存储在本地数据库中，汇总给定时间段的数据以减小数据的大小，识别可接入网络上的一个或多个其它可接入信号采集仪器，将一个或多个其它可接入信号采集仪器中的至少一个指定为逻辑通信集线器，以及对逻辑通信集线器提供可用数据及其相关源的列表。
本公开的任何前述实施例中的另一实施例可以包括其中利用混合点对点通信协议将可用数据及其相关源的列表提供给逻辑通信集线器的情况。本公开描述了一种用于在具有自组织功能的工业环境中进行数据收集的方法，根据本公开的一个公开的非限制性实施例的方法可以包括：分析多个传感器输入、对从传感器输入接收的数据进行采样，以及对以下至少一项进行自组织：(i)数据的存储操作；(ii)提供多个传感器输入的传感器的收集操作，以及(iii)多个传感器输入的选择操作。在实施例中，存储操作包括将数据存储在本地数据库中，汇总给定时间段的数据以减小数据的大小，将数据存储在本地数据库中，以及利用机器学习自动组织数据库的至少一个参数。在实施例中，该组织至少部分地基于接收关于使用来自数据库的数据的外部机器学习系统的分类准确度和预测准确度中的至少一个的信息。
在各方面中，提供多个传感器输入的传感器的收集操作可以包括接收指令，该指令引导移动数据收集器单元(例如，数据收集器12008)以运行目标处的传感器(例如，12002)。在实施例中，多个传感器中的至少一个被布置在移动数据收集器单元中。可以将关于指令的通信传输到一个或多个其它移动数据收集器单元(12008)。集群12006或其部分可以在目标12002处对移动数据收集器单元和一个或多个其它移动数据收集器单元(例如，数据收集器12008)的分布进行自组织。
在各方面中，在目标12002处对移动数据收集器单元的分步进行自组织包括利用机器学习算法来确定每个移动数据收集器单元的相应目标位置。机器学习算法可以利用多个特征中的一个或多个来确定相应的目标位置。特征的示例可以包括：移动数据收集器单元(数据收集器12008)的电池寿命、被感测的目标12002的类型、被感测的信号的类型、目标12002的大小、需要覆盖目标12002的移动数据收集器单元(数据收集器12008)数量、目标12002所需的数据点的数量、先前完成信号捕获的成功、从总部或从其接收指令的其它部件接收的信息，以及关于在目标12002处运行的传感器的历史信息。
在实施方案中，在目标位置对移动数据收集器单元和一个或多个其它移动数据收集器单元的分布进行自组织可以包括：为移动数据收集器单元提议目标位置、将目标位置传输到至少一个其它移动数据收集器单元、接收对目标位置没有争用的确认、将一个移动数据收集器单元引导到目标位置，以及从所引导的移动数据收集器单元收集目标位置处的传感器数据。
在某些实施例中，在目标位置对移动数据收集器单元和一个或多个其它移动数据收集器单元的分布进行自组织还可以包括：为移动数据收集器单元提议目标位置、将目标位置传输到一个或多个其它移动数据收集器单元中的至少一个、接收对新目标位置的提议、将移动数据收集器单元引导到新的目标位置，以及从移动数据收集器单元收集新的目标位置处的传感器数据。
在另外或备选方面中，在目标位置对移动数据收集器单元和一个或多个其它移动数据收集器单元的分布进行自组织可以包括：为移动数据收集器单元提议目标位置、确定一个或多个其它移动数据收集器单元中的至少一个处于或正移动到目标位置、基于一个或多个其它移动数据收集器单元中的至少一个处于或正移动到目标位置来确定新的目标位置、将移动数据收集器单元引导到新的目标位置，以及从移动数据收集器单元收集新的目标位置处的传感器数据。
在目标位置对移动数据收集器单元和一个或多个其它移动数据收集器单元的分布进行自组织可以进一步包括：确定在目标12002处运行的传感器的类型、接收对传感器类型没有争用的确认、引导移动数据收集器单元运行目标12002处的传感器类型，以及从移动数据收集器单元收集来自目标12002处的传感器类型的传感器数据。
在各方面中，在目标位置对移动数据收集器单元和一个或多个其它移动数据收集器单元的分布进行自组织可以包括：确定在目标处运行的传感器的类型、将传感器类型传输到一个或多个其它移动数据收集器单元中的至少一个、接收对新的传感器类型的提议、引导移动数据收集器单元运行目标处的新的传感器类型，以及从移动数据收集器单元收集来自目标处的新的传感器类型的传感器数据。
在目标位置对移动数据收集器单元和一个或多个其它移动数据收集器单元的分布进行自组织可以包括：确定在目标处运行的传感器的类型、确定在目标处一个或多个其它移动数据收集器单元中的至少一个正在运行或可以运行的传感器类型、基于在目标处一个或多个其它移动数据收集器单元中的至少一个正在运行或能够运行的传感器类型来确定新的传感器类型、引导移动数据收集器单元运行目标处的新的传感器类型，以及从移动数据收集器单元收集来自目标处的新的传感器类型的传感器数据。
在一些实施方案中，在目标位置处对移动数据收集器单元和一个或多个其它移动数据收集器单元的分布进行自组织可以包括利用群优化算法在移动数据收集器单元和一个或多个其它移动数据收集器单元之间分配传感器责任区域。群优化算法的示例包括但不限于遗传算法(Genetic Algorithm，简称GA)、蚁群优化(Ant Colony Optimization，简称ACO)、粒子群优化(Particle Swarm Optimization，简称PSO)、差分进化(DifferentialEvolution，简称DE)、人工蜂群(Artificial Bee Colony，简称ABC)、萤火虫群优化(Glowworm Swarm Optimization，简称GSO)和布谷鸟搜索算法(Cuckoo SearchAlgorithm，简称CSA)、基因编程(Genetic Programming，简称GP)、进化策略(EvolutionStrategy，简称ES)、进化规划(Evolutionary Programming，简称EP)、萤火虫算法(FireflyAlgorithm，简称FA)、蝙蝠算法(Bat Algorithm，简称BA)以及灰狼优化器(Grey WolfOptimizer，简称GWO)或者它们的组合。
本公开描述了一种用于在具有自组织功能的工业环境中进行数据收集的方法，根据本公开的一个公开的非限制性实施例的方法可以包括：分析多个传感器输入、对从传感器输入接收的数据进行采样，以及对以下至少一项进行自组织：(i)数据的存储操作；(ii)提供多个传感器输入的传感器的收集操作，以及(iii)多个传感器输入的选择操作。
本公开描述了一种用于在具有自动自组织的工业环境中进行数据收集的系统，根据本公开的一个公开的非限制性实施例的系统可以包括：数据收集器，其用于处理来自工业环境中的传感器的多个传感器输入并且用于产生与多个传感器输入相关联的数据；以及自组织系统，其用于对以下至少一项进行自组织：(i)数据的存储操作；(ii)提供多个传感器输入的传感器的数据收集操作，以及(iii)多个传感器输入的选择操作。
本发明描述了一种用于在具有自组织功能的工业环境中进行数据收集的方法，根据本发明的一个公开的非限制性实施例的方法可以包括：分析多个传感器输入；对从传感器输入接收到的数据进行采样并且对以下至少一项进行自组织：(i)数据的存储操作；(ii)提供多个传感器输入的传感器的收集操作，以及(iii)多个传感器输入的选择操作。在实施例中，提供多个传感器输入的传感器的收集操作包括接收指令，该指令引导移动数据收集器单元以运行目标处的传感器。在实施例中，多个传感器中的至少一个被布置在移动数据收集器单元中，将关于指令的通信传输到一个或多个其它移动数据收集器单元，以及在目标处对移动数据收集器单元和一个或多个其它移动数据收集器单元的分布进行自组织。
本公开的任何前述实施例中的另一实施例可以包括其中在目标处对移动数据收集器单元和一个或多个其它移动数据收集器单元的分布进行自组织包括利用机器学习算法来确定每个移动数据收集器单元的相应目标位置的情况。
本公开的任何前述实施例中的另一实施例可以包括其中机器学习算法利用多个特征中的一个或多个来确定相应目标位置的情况，该多个特征包括：移动数据收集器单元的电池寿命、被感测的目标的类型、被感测的信号的类型、目标的大小、覆盖目标所需的移动数据收集器单元的数量、目标所需的数据点的数量、先前完成信号捕获的成功、从总部接收信息(该指令接收自总部)，以及关于在目标处运行的传感器的历史信息。
本公开的任何前述实施例中的另一实施例可以包括如下情况：在目标位置对移动数据收集器单元和一个或多个其它移动数据收集器单元的分布进行自组织包括为移动数据收集器单元提议目标位置、将目标位置传输到一个或多个其它移动数据收集器单元中的至少一个、接收对目标位置没有争用的确认、将移动数据收集器单元引导到目标位置，以及从移动数据收集器单元收集目标位置处的传感器数据。
本公开的任何前述实施例中的另一实施例可以包括如下情况：在目标位置对移动数据收集器单元和一个或多个其它移动数据收集器单元的分布进行自组织包括为移动数据收集器单元提议目标位置、将目标位置传输到一个或多个其它移动数据收集器单元中的至少一个、接收对新的目标位置的提议、将移动数据收集器单元引导到新的目标位置，以及从移动数据收集器单元收集新的目标位置处的传感器数据。
本公开的任何前述实施例中的另一实施例可以包括如下情况：其中在目标位置对移动数据收集器单元和一个或多个其它移动数据收集器单元的分布进行自组织包括为移动数据收集器单元提议目标位置、确定一个或多个其它移动数据收集器单元中的至少一个处于或正移动到目标位置、基于一个或多个其它移动数据收集器单元中的至少一个处于或正移动到目标位置来确定新的目标位置、将移动数据收集器单元引导到新的目标位置，以及从移动数据收集器单元收集新的目标位置处的传感器数据。
本公开的任何前述实施例中的另一实施例可以包括如下情况：其中在目标位置处对移动数据收集器单元和一个或多个其它移动数据收集器单元的分布进行自组织包括确定在目标处运行的传感器的类型，接收对传感器类型没有争用的确认，引导移动数据收集器单元运行目标处的传感器类型，以及从移动数据收集器单元收集来自目标处的传感器类型的传感器数据。
本公开描述了一种具有自组织功能的用于在工业环境中进行数据收集的方法，根据本公开的一个公开的非限制性实施例的方法可以包括分析多个传感器输入，对从传感器输入接收的数据进行采样以及对以下至少一项进行自组织：(i)数据的存储操作；(ii)提供多个传感器输入的传感器的收集操作，以及(iii)多个传感器输入的选择操作。提供多个传感器输入的传感器的收集操作包括接收指令，该指令引导移动数据收集器单元以运行目标处的传感器。在实施例中，多个传感器中的至少一个被布置在移动数据收集器单元中，将关于指令的通信传输到一个或多个其它移动数据收集器单元，以及在目标处对移动数据收集器单元和一个或多个其它移动数据收集器单元的分布进行自组织。在实施例中，在目标位置对移动数据收集器单元和一个或多个其它移动数据收集器单元的分布进行自组织包括：确定在目标处运行的传感器的类型，将传感器类型传输到一个或多个其它移动数据收集器单元中的至少一个，接收对新的传感器类型的提议，引导移动数据收集器单元运行目标处的新的传感器类型，以及从移动数据收集器单元收集来自目标处的新的传感器类型的传感器数据。
本公开的任何前述实施例中的另一实施例可以包括如下情况：其中在目标位置对移动数据收集器单元和一个或多个其它移动数据收集器单元的分布进行自组织包括：确定在目标处运行的传感器的类型、确定在目标处一个或多个其它移动数据收集器单元中的至少一个正在运行或可以运行的传感器类型、基于在目标处一个或多个其它移动数据收集器单元中的至少一个正在运行或可以运行的传感器类型来确定新的传感器类型、引导移动数据收集器单元运行目标处的新的传感器类型，以及从移动数据收集器单元收集来自目标处的新的传感器类型的传感器数据。
本公开的任何前述实施例中的另一实施例可以包括如下情况：其中在目标位置处对移动数据收集器单元和一个或多个其它移动数据收集器单元的分布进行自组织包括利用群优化算法来分配移动数据收集器单元和一个或多个其它移动数据收集器单元之间的传感器责任区域。
本公开的任何前述实施例中的另一实施例可以包括如下情况：其中群优化算法是以下一种或多种类型：遗传算法(GA)、蚁群优化(ACO)、粒子群优化(PSO)、差分进化(DE)、人工蜂群(ABC)、萤火虫群优化(GSO)和布谷鸟搜索算法(CSA)、基因编程(GP)、进化策略(ES)、进化规划(EP)、萤火虫算法(FA)、蝙蝠算法(BA)以及灰狼优化器(GWO)。
在各方面中，选择操作可以包括接收与工业环境12000的至少一个条件有关的信号，并且基于该信号，改变所分析的传感器输入和采样频率中的至少一个。工业环境的至少一个条件可以是采样数据的信噪比。选择操作可以包括识别要感测的目标信号。另外，选择操作可以进一步包括识别与要感测的目标信号相同的频带中的一个或多个非目标信号，并且基于所识别的一个或多个非目标信号，改变所分析的传感器输入和采样频率中的至少一个。
选择操作可以包括识别以与要感测的目标信号相同的信号频带感测的其它数据收集器，并且基于所识别的其它数据收集器，改变所分析的传感器输入和采样频率中的至少一个。在实施方案中，选择操作可以进一步包括识别与要感测的目标信号相关联的目标的活动水平，并且基于所识别的活动水平，改变所分析的传感器输入和采样频率中的至少一个。
选择操作可以进一步包括接收指示与目标信号相关联的目标附近的环境条件的数据、将目标的接收到的环境条件与目标或与该目标类似的另一个目标附近的以往环境条件进行比较，并且基于该比较，改变所分析的传感器输入和采样频率中的至少一个。可以根据数据收集的预定层级将接收的采样数据的至少一部分传输到另一个数据收集器。
在一些方面中，选择操作进一步包括：接收指示与目标信号相关联的目标附近的环境条件的数据，根据数据收集的预定层级将接收的采样数据的至少一部分传输到另一个数据收集器、经由网络连接接收与所传输数据的质量或充分性有关的反馈，分析所接收的反馈，并且基于对所接收的反馈的分析，改变所分析的传感器输入、采样频率、所存储的数据以及所传输的数据中的至少一个。
另外或替代地，选择操作可以包括接收指示与目标信号相关联的目标附近的环境条件的数据、根据数据收集的预定层级将接收的采样数据的至少一部分传输到另一个数据收集器、经由网络连接接收与所传输数据的一个或多个收率度量有关的反馈、分析所接收的反馈，并且基于对所接收的反馈的分析，改变所分析的传感器输入、采样频率、所存储的数据以及所传输的数据中的至少一个。
在实施方案中，选择操作可以包括接收指示与目标信号相关联的目标附近的环境条件的数据、根据数据收集的预定层级将接收的采样数据的至少一部分传输到另一个数据收集器、经由网络连接接收与功率利用率有关的反馈、分析所接收的反馈，并且基于对所接收的反馈的分析，改变所分析的传感器输入、采样频率、所存储的数据以及所传输的数据中的至少一个。
选择操作还可以或替代地包括接收指示与目标信号相关联的目标附近的环境条件的数据、根据数据收集的预定层级将接收的采样数据的至少一部分传输到另一个数据收集器、经由网络连接接收与所传输数据的质量或充分性有关的反馈、分析所接收的反馈，并且基于对所接收反馈的分析，对感测数据执行降维算法。降维算法可以是以下一种或多种：决策树、随机森林、主成分分析、因子分析、线性判别分析、基于相关矩阵的识别、缺失值比、低方差滤波、随机投影、非负矩阵分解、堆栈式自动编码器、卡方或信息增益、多维缩放、对应分析、因子分析、聚类以及贝叶斯模型。可以在数据收集器12008、数据收集器12008的集群12006、网络12010、计算系统12012、数据池12014或者它们的组合处执行降维算法。在各方面中，执行降维算法可以包括将所感测的数据发送到远程计算设备。
在各方面中，一种用于在发电环境中自组织收集和存储数据收集的系统可以包括用于处理来自各种传感器的多个传感器输入的数据收集器。这种传感器可以是数据收集器的部件、在数据收集器外部(例如，不同数据收集器的外部传感器或部件)或者它们的组合。多个传感器输入可以用于感测至少一个目标系统的运行模式、故障模式以及健康状况中的至少一个。这种目标系统的示例包括但不限于燃料处理系统、电源、涡轮、发电机、齿轮系统、电传输系统、变压器、燃料电池以及能量存储装置/系统。所述系统还可以包括自组织系统，所述自组织系统用于对以下至少一项进行自组织：(i)数据的存储操作；(ii)提供多个传感器输入的传感器的收集操作，以及(iii)多个传感器输入的选择操作，如本文所述。
在各方面，所述系统可以包括移动数据收集器的集群12006(例如，数据收集器12008)。另外，在附加的或备选方面中，自组织系统可以产生、迭代、优化等用于组织数据存储的存储规范。例如，存储规范可以指定哪些数据将被存储用于发电环境中的本地存储，以及哪些数据将经由网络连接(例如，网络12010)从发电环境流式传输。如本文所述，该系统可以执行或启用其它数据收集、产生和/或存储操作。
在非限制性示例中，该系统可以包括用于感测作为目标系统的涡轮的环境中的各种参数的多个传感器。该系统可以利用振动传感器、温度传感器、声学传感器、应变仪以及加速度计等来产生关于涡轮的运行的数据。如本文所述，该系统可以调整、优化、学习或以其它方式自组织多个传感器输入的任何和所有存储操作、数据收集操作和选择操作。
在各方面中，一种用于在能源开采环境中自组织收集和存储数据收集的系统可以包括用于处理来自各种传感器的多个传感器输入的数据收集器。这种能源开采环境的示例包括采煤环境、金属开采环境、矿物开采环境以及石油钻井环境，但是本公开内容也考虑了其它提取环境。所利用的传感器可以是数据收集器的部件、在数据收集器外部(例如，不同数据收集器的外部传感器或部件)或者它们的组合。多个传感器输入可以用于感测至少一个目标系统的运行模式、故障模式以及健康状况中的至少一个。这种目标系统的示例包括但不限于牵引系统、升降系统、钻井系统、采矿系统、挖掘系统、钻孔系统、材料处理系统、输送系统、管道系统、废水处理系统以及流体泵送系统。
所述系统还可以包括自组织系统，所述自组织系统用于对以下至少一项进行自组织：(i)数据的存储操作；(ii)提供多个传感器输入的传感器的收集操作，以及(iii)多个传感器输入的选择操作，如本文所述。在各方面，所述系统可以包括移动数据收集器的集群12006(例如，数据收集器12008)。另外，在附加的或备选方面中，自组织系统可以产生、迭代、优化等用于组织数据存储的存储规范。例如，存储规范可以指定哪些数据将被存储用于发电环境中的本地存储，以及哪些数据将经由网络连接(例如，网络12010)从发电环境流式传输。如本文所述，该系统可以执行或启用其它数据收集、产生和/或存储操作。
在非限制性示例中，该系统可以包括多个传感器，多个传感器用于感测作为目标系统的流体泵送系统的环境中的各种参数。该系统可以利用振动传感器、流量传感器、压力传感器、温度传感器、声学传感器等来产生关于流体泵送系统的运行的数据。如本文所述，该系统可以调整、优化、学习或以其它方式自组织多个传感器输入的任何和所有存储操作、数据收集操作和选择操作。
在实施方案中，一种用于在制造环境中自组织收集和存储数据收集的系统可以包括用于处理来自各种传感器的多个传感器输入的数据收集器。这种传感器可以是数据收集器的部件、在数据收集器外部(例如，不同数据收集器的外部传感器或部件)或者它们的组合。多个传感器输入可以用于感测至少一个目标系统的运行模式、故障模式以及健康状况中的至少一个。这种目标系统的示例包括但不限于电力系统、输送系统、发电机、装配线系统、晶片处理系统、化学气相沉积系统、蚀刻系统、打印系统、机器人处理系统、部件装配系统、检查系统、机器人装配系统以及半导体生产系统。所述系统还可以包括自组织系统，所述自组织系统用于对以下至少一项进行自组织：(i)数据的存储操作；(ii)提供多个传感器输入的传感器的收集操作，以及(iii)多个传感器输入的选择操作，如本文所述。
在各方面，所述系统可以包括移动数据收集器的集群12006(例如，数据收集器12008)。另外，在附加的或备选方面中，自组织系统可以产生、迭代、优化等用于组织数据存储的存储规范。例如，存储规范可以指定哪些数据将被存储用于发电环境中的本地存储，以及哪些数据将经由网络连接(例如，网络12010)从发电环境流式传输。如本文所述，该系统可以执行或启用其它数据收集、产生和/或存储操作。
在非限制性示例中，该系统可以包括用于感测作为目标系统的水处理系统的环境中的各种参数的多个传感器。该系统可以利用振动传感器、流体流量传感器、压力传感器、气体传感器、温度传感器、声学传感器等来产生关于水处理系统的运行的数据。如本文所述，该系统可以调整、优化、学习或以其它方式自组织多个传感器输入的任何和所有存储操作、数据收集操作和选择操作。
还公开了用于在精炼环境中自组织收集和存储数据收集的附加或备选系统的实施例。这样的系统可以包括用于处理来自各种传感器的多个传感器输入的数据收集器。这种精炼环境的示例包括化学精炼环境、药物精炼环境、生物精炼环境以及烃精炼环境，但是本公开也考虑了其它精炼环境。所利用的传感器可以是数据收集器的部件、在数据收集器外部(例如，不同数据收集器的外部传感器或部件)或者它们的组合。多个传感器输入可以用于感测至少一个目标系统的运行模式、故障模式以及健康状况中的至少一个。这种目标系统的示例包括但不限于动力系统、泵送系统、混合系统、反应系统、蒸馏系统、流体处理系统、加热系统、冷却系统、蒸发系统、催化剂系统、移动系统以及容器系统。
所述系统还可以包括自组织系统，所述自组织系统用于对以下至少一项进行自组织：(i)数据的存储操作；(ii)提供多个传感器输入的传感器的收集操作，以及(iii)多个传感器输入的选择操作，如本文所述。在各方面，所述系统可以包括移动数据收集器的集群12006(例如，数据收集器12008)。另外，在附加的或备选方面中，自组织系统可以产生、迭代、优化等用于组织数据存储的存储规范。例如，存储规范可以指定哪些数据将被存储用于发电环境中的本地存储，以及哪些数据将经由网络连接(例如，网络12010)从发电环境流式传输。如本文所述，该系统可以执行或启用其它数据收集、产生和/或存储操作。
在非限制性示例中，该系统可以包括多个传感器，其用于感测作为目标系统的加热系统的精炼环境中的各种参数。该系统可以利用温度传感器、流体流量传感器、压力传感器等来产生关于加热系统的运行的数据。如本文所述，该系统可以调整、优化、学习或以其它方式自组织多个传感器输入的任何和所有存储操作、数据收集操作和选择操作。
在各方面中，一种用于在分布式环境中自组织收集和存储数据收集的系统可以包括用于处理来自各种传感器的多个传感器输入的数据收集器。这种传感器可以是数据收集器的部件、在数据收集器外部(例如，不同数据收集器的外部传感器或部件)或者它们的组合。多个传感器输入可以用于感测至少一个目标系统的运行模式、故障模式以及健康状况中的至少一个。这种目标系统的示例包括但不限于动力系统、输送系统、机器人运输系统、机器人处理系统、包装系统、冷藏系统、热存储系统、制冷系统、真空系统、牵引系统、升降系统、检查系统以及悬架系统。所述系统还可以包括自组织系统，所述自组织系统用于对以下至少一项进行自组织：(i)数据的存储操作；(ii)提供多个传感器输入的传感器的收集操作，以及(iii)多个传感器输入的选择操作，如本文所述。
在各方面，所述系统可以包括移动数据收集器的集群12006(例如，数据收集器12008)。另外，在附加的或备选方面中，自组织系统可以产生、迭代、优化等用于组织数据存储的存储规范。例如，存储规范可以指定哪些数据将被存储用于发电环境中的本地存储，以及哪些数据将经由网络连接(例如，网络12010)从发电环境流式传输。如本文所述，该系统可以执行或启用其它数据收集、产生和/或存储操作。
在非限制性示例中，该系统可以包括用于感测作为目标系统的制冷系统的分布式环境中的各种参数的多个传感器。该系统可以利用动力传感器、温度传感器、振动传感器、应变仪等来产生关于涡轮的运行的数据。如本文所述，该系统可以调整、优化、学习或以其它方式自组织多个传感器输入的任何和所有存储操作、数据收集操作和选择操作。
本公开描述了一种用于在具有自组织功能的工业环境中进行数据收集的方法，根据本公开的一个公开的非限制性实施例的方法可以包括：分析多个传感器输入、对从传感器输入接收的数据进行采样，以及对以下至少一项进行自组织：(i)数据的存储操作；(ii)提供多个传感器输入的传感器的收集操作，以及(iii)多个传感器输入的选择操作。
本公开描述了一种用于在具有自动自组织的工业环境中进行数据收集的系统，根据本公开的一个公开的非限制性实施例的系统可以包括：数据收集器，其用于处理来自工业环境中的传感器的多个传感器输入并且用于产生与多个传感器输入相关联的数据；以及自组织系统，其用于对以下至少一项进行自组织：(i)数据的存储操作；(ii)提供多个传感器输入的传感器的数据收集操作，以及(iii)多个传感器输入的选择操作。
本公开描述了一种用于在具有自组织功能的工业环境中进行数据收集的方法，根据本公开的一个公开的非限制性实施例的方法可以包括：分析多个传感器输入、对从传感器输入接收的数据进行采样，以及对以下至少一项进行自组织：(i)数据的存储操作；(ii)提供多个传感器输入的传感器的收集操作，以及(iii)多个传感器输入的选择操作。在实施例中，选择操作包括接收与工业环境的至少一个条件有关的信号，并且基于该信号改变所分析的传感器输入和采样频率中的至少一个。
本公开的任何前述实施例中的另一实施例可以包括其中工业环境的至少一个条件是采样数据的信噪比的情况。
本公开的任何前述实施例中的另一实施例可以包括其中选择操作包括识别要感测的目标信号的情况。
本公开的任何前述实施例中的另一实施例可以包括如下情况：其中该选择操作进一步包括识别与要感测的目标信号相同的频带中的一个或多个非目标信号，并且基于所识别的一个或多个非目标信号，改变所分析的传感器输入和采样频率中的至少一种。
本公开的任何前述实施例中的另一实施例可以包括如下情况：其中该选择操作进一步包括识别感测与要感测的目标信号相同信号频带的其它数据收集器，并且基于所识别的其它数据收集器，改变所分析的传感器输入和采样频率中的至少一种。
本公开的任何前述实施例中的另一实施例可以包括如下情况：其中该选择操作进一步包括识别与要感测的目标信号相关联的目标的活动水平，并且基于所识别的活动水平，改变所分析的传感器输入和采样频率中的至少一种。
本公开的任何前述实施例中的另一实施例可以包括如下情况：其中该选择操作进一步包括接收指示与目标信号相关联的目标附近的环境条件的数据、将目标的接收到的环境条件与目标或与该目标类似的另一个目标附近的以往环境条件进行比较，并且基于该比较，改变所分析的传感器输入和采样频率中的至少一种。
本公开的任何前述实施例中的另一实施例可以包括如下情况：其中该选择操作进一步包括根据数据收集的预定层级将接收的采样数据的至少一部分传输到另一个数据收集器。
本公开描述了一种用于在具有自组织功能的工业环境中进行数据收集的方法，根据本公开的一个公开的非限制性实施例的方法可以包括：分析多个传感器输入、对从传感器输入接收的数据进行采样，以及对以下至少一项进行自组织：(i)数据的存储操作；(ii)提供多个传感器输入的传感器的收集操作，以及(iii)多个传感器输入的选择操作。在实施例中，选择操作包括识别要感测的目标信号，接收与工业环境的至少一个条件有关的信号，基于该信号改变所分析的传感器输入和采样频率中的至少一个，接收指示与目标信号相关联的目标附近的环境条件的数据，根据数据收集的预定层级将所接收的采样数据的至少一部分传输到另一个数据收集器，经由网络连接接收与所传输数据的质量或充分性有关的反馈，分析所接收的反馈，并且基于对所接收的反馈的分析改变所分析的传感器输入、采样频率、存储的数据以及所传输的数据中的至少一个。
本公开描述了一种用于在具有自组织功能的工业环境中进行数据收集的方法，根据本公开的一个公开的非限制性实施例的方法可以包括：分析多个传感器输入、对从传感器输入接收的数据进行采样，以及对以下至少一项进行自组织：(i)数据的存储操作；(ii)提供多个传感器输入的传感器的收集操作，以及(iii)多个传感器输入的选择操作。在实施例中，选择操作包括识别要感测的目标信号，接收与工业环境的至少一个条件有关的信号，基于该信号改变所分析的传感器输入和采样频率中的至少一个，接收指示与目标信号相关联的目标附近的环境条件的数据，根据数据收集的预定层级将所接收的采样数据的至少一部分传输到另一个数据收集器，经由网络连接接收与所传输数据的一个或多个收益度量有关的反馈，分析所接收的反馈，并且基于对所接收的反馈的分析改变所分析的传感器输入、采样频率、存储的数据以及所传输的数据中的至少一个。
本公开描述了一种用于在具有自组织功能的工业环境中进行数据收集的方法，根据本公开的一个公开的非限制性实施例的方法可以包括：分析多个传感器输入、对从传感器输入接收的数据进行采样，以及对以下至少一项进行自组织：(i)数据的存储操作；(ii)提供多个传感器输入的传感器的收集操作，以及(iii)多个传感器输入的选择操作。在实施例中，选择操作包括识别要感测的目标信号，接收与工业环境的至少一个条件有关的信号，基于该信号改变所分析的传感器输入和采样频率中的至少一个，接收指示与目标信号相关联的目标附近的环境条件的数据，根据数据收集的预定层级将所接收的采样数据的至少一部分传输到另一个数据收集器，经由网络连接接收与功率利用率有关的反馈，分析所接收的反馈，并且基于对所接收的反馈的分析改变所分析的传感器输入、采样频率、存储的数据以及所传输的数据中的至少一个。
本公开描述了一种用于在具有自组织功能的工业环境中进行数据收集的方法，根据本公开的一个公开的非限制性实施例的方法可以包括：分析多个传感器输入、对从传感器输入接收的数据进行采样，以及对以下至少一项进行自组织：(i)数据的存储操作；(ii)提供多个传感器输入的传感器的收集操作，以及(iii)多个传感器输入的选择操作。在实施例中，选择操作包括识别要感测的目标信号，接收与工业环境的至少一个条件有关的信号，基于该信号改变所分析的传感器输入和采样频率中的至少一个，接收指示与目标信号相关联的目标附近的环境条件的数据，根据数据收集的预定层级将所接收的采样数据的至少一部分传输到另一个数据收集器，经由网络连接接收与所传输数据的质量或充分性有关的反馈，分析所接收的反馈，并且基于对所接收的反馈的分析对感测数据执行降维算法。
本公开的任何前述实施例中的另一实施例可以包括如下情况：其中降维算法是以下一种或多种：决策树、随机森林、主成分分析、因子分析、线性判别分析、基于相关矩阵的识别、缺失值比、低方差滤波、随机投影、非负矩阵分解、堆栈式自动编码器、卡方或信息增益、多维缩放、对应分析、因子分析、聚类以及贝叶斯模型。
本公开的任何前述实施例中的另一实施例可以包括其中对数据收集器执行降维算法的情况。
本公开的任何前述实施例中的另一实施例可以包括其中该方法进一步包括如下情况：其中执行降维算法包括将感测数据发送到远程计算设备。
本公开描述了一种用于在具有自组织功能的工业环境中进行数据收集的方法，根据本公开的一个公开的非限制性实施例的方法可以包括：分析多个传感器输入、对从传感器输入接收的数据进行采样，以及对以下至少一项进行自组织：(i)数据的存储操作；(ii)提供多个传感器输入的传感器的收集操作，以及(iii)多个传感器输入的选择操作。在实施例中，选择操作包括识别要感测的目标信号，接收与工业环境的至少一个条件有关的信号，基于该信号改变所分析的传感器输入和采样频率中的至少一个，接收指示与目标信号相关联的目标附近的环境条件的数据，根据数据收集的预定层级将所接收的采样数据的至少一部分传输到另一个数据收集器，经由网络连接接收与网络连接的带宽和质量中的至少一个有关的反馈，分析所接收的反馈，并且基于对所接收的反馈的分析改变所分析的传感器输入、采样频率、存储的数据以及所传输的数据中的至少一个。
本公开描述了一种用于在发电环境中自组织收集和存储数据收集的系统，根据本公开的一个公开的非限制性实施例的系统可以包括用于处理来自发电环境中的传感器的多个传感器输入的数据收集器。在实施例中，多个传感器输入用于感测至少一个目标系统的运行模式、故障模式以及健康状况中的至少一种，该目标系统选自由以下项组成的组：燃料处理系统、电源、涡轮、发电机、齿轮系统、电传输系统以及变压器，并且本公开描述了一种用于对以下至少一项进行自组织的自组织系统：(i)数据的存储操作，(ii)提供多个传感器输入的传感器的数据收集操作，以及(iii)多个传感器输入的选择操作。
本公开的任何前述实施例中的另一实施例可以包括其中自组织系统组织移动数据收集器的集群以从多个目标系统收集数据的情况。
本公开的任何前述实施例中的另一实施例可以包括其中自组织系统产生用于组织数据存储的存储规范的情况，该存储规范指定用于发电环境中的本地存储的数据并且指定用于经由网络连接从发电环境流式传输的数据。
本公开描述了一种用于在能源开采环境中自组织收集和存储数据收集的系统，根据本公开的一个公开的非限制性实施例的系统可以包括用于处理来自能源开采环境中的传感器的多个传感器输入的数据收集器。在实施例中，多个传感器输入用于感测至少一个目标系统的运行模式、故障模式以及健康状况中的至少一种，该目标系统选自由以下项组成的组：牵引系统、升降系统、钻井系统、采矿系统、挖掘系统、钻孔系统、材料处理系统、输送系统、管道系统、废水处理系统以及流体泵送系统，并且本公开描述了一种用于对以下至少一项进行自组织的自组织系统：(i)数据的存储操作，(ii)提供多个传感器输入的传感器的数据收集操作，以及(iii)多个传感器输入的选择操作。
本公开的任何前述实施例中的另一实施例可以包括其中自组织系统组织移动数据收集器的集群以从多个目标系统收集数据的情况。
本公开的任何前述实施例中的另一实施例可以包括其中自组织系统产生用于组织数据存储的存储规范的情况，该存储规范指定用于能源开采环境中的本地存储的数据并且指定用于经由网络连接从能源开采环境流式传输的数据。
本公开的任何前述实施例中的另一实施例可以包括其中能源开采环境是采煤环境的情况。
本公开的任何前述实施例中的另一实施例可以包括其中能源开采环境是金属开采环境的情况。
本公开的任何前述实施例中的另一实施例可以包括其中能源开采环境是矿物开采环境的情况。
本公开的任何前述实施例中的另一实施例可以包括其中能源开采环境是石油钻井环境的情况。
本公开描述了一种用于在制造环境中自组织收集和存储数据收集的系统，根据本公开的一个公开的非限制性实施例的系统可以包括用于处理来自发电环境中的传感器的多个传感器输入的数据收集器。在实施例中，多个传感器输入用于感测至少一个目标系统的运行模式、故障模式以及健康状况中的至少一个，该目标系统选自由以下项组成的组：电力系统、输送系统、发电机、装配线系统、晶片处理系统、化学气相沉积系统、蚀刻系统、打印系统、机器人处理系统、部件装配系统、检查系统、机器人装配系统以及半导体生产系统，并且本公开描述了一种用于对以下至少一项进行自组织的自组织系统：(i)数据的存储操作，(ii)提供多个传感器输入的传感器的数据收集操作，以及(iii)多个传感器输入的选择操作。
本公开的任何前述实施例中的另一实施例可以包括其中自组织系统组织移动数据收集器的集群以从多个目标系统收集数据的情况。
本公开的任何前述实施例中的另一实施例可以包括其中自组织系统产生用于组织数据存储的存储规范的情况，该存储规范指定用于制造环境中的本地存储的数据并且指定用于经由网络连接从制造环境流式传输的数据。
本公开描述了一种用于在精炼环境中自组织收集和存储数据收集的系统，根据本公开的一个公开的非限制性实施例的系统可以包括用于处理来自发电环境中的传感器的多个传感器输入的数据收集器。在实施例中，多个传感器输入用于感测至少一个目标系统的运行模式、故障模式以及健康状况中的至少一个，该目标系统选自由以下项组成的组：电力系统、泵送系统、混合系统、反应系统、蒸馏系统、流体处理系统、加热系统、冷却系统、蒸发系统、催化系统、移动系统以及容器系统，并且本公开描述了一种用于对以下至少一项进行自组织的自组织系统：(i)数据的存储操作，(ii)提供多个传感器输入的传感器的数据收集操作，以及(iii)多个传感器输入的选择操作。
本公开的任何前述实施例中的另一实施例可以包括其中自组织系统组织移动数据收集器的集群以从多个目标系统收集数据的情况。
本公开的任何前述实施例中的另一实施例可以包括其中自组织系统产生用于组织数据存储的存储规范的情况，该存储规范指定用于精炼环境中的本地存储的数据并且指定用于经由网络连接从精炼环境流式传输的数据。
本公开的任何前述实施例中的另一实施例可以包括其中精炼环境是化学精炼环境的情况。
本公开的任何前述实施例中的另一实施例可以包括其中精炼环境是制药精炼环境的情况。
本公开的任何前述实施例中的另一实施例可以包括其中精炼环境是生物精炼环境的情况。
本公开的任何前述实施例中的另一实施例可以包括其中精炼环境是烃精炼环境的情况。
本公开描述了一种用于在分布式环境中自组织收集和存储数据收集的系统，根据本公开的一个公开的非限制性实施例的系统可以包括用于处理来自分布式环境中的传感器的多个传感器输入的数据收集器。在实施例中，多个传感器输入用于感测至少一个目标系统的运行模式、故障模式以及健康状况中的至少一个，该目标系统选自由以下项组成的组：电力系统、输送系统、机器人运输系统、机器人处理系统、包装系统、冷藏系统、热存储系统、制冷系统、真空系统、牵引系统、升降系统、检查系统以及悬架系统，并且本公开描述了一种用于对以下至少一项进行自组织的自组织系统：(i)数据的存储操作，(ii)提供多个传感器输入的传感器的数据收集操作，以及(iii)多个传感器输入的选择操作。
本公开的任何前述实施例中的另一实施例可以包括其中自组织系统组织移动数据收集器的集群以从多个目标系统收集数据的情况。
本公开的任何前述实施例中的另一实施例可以包括其中自组织系统产生用于组织数据存储的存储规范的情况，该存储规范指定用于分布式环境中的本地存储的数据并且指定用于经由网络连接从分布式环境流式传输的数据。
参考图165，描绘了用于工业环境中的自组织、网络敏感数据收集的示例性系统12200。系统12200包括具有多个部件12204的工业系统12202，以及多个传感器12206。在实施例中，传感器12206中的每个传感器均可操作地耦合到部件12204中的至少一个。传感器的选择、分布、类型以及通信设置取决于系统12200的应用和/或上下文。
在某些实施例中，传感器数据值12204被提供给数据收集器12208，该数据收集器12208可以与多个传感器12206和/或与控制器12212进行通信。在某些实施例中，附加地或替代性地存在工厂计算机12210。在示例性系统中，控制器12212被构造成在功能上执行传感器通信电路12224、传感器数据存储配置文件电路12226、传感器数据存储实施电路12228、存储规划电路12230和/或触觉反馈电路12232的操作。为了清楚描述，控制器12212被描绘为单独的设备。控制器12212的各方面可以存在于传感器12206、数据控制器12208、工厂计算机12210和/或云计算设备12214上。在整个本公开中描述的某些实施例中，控制器12212或其它控制器的所有方面可以存在于系统12200上描绘的另一个设备中。工厂计算机12210表示可以存在工业系统12202中和/或与工业系统12202进行通信的本地计算资源，例如处理、存储器和/或网络资源。在某些实施例中，云计算设备12214表示例如通过专用网络、内联网、通过蜂窝通信、卫星通信和/或通过因特网可在工业系统12202外部使用的计算资源。在某些实施例中，数据控制器12208可以是计算设备、智能传感器、MUX盒或能够从多个传感器接收数据并且传递数据和/或存储数据以供稍后传输的其它数据收集设备。数据控制器12208的示例没有存储和/或具有有限存储，并且通过其选择性地传递传感器数据，其中传感器数据的子集由于数据控制器12208、相关网络的和/或受环境约束强加的带宽考虑而在给定时间传送。在某些实施例中，系统12200中的一个或多个传感器和/或计算设备是便携式设备，诸如与用户12218相关联的用户相关设备12216，例如步行通过工业系统的工厂操作者可以具有智能手机，该系统12200可以选择性地将该智能手机作为数据控制器12208、传感器12206—例如以增强通信吞吐量、传感器分辨率，和/或作为用于将传感器数据值12244传送到控制器12212的主要方法。系统12200描绘了控制器12212、传感器12206、数据控制器12208、工厂计算机12210和/或具有用于在其上存储传感器数据的存储器的云计算设备12214，其中它们当中任何一个或多个可以不具有用于在其上存储传感器数据的存储器。
示例性系统12200进一步包括网状网络12220，该网状网络具有在其上描绘的多个网络节点。为了便于说明，网状网络12220被描绘在单个位置，但是应当理解的是，在系统网络内预期在系统12200内和/或在与系统12200进行通信(包括间歇性通信)内的任何网络基础设施。另外，云服务器12214、工厂计算机12210、控制器12212、数据控制器12208、任何具有网络能力的传感器12206和/或用户相关设备12216中的任何一个或全部可以是在系统12200的至少某些运行条件期间用于该系统的网络(包括网状网络12220)的一部分。另外或替代地，系统12200可以利用分层网络、点对点网络、具有一个或多个超级节点的点对点网络，这些网络的组合、这些网络的混合，和/或可以包括系统12200内的或与该系统进行通信的多个网络。应当明白的是，本公开的某些特征和运行有益于这些类型的网络中的仅一个或一个以上的网络，本公开的某些特征和运行有益于任何类型的网络，并且某些特征和运行特别有益于这些网络的组合，和/或网络中具有多个网络选项的网络，其中益处涉及任何类型的选项的利用，或者其中益处涉及特定网络类型的一个或多个选项。
参考图166，示例性装置12222包括：控制器12212，该控制器12212具有传感器通信电路12224，该传感器通信电路12224解译来自多个传感器12206的多个传感器数据值12244；以及系统协作电路12228，该系统协作电路12228根据传感器数据传输协议12232将多个传感器数据值的至少一部分传送到存储目标计算设备(例如，将传感器数据值12244传送到目标存储器12252)。目标计算设备包括系统中具有存储器的任何设备，该存储器是选定传感器数据12252的目标位置。例如，云服务器12214、工厂计算机12210、用户相关设备12216和/或通过系统的网络与传感器12206和/或数据控制器12208进行通信的控制器12212的其它部分。目标计算设备可以是短期目标(例如，直到程序运行完成)、中期目标(例如，保持运行直到完成对数据的某些处理运行为止，和/或直到发生周期性数据迁移为止)和/或长期目标(例如，在数据保留策略的过程中保持运行，和/或保持运行直到规划长期数据迁移为止)和/或未知时间段的数据存储目标(例如，数据被传递到云服务器12214，因此在某些实施例中，系统12200不保持对数据的控制)。在某些实施例中，目标计算设备是系统中被规划存储数据的下一个计算设备。在某些实施例中，目标计算设备是系统中移动数据的下一个计算设备，其中这种移动发生在跨系统12200的网络的任何方面中。
示例性控制器12212包括传输环境电路12226，该传输环境电路12226确定与多个传感器数据12252的至少一部分到存储目标计算设备的传送对应的传输条件12254。传输条件12254包括影响数据传输的任何条件。例如，参考图169，示例性的非限制性传输条件12254被描绘为包括：环境条件12272(例如，EM噪声、振动、温度、影响传输的设备或部件的存在和布局，诸如金属、导电或高密度)，其包括直接影响通信的环境条件12272；以及影响诸如路由器、服务器、发射机/收发器等网络设备的环境条件12272。传输条件12254的一个示例包括网络性能12274，诸如网络设备或节点的规范、网络设备或节点的指定限制(例如，利用率限制、使用授权、可用功率等)、网络的估计限制(例如，基于设备温度、噪声环境等)，和/或网络的实际性能(例如，诸如通过定时消息，发送诊断消息或确定吞吐量而直接观察，和/或通过观察诸如存储器缓冲区、到达消息等倾向于提供关于网络性能的信息的参数而间接观察)。传输条件12254的另一个示例包括网络参数12276，诸如定时参数12278(例如，时钟速度、消息速度、同步速度、异步速度等)、协议选择12280(例如，寻址信息、包括消息内的管理支持位的消息大小和/或由存在或可用的协议所支持的速度)、文件类型选择12282(例如，数据传输文件类型、存储的文件类型，以及网络含义，诸如在数据至少部分可读之前必须传输多少数据、如何确定数据被传输、可能或支持的文件大小等)、流式传输参数选择12284(例如，流式传输协议、流式传输速度、流式传输数据的优先级信息、管理流式传输数据的可用节点和/或计算设备等)和/或压缩参数12286(例如，压缩算法和类型、在每个消息结束时的处理含义、有损与无损压缩、在可用数据可用之前必须传递多少信息等)。
参考图170，描绘了与传感器数据12252的传送对应的传输条件12254的某些进一步的非限制性示例。示例性的非限制性传输条件12254包括网状网络需求12288(例如，重新布置网格以平衡吞吐量)、分层布置的网络中的父节点连接性改变12290(例如，父节点已丢失连接性、重新获得连接性，和/或已经改变为不同的子节点和/或更高节点集合)，和/或在混合点对点应用程序层网络中已经替换的网络超级节点12292。如本文利用的超节点是具有来自其它点对点节点的附加能力的节点。这种附加能力可以仅通过设计获得—例如，超节点可以不同的方式连接和/或连接到点对点节点系统之外的节点。在某些实施例中，超节点可以另外或替代地具有更多处理能力、增加的网络速度或吞吐量接入，和/或更多存储器(例如，用于缓冲、高速缓存和/或短期存储)以提供更多的能力来满足超级节点的功能。
传输条件12254的一个示例包括被检测为恶意的网状或分层网络中的节点(例如，来自另一个监督程序、启发式地或者如指示给系统12200的)；对等节点经历了带宽或连接性变化12296(例如，转发数据包的网状网络对等体已丢失了连接性、获得另外的带宽、减少了可用带宽，和/或重新获得连接性)。传输条件12254的一个示例包括传输信息的成本变化12298(例如，成本增加或减少，其中成本可以是诸如数据传输订阅成本等直接成本参数，或者反映总体系统优先级的抽象成本参数，和/或通过网络跳跃传递信息的当前成本已经改变)、分层网络布置中已经发生变化(例如，网络布置变化12300)例如以便平衡网络树中的带宽使用；和/或许可方案变化12302(例如，网络中继采样数据的一部分的权限、授权级别或凭据已经发生变化)。传输条件12254的某些其它示例包括另外的连接类型的可用性12304(例如，更高带宽的网络连接类型已变得可用，和/或更低成本的网络连接类型已变得可用)；网络拓扑已经发生变化12306(例如，节点已离线或在线，已发生网格改变，和/或已发生层次变化)；和/或数据收集客户端改变了偏好或要求12308(例如，对多个传感器值中的至少一个的数据频率要求；对多个传感器值中的至少一个的数据类型要求；对数据收集的传感器目标；和/或数据收集客户端已经改变了存储目标计算设备，这可以改变网络传递结果和路由)。
示例性控制器12212包括网络管理电路12230，网络管理电路12230响应于传输条件12254而更新传感器数据传输协议12232。例如，在传输条件12254指示当前路由、协议、传递频率、传递速率和/或与传送传感器数据12252相关联的任何其它参数不再具有成本效益、不再可能、不再最佳的情况下，和/或在改进可用的情况下，网络管理电路12230响应于较低成本、可能、最佳和/或改进的传输条件而更新传感器数据传输协议12232。示例性系统协作电路12228进一步响应于更新的传感器数据传输协议12232—例如，根据更新的传感器数据传输协议12232实施传感器数据12252的后续传送、向网络管理电路12230提供指示更新的传感器数据传输协议12232的哪些方面不能或不会被遵循的通信，和/或(例如，向操作者、网络节点、控制器12212和/或网络管理电路12230提供警报)提供指示请求改变、指示正在实施改变和/或指示不能或不执行所请求的改变的警报。
系统12200的一个示例包括传输条件12254，其是与多个传感器数据值12252的传感器传送有关的环境条件12272，其中网络管理电路12230进一步分析环境条件12272，并且其中更新传感器数据传输协议12232包括修改多个传感器数据值从多个传感器12206传输到存储目标计算设备的方式。示例性系统进一步包括数据收集器12208，该数据收集器12208通信地耦合到多个传感器12206的至少一部分并且响应于传感器数据传输协议12232，其中系统协作电路12228进一步从多个传感器的至少一部分接收多个传感器数据值12244，并且其中传输条件12254对应于与多个传感器数据值从多个传感器的至少一部分的传送对应的至少一个网络参数。参考图171，描绘了传感器数据传输协议12232值的多个示例。传感器数据传输协议12232值的示例包括数据收集速率12310—例如，传感器12206传输、提供或采样数据和/或数据收集器12208接收、传递、存储或以其它方式捕获传感器数据时的速率和/或频率。网络管理电路12230的一个示例进一步更新传感器数据传输协议12232以修改数据收集器12208以针对多个传感器中的至少一个调整数据收集速率12310。传感器数据传输协议12232值的另一个示例包括复用调度12312，该复用调度12312包括数据收集器12208和/或智能传感器，它们用于例如以交替或其它调度方式提供多个传感器数据值和/或以配置方式将多个传感器值封装到单个消息中。网络管理电路12230的示例更新传感器数据传输协议12232以修改数据收集器12208和/或智能传感器的复用调度。传感器数据传输协议12232值的另一个示例包括中间存储操作12314，其中中间存储是系统中在目标存储计算设备之前进行至少一次网络传输的任何位置处的存储。中间存储可以被实施为按需操作，其中数据的请求(例如，来自用户、机器学习运行或另一个系统部件)导致从中间存储到目标计算设备的后续传输，和/或中间存储可以被实施为将网络通信时移以降低成本和/或降低网络利用时间，和/或管理网络上的瞬时流量。网络管理电路12230的示例更新传感器数据传输协议12232以针对多个传感器数据值的至少一部分命令中间存储操作，其中中间存储可以在传感器、数据收集器、网状网络中的节点上、控制器上、部件上和/或系统内的任何其它位置中。传感器数据传输协议12232的一个示例包括用于针对多个传感器的至少一部分的进一步数据收集12316的命令—例如因为传感器数据提供的分辨率、速率和/或频率不足以在系统的某些方面提供额外的数据给机器学习算法，和/或因为先前资源限制不再适用并且现在可获得来自一个或多个传感器的其它数据。传感器数据传输协议12232的示例包括用于实施复用调度12318的命令—例如，其中数据收集器12208和/或智能传感器能够复用传感器数据，但是在所有操作条件下都不会这样做，或者仅响应于传感器数据传输协议12232的复用调度12318而这样做。
网络管理电路12230的一个示例进一步更新传感器数据传输协议12232，以针对多个传感器值的至少一部分调整网络传输参数(例如，任何网络参数12276)。例如，并非控制变量和/或当前未被控制的某些网络参数是传输条件12254，并且某些网络参数是控制变量且响应于数据传输协议12232而发生改变，和/或网络管理电路12230可以可选地控制某些网络参数以使它们成为控制变量。网络管理电路12230的示例进一步更新传感器数据传输协议12232以改变以下任何一项或多项：传输数据频率；传输的数据量；传输的数据的目的地(包括目标或中间目的地，和/或路由)；用于传输数据的网络协议；和/或网络路径(例如，提供用于传输数据的冗余路径(例如，在涉及高噪声、高网络损失和/或关键数据时，网络管理电路12230可以确定系统操作是通过对一些数据进行冗余路径控制而改进的))。网络管理电路12230的示例进一步更新传感器数据传输协议12232，诸如：绑定附加网络路径以传输数据(例如，网络管理电路12230可以具有在线提供附加网络资源，和/或选择性地接入附加网络资源的权限)；重新布置分层网络以传输数据(例如，添加或移除层级层、改变父子关系等，以例如为关键数据提供附加路径、更少层和/或更高优先级路径)；重新平衡分层网络以传输数据；和/或重新配置网状网络以传输数据。网络管理电路12230的一个示例进一步更新传感器数据传输协议12232以延迟数据传输时间，和/或将数据传输时间延迟到更低成本的传输时间。
示例性网络管理电路进一步更新传感器数据传输协议12232以减少通过网络一次发送的信息量和/或更新传感器数据传输协议以调整从第二数据收集器(例如，在或者不在网络管理电路12230的直接范围内的偏置数据收集器，但是来自第二数据收集器的网络资源利用与第一数据收集器的利用进行竞争)发送的数据的频率。
网络管理电路12230的一个示例进一步调整外部数据接入频率12234—例如，专家系统12242和/或学习算法12248接入外部数据12246以对系统进行持续改进(例如，从传感器数据值12244外部和/或从偏移系统或聚合的基于云的数据接入信息)，和/或调整外部数据接入定时(12236)。在系统资源不足时、在传感器数据值12244的高保真度和/或频率被优先化时，和/或在将资源利用率转移到该系统的操作空间的较低成本部分时，外部数据12246接入的控制允许控制网络利用率。在某些实施例中，系统协作电路12228接入外部数据12246，并且响应于调整的外部数据接入频率12234和/或外部数据接入定时值12236。网络管理电路12230的一个示例进一步调整网络利用率值12238—例如以将系统利用率操作保持在阈值以下以预留余量和/或避免由于容量限制而需要对系统进行资本成本升级。例如，当竞争流量较低时，当网络利用率不会对其它系统程序产生不利影响时，和/或当功耗成本较低时，网络管理电路12230的一个示例调整网络利用率值12238以在较低成本带宽时间利用带宽。
例如当系统程序改进足以使更高成本合理时，网络管理电路12230的一个示例能够利用高速网络和/或请求更高成本的带宽接入以满足对数据的最小传递要求，和/或在老化数据过时之前或必须删除老化数据以为后续数据腾出空间之前从系统移动老化数据。
网络管理电路12230的一个示例进一步包括专家系统12242，其中更新传感器数据传输协议12232进一步响应于专家系统12242的操作。自组织的网络敏感数据收集系统可以使用专家系统单独地或组合地管理或优化整个本公开中所指出的任何这样的参数或因素，该专家系统可以涉及基于规则的优化、基于性能模型的优化，和/或使用机器学习/人工智能(可选地包括深度学习方法)的优化，或者上述的混合或组合。参考图165，描述了专家系统12242的多个非限制性示例，其中的任何一个或多个可以存在于具有专家系统12242的实施例中。对于专家系统、机器学习操作和/或优化例程不限于本公开的任何其它方面的情况下，专家系统12242的一个示例包括基于规则的系统12202(例如，基于建模、专家输入、操作者经验等而植入)；基于模型的系统12204(例如，系统中的建模响应或关系，它们通知专家系统进行某些操作，和/或与专家系统的其它操作一起工作)；神经网络系统(例如，包括规则、状态机、决策树、条件确定和/或任何其它方面)；基于贝叶斯的系统12208(例如，统计建模、概率响应或关系的管理，以及用于管理不确定性的其它确定)；基于模糊逻辑的系统12210(例如，确定各种系统参数的模糊化状态、响应的状态逻辑以及真值的去模糊化，和/或用于管理系统的模糊状态的其它确定)；和/或机器学习系统12212(例如，递归、迭代或专家系统的其它长期优化或改进，包括搜索不在专家系统范围内的数据、分辨率、采样率等以确定当前未利用的改进参数是否可用)，它可能是机器学习算法12248的补充或实施例。可以在专家系统12242的操作期间重新校准、删除和/或添加专家系统12242的任何方面，包括响应于由系统学习、由用户或操作者提供、由机器学习算法12248提供的更新信息、来自外部数据12246和/或来自偏移系统的信息而重新校准、删除和/或添加专家系统12242的任何方面。
网络管理电路12230的一个示例进一步包括机器学习算法12248，其中更新传感器数据传输协议12232进一步响应于机器学习算法12248的操作。机器学习算法12248的一个示例利用机器学习优化例程，并且在确定改进的传感器数据传输协议12232可用时，网络管理电路12230提供由系统协作电路12228利用的更新的传感器数据传输协议12232。在某些实施例中，网络管理电路12230可以执行各种操作，诸如：供应传感器数据传输协议12232，系统协作电路12228利用该传感器数据传输协议12232来产生真实世界的结果；将建模应用于系统(基于系统特性的第一原理建模、利用系统的实际操作数据的模型、利用偏移系统的实际操作数据的模型，和/或这些的组合)以确定给定的传感器数据传输协议12232的结果将是或将会是什么(例如，包括采用超出用于支持系统操作的程序的传感器数据的额外传感器数据，和/或利用外部数据12246和/或基准点数据12240)；和/或对传感器数据传输协议12232应用随机变化以确保优化程序不会陷入局部最佳或非最佳状态。
机器学习算法12248的一个示例进一步利用反馈数据，反馈数据包括传输条件12254、多个传感器值12244的至少一部分；和/或反馈数据包括基准点数据12240。参考图172，描绘了基准点数据12240的非限制性示例。基准点数据12240通常可以参考预期数据(例如，根据专家系统12242、用户输入、先前经验和/或建模输出)、来自偏移系统的数据(包括针对预期系统12200中的差异进行调整的数据)、类似系统的聚合数据(例如，可以是基于云的外部数据12246)等。基准点数据可以相对于整个系统、网络、网络上的节点、数据收集器和/或单个传感器或选定的传感器组。示例性的非限制性基准点数据包括网络效率12320(例如，吞吐量能力、功率利用率、相对于基础设施的通信的质量和/或完整性、负荷循环和/或系统12200的环境条件)、数据效率12322(例如，相对于目标值捕获的总成功数据的百分比、相对于目标值的数据间隙的描述，和/或可以集中于关键或优先化数据)、与偏移数据收集器的比较12324(例如，比较具有类似环境、数据收集责任或使比较有意义的其它特性的系统中的数据收集器)、吞吐量效率12326(例如，可用吞吐量的利用率、可变性指示符—诸如指示网络可能超大或具有另外的传输能力的高度可变性，或指示网络响应于成本避免机会的高度可变性—或两者，这取决于进一步的环境，其可以通过查看其它信息(例如利用率差异产生的原因)来理解))、数据效力12328(例如，确定捕获的参数是结果有效的、强控制参数，和/或高度预测参数，并且确定有效数据以可接受的分辨率、采样速率等而被采用)、数据质量12330(例如，数据由于噪声、反卷积误差、多次计算操作和舍入、压缩、数据包丢失等而导致的劣化)、数据精度12342(例如，确定足够精确的数据被采用、在通信期间被保存并在存储期间被保存)、数据准确度12340(例如，确定损坏的数据，由于传输和/或存储造成的劣化和/或时间滞后会导致数据本身不准确，或者按时间顺序或其它配置应用时不准确)、数据频率12338(例如，确定所传送的数据具有足够的时域和/或频域分辨率以确定感兴趣的响应)、环境响应12336(例如，对网络的环境影响被充分管理以维持数据的其它方面)、信号分集12332(例如，是否存在增加劣化后果的系统间隙—例如，1％的数据丢失，但系统上是单个关键传感器；关键感应参数是否具有多个潜在的信息源)、关键响应(足以检测关键响应的数据，诸如支持传感器融合操作和/或模式识别操作)，和/或网状网络一致性12334(例如，将处理器、节点以及其它网络方面一起保持在适用的存储器状态的单个视图上)。
参考图173，描绘了基准点数据12240的某些其它非限制性示例。基准点数据12240的示例和非限制性示例包括数据覆盖范围12346(例如，成功传送和捕获了期望数据、关键数据等的哪一部分，数据如何在整个系统中分布)、目标覆盖范围12344(例如，系统的部件或程序是否具有感测值的足够的时间和空间分辨率)、运动效率12348(例如，反映完成给定结果所需的时间量、步数或运动程度，诸如人类操作者、机器人元件、无人机等需要在何处采取动作来实现动作)、服务质量承诺12358(例如，协议、正式或非正式承诺，和/或最佳实践服务质量，诸如最大数据间隙、最小正常运行时间、最小覆盖百分比)、服务质量保证12360(例如，对具有已知或建模后果的服务质量的正式协议等，该协议可以在成本函数中起作用等)、服务水平协议12362(例如，最小正常运行时间、数据速率、数据分辨率等，它们可以由行业惯例、监管要求和/或某些参数、对某些部件的检测或对系统中的某些程序的检测将满足类型、分辨率、采样速率等的数据传递要求的正式协议来推动)、预定服务质量值(例如，用户定义值、系统操作者的策略等)和/或网络堵塞值12364。示例性的非限制性网络阻塞值12364包括网络干扰值(例如，环境噪声、网络上的流量、冲突等)、网络阻塞值(例如，部件、操作和/或对象阻塞网络区域内或整个网络上的无线或有线通信)和/或受阻网络连接性的区域(例如，由于任何原因丢失连接性，这在操作期间至少间歇性地是正常的，或者是功率丢失、物体通过该区域的移动、网络节点通过该区域的移动(例如，智能手机用作节点)等)。在某些实施例中，网络堵塞值12364可以由以下项引起：来自系统的部件的干扰、由一个或多个传感器引起的干扰(例如，由于错误或故障，或在预期范围之外的操作引起)、由金属(或其它导电)物体引起的干扰、由物理障碍物(例如，密集物体阻挡或降低无线传输透明度)引起的干扰；由低功率条件(例如，欠压、预定功率降低、电池电量低等)引起的衰减信号；和/或由网络的一部分中的网络流量需求(例如，节点或节点组在系统操作期间具有高流量需求)引起的衰减信号。
又一示例性系统包括工业系统，该工业系统包括多个部件和多个传感器，每个传感器可操作地耦合到多个部件中的至少一个；传感器通信电路，其解译来自多个传感器的多个传感器数据值；系统协作电路，其根据传感器数据传输协议，通过具有多个节点的网络将多个传感器数据值的至少一部分传送到存储目标计算设备；传输环境电路，其确定与网络上的多个传感器数据值的至少一部分的传送对应的传输反馈；以及网络管理电路，其响应于传输反馈而更新传感器数据传输协议。示例性系统协作电路进一步响应于更新的传感器数据传输协议。
参考图167，描绘了示例性装置12256，用于工业系统的工业环境中的自组织、网络敏感数据收集，所述工业系统具有带有多个节点的网络。除了装置12222的各方面之外，装置12256还包括系统协作电路12228，系统协作电路12228进一步响应于更新的传感器数据传输协议12232而向多个节点中的至少一个(例如，作为节点通信12258)发送警报。在某些实施例中，更新传感器数据传输协议12232包括网络管理电路12230，网络管理电路12230包括节点控制指令，诸如提供重新布置包括多个节点的网状网络的指令、提供重新布置包括多个节点的分层数据网络的指令、重新布置包括多个节点的点对点数据网络、重新布置包括多个节点的混合点对点数据网络。在某些实施例中，系统协作电路12228提供节点控制指令作为一个或多个节点通信12258。
在某些实施例中，更新传感器数据传输协议12232包括网络管理电路12230提供减少通过网络发送的数据量的指令；提供调整通过网络发送的数据捕获频率的指令；提供(例如，利用中间存储)对通过网络发送的多个传感器值的至少一部分进行时移传递的指令；提供改变与网络对应的网络协议的指令；提供降低耦合到网络的至少一个设备的吞吐量的指令；提供降低网络带宽使用的指令；提供压缩与通过网络发送的多个传感器值的至少一部分对应的数据的指令；提供精简与通过网络发送的多个传感器值的至少一部分对应的数据的指令(例如，提供相关子集、降低采样速率数据等)；提供用于汇总与通过网络发送的多个传感器值的至少一部分对应的数据的指令(例如，提供统计描述、聚合值等)；提供加密与通过网络发送的多个传感器值的至少一部分对应的数据的指令(例如，使得能够使用备选的不太安全的网络路径，和/或接入需要加密的另一个网络路径)；提供将与多个传感器值的至少一部分对应的数据传递到分布式分类账的指令；提供将与多个传感器值的至少一部分对应的数据传递到中央服务器(例如，工厂计算机12210和/或云服务器12214)的指令；提供将与多个传感器值的至少一部分对应的数据传递到超级节点的指令；以及提供将与多个传感器值的至少一部分对应的数据冗余地传递通过多个网络连接的指令。在某些实施例中，更新传感器数据传输包括提供将与多个传感器值的至少一部分对应的数据传递一个部件(例如，其中系统中的一个或多个部件12204具有存储器并且可通信地接入到传感器12206、数据收集器12208和/或网络)的指令，和/或其中一个部件通信地耦合到提供与多个传感器值的至少一部分对应的数据的传感器(例如，存储在部件12204上的数据的位置是测量数据的部件，或者在采用该数据的传感器12206的附近)。
示例性网络包括网状网络，其中网络管理电路12230进一步更新传感器数据传输协议12232以提供从网状网络中弹出多个节点中的一个(例如，从网状图中移除该节点、使该节点停止服务等)的指令。示例性网络包括点对点网络，其中网络管理电路12230进一步更新传感器数据传输协议12232以提供从点对点网络中弹出多个节点之一的指令。
网络管理电路12230的一个示例进一步将传感器数据传输协议12232更新以(例如，作为传感器数据高速缓冲存储器12260)高速缓冲多个传感器值12252的至少一部分。在某些另外的实施例中，网络管理电路12230进一步响应于以下至少一项来更新传感器数据传输协议12232以传送高速缓冲的传感器值12260：确定请求高速缓冲的数据(例如，用户、模型、机器学习算法、专家系统等已请求该数据)；确定网络反馈指示高速缓冲的数据的通信是可用的(例如，现在提升或提高了对引导网络管理电路12230直接高速缓冲的网络的先前限制)；和/或确定存在需要利用保存高速缓冲资源来保持高速缓冲数据12260的较高优先级数据。
用于工业环境中的自组织、网络敏感数据收集的系统12200的一种示例包括工业系统12202，该工业系统12202具有多个部件12204和多个传感器12206，每个传感器12206可操作地耦合到多个部件12204中的至少一个。传感器通信电路12224以预定频率解译来自多个传感器的多个感器数据值12244。系统协作电路12228根据传感器数据传输协议12232通过具有多个节点的网络将多个传感器数据值12252的至少一部分传送到存储目标计算设备，其中传感器数据传输协议12232包括数据收集的预定层级和预定频率。数据管理电路12230的一个示例响应于传输条件12254和/或响应于基准点数据12240而调整预定频率。
用于工业环境中的自组织、网络敏感数据收集的系统12200的一种示例包括工业系统12202，该工业系统12202具有多个部件12204和多个传感器12206，每个传感器12206可操作地耦合到多个部件12204中的至少一个。传感器通信电路12224以预定频率解译来自多个传感器12206的多个传感器数据值12244，并且系统协作电路12228根据传感器数据传输协议通过具有多个节点的网络将多个传感器数据值12252的至少一部分传送到存储目标计算设备。传输环境电路12226确定与通过网络进行的多个传感器数据值12252的至少一部分的传送对应的传输反馈(例如，传输条件12254)。网络管理电路12230响应于传输反馈12254而更新传感器数据传输协议12232，并且网络通知电路12268响应于更新的传感器数据传输协议12232而提供警报值12264。警报值12264的示例包括对操作者的通知、对用户的通知、对与用户相关联的便携式设备的通知、对网络的节点的通知、对云计算设备的通知、对工厂计算设备的通知和/或将警报作为外部数据提供给偏移系统。示例性的非限制性警报条件包括：系统的部件在故障状态下操作，系统的程序在故障状态下操作，由于网络通信限制、传感器数据传输协议的变化(包括选定类型的变化)和/或传感器数据传输协议的变化而开始对传感器数据利用高速缓冲存储和/或中间存储，该传感器数据传输协议的变化可能会导致损失数据保真度或分辨率(例如，数据压缩、数据缩减和/或汇总数据)。
示例性传输反馈包括反馈值，诸如：传输定价的变化、存储定价的变化、连接性丢失、带宽减小、连接性的变化、网络可用性的变化、网络范围的变化、局域网(LAN)连接性的变化、广域网(WAN)连接性的变化和/或无线局域网(WLAN)连接性的变化。
示例性系统包括具有多个振动部件的装配线工业系统，这些振动部件诸如马达、传送器、风扇和/或压缩机。该系统包括多个传感器，它们确定与振动部件有关的各种参数，该参数包括确定一个或多个部件的诊断和/或程序相关信息(正确运行、非正常运行、运行速度、即将进行的保养或故障等)。示例性传感器包括但不限于噪声、振动、加速度、温度和/或轴速传感器。传感器信息被传达到目标存储系统，包括至少部分地通过通信地耦合到装配线工业系统的网络。该示例性系统包括网络管理电路，该网络管理电路确定传感器数据传输协议以控制从传感器到目标存储系统的数据流。网络管理电路、相关专家系统和/或相关机器学习算法更新传感器数据传输协议以确保有效的网络利用率、足够的数据传递以支持系统控制、诊断和/或针对系统外部的数据规划以减少数据传输的资源利用率的其它确定，和/或响应于系统中的系统噪声因素、可变性和/或变化或者诸如成本或环境参数等相关方面。示例性系统包括改进系统操作以确保可以完成诊断、控制或其它数据相关操作以在维持性能的同时降低成本，和/或随时间或程序循环提高系统能力。
示例性系统包括自动机器人处理系统，其包括诸如致动器、齿轮箱和/或导轨等多个部件。该系统包括多个传感器，它们确定与部件相关的各种参数，该部件包括但不限于致动器位置和/或反馈传感器、振动、加速度、温度、成像传感器和/或空间位置传感器(例如，在处理系统内，相关工厂和/或GPS型定位)。传感器信息被传达到目标存储系统，包括至少部分地通过通信地耦合到自动机器人处理系统的网络。该示例性系统包括网络管理电路，该网络管理电路确定传感器数据传输协议以控制从传感器到目标存储系统的数据流。网络管理电路、相关专家系统和/或相关机器学习算法更新传感器数据传输协议以确保有效的网络利用率、足够的数据传递以支持系统控制、诊断、改进和/或处理效率的效率更新，和/或针对系统外部的数据规划以减少数据传输的资源利用率的其它确定，和/或响应于系统中的系统噪声因素、可变性和/或变化或者诸如成本或环境参数等相关方面。示例性系统包括改进系统操作以确保可以完成诊断、控制或其它数据相关操作以在维持性能的同时降低成本，和/或随时间或程序循环提高系统能力。
示例性系统包括采矿操作，其包括地表和/或地下采矿操作。示例性采矿操作包括诸如地下检查系统、泵、通风设备、发电机和/或发电、气体组成或质量系统和/或工艺流组成系统等部件(例如，包括确定期望的材料组成和/或污水流的组成以用于污染和/或监管控制)。在示例性系统中存在各种传感器以支持对操作的控制，确定部件的状态，支持安全操作和/或支持法规遵从性。传感器信息被传达到目标存储系统，包括至少部分地通过通信地耦合到采矿操作的网络。在某些实施例中，采矿操作的网络基础设施表现出高度可变性，这是由于(但不限于)显著的环境可变性(例如，矿井或竖井条件可变性)和/或间歇可用性—例如，在某些采矿操作期间关闭电子器件、难以提供对采矿操作的部分的网络接入，和/或期望在网络基础设施内包括移动或间歇可用设备。该示例性系统包括网络管理电路，该网络管理电路确定传感器数据传输协议以控制从传感器到目标存储系统的数据流。网络管理电路、相关专家系统和/或相关机器学习算法更新传感器数据传输协议以确保有效的网络利用率、足够的数据传递以支持系统控制、诊断、改进和/或处理效率的效率更新、支持金融和/或法规遵从性，和/或针对系统外部的数据规划以减少数据传输的资源利用率的其它确定，和/或响应于系统中的系统噪声因素、可变性、网络基础设施挑战，和/或变化或者诸如成本或环境参数等相关方面。
示例性系统包括航空航天系统，诸如飞机、直升机、卫星、航天器或发射机、轨道平台和/或导弹。航空航天系统具有由传感器支持的许多系统，诸如发动机操作、控制表面状态和振动、环境状态(内部和外部)以及遥测支持。另外，航空航天系统在不同类型的传感器的数量(例如，燃料压力传感器很少，但是控制表面传感器很多)以及不同类型的传感器的相关确定的采样速率方面都具有高度可变性(例如，1秒数据可能足以用于内部舱室压力，但是气象雷达或发动机转速传感器可能需要更高的时间分辨率)。由于功耗和重量考虑，航空航天应用的计算能力非常宝贵，因此用于改进航空航天系统上的任何系统的迭代、递归、深度学习、专家系统和/或机器学习操作(包括传感器数据采集和传感器信息传输)在许多实施例中(例如，通过离线学习、后处理等)被推广到系统的航空航天飞行器外部的计算设备。航空航天应用中的存储容量同样非常宝贵，使得在航空航天飞行器上长期存储传感器数据对于许多实施例而言不是成本有效的解决方案。另外，当飞行器快速穿过环境和/或进入与地面资源的直接通信不可行的区域时，来自航空航天飞行器的网络通信可能受到高度可变性和/或带宽限制。另外，例如在具有大量乘客的环境中，某些航空航天应用对可用网络资源的竞争非常激烈，在该环境中，网络基础设施的乘客利用率消耗了大量带宽。因此，可以看出，网络管理电路、相关专家系统和/或相关机器学习算法更新传感器数据传输协议的操作可以显著增强各种航空航天系统中的感测操作。另外，某些航空航天应用具有大量的偏置系统，增强了专家系统或机器学习算法改进传感器数据捕获和传输操作和/或管理在整个操作条件中系统的感测参数的高度可变性(频率、数据速率和/或数据解析)的能力。
示例性系统包括石油或天然气生产系统，诸如生产平台(陆上或海上)、泵、钻机、钻井设备、搅拌机等。石油和天然气生产系统在感测变量类型和传感参数方面表现出高度可变性，这些感测参数诸如振动(例如，泵、旋转轴、通过管道的流体等—它们可以是高频或低频的)、气体组成(例如，井口区域、人员区域、储罐附近等的气体组成—其中低频率通常可以接受，和/或可以接受在某些时间期间(诸如当人员不存在时)没有数据)，和/或压力值(它们取决于系统中当前发生的操作而可能会在所需的分辨率和频率或采样速率上发生很大变化)。另外，石油和天然气生产系统根据系统(例如，海上平台与长期地面生产设施)以及根据由系统执行的操作在网络基础设施方面有高度可变形(例如，生产中的井口可能具有有限的网络接入，而钻井或压裂操作可能在操作期间在某个地点具有重要的网络基础设施)。因此，可以看出，网络管理电路、相关专家系统和/或相关机器学习算法更新传感器数据传输协议的操作可以显著增强各种石油或天然气生产系统中的感测操作。
本公开描述了用于工业环境中的自组织、网络敏感数据收集的系统，根据本公开的一个公开的非限制性实施例的系统可以包括：工业系统，该工业系统包括多个部件和多个传感器，每个传感器可操作地耦合到该多个部件中的至少一个；传感器通信电路，该传感器通信电路被构造成解译来自多个传感器的多个传感器数据值；系统协作电路，该系统协作电路被构造成根据传感器数据传输协议将多个传感器数据值的至少一部分传送到存储目标计算设备；传输环境电路，该传输环境电路被构造成确定与多个传感器数据值的至少一部分到存储目标计算设备的传送对应的传输条件；网络管理电路，该网络管理电路被构造成响应传输条件而更新传感器数据传输协议。在实施例中，所述系统协作电路进一步响应于所更新的传感器数据传输协议。
本公开的任何前述实施例中的另一实施例可以包括如下情况：其中传输条件包括与多个传感器数据值的传感器通信有关的环境条件。在实施例中，网络管理电路进一步被构造成分析环境条件。在实施例中，更新传感器数据传输协议包括修改多个传感器数据值从多个传感器传输到存储目标计算设备的方式。
本公开的任何前述实施例中的另一实施例可以包括如下情况：其中数据收集器通信地耦合到多个传感器中的至少一部分并且响应于传感器数据传输协议。在实施例中，系统协作电路被构造成从多个传感器中的至少一部分接收多个传感器数据值。在实施例中，传输条件对应于与从多个传感器中的至少一部分传送多个传感器数据值对应的至少一个网络参数。
本公开的任何前述实施例中的另一实施例可以包括如下情况：其中网络管理电路进一步用于更新传感器数据传输协议以修改数据收集器来调整多个传感器中的至少一个的数据收集速率。
本公开的任何前述实施例中的另一实施例可以包括如下情况：其中网络管理电路进一步用于更新传感器数据传输协议以修改数据收集器的复用调度。
本公开的任何前述实施例中的另一实施例可以包括如下情况：其中网络管理电路进一步用于更新传感器数据传输协议以命令对多个传感器数据值的至少一部分进行中间存储操作。
本公开的任何前述实施例中的另一实施例可以包括如下情况：其中网络管理电路进一步用于更新传感器数据传输协议以命令对多个传感器的至少一部分进行进一步的数据收集。
本公开的任何前述实施例中的另一实施例可以包括如下情况：其中网络管理电路进一步用于更新传感器数据传输协议以修改数据收集器来实施复用调度。
本公开的任何前述实施例中的另一实施例可以包括如下情况：其中网络管理电路进一步用于更新传感器数据传输协议以调整用于多个传感器数据值的至少一部分的网络传输参数。
本公开的任何前述实施例中的另一实施例可以包括如下情况：其中调整的网络传输参数包括选自由以下项组成的参数的至少一个参数：定时参数、协议选择、文件类型选择、流式传输参数选择以及压缩参数。
本公开的任何前述实施例中的另一实施例可以包括如下情况：其中网络管理电路进一步用于更新传感器数据传输协议以改变传输数据的频率。
本公开的任何前述实施例中的另一实施例可以包括如下情况：其中网络管理电路进一步用于更新传感器数据传输协议以改变传输数据的数量。
本公开的任何前述实施例中的另一实施例可以包括如下情况：其中网络管理电路进一步用于更新传感器数据传输协议以改变传输数据的目的地。
本公开的任何前述实施例中的另一实施例可以包括如下情况：其中网络管理电路进一步用于更新传感器数据传输协议以改变用于传输数据的网络协议。
本公开的任何前述实施例中的另一实施例可以包括如下情况：其中网络管理电路进一步用于更新传感器数据传输协议以增加冗余网络路径来传输数据。
本公开的任何前述实施例中的另一实施例可以包括如下情况：其中网络管理电路进一步用于更新传感器数据传输协议以绑定附加的网络路径来传输数据。
本公开的任何前述实施例中的另一实施例可以包括如下情况：其中网络管理电路进一步被构造成更新传感器数据传输协议以重新布置分层网络来传输数据。
本公开的任何前述实施例中的另一实施例可以包括如下情况：其中网络管理电路进一步被构造成更新传感器数据传输协议以重新平衡分层网络来传输数据。
本公开的任何前述实施例中的另一实施例可以包括如下情况：其中网络管理电路进一步用于更新传感器数据传输协议以重新配置网状网络来传输数据。
本公开的任何前述实施例中的另一实施例可以包括如下情况：其中网络管理电路进一步用于更新传感器数据传输协议以延迟数据传输时间。
本公开的任何前述实施例中的另一实施例可以包括如下情况：其中网络管理电路进一步用于更新传感器数据传输协议以将数据传输时间延迟到更低成本传输时间。
本公开的任何前述实施例中的另一实施例可以包括如下情况：其中网络管理电路进一步用于更新传感器数据传输协议以减少通过网络一次发送的信息量。
本公开的任何前述实施例中的另一实施例可以包括如下情况：其中网络管理电路进一步用于更新传感器数据传输协议以调整从第二数据收集器发送数据的频率。
本公开的任何前述实施例中的另一实施例可以包括如下情况：其中网络管理电路进一步被构造成调整外部数据接入频率。在实施例中，系统协作电路响应于调整的外部数据接入频率。
本公开的任何前述实施例中的另一实施例可以包括如下情况：其中网络管理电路进一步被构造成调整外部数据接入定时值。在实施例中，系统协作电路响应于调整的外部数据接入定时值。
本公开的任何前述实施例中的另一实施例可以包括如下情况：其中网络管理电路进一步用于调整网络利用率值。
本公开的任何前述实施例中的另一实施例可以包括如下情况：其中网络管理电路进一步用于调整网络利用率值来以更低成本带宽时间利用带宽。
本公开的任何前述实施例中的另一实施例可以包括如下情况：其中网络管理电路进一步用于实现利用高速网络。
本公开的任何前述实施例中的另一实施例可以包括如下情况：其中网络管理电路进一步用于请求更高成本带宽接入，并且响应于更高成本带宽接入而更新传感器传输协议。
本发明的前述实施例中任一项的另一实施例可以包括如下情况：其中网络管理电路进一步包括专家系统。在实施例中，更新传感器数据传输协议进一步响应于所述专家系统的操作。
本发明的前述实施例中任一项的另一实施例可以包括如下情况：其中网络管理电路进一步包括机器学习算法。在实施例中，更新传感器数据传输协议进一步响应于所述机器学习算法的操作。
本公开的任何前述实施例中的另一实施例可以包括如下情况：其中机器学习算法进一步被构造成利用包括传输条件的反馈数据。
本公开的任何前述实施例中的另一实施例可以包括如下情况：其中反馈数据进一步包括多个传感器值的至少一部分。
本公开的任何前述实施例中的另一实施例可以包括其中反馈数据进一步包括基准点数据的情况。
本发明的前述实施例中任一项的另一实施例可以包括如下情况：其中基准点数据进一步包括选自由以下项组成的列表的数据：网络效率、数据效率、与偏置数据收集器的比较、吞吐量效率、数据效力、数据质量、数据精度、数据准确度以及数据频率。
本公开的任何前述实施例中的另一实施例可以包括如下情况：其中基准点数据进一步包括选自由以下项组成的列表的数据：环境响应、网状网络一致性、数据覆盖范围、目标覆盖范围、信号分集、关键响应以及运动效率。
本公开的任何前述实施例中的另一实施例可以包括如下情况：其中与通信对应的传输条件包括选自由以下项组成的条件中的至少一个条件：网状网络需要重新布置以平衡吞吐量、分层布置的网络中的父节点已经改变了连接性、混合点对点应用程序层网络中的网络超级节点已经被替换，以及网状或分层网络中的节点被检测为恶意的。
本公开的任何前述实施例中的另一实施例可以包括如下情况：其中与通信对应的传输条件包括选自由以下项组成的条件中的至少一个条件：网状网络对等转发数据包丢失连接性、网状网络对等转发数据包已获得附加的带宽、网状网络对等转发数据包带宽减少，以及网状网络对等转发数据包重新获得连接性。
本公开的任何前述实施例中的另一实施例可以包括如下情况：其中与通信的传输条件包括选自由以下项组成的条件中的至少一个条件：传输信息的成本的已经动态地改变、分层网络布置已经改变以平衡网络树中使用的带宽、中继采样数据的网络的一部分改变许可、授权级别或凭证、通过网络跃点传递信息的当前成本已经改变、更高带宽网络连接类型已经可用、更低成本网络连接类型已经可用，以及网络拓扑已经改变。
本公开的任何前述实施例中的另一实施例可以包括如下情况：其中与通信的传输条件包括选自由以下项组成的条件中的至少一个条件：数据收集客户端已经改变了对多个传感器值中的至少一个的数据频率要求、数据收集客户端已经改变了对多个传感器值中的至少一个的数据类型要求、数据收集客户端已经改变了对数据收集的传感器目标，以及数据收集客户端已经改变了存储目标计算设备。
本公开描述了用于工业环境中的自组织、网络敏感数据收集的系统，根据本公开的一个公开的非限制性实施例的系统可以包括：工业系统，该工业系统包括多个部件和多个传感器，每个传感器可操作地耦合到该多个部件中的至少一个；传感器通信电路，该传感器通信电路被构造成解译来自多个传感器的多个传感器数据值；系统协作电路，该系统协作电路被构造成根据传感器数据传输协议通过具有多个节点的网络将多个传感器数据值的至少一部分传送到存储目标计算设备；传输环境电路，该传输环境电路被构造成确定与通过网络进行的多个传感器数据值的至少一部分的传送对应的传输反馈；以及网络管理电路，该网络管理电路被构造成响应于传输反馈而更新传感器数据传输协议。在实施例中，所述系统协作电路进一步响应于所更新的传感器数据传输协议。
本公开的任何前述实施例中的另一实施例可以包括如下情况：其中系统协作单元进一步用于响应于更新的传感器数据传输协议而向多个节点中的至少一个发送警报。
本公开的任何前述实施例中的另一实施例可以包括如下情况：其中更新传感器数据传输包括选自由以下项组成的操作中的至少一个操作：提供重新布置包括多个节点的网状网络的指令、提供重新布置包括多个节点的分层数据网络的指令、重新布置包括多个节点的点对点数据网络，以及重新布置包括多个节点的混合点对点数据网络。
本公开的任何前述实施例中的另一实施例可以包括如下情况：其中更新传感器数据传输包括选自由以下项组成的操作中的至少一个操作：提供减少通过网络发送的数据量的指令、提供调整通过网络发送的数据捕获频率的指令、提供对通过网络发送的多个传感器值的至少一部分进行时移传递的指令，以及提供改变与网络对应的网络协议的指令。
本公开的任何前述实施例中的另一实施例可以包括如下情况：其中更新传感器数据传输包括选自由以下项组成的操作中的至少一个操作：提供减少耦合到网络的至少一个设备的吞吐量的指令、提供减少网络带宽使用的指令、提供压缩与通过网络发送的多个传感器值的至少一部分对应的数据的指令、提供缩减与通过网络发送的多个传感器值的至少一部分对应的数据的指令、提供汇总与通过网络发送的多个传感器值的至少一部分对应的数据的指令，以及提供加密与通过网络发送的多个传感器值的至少一部分对应的数据的指令。
本公开的任何前述实施例中的另一实施例可以包括如下情况：其中更新传感器数据传输包括选自由以下项组成的操作中的至少一个操作：提供将与多个传感器值的至少一部分对应的数据传递到分布式分类账的指令、提供将与多个传感器值的至少一部分对应的数据传递到中央服务器的指令、提供将与多个传感器值的至少一部分对应的数据传递到超级节点的指令，以及提供将与多个传感器值的至少一部分对应的数据冗余地传递通过多个网络连接的指令。
本公开的任何前述实施例中的另一实施例可以包括如下情况：其中更新传感器数据传输包括提供将与多个传感器值的至少一部分对应的数据传递到多个部件中的一个的指令。
本公开的任何前述实施例中的另一实施例可以包括如下情况：其中多个部件中的一个部件通信地耦合到提供与多个传感器值的至少一部分对应的数据的传感器。
本公开的任何前述实施例中的另一实施例可以包括如下情况：其中系统协作电路进一步被构造成解译服务质量承诺。在实施例中，网络管理电路进一步被构造成进一步响应于服务质量承诺而更新传感器数据传输协议。
本公开的任何前述实施例中的另一实施例可以包括如下情况：其中系统协作电路进一步被构造成解译服务水平协议。在实施例中，网络管理电路进一步构造成进一步响应于服务水平协议而更新传感器数据传输协议。
本公开的任何前述实施例中的另一实施例可以包括如下情况：其中网络管理电路进一步用于更新传感器数据传输协议以提供提高服务质量值的指令。
本公开的任何前述实施例中的另一实施例可以包括如下情况：其中网络包括网状网络。在实施例中，网络管理电路进一步被构造成更新传感器数据传输协议以提供用于从网状网络中弹出多个节点中的一个的指令。
本公开的任何前述实施例中的另一实施例可以包括如下情况：其中网络包括点对点网络。在实施例中，网络管理电路进一步被构造成更新传感器数据传输协议以提供用于从点对点网络中弹出多个节点中的一个的指令。
本公开的任何前述实施例中的另一实施例可以包括如下情况：其中网络管理电路进一步用于更新传感器数据传输协议以高速缓冲多个传感器数据值的至少一部分。
本公开的任何前述实施例中的另一实施例可以包括如下情况：其中网络管理电路进一步用于更新传感器数据传输协议以响应于高速缓冲数据被请求的确定、网络反馈指示高速缓冲数据的传送可用的确定以及存在需要利用保持高速缓冲数据的高速缓冲资源的更高优先级数据的确定中的至少一个而传送高速缓冲的多个传感器值的至少一部分。
本发明的前述实施例中任一项的另一实施例可以包括如下情况：其中所述系统进一步包括用于接收多个传感器数据值的至少一部分的数据收集器。在实施例中，该多个传感器数据值的至少一部分包括由多个传感器提供的数据。在实施例中，传输反馈包括与数据收集器对应的网络性能信息。
本发明的前述实施例中任一项的另一实施例可以包括如下情况：其中所述系统进一步包括用于接收多个传感器数据值的至少一部分的数据收集器。在实施例中，该多个传感器数据值的至少一部分包括由多个传感器提供的数据，第二数据收集器通信地耦合至网络。在实施例中，传输反馈包括与第二数据收集器对应的网络性能信息。
本公开描述了用于工业环境中的自组织、网络敏感数据收集的系统，根据本公开的一个公开的非限制性实施例的系统可以包括：工业系统，该工业系统包括多个部件和多个传感器，每个传感器可操作地耦合到该多个部件中的至少一个；传感器通信电路，该传感器通信电路被构造成以预定频率解译来自多个传感器的多个传感器数据值；系统协作电路，该系统协作电路被构造成根据传感器数据传输协议通过具有多个节点的网络将多个传感器数据值的至少一部分传送到存储目标计算设备，该传感器数据传输协议包括数据收集的预定层级以及预定频率；传输环境电路，该传输环境电路被构造成确定与通过网络进行的多个传感器数据值的至少一部分的传送对应的传输反馈；以及网络管理电路，该网络管理电路被构造成响应于传输反馈并且进一步响应于基准点数据而更新传感器数据传输协议。在实施例中，所述系统协作电路进一步响应于所更新的传感器数据传输协议。
本公开的任何前述实施例中的另一实施例可以包括如下情况：其中更新传感器数据传输包括选自由以下项组成的操作中的至少一个操作：提供改变多个传感器中的传感器的指令、提供调整预定频率的指令、提供调整所存储的多个传感器数据值的数量的指令、提供调整多个传感器数据值的至少一部分的传送的数据传输速率的指令、提供调整多个传感器数据值的至少一部分的传送的数据传输时间的指令，以及提供调整网络上的通信的联网方法的指令。
本公开的任何前述实施例中的另一实施例可以包括如下情况：其中基准点数据进一步包括选自由以下项组成的列表的数据：网络效率、数据效率、与偏置数据收集器的比较、吞吐量效率、数据效力、数据质量、数据精度、数据准确度以及数据频率。
本公开的任何前述实施例中的另一实施例可以包括如下情况：其中基准点数据进一步包括选自由以下项组成的列表的数据：环境响应、网状网络一致性、数据覆盖范围、目标覆盖范围、信号分集、关键响应以及运动。本公开的任何前述实施例中的另一实施例可以包括如下情况：其中基准点数据进一步包括选自由以下项组成的列表的数据：服务质量承诺、服务质量保证、服务水平协议以及预定服务质量值。
本公开的任何前述实施例中的另一实施例可以包括如下情况：其中基准点数据进一步包括选自由以下项组成的列表的数据：网络干扰值、网络阻塞值以及受阻网络连接区域。
本公开的任何前述实施例中的另一实施例可以包括其中传输反馈包括选择由以下项组成的值中的通信干扰值的情况：由系统的部件引起的干扰、由一个传感器引起的干扰、由金属物体引起的干扰、由物理障碍物引起的干扰、由低功率条件引起的衰减信号，以及由网络的一部分中的网络流量需求引起的衰减信号。
本公开描述了用于工业环境中的自组织、网络敏感数据收集的系统，根据本公开的一个公开的非限制性实施例的系统可以包括：工业系统，该工业系统包括多个部件和多个传感器，每个传感器可操作地耦合到该多个部件中的至少一个；传感器通信电路，该传感器通信电路被构造成以预定频率解译来自多个传感器的多个传感器数据值；系统协作电路，该系统协作电路被构造成根据传感器数据传输协议通过具有多个节点的网络将多个传感器数据值的至少一部分传送到存储目标计算设备；传输环境电路，该传输环境电路被构造成确定与通过网络进行的多个传感器数据值的至少一部分的传送对应的传输反馈；网络管理电路，该网络管理电路被构造成响应于传输反馈而更新传感器数据传输协议；以及网络通知电路，该网络通知电路被构造成响应更新的传感器数据传输协议来提供警报值。在实施例中，所述系统协作电路进一步响应于所更新的传感器数据传输协议。
本公开的任何前述实施例中的另一实施例可以包括如下情况：其中传输反馈包括从由以下各项组成的值中选择的至少一个反馈值：传输定价的变化，存储定价的变化，连接的失去，带宽的减小，连接的变化，网络可用性的变化，网络范围的变化，WAN连接的变化，以及WLAN连接的变化。
本发明的前述实施例中任一项的另一实施例可以包括如下情况：其中网络管理电路进一步包括专家系统。在实施例中，更新传感器数据传输协议进一步响应于所述专家系统的操作。
本公开的任何前述实施例中的另一实施例可以包括如下情况：其中机器学习算法进一步用于利用包括传输条件的反馈数据。
本发明的前述实施例中任一项的另一实施例可以包括如下情况：其中网络管理电路进一步包括机器学习算法。在实施例中，更新传感器数据传输协议进一步响应于所述机器学习算法的操作。
本公开的任何前述实施例中的另一实施例可以包括如下情况：其中机器学习算法进一步被构造成利用包括传输条件的反馈数据。
本公开的任何前述实施例中的另一实施例可以包括如下情况：其中反馈数据进一步包括多个传感器值的至少一部分。
本公开的任何前述实施例中的另一实施例可以包括其中反馈数据进一步包括基准点数据的情况。
本发明的前述实施例中任一项的另一实施例可以包括如下情况：其中基准点数据进一步包括选自由以下项组成的列表的数据：网络效率、数据效率、与偏置数据收集器的比较、吞吐量效率、数据效力、数据质量、数据精度、数据准确度以及数据频率。
本公开的任何前述实施例中的另一实施例可以包括如下情况：其中基准点数据进一步包括选自由以下项组成的列表的数据：环境响应、网状网络一致性、数据覆盖范围、目标覆盖范围、信号分集、关键响应以及运动效率。
参照图174，用于工业环境中进行数据收集的示例系统12500包括具有多个部件12504的工业系统12502，以及多个传感器12506。在实施例中，传感器12506中的每个传感器均可操作地耦合到组件12504中的至少一个。传感器的选择、分布、类型以及通信设置取决于系统12500的应用和/或上下文。
示例系统12500还包括传感器通信电路12522(参照图185)，该传感器通信电路12522解译多个传感器数据值12542。一种示例性系统包括传感器数据值12542，该传感器数据值12542是支持传感器融合操作的多个值，例如，一组传感器被认为包含对影响期望输出的系统的操作条件的检测，以控制过程或工业系统12502的一部分，以诊断或预测工业系统12502的某个方面或与工业系统12502相关联的过程。
在某些实施例中，传感器数据值12542被提供给数据收集器12508，该数据收集器12508可以与多个传感器12506和/或与控制器12512进行通信。在某些实施例中，附加地或替代性地存在工厂计算机12510。在示例性系统中，控制器12512被构造成在功能上执行传感器通信电路12522、传感器数据存储配置文件电路12524、传感器数据存储实施电路12526、存储规划电路12528和/或触觉反馈电路12530的操作。为了清楚描述，控制器12512被描绘为单独的设备。控制器12512的各方面可以存在于传感器12506、数据控制器12508、工厂计算机12510和/或云计算设备12514上。在整个本公开中描述的某些实施例中，控制器12512或其它控制器的所有方面可以存在于系统12500上描绘的另一个设备中。工厂计算机12510表示可以存在工业系统12500中和/或与工业系统12500进行通信的本地计算资源，例如处理、存储器和/或网络资源。在某些实施例中，云计算设备12514表示例如通过专用网络、内联网、通过蜂窝通信、卫星通信和/或通过因特网可在工业系统12502外部使用的计算资源。在某些实施例中，数据控制器12508可以是计算设备、智能传感器、MUX盒或能够从多个传感器接收数据并且传递数据和/或存储数据以供稍后传输的其它数据收集设备。数据控制器12508的示例没有存储和/或具有有限存储，并且通过其选择性地传递传感器数据，其中传感器数据的子集由于数据控制器12508、相关网络的和/或受环境约束强加的带宽考虑而在给定时间传送。在某些实施例中，系统12500中的一个或多个传感器和/或计算设备是便携式设备—例如，步行通过工业系统的工厂操作者可以具有智能手机，系统12500可以选择性地将该智能手机用作数据控制器12508、传感器12506—例如以增强通信吞吐量、传感器分辨率，和/或用作用于将传感器数据值12542传送至控制器12512的主要方法。系统12500描绘了控制器12512、传感器12506、数据控制器12508、工厂计算机12510和/或具有用于在其上存储传感器数据的存储器的云计算设备12514，其中它们当中任何一个或多个可以不具有用于在其上存储传感器数据的存储器。在某些实施例中，传感器数据存储配置文件电路12524准备数据存储配置文件12532，存储配置文件12532将传感器数据引导到存储器，包括以受控方式将传感器数据从一个存储器移动到另一个存储器。存储在各种设备上的传感器数据消耗设备上的存储器，在设备之间传输存储的数据消耗系统12500中的网络和/或通信带宽，和/或对传感器数据的操作(诸如处理、压缩、统计分析、汇总和/或提供警报)消耗处理器循环以及存储空间以支持诸如缓冲文件、中间数据等操作。因此，数据存储配置文件12532的改进或最佳配置和/或更新提供了较低的系统资源利用率和/或允许以较高分辨率、在较长时间帧中和/或从大量传感器存储传感器数据。
参考图175，描绘了用于工业系统的数据收集器的自组织数据存储的示例性装置12520。示例性装置12520包括控制器，诸如控制器12512。示例性控制器包括解译多个传感器数据值12542的传感器通信电路12522，以及确定数据存储配置文件12532的传感器数据存储配置文件电路12524。数据存储配置文件12532包括用于多个传感器数据值12542的数据存储计划。数据存储计划包括最初存储多少传感器数据值12542(例如，当数据被采样时，和/或在初始传输到数据控制器12508、工厂计算机12510、控制器12512和/或云计算设备12514之后)。示例性数据存储配置文件12532包括用于数据传输的规划，其可以根据时间、程序阶段、系统12500的操作条件和/或与系统相关的网络，以及系统12500内的设备的通信条件。
例如，可以规划将来自温度传感器的数据本地存储在具有存储容量的传感器上，并且以突发方式将该数据传输到数据控制器。例如当数据控制器存储器达到阈值时、当网络通信容量可用时、在程序结束时和/或在请求时，可以指示数据控制器按照计划将传感器数据传输到云计算设备。另外或替代地，来自传感器的数据可以在设备上或者在数据传输时(例如，刚好在传输之前、刚好在传输之后或按照计划)改变。例如，数据存储配置文件12532可以描述存储高分辨率、高精度和/或高采样速率数据，并且减少在一段时间后设定的数据的存储、选定事件和/或成功的程序或不再需要高分辨率数据的确认。因此，更高分辨率数据和/或来自大量传感器的数据可以诸如通过传感器融合操作等来利用，同时还管理长期存储器利用。可以针对存储器特性单独地处理每个传感器数据集，和/或可以针对类似处理对传感器进行分组(例如，具有类似数据特性和/或具有对系统具有类似影响的传感器、在传感器融合操作中协作的传感器、用于模型的一组传感器或虚拟传感器等)。在某些实施例中，可以根据数据存储配置文件12532的更新、采集数据的时间或程序阶段，和/或诸如网络问题、故障状态等系统条件，明确地处理来自单个传感器的传感器数据。另外地或替代地，单组传感器数据可以存储在系统中的多个位置，例如，在几个单独的传感器融合操作中使用相同的数据的位置，并且来自存储多组相同数据的资源消耗低于处理器或网络利用率以在几个单独的程序中利用单个存储的数据集。
参考附图179，示出了数据存储配置文件12532的一个示例的各个方面。示例性数据存储配置文件12532包括数据存储配置文件12532的多个方面，这些方面可以作为数据存储配置文件12532的相对于存储位置定义12534、存储时间定义和/或存储时间定义12536、数据分辨率描述12540而言的附加或替代方面被包含，和/或作为它们的方面被包含。和图179中示出的存储器有关的因素或参数中的任何一个或多个可以包含在数据存储配置文件12532中和/或由自组织存储系统(例如，系统12500和/或控制器12532)管理。自组织存储系统可以单独地或相结合地利用专家系统管理或优化本公开中提到的任何此类参数或因素，这可能涉及基于规则的优化、基于性能模型的优化，和/或任选地包括深度学习方法的利用机器学习/人工智能的优化，或以上的混合或组合。在实施例中，数据存储配置文件12532的一个示例包括存储类型计划12576，或者例如基于存储器的底层物理介质类型、存储器所在的设备或系统的类型、存储器可以被接入以用于读取或写入数据所借助的机制等说明或解释存储器类型的配置文件。例如，存储介质计划12578可以说明或解释使用了磁带介质、硬盘驱动器介质、闪存介质、非易失性存储器、光介质、一次性可编程存储器等。该存储介质计划可以解释或说明和介质有关的参数，包括诸如存储期、功率使用、可靠性、冗余度、热性能因素、相对于环境条件(诸如辐射或极端温度)的稳健性、输入/输出速度和能力、写入速度、读取速度等的性能，或者其它介质特定的参数，诸如数据文件组织、操作系统、读-写生存期、数据错误率和/或和介质或介质控制器有关或其固有的数据压缩方面。存储接入计划12580或配置文件可以说明或解释可用存储器(例如，数据库存储器(包括关系数据库、面向对象的数据库和其它数据库，以及分布式数据库、虚拟机、基于云的数据库等)、云存储器(例如，S3TM存储桶和其它简单存储格式)、基于流的存储器、高速缓存存储器、边缘存储器(例如，基于边缘的网络节点)、设备上存储器、基于服务器的存储器、附网存储器等)的接口的性质。存储接入计划或配置文件可以说明或解释诸如不同存储类型的成本、输入/输出性能、可靠性、复杂度、大小的因素以及其它因素。存储协议计划12582或配置文件可以说明或解释可以通过其传送或写入数据的协议，诸如流协议、基于IP的协议、非易失性内存主机控制器接口规范协议、串行高级技术附件协议或其它网络连接存储协议、磁盘连接存储协议、以太网协议、对等存储协议、分布式分账类协议、基于包的存储协议、基于批的存储协议、元数据存储协议、(利用各种压缩类型，诸如基于包的媒体、流媒体、有损或无损压缩类型等的)压缩存储协议，或者其它协议。存储协议计划可以解释或说明和存储协议有关的因素，诸如输入/输出性能、与可用网络资源的兼容性、成本、复杂度、用来实施该协议所需的数据处理、用来支持协议的网络利用率、用来支持系统噪声(例如，EM、竞争网络流量、网络可用性的中断频率)的协议的稳健性、用来实施协议的存储器利用率(诸如，已存储存储器利用率，和/或在创建或转移数据过程中的中间存储器利用率)，等等。存储写入协议12584计划或配置文件可以说明或解释如何向存储装置写入数据，诸如以文件形式、以流形式、以批形式、以离散块、到分区、以跨越不同存储位置的条或带、以流、以包等形式。存储写入协议可以解释或说明和写入有关的参数和因素，诸如输入速度、可靠性、冗余度、安全性等。存储安全计划12586或配置文件可以解释或说明将如何使存储装置安全，诸如密码保护的可用性或类型、认证、许可、权限管理、(数据、存储介质和/或系统上的网络流量的)加密、物理隔离、网络隔离、地理布置，等等。存储位置计划12588或配置文件可以说明或解释存储的位置，例如地理位置、网络位置(例如，在边缘处，在给定服务器上，或者在给定云平台或多个平台内)或者设备上的位置，例如，数据收集器上的位置、手持设备(例如，环境内操作者的智能手机、平板电脑、或个人计算机)上的位置、一组设备(例如，网格、点对点组、环、轴辐小组、一组平行设备、一群设备(例如，收集器的集群)等)内或上的位置、工业环境中的位置(例如，机器的或用于机器的仪器系统的存储元件中的位置，用于环境的信息技术系统上的位置等)或者专用存储系统(例如，磁盘、加密狗、USB设设备等)上的位置。存储备份计划12590或配置文件可以解释或说明用于已存储数据的备份或冗余的计划，诸如指明冗余位置和针对备份存储位置管理任何一个或全部以上因素。在某些实施例中，存储安全计划12586和/或存储备份计划12590可以说明例如以下参数：数据保持、长期数据计划(例如，在一段时间之后和/或在系统中对数据执行某些操作之后将存储的数据迁移至某不同的存储介质)、对数据和/或存储介质的物理风险管理(例如，在具有不同物理风险参数的多个地理区域中提供数据，当存储位置经历物理风险时移动数据，根据长期存储介质的预测生命周期刷新数据等)。
示例性控制器12512进一步包括传感器数据存储实施电路12526，该传感器数据存储实施电路12526响应于数据存储配置文件12532存储多个传感器数据值中的至少一部分。控制器12512的一个示例包括数据存储配置文件12532，数据存储配置文件具有对应于多个传感器数据值12542中的至少一个的存储位置定义12534，包括至少一个位置，例如：传感器存储位置(例如，存储在传感器上和/或存储在接近工业系统12502的用户12518的便携式设备上一段时间的数据，其中该便携式设备由系统调适为传感器)、传感器通信设备存储位置(例如，数据控制器12508、MUX设备、与其它传感器进行通信的智能传感器，和/或在接近工业系统12502的用户12518的便携式设备或工业系统12502的网络上，其中该便携式设备被系统调适为通信设备以在系统中的部件之间传递传感器数据，等等)、区域网络存储位置(例如，在工厂计算机12510和/或控制器12512上)，和/或全球网络存储位置(例如，在云计算设备12514上)。
控制器12512的一个示例包括数据存储配置文件12532，该数据存储配置文件12532包括对应于多个传感器数据值12542中的至少一个的存储时间定义12536，包括至少一个时间值，例如，多个传感器数据值中对应的至少一个将要存储的时域描述(例如，数据的时间和位置，可以包括对于某些方面而言的相对时间，例如数据采样的时间、过程阶段开始或停止时间等，或者绝对时间，例如午夜、星期六、该月的第一天，等等)；包括多个时间值的时域存储轨迹，该多个时间值对应于多个传感器数据值中对应的至少一个将要存储的多个存储位置(例如，传感器数据通过系统在多个设备上的流动，每次存储转移的时间包括相对时间描述或绝对时间描述)；多个传感器数据值中对应的至少一个将要存储的过程描述值(例如，包括在所描述过程部分期间数据值的过程描述和计划存储位置，过程描述可以包括过程的阶段以及过程和存储计划有关的标识，等等)；和/或包括多个过程阶段的过程描述轨迹，该多个过程阶段对应于多个传感器数据值中对应的至少一个将要存储的多个存储位置(例如，传感器数据通过系统在多个设备上的流动，用于每次存储转移的过程阶段和/或过程标识)。
控制器12512的一个示例包括数据存储配置文件12532，该数据存储配置文件包括对应于多个传感器数据值12544中的至少一个的数据分辨率描述12540，其中数据分辨率描述12540包括例如以下值：对应于多个传感器数据值中的至少一个的检测密度值(例如，检测密度可以是时间采样分辨率、空间采样分辨率、采样数据的精度，和/或所应用的可以实现可用分辨率的处理操作，例如对数据的过滤和/或有损压缩)；对应于多个传感器数据值中的多于一个的检测密度值(例如，具有相似检测密度值的一组传感器，根据具有指定检测密度值的一组传感器确定的第二数据值，等等)；包括多个传感器数据值中的至少一个的多个检测密度值的检测密度轨迹，该多个检测密度值中的每一个对应于时间值(例如，检测密度概念中的任何一个与时域概念中的任何一个进行组合)；包括多个传感器数据值中的至少一个的多个检测密度值的检测密度轨迹，该多个检测密度值中的每一个对应于处理阶段值(例如，检测密度概念中的任何一个与过程描述或阶段概念中的任何一个进行组合)；和/或包括多个传感器数据值中的至少一个的多个检测密度值的检测密度轨迹，该多个检测密度值中的每一个对应于存储位置值(例如，检测密度可以根据存储数据的设备而改变)。
传感器数据存储配置文件电路12524的一个示例在传感器数据存储实施电路12526的操作之后进一步更新数据存储配置文件12532，其中传感器数据存储实施电路12526进一步响应于更新的数据存储配置文件12532存储多个传感器数据值12544的一部分。例如，在系统运行期间，在第一时间点，传感器数据存储实施电路12526利用传感器数据存储实施电路12526的当前存在的数据存储配置文件，该利用可以基于系统性能的初始估计值、系统的操作者的期望数据，和/或根据传感器数据存储配置文件电路12524的之前操作。在系统运行期间，传感器数据存储实施电路12526根据数据存储配置文件12532存储数据，并且传感器数据存储配置文件电路12524确定数据存储配置文件12532的参数，这可以引起系统性能的改善。传感器数据存储配置文件电路12524的一个示例测试数据存储配置文件12532的各种参数，例如通过利用机器学习优化例程，并且在确定了改善的数据存储配置文件12532可用时，传感器数据存储配置文件电路12524提供该更新的数据存储配置文件12532，该更新的数据存储配置文件12532由传感器数据存储实施电路12526利用。在某些实施例中，传感器数据存储配置文件电路12524可以执行各种操作，诸如：提供中间数据存储配置文件12532，该中间数据存储配置文件由传感器数据存储实施电路12526利用以产生真实世界结果；对系统应用建模(基于系统特征的第一原理建模，利用系统的实际运行数据的模型，利用偏置系统的实际运行数据的模型，和/或这些的组合)以确定给定数据存储配置文件12532的结果将如何或可能如何(包括，例如，采用除了被用来支持系统所运行的过程之外的额外传感器数据)，和/或对数据存储配置文件12532应用随机的变化以确保优化例程不会停留在局部最优或非最优条件。
传感器数据存储配置文件电路12524的一个示例进一步响应于外部数据12544和/或基于云的数据12538，更新数据存储配置文件12532，这些数据包括以下数据，诸如：增强数据请求值(例如，操作者、模型、优化例程，和/或其它过程请求一个或多个参数的增强数据分辨率)；过程成功值(例如，指示当前存储实践提供了充分的数据可用性和/或系统性能，和/或指示当前存储实践可能是能力过度的并且用来降低系统利用率的一个或多个变化是可用的)；过程失败值(例如，指示当前存储实践可能未提供充分的数据可用性和/或系统性能，其可以包括附加的操作或者针对操作者的警告以确定是否是数据传输和/或可用性促使了该过程故障)；部件服务值(例如，用来调节数据存储以确保更高的分辨率数据可用从而改善预测未来服务事件的学习算法的操作，和/或用来确定哪种因素可能促使过早服务的操作)；部件维护值(例如，用来调节数据存储以确保更高的分辨率数据可用从而改善预测未来维护事件的学习算法的操作，和/或用来确定哪种因素可能促使过早维护的操作)；网络描述值(例如，网络的变化，例如通过设备的标识、协议的确定和/或由用户或操作者输入，其中网络变化导致性能变化和针对传感器数据的潜在不同最优存储计划)；过程反馈值(例如，所检测到的一个或多个过程条件)；网络反馈值(例如，通过网络的实际操作确定的一个或多个网络变化—例如进行通信的一个或多个设备的丢失或减少、网络通信量变化、网络上的传输噪声值变化等)；传感器反馈值(例如，元数据，例如传感器故障、性能变化；和/或基于来自系统的检测数据，例如异常读数、变化率，或者指示分辨率增强或降低的非正常条件、采样时间等，应当改变存储计划)；和/或第二数据存储配置文件，其中第二数据存储配置文件针对偏移系统生成。
存储规划电路12528的一个示例确定数据配置计划12546并且响应于数据配置计划12546更新数据存储配置文件12532，其中传感器数据存储实施电路12526进一步响应于更新的数据存储配置文件12532存储多个传感器数据值中的至少一部分。数据配置计划12546的一个示例包括例如以下值：数据存储结构值(例如，数据类型，例如整数、字符串、逗号分隔文件，多少比特调拨给值等)；数据压缩值(例如，是否要压缩数据，要使用的压缩模型，和/或是否可以用概要信息、多项式或其它曲线拟合概要替代数据段，等等)；数据写入策略值(例如，是否按照分布式方式或者在单个设备上存储值，将要利用哪些网络通信和/或操作系统协议)；数据层次值(例如，哪些数据比其它数据更受支持，其中存储约束和/或通信约束将限制存储的数据—该限制可以是暂时性的，例如数据在预期时间将不会在预期位置中，或者该限制是永久性的，例如一些数据需要按照有损方式进行压缩和/或丢失)；针对数据确定的增强接入值(例如，数据为用于报告、搜索、建模接入和/或以其它方式标记的类型，其中增强接入包括数据为了可用性范围存储的位置、数据的标引、数据的概述、数据的专题报告，这些可以作为原始或处理后的传感器数据的补充进行存储)；和/或对应于数据的指令值(例如，指示数据可以位于哪里的占位符、接入数据的接口、指示单位的元数据、精度、时间帧、在运行中的过程、故障存在、结果等)。
由此可见，通过系统对数据流和存储提供控制允许普遍地改进整个系统的数据管理以及使数据管理随时间朝向优化移动。因此，对于资源(诸如，存储空间、通信带宽、功率消耗和/或处理器执行周期)的给定利用率而言，相比于之前已知的具有固定或手动配置数据存储和流动的系统而言，可以按照更易接入的方式积累更多具有高分辨率的数据。另外，系统可以对影响控制数据流动和存储的最优或有利参数的过程变化作出响应。获得本文公开内容的有益效果的本领域技术人员将认识到，数据存储方案的控制与数据类型控制以及和系统的过程操作有关的知识的组合形成了某些构想实施例中的强大组合。例如，具有更高分辨率的数据可以保持更长的时间段并且如果需要数据时使数据可用，而无需带来永久存储数据和/或在系统的每个层中传送数据的全部成本。
在一个实施例中，在地下采矿检查系统中，为了管理目的可能需要捕获并存储和有害气体浓度、温度、噪声等有关的某些详细数据，但是为了不间断操作的目的，可能仅周期性地需要和一种或多种有毒气体有关的单个数据点。在该实施例中，系统的数据存储配置文件可以指示，仅仅与管理需要保持一致的某些传感器数据按照长期和仅根据需要任选可用的某一方式进行存储，而所需的其它传感器数据可操作地按照更易接入的方式进行存储。
在另一个实施例中，涉及车队车辆的自动制动，可以在高分辨率下采集和制动使用及性能有关的数据并将数据存储在第一数据存储装置中，高分辨率数据并不在整个网络中传送，而将低分辨率数据周期地和/或近乎实时地传送至车队控制和维护应用。假如应用或其他用户需要更高分辨率的数据，可以从第一数据存储装置接入该数据。
在制造卡车和汽车的车身和框架部件的又一个实施例中，可以以高分辨率捕捉和存储关于油漆颜色、表面弯曲和其它质量控制测量值的某些详细数据，但是为了不间断可操作的目的，在吞吐量方面仅传送低分辨率数据。在该实施例中，系统的数据存储配置文件可以指示，按照长期和仅根据需要任选可用的特定方式存储符合质量控制需要的某些传感器数据，而所需的其它传感器数据可操作地按照更易接入的方式进行存储。
在另一个示例中，在数据流动通过系统时，数据类型、分辨率等可以根据有利于各个部件处理数据的值、根据用于数据的联网资源和/或根据随附数据(例如，模型、虚拟传感器和/或传感器融合操作)而进行配置和改变，其中通过利用随附数据，较高性能数据将不会改善过程的精度。
在一个实施例中，在轨道条件监测系统中，当采集轨道条件数据时，系统的各个部件可以采集不同分辨率的同一数据。继续该示例，当采集实时轨道交通数据时，可以在低分辨率下存储和/或传送这些数据以便在整个系统中迅速地散布数据，而可以在更高的分辨率下存储和利用利用率和负载数据以使轨道使用费和轨道维护的需要保持在更精细的水平。
在牵引机中运行的液压泵的另一个实施例中，当牵引机在现场并且未接入网络时，可以在牵引机上按照本地方式以低分辨率采集和存储来自车载传感器的数据，但是当牵引机恢复接入时，可以以高分辨率采集和传送数据。
在汽车厂中机器人操纵单元的致动器的又另一个实施例中，和致动器有关的数据可以流动到多个下游系统内，诸如单独利用致动器数据的生产跟踪系统以及与来自环境传感器的数据进行传感器融合来利用数据的能量效率跟踪系统。致动器数据的分辨率可以根据针对这些系统的不同使用而将致动器数据传送至这些系统中每一个而不同地进行配置。
在矿井中发电机的又另一个实施例中，可以采集和发电机的性能、发电机附近的一氧化碳水平以及运行该发电机的成本有关的数据。监管该矿井的控制系统的各个部件可能需要不同分辨率的同一数据。继续该示例，随着一氧化碳数据的采集，这些数据可以在低分辨率下存储和/或传送以便迅速地在整个系统中散布该数据，以适宜地警告工人。性能数据和成本数据可以在较高的分辨率下存储和利用以符合经济效率和终身维护需要。
在其它实施例中，卡车的车轮端部上的传感器可以监测润滑、噪声(例如，摩擦、振动)和温度。在现场时，可以以低分辨率远程地传送传感器数据以用于远程监测，但是当在离车队维护设施的阈值距离内时，可以以高分辨率传送数据。
在另一个示例中，数据的随附信息允许有效的下游处理(例如，通过下游设备或过程接入数据)，包括启封数据、毫无困难地确定出在系统中哪里可能存在相关的较高性能数据，和/或利用数据使操作流水线化(例如，报告、模拟、警告和/或执行传感器融合或其它系统分析)。一个实施例包括：在系统的第一存储设备中(例如，接近网络层中的传感器以保存网络通信资源)存储高性能(例如，高采样率、高精度、索引的等)数据并在网络层上发送较低性能数据(例如，发送到云计算设备)，其中较低性能数据包括用来接入存储的高性能数据的随附信息，包括可以由用户接入的随附数据(例如，标头、消息框或其它可有机界面化的随附数据)和/或由自动化过程接入的随附数据(例如，结构化数据、XML、填充子段等)，其中过程可以利用随附数据以自动地请求、检索或接入高性能数据。在某些实施例中，随附数据可以进一步包括和内容、精度、采样时间、校准有关的信息(例如，除跳动、过滤或所应用的其它处理)，使得正在接入的部件或用户可以在无需检索高性能数据的情况下确定此类数据是否满足期望参数。
在一个实施例中，可以采用高分辨率格式本地的存储来自附接至装配线上的振动器的振动传感器的振动噪声，同时可以将同一数据的低分辨率版本传送至基于云的服务器，该低分辨率版本具有和用于传感器融合的环境及本地噪声数据的可用性有关的随附信息。如果服务器上的驻留过程需要高分辨率数据，诸如机器学习过程，则服务器可以在此时检索该数据。
在飞机发动机的另一个实施例中，在飞行的同时，通过多个传感器聚集的性能数据可以连同随附信息一起传送至远程场所。随附信息(诸如，具有和历史飞机信息有关的元数据的标头)可以允许该远程场所在该历史数据的上下文下有效地分析性能数据而无需接入另外的数据库。
在发电设施中的碎煤机的又一个实施例中，伴随和离开碎煤机的煤的大小有关的低质量传感器数据的数据可以包括和大小测量值的精度有关的信息，使得技术人员可以确定是否需要更高分辨率的数据来确认碎煤机需要离线进行维护的决定。
在石油或天然气生产中采用的钻井机或生产平台的又一个实施例中，可以本地采集并存储和钻头及平台的操作参数有关的高性能数据，而仅向场外传送低性能数据以节省带宽。连同低性能数据一起，随附信息可以包括对在需要的情况下自动化场外过程如何可以自动地接入高性能数据的指令。
在又另一个实施例中，可以采用高分辨率格式本地的存储在石油和天然气生产或采矿中采用的泵上的温度传感器的数据，同时可以将同一数据的低分辨率版本传送至基于云的服务器，该低分辨率版本具有和用于传感器融合的噪声和能量使用数据的可用性有关的随附信息。如果服务器上的驻留过程需要高分辨率数据，诸如机器学习过程，则服务器可以在此时检索该数据。
在自动机器人操纵单元中的齿轮箱或农业环境的另一个实施例中，在使用的同时，通过多个传感器聚集的性能数据可以连同随附信息一起传送至远程场所。随附信息(诸如，具有和历史齿轮箱信息有关的元数据的标头)可以允许该远程场所在该历史数据的上下文中有效地分析性能数据而无需接入另外的数据库。
在矿井中的通风系统的又一个实施例中，伴随和空气中颗粒物的大小有关的低质量传感器数据的数据可以包括和大小测量值的精度有关的信息，使得技术人员可以确定是否需要更高分辨率的数据以确认通风系统需要维护的决定。
在农业中采用的滚子轴承的又一个实施例中，可以本地采集并存储和滚子轴承的操作参数有关的高性能数据，而仅向场外传送低性能数据以节省带宽。连同低性能数据一起，随附信息可以包括对在需要的情况下自动化场外过程如何可以自动地接入高性能数据的指令。
在矿井中捣矿机的又一个实施例中，伴随和离开捣矿机的矿物沉积物的大小有关的低质量传感器数据的数据可以包括和大小测量值的精度有关的信息，使得技术人员可以确定是否需要更高分辨率的数据来确认捣矿机需要改变操作参数的决定。
参考附图176，示出了存储时间定义12536的一个示例。存储时间定义12536的该示例示出了对应于多个时间值12558的多个存储位置12556。应当理解的是，诸如存储类型、存储介质、存储接入、存储协议、存储写入值、存储安全，和/或存储备份值的任何值可以包含在存储时间定义12536中。另外地或替代地，存储时间定义12536的一个示例可以包括过程操作、事件和/或除了时间值12558之外或者替代时间值12558的其它值。存储时间定义12536的该示例示出了相关传感器数据在第一时间间隔上移动到第一存储位置12550，在第二时间间隔上移动到第二存储位置12552，以及在第三时间间隔上移动到第三存储位置12554。虽然存储位置值12550、12552、12554被示出为对应于计划存储位置的整数选择，但是另外地或替代地，该值可以是连续的或离散的，并且并不一定是整数值。例如，为“1”的存储位置值12550可以与第一存储位置相关联，并且为“2”的存储位置值12550可以与第二存储位置相关联，其中在“1”和“2”之间的值具有明确的含义—移动数据的优先次序(例如，“1.1”表明，相比于“1.4”该数据应当以相对高的优先级从“2”移动到“1”)、要被移动的数据的百分比(例如，为了在转移操作期间控制网络利用率、存储器利用率等等)，和/或对具有替代选项的存储位置的偏好(例如，为了允许管理存储位置和包含在成本函数中，使得存储位置可以与系统的其它约束条件平衡)。另外地或替代地，存储时间定义12536可以包括附加的维度(例如，改变协议、介质、安全计划等)和/或可以包括用于存储计划的多个选项(例如，在三角定义空间或多维定义空间中提供在2、3、4或更多的存储位置、协议、介质等之间的权重值)。
参考附图177，示出了数据分辨率描述12540的一个示例。数据分辨率描述12540的该示例示出了对应于多个时间值12564的多个数据分辨率值12562。应当理解的是，诸如存储类型、存储介质、存储接入、存储协议、存储写入值、存储安全和/或存储备份值的任何值可以包含在数据分辨率描述12540中。另外地或替代地，数据分辨率描述12540的一个示例可以包括过程操作、事件和/或除了时间值12558之外或者替代时间值12558的其它值。数据分辨率描述12540的该示例示出了所存储的相关传感器数据分辨率值12560在时间间隔上的分辨率变化，例如，最初在低分辨率下运行，提高到更高的分辨率(例如，对应于过程启动时间)，到高分辨率值(例如，在过程时间期间，其中过程通过相关传感器数据的高分辨率得到显著改善)，以及到低分辨率值(例如，在完成过程之后)。虽然作为示例性示例，该示例示出了过程启动之前的分辨率比过程结束之后更高，但是数据分辨率描述12540可以包括任意的数据分辨率轨迹。虽然数据分辨率值12560被示出为对应于计划数据分辨率的整数选择，但是另外地或替代地，该值可以是连续的或离散的，并且并不一定是整数值。例如，为“1”的数据分辨率值12560可以与第一数据分辨率(例如，特定采样时间、字节分辨率等)相关联，并且为“2”的数据分辨率值12560可以与第二数据分辨率相关联，其中在“1”和“2”之间的值具有明确的含义—例如在定义的分辨率下采样的优先次序(例如，“1.1”表明，相比于“1.3”，该数据应当以对应于“1”的采样速率采用相对高的优先级获得，和/或应以介于“1”和“2”之间的比率的10％的采样率来获取数据)，和/或对具有替代选项的数据分辨率的偏好(例如，为了允许传感器或网络限制，例如数据控制器、智能传感器或从传感器获得数据的便携式设备等可用传感器通信设备，和/或包含在成本函数中，使得数据分辨率可以与系统这的其它约束条件平衡)。另外地或替代地，数据分辨率描述12540可以包括附加的维度(例如，改变协议、介质、安全计划等)和/或可以包括用于数据分辨率计划的多个选项(例如，在三角定义空间或多维定义空间中提供在2、3、4或者更多的数据分辨率值、协议、介质等之间的权重值)。
示例性系统12500还包括：触觉反馈电路12530，该触觉反馈电路12530响应于多个传感器值12542中的至少一个和/或数据存储配置文件12532以确定触觉反馈指令12548；以及响应于该触觉反馈指令12548的触觉反馈装置12516。示例性的非限制性触觉反馈指令12548包括例如以下指令：振动命令、温度命令、声音命令、电命令和/或光命令。触觉反馈电路12530的示例性的非限制性操作包括数据已存储或正存储在触觉反馈装置12516上和/或已存储或正存储在与触觉反馈装置12516进行通信的用户12518相关联的便携式设备上的反馈(例如，用户12518利用智能手机遍历系统12500，系统12500利用该智能手机来存储传感器数据并提供触觉反馈指令12548来通知用户12518该智能手机当前正被系统12500利用，从而例如允许用户12518保持与传感器、数据控制器或其它传输设备的通信，和/或允许用户主动地取消或启用数据传输)。另外地或替代地，触觉反馈装置12516可以是智能手机(例如，通过利用智能手机的振动、声音、光或其它触觉方面)，和/或触觉反馈装置12516可以包括数据存储能力和/或数据通信能力。
在某些实施例中，触觉反馈电路12530提供触觉反馈指令12548作为对用户12518的警告或通知，例如为了警告或通知用户12518某过程已经开始或将要启动、检测或预测到非正常运行、系统的部件需要或者被预测为需要维护、系统的某方面处于用户12518可能希望知道的状况(例如，在用户12518可能接近部件的情况下，部件仍然带电、具有任何类型的高势能、处于高压力下，和/或处于高温度下)、系统的数据存储有关的方面处于值得注意的状况(例如，系统的数据存储部件达到最大容量、不能通信、在故障状况下、已经失去与传感器的接触等)，以从用户12518请求响应(例如，批准启动过程、数据传输、处理速率改变、清除故障等)。在某些实施例中，触觉反馈电路12530配置触觉反馈指令12548以向用户12518提供直观反馈。例如，相对于信息通知，警告值可以提供更迅速、紧急和/或间歇的振动模式；基于温度的警告或通知可以利用基于温度的触觉反馈(例如，超温容器通知可以提供热或冷的触觉反馈)和/或闪烁和温度相关联的颜色(例如，对于超温闪烁红色或者对于温度不足闪烁蓝色)；基于电的通知可以提供电相关的触觉反馈(例如，与电相关联的声音，诸如蜂鸣声或打火声，或者甚至是温和的电反馈，诸如当用户正在打开仍然带电的部件的面板时)；为非正常运行的轴承、电机或其它旋转或振动部件提供振动反馈；和/或基于感测的数据向用户提供请求的反馈(例如，向触觉反馈装置传送振动配置文件，触觉反馈装置类似于在请求部件中检测到的振动，从而例如允许专业用户在无需物理接触的情况下诊断该部件；针对请求部件提供触觉反馈，例如当用户在进入部件、打开面板和/或进入可能危险的区域之前再次确认封锁/挂签操作时)。针对触觉反馈电路12530的操作所提供的示例为非限制性说明。
参考附图178，用于工业环境12566中数据收集的示例性装置包括控制器12512，包括：传感器通信电路12522，该传感器通信电路12522解译多个传感器数据值12542；传感器数据存储配置文件电路12524，该传感器数据存储配置文件电路12524确定数据存储配置文件12532，其中数据存储配置文件12532包括针对多个传感器数据值12542的数据存储计划；以及网络编码电路12568，该网络编码电路12568响应于多个传感器数据值12542和数据存储配置文件12532提供网络编码值12570。控制器12512还包括传感器数据存储实施电路12526，该传感器数据存储实施电路12526响应于数据存储配置文件12532和网络编码值12570存储多个传感器数据值12542中的至少一部分。网络编码值12570包括但不限于，用于数据传输的网络编码，诸如数据包大小、分配、包内传感器数据的组合，用于网络数据和通信的编码算法和解码算法，和/或控制整个系统中网络通信的任何其它方面。在某些实施例中，网络编码值12570包括线性网络编码算法、随机线性网络编码算法和/或卷积码。另外地或替代地，网络编码电路12568为系统的网络通信设备提供了调度和/或同步，并且可以包括针对系统中的独立网络的独立的调度和/或同步。网络编码电路12568根据数据量、传输速率以及网络利用率在整个系统中调度网络编码值12570，以及替代地或另外地，执行自我学习和/或机器学习操作以改善或优化网络编码。例如，具有到数据控制器的单个低容量数据传输的传感器可以利用到数据控制器的TCP/IP分组通信而无需线性网络编码，而从数据控制器到另一系统部件(例如，控制器12512)的更高容量累积的数据传输可以利用线性网络编码。网络编码电路12568的该示例针对系统中的部件实时地调节网络编码值12570以优化或改善传输速率、功率利用率、错误和丢包和/或任何其它期望的参数。例如，给定部件可能导致较低的传输速率，但可用内存较大，而下游部件的可用内存较小(可能相对于对该部件的数据存储预期而言)，并且相应地，针对给定部件的复杂网络编码值12570可能不导致整个系统中数据吞吐量的提高，而增强下游部件的吞吐量的网络编码值12570可能证明更复杂的网络编码值12570的处理开销是合理的。
示例性系统包括网络编码电路12568，该网络编码电路进一步确定网络定义值12572并且响应于网络定义值12572提供网络编码值12570。网络定义值12572的示例例如包括以下值：网络反馈值(例如，传输速率、正常运行时间、同步可用性等)、网络条件值(例如，存在噪声、传输/接收能力、掉线等)、网络拓扑值(例如，设备的通信流和连接性；操作系统、协议以及设备的存储类型；设备上的可用计算资源；系统中设备的位置和功能)、间断可用的网络设备值(例如，设备随时间或过程阶段变化的已知或观测可用性、设备的预测可用性、设备的已知噪声因素的预测，例如降低设备可用性的过程操作)，和/或网络成本描述值(例如，设备的资源利用率，包括相对成本或处理的影响、内存和/或通信资源；设备的功率利用率和功率消耗的成本；设备的可用功率以及和消耗功率有关的外部因素的成本描述—例如对于电池而言，功率本身并不贵但是在特定位置的功率具有与更换相关联的成本，包括在操作期间的可用性或对设备的接入)。
示例性系统包括网络编码电路12568，该网络编码电路12568进一步提供网络编码值12570，使得传感器数据存储实施电路通过利用第一网络编码值12570存储多个传感器数据值12542中的第一部分，并且通过利用第二网络编码值12570存储多个传感器数据值12542中的第二部分(例如，网络编码值12570可以根据正在传输的数据、传输设备和/或随时间或过程阶段而不同)。示例性的非限制性网络编码值包括：网络类型选择(例如，公共网、私人网、无线网、有线网、内联网、外联网、因特网、蜂窝网等)、网络选择(例如，将利用可用的若干网络中的哪一个或哪些个)、网路编码选择(例如，分组定义、编码技术、线性的、随机化线性的、卷积的、三角的等)、网络定时选择(例如，设备之间数据传输的同步和定序)、网络特征选择(例如，打开或关闭网络支持设备或中继器；启用、禁用或调整安全选择；增大或减小设备的功率等)、网络协议选择(例如，TCP/IP、FTP、Wi-Fi、蓝牙、以太网和/或路由协议)、数据包大小选择(包括标头和奇偶校验信息)，和/或数据包排序选择(例如，确定如何传送可能在设备上的各种传感器信息，和/或确定包和数据值的对应性)。示例性网络编码电路12568进一步调节网络编码值12570，用来提供中间网络编码值(例如，作为系统上的测试编码值，和/或作为离线运行的模型编码值)、将对应于网络编码值12570中的每一个的性能指示符12574和中间网络编码值进行比较，以及响应于性能指示符12574的比较结果提供更新的网络编码值(例如，作为网络编码值12570)。
示例性系统包括工业系统，该工业系统具有若干部件以及各自可操作地耦合至该若干部件中至少一个的若干传感器。该若干传感器提供了若干传感器值，并且系统进一步包括若干组织结构，诸如控制器、数据收集器、工厂计算机、基于云的服务器和/或全球计算设备，和/或网络层，其中该组织结构用于自组织若干传感器值中至少一部分的存储。例如，控制器12512的运行提供了传感器数据值的存储和分配以降低用于存储传感器数据的资源(处理器、网络，和/或存储器)消耗。自组织操作包括随时间管理所存储的传感器数据，包括及时向系统部件提供传感器信息以由此完成操作(例如，针对系统的过程操作的控制、改善、建模、和/或机器学习)。另外，在整个数据存储生命周期中考虑数据安全，包括归于存储介质的长期安全、地理接入和/或未授权接入。示例性系统进一步包括响应于对应于工业系统的增强数据请求值或警告值中的至少一个提供增强分辨率的若干传感器值的组织结构。该系统通过控制存储过程提供增强的分辨率来解决系统影响，包括保持较低分辨率、概要或其它可用接入数据，并且按照较低资源利用率的方式存储较高分辨率的数据，较高分辨率的数据在请求后和/或在适合于系统操作的时间可用。示例性增强分辨率包括：增强空间分辨率、增强时域分辨率、与标准分辨率的若干传感器值相比更多数量的若干传感器值，和/或与标准分辨率的若干传感器值相比若干传感器值中的更高精度。示例性系统进一步包括网络层，其中组织结构针对自组织网络编码配置为在网络层上传送若干传感器值。示例性系统进一步包括用户的触觉反馈装置，该触觉反馈装置接近于工业系统或网络层中的至少一个，并且其中组织结构配置为向触觉反馈装置提供触觉反馈，和/或用于将该触觉反馈配置为向用户提供直观警告。
在实施例中，用于工业环境中数据收集的系统可以包括：传感器通信电路，传感器通信电路被构造为解译多个传感器数据值；传感器数据存储配置文件电路，传感器数据存储配置文件电路被构造为确定数据存储配置文件，该数据存储配置文件包括针对多个传感器数据值的数据存储计划；以及传感器数据存储实施电路，传感器数据存储实施电路被构造为响应于数据存储配置文件存储多个传感器数据值中的至少一部分。在实施例中，数据存储配置文件可以包括对应于多个传感器数据值中至少一个的存储位置定义，该存储位置定义包括选自由以下组成的位置中的至少一个位置：传感器存储位置、传感器通信设备存储位置、区域网络存储位置，以及全球网络存储位置。数据存储配置文件可以包括对应于多个传感器数据值中至少一个的存储时间定义，该存储时间定义包括选自由以下组成的时间值中的至少一个时间值：时域描述，多个传感器数据值中对应的至少一个将在其上存储；时域存储轨迹，包括对应于多个存储位置的多个时间值，多个传感器数据值中对应的至少一个将在时域存储轨迹上存储；过程描述值，多个传感器数据值中对应的至少一个将在其上存储；以及过程描述轨迹，包括对应于多个存储位置的多个过程阶段，多个传感器数据值中对应的至少一个将在过程描述轨迹上存储。数据存储配置文件可以包括对应于多个传感器数据值中至少一个的数据分辨率描述。在实施例中，该数据分辨率描述包括以下中的至少一个：对应于多个传感器数据值中的至少一个的检测密度值；对应于多个传感器数据值中的至少一个的多个的检测密度值；检测密度轨迹，包括多个传感器数据值中的至少一个的多个检测密度值，该多个检测密度值中的每个对应于时间值；检测密度轨迹，包括多个传感器数据值中的至少一个的多个检测密度值，该多个检测密度值中的每个对应于过程阶段值；以及检测密度轨迹，包括多个传感器数据值中的至少一个的多个检测密度值，该多个检测密度值中的每个对应于存储位置值。传感器数据存储配置文件电路可以进一步被构造成在传感器数据存储实施电路的操作之后更新数据存储配置文件。在实施例中，传感器数据存储实施电路被进一步构造成响应于更新的数据存储配置文件存储多个传感器数据值中的一部分。传感器数据存储配置文件电路可以被进一步构造成响应于外部数据更新数据存储配置文件，该外部数据包括选自由以下组成的数据值中的至少一个数据值：增强数据请求值、过程成功值、过程失败值、部件服务值、部件维护值、网络描述值、过程反馈值、网络反馈值、传感器反馈值；以及第二数据存储配置文件，该第二数据存储配置文件针对偏置系统生成。存储规划电路可以被构造成确定数据配置计划，响应于该数据配置计划更新数据存储配置文件。在实施例中，传感器数据存储实施电路被进一步构造成响应于更新的数据存储配置文件，存储多个传感器数据值中的至少一部分。数据配置计划可以包括选自由以下组成的值中的至少一个值：数据存储结构值、数据压缩值、数据写入策略值、数据层次值、针对数据确定的增强接入值，以及对应于数据的指令值。触觉反馈电路可以被构造成响应于多个传感器值或数据存储配置文件中的至少一个确定触觉反馈指令；以及可以响应于该触觉反馈指令的触觉反馈装置。触觉反馈指令可以包括选自由以下组成的指令中的至少一个指令：振动命令、温度命令、声音命令、电命令以及光命令。数据存储计划可以由基于规则的专家系统利用反馈来生成。在实施例中，所述反馈与所述工业环境的一方面或者多个传感器数据值中的一个或多个有关。数据存储计划可以由基于模型的专家系统利用反馈来生成。在实施例中，所述反馈与所述工业环境的一方面或者多个传感器数据值中的一个或多个有关。数据存储计划可以由迭代专家系统利用反馈来生成。在实施例中，所述反馈与所述工业环境的一方面或者多个传感器数据值中的一个或多个有关。数据存储计划可以由深度学习机器系统利用反馈来生成。在实施例中，所述反馈与所述工业环境的一方面或者多个传感器数据值中的一个或多个有关。数据存储计划可以基于存储装置的底层物理介质类型、存储装置所在的设备或系统的类型以及存储装置可以借助其进行接入以用于读取或写入数据的机制中的一种或多种。底层物理介质可以是磁带介质、硬盘驱动器介质、闪存介质、非易失性存储器、光介质以及一次性可编程存储器中的一种。数据存储计划可以解释或说明和底层物理介质有关的参数，包括以下中的一个或多个：存储期、功率使用率、可靠性、冗余度、热性能因素、相对于环境条件的稳健性、输入/输出速度和性能、写入速度、读取速度、数据文件组织、操作系统、读-写生存期、数据错误率，以及和底层物理介质或介质控制器有关或其固有的数据压缩方面。数据存储计划可以包括以下中的一个或多个：存储类型计划、存储介质计划、存储接入计划、存储协议计划，存储写入协议计划、存储安全计划、存储位置计划，以及存储备份计划。
在实施例中，用于工业环境中数据收集的系统可以包括：传感器通信电路，传感器通信电路被构造为解译多个传感器数据值；传感器数据存储配置文件电路，传感器数据存储配置文件电路被构造为确定数据存储配置文件，该数据存储配置文件包括针对多个传感器数据值的数据存储计划；网络编码电路，网络编码电路被构造成响应于多个传感器数据值和数据存储配置文件提供网络编码值；以及传感器数据存储实施电路，传感器数据存储实施电路被构造为响应于数据存储配置文件和网络编码值存储多个传感器数据值中的至少一部分。网络编码电路可以被构造成确定网络定义值和进一步响应于该网络定义值提供网络编码值。在实施例中，网络定义值包括选自由以下组成的值中的至少一个值：网络反馈值、网络条件值、网络拓扑值、间断可用的网络设备值以及网络成本描述值。网络编码电路可以被构造成提供网络编码值，使得传感器数据存储实施电路通过利用第一网络编码值存储多个传感器数据值中的第一部分，以及通过利用第二网络编码值存储多个传感器数据值中的第二部分。网络编码值可以包括选自由以下组成的值中的至少一个值：网络类型选择、网络选择、网络编码选择、网络定时选择、网路特征选择、网络协议选择、包大小选择，以及包排序选择。网络编码电路可以进一步被构造成调节网络编码值以提供中间网络编码值、将对应于网络编码值的每一个的性能指示符和中间网络编码值进行比较，以及响应于性能指示符的比较结果提供更新的网络编码值。
在实施例中，系统可以包括：包括多个部件的工业系统，并且多个传感器各自可操作地耦合至该多个部件中的至少一个；提供多个传感器值的多个传感器；以及用于该多个传感器值中至少一部分的自组织存储的装置。在实施例中，可以提供用来响应于和工业系统相对应的增强数据请求值或警告值中的至少一个而增强多个传感器值的分辨率的装置。在实施例中，增强的分辨率包括以下项中的至少一个：增强的空间分辨率、增强的时域分辨率、与标准分辨率的多个传感器值相比更多数量的多个传感器值，以及与标准分辨率的多个传感器值相比多个传感器值中的至少一个的更高精确度。该系统可以包括网络层和用于为网络层上多个传感器值的传送进自组织网络编码的装置。该系统可以包括用于为接近工业系统或网络层中至少一个的用户的触觉反馈装置提供触觉反馈的装置。系统可以包括用于配置触觉反馈以向用户提供直观警告的装置。
在实施例中，用于从矿井中收集的数据的自组织数据存储的系统可以包括：传感器通信电路，传感器通信电路被构造为解译多个传感器数据值；传感器数据存储配置文件电路，传感器数据存储配置文件电路被构造为确定数据存储配置文件，该数据存储配置文件包括针对多个传感器数据值的数据存储计划；以及传感器数据存储实施电路，传感器数据存储实施电路被构造为响应于数据存储配置文件存储多个传感器数据值中的至少一部分。在实施例中，该系统可以包括用于从装配线收集的数据的自组织数据存储，包括：传感器通信电路，传感器通信电路被构造为解译多个传感器数据值；传感器数据存储配置文件电路，传感器数据存储配置文件电路被构造为确定数据存储配置文件，该数据存储配置文件包括针对多个传感器数据值的数据存储计划；以及传感器数据存储实施电路，传感器数据存储实施电路被构造为响应于数据存储配置文件存储多个传感器数据值中的至少一部分。
在实施例中，用于从农业系统收集的数据的自组织数据存储的系统可以包括：传感器通信电路，传感器通信电路被构造为解译多个传感器数据值；传感器数据存储配置文件电路，传感器数据存储配置文件电路被构造为确定数据存储配置文件，该数据存储配置文件包括针对多个传感器数据值的数据存储计划；以及传感器数据存储实施电路，传感器数据存储实施电路被构造为响应于数据存储配置文件存储多个传感器数据值中的至少一部分。
在实施例中，用于从汽车机器人操纵单元收集的数据的自组织数据存储的系统可以包括：传感器通信电路，传感器通信电路被构造为解译多个传感器数据值；传感器数据存储配置文件电路，传感器数据存储配置文件电路被构造为确定数据存储配置文件，该数据存储配置文件包括针对多个传感器数据值的数据存储计划；以及传感器数据存储实施电路，传感器数据存储实施电路被构造为响应于数据存储配置文件存储多个传感器数据值中的至少一部分。
在实施例中，用于从汽车系统收集的数据的自组织数据存储的系统可以包括：传感器通信电路，传感器通信电路被构造为解译多个传感器数据值；传感器数据存储配置文件电路，传感器数据存储配置文件电路被构造为确定数据存储配置文件，该数据存储配置文件包括针对多个传感器数据值的数据存储计划；以及传感器数据存储实施电路，传感器数据存储实施电路被构造为响应于数据存储配置文件存储多个传感器数据值中的至少一部分。
在实施例中，用于从汽车机器人操纵单元收集的数据的自组织数据存储的系统可以包含：传感器通信电路，传感器通信电路被构造为解译多个传感器数据值；传感器数据存储配置文件电路，传感器数据存储配置文件电路被构造为确定数据存储配置文件，该数据存储配置文件包括针对多个传感器数据值的数据存储计划；以及传感器数据存储实施电路，传感器数据存储实施电路被构造为响应于数据存储配置文件存储多个传感器数据值中的至少一部分。
在实施例中，用于从航空航天系统收集的数据的自组织数据存储的系统可以包括：传感器通信电路，传感器通信电路被构造为解译多个传感器数据值；传感器数据存储配置文件电路，传感器数据存储配置文件电路被构造为确定数据存储配置文件，该数据存储配置文件包括针对多个传感器数据值的数据存储计划；以及传感器数据存储实施电路，传感器数据存储实施电路被构造为响应于数据存储配置文件存储多个传感器数据值中的至少一部分。
在实施例中，用于从铁路收集的数据的自组织数据存储的系统可以包括：传感器通信电路，传感器通信电路被构造为解译多个传感器数据值；传感器数据存储配置文件电路，传感器数据存储配置文件电路被构造为确定数据存储配置文件，该数据存储配置文件包括针对多个传感器数据值的数据存储计划；以及传感器数据存储实施电路，传感器数据存储实施电路被构造为响应于数据存储配置文件存储多个传感器数据值中的至少一部分。
在实施例中，用于从石油和天然气生产系统收集的数据的自组织数据存储的系统可以包括：传感器通信电路，传感器通信电路被构造为解译多个传感器数据值；传感器数据存储配置文件电路，传感器数据存储配置文件电路被构造为确定数据存储配置文件，该数据存储配置文件包括针对多个传感器数据值的数据存储计划；以及传感器数据存储实施电路，传感器数据存储实施电路被构造为响应于数据存储配置文件存储多个传感器数据值中的至少一部分。
在实施例中，一种用于从发电系统收集的数据的自组织数据存储的系统，该系统包括：传感器通信电路，传感器通信电路被构造为解译多个传感器数据值；传感器数据存储配置文件电路，传感器数据存储配置文件电路被构造为确定数据存储配置文件，该数据存储配置文件包括针对多个传感器数据值的数据存储计划；以及传感器数据存储实施电路，传感器数据存储实施电路被构造为响应于数据存储配置文件存储多个传感器数据值中的至少一部分。
在实施例中，提供了用于一个或多个机器中或者和该一个或多个机器有关的数据收集的方法和系统，该一个或多个机器利用自组织网络编码布置在工业环境中，该自组织网络编码用于网络中传感器数据的网络传输。在实施例中，网路编码可以用于指定并管理包(包括在本公开所公开的各种实施例中或通过引用并入的文献中提到的数据包流)从发送器(例如，数据收集器、仪器系统、计算机或者在其中收集数据的工业环境中的类似物，诸如来自工业机器上、其中或者其附近的传感器或仪器，或者来自环境中的数据存储装置)中继到接收机(例如，另一数据收集器(诸如在群组或协调组中)、仪器系统、计算机、存储装置或者工业环境中的类似物，或者到远程计算机、服务器、云平台、数据库、数据池、数据市场、移动设备(例如，手机、个人计算机、平板电脑，等等)，或者系统的其它网络连接设备)所采用的方式，例如通过一个或多个网络基础设施元件(本文中在一些情况中称为节点)，诸如接入点、交换机、路由器、服务器、网关、桥、连接器、物理接口等，通过利用一种或多种网络协议，诸如，基于IP的协议、TCP/IP、UDP、HTTP、蓝牙、低功率蓝牙、蜂窝协议、LTE、2G、3G、4G、5G、CDMA、TDSM、基于分组的协议、流协议、文件传输协议、广播协议、组播协议、单播协议，以及其它协议。对于涉及双向通信的情形，以上参考的设备或系统中任何一个，或者在本公开中提到的其它设备或系统，可以扮演发送器或接收机的角色，或者两者兼具。网络编码可以解释网络的可用性，包括多个替代网络的可用性，使得传输可以在不同的网络上传送，该传输可以被分割成不同的组成部分，或者相同的组成部分可以冗余地进行发送。网络编码可以解释带宽和频谱可用性，例如，给定频谱可以被划分(诸如利用通过频率的细分频谱，通过时分复用，以及其它技术)。网络或网络部件可以是虚拟化的，诸如为了提供网络资源、规范虚拟网络的网络编码等目的。网络编码可以包括如在附录A中所述并结合附录A中图示的大量方法。
在实施例中，本公开的一个或多个网络编码系统或方法可以使用自组织，例如用来通过利用可以包括基于模型的系统的专家系统来针对一个或多个网络上的一个或多个传输配置网络编码参数(例如自动地选择网络编码参数或配置，该选择基于和传输有关的一个或多个已定义或已测量参数，诸如以下的参数：待传输的数据或内容、发送器、接收机、可用的网络基础设施部件、网络基础设施的条件、工业环境的条件，等等)。模型可以例如解释和以下有关的参数：文件大小、包的数量、流的大小、数据包或流的关键性、包或流的值、传输的成本、传输的可靠性、服务的质量、传输的质量、用户体验的质量、金融收益、频谱的可用性、输入/输出速度、存储装置可用性、存储装置可靠性，以及如本公开所提到的许多其它参数。在实施例中，专家系统可以包括基于规则的系统，其中基于条件或参数的检测、变量的计算等执行一个或多个规则，诸如基于以上所提到的参数中的任何一个。在实施例中，专家系统可以包括机器学习系统，诸如深度学习系统，诸如基于神经网络、自组织映射或者其它人工智能方法(包括本公开中或通过引用并入的文献中提到的任何方法)。在本公开实施例的任一个中的机器学习系统可以配置一个或多个输入、权重、连接、功能(包括单独神经元或神经网络中成组神经元的功能)或者人工智能系统的其它参数。此类配置可以利用迭代和反馈产生，任选地涉及人类监督，诸如通过反馈成功或失败的各种量度。在网络编码的情况下，配置可以涉及为网络编码规范或计划设置一个或多个编码参数，诸如用于网络的选择、一个或多个节点的选择、数据路径的选择、计时器的配置或定时参数、冗余度参数的配置、编码类型的配置(包括使用再生码，诸如使用针对分布式存储的网络编码，诸如在点对点网络中，诸如数据收集器的点对点网络，或者用于分布式分类账的存储网络，如本公开其它地方所提到的)、编码的系数(包括线性代数系数)的参数，用于随机或近随机线性网络编码的参数(包括生成编码的近随机系数)，会话配置参数，或者在本公开中以下所述的网络编码实施例中以及通过引用并入本文的文献中提到的其它参数。例如，机器学习系统可以配置：用于传输的协议的选择、可以使用哪些网络的选择、一个或多个发射机的选择、一个或多个路由的选择、一个或多个网络基础设施节点的配置、目的地接收机的选择、接收机的配置，等等。在实施例中，这些内容的每一个可以由单独的机器学习系统进行配置，或者同一系统可以通过一系列试验，在迭代下通过调整以上中的一个或多个的各个参数来配置总体的配置，该一系列试验任选地由训练集植入，该训练集可以基于参数的人工配置，或者通过基于模型和/或基于规则的配置。对机器学习系统的反馈可以包括各种测量值，包括：传输成功或失败、可靠性、效率(包括基于成本的、基于能量的以及对效率的其它测量值，诸如测量传送的每比特能量、存储的每比特能量，等等)、传输的质量、服务的质量、金融收益、操作效果、预测成功率、分类成功率，以及其它测量值。在实施例中，机器学习系统可以通过预测网络行为或特征来配置网络编码参数，并且可以通过利用以上提到的任一种技术来改善预测。在实施例中，机器学习系统可以通过一个或多个网络元件和/或一个或多个网络行为的分类来配置网络编码参数，并且可以学会改善分类，诸如通过随时间训练和迭代。此类基于机器的预测和/或分类可以用于自组织，包括通过基于模型、基于规则以及基于机器学习的配置。由此，网络编码的自组织可以使用或包括基于模型的系统、基于规则的系统以及各种不同的机器学习系统(除了其它之外，包括分类系统、预测系统以及深度学习系统)的各种组合或排列。
如标题为《交叉会话网络通信配置(Cross-session network communicationconfiguration)》的美国专利申请2017/0013065中所述，网络编码可以涉及用于在第一节点和第二节点之间的数据路径上的数据信道上的数据通信的方法和系统，并且可以包括维持表征经过数据信道的一个或多个当前或先前数据通信连接的数据以及在第一节点和第二节点之间发起新的数据通信连接(包括至少部分根据维持的数据配置该新的数据通信连接)。维持的数据可以表征在第一节点和第二节点之间的一个或多个数据路径上的一个或多个数据信道，所述一个或多个当前或先前数据通信连接在该一个或多个数据信道上经过。维持的数据可以表征一个或多个数据信道的错误率。维持的数据可以表征一个或多个数据信道的带宽。维持的数据可以表征一个或多个数据信道的往返时间。维持的数据可以表征一个或多个当前或先前数据通信连接的通信协议参数。
通信协议参数可以包括拥堵窗口大小、块大小、交织因数、端口号、调步间隔、往返时间以及定时变量中的一个或多个。通信协议参数可以包括拥堵窗口大小、块大小、交织因数、端口号、调步间隔、往返时间以及定时变量中的两个或更多个。
维持的数据可以表征与一个或多个当前或先前数据通信连接相关联的前向纠错参数。前向纠错参数可以包括编码速率。发起新的数据通信连接可以包括根据维持的数据的第一数据配置该新的数据通信连接，该第一数据维持在第一节点处，并且发起新的数据通信连接包括将来自第一节点的第一数据提供给第二节点以用于配置该新的数据通信连接。
发起新的数据通信连接可以包括根据维持的数据的第一数据配置该新的数据通信连接，该第一数据维持在第一节点处，并且发起新的数据通信连接包括在第一节点处接入第一数据以用于配置该新的数据通信连接。维持的数据的这些元素中的任何一个，包括通信协议的各种参数、纠错参数、连接参数以及其它参数，可以被提供给专家系统以用于支持网络编码的自组织，包括用于执行规则以基于维持的数据设置网络编码参数、用于模型的填充或者用于配置神经网络或其它人工智能系统的参数。
发起新的数据通信连接可以包括根据维持的数据的第一数据配置该新的数据通信连接，该第一数据维持在第一节点处，并且发起新的数据通信连接包括接受来自第一节点的请求以用于在第一节点和第二节点之间建立新的数据通信连接，包括在第二节点处接收来自第一节点的包括用于配置所述连接的第一数据的至少一条消息。该方法可以包括在第一节点和第二节点之间维持新的数据通信连接，包括维持通信参数，包括根据在来自第一节点的至少一条消息中接收到的第一数据初始化所述通信参数。
维持新的数据通信连接可以包括根据来自第一节点的反馈适应性调节通信参数。来自第一节点的反馈可以包括从第一节点接收的反馈消息。反馈可以包括来源于从第一节点接收到的多个反馈消息的反馈。反馈可以和以上提到的任一种类型的反馈有关，并且可以用于通过利用专家系统自组织数据通信连接。
在一些示例中，在数据路径上的数据信道上的数据通信连接建立之前，采用在数据路径上的数据信道上的一个或多个训练通信连接。训练通信连接被用来收集和数据信道有关的信息，该信息随后在建立数据通信连接时使用。在其它示例中，未采用训练通信连接并且和数据信道有关的信息由数据路径上的数据信道上的一个或多个先前或当前数据通信连接获得。
本公开描述了一种用于在第一节点和第二节点之间的数据路径上的数据信道上的数据通信的方法，根据本公开的一个公开的非限制性实施例的方法可以包括：维持表征经过数据信道的一个或多个当前或先前数据通信连接的数据，并且在第一节点和第二节点之间发起新的数据通信连接，包括至少部分根据维持的数据配置该新的数据通信连接。在实施例中，该新的数据通信连接的配置通过专家系统来配置。
本公开的任何前述实施例的进一步的实施例可包括这样的情况，其中专家系统使用规则和模型中的至少一个来设置配置的参数。
本公开的任何前述实施例的进一步的实施例可包括这样情况，其中专家系统是机器学习系统，该机器学习系统基于与所述数据信道有关的反馈迭代地配置输入集、权重集和函数集中的至少一个集。
本发明的前述实施例中任一项的另一实施例可以包括如下情况：其中专家系统从数据收集器获取多个输入，所述数据收集器接收关于在工业环境中运行的机器的数据。
如在标题为《多路径网络通信(Multi-path network communication)》的美国专利申请2017/0012861中所描述的，在专家系统控制下的自组织网络编码可以涉及用于在耦合第一节点和第二节点的多个数据路径上、在第一节点和第二节点之间的数据通信的方法和系统，并且可以包括在该多个数据路径上、在第一节点和第二节点之间传送消息，包括在该多个数据路径中的第一数据路径上传送消息的第一子集和在该多个数据路径中的第二数据路径上传送消息的第二子集。在其中第一数据路径具有第一延迟而第二数据路径具有大体上大于第一延迟的第二延迟的情况下，消息的第一子集中的消息被选择为具有第一消息特征而第二子集中的消息被选择为具有与第一消息特征不同的第二消息特征。
指向低延迟的数据路径的具有第一消息特征的消息可以包括时间关键消息，例如，在工业环境中，和机器的关键故障条件(例如，过热、过量振动或者本公开中所述的任何其它故障条件)有关或者和安全隐患有关的消息，或者其它过程所依赖的时间关键操作步骤(例如，催化还原的完成、子组件的完成，或者在高价值高速制造过程、精炼过程等中的类似步骤)可以被指定为时间关键(例如通过可以进行解析的规则或者由规则引擎进行处理)或者可以被专家系统习得为时间关键，诸如基于关于随时间推移的结果的反馈，包括在类似工业环境中具有类似数据的类似机器的结果。消息的第一子集和消息的第二子集可以通过在传输的某时间在第一节点处可用的消息的一部分来确定。在传输的某后续时间，对第一节点可用的附加消息可以基于和该附加消息相关联的消息特征划分为第一子集和第二子集。子集的划分以及哪些子集将指向哪些数据路径的选择可以由专家系统进行。具有第一消息特征的消息可以与数据集的初始子集相关联而具有第二消息特征的消息可以与数据集的后续子集相关联。本文所述的用于为数据收集选择输入和用于复用数据的方法和系统可以例如通过专家系统来组织，以为替代信道配置输入，诸如通过向第一数据路径提供具有实时意义的流元素而向其它数据路径提供例如用于长期、预测维护的其它元素。在实施例中，第二子集的消息可以包括按照与消息相关联的序列传输顺序在最后确认的消息之前的最多n个消息。在实施例中，n基于在第一节点和第二节点中的一个的缓存大小来确定。
具有第一消息特征的消息可以包括确认消息而具有第二消息特征的消息可以包括数据消息。具有第一消息特征的消息可以包括补充数据消息。补充数据消息可以包括冗余数据的数据消息，而具有第二消息特征的消息可以包括原始数据消息。第一数据路径可以包括陆上数据路径而第二数据路径可以包括卫星数据路径。陆上数据路径可以包括蜂窝数据路径、数用字用户线路(digital subscriber line，简称DSL)数据路径、光纤数据路径、基于有线因特网的数据路径以及无线局域网数据路径中的一个或多个。卫星数据路径可以包括近地轨道卫星数据路径、中地轨道卫星数据路径以及地球静止轨道卫星数据路径中的一个或多个。第一数据路径可以包括中地轨道卫星数据路径或近地轨道卫星数据路径并且第二数据路径可以包括地球静止轨道卫星数据路径。
方法可以进一步包括：对于若干数据路径中的每个路径，维持消息在该数据路径上成功和未成功传送的指示并且基于该指示为该数据路径调节拥堵窗口，这可以在专家系统的控制下发生，包括基于一组传输的结果的反馈。方法可以进一步包括：对于多个数据路径中的每个路径，在第一节点处维持在第二节点处接收到的多个消息是否足够解码与消息相关联的数据的指示。在实施例中，该指示基于在第一节点处通过多个数据路径接收到的反馈。
在另一个总体方面，一种用于在耦合若干节点的若干数据路径上在若干节点之间的数据通信的系统包括第一节点，该第一节点用于在该若干数据路径向第二节点传送消息，包括在该若干数据路径的第一数据路径上传送消息的第一子集，并且在该若干数据路径的第二数据路径上传送消息的第二子集。
在实施例中，用于相应数据路径的消息的第一子集和消息的第二子集可以通过在传输的某时间在第一节点处可用的消息的一部分来确定。在传输的后续某时间，对第一节点可用的附加消息可以基于和附加消息相关联的消息特征划分成第一子集和第二子集。具有第一消息特征的消息可以与数据集的初始子集相关联而具有第二消息特征的消息可以与数据集的后续子集相关联。
在实施例中，第二子集的消息可以包括按照与消息相关联的序列传输顺序在最后确认的消息之前的最多n个消息。在实施例中，n基于在第二节点处的接收缓存大小来确定。具有第一消息特征的消息可以包括确认消息而具有第二消息特征的消息可以包括数据消息。具有第一消息特征的消息可以包括补充数据消息。补充数据消息可以包括冗余数据的数据消息，而具有第二消息特征的消息可以包括原始数据消息。
第一节点可以进一步配置为：对于若干数据路径中的每个路径，维持消息在该数据路径上成功和未成功传送的指示并且基于该指示为该数据路径调节拥堵窗口。第一节点可以进一步配置为：维持在第二节点处通过多个数据路径接收到的多个消息是否足够解码与消息相关联的数据的聚合指示，并且基于该聚合指示传送补充消息。在实施例中，该聚合指示基于在第一节点处通过多个数据路径接收到的来自第二节点的反馈。
本公开描述了一种用于在耦合第一节点和第二节点的多个数据路径上在第一节点和第二节点之间的数据通信的方法，根据本公开的一个公开的非限制性实施例的方法可以包括：在该多个数据路径上在第一节点和第二节点之间传送消息，包括在该多个数据路径中的第一数据路径上传送消息的第一子集和在该多个数据路径中的第二数据路径上传送消息的第二子集。在实施例中，第一数据路径具有第一延迟而第二数据路径具有大体上大于第一延迟的第二延迟，并且消息的第一子集中的消息被选择为具有第一消息特征而第二子集中的消息被选择为具有与第一消息特征不同的第二消息特征。在实施例中，对具有消息特征的第一子集和第二子集的选择在专家系统的控制下自动地执行。
本公开的任何前述实施例的进一步的实施例可包括这样的情况，其中专家系统使用规则和模型中的至少一个来设置选择的参数。
本公开的任何前述实施例的进一步的实施例可包括以下情况：其中专家系统是机器学习系统，该机器学习系统基于与所述数据路径中的至少一个有关的反馈而迭代地配置输入集、权重集和函数集中的至少一个。
本发明的前述实施例中任一项的另一实施例可以包括如下情况：其中专家系统从数据收集器获取多个输入，所述数据收集器接收关于在工业环境中运行的机器的数据。
如在标题为《多协议网络通信(Multiple protocol network communication)》的美国专利申请2017/0012868中所描述的，在专家系统控制下的自组织网络编码可以涉及用于在耦合第一节点和第二节点的一个或多个数据路径上在第一节点和第二节点之间的数据通信的方法和系统，并且可以包括在该数据路径上、在第一节点和第二节点之间传送消息，包括：利用第一通信协议在第一数据路径上传送消息中的至少一些消息，利用第二通信协议在第二数据路径上传送消息中的至少一些消息，确定由于正在利用第一通信协议传送的消息的影响第一数据路径正在改变第一数据路径上的消息流，并且响应于该确定，调整在数据路径上发送的消息的数量，包括减少在第一数据路径上传送的消息的数量和增加在第二数据路径上传送的消息的数量。确定第一数据路径正在变更消息的流和/或调节在数据路径上发送的消息的数量可以在专家系统的控制下进行，诸如基于规则的系统、基于模型的系统、机器学习系统(包括深度学习)或者这些系统中任何的混合，其中专家系统获得和数据路径、节点、所使用的通信协议等中一个或多个有关的输入。数据路径可以在工业环境中的设备和系统之间，诸如工业机器的仪器系统、一个或多个移动数据收集器(任选地在集群中协同)、数据存储系统(包括附网存储装置)、服务器以及其它信息技术元件，它们中的任一个可以具有一个或多个网络节点或者与一个或多个网络节点相关联。所述数据路径可以位于任何此类设备和系统以及任何类型的网络中的设备和系统(诸如交换机、路由器等)或者位于远程环境(诸如位于企业的信息技术系统、云平台等)中的那些设备和系统之间。
确定第一数据路径正在变更第一数据路径上的消息的流可以包括确定该第一数据路径正在限制利用第一通信协议传送的消息的速率。确定第一数据路径正在变更第一数据路径上的消息的流可以包括确定：相比于第二路径正在丢弃利用第二通信协议传送的消息的速率，第一数据路径正在以更高的速率丢弃利用第一通信协议传送的消息。第一通信协议可以是用户数据报协议(User Datagram Protocol，简称UDP)，而第二通信协议可以是传输控制协议(Transmission Control Protocol，简称TCP)，反之亦然。还可以使用在本公开中描述的其它协议。
消息最初可以在第一数据路径和第二数据路径上平均地划分或者根据一些预定分配划分(诸如，通过类型，如结合其它实施例所提到的)，例如通过使用负载均衡技术。消息最初可以根据一个或多个先前数据通信连接中在第一数据路径和第二数据路径上对消息的划分，而在第一数据路径和第二数据路径上进行划分。消息最初可以基于第一数据路径将由于正在利用第一通信协议传送的消息的影响而变更第一数据路径上消息的流量的概率，在第一数据路径上和第二数据路径上进行划分。
消息可以基于消息类型在第一数据路径和第二数据路径上进行划分。消息类型可以包括确认消息、前向纠错消息、重传消息以及原始数据消息中的一个或多个。减少在第一数据路径上传送的消息的数量和增加在第二数据路径上传送的消息的数量可以包括在第二路径上发送全部消息并且不在第一路径上发送消息。
若干数据路径的至少一些可以共享公共的物理数据路径。第一数据路径和第二数据路径可以共享公共的物理数据路径。对若干数据路径上发送的消息的数量的调整可以在消息传输的最初阶段期间发生。对若干数据路径上发送的消息的数量的调整可以在消息的传输的持续时间段上重复地发生。对若干数据路径上发送的消息的数量的调整可以包括增加在第一数据路径上传送的消息的数量和减少在第二数据路径上传送的消息的数量。
在一些示例中，通过TCP和UDP的并行传输通过常规的负载均衡技术进行不同地处理，这是因为TCP和UDP两者共享低水平的数据路径，然而具有非常不同的协议特征。
在一些示例中，本方法对瞬时网络行为作出响应并通过探索改变来学习网络的数据处理策略和状态。在工业环境中，这可以包括和授权使用网络的方面有关的学习策略；例如，由于通过SCADA系统受到控制(包括远程控制)的底层机器或过程的敏感性并考虑到网络攻击的可能，SCADA系统可以允许数据路径仅被一组有限的授权用户、服务或应用程序使用。不同于假定各个数据路径是唯一的并且不会影响另一个的常规负载均衡器，本方法可以识别出TCP和UDP共享了低水平的数据路径并且直接影响了彼此。另外，TCP提供按次序的传送并且重新传输数据(连同流量控制、拥堵控制等)，而UDP不会。这种独特性需要由本文所公开的方法和系统提供附加的逻辑，该附加的逻辑可以包括将特定的消息类型映射到各个通信协议，诸如至少部分基于协议的不同属性(例如，预期通过TCP的更长抖动、预期在UDP上的非顺序传送)。例如，系统可以限制对通过TCP发送的数据包进行编码，因为TCP是可靠的，但是可以通过UDP发送前向纠错以增加冗余度和节省带宽。在一些示例中，较大的确认间隔被用于确认TCP数据。
通过采用本文描述的技术，方法通过TCP和UDP数据路径分发数据以实现最佳或接近最佳的吞吐量，诸如在网络提供商的政策不公平地对待UDP的情况下(与如果可能的话简单地使用UDP而如果没有则回退到TCP的传统系统相比)。
一种用于在耦合第一节点和第二节点的多个数据路径上在第一节点和第二节点之间的数据通信的方法，该方法包括：
在多个数据路径上在第一节点和第二节点之间传送消息，包括使用第一通信协议在多个数据路径的第一数据路径上传送消息中的至少一些消息，以及使用第二通信协议在多个数据路径的第二数据路径上传送消息中的至少一些消息；
确定由于正在利用第一通信协议传送的消息的影响第一数据路径正在改变第一数据路径上的消息流，并且响应于该确定，调整在多个数据路径上发送的消息的数量，包括减少在第一数据路径上传送的消息的数量和增加在第二数据路径上传送的消息的数量。在实施例中，改变消息流在专家系统的控制下自动地执行。
本公开的任何前述实施例的进一步的实施例可包括这样的情况，其中专家系统使用规则和模型中的至少一个来设置所述流的改变的参数。
本公开的任何前述实施例的进一步的实施例可包括以下情况：其中专家系统是机器学习系统，该机器学习系统基于与所述数据路径中的至少一个有关的反馈而迭代地配置输入集、权重集和函数集中的至少一个。
本发明的前述实施例中任一项的另一实施例可以包括如下情况：其中专家系统从数据收集器获取多个输入，所述数据收集器接收关于在工业环境中运行的机器的数据。
本公开的任何前述实施例的进一步的实施例可包括以下情况：其中第一通信协议是UDP。
本公开的任何前述实施例的进一步的实施例可包括以下情况：其中第二通信协议是TCP。
本公开的任何前述实施例的进一步的实施例可包括其中使用负载平衡技术最初在第一数据路径和第二数据路径上划分消息的情况。
本公开的任何前述实施例的进一步的实施例可包括这样的情况，其中根据在一个或多个先前数据通信连接中在第一数据路径和第二数据路径上的消息的划分而最初在第一数据路径和第二数据路径上划分消息。
本公开的任何前述实施例的进一步的实施例可包括这样的情况，其中基于第一数据路径由于使用第一通信协议发送的消息而将改变在第一数据路径上的消息流的概率而最初在第一数据路径和第二数据路径上划分消息。
本公开的任何前述实施例的进一步的实施例可包括其中概率由专家系统确定的情况。
如在标题为《消息重新排序计时器(Message reordering timers)》的美国专利申请2017/0012884中所描述的，在专家系统控制下的自组织网络编码可以涉及用于在耦合第一节点和第二节点的数据信道上从第一节点到第二节点的数据通信的方法和系统，并且可以包括：在第二节点接收数据消息，该消息属于从第一节点按顺序发送的数据消息集；从第二节点向第一节点发送反馈消息，该反馈消息表征第二节点处的数据消息集的递送状态，包括根据多个递送顺序事件的发生维持一个或多个计时器的集合，所述维持包括基于多个递送顺序事件的发生修改计时器集合中的一个或多个计时器的状态并推迟发送所述反馈消息直到一个或多个计时器的集合中的一个或多个计时器到期为止。数据信道可以是工业环境中的设备和系统，例如工业机器的仪表系统、一个或多个移动数据收集器(任选地在集群中协同)、数据存储系统(包括附网存储装置)、服务器和其它信息技术元素，其中任何一个都可以具有一个或多个网络节点或与一个或多个网络节点相关联。数据信道可以位于任何这样的设备和系统、任何类型的网络中的设备和系统(例如，交换机、路由器等)或任何类型的网络中的设备和系统(例如，交换机、路由器等)、以及这些设备和系统与位于远程环境(例如，位于企业的信息技术系统、云平台等)中的设备和系统之间。确定需要计时器、计时器的配置以及计时器用户的启动可以在专家系统(例如，基于规则的系统、基于模型的系统、机器学习系统(包括深度学习)或者任何这些系统的混合)的控制下发生，其中专家系统获取与发生的通信类型、数据信道、节点、所使用的通信协议等中的一种或多种有关的输入。
所述一个或多个计时器的集合可以包括第一计时器，并且可以在检测到第一递送顺序事件时启动第一计时器，第一递送顺序事件与在接收与顺序中的第一位置之前的位置相关联的一个或多个丢失消息之前接收与顺序中的第一位置相关联的第一数据消息相关联。该方法可以包括在检测到第二递送顺序事件时发送指示在第二节点处成功递送该数据消息集的反馈消息，该第二递送顺序事件与在第一计时器到期之前接收到一个或多个丢失的消息相关联。该方法可以包括：在接收到一个或多个丢失消息中的任何一个之前，在第一计时器到期时，发送指示在第二节点处未成功递送该数据消息集的所述反馈消息。一个或多个计时器的集合可以包括第二计时器，并且第二计时器在检测到第二递送顺序事件时启动，第二递送顺序事件与在第一计时器到期之前收到一些但不是所有丢失的消息相关联。该方法可以包括在接收到丢失消息之前，在第二计时器到期时发送指示在第二节点处未成功递送该数据消息集的反馈消息。该方法可以包括在检测到第三递送顺序事件时发送指示在第二节点处成功递送该数据消息集的反馈消息，该第三递送顺序事件与在第二计时器到期之前接收到丢失的消息相关联。
在另一总体方面，一种用于在耦合第一节点和第二节点的数据信道上从第一节点到第二节点的数据通信的方法包括：在第一节点处从第二节点接收指示按顺序发送到第二节点的数据消息集的传递状态的反馈消息，维持第一节点处的拥堵窗口的大小(包括根据多个反馈事件的发生维持一个或多个计时器的集合)，所述维持包括基于多个反馈事件的发生来修改计时器集合的一个或多个计时器的状态，并且延迟对拥堵窗口的大小的修改，直到一个或多个计时器的集合中的一个或多个到期为止。
所述一个或多个计时器的集合可以包括第一计时器，并且可以在检测到第一反馈事件时启动第一计时器，所述第一反馈事件与第一反馈消息相关联，第一反馈消息指示在接收一个或多个反馈消息之前，在顺序中具有第一位置的第一数据消息的成功递送，该一个或多个反馈消息指示在顺序中具有位于第一位置之前的位置的一个或多个其它数据消息的成功递送。该方法可以包括在检测到第二反馈事件时取消对拥堵窗口的修改，第二反馈事件与在第一计时器到期之前接收指示一个或多个其它数据消息成功递送的一个或多个反馈消息相关联。该方法可以包括在接收指示一个或多个其它数据消息成功递送的任何反馈消息之前在第一计时器到期时修改拥堵窗口。
所述一个或多个计时器的集合可以包括第二计时器，并且第二计时器可以在检测到第三反馈事件时启动，第三反馈事件与在第一计时器到期之前接收指示一些但并非全部的一个或多个其它数据消息成功递送的一个或多个反馈消息相关联。该方法可以包括在接收到指示一个或多个其它数据消息成功递送的一个或多个反馈消息之前在第二计时器到期时修改拥堵窗口的大小。该方法可以包括在检测到第四反馈事件时取消对拥堵窗口的大小的修改，第四反馈事件与在第二计时器到期之前接收指示一个或多个其它数据消息成功递送的一个或多个反馈消息相关联。
在另一总体方面，一种用于在耦合多个节点的数据信道上在多个节点之间的数据通信的系统包括：多个节点的第一节点，用于在第一节点处从第二节点接收指示按顺序发送到第二节点的数据消息集的传递状态的反馈消息，维持第一节点处的拥堵窗口的大小(包括根据多个反馈事件的发生维持一个或多个计时器的集合)，所述维持包括基于多个反馈事件的发生来修改计时器集合的一个或多个计时器的状态，并且延迟对拥堵窗口的大小的修改，直到一个或多个计时器的集合中的一个或多个到期为止。
本公开描述了一种用于在耦合第一节点和第二节点的数据信道上从第一节点到第二节点的数据通信的方法，根据本公开的一个公开的非限制性实施例的方法可以包括：使用专家系统基于数据信道的至少一个条件确定是否将使用一个或多个计时器来管理数据通信，并且基于此确定，在第二节点处接收数据消息，该消息属于从第一节点按顺序传送的数据消息集，从第二节点向第一节点发送反馈消息，该反馈消息表征第二节点处的数据消息集的递送状态，包括根据多个递送顺序事件的发生维持一个或多个计时器的集合，所述维持包括基于多个递送顺序事件的发生修改计时器集合的一个或多个计时器的状态并推迟发送所述反馈消息直到一个或多个计时器的集合中的一个或多个计时器到期为止。
本公开的任何前述实施例的进一步的实施例可包括这样的情况，其中专家系统使用规则和模型中的至少一个来设置确定是否使用一个或多个计时器的参数。
本公开的任何前述实施例的进一步的实施例可包括以下情况：其中专家系统是机器学习系统，该机器学习系统基于与所述数据路径中的至少一个有关的反馈而迭代地配置输入集、权重集和函数集中的至少一个。
本发明的前述实施例中任一项的另一实施例可以包括如下情况：其中专家系统从数据收集器获取多个输入，所述数据收集器接收关于在工业环境中运行的机器的数据。
本公开的任何前述实施例的进一步的实施例可包括其中一个或多个计时器的集合包括第一计时器并且在检测到第一递送顺序事件时启动第一计时器的情况，所述第一递送顺序事件与在接收与顺序中的第一位置之前的位置相关联的一个或多个丢失消息之前接收与顺序中的第一位置相关联的第一数据消息相关联。
如在标题为《网络通信重新编码节点(Network Communication Recoding Node)》的美国专利申请2017/0012885中所描述的，在专家系统控制下的自组织网络编码可以涉及用于修改与在数据路径上从第一节点到第二节点传送的编码数据相关联的冗余信息的方法和系统，并且可以包括：经由连接第一节点和中间节点的第一信道在中间节点处从第一节点接收包括第一冗余信息的第一编码数据，该第一信道具有第一信道特性；以及经由连接中间节点和第二节点的第二信道将包括第二冗余信息的第二编码数据从中间节点传送到第二节点，该第二信道具有第二信道特性。在不对第一编码数据解码的情况下可以通过基于第一信道特性和第二信道特性中的一个或两个修改第一冗余信息来确定与第二冗余信息相关联的冗余度。数据路径可以是工业环境中的设备和系统(每个都充当用于发送数据、接收数据或传送数据的一个或多个节点)，例如工业机器的仪表系统、一个或多个移动数据收集器(任选地在集群中协同)、数据存储系统(包括附网存储装置)、服务器和其它信息技术元素，其中任何一个都可以具有一个或多个网络节点或与一个或多个网络节点相关联。所述数据路径可以位于任何此类设备和系统以及任何类型的网络中的设备和系统(诸如交换机、路由器等)或者位于远程环境(诸如位于企业的信息技术系统、云平台等)中的那些设备和系统之间。修改冗余信息可以由专家系统(诸如基于规则的系统、基于模型的系统、机器学习系统(包括深度学习)或任何那些的混合)或在专家系统的控制下发生，其中专家系统获取与数据路径、节点、所使用的通信协议等中的一个或多个有关的输入。冗余可以由(并且可以至少部分地基于)来自数据输入集的数据的组合或复用产生(和识别)，例如整个本公开中所描述的。
修改第一冗余信息可以包括将冗余信息添加到第一冗余信息。修改第一冗余信息可以包括从第一冗余信息中移除冗余信息。可以通过基于来自第二节点的指示成功或不成功地将编码数据传递到第二节点的反馈来修改第一冗余信息来进一步形成第二冗余信息。可以对第一编码数据和第二编码数据进行编码(诸如使用随机线性网络代码或基本上随机的线性网络代码)。基于第一信道特性和第二信道特性中的一个或两个来修改第一冗余信息可以包括基于与第一信道特性和/或第二信道特性相关联的块大小、拥堵窗口大小和调步速率中的一个或多个来修改第一冗余信息。
该方法可以包括从中间节点向第一节点发送反馈消息，该反馈消息确认在中间节点处接收到一个或多个消息。该方法可以包括在中间节点处从第二节点接收反馈消息，并且响应于接收到反馈消息，将附加冗余信息传送到第二节点。
在另一总体方面，一种用于修改与在多个数据路径上从第一节点传送到第二节点的编码数据相关联的冗余信息的系统包括：中间节点，用于经由耦合第一节点和中间节点的第一信道从第一节点接收包括第一冗余信息的第一编码数据，第一信道具有第一信道特性；并且经由耦合中间节点和第二节点的第二信道将包括第二冗余信息的第二编码数据从中间节点传送到第二节点，第二信道具有第二信道特性。在不解码第一编码数据的情况下通过基于第一信道特性和第二信道特性中的一个或两个修改第一冗余信息而来确定与第二冗余信息相关联的冗余度。
本公开描述了一种用于修改与在多个数据路径上从第一节点传送到第二节点的编码数据相关联的冗余信息的方法，根据本公开的一个公开的非限制性实施例的方法可以包括：经由连接第一节点和中间节点的第一信道在中间节点处从第一节点接收包括第一冗余信息的第一编码数据，第一信道具有第一信道特性；经由连接中间节点和第二节点的第二信道将包括第二冗余信息的第二编码数据从中间节点传送到第二节点，第二信道具有第二信道特性。在实施例中，在不解码第一编码数据的情况下，通过基于第一信道特性和第二信道特性中的一个或两个修改第一冗余信息而来确定与第二冗余信息相关联的冗余度，该修改包括基于与第一信道特性和/或第二信道特性相关联的块大小、拥堵窗口大小和调步速率中的一个或多个来修改第一冗余信息。在实施例中，修改第一冗余信息在专家系统的控制下发生。
本公开的任何前述实施例的进一步的实施例可包括这样的情况，其中专家系统使用规则和模型中的至少一个来设置冗余信息的修改的参数。
本公开的任何前述实施例的进一步的实施例可包括以下情况：其中专家系统是机器学习系统，该机器学习系统基于与所述数据路径中的至少一个有关的反馈而迭代地配置输入集、权重集和函数集中的至少一个。
本发明的前述实施例中任一项的另一实施例可以包括如下情况：其中专家系统从数据收集器获取多个输入，所述数据收集器接收关于在工业环境中运行的机器的数据。
本公开的任何前述实施例的进一步的实施例可包括其中修改第一冗余信息包括将冗余信息添加到第一冗余信息的情况。
本公开的任何前述实施例的进一步的实施例可包括其中修改第一冗余信息包括从第一冗余信息中移除冗余信息的情况。
本公开的任何前述实施例的进一步的实施例可包括这样的情况，其中通过基于来自第二节点的指示将编码数据成功或未成功递送到第二节点的反馈来修改第一冗余信息来进一步形成第二冗余信息。
本公开的任何前述实施例的进一步的实施例可包括其中使用随机线性网络代码对第一编码数据和第二编码数据进行编码的情况。
如在标题为《纠错优化(Error correction optimization)》的美国专利申请2017/0012905中所描述的，在专家系统控制下的自组织网络编码可以涉及用于在耦合第一节点和第二节点的数据路径上在第一节点和第二节点之间的数据通信的方法和系统，并且可以包括在数据路径上将数据段作为多个消息从第一节点传送到第二节点，所述多个消息根据传送顺序传送。基于所述消息在传送顺序中的位置来确定与所述多个消息中的每个消息相关联的冗余度。数据路径可以是工业环境中的设备和系统(每个都充当用于发送数据、接收数据或传送数据的一个或多个节点)，例如工业机器的仪表系统、一个或多个移动数据收集器(任选地在集群中协同)、数据存储系统(包括附网存储装置)、服务器和其它信息技术元素，其中任何一个都可以具有一个或多个网络节点或与一个或多个网络节点相关联。所述数据路径可以位于任何此类设备和系统以及任何类型的网络中的设备和系统(诸如交换机、路由器等)或者位于远程环境(诸如位于企业的信息技术系统、云平台等)中的那些设备和系统之间。确定传送顺序可以由专家系统(诸如基于规则的系统、基于模型的系统、机器学习系统(包括深度学习)或任何那些的混合)或在专家系统的控制下发生，其中专家系统获取与数据路径、节点、所使用的通信协议等中的一个或多个有关的输入。冗余可以由(并且可以至少部分地基于)来自数据输入集的数据的组合或复用产生(和识别)，例如整个本公开中所描述的。
随着消息在传送顺序中的位置不减小，与多个消息中的每个消息相关联的冗余度可以增加。基于所述消息在传送顺序中的位置(i)确定与多个消息中的每个消息相关联的冗余度还基于以下项中的一个或多个：第二节点处的应用的延迟要求、与数据路径相关联的往返时间、与信道相关联的平滑丢失率(P)、与多个消息相关联的数据的大小(N)、从第二节点接收的与来自多个消息的消息相对应的确认消息的数量(ai)、多个消息中的动态消息的数量(fi)，以及基于与多个消息相关联的数据的索引的增加函数(g(i))。
与多个消息中的每个消息相关联的冗余度可以定义为：(N+g(i)-ai)/(1-p)-fi。g(i)可以定义为参数m和N-i中的最大值。g(i)可以定义为N-p(i)，其中p是多项式，根据需要进行整数舍入。该方法可以包括：在第一节点处从第二节点接收指示第二节点处的丢失消息的反馈消息，并且响应于接收到反馈消息，向第二节点发送冗余消息以增加与丢失的消息相关联的冗余度。该方法可以包括：在第一节点处维持抢先计算的冗余消息的队列，并且响应于接收到反馈消息，从队列中移除一些或全部抢先计算的冗余消息，并将冗余消息添加到队列中以用于传送。响应于接收到反馈消息，可以生成并即时发送冗余消息。
该方法可以包括：在第一节点处维持针对多个消息的抢先计算的冗余消息的队列，并且响应于接收到指示成功递送多个消息的反馈消息，从抢先计算的冗余消息的队列中移除与多个消息相关联的任何抢先计算的冗余消息。与每个消息相关联的冗余度可以表征消息的擦除的可纠正性的概率。可纠正性的概率可能取决于冗余度和丢失概率之间的比较。
本公开描述了用于在耦合第一节点和第二节点的数据路径上在第一节点和第二节点之间的数据通信的方法，根据本公开的一个公开的非限制性实施例的方法可以包括：在数据路径上将数据段作为多个消息从第一节点传送到第二节点，所述多个消息根据传送顺序传送。在实施例中，基于多个消息中的每个消息在传送顺序中的位置确定与所述消息相关联的冗余度。在实施例中，在专家系统的控制下确定传送顺序。
本公开的任何前述实施例的进一步的实施例可包括其中专家系统使用规则和模型中的至少一个来设置传送顺序的参数的情况。
本公开的任何前述实施例的进一步的实施例可包括以下情况：其中专家系统是机器学习系统，该机器学习系统基于与所述数据路径中的至少一个有关的反馈而迭代地配置输入集、权重集和函数集中的至少一个。
本发明的前述实施例中任一项的另一实施例可以包括如下情况：其中专家系统从数据收集器获取多个输入，所述数据收集器接收关于在工业环境中运行的机器的数据。
本公开的任何前述实施例的进一步的实施例可包括这样的情况，其中与多个消息中的每个消息相关联的冗余度随着所述消息在传送顺序中的位置不减小而增加。
本公开的任何前述实施例的进一步的实施例可包括这样的情况，其中基于所述消息在传送顺序中的位置(i)确定与多个消息中的每个消息相关联的冗余度还基于以下项中的一个或多个：应用延迟要求、与数据路径相关联的往返时间、与信道相关联的平滑丢失率(P)、与多个消息相关联的数据的大小(N)、从第二节点接收的与来自多个消息的消息相对应的确认消息的数量(ai)、多个消息中的动态消息的数量(fi)，以及基于与多个消息相关联的数据的索引的增加函数(g(i))。
如在标题为《基于分组编码的网络通信(Packet Coding Based NetworkCommunication)》的美国专利申请14/935,885中所描述的，在专家系统控制下的自组织网络编码可以涉及用于在路径上在第一节点和第二节点之间的数据通信的方法和系统，并且可以包括：估计丢失事件发生的速率，其中丢失事件是单个包未成功递送到第二数据节点或者多个连续传送的包未成功递送到第二数据节点；并以丢失事件发生的估计速率发送冗余消息。可以使用专家系统来估计损失事件发生的速率。
一种用于在耦合第一节点和第二节点的数据信道上从第一节点到第二节点的数据通信的方法(例如在工业环境中)包括：在第一节点处从第二节点接收消息，包括接收包括至少部分地依赖于耦合第一节点和第二节点的信道的特性的数据的消息，从第一节点向第二节点传送消息，包括根据从接收的消息确定的参数应用前向纠错，根据接收的消息确定的参数包括块大小、交织因数和码率中的至少两个。该方法可以在专家系统的控制下发生。
本公开描述了一种用于在耦合第一节点和第二节点的数据信道上从工业环境中的第一节点到第二节点的数据通信的方法，根据本公开的一个公开的非限制性实施例的方法可以包括：在第一节点处从第二节点接收消息，包括接收包括至少部分地依赖于耦合第一节点和第二节点的信道的特性的数据的消息；从第一节点向第二节点传送消息，包括根据从接收的消息确定的参数应用纠错，根据接收的消息确定的参数包括块大小、交织因数和码率中的至少两个。在实施例中，应用纠错在专家系统的控制下发生。
本公开的任何前述实施例的进一步的实施例可包括其中专家系统使用规则和模型中的至少一个来设置错误纠错的参数的情况。
本公开的任何前述实施例的进一步的实施例可包括以下情况：其中专家系统是机器学习系统，该机器学习系统基于与所述数据路径中的至少一个有关的反馈而迭代地配置输入集、权重集和函数集中的至少一个。
如图180所示，用于支持例如工业环境内的IoT中的设备的部署的云平台可以包括各种部件、模块、服务、元件、应用、接口和其它元件(统称为云平台13000)，该云平台13000可以包括策略自动化引擎13002和数据市场13008。云平台13000可以包括或连接到各种设备13006、云计算环境13068、数据池13070、数据收集器13020和传感器13024或与它们集成。云平台13000还可以包括用于自组织13012、机器学习13014和权限管理13016的系统和能力。
在云平台13000内，可以在各种架构和布置中部署各种部件。在实施例中，设备13006可以连接到云计算环境13068、策略自动化引擎13002、数据市场13008、数据收集器13020以及用于自组织13012、机器学习13014和权限管理13016的系统和能力，与它们集成或部署在它们中。设备13006可以直接或通过云计算环境13068连接到策略自动化引擎13002、数据市场13008、数据收集器13020以及用于自组织13012、机器学习13014和权限管理13016的系统或能力，或者与它们集成。
设备13006可以是IoT设备，包括例如用于收集、交换和管理与各种工业环境的机器、人员、设备、基础设施元件、部件、部件、库存、资产和其它特征有关的信息的IoT设备，如贯穿本公开所描述的那些IoT设备。设备13006还可以经由各种协议13004(例如，网络协议、流协议、文件传输协议、数据转换协议、软件操作系统协议等)连接。设备可以连接到例如用于执行可以部署在云平台13000内的策略(例如管理平台13000内的活动、许可、规则等)的策略自动化引擎13002。设备13006还可以连接到数据市场13008内的数据流13010。
数据池13070可以连接到云计算环境13068、数据收集器13020和数据市场13008、策略自动化引擎13002、自组织13012、机器学习13014和权限管理13016能力，或与它们集成。数据池13070可以被包括在云计算环境30内或者在云计算环境13068的外部。结果是，到数据池13070的连接可以直接连接到数据池13070、通过云连接连接到数据池13070或者通过直接连接和云连接的组合连接到数据池13070。数据池13070还可以被包括在数据市场13008内或数据市场13008外部。
数据池13070可以包括复用器(MUX)13022，并且还连接到自组织13012、机器学习13014和权限管理能力。MUX 13022可以连接到传感器13024，从传感器13024收集数据并将从传感器13024收集的数据集成到单个数据集中。在示例性的非限制性实施例中，数据池13070、数据收集器13020和传感器13024可以被包括在工业环境13018内。
策略自动化引擎13002和数据市场13008可以用在各种工业环境13018中。工业环境13018可以包括航空航天环境、农业环境、装配线环境、汽车环境以及化学和制药环境。工业环境13018还可以包括食品加工环境、工业部件环境、采矿环境、石油和天然气环境(特别是石油和天然气生产环境)、货车和汽车环境等。
类似地，设备13006可以包括可以在工业环境内运行或者可以相对于其它这样的设备收集数据的各种设备。在许多示例中，设备13006可包括搅拌器(包括涡轮搅拌器)、机身控制表面振动设备、催化反应器和压缩机。设备13006还可包括输送机和升降机、处理系统、动力传动系、风扇、灌溉系统和电机。设备13006还可包括管道、电动动力传动系统、生产平台、泵(例如水泵)、机器人装配系统、热流加热系统、轨道、传动系统和涡轮机。设备13006可以在单个工业环境13018或多个工业环境13018内运行。例如，管道设备可以在石油和天然气环境中操作，而催化反应器可以在石油和天然气生产环境或制药环境中运行。
策略自动化引擎13002可以是基于云的策略自动化引擎13002。策略自动化引擎13002可以用于创建、部署和/或管理一组互连的策略13030、规则13028和协议13004(例如与安全性、授权、许可等有关的策略)。例如，策略可以管理什么用户、应用、服务、系统、设备等可以接入IoT设备，可以从IoT设备读取数据，可以从IoT设备订阅流，可以将数据写入IoT设备，可以与IoT设备建立网络连接，可以提供IoT设备，可以与IoT设备协作等。
策略自动化引擎13002可以生成和管理策略13030。策略生成引擎可以是用于云平台13000的集中式策略管理系统。
由策略自动化引擎13002生成和管理的策略13030可以部署大量规则13028以允许接入和使用IoT设备的不同方面。策略13030可以包括IoT设备创建策略13032、IoT设备部署策略13034、IoT设备管理策略13036等。策略13030可以通过协议13004或直接从策略自动化引擎13002传送到设备13006。
例如，在示例性的非限制性实施例中，策略自动化引擎13002可以管理策略13030并创建协议13004，策略13030和协议13004指定和实施工人的角色13026和许可13074，与工人如何使用由IoT设备提供的数据相关。工人可能是人类工人或机械工人。
在另外的示例性的非限制性实施例中，策略13030可用于自动化补救过程。当系统被部分地禁用、设备发生故障以及整个系统可能被禁用时，可以执行补救过程。补救过程可以包括启动系统重启、绕过或替换设备、向适当的利益相关者通知该状况等的指令。策略自动化引擎13002还可以包括策略13030，策略13030指定用户13072启动或以其它方式执行补救或其它过程所需的角色13026和许可13074。
策略自动化引擎13002还可以指定条件和检测条件。条件可以确定何时分发或以其它方式执行策略13030。条件可以包括个体条件、条件集、独立条件、相互依赖的条件等。
在独立条件的示例性和非限制性实施例中，策略自动化引擎13002可以确定非关键设备13006的故障不需要通知系统操作者。在相互依赖的一组条件的示例性和非限制性实施例中，策略自动化引擎13002可以确定两个非关键系统设备13006的故障需要通知系统操作者，这是因为两个非关键系统设备13006的故障可能是可能的系统范围故障的早期指示。
如图181所示，策略自动化引擎13002可以包括合规策略13050和故障、配置、计费、供应和安全(fault,configuration,accounting,provisioning,and security，简称FCAPS)策略13052。策略13030可以连接到规则13028、协议13004和策略输入13048。
策略13030可以向规则13028提供输入，并提供与如何定义角色13026、许可13074和用途130280有关的信息。策略13030可以接收策略输入13048并且将策略输入13048合并为策略13030中包括的策略参数。策略13030可以向协议13004提供输入并且被包括在用于创建、部署和管理设备13006的协议13004内。
合规策略13050可以包括数据所有权策略、数据分析策略、数据使用策略、数据格式策略、数据传输策略、数据安全策略、数据隐私策略、信息共享策略、管辖策略等。数据传输策略可以包括跨辖区数据传输策略。
数据所有权策略可以指示管理谁控制数据、谁可以使用数据、如何使用数据等的策略13030。数据分析策略可以指示数据持有者可以对允许接入的数据执行哪些操作以及确定他们可以查看哪些数据以及哪些数据可以与其它数据组合。例如，数据持有者可以查看聚合的用户数据而不是单个用户数据。数据使用策略可以指示如何使用数据以及在何种情况下可以使用数据。数据格式策略可以指示允许用于处理数据的标准格式和强制格式。数据传输策略(包括跨辖区数据传输策略)可以确定指定如何处理数据的管辖区间和管辖区内传输的策略13030。数据安全策略可以确定需要如何保护静止数据(例如存储数据)以及传输数据。
数据隐私策略可以确定例如在组织内和组织外部可以如何共享数据或可以如何不共享数据。信息共享策略可以确定如何销售数据、共享数据以及在何种情况下可以销售信息和共享信息。管辖策略可以确定对于边界内的数据和跨边界传送的数据而言谁控制数据、何时何地可以控制数据。
FCAPS策略13052可以包括故障管理策略、配置管理策略、计费管理策略、供应管理策略和安全管理策略。故障管理策略可以指定用于处理设备故障的策略13030。配置管理策略可以指定用于配置设备13006的策略。计费管理策略可以指定用于设备计费目的(诸如报告、计帐等)的策略13030。供应管理策略可以指定用于在设备13006上供应服务的策略13030。安全管理策略可以指定用于保护设备13006的策略13030。
可以从策略输入接口13046接收策略输入13048。策略输入13048可以包括基于标准的策略输入13044和其它策略输入13048。基于标准的策略输入13044可以包括例如与标准组织设定的标准数据格式、标准规则集和其它标准相关信息有关的输入。
其它策略输入13048可以包括各种信息相关的行业特定策略、跨行业策略、制造商特定策略、设备特定策略13030等。策略输入13048可以连接到云计算环境13068并且可以通过策略输入接口13046提供。策略输入接口13046可以收集由机器提供或由人类操作者输入的策略输入13048。
如图180所示，数据市场13008可以包括数据流13010、数据市场输入接口、数据市场输入13056、数据支付分配引擎13038、市场价值评级引擎13040、数据代理引擎13042、市场自组织引擎13076和一个或多个数据池13070。数据市场13008可以被包括在云网络环境13068内或外部连接到云网络环境13068。数据池13070也可以被包括在云网络环境13068内或者可以外部连接到云网络环境13068。
例如，如果数据市场13008和数据池13070位于相同的物理位置，则数据市场13008可以直接连接到数据池13070。例如，如果数据市场13008和数据池13070位于不同的物理位置，则数据市场13008可以经由云网络环境30连接到数据池13070。
数据市场13008可以连接到输入并接收输入。数据市场13008可以通过数据接口(例如，一个或多个数据收集器13020)接收市场输入。数据收集器13020可以是复用数据收集器。通过数据收集器13020接收的输入可以作为数据流13010中的一个或多个从数据收集器13020中的一个或多个接收，并由复用器13022集成到附加数据流13010中。
数据流13010还可以包括来自数据池60的数据。数据市场输入、数据流13010和数据池13070可以包括数据市场13008的成功度量和测量。然后，机器学习能力13014可以使用数据市场13008的成功度量和测量来配置数据市场13008的一个或多个参数。
输入可以是协会输入13054。可以从协会接收协会输入13054。协会可以包括能源协会、医疗保健协会、制造协会、智慧城市协会、运输协会等。协会可以是预先存在的协会或新的协会。
在示例性和非限制性实施例中，由于数据市场13008使特定数据类型和数据组合可用，因此可以形成新的协会。数据代理引擎13042可以允许协会成员交易信息。例如，数据代理引擎13042可以允许协会成员基于由市场价值评级引擎13040计算的信息值来交易信息。
数据市场13008还可以连接到自组织13012、机器学习13014和权限管理13016能力。权限管理能力13016可以包括权限。
权限可以包括商业战略和解决方案权限、联络权13058、营销权13078、安全权13060、技术权13062、测试台权13064等。商业战略和解决方案生命周期权利可以包括商业战略和规划权、工业互联网系统设计权、项目管理权、解决方案评估权和合同方面权。联络权13058可以包括标准组织权利、开源社区权利、认证和测试机构权利以及政府组织权利。营销权13078可以包括通信权、能源权、医疗保健权、营销-担保权、零售经营权、智能工厂权和思想领导权。安全权13060可以包括驱动行业共识、促进安全最佳实践和加速采用安全最佳实践的驱动权。
技术权13062可以包括架构权、连接权、分布式数据管理和互操作性权、工业分析权、创新权、IT/OT权、安全权、词汇权、用例权和联络权13058。测试台权13064可以包括例如实施特定用例和场景的权利以及产生可测试结果以确认实施符合预期结果的权利。测试台权13064还可以包括探索一起工作的未经测试的或现有的技术(例如互操作性测试)、生成新的和可能具有破坏性的产品和服务并为标准组织、协会和其它利益相关者群体生成要求和优先级的权利。
权限管理能力可以向数据市场13008中的不同参与者分配不同的权限。在示例性和非限制性实施例中，制造商或远程维护组织(remote maintenance organization，简称RMO)。可以根据参与者的设备或专有方法为参与者分配权限信息。然后，数据市场13008可以基于所分配的权限确保仅使适当的数据流13010可用于市场。
权限管理能力13016可以管理接入市场13008中的数据的许可。权限管理能力13016的一个或多个参数可以由机器学习能力13014自动配置，并且可以基于数据市场13008的成功度量。机器学习引擎13014还可以使用成功度量和测量来配置用户接口。用户接口可以呈现数据市场13008的用户的数据元素。用户接口还可以呈现一个或多个机制，通过该机制，数据市场13008的用户可以获得对一个或多个数据元素的接入。
数据支付分配引擎13038可以分配数据市场支付。数据支付分配引擎13038可以根据数据流13010的值、对数据流13010的贡献值等来分配数据市场支付。这种类型的支付分配可以允许数据市场13008基于数据贡献的值将支付分配给数据贡献者。
例如，对较高价值数据流13010的数据贡献者可以比对低价值数据流13010的数据贡献者接收更高的支付。类似地，数据市场参与者(例如IoT设备制造商和系统集成商)可以是按数据值或它们提供和支持的配置的功率进行评级或排名。
数据市场13008可以是自组织数据市场。自组织数据市场可以使用自组织能力13012进行自组织。可以使用人工智能(AI)能力来学习、开发和优化自组织能力13012。例如，AI能力可以由机器学习能力13014提供。自组织可以经由专家系统发生，并且可以基于模型、一个或多个规则等的应用。自组织可以(诸如通过基于对一个或多个成功测量的反馈来优化数据池的组织随时间的变化)经由神经网络或深度学习系统发生。自组织可以通过基于规则的系统、基于模型的系统和神经网络或其它AI系统的混合或组合来发生。各种能力可以是自组织的，例如，如何在市场的用户接口中呈现数据元素，呈现什么数据元素，获得什么数据流作为对市场的输入，如何描述数据元素，使用数据元素提供什么元数据，如何存储数据元素(例如存储在高速缓存或其它“热”存储器中或存储在较慢但较廉价的存储位置)，将数据元素存储在何处(例如存储在网络的边缘元素中)，如何组合、融合或复用数据元素等。对自组织的反馈可以包括各种成功度量和测量，例如利润测量、收益率测量、评级(诸如由用户、购买者、被许可人、评论者等评级)、感兴趣的指标(例如点击流活动、花费在页面上时间、花费在评论元素上的时间和到数据元素的链接)以及整个本公开中所描述的其它方面。
可以基于数据市场13056的成功度量和测量来组织数据市场输入13056、数据流13010和数据池13070。数据市场输入13056、数据流13010和数据池13070可以由自组织能力13012组织，允许自动组织市场输入13056、数据流13010和数据池13070，而不需要数据市场13008的用户进行交互。
成功度量和测量还可以用于配置数据代理引擎13042以在至少两个市场参与者之间执行交易。机器学习引擎13014可以使用成功度量来自动配置数据代理引擎13042，而无需用户干预。成功度量还可以由定价引擎(例如，市场价值评级引擎13040)使用，以设置数据市场13008内的一个或多个数据元素的价格。
在示例性的非限制性实施例中，自组织数据市场可以自组织以确定哪种类型的数据流13010是最有价值的并且提供最有价值的数据流和其它数据流13010用于销售。数据流价值的计算可以由市场价值评级引擎13040执行。
在实施例中，用于工业环境中的数据收集系统的策略自动化系统可以包括策略输入接口，该策略输入接口被构造成接收与规则、策略和协议中的至少一个的至少一个参数的定义有关的策略输入。在实施例中，所述至少一个参数定义数据收集设备的配置、从数据收集设备接入数据的接入策略以及设备收集数据的收集策略中的至少一个；策略自动化引擎用于获取输入并自动配置和部署系统内的规则、策略和协议中的至少一个以用于数据收集。在实施例中，所述至少一个参数可以定义能量利用策略、基于成本的策略，数据写入策略和数据存储策略中的至少一个。该参数可以涉及从定义如何创建、部署和管理设备的合规、故障、配置、计费、供应和安全策略中选择的策略。合规策略可以包括数据所有权策略。数据所有权策略可以指定谁拥有数据。数据所有权策略可以指定所有者可以如何使用数据。合规策略可以包括数据分析策略。数据分析策略可以指定数据持有者可以接入什么、数据持有者可以如何使用数据以及数据持有者可以如何将数据与其它数据组合。合规策略可以包括数据使用策略、数据格式策略等。数据格式策略可以包括标准数据格式策略、强制数据格式策略。合规策略可以包括数据传输策略。数据传输策略可以包括管辖区间传输数据传输策略。合规策略可以包括数据安全策略、数据隐私策略、信息共享策略等。数据安全策略可以包括静止数据安全策略、传送数据安全策略等。信息共享策略可以包括指定何时可以销售信息、何时可以共享信息等的策略。合规策略可以包括管辖策略。管辖策略可以包括指定谁控制数据的策略。管辖策略可以包括指定何时可以控制数据的策略。管辖策略可以包括指定如何控制跨边界传送的数据的策略。
在实施例中，用于工业环境中数据收集系统的策略自动化系统可以包括：策略自动化引擎，用于使得能够配置适用于由部署在多个工业环境中的多个网络连接设备处理的数据的收集和利用的多个策略。在实施例中，所述策略自动化引擎托管在独立于所述工业环境而定位的信息技术基础设施元件上。在实施例中，在所述策略自动化引擎中配置策略时，所述策略自动部署在多个工业环境中的多个设备上。在实施例中，所述策略设定与所述数据收集系统收集何种数据有关以及与所收集数据的访问许可有关的配置参数。所述策略可以包括从定义如何创建、部署和管理设备的合规、故障、配置、计费、供应和安全策略中选择的多个策略，并且所述多个策略通信地耦合到所述策略。策略输入接口可以被构造为接收用作规则、策略和协议定义中的至少一个的输入的策略输入，诸如其中策略自动化系统是用于创建、部署和管理工业环境内部设备的策略的集中策略源。
在实施例中，用于工业环境中数据收集系统的策略自动化系统可以包括：策略自动化引擎，用于使得能够配置适用于由部署在多个工业环境中的多个网络连接设备处理的数据的收集和利用的多个策略。在实施例中，所述策略自动化引擎托管在独立于所述工业环境而定位的信息技术基础设施元件上。在实施例中，在所述策略自动化引擎中配置策略时，所述策略自动部署在多个工业环境中的多个设备上。在实施例中，所述策略设定与所述数据收集系统收集何种数据有关以及与所收集数据的访问许可有关的配置参数。在实施例中，所述策略自动化系统通过云网络连接而通信地耦合到多个设备。云网络连接可以是私有云连接、公开提供的云连接、公开提供的云连接、策略自动化系统和设备之间的主要连接、策略自动化系统和设备之间的主要连接、内联网云连接、单个企业内的连接设备、外联网云连接、多个企业之间的连接设备、虚拟专用网络(virtual private network，简称VPN)连接保护的安全的云网络连接等。
在实施例中，用于工业环境中的数据收集系统的数据市场可以包括：输入接口，被构造为接收市场输入；数据池和数据流中的至少一个，以提供在市场内收集的数据；包括来自数据池的数据的数据流。在实施例中，市场的至少一个参数可以由机器学习设施基于市场的成功度量而自动配置。输入可以包括来自多个工业数据收集器的多个数据流。数据收集器可以是复用数据收集器。输入可包括协会输入。协会可以是现有的协会、新的协会、与通过共同兴趣的数据流相关的新协会等。成功的度量和测量可以包括利润测量、收益率测量、评级、感兴趣的指标等。评级可以包括用户评级、购买者评级、被许可人评级、评论者评级等。感兴趣的指标可以包括点击流活动、在页面上花费的时间、评论元素所花费的时间、到数据元素的链接等。
在实施例中，用于工业环境中的数据收集系统的数据市场可以包括：输入系统，被构造为接收与从一个或多个工业机器感测或关于一个或多个工业机器的数据有关的多个数据输入；数据池和数据流中的至少一个，以提供在市场内收集的数据；以及自组织系统，用于基于市场成功度量来组织数据输入和数据池中的至少一个。在实施例中，自组织系统可以优化数据池的组织随时间的变化。优化的变化可以基于对一个或多个成功度量的反馈。自组织系统可以组织如何在市场的用户接口中呈现数据元素。自组织系统可以选择呈现什么数据元素，获得什么数据流作为市场的输入，如何描述数据元素，利用数据元素提供什么元数据，数据元素的存储方法，通信网络内的用于存储元素的位置(诸如在网络的边缘元素中)，数据元素组合方法等。存储方法可以包括高速缓存或其它“热”存储方法。存储方法可以包括较慢但较廉价的存储位置。数据元素组合方法可以是数据融合方法、数据复用方法等。自组织系统可以接收反馈数据，例如其中反馈数据包括成功度量和测量。成功度量和测量可以包括利润测量、包括收益率测量、评级、感兴趣的指标等。评级包括可由用户、购买者、被许可人、评论者提供的评级。成功度量和测量可以包括感兴趣的指标。感兴趣的指标可以包括点击流活动、在页面活动上花费的时间、评论元素所花费的时间、评论元素所花费的时间、到数据元素的链接等。自组织系统可以确定数据流的值。数据流的值可以确定数据市场提供哪些数据流供销售。评级可包括用户评级。评级可以包括购买者评级、被许可人评级、评论者评级等。
在实施例中，用于工业环境中的数据收集系统的数据市场可以包括：输入接口，被构造为接收来自或关于多个工业机器中的一个或多个的数据输入；数据池和数据流中的至少一个，以提供在市场内收集的数据；以及权限管理引擎，用于管理接入市场中数据的权限。在实施例中，权限管理引擎的至少一个参数可以由机器学习设施基于市场的成功度量而自动配置。权限管理引擎可以向数据市场的参与者分配权限。权限可以包括商业战略和解决方案权限、联络权、营销权、安全权、技术权、试验台权等。成功的度量和测量可以包括利润测量、收益率测量、评级等。评级可以包括用户评级、购买者评级，包括被许可人评级、评论者评级等。成功度量和测量可以包括感兴趣的指标，诸如其中兴趣包括点击流活动、在页面上花费的时间、评论元素所花费的时间以及到数据元素的链接。
在实施例中，用于工业环境中的数据收集系统的数据市场可以包括：输入接口，被构造为接收来自或关于多个工业机器中的一个或多个的数据输入；数据池和数据流中的至少一个，以提供在市场内收集的数据；以及数据代理引擎，用于在至少两个市场参与者之间执行数据交易。在实施例中，数据代理引擎的至少一个参数可以由机器学习设施基于市场的成功度量而自动配置。数据交易输入可以包括市场价值评级。可以将市场价值评级分配给市场参与者。可以基于参与者向市场提供的输入值来为市场参与者分配市场价值评级。数据交易可以是贸易交易、销售交易、支付交易等。成功的度量和测量可以包括利润测量、收益率测量、评级等。评级可包括用户评级。评级可以包括购买者评级、被许可人评级、评论者评级等。成功度量和测量可以包括感兴趣的指标。感兴趣的指标可以包括点击流活动、在页面上花费的时间，包括评论元素所花费的时间、到数据元素的链接等。
在实施例中，用于工业环境中的数据收集系统的数据市场可以包括：输入接口，被构造为接收来自或关于多个工业机器中的一个或多个的数据输入；数据池和数据流中的至少一个，以提供在市场内收集的数据；以及定价引擎，用于为市场中的至少一个数据元素设定价格。在实施例中，可以由机器学习设施基于市场的成功度量自动为定价引擎配置定价。成功的度量和测量可以包括利润测量、收益率测量，包括评级等。评级可包括用户评级。评级可以包括购买者评级、被许可人评级、评论者评级等。成功度量和测量可以包括感兴趣的指标。感兴趣的指标可以包括点击流活动、在页面上花费的时间，包括评论元素所花费的时间、到数据元素的链接等。
在实施例中，用于工业环境中的数据收集系统的数据市场可以包括：输入接口，被构造为接收来自或关于多个工业机器中的一个或多个的数据输入；数据池和数据流中的至少一个，以提供在市场内收集的数据；以及用户接口，用于呈现数据元素和至少一种机制，通过该机制，使用市场的一方可以获得对至少一个数据流或数据池的接入。在实施例中，可以由机器学习设施基于市场的成功度量自动为定价引擎配置定价。成功的度量和测量可以包括利润测量、收益率测量，包括评级等。评级可包括用户评级。评级可以包括购买者评级、被许可人评级、评论者评级等。成功度量和测量可以包括感兴趣的指标。感兴趣的指标可以包括点击流活动、在页面上花费的时间，包括评论元素所花费的时间、到数据元素的链接等。
在实施例中，工业环境中的数据收集系统可以包括用于工业环境中的数据收集系统的策略自动化系统，包括：在角色、许可和使用中选择的多个规则，所述多个规则可通信地连接到策略、协议和策略输入；在合规、故障、配置、计费、供应和安全策略中选择的多个策略，用于定义如何创建、部署和管理设备，所述多个策略通信地连接到策略、协议和策略输入以及策略输入接口，策略输入接口构造为接收用作规则、策略和协议定义中的至少一个的输入的策略输入。
在实施例中，数据市场可以包括：输入接口，被构造为接收市场输入；多个数据池，用于存储收集的数据，包括市场输入，并使收集的数据可供市场使用；以及包括来自数据池的数据的数据流。
如本文和附录B所述，智能工业设备和系统可以配置在各种网络中，包括自形成网络、专用网络、基于因特网的网络等。附录B中描述的可以结合氢气生产、存储和使用的一个或多个智能加热系统可以配置为这种网络中的节点。在实施例中，智能加热系统可以配置有一个或多个网络端口，例如便于通过Wi-Fi以及如所描述的其它有线和/或无线通信协议连接的无线网络端口。智能加热系统包括如附录B中所述的智能氢气生产系统和智能氢气存储系统等，并且可以单独配置或配置作为工业设备和系统网络中的一个或多个节点连接的整体系统。通过该示例，智能加热系统可以设置在现场工业设备操作中心中，例如配备有通信能力等的便携式拖车。这种部署的智能加热系统可以被手动、自动或半自动配置为加入设备网络(例如工业数据收集、控制和监测节点)，并参与网络管理、通信、数据收集、数据监测、控制等。
在参与工业设备监测、控制和数据收集设备的网络的智能加热系统的另一个示例中，多个智能加热系统可用于智能加热系统子网络。在实施例中，可以使用本文描述的方法和系统在工业设备的网络上传送由设备的子网络生成的数据。
在实施例中，智能加热系统可以参与如本文所述的工业设备的网络。通过该示例，如图182中所描绘的一个或多个智能加热系统可用于IoT设备，诸如本文所述的IoT设备13500等。在实施例中，智能加热系统13502可以通过接入点在用于设备和系统元件的用于本文描述的连接性的移动自组织网络或机制和/或通过本文描述的网络元件进行通信。
在实施例中，附录B中描述的一个或多个智能加热系统可以与可以使智能加热系统执行诸如分析、自组织存储、数据收集等功能的设施、平台、模块等合并、集成、使用或连接，所述功能可以改善数据收集、部署增加的智能等。各种数据分析技术(诸如数据的机器模式识别，来自模拟工业传感器的融合数据的收集、生成、存储和通信，多传感器数据收集和复用，自组织数据池，自组织工业数据收集器的群和本文描述的其它技术)可以由一个或多个智能加热系统收集的数据实现、由该数据启用、与该数据结合使用，并且可以从该数据获得。
在实施例中，智能加热系统可以配置有本地数据收集能力，用于以单个相对高采样率从诸如多个传感器获得长数据块(即，持续长时间的数据采集)，而不是以不同的采样率获取的多组数据。通过该示例，本地数据收集能力可以包括基于历史模板等规划数据采集路线。在实施例中，本地数据收集能力可以包括管理数据收集波段，例如定义特定频带以及一组频谱峰值、真峰值电平、波峰因数等中的至少一个的波段。
在实施例中，一个或多个智能加热系统可以作为可以促进工业数据收集的IoT设备的自组织集群而参与。智能加热系统可以与其它智能加热系统、IoT设备、工业数据收集器等一起组织而相互组织以基于智能加热系统的能力和条件优化数据收集并且需要感测、记录和获取来自智能加热系统及智能加热系统周围的信息。在实施例中，一个或多个智能加热系统可以配置有处理智能和能力，该处理智能和能力可以促进与集群的其它成员、设备等协调。在实施例中，集群的智能加热系统成员可以跟踪关于集群中的其它智能加热系统正在处理和收集的信息，以便于在集群成员之间分配数据收集活动、数据存储、数据处理和数据发布。
在实施例中，多个智能加热系统可以配置有不同的燃烧器，但是可以共享共同的氢气生产系统和/或共同的氢气存储系统。在实施例中，多个智能加热系统可以协调与公共氢气生产和/或存储系统相关联的数据收集，使得多个智能加热系统不会不必要地复制数据收集。在实施例中，可以消耗氢的智能加热系统可以执行氢气生产和/或存储数据收集，使得当智能加热系统可以准备消耗氢时，它们与其它智能加热系统协调以确保跟踪它们的消耗，即使另一个智能加热系统执行数据收集、处理等。在实施例中，集群中的智能加热系统可以彼此通信以确定当每个智能加热系统准备停止消耗氢(例如当加热、烹饪或热的其它用途时接近完成等)时哪个智能加热系统将执行氢消耗数据收集和处理。通过该示例，当多个智能加热系统主动消耗氢时，数据收集可以由第一智能加热系统执行，数据分析可以由第二智能加热系统执行，并且数据和数据分析记录或报告可以由第三智能加热系统执行。通过将某些数据收集、处理、存储和报告功能分配给不同的智能加热系统，可以为具有足够存储、处理带宽、通信带宽、可用能量供应等的某些智能加热系统分配适当的角色。当智能加热系统接近该智能加热系统的加热时间、烹饪时间等的结束时，该智能加热系统可以向集群发信号通知该智能加热系统将很快进入节电模式，因此可能不会被分配以执行需要被节电模式中断的数据分析等。
在实施例中，使用如本文所公开的智能加热系统的集群的另一个好处是，通过共享存储集群数据的作用，可以利用集群的数据存储能力来存储比可以存储在单个智能加热系统上更多的信息。
在实施例中，智能加热系统的自组织集群包括被指定为主群参与者的系统之一，主群参与者可以促进关于集群中的各个智能加热系统的资源分配的用于数据收集、处理、存储、报告等活动的决策。
在实施例中，工业数据收集器的自组织集群的方法和系统可以包括本文描述的多个附加功能、能力、特征、操作模式等。在实施例中，智能加热系统可以用于执行这些附加特征、能力、功能等中的任何一个或全部，而没有限制。
如本文所使用的术语“一个”被定义为“一个或多个”。如本文使用的术语“另一个”被定义为“至少第二个或多个”。如本文使用的术语“包括”和/或“具有”被定义为“包含”(即，开放式转换)。
虽然仅示出和描述了本公开的几个实施例，但是对于本领域技术人员来说显而易见的是，在不脱离权利要求所描述的本公开的精神和范围的情况下，可以对实施例进行许多改变和修改。本文引用的所有专利申请和专利(包括国外和国内)以及所有其它出版物在法律允许的全部范围内以其整体并入本文。
本文描述的方法和系统可以部分或全部通过在处理器上执行计算机软件、程序代码和/或指令的机器来部署。本公开可以实现为机器上的方法、实现为机器的一部分或与机器相关的系统或装置，或者实现为在一个或多个机器上执行的计算机可读介质中的计算机程序产品。在实施例中，处理器可以是服务器、云服务器、客户端、网络基础设施、移动计算平台、固定计算平台或其它计算平台的一部分。处理器可以是能够执行程序指令、代码、二进制指令等的任何类型的计算或处理设备。处理器可以是或可以包括信号处理器、数字处理器、嵌入式处理器、微处理器或任何变型，例如协处理器(数学协处理器、图形协处理器、通信协处理器等)等，其可以直接或间接地促进存储在其上的程序代码或程序指令的执行。此外，处理器可以启用多个程序、线程和代码的执行。可以同时执行线程以增强处理器的性能并促进应用程序的同时运行。作为实现方式，可以在一个或多个线程中实现本文描述的方法、程序代码、程序指令等。线程可能会产生其它线程，这些线程可能已经分配了与之关联的优先级；处理器可以基于优先级或基于程序代码中提供的指令的任何其它顺序来执行这些线程。处理器或利用处理器的任何机器可以包括存储如本文和别处所述的方法、代码、指令和程序的非瞬时性存储器。处理器可以通过接口接入可以存储如本文和别处所述的方法、代码和指令的非瞬时性存储介质。与处理器相关联的用于存储能够由计算或处理设备执行的方法、程序、代码、程序指令或其它类型的指令的存储介质可以包括但不限于CD-ROM、DVD、存储器、硬盘、闪存驱动器、RAM、ROM、高速缓存等中的一种或多种。
处理器可以包括可增强多处理器的速度和性能的一个或多个核。在实施例中，该处理器可以是组合两个或多个独立核(称为管芯)的双核处理器、四核处理器、其它芯片级多处理器等。
本文描述的方法和系统可以部分或全部通过在服务器、客户端、防火墙、网关、集线器、路由器或其它此类计算机和/或网络硬件上执行计算机软件的机器来部署。软件程序可以与服务器相关联，该服务器可以包括文件服务器、打印服务器、域服务器、互联网服务器、内联网服务器、云服务器以及例如辅助服务器、主机服务器、分布式服务器等其它变型。服务器可以包括存储器、处理器、计算机可读瞬时和/或非瞬时媒体、存储介质、端口(物理和虚拟)、通信设备和能够通过有线或无线介质等接入其它服务器、客户端、机器和设备的接口中的一个或多个。本文和别处描述的方法、程序或代码可以由服务器执行。另外，执行本申请中描述的方法所需的其它设备可以被视为与服务器相关联的基础设施的一部分。
服务器可以向其它设备(包括但不限于客户端、其它服务器、打印机、数据库服务器、打印服务器、文件服务器、通信服务器、分布式服务器、社交网络等)提供接口。另外，这种耦合和/或连接可以促进跨网络远程执行程序。这些设备中的一些或全部的联网可以促进在一个或多个位置处并行处理程序或方法，且不偏离本发明的范围。此外，通过接口附接到服务器的任何设备可以包括至少一个能够存储方法、程序、代码和/或指令的存储介质。中央存储库可以提供要在不同设备上执行的程序指令。在该实现中，远程存储库可以充当程序代码、指令和程序的存储介质。
软件程序可以与客户端相关联，所述客户端可以包括文件客户端、打印客户端、域客户端、因特网客户端、内联网客户端和其它变体(如辅助客户端、主机客户端、分布式客户端等)。客户端可以包括存储器、处理器、计算机可读瞬时和/或非瞬时性介质、存储介质、端口(物理和虚拟)、通信设备和能够通过有线或无线介质等接入其它客户端、服务器、机器和设备的接口中的一个或多个。本文和别处描述的方法、程序或代码可以由客户端执行。另外，执行本申请中描述的方法所需的其它设备可以被视为与客户端相关联的基础设施的一部分。
客户端可以向其它设备(包括但不限于服务器、其它客户端、打印机、数据库服务器、打印服务器、文件服务器、通信服务器、分布式服务器等)提供接口。另外，这种耦合和/或连接可以促进跨网络远程执行程序。这些设备中的一些或全部的联网可以促进在一个或多个位置处并行处理程序或方法，且不偏离本发明的范围。此外，通过接口附接到客户端的任何设备可以包括至少一个能够存储方法、程序、应用程序、代码和/或指令的存储介质。中央存储库可以提供要在不同设备上执行的程序指令。在该实现中，远程存储库可以充当程序代码、指令和程序的存储介质。
本文档中描述的各种实施例涉及改善数据网络上的节点之间的通信的多个方面的通信协议。这些方面包括例如通信延迟、信道利用率和/或错误率的平均、最差情况或可变性。这些实施例主要在分组交换网络的上下文中描述，并且更具体地在基于因特网协议(Internet Protocol，简称IP)的分组交换网络的上下文中描述。然而，应该理解，至少一些实施例更一般地适用于不使用分组交换或IP的数据通信，例如基于其它形式的数据网络的电路交换。
此外，在从“服务器”发送到“客户端”的数据的上下文中描述各种实施例。应当理解，这些术语被广泛使用，大致类似于“数据源”和“数据目的地”。此外，在这些技术的至少一些应用中，节点是对等的，并且可以将角色替换为“服务器”和“客户端”，或者可以同时具有两个角色(即，作为数据源和数据目的地)。然而，为了便于说明，描述了存在从“服务器”节点到“客户端”节点的主要数据流方向的示例，应理解这些示例中描述的技术适用于许多其它情况。
客户端-服务器应用的一个示例涉及服务器将记录的或现场的多媒体(例如，视频和音频)数据传送到客户端以呈现给用户。在这样的示例中，从客户端到服务器的通信的改进方面可以减少通信延迟，例如通过更有效的信道利用(例如，通过避免在重传或不必要的前向纠错中使用链路容量)来提供更快的启动，减少中断回放的实例，减少带宽减少的实例和/或提高质量。该示例对于阐述许多实施例是有用的。但是，必须认识到，这仅仅是下面描述的许多可能用途之一。
图183示出了可以在数据网络的一部分上互连的一些部件的高级框图。在现今的因特网上布置的通信连接或会话的一般示例可以表示为客户端节点125(例如，客户端计算机)在一个网络或多个网络151至152的互连上与服务器节点111(例如，服务器计算机)通信。例如，客户端节点和服务器节点可以使用因特网协议(IP)在公共因特网上进行通信。图183另外示出了位于相应网络151、152上的多个节点161、162以及位于网络152之一上的客户端代理123。
参照图184，在涉及传统通信技术的示例中，客户端节点125托管客户端应用222，该客户端应用与实现TCP的TCP模块226通信。TCP模块226与IP模块228通信，IP模块228实现用于在网络互连上的节点之间进行通信的因特网协议。通信在信道230(即，包括将网络节点互连的设备之间的物理链路的路径的抽象概念)上在网络的节点之间传送。类似地，服务器节点111托管服务器应用212、TCP模块216和IP模块218。当服务器应用111和客户端应用222传送例如从服务器应用传送到客户端应用的数据时，服务器节点111处的TCP模块216和客户端节点125处的TCP层226交互以实现TCP的两个端点。
通常，由服务器应用212生成的数据单元201(例如，多媒体帧或其它应用数据单元的编码)被传送到TCP模块216。TCP模块组装数据净荷202，例如，连接多个数据单元201和/或将数据单元201划分为多个数据净荷202。在下面的讨论中，在某些情况下，这些净荷被称为“原始”或“未编码”“数据包”或原始或未编码的“净荷”，它们被传送到网络中的客户端(即目的地)节点。因此，应该理解，除了作为通信单位之外，词语“数据包”不具有任何内涵。在图184所示的TCP实施例中，每个数据净荷202被“包裹”在TCP数据包204中，该TCP数据包204被传送到IP模块218，该IP模块218进一步将TCP数据包204包裹在IP数据包206中以便在被认为是链接服务器节点111和客户端节点125的IP层信道230上从服务器节点111传送到客户端节点125。需要注意的是，在较低层，例如在数据链路层，可能发生IP数据包206的进一步包裹、解包和/或重新包裹，然而，这些方面未在图184中示出。通常，每个净荷202在至少一个TCP数据包204和相应的IP数据包206中发送，并且如果在客户端节点125处未被TCP模块226成功接收，则可以由TCP模块216在服务器节点111处重新传送而使得成功递送。数据净荷202被分解为最初由服务器应用212提供的数据单元201，然后以与服务器应用212提供的相同的顺序传递到客户端应用222。
TCP实现各种特征，包括丢失数据包的重传、维持数据包的顺序以及拥塞控制，以避免沿着通过网络的路径的节点或链路上的拥堵，并且提供在中间节点的网络之间和之内的有限带宽的公平分配。例如，TCP实现“窗口协议”，其中仅允许发送有限数量(或序列号范围)的数据包，其中数据包尚未接收到端到端确认。TCP的一些实施方式调整窗口的大小，例如，最初从小窗口开始(慢启动)以避免引起拥堵。TCP的一些实施方式还控制例如根据往返时间和窗口的大小的数据包的传输速率。
以下描述详述了如图184所示的传统基于TCP的通信的一个或多个替代方案。通常，这些替代方案改善了一个或多个性能特性，例如，总吞吐量、延迟和抖动中的一个或多个。在一些应用中，这些性能特性与应用级性能特性(例如多媒体演示应用中的图像质量)直接相关。参照图183，在许多示例中，这些替代方案旨在改善服务器节点111和至少一个客户端节点125之间的通信。这种通信的一个示例是从服务器节点111到客户端节点125的流媒体，然而，应该认识到，这只是可以使用所描述的替代方案的许多示例中的一个。
还应该理解，图183中所示的网络配置仅是各种配置的代表。许多这些配置可能具有不同特征的路径。例如，从服务器节点111到客户端节点125的路径可能会通过使用不同类型的设备并具有非常不同的容量、延迟、错误率、拥塞程度等的链路。在许多情况下，正是这种差异给实现高速率/低延迟和/或低抖动的端到端通信提出了挑战。作为一个示例，客户端节点125可以是无线蜂窝网络上的个人通信设备，图183中的网络152可以是蜂窝运营商的专用有线网络，并且网络151可以是公共因特网。在另一个示例中，客户端节点125可以是专用WLAN的“Wi-Fi”节点，网络152可以是专用LAN，并且网络151可以是公共因特网。
传统TCP的许多替代方案使用分组编码(PC)方法。此外，许多这些方法主要在传输层使用PC。尽管不同的实施例可以具有不同的特征，但是这些实施方式在下面统称为分组编码传输控制协议(Packet Coding Transmission Control Protocol，简称PC-TCP)。还描述了其它实施例，其中相同或类似的PC方法用于其它层，例如，在数据链路层(例如，称为PC-DL)，因此应该理解，在PC-TCP的实施例的上下文中描述的总体特征也可以包含在PC-DL实施例中。
在详细讨论PC-TCP的特定特征之前，描述了整个系统架构的多个实施例。PC-TCP的各种实施例的后面描述应该被理解为适用于这些系统架构中的任何一个以及其它系统架构。
架构和应用程序
传输层架构
内核实现
参照图185，在一种架构中，服务器节点111和客户端节点125处的TCP模块分别被PC-TCP模块316和326替换。通常，服务器处的PC-TCP模块316从服务器应用212接收数据单元201，并形成原始数据净荷202(即，“未编码数据包”，形成在PC-TCP模块316内部并且未示出)。通常，这些数据净荷202在客户端节点125处的PC-TCP模块326处被传输和/或重构，其中数据单元201被提取并以与服务器应用212提供的顺序相同的顺序传递到客户端应用222。如下面更详细描述的，PC-TCP模块的至少一些实施例利用随机线性编码(RandomLinear Coding，简称RLC)来形成数据包304，以便从源PC-TCP模块传送到目的地PC-TCP模块，每个数据包304承载净荷302，其中至少一些数据包304由多个原始净荷202的组合形成。具体地，至少一些净荷202形成为原始净荷202的线性组合(例如，具有在有限域中随机生成的系数)以实现前向纠错(FEC)，或形成为重传或修复方法的一部分，其中不使用FEC提供足够的信息来克服在信道230上数据包304的丢失。此外，PC-TCP模块316和326一起实现拥堵控制和/或速率控制，以便以“公平”的方式与其它传输协议(特别是传统的TCP)大体上共存。
PC-TCP模块316或326的一个软件实施形式是集成到操作系统中(例如，集成到基于Unix的操作系统的“内核”中)的软件模块，集成方式与集成在操作系统中的常规TCP模块大致相同。下面讨论备选软件实施方案。
参考图186，在客户端节点125是蜂窝网络上(例如，LTE网络上)的智能手机并且服务器节点111可使用IP从客户端节点接入的示例中，图185中所示的方法与链接客户端节点125和服务器节点111的端对端PC-TCP会话一起使用。承载PC-TCP会话的数据包304的IP数据包300使用常规方法遍历节点之间的信道，而不需要在会话的端点处的节点之间进行任何非常规处理。
备选软件实施方案
以上描述包括通常标记为“PC-TCP”的模块。在以下描述中，呈现了这些模块的许多不同的实施方案。应当理解的是，通常，可以使用任何所描述的或其它方法来实施PC-TCP模块的任何示例。
参考图187，在一些实施例中，PC-TCP模块326(或在该本文档中讨论的PC-TCP模块的任何其它示例)被实施为PC-TCP模块526，其包括数据包编码(PC)模块525，该PC模块525耦合到常规UDP模块524(即，与该常规UDP模块524进行通信)。基本上，上述每个PC-TCP数据包都由“包裹”在UDP数据包中的PC数据包组成。然后，UDP模块524经由IP模块以常规方式进行通信。在一些实施方案中，PC模块525被实现为“用户空间”进程，其与内核空间UDP模块进行通信，而在其它实施方案中，PC模块525在内核空间中实现。
参考图188，在一些实施例中，PC模块625或其功能被集成到客户端应用程序622中，该客户端应用程序622然后直接与常规UDP模块524进行通信。因此，PC-TCP模块626有效地跨越客户端应用程序622和UDP模块524的内核实施方案。虽然使用UDP来链接客户端和服务器处的PC模块具有某些优点，但是也可以使用其它协议。UDP的一个优点是通过使用重传的可靠传输不是UDP协议的一部分，因此错误处理可以由PC模块执行。
参考图189，在一些实施方案中，PC-TCP模块726被分成一部分，称为PC-TCP“存根”727，其在内核空间中执行；以及另一个部分，称为PC-TCP“代码”728，其在操作系统环境的用户空间中执行。存根727和代码728进行通信以提供PC-TCP模块的功能。
应当理解的是，这些软件实施方案并非详尽无遗。另外，如下面进一步讨论的，在一些实施方案中，该文档中描述的任何架构或示例的PC-TCP模块可以例如使用代理架构在多个主机和/或网络节点之间分开。
代理架构
常规代理节点
参考图190，某些常规通信架构在客户端节点125与服务器节点111之间的通信路径上使用代理服务器。例如，代理节点820托管代理服务器应用程序822。客户端应用程序222与代理服务器应用程序822进行通信，该代理服务器应用程序822充当与服务器应用程序212进行通信的中介(图190中未示出)。应当理解的是，实施这种代理的各种方法是已知的。在一些实施方案中，代理应用程序被插入到该路径上而客户端节点不一定知道。在一些实施方案中，在客户端节点处使用代理客户端812，在一些情况下，在客户端节点处执行的软件的应用程序层与传输层之间形成软件“垫片”，其中代理客户端812将通信传递给代理服务器应用程序。在许多代理方法中，客户端应用程序222知道使用了代理，并且该代理明确地充当与服务器应用程序进行通信的中介。这种方法的特定示例利用SOCKS代理，其中SOCKS代理客户端应用程序(即，代理客户端812的示例)与SOCKS代理服务器应用程序(即，代理服务器应用程序822的示例)进行通信。客户端和服务器可以通过TCP/IP(例如，经由TCP模块826b和IP模块828b，它们可以在一个TCP模块中一起实施)进行通信，并且SOCKS代理服务器应用程序(例如，经由TCP模块826a和IP模块828a)满足代表客户端应用程序的通信请求(即，与服务器应用程序的通信请求)。注意，代理服务器应用程序还可以执行除转发通信之外的功能，例如，提供可以用于满足来自客户端应用程序的请求的数据的高速缓存。
第一备选代理节点
参考图191，在备选代理架构中，代理节点920托管代理服务器应用程序922，其类似于图190的代理服务器应用程序822。例如所说明使用常规TCP/IP，并且在一些实施例中使用代理客户端812(例如，作为SOCKS代理客户端)，客户端应用程序222与代理服务器应用程序922进行通信，该通信在客户端节点125处执行。如图191中所示，代理服务器应用程序922使用PC-TCP模块926与服务器应用程序进行通信，该PC-TCP模块926与图185中所示的用于与服务器节点111处的PC-TCP模块316进行通信的PC-TCP模块326基本上相同。
在一些实施例中，图191的通信架构和图184的常规通信架构可以共存于客户端应用程序与服务器应用程序之间的通信中，可以使用PC-TCP、常规TCP，或者同时使用PC-TCP和TCP。通信方法可以基于客户端应用程序的配置和/或基于客户端与服务器应用程序之间的对话来建立它们之间的通信。
参考图192，在图191中所示的架构的示例中，代理应用程序922被托管在将LAN1050链接到因特网的网关1020中。许多常规客户端节点125a-z在LAN上，并且利用代理服务器应用程序通过因特网与一个或多个服务器应用程序进行通信。可以使用各种形式的网关1020，例如，路由器、防火墙、调制解调器(例如，电缆调制解调器，DSL调制解调器等)。在这样的示例中，网关1020可以用于在客户端节点125a-z与因特网之间传递常规TCP/IP通信，并且对于某些服务器应用或在某些条件下(例如，由客户端、服务器或网关确定)使用代理来利用PC-TCP通过因特网进行通信。
应当理解的是，图191中所示的代理架构可以同等地应用于使用TCP/IP与代理节点进行通信的服务器节点111，其中该代理直接或经由客户端侧代理提供与客户端节点的PC-TCP通信。在这样的情况下，服务于服务器节点的代理服务器应用程序可以被例如托管在网关设备中，例如被托管在将服务器链接到因特网的负载均衡器(例如，可以与服务器“群”一起使用)中。还应当理解的是，在一些应用程序中，存在与服务器节点相关联的代理节点以及与客户端节点相关联的另一个代理。
集成代理
参考图193，在一些示例中，代理服务器应用程序1123(其提供与图191的代理服务器应用程序922基本上相同的功能)驻留在客户端节点1121上，而不是托管在如图191中所示的单独的网络节点上。在这样的示例中，客户端应用程序222和代理服务器应用程序1123之间的连接是本地的，它们之间的通信没有通过数据网络传递(但是在内部它可以经由IP1129软件“栈”传递)。例如，代理客户端812(例如，SOCKS客户端)在本地与代理服务器应用程序1123交互，或者代理客户端812和代理服务器应用程序1123的功能被集成到单个软件部件中。
第二备选代理节点
在上面介绍的第一备选代理节点方法的示例中，客户端节点与代理节点之间的通信使用常规技术(例如，TCP/IP)，而代理节点与服务器节点(或其代理)之间的通信使用PC-TCP 1127。这种方法可以缓解服务器节点与代理节点之间的链路上的拥堵和/或数据包错误或丢失，然而，它通常不会缓解在代理节点与客户端节点之间的链路上出现的问题。例如，客户端节点和代理节点可以通过无线信道(例如，Wi-Fi、蜂窝等)链接，这可能比服务器与代理节点之间通过有线网络引入的错误程度更大的错误程度。
参考图194，在第二代理方法中，客户端节点125托管PC-TCP模块326，或者托管或使用该文档中描述的这种模块的任何备选方案。客户端应用程序222利用客户端节点处的PC-TCP模块326与代理节点1220进行通信。代理节点基本上在PC-TCP与客户端节点125进行通信和PC-TCP与服务器节点进行的常规(例如，TCP)通信之间转化。代理节点1220包括代理服务器应用程序1222，其利用PC-TCP模块1226在客户端节点处与客户端节点进行通信(即，与PC-TCP模块326形成传输层链路)，并且使用常规TCP模块826a与服务器进行通信。
图195到197中说明这种代理方法的示例。参考图195，代理节点1220的示例集成在无线接入设备1320(例如，Wi-Fi接入点、路由器等)中。无线接入设备1320经由有线接口1351耦合到服务器，并且经由接入设备处的无线接口1352和客户端节点处的无线接口1353耦合到无线客户端节点125。无线接入设备1320包括代理和通信栈实施方案1321，其包括针对图194中的代理1220所示的模块，并且无线客户端节点125包括应用程序和通信栈实施方案1322，该应用程序和通信栈实施方案包括针对图194中的客户端节点125所示的模块。需要注意的是，在无线接入设备1320与客户端节点125之间传递的IP数据包300通常使用数据层协议进一步“包裹”在例如数据层数据包1350中。如上文所介绍，在一些实施方案中，在图195所示的方法的修改方案中，数据包编码方法在数据链路层处实施，而不是在传输层处实施数据包编码。
参考图196，代理节点1220集成在蜂窝服务提供商的专用陆地网络的节点中。在该示例中，服务器111与代理节点1220之间的通信使用通过公共因特网的常规技术(例如，TCP)，而代理节点与客户端节点之间的通信使用PC-TCP。应当理解的是，代理节点1220可以托管在服务提供商的网络中的各个点处，包括但不限于托管在将提供商的专用网络连接到因特网的网关或边缘设备(例如，LTE网络的分组数据网络网关)处和/或网络的内部节点(例如，服务网关、基站控制器等)处。参考图197，类似方法可以与基于有线电视的网络一起使用。PC-TCP通信可以在前端设备与分布式网络(例如，光纤、同轴或混合光纤同轴网络)之间传递到单独的家庭。例如，每个家庭都可以具有本身包括PC-TCP能力的设备，或者在一些示例中，代理节点(例如，集成在如图192中所示的网关1020中的代理节点)终止每个家庭的PC-TCP连接。使用常规方法与服务器111进行通信的代理节点在使用PC-TCP通过分布式网络进行通信的同时被托管在服务提供商的专用网络中的节点中，例如托管在分布式网络的“前端”设备1220b处，或者托管在将服务提供商的网络与公共因特网链接的网关设备1220a中。
中间代理
参考图198，在另一种架构中，服务器节点与客户端节点之间的信道被分成独立的串联PC-TCP链路。中间节点1620具有PC-TCP模块1626和1627的两个示例。一个PC-TCP模块1626终止PC-TCP信道并且在服务器处与对应的PC-TCP模块进行通信(例如，该服务器被托管在服务器节点处或在与服务器节点相关联的代理处)。另一个PC-TCP模块1627终止PC-TCP信道并且在客户端处与对应的PC-TCP模块进行通信(例如，该客户端被托管在客户端节点处或在与客户端节点相关联的代理处)。这两个PC-TCP模块1626和1627经由路由应用程序1622耦合，该路由应用程序将由一个PC-TCP模块(例如，来自服务器节点的模块1626)提供的解码数据单元传递到另一个PC-TCP模块以便传输到客户端。
注意，在中间节点1620处桥接的两个PC-TCP信道的参数不必相同。例如，桥接信道在它们的前向纠错码率、块大小、拥堵窗口大小、调步速率等方面可能不同。在使用重传协议来解决无法通过前向纠错编码修正的数据包错误或丢失的情况下，中间节点处的PC-TCP模块请求或服务于这样的重传请求。
在图198中，仅示出了两个PC-TCP模块，但是应当理解的是，中间节点1620可以同时提供不同对的服务器和客户端节点之间的链路。
参考图199，该架构的示例可以涉及与中间节点1620进行通信的服务器节点111，例如，该服务器节点被托管在具有中间节点1620的服务提供商网络的网关设备1720中，该中间节点也经由第二PC-TCP链路与客户端节点125进行通信。
重新编码节点
参考图200，另一种架构与图198中所示的架构的类似之处在于，中间节点1820位于服务器节点111与客户端节点125之间的路径上，其中PC-TCP通信在中间节点1820与服务器节点之间以及在中间节点1820与客户端节点之间传递。
在图198中，PC-TCP模块1626、1627完全解码并编码通过节点的数据。在图200中所示的方法中，不需要这种完全解码。相反，重新编码PC-TCP模块1822从PC-TCP数据包1804a和b接收净荷1802a和b，并且在没有解码以再现原始未编码净荷202(未示出)的情况下，该模块使用所接收的PC-TCP数据包来朝目的地发送PC-TCP数据包304和已编码净荷302。各种重新编码方法的细节将在该文档后面进一步描述。然而，通常，重新编码PC-TCP模块进行的处理包括以下一个或多个功能：转发PC-TCP数据包而不修改目的地；例如，如果在出站链路上不需要由接收到的数据包提供的冗余，则“丢弃”接收的PC-TCP数据包而不转发；产生和传输新的PC-TCP数据包以在出站链路上提供冗余。注意，记录PC-TCP模块还可以将关于入站PC-TCP链路的确认信息(例如，不需要来自目的地节点的确认)提供给例如服务器，并且处理在出站链路上接收到的确认。所接收的确认的处理可以包括在最初提供的冗余信息不足以重建净荷数据的情况下引起附加冗余信息的传输。
通常，重新编码PC-TCP模块在入站和出站PC-TCP信道上维持单独的通信特性。因此，虽然它不能解码净荷数据，但是它确实提供了控制，并且通常，PC-TCP信道在它们的前向纠错码率、块大小、拥堵窗口大小、调步速率等方面可能有所不同。
多径传输
单个端点对
在上述示例中，单个路径链接服务器节点111和客户端节点125。介绍了在两个节点之间同时使用常规TCP与PC-TCP的可能性。更一般地，一对PC-TCP模块(即，服务器节点111处的一个和客户端节点125处的一个)之间的通信可以遵循不同的路径。
因特网协议本身支持在不同路径之后从一个节点传递到另一个节点的数据包，并且可能无序传递。多个数据路径或信道可以链接一对PC-TCP模块，并且用于单个会话。除了IP网络的原生多径功能之外，PC-TCP模块可以为特定会话使用多个显式路径。例如，不打算详尽无遗地叙述，可以使用以下类型的路径的组合：未编码的TCP和UDP上的PC；常规TCP上的PC和UDP；无线LAN(例如，Wi-Fi、802.11)上的PC-TCP和蜂窝数据(例如，3G、LTE)或者同时通过多个无线基站(例如，经由多个无线LAN接入点)的PC-TCP。
在一些示例中，使用网络编码使得从服务器节点到客户端节点的多条路径通过重新编码数据的一个或多个中间节点，由此使得不同数据单元的信息有效地通过网络遍历不同路径。
一对端点之间的多径连接的一个动机解决了可能优先处理TCP流量而不是UDP流量。一些网络(例如，某些公共Wi-Fi、有线电视网络等)可以限制UDP流量的速率，或者与TCP相比优先丢弃UDP数据包(例如，在拥堵的情况下)。可能希望能够在不损失性能的情况下有效地检测这种情况。在一些实施例中，PC-TCP会话最初在TCP和UDP连接上建立和划分所传输的数据。这允许比较由这两个连接实现的吞吐量，同时在每个连接处发送不同的有用数据。初始TCP和UDP握手数据包中包括一个标识符以将两个连接识别为属于同一编码的PC-TCP会话，并且可以采用非阻塞连接建立以便允许在一开始就断开两个连接而没有附加的延迟。使用例如轮询(在每个连接上发送交替数据包或连续数据包)或负载均衡/反压调度(将每个数据包发送到具有较短的输出数据队列的连接)，在这两个连接上划分所传输的数据。这种交替或负载均衡可以与用于处理数据包重新排序的技术结合采用。调步速率和拥堵窗口大小可以为单独用于UDP和TCP连接的控制器，或者可以一起控制。与单独控制相比，通过一起控制两个连接(例如，仅使用单个拥塞窗口来调节TCP和UDP连接上正在传输的数据包的数量之和)可以提供更大程度的“公平”。
在一些示例中，根据数据路径/协议的相对性能/吞吐量来确定在每个数据路径/协议上传输的消息的片段的调整。在一些示例中，消息分配的调整仅在传输的初始部分期间发生。在其它示例中，消息分配的调整在整个传输过程中持续发生。在一些示例中，调整反转方向(例如，当数据路径停止优先丢弃UDP消息时，通过该数据路径传输的消息的数量可以增加)。
在一些实施例中，PC-TCP在会话的持续期间维持基于UDP的流量和基于TCP的流量。在其它实施例中，PC-TCP模块比较例如在时间间隔或数据包数量方面指定的时段内的UCP和TCP流量的行为，其中指定该时段的这些量可以被设定为配置参数和/或基于先前编码TCP会话而修改，例如，如果从最近的PC-TCP会话可以获得关于相对TCP/UDP性能的信息，则可以减少或消除比较时段。如果UDP连接实现更好的吞吐量，则PC-TCP会话可以转换为仅使用UDP。如果TCP连接实现更好的吞吐量，则PC-TCP会话可以转换为使用TCP。在一些实施例中，通过TCP链路而不是UDP链路发送不同类型的流量。在一个这样的示例中，UDP连接用于一些前向纠错数据包，其中有利于减少重传延迟，例如，文件的最后一个块或流的中间块。在该示例中，可以通过TCP流发送未编码数据包，其中前向纠错数据包通过UDP发送。如果接收机可以使用前向纠错数据包从TCP流中的擦除中恢复，则接收机的PC-TCP模块的TCP部件的修改后的实施方案能够避免使用基于TCP的错误恢复程序。另一方面，未传送前向纠错数据包不会导致擦除要在接收机处恢复的数据，因此除非在UDP路径和TCP路径上都擦除，否则丢弃UDP数据包不会导致延迟。
分布式源
在一些示例中，多个服务器节点与客户端节点进行通信。可以实施的一种方式是存在多个通信会话，每个通信会话涉及一个服务器节点和一个客户端节点。在这样的实施方案中，在一个服务器节点与客户端节点之间的通信会话与另一个服务器节点和客户端节点之间的另一个通信会话之间很少或没有交互。在一些示例中，每个服务器节点可以具有多媒体文件的不同部分，其中每个服务器提供其部分以在客户端节点处进行组合。
分布式内容传递
在一些示例中，不同服务器向客户端提供的内容之间存在某种关系。这种关系的一个示例是使用分布式RAID方法，其中一个或多个服务器处的数据单元的冗余信息(例如，奇偶校验信息)存储在另一个服务器处并从另一个服务器提供。以此方式，如果数据单元没有从一个服务器节点到达客户端节点，则可以从另一个节点抢先发送或请求冗余信息，并且重建丢失的数据单元。
在一些示例中，在将数据单元分布到多个服务器节点之前对数据单元执行随机线性编码，作为使用分布式RAID的备选方案。然后，每个服务器节点与客户端节点建立单独的通信会话以递送部分编码信息。在这些示例中的一些示例中，服务器节点具有已经被至少部分编码然后被高速缓存的内容，由此避免了对将接收相同应用程序数据单元的不同客户端节点重复该部分编码的必要性。在一些示例中，服务器节点可以实施PC模块的一些功能以在与客户端节点的通信会话期间执行，例如，具有响应于从客户端节点接收到的确认信息(即，否定确认信息)而编码另外的冗余信息的能力。
在一些实施方案中，多个服务器节点是使用各种已知技术中的任何一种向其分布内容的内容传递节点。在其它实施方案中，这些多个服务器节点是中间节点，在该中间节点处，来自先前内容传递会话的内容被高速缓存并因此可用，而不需要从最终服务器节点重新传递内容。
在分布式内容递送的一些示例中，每个服务器到客户端连接与例如独立确定的通信参数(例如，纠错参数、拥堵窗口大小、调步速率等)大致上是独立的。在其它示例中，至少一些参数与例如在一个服务器到客户端连接上确定的特性相关，该特性用于确定客户端节点如何与其它服务器节点进行通信。例如，可以在一个连接上测量数据包到达率、丢失率以及单向传输速率的差异，并且这些参数可以用于优化涉及其它服务器节点的数据的多径递送。一种优化方式可以涉及跨多个服务器节点或通过从服务器节点到客户端节点的路径上的通信链路的负载均衡。
在一些实施方案中，来自使用PC-TCP的分布式服务器节点的内容传递使用独立会话或使用会话之间的协作可以实现常规分布式内容传递的性能，并且需要较少数量的服务器节点。由于PC-TCP提供比常规TCP所实现的更低的等待时间和/或更低的丢失率，因此可能出现这种优势。
多播
图201和202示出了经由多播连接同时向多个目的地节点递送公共内容的两个示例。多播的优点是源节点必须将单个数据包或N个数据包块发送到网络中，并且该网络将尝试将数据包递送到多播组中的所有目的地节点。如果需要可靠地传递内容，则TCP很可能用作传输层协议。为了实现可靠性，TCP要求目的地节点使用确认进行响应，并且指定每个目的地节点正在丢失的数据包。如果有几万或几十万个接收机，并且每个目的地节点都丢失了不同的数据包或数据包集，则到各个接收机的不同重传次数将会削弱将内容一次同时传输到所有目的地的优点。通过网络编码和前向纠错，可以将N个数据包的块同时发送到大量多播目的地节点。到这些多个目的地节点的路径可以是类似的(全部通过大型Wi-Fi或以太网局域网)或不同的(一些通过Wi-Fi，一些通过蜂窝，一些通过光纤链路，而一些通过各种类型的卫星网络)。上述实施传输和拥堵控制、前向纠错、基于发送器的调步、基于接收机的调步、基于流的参数调谐、丢失和无序数据包的检测和纠正、跨多个连接的信息使用、快速连接启动和停止、TCP/UDP回退、级联编码、中间节点的重新编码以及确认的编码的算法可以用于提高向每个多播目的地节点的传递的吞吐量和可靠性。当检测到丢失并使用编码时，可以将附加编码的数据包发送到一些或所有目的地节点。只要在每个目的地节点处接收到N个数据包，如果额外编码数据包的数量匹配或超过在所有接收机处丢失的数据包数量，则可以从编码数据包重建每个目的地节点处的丢失数据包。如果在任何目的地节点处接收到少于N个数据包，则可以重传来自N个数据包的块的任何一组不同的编码数据包，并且该任何一组不同的编码数据包用于重建每个目的地节点处的块中的任何丢失数据包。如果一些目的地节点丢失了一个以上的数据包，则要重新传输的最大编码数据包数量将会等于任何目的地节点丢失的最大数据包数量。这些少数不同的编码数据包可以用于在每个目的地节点处重建丢失数据包。例如，如果在任何目的地节点上丢失的最多的数据包是四个，则可以重传任何四个不同的编码数据包。
其它说明性示例
图203到213示出了数据通信系统和设备的示例性实施例，并且强调用于实施本文所述的新型PC-TCP的各种方式。这些配置识别了可能从使用PC-TCP中受益的一些可能的网络设备、配置和应用程序，但是还存在也可能从PC-TCP中受益的许多设备、配置和应用程序。仅作为示例而无限制地描述了上述实施例。
在图203中描绘的示例性实施例中，用户设备404(例如，智能手机、平板电脑、计算机、电视、显示器、电器、车辆、家庭服务器、游戏控制台、流媒体盒和等)可以包括可以与在用户设备404中运行的应用程序对接的PC-TCP代理。用户设备404上的应用程序可以与云402a(诸如服务器408)中的资源进行通信。服务器408可以是文件服务器、网络服务器、视频服务器、内容服务器、应用程序服务器、协作服务器、FTP服务器、列表服务器、远程注册服务器、邮件服务器、代理服务器、数据库服务器、游戏服务器、声音服务器、打印服务器、开源服务器、虚拟服务器、边缘服务器、存储设备等，并且可以包括可以与在服务器408上运行的应用程序和/或程序对接的PC-TCP代理。在实施例中，云中的服务器可以终止PC-TCP连接并与服务器408上的应用程序对接，和/或可以将数据转发到网络中的另一个电子设备。在实施例中，数据连接可以行进利用多个网络402a、402b上的资源的路径。在实施例中，PC-TCP可以用于支持例如从视频服务器408通过对等点406、通过载波网络402b到无线路由器或接入点410到用户设备404，以及从视频服务器408通过对等点406、通过载波网络402b到蜂窝基站或蜂窝发射机412到用户设备404的多径通信。在实施例中，PC-TCP可以包括可调参数，其可以经过调整来提高多径性能。在一些示例中，图203中所示的示例性实施例可以被称为OTT实施例。
在实施例中，例如图204和图205中所示的示例性实施例，网络中的其它设备可以包括PC-TCP代理。例如，无线接入点或路由器410和基站或蜂窝发射机412可以包括PC-TCP代理。在实施例中，用户设备404还可以包括PC-TCP代理(图205)或者可以不包括PC-TCP代理(图204)。如果用户设备不包括PC-TCP代理，则它可以使用无线或蜂窝协议和/或常规的TCP或UDP协议与接入点410和/或基站412进行通信。接入点410和基站412中的任一个或两个中的PC-TCP代理可以使用这些常规通信来接收数据包，并且可以将这些通信转换为PC-TCP以便连接到视频服务器408。在实施例中，如果常规TCP在终端用户设备404和/或接入点410或基站412之间提供最高速连接，则PC-TCP代理可以利用PC-TCP中的可以符合并且可以补充常规的TCP实施方案的仅一些或所有特征，并且使用TCP层来传输数据。
图206示出了其中用户设备可以包括PC-TCP代理并且可以通过因特网与PC-TCP代理服务器408进行通信的示例性实施例。在该实施例中，实体可以通过租用至少一个服务器、从至少一个分为前购买服务或者将至少一个服务器部署在网络中并且允许其它服务器或终端用户设备使用PC-TCP与其进行通信来提供对高速因特网连接的支持。运行PC-TCP的网络中的至少一个服务器可以使用TCP或UDP连接到网络中的其它资源和/或终端用户。
在实施例中，例如图207和图208中所示的示例性实施例，网络中的其它设备可以包括PC-TCP代理。例如，无线接入点或路由器410和基站或蜂窝发射机412可以包括PC-TCP代理。在实施例中，用户设备404还可以包括PC-TCP代理(图208)或者可以不包括PC-TCP代理(图207)。如果用户设备不包括PC-TCP代理，则它可以使用无线或蜂窝协议和/或常规的TCP或UDP协议与接入点410和/或基站412进行通信。接入点410和基站412中的任一个或两个中的PC-TCP代理可以使用这些常规通信来接收数据包，并且可以将这些通信转换为PC-TCP以便连接到PC-TCP服务器408。在实施例中，如果常规TCP在终端用户设备404和/或接入点410或基站412之间提供最高速连接，则PC-TCP代理可以利用PC-TCP中的可以符合并且可以补充常规的TCP实施方案的仅一些或所有特征，并且使用TCP层来传输数据。
在实施例中，至少一些网络服务器408可以包括PC-TCP代理，并且可以使用PC-TCP与任何PC-TCP服务器或设备进行通信。在其它实施例中，网络服务器可以使用常规的TCP和/或通过UDP运行的其它传输协议来与PC-TCP服务器或设备进行通信。
在如图209中所描绘的示例性实施例中，ISP和/或载波可以在包括PC-TCP代理的一个或多个服务器上托管内容。在实施例中，诸如机顶盒、有线电视盒、数字视频录像机(digital video recorder，简称DVR)、调制解调器、电视、智能电视、因特网电视、显示器等设备可以包括PC-TCP代理。如上所述的用户设备404可以包括可以与在用户设备404中运行的应用程序对接的PC-TCP代理。用户设备404上的应用程序可以与云402c(例如，服务器408)中的资源进行通信。服务器408可以是如上所述的任何类型的通信服务器，并且可以包括可以与在服务器408上运行的应用程序和/或程序对接的PC-TCP代理。在实施例中，云中的服务器可以终止PC-TCP连接并与服务器408上的应用程序对接，和/或可以将数据转发到网络中的另一个电子设备。在实施例中，数据连接可以行进利用多个网络402a、402b、402c上的资源的路径。在实施例中，PC-TCP可以用于支持例如从视频服务器408通过直接对等点(direct peering point，简称DP)406到无线路由器或接入点410或基站412到用户设备404，以及从视频服务器408直接到接入点410和/或到蜂窝基站或蜂窝发射机412到用户设备404的多径通信。在实施例中，PC-TCP可以包括可调参数，其可以经过调整来提高多径性能。
上述通信情况中的网络设备的示例性放置不应被视为限制。应认识到，PC-TCP代理可以放置在任何网络设备中，并且可以支持任何类型的数据连接。即，任何类型的终端用户设备、交换设备、路由设备、存储设备、处理设备等可以包括PC-TCP代理。PC-TCP代理也可以仅驻留在通信路径的端节点中和/或仅驻留在沿着连接路径的两个节点处。然而，PC-TCP代理也可以驻留在通信路径的两个以上节点中，并且可以支持多播通信和多径通信。PC-TCP代理可以用在点对点通信网络、多跳网络、网状网络、广播网络、存储网络等中。
数据包编码(Packet Coding，简称PC)
以上描述集中于部署数据包编码方法的架构，特别是使用传输层PC-TCP方法的架构。在以下描述中，描述了PC-TCP的许多特征。应当理解的是，通常，除非另有指示，否则这些特征彼此兼容并且可以各种组合进行组合以解决特定应用和情况。
数据特性
如上文所介绍，数据单元(例如，音频和/或视频帧)通常用于形成数据包，例如，每个数据包具有一个数据单元，每个数据包具有多个数据单元，或者在一些情况下将单独的数据单元分离为多个数据包。在一些应用中，数据单元和相关数据帧形成流(例如，大致上连续的序列随时间变化而不必在序列中具有数据包或边界)，而在其它应用中，数据单元和相关数据帧形成一个或多个批次(例如，接收者总体上需要的一组数据)。
通常，流数据在源处随时间产生并且在目的地处消耗，通常以大致上稳定的速率消耗。流的示例是与人对人通信(例如，多媒体会议)相关联的多媒体流。延迟(也称为等待时间)和延迟的可变性(也称为抖动)是数据单元从源到目的地的通信的重要特性。
批次的极端示例是递送整组数据，例如，多个千兆字节大小的文件。在一些这样的示例中，(例如，通过最大化吞吐量)减少批次完成递送的总时间是最重要的。可能具有非常敏感的时间(和实时更新)约束的批次递送的一个示例是数据库复制。
在一些应用中，数据形成需要从源传递到目的地的一系列批次。虽然数据单元的批次的递送开始和/或完成的延迟可能很重要，但在许多应用中，总体吞吐量可能是最重要的。批次递送的示例包括递送多媒体内容的部分，例如，每个批次对应于观看时间的部分(例如，2秒的观看时间或每批次2MB)，其中内容按批次递送到目的地，其中各批次中的数据单元被缓冲并且用于构建内容的连续呈现。结果，重要的考虑因素是以在批次之间提供连续性以供呈现的方式递送各批次，而不会因为所需的批次没有及时到达使目的地应用程序“供应不足”。在实践中，这种供应不足可能导致多媒体中视频呈现“卡顿”，这是当今在线多媒体传递的用户所熟悉的现象。另一个重要的考虑因素是减少将第一批次的数据单元提供给目标应用程序的初始延迟。例如，用户在选择用于在线传递的多媒体之后必须等待视频呈现的初始启动方面表现出这种延迟。一些应用中的另一个考虑因素是总体吞吐量。例如，如果源应用程序控制数据单元的数据速率，则可能会出现这种情况下，例如，如果可以实现更高的吞吐量，则能够提供更高保真度版本的多媒体内容。因此，重要的考虑因素可以是提供足够高的吞吐量，以便能够传递高保真版本的内容(例如，与大幅压缩的版本或内容的后退速率导致较低的保真度相反)。
下面描述的各种数据包编码方法或对这些方法的配置参数的选择解决了与正被传输的数据的特性的本质特别相关的考虑因素。在一些示例中，基于正被传输的数据的特性的本质的运行时确定，在单个系统中设定不同的方法或参数。
信道特性
通常，链接PC-TCP源和目的地端点的通信路径表现出相对静止或一致的信道特性以及瞬态特性。相对静止或一致的信道特性可以包括例如容量(例如，最大可用吞吐量)、等待时间(例如，从源到目的地的数据包的传输时间、传输时间的可变性)、误码率(例如，平均数据包擦除或误码率、擦除/误差的突发特性)。通常，这种相对静止或一致的特性可以取决于路径的本质，并且更具体地取决于路径上的一个或多个链路。例如，具有通过4G蜂窝信道的链路的路径可以表现出与通过家庭中的有线电视频道和/或Wi-Fi链路的路径非常不同的特性。如下面进一步讨论的，至少一些数据包编码方法尝试解决通信路径类型之间的信道特性差异。另外，至少一些方法包括跟踪特性中的相对缓慢变化的各方面，例如，适应平均吞吐量、等待时间等的变化，
沿着路径的通信特性也可以表现出实质的瞬态特性。常规通信技术包括解决沿着通信路径的拥堵导致的瞬态特性的各方面。众所周知，当例如在沿着通信路径的节点处拥堵增加时，在该节点处减少流量以避免不稳定的情况(例如，由于缓冲区溢出导致的高数据包丢失，然后由于重传方法而进一步提高数据速率)是很重要的。解决基于拥堵的瞬变的一种常见方法是使用尚未被其目的地确认的“在传输中”数据包的自适应窗口大小。例如，通过在检测到增加的数据包擦除率时显著地减小窗口的大小，在每个源处调整窗口的大小以避免基于拥堵的不稳定性。
在解决各种信道上的通信时，已经观察到通信特性中的瞬态可能不仅仅是由于常规的拥堵效应，并且常规的拥堵避免方法可能不是最佳的或甚至是不希望的。可能影响通信特性并且因此可能需要调整数据传输的方式的一些效应可能包括以下一项或多项：蜂窝系统中由于小区切换产生的效应，包括数据包递送的中断或切换后递送的数据包的大量重新排序；由于某些无线信道的“半双工”特性产生的效应，例如，在Wi-Fi信道中，来自目的地的返回数据包可能延迟直到获取用于上游(即，便携式设备到接入点)通信的无线信道；显式数据整形设备的效应，例如旨在限制某些类别的通信，例如，基于服务提供商认为该类通信是恶意的或者消耗的资源超过公平份额的资源。
虽然可以使用常规的拥堵避免技术来容忍可能不仅仅基于拥堵的瞬态效应，但是下面描述的一种或多种方法特别适合于这种类型的效应，目标是在检测到瞬态情况时保持信道的有效使用而不会出现不适当的“过度反应”，同时仍避免导致基于拥堵的数据包丢失。
数据包间编码
通常，在该文档中描述的实施例中使用的编码方法利用数据包间编码，其中通过信道发送冗余信息，使得一个数据包中的冗余信息通常取决于已经或者将会通过该信道传送的一组其它数据包。通常，对于一组N个信息数据包，以擦除或者任何K个数据包允许重建原始N个信息数据包的方式发送总共N+K个数据包。通常，一组N个信息数据包或包括冗余信息的一组N+K个数据包(取决于上下文)在下面称为“块”或“编码块”。这种编码的一个示例包括不进行进一步编码的N个信息数据包，然后是K个冗余数据包中的每个冗余数据包都取决于N个信息数据包。然而，应当理解的是，在一些实施例中，多于K个数据包(例如，N+K个数据包中的每一个)可以取决于所有N个信息数据包。
前向纠错和修复重传
在该文档中描述的各种实施例中的数据包间编码使用冗余数据包的一次或两次抢先传输(通常称为前向纠错(forward error correction，简称FEC))，以及在指示数据包已经或具有很高概率已经基于反馈擦除时冗余数据包的传输，以下称为修复和/或重传。用于修复重传的反馈通常来自接收机，但是更一般地可以来自到接收机的路径上的节点或其它信道元件，或者具有关于沿着该路径的数据包传递的信息的一些网络元件。在FEC模式中，可以传输K个冗余数据包以便容忍N个数据包的K次擦除，而在修复模式中，在一些示例中，对于发射机认为已经或具有很高概率被擦除的每个数据包，从发射机传输冗余数据包使得如果在具有N个数据包的块中，认为K个数据包已经基于反馈而被擦除，则发射机至少发送另外K个数据包。
如下面更全面地讨论，使用前向纠错模式与修复模式表示在使用更多信道容量进行前向纠错(即，减少整个信息)与在存在用于修复重传的擦除时产生更大等待时间之间的权衡。如上文所介绍，正在传输的数据特性可以确定吞吐量与等待时间的相对重要性，并且可以相应地配置或调整PC-TCP模块。
如果平均数据包擦除率E小于K/(N+K)，则N+K个数据包将会“平均”经历K个或更少数据包的擦除，并且剩余数据包将足以重建原始N个数据包。当然，即使E不大于K/(N+K)，随机可变性、擦除模式的非平稳性等导致N+K个数据包的集合的某个部分具有大于K次擦除，使得没有足够的信息来重建目的地处的N个数据包。因此，即使使用FEC，N个信息数据包的至少一些组也无法重建。需要注意的是，例如，由于E＝0.2，N＝8，以及K＝2，即使平均可以预期2次擦除，超过2次擦除的概率也大于30％，并且即使在E＝0.1的情况下，该概率也大于7％，因此重传方法的本质(例如，定时、触发状况等)如下面进一步讨论般可能是显而易见的。同样如下文所讨论，一起编码的数据包的集合的大小是重要的。例如，将N增加10倍到K+N＝100将可能超过平均20次擦除的概率(即，擦除次数太多而无法重建N＝80个数据包)从超过7％减小到小于0.1％。
同样如下面进一步讨论，在使用大块数据包(即，大量N个数据包)与较小块之间存在折衷。对于特定码率R＝N/(N+K)，较长的块产生在存在随机误差时能够完全恢复N个信息数据包的较高概率。因此，取决于数据特性，PC-TCP模块可以用于适应于实现期望的折衷。
通常，在保证传递N个数据包的实施例中，无论是否使用FEC，修复重传方法都用于提供用于重建N个数据包的进一步信息。通常，在优选实施例中，冗余信息以如下方式形成：在擦除数据包时，从发射机发送的冗余信息并不取决于被擦除的特定数据包，并且仍然适合于修复擦除，这与哪个数据包被擦除无关。
随机线性编码
通常，数据包间编码的优选方法是基于随机线性网络编码(Random LinearNetwork Coding，简称RLNC)技术。然而，应当理解的是，虽然基于该技术，但是并非必须结合可能与该术语相关联的所有特征。具体地，如上所述，在没有执行重新编码的中间节点的情况下，该方法不一定存在“网络”方面。相反，通常通过使用算术组合并且更具体地使用算术组合作为系数乘积与信息数据包在算术域(例如，有限域(例如，pn次伽罗瓦域))中的表示之和将信息数据包组合成编码数据包来形成冗余信息。通常，代码系数是以随机或伪随机方式从足够大的有限域中选择的，或者以数据包的组合具有非常低的线性相关概率或频率的另一种方式来选择的。代码系数或压缩版本(例如，作为对发射机和接收机共享的表的引用)包括在每个传输的数据单元组合中(或以其它方式传送到接收机)并且用于在接收机处解码。通常，可以通过反转算术组合在接收机处恢复原始信息数据包。例如，可以使用高斯消除的版本来从编码组合重建原始数据包。该方法的关键特征是对于一组N个信息数据包，只要接收机在接收数据包中具有这些信息数据包的至少N个线性独立组合，它就可以重建原始数据单元。下面通常使用术语“自由度”来指代多个独立的线性组合，使得如果已经为N个原始数据包指定了N个自由度，则可以重建N个原始数据包；而如果少于N个自由度可用，则可能无法完全重建N个原始数据包中的任一个。如果发送N+K个线性无关的线性组合，则任何N个接收到的组合(即，N个接收到的自由度)足以重建原始信息数据包。
在一些示例中，N+K个线性独立组合包括对N个“未编码”信息数据包(对于每个未编码数据包基本上N-1个零系数和一个单位系数)以及包括具有用于N个信息数据包的N个非零系数的随机算术组合的K个编码数据包的N次选择。首先传输N个未编码的数据包使得在没有擦除的情况下尽快完全接收它们。在一次擦除原始N个数据包的情况下，接收机(除了N-1个原始数据包之外)必须等待一个冗余数据包到达，并且一旦该数据包到达，就可以重建被擦除的数据包。在前向纠错的情况下，K个冗余数据包在(例如，紧接在)信息数据包之后，并且在重建擦除的信息数据包时引起的延迟取决于数据包的传输时间。在修复重传的情况下，在检测到擦除或高擦除概率时，接收机向发射机提供反馈，该发射机在接收到反馈时发送冗余信息。因此，能够重建擦除的数据包的延迟取决于从接收机到发射机和返回的往返时间。
如下面更详细讨论，从接收机到发射机的反馈可以呈从接收机发送到发射机的确认的形式。这种确认反馈至少向发射机通知已成功接收的一块的N+K个数据包(即，所接收的自由度的数量)，并且可以提供取决于已经在接收机处接收的特定数据包的另外信息，但是这样的另外信息不是必不可少的。
如上文所介绍，包括原始数据包的组合的数据包通常还包括确定用于组合原始数据包的系数所需的信息，以及识别在该组合中使用哪些原始数据包所需的信息(除非该集合(诸如一个块的所有数据包)是隐含的)。在一些实施方案中，系数在编码数据包中显式地表示。在一些实施例中，参考发射机和接收机处的共享信息对系数进行编码。例如，可以存储预先产生的(例如，随机的、伪随机的或以其它方式选择的)系数或系数集合的表，并且使用对这些表的引用来确定系数的值。这种表的大小确定了在保持系数集合的线性独立性的同时可以产生的奇偶校验数据包的数量。应当理解的是，还可以使用其它方式来确定系数。
随机线性代码的另一个特征是形成为数据单元的线性组合的数据包本身可以相加地组合以产生组合的数据单元的线性组合。在一些情况下，该过程称为“重新编码”，这不同于解码然后重复编码。
存在RLNC的使用的备选方案，其不一定实现与RLNC类似的最佳(或可证明的最佳或接近最佳)吞吐量，但是当在如本文所述实施时在一些情况下提供优异的性能。例如，可以使用各种形式的奇偶校验码。因此，应当理解的是，RLNC或RLNC的任何特定方面不是该文档中描述的所有实施例的必要特征。
批次传输
如上文所介绍，在至少一些应用中，要从发射机传输到接收机的数据形成批次(即，与连续流相反)，其中批次的示例是文件或文件的片段(例如，多媒体的两秒片段)。
在PC-TCP模块的实施例中，批次作为一系列块从发射机传递到接收机，其中每个块由一系列信息数据包形成。通常，每个块具有相同数量的信息数据包，然而使用相同大小的块不是必需的。
发射机PC-TCP模块通常从源应用程序接收数据单元，并且形成批次的连续块的信息数据包。这些信息数据包在发射机处排队，并且在信道上传输到接收机。通常，在发射机处，数据包到接收机的出队和传输利用了下面更详细描述的拥堵控制和/或速率控制机制。发射机PC-TCP还保留信息数据包(或足够的等效信息)以构建块的冗余信息。例如，发射机PC-TCP缓冲每个块的信息数据包，在从发射机到接收机的传输期间，该块的数据包仍然有可能进行无法恢复的擦除。
通常，接收机向发射机提供反馈。下面进一步描述确定何时提供反馈以及对何种信息提供反馈的各种方法。反馈为发射机提供足够的信息以确定在接收机处已成功接收和/或重建块。当已经接收到对块的这种成功反馈时，发射机不再需要保留该块的信息数据包，因为不再存在需要将该块的冗余信息发送到接收机的概率。
从接收机到发射机的反馈还可以指示数据包丢失。虽然在一些情况下，数据包丢失的指示是擦除的过早指示，但是在该实施例中，发射机使用该丢失反馈来触发发送块的冗余信息。在一些示例中，块的数据包按照传输顺序编号，并且反馈表示针对该块接收的最大数量和接收的数据包的数量(即，自由度的数量)(或者等同地丢失数据包的数量或剩余的所需自由度的数量)。发射机通过冗余修复块的传输来解决对块的丢失数据包反馈，其可以由接收机用于重建块的丢失数据包和/或原始数据包。
如上文所介绍，对于每个块，发射机保持足够的信息以确定在接收机处接收的数据包的最高索引、在该数据包之前传输的丢失数据包的数量，以及在接收到已传输(即，除非在传输中被擦除，否则在传输中)或进行排队以在发射机处传输的最高索引之后的原始或冗余数据包的数量。
当发射机接收到块的丢失数据包反馈时，如果“在传输中”或队列中的(或预期不考虑擦除率的)块的数据包(如果已成功接收)的数量将不足够，发射机为块计算(或检索预先计算的)新冗余数据包并将其排队以进行传输。这种冗余数据包称为修复数据包。为了减少在接收机处重建数据包块的延迟，将修复数据包优先发送到信息数据包以用于以后的块。例如，修复数据包在单独的较高优先级队列中排队，该队列用于确保优先向信息数据包的队列传输修复数据包。
在一些情况下，来自接收机的反馈可能指示数据包丢失。然而，该数据包可能稍后无序地到达，因此不再需要将先前计算并排队进行传输的该块的冗余数据包传递到接收机。如果尚未传输该冗余数据包(即，它仍然在排队的)，则可以从队列中移除该数据包，由此避免浪费使用不会用于将新信息传递给接收机的数据包的信道容量。
在上述方法中，响应于来自接收机的反馈，将冗余数据包作为修复数据包发送。在一些示例中，一些冗余数据包被预先发送(即，作为前向纠错)，以便解决可能的数据包擦除。一种方法是为每个块发送这种前向纠错数据包。然而，如果已经在发射机处接收到已经接收到用于块的足够数量的原始和/或编码数据包的反馈，则不需要为该块发送另外的冗余数据包。
在该方法的实施方案中，该批次的所有块的原始数据包首先被发送，而修复数据包基于来自接收机的反馈优先发送。在已经传输了所有原始数据包并且修复数据包的队列为空之后，发射机为多个块计算(或检索预先计算的)冗余数据包，对此，发射机尚未接收到已成功接收到块的反馈，并且将这些块排队作为前向纠错数据包用于在第一队列中传输。通常，因为以比原始数据包更高的优先级发送修复块，所以尚未接收到成功反馈的块是该批次中的稍后的块(例如，该批次的块的尾随序列)。
在该方法的各种版本中，以各种方式确定前向纠错数据包的传输的数量和顺序。第一种方式使用擦除率来确定要传输多少冗余数据包。一种方法是为每个未完成的块发送至少一个冗余数据包。另一种方法是为每个未完成的块发送多个冗余数据包，使得基于对该块中在排队和在飞行中的数据包的擦除率的期望将会产生足够数量的成功接收的数据包以便重建该块。例如，如果需要另外n个数据包(例如，在已经擦除N-n个数据包后，原始N个数据包中的n<N个数据包)来重建块，则例如发送n+k个数据包，其中n+k≥n/E，其中E是对信道上的擦除率的估计。
确定前向纠错数据包的数量和顺序的另一种方式解决了块传输时间大致上小于信道的往返时间的情况。因此，发射机未接收到成功反馈的最早的块实际上可能具有从接收机到发射机的成功飞行中反馈，因此发送前向纠错数据包可能是浪费的。类似地，即使足够早地接收到指示块的数据包反馈丢失的反馈，发射机仍然可以发送修复数据包而不会导致整个批次的完全重建比通过前向纠错实现的情况更多的延迟。
在示例中，对于每个块排队的前向纠错数据包的数量对于该批次中的后续块比对于先前块更大。通过考虑该批次的最后一个块可以理解这一点的动机，其中显然希望发送足够数量的前向纠错数据包以确保接收机在不需要传输修复数据包的情况下具有足够信息来重建块的高概率以及相关等待时间增加。另一方面，优选地为先前(或更早)的块发送更少的前向纠错数据包，因为在面临来自接收机的数据包丢失反馈时，发射机可能能够在所有后续块的前向纠错数据包已发送之前发送修复数据包，由此不会导致批次的整体传递延迟。
在一个实施方案中，在已经发送了所有原始数据包并且发射机处于前向纠错阶段(该发射机计算并发送前向纠错数据包)之后，如果发射机从接收机接收到数据包丢失反馈，则它计算并且如上所述发送正讨论的块的修复数据包(如果需要)，并且清除整个前向纠错包的队列。在修复数据包队列再次为空之后，发射机再次为尚未接收到成功反馈的块计算前向纠错数据包并且对其进行排队。在备选的稍微等同的实施方案中，发射机基于来自接收机的反馈从队列中移除前向纠错数据包(因为它们不再需要)，而不是在接收到数据包丢失反馈时清除前向纠错队列。在一些示例中，如果针对存在排队的前向纠错数据包的块接收到成功反馈，则从队列中移除那些前向纠错数据包。在一些示例中，来自接收机的反馈可以指示不再需要队列中的一些但不是所有前向纠错数据包，例如，因为接收到无序数据包但是至少一些原始数据包仍然丢失。
发射机确定要发送多少前向纠错数据包的方式的示例是发射机执行如下计算：
(N+g(i)-ai)/(1-p)-fi
其中
p＝平滑丢失率；
N＝块大小；
i＝定义为自最后一个块开始的块数的块索引；
ai＝从块i中确认的数据包数量；
fi＝来自块i的传输中的数据包；以及
g(i)＝i的递减函数，
以确定块的FEC数据包的数量。
在一些示例中，g(i)可以定义为参数m和N-i中的最大值。在一些示例中，g(i)可以定义为N-p(i)，其中p是多项式，根据需要进行整数舍入。
应当理解的是，在一些备选实施方案中，至少一些前向纠错数据包可以散布在原始数据包中。例如，如果信道的擦除率相对较高，则可能需要至少一定数量的冗余数据包，其中每个块的概率相对较高，并且除了提供如上所述的基于反馈的修复机制之外还总体上有利于尽快抢先发送冗余FEC数据包。
还应当理解的是，为了实现最小化在接收机处完成块的重建的时间的目标，不一定需要使用批次细分成块。然而，如果前向纠错被均匀地应用于批次的所有数据包，则将不存在后续数据包的优先保护，且因此，由后面数据包的擦除引起的等待时间可能比使用上述方法的等待时间更大。然而，可以使用非均匀前向误差保护的备选方法(即，引入前向纠错冗余数据包)。例如，在上述基于块的方法中，后面的块的数据包各自都比前面的数据包贡献更多数量的前向纠错数据包，并且实现该特性的备选方法可以使用基于非块的标准来在前向纠错阶段构建冗余数据包。然而，上述基于块的方法具有相对简单和一般鲁棒性的优点，因此尽管稍微“次优”，但提供了总体上有利的技术解决方案以将在链接发射机和接收机的信道上的吞吐量和擦除的约束内完成重建的时间最小化。
使用基于块的方法的另一个优点是，例如，当批次中的块(即，批次中M个块中的mth块)具有擦除时，从发射机发送的修复数据包仅取决于mth块的N个原始数据包。因此，一旦修复数据包到达，并且块的可用(即，未擦除)N-1个数据包到达，接收机就具有修复块所需的信息。因此，通过在批次的后续块中构建修复数据包而不贡献数据包，减少了块的重建的等待时间。另外，通过使修复数据包仅取决于N个原始数据包，重建块的数据包所需的计算小于修复数据包取决于更多数据包的计算。
应当理解的是，即使在一批数据包的基于块的传输中，块的大小也不一定均匀，并且不一定是不相交的。例如，块可以重叠(例如，重叠50％、75％等)，由此与将批次作为一个快来处理相比在降低重建复杂性和减少缓冲要求方面保持至少一些优点。这种重叠块的优点可以是减少重建中的等待时间，因为可以发送修复数据包，这些修复数据包不需要在重建之前在接收机处等待原始数据包。另外，与接近批次开始相比，非均匀块可能有利于例如通过在接近批次结束使用较长块来提高对批次中的后续块的前向纠错的有效性。
在使用之前目标应用程序需要整批的应用中，可能希望重建有低的等待时间以减少接收机(和发射机)处的PC-TCP模块中的缓冲要求。例如，可以为稍后接收的修复数据包做出贡献的所有数据包被缓冲以供它们将来使用。在基于块的方法中，一旦块被完全重建，PC-TCP模块就可以传递和丢弃那些数据包，因为它们不会影响将来的数据包重建。
虽然被描述为传递一批数据包的方法，但是这些批次的形成可以在PC-TCP模块的内部进行，而无论这些批次是否以软件应用程序级形成。例如，发射机处的PC-TCP模块可以经由来自源应用程序的软件接口接收用于形成原始数据包的原始数据单元。如上所述，数据包被分段为N个数据包的块，并且数据包排队等待传输。在一个实施例中，只要源应用程序足够快地提供数据单元以防止队列清空(或防止清空持续阈值时间量)，PC-TCP模块就会保持在第一模式中(即，在发送前向纠错数据包之前)，该第一模式根据需要基于来自接收机的反馈信息发送修复数据包。当源应用程序提供数据单元存在停滞时，PC-TCP模块声明批次已完成，并且进入上述前向纠错阶段。在一些示例中，由PC-TCP模块形成的批次实际上可以对应于由源应用程序产生的一批数据单元，这是因为源应用程序在PC-TCP模块计算下一批次的数据单元时向PC-TCP模块提供数据单元存在停滞，由此固有地同步源应用程序和PC-TCP模块的批处理。
在一个这样的实施例中，PC-TCP模块对于所声明批次保持在前向纠错模式中，直到在接收机处成功重建整个批次。在另一个实施例中，如果源应用程序在接收机提供了已成功重建先前批次的反馈之前开始提供新数据单元，则发射机PC-TCP模块开始以低于先前批次的修复或前向纠错数据包的优先级发送用于下一批次的原始数据包。这样的实施例可以减少开始传输下一批次的时间，并且因此减少成功递送下一批次的时间。
在源应用程序不一定以显式批次提供数据的实施例中，接收机PC-TCP模块提供数据单元，而不必识别在发射机PC-TCP模块处引入的块或批次边界。即，在至少一些实施方案中，发射机和接收机PC-TCP模块为应用程序数据单元提供可靠的信道，而不会将块和批次结构暴露给应用程序。
如上面针对某些实施例所述，发射机PC-TCP模块对来自接收机PC-TCP模块的数据包丢失反馈作出反应以发送修复数据包。因此，显而易见的是，接收机发送这种反馈的机制可能会影响协议的总体行为。例如，在一个示例中，接收机PC-TCP模块只要它观察到数据包丢失就会发送否定确认。这种方法可以为块的重建提供最低等待时间。然而，如上文所介绍，数据包丢失可能是无序传递的结果。因此，例如通过延迟传输否定确认引起的较不积极地生成数据包丢失反馈可以减少不必要的修复数据包的传输，而在该块的重建中仅具有最小的等待时间增加。然而，发送否定确认的这种延迟可能对成功重建整个块的时间具有总体积极影响，因为后面的块不会被不必要的修复数据包延迟。生成确认的备选方法如下所述。
在一些实施例中，在发射机PC-TCP处执行何时发送修复数据包的至少一些确定。例如，接收机PC-TCP模块可能不会延迟数据包丢失反馈的传输，并且发射机PC-TCP模块基于其对数据包丢失反馈的可能性的加权基于无序传递而不是擦除来延迟修复数据包的传输。
协议参数
两个PC-TCP端点之间的通信根据参数进行操作，其中一些参数由端点共同维护，而一些参数是发送和/或接收端点的本地参数。这些参数中的一些参数主要涉及操作的前向纠错方面。例如，这样的参数包括通过编码程序引入的冗余度。如下文所讨论，与这种编码有关的其它参数涉及用于组合的数据包的选择。这种选择的简单示例是将输入数据单元序列分段成“帧”，然后对帧进行独立编码。除了用于组合的这种数据包的数量(例如，帧长度)之外，其它参数可以涉及这种数据单元帧的重叠和/或交织和/或这些数据单元的线性组合。
另外的参数通常涉及通信方法的传输层特性。例如，一些参数涉及拥堵避免，例如，表示未确认数据包的窗口的大小、传输速率或与从发送器发送到PC-TCP通信的接收机的数据包的定时或数量有关的其它特性。
如下面进一步讨论，可以以各种方式设定通信参数(例如，编码参数、传输参数)。例如，可以在两个PC-TCP端点之间建立会话时初始化参数。用于设定这些参数的策略可以基于各种信息源，例如，根据链接发送器和接收机的通信路径的知识(例如，根据路径类型的分类，诸如3G无线与电缆调制解调器)，或其它会话中经验丰富的通信特性(例如，涉及相同发送器、接收机、通信链路、中间节点等的并发或先前会话)。例如响应于观察到的通信特性(例如，拥堵、数据包丢失、往返时间等)，可以在通信会话过程期间调整通信参数。
传输控制
PC-TCP方法的一些方面涉及控制从发送器到接收机的数据包传输。这些方面通常与确定在数据包中发送以例如以实现前向纠错、重传的内容或数据包被发送的顺序(例如，前向纠错数据包与重传数据包的相对优先级)的方法的各方面不同。在给定准备好从发送器传输到接收机的数据包队列的情况下，这些传输方面通常涉及流和/或拥堵控制。
拥堵控制
已经提出了TCP的当前变型，其包括二进制增加拥堵控制(binary increasecongestion control，简称BIC)和三次TCP，以解决经典TCP在网络中的高损失、大带宽和长往返时间的低效率。已经使用BIC-TCP和CUBIC算法，因为它们具有稳定性。在回退之后，BIC线性地增加拥堵窗口，然后刚好在回退之前以对数方式增加窗口大小(由Wmax表示)，并且随后以反对称方式呈指数然后线性地增加窗口。CUBIC根据在Wmax处具有拐点的三次函数增加回退后的拥堵窗口。这些增加函数会导致拥堵窗口在接近Wmax时缓慢增长，从而提高稳定性。另一方面，诸如HTCP和FAST TCP等其它变型具有能够通过使用延迟作为拥堵信号来部分地区分拥堵和非拥堵损失的优点。
在至少一些实施例中使用备选拥堵控制方法。在一些这样的实施例中，识别窗口增加函数的凹入部分作为Wconcave(t)＝Wmax+c1(t-k)3，并且识别窗口增加函数的凸起部分作为Wconvex(t)＝Wmax+c2(t-k)3，其中c1和c2是正可调参数，而
Figure BDA0002874613920007241
和W是刚好在回退之后的窗口大小。
可以针对不同情况灵活地调整该备选拥堵控制方法。例如，c1的较大的值导致拥堵窗口更快地增加到Wmax，而c2的较大值导致拥堵窗口更快地增加超出Wmax。
可选地，延迟用作退出慢启动，并且例如当RTT的平滑估计值超过相对于连接的最小观察RTT的配置阈值时，移动到更保守的拥堵避免阶段的指示符。我们还可以可选地将CUBIC或其它TCP变型的增加函数与HTCP的基于延迟的回退函数相结合。
在一些实施例中，通过允许较低的传输速率来平滑回退，直到飞行中的数据包数量减少到新的窗口大小。例如，设定阈值n，使得一旦在回退之后确认n个数据包，就会允许每两个确认数据包发送一个数据包，这大约是先前发送速率的一半。这类似于混合窗口和速率控制方案。
传输速率控制。发送器调步控制
在至少一些实施例中，调步用于调节和/或分发数据包传输，从而使传输速率的突发性更小。虽然调步可以有助于减少缓冲区溢出造成的数据包丢失，但是在将以调步TCP实施方案与未调步TCP实施方案进行比较时，先前的调步算法实施方案并未显示出明显的优势。然而，在如上所述数据包是编码数据包的实施例中，数据包编码和调步的组合可以具有优点。例如，因为一个编码数据包可以用于恢复多个可能的丢失数据包，所以我们可以使用编码来更有效地从调步可能导致的任何分发数据包丢失中恢复。在实施例中，与具有选择性确认(selective acknowledgement，简称SACK)的未编码TCP相比，数据包编码和调步的组合可以具有优势。
经典TCP基于确认来实施端对端拥堵控制。被设计用于高带宽连接的TCP变型会快速增加拥堵窗口(以及因此发送速率)以探测可用带宽，但是如果网络中的缓冲不足，则这可能在拥堵窗口过冲时导致数据包丢失突发。
TCP的许多变型使用确认反馈来确定往返时间和/或估计可用带宽，并且它们在使用该信息来控制拥堵窗口和/或发送速率的机制上不同。不同的变型具有它们比其它变型作业更好或更差的情况。
在一个或多个实施例中使用的一种通用方法中，通信协议可以使用所传输数据包的确认之间的间隔的平滑统计(例如，平滑的确认间隔)来例如通过控制数据包传输之间的间隔(例如，平均间隔或等效平均传输速率)引导数据包的传输。大体上，这种传输间隔的引导在本文中称为“调步”。
在一些示例中，调步方法与基于窗口的拥堵控制算法结合使用。通常，拥堵窗口在一些示例中使用与TCP的已知变型中使用的窗口控制方法相同或类似的窗口控制方法来控制可以发送的未确认数据包的数量。在实施例中，窗口控制方法是基于本文描述的新颖拥堵控制算法。
一个或多个方面的一般优点是改进通信系统的运行，例如，该改进是通过总吞吐量或延迟和/或延迟变化来测量。这些方面通过使用“调步”来减少拥堵来解决网络中的拥堵和数据包丢失的技术问题。
该方面的优点在于，对调步的单独控制可以防止拥堵窗口中的数据包与它们到达另一侧的速率相比过快地传输。在没有单独的调步控制的情况下，至少一些常规的TCP方法将允许数据包过快传输的突发，这可能导致通信路径上的中间节点处的数据包丢失。这些数据包丢失可以由协议有效地解释为由拥堵引起的，导致协议减小窗口大小。然而，窗口大小可以适用于可用带宽和路径的延迟，因此可能不需要减小窗口大小。另一方面，降低峰值传输速率可以例如通过避免路径上的中间缓冲器的溢出具有避免数据包丢失的效果。
至少一些实施方案的另一个优点是通过提供对传输程序的附加更精细级别的控制来防止在高带宽情况的凸窗增加函数下的大量数据包丢失突发。
该方法的至少一些实施方案可以利用TCP的现有高带宽变型(诸如H-TCP和CUBIC)的优点，同时防止在它们的凸窗增加函数下的大量突发数据包丢失并提供更精确的控制级别。例如，可以实施调步控制以对从现有TCP程序向信道提供数据包的速率进行调步，其中现有TCP程序通常基于例如基于它的窗口的拥堵控制程序来进一步或单独地限制向通信信道呈现数据包。
在实践中，已经观察到调步与窗口控制分离明显优于4G LTE上的常规TCP的特定示例。
参考图214，在一个示例中，源应用程序1010通过通信信道1050将数据传递到目标应用程序1090。来自源应用程序1010的通信传递到传输层1020，该传输层1020维持与链接到目标应用程序1090的对应传输层1080的通信会话。通常，传输层可以被实施为与它们对应的应用程序在同一计算机上执行的软件，然而，应当认识到，例如通过使用代理方法，所示的应用程序和传输层元件可以通过单独的耦合计算机分开。在实施例中，当代理与应用程序在不同的机器或设备上操作时，应用程序可以使用其机器上的传输层来与代理层进行通信。
在图214中，源应用程序处的传输层1020包括窗口控制和重传元件1030。在一些实施方案中，该元件实施常规的TCP方法，例如，实施H-TCP或CUBIC方法。在其它实施方案中，该元件实施本文描述的新颖拥堵控制算法。目的地处的传输层1080可以实施对应的元件1060，其可以在源处向窗口控制和重传元件1030提供数据包的确认。通常，元件1030可以基于在目的地处接收的确认来实施基于窗口的拥堵控制方法，然而应当理解的是，窗口控制的特定方法不是必需的，并且在一些实施方案中，元件1030可以被替换为使用窗口控制以外的方法实施拥堵控制的另一个元件。
在功能上，可以将协议的两个元件视为丢失恢复和速率/拥堵控制。可以使用常规重传或者使用编码或者作为重传和编码的组合来实施丢失恢复。速率/拥堵控制可以旨在避免超出接收机和/或可用信道容量，并且可以使用具有或不具有调步的窗口控制或直接速率控制来实施。
耦合传输层的信道1050通常可以包括源和目的地处的较低层协议软件，以及链接计算机与在从源到目的地的路径上的其它网络节点的一系列通信链路。
与常规方法相比，如图192中所示，速率控制元件1040可以位于窗口控制和重传元件1030与信道1050之间的路径上。该速率控制元件可以监测从目的地接收的确认，并且可以将这些确认通常没有延迟地传递到窗口控制和重传元件1030。速率控制元件1040从窗口控制和重传元件1030接收用于在信道1050上传输的数据包，并且将这些数据包直接传递到信道1050，或者缓冲它们以限制到信道上的传输速率。例如，速率控制元件1040可能需要连续数据包之间的最小间隔，或者可以控制多个数据包上的平均速率。
在实施例中，在从目的地到源的返回信道上传输的确认也可以进行调步，并且还可以利用编码来从擦除和突发丢失中恢复。在实施例中，如果返回信道上存在拥堵，则对确认的数据包编码和传输控制可能特别有用。
在一个实施方案中，速率控制元件1040可以维持基于确认间隔估计的平均(即，平滑的)数据包间传递间隔(考虑在每个确认中确认的数据包的数量)。在一些实施方案中，该平均化可以被计算为以往样本到达间隔时间的衰减平均值。这可以通过结合用于基于确定大样本值是否有可能由数据包流中的发送时间或丢失的间隙导致而舍弃这些大样本值并且通过在与不同已知网络的特定特性相称的估计间隔上设定可配置的上限和下限改进。然后，速率控制元件1040可以使用该平滑的内部确认间时间来设定最小的传输间时间，例如，作为确认时间的一部分。该部分例如使用比例控制等控制算法可以随着数据包丢失和RTT的速率增加而增加(这可以是当前发送速率可能太高的指示符)，并且在低损失下随着RTT的速率降低而降低，该比例控制的参数可以进行调整以权衡稳定性和对变化的响应。该部分的上限和下限可以是可配置的参数，即，0.2和0.95。然后限制传输数据包呈现给信道1050，其中传输间时间至少为该设定的最小值。在其它实施方案中，控制传输间间隔以基于平滑的确认间间隔或速率来维持平滑的平均间隔或速率。
除了以上述估计的传递间隔、数据包丢失率和RTT对调步间隔进行短时间尺度调整之外，还可以存在更长的时间尺度控制回路，其基于在更长的时间尺度上计算的平滑丢失率来调制调步算法的总体激进性。其中更高的丢失率指示调步可能过于激进。通过使客户端在连续的连接中保持状态并且包括在后续连接请求中初始化信息，可以在短持续时间连接中应用更长的时间尺度调整。该较长时间尺度控制可以用于改进对在不同时间尺度上动态变化的各种网络场景的适应性。
参考图215，在一些实施方案中，通信信道1050跨越通信网络1151、1152中的一个或互连中的多个节点1161、1162。在图193中，源应用程序1010被示为与传输层1020共存于源计算机1111上，并且类似地，传输层1080被示为与目标应用程序1090共存于目的地计算机1190上。
应当认识到，虽然上面的描述集中于单个通信方向，但是通常，双向实施方案将包括从目标应用程序到源应用程序的对应路径。在一些实施方案中，两个方向都包括对应的速率控制元件1040，而在其它应用中，仅一个方向(例如，从源到目标应用)可以实施速率控制。例如，在服务器处引入速率控制元件1040，或者在源应用程序与目的地处的传输层1080之间的路径上引入另一个设备或网络节点，可能不需要修改目的地处的软件。
接收机调步
如上所述，发送器可以使用确认来估计数据包到达接收机的速率/间隔、丢失率和RTT的变化率，并且相应地调整调步间隔。然而，如果确认丢失或延迟，则估计的信息可能会有噪声。另一方面，可以使用OWTT代替RTT在接收机处更准确地估计这样的信息。通过使调步间隔基于OWTT的变化率而不是其实际值，可以避免对发送器和接收机上需要同步时钟。通过将调步间隔作为附加字段包括在确认中，可以将调步间隔反馈给发送器。关于调步计算是在发送器或接收机处完成，还是每n个数据包完成一次而不是每个数据包接收时完成一次的选择也可能受到发送器/接收机CPU/负荷的考虑的影响。
误差控制
经典的TCP由于数据包丢失而在网络上表现不佳。拥堵控制可以与编码组合，使得编码数据包被发送用于前向纠错(FEC)以提供针对预期的数据包丢失水平的保护，以及用于从接收机的反馈指示的实际丢失中恢复。
虽然先前已经提出了数据包编码和拥堵控制的简单组合，但是现有技术没有充分考虑拥堵相关的丢失、突发和/或随机数据包丢失之间的差异。因为拥堵相关的丢失可能发生在相对不频繁的突发中，所以使用FEC防止这种类型的丢失可能是低效的。
在至少一些实施例中，估计发生丢失事件的速率。丢失事件可以定义为孤立的数据包丢失或连续数据包丢失的突发。在一些示例中，源PC-TCP可以估计的丢失事件速率发送FEC数据包，而不是以估计的数据包丢失速率发送FEC数据包。该实施例是减少无用FEC数据包的有效方式，因为它可能不会不成比例地受到与拥堵相关的丢失的影响。
在示例性实施例中，可以使FEC的码率和/或数据包传输速率可调，以便在应用层看到的有用吞吐量(也称为实际吞吐量)和恢复延迟之间进行权衡。例如，可以将FEC速率与估计的丢失事件速率的比作为可调参数，该可调参数用底层通信路径的先验知识来设置，或者通过对底层通信路径进行某些测量来动态调节。
在另一示例性实施例中，可以估计特定长度发生突发丢失的速率，并且可以使用针对FEC的适当的突发纠错码或者纠正突发和隔离错误的组合的代码。
在另一示例性实施例中，可以对不同块的FEC进行交织以更有效地防止突发丢失。
在其它示例性实施例中，可以优先地通过FEC数据包发送数据包。例如，当没有要发送的数据包时，可以以配置的速率或估计的丢失率发送FEC数据包，当存在要发送的数据包时，不发送或以降低的速率发送FEC数据包。在一个实施方式中，FEC数据包被放置在单独的队列中，当存在要发送的数据包时，该队列被清除。
在其它示例性实施例中，可以使每个块中的FEC的码率/数量和/或FEC数据包传输速率成为(除了估计的丢失率之外)块数和/或飞行中的数据包数量相对于未经确认的块的自由度的数量的可调函数。与前面的块中的FEC相比，后续块的FEC数据包可以优先发送，以便使连接结束时的恢复延迟最小化，例如，从每个块发送的FEC数据包的数量可以是来自尚未完全确认的最新块的块的数量的可调函数。FEC数据包之间的发送间隔可以是相对于相应块的未确认自由度数量的飞行中数据包数量的递增函数，以便在数据包丢失概率随传输速率而增加的场景中，在发送延迟和丢失FEC数据包的概率之间进行权衡。
在其它示例性实施例中，可以将编码数据包的编码系数的可变随机选择部分设置为1或0，以便在不显著影响擦除纠错性能的情况下降低编码复杂性。在系统代码中，仅在一个或多个密集编码数据包之后引入0系数(即，没有或少数的0系数)对于擦除纠错性能可能是重要的。例如，块中的初始FEC数据包可以将每个系数以0.5的概率设置为1，以及以0.5的概率设置为来自编码字段的均匀随机值。块中的后续FEC数据包可以将每个系数以0.5的概率设置为0，以及以0.5的概率设置为均匀随机值。
数据包重新排序
如上所述，例如，由于遍历多个路径的数据包、一些网络设备中的并行处理、路径的重新配置(例如，蜂窝网络中的切换)等原因，一些网络上数据包的接收是无序的。通常，传统TCP通过退避拥堵窗口的大小来对无序数据包作出反应。如果没有需要退避的拥堵，则这种退避可能会不必要地损害性能。
在一些实施例中，在处理不是由拥堵引起的数据包重新排序的方法中，观察其接收数据包的序列号中的间隙的接收机可以在有限的时间内延迟发送确认。当数据包丢失时，接收机不会立即知道数据包是丢失(擦除)还是仅重新排序。接收机延迟发送表示间隙的确认，以查看间隙是否被后续数据包到达填充。在一些示例中，在观察到间隙时，对于可配置的“重新排序检测”时间间隔如20毫秒，接收机将启动第一计时器。如果随后在该时间间隔内接收到来自间隙的数据包，则对于可配置的“间隙填充”时间间隔如30毫秒，接收机将启动第二计时器。如果第一计时器或第二计时器在间隙填充之前到期，则表示间隙的确认被发送到源。
在接收到表示所接收的数据包中的间隙的确认时，在至少一些实施例中，发送器确定是否应该发送修复数据包以补偿所接收的数据包中的间隙，例如，如果足够数量的FEC数据包尚未发送。
在另一方面，发送器可以在退避之前存储相关的拥堵控制状态信息(包括拥堵窗口)，以及最近的数据包丢失的记录。如果发送器接收到报告间隙/丢失的确认(ack)，以及随后一个或多个其他报告间隙已被无序数据包接收填充的确认，则可以通过恢复退避之前的存储状态来还原由先前确认引起的任何退避。
在另一方面，观察其接收到的确认的序列号中的间隙的发送器可以在有限时间内使拥堵窗口退避延迟。当确认丢失时，发送器不会立即知道数据包是否丢失或者确认是否仅被重新排序。发送器延迟从其拥堵窗口退避，以查看间隙是否被后续的确认到达而填充。在一些示例中，在观察到间隙时，对于可配置的“重新排序检测”时间间隔，例如，20毫秒，发送器将启动第一计时器。如果随后在该时间间隔内接收到来自间隙的确认，对于可配置的“间隙填充”时间间隔，例如，30毫秒，发送器则将启动第二计时器。如果第一计时器或第二计时器在间隙被填充之前到期，则发生拥堵窗口退避。
在一些示例中，使用数据包序列号取代了使用时间间隔。例如，可以延迟发送确认，直到在参考丢失数据包之前指定数量的序列号的数据包被接收为止。类似地，可以延迟退避，直到在参考丢失数据包之前的指定数量的序列号的数据包的确认被接收为止。在一些示例中，这些方法具有以下优点：当数据包序列中的缺口被填充时，通过移位参考丢失数据包的序列号，能够将随后接收/确认的重新排序的数据包考虑在内。
对于协议的多径版本，其中可能存在大量的重新排序，纠正数据包重新排序的这些方法可能特别有用。
确认
延迟确认
在至少一些实施方式中，传统TCP针对所接收的每两个数据包发送一个确认。与对每个数据包发送确认相比，这种延迟确认减少了确认流量。当在返回信道上存在争用时，诸如在数据和确认传输都争用相同信道的Wi-Fi网络中，这种确认流量的减少特别有益。
通过将确认间隔增加到值n>2，即对每n个数据包发送一个确认，可以进一步减少确认流量。然而，降低发送器接收到确认的频率可能会导致传输延迟(当拥堵窗口饱和时)或退避(如果延迟丢失反馈)，而这会折损性能。
在一个方面，发送器可以部分地基于其剩余拥堵窗口(即，其拥堵窗口减去传输中未确认的数据包的数量)和/或要发送的其剩余数据，来确定是否应该或在何种程度上允许延迟确认。例如，如果存在任何数据包丢失，或者如果剩余拥堵窗口低于某个(可能是可调的)阈值，则可以禁止延迟确认。可替代地，可以用剩余的拥堵窗口减少确认间隔。作为另一示例，如果要发送的剩余数据量小于剩余拥堵窗口，则可以允许延迟确认，但是对于最后剩余的数据包不允许延迟确认，使得在确认最后的数据包时没有延迟。该信息可以作为指示是否允许延迟确认的标志或者例如作为指示允许的确认间隔的整数来在数据包中发送。
通过使用发送器处的相关状态信息影响延迟确认会使确认间隔的增加超过常规值2，同时减轻整个确认间隔可能更大的缺陷。
为了额外限制确认延迟，每次发送确认时，可以将延迟的确认计时器设置为以配置的延迟(例如25毫秒)到期。在计时器到期时，即使比确认间隔n更少的数据包到达，也可以确认自上次确认以来接收的任何数据包。如果自上次确认以来没有接收到数据包，则可以在接收到下一个数据包时发送确认。
参数控制。初始化
在一些实施例中，为PC-TCP模块建立会话参数被设置为预定义的一组默认参数。在其它实施例中，使用尝试选择更好的初始参数的方法。方法包括使用来自其它并发或先前PC-TCP会话的参数值，根据通信信道的特性确定的(例如，从与不同类型的信道相关联的存储参数中选择的)参数，或者由源应用程序或目的地应用程序根据要传输的数据的性质(例如，批次与流)确定的参数。
可调编码
参考图216，在(例如，通过来自接收机的反馈或出于其它考虑因素)“调整”参数的实施例中，服务器应用程序2411经由通信信道2452与客户端应用程序2491通信。在一个示例中，服务器应用程序2411可以提供编码由客户端应用程序2491接受的多媒体内容(例如，视频)的数据流，例如，用于呈现给客户端应用程序正在其上执行的设备的用户。信道2452可以表示通常是一系列网络链路的事物，该一系列网络链路例如包括一种或多种类型的链路，包括：遍历服务器局域网上的私有链路的链路，遍历公共因特网的链路，遍历蜂窝电话网络的固定(即，有线)部分的链路，以及遍历到用户设备的无线电信道的链路(例如，蜂窝电话信道或卫星链路或无线LAN)。
信道2452可以被视为承载一系列数据单元，该数据单元可以但不一定直接对应于因特网协议(IP)数据包。例如，在一些实施方式中，多个数据单元被串联成IP数据包，而在其它实施方式中，每个数据单元使用单独的IP数据包或仅使用IP数据包的一部分。应当理解，在其它实施方式中，不使用因特网协议-下面描述的技术不取决于通过信道2452传递数据单元的方法。
发射机2421将服务器应用程序2411耦合到信道2452，并且接收机2481将信道2452耦合到客户端应用程序2491。通常，发射机2421接受来自服务器应用程序2481的输入数据单元。通常，这些数据单元在信道2452上传递，并且在缓冲器2423中保持一段时间。有时，错误控制(error control，简称EC)部件2425可以从缓冲器2423中的保留输入数据单元的子集计算冗余数据单元，并且可以通过信道2452传递该冗余数据单元。接收机2481接收来自信道2452的数据单元。通常，信道2452可以擦除和重新排序数据单元。擦除可以对应于从未在接收机处接收的“丢弃的”数据单元，以及接收的已知具有不可恢复的错误并且因此大部分被视为丢弃单元的已损坏数据单元。接收机可以将接收的输入数据单元和冗余数据单元的历史保留在缓冲器2483中。接收机2481处的错误控制部件2485可以使用接收的冗余数据单元来重建在通过信道接收的序列中可能丢失的擦除的输入数据单元。接收机2481可以将接收和重建的输入数据单元传递给客户端应用程序。通常，接收机可以按照它们在发射机处接收的顺序将这些输入数据单元传递给客户端应用程序。
通常，如果信道没有擦除或重新排序，则接收机可以向客户端应用程序提供输入数据单元，其具有可能由信道的遍历特性导致的延迟和延迟变化。当在信道2452中数据单元被擦除时，接收机2481可以利用其缓冲器2483中的冗余单元来重建擦除的单元。为此，接收机可能必须等待可能对重建有用的冗余单元的到达。发射机计算和引入冗余数据单元的方式通常影响因执行重建引入的延迟。
发射机计算和引入冗余数据单元作为其前向纠错功能的一部分的方式也可以影响接收机处的重建过程的复杂性以及信道的利用。此外，无论发射机将冗余数据单元引入信道的方式的性质如何，统计上可能存在擦除的数据单元，其中冗余数据单元中的信息不足以重建擦除的单元。在这种情况下，错误控制部件2485可以从发射机2421的错误控制部件2425请求信息的重传。通常，该重传信息可以采取取决于擦除单元的其它冗余信息的形式。该重传过程在擦除单元可用于接收机之前引入延迟。因此，发射机引入冗余信息的方式也影响统计数据，诸如需要多久请求信息的重传，以及使用正常引入的冗余信息重建不能重建的擦除单元的延迟。
在一些实施例中，错误控制部件2485可以向错误控制部件2425提供信息以影响发射机引入冗余信息的方式。通常，该信息可以基于信道上的单元的擦除率(或更普遍地擦除模式)、缓冲器2483中的可用单元的速率(或更普遍地定时模式)和状态，和/或客户端应用程序2491中的未使用数据的状态中的一个或多个。例如，客户端应用程序可以提供接收机已经提供给客户端应用程序的数据单元的“播出时间”(例如，以毫秒为单位)，使得如果接收机不再发送任何单元，则客户端应用程序将在该时间“渴求”输入单元。注意，在其它实施例中，除了从接收机接收信息之外，发射机处的错误控制部件2425可以从其它位置(例如，从网络中传回拥堵信息的仪表节点)获得反馈。
参考图217，发射机将冗余数据单元引入通过信道传递的单元流的一组示例性方式利用输入数据单元和冗余数据单元的交替运行。在图217中，示出了在信道2452上“在传输中”的数据单元在图中从左向右传递。发射机将单元作为p个输入单元的序列与q个冗余单元的序列交替地引入到信道上。假设数据单元具有相同的大小，这对应于速率R＝p/(p+q)代码。在示例中，p＝4且q＝2，则代码具有速率R＝2/3。
在许多实施例中，冗余单元被计算为过去输入单元的随机线性组合。尽管下面的描述集中于这些方法，但是应该理解，例如，通过使用低密度奇偶校验(low densityparity check，简称LDPC)码和其它纠错码，整个方法适于冗余信息的其它计算。在图217所示的方法中，q个冗余单元的每一次运行都是作为先前D个输入单元的函数计算出来的，其中一般情况下，但不一定是D>p。在某些情况下，不使用最近传输的d个数据单元，因此冗余数据单元是从D-d个输入数据单元的窗口计算出来的。在图217中，d＝2，D＝10，则D-d＝8。注意，因为D-d>p，所以用于计算冗余单元的连续运行的输入数据单元的窗口重叠，使得任何特定的输入数据单元通常将对信道上q个单元的多于一个的运行中的冗余数据单元有贡献。
在图217中以及在下面讨论的图218和219中，缓冲的输入数据单元(即，在图216中所示的缓冲器2423中)在左侧示出，其中时间从底部(过去)到顶部(未来)运行，使用每组D-d个单元计算用箭头所示的q个冗余单元的运行。由与冗余单元的运行交替的输入数据单元的运行组成的传输单元的序列以从右到左(即，左边的后面的数据包)运行的时间示出。已经在接收机处接收和缓冲的数据单元示出在右侧(在底部最旧的)，从D-d个输入单元的运行计算的冗余单元指示在表示用于计算那些数据单元的输入数据单元的范围的箭头附近。尚未接收的数据单元和输入数据单元的范围用虚线示出。
图218和图219示出了不同的参数选择。在图218中，p＝2并且q＝1，则代码具有速率R＝2/3，其与图217中的参数选择的速率相同。同样如图217中的选择，d＝2，D＝10，则D-d＝8。因此，图217和图218之间的差异不一定是前向错误保护的程度(尽管在两种情况下突发擦除的影响可能有些不同)。更重要的是，与图217中的布置相比，图218中的布置通常提供从擦除数据单元的时间到冗余信息的到达的较低延迟，以重建该单元。另一方面，与图216的布置相比，在图218的布置中，接收机处的处理复杂性可能更大，部分地因为冗余单元信息使用输入数据单元的多个不同子集，这在重建擦除数据单元时可能需要更多计算。转到图219，在另一个极端处，参数的选择使用具有选择D＝8和q＝4的较长块。同样，该代码具有速率R＝2/3。通常，与图217和图218中所示的参数的选择相比，该参数选择将导致擦除数据单元重建上的更大延迟。另一方面，每D＝8个输入数据单元的块的多达四个擦除的重建相对图217和218中所示的选择所要求的重建来说不太复杂。
对于特定码率(例如，速率R＝2/3)，在一个示例中，所接收的反馈可导致参数的改变，例如，在(p，q)＝(2，1)或(4，2)或(8，4)之间，这取决于在接收机处缓冲的数据量，并且因此取决于接收机对重建延迟的容限。
注意，不要求q＝p(1-R)/R是整数，如在图25和27中所示的示例中那样。在一些实施例中，冗余单元的运行长度在
Figure BDA0002874613920007371
和
Figure BDA0002874613920007372
之间变化，使得平均值为ave(q)＝p(1-R)/R。
在上述方法的变型中，不同的输入数据单元具有不同的“优先级”或“重要性”，使得它们受到与其它输入数据单元不同程度的保护。例如，在视频编码中，表示独立编码的视频帧的数据单元可能比表示差分编码的视频帧的数据单元更重要。例如，如果优先级级别被索引为i＝1，2，…，则可以使用优先级≤i的数据单元计算冗余数据单元的比例ρi≤1，其中∑iρi＝1。例如，对于速率R代码，长度为p的输入数据单元的块，平均起来，每块的ρi p(1-R)/R个冗余数据单元从优先级≤i的输入数据单元计算。
D的值通常应不大于流应用的目标播出延迟减去通信延迟可变性的适当余量。播出延迟是消息数据包传输的时间与接收机应该可用于产生流应用输出的时间之间的延迟。它可以以时间单位表述，或者根据该间隔中传输的数据包数表述。D可以基于流应用的典型或期望的播出延迟来初始设置，并且适配来自接收机/应用程序的附加信息。此外，选择较小的值会以擦除校正能力为代价来降低内存和复杂性。
参数d指定消息数据包与涉及该消息数据包的奇偶校验之间的最小间隔。由于涉及尚未接收的消息数据包的奇偶校验对于恢复该奇偶校验中涉及的较早的消息数据包是无用的，因此设置最小奇偶校验延迟可以在预期/观察到数据包重新排序发生时改善解码延迟，这部分地还取决于奇偶校验间隔。
参考图220，在利用上述方法的示例实施方式中，服务器应用程序2411在服务器节点810处与发射机2421一起托管，并且客户端应用程序2491在一个或多个客户端节点891和892处托管。可以使用上述方法传输各种类型的数据，一个示例是编码多媒体(例如，视频和音频)的数据流传输。通信信道2452(参见图216)在该图示中构成为经由那些相应网络中的节点861和862通过一个或多个网络851和852的路径。在一些实施方式中，接收机在基于与客户端应用程序490相同的设备上托管的客户端节点891处托管。
跨会话参数控制
在一些实施例中，传输层会话的控制使用跨连接(例如，跨并发会话或跨不同时间发生的会话)的信息。
标准TCP基于确认来实现端到端拥堵控制。已启动但尚未收到任何确认的新TCP连接使用拥堵窗口和重新传输超时的初始可配置值。这些值可以针对不同类型的网络设置来调整。
一些应用程序(例如web浏览器应用程序)可以使用客户端应用程序(例如，浏览器)和服务器应用程序(例如，特定服务器计算机处的特定网页服务器应用程序)之间的多个连接。传统上，当接入信息以呈现单个网页“页面”时，客户端应用程序可以在客户端和服务器计算机之间进行许多单独的TCP会话，并且通过使用传统的TCP控制，每个会话基本上独立地控制。该独立控制包括单独的拥堵控制。
解决通过具有这种多个会话而引入的技术问题的一种方法是SPDY协议(参见例如SPDY协议-草案3.1，可在http://www.chromium.org/spdy/spdy-protocol/spdy-protocol-draft3-1访问)。SPDY协议是一种操纵HTTP流量的应用层协议，其特定目标是减少网页加载延迟并提高网页安全性。通常，SPDY有效地为HTTP和HTTPS协议提供通道。通过SPDY发送时，HTTP请求将被处理、标记化、简化和压缩。然后，通过单个TCP会话发送所得的流量，从而避免在特定客户端和服务器计算机之间使用多个并发TCP会话时涉及的问题和低效率。
在一般方面，通信系统维护与计算机或网络节点之间的通信有关的信息。例如，维护的信息可以包括到和/或来自其它计算机的带宽、当前或过去的拥堵窗口大小、调步间隔、数据包丢失率、往返时间、定时可变性等。该信息可以包括当前活动会话的信息和/或过去会话的信息。维护信息的一种用途可以是为已经维护信息的计算机之间的新会话初始化协议参数。例如，可以基于拥堵窗口大小、调步间隔、往返时间和其它并发或过去会话的丢失率来初始化新TCP或UDP会话的拥堵窗口大小或调步速率。
参考图221，通信系统1200维护关于端点之间的通信会话的信息。例如，这些通信会话经由网络1250传递，并且可以在服务器1210或服务于一个或多个服务器1214的代理1212与客户端1290之间传递。在各种实施例中，该信息可以保存在各种位置中。在一些实施方式中，客户端1290维护关于当前或过去连接的信息。该信息可以针对特定服务器1210或代理1212。该信息还可以包括聚合信息。例如，对于蜂窝电话网络上的智能手机，一些信息可以通用于来自多个服务器的连接，并且可以表示由蜂窝网络施加的特性而不是到服务器1210的特定路径。在一些实施方式中，服务器1210或代理1212可以基于其与特定客户端1290的过去通信来维护信息。在一些示例中，客户端和服务器可以交换信息，使得它分布在整个系统1200中。在一些实施方式中，信息可以在数据库中维护，该数据库本身并不是通信会话的端点。例如，不具有相关存储信息的客户端从外部数据库检索信息可能是有益的。
在一种使用场景中，当客户端1290寻求建立通信会话(例如，传输层协议会话)时，其查询其通信信息1295以查看其是否具有与其寻求建立的会话相关的当前信息。例如，客户端可能与其想要与之通信的服务器或者与最近可能具有这种会话的服务器具有其它并发会话。作为另一示例，客户端1290可以使用关于与其它服务器的其它并发或过去的会话的信息。当客户端1290向服务器1210或代理1212发送建立会话的请求时，该会话的相关信息也可用于建立会话的一个或两个端点。存在信息可用于服务器的各种方式。例如，信息可以包括在请求本身中。作为另一示例，如果服务器尚未在其通信信息1215中保存信息，则服务器可以请求该信息。作为另一示例，服务器可以从远程或第三方数据库请求信息，该数据库已填充有来自客户端或与客户端通信的服务器的信息。在任何情况下，可以通过使用至少部分地由客户端和/或服务器处可用的通信信息确定的参数来建立客户端和服务器之间的通信会话。
在一些示例中，可以使用数据包调步间隔、拥堵窗口、重传超时和前向纠错的初始值来建立通信会话。可以预先指定适合于不同类型的网络(例如，Wi-Fi、4G)、网络运营商和信号强度的初始值，和/或可以从相同方向上的相同端点之间的早期连接的测量统计导出连续连接的初始值。例如：如果先前连接的数据包吞吐量足够大于默认初始拥堵窗口与先前连接的最小往返时间的比率，则初始拥堵窗口可以从其默认值中增加。如果来自新连接的初始接收的确认指示可用速率与先前连接相比已减小，则随后可以向下调节拥堵窗口。
可以将初始调步间隔例如设置为MAX(k1*拥堵窗口/先前往返时间，k2/先前数据包吞吐量)，其中k1和k2是可配置参数，或者将接收机调步设置为k*先前的调步间隔，其中k随着先前连接的丢失率而增加。
诸如码率的前向纠错参数可以被设置为k*先前丢失率，其中k是可配置参数。如果先前连接的最小往返时间较长，则初始重传超时可以从其默认值增加。
多条路径
图222示出在服务器和客户端之间使用多条路径来传递数据包信息。这些多条路径可以是相似或不同的网络技术，具有相似或不同的平均带宽、往返延迟、数据包抖动率、数据包丢失率和成本。多条路径的示例包括有线/光纤网络、地球静止、中地球轨道和低地球轨道卫星、Wi-Fi和蜂窝网络。在该示例中，传输控制层可以利用单个会话根据各种度量(每个路径的平均带宽、每个路径的往返延迟、数据包抖动率、每个路径的丢包率和成本)在通过多条路径传输的块中分发N个数据包。要在每个块中传输的N个数据包可以以优化服务器和客户端之间的整体端到端吞吐量和成本的方式分布在每个路径上。可以动态地控制在每个路径上发送的数据包的数量，使得在每个路径上发送的数据包的平均相对比例与路径的平均相对可用带宽一致，例如使用背压式控制，由此调度数据包以便近似地均衡与不同路径相关联的队列长度。
对于每条路径，上述算法可用于提高源节点和目的地节点之间的多条路径上的整体端到端吞吐量，该算法体现了传输和拥堵控制、前向纠错、基于发送器的调步、基于接收机的调步、基于流的参数调整、针对丢失和无序数据包的检测和校正、跨多个TCP连接的信息使用、快速连接启动和停止、TCP/UDP回退、级联编码、中间节点的重新编码以及确认编码。当检测到丢失并使用FEC时，可以通过任何或所有路径发送附加编码的数据包。例如，发送到修复丢失的编码数据包可以优先于较低延迟路径发送，以减少恢复延迟。目的地节点将解码通过所有路径接收的任何N个数据包，并通过从接收的数据包中重新创建任何丢失的数据包将它们组装成N个原始数据包的块。如果跨所有路径接收到少于N个不同的编码数据包，则目的地节点将请求重传数量为x的丢失数据包，其中x＝N-接收的数据包数量。可以在任何路径上重传任何组的x个不同编码数据包，并且然后用于重建N块中的丢失数据包。
当存在往返时间(round trip time，简称RTT)延迟差异较大的网络时，需要在接收机处缓冲通过较低RTT延迟接收的数据包，以便与较高RTT延迟数据包组合。在每个路径上发送的数据包的选择可以被控制，以便减少接收机侧的重新排序和相关联缓冲的程度，例如，在可用于发送的数据包中，可以在较高延迟路径上优先发送较早的数据包，并且可以在较低延迟路径上优先发送较晚的数据包。
可以在每条个路径上利用各个拥堵控制环路以适应路径上的可用带宽和拥堵。为了公平性地利用单路径连接，可以利用附加的整体拥堵控制环路来控制跨多径连接的所有路径的总发送窗口或速率。
参考图223，通信系统采用具有较高的往返时间延迟的第一卫星数据路径3102和具有较低的往返时间延迟的第二DSL数据路径3104。当用户应用程序3106发送流视频内容的请求时，内容服务器3108(例如，视频流服务)将所请求的视频内容中的一些或全部提供给远程代理3110，该远程代理3110生成编码视频内容3112以便传输到用户应用程序3106。基于第一数据路径3102和第二数据路径3104的RTT延迟，远程代理3110将编码视频内容3112分成初始部分3114(例如，视频内容的前5秒)和后续部分3116(例如，剩余的视频内容)。然后，远程代理3110导致初始部分3114在第二低延迟数据路径3104上的传输以及后续部分3116在第一高延迟数据路径3102上的传输。
参考图224，由于第二数据路径3104的较低延迟，视频内容的初始部分3114快速到达本地代理3118，在该本地代理3118处它被解码并发送到用户应用程序3106以呈现给观看者。在向观看者开始呈现视频内容的初始部分3114时，视频内容的后续部分3116仍然遍历第一高延迟数据路径3102。
参考图225，在向观看者呈现视频内容的解码的初始部分3114期间，视频内容的后续部分3116到达本地代理3118，在该本地代理3118处在完成向观看者呈现视频内容的初始部分3114之前，将该后续部分3116解码并发送到用户应用程序3106。在一些示例中，通过低延迟数据路径3104发送视频内容的初始部分3114并且通过高延迟数据路径3102发送视频内容的后续部分3116避免了在用户请求视频时和用户看到视频时之间的漫长等待时间(如果仅使用卫星通信就是这种情况)，同时最小化低延迟数据路径上的数据使用(其使用成本可能更高)。
在一些示例中，可以优先在低延迟数据路径上发送其它类型的消息。例如，确认消息、重传消息和/或其它时间关键消息可以在低延迟数据路径上传输，而其它数据消息在较高延迟数据路径上传输。
在一些示例中，具有不同特性(例如，延迟)的附加数据路径也可以包括在通信系统中，其中基于消息的特性(例如，消息类型)和数据路径的特性，多条数据路径中的任何一条数据路径上的消息都将被平衡。
在一些示例中，可以优先在低延迟数据路径上发送其它类型的消息。例如，确认消息、重传消息和/或其它时间关键消息可以在低延迟数据路径上传输，而其它数据消息在较高延迟数据路径上传输。
在一些示例中，具有不同特性(例如，延迟)的附加数据路径也可以包括在通信系统中，其中基于消息的特性(例如，消息类型)和数据路径的特性在多个数据路径中的任何一个数据路径上平衡消息。
替代方案和实施方式
在上面的文档中，数据包编码和传输控制协议的某些特征都是单独或分开描述的，但是应该理解，存在通过将多个特征组合在一起可以获得的某些优点。所描述的数据包编码和传输控制协议的优选实施例可以取决于在通信会话端点之间遍历的传输链路和网络节点是否属于某些光纤或蜂窝载波(例如AT&T、T-Mobile、Sprint、Verizon、Level 3)和/或终端用户因特网服务提供商(Internet Service Provides，简称ISPs)(例如AT&T、Verizon、Comcast、Time Warner、Century Link、Charter、Cox)或在某些有线(例如DSL、电缆、光纤到路边/家庭(fiber-to-the-curb/home，简称FTTx))或无线(例如Wi-Fi、蜂窝、卫星)链路上。在实施例中，探测传输可以用于表征网络节点的类型以及传输链路通信信号正在遍历，而且数据包编码和传输控制协议可以被调节以实现某些性能。在一些实施例中，数据传输能够被检测以表征网络节点的类型和传输链路通信信号正在遍历，并且数据包编码和传输控制协议可以被调节以实现某些性能。在至少一些实施例中，响应于触发信号或事件等，诸如RTT、单向传输时间(one-way transmission time，简称OWTT)、拥堵窗口、调步速率、数据包丢失率、开销数据包的数量等可以被连续地、间歇地监测。在至少一些实施例中，探测传输和数据传输的组合可用于实时表征网络和通信会话性能。
在至少一些实施例中，网络和通信参数可以存储在通信会话的终端设备中和/或它们可以存储在诸如服务器、交换机、节点、计算机、数据库等的网络资源中。数据包编码和传输控制协议可以使用这些网络和通信参数来确定协议的初始参数设置，以减少调节协议参数以实现足够性能所花费的时间。在实施例中，网络和通信参数可以被标记和/或与某些地理位置、网络节点、网络路径、设备类型、运营商网络、服务提供商、传输路径的类型等相关联。在实施例中，终端设备可以用于自动记录和/或报告协议参数设置，并将这些设置与使用在那些设备中驻留的GPS类型位置标识能力确定的某些位置相关联。在实施例中，终端设备可以用于自动记录和/或报告协议参数设置并将这些设置与某些运营商网络、遍历的ISP设备、有线和/或无线链路的类型等相关联。
在至少一些实施例中，如上所述的数据包编码和传输控制协议可以调节多个的参数以实现充分或改进的网络性能。改进的网络性能可以表征为传递数据包的延迟较少，完成文件传送的延迟较少，音频和视频信号传递质量较高，网络资源使用效率较高，终端用户消耗的功率较少，通过现有的硬件资源支持的终端用户较多等。
在至少一些实施例中，数据包编码和传输控制协议的某些模块或特征的开闭取决于数据通过网络的路径。在一些实施例中，某些功能实现或控制顺序的调整取决于数据通过网络的路径。在一些实施例中，探测传输和/或数据传输可以用在开环或闭环控制算法中，以调节数据包编码和传输控制协议中的可调参数和/或特征实施方式的序列。
应当理解，涉及监测以控制协议的示例通常可以涉及在源、目的地或源和目的地的组合处实现的方面。因此，显而易见的是，尽管上面描述了其中特征被描述为在特定端点处实现的实施例，但是替代实施例涉及在不同端点处那些特征的实施方式。此外，如上所述，用于控制协议的监测通常可以涉及在网络中实现中间节点或点的方面。因此，显而易见的是，尽管上面描述了其中特征被描述为在特定端点处实现的实施例，但是替代实施例涉及在整个网络中的不同节点(包括中间节点)处那些特征的实施方式。
除了使用受监测的参数来控制协议之外，数据还可以用于其它目的。例如，数据可以支持用于例如控制或规定网络作为整体的网络分析。
PC-TCP方法可以适于增强现有协议和过程，特别是内容传递中使用的协议和过程，例如，如在协调的内容传递网络中使用的那样。例如，被监测的参数可以用于将客户端引导到可以尽快传递整个内容单元的服务器，而不是仅仅将客户端引导到最少负载的服务器或者通过最不拥挤的路径可接入的服务器。这种新方法的不同之处在于，尽可能快地获取整个文件可能需要通过多个链路并且在需要最少重传或FEC开销时使用协调传入数据的新确认协议，从多个服务器和/或在地理上不是最接近的服务器发送数据包。协调可以包括等待由后来到达的数据包和/或通过编码数据包填充的数据包串(无序数据包)中的间隙。此外，PC-TCP方法可以改进无线、蜂窝和卫星链路的性能，显著提高端到端网络性能。
一些当前系统使用“自适应比特率”来尝试通过动态和/或欠佳地执行链路来保持视频传输。在一些情况下，上述PC-TCP方法取代了自适应比特率方案，并且可以能够长时间向用户呈现非常高的数据速率。在其它情况下，PC-TCP方法与当前可用的自适应比特率方案结合使用，以支持平均比单独的自适应比特率方案所支持的更高的数据速率。在一些情况下，PC-TCP方法可以包括作为其特征集的一部分的集成比特率调节，并且可以使用任何和/或所有先前识别的可调参数和/或监测参数来改进组合的PC-TCP和比特率自适应解决方案的性能。
以下描述的某些实施例涉及加热，并且更具体地涉及烹饪和食谱，其包括通过使用智能设备，以及在物联网(IoT)的背景下。
随着IoT的出现，存在解锁围绕各种设备的价值的机会。迄今为止，对于许多用户，特别是发展中国家的农村地区的用户，由于缺乏强大的能源和通信基础设施，这种机会受到限制。基础设施的相同问题也限制了用户接入某些设备的更多基本功能的能力；例如，不是使用诸如燃气燃烧器的现代烹饪系统，许多农村用户仍使用木材或其它生物燃料通过火进行烹饪。满足基本需求(诸如现代烹饪能力)而不依赖于基础设施的设备的需求是存在的，并且扩展基本烹饪设备的能力以提供将用于其它需求的更广泛的能力并对烹饪设备的用户提供其它益处的机会是存在的。
许多工业环境类似地与传统的能源和通信基础设施隔离。例如，海上钻井平台、工业采矿环境、管道运营、大型农业环境、海洋勘探环境(例如深海勘探)、海洋和其它大型运输环境(诸如船舶、船只、潜艇、飞机和航天器)通常完全与传统电网隔离，或者需要非常昂贵的电力传输电缆来从传统电源接收电力。其它工业环境由于其它原因而被隔离，例如在半导体制造、药物制备或危险材料处理期间保持“洁净室”隔离，其中用于输送传统电力的例如插座和开关等接口可能为污染物或生物活性物质提供穿透点或逃逸点。对于这些环境，存在更加独立于传统电源的烹饪系统的需求。此外，在许多这种环境中，由于火灾隐患的存在以及对人员外出的严重限制，除其它方面外，火灾仍是重大危险。在这些情况下，用于在环境中烹饪的燃料的存储存在风险，因为燃料可以加剧火灾程度，这潜在地导致灾难性后果。相应地，因为柴油被认为比丙烷、汽油或其它燃料源具有更低的风险，所以诸如石油钻井平台的这种平台和环境可使用柴油发电机来为烹饪和其它系统供电；然而，柴油燃料也会燃烧并仍然是重大危险。存在用于在隔离的工业环境中提供烹饪能力的更安全机制的需求。
本文公开了智能烹饪系统，包括如下的智能烹饪系统，其配备有处理、通信和其它信息技术部件，用于远程监测和控制以及各种增值特征和服务，其实施例使用电解器(可选地，太阳能电解器)产生氢气作为用于烹饪系统的加热元件(诸如燃烧器)的按需燃料流。
本文公开的烹饪系统的实施例包括用于消费者和商业用途(诸如用于家庭和餐馆中烹饪食物)的实施例，其可包括灶具、炉子、烤面包机、烤箱、烤架等的各种实施例。烹饪系统的实施例还包括工业烹饪系统，诸如用于加热、干燥、固化和烹饪食品和配料以及在工业环境中制造和/或使用的各种其它产品和部件。这些可包括在流水线中(诸如用于在一个生产阶段加热、干燥、固化或以其它方式处理零部件或材料，诸如处理涂覆、分散、涂漆或以其它方式在部件上设置涂料、聚合物等)、在半导体制造和制备中(诸如用于加热或固化半导体工艺的层，包括机器人组装工艺中)、在工装工艺中(诸如固化注塑模具和其它模具、工具、压模等)、在压铸工艺中(诸如固化、加热或以其它压铸方式处理)以及许多其它方面中使用的系统和部件。这些还可以包括在各种工业环境中用于维修人员的系统和部件，该工业环境诸如在船舶、潜艇、海上钻井平台和其它海洋平台上，在大型设备上(诸如在采矿或钻探设备、起重机或农业设备上)，在能源生产环境中(诸如石油、天然气、水力发电、风力发电、太阳能发电)，以及其它环境。因此，虽然针对特定环境公开了某些实施例，但是对烹饪系统的引用应该被理解为包括用于烹饪、加热、固化和处理的这些消费者、商业和工业系统中的任何一种，除非上下文另有说明。
本文提供了一种利用氢气技术以及从配置文件、分析等导出的基于云的增值服务的智能烹饪系统。智能氢气技术烹饪系统提供标准化框架，使诸如智能家居设备和IoT设备的其它智能设备能够连接到平台，以进一步丰富情境知识的整体智能，从而提供高度相关的增值服务。智能烹饪系统设备(在本文中在一些情况下称为“灶具”)可以启用处理、通信和其它信息技术部件和接口，用于实现各种特征、益处和增值服务，包括基于用户配置文件、分析、远程监测、远程处理和控制以及自主控制的服务。允许机器到机器或用户到机器与其它设备和云(诸如通过应用程序编程接口)通信的接口使烹饪系统能够贡献对分析有价值的数据(例如，对烹饪系统的用户以及对涉及烹饪系统的各种消费者、商业和工业过程)，以及用于其它设备和系统的监测、控制和操作。通过类似的接口，烹饪系统的监测、控制和/或操作及其各种能力可以受益于或者基于从其它设备(例如，IoT设备)和从其它数据源(诸如从云)接收的数据。例如，烹饪系统可以跟踪其使用，诸如确定何时发送用于给烹饪系统本身提供燃料的信号，何时发送用于重新供应一种或多种配料、组分或材料的信号(诸如基于相同的时间段内检测到的使用模式)，以确定和提供关于烹饪系统的使用的指导(诸如建议使用中的培训或改进以提高效率或功效)等。这些可包括基于将机器学习应用于燃料的使用、烹饪系统的使用等的结果。
在实施例中，智能烹饪系统可以由氢发生器(在本文中在一些情况下称为电解器)和独立燃料源提供燃料，该独立燃料源不需要传统连接到电力网，连接到气体源(例如，天然气管道)，或连接到传统燃料的定期供应源(诸如加注燃油、丙烷、柴油或其它燃料箱)。电解器可以在水源上操作以分离氢气和氧气组分，并随后为智能烹饪系统提供氢气组分作为燃料源，诸如按需燃料源。在实施例中，电解器可以由可再生能源供电，诸如太阳能源、风能源、水能源等，从而提供完全独立于传统电力基础设施的需要。描述电解器的设计、制造、组装、部署和使用的方法和系统包括在本文中。除了其它益处之外，电解器还允许存储水，而不是像燃油、丙烷和柴油的易燃材料，作为在各种隔离或敏感的工业环境中(诸如在船舶、潜艇、钻井、平台、采矿环境、管道环境、勘探环境、农业环境、洁净室环境、航空和航天工艺环境等之上或之中)为烹饪系统供能的能源。烹饪系统的智能特征可以包括控制电解器，诸如远程和/或自主控制，诸如在需要的确切时间点提供精确量的氢燃料(由水转换)。在实施例中，可以提供用于捕获和返回电解器的产物的机构，诸如将任何未使用的氢气和氧气返回水形式(或将它们引导用于其它用途，诸如使用它们作为用于呼吸的氧气源)。
本文包括描述基于氢的智能烹饪系统的设计、制造、组装、部署和使用的方法和系统。可以分配用于操作烹饪系统的各种能力的处理硬件和软件模块，例如具有位于烹饪系统的子系统中的模块或部件(例如，燃烧器或其它加热元件，温度控制器等)，具有位于烹饪系统的用户界面附近的模块或部件(例如，与控制面板相关联)，具有位于烹饪系统的通信端口附近的模块或部件(例如，集成的无线接入点、蜂窝通信芯片等，或用于例如智能手机等通信设备的对接端口)，具有位于附近设备中的模块或部件，例如其它智能设备(例如，
Figure BDA0002874613920007491
恒温器)、网关、接入点、信标等，和/或具有位于服务器上的模块或部件，例如在云中或在托管的远程控制设施中。
在实施例中，烹饪系统可以具有移动对接设施，诸如用于对接智能手机或其它控制设备(诸如在工业过程中使用的专用设备，诸如支持处理器的工具或设备)，其可以包括用于对智能手机或其它设备充电的电力；以及烹饪系统和智能手机之间的数据通信，诸如允许使用智能手机(诸如经由应用程序、浏览器特征或电话的控制特征)作为烹饪系统的控制器。
在实施例中，烹饪系统可以包括各种硬件部件，其可以包括用于监测操作、处理和数据存储能力以及通信能力的相关联传感器。硬件部件可包括一个或多个燃烧器或加热元件(例如，燃气燃烧器、电燃烧器、感应燃烧器、对流元件、烧烤元件、辐射元件等)、一个或多个燃料管道、用于指示燃料油位的一个或多个油位指示器、一个或多个安全检测器(诸如气体泄漏检测器、温度传感器、烟雾检测器等)。在实施例中，燃气燃烧器可以包括按需燃气-LPG混合燃烧器，其可以像液体丙烷那样燃烧传统燃料，但是也可以根据需要燃烧生成的燃料，诸如由电解器产生的氢气。在实施例中，燃烧器可以是具有适当功率能力的例如能够产生20,000英国热量单位(British Thermal Unit，简称BTU)的消费者灶具燃烧器。
在实施例中，烹饪系统可以包括便于直观、情境、智能驱动和个性化体验的用户界面，体现在仪表板、向导、应用程序界面(可选地包括或与一个或多个相关联的智能手机、平板电脑或用于一个或多个IoT设备的基于浏览器的应用程序或界面集成)、控制面板，触摸屏显示器等中。用户界面可以包括如上所述的用于其它软件和硬件部件的分布式部件。应用程序界面可包括适于烹饪食物(诸如食谱)或适于用于使用各种消费者、商业或工业过程(诸如用于制造半导体元件、用于固化涂层或注塑模具的配方，和许多其它配方)的烹饪系统的界面元素。
本文包括描述结合基于氢气的烹饪系统的太阳能氢气生产设施的设计、制造、组装、部署和使用的方法和系统。
本文包括描述适于各种餐馆、自助餐厅、移动厨房等的基于商业氢的烹饪系统的设计、制造、组装、部署和使用的方法和系统。
本文包括描述适于用作各种隔离工业环境中的食物烹饪系统的基于工业氢的烹饪系统的设计、制造、组装、部署和使用的方法和系统。
本文包括描述适于各种工业环境中的加热、干燥、固化、处理或其它烹饪系统的基于工业氢的烹饪系统的设计、制造、组装、部署和使用的方法和系统，诸如用于制造和处理工业生产过程中的部件和材料，包括可以包括与智能烹饪系统连接和协调的系统元件的自动化的机器人过程，包括以能够将机器学习应用于系统的机器到机器的配置。
本文描述了描述低压氢气存储系统的设计、制造、组装、部署和使用的方法和系统。低压氢气存储系统可以与太阳能氢气生成相结合。在实施例中，烹饪系统可以从低压氢气存储罐接收燃料，该低压氢气存储罐可以安全地存储由电解器产生的氢气。在实施例中，氢气可以在电解完成后立即使用，使得不需要或几乎不需要存储氢燃料。
本文包括描述基于云的平台的架构、设计和实施方式的方法和系统，用于提供从配置文件、分析等结合基于氢的智能烹饪系统得到的增值服务。基于云的平台可以进一步提供通信、智能家居设备和第三方之间的同步、电子交易和数据的安全性等。在实施例中，烹饪系统可以包括到智能家庭的连接，包括到一个或多个网关、集线器等的连接，或者到一个或多个IoT设备的连接。烹饪系统本身可以包括用于其它IoT设备的集线器或网关，用于家庭自动化功能、商业自动化功能、工业自动化功能等。
本文包括描述基于云的平台的智能用户界面的方法和系统，该基于云的平台用于结合基于氢的智能烹饪系统提供增值服务(value-added service，简称VAS)。智能用户界面可以包括电子向导，该电子向导可以为计算设备提供情境和智能驱动的个性化体验仪表板，该计算设备连接到基于氢的智能烹饪系统的智能家庭网络或商业或工业网络。本文可以描述平台的架构、设计和实施方式。
本文描述了用于经由基于云的平台配置、部署和提供增值服务的方法和系统，该基于云的平台结合基于氢的智能烹饪系统和多个互连设备(例如，移动设备、因特网服务器等)操作来为VAS准备配置文件、分析、情报等。在实施例中，烹饪系统可以包括各种VAS，诸如由基于云的平台和/或其它IoT设备传递的VAS。例如，在许多可能性中，烹饪系统可提供配方，允许订购配料、组分或材料，跟踪配料的使用以提示重新订购，允许对配方的反馈，提供配方的推荐(包括基于其它用户的推荐，诸如使用协同过滤)，提供操作指南等。本文可以进一步描述这些方法和系统以及增值服务本身的架构、设计和实施方式。
在实施例中，通过诸如向导的用户界面，可以实现各种益处、特征和服务，诸如各种烹饪系统实用程序(例如，液体丙烷气体计量器实用程序、烹饪辅助实用程序、检测器实用程序(诸如用于泄漏、过热或冒烟等)、远程控制实用程序等)。提供服务用于购物(例如，购物车或食品订购服务)、用于健康(诸如提供食品的健康指数，以及个性化的建议和推荐)、用于信息娱乐(诸如在烹饪时播放音乐、视频或播客)、用于营养(诸如提供个性化的营养信息、营养搜索能力等)和影子烹饪(诸如提供关于如何烹饪的远程材料，以及实现用户的广播，诸如在从烹饪系统广播的个性化烹饪频道中等)。
本文描述了剖析、分析和智能化的方法和系统，涉及在包括城市、农村、商业和工业环境的一系列环境中部署的多个基于氢的烹饪系统的部署、使用和服务。城市环境可以包括乡村、低成本住房安排、公寓、住房项目等，其中几个终端用户(例如，个体家庭、公共厨房等)可能在物理上接近(例如，建筑物中的公寓等)。物理接近可以便于对平台部件的共享接入，平台部件诸如水解器或低压存储的氢气等。在各个灶具部署可以通过本地或基于因特网的网络接入进行通信的程度上，围绕诸如计划需求加载等主题产生附加益处。示例可以包括在人们倾向于家庭烹饪的一周比周末生成和存储更多的氢气，或者使用关于配方的共享信息以便于将新鲜物品大量递送到公寓楼、多个近端餐馆等。在实施例中，烹饪系统可以启用并受益于分析，诸如配置文件、记录或分析用户、设备的使用、维护和修复历史、与问题或故障相关的模式、能源使用模式、烹饪模式等。
这些方法和系统可以进一步执行与太阳能电解器的部署、使用和服务相关的剖析、分析和智能化，该太阳能电解器生成在低压氢气存储系统中存储的氢。
本文描述了通过智能联网和交易渠道的开发来扩展能力和接入基于氢的智能烹饪系统的内容和/或VAS的方法和系统。
本文描述了基于如下方法和系统的生态系统的方法和系统，即：经由太阳能电解器生成氢气，将生成的氢气存储在低压存储系统中，由一个或多个个体分配和使用所存储的氢等。在实施例中，烹饪系统或烹饪系统的集合可以向更广泛的商业生态系统提供信息，诸如向食品或其它材料或部件的供应商通知关于使用的聚合信息，向广告商、管理者和制造商通知消费模式等。因此，烹饪系统可以包括商业生态系统的组成部分，包括提供各种商品、信息和设备的各方。
本文描述的智能烹饪技术的另一个实施例可以包括智能的计算机化的旋钮或拨盘，其适于与本文所述的任何烹饪系统、探针、单个燃烧器和其它加热元件等直接一起使用。这种智能旋钮或拨盘可包括本文所述的智能系统的独立操作和控制所需的所有电子器件和电源。
在实施例中，烹饪系统是用于在制造过程中提供热量的工业烹饪系统。在实施例中，工业烹饪系统用于半导体制造工艺、涂覆工艺、模塑工艺、工装工艺、压铸工艺、药物制造工艺和工业食品制造工艺中的至少一种。
在实施例中，智能旋钮适于存储用于多个不同烹饪系统的指令。在实施例中，智能旋钮用于发起与烹饪系统的信号交换，基于该信号交换，旋钮自动确定应该使用哪些指令来控制烹饪系统。在实施例中，智能旋钮配置有机器学习设施，该机器学习设备用于基于来自烹饪系统的至少一个用户的反馈在一段时间内通过智能旋钮改进烹饪系统的控制。
在实施例中，智能旋钮用于发起与烹饪系统的信号交换，以基于用户的配置文件接入至少一项增值服务。
参考图226，示出了本文所述的智能烹饪系统方法和系统21的集成灶具实施例11。图226中的灶具实施例11可包括一个或多个燃烧器31，该燃烧器31可燃烧一种或多种类型的燃料，例如液化丙烷气(Liquid Propane Gas，简称LPG)、氢气及其组合等。例如，燃气燃烧器可以额定为提供可变的热量，包括高达最大的热量，从而消耗相应的燃料量。一个或多个燃烧器31可以与LPG源51和氢源61一起操作，使得可以基于燃烧器31指示的燃料需求、可用LPG燃料的量度、随时间推移使用的LPG燃料量，以及使用、需求、历史使用、预期使用、供应可用性、天气条件、日历日期/时间(例如，一天、一周、一个月、一年的时刻等)、事件的接近度(例如，紧张的烹饪时间，诸如正好在假日之前)等的任何组合来利用氢源61。通过使用氢源61，使得使用的其它燃料(诸如LPG)的量保持在使用阈值以下。这种使用阈值可以基于LPG气体的成本、烹饪系统21中的其它燃烧器31对LPG气体的使用、附近的其它烹饪系统21(例如，餐馆中的其它烹饪系统21、附近住宅的其它烹饪系统21)等。因此，烹饪系统21和/或每个烹饪系统21内的燃烧器31可动态地提供按需燃料供应，而无需用户输入或监测烹饪系统21。通过自动化燃料供应，燃烧器可通过自动引入氢燃料，(诸如通过从一个源切换到另一个源或通过减少一个源(例如，LPG)同时增加另一个源(例如，氢))，来延长可用LPG的寿命。每个燃料源的利用程度可以基于针对效率、LPG燃料消耗、氢气的可用性等的一组操作规则。一个或多个燃烧器31的额定值可以在处理器的控制下，包括为不同的燃料源(诸如单独的LPG、单独的氢，或具有给定比的组成部分的LPG和氢气的混合物)提供不同水平的额定值。
燃烧器31、烹饪系统21或烹饪系统21的集合中的每一个可配置有燃料控制器，例如燃料混合设备(例如，阀门、分流器、混合室、压力补偿挡板、止回阀等)，该燃料混合设备可以至少部分地基于历史、当前、计划和/或预期消耗、可用性等的一些度量来自动控制。在示例中，可以设置一个或多个燃烧器31以产生1000W的热量，并且燃烧器气体源控制设施可以启用一个或多个气体混合设备，同时监测燃烧器输出以确保燃烧器输出不会偏离输出设置超过预定义的容限，诸如100W或百分之十(10％)。可替代地，控制设施可以使用具体化在能够接入关于气体类型、燃烧特性、燃烧器类型、额定特性等的数据源的软件模块中的气体消耗和燃烧器输出的模型，来调节被混合的一种或多种气体的流量，以传递一致的燃烧器热量输出。当操作燃料供应和/或混合设备时，控制设施可以使用燃烧器输出感测、建模和预设混合控制的任何组合。
一个或多个燃烧器31可以包括用于增强操作、效率、燃料节省等的智能化。燃烧器31中的每一个可以具有其自己的控制设施101。集中式烹饪系统控制设施可以配置为管理烹饪系统21的燃烧器31或贯穿本公开所述的其它加热元件的操作。可替代地，各个燃烧器控制设施101可以通过有线和/或无线接口进行通信，以便于组合的烹饪系统燃烧器控制。用于检测目标加热区域中物体的存在的一个或多个传感器(例如，设置在燃烧器炉篦上)可以向控制设施提供反馈。物体存在传感器还可以提供目标加热区域中检测到的物体的类型、尺寸、密度、材料和其它方面的指示。例如金属对布料(例如，人的袖子)、对人的肌肤的材料检测可促进提高效率和安全性。当检测到布料或人的肌肤时，控制设施可能会抑制热量产生，以便避免烧伤人的皮肤或使他们的衣服着火。这种控制设施安全特征可以通过用户对控制设施的输入而被重新设置，以给予用户确定被禁止的操作是否合适的机会。其它检测器，诸如燃烧器附近的溢出(例如，湿气)检测器可以帮助管理安全性和操作。来自锅的大量溢出可能导致燃烧器产生的火焰熄灭。基于操作规则，可以禁用燃气源和/或可以启用点火器以恢复燃烧器的正常操作。其它动作也可以配置到控制设施中，诸如向用户发信号通知(例如，通过烹饪系统21上的指示器，经由到个人移动设备的连接，到中央火灾控制设施等)。
燃烧器控制设施101可基于一种或多种操作模型(诸如加热平底锅、锅、部件、材料或放置在燃烧器21或其它加热元件附近的其它物品)控制燃烧器热量输出(并且从而控制燃料消耗)。例如，如果用户想要快速在重金属锅中煮沸水，则控制设施可使燃烧器产生最大热量。基于上面提到的与需求、供应等相关的用户偏好和/或其它因素，控制设施可以调节燃烧器输出，同时通知用户完成加热活动的目标时间(例如，直到锅里的水沸腾为止)。以这种方式，智能燃烧器21(例如，在燃烧器控制设施上)可以实现一些用户偏好(例如，加热温度)，但损害了其它方面(例如，沸腾时间等)。用于这种折衷的参数(例如，操作规则)可以在生产期间配置到烹饪系统21/燃烧器31中，可以由用户直接或远程调节，可以响应于变化的条件等。在实施例中，可以使用在烹饪系统21、云或其组合中体现的机器学习来优化用户所寻求的给定目标的参数，诸如烹饪时间、结果的质量(例如，基于关于输出产品的反馈措施，诸如食品的味道或其它材料产品情况下的其它质量度量)。例如，烹饪系统21可以在机器学习的控制下配置以尝试食物的不同加热模式并且关于所得物品的质量征求用户输入，使得随着时间推移发展出最优加热模式。
如本文所述并且在图226中描绘的智能烹饪系统21可以包括具有支撑结构元件的接口端口127，以将个人移动设备150(例如，手机)牢固地保持在安全且易于观看的位置，使得用户可以同时具有对设备的视觉和至少听觉接入。烹饪系统21可以包括进一步确保安装的移动设备150不会经受过多热量的特征，诸如隔热罩、偏转器、气流挡板、散热器等。可以结合气流源以便于使来自一个或多个燃烧器31的加热空气的至少一部分远离安装的个人移动设备150移动。
图227中描绘的智能燃烧器实施例280表示本文描述的智能烹饪系统21的单个燃烧器实施例210。多燃烧器智能烹饪系统21的任何特征、无特征或所有特征可以配置有图227中所描绘的单个燃烧器版本。图227中进一步描绘了具有封闭的燃烧器室220的智能燃烧器280的版本，该封闭的燃烧器室220在作为热量面而不是热量体的目标加热区域中提供热量。这可以通过感应、电力以及利用从可燃气体产生电力的设备转换诸如LPG和/或氢气的燃料源等而产生。
智能烹饪系统21可以与提供氢源的氢发生器300组合，以与如本文所述的燃烧器31一起使用。图228描绘了太阳能氢气制备和存储站320。制氢站320可以配置有一个或多个太阳能收集器330，诸如可以产生用于操作电解器350的能量的太阳能-电力转换面板340，该电解器350将氢源(诸如水蒸汽)转换为至少氢气和氧气以便存储。来自太阳能收集器330的能量可以为一个或多个电解器350(例如图232中的实施例700中描绘的电解器)供电。一个或多个电解器350可以处理例如可以在环境空气中获得的水蒸汽，以存储在存储系统360，例如图228中所描绘的低压存储系统370。可替代地，和/或除了处理空气中产生的水蒸汽之外，诸如收集的降雨、公共供水或其它来源的水源可以由电解器350处理以产生氢燃料。
随着氢燃料产生，它可以被存储在合适的存储容器中，诸如可以配置有太阳能电解器系统350的低压存储系统370。除了或者代替被递送到存储系统360，由太阳能电解器350产生的氢气还可以被递送到一个或多个智能烹饪系统21。制氢和存储系统320可以基于各种条件产生氢气，该各种条件包括但不限于水蒸气源的可用性、电解器的电力的可用性、收集的阳光量、阳光的预测、氢能的需求、需求的预测，基于LPG的可用性、LPG的使用等。
低压气体存储系统370可以将氢气和氧气存储在紫外线(UV)涂覆的塑料袋中或通过水浸技术(例如，沼气)存储。系统内部的最大压力可能小于1.1bar，这可以提高安全性，因为压力非常低。此外，由于不使用压缩机，因此存储成本远低于存储压缩气体的有源存储系统。图229、图230和图231描绘了这种低压存储系统370的实施例400，该低压存储系统370具有将端口提供到内部存储区域415中的入口阀411和出口阀413，其中，该内部存储区域415的内部容积被分成两个部分。
低压设置可直接根据可再生能源进行工作，诸如由太阳能电池收集的太阳能、风能、水力发电等，从而提高效率。所选择的可再生能源的来源可以基于环境的特性；例如，海洋工业环境可具有可用的风力和水力发电，农业环境可具有太阳能等。此外，如果可再生能源(例如太阳能)收集设施连接到电网，则生成的电力和存储的能量例如在高成本期间可以提供给电网。同样，电网可用于在非高峰时段期间以降低的成本恢复任何使用的能量。
设计的低压存储装置可用于存储可转换为电能的氢作为能量源。所设计的系统可以以非常低的成本存储能量，并且可以具有现代电池所不具有的多年的寿命，例如，超过15年。可以配置存储量以满足安全要求，诸如与存储大量其它燃料相比，存储足够少的燃料以使引起火灾的危险最小化。
在实施例中，智能烹饪系统21可以向电解器系统350发信号通知对氢燃料的需求。作为响应，电解器系统350可将存储的氢引导至烹饪系统21，开始产生氢，或指示氢当前不可用。该响应可以至少部分地基于产生氢的条件。如果生产氢的条件良好，则电解器系统可以开始生产氢燃料而不是仅仅从存储装置中获取氢燃料。以这种方式，可以组合对氢燃料的同期需求和产生氢燃料的能力以确定能量产生和消耗系统的操作。
本文描述的智能烹饪系统21和/或氢气制备和存储系统可以与平台相结合，该平台与供应商、内容提供商、服务提供商、监管机构等的相关生态系统中的电子设备和参与者交互，以将VAS传递给智能烹饪系统21的用户、制氢系统的用户以及生态系统中的其它参与者。这种平台800的某些特征可以在图233中示出。可以作为基于云的平台的平台800可以处理烹饪系统实用程序，诸如泄漏感测、燃料供应、使用辅助、远程控制等。在示例中，远离智能烹饪系统21的用户可以将烹饪系统21配置为在预设时间或者基于来自他/她的计算设备(例如，个人手机、台式计算机、膝上型计算机、平板电脑等)的预设条件来操作。当烹饪系统21开始运行时，可以进一步通知用户，从而确保用户烹饪系统21按预期操作。用户或第三方(例如，管理机构、老板等)可以配置一个或多个当前条件。这些条件可以包括各种触发器，包括时间、用户或第三方的位置等。在示例中，父母可能想要使烹饪系统操作以基于某人到家的预期到达来预热配料。该预期可以基于由预期到达的人携带的移动设备的检测位置。
平台800可以进一步将烹饪系统用户与生态系统中的参与者(例如，供应商和/或服务提供商)协同地连接，使得用户和参与者二者都可以从平台800中受益。在示例中，用户可以计划为即将到来的晚餐准备膳食。用户可以(例如，直接通过用户的手机，经由用户的智能烹饪系统21等)向平台800提供膳食计划。平台800可以确定用户优选用于膳食的新鲜产品，并且可以向零售商和/或批发商发信号通知在用户返回家中准备膳食时可供他/她拿起的产品。以这种方式，参与生态系统的供应商和服务提供商可以深入了解客户的需求。同样地，用户可以指示对可以用各种蛋白质制备的一类膳食的偏好。生态系统中的参与者可以向用户提议在用户优选的日期和时间用户可用的一种或多种类型的蛋白质。位于用户返回路径附近的屠夫可以提供便利，例如为用户准备切肉。可能并非方便地位于用户的返回路径附近的屠夫可以在最符合用户的膳食计划的日期和时间提供递送服务。
这种平台连接的智能烹饪系统的用户可以利用平台800获得对因特网上可用的信息的接入和分析，以解决特定的用户兴趣，诸如健康、营养等。例如，用户可以接受健康专业人员的指导以减少红肉摄入量并增加他的海鲜摄入量。平台800可以与用户、烹饪系统和生态系统参与者交互，以便于用鱼肉而不是红肉来准备家庭最爱膳食的变动。可以通过平台800向用户和烹饪系统21提供香料、量、烹饪时间、食谱等的变化，以使膳食准备更加愉快。诸如通过提供对可以在膳食选择和准备中与用户一起亲自工作的优质营养专业人士的访问，平台800可以帮助营养辅助。
平台800还可以帮助平台800的用户，甚至是无法接入智能烹饪系统21的用户，从与多个烹饪系统、用户和生态系统参与者互连的平台800可以获得的知识收集和分析中受益。在示例中，平台800可以在选择和购买智能燃烧器和/或集成烹饪系统和相关家电设备(例如，冷藏箱)、器皿、炊具等时向用户提供指导。
平台800可以进一步便于与VAS的集成，诸如金融服务(例如，用于融资基础设施和运营成本)、医疗服务(例如，便于医疗服务提供方与居家患者连接)、智能家居解决方案(例如，本文描述的解决方案)、农村解决方案(例如，农村管辖区中的用户对产品和服务的接入)等。由平台800收集和/或生成的信息(例如，配置文件、分析等)可以直接与其它合作伙伴一起或通过其它合作伙伴(例如，用于开发市场的信用评级机构)用于其它商业服务。
平台800可以便于一系列用户利益，包括购物、信息娱乐、商业发展等。在商业开发示例中，用户可以利用她的智能集成烹饪系统21通过在烹饪系统21上设置带有相机的个人电话来制作她自己的烹饪展示，使得烹饪系统21上的用户活动可被捕获和/或经由平台800分发给其他用户。此外，在该示例中，用户可以安排烹饪演示并且可以允许其他用户以自主和/或交互方式与他一起烹饪。用户可以选择与烹饪展示制作者一起观看和烹饪，而无需直接与制作者交互。然而，另一个用户可以将他的烹饪系统21配置有个人移动设备，并允许其他人经由移动设备的相机和用户界面基于用户在烹饪系统21上的活动来提供反馈。
平台800可以便于建立智能家居设备的IoT生态系统，诸如在实施例中，能够为家庭主妇提供支持和授权的智能厨房。智能厨房可包括智能烹饪系统21、IoT中间件和智能厨房应用程序。智能烹饪系统21可以提供平台800的硬件层，该平台可以为IoT设备提供即插即用支持，每个新设备充当节点，诸如从附加传感器向整个系统提供更多信息。可以被视为平台800的中间件层的IoT云支持可以实现云上的数据通信(例如通过流传输实现)和存储，以及实现平台800的各种能力的可选远程管理。智能厨房应用程序可以包括用户界面层，该用户界面层可以为智能设备的整个范围提供单点接入和控制，以便于家庭主妇或其他用户。作为通过本文所述的智能灶具方法和系统实现的智能厨房的示例，随着锅中的水开始沸腾，可以打开排气扇，从而将锅的蒸汽输出引导远离厨房。这可以通过传感器(例如，湿度传感器)、自动烹饪系统控制的组合来完成，该自动烹饪系统控制确定锅何时将基于燃烧器上的锅的重量以及燃烧器的能量水平等开始沸腾。类似的实施例可以用在工业环境中，诸如与通风系统协调，以通过经由烹饪系统21的加热活动的协调以及通风系统对空气和其它流体的递送和循环来保持适当的温度、压力和湿度条件。烹饪系统控制器可以例如与排气扇控制器通信以基于这些输入和/或计算打开排气扇；从而在通过及时应用排气扇来节约能源的同时，改善智能厨房家电设备的操作。表示该示例的操作步骤5600的流程图在图281中描绘。
由这种平台800创建的值可以大致分为(i)VAS；(ii)配置、学习和分析文件；以及(iii)用于商业或工业环境的智能家居解决方案或IoT解决方案。该系统的VAS可包括但不限于：(a)个性化营养；(b)信息和娱乐(也称为“信息娱乐”)；(c)家庭健康；(d)金融和商业服务(包括在线订购和购物)；(e)硬件控制服务；以及许多其它类型的服务。
配置、学习和分析文件可以为各种实体提供许多益处。例如，家庭主妇可以接入个性化的营养和健身推荐，以改善整个家庭的健康状况，该个性化的营养和健身推荐包括健康食谱和饮食推荐、营养补充推荐、锻炼和健身推荐、用于烹饪和其它家用电器的使用的能量使用优化建议等。设备制造商和其它企业也可以受益，因为平台800可以解决家用电器设备制造商在将他们的设备集成到云并且利用由其提供的便利性所面临的问题。可以向设备制造商和其它企业提供到平台800的接口(诸如通过一个或多个应用程序编程接口、图形用户界面或其它接口)，这可以使它们能够利用平台800的能力，包括可以从设备生成的数据中学习和开发见解的一个或多个机器学习算法或其它分析能力。这些能力可包括设备的分析仪表板；用于开发数据见解的机器学习即插即用界面；连接家电的健康状态检查(例如，知道设备何时发生故障，诸如便于快速和方便地更换/维修)；以及用户简档能力，诸如便于向用户提供推荐，诸如基于协作过滤以将用户与其他类似用户进行分组，以便提供有针对性的建议、优惠、广告等。
用于商业或工业环境的智能家居解决方案或IoT解决方案可以为设备制造商提供益处，该设备制造商发现由于开发和成本限制而难以将复杂电子设备嵌入其设备中以使其智能化。平台800通过提供可由合作伙伴用来发送其设备数据的通信层来简化这一点，之后平台800可以通过分析数据并代表用户的集成智能家居执行特定动作来接管并提供有意义的数据和见解。通过平台800交互的每个合作伙伴的附加价值是接入系统内置的各种传感数据，以有效地使任何连接的设备更加智能。例如，在许多可能性中，智能烹饪系统21内的环境温度传感器可以由可控制的排气设施来利用，以相应地增加气流以使家庭主妇感到舒适。
参考图234的智能家居实施例，智能烹饪系统900可以是家用电器网络的参与者或可以是家用电器网络的网关，该家庭电器网络可以包括其它厨房家电、传感器、监视器、用户界面设备、处理设备等。家用电器网络和/或家庭网络中配置的设备可以通过平台800(图233)彼此连接并且连接到生态系统的其它参与者。从这些家电、生态系统中的参与者、平台的用户、第三方等收集的数据可以提供交互式环境以探索、可视化和研究诸如燃料使用模式的模式。收集的数据可以通过深度机器学习、模式识别、建模和预测分析进一步综合，以提供与平台参与者、设备、供应商和更大生态系统的所有方面相关的有价值的见解。
现在描述氢气生成和消耗能力的进一步的实施例。
该系统可以使用水和电力作为燃料来生成可以用于例如烹饪的按需气体。电池中生成的氢气和氧气可以在电池内分离出来并保持分开，直到到达燃烧器中的燃烧端口为止。特别设计的燃烧器模块可包括不同的腔室以允许氢气、氧气和烹饪燃气通过。用于氢气和烹饪燃气的端口可以以避免火焰回火和火焰抬举等的方式设计。氧气端口可以设计成确保相对于氢气供应的最优氧气供应。氢气和氧气端口可以在相互垂直的平面上，确保燃烧混合物的适当混合。氢气和烹饪燃气连接可以相互独立，并且可以单独或一起操作以生成混合火焰。
如本文所公开的制氢和使用系统1000可包括如图235和图236中所描绘的一个或多个下列元件。在图236中详细示出了电解池1101，图236示出了由钢电极组成的电池的分解图，该钢电极由尼龙膜隔开，该尼龙膜位于夹在丙烯酸片之间的聚氯乙烯(polyvinylchloride，简称PVC)垫圈内。电池可包括碱性电解池，该电解池将水分离成其组成组分氢和氧。混合物罐(诸如浓缩碱性混合物罐)可以用作电解池的电解质源。可以通过将碱(如氢氧化钾(KOH)或氢氧化钠(NaOH))与水混合来制备碱性混合物。在KOH的情况下，在实施例中，浓度可为约20％。用于分离电池内的气体的膜可以由多种材料制成。一种此类材料是具有催化剂涂层的尼龙片，其具有足够的经纬密度以允许离子转移和最少的气体转移。使用的电极可以是例如不锈钢或镀镍不锈钢。还可以提供气体鼓泡罐。从电解池产生的氢气和氧气可以通过气体鼓泡罐。罐可以制成再循环或非再循环模式。在非再循环模式中，气体通过水鼓泡，并且气体中的任何杂质都在该过程中被净化。在再循环模式中，气体通过KOH溶液鼓泡，KOH溶液的浓度可以与碱性混合物罐的浓度相同。在该方法中，随气体流出的任何额外的电解质再循环到碱性混合物罐中。两个鼓泡罐可以连接在一起(诸如在底部)，以确保它们两端的压力维持。也可以包括除湿机。通过鼓泡器的气体的水分含量可能过量，这降低了燃烧效率。因此，气体可以通过除湿器，除湿器可以使用干燥剂、水-气分离器膜、或其它除湿技术或其组合来降低气体的湿度含量。提供一种氢气燃烧器装置，其中可以将本领域中已知的传统氢气燃烧器连接到除湿器，诸如通过回火防止器。在实施例中，没有用于空气进入的端口，因为氢气-空气混合物的燃烧可能导致单氮氧化物(NOx)的浓度升高，这反过来可能导致火焰回火。燃烧器端口可以具有小直径，诸如小于0.5mm，以减少任何火焰回火的机会。端口可以以交叉点火的方式对齐，导致整个气体供应的燃烧具有单个火花。整个供应管线中的氢气浓度可以高于最大燃烧极限，因此几乎没有安全隐患。氧气供应可以通过与氢气完全分离的通道。氧气端口可以位于与氢气端口垂直的平面上，以确保燃烧混合物适当混合。在燃烧器上方，可以放置催化剂以降低燃烧温度，降低产生的NOx浓度。可以使用经济上可行的高温催化剂网来降低燃烧温度。
电源可以提供可根据系统条件(诸如水温、压力等)优化的所需电压。每个电池的电压可以变化，例如从1.4V变化至2.3V，并且电流密度可以低至44mA/cm2以获得最高效率。随着电流密度低，效率趋于高。
可以提供LPG/烹饪燃气燃烧器装置。可以将LPG/烹饪燃气燃烧器装置添加到氢气燃烧器装置。在实施例中，该系统可以类似于封闭的顶部燃烧器装置，其中燃烧器端口沿着燃烧器的侧面，并且由LPG供给燃料的火焰围绕氢气火焰。在实施例中，气体供应通道可以保持与氢气供应通道以及氧气供应通道分开，因此在这方面不会存在安全风险。在替代实施例中，可以诸如在处理器的控制下混合燃料。
可以提供可再生能源连接。在实施例中，包括存储系统的整个系统可以连接至可再生能源，诸如太阳能、风能、水力等。氢气存储器可以用作由此种可再生能源产生的能量的存储器。
在该系统的又一个实施例中，可以使用沿着氧气供应通道放置的传感器，来完成燃烧的致动，以检测燃烧器上烹饪器具的存在。传感器可以屏蔽开热量并使得在最佳温度下工作。
在该系统的又一个实施例中，氢气火焰可以用于加热线圈，该线圈因此可以辐射热量以进行铺展范围更大的烹饪。可以通过散热器内的温度来调节供应至散热器的氢气。
在该系统的又一个实施例中，催化剂网吸收的热量可用于产生电能，从而提高系统的净效率。
如图237所示，制氢系统可以集成到烹饪系统1201中，该烹饪系统1201可以包括智能烹饪系统，该智能烹饪系统包括具有基本传感器(诸如陀螺仪、加速度计、温度传感器和湿度传感器等)的微控制器。烹饪系统上可以安装有其它传感器，如重量、附加的温度传感器、压力传感器等，并且基于来自用户和系统(包括可选的遥控器)的各种输入，致动器可以控制烹饪温度、时间和其它烹饪功能。
有时可以使用扬声器读出输出或只是播放音乐。
微控制器还可以与显示器和触摸界面连接。
微控制器可以与云连接，其中可以由控制器存储和接入关于食谱、重量和温度等的信息。微控制器还可以提供关于用户烹饪模式的信息。
在一个实施例中，可以由计算机(例如在云中)执行智能系统配置、控制和烹饪算法，以处理所有收集和感测的信息，可选地向终端用户提供与操作有关的推荐。推荐可以包括：建议合适的食谱、自动转换燃烧器中的热量等。微控制器可以通过蓝牙低能耗(Bluetooth low energy，简称BLE)、Wi-Fi和/或Lowaran等进行通信，以确保与云的连接。Lowaran是一种利用远程无线电信号通过中央服务器在IoT设备和云设备之间进行通信的无线网络。微控制器可以设计为使其具有足够的处理能力，以连接到可能几乎没有或没有处理能力的其它IoT设备，并且还为这些IoT设备进行处理，为终端用户提供智能及智慧、一体化、智能家居解决方案。
图238和图239描绘了在公共家庭Wi-Fi路由器1340不可用的情况下，可以通过附近的移动设备1371执行来自炉灶1310的特设Wi-Fi形式的自动切换连接1301，以尽可能地确保云连接1360。图238描绘了当Wi-Fi路由器1340可用时的正常连接模式。图239描绘了本地移动设备1400的特别使用以用于连接到云1360。
附加的智能烹饪系统特征和能力可以包括用于每个加热元件的重量传感器，当与烹饪学习算法结合时，重量传感器可以控制燃料消耗以使过度烹饪和燃料浪费最小化。这也可以使采用多个加热元件的配置受益，使得未使用的加热元件不会继续运行并浪费燃料。图240描绘了三元件感应智能烹饪系统1500。加热元件可以是基于气体的，或者可替代地包括用感应、电热板、电线圈、卤素灯等加热。图241描绘了单燃烧器的燃气智能烹饪系统1600。图242描绘了电热板(线圈)智能烹饪系统1700。图243描绘了单个感应加热元件的智能烹饪系统1800。
本文描述的智能烹饪技术的另一个实施例可以是智慧的、计算机化的旋钮、拨盘、滑块等，其适合于与本文所述的任何炉灶、探测器、单个燃烧器元件等直接一起使用。这种智能旋钮2000可以包括本文所述智能系统的独立运行和控制所需的所有电子器件和电源。对智能旋钮2000的引用应该被理解为包括旋钮、刻度盘、滑块、切换器及其它物理用户界面形式因子，这些通常用于控制在加热、烹饪等中涉及的温度、定时和其它因素，其中任一项前述内容具体化在处理器和一个或多个其它智慧特征中。
智能旋钮2000可以包括具有数字致动器的实施例(诸如用于基于电的烹饪系统)，以及具有机械致动器的另一实施例(诸如用于气体模式)。智能旋钮2000可以在设计时考虑到便携性和功能性。旋钮可以包括用户界面(例如显示器、音频输出等)，它可以通过该用户界面为用户提供逐步食谱等。智能旋钮2000可以无线运行，使得它即便被移除出烹饪系统致动器，仍然可以设置警报，并且可以监测多个智能烹饪系统21的运行。在实施例中，智能旋钮2000可以存储允许其与不同种类的烹饪系统交互的信息，例如通过包括用于与烹饪系统形成握手(例如，通过BluetoothTM等)的程序和指令来确定哪种控制协议应用于烹饪系统，例如可以在云或其它分布式计算平台中进行远程管理的控制系统。在实施例中，用户可以将智能旋钮2000带到烹饪系统21附近，在这种情况下可以(在用户控制下或自动地)启动握手，使得智能旋钮2000可以识别烹饪系统21以及要么基于智能旋钮2000上存储的指令启动控制，要么启动从远程源(例如，智能旋钮2000所连接的云或其它分布式计算平台)下载用于烹饪系统21的适当编程和控制指令。因此，智能旋钮2000用作各种烹饪系统的通用遥控器，其中用户可以使用熟悉的动作启动控制，例如转动拨盘以设置定时器或进行温度设置、向上或向下移动切换器或滑块、设置定时器等。在实施例中，可以提供多个智能旋钮2000，其彼此协调以控制单个燃烧器或加热元件或燃烧器或加热元件的集合。例如，一对旋钮中的一个智能旋钮2000可以控制燃烧器或加热元件的温度，而该对中的第二个旋钮可以控制加热的定时。
在实施例中，智能旋钮2000可以用于实现复杂的协议，诸如随时间变化的温度模式(诸如适合于随时间变化将物品加热到不同的温度)。这些可以作为食谱等存储，使得用户可以通过智能旋钮2000简单地指示所需的食谱，智能旋钮2000将自动启动对燃烧器或加热元件的控制以遵循食谱。
用户可以使用具有感应烹饪系统的智能旋钮2000来控制烹饪系统(诸如感应炉)的温度和提供逐步指令等。例如，通过简单地将智能旋钮2000从感应烹饪系统上取下来，配置其以便(例如通过启动自动握手)操作燃气燃烧器烹饪系统，并且将智能旋钮2000安装在方便的位置(例如台面、墙壁、冰箱门等)，用户可以切换到用基于燃气燃烧器的智能烹饪系统进行烹饪。应当注意，虽然智能旋钮2000可以放置在烹饪系统上，但是一旦例如通过BluetoothTM、近场通信(near-field communication，简称NFC)、Wi-Fi或通过编程建立了连接，智能旋钮2000可以放置在任何方便的位置，例如在用户身上(例如用户在工业环境中从一个地方移动到另一个地方)、在控制多个设备的仪表板或其它控制系统上、或在另一个物体上。智能旋钮2000可以设置有用于被放置的可替代的接口，例如用于附接到物体的夹子、钩环紧固件、磁性紧固件和物理连接器。
智能旋钮2000可以使用、包括或控制贯穿本公开描述的智能烹饪系统21的各种特征。另外，智能旋钮2000可以连接到其它IoT设备，诸如智能门铃、远程温度探测器(例如在冰箱或冰柜中)等。智能旋钮2000可用于除烹饪之外的厨房任务。通过与温度探测器连接，智能旋钮2000可用于将放置在冰箱或冷冻柜中冷却的物品的进展通知给用户。
由于智能旋钮2000仅需要非常小的功率，并且因为可安装在智能烹饪系统21上，所以在实施例中，可以通过热量的热电转换来对智能旋钮2000进行再充电，该热量来自烹饪系统21上的燃烧器，从而不需要使用外部电源。
图244至251描绘了智能旋钮2000的各种用户界面特征2010、2020、2101、2201、2300、2400、2500和2600。
图252描绘了部署在单个加热元件烹饪系统2710上的智能旋钮2700，而图253描绘了放置在厨房用具2810的一侧上的智能旋钮2800。
智能烹饪系统21的其它特征可以包括图254至图257中描绘的智能温度探测器3101的示例。温度探测器3101可以由有线或无线温度传感器组成，该有线或无线温度传感器可以与智能烹饪系统21、智能旋钮2000和/或用于烹饪的手机150交互。在实施例中，温度探测器3101可以浸入液体(诸如汤等)或插入固体内部(诸如一块肉或烹饪烘焙食品)，以基于测量液体或固体的内部温度进行极精确地烹饪。此外，智能温度探测器3101可便于使用感应基座来控制基座的温度，以用任何类型的非磁性烹饪容器将水加热到精确的温度(例如，用于茶)。
智能烹饪系统21可以包括智能手机对接站3301，智能手机对接站3301可以用于防止烹饪热量直接撞击对接站中的设备，同时便于容易地接入电话以进行对接、解除对接和观看。在图258至图263中描绘了用于与一系列手机和平板设备兼容的各种不同的底座3310、3401、3501、3601、3701和3801。
考虑将各种燃烧器设计与本文所述的智能烹饪系统一起使用。图264至图280描绘了示例性燃烧器3900、4200、4701、5000和5300。
本文描述的互联网连接的智能烹饪系统21可以包括工具和特征，工具和特征可以帮助用户(诸如家庭主妇、商业厨师或工业环境中的厨师)准备更健康的膳食，了解其他用户的食物选择，促进减少用餐准备时间，并重复烹饪以提高质量和价值。可以利用当前因特网连接的智能灶具的能力的一些应用可以包括健身应用，该应用程序可以帮助估计用户家庭中每个成员或用户可以为其准备餐点的其他人的每日卡路里消耗需求。这可以帮助用户随时间控制和跟踪用户的家庭健康。使用来自食谱以及用于烹饪食谱食物的锅/平底锅的重量传感器的数据，健身应用可以产生卡路里消耗估计，并且建议一种或多种健康的替代食谱。通过将炉灶功能件(例如燃烧器)的感测和控制与接入用于烹饪的食谱成分的食物营养和重量值的因特网相结合，可以估计放置在智能炉灶面燃烧器上的锅中内容物的卡路里计数。例如，如果食谱要求每份1/4杯扁豆与每份单位的水组合，则可以感测用于制备扁豆的平底锅的总重量。通过知道锅的重量，可以计算锅中的配料的净重，使得可以通过计算总重量并将其除以每份的重量来确定锅中的份数。例如，通过接入(例如，可以通过互联网上的资源获得)可包括相应膳食列表的食谱比较工具，该相应膳食具有较低脂肪、较高营养成分，可以向用户建议将提供较低卡路里或脂肪并具有相当营养价值的替代食谱。
食品调查应用程序可以从智能炉灶和用户活动收集信息，来计算各种度量(诸如最常烹饪的食谱、优选早餐、受欢迎的节日食谱等)，这些信息关于整个区域(例如，诸如印度的国家)的智能炉灶系统的用户正在使用的食谱。在食品供应商、农民、房主等的规划目的中，该信息可能是有用的。例如，在任何一天，有关您所在地区的人们正在准备的食谱的信息可能有助于确定哪些膳食成为趋势。基于因特网的服务器随时间接收食谱和相应的有限人口统计信息，从而可以确定哪些膳食趋势。可以对一段时间内(例如，在晚餐准备时间期间)所有食谱(或相当的食谱)的所有使用进行计数，具有最大使用计数的食谱可以被识别为最流行的、当前趋势的等等。
烹饪可重现性变得更好，因此厨师(例如经验较少的厨师)可以依赖于因特网连接的智能炉灶系统的自动化能力来避免错误，如过度烹饪、由于过热而烧焦等。这可以由于使用关于正在烹饪的物品和烹饪环境的信息而成为可能，诸如在任何热量输出设置中每个燃烧器的热量输出值、正在烹饪的食物的重量、目标温度和烹饪时间(例如来自食谱)、食物的选定完成度等。通过将该信息与模拟和/或感测的燃烧器运行相结合(例如，温度探测器可用于检测正在烹饪的食物的温度、烹饪环境的温度等)，以便于自动控制热量、温度和烹饪时间从而使膳食烹饪可重现和可预测。每种类型的燃烧器(例如感应、电子、LP气体、氢气等)可以各自为操作因素完全建模，使得今天用感应加热烹饪食谱而明天用氢气加热将产生可重现的结果。将来自烹饪系统的信息与来自传感器或其它系统的信息进行组合的类似能力可用于改善工业过程的可重现性和改进，工业过程诸如通过加热、干燥、固化等产生材料和部件的制造过程。
在实施例中，本文公开的方法和系统可以包括、连接有或集成有氢气制备、存储和使用系统。在实施例中，氢气制备、存储和使用系统可以使用可再生能源作为各项运行的能量来源，包括氢气制备、氢气存储、分配、监测、消耗等。在实施例中，在适用的情况下，例如使用水解器系统的制氢可以由以下提供动力：例如太阳能系统(包括使用直接太阳能的系统)和光伏系统(包括使用半导体、聚合物和其它光伏形式的光伏系统)等可再生能源、水力(包括波浪运动、流动水或存储的势能)、重力(例如涉及存储的势能)、地热能、源自热梯度(例如水体(例如海水)中的温度梯度，或者在地面(例如地表)与另一层面(例如地下区域)之间的温度梯度)的能量、风力等。在本公开全文中对可再生能源的引用应被理解为包括以上任意一项，除非上下文另有说明。
在实施例中，太阳能收集器面板等可以配置有制氢系统，诸如本文所述的系统，以提供用于为制氢供能的电力，包括来自水。制氢系统可以构建有集成的太阳能收集器面板并且能够连接到另外的太阳能系统，使得将制氢系统放置在暴露于阳光的周围环境中可以促进其自供电运行，或通过太阳能供电部分自供电运行。
在实施例中，太阳能收集子系统(诸如单个面板或太阳能面板阵列)可以被部署为与制氢系统分离、并且可选地远程地部署。太阳能收集子系统可以连接到一个或多个制氢系统，以便于部署在获得局部有限阳光的环境中，诸如在多单元住宅、具有少量窗户的建筑物、具有不接收直射或充足阳光的内部区域的建筑物中(诸如仓库、制造设施、存储设施、实验室等)等。用于氢气制备、存储和使用的系统的其它运行过程可以通过太阳能供电。
收集用于生产氢气的太阳能可以共享和/或递送到这些其它运行或根据需要出售回本地电网。太阳能收集还可以用于给电池充电、为各种热系统或其它电能存储设施充电，该电能存储设施可以立即直接提供制氢所需的能量，或者具有时移和按需功能以及其它如本文所述的操作因素。以这种方式，虽然太阳能提供可再生能源，但是通过使用中间电池等，由于不存在太阳光从而减少太阳能生产的影响可以得以减轻。
在实施例中，涉及一个或多个传感器和仪器的数据收集系统可用于监测太阳能系统或其部件，包括实现预测性维护、实现最佳操作(包括基于当前和预期的状态信息)等。如本文所述的其它实施例，可以使用机器学习和人工智能来启用监测、远程控制和自主控制，可选地在人类训练或监督下进行。这些用于数据收集、监测和控制的能力，包括使用机器学习，可以与贯穿本公开描述的其它可再生能源系统及其部件组合使用。
在实施例中，本文公开的方法和系统可以包括、连接有或集成有其它可再生能源(包括风能)。风能可以通过风车、涡轮机、根叶片构造或类似的风能收集设施来收获，该风能收集设施可以配置有氢气制备、存储和使用系统以及类似于太阳能收集设施或本文所述的其它电源的组件。在许多示例中，配置附接到氢气制备、存储和使用系统的涡轮机或类似的风能收集和转换设备可以便于部署在各种环境中，其中可获得充足的移动气体(诸如吹风、在移动元件(诸如车辆的一部分)周围流动的空气)、来自工业机器或过程的废气等)。除非上下文另有说明，否则这些及其它实施例旨在由本公开中的术语“气流”涵盖。
在实施例中，各种空气运动源可以用作来自空气流的动力源。在各种示例中，可由使用氢气(诸如用于烹饪等)产生的加热空气可以通过风能收集设施，诸如可设置在加热空气流动路径中的涡轮机。在实施例中，可以部署其它热量采收装置，诸如正位移装置或其它加热介质，通过所述加热介质可以吸收能量并为合适的热力发动机提供动力。在实施例中，将涡轮机或其它能量/热量采收装置直接设置在炉子、烹饪系统或产生的氢气的其它发热装置上方，可产生可用于为氢气制备、存储和使用系统的运行过程直接或间接地、部分或全部地供电的能量，诸如通过给电池充电。
在用于为氢气制备、存储和/或使用系统的一个或多个运行过程供电的可再生能源的另一种用途中，诸如本文描述的，水电是可再生能源。在实施例中，水电可以转换成可用于运行如本文所述的氢气制备、存储和使用系统的过程的形式，包括电力生产和可能的机械动力收集。在这些示例中，来自水力的电可用于运行水解器以从氢源(诸如水或基于环境空气的水蒸气)产生氢气。在实施例中，配置可直接利用水力的氢气制备、存储和使用系统可涉及建造围场，围场保持水力源(诸如移动的水体(例如河流、瀑布、流过水坝的水等))不干扰氢气制备、存储和使用等运行过程。在实施例中，通过使这种系统的至少一部分浸入水中，这种围场可以便于直接在水流中部署水力源系统。例如，氢气制备和存储可受益于这种围场。特别地，浸入式制氢系统可以利用流体动力水，其中系统被浸入作为氢气来源、作为产生氢气的能量源、作为冷却过程的来源等。
参考图282，描绘了与用于氢气制备、存储、分配和使用的可再生能源相关的方法和系统的实施例。如本文所述的促进可再生能源的使用的系统可以包括：可耦合到氢气存储设施5703的制氢设施5074。制氢设施5705和/或氢气存储设施5703可以耦合到一个或多个氢气使用设施5707。一个或多个氢气使用设施5707可以通过氢气分配网络(未示出)连接。
氢气制备、存储、分配和使用可以至少部分地由一个或多个可再生能源，例如太阳能源5709、风能源5711、水能源5713、地热能源5715等供电。风能源5711可以是自然气流、马达驱动的气流、由车辆运动产生的气流、或废气流源5719(例如来自烹饪等加热操作的废热)。这些可再生能源中的任何一种都可以转换成适合于氢气制备、存储、分配和使用系统的预期用途的能量形式。例如，太阳能源5709可以如本文所述转换为电力，以向制氢设施5705、氢气存储设施5703、氢气使用设施5707等提供电力。根据本公开内容将理解，氢气存储设施5703不需要与制氢设施5705和氢气使用设施5707一起运行，因为制备的氢可以在其生产时被消耗而无需存储。
制氢设施5705可以使用作为来源的另一种形式的能量可以包括二氧化硫源5717，诸如产生废二氧化硫的化石燃料燃烧系统。如本文所述，二氧化硫源5717可以供应热能和原料，氢气可以由适于使用二氧化硫的制氢设施5705产生。
可以由制氢设施5705和/或氢气存储设施5703提供的另一种形式的能量可以包括来自一个或多个氢气使用设施5705的热量再捕集器5721。回收的热量可以直接使用、转换成另一种形式(诸如蒸汽和/或电)、或提供为可从中采收氢气的输入原料。
参考图283，可再生能源的替代实施例与至少一个制氢设施5705、至少一个氢气存储设施5703一起使用。在图283的实施例中，可以连接氢气制备、存储、分配和使用，但是可能无法集成，例如无法集成到独立的组合功能系统中。在图283的实施例中，如图282的实施例所述的可再生能源可用于为氢气制备5705和存储5703提供能量。然而，可以通过可耦合到氢气制备设施5705、存储设施5703和氢气使用设施5707的氢气分配系统5823提供氢气使用，该氢气制备设施5705、存储设施5703和氢气使用设施5707可以位于不同的物理位置，例如公寓楼中的各个公寓等。
参考图284，本文描述的用于氢气制备、存储、分配、使用和控制的方法和系统可以与预测性维护方法和系统耦合，以促进以更少的计划外停机时间和更少的部件故障来改进操作。在图284的实施例中，预测性维护设施5903可以用于在处理器上运行，该处理器与氢气制备、存储和使用设施相关联，或更具体地与氢气制备、存储和使用设施集成。可替代地，预测性维护设施可以用于在未集成的处理器上运行，例如云计算机、独立计算机、联网服务器等。预测性维护设施5903可以从各种系统传感器5905接收输入，以及来自其它源中各种数据集的信息，例如使用/维护模型5915、保修和标准规则5919、以及从这里导出的传感器数据和分析5917的存档。
系统传感器5905可包括氢气系统传感器、输入能量传感器、过程传感器(例如催化传感器等)、输出传感器、使用传感器和本文所述的一系列其它传感器。这些传感器中的每一个或任一个可以直接地或通过中间处理器将数据采集单元、交联数据采集单元等提供给预测性维护设施5903。对于本地/集成预测性维护设施5903，传感器数据可以通过一系列输入提供，包括直接输入等。对于远程/云预防性维护设施，可以通过网络接口(诸如因特网、内联网、无线通信信道等)，提供传感器数据。
预测性维护设施5903还可以与本地或远程用户界面耦合，用于提供报告、促进控制、与预测性维护设施5903交互，以促进用户参与维护动作、计划和分析。用户界面设施5909可以与预测性维护设施5903集成，例如是氢气制备、存储和使用系统的集成部件。可替代地，用户界面5909可以是远程可接入的，诸如通过网络、云网络设施等，包括但不限于因特网等。
为了促进至少半自动预测性维护，可以基于指示需要某种形式的预测性活动的预测性维护设施5903的结果来自动地订购替换组件、服务等。自动组件/服务订购设施5913可以直接或间接连接到用户界面/控制设施5909，以使用户能够批准或调整自动订单。
图284的实施例包括至少两种配置：(i)具有预测性维护5911的集成氢气烹饪/加热系统，以及(ii)可利用例如云计算能力、云存储设施等共享资源的模块化系统。
在实施例中，本文公开的方法和系统可以包括、连接有或集成有一个或多个计算设备功能，其与本文所述的氢气制备、存储和可选使用系统的运行、监测和其它电子方面连接，并可以通过各种接口接入。功能可以包括控制和监测氢气产生、控制和监测氢气存储(包括分配等)、控制和监测所产生和/或存储的氢气的使用，其中几个功能在本文其它地方描述。在实施例中，可以通过接口，诸如应用程序编程接口(application programminginterface，简称API)或者到一个或多个服务的接口(诸如在面向架构的服务中)，来接入这些功能，这些接口可以暴露这些功能、服务、部件等的某些方面以便于对其进行接入，诸如提供控制输入和接收监测器输出。除非上下文另有说明，术语“API”或“应用程序编程接口”应该被理解为包括到程序、服务、部件、计算元件等的各种这样的接口。
在实施例中，API类型接口可以包括特征库，诸如算法、软件例程等通过其暴露方面可以接入的那些。在实施例中，API类型接口可以便于接入本文所述的制氢子系统的控制功能，以实现对子系统的第三方控制和/或监测，以促进用外部资源进行分析，以促进多个资源的互连，协调多个系统之间的燃料和可再生能源等。在实施例中，单个制氢子系统可用于向多个氢气存储系统提供氢气。通过这些示例，一个或多个氢气存储系统可以使用API或API类型接口来接入流量阀、燃料分配架构等可以促进由存储系统产生的氢气的分配的那些，从而处于或接近存储容量的存储系统可以引导流量阀的控制功能以减少或停止氢气分配到存储系统。在实施例中，可以在一系列控制和监测功能中使用应用程序编程接口，包括提供对氢气消耗监测元件、可再生能源利用监测系统、氢气使用系统、如本文所述的智能炉灶系统等的接入。
除了如本文所述的API类型接口之外，还可以通过一个或多个机器对机器接口接入氢气制备、存储和使用系统。在实施例中，这样的接口可以包括直接有线接口(诸如在监测机器和传感器之间)和传感器，该传感器设为用于感测水流、用于水解的能量流、所产生的氢气的流动、或者任何前述的一个或多个水平，诸如液位。在实施例中，机器对机器接口可以是间接的，诸如通过标准通信门户，诸如网络，例如内联网、外联网、因特网等。在实施例中，诸如HTTP等的通信协议可用于在氢气制备、存储和使用系统的一些部分与另一机器之间交换控制、监测和其它信息。在实施例中，机器对机器接口可以促进氢气使用的第三方控制。这可以以各种模式表现出来，其示例可以是用户使用因特网作为移动设备和烹饪功能之间的机器对机器接口从他的移动设备远程接入烹饪功能。
在实施例中，还可以通过图形用户界面(graphical user interface，简称GUI)来实现与如本文所述的氢气制备、存储和使用系统的接口连接。在许多示例中，这样的界面可以促进人类直接接入系统的控制、监测和其它特征。在实施例中，GUI可以包括各种屏幕，这些屏幕可以在逻辑上与促进用户接入单个GUI内的系统的一系列特征相关。在许多示例中，可以存在主系统GUI屏幕，GUI屏幕可以包括到主生产GUI屏幕的链接，主生产GUI屏幕除此之外可以包括到其它生产GUI屏幕的链接，例如，主屏幕可以链接到能源控制屏幕、存储系统控制、系统健康、预测信息等。在实施例中，主GUI屏幕还可以便于接入系统的其它方面的一个或多个GUI屏幕，系统的其它方面诸如氢气存储监测和控制、氢气分配监测和控制、氢气使用、智能炉灶的烹饪功能、加热器子系统的加热功能等。
在实施例中，本文所公开的方法和系统可以包括、连接有或集成有预测性维护功能(其可以促进部件的智能替换从而避免故障和停机时间)。在实施例中，可以使用一个或多个传感器来进一步增强本文描述的预测性维护功能，所述传感器可以便于监测和/或控制可能需要维护的系统部分。在示例中，可以部署有助于监测和/或控制电解器功能的一个或多个传感器。作为示例，监测电解器的膜部分的一个或多个传感器可以提供数据，数据用于监测需要立即注意或者可以与其它因素一起结束并且可能稍后需要注意的一个或多个条件，诸如需要更换膜的条件。这样的传感器可以进一步用于当感测到可以指示推荐更换膜或水解器的其它部分的条件时，生成一个或多个警报，诸如音频、视觉、电子、逻辑信号。这样的传感器可以进一步用于生成一个或多个警报，警报可以长时间触发来自传感器的数据的一个或多个记录，以捕获信号，该信号可以以各种间隔、频率和幅度捕获事件，其指示需要更换膜或水解器其它部分。膜和电解器的实例公开在2005年12月7日提交的、授予Hioatsu等人的第8,057,646号美国专利以及2001年6月1日提交的、授予Vandenborre的第6,554,978号美国专利中，该两项专利均通过引用结合在本文中，如同在此完全阐述一样。
在实施例中，可以通过传感器和/或由可以与传感器界面配合的一个或多个计算设备，来生成这样的警报，并且可以分析来自传感器的数据。在实施例中，诸如膜传感器的传感器可以物理地(以监测系统的物理方面)和/或逻辑地(诸如处理来自一个或多个传感器的数据的算法)集成到系统中。在实施例中，一个或多个膜传感器等可以检测指示应该采取另一动作或预防措施的一个或多个状况。在实施例中，来自这些传感器的一个或多个警报可以指示感测到的状况的类型以及感测到的状况的程度。在实施例中，当传感器警报和/或传感器数据与已知的关于系统的其它信息组合时，可以生成警报，该警报指示应该采取的一个或多个动作或预防措施来抵消引起警报的状况。在一个示例中，警报(或一组警报)可能需要采取措施来减少产生的氢气量，诸如通过关闭或以更大的工作循环来循环水解器的运行。
在实施例中，本文公开的方法和系统可以包括、连接有或集成有可以监测腐蚀或其它条件的互连(诸如内部堆积，其减少氢气流动等通过可能与系统相关联的互连)的传感器。在实施例中，这样的传感器可以向计算设备提供指示腐蚀程度、可以加速腐蚀的条件等数据，其可以检测指示需要立即采取行动的状况或者在腐蚀程度将会发生的时间，诸如更换互连的受影响部分。在一个示例中，可以通过将来自一个或多个传感器的数据与表明不可接受的腐蚀程度的数据值进行比较来确定一个或多个状况。
在实施例中，具有一个或多个传感器的监测子系统可以收集、分析和/或报告感测数据的实时测量。同样地，这样的子系统可以收集、分析和/或报告实时故障数据，诸如以便于测量和/或跟踪材料故障数据，例如频率、程度、自部署以来的时间等。
在实施例中，本文公开的方法和系统可包括、连接有或集成有其它感测方式，以监测催化活性以确定例如催化性能、效率等。基于这些感测到的活动，可以生成可指示需要催化剂更换和/或要执行的其它动作或预防措施的警报。
在实施例中，本文公开的方法和系统可以包括、连接有或集成有各种方法和系统，以监测和确定输入需求、输出产量、其中增加的需求等。
在实施例中，可以示出具有包括生产和/或存储的多种氢气运行的设施受益于监测以平衡存储和生产速率容量，诸如用于可变需求。在实施例中，监测输入需求可以提供对以下的了解：使用时的氢气量、其何时使用、与其一同使用的其它气体、哪些使用子系统要求输入、生产的氢气质量、生产氢气所需的能量、制氢的速率以及随时间和在各种条件下使用等。在实施例中，传感器可以与监测和控制系统一起部署和集成，以监测和协调氢气有效和安全的存储或传输。
在实施例中，本文公开的方法和系统可以包括、连接有或集成有一个或多个传感器，以监测和协调氢气的有效和安全的存储和/或传输可以在IoT应用中实现。在将氢气作为微/智能电网解决方案的一部分存储的示例中，监测系统功能(诸如输入需求、生产和存储)可以有助于确定增加输入/供应的需要。同样地，可以管理用于运行本文所述的水解器等的能量源(诸如来自太阳能和风的可再生能源)，使得可用的阳光和/或风可以与来自用户(诸如工业及其它)的制氢需求预测相关联。在实施例中，这可以有助于确保分配可用氢气以用于电网稳定性等。在实施例中，测量集成能量使用的传感器可以类似地提供信息以进一步促进对电网稳定性的管理等。在示例中，预测的需求可以用于确定何时、以及应该产生多少氢气、以及是否应该存储以促进电网稳定性。在实施例中，当预测电网的部分具有高需求，而预测其它部分具有低需求时，可以使用该信息。来自制氢和/或来自储存的氢气的供应可以被引导到预计需要的地方，或者预计可能需要相对较少的数量但是消耗得更快的地方。
在实施例中，另一种形式的系统感测可涉及燃料质量感测。在实施例中，可以在控制系统中使用可以精确测量燃料和氧化剂组成特性的传感器，以基于该信息将氢气引导到不同的存储设施。通过这些实例，使用可耐受较高氧化剂组成的氢气可以适当地来自存储设施，可能成本比具有较低氧化剂组成的氢气的成本更低。
在实施例中，本文公开的方法和系统可包括、连接有或集成有足够可靠的火焰监测系统，所述火焰监测系统可感测火焰质量、火焰稳定性、火焰温度等中的一种或多种。在实施例中，本文公开的方法和系统可包括、连接有或集成有一个或多个传感器，该一个或多个传感器可提供可用于调节火焰效率和强度的连续烟气分析。在实施例中，可以使用与火焰或燃烧产物监测有关的其它传感器和控制系统，包括一个或多个连续热通量计。
在实施例中，本文公开的方法和系统可包括、连接有或集成有一个或多个颗粒传感器，以确定某些物质的清洁程度，例如，从包括烃燃烧的过程或液体中排气和/或周围释放物。在实施例中，可以使用一个或多个排放物检测传感器来检测低效燃烧，并且还可以用于检测来自系统的泄漏。通过这些示例，一个或多个传感器可以配置成在感测内部和/或外部排放物(诸如双原子氢气、二氧化碳、一氧化碳和其它燃烧副产物时)测量分压或颗粒计数。一个或多个传感器可以配置成测量燃烧波前、汽缸盖温度、润滑清洁度和/或夹带、可以指示不正确操作的各种振动信号。
在实施例中，可以在各种环境中部署包括、连接有或集成有氢气制备、存储和使用的方法和系统。可以在诸如烹饪食物或食物制备加热和/或烹饪过程的环境中使用促进可消耗能源(诸如氢气)生产的系统，包括但不限于工业烹饪。
可以使用本文所述的方法和系统进行可以长期存储的膳食或食品的制备，诸如罐装食品等。在不能够容易直接获取可靠能源(诸如电力、天然气或其它用于烹饪或其它用途的家用可燃物)的环境中准备膳食或食品，诸如在移动、海运、空运和其它经常主动行进的环境中，可以显示出受益于本文所述的用于自主生产氢气以用作烹饪能源的方法和系统。通过减少在运动中存储以供使用的燃料总量，使用本文所述的烹饪系统可有益于在移动环境中使用。通过产生清洁燃烧能源，诸如来自可再生能源的氢气和通过从周围环境收集氢气，在长期旅行车辆(诸如货船、军舰、潜艇等)上部署这样的系统可以减少用于诸如准备膳食、烹饪等目的需要携带的净荷。
可以通过本文所述的方法和系统来采收用于氢气制备、监测、存储、分配和使用的动力过程的可再生能源，包括在移动环境中部署时的太阳能采收、风能采收、热(例如地热)。可以与本文所述的氢气制备、存储和使用系统一起包括、连接或集成的太阳能收集系统或其部件可以部署在暴露于阳光的表面上，诸如车辆的顶部、飞机、船舶等。由于车辆等的推进，可以采收围绕和/或通过移动车辆的空气运动，并将其转换成适合与氢气制备、存储、分配等一起使用的能源。移动系统推进系统产生的热量可以转换成适合用于生产、存储、分配和使用氢气的能量形式。这可以通过使用管线上涡轮系统、其它热和能量提取机器、风捕获系统、废热回收系统等来实现。通过使用这些容易获得的能量源(其中的许多并未被利用)，可以显著降低仅通过机载存储来满足的总外部能量需求。
使用用于氢气存储和使用的方法和系统可包括在海上运输中(诸如在不期望产生有毒废气的潜艇上)的部署。氢气可以从海水中产生，根据需要存储在船上，并且安全地用于潜水艇中的烹饪和其它加热用途，而且没有处理废气清洁或去除的风险或成本。氢气可以从海水中产生，但不存储任何的量，仅在船上根据需要产生和消耗，并且安全地用于潜水中的烹饪和其它加热用途。
本文描述的基于氢气的系统的其它部署环境可以包括在飞机上使用，诸如用于准备在飞行中消耗的膳食。其它基于飞机的用途可包括在飞行中的工业烹饪，例如，在飞机返回地面之后生产用于使用、存储或分配的熟食。利用本文所述的用于自主氢气烹饪系统等的方法和系统的基于飞行中的烹饪可以促进烹饪食物等以延长持续时间的飞行，诸如飞机保持高空而不是仅仅从一个位置运行到另一个位置。可以在飞行中烹饪的膳食、食物和其它物品可以通过短程飞机或其它飞机运输到飞机上或从飞机上运输，以便于更长时间的飞行。
地球操作(诸如钻井和采矿)可以受益于这种系统的使用，其可能显示出对烹饪燃料或其它商业上可获得的燃料源的接入非常有限。将材料、供应品和工人运送到地下钻探地点和矿井的设备可以配备有这样的系统，以便于为工人准备食物。使用不产生有毒废气的燃料(诸如氢气)，可能非常适合用于钻井和采矿环境。
农业生产，包括采收、种植等，也可以受益于如本文所述的基于氢气的烹饪和/或加热系统的部署。可以示出，可包括加热或烹饪新鲜收获食物的食物制备操作受益于如本文所述的自动或半自动的基于氢气的烹饪系统。这种系统可以部署在采收系统上或与采收系统连接，诸如农产品收割机等，以便在采收食物时可以进行烹饪、保存、杀菌、巴氏杀菌、干燥或任选的存储操作。其它部署(诸如工业烹饪部署)可以包括作业现场部署、食物卡车部署、食堂卡车部署、食品生产管道等。其它部署(诸如工业烹饪部署)可以包括住宅环境，诸如疗养院、团体住宅、汤厨房、学校和商业自助餐厅、救灾食物准备站等。
自主或半自主氢气制备、存储、分配和使用的方法和系统可以被部署为智能电网中的部件，其可以与智能电网的其它组件协同操作以尝试在整个电网中提供可用的可靠能量。在示例中，基于可再生能源的制氢系统可以利用其可再生能量采收部件，基于各种因素(诸如本地对氢的需求等)将电力输送到智能电网。当可再生能源可用时，不需要制氢(例如存储了足够的供应，或例如随时间变化的基于先前当地氢气需求的机器学习等预期需要的量预期会在需要之前生产)，然后可再生能源产生的电力等可以反馈到智能电网中。
氢气制备、存储、分配和使用的方法和系统的其它类型的工业应用可包括空气和管线上加热器等。示例性环境可以包括用于航空航天运行和测试的部署，诸如部件温度测试、加热、热空气固化等。在部件测试等中使用这种系统，可以重复模拟与航空航天旅行相关的极端情况的温度的产生，例如地球大气进入等。
其它工业加热应用可包括汽车生产(例如热处理部件、热收缩等)、汽车组装(例如热空气粘合等)、汽车外部和内部定制(例如乙烯基车身面板的热空气粘合、油漆固化等)和汽车修理(例如再定型凹陷的塑料部件，诸如保险杠)等。
其它工业加热应用可包括包装、灭菌等。特定的包装用途可包括高速聚酯涂布纸板密封、高速热收缩装置、材料热成型、固化粘合、消毒瓶和纸箱(例如通过加热水和/或蒸汽)、药品的生产和包装、手术工具和硬件的消毒和包装、替换牙科特征(例如牙冠等)、包装材料的生产和密封等。
本文所述的方法和系统的纸和印刷加热相关应用可包括涂布纸的生产，包括快速拉伸涂层、粘合剂活化、油墨干燥、纸张老化、纸浆干燥等。
可显示受益于本文所述方法和系统的塑料和橡胶生产加热应用可包括橡胶挤压盐去除、固化塑料、弯曲和成型塑料部件、模塑构件的去毛边等。
本文描述的方法和系统可用于产生一些半导体和电子产品生产和组装操作所需的热量，包括焊接操作，诸如用于波峰焊接的气刀、印刷电路板的加热、引线框架、用于焊接/脱焊的部件(例如电容器)、用于多工位拆焊系统的集中热源、晶片和PC板干燥、热收缩线绝缘、预热工艺气体等。通过这些示例，焊接和/或钎焊可能需要可由本文所述的基于氢气的加热系统提供的加热。用于焊接和钎焊的热量可以在每个钎焊站局部产生，或者可以从集中式源提供，用于多次焊接操作，包括手动和半手动操作。
可适用于如本文所述的基于氢气的系统的其它加热空气应用可包括纺织品工业用途，诸如焊接塑料或乙烯基织物、热处理特种织物、热封织物运输套管、粘合多层织物等。工业热空气应用可以包括本文所述的示例性实施例，但也可包括其它类似的应用，诸如家用织物粘合、塑料片分配等，其中热量用于增加空气或装置的温度以执行各种功能。
在实施例中，本文描述的涉及氢气制备、存储、分配、使用、调节、监测、控制、能量转换等的方法和系统也可用于加热操作，包括浸入、循环和客户加热。示例应用包括能量生产环境，其中可以使用用于烹饪和加热的燃料源，诸如替代燃料加工、化学加工、采矿和金属、石油和天然气、石化、发电、燃料存储、燃料分配、热交换器、废物处理、加热存储等。工业应用可以包括生物制药加工、工业设备(诸如温度测试室)、发动机组加热器、预热工业燃烧器、熔炉、窑炉等、医疗设备实验室和分析设备、军事和国防(包括武器、人员管理和其它军事用途)、通过石化产品等的受控加热生产橡胶和塑料、运输(诸如乘客室温度调节、极低温环境下车辆系统的预热或温度调节)等、水处理、废水处理等。如本文所述的用于浸入、循环等加热的方法和系统的商业应用可包括与商业食品设备、建筑和施工系统、商业海运和航运系统和环境、热动力冷却、制冷、空调和其它冷却应用等的集成、连接或使用。
除了烹饪和空气加热应用之外，本文所述的自动水解器运行、产生的燃料存储、分配和使用的方法和系统还可以应用于使用来自可以由由水解器产生的燃料(例如氢气等)供电的加热元件的热量的过程。制造操作可以包括药物制造、工业食品制造、半导体制造等。其它类似加热元件的应用可以包括涂层(例如乙烯基汽车面板包装)、模塑成型(例如注射成型、热熔等)、硬质工具，用于挤压操作的加热材料、例如通过向被加工的材料附近施加清洁燃烧燃料而增强从燃烧产物到各种应用的加工材料的热传递的燃烧系统(例如基于火焰的燃烧设备，例如对现有燃烧方法进行改进(包括提高效率、降低成本、减少或消除排放)的燃烧器)、例如催化燃烧的其它类型的燃烧系统(例如非燃烧器类型)、包括热回收装置的燃烧系统(例如自回收燃烧器)，等等。
可以由水解器产生的燃料提供动力的热依赖性操作的其它应用可以包括热和动力用途，诸如像超级锅炉这样的集成加热系统；以及向操作传递热量和动力的其它应用(例如超加压蒸汽系统等)。其它热利用应用可包括测试材料用的热量产生，诸如用于采矿产品(例如，热处理钻孔机元件)、干燥和除湿产品(诸如衣物烘干机、除湿机等)。可以使用基于水解器的能量产生系统的其它应用包括作为化学反应和处理的催化剂的热量，包括但不限于来自工业系统的废气的化学洗涤，包括基于石油化学的燃烧系统、化学品的现场生产，诸如来自低品级、低成本石油供应等的高价值石油产品。
可以受益于使用如本文所述的自主氢气产生系统的其它应用可以包括脱盐，诸如用于游艇、渡轮等的本地脱盐系统。由于仅使用可再生能源的高效率和潜力，基于氢气产生的脱盐系统可以完全自我操作，直接从脱盐的水源产生氢气。
其它应用包括使用热量来驱动碳捕获、材料的净化和诸如钯电解器的系统等。用于衣物、制服、安全装置、医院和医疗设施(例如地板等)的洗衣、预热锅炉供水、消毒、卫生和清洁过程的工业洗涤系统也可以是包括、连接或集成氢气制备、存储和分配的系统的目标应用，包括由可再生能源等提供动力的系统。
过滤和净化在各种过程(诸如食品服务、食品制造、药品生产和处理、牲畜处理和加工等)中使用的材料和设备，也是本文所述方法和系统的候选应用环境。在可能依赖于高度纯化的材料的生产环境中，可以应用这种系统以提供所需的必要加热或能量。在实施例中，本文描述的方法和系统可以应用于腐蚀和氢脆活性。
参考图285，描绘了氢气制备、存储、分配和使用系统的环境和制造用途。如上所述，氢气系统5701可以部署在包括工业烹饪6006、工业空气加热器和嵌入式加热器6009、以及工业环境6011的环境中。氢气系统5701也可以用于制造用例6005，例如用于制造过程6013中的热量。在环境6003和制造用途6005中的部署可以重叠，使得氢气系统5701在图285中描绘和本文描述的环境和使用的组合中运行。
本文所述的方法和系统可用于直接从水解器提供氢气以用于某些用途，包括不需要引入氧气的用途。在可能仅需要氢气的这样的实施例中，可以生产氢气并直接送到实时用途，诸如用于加热的燃烧器、诸如焊接和钎焊的工业加热过程、以及需要直接使用氢气的所有其它用例。一些其它情况可包括涂覆、加工、挤出、干燥等。本文所述的方法和系统可以为需要它的应用产生高质量的氢气，诸如激光切割。其它用途可包括产生氢气，然后氢气可与其它可燃气体结合用于运行，诸如产生适于焊接的火焰、用于供应氢氧炬等。
在其中可能需要分离的氢气和分离的氧气用于不同目的的应用中，产生、存储、分配和/或加热(例如烹饪)系统可以将两种气体独立地引导至其适当的工艺用途。一个示例可以是潜艇上的电解器，其中氢气可以用于燃烧器，而潜水器空气循环系统中使用氧气等。在其它实施例中，在水解过程中分离的氧气和氢气可能需要在产生氧气和氢气结合的所需结合和速率的方案下重新结合。一个这样的示例是氧-氢焊接。
在实施例中，可以受益于和/或包括氢气存储的电解器产品的时移使用的其它示例可以包括将氢气以压缩状态、气态、压缩液态或组合存储在作为烹饪或其它工业系统的一部分的小罐中、在烹饪系统上或附近的较大罐中、或运输到不在附近的设施处的非常大的容纳罐。氢气存储技术的其它示例可包括通过基质吸收氢气。然后可将基质存储在可以是烹饪系统一部分的小罐或其它基质存储设施中、在烹饪系统上或附近的较大罐中、运输到不在附近的设施处的非常大的容纳罐、或者分配到多个小型、中型和大型存储设施中，这些设施可以促进对存储能量的本地接入。在适当的时间，可以加热基质并且氢气可以返回其原始气态。
使用氢气作为多种燃料源之一的烹饪和其它加热系统可以参与自动选择燃料源。这些系统可以包括连接到各种信息源的处理能力，这些信息源可以提供关于在确定选择哪个能量源时可能有益的因素的数据。确定选择哪个能源可以基于例如单个因素，诸如一个或多个能量源的当前价格。可以选择以最低当前价格提供足够能量的能量源。在实施例中，烹饪或其它加热系统可以在计算机控制下自动配置用于所选择的能量源。在一个示例中，如果选择氢气，则可以启用与氢气源的连接，同时可以停用与其它源的连接。同样地，可以基于所选择的能量源自动调节燃烧器、加热器控制、热量和安全性曲线、烹饪时间以及一系列其它因素。如果在烹饪或加热操作期间发现另一种能源成本较低(诸如电力)，则可以自动重新配置系统以使用其它能源。可以禁用燃气加热器，并且可以给电加热元件通电以继续烹饪和/或加热操作，同时使中断最小化。这种混合能源烹饪和/或加热过程可能需要不同的协议，以基于新的能量源完成烹饪或加热过程。
可替代地，燃料源的自动选择可以基于多种因素。这些因素可以应用于燃料源选择算法。这些算法可以单独地、成组地或组合地处理一部分因素。示例因素可包括其它能源的价格，包括烹饪和加热系统可用的能源以及不可直接获得的能源。以这种方式，选择能源可能由其它考虑因素驱动，诸如哪种能源对环境更好等等。在实施例中，自动能源选择可以至少部分地基于能源的预期可用性。在实施例中，能量中断的预测，诸如电压不足，可以基于一系列因素，包括对预定的电压不足的直接了解等。这样的预测还可以基于关于能量源的可用性的先前经验，其可以应用于可以提供对未来能量可用性的预测的机器学习算法。可以应用于自动确定能量源的算法的其它因素可以包括用于产生氢气的水源的可用性、可再生能源的可用性(例如，基于对阳光、风等的预测)、能量需求的水平和/或强度、未来一段时间(诸如接下来的24小时等)内所需的预期水平。如果未来一段时间内的预期需求包括在该时间范围内需求的大幅波动，则可以单独分析每个需求峰值。可替代地，可以使用随时间的需求的平均值或其它导数来确定各种能量源的权重。
除了直接应用于烹饪和加热的能量选择之外，用于运行水解器以产生氢气的能量选择可以是自动化的。可以包括在这种自动选择过程中的能源可以包括太阳能、风能、氢能、二氧化硫、电力(诸如来自电网)、天然气等。在实施例中，可以促进自动能量选择的算法可以接收关于每个能量源的信息，诸如可以通过比较信息以确定哪个能量源提供最佳拟合以在给定时间段内运行水解器来处理的可用性、成本、效率等。通过该示例，该算法可能倾向于比可靠性较低、可用性较低且成本较高的能量源更可靠、更可用且成本更低的能量源。在实施例中，这三个因素的组合可导致选择某些源。例如，如果在特定时间对可靠能量的需求的权重比价格更高，则可以自动选择更昂贵的能源，因为它更可靠地可用。自动燃料选择算法还可以产生对燃料选择的推荐，并且人或其它自动化过程可以进行选择。在一个示例中，自动燃料选择算法可以推荐成本较低的燃料，但可能比另一个来源的可靠性稍差；然而，考虑到关于来源的可用信息的权重或其它方面，这样的推荐可以满足算法的接受标准。
本文描述的方法和系统可以与用于自动选择能源的方法和系统相关联，诸如用于确定可再生能源(诸如太阳能、风能、地热能、水能等)或不可再生燃料的最佳使用的方法。在实施例中，为现场独立烹饪或加热系统供能的能量源的选择可以基于多种因素，包括作为主要来源的可再生能源直接到烹饪系统的接入和距离。例如，虽然可获得的有关水力可再生能源的生产成本数据可能支持其选择，但配送网络可能并不合适，或者可能因获取该特定可再生能源而付出实质性溢价；因此，基于水能的可再生能源可能并非最佳用途。
在实施例中，其它因素包括使用烹饪系统和电解器所需的定价和电量以及；在持续的使用期限和短期要求中，需要能源来匹配可用性与产生的电力需求。在实施例中，可能影响自动化能源选择过程的其它因素可以包括重新使用来自烹饪系统和/或其它附近工业设施的过量热量的可用性和能力。在实施例中，过量的热量可包括废热、二氧化硫副产物等，其可用于通过热交换过程产生热量。在实施例中，用于确定哪个能源可以是如本文所述的烹饪系统使用的最佳能量的另一组标准可以包括比较在一天中的任意时间对短期可接近性的需求，与对给定时间电源的需求的限制时间和电力来源的可用性相比，诸如附近的电力来源。作为废热副产物的二氧化硫可用于传热过程以从二氧化硫气体中回收热量；然而，它也可以直接应用于水解器系统以产生氢气。在实施例中，二氧化硫气体可以直接施加到水解器系统以产生氢气并通过减少二氧化硫气体的量来减少二氧化硫气体作为环境治理的工具并且使用产生的氢气来燃烧垃圾和其它物品以便清除、以及用于发电等。
在实施例中，诸如信息系统的外部系统可以与本文所述的氢气制备、存储、分配和使用系统相关联或连接。信息系统可以从所有方面和系统过程接收信息，包括能量选择(诸如自动能量选择)(包括与预测结果相比的实际结果)、能量消耗、每种类型能源(太阳能、水力、风能、废气、包括二氧化硫的使用等)的氢气产生、氢气精制过程、氢气存储(包括压缩、自然状态存储、基质输注等)、氢气分配、使用、与其它燃料源的组合(诸如氢气与另一种可燃性能源介质)等、氢气的用途包括时间、成本、应用环境等。
在实施例中，与外部系统的通信可以通过交换促进远程监测、远程控制等的消息。通过该示例，消息可以包括关于消息来源、目的地、目的(例如控制、监测等)、要采取的建议动作、要采取的替代动作、要避免的动作等的信息。
在实施例中，与氢气制备、存储、分配和使用相关的方法和系统可以包括、连接有或集成有可以提供系统性能、质量等持续改进的改进特征。在实施例中，改进特征可以包括过程控制和热回收、流量控制和精确控制、安全性、可靠性和更高服务可用性、包括输出一致性的过程和输出质量。本文描述的基于氢气的系统提供和/或与其集成的其它特征包括数据收集、分析和建模改进、数据安全性、数码安全性、网络安全性以避免对控制系统的外部攻击等，监测和分析以促进预防性维护和维修。
在实施例中，对也可接入第三方数据的数据处理系统的集成和/或接入可包括在本文描述的方法和系统中。通过监测从传感器收集的数据，一天中的时间、天气条件和其它数据源可以与特定规则集一起使用以触发氢气使用(例如烹饪)操作的启用和/或停用。在实施例中，数据可以在连续反馈回路中累积，该连续反馈回路可以捕获与操作相关联的一系列度量的数据，诸如烹饪操作等。在实施例中，对这种系统的启用的分析和控制可以考虑当需要使用烹饪系统时的实际要求和定时(诸如当正在准备诸如早餐的膳食时，或者当工业操作需要加热时，诸如在新工作的开始时等。
在实施例中，还可以在这种系统的操作期间执行数据收集、监测、过程改进、质量改进等。在示例中，一旦烹饪系统被启用，系统就能够确定接收在该特定时刻执行手头处理所需的热量的最佳方式。接收执行该过程所需的热量可以从各种热源中选择，包括在线氢气制备、存储的氢气消耗、组合的能量利用等。在实施例中，具有氢气和非氢气热燃烧器的混合的烹饪元件可以是自动可控的，使得系统应该能够使用例如机器学习和连续监测自动地决定使用一个或另一个源或其组合。
此外，在该示例中，智能炉灶可包括用于氢气和用于液体丙烷的燃烧器。在实施例中，用于烹饪操作的方法和系统可以基于燃料选择(例如，氢气燃烧器或液体丙烷燃烧器)自动启用适当的燃烧器。可以由计算机启用的控制器完成操作这样的烹饪或加热系统，该控制器可以处理包括以下的因素：一天中的时刻、每个替代物的现货定价能量成本、所涉及的过程长度、满足100％绿色要求、取决于烹饪系统位置的火焰的潜在危险使用、其它安全特征等。为了在操作控制期间促进持续改进，可以对系统的任何或所有方面执行数据分析。在一个示例中，如果电解器未被启用，则传感器可以捕获关于正在使用的液体丙烷燃烧器的信息。在实施例中，该单个数据捕获示例指示虽然期望收集关于所有操作方面的信息以避免丢失信息，但是实际考虑使得能够进行更集中的数据收集和分析。在实施例中，烹饪系统和加热元件的每个活动和动作可以被捕获、记录、测量和用于通知诸如质量改进等的动作。
在实施例中，可以为该烹饪系统的一个或多个部署提供信息，以促进自我改进和实时决策。在实施例中，还可以存储捕获的信息并将其用于时间序列分析等，以确定可以指示改进机会的模式。在实施例中，针对多个部署捕获的数据可以用于创建和更新可以用于计算机生成的模拟等的模型。这些模型可以应用于设计过程等。在实施例中，可以通过机器对机器学习程序、人类改进努力、指导改进和/或修改等来激活持续改进修改。
接下来结合图286至289描述了在工业IoT数据收集环境中使用可穿戴设备进行移动数据收集的系统和方法。首先参考图286，数据收集系统可以包括一个或多个可穿戴设备，所述一个或多个可穿戴设备被配置为在工业IoT数据收集环境中充当移动数据收集器。例如，一个或多个可穿戴设备可以向工业IoT数据收集、监测及控制系统10发送数据、从工业IoT数据收集、监测及控制系统10接收数据、向工业IoT数据收集、监测及控制系统10发送命令、从工业IoT数据收集、监测和控制系统10接收命令、受工业IoT数据收集、监测及控制系统10控制、传达用于工业IoT数据收集、监测及控制系统10的控制或以其它方式与工业IoT数据收集、监测及控制系统10通信。本文公开了使用可穿戴设备进行数据收集的方法和系统，该可穿戴设备包括：单个可穿戴设备，其具有用于在工业IoT数据收集环境中记录状态相关测量值(或者称为如下所述的“状态的测量”或“状态测量”)的单个传感器；单个可穿戴设备，其具有用于在工业IoT数据收集环境中记录状态相关测量值的多个传感器；多个可穿戴设备，其中每个可穿戴设备具有用于在工业IoT数据收集环境中记录状态相关测量值的单个传感器；以及多个可穿戴设备，其中每个可穿戴设备具有用于在工业IoT数据收集环境中记录状态相关测量值的一个或多个传感器。例如，可穿戴设备可以是用于工业传感器数据收集器的可穿戴触觉或多传感器用户界面，具有振动、热、电和/或声音输出以及任何其它合适的输出。在另一个例子中，可穿戴设备可以是任何其它合适的设备、组件、单元或具有有形形式的其它计算方面，该其它计算方面无论其使用时间段，通过在工业环境中放置在人身上而被配置或以其它方式能够使用。例如，可穿戴设备可以是衣物或包含在衣物内的设备。在另一个示例中，可穿戴设备可以是配饰或配饰中包含的设备。可以为可穿戴设备或者可以将可穿戴设备包括在其中的衣物的示例包括但不限于衬衫、马甲、夹克、裤子、短裤、手套、袜子、鞋子、防护外套、内衣、汗衫、背心等。可以为可穿戴设备或者可以将可穿戴设备包括在其中的配饰的示例包括但不限于帽子、头盔、眼镜、护目镜、视力安全配饰、口罩、胸带、皮带、升降支撑服、天线、腕带、戒指、项链、手镯、手表、胸针、颈带、背包、胸包、臂包、腿包、挂绳、钥匙圈、耳机、听力安全配件、耳塞、听筒等。不管具体形式如何，根据本发明的可穿戴设备包括一个或多个传感器，用于记录工业IoT数据收集环境的状态相关测量值。例如，本公开中描述的可穿戴设备的一个或多个传感器可以测量与工业IoT环境中的设备或与工业IoT环境本身有关的状态。正如本文所使用的，使用传感器(例如，可穿戴设备或任何其它合适的数据收集器的传感器)记录的状态的测量是指与工业IoT数据收集环境的目标有关的信息。也就是说，信息直接或间接地指示目标的状态，或者可以以其它方式用于指示目标的状态。例如，信息可以间接地指示目标的状态，在这种情况下，信息被处理或以其它方式用于识别或确定目标的状态。如本文所使用的，使用传感器(例如，可穿戴设备或任何其它合适的数据收集器的传感器)进行的测量记录是指使用传感器以使测量可用于进一步处理。例如，使用传感器进行的测量记录可以指产生指示测量的数据，传输指示测量的信号或以其它方式获得测量的值中的一个或多个。
许多可穿戴设备14000位于工业IoT数据收集环境中。在某些情况下，可穿戴设备14000可以是由工业IoT数据收集环境的运营者发布的可穿戴设备。或者，可穿戴设备14000可以是被选择在工业IoT数据收集环境中执行任务的工人所拥有的可穿戴设备。如图286所示，可穿戴设备14000可以包括以下任意组合：具有单个传感器14002的单个可穿戴设备，具有多个传感器14004的单个可穿戴设备，每个具有单个传感器14006的可穿戴设备的组合以及每个具有一个或多个传感器14008的可穿戴设备的组合。然而，在实施例中，可穿戴设备14000可以包括不同的可穿戴设备。例如，在实施例中，可穿戴设备14000可以省略每个具有单个传感器14006的可穿戴设备的组合和/或每个具有一个或多个传感器14008的可穿戴设备的组合。例如，可穿戴设备14000可限定为单独的可穿戴设备，而非可穿戴设备的组合，其中，当与分别采用的每个组成可穿戴设备相比时，该可穿戴设备的组合提供组合的、改进的或不同的功能。在另一个示例中，在实施例中，可穿戴设备14000可以省略具有单个传感器14002的单个可穿戴设备和/或具有多个传感器14004的单个可穿戴设备。例如，可穿戴设备14000可限定为可穿戴设备的组合，而非单独的设备(例如，其中可穿戴设备的特定组合被标识为在特定上下文中是有价值的，或用于在工业IoT数据收集环境中记录与状态有关的特定测量)。可穿戴设备14000与接收可穿戴设备的输出的设备之间或可穿戴设备14000内的传感器与接收这些传感器的输出的设备之间的数据通信和其它传输可以是无线的或有线的，并且可以包括例如802.11和900MHz无线系统、以太网、USB、火线等标准通信技术。
在实施例中，不同的可穿戴设备14000可配置成记录工业IoT数据收集环境中部分或全部目标(例如，装置或设备)的某些类型的状态相关测量值。例如，部分可穿戴设备14000可配置成基于对于部分或全部目标所测量的振动来记录目标的状态相关测量值。对于目标所测量的振动可以指但不限于目标的全部或部分振动的频率、从与目标相关联的振动包络得出的波形、振动水平变化等。在另一个示例中，部分可穿戴设备14000可配置成基于对于部分或全部目标所测量的温度来记录目标的状态相关测量值。对于目标所测量的温度可以指但不限于目标的全部或部分的内部或外部温度、目标的工作温度、目标周围区域内所测量的温度等。在另一个示例中，部分可穿戴设备14000可配置成基于对于部分或全部目标所测量的电或磁输出来记录目标的状态相关测量值。与目标相关联的电或磁输出可以指但不限于与目标相关联的电磁场的水平或变化、从目标输出或由目标以其它方式发射的电量或磁质等。在另一个示例中，部分可穿戴设备14000可配置成基于对于部分或全部目标所测量的声音输出来记录目标的状态相关测量值。对于目标所测量的声音输出可以指但不限于与由该目标产生或与该目标相关的声波、由该目标的操作变化所发射的声波等对应的可听或不可听的频率。在另一个示例中，部分可穿戴设备14000可配置成基于对于部分或全部目标所测量的除了振动、温度、电或磁或声音输出以外的其它输出来记录目标的状态相关测量值。
替代地或附加地，不同的可穿戴设备14000可配置成记录工业IoT数据收集环境中的某些类型的目标的部分或全部状态相关的测量。例如，部分可穿戴设备14000可配置成记录来自搅拌器(例如涡轮搅拌器)、机身控制表面振动装置、催化反应器、压缩机等的部分或全部状态相关测量值。在另一个示例中，部分可穿戴设备14000可配置成记录来自输送机和升降机、处置系统、传动系统、风扇、灌溉系统、电机等的部分或全部状态相关测量值。在另一个示例中，部分可穿戴设备14000可配置成记录来自管道、电力传动系统、生产平台、泵(例如水泵)、机器人组装系统、热加热系统、轨道、传输系统、涡轮机等的部分或全部状态相关测量值。在实施例中，可穿戴设备14000可配置成记录某些类型的工业环境的部分或全部状态相关测量值。例如，其中的目标的状态是使用可穿戴设备14000测量的工业环境可以包括但不限于制造环境、化石燃料能源生产环境、航空航天环境、采矿环境、施工环境、船舶环境、航运环境、海底环境、风能生产环境、水电能源生产环境、核能生产环境、石油钻探环境、石油管道环境、任何其它合适的能源生产环境、任何其它合适的能源路由或传输环境、任何其它合适的工业环境、工厂、飞机或其它航空器、配电环境、能源提取环境、海上勘探场所、水下勘探场所、装配线、仓库、发电环境、危险废物环境等。
每个具有单个传感器14006的可穿戴设备的组合和/或每个具有一个或多个传感器14008的可穿戴设备的组合可以表示被选择用于在工业IoT数据收集环境中一起使用的可穿戴设备的组合。例如，每个具有单个传感器14006的可穿戴设备的组合和/或每个具有一个或多个传感器14008的可穿戴设备的组合可以表示在工业IoT数据收集环境中执行一项或多项任务的工人要穿的工业制服的全部或部分。例如，每个具有单个传感器14006的可穿戴设备的组合和/或每个具有一个或多个传感器14008的可穿戴设备的组合可以包括用户要穿戴的多个可穿戴设备中的每一个(例如，一顶帽子、一件衬衫、一条裤子、一双鞋、一件马甲、一条项链、一个手镯、一个背包或更多或更少的可穿戴设备)。本公开的实施例可以设想工业制服为包括可穿戴设备的其它可能的组合作为每个具有单个传感器14006的可穿戴设备的组合和/或每个具有一个或多个传感器14008的可穿戴设备的组合。
在实施例中，组合使用多个传感器作为每个具有单个传感器14006的可穿戴设备的组合和/或每个具有一个或多个传感器14008的可穿戴设备的组合，可以为工业IoT数据收集引入扩展或附加功能。因此，在这些实施例中，工业制服可以包括除了由集成在工业制服中的各个传感器提供的功能之外的功能。例如，具有用于记录同一目标的状态相关测量值的传感器的可穿戴设备的输出可由集成在工业制服内或与工业制服相对应的中央处理软件或硬件方面进行预处理(例如，如下所述的集体处理意识)。例如，集成在工业制服内或与工业制服相对应的中央处理软件或硬件方面可处理多个可穿戴设备的输出，以确定对于目标的特定观测的测量而言输出是否相同。如果其中一个输出超过与其它输出的阈值偏差，则偏离的输出可能被丢弃。例如，丢弃的输出可以表示在记录目标的状态相关测量值时使用受到干扰或遇到其它问题的传感器产生的输出。在另一示例中，集成在工业制服内或与工业制服相对应的中央处理软件或硬件方面可处理多个可穿戴设备的不同类型的输出(例如，基于不同目标或不同状态相关测量值类型(例如，振动与温度)记录的输出)，以确定或识别目标的状态。例如，一个状态可能是由输出的组合来指示的。在这种情况下，来自第一可穿戴设备的第一输出可以与来自第二可穿戴设备的第二输出组合或一起处理，以确定或识别目标的状态。可穿戴设备的不同组合可被识别为不同的工业制服，其中每个工业制服可能具有与记录目标的状态相关测量值的类型相关的相同或不同的能力。在又一个示例中，将多个可穿戴设备集成在工业制服中允许同时或基本上同时处理使用这些可穿戴设备记录的状态相关测量值。
使用可穿戴设备14000的状态相关测量值可通过网络14010提供(例如，无需外部网络)。网络14010可以是MANET(例如，图2中所示的MANET 20或任何其它合适的MANET)、因特网(例如，图3中所示的因特网110或任何其它合适的因特网)或任何其它合适类型的网络，或其任意组合。例如，网络14010可用于接收使用可穿戴设备14000记录的状态相关测量值。然后，网络14010可用于将所接收的状态相关测量值的部分或全部传输至数据收集系统102的其它组件。例如，网络14010可用于将接收到的状态相关测量值的部分或全部传输到数据池14012(例如，图2所示的数据池60或任何其它合适的数据池)，以存储这些接收到的状态相关测量值。在另一个示例中，网络14010可用于将接收到的状态相关测量值的部分或全部传输到与工业IoT数据收集环境对应的一个或多个服务器14014。服务器14014可以包括一个或多个硬件或软件服务器方面。例如，该接收到的状态相关测量值传输到的服务器14014可以包括处理该接收到的状态相关测量值的智能系统14016。智能系统14016可以以任何适当的方式处理该接收到的状态相关测量值，包括使用人工智能过程、机器学习过程和/或其它认知过程来识别该接收到的状态相关测量值内的信息或与该接收到的状态相关测量值相关的信息。在实施例中，处理所接收的状态相关测量值后，向其传输所接收的状态相关测量值的服务器14014可以将所处理的信息或指示所处理的信息的数据传输至其它系统(例如，用于存储或分析)。例如，来自服务器14014的已处理信息的数据指示可以包括人工智能过程、机器学习过程和/或其它认知过程的输出或其它结果。
在实施例中，部分或全部可穿戴设备14000可包括智能系统14018，用于在传输那些(例如通过网络14010)记录的与状态相关的测量值或其他合适的通信机制之前，处理使用那些可穿戴设备14000记录的与状态相关的测量值。例如，部分或全部可穿戴设备14000可以集成人工智能过程、机器学习过程和/或其它认知过程，用于分析由此记录的状态相关测量值。智能系统14018对可穿戴设备14000的处理可以在工业IoT数据收集、监测及控制系统10的预处理步骤中表示。例如，预处理可由某些类型的可穿戴设备14000选择性地执行，以预处理记录的状态相关测量值，例如，以识别冗余信息、无关信息或不重要信息。在另一个示例中，对于某些类型的可穿戴设备14000，预处理可以是自动化的，以预处理记录的状态相关测量值，例如，以识别冗余信息、无关信息或不重要信息。在另一个示例中，可以针对由任何可穿戴设备14000记录的某些类型的状态相关测量值来选择性地执行预处理，以预处理记录的状态相关测量值，例如，以识别冗余信息、无关信息或不重要信息。在另一个示例中，对于由任何可穿戴设备14000记录的某些类型的状态相关测量值，预处理可以是自动化的，以预处理记录的状态相关测量值，例如，以识别冗余信息、无关信息或不重要信息。
在实施例中，部分或全部可穿戴设备14000可包括传感器融合功能。例如，所述传感器融合功能可以体现为设备内置传感器融合80。例如，使用一个或多个可穿戴设备14000的多个模拟传感器(例如，图4所示的多个模拟传感器82或任何其它合适的传感器)记录的状态相关测量值可以(例如，使用人工智能过程、机器学习过程和/或其它认知过程)本地或远程处理，其可以体现在可穿戴设备14000本身内，服务器14014内，两者内或任何其它合适的硬件或软件内。例如，集成在可穿戴设备14000内的传感器的输出可以直接提供给设备内置传感器融合方面80。所述传感器融合功能可以通过在人工智能过程、机器学习过程和/或其它认知过程之前执行的预处理步骤来体现。在实施例中，可以使用MUX来执行所述传感器融合功能。例如，具有多个传感器14004的单个可穿戴设备中的每一个都可以包括其自己的MUX，用于组合使用这些多个传感器中不同的单个传感器记录的状态相关测量值。在另一个示例中，每个具有一个或多个传感器14008的可穿戴设备的组合中的部分或全部单个可穿戴设备可以包括其自己的MUX，用于组合使用这些多个传感器中不同的单个传感器记录的状态相关测量值。在一些这样的实施例中，MUX可以在那些可穿戴设备的内部。在一些这样的实施例中，MUX可以在那些可穿戴设备的外部。
在实施例中，可穿戴设备14000可以由图6所示的主机处理系统112(或任何其它合适的主机系统)控制或与图6所示的主机处理系统112(或任何其它合适的主机系统)结合使用。主机处理系统112可以通过网络14010进行本地访问。或者，主机处理系统112可以是远程的(例如，体现在云计算系统中)，可以使用一个或多个网络基础设施元件(例如，接入点、交换机、路由器、服务器、网关、网桥、连接器、物理接口等)接入，和/或可以使用一个或多个网络协议(例如，基于IP的协议、TCP/IP、UDP、HTTP、蓝牙、低功耗蓝牙、蜂窝协议、LTE、2G、3G、4G、5G、CDMA、TDSM、基于数据包的协议、流协议、文件传输协议、广播协议、多播协议、单播协议等)。在实施例中，使用可穿戴设备14000记录的状态相关测量值可使用网络编码系统或方法进行处理，所述网络编码系统或方法可相对于主机处理系统112在内部或外部体现。例如，网络编码系统可以基于用于传送那些记录的状态相关测量值的网络的可用性，基于用于传送那些记录的状态相关测量值的带宽和频谱的可用性，基于其它网络特征或基于它们的某些组合来处理使用可穿戴设备14000记录的测量。
在实施例中，使用可穿戴设备14000记录的状态相关测量值可由上游设备(例如，用于审查、分析或查看状态相关测量值的客户端设备或其它软件或硬件方面)从可穿戴设备14000中拉取。例如，可穿戴设备14000可能不会主动传输(例如，在接收使用可穿戴设备14000记录的状态相关测量值的服务器14014、数据池14012或任何其它适当的硬件或软件组件)接收到的状态相关测量值。相反，从可穿戴设备14000传输状态相关测量值可能是由在可穿戴设备14000上接收到的(例如，来自服务器14014或来自数据收集系统102的其它硬件或软件的)命令引起的。例如，可以固定在环境的特定位置内或者可以相对于环境移动的数据收集器可以配置成拉取由各种可穿戴设备14000记录的状态相关测量值。例如，可穿戴设备14000可以连续、定期或以其它方式在工业IoT数据收集环境中多次记录状态相关测量值。数据收集器可以以固定间隔、随机时间或其它方式将一个或多个命令传输到部分或全部可穿戴设备14000(例如，以拉取自上次从其中拉取状态相关测量值以来由这些可穿戴设备14000记录的部分或全部状态相关测量值)。或者，数据收集器可以以那些固定间隔、那些随机时间或以其它方式将一个或多个命令发送到与可穿戴设备14000相关联的集中处理设备14020。例如，集中处理设备14020可以是或包括用于接收使用部分或全部可穿戴设备14000记录的状态相关测量值的集线器。在另一个示例中，当使用单独的可穿戴设备14000或由可穿戴设备14000的集中处理设备14020处理命令时，该命令使记录的状态相关测量值或代表其的数据从可穿戴设备14000传输。例如，集中处理设备14020可以配置成(例如，以固定的间隔、随机时间或其它方式)从部分或全部可穿戴设备14000中拉取状态相关测量值。然后，集体处理意识14020可以将从可穿戴设备14000拉取的状态相关测量值传输(例如，到被选择或配置成接收状态相关测量值的服务器14014、数据池14012或其它硬件或软件组件)。
在实施例中，使用可穿戴设备14000记录的状态相关测量值可响应于对这些状态相关测量值的请求而从可穿戴设备14000传输。例如，集中处理设备14020可以以固定间隔、随机时间或其它方式将针对记录的状态相关测量值的请求传输给部分或全部可穿戴设备14000。请求传输到的部分或全部可穿戴设备14000的处理器可以处理请求以确定要传输的状态相关测量值。例如，这些处理器可以访问指示已记录状态相关测量值最近一次请求时间的数据。然后，所述处理器可以将该时间与从集中处理设备14020接收到新请求的时间进行比较。然后，所述处理器可以查询数据存储器以获取这两个时间之间记录的状态相关测量值。然后，所述处理器可以传输这些状态相关测量值以响应于所述请求。在另一个示例中，处理器可以识别使用相应的可穿戴设备14000记录的最新一组状态相关测量值，并响应请求传输那些状态相关测量值。在另一个示例中，数据收集系统10内的数据收集器可以将请求直接传输到可穿戴设备14000。在另一示例中，所述数据收集器可以将请求发送到集中处理设备14020。集中处理设备14020可以处理该请求以确定或选择用于记录所请求的状态相关测量值的单独的可穿戴设备14000。然后，集中处理设备14020可以响应于该请求，例如通过向存储器查询使用那些选择的单独的可穿戴设备14000记录的部分或全部状态相关测量值，来传输某些状态相关测量值。或者，集中处理设备14020可以处理该请求以确定传输部分或全部可穿戴设备14000记录的状态相关测量值中的哪一个状态相关测量值，以响应于该请求(例如，基于请求的时间)。例如，集中处理设备14020可以将所述请求的时间与已记录状态相关测量值的最近一次请求时间进行比较。然后，集中处理设备14020可以检索在这些时间之间记录的状态相关测量值，并传输所检索的状态相关测量值，以响应所述请求。
在实施例中，可以将状态相关测量值从可穿戴设备14000推送到上游设备(例如，用于审查、分析或查看状态相关测量值的客户端设备或其它软件或硬件方面)。例如，可穿戴设备14000可主动地将接收到的状态相关测量值传输(例如，到接收使用可穿戴设备14000记录的状态相关测量值的服务器14014、数据池14012或任何其它适当的硬件或软件组件)，而无需接收硬件或软件组件请求那些状态相关测量值或使可穿戴设备基于命令传输那些状态相关的测量值。例如，部分或全部可穿戴设备14000可以在随机时间，在记录了那些状态相关测量值时，在记录了那些测量之后的一段时间，在确定记录了阈值数量的状态相关测量值时，或在其它合适的时间以固定间隔传输状态相关测量值。在一些这样的实施例中，可穿戴设备14000本身或者使用集中处理设备14020可以响应于检测到接近数据收集路由器14014而推送所记录的状态相关测量值。
例如，接下来参考图287，集中处理设备14020可以包括检测器14022，其配置成检测目标14024(例如，图180中所示的设备13006之一或任何其它合适的目标)相对于一个或多个可穿戴设备14000的接近度。例如，在进行这样的检测时，集中处理设备14020可以将信号发送到一个或多个可穿戴设备14000，以记录和传输在数据收集路由器14026处接收到的状态相关测量值。可替代地，在进行此类检测时，集中处理设备14020可以查询数据存储器以检索状态相关测量值，然后在数据收集路由器14026收到这些状态相关测量值后传输所述状态相关测量值。在任一情况下，数据收集路由器14026将所接收的状态相关测量值转发至服务器14014、数据池14012或任何其它合适的硬件或软件组件。在另一示例中，例如，在进行此类检测时，集中处理设备14020可以将所述信号直接发送至服务器14014、数据池14012或其它硬件或软件组件，以绕过数据收集路由器14026或忽略数据收集路由器14026。
接下来参考图288，在实施例中，可以省略集中处理设备14020。在部分这些实施例中，可穿戴设备14000可以检测目标14024的接近度。在进行这样的检测时，可穿戴设备14000可以记录目标14024的状态相关测量值(例如，振动、温度、电或磁输出、声音输出等)。已记录的状态相关测量值可以通过网络14010传输(例如，传输至数据池14012、服务器14014或任何其它合适的硬件或软件组件)。或者，例如在网络14010不可用或者数据收集路由器14026配置成接收和/或预处理来自可穿戴设备14000的记录的状态相关测量值的情况下，可以将记录的状态相关测量值传输到数据收集路由器14026。数据收集路由器14026可以是位于整个环境中用于工业IoT数据收集的多个数据收集路由器14026中的一个。例如，数据收集路由器14026可以是用于传输专门为目标14024记录的状态相关测量值的数据收集路由器14026。
下面参考图289，公开了用于处理可穿戴设备14000的输出的智能系统14028的功能的各个方面。在实施例中，智能系统14028包括认知学习模块14030、人工智能模块14032和机器学习模块14034。智能系统14028可以包括更多或更少的模块。智能系统14028例如可以是图286所示的智能系统14018或智能系统14016或其它智能系统。在实施例中，尽管作为单独的模块显示，认知学习模块14030、人工智能模块14032和机器学习模块14034的部分或全部之间可能存在重叠。例如，人工智能模块14032可以包括机器学习模块14034。在另一示例中，认知学习模块14030可以包括人工智能模块14032(因此在实施例中还包括机器学习模块14034)。可穿戴设备14000可包括任何数量的可穿戴设备。例如，如图所示，可穿戴设备14000包括第一可穿戴设备14000A、第二可穿戴设备14000B和第N可穿戴设备14000N，其中N是大于2的数字。智能系统14028接收可穿戴设备14000A、14000B......14000N的输出。特别是，智能系统14028的模块14030、14032和14034中的一个或多个接收由可穿戴设备14000A、14000B......14000N中的一个或多个生成的数据和来自可穿戴设备14000A、14000B......14000N中的一个或多个的输出。来自可穿戴设备14000A、14000B......14000N的输出例如可包括使用可穿戴设备14000A、14000B......14000N记录的状态相关测量值(例如，工业IoT数据收集环境中的设备的状态相关测量值)。在实施例中，来自可穿戴设备14000A、14000B......14000N的输出可以由智能系统14028的全部三个模块14030、14032和14034进行处理。在实施例中，来自可穿戴设备14000A、14000B......14000N的输出可以仅由智能系统14028的模块14030、14032和14034中的一个进行处理。例如，智能系统14028的模块14030、14032和14034中的用于处理来自可穿戴设备14000A、14000B......14000N的输出的特定模块可以基于用于生成该输出的可穿戴设备、在生成该输出时测量的设备、该输出的值、其它选择标准等来选择。
知识库14036可以根据来自智能系统14028的输出来更新。知识库14036表示与工业IoT数据收集环境相关的知识库或其它知识集或集合，包括所述环境内的设备、在所述环境内执行的任务、具有在所述环境内执行任务的技能的人员等。智能系统14028可以处理使用可穿戴设备14000A、14000B......14000N记录的状态相关测量值，以便于知识收集从而扩展知识库14036。例如，智能系统14028的模块14030、14032和14034可以针对知识库14036内的现有知识来处理这些状态相关测量值，以更新或修改知识库14036内的信息。智能系统14028可利用(例如，机器学习模块14034或如本公开其它部分所述的)智能和机器学习能力，基于检测到的条件(例如，由可穿戴设备14000通知的条件和/或作为训练数据提供的条件)和/或状态信息(例如，由可能确定状态的机器状态识别系统确定的状态信息，例如，与操作状态、环境状态、已知过程或工作流中的状态、涉及故障或诊断条件的状态等有关的信息)处理状态相关测量值和相关信息。这可以包含基于学习反馈系统的学习反馈优化输入选择和配置，其可以包含提供训练数据(例如，从主机处理系统或者直接或通过主机处理系统从其它数据收集系统提供)并且可以包含提供反馈度量(例如，在主机处理系统的分析系统内计算的成功度量)。本发明的其它地方对主机处理系统、学习反馈系统、数据收集系统和分析系统的示例进行了描述。因此，智能系统14028可用于基于来自可穿戴设备14000A、14000B......14000N的输出来更新在工业IoT环境内分配和执行的任务的工作流程。
在实施例中，智能系统14028在模块14030、14032和14034或其它模块内可以包括其它智能或机器学习方面。例如，智能系统14028可以包括以下一个或多个：YOLO(youonlylookonce)神经网络、YOLO卷积神经网络(convolutional neural network，简称CNN)，配置为在FPGA上运行或来自FPGA的一组神经网络、配置为在FPGA和图形处理单元(graphics processing unit，简称GPU)混合组件上运行或来自FPGA和GPU混合组件的一组神经网络、混合神经网络的用户可配置的串联和并联流(例如，将神经网络之间的串联和/或并联流配置为可在此类神经网络之间传递的输出)、用于基于训练数据集(可以使用也可以不使用手动配置(例如，通过人类用户))自动配置一组混合神经网络的拓扑或工作流(例如，串联、并联数据流等)的机器学习系统、用于基于工业IoT过程(例如，机器和设施系统等的维护、修理、服务、故障预测、运行优化等)的结果的训练数据集自动配置一组混合神经网络的拓扑或工作流(例如，串联、并联数据流等)的深度学习系统或其它智能或机器学习方面。
因此，在实施例中，可穿戴设备14000的输出可使用智能系统14028来处理，以添加、移除或修改知识库14036。例如，知识库14036可反映用于在目标所在的、使用可穿戴设备14000的工业环境中执行一项或多项任务的信息。因此，可穿戴设备14000的输出可用于增加对关于工业环境发生的问题的性质的了解，例如通过描述有关记录测量的目标的信息、记录测量的时间和/或日期、有关目标的预先存在的状态或其它条件信息、有关解决关于目标的问题所需时间的信息、有关如何解决关于目标的问题的信息、指示由于解决问题而导致目标和相应工业环境其它方面的停机时间的信息、该问题是应该立即解决还是以后解决(或根本不解决)的指示等。智能系统14028可以处理该输出，以更新现有训练数据。例如，现有训练数据可用于更新机器学习、人工智能和/或其它认知功能，以识别基于可穿戴设备14000的输出目标的状态。
例如，知识库14036可以包括基于所述目标或包括所述目标的工业环境领域分层布置的一系列数据库或其它表格或图表。例如，知识库14036的第一层可以指所述工业环境(例如，发电厂、制造设施、采矿设施等)。知识库14036的第二层可以指所述工业环境内的区域(例如，区域1、区域2等或命名区域，视具体情况而定)。知识库14036的第三层可以指这些区域内的目标(例如，在包括电气设备的发电厂的第一区域内，可以包括交流发电机、断路器、变压器、电池、励磁机等；在发电厂的第二区域内，包括涡轮机、发电机、发电机磁铁等)。知识库14036可以基于智能系统14028的输出或通过用户手动输入数据或两者来更新。例如，发电厂内的工人可以获得一个或多个可穿戴设备(例如，可穿戴设备14000)。在接近涡轮时，具有用于记录振动测量的传感器的可穿戴设备14000中的一个可以确定涡轮正在以特定的速度振动。可穿戴设备的输出由智能系统14028处理，例如通过将该输出与涡轮的已知数据集进行比较。例如，智能系统14028可以从知识库14036查询指示关于该特定发电厂内的该涡轮的振动记录的历史测量的数据。然后，智能系统14028可以确定可穿戴设备的新输出是与知识库14036内的数据一致还是与其偏离。如果新输出偏离知识库内的数据，智能系统14028可以更新知识库14036的该部分内的数据以反映新输出。或者，可以推迟知识库14036的更新，例如，直到记录了阈值数量的偏离输出测量之后，以防止使用错误的输出来修改涡轮机的操作理解。
本文公开了用于在工业环境中进行数据收集的采用可穿戴设备集成的系统。如本文所使用的，可穿戴设备集成是指将可穿戴设备用于特定或通用目的。例如，关于系统的功能或配置所描述的可穿戴设备集成是指该系统对可穿戴设备14000和/或与可穿戴设备14000结合使用的硬件和/或软件的使用，以用于工业IoT环境中的数据收集，例如，如图286至289所示。这种可穿戴设备集成是指使用一个或多个可穿戴设备14000。例如，本文公开的包括可穿戴设备集成的系统可以包括以下一个或多个的集成：衬衫、马甲、夹克、裤子、短裤、手套、袜子、鞋子、防护外套、内衣、汗衫、背心、帽子、头盔、眼镜、护目镜、视力安全配饰、口罩、胸带、皮带、升降支撑服、天线、腕带、戒指、项链、手镯、手表、胸针、颈带、背包、胸包、臂包、腿包、挂绳、钥匙圈、耳机、听力安全配件、耳塞或听筒、或其它类型的可穿戴设备或包括此类其它类型的可穿戴设备的物品(例如衣物和/或配饰)。
在实施例中，公开了一种用于在工业环境中采用可穿戴设备集成进行数据收集的系统，该系统使用模拟交叉点开关来收集可变组的模拟传感器输入。
在实施例中，公开了一种用于在工业环境中采用可穿戴设备集成进行数据收集的系统，该系统在复用器上进行IP前端信号调节以改善信噪比。
在实施例中，公开了一种用于在工业环境中采用可穿戴设备集成进行数据收集的系统，该系统具有复用器连续监测警报特征。
在实施例中，公开了一种用于在工业环境中采用可穿戴设备集成进行数据收集的系统，该系统使用具有专用总线的分布式CPLD芯片来对多个MUX和数据采集部分进行逻辑控制。
在实施例中，公开了一种用于在工业环境中采用可穿戴设备集成进行数据收集的系统，该系统使用固态继电器和设计拓扑具有高电流输入能力。
在实施例中，公开了一种用于在工业环境中采用可穿戴设备集成进行数据收集的系统，该系统具有模拟传感器通道和组件板中的至少一个的掉电能力。
在实施例中，公开了一种用于在工业环境中采用可穿戴设备集成进行数据收集的系统，该系统具有用于触发和振动输入的独特静电保护。
在实施例中，公开了一种用于在工业环境中采用可穿戴设备集成进行数据收集的系统，该系统具有用于A/D零基准的精确电压基准。
在实施例中，公开了一种用于在工业环境中采用可穿戴设备集成进行数据收集的系统，该系统具有用于获得慢速RPM和相位信息的锁相环带通跟踪滤波器。
在实施例中，公开了一种用于在工业环境中采用可穿戴设备集成进行数据收集的系统，该系统使用板载定时器来相对于输入和触发通道进行相位的数字推导。
在实施例中，公开了一种用于在工业环境中采用可穿戴设备集成进行数据收集的系统，该系统具有用于自动缩放的峰值检测器，该峰值检测器被路由到单独的模数转换器中进行峰值检测。
在实施例中，公开了一种用于在工业环境中采用可穿戴设备集成进行数据收集的系统，该系统具有触发通道的路由，该触发通道是原始的或缓冲到其它模拟通道中。
在实施例中，公开了一种用于在工业环境中采用可穿戴设备集成进行数据收集的系统，该系统对delta-sigma A/D使用较高的输入过采样来获得较低的采样率输出从而最小化AA滤波器要求。
在实施例中，公开了一种用于在工业环境中采用可穿戴设备集成进行数据收集的系统，该系统使用CPLD作为delta-sigma模数转换器的时钟分频器以实现较低的采样率，而无需进行数字重采样。
在实施例中，公开了一种用于在工业环境中采用可穿戴设备集成进行数据收集的系统，该系统具有以高采样率获取的长数据块，而不具有以不同采样率获取的多个数据集。
在实施例中，公开了一种用于在工业环境中采用可穿戴设备集成进行数据收集的系统，该系统存储了具有维修历史板载卡组的校准数据。
在实施例中，公开了一种用于在工业环境中采用可穿戴设备集成进行数据收集的系统，该系统使用分层模板具有快速路由创建能力。
在实施例中，公开了一种用于在工业环境中采用可穿戴设备集成进行数据收集的系统，该系统进行数据收集带的智能管理。
在实施例中，公开了一种用于在工业环境中采用可穿戴设备集成进行数据收集的系统，该系统具有采用数据收集带的智能管理的神经网络专家系统。
在实施例中，公开了一种用于在工业环境中采用可穿戴设备集成进行数据收集的系统，该系统在传感器数据分析中使用数据库分层。
在实施例中，公开了一种用于在工业环境中采用可穿戴设备集成进行数据收集的系统，该系统具有专家系统GUI图形方法，用于定义该专家系统的智能数据收集带和诊断。
在实施例中，公开了一种用于在工业环境中采用可穿戴设备集成进行数据收集的系统，该系统具有用于反向计算定义的图形方法。
在实施例中，公开了一种用于在工业环境中采用可穿戴设备集成进行数据收集的系统，该系统具有提出的轴承分析方法。
在实施例中，公开了一种用于在工业环境中采用可穿戴设备集成进行数据收集的系统，该系统利用瞬时信号分析进行扭转振动检测/分析。
在实施例中，公开了一种用于在工业环境中采用可穿戴设备集成进行数据收集的系统，该系统同时使用模拟和数字方法改善了集成。
在实施例中，公开了一种用于在工业环境中采用可穿戴设备集成进行数据收集的系统，该系统具有用于在本地环境中连续监测模拟数据的自适应调度技术。
在实施例中，公开了一种用于在工业环境中采用可穿戴设备集成进行数据收集的系统，该系统具有数据采集驻留特征。
在实施例中，公开了一种用于在工业环境中采用可穿戴设备集成进行数据收集的系统，该系统具有自给式数据采集盒。
在实施例中，公开了一种用于在工业环境中采用可穿戴设备集成进行数据收集的系统，该系统具有SD卡存储器。
在实施例中，公开了一种用于在工业环境中采用可穿戴设备集成进行数据收集的系统，该系统具有用于连续监测的扩展板载统计能力。
在实施例中，公开了一种用于在工业环境中采用可穿戴设备集成进行数据收集的系统，该系统使用环境噪声、局部噪声和振动噪声进行预测。
在实施例中，公开了一种用于在工业环境中采用可穿戴设备集成进行数据收集的系统，该系统基于传入数据或警报进行智能路线更改以使得用于分析或关联的动态数据同步。
在实施例中，公开了一种用于在工业环境中采用可穿戴设备集成进行数据收集的系统，该系统具有智能ODS和传输功能。
在实施例中，公开了一种用于在工业环境中采用可穿戴设备集成进行数据收集的系统，该系统具有分层复用器。
在实施例中，公开了一种用于在工业环境中采用可穿戴设备集成进行数据收集的系统，该系统识别传感器过载。
在实施例中，公开了一种用于在工业环境中采用可穿戴设备集成进行数据收集的系统，该系统具有RF识别和倾斜仪。
在实施例中，公开了一种用于在工业环境中采用可穿戴设备集成进行数据收集的系统，该系统进行连续超声波监测。
在实施例中，公开了一种用于在工业环境中采用可穿戴设备集成进行数据收集的系统，该系统基于远程模拟工业传感器融合进行基于云的机器模式识别。
在实施例中，公开了一种用于在工业环境中采用可穿戴设备集成进行数据收集的系统，该系统对来自多个模拟工业传感器的状态信息进行基于云的机器模式分析以提供工业系统的预期状态信息。
在实施例中，公开了一种用于在工业环境中采用可穿戴设备集成进行数据收集的系统，该系统具有用于IoT的基于云的策略自动化引擎，以及进行IoT设备的创建、部署和管理。
在实施例中，公开了一种用于在工业环境中采用可穿戴设备集成进行数据收集的系统，该系统进行用于工业IoT设备的设备内置传感器融合和数据存储。
在实施例中，公开了一种用于在工业环境中采用可穿戴设备集成进行数据收集的系统，该系统具有用于工业IoT数据的自组织数据市场。
在实施例中，公开了一种用于在工业环境中采用可穿戴设备集成进行数据收集的系统，该系统基于利用率和/或收益度量进行数据池的自组织。
在实施例中，公开了一种用于在工业环境中采用可穿戴设备集成进行数据收集的系统，该系统具有基于行业特定反馈的训练AI模型。
在实施例中，公开了一种用于在工业环境中采用可穿戴设备集成进行数据收集的系统，该系统具有自组织的工业数据收集器群。
在实施例中，公开了一种用于在工业环境中采用可穿戴设备集成进行数据收集的系统，该系统具有IoT分布式分类账。
在实施例中，公开了一种用于在工业环境中采用可穿戴设备集成进行数据收集的系统，该系统具有自组织收集器。
在实施例中，公开了一种用于在工业环境中采用可穿戴设备集成进行数据收集的系统，该系统具有网络敏感收集器。
在实施例中，公开了一种用于在工业环境中采用可穿戴设备集成进行数据收集的系统，该系统具有远程组织收集器。
在实施例中，公开了一种用于在工业环境中采用可穿戴设备集成进行数据收集的系统，该系统具有用于多传感器数据收集器的自组织存储器。
在实施例中，公开了一种用于在工业环境中采用可穿戴设备集成进行数据收集的系统，该系统具有用于多传感器数据网络的自组织网络编码。
在实施例中，公开了一种用于在工业环境中采用可穿戴设备集成进行数据收集的系统，该系统具有用于工业传感器数据收集器的具有振动、热、电和/或声音输出的可穿戴触觉用户界面。
在集成中，公开了一种用于在工业环境中采用可穿戴设备集成进行数据收集的系统，该系统具有显示AR/VR收集数据的热图。
在实施例中，公开了一种用于在工业环境中采用可穿戴设备集成进行数据收集的系统，该系统自动调整了数据收集器所收集的数据的AR/VR可视化。
在实施例中，公开了一种采用可穿戴设备集成的智能烹饪系统，该智能烹饪系统具有用于远程监测和控制的处理、通信和其它IT部件。
在实施例中，公开了一种采用可穿戴设备集成的智能烹饪系统，该智能烹饪系统具有在水源上运行以分离氢和氧成分的氢燃料产生电解器。
在实施例中，公开了一种采用可穿戴设备集成的智能烹饪系统，该智能烹饪系统具有存储电解器产生的氢气的低压氢气存储系统。
在实施例中，公开了一种采用可穿戴设备集成的智能烹饪系统，该智能烹饪系统具有燃油控制模块，该燃油控制模块基于历史、当前、计划和/或预期的消耗或可用性的某种度量来自动控制燃油供应或混合设备。
在实施例中，公开了一种采用可穿戴设备集成的智能烹饪系统，该智能烹饪系统具有太阳能氢气电解器。
在实施例中，公开了一种采用可穿戴设备集成的智能烹饪系统，该智能烹饪系统具有风力氢气电解器。
在实施例中，公开了一种采用可穿戴设备集成的智能烹饪系统，该智能烹饪系统具有水力氢气电解器。
在实施例中，公开了一种采用可穿戴设备集成的智能烹饪系统，该智能烹饪系统具有按需供气的LPG混合燃烧器，该LPG混合燃烧器动态地供应LPG、氢气或其它燃料，而无需用户输入或监测。
在实施例中，公开了一种采用可穿戴设备集成的智能烹饪系统，该智能烹饪系统具有一个封闭的燃烧器室，该燃烧器室在目标热区中作为热平面提供热量。
在实施例中，公开了一种采用可穿戴设备集成的智能烹饪系统，该智能烹饪系统具有带连接性和进行本地和远程控制的智能旋钮，用于控制智能灶台设备或其它IoT设备。
在实施例中，公开了一种采用可穿戴设备集成的智能烹饪系统，该智能烹饪系统具有为移动设备充电、进行数据通信和热量保护的移动对接设施。
在实施例中，公开了一种采用可穿戴设备集成的智能烹饪系统，该智能烹饪系统具有位于灶台子系统中的分布式模块或组件。
在实施例中，公开了一种采用可穿戴设备集成的智能烹饪系统，该智能烹饪系统具有集中控制设施来管理灶台子系统的操作。
在实施例中，公开了一种采用可穿戴设备集成的智能烹饪系统，该智能烹饪系统具有遥控能力。
在实施例中，公开了一种采用可穿戴设备集成的智能烹饪系统，该智能烹饪系统具有自动化功能。
在实施例中，公开了一种采用可穿戴设备集成的智能烹饪系统，该智能烹饪系统具有用于监测烹饪系统状况的检测器和传感器。
在实施例中，公开了一种采用可穿戴设备集成的智能烹饪系统，该智能烹饪系统进行机器学习以优化烹饪系统操作。
在实施例中，公开了一种采用可穿戴设备集成的智能烹饪系统，该智能烹饪系统具有移动应用程序。
在实施例中，公开了一种采用可穿戴设备集成的智能烹饪系统，该智能烹饪系统具有基于云的平台，该基于云的平台与供应商、内容提供商、服务提供商和监管机构的相关生态系统中的电子设备以及参与者进行交互，以向智能烹饪系统的用户、制氢系统的用户以及生态系统的其它参与者提供增值服务。
在实施例中，公开了一种采用可穿戴设备集成的智能烹饪系统，该智能烹饪系统具有用于向用户提供推荐的推荐引擎。
在实施例中，公开了一种采用可穿戴设备集成的智能烹饪系统，该智能烹饪系统具有用于向用户提供通知的通知引擎。
在实施例中，公开了一种采用可穿戴设备集成的智能烹饪系统，该智能烹饪系统具有用于向用户提供基于位置的广告的广告引擎。
在实施例中，公开了一种采用可穿戴设备集成的智能烹饪系统，该智能烹饪系统具有界面，该界面允许与其它设备和云进行机器对机器或用户对机器通信，以便为其它设备和系统的分析、监测、控制和操作提供数据。
在实施例中，公开了一种采用可穿戴设备集成的智能烹饪系统，该智能烹饪系统具有用户界面，该用户界面为基于智能烹饪系统连接到网络的计算设备提供上下文和智能驱动的个性化体验。
在实施例中，公开了一种采用可穿戴设备集成的智能烹饪系统，该智能烹饪系统具有用于描绘、记录或分析用户、设备使用、维护和维修历史、与模式或故障有关的模式、能源使用模式、烹饪模式以及电解器的部署、使用和服务的分析功能。
在实施例中，公开了一种采用可穿戴设备集成的智能烹饪系统，该智能烹饪系统具有用于订购配料、组件和材料的商业实用程序。
在实施例中，公开了一种采用可穿戴设备集成的智能烹饪系统，该智能烹饪系统具有用于协助用户完成烹饪任务的烹饪辅助实用程序。
在实施例中，公开了一种采用可穿戴设备集成的智能烹饪系统，该智能烹饪系统具有用于提供食品健康指数、营养信息、营养搜索能力、营养援助以及个性化建议和推荐的健康实用程序。
在实施例中，公开了一种采用可穿戴设备集成的智能烹饪系统，该智能烹饪系统具有用于播放音乐、视频和/或播客的信息娱乐实用程序。
在实施例中，公开了一种采用可穿戴设备集成的智能烹饪系统，该智能烹饪系统具有用于启用从烹饪系统广播的个性化烹饪频道的广播实用程序。
在实施例中，公开了一种采用可穿戴设备集成的智能烹饪系统，该智能烹饪系统具有食品调查实用程序，用于从智能灶台收集信息以及收集有关整个区域中智能灶台系统的用户正在使用的食谱的用户活动。
在实施例中，公开了一种用于在工业环境中采用可穿戴设备集成进行数据收集的系统，该系统具有IoT平台。
在实施例中，公开了一种用于在工业环境中采用可穿戴设备集成进行数据收集的系统，该系统具有IoT数据适配器，用于接收数据输入并与一个或多个可用IoT云平台建立连接以发布数据。
在实施例中，公开了一种用于在工业环境中采用可穿戴设备集成进行数据收集的系统，该系统具有条件检测器，用于检测与IoT数据适配器对一个或多个IoT云平台的连接尝试有关的条件。
在实施例中，公开了一种用于在工业环境中采用可穿戴设备集成进行数据收集的系统，该系统具有带有适配引擎的IoT数据适配器。
在实施例中，公开了一种用于在工业环境中采用可穿戴设备集成进行数据收集的系统，该系统使用机器学习来准备数据包或流。
在实施例中，公开了一种用于在工业环境中采用可穿戴设备集成进行数据收集的系统，该系统具有提供可用云网络平台池的数据市场。
在实施例中，公开了一种用于在工业环境中采用可穿戴设备集成进行数据收集的系统，该系统具有为云平台用户界面提供消息的消息传递实用程序，该消息指示新数据源的可用性以及数据源集成和使用说明。
在实施例中，公开了一种用于节点之间的数据通信的采用可穿戴设备集成的系统，该系统具有基于传递反馈消息的接收到达和成功率来维持第一和第二传输限制的能力，并基于传输限制来限制消息的传输。
在实施例中，公开了一种用于节点之间的数据通信的采用可穿戴设备集成的系统，该系统具有根据窗口大小限制尚未被确认成功传递的其它消息的传输的能力。
在实施例中，公开了一种用于节点之间的数据通信的采用可穿戴设备集成的系统，该系统具有维持丢失事件发生率的估计值并使用它来调整冗余消息的发生率的能力。
在实施例中，公开了一种用于节点之间的数据通信的采用可穿戴设备集成的系统，该系统具有估计的丢失事件发生率，其中用于确定所选冗余消息的纠错码基于该估计的丢失事件发生率。
在实施例中，公开了一种用于节点之间的数据通信的采用可穿戴设备集成的系统，该系统具有基于接收到的描述信道特性的消息应用前向纠错的能力。
在实施例中，公开了一种用于节点之间的数据通信的采用可穿戴设备集成的系统，该系统具有基于交付订单事件的发生来维护/设置计时器的能力，并使用计时器延迟反馈消息的传输。
在实施例中，公开了一种用于节点之间的数据通信的采用可穿戴设备集成的系统，该系统具有基于交付订单事件的发生来维护/设置计时器的能力，并根据计时器延迟对拥塞窗口大小的修改。
在实施例中，公开了一种用于节点之间的数据通信的采用可穿戴设备集成的系统，该系统具有基于交付订单事件的发生来维护/设置计时器的能力，基于计时器延迟对拥塞窗口大小的修改以及在接收到指示成功交付的反馈消息时取消对拥塞窗口大小的修改。
在实施例中，公开了一种用于节点之间的数据通信的采用可穿戴设备集成的系统，该系统具有使用表征当前/先前连接的维护数据来配置新连接的能力。
在实施例中，公开了一种用于节点之间的数据通信的采用可穿戴设备集成的系统，该系统具有使用表征当前/先前连接的错误率的维护数据来配置新连接的能力。
在实施例中，公开了一种用于节点之间的数据通信的采用可穿戴设备集成的系统，该系统具有使用表征当前/先前连接的时间变化的维护数据来配置新连接的能力。
在实施例中，公开了一种用于节点之间的数据通信的采用可穿戴设备集成的系统，该系统具有使用表征当前/先前连接的带宽的维护数据来配置新连接的能力。
在实施例中，公开了一种用于节点之间的数据通信的采用可穿戴设备集成的系统，该系统具有使用表征当前/先前连接的往返时间的维护数据来配置新连接的能力。
在实施例中，公开了一种用于节点之间的数据通信的采用可穿戴设备集成的系统，该系统具有使用表征当前/先前连接的通信控制参数的维护数据来配置新连接的能力。
在实施例中，公开了一种用于节点之间的数据通信的采用可穿戴设备集成的系统，该系统具有使用表征当前/先前连接的前向纠错参数的维护数据来配置新连接的能力。
在实施例中，公开了一种用于节点之间的数据通信的采用可穿戴设备集成的系统，该系统具有用于维护表征一个或多个当前或先前数据通信连接数据的数据存储器，以及用于基于所维护的数据来启动新数据通信连接的连接启动模块。
在实施例中，公开了一种用于节点之间的数据通信的采用可穿戴设备集成的系统，该系统具有通过较低延迟数据路径传输数据消息的第一子集和通过较高延迟数据路径传输消息的第二子集的能力。
在实施例中，公开了一种用于节点之间的数据通信的采用可穿戴设备集成的系统，该系统具有通过较低延迟数据路径传输时间关键的数据消息的第一子集和通过较高延迟数据路径传输消息的第二子集的能力。
在实施例中，公开了一种用于节点之间的数据通信的采用可穿戴设备集成的系统，该系统具有通过较低延迟数据路径传输数据消息的第一初始子集和通过较高延迟数据路径传输随后可用的消息的第二子集的能力。
在实施例中，公开了一种用于节点之间的数据通信的采用可穿戴设备集成的系统，该系统具有通过较低延迟数据路径传输确认消息的第一子集和通过较高延迟数据路径传输数据消息的第二子集的能力。
在实施例中，公开了一种用于节点之间的数据通信的采用可穿戴设备集成的系统，该系统具有通过较低延迟数据路径传输补充、冗余数据消息的第一子集和通过较高延迟数据路径传输数据消息的第二子集的能力。
在实施例中，公开了一种用于节点之间的数据通信的采用可穿戴设备集成的系统，该系统具有与每个消息相关联的冗余度，该冗余度基于传输顺序中的消息位置。
在实施例中，公开了一种用于节点之间的数据通信的采用可穿戴设备集成的系统，该系统具有与每个消息相关联的冗余度，该冗余度随着消息位置的不减少而增加。
在实施例中，公开了一种用于节点之间的数据通信的采用可穿戴设备集成的系统，该系统具有与每个消息相关联的冗余度，该冗余度基于传输顺序中的消息位置并响应于接收反馈消息。
在实施例中，公开了一种用于节点之间的数据通信的采用可穿戴设备集成的系统，该系统具有与每个消息相关联的冗余度，该冗余度基于传输顺序中的消息位置并响应于接收反馈消息；并基于该反馈消息从队列中添加或删除冗余消息。
在实施例中，公开了一种用于节点之间的数据通信的采用可穿戴设备集成的系统，该系统具有如果确定数据路径正在改变消息流，则调整通过不同通信协议在多个不同数据路径中的每个数据路径上发送的消息数量的能力。
在实施例中，公开了一种用于节点之间的数据通信的采用可穿戴设备集成的系统，该系统具有如果确定数据路径正在改变基于先前通信连接的消息流的初始划分，则调整通过不同通信协议在多个不同数据路径中的每个数据路径上发送的消息数量的能力。
在实施例中，公开了一种用于节点之间的数据通信的采用可穿戴设备集成的系统，该系统具有当与编码数据关联的冗余信息通过通道从一个节点传播到另一个节点时修改/添加/删除与编码数据关联的冗余信息的能力。
在实施例中，公开了一种用于节点之间的数据通信的采用可穿戴设备集成的系统，该系统具有以估计的丢失事件(隔离数据包丢失或连续数据包突发)发生率发送FEC数据包的能力。
在实施例中，公开了一种用于节点之间的数据通信的采用可穿戴设备集成的系统，该系统具有组合编码、TCP和分组传输调步。
在实施例中，公开了一种用于节点之间的数据通信的采用可穿戴设备集成的系统，该系统具有前向纠错码构造，该前向纠错码构造可交织消息包和奇偶校验包的组，并在消息包的重叠组中进行编码。
在实施例中，公开了一种用于节点之间的数据通信的采用可穿戴设备集成的系统，该系统具有将基于延迟的退避与稳定的窗口增加功能结合的TCP变体。
接下来参照图290至292描述在工业IoT数据收集环境中使用移动机器人和/或移动车辆进行移动数据收集的系统和方法。首先参考图290，数据收集系统可以包括一个或多个移动机器人和/或移动车辆，配置为在工业IoT数据收集环境中充当移动数据收集器。例如，一个或多个移动机器人和/或移动车辆可以向工业IoT数据收集、监测及控制系统10发送数据、从工业IoT数据收集、监测及控制系统10接收数据、向工业IoT数据收集、监测及控制系统10发送命令、从工业IoT数据收集、监测和控制系统10接收命令、受工业IoT数据收集、监测及控制系统10控制、传达用于工业IoT数据收集、监测及控制系统10的控制或与工业IoT数据收集、监测和控制系统10通信。本文公开了使用移动机器人和/或移动车辆进行数据收集的方法和系统，包括集成有一个或多个移动数据收集器的移动机器人、集成有一个或多个移动数据收集器的移动车辆、耦合有一个或多个移动数据收集器的移动机器人以及耦合有一个或多个移动数据收集器的移动车辆。如本文所使用的，术语“移动机器人”可以指但不限于机器人臂、安卓机器人、小型或大型自主机器人、远程控制机器人、可编程配置的机器人或其它机器人机制。可集成移动数据收集器或可耦合移动数据收集器的移动机器人的例子包括但不限于上述任何类型的移动机器人。如本文所使用的，术语“移动车辆”可以指但不限于重型机械(例如，推土设备)、重型公路工业车辆、重型越野工业车辆、在各种环境中部署的工业机械(例如，涡轮机、涡轮机械、发电机、泵、滑轮系统、歧管、阀门系统等)、推土设备、压土设备、牵引设备、起重设备、输送设备、集料生产设备、用于混凝土建筑的设备、打桩设备、建筑设备(例如，挖掘机、反铲挖土机、装载机、推土机、滑移装载机、挖沟机、平地机、自动铲运机、履带式装载机、轮式装载机、自卸车、油罐车、倾卸汽车、拖车、隧道和装卸设备、压路机、混凝土搅拌机、热拌设备、筑路机(例如，压实机)、碎石机、摊铺机、泥浆封口机、喷涂和抹灰机、重型泵等)、物料搬运设备(例如，吊车、输送机、叉车、起重机等)、人员运输车辆(例如，汽车、卡车、手推车、船只、飞机等)、无人驾驶车辆(例如，无人机或其它自动驾驶飞机、自动驾驶船只、自动驾驶汽车或卡车等)以及(例如，不考虑大小、用途或使用的电机的)其它车辆等。可集成移动数据收集器或可耦合移动数据收集器的移动车辆的例子包括但不限于任何合适的移动车辆。不管具体形式如何，根据本发明的移动机器人或移动车辆包括一个或多个移动数据收集器，该一个或多个移动数据收集器是或者包括用于记录工业IoT数据收集环境的状态相关测量值。例如，本公开中描述的移动数据收集器的一个或多个传感器可以测量与工业IoT环境中的设备或与工业IoT环境本身有关的状态。可集成在移动机器人或移动车辆内和/或与移动机器人或移动车辆耦合的移动数据收集器的示例包括但不限于手机、膝上型电脑、平板电脑、个人数字助理、对讲机、收音机、远程或短程通信设备、手电筒等。集成在移动机器人或移动车辆内和/或与移动机器人或移动车辆耦合的移动数据收集器的传感器可测量振动、温度、电输出、磁输出、声音输出或与工业IoT环境中的目标有关的其它输出中的一个或多个。
在实施例中，移动数据收集器群14038包括多个移动机器人和/或移动车辆。群14038的移动机器人和/或移动车辆可以是工业IoT环境固有的移动机器人和/或移动车辆，或者是从不同位置带入工业IoT环境的移动机器人和/或移动车辆。如图290所示，群14038可包括不同类型的移动机器人和/或移动车辆，包括集成有一个或多个移动数据收集器的移动机器人14040、集成有一个或多个移动数据收集器的移动车辆14042、耦合有一个或多个移动数据收集器的移动机器人14044以及耦合有一个或多个移动数据收集器的移动车辆14046。在实施例中，当在移动机器人或移动车辆的典型操作期间从移动机器人或移动车辆移除移动数据收集器会导致移动机器人或移动车辆的原理操作中断时，将移动数据收集器集成在移动机器人或移动车辆中。在实施例中，当能够从移动机器人或移动车辆移除或解耦移动数据收集器而不会导致移动机器人或移动车辆的原理操作的实质性中断时，将移动数据收集器耦合至移动机器人或移动车辆。
移动数据收集器群14038的移动机器人和移动车辆从目标14048(例如，图164中所示的目标12002，或任何其它合适的目标)收集数据。在实施例中，移动数据收集器从目标14048收集的数据可存储在数据池14050(例如，图286中所示的数据池14012，或任何其它合适的数据池)。例如，目标14048可以是或包括机器、管道、设备、装置、工具、车辆、涡轮、扬声器、激光器、自动装置、计算机设备、工业设备、开关等中的一个或多个。
群14038的不同移动机器人和/或移动车辆可配置成记录部分或全部目标14048的某些类型的状态相关测量值。例如，群14038的部分移动机器人和/或移动车辆可配置成基于对于部分或全部目标14048所测量的振动来记录状态相关测量值。在另一个示例中，群14038的部分移动机器人和/或移动车辆可配置成基于对于部分或全部目标14048所测量的温度来记录状态相关测量值。在另一个示例中，群14038的部分移动机器人和/或移动车辆可配置成基于对于部分或全部目标14048所测量的电或磁输出来记录状态相关测量值。在另一个示例中，群14038的部分移动机器人和/或移动车辆可配置成基于对于部分或全部目标14048所测量的声音输出来记录状态相关测量值。在另一个示例中，群14038的部分移动机器人和/或移动车辆可配置成基于对于部分或全部目标14048所测量的除了振动、温度、电或磁或声音输出以外的其它输出来记录状态相关测量值。
替代地或附加地，群14038的不同移动机器人和/或移动车辆可配置成记录某些类型的目标14048的部分或全部状态相关测量值。例如，群14038的部分移动机器人和/或移动车辆可配置成记录来自搅拌器(例如，涡轮搅拌器)、机身控制表面振动装置、催化反应器、压缩机等的部分或全部状态相关测量值。在另一个示例中，群14038的部分移动机器人和/或移动车辆可配置成记录来自输送机和升降机、处置系统、传动系统、风扇、灌溉系统、电机等的部分或全部状态相关测量值。在另一个示例中，群14038的部分移动机器人和/或移动车辆可配置成记录来自管道、电力传动系统、生产平台、泵(例如，水泵)、机器人组装系统、热加热系统、轨道、传动系统、涡轮机等的部分或全部状态相关测量值。在实施例中，群14038的移动机器人和/或移动车辆可配置成记录某些类型的工业环境的部分或全部状态相关测量值。例如，其中目标的状态是使用群14038的移动机器人和/或移动车辆测量的工业环境可以包括但不限于制造环境、化石燃料能源生产环境、航空航天环境、采矿环境、施工环境、船舶环境、航运环境、海底环境、风能生产环境、水电能源生产环境、核能生产环境、石油钻探环境、石油管道环境、任何其它合适的能源生产环境、任何其它合适的能源路由或传输环境、任何其它合适的工业环境、工厂、飞机或其它航空器、配电环境、能源提取环境、海上勘探场所、水下勘探场所、装配线、仓库、发电环境、危险废物环境等。
群14038包括自组织系统14052，自组织系统14052用于使群14038内的移动机器人或移动车辆(例如，在工业IoT环境中的数据收集操作期间)自组织。在实施例中，包括群14038的数据收集系统(例如，数据收集系统12004或任何其它合适的数据收集系统)可包括自组织功能，该自组织功能可在数据收集系统的任何组件处执行或由其数据收集系统的任何组件执行。在实施例中，群14038的移动机器人和/或移动车辆可以在没有其它部件的辅助的情况下，基于例如由其相关传感器感测的数据和其它知识来进行自组织。在实施例中，网络14010可以在没有其它部件的辅助的情况下，基于例如由移动机器人和/或移动车辆感测的数据或其它知识来接入以用于自组织。应当理解，也可以体现任何组合或混合类型的自组织系统。例如，数据收集系统可以执行或启用在工业IoT环境中具有自组织功能的用于数据收集的各种方法或系统。这些方法和系统可以包括分析例如从群14038的移动机器人和/或移动车辆处的传感器接收或感测的多个传感器输入。所述方法和系统还可以包括对所接收的数据进行采样并且对以下至少一项进行自组织：(i)数据的存储操作(例如，关于数据池14050)，(ii)提供多个传感器输入的传感器的收集操作，以及(iii)对多个传感器输入的选择操作。
在实施例中，自组织系统14052可用于统一组织群14038的两个或多个移动机器人和/或移动车辆。或者，自组织系统14052可用于组织群14038的单独的移动机器人和/或移动车辆。例如，自组织系统14052可以控制群14038的每个移动机器人和每个移动车辆在工业IoT环境的不同区域、部分或其它划分区域内的遍历。在实施例中，可以存在集成有一个或多个移动数据收集器的其它移动机器人、集成有一个或多个移动数据收集器的其它移动车辆、耦合有一个或多个移动数据收集器的其它移动机器人和/或耦合有一个或多个移动数据收集器的其它移动车辆，其收集部分或全部目标14048的数据，但不包括在群14038中。这种其它移动机器人和/或其它移动车辆可以(例如，在自组织系统14052之外)单独控制。
在实施例中，群14038可包括智能系统14054，该智能系统14054在通过网络14010或任何其它合适的通信机制发送使用群14038的移动机器人和/或移动车辆记录的状态相关测量值之前，处理这些记录的状态相关测量值。例如，群14038的部分或全部移动机器人和/或移动车辆可以集成人工智能过程、机器学习过程和/或其它认知过程，用于分析由此记录的状态相关测量值。在实施例中，群14038的移动机器人和/或移动车辆的智能系统14054进行的处理可以在工业IoT数据收集、监测及控制系统10的预处理步骤中或者在工业IoT数据收集、监测及控制系统10的预处理步骤中表示。例如，群14038的某些类型的移动机器人和/或移动车辆可以选择性地对记录的状态相关测量值进行预处理，以识别冗余信息、无关信息或不重要信息。在另一个示例中，群14038的某些类型的移动机器人和/或移动车辆可以自动地预处理记录的状态相关测量值，以识别冗余信息、无关信息或不重要信息。在另一个示例中，可以针对由群14038的任何一个移动机器人和/或移动车辆所记录的某些类型的状态相关测量值来选择性地执行预处理，以预处理所记录的状态相关测量值(例如，以识别冗余信息，无关信息或不重要信息)。在另一个示例中，可以针对由群14038的任何一个移动机器人和/或移动车辆所记录的某些类型的状态相关测量值来自动地执行预处理，以预处理所记录的状态相关测量值(例如，以识别冗余信息，无关信息或不重要信息)。
在实施例中，使用群14038的移动机器人和/或移动车辆记录的状态相关测量值可通过网络14010获得(例如，如图286所示)，而无需外部网络。网络14010可以是MANET(例如，图2中所示的MANET 20或任何其它合适的MANET)、因特网(例如，图3中所示的因特网110或任何其它合适的因特网)或任何其它合适类型的网络，或其任意组合。例如，网络14010可用于接收使用群14038的移动机器人和/或移动车辆记录的状态相关测量值。然后，网络14010可用于将所接收的状态相关测量值的部分或全部传输至数据收集系统102的其它组件。例如，网络14010可用于将接收到的状态相关测量值的部分或全部传输到数据池14050(例如，图2所示的数据池60或任何其它合适的数据池)，以存储这些接收到的状态相关测量值。在另一示例中，网络14010可用于将所接收的状态相关测量值的部分或全部传输至用于工业IoT数据收集的所述环境的服务器14056(例如，图286中所示的服务器14014或任何其它合适的服务器)。服务器14056可以包括一个或多个硬件或软件服务器方面。例如，向其传输所接收的状态相关测量值的服务器14056，其可以包括用于处理所接收的与状态相关测量值的智能系统14058。智能系统14058可以使用人工智能过程、机器学习过程和/或其它认知过程来处理所接收的状态相关测量值，以识别所接收的状态相关测量值内的信息或与之相关的信息。在实施例中，处理所接收的状态相关测量值后，向其传输所接收的状态相关测量值的服务器14056可以将所处理的信息或指示所处理的信息的数据传输至其它系统(例如，用于存储或分析)。在实施例中，指示来自服务器14056的处理信息的数据可以包括例如人工智能过程、机器学习过程和/或其它认知过程的输出或其它结果。
在实施例中，群14038的移动机器人或移动车辆可包括计算机视觉系统或包括计算机视觉功能。例如，移动机器人或移动车辆的计算机视觉功能可包括配置成使用图像感测识别多轴空间中的物体的硬件和软件。在实施例中，移动机器人内或移动车辆内的计算机视觉功能可包括用于在移动机器人或移动车辆的正常操作期间观察目标14048的可见状态的功能。在实施例中，由移动机器人或移动车辆的计算机视觉功能处理的数据可输入到智能系统14054(例如，用于目标14048的进一步处理与学习和/或包括目标14048的环境)。
在实施例中，群14038的部分或全部移动机器人和/或移动车辆可包括传感器融合功能。例如，所述传感器融合功能可以体现为设备内置传感器融合80。例如，使用群14038的一个或多个移动机器人和/或移动车辆的多个模拟传感器(例如，图4所示的多个模拟传感器82或任何其它合适的传感器)记录的状态相关测量值可以使用人工智能过程、机器学习过程和/或其它认知过程本地或远程处理，其可以体现在群14038的移动机器人和/或移动车辆本身内，服务器14056内，或两者内。在实施例中，传感器融合功能可以通过在人工智能过程、机器学习过程和/或其它认知过程之前执行的预处理步骤来体现。在实施例中，可以使用MUX来执行所述传感器融合功能。例如，群14038的每个移动机器人和/或移动车辆都可以包括其自己的MUX，用于组合使用这些多个传感器中的单独的传感器记录的状态相关测量值。在一些这样的实施例中，MUX可以在群14038的移动机器人和/或移动车辆的内部。在一些这样的实施例中，MUX可以在群14038的移动机器人和/或移动车辆的外部。
在实施例中，使用群14038的移动机器人和/或移动车辆记录的状态相关测量值可由上游设备(例如，用于审查、分析或查看状态相关测量值的客户端设备或其它软件或硬件方面)从移动机器人和/或移动车辆中拉取。例如，群14038的移动机器人和/或移动车辆可能不会主动传输(例如，在接收使用群14038的移动机器人和/或移动车辆记录的状态相关测量值的服务器14056、数据池14050或任何其它适当的硬件或软件组件处)接收到的状态相关测量值。相反，从群14038的移动机器人和/或移动车辆传输状态相关测量值可能是由在群14038的移动机器人和/或移动车辆处接收到的(例如，来自服务器14056或来自数据收集系统102的其它硬件或软件的)命令引起的。例如，群14038的任何移动机器人和/或移动车辆的数据收集器可以配置成拉取使用该移动机器人和/或移动车辆记录的状态相关测量值。例如，群14038的移动机器人和/或移动车辆可以连续、定期或多次在工业IoT数据收集环境中记录状态相关测量值。数据收集器可以以固定间隔、随机时间或其它方式将一个或多个命令传输到群14038的部分或全部移动机器人和/或移动车辆，例如以拉取自上次从其中提取状态相关测量值以来使用群14038的移动机器人和/或移动车辆记录的部分或全部状态相关测量值。在另一个示例中，当使用群14038的单独的移动机器人和/或移动车辆处理命令时，该命令使记录的状态相关测量值或代表其的数据从群14038的移动机器人和/或移动车辆传输。
在实施例中，使用群14038的移动机器人和/或移动车辆记录的状态相关测量值可响应于对这些状态相关测量值的请求而从群14038的移动机器人和/或移动车辆传输。例如，自组织系统14052可以以固定间隔、随机时间或其它方式将针对记录的状态相关测量值的请求传输给群14038的部分或全部移动机器人和/或移动车辆。请求所发送到的群14038的部分或全部移动机器人和/或移动车辆的处理器可以处理请求以确定要传输的状态相关测量值。例如，这些处理器可以访问指示已记录状态相关测量值最近一次请求时间的数据。然后，处理器可以将该时间与从自组织系统14052接收新请求的时间进行比较。然后，所述处理器可以查询数据存储器以获取这两个时间之间记录的状态相关测量值。然后，所述处理器可以传输这些状态相关测量值以响应于所述请求。在另一个示例中，处理器可以识别使用群14038的相应的移动机器人和/或移动车辆记录的最新一组状态相关测量值，并响应请求传输该状态相关测量值。在另一个示例中，数据收集系统10内的数据收集器可以将请求直接传输到群14038的移动机器人和/或移动车辆。在又一个例子中，群14038的移动机器人和/或移动车辆可以将请求传输到自组织系统14052。自组织系统14052可以处理该请求以确定或选择用于记录所请求的状态相关测量值的群14038的单独的移动机器人和/或移动车辆。在实施例中，然后，集中处理设备14020可以响应于该请求，例如通过向存储器查询使用那些选择的群14038的单独的移动机器人和/或移动车辆记录的部分或全部状态相关测量值，来传输某些状态相关测量值。或者，自组织系统14052可以处理该请求以确定传输群14038的部分或全部移动机器人和/或移动车辆记录的状态相关测量值中的哪个状态相关测量值，以响应于该请求(例如，基于请求的时间)。例如，自组织系统14052可以将该请求的时间与记录的状态相关测量值的最新请求的时间进行比较。然后，自组织系统14052可以检索在这些时间之间记录的状态相关测量值，并响应于该请求传输检索到的状态相关测量值。
在实施例中，使用群14038的移动机器人和/或移动车辆记录的状态相关测量值可推送到上游设备(例如，用于审查、分析或查看状态相关测量值的客户端设备或其它软件或硬件方面)。例如，群14038的移动机器人和/或移动车辆可主动传输(例如，在接收使用群14038的移动机器人和/或移动车辆记录的状态相关测量值的服务器14056、数据池14050或任何其它适当的硬件或软件组件处)接收到的状态相关测量值，而无需这样的接收硬件或软件组件请求那些状态相关测量值或使移动机器人和/或移动车辆基于命令传输那些状态相关测量值。例如，群14038的部分或全部移动机器人和/或移动车辆可以固定间隔、在随机时间、在记录了那些状态相关测量值时、在记录了那些测量之后的一段时间、在确定记录了阈值数量的状态相关测量值时或在其它合适的时间传输状态相关测量值。在一些这样的实施例中，群14038的移动机器人和/或移动车辆本身或者使用自组织系统14052可以响应于检测到接近数据收集路由器14062而推送所记录的状态相关测量值。
例如，接下来参考图291，在移动机器人或移动车辆14060(例如，群14038的集成有一个或多个移动数据收集器的移动机器人14040、集成有一个或多个移动数据收集器的移动车辆14042、耦合有一个或多个移动数据收集器的移动机器人14044、耦合有一个或多个移动数据收集器的移动车辆14046中的一个或多个)检测到目标14048时，移动机器人或移动车辆14060记录目标14048的状态相关测量值(例如，振动、温度、电或磁输出、声音输出等)。记录的状态相关测量值可以通过网络14010传输(例如，传输到数据池14050、服务器14056或其它硬件或软件组件)。或者，例如在网络14010不可用或者数据收集路由器14062配置成接收和/或预处理来自移动机器人或移动车辆14060的记录的状态相关测量值的情况下，可以将记录的状态相关测量值传输到数据收集路由器14062。数据收集路由器14062可以是位于整个环境中用于工业IoT数据收集的多个数据收集路由器14062中的一个。例如，数据收集路由器14062可以是用于传输专门针对目标14048记录的状态相关测量值的数据收集路由器14062。
接下来参考图292，公开了用于处理群14038的移动机器人和/或移动车辆的输出的智能系统14064的功能的各个方面。在实施例中，智能系统14064可以包括认知学习模块14066、人工智能模块14068和机器学习模块14070。智能系统14064可以包括更多或更少的模块。智能系统14064例如可以是图290所示的智能系统14054或智能系统14058或任何其它合适的智能系统。尽管显示为单独的模块，但是在实施例中，部分或所有认知学习模块14066、人工智能模块14068和机器学习模块14070之间可能存在重叠。例如，人工智能模块14068可以包括机器学习模块14070。在另一示例中，认知学习模块14066可以包括人工智能模块14068(因此在实施例中还包括机器学习模块14070)。群14038可包括任何数量的移动机器人和/或移动车辆。例如，如图所示，群14038包括第一移动机器人或第一移动车辆14060A、第二移动机器人或第二移动车辆14060B和第N移动机器人或第N移动车辆14060N，其中N是大于2的数字。智能系统14064接收移动机器人或移动车辆14060A、14060B......14060N的输出。特别是，智能系统14064的模块14066、14068和14070中的一个或多个接收由移动机器人或移动车辆14060A、14060B......14060N中的一个或多个生成和输出的数据。来自移动机器人或移动车辆14060A、14060B......14060N的输出例如可包括使用移动机器人或移动车辆14060A、14060B......14060N记录的状态相关测量值(例如，工业IoT数据收集环境中的设备的状态相关测量值)。在实施例中，来自移动机器人或移动车辆14060A、14060B......14060N的输出可以由智能系统14064的全部三个模块14066、14068和14070进行处理。在实施例中，来自移动机器人或移动车辆14060A、14060B......14060N的输出可以仅由智能系统14064的模块14066、14068和14070中的一个进行处理。例如，智能系统14064的模块14066、14068和14070中的用于处理来自移动机器人或移动车辆14060A、14060B......14060N的输出的特定模块可以基于用于生成该输出的移动机器人或移动车辆、在生成该输出时测量的设备、该输出的值、其它选择标准等来选择。
可以根据来自智能系统14064的输出更新知识库14036(例如，如参考图289所示)。知识库14036表示与工业IoT数据收集环境相关的知识库或其它知识集或集合，包括所述环境内的设备、在所述环境内执行的任务、具有在所述环境内执行任务的技能的人员等。智能系统14064可以处理使用移动机器人或移动车辆14060A、14060B......14060N记录的状态相关测量值，以便于知识收集从而扩展知识库14036。例如，智能系统14064的模块14066、14068和14070可以针对知识库14036内的现有知识来处理这些状态相关测量值，以更新或修改知识库14036内的信息。智能系统14064可利用(例如，机器学习模块14070或如本公开其它部分所述的)智能和机器学习能力，基于检测到的条件(例如，由群14038的移动机器人和/或移动车辆通知的条件和/或作为训练数据提供的条件)和/或状态信息(例如，由可以确定状态的机器状态识别系统确定的状态信息，例如，与操作状态、环境状态、已知过程或工作流中的状态、涉及故障或诊断条件的状态等有关的信息)处理状态相关测量值和相关信息。这可以包含基于学习反馈系统的学习反馈优化输入选择和配置，其可以包含提供训练数据(例如，从主机处理系统或者直接或通过主机处理系统从其它数据收集系统提供)并且可以包含提供反馈度量(例如，在主机处理系统的分析系统内计算的成功度量)。学习反馈系统、数据收集系统和分析系统的示例在本文的其它地方进行了描述。因此，智能系统14064可用于基于来自移动机器人或移动车辆14060A、14060B......14060N的输出来更新在工业IoT环境内分配和执行的任务的工作流程。
在实施例中，智能系统14064在模块14066、14068和14070或其它模块内可以包括其它智能或机器学习方面。例如，智能系统14064可以包括以下各项中的一个或多个：YOLO神经网络；YOLO CNN；一组神经网络，其被配置成在FPGA上操作或从FPGA操作；一组神经网络，其被配置成在FPGA和GPU混合组件上操作或从FPGA和GPU混合组件上操作；用于混合神经网络的用户可配置的串行和并行流(例如，将神经网络之间的串行和/或并行流配置为可以在此类神经网络之间传递的输出)；机器学习系统，用于基于可以使用或可以不使用手动配置(例如，由人类用户进行)的训练数据集为一组混合神经网络自动配置拓扑或工作流(例如，串行流、并行流、数据流等)；深度学习系统，用于基于工业IoT过程(例如，维护、维修、服务、故障预测、机器运行优化、设施系统等)或其它智能或机器学习方面为一组神经网络自动配置拓扑或工作流(例如，串行流、并行流、数据流等)。
因此，在实施例中，群14038的移动机器人和/或移动车辆的输出可使用智能系统14054来处理，以添加、移除或修改知识库14036。例如，知识库14036可反映用于在目标所在的、使用群14038的移动机器人和/或移动车辆的工业环境中执行一项或多项任务的信息。因此，群14038的移动机器人和/或移动车辆的输出可用于来增加对关于工业环境发生的问题的性质的了解，例如通过描述有关记录测量的目标的信息、记录测量的时间和/或日期、有关目标的预先存在的状态或其它条件信息、有关解决关于目标的问题所需时间的信息、有关如何解决关于目标的问题的信息、指示由于解决问题而导致目标和相应工业环境其它方面的停机时间的信息、该问题是应该立即解决还是以后解决(或根本不解决)的指示等方式。智能系统14054可以处理该输出，以更新现有训练数据。例如，现有训练数据可用于更新机器学习、人工智能和/或其它认知功能，以基于群14038的移动机器人和/或移动车辆的输出识别目标的状态。
例如，知识库14036可以包括基于所述目标或包括所述目标的工业环境领域分层布置的一系列数据库或其它表格或图表。例如，知识库14036的第一层可以指所述工业环境(例如，发电厂、制造设施、采矿设施等)。知识库14036的第二层可以指所述工业环境内的区域(例如，区域1、区域2等或命名区域，视具体情况而定)。知识库14036的第三层可以指这些区域内的目标(例如，在包括电气设备的发电厂的第一区域内，可以包括交流发电机、断路器、变压器、电池、励磁机等；在发电厂的第二区域内，包括涡轮机、发电机、发电机磁铁等)。知识库14036可以基于智能系统14054的输出或通过用户手动输入数据或两者来更新。
例如，群14038的移动机器人和/或移动车辆可以被部署为监测或横穿用于开采和/或处理燃料材料(例如，煤、天然气等)和/或非燃料材料(例如，石头、沙子、砾石、金、银等)的采矿设施内的不同位置(例如，区域)。移动机器人可以被部署为横穿矿物破碎机械运行的第一区域，移动车辆可以被部署为横穿地下采矿设备运行的第二区域。移动机器人可以测量第一区域内矿物破碎机械的运行温度、矿物破碎机械周围的第一区域的区域温度等。移动机器人可以例如通过记录部分或全部机械的声音输出的测量进一步测量矿物破碎机械的声音输出。如果移动机器人记录温度测量，该温度测量在由智能系统14054根据知识库14036中存储的数据进行处理时指示温度处于危险水平，则该移动机器人可以检测到其中一台矿物破碎机的过热问题。可指示移动机器人保持在该机器的位置，并(例如，以固定的间隔或其它方式)记录一段时间内的新温度测量，以确定该机器是否实际上在危险的高温下工作。如果智能系统14054检测到初始高温测量不代表机器的工作温度，则智能系统14054可不更新知识库14036以反映误表的测量，或可更新知识库14036以反映这样的温度读数可以不代表危险状况。
移动车辆可测量关于地下采矿设备的振动输出。可使用智能系统14054来处理移动车辆的输出，以确定该输出是否与知识库14036内的数据一致或与其偏离。如果移动车辆的输出偏离知识库内的数据，智能系统14054可以更新知识库14036的该部分内的数据以反映移动车辆的输出。智能系统14054也可以或使移动车辆(例如，使用灯光、声音或两者)发出警报，以警告位于该区域的人员。例如，智能系统14054可以从知识库14036检索信息，该信息表明移动车辆的输出反映出危险状况，例如，与潜在的地下塌陷有关。在一些情况下，智能系统14054可直接向地下机械的操作者发送通知，以提醒他们危险状况。
本文公开了用于在工业环境中使用移动机器人和/或移动车辆进行数据收集的系统。如本文所使用的，使用移动机器人和/或移动车辆是指将移动机器人和/或移动车辆用于特定或通用目的。例如，关于系统的功能或配置所描述的使用移动机器人和/或移动车辆是指该系统对群14038的移动机器人和/或移动车辆和/或对与群14038的移动机器人和/或移动车辆结合使用的硬件和/或软件的使用，以用于工业IoT环境中的数据收集，如图290至292所示。这种对移动机器人和/或移动车辆的使用是指使用群14038的一个或多个移动机器人和/或移动车辆。例如，本文公开的使用移动机器人和/或移动车辆的系统可以使用以下一个或多个：机器人臂、安卓机器人、小型或大型自主机器人、远程控制机器人、可编程配置的机器人、其它机器人机制、重型机械(例如，推土设备)、重型公路工业车辆、重型越野工业车辆、在各种环境中部署的工业机械(例如，涡轮机、涡轮机械、发电机、泵、滑轮系统、歧管、阀门系统等)、推土设备、压土设备、牵引设备、起重设备、输送设备、集料生产设备、用于混凝土建筑的设备、打桩设备、建筑设备(例如，挖掘机、反铲挖土机、装载机、推土机、滑移装载机、挖沟机、平地机、自动铲运机、履带式装载机、轮式装载机、自卸车、油罐车、倾卸汽车、拖车、隧道和装卸设备、压路机、混凝土搅拌机、热拌设备、筑路机(例如，压实机)、碎石机、摊铺机、泥浆封口机、喷涂和抹灰机、重型泵等)、物料搬运设备(例如，吊车、输送机、叉车、起重机等)、人员运输车辆(例如，汽车、卡车、手推车、船只、飞机等)、无人驾驶车辆(例如，无人机或其它自动驾驶飞机、自动驾驶船只、自动驾驶汽车或卡车等)以及(例如，不考虑大小、用途或使用的电机的)其它车辆等。
在实施例中，公开了一种用于在工业环境中采用可穿戴设备集成使用移动机器人和/或移动车辆进行移动数据收集的系统，所述系统使用模拟交叉点开关来收集可变组的模拟传感器输入。
在实施例中，公开了一种用于在工业环境中采用可穿戴设备集成使用移动机器人和/或移动车辆进行移动数据收集的系统，所述系统在复用器上进行IP前端信号调节以改善信噪比。
在实施例中，公开了一种用于在工业环境中采用可穿戴设备集成使用移动机器人和/或移动车辆进行移动数据收集的系统，所述系统具有复用器连续监视监测警报特征。
在实施例中，公开了一种用于在工业环境中采用可穿戴设备集成使用移动机器人和/或移动车辆进行移动数据收集的系统，所述系统使用具有专用总线的分布式CPLD芯片来对多个MUX和数据采集部分进行逻辑控制。
在实施例中，公开了一种用于在工业环境中采用可穿戴设备集成使用移动机器人和/或移动车辆进行移动数据收集的系统，所述系统使用具有高电流输入的固态继电器的高电流输入及其拓扑设计。
在实施例中，公开了一种用于在工业环境中采用可穿戴设备集成使用移动机器人和/或移动车辆进行移动数据收集的系统，所述系统具有模拟传感器通道和组件板中的至少一个断电能力。
在实施例中，公开了一种用于在工业环境中采用可穿戴设备集成使用移动机器人和/或移动车辆进行移动数据收集的系统，所述系统具有用于触发和振动输入的独特静电保护。
在实施例中，公开了一种用于在工业环境中采用可穿戴设备集成使用移动机器人和/或移动车辆进行移动数据收集的系统，所述系统具有用于A/D零基准的精确电压基准。
在实施例中，公开了一种用于在工业环境中采用可穿戴设备集成使用移动机器人和/或移动车辆进行移动数据收集的系统，所述系统具有用于获得慢速RPM和相位信息的锁相环带通跟踪滤波器。
在实施例中，公开了一种用于在工业环境中采用可穿戴设备集成使用移动机器人和/或移动车辆进行移动数据收集的系统，所述系统使用板载定时器来相对于输入和触发通道进行相位的数字推导。
在实施例中，公开了一种用于在工业环境中采用可穿戴设备集成使用移动机器人和/或移动车辆进行移动数据收集的系统，所述系统具有用于自动缩放的峰值检测器，该峰值检测器被路由到单独的模数转换器中进行峰值检测。
在实施例中，公开了一种用于在工业环境中采用可穿戴设备集成使用移动机器人和/或移动车辆进行移动数据收集的系统，所述系统具有触发通道的路由，该触发通道是原始的或缓冲到其它模拟通道中。
在实施例中，公开了一种用于在工业环境中采用可穿戴设备集成使用移动机器人和/或移动车辆进行移动数据收集的系统，所述系统对delta-sigma A/D使用较高的输入过采样来获得较低的采样率输出从而最小化AA滤波器要求。
在实施例中，公开了一种用于在工业环境中采用可穿戴设备集成使用移动机器人和/或移动车辆进行移动数据收集的系统，所述系统使用CPLD作为delta-sigma模数转换器的时钟分频器以实现较低的采样率，而无需进行数字重采样。
在实施例中，公开了一种用于在工业环境中采用可穿戴设备集成使用移动机器人和/或移动车辆进行移动数据收集的系统，所述系统具有以高采样率获取的长数据块，而不是以不同采样率获取的多个数据集。
在实施例中，公开了一种用于在工业环境中采用可穿戴设备集成使用移动机器人和/或移动车辆进行移动数据收集的系统，所述系统存储了具有维护历史板载卡组的校准数据。
在实施例中，公开了一种用于在工业环境中采用可穿戴设备集成使用移动机器人和/或移动车辆进行移动数据收集的系统，所述系统使用分层模板具有快速路由创建能力。
在实施例中，公开了一种用于在工业环境中采用可穿戴设备集成使用移动机器人和/或移动车辆进行移动数据收集的系统，所述系统进行数据收集带的智能管理。
在实施例中，公开了一种用于在工业环境中采用可穿戴设备集成使用移动机器人和/或移动车辆进行移动数据收集的系统，所述系统具有采用数据收集带的智能管理的神经网络专家系统。
在实施例中，公开了一种用于在工业环境中采用可穿戴设备集成使用移动机器人和/或移动车辆进行移动数据收集的系统，所述系统在传感器数据分析中使用数据库分层。
在实施例中，公开了一种用于在工业环境中采用可穿戴设备集成使用移动机器人和/或移动车辆进行移动数据收集的系统，所述系统具有专家系统GUI图形方法，用于定义该专家系统的智能数据收集带和诊断。
在实施例中，公开了一种用于在工业环境中采用可穿戴设备集成使用移动机器人和/或移动车辆进行移动数据收集的系统，所述系统具有用于反算定义的图形方法。
在实施例中，公开了一种用于在工业环境中采用可穿戴设备集成使用移动机器人和/或移动车辆进行移动数据收集的系统，所述系统具有提出的轴承分析方法。
在实施例中，公开了一种用于在工业环境中采用可穿戴设备集成使用移动机器人和/或移动车辆进行移动数据收集的系统，所述系统利用瞬时信号分析进行扭转振动检测/分析。
在实施例中，公开了一种用于在工业环境中采用可穿戴设备集成使用移动机器人和/或移动车辆进行移动数据收集的系统，所述系统同时使用模拟和数字方法改善了集成。
在实施例中，公开了一种用于在工业环境中采用可穿戴设备集成使用移动机器人和/或移动车辆进行移动数据收集的系统，所述系统具有用于在本地环境中连续监测模拟数据的自适应调度技术。
在实施例中，公开了一种用于在工业环境中采用可穿戴设备集成使用移动机器人和/或移动车辆进行移动数据收集的系统，所述系统具有数据采集驻留特征。
在实施例中，公开了一种用于在工业环境中采用可穿戴设备集成使用移动机器人和/或移动车辆进行移动数据收集的系统，所述系统具有自给式数据采集盒。
在实施例中，公开了一种用于在工业环境中采用可穿戴设备集成使用移动机器人和/或移动车辆进行移动数据收集的系统，所述系统具有SD卡存储器。
在实施例中，公开了一种用于在工业环境中采用可穿戴设备集成使用移动机器人和/或移动车辆进行移动数据收集的系统，所述系统具有用于连续监测的扩展板载统计能力。
在实施例中，公开了一种用于在工业环境中采用可穿戴设备集成使用移动机器人和/或移动车辆进行移动数据收集的系统，所述系统使用环境噪声、局部噪声和振动噪声进行预测。
在实施例中，公开了一种用于在工业环境中采用可穿戴设备集成使用移动机器人和/或移动车辆进行移动数据收集的系统，所述系统基于传入数据或警报进行智能路线更改以使得用于分析或关联的动态数据同步。
在实施例中，公开了一种用于在工业环境中采用可穿戴设备集成使用移动机器人和/或移动车辆进行移动数据收集的系统，所述系统具有智能ODS和传输功能。
在实施例中，公开了一种用于在工业环境中采用可穿戴设备集成使用移动机器人和/或移动车辆进行移动数据收集的系统，所述系统具有分层复用器。
在实施例中，公开了一种用于在工业环境中采用可穿戴设备集成使用移动机器人和/或移动车辆进行移动数据收集的系统，所述系统识别传感器过载。
在实施例中，公开了一种用于在工业环境中采用可穿戴设备集成使用移动机器人和/或移动车辆进行移动数据收集的系统，所述系统具有RF识别和倾斜仪。
在实施例中，公开了一种用于在工业环境中采用可穿戴设备集成使用移动机器人和/或移动车辆进行移动数据收集的系统，所述系统进行连续超声波监测。
在实施例中，公开了一种用于在工业环境中采用可穿戴设备集成使用移动机器人和/或移动车辆进行移动数据收集的系统，所述系统基于远程模拟工业传感器融合进行基于云的机器模式识别。
在实施例中，公开了一种用于在工业环境中采用可穿戴设备集成使用移动机器人和/或移动车辆进行移动数据收集的系统，所述系统对来自多个模拟工业传感器的状态信息进行基于云的机器模式分析以提供工业系统的预期状态信息。
在实施例中，公开了一种用于在工业环境中采用可穿戴设备集成使用移动机器人和/或移动车辆进行移动数据收集的系统，所述系统具有用于IoT的基于云的策略自动化引擎，以及进行IoT设备的创建、部署和管理。
在实施例中，公开了一种用于在工业环境中采用可穿戴设备集成使用移动机器人和/或移动车辆进行移动数据收集的系统，所述系统具有工业IoT设备的设备内置传感器融合和数据存储。
在实施例中，公开了一种用于在工业环境中采用可穿戴设备集成使用移动机器人和/或移动车辆进行移动数据收集的系统，所述系统具有用于工业IoT数据的自组织数据市场。
在实施例中，公开了一种用于在工业环境中采用可穿戴设备集成使用移动机器人和/或移动车辆进行移动数据收集的系统，所述系统基于利用率和/或收益度量进行数据池的自组织。
在实施例中，公开了一种用于在工业环境中采用可穿戴设备集成使用移动机器人和/或移动车辆进行移动数据收集的系统，所述系统具有基于行业特定反馈的训练AI模型。
在实施例中，公开了一种用于在工业环境中采用可穿戴设备集成使用移动机器人和/或移动车辆进行移动数据收集的系统，所述系统具有自组织的工业数据收集器群。
在实施例中，公开了一种用于在工业环境中采用可穿戴设备集成使用移动机器人和/或移动车辆进行移动数据收集的系统，所述系统具有IoT分布式分类账。
在实施例中，公开了一种用于在工业环境中采用可穿戴设备集成使用移动机器人和/或移动车辆进行移动数据收集的系统，所述系统具有自组织收集器。
在实施例中，公开了一种用于在工业环境中采用可穿戴设备集成使用移动机器人和/或移动车辆进行移动数据收集的系统，所述系统具有网络敏感收集器。
在实施例中，公开了一种用于在工业环境中采用可穿戴设备集成使用移动机器人和/或移动车辆进行移动数据收集的系统，所述系统具有远程组织收集器。
在实施例中，公开了一种用于在工业环境中采用可穿戴设备集成使用移动机器人和/或移动车辆进行移动数据收集的系统，所述系统具有用于多传感器数据收集器的自组织存储器。
在实施例中，公开了一种用于在工业环境中采用可穿戴设备集成使用移动机器人和/或移动车辆进行移动数据收集的系统，所述系统具有用于多传感器数据网络的自组织网络编码。
在实施例中，公开了一种用于在工业环境中采用可穿戴设备集成使用移动机器人和/或移动车辆进行移动数据收集的系统，所述系统具有用于工业传感器数据采集器的具有振动、热、电和/或声音输出的可穿戴触觉用户界面。
在集成中，公开了一种用于在工业环境中采用可穿戴设备集成使用移动机器人和/或移动车辆进行移动数据收集的系统，所述系统具有显示AR/VR收集数据的热图。
在实施例中，公开了一种用于在工业环境中采用可穿戴设备集成使用移动机器人和/或移动车辆进行移动数据收集的系统，所述系统自动调整了数据收集器所收集的数据的AR/VR可视化。
在实施例中，公开了一种采用可穿戴设备集成使用移动机器人和/或移动车辆进行移动数据收集的智能烹饪系统，该智能烹饪系统具有用于远程监测和控制的处理、通信和其它IT部件。
在实施例中，公开了一种采用可穿戴设备集成使用移动机器人和/或移动车辆进行移动数据收集的智能烹饪系统，该智能烹饪系统具有在水源上运行以分离氢和氧成分的氢燃料产生电解器。
在实施例中，公开了一种采用可穿戴设备集成使用移动机器人和/或移动车辆进行移动数据收集的智能烹饪系统，该智能烹饪系统具有存储电解器产生的氢气的低压氢气存储系统。
在实施例中，公开了一种采用可穿戴设备集成使用移动机器人和/或移动车辆进行移动数据收集的智能烹饪系统，该智能烹饪系统具有燃油控制模块，该燃油控制模块基于历史、当前、计划和/或预期的消耗或可用性的某种度量来自动控制燃油供应或混合设备。
在实施例中，公开了一种采用可穿戴设备集成使用移动机器人和/或移动车辆进行移动数据收集的智能烹饪系统，该智能烹饪系统具有太阳能氢气电解器。
在实施例中，公开了一种采用可穿戴设备集成使用移动机器人和/或移动车辆进行移动数据收集的智能烹饪系统，该智能烹饪系统具有风力氢气电解器。
在实施例中，公开了一种采用可穿戴设备集成使用移动机器人和/或移动车辆进行移动数据收集的智能烹饪系统，该智能烹饪系统具有水力氢气电解器。
在实施例中，公开了一种采用可穿戴设备集成使用移动机器人和/或移动车辆进行移动数据收集的智能烹饪系统，该智能烹饪系统具有按需供气的LPG混合燃烧器，该LPG混合燃烧器动态地供应LPG、氢气或其它燃料，而无需用户输入或监测。
在实施例中，公开了一种采用可穿戴设备集成使用移动机器人和/或移动车辆进行移动数据收集的智能烹饪系统，该智能烹饪系统具有一个封闭的燃烧器室，该燃烧器室在目标热区中作为热平面提供热量。
在实施例中，公开了一种采用可穿戴设备集成使用移动机器人和/或移动车辆进行移动数据收集的智能烹饪系统，该智能烹饪系统具有带连接性和进行本地和远程控制的智能旋钮，用于控制智能灶台设备或其它IoT设备。
在实施例中，公开了一种采用可穿戴设备集成使用移动机器人和/或移动车辆进行移动数据收集的智能烹饪系统，该智能烹饪系统具有为移动设备充电、进行数据通信和热量保护的移动对接设施。
在实施例中，公开了一种采用可穿戴设备集成使用移动机器人和/或移动车辆进行移动数据收集的智能烹饪系统，该智能烹饪系统具有位于灶台子系统中的分布式模块或组件。
在实施例中，公开了一种采用可穿戴设备集成使用移动机器人和/或移动车辆进行移动数据收集的智能烹饪系统，该智能烹饪系统具有集中控制设施来管理灶台子系统的操作。
在实施例中，公开了一种采用可穿戴设备集成使用移动机器人和/或移动车辆进行移动数据收集的智能烹饪系统，该智能烹饪系统具有遥控能力。
在实施例中，公开了一种采用可穿戴设备集成使用移动机器人和/或移动车辆进行移动数据收集的智能烹饪系统，该智能烹饪系统具有自动化功能。
在实施例中，公开了一种采用可穿戴设备集成使用移动机器人和/或移动车辆进行移动数据收集的智能烹饪系统，该智能烹饪系统具有用于监测烹饪系统状况的检测器和传感器。
在实施例中，公开了一种采用可穿戴设备集成使用移动机器人和/或移动车辆进行移动数据收集的智能烹饪系统，该智能烹饪系统进行机器学习以优化烹饪系统操作。
在实施例中，公开了一种采用可穿戴设备集成使用移动机器人和/或移动车辆进行移动数据收集的智能烹饪系统，该智能烹饪系统具有移动应用程序。
在实施例中，公开了一种采用可穿戴设备集成使用移动机器人和/或移动车辆进行移动数据收集的智能烹饪系统，该智能烹饪系统具有基于云的平台，该基于云的平台与供应商、内容提供商、服务提供商和监管机构的相关生态系统中的电子设备以及参与者进行交互，以向智能烹饪系统的用户、制氢系统的用户以及生态系统的其它参与者提供增值服务。
在实施例中，公开了一种采用可穿戴设备集成使用移动机器人和/或移动车辆进行移动数据收集的智能烹饪系统，该智能烹饪系统具有用于向用户提供推荐的推荐引擎。
在实施例中，公开了一种采用可穿戴设备集成使用移动机器人和/或移动车辆进行移动数据收集的智能烹饪系统，该智能烹饪系统具有用于向用户提供通知的通知引擎。
在实施例中，公开了一种采用可穿戴设备集成使用移动机器人和/或移动车辆进行移动数据收集的智能烹饪系统，该智能烹饪系统具有用于向用户提供基于位置的广告的广告引擎。
在实施例中，公开了一种采用可穿戴设备集成使用移动机器人和/或移动车辆进行移动数据收集的智能烹饪系统，该智能烹饪系统具有界面，该界面允许与其它设备和云进行机器对机器或用户对机器通信，以便为其它设备和系统的分析、监视、控制和操作提供数据。
在实施例中，公开了一种采用可穿戴设备集成使用移动机器人和/或移动车辆进行移动数据收集的智能烹饪系统，该智能烹饪系统具有用户界面，该用户界为基于智能烹饪系统连接到网络的计算设备提供上下文和智能驱动的个性化体验。
在实施例中，公开了一种采用可穿戴设备集成使用移动机器人和/或移动车辆进行移动数据收集的智能烹饪系统，该智能烹饪系统具有用于描绘、记录或分析用户、设备使用、维护和维修历史、与模式或故障有关的模式、能源使用模式、烹饪模式以及电解器的部署、使用和服务的分析功能。
在实施例中，公开了一种采用可穿戴设备集成使用移动机器人和/或移动车辆进行移动数据收集的智能烹饪系统，该智能烹饪系统具有用于订购配料、组件和材料的商业实用程序。
在实施例中，公开了一种采用可穿戴设备集成使用移动机器人和/或移动车辆进行移动数据收集的智能烹饪系统，该智能烹饪系统具有用于协助用户完成烹饪任务的烹饪辅助实用程序。
在实施例中，公开了一种采用可穿戴设备集成使用移动机器人和/或移动车辆进行移动数据收集的智能烹饪系统，该智能烹饪系统具有用于提供食品健康指数、营养信息、营养搜索能力、营养援助以及个性化建议和推荐的健康实用程序。
在实施例中，公开了一种采用可穿戴设备集成使用移动机器人和/或移动车辆进行移动数据收集的智能烹饪系统，该智能烹饪系统具有用于播放音乐、视频和/或播客的信息娱乐实用程序。
在实施例中，公开了一种采用可穿戴设备集成使用移动机器人和/或移动车辆进行移动数据收集的智能烹饪系统，该智能烹饪系统具有用于启用烹饪系统广播的个性化烹饪频道的广播实用程序。
在实施例中，公开了一种采用可穿戴设备集成使用移动机器人和/或移动车辆进行移动数据收集的智能烹饪系统，该智能烹饪系统具有用于从智能灶台以及有关整个区域中智能灶台系统的用户正在使用的食谱的用户活动收集信息的食品调查实用程序。
在实施例中，公开了一种用于在工业环境中采用可穿戴设备集成使用移动机器人和/或移动车辆进行移动数据收集的系统，所述系统具有IoT平台。
在实施例中，公开了一种用于在工业环境中采用可穿戴设备集成使用移动机器人和/或移动车辆进行移动数据收集的系统，所述系统具有IoT数据适配器，用于接收数据输入并与一个或多个可用IoT云平台建立连接以发布数据。
在实施例中，公开了一种用于在工业环境中采用可穿戴设备集成使用移动机器人和/或移动车辆进行移动数据收集的系统，所述系统具有条件检测器，用于检测与IoT数据适配器对一个或多个IoT云平台的连接尝试有关的条件。
在实施例中，公开了一种用于在工业环境中采用可穿戴设备集成使用移动机器人和/或移动车辆进行移动数据收集的系统，所述系统具有带有适配引擎的IoT数据适配器。
在实施例中，公开了一种用于在工业环境中采用可穿戴设备集成使用移动机器人和/或移动车辆进行移动数据收集的系统，所述系统使用机器学习来准备数据包或流。
在实施例中，公开了一种用于在工业环境中采用可穿戴设备集成使用移动机器人和/或移动车辆进行移动数据收集的系统，所述系统具有提供可用云网络平台池的数据市场。
在实施例中，公开了一种用于在工业环境中采用可穿戴设备集成使用移动机器人和/或移动车辆进行移动数据收集的系统，所述系统具有为云平台用户界面提供消息的消息传递实用程序，该消息指示新数据源的可用性以及数据源集成和使用说明。
在实施例中，公开了一种采用可穿戴设备集成使用移动机器人和/或移动车辆进行节点之间的移动数据通信的系统，所述系统具有基于到达和成功的传递反馈消息的接收率来维持第一和第二传输限制的能力，并基于传输限制来限制消息的传输。
在实施例中，公开了一种采用可穿戴设备集成使用移动机器人和/或移动车辆进行节点之间的移动数据通信的系统，所述系统具有根据窗口大小限制未确认为成功传递的其它消息的传输的能力。
在实施例中，公开了一种采用可穿戴设备集成使用移动机器人和/或移动车辆进行节点之间的移动数据通信的系统，所述系统具有维持丢失事件比率的估计值并使用它来调整冗余消息的比率的能力。
在实施例中，公开了一种采用可穿戴设备集成使用移动机器人和/或移动车辆进行节点之间的移动数据通信的系统，所述系统具有估计的丢失事件比率，其中用于确定所选冗余消息的纠错码基于该估计的丢失事件比率。
在实施例中，公开了一种采用可穿戴设备集成使用移动机器人和/或移动车辆进行节点之间的移动数据通信的系统，所述系统具有基于接收到的描述信道特性的消息应用前向纠错的能力。
在实施例中，公开了一种采用可穿戴设备集成使用移动机器人和/或移动车辆进行节点之间的移动数据通信的系统，所述系统具有基于递送顺序事件的发生来维护/设置计时器的能力，并使用计时器延迟反馈消息的传输。
在实施例中，公开了一种采用可穿戴设备集成使用移动机器人和/或移动车辆进行节点之间的移动数据通信的系统，所述系统具有基于递送顺序事件的发生来维护/设置计时器的能力，并根据计时器延迟对拥塞窗口大小的修改。
在实施例中，公开了一种采用可穿戴设备集成使用移动机器人和/或移动车辆进行节点之间的移动数据通信的系统，所述系统具有基于递送顺序事件的发生来维护/设置计时器的能力，基于计时器延迟对拥塞窗口大小的修改以及在接收到指示成功交付的反馈消息时取消对拥塞窗口大小的修改。
在实施例中，公开了一种采用可穿戴设备集成使用移动机器人和/或移动车辆进行节点之间的移动数据通信的系统，所述系统具有使用表征当前/先前连接的维护数据来配置新连接的能力。
在实施例中，公开了一种采用可穿戴设备集成使用移动机器人和/或移动车辆进行节点之间的移动数据通信的系统，所述系统具有使用表征当前/先前连接的错误率的维护数据来配置新连接的能力。
在实施例中，公开了一种采用可穿戴设备集成使用移动机器人和/或移动车辆进行节点之间的移动数据通信的系统，所述系统具有使用表征当前/先前连接的定时可变性的维护数据来配置新连接的能力。
在实施例中，公开了一种采用可穿戴设备集成使用移动机器人和/或移动车辆进行节点之间的移动数据通信的系统，所述系统具有使用表征当前/先前连接的带宽的维护数据来配置新连接的能力。
在实施例中，公开了一种采用可穿戴设备集成使用移动机器人和/或移动车辆进行节点之间的移动数据通信的系统，所述系统具有使用表征当前/先前连接的往返时间的维护数据来配置新连接的能力。
在实施例中，公开了一种采用可穿戴设备集成使用移动机器人和/或移动车辆进行节点之间的移动数据通信的系统，所述系统具有使用表征当前/先前连接的通信控制参数的维护数据来配置新连接的能力。
在实施例中，公开了一种采用可穿戴设备集成使用移动机器人和/或移动车辆进行节点之间的移动数据通信的系统，所述系统具有使用表征当前/先前连接的前向纠错参数的维护数据来配置新连接的能力。
在实施例中，公开了一种采用可穿戴设备集成使用移动机器人和/或移动车辆进行节点之间的移动数据通信的系统，所述系统具有用于维护表征一个或多个当前或先前数据通信连接的数据的数据存储器，以及用于基于所维护的数据来启动新数据通信连接的连接启动模块。
在实施例中，公开了一种采用可穿戴设备集成使用移动机器人和/或移动车辆进行节点之间的移动数据通信的系统，所述系统具有通过较低延迟数据路径传输数据消息的第一子集和通过较高延迟数据路径传输消息的第二子集的能力。
在实施例中，公开了一种采用可穿戴设备集成使用移动机器人和/或移动车辆进行节点之间的移动数据通信的系统，所述系统具有通过较低延迟数据路径传输时间关键的数据消息的第一子集和通过较高延迟数据路径传输消息的第二子集的能力。
在实施例中，公开了一种采用可穿戴设备集成使用移动机器人和/或移动车辆进行节点之间的移动数据通信的系统，所述系统具有通过较低延迟数据路径传输数据消息的第一初始子集和通过较高延迟数据路径传输随后可用的消息的第二子集的能力。
在实施例中，公开了一种采用可穿戴设备集成使用移动机器人和/或移动车辆进行节点之间的移动数据通信的系统，所述系统具有通过较低延迟数据路径传输确认消息的第一子集和通过较高延迟数据路径传输数据消息的第二子集的能力。
在实施例中，公开了一种采用可穿戴设备集成使用移动机器人和/或移动车辆进行节点之间的移动数据通信的系统，所述系统具有通过较低延迟数据路径传输补充/冗余数据消息的第一子集和通过较高延迟数据路径传输数据消息的第二子集的能力。
在实施例中，公开了一种采用可穿戴设备集成使用移动机器人和/或移动车辆进行节点之间的移动数据通信的系统，所述系统具有与每个消息相关联的冗余度，该冗余度基于传输顺序中的消息位置。
在实施例中，公开了一种采用可穿戴设备集成使用移动机器人和/或移动车辆进行节点之间的移动数据通信的系统，所述系统具有与每个消息相关联的冗余度，该冗余度随着消息位置的不减少而增加。
在实施例中，公开了一种采用可穿戴设备集成使用移动机器人和/或移动车辆进行节点之间的移动数据通信的系统，所述系统具有与每个消息相关联的冗余度，该冗余度基于传输顺序中的消息位置并响应于接收反馈消息。
在实施例中，公开了一种采用可穿戴设备集成使用移动机器人和/或移动车辆进行节点之间的移动数据通信的系统，在所述系统中，每个消息相关联的冗余度基于在传输顺序中的消息位置，并且响应于接收到反馈消息，基于所述反馈消息从队列中添加或移除冗余消息。
在实施例中，公开了一种采用可穿戴设备集成使用移动机器人和/或移动车辆进行节点之间的移动数据通信的系统，所述系统具有如果确定数据路径正在改变消息流，则调整通过不同通信协议在多个不同数据路径中的每个数据路径上发送的消息数量的能力。
在实施例中，公开了一种采用可穿戴设备集成使用移动机器人和/或移动车辆进行节点之间的移动数据通信的系统，所述系统具有如果确定数据路径正在改变基于先前通信连接的消息流的初始划分，则调整通过不同通信协议在多个不同数据路径中的每个数据路径上发送的消息数量的能力。
在实施例中，公开了一种采用可穿戴设备集成使用移动机器人和/或移动车辆进行节点之间的移动数据通信的系统，当与编码数据相关联的冗余信息经由信道在节点间传输时，所述系统能够基于信道特性修改/添加/移除与编码数据相关联的冗余信息。
在实施例中，公开了一种采用可穿戴设备集成使用移动机器人和/或移动车辆进行节点之间的移动数据通信的系统，所述系统具有以估计的丢失事件(孤立的数据包丢失或连续数据包突发)比率发送FEC数据包的能力。
在实施例中，公开了一种采用可穿戴设备集成使用移动机器人和/或移动车辆进行节点之间的移动数据通信的系统，所述系统具有组合编码、TCP和分组传输调步。
在实施例中，公开了一种采用可穿戴设备集成使用移动机器人和/或移动车辆进行节点之间的移动数据通信的系统，所述系统具有前向纠错码构造，该前向纠错码构造可交织消息包和奇偶校验包的组，并在消息包的重叠组中进行编码。
在实施例中，公开了一种采用可穿戴设备集成使用移动机器人和/或移动车辆进行节点之间的移动数据通信的系统，所述系统具有将基于延迟的退避与稳定的窗口增加功能结合的TCP变体。
接下来参考图293至296描述了在工业IoT数据收集环境中使用手持设备进行移动数据收集的系统和方法。首先参考图293，数据收集系统可以包括一个或多个手持设备，配置为在工业IoT数据收集环境中充当移动数据收集器。例如，一个或多个手持设备可以向工业IoT数据收集、监测及控制系统10发送数据、从工业IoT数据收集、监测及控制系统10接收数据、向工业IoT数据收集、监测及控制系统10发送命令、从工业IoT数据收集、监测及控制系统10接收命令、受工业IoT数据收集、监测和控制系统10控制、传达用于工业IoT数据收集、监测及控制系统10的控制或与工业IoT数据收集、监测和控制系统10通信。本文公开了使用手持设备进行数据收集的方法和系统，该手持设备包括：单个手持设备，其具有用于在工业IoT数据收集环境中记录状态相关测量值的单个传感器；单个手持设备，其具有用于在工业IoT数据收集环境中记录状态相关测量值的多个传感器；多个手持设备，其中每个手持设备具有用于在工业IoT数据收集环境中记录状态相关测量值的单个传感器；以及多个手持设备，其中每个手持设备具有用于在工业IoT数据收集环境中记录状态相关测量值的一个或多个传感器。例如，手持设备可以是用于工业传感器数据收集器的可穿戴触觉或多传感器用户界面，具有振动、热、电和/或声音输出。在另一个例子中，手持设备可以是任何其它合适的设备、组件、单元或具有有形形式的其它计算方面，该其它计算方面无论其使用时间段，通过在工业环境中放置在人身上而被配置或以其它方式能够使用。手持设备的例子包括但不限于手机、膝上型电脑、平板电脑、个人数字助理、对讲机、收音机、远程或短程通信设备、手电筒或集成有或耦合有传感器的任何其它合适的手持设备。不管具体形式如何，根据本公开的手持设备包括一个或多个传感器，用于记录工业IoT数据收集环境的状态相关测量值。例如，本公开中描述的手持设备的一个或多个传感器可以测量与工业IoT环境中的设备或与工业IoT环境本身有关的状态。
许多手持设备14072位于工业IoT数据收集环境中。手持设备14072可以是由工业IoT数据收集环境的运营者发布的手持设备。或者，手持设备14072可以是被选择在工业IoT数据收集环境中执行任务的工人所拥有的手持设备。如图293所示，手持设备14072包括具有单个传感器的单个手持设备14074、具有多个传感器的单个手持设备14076、每个具有单个传感器的手持设备的组合14078以及每个具有一个或多个传感器的手持设备的组合14080。然而，在实施例中，手持设备14072可以包括不同的手持设备。例如，在实施例中，手持设备14072可以省略每个具有单个传感器的手持设备的组合14078和/或每个具有一个或多个传感器的手持设备的组合14080。例如，手持设备14072可限于单独的手持设备，而非手持设备的组合，其中，当与分别采用的每个组成手持设备相比时，该手持设备的组合提供组合的、改进的或不同的功能。在另一个示例中，在实施例中，手持设备14072可以省略具有单个传感器的单个手持设备14074和/或具有多个传感器的单个手持设备14076。例如，手持设备14072可限于手持设备的组合，而非单独的设备(例如，其中手持设备的特定组合被标识为在特定上下文中是有价值的，或用于在工业IoT数据收集环境中记录特定的状态相关测量值)。
在实施例中，不同的手持设备14072可配置成记录工业IoT数据收集环境中部分或全部目标(例如，装置或设备)的某些类型的状态相关测量值。例如，部分手持设备14072可配置成基于对于部分或全部目标所测量的振动来记录状态相关测量值。在另一个示例中，部分手持设备14072可配置成基于对于部分或全部目标所测量的温度来记录状态相关测量值。在另一个示例中，部分手持设备14072可配置成基于对于部分或全部目标所测量的电或磁输出来记录状态相关测量值。在另一个示例中，部分手持设备14072可配置成基于对于部分或全部目标所测量的声音输出来记录状态相关测量值。在另一个示例中，部分手持设备14072可配置成基于对于部分或全部目标所测量的除了振动、温度、电或磁或声音输出以外的其它输出来记录状态相关测量值。
替代地或附加地，不同的手持设备14072可配置成记录工业IoT数据收集环境中的某些类型的目标的部分或全部状态相关测量值。例如，部分手持设备14072可配置成记录来自搅拌器(例如，涡轮搅拌器)、机身控制表面振动装置、催化反应器、压缩机等的部分或全部状态相关测量值。在另一个示例中，部分手持设备14072可配置成记录来自输送机和升降机、处置系统、传动系统、风扇、灌溉系统、电机等的部分或全部状态相关测量值。在另一个示例中，部分手持设备14072可配置成记录来自管道、电力传动系统、生产平台、泵(例如，水泵)、机器人组装系统、热加热系统、轨道、传动系统、涡轮机等的部分或全部状态相关测量值。在实施例中，手持设备14072可配置成记录某些类型的工业环境的部分或全部状态相关测量值。例如，其中目标的状态是使用手持设备14072测量的工业环境可以包括但不限于制造环境、化石燃料能源生产环境、航空航天环境、采矿环境、施工环境、船舶环境、航运环境、海底环境、风能生产环境、水电能源生产环境、核能生产环境、石油钻探环境、石油管道环境、任何其它合适的能源生产环境、任何其它合适的能源路由或传输环境、任何其它合适的工业环境、工厂、飞机或其它航空器、配电环境、能源提取环境、海上勘探场所、水下勘探场所、装配线、仓库、发电环境、危险废物环境等。
在实施例中，使用手持设备14072的状态相关测量值可通过网络14010获得(例如，如图286所述)，而无需外部网络。网络14010可以是MANET(例如，图2中所示的MANET 20或任何其它合适的MANET n)、因特网(例如，图3中所示的因特网110或任何其它合适的因特网)或任何其它合适类型的网络，或其任意组合。例如，网络14010可用于接收使用手持设备14072记录的状态相关测量值。然后，网络14010可用于将所接收的状态相关测量值的部分或全部传输至数据收集系统102的其它组件。例如，网络14010可用于将接收到的状态相关测量值的部分或全部传输到数据池14084(例如，图2所示的数据池60或任何其它合适的数据池)，以存储这些接收到的状态相关测量值。在另一示例中，网络14010可用于将所接收的状态相关测量值的部分或全部传输至用于工业IoT数据收集的所述环境的服务器14086(例如，图286中所示的服务器14014或任何其它合适的服务器)。服务器14086可以包括一个或多个硬件或软件服务器方面。例如，向其传输所接收的状态相关测量值的服务器14086，其可以包括用于处理所接收的状态相关测量值的智能系统14088。智能系统14088可以使用人工智能过程、机器学习过程和/或其它认知过程来处理所接收的状态相关测量值，以识别所接收的状态相关测量值内的信息或与之相关的信息。在实施例中，处理所接收的状态相关测量值后，向其传输所接收的状态相关测量值的服务器14086可以将所处理的信息或指示所处理的信息的数据传输至其它系统(例如，用于存储或分析)。例如，指示来自服务器14086的已处理信息的数据可以包括人工智能处理、机器学习过程和/或其它认知过程的输出或其它结果。
在实施例中，部分或全部手持设备14072可包括智能系统14082，用于在(例如通过网络14010或任何其它合适的通信机制)传输使用这些手持设备14072记录的状态相关测量值之前，处理这些记录的状态相关测量值。例如，部分或全部手持设备14072可以集成人工智能过程、机器学习过程和/或其它认知过程，用于分析由此记录的状态相关测量值。手持设备14072的智能系统14082的处理可以在工业IoT数据收集、监测及控制系统10的预处理步骤中或者在工业IoT数据收集、监测及控制系统10的预处理步骤中表示。例如，预处理可由某些类型的手持设备14072选择性地执行，以预处理记录的状态相关测量值(例如，以识别冗余信息、无关信息或不重要信息)。在另一个示例中，对于某些类型的手持设备14072，预处理可以是自动化的，以预处理记录的状态相关测量值(例如，以识别冗余信息、无关信息或不重要信息)。在另一个示例中，可以针对由任何手持设备14072记录的某些类型的状态相关测量值来选择性地执行预处理，以预处理记录的状态相关测量值(例如，以识别冗余信息、无关信息或不重要信息)。在另一个示例中，对于由任何手持设备14072记录的某些类型的状态相关测量值，预处理可以是自动化的，以预处理记录的状态相关测量值(例如，以识别冗余信息、无关信息或不重要信息)。
在实施例中，部分或全部手持设备14072可包括传感器融合功能。例如，所述传感器融合功能可以体现为设备内置传感器融合80。例如，使用一个或多个手持设备14072的多个模拟传感器(例如，图4所示的多个模拟传感器82或任何其它合适的传感器)记录的状态相关测量值可以使用人工智能过程、机器学习过程和/或其它认知过程本地或远程处理，其可以体现在手持设备14072本身内，服务器14086内或两者内。所述传感器融合功能可以通过在人工智能过程、机器学习过程和/或其它认知过程之前执行的预处理步骤来体现。在实施例中，可以使用MUX来执行所述传感器融合功能。例如，具有多个传感器的单个手持设备14076中的每一个都可以包括其自己的MUX，用于组合使用这些多个传感器中不同的单个传感器记录的状态相关测量值。在另一个示例中，每个具有一个或多个传感器的手持设备的组合14080中的部分或全部单个手持设备可以包括其自己的MUX，用于组合使用这些多个传感器中不同的单个传感器记录的状态相关测量值。在一些这样的实施例中，MUX可以在那些手持设备的内部。在一些这样的实施例中，MUX可以在那些手持设备的外部。
手持设备14072可以由图6所示的主机处理系统112(或任何其它合适的主机系统)控制或与图6所示的主机处理系统112(或任何其它合适的主机系统)结合使用。主机处理系统112可以通过网络14010进行本地访问。或者，主机处理系统112可以是远程的(例如，如体现在云计算系统中)，可以使用一个或多个网络基础设施元件(例如，接入点、交换机、路由器、服务器、网关、网桥、连接器、物理接口等)接入，和/或使用一个或多个网络协议(例如，基于IP的协议、TCP/IP、UDP、HTTP、蓝牙、低功耗蓝牙、蜂窝协议、LTE、2G、3G、4G、5G、CDMA、TDSM、基于数据包的协议、流协议、文件传输协议、广播协议、多播协议、单播协议等)。在实施例中，使用手持设备14072记录的状态相关测量值可使用网络编码系统或方法进行处理，所述网络编码系统或方法可相对于主机处理系统112在内部或外部体现。例如，网络编码系统可以基于用于传送那些记录的状态相关测量值的网络的可用性，基于用于传送那些记录的状态相关测量值的带宽和频谱的可用性，基于其它网络特征或基于它们的某些组合来处理使用手持设备14072记录的测量。
在实施例中，使用手持设备14072记录的状态相关测量值可由上游设备(例如，用于审查、分析或查看状态相关测量值的客户端设备或其它软件或硬件方面)从手持设备14072中拉取。例如，手持设备14072可能不会主动传输(例如，在服务器14086、数据池14084或任何其它适当的接收使用手持设备14072记录的状态相关测量值的硬件或软件组件处)接收到的状态相关测量值。相反，从手持设备14072传输状态相关测量值可能是由在手持设备14072上接收到的(例如，来自服务器14086或来自数据收集系统102的其它硬件或软件的)命令引起的。例如，可以固定在工业IoT数据收集环境的特定位置内或在该环境中移动的数据收集器可以配置成拉取采用各种手持设备14072记录的状态相关测量值。例如，手持设备14072可以连续、定期或多次在工业IoT数据收集环境中记录状态相关测量值。数据收集器可以以固定间隔、随机时间或其它方式将一个或多个命令传输到部分或全部手持设备14072，以拉取自上次从其中拉取状态相关测量值以来采用这些手持设备14072记录的部分或全部状态相关测量值。或者，数据收集器可以以那些固定间隔、那些随机时间或以其它方式将一个或多个命令传输到与手持设备14072相关联的集中处理设备14090。例如，集中处理设备14090可以是或包括用于接收使用部分或全部手持设备14072记录的状态相关测量值的集线器。在另一个示例中，当使用单独的手持设备14072或由手持设备14072的集中处理设备14090处理命令时，该命令使记录的状态相关测量值或代表其的数据从手持设备14072传输。例如，集中处理设备14090可以配置成(例如，以固定的间隔、随机时间或其它方式)从部分或全部手持设备14072中拉取状态相关测量值。然后，集中处理设备14090可以将从手持设备14072拉取的状态相关测量值传输(例如，到服务器14086、数据池14084或被选择或配置成接收状态相关测量值的的其它硬件或软件组件)。
在实施例中，使用手持设备14072记录的状态相关测量值可响应于对这些状态相关测量值的请求而从手持设备14072传输。例如，集中处理设备14090可以以固定间隔、随机时间或其它方式将针对记录的状态相关测量值的请求传输给部分或全部手持设备14072。请求发送到的部分或全部手持设备14072的处理器可以处理请求以确定要传输的状态相关测量值。例如，这些处理器可以访问指示已记录状态相关测量值最近一次请求时间的数据。然后，所述处理器可以将该时间与从集中处理设备14090接收到新请求的时间进行比较。然后，所述处理器可以查询数据存储器以获取这两个时间之间记录的状态相关测量值。然后，所述处理器可以传输这些状态相关测量值以响应于所述请求。在另一个示例中，处理器可以识别使用相应的手持设备14072记录的最新一组状态相关测量值，并响应请求传输那些状态相关测量值。在另一个示例中，数据收集系统10内的数据收集器可以将请求直接传输到手持设备14072。在另一示例中，所述数据收集器可以将请求发送到集中处理设备14090。集中处理设备14090可以处理该请求以确定或选择用于记录所请求的状态相关测量值的单独的手持设备14072。然后，集中处理设备14090可以响应于该请求，例如通过向存储器查询使用那些选择的单独的手持设备14072记录的部分或全部状态相关测量值，来传输某些状态相关测量值。或者，集中处理设备14090可以处理该请求以确定传输部分或全部手持设备14072记录的状态相关测量值中的哪个状态相关测量值，以响应于该请求(例如，基于请求的时间)。例如，集中处理设备14090可以将所述请求的时间与已记录状态相关测量值的最近一次请求时间进行比较。然后，集中处理设备14090可以检索在这些时间之间记录的状态相关测量值，并传输所检索的状态相关测量值，以响应所述请求。
在实施例中，使用手持设备14072记录的状态相关测量值可从手持设备14072推送到上游设备(例如，用于审查、分析或查看状态相关测量值的客户端设备或其它软件或硬件方面)。例如，手持设备14072可主动传输(例如，在服务器14086、数据池14084或任何其它接收使用手持设备14072记录的状态相关测量值的适当的硬件或软件组件处)接收到的状态相关测量值，而无需这样的接收硬件或软件组件请求那些状态相关测量值或使手持设备基于命令传输那些状态相关测量值。例如，部分或全部手持设备14072可以固定间隔、在随机时间、在记录了那些状态相关测量值时、在记录了那些测量之后的一段时间、在确定记录了阈值数量的状态相关测量值时或在其它合适的时间传输状态相关测量值。在一些这样的实施例中，手持设备14072本身或者使用集中处理设备14090可以响应于检测到接近数据收集路由器14092而推送所记录的状态相关测量值。
例如，接下来参考图294，集中处理设备14090可以包括检测器14094，其配置成检测目标14096(例如，图180中所示的设备13006之一或任何其它合适的目标)相对于一个或多个手持设备14072的接近度。例如，在进行这样的检测时，接收使用手持设备14072记录的状态相关测量值的14090可以将信号发送到一个或多个手持设备14072，以记录和传输在数据收集路由器14092处接收到的状态相关测量值。可替代地，在进行此类检测时，接收使用手持设备14072记录的状态相关测量值的14090可以查询数据存储器以检索状态相关测量值，然后在数据收集路由器14092收到这些状态相关测量值后传输所述状态相关测量值。在任一情况下，数据收集路由器14092将所接收的状态相关测量值转发至服务器14086、数据池14084或任何其它合适的硬件或软件组件。在另一示例中，例如，在进行此类检测时，集中处理设备14090可以将所述信号直接发送至服务器14086、数据池14084或其它硬件或软件组件，以绕过数据收集路由器14092或省略数据收集路由器14092。
接下来参考图295，在实施例中，可以省略集中处理设备14090。而是由手持设备14072检测目标14096的接近度。一旦使用手持设备14072(例如，具有单个传感器的单个手持设备14074、具有多个传感器的单个手持设备14076、每个具有单个传感器的手持设备的组合14078以及每个具有一个或多个传感器的手持设备的组合14080中的一个或多个)进行这种检测，则手持设备14072记录目标14096的状态相关测量值(例如，振动、温度、电或磁输出或声音输出等)。已记录的状态相关测量值可以通过网络14010传输(例如，传输至数据池14084、服务器14086或任何其它合适的硬件或软件组件)。或者，例如在网络14010不可用或者数据收集路由器14092配置成接收和/或预处理来自手持设备14072的记录的状态相关测量值的情况下，可以将记录的状态相关测量值传输到数据收集路由器14092。数据收集路由器14092可以是位于整个环境中用于工业IoT数据收集的多个数据收集路由器14092中的一个。例如，数据收集路由器14092可以是用于传输专门针对目标14096记录的状态相关测量值的数据收集路由器14092。
下面参考图296，公开了用于处理手持设备14072的输出的智能系统14098的功能的各个方面。智能系统14098包括认知学习模块14100、人工智能模块14102和机器学习模块14104。在实施例中，智能系统14098可包括附加模块或更少模块。例如，智能系统14098可以是图286所示的智能系统14082或智能系统14088或任何其它合适的智能系统。尽管显示为单独的模块，但是在实施例中，部分或所有认知学习模块14100、人工智能模块14102和机器学习模块14104之间可能存在重叠。例如，人工智能模块14102可以包括机器学习模块14104。在另一示例中，认知学习模块14100可以包括人工智能模块14102(因此在实施例中还包括机器学习模块14104)。手持设备14072可包括任何数量的手持设备。例如，如图所示，手持设备14072包括第一手持设备14072A、第二手持设备14072B和第N手持设备14072N，其中N是大于2的数字。智能系统14098接收手持设备14072A、14072B......14072N的输出。特别是，智能系统14098的模块14100、14102和14104中的一个或多个接收由手持设备14072A、14072B......14072N中的一个或多个生成和输出的数据。例如，来自手持设备14072A、14072B......14072N的输出可包括使用手持设备14072A、14072B......14072N记录的状态相关测量值，例如，工业IoT数据收集环境中的设备的状态相关测量值。在实施例中，来自手持设备14072A、14072B......14072N的输出可以由智能系统14098的全部三个模块14100、14102和14104进行处理。在实施例中，来自手持设备14072A、14072B......14072N的输出可以仅由智能系统14098的模块14100、14102和14104中的一个进行处理。例如，智能系统14098的模块14100、14102和14104中的用于处理来自手持设备14072A、14072B......14072N的输出的特定模块可以基于用于生成该输出的手持设备、在生成该输出时测量的设备、该输出的值、其它选择标准等来选择。
知识库14036(例如，如图289所示)可以根据来自智能系统14098的输出来更新。知识库14036表示与工业IoT数据收集环境相关的知识库或其它知识集或集合，包括所述环境内的设备、在所述环境内执行的任务、具有在所述环境内执行任务的技能的人员等。智能系统14098可以处理使用手持设备14072A、14072B......14072N记录的状态相关测量值，记录的状态相关测量值，以便于知识收集从而扩展知识库14036。例如，智能系统14098的模块14100、14102和14104可以针对知识库14036内的现有知识来处理这些状态相关测量值，以更新或修改知识库14036内的信息。智能系统14098可利用(例如，机器学习模块14104或如本公开其它部分所述的)智能和机器学习能力，基于检测到的条件(例如，由手持设备14072通知的条件和/或作为训练数据提供的条件)和/或状态信息(例如，由可能确定状态的机器状态识别系统确定的状态信息，例如，与操作状态、环境状态、已知过程或工作流中的状态、涉及故障或诊断条件的状态等有关的信息)处理状态相关测量值和相关信息。这可以包含基于学习反馈系统的学习反馈优化输入选择和配置，其可以包含提供训练数据(例如，从主机处理系统或者直接或通过主机处理系统从其它数据收集系统提供)并且可以包含提供反馈度量(例如，在主机处理系统的分析系统内计算的成功度量)。本发明的其它地方对主机处理系统、学习反馈系统、数据收集系统和分析系统的示例进行了描述。因此，智能系统14098可用于基于来自手持设备14072A、14072B......14072N的输出来更新在工业IoT环境内分配和执行的任务的工作流程。
在实施例中，智能系统14098在模块14100、14102和14104或其它模块内可以包括其它智能或机器学习方面。例如，智能系统14098可以包括以下各项中的一个或多个：YOLO神经网络；YOLO CNN；一组神经网络，其被配置成在FPGA上操作或从FPGA操作；一组神经网络，其被配置成在FPGA和GPU混合组件上操作或从FPGA和GPU混合组件上操作；用于混合神经网络的用户可配置的串行和并行流(例如，将神经网络之间的串行和/或并行流配置为可以在此类神经网络之间传递的输出)；机器学习系统，用于基于可以使用或可以不使用手动配置(例如，由人类用户进行)的训练数据集为一组混合神经网络自动配置拓扑或工作流(例如，串行流、并行流、数据流等)；深度学习系统，用于基于工业IoT过程(例如，维护、维修、服务、故障预测、机器运行优化、设施系统等)或其它智能或机器学习方面为一组神经网络自动配置拓扑或工作流(例如，串行流、并行流、数据流等)。
因此，在实施例中，手持设备14072的输出可使用智能系统14088来处理，以添加、移除或修改知识库14036。例如，知识库14036可反映用于在目标所在的、使用手持设备14072的工业环境中执行一项或多项任务的信息。因此，手持设备14072的输出可用于例如通过描述有关记录测量的目标的信息、记录测量的时间和/或日期、有关目标的预先存在的状态或其它条件信息、有关解决关于目标的问题所需时间的信息、有关如何解决关于目标的问题的信息、指示由于解决问题而导致目标和相应工业环境其它方面的停机时间的信息、该问题是应该立即解决还是以后解决(或根本不解决)的指示等来增加对关于工业环境发生的问题的性质的了解。智能系统14088可以处理该输出，以更新现有训练数据。例如，现有训练数据可用于更新机器学习、人工智能和/或其它认知功能，以基于手持设备14072的输出识别目标的状态。
例如，知识库14036可以包括基于所述目标或包括所述目标的工业环境领域分层布置的一系列数据库或其它表格或图表。例如，知识库14036的第一层可以指所述工业环境(例如，发电厂、制造设施、采矿设施等)。知识库14036的第二层可以指所述工业环境内的区域(例如，区域1、区域2等或命名区域，视具体情况而定)。知识库14036的第三层可以指这些区域内的目标(例如，在包括电气设备的发电厂的第一区域内，可以包括交流发电机、断路器、变压器、电池、励磁机等；在发电厂的第二区域内，包括涡轮机、发电机、发电机磁铁等)。知识库14036可以基于智能系统14088的输出或通过用户手动输入数据或两者来更新。例如，可以向制造设施内的工人提供一个或多个手持设备(例如，手持设备14072)。工人可以在制造设施周围走动，并在不同区域中接近几台机器，包括第一区域内的液压机，第二区域内的热成型机和第三区域内的输送机。在接近第一区域时，手持设备可记录与液压机有关的测量，该测量指示由液压机的运行引起的振动。然后使用智能系统14088针对存储在知识库14036中用于液压机的数据库中的数据处理该测量。如果测量与该数据库中存储的数据不一致，则智能系统14088可以确定液压机运行不正常。例如，如果由液压机的运行引起的振动小于在知识库14036中记录的振动，则可以确定液压机没有以最佳速率工作。然后可查阅知识库14036内的数据，以确定这一问题的可能原因，包括需要多少时间来解决这一问题。例如，知识库14036可以指示低振动输出是由相对于液压机的特定部件故障引起的。
然后，工人可以走到热成型机，并使用手持设备测量该机器周围的环境温度。利用智能系统14088对测量进行处理，以确定热成型机正在输出预期温度。然后，工人可以步行到输送机并使用手持机器测量输送机的速度。例如，内置在手持设备中的相机视觉系统可用于检测输送机的运行速度。然后可以将运行速度与如知识库14036的适当部分所示的输送机的预期运行速度进行比较。一旦确定输送机以非预期速度运行，智能系统14088，例如通过手持设备或通过与手持设备通信的集中处理设备(例如，位于制造设施第三区域内的集中处理设备)，可以提醒输送机区域内的工人该输送机可能不能按预期运行。警报可表示为警告通知，以防止突然采取紧急行动。在这种情况下，工人可以看到警报并更新知识库14036以反映非预期的速度测量。
本文公开了用于在工业环境中使用手持设备进行数据收集的系统。如本文所使用的，手持设备集成是指将手持设备用于特定或通用目的。例如，关于系统的功能或配置所描述的手持设备集成是指该系统对手持设备14072和/或对与手持设备14072结合使用的硬件和/或软件的使用，以用于工业IoT环境中的数据收集，如图293至296所示。这种手持设备使用是指使用一个或多个手持设备14072。例如，本文公开的使用手持设备的系统可以包括使用手机、膝上型电脑、平板电脑、个人数字助理、对讲机、收音机、远程或短程通信设备、手电筒或其它类型的手持设备中的一种或多种。
在实施例中，公开了一种用于在工业环境中使用手持设备进行数据收集的系统，所述系统使用模拟交叉点开关来收集可变组的模拟传感器输入。
在实施例中，公开了一种用于在工业环境中使用手持设备进行数据收集的系统，所述系统在复用器上进行IP前端信号调节以改善信噪比。
在实施例中，公开了一种用于在工业环境中使用手持设备进行数据收集的系统，所述系统具有复用器连续监测警报特征。
在实施例中，公开了一种用于在工业环境中进行数据收集的系统，所述系统使用具有专用总线的分布式CPLD芯片来对多个MUX和数据采集部分进行逻辑控制。
在实施例中，公开了一种用于在工业环境中使用手持设备进行数据收集的系统，所述系统使用具有高电流输入的固态继电器及其拓扑设计。
在实施例中，公开了一种用于在工业环境中使用手持设备进行数据收集的系统，所述系统具有模拟传感器通道和组件板中的至少一个断电能力。
在实施例中，公开了一种用于在工业环境中使用手持设备进行数据收集的系统，所述系统具有用于触发和振动输入的独特静电保护。
在实施例中，公开了一种用于在工业环境中使用手持设备进行数据收集的系统，所述系统具有用于A/D零基准的精确电压基准。
在实施例中，公开了一种用于在工业环境中使用手持设备进行数据收集的系统，所述系统具有用于获得慢速RPM和相位信息的锁相环带通跟踪滤波器。
在实施例中，公开了一种用于在工业环境中使用手持设备进行数据收集的系统，所述系统使用板载定时器来相对于输入和触发通道进行相位的数字推导。
在实施例中，公开了一种用于在工业环境中使用手持设备进行数据收集的系统，所述系统具有用于自动缩放的峰值检测器，该峰值检测器被路由到单独的模数转换器中进行峰值检测。
在实施例中，公开了一种用于在工业环境中使用手持设备进行数据收集的系统，所述系统具有触发通道的路由，该触发通道是原始的或缓冲到其它模拟通道中。
在实施例中，公开了一种用于在工业环境中使用手持设备进行数据收集的系统，所述系统对delta-sigma A/D使用较高的输入过采样来获得较低的采样率输出从而最小化AA滤波器要求。
在实施例中，公开了一种用于在工业环境中使用手持设备进行数据收集的系统，所述系统使用CPLD作为delta-sigma模数转换器的时钟分频器以实现较低的采样率，而无需进行数字重采样。
在实施例中，公开了一种用于在工业环境中使用手持设备进行数据收集的系统，所述系统具有以高采样率获取的长数据块，而不是以不同采样率获取的多个数据集。
在实施例中，公开了一种用于在工业环境中使用手持设备进行数据收集的系统，所述系统存储了具有维护历史板载卡组的校准数据。
在实施例中，公开了一种用于在工业环境中使用手持设备进行数据收集的系统，所述系统使用分层模板具有快速路由创建能力。
在实施例中，公开了一种用于在工业环境中使用手持设备进行数据收集的系统，所述系统进行数据收集带的智能管理。
在实施例中，公开了一种用于在工业环境中使用手持设备进行数据收集的系统，所述系统具有采用数据收集带的智能管理的神经网络专家系统。
在实施例中，公开了一种用于在工业环境中使用手持设备进行数据收集的系统，所述系统在传感器数据分析中使用数据库分层。
在实施例中，公开了一种用于在工业环境中使用手持设备进行数据收集的系统，所述系统具有专家系统GUI图形方法，用于定义该专家系统的智能数据收集带和诊断。
在实施例中，公开了一种用于在工业环境中使用手持设备进行数据收集的系统，所述系统具有用于反算定义的图形方法。
在实施例中，公开了一种用于在工业环境中使用手持设备进行数据收集的系统，所述系统具有提出的轴承分析方法。
在实施例中，公开了一种用于在工业环境中使用手持设备进行数据收集的系统，所述系统利用瞬时信号分析进行扭转振动检测/分析。
在实施例中，公开了一种用于在工业环境中使用手持设备进行数据收集的系统，所述系统同时使用模拟和数字方法改善了集成。
在实施例中，公开了一种用于在工业环境中使用手持设备进行数据收集的系统，所述系统具有用于在本地环境中连续监测模拟数据的自适应调度技术。
在实施例中，公开了一种用于在工业环境中使用手持设备进行数据收集的系统，所述系统具有数据采集驻留特征。
在实施例中，公开了一种用于在工业环境中使用手持设备进行数据收集的系统，所述系统具有自给式数据采集盒。
在实施例中，公开了一种用于在工业环境中使用手持设备进行数据收集的系统，所述系统具有SD卡存储器。
在实施例中，公开了一种用于在工业环境中使用手持设备进行数据收集的系统，所述系统具有用于连续监测的扩展板载统计能力。
在实施例中，公开了一种用于在工业环境中使用手持设备进行数据收集的系统，所述系统使用环境噪声、局部噪声和振动噪声进行预测。
在实施例中，公开了一种用于在工业环境中使用手持设备进行数据收集的系统，所述系统基于传入数据或警报进行智能路线更改以使得用于分析或关联的动态数据同步。
在实施例中，公开了一种用于在工业环境中使用手持设备进行数据收集的系统，所述系统具有智能ODS和传输功能。
在实施例中，公开了一种用于在工业环境中使用手持设备进行数据收集的系统，所述系统具有分层复用器。
在实施例中，公开了一种用于在工业环境中使用手持设备进行数据收集的系统，所述系统识别传感器过载。
在实施例中，公开了一种用于在工业环境中使用手持设备进行数据收集的系统，所述系统具有RF识别和倾斜仪。
在实施例中，公开了一种用于在工业环境中使用手持设备进行数据收集的系统，所述系统进行连续超声波监测。
在实施例中，公开了一种用于在工业环境中使用手持设备进行数据收集的系统，所述系统基于远程模拟工业传感器融合进行基于云的机器模式识别。
在实施例中，公开了一种用于在工业环境中使用手持设备进行数据收集的系统，所述系统对来自多个模拟工业传感器的状态信息进行基于云的机器模式分析以提供工业系统的预期状态信息。
在实施例中，公开了一种用于在工业环境中使用手持设备进行数据收集的系统，所述系统具有用于IoT的基于云的策略自动化引擎，以及进行IoT设备的创建、部署和管理。
在实施例中，公开了一种用于在工业环境中使用手持设备进行数据收集的系统，所述系统具有工业IoT设备的设备内置传感器融合和数据存储。
在实施例中，公开了一种用于在工业环境中使用手持设备进行数据收集的系统，所述系统具有用于工业IoT数据的自组织数据市场。
在实施例中，公开了一种用于在工业环境中使用手持设备进行数据收集的系统，所述系统基于利用率和/或收益度量进行数据池的自组织。
在实施例中，公开了一种用于在工业环境中使用手持设备进行数据收集的系统，所述系统具有基于行业特定反馈的训练AI模型。
在实施例中，公开了一种用于在工业环境中使用手持设备进行数据收集的系统，所述系统具有自组织的工业数据收集器群。
在实施例中，公开了一种用于在工业环境中使用手持设备进行数据收集的系统，所述系统具有IoT分布式分类账。
在实施例中，公开了一种用于在工业环境中使用手持设备进行数据收集的系统，所述系统具有自组织收集器。
在实施例中，公开了一种用于在工业环境中使用手持设备进行数据收集的系统，所述系统具有网络敏感收集器。
在实施例中，公开了一种用于在工业环境中使用手持设备进行数据收集的系统，所述系统具有远程组织收集器。
在实施例中，公开了一种用于在工业环境中使用手持设备进行数据收集的系统，所述系统具有用于多传感器数据收集器的自组织存储器。
在实施例中，公开了一种用于在工业环境中使用手持设备进行数据收集的系统，所述系统具有用于多传感器数据网络的自组织网络编码。
在实施例中，公开了一种用于在工业环境中使用手持设备进行数据收集的系统，所述系统具有用于工业传感器数据采集器的具有振动、热、电和/或声音输出的可穿戴触觉用户界面。
在实施例中，公开了一种用于在工业环境中使用手持设备进行数据收集的系统，所述系统具有显示AR/VR收集数据的热图。
在实施例中，公开了一种用于在工业环境中使用手持设备进行数据收集的系统，所述系统自动调整了数据收集器所收集的数据的AR/VR可视化。
在实施例中，公开了一种用于使用手持设备的智能系统，该智能系统具有用于远程监测和控制的处理、通信和其它IT部件。
在实施例中，公开了一种用于使用手持设备的智能系统，该智能系统具有在水源上运行以分离氢和氧成分的氢燃料产生电解器。
在实施例中，公开了一种用于使用手持设备的智能系统，该智能系统具有存储电解器产生的氢气的低压氢气存储系统。
在实施例中，公开了一种用于使用手持设备的智能系统，该智能系统具有燃油控制模块，该燃油控制模块基于历史、当前、计划和/或预期的消耗或可用性的某种度量来自动控制燃油供应或混合设备。
在实施例中，公开了一种用于使用手持设备的智能系统，该智能系统具有太阳能氢气电解器。
在实施例中，公开了一种用于使用手持设备的智能系统，该智能系统具有风力氢气电解器。
在实施例中，公开了一种用于使用手持设备的智能系统，该智能系统具有水力氢气电解器。
在实施例中，公开了一种用于使用手持设备的智能系统，该智能系统具有按需供气的LPG混合燃烧器，该LPG混合燃烧器动态地供应LPG、氢气或其它燃料，而无需用户输入或监测。
在实施例中，公开了一种用于使用手持设备的智能系统，该智能系统具有一个封闭的燃烧器室，该燃烧器室在目标热区中作为热平面提供热量。
在实施例中，公开了一种用于使用手持设备的智能系统，该智能系统具有带连接性和进行本地和远程控制的智能旋钮，用于控制智能灶台设备或其它IoT设备。
在实施例中，公开了一种用于使用手持设备的智能系统，该智能系统具有为移动设备充电、进行数据通信和热量保护的移动对接设施。
在实施例中，公开了一种用于使用手持设备的智能系统，该智能系统具有位于灶台子系统中的分布式模块或组件。
在实施例中，公开了一种用于使用手持设备的智能系统，该智能系统具有集中控制设施来管理灶台子系统的操作。
在实施例中，公开了一种用于使用手持设备的智能系统，该智能系统具有遥控能力。
在实施例中，公开了一种用于使用手持设备的智能系统，该智能系统具有自动化功能。
在实施例中，公开了一种用于使用手持设备的智能系统，该智能系统具有用于监测烹饪系统状况的检测器和传感器。
在实施例中，公开了一种用于使用手持设备的智能系统，该智能系统进行机器学习以优化烹饪系统操作。
在实施例中，公开了一种用于使用手持设备的智能系统，该智能系统具有移动应用程序。
在实施例中，公开了一种用于使用手持设备的智能系统，该智能系统具有基于云的平台，该基于云的平台与供应商、内容提供商、服务提供商和监管机构的相关生态系统中的电子设备以及参与者进行交互，以向智能烹饪系统的用户、制氢系统的用户以及生态系统的其它参与者提供增值服务。
在实施例中，公开了一种用于使用手持设备的智能系统，该智能系统具有用于向用户提供推荐的推荐引擎。
在实施例中，公开了一种用于使用手持设备的智能系统，该智能系统具有用于向用户提供通知的通知引擎。
在实施例中，公开了一种用于使用手持设备的智能系统，该智能系统具有用于向用户提供基于位置的广告的广告引擎。
在实施例中，公开了一种用于使用手持设备的智能系统，该智能系统具有界面，该界面允许与其它设备和云进行机器对机器或用户对机器通信，以便为其它设备和系统的分析、监测、控制和操作提供数据。
在实施例中，公开了一种用于使用手持设备的智能系统，该智能系统具有用户界面，该用户界为基于智能烹饪系统连接到网络的计算设备提供上下文和智能驱动的个性化体验。
在实施例中，公开了一种用于使用手持设备的智能系统，该智能系统具有用于描绘、记录或分析用户、设备使用、维护和维修历史、与模式或故障有关的模式、能源使用模式、烹饪模式以及电解器的部署、使用和服务的分析功能。
在实施例中，公开了一种用于使用手持设备的智能系统，该智能系统具有用于订购配料、组件和材料的商业实用程序。
在实施例中，公开了一种用于使用手持设备的智能系统，该智能系统具有用于协助用户完成烹饪任务的烹饪辅助实用程序。
在实施例中，公开了一种用于使用手持设备的智能系统，该智能系统具有用于提供食品健康指数、营养信息、营养搜索能力、营养援助以及个性化建议和推荐的健康实用程序。
在实施例中，公开了一种用于使用手持设备的智能系统，该智能系统具有用于播放音乐、视频和/或播客的信息娱乐实用程序。
在实施例中，公开了一种用于使用手持设备的智能系统，该智能系统具有用于启用烹饪系统广播的个性化烹饪频道的广播实用程序。
在实施例中，公开了一种用于使用手持设备的智能系统，该智能系统具有用于从智能灶台以及有关整个区域中智能灶台系统的用户正在使用的食谱的用户活动收集信息的食品调查实用程序。
在实施例中，公开了一种用于在工业环境中使用手持设备进行数据收集的系统，所述系统具有IoT平台。
在实施例中，公开了一种用于在工业环境中使用手持设备进行数据收集的系统，所述系统具有IoT数据适配器，用于接收数据输入并与一个或多个可用IoT云平台建立连接以发布数据。
在实施例中，公开了一种用于在工业环境中使用手持设备进行数据收集的系统，所述系统具有条件检测器，用于检测与IoT数据适配器对一个或多个IoT云平台的连接尝试有关的条件。
在实施例中，公开了一种用于在工业环境中使用手持设备进行数据收集的系统，所述系统具有带有适配引擎的IoT数据适配器。
在实施例中，公开了一种用于在工业环境中使用手持设备进行数据收集的系统，所述系统使用机器学习来准备数据包或流。
在实施例中，公开了一种用于在工业环境中使用手持设备进行数据收集的系统，所述系统具有提供可用云网络平台池的数据市场。
在实施例中，公开了一种用于在工业环境中使用手持设备进行数据收集的系统，所述系统具有为云平台用户界面提供消息的消息传递实用程序，该消息指示新数据源的可用性以及数据源集成和使用说明。
在实施例中，公开了一种使用手持设备进行节点之间的数据通信的系统，所述系统具有基于到达和成功的传递反馈消息的接收率来维持第一和第二传输限制的能力，并基于传输限制来限制消息的传输。
在实施例中，公开了一种使用手持设备进行节点之间的数据通信的系统，所述系统具有根据窗口大小限制未确认为成功传递的其它消息的传输的能力。
在实施例中，公开了一种使用手持设备进行节点之间的数据通信的系统，所述系统具有维持丢失事件比率的估计值并使用它来调整冗余消息的比率的能力。
在实施例中，公开了一种使用手持设备进行节点之间的数据通信的系统，所述系统具有估计的丢失事件比率，其中用于确定所选冗余消息的纠错码基于该估计的丢失事件比率。
在实施例中，公开了一种使用手持设备进行节点之间的数据通信的系统，所述系统具有基于接收到的描述信道特性的消息应用前向纠错的能力。
在实施例中，公开了一种使用手持设备进行节点之间的数据通信的系统，所述系统具有基于递送顺序事件的发生来维护/设置计时器的能力，并使用计时器延迟反馈消息的传输。
在实施例中，公开了一种使用手持设备进行节点之间的数据通信的系统，所述系统具有基于递送顺序事件的发生来维护/设置计时器的能力，并根据计时器延迟对拥塞窗口大小的修改。
在实施例中，公开了一种使用手持设备进行节点之间的数据通信的系统，所述系统具有基于递送顺序事件的发生来维护/设置计时器的能力，基于计时器延迟对拥塞窗口大小的修改以及在接收到指示成功交付的反馈消息时取消对拥塞窗口大小的修改。
在实施例中，公开了一种使用手持设备进行节点之间的数据通信的系统，所述系统具有使用表征当前/先前连接的维护数据来配置新连接的能力。
在实施例中，公开了一种使用手持设备进行节点之间的数据通信的系统，所述系统具有使用表征当前/先前连接的错误率的维护数据来配置新连接的能力。
在实施例中，公开了一种使用手持设备进行节点之间的数据通信的系统，所述系统具有使用表征当前/先前连接的定时可变性的维护数据来配置新连接的能力。
在实施例中，公开了一种使用手持设备进行节点之间的数据通信的系统，所述系统具有使用表征当前/先前连接的带宽的维护数据来配置新连接的能力。
在实施例中，公开了一种使用手持设备进行节点之间的数据通信的系统，所述系统具有使用表征当前/先前连接的往返时间的维护数据来配置新连接的能力。
在实施例中，公开了一种使用手持设备进行节点之间的数据通信的系统，所述系统具有使用表征当前/先前连接的通信控制参数的维护数据来配置新连接的能力。
在实施例中，公开了一种使用手持设备进行节点之间的数据通信的系统，所述系统具有使用表征当前/先前连接的前向纠错参数的维护数据来配置新连接的能力。
在实施例中，公开了一种使用手持设备进行节点之间的数据通信的系统，所述系统具有用于维护表征一个或多个当前或先前数据通信连接的数据的数据存储器，以及用于基于所维护的数据来启动新数据通信连接的连接启动模块。
在实施例中，公开了一种使用手持设备进行节点之间的数据通信的系统，所述系统具有通过较低延迟数据路径传输数据消息的第一子集和通过较高延迟数据路径传输消息的第二子集的能力。
在实施例中，公开了一种使用手持设备进行节点之间的数据通信的系统，所述系统具有通过较低延迟数据路径传输时间关键的数据消息的第一子集和通过较高延迟数据路径传输消息的第二子集的能力。
在实施例中，公开了一种使用手持设备进行节点之间的数据通信的系统，所述系统具有通过较低延迟数据路径传输数据消息的第一初始子集和通过较高延迟数据路径传输随后可用的消息的第二子集的能力。
在实施例中，公开了一种使用手持设备进行节点之间的数据通信的系统，所述系统具有通过较低延迟数据路径传输确认消息的第一子集和通过较高延迟数据路径传输数据消息的第二子集的能力。
在实施例中，公开了一种使用手持设备进行节点之间的数据通信的系统，所述系统具有通过较低延迟数据路径传输补充/冗余数据消息的第一子集和通过较高延迟数据路径传输数据消息的第二子集的能力。
在实施例中，公开了一种使用手持设备进行节点之间的数据通信的系统，所述系统具有与每个消息相关联的冗余度，该冗余度基于传输顺序中的消息位置。
在实施例中，公开了一种使用手持设备进行节点之间的数据通信的系统，所述系统具有与每个消息相关联的冗余度，该冗余度随着消息位置的不减少而增加。
在实施例中，公开了一种使用手持设备进行节点之间的数据通信的系统，所述系统具有与每个消息相关联的冗余度，该冗余度基于传输顺序中的消息位置并响应于接收反馈消息。
在实施例中，公开了一种使用手持设备进行节点之间的数据通信的系统，在所述系统中，每个消息相关联的冗余度基于在传输顺序中的消息位置，并且响应于接收到反馈消息，基于所述反馈消息从队列中添加或移除冗余消息。
在实施例中，公开了一种使用手持设备进行节点之间的数据通信的系统，所述系统具有如果确定数据路径正在改变消息流，则调整通过不同通信协议在多个不同数据路径中的每个数据路径上发送的消息数量的能力。
在实施例中，公开了一种使用手持设备进行节点之间的数据通信的系统，所述系统具有如果确定数据路径正在改变基于先前通信连接的消息流的初始划分，则调整通过不同通信协议在多个不同数据路径中的每个数据路径上发送的消息数量的能力。
在实施例中，公开了一种使用手持设备进行节点之间的数据通信的系统，当与编码数据相关联的冗余信息经由信道在节点间传输时，所述系统能够基于信道特性修改/添加/移除与编码数据相关联的冗余信息。
在实施例中，公开了一种使用手持设备进行节点之间的数据通信的系统，所述系统具有以估计的丢失事件(孤立的数据包丢失或连续数据包突发)比率发送FEC数据包的能力。
在实施例中，公开了一种使用手持设备进行节点之间的数据通信的系统，所述系统具有组合编码、TCP和分组传输调步。
在实施例中，公开了一种使用手持设备进行节点之间的数据通信的系统，所述系统具有前向纠错码构造，该前向纠错码构造可交织消息包和奇偶校验包的组，并在消息包的重叠组中进行编码。
在实施例中，公开了一种使用手持设备进行节点之间的数据通信的系统，所述系统具有将基于延迟的退避与稳定的窗口增加功能结合的TCP变体。
参照图297至图299描述了在工业IoT环境中使用图像数据集来识别一个或多个目标(如本文所述，在本文中称为设备)的运行特征(例如振动)的系统和方法。在实施例中，系统(如图297中总体所示的计算机视觉系统15000)用于在工业IoT环境中(如上所述)使用一个或多个图像数据集来检测一个或多个目标的振动或其它运行特征(例如，振动、热、电磁发射或其它合适的运行特征)。如上所述，一个或多个目标可以包括设备13006。设备13006可包括搅拌器(包括涡轮搅拌器)、机身控制表面振动设备、催化反应器和压缩机。设备13006还可包括输送机和升降机、处理系统、动力传动系、风扇、灌溉系统和电机。
设备13006还可包括管道、电动动力传动系统、生产平台、泵(例如水泵)、机器人装配系统、热流加热系统、轨道、传动系统和涡轮机。设备13006可以在单个工业环境13018或多个工业环境13018内操作。例如，管道设备可以在石油和天然气环境中操作，而催化反应器可以在石油和天然气生产环境或制药环境中运行。在实施例中，如本公开中描述的对一个或多个设备13006执行运行、监控、检查或执行前述操作组合的操作者，可使用计算机视觉系统15000来分析一个或多个设备13006的运行。在实施例中，操作者可以审查来自计算机视觉系统15000的数据、报告、图表或其它合适的输出，以确定是否需要对一个或多个设备13006进行维护、维修或其它合适的交互。例如，来自计算机视觉系统15000的输出可指示，如果未能在特定时间范围内对设备13006的特定组件进行更换或维修，则与设备13006其中一个设备相关联的振动可能导致故障。在实施例中，计算机视觉系统15000可用于分析图像数据集，如下文所述，并识别一个或多个问题(例如，一个或多个组件的故障或潜在故障)，确定校正动作(例如，更改故障或已损坏组件相关设备的运行速度)，并开始校正动作(例如，自动分析数据、识别问题、确定校正动作并执行至少部分校正动作)。
计算机视觉系统，如计算机视觉系统15000，可用于自动执行任务和/或人类视觉系统的特征。例如，计算机视觉系统15000可用于捕获与设备13006相关联的图像数据，并使用模拟和改进人类视觉和分析方面的各种视觉技术来分析图像数据。例如，与人类视觉不同，计算机视觉系统15000可通过放大物体以及分析各个帧和帧之间的变量来增强图像。在另一示例中，计算机视觉系统15000还可捕获一般人类感知范围之外的图像，例如紫外或红外信号。然后，计算机视觉系统15000可使用视觉技术来识别设备13006的各种特性，例如是否存在不必要的振动或不必要的振动的量级。计算机视觉系统15000可以被训练，例如由人类操作者或主管训练，或基于数据集，模型等进行训练。训练可以包括向计算机视觉系统15000呈现表示值的一个或多个训练数据集，例如传感器数据，事件数据，参数数据和其它类型的数据(包括在本公开中描述的许多类型)，以及一个或多个结果指标，例如过程的结果、计算的结果、事件的结果、活动的结果等。训练可以包括优化训练，例如训练计算机视觉系统15000以基于一种或多种优化方法优化一个或多个系统，例如Bayesian方法、参数Bayes分类器方法、k-最近邻分类器方法、迭代方法、插值方法、Pareto优化方法、算法方法等。可以在变化和选择的过程中提供反馈，例如使用遗传算法，该遗传算法基于通过一系列轮次的反馈来演化一个或多个解决方案。可通过人类操作者或监测系统的另一组件来确定和提供反馈。
在实施例中，可使用包括视觉和/或非视觉数据的训练数据集来训练计算机视觉系统15000，以使用一个或多个数据捕获设备15002捕获的数据来识别设备13006的运行特征。在实施例中，所述训练数据集可包括与设备13006的组件的各种运行状态相对应的图像数据。例如，所述训练数据集可包括以下数据类型：与在预期或可接受条件或容限内运行的设备13006的组件相对应的图像数据；与在超过预期或可接受条件或容限内运行的设备13006的组件相对应的图像数据；以及，与在预期或可接受条件或容限内运行的设备13006的组件相对应的图像数据，但所述设备具有超出预期或可接受条件或容限运行的趋势。
在实施例中，可以基于设备13006或类似设备的组件的图像数据以及各种传感器(例如，本公开中所述的振动传感器)捕获的数据来生成所述训练数据集。例如，所述训练数据集可以包括图像数据与设备13006的组件的已感测振动的相关性(例如，指示组件在预期或可接受条件或容限内运行的图像数据，可能与指示振动为预期或可接受的已感测振动数据相关)。
在实施例中，计算机视觉系统15000可以使用各种视觉输入设备来从设备13006捕获数据(例如，图像数据)。例如，数据捕获设备15002可以在设备13006运行期间捕获数据，例如视觉或图像数据。例如，数据捕获设备15002可以在一段时间内(例如，在设备13006运行期间)捕获多个图像。数据捕获设备15002可以在所述时间段内以任何合适的间隔捕获设备13006的图像。例如，数据捕获设备15002可以在所述时间段内以每秒、每几分之一秒或者以任何合适的间隔来捕获图像。在实施例中，数据捕获设备15002可以捕获原始图像数据。原始图像数据可以包括信号图像、部分图像、表示图像的数据点或其它合适的原始图像数据。在实施例中，数据捕获设备15002可以使用任何合适的图像编码技术来编码原始图像数据。
数据捕获设备15002可以包括照相机、传感器、其它图像捕获设备、其它数据捕获设备或其组合。在实施例中，数据捕获设备15002可以包括用于捕获图像数据的一个或多个全光谱相机，所述图像数据包括可见光图像数据和/或不可见光图像数据，所述不可见光图像数据包括红外图像数据、紫外图像数据、其它不可见图像数据或其组合。在实施例中，数据捕获设备15002可以包括一个或多个辐射成像设备，例如X射线成像设备或其它合适的辐射成像设备。一个或多个辐射成像设备可用于在设备13006运行期间通过X射线成像或其它合适的辐射成像来捕获设备13006的图像数据。在实施例中，数据捕获设备15002可以包括一个或多个声波捕获设备，所述声波捕获设备用于在设备13006运行期间通过声波(例如超声波或其它合适的声波)来捕获设备13006的图像数据。在实施例中，数据捕获设备15002可以包括光成像、检测和测距(light imaging,detection,and ranging，简称LIDAR)设备，所述光成像、检测和测距设备用于在设备13006运行期间，通过使用脉冲光照射目标并使用一个或多个传感器测量所反射的脉冲来测量距离所述目标的距离，从而捕获设备13006的图像数据。在实施例中，数据捕获设备15002可以包括点云数据捕获设备，所述点云数据捕获设备用于在设备13006运行期间，通过使用激光或其它合适的光来生成表示设备13006三维模型的一组数据点，从而捕获设备13006的图像数据。
在实施例中，数据捕获设备15002可以包括红外检测设备，所述红外检测设备用于在设备13006运行期间通过红外成像来捕获设备13006的图像数据。在实施例中，数据捕获设备15002可以包括数字图像捕获设备(例如数码相机)，所述数字图像捕获设备用于在设备13006运行期间使用可见光来捕获设备13006的图像数据。例如，运行、监控、监视和/或检测一个或多个设备13006的操作者可以利用移动设备，例如手机、智能手机、平板电脑或其它合适的移动设备。移动设备可以包括图像捕获设备，例如数码相机。操作者可以捕获与移动设备的图像捕获设备相关联的图像数据。在实施例中，数据捕获设备15002可以是独立的设备，所述独立设备捕获图像数据(如前文所述)并且将所捕获的图像数据传送到客户端、服务器或其组合(如下文所述)。
在实施例中，一个或多个数据捕获设备15002可以在相对于相应设备13006的预定距离和位置处定位，可以定位在相应设备13006处或附近。在选择一个或多个数据捕获设备15002放置或布置的预定距离和位置时，可以使得一个或多个数据捕获设备15002具有相应设备13006的感兴趣点的所需数据捕获场。所述感兴趣点可以包括相应设备13006的任何合适的点或区域。例如，感兴趣点可以包括在相应设备13006上或与之相关的传送带、轴承、叶片、轮叶、风扇或任何其它合适的组件、感兴趣点或感兴趣区域。数据捕获场可以包括用于图像数据捕获设备15002的视场、用于声音数据捕获设备15002的声音数据捕获场或其它合适的数据捕获场。在相应设备13006处或附近的每个相应数据捕获设备的数据捕获场的所捕获数据，根据下文所述，可由图像数据集生成器15006使用，以生成表示相应设备13006的感兴趣点的图像的一个或多个图像数据集。在实施例中，数据捕获设备15002可以包括本文描述的设备或其它未描述的合适数据捕获设备的任意组合。
在实施例中，数据捕获设备15002可捕获设备13006的图像数据(如前文所述)，并且使用网络15008将所捕获的图像数据传送到客户端15004和/或服务器15010。客户端15004可以包括任何合适的客户端，包括贯穿本发明所描述的客户端。在实施例中，客户端15004可以是移动设备或其它合适的客户端。所述客户端可以包括处理器，所述处理器用于执行存储器中存储的指令(例如，一旦被处理器执行，可使处理器执行计算机视觉系统15000的各个部分或本文所述的各种方法的指令)。如本公开中所述，客户端15004可由操作设备13006的或位于其附近的操作者所拥有、操作和/或使用。网络15008可以是任何合适的网络，包括贯穿本发明所描述的任何网络，包括但不限于互联网、云网络、局域网、广域网、无线网络、有线网络、蜂窝网络等或其任意组合。服务器15010可以是任何合适的服务器，包括贯穿本发明所描述的任何服务器。所述服务器15010可以包括处理器，所述处理器用于执行存储器中存储的指令(例如，一旦被处理器执行，可使处理器执行计算机视觉系统15000的各个部分或本文所述的各种方法的指令)。服务器15010可以是独立服务器或一组服务器。服务器15010可以是专用服务器或分布式计算服务器或云服务器等中的一种或其任意组合。
在实施例中，计算机视觉系统15000可包括图像数据集生成器15006。图像数据集生成器15006可以包括能够在客户端15004和/或服务器15010上执行的应用程序或其它合适的软件或程序。在实施例中，客户端15004可用于执行图像数据集生成器15006。例如，如本文所述，当操作者与第一设备13006交互时，操作者可以携带客户端15004。一个或多个数据捕获设备15002可用于捕获与第一设备13006相关联的图像数据(如前文所述)。例如，如本文所述，第一数据捕获设备15002可以设置在第一设备13006附近，使得第一数据捕获设备15002具有第一设备13006上感兴趣点的数据捕获场。第一数据捕获设备15002可以捕获与第一设备13006相关联的原始图像数据。第一数据捕获设备15002可以通过网络15008将所述原始图像数据传送到客户端15004。如下文所述，图像数据集生成器15006可以使用所述原始图像数据生成一个或多个图像数据集。在一些实施例中，服务器15010可用于执行图像数据集生成器15006，如图298中总体所示。第一数据捕获设备15002可以通过网络15008将所述原始图像数据传送到服务器15010。由服务器15010执行的图像数据集生成器15006，可以使用所述原始图像数据生成一个或多个图像数据集，如下文所述。
在实施例中，图像数据集生成器15006可使用从一个或多个数据捕获设备15002接收的原始图像数据生成一个或多个图像数据集。图像数据集可以包括图像，所述图像包括能够(例如，以适当格式)由视觉分析模块15012分析或处理的数据，如下文所述。图像数据集生成器15006可用于解码原始图像数据。例如，如前文所述，在将编码原始图像数据传送给客户端15004和/或服务器15010之前，一个或多个数据捕获设备15002可以对所述原始图像数据进行编码。图像数据集生成器15006可用于使用任何合适的图像解码技术来解码所述原始图像数据。在一些实施例中，图像数据集生成器15006可用于使用任何合适的图像数据集生成技术和/或任何合适的图像处理技术，来关联相关的原始图像数据、拼接原始图像数据(例如，通过使用来自一个或多个数据捕获设备15002的多个图像在其中一个设备13006上创建感兴趣点的单个图像)或生成图像数据集。
在实施例中，图像数据集生成器15006可以从包括可见光图像数据以外的数据的原始数据来生成所述图像数据集。例如，如前文所述，数据捕获设备15002可以捕获例如声音数据、不可见光数据和其它各种数据。图像数据集生成器15006可以接收非图像原始数据并将所述非图像原始数据转换为图像数据。例如，图像数据集生成器15006可以使用由一个或多个数据捕获设备15002捕获的声波来生成设备13006的感兴趣点的一个或多个图像。图像数据集生成器15006可以使用任何合适的技术来生成所述图像数据集。图像数据集生成器15006可以将一个或多个图像数据集传送至视觉分析模块15012。
在实施例中，视觉分析模块15012可以是能够在服务器15010上执行的应用程序或其它合适的软件。虽然视觉分析模块15012被图示和描述为由服务器15010执行，但是应该理解的是，客户端15004可用于执行视觉分析模块15012。
如图299总体所示，视觉分析模块15012可以包括图像数据数据库15014、训练数据数据库15016、视觉分析器15018和运行特征检测器15020。在实施例中，图像数据数据库15014可以包括任何合适的数据库，并且可以设置在客户端15004和/或服务器15010本地，远离客户端15004和服务器15010的任意一个或其它合适的位置。如前文所述，图像数据数据库15014可以存储由图像数据集生成器15006生成的图像数据集。例如，图像数据集生成器15006可以生成一个或多个图像数据集(如前文所述)，并将所述一个或多个图像数据集传送给图像数据数据库15014。在实施例中，图像数据数据库15014可以是用于存储所述图像数据集的任何合适的图像存储库。
训练数据数据库15016可以包括任何合适的数据库，并且可以设置在客户端15004和/或服务器15010本地，远离客户端15004和服务器15010中的任意一个或其它合适的位置。训练数据数据库15016可以存储由深度学习系统生成的训练数据集，如下文所述。在实施例中，训练数据数据库15016可以是用于存储所述训练数据集的任何合适的训练数据存储库。所述训练数据集可以包括任何合适的训练数据集。例如，可使用各种合适的图像数据集(例如表示设备13006和其它设备的一部分的图像数据集、表示设备13006或其它设备的运动、振动或其它各种特征的图像数据集、或任何其它合适的图像数据集或其它数据集)通过深度学习系统来生成所述训练数据集，如下文所述。
在实施例中，所述训练数据集可用于训练计算机视觉系统15000以检测设备13006的各种运行特征。例如，如下文所述，所述深度学习系统可以训练视觉分析器15018，以识别图像数据集的各种数据点(例如异常、功能、特征)或其它合适的数据点。在实施例中，视觉分析器15018可以由任何合适的训练系统(例如机器学习系统、人工智能训练系统、深度学习系统)来训练，由人类程序员来编程或者使用任何合适的技术、方法和/或系统来进行配置、训练、编程等。例如，视觉分析器15018可用于识别由图像数据集表示的相应设备13006的感兴趣点的一部分。例如，视觉分析器15018可以识别由图像数据集表示的相应设备13006的传送带的一部分。视觉分析器15018可用于分析所述感兴趣点的部分并确定所述感兴趣点的部分的特征(例如，位置、尺寸、形状和/或其它合适的特征)是否对应于所述感兴趣点的部分的预测或预定特征。例如，视觉分析器15018可以识别与所述图像数据集相关联的多个图像中的一个图像的感兴趣点的部分。视觉分析器15018可记录与所述图像数据集的多个图像中的每一个图像相关联的感兴趣点部分的各种特征相对应的值。例如，视觉分析器15018可以在所述图像数据集的多个连续图像的每个图像中记录相应设备13006的传送带的一部分的位置，并且可以在连续图像中跟踪传送带位置的变量。
可以基于所述训练数据集来预测或预定所述预测或预定特征，所述预测或预定特征可以与所述感兴趣点部分的特征相对应，所述感兴趣点部分指示相应的设备13006在可接受或可预期的容限内运行。例如，所述感兴趣点部分的预测或预定特征可以包括相应设备13006运行时传送带的一部分的位置。所述传送带的位置可以对应于相应设备13006运行时所述传送带的预期运行位置(例如，在相应设备13006在可接受的运行容限内运行时所述传送带部分的预期位置)。尽管描述了各种示例，但是应当理解，视觉分析器15018可以使用所述感兴趣点部分的任何合适特征来分析所述图像数据集。
在实施例中，视觉分析器15018可以将记录的感兴趣点部分的特征与感兴趣点部分的预测或预定特征进行比较。视觉分析器15018可被配置(例如，如上所述的训练、配置、编程等)成根据记录的感兴趣点部分的特征与感兴趣点部分的预测或预定特征的比较，生成对感兴趣点部分的分析。例如，视觉分析器15018可确定记录的感兴趣点部分的位置与预测或预定的感兴趣点部分的位置之间的方差(例如，相应设备13006的传送带的实际或观测位置与相应设备13006的传送带的预测或预定位置之间的方差)。如前文所述，所述图像数据集可以包括在一段时间内捕获的感兴趣点部分的多个图像。视觉分析器15018可以在该段时间内的第一间隔期间确定所述感兴趣点部分的第一记录特征和所述感兴趣点部分的第一预测或预定特征之间的第一方差(例如，使用第一间隔期间捕获的第一图像)。然后，视觉分析器15018可以在该段时间内的第二间隔期间确定所述感兴趣点部分的第二记录特征和所述感兴趣点部分的第二预测或预定特征之间的第二方差(例如，使用第二间隔期间捕获的第二图像)。视觉分析器15018可以使用与该段时间内的间隔相对应的图像来继续确定该段时间内多个记录特征和多个预测或预定特征之间的方差。通过这种方式，视觉分析器15018可以生成表示随时间变化的感兴趣点部分的特征相对于感兴趣点部分的预测或预定特征的方差的数据。例如，视觉分析器15018可生成表示一段时间内传送带的实际位置或观测位置与传送带的预测或预定位置的差异的数据。视觉分析器15018可以量化所述方差。例如，视觉分析器15018可用于确定表示所述记录特征与所述预测或预定特征之间的方差的值(例如，表示传送带的记录位置与传送带的预测或预定位置之间的距离的值)。在实施例中，视觉分析器15018可用于生成方差数据集，所述方差数据集包括表示所述感兴趣点部分的记录特征与所述感兴趣点部分的预测或预定特征之间的方差的值。视觉分析器15018可以将所述方差数据集传送给运行特征检测器15020。
在实施例中，运行特征检测器15020可以位于或设置在视觉分析模块15012上，或位于或设置在远离视觉分析模块15012的位置。在实施例中，运行特征检测器15020可用于基于所述方差数据集来确定或识别相应设备13006或任何合适的设备13006的各种运行特征。各种运行特征可以包括在相应设备13006操作过程中感兴趣点的部分的振动、热量、变形、偏转、其它合适的运行特征或其组合、相应设备13006的其它部分的振动、热量、变形、偏转、其它合适的运行特征或其组合以及相应设备13006的其它合适的运行特征或其组合。如本文所述，运行特征检测器15020可以由任何合适的训练系统(例如机器学习系统、人工智能训练系统、深度学习系统)来训练，由人类程序员来编程或者使用任何合适的技术、方法和/或系统来进行配置、训练、编程等。在实施例中，运行特征检测器15020可用于通过识别方差数据集的各种数据来识别所述感兴趣点的部分的运行特征，所述数据指示相应设备13006的一个或多个运行特征的数量或其它合适的测量值。
例如，运行特征检测器15020可识别指示传送带以第一频率振动的方差数据集的数据(例如，通过识别与指示在一段时间内传送带以第一频率运动的位置的方差数据集相关联的值)。运行特征检测器15020可以将所识别的运行特征与经过训练或编程的运行特征进行比较，以确定运行特征是否在相应设备13006的运行容限范围内。例如，运行特征检测器15020可以将与运行特征相关联的值与阈值进行比较(例如，根据运行特征值是否高于或低于阈值，确定运行特征是否在容限范围内)，将与运行特征相关联的值与预测值进行比较(例如，如果值不同则确定运行特征不在容限范围内)，或进行其它合适的决定性分析，或结合所述各种方法进行分析。例如，运行特征检测器15020可以将传送带振动的频率与训练或编程的频率进行比较。所述训练或编程的频率可包括相应设备13006在正常运行时或在可接受范围内运行时传送带的振动频率、表示传送带振动超过可接受容限的传送带的振动频率、表示相应设备13006在正常运行时或在可接受范围内运行时的振动频率(但所述频率指示传送带可能最终会在相应设备13006运行的可接受容限范围以外的频率振动)、或其它合适的频率。虽然仅描述了振动，所述训练或编程的运行特征可指示相应设备13006的任何合适的运行特征。运行特征检测器15020可以(例如，向数据库、报告、监测器或其它合适的输出位置或设备)输出运行特征数据集，所述运行特征数据集包括指示值或运行特征和/或指示预测性(例如，未来的)运行特征(例如，基于所述感兴趣点的部分的实际或观察到的运行特征以及指示实际或观察到的运行特征的经过训练或编程的运行特征确定，所述实际或观察到的运行特征指示特定的其它运行特征)、实际或观察到的运行特征的信息、其它合适的信息或值或其组合。
在实施例中，操作者可以审查和/或分析运行特征数据集，以确定相应设备13006和/或相应设备13006的感兴趣点部分是否在预期或可接受的容限范围内运行。另外，操作者也可以根据运行特征数据集来确定相应设备13006的一个或多个组件发生故障、将要发生故障、需要维护或确定其它合适的决定。例如，运行特征数据集可以指示传送带以第一频率振动。在第一频率振动的传送带可能指示与传送带相关联的皮带轮发生故障或需要维护。操作者可根据运行特征数据维护或更换皮带轮。在实施例中，运行特征检测器15020可用于输出指示相应设备13006的组件需要维护或更换的信息或数据。例如，如前文所述，运行特征数据集可以指示传送带以第一频率振动。运行特征检测器15020可用于根据运行特征数据集(例如，指示传送带以第一频率振动)和训练或编程的运行特征，来确定以第一频率振动的传送带指示第一皮带轮发生故障并需要更换或维护。运行特征检测器15020可向操作者输出信息或数据，如前文所述，根据所述信息或数据操作者可采取相应动作(例如，更换或维护第一皮带轮)。
在实施例中，计算机视觉系统15000可以使用各种非视觉输入设备来从相应设备13006中捕获数据(例如，非图像数据)。例如，数据捕获设备15002可以在相应设备13006运行期间捕获数据，例如温度、压力、化学结构、其它合适的非可视数据或其组合。化学结构可以包括表示将原子保持在一起的分子和化学键的空间排列的分子结构。化学结构可以用分子模型或分子式来表示。例如，数据捕获设备15002可以在一段时间内(例如，在相应设备13006运行期间)捕获多个测量值。数据捕获设备15002可以在所述时间段内以任何合适的间隔捕获相应设备13006的测量值。例如，数据捕获设备15002可以在所述时间段内以每秒、每几分之一秒或者以任何合适的间隔来捕获测量值。在实施例中，数据捕获设备15002可以捕获原始测量数据。原始测量数据可包括温度测量值、压力测量值(例如，在相应设备13006的一部分内的液体或气体的值)、化学结构测量值(例如，在相应设备13006的一部分内的液体、气体或固体的值)或其它适当的原始测量数据。在实施例中，数据捕获设备15002可以使用任何合适的测量编码技术来编码原始测量数据。
数据捕获设备15002可以包括压力传感器、温度传感器、化学传感器、流体传感器、其它传感器、其它数据捕获设备或其组合。在实施例中，数据捕获设备15002可包括一个或多个用于捕获压力测量数据的压力传感器，所述压力测量数据包括相应设备13006的一部分。例如，压力传感器可以测量相应设备13006的容器、管道、罐或其它合适的加压外壳内的压力。在实施例中，数据捕获设备15002可包括一个或多个用于测量相应设备13006的一部分的温度的温度传感器。例如，温度传感器可以测量相应设备13006的炉、窑、容器、管道、罐或其它合适的部分的温度。在实施例中，数据捕获设备15002可包括一个或多个化学传感器，用于测量或确定与相应设备13006相关联的液体、气体或固体的化学结构。例如，化学传感器可测量由相应设备13006制造的部件的化学结构、用于在运行期间冷却相应设备13006的冷却流体的化学结构、相应设备13006在运行期间产生的废物的化学结构、或与相应设备13006相关联的其它合适的液体、流体、气体或固体的其它合适的化学结构。
在实施例中，数据捕获设备15002可与移动设备相关联。例如，运行、监控、监测和/或检测一个或多个相应设备13006的操作者可以利用移动设备，例如手机、智能手机、平板电脑或其它合适的移动设备。所述移动设备可以包括数据捕获设备，例如附加传感器。操作者可以使用所述移动设备的附加传感器来捕获测量数据。在实施例中，数据捕获设备15002可以是独立的设备，所述独立设备捕获测量数据(如前文所述)并且将所捕获的测量数据传送到客户端15004、服务器15010或其组合(如前文所述)。
在实施例中，一个或多个数据捕获设备15002可以在相对于相应设备13006的预定距离和位置处定位在相应设备13006处或附近。在选择一个或多个数据捕获设备15002放置或布置的预定距离和位置时，可以使得一个或多个数据捕获设备15002具有相应设备13006的感兴趣点的所需数据捕获场。如前文所述，所述感兴趣点可以包括相应设备13006的任何合适的点或区域。例如，所述感兴趣点可以包括容器、罐、管道、外壳、制造部件、冷却液、废料、其它合适的感兴趣点或其组合。数据捕获场可以包括一个区域，在该区域中可以使用数据捕获设备15002捕获所需的测量值。在相应设备13006处或附近的每个相应数据捕获设备15002的数据捕获场的所捕获数据，根据前文所述，可由图像数据集生成器15006使用，以生成表示相应设备13006的感兴趣点的图像的一个或多个图像数据集。在实施例中，数据捕获设备15002可以包括本文描述的设备或其它未描述的合适数据捕获设备的任意组合。
在实施例中，数据捕获设备15002可捕获相应设备13006的测量数据(如前文所述)，并且使用网络15008将所捕获的测量数据传送到客户端15004和/或服务器15010。客户端15004可以包括任何合适的客户端，包括贯穿本发明所描述的客户端。在实施例中，客户端15004可以是移动设备或其它合适的客户端。客户端15004可由操作相应设备13006的或位于其附近的操作者所拥有、操作和/或使用，如本公开中所述。网络15008可以是任何合适的网络，包括贯穿本发明所描述的任何网络，包括但不限于互联网、云网络、局域网、广域网、无线网络、有线网络、蜂窝网络等或其任意组合。服务器15010可以是任何合适的服务器，包括贯穿本发明所描述的任何服务器。服务器15010可以是独立服务器或一组服务器。服务器15010可以是专用服务器或分布式计算服务器或云服务器等中的一种或其任意组合。
在实施例中，如前文所述，图像数据集生成器15006可以包括能够在客户端15004和/或服务器15010上执行的应用程序或其它合适的软件或程序。在实施例中，客户端15004可用于执行图像数据集生成器15006。例如，如本文所述，当操作者与第一设备13006交互时，操作者可以携带客户端15004。一个或多个数据捕获设备15002可用于捕获与第一设备13006相关联的测量数据(如前文所述)。例如，第一数据捕获设备15002可以设置在第一设备13006附近，使得第一数据捕获设备15002具有第一设备13006上感兴趣点的数据捕获场，如本文所述。第一数据捕获设备15002可以捕获与第一设备13006相关联的原始测量数据。第一数据捕获设备15002可以通过网络15008将所述原始测量数据传送到客户端15004。图像数据集生成器15006可以使用所述原始测量数据生成一个或多个图像数据集。在一些实施例中，服务器15010可用于执行图像数据集生成器15006，如图298中总体所示。第一数据捕获设备15002可以通过网络15008将所述原始测量数据传送到服务器15010。由服务器15010执行的图像数据集生成器15006，可以使用所述原始测量数据生成一个或多个图像数据集。
在实施例中，图像数据集生成器15006可使用从一个或多个数据捕获设备15002接收的原始测量数据生成一个或多个图像数据集。图像数据集可以包括图像，所述图像包括能够(例如，以适当格式)由视觉分析模块15012分析或处理的数据，如前文所述。图像数据集生成器15006可用于解码原始测量数据。例如，如前文所述，在将编码原始测量数据传送给客户端15004和/或服务器15010之前，一个或多个数据捕获设备15002可以对所述原始测量数据进行编码。图像数据集生成器15006可用于使用任何合适的测量解码技术来解码所述原始测量数据。例如，图像数据集生成器15006可用于将表示测量值的信号解释为测量值。在一些实施例中，图像数据集生成器15006可用于使用任何合适的图像数据集生成技术和/或任何合适的测量数据处理技术，来关联相关的原始测量数据、拼接原始测量数据(例如，通过使用来自一个或多个数据捕获设备15002的多个测量值在其中一个相应设备13006上创建表示感兴趣点的单个值)或生成图像数据集。例如，图像数据集生成器15006可用于使用与压力、温度、化学结构相对应的测量数据或其它合适的测量数据来生成表示相应设备13006的感兴趣点的图像数据。
在实施例中，图像数据集生成器15006可用于使用前文所述的测量数据与原始图像数据(例如，如上文所述由数据捕获设备15002捕获)相结合，以生成另一个图像数据集。例如，图像数据集生成器15006可用于使用捕获的图像数据和相关联的温度测量值来生成相应设备13006的感兴趣点的图像，从而生成所述感兴趣点的精确图像(例如，考虑由于组件的温度而导致的组件膨胀、偏转、放大、收缩或形状或尺寸的其它变化)。图像数据集生成器15006可以将一个或多个图像数据集传送至视觉分析模块15012。在实施例中，视觉分析模块15012可以是能够在服务器15010上执行的应用程序或其它合适的软件。虽然视觉分析模块15012被图示和描述为由服务器15010执行，但是应该理解的是，客户端15004可用于执行视觉分析模块15012。在实施例中，视觉分析模块15012可以分析前文所述的图像数据集。例如，视觉分析器15018可以分析所述图像数据集。运行特征检测器15020可以识别前文所述的运行特征。
在实施例中，根据前文所述，训练数据数据库15016可以包括任何合适的数据库，并且可以设置在客户端15004和/或服务器15010本地，远离客户端15004和服务器15010中的任意一个或其它合适的位置。训练数据数据库15016可以存储由深度学习系统生成的训练数据集，如下文所述。在实施例中，训练数据数据库15016可以是用于存储所述训练数据集的任何合适的训练数据存储库。所述训练数据集可以包括任何合适的训练数据集。例如，可使用各种合适的数据集(例如表示相应设备13006和其它设备的部分的数据集、表示相应设备13006或其它设备的压力、温度、化学结构、振动或其它各种特征的数据集、或任何其它合适的数据集)通过深度学习系统来生成所述训练数据集，如下文所述。
在实施例中，所述训练数据集可用于训练计算机视觉系统15000以检测相应设备13006的各种运行特征。例如，如下文所述，所述深度学习系统可以训练视觉分析器15018，以识别图像数据集的各种数据点(例如异常、功能、特征)或其它合适的数据点。在实施例中，视觉分析器15018可以由任何合适的训练系统(例如机器学习系统、人工智能训练系统、深度学习系统)来训练，由人类程序员来编程或者使用任何合适的技术、方法和/或系统来进行配置、训练、编程等。例如，视觉分析器15018可用于识别由图像数据集表示的所述相应设备13006的感兴趣点的一部分。例如，视觉分析器15018可以识别由图像数据集表示的相应设备13006的传送带的一部分。视觉分析器15018可用于分析所述感兴趣点的部分并确定所述感兴趣点的部分的特征(例如，位置、尺寸、形状和/或其它合适的特征)是否对应于所述感兴趣点的部分的预测或预定特征。例如，视觉分析器15018可以识别与所述图像数据集相关联的多个图像中的一个图像的感兴趣点的部分。视觉分析器15018可记录与所述图像数据集的多个图像中的每一个图像相关联的感兴趣点部分的各种特征。例如，视觉分析器15018可以在所述图像数据集的多个连续图像的每个图像中记录相应设备13006的传送带的一部分相关联的压力值、温度值或其它合适的值，并且可以在连续图像中跟踪所述传送带的测量值的变量(例如，通过使用数据捕获设备15002捕获的测量值，如前文所述)。如前文所述，视觉分析器15018可基于记录值与预测值或预定值之间的差来生成方差数据集。
在实施例中，运行特征检测器15020可以位于或设置于视觉分析模块15012上，或者位于或设置在远离视觉分析模块15012的位置。在实施例中，运行特征检测器15020可用于基于所述方差数据集来确定或识别相应设备13006或任何合适的相应设备13006的各种运行特征。各种运行特征可以包括在相应设备13006操作过程中感兴趣点的部分的振动、热量、变形、偏转、其它合适的运行特征或其组合、相应设备13006的其它部分的振动、热量、变形、偏转、其它合适的运行特征或其组合以及相应设备13006的其它合适的运行特征或其组合。
如本文所述，运行特征检测器15020可以由任何合适的训练系统(例如机器学习系统、人工智能训练系统、深度学习系统)来训练，由人类程序员来编程或者使用任何合适的技术、方法和/或系统来进行配置、训练、编程等。在实施例中，可使用训练数据集(例如表示相应设备13006和其它设备的部分的数据集、表示相应设备13006或其它设备的压力、温度、化学结构、振动或其它各种特征的数据集、或任何其它合适的数据集)通过深度学习系统来训练运行特征检测器15020，如下文所述。在实施例中，运行特征检测器15020可用于通过识别方差数据集的各种数据来识别所述感兴趣点的部分的运行特征，所述数据指示相应设备13006的一个或多个运行特征的数量或其它合适的测量值。在实施例中，所述运行特征可包括相应设备13006的组件内的压力、相应设备13006的组件的至少一部分的温度、材料的化学结构(例如，相应设备13006的组件、组件内部、由相应设备13006制造的组件或部件的气体、液体或固体)、材料的密度(例如，相应设备13006的组件、组件内部、由相应设备13006制造的组件或部件的气体、液体或固体)、其它合适的运行特征或其组合。
例如，运行特征检测器15020可识别指示由于温度的意外升高而导致相应设备13006的组件变形的方差数据集的数据(例如，通过识别与指示在一段时间内组件温度意外升高的方差数据集相关联的值)。运行特征检测器15020可以将所识别的运行特征与经过训练或编程的运行特征进行比较，以确定运行特征是否在相应设备13006的运行容限范围内。例如，运行特征检测器15020可以将组件的温度变化速率与组件的训练或编程的温度变化速率进行比较。运行特征检测器15020可以(例如，向数据库、报告、监测器或其它合适的输出位置或设备)输出运行特征数据集，所述运行特征数据集包括指示值或运行特征和/或指示预测性(例如，未来的)运行特征(例如，基于所述感兴趣点的部分的实际或观察到的运行特征以及指示实际或观察到的运行特征的经过训练或编程的运行特征确定，所述实际或观察到的运行特征指示特定的其它运行特征)、实际或观察到的运行特征的信息、其它合适的信息或值或其组合。如前文所述，操作者可以分析输出数据并采取适当的校正动作。另外或替代地，计算机视觉系统15000可以自动识别校正动作并开始校正动作。
在实施例中，计算机视觉系统15000可以实现分类模型(例如，使用深度神经网络或其它合适的神经或其它网络)。例如，视觉分析模块15012可以实现接收所述图像数据的分析的分类模型，该数据包括上述方差数据集。视觉分析模块15012可输出与相应设备13006的运行特征相关的分类。例如，通过视觉分析模块15012，所述分类模型可接收定义运行中的相应设备13006的传送带的图像数据集的记录特征之间的差异的特征。在训练所述分类模型后(通过使用与故障传送带对应的图像数据和/或非图像数据、与尚未发生故障的传送带对应的图像数据和/或非图像数据、与在预期和/或可接受条件下运行的传送带对应的图像和/或非图像数据)，所述分类模型可以输出表示以下情况的分类：所述传送带是否存在故障、是否在预期和/或可接受条件下运行但易发生故障、或是否在预期和/或可接受条件下运行。
在实施例中，运行特征检测器15020、视觉分析模块15012和/或计算机视觉系统15000可生成一个或多个用于提示操作者相应设备13006的一个或多个运行特征、相应设备13006的一个或多个组件需要维护或更换的警告、信号、指示或其它适当输出、任何其它适当提示或其组合。例如，计算机视觉系统15000可用于生成消息，例如文本消息、电子邮件消息、弹出消息或其它适当消息，指示相应设备13006的组件(例如，第一皮带轮)需要维护。所述消息可能包括传递潜在消息的文本、字符、图像或其它适当信息。计算机视觉系统15000可用于通过网络15008、近场通信或其它合适的通信系统或协议将消息传送给操作者。例如，计算机视觉系统15000可以将消息传送到前述的移动设备，或者其它合适的设备和/或位置。
在实施例中，计算机视觉系统15000可用于在输出显示器上显示一个或多个相应设备13006的当前状态。例如，相应设备13006的工厂、厂房或其它适当位置可以包括输出显示器(例如，屏幕或监视器)，所述显示器在放置时应使得相应设备13006附近的操作者能够看到输出显示器。计算机视觉系统15000可用于显示一个或多个相应设备13006的状态(例如，红色、黄色、绿色状态、开机或关机状态、其它合适的状态或指标或其组合)。例如，计算机视觉系统15000可以，在正在可容许运行条件下运行的相应设备13006的旁边，显示绿色状态(例如，基于上述图像数据集的视觉分析)。在另一示例中，计算机视觉系统15000可以，在正在容许运行条件下运行的相应设备13006的旁边，显示黄色状态，而视觉分析表明，如果运行特征(例如所述已识别特征)继续保持当前运行趋势，则相应设备13006可能会在容许运行条件以外运行(例如，根据传送带的振动频率，计算机视觉系统15000确定继续以该频率和/或更高频率振动可能会导致相应设备13006在容许运行条件以外运行)。在另一示例中，计算机视觉系统15000可以，在正在容许运行条件以外运行的相应设备13006的旁边，显示红色状态。在实施例中，计算机视觉系统15000可以在其它合适的显示器(例如移动设备的显示器)上显示相应设备13006的运行状态，如前文所述。例如，移动设备可以包括显示相应设备13006的运行状态的应用。
在实施例中，视觉分析模块15012的输出可用于更新和/或改进上述训练数据集。例如，视觉分析模块15012的输出可用于更新训练数据集，以包括其它运行特征、提高用于预测各种运行特征的数值的精度，或用于对训练数据集的其它适当更新或改进或其组合。所述训练数据集可用作对计算机视觉系统15000的连续反馈，以提高计算机视觉系统15000的预测和确定能力。
在实施例中，视觉分析模块15012的输出可用于填充和/或更新知识库，操作者或计算机视觉系统15000可以使用所述知识库来识别故障、安排维修或维护、调整相应设备13006上的设置、采取其它校正动作或其它适当的动作。例如，视觉分析模块15012的输出可与相应的组件维修相关(例如，视觉分析模块15012的输出可表示传送带的振动超出了预期或可接受的容限，操作者可根据输出更换皮带轮)。可以更新所述知识库，以表示已经根据视觉分析模块15012的输出(例如，包括上文确定的运行特征的值)更换皮带轮。通过这种方式，所述知识库可以继续扩展，并为操作者或计算机视觉系统15000提供准确和精确的信息，因为所述知识库涉及运行特征和相应的校正动作，有助于提高计算机视觉系统15000的效率，并协助操作者识别问题和进行相应校正动作。
在实施例中，除上述情况外，计算机视觉系统15000可用于目测检查组件、部件、系统、设备或其组合。例如，计算机视觉系统15000可用于目测检查(如前文所述)部件制造设施制造的部件。例如，数据捕获设备15002可布置或放置成使得每个相应数据捕获设备15002的数据捕获场指向(例如，部件生产线上)正在制造的部件的至少一部分。当所述部件沿着部件生产线移动时，数据捕获设备15002可以捕获与部件相关联的数据。计算机视觉系统15000可以分析由数据捕获设备15002捕获的数据(例如，作为由图像数据集生成器15006生成的图像数据集)，并识别异常、变化或使所述部件偏离容许标准的其它情况。在实施例中，所述部件可包括用于车辆的部件、用于自行车的部件、自行车链条、垫圈、紧固件(例如，螺钉、螺栓、螺母、钉子等)、印刷电路板、电容器、电感器、电阻器或其它合适的部件。例如，计算机视觉系统15000可以分析与正在制造的自行车链条相关联的图像数据集。根据上述分析，计算机视觉系统15000可以识别自行车链条的一部分中的弯曲超过了自行车链条部分的容限标准。如前文所述，计算机视觉系统15000可以生成消息，指示所述自行车链条不应继续使用、应该维修、销毁或采取其它适当的动作。
如图300-301总体所示，深度学习系统15030可用于使用训练数据集来训练计算机视觉系统15000，以识别相应设备13006或其它适当设备的运行特征，根据识别的运行特征识别校正动作，并根据识别的校正动作开始校正动作。深度学习系统15030可以使用基于数据表示的学习来训练计算机视觉系统15000。在实施例中，深度学习系统15030可以使用监督训练(例如，使用分类)、半监督训练或无监督训练(例如，使用模式分析)来训练计算机视觉系统15000。在实施例中，深度学习系统15030可以包括深度神经网络、深度信念网络、递归神经网络、其它合适的网络或学习系统或其组合。
在实施例中，深度学习系统15030可以包括具备多层组织的命题公式或潜在变量。多个层中的每一个层可以用于表示图像的抽象部分。例如，第一层可以表示像素的摘要并编码输入图像的边缘，例如表示代表设备13006的感兴趣点的图像。第二层可以表示所述边缘的布置。第三层可以在代表设备13006的感兴趣点内部编码组件的第一部分(例如，如前文所述的传送带的一部分)。第四层可以表示所述组件的另一编码部分，依此类推，以使多层重叠时表示代表设备13006的感兴趣点。深度学习系统15030可用于将各层转换为训练数据集，用于训练计算机视觉系统15000。例如，深度学习系统15030可以转换表示代表设备13006的传送带以第一频率振动的一个或多个图像的多个层。深度学习系统15030可使用来自各种来源的输入数据来确定第一频率是否表示所述传送带在预期或可接受容限内振动的频率，如前文所述。例如，深度学习系统15030可接收数据，所述数据指示与相应设备13006、流程、生产线、设施或其它适当系统相关联的维修数据、维护数据、正常运行时间数据、停机时间数据、盈利数据、效率数据、运行优化数据、其它适当数据或其组合数据。
在实施例中，深度学习系统15030可识别与所述传送带的第一频率相对应的数据值。例如，深度学习系统15030可以识别在传送带以第一频率振动时相应设备13006运行周期中对应的正常运行时间值、停机时间值、盈利值、其它适当值或其组合值。例如，当数据指示相应设备13006的正常运行时间高于阈值、停机时间低于阈值、盈利高于阈值或其组合时，深度学习系统15030可确定第一频率在预期或可接受的容限范围内。相反，例如，与相应设备13006相关联的停机时间超过阈值时，深度学习系统15030可确定第一频率超出预期或可接受的容限。应理解的是，除了本文所公开的运行特征之外，深度学习系统15030还可识别任何适当的运行特征，并且深度学习系统15030可基于除本文所述内容以外的任何合适的数据分析来确定运行特征的正面或负面结果。
在实施例中，深度学习系统15030可使用识别的运行特征及其相关分析生成所述训练数据集。在实施例中，深度学习系统15030可以使用训练数据集来训练计算机视觉系统15000。在实施例中，深度学习系统15030可以从计算机视觉系统15000、操作者、程序员、其它合适来源或其组合接收反馈信息。深度学习系统15030可以基于所述反馈更新所述训练数据集。例如，计算机视觉系统15000在使用训练数据集进行训练后，可能识别故障组件。操作者可以目测检查组件，并确定组件没有故障。操作者和/或计算机视觉系统15000可基于识别的运行特征(例如，计算机视觉系统15000识别的运行特征)确定所述组件没有故障，并将所述信息传送给深度学习系统15030。深度学习系统15030可使用操作者和/或计算机视觉系统15000的反馈更新所述训练数据集。
在实施例中，用于检测制造设备运行特征的装置包括存储器和处理器。所述存储器包括可由处理器执行的指令，以使用一个或多个数据捕获设备捕获的原始数据来生成一个或多个图像数据集；识别与由所述一个或多个图像数据集表示的感兴趣点内的所述制造设备的一部分对应的一个或多个值；记录所述一个或多个值；将记录的一个或多个值与相应的预测值进行比较；基于所记录的一个或多个值与相应的预测值的比较，生成方差数据集；基于方差数据识别制造设备的运行特征；以及，生成指示运行特征的指示。
在实施例中，所述存储器包括指令，所述处理器可进一步执行所述指令以确定校正措施，从而响应识别所述运行特征。在实施例中，所述存储器包括指令，所述处理器可进一步执行所述指令以采取校正措施，从而响应识别所述运行特征。在实施例中，所述运行特征包括所述制造设备的组件的振动。在实施例中，所述运行特征包括所述制造设备的组件的形状。在实施例中，所述运行特征包括所述制造设备的组件的尺寸。在实施例中，所述运行特征包括所述制造设备的组件的偏转。在实施例中，所述运行特征包括所述制造设备的组件的电磁发射。在实施例中，所述运行特征包括所述制造设备的组件的温度。在实施例中，所述运行特征包括所述制造设备的组件内的气体的温度。在实施例中，所述运行特征包括所述制造设备的组件内的液体的温度。在实施例中，所述运行特征包括所述制造设备的组件内的固体的温度。在实施例中，所述运行特征包括所述制造设备的组件内的压力。在实施例中，所述运行特征包括所述制造设备的组件内的气体的压力。在实施例中，所述运行特征包括所述制造设备的组件内的液体的压力。在实施例中，所述运行特征包括所述制造设备的组件内的气体的密度。
在实施例中，所述运行特征包括所述制造设备的组件内的液体的密度。在实施例中，所述运行特征包括所述制造设备的组件内的固体的密度。在实施例中，所述运行特征包括由所述制造设备制造的组件的密度。在实施例中，所述组件包括用于车辆的部件。在实施例中，所述组件包括用于自行车的部件。在实施例中，所述组件包括自行车链条。在实施例中，所述组件包括垫圈。在实施例中，所述组件包括紧固件。在实施例中，所述组件包括用于螺钉的部件。在实施例中，所述组件包括用于螺栓的部件。在实施例中，所述组件包括用于印刷电路板的部件。在实施例中，所述组件包括用于电容器的部件。在实施例中，所述组件包括用于电阻器的部件。在实施例中，所述组件包括用于电感器的部件。在实施例中，所述运行特征包括所述制造设备的组件内的气体的化学结构。
在实施例中，所述运行特征包括所述制造设备的组件内的液体的化学结构。在实施例中，所述运行特征包括所述制造设备的组件内的固体的化学结构。在实施例中，所述运行特征包括由所述制造设备制造的组件的化学结构。在实施例中，所述组件包括用于车辆的部件。在实施例中，所述组件包括用于自行车的部件。在实施例中，所述组件包括自行车链条。在实施例中，所述组件包括垫圈。在实施例中，所述组件包括紧固件。在实施例中，所述组件包括用于螺钉的部件。在实施例中，所述组件包括用于螺栓的部件。在实施例中，所述组件包括用于印刷电路板的部件。在实施例中，所述组件包括用于电容器的部件。
在实施例中，所述组件包括用于电阻器的部件。在实施例中，所述组件包括用于电感器的部件。在实施例中，所述数据捕获设备包括图像捕获设备。在实施例中，所述数据捕获设备包括摄像头。在实施例中，所述数据捕获设备包括数据测量设备。在实施例中，所述数据捕获设备包括传感器。在实施例中，所述数据捕获设备包括全光谱摄像头。在实施例中，所述数据捕获设备包括辐射成像设备。在实施例中，所述数据捕获设备包括X射线成像设备。在实施例中，所述数据捕获设备包括非可见光数据捕获设备。在实施例中，所述数据捕获设备包括可见光数据捕获设备。在实施例中，所述数据捕获设备包括声音数据捕获设备。在实施例中，所述数据捕获设备包括图像捕获设备。在实施例中，所述数据捕获设备包括光成像、检测和测距设备。在实施例中，所述数据捕获设备包括点云数据捕获设备。在实施例中，所述数据捕获设备包括红外检测设备。在实施例中，所述数据捕获设备包括图像捕获设备。
在实施例中，所述数据捕获设备包括压力传感器。在实施例中，所述数据捕获设备包括温度传感器。在实施例中，所述数据捕获设备包括化学传感器。在实施例中，所述数据捕获设备包括独立设备。在实施例中，所述数据捕获设备包含与移动设备相关联。在实施例中，所述移动设备包括智能手机。在实施例中，所述移动设备包括平板电脑。在实施例中，所述原始数据包括原始图像数据。在实施例中，所述原始数据包括原始测量数据。在实施例中，所述制造设备在所述感兴趣点内的所述一部分包括所述制造设备的组件。在实施例中，所述制造设备在所述感兴趣点内的所述一部分包括所述制造设备的传送带。在实施例中，所述制造设备在所述感兴趣点内的所述一部分包括由所述制造设备制造的组件。在实施例中，所述制造设备在所述感兴趣点内的所述一部分包括由所述制造设备制造的自行车链条。
在实施例中，用于检测制造设备的运行特征的方法包括：使用一个或多个数据捕获设备捕获的原始数据来生成一个或多个图像数据集；识别与由所述一个或多个图像数据集表示的感兴趣点内的所述制造设备的一部分对应的一个或多个值；记录所述一个或多个值；将记录的一个或多个值与相应的预测值进行比较；基于所记录的一个或多个值与相应的预测值的比较，生成方差数据集；基于方差数据识别制造设备的运行特征；以及，生成指示运行特征的指示。
在实施例中，所述方法还包括响应于识别所述运行特征来识别校正动作。在实施例中，所述方法还包括响应于识别所述运行特征来开始校正动作。在实施例中，所述运行特征包括所述制造设备的组件的振动。在实施例中，所述运行特征包括所述制造设备的组件的形状。在实施例中，所述运行特征包括所述制造设备的组件的尺寸。在实施例中，所述运行特征包括所述制造设备的组件的偏转。在实施例中，所述运行特征包括所述制造设备的组件的电磁发射。在实施例中，所述运行特征包括所述制造设备的组件的温度。在实施例中，所述运行特征包括所述制造设备的组件内的气体的温度。在实施例中，所述运行特征包括所述制造设备的组件内的液体的温度。在实施例中，所述运行特征包括所述制造设备的组件内的固体的温度。在实施例中，所述运行特征包括所述制造设备的组件内的压力。在实施例中，所述运行特征包括所述制造设备的组件内的气体的压力。在实施例中，所述运行特征包括所述制造设备的组件内的液体的压力。在实施例中，所述运行特征包括所述制造设备的组件内的气体的密度。
在实施例中，所述运行特征包括所述制造设备的组件内的液体的密度。在实施例中，所述运行特征包括所述制造设备的组件内的固体的密度。在实施例中，所述运行特征包括由所述制造设备制造的组件的密度。在实施例中，所述组件包括用于车辆的部件。在实施例中，所述组件包括用于自行车的部件。在实施例中，所述组件包括自行车链条。在实施例中，所述组件包括垫圈。在实施例中，所述组件包括紧固件。在实施例中，所述组件包括用于螺钉的部件。在实施例中，所述组件包括用于螺栓的部件。在实施例中，所述组件包括用于印刷电路板的部件。在实施例中，所述组件包括用于电容器的部件。在实施例中，所述组件包括用于电阻器的部件。在实施例中，所述组件包括用于电感器的部件。在实施例中，所述运行特征包括所述制造设备的组件内的气体的化学结构。
在实施例中，所述运行特征包括所述制造设备的组件内的液体的化学结构。在实施例中，所述运行特征包括所述制造设备的组件内的固体的化学结构。在实施例中，所述运行特征包括由所述制造设备制造的组件的化学结构。在实施例中，所述组件包括用于车辆的部件。在实施例中，所述组件包括用于自行车的部件。在实施例中，所述组件包括自行车链条。在实施例中，所述组件包括垫圈。在实施例中，所述组件包括紧固件。在实施例中，所述组件包括用于螺钉的部件。在实施例中，所述组件包括用于螺栓的部件。在实施例中，所述组件包括用于印刷电路板的部件。在实施例中，所述组件包括用于电容器的部件。
在实施例中，所述组件包括用于电阻器的部件。在实施例中，所述组件包括用于电感器的部件。在实施例中，所述数据捕获设备包括图像捕获设备。在实施例中，所述数据捕获设备包括摄像头。在实施例中，所述数据捕获设备包括数据测量设备。在实施例中，所述数据捕获设备包括传感器。在实施例中，所述数据捕获设备包括全光谱摄像头。在实施例中，所述数据捕获设备包括辐射成像设备。在实施例中，所述数据捕获设备包括X射线成像设备。在实施例中，所述数据捕获设备包括非可见光数据捕获设备。在实施例中，所述数据捕获设备包括可见光数据捕获设备。在实施例中，所述数据捕获设备包括声音数据捕获设备。在实施例中，所述数据捕获设备包括图像捕获设备。在实施例中，所述数据捕获设备包括光成像、检测和测距设备。在实施例中，所述数据捕获设备包括点云数据捕获设备。在实施例中，所述数据捕获设备包括红外检测设备。在实施例中，所述数据捕获设备包括图像捕获设备。
在实施例中，所述数据捕获设备包括压力传感器。在实施例中，所述数据捕获设备包括温度传感器。在实施例中，所述数据捕获设备包括化学传感器。在实施例中，所述数据捕获设备包括独立设备。在实施例中，所述数据捕获设备包含与移动设备相关联。在实施例中，所述移动设备包括智能手机。在实施例中，所述移动设备包括平板电脑。在实施例中，所述原始数据包括原始图像数据。在实施例中，所述原始数据包括原始测量数据。在实施例中，所述制造设备在所述感兴趣点内的所述一部分包括所述制造设备的组件。在实施例中，所述制造设备在所述感兴趣点内的所述一部分包括所述制造设备的传送带。在实施例中，所述制造设备在所述感兴趣点内的所述一部分包括由所述制造设备制造的组件。在实施例中，所述制造设备在所述感兴趣点内的所述一部分包括由所述制造设备制造的自行车链条。
在实施例中，用于检测制造设备运行特征的系统包括至少一个数据捕获设备、存储器和处理器，所述至少一个数据捕获设备用于捕获所述制造设备的感兴趣点的原始数据。所述存储器包括可由处理器执行的指令，以执行以下动作：使用捕获的原始数据来生成一个或多个图像数据集；识别与由所述一个或多个图像数据集表示的感兴趣点内的所述制造设备的一部分对应的一个或多个值；记录所述一个或多个值；将记录的一个或多个值与相应的预测值进行比较；基于所记录的一个或多个值与相应的预测值的比较，生成方差数据集；基于方差数据识别制造设备的运行特征；以及，生成指示运行特征的指示。
在实施例中，所述存储器包括指令，所述处理器可进一步执行所述指令以确定校正措施，从而响应识别所述运行特征。在实施例中，所述存储器包括指令，所述处理器可进一步执行所述指令以采取校正措施，从而响应识别所述运行特征。在实施例中，所述运行特征包括所述制造设备的组件的振动。在实施例中，所述运行特征包括所述制造设备的组件的形状。在实施例中，所述运行特征包括所述制造设备的组件的尺寸。在实施例中，所述运行特征包括所述制造设备的组件的偏转。在实施例中，所述运行特征包括所述制造设备的组件的电磁发射。在实施例中，所述运行特征包括所述制造设备的组件的温度。在实施例中，所述运行特征包括所述制造设备的组件内的气体的温度。在实施例中，所述运行特征包括所述制造设备的组件内的液体的温度。在实施例中，所述运行特征包括所述制造设备的组件内的固体的温度。在实施例中，所述运行特征包括所述制造设备的组件内的压力。在实施例中，所述运行特征包括所述制造设备的组件内的气体的压力。在实施例中，所述运行特征包括所述制造设备的组件内的液体的压力。在实施例中，所述运行特征包括所述制造设备的组件内的气体的密度。
在实施例中，所述运行特征包括所述制造设备的组件内的液体的密度。在实施例中，所述运行特征包括所述制造设备的组件内的固体的密度。在实施例中，所述运行特征包括由所述制造设备制造的组件的密度。在实施例中，所述组件包括用于车辆的部件。在实施例中，所述组件包括用于自行车的部件。在实施例中，所述组件包括自行车链条。在实施例中，所述组件包括垫圈。在实施例中，所述组件包括紧固件。在实施例中，所述组件包括用于螺钉的部件。在实施例中，所述组件包括用于螺栓的部件。在实施例中，所述组件包括用于印刷电路板的部件。在实施例中，所述组件包括用于电容器的部件。在实施例中，所述组件包括用于电阻器的部件。在实施例中，所述组件包括用于电感器的部件。在实施例中，所述运行特征包括所述制造设备的组件内的气体的化学结构。
在实施例中，所述运行特征包括所述制造设备的组件内的液体的化学结构。在实施例中，所述运行特征包括所述制造设备的组件内的固体的化学结构。在实施例中，所述运行特征包括由所述制造设备制造的组件的化学结构。在实施例中，所述组件包括用于车辆的部件。在实施例中，所述组件包括用于自行车的部件。在实施例中，所述组件包括自行车链条。在实施例中，所述组件包括垫圈。在实施例中，所述组件包括紧固件。在实施例中，所述组件包括用于螺钉的部件。在实施例中，所述组件包括用于螺栓的部件。在实施例中，所述组件包括用于印刷电路板的部件。在实施例中，所述组件包括用于电容器的部件。
在实施例中，所述组件包括用于电阻器的部件。在实施例中，所述组件包括用于电感器的部件。在实施例中，所述数据捕获设备包括图像捕获设备。在实施例中，所述数据捕获设备包括摄像头。在实施例中，所述数据捕获设备包括数据测量设备。在实施例中，所述数据捕获设备包括传感器。在实施例中，所述数据捕获设备包括全光谱摄像头。在实施例中，所述数据捕获设备包括辐射成像设备。在实施例中，所述数据捕获设备包括X射线成像设备。在实施例中，所述数据捕获设备包括非可见光数据捕获设备。在实施例中，所述数据捕获设备包括可见光数据捕获设备。在实施例中，所述数据捕获设备包括声音数据捕获设备。在实施例中，所述数据捕获设备包括图像捕获设备。在实施例中，所述数据捕获设备包括光成像、检测和测距设备。在实施例中，所述数据捕获设备包括点云数据捕获设备。在实施例中，所述数据捕获设备包括红外检测设备。在实施例中，所述数据捕获设备包括图像捕获设备。
在实施例中，所述数据捕获设备包括压力传感器。在实施例中，所述数据捕获设备包括温度传感器。在实施例中，所述数据捕获设备包括化学传感器。在实施例中，所述数据捕获设备包括独立设备。在实施例中，所述数据捕获设备包含与移动设备相关联。在实施例中，所述移动设备包括智能手机。在实施例中，所述移动设备包括平板电脑。在实施例中，所述原始数据包括原始图像数据。在实施例中，所述原始数据包括原始测量数据。在实施例中，所述制造设备在所述感兴趣点内的所述一部分包括所述制造设备的组件。在实施例中，所述制造设备在所述感兴趣点内的所述一部分包括所述制造设备的传送带。在实施例中，所述制造设备在所述感兴趣点内的所述一部分包括由所述制造设备制造的组件。在实施例中，所述制造设备在所述感兴趣点内的所述一部分包括由所述制造设备制造的自行车链条。
在实施例中，用于检测制造设备运行特征的计算机视觉系统包括至少一个数据捕获设备、存储器和处理器，所述至少一个数据捕获设备用于捕获所述制造设备的感兴趣点的原始数据。所述存储器包括可由处理器执行的指令，以执行以下动作：使用捕获的原始数据来生成一个或多个图像数据集；目测识别与由所述一个或多个图像数据集表示的感兴趣点内的所述制造设备的一部分对应的一个或多个值；记录所述一个或多个值；通过目测将记录的一个或多个值与相应的预测值进行比较；基于所记录的一个或多个值与相应的预测值的比较，生成方差数据集；基于方差数据识别制造设备的运行特征；将所述运行特征与阈值进行比较；基于所述运行特征是否大于阈值，确定所述运行特征是否在容限内；以及，生成指示运行特征的指示。
在实施例中，所述计算机视觉系统由深度学习系统训练。在实施例中，所述深度学习系统用于使用至少一个训练数据集来训练所述计算机视觉系统。在实施例中，所述至少一个训练数据集包括图像数据。在实施例中，所述至少一个训练数据集包括非图像数据。
在实施例中，用于检测设备运行特征的计算机视觉系统包括至少一个数据捕获设备、存储器和处理器，所述至少一个数据捕获设备用于捕获所述设备的感兴趣点的原始数据。所述存储器包括可由处理器执行的指令，以执行以下动作：使用捕获的原始数据来生成一个或多个图像数据集；目测识别与由所述一个或多个图像数据集表示的感兴趣点内的所述设备的一部分对应的一个或多个值；记录所述一个或多个值；通过目测将记录的一个或多个值与相应的预测值进行比较；基于所记录的一个或多个值与相应的预测值的比较，生成方差数据集；基于方差数据识别所述设备的运行特征；将所述运行特征与阈值进行比较；基于所述运行特征是否大于阈值，确定所述运行特征是否在容限内；以及，生成指示运行特征的指示。
在实施例中，所述设备包括搅拌器。在实施例中，所述设备包括机身控制表面振动设备。在实施例中，所述设备包括催化反应器。在实施例中，所述设备包括压缩机。在实施例中，所述设备包括输送机。在实施例中，所述设备包括升降机。在实施例中，所述设备包括管道。在实施例中，所述设备包括电动动力传动系统。在实施例中，所述设备包括机器人装配设备。在实施例中，所述设备包括天然气生产环境中的设备。在实施例中，所述设备包括制药环境中的设备。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统使用模拟交叉点开关来收集可变组模拟传感器输入并具有远程监控功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统在复用器上具有前端信号调节以提高信噪比并具有远程监控功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有复用器连续监测报警功能以及远程监控功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统使用具有专用总线的分布式CPLD芯片对多个MUX和数据采集部分进行逻辑控制，并具有远程监控功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统使用具有高电流输入能力的固态继电器及其拓扑设计，并具有远程监控功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有模拟传感器通道和组件板中的至少一个的断电能力，并具有远程监控功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有用于触发和振动输入的独特静电保护以及远程监控功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有用于A/D零基准的精确电压基准以及远程监控功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有用于获取低速RPM和相位信息的锁相环带通跟踪滤波器并具有远程监控功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统使用板载定时器对相对于输入和触发通道的相位进行数字推导并具有远程监控功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有用于自动缩放的峰值检测器，该峰值检测器被路由到单独的模数转换器中用于峰值检测，并具有远程监控功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有原始或缓冲到其它模拟通道中的触发通道的路由并具有远程监控功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统对delta-sigma A/D使用较高的输入过采样，以获得更低的采样率输出，从而最小化AA滤波器要求，并具有远程监控功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统使用CPLD作为delta-sigma模数转换器的时钟分频器，以实现更低的采样率，而不需要数字重采样，并具有远程监控功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有以高采样率获取的长数据块，而不是以不同采样率获取的多个数据集，并具有远程监控功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统存储具有板载卡组维护历史的校准数据，并具有远程监控功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有使用分层模板的快速路由创建能力以及远程监控功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统对数据收集带进行智能管理，并具有远程监控功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有利用数据收集带智能管理的神经网络专家系统，并具有远程监控功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统在传感器数据分析中使用数据库层次结构，并具有远程监控功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有用于定义专家系统智能数据收集带和诊断的专家系统GUI图形方法，并具有远程监控功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有用于反算定义的图形方法以及远程监控功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统提出了轴承分析方法，并具有远程监控功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统利用瞬时信号分析进行扭转振动检测/分析，并具有远程监控功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统使用模拟和数字方法改进集成，并具有远程监控功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有用于在本地环境中连续监测模拟数据的自适应调度技术以及远程监控功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有数据采集驻留以及远程监控功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有自给式数据采集盒，并具有远程监控功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有SD卡存储器以及远程监控功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有用于连续监测的扩展板载统计能力以及远程监控功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统使用环境噪声、局部噪声和振动噪声进行预测，并具有远程监控功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统基于传入数据或警报进行智能路由更改，以使得用于分析或关联的动态数据同步，并具有远程监控功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有智能ODS和传输功能以及远程监控功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有分层复用器以及远程监控功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有传感器过载识别以及远程监控功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有RF识别和倾斜仪以及远程监控功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有持续超声波监测以及远程监控功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有基于远程模拟工业传感器融合的基于云的机器模式识别以及远程监控功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统对来自多个模拟工业传感器的状态信息进行基于云的机器模式分析，以提供工业系统的预期状态信息，并具有远程监控功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有用于IoT的基于云的策略自动化引擎，以及IoT设备的创建、部署和管理，并具有远程监控功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有用于工业IoT设备的设备内置传感器融合和数据存储以及远程监控功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有用于工业IoT数据的自组织数据市场，并具有远程监控功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有基于利用率和/或收益度量的数据池自组织以及远程监控功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统基于行业特定反馈训练AI模型，并具有远程监控功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有工业数据收集器的自组织群，并具有远程监控功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有IoT分布式分类账以及远程监控功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有自组织收集器以及远程监控功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有网络敏感收集器以及远程监控功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有远程组织收集器以及远程监控功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有用于多传感器数据收集器的自组织存储，并具有远程监控功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有用于多传感器数据网络的自组织网络编码，并具有远程监控功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有用于工业传感器数据收集器且具有振动、热、电和/或声音输出的可穿戴触觉用户界面，并具有远程监控功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有显示AR/VR收集数据的热图，并具有远程监控功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统对数据收集器收集的数据进行自动调节AR/VR可视化，并具有远程监控功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有IoT平台以及远程监控功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有用于接收数据输入并与一个或多个可用的IoT云平台建立连接以发布数据的IoT数据适配器，并具有远程监控功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有条件检测器，用于检测与IoT数据适配器对一个或多个IoT云平台的连接尝试有关的条件，并具有远程监控功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有带有适配引擎的IoT数据适配器，并具有远程监控功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统使用机器学习来准备数据包或数据流，并具有远程监控功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有提供可用云网络平台池的数据市场，并具有远程监控功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有消息传送实用程序，该消息传送实用程序向云平台用户界面提供消息，指示新数据源的可用性以及数据源集成和使用说明，并具有远程监控功能。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够基于到达和成功的传递反馈消息的接收率来维持第一传输限制和第二传输限制，并基于所述传输限制来限制消息的传输，并具有远程监控功能。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够根据窗口大小限制未确认为成功传递的进一步消息的传输，并具有远程监控功能。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统具有维持丢失事件比率的估计值并使用它来调整冗余消息的速率的能力，并具有远程监控功能。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统具有估计的丢失事件比率，其中用于确定所选冗余消息的纠错码基于该估计的丢失事件比率，并具有远程监控功能。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够基于接收到的描述信道特性的消息，来应用前向纠错，并具有远程监控功能。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够基于递送顺序事件的发生维持/设置计时器，并使用计时器推迟发送反馈消息，并具有远程监控功能。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够基于递送顺序事件的发生维持/设置计时器，并基于计时器推迟对拥堵窗口的大小的修改，并具有远程监控功能。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够基于递送顺序事件的发生维持/设置计时器，基于计时器推迟对拥堵窗口的大小的修改，并在收到反馈消息指示成功传递时取消对拥堵窗口的大小的修改，并具有远程监控功能。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够使用表征当前/先前连接的维护数据来配置新的连接，并具有远程监控功能。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够使用表征当前/先前连接错误率的维护数据来配置新的连接，并具有远程监控功能。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够使用表征当前/先前连接定时可变性的维护数据来配置新的连接，并具有远程监控功能。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够使用表征当前/先前连接带宽的维护数据来配置新的连接，并具有远程监控功能。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够使用表征当前/先前连接往返时间的维护数据来配置新的连接，并具有远程监控功能。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够使用表征当前/先前连接的通信控制参数的维护数据来配置新的连接，并具有远程监控功能。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够使用表征当前/先前连接的前向纠错参数的维护数据来配置新的连接，并具有远程监控功能。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统具有数据存储，用于维持表征一个或多个当前/先前数据通信连接的数据；具有连接发起模块，用于基于维护数据发起新的数据通信连接；并具有远程监控功能。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够在较低延迟数据路径上传送数据消息的第一子集，在较高延迟数据路径上传送消息的第二子集，并具有远程监控功能。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够在较低延迟数据路径上传送时间关键数据消息的第一子集，在较高延迟数据路径上传送消息的第二子集，并具有远程监控功能。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够在较低延迟数据路径上传送数据消息的第一初始子集，在较高延迟数据路径上传送随后可用的消息的第二子集，并具有远程监控功能。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够在较低延迟数据路径上传送确认消息的第一子集，在较高延迟数据路径上传送数据消息的第二子集，并具有远程监控功能。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够在较低延迟数据路径上传送补充/冗余数据消息的第一子集，在较高延迟数据路径上传送数据消息的第二子集，并具有远程监控功能。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，在所述系统中，每个消息相关联的冗余度基于在传输顺序中的消息位置，并具有远程监控功能。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，在所述系统中，每个消息相关联的冗余度随着所述消息的位置不减小而增加，并具有远程监控功能。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，在所述系统中，每个消息相关联的冗余度基于在传输顺序中的消息位置，并且响应于接收到反馈消息，并具有远程监控功能。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，在所述系统中，每个消息相关联的冗余度基于在传输顺序中的消息位置，并且响应于接收到反馈消息，基于所述反馈消息从队列中添加或移除冗余消息，并具有远程监控功能。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，在所述系统中，如果确定数据路径正在变更消息流，则所述系统能够调整通过不同通信协议在多个不同数据路径中的每一个路径上发送的消息的数量，并具有远程监控功能。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，在所述系统中，如果确定数据路径正在基于先前通信连接变更消息流初始划分，则所述系统能够调整通过不同通信协议在多个不同数据路径中的每一个路径上发送的消息的数量，并具有远程监控功能。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，当与编码数据相关联的冗余信息经由信道在节点间传输时，所述系统能够根据信道特性修改/添加/移除该冗余信息，并具有远程监控功能。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够以估计的丢失事件比率发送FEC数据包(孤立的数据包丢失或连续数据包丢失的突发)，并具有远程监控功能。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统具有组合编码、TCP以及数据包传输调步，并具有远程监控功能。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统具有前向纠错码结构，该结构使各组消息数据包和奇偶校验数据包交织，并且在重叠的各组消息数据包之间进行编码，并具有远程监控功能。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统具有TCP变型，该TCP变型将基于延迟的退避和稳定窗口增加函数相结合，并具有远程监控功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统使用模拟交叉点开关来收集可变组模拟传感器输入并具有预测性维护功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统在复用器上具有前端信号调节以提高信噪比并具有预测性维护功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有复用器连续监测报警功能以及预测性维护功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统使用具有专用总线的分布式CPLD芯片对多个MUX和数据采集部分进行逻辑控制，并具有预测性维护功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统使用固态继电器和设计拓扑结构具有高电流数输入能力，并具有预测性维护功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有模拟传感器通道和组件板中至少一个的断电能力，并具有预测性维护功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有用于触发和振动输入的独特静电保护以及预测性维护功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有用于A/D零基准的精确电压基准以及预测性维护功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有用于获取低速RPM和相位信息的锁相环带通跟踪滤波器并具有预测性维护功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统使用板载定时器对相对于输入和触发通道的相位进行数字推导并具有预测性维护功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有用于自动缩放的峰值检测器，该峰值检测器被路由到单独的模数转换器中用于峰值检测，并具有预测性维护功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有原始或缓冲到其它模拟通道中的触发通道的路由并具有预测性维护功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统对delta-sigma A/D使用较高的输入过采样，以获得更低的采样率输出，从而最小化AA滤波器要求，并具有预测性维护功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统使用CPLD作为delta-sigma模数转换器的时钟分频器，以实现更低的采样率，而不需要数字重采样，并具有预测性维护功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有以高采样率获取的长数据块，而不是以不同采样率获取的多个数据集，并具有预测性维护功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统存储具有板载卡组维护历史的校准数据，并具有预测性维护功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有使用分层模板的快速路由创建能力以及预测性维护功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统对数据收集带进行智能管理，并具有预测性维护功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有利用数据收集带智能管理的神经网络专家系统，并具有预测性维护功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统在传感器数据分析中使用数据库层次结构，并具有预测性维护功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有用于定义专家系统智能数据收集带和诊断的专家系统GUI图形方法，并具有预测性维护功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有用于反算定义的图形方法以及预测性维护功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统提出了轴承分析方法，并具有预测性维护功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统利用瞬时信号分析进行扭转振动检测/分析，并具有预测性维护功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统使用模拟和数字方法改进集成，并具有预测性维护功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有用于在本地环境中连续监测模拟数据的自适应调度技术以及预测性维护功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有数据采集驻留以及预测性维护功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有自给式数据采集盒，并具有预测性维护功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有SD卡存储器以及预测性维护功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有用于连续监测的扩展板载统计能力以及预测性维护功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统使用环境噪声、局部噪声和振动噪声进行预测，并具有预测性维护功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统基于传入数据或警报进行智能路由更改，以使得用于分析或关联的动态数据同步，并具有预测性维护功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有智能ODS和传输功能以及预测性维护功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有分层复用器以及预测性维护功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有传感器过载识别以及预测性维护功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有RF识别和倾斜仪以及预测性维护功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有持续超声波监测以及预测性维护功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有基于远程模拟工业传感器融合的基于云的机器模式识别以及预测性维护功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统对来自多个模拟工业传感器的状态信息进行基于云的机器模式分析，以提供工业系统的预期状态信息，并具有预测性维护功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有用于IoT的基于云的策略自动化引擎，以及IoT设备的创建、部署和管理，并具有预测性维护功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有用于工业IoT设备的设备内置传感器融合和数据存储以及预测性维护功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有用于工业IoT数据的自组织数据市场，并具有预测性维护功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有基于利用率和/或收益度量的数据池自组织以及预测性维护功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统基于行业特定反馈训练AI模型，并具有预测性维护功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有工业数据收集器的自组织群，并具有预测性维护功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有IoT分布式分类账以及预测性维护功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有自组织收集器以及预测性维护功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有网络敏感收集器以及预测性维护功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有远程组织收集器以及预测性维护功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有用于多传感器数据收集器的自组织存储，并具有预测性维护功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有用于多传感器数据网络的自组织网络编码，并具有预测性维护功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有用于工业传感器数据收集器且具有振动、热、电和/或声音输出的可穿戴触觉用户界面，并具有预测性维护功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有显示AR/VR收集数据的热图，并具有预测性维护功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统对数据收集器收集的数据进行自动调节AR/VR可视化，并具有预测性维护功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有IoT平台以及预测性维护功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有用于接收数据输入并与一个或多个可用的IoT云平台建立连接以发布数据的IoT数据适配器，并具有预测性维护功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有条件检测器，用于检测与IoT数据适配器对一个或多个IoT云平台的连接尝试有关的条件，并具有预测性维护功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有带有适配引擎的IoT数据适配器，并具有预测性维护功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统使用机器学习来准备数据包或数据流，并具有预测性维护功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有提供可用云网络平台池的数据市场，并具有预测性维护功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有消息传送实用程序，该消息传送实用程序向云平台用户界面提供消息，指示新数据源的可用性以及数据源集成和使用说明，并具有预测性维护功能。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够基于到达和成功的传递反馈消息的接收率来维持第一传输限制和第二传输限制，并基于所述传输限制来限制消息的传输，并具有预测性维护功能。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够根据窗口大小限制未确认为成功传递的进一步消息的传输，并具有预测性维护功能。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统具有维持丢失事件比率的估计值并使用它来调整冗余消息的速率的能力，并具有预测性维护功能。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统具有估计的丢失事件比率，其中用于确定所选冗余消息的纠错码基于该估计的丢失事件比率，并具有预测性维护功能。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够基于接收到的描述信道特性的消息，来应用前向纠错，并具有预测性维护功能。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够基于递送顺序事件的发生维持/设置计时器，并使用计时器推迟发送反馈消息，并具有预测性维护功能。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够基于递送顺序事件的发生维持/设置计时器，并基于计时器推迟对拥堵窗口的大小的修改，并具有预测性维护功能。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够基于递送顺序事件的发生维持/设置计时器，基于计时器推迟对拥堵窗口的大小的修改，并在收到反馈消息指示成功传递时取消对拥堵窗口的大小的修改，并具有预测性维护功能。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够使用表征当前/先前连接的维护数据来配置新的连接，并具有预测性维护功能。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够使用表征当前/先前连接错误率的维护数据来配置新的连接，并具有预测性维护功能。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够使用表征当前/先前连接定时可变性的维护数据来配置新的连接，并具有预测性维护功能。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够使用表征当前/先前连接带宽的维护数据来配置新的连接，并具有预测性维护功能。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够使用表征当前/先前连接往返时间的维护数据来配置新的连接，并具有预测性维护功能。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够使用表征当前/先前连接的通信控制参数的维护数据来配置新的连接，并具有预测性维护功能。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够使用表征当前/先前连接的前向纠错参数的维护数据来配置新的连接，并具有预测性维护功能。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统具有数据存储，用于维持表征一个或多个当前/先前数据通信连接的数据；具有连接发起模块，用于基于维护数据发起新的数据通信连接；并具有预测性维护功能。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够在较低延迟数据路径上传送数据消息的第一子集，在较高延迟数据路径上传送消息的第二子集，并具有预测性维护功能。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够在较低延迟数据路径上传送时间关键数据消息的第一子集，在较高延迟数据路径上传送消息的第二子集，并具有预测性维护功能。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够在较低延迟数据路径上传送数据消息的第一初始子集，在较高延迟数据路径上传送随后可用的消息的第二子集，并具有预测性维护功能。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够在较低延迟数据路径上传送确认消息的第一子集，在较高延迟数据路径上传送数据消息的第二子集，并具有预测性维护功能。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够在较低延迟数据路径上传送补充/冗余数据消息的第一子集，在较高延迟数据路径上传送数据消息的第二子集，并具有预测性维护功能。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，在所述系统中，每个消息相关联的冗余度基于在传输顺序中的消息位置，并具有预测性维护功能。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，在所述系统中，每个消息相关联的冗余度随着所述消息的位置不减小而增加，并具有预测性维护功能。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，在所述系统中，每个消息相关联的冗余度基于在传输顺序中的消息位置，并且响应于接收到反馈消息，并具有预测性维护功能。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，在所述系统中，每个消息相关联的冗余度基于在传输顺序中的消息位置，并且响应于接收到反馈消息，基于所述反馈消息从队列中添加或移除冗余消息，并具有预测性维护功能。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，在所述系统中，如果确定数据路径正在变更消息流，则所述系统能够调整通过不同通信协议在多个不同数据路径中的每一个路径上发送的消息的数量，并具有预测性维护功能
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，在所述系统中，如果确定数据路径正在基于先前通信连接变更消息流初始划分，则所述系统能够调整通过不同通信协议在多个不同数据路径中的每一个路径上发送的消息的数量，并具有预测性维护功能。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，当与编码数据相关联的冗余信息经由通道在节点间传输时，所述系统能够根据通道特性修改/添加/移除该冗余信息，并具有预测性维护功能。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够以估计的丢失事件比率发送FEC数据包(孤立的数据包丢失或连续数据包丢失的突发)，并具有预测性维护功能。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统具有组合编码、TCP以及数据包传输调步，并具有预测性维护功能。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统具有前向纠错码结构，该结构使各组消息数据包和奇偶校验数据包交织，并且在重叠的各组消息数据包之间进行编码，并具有预测性维护功能。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统具有TCP变型，该TCP变型将基于延迟的退避和稳定窗口增加函数相结合，并具有预测性维护功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统使用模拟交叉点开关来收集可变组模拟传感器输入并具有模式识别功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统在复用器上具有前端信号调节以提高信噪比并具有模式识别功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有复用器连续监测报警功能以及模式识别功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统使用具有专用总线的分布式CPLD芯片对多个MUX和数据采集部分进行逻辑控制，并具有模式识别功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统使用固态继电器和设计拓扑结构具有高电流数输入能力，并具有模式识别功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有模拟传感器通道和组件板中至少一个的断电能力，并具有模式识别功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有用于触发和振动输入的独特静电保护以及模式识别功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有用于A/D零基准的精确电压基准以及模式识别功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有用于获取低速RPM和相位信息的锁相环带通跟踪滤波器并具有模式识别功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统使用板载定时器对相对于输入和触发通道的相位进行数字推导并具有模式识别功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有用于自动缩放的峰值检测器，该峰值检测器被路由到单独的模数转换器中用于峰值检测，并具有模式识别功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有原始或缓冲到其它模拟通道中的触发通道的路由并具有模式识别功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统对delta-sigma A/D使用较高的输入过采样，以获得更低的采样率输出，从而最小化AA滤波器要求，并具有模式识别功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统使用CPLD作为delta-sigma模数转换器的时钟分频器，以实现更低的采样率，而不需要数字重采样，并具有模式识别功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有以高采样率获取的长数据块，而不是以不同采样率获取的多个数据集，并具有模式识别功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统存储具有板载卡组维护历史的校准数据，并具有模式识别功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有使用分层模板的快速路由创建能力以及模式识别功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统对数据收集带进行智能管理，并具有模式识别功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有利用数据收集带智能管理的神经网络专家系统，并具有模式识别功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统在传感器数据分析中使用数据库层次结构，并具有模式识别功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有用于定义专家系统智能数据收集带和诊断的专家系统GUI图形方法，并具有模式识别功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有用于反算定义的图形方法以及模式识别功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统提出了轴承分析方法，并具有模式识别功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统利用瞬时信号分析进行扭转振动检测/分析，并具有模式识别功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统使用模拟和数字方法改进集成，并具有模式识别功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有用于在本地环境中连续监测模拟数据的自适应调度技术以及模式识别功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有数据采集驻留以及模式识别功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有自给式数据采集盒，并具有模式识别功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有SD卡存储器以及模式识别功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有用于连续监测的扩展板载统计能力以及模式识别功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统使用环境噪声、局部噪声和振动噪声进行预测，并具有模式识别功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统基于传入数据或警报进行智能路由更改，以使得用于分析或关联的动态数据同步，并具有模式识别功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有智能ODS和传输功能以及模式识别功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有分层复用器以及模式识别功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有传感器过载识别以及模式识别功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有RF识别和倾斜仪以及模式识别功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有持续超声波监测以及模式识别功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有基于远程模拟工业传感器融合的基于云的机器模式识别以及模式识别功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统对来自多个模拟工业传感器的状态信息进行基于云的机器模式分析，以提供工业系统的预期状态信息，并具有模式识别功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有用于IoT的基于云的策略自动化引擎，以及IoT设备的创建、部署和管理，并具有模式识别功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有用于工业IoT设备的设备内置传感器融合和数据存储以及模式识别功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有用于工业IoT数据的自组织数据市场，并具有模式识别功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有基于利用率和/或收益度量的数据池自组织以及模式识别功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统基于行业特定反馈训练AI模型，并具有模式识别功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有工业数据收集器的自组织群，并具有模式识别功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有IoT分布式分类账以及模式识别功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有自组织收集器以及模式识别功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有网络敏感收集器以及模式识别功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有远程组织收集器以及模式识别功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有用于多传感器数据收集器的自组织存储，并具有模式识别功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有用于多传感器数据网络的自组织网络编码，并具有模式识别功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有用于工业传感器数据收集器且具有振动、热、电和/或声音输出的可穿戴触觉用户界面，并具有模式识别功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有显示AR/VR收集数据的热图，并具有模式识别功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统对数据收集器收集的数据进行自动调节AR/VR可视化，并具有模式识别功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有IoT平台以及模式识别功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有用于接收数据输入并与一个或多个可用的IoT云平台建立连接以发布数据的IoT数据适配器，并具有模式识别功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有条件检测器，用于检测与IoT数据适配器对一个或多个IoT云平台的连接尝试有关的条件，并具有模式识别功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有带有适配引擎的IoT数据适配器，并具有模式识别功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统使用机器学习来准备数据包或数据流，并具有模式识别功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有提供可用云网络平台池的数据市场，并具有模式识别功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有消息传送实用程序，该消息传送实用程序向云平台用户界面提供消息，指示新数据源的可用性以及数据源集成和使用说明，并具有模式识别功能。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够基于到达和成功的传递反馈消息的接收率来维持第一传输限制和第二传输限制，并基于所述传输限制来限制消息的传输，并具有模式识别功能。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够根据窗口大小限制未确认为成功传递的进一步消息的传输，并具有模式识别功能。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统具有维持丢失事件比率的估计值并使用它来调整冗余消息的速率的能力，并具有模式识别功能。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统具有估计的丢失事件比率，其中用于确定所选冗余消息的纠错码基于该估计的丢失事件比率，并具有模式识别功能。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够基于接收到的描述通道特性的消息，来应用前向纠错，并具有模式识别功能。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够基于递送顺序事件的发生维持/设置计时器，并使用计时器推迟发送反馈消息，并具有模式识别功能。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够基于递送顺序事件的发生维持/设置计时器，并基于计时器推迟对拥堵窗口的大小的修改，并具有模式识别功能。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够基于递送顺序事件的发生维持/设置计时器，基于计时器推迟对拥堵窗口的大小的修改，并在收到反馈消息指示成功传递时取消对拥堵窗口的大小的修改，并具有模式识别功能。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够使用表征当前/先前连接的维护数据来配置新的连接，并具有模式识别功能。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够使用表征当前/先前连接错误率的维护数据来配置新的连接，并具有模式识别功能。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够使用表征当前/先前连接定时可变性的维护数据来配置新的连接，并具有模式识别功能。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够使用表征当前/先前连接带宽的维护数据来配置新的连接，并具有模式识别功能。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够使用表征当前/先前连接往返时间的维护数据来配置新的连接，并具有模式识别功能。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够使用表征当前/先前连接的通信控制参数的维护数据来配置新的连接，并具有模式识别功能。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够使用表征当前/先前连接的前向纠错参数的维护数据来配置新的连接，并具有模式识别功能。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统具有数据存储，用于维持表征一个或多个当前/先前数据通信连接的数据；具有连接发起模块，用于基于维护数据发起新的数据通信连接；并具有模式识别功能。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够在较低延迟数据路径上传送数据消息的第一子集，在较高延迟数据路径上传送消息的第二子集，并具有模式识别功能。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够在较低延迟数据路径上传送时间关键数据消息的第一子集，在较高延迟数据路径上传送消息的第二子集，并具有模式识别功能。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够在较低延迟数据路径上传送数据消息的第一初始子集，在较高延迟数据路径上传送随后可用的消息的第二子集，并具有模式识别功能。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够在较低延迟数据路径上传送确认消息的第一子集，在较高延迟数据路径上传送数据消息的第二子集，并具有模式识别功能。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够在较低延迟数据路径上传送补充/冗余数据消息的第一子集，在较高延迟数据路径上传送数据消息的第二子集，并具有模式识别功能。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，在所述系统中，每个消息相关联的冗余度基于在传输顺序中的消息位置，并具有模式识别功能。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，在所述系统中，每个消息相关联的冗余度随着所述消息的位置不减小而增加，并具有模式识别功能。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，在所述系统中，每个消息相关联的冗余度基于在传输顺序中的消息位置，并且响应于接收到反馈消息，并具有模式识别功能。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，在所述系统中，每个消息相关联的冗余度基于在传输顺序中的消息位置，并且响应于接收到反馈消息，基于所述反馈消息从队列中添加或移除冗余消息，并具有模式识别功能。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，在所述系统中，如果确定数据路径正在变更消息流，则所述系统能够调整通过不同通信协议在多个不同数据路径中的每一个路径上发送的消息的数量，并具有模式识别功能。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，在所述系统中，如果确定数据路径正在基于先前通信连接变更消息流初始划分，则所述系统能够调整通过不同通信协议在多个不同数据路径中的每一个路径上发送的消息的数量，并具有模式识别功能。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，当与编码数据相关联的冗余信息经由通道在节点间传输时，所述系统能够根据通道特性修改/添加/移除该冗余信息，并具有模式识别功能。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够以估计的丢失事件比率发送FEC数据包(孤立的数据包丢失或连续数据包丢失的突发)，并具有模式识别功能。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统具有组合编码、TCP以及数据包传输调步，并具有模式识别功能。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统具有前向纠错码结构，该结构使各组消息数据包和奇偶校验数据包交织，并且在重叠的各组消息数据包之间进行编码，并具有模式识别功能。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统具有TCP变型，该TCP变型将基于延迟的退避和稳定窗口增加函数相结合，并具有模式识别功能。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统使用模拟交叉点开关来收集可变组模拟传感器输入并用于制造目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统在复用器上具有前端信号调节以提高信噪比并用于制造目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有复用器连续监测报警功能并用于制造目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统使用具有专用总线的分布式CPLD芯片对多个MUX和数据采集部分进行逻辑控制，并用于制造目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统使用固态继电器和设计拓扑结构具有高电流数输入能力，并用于制造目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有模拟传感器通道和组件板中至少一个的断电能力，并用于制造目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有用于触发和振动输入的独特静电保护，并用于制造目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有用于A/D零基准的精确电压基准，并用于制造目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有用于获取低速RPM和相位信息的锁相环带通跟踪滤波器，并用于制造目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统使用板载定时器对相对于输入和触发通道的相位进行数字推导，并用于制造目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有用于自动缩放的峰值检测器，该峰值检测器被路由到单独的模数转换器中用于峰值检测，并用于制造目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有原始或缓冲到其它模拟通道中的触发通道的路由，并用于制造目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统对delta-sigma A/D使用较高的输入过采样，以获得更低的采样率输出，从而最小化AA滤波器要求，并用于制造目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统使用CPLD作为delta-sigma模数转换器的时钟分频器，以实现更低的采样率，而不需要数字重采样，并用于制造目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有以高采样率获取的长数据块，而不是以不同采样率获取的多个数据集，并用于制造目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统存储具有板载卡组维护历史的校准数据，并用于制造目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有使用分层模板的快速路由创建能力，并用于制造目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统对数据收集带进行智能管理，并用于制造目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有利用数据收集带智能管理的神经网络专家系统，并用于制造目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统在传感器数据分析中使用数据库层次结构，并用于制造目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有用于定义专家系统智能数据收集带和诊断的专家系统GUI图形方法，并用于制造目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有用于反算定义的图形方法，并用于制造目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统提出了轴承分析方法，并用于制造目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统利用瞬时信号分析进行扭转振动检测/分析，并用于制造目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统使用模拟和数字方法改进集成，并用于制造目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有用于在本地环境中连续监测模拟数据的自适应调度技术，并用于制造目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有数据采集驻留功能，并用于制造目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有自给式数据采集盒，并用于制造目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有SD卡存储器，并用于制造目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有用于连续监测的扩展板载统计能力，并用于制造目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统使用环境噪声、局部噪声和振动噪声进行预测，并用于制造目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统基于传入数据或警报进行智能路由更改，以使得用于分析或关联的动态数据同步，并用于制造目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有智能ODS和传输功能，并用于制造目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有分层复用器，并用于制造目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有传感器过载识别，并用于制造目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有RF识别和倾斜仪，并用于制造目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有持续超声波监测，并用于制造目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有基于远程模拟工业传感器融合的基于云的机器模式识别，并用于制造目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统对来自多个模拟工业传感器的状态信息进行基于云的机器模式分析，以提供工业系统的预期状态信息，并用于制造目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有用于IoT的基于云的策略自动化引擎，以及IoT设备的创建、部署和管理，并用于制造目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有用于工业IoT设备的设备内置传感器融合和数据存储，并用于制造目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有用于工业IoT数据的自组织数据市场，并用于制造目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有基于利用率和/或收益度量的数据池自组织，并用于制造目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统基于行业特定反馈训练AI模型，并用于制造目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有工业数据收集器的自组织群，并用于制造目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有IoT分布式分类账功能，并用于制造目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有自组织收集器，并用于制造目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有网络敏感收集器，并用于制造目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有远程组织收集器，并用于制造目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有用于多传感器数据收集器的自组织存储，并用于制造目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有用于多传感器数据网络的自组织网络编码，并用于制造目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有用于工业传感器数据收集器且具有振动、热、电和/或声音输出的可穿戴触觉用户界面，并用于制造目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有显示AR/VR收集数据的热图，并用于制造目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统对数据收集器收集的数据进行自动调节AR/VR可视化，并用于制造目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有IoT平台，并用于制造目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有用于接收数据输入并与一个或多个可用的IoT云平台建立连接以发布数据的IoT数据适配器，并用于制造目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有条件检测器，用于检测与IoT数据适配器对一个或多个IoT云平台的连接尝试有关的条件，并用于制造目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有带有适配引擎的IoT数据适配器，并用于制造目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统使用机器学习来准备数据包或数据流，并用于制造目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有提供可用云网络平台池的数据市场，并用于制造目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有消息传送实用程序，该消息传送实用程序向云平台用户界面提供消息，指示新数据源的可用性以及数据源集成和使用说明，并用于制造目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够基于到达和成功的传递反馈消息的接收率来维持第一传输限制和第二传输限制，并基于所述传输限制来限制消息的传输，并用于制造目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够根据窗口大小限制未确认为成功传递的进一步消息的传输，并用于制造目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述具有维持丢失事件比率的估计值并使用它来调整冗余消息的速率的能力，并用于制造目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统具有估计的丢失事件比率，其中用于确定所选冗余消息的纠错码基于该估计的丢失事件比率，并用于制造目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够基于接收到的描述信道特性的消息，来应用前向纠错，并用于制造目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够基于递送顺序事件的发生维持/设置计时器，并使用计时器推迟发送反馈消息，并用于制造目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够基于递送顺序事件的发生维持/设置计时器，并基于计时器推迟对拥堵窗口的大小的修改，并用于制造目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够基于递送顺序事件的发生维持/设置计时器，基于计时器推迟对拥堵窗口的大小的修改，并在收到反馈消息指示成功传递时取消对拥堵窗口的大小的修改，并用于制造目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够使用表征当前/先前连接的维护数据来配置新的连接，并用于制造目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够使用表征当前/先前连接错误率的维护数据来配置新的连接，并用于制造目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够使用表征当前/先前连接定时可变性的维护数据来配置新的连接，并用于制造目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够使用表征当前/先前连接带宽的维护数据来配置新的连接，并用于制造目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够使用表征当前/先前连接往返时间的维护数据来配置新的连接，并用于制造目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够使用表征当前/先前连接的通信控制参数的维护数据来配置新的连接，并用于制造目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够使用表征当前/先前连接的前向纠错参数的维护数据来配置新的连接，并用于制造目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统具有数据存储，用于维持表征一个或多个当前/先前数据通信连接的数据；具有连接发起模块，用于基于维护数据发起新的数据通信连接；并用于制造目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够在较低延迟数据路径上传送数据消息的第一子集，在较高延迟数据路径上传送消息的第二子集，并用于制造目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够在较低延迟数据路径上传送时间关键数据消息的第一子集，在较高延迟数据路径上传送消息的第二子集，并用于制造目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够在较低延迟数据路径上传送数据消息的第一初始子集，在较高延迟数据路径上传送随后可用的消息的第二子集，并用于制造目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够在较低延迟数据路径上传送确认消息的第一子集，在较高延迟数据路径上传送数据消息的第二子集，并用于制造目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够在较低延迟数据路径上传送补充/冗余数据消息的第一子集，在较高延迟数据路径上传送数据消息的第二子集，并用于制造目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，在所述系统中，每个消息相关联的冗余度基于在传输顺序中的消息位置，并用于制造目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，在所述系统中，每个消息相关联的冗余度随着所述消息的位置不减小而增加，并用于制造目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，在所述系统中，每个消息相关联的冗余度基于在传输顺序中的消息位置，并且响应于接收到反馈消息，并用于制造目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，在所述系统中，每个消息相关联的冗余度基于在传输顺序中的消息位置，并且响应于接收到反馈消息，基于所述反馈消息从队列中添加或移除冗余消息，并用于制造目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，在所述系统中，如果确定数据路径正在变更消息流，则所述系统能够调整通过不同通信协议在多个不同数据路径中的每一个路径上发送的消息的数量，并用于制造目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，在所述系统中，如果确定数据路径正在基于先前通信连接变更消息流初始划分，则所述系统能够调整通过不同通信协议在多个不同数据路径中的每一个路径上发送的消息的数量，并用于制造目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，当与编码数据相关联的冗余信息经由信道在节点间传输时，所述系统能够根据信道特性修改/添加/移除该冗余信息，并用于制造目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够以估计的丢失事件比率发送FEC数据包(孤立的数据包丢失或连续数据包丢失的突发)，并用于制造目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统具有组合编码、TCP以及数据包传输调步，并用于制造目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统具有前向纠错码结构，该结构使各组消息数据包和奇偶校验数据包交织，并且在重叠的各组消息数据包之间进行编码，并用于制造目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统具有TCP变型，该TCP变型将基于延迟的退避和稳定窗口增加函数相结合，并用于制造目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统使用模拟交叉点开关来收集可变组模拟传感器输入并用于化石燃料能源生产目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统在复用器上具有前端信号调节以提高信噪比并用于化石燃料能源生产目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有复用器连续监测报警功能并用于化石燃料能源生产目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统使用具有专用总线的分布式CPLD芯片对多个MUX和数据采集部分进行逻辑控制，并用于化石燃料能源生产目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统使用固态继电器和设计拓扑结构具有高电流数输入能力，并用于化石燃料能源生产目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有模拟传感器通道和组件板中至少一个的断电能力，并用于化石燃料能源生产目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有用于触发和振动输入的独特静电保护，并用于化石燃料能源生产目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有用于A/D零基准的精确电压基准，并用于化石燃料能源生产目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有用于获取低速RPM和相位信息的锁相环带通跟踪滤波器，并用于化石燃料能源生产目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统使用板载定时器对相对于输入和触发通道的相位进行数字推导，并用于化石燃料能源生产目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有用于自动缩放的峰值检测器，该峰值检测器被路由到单独的模数转换器中用于峰值检测，并用于化石燃料能源生产目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有原始或缓冲到其它模拟通道中的触发通道的路由，并用于化石燃料能源生产目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统对delta-sigma A/D使用较高的输入过采样，以获得更低的采样率输出，从而最小化AA滤波器要求，并用于化石燃料能源生产目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统使用CPLD作为delta-sigma模数转换器的时钟分频器，以实现更低的采样率，而不需要数字重采样，并用于化石燃料能源生产目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有以高采样率获取的长数据块，而不是以不同采样率获取的多个数据集，并用于化石燃料能源生产目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统存储具有板载卡组维护历史的校准数据，并用于化石燃料能源生产目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有使用分层模板的快速路由创建能力，并用于化石燃料能源生产目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统对数据收集带进行智能管理，并用于化石燃料能源生产目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有利用数据收集带智能管理的神经网络专家系统，并用于化石燃料能源生产目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统在传感器数据分析中使用数据库层次结构，并用于化石燃料能源生产目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有用于定义专家系统智能数据收集带和诊断的专家系统GUI图形方法，并用于化石燃料能源生产目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有用于反算定义的图形方法，并用于化石燃料能源生产目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统提出了轴承分析方法，并用于化石燃料能源生产目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统利用瞬时信号分析进行扭转振动检测/分析，并用于化石燃料能源生产目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统使用模拟和数字方法改进集成，并用于化石燃料能源生产目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有用于在本地环境中连续监测模拟数据的自适应调度技术，并用于化石燃料能源生产目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有数据采集驻留功能，并用于化石燃料能源生产目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有自给式数据采集盒，并用于化石燃料能源生产目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有SD卡存储器，并用于化石燃料能源生产目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有用于连续监测的扩展板载统计能力，并用于化石燃料能源生产目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统使用环境噪声、局部噪声和振动噪声进行预测，并用于化石燃料能源生产目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统基于传入数据或警报进行智能路由更改，以使得用于分析或关联的动态数据同步，并用于化石燃料能源生产目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有智能ODS和传输功能，并用于化石燃料能源生产目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有分层复用器，并用于化石燃料能源生产目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有传感器过载识别，并用于化石燃料能源生产目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有RF识别和倾斜仪，并用于化石燃料能源生产目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有持续超声波监测，并用于化石燃料能源生产目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有基于远程模拟工业传感器融合的基于云的机器模式识别，并用于化石燃料能源生产目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统对来自多个模拟工业传感器的状态信息进行基于云的机器模式分析，以提供工业系统的预期状态信息，并用于化石燃料能源生产目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有用于IoT的基于云的策略自动化引擎，以及IoT设备的创建、部署和管理，并用于化石燃料能源生产目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有用于工业IoT设备的设备内置传感器融合和数据存储，并用于化石燃料能源生产目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有用于工业IoT数据的自组织数据市场，并用于化石燃料能源生产目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有基于利用率和/或收益度量的数据池自组织，并用于化石燃料能源生产目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统基于行业特定反馈训练AI模型，并用于化石燃料能源生产目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有工业数据收集器的自组织群，并用于化石燃料能源生产目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有IoT分布式分类账功能，并用于化石燃料能源生产目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有自组织收集器，并用于化石燃料能源生产目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有网络敏感收集器，并用于化石燃料能源生产目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有远程组织收集器，并用于化石燃料能源生产目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有用于多传感器数据收集器的自组织存储，并用于化石燃料能源生产目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有用于多传感器数据网络的自组织网络编码，并用于化石燃料能源生产目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有用于工业传感器数据收集器且具有振动、热、电和/或声音输出的可穿戴触觉用户界面，并用于化石燃料能源生产目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有显示AR/VR收集数据的热图，并用于化石燃料能源生产目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统对数据收集器收集的数据进行自动调节AR/VR可视化，并用于化石燃料能源生产目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有IoT平台，并用于化石燃料能源生产目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有用于接收数据输入并与一个或多个可用的IoT云平台建立连接以发布数据的IoT数据适配器，并用于化石燃料能源生产目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有条件检测器，用于检测与IoT数据适配器对一个或多个IoT云平台的连接尝试有关的条件，并用于化石燃料能源生产目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有带有适配引擎的IoT数据适配器，并用于化石燃料能源生产目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统使用机器学习来准备数据包或数据流，并用于化石燃料能源生产目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有提供可用云网络平台池的数据市场，并用于化石燃料能源生产目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有消息传送实用程序，该消息传送实用程序向云平台用户界面提供消息，指示新数据源的可用性以及数据源集成和使用说明，并用于化石燃料能源生产目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够基于到达和成功的传递反馈消息的接收率来维持第一传输限制和第二传输限制，并基于所述传输限制来限制消息的传输，并用于化石燃料能源生产目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够根据窗口大小限制未确认为成功传递的进一步消息的传输，并用于化石燃料能源生产目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统具有维持丢失事件比率的估计值并使用它来调整冗余消息的速率的能力，并用于化石燃料能源生产目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统具有估计的丢失事件比率，其中用于确定所选冗余消息的纠错码基于该估计的丢失事件比率，并用于化石燃料能源生产目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够基于接收到的描述信道特性的消息，来应用前向纠错，并用于化石燃料能源生产目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够基于递送顺序事件的发生维持/设置计时器，并使用计时器推迟发送反馈消息，并用于化石燃料能源生产目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够基于递送顺序事件的发生维持/设置计时器，并基于计时器推迟对拥堵窗口的大小的修改，并用于化石燃料能源生产目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够基于递送顺序事件的发生维持/设置计时器，基于计时器推迟对拥堵窗口的大小的修改，并在收到反馈消息指示成功传递时取消对拥堵窗口的大小的修改，并用于化石燃料能源生产目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够使用表征当前/先前连接的维护数据来配置新的连接，并用于化石燃料能源生产目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够使用表征当前/先前连接错误率的维护数据来配置新的连接，并用于化石燃料能源生产目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够使用表征当前/先前连接定时可变性的维护数据来配置新的连接，并用于化石燃料能源生产目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够使用表征当前/先前连接带宽的维护数据来配置新的连接，并用于化石燃料能源生产目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够使用表征当前/先前连接往返时间的维护数据来配置新的连接，并用于化石燃料能源生产目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够使用表征当前/先前连接通信控制参数的数据来配置新的连接，并用于化石燃料能源生产目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够使用表征当前/先前连接的前向纠错参数的维护数据来配置新的连接，并用于化石燃料能源生产目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统具有数据存储，用于维持表征一个或多个当前/先前数据通信连接的数据；具有连接发起模块，用于基于维护数据发起新的数据通信连接；并用于化石燃料能源生产目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够在较低延迟数据路径上传送数据消息的第一子集，在较高延迟数据路径上传送消息的第二子集，并用于化石燃料能源生产目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够在较低延迟数据路径上传送时间关键数据消息的第一子集，在较高延迟数据路径上传送消息的第二子集，并用于化石燃料能源生产目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够在较低延迟数据路径上传送数据消息的第一初始子集，在较高延迟数据路径上传送随后可用的消息的第二子集，并用于化石燃料能源生产目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够在较低延迟数据路径上传送确认消息的第一子集，在较高延迟数据路径上传送数据消息的第二子集，并用于化石燃料能源生产目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够在较低延迟数据路径上传送补充/冗余数据消息的第一子集，在较高延迟数据路径上传送数据消息的第二子集，并用于化石燃料能源生产目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，在所述系统中，每个消息相关联的冗余度基于在传输顺序中的消息位置，并用于化石燃料能源生产目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，在所述系统中，每个消息相关联的冗余度随着所述消息的位置不减小而增加，并用于化石燃料能源生产目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，在所述系统中，每个消息相关联的冗余度基于在传输顺序中的消息位置，并且响应于接收到反馈消息，并用于化石燃料能源生产目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，在所述系统中，每个消息相关联的冗余度基于在传输顺序中的消息位置，并且响应于接收到反馈消息，基于所述反馈消息从队列中添加或移除冗余消息，并用于化石燃料能源生产目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，在所述系统中，如果确定数据路径正在变更消息流，则所述系统能够调整通过不同通信协议在多个不同数据路径中的每一个路径上发送的消息的数量，并用于化石燃料能源生产目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，在所述系统中，如果确定数据路径正在基于先前通信连接变更消息流初始划分，则所述系统能够调整通过不同通信协议在多个不同数据路径中的每一个路径上发送的消息的数量，并用于化石燃料能源生产目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，当与编码数据相关联的冗余信息经由信道在节点间传输时，所述系统能够根据信道特性修改/添加/移除该冗余信息，并用于化石燃料能源生产目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够以估计的丢失事件比率发送FEC数据包(孤立的数据包丢失或连续数据包丢失的突发)，并用于化石燃料能源生产目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统具有组合编码、TCP以及数据包传输调步，并用于化石燃料能源生产目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统具有前向纠错码结构，该结构使各组消息数据包和奇偶校验数据包交织，并且在重叠的各组消息数据包之间进行编码，并用于化石燃料能源生产目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统具有TCP变型，该TCP变型将基于延迟的退避和稳定窗口增加函数相结合，并用于化石燃料能源生产目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统使用模拟交叉点开关来收集可变组模拟传感器输入并用于航空航天目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统在复用器上具有前端信号调节以提高信噪比并用于航空航天目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有复用器连续监测报警功能并用于航空航天目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统使用具有专用总线的分布式CPLD芯片对多个MUX和数据采集部分进行逻辑控制，并用于航空航天目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统使用固态继电器和设计拓扑结构具有高电流数输入能力，并用于航空航天目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有模拟传感器通道和组件板中至少一个的断电能力，并用于航空航天目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有用于触发和振动输入的独特静电保护，并用于航空航天目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有用于A/D零基准的精确电压基准，并用于航空航天目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有用于获取低速RPM和相位信息的锁相环带通跟踪滤波器，并用于航空航天目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统使用板载定时器对相对于输入和触发通道的相位进行数字推导，并用于航空航天目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有用于自动缩放的峰值检测器，该峰值检测器被路由到单独的模数转换器中用于峰值检测，并用于航空航天目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有原始或缓冲到其它模拟通道中的触发通道的路由，并用于航空航天目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统对delta-sigma A/D使用较高的输入过采样，以获得更低的采样率输出，从而最小化AA滤波器要求，并用于航空航天目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统使用CPLD作为delta-sigma模数转换器的时钟分频器，以实现更低的采样率，而不需要数字重采样，并用于航空航天目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有以高采样率获取的长数据块，而不是以不同采样率获取的多个数据集，并用于航空航天目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统存储具有板载卡组维护历史的校准数据，并用于航空航天目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有使用分层模板的快速路由创建能力，并用于航空航天目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统对数据收集带进行智能管理，并用于航空航天目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有利用数据收集带智能管理的神经网络专家系统，并用于航空航天目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统在传感器数据分析中使用数据库层次结构，并用于航空航天目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有用于定义专家系统智能数据收集带和诊断的专家系统GUI图形方法，并用于航空航天目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有用于反算定义的图形方法，并用于航空航天目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统提出了轴承分析方法，并用于航空航天目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统利用瞬时信号分析进行扭转振动检测/分析，并用于航空航天目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统使用模拟和数字方法改进集成，并用于航空航天目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有用于在本地环境中连续监测模拟数据的自适应调度技术，并用于航空航天目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有数据采集驻留功能，并用于航空航天目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有自给式数据采集盒，并用于航空航天目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有SD卡存储器，并用于航空航天目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有用于连续监测的扩展板载统计能力，并用于航空航天目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统使用环境噪声、局部噪声和振动噪声进行预测，并用于航空航天目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统基于传入数据或警报进行智能路由更改，以使得用于分析或关联的动态数据同步，并用于航空航天目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有智能ODS和传输功能，并用于航空航天目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有分层复用器，并用于航空航天目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有传感器过载识别，并用于航空航天目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有RF识别和倾斜仪，并用于航空航天目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有持续超声波监测，并用于航空航天目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有基于远程模拟工业传感器融合的基于云的机器模式识别，并用于航空航天目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统对来自多个模拟工业传感器的状态信息进行基于云的机器模式分析，以提供工业系统的预期状态信息，并用于航空航天目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有用于IoT的基于云的策略自动化引擎，以及IoT设备的创建、部署和管理，并用于航空航天目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有用于工业IoT设备的设备内置传感器融合和数据存储，并用于航空航天目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有用于工业IoT数据的自组织数据市场，并用于航空航天目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有基于利用率和/或收益度量的数据池自组织，并用于航空航天目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统基于行业特定反馈训练AI模型，并用于航空航天目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有工业数据收集器的自组织群，并用于航空航天目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有IoT分布式分类账功能，并用于航空航天目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有自组织收集器，并用于航空航天目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有网络敏感收集器，并用于航空航天目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有远程组织收集器，并用于航空航天目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有用于多传感器数据收集器的自组织存储，并用于航空航天目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有用于多传感器数据网络的自组织网络编码，并用于航空航天目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有用于工业传感器数据收集器且具有振动、热、电和/或声音输出的可穿戴触觉用户界面，并用于航空航天目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有显示AR/VR收集数据的热图，并用于航空航天目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统对数据收集器收集的数据进行自动调节AR/VR可视化，并用于航空航天目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有IoT平台，并用于航空航天目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有用于接收数据输入并与一个或多个可用的IoT云平台建立连接以发布数据的IoT数据适配器，并用于航空航天目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有条件检测器，用于检测与IoT数据适配器对一个或多个IoT云平台的连接尝试有关的条件，并用于航空航天目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有带有适配引擎的IoT数据适配器，并用于航空航天目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统使用机器学习来准备数据包或数据流，并用于航空航天目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有提供可用云网络平台池的数据市场，并用于航空航天目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有消息传送实用程序，该消息传送实用程序向云平台用户界面提供消息，指示新数据源的可用性以及数据源集成和使用说明，并用于航空航天目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够基于到达和成功的传递反馈消息的接收率来维持第一传输限制和第二传输限制，并基于所述传输限制来限制消息的传输，并用于航空航天目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够根据窗口大小限制未确认为成功传递的进一步消息的传输，并用于航空航天目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统具有维持丢失事件比率的估计值并使用它来调整冗余消息的速率的能力，并用于航空航天目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统具有估计的丢失事件比率，其中用于确定所选冗余消息的纠错码基于该估计的丢失事件比率，并用于航空航天目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够基于接收到的描述信道特性的消息，来应用前向纠错，并用于航空航天目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够基于递送顺序事件的发生维持/设置计时器，并使用计时器推迟发送反馈消息，并用于航空航天目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够基于递送顺序事件的发生维持/设置计时器，并基于计时器推迟对拥堵窗口的大小的修改，并用于航空航天目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够基于递送顺序事件的发生维持/设置计时器，基于计时器推迟对拥堵窗口的大小的修改，并在收到反馈消息指示成功传递时取消对拥堵窗口的大小的修改，并用于航空航天目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够使用表征当前/先前连接的维护数据来配置新的连接，并用于航空航天目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够使用表征当前/先前连接错误率的维护数据来配置新的连接，并用于航空航天目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够使用表征当前/先前连接定时可变性的维护数据来配置新的连接，并用于航空航天目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够使用表征当前/先前连接带宽的维护数据来配置新的连接，并用于航空航天目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够使用表征当前/先前连接往返时间的维护数据来配置新的连接，并用于航空航天目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够使用表征当前/先前连接的通信控制参数的维护数据来配置新的连接，并用于航空航天目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够使用表征当前/先前连接的前向纠错参数的维护数据来配置新的连接，并用于航空航天目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统具有数据存储，用于维持表征一个或多个当前/先前数据通信连接的数据；具有连接发起模块，用于基于维护数据发起新的数据通信连接；并用于航空航天目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够在较低延迟数据路径上传送数据消息的第一子集，在较高延迟数据路径上传送消息的第二子集，并用于航空航天目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够在较低延迟数据路径上传送时间关键数据消息的第一子集，在较高延迟数据路径上传送消息的第二子集，并用于航空航天目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够在较低延迟数据路径上传送数据消息的第一初始子集，在较高延迟数据路径上传送随后可用的消息的第二子集，并用于航空航天目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够在较低延迟数据路径上传送确认消息的第一子集，在较高延迟数据路径上传送数据消息的第二子集，并用于航空航天目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够在较低延迟数据路径上传送补充/冗余数据消息的第一子集，在较高延迟数据路径上传送数据消息的第二子集，并用于航空航天目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，在所述系统中，每个消息相关联的冗余度基于在传输顺序中的消息位置，并用于航空航天目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，在所述系统中，每个消息相关联的冗余度随着所述消息的位置不减小而增加，并用于航空航天目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，在所述系统中，每个消息相关联的冗余度基于在传输顺序中的消息位置，并且响应于接收到反馈消息，并用于航空航天目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，在所述系统中，每个消息相关联的冗余度基于在传输顺序中的消息位置，并且响应于接收到反馈消息，基于所述反馈消息从队列中添加或移除冗余消息，并用于航空航天目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，在所述系统中，如果确定数据路径正在变更消息流，则所述系统能够调整通过不同通信协议在多个不同数据路径中的每一个路径上发送的消息的数量，并用于航空航天目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，在所述系统中，如果确定数据路径正在基于先前通信连接变更消息流初始划分，则所述系统能够调整通过不同通信协议在多个不同数据路径中的每一个路径上发送的消息的数量，并用于航空航天目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，当与编码数据相关联的冗余信息经由信道在节点间传输时，所述系统能够根据信道特性修改/添加/移除该冗余信息，并用于航空航天目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够以估计的丢失事件比率发送FEC数据包(孤立的数据包丢失或连续数据包丢失的突发)，并用于航空航天目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统具有组合编码、TCP以及数据包传输调步，并用于航空航天目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统具有前向纠错码结构，该结构使各组消息数据包和奇偶校验数据包交织，并且在重叠的各组消息数据包之间进行编码，并用于航空航天目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统具有TCP变型，该TCP变型将基于延迟的退避和稳定窗口增加函数相结合，并用于航空航天目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统使用模拟交叉点开关来收集可变组模拟传感器输入并用于采矿目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统在复用器上具有前端信号调节以提高信噪比并用于采矿目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有复用器连续监测报警功能并用于采矿目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统使用具有专用总线的分布式CPLD芯片对多个MUX和数据采集部分进行逻辑控制，并用于采矿目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统使用固态继电器和设计拓扑结构具有高电流数输入能力，并用于采矿目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有模拟传感器通道和组件板中至少一个的断电能力，并用于采矿目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有用于触发和振动输入的独特静电保护，并用于采矿目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有用于A/D零基准的精确电压基准，并用于采矿目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有用于获取低速RPM和相位信息的锁相环带通跟踪滤波器，并用于采矿目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统使用板载定时器对相对于输入和触发通道的相位进行数字推导，并用于采矿目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有用于自动缩放的峰值检测器，该峰值检测器被路由到单独的模数转换器中用于峰值检测，并用于采矿目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有原始或缓冲到其它模拟通道中的触发通道的路由，并用于采矿目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统对delta-sigma A/D使用较高的输入过采样，以获得更低的采样率输出，从而最小化AA滤波器要求，并用于采矿目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统使用CPLD作为delta-sigma模数转换器的时钟分频器，以实现更低的采样率，而不需要数字重采样，并用于采矿目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有以高采样率获取的长数据块，而不是以不同采样率获取的多个数据集，并用于采矿目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统存储具有板载卡组维护历史的校准数据，并用于采矿目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有使用分层模板的快速路由创建能力，并用于采矿目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统对数据收集带进行智能管理，并用于采矿目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有利用数据收集带智能管理的神经网络专家系统，并用于采矿目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统在传感器数据分析中使用数据库层次结构，并用于采矿目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有用于定义专家系统智能数据收集带和诊断的专家系统GUI图形方法，并用于采矿目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有用于反算定义的图形方法，并用于采矿目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统提出了轴承分析方法，并用于采矿目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统利用瞬时信号分析进行扭转振动检测/分析，并用于采矿目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统使用模拟和数字方法改进集成，并用于采矿目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有用于在本地环境中连续监测模拟数据的自适应调度技术，并用于采矿目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有数据采集驻留功能，并用于采矿目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有自给式数据采集盒，并用于采矿目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有SD卡存储器，并用于采矿目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有用于连续监测的扩展板载统计能力，并用于采矿目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统使用环境噪声、局部噪声和振动噪声进行预测，并用于采矿目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统基于传入数据或警报进行智能路由更改，以使得用于分析或关联的动态数据同步，并用于采矿目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有智能ODS和传输功能，并用于采矿目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有分层复用器，并用于采矿目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有传感器过载识别，并用于采矿目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有RF识别和倾斜仪，并用于采矿目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有持续超声波监测，并用于采矿目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有基于远程模拟工业传感器融合的基于云的机器模式识别，并用于采矿目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统对来自多个模拟工业传感器的状态信息进行基于云的机器模式分析，以提供工业系统的预期状态信息，并用于采矿目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有用于IoT的基于云的策略自动化引擎，以及IoT设备的创建、部署和管理，并用于采矿目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有用于工业IoT设备的设备内置传感器融合和数据存储，并用于采矿目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有用于工业IoT数据的自组织数据市场，并用于采矿目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有基于利用率和/或收益度量的数据池自组织，并用于采矿目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统基于行业特定反馈训练AI模型，并用于采矿目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有工业数据收集器的自组织群，并用于采矿目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有IoT分布式分类账功能，并用于采矿目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有自组织收集器，并用于采矿目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有网络敏感收集器，并用于采矿目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有远程组织收集器，并用于采矿目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有用于多传感器数据收集器的自组织存储，并用于采矿目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有用于多传感器数据网络的自组织网络编码，并用于采矿目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有用于工业传感器数据收集器且具有振动、热、电和/或声音输出的可穿戴触觉用户界面，并用于采矿目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有显示AR/VR收集数据的热图，并用于采矿目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统对数据收集器收集的数据进行自动调节AR/VR可视化，并用于采矿目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有IoT平台，并用于采矿目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有用于接收数据输入并与一个或多个可用的IoT云平台建立连接以发布数据的IoT数据适配器，并用于采矿目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有条件检测器，用于检测与IoT数据适配器对一个或多个IoT云平台的连接尝试有关的条件，并用于采矿目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有带有适配引擎的IoT数据适配器，并用于采矿目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统使用机器学习来准备数据包或数据流，并用于采矿目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有提供可用云网络平台池的数据市场，并用于采矿目的。
在实施例中，公开了一种在工业环境中使用计算机视觉系统进行数据收集的系统，所述系统具有消息传送实用程序，该消息传送实用程序向云平台用户界面提供消息，指示新数据源的可用性以及数据源集成和使用说明，并用于采矿目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够基于到达和成功的传递反馈消息的接收率来维持第一传输限制和第二传输限制，并基于所述传输限制来限制消息的传输，并用于采矿目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够根据窗口大小限制未确认为成功传递的进一步消息的传输，并用于采矿目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统具有维持丢失事件比率的估计值并使用它来调整冗余消息的速率的能力，并用于采矿目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统具有估计的丢失事件比率，其中用于确定所选冗余消息的纠错码基于该估计的丢失事件比率，并用于采矿目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够基于接收到的描述信道特性的消息，来应用前向纠错，并用于采矿目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够基于递送顺序事件的发生维持/设置计时器，并使用计时器推迟发送反馈消息，并用于采矿目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够基于递送顺序事件的发生维持/设置计时器，并基于计时器推迟对拥堵窗口的大小的修改，并用于采矿目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够基于递送顺序事件的发生维持/设置计时器，基于计时器推迟对拥堵窗口的大小的修改，并在收到反馈消息指示成功传递时取消对拥堵窗口的大小的修改，并用于采矿目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够使用表征当前/先前连接的维护数据来配置新的连接，并用于采矿目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够使用表征当前/先前连接错误率的维护数据来配置新的连接，并用于采矿目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够使用表征当前/先前连接定时可变性的维护数据来配置新的连接，并用于采矿目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够使用表征当前/先前连接带宽的维护数据来配置新的连接，并用于采矿目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够使用表征当前/先前连接往返时间的维护数据来配置新的连接，并用于采矿目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够使用表征当前/先前连接的通信控制参数的维护数据来配置新的连接，并用于采矿目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够使用表征当前/先前连接的前向纠错参数的维护数据来配置新的连接，并用于采矿目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统具有数据存储，用于维持表征一个或多个当前/先前数据通信连接的数据；具有连接发起模块，用于基于维护数据发起新的数据通信连接；并用于采矿目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够在较低延迟数据路径上传输数据消息的第一子集和在较高延迟数据路径上传输消息的第二子集，并用于采矿目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够在较低延迟数据路径上传输时间关键的数据消息的第一子集和在较高延迟数据路径上传输消息的第二子集，并用于采矿目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够在较低延迟数据路径上传输数据消息的第一初始子集和在较高延迟数据路径上传输随后可用的消息的第二子集，并用于采矿目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够在较低延迟数据路径上传输确认消息的第一子集和在较高延迟数据路径上传输数据消息的第二子集，并用于采矿目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够在较低延迟数据路径上传输补充/冗余数据消息的第一子集和在较高延迟数据路径上传输数据消息的第二子集，并用于采矿目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统具有与每个消息相关联的冗余度，所述冗余度基于消息在传输顺序中的位置，并用于采矿目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统具有与每个消息相关联的冗余度，所述冗余度随着消息的位置的不减小而增加，并用于采矿目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统具有与每个消息相关联的冗余度，所述冗余度基于消息在传输顺序中的位置并响应于接收到反馈消息，并用于采矿目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，在所述系统中，每个消息相关联的冗余度基于在传输顺序中的消息位置，并且响应于接收到反馈消息，基于所述反馈消息从队列中添加或移除冗余消息，并用于采矿目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，如果确定数据路径正在改变消息流，所述系统能够调整通过不同通信协议在多个不同数据路径中的每个数据路径上发送的消息的数量，并用于采矿目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，如果确定数据路径正在改变初始基于先前通信连接划分的消息流，所述系统能够调整通过不同通信协议在多个不同数据路径中的每个数据路径上发送的消息的数量，并用于采矿目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，当与编码数据相关联的冗余信息经由信道在节点间传输时，所述系统能够基于信道特性修改/添加/移除与编码数据相关联的冗余信息，并用于采矿目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够以估计的丢失事件(孤立的数据包丢失或连续数据包的突发)速率发送FEC数据包，并用于采矿目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统组合数据包传输的编码、TCP和调步，并用于采矿目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统具有前向纠错码结构，所述前向纠错码结构将消息数据包组和奇偶校验数据包组交织，并且在重叠消息数据包组之间进行编码，并用于采矿目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统具有TCP变体，所述变体将基于延迟的退避与稳定的窗口增加函数相结合，并用于采矿目的。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统使用模拟交叉点开关来收集可变组模拟传感器输入，并用于施工目的。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统对复用器进行前置信号调节，以提高信噪比，并用于施工目的。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统使用复用器持续监测警报特征，并用于施工目的。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统使用具有专用总线的分布式CPLD芯片对多个MUX和数据采集部分进行逻辑控制，并用于施工目的。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有使用固态继电器和设计拓扑的高电流输入能力，并用于施工目的。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有模拟传感器通道和组件板中至少一个的断电能力，并用于施工目的。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有用于触发和振动输入的独特静电保护，并用于施工目的。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有用于A/D零基准的精确电压基准，并用于施工目的。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有用于获取低速RPM和相位信息的锁相环带通跟踪滤波器，并用于施工目的。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统使用板载定时器对相对于输入和触发通道的相位进行数字推导，并用于施工目的。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有用于自动缩放的峰值检测器，所述峰值检测器被路由到单独的模数转换器中用于检测峰值，并用于施工目的。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有原始或者缓冲到其它模拟通道中的触发通道的路由，并用于施工目的。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统针对delta-sigma A/D使用较高的输入过采样，以获得更低的采样率输出，从而最小化AA滤波器要求，并用于施工目的。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统使用CPLD作为delta-sigma模数转换器的时钟分频器，以实现更低的采样率，而无需数字重采样，并用于施工目的。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有以高采样率获取的长数据块，而不是以不同采样率获取的多组数据，并用于施工目的。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统存储具有板载卡组维护历史的校准数据，并用于施工目的。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有使用分层模板快速创建路由的能力，并用于施工目的。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统对数据收集带进行智能管理，并用于施工目的。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有利用数据收集带智能管理的神经网络专家系统，并用于施工目的。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统在传感器数据分析中使用数据库层次结构，并用于施工目的。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统使用专家系统GUI图形方法来定义专家系统的智能数据收集带和诊断，并用于施工目的。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统使用图形方法来反算定义，并用于施工目的。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统提出了轴承分析方法，并用于施工目的。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统使用瞬时信号分析进行扭转振动检测/分析，并用于施工目的。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统使用模拟和数字方法改进集成，并用于施工目的。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有用于在本地环境中持续监测模拟数据的自适应调度技术，并用于施工目的。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有数据采集驻留特征，并用于施工目的。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有自给式数据采集盒，并用于施工目的。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有SD卡存储器，并用于施工目的。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有用于持续监测的扩展板载统计能力，并用于施工目的。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统使用环境噪声、局部噪声和振动噪声进行预测，并用于施工目的。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统基于传入数据或警报进行智能路由更改以使得用于分析或关联的动态数据同步，并用于施工目的。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有智能ODS和传输功能，并用于施工目的。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有分层复用器，并用于施工目的。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统进行传感器过载识别，并用于施工目的。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有RF识别和倾斜仪，并用于施工目的。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统进行持续超声波监测，并用于施工目的。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统进行基于远程模拟工业传感器融合的基于云的机器模式识别，并用于施工目的。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统对来自多个模拟工业传感器的状态信息进行基于云的机器模式分析以提供工业系统的预期状态信息，并用于施工目的。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有用于IoT的基于云的策略自动化引擎，以及IoT设备的创建、部署和管理，并用于施工目的。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有工业IoT设备的设备内置传感器融合和数据存储，并用于施工目的。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有工业IoT数据的自组织数据市场，并用于施工目的。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统基于利用率和/或收益度量自组织数据池，并用于施工目的。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统基于行业特定反馈训练AI模型，并用于施工目的。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有工业数据收集器的自组织群，并用于施工目的。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有IoT分布式分类账，并用于施工目的。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有自组织收集器，并用于施工目的。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有网络敏感收集器，并用于施工目的。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有远程组织收集器，并用于施工目的。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统进行多传感器数据收集器的自组织存储，并用于施工目的。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统进行多传感器数据网络的自组织网络编码，并用于施工目的。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有用于工业传感器数据收集器且具有振动、热、电和/或声音输出的可穿戴触觉用户界面，并用于施工目的。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有显示AR/VR收集数据的热图，并用于施工目的。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统自动调节数据收集器所收集数据的AR/VR可视化，并用于施工目的。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有IoT平台，并用于施工目的。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有IoT数据适配器，用于接收数据输入和建立与一个或多个可用IoT云平台的连接，以发布数据，并用于施工目的。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有条件检测器，用于检测与IoT数据适配器对一个或多个IoT云平台的连接尝试有关的条件，并用于施工目的。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有包括适应引擎的IoT数据适配器，并用于施工目的。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统使用机器学习准备数据包或流，并用于施工目的。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有提供可用云网络平台池的数据市场，并用于施工目的。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有消息传送实用程序，所述消息传送实用程序为云平台用户界面提供消息，所述消息指示新数据源的可用性以及数据源集成和使用说明，并用于施工目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够基于到达和成功的传递反馈消息的接收率维持第一和第二传输限制并基于传输限制来限制消息的传输，并用于施工目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够根据窗口大小限制未确认为成功传递的其它消息的传输，并用于施工目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够维持估计的丢失事件比率并使用估计的丢失事件比率调整冗余消息的比率，并用于施工目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统具有估计的丢失事件比率，用于确定所选择的冗余消息的纠错码基于估计的丢失事件比率，并用于施工目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够基于接收到的描述信道特性的消息应用前向纠错，并用于施工目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够基于递送顺序事件的发生维持/设置定时器并使用定时器延迟反馈消息的传输，并用于施工目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够基于递送顺序事件的发生维持/设置定时器并基于定时器延迟拥堵窗口大小的修改，并用于施工目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够基于递送顺序事件的发生维持/设置定时器，基于定时器延迟拥堵窗口大小的修改以及当接收到指示成功发送的反馈消息时取消拥堵窗口大小的修改，并用于施工目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够使用表征当前/先前连接的维护数据配置新的连接，并用于施工目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够使用表征当前/先前连接的错误率的维护数据配置新的连接，并用于施工目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够使用表征当前/先前连接的定时可变性的维护数据配置新的连接，并用于施工目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够使用表征当前/先前连接的带宽的维护数据配置新的连接，并用于施工目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够使用表征当前/先前连接的往返时间的维护数据配置新的连接，并用于施工目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够使用表征当前/先前连接的通信控制参数的维护数据配置新的连接，并用于施工目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够使用表征当前/先前连接的前向纠错参数的维护数据配置新的连接，并用于施工目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统具有用于维持表征一个或多个当前或先前数据通信连接的数据的数据存储器以及用于基于维护数据启动新的数据通信连接的连接启动模块，并用于施工目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够在较低延迟数据路径上传输数据消息的第一子集和在较高延迟数据路径上传输消息的第二子集，并用于施工目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够在较低延迟数据路径上传输时间关键的数据消息的第一子集和在较高延迟数据路径上传输消息的第二子集，并用于施工目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够在较低延迟数据路径上传输数据消息的第一初始子集和在较高延迟数据路径上传输随后可用的消息的第二子集，并用于施工目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够在较低延迟数据路径上传输确认消息的第一子集和在较高延迟数据路径上传输数据消息的第二子集，并用于施工目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够在较低延迟数据路径上传输补充/冗余数据消息的第一子集和在较高延迟数据路径上传输数据消息的第二子集，并用于施工目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统具有与每个消息相关联的冗余度，所述冗余度基于消息在传输顺序中的位置。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统具有与每个消息相关联的冗余度，所述冗余度随着消息的位置的不减小而增加，并用于施工目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统具有与每个消息相关联的冗余度，所述冗余度基于消息在传输顺序中的位置并响应于接收到反馈消息，并用于施工目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，在所述系统中，每个消息相关联的冗余度基于在传输顺序中的消息位置，并且响应于接收到反馈消息，基于所述反馈消息从队列中添加或移除冗余消息，并用于施工目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，如果确定数据路径正在改变消息流，所述系统能够调整通过不同通信协议在多个不同数据路径中的每个数据路径上发送的消息的数量，并用于施工目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，如果确定数据路径正在改变初始基于先前通信连接划分的消息流，所述系统能够调整通过不同通信协议在多个不同数据路径中的每个数据路径上发送的消息的数量，并用于施工目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，当与编码数据相关联的冗余信息经由信道在节点间传输时，所述系统能够基于信道特性修改/添加/移除与编码数据相关联的冗余信息，并用于施工目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够以估计的丢失事件(孤立的数据包丢失或连续数据包的突发)速率发送FEC数据包，并用于施工目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统组合数据包传输的编码、TCP和调步，并用于施工目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统具有前向纠错码结构，所述前向纠错码结构将消息数据包组和奇偶校验数据包组交织，并且在重叠消息数据包组之间进行编码，并用于施工目的。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统具有TCP变体，所述变体将基于延迟的退避与稳定的窗口增加函数相结合，并用于施工目的。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统使用模拟交叉点开关来收集可变组模拟传感器输入，并用于船只。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统对复用器进行前置信号调节，以提高信噪比，并用于船只。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统使用复用器持续监测警报特征，并用于船只。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统使用具有专用总线的分布式CPLD芯片对多个MUX和数据采集部分进行逻辑控制，并用于船只。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有使用固态继电器和设计拓扑的高电流输入能力，并用于船只。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有模拟传感器通道和组件板中至少一个的断电能力，并用于船只。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有用于触发和振动输入的独特静电保护，并用于船只。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有用于A/D零基准的精确电压基准，并用于船只。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有用于获取低速RPM和相位信息的锁相环带通跟踪滤波器，并用于船只。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统使用板载定时器对相对于输入和触发通道的相位进行数字推导，并用于船只。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有用于自动缩放的峰值检测器，所述峰值检测器被路由到单独的模数转换器中用于检测峰值，并用于船只。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有原始或者缓冲到其它模拟通道中的触发通道的路由，并用于船只。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统针对delta-sigma A/D使用较高的输入过采样，以获得更低的采样率输出，从而最小化AA滤波器要求，并用于船只。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统使用CPLD作为delta-sigma模数转换器的时钟分频器，以实现更低的采样率，而无需数字重采样，并用于船只。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有以高采样率获取的长数据块，而不是以不同采样率获取的多组数据，并用于船只。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统存储具有板载卡组维护历史的校准数据，并用于船只。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有使用分层模板快速创建路由的能力，并用于船只。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统对数据收集带进行智能管理，并用于船只。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有利用数据收集带智能管理的神经网络专家系统，并用于船只。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统在传感器数据分析中使用数据库层次结构，并用于船只。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统使用专家系统GUI图形方法来定义专家系统的智能数据收集带和诊断，并用于船只。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统使用图形方法来反算定义，并用于船只。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统提出了轴承分析方法，并用于船只。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统使用瞬时信号分析进行扭转振动检测/分析，并用于船只。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统使用模拟和数字方法改进集成，并用于船只。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有用于在本地环境中持续监测模拟数据的自适应调度技术，并用于船只。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有数据采集驻留特征，并用于船只。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有自给式数据采集盒，并用于船只。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有SD卡存储器，并用于船只。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有用于持续监测的扩展板载统计能力，并用于船只。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统使用环境噪声、局部噪声和振动噪声进行预测，并用于船只。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统基于传入数据或警报进行智能路由更改以使得用于分析或关联的动态数据同步，并用于船只。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有智能ODS和传输功能，并用于船只。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有分层复用器，并用于船只。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统进行传感器过载识别，并用于船只。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有RF识别和倾斜仪，并用于船只。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统进行持续超声波监测，并用于船只。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统进行基于远程模拟工业传感器融合的基于云的机器模式识别，并用于船只。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统对来自多个模拟工业传感器的状态信息进行基于云的机器模式分析以提供工业系统的预期状态信息，并用于船只。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有用于IoT的基于云的策略自动化引擎，以及IoT设备的创建、部署和管理，并用于船只。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有工业IoT设备的设备内置传感器融合和数据存储，并用于船只。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有工业IoT数据的自组织数据市场，并用于船只。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统基于利用率和/或收益度量自组织数据池，并用于船只。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统基于行业特定反馈训练AI模型，并用于船只。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有工业数据收集器的自组织群，并用于船只。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有IoT分布式分类账，并用于船只。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有自组织收集器，并用于船只。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有网络敏感收集器，并用于船只。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有远程组织收集器，并用于船只。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统进行多传感器数据收集器的自组织存储，并用于船只。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统进行多传感器数据网络的自组织网络编码，并用于船只。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有用于工业传感器数据收集器且具有振动、热、电和/或声音输出的可穿戴触觉用户界面，并用于船只。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有显示AR/VR收集数据的热图，并用于船只。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统自动调节数据收集器所收集数据的AR/VR可视化，并用于船只。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有IoT平台，并用于船只。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有IoT数据适配器，用于接收数据输入和建立与一个或多个可用IoT云平台的连接，以发布数据，并用于船只。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有条件检测器，用于检测与IoT数据适配器对一个或多个IoT云平台的连接尝试有关的条件，并用于船只。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有包括适应引擎的IoT数据适配器，并用于船只。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统使用机器学习准备数据包或流，并用于船只。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有提供可用云网络平台池的数据市场，并用于船只。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有消息传送实用程序，所述消息传送实用程序为云平台用户界面提供消息，所述消息指示新数据源的可用性以及数据源集成和使用说明，并用于船只。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够基于到达和成功的传递反馈消息的接收率维持第一和第二传输限制并基于传输限制来限制消息的传输，并用于船只。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够根据窗口大小限制未确认为成功传递的其它消息的传输，并用于船只。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够维持估计的丢失事件比率并使用估计的丢失事件比率调整冗余消息的比率，并用于船只。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统具有估计的丢失事件比率，用于确定所选择的冗余消息的纠错码基于估计的丢失事件比率，并用于船只。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够基于接收到的描述信道特性的消息应用前向纠错，并用于船只。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够基于递送顺序事件的发生维持/设置定时器并使用定时器延迟反馈消息的传输，并用于船只。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够基于递送顺序事件的发生维持/设置定时器并基于定时器延迟拥堵窗口大小的修改，并用于船只。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够基于递送顺序事件的发生维持/设置定时器，基于定时器延迟拥堵窗口大小的修改以及当接收到指示成功发送的反馈消息时取消拥堵窗口大小的修改，并用于船只。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够使用表征当前/先前连接的维护数据配置新的连接，并用于船只。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够使用表征当前/先前连接的错误率的维护数据配置新的连接，并用于船只。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够使用表征当前/先前连接的定时可变性的维护数据配置新的连接，并用于船只。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够使用表征当前/先前连接的带宽的维护数据配置新的连接，并用于船只。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够使用表征当前/先前连接的往返时间的维护数据配置新的连接，并用于船只。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够使用表征当前/先前连接的通信控制参数的维护数据配置新的连接，并用于船只。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够使用表征当前/先前连接的前向纠错参数的维护数据配置新的连接，并用于船只。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统具有用于维持表征一个或多个当前或先前数据通信连接的数据的数据存储器以及用于基于维护数据启动新的数据通信连接的连接启动模块，并用于船只。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够在较低延迟数据路径上传输数据消息的第一子集和在较高延迟数据路径上传输消息的第二子集，并用于船只。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够在较低延迟数据路径上传输时间关键的数据消息的第一子集和在较高延迟数据路径上传输消息的第二子集，并用于船只。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够在较低延迟数据路径上传输数据消息的第一初始子集和在较高延迟数据路径上传输随后可用的消息的第二子集，并用于船只。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够在较低延迟数据路径上传输确认消息的第一子集和在较高延迟数据路径上传输数据消息的第二子集，并用于船只。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够在较低延迟数据路径上传输补充/冗余数据消息的第一子集和在较高延迟数据路径上传输数据消息的第二子集，并用于船只。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统具有与每个消息相关联的冗余度，所述冗余度基于消息在传输顺序中的位置，并用于船只。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统具有与每个消息相关联的冗余度，所述冗余度随着消息的位置的不减小而增加，并用于船只。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统具有与每个消息相关联的冗余度，所述冗余度基于消息在传输顺序中的位置并响应于接收到反馈消息，并用于船只。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，在所述系统中，每个消息相关联的冗余度基于在传输顺序中的消息位置，并且响应于接收到反馈消息，基于所述反馈消息从队列中添加或移除冗余消息，并用于船只。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，如果确定数据路径正在改变消息流，所述系统能够调整通过不同通信协议在多个不同数据路径中的每个数据路径上发送的消息的数量，并用于船只。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，如果确定数据路径正在改变初始基于先前通信连接划分的消息流，所述系统能够调整通过不同通信协议在多个不同数据路径中的每个数据路径上发送的消息的数量，并用于船只。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，当与编码数据相关联的冗余信息经由信道在节点间传输时，所述系统能够基于信道特性修改/添加/移除与编码数据相关联的冗余信息，并用于船只。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够以估计的丢失事件(孤立的数据包丢失或连续数据包的突发)速率发送FEC数据包，并用于船只。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统组合数据包传输的编码、TCP和调步，并用于船只。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统具有前向纠错码结构，所述前向纠错码结构将消息数据包组和奇偶校验数据包组交织，并且在重叠消息数据包组之间进行编码，并用于船只。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统具有TCP变体，所述变体将基于延迟的退避与稳定的窗口增加函数相结合，并用于船只。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统使用模拟交叉点开关来收集可变组模拟传感器输入，并用于潜艇。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统对复用器进行前置信号调节，以提高信噪比，并用于潜艇。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统使用复用器持续监测警报特征，并用于潜艇。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统使用具有专用总线的分布式CPLD芯片对多个MUX和数据采集部分进行逻辑控制，并用于潜艇。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有使用固态继电器和设计拓扑的高电流输入能力，并用于潜艇。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有模拟传感器通道和组件板中至少一个的断电能力，并用于潜艇。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有用于触发和振动输入的独特静电保护，并用于潜艇。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有用于A/D零基准的精确电压基准，并用于潜艇。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有用于获取低速RPM和相位信息的锁相环带通跟踪滤波器，并用于潜艇。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统使用板载定时器对相对于输入和触发通道的相位进行数字推导，并用于潜艇。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有用于自动缩放的峰值检测器，所述峰值检测器被路由到单独的模数转换器中用于检测峰值，并用于潜艇。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有原始或者缓冲到其它模拟通道中的触发通道的路由，并用于潜艇。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统针对delta-sigma A/D使用较高的输入过采样，以获得更低的采样率输出，从而最小化AA滤波器要求，并用于潜艇。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统使用CPLD作为delta-sigma模数转换器的时钟分频器，以实现更低的采样率，而无需数字重采样，并用于潜艇。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有以高采样率获取的长数据块，而不是以不同采样率获取的多组数据，并用于潜艇。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统存储具有板载卡组维护历史的校准数据，并用于潜艇。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有使用分层模板快速创建路由的能力，并用于潜艇。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统对数据收集带进行智能管理，并用于潜艇。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有利用数据收集带智能管理的神经网络专家系统，并用于潜艇。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统在传感器数据分析中使用数据库层次结构，并用于潜艇。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统使用专家系统GUI图形方法来定义专家系统的智能数据收集带和诊断，并用于潜艇。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统使用图形方法来反算定义，并用于潜艇。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统提出了轴承分析方法，并用于潜艇。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统使用瞬时信号分析进行扭转振动检测/分析，并用于潜艇。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统使用模拟和数字方法改进集成，并用于潜艇。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有用于在本地环境中持续监测模拟数据的自适应调度技术，并用于潜艇。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有数据采集驻留特征，并用于潜艇。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有自给式数据采集盒，并用于潜艇。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有SD卡存储器，并用于潜艇。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有用于持续监测的扩展板载统计能力，并用于潜艇。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统使用环境噪声、局部噪声和振动噪声进行预测，并用于潜艇。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统基于传入数据或警报进行智能路由更改以使得用于分析或关联的动态数据同步，并用于潜艇。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有智能ODS和传输功能，并用于潜艇。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有分层复用器，并用于潜艇。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统进行传感器过载识别，并用于潜艇。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有RF识别和倾斜仪，并用于潜艇。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统进行持续超声波监测，并用于潜艇。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统进行基于远程模拟工业传感器融合的基于云的机器模式识别，并用于潜艇。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统对来自多个模拟工业传感器的状态信息进行基于云的机器模式分析以提供工业系统的预期状态信息，并用于潜艇。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有用于IoT的基于云的策略自动化引擎，以及IoT设备的创建、部署和管理，并用于潜艇。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有工业IoT设备的设备内置传感器融合和数据存储，并用于潜艇。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有工业IoT数据的自组织数据市场，并用于潜艇。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统基于利用率和/或收益度量自组织数据池，并用于潜艇。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统基于行业特定反馈训练AI模型，并用于潜艇。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有工业数据收集器的自组织群，并用于潜艇。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有IoT分布式分类账，并用于潜艇。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有自组织收集器，并用于潜艇。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有网络敏感收集器，并用于潜艇。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有远程组织收集器，并用于潜艇。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统进行多传感器数据收集器的自组织存储，并用于潜艇。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统进行多传感器数据网络的自组织网络编码，并用于潜艇。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有用于工业传感器数据收集器且具有振动、热、电和/或声音输出的可穿戴触觉用户界面，并用于潜艇。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有显示AR/VR收集数据的热图，并用于潜艇。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统自动调节数据收集器所收集数据的AR/VR可视化，并用于潜艇。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有IoT平台，并用于潜艇。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有IoT数据适配器，用于接收数据输入和建立与一个或多个可用IoT云平台的连接，以发布数据，并用于潜艇。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有条件检测器，用于检测与IoT数据适配器对一个或多个IoT云平台的连接尝试有关的条件，并用于潜艇。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有包括适应引擎的IoT数据适配器，并用于潜艇。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统使用机器学习准备数据包或流，并用于潜艇。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有提供可用云网络平台池的数据市场，并用于潜艇。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有消息传送实用程序，所述消息传送实用程序为云平台用户界面提供消息，所述消息指示新数据源的可用性以及数据源集成和使用说明，并用于潜艇。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够基于到达和成功的传递反馈消息的接收率维持第一和第二传输限制并基于传输限制来限制消息的传输，并用于潜艇。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够根据窗口大小限制未确认为成功传递的其它消息的传输，并用于潜艇。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够维持估计的丢失事件比率并使用估计的丢失事件比率调整冗余消息的比率，并用于潜艇。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统具有估计的丢失事件比率，用于确定所选择的冗余消息的纠错码基于估计的丢失事件比率，并用于潜艇。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够基于接收到的描述信道特性的消息应用前向纠错，并用于潜艇。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够基于递送顺序事件的发生维持/设置定时器并使用定时器延迟反馈消息的传输，并用于潜艇。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够基于递送顺序事件的发生维持/设置定时器并基于定时器延迟拥堵窗口大小的修改，并用于潜艇。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够基于递送顺序事件的发生维持/设置定时器，基于定时器延迟拥堵窗口大小的修改以及当接收到指示成功发送的反馈消息时取消拥堵窗口大小的修改，并用于潜艇。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够使用表征当前/先前连接的维护数据配置新的连接，并用于潜艇。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够使用表征当前/先前连接的错误率的维护数据配置新的连接，并用于潜艇。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够使用表征当前/先前连接的定时可变性的维护数据配置新的连接，并用于潜艇。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够使用表征当前/先前连接的带宽的维护数据配置新的连接，并用于潜艇。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够使用表征当前/先前连接的往返时间的维护数据配置新的连接，并用于潜艇。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够使用表征当前/先前连接的通信控制参数的维护数据配置新的连接，并用于潜艇。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够使用表征当前/先前连接的前向纠错参数的维护数据配置新的连接，并用于潜艇。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统具有用于维持表征一个或多个当前或先前数据通信连接的数据的数据存储器以及用于基于维护数据启动新的数据通信连接的连接启动模块，并用于潜艇。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够在较低延迟数据路径上传输数据消息的第一子集和在较高延迟数据路径上传输消息的第二子集，并用于潜艇。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够在较低延迟数据路径上传输时间关键的数据消息的第一子集和在较高延迟数据路径上传输消息的第二子集，并用于潜艇。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够在较低延迟数据路径上传输数据消息的第一初始子集和在较高延迟数据路径上传输随后可用的消息的第二子集，并用于潜艇。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够在较低延迟数据路径上传输确认消息的第一子集和在较高延迟数据路径上传输数据消息的第二子集，并用于潜艇。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够在较低延迟数据路径上传输补充/冗余数据消息的第一子集和在较高延迟数据路径上传输数据消息的第二子集，并用于潜艇。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统具有与每个消息相关联的冗余度，所述冗余度基于消息在传输顺序中的位置，并用于潜艇。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统具有与每个消息相关联的冗余度，所述冗余度随着消息的位置的不减小而增加，并用于潜艇。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统具有与每个消息相关联的冗余度，所述冗余度基于消息在传输顺序中的位置并响应于接收到反馈消息，并用于潜艇。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，在所述系统中，每个消息相关联的冗余度基于在传输顺序中的消息位置，并且响应于接收到反馈消息，基于所述反馈消息从队列中添加或移除冗余消息，并用于潜艇。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，如果确定数据路径正在改变消息流，所述系统能够调整通过不同通信协议在多个不同数据路径中的每个数据路径上发送的消息的数量，并用于潜艇。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，如果确定数据路径正在改变初始基于先前通信连接划分的消息流，所述系统能够调整通过不同通信协议在多个不同数据路径中的每个数据路径上发送的消息的数量，并用于潜艇。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，当与编码数据相关联的冗余信息经由信道在节点间传输时，所述系统能够基于信道特性修改/添加/移除与编码数据相关联的冗余信息，并用于潜艇。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够以估计的丢失事件(孤立的数据包丢失或连续数据包的突发)速率发送FEC数据包，并用于潜艇。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统组合数据包传输的编码、TCP和调步，并用于潜艇。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统具有前向纠错码结构，所述前向纠错码结构将消息数据包组和奇偶校验数据包组交织，并且在重叠消息数据包组之间进行编码，并用于潜艇。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统具有TCP变体，所述变体将基于延迟的退避与稳定的窗口增加函数相结合，并用于潜艇。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统使用模拟交叉点开关来收集可变组模拟传感器输入，并用于风能生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统对复用器进行前置信号调节，以提高信噪比，并用于风能生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统使用复用器持续监测警报特征，并用于风能生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统使用具有专用总线的分布式CPLD芯片对多个MUX和数据采集部分进行逻辑控制，并用于风能生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有使用固态继电器和设计拓扑的高电流输入能力，并用于风能生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有模拟传感器通道和组件板中至少一个的断电能力，并用于风能生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有用于触发和振动输入的独特静电保护，并用于风能生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有用于A/D零基准的精确电压基准，并用于风能生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有用于获取低速RPM和相位信息的锁相环带通跟踪滤波器，并用于风能生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统使用板载定时器对相对于输入和触发通道的相位进行数字推导，并用于风能生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有用于自动缩放的峰值检测器，所述峰值检测器被路由到单独的模数转换器中用于检测峰值，并用于风能生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有原始或者缓冲到其它模拟通道中的触发通道的路由，并用于风能生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统针对delta-sigma A/D使用较高的输入过采样，以获得更低的采样率输出，从而最小化AA滤波器要求，并用于风能生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统使用CPLD作为delta-sigma模数转换器的时钟分频器，以实现更低的采样率，而无需数字重采样，并用于风能生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有以高采样率获取的长数据块，而不是以不同采样率获取的多组数据，并用于风能生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统存储具有板载卡组维护历史的校准数据，并用于风能生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有使用分层模板快速创建路由的能力，并用于风能生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统对数据收集带进行智能管理，并用于风能生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有利用数据收集带智能管理的神经网络专家系统，并用于风能生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统在传感器数据分析中使用数据库层次结构，并用于风能生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统使用专家系统GUI图形方法来定义专家系统的智能数据收集带和诊断，并用于风能生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统使用图形方法来反算定义，并用于风能生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统提出了轴承分析方法，并用于风能生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统使用瞬时信号分析进行扭转振动检测/分析，并用于风能生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统使用模拟和数字方法改进集成，并用于风能生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有用于在本地环境中持续监测模拟数据的自适应调度技术，并用于风能生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有数据采集驻留特征，并用于风能生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有自给式数据采集盒，并用于风能生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有SD卡存储器，并用于风能生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有用于持续监测的扩展板载统计能力，并用于风能生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统使用环境噪声、局部噪声和振动噪声进行预测，并用于风能生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统基于传入数据或警报进行智能路由更改以使得用于分析或关联的动态数据同步，并用于风能生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有智能ODS和传输功能，并用于风能生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有分层复用器，并用于风能生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统进行传感器过载识别，并用于风能生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有RF识别和倾斜仪，并用于风能生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统进行持续超声波监测，并用于风能生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统进行基于远程模拟工业传感器融合的基于云的机器模式识别，并用于风能生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统对来自多个模拟工业传感器的状态信息进行基于云的机器模式分析以提供工业系统的预期状态信息，并用于风能生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有用于IoT的基于云的策略自动化引擎，以及IoT设备的创建、部署和管理，并用于风能生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有工业IoT设备的设备内置传感器融合和数据存储，并用于风能生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有工业IoT数据的自组织数据市场，并用于风能生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统基于利用率和/或收益度量自组织数据池，并用于风能生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统基于行业特定反馈训练AI模型，并用于风能生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有工业数据收集器的自组织群，并用于风能生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有IoT分布式分类账，并用于风能生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有自组织收集器，并用于风能生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有网络敏感收集器，并用于风能生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有远程组织收集器，并用于风能生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统进行多传感器数据收集器的自组织存储，并用于风能生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统进行多传感器数据网络的自组织网络编码，并用于风能生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有用于工业传感器数据收集器且具有振动、热、电和/或声音输出的可穿戴触觉用户界面，并用于风能生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有显示AR/VR收集数据的热图，并用于风能生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统自动调节数据收集器所收集数据的AR/VR可视化，并用于风能生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有IoT平台，并用于风能生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有IoT数据适配器，用于接收数据输入和建立与一个或多个可用IoT云平台的连接，以发布数据，并用于风能生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有条件检测器，用于检测与IoT数据适配器对一个或多个IoT云平台的连接尝试有关的条件，并用于风能生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有包括适应引擎的IoT数据适配器，并用于风能生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统使用机器学习准备数据包或流，并用于风能生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有提供可用云网络平台池的数据市场，并用于风能生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有消息传送实用程序，所述消息传送实用程序为云平台用户界面提供消息，所述消息指示新数据源的可用性以及数据源集成和使用说明，并用于风能生产。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够基于到达和成功的传递反馈消息的接收率维持第一和第二传输限制并基于传输限制来限制消息的传输，并用于风能生产。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够根据窗口大小限制未确认为成功传递的其它消息的传输，并用于风能生产。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够维持估计的丢失事件比率并使用估计的丢失事件比率调整冗余消息的比率，并用于风能生产。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统具有估计的丢失事件比率，用于确定所选择的冗余消息的纠错码基于估计的丢失事件比率，并用于风能生产。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够基于接收到的描述信道特性的消息应用前向纠错，并用于风能生产。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够基于递送顺序事件的发生维持/设置定时器并使用定时器延迟反馈消息的传输，并用于风能生产。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够基于递送顺序事件的发生维持/设置定时器并基于定时器延迟拥堵窗口大小的修改，并用于风能生产。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够基于递送顺序事件的发生维持/设置定时器，基于定时器延迟拥堵窗口大小的修改以及当接收到指示成功发送的反馈消息时取消拥堵窗口大小的修改，并用于风能生产。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够使用表征当前/先前连接的维护数据配置新的连接，并用于风能生产。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够使用表征当前/先前连接的错误率的维护数据配置新的连接，并用于风能生产。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够使用表征当前/先前连接的定时可变性的维护数据配置新的连接，并用于风能生产。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够使用表征当前/先前连接的带宽的维护数据配置新的连接，并用于风能生产。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够使用表征当前/先前连接的往返时间的维护数据配置新的连接，并用于风能生产。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够使用表征当前/先前连接的通信控制参数的维护数据配置新的连接，并用于风能生产。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够使用表征当前/先前连接的前向纠错参数的维护数据配置新的连接，并用于风能生产。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统具有用于维持表征一个或多个当前或先前数据通信连接的数据的数据存储器以及用于基于维护数据启动新的数据通信连接的连接启动模块，并用于风能生产。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够在较低延迟数据路径上传输数据消息的第一子集和在较高延迟数据路径上传输消息的第二子集，并用于风能生产。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够在较低延迟数据路径上传输时间关键的数据消息的第一子集和在较高延迟数据路径上传输消息的第二子集，并用于风能生产。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够在较低延迟数据路径上传输数据消息的第一初始子集和在较高延迟数据路径上传输随后可用的消息的第二子集，并用于风能生产。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够在较低延迟数据路径上传输确认消息的第一子集和在较高延迟数据路径上传输数据消息的第二子集，并用于风能生产。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够在较低延迟数据路径上传输补充/冗余数据消息的第一子集和在较高延迟数据路径上传输数据消息的第二子集，并用于风能生产。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统具有与每个消息相关联的冗余度，所述冗余度基于消息在传输顺序中的位置，并用于风能生产。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统具有与每个消息相关联的冗余度，所述冗余度随着消息的位置的不减小而增加，并用于风能生产。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统具有与每个消息相关联的冗余度，所述冗余度基于消息在传输顺序中的位置并响应于接收到反馈消息，并用于风能生产。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，在所述系统中，每个消息相关联的冗余度基于在传输顺序中的消息位置，并且响应于接收到反馈消息，基于所述反馈消息从队列中添加或移除冗余消息，并用于风能生产。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，如果确定数据路径正在改变消息流，所述系统能够调整通过不同通信协议在多个不同数据路径中的每个数据路径上发送的消息的数量，并用于风能生产。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，如果确定数据路径正在改变初始基于先前通信连接划分的消息流，所述系统能够调整通过不同通信协议在多个不同数据路径中的每个数据路径上发送的消息的数量，并用于风能生产。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，当与编码数据相关联的冗余信息经由信道在节点间传输时，所述系统能够基于信道特性修改/添加/移除与编码数据相关联的冗余信息，并用于风能生产。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够以估计的丢失事件(孤立的数据包丢失或连续数据包的突发)速率发送FEC数据包，并用于风能生产。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统组合数据包传输的编码、TCP和调步，并用于风能生产。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统具有前向纠错码结构，所述前向纠错码结构将消息数据包组和奇偶校验数据包组交织，并且在重叠消息数据包组之间进行编码，并用于风能生产。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统具有TCP变体，所述变体将基于延迟的退避与稳定的窗口增加函数相结合，并用于风能生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统使用模拟交叉点开关来收集可变组模拟传感器输入，并用于水电能源生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统对复用器进行前置信号调节，以提高信噪比，并用于水电能源生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统使用复用器持续监测警报特征，并用于水电能源生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统使用具有专用总线的分布式CPLD芯片对多个MUX和数据采集部分进行逻辑控制，并用于水电能源生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有使用固态继电器和设计拓扑的高电流输入能力，并用于水电能源生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有模拟传感器通道和组件板中至少一个的断电能力，并用于水电能源生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有用于触发和振动输入的独特静电保护，并用于水电能源生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有用于A/D零基准的精确电压基准，并用于水电能源生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有用于获取低速RPM和相位信息的锁相环带通跟踪滤波器，并用于水电能源生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统使用板载定时器对相对于输入和触发通道的相位进行数字推导，并用于水电能源生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有用于自动缩放的峰值检测器，所述峰值检测器被路由到单独的模数转换器中用于检测峰值，并用于水电能源生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有原始或者缓冲到其它模拟通道中的触发通道的路由，并用于水电能源生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统针对delta-sigma A/D使用较高的输入过采样，以获得更低的采样率输出，从而最小化AA滤波器要求，并用于水电能源生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统使用CPLD作为delta-sigma模数转换器的时钟分频器，以实现更低的采样率，而无需数字重采样，并用于水电能源生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有以高采样率获取的长数据块，而不是以不同采样率获取的多组数据，并用于水电能源生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统存储具有板载卡组维护历史的校准数据，并用于水电能源生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有使用分层模板快速创建路由的能力，并用于水电能源生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统对数据收集带进行智能管理，并用于水电能源生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有利用数据收集带智能管理的神经网络专家系统，并用于水电能源生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统在传感器数据分析中使用数据库层次结构，并用于水电能源生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统使用专家系统GUI图形方法来定义专家系统的智能数据收集带和诊断，并用于水电能源生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统使用图形方法来反算定义，并用于水电能源生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统提出了轴承分析方法，并用于水电能源生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统使用瞬时信号分析进行扭转振动检测/分析，并用于水电能源生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统使用模拟和数字方法改进集成，并用于水电能源生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有用于在本地环境中持续监测模拟数据的自适应调度技术，并用于水电能源生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有数据采集驻留特征，并用于水电能源生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有自给式数据采集盒，并用于水电能源生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有SD卡存储器，并用于水电能源生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有用于持续监测的扩展板载统计能力，并用于水电能源生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统使用环境噪声、局部噪声和振动噪声进行预测，并用于水电能源生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统基于传入数据或警报进行智能路由更改以使得用于分析或关联的动态数据同步，并用于水电能源生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有智能ODS和传输功能，并用于水电能源生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有分层复用器，并用于水电能源生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统进行传感器过载识别，并用于水电能源生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有RF识别和倾斜仪，并用于水电能源生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统进行持续超声波监测，并用于水电能源生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统进行基于远程模拟工业传感器融合的基于云的机器模式识别，并用于水电能源生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统对来自多个模拟工业传感器的状态信息进行基于云的机器模式分析以提供工业系统的预期状态信息，并用于水电能源生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有用于IoT的基于云的策略自动化引擎，以及IoT设备的创建、部署和管理，并用于水电能源生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有工业IoT设备的设备内置传感器融合和数据存储，并用于水电能源生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有工业IoT数据的自组织数据市场，并用于水电能源生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统基于利用率和/或收益度量自组织数据池，并用于水电能源生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统基于行业特定反馈训练AI模型，并用于水电能源生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有工业数据收集器的自组织群，并用于水电能源生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有IoT分布式分类账，并用于水电能源生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有自组织收集器，并用于水电能源生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有网络敏感收集器，并用于水电能源生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有远程组织收集器，并用于水电能源生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统进行多传感器数据收集器的自组织存储，并用于水电能源生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统进行多传感器数据网络的自组织网络编码，并用于水电能源生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有用于工业传感器数据收集器且具有振动、热、电和/或声音输出的可穿戴触觉用户界面，并用于水电能源生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有显示AR/VR收集数据的热图，并用于水电能源生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统自动调节数据收集器所收集数据的AR/VR可视化，并用于水电能源生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有IoT平台，并用于水电能源生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有IoT数据适配器，用于接收数据输入和建立与一个或多个可用IoT云平台的连接，以发布数据，并用于水电能源生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有条件检测器，用于检测与IoT数据适配器对一个或多个IoT云平台的连接尝试有关的条件，并用于水电能源生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有包括适应引擎的IoT数据适配器，并用于水电能源生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统使用机器学习准备数据包或流，并用于水电能源生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有提供可用云网络平台池的数据市场，并用于水电能源生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有消息传送实用程序，所述消息传送实用程序为云平台用户界面提供消息，所述消息指示新数据源的可用性以及数据源集成和使用说明，并用于水电能源生产。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够基于到达和成功的传递反馈消息的接收率维持第一和第二传输限制并基于传输限制来限制消息的传输，并用于水电能源生产。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够根据窗口大小限制未确认为成功传递的其它消息的传输，并用于水电能源生产。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够维持估计的丢失事件比率并使用估计的丢失事件比率调整冗余消息的比率，并用于水电能源生产。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统具有估计的丢失事件比率，用于确定所选择的冗余消息的纠错码基于估计的丢失事件比率，并用于水电能源生产。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够基于接收到的描述信道特性的消息应用前向纠错，并用于水电能源生产。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够基于递送顺序事件的发生维持/设置定时器并使用定时器延迟反馈消息的传输，并用于水电能源生产。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够基于递送顺序事件的发生维持/设置定时器并基于定时器延迟拥堵窗口大小的修改，并用于水电能源生产。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够基于递送顺序事件的发生维持/设置定时器，基于定时器延迟拥堵窗口大小的修改以及当接收到指示成功发送的反馈消息时取消拥堵窗口大小的修改，并用于水电能源生产。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够使用表征当前/先前连接的维护数据配置新的连接，并用于水电能源生产。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够使用表征当前/先前连接的错误率的维护数据配置新的连接，并用于水电能源生产。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够使用表征当前/先前连接的定时可变性的维护数据配置新的连接，并用于水电能源生产。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够使用表征当前/先前连接的带宽的维护数据配置新的连接，并用于水电能源生产。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够使用表征当前/先前连接的往返时间的维护数据配置新的连接，并用于水电能源生产。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够使用表征当前/先前连接的通信控制参数的维护数据配置新的连接，并用于水电能源生产。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够使用表征当前/先前连接的前向纠错参数的维护数据配置新的连接，并用于水电能源生产。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统具有用于维持表征一个或多个当前或先前数据通信连接的数据的数据存储器以及用于基于维护数据启动新的数据通信连接的连接启动模块，并用于水电能源生产。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够在较低延迟数据路径上传输数据消息的第一子集和在较高延迟数据路径上传输消息的第二子集，并用于水电能源生产。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够在较低延迟数据路径上传输时间关键的数据消息的第一子集和在较高延迟数据路径上传输消息的第二子集，并用于水电能源生产。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够在较低延迟数据路径上传输数据消息的第一初始子集和在较高延迟数据路径上传输随后可用的消息的第二子集，并用于水电能源生产。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够在较低延迟数据路径上传输确认消息的第一子集和在较高延迟数据路径上传输数据消息的第二子集，并用于水电能源生产。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够在较低延迟数据路径上传输补充/冗余数据消息的第一子集和在较高延迟数据路径上传输数据消息的第二子集，并用于水电能源生产。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统具有与每个消息相关联的冗余度，所述冗余度基于消息在传输顺序中的位置，并用于水电能源生产。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统具有与每个消息相关联的冗余度，所述冗余度随着消息的位置的不减小而增加，并用于水电能源生产。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统具有与每个消息相关联的冗余度，所述冗余度基于消息在传输顺序中的位置并响应于接收到反馈消息，并用于水电能源生产。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，在所述系统中，每个消息相关联的冗余度基于在传输顺序中的消息位置，并且响应于接收到反馈消息，基于所述反馈消息从队列中添加或移除冗余消息，并用于水电能源生产。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，如果确定数据路径正在改变消息流，所述系统能够调整通过不同通信协议在多个不同数据路径中的每个数据路径上发送的消息的数量，并用于水电能源生产。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，如果确定数据路径正在改变初始基于先前通信连接划分的消息流，所述系统能够调整通过不同通信协议在多个不同数据路径中的每个数据路径上发送的消息的数量，并用于水电能源生产。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，当与编码数据相关联的冗余信息经由信道在节点间传输时，所述系统能够基于信道特性修改/添加/移除与编码数据相关联的冗余信息，并用于水电能源生产。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够以估计的丢失事件(孤立的数据包丢失或连续数据包的突发)速率发送FEC数据包，并用于水电能源生产。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统组合数据包传输的编码、TCP和调步，并用于水电能源生产。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统具有前向纠错码结构，所述前向纠错码结构将消息数据包组和奇偶校验数据包组交织，并且在重叠消息数据包组之间进行编码，并用于水电能源生产。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统具有TCP变体，所述变体将基于延迟的退避与稳定的窗口增加函数相结合，并用于水电能源生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统使用模拟交叉点开关来收集可变组模拟传感器输入，并用于核能生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统对复用器进行前置信号调节，以提高信噪比，并用于核能生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统使用复用器持续监测警报特征，并用于核能生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统使用具有专用总线的分布式CPLD芯片对多个MUX和数据采集部分进行逻辑控制，并用于核能生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有使用固态继电器和设计拓扑的高电流输入能力，并用于核能生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有模拟传感器通道和组件板中至少一个的断电能力，并用于核能生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有用于触发和振动输入的独特静电保护，并用于核能生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有用于A/D零基准的精确电压基准，并用于核能生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有用于获取低速RPM和相位信息的锁相环带通跟踪滤波器，并用于核能生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统使用板载定时器对相对于输入和触发通道的相位进行数字推导，并用于核能生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有用于自动缩放的峰值检测器，所述峰值检测器被路由到单独的模数转换器中用于检测峰值，并用于核能生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有原始或者缓冲到其它模拟通道中的触发通道的路由，并用于核能生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统针对delta-sigma A/D使用较高的输入过采样，以获得更低的采样率输出，从而最小化AA滤波器要求，并用于核能生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统使用CPLD作为delta-sigma模数转换器的时钟分频器，以实现更低的采样率，而无需数字重采样，并用于核能生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有以高采样率获取的长数据块，而不是以不同采样率获取的多组数据，并用于核能生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统存储具有板载卡组维护历史的校准数据，并用于核能生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有使用分层模板快速创建路由的能力，并用于核能生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统对数据收集带进行智能管理，并用于核能生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有利用数据收集带智能管理的神经网络专家系统，并用于核能生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统在传感器数据分析中使用数据库层次结构，并用于核能生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统使用专家系统GUI图形方法来定义专家系统的智能数据收集带和诊断，并用于核能生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统使用图形方法来反算定义，并用于核能生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统提出了轴承分析方法，并用于核能生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统使用瞬时信号分析进行扭转振动检测/分析，并用于核能生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统使用模拟和数字方法改进集成，并用于核能生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有用于在本地环境中持续监测模拟数据的自适应调度技术，并用于核能生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有数据采集驻留特征，并用于核能生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有自给式数据采集盒，并用于核能生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有SD卡存储器，并用于核能生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有用于持续监测的扩展板载统计能力，并用于核能生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统使用环境噪声、局部噪声和振动噪声进行预测，并用于核能生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统基于传入数据或警报进行智能路由更改以使得用于分析或关联的动态数据同步，并用于核能生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有智能ODS和传输功能，并用于核能生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有分层复用器，并用于核能生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统进行传感器过载识别，并用于核能生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有RF识别和倾斜仪，并用于核能生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统进行持续超声波监测，并用于核能生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统进行基于远程模拟工业传感器融合的基于云的机器模式识别，并用于核能生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统对来自多个模拟工业传感器的状态信息进行基于云的机器模式分析以提供工业系统的预期状态信息，并用于核能生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有用于IoT的基于云的策略自动化引擎，以及IoT设备的创建、部署和管理，并用于核能生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有工业IoT设备的设备内置传感器融合和数据存储，并用于核能生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有工业IoT数据的自组织数据市场，并用于核能生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统基于利用率和/或收益度量自组织数据池，并用于核能生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统基于行业特定反馈训练AI模型，并用于核能生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有工业数据收集器的自组织群，并用于核能生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有IoT分布式分类账，并用于核能生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有自组织收集器，并用于核能生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有网络敏感收集器，并用于核能生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有远程组织收集器，并用于核能生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统进行多传感器数据收集器的自组织存储，并用于核能生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统进行多传感器数据网络的自组织网络编码，并用于核能生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有用于工业传感器数据收集器且具有振动、热、电和/或声音输出的可穿戴触觉用户界面，并用于核能生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有显示AR/VR收集数据的热图，并用于核能生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统自动调节数据收集器所收集数据的AR/VR可视化，并用于核能生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有IoT平台，并用于核能生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有IoT数据适配器，用于接收数据输入和建立与一个或多个可用IoT云平台的连接，以发布数据，并用于核能生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有条件检测器，用于检测与IoT数据适配器对一个或多个IoT云平台的连接尝试有关的条件，并用于核能生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有包括适应引擎的IoT数据适配器，并用于核能生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统使用机器学习准备数据包或流，并用于核能生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有提供可用云网络平台池的数据市场，并用于核能生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有消息传送实用程序，所述消息传送实用程序为云平台用户界面提供消息，所述消息指示新数据源的可用性以及数据源集成和使用说明，并用于核能生产。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够基于到达和成功的传递反馈消息的接收率维持第一和第二传输限制并基于传输限制来限制消息的传输，并用于核能生产。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够根据窗口大小限制未确认为成功传递的其它消息的传输，并用于核能生产。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够维持估计的丢失事件比率并使用估计的丢失事件比率调整冗余消息的比率，并用于核能生产。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统具有估计的丢失事件比率，用于确定所选择的冗余消息的纠错码基于估计的丢失事件比率，并用于核能生产。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够基于接收到的描述信道特性的消息应用前向纠错，并用于核能生产。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够基于递送顺序事件的发生维持/设置定时器并使用定时器延迟反馈消息的传输，并用于核能生产。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够基于递送顺序事件的发生维持/设置定时器并基于定时器延迟拥堵窗口大小的修改，并用于核能生产。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够基于递送顺序事件的发生维持/设置定时器，基于定时器延迟拥堵窗口大小的修改以及当接收到指示成功发送的反馈消息时取消拥堵窗口大小的修改，并用于核能生产。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够使用表征当前/先前连接的维护数据配置新的连接，并用于核能生产。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够使用表征当前/先前连接的错误率的维护数据配置新的连接，并用于核能生产。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够使用表征当前/先前连接的定时可变性的维护数据配置新的连接，并用于核能生产。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够使用表征当前/先前连接的带宽的维护数据配置新的连接，并用于核能生产。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够使用表征当前/先前连接的往返时间的维护数据配置新的连接，并用于核能生产。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够使用表征当前/先前连接的通信控制参数的维护数据配置新的连接，并用于核能生产。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够使用表征当前/先前连接的前向纠错参数的维护数据配置新的连接，并用于核能生产。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统具有用于维持表征一个或多个当前或先前数据通信连接的数据的数据存储器以及用于基于维护数据启动新的数据通信连接的连接启动模块，并用于核能生产。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够在较低延迟数据路径上传输数据消息的第一子集和在较高延迟数据路径上传输消息的第二子集，并用于核能生产。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够在较低延迟数据路径上传输时间关键的数据消息的第一子集和在较高延迟数据路径上传输消息的第二子集，并用于核能生产。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够在较低延迟数据路径上传输数据消息的第一初始子集和在较高延迟数据路径上传输随后可用的消息的第二子集，并用于核能生产。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够在较低延迟数据路径上传输确认消息的第一子集和在较高延迟数据路径上传输数据消息的第二子集，并用于核能生产。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够在较低延迟数据路径上传输补充/冗余数据消息的第一子集和在较高延迟数据路径上传输数据消息的第二子集，并用于核能生产。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统具有与每个消息相关联的冗余度，所述冗余度基于消息在传输顺序中的位置，并用于核能生产。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统具有与每个消息相关联的冗余度，所述冗余度随着消息的位置的不减小而增加，并用于核能生产。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统具有与每个消息相关联的冗余度，所述冗余度基于消息在传输顺序中的位置并响应于接收到反馈消息，并用于核能生产。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，在所述系统中，每个消息相关联的冗余度基于在传输顺序中的消息位置，并且响应于接收到反馈消息，基于所述反馈消息从队列中添加或移除冗余消息，并用于核能生产。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，如果确定数据路径正在改变消息流，所述系统能够调整通过不同通信协议在多个不同数据路径中的每个数据路径上发送的消息的数量，并用于核能生产。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，如果确定数据路径正在改变初始基于先前通信连接划分的消息流，所述系统能够调整通过不同通信协议在多个不同数据路径中的每个数据路径上发送的消息的数量，并用于核能生产。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，当与编码数据相关联的冗余信息经由信道在节点间传输时，所述系统能够基于信道特性修改/添加/移除与编码数据相关联的冗余信息，并用于核能生产。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够以估计的丢失事件(孤立的数据包丢失或连续数据包的突发)速率发送FEC数据包，并用于核能生产。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统组合数据包传输的编码、TCP和调步，并用于核能生产。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统具有前向纠错码结构，所述前向纠错码结构将消息数据包组和奇偶校验数据包组交织，并且在重叠消息数据包组之间进行编码，并用于核能生产。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统具有TCP变体，所述变体将基于延迟的退避与稳定的窗口增加函数相结合，并用于核能生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统使用模拟交叉点开关来收集可变组模拟传感器输入，并用于核能生产。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统对复用器进行前置信号调节，以提高信噪比，并用于石油钻探。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统使用复用器持续监测警报特征，并用于石油钻探。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统使用具有专用总线的分布式CPLD芯片对多个MUX和数据采集部分进行逻辑控制，并用于石油钻探。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有使用固态继电器和设计拓扑的高电流输入能力，并用于石油钻探。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有模拟传感器通道和组件板中至少一个的断电能力，并用于石油钻探。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有用于触发和振动输入的独特静电保护，并用于石油钻探。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有用于A/D零基准的精确电压基准，并用于石油钻探。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有用于获取低速RPM和相位信息的锁相环带通跟踪滤波器，并用于石油钻探。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统使用板载定时器对相对于输入和触发通道的相位进行数字推导，并用于石油钻探。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有用于自动缩放的峰值检测器，所述峰值检测器被路由到单独的模数转换器中用于检测峰值，并用于石油钻探。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有原始或者缓冲到其它模拟通道中的触发通道的路由，并用于石油钻探。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统针对delta-sigma A/D使用较高的输入过采样，以获得更低的采样率输出，从而最小化AA滤波器要求，并用于石油钻探。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统使用CPLD作为delta-sigma模数转换器的时钟分频器，以实现更低的采样率，而无需数字重采样，并用于石油钻探。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有以高采样率获取的长数据块，而不是以不同采样率获取的多组数据，并用于石油钻探。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统存储具有板载卡组维护历史的校准数据，并用于石油钻探。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有使用分层模板快速创建路由的能力，并用于石油钻探。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统对数据收集带进行智能管理，并用于石油钻探。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有利用数据收集带智能管理的神经网络专家系统，并用于石油钻探。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统在传感器数据分析中使用数据库层次结构，并用于石油钻探。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统使用专家系统GUI图形方法来定义专家系统的智能数据收集带和诊断，并用于石油钻探。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统使用图形方法来反算定义，并用于石油钻探。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统提出了轴承分析方法，并用于石油钻探。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统使用瞬时信号分析进行扭转振动检测/分析，并用于石油钻探。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统使用模拟和数字方法改进集成，并用于石油钻探。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有用于在本地环境中持续监测模拟数据的自适应调度技术，并用于石油钻探。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有数据采集驻留特征，并用于石油钻探。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有自给式数据采集盒，并用于石油钻探。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有SD卡存储器，并用于石油钻探。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有用于持续监测的扩展板载统计能力，并用于石油钻探。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统使用环境噪声、局部噪声和振动噪声进行预测，并用于石油钻探。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统基于传入数据或警报进行智能路由更改以使得用于分析或关联的动态数据同步，并用于石油钻探。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有智能ODS和传输功能，并用于石油钻探。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有分层复用器，并用于石油钻探。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统进行传感器过载识别，并用于石油钻探。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有RF识别和倾斜仪，并用于石油钻探。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统进行持续超声波监测，并用于石油钻探。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统进行基于远程模拟工业传感器融合的基于云的机器模式识别，并用于石油钻探。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统对来自多个模拟工业传感器的状态信息进行基于云的机器模式分析以提供工业系统的预期状态信息，并用于石油钻探。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有用于IoT的基于云的策略自动化引擎，以及IoT设备的创建、部署和管理，并用于石油钻探。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有工业IoT设备的设备内置传感器融合和数据存储，并用于石油钻探。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有工业IoT数据的自组织数据市场，并用于石油钻探。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统基于利用率和/或收益度量自组织数据池，并用于石油钻探。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统基于行业特定反馈训练AI模型，并用于石油钻探。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有工业数据收集器的自组织群，并用于石油钻探。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有IoT分布式分类账，并用于石油钻探。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有自组织收集器，并用于石油钻探。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有网络敏感收集器，并用于石油钻探。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有远程组织收集器，并用于石油钻探。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统进行多传感器数据收集器的自组织存储，并用于石油钻探。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统进行多传感器数据网络的自组织网络编码，并用于石油钻探。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有用于工业传感器数据收集器且具有振动、热、电和/或声音输出的可穿戴触觉用户界面，并用于石油钻探。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有显示AR/VR收集数据的热图，并用于石油钻探。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统自动调节数据收集器所收集数据的AR/VR可视化，并用于石油钻探。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有IoT平台，并用于石油钻探。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有IoT数据适配器，用于接收数据输入和建立与一个或多个可用IoT云平台的连接，以发布数据，并用于石油钻探。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有条件检测器，用于检测与IoT数据适配器对一个或多个IoT云平台的连接尝试有关的条件，并用于石油钻探。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有包括适应引擎的IoT数据适配器，并用于石油钻探。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统使用机器学习准备数据包或流，并用于石油钻探。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有提供可用云网络平台池的数据市场，并用于石油钻探。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有消息传送实用程序，所述消息传送实用程序为云平台用户界面提供消息，所述消息指示新数据源的可用性以及数据源集成和使用说明，并用于石油钻探。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够基于到达和成功的传递反馈消息的接收率维持第一和第二传输限制并基于传输限制来限制消息的传输，并用于石油钻探。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够根据窗口大小限制未确认为成功传递的其它消息的传输，并用于石油钻探。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够维持估计的丢失事件比率并使用估计的丢失事件比率调整冗余消息的比率，并用于石油钻探。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统具有估计的丢失事件比率，用于确定所选择的冗余消息的纠错码基于估计的丢失事件比率，并用于石油钻探。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够基于接收到的描述信道特性的消息应用前向纠错，并用于石油钻探。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够基于递送顺序事件的发生维持/设置定时器并使用定时器延迟反馈消息的传输，并用于石油钻探。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够基于递送顺序事件的发生维持/设置定时器并基于定时器延迟拥堵窗口大小的修改，并用于石油钻探。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够基于递送顺序事件的发生维持/设置定时器，基于定时器延迟拥堵窗口大小的修改以及当接收到指示成功发送的反馈消息时取消拥堵窗口大小的修改，并用于石油钻探。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够使用表征当前/先前连接的维护数据配置新的连接，并用于石油钻探。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够使用表征当前/先前连接的错误率的维护数据配置新的连接，并用于石油钻探。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够使用表征当前/先前连接的定时可变性的维护数据配置新的连接，并用于石油钻探。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够使用表征当前/先前连接的带宽的维护数据配置新的连接，并用于石油钻探。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够使用表征当前/先前连接的往返时间的维护数据配置新的连接，并用于石油钻探。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够使用表征当前/先前连接的通信控制参数的维护数据配置新的连接，并用于石油钻探。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够使用表征当前/先前连接的前向纠错参数的维护数据配置新的连接，并用于石油钻探。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统具有用于维持表征一个或多个当前或先前数据通信连接的数据的数据存储器以及用于基于维护数据启动新的数据通信连接的连接启动模块，并用于石油钻探。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够在较低延迟数据路径上传输数据消息的第一子集和在较高延迟数据路径上传输消息的第二子集，并用于石油钻探。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够在较低延迟数据路径上传输时间关键的数据消息的第一子集和在较高延迟数据路径上传输消息的第二子集，并用于石油钻探。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够在较低延迟数据路径上传输数据消息的第一初始子集和在较高延迟数据路径上传输随后可用的消息的第二子集，并用于石油钻探。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够在较低延迟数据路径上传输确认消息的第一子集和在较高延迟数据路径上传输数据消息的第二子集，并用于石油钻探。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够在较低延迟数据路径上传输补充/冗余数据消息的第一子集和在较高延迟数据路径上传输数据消息的第二子集，并用于石油钻探。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统具有与每个消息相关联的冗余度，所述冗余度基于消息在传输顺序中的位置，并用于石油钻探。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统具有与每个消息相关联的冗余度，所述冗余度随着消息的位置的不减小而增加，并用于石油钻探。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统具有与每个消息相关联的冗余度，所述冗余度基于消息在传输顺序中的位置并响应于接收到反馈消息，并用于石油钻探。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，在所述系统中，每个消息相关联的冗余度基于在传输顺序中的消息位置，并且响应于接收到反馈消息，基于所述反馈消息从队列中添加或移除冗余消息，并用于石油钻探。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，如果确定数据路径正在改变消息流，所述系统能够调整通过不同通信协议在多个不同数据路径中的每个数据路径上发送的消息的数量，并用于石油钻探。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，如果确定数据路径正在改变初始基于先前通信连接划分的消息流，所述系统能够调整通过不同通信协议在多个不同数据路径中的每个数据路径上发送的消息的数量，并用于石油钻探。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，当与编码数据相关联的冗余信息经由信道在节点间传输时，所述系统能够基于信道特性修改/添加/移除与编码数据相关联的冗余信息，并用于石油钻探。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够以估计的丢失事件(孤立的数据包丢失或连续数据包的突发)速率发送FEC数据包，并用于石油钻探。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统组合数据包传输的编码、TCP和调步，并用于石油钻探。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统具有前向纠错码结构，所述前向纠错码结构将消息数据包组和奇偶校验数据包组交织，并且在重叠消息数据包组之间进行编码，并用于石油钻探。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统具有TCP变体，所述变体将基于延迟的退避与稳定的窗口增加函数相结合，并用于石油钻探。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统使用模拟交叉点开关来收集可变组模拟传感器输入，并用于石油管道。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统对复用器进行前置信号调节，以提高信噪比，并用于石油管道。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统使用复用器持续监测警报特征，并用于石油管道。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统使用具有专用总线的分布式CPLD芯片对多个MUX和数据采集部分进行逻辑控制，并用于石油管道。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有使用固态继电器和设计拓扑的高电流输入能力，并用于石油管道。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有模拟传感器通道和组件板中至少一个的断电能力，并用于石油管道。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有用于触发和振动输入的独特静电保护，并用于石油管道。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有用于A/D零基准的精确电压基准，并用于石油管道。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有用于获取低速RPM和相位信息的锁相环带通跟踪滤波器，并用于石油管道。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统使用板载定时器对相对于输入和触发通道的相位进行数字推导，并用于石油管道。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有用于自动缩放的峰值检测器，所述峰值检测器被路由到单独的模数转换器中用于检测峰值，并用于石油管道。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有原始或者缓冲到其它模拟通道中的触发通道的路由，并用于石油管道。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统针对delta-sigma A/D使用较高的输入过采样，以获得更低的采样率输出，从而最小化AA滤波器要求，并用于石油管道。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统使用CPLD作为delta-sigma模数转换器的时钟分频器，以实现更低的采样率，而无需数字重采样，并用于石油管道。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有以高采样率获取的长数据块，而不是以不同采样率获取的多组数据，并用于石油管道。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统存储具有板载卡组维护历史的校准数据，并用于石油管道。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有使用分层模板快速创建路由的能力，并用于石油管道。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统对数据收集带进行智能管理，并用于石油管道。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有利用数据收集带智能管理的神经网络专家系统，并用于石油管道。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统在传感器数据分析中使用数据库层次结构，并用于石油管道。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统使用专家系统GUI图形方法来定义专家系统的智能数据收集带和诊断，并用于石油管道。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统使用图形方法来反算定义，并用于石油管道。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统提出了轴承分析方法，并用于石油管道。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统使用瞬时信号分析进行扭转振动检测/分析，并用于石油管道。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统使用模拟和数字方法改进集成，并用于石油管道。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有用于在本地环境中持续监测模拟数据的自适应调度技术，并用于石油管道。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有数据采集驻留特征，并用于石油管道。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有自给式数据采集盒，并用于石油管道。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有SD卡存储器，并用于石油管道。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有用于持续监测的扩展板载统计能力，并用于石油管道。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统使用环境噪声、局部噪声和振动噪声进行预测，并用于石油管道。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统基于传入数据或警报进行智能路由更改以使得用于分析或关联的动态数据同步，并用于石油管道。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有智能ODS和传输功能，并用于石油管道。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有分层复用器，并用于石油管道。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统进行传感器过载识别，并用于石油管道。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有RF识别和倾斜仪，并用于石油管道。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统进行持续超声波监测，并用于石油管道。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统进行基于远程模拟工业传感器融合的基于云的机器模式识别，并用于石油管道。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统对来自多个模拟工业传感器的状态信息进行基于云的机器模式分析以提供工业系统的预期状态信息，并用于石油管道。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有用于IoT的基于云的策略自动化引擎，以及IoT设备的创建、部署和管理，并用于石油管道。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有工业IoT设备的设备内置传感器融合和数据存储，并用于石油管道。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有工业IoT数据的自组织数据市场，并用于石油管道。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统基于利用率和/或收益度量自组织数据池，并用于石油管道。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统基于行业特定反馈训练AI模型，并用于石油管道。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有工业数据收集器的自组织群，并用于石油管道。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有IoT分布式分类账，并用于石油管道。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有自组织收集器，并用于石油管道。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有网络敏感收集器，并用于石油管道。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有远程组织收集器，并用于石油管道。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统进行多传感器数据收集器的自组织存储，并用于石油管道。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统进行多传感器数据网络的自组织网络编码，并用于石油管道。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有用于工业传感器数据收集器且具有振动、热、电和/或声音输出的可穿戴触觉用户界面，并用于石油管道。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有显示AR/VR收集数据的热图，并用于石油管道。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统自动调节数据收集器所收集数据的AR/VR可视化，并用于石油管道。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有IoT平台，并用于石油管道。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有IoT数据适配器，用于接收数据输入和建立与一个或多个可用IoT云平台的连接，以发布数据，并用于石油管道。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有条件检测器，用于检测与IoT数据适配器对一个或多个IoT云平台的连接尝试有关的条件，并用于石油管道。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有包括适应引擎的IoT数据适配器，并用于石油管道。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统使用机器学习准备数据包或流，并用于石油管道。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有提供可用云网络平台池的数据市场，并用于石油管道。
在实施例中，公开了一种使用计算机视觉系统在工业环境中进行数据收集的系统，所述系统具有消息传送实用程序，所述消息传送实用程序为云平台用户界面提供消息，所述消息指示新数据源的可用性以及数据源集成和使用说明，并用于石油管道。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够基于到达和成功的传递反馈消息的接收率维持第一和第二传输限制并基于传输限制来限制消息的传输，并用于石油管道。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够根据窗口大小限制未确认为成功传递的其它消息的传输，并用于石油管道。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够维持估计的丢失事件比率并使用估计的丢失事件比率调整冗余消息的比率，并用于石油管道。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统具有估计的丢失事件比率，用于确定所选择的冗余消息的纠错码基于估计的丢失事件比率，并用于石油管道。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够基于接收到的描述信道特性的消息应用前向纠错，并用于石油管道。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够基于递送顺序事件的发生维持/设置定时器并使用定时器延迟反馈消息的传输，并用于石油管道。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够基于递送顺序事件的发生维持/设置定时器并基于定时器延迟拥堵窗口大小的修改，并用于石油管道。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够基于递送顺序事件的发生维持/设置定时器，基于定时器延迟拥堵窗口大小的修改以及当接收到指示成功发送的反馈消息时取消拥堵窗口大小的修改，并用于石油管道。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够使用表征当前/先前连接的维护数据配置新的连接，并用于石油管道。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够使用表征当前/先前连接的错误率的维护数据配置新的连接，并用于石油管道。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够使用表征当前/先前连接的定时可变性的维护数据配置新的连接，并用于石油管道。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够使用表征当前/先前连接的带宽的维护数据配置新的连接，并用于石油管道。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够使用表征当前/先前连接的往返时间的维护数据配置新的连接，并用于石油管道。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够使用表征当前/先前连接的通信控制参数的维护数据配置新的连接，并用于石油管道。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够使用表征当前/先前连接的前向纠错参数的维护数据配置新的连接，并用于石油管道。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统具有用于维持表征一个或多个当前或先前数据通信连接的数据的数据存储器以及用于基于维护数据启动新的数据通信连接的连接启动模块，并用于石油管道。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够在较低延迟数据路径上传输数据消息的第一子集和在较高延迟数据路径上传输消息的第二子集，并用于石油管道。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够在较低延迟数据路径上传输时间关键的数据消息的第一子集和在较高延迟数据路径上传输消息的第二子集，并用于石油管道。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够在较低延迟数据路径上传输数据消息的第一初始子集和在较高延迟数据路径上传输随后可用的消息的第二子集，并用于石油管道。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够在较低延迟数据路径上传输确认消息的第一子集和在较高延迟数据路径上传输数据消息的第二子集，并用于石油管道。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够在较低延迟数据路径上传输补充/冗余数据消息的第一子集和在较高延迟数据路径上传输数据消息的第二子集，并用于石油管道。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统具有与每个消息相关联的冗余度，所述冗余度基于消息在传输顺序中的位置，并用于石油管道。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统具有与每个消息相关联的冗余度，所述冗余度随着消息的位置的不减小而增加，并用于石油管道。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统具有与每个消息相关联的冗余度，所述冗余度基于消息在传输顺序中的位置并响应于接收到反馈消息，并用于石油管道。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，在所述系统中，每个消息相关联的冗余度基于在传输顺序中的消息位置，并且响应于接收到反馈消息，基于所述反馈消息从队列中添加或移除冗余消息，并用于石油管道。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，如果确定数据路径正在改变消息流，所述系统能够调整通过不同通信协议在多个不同数据路径中的每个数据路径上发送的消息的数量，并用于石油管道。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，如果确定数据路径正在改变初始基于先前通信连接划分的消息流，所述系统能够调整通过不同通信协议在多个不同数据路径中的每个数据路径上发送的消息的数量，并用于石油管道。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，当与编码数据相关联的冗余信息经由信道在节点间传输时，所述系统能够基于信道特性修改/添加/移除与编码数据相关联的冗余信息，并用于石油管道。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统能够以估计的丢失事件(孤立的数据包丢失或连续数据包的突发)速率发送FEC数据包，并用于石油管道。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统组合数据包传输的编码、TCP和调步，并用于石油管道。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统具有前向纠错码结构，所述前向纠错码结构将消息数据包组和奇偶校验数据包组交织，并且在重叠消息数据包组之间进行编码，并用于石油管道。
在实施例中，公开了一种使用计算机视觉系统在节点之间进行数据通信的系统，所述系统具有TCP变体，所述变体将基于延迟的退避与稳定的窗口增加函数相结合，并用于石油管道。
在实施例中，参与者之间的信息流和预测性维护知识平台的元件可以如图302所示进行配置。如图302中配置的示例平台28600可以包括多个子系统，所述子系统可以包括数据存储、机器智能和工业机器相关交易中的一个或多个。这种子系统可以是基于web服务器的系统、分布式系统、手持设备、工业机器共驻留系统等。在一示例中，工业机器维护数据分析子系统28602可以包括数据存储器28604、机器学习和/或人工智能设施28606、交易设施28608等。所述工业机器维护数据分析子系统28602可提供服务28610，包括工业机器相关数据的更新，例如服务标准、故障预防、服务定价、部件定价、检测潜在机器故障的测试和标准、维修分析等、故障预测元数据的功能和更新等。所述工业机器维护数据分析子系统28602可以以流、交易、数据库读取和写入等形式提供信息，例如与提供的服务28610相关的信息，以便访问基于云的数据存储。所述工业机器维护数据分析子系统28602可通过数据收集网络28612从机器接收有关各个工业机器的信息。在实施例中，数据收集网络28612可以在本文中以及在本文引用和并入的文档中进行描述。所述工业机器维护数据分析子系统28602可接收来自特定工业机器的信息，例如，可从所述工业机器的一个或多个智能RFID元件28614检索到的机器参数等。在实施例中，智能RFID元件可以配置有工业机器的部分，并且可以具有如本文其它部分所描述的功能。
在实施例中，工业机器预测性维护子系统28616可以将机器故障检测、识别、分类和相关算法应用于所述工业机器维护数据分析子系统28602提供的数据以及工业机器运行状况监测设施28618等提供的其它数据，以生成可传送的数据结构、流和其它电子数据促进工业机器预测性维护。在实施例中，所述工业机器预测性维护子系统28616可接收和分析来自所述工业机器运行状况监测设施28618的工业机器运行状况监测数据流等。这种流分析的一个或多个结果可包括确定指示正常运行的机器、异常运行的机器、机器的至少一部分可能需要服务以避免故障的可能性、需要服务的特定机器等的条件。可能指示正常运行的机器的条件可以是在工业机器上或由工业机器进行的测试等的结果，并传送给所述机器运行状况监测设施28618。在一示例中，所述机器运行状况监测设施28618可从一个或多个工业机器的实时或延迟流中接收运行相关的信息，例如来自工业机器电机的传感器数据(例如，扭矩、每分钟转数、运行时间、启动/停止数据、定向数据等)。所述运行状况监测设施28618可处理这种运行相关的数据，以检测例如某一设定时间段内，如一天、一周、一个月等的转数何时超过维护阈值。可将部分流数据和/或所述运行状况监测设施28618进行处理的结果，例如流等，提供给所述工业机器预测性维护子系统28616，以用于所描述的用途，包括识别待通过预测性维护加以解决的潜在故障等。所述工业机器预测性维护子系统28616可生成一个或多个预测性维护数据集28620，所述预测性维护数据集28620可识别一台或多台工业机器，并可指示确定受益于服务、维护、维修、更换等的机器的部分。所述数据集28620可包括在一台或多台特定工业机器上执行预测性维护活动所需的特定部件、服务程序、材料、服务时间表。在实施例中，可由所述工业机器预测性维护子系统28616执行的机器故障分析可促进从CMMS子系统28622生成工作订单。
在实施例中，所述CMMS子系统28622可以从所述工业机器预测性维护子系统28616、CMMS接口28624、配置和维护的数据结构和其它任何信息等源头接收工业机器的详细信息、工业机器的服务(例如，维修、维护、升级等)详细信息、要遵循的程序、所需的部件等，所述数据结构可以包括所述工业机器的部件列表等，以便于在所述工业机器上执行服务。所述CMMS子系统28622可与部件供应商、服务供应商、第三方合作伙伴、供应商、要服务的工业机器的所有者/操作者等采取行动。在一示例中，针对来自一个或多个所述CMMS子系统28622认为的合格服务供应商的服务，所述CMMS子系统28622可以生成订单。
在实施例中，所述CMMS子系统28622可与一个或多个可存储在所述CMMS子系统可访问的数据存储器中的预测性维护知识库和/或知识图谱交互。在实施例中，这种CMMS知识库等还可包括知识图谱，所述知识图谱可包括有利于所述CMMS子系统28622提供的服务确定和订单生成服务的信息。CMMS知识图谱可以包括或提供有关工业机器、工业机器服务活动、工业机器的部件、材料、工具和服务的成本(例如，历史、趋势和预测成本)、提供CMMS服务28626的算法和功能等的信息的计算机访问。所述CMMS子系统28622可基于工业机器所有者关于保养工业机器的决定，促进与服务供应商、部件供应商、材料和工具供应商等的协调，以便能够在所有者选择的时间表内执行服务。
所述CMMS子系统28622可经由所述CMMS接口28624访问所述智能RFID元件28614中的信息，所述接口可促进对各个工业机器等的访问。所述CMMS子系统28622可使用经由所述CMMS接口28624接收的信息，以促进资源的协调，从而有效并高效地对特定机器进行维护。在示例中，特定工业机器可以具有导致其移动部件(工业电机)的利用率比典型情况高的运行周期。所述信息可由所述预测性维护子系统28616处理，并指示可能需要在机器上执行的服务。所述预测性维护子系统28616可向所述CMMS子系统28622提供信息，所述信息将被处理以生成部件、服务等订单。所述CMMS子系统28622可利用此知识与服务、部件和材料供应商进行交互，以提供确定的报价，以便在与其它利用率较低的同类工业机器不同的时间(例如，提前数周或数月)执行基于利用率的维护服务。
在实施例中，所述CMMS子系统28622可执行算法，以便于提供服务28626，包括协调服务、部件等的订单，所述算法收集有关多台工业机器的信息以及服务供应商信息、部件和部件供应商信息、部件位置和库存信息、机器生产供应商、第三方部件处理商，物流供应商、运输供应商、服务标准、服务要求、包括服务结果等的服务活动以及其它信息，所述多台工业机器包括多台不同类型的工业机器(例如，固定机器、移动机器、车辆上的机器、部署在作业地点的机器等)。
在实施例中，响应于所述预测性维护子系统28616提供的工业机器故障识别信息，预测性维护知识系统30002可以识别候选服务供应商。可以联系所述CMMS子系统28622所知的成功提供过所需服务程序的服务供应商，以提供服务、部件等的服务估计和/或价格估计。类似地，可以识别与所请求的服务的过程相关联的部件和/或材料。可以评估部件成本、运输成本、可用性、部件相对机器的位置、一个或多个部件供应商与服务请求相关一方(例如工业机器所有者等)之间的先前关系等因素以及其它因素，以确定与哪家部件供应商联系以准备订购部件。考虑到这些因素，可向一个或多个部件供应商进行部件查询，以期通过来自所述预测性维护子系统28616的合格服务指示以及一个或多个服务建议来执行服务。在实施例中，所述CMMS子系统28622可以具有足够的信息来自动选择特定的服务建议，并且可以在有或没有明确批准的情况下生成服务订单28626，如果在所请求的服务需要的情况下，所述服务订单可以包括部件/材料/工具订单。
在实施例中，所述CMMS子系统28622可以依赖的信息可能来自与工业机器相关联的企业资源计划(Enterprise Resource Planning，简称ERP)接口以及第三方信息来源，例如可以为工业机器提供部件和/或服务的独立部件供应商、服务供应商等。在实施例中，所述CMMS子系统28622可以例如通过ERP接口28628与工业机器所有者的ERP系统协调，以与服务供应商、部件供应商等下达订单。所述CMMS子系统28622可使用来自服务材料供应商的信息来确定服务材料的价格和可用情况。所述信息可与服务材料库存信息结合，以便为服务材料生成合适的订单作为工业机器服务供应28626的一部分。
在实施例中，所述CMMS子系统28622可以接收时间表、建议的维修以及制造商手册中关于如何进行维修的指示，在该时间表内，必须完成维修以避免故障。然后，可由在其中创建和跟踪工作订单的CMMS子系统28622(例如，基于云计算的系统)处理所述维修信息。工作订单可以数字化地推送到ERP系统中，以检查工厂的生产进度，以基于分析提供的时间表确定需要维修的特定机器何时可用于维修；基于，例如，服务程序中引用的制造商手册中的指示维修所需时间的信息，确定机器将要离线的时间。一旦ERP系统确定可用日期，其可以与所述CMMS子系统28622协调，要求供应商为部件和服务工作投标，或为部件与服务承包商，例如优选承包商，下订单。在实施例中，所述CMMS子系统28622或ERP系统可以通过仅仅使用制造商手册为程序配置投标请求，以为投标人提供所需的部件信息(例如，部件编号、年份、修订版次、规格、售后备选方案、最后支付价格、使用的部件是否合格等)和服务操作所需的维修操作(例如，程序步骤、诊断、所需设备/工具、所需材料、所需人员等)。投标可以基于程序中所列的维修操作，也可以成为待投标工作的范围。在实施例中，如果在此范围之外发现并解决了其它问题，则可遵循次级程序来批准对供应商的额外赔偿。
在实施例中，服务供应商，例如服务技术员、工业机器所有者/操作者、第三方(例如审计员、监管者、工会人员、安全协会、部件制造商等)，可使用服务提供和跟踪子系统28630来收集和报告与可从服务订单数据28626确定的订购服务请求关联的信息。所述服务提供和跟踪子系统28630可包括使机器程序与服务要求相匹配的功能以及确保以足够好的质量捕捉与订购服务关联的图像(例如，正在服务的部件、机器的安装、服务前和/或服务后的机器运行视频、从工业机器中移除的部件、服务人员等)以满足自动检测工业机器一个或多个部件的图像质量标准的功能。
在实施例中，所述服务提供和跟踪子系统28630可以向工业机器维护数据分析子系统28602报告统称为服务数据28632的数据、维修、图像等，以改进服务程序、部件订购等。
在实施例中，可以从各种来源获得对由各种子系统执行的工作和分析的补偿。CMMS子系统28622操作者/所有者/附属机构可基于交易获得补偿，例如，针对订购的每个部件或服务收到一笔费用。此类费用可包括固定部分(例如，每个部件订单的金额)，并可包括可变部分(例如，订单总额的百分比)。这笔费用可明确包含在向负责支付部件和服务以进行维护操作的一方收取的费用中。这笔费用可计入每个部件/服务的成本中，并作为从责任方支付给部件和/或服务供应商的款项中扣除的一笔款项予以收回。
在实施例中，工业机器预测性维护系统可以包括工业机器数据分析设施，其通过对表示所述工业机器各部分状况的数据应用机器学习生成所述工业机器运行状况监测数据流，所述表示工业机器各部分状况的数据是通过数据收集网络接收的。所述系统还包括工业机器预测性维护设施，其通过对所述运行状况监测数据应用机器故障检测和分类算法产生工业机器服务建议以响应所述运行状况监测数据。所述系统还包括计算机维护管理系统(CMMS)，其产生对服务和部件的订购和请求中的至少一个以响应接收到所述工业机器服务建议。此外，所述系统包括服务和交付协调设施，其接收和处理关于对工业机器执行的服务的信息以响应对服务和部件的订购和请求中的所述至少一个，从而验证执行的所述服务，同时为各个工业机器生成服务活动和结果的分类账。
在实施例中，用于查找具有关于特定机器的维护、服务和维修的相关专有技术和专业知识的一组工人的方法和系统可以使用带有工人选择算法的机器学习算法，以确保及时地选择和部署优质工人用于工业机器保养，例如用于本文所述的预测性维护等。参考图303，描述了基于机器学习的方法来查找一组如上所述的工人。在实施例中，工人查找设施28702可以配置为系统，所述系统可以包括可以在处理器上执行的一组算法和数据结构。所述工人查找设施28702可使用算法处理与工人、机器、程序等有关的数据，所述算法有助于将合格的工人与服务活动相匹配，例如预测性维护活动等。在查找工人的示例中，服务活动可包括遵循服务或维护程序28706，例如，以维修和/或维护工业机器的部分。所述程序28706还可例如按型号、类型等指示一台或多台工业机器。所述工人查找设施28702还可例如通过从工人数据库28722检索与工人有关的信息访问与工人有关的信息，所述信息有助于描述一名或多名工人的特征，包括工人具有经验、培训、证明等的程序。可选择一名或多名具有程序中经验等的工人以作进一步改进，可包括匹配工人位置和机器位置、工人可用性和/或计划和机器服务计划、工人费率/费用和机器所有者服务预算等。可能会针对将要在机器上执行的服务与优质工人列表中的一名或多名工人联系。例如，基于对这种工人联系的答复，所述工人查找设施28702可以选择主要工人，并分配主要工人通过所述程序28706执行服务。
在实施例中，所述工人查找设施28702可以访问可能需要服务的程序28706的列表。所述工人查找设施28702可以构建一个有资格执行程序的工人数据集，例如通过搜索工人信息28716查找符合程序标准的工人，例如工人执行所述程序的次数、工人执行类似程序的次数等。经验丰富的工人可以在此类数据库中标记为特定程序的优选工人，以便在需要执行所述程序时，可以很容易地确定这些优选工人。在实施例中，工人可以通过更新有关他们执行的程序等的信息来直接维护工人数据库28722。
在实施例中，所述工人查找设施28702可接收有关程序28706、机器28708、机器位置28710、机器所有者和/或附属机构28712、所需的服务计划28714等的信息，以进行一项或多项服务活动，例如预测性维护活动等，并为给定的程序、机器、位置、所有者、计划等的组合形成优选工人的简介。所述工人查找设施28702可以为此类信息的各种组合构建简介，以便能够很容易地找到最符合所述简介的工人。在实施例中，可以公布此类优选工人的简介，以便例如服务组织等的第三方可以基于所述简介来提供用于提供服务的估计等。这些估计可被工业机器预测性维护的方法和系统等捕获和使用，以构建用于例如预防性维护服务等的常见或经常需要的服务的服务供应商的市场。
在实施例中，可使用机器学习算法28724处理在所述工人数据库28722等中捕获的信息，以促进改善工人与为程序等提供合格工人的要求的匹配。在实施例中，可使用所述机器学习算法28724来处理优选工人简介和响应于优选工人简介发布接收到的信息，以改善用于构建优选工人简介的算法。
在实施例中，可能影响所述工人查找设施28702选择工人的其它信息可以包括工人与服务组织、工业机器制造商、工业组织等的从属关系。在确定各个工人、工人群体等的优选工人地位等时，可能也会考虑关于特定工人的推荐和反馈。在查找工人时，可能也会考虑工人费率和/或费用(例如，基于估计、实际收费、付款条件等)，以便在总共有两名或两名以上的工人具有相当资格时，针对特定程序，成本较低或付款条件较简单的工人优于成本较高的工人等。
在实施例中，可以根据工业机器的需求实时或近实时地执行查找工人的技术。这样，随着新工人的出现，查找工人可以包括对工人简介等的更新，所述简介等可以在网站等上通过因特网来访问。
在实施例中，系统可以包括工业机器预测性维护设施，所述工业机器预测性维护设施通过将机器故障检测和分类算法应用于工业机器运行状况监测数据来生成工业机器服务建议。这种系统还可以包括工人查找设施，所述工人查找设施通过将所述工业机器服务建议中关于待执行的至少一项服务的信息与工业服务工人数据库中工业服务工人的经验和专有技术的至少一项联系起来，识别用于执行所述建议中指示的服务的至少一名候选工人。在实施例中，所述系统可以包括在处理器上执行的机器学习算法，所述算法基于在相似工业机器上执行的多个服务的服务相关信息和至少一个候选工人执行的多个服务的工人相关信息来改进相关性。
在实施例中，用于包括预测性维护等的工业机器服务和维护的工业机器维护部件/服务订购设施28802可至少体现在本文所提交的图304中。所述工业机器维护部件/服务订购设施28802可帮助查找、订购和履行有关部件和组件的订单，从而可以在最小化中断的情况下无缝进行工业机器的维护、服务和维修操作。在实施例中，所述工业机器维护部件/服务订购设施28802可接收工业机器详细信息28808、工业机器的服务(例如，维修、维护、升级等)详细信息28810、要遵循的程序28806、需要的部件28814、服务供应商28820、部件供应商28822等。所述工业机器维护部件/服务订购设施28802可与部件供应商、服务供应商、第三方合作伙伴、供应商、要服务的工业机器的所有者/操作者等采取行动。在一示例中，针对来自一个或多个所述工业机器维护部件/服务订购设施28802认为合格的服务供应商28820的服务28818，所述工业机器维护部件/服务订购设施28802可生成订单。针对来自一个或多个合格的、能在预算范围内按时提供所需部件等的部件供应商28822的部件28816，所述工业机器维护部件/服务订购设施28802也可生成订单。部件订单28816和服务订单28818也可以传送给所有者28812或其它负责确保工业机器的访问的实体。选定的部件和服务供应商还可与所有者28812协调，以确保能合宜地提供服务。所述工业机器维护部件/服务订购设施28802可访问机器所有者28812关于时间安排和预算的偏好和/或要求、服务和部件供应商的偏好和/或从属关系等，以基于此促进与服务供应商、部件供应商、材料和工具供应商等的协调。
可以评估部件成本、运输成本、可用性、部件相对于机器的位置、一个或多个部件供应商和与服务请求相关联的一方，例如工业机器所有者，之间的先前关系等因素以及其它因素，以确定联系哪个部件供应商28822为订购部件28816做准备。考虑到这些因素，可向一个或多个部件供应商28822进行部件询价，以期通过合格的服务供应商执行服务。在实施例中，所述工业机器维护部件/服务订购设施28802可以具有足够的信息来自动选择特定的服务供应商28820，并且可以在有或没有明确批准的情况下生成服务订单28818。
在实施例中，所述工业机器维护部件/服务订购设施28802可依赖工业机器所有者拥有和/或运行的企业资源计划(Enterprise Resource Planning，简称ERP)系统中关于供应商等的信息。在实施例中，所述工业机器维护部件/服务订购设施28802可与工业机器所有者的ERP系统协调，以与服务供应商、部件供应商等下达订单。
在实施例中，系统可以包括工业机器维护部件和服务订购设施，所述工业机器维护部件和服务订购设施响应于从工业机器预测性维护设施接收到的服务建议准备和控制部件和服务的订单，所述工业机器预测性维护设施通过将机器故障检测和分类算法应用到工业机器运行状况监测数据来生成工业机器服务建议。在实施例中，所述系统还可分析与用于生成至少一个部件和服务的订单的服务建议相关联的程序。
在实施例中，工业机器预测性维护系统可以包括在工业机器的部分上部署的智能RFID设备。所述智能RFID设备可用于包括关于机器的信息等，例如配置信息、装配信息、物理元件详细信息(例如，部件编号、版本、生产详细信息、测试详细信息等)、程序信息(例如，装配、拆卸、测试、配置、服务、部件更换等)以及其它操作信息。所述智能RFID设备可与机器中的每一主要元件一起设置，例如，每一元件可能包括与机器的高效服务和维护相关的信息。在实施例中，可将设置智能RFID设备配置到工业机器等和类似部件和子系统的生产中，从而可以为特定部件等捕获部件的生产信息等。智能RFID元件不仅可以存储包括大型服务手册等在内的一系列信息，所述智能RFID元件还可以包括搜索、索引、链接等功能，这些功能可以帮助用户快速查找程序，例如可能对机器故障排除等至关重要的润滑程序、轴承更换程序、轴承故障频率等。在实施例中，至少一种访问信息的方法可以与专家服务人员使用的现有技术兼容，这些专家可以在工作时将这些技术教导给新的服务供应商。在实施例中，在文件、程序、数据表、手册等的创建过程中，可以易于访问的索引、链接等嵌入文件、过程、数据表、手册等中，以便可以将通用访问方法用于信息的任何实施例(例如，在智能RFID中、在RFID的云表示中、在第三方服务手册中、在工业机器制造系统中等)。
参考图305，工业机器28900可由多个元件、部件、子组件等构成。一个这种子组件可以包括工业机器电机28902。RFID设备可与机器一起设置，所述机器可以包括特定电机的详细信息，例如本文所描述的智能RFID设备的详细信息。电机28902中的RFID设备可以例如通过无线通信与接近的其它设备进行通信，例如智能手机、平板电脑等28914，以便平板电脑等28914的用户可以访问存储在所述电机28902中的RFID设备上的信息以进行服务、维护、测试等。在实施例中，电机28902的服务程序可从电机28902中的RFID设备中检索并通过在平板电脑28914上执行的应用程序显示，以供服务技术人员遵循。另一这种子组件可以包括工业机器驱动轴28904。RFID设备可与机器一起设置，所述机器可以包括特定驱动轴28904的详细信息，例如本文所描述的智能RFID设备的详细信息。驱动轴28904中的RFID设备可以例如通过无线通信与接近的其它设备进行通信，例如智能手机、平板电脑等28914，以便平板电脑等28914的用户可以访问存储在所述驱动轴28904中的RFID设备上的信息以进行服务、维护、测试等。在实施例中，驱动轴28904的服务程序可从驱动轴28904中的RFID设备中检索并通过在平板电脑28914上执行的应用程序显示，以供服务技术人员遵循。再一这种子组件可以包括工业机器齿轮箱28906。RFID设备可与机器一起设置，所述机器可以包括特定齿轮箱28906的详细信息，例如本文所描述的智能RFID设备的详细信息。齿轮箱28906设备中的RFID设备可以例如通过无线通信与接近的其它设备进行通信，例如智能手机、平板电脑等28914，以便平板电脑等28914的用户可以访问存储在所述齿轮箱28906中的RFID设备上的信息以进行服务、维护、测试等。在实施例中，齿轮箱28906的服务程序可从齿轮箱28906中的RFID设备中检索并通过在平板电脑28914上执行的应用程序显示，以供服务技术人员遵循。再一这种子组件可以包括工业机器关节臂28908。RFID设备可与机器一起设置，所述机器可以包括特定关节臂28908的详细信息，例如本文所描述的智能RFID设备的详细信息。关节臂28908中的RFID设备可以例如通过无线通信与接近的其它设备进行通信，例如智能手机、平板电脑等28914，以便平板电脑等28914的用户可以访问存储在所述关节臂28908中的RFID设备上的信息以进行服务、维护、测试等。在实施例中，关节臂28908的服务程序可从关节臂28908中的RFID设备中检索并通过在平板电脑28914上执行的应用程序显示，以供服务技术人员遵循。
进一步参考图305，再一这种子组件可以包括工业机器吊斗28910。RFID设备可与机器一起设置，所述机器可以包括特定吊斗28910的详细信息，例如本文所描述的智能RFID设备的详细信息。吊斗28910中的RFID设备可以例如通过无线通信与接近的其它设备进行通信，例如智能手机、平板电脑等28914，以便平板电脑等28914的用户可以访问存储在所述吊斗28910中的RFID设备上的信息以进行服务、维护、测试等。在实施例中，另一这种子组件可以包括工业机器动力传动系统28912。RFID设备可与机器一起设置，所述机器可以包括特定动力传动系统28912的详细信息，例如本文所描述的智能RFID设备的详细信息。动力传动系统28912中的RFID设备可以例如通过无线通信与接近的其它设备进行通信，例如智能手机、平板电脑等28914，以便平板电脑等28914的用户可以访问存储在所述动力传动系统28912中的RFID设备上的信息以进行服务、维护、测试等。在实施例中，动力传动系统28912的服务程序可从动力传动系统28912中的RFID设备中检索并通过在平板电脑28914上执行的应用程序显示，以供服务技术人员遵循。在实施例中，任何RFID设备，例如电机28902中的RFID、驱动轴28904中的RFID、齿轮箱28906中的RFID、关节臂28908中的RFID、吊斗28910中的RFID、动力传动系统28912中的RFID等，均可通过无线通信网络与接入点通信，例如可设置在所述工业机器28900上或其附近的工业机器接入点28916。所述RFID设备与所述工业机器接入点28916进行通信，以接入网络28918，例如，用于连接设施中的其它工业机器的网络或因特网等外部网络。存储在工业机器RFID设备中的信息可通过网络28918传输，以用于本文所述的预测性维护方法和系统。
在实施例中，系统可以包括智能RFID元件，其被配置成通过与至少一个传感器进行通信耦合，捕获工业机器的一部分的操作、物理和诊断结果信息并将所述信息存储到非易失性计算机可读存储介质中，其中所述至少一个传感器被配置成监测所述工业机器的所述一部分的状况。所述智能RFID元件还可被配置成对信息进行接收、组织和存储到所述非易失性存储器中，所述信息使得能够为所述工业机器执行至少一个服务程序。
在实施例中，关于工业机器的信息，例如关于所述工业机器的部分的信息，可以存储在与所述工业机器或其部分一起设置的RFID元件中。存储的信息可用于例如通过使用配置有至少一个网络浏览器等的智能手机或其它计算设备来促进快速有效地快速随机访问信息的任何部分。所述信息可以配置为一个或多个数据结构，例如分层数据结构等，所述分层数据结构等也可以通过浏览分层等来促进信息的探索。参考图306，示出了这种RFID的部分的示例性高层结构29000，其包括行和列。所述示例性高层结构29000可以包括信息类别29002，其可以标识例如生产等的一般信息领域。每个这种类别都可以在描述列29004中进行描述，所述描述列29004还有识别信息。注释列29006可以配置有自由格式的注释，这些注释可以根据需要进行更新。在实施例中，所述类别29002可包括与工业机器相关联的一系列信息类别，例如生产、部件、质量、安装、验证、程序、操作、装配等。在所述类别29002的一示例中，验证29008可以包括所需和执行的验证测试列表以及执行的验证测试结果。可以执行验证测试以验证客户站点等的安装。验证29008还可以包括通过验证所需的程序29010类别在RFID中可访问的一个或多个程序的链接。
在实施例中，可存储在智能RFID元件和/或可通过智能RFID元件访问的工业机器相关信息可包括但不限于由部署在工业机器上的传感器收集的运行数据、通过所描述的传感器数据收集方法和系统收集的运行数据以及本文所包含的引用。可存储在智能RFID元件上或可通过智能RFID元件访问的其它信息可包括但不限于在运行和/或测试数据中检测到的异常，例如温度过高、意外关机、系统重新启动等。智能RFID元件可以通过一系列通信协议与外部计算设备通信，例如智能手机、平板电脑、通信基础设施节点、计算机、网状网络设备等。这些协议包括Wi-Fi、NFC、蓝牙等。在实施例中，当计算设备处于无线通信附近时，例如当便携式计算设备被带到智能RFID元件的NFC范围内时，所述智能RFID元件可以与所述便携式计算设备进行无线通信。智能RFID元件可以作为IoT设备通过网络进行通信，例如因特网。所述智能RFID元件可以将数据发送到服务器，例如web服务器等，所述服务器可聚集来自所述元件和云可访问源的信息以用于与工业机器相关联的一项或多项服务活动。在实施例中，智能RFID元件可以在方便时与外部计算设备通信，例如在活动结束/开始时、切换时、某一天、即将执行预防性维护时等。
在生产和/或装配工业机器或其部分的过程中，可使用智能RFID元件来捕获所述机器的物理详细信息，例如轴承频率、齿轮数和类型、构造/装配版本信息、构造/测试参数、自测试信息、校准信息、测试时间、库存驻留时间等。
在安装和/或部署工业机器或其部件的过程中，可使用智能RFID元件来捕获所述机器的方向、测试活动、启动活动、验证活动/运行、生产开始时间、安装/部署/配置人员、所述工业机器的图像等，其中至少一部分可由一个或多个安装和/或部署程序确定，所述安装和/或部署程序可存储在所述智能RFID元件上和/或可通过所述智能RFID元件访问。
在实施例中，系统可以包括智能RFID元件，其被配置成通过与至少一个传感器进行通信耦合，捕获工业机器的一部分的操作、物理和诊断结果信息并将所述信息存储到非易失性计算机可读存储介质中，其中所述至少一个传感器被配置成监测所述工业机器的所述一部分的状况。所述智能RFID元件还可被配置成对信息进行接收、组织和存储到所述非易失性存储器中，所述信息使得能够为所述工业机器执行至少一个服务程序。所述智能RFID元件还可用于促进对工业机器的信息的分层访问，包括从所述工业机器的根条目直接访问的多个部分。在实施例中，多个直接可访问部分中的每一个被构造为存储从由生产信息、部件信息、质量信息、安装信息、验证信息、程序信息、操作信息和装配信息组成的列表中选择的一个部分的条目。
在实施例中，用于工业机器信息存储和访问，例如用于服务等，的智能RFID的替代配置可以包括如图307所示的数据结构。数据结构29100可以按所示的列和行等进行组织。第一列可以是主题列29102，例如生产主题，包括但不限于装配日期、位置、型号、序列号、时间、工作订单编号、客户、所建工业机器的图像等。所述主题列29102中的每个主题可以在值列29104中具有一个或多个对应值。在一示例中，所述主题列29102中的序列号主题29108可以具有在所述值列29104中列出的特定工业机器的一个或多个对应序列号。所述主题列29102中每个主题的注释或其它元数据可以在注释列29110中的相应条目中捕获。
在实施例中，系统可以包括智能RFID元件，其被配置成通过与至少一个传感器进行通信耦合，捕获工业机器的一部分的操作、物理和诊断结果信息并将所述信息存储到非易失性计算机可读存储介质中，其中所述至少一个传感器被配置成监测所述工业机器的所述一部分的状况。所述智能RFID元件还可被配置成对信息进行接收、组织和存储到所述非易失性存储器中，所述信息使得能够为所述工业机器执行至少一个服务程序。在实施例中，生产部分可包括装配日期、装配位置、机器型号、机器序列号、机器装配时间、机器装配工作订单编号、客户和所述工业机器的部分的图像的条目。
在实施例中，用于工业机器信息存储和访问，例如用于服务等，的智能RFID的替代配置可以包括如图308所示的程序数据结构。机器级程序数据结构29200可以按所示的列和行等进行组织。第一列可以是程序列29202，其可以列出机器级程序，例如校准、关机、合规性、装配、安全检查、图像捕获等。所述机器级程序列29202中的每个程序可以在属性列29204中具有一个或多个对应值，例如程序标识号、版本等。在一示例中，所述程序列29202中的安全检查程序29208条目可以在列29204中具有一个或多个对应的程序编号和对应的版本编号。所述程序列29202中每个程序的注释或其它元数据可以在注释列29210中的相应条目中捕获。
在实施例中，系统可以包括智能RFID元件，其被配置成通过与至少一个传感器进行通信耦合，捕获工业机器的一部分的操作、物理和诊断结果信息并将所述信息存储到非易失性计算机可读存储介质中，其中所述至少一个传感器被配置成监测所述工业机器的所述一部分的状况。所述智能RFID元件还可被配置成对信息进行接收、组织和存储到所述非易失性存储器中，所述信息使得能够为所述工业机器执行至少一个服务程序。在实施例中，程序部分可包括从由校准、关机、合规、装配、安全检查、图像捕获、预防性维护、部件维修、部件更换和拆卸组成的列表中选择的程序的条目。
在实施例中，参考图309，收集关于工业机器29320的信息29300，例如关于机器运行、状况等的信息的方法和系统可能有利于工业机器预测性维护方法和系统，例如此处和其它地方描述的方法和系统。在实施例中，从工业机器中的传感器收集信息可以包括通过一个或多个接入点29308将收集的信息路由到网络服务器29318，所述网络服务器29318可以处理和存储所述信息。在实施例中，从工业机器中的传感器收集信息可以包括在传感器和设置在机器上或与机器一起设置的智能RFID设备29302之间进行通信。可将来自温度传感器29310、振动传感器29312、旋转传感器29314、操作循环传感器(例如，循环计数器等)29316等传感器的数据提供给智能RFID设备29302。所述智能RFID设备29302可处理和存储信息，以便服务器29318以及接近工业机器29320的通信距离的手持设备(未示出)等外部设备访问。可以从传感器收集工业机器特定数据，并将其路由到一个或多个web服务器29318，所述web服务器29318可使用处理器29306在除智能RFID 29302之外的计算机可访问存储器上生成所述智能RFID 29302的数字孪生副本29304。在实施例中，可以通过复制所述智能RFID 29302中的内容生成所述数字孪生副本29304。同样，机器特定的感测数据可以从RFID孪生副本29304存储器复制到所述智能RFID设备29302。因此，所述RFID孪生副本29304可以是所述智能RFID 29302的副本，可以独立于所述智能RFID 29302创建，同时保持兼容的结构、格式和基本相同的内容，或者可以是机器特定数据的来源(例如，传感器通过接入点提供的数据)，可以将所述数据复制到所述智能RFID 29302，以在机器上维护信息的副本。在实施例中，服务器29318可以维护多个工业机器的多个智能RFID设备的数字孪生副本，包括单个工业机器的多个智能RFID设备等。
在实施例中，系统可以包括智能RFID元件，其被配置成通过与至少一个传感器进行通信耦合，捕获工业机器的一部分的操作、物理和诊断结果信息并将所述信息存储到非易失性计算机可读存储介质中，其中所述至少一个传感器被配置成监测所述工业机器的所述一部分的状况。所述智能RFID元件还可被配置成对信息进行接收、组织和存储到所述非易失性存储器中，所述信息使得能够为所述工业机器执行至少一个服务程序。在实施例中，上述系统还可包括可通过处理器访问的数据存储元件，所述数据存储元件包括存储在多个智能RFID元件中的信息的副本。在实施例中，每个信息副本包括存储在相应智能RFID中的信息的孪生副本。
在实施例中，工业机器预测性维护方法和系统，例如本文所述的方法和系统，可以使用一个或多个机器驻留的智能RFID数据结构，所述结构可以捕获与工业机器的部分的规划、工程、生产、装配、测试等相关的信息。图310描述了有助于从这些过程捕获信息的实施例。工业机器29422可包括若干元件，例如操作元件、结构元件、处理元件和至少一个智能RFID元件29402。在所述工业机器29422的生产过程中，工业机器驻留处理器29408可与自测试元件29424等合作，以测试所述工业机器。在自测试过程中收集到的数据，例如正确操作的确认等，可以存储在所述智能RFID元件29402中，例如通过处理器将所述数据写入所述智能RFID元件29402的存储器中。在实施例中，生产测试系统29418还可以对所述工业机器29422的部分进行测试，其结果可以存储在所述智能RFID元件29402上。所述工业机器29422可在生产过程中与生产网络29420进行通信，例如内联网等，以便为各种生产系统收集和/或提供信息，例如质量系统29410、制造资源和规划(manufacturing resource andplanning，简称MRP)系统29414、生产工程系统29416等。示例数据结构如图307所示的信息，例如部件列表、生产信息等，可以存储在所述智能RFID元件29402中，例如通过所述工业机器29422通过生产接入点29412经由生产网络29420进行通信来实现。来自各种生产系统、质量系统29410、MRP系统29414、工程系统29416、测试系统29418等的信息可以通过网络29420传送到所述智能RFID元件29402。在实施例中，网络服务器29426可通过网络29420与这些生产系统中的至少一部分通信，以例如通过处理器29406捕获并处理待存储在所述智能RFID元件29402和/或所述服务器29426可访问的存储器中的数据结构中的相关生产信息。数据结构29404可包括存储在所述智能RFID元件29402中的信息的至少一部分。在实施例中，所述数据结构29404可以是所生产的特定工业机器的智能RFID元件29402的至少相关生产内容的数字孪生副本。在实施例中，来自生产系统的数据可以通过所述网络29420流至所述服务器29426，并且可选地可以在所述服务器29426进行格式化、编码等处理，并例如通过与所述工业机器29422的无线连接发送，以存储在所述智能RFID 29402。生产系统可包括质量控制系统29410，其可包括捕获所述工业机器的部件、子组件和部分的图像。可以用机器视觉和其它图像分析技术来处理捕获的图像，以验证装配等。可以存储这些图像、从这些图像中导出的图像分析数据等，从而其可以通过所述智能RFID元件29402访问。在一示例中，作为部署过程的一部分，生产中使用的测试程序等程序对于工业机器29422的测试可能是有用的。可以通过所述生产网络29420从一个生产系统，例如工程系统29416，传送这些程序，以使这些程序最终存储在所述智能RFID 29402、数字孪生副本29404或两者中。这可以满足本文所述的方法和系统的目标，即通过每个工业机器中的智能RFID元件促进访问工业机器特定程序。
在实施例中，存储在例如所述智能RFID元件29402中的生产信息对要在安装、校准、维修、预防性维护等过程中遵循的程序可能是有用的。在一示例中，某些测试结果可能表明在生产过程中验证的操作余量(例如，最大值和/或最小值)。在验证所述工业机器的部署测试过程中，这些结果可能很有用，以帮助确认部署是否会继续符合预期。通过在安装和其它部署程序中提供这种和其它生产和工业机器信息，一旦工业机器离开生产环境，所述机器驻留的智能RFID元件29402就降低了生产和相关系统的相互依赖性。在一示例中，用于测试所述工业机器的一部分的程序可以存储在所述智能RFID元件中。与所述程序相对应的测试结果也可以存储在所述智能RFID元件中。因此，即使针对后续生产的工业机器修改了特定的程序，也可以进行与用于生产特定工业机器的具体程序相关的测试，这样可以节省时间和避免使用新的测试程序时可能出现的困惑，但预期满足旧程序测试结果。
在实施例中，一种在工业机器的智能RFID中配置生产数据的方法可以包括将所述工业机器的一部分配置智能RFID，以捕获并将所述工业机器的相应部分的运行、物理和诊断结果信息存储在非易失性计算机可访问的存储器中。所述方法可包括将所述智能RFID与所述工业机器的处理器和至少一个传感器通信耦合，所述传感器用于监测工业机器的所述部分的状况。所述方法还可以包括与所述处理器一起对所述工业机器的部分进行自测试，并将自检测的结果存储在所述智能RFID中。所述方法仍还可以包括通过生产接入点将所述工业机器耦合至测试系统网络和工业机器生产服务器。所述方法还可以包括使用测试系统在所述工业机器的所述部分上执行生产测试，其结果一式两份存储在所述智能RFID和可由所述生产服务器的处理器访问的数据存储设施中。在实施例中，存储在所述数据存储设施中的测试结果的副本可以是所述智能RFID的相应部分的孪生副本。
在实施例中，工业机器部件、服务、工具、材料等的市场可以通过CMMS控制系统和第三方的组合来维护，第三方各自提供它们所提供的服务、部件、工具、材料、成本和物流的信息。这种市场可能是基于云的，这样就可以向包括工业机器所有者等的参与者提供对这种信息的访问。在实施例中，图311中描述了代表性实施例。用于管理所需服务的至少部件和服务订单的CMMS系统29502可作为工业机器所有者29524等的市场29512的控制网关。所述CMMS系统29502可包括管理部件、服务、工具、材料以及工业机器服务和维护的其它方面的投标和订单。示例性CMMS子系统、系统、设施等在本文的其它部分进行了描述。在图311的实施例中，所述CMMS系统29502还可以维护和更新订单历史详细信息29510。这些详细信息可能包括描述可能被订购的部件、服务等的信息。详细信息可能包括历史定价、物流要求和成本、订单提前期以及在管理市场29512中的信息时可能有用的其它因素。在一示例中，部件供应商29508可以提供在市场上销售的部件。基于所述订单详细信息29510的部件的历史定价可用于推荐所述部件供应商29508应提供部件的价格。在另一示例中，所述部件供应商29508可以提前2天提供部件的可用情况。然而，所述历史详细信息29510可能表明所述供应商29508低估了提供所述部件所需的时间，并可能有助于在下达订单时纳入适当的提前期，以便仅在需要时订购所述部件，但在预定执行需要所述部件的服务时有足够的提前期。这种信息管理可能是隐式管理，因为其基于实际表现，而不仅仅是供应商的陈述。
在实施例中，服务供应商29506可提供一组满足其技术专长的服务29516。随着时间的推移，所述服务供应商29506可以直接配置和更新这组服务，以使得其反映随着时间的推移每个单独的服务供应商29506可提供的服务。同样，所述部件供应商29508可配置和维护供应商提供的针对工业机器的部件29514的列表。所述部件供应商29508可以直接维护可用性等信息，例如，当地库存、提前期等。所述CMMS系统29502在为部件、服务等配置订单时，可以访问其和市场29512中的相关信息。同样，工具供应商可配置有关工业机器服务工具29520的信息，材料供应商可配置和维护有关工业机器服务材料29522(例如，润滑油、其它消耗品等)的信息。
在实施例中，部件制造商29504还可以提供和维护关于其向市场上提供的部件的信息，例如替换部件、附加部件、升级部件、完整系统、子系统、配件等。
在实施例中，物流供应商29518，例如托运人等，可以在市场中提供和维护其为工业机器维护部件，服务等提供的一组物流服务。所述物流供应商29518可在不同的地理区域提供送货服务，并可利用工业机器的位置等信息确定相关区域中可行的价格和服务。
在实施例中，工业机器预测性维护系统可形成市场，所述市场包括多个部件供应商计算系统，用于维护关于提供的用于出售的工业机器部件的工业机器服务市场信息。所述市场可以包括多个服务供应商计算系统，用于维护关于提供的工业机器服务的工业机器服务市场信息。所述市场还可包括至少一个计算机维护管理系统(CMMS)，用于响应由工业机器预测性维护系统提供的工业机器维护建议，促进对所述市场中提供的服务、部件、材料和工具中的至少一种的访问。所述市场仍还可包括多个物流供应商计算系统，用于维护所述市场中提供的运输和物流服务中的至少一种的工业机器服务市场信息。进一步地，在实施例中，所述多个部件供应商、服务供应商和物流供应商中的每一个通过所述市场的至少一个应用编程接口直接在所述市场中维护其产品/服务的相应信息。所述市场还可包括CMMS，用于基于对部件、服务和物流的先前订单的分析所建立的规范，为工业机器所有者提供部件、服务和物流。
在实施例中，在图312中描述了用于跟踪现场服务活动，包括在工业机器上执行的预测性维护活动等，的分布式分类账。本文公开的用于工业机器维护分布式分类账的方法和系统可包括分布式分类账29602，所述分布式分类账29602支持跟踪在自动化工业机器预测性维护生态系统29600中执行的预测性维护活动。实施例可包括自组织数据收集器29608，用于将所收集的信息分发到所述分布式分类账29602。实施例可包括网络敏感数据收集器，用于基于网络条件将所收集的信息分发到分布式分类账。实施例可包括远程组织数据收集器，用于基于对分发的智能远程管理将所收集的信息分发到分布式分类账。实施例可包括具有自组织本地存储的数据收集器，用于将所收集的信息分发到分布式分类账。实施例可包括用于工业环境中的工业机器维护相关数据收集的系统29600，所述系统使用用于数据存储的分布式分类账和用于数据传输的自组织网络编码。在实施例中，数据存储具有一种数据结构，其支持用于数据呈现的触觉界面、用于数据呈现的热图界面和/或随着界面层的自组织调节而操作的界面。
在实施例中，服务和维护信息的存储，其可以包括服务、部件、服务供应商、特定工业机器的记录、从服务和维护信息生成的分析等，可以包括在系统29600的各个元件中的一个或分布式分类账29602实例。在一示例中，所述分布式分类账29602可以促进访问所述布式分类账29602中可用的所有信息，而不依赖于任何一个网络服务器、节点等，这至少部分是因为部分信息在因特网等网络的不同部分分发和可选地复制。所述分布式分类账29602可分布于工业机器维护平台中的各元件中，包括但不限于工业机器数据分析系统28602、工业机器预测性维护系统2966、CMMS系统28622、服务提供和跟踪系统28630、工业机器29604、工业设施计算系统29606、基于云的存储器29616等。
在实施例中，存储在所述分布式分类账29602中的信息可以由人工智能29610生成和/或基于人工智能29610进行调整，例如处理所述分布式分类账的来源信息的机器学习算法。
在实施例中，可以支持分布式分类账实施例的方法和系统可以包括分布式分类账数据的基于角色的访问控制29614。可由分布式分类账控制设施管理的示例角色29612可包括：所有者角色，可以是工业机器租赁公司、个人或直接使用的买方实体或个人；操作者角色，可以是负责工业机器日常运作的实体或个人，例如使用工业机器提供服务的公司、机器的出租人等；出租人角色，可以是以期限为基础或以其它方式限制工业机器租赁的实体或个人；制造商角色，可以是生产机器某些部分且可能只能有限地访问例如所生产部分有关的信息的实体或个人；部件供应商角色，可以是为制造商、服务、升级、维护、翻新或其它功能提供部件且可以为工业机器提供OEM和/或售后部件的实体或个人；服务供应商，可以是提供服务，例如预防性维护和维修、紧急维修、升级等合同，的个人或实体；服务经纪人角色，可以是促进服务需求的实体或个人，例如在特定国家等区域促进自动化服务活动的区域实体，可能需要在特定国家获得许可、登记等，也可能采取类似总承包商的行动，对第三方所做工作提供监督和保证，当按照当地规则安装机器时，这种角色可能是有价值的，这超出了自动服务识别系统可能处理的范围；监管角色，可以是政府或其它权威实体或个人，可以进行检查等，并且可能仅限于访问某些必需数据，以确保遵守法规等进行预防性维护，使用授权部件/服务供应商，审核等活动。
在实施例中，预测性维护平台可以使用安全架构来跟踪和解析交易，例如分布式分类账。在实施例中，在链式分布式数据结构(例如BlockchainTM)中跟踪数据包中的交易，从而允许进行取证分析和验证，其中各个设备存储表示数据包中交易的分类账的一部分。所述分布式分类账可以分配至IoT设备、web服务器、工业机器维护交易记录存储设施等，以便可以在不依赖于单个中央信息存储库的情况下验证维护和相关信息。所述平台可用于将数据存储在所述分布式分类账中，并从所述分布式分类账(以及从组成设备)检索数据，以便解析服务交易，例如部件和服务订单等。因此，提供了一个用于处理维护相关交易的数据的分布式分类账。在实施例中，自组织存储系统可用于优化分布式分类账数据的存储，以及用于组织存储数据包，例如IoT数据，工业机器维护数据，部件和服务数据，知识渊博的的工人数据等。
在实施例中，系统可以包括多个计算系统，其被配置成执行一个或多个预测性维护操作。在实施例中，所述多个计算系统中的一部分通过点对点通信网络连接。包括一部分预测性维护操作的工业机器维护操作的记录可以由所述多个计算系统的一部分作为分布式分类账来维护。在实施例中，所述计算系统的所述部分中的计算系统执行选自由工业机器数据分析、工业机器预测性维护建议、工业机器维护订单管理、服务操作的提供和跟踪以及工业机器服务调度组成的列表中的至少一个工业机器维护角色，并将其执行至少一个工业机器维护的结果提供给所述记录。
在实施例中，系统可以包括多个计算系统，其被配置成执行一个或多个预测性维护操作。在实施例中，所述多个计算系统中的一部分通过点对点通信网络连接。在实施例中，所述系统还可包括基于角色的控制设施，用于访问工业机器维护操作的记录，所述记录包括预测性维护操作的一部分。在实施例中，所述多个计算系统的所述部分将所述记录作为分布式分类账操作。
在实施例中，用于运行预测性维护分析和控制系统的方法和系统可受益于视觉信息以及来自与工业机器一起部署的工业传感器等的性能和运行数据。可以使用机器视觉和其它技术，包括人工观察和评估，来分析视觉信息，例如关于各个部件、装配件、过程步骤、机器状况等的图像，以确定可能影响服务需求的预测的条件等。为工业机器生成和维护更新后的准确的视觉信息图像库可受益于服务人员在各种条件下，包括但不限于操作、测试和非操作条件下(例如，在服务、维护、维修、升级和翻新机器状态下)捕获的每个工业机器的部分的图像。在实施例中，图313描述了一种便于捕获图像的系统。可以为机器的预定服务识别用于工业机器服务或维修的程序29716。所述程序29716可以包括执行预定服务活动所要采取的一组步骤。一个或多个步骤可以包括捕获所述工业机器的部分的图像，例如在其部署的环境中描绘机器的外部视图、要替换的部件的视图、描绘齿轮、轴承、支撑结构、外壳等的状态的视图。虽然程序可以包括捕获图像，但从执行所述程序的服务技术人员学习到的知识可以合并到使用预防性维护系统29724执行所述程序，所述系统使用机器学习和其它技术来促进在程序等中增加和/或调整图像捕获步骤。所述预测性维护系统29724可提供信息，例如，以表明应捕获的图像的条件的形式，所述图像可能在程序中不直接需要。当所述预测性维护系统29724得知某些轴承显示出在轴承失效之前可见的磨损时，可能会出现这种情况。轴承在各种条件下工作的时间长度可能不是执行服务的充分指标，而具有这种磨损视觉指示的图像则是足够的。因此，当服务技术人员执行的服务程序不包括捕获特定轴承的图像时，所述技术人员可能被指示捕获这些特定轴承的图像。这可以作为服务警报，例如常规消息，指示所述服务技术人员。然而，关于服务活动的视觉条件和时间安排的信息可用于促进增加/更新程序，例如程序29716，以包括捕获特定轴承的一个或多个图像。
在实施例中，来自所述预测性维护系统29724的信息可由图像捕获触发设施29722处理，以向程序更新设施29702指示需要程序更新，例如添加对某些轴承的图像的捕获。这种指示可以与可以从图像捕获定时设施29720提供给所述程序更新设施29702的图像捕获定时信息结合，所述图像捕获定时设施29720可以使用工业机器使用和服务计划信息29726来创建时间窗口，在所述窗口中，预期可对某些轴承进行成像。这种时间窗口可以包括预定服务和/或维护活动，在活动期间机器可能离线。这种时间窗口可以包括计划的运行时间，在此期间机器将运行。这种窗口生成的潜在目标可能是在计划的服务访问期间捕获某些轴承的图像，以避免机器专门关闭以捕获图像，尽管在执行轴承通常是图像的服务活动之前需要这些图像，例如用于检查轴承等的预定预防性维护活动。
在实施例中，当在从所述图像捕获定时设施29720输出的图像捕获窗口期间应用现有程序29716时，可以检查所述图像捕获触发设施29722的输出。如果所述图像捕获触发设施29722指示需要图像，所述程序更新设施29702可以更新所述程序，例如通过在所述程序中添加步骤、更改用于现有图像捕获步骤的成像目标(例如，从部件到轴承)等。
在实施例中，服务技术人员可以遵循修订后的程序29702。当要执行已添加/增强以捕获某些轴承的图像的步骤时，可以向技术人员呈现图像捕获模板29704以帮助捕获适当的图像。同样，如本文其它部分所述，增强现实应用可以作为这种图像捕获步骤的一部分来执行，以进一步帮助服务技术人员捕获适当的图像。在实施例中，机器视觉系统29708和其它图像分析技术可用于建议改进和/或确认捕获的图像满足便于检测某些轴承的视觉状况等的要求。
在实施例中，图像捕获奖励设施29714可与更新后的程序29718和/或服务技术人员交互，以促进激励服务技术人员捕获可接受的图像。这种奖励设施29714可以包括直接金钱奖励、对服务技术人员的肯定评级等一系列奖励，这可能最终增加技术人员的价值并因此增加补偿。
捕获的图像，例如所述机器视觉系统29708接受的图像等，可以存储在工业机器的智能RFID元件29710中，通过图像捕获设备(例如，含摄像机的智能手机等)传输到所述智能RFID以及预防性维护数据的分布式分类账中的一个或多个节点。
在实施例中，一种对工业机器的一部分进行图像捕获的方法包括：更新用于执行在工业机器上实施预测性维护操作的服务的程序，所述更新响应于用于捕获工业机器的一部分的图像的触发条件被满足。所述图像捕获方法还可包括：在电子显示器中提供覆盖所述工业机器的一部分的实时图像的图像捕获模板，以促进图像捕获；应用指示所述实时图像与所述模板对准程度的增强现实；检查使用更新后的程序与机器视觉捕获的图像，以确定所述捕获的图像中存在的机器的至少一部分；响应于机器视觉检查的结果，运行图像捕获奖励设施以为所述捕获的图像生成奖励。在实施例中，所述更新可响应于基于工业机器故障数据分析的触发条件，使得分析建议捕获更新步骤之前的程序中未指定的图像。在实施例中，所述更新可响应于在工业机器上执行服务的程序，所述工业机器符合与待捕获图像的工业机器的部分相关联的预测性维护标准。在实施例中，所述触发条件可以包括与正在对其执行服务程序的工业机器相关的工业机器的类型以及在图像中捕获所述工业机器的部分后的持续时间。
在实施例中，工业机器预测性维护促进系统可以将机器学习应用于在装配、测试、保养、维修、升级、计划维护、预防性维护等操作期间捕获的工业机器的图像。机器学习可应用于使用图像分析算法、部件检测算法、机器视觉等算法从图像中获取的图像和/或数据，以促进改进各个部件、子组件等工业机器的部分的机器自动检测。在实施例中，部件、子组件等的机器自动检测可向本说明提供的方法和系统提供信息，包括但不限于预测性维护过程、服务供应商评级方法、程序评级方法、库存管理系统、维护调度(例如，是否应早于先前估计的时间安排维护操作等)。
在实施例中，用于对工业机器的部件进行机器自动检测的方法和系统可以包括图像捕获、处理、分析、学习和自动化步骤，例如图314中所示的示例步骤。在实施例中，用于自动检测工业机器的部件的方法可以从捕获图像步骤29802开始。或者，可以从图像数据存储器例如数据库等中访问先前捕获的图像的图像数据。所述图像捕获步骤29802可以例如由服务技术人员等与执行维护程序、维修程序、升级程序等的服务操作相关联地执行。可以通过可以指示要成像的目标部件、其模板等的程序等来通知所述图像捕获步骤29802。可以从图像捕获引导数据存储器29804中检索程序、目标部件、模板等。在实施例中，程序可以包括使用部件图像捕获过程和拍摄由所述程序指示的一个或多个部件的特定指令。在一示例中，保养工业机器的轴承的程序可以包括拍摄轴承操纵的轴等的步骤。所述程序可以在平板电脑或智能手机等图像捕获设备的电子显示器上呈现表示待捕获的图像的图像。这种图像可以是捕获的特定工业机器的最新图像，例如，可以从与工业机器一起部署的智能RFID元件(例如，配置有机器的部分的智能RFID元件，包括轴承、轴等)的图像数据结构中检索到所述图像。这种图像可以用信息进行增强，例如捕获图像的摄像机的相对位置、时间/日期信息、遵循的程序编号等。在实施例中，这种图像可被处理为便于手动对准图像捕获设备的模板(例如，着色书/轮廓图像等)。在实施例中，这种模板可以是活动模板，其处理通过所述图像捕获设备可见的图像，并提供指示，例如模板的颜色变化等，以进一步促进所述图像捕获设备的对准。当相关顶点、边等的对齐足以促进部件的机器自动检测时，所述活动模板可以待捕获的对象的黑色(或其它颜色)轮廓开始，顶点、边等会变为绿色(或其它颜色)。
在实施例中，可以通过图像验证步骤29806来处理在所述图像捕获步骤29802中捕获的图像，所述图像验证步骤29806可以执行图像分析功能，例如，将捕获的图像与参考图像进行比较，例如，可以从所述图像捕获引导数据存储器29804等中的信息检索或获取的图像。在实施例中，可处理所捕获的图像以改善对比度等，并在所述图像验证步骤29806期间，通过例如图像相减处理，将所捕获的图像与来自与工业机器一起设置的智能RFID元件的最新捕获图像进行比较，以确定是否可验证所捕获的图像。未经过验证的图像可以被丢弃，并且用户可以被引导回到所述图像捕获步骤29802以捕获另一图像。
在实施例中，在步骤29806中可以被验证的图像可以传递到图像分析或可以处理图像分析规则29810的类似步骤29808，以从验证的图像中检测一个或多个候选部件。候选部件可以存储在候选部件数据结构29814中以供进一步使用。在实施例中，可以保留所述候选部件数据结构29814中的候选部件的图像，以进一步训练机器学习算法，所述机器学习算法有助于改善图像中机器自动部件检测。在实施例中，候选部件的图像可以在图314的机器自动部件检测流29800的实例中使用，然后丢弃，擦除等。在实施例中，所述图像分析规则29810可包括从机器学习步骤29820提供的数据，例如以反馈等形式提供的数据，所述数据可改善边缘图像的图像分析，例如具有对比度差、意外内容(例如，过量溶剂、运动部件、反射部件等)的图像。
在实施例中，所述候选部件数据结构29814中的一个或多个候选部件可由部件识别算法步骤29816处理，除其它事项外，所述步骤可执行机器自动部件识别。自动部件识别算法可包括生成候选部件的属性，例如尺寸等，可以将其与可从智能RFID数据存储器29812等中检索到的部件描述性信息进行比较。在一示例中，可对候选部件进行处理以检测可通过自动测量算法进行处理的边等。所得的测量结果可用于从特定工业机器的部件库中确定特定部件，所述部件库可用于所述RFID数据存储器29812中的部件识别算法29816等。特定部件信息可以从生产数据系统，例如部件列表、MRP系统等中检索出来，并在生产操作例如图293中所示的示例生产流程期间，存储在所述RFID数据存储器29812中。
在实施例中，所述部件识别算法29816的一个或多个结果可以转发至机器学习设施，所述机器学习设施可以执行一个或多个机器学习算法29820，所述机器学习算法29820可以改进机器自动部件检测的各个方面，包括但不限于图像捕获过程29802、图像验证过程29806、图像分析过程29808、部件识别过程29816等。在一示例中，所述部件识别过程29816可以向所述机器学习过程29820提供一个或多个候选部件、相应的参考部件和相关属性等的图像以及在部件识别过程中提取的信息等。所述机器学习过程可以应用机器学习技术来促进确定代表对应参考部件的最佳候选者的候选部件的各个方面，并且至少向所述部件识别过程29816提供反馈以改善部件检测等。
在实施例中，可将描述可识别部件的信息存储在更新的智能RFID元件29818中、与之类似的更新的基于服务器的数据结构29822等中。存储的信息可以包括一个或多个候选部件图像、参考部件的标识符、识别数据、捕获图像所遵循的程序编号等。
在实施例中，基于机器学习的部件识别方法可以包括将目标部件成像模板应用于图像验证程序，所述程序确定捕获的图像是否满足图像捕获验证标准。所述方法还可以包括通过使用图像分析规则处理捕获的图像来执行图像分析，所述图像分析规则便于检测存在于图像中的工业机器的候选部件。在实施例中，可以包括基于候选部件与特定工业机器的部件的图像的相似性，识别候选部件组中的一个或多个部件作为所述工业机器的部件。此外，所述方法可以包括基于从识别的部件的机器学习产生的反馈来调整目标部件模板、图像分析规则和部件识别中的至少一个，从而改进图像捕获、图像分析和部件识别中的至少一个。
在实施例中，工业机器维护生命周期收集和生成的信息，包括预测性维护、制造商所需维护、故障维修、部件和服务产品和订购、维护活动的跟进、程序和服务供应商的评估、故障率和预测分析、工人培训、经验和评级等可在整个服务生命周期捕获，可通过人工智能和其它机器学习型算法进行处理，并在数据库中累积，例如数据模型、链接数据库、纵列数据库等。图315描述了表示为知识图谱29902的一组数据。在实施例中，关于工业机器的信息，例如部件、图像、配置、内部结构、使用计划等，可以由人工智能型函数29906(例如，机器学习算法等)以及来自其它来源的信息进行处理，包括但不限于服务信息、故障信息、工人相关信息等。在示例人工智能设施29906中执行的信息关联算法等信息处理算法可能会导致预测性维护和工业机器服务知识图谱29902的部分更新，例如通过建立、更改、移除、加强数据节点29918之间的知识图谱节点链接29916；添加、更新、拆分数据节点29918，以启动和细化基于图形的对事实、专有技术、分析结果等之间关系的理解，所述关系影响预测性维护过程的如本文所述的各个方面。
在实施例中，关于机器的信息可以被处理并存储在机器数据节点29908中；关于故障的信息可以被处理并存储在故障数据节点29910中；关于工业机器服务的信息可以被处理并存储在服务数据节点29912中；关于执行工业机器服务的工人的信息可以被处理并存储在工人数据节点29914中。数据节点之间的关系，例如所述机器数据节点29908和所述服务数据节点29912之间的关系，可以描述为节点之间的链路29916。除其它目标外，启动和更新这种知识图谱的目标可能是进一步改进收集、发现、捕获、传播、管理和处理有关工业机器的信息，包括事实信息(例如关于内部结构、部件和组件的信息)、操作信息和程序信息，所述程序信息包括与维护、服务和维修有关的专有技术和其它信息。
在实施例中，当执行维护/服务/维修/升级/安装和其它工业机器相关的活动时，可以处理和使用有关活动的数据以增强、增加、改善、细化、澄清和纠正数据节点29918、节点之间的关系等。在实施例中，为维护/服务/维修和其它工业机器活动的准备可得益于所述知识图谱29902中所发现的知识，从而提高效率，降低计算复杂度以生成适当的服务选项、建议、订单等，例如，采取故障节点29910和工人节点29914之间的现有关系，以有效地识别在特定机器上发生故障时解决故障的合适的工人。
在实施例中，本文提供了用于收集、发现、捕获、传播、管理和处理有关工业机器的信息的改进的方法和系统，所述有关工业机器的信息包括事实信息(例如关于内部结构、部件和组件的信息)、操作信息和程序信息，所述程序信息包括与维护、服务和维修有关的专有技术和其它信息。这些改进的方法和系统可以具有如图316所示的预测性维护知识系统平台30000。预测性维护知识系统30002可促进收集、发现、捕获、传播、管理和处理有关工业机器的信息，例如利用本文所述的方法和系统便利其服务和维护，包括但不限于找到一组具有有关特定机器的维护、服务和维修的专有技术的工人，以及找到、订购和完成有关部件和组件的订单，以便在最小化中断的情况下，无缝地进行维护、服务和维修操作等。所述预测性维护知识系统30002可以与一个或多个预测性维护知识库和/或知识图谱30004交互。知识库30004还可包括或参考一个或多个知识图谱，所述知识图谱可包括有利于所述预测性维护知识系统30002可能启用的方法和系统的信息。所述预测性维护知识图谱可以包括或提供有关工业机器、工业机器服务活动、工业机器的部件、材料、工具和服务的成本(例如，历史、趋势和预测成本)、操作所述预测性维护知识系统30002的算法和功能、平台30000等的信息的计算机访问。在实施例中，所述预测性维护知识系统30002可处理来自所述预测性维护知识库30004的关于已对某些工业机器服务实例施加的加急服务费用的信息，并建立价格时间关系，所述价格时间关系可有助于工业机器所有者就服务授权及其成本作出决定。工业机器所有者可获知加急服务和标准定时服务的费用，以便于决定在机器因其它原因离线时支付加急费用立即执行维护功能而不是保持需要机器离线的维护功能的计划是否会更可取，例如在不久的将来。所述预测性维护知识系统30002可基于所有者的决定，促进与服务供应商、部件供应商、材料和工具供应商等的协调，以便能够在所有者选择的时间表内执行服务。
在实施例中，特定工业机器信息可存储在一个或多个与所述特定机器一起设置的智能RFID元件30006中，和/或存储在可与(例如，备份、副本/孪生副本，或其它格式化的数据结构)兼容的基于云的数据结构30008中。所述预测性维护知识系统30002可以访问(例如，读取数据和/或写入数据)所述RFID元件30006、所述基于云的数据结构30008等。从所述智能RFID30006/基于云的结构30008中读取的数据可能针对特定部署的工业机器，并且可能有助于本文所述的用于预测性维护等的方法和系统执行资源协调以针对特定机器有效而高效地执行维护。在示例中，特定工业机器可以具有导致其移动部件(工业电机)的利用率比典型情况高的运行周期。所述预测性维护知识系统30002可利用此知识与服务、部件和材料供应商进行交互，以提供确定的报价，以便在与其它利用率较低的类似工业机器不同的时间(例如，提前数周或数月)执行基于利用率的维护服务。
在实施例中，所述预测性维护知识系统30002可执行算法，以便于促进本文所述的预测性维护方法和系统，所述算法收集有关多台工业机器的信息以及服务供应商信息、部件和部件供应商信息、部件位置和库存信息、机器生产供应商、第三方部件处理商，物流供应商、运输供应商、服务标准、服务要求、包括服务结果等的服务活动以及其它信息，所述多台工业机器包括多台不同类型的工业机器(例如，固定机器、移动机器、车辆上的机器、部署在作业地点的机器等)。所述预测性维护知识系统30002的一个或多个功能可利用服务请求信息30026，例如对特定工业机器的服务请求和/或工业机器所有者/操作者/供应商/用户的工业机器集合，以便于满足这些服务请求。在实施例中，这种服务请求可以成为算法的输入，所述算法预测何时可以为请求方推荐服务，也可为类似的工业机器推荐服务。在一示例中，工业机器所有者可以请求作业现场的工业机器的一个子集接收第一服务操作。所述预测性维护知识系统30002可使用这一请求信息和关于机器的其它信息，如机器的年限和利用率，来确定何时应安排与请求服务的工业机器相同类型的其它工业机器采取类似的服务操作。
在实施例中，响应于特定的服务请求30026，所述预测性维护知识系统30002可以访问所述智能RFID 30006或其基于云的备份30008中的信息以确定所涉及的特定程序，以确定可能需要什么经验才能执行潜在的服务。所述预测性维护知识系统30002可以访问所述知识库30004以识别候选服务供应商。可以联系所述预测性维护知识系统30002所知(例如，基于所述知识库30004中的信息)的成功提供过所需服务程序的服务供应商，以提供服务、部件等的服务估计30036和/或价格估计30034。类似地，可以识别与所请求的服务的过程相关联的部件和/或材料。所述预测性维护知识系统30002还可访问所述知识库30004，以获取部件和/或材料的信息。可以评估部件成本、运输成本、可用性、部件相对机器的位置、一个或多个部件供应商与服务请求相关一方(例如工业机器所有者等)之间的先前关系等因素以及其它因素，以确定与哪家部件供应商联系以准备订购部件。考虑到这些因素，可向一个或多个部件供应商进行部件询价，以期通过合格的服务供应商执行服务。响应于所述服务请求30026，所述预测性维护知识系统30002可提供与请求方可以从中选择的一个或多个基于价格的服务建议选项30010相关联的一个或多个服务建议30032。在实施例中，所述预测性维护知识系统30002可具有来自所述知识库30004的足够信息、对服务估计请求30036的响应等，以自动从所述选项中选择特定的基于价格的服务建议30010，并且如果所述请求的服务30026需要，可在有或没有请求方明确批准的情况下生成服务订单30018和部件/材料/工具订单30016。
在实施例中，服务请求和/或预测性维护活动等可由所述预测性维护知识系统30002处理，并输出服务资金建议和/或请求30012。这种建议可包括从营运收入中为所述服务提供资金、为所述服务提供贷款、寻求第三方资金(例如，工业来源、政府补贴、私人资金来源等)。这种请求可包括向一个或多个第三方提供关于所请求的服务的信息，所述信息可以被第三方用来提交资金提议和/或响应。在一示例中，在一个地区向公众提供清洁水的工业机器可能需要昂贵的服务。所述预测性维护知识系统30002可确定特定工业机器至少有一部分服务有资格得到联邦政府的补偿。向联邦政府的资金请求可以通过服务资金30012等配置和激活。
在实施例中，所述预测性维护知识系统30002可以依赖的信息来源可包括来自服务供应商30024的信息、来自部件供应商30022的信息、来自服务材料供应商30020的信息、机器计划30030、收到的服务估计和/或报价30028等。所述预测性维护知识系统30002可使用来自服务材料供应商30020的信息来确定服务材料的价格和可用性。这些信息可与请求方的服务材料库存(例如，集中式、基于仓库或工业机器的现场)、一个或多个合格服务供应商的材料库存等相结合。在一示例中，如果服务供应商对需要服务的工业机器本地可访问的所需材料有足够的库存，但在执行服务后需要补充所述库存，所述系统可以向所述服务供应商提供建议以让所述服务材料供应商及时将服务材料运送到工业机器地点以执行预定服务。在一示例中，如果服务供应商和工业机器所有者没有所需服务材料的库存，所述预测性维护知识系统30002可以基于总价、可用性、与工业机器所有者和/或服务供应商的现有关系等，与其中一个服务材料供应商30020生成订单。在实施例中，一个或多个服务材料供应商30020的至少一部分库存可由所述预测性维护知识系统30002直接管理，以便所述预测性维护知识系统30002可从所述库存中分配材料以进行服务操作。所述服务材料供应商30020可从所述预测性维护知识系统30002收到通知，通知其已被选定为服务操作提供材料。可以通过与所述预测性维护知识系统30002相关联的交易设施完成材料的支付，以便对所述预测性维护知识系统30002的操作者和所述服务材料供应商30020在这一服务操作中的作用给予补偿。可以设想部件供应商30022、服务供应商30024、服务资金来源(未示出)等的类似示例。
在实施例中，所述预测性维护知识系统平台30000可包括计算机维护管理系统(CMMS)30014，其可促进创建工作订单，例如用于解决设备问题的维护操作等。所述CMMS30014可利于将部件和服务请求传送给企业资源计划(Enterprise Resource Planning，简称ERP)系统(未示出)，所述企业资源计划系统可利于处理部件和服务订单。在实施例中，所述ERP系统可以与工业机器的所有者/操作者/供应商/承租人/出租人中的一个或多个相关联，所述工业机器的服务操作正由所述预测性维护知识系统30002协调。在实施例中，所述CMMS 30014可与工业机器所有者的ERP系统协调，以与服务供应商、部件供应商等下达订单。
在实施例中，预测性维护系统可包括预测性维护知识系统，其有助于收集、发现、捕获、传播、管理和处理有关工业机器的信息，以便在工业机器上采取预测性维护操作。所述知识系统可包括：用于接收来自服务供应商、部件供应商、材料供应商、机器使用调度者的信息的多个接口；用于将信息发送到服务订购设施、部件订购设施、服务管理设施、服务资金设施的多个接口；用于连接多个工业机器上的智能RFID元件的多个接口。所述预测性维护系统还可以包括预测性维护知识图谱，其有助于所述预测性维护知识系统通过包括服务供应商、部件供应商、服务请求、服务估计、机器计划和维护活动预测的数据域之间的链接，访问有关工业机器的预测性维护服务的信息。在实施例中，所述预测性维护知识系统可以生成服务建议、基于价格的服务选项、价格估计和服务估计中的至少一个。
在实施例中，可基于制造商有关故障率等的期望，以设定的间隔安排工业机器等的预防性维护和其它预定维护。通过收集和分析有关工业机器等的信息，例如运行数据、故障数据、预防性维护活动期间发现的情况等，可以配置一个新的维护活动计划，以进一步减少由于部件件故障等导致的意外关机的发生。图317描述了一组使用轴承的工业机器30102中的一组轴承的预防性维护计划30108。如图所示，所示轴承的预防性维护事件A、B、C和D计划在每台机器上每隔一段时间发生一次。预测性维护系统使用本文所述的用于工业机器预测性维护的方法和系统收集和分析的数据可以指示需要不同的轴承维护计划来防止故障。在图317的示例中，机器4和3的故障30104发生在预防性维护活动B之后。为了响应这一情况，当考虑到其它因素，例如工业机器的运行循环速率时，可以为所示机器制定一个新的轴承维护计划。由于机器1和2尚未发生故障，可以为机器1 30110和机器2 30112设置预测性维护事件。在实施例中，机器2的运行速率实质上可以小于机器1。因此，虽然两台机器都使用了在机器3和4中发生故障的轴承，但是可以单独为每台机器准备一个预测性维护事件计划。机器1 30110的预测性维护事件可设置为比预防性维护计划30108中的计划事件(事件C)早发生。可以基于例如机器3和4在预防性维护事件B之后发生故障的时间，将机器230112的附加维护事件设置为在即将到来的预定预防性维护事件(再次发生事件C)之后立即发生。在预防性维护事件C和预测性维护事件2(30112)之间设置较短间隔可以降低与轴承相关的故障的风险。
在实施例中，工业机器预测性维护系统可以将机器学习等应用到一系列因素以促进预测和实现服务，例如确定服务的计划、识别至少一个有资格执行所述服务的一方、推荐所述服务所需的一个或多个材料来源、实现服务所需的材料的采购和交付以及对工业机器的一个或多个部件的服务进行评级。这种系统的机器学习能力可以从多个工业机器相关的诊断测试数据中的一个获得例如以工业机器的诊断相关的信息的形式的输入，包括但不限于以下中的至少一个：所述工业机器的一个或多个部件的红外热成像、所述工业机器的一个或多个部件的超声波测试、所述工业机器的一个或多个部件的电机测试、所述的工业机器一个或多个部件的电机的磁场测试、所述工业机器的一个或多个部件的电子磁通量(electron magnetic flux，简称EMF)测试(例如，脉冲检测等)、所述工业机器的一个或多个部件的电流和/或电压测试(例如，来自机器驻留测试设备和/或外部应用测试设备等)、所述工业机器的一个或多个部件的扭转测试(例如，使用EMF等)、所述工业机器的一个或多个部件的无损检测(例如，对于核工业和电力工业等可能是必不可少的)、所述工业机器的一个或多个部件(例如涡轮叶片等)的x射线测试、所述工业机器的一个或多个部件的振动检测的视频分析、所述工业机器的一个或多个部件的电场测试、所述工业机器的一个或多个部件的磁场测试、所述工业机器的一个或多个部件的声学检测、所述工业机器的一个或多个部件的电力和/或电流和/或电压测试(例如，应用与振动分析中确定电流变化是否异常的算法类似的算法)、机器(例如，旋转机器等)消耗的电力的频谱分析、所述工业机器的一个或多个部件的机械和电力故障的相关性、用于验证所述工业机器的一个或多个部件或至少在所述工业机器的一个或多个部件附近产生的声音的分贝仪等。在实施例中，可以将机器学习分别应用于这些测试数据源中的任何一个以检测模式等，这对于检测例如已检测到的模式中的显着变化何时已经发生或将要发生是有用的。
在实施例中，诊断测试的组合，例如本文所述的组合，可用于机器学习，以验证或否定一个或多个潜在来源，因为其产生可能指示需要服务等的异常。在实施例中，例如，将红外热成像与电机测试相结合，例如通过在捕获红外图像的同时向电机施加测试负载，可有助于确定可能指示潜在故障的条件的组合或至少一个与故障、服务需求等相关联的条件。在实施例中，例如，将分贝仪捕获与无损检测相结合可产生可与特定无损检测条件下的基线声音相比较的声音模式；因此，可以对结果(无损测试结果和声音测试结果)进行多模式评估。在实施例中，由工业机器产生或接近工业机器的声音的变化可指示潜在故障条件、验证候选故障条件和/或降低潜在故障的可能性。在实施例中，结合多种无损测试模式，例如声学和x射线，可有助于确定在其中一种测试模式(例如，声学)中可检测到的条件是否与在另一种测试模式(例如，x射线)中可检测到的潜在异常相关。在实施例中，机器学习可以针对本文描述的每个诊断/测试场景等开发一系列测试条件、测试结果以及与期望结果的符合程度。这样的阵列可以帮助确定异常何时代表有效的潜在故障条件。
在实施例中，可以应用每种测试条件，例如本文上面所述的测试条件，并且可以捕获结果。在应用给定的测试条件时，可以应用每一个其它测试条件，从而便于收集每种测试条件与每一个其它测试条件的组合。每个组合的结果都可以在阵列中捕获和表示，例如在上面描述的阵列。当需要预防性维护或维修等服务时，可以进行测试条件组合测试。在实施例中，所述工业机器预测性维护系统可有助于协调维护，例如更换工业机器中的磨损轴承。可以参考测试条件组合阵列，以确定哪些测试条件可与后轴承更换测试相结合使用，例如，检测沿后轴承更换测试轴的阵列中的一个或多个单元具有很少或没有组合数据。可以对后轴承更换测试的工作订单和/或程序进行调整，例如有条件地对特定实例进行调整，以包括应用阵列中特定单元所指示的附加测试条件。这种方法可能会增加测试数据，同时在整个时间范围内或至少在工业机器上执行服务的实例之间分配测试负担。
在实施例中，机器学习也可应用于组合条件测试，例如用于检测哪些测试条件组合与实际故障最相关。通过了解哪些组合与故障相关，可以降低不太可能产生潜在故障的组合的优先级，以便可以将宝贵的测试资源，例如服务人员等，引导至更有可能产生可执行的信息的组合测试。
在实施例中，可以利用机器学习算法等来处理特定工业机器的第一测试模式，例如电机测试，的测试结果，这些算法等可以将某些机器测试结果与一个或多个候选故障模式相关联。可以利用所述机器学习算法等来处理所述特定工业机器的第二测试模式，例如扭转测试，的测试结果，这些算法等可以将某些机器扭转测试结果与一个或多个候选故障模式相关联。可以将机器测试的一种或多种候选故障模式与扭转测试的故障模式进行比较。与这两种类型的测试相匹配的任何候选故障模式都可以作为通过机器学习处理组合测试结果的候选模式。当机器测试结果和扭转测试结果被组合并通过机器学习进行处理时，候选故障模式可以与其相关。如果组合测试的一个候选故障模式与组合测试的任何候选故障模式匹配，可以增加指示故障可能性的组合测试的可能性。当通过所述组合的测试结果机器学习过程检测到这种确认时，可以启动服务/维修操作，以防止特定工业机器发生故障。此外，测试程序可加以调整以包括组合测试，以便可在其它工业机器中避免可能的组合测试结果故障模式。
参考图318，工业机器预测性维护系统30202可对各种诊断测试系统的数据执行机器学习算法30204等，所述诊断测试系统包括但不限于红外热成像系统30206、超声波测试系统30208、电机测试系统30210、电流和电压测试系统30212、扭转测试系统30214、无损测试系统30216、电力、电流和/或电压测试系统30218、声音测试系统30220等。所述工业机器预测性维护系统30202可以访问测试结果30222库，所述测试结果30222可包括这些测试系统在特定工业机器和/或类似工业机器上进行的先前测试的测试结果。可以使用机器学习算法和所述特定工业机器和/或类似工业机器的故障模式信息处理这些结果，以确定测试条件，特别是测试条件的组合可能与特定故障模式相关。所述机器学习算法30204可以使用人工智能技术来确定所述库中的数据之间的模式、相似度等，从而便于检测可能与一个或多个故障模式相关的测试条件的组合。
在实施例中，改善诊断测试结果与机器故障之间的相关性的方法可以包括通过检测与机器故障和诊断测试结果与机器故障的相似度相关的诊断测试结果中的至少一种模式来改善在工业机器上执行的多个诊断测试的结果与类似工业机器的故障的故障信息之间的相关性。在实施例中，单一类型的机器故障与诊断测试的子集的故障结果相关。
在实施例中，改进的用于工业机器维护的方法和系统，包括有助于收集、发现、捕获、传播、管理和处理有关工业机器的信息的方法和系统，可包括对与工业机器预测性维护相关联的一系列服务和服务供应商进行评级的方法等，所述有关工业机器的信息包括事实信息(例如关于内部结构、部件和组件的信息)、操作信息和程序信息，所述程序信息包括与维护、服务和维修有关的专有技术和其它信息。在实施例中，可对执行维护和相关活动的服务供应商进行评级。在执行服务程序中规定的服务时，可以评估服务供应商(例如技术人员等)遵循所述程序的程度。可以通过单独确定步骤是否已按指定的顺序完成来隐式地捕获遵循所述程序的程度。在实施例中，可以通过要求服务技术人员在继续进行所述过程之前提交未盖住的轴承的照片来验证需要移除轴承盖板然后拍摄轴承照片的程序。在实施例中，所述服务技术人员可以使用平板电脑、便携式电话、工业便携式计算机等计算设备的用户界面，所述技术人员通过所述用户界面访问服务程序。可基于一系列标准对所述服务技术员进行评级，所述标准包括但不限于调度便利性、对特定机器和/或服务活动的专业程度/培训程度、后服务诊断测试(例如自测试等)的结果、服务的估计成本与实际成本对比、按计划执行服务的及时性、清洁度(但标准可能主观)、对程序(例如，如上文所述的程序等)的遵守和对第三方等其它资源的依赖性。
在实施例中，图319描述了供应商评级系统30300。所述供应商评级系统30300可包括供应商评级设施30302，所述供应商评级设施30302捕获供应商30306的信息(例如，位置、用户反馈等)、所述供应商30306声称知道的一个或多个程序30308的服务数据和可能影响如何使用信息对供应商进行评级的供应商评级加权数据30310(例如，较新的数据可能比较旧的数据具有更高的权重，在服务信息非常少的机器上进行的服务可能具有较小的权重等)。所述供应商评级系统设施30302还可通过应用经验量表30312考虑供应商的总体经验水平，所述经验量表30312基于供应商的经验和评级程度影响特定供应商评级的置信度。可以考虑服务技术人员输入30314，例如服务技术人员可以提供的有关服务活动的结构化(例如，多项选择响应)和/或自由格式的输入等，以解释为什么没有遵循程序或为什么服务花费比预期更长的时间等。所述供应商评级设施30302还可从诊断测试30222接收信息，例如所执行的测试以及与可用于评估所执行的服务操作成功的服务操作相关联的测试的结果。诊断测试信息30222可包括来自红外热成像、超声波测试、电机测试、电流/电压测试、扭转测试、无损测试、功率密度测试、声音测试等诊断测试的信息。在实施例中，所述供应商评级设施30302可基于一系列供应商评级标准30316对供应商进行评级，所述标准30316包括但不限于可从诊断测试结果数据30222等确定的后服务诊断的结果。所述供应商评级标准还可包括调度便利性、对程序和机器的经验程度、成本、及时性、清洁度、对程序的遵守等。可以在供应商评级结果数据存储器30322中存储和访问供应商评级结果，可以用机器学习算法30324处理所述供应商评级结果，以改善例如供应商评级标准(例如，经验程度)和供应商评级之间的相关性。
在实施例中，供应商评级方法可包括通过收集关于服务提供商提供的工业机器服务的反馈并将所述反馈与多个评级标准进行比较来确定所述工业机器服务提供商的评级，所述评级标准包括在完成至少一个工业机器服务之后执行的诊断测试的结果、对所述服务提供商的调度、提供的所述服务的成本、所述服务提供商的及时性、所述服务提供商的清洁度、对所述至少一个工业机器服务的程序的遵守和所述服务提供商对所述程序和所述工业机器中的至少一个的经验的测量值。在实施例中，所述方法可包括通过将机器学习应用于供应商评级结果并且在对供应商进行评级时并入机器学习的输出来改善供应商评级结果与评级标准的相关性。
在实施例中，改进的用于工业机器维护的方法和系统，包括有助于收集、发现、捕获、传播、管理和处理有关工业机器的信息的方法和系统，可包括对与工业机器预测性维护相关联的一系列活动和信息进行评级的方法等，所述有关工业机器的信息包括事实信息(例如关于内部结构、部件和组件的信息)、操作信息和程序信息，所述程序信息包括与维护、服务和维修有关的专有技术和其它信息。在实施例中，可对用于执行维护和相关活动的程序信息进行评级。在执行服务程序中规定的服务时，服务提供商(例如，技术人员等)可以通过用户界面指示每一程序例如每一实质性服务程序操作的评级，所述技术人员通过所述用户界面访问服务程序。所述服务技术人员可以基于一系列标准对每个程序进行评级，所述标准包括但不限于信息访问的便利性、信息的教育价值、描述的准确性、图像的准确性、序列的准确性、服务的执行难度等。依靠程序信息在一台或多台机器上进行维护的服务提供商等可以获得如何使用这种程序信息来保养系统的专有技术。可以通过与程序相关的自由格式的注释、通过对已发布的程序的建议编辑等在程序评级系统中获得这种专有技术。
在实施例中，执行维护任务的程序对熟悉特定机器的服务技术人员来说可能是清楚的，但是对于经验较少的服务人员来说可能不够清楚。因此，完成程序评级任务的服务技术人员的信息可用于更好地加权评级。此外，可以基于经验量表对服务程序进行评级，所述经验量表可有助于确定何时可以使用经验较少的人来执行服务任务以及何时优先选择经验丰富的提供者。这种信息可能对有助于选择适合执行所需服务任务的服务实体等的工业机器预测性维护系统有用。在实施例中，工业机器预测性维护系统可以收集信息，所述信息可以描述服务/维护程序的各个方面，例如，便于接触经审查的服务人员时的经验量表评级。特别地，如果服务程序被评定为待遵循的高度复杂程序，可以绕过只有很少或没有经验丰富的人员可用于执行服务的服务实体，或在具有更多经验、更多可用的经验丰富的服务技术人员的服务实体等的后面提供所述只有很少或没有经验丰富的人员可用于执行服务的服务实体。对程序信息进行评级可通过识别服务程序的特征进一步加强用于生成服务程序信息的系统，这些特征优于那些被发现缺少的特征等。
在实施例中，例如在图320所示的实施例中，用于对工业机器服务和/或维修程序进行评级的方法和系统可包括程序评级设施30402，所述程序评级设施30402可汇总各种程序评级内容的来源，并为程序生成一个或多个评级，例如易用性、准确性、灵活性等。这种评级设施30402可访问程序30406，例如处理所述程序中的文本、图像、流程图等，从而促进对有助于所述程序的各种元素进行评级。所述程序评级设施30402也可以访问所述程序的服务数据30408，例如长时间使用所述程序的实例等。这种服务数据可能有助于确定所述程序评级的置信度。不经常使用的程序的评级可能比经常使用的程序的评级具有较低的置信度，这至少部分是由于缺少低使用率程序的比较数据。对程序进行评级还可包括访问对评级有影响的因素的权重30410，此类权重可明确说明，隐式确定，并可基于程序的使用期限、遵循所述程序所需材料的可用性等因素而有所不同。在实施例中，某些程序的评级可能会受到服务技术人员、监管者、程序质量测试人员等评级过程的贡献者的经验的影响。因此，可将经验量表30412应用于评级算法，以例如影响具有给定经验的贡献者可以被允许评估的程序的各个方面等。在实施例中，可以明确收集服务技术人员和评级过程的其它贡献者输入30414，例如通过贡献者为程序的各个方面(例如，所述程序的文本、所述程序的翻译等)标记评级量表。可以隐式收集贡献者输入，例如通过跟踪执行程序中的步骤所花费的时间等。在实施例中，如果服务技术人员遵循与程序中不同的步骤或附加步骤，所述程序评级设施可以将此输入和采取这些其它步骤的原因作为影响所述程序评级的因素。这种反馈可有助于识别机器分析不准确的程序和/或有助于提高服务质量的制造商指南。可以通过机器学习设施30424等人工智能分析不正确的机器故障诊断，以改善分析。技术人员和程序评级分析和结果的反馈可提供或推送至程序开发者(例如，工业机器制造商等)，以促进改进程序实现更好和更快的维修。通过激励性反馈方案和适当利用这些方案，例如用于评级程序30402，机构知识可以渗透到预防性维护系统的每个方面，而无需像过去一样进行一对一的培训。
在实施例中，程序评级设施，例如所述评级设施30402，还可访问评级标准30416，所述评级标准30416可包括但不限于程序访问的便利性、程序翻译的便利性、程序的教育价值、文本的准确性、图像/图形的准确性、相关内容(例如，部件清单)的准确性、步骤序列的有效性、第一次使用程序时获得无错误结果的总体难度、对其它可能直接记录或可能未直接记录的步骤的依赖性等。例如所述程序评级设施30402的评级设施可生成程序评级结果30422，所述程序评级结果30422可以电子方式存储，例如存储在非易失性计算机可读存储介质等中。在实施例中，特定工业机器的程序的评级可存储在与机器一起设置的一个或多个智能RFID组件中。可通过使用与所述程序评级设施30402协同工作的机器学习30424等改进所述程序评级结果30422。
在实施例中，对工业维护程序进行评级的方法可包括通过收集使用程序来执行工业机器服务的服务提供商对所述程序的反馈并将所述反馈与多个评级标准进行比较，来确定工业机器服务程序的评级，所述多个评级标准包括程序访问的便利性、翻译便利性、教育价值、内容准确性、序列准确性、程序遵循的便利性以及对非程序动作的依赖性。所述方法还可包括通过将机器学习应用于程序评级结果并且在对程序进行评级时并入机器学习的输出来改善程序评级结果与评级标准的相关性。
在实施例中，区块链TM技术和应用，例如去中心化表决、加密散列、可验证性、安全性、开放访问、访问和更新的速度以及添加参与者(例如，贡献者、验证者等)的便利性，可应用于本文所述的工业机器预测性维护方法和系统。可以采用有助于确保系统状态、故障等信息的可验证性的区块链TM方法处理从工业机器收集的数据，例如操作数据、测试数据、故障数据等。可以在区块链TM中处理部件订单、服务订单等的交易，从而提高交易的安全性和可验证性，所述交易包括成本等本文所述的预测性维护系统可用来管理工业机器维护和服务活动的信息。区块链的其它用途可包括保护分布式公共分类账，例如本文中图312描述的或与图312关联描述的分布式分类账29602。
在实施例中，通过IoT设备等工业机器的点对点网络进行的交易可作为区块链TM驱动的分布式分类账运行，从而减少对工业机器等的预防性维护数据的集中控制或存储的依赖。在工业机器预测性维护系统中区块链TM功能的一示例中，可以通过区块链TM分布式分类账系统处理对各个机器上的智能RFID元件及其对应的网络驻留副本的更改，所述系统有助于公开访问RFID中的信息，例如通过访问网络驻留副本中的相关信息。
在实施例中，图321描述了与特定工业机器30500相关联的交易的区块链TM，可在所述工业机器装运或准备装运时启动30502所述区块链TM。在执行特定工业机器的其它交易时，例如在安装30504期间，从与工业机器30506一起部署的传感器收集操作信息，机器30508的服务事件、部件和服务订单30510、诊断活动30512等可以分别添加到特定工业机器的区块链TM中。因此，为所述工业机器提供了一个安全、可验证、可跟踪的数据集，本文所述的预测性维护方法和系统可以使用所述数据集。
在实施例中，积累工业机器的信息的方法可以包括：通过生成启动块启动特定工业机器的工业机器信息的区块链；通过组合来自发货就绪、安装、操作传感器数据、服务事件、部件订单、服务订单和诊断活动中的至少一个的数据以及所述区块链中最新生成的块的散列，生成特定工业机器区块链的后续块。
在实施例中，预测性维护计划、动作等可以基于对工业机器操作数据的分析，例如来自与工业机器一起部署的传感器的数据。确定包括感测到的数据的操作数据的维护触发阈值可以包括：识别所述数据表示的影响类型；确定表示可接受操作、可疑操作、不可接受操作和其它类型操作的数据值。在实施例中，部署的用于检测和监测工业机器组件、结构元件等的振动活动的振动传感器可有助于确定机器部件的振动如何有助于预测性维护动作。与传统的振动分析相比，确定来自传感器的振动数据相对于预测性维护动作的时间等的严重度可能需要更多。在实施例中，可以将振动测量值转换成严重度单元，所述严重度单元可在预测维护需求等时使用。
在实施例中，虽然振动可有助于确定对工业机器的不利影响，但振动分析通常是复杂的，并且基于振动频率、振动源、振动材料、每分钟机器运行周期等而变化很大。振动度量值，例如振动速度，对于确定何时振动是中等振动频率的问题可能很有用，但仅靠它无法有效地提供低频和高频的信息。因此，频率无关的振动分析，例如归一化的振动分析度量值，可能会产生有用的预测性维护信息。
在实施例中，将振动分析结果归一化为本文所述的严重度单元可以促进振动频率独立性。整体振动频谱、RMS水平等可以用位移、速度、加速度等单位表示。在一示例中，轴承盖振动读数可以表示为振动速度，至少因为其与振动的机械严重度直接相关。如上所述，虽然振动速度对中频分量来说是足够的，但对于预测性维护算法，低频分量和高频分量表现出与振动速度的相关性的明显例外。根据本申请将理解，振动速度可以是通过幅频图等来表征的，实际上，例如与中频速度严重度要求相比，线性降低对低频和高频的速度严重度要求(例如，振幅等)。
在实施例中，本文所描述的方法和系统扩展和增强了频率制图方法，以促进归一化振动频谱，从而可以将其表示为在整个振动频谱中一致的振动严重度单元，例如从近零频率到远超过每分钟18000周(cpm)。使用归一化为位移值(例如，位移的毫米预设值)的算法处理在低于低端线性频率(例如，低端拐点频率值)的频率处出现的振动频谱的分量，因为位移(例如，幅度)已被证明是比低频率处的速度更重要的严重度指标。使用归一化为重力单元值(例如，g或g力的预设值)的算法处理在高于高端线性频率(例如，高端拐点频率值)的频率处出现的振动频谱的分量。最终结果表明，频谱的每一个范围(低于低端拐点阈值、中端拐点阈值和高于高端拐点阈值)都可以一致地映射到严重度单元。在许多示例中，频谱可分为三个范围(低于低端拐点阈值、中端拐点阈值和高于高端拐点阈值)，在不超出用于生成预测性维护振动严重度单元的振动数据归一化技术范围的情况下，可确定和应用更少或更多的频谱范围。
在实施例中，方法和系统包括将振动幅度单位归一化为独立于频率的单位。这些单位可以称为严重度单元或操作单元。在许多示例中，振动频谱、总体水平或均方根水平以位移、速度或加速度为单位表示。例如，对于轴承盖的读数，最常用振动速度，因为其可与机械严重度直接有关。尽管对中频分量来说是足够的，但对于低频和高频来说，却有明显的例外。根据本公开内容将理解，已构造了许多幅频严重度图表，以线性降低所述图表中描绘的低高频分量的速度严重度要求。
在实施例中，所述方法和系统包括开发和构造严重度图，以将振动频谱归一化为严重度单元。通过该示例，将以预定因子(作为斜率的函数)获得如图322所示的低于大约每分钟1200个周期的预定拐点水平的低频分量，以使其严重度单元的幅度可以结合严重度归一化。类似地，对于高于大约每分钟18000个周期的拐点水平的高频分量，也可以通过不同的预定因子获得频谱峰值，以实现严重度的平坦。在实施例中，以严重度单元显示的频谱可以用水平线显示以标定严重度。在实施例的许多方面，与一个或多个轴承缺陷频率和/或一个或多个轴承谐振频率相关的其它频谱分量可针对严重度调整其相应的幅度。通过该实例，与一个或多个轴承缺陷频率相关的其它频谱分量可使其相应的幅度增大以适应严重度，而与一个或多个轴承谐振频率相关的其它频谱分量可使其相应的幅度减小以适应严重度。此外，可以使用输出频谱的其它数字处理技术，例如包络，来补充或叠加严重度频谱内的频谱峰值。在实施例中，可以出于呈现和分析目的在本地或远程显示和/或通过云网络设施访问最终得到的严重度频谱。在实施例中，所述最终得到的严重度频谱可被馈送到专家系统以分析和评估严重度。在实施例的许多方面，可计算或从这种“归一化”频谱得出总体水平，以生成以严重度为单位的总体水平或均方根水平，而不是更通常地振动监测系统目前使用的不同单元的集合。
在实施例中，图322描述了用于对工业机器上的壳体振动的振动传感器数据进行归一化的严重度单元转换函数的图。所述严重度单元转换函数30602包括沿垂直轴30604的振动位移速率(英寸/秒)和沿水平轴30606的振动频率cpm(周/分钟)。将低端频率分界30608设置为1200cpm，定义了低端振动频率区域30610的上端和中频区域30612的下端。将高端频率分界30614设置为18000cpm，定义了高端振动频率区域30616的下端和中频区域30612的上端。
图322实施例的严重度计算如下：
S＝MxA(30601)
在公式30601中，S是正在计算的严重度值，A是中频范围严重度限值，M是针对如下所示的三个振动频谱范围中的每一个计算的严重度归一化化值：
对于低端范围30610：M＝振动频率/低端分界值；
对于中频范围30612：M＝1；和
对于高端范围30616：M＝高端分界值/振动频率。
在图322的实施例的示例中，低端范围M＝频率/1200，高端范围M＝18000/频率。这使得所述低端范围的可接受的严重度值约为2.5mil，所述高端范围的可接受的严重度值约为2.5g。
在实施例中，图322所示的严重度归一化函数可促进为本文所述的预测性维护方法和系统可使用的每个频率范围开发严重度单元。
在实施例中，识别出五个严重度单元，并可应用于每个频率范围。严重度单元可命名为：可接受、监视、重测、及时操作、立即操作等。在实施例中，导致可接受的严重度单元的振动数据对预测性维护分析和操作建议几乎没有影响，如果有的话。可以收集和进一步分析导致可接受的严重度单元分析的振动传感器数据研究，以了解工业机器，例如类似的工业机器、工业机器的类似部分、不同年代的工业机器或其部分等，之间的差异。
在实施例中，可以添加如图323所示的其它严重度类别。继续参考图323，示例严重度图表可定义严重度等级以及针对这些等级的关联操作。通过该示例，所述严重度图表可与使用安装有轴承盖的加速度计获得的频谱峰值相关联。一个或多个检测到的信号的范围认为是可接受的，因此，在检测到的信号的三个范围内，当测量小于每分钟约1200周或小于约20赫兹的机制的位移时，最不严重等级小于峰值间英寸的千分之2.5(峰值间约63.5微米)。对于每分钟约1200周至每分钟约18000周或约20赫兹至约300赫兹的机制，严重度图表可从速度和可接受的角度评估信号，因此，最不严重等级峰值小于约0.15英寸每秒(峰值约3.81毫米每秒)。对于大于每分钟约18500周或大于约300赫兹的机制，严重度图表可从加速度和可接受的角度评估信号，因此，最不严重等级峰值小于约2.5g水平。
一个或多个检测到的信号的范围认为是值得监视的，因此，在检测到的信号的三个范围内，当测量小于每分钟约1200周或小于约20赫兹的机制的位移时，比最不严重等级高一个等级的等级在峰值间英寸的千分之2.5(峰值间约63.5微米)和峰值间英寸的千分之5(峰值间约127微米)之间。对于每分钟约1200周至每分钟约18000周或约20赫兹至约300赫兹的机制，严重度图表可从速度和值得监视的角度评估信号，因此，比最不严重等级高一个等级的等级在峰值约0.15英寸每秒(峰值约33.8毫米每秒)和峰值约0.3英寸每秒(峰值约峰值67.6毫米)之间。对于大于每分钟约18500周或大于约300赫兹的机制，严重度图表可从加速度和值得监视的角度评估信号，因此，比最不严重等级高一个等级的等级在峰值约2.5g水平和峰值约5g水平之间。
一个或多个检测到的信号的范围确定为足以建议或要求重新测量机器或路线，其中所述一个或多个信号从所述机器或路线中获得，因此，在检测到的信号的三个范围内，当测量小于每分钟约1200周或小于约20赫兹的机制的位移时，比监视等级的严重度高一个等级的等级和比最不严重等级的严重度高两个等级的等级在峰值间英寸的千分之2.5(峰值间约63.5微米)和峰值间英寸的千分之5(峰值间约127微米)之间。对于每分钟约1200周至18000周或约20赫兹至约300赫兹的机制，严重度图表可从速度的角度评估信号，并定义一个范围，在所述范围内，可足以建议或要求重新测量机器或路线，一个或多个信号在峰值约0.3英寸每秒(峰值约7.62毫米每秒)和峰值约0.6英寸每秒(峰值约15.24毫米每秒)之间从所述机器或路线获得。对于大于每分钟约18500周或大于约300Hz的机制，严重度图表可以根据加速度评估信号，并且足以建议或要求对机器或路由进行重测，通过所述路由在峰值大约5g的水平和峰值大约10g的水平之间获得了一个或多个信号。
通过该示例，一个或多个检测到的信号的范围确定为足以标记及时操作，因此，确定严重度等级以下的一个等级标记采取操作。在其它示例中，当一个或多个检测到的信号的严重度需要这样的标记时，可以有立即操作的标记和包括关机标记的标记操作。当测量小于每分钟约1200周或小于约20赫兹的机制的位移时，用于足以标记及时操作的范围可在于约峰值间英寸的千分之10(峰值间约254微米)和约峰值间英寸的千分之16.6(峰值间约421.64微米)之间。对于每分钟约1200周至约18000周或约20Hz至约300Hz的机制，严重度图表可从速度的角度评估信号，并定义一个范围，在所述范围内，可足以建议或要求重新测量机器或路线，一个或多个信号在峰值约0.6英寸每秒(约峰值15.24毫米每秒)和峰值约1英寸每秒(峰值约25.4毫米每秒)之间从所述机器或路线获得。对于大于每分钟约18500周或大于约300Hz的机制，严重度图表可以根据加速度评估信号，并且足以建议或要求对机器或路由进行重测，通过所述路由在峰值大约10g的水平和峰值大约16.6g的水平之间获得了一个或多个信号。
通过该示例，一个或多个检测到的信号的范围确定为足以标记立即操作，因此是在最高严重度等级。在其它示例中，当一个或多个检测到的信号的严重度需要这样的标记时，可以有立即操作的标记和包括关机标记的标记操作。当测量小于每分钟约1200周或小于约20赫兹的机制的位移时，用于足以标记立即操作的范围可超过峰值间英寸的千分之16.6(峰值间约421.64微米)。对于每分钟约1200周至每分钟约18000周或约20赫兹至约300赫兹的机制，严重度图表可从速度的角度评估信号，并定义一个范围，在所述范围内，可足以在峰值约1英寸每秒(峰值约25.4毫米每秒)之上标记立即操作。对于大于每分钟约18500周或大于约300赫兹的机制，严重度图表可从加速度的角度评估信号，并足以在峰值约16.6g水平以上标记立即操作。
根据本公开内容将理解，图323中的严重度图表描述了可接受类别中的每秒1250周下的每秒0.15英寸的速度。图1所示的位移、速度和加速度之间的转换表明，在归一化确定严重度单元的过程中，峰值间英寸位移的千分之2.5相当于于每秒1250周下的每秒0.15英寸的速度。图1还示出每分钟61450周下的每秒峰值速度0.2英寸相当于加速度水平2.5g。监视类别跨度为6分贝。重测类别跨度为6分贝，及时操作类别跨度约4.5分贝。
根据本公开内容将理解，许多严重度图表的示例可基于高度具体的设备类型。在许多示例中，可以简化一些分类，因为运行速度足够慢或相对较慢的机器的许多类别可能不需要单独的严重度类别。在这些示例中，基于速度的严重度单元可足以提供一个或诊断。在许多示例中，可通过使用归一化大大简化不同子系统之间的通信，例如可提供振动波形、频谱和总体水平的原始数据服务器和必须将这些原始数据转换为有意义的严重度单元的专家系统引擎，以生成严重度单元。
在实施例中，所述严重度单元可应用于非振动数据，其中信号处理技术可应用于具有特殊意义但必须归一化才能成功比较或分析的任何原始数据集。在实施例中，可将可能性别特定的特定药物治疗的可行性的精算数据归一化至一般人群。根据本公开内容将理解，一个或多个建立的用于将性别特定的数据归一化为无性别差异的通用数据的技术或准则有助于子系统和人工智能、统计、辅导或其它相关系统之间的通信。
在实施例中，导致监视严重度单元的振动数据可能会影响预测性维护建议的方面，例如振动数据收集和分析的发生频率。监视严重度单元的确定可能导致更频繁地至少进行振动数据收集和分析。其还可能导致检查正在振动的组件的其它情况，例如通过进行校准、诊断测试、视觉检查等。
在实施例中，导致重测严重度单元的振动数据可以触发尽快进行振动数据收集和分析。重测严重度单元的确定可能导致信号(例如，一组命令等)被传输到受影响的工业机器的相关部分，以配置数据收集和路由功能以及元件，以重复振动数据收集和分析。其还可能导致配置工业机器数据收集控制系统，以便为所涉及的工业机器元件从其它传感器启动数据收集。同样，其也可以提高从其它类似工业机器收集类似振动传感器数据的优先性，从而可用于对重测振动研究等进行比较分析。
在实施例中，导致及时操作严重度单元的振动数据可触发调度受影响部件的服务操作，所述服务操作远早于对具有所述受影响部件的工业机器的一部分的下一次预定维护。其也可加速相关元件的操作(例如预防、调查、分析等)。在一示例中，如果电机的振动数据表明采取及时操作，可为所述电机的驱动轴、由所述驱动轴驱动的齿轮箱等激活振动数据收集、预防性维护操作、校准操作等。
在实施例中，导致立即严重度单元的振动数据可被视为建设性批准，以尽快执行所有必要的部件更换，从而触发订购更换部件、材料等以在工业机器上进行一个或多个服务操作。这样的结果也可能触发某些自动操作，如停止使用工业机器、减少工业机器的占空比、降低工业机器的工作循环速率等，直到执行服务等。
图323描述了应用于宽振动频率范围的振动的严重度单元的实施例。在图323的代表性实施例中，五个严重度单元中的每一个被映射到图322中所示的三个振动频谱区域，具体地，用于低于1200cpm、在1200cpm至18000cpm以及高于18000cpm的振动频率。
在实施例中，在每个频谱区域内定义了严重度单元。对于低于低端阈值(例如，1200cpm)的频谱区域，峰值间低于2.5mil的振动位移符合可接受的严重度单元标准；2.5至50的位移表示监视严重度单元；5.0至10.0的位移表示重测严重度单元；10.0至16.6mil的位移表示及时操作严重度单元；大于16.6mi的位移触发立即操作严重度单元。对于1200cpm至18000cpm的振动频谱，正常的严重度表现为每秒峰值位移小于0.15英寸；监视严重度在0.15至0.3ipsp之间；重测严重度在0.3至0.6ipsp之间；及时操作严重度在0.6至1.0ipsp之间；当振动位移速率大于1.0ipsp时，发生立即操作严重度。对于大于18000cpm的振动频谱，可接受严重度由指示小于峰值2.5g的振动分析表示；监视严重度由2.5g至5.0g表示；重测严重度由5.0g至10.0g表示；及时操作严重度由10.0g至16.6g表示；立即操作严重度单元表示导致大于16.6g的力的振动。
本文所描述的严重度单元方法和系统的应用包括在以不同速度运行的各种机器中使用。与现有的振动分析工具不同，本文描述的基于算法的方法可以通过有效地移除与机器速度的影响相关的一些不必要的计算复杂性容易地处理运行速度较慢的机器。在不同机器执行不同操作，例如原始数据分析和严重度检测，的环境中，必须增加通信带宽以支持提供足够的信息以确保稳健的严重度确定。使用本文所述的严重度单元方法和系统大大简化了这些实施例中的数据通信需求，从而减少了相应环境下的通信带宽需求等。
虽然本文针对振动数据分析等对严重度单元进行了探讨，但是用于确定和检测严重度单元的方法和系统可用于除了能够从归一化过程中受益以成功进行比较的振动数据之外的其它数据源。在实施例中，可使用本文所述方法和系统将关于一种或两种性别的特定药物治疗的可行性的精算数据归一化，以应用于一般人群。可以生成适合现有严重度准则的算法，使用本文所述的方法和系统扩展这些算法，以产生无性别(性别归一化)差异的严重度度量值。
在实施例中，根据振动数据预测服务事件的方法可以包括一组操作步骤，所述一组操作步骤包括从至少一个振动传感器捕获振动数据，所述至少一个振动传感器设置为捕获工业机器的一部分的振动。可以对所捕获的振动数据进行处理，以确定所捕获振动的频率、振幅和重力中的至少一个。接着，可以基于例如确定的频率确定多段振动频谱中限定捕获到的振动的分段。因此，可以基于所确定的分段和从所述振动数据获得的峰值幅度和重力中的至少一个计算捕获到的振动的振动严重度单元。此外，所述方法可以包括在预测性维护电路中生成信号，以基于所述严重度单元对所述工业机器的所述部分执行维护操作。
在实施例中，基于将确定的频率与所述多段振动频谱的中段的上限和下限进行比较来确定所述分段。所述多段振动频谱的第一分段可包括低于所述多段振动频谱的中段的下限的确定频率值。所述多段振动频谱的中段的下限可为1200kHz，上限可为18000kHz。在实施例中，所述多段振动频谱的第二分段可包括高于所述多段振动频谱的中段的上限的确定频率值。
在实施例中，计算振动严重度单元可包括通过将多个严重度归一化参数中的一个与中段严重度限值相乘并将振动严重度值映射到所确定分段的多个严重度单元范围中的一个，来生成严重度值。通过将确定的频率除以所述多段振动频谱的中段的低端频率值来计算多个归一化值的第一严重度归一化值。当确定的频率值小于低端频率值时，多个严重度归一化参数中的特定一个归一化参数包括第一严重度归一化值。
在实施例中，通过将所述多段振动频谱的中段的高端频率值除以确定的频率来计算多个归一化值的第二严重度归一化值。当确定的频率值大于所述高端频率值时，多个严重度归一化参数中的特定一个归一化参数包括第二严重度归一化值。
对于所述多段振动频谱的分段，基于确定的振动幅度，将所述多段振动频谱的第一分段划分为多个严重度单元。基于所确定的重力将所述多段振动频谱的第二分段划分为多个严重度单元。
在实施例中，基于在所述多段振动频谱的第一分段内确定的振动频率的确定的振动幅度的峰值位移，确定振动严重度单元。在一示例中，基于在所述多段振动频谱的第二分段内确定的振动频率的确定的振动导致的重力，确定振动严重度单元。
在实施例中，工业机器的部分可以是活动部件、支撑活动部件的结构部件、电机、驱动轴等。
在实施例中，用于从振动数据预测服务事件的系统可包括工业机器，所述工业机器包括至少一个振动传感器，用于捕获所述工业机器的一部分的振动。所述系统还可包括与所述至少一个振动传感器通信的振动分析电路，所述振动分析电路产生所述捕获到的振动的频率、峰值幅度和重力中的至少一个。该系统仍还可包括多段振动频谱结构，其便于将捕获到的振动映射到多个振动频率分段中的一个振动频率分段。此外，所述系统可以包括严重度单元算法，所述严重度单元算法接收确定的振动频率和对应的映射分段，并生成随后被映射到为所述对应的映射分段定义的多个严重度单元中的一个的严重度值。在实施例中，所述系统还可包括信号生成电路，所述信号生成电路接收所述多个严重度单元中的一个，并基于所述严重度单元指示预测性维护服务器对所述工业机器的一部分执行相应的维护操作。
在实施例中，从设置在工业机器中的传感器收集的振动相关数据可包括位移、速度、加速度等。此外，可以基于原始收集的数据，例如在已知时间单位上收集的位移等，来计算速度、加速度等数据。速度可以基于特定时期内可检测到的振动事件的计数。速度可能与发生的位移的大小或长度无关。在实施例中，加速度可计算为速度度量值的变化率。在实施例中，加速度可由一个或多个加速度传感器生成，所述加速度传感器可检测特定方向上的位移开始时间和位移结束的相对时间，并且基于此可识别振动发生期间的部件加速度。振动数据有助于确定部件是否会受到过大的振动。通过对此振动数据进行分析，以基于振动方面例如频率等进行决定。正如本文所描述的，常规的用于确定检测到的振动可能不可接受的程度的振动分析方法需要对振动频谱中不同部分的振动进行不同的评估。一种新的用于在范围较广的振动频谱，例如可能导致振动部件故障等问题的振动的阈值，中归一化振动影响的评估的方法可能有利于预测性维护系统，例如专家系统等，这些系统可试图向机器所有者等提供可行的信息。
在实施例中，严重度单元可促进归一化振动分析，以便通过消除或至少混淆在振动频谱范围内计算多个振动度量值的需求来确定所检测到的振动是否不可接受。通过在谱范围内对不同的振动度量值单位进行归一化，严重度单元，本文又称操作单元，可促进将严重度单元应用于广泛的振动分析应用，包括但不限于工业机器振动分析、活动部件振动分析、复杂机械系统振动等。
在实施例中，图324描述了沿水平轴绘制振动频率的振动严重度图。所述图包括两个垂直轴，一个代表传统的频率相关的振动度量值，另一个代表与频率无关的严重度单元。传统的振动度量值线30802示出了三个分段，表示三个频率范围的安全振动限值。严重度单元线30804示出了一条单横线，表示所有频率范围的安全振动严重度限值。对于传统的振动分析，振动导数按频率进行了调整。所述线30802下的导数可代表可接受的振动水平。同样，30802以上的振动导数可代表不可接受的振动水平。然而，确定振动样品产生所述线30802以上或以下的导数所需的函数对于不同的振动频率是不同的。拐点值30806和30808通常可以与振动频率1200CPM和18000CPM一致，如本文所述。但是，材料类型、振动对象类型等因素可进一步影响函数的执行。相反，可以调整本文所述的用于生成和使用严重度单元和/或操作单元的方法和系统，以生成由线30804代表的振动严重度的归一化限值。在所述线30804以下的基于严重度/操作单元的计算出的振动度量值可表示安全的振动限值，而所述线30804以上的基于严重度/操作单元的度量值可代表不可接受的振动水平。专家系统，例如用于预测工业机器维护事件的系统，可将工业机器的严重度/操作单元值应用于简单的将严重度/操作单元值与严重度/操作单元阈值进行比较的比较函数。当所述单元值低于所述阈值时，对维护需求预测的影响可能很小或可忽略不计。当所述单元值高于所述阈值时，对维护需求预测的影响可能很大，并可直接触发维护事件预测。或者，单元值与阈值的比较结果可用于调整正在处理的其它因素的权重以预测维护事件。通过对其它因素的严重度/操作单元加权，预测工业机器的维护需求可将低于阈值的或边际振动结果和其它因素结合到工业机器维护的预测中。
在实施例中，可以使用其它信号处理技术计算严重度单元。这些其它的信号处理技术可以产生所感测到的振动数据的操作单元归一化表示。在实施例中，其它频率阈值可与各种技术一起使用，并且可取决于正在振动的机器部件的各种因素，例如但不限于严重度峰值振动水平、气体脉冲频率峰值水平、机器组件类型、轴承故障频率等。在实施例中，可基于应用的组件类型加权归一化的严重度/操作单元，例如锤磨机、破碎机、大马力原动机、软基(例如，弹簧隔离)等。虽然在图324的示例和本说明书中其它示例中使用低阈值1200赫兹和高阈值18000赫兹，但也可以使用其它值，例如低阈值500赫兹和高阈值5000赫兹等。对于给定应用，低阈值和高阈值之间的关系可以基于材料、工作频率、严重度敏感性等。
可通过包络处理等检测振动事件，例如，导致与机器周期有关的振动事件的滚子轴承缺陷(例如，由于滚子轴承撞击缺陷而引起的震动)。一旦通过包络处理检测到的振动事件被捕获，可以对其进行处理以产生峰值，所述峰值可以映射到严重度单元频谱。这样，可以将通过RMS或类似的时间平均计算筛选出的包络检测到的振动事件映射到严重度/操作单元频率图上。
在实施例中，可将工业机器或其一部分(例如，齿轮箱等)中的各种组件的严重度合并为所述机器/部分的总体严重度。一种方法是通过汇总所述机器/部分中一个或多个组件的所有严重度单元计算来生成聚合严重度值。另一种方法是计算机器/部分的总体平均严重度，例如，通过确定所述生成的严重度值的平均值。计算机器/部分的总体严重度的其它方法可包括加权单个组件的严重度值的一部分等。
在实施例中，工业机器组件，例如工业机器中的活动部件(例如，齿轮、轴、电机、头等)，的严重度单元的计算可映射到图323所示和本文所述的严重度图上，例如，通过在图中识别频谱峰值等级与严重度等级度量值之间的对应关系。映射的严重度等级可以基于标识来确定。可为每个严重度等级赋予图形元素，以便工业机器组件的严重度可以图形方式呈现为，例如，图像、绘图或显示工业机器中各个组件的其它表示形式的覆盖图。图325描述了表示工业机器30900的组件30902的框图，其严重度单元等级由图形覆盖元素30904指示。在实施例中，图309的覆盖图像可以呈现在图形用户界面中，所述图形用户界面可以促进用户通过例如触摸或选择所述图形覆盖元素30904中的一个来与覆盖图进行交互的数据发现。图325描述了这种情况。响应于用户选择所述图形覆盖元素30904，可视化弹出窗口30908中的组件严重度和相关信息。在实施例中，所述图形覆盖元素30904可代表一组组件，例如，齿轮箱、电机组件等，的复合严重度等级。当选择复合图形覆盖元素时，可在所述图形用户界面中可视化第二图像，例如齿轮箱等的详细信息，以便用户可以深入了解装配组件中的更多详细信息等。
在实施例中，可在主操作单元列线图(Master Action Unit Nomogram，简称MAUN)的背景下呈现严重度单元。在实施例中，可收集至少三个维度的振动数据，因此，可以产生以三维形式呈现的以操作或严重度单元为单位的振动数据的三维NAUN。
在实施例中，可将原始振动数据提供给预测性维护系统，例如应用机器学习等技术来确定在一系列频谱中可接受振动的阈值的系统。然而，为从这些原始信息中学习可能需要有关环境和振动分析工程的信息，导致维护预测操作非常复杂。可将严重度单元，例如本文所述的那些，包括MAUN等，提供给所述预测性维护系统，以通过更有效地将原始振动数据与振动严重度的归一化度量值(例如，严重度单元等)进行匹配来简化学习。使用严重度单元等可进一步降低预测性维护系统的过滤和评价复杂性，因为这些操作中至少有一部分可纳入根据原始振动数据生成的严重度单元度量值中。
在实施例中，从这种系统学习到的信息可应用于严重度单元计算函数，例如可由数据收集代理、本地网络处理器等作为反馈在本地执行。这种反馈可应用于阈值精化算法，所述阈值精化算法调整例如根据原始振动数据确定的严重度等级(例如，阈值)，从而可以根据局部情况等调整振动阈值。这种反馈还可在试图确定多种数据处理技术/算法中的哪一种可产生更准确的MAUN度量值(例如，产生严重度和/或操作单元等)的过程中有用。如此，可降低处理复杂性和减少数据存储需求，这对于降低可产生严重度单元数据的数据收集设备等的总体成本和复杂性可能是可取的。
在实施例中，预测性维护方法和系统可应用于工业机器，例如旋转设备机器。可使用本文所述的预测性维护方法和系统的示例性旋转设备机器可包括但不限于钻头、镗头、抛光机、电机、涡轮机、齿轮箱、变速器、旋转振动适配器、驱动轴、计算机数控(computernumerical controlled，简称CNC)路由器、车床、磨机、磨床、离心机、内燃机、压缩机、往复式发动机、泵、风扇、鼓风机、发电机等。示范性旋转设备的制造商和相关各方，例如测试服务、组件制造商、分包商等，可以逐机获取有关此类设备的技术数据。此外，可用的关于机器、子组件、各个组件、附件、旋转集成部件等的信息可包括设计参数、测试规范、操作规范、对产品的修订等。所述信息和相关信息可应用于一台或多台部署的机器，例如特定的序列号、工业机器的产品线、给定的生产版本、生产运行等。可用机器信息可涵盖与一个或多个旋转组件有关的设备的各个方面，例如，一个或多个齿轮的齿数(例如，螺旋齿轮箱、蜗杆减速齿轮箱、行星齿轮箱等齿轮箱、动力传递齿轮组等)、电机转子杆数(例如，鼠笼转子和绕组中的转子杆，例如同步电机等)、旋转组件的RPM速率等。此外，信息可用于工业机器的预测性维护事件的规划和执行，例如，基于滚子轴承的系统，包括但不限于(滚子滚珠数、滚珠数、滚珠/滚子数、滚珠滚子接触角、座圈尺寸(例如，内圈和外圈尺寸)、叶片数、槽数、模式形状(例如相对位移等)数据。
可以通过一系列方法自动提供用于例如预测性维护分析电路的预测性维护处理的旋转设备信息，例如，本文所述的示例性信息，所述一系列方法包括但不限于(i)在现场部署之前，将包含有关旋转设备机器的一部分的信息的数据存储在与机器或其一部分集成或集成到机器或其一部分中的非易失性存储元件中；(ii)在部署之后或作为部署的一部分，例如在部署验证操作等期间，利用相关的旋转组件信息更新与机器集成或集成到机器中的非易失性存储元件；(iii)将代表旋转设备规格、测量、生产测试等的数据存储在网络可访问的数据存储设施(例如，由部件、子系统、机器、或类似的将部件(例如，滚子轴承组件)与机器/部署相关联的序列号或其集合的标识符，中的至少一个索引的基于云的数据存储设施中)；(iv)(i)或(ii)和(iii)的组合，将信息的至少一个子集存储在与机器一起部署的非易失性数据存储设施(例如，机器的序列号，旋转设备组件的序列号等)，所述机器可用于从网络可访问数据存储设施识别部署机器的相关信息。为了解决商业保密性问题，可通过密码等安全措施保护一部分和/或所有网络可访问信息。类似地，存储在与工业机器一起设置的RFID等非易失性储存设施中的信息可包括第三方可访问的非机密信息(例如，序列号、型号等)，以及可能需要明确认证才能访问的机密信息(例如，性能数据、最后一次故障日期、下一次故障的预测、机器或其部分的故障率等)。
访问此类旋转设备信息可包括使用移动数据收集器，例如配备有数据收集电路的手机，所述电路与近端工业机器交互以至少访问RFID标签的非机密部分。由于所述数据收集电路被激活以与工业机器通信，所述可直接或通过应用从RFID收集的索引信息(例如，URL等)从RFID收集关于近端工业机器的预测性维护有益信息，以从承载所述索引信息的网络服务器访问相关信息。在一示例中，远程数据收集器可从RFID中检索在所述RFID中可以是可访问的公共数据的URL和可被视为机密信息的机器的序列号。所述数据收集器可将检索到的信息提供给预测性维护系统，所述预测性维护系统可将检索到的Web查询中的信息应用于URL等。
由于一些工业机器部署可能不能提供对因特网等外部网络的访问(例如出于安全等目的)，因此可收集RFID中的信息并将其应用到预测性维护电路操作，同时收集信息。然而，在收集时所要求的信息不可用的(例如，必须通过因特网检索的信息)预测性维护功能可在稍后时间执行，例如当所述数据收集电路能够访问因特网等时。在实施例中，预测性维护事件分析可在配备适当的数据收集设备(例如，具有足够处理能力和数据存储等的移动设备)或服务器上执行，例如，网络服务器等或其组合。预测性维护事件分析也可以通过计算设备进行，所述计算设备可通过因特网以外的网络访问，例如，移动数据收集器在靠近工业机器的情况下可访问的局域网。这种地点特定的局域网在移动数据收集器提供适当凭证的情况下，可有助于通过因特网等获取工业机器旋转部件相关信息。
在实施例中，转子杆缺陷和弱化可能是二次劣化的前兆，二次劣化可能导致进一步且昂贵的维修，例如更换转子铁芯等。因此，通过检测转子杆的断裂或弱化可最小化维护和维修成本。知道转子杆的数量可作为确定维护和/或服务一个或多个转子杆的最佳时机时的因素。例如，通过将转子杆故障率应用到预测转子杆何时可能故障的公式中，知道给定机器的转子杆数和其它方面，例如循环速率、寿命等，有助于预测何时可有益地进行基于转子杆的系统的服务和/或测试。预测性维护电路预测工业和其它机器的维护事件，可以比预测转子杆较少的同类机器的维护更快的速度预测转子杆数量较多的机器的维护。
在实施例中，在考虑机器和类似机器中的轮齿数的同时，预测基于旋转设备的机器等的机器的维护事件可以根据预测的类似机器的维护事件进行调整。预测可能受例如轮齿数影响的维护事件的一个方面可以是事件的时间。在一示例中，与类似机器相比，轮齿数较多的机器可意味着比类似机器更快地预测轮齿数较多的机器的维护需要。在实施例中，在考虑机器和类似部件或机器中的轮齿数的同时，预测机器的活动部件，例如基于旋转设备的部件，的维护事件可根据预测的相同或类似机器中类似部件的维护事件进行调整。在实施例中，在考虑机器和类似部件或机器中的轮齿数的同时，预测机器的旋转部件，例如基于旋转设备的机器的旋转部件，的维护事件可根据预测的相同或类似机器中类似旋转部件的维护事件进行调整。在实施例中，在考虑机器和类似部件或机器中的轮齿数的同时，预测齿轮箱等，例如基于旋转设备的齿轮箱，维护事件可根据预测的相同或类似机器中类似部件的维护事件进行调整。在实施例中，在考虑机器和类似组件或机器中的轮齿数的同时，预测包括多齿齿轮的机器的组件，例如基于旋转设备的组件，的维护事件可根据预测的相同或类似机器中的类似组件的维护事件进行调整。
在实施例中，预测旋转设备的维护事件可以是预测性维护电路的功能，所述预测性维护电路例如响应机器的可旋转组件的轮齿数，所述预测性维护电路为所述机器产生维护事件警报(例如，便于触发维护事件的至少自动化部分的信号，例如，订购更换部件等)。在实施例中，所述预测性维护电路可处理机器或其旋转部分的操作数据，和/或可处理机器或类似机器的特定旋转组件等的故障数据，从而将特定机器的上下文信息与机器的静态信息，例如轮齿数等，结合到预测中。
在实施例中，可向机器学习电路输入服务组件的轮齿数，例如来自与工业机器集成或集成到工业机器中的RFID组件，例如旋转设备的轮齿数，所述机器学习电路可处理输入以及多个工业机器中的类似服务组件的服务信息。所述机器学习电路可以生成可应用于预测性维护电路处理的预测性维护调整系数，从而生成机器特定预测性维护事件。
在实施例中，预测旋转设备的维护事件可以是预测性维护电路的功能，所述预测性维护电路例如响应机器的可旋转组件的电机转子杆数，所述预测性维护电路为所述机器产生维护事件警报。在实施例中，可向机器学习电路输入服务组件的电机转子杆数，例如来自与工业机器集成或集成到工业机器中的RFID组件，例如旋转设备的电机转子杆数，所述机器学习电路可处理输入以及多个工业机器中的类似服务组件的服务信息。所述机器学习电路可以生成可应用于预测性维护电路处理的预测性维护调整系数，从而生成机器特定预测性维护事件。
在实施例中，预测旋转设备的维护事件可以是预测性维护电路的功能，所述预测性维护电路例如响应代表例如机器的内部可旋转组件的每分钟转数的数据，所述预测性维护电路为所述机器产生维护事件警报。在实施例中，服务组件的RPM数据，例如来自与工业机器集成或集成到工业机器(例如旋转设备)中的RFID组件的RPM数据可输入到机器学习电路，所述机器学习电路可处理输入以及多个工业机器中的类似服务组件的服务信息。所述机器学习电路可以生成可应用于预测性维护电路处理的预测性维护调整系数，从而生成机器特定预测性维护事件。
在实施例中，预测旋转设备的维护事件可以是预测性维护电路的功能，所述预测性维护电路例如响应代表机器的可旋转组件的滚子轴承某一方面的数据，例如，每个滚子的滚珠数、滚珠滚子接触角、内圈尺寸、外圈尺寸、叶片数、槽数、模式形状信息等，所述预测性维护电路为所述机器产生维护事件警报。在实施例中，服务组件的滚子轴承方面的数据，例如来自与工业机器集成或集成到工业机器(例如旋转设备)中的RFID组件的数据可输入到机器学习电路，所述机器学习电路可处理输入以及多个工业机器中的类似服务组件的服务信息。所述机器学习电路可以生成可应用于预测性维护电路处理的预测性维护调整系数，从而生成机器特定预测性维护事件。在实施例中，可从维护事件列表中选择预测维护事件，所述维护事件包括但不限于部件更换、机器子系统更换、校准、深度数据收集、机器保养、机器关机、预防性维护等。
在实施例中，滚子轴承服务组件的至少一个方面可以存储在滚子轴承组件生产信息的数字数据结构的一部分中，该信息通过与滚子轴承组件一同设置到工业机器中的RFID部件检索到。在实施例中，所述数字数据结构的一部分可以针对设置有滚子轴承组件的工业机器。在实施例中，所述数字数据结构的一部分可以通过访问从RFID组件检索到的网络位置检索，并进一步由从所述RFID组件检索到的机器特定标识符。在实施例中，当数据收集设备与所述RFID组件进行短距离无线通信时，可以通过所述数据收集设备的Wi-Fi接口访问所述网络位置。进一步地，在实施例中，当数据收集设备不再与所述RFID组件进行短距离无线通信时，可以通过所述数据收集设备的Wi-Fi接口访问所述网络位置。在实施例中，可以通过向预测性维护系统的应用程序编程接口功能提供从所述RFID组件检索到的机器特定密钥，检索所述数字数据结构的一部分，所述预测性维护系统便于访问存储在工业机器外部的滚子轴承组件生产信息。在实施例中，所述数字数据结构的一部分可包括从所述RFID组件检索到的生产信息。在实施例中，所述电路响应于从所述RFID组件检索所述数字数据结构的一部分而预测所述滚子轴承组件的维护事件，所述RFID组件与执行所述电路的处理器的网络连接无关。仍进一步地，在实施例中，数据收集设备可包括预测性维护电路，所述预测性维护电路响应于从所述RFID组件检索所述数字数据结构的一部分而预测所述滚子轴承组件的维护事件，所述RFID组件与所述数据收集设备的网络连接无关。
参考图326，描述了用于存储旋转部件相关信息的数据结构31000的图，所述信息用于预测与旋转部件相关的工业机器的一部分的维护事件等。旋转组件31002可包括工业机器的特定齿轮、齿轮箱中的齿轮、轴、滚子轴承等。每个旋转组件的参数31004可包括但不限于齿数、齿轮数、齿轮箱中的齿轮类型、转速、滚珠数、座圈尺寸、叶片数等。每个旋转组件-参数组合的值31006可以存储在所述据结构31000中。这种数据结构可代表了存储在与工业机器一起部署的RFID组件上的旋转部件数据的一部分。所述数据结构中的条目数、所述数据结构中的数据类型以及值的格式(例如十进制、十六进制等)可能因需要而有所不同，以支持存储与旋转部件相关的配置、生产和测试信息。
参考图327，示出了表示用于预测旋转部件，例如齿轮、电机、滚子轴承等，的维护事件的方法的流程图，所述方法基于感测到的旋转部件运行状况数据和部件特定的配置信息，例如齿轮齿数、滚子轴承/齿圈尺寸、电机的转子杆数等。方法31100可包括步骤31102，生成用于旋转部件(例如齿轮、电机、滚子轴承等)的运行状况数据流。所述方法31100还可包括步骤31104，访问所述旋转部件的配置信息，例如，从部署有所述旋转部件的工业机器的RFID部件和/或从网络可访问的数据存储设施访问所述旋转部件的配置信息。所述方法31100还可包括步骤31106，预测与维护事件/动作/可能性有关的齿轮、电机和/或滚子轴承中的至少一个。所述方法31100还可包括步骤31108，生成用于预测维护操作的订单，以维护、维修和/或替换预测维护操作/事件的旋转部件。所述方法31100还可包括步骤31110，验证基于所述维护事件的服务数据对所述旋转部件所采取的维护操作，所述维护事件的此类数据可以由处理器接收，例如来自工业机器等的网络服务器。
虽然本文公开的许多特征可以彼此独立地描述，但应当理解的是，在各种实施例中这些特征可以组合。在实施例中，这种组合可指代或包括两种或两种以上的组合：使用移动数据收集器，例如，可穿戴设备、手持设备、移动机器人和/或移动车辆；使用分类账，例如，具有区块链结构，以存储与工业机器预测性维护有关的记录；将振动数据转换或映射为严重度单元；或预测工业机器维护。应当理解的是，根据本发明的实施例，在此未明确说明的特征的其它组合是可能的。
虽然前述书面描述使得本领域技术人员能够制作和使用目前被认为是其最佳模式的内容，但是本领域技术人员将理解并明白本文的具体实施例、方法及示例的变化、组合和等同方案的存在。因此，本公开不应受上述实施例、方法和示例的限制，而是受本公开的范围和精神内的所有实施例和方法的限制。
可以部分或全部通过在处理器上执行计算机软件、程序代码和/或指令的机器部署本文描述的方法和系统。本公开可以实现为机器上的方法、作为机器的一部分或与机器相关的系统或装置、或者实现为在一个或多个机器上执行的计算机可读介质中的计算机程序产品。在实施例中，处理器可以是服务器、云服务器、客户端、网络基础设施、移动计算平台、固定计算平台或其它计算平台的一部分。处理器可以是能够执行程序指令、代码、二进制指令等的任何类型的计算或处理设备。处理器可以是或可以包括信号处理器、数字处理器、嵌入式处理器、微处理器或任何变型，例如协处理器(数学协处理器、图形协处理器、通信协处理器等)等，其可以直接或间接地促进存储在其上的程序代码或程序指令的执行。此外，处理器可以启用多个程序、线程和代码的执行。可以同时执行线程以增强处理器的性能并促进应用程序的同时运行。作为实现方式，可以在一个或多个线程中实现本文描述的方法、程序代码、程序指令等。线程可能会产生其它线程，这些线程可能已经分配了与之关联的优先级；处理器可以基于优先级或基于程序代码中提供的指令的任何其它顺序来执行这些线程。处理器或利用其的任何机器可以包括存储如本文和别处所述的方法、代码、指令和程序的非瞬时性存储器。处理器可以通过接口接入非瞬时性存储介质，所述接口可以存储如本文和别处所述的方法、代码和指令。与处理器相关联的用于存储能够由计算或处理设备执行的方法、程序、代码、程序指令或其它类型的指令的存储介质可以包括但不限于CD-ROM、DVD、存储器、硬盘、闪存驱动器、RAM、ROM、高速缓存等中的一种或多种。
处理器可以包括可增强多处理器的速度和性能的一个或多个核。在实施例中，所述处理器可以是双核处理器、四核处理器、组合两个或更多个独立核(称为晶圆体)的其它芯片级多处理器等。
可以部分或全部通过在服务器、客户端、防火墙、网关、集线器、路由器或其它这样的计算机和/或网络硬件上执行计算机软件的机器部署本文描述的方法和系统。软件程序可以与服务器相关联，服务器可以包括文件服务器、打印服务器、域服务器、互联网服务器、内联网服务器、云服务器以及诸如辅助服务器、主机服务器、分布式服务器等的其它变型。所述服务器可以包括存储器、处理器、计算机可读瞬时和/或非瞬时性介质、存储介质、端口(物理和虚拟)、通信设备和能够通过有线或无线介质等接入其它服务器、客户端、机器和设备的接口中的一种或多种。可以由服务器执行本文和别处描述的方法、程序或代码。另外，执行本申请中描述的方法所需的其它设备可以被视为与服务器相关联的基础设施的一部分。
服务器可以提供到其它设备的接口，包括但不限于客户端、其它服务器、打印机、数据库服务器、打印服务器、文件服务器、通信服务器、分布式服务器、社交网络等。另外，这种耦合和/或连接可以促进跨网络远程执行程序。这些设备中的一些或全部的联网可以促进在一个或多个位置处并行处理程序或方法，且不偏离本发明的范围。此外，通过接口附接到服务器的任何设备可以包括至少一个能够存储方法、程序、代码和/或指令的存储介质。中央存储库可以提供要在不同设备上执行的程序指令。在该实现中，远程存储库可以充当程序代码、指令和程序的存储介质。
软件程序可以与客户端相关联，所述客户端可以包括文件客户端、打印客户端、域客户端、因特网客户端、内联网客户端和其它变体(如辅助客户端、主机客户端、分布式客户端等)。客户端可以包括存储器、处理器、计算机可读瞬时和/或非瞬时性介质、存储介质、端口(物理和虚拟)、通信设备和能够通过有线或无线介质等接入其它客户端、服务器、机器和设备的接口中的一种或多种。本文和别处描述的方法、程序或代码可以由客户端执行。另外，执行本申请中描述的方法所需的其它设备可以被视为与客户端相关联的基础设施的一部分。
客户端可以提供到其它设备的接口，包括但不限于服务器、其它客户端、打印机、数据库服务器、打印服务器、文件服务器、通信服务器、分布式服务器等。另外，这种耦合和/或连接可以促进跨网络远程执行程序。这些设备中的一些或全部的联网可以促进在一个或多个位置处并行处理程序或方法，且不偏离本发明的范围。此外，通过接口附接到客户端的任何设备可以包括至少一个能够存储方法、程序、应用程序、代码和/或指令的存储介质。中央存储库可以提供要在不同设备上执行的程序指令。在该实现中，远程存储库可以充当程序代码、指令和程序的存储介质。
在实施例中，如贯穿本公开所描述的控制器、电路、系统、数据收集器、存储系统、网络元件、组件等中的一个或多个可以具体化在集成电路中或集成电路上，诸如模拟、数字、或者混合信号电路，诸如微处理器、可编程逻辑控制器、专用集成电路、现场可编程门阵列或其它电路，诸如具体化在设置于一个或多个电路板上的一个或多个芯片上，诸如在硬件(具有潜在加速的速度、能量性能、输入输出性能等)中提供本文所述的一个或多个功能。这可能包括在小空间内设置具有高达数十亿逻辑门、触发器、复用器和其它电路的电路，与板级集成相比，有助于高速处理、低功耗和降低制造成本。在实施例中，数字IC(通常是微处理器、数字信号处理器、微控制器等)可以使用布尔(Boolean)代数来处理数字信号以体现复杂逻辑，诸如在本文所述的电路、控制器和其它系统中所涉及的。在实施例中，数据收集器、专家系统、存储系统等可以具体化为数字集成电路(integrated circuit，简称IC)，例如逻辑IC、存储器芯片、接口IC(例如电平移位器、串行器、解串器等)、功率管理IC和/或可编程设备；模拟集成电路，诸如线性IC、RF IC等，或混合信号IC，诸如数据采集IC(包括A/D转换器、D/A转换器、数字电位器)和/或时钟/定时IC。
可以部分或全部通过网络基础设施部署本文描述的方法和系统。网络基础设施可以包括诸如计算设备、服务器、路由器、集线器、防火墙、客户端、个人计算机、通信设备、路由设备和本领域已知的其它有源和无源设备、模块和/或组件之类的元件。除了其它组件之外，与所述网络基础设施相关联的计算和/或非计算设备可以包括诸如闪存、缓冲器、堆栈、RAM、ROM等的存储介质。本文和别处描述的过程、方法、程序代码、指令可以由一个或多个网络基础结构元件执行。本文描述的方法和系统可以用于与任何类型的私有、社区或混合云计算网络或云计算环境一起使用，包括涉及软件即服务(software as a service，简称SaaS)、平台即服务(platform as a service，简称PaaS)和/或基础设施即服务(infrastructure as a service，简称IaaS)的特征的那些。
可以在具有多个蜂窝的蜂窝网络上实现本文和别处描述的方法、程序代码和指令。所述蜂窝网络可以是频分多址(frequency division multiple access，简称FDMA)网络或码分多址(code division multiple access，简称CDMA)网络。蜂窝网络可以包括移动设备、蜂窝站点、基站、中继器、天线、塔等。蜂窝网络可以是GSM、GPRS、3G、EVDO、网状或其它网络类型。
可以在移动设备上或通过移动设备实现本文和别处描述的方法、程序代码和指令。移动设备可以包括导航设备、蜂窝电话、手机、移动个人数字助理、膝上型电脑、掌上电脑、上网本、寻呼机、电子书阅读器、音乐播放器等。除了其它组件之外，这些设备可以包括诸如闪存、缓冲器、RAM、ROM的存储介质和一个或多个计算设备。可以使与移动设备相关联的计算设备能够执行存储在其上的程序代码、方法和指令。可替代地，移动设备可以用于与其它设备协作执行指令。移动设备可以与基站通信，基站与服务器界面配合并且用于执行程序代码。移动设备可以在点对点网络、网状网络或其它通信网络上进行通信。程序代码可以存储在与服务器相关联的存储介质上，并由嵌入在服务器内的计算设备执行。基站可以包括计算设备和存储介质。存储设备可以存储由计算设备执行的程序代码和指令，该计算设备与基站相关联。
可以在机器可读的瞬时和/或非瞬时性介质上存储和/或访问计算机软件、程序代码和/或指令，这些介质可以包括：计算机组件、设备和记录介质，其保留持续某些时间间隔的计算的数字数据；半导体存储器，其称为随机存取存储器(random access memory，简称RAM)；通常用于更永久的存储的大容量存储器，诸如光盘、磁存储器的形式(如硬盘、磁带、鼓式介质、卡和其它类型)；处理器寄存器、高速缓冲存储器、易失性存储器、非易失性存储器；光存储器，诸如CD、DVD；可移动介质，诸如闪存(例如U盘或密钥)、软盘、磁带、纸带、穿孔卡、独立RAM盘、zip驱动器、可移动大容量存储器、离线存储器等等；其它计算机存储器，诸如动态存储器、静态存储器、读/写存储器、可变存储器、只读存储器、随机存取存储器、顺序存取存储器、位置可寻址存储器、文件可寻址存储器、内容可寻址存储器、网络附加存储、存储区域网络、条形码、磁墨等。
本文描述的方法和系统可以将物理和/或无形物品从一种状态转换为另一种状态。本文描述的方法和系统还可以将表示物理和/或无形物品的数据从一种状态转换为另一种状态。
本文描绘和描述的元件，包括贯穿附图的流程图和框图，暗示了元件之间的逻辑边界。然而，根据软件或硬件工程实践，可以通过计算机可执行的瞬时和/或非瞬时性介质在机器上实现所描绘的元件及其功能，该介质具有处理器，该处理器能够执行作为单片软件结构、作为独立软件模块、或作为采用外部例程、代码、服务等的模块、或这些的任何组合存储在其上的程序指令，并且所有这些实现可以在本公开的范围内。这种机器的示例可以包括但不限于个人数字助理、膝上型计算机、个人计算机、手机、其它手持计算设备、医疗设备、有线或无线通信设备、换能器、芯片、计算器、卫星、平板电脑、电子书、小机件、电子设备、具有人工智能的设备、计算设备、网络设备、服务器、路由器等。此外，可以在能够执行程序指令的机器上实现流程图和框图中描绘的元件或任何其它逻辑组件。因此，尽管前述附图和描述阐述了所公开系统的功能方面，但是除非明确说明或从上下文中清楚可知，否则不应从这些描述中推断出用于实现这些功能方面的软件的特定布置。类似地，应当理解，可以改变上面标识和描述的各个步骤，并且步骤的顺序可以适应于本文公开的技术的特定应用。所有这些变化和修改旨在落入本公开的范围内。由此，解释和/或描述各个步骤的顺序不应被理解为要求以特定顺序执行这些步骤，除非特定应用要求，或明确说明或从上下文清楚可知。
可以在硬件、软件或适合于特定应用的硬件和软件的任何组合中实现上述方法和/或过程以及与其相关的步骤。硬件可以包括通用计算机、和/或专用计算设备、或特定计算设备、或特定计算设备的特定方面或组件。可以在一个或多个微处理器、微控制器、嵌入式微控制器、可编程数字信号处理器或其它可编程设备、以及内部和/或外部存储器中实现这些过程。这些过程还可以或替代地具体化在专用集成电路、可编程门阵列、可编程阵列逻辑、或可用于处理电子信号的任何其它设备或设备组合中。还应当理解，一个或多个过程可以实现为能够在机器可读介质上执行的计算机可执行代码。
可以使用结构化编程语言(诸如C语言)、面向对象编程语言(诸如C++语言)、或任何其它高级或低级编程语言(包括汇编语言、硬件描述语言和数据库编程语言)来创建计算机可执行代码，这些语言可以被存储、编译或解释，以运行于上述设备之一、以及处理器的异构组合、处理器架构、或不同硬件和软件的组合、或能够执行程序指令的任何其它机器上。
因此，在一个方面，上述方法及其组合可以具体化在计算机可执行代码中，当在一个或多个计算设备上执行时，计算设备可执行代码执行其步骤。在另一方面，所述方法可以具体化在执行其步骤的系统中，并且可以以多种方式跨设备分布，或者所有功能可以集成到专用的、独立设备或其它硬件中。在另一方面，用于执行与上述过程相关联的步骤的装置可包括上述任何硬件和/或软件。所有这些排列和组合都旨在落入本公开的范围内。
虽然已经结合详细示出和描述的优选实施例公开了本公开，但是对于本领域技术人员来说，各种修改和改进将变得显而易见。因此，本发明的精神和范围不受前述示例的限制，而是应当在法律允许的最广泛意义上理解。
在描述本发明的上下文中(特别是在权利要求的上下文中)使用术语“一个”、“一种”和“所述”以及类似的指示语应被解释为涵盖单数和复数两者，除非本文另有说明或与上下文明显矛盾。除非另有说明，否则术语“包括”、“具有”、“包含”和“含有”应被解释为开放式术语(即，表示“包括但不限于”)。除非本文另有说明，否则本文中对数值范围的叙述仅旨在用作单独提及落入该范围内的每个单独值的简写方法，并且每个单独的值并入本说明书中，如同其在本文中单独引用一样。除非本文另有说明或与上下文明显矛盾，否则本文所述的所有方法可以以任何合适的顺序进行。除非另外声明，否则本文提供的任何和所有示例或示例性语言(例如“诸如”)的使用仅旨在更好地说明本发明，并且不对本发明的范围构成限制。说明书中的任何语言都不应被解释为表明任何未声明的要素对于本公开的实践是必不可少的。
上述方法的实现可以包括软件实现，该软件实现使用存储在非瞬时性机器可读介质上的软件指令。如上文在文本和附图中描述的过程和协议足以使本领域技术人员在这样的软件实现中实现它们。在一些示例中，使用在客户端节点上实现各种功能的通用处理器，软件可以在客户端节点(例如智能手机)上执行。在端节点或中间网络节点上执行的软件可以使用专用于处理网络流量的处理器，例如嵌入在网络处理设备中的处理器。在一些实现中，可以用硬件实现某些功能，例如，使用专用集成电路(Application-SpecificIntegrated Circuit，简称ASIC)和/或现场可编程门阵列(Field Programmable GateArray，简称FPGA)，从而减少通用处理器上的负载。
注意，在本发明的一些图表和附图中，诸如因特网、运营商网络、因特网服务提供商网络、局域网(local area network，简称LAN)、城域网(metro area network，简称MAN)、广域网(wide area network，简称WAN)、存储区域网络(storage area network，简称SAN)、回程网络、蜂窝网络、卫星网络等网络可以被描绘为云。还应注意，某些过程可以被称为在云中发生，并且设备可以被描述为接入云。在这些类型的描述中，云应该被理解为某种类型的网络，其包括网络设备以及无线和/或有线链路。
以上描述可以是指与服务器通信的客户端设备，但是应当理解，本文描述的技术不限于那些作为通信连接或会话端点的示例性设备。端点也可以称为或可以是发送器、发射机、收发器、接收机、服务器、视频服务器、内容服务器、代理服务器、云存储单元、高速缓存、路由器、交换机、缓冲器、移动设备、平板电脑、智能手机、手机、计算机、机顶盒、调制解调器、游戏系统、节点、卫星、基站、网关、卫星地面站、无线接入点等。位于通信连接或会话的任何端点或中间节点处的设备可以是商业媒体流式传输盒，诸如实现Apple TV(苹果电视)、Roku、Chromecast(谷歌电视棒)、Amazon Fire、Slingbox(视灵宝)等的那些，或者它们可以是自定义流媒体盒。位于通信连接或会话的任何端点或中间节点处的设备可以是智能电视和/或显示器、智能电器，诸如集线器、冰箱、安全系统、电源面板等、智能车辆，诸如汽车、船、公共汽车、火车、飞机、推车等，并且可以是物联网(IoT)上的任何设备。位于通信连接或会话的任何端点或中间节点处的设备可以是单板计算机和/或专用计算引擎，其包括处理器(诸如ARM处理器、视频处理器、片上系统(system-on-a-chip，简称SoC)、和/或存储器(诸如随机存取存储器(random access memory，简称RAM)、只读存储器(read onlymemory，简称ROM)或任何种类的电子存储器组件))。
通信连接或会话可以存在于两个路由器、两个客户端、两个网络节点、两个服务器、两个移动设备等、或者潜在节点和/或端点设备的任何组合之间。在许多情况下，通信会话是双向的，因此两个端点设备都可以具有发送和接收数据的能力。尽管可能未在本公开中的每个描述和示例性实施例中明确说明这些变化，但应理解，本文中描述的技术旨在应用于所有类型的已知终端设备、网络节点和设备及传输链路，以及具有类似或改进性能的未来的终端设备、网络节点和设备及传输链路。
可以部分或全部通过在处理器上执行计算机软件、程序代码和/或指令的机器部署本文描述的方法和系统。本公开可以实现为机器上的方法、作为机器的一部分或与机器相关的系统或装置、或者实现为在一个或多个机器上执行的计算机可读介质中的计算机程序产品。在实施例中，处理器可以是服务器、云服务器、客户端、网络基础设施、移动计算平台、固定计算平台或其它计算平台的一部分。处理器可以是能够执行程序指令、代码、二进制指令等的任何类型的计算或处理设备。处理器可以是或可以包括信号处理器、数字处理器、嵌入式处理器、微处理器或任何变型，例如协处理器(数学协处理器、图形协处理器、通信协处理器等)等，其可以直接或间接地促进存储在其上的程序代码或程序指令的执行。此外，处理器可以启用多个程序、线程和代码的执行。可以同时执行线程以增强处理器的性能并促进应用程序的同时运行。作为实现方式，可以在一个或多个线程中实现本文描述的方法、程序代码、程序指令等。线程可能会产生其它线程，这些线程可能已经分配了与之关联的优先级；处理器可以基于优先级或基于程序代码中提供的指令的任何其它顺序来执行这些线程。处理器或利用其的任何机器可以包括存储如本文和别处所述的方法、代码、指令和程序的非瞬时性存储器。处理器可以通过接口接入非瞬时性存储介质，所述接口可以存储如本文和别处所述的方法、代码和指令。与处理器相关联的用于存储能够由计算或处理设备执行的方法、程序、代码、程序指令或其它类型的指令的存储介质可以包括但不限于CD-ROM、DVD、存储器、硬盘、闪存驱动器、RAM、ROM、高速缓存等中的一种或多种。
处理器可以包括可增强多处理器的速度和性能的一个或多个核。在实施例中，所述处理器可以是双核处理器、四核处理器、组合两个或更多个独立核(称为晶圆体)的其它芯片级多处理器等。
可以部分或全部通过在服务器、客户端、防火墙、网关、集线器、路由器或其它这样的计算机和/或网络硬件上执行计算机软件的机器部署本文描述的方法和系统。软件程序可以与服务器相关联，服务器可以包括文件服务器、打印服务器、域服务器、互联网服务器、内联网服务器、云服务器以及诸如辅助服务器、主机服务器、分布式服务器等的其它变型。所述服务器可以包括存储器、处理器、计算机可读瞬时和/或非瞬时性介质、存储介质、端口(物理和虚拟)、通信设备和能够通过有线或无线介质等接入其它服务器、客户端、机器和设备的接口中的一种或多种。可以由服务器执行本文和别处描述的方法、程序或代码。另外，执行本申请中描述的方法所需的其它设备可以被视为与服务器相关联的基础设施的一部分。
服务器可以提供到其它设备的接口，包括但不限于客户端、其它服务器、打印机、数据库服务器、打印服务器、文件服务器、通信服务器、分布式服务器、社交网络等。另外，这种耦合和/或连接可以促进跨网络远程执行程序。这些设备中的一些或全部的联网可以促进在一个或多个位置处并行处理程序或方法，且不偏离本发明的范围。另外，通过接口附接到服务器的任何设备可以包括至少一个能够存储方法、程序、代码和/或指令的存储介质。中央存储库可以提供要在不同设备上执行的程序指令。在该实现中，远程存储库可以充当程序代码、指令和程序的存储介质。
软件程序可以与客户端相关联，客户端可以包括文件客户端、打印客户端、域客户端、因特网客户端、内联网客户端、以及诸如辅助客户端、主机客户端、分布式客户端等的其它变型。客户端可以包括存储器、处理器、计算机可读瞬时和/或非瞬时性介质、存储介质、端口(物理和虚拟)、通信设备和能够通过有线或无线介质等接入其它客户端、服务器、机器和设备的接口中的一种或多种。本文和别处描述的方法、程序或代码可以由客户端执行。另外，执行本申请中描述的方法所需的其它设备可以被视为与客户端相关联的基础设施的一部分。
客户端可以提供到其它设备的接口，包括但不限于服务器、其它客户端、打印机、数据库服务器、打印服务器、文件服务器、通信服务器、分布式服务器等。另外，这种耦合和/或连接可以促进跨网络远程执行程序。这些设备中的一些或全部的联网可以促进在一个或多个位置处并行处理程序或方法，且不偏离本发明的范围。另外，通过接口附接到客户端的任何设备可以包括至少一个能够存储方法、程序、应用程序、代码和/或指令的存储介质。中央存储库可以提供要在不同设备上执行的程序指令。在该实现中，远程存储库可以充当程序代码、指令和程序的存储介质。
可以部分或全部通过网络基础设施部署本文描述的方法和系统。网络基础设施可以包括诸如计算设备、服务器、路由器、集线器、防火墙、客户端、个人计算机、通信设备、路由设备和本领域已知的其它有源和无源设备、模块和/或组件之类的元件。除了其它组件之外，与所述网络基础设施相关联的计算和/或非计算设备可以包括诸如闪存、缓冲器、堆栈、RAM、ROM等的存储介质。本文和别处描述的过程、方法、程序代码、指令可以由一个或多个网络基础结构元件执行。本文描述的方法和系统可以用于与任何类型的私有、社区或混合云计算网络或云计算环境一起使用，包括涉及软件即服务(SaaS)、平台即服务(PaaS)和/或基础设施即服务(IaaS)的特征的那些。
可以在具有多个蜂窝的蜂窝网络上实现本文和别处描述的方法、程序代码和指令。所述蜂窝网络可以是频分多址(FDMA)网络或码分多址(CDMA)网络。蜂窝网络可以包括移动设备、蜂窝站点、基站、中继器、天线、塔等。蜂窝网络可以是GSM、GPRS、3G、EVDO、网状或其它网络类型。
可以在移动设备上或通过移动设备实现本文和别处描述的方法、程序代码和指令。移动设备可以包括导航设备、蜂窝电话、手机、移动个人数字助理、膝上型电脑、掌上电脑、上网本、寻呼机、电子书阅读器、音乐播放器等。除了其它组件之外，这些设备可以包括诸如闪存、缓冲器、RAM、ROM的存储介质和一个或多个计算设备。可以使与移动设备相关联的计算设备能够执行存储在其上的程序代码、方法和指令。可替代地，移动设备可以用于与其它设备协作执行指令。移动设备可以与基站通信，基站与服务器界面配合并且用于执行程序代码。移动设备可以在点对点网络、网状网络或其它通信网络上进行通信。程序代码可以存储在与服务器相关联的存储介质上，并由嵌入在服务器内的计算设备执行。基站可以包括计算设备和存储介质。存储设备可以存储由计算设备执行的程序代码和指令，该计算设备与基站相关联。
可以在机器可读的瞬时和/或非瞬时性介质上存储和/或访问计算机软件、程序代码和/或指令，这些介质可以包括：计算机组件、设备和记录介质，其保留持续某些时间间隔的计算的数字数据；半导体存储器，其称为随机存取存储器(RAM)；通常用于更永久的存储的大容量存储器，诸如光盘、磁存储器的形式(如硬盘、磁带、鼓式介质、卡和其它类型)；处理器寄存器、高速缓冲存储器、易失性存储器、非易失性存储器；光存储器，诸如CD、DVD；可移动介质，诸如闪存(例如U盘或密钥)、软盘、磁带、纸带、穿孔卡、独立RAM盘、zip驱动器、可移动大容量存储器、离线存储器等等；其它计算机存储器，诸如动态存储器、静态存储器、读/写存储器、可变存储器、只读存储器、随机存取存储器、顺序存取存储器、位置可寻址存储器、文件可寻址存储器、内容可寻址存储器、网络附加存储、存储区域网络、条形码、磁墨等。
本文描述的方法和系统可以将物理和/或无形物品从一种状态转换为另一种状态。本文描述的方法和系统还可以将表示物理和/或无形物品的数据从一种状态转换为另一种状态。
本文描绘和描述的元件，包括贯穿附图的流程图和框图，暗示了元件之间的逻辑边界。然而，根据软件或硬件工程实践，可以通过计算机可执行的瞬时和/或非瞬时性介质在机器上实现所描绘的元件及其功能，该介质具有处理器，该处理器能够执行作为单片软件结构、作为独立软件模块、或作为采用外部例程、代码、服务等的模块、或这些的任何组合存储在其上的程序指令，并且所有这些实现可以在本公开的范围内。这种机器的示例可以包括但不限于个人数字助理、膝上型计算机、个人计算机、手机、其它手持计算设备、医疗设备、有线或无线通信设备、换能器、芯片、计算器、卫星、平板电脑、电子书、小机件、电子设备、具有人工智能的设备、计算设备、网络设备、服务器、路由器等。此外，可以在能够执行程序指令的机器上实现流程图和框图中描绘的元件或任何其它逻辑组件。因此，尽管前述附图和描述阐述了所公开系统的功能方面，但是除非明确说明或从上下文中清楚可知，否则不应从这些描述中推断出用于实现这些功能方面的软件的特定布置。类似地，应当理解，可以改变上面标识和描述的各个步骤，并且步骤的顺序可以适应于本文公开的技术的特定应用。所有这些变化和修改旨在落入本公开的范围内。由此，解释和/或描述各个步骤的顺序不应被理解为要求以特定顺序执行这些步骤，除非特定应用要求，或明确说明或从上下文清楚可知。
可以在硬件、软件或适合于特定应用的硬件和软件的任何组合中实现上述方法和/或过程以及与其相关的步骤。硬件可以包括通用计算机、和/或专用计算设备、或特定计算设备、或特定计算设备的特定方面或组件。可以在一个或多个微处理器、微控制器、嵌入式微控制器、可编程数字信号处理器或其它可编程设备、以及内部和/或外部存储器中实现这些过程。这些过程还可以或替代地具体化在专用集成电路、可编程门阵列、可编程阵列逻辑、或可用于处理电子信号的任何其它设备或设备组合中。还应当理解，一个或多个过程可以实现为能够在机器可读介质上执行的计算机可执行代码。
可以使用结构化编程语言(诸如C语言)、面向对象编程语言(诸如C++语言)、或任何其它高级或低级编程语言(包括汇编语言、硬件描述语言和数据库编程语言)来创建计算机可执行代码，这些语言可以被存储、编译或解释，以运行于上述设备之一、以及处理器的异构组合、处理器架构、或不同硬件和软件的组合、或能够执行程序指令的任何其它机器上。
因此，在一个方面，上述方法及其组合可以具体化在计算机可执行代码中，当在一个或多个计算设备上执行时，计算设备可执行代码执行其步骤。在另一方面，所述方法可以具体化在执行其步骤的系统中，并且可以以多种方式跨设备分布，或者所有功能可以集成到专用的、独立设备或其它硬件中。在另一方面，用于执行与上述过程相关联的步骤的装置可包括上述任何硬件和/或软件。所有这些排列和组合都旨在落入本公开的范围内。
在描述本发明的上下文中(特别是在权利要求的上下文中)使用术语“一个”、“一种”和“所述”以及类似的指示语应被解释为涵盖单数和复数两者，除非本文另有说明或与上下文明显矛盾。除非另有说明，否则术语“包括”、“具有”、“包含”和“含有”应被解释为开放式术语(即，表示“包括但不限于”)。除非本文另有说明，否则本文中对数值范围的叙述仅旨在用作单独提及落入该范围内的每个单独值的简写方法，并且每个单独的值并入本说明书中，如同其在本文中单独引用一样。除非本文另有说明或与上下文明显矛盾，否则本文所述的所有方法可以以任何合适的顺序进行。除非另外声明，否则本文提供的任何和所有示例或示例性语言(例如“诸如”)的使用仅旨在更好地说明本发明，并且不对本发明的范围构成限制。说明书中的任何语言都不应被解释为表明任何未声明的要素对于本公开的实践是必不可少的。
权利要求中没有明确说明用于执行指定功能的“装置”或用于执行指定功能的“步骤”的任何要素不应被解释为美国法典35U.S.C§112(f)中规定的“装置”或“步骤”条款。特别地，权利要求中对“步骤”的任何使用并非旨在援引美国法典35U.S.C§112(f)的规定。
本领域普通技术人员可以理解，可以有许多设计配置以享受本发明系统的功能益处。因此，鉴于本发明实施例的各种配置和布置，本发明的范围反映于权利要求，而非限制于上述实施例。
应理解，前述描述旨在说明而非限制本发明的范围，本发明的一些方面由所附权利要求的范围限定。此外，其它实施例在权利要求的范围内。

Claims (1223)

1.一种工业机器预测性维护系统，包括：
工业机器数据分析设施，其通过对表示工业机器各部分状况的数据应用机器学习生成工业机器运行状况监测数据流，所述表示工业机器各部分状况的数据是通过数据收集网络接收的；
工业机器预测性维护设施，其通过对所述运行状况监测数据应用机器故障检测和分类算法产生工业机器服务建议以响应所述运行状况监测数据；
计算机维护管理系统，其产生对服务和部件的订购和请求中的至少一个以响应接收到所述工业机器服务建议；以及
服务和交付协调设施，其接收和处理关于对工业机器执行的服务的信息以响应对服务和部件的订购和请求中的所述至少一个，从而验证执行的所述服务，同时为各个工业机器产生服务活动和结果的分类账。
2.根据权利要求1所述的工业机器预测性维护系统，还包括：
工人查找设施，其通过将所述建议中关于待执行的至少一个服务的信息与工业服务工人数据库中工业服务工人的经验和专有技术中的至少一个相关联，来识别至少一位候选工人以执行所述工业机器服务建议指示的服务。
3.根据权利要求2所述的工业机器预测性维护系统，还包括：
在处理器上执行的机器学习算法，其基于在类似工业机器上执行的多个服务的服务相关信息以及由所述至少一位候选工人执行的多个服务的工人相关信息来改进所述关联。
4.根据权利要求1所述的工业机器预测性维护系统，其中所述服务和交付协调设施验证待在所述各个工业机器上执行的所述服务，同时为所述各个工业机器中的每一个生成服务活动和结果的所述分类账。
5.根据权利要求1所述的工业机器预测性维护系统，其中所述分类账使用区块链结构来跟踪对服务和部件的所述订购和所述请求中的所述至少一个中的每一个的交易记录，其中每个记录被存储为所述区块链结构中的区块。
6.根据权利要求5所述的工业机器预测性维护系统，其中所述计算机维护管理系统通过将发货就绪、安装、操作传感器数据、服务事件、部件订购、服务订购或诊断活动中的至少一个的数据与所述分类账中最近生成的区块的散列组合来生成所述分类账的后续区块。
7.根据权利要求1所述的工业机器预测性维护系统，还包括：
计算机视觉系统，其使用由一个或多个数据捕获设备捕获的原始数据生成一个或多个图像数据集，并且基于所述一个或多个图像数据集检测所述各个工业机器中的至少一个的运行特征。
8.根据权利要求7所述的工业机器预测性维护系统，其中所述运行特征与针对所述各个工业机器中的所述至少一个的至少一部分检测到的振动关联，其中所述工业机器预测性维护设施根据针对所述检测到的振动计算出的严重度单元确定所述工业机器服务建议。
9.根据权利要求8所述的工业机器预测性维护系统，其中通过确定所述检测到的振动的频率、确定多段振动频谱中限定所述检测到的振动范围的分段以及基于所述确定的分段计算所述检测到的振动的所述严重度单元，来为工业机器的所述检测到的振动计算所述严重度单元。
10.根据权利要求9所述的工业机器预测性维护系统，其中通过基于所述确定的分段将所述检测到的振动映射到多个严重度单元中的一个来确定多段振动频谱中限定所述检测到的振动范围的分段，其中所述严重度单元中的每一个对应于所述多段振动频谱的不同范围。
11.根据权利要求10所述的工业机器预测性维护系统，其中当所述捕获的振动的所述频率对应于所述多段振动频谱的低端拐点阈值范围以下时，所述检测到的振动映射到第一严重度单元，其中当所述捕获的振动的所述频率对应于所述多段振动频谱的中间范围时，所述检测到的振动映射到第二严重度单元，其中当所述捕获的振动的所述频率对应于所述多段振动频谱的高端拐点阈值范围以上时，所述检测到的振动映射到第三严重度单元。
12.根据权利要求8所述的工业机器预测性维护系统，其中所述严重度单元指示所检测到的振动可导致所述工业机器的至少所述一部分出现故障，其中所述工业机器服务建议包括用于防止或减轻所述故障的建议，其中对服务和部件的所述订购和所述请求中的所述至少一个针对用于防止或减轻所述故障的部件或服务。
13.一种系统，包括：
工业机器预测性维护设施，其通过对工业机器运行状况监测数据应用机器故障检测和分类算法产生工业机器服务建议；
工人查找设施，其通过将所述建议中关于待执行的至少一个服务的信息与工业服务工人数据库中工业服务工人的经验和专有技术中的至少一个相关联，来识别至少一位候选工人以执行所述工业机器服务建议指示的服务；以及
在处理器上执行的机器学习算法，其基于在类似工业机器上执行的多个服务的服务相关信息以及由所述至少一位候选工人执行的多个服务的工人相关信息来改进所述关联。
14.根据权利要求13所述的系统，还包括：
工业机器数据分析设施，其通过对表示工业机器各部分状况的数据应用机器学习生成所述工业机器运行状况监测数据流，所述表示工业机器各部分状况的数据是通过数据收集网络接收的。
15.根据权利要求13所述的系统，还包括：
计算机维护管理系统，其产生对服务和部件的订购和请求中的至少一个以响应接收到所述工业机器服务建议。
16.根据权利要求15所述的系统，还包括：
服务和交付协调设施，其接收和处理关于对工业机器执行的服务的信息以响应对服务和部件的订购和请求中的所述至少一个，从而验证执行的所述服务，同时为各个工业机器产生服务活动和结果的分类账。
17.根据权利要求16所述的系统，其中所述服务和交付协调设施验证待在所述各个工业机器上执行的所述服务，同时为所述各个工业机器中的每一个生成服务活动和结果的分类账，其中所述分类账使用区块链结构来跟踪对服务和部件的所述订购和所述请求中的所述至少一个中的每一个的交易记录，其中每个记录被存储为所述区块链结构中的区块。
18.根据权利要求17所述的系统，其中所述计算机维护管理系统通过将发货就绪、安装、操作传感器数据、服务事件、部件订购、服务订购或诊断活动中的至少一个的数据与所述分类账中最近生成的区块的散列组合来生成所述分类账的后续区块。
19.根据权利要求13所述的系统，还包括：
移动数据收集器群，其包括一个或多个移动数据收集器，用于收集所述运行状况监测数据，其中所述运行状况监测数据表示位于工业环境中的一个或多个工业机器的状况。
20.根据权利要求19所述的系统，还包括：
自组织系统，其控制所述一个或多个移动数据收集器在所述工业环境内的移动。
21.根据权利要求20所述的系统，其中所述自组织系统向所述一个或多个移动数据收集器发送对所述运行状况监测数据的请求，其中所述移动数据收集器向所述自组织系统发送所述运行状况监测数据以响应所述请求，其中所述自组织系统向所述工业机器预测性维护设施发送所述运行状况监测数据。
22.根据权利要求19所述的系统，还包括：
数据收集路由器，当所述移动数据收集器接近所述数据收集路由器时，所述数据收集路由器从所述一个或多个移动数据收集器接收所述运行状况监测数据，其中所述数据收集路由器将所述运行状况监测数据传输到所述工业机器预测性维护设施。
23.根据权利要求22所述的系统，其中所述一个或多个移动数据收集器将所述运行状况监测数据推送到所述数据收集路由器。
24.根据权利要求22所述的系统，其中所述数据收集路由器从所述一个或多个移动数据收集器提取所述运行状况监测数据。
25.根据权利要求19所述的系统，其中所述一个或多个移动数据收集器中的每个移动数据收集器是下列各项中的一种：包括一个或多个集成传感器的移动机器人、包括一个或多个耦合传感器的移动机器人、具有一个或多个集成传感器的移动车辆，或具有一个或多个耦合传感器的移动车辆。
26.一种系统，包括：
工业机器维护部件和服务订购设施，其准备和控制对部件和服务的订购以响应从工业机器预测性维护设施接收的服务建议，所述工业机器预测性维护设施通过对工业机器运行状况监测数据应用机器故障检测和分类算法产生工业机器服务建议；以及
计算机维护管理系统，其分析与所述服务建议相关联的程序，以生成对部件和服务的所述订购中的至少一个。
27.根据权利要求26所述的系统，还包括：
工业机器数据分析设施，其通过对表示工业机器各部分状况的数据应用机器学习生成所述工业机器运行状况监测数据流，所述表示工业机器各部分状况的数据是通过数据收集网络接收的。
28.根据权利要求27所述的系统，其中所述服务和交付协调设施验证待在所述工业机器上执行的所述服务，同时为所述工业机器中的每一个生成服务活动和结果的分类账。
29.根据权利要求28所述的系统，其中所述分类账使用区块链结构来跟踪对服务和部件的所述订购和请求中的所述至少一个中的每一个的交易记录，其中每个记录被存储为所述区块链结构中的区块。
30.根据权利要求29所述的系统，其中所述CMMS通过将发货就绪、安装、操作传感器数据、服务事件、部件订购、服务订购或诊断活动中的至少一个的数据与所述分类账中最近生成的区块的散列组合来生成所述分类账的后续区块。
31.根据权利要求27所述的系统，还包括：
计算机视觉系统，其使用由一个或多个数据捕获设备捕获的原始数据生成一个或多个图像数据集，并且基于所述一个或多个图像数据集检测所述工业机器中的至少一个的运行特征。
32.根据权利要求31所述的系统，其中所述运行特征涉及针对所述工业机器中的所述至少一个的至少一部分检测到的振动，其中所述工业机器预测性维护设施根据针对所述检测到的振动计算出的严重度单元产生所述工业机器服务建议，其中通过确定所述检测到的振动的频率、确定多段振动频谱中限定所述检测到的振动范围的分段以及基于所述确定的分段计算所述检测到的振动的所述严重度单元，来为工业机器的所述检测到的振动计算所述严重度单元。
33.根据权利要求26所述的系统，还包括：
移动数据收集器群，其包括一个或多个移动数据收集器，用于收集所述运行状况监测数据，其中所述运行状况监测数据表示位于工业环境中的一个或多个工业机器的状况。
34.根据权利要求33所述的系统，还包括：
自组织系统，其控制所述一个或多个移动数据收集器在所述工业环境内的移动。
35.根据权利要求34所述的系统，其中所述自组织系统向所述一个或多个移动数据收集器发送对所述运行状况监测数据的请求，其中所述移动数据收集器向所述自组织系统发送所述运行状况监测数据以响应所述请求，其中所述自组织系统向所述工业机器预测性维护设施发送所述运行状况监测数据。
36.一种系统，包括：
智能RFID元件，用于通过与至少一个传感器进行通信耦合，捕获工业机器的一部分的操作、物理和诊断结果信息并将所述信息存储到非易失性计算机可读存储介质中，其中所述至少一个传感器用于监测所述工业机器的所述一部分的状况；
所述智能RFID元件还用于接收和组织信息并存储到所述非易失性计算机可读存储介质中，其中所述信息使得能够为所述工业机器执行至少一个服务程序。
37.根据权利要求36所述的系统，其中所述智能RFID用于促进分层访问关于所述工业机器的信息，包括可直接从所述工业机器的根条目访问的多个部分，其中所述多个可直接访问的部分中的每一个被构造成针对一个部分存储选自列表的条目，所述列表由生产信息、部件信息、质量信息、安装信息、验证信息、程序信息、操作信息和装配信息构成。
38.根据权利要求37所述的系统，其中所述生产信息包括针对装配日期、装配位置、机器型号、机器序列号、机器装配时间、机器装配工单编号、客户和所述工业机器各部分图像的条目。
39.根据权利要求37所述的系统，其中所述程序信息包括选自列表的程序条目，所述列表由校准、关机、调节、装配、安全检查、图像捕获、预防性维护、部件维修、部件更换和拆卸构成。
40.根据权利要求36所述的系统，其中所述系统还包括通过处理器可访问的数据存储元件，所述数据存储元件包括存储在包括所述智能RFID元件的多个智能RFID元件中的信息的副本，其中每个信息副本包括存储在所述多个智能RFID元件中的相应一个中的所述信息的孪生副本。
41.根据权利要求36所述的系统，其中所述智能RFID元件包括在增强型数据收集设备中。
42.一种在工业机器的智能RFID中配置生产数据的方法，包括：
将智能RFID配置具有工业机器的一部分，以捕获所述工业机器的相应部分的操作、物理和诊断结果信息并将所述信息存储到非易失性计算机可读存储介质中；
将所述智能RFID与所述工业机器的处理器和至少一个传感器进行通信耦合，所述至少一个传感器用于监测所述工业机器的所述一部分的状况；
与所述处理器一起执行所述工业机器的所述一部分的自测试，并在所述智能RFID中存储所述自测试的结果；
通过生产接入点将所述工业机器耦合到测试系统网络和工业机器生产服务器；以及
利用所述测试系统对所述工业机器的所述一部分执行生产测试，所述测试的结果以副本形式存储在所述智能RFID上和所述生产服务器的处理器可访问的数据存储设施中。
43.根据权利要求42所述的方法，其中存储在所述数据存储设施中的所述测试结果的所述副本是所述智能RFID的所述对应部分的孪生副本。
44.根据权利要求42所述的方法，其中所述智能RFID用于促进分层访问关于所述工业机器的信息，包括可直接从所述工业机器的根条目访问的多个部分，其中所述多个可直接访问的部分中的每一个被构造成针对一个部分存储选自列表的条目，所述列表由生产信息、部件信息、质量信息、安装信息、验证信息、程序信息、操作信息和装配信息构成。
45.根据权利要求44所述的方法，其中所述生产信息包括针对装配日期、装配位置、机器型号、机器序列号、机器装配时间、机器装配工单编号、客户和所述工业机器各部分图像的条目。
46.根据权利要求44所述的方法，其中所述程序信息包括选自列表的程序条目，所述列表由校准、关机、调节、装配、安全检查、图像捕获、预防性维护、部件维修、部件更换和拆卸构成。
47.根据权利要求42所述的方法，其中所述系统还包括通过处理器可访问的数据存储元件，所述数据存储元件包括存储在包括所述智能RFID元件的多个智能RFID元件中的信息的副本，其中每个信息副本包括存储在所述多个智能RFID元件中的相应一个中的所述信息的孪生副本。
48.根据权利要求42所述的方法，其中所述智能RFID包括在增强型数据收集设备中。
49.一种包括市场的工业机器预测性维护系统，包括：
多个部件供应商计算系统，用于维护工业机器服务市场信息，所述工业机器服务市场信息涉及供应销售的工业机器部件；
多个服务供应商计算系统，用于维护工业机器服务市场信息，所述工业机器服务市场信息涉及所供应的工业机器服务；
至少一个计算机维护管理系统，用于促进访问所述市场上提供的服务、部件、材料和工具中的至少一个以响应工业机器预测性维护系统提供的工业机器维护建议；
多个物流供应商计算系统，用于维护工业机器服务市场信息，所述工业机器服务市场信息涉及所述市场中提供的运输和物流服务中的至少一个。
50.根据权利要求49所述的工业机器预测性维护系统，其中所述多个部件供应商、服务供应商和物流供应商中的每一个通过所述市场的至少一个应用程序编程接口，直接在所述市场中维护其供应的产品或服务的相应信息。
51.根据权利要求49所述的工业机器预测性维护系统，其中所述计算机维护管理系统基于规范将部件、服务和物流的供应与工业机器所有者相适应，所述规范建立于对所述部件、服务和物流的先前订购的分析。
52.根据权利要求49所述的工业机器预测性维护系统，其中维护所述工业机器服务市场信息为工业机器执行的运输和物流服务中的至少一个中的每一个产生服务活动的分类账。
53.根据权利要求52所述的工业机器预测性维护系统，其中所述分类账使用区块链结构来跟踪运输和物流服务中的至少一个中的每一个的交易记录，其中每个记录被存储为所述区块链结构中的区块。
54.根据权利要求53所述的工业机器预测性维护系统，其中所述计算机维护管理系统通过将发货就绪、安装、操作传感器数据、服务事件、部件订购、服务订购或诊断活动中的至少一个的数据与所述分类账中最近生成的区块的散列组合来生成所述分类账的后续区块。
55.一种系统，包括：
多个计算系统，用于执行一个或多个预测性维护操作；
所述多个计算系统的一部分，其通过点对点通信网络连接；以及
工业机器维护操作的记录，所述操作包括所述预测性维护操作的一部分，其中所述多个计算系统的所述一部分将所述记录作为分布式分类账操作。
56.根据权利要求55所述的系统，其中所述计算系统中的所述一部分的计算系统执行工业机器数据分析并将所述分析的结果提供给所述记录。
57.根据权利要求55所述的系统，其中所述计算系统中的所述一部分的计算系统执行工业机器预测性维护建议并将所述建议的一部分提供给所述记录。
58.根据权利要求55所述的系统，其中所述计算系统中的所述一部分的计算系统执行工业机器维护订购管理并将关于工业机器订购的信息提供给所述记录。
59.根据权利要求55所述的系统，其中所述计算系统中的所述一部分的计算系统执行工业机器服务操作的服务交付和跟踪并将关于服务交付和跟踪的信息提供给所述记录。
60.根据权利要求55所述的系统，其中所述计算系统中的所述一部分的计算系统与工业机器一起部署并将从与所述工业机器一起部署的传感器收集的信息提供给所述记录。
61.根据权利要求55所述的系统，其中所述计算系统中的所述一部分的计算系统执行工业机器操作规程，并将工业机器操作规程提供给所述记录。
62.一种系统，包括：
多个计算系统，用于执行一个或多个预测性维护操作；
所述多个计算系统的一部分，其通过点对点通信网络连接；以及
基于角色的控制，其用于访问工业机器维护操作的记录，所述记录包括所述预测性维护操作的一部分，其中所述多个计算系统的所述一部分将所述记录作为分布式分类账操作。
63.根据权利要求62所述的系统，其中用于访问记录的所述基于角色的控制识别所有者角色，所述所有者角色包括个人和实体中的至少一个，所述个人和实体中的至少一个拥有工业机器的至少一部分，所述工业机器的至少一部分的预测性维护操作在所述分布式分类账中可访问。
64.根据权利要求62所述的系统，其中用于访问记录的所述基于角色的控制识别制造商角色，所述制造商角色包括个人和实体中的至少一个，所述个人和实体中的至少一个已经生产所述工业机器的至少一部分，所述工业机器的至少一部分的预测性维护操作在所述分布式分类账中可访问。
65.根据权利要求62所述的系统，其中用于访问记录的所述基于角色的控制识别操作者角色，所述操作者角色包括个人和实体中的至少一个，所述个人和实体中的至少一个提供工业机器的使用权限，所述使用权限的预测性维护操作在所述分布式分类账中可访问。
66.根据权利要求62所述的系统，其中用于访问记录的所述基于角色的控制识别部件供应商角色，所述部件供应商角色包括个人和实体中的至少一个，所述个人和实体中的至少一个为工业机器提供至少一个工业机器部件，所述至少一个工业机器部件的预测性维护操作在所述分布式分类账中可访问。
67.根据权利要求62所述的系统，其中用于访问记录的所述基于角色的控制识别服务供应商角色，所述服务供应商角色包括个人和实体中的至少一个，所述个人和实体中的至少一个提供选自工业服务列表的服务，所述工业服务由用于工业机器的预防性维护和维修、紧急维修和升级的合同构成，所述服务的预测性维护操作在所述分布式分类账中可访问。
68.根据权利要求62所述的系统，其中用于访问记录的所述基于角色的控制识别区域服务代理人角色，所述区域服务代理人角色包括区域实体，所述区域实体在特定国家中促进对工业机器的自动化服务活动，所述自动化服务活动的预测性维护操作在所述分布式分类账中可访问。
69.一种对工业机器的一部分进行图像捕获的方法，包括：
更新用于执行对工业机器实施预测性维护操作的服务的程序以响应满足对所述工业机器的一部分进行图像捕获的触发条件；
在电子显示器中提供图像捕获模板，所述图像捕获模板叠加在所述工业机器的一部分的实时图像上，以促进图像捕获；
应用增强现实，所述增强现实指示所述实时图像与所述模板的对准程度；
检查使用具有机器视觉的所述更新程序捕获的图像，以确定所述捕获图像中存在的所述机器中的至少一个部件；以及
响应于所述检查的结果，操作图像捕获奖励设施以生成所述捕获图像的奖励。
70.根据权利要求69所述的方法，其中所述更新响应于基于对工业机器故障数据的分析的触发条件，使得所述分析建议在更新用于执行所述服务的所述程序之前捕获所述程序中未指定的图像。
71.根据权利要求69所述的方法，其中所述更新响应于对符合预测性维护标准的工业机器执行所述服务的程序，所述预测性维护标准与待捕获图像的所述工业机器的所述一部分相关联。
72.根据权利要求69所述的方法，其中所述触发条件包括与正在执行服务程序的所述工业机器相关联的工业机器的类型，以及从捕获所述工业机器的所述部分的图像后的持续时间。
73.根据权利要求69所述的方法，其中所述触发条件涉及针对工业机器的至少一部分所检测到的振动，其中根据针对所述检测到的振动确定的严重度单元产生工业机器服务建议。
74.根据权利要求73所述的方法，其中通过确定所述检测到的振动的频率、确定多段振动频谱中限定所述检测到的振动范围的分段以及基于所述确定的分段计算所述检测到的振动的所述严重度单元，来为所述工业机器的所述检测到的振动计算所述严重度单元。
75.根据权利要求74所述的方法，其中通过基于所述确定的分段将所述检测到的振动映射到多个严重度单元中的一个来确定所述多段振动频谱中限定所述检测到的振动范围的分段，其中所述严重度单元中的每一个对应于所述多段振动频谱的不同范围。
76.根据权利要求75所述的方法，其中当所述捕获的振动的所述频率对应于所述多段振动频谱的低端拐点阈值范围以下时，所述检测到的振动映射到第一严重度单元，其中当所述捕获的振动的所述频率对应于所述多段振动频谱的中间范围时，所述检测到的振动映射到第二严重度单元，其中当所述捕获的振动的所述频率对应于所述多段振动频谱的高端拐点阈值范围以上时，所述检测到的振动映射到第三严重度单元。
77.一种基于机器学习的部件识别方法，包括：
将目标部件成像模板应用于图像验证程序，所述图像验证程序确定所捕获的图像是否满足图像捕获验证标准；
通过使用图像分析规则处理捕获的图像来执行图像分析，所述图像分析规则有助于检测到图像中存在的工业机器候选部件；
基于候选部件与所述工业机器部件的图像的相似性，将所述候选部件中的一个或多个部件识别为所述工业机器的部件；
基于从所述识别部件的机器学习产生的反馈，调整所述目标部件模板、所述图像分析规则和所述部件识别中的至少一个，从而改进图像捕获、图像分析和部件识别中的至少一个。
78.根据权利要求77所述的方法，其中从与所述工业机器一起设置的智能RFID元件检索所述工业机器的所述部件的所述图像。
79.根据权利要求77所述的方法，其中从与所述工业机器一起设置的智能RFID元件的网络存储数字孪生副本中检索所述工业机器的所述部件的所述图像。
80.根据权利要求77所述的方法，其中由所述机器学习产生的所述反馈促进更新与所述工业机器一起部署的智能RFID中的所述部件的最近捕获的图像。
81.根据权利要求77所述的方法，其中使用计算机视觉系统来执行所述方法中的部分或全部。
82.根据权利要求81所述的方法，其中所述计算机视觉系统使用捕获的原始数据生成一个或多个图像数据集，在所述一个或多个图像数据集表示的感兴趣点内识别与所述工业机器的一部分对应的一个或多个值，将所述一个或多个值与对应预测值进行比较，基于所述一个或多个值与所述对应预测值的所述比较生成方差数据集，基于所述方差数据检测所述工业机器的运行特征，并生成指示所述运行特征的所述检测的数据。
83.一种预测性维护系统，包括：
预测性维护知识系统，其促进收集、发现、捕获、传播、管理和处理关于工业机器的信息，以便于对工业机器采取预测性维护操作，所述预测性维护知识系统包括：
用于从服务供应商、部件供应商、材料供应商和机器使用调度员接收信息的多个接口；
用于向服务订购设施、部件订购设施、服务管理设施和服务筹资设施发送信息的多个接口；以及
用于连接到多个工业机器上的智能RFID元件的多个接口；
预测性维护知识图谱，其促进所述预测性维护知识系统通过数据域中的链路访问关于工业机器的预测性维护服务的信息，所述数据域包括服务供应商、部件供应商、服务请求、服务估计、机器时间表和维护活动预测；
其中所述预测性维护知识系统生成服务建议，基于价格的服务选项，价格估计和服务估计中的至少一个。
84.根据权利要求83所述的预测性维护系统，还包括：
计算机维护管理系统，其产生对服务和部件的订购和请求中的至少一个以响应接收服务建议、基于价格的服务选项、价格估计和服务估计中的所述至少一个。
85.根据权利要求84所述的预测性维护系统，还包括：
服务和交付协调设施，其接收和处理关于对工业机器执行的服务的信息以响应对服务和部件的订购和请求中的所述至少一个，从而验证执行的所述服务，同时为各个工业机器产生服务活动和结果的分类账。
86.根据权利要求85所述的预测性维护系统，其中所述服务和交付协调设施验证待在所述各个工业机器上执行的所述服务，同时为所述各个工业机器中的每一个生成服务活动和结果的所述分类账。
87.根据权利要求85所述的预测性维护系统，其中所述分类账使用区块链结构来跟踪对服务和部件的所述订购和所述请求中的所述至少一个中的每一个的交易记录，其中每个记录被存储为所述区块链结构中的区块。
88.根据权利要求87所述的预测性维护系统，其中所述计算机维护管理系统通过将来自发货就绪，安装、操作传感器数据、服务事件、部件订购、服务订购或诊断活动中的至少一个的数据与所述分类账中最近生成的区块的散列相组合来生成所述分类账的后续区块。
89.一种方法，包括：
通过检测与机器故障相关的多个诊断测试的结果中的模式中的至少一个以及诊断测试结果与机器故障的相似性，改善对工业机器执行的所述多个诊断测试的所述结果与相似工业机器故障的故障信息之间的相关性，其中单一类型的机器故障与所述诊断测试的子集的故障结果相关。
90.根据权利要求89所述的方法，其中所述机器故障对应于针对所述工业机器检测到的振动的严重度。
91.根据权利要求90所述的方法，还包括确定针对工业机器检测到的振动的严重度，其中所述确定所述严重度包括：
从移动数据收集器接收振动数据，所述振动数据表示所述工业机器的至少一部分的所述检测到的振动，所述移动数据收集器包括用于捕获所述振动数据的至少一个振动传感器；
通过处理所述捕获的振动数据来确定所述检测到的振动的频率；
基于所述频率，确定多段振动频谱中限定所述检测到的振动范围的分段；以及
基于所述确定的分段，为所述检测到的振动计算严重度单元。
92.根据权利要求91所述的方法，其中所述移动数据收集器是可穿戴设备。
93.根据权利要求91所述的方法，其中所述移动数据收集器是手持设备。
94.根据权利要求91所述的方法，其中所述移动数据收集器是移动车辆。
95.根据权利要求91所述的方法，其中所述移动数据收集器是移动机器人。
96.根据权利要求91所述的方法，还包括：
基于所述严重度单元生成指示所述机器故障的信号。
97.一种方法，包括：
通过收集关于工业机器服务供应商提供的工业机器服务的反馈并将所述反馈与多个评级标准进行比较来确定所述服务供应商的评级，所述多个评级标准包括在完成至少一个工业机器服务之后执行的诊断测试的结果，调度所述服务供应商、所提供服务的成本、所述服务供应商的及时性、所述服务供应商的清洁度、对所述至少一个工业机器服务程序的遵守度以及所述服务供应商使用所述程序和所述工业机器中的至少一个的经验度；以及
通过对供应商评级结果应用机器学习并在评级供应商时结合所述机器学习的输出来改善供应商评级结果与评级标准之间的相关性。
98.根据权利要求97所述的方法，还包括：
通过收集所述服务供应商对工业机器服务程序的反馈并将所述反馈与多个评级标准进行比较来确定所述程序的评级，所述多个评级标准包括所述程序易访问性、易转换性、指导价值、内容准确性、序列准确性、所述程序易遵循性以及对非程序操作的依赖性。
99.根据权利要求98所述的方法，还包括：
通过对程序评级结果应用机器学习并且在程序评级过程时结合所述机器学习的输出来改善程序评级结果与评级标准的相关性。
100.根据权利要求97所述的方法，其中所述诊断测试对应于针对所述工业机器检测到的振动的严重度。
101.根据权利要求100所述的方法，其中确定针对所述工业机器检测到的振动的严重度包括：
从移动数据收集器接收振动数据，所述振动数据表示所述工业机器的至少一部分的振动，所述移动数据收集器包括用于捕获所述振动数据的至少一个振动传感器；
通过处理所述捕获振动数据来确定所述捕获振动的频率；
基于所述频率，确定多段振动频谱中限定所述捕获振动范围的分段；以及
基于所述确定的分段，为所述捕获振动计算严重度单元。
102.根据权利要求101所述的方法，还包括：
基于所述严重度单元生成指示机器故障的信号。
103.一种方法，包括：
通过收集使用工业机器服务程序执行工业机器服务的服务供应商对所述程序的反馈并将所述反馈与多个评级标准进行比较来确定所述程序的评级，所述多个评级标准包括所述程序易访问性、易转换性、指导价值、内容准确性、序列准确性、所述程序易遵循性以及对非程序操作的依赖性；
通过对程序评级结果应用机器学习并且在程序评级过程时结合所述机器学习的输出来改善程序评级结果与评级标准的相关性。
104.根据权利要求103所述的方法，还包括：
通过收集关于工业机器服务供应商提供的工业机器服务的反馈并将所述反馈与多个评级标准进行比较来确定所述服务供应商的评级，所述多个评级标准包括在完成至少一个工业机器服务之后执行的诊断测试的结果，调度所述服务供应商、所提供服务的成本、所述服务供应商的及时性、所述服务供应商的清洁度、对所述至少一个工业机器服务程序的遵守度以及所述服务供应商使用所述程序和所述工业机器中的至少一个的经验度。
105.根据权利要求104所述的方法，还包括：
通过对供应商评级结果应用机器学习并在评级供应商时结合所述机器学习的输出来改善供应商评级结果与评级标准之间的相关性。
106.根据权利要求103所述的方法，其中所述工业机器程序对应于用于检测所述工业机器的振动严重度的诊断测试。
107.根据权利要求106所述的方法，其中确定针对所述工业机器检测到的振动的严重度包括：
从移动数据收集器接收振动数据，所述振动数据表示所述工业机器的至少一部分的振动，所述移动数据收集器包括用于捕获所述振动数据的至少一个振动传感器；
通过处理所述捕获振动数据来确定所述捕获振动的频率；
基于所述频率，确定多段振动频谱中限定所述捕获振动范围的分段；以及
基于所述确定的分段，为所述捕获振动计算严重度单元。
108.根据权利要求107所述的方法，还包括：
基于所述严重度单元生成指示机器故障的信号。
109.一种集聚工业机器信息的方法，包括：
通过生成启动区块来启动用于特定工业机器的工业机器信息的区块链；以及
通过将发货就绪、安装、操作传感器数据、服务事件、部件订购、服务订购和诊断活动中的至少一个的数据与所述区块链中最近生成的区块的散列相组合来生成所述特定工业机器区块链的后续区块。
110.根据权利要求109所述的方法，还包括生成所述区块链的第一区块，所述第一区块具有关于所述特定工业机器的发货就绪信息和所述区块链的所述启动区块的散列。
111.根据权利要求110所述的方法，还包括生成所述区块链的第二区块，所述第二区块具有关于所述特定工业机器的安装信息和所述第一区块的散列。
112.根据权利要求111所述的方法，还包括生成所述区块链的第三区块，所述第三区块具有关于所述特定工业机器的操作传感器信息和所述第二区块的散列。
113.根据权利要求112所述的方法，还包括生成所述区块链的第四区块，所述第四区块具有关于所述特定工业机器的服务事件信息和所述第三区块的散列。
114.根据权利要求113所述的方法，还包括生成所述区块链的第五区块，所述第五区块具有关于所述特定工业机器的部件和服务订购信息和所述第四区块的散列。
115.根据权利要求114所述的方法，还包括生成所述区块链的第六区块，所述第六区块具有关于所述特定工业机器的诊断活动信息和所述第五区块的散列。
116.一种用于从振动数据预测服务事件的方法，包括：
从至少一个振动传感器捕获振动数据，所述至少一个振动传感器设置为捕获工业机器的一部分的振动；
确定所述捕获振动的频率、振幅和重力中的至少一个；
基于所述捕获振动的所述频率来确定多段振动频谱中限定所述捕获振动范围的分段；
基于所述确定的分段以及所述振幅的峰值或所述重力中的至少一个来计算所述捕获振动的振动严重度单元；以及
在预测性维护电路中生成信号，以基于所述严重度单元对所述工业机器的所述部分执行维护操作。
117.根据权利要求116所述的方法，其中基于将所述捕获振动的所述频率与所述多段振动频谱的中间分段的上限和下限进行比较来确定所述分段。
118.根据权利要求116所述的方法，其中所述多段振动频谱的第一分段包括低于所述多段振动频谱的中间分段的下限的确定频率值。
119.根据权利要求118所述的方法，其中所述多段振动频谱的所述中间分段的所述下限是1200kHz。
120.根据权利要求116所述的方法，其中所述多段振动频谱的第二分段包括高于所述多段振动频谱的中间分段的上限的确定频率值。
121.根据权利要求120所述的方法，其中所述多段振动频谱的所述中间分段的所述上限是18000kHz。
122.根据权利要求116所述的方法，其中计算振动严重度单元包括：通过将多个严重度标准化参数中的一个乘以中间范围严重度界限，并将所述严重度值映射到所述确定分段的多个严重度单元范围中的一个，来确定严重度值。
123.根据权利要求122所述的方法，其中通过将所述捕获振动的所述频率除以所述多段振动频谱的中间分段的低端频率值，来计算所述多个标准化值中的第一严重度标准化值。
124.根据权利要求123所述的方法，其中当所述捕获振动的所述频率小于所述低端频率值时，所述多个严重度标准化参数中的所述一个包括所述第一严重度标准化值。
125.根据权利要求122所述的方法，其中通过将所述多段振动频谱的中间分段的高端频率值除以所述捕获振动的所述频率来计算所述多个标准化值的第二严重程度标准化值。
126.根据权利要求125所述的方法，其中当所述捕获振动的所述频率大于所述高端频率值时，所述多个严重度标准化参数中的所述一个包括所述第二严重度标准化值。
127.根据权利要求116所述的方法，其中所述多段振动频谱的第一分段基于所述捕获振动的所述幅度分成多个严重度单元。
128.根据权利要求116所述的方法，其中所述多段振动频谱的第二分段基于所述捕获振动的所述重力分成多个严重度单元。
129.根据权利要求116所述的方法，其中所述振动严重度单元是基于所述多段振动频谱的第一分段内所确定振动频率的所述捕获振动的所述幅度的峰值位移来确定的。
130.根据权利要求116所述的方法，其中所述振动严重度单元是基于所述多段振动频谱的第二分段内所确定振动频率的所述捕获振动的所述重力来确定的。
131.根据权利要求116所述的方法，其中所述工业机器的所述部分是移动部件。
132.根据权利要求116所述的方法，其中所述工业机器的所述部分是支撑移动部件的结构构件。
133.根据权利要求116所述的方法，其中所述工业机器的所述部分是电机。
134.根据权利要求116所述的方法，其中所述工业机器的所述部分是驱动轴。
135.一种用于从振动数据预测服务事件的系统，包括：
工业机器，其包括至少一个振动传感器，所述振动传感器设置为捕获所述工业机器的一部分的振动；
振动分析电路，其与所述至少一个振动传感器通信，并产生所述捕获振动的频率、峰值幅度和重力中的至少一个；
多段振动频谱结构，其促进将所述捕获振动映射到多段振动频率的一个振动频率段；
严重度单元算法，其接收所述捕获振动的所述频率和所述对应振动频率段，并产生严重度值，所述严重度值映射到针对所述对应振动频率段限定的多个严重度单元中的一个；以及
信号生成电路，其接收所述多个严重度单元中的所述一个严重度单元，并基于所述一个严重度单元向预测性维护服务器发送信号，指示对所述工业机器的所述部分执行相应维护操作。
136.根据权利要求135所述的系统，其中当所述捕获振动的所述频率对应于所述多段振动频谱的低端拐点阈值范围以下时，所述多段振动频谱结构促进将所述检测到的振动映射到第一严重度单元。
137.根据权利要求135所述的系统，其中当所述捕获振动的所述频率对应于所述多段振动频谱的中间范围时，所述多段振动频谱结构促进将所述检测到的振动映射到第二严重度单元。
138.根据权利要求135所述的系统，其中当所述捕获振动的所述频率对应于所述多段振动频谱的高端拐点阈值范围以上时，所述多段振动频谱结构促进将所述检测到的振动映射到第三严重度单元。
139.根据权利要求135所述的系统，其中所述严重度单元指示所述检测到的振动可导致所述工业机器的至少所述一部分出现故障。
140.根据权利要求135所述的系统，其中所述多段振动频谱的第一分段基于所述捕获振动的所述幅度分成多个严重度单元。
141.根据权利要求135所述的系统，其中所述多段振动频谱的第二分段基于所述捕获振动的所述重力分成多个严重度单元。
142.根据权利要求135所述的系统，其中所述严重度单元是基于所述多段振动频谱的第一分段内所确定振动频率的所述捕获振动的所述幅度的峰值位移来确定的。
143.根据权利要求135所述的系统，其中所述严重度单元是基于所述多段振动频谱的第二分段内所确定振动频率的所述捕获振动的所述重力来确定的。
144.根据权利要求135所述的系统，其中所述工业机器的所述部分是移动部件。
145.根据权利要求135所述的系统，其中所述工业机器的所述部分是支撑移动部件的结构构件。
146.根据权利要求135所述的系统，其中所述工业机器的所述部分是电机。
147.根据权利要求135所述的系统，其中所述工业机器的所述部分是驱动轴。
148.一种方法，包括：
以流采样速率对信号进行采样，从而产生所述信号的多个采样；
利用信号路由电路将所述信号的所述多个采样中的第一部分分配给第一信号分析电路，所述第一部分是基于第一信号分析采样速率选择的，所述第一信号分析采样速率小于所述流采样速率；
利用信号路由电路将所述信号的所述多个采样中的第二部分分配给第二信号分析电路，所述第二部分是基于第二信号分析采样速率选择的，所述第二信号分析采样速率小于所述流采样速率；以及
存储所述信号的所述多个采样、所述第一信号分析电路的输出和所述第二信号分析电路的输出，其中在所述存储的多个采样中的所述分配的第一部分和在所述存储的多个采样中的所述分配的第二部分被标记有引用所述对应存储信号分析输出的标记。
149.根据权利要求148所述的方法，其中利用所述信号路由电路分配包括基于所述信号分析采样速率与所述流采样速率的比率整合多个采样。
150.根据权利要求148所述的方法，其中利用所述信号路由电路分配包括基于所述信号分析采样速率与所述流采样速率的比率来选择所述信号的采样。
151.根据权利要求148所述的方法，其中所述流采样速率是所述信号主频率的至少两倍。
152.根据权利要求148所述的方法，其中所述信号分析采样速率与所述流采样速率的比率决定所述第一信号分析电路和所述第二信号分析电路的所述输出的数据的补充二进制位数。
153.根据权利要求152所述的方法，其中当所述流采样速率是所述信号分析采样速率的至少两倍且小于四倍时，所述补充二进制位数包括1。
154.根据权利要求152所述的方法，其中当所述流采样速率是所述信号分析采样速率的至少四倍且小于八倍时，所述补充二进制位数包括2。
155.一种系统，包括：
传感器，其检测工业机器的状况，所述传感器产生随时间变化且基本上对应于所述状况的信号；
模数转换器，其接收所述信号并以至少两倍于所述信号主频率的流采样速率对所述信号进行采样，所述采样信号以数据值序列形式从所述模数转换器输出；以及
至少一个数字信号路由器，其接收所述数据值序列和子采样速率，其中所述子采样速率低于所述流采样速率，并且产生至少一个数据子采样输出序列，所述产生包括基于所述子采样速率以及所述流采样速率与所述子采样速率的比率中的至少一个从所述采样序列选择采样。
156.根据权利要求155所述的系统，还包括数据存储设施，其接收所述数据值序列和从所述子采样输出序列导出的分析数据值集合，其中所述分析数据值集合与所述数据值序列相关联地存储，使得所述数据值序列中对应于所述子采样输出序列的数据值被标记有引用所述对应分析数据值集合的标记。
157.根据权利要求155所述的系统，其中产生所述至少一个子采样输出序列包括基于所述子采样速率与所述流采样速率的比率整合所述数据值序列中的多个采样。
158.根据权利要求155所述的系统，其中产生所述至少一个子采样输出序列包括基于所述子采样速率与所述流采样速率的比率来选择所述信号的采样。
159.根据权利要求155所述的系统，其中所述流采样速率是所述信号主频率的至少两倍。
160.根据权利要求155所述的系统，其中所述子采样速率与所述流采样速率的所述比率决定所述子采样输出序列中的补充二进制位数。
161.根据权利要求160所述的系统，其中当所述流采样速率是所述子采样速率的至少两倍且小于四倍时，所述补充二进制位数包括1。
162.根据权利要求160所述的系统，其中当所述流采样速率是所述子采样速率的至少四倍且小于八倍时，所述补充二进制位数包括2。
163.一种预测工业机器维护事件的方法，包括：
通过对表示工业机器各部分状况的数据应用机器学习来生成工业机器运行状况监测数据流，表示所述状况的数据包括所述工业机器的至少一个移动部件的振动数据，并通过数据收集网络接收；
从与所述工业机器一起设置的数据存储设备访问所述工业机器的所述至少一个移动部件的移动部件特定配置信息；
通过应用机器故障检测和分类算法，预测工业机器服务建议以响应所述运行状况监测数据和所述部件特定配置信息；
产生对服务和部件的订购和请求中的至少一个以响应接收到所述工业机器服务建议；以及
接收和处理关于对工业机器执行的服务的信息以响应对服务和部件的订购和请求中的所述至少一个，从而验证执行的所述服务，同时为各个工业机器产生服务活动和结果的分类账。
164.根据权利要求163所述的方法，其中所述工业机器服务建议用于工业机器。
165.根据权利要求163所述的方法，其中所述工业机器服务建议用于所述至少一个移动部件。
166.根据权利要求165所述的方法，其中所述至少一个移动部件是机器的旋转部件。
167.根据权利要求165所述的方法，其中所述至少一个移动部件设置在机器的齿轮箱中。
168.根据权利要求165所述的方法，其中所述至少一个移动部件是所述工业机器的齿轮。
169.根据权利要求168所述的方法，其中应用机器故障检测算法包括：调整表示工业机器维护建议的参考数据，以响应将所述工业机器的所述齿轮的轮齿的计数与所述参考数据中的相应齿轮的轮齿的计数进行比较。
170.根据权利要求169所述的方法，其中正在调整的所述参考数据是通过所述工业机器维护建议识别的维护事件的定时。
171.根据权利要求168所述的方法，其中应用机器故障检测算法包括：调整表示用于相似工业机器的工业机器维护建议的数据，以响应将所述工业机器的所述齿轮的轮齿的计数与所述相似机器的相应齿轮的轮齿的计数进行比较。
172.根据权利要求171所述的方法，其中正在调整的所述相似工业机器数据是通过所述工业机器维护建议识别的维护事件的定时。
173.一种工业机器预测性维护系统，包括：
工业机器数据分析电路，其通过对表示工业机器齿轮状况的数据应用机器学习生成工业机器运行状况监测数据流，所述表示工业机器齿轮状况的数据是通过数据收集网络接收的；
与所述工业机器一起设置的数据存储设备，所述设备存储所述工业机器的至少一个齿轮的齿轮特定信息；
工业机器齿轮预测性维护电路，其访问所述齿轮特定配置信息，并通过对所述运行状况监测数据和所述齿轮特定信息应用机器故障检测和分类算法产生工业机器齿轮服务建议以响应所述运行状况监测数据和所述齿轮特定信息；
计算机维护管理系统，其产生对服务和部件的订购和请求中的至少一个以响应接收所述工业机器齿轮服务建议；以及
服务和交付跟踪系统，其接收和处理关于对工业机器齿轮执行的服务的信息以响应对服务和部件的订购和请求中的所述至少一个，从而验证执行的所述服务，同时为各个工业机器齿轮产生服务活动和结果的分类账。
174.根据权利要求173所述的系统，其中所述工业机器预测性维护电路响应于机器部件的轮齿的计数，所述预测性维护电路为所述计数产生服务建议。
175.根据权利要求174所述的系统，其中所述部件是旋转部件。
176.根据权利要求174所述的系统，其中所述部件是齿轮。
177.根据权利要求174所述的系统，其中所述工业机器包括齿轮箱，并且轮齿的所述计数针对设置在所述齿轮箱中的齿轮。
178.根据权利要求173所述的系统，其中所述预测性维护电路处理所述机器的旋转部件和相似机器的相应旋转部件的操作和故障数据。
179.根据权利要求173所述的系统，其中所述预测性维护电路应用机器学习来处理至少一个工业机器的服务部件的轮齿的计数以及多个工业机器上的相似服务部件的服务信息，从而产生预测性维护调整系数。
180.根据权利要求179所述的系统，其中所述预测性维护电路应用所述调整系数，从而产生机器特定预测性维护建议。
181.根据权利要求173所述的系统，其中所述工业机器预测性维护电路响应于旋转连接到机器服务组件的电机的转子条的计数，所述预测性维护电路为所述计数产生服务建议。
182.根据权利要求173所述的系统，其中所述预测性维护电路处理旋转连接到所述机器电机的服务部件和相似机器的相应服务组件的操作和故障数据。
183.根据权利要求173所述的系统，其中所述预测性维护电路应用机器学习，以处理旋转连接到所述工业机器的服务组件的电机的转子条的计数以及多个工业机器上相似旋转连接的服务组件的服务信息，从而产生预测性维护调整系数。
184.根据权利要求183所述的系统，其中所述预测性维护电路应用所述调整系数，从而产生机器特定预测性维护建议。
185.根据权利要求173所述的系统，其中所述工业机器预测性维护电路响应于表示连接到机器服务组件的至少一个内部机器组件的每分钟转数的数据，所述预测性维护电路为所述数据产生服务建议。
186.根据权利要求173所述的系统，其中所述预测性维护电路处理与所述机器的服务组件和相似机器的相应服务组件相关联的操作每分钟转数数据和故障数据。
187.根据权利要求173所述的系统，其中所述预测性维护电路应用机器学习处理表示连接到所述工业机器的服务组件的至少一个内部机器组件的每分钟转数的数据以及多个工业机器上相似连接的服务组件的服务信息，从而产生预测性维护调整系数。
188.根据权利要求187所述的系统，其中所述预测性维护电路应用所述调整系数，从而产生机器特定预测性维护建议。
189.一种滚子轴承预测性维护系统，包括：
滚子轴承数据分析电路，其通过对表示与工业机器集成的滚子轴承的状况的数据应用机器学习来生成滚子轴承运行状况监测数据流，所述数据通过数据收集网络接收；
与所述工业机器一起设置的数据存储设备，所述设备存储所述工业机器的至少一个滚子轴承的滚子轴承特定信息；
滚子轴承预测性维护电路，其通过对所述运行状况监测数据和所述滚子轴承特定信息应用机器故障检测和分类算法产生滚子轴承服务建议，以响应所述运行状况监测数据和所述滚子轴承特定信息；
计算机维护管理系统，其产生对服务和部件的订购和请求中的至少一个以响应接收所述滚子轴承服务建议；以及
服务和交付跟踪系统，其接收和处理关于对滚子轴承执行的服务的信息以响应对服务和部件的订购和请求中的所述至少一个，从而验证执行的所述服务，同时为各个工业机器产生服务活动和结果的分类账。
190.根据权利要求189所述的系统，其中所述滚子轴承预测性维护电路预测滚子轴承组件的维护事件，以响应选自列表的所述滚子轴承组件的至少一个方面，所述列表由每个滚子的滚珠数、滚珠对滚子的接触角、内圈尺寸、外圈尺寸、轮叶数、槽数和振型信息构成。
191.根据权利要求190所述的系统，其中所述预测性维护事件选自维护事件列表，所述维修事件由部件更换、机器子系统更换、校准、深度数据收集、机器保养、机器关机和预防性维护。
192.根据权利要求190所述的系统，其中所述滚子轴承部件的所述至少一个方面包括滚子轴承部件生产信息的数字数据结构的一部分，所述数字数据结构的一部分是通过与所述滚子轴承组件一起设置到工业机器的RFID组件检索的。
193.根据权利要求192所述的系统，其中所述数字数据结构的所述部分是通过将从所述RFID组件检索的机器特定密钥提供给预测性维护系统的应用程序编程接口功能来检索的，所述应用程序编程接口功能促进访问存储在所述工业机器外部的滚子轴承组件生产信息。
194.根据权利要求192所述的系统，其中所述数字数据结构的所述部分包括从所述RFID组件检索的生产信息。
195.根据权利要求192所述的系统，其中所述电路预测所述滚子轴承组件的维护事件，以响应从所述RFID组件检索所述数字数据结构的所述部分，所述检索与执行所述电路的处理器的网络连通性无关。
196.根据权利要求192所述的系统，其中增强型数据收集设备包括所述预测性维护电路。
197.根据权利要求196所述的系统，其中所述增强型数据收集设备预测所述滚子轴承部件的维护事件，以响应从所述RFID组件检索所述数字数据结构的所述部分，所述检索与所述数据收集设备的网络连通性无关。
198.根据权利要求192所述的系统，其中所述滚子轴承预测性维护电路包含在移动数据收集设备中。
199.根据权利要求198所述的系统，其中所述移动数据收集设备利用从所述RFID组件收集的数据来操作所述滚子轴承预测性维护电路，以生成至少一个滚子轴承预测性维护建议。
200.根据权利要求199所述的系统，其中所述数字数据结构的所述部分针对与所述滚子轴承组件一起设置的所述工业机器。
201.根据权利要求199所述的系统，其中所述数字数据结构的所述部分通过访问从所述RFID组件检索的网络位置来检索并通过从所述RFID组件检索的机器特定标识符进一步索引。
202.根据权利要求201所述的系统，其中当数据收集设备与所述RFID组件进行短距离无线通信时，通过所述数据收集设备的Wi-Fi接口访问所述网络位置。
203.根据权利要求202所述的系统，其中当数据收集设备不再与所述RFID组件进行短距离无线通信时，通过所述数据收集设备的Wi-Fi接口访问所述网络位置。
204.一种对工业机器组件的振动影响确定标准化严重度指标的方法，包括：
从至少一个振动传感器捕获振动数据，所述至少一个振动传感器设置为捕获工业机器的一部分的振动；
确定所述捕获振动的频率、峰值幅度和重力；
基于所述确定的频率确定多段振动频谱中限定所述捕获振动范围的频率范围特定段；
基于所述确定的分段以及所述峰值幅度或重力中的至少一个来计算所述捕获振动数据的振动严重度等级；以及
在预测性维护电路中生成信号，以基于所述振动严重度等级对所述工业机器的所述部分执行维护操作。
205.根据权利要求204所述的方法，其中所述产生的信号激活所述组件的维护预测的监视状态。
206.根据权利要求204所述的方法，其中所述产生的信号激活所述组件的维护预测的重新测量状态。
207.根据权利要求204所述的方法，其中所述生成的信号激活所述组件的维护预测的及时操作状态。
208.根据权利要求204所述的方法，其中所述产生的信号激活所述组件的维护预测的立即操作状态。
209.根据权利要求204所述的方法，其中所述多段振动频谱包括频率值低于第二分段低端值的第一分段和频率值高于第二分段高端值的第三分段。
210.根据权利要求209所述的方法，其中所述低端值和所述高端值中的至少一个根据所述工业机器的所述组件的类型进行配置。
211.根据权利要求210所述的方法，其中确定频率范围特定段包括确定所述工业机器的所述组件的类型并调整所述低端值和所述高端值中的至少一个。
212.根据权利要求204所述的方法，其中生成用于执行维护操作的信号包括基于对所述捕获振动数据的包络处理对所述振动严重度等级进行加权。
213.根据权利要求204所述的方法，其中确定所述捕获振动的频率、峰值幅度和重力包括对所述捕获振动数据进行包络处理并将所述包络处理后的振动数据的至少一个振动峰值映射到所述多段振动频谱。
214.根据权利要求204所述的方法，其中所述工业机器的所述一部分包括计算了振动严重度等级的多个组件，其中生成信号是基于为所述多个组件计算的所述振动严重度等级的集合。
215.一种用于分析振动数据的系统，包括：
图形用户界面；
视觉表示，用于表示在所述图形用户界面中渲染的工业机器的至少一部分；以及
至少一个视觉指示，用于指示在所述图形用户界面中渲染的所述工业机器的所述一部分的至少一个组件的严重度等级，
其中，响应于用户在所述用户界面中对所述视觉指示进行选择，通过激活从所述图形用户界面中的弹出窗口中的组件严重度等级信息的数据集中检索所述至少一个组件的严重度等级信息的功能，在所述图形用户界面中渲染所述视觉指示。
216.根据权利要求215所述的系统，其中所述工业机器的所述一部分的所述至少一个组件的所述严重度等级由下列各项确定：
在计算设备处从所述移动数据收集器接收表示所述工业机器的所述至少一部分的所述振动的振动数据；
所述计算设备通过处理所述捕获振动数据来确定所述捕获振动的频率；
所述计算设备基于所述频率确定多段振动频谱中限定所述捕获振动范围的分段；以及
所述计算设备基于所述确定的分段为所述捕获振动计算严重度单元。
217.根据权利要求216所述的系统，其中基于所述确定的分段为所述捕获振动计算严重度单元包括：
基于所述确定的分段将所述捕获振动通过如下方式映射到所述严重度单元：
当所述捕获振动的所述频率对应于所述多段振动频谱的低端拐点阈值范围以下时，将所述捕获振动的所述频率映射到第一严重度单元；
当所述捕获振动的所述频率对应于所述多段振动频谱的中间范围时，将所述捕获振动的频率映射到第二严重度单元；以及
当所述捕获振动的所述频率对应于所述多段振动频谱的高端拐点阈值范围以上时，将所述捕获振动映射到第三严重度单元。
218.根据权利要求215所述的系统，其中所述严重程度等级表示与所述捕获振动数据相关联的状况对所述工业机器的所述部分的所述至少一个组件的影响。
219.根据权利要求215所述的系统，其中所述工业机器的所述一部分的所述至少一个组件是移动部件。
220.根据权利要求215所述的系统，其中所述工业机器的所述一部分的所述至少一个组件是支撑移动部件的结构构件。
221.根据权利要求215所述的系统，其中所述工业机器的所述一部分的所述至少一个组件是电机。
222.根据权利要求215所述的系统，其中所述工业机器的所述一部分的所述至少一个组件是驱动轴。
223.一种用于确定工业机器部件的振动影响的标准化严重度指标的系统，包括：
数据集，其包括从至少一个振动传感器捕获的振动数据，所述至少一个振动传感器设置为捕获工业机器的一部分的振动；
振动数据分析电路，用于确定所述捕获振动的频率、峰值幅度和重力；
多段振动频谱，其基于所述确定的频率限定所述捕获振动至一频率分段内；
振动严重度等级计算电路，其基于所述确定的分段以及所述峰值幅度和所述重力中的至少一个来计算所述捕获振动数据的振动严重度等级；以及
预测性维护信号生成电路，其用于基于所述振动严重度等级激活所述工业机器的所述一部分的维护操作信号。
224.根据权利要求223所述的系统，其中所述维护操作信号激活所述组件的维护预测的监视状态。
225.根据权利要求223所述的系统，其中所述维护操作信号激活所述组件的维护预测的重新测量状态。
226.根据权利要求223所述的系统，其中所述维护操作信号激活所述组件的维护预测的及时操作状态。
227.根据权利要求223所述的系统，其中所述维护操作信号激活所述组件的维护预测的立即操作状态。
228.根据权利要求223所述的系统，其中所述多段振动频谱包括频率值低于第二分段低端值的第一分段和频率值高于第二分段高端值的第三分段。
229.根据权利要求228所述的系统，其中所述低端值和所述高端值中的至少一个根据所述工业机器的所述组件的类型进行配置。
230.根据权利要求229所述的系统，其中基于所述工业机器的所述组件的类型调整限定所述捕获振动范围的所述多段振动频谱，包括调整所述低端值和所述高端值中的至少一个。
231.根据权利要求230所述的系统，其中所述捕获振动数据包括包络处理后的振动数据。
232.根据权利要求230所述的系统，其中所述振动数据分析电路还对所述捕获振动数据进行包络处理，并将所述包络处理后的振动数据的至少一个振动峰值映射到所述多段振动频谱。
233.一种用于检测工业机器的运行特征的系统，包括：
至少一个数据获取设备，用于获取工业机器的感兴趣点的原始数据；以及
计算机视觉系统，其基于获取的原始数据生成一个或多个图像数据集，识别与由所述一个或多个图像数据集表示的所述感兴趣点内的所述工业机器的一部分对应的一个或多个值，将所述一个或多个值与对应预测值进行比较，基于所述一个或多个值与所述对应预测值的所述比较生成方差数据集，基于所述方差数据集中的方差数据检测所述工业机器的运行特征，并生成指示所述运行特征的所述检测的数据。
234.根据权利要求233所述的系统，其中，所述运行特征表示与所述工业机器的运行有关的可能存在的或当前发生的问题，所述系统还包括：
预测性维护平台，其处理指示所述运行特征的所述检测的所述数据，以识别维护操作，所述维护操作表示可用于预防或解决与所述工业机器的运行有关的可能存在的或当前发生的问题的操作。
235.根据权利要求234所述的系统，其中，所述计算机视觉系统生成指示数据的信号，所述数据用于指示所述运行特征的所述检测，其中，所述预测性维护平台基于所述信号预测所述可能存在的或当前发生的问题。
236.根据权利要求234所述的系统，还包括：
移动数据收集器，用于执行所述维护操作，
其中，所述预测性维护平台或所述计算机视觉系统向所述移动数据收集器发送指示所述维护操作的信号，以使所述移动数据收集器执行所述维护操作。
237.根据权利要求236所述的系统，其中，所述至少一个数据获取设备获取所述原始数据以响应所述移动数据收集器记录所述工业机器的状态相关测量值的操作。
238.根据权利要求237所述的系统，其中，所述工业机器的所述状态相关测量值与使用所述移动数据收集器的至少一个振动传感器获取的所述工业机器的所述至少一部分的振动相关。
239.根据权利要求238所述的系统，其中，所述移动数据收集器向所述至少一个数据收集设备或所述计算机视觉系统中的至少一个发送信号，使得所述至少一个数据收集设备获取所述原始数据，其中，所述信号通过以下步骤生成：
在计算设备处从所述移动数据收集器接收表示所述工业机器的所述至少一部分的所述振动的振动数据；
所述计算设备通过处理所述获取的振动数据来确定所述获取的振动的频率；
所述计算设备基于所述频率确定多段振动频谱中限定所述获取的振动范围的分段；
所述计算设备基于所述确定的分段为所述获取的振动计算严重度单元；以及
使所述移动数据收集器基于所述严重度单元生成所述信号。
240.根据权利要求239所述的系统，其中，基于所述确定的分段为所述获取的振动计算严重度单元包括：
基于所述确定的分段将所述获取的振动通过如下方式映射到所述严重度单元：
当所述获取的振动的所述频率对应于所述多段振动频谱的低端拐点阈值范围以下时，将所述获取的振动映射到第一严重度单元；
当所述获取的振动的所述频率对应于所述多段振动频谱的中间范围时，将所述获取的振动映射到第二严重度单元；以及
当所述获取振动的所述频率对应于所述多段振动频谱的高端拐点阈值范围以上时，将所述获取的振动映射到第三严重度单元。
241.根据权利要求238所述的系统，其中，所述预测性维护平台使用分布式分类账跟踪与所述工业机器相关的维护交易，所述分布式分类账存储对应于所述维护交易的交易记录。
242.根据权利要求241所述的系统，其中，所述预测性维护平台生成新的交易记录以响应所述移动数据收集器发送所述信号的操作。
243.根据权利要求241所述的系统，其中，所述预测性维护平台生成新的交易记录以响应所述计算机视觉系统生成指示所述运行特征的所述检测的所述数据的操作。
244.根据权利要求238所述的系统，其中，所述移动数据收集器的所述至少一个振动传感器基于从与所述工业机器的所述至少一部分组件相关联的振动包络导出的波形获取所述振动。
245.根据权利要求236所述的系统，其中，所述移动数据收集器是移动机器人。
246.根据权利要求234所述的系统，其中，所述预测性维护平台使用分布式分类账跟踪与所述工业机器相关的维护交易，所述分布式分类账存储对应于所述维护交易的交易记录。
247.根据权利要求246所述的系统，其中，所述预测性维护平台生成新的交易记录以响应所述至少一个数据获取设备获取所述原始数据的操作。
248.根据权利要求246所述的系统，其中，所述预测性维护平台生成新的交易记录以响应所述计算机视觉系统生成用于指示所述运行特征的所述检测所述数据的操作。
249.根据权利要求234所述的系统，其中，所述预测性维护平台训练机器学习的方面，基于所述运行特征或所述维护操作中的至少一个来检测与所述工业机器的运行相关的所述可能存在或当前发生的问题类似的可能存在或当前发生的问题。
250.根据权利要求233所述的系统，还包括：
视觉分析器，其包括智能系统，所述智能系统分析指示所述运行特征的所述检测的数据，以通过以下方式训练与所述计算机视觉系统相关联的机器学习的方面：
使用训练数据集训练机器学习的方面，所述训练数据集包括如下的一个或多个：所述运行特征、指示所述运行特征的所述检测的数据、所述工业机器的所述感兴趣点的所述原始数据，或所述一个或多个图像数据集。
251.根据权利要求250所述的系统，还包括：
存储所述训练数据集的训练数据数据库，其中，所述视觉分析器通过从所述训练数据数据库中检索所述训练数据集来训练与所述计算机视觉系统相关联的所述机器学习的方面。
252.根据权利要求233所述的系统，其中，所述运行特征包括所述工业机器的组件的振动。
253.根据权利要求233所述的系统，其中，所述运行特征包括所述工业机器的组件的形状。
254.根据权利要求233所述的系统，其中，所述运行特征包括所述工业机器的组件的尺寸。
255.根据权利要求233所述的系统，其中，所述运行特征包括所述工业机器的组件的偏转。
256.根据权利要求233所述的系统，其中，所述运行特征包括所述工业机器的组件的电磁辐射。
257.根据权利要求233所述的系统，其中，所述运行特征包括所述工业机器的组件的温度。
258.根据权利要求233所述的系统，其中，所述运行特征包括所述工业机器的组件内的气体的温度。
259.根据权利要求233所述的系统，其中，所述运行特征包括所述工业机器的组件内的液体的温度。
260.根据权利要求233所述的系统，其中，所述运行特征包括所述工业机器的组件内的固体的温度。
261.根据权利要求233所述的系统，其中，所述运行特征包括所述工业机器的组件内的压力。
262.根据权利要求233所述的系统，其中，所述运行特征包括所述工业机器的组件内的气体压力。
263.根据权利要求233所述的系统，其中，所述运行特征包括所述工业机器的组件内的液体的压力。
264.根据权利要求233所述的系统，其中，所述运行特征包括所述工业机器的组件内的气体的密度。
265.根据权利要求233所述的系统，其中，所述运行特征包括所述工业机器的组件内的液体的密度。
266.根据权利要求233所述的系统，其中，所述运行特征包括所述工业机器的组件内的固体的密度。
267.根据权利要求233所述的系统，其中，所述运行特征包括由所述工业机器制造的组件的密度。
268.根据权利要求267所述的系统，其中，所述组件包括用于车辆的部件。
269.根据权利要求267所述的系统，其中，所述组件包括用于自行车的部件。
270.根据权利要求267所述的系统，其中，所述组件包括自行车链条。
271.根据权利要求267所述的系统，其中，所述组件包括垫圈。
272.根据权利要求267所述的系统，其中，所述组件包括紧固件。
273.根据权利要求267所述的系统，其中，所述组件包括用于螺钉的部件。
274.根据权利要求267所述的系统，其中，所述组件包括用于螺栓的部件。
275.根据权利要求267所述的系统，其中，所述组件包括用于印刷电路板的部件。
276.根据权利要求267所述的系统，其中，所述组件包括用于电容器的部件。
277.根据权利要求267所述的系统，其中，所述组件包括用于电阻器的部件。
278.根据权利要求267所述的系统，其中，所述组件包括用于电感器的部件。
279.根据权利要求233所述的系统，其中，所述运行特征包括所述工业机器的组件内的气体的化学结构。
280.根据权利要求233所述的系统，其中，所述运行特征包括所述工业机器的组件内的液体的化学结构。
281.根据权利要求233所述的系统，其中，所述运行特征包括所述工业机器的组件内的固体的化学结构。
282.根据权利要求233所述的系统，其中，所述运行特征包括由所述工业机器制造组件的化学结构。
283.根据权利要求282所述的系统，其中，所述组件包括用于车辆的部件。
284.根据权利要求282所述的系统，其中，所述组件包括用于自行车的部件。
285.根据权利要求282所述的系统，其中，所述组件包括自行车链条。
286.根据权利要求282所述的系统，其中，所述组件包括垫圈。
287.根据权利要求282所述的系统，其中，所述组件包括紧固件。
288.根据权利要求282所述的系统，其中，所述组件包括用于螺钉的部件。
289.根据权利要求282所述的系统，其中，所述组件包括用于螺栓的部件。
290.根据权利要求282所述的系统，其中，所述组件包括用于印刷电路板的部件。
291.根据权利要求282所述的系统，其中，所述组件包括用于电容器的部件。
292.根据权利要求282所述的系统，其中，所述组件包括用于电阻器的部件。
293.根据权利要求282所述的系统，其中，所述组件包括用于电感器的部件。
294.根据权利要求233所述的系统，其中，所述数据获取设备包括图像获取设备。
295.根据权利要求233所述的系统，其中，所述数据获取设备包括摄像头。
296.根据权利要求233所述的系统，其中，所述数据获取设备包括数据测量设备。
297.根据权利要求233所述的系统，其中，所述数据获取设备包括传感器。
298.根据权利要求233所述的系统，其中，所述数据获取设备包括全光谱摄像头。
299.根据权利要求233所述的系统，其中，所述数据获取设备包括辐射成像设备。
300.根据权利要求233所述的系统，其中，所述数据获取设备包括X射线成像设备。
301.根据权利要求233所述的系统，其中，所述数据获取设备包括非可见光数据获取设备。
302.根据权利要求233所述的系统，其中，所述数据获取设备包括可见光数据获取设备。
303.根据权利要求233所述的系统，其中，所述数据获取设备包括声音数据获取设备。
304.根据权利要求233所述的系统，其中，所述数据获取设备包括图像获取设备。
305.根据权利要求233所述的系统，其中，所述数据获取设备包括光成像、检测和测距设备。
306.根据权利要求233所述的系统，其中，所述数据获取设备包括点云数据获取设备。
307.根据权利要求233所述的系统，其中，所述数据获取设备包括红外检测设备。
308.根据权利要求233所述的系统，其中，所述数据获取设备包括图像获取设备。
309.根据权利要求233所述的系统，其中，所述数据获取设备包括压力传感器。
310.根据权利要求233所述的系统，其中，所述数据获取设备包括温度传感器。
311.根据权利要求233所述的系统，其中，所述数据获取设备包括化学传感器。
312.根据权利要求233所述的系统，其中，所述数据获取设备包括独立设备。
313.根据权利要求233所述的系统，其中，所述数据获取设备包括移动设备。
314.根据权利要求313所述的系统，其中，所述移动设备包括智能手机。
315.根据权利要求313所述的系统，其中，所述移动设备包括平板电脑。
316.根据权利要求233所述的系统，其中，所述原始数据包括原始图像数据。
317.根据权利要求233所述的系统，其中，所述原始数据包括原始测量数据。
318.根据权利要求233所述的系统，其中，所述工业机器的在所述感兴趣点内的所述一部分包括所述工业机器的组件。
319.根据权利要求233所述的系统，其中，所述工业机器的在所述感兴趣点内的所述一部分包括所述工业机器的传送带。
320.根据权利要求233所述的系统，其中，所述工业机器的在所述感兴趣点内的所述一部分包括由所述工业机器制造的组件。
321.根据权利要求233所述的系统，其中，所述工业机器的在所述感兴趣点内的所述一部分包括由所述工业机器制造的自行车链条。
322.一种用于检测工业机器的运行特征的方法，包括：
使用一个或多个数据获取设备获取的原始数据生成一个或多个图像数据集；
识别与所述一个或多个图像数据集表示的与所述工业机器在感兴趣点内的一部分对应的一个或多个值；
将所述一个或多个值与对应的预测值进行比较；
基于所述一个或多个值与所述对应的预测值的比较来生成方差数据集；
基于所述方差数据集中的方差数据识别所述工业机器的运行特征；以及
生成指示所述运行特征的检测的数据。
323.根据权利要求322所述的方法，其中，所述运行特征表示与所述工业机器的运行有关的可能存在或当前发生的问题，所述方法还包括：
识别待执行的维护操作以响应所述识别所述运行特征的操作，所述维护操作表示用于预防或解决与所述工业机器的运行相关的可能存在或当前发生的问题的操作。
324.根据权利要求323所述的方法，其中，识别待执行的所述维护操作以响应识别所述运行特征的操作包括：
基于所述运行特征预测所述可能存在或当前发生的问题，使用预测性维护。
325.根据权利要求323所述的方法，还包括：
生成指示所述维护操作的信号；以及
向服务器发送所述信号以执行所述维护操作。
326.根据权利要求323所述的方法，还包括：
生成指示所述维护操作的信号；以及
将所述信号发送到移动机器人，以使所述移动机器人执行所述维护操作。
327.根据权利要求323所述的方法，其中，基于所述运行特征使用所述预测性维护预测所述可能存在或当前发生的问题包括：
基于所述运行特征、代表所述运行特征对所述工业机器的影响的所述严重度以及指示解决所述可能存在或当前发生的问题的优先级的严重度，确定所述可能存在或当前发生的问题的严重度。
328.根据权利要求322所述的方法，其中，获取所述原始数据以响应从用户在所述工业机器的环境中穿戴的可穿戴设备接收到的指令，所述方法还包括：
通过将指示所述维护操作的信号传送到所述可穿戴设备，指示所述用户执行所述维护操作。
329.根据权利要求322所述的方法，其中，获取所述原始数据以响应从位于所述工业机器的环境中的移动数据收集器接收到的指令，所述方法还包括：
通过将指示所述维护操作的信号传送到所述移动数据收集器来启动所述维护操作。
330.根据权利要求329所述的方法，其中，所述移动数据收集器是移动机器人。
331.根据权利要求322所述的方法，其中，所述一个或多个数据获取设备中的至少一个是包括摄像头的移动设备，所述方法还包括：
驱动所述移动设备的所述摄像头获取所述原始数据；以及
从所述移动设备向用于生成所述一个或多个图像数据集的计算机视觉系统发送包括所述原始数据的信号。
332.根据权利要求322所述的方法，其中，所述运行特征包括所述工业机器的组件的振动。
333.根据权利要求322所述的方法，其中，所述运行特征包括所述工业机器的组件的形状。
334.根据权利要求322所述的方法，其中，所述运行特征包括所述工业机器的组件的尺寸。
335.根据权利要求322所述的方法，其中，所述运行特征包括所述工业机器的组件的偏转。
336.根据权利要求322所述的方法，其中，所述运行特征包括所述工业机器的组件的电磁辐射。
337.根据权利要求322所述的方法，其中，所述运行特征包括所述工业机器的组件的温度。
338.根据权利要求322所述的方法，其中，所述运行特征包括所述工业机器的组件内的气体的温度。
339.根据权利要求322所述的方法，其中，所述运行特征包括所述工业机器的组件内的液体的温度。
340.根据权利要求322所述的方法，其中，所述运行特征包括所述工业机器的组件内的固体的温度。
341.根据权利要求322所述的方法，其中，所述运行特征包括所述工业机器的组件内的压力。
342.根据权利要求322所述的方法，其中，所述运行特征包括所述工业机器的组件内的气体压力。
343.根据权利要求322所述的方法，其中，所述运行特征包括所述工业机器的组件内的液体的压力。
344.根据权利要求322所述的方法，其中，所述运行特征包括所述工业机器的组件内的气体密度。
345.根据权利要求322所述的方法，其中，所述运行特征包括所述工业机器的组件内的液体的密度。
346.根据权利要求322所述的方法，其中，所述运行特征包括所述工业机器的组件内的固体的密度。
347.根据权利要求322所述的方法，其中，所述运行特征包括由所述工业机器制造的组件的密度。
348.根据权利要求347所述的方法，其中，所述组件包括用于车辆的部件。
349.根据权利要求347所述的方法，其中，所述组件包括用于自行车的部件。
350.根据权利要求347所述的方法，其中，所述组件包括自行车链条。
351.根据权利要求347所述的方法，其中，所述组件包括垫圈。
352.根据权利要求347所述的方法，其中，所述组件包括紧固件。
353.根据权利要求347所述的方法，其中，所述组件包括用于螺钉的部件。
354.根据权利要求347所述的方法，其中，所述组件包括用于螺栓的部件。
355.根据权利要求347所述的方法，其中，所述组件包括用于印刷电路板的部件。
356.根据权利要求347所述的方法，其中，所述组件包括用于电容器的部件。
357.根据权利要求347所述的方法，其中，所述组件包括用于电阻器的部件。
358.根据权利要求347所述的方法，其中，所述组件包括用于电感器的部件。
359.根据权利要求322所述的方法，其中，所述运行特征包括所述工业机器的组件内的气体的化学结构。
360.根据权利要求322所述的方法，其中，所述运行特征包括所述工业机器的组件内的液体的化学结构。
361.根据权利要求322所述的方法，其中，所述运行特征包括所述工业机器的组件内的固体的化学结构。
362.根据权利要求322所述的方法，其中，所述运行特征包括由所述工业机器制造的部件的化学结构。
363.根据权利要求362所述的方法，其中，所述组件包括用于车辆的部件。
364.根据权利要求362所述的方法，其中，所述组件包括用于自行车的部件。
365.根据权利要求362所述的方法，其中，所述组件包括自行车链条。
366.根据权利要求362所述的方法，其中，所述组件包括垫圈。
367.根据权利要求362所述的方法，其中，所述组件包括紧固件。
368.根据权利要求362所述的方法，其中，所述组件包括用于螺钉的部件。
369.根据权利要求362所述的方法，其中，所述组件包括用于螺栓的部件。
370.根据权利要求362所述的方法，其中，所述组件包括用于印刷电路板的部件。
371.根据权利要求362所述的方法，其中，所述组件包括用于电容器的部件。
372.根据权利要求362所述的方法，其中，所述组件包括用于电阻器的部件。
373.根据权利要求362所述的方法，其中，所述组件包括用于电感器的部件。
374.根据权利要求322所述的方法，其中，所述数据获取设备包括图像获取设备。
375.根据权利要求322所述的方法，其中，所述数据获取设备包括摄像头。
376.根据权利要求322所述的方法，其中，所述数据获取设备包括数据测量设备。
377.根据权利要求322所述的方法，其中，所述数据获取设备包括传感器。
378.根据权利要求322所述的方法，其中，所述数据获取设备包括全光谱摄像头。
379.根据权利要求322所述的方法，其中，所述数据获取设备包括辐射成像设备。
380.根据权利要求322所述的方法，其中，所述数据获取设备包括X射线成像设备。
381.根据权利要求322所述的方法，其中，所述数据获取设备包括非可见光数据获取设备。
382.根据权利要求322所述的方法，其中，所述数据获取设备包括可见光数据获取设备。
383.根据权利要求322所述的方法，其中，所述数据获取设备包括声音数据获取设备。
384.根据权利要求322所述的方法，其中，所述数据获取设备包括图像获取设备。
385.根据权利要求322所述的方法，其中，所述数据获取设备包括光成像、检测和测距设备。
386.根据权利要求322所述的方法，其中，所述数据获取设备包括点云数据获取设备。
387.根据权利要求322所述的方法，其中，所述数据获取设备包括红外检测设备。
388.根据权利要求322所述的方法，其中，所述数据获取设备包括图像获取设备。
389.根据权利要求322所述的方法，其中，所述数据获取设备包括压力传感器。
390.根据权利要求322所述的方法，其中，所述数据获取设备包括温度传感器。
391.根据权利要求322所述的方法，其中，所述数据获取设备包括化学传感器。
392.根据权利要求322所述的方法，其中，所述数据获取设备包括独立设备。
393.根据权利要求322所述的方法，其中，所述数据获取设备包含关联的移动设备。
394.根据权利要求393所述的方法，其中，所述移动设备包括智能手机。
395.根据权利要求393所述的方法，其中，所述移动设备包括平板电脑。
396.根据权利要求322所述的方法，其中，所述原始数据包括原始图像数据。
397.根据权利要求322所述的方法，其中，所述原始数据包括原始测量数据。
398.根据权利要求322所述的方法，其中，所述工业机器在所述感兴趣点内的所述一部分包括所述工业机器的组件。
399.根据权利要求322所述的方法，其中，所述工业机器在所述感兴趣点内的所述一部分包括所述工业机器的传送带。
400.根据权利要求322所述的方法，其中，所述工业机器在所述感兴趣点内的所述一部分包括由所述工业机器制造的组件。
401.根据权利要求322所述的方法，其中，所述工业机器在所述感兴趣点内的所述一部分包括由所述工业机器制造的自行车链条。
402.一种用于检测工业机器的运行特征的系统，包括：
至少一个图像数据获取设备，用于获取所述工业机器的感兴趣点的原始数据；
计算设备，用于使用所述获取的原始数据生成一个或多个图像数据集，其中，与所述感兴趣点相关联的所述工业机器的一部分在所述一个或多个图像数据集中表示；
智能系统，基于所述一个或多个图像数据集通过如下方式训练与所述计算设备相关联的机器学习的方面：
将所述一个或多个图像数据集的一个或多个值与对应预测值进行比较；
基于所述一个或多个值与所述对应的预测值的比较来生成方差数据集；
基于所述方差数据集中的方差数据识别所述工业机器的运行特征；
基于所述运行特征是否大于阈值，确定所述运行特征是否在容限内；
生成指示所述运行特征的训练数据；以及
基于所述训练数据对所述机器学习的方面进行训练。
403.根据权利要求402所述的系统，其中，所述智能系统是深度学习系统。
404.根据权利要求402所述的系统，其中，所述智能系统包括认知学习模块、人工智能模块以及机器学习模块中的一个或多个。
405.根据权利要求402所述的系统，其中，所述训练数据包括与所述工业机器相关联的图像数据和与所述工业机器相关联的非图像数据。
406.根据权利要求405所述的系统，其中，所述训练数据存储在与所述工业机器相关联的知识库中。
407.根据权利要求406所述的系统，其中，基于来自所述智能系统的输出更新所述知识库。
408.一种用于使用可穿戴设备来识别工业环境的目标状态的方法，所述方法包括：
使用所述可穿戴设备中的一个或多个传感器记录所述目标的状态相关测量值；
通过网络向服务器发送所述状态相关测量值；
使用与所述服务器相关联的智能系统依据所述目标的预先记录数据处理所述状态相关测量值，其中，依据所述目标的预先记录数据处理所述状态相关测量值包括在与所述工业环境相关联的知识库内识别所述目标的所述预先记录数据；以及
识别由所述知识库内的所述目标的所述预先记录数据指示的状态以作为所述目标的所述状态。
409.根据权利要求408所述的方法，还包括：
确定所述目标的所述预先记录数据与所述状态相关测量值之间的不同；以及
响应于确定的所述不同，基于所述状态相关测量值更新所述知识库。
410.根据权利要求409所述的方法，其中，所述知识库包括用于训练所述智能系统的机器学习的方面的训练数据集。
411.根据权利要求409所述的方法，其中，所述知识库包括用于训练所述智能系统的人工智能模块的训练数据集。
412.根据权利要求409所述的方法，其中，所述知识库包括用于训练所述智能系统的认知功能方面的训练数据集。
413.根据权利要求408所述的方法，其中，所述可穿戴设备包括一个传感器。
414.根据权利要求408所述的方法，其中，所述可穿戴设备包括多个传感器。
415.根据权利要求408所述的方法，其中，所述可穿戴设备是第一可穿戴设备，且所述状态相关测量值是第一状态相关测量值，所述方法还包括：
使用第二可穿戴设备记录所述目标的第二状态相关测量值。
416.根据权利要求415所述的方法，其中，使用与所述服务器相关联的所述智能系统依据所述目标的所述预先记录数据处理所述状态相关测量值包括：
使用所述智能系统基于所述第一状态相关测量值和所述第二状态相关测量值识别所述预先记录数据。
417.根据权利要求415所述的方法，还包括：
确定所述第一状态相关测量值与所述第二状态相关测量值之间的不同；以及
将所述第一状态相关测量值和所述第二状态相关测量值中的每一个与所述预先记录数据进行比较，以确定所述第一状态相关测量值与所述预先记录数据不同，并且所述第二状态相关测量值与所述预先记录数据一致。
418.根据权利要求417所述的方法，还包括：
响应于将所述第一状态相关测量值和所述第二状态相关测量值中的每一个与所述预先记录数据进行比较的操作，丢弃所述第一状态相关测量值。
419.根据权利要求417所述的方法，还包括：
响应于将所述第一状态相关测量值和所述第二状态相关测量值中的每一个与所述预先记录数据进行比较的操作，基于所述第二状态相关测量值更新所述知识库。
420.根据权利要求419所述的方法，其中，所述一个或多个传感器包括多个传感器，每个传感器记录状态相关测量值，所述方法还包括：
在将所述状态相关测量值发送到所述服务器之前，使用所述可穿戴设备的设备内置传感器融合模块依据所述状态相关测量值执行传感器融合。
421.根据权利要求420所述的方法，其中，所述设备内置传感器融合模块是复用器。
422.根据权利要求408所述的方法，其中，使用所述可穿戴设备的所述一个或多个传感器记录所述目标的所述状态相关测量值包括：
使用主机处理系统来控制所述状态相关测量值的所述记录。
423.根据权利要求422所述的方法，其中，所述主机处理系统包含在云计算系统中。
424.根据权利要求408所述的方法，其中，使用所述可穿戴设备的所述一个或多个传感器记录所述目标的所述状态相关测量值包括：
使用网络编码系统来控制所述状态相关测量值的所述记录。
425.根据权利要求408所述的方法，其中，使用所述可穿戴设备的所述一个或多个传感器记录所述目标的所述状态相关测量值包括：
使用所述一个或多个传感器按照固定时间间隔重复执行记录所述目标的所述状态相关测量值的操作。
426.根据权利要求408所述的方法，其中，通过所述网络将所述状态相关测量值传输到所述服务器包括：
从数据收集器向可穿戴设备发送命令；以及
使所述可穿戴设备向所述服务器发送所述状态相关测量值以响应所述命令。
427.根据权利要求426所述的方法，其中，所述数据收集器按照固定时间间隔将所述命令传输到所述可穿戴设备。
428.根据权利要求426所述的方法，其中，所述数据收集器随机地向所述可穿戴设备发送所述命令。
429.根据权利要求408所述的方法，其中，通过所述网络将所述状态相关测量值传输到所述服务器包括：
使用与所述可穿戴设备相关联的集体处理设备向所述可穿戴设备发送命令；以及
使所述可穿戴设备向所述服务器发送所述状态相关测量值以响应所述命令。
430.根据权利要求408所述的方法，其中，使用与所述可穿戴设备相关联的所述集体处理设备将所述命令传输到所述可穿戴设备包括：
使用与所述集体处理设备相关联的检测器检测所述目标与所述可穿戴设备的接近度；以及
向所述可穿戴设备发送所述命令以响应检测所述接近度的操作。
431.根据权利要求408所述的方法，还包括：
将所述状态相关测量值存储在数据池中。
432.根据权利要求431所述的方法，还包括：
向用于实现所述数据池的计算设备发送集体处理设备对所述状态相关测量值的请求，所述请求包括指示所述集体处理设备从所述数据池请求一个或多个状态相关测量值的最后一次的时间戳；
确定在所述时间戳之后是否记录了所述状态相关测量值；以及
若确定在所述时间戳之后记录了所述状态相关测量值，则将所述状态相关测量值从所述计算设备发送到所述服务器。
433.根据权利要求408所述的方法，其中，通过所述网络将所述状态相关测量值传输到所述服务器包括：
使用数据收集路由器将所述状态相关测量值从所述可穿戴设备传输到所述服务器。
434.根据权利要求408所述的方法，还包括：
识别与所述目标的所述状态相关联的维护操作。
435.根据权利要求408所述的方法，其中，所述可穿戴设备是集成在工业制服内的多个可穿戴设备中的一个。
436.根据权利要求408所述的方法，其中，所述一个或多个传感器包括用于基于关于所述目标被测量得到的振动来记录所述状态相关测量值的传感器。
437.根据权利要求408所述的方法，其中，所述一个或多个传感器包括用于基于所述目标被测量得到的温度来记录所述状态相关测量值的传感器。
438.根据权利要求408所述的方法，其中，所述一个或多个传感器包括用于基于所述目标被测量得到的电输出来记录所述状态相关测量值的传感器。
439.根据权利要求408所述的方法，其中，所述一个或多个传感器包括用于基于所述目标被测量得到的磁输出来记录所述状态相关测量值的传感器。
440.根据权利要求408所述的方法，其中，所述一个或多个传感器包括用于基于关于所述目标被测量得到的声音输出来记录所述状态相关测量值的传感器。
441.根据权利要求408所述的方法，其中，所述可穿戴设备集成在衣物内。
442.根据权利要求441所述的方法，其中，所述衣物是衬衫。
443.根据权利要求441所述的方法，其中，所述衣物是背心。
444.根据权利要求441所述的方法，其中，所述衣物是夹克。
445.根据权利要求441所述的方法，其中，所述衣物是长裤。
446.根据权利要求441所述的方法，其中，所述衣物是短裤。
447.根据权利要求441所述的方法，其中，所述衣物是手套。
448.根据权利要求441所述的方法，其中，所述衣物是袜子。
449.根据权利要求441所述的方法，其中，所述衣物是鞋子。
450.根据权利要求441所述的方法，其中，所述衣物是防护外衣。
451.根据权利要求441所述的方法，其中，所述衣物是内衣。
452.根据权利要求441所述的方法，其中，所述衣物是汗衫。
453.根据权利要求441所述的方法，其中，所述衣物是无袖衫。
454.根据权利要求408所述的方法，其中，所述可穿戴设备集成在配件物品内。
455.根据权利要求454所述的方法，其中，所述配件物品是帽子。
456.根据权利要求454所述的方法，其中，所述配件物品是头盔。
457.根据权利要求454所述的方法，其中，所述配件物品是眼镜。
458.根据权利要求454所述的方法，其中，所述配件物品是护目镜。
459.根据权利要求454所述的方法，其中，所述配件物品是视觉安全配件。
460.根据权利要求454所述的方法，其中，所述配件物品是面具。
461.根据权利要求454所述的方法，其中，所述配件物品是胸带。
462.根据权利要求454所述的方法，其中，所述配件物品是皮带。
463.根据权利要求454所述的方法，其中，所述配件物品是升降支撑服。
464.根据权利要求454所述的方法，其中，所述配件物品是天线。
465.根据权利要求454所述的方法，其中，所述配件物品是腕带。
466.根据权利要求454所述的方法，其中，所述配件物品是戒指。
467.根据权利要求454所述的方法，其中，所述配件物品是项链。
468.根据权利要求454所述的方法，其中，所述配件物品是手镯。
469.根据权利要求454所述的方法，其中，所述配件物品是手表。
470.根据权利要求454所述的方法，其中，所述配件物品是胸针。
471.根据权利要求454所述的方法，其中，所述配件物品是颈带。
472.根据权利要求454所述的方法，其中，所述配件物品是背包。
473.根据权利要求454所述的方法，其中，所述配件物品是胸包。
474.根据权利要求454所述的方法，其中，所述配件物品是臂包。
475.根据权利要求454所述的方法，其中，所述配件物品是腿包。
476.根据权利要求454所述的方法，其中，所述配件物品是挂带。
477.根据权利要求454所述的方法，其中，所述配件物品是钥匙环。
478.根据权利要求454所述的方法，其中，所述配件物品是耳机。
479.根据权利要求454所述的方法，其中，所述配件物品是听力安全配件。
480.根据权利要求454所述的方法，其中，所述配件物品是耳塞。
481.根据权利要求454所述的方法，其中，所述配件物品是听筒。
482.根据权利要求408所述的方法，其中，所述可穿戴设备是集成在衣物内的第一可穿戴设备，其中，所述方法还包括使用集成在配件物品内的第二可穿戴设备。
483.根据权利要求408所述的方法，其中，所述一个或多个传感器包括图像传感器，其中，使用所述图像传感器记录所述状态相关测量值的操作由通过所述网络与所述可穿戴设备通信的摄像头视觉系统控制。
484.一种用于识别工业环境的目标状态的系统，所述系统包括：
第一可穿戴设备，包括用于记录第一类型状态相关测量值的一个或多个传感器；
第二可穿戴设备，包括用于记录第二类型状态相关测量值的一个或多个传感器；以及
服务器，其从所述第一可穿戴设备接收所述第一类型状态相关测量值和从所述第二可穿戴设备接收所述第二类型状态相关测量值，所述服务器包括智能系统，用于：
依据存储在知识库内的预先记录数据处理所述第一类型状态相关测量值和所述第二类型状态相关测量值，以识别所述目标的所述状态；以及
基于所述第一类型状态相关测量值或所述第二类型状态相关测量值中的至少一个更新所述预先记录数据。
485.根据权利要求484所述的系统，其中，所述第一可穿戴设备和所述第二可穿戴设备集成在工业制服内。
486.根据权利要求484所述的系统，其中，所述第一类型状态相关测量值是基于关于所述目标的被测量得到的振动得到的，所述第二类型状态相关测量值是基于关于所述目标的测量的温度得到的。
487.根据权利要求484所述的系统，其中，所述第一类型状态相关测量值是基于关于所述目标的被测量得到的振动得到的，所述第二类型状态相关测量值是基于关于所述目标的测量的电输出得到的。
488.根据权利要求484所述的系统，其中，所述第一类型状态相关测量值是基于关于所述目标的被测量得到的振动得到的，所述第二类型状态相关测量值是基于关于所述目标的测量的磁输出得到的。
489.根据权利要求484所述的系统，其中，所述第一类型状态相关测量值是基于所述目标的被测量得到的振动得到的，所述第二类型状态相关测量值是基于所述目标的被测量得到的声音输出得到的。
490.根据权利要求484所述的系统，其中，所述第一类型状态相关测量值是基于所述目标的被测量得到的温度得到的，所述第二类型状态相关测量值是基于所述目标的被测量得到的电输出得到的。
491.根据权利要求484所述的系统，其中，所述第一类型状态相关测量值是基于所述目标的被测量得到的温度得到的，所述第二类型状态相关测量值是基于所述目标的被测量得到的磁输出得到的。
492.根据权利要求484所述的系统，其中，所述第一类型状态相关测量值是基于所述目标的被测量得到的温度得到的，所述第二类型状态相关测量值是基于所述目标的被测量得到的声音输出得到的。
493.根据权利要求484所述的系统，其中，所述第一类型状态相关测量值是基于所述目标的被测量得到的电输出得到的，所述第二类型状态相关测量值是基于所述目标的被测量得到的磁输出得到的。
494.根据权利要求484所述的系统，其中，所述第一类型状态相关测量值是基于所述目标的被测量得到的电输出得到的，所述第二类型状态相关测量值是基于所述目标的被测量得到的声音输出得到的。
495.根据权利要求484所述的系统，其中，所述第一类型状态相关测量值是基于所述目标的被测量得到的磁输出得到的，所述第二类型状态相关测量值是基于所述目标的被测量得到的声音输出得到的。
496.根据权利要求484所述的系统，其中，所述智能系统用于：
识别与所述目标的所述状态相关联的维护操作。
497.根据权利要求484所述的系统，其中，所述第一可穿戴设备的所述一个或多个传感器包括图像传感器，其中，使用所述图像传感器记录所述第一类型的所述状态相关测量值的操作由与所述第一可穿戴设备通信的摄像头视觉系统控制。
498.根据权利要求484所述的系统，还包括：
集体处理设备，其向所述第一可穿戴设备和所述第二可穿戴设备中的至少一个发送命令。
499.根据权利要求498所述的系统，其中，所述集体处理设备包括检测器，所述检测器用于检测所述第一可穿戴设备或所述第二可穿戴设备中的至少一个与所述目标的接近度。
500.根据权利要求498所述的系统，其中，所述集体处理设备使用自适应调度来控制使用所述第一可穿戴设备或所述第二可穿戴设备中的所述至少一个对所述目标进行连续监测的操作。
501.根据权利要求484所述的系统，其中，所述智能系统用于：
响应所述第一类型状态相关测量值和所述第二类型状态相关测量值中的至少一个和所述预先记录数据之间确定的不同，更新所述知识库。
502.根据权利要求484所述的系统，其中，所述知识库包括用于训练所述智能系统的机器学习的方面的训练数据集。
503.根据权利要求484所述的系统，其中，所述知识库包括用于训练所述智能系统的机器学习的方面的训练数据集。
504.根据权利要求484所述的系统，其中，所述知识库包括用于训练所述智能系统的机器学习的方面的训练数据集。
505.根据权利要求484所述的系统，其中，所述第一可穿戴设备集成在衣物内，所述第二可穿戴设备集成在配件物品内。
506.根据权利要求484所述的系统，其中，所述第一可穿戴设备集成在第一衣物内，所述第二可穿戴设备集成在第二衣物内。
507.根据权利要求484所述的系统，其中，所述第一可穿戴设备集成在第一配件物品内，所述第二可穿戴设备集成在第二配件物品内。
508.根据权利要求484所述的系统，其中，所述第一可穿戴设备集成在衣物内。
509.根据权利要求508所述的系统，其中，所述衣物是衬衫。
510.根据权利要求508所述的系统，其中，所述衣物是背心。
511.根据权利要求508所述的系统，其中，所述衣物是夹克。
512.根据权利要求508所述的系统，其中，所述衣物是长裤。
513.根据权利要求508所述的系统，其中，所述衣物是短裤。
514.根据权利要求508所述的系统，其中，所述衣物是手套。
515.根据权利要求508所述的系统，其中，所述衣物是袜子。
516.根据权利要求508所述的系统，其中，所述衣物是鞋子。
517.根据权利要求508所述的系统，其中，所述衣物是防护外衣。
518.根据权利要求508所述的系统，其中，所述衣物是内衣。
519.根据权利要求508所述的系统，其中，所述衣物是汗衫。
520.根据权利要求508所述的系统，其中，所述衣物是无袖衫。
521.根据权利要求484所述的系统，其中，所述第一可穿戴设备集成在配件物品内。
522.根据权利要求521所述的系统，其中，所述配件物品是帽子。
523.根据权利要求521所述的系统，其中，所述配件物品是头盔。
524.根据权利要求521所述的系统，其中，所述配件物品是眼镜。
525.根据权利要求521所述的系统，其中，所述配件物品是护目镜。
526.根据权利要求521所述的系统，其中，所述配件物品是视觉安全配件。
527.根据权利要求521所述的系统，其中，所述配件物品是面罩。
528.根据权利要求521所述的系统，其中，所述配件物品是胸带。
529.根据权利要求521所述的系统，其中，所述配件物品是皮带。
530.根据权利要求521所述的系统，其中，所述配件物品是升降支撑服。
531.根据权利要求521所述的系统，其中，所述配件物品是天线。
532.根据权利要求521所述的系统，其中，所述配件物品是腕带。
533.根据权利要求521所述的系统，其中，所述配件物品是戒指。
534.根据权利要求521所述的系统，其中，所述配件物品是项链。
535.根据权利要求521所述的系统，其中，所述配件物品是手镯。
536.根据权利要求521所述的系统，其中，所述配件物品是手表。
537.根据权利要求521所述的系统，其中，所述配件物品是胸针。
538.根据权利要求521所述的系统，其中，所述配件物品是颈带。
539.根据权利要求521所述的系统，其中，所述配件物品是背包。
540.根据权利要求521所述的系统，其中，所述配件物品是胸包。
541.根据权利要求521所述的系统，其中，所述配件物品是臂包。
542.根据权利要求521所述的系统，其中，所述配件物品是腿包。
543.根据权利要求521所述的系统，其中，所述配件物品是挂带。
544.根据权利要求521所述的系统，其中，所述配件物品是钥匙环。
545.根据权利要求521所述的系统，其中，所述配件物品是耳机。
546.根据权利要求521所述的系统，其中，所述配件物品是听力安全配件。
547.根据权利要求521所述的系统，其中，所述配件物品是耳塞。
548.根据权利要求521所述的系统，其中，所述配件物品是听筒。
549.一种用于使用移动数据收集器来识别工业环境的目标的状态的方法，所述方法包括：
控制所述移动数据收集器接近所述工业环境内的所述目标的位置；
使用所述移动数据收集器的一个或多个传感器记录所述目标的状态相关测量值；
通过网络向服务器发送所述状态相关测量值；
使用与所述服务器相关联的智能系统依据所述目标的预先记录数据处理所述状态相关测量值，其中，依据所述目标的预先记录数据处理所述状态相关测量值包括在与所述工业环境相关联的知识库内识别所述目标的所述预先记录数据；以及
识别由所述知识库内的所述目标的所述预先记录数据指示的状态，将所述预先记录数据指示的状态作为所述目标的所述状态。
550.根据权利要求549所述的方法，其中，所述移动数据收集器是移动机器人。
551.根据权利要求550所述的方法，其中，所述一个或多个传感器集成在所述移动机器人内。
552.根据权利要求550所述的方法，其中，所述一个或多个传感器耦合到所述移动机器人。
553.根据权利要求550所述的方法，其中，所述移动机器人是机器手臂。
554.根据权利要求550所述的方法，其中，所述移动机器人是安卓机器人。
555.根据权利要求550所述的方法，其中，所述移动机器人是小型自主机器人。
556.根据权利要求550所述的方法，其中，所述移动机器人是大型自主机器人。
557.根据权利要求550所述的方法，其中，所述移动机器人是遥控机器人。
558.根据权利要求550所述的方法，其中，所述移动机器人是可编程配置机器人。
559.根据权利要求550所述的方法，其中，所述一个或多个传感器集成在所述移动机器人内。
560.根据权利要求550所述的方法，其中，所述一个或多个传感器耦合到所述移动机器人。
561.根据权利要求549所述的方法，其中，所述移动数据收集器是移动车辆。
562.根据权利要求559所述的方法，其中，所述移动车辆是重型机器。
563.根据权利要求559所述的方法，其中，所述移动车辆是重型公路工业车辆。
564.根据权利要求559所述的方法，其中，所述移动车辆是重型越野工业车辆。
565.根据权利要求559所述的方法，其中，所述移动车辆包括工业机器。
566.根据权利要求559所述的方法，其中，所述移动车辆包括推土设备。
567.根据权利要求559所述的方法，其中，所述移动车辆包括压土设备。
568.根据权利要求559所述的方法，其中，所述移动车辆包括牵引设备。
569.根据权利要求559所述的方法，其中，所述移动车辆包括起重设备。
570.根据权利要求559所述的方法，其中，所述移动车辆包括输送设备。
571.根据权利要求559所述的方法，其中，所述移动车辆包括集料生产设备。
572.根据权利要求559所述的方法，其中，所述移动车辆包括在混凝土施工中使用的设备。
573.根据权利要求559所述的方法，其中，所述移动车辆包括打桩设备。
574.根据权利要求559所述的方法，其中，所述移动车辆包括施工设备。
575.根据权利要求559所述的方法，其中，所述移动车辆是人员运输车辆。
576.根据权利要求559所述的方法，其中，所述移动车辆是无人驾驶车辆。
577.根据权利要求549所述的方法，其中，所述移动数据收集器是移动数据收集器群的多个移动数据收集器中的一个。
578.根据权利要求577所述的方法，其中，控制所述移动数据收集器接近所述工业环境内的所述目标的所述位置包括：
使用所述移动数据收集器群的自组织系统来控制所述移动数据收集器在所述工业环境内的移动。
579.根据权利要求578所述的方法，其中，使用所述移动数据收集器群的所述自组织系统来控制所述移动数据收集器在所述工业环境内的所述移动包括：
基于所述多个移动数据收集器中的至少一个其它移动数据收集器的移动来控制所述移动数据收集器在所述工业环境内的所述移动。
580.根据权利要求549所述的方法，还包括：
确定所述目标的所述预先记录数据与所述状态相关测量值之间的不同；以及
响应于确定所述不同的操作，基于所述状态相关测量值更新所述知识库。
581.根据权利要求549所述的方法，其中，所述知识库包括用于训练所述智能系统的机器学习的方面的训练数据集。
582.根据权利要求549所述的方法，其中，所述知识库包括用于训练所述智能系统的人工智能模块的训练数据集。
583.根据权利要求549所述的方法，其中，所述知识库包括用于训练所述智能系统的认知功能方面的训练数据集。
584.根据权利要求549所述的方法，其中，所述移动数据收集器包括一个传感器。
585.根据权利要求549所述的方法，其中，所述移动数据收集器包括多个传感器。
586.根据权利要求549所述的方法，其中，所述移动数据收集器是第一移动数据收集器，所述状态相关测量值是第一状态相关测量值，所述方法还包括：
使用第二移动数据收集器记录所述目标的第二状态相关测量值。
587.根据权利要求586所述的方法，其中，使用与所述服务器相关联的所述智能系统依据所述目标的所述预先记录数据处理所述状态相关测量值包括：
使用所述智能系统基于所述第一状态相关测量值和所述第二状态相关测量值识别所述预先记录数据。
588.根据权利要求586所述的方法，还包括：
确定所述第一状态相关测量值与所述第二状态相关测量值之间的不同；以及
将所述第一状态相关测量值和所述第二状态相关测量值中的每一个与所述预先记录数据进行比较，以确定所述第一状态相关测量值与所述预先记录数据不一致，并且所述第二状态相关测量值与所述预先记录数据一致。
589.根据权利要求588所述的方法，还包括：
响应于将所述第一状态相关测量值和所述第二状态相关测量值中的每一个与所述预先记录数据进行比较的操作，丢弃所述第一状态相关测量值。
590.根据权利要求588所述的方法，还包括：
响应于将所述第一状态相关测量值和所述第二状态相关测量值中的每一个与所述预先记录数据进行比较的操作，基于所述第二状态相关测量值更新所述知识库。
591.根据权利要求586所述的方法，其中，所述第一移动数据收集器是移动机器人，所述第二移动数据收集器是移动车辆。
592.根据权利要求549所述的方法，其中，所述一个或多个传感器包括多个传感器，每个传感器记录状态相关测量值，所述方法还包括：
在将所述状态相关测量值发送到所述服务器之前，使用所述移动数据收集器的设备内置传感器融合模块依据所述状态相关测量值执行传感器融合。
593.根据权利要求592所述的方法，其中，所述设备内置传感器融合模块是复用器。
594.根据权利要求549所述的方法，还包括：
将所述状态相关测量值存储在数据池中。
595.根据权利要求549所述的方法，其中，通过所述网络将所述状态相关测量值传输到所述服务器包括：
使用数据收集路由器将所述状态相关测量值从所述移动数据收集器传输到所述服务器。
596.根据权利要求549所述的方法，还包括：
识别与所述目标的所述状态相关联的维护操作。
597.根据权利要求549所述的方法，其中，所述一个或多个传感器包括用于基于测量所述目标的振动来记录所述状态相关测量值的传感器。
598.根据权利要求549所述的方法，其中，所述一个或多个传感器包括用于基于所述目标被测量到的的温度来记录所述状态相关测量值的传感器。
599.根据权利要求549所述的方法，其中，所述一个或多个传感器包括用于基于所述目标的被测量到的电输出来记录所述状态相关测量值的传感器。
600.根据权利要求549所述的方法，其中，所述一个或多个传感器包括用于基于所述目标被测量得到的磁输出来记录所述状态相关测量值的传感器。
601.根据权利要求549所述的方法，其中，所述一个或多个传感器包括用于基于所述目标的被测量得到的声音输出来记录所述状态相关测量值的传感器。
602.根据权利要求549所述的方法，其中，所述一个或多个传感器包括图像传感器，其中，使用所述图像传感器记录所述状态相关测量值由通过所述网络与所述移动数据收集器通信的摄像头视觉系统控制。
603.一种用于识别工业环境的目标状态的系统，所述系统包括：
第一移动数据收集器，包括用于记录第一类型状态相关测量值的一个或多个传感器；
第二移动数据收集器，包括用于记录第二类型状态相关测量值的一个或多个传感器；以及
服务器，其从所述第一移动数据收集器接收所述第一类型状态相关测量值，从所述第二移动数据收集器接收所述第二类型状态相关测量值，所述服务器包括智能系统，用于：
依据存储在知识库内的预先记录数据处理所述第一类型状态相关测量值和所述第二类型状态相关测量值，以识别所述目标的所述状态；以及
基于所述第一类型状态相关测量值或所述第二类型状态相关测量值中的至少一个更新所述预先记录数据。
604.根据权利要求603所述的系统，其中，所述第一类型状态相关测量值是基于所述目标的被测量得到的振动得到的，所述第二类型状态相关测量值是基于所述目标被测量得到的温度得到的。
605.根据权利要求603所述的系统，其中，所述第一类型状态相关测量值是基于所述目标被测量得到的振动，所述第二类型状态相关测量值是基于关于所述目标被测量得到的电输出。
606.根据权利要求603所述的系统，其中，所述第一类型状态相关测量值是基于所述目标被测量得到的振动得到的，所述第二类型状态相关测量值是基于所述目标被测量得到的磁输出得到的。
607.根据权利要求603所述的系统，其中，所述第一类型状态相关测量值是基于所述目标被测量得到的振动得到的，所述第二类型状态相关测量值是基于所述目标被测量得到的声音输出得到的。
608.根据权利要求603所述的系统，其中，所述第一类型状态相关测量值是基于所述目标被测量得到的温度得到的，所述第二类型状态相关测量值是基于所述目标被测量得到的电输出得到的。
609.根据权利要求603所述的系统，其中，所述第一类型状态相关测量值是基于所述目标被测量得到的温度得到的，所述第二类型状态相关测量值是基于所述目标被测量得到的磁输出得到的。
610.根据权利要求603所述的系统，其中，所述第一类型状态相关测量值是基于所述目标被测量得到的温度得到的，所述第二类型状态相关测量值是基于所述目标被测量得到的声音输出得到的。
611.根据权利要求603所述的系统，其中，所述第一类型状态相关测量值是基于所述目标被测量得到的电输出得到的，所述第二类型状态相关测量值是基于所述目标被测量得到的磁输出得到的。
612.根据权利要求603所述的系统，其中，所述第一类型状态相关测量值是基于所述目标被测量得到的电输出得到的，所述第二类型状态相关测量值是基于关于所述目标被测量得到的声音输出得到的。
613.根据权利要求603所述的系统，其中，所述第一类型状态相关测量值是基于所述目标被测量得到的磁输出得到的，所述第二类型状态相关测量值是基于关于所述目标被测量得到的声音输出得到的。
614.根据权利要求603所述的系统，其中，所述智能系统用于：
识别与所述目标的所述状态相关联的维护操作。
615.根据权利要求603所述的系统，其中，所述第一移动数据收集器的所述一个或多个传感器包括图像传感器，其中，使用所述图像传感器记录所述第一类型状态相关测量值的操作由与所述第一移动数据收集器通信的摄像头视觉系统控制。
616.根据权利要求603所述的系统，其中，所述智能系统用于：
基于所述第一类型状态相关测量值和所述第二类型状态相关测量值中的所述至少一个与所述预先记录数据之间确定的不同更新所述知识库。
617.根据权利要求603所述的系统，其中，所述知识库包括用于训练所述智能系统的机器学习的方面的训练数据集。
618.根据权利要求603所述的系统，其中，所述知识库包括用于训练所述智能系统的机器学习的方面的训练数据集。
619.根据权利要求603所述的系统，其中，所述知识库包括用于训练所述智能系统的机器学习的方面的训练数据集。
620.根据权利要求603所述的系统，其中，所述第一移动数据收集器是移动机器人，所述第二移动数据收集器是移动车辆。
621.根据权利要求603所述的系统，其中，所述第一移动数据收集器是第一移动机器人，所述第二移动数据收集器是第二移动机器人。
622.根据权利要求603所述的系统，其中，所述第一移动数据收集器是第一移动车辆，所述第二移动数据收集器是第二移动车辆。
623.根据权利要求603所述的系统，其中，所述第一移动数据收集器的所述一个或多个传感器集成在所述第一移动数据收集器内，其中，所述第二移动数据收集器的所述一个或多个传感器集成在所述第二移动数据收集器内。
624.根据权利要求603所述的系统，其中，所述第一移动数据收集器的所述一个或多个传感器集成在所述第一移动数据收集器内，其中，所述第二移动数据收集器的所述一个或多个传感器耦合到所述第二移动数据收集器。
625.根据权利要求603所述的系统，其中，所述第一移动数据收集器的所述一个或多个传感器耦合到所述第一移动数据收集器，其中，所述第二移动数据收集器的所述一个或多个传感器集成在所述第二移动数据收集器内。
626.根据权利要求603所述的系统，其中，所述第一移动数据收集器的所述一个或多个传感器耦合到所述第一移动数据收集器，其中，所述第二移动数据收集器的所述一个或多个传感器耦合到所述第二移动数据收集器。
627.根据权利要求603所述的系统，其中，所述第一移动数据收集器是移动机器人。
628.根据权利要求627所述的系统，其中，所述移动机器人是机器手臂。
629.根据权利要求627所述的系统，其中，所述移动机器人是安卓机器人。
630.根据权利要求627所述的系统，其中，所述移动机器人是小型自主机器人。
631.根据权利要求627所述的系统，其中，所述移动机器人是大型自主机器人。
632.根据权利要求627所述的系统，其中，所述移动机器人是遥控机器人。
633.根据权利要求627所述的系统，其中，所述移动机器人是可编程配置机器人。
634.根据权利要求627所述的系统，其中，所述一个或多个传感器集成在所述移动机器人内。
635.根据权利要求627所述的系统，其中，所述一个或多个传感器耦合到所述移动机器人。
636.根据权利要求603所述的系统，其中，所述移动数据收集器是移动车辆。
637.根据权利要求636所述的系统，其中，所述移动车辆是重型机器。
638.根据权利要求636所述的系统，其中，所述移动车辆是重型公路工业车辆。
639.根据权利要求636所述的系统，其中，所述移动车辆是重型越野工业车辆。
640.根据权利要求636所述的系统，其中，所述移动车辆包括工业机器。
641.根据权利要求636所述的系统，其中，所述移动车辆包括推土设备。
642.根据权利要求636所述的系统，其中，所述移动车辆包括压土设备。
643.根据权利要求636所述的系统，其中，所述移动车辆包括牵引设备。
644.根据权利要求636所述的系统，其中，所述移动车辆包括起重设备。
645.根据权利要求636所述的系统，其中，所述移动车辆包括输送设备。
646.根据权利要求636所述的系统，其中，所述移动车辆包括集料生产设备。
647.根据权利要求636所述的系统，其中，所述移动车辆包括在混凝土施工中使用的设备。
648.根据权利要求636所述的系统，其中，所述移动车辆包括打桩设备。
649.根据权利要求636所述的系统，其中，所述移动车辆包括施工设备。
650.根据权利要求636所述的系统，其中，所述移动车辆是人员运输车辆。
651.根据权利要求636所述的系统，其中，所述移动车辆是无人驾驶车辆。
652.根据权利要求603所述的系统，其中，所述移动数据收集器是移动数据收集器群的多个移动数据收集器中的一个。
653.根据权利要求652所述的系统，其中，控制所述移动数据收集器接近所述工业环境内的所述目标的位置包括：
使用所述移动数据收集器群的自组织系统来控制所述移动数据收集器在所述工业环境内的移动。
654.根据权利要求653所述的系统，其中，使用所述移动数据收集器群的所述自组织系统来控制所述移动数据收集器在所述工业环境内的所述移动包括：
基于所述多个移动数据收集器中的至少一个其它移动数据收集器的移动来控制所述移动数据收集器在所述工业环境内的所述移动。
655.一种用于使用手持设备来识别工业环境的目标状态的方法，所述方法包括：
使用所述手持设备中的一个或多个传感器记录所述目标的状态相关测量值；
通过网络向服务器发送所述状态相关测量值；
使用与所述服务器相关联的智能系统依据所述目标的预先记录数据处理所述状态相关测量值，其中，依据所述目标的预先记录数据处理所述状态相关测量值包括在与所述工业环境相关联的知识库内识别所述目标的所述预先记录数据；以及
识别由所述知识库内的所述目标的所述预先记录数据指示的状态，将所述先记录数据指示的状态作为所述目标的所述状态。
656.根据权利要求655所述的方法，还包括：
确定所述目标的所述预先记录数据与所述状态相关测量值之间的不同；以及
响应于确定所述不同的操作，基于所述状态相关测量值更新所述知识库。
657.根据权利要求656所述的方法，其中，所述知识库包括用于训练所述智能系统的机器学习的方面的训练数据集。
658.根据权利要求656所述的方法，其中，所述知识库包括用于训练所述智能系统的人工智能模块的训练数据集。
659.根据权利要求656所述的方法，其中，所述知识库包括用于训练所述智能系统的认知功能模块的训练数据集。
660.根据权利要求655所述的方法，其中，所述手持设备包括一个传感器。
661.根据权利要求655所述的方法，其中，所述手持设备包括多个传感器。
662.根据权利要求655所述的方法，其中，所述手持设备是第一手持设备，所述状态相关测量值是第一状态相关测量值，所述方法还包括：
使用第二手持设备记录所述目标的第二状态相关测量值。
663.根据权利要求662所述的方法，其中，使用与所述服务器相关联的所述智能系统依据所述目标的所述预先记录数据处理所述状态相关测量值包括：
使用所述智能系统基于所述第一状态相关测量值和所述第二状态相关测量值识别所述预先记录数据。
664.根据权利要求662所述的方法，还包括：
确定所述第一状态相关测量值与所述第二状态相关测量值之间的不同；以及
将所述第一状态相关测量值和所述第二状态相关测量值中的每一个与所述预先记录数据进行比较，以确定所述第一状态相关测量值与所述预先记录数据不一致，并且所述第二状态相关测量值与所述预先记录数据一致。
665.根据权利要求664所述的方法，还包括：
响应于将所述第一状态相关测量值和所述第二状态相关测量值中的每一个与所述预先记录数据进行比较的操作，丢弃所述第一状态相关测量值。
666.根据权利要求664所述的方法，还包括：
响应于将所述第一状态相关测量值和所述第二状态相关测量值中的每一个与所述预先记录数据进行比较，基于所述第二状态相关测量值更新所述知识库。
667.根据权利要求666所述的方法，其中，所述一个或多个传感器包括多个传感器，每个传感器记录状态相关测量值，所述方法还包括：
在将所述状态相关测量值发送到所述服务器之前，使用所述手持设备的设备内置传感器融合模块依据所述状态相关测量值执行传感器融合。
668.根据权利要求667所述的方法，其中，所述设备内置传感器融合模块是复用器。
669.根据权利要求655所述的方法，其中，使用所述手持设备的所述一个或多个传感器记录所述目标的所述状态相关测量值包括：
使用主机处理系统来控制所述状态相关测量值的所述记录。
670.根据权利要求669所述的方法，其中，所述主机处理系统包含在云计算系统中。
671.根据权利要求655所述的方法，其中，使用所述手持设备的所述一个或多个传感器记录所述目标的所述状态相关测量值包括：
使用网络编码系统来控制所述状态相关测量值的所述记录。
672.根据权利要求655所述的方法，其中，使用所述手持设备的所述一个或多个传感器记录所述目标的所述状态相关测量值包括：
使用所述一个或多个传感器按照固定时间间隔重复所述记录。
673.根据权利要求655所述的方法，其中，通过所述网络将所述状态相关测量值传输到所述服务器包括：
从数据收集器向所述手持设备发送命令；
使所述手持设备向所述服务器发送所述状态相关测量值以响应所述命令。
674.根据权利要求673所述的方法，其中，所述数据收集器按照固定时间间隔将所述命令传输到所述手持设备。
675.根据权利要求673所述的方法，其中，所述数据收集器随机地向所述手持设备发送所述命令。
676.根据权利要求655所述的方法，其中，通过所述网络将所述状态相关测量值传输到所述服务器包括：
使用与所述手持设备相关联的集体处理设备向所述手持设备发送命令；以及
使所述手持设备向所述服务器发送所述状态相关测量值以响应所述命令。
677.根据权利要求655所述的方法，其中，使用与所述手持设备相关联的所述集体处理设备将所述命令传输到所述手持设备包括：
使用与所述集体处理设备相关联的检测器检测所述目标关于所述手持设备的接近度；以及
向所述手持设备发送所述命令以响应检测所述接近度的操作。
678.根据权利要求655所述的方法，还包括：
将所述状态相关测量值存储在数据池中。
679.根据权利要求678所述的方法，还包括：
向用于实现所述数据池的计算设备发送集体处理设备对所述状态相关测量值的请求，所述请求包括指示所述集体处理设备从所述数据池请求一个或多个状态相关测量值的最后一次的时间戳；
确定在所述时间戳之后是否记录了所述状态相关测量值；以及
若确定在所述时间戳之后记录了所述状态相关测量值，则将所述状态相关测量值从所述计算设备发送到所述服务器。
680.根据权利要求655所述的方法，其中，通过所述网络将所述状态相关测量值传输到所述服务器包括：
使用数据收集路由器将所述状态相关测量值从所述手持设备传输到所述服务器。
681.根据权利要求655所述的方法，还包括：
识别与所述目标的所述状态相关联的维护操作。
682.根据权利要求655所述的方法，其中，所述一个或多个传感器包括用于基于关于所述目标被测量得到的振动来记录所述状态相关测量值的传感器。
683.根据权利要求655所述的方法，其中，所述一个或多个传感器包括用于基于所述目标被测量得到的温度来记录所述状态相关测量值的传感器。
684.根据权利要求655所述的方法，其中，所述一个或多个传感器包括用于基于所述目标被测量得到的电输出来记录所述状态相关测量值的传感器。
685.根据权利要求655所述的方法，其中，所述一个或多个传感器包括用于基于所述目标被测量得到的磁输出来记录所述状态相关测量值的传感器。
686.根据权利要求655所述的方法，其中，所述一个或多个传感器包括用于基于关于所述目标被测量得到的声音输出来记录所述状态相关测量值的传感器。
687.根据权利要求655所述的方法，其中，所述手持设备是手机。
688.根据权利要求655所述的方法，其中，所述手持设备是笔记本电脑。
689.根据权利要求655所述的方法，其中，所述手持设备是平板电脑。
690.根据权利要求655所述的方法，其中，所述手持设备是个人数字助理。
691.根据权利要求655所述的方法，其中，所述手持设备是对讲机。
692.根据权利要求655所述的方法，其中，所述手持设备是无线电设备。
693.根据权利要求655所述的方法，其中，所述手持设备是远程通信设备。
694.根据权利要求655所述的方法，其中，所述手持设备是短距离通信设备。
695.根据权利要求655所述的方法，其中，所述手持设备是手电筒。
696.根据权利要求655所述的方法，其中，所述一个或多个传感器包括图像传感器，其中，使用所述图像传感器记录所述状态相关测量值的操作由通过所述网络与所述手持设备通信的摄像头视觉系统控制。
697.一种用于识别工业环境的目标状态的系统，所述系统包括：
第一手持设备，包括用于记录第一类型状态相关测量值的一个或多个传感器；
第二手持设备，包括用于记录第二类型状态相关测量值的一个或多个传感器；以及
服务器，其从所述第一手持设备接收所述第一类型状态相关测量值和从所述第二手持设备接收所述第二类型状态相关测量值，所述服务器包括智能系统，用于：
依据存储在知识库内的预先记录数据处理所述第一类型状态相关测量值和所述第二类型状态相关测量值，以识别所述目标的所述状态；以及
基于所述第一类型状态相关测量值或所述第二类型状态相关测量值中的至少一个更新所述预先记录数据。
698.根据权利要求697所述的系统，其中，所述第一类型状态相关测量值是基于所述目标被测量得到的振动得到的，所述第二类型状态相关测量值是基于所述目标被测量得到的温度得到的。
699.根据权利要求697所述的系统，其中，所述第一类型状态相关测量值是基于所述目标被测量得到的振动得到的，所述第二类型状态相关测量值是基于所述目标被测量得到的电输出得到的。
700.根据权利要求697所述的系统，其中，所述第一类型状态相关测量值是基于所述目标被测量得到的振动得到的，所述第二类型状态相关测量值是基于所述目标被测量得到的磁输出得到的。
701.根据权利要求697所述的系统，其中，所述第一类型状态相关测量值是基于所述目标被测量得到的振动得到的，所述第二类型状态相关测量值是基于所述目标被测量得到的声音输出得到的。
702.根据权利要求697所述的系统，其中，所述第一类型状态相关测量值是基于所述目标被测量得到的温度得到的，所述第二类型状态相关测量值是基于所述目标被测量得到的电输出得到的。
703.根据权利要求697所述的系统，其中，所述第一类型状态相关测量值是基于所述目标被测量得到的温度得到的，所述第二类型状态相关测量值是基于所述目标被测量得到的磁输出得到的。
704.根据权利要求697所述的系统，其中，所述第一类型状态相关测量值是基于所述目标被测量得到的温度得到的，所述第二类型状态相关测量值是基于所述目标被测量得到的声音输出得到的。
705.根据权利要求697所述的系统，其中，所述第一类型状态相关测量值是基于所述目标被测量得到的电输出得到的，所述第二类型状态相关测量值是基于所述目标被测量得到的磁输出得到的。
706.根据权利要求697所述的系统，其中，所述第一类型状态相关测量值是基于所述目标被测量得到的电输出得到的，所述第二类型状态相关测量值是基于所述目标被测量得到的声音输出得到的。
707.根据权利要求697所述的系统，其中，所述第一类型状态相关测量值是基于所述目标被测量得到的磁输出得到的，所述第二类型状态相关测量值是基于所述目标被测量得到的声音输出得到的。
708.根据权利要求697所述的系统，其中，所述智能系统用于：
识别与所述目标的所述状态相关联的维护操作。
709.根据权利要求697所述的系统，其中，所述第一手持设备的所述一个或多个传感器包括图像传感器，其中，使用所述图像传感器记录所述第一类型的所述状态相关测量值的操作由与所述第一手持设备通信的摄像头视觉系统控制。
710.根据权利要求697所述的系统，还包括：
集体处理设备，其向所述第一手持设备或所述第二手持设备中的至少一个发送命令。
711.根据权利要求710所述的系统，其中，所述集体处理设备包括检测器，所述检测器用于检测所述第一手持设备和所述第二手持设备中的所述至少一个与所述目标的接近度。
712.根据权利要求710所述的系统，其中，所述集体处理设备使用自适应调度来控制使用所述第一手持设备或所述第二手持设备中的所述至少一个对所述目标的连续监测。
713.根据权利要求697所述的系统，其中，所述智能系统用于：
响应于所述第一类型状态相关测量值和所述第二类型状态相关测量值中的所述至少一个与所述预先记录数据之间确定的不同，更新所述知识库。
714.根据权利要求697所述的系统，其中，所述知识库包括用于训练所述智能系统的机器学习的方面的训练数据集。
715.根据权利要求697所述的系统，其中，所述知识库包括用于训练所述智能系统的机器学习的方面的训练数据集。
716.根据权利要求697所述的系统，其中，所述知识库包括用于训练所述智能系统的机器学习的方面的训练数据集。
717.根据权利要求697所述的系统，其中，所述手持设备是手机。
718.根据权利要求697所述的系统，其中，所述手持设备是笔记本电脑。
719.根据权利要求697所述的系统，其中，所述手持设备是平板电脑。
720.根据权利要求697所述的系统，其中，所述手持设备是个人数字助理。
721.根据权利要求697所述的系统，其中，所述手持设备是对讲机。
722.根据权利要求697所述的系统，其中，所述手持设备是无线电设备。
723.根据权利要求697所述的系统，其中，所述手持设备是远程通信设备。
724.根据权利要求697所述的系统，其中，所述手持设备是短距离通信设备。
725.根据权利要求697所述的系统，其中，所述手持设备是手电筒。
726.一种方法，包括：
从可穿戴设备接收表示工业机器的至少一部分的振动的振动数据，所述可穿戴设备包括用于获取所述振动数据的至少一个振动传感器；
通过处理所述接收的振动数据来确定所述获取的振动的频率；
基于所述频率，确定多段振动频谱中限定所述获取的振动范围的分段；
基于所述确定的分段为所述获取振动计算严重度单元；以及
在预测性维护电路中生成信号，以基于所述严重度单元对所述工业机器的所述至少一部分执行维护操作。
727.根据权利要求726所述的方法，其中，所述可穿戴设备的所述至少一个振动传感器基于从与所述工业机器的所述至少一部分相关联的振动包络导出的波形来获取所述振动数据。
728.根据权利要求726所述的方法，还包括：
使用所述可穿戴设备检测所述工业机器和所述可穿戴设备的接近度；以及
使所述可穿戴设备获取所述振动数据以响应检测所述工业机器与所述可穿戴设备的接近度的操作。
729.根据权利要求726所述的方法，还包括：
使用所述可穿戴设备的所述至少一个振动传感器检测所述工业机器的所述至少一部分的振动级别变化；以及
使用所述可穿戴设备获取所述振动数据以响应检测所述振动级别变化的操作。
730.根据权利要求729所述的方法，其中，所述可穿戴设备的所述至少一个振动传感器基于从与所述工业机器的所述至少一部分相关联的振动包络导出的波形来检测所述振动级别变化。
731.根据权利要求726所述的方法，还包括：
将所述信号传输到所述可穿戴设备以启动所述执行所述维护操作。
732.根据权利要求726所述的方法，其中，基于所述确定的分段为所述获取振动计算严重度单元包括：
基于所述确定的分段将所述获取振动通过如下方式映射到所述严重度单元：
当所述获取振动的所述频率对应于所述多段振动频谱的低端拐点阈值范围以下时，将所述获取振动的所述频率映射到第一严重度单元；
当所述获取振动的所述频率对应于所述多段振动频谱的中间范围时，将所述获取振动的频率映射到第二严重度单元；以及
当所述获取振动的所述频率对应于所述多段振动频谱的高端拐点阈值范围以上时，将所述获取振动映射到第三严重度单元。
733.根据权利要求732所述的方法，还包括：
训练智能系统以确定振动是否映射到第一严重度单元、第二严重度单元或第三严重度单元。
734.根据权利要求726所述的方法，其中，所述严重度单元基于所述获取的振动数据表示所述维护操作对所述工业机器的所述至少一部分的影响。
735.根据权利要求726所述的方法，还包括：
通过处理所述获取的振动数据来确定所述获取的振动数据的幅度和重力，
其中，计算所述获取振动的严重度单元包括：
基于所述确定的分段以及所述振动数据的幅度或重力中的至少一个来计算所述严重度单元，其中，所述严重度单元表示所述获取的振动，与所述频率无关。
736.根据权利要求726所述的方法，其中，所述信号或所述维护操作中的至少一个基于所述严重度单元指示，增加或减少用于使用所述至少一个振动传感器收集和分析后续振动数据的频率。
737.根据权利要求726所述的方法，其中，所述维护操作指示对所述工业机器的所述至少一部分执行校准、诊断测试或视觉检查中的一个。
738.根据权利要求726所述的方法，还包括：
将所述信号传送到所述工业机器的组件，其中，所述维护操作指示重新测量所述工业机器的所述至少一部分，其中，所述工业机器的所述部件启动执行所述维护操作以响应接收到所述信号的操作。
739.根据权利要求726所述的方法，其中，所述可穿戴设备是集成在工业平台内的多个可穿戴设备中的第一可穿戴设备。
740.根据权利要求739所述的方法，其中，所述多个可穿戴设备中的第二可穿戴设备使用温度传感器获取所述工业机器的温度，其中，基于所述严重度单元且基于根据所述获取的温度计算的第二严重度单元生成所述信号。
741.根据权利要求739所述的方法，其中，所述多个可穿戴设备中的第三可穿戴设备使用电传感器获取所述工业机器的电输出或用电情况，其中，基于所述严重度单元且基于根据所述获取的电输出或用电情况计算的第三严重度单元生成所述信号。
742.根据权利要求739所述的方法，其中，所述多个可穿戴设备中的第四可穿戴设备使用磁传感器来获取所述工业机器的电磁场中的电平或变化，其中，基于所述严重度单元并且基于根据于所述电磁场中所述获取的电平或变化计算的第四严重度单元生成所述信号。
743.根据权利要求739所述的方法，其中，所述多个可穿戴设备中的第五可穿戴设备使用声音传感器获取从所述工业机器输出的声波，其中，基于所述严重度单元且基于根据所述获取的声波计算的第五严重度单元生成所述信号。
744.根据权利要求726所述的方法，其中，所述可穿戴设备集成在衣物内。
745.根据权利要求744所述的方法，其中，所述衣物是衬衫。
746.根据权利要求744所述的方法，其中，所述衣物是背心。
747.根据权利要求744所述的方法，其中，所述衣物是夹克。
748.根据权利要求744所述的方法，其中，所述衣物是长裤。
749.根据权利要求744所述的方法，其中，所述衣物是短裤。
750.根据权利要求744所述的方法，其中，所述衣物是手套。
751.根据权利要求744所述的方法，其中，所述衣物是袜子。
752.根据权利要求744所述的方法，其中，所述衣物是鞋子。
753.根据权利要求744所述的方法，其中，所述衣物是防护外衣。
754.根据权利要求744所述的方法，其中，所述衣物是内衣。
755.根据权利要求744所述的方法，其中，所述衣物是汗衫。
756.根据权利要求744所述的方法，其中，所述衣物是无袖衫。
757.根据权利要求726所述的方法，其中，所述可穿戴设备集成在配件物品内。
758.根据权利要求757所述的方法，其中，所述配件物品是帽子。
759.根据权利要求757所述的方法，其中，所述配件物品是头盔。
760.根据权利要求757所述的方法，其中，所述配件物品是眼镜。
761.根据权利要求757所述的方法，其中，所述配件物品是护目镜。
762.根据权利要求757所述的方法，其中，所述配件物品是视觉安全配件。
763.根据权利要求757所述的方法，其中，所述配件物品是面具。
764.根据权利要求757所述的方法，其中，所述配件物品是胸带。
765.根据权利要求757所述的方法，其中，所述配件物品是皮带。
766.根据权利要求757所述的方法，其中，所述配件物品是升降支撑服。
767.根据权利要求757所述的方法，其中，所述配件物品是天线。
768.根据权利要求757所述的方法，其中，所述配件物品是腕带。
769.根据权利要求757所述的方法，其中，所述配件物品是戒指。
770.根据权利要求757所述的方法，其中，所述配件物品是项链。
771.根据权利要求757所述的方法，其中，所述配件物品是手镯。
772.根据权利要求757所述的方法，其中，所述配件物品是手表。
773.根据权利要求757所述的方法，其中，所述配件物品是胸针。
774.根据权利要求757所述的方法，其中，所述配件物品是颈带。
775.根据权利要求757所述的方法，其中，所述配件物品是背包。
776.根据权利要求757所述的方法，其中，所述配件物品是胸包。
777.根据权利要求757所述的方法，其中，所述配件物品是臂包。
778.根据权利要求757所述的方法，其中，所述配件物品是腿包。
779.根据权利要求757所述的方法，其中，所述配件物品是挂带。
780.根据权利要求757所述的方法，其中，所述配件物品是钥匙环。
781.根据权利要求757所述的方法，其中，所述配件物品是耳机。
782.根据权利要求757所述的方法，其中，所述配件物品是听力安全配件。
783.根据权利要求757所述的方法，其中，所述配件物品是耳塞。
784.根据权利要求757所述的方法，其中，所述配件物品是听筒。
785.根据权利要求726所述的方法，其中，所述可穿戴设备是集成在衣物内的第一可穿戴设备，其中，所述方法还包括使用集成在配件物品内的第二可穿戴设备。
786.一种方法，包括：
部署用于检测和监测工业机器的至少一部分的振动活动的移动数据收集器，所述移动数据收集器包括一个或多个振动传感器；
通过处理表示所述振动活动并使用所述一个或多个振动传感器生成的振动数据来确定所述振动活动关于定时的严重度；以及
基于所述振动活动的所述严重度预测与所述工业机器的所述至少一部分相关的待执行的一个或多个维护操作。
787.根据权利要求786所述的方法，其中，通过处理表示所述振动活动并使用所述一个或多个振动传感器生成的所述振动数据来确定所述振动数据关于所述定时的所述严重度包括：
通过处理所述振动数据来确定所述振动活动的频率；
基于所述频率确定多段振动频谱中限定所述振动活动范围的分段；以及
基于所述多段振动频谱的所述确定的分段计算所述振动活动的严重度单元。
788.根据权利要求787所述的方法，其中，基于所述多段振动频谱的所述确定的分段来计算所述振动活动的所述严重度单元包括：
基于所述多段振动频谱的所述确定的分段将所述振动活动通过如下方式映射到所述严重度单元：
当所述振动活动的所述频率对应于所述多段振动频谱的低端拐点阈值范围以下时，将所述振动活动映射到第一严重度单元；
当所述振动活动的所述频率对应于所述多段振动频谱的中间范围时，将所述振动活动映射到第二严重度单元；以及
当所述振动活动的所述频率对应于所述多段振动频谱的高端拐点阈值范围以上时，将所述振动活动映射到第三严重度单元。
789.根据权利要求786所述的方法，还包括：
使所述至少一个移动数据收集器执行所述维护操作。
790.根据权利要求786所述的方法，还包括：
控制所述移动数据收集器接近所述工业机器在包括所述工业机器的工业环境内的位置；
使所述移动数据收集器的所述一个或多个振动传感器记录所述振动活动的一个或多个测量值；以及
将所述振动活动的所述一个或多个测量值作为所述振动数据通过网络发送到服务器，其中，在所述服务器上处理所述振动数据以确定所述振动活动的所述严重度。
791.根据权利要求790所述的方法，其中，基于所述振动活动的所述严重度，预测与所述工业机器的所述至少一部分相关的待执行所述一个或多个维护操作包括：
使用与所述服务器相关联的智能系统依据所述工业机器的预先记录数据处理所述振动数据，其中，依据所述工业机器的所述预先记录数据处理所述振动数据包括在与所述工业环境相关联的知识库内识别所述工业机器的所述预先记录数据；
基于所述工业机器在所述知识库内的所述预先记录数据来识别所述机器的所述至少一部分的运行特征；以及
基于所述运行特征预测所述一个或多个维护操作。
792.根据权利要求786所述的方法，其中，所述振动活动指示从与所述工业机器相关联的振动包络导出的波形，其中，当所述移动数据收集器接近所述工业机器时，所述一个或多个振动传感器检测所述振动活动。
793.根据权利要求786所述的方法，其中，所述振动活动表示所述工业机器的所述至少一部分的速度信息。
794.根据权利要求786所述的方法，其中，所述振动活动表示所述工业机器的所述至少一部分的频率信息。
795.根据权利要求786所述的方法，其中，所述移动数据收集器是移动机器人。
796.根据权利要求795所述的方法，其中，所述一个或多个传感器集成在所述移动机器人内。
797.根据权利要求795所述的方法，其中，所述一个或多个传感器耦合到所述移动机器人。
798.根据权利要求795所述的方法，其中，所述移动机器人是机器手臂。
799.根据权利要求795所述的方法，其中，所述移动机器人是安卓机器人。
800.根据权利要求795所述的方法，其中，所述移动机器人是小型自主机器人。
801.根据权利要求795所述的方法，其中，所述移动机器人是大型自主机器人。
802.根据权利要求795所述的方法，其中，所述移动机器人是遥控机器人。
803.根据权利要求795所述的方法，其中，所述移动机器人是可编程配置机器人。
804.根据权利要求786所述的方法，其中，所述移动数据收集器是移动车辆。
805.根据权利要求804所述的方法，其中，所述一个或多个传感器集成在所述移动车辆内。
806.根据权利要求804所述的方法，其中，所述一个或多个传感器耦合到所述移动车辆。
807.根据权利要求804所述的方法，其中，所述移动车辆是重型机器。
808.根据权利要求804所述的方法，其中，所述移动车辆是重型公路工业车辆。
809.根据权利要求804所述的方法，其中，所述移动车辆是重型越野工业车辆。
810.根据权利要求804所述的方法，其中，所述移动车辆包括工业机器。
811.根据权利要求804所述的方法，其中，所述移动车辆包括推土设备。
812.根据权利要求804所述的方法，其中，所述移动车辆包括压土设备。
813.根据权利要求804所述的方法，其中，所述移动车辆包括牵引设备。
814.根据权利要求804所述的方法，其中，所述移动车辆包括起重设备。
815.根据权利要求804所述的方法，其中，所述移动车辆包括输送设备。
816.根据权利要求804所述的方法，其中，所述移动车辆包括集料生产设备。
817.根据权利要求804所述的方法，其中，所述移动车辆包括在混凝土施工中使用的设备。
818.根据权利要求804所述的方法，其中，所述移动车辆包括打桩设备。
819.根据权利要求804所述的方法，其中，所述移动车辆包括施工设备。
820.根据权利要求804所述的方法，其中，所述移动车辆是人员运输车辆。
821.根据权利要求804所述的方法，其中，所述移动车辆是无人驾驶车辆。
822.根据权利要求786所述的方法，其中，所述移动数据收集器是移动数据收集器群的多个移动数据收集器中的一个。
823.根据权利要求822所述的方法，还包括：
使用所述移动数据收集器群的自组织系统来控制所述移动数据收集器在包括所述工业机器的工业环境内的移动，
其中，当所述移动数据收集器接近所述工业机器时，所述一个或多个振动传感器检测所述振动活动。
824.根据权利要求823所述的方法，其中，使用所述移动数据收集器群的所述自组织系统来控制所述移动数据收集器在所述工业环境内的所述移动包括：
基于所述多个移动数据收集器中的至少一个其它移动数据收集器的移动来控制所述移动数据收集器在所述工业环境内的所述移动。
825.根据权利要求822所述的方法，其中，所述移动数据收集器是移动机器人，所述多个移动数据收集器中的至少一个其它移动数据收集器是移动车辆。
826.一种工业机器预测性维护系统，包括：
移动数据收集器群，其包括一个或多个移动数据收集器，用于收集运行状况监测数据，所述运行状况监测数据表示位于工业环境中的一个或多个工业机器的状况；
工业机器预测性维护设施，其通过对所述运行状况监测数据应用机器故障检测和分类算法产生工业机器服务建议以响应所述运行状况监测数据；
计算机维护管理系统，其产生对服务和部件的订购和请求中的至少一个以响应接收到所述工业机器服务建议。
827.根据权利要求826所述的工业机器预测性维护系统，还包括：
服务和交付协调设施，其接收和处理关于对工业机器执行的服务的信息以响应对服务和部件的订购和请求中的所述至少一个，从而验证执行的所述服务，同时为各个工业机器产生服务活动和结果的分类账。
828.根据权利要求827所述的工业机器预测性维护系统，其中，所述分类账使用区块链结构来跟踪对服务和部件的所述订购和所述请求中的所述至少一个中的每一个的交易记录，其中，每个记录被存储为所述区块链结构中的区块。
829.根据权利要求828所述的工业机器预测性维护系统，其中，所述CMMS通过将发货就绪、安装、操作传感器数据、服务事件、部件订购、服务订购或诊断活动中的至少一个的数据与所述分类账中最近生成的区块的散列组合来生成所述分类账的后续区块。
830.根据权利要求826所述的工业机器预测性维护系统，还包括：
自组织系统，其控制所述一个或多个移动数据收集器在所述工业环境内的移动。
831.根据权利要求830所述的工业机器预测性维护系统，其中，所述自组织系统向所述一个或多个移动数据收集器发送对所述运行状况监测数据的请求，其中，所述移动数据收集器向所述自组织系统发送所述运行状况监测数据以响应所述请求，其中，所述自组织系统向所述工业机器预测性维护设施发送所述运行状况监测数据。
832.根据权利要求826所述的工业机器预测性维护系统，还包括：
数据收集路由器，当所述移动数据收集器接近所述数据收集路由器时，所述数据收集路由器从所述一个或多个移动数据收集器接收所述运行状况监测数据，其中，所述数据收集路由器将所述运行状况监测数据传输到所述工业机器预测性维护设施。
833.根据权利要求832所述的工业机器预测性维护系统，其中，所述一个或多个移动数据收集器将所述运行状况监测数据推送到所述数据收集路由器。
834.根据权利要求832所述的工业机器预测性维护系统，其中，所述数据收集路由器从所述一个或多个移动数据收集器提取所述运行状况监测数据。
835.根据权利要求832所述的工业机器预测性维护系统，还包括：
自组织系统，其控制所述一个或多个移动数据收集器在所述工业环境内的移动。
836.根据权利要求835所述的工业机器预测性维护系统，其中，所述自组织系统控制所述运行状况监测数据从所述一个或多个移动数据收集器到所述数据收集路由器的传送。
837.根据权利要求826所述的工业机器预测性维护系统，其中，所述一个或多个移动数据收集器中的每个移动数据收集器是下列各项中的一种：包括一个或多个集成传感器的移动机器人、包括一个或多个耦合传感器的移动机器人、具有一个或多个集成传感器的移动车辆，或具有一个或多个耦合传感器的移动车辆。
838.根据权利要求826所述的工业机器预测性维护系统，其中，所述工业机器预测性维护设施基于针对所述运行状况监测数据计算出的严重度单元产生所述工业机器服务建议。
839.一种系统，包括：
集成在工业制服内的多个可穿戴设备，所述工业制服的每个可穿戴设备包括一个或多个传感器，所述传感器收集工业环境中的工业机器的测量值，所述测量值表示所述工业机器的状态；
工业机器预测性维护设施，其通过对所述测量值应用机器故障检测和分类算法，基于所述测量值产生工业机器服务建议；以及
计算机维护管理系统，其产生至少一个服务和部件的订购和请求，以响应接收到的所述工业机器服务建议。
840.根据权利要求839所述的系统，还包括：
服务和交付协调设施，其接收和处理关于工业机器执行的服务的信息，以响应对服务和部件的订购和请求中的至少一个，从而验证所执行的服务，同时为各个工业机器产生服务活动和结果的分类账。
841.根据权利要求840所述的系统，其中所述分类账使用区块链结构来跟踪至少一个对服务和部件的订购和请求中的交易记录，其中每个记录被存储为所述区块链结构中的区块。
842.根据权利要求841所述的系统，其中所述计算机维护管理系统通过将发货就绪、安装、操作传感器数据、服务事件、部件订购、服务订购或诊断活动中的至少一个的数据与所述分类账中最近生成的区块的散列组合来生成所述分类账的后续区块。
843.根据权利要求839所述的系统，其中所述工业制服的第一可穿戴设备的一个或多个所述传感器包括用于收集来自所述工业机器中的至少一个的振动测量值的传感器。
844.根据权利要求839所述的系统，其中所述工业制服的第二可穿戴设备的一个或多个所述传感器包括用于收集来自所述工业机器中的至少一个的温度测量值的传感器。
845.根据权利要求839所述的系统，其中所述工业制服的第一可穿戴设备的一个或多个所述传感器包括用于收集来自所述工业机器中的至少一个的电气测量值的传感器。
846.根据权利要求839所述的系统，其中所述工业制服的第一可穿戴设备的一个或多个所述传感器包括用于收集来自所述工业机器中的至少一个的磁测量值的传感器。
847.根据权利要求839所述的系统，其中所述工业制服的第一可穿戴设备的一个或多个所述传感器包括用于收集来自所述工业机器中的至少一个的声音测量值的传感器。
848.根据权利要求839所述的系统，其中所述工业制服的第一可穿戴设备是服装制品，所述工业制服的第二可穿戴设备是配件物品。
849.根据权利要求839所述的系统，还包括：
集中处理设备，其控制多个所述可穿戴设备收集一个或多个所述工业机器的测量值。
850.根据权利要求849所述的系统，其中所述集中处理设备向所述工业制服的可穿戴设备发送第一命令，以使所述可穿戴设备的一个或多个所述传感器收集一个或多个所述工业机器的测量值，其中所述集中处理设备向所述可穿戴设备发送第二命令，以使所述可穿戴设备向所述集中处理设备发送所述测量值。
851.根据权利要求839所述的系统，其中所述工业机器预测性维护设施基于为所述测量值计算的严重度单元来产生所述工业机器服务建议。
852.一种系统，包括：
集成在工业制服内的多个可穿戴设备，所述工业制服的每个可穿戴设备包括一个或多个传感器，所述传感器收集工业环境中的工业机器的测量值，所述测量值表示所述工业机器的状态；
工业机器预测性维护设施，其通过对所述测量值应用机器故障检测和分类算法，基于所述测量值产生工业机器服务建议；
计算机维护管理系统，其产生至少一个服务和部件的订购和请求，以响应接收到所述工业机器服务建议；以及
服务和交付协调设施，其接收和处理关于对工业机器执行的服务的信息，以响应对服务和部件的订购和请求中的至少一个，从而验证所执行的服务，同时为各个工业机器产生服务活动和结果的分类账。
853.根据权利要求852所述的系统，其中所述工业机器预测性维护设施基于为所述测量值计算的严重度单元来产生所述工业机器服务建议。
854.根据权利要求852所述的系统，其中所述分类账使用区块链结构来跟踪至少一个对服务和部件的订购和请求中的交易记录，其中每个记录被存储为所述区块链结构中的区块。
855.根据权利要求854所述的系统，其中所述计算机维护管理系统通过将发货就绪、安装、操作传感器数据、服务事件、部件订购、服务订购或诊断活动中的至少一个的数据与所述分类账中最近生成的区块的散列组合来生成所述分类账的后续区块。
856.根据权利要求855所述的系统，其中，所述计算机维护管理系统生成所述区块链的第一区块，所述第一区块具有关于特定工业机器的发货就绪信息和所述区块链的启动区块的散列。
857.根据权利要求856所述的系统，其中所述计算机维护管理系统生成所述区块链的第二区块，所述第二区块具有关于特定工业机器的安装信息和所述第一区块的散列。
858.根据权利要求857所述的系统，其中所述计算机维护管理系统生成所述区块链的第三区块，所述第三区块具有关于特定工业机器的操作传感器信息和所述第二区块的散列。
859.根据权利要求858所述的系统，其中所述计算机维护管理系统生成所述区块链的第四区块，所述第四区块具有关于特定工业机器的服务事件信息和所述第三区块的散列。
860.根据权利要求859所述的系统，其中所述计算机维护管理系统生成所述区块链的第五区块，所述第五区块具有关于特定工业机器的部件和服务订购信息以及所述第四区块的散列。
861.根据权利要求860所述的系统，其中所述计算机维护管理系统生成所述区块链的第六区块，所述第六区块具有关于特定工业机器的诊断活动信息和所述第五区块的散列。
862.根据权利要求852所述的系统，还包括：
工人查找设施，其通过将建议中关于至少一项待执行的服务信息与工业服务工人数据库中的工业服务工人的经验和专有技术中的至少一个相关联，来识别至少一位候选工人以执行所述工业机器服务建议指示的服务。
863.根据权利要求862所述的系统，还包括：
在处理器上执行的机器学习算法，其基于在类似工业机器上执行的多个服务的服务相关信息以及由至少一位候选工人执行的多个服务的工人相关信息来改进所述关联。
864.一种系统，包括：
移动数据收集器群，其包括一个或多个移动数据收集器，用于收集运行状况监测数据，所述运行状况监测数据表示位于工业环境中的一个或多个工业机器的状况；
工业机器预测性维护设施，其通过对所述运行状况监测数据应用机器故障检测和分类算法产生工业机器服务建议以响应所述运行状况监测数据；
计算机维护管理系统，其产生至少一个服务和部件的订购和请求，以响应接收到所述工业机器服务建议；以及
服务和交付协调设施，其接收和处理关于对工业机器执行的服务的信息，以响应对服务和部件的订购和请求中的至少一个，从而验证所执行的服务，同时为各个工业机器产生服务活动和结果的分类账。
865.根据权利要求864所述的系统，其中所述工业机器预测性维护设施基于针对所述运行状况监测数据计算的严重度单元来产生所述工业机器服务建议。
866.根据权利要求864所述的系统，其中所述分类账使用区块链结构来跟踪至少一个对服务和部件的订购和请求中的交易记录，其中每个记录被存储为所述区块链结构中的区块。
867.根据权利要求866所述的系统，其中所述计算机维护管理系统通过将发货就绪、安装、操作传感器数据、服务事件、部件订购、服务订购或诊断活动中的至少一个的数据与所述分类账中最近生成的区块的散列组合来生成所述分类账的后续区块。
868.根据权利要求867所述的系统，其中，所述计算机维护管理系统生成所述区块链的第一区块，所述第一区块具有关于特定工业机器的发货就绪信息和所述区块链的启动区块的散列。
869.根据权利要求868所述的系统，其中所述计算机维护管理系统生成所述区块链的第二区块，所述第二区块具有关于特定工业机器的安装信息和所述第一区块的散列。
870.根据权利要求869所述的系统，其中所述计算机维护管理系统生成所述区块链的第三区块，所述第三区块具有关于特定工业机器的操作传感器信息和所述第二区块的散列。
871.根据权利要求870所述的系统，其中所述计算机维护管理系统生成所述区块链的第四区块，所述第四区块具有关于特定工业机器的服务事件信息和所述第三区块的散列。
872.根据权利要求871所述的系统，其中所述计算机维护管理系统生成所述区块链的第五区块，所述第五区块具有关于特定工业机器的部件和服务订购信息以及所述第四区块的散列。
873.根据权利要求872所述的系统，其中所述计算机维护管理系统生成所述区块链的第六区块，所述第六区块具有关于特定工业机器的诊断活动信息和所述第五区块的散列。
874.根据权利要求864所述的系统，还包括：
工人查找设施，其通过将建议中关于至少一项待执行的服务信息与工业服务工人数据库中的工业服务工人的经验和专有技术中的至少一个相关联，来识别至少一位候选工人以执行所述工业机器服务建议指示的服务。
875.根据权利要求874所述的系统，还包括：
在处理器上执行的机器学习算法，其基于在类似工业机器上执行的多个服务的服务相关信息以及由至少一位候选工人执行的多个服务的工人相关信息来改进所述关联。
876.一种方法，包括：
使用手持设备的一个或多个振动传感器生成表示工业机器的至少一部分的测量的振动的振动数据；
将所述振动数据映射到一个或多个严重度单元；以及
通过基于所述严重度单元确定要在工业机器的至少一部分上执行的维护操作，使用所述严重度单元来预测所述工业机器的维护。
877.根据权利要求876所述的方法，其中将所述振动数据映射到一个或多个严重度单元包括：
将所述振动数据中具有对应于振动频谱的低端拐点阈值范围以下的频率的部分映射到第一严重度单元；
将所述振动数据中具有对应于振动频谱的中间范围的频率的部分映射到第二严重度单元；以及
将所述振动数据中具有对应于振动频谱的高端拐点阈值范围以上的频率的部分映射到第三严重度单元。
878.根据权利要求876所述的方法，其中在所述手持设备处执行将所述振动数据映射到一个或多个严重度单元。
879.根据权利要求876所述的方法，其中在服务器处执行将所述振动数据映射到一个或多个严重度单元，其中所述方法还包含将所述振动数据从所述手持设备发送到所述服务器。
880.根据权利要求876所述的方法，还包括：
利用与所述手持设备相关联的集中处理设备，检测所述手持设备接近所述工业机器；
从所述集中处理设备向所述手持设备发送第一命令，以使所述手持设备生成所述振动数据；以及
在生成所述振动数据之后，从所述集中处理设备向所述手持设备发送第二命令，以使所述手持设备向所述集中处理设备发送所述振动数据。
881.根据权利要求876所述的方法，其中所述手持设备是手机。
882.根据权利要求876所述的方法，其中所述手持设备是笔记本电脑。
883.根据权利要求876所述的方法，其中所述手持设备是平板电脑。
884.根据权利要求876所述的方法，其中所述手持设备是个人数字助理。
885.根据权利要求876所述的方法，其中所述手持设备是对讲机。
886.根据权利要求876所述的方法，其中所述手持设备是无线电设备。
887.根据权利要求876所述的方法，其中所述手持设备是远程通信设备。
888.根据权利要求876所述的方法，其中所述手持设备是短距离通信设备。
889.根据权利要求876所述的方法，其中所述手持设备是手电筒。
890.一种系统，包括：
工业机器，其包括至少一个振动传感器，所述振动传感器设置为捕获所述工业机器的一部分的振动；
移动数据收集器，其通过从所述至少一个振动传感器收集捕获振动生成振动数据；
多段振动频谱结构，其促进将捕获振动映射到多段振动频率的一个振动频率段；
严重度单元算法，其接收振动的频率和对应的振动频率段，并产生严重度值，然后将所述严重度值映射到为对应的振动频率段限定的多个严重度单元中的一个；以及
信号生成电路，其接收多个严重度单元中的一个严重度单元，并基于一个严重度单元向预测性维护服务器发送信号，指示对所述工业机器的部分执行相应维护操作。
891.根据权利要求890所述的系统，其中所述移动数据收集器是移动机器人。
892.根据权利要求890所述的系统，其中所述移动数据收集器是移动车辆。
893.根据权利要求890所述的系统，其中所述移动数据收集器是手持设备。
894.根据权利要求890所述的系统，其中所述移动数据收集器是可穿戴设备。
895.根据权利要求890所述的系统，其中通过基于确定的分段将振动映射到多个严重度单元中的一个来确定多段振动频谱中限定振动范围的分段，其中每个所述严重度单元中对应于多段振动频谱的不同范围。
896.根据权利要求895所述的系统，其中所述严重度单元算法将所述捕获振动通过如下方式映射到多段振动频率中的一个振动频率段：
当振动的频率对应于多段振动频谱的低端拐点阈值范围以下时，将振动映射到第一严重度单元；
当振动的频率对应于多段振动频谱的中间范围时，将振动映射到第二严重度单元；以及
当振动的频率对应于多段振动频谱的高端拐点阈值范围以上时，将振动映射到第三严重度单元。
897.一种方法，包括：
使用分布式分类账来跟踪在用于工业物联网数据的自动化数据市场中执行的一个或多个交易，其中所述分布式分类账分布存储指示一个或多个设备上的一个或多个交易的数据，其中指示一个或多个交易的数据对应于交易记录；以及
使用一个或多个移动数据收集器来生成表示工业机器的状况的传感器数据，其中所述传感器数据用于确定对服务和部件的订购或请求中的至少一个，服务和部件用于解决与机器的状况相关联的问题，
其中，存储在所述分布式分类账中的交易记录表示以下各项中的一个或多个：所述传感器数据、所述工业机器的状况、对服务和部件的订购或请求中的至少一个、与机器的状况相关联的问题，或者用于识别所述交易记录的散列。
898.根据权利要求897所述的方法，其中所述分布式分类账使用区块链结构来存储所述交易记录，其中每个所述交易记录被存储为所述区块链结构中的区块。
899.根据权利要求898所述的方法，其中使用所述区块链结构来存储所述交易记录包括：
通过生成启动区块来启动用于特定工业机器的工业机器信息的区块链；以及
通过将发货就绪、安装、操作传感器数据、服务事件、部件订购、服务订购和诊断活动中的至少一个的数据与所述区块链中最近生成的区块的散列相组合来生成特定工业机器区块链的后续区块。
900.根据权利要求897所述的方法，其中每个移动数据收集器是移动车辆、移动机器人、手持设备或可穿戴设备中的一个。
901.根据权利要求897所述的方法，还包括：
对传感器数据应用机器故障检测和分类算法，生成工业机器服务建议；以及
基于工业机器服务建议产生对服务和部件的订购或请求中的至少一个。
902.根据权利要求901所述的方法，其中一个或多个移动数据收集器使用计算机视觉系统通过使用一个或多个数据捕获设备捕获原始图像数据并处理所述原始图像数据以生成图像集数据，来生成所述传感器数据，其中所述图像集数据用于产生所述工业机器服务建议。
903.一种系统，包括：
连接工业机器和一个或多个移动数据收集器的工业物联网网络，每个移动数据收集器包括一个或多个传感器，用于生成指示所述工业机器的状况的传感器数据；以及
与所述工业物联网网络通信的服务器，所述服务器实现预测性维护平台，所述预测性维护平台使用分布式分类账来跟踪与所述工业机器相关的维护交易，所述分布式分类账存储与所述维护交易相对应的交易记录，其中所述预测性维护平台将所述交易记录中的至少一些交易记录分发给一个或多个移动数据收集器。
904.根据权利要求903所述的系统，还包括：
自组织存储系统，其优化存储所述分布式分类账内的所述交易记录。
905.根据权利要求903所述的系统，还包括：
自组织存储系统，其优化存储与所述工业机器相关联的维护数据。
906.根据权利要求903所述的系统，还包括：
自组织存储系统，其优化存储与所述工业物联网网络相关联的工业物联网数据。
907.根据权利要求903所述的系统，还包括：
自组织存储系统，其优化存储与维护交易相关的部件和服务数据。
908.根据权利要求903所述的系统，还包括：
自组织存储系统，其优化存储与所述工业机器相关联的知识库数据。
909.根据权利要求903所述的系统，其中每个移动数据收集器是移动车辆、移动机器人、手持设备或可穿戴设备中的一个。
910.根据权利要求903所述的系统，还包括：
工业机器预测性维护设施，其通过对所述传感器数据应用机器故障检测和分类算法来产生针对所述状况的工业机器服务建议。
911.根据权利要求910所述的系统，还包括：
严重度单元算法，其基于所述传感器数据产生所述状况的严重度值，其中基于所述严重度值产生所述工业机器服务建议。
912.根据权利要求910所述的系统，其中一个或多个移动数据收集器中的至少一个使用计算机视觉系统通过使用一个或多个数据捕获设备捕获原始图像数据并处理所述原始图像数据以生成图像集数据，来生成所述传感器数据，其中所述图像集数据用于产生所述工业机器服务建议。
913.一种方法，包括：
利用移动数据收集器生成表示工业机器状况的传感器数据；
通过分析所述传感器数据来确定所述工业机器状况的严重度；
基于状况的严重度预测对所述工业机器执行的维护操作；以及
将预测的维护操作的交易记录存储在与所述工业机器相关联的服务活动的分类账内。
914.根据权利要求913所述的方法，还包括：
针对预测的维护操作产生对用于执行维护操作的服务和部件的订购或请求中的至少一个；以及
将指示对服务和部件的订购或请求的至少一个的数据包括在所述交易记录内。
915.根据权利要求913所述的方法，其中所述移动数据收集器是移动车辆、移动机器人、手持设备或可穿戴设备中的一个。
916.根据权利要求913所述的方法，还包括：
对表示所述工业机器的状况的数据应用机器学习，
其中通过分析所述传感器数据来确定所述传感器数据的所述严重度包括：
使用应用的机器学习基于与在所述传感器数据中测得的所述工业机器的振动的频率或速度中的至少一个相关联的机器学习数据，来确定所述传感器数据的所述严重度。
917.根据权利要求913所述的方法，其中通过分析所述传感器数据来确定所述工业机器的所述状况的所述严重度包括：
通过处理捕获振动数据来确定捕获振动的频率；
基于所述频率，确定多段振动频谱中限定所述捕获振动范围的分段；以及
基于确定的分段为所述捕获振动计算严重度单元。
918.根据权利要求917所述的方法，其中基于状况的严重度预测对所述工业机器执行的维护操作包括：
在预测性维护电路中使用基于所述严重度单元生成的信号来确定所述维护操作。
919.根据权利要求913所述的方法，其中所述分类账使用区块链结构来跟踪对服务和部件的订购和请求中的至少一个的交易记录，其中每个记录被存储为所述区块链结构中的区块。
920.一种工业机器预测性维护系统，包括：
计算机视觉系统，其使用由一个或多个数据捕获设备捕获的原始数据生成一个或多个图像数据集，并且基于一个或多个图像数据集检测工业机器中的运行特征；
工业机器预测性维护设施，其通过对指示运行特征的数据应用机器故障检测和分类算法来产生工业机器服务建议；
计算机维护管理系统，其产生对服务和部件的订购和请求中的至少一个以响应接收到的工业机器服务建议；以及
服务和交付协调设施，其基于对服务和部件的订购和请求中的至少一个接收和处理在所述工业机器上执行的服务的相关信息。
921.根据权利要求920所述的工业机器预测性维护系统，其中所述服务和交付协调设施验证在所述工业机器上执行的服务，同时为所述工业机器生成服务活动和结果的分类账。
922.根据权利要求921所述的工业机器预测性维护系统，其中所述分类账使用区块链结构来跟踪对服务和部件的订购和请求中的至少一个的交易记录，其中每个记录被存储为所述区块链结构中的区块。
923.根据权利要求922所述的工业机器预测性维护系统，其中所述计算机维护管理系统通过将发货就绪、安装、操作传感器数据、服务事件、部件订购、服务订购或诊断活动中的至少一个的数据与所述分类账中最近生成的区块的散列组合来生成所述分类账的后续区块。
924.根据权利要求920所述的工业机器预测性维护系统，其中所述工业机器预测性维护设施使用存储在与所述工业机器相关联的知识库内的数据来产生所述工业机器服务建议。
925.根据权利要求920所述的工业机器预测性维护系统，其中所述运行特征与针对所述工业机器的至少一部分检测到的振动有关，其中所述工业机器预测性维护设施根据针对检测到的振动计算的严重度单元来产生所述工业机器服务建议。
926.根据权利要求925所述的工业机器预测性维护系统，其中通过确定检测到的振动的频率、确定多段振动频谱中限定检测到的振动范围的分段以及基于确定的分段计算检测到的振动的所述严重度单元，来针对检测到的振动计算所述严重度单元。
927.根据权利要求926所述的工业机器预测性维护系统，其中通过基于确定的分段将检测到的振动映射到多个严重度单元中的一个来确定多段振动频谱中限定检测到的振动范围的分段，其中每个所述严重度单元对应于所述多段振动频谱的不同范围。
928.根据权利要求927所述的工业机器预测性维护系统，其中当捕获振动的频率对应于所述多段振动频谱的低端拐点阈值范围以下时，检测到的振动映射到第一严重度单元，其中当捕获振动的频率对应于所述多段振动频谱的中间范围时，检测到的振动映射到第二严重度单元，其中当捕获振动的频率对应于所述多段振动频谱的高端拐点阈值范围以上时，检测到的振动映射到第三严重度单元。
929.根据权利要求925所述的工业机器预测性维护系统，其中所述严重度单元指示所检测到的振动可导致所述工业机器的至少一部分出现故障，其中所述工业机器服务建议包括用于防止或减轻故障的建议，其中对服务的订购和请求中的至少一个针对用于防止或减轻故障的部件或服务。
930.根据权利要求920所述的工业机器预测性维护系统，其中一个或多个数据捕获设备位于所述计算机视觉系统的外部。
931.根据权利要求920所述的工业机器预测性维护系统，还包括：
移动数据收集器，用于通过使用对服务和部件的订购和请求中的至少一个对所述工业机器执行与所述工业机器服务建议相对应的维护操作。
932.根据权利要求931所述的工业机器预测性维护系统，其中所述服务和交付协调设施从所述移动数据收集器接收指示所述维护操作执行的信号。
933.根据权利要求932所述的工业机器预测性维护系统，其中所述服务和交付协调设施使用分类账来记录所述工业机器的服务活动和结果，其中所述服务和交付协调设施基于从所述移动数据收集器接收的信号在所述分类账中生成新记录。
934.一种工业机器预测性维护系统，包括：
计算机视觉系统，其使用由一个或多个数据捕获设备捕获的原始数据生成一个或多个图像数据集，并且基于一个或多个图像数据集检测工业机器中的运行特征；
工业机器预测性维护设施，其通过对指示运行特征的数据应用机器故障检测和分类算法来产生工业机器服务建议；以及
计算机维护管理系统，其产生对服务和部件的订购和请求中的至少一个以响应接收到的所述工业机器服务建议。
935.根据权利要求934所述的工业机器预测性维护系统，还包括：
服务和交付协调设施，其基于对服务和部件的订购和请求中的至少一个接收和处理在所述工业机器上执行的服务的相关信息。
936.根据权利要求935所述的工业机器预测性维护系统，其中所述服务和交付协调设施验证在所述工业机器上执行的服务，同时为所述工业机器生成服务活动和结果的分类账。
937.根据权利要求936所述的工业机器预测性维护系统，其中所述分类账使用区块链结构来跟踪对服务和部件的订购和请求中的至少一个的交易记录，其中每个记录被存储为所述区块链结构中的区块。
938.根据权利要求937所述的工业机器预测性维护系统，其中所述计算机维护管理系统通过将发货就绪、安装、操作传感器数据、服务事件、部件订购、服务订购或诊断活动中的至少一个的数据与所述分类账中最近生成的区块的散列组合来生成所述分类账的后续区块。
939.根据权利要求934所述的工业机器预测性维护系统，其中所述工业机器预测性维护设施使用存储在与所述工业机器相关联的知识库内的数据来产生所述工业机器服务建议。
940.根据权利要求934所述的工业机器预测性维护系统，其中所述运行特征与针对所述工业机器的至少一部分检测到的振动有关，其中所述工业机器预测性维护设施根据针对检测到的振动计算的严重度单元来产生所述工业机器服务建议。
941.根据权利要求940所述的工业机器预测性维护系统，其中通过确定检测到的振动的频率、确定多段振动频谱中限定检测到的振动范围的分段以及基于确定的分段计算检测到的振动的所述严重度单元，来针对检测到的振动计算所述严重度单元。
942.根据权利要求941所述的工业机器预测性维护系统，其中通过基于确定的分段将检测到的振动映射到多个严重度单元中的一个来确定多段振动频谱中限定检测到的振动范围的分段，其中每个所述严重度单元对应于所述多段振动频谱的不同范围。
943.根据权利要求942所述的工业机器预测性维护系统，其中当所述捕获振动的所述频率对应于所述多段振动频谱的低端拐点阈值范围以下时，检测到的振动映射到第一严重度单元，其中当所述捕获振动的所述频率对应于所述多段振动频谱的中间范围时，检测到的振动映射到第二严重度单元，其中当所述捕获振动的所述频率对应于所述多段振动频谱的高端拐点阈值范围以上时，检测到的振动映射到第三严重度单元。
944.根据权利要求940所述的工业机器预测性维护系统，其中所述严重度单元指示所检测到的振动可导致所述工业机器的至少一部分出现故障，其中所述工业机器服务建议包括用于防止或减轻故障的建议，其中对服务的订购和请求中的至少一个针对用于防止或减轻故障的部件或服务。
945.根据权利要求934所述的工业机器预测性维护系统，其中一个或多个数据捕获设备位于所述计算机视觉系统的外部。
946.根据权利要求934所述的工业机器预测性维护系统，还包括：
移动数据收集器，用于通过使用对服务和部件的订购和请求中的至少一个对所述工业机器执行与所述工业机器服务建议相对应的维护操作。
947.根据权利要求946所述的工业机器预测性维护系统，其中所述服务和交付协调设施从所述移动数据收集器接收指示所述维护操作执行的信号。
948.根据权利要求947所述的工业机器预测性维护系统，其中所述服务和交付协调设施使用分类账来记录所述工业机器的服务活动和结果，其中所述服务和交付协调设施基于从所述移动数据收集器接收的信号在所述分类账中生成新记录。
949.根据权利要求946所述的工业机器预测性维护系统，其中所述移动数据收集器是移动车辆。
950.根据权利要求946所述的工业机器预测性维护系统，其中所述移动数据收集器是移动机器人。
951.根据权利要求946所述的工业机器预测性维护系统，其中所述移动数据收集器是手持设备。
952.根据权利要求946所述的工业机器预测性维护系统，其中所述移动数据收集器是可穿戴设备。
953.一种工业机器预测性维护系统，包括：
计算机视觉系统，其使用由一个或多个数据捕获设备捕获的原始数据生成一个或多个图像数据集，并且基于所述一个或多个图像数据集检测工业机器中的运行特征；
工业机器预测性维护设施，其基于所述运行特征产生工业机器服务建议；以及
移动数据收集器，用于对所述工业机器执行与所述工业机器服务建议相对应的维护操作。
954.根据权利要求953所述的工业机器预测性维护系统，其中所述移动数据收集器是移动数据收集器群中的一个移动数据收集器，所述工业机器预测性维护系统还包括：
所述移动数据收集器群的自组织系统，其控制所述移动数据收集器群的所述移动数据收集器在包括所述工业机器的工业环境内的移动。
955.根据权利要求953所述的工业机器预测性维护系统，其中所述工业机器预测性维护设施通过对指示所述运行特征的数据应用机器故障检测和分类算法来产生所述工业机器服务建议。
956.根据权利要求953所述的工业机器预测性维护系统，其中所述工业机器预测性维护设施使用存储在与所述工业机器相关联的知识库内的数据来产生所述工业机器服务建议。
957.根据权利要求953所述的工业机器预测性维护系统，其中所述运行特征与针对所述工业机器的至少一部分检测到的振动有关，其中所述工业机器预测性维护设施根据针对检测到的振动计算的严重度单元来产生所述工业机器服务建议。
958.根据权利要求957所述的工业机器预测性维护系统，其中通过确定检测到的振动的频率、确定多段振动频谱中限定检测到的振动范围的分段以及基于确定的分段计算检测到的振动的所述严重度单元，来针对检测到的振动计算所述严重度单元。
959.根据权利要求958所述的工业机器预测性维护系统，其中通过基于确定的分段将检测到的振动映射到多个严重度单元中的一个来确定多段振动频谱中限定检测到的振动范围的分段，其中每个所述严重度单元对应于所述多段振动频谱的不同范围。
960.根据权利要求959所述的工业机器预测性维护系统，其中当捕获振动的频率对应于所述多段振动频谱的低端拐点阈值范围以下时，检测到的振动映射到第一严重度单元，其中当捕获振动的频率对应于所述多段振动频谱的中间范围时，检测到的振动映射到第二严重度单元，其中当捕获振动的频率对应于所述多段振动频谱的高端拐点阈值范围以上时，检测到的振动映射到第三严重度单元。
961.根据权利要求957所述的工业机器预测性维护系统，其中所述严重度单元指示检测到的振动可导致所述工业机器的至少一部分出现故障，其中所述工业机器服务建议包括用于防止或减轻故障的建议。
962.根据权利要求953所述的工业机器预测性维护系统，还包括：
计算机维护管理系统，其产生对服务和部件的订购和请求中的至少一个以响应接收到的所述工业机器服务建议，
其中，所述移动数据收集器通过使用对服务和部件的订购和请求中的至少一个来执行所述维护操作。
963.根据权利要求962所述的工业机器预测性维护系统，还包括：
服务和交付协调设施，其基于对服务和部件的订购和请求中的至少一个接收和处理在所述工业机器上执行的服务的相关信息。
964.根据权利要求963所述的工业机器预测性维护系统，其中所述服务和交付协调设施验证在所述工业机器上执行的服务，同时为所述工业机器生成服务活动和结果的分类账。
965.根据权利要求964所述的工业机器预测性维护系统，其中所述分类账使用区块链结构来跟踪对服务和部件的订购和请求中的至少一个的交易记录，其中每个记录被存储为所述区块链结构中的区块。
966.根据权利要求965所述的工业机器预测性维护系统，其中所述计算机维护管理系统通过将发货就绪、安装、操作传感器数据、服务事件、部件订购、服务订购或诊断活动中的至少一个的数据与所述分类账中最近生成的区块的散列组合来生成所述分类账的后续区块。
967.一种用于工业机器预测性维护的方法，包括：
使用移动数据收集器的一个或多个传感器生成表示工业机器的状况的数据；
处理所述数据以确定所述工业机器的所述状况的严重度；
基于所述严重度确定针对所述工业机器的所述状况的工业机器服务建议；以及
生成指示所述工业机器服务建议的信号。
968.根据权利要求967所述的方法，其中所述移动数据收集器使用计算机视觉系统，所述计算机视觉系统使用由一个或多个数据捕获设备捕获的原始数据来生成一个或多个图像数据集作为所述数据，并且基于一个或多个图像数据集来检测工业机器的运行特征，其中所述运行特征对应于所述工业机器的所述状况。
969.根据权利要求967所述的方法，其中所述移动数据收集器是移动机器人。
970.根据权利要求967所述的方法，其中所述移动数据收集器是移动车辆。
971.根据权利要求967所述的方法，其中所述移动数据收集器是手持设备。
972.根据权利要求967所述的方法，其中所述移动数据收集器是可穿戴设备。
973.根据权利要求967所述的方法，其中基于所述严重度来确定所述工业机器的所述状况的所述工业机器服务建议包括：
使用智能系统对所述数据和所述严重度应用机器故障检测和分类算法。
974.根据权利要求967所述的方法，其中所述工业机器的所述状况涉及针对所述工业机器的至少一部分检测到的振动，其中处理所述数据以确定所述工业机器的所述状况的所述严重度包括：
确定检测到的振动的频率；
确定多段振动频谱中限定检测到的振动范围的分段；以及
基于确定的分段计算检测到的振动的所述严重度。
975.根据权利要求974所述的方法，其中所述严重度对应于严重度单元，其中通过基于确定的分段将检测到的振动映射到多个严重度单元中的一个来确定多段振动频谱中限定检测到的振动范围的分段，其中每个所述严重度单元对应于所述多段振动频谱的不同范围。
976.根据权利要求975所述的方法，还包括：
当检测到的振动的频率对应于所述多段振动频谱的低端拐点阈值范围以下时，将检测到的振动映射到第一严重度单元；
当检测到的振动述频率对应于所述多段振动频谱的中间范围时，将检测到的振动映射到第二严重度单元；以及
当检测到的振动的频率对应于所述多段振动频谱的高端拐点阈值范围以上时，将检测到的振动映射到第三严重度单元。
977.根据权利要求967所述的方法，还包括：
向移动机器人发送所述信号，所述移动机器人用于执行与所述工业机器服务建议相关联的维护操作。
978.根据权利要求967所述的方法，还包括：
将所述工业机器服务建议的记录存储在与所述工业机器相关联的服务活动的分类账中。
979.根据权利要求978所述的方法，其中所述分类账使用区块链结构来跟踪用于所述工业机器的工业机器服务建议的记录，其中每个记录被存储为所述区块链结构中的区块。
980.根据权利要求967所述的方法，还包括：
基于所述工业机器服务建议产生对服务和部件的订购或请求中的至少一个，其中所述信号指示对服务和部件的订购或请求中的至少一个。
981.一种用于工业机器预测性维护的方法，包括：
使用一个或多个可穿戴设备生成表示工业机器的状况的数据，每个可穿戴设备包括一个或多个传感器，其中当一个或多个可穿戴设备中的可穿戴设备接近所述工业机器时，所述可穿戴设备生成所述数据的部分或全部；
处理所述数据以确定所述工业机器的所述状况的严重度；
基于所述严重度确定针对所述工业机器的所述状况的工业机器服务建议；以及
将所述工业机器服务建议的记录存储在与所述工业机器相关联的服务活动的分类账中。
982.根据权利要求981所述的方法，其中所述工业机器的所述状况涉及针对所述工业机器的至少一部分检测到的振动，其中处理所述数据以确定所述工业机器的所述状况的所述严重度包括：
确定检测到的振动的频率；
确定多段振动频谱中限定检测到的振动范围的分段；以及
基于确定的分段计算检测到的振动的所述严重度。
983.根据权利要求982所述的方法，其中所述严重度对应于严重度单元，其中通过基于确定的分段将检测到的振动映射到多个严重度单元中的一个来确定多段振动频谱中限定检测到的振动范围的所述分段，其中每个所述严重度单元对应于所述多段振动频谱的不同范围。
984.根据权利要求983所述的方法，还包括：
当检测到的振动的频率对应于所述多段振动频谱的低端拐点阈值范围以下时，将检测到的振动映射到第一严重度单元；
当检测到的振动的频率对应于所述多段振动频谱的中间范围时，将检测到的振动映射到第二严重度单元；以及
当检测到的振动的频率对应于所述多段振动频谱的高端拐点阈值范围以上时，将检测到的振动映射到第三严重度单元。
985.根据权利要求981所述的方法，其中基于所述严重度来确定所述工业机器的所述状况的所述工业机器服务建议包括：
使用智能系统对所述数据和所述严重度应用机器故障检测和分类算法。
986.根据权利要求985所述的方法，其中所述智能系统包括YOLO神经网络。
987.根据权利要求985所述的方法，其中所述智能系统包括YOLO卷积神经网络。
988.根据权利要求985所述的方法，其中所述智能系统包括用于在现场可编程门阵列上操作或从现场可编程门阵列操作的一组神经网络。
989.根据权利要求985所述的方法，其中所述智能系统包括用于在现场可编程门阵列和图形处理单元混合组件上操作或从所述现场可编程门阵列和图形处理单元混合组件操作的一组神经网络。
990.根据权利要求985所述的方法，其中所述智能系统包括用于混合神经网络的用户可配置的串行和并行流。
991.根据权利要求985所述的方法，其中所述智能系统包括用于为一组神经网络配置拓扑或工作流的机器学习系统。
992.根据权利要求985所述的方法，其中所述智能系统包括用于为一组神经网络配置拓扑或工作流的深度学习系统。
993.根据权利要求981所述的方法，其中所述分类账使用区块链结构来跟踪用于所述工业机器的工业机器服务建议的记录，其中每个记录被存储为所述区块链结构中的区块。
994.根据权利要求993所述的方法，还包括：
基于所述工业机器服务建议产生对服务和部件的订购或请求中的至少一个，其中存储在所述分类账中的所述工业机器服务建议的所述记录指示对所述服务和部件的订购或请求中的至少一个。
995.根据权利要求981所述的方法，其中一个或多个可穿戴设备集成在工业制服内。
996.根据权利要求981所述的方法，其中所述可穿戴设备集成在衣物内。
997.根据权利要求996所述的方法，其中所述衣物是衬衫。
998.根据权利要求996所述的方法，其中所述衣物是背心。
999.根据权利要求996所述的方法，其中所述衣物是夹克。
1000.根据权利要求996所述的方法，其中所述衣物是长裤。
1001.根据权利要求996所述的方法，其中所述衣物是短裤。
1002.根据权利要求996所述的方法，其中所述衣物是手套。
1003.根据权利要求996所述的方法，其中所述衣物是袜子。
1004.根据权利要求996所述的方法，其中所述衣物是鞋子。
1005.根据权利要求996所述的方法，其中所述衣物是防护外衣。
1006.根据权利要求996所述的方法，其中所述衣物是内衣。
1007.根据权利要求996所述的方法，其中所述衣物是汗衫。
1008.根据权利要求996所述的方法，其中所述衣物是无袖衫。
1009.根据权利要求981所述的方法，其中所述可穿戴设备集成在配件物品内。
1010.根据权利要求1009所述的方法，其中所述配件物品是帽子。
1011.根据权利要求1009所述的方法，其中所述配件物品是头盔。
1012.根据权利要求1009所述的方法，其中所述配件物品是眼镜。
1013.根据权利要求1009所述的方法，其中所述配件物品是护目镜。
1014.根据权利要求1009所述的方法，其中所述配件物品是视觉安全配件。
1015.根据权利要求1009所述的方法，其中所述配件物品是面具。
1016.根据权利要求1009所述的方法，其中所述配件物品是胸带。
1017.根据权利要求1009所述的方法，其中所述配件物品是皮带。
1018.根据权利要求1009所述的方法，其中所述配件物品是升降支撑服。
1019.根据权利要求1009所述的方法，其中所述配件物品是天线。
1020.根据权利要求1009所述的方法，其中所述配件物品是腕带。
1021.根据权利要求1009所述的方法，其中所述配件物品是戒指。
1022.根据权利要求1009所述的方法，其中所述配件物品是项链。
1023.根据权利要求1009所述的方法，其中所述配件物品是手镯。
1024.根据权利要求1009所述的方法，其中所述配件物品是手表。
1025.根据权利要求1009所述的方法，其中所述配件物品是胸针。
1026.根据权利要求1009所述的方法，其中所述配件物品是颈带。
1027.根据权利要求1009所述的方法，其中所述配件物品是背包。
1028.根据权利要求1009所述的方法，其中所述配件物品是胸包。
1029.根据权利要求1009所述的方法，其中所述配件物品是臂包。
1030.根据权利要求1009所述的方法，其中所述配件物品是腿包。
1031.根据权利要求1009所述的方法，其中所述配件物品是挂带。
1032.根据权利要求1009所述的方法，其中所述配件物品是钥匙环。
1033.根据权利要求1009所述的方法，其中所述配件物品是耳机。
1034.根据权利要求1009所述的方法，其中所述配件物品是听力安全配件。
1035.根据权利要求1009所述的方法，其中所述配件物品是耳塞。
1036.根据权利要求1009所述的方法，其中所述配件物品是听筒。
1037.一种用于工业机器预测性维护的方法，包括：
使用一个或多个手持设备生成表示工业机器的状况的数据，每个手持设备包括一个或多个传感器，其中当一个或多个手持设备中的手持设备接近所述工业机器时，所述手持设备生成所述数据的部分或全部；
处理所述数据以确定所述工业机器的所述状况的严重度；
基于所述严重度确定针对所述工业机器的所述状况的工业机器服务建议；以及
将所述工业机器服务建议的记录存储在与所述工业机器相关联的服务活动的分类账中。
1038.根据权利要求1037所述的方法，其中所述工业机器的所述状况涉及针对所述工业机器的至少一部分检测到的振动，其中处理所述数据以确定所述工业机器的所述状况的所述严重度包括：
确定检测到的振动的频率；
确定多段振动频谱中限定检测到的振动范围的分段；以及
基于确定的分段计算检测到的振动的所述严重度。
1039.根据权利要求1038所述的方法，其中所述严重度对应于严重度单元，其中通过基于确定的分段将检测到的振动映射到多个严重度单元中的一个来确定多段振动频谱中限定检测到的振动范围的分段，其中每个所述严重度单元中对应于所述多段振动频谱的不同范围。
1040.根据权利要求1039所述的方法，还包括：
当检测到的振动的频率对应于所述多段振动频谱的低端拐点阈值范围以下时，将检测到的振动映射到第一严重度单元；
当检测到的振动的频率对应于所述多段振动频谱的中间范围时，将检测到的振动映射到第二严重度单元；以及
当检测到的振动的频率对应于所述多段振动频谱的高端拐点阈值范围以上时，将检测到的振动映射到第三严重度单元。
1041.根据权利要求1037所述的方法，其中基于所述严重度来确定所述工业机器的所述状况的所述工业机器服务建议包括：
使用智能系统对所述数据和所述严重度应用机器故障检测和分类算法。
1042.根据权利要求1041所述的方法，其中所述智能系统包括YOLO神经网络。
1043.根据权利要求1041所述的方法，其中所述智能系统包括YOLO卷积神经网络。
1044.根据权利要求1041所述的方法，其中所述智能系统包括用于在现场可编程门阵列上操作或从现场可编程门阵列操作的一组神经网络。
1045.根据权利要求1041所述的方法，其中所述智能系统包括用于在现场可编程门阵列和图形处理单元混合组件上操作或从所述现场可编程门阵列和图形处理单元混合组件操作的一组神经网络。
1046.根据权利要求1041所述的方法，其中所述智能系统包括用于混合神经网络的用户可配置的串行和并行流。
1047.根据权利要求1041所述的方法，其中所述智能系统包括用于为一组神经网络配置拓扑或工作流的机器学习系统。
1048.根据权利要求1041所述的方法，其中所述智能系统包括用于为一组神经网络配置拓扑或工作流的深度学习系统。
1049.根据权利要求1037所述的方法，其中所述分类账使用区块链结构来跟踪用于所述工业机器的工业机器服务建议的记录，其中每个记录被存储为所述区块链结构中的区块。
1050.根据权利要求1049所述的方法，还包括：
基于所述工业机器服务建议产生对服务和部件的订购或请求中的至少一个，其中存储在所述分类账中的工业机器服务建议的所述记录指示对所述服务和部件的订购或请求中的至少一个。
1051.根据权利要求1037所述的方法，其中所述手持设备是手机。
1052.根据权利要求1037所述的方法，其中所述手持设备是笔记本电脑。
1053.根据权利要求1037所述的方法，其中所述手持设备是平板电脑。
1054.根据权利要求1037所述的方法，其中所述手持设备是个人数字助理。
1055.根据权利要求1037所述的方法，其中所述手持设备是对讲机。
1056.根据权利要求1037所述的方法，其中所述手持设备是无线电设备。
1057.根据权利要求1037所述的方法，其中所述手持设备是远程通信设备。
1058.根据权利要求1037所述的方法，其中所述手持设备是短距离通信设备。
1059.根据权利要求1037所述的方法，其中所述手持设备是手电筒。
1060.一种用于工业机器预测性维护的方法，包括：
使用一个或多个移动机器人生成表示工业机器的状况的数据，每个移动机器人包括一个或多个传感器，其中当一个或多个移动机器人中的移动机器人接近所述工业机器时，所述移动机器人生成所述数据的部分或全部；
处理所述数据以确定所述工业机器的所述状况的严重度；
基于所述严重度确定针对所述工业机器的所述状况的工业机器服务建议；以及
将所述工业机器服务建议的记录存储在与所述工业机器相关联的服务活动的分类账中。
1061.根据权利要求1060所述的方法，其中所述工业机器的所述状况涉及针对所述工业机器的至少一部分检测到的振动，其中处理所述数据以确定所述工业机器的所述状况的所述严重度包括：
确定检测到的振动的频率；
确定多段振动频谱中限定检测到的振动范围的分段；以及
基于确定的分段计算检测到的振动的所述严重度。
1062.根据权利要求1061所述的方法，其中所述严重度对应于严重度单元，其中通过基于确定的分段将检测到的振动映射到多个严重度单元中的一个来确定多段振动频谱中限定检测到的振动范围的分段，其中每个所述严重度单元对应于所述多段振动频谱的不同范围。
1063.根据权利要求1062所述的方法，还包括：
当检测到的振动的频率对应于所述多段振动频谱的低端拐点阈值范围以下时，将检测到的振动映射到第一严重度单元；
当检测到的振动的频率对应于所述多段振动频谱的中间范围时，将检测到的振动映射到第二严重度单元；以及
当检测到的振动的频率对应于所述多段振动频谱的高端拐点阈值范围以上时，将检测到的振动映射到第三严重度单元。
1064.根据权利要求1060所述的方法，其中基于所述严重度来确定所述工业机器的所述状况的所述工业机器服务建议包括：
使用智能系统对所述数据和所述严重度应用机器故障检测和分类算法。
1065.根据权利要求1064所述的方法，其中所述智能系统包括YOLO神经网络。
1066.根据权利要求1064所述的方法，其中所述智能系统包括YOLO卷积神经网络。
1067.根据权利要求1064所述的方法，其中所述智能系统包括用于在现场可编程门阵列上操作或从现场可编程门阵列操作的一组神经网络。
1068.根据权利要求1064所述的方法，其中所述智能系统包括用于在现场可编程门阵列和图形处理单元混合组件上操作或从所述现场可编程门阵列和图形处理单元混合组件操作的一组神经网络。
1069.根据权利要求1064所述的方法，其中所述智能系统包括用于混合神经网络的用户可配置的串行和并行流。
1070.根据权利要求1064所述的方法，其中所述智能系统包括用于为一组神经网络配置拓扑或工作流的机器学习系统。
1071.根据权利要求1064所述的方法，其中所述智能系统包括用于为一组神经网络配置拓扑或工作流的深度学习系统。
1072.根据权利要求1060所述的方法，其中所述分类账使用区块链结构来跟踪用于所述工业机器的工业机器服务建议的记录，其中每个记录被存储为所述区块链结构中的区块。
1073.根据权利要求1072所述的方法，还包括：
基于所述工业机器服务建议产生对服务和部件的订购或请求中的至少一个，其中存储在所述分类账中的工业机器服务建议的所述记录指示对所述服务和部件的订购或请求中的至少一个。
1074.根据权利要求1060所述的方法，其中所述移动机器人是移动数据收集器群的多个移动机器人中的一个。
1075.根据权利要求1074所述的方法，还包括：
控制所述移动数据收集器群，使所述移动机器人接近所述工业机器在工业环境内的位置。
1076.根据权利要求1075所述的方法，其中控制所述移动数据收集器群，使所述移动机器人接近所述工业机器在工业环境内的位置包括：
使用所述移动数据收集器群的自组织系统，基于所述移动数据收集器群的其它移动机器人在所述工业环境内的位置来控制所述移动机器人在所述工业环境内的移动。
1077.根据权利要求1060所述的方法，其中所述移动机器人是机械臂。
1078.根据权利要求1060所述的方法，其中所述移动机器人是安卓机器人。
1079.根据权利要求1060所述的方法，其中所述移动机器人是小型自主机器人。
1080.根据权利要求1060所述的方法，其中所述移动机器人是大型自主机器人。
1081.根据权利要求1060所述的方法，其中所述移动机器人是遥控机器人。
1082.根据权利要求1060所述的方法，其中所述移动机器人是可编程配置机器人。
1083.一种用于工业机器预测性维护的方法，包括：
使用一个或多个移动车辆生成表示工业机器的状况的数据，每个移动车辆包括一个或多个传感器，其中当一个或多个移动车辆中的移动车辆接近所述工业机器时，所述移动车辆生成所述数据的部分或全部；
处理所述数据以确定所述工业机器的所述状况的严重度；
基于所述严重度确定针对所述工业机器的所述状况的工业机器服务建议；以及
将所述工业机器服务建议的记录存储在与所述工业机器相关联的服务活动的分类账中。
1084.根据权利要求1083所述的方法，其中所述工业机器的所述状况涉及针对所述工业机器的至少一部分检测到的振动，其中处理所述数据以确定所述工业机器的所述状况的所述严重度包括：
确定检测到的振动的频率；
确定多段振动频谱中限定检测到的振动范围的分段；以及
基于确定的分段计算检测到的振动的所述严重度。
1085.根据权利要求1084所述的方法，其中所述严重度对应于严重度单元，其中通过基于确定的分段将检测到的振动映射到多个严重度单元中的一个来确定多段振动频谱中限定检测到的振动范围的分段，其中每个所述严重度单元对应于所述多段振动频谱的不同范围。
1086.根据权利要求1085所述的方法，还包括：
当检测到的振动的频率对应于所述多段振动频谱的低端拐点阈值范围以下时，将检测到的振动映射到第一严重度单元；
当检测到的振动的频率对应于所述多段振动频谱的中间范围时，将检测到的振动映射到第二严重度单元；以及
当检测到的振动的频率对应于所述多段振动频谱的高端拐点阈值范围以上时，将检测到的振动映射到第三严重度单元。
1087.根据权利要求1083所述的方法，其中基于所述严重度来确定所述工业机器的所述状况的所述工业机器服务建议包括：
使用智能系统对所述数据和所述严重度应用机器故障检测和分类算法。
1088.根据权利要求1087所述的方法，其中所述智能系统包括YOLO神经网络。
1089.根据权利要求1087所述的方法，其中所述智能系统包括YOLO卷积神经网络。
1090.根据权利要求1087所述的方法，其中所述智能系统包括用于在现场可编程门阵列上操作或从现场可编程门阵列操作的一组神经网络。
1091.根据权利要求1087所述的方法，其中所述智能系统包括用于在现场可编程门阵列和图形处理单元混合组件上操作或从所述现场可编程门阵列和图形处理单元混合组件操作的一组神经网络。
1092.根据权利要求1087所述的方法，其中所述智能系统包括用于混合神经网络的用户可配置的串行和并行流。
1093.根据权利要求1087所述的方法，其中所述智能系统包括用于为一组神经网络配置拓扑或工作流的机器学习系统。
1094.根据权利要求1087所述的方法，其中所述智能系统包括用于为一组神经网络配置拓扑或工作流的深度学习系统。
1095.根据权利要求1083所述的方法，其中所述分类账使用区块链结构来跟踪用于所述工业机器的工业机器服务建议的记录，其中每个记录被存储为所述区块链结构中的区块。
1096.根据权利要求1095所述的方法，还包括：
基于所述工业机器服务建议产生对服务和部件的订购或请求中的至少一个，其中存储在所述分类账中的所述工业机器服务建议的所述记录指示对服务和部件的订购或请求中的至少一个。
1097.根据权利要求1083所述的方法，其中所述移动车辆是移动数据收集器群的多个移动车辆中的一个。
1098.根据权利要求1097所述的方法，还包括：
控制所述移动数据收集器群，使所述移动车辆接近所述工业机器在工业环境内的位置。
1099.根据权利要求1098所述的方法，其中控制所述移动数据收集器群，使所述移动车辆接近所述工业机器在工业环境内的位置包括：
使用所述移动数据收集器群的自组织系统，基于所述移动数据收集器群的其它移动车辆在所述工业环境内的位置来控制所述移动车辆在所述工业环境内的移动。
1100.根据权利要求1083所述的方法，其中所述移动车辆是重型机器。
1101.根据权利要求1083所述的方法，其中所述移动车辆是重型公路工业车辆。
1102.根据权利要求1083所述的方法，其中所述移动车辆是重型越野工业车辆。
1103.根据权利要求1083所述的方法，其中所述移动车辆包括工业机器。
1104.根据权利要求1083所述的方法，其中所述移动车辆包括推土设备。
1105.根据权利要求1083所述的方法，其中所述移动车辆包括压土设备。
1106.根据权利要求1083所述的方法，其中所述移动车辆包括牵引设备。
1107.根据权利要求1083所述的方法，其中所述移动车辆包括起重设备。
1108.根据权利要求1083所述的方法，其中所述移动车辆包括输送设备。
1109.根据权利要求1083所述的方法，其中所述移动车辆包括集料生产设备。
1110.根据权利要求1083所述的方法，其中所述移动车辆包括在混凝土施工中使用的设备。
1111.根据权利要求1083所述的方法，其中所述移动车辆包括打桩设备。
1112.根据权利要求1083所述的方法，其中所述移动车辆包括施工设备。
1113.根据权利要求1083所述的方法，其中所述移动车辆是人员运输车辆。
1114.根据权利要求1083所述的方法，其中所述移动车辆是无人驾驶车辆。
1115.一种方法，包括：
训练计算机视觉系统以使用包括图像数据或非图像数据中的至少一个的训练数据集来检测工业机器的状况；
使用经过训练的计算机视觉并基于使用一个或多个数据捕获设备生成的数据集来检测工业机器的状况；
确定检测到的状况的严重度值，所述严重度表示检测到的状况对所述工业机器的影响；
基于所述严重度值产生对服务和部件的订购或请求中的至少一个，所述服务和部件用于解决与所述工业机器的检测到的状况相关的问题；以及
将与所述工业机器的检测到的状况相关的问题的记录存储在与所述工业机器相关联的分类账中。
1116.根据权利要求1115所述的方法，其中一个或多个数据捕获设备包括辐射成像设备、声波捕获设备、激光雷达设备、点云捕获设备或红外检测设备。
1117.根据权利要求1115所述的方法，其中检测到的状况基于所述工业机器的振动特性来检测。
1118.根据权利要求1115所述的方法，其中检测到的状况基于所述工业机器的压力特性来检测。
1119.根据权利要求1115所述的方法，其中检测到的状况基于所述工业机器的温度特性来检测。
1120.根据权利要求1115所述的方法，其中检测到的状况基于所述工业机器的化学特性来检测。
1121.根据权利要求1115所述的方法，其中训练所述计算机视觉系统以使用包括图像数据或非图像数据中的至少一个的训练数据集来检测所述工业机器的状况包括：
使用深度学习系统从所述图像数据或非图像数据中的至少一个检测特征；以及
利用检测到的特征训练待学习的分类模型，以基于检测到的特征和基于结果反馈来检测所述工业机器的状况。
1122.根据权利要求1121所述的方法，其中所述结果反馈涉及所述工业机器、用于使用所述工业机器的过程或包括所述工业机器的设施中的维护、维修、正常运行时间、停机时间、盈利能力、效率或操作优化中的至少一种。
1123.根据权利要求1115所述的方法，其中使用经过训练的计算机视觉并基于使用一个或多个数据捕获设备生成的所述数据集来检测所述工业机器的状况包括：
使用部件识别来识别所述工业机器中将导致与检测到的状况相关的问题的一个或多个组件，其中服务和部件的订购或请求中的至少一个用于替换一个或多个组件的部件。
1124.根据权利要求1123所述的方法，其中当所述严重度值不满足阈值时，不产生对服务和部件的订购或请求中的至少一个。
1125.根据权利要求1115所述的方法，还包括：
根据检测到的状况、对服务和部件的订购或请求中的至少一个、或所述分类账中的所述存储记录中的至少一个，使用预测性维护知识系统更新预测性维护知识库。
1126.一种系统，包括：
计算机维护管理系统，其产生对服务和部件的订购或请求中的至少一个以响应接收到的与工业机器相对应的工业机器服务建议，并生成指示所产生的对服务和部件的订购或请求中的至少一个的信号；
移动数据收集器，其接收所述信号并向使用所述移动数据收集器的工人指示所述工业机器服务建议或所产生的对服务和部件的订购或请求中的至少一个。
1127.根据权利要求1126所述的系统，其中所述移动数据收集器是可穿戴设备，其中所述可穿戴设备通过向所述可穿戴设备的显示屏输出指示所述工业机器服务建议或所产生的对服务和部件的所述订购或请求中的至少一个的数据，来向所述工人指示所述工业机器服务建议或所产生的对服务和部件的订购或请求中的至少一个。
1128.根据权利要求1126所述的系统，其中所述移动数据收集器是手持设备，其中所述手持设备通过向所述手持设备的显示屏输出指示所述工业机器服务建议或所产生的对服务和部件的订购或请求中的至少一个的数据，来向所述工人指示所述工业机器服务建议或所产生的对服务和部件的订购或请求中的至少一个。
1129.根据权利要求1126所述的系统，还包括：
服务和交付协调设施，其接收并处理关于对所述工业机器执行的服务的信息以响应对服务和部件的订购和请求中的至少一个，从而验证执行的所述服务，同时为所述工业机器产生服务活动和结果的分类账。
1130.根据权利要求1129所述的系统，还包括：
自组织数据收集器，其使得新记录被存储在所述分类账中，所述新记录指示以下各项中的至少一个：所述工业机器服务建议或所产生的对服务和部件的订购或请求中的至少一个。
1131.根据权利要求1129所述的系统，其中所述分类账使用区块链结构来跟踪对服务和部件的订购和请求中的至少一个的交易记录，其中每个记录被存储为所述区块链结构中的区块。
1132.根据权利要求1131所述的系统，其中所述计算机维护管理系统通过将发货就绪、安装、操作传感器数据、服务事件、部件订购、服务订购或诊断活动中的至少一个的数据与所述分类账中最近生成的区块的散列组合来生成所述分类账的后续区块。
1133.一种系统，包括：
计算机维护管理系统，其产生对服务和部件的订购或请求中的至少一个以响应接收到与工业机器相对应的工业机器服务建议，并生成指示所产生的对服务和部件的订购或请求中的至少一个的信号；
移动数据收集器，其接收所述信号并向使用所述移动数据收集器的工人指示所述工业机器服务建议或所产生的对服务和部件的订购或请求中的至少一个；以及
服务和交付协调设施，其接收并处理关于对所述工业机器执行的服务的信息以响应对服务和部件的订购和请求中的至少一个，从而验证执行的所述服务，同时为所述工业机器产生服务活动和结果的分类账。
1134.根据权利要求1133所述的系统，其中所述移动数据收集器是可穿戴设备，其中所述可穿戴设备通过向所述可穿戴设备的显示屏输出指示所述工业机器服务建议或所产生的对服务和部件的订购或请求中的至少一个的数据，来向所述工人指示所述工业机器服务建议或所产生的对服务和部件的订购或请求中的至少一个。
1135.根据权利要求1133所述的系统，其中所述移动数据收集器是手持设备，其中所述手持设备通过向所述手持设备的显示屏输出指示所述工业机器服务建议或所产生的对服务和部件的订购或请求中的至少一个的数据，来向所述工人指示所述工业机器服务建议或所产生的对服务和部件的订购或请求中的至少一个。
1136.根据权利要求1133所述的系统，还包括：
自组织数据收集器，其使得新记录被存储在所述分类账中，所述新记录指示以下各项中的至少一个：所述工业机器服务建议或所产生的对服务和部件的订购或请求中的至少一个。
1137.根据权利要求1133所述的系统，其中所述分类账使用区块链结构来跟踪对服务和部件的订购和请求中的至少一个的交易记录，其中每个记录被存储为所述区块链结构中的区块。
1138.根据权利要求1137所述的系统，其中所述计算机维护管理系统通过将发货就绪、安装、操作传感器数据、服务事件、部件订购、服务订购或诊断活动中的至少一个的数据与所述分类账中最近生成的区块的散列组合来生成所述分类账的后续区块。
1139.一种系统，包括：
计算机维护管理系统，其产生对服务和部件的订购或请求中的至少一个以响应接收到与工业机器相对应的工业机器服务建议，并生成指示所产生的对服务和部件的订购或请求中的至少一个的信号；
移动数据收集器，其接收所述信号并向使用所述移动数据收集器的工人指示所述工业机器服务建议或所产生的对服务和部件的订购或请求中的至少一个；以及
自组织数据收集器，其使得新记录被存储在分类账中，所述新记录指示以下各项中的至少一个：所述工业机器服务建议或所产生的对服务和部件的订购或请求中的至少一个，
其中所述分类账使用区块链结构来跟踪对服务和部件的所述订购和所述请求中的所述至少一个的交易记录，其中每个记录被存储为所述区块链结构中的区块。
1140.根据权利要求1139所述的系统，其中所述移动数据收集器是可穿戴设备，其中所述可穿戴设备通过向所述可穿戴设备的显示屏输出指示所述工业机器服务建议或所产生的对服务和部件的订购或请求中的至少一个的数据，来向所述工人指示所述工业机器服务建议或所产生的对服务和部件的订购或请求中的至少一个。
1141.根据权利要求1139所述的系统，其中所述移动数据收集器是手持设备，其中所述手持设备通过向所述手持设备的显示屏输出指示所述工业机器服务建议或所产生的对服务和部件的订购或请求中的至少一个的数据，来向所述工人指示所述工业机器服务建议或所产生的对服务和部件的订购或请求中的至少一个。
1142.根据权利要求1139所述的系统，还包括：
自组织数据收集器，其使得新记录被存储在所述分类账中，所述新记录指示以下各项中的至少一个：所述工业机器服务建议或所产生的对服务和部件的订购或请求中的至少一个。
1143.根据权利要求1139所述的系统，其中所述计算机维护管理系统通过将发货就绪、安装、操作传感器数据、服务事件、部件订购、服务订购或诊断活动中的至少一个的数据与所述分类账中最近生成的区块的散列组合来生成所述分类账的后续区块。
1144.根据权利要求1139所述的系统，还包括：
工业机器预测性维护设施，其通过对工业机器运行状况监测数据应用机器故障检测和分类算法，基于所述工业机器运行状况监测数据产生所述工业机器服务建议。
1145.根据权利要求1144所述的系统，还包括：
工业机器数据分析设施，其通过对表示所述工业机器各部分状况的数据应用机器学习生成所述工业机器运行状况监测数据流，表示工业机器各部分状况的数据是通过数据收集网络接收的。
1146.一种方法，包括：
使用移动数据收集器的一个或多个传感器检测工业机器的运行特征；
通过网络向服务器发送指示所述运行特征的数据；
使用与所述服务器相关联的智能系统依据所述工业机器的预先记录数据处理所述运行特征，其中依据所述工业机器的所述预先记录数据处理所述运行特征包括在与包括所述工业机器的工业环境相关联的知识库内识别所述工业机器的所述预先记录数据；
识别由所述工业机器在所述知识库内的所述预先记录数据指示的特征以作为所述工业机器的状况；
确定所述状况的严重度，所述严重度表示所述状况对所述工业机器的影响；
基于所述状况的所述严重度预测待对所述工业机器执行的维护操作；以及
将所述预测的维护操作的交易记录存储在与所述工业机器相关联的服务活动的分类账内。
1147.根据权利要求1146所述的方法，其中所述移动数据收集器是移动机器人。
1148.根据权利要求1146所述的方法，其中所述移动数据收集器是移动车辆。
1149.根据权利要求1146所述的方法，其中所述移动数据收集器是手持设备。
1150.根据权利要求1146所述的方法，其中所述移动数据收集器是可穿戴设备。
1151.根据权利要求1146所述的方法，其中所述工业机器的所述状况涉及针对所述工业机器的至少一部分检测到的振动，其中确定所述状况的所述严重度包括：
确定振动的频率；
确定多段振动频谱中限定振动范围的分段；以及
基于确定的分段计算检测到的振动的所述严重度。
1152.根据权利要求1151所述的方法，其中所述严重度对应于严重度单元，其中通过基于确定的分段将振动映射到多个严重度单元中的一个来确定多段振动频谱中限定振动范围的分段，其中每个所述严重度单元对应于所述多段振动频谱的不同范围。
1153.根据权利要求1152所述的方法，还包括：
当振动的频率对应于所述多段振动频谱的低端拐点阈值范围以下时，将振动映射到第一严重度单元；
当振动的频率对应于所述多段振动频谱的中间范围时，将振动映射到第二严重度单元；以及
当振动的频率对应于所述多段振动频谱的高端拐点阈值范围以上时，将振动映射到第三严重度单元。
1154.根据权利要求1146所述的方法，其中所述分类账使用区块链结构来跟踪用于所述工业机器的预测性维护操作的交易记录，其中每一所述交易记录被存储为所述区块链结构中的区块。
1155.根据权利要求1146所述的方法，其中所述工业机器的状况涉及针对所述工业机器的至少一部分检测到的温度。
1156.根据权利要求1146所述的方法，其中所述工业机器的状态涉及针对所述工业机器的至少一部分检测到的电输出。
1157.根据权利要求1146所述的方法，其中所述工业机器的状况涉及针对所述工业机器的至少一部分检测到的磁输出。
1158.根据权利要求1146所述的方法，其中所述工业机器的状况涉及针对所述工业机器的至少一部分检测到的声音输出。
1159.一种方法，包括：
使用移动数据收集器的一个或多个传感器检测工业机器的运行特征；
通过网络向服务器发送指示所述运行特征的数据；
使用与所述服务器相关联的智能系统依据所述工业机器的预先记录数据处理所述运行特征，其中依据所述工业机器的所述预先记录数据处理所述运行特征包括在与包括所述工业机器的工业环境相关联的知识库内识别所述工业机器的所述预先记录数据；
识别由所述工业机器在所述知识库内的所述预先记录数据指示的特征以作为所述工业机器的状况，所述工业机器的状况涉及针对所述工业机器的至少一部分检测到的振动；
基于多段振动频谱中限定振动范围的分段来确定所述状况的严重度，所述严重度表示所述状况对所述工业机器的影响；以及
基于所述状况的所述严重度预测待对所述工业机器执行的维护操作。
1160.根据权利要求1159所述的方法，其中所述移动数据收集器是移动机器人。
1161.根据权利要求1159所述的方法，其中所述移动数据收集器是移动车辆。
1162.根据权利要求1159所述的方法，其中所述移动数据收集器是手持设备。
1163.根据权利要求1159所述的方法，其中所述移动数据收集器是可穿戴设备。
1164.根据权利要求1159所述的方法，其中所述严重度对应于严重度单元，其中通过基于确定的分段将振动映射到多个严重度单元中的一个来确定多段振动频谱中限定振动范围的所述分段，其中每个所述严重度单元对应于所述多段振动频谱的不同范围。
1165.根据权利要求1164所述的方法，还包括：
当振动的频率对应于所述多段振动频谱的低端拐点阈值范围以下时，将振动映射到第一严重度单元；
当振动的频率对应于所述多段振动频谱的中间范围时，将振动映射到第二严重度单元；以及
当振动的频率对应于所述多段振动频谱的高端拐点阈值范围以上时，将振动映射到第三严重度单元。
1166.根据权利要求1159所述的方法，还包括：
将所述预测的维护操作的交易记录存储在与所述工业机器相关联的服务活动的分类账内。
1167.根据权利要求1166所述的方法，其中所述分类账使用区块链结构来跟踪用于所述工业机器的预测性维护操作的交易记录，其中每个所述交易记录被存储为所述区块链结构中的区块。
1168.一种方法，包括：
使用移动数据收集器的一个或多个传感器检测工业机器的运行特征，所述工业机器的所述运行特征涉及针对所述工业机器的至少一部分检测到的振动；
基于多段振动频谱中限定振动范围的分段来确定所述运行特征的严重度，所述严重度表示所述运行特征对所述工业机器的影响；以及
基于所述运行特征的所述严重度预测待对所述工业机器执行的维护操作。
1169.根据权利要求1168所述的方法，其中所述移动数据收集器是移动机器人。
1170.根据权利要求1168所述的方法，其中所述移动数据收集器是移动车辆。
1171.根据权利要求1168所述的方法，其中所述移动数据收集器是手持设备。
1172.根据权利要求1168所述的方法，其中所述移动数据收集器是可穿戴设备。
1173.根据权利要求1168所述的方法，其中所述严重度对应于严重度单元，其中通过基于确定的分段将振动映射到多个严重度单元中的一个来确定多段振动频谱中限定振动范围的分段，其中每个所述严重度单元中对应于所述多段振动频谱的不同范围。
1174.根据权利要求1173所述的方法，还包括：
当振动的频率对应于所述多段振动频谱的低端拐点阈值范围以下时，将振动映射到第一严重度单元；
当振动的频率对应于所述多段振动频谱的中间范围时，将振动映射到第二严重度单元；以及
当振动的频率对应于所述多段振动频谱的高端拐点阈值范围以上时，将振动映射到第三严重度单元。
1175.根据权利要求1168所述的方法，还包括：
将所述预测的维护操作的交易记录存储在与所述工业机器相关联的服务活动的分类账内。
1176.根据权利要求1175所述的方法，其中所述分类账使用区块链结构来跟踪用于所述工业机器的预测性维护操作的交易记录，其中每个所述交易记录被存储为所述区块链结构中的区块。
1177.一种方法，包括：
使用移动数据收集器的一个或多个传感器检测工业机器的运行特征，所述工业机器的所述运行特征涉及针对所述工业机器的至少一部分检测到的振动；
基于多段振动频谱中限定振动范围的分段来确定所述运行特征的严重度，所述严重度表示所述运行特征对所述工业机器的影响；
基于所述运行特征的所述严重度预测待对所述工业机器执行的维护操作；以及
将所述预测的维护操作的交易记录存储在与所述工业机器相关联的服务活动的分类账内。
1178.根据权利要求1177所述的方法，其中所述移动数据收集器是移动机器人。
1179.根据权利要求1177所述的方法，其中所述移动数据收集器是移动车辆。
1180.根据权利要求1177所述的方法，其中所述移动数据收集器是手持设备。
1181.根据权利要求1177所述的方法，其中所述移动数据收集器是可穿戴设备。
1182.根据权利要求1177所述的方法，其中所述严重度对应于严重度单元，其中通过基于确定的分段将振动映射到多个严重度单元中的一个来确定多段振动频谱中限定振动范围的分段，其中每个所述严重度单元对应于所述多段振动频谱的不同范围。
1183.根据权利要求1182所述的方法，还包括：
当振动的频率对应于多段振动频谱的低端拐点阈值范围以下时，将振动映射到第一严重度单元；
当振动的频率对应于所述多段振动频谱的中间范围时，将振动映射到第二严重度单元；以及
当振动的频率对应于所述多段振动频谱的高端拐点阈值范围以上时，将振动映射到第三严重度单元。
1184.根据权利要求1177所述的方法，其中所述分类账使用区块链结构来跟踪用于所述工业机器的预测性维护操作的交易记录，其中每个所述交易记录被存储为所述区块链结构中的区块。
1185.一种方法，包括：
使用移动数据收集器的一个或多个传感器检测工业机器的运行特征，所述工业机器的所述运行特征涉及针对所述工业机器的至少一部分检测到的振动；
基于多段振动频谱中限定振动范围的分段来确定所述运行特征的严重度，所述严重度表示所述运行特征对所述工业机器的影响，其中所述严重度对应于严重度单元，其中通过基于确定的分段将振动映射到多个严重度单元中的一个来确定多段振动频谱中限定振动范围的分段，其中每个所述严重度单元对应于所述多段振动频谱的不同范围；
基于所述运行特征的所述严重度预测待对所述工业机器执行的维护操作；以及
将所述预测的维护操作的交易记录存储在与所述工业机器相关联的服务活动的分类账内，其中所述分类账使用区块链结构来跟踪用于所述工业机器的预测性维护操作的交易记录，其中每个所述交易记录被存储为所述区块链结构中的区块。
1186.根据权利要求1185所述的方法，其中所述移动数据收集器是移动机器人。
1187.根据权利要求1185所述的方法，其中所述移动数据收集器是移动车辆。
1188.根据权利要求1185所述的方法，其中所述移动数据收集器是手持设备。
1189.根据权利要求1185所述的方法，其中所述移动数据收集器是可穿戴设备。
1190.根据权利要求1185所述的方法，其中确定所述运行特征的所述严重度包括：
当振动的频率对应于所述多段振动频谱的低端拐点阈值范围以下时，将振动映射到第一严重度单元；
当振动的频率对应于所述多段振动频谱的中间范围时，将振动映射到第二严重度单元；以及
当振动的频率对应于所述多段振动频谱的高端拐点阈值范围以上时，将振动映射到第三严重度单元。
1191.一种方法，包括：
部署用于检测和监测工业机器的至少一部分的振动活动的移动数据收集器，所述移动数据收集器包括一个或多个振动传感器；
控制所述移动数据收集器接近所述工业机器在包括所述工业机器的工业环境内的位置；
使所述移动数据收集器的所述一个或多个振动传感器记录所述振动活动的一个或多个测量值；
将所述振动活动的所述一个或多个测量值作为所述振动数据通过网络发送到服务器；
处理所述振动数据以在所述服务器上确定所述振动活动相对于定时的严重度；
在所述服务器上基于所述振动活动的所述严重度预测要针对所述工业机器的至少一部分执行的维护操作；以及
向所述移动数据收集器发送指示所述维护操作的信号，以使所述移动数据收集器执行所述维护操作。
1192.根据权利要求1191所述的方法，其中通过处理所述振动数据来确定所述振动数据相对于所述定时的所述严重度包括：
通过处理所述振动数据来确定所述振动活动的频率；
基于所述频率确定多段振动频谱中限定所述振动活动范围的分段；以及
基于所述多段振动频谱的确定的分段计算所述振动活动的严重度单元。
1193.根据权利要求1192所述的方法，其中基于所述多段振动频谱的确定的分段来计算所述振动活动的所述严重度单元包括：
基于所述多段振动频谱的确定的分段将所述振动活动通过如下方式映射到所述严重度单元：
当所述振动活动的频率对应于所述多段振动频谱的低端拐点阈值范围以下时，将所述振动活动映射到第一严重度单元；
当所述振动活动的频率对应于所述多段振动频谱的中间范围时，将所述振动活动映射到第二严重度单元；以及
当所述振动活动的频率对应于所述多段振动频谱的高端拐点阈值范围以上时，将所述振动活动映射到第三严重度单元。
1194.根据权利要求1191所述的方法，其中基于所述振动活动的所述严重度预测要针对所述工业机器的至少一部分执行的一个或多个维护操作包括：
使用与所述服务器相关联的智能系统依据所述工业机器的预先记录数据处理所述振动数据，其中依据所述工业机器的所述预先记录数据处理所述振动数据包括在与所述工业环境相关联的知识库内识别所述工业机器的所述预先记录数据；
基于所述工业机器在所述知识库内的所述预先记录数据来识别所述机器的至少一部分的运行特征；以及
基于所述运行特征预测一个或多个维护操作。
1195.根据权利要求1191所述的方法，其中所述振动活动指示从与所述工业机器相关联的振动包络导出的波形，其中当所述移动数据收集器接近所述工业机器时，所述一个或多个振动传感器检测所述振动活动。
1196.根据权利要求1191所述的方法，其中所述振动活动表示所述工业机器的至少一部分的速度信息。
1197.根据权利要求1191所述的方法，其中所述振动活动表示所述工业机器的至少一部分的频率信息。
1198.根据权利要求1191所述的方法，其中所述移动数据收集器是移动数据收集器群的多个移动数据收集器中的一个。
1199.根据权利要求1198所述的方法，还包括：
使用所述移动数据收集器群的自组织系统来控制所述移动数据收集器在包括所述工业机器的工业环境内的移动，
其中，当所述移动数据收集器接近所述工业机器时，所述一个或多个振动传感器检测所述振动活动。
1200.根据权利要求1199所述的方法，其中使用所述移动数据收集器群的所述自组织系统来控制所述移动数据收集器在所述工业环境内的移动包括：
基于多个移动数据收集器中的至少一个其它移动数据收集器的移动来控制所述移动数据收集器在所述工业环境内的移动。
1201.根据权利要求1198所述的方法，其中所述移动数据收集器是移动机器人，并且多个移动数据收集器中的至少一个其它移动数据收集器是移动车辆。
1202.一种方法，包括：
部署用于检测和监测工业机器的至少一部分的振动活动的移动数据收集器，所述移动数据收集器包括一个或多个振动传感器；
控制所述移动数据收集器接近所述工业机器在包括所述工业机器的工业环境内的位置；
使所述移动数据收集器的一个或多个振动传感器记录所述振动活动的一个或多个测量值；
将所述振动活动的一个或多个测量值作为所述振动数据通过网络发送到服务器；
处理所述振动数据以在所述服务器上确定所述振动活动的频率；
在所述服务器上基于所述频率确定多段振动频谱中限定所述振动活动范围的分段；
在所述服务器上基于所述多段振动频谱的确定的分段计算所述振动活动的严重度单元；
在所述服务器上基于所述严重度单元预测要针对所述工业机器的至少一部分执行的维护操作；以及
向所述移动数据收集器发送指示所述维护操作的信号，以使所述移动数据收集器执行所述维护操作。
1203.根据权利要求1202所述的方法，其中基于所述多段振动频谱的确定的分段来计算所述振动活动的所述严重度单元包括：
基于所述多段振动频谱的确定的分段将所述振动活动通过如下方式映射到所述严重度单元：
当所述振动活动的频率对应于所述多段振动频谱的低端拐点阈值范围以下时，将所述振动活动映射到第一严重度单元；
当所述振动活动的频率对应于所述多段振动频谱的中间范围时，将所述振动活动映射到第二严重度单元；以及
当所述振动活动的频率对应于所述多段振动频谱的高端拐点阈值范围以上时，将所述振动活动映射到第三严重度单元。
1204.根据权利要求1202所述的方法，其中基于所述严重度单元预测要针对所述工业机器的至少一部分执行的一个或多个维护操作包括：
使用与所述服务器相关联的智能系统依据所述工业机器的预先记录数据处理所述振动数据，其中依据所述工业机器的所述预先记录数据处理所述振动数据包括在与所述工业环境相关联的知识库内识别所述工业机器的所述预先记录数据；
基于所述工业机器在所述知识库内的所述预先记录数据来识别所述机器的至少一部分的运行特征；以及
基于所述运行特征预测一个或多个维护操作。
1205.根据权利要求1202所述的方法，其中所述振动活动指示从与所述工业机器相关联的振动包络导出的波形，其中当所述移动数据收集器接近所述工业机器时，一个或多个振动传感器检测所述振动活动。
1206.根据权利要求1202所述的方法，其中所述振动活动表示所述工业机器的至少一部分的速度信息。
1207.根据权利要求1202所述的方法，其中所述振动活动表示所述工业机器的至少一部分的频率信息。
1208.根据权利要求1202所述的方法，其中所述移动数据收集器是移动数据收集器群的多个移动数据收集器中的一个。
1209.根据权利要求1208所述的方法，还包括：
使用所述移动数据收集器群的自组织系统来控制所述移动数据收集器在包括所述工业机器的工业环境内的移动，
其中，当所述移动数据收集器接近所述工业机器时，一个或多个振动传感器检测所述振动活动。
1210.根据权利要求1209所述的方法，其中使用所述移动数据收集器群的所述自组织系统来控制所述移动数据收集器在所述工业环境内的所述移动包括：
基于多个移动数据收集器中的至少一个其它移动数据收集器的移动来控制所述移动数据收集器在所述工业环境内的所述移动。
1211.根据权利要求1208所述的方法，其中所述移动数据收集器是移动机器人，并且多个移动数据收集器中的至少一个其它移动数据收集器是移动车辆。
1212.一种方法，包括：
部署用于检测和监测工业机器的至少一部分的振动活动的移动数据收集器，所述移动数据收集器包括一个或多个振动传感器；
控制所述移动数据收集器接近所述工业机器在包括所述工业机器的工业环境内的位置；
使所述移动数据收集器的一个或多个振动传感器记录所述振动活动的一个或多个测量值；
将所述振动活动的一个或多个测量值作为所述振动数据通过网络发送到服务器；
处理所述振动数据以在所述服务器上确定所述振动活动相对于定时的严重度；
在所述服务器上基于所述振动活动的所述严重度预测要针对所述工业机器的至少一部分执行的维护操作；
向所述移动数据收集器发送指示所述维护操作的信号，以使所述移动数据收集器执行所述维护操作；以及
将所述预测的维护操作的记录存储在与所述工业机器相关联的分类账内。
1213.根据权利要求1212所述的方法，其中通过处理所述振动数据来确定所述振动数据相对于所述定时的所述严重度包括：
通过处理所述振动数据来确定所述振动活动的频率；
基于所述频率确定多段振动频谱中限定所述振动活动范围的分段；以及
基于所述多段振动频谱的确定的分段计算所述振动活动的严重度单元。
1214.根据权利要求1213所述的方法，其中基于所述多段振动频谱的确定的分段来计算所述振动活动的所述严重度单元包括：
基于所述多段振动频谱的所述确定的分段将所述振动活动通过如下方式映射到所述严重度单元：
当所述振动活动的频率对应于所述多段振动频谱的低端拐点阈值范围以下时，将所述振动活动映射到第一严重度单元；
当所述振动活动的频率对应于所述多段振动频谱的中间范围时，将所述振动活动映射到第二严重度单元；以及
当所述振动活动的频率对应于所述多段振动频谱的高端拐点阈值范围以上时，将所述振动活动映射到第三严重度单元。
1215.根据权利要求1212所述的方法，其中基于所述振动活动的所述严重度预测要针对所述工业机器的至少一部分执行的一个或多个维护操作包括：
使用与所述服务器相关联的智能系统依据所述工业机器的预先记录数据处理所述振动数据，其中依据所述工业机器的所述预先记录数据处理所述振动数据包括在与所述工业环境相关联的知识库内识别所述工业机器的所述预先记录数据；
基于所述工业机器在所述知识库内的所述预先记录数据来识别所述机器的至少一部分的运行特征；以及
基于所述运行特征预测一个或多个维护操作。
1216.根据权利要求1212所述的方法，其中所述振动活动指示从与所述工业机器相关联的振动包络导出的波形，其中当所述移动数据收集器接近所述工业机器时，一个或多个振动传感器检测所述振动活动。
1217.根据权利要求1212所述的方法，其中所述振动活动表示所述工业机器的至少一部分的速度信息。
1218.根据权利要求1212所述的方法，其中所述振动活动表示所述工业机器的至少一部分的频率信息。
1219.根据权利要求1212所述的方法，其中所述移动数据收集器是移动数据收集器群的多个移动数据收集器中的一个。
1220.根据权利要求1219所述的方法，还包括：
使用所述移动数据收集器群的自组织系统来控制所述移动数据收集器在包括所述工业机器的工业环境内的移动，
其中，当所述移动数据收集器接近所述工业机器时，一个或多个振动传感器检测所述振动活动。
1221.根据权利要求1220所述的方法，其中使用所述移动数据收集器群的所述自组织系统来控制所述移动数据收集器在所述工业环境内的所述移动包括：
基于多个移动数据收集器中的至少一个其它移动数据收集器的移动来控制所述移动数据收集器在所述工业环境内的所述移动。
1222.根据权利要求1219所述的方法，其中所述移动数据收集器是移动机器人，并且多个移动数据收集器中的至少一个其它移动数据收集器是移动车辆。
1223.根据权利要求1222所述的方法，其中所述分类账使用区块链结构来跟踪用于所述工业机器的预测性维护操作的交易记录，其中每个所述交易记录被存储为所述区块链结构中的区块。
CN201980044757.1A 2018-05-07 2019-02-28 用于使用工业物联网进行数据收集、学习和机器信号流传输实现分析和维护的方法和系统 Pending CN112703457A (zh)

Applications Claiming Priority (13)

Application Number Priority Date Filing Date Title
US15/973,406 US11838036B2 (en) 2016-05-09 2018-05-07 Methods and systems for detection in an industrial internet of things data collection environment
US15/973,406 2018-05-07
US201862714078P 2018-08-02 2018-08-02
US201862713897P 2018-08-02 2018-08-02
US62/714,078 2018-08-02
US62/713,897 2018-08-02
US16/143,286 2018-09-26
US16/143,286 US11029680B2 (en) 2016-05-09 2018-09-26 Methods and systems for detection in an industrial internet of things data collection environment with frequency band adjustments for diagnosing oil and gas production equipment
US201862757166P 2018-11-08 2018-11-08
US62/757,166 2018-11-08
US201962799732P 2019-01-31 2019-01-31
US62/799,732 2019-01-31
PCT/US2019/020044 WO2019216975A1 (en) 2018-05-07 2019-02-28 Methods and systems for data collection, learning, and streaming of machine signals for analytics and maintenance using the industrial internet of things

Publications (1)

Publication Number Publication Date
CN112703457A true CN112703457A (zh) 2021-04-23

Family

ID=68468247

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201980044757.1A Pending CN112703457A (zh) 2018-05-07 2019-02-28 用于使用工业物联网进行数据收集、学习和机器信号流传输实现分析和维护的方法和系统

Country Status (6)

Country Link
US (1) US20200103894A1 (zh)
EP (1) EP3791236A4 (zh)
JP (2) JP7445928B2 (zh)
CN (1) CN112703457A (zh)
CA (1) CA3099659A1 (zh)
WO (1) WO2019216975A1 (zh)

Cited By (169)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112653737A (zh) * 2020-12-11 2021-04-13 电子科技大学 一种基于物联网的室内墙面抹灰机器人远程监控系统
CN113030711A (zh) * 2021-05-26 2021-06-25 成都市克莱微波科技有限公司 一种功率放大器芯片、芯片测试系统及方法
CN113110961A (zh) * 2021-04-30 2021-07-13 平安国际融资租赁有限公司 设备异常检测方法、装置、计算机设备及可读存储介质
CN113141169A (zh) * 2021-04-26 2021-07-20 伟卓石油科技(北京)有限公司 自适应泥浆脉冲数据处理方法、系统及设备
CN113138967A (zh) * 2021-05-08 2021-07-20 贵州全安密灵科技有限公司 一种数据信息采集方法、黑匣子、起爆器及存储介质
CN113192225A (zh) * 2021-04-29 2021-07-30 重庆天智慧启科技有限公司 社区安全巡更控制系统
CN113241767A (zh) * 2021-05-20 2021-08-10 广东电网有限责任公司广州供电局 一种零散区域的分阶段复电方法
CN113241854A (zh) * 2021-06-10 2021-08-10 南方电网科学研究院有限责任公司 一种用户用电状态远程更新方法及系统
CN113259849A (zh) * 2021-05-17 2021-08-13 深圳市酷开网络科技股份有限公司 基于用户标签的小区覆盖量确定方法、装置和存储介质
CN113254666A (zh) * 2021-06-02 2021-08-13 上海酒贝乐信息技术有限公司 一种人工智能自我学习和成长完善的方法及系统
CN113285720A (zh) * 2021-05-28 2021-08-20 中科计算技术西部研究院 基因数据无损压缩方法、集成电路及无损压缩设备
CN113298321A (zh) * 2021-06-22 2021-08-24 深圳市查策网络信息技术有限公司 一种基于多数据融合的用户意图预测方法
CN113343947A (zh) * 2021-08-02 2021-09-03 长沙鹏阳信息技术有限公司 一种基于人工智能的石油井下油管升降安全分析方法
CN113344959A (zh) * 2021-08-06 2021-09-03 山东捷瑞数字科技股份有限公司 余料的分析处理方法、装置及物料输送系统
CN113359640A (zh) * 2021-06-25 2021-09-07 上海大学 一种基于数字孪生和增强现实的产线预测性维护系统及方法
CN113392880A (zh) * 2021-05-27 2021-09-14 扬州大学 一种基于偏差校正随机森林的交通流短时预测方法
CN113411181A (zh) * 2021-05-18 2021-09-17 南京邮电大学 一种基于分布式并行差分进化算法的参数优化方法
CN113408371A (zh) * 2021-06-01 2021-09-17 武汉理工大学 一种早期故障诊断方法及装置
CN113420921A (zh) * 2021-06-23 2021-09-21 天津大学 一种基于gps定位和贝叶斯分类的区域建筑能耗预测方法
CN113433907A (zh) * 2021-06-24 2021-09-24 中国航空综合技术研究所 基于可靠性关键特性的航空机电产品设计可靠性控制方法
CN113468809A (zh) * 2021-06-30 2021-10-01 重庆大学 一种风电齿轮箱平行级齿根裂纹模式识别方法
CN113466424A (zh) * 2021-08-12 2021-10-01 广州高得环保科技股份有限公司 一种智慧物联网的管道直饮水水质监控方法及系统
CN113489806A (zh) * 2021-07-21 2021-10-08 河北振创电子科技有限公司 基于分布式物联网架构的数据存储系统、方法及装置
CN113505440A (zh) * 2021-07-28 2021-10-15 大连理工大学 一种基于三维深度学习的汽车气动性能参数实时预测方法
CN113538515A (zh) * 2021-07-19 2021-10-22 安徽炬视科技有限公司 一种基于结合语义分割及目标检测跟踪的高压开关柜异动检测算法
CN113566953A (zh) * 2021-09-23 2021-10-29 中国空气动力研究与发展中心设备设计与测试技术研究所 一种柔壁喷管的在线监测方法
CN113590418A (zh) * 2021-07-06 2021-11-02 合肥联宝信息技术有限公司 一种螺丝锁附状态的检测方法、装置及存储介质
CN113628249A (zh) * 2021-08-16 2021-11-09 电子科技大学 基于跨模态注意力机制与孪生结构的rgbt目标跟踪方法
CN113642220A (zh) * 2021-08-26 2021-11-12 江苏科技大学 一种基于rbf与mopso的船舶焊接工艺优化方法
CN113656238A (zh) * 2021-08-17 2021-11-16 北京京航计算通讯研究所 一种智能终端的ai工业应用能力测试方法和系统
CN113673582A (zh) * 2021-07-30 2021-11-19 西南交通大学 基于系统聚类分析的铁路动态基准点多层级分群方法
CN113674509A (zh) * 2021-10-21 2021-11-19 北京博华信智科技股份有限公司 基于区块链的边缘节点灾害监测预警系统及方法
CN113672981A (zh) * 2021-08-20 2021-11-19 国网河南省电力公司信息通信公司 基于区块链的电力物联网数据访问控制系统
CN113705839A (zh) * 2021-09-13 2021-11-26 北京博瑞华通科技有限公司 一种燃料电池电堆的预测性维护方法以及维护系统
CN113706490A (zh) * 2021-08-19 2021-11-26 中科苏州智能计算技术研究院 一种晶片缺陷检测方法
CN113726911A (zh) * 2021-11-01 2021-11-30 南京绛门信息科技股份有限公司 一种基于物联网技术的工厂数据采集处理系统
CN113722833A (zh) * 2021-09-09 2021-11-30 湖南工业大学 基于双通道长短时记忆网络的涡扇发动机剩余使用寿命预测方法
CN113742931A (zh) * 2021-09-13 2021-12-03 中国电子信息产业集团有限公司第六研究所 一种区块链边缘安全检测方法、系统、电子设备
CN113783933A (zh) * 2021-08-10 2021-12-10 中山大学 基于编码缓存的双层网络通信方法、装置及介质
CN113821888A (zh) * 2021-09-23 2021-12-21 西安热工研究院有限公司 基于周期性冲击特征提取和回声状态网络的振动数据故障诊断方法
CN113839967A (zh) * 2021-11-26 2021-12-24 深圳市聚慧合创信息技术有限公司 基于大数据技术的物联网设备欺诈防控系统
CN113837077A (zh) * 2021-09-24 2021-12-24 安吉康尔（深圳）科技有限公司 二代测序实验智能监控系统、二代测序实验的方法和手表
CN113887702A (zh) * 2021-09-10 2022-01-04 哈尔滨工业大学 基于wlctd与cnn-lstm的工业机器人谐波减速器早期故障检测方法
CN113905107A (zh) * 2021-10-20 2022-01-07 云镝智慧科技有限公司 工业设备点表数据的获取方法、装置及网关
CN113934173A (zh) * 2021-10-22 2022-01-14 重庆邮电大学 基于脉冲控制的多智能体系统分组一致性控制方法
CN113950113A (zh) * 2021-10-08 2022-01-18 东北大学 一种基于隐马尔科夫的车联网切换决策算法
CN114019816A (zh) * 2021-11-16 2022-02-08 南京工程学院 一种基于云计算的智能家居能耗优化方法及设备
CN114019935A (zh) * 2021-09-26 2022-02-08 华能巢湖发电有限责任公司 一种基于工业物联网设备实时检测诊断系统
CN114062885A (zh) * 2022-01-17 2022-02-18 清华大学 一种半导体器件热分布的测试装置
CN114079963A (zh) * 2022-01-20 2022-02-22 中铁十八局集团第四工程有限公司 基于无线网络通信的场地内施工设备主动安全管控系统
CN114089708A (zh) * 2021-11-19 2022-02-25 江苏科技大学 基于数字孪生的海上发电平台管理系统及其优化调控方法
CN114201890A (zh) * 2022-02-16 2022-03-18 苏州博宇鑫交通科技有限公司 一种高速公路异常事件场景库构建方法
CN114202065A (zh) * 2022-02-17 2022-03-18 之江实验室 一种基于增量式演化lstm的流数据预测方法及装置
CN114295616A (zh) * 2022-03-11 2022-04-08 西南石油大学 基于图像识别的套管检测设备
CN114327288A (zh) * 2021-12-31 2022-04-12 深圳忆联信息系统有限公司 Ssd剩余用户使用时间的预测方法、装置、计算机设备及存储介质
CN114355823A (zh) * 2022-01-18 2022-04-15 天地（常州）自动化股份有限公司 基于网络的矿用防爆组合开关控制系统及其控制方法
US11310250B2 (en) * 2019-05-24 2022-04-19 Bank Of America Corporation System and method for machine learning-based real-time electronic data quality checks in online machine learning and AI systems
CN114374636A (zh) * 2021-12-21 2022-04-19 航天科工网络信息发展有限公司 一种智能路由方法、装置及网络设备
CN114404857A (zh) * 2021-12-30 2022-04-29 湖南中联重科应急装备有限公司 用于臂架的控制装置、臂架和消防车
CN114511150A (zh) * 2022-02-16 2022-05-17 成都理工大学 一种基于深度学习的滑坡位移时空预测方法
CN114511718A (zh) * 2022-04-19 2022-05-17 山东诚祥建设集团股份有限公司 一种建筑施工用物料智能管理方法及系统
CN114546914A (zh) * 2022-02-23 2022-05-27 北京奕斯伟计算技术有限公司 用于对多个通道信息执行数据处理的处理装置及系统
CN114580721A (zh) * 2022-02-24 2022-06-03 南京航空航天大学 无人机轨迹的高斯变分推断精确学习方法
CN114625885A (zh) * 2022-03-07 2022-06-14 南京信息工程大学 一种基于nlp与触发器的实体从属关系抽取识别方法、系统、装置和存储介质
CN114650556A (zh) * 2022-05-05 2022-06-21 中国联合网络通信集团有限公司 无线网络业务承载能力的检测方法、装置和设备
CN114706667A (zh) * 2022-03-24 2022-07-05 慧之安信息技术股份有限公司 一种基于异构计算的流媒体转发方法
CN114726799A (zh) * 2022-04-28 2022-07-08 清华大学 拥塞控制智能体的训练方法、拥塞控制方法及装置
CN114742306A (zh) * 2022-04-20 2022-07-12 南京邮电大学 基于改进知识蒸馏esn的边缘端时间序列预测方法
CN114742419A (zh) * 2022-04-15 2022-07-12 南京信息工程大学 一种数据迁移改进数据有限区域滑坡危险性评估的方法
CN114759971A (zh) * 2022-04-01 2022-07-15 南京航空航天大学 一种高功效上行异步noma无人机通信网络中断性能分析方法
CN114783162A (zh) * 2022-06-20 2022-07-22 商飞软件有限公司 一种飞机三余度系统告警表决方法
CN114777557A (zh) * 2022-05-20 2022-07-22 连云港观旭电力节能设备有限公司 一种凝汽器清洗方法和系统
CN114818127A (zh) * 2022-04-18 2022-07-29 中节能工业节能有限公司 一种汽轮机劣化程度的量化方法
CN114817375A (zh) * 2022-06-24 2022-07-29 深圳市智联物联科技有限公司 工业互联网数据采集管理系统
CN114826617A (zh) * 2022-04-29 2022-07-29 西北工业大学 工业物联网终端系统设计、数据验证方法及硬件加速装置
CN114828472A (zh) * 2022-03-25 2022-07-29 中国航空工业集团公司金城南京机电液压工程研究中心 一种小型化液压泵无线通讯介入装置
CN114844715A (zh) * 2022-05-25 2022-08-02 中国电子科技集团公司第三十研究所 一种网络安全防御策略优化方法、设备及介质
CN114879649A (zh) * 2022-07-13 2022-08-09 中企科信技术股份有限公司 一种工业控制系统的网络监测装置、监测方法及控制系统
CN114896061A (zh) * 2022-05-07 2022-08-12 百度在线网络技术（北京）有限公司 计算资源控制模型的训练方法、计算资源控制方法及装置
CN114894109A (zh) * 2022-02-09 2022-08-12 重庆交通大学 隧道应变信息获取方法及相关装置
CN114895645A (zh) * 2022-03-31 2022-08-12 中国地质大学（武汉） 考虑非零均值噪声的网络控制系统性能极限分析方法
CN114928475A (zh) * 2022-04-25 2022-08-19 浪潮工业互联网股份有限公司 一种基于标识解析的工业设备认证方法、设备及介质
CN114937028A (zh) * 2022-06-21 2022-08-23 苏州上舜精密工业科技有限公司 一种智能标识识别的直线滑台模组质量检测方法及系统
CN115001829A (zh) * 2022-06-07 2022-09-02 中国软件评测中心(工业和信息化部软件与集成电路促进中心) 协议漏洞挖掘方法、装置、设备及存储介质
CN115061373A (zh) * 2022-06-27 2022-09-16 北京理工大学 一种混合动力系统电机温升预测博弈优化控制方法
CN115082921A (zh) * 2022-08-18 2022-09-20 成都飞机工业（集团）有限责任公司 一种基于机器视觉的飞机交点镗孔角度头管理方法
CN115081673A (zh) * 2022-05-05 2022-09-20 国家石油天然气管网集团有限公司 一种油气管道的异常预测方法、装置、电子设备及介质
CN115114844A (zh) * 2022-05-09 2022-09-27 东南大学 一种钢筋混凝土粘结滑移曲线的元学习预测模型
CN115130929A (zh) * 2022-08-29 2022-09-30 中国西安卫星测控中心 基于机器学习分类的资源池智能生成方法
CN115146838A (zh) * 2022-06-21 2022-10-04 南京航空航天大学 考虑物料订购的客机协同研制交付进度计划联动优化方法
CN115277742A (zh) * 2022-02-23 2022-11-01 智能清洁设备控股有限公司 用于管理机器人的系统和方法
CN115271033A (zh) * 2022-07-05 2022-11-01 西南财经大学 基于联邦知识蒸馏医学图像处理模型构建及其处理方法
CN115277757A (zh) * 2022-07-12 2022-11-01 智洋创新科技股份有限公司 一种基于宽窄带数据融合的智慧杆塔状态分析方法及系统
CN115297496A (zh) * 2022-09-28 2022-11-04 南昌航空大学 结合Bi-LSTM和时间模式注意力的链路质量预测方法
CN115358728A (zh) * 2022-10-20 2022-11-18 杭州上杰云服科技有限公司 基于云计算的erp数据处理方法
TWI784718B (zh) * 2021-09-17 2022-11-21 和碩聯合科技股份有限公司 廠區告警事件處理方法與系統
CN115373791A (zh) * 2022-10-25 2022-11-22 北京航天驭星科技有限公司 一种航天器自动化遥控作业的编制方法及装置
CN115455746A (zh) * 2022-11-10 2022-12-09 中国人民解放军海军工程大学 一种核动力装置运行监测数据异常检测与校正一体化方法
CN115601318A (zh) * 2022-10-10 2023-01-13 广东昱升个人护理用品股份有限公司（Cn） 快吸收低反渗纸尿裤智能生产方法及其系统
CN115622814A (zh) * 2022-12-19 2023-01-17 北京六方云信息技术有限公司 基于深度自编码器的http隧道检测方法、装置及设备
CN115654363A (zh) * 2022-12-30 2023-01-31 长春吉电氢能有限公司 一种制氢站智慧运行监控方法和系统
CN115706729A (zh) * 2021-08-12 2023-02-17 中移物联网有限公司 一种服务提供方法及装置、设备、存储介质
CN115814915A (zh) * 2023-02-14 2023-03-21 山东埃尔派粉体科技有限公司 气流粉碎装置的粒度调控方法
CN115860278A (zh) * 2023-02-27 2023-03-28 深圳市利和兴股份有限公司 一种基于数据分析的电机组装生产管理方法及系统
CN115967501A (zh) * 2022-12-29 2023-04-14 国网辽宁省电力有限公司信息通信分公司 一种基于区块链智能合约的Web服务组合生成方法
CN115967599A (zh) * 2022-07-13 2023-04-14 安世亚太科技股份有限公司 一种基于数字孪生体的时变频率信号处理系统及方法
CN115977936A (zh) * 2023-03-21 2023-04-18 沃德传动（天津）股份有限公司 一种往复式压缩机故障诊断系统
CN116088398A (zh) * 2023-04-10 2023-05-09 中国电力工程顾问集团西南电力设计院有限公司 一种用于火电厂智慧监盘报警系统
CN116109977A (zh) * 2023-02-12 2023-05-12 深圳中检联检测有限公司 基于生产环境的食品卫生检测方法、装置、设备及介质
CN116149958A (zh) * 2023-04-20 2023-05-23 华谱科仪(北京)科技有限公司 一种基于日志管理功能的色谱仪运维方法及装置
CN116257028A (zh) * 2023-05-16 2023-06-13 深圳市卓皓自动化科技有限公司 防护用品生产设备的智能过压调节方法、系统及设备
CN116361709A (zh) * 2023-03-31 2023-06-30 山东省计算中心（国家超级计算济南中心） 一种自适应电力负荷识别方法与设备
CN116401975A (zh) * 2023-06-08 2023-07-07 中国航发四川燃气涡轮研究院 一种进气道出口恶劣流场模拟板设计方法
CN116415929A (zh) * 2023-03-07 2023-07-11 鞍钢集团工程技术有限公司 一种基于多层gru网络的鱼雷罐车预测性维护方法
CN116442219A (zh) * 2023-03-24 2023-07-18 东莞市新佰人机器人科技有限责任公司 一种智能机器人控制系统及方法
CN116484268A (zh) * 2023-06-21 2023-07-25 西安黑石智能科技有限公司 基于机器学习的智能化工业设备故障诊断系统
CN116611523A (zh) * 2023-07-18 2023-08-18 山东师范大学 涡轮风扇发动机的可解释故障预测方法及系统
CN116662764A (zh) * 2023-07-28 2023-08-29 中国电子科技集团公司第十五研究所 误识别纠正的数据识别方法、模型训练方法、装置和设备
CN116704137A (zh) * 2023-07-27 2023-09-05 山东科技大学 一种海上石油钻井平台点云深度学习逆向建模方法
CN116738863A (zh) * 2023-08-07 2023-09-12 江苏永钢集团有限公司 基于数字孪生运算炉外精炼co2利用数字模型搭建方法
CN116757447A (zh) * 2023-08-15 2023-09-15 国网江苏省电力有限公司电力科学研究院 一种智能快检装置的测试任务分配方法及系统
CN116756225A (zh) * 2023-08-14 2023-09-15 南京展研信息技术有限公司 一种基于计算机网络安全的态势数据信息处理方法
CN116754022A (zh) * 2023-08-22 2023-09-15 山东浪潮新基建科技有限公司 电缆隧道的在线检测应急预警方法及系统
CN116841260A (zh) * 2023-06-14 2023-10-03 成都飞机工业（集团）有限责任公司 一种用于飞机部件装配的动态自适应计划排程方法
TWI820717B (zh) * 2022-05-20 2023-11-01 智連工控股份有限公司 去中心化之製造場域智慧型輔助系統及其橋接介面裝置
US20230360650A1 (en) * 2022-05-09 2023-11-09 Amazon Technologies, Inc. Response orchestrator for natural language interface
CN117055513A (zh) * 2023-10-10 2023-11-14 张家港市卓华金属科技有限公司 基于人工智能的设备自动化控制方法及装置
CN117055536A (zh) * 2023-10-10 2023-11-14 北京集度科技有限公司 一种功能检测方法、装置及电子设备
CN117061569A (zh) * 2023-10-11 2023-11-14 工福(北京)科技发展有限公司 一种基于物联网的工会交互数字信息监测系统
CN117170818A (zh) * 2023-09-25 2023-12-05 中关村科学城城市大脑股份有限公司 容器处理方法、装置、电子设备和计算机可读介质
CN117192371A (zh) * 2023-11-03 2023-12-08 南通清浪智能科技有限公司 一种新能源汽车电机驱动器的测试方法及系统
CN117234957A (zh) * 2023-11-16 2023-12-15 山东科技大学 一种基于改进萤火虫算法的测试用例优先级排序方法
CN117252496A (zh) * 2023-03-09 2023-12-19 江苏齐博冷链科技有限公司 分区域智慧物流协调系统
TWI827050B (zh) * 2022-05-12 2023-12-21 歐權科技股份有限公司 Ａｉ智能決策換刀系統、方法及其自我診斷流程、保養流程、ａｉ計算流程
CN117271981A (zh) * 2023-11-21 2023-12-22 湖南嘉创信息科技发展有限公司 基于跨平台数据交互的人工智能管理系统
CN117419760A (zh) * 2023-09-27 2024-01-19 湘潭市工矿电传动车辆质量检验中心 自卸车检测系统
CN117482443A (zh) * 2023-12-31 2024-02-02 常州博瑞电力自动化设备有限公司 一种消防设备健康监测方法及系统
CN117527453A (zh) * 2023-12-29 2024-02-06 广东云百科技有限公司 一种物联网数据传输方法及网关设备
CN117540432A (zh) * 2024-01-05 2024-02-09 河北数港科技有限公司 一种互联网的数据隐私保护方法及系统
CN117608912A (zh) * 2024-01-24 2024-02-27 之江实验室 基于nlp大模型的全自动日志分析和故障处理系统和方法
CN117631633A (zh) * 2024-01-26 2024-03-01 四川琪达实业集团有限公司 一种服装定制产线柔性控制系统及方法
CN117774007A (zh) * 2024-02-27 2024-03-29 天津润华科技有限公司 基于图像处理的物流转运机器人工作异常检测方法及系统
CN117780346A (zh) * 2024-02-23 2024-03-29 太原矿机物联科技有限公司 基于3d可视化模型的远程煤机控制方法
TWI838274B (zh) * 2023-05-03 2024-04-01 悠由數據應用股份有限公司 作物生長階段預測系統及方法
CN117806170A (zh) * 2024-02-23 2024-04-02 中国科学院近代物理研究所 一种微束聚焦控制方法及装置
CN117892182A (zh) * 2024-03-14 2024-04-16 山东神力索具有限公司 基于人工智能的索具耐用性测试方法及装置
CN117892121A (zh) * 2023-12-06 2024-04-16 广州海洋地质调查局 模型训练方法、海底地形预测方法及模型训练装置
CN117953973A (zh) * 2024-03-21 2024-04-30 电子科技大学长三角研究院(衢州) 基于序列同源性的特定生物序列预测方法及其系统
CN118014776A (zh) * 2024-04-09 2024-05-10 山东艾克索仑电气有限公司 一种闭式循环水冷系统负荷动态预测方法
CN118035951A (zh) * 2024-04-10 2024-05-14 河北迪运化工科技有限公司 基于失水量预测的淡水基浆制备方法、系统及钻井液
CN113645589B (zh) * 2021-07-09 2024-05-17 北京邮电大学 一种基于反事实策略梯度的无人机集群路由计算方法
CN118081774A (zh) * 2024-04-24 2024-05-28 深圳市领志光机电自动化系统有限公司 一种用于amr机器人的安全防护系统
CN118095964A (zh) * 2024-04-23 2024-05-28 成都飞机工业（集团）有限责任公司 一种航空管路系统装配一致性的评估方法
CN118098177A (zh) * 2024-04-22 2024-05-28 吉林省北联显示技术有限公司 一种基于物联网的地铁显示终端节能控制系统
CN118113787A (zh) * 2024-04-30 2024-05-31 中增智慧城市建设发展有限公司 基于边缘计算的智慧城市物联网数据处理方法及系统
CN118157694A (zh) * 2024-05-08 2024-06-07 淮安云计物联网有限公司 一种基于物联网的信号增强系统
CN118196465A (zh) * 2023-01-17 2024-06-14 国家石油天然气管网集团有限公司 管道上方威胁事件的识别模型的训练方法及识别方法
CN118277745A (zh) * 2024-06-03 2024-07-02 青岛农业大学 一种可视化农业大数据分析交互系统及方法
CN118297483A (zh) * 2024-06-04 2024-07-05 四川旅投数字信息产业发展有限责任公司 基于大数据分析的企业数据治理系统及方法
CN118294011A (zh) * 2024-06-06 2024-07-05 昆明茨坝矿山机械有限公司 振幅监测及自动实时调节方法、装置及存储介质
CN118311934A (zh) * 2024-06-11 2024-07-09 科锐普特(北京)控制技术有限公司 一种电气自动化控制系统
TWI849971B (zh) * 2023-06-12 2024-07-21 東訊股份有限公司 具有用電浪費估算及量化減排功能之振動測量裝置以及測量振動以估算用電浪費及量化減排之方法
CN118394834A (zh) * 2024-06-25 2024-07-26 南京上古网络科技有限公司 基于人工智能的可视化管理系统、方法及存储介质
CN118452694A (zh) * 2024-07-12 2024-08-09 广州吉谷电器有限公司 一种煮茶的加热控制方法及系统
US12075957B2 (en) 2014-03-24 2024-09-03 Intelligent Cleaning Equipment Holdings Co. Ltd. Floor cleaning machines having intelligent systems, associated sub-assemblies incorporating intelligent systems, and associated methods of use
CN118626315A (zh) * 2024-08-09 2024-09-10 云南缮阳生物科技有限公司 一种生物多肽数据库共享交互方法和系统
WO2024199540A1 (zh) * 2023-03-24 2024-10-03 中国电力工程顾问集团西南电力设计院有限公司 一种基于物联网的智慧电厂智能监控预警维护管理系统
CN118761036A (zh) * 2024-09-06 2024-10-11 农业农村部南京农业机械化研究所 一种大马力拖拉机电液悬挂装置的协同作业智能控制策略
CN114742306B (zh) * 2022-04-20 2024-11-08 南京邮电大学 基于改进知识蒸馏esn的边缘端时间序列预测方法

Families Citing this family (262)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10937547B2 (en) * 2015-06-15 2021-03-02 The Regents Of The University Of California Subject assessment using localization, activity recognition and a smart questionnaire
US11327475B2 (en) 2016-05-09 2022-05-10 Strong Force Iot Portfolio 2016, Llc Methods and systems for intelligent collection and analysis of vehicle data
US10983507B2 (en) 2016-05-09 2021-04-20 Strong Force Iot Portfolio 2016, Llc Method for data collection and frequency analysis with self-organization functionality
US11774944B2 (en) 2016-05-09 2023-10-03 Strong Force Iot Portfolio 2016, Llc Methods and systems for the industrial internet of things
US10712738B2 (en) 2016-05-09 2020-07-14 Strong Force Iot Portfolio 2016, Llc Methods and systems for industrial internet of things data collection for vibration sensitive equipment
US11237546B2 (en) 2016-06-15 2022-02-01 Strong Force loT Portfolio 2016, LLC Method and system of modifying a data collection trajectory for vehicles
US11195611B2 (en) 2016-08-29 2021-12-07 Beckman Coulter, Inc. Remote data analysis and diagnosis
JP2019532300A (ja) 2016-10-26 2019-11-07 ベックマン コールター、インク． 実験室機器のリモート試験
US11182315B2 (en) * 2017-02-10 2021-11-23 Intel Corporation Apparatuses, methods, and systems for hardware control of processor performance levels
WO2018176000A1 (en) 2017-03-23 2018-09-27 DeepScale, Inc. Data synthesis for autonomous control systems
US10594661B1 (en) * 2017-06-13 2020-03-17 Parallels International Gmbh System and method for recovery of data packets transmitted over an unreliable network
GB201711125D0 (en) * 2017-07-11 2017-08-23 Nchain Holdings Ltd Computer-implemented system and method
US11157441B2 (en) 2017-07-24 2021-10-26 Tesla, Inc. Computational array microprocessor system using non-consecutive data formatting
US11409692B2 (en) 2017-07-24 2022-08-09 Tesla, Inc. Vector computational unit
US11893393B2 (en) 2017-07-24 2024-02-06 Tesla, Inc. Computational array microprocessor system with hardware arbiter managing memory requests
US10671349B2 (en) 2017-07-24 2020-06-02 Tesla, Inc. Accelerated mathematical engine
CA3072045A1 (en) 2017-08-02 2019-02-07 Strong Force Iot Portfolio 2016, Llc Methods and systems for detection in an industrial internet of things data collection environment with large data sets
US10921801B2 (en) 2017-08-02 2021-02-16 Strong Force loT Portfolio 2016, LLC Data collection systems and methods for updating sensed parameter groups based on pattern recognition
US12014304B2 (en) * 2018-01-29 2024-06-18 Procore Technologies, Inc. Identifying and monitoring productivity, health, and safety risks in industrial sites
US11561791B2 (en) 2018-02-01 2023-01-24 Tesla, Inc. Vector computational unit receiving data elements in parallel from a last row of a computational array
US20210021463A1 (en) * 2018-03-29 2021-01-21 Honda Motor Co., Ltd. Communication system, server and control unit
US11277455B2 (en) 2018-06-07 2022-03-15 Mellanox Technologies, Ltd. Streaming system
US10789785B2 (en) * 2018-06-11 2020-09-29 Honeywell International Inc. Systems and methods for data collection from maintenance-prone vehicle components
US11120358B2 (en) * 2018-06-13 2021-09-14 International Business Machines Corporation Short circuit depth variational quantum computation of Monte Carlo minimization and Nth order moments
US11215999B2 (en) 2018-06-20 2022-01-04 Tesla, Inc. Data pipeline and deep learning system for autonomous driving
WO2019246188A1 (en) * 2018-06-22 2019-12-26 Attestiv Inc. Atomic capture using a distributed ledger, for proof of authenticity and/or real time visual validation
US11361457B2 (en) 2018-07-20 2022-06-14 Tesla, Inc. Annotation cross-labeling for autonomous control systems
US11636333B2 (en) 2018-07-26 2023-04-25 Tesla, Inc. Optimizing neural network structures for embedded systems
CN112673600B (zh) * 2018-09-03 2023-10-03 爱森卡斯特株式会社 基于区块链的手机终端以及IoT设备之间的多重安全认证系统以及方法
US11562231B2 (en) 2018-09-03 2023-01-24 Tesla, Inc. Neural networks for embedded devices
US11681929B2 (en) * 2018-10-02 2023-06-20 Honeywell International Inc. Methods and systems for predicting a remaining useful life of a component using an accelerated failure time model
US20200106828A1 (en) * 2018-10-02 2020-04-02 Mellanox Technologies, Ltd. Parallel Computation Network Device
KR20210072048A (ko) 2018-10-11 2021-06-16 테슬라, 인크. 증강 데이터로 기계 모델을 훈련하기 위한 시스템 및 방법
US20200117788A1 (en) * 2018-10-11 2020-04-16 Ncr Corporation Gesture Based Authentication for Payment in Virtual Reality
US11196678B2 (en) 2018-10-25 2021-12-07 Tesla, Inc. QOS manager for system on a chip communications
US11816585B2 (en) 2018-12-03 2023-11-14 Tesla, Inc. Machine learning models operating at different frequencies for autonomous vehicles
US11537811B2 (en) 2018-12-04 2022-12-27 Tesla, Inc. Enhanced object detection for autonomous vehicles based on field view
US11178151B2 (en) * 2018-12-19 2021-11-16 International Business Machines Corporation Decentralized database identity management system
US11610117B2 (en) 2018-12-27 2023-03-21 Tesla, Inc. System and method for adapting a neural network model on a hardware platform
CN109884459B (zh) * 2019-01-30 2020-12-01 国网浙江省电力有限公司电力科学研究院 一种电力变压器绕组变形智能在线诊断定位方法
JP7280703B2 (ja) * 2019-01-31 2023-05-24 住友重機械工業株式会社 診断システム
US10997461B2 (en) 2019-02-01 2021-05-04 Tesla, Inc. Generating ground truth for machine learning from time series elements
US11150664B2 (en) 2019-02-01 2021-10-19 Tesla, Inc. Predicting three-dimensional features for autonomous driving
US11567514B2 (en) 2019-02-11 2023-01-31 Tesla, Inc. Autonomous and user controlled vehicle summon to a target
US10956755B2 (en) 2019-02-19 2021-03-23 Tesla, Inc. Estimating object properties using visual image data
US11625393B2 (en) 2019-02-19 2023-04-11 Mellanox Technologies, Ltd. High performance computing system
EP3699770A1 (en) 2019-02-25 2020-08-26 Mellanox Technologies TLV Ltd. Collective communication system and methods
US11044444B2 (en) * 2019-02-28 2021-06-22 Jvckenwood Corporation Image capturing device and image capturing method
JP6929488B2 (ja) * 2019-03-29 2021-09-01 三菱電機株式会社 モデル予測制御装置、モデル予測制御プログラム、モデル予測制御システムおよびモデル予測制御方法
US10939405B1 (en) * 2019-04-08 2021-03-02 Helium Systems, Inc. Systems and methods for implementing permissionless network consensus using blockchain
DE102019117092A1 (de) * 2019-06-25 2020-12-31 Kiefel Gmbh Produktionsmaschine mit steuerungsprogramm
FR3099572B1 (fr) * 2019-07-29 2021-08-27 Safran Dispositif de mesure comprenant une fibre optique de connexion et un équipement de mesure pour l’instrumentation d’un appareillage aéronautique, et un appareillage aéronautique comprenant un tel dispositif de mesure
US11227209B2 (en) * 2019-07-31 2022-01-18 Dell Products L.P. Systems and methods for predicting information handling resource failures using deep recurrent neural network with a modified gated recurrent unit having missing data imputation
US20210035240A1 (en) * 2019-08-01 2021-02-04 Robert Scott Echols Trustable information chain for fishing, seafood, or other industries
US11036488B2 (en) * 2019-08-12 2021-06-15 International Business Machines Corporation System and method for optimal hierarchical upgrade time prediction
SE544845C2 (en) * 2019-09-25 2022-12-13 Eneryield Ab Machine learning active power filter control method and device
US11083026B2 (en) * 2019-09-25 2021-08-03 Nokia Technologies Oy Determining coverage availability estimates of mobile non-terrestrial access node
US11599384B2 (en) 2019-10-03 2023-03-07 Micron Technology, Inc. Customized root processes for individual applications
US11436041B2 (en) 2019-10-03 2022-09-06 Micron Technology, Inc. Customized root processes for groups of applications
US11474828B2 (en) 2019-10-03 2022-10-18 Micron Technology, Inc. Initial data distribution for different application processes
DE102019127291A1 (de) * 2019-10-10 2021-04-15 Schaeffler Technologies AG & Co. KG Vorrichtung sowie Verfahren zum Konnektieren und zum Überwachen von Prozessen einer Produktionsmaschine
US11429445B2 (en) 2019-11-25 2022-08-30 Micron Technology, Inc. User interface based page migration for performance enhancement
CN110750084B (zh) * 2019-11-27 2022-06-07 航天科技控股集团股份有限公司 通过实时上传数据确定生产线设备运行状态的方法
CN112859757B (zh) * 2019-11-27 2022-04-22 宁波舜宇智能科技有限公司 边缘计算控制方法、装置、边缘计算机和可读存储介质
US10848567B1 (en) * 2019-11-29 2020-11-24 Cygnus, LLC Remote support for IoT devices
TWI711286B (zh) * 2019-12-02 2020-11-21 中華電信股份有限公司 用於鏈路聚合的路徑指派系統和路徑指派方法
CN112903001A (zh) * 2019-12-03 2021-06-04 财团法人纺织产业综合研究所 织物定型机的操作方法
CN112937322A (zh) 2019-12-10 2021-06-11 中光电智能机器人股份有限公司 监控系统及供电控制方法
TWI779255B (zh) 2019-12-10 2022-10-01 中光電智能機器人股份有限公司 監控系統及供電控制方法
KR20210073281A (ko) * 2019-12-10 2021-06-18 삼성전자주식회사 운동 정보 추정 방법 및 장치
US11669760B2 (en) * 2019-12-17 2023-06-06 Palo Alto Research Center Incorporated Weight assignment for fusion of prognostic estimators
DE102019220070A1 (de) * 2019-12-18 2021-06-24 Robert Bosch Gmbh Verfahren zu einer Benutzerinteraktion eines Elektrogeräts und/oder eines Elektrogerätezubehörs und System zu einem Durchführen des Verfahrens
CN111123030A (zh) * 2019-12-18 2020-05-08 淮北工科检测检验有限公司 一种基于NBIoT的电缆故障在线温度监控系统
US11750699B2 (en) 2020-01-15 2023-09-05 Mellanox Technologies, Ltd. Small message aggregation
US11252027B2 (en) 2020-01-23 2022-02-15 Mellanox Technologies, Ltd. Network element supporting flexible data reduction operations
US11029675B1 (en) * 2020-01-28 2021-06-08 sensemetrics, Inc. Extensible industrial internet of things platform
IT202000003152A1 (it) * 2020-02-17 2021-08-17 St Microelectronics Srl Metodo di analisi di un dispositivo, eseguito tramite un sensore mems, e relativo sistema includente il dispositivo e il sensore mems
CN111327559B (zh) * 2020-02-28 2021-01-08 北京邮电大学 一种编码、解码方法及装置
US20210279633A1 (en) * 2020-03-04 2021-09-09 Tibco Software Inc. Algorithmic learning engine for dynamically generating predictive analytics from high volume, high velocity streaming data
US11436830B2 (en) * 2020-03-11 2022-09-06 Bank Of America Corporation Cognitive robotic process automation architecture
WO2021188735A1 (en) * 2020-03-17 2021-09-23 Heartland Ag Tech, Inc. Systems and methods for predictive irrigation system maintenance
EP3883149A1 (en) * 2020-03-20 2021-09-22 Volkswagen Ag Method, apparatus and computer program for predicting a future quality of service of a wireless communication link
CN111488208B (zh) * 2020-03-22 2023-10-31 浙江工业大学 基于可变步长蝙蝠算法的边云协同计算节点调度优化方法
US10809080B2 (en) * 2020-03-23 2020-10-20 Alipay Labs (singapore) Pte. Ltd. System and method for determining routing by learned selective optimization
NO345963B1 (en) * 2020-03-31 2021-11-15 Autostore Tech As Intelligent maintenance system
US20210314270A1 (en) 2020-04-01 2021-10-07 Qualcomm Incorporated Dynamic packet buffering duration
CN111459864B (zh) * 2020-04-02 2021-11-30 深圳朗田亩半导体科技有限公司 一种存储器件及其制造方法
CN111399465A (zh) * 2020-04-13 2020-07-10 河北唐银钢铁有限公司 一种车轮智能生产控制系统
TWI736223B (zh) * 2020-04-16 2021-08-11 瑞昱半導體股份有限公司 數位斜率式類比數位轉換器裝置與訊號轉換方法
US11586232B2 (en) * 2020-04-20 2023-02-21 Ami Global Monitoring device
CN111540412B (zh) * 2020-04-24 2021-03-09 大唐环境产业集团股份有限公司 一种基于最小二乘法的scr反应器入口烟气软测量方法
CN111541611B (zh) * 2020-04-24 2021-05-28 清华大学 基于认证分片可重组的动态路径验证方法
WO2021214796A1 (en) * 2020-04-25 2021-10-28 SARUP Gaurav A system and a method for monitoring automated manufacturing system
EP4143705A4 (en) * 2020-04-28 2024-04-24 Strong Force TP Portfolio 2022, LLC SYSTEMS AND METHODS FOR DIGITAL TWIN OF TRANSPORTATION SYSTEMS
CN111526469A (zh) * 2020-04-30 2020-08-11 成都千立网络科技有限公司 一种基于神经网络的扩声系统啸叫点检测方法
US11770265B2 (en) * 2020-04-30 2023-09-26 Deere & Company Mobile machine with improved machine data authentication
CN111652853A (zh) * 2020-05-11 2020-09-11 西南科技大学 一种基于深度卷积神经网络的磁粉探伤检测方法
CN111597075B (zh) * 2020-05-11 2023-04-07 成都艾勃科技有限公司 一种从被硬件加密的数据存储设备上恢复数据的方法
JP7481897B2 (ja) 2020-05-12 2024-05-13 株式会社東芝 監視装置、監視方法、プログラムおよびモデル訓練装置
CA3183142C (en) 2020-05-14 2023-07-04 Heartland Ag Tech, Inc. Predictive maintenance systems and methods to determine end gun health
US20210368656A1 (en) * 2020-05-20 2021-11-25 Nvidia Corporation Intelligent control and distribution of a liquid in a data center
GB2599768A (en) * 2020-05-20 2022-04-13 Nvidia Corp Intelligent control and distribution of a liquid in a data center
CN111709453B (zh) * 2020-05-22 2022-05-10 成都飞机工业（集团）有限责任公司 一种航空发动机电气系统在线故障诊断方法
US11521485B2 (en) * 2020-05-24 2022-12-06 Lemko Corporation Automated vehicle control distributed network apparatuses and methods
US11895808B2 (en) 2020-05-27 2024-02-06 Nvidia Corporation Intelligent refrigeration-assisted data center liquid cooling
CN115039522A (zh) * 2020-05-27 2022-09-09 辉达公司 智能制冷辅助的数据中心液体冷却
US11631493B2 (en) 2020-05-27 2023-04-18 View Operating Corporation Systems and methods for managing building wellness
TWI770520B (zh) * 2020-05-28 2022-07-11 國立虎尾科技大學 水平監控與調整系統
US12034320B2 (en) * 2020-06-08 2024-07-09 Renesas Electronics America Inc. Wireless power charging with authentication
US12052731B2 (en) * 2020-06-23 2024-07-30 Qualcomm Incorporated Feedback-based broadcast network coded packet transmission
TR202009944A1 (tr) * 2020-06-25 2022-01-21 Loodos Bilisim Teknolojileri Sanayi Ve Ticaret Ltd Sirketi Önbellek güncelleme sistemi ve yöntemi.
CN111652191A (zh) * 2020-06-30 2020-09-11 东北大学 一种基于陆空两级光伏发电系统的故障检测方法及系统
US11876885B2 (en) 2020-07-02 2024-01-16 Mellanox Technologies, Ltd. Clock queue with arming and/or self-arming features
EP4179706A4 (en) * 2020-07-12 2024-07-10 Sclera Holdings Llc SYSTEM AND METHOD FOR MONITORING OPERATIONS AND DETECTING FAULTS IN NETWORKED DEVICES
US11722265B2 (en) * 2020-07-17 2023-08-08 Qualcomm Incorporated Feedback design for network coding termination in broadcasting
US11750715B2 (en) * 2020-07-17 2023-09-05 Rockwell Automation Technologies, Inc. Industrial automation broker device
CN111861221A (zh) * 2020-07-22 2020-10-30 海尔优家智能科技（北京）有限公司 设备故障信息的推送方法和装置、存储介质及电子装置
US11740022B2 (en) * 2020-07-22 2023-08-29 Air Products And Chemicals, Inc. Furnace controller and method of operating a furnace
CN111882202A (zh) * 2020-07-24 2020-11-03 武汉建工集团股份有限公司 一种基于bp神经网络的群体建筑同步建造风险管理系统
CN111882065B (zh) * 2020-08-03 2022-05-03 中国人民解放军国防科技大学 映射脉冲神经网络到类脑计算平台的方法、系统及介质
CN111899905B (zh) * 2020-08-05 2022-11-01 哈尔滨工程大学 一种基于核动力装置的故障诊断方法及系统
EP3958507A1 (en) 2020-08-17 2022-02-23 Nokia Solutions and Networks Oy Blockchain-based network device management methods and devices
US11909482B2 (en) * 2020-08-18 2024-02-20 Qualcomm Incorporated Federated learning for client-specific neural network parameter generation for wireless communication
DE102020210530A1 (de) * 2020-08-19 2022-02-24 Kuka Deutschland Gmbh Überwachung bei einem robotergestützten Prozess
CN111985105B (zh) * 2020-08-20 2022-11-01 重庆大学 一种计及热动态特性的多微能源网系统可靠性评估方法
CN111985112B (zh) * 2020-08-27 2024-01-30 宝武集团鄂城钢铁有限公司 一种基于Unity3D的高炉数字孪生系统
JP2024513621A (ja) * 2020-08-28 2024-03-27 ローベルト ボツシユ ゲゼルシヤフト ミツト ベシユレンクテル ハフツング 産業施設の電力消費を最適化するシステム及びその方法
US11391288B2 (en) * 2020-09-09 2022-07-19 General Electric Company System and method for operating a compressor assembly
WO2022056594A1 (en) * 2020-09-18 2022-03-24 Waterwerx Technology Pty Ltd Method of managing a system
US11625141B2 (en) * 2020-09-22 2023-04-11 Servicenow, Inc. User interface generation with machine learning
CN112150152B (zh) * 2020-10-09 2023-08-08 浙江专线宝网阔物联科技有限公司 基于区块链与模糊认知映射融合的b-f神经网络可追溯算法
US12019059B2 (en) 2020-10-16 2024-06-25 Saudi Arabian Oil Company Detecting equipment defects using lubricant analysis
CN112328832B (zh) * 2020-10-27 2022-08-09 内蒙古大学 一种融合标签和知识图谱的电影推荐方法
CN112372637B (zh) * 2020-10-27 2022-05-06 东方红卫星移动通信有限公司 低轨卫星空间机械臂自适应阻抗柔顺控制方法、模块及系统
US12081979B2 (en) * 2020-11-05 2024-09-03 Visa International Service Association One-time wireless authentication of an Internet-of-Things device
CN112365579B (zh) * 2020-11-13 2022-09-27 中南大学湘雅二医院 呼吸面罩的三维模型生成方法、装置、设备及存储介质
CN112529250B (zh) * 2020-11-16 2023-06-30 贵州电网有限责任公司 一种变压器负载状况综合监控方法
CN112395797B (zh) * 2020-11-27 2023-03-10 四川石油天然气建设工程有限责任公司 油气管悬索跨越仿真分析方法
US20220170818A1 (en) * 2020-12-01 2022-06-02 International Business Machines Corporation Prioritization of maintenance activity based on computer analysis of machine data with digital vibration frequency simulation
CN112380298B (zh) * 2020-12-03 2024-06-18 成都航天科工大数据研究院有限公司 一种油气管道缺陷修复的知识图谱构建方法及系统
CN112215358B (zh) * 2020-12-09 2021-03-05 戎腾科技(长沙)有限公司 一种基于随机森林的ip定位方法及系统
US11556378B2 (en) 2020-12-14 2023-01-17 Mellanox Technologies, Ltd. Offloading execution of a multi-task parameter-dependent operation to a network device
US11604940B2 (en) 2020-12-15 2023-03-14 Caterpillar Inc. Systems and methods for part identification and assessment using multiple images
CN112508429A (zh) * 2020-12-16 2021-03-16 常州大学 一种基于卷积神经网络的埋地管道阴极保护系统故障诊断方法
AU2021409557A1 (en) * 2020-12-21 2023-08-10 Procore Technologies, Inc. Identifying and monitoring productivity, health, and safety risks in industrial sites
CN112532746B (zh) * 2020-12-21 2021-10-26 北京邮电大学 一种云边协同感知的方法及系统
CN112560272A (zh) * 2020-12-21 2021-03-26 湖南国科锐承电子科技有限公司 一种基于相似元模型的电磁环境构设逼真度评估方法
CN112731019B (zh) * 2020-12-21 2022-10-14 合肥工业大学 一种anpc三电平逆变器故障诊断方法
US11490576B2 (en) 2020-12-22 2022-11-08 Heartland Ag Tech, Inc. Modular kinematic and telemetry system for an irrigation system
CN112565454A (zh) * 2020-12-23 2021-03-26 杭州诺明科技有限公司 一种基于5g多维感知的工业设备管理方法
AU2021410745B2 (en) 2020-12-23 2023-07-20 Heartland Ag Tech, Inc. Condition based monitoring of irrigation
CN112540974B (zh) * 2020-12-24 2021-09-24 哈尔滨工业大学 一种基于二阶动量的航天器遥测数据野值点去除方法
CN112863134B (zh) * 2020-12-31 2022-11-18 浙江清华长三角研究院 一种农村污水处理设施运行异常的智能诊断系统及方法
EP4272040A1 (en) * 2021-01-04 2023-11-08 Heartland AG Tech, Inc. Determining drive system anomalies based on power and/or current changes in an irrigation system
CN112765748B (zh) * 2021-01-25 2024-03-22 长安大学 机理-数据异构信息融合的旋转机械数字孪生建模方法
CN112801185B (zh) * 2021-01-28 2023-02-24 河北师范大学 一种基于改进神经网络的网络安全态势理解和评估方法
CN112819080B (zh) * 2021-02-05 2022-09-02 四川大学 一种高精度通用的三维点云识别方法
CN112949170B (zh) * 2021-02-05 2024-10-29 北京千驷驭电气有限公司 一种基于数字孪生技术的运营推演系统及方法
US11785735B2 (en) * 2021-02-19 2023-10-10 CyberSecure IPS, LLC Intelligent cable patching of racks to facilitate cable installation
EP4283262A4 (en) * 2021-03-05 2024-06-19 Mitsubishi Heavy Industries Marine Machinery & Equipment Co., Ltd. VIBRATION MONITORING DEVICE, CHARGER AND VIBRATION MONITORING METHODS
CA3111524A1 (en) * 2021-03-08 2022-09-08 Katherine Hutton Unattended employment matching and hiring system
CN112926158B (zh) * 2021-03-16 2023-07-14 上海设序科技有限公司 一种工业机械设计场景下基于参数微调的通用设计方法
CN112966632B (zh) * 2021-03-19 2023-12-12 浙江中自庆安新能源技术有限公司 一种基于振动信号图像化的故障识别方法及系统
JP2022157180A (ja) * 2021-03-31 2022-10-14 三菱重工業株式会社 装置、遠隔監視システム、装置の制御方法、及び、遠隔監視システムの制御方法
EP4075219A1 (en) * 2021-04-15 2022-10-19 Siemens Aktiengesellschaft System and method of monitoring an industrial environment
CN113032128B (zh) * 2021-04-20 2024-05-17 北京微纳星空科技有限公司 一种多任务的控制方法、装置、电子设备及存储介质
US20220341317A1 (en) * 2021-04-26 2022-10-27 Saudi Arabian Oil Company System and method for identifying productive health of wells while ensuring safe operating conditions
CN112989069B (zh) * 2021-05-10 2021-10-15 苏州博宇鑫交通科技有限公司 一种基于知识图谱与区块链的交通违章分析方法
TR202108476A2 (tr) * 2021-05-21 2021-06-21 Gencler Elektronik Sanayi Ve Ticaret Ltd Sirketi Uzaktan maki̇ne eri̇şi̇m, i̇zleme ve raporlama si̇stemi̇
KR20220159290A (ko) * 2021-05-25 2022-12-02 젠틀에너지 주식회사 증폭기 설계 장치 및 방법
CN113255220B (zh) * 2021-05-31 2022-12-06 西安交通大学 一种基于数字孪生的齿轮泵维护方法
CN113254311B (zh) * 2021-05-31 2022-12-13 广州衡昊数据科技有限公司 一种分布式电源系统的监控系统和监控方法
CN113359664B (zh) * 2021-05-31 2023-07-07 海南文鳐科技有限公司 故障诊断与维护系统、方法、设备及存储介质
CN115422017A (zh) * 2021-05-31 2022-12-02 深圳富桂精密工业有限公司 工业互联网的数据管理方法、电子装置及存储介质
WO2022255527A1 (ko) * 2021-06-02 2022-12-08 주식회사 시마크로 주방가전과 연동한 조리 대상체의 디지털 트윈 구축 방법, 시스템
CN113469222A (zh) * 2021-06-10 2021-10-01 国网甘肃省电力公司兰州供电公司 基于rst-pnn-ga的高压断路器故障检测方法
CN113420448B (zh) * 2021-06-25 2023-05-23 中国兵器装备集团自动化研究所有限公司 一种弹药熔铸装药成型过程的数字孪生系统及方法
CN113467449B (zh) * 2021-06-30 2023-05-30 深圳市海柔创新科技有限公司 车队控制方法、装置、电子设备和存储介质
CN113449400B (zh) * 2021-07-20 2022-10-25 合肥工业大学 一种多轴颈凸轮轴分时迁移校直参数蚁群优化方法
CN113669249B (zh) * 2021-08-27 2023-09-12 福建龙净环保股份有限公司 一种实现循环泵选择的方法、装置及设备
CN113822344B (zh) * 2021-08-30 2024-05-31 龙源(北京)新能源工程技术有限公司 基于数据驱动的风电机组发电机前轴承状态监测方法
CN113741391A (zh) * 2021-08-31 2021-12-03 中交上海航道局有限公司 一种振动碾远程监控系统
US20230071455A1 (en) * 2021-09-08 2023-03-09 Rockwell Automation Technologies, Inc. Product lifecycle management
US11669617B2 (en) 2021-09-15 2023-06-06 Nanotronics Imaging, Inc. Method, systems and apparatus for intelligently emulating factory control systems and simulating response data
CN113759803A (zh) * 2021-09-23 2021-12-07 西安铭创源机电科技有限公司 一种智能型监测保护控制电器装置
CN113891273A (zh) * 2021-09-29 2022-01-04 中国电信股份有限公司 参数配置方法和节点控制器、采集节点和信息采集系统
US11826644B2 (en) * 2021-10-05 2023-11-28 Sony Interactive Entertainment Inc. Bifurcation of gameplay between mobile and non-mobile play with intelligent game state saving, and startups
US20240114052A1 (en) * 2021-10-07 2024-04-04 Provallo, Inc. Network security system for preventing spoofed ip attacks
CN113998135B (zh) * 2021-10-18 2023-11-28 上海机电工程研究所 断裂不脱落型无人飞行器轴向锁紧释放组件
CN113915535B (zh) * 2021-10-21 2023-09-26 上海天麦能源科技有限公司 一种城市燃气管网监控系统及其控制方法
DE102021128383A1 (de) * 2021-10-29 2023-05-04 Dieffenbacher GmbH Maschinen- und Anlagenbau Verfahren und Vorrichtung zur Zustandsüberwachung eines Bandes, kontinuierliche Presse zur Herstellung von Werkstoffplatten und Computerprogrammprodukt
US11770307B2 (en) 2021-10-29 2023-09-26 T-Mobile Usa, Inc. Recommendation engine with machine learning for guided service management, such as for use with events related to telecommunications subscribers
CN113985851B (zh) * 2021-10-29 2024-03-08 雅迪科技集团有限公司 一种具有总线保护和抗干扰功能的电动车定位器通讯电路
US11886179B2 (en) 2021-11-02 2024-01-30 Caterpillar Inc. Systems and methods for determining machine usage severity
US12107741B2 (en) * 2021-11-03 2024-10-01 At&T Intellectual Property I, L.P. Determining spatial-temporal informative patterns for users and devices in data networks
US11411474B1 (en) * 2021-11-17 2022-08-09 Beta Air, Llc Systems and methods for monitoring health of a motor
US20230152377A1 (en) * 2021-11-17 2023-05-18 Beta Air, Llc Systems and methods for monitoring health of a motor
EP4187340A1 (en) * 2021-11-24 2023-05-31 Heineken Supply Chain B.V. A method and system for monitoring a device
US12124231B2 (en) 2021-11-30 2024-10-22 Caterpillar Inc. On-board machine component failure detection
EP4187550A1 (en) * 2021-11-30 2023-05-31 Koninklijke Philips N.V. Post-service state validator for medical devices
WO2023099234A1 (en) * 2021-11-30 2023-06-08 Koninklijke Philips N.V. Post-service state validator for medical devices
CN116246260A (zh) * 2021-12-06 2023-06-09 大金工业株式会社 部件的识别方法和识别装置
GB202118033D0 (en) * 2021-12-13 2022-01-26 Mars Inc A computer-implemented method of predicting quality of a food product sample
US20230196480A1 (en) * 2021-12-16 2023-06-22 Halliburton Energy Services, Inc. Assisted business intelligence on performance of complex assets with taxonomy of real time systems
CN114236314A (zh) * 2021-12-17 2022-03-25 瀚云科技有限公司 一种故障检测方法、装置、设备和存储介质
EP4201865B1 (en) 2021-12-21 2024-09-18 Hiab AB A working equipment system, and a method of the working equipment system
US20230214750A1 (en) * 2021-12-31 2023-07-06 Microsoft Technology Licensing, Llc Generating a mitigation workflow for mitigating a technical issue of a computing service using historical mitigation workflows
TWI779993B (zh) * 2022-01-20 2022-10-01 中華電信股份有限公司 基於物聯網之模型管理系統、模型管理方法及其電腦程式產品
US12116757B2 (en) * 2022-01-28 2024-10-15 Caterpillar Inc. Anomalous operating characteristic detection system, and associated devices and methods
KR102674141B1 (ko) * 2022-02-22 2024-06-11 백석대학교산학협력단 포인트 클라우드를 이용한 블록체인 기반 설명 가능한 인공지능 시스템
DE102022202020A1 (de) * 2022-02-28 2023-08-31 Siemens Aktiengesellschaft Verfahren und ein System zur Durchführung eines IT-Sicherheitstests
WO2023161054A1 (de) * 2022-02-28 2023-08-31 Siemens Aktiengesellschaft Verfahren und ein system zur durchführung eines it-sicherheitstests
CN114328699B (zh) * 2022-03-15 2022-06-07 心鉴智控(深圳)科技有限公司 一种工业产线运维控制系统
CN114638268B (zh) * 2022-03-30 2024-06-11 扬州新概念电气有限公司 基于无线测温技术的高压开关柜过热管控系统
AU2023243013A1 (en) 2022-03-31 2024-09-26 Heartland Ag Tech, Inc. Irrigation system including electronic independent observer integration with fertigation system
CN115001696B (zh) * 2022-04-07 2023-07-14 北京印刷学院 基于w态的量子多重代理签名方法及相关设备
WO2023197054A1 (en) * 2022-04-11 2023-10-19 Peytec Inc. Inventory system for mines
WO2023208594A1 (en) * 2022-04-29 2023-11-02 British Telecommunications Public Limited Company A method and system for controlling a computing system
EP4273650A1 (de) * 2022-05-03 2023-11-08 Siemens Aktiengesellschaft Reduktion von wartungsbedingten stillstandszeiten in der produktion
CN114953465B (zh) * 2022-05-17 2023-04-21 成都信息工程大学 一种基于Marlin固件的3D打印方法
CN115016261A (zh) * 2022-05-20 2022-09-06 潍柴动力股份有限公司 一种柴油机转速串级自抗扰控制系统、柴油机及机车
CN114978941A (zh) * 2022-05-24 2022-08-30 电子科技大学 一种面向IPv6网络的业务流测量方法
CN114880587B (zh) * 2022-06-10 2024-08-02 国网福建省电力有限公司 一种物联网设备的端口扫描路径推荐方法
FR3133670A1 (fr) * 2022-06-14 2023-09-22 Sagemcom Broadband Sas Auto-diagnostic d’un équipement électrique par empreinte sonore
CN115049259B (zh) * 2022-06-16 2024-04-05 国网重庆市电力公司电力科学研究院 一种基于多因素影响的预安排停运率测算方法
CN115186005A (zh) * 2022-06-16 2022-10-14 上海船舶运输科学研究所有限公司 一种船舶主机工况划分方法及系统
NO20220692A1 (en) * 2022-06-17 2023-12-18 Autostore Tech As A method and a system for determining condition of a component of a remotely operated vehicle
CN115102798B (zh) * 2022-06-20 2023-08-22 镇江港务集团有限公司 一种用于设备断电用应急数据备份系统
CN117310790A (zh) * 2022-06-24 2023-12-29 富联国基(上海)电子有限公司 拆卸侦测装置
US20240007407A1 (en) * 2022-07-04 2024-01-04 Morgen Technology Inc. Tunneling of short-range sensor data through long-range wireless technology
US20240015045A1 (en) * 2022-07-07 2024-01-11 Paulmicheal Lee King Touch screen controlled smart appliance and communication network
EP4312099A1 (en) 2022-07-27 2024-01-31 Siemens Aktiengesellschaft Method of training a machine learning model for detecting one or more faults
US11635753B1 (en) * 2022-08-15 2023-04-25 Dimaag-Ai, Inc. Remaining useful life prediction for machine components
TWI849573B (zh) * 2022-11-09 2024-07-21 和昕精密科技有限公司 機器設備智能監測系統及方法
US11922237B1 (en) 2022-09-12 2024-03-05 Mellanox Technologies, Ltd. Single-step collective operations
CN115432251A (zh) * 2022-09-22 2022-12-06 昆山麦伊斯资讯顾问有限公司 适用于光伏行业的自动分档包护角系统
KR102535230B1 (ko) 2022-11-07 2023-05-26 주식회사 비츠로이엠 빅데이터를 이용한 엣지 컴퓨팅 및 클라우드 기반 fems
CN115456315B (zh) 2022-11-11 2023-02-24 成都秦川物联网科技股份有限公司 一种用于智慧燃气的燃气管网预设管理方法和物联网系统
TWI841092B (zh) * 2022-12-05 2024-05-01 台灣松下電器股份有限公司 冷櫃監控系統與監控主機
CN115617917B (zh) * 2022-12-16 2023-03-10 中国西安卫星测控中心 一种数据库集群多活控制的方法、装置、系统和设备
NO20221353A1 (en) * 2022-12-16 2024-06-17 Autostore Tech As On-board analysis for condition-based monitoring of automated vehicles of an automated storage system
WO2024161300A1 (en) * 2023-01-30 2024-08-08 Jio Platforms Limited System and method for correlating customer service requests
CN115801463B (zh) * 2023-02-06 2023-04-18 山东能源数智云科技有限公司 工业互联网平台入侵检测的方法、装置和电子设备
CN116095699A (zh) * 2023-02-07 2023-05-09 西北工业大学 利用双边缘计算的高安全卸载方法、系统、终端及其介质
CN115903650B (zh) * 2023-02-24 2023-05-05 深圳华龙讯达信息技术股份有限公司 一种用于plc信号分布式采集的方法及系统
CN116468214B (zh) * 2023-03-07 2023-12-15 德联易控科技(北京)有限公司 一种基于故障事件处理过程的证据电子化方法及电子设备
WO2024205334A1 (ko) * 2023-03-31 2024-10-03 주식회사 지이 수소에너지 또는 수소설비 발주 관리 장치, 방법 및 시스템
CN116128486B (zh) * 2023-04-17 2023-07-21 烟台军诺智能科技有限公司 一种基于数据分析的水下光通信实时风险评估系统
CN116165966B (zh) * 2023-04-21 2023-07-07 沈阳精锐数控机床有限公司 一种数控机床信息化自适应物料调控方法及系统
CN116275755B (zh) * 2023-05-12 2023-08-01 苏州诺克汽车工程装备有限公司 一种焊接生产线的智能控制系统
KR102693332B1 (ko) * 2023-06-29 2024-08-09 케이씨미래기술 주식회사 기계설비의 가동 감지를 위한 저전력 IoT 센서 모듈
CN117111551B (zh) * 2023-07-26 2024-09-20 深圳市中瑞远博智能系统有限公司 一种基于ames系统的药品生产质量监控方法及系统
CN116661330B (zh) * 2023-07-31 2023-12-01 深圳市云图数字科技有限公司 一种智能家居系统的协同运行方法及智能家居系统
CN116720837B (zh) * 2023-08-04 2023-11-14 成都秦川物联网科技股份有限公司 基于智慧燃气数据中心的信息交互管理方法与物联网系统
CN116863252B (zh) * 2023-09-04 2023-11-21 四川泓宝润业工程技术有限公司 动火作业现场易燃物检测方法、装置、设备、存储介质
CN116912428B (zh) * 2023-09-13 2024-04-16 中电通途(北京)科技有限公司 一种实现数字孪生的方法及系统
CN117392227B (zh) * 2023-12-12 2024-04-09 江西红声技术有限公司 一种头部姿态零位掉电保持方法及系统
CN117726461B (zh) * 2024-02-07 2024-07-05 湖南招采猫信息技术有限公司 一种用于电子招采辅助的金融风险预测方法及系统
CN117725368B (zh) * 2024-02-07 2024-05-31 浙江公路水运工程咨询集团有限公司 一种公路边坡位移预测方法
CN118095810B (zh) * 2024-04-28 2024-07-05 成都秦川物联网科技股份有限公司 一种智慧燃气管网附属设施维护方法与物联网系统
CN118523872B (zh) * 2024-07-23 2024-10-18 湖北省自然资源厅信息中心 一种基于跨域环境的数据交换与融合方法及装置
CN118540232B (zh) * 2024-07-25 2024-10-22 宁波淞宸智能科技有限公司 基于工控设备的数据交互方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101192997A (zh) * 2006-11-24 2008-06-04 中国科学院沈阳自动化研究所 分布式设备远程状态监测与故障诊断系统
CN102622857A (zh) * 2010-12-10 2012-08-01 霍尼韦尔国际公司 为健康监测和工厂维护而提供遵从和有毒气体暴露报警的系统和方法
CN102830691A (zh) * 2012-07-20 2012-12-19 南京航空航天大学 一种基于云计算的无人机自动检测及故障诊断方法

Family Cites Families (30)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6484109B1 (en) * 1998-05-20 2002-11-19 Dli Engineering Coporation Diagnostic vibration data collector and analyzer
JP2001160097A (ja) 1999-12-03 2001-06-12 Nec Corp 保守支援端末及び保守業務支援システム
EP1164550B1 (en) * 2000-06-16 2008-12-03 Ntn Corporation Machine component monitoring, diagnosing and selling system
JP4067811B2 (ja) 2001-11-12 2008-03-26 株式会社日立製作所 高温部品の遠隔監視システムおよび遠隔監視方法
US6714880B2 (en) * 2002-05-13 2004-03-30 Entek Ird International Corporation Multi-alarm monitoring and protection system
US7225037B2 (en) * 2003-09-03 2007-05-29 Unitronics (1989) (R″G) Ltd. System and method for implementing logic control in programmable controllers in distributed control systems
US7710153B1 (en) * 2006-06-30 2010-05-04 Masleid Robert P Cross point switch
EP2053475A1 (de) * 2007-10-26 2009-04-29 Siemens Aktiengesellschaft Verfahren zur Analyse des Betriebs einer Gasturbine
TWM348676U (en) * 2008-07-22 2009-01-11 Iner Aec Executive Yuan Environmental survey robot
JP4926145B2 (ja) 2008-09-16 2012-05-09 三菱電機株式会社 交流直流変換装置、圧縮機駆動装置、空気調和機及び異常検知装置
US20120041695A1 (en) * 2010-08-16 2012-02-16 Csi Technology, Inc. Integrated vibration measurement and analysis system
US9389165B2 (en) * 2011-06-23 2016-07-12 Virtjoule, Inc. System responsive to machine vibrations and method of use
US9284987B2 (en) * 2011-12-20 2016-03-15 Aktiebolaget Skf Warning device for monitoring a health status of a bearing having a close range wireless interface
US9360864B2 (en) * 2012-04-11 2016-06-07 General Electric Company Turbine fault prediction
DE102012015485A1 (de) * 2012-08-07 2014-05-15 Prüftechnik Dieter Busch AG Verfahren zum Überwachen von rotierenden Maschinen
WO2014061080A1 (ja) 2012-10-15 2014-04-24 株式会社日立製作所 保守計画立案支援システム、保守計画立案支援方法、保守計画立案支援プログラム
US9835594B2 (en) * 2012-10-22 2017-12-05 Augury Systems Ltd. Automatic mechanical system diagnosis
GB2513456B (en) * 2013-03-15 2020-12-09 Fisher Rosemount Systems Inc Mobile analysis of physical phenomena in a process plant
US20180096175A1 (en) * 2016-10-01 2018-04-05 James L. Schmeling Blockchain Enabled Packaging
GB2519120B (en) * 2013-10-10 2017-10-18 Abb Ltd Methods and apparatus relating to measurement instruments
EP2937241B1 (en) 2014-04-24 2017-03-08 Hitachi, Ltd. Railway vehicle damage estimation
US10788803B2 (en) * 2014-04-25 2020-09-29 Signify Holding B.V. System and method for maintaining building automation system performance
KR102247518B1 (ko) * 2014-12-23 2021-05-03 삼성전자주식회사 웨어러블 장치, 관리 서버, 이들을 포함하는 제어 시스템 및 그의 제어 방법
US9898001B2 (en) * 2015-03-27 2018-02-20 Rockwell Automation Technologies, Inc. Systems and methods for enhancing monitoring of an industrial automation system
US9589287B2 (en) * 2015-06-29 2017-03-07 Miq Llc User community generated analytics and marketplace data for modular systems
US9592964B2 (en) * 2015-07-23 2017-03-14 Pinc Solutions System and method for determining and controlling status and location of an object
EP3455684B1 (en) 2016-05-09 2024-07-17 Strong Force Iot Portfolio 2016, LLC Methods and systems for the industrial internet of things
KR101768810B1 (ko) * 2016-06-02 2017-08-30 두산중공업 주식회사 풍력단지 통합 제어 모니터링 시스템
US20180005307A1 (en) * 2016-06-29 2018-01-04 Paypal, Inc. System configurations with appliances and vehicles
EP3287405A1 (en) * 2016-08-22 2018-02-28 Inventio AG Noise based elevator malfunction detection

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101192997A (zh) * 2006-11-24 2008-06-04 中国科学院沈阳自动化研究所 分布式设备远程状态监测与故障诊断系统
CN102622857A (zh) * 2010-12-10 2012-08-01 霍尼韦尔国际公司 为健康监测和工厂维护而提供遵从和有毒气体暴露报警的系统和方法
CN102830691A (zh) * 2012-07-20 2012-12-19 南京航空航天大学 一种基于云计算的无人机自动检测及故障诊断方法

Cited By (269)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US12075957B2 (en) 2014-03-24 2024-09-03 Intelligent Cleaning Equipment Holdings Co. Ltd. Floor cleaning machines having intelligent systems, associated sub-assemblies incorporating intelligent systems, and associated methods of use
US11310250B2 (en) * 2019-05-24 2022-04-19 Bank Of America Corporation System and method for machine learning-based real-time electronic data quality checks in online machine learning and AI systems
CN112653737A (zh) * 2020-12-11 2021-04-13 电子科技大学 一种基于物联网的室内墙面抹灰机器人远程监控系统
CN113141169A (zh) * 2021-04-26 2021-07-20 伟卓石油科技(北京)有限公司 自适应泥浆脉冲数据处理方法、系统及设备
CN113192225A (zh) * 2021-04-29 2021-07-30 重庆天智慧启科技有限公司 社区安全巡更控制系统
CN113192225B (zh) * 2021-04-29 2022-09-30 重庆天智慧启科技有限公司 社区安全巡更控制系统
CN113110961A (zh) * 2021-04-30 2021-07-13 平安国际融资租赁有限公司 设备异常检测方法、装置、计算机设备及可读存储介质
CN113138967B (zh) * 2021-05-08 2023-03-21 贵州全安密灵科技有限公司 一种数据信息采集方法、黑匣子、起爆器及存储介质
CN113138967A (zh) * 2021-05-08 2021-07-20 贵州全安密灵科技有限公司 一种数据信息采集方法、黑匣子、起爆器及存储介质
CN113259849B (zh) * 2021-05-17 2022-12-16 深圳市酷开网络科技股份有限公司 基于用户标签的小区覆盖量确定方法、装置和存储介质
CN113259849A (zh) * 2021-05-17 2021-08-13 深圳市酷开网络科技股份有限公司 基于用户标签的小区覆盖量确定方法、装置和存储介质
CN113411181A (zh) * 2021-05-18 2021-09-17 南京邮电大学 一种基于分布式并行差分进化算法的参数优化方法
CN113411181B (zh) * 2021-05-18 2023-02-14 南京邮电大学 一种基于分布式并行差分进化算法的参数优化方法
CN113241767A (zh) * 2021-05-20 2021-08-10 广东电网有限责任公司广州供电局 一种零散区域的分阶段复电方法
CN113241767B (zh) * 2021-05-20 2022-06-03 广东电网有限责任公司广州供电局 一种零散区域的分阶段复电方法
CN113030711A (zh) * 2021-05-26 2021-06-25 成都市克莱微波科技有限公司 一种功率放大器芯片、芯片测试系统及方法
CN113392880A (zh) * 2021-05-27 2021-09-14 扬州大学 一种基于偏差校正随机森林的交通流短时预测方法
CN113392880B (zh) * 2021-05-27 2021-11-23 扬州大学 一种基于偏差校正随机森林的交通流短时预测方法
CN113285720B (zh) * 2021-05-28 2023-07-07 中科计算技术西部研究院 基因数据无损压缩方法、集成电路及无损压缩设备
CN113285720A (zh) * 2021-05-28 2021-08-20 中科计算技术西部研究院 基因数据无损压缩方法、集成电路及无损压缩设备
CN113408371A (zh) * 2021-06-01 2021-09-17 武汉理工大学 一种早期故障诊断方法及装置
CN113254666A (zh) * 2021-06-02 2021-08-13 上海酒贝乐信息技术有限公司 一种人工智能自我学习和成长完善的方法及系统
CN113241854A (zh) * 2021-06-10 2021-08-10 南方电网科学研究院有限责任公司 一种用户用电状态远程更新方法及系统
CN113298321A (zh) * 2021-06-22 2021-08-24 深圳市查策网络信息技术有限公司 一种基于多数据融合的用户意图预测方法
CN113420921B (zh) * 2021-06-23 2022-04-22 天津大学 一种基于gps定位和贝叶斯分类的区域建筑能耗预测方法
CN113420921A (zh) * 2021-06-23 2021-09-21 天津大学 一种基于gps定位和贝叶斯分类的区域建筑能耗预测方法
CN113433907A (zh) * 2021-06-24 2021-09-24 中国航空综合技术研究所 基于可靠性关键特性的航空机电产品设计可靠性控制方法
CN113359640A (zh) * 2021-06-25 2021-09-07 上海大学 一种基于数字孪生和增强现实的产线预测性维护系统及方法
CN113468809A (zh) * 2021-06-30 2021-10-01 重庆大学 一种风电齿轮箱平行级齿根裂纹模式识别方法
CN113468809B (zh) * 2021-06-30 2022-10-04 重庆大学 一种风电齿轮箱平行级齿根裂纹模式识别方法
CN113590418A (zh) * 2021-07-06 2021-11-02 合肥联宝信息技术有限公司 一种螺丝锁附状态的检测方法、装置及存储介质
CN113645589B (zh) * 2021-07-09 2024-05-17 北京邮电大学 一种基于反事实策略梯度的无人机集群路由计算方法
CN113538515B (zh) * 2021-07-19 2024-06-07 安徽炬视科技有限公司 一种基于结合语义分割及目标检测跟踪的高压开关柜异动检测方法
CN113538515A (zh) * 2021-07-19 2021-10-22 安徽炬视科技有限公司 一种基于结合语义分割及目标检测跟踪的高压开关柜异动检测算法
CN113489806A (zh) * 2021-07-21 2021-10-08 河北振创电子科技有限公司 基于分布式物联网架构的数据存储系统、方法及装置
CN113505440B (zh) * 2021-07-28 2024-05-14 大连理工大学 一种基于三维深度学习的汽车气动性能参数实时预测方法
CN113505440A (zh) * 2021-07-28 2021-10-15 大连理工大学 一种基于三维深度学习的汽车气动性能参数实时预测方法
CN113673582B (zh) * 2021-07-30 2023-05-09 西南交通大学 基于系统聚类分析的铁路动态基准点多层级分群方法
CN113673582A (zh) * 2021-07-30 2021-11-19 西南交通大学 基于系统聚类分析的铁路动态基准点多层级分群方法
CN113343947B (zh) * 2021-08-02 2021-10-29 长沙鹏阳信息技术有限公司 一种基于人工智能的石油井下油管升降安全分析方法
CN113343947A (zh) * 2021-08-02 2021-09-03 长沙鹏阳信息技术有限公司 一种基于人工智能的石油井下油管升降安全分析方法
CN113344959B (zh) * 2021-08-06 2021-11-09 山东捷瑞数字科技股份有限公司 余料的分析处理方法、装置及物料输送系统
CN113344959A (zh) * 2021-08-06 2021-09-03 山东捷瑞数字科技股份有限公司 余料的分析处理方法、装置及物料输送系统
CN113783933B (zh) * 2021-08-10 2022-05-24 中山大学 基于编码缓存的双层网络通信方法、装置及介质
CN113783933A (zh) * 2021-08-10 2021-12-10 中山大学 基于编码缓存的双层网络通信方法、装置及介质
CN113466424B (zh) * 2021-08-12 2022-02-15 广州高得环保科技股份有限公司 一种智慧物联网的管道直饮水水质监控方法及系统
CN113466424A (zh) * 2021-08-12 2021-10-01 广州高得环保科技股份有限公司 一种智慧物联网的管道直饮水水质监控方法及系统
CN115706729A (zh) * 2021-08-12 2023-02-17 中移物联网有限公司 一种服务提供方法及装置、设备、存储介质
CN113628249B (zh) * 2021-08-16 2023-04-07 电子科技大学 基于跨模态注意力机制与孪生结构的rgbt目标跟踪方法
CN113628249A (zh) * 2021-08-16 2021-11-09 电子科技大学 基于跨模态注意力机制与孪生结构的rgbt目标跟踪方法
CN113656238B (zh) * 2021-08-17 2023-07-04 北京京航计算通讯研究所 一种智能终端的ai工业应用能力测试方法和系统
CN113656238A (zh) * 2021-08-17 2021-11-16 北京京航计算通讯研究所 一种智能终端的ai工业应用能力测试方法和系统
CN113706490B (zh) * 2021-08-19 2024-01-12 中科苏州智能计算技术研究院 一种晶片缺陷检测方法
CN113706490A (zh) * 2021-08-19 2021-11-26 中科苏州智能计算技术研究院 一种晶片缺陷检测方法
CN113672981A (zh) * 2021-08-20 2021-11-19 国网河南省电力公司信息通信公司 基于区块链的电力物联网数据访问控制系统
CN113642220B (zh) * 2021-08-26 2023-09-22 江苏科技大学 一种基于rbf与mopso的船舶焊接工艺优化方法
CN113642220A (zh) * 2021-08-26 2021-11-12 江苏科技大学 一种基于rbf与mopso的船舶焊接工艺优化方法
CN113722833A (zh) * 2021-09-09 2021-11-30 湖南工业大学 基于双通道长短时记忆网络的涡扇发动机剩余使用寿命预测方法
CN113887702B (zh) * 2021-09-10 2024-06-04 哈尔滨工业大学 基于wlctd与cnn-lstm的工业机器人谐波减速器早期故障检测方法
CN113887702A (zh) * 2021-09-10 2022-01-04 哈尔滨工业大学 基于wlctd与cnn-lstm的工业机器人谐波减速器早期故障检测方法
CN113705839A (zh) * 2021-09-13 2021-11-26 北京博瑞华通科技有限公司 一种燃料电池电堆的预测性维护方法以及维护系统
CN113705839B (zh) * 2021-09-13 2023-10-20 北京博瑞华通科技有限公司 一种燃料电池电堆的预测性维护方法以及维护系统
CN113742931B (zh) * 2021-09-13 2024-01-26 中国电子信息产业集团有限公司第六研究所 一种区块链边缘安全检测方法、系统、电子设备
CN113742931A (zh) * 2021-09-13 2021-12-03 中国电子信息产业集团有限公司第六研究所 一种区块链边缘安全检测方法、系统、电子设备
TWI784718B (zh) * 2021-09-17 2022-11-21 和碩聯合科技股份有限公司 廠區告警事件處理方法與系統
CN113566953B (zh) * 2021-09-23 2021-11-30 中国空气动力研究与发展中心设备设计与测试技术研究所 一种柔壁喷管的在线监测方法
CN113566953A (zh) * 2021-09-23 2021-10-29 中国空气动力研究与发展中心设备设计与测试技术研究所 一种柔壁喷管的在线监测方法
CN113821888B (zh) * 2021-09-23 2024-02-27 西安热工研究院有限公司 基于周期性冲击特征提取和回声状态网络的振动数据故障诊断方法
CN113821888A (zh) * 2021-09-23 2021-12-21 西安热工研究院有限公司 基于周期性冲击特征提取和回声状态网络的振动数据故障诊断方法
CN113837077A (zh) * 2021-09-24 2021-12-24 安吉康尔（深圳）科技有限公司 二代测序实验智能监控系统、二代测序实验的方法和手表
CN114019935A (zh) * 2021-09-26 2022-02-08 华能巢湖发电有限责任公司 一种基于工业物联网设备实时检测诊断系统
CN113950113A (zh) * 2021-10-08 2022-01-18 东北大学 一种基于隐马尔科夫的车联网切换决策算法
CN113950113B (zh) * 2021-10-08 2022-10-25 东北大学 一种基于隐马尔科夫的车联网切换决策方法
CN113905107A (zh) * 2021-10-20 2022-01-07 云镝智慧科技有限公司 工业设备点表数据的获取方法、装置及网关
CN113674509A (zh) * 2021-10-21 2021-11-19 北京博华信智科技股份有限公司 基于区块链的边缘节点灾害监测预警系统及方法
CN113934173A (zh) * 2021-10-22 2022-01-14 重庆邮电大学 基于脉冲控制的多智能体系统分组一致性控制方法
CN113726911A (zh) * 2021-11-01 2021-11-30 南京绛门信息科技股份有限公司 一种基于物联网技术的工厂数据采集处理系统
CN113726911B (zh) * 2021-11-01 2022-01-14 南京绛门信息科技股份有限公司 一种基于物联网技术的工厂数据采集处理系统
CN114019816B (zh) * 2021-11-16 2023-11-14 南京工程学院 一种基于云计算的智能家居能耗优化方法及设备
CN114019816A (zh) * 2021-11-16 2022-02-08 南京工程学院 一种基于云计算的智能家居能耗优化方法及设备
CN114089708A (zh) * 2021-11-19 2022-02-25 江苏科技大学 基于数字孪生的海上发电平台管理系统及其优化调控方法
CN114089708B (zh) * 2021-11-19 2024-03-26 江苏科技大学 基于数字孪生的海上发电平台管理系统及其优化调控方法
CN113839967A (zh) * 2021-11-26 2021-12-24 深圳市聚慧合创信息技术有限公司 基于大数据技术的物联网设备欺诈防控系统
CN114374636A (zh) * 2021-12-21 2022-04-19 航天科工网络信息发展有限公司 一种智能路由方法、装置及网络设备
CN114374636B (zh) * 2021-12-21 2024-04-02 航天科工网络信息发展有限公司 一种智能路由方法、装置及网络设备
CN114404857A (zh) * 2021-12-30 2022-04-29 湖南中联重科应急装备有限公司 用于臂架的控制装置、臂架和消防车
CN114404857B (zh) * 2021-12-30 2022-11-25 湖南中联重科应急装备有限公司 用于臂架的控制装置、臂架和消防车
CN114327288B (zh) * 2021-12-31 2024-02-20 深圳忆联信息系统有限公司 Ssd剩余用户使用时间的预测方法、装置、计算机设备及存储介质
CN114327288A (zh) * 2021-12-31 2022-04-12 深圳忆联信息系统有限公司 Ssd剩余用户使用时间的预测方法、装置、计算机设备及存储介质
CN114062885B (zh) * 2022-01-17 2023-10-20 清华大学 一种半导体器件热分布的测试装置
CN114062885A (zh) * 2022-01-17 2022-02-18 清华大学 一种半导体器件热分布的测试装置
CN114355823A (zh) * 2022-01-18 2022-04-15 天地（常州）自动化股份有限公司 基于网络的矿用防爆组合开关控制系统及其控制方法
CN114355823B (zh) * 2022-01-18 2024-05-17 天地（常州）自动化股份有限公司 基于网络的矿用防爆组合开关控制系统及其控制方法
CN114079963A (zh) * 2022-01-20 2022-02-22 中铁十八局集团第四工程有限公司 基于无线网络通信的场地内施工设备主动安全管控系统
CN114079963B (zh) * 2022-01-20 2022-04-22 中铁十八局集团第四工程有限公司 基于无线网络通信的场地内施工设备主动安全管控系统
CN114894109B (zh) * 2022-02-09 2023-10-17 重庆交通大学 隧道应变信息获取方法及相关装置
CN114894109A (zh) * 2022-02-09 2022-08-12 重庆交通大学 隧道应变信息获取方法及相关装置
CN114511150B (zh) * 2022-02-16 2022-09-13 成都理工大学 一种基于深度学习的滑坡位移时空预测方法
CN114511150A (zh) * 2022-02-16 2022-05-17 成都理工大学 一种基于深度学习的滑坡位移时空预测方法
CN114201890B (zh) * 2022-02-16 2022-05-24 苏州博宇鑫交通科技有限公司 一种高速公路异常事件场景库构建方法
CN114201890A (zh) * 2022-02-16 2022-03-18 苏州博宇鑫交通科技有限公司 一种高速公路异常事件场景库构建方法
CN114202065A (zh) * 2022-02-17 2022-03-18 之江实验室 一种基于增量式演化lstm的流数据预测方法及装置
CN114546914A (zh) * 2022-02-23 2022-05-27 北京奕斯伟计算技术有限公司 用于对多个通道信息执行数据处理的处理装置及系统
CN115277742A (zh) * 2022-02-23 2022-11-01 智能清洁设备控股有限公司 用于管理机器人的系统和方法
CN114546914B (zh) * 2022-02-23 2024-04-26 北京奕斯伟计算技术股份有限公司 用于对多个通道信息执行数据处理的处理装置及系统
CN114580721A (zh) * 2022-02-24 2022-06-03 南京航空航天大学 无人机轨迹的高斯变分推断精确学习方法
CN114625885A (zh) * 2022-03-07 2022-06-14 南京信息工程大学 一种基于nlp与触发器的实体从属关系抽取识别方法、系统、装置和存储介质
CN114625885B (zh) * 2022-03-07 2024-10-18 南京信息工程大学 一种基于nlp与触发器的实体从属关系抽取识别方法、系统、装置和存储介质
CN114295616B (zh) * 2022-03-11 2022-05-10 西南石油大学 基于图像识别的套管检测设备
CN114295616A (zh) * 2022-03-11 2022-04-08 西南石油大学 基于图像识别的套管检测设备
CN114706667B (zh) * 2022-03-24 2022-10-28 慧之安信息技术股份有限公司 一种基于异构计算的流媒体转发方法
CN114706667A (zh) * 2022-03-24 2022-07-05 慧之安信息技术股份有限公司 一种基于异构计算的流媒体转发方法
CN114828472A (zh) * 2022-03-25 2022-07-29 中国航空工业集团公司金城南京机电液压工程研究中心 一种小型化液压泵无线通讯介入装置
CN114828472B (zh) * 2022-03-25 2023-12-08 中国航空工业集团公司金城南京机电液压工程研究中心 一种小型化液压泵无线通讯介入装置
CN114895645B (zh) * 2022-03-31 2024-04-16 中国地质大学（武汉） 考虑非零均值噪声的网络控制系统性能极限分析方法
CN114895645A (zh) * 2022-03-31 2022-08-12 中国地质大学（武汉） 考虑非零均值噪声的网络控制系统性能极限分析方法
CN114759971A (zh) * 2022-04-01 2022-07-15 南京航空航天大学 一种高功效上行异步noma无人机通信网络中断性能分析方法
CN114742419A (zh) * 2022-04-15 2022-07-12 南京信息工程大学 一种数据迁移改进数据有限区域滑坡危险性评估的方法
CN114818127A (zh) * 2022-04-18 2022-07-29 中节能工业节能有限公司 一种汽轮机劣化程度的量化方法
CN114511718B (zh) * 2022-04-19 2022-06-24 山东诚祥建设集团股份有限公司 一种建筑施工用物料智能管理方法及系统
CN114511718A (zh) * 2022-04-19 2022-05-17 山东诚祥建设集团股份有限公司 一种建筑施工用物料智能管理方法及系统
CN114742306A (zh) * 2022-04-20 2022-07-12 南京邮电大学 基于改进知识蒸馏esn的边缘端时间序列预测方法
CN114742306B (zh) * 2022-04-20 2024-11-08 南京邮电大学 基于改进知识蒸馏esn的边缘端时间序列预测方法
CN114928475A (zh) * 2022-04-25 2022-08-19 浪潮工业互联网股份有限公司 一种基于标识解析的工业设备认证方法、设备及介质
CN114928475B (zh) * 2022-04-25 2023-11-21 浪潮工业互联网股份有限公司 一种基于标识解析的工业设备认证方法、设备及介质
CN114726799A (zh) * 2022-04-28 2022-07-08 清华大学 拥塞控制智能体的训练方法、拥塞控制方法及装置
CN114726799B (zh) * 2022-04-28 2024-03-05 清华大学 拥塞控制智能体的训练方法、拥塞控制方法及装置
CN114826617A (zh) * 2022-04-29 2022-07-29 西北工业大学 工业物联网终端系统设计、数据验证方法及硬件加速装置
CN114650556B (zh) * 2022-05-05 2024-04-30 中国联合网络通信集团有限公司 无线网络业务承载能力的检测方法、装置和设备
CN114650556A (zh) * 2022-05-05 2022-06-21 中国联合网络通信集团有限公司 无线网络业务承载能力的检测方法、装置和设备
CN115081673A (zh) * 2022-05-05 2022-09-20 国家石油天然气管网集团有限公司 一种油气管道的异常预测方法、装置、电子设备及介质
CN114896061A (zh) * 2022-05-07 2022-08-12 百度在线网络技术（北京）有限公司 计算资源控制模型的训练方法、计算资源控制方法及装置
CN114896061B (zh) * 2022-05-07 2023-05-02 百度在线网络技术（北京）有限公司 计算资源控制模型的训练方法、计算资源控制方法及装置
CN115114844B (zh) * 2022-05-09 2023-09-19 东南大学 一种钢筋混凝土粘结滑移曲线的元学习预测模型
CN115114844A (zh) * 2022-05-09 2022-09-27 东南大学 一种钢筋混凝土粘结滑移曲线的元学习预测模型
US12020707B2 (en) * 2022-05-09 2024-06-25 Amazon Technologies, Inc. Response orchestrator for natural language interface
US20230360650A1 (en) * 2022-05-09 2023-11-09 Amazon Technologies, Inc. Response orchestrator for natural language interface
TWI827050B (zh) * 2022-05-12 2023-12-21 歐權科技股份有限公司 Ａｉ智能決策換刀系統、方法及其自我診斷流程、保養流程、ａｉ計算流程
CN114777557A (zh) * 2022-05-20 2022-07-22 连云港观旭电力节能设备有限公司 一种凝汽器清洗方法和系统
TWI820717B (zh) * 2022-05-20 2023-11-01 智連工控股份有限公司 去中心化之製造場域智慧型輔助系統及其橋接介面裝置
CN114844715A (zh) * 2022-05-25 2022-08-02 中国电子科技集团公司第三十研究所 一种网络安全防御策略优化方法、设备及介质
CN114844715B (zh) * 2022-05-25 2023-05-16 中国电子科技集团公司第三十研究所 一种网络安全防御策略优化方法、设备及介质
CN115001829B (zh) * 2022-06-07 2024-06-07 中国软件评测中心(工业和信息化部软件与集成电路促进中心) 协议漏洞挖掘方法、装置、设备及存储介质
CN115001829A (zh) * 2022-06-07 2022-09-02 中国软件评测中心(工业和信息化部软件与集成电路促进中心) 协议漏洞挖掘方法、装置、设备及存储介质
CN114783162A (zh) * 2022-06-20 2022-07-22 商飞软件有限公司 一种飞机三余度系统告警表决方法
CN115146838A (zh) * 2022-06-21 2022-10-04 南京航空航天大学 考虑物料订购的客机协同研制交付进度计划联动优化方法
CN114937028A (zh) * 2022-06-21 2022-08-23 苏州上舜精密工业科技有限公司 一种智能标识识别的直线滑台模组质量检测方法及系统
CN114937028B (zh) * 2022-06-21 2023-12-08 苏州上舜精密工业科技有限公司 一种智能标识识别的直线滑台模组质量检测方法及系统
CN114817375A (zh) * 2022-06-24 2022-07-29 深圳市智联物联科技有限公司 工业互联网数据采集管理系统
CN115061373A (zh) * 2022-06-27 2022-09-16 北京理工大学 一种混合动力系统电机温升预测博弈优化控制方法
CN115271033B (zh) * 2022-07-05 2023-11-21 西南财经大学 基于联邦知识蒸馏医学图像处理模型构建及其处理方法
CN115271033A (zh) * 2022-07-05 2022-11-01 西南财经大学 基于联邦知识蒸馏医学图像处理模型构建及其处理方法
CN115277757B (zh) * 2022-07-12 2023-04-11 智洋创新科技股份有限公司 一种基于宽窄带数据融合的智慧杆塔状态分析方法及系统
CN115277757A (zh) * 2022-07-12 2022-11-01 智洋创新科技股份有限公司 一种基于宽窄带数据融合的智慧杆塔状态分析方法及系统
CN115967599A (zh) * 2022-07-13 2023-04-14 安世亚太科技股份有限公司 一种基于数字孪生体的时变频率信号处理系统及方法
CN114879649A (zh) * 2022-07-13 2022-08-09 中企科信技术股份有限公司 一种工业控制系统的网络监测装置、监测方法及控制系统
CN115082921B (zh) * 2022-08-18 2022-12-13 成都飞机工业（集团）有限责任公司 一种基于机器视觉的飞机交点镗孔角度头管理方法
CN115082921A (zh) * 2022-08-18 2022-09-20 成都飞机工业（集团）有限责任公司 一种基于机器视觉的飞机交点镗孔角度头管理方法
CN115130929A (zh) * 2022-08-29 2022-09-30 中国西安卫星测控中心 基于机器学习分类的资源池智能生成方法
CN115130929B (zh) * 2022-08-29 2022-11-15 中国西安卫星测控中心 基于机器学习分类的资源池智能生成方法
CN115297496B (zh) * 2022-09-28 2022-12-20 南昌航空大学 结合Bi-LSTM和时间模式注意力的链路质量预测方法
CN115297496A (zh) * 2022-09-28 2022-11-04 南昌航空大学 结合Bi-LSTM和时间模式注意力的链路质量预测方法
CN115601318B (zh) * 2022-10-10 2023-05-02 广东昱升个人护理用品股份有限公司 快吸收低反渗纸尿裤智能生产方法及其系统
CN115601318A (zh) * 2022-10-10 2023-01-13 广东昱升个人护理用品股份有限公司（Cn） 快吸收低反渗纸尿裤智能生产方法及其系统
CN115358728B (zh) * 2022-10-20 2023-01-24 杭州上杰云服科技有限公司 基于云计算的erp数据处理方法
CN115358728A (zh) * 2022-10-20 2022-11-18 杭州上杰云服科技有限公司 基于云计算的erp数据处理方法
CN115373791B (zh) * 2022-10-25 2022-12-30 北京航天驭星科技有限公司 一种航天器自动化遥控作业的编制方法及装置
CN115373791A (zh) * 2022-10-25 2022-11-22 北京航天驭星科技有限公司 一种航天器自动化遥控作业的编制方法及装置
CN115455746A (zh) * 2022-11-10 2022-12-09 中国人民解放军海军工程大学 一种核动力装置运行监测数据异常检测与校正一体化方法
CN115622814A (zh) * 2022-12-19 2023-01-17 北京六方云信息技术有限公司 基于深度自编码器的http隧道检测方法、装置及设备
CN115967501A (zh) * 2022-12-29 2023-04-14 国网辽宁省电力有限公司信息通信分公司 一种基于区块链智能合约的Web服务组合生成方法
CN115654363B (zh) * 2022-12-30 2023-03-07 长春吉电氢能有限公司 一种制氢站智慧运行监控方法和系统
CN115654363A (zh) * 2022-12-30 2023-01-31 长春吉电氢能有限公司 一种制氢站智慧运行监控方法和系统
CN118196465A (zh) * 2023-01-17 2024-06-14 国家石油天然气管网集团有限公司 管道上方威胁事件的识别模型的训练方法及识别方法
CN116109977A (zh) * 2023-02-12 2023-05-12 深圳中检联检测有限公司 基于生产环境的食品卫生检测方法、装置、设备及介质
CN116109977B (zh) * 2023-02-12 2023-09-01 深圳中检联检测有限公司 基于生产环境的食品卫生检测方法、装置、设备及介质
CN115814915A (zh) * 2023-02-14 2023-03-21 山东埃尔派粉体科技有限公司 气流粉碎装置的粒度调控方法
CN115860278A (zh) * 2023-02-27 2023-03-28 深圳市利和兴股份有限公司 一种基于数据分析的电机组装生产管理方法及系统
CN115860278B (zh) * 2023-02-27 2023-04-28 深圳市利和兴股份有限公司 一种基于数据分析的电机组装生产管理方法及系统
CN116415929B (zh) * 2023-03-07 2023-11-14 鞍钢集团工程技术有限公司 一种基于多层gru网络的鱼雷罐车预测性维护方法
CN116415929A (zh) * 2023-03-07 2023-07-11 鞍钢集团工程技术有限公司 一种基于多层gru网络的鱼雷罐车预测性维护方法
CN117252496A (zh) * 2023-03-09 2023-12-19 江苏齐博冷链科技有限公司 分区域智慧物流协调系统
CN115977936B (zh) * 2023-03-21 2023-06-20 沃德传动（天津）股份有限公司 一种往复式压缩机故障诊断系统
CN115977936A (zh) * 2023-03-21 2023-04-18 沃德传动（天津）股份有限公司 一种往复式压缩机故障诊断系统
CN116442219B (zh) * 2023-03-24 2023-11-03 东莞市新佰人机器人科技有限责任公司 一种智能机器人控制系统及方法
WO2024199540A1 (zh) * 2023-03-24 2024-10-03 中国电力工程顾问集团西南电力设计院有限公司 一种基于物联网的智慧电厂智能监控预警维护管理系统
CN116442219A (zh) * 2023-03-24 2023-07-18 东莞市新佰人机器人科技有限责任公司 一种智能机器人控制系统及方法
CN116361709A (zh) * 2023-03-31 2023-06-30 山东省计算中心（国家超级计算济南中心） 一种自适应电力负荷识别方法与设备
CN116361709B (zh) * 2023-03-31 2023-10-31 山东省计算中心（国家超级计算济南中心） 一种自适应电力负荷识别方法与设备
CN116088398A (zh) * 2023-04-10 2023-05-09 中国电力工程顾问集团西南电力设计院有限公司 一种用于火电厂智慧监盘报警系统
CN116149958A (zh) * 2023-04-20 2023-05-23 华谱科仪(北京)科技有限公司 一种基于日志管理功能的色谱仪运维方法及装置
TWI838274B (zh) * 2023-05-03 2024-04-01 悠由數據應用股份有限公司 作物生長階段預測系統及方法
CN116257028A (zh) * 2023-05-16 2023-06-13 深圳市卓皓自动化科技有限公司 防护用品生产设备的智能过压调节方法、系统及设备
CN116257028B (zh) * 2023-05-16 2023-08-11 深圳市卓皓自动化科技有限公司 防护用品生产设备的智能过压调节方法、系统及设备
CN116401975B (zh) * 2023-06-08 2023-09-01 中国航发四川燃气涡轮研究院 一种进气道出口恶劣流场模拟板设计方法
CN116401975A (zh) * 2023-06-08 2023-07-07 中国航发四川燃气涡轮研究院 一种进气道出口恶劣流场模拟板设计方法
TWI849971B (zh) * 2023-06-12 2024-07-21 東訊股份有限公司 具有用電浪費估算及量化減排功能之振動測量裝置以及測量振動以估算用電浪費及量化減排之方法
CN116841260A (zh) * 2023-06-14 2023-10-03 成都飞机工业（集团）有限责任公司 一种用于飞机部件装配的动态自适应计划排程方法
CN116484268B (zh) * 2023-06-21 2023-09-05 西安黑石智能科技有限公司 基于机器学习的智能化工业设备故障诊断系统
CN116484268A (zh) * 2023-06-21 2023-07-25 西安黑石智能科技有限公司 基于机器学习的智能化工业设备故障诊断系统
CN116611523B (zh) * 2023-07-18 2023-09-26 山东师范大学 涡轮风扇发动机的可解释故障预测方法及系统
CN116611523A (zh) * 2023-07-18 2023-08-18 山东师范大学 涡轮风扇发动机的可解释故障预测方法及系统
CN116704137B (zh) * 2023-07-27 2023-10-24 山东科技大学 一种海上石油钻井平台点云深度学习逆向建模方法
CN116704137A (zh) * 2023-07-27 2023-09-05 山东科技大学 一种海上石油钻井平台点云深度学习逆向建模方法
CN116662764B (zh) * 2023-07-28 2023-09-29 中国电子科技集团公司第十五研究所 误识别纠正的数据识别方法、模型训练方法、装置和设备
CN116662764A (zh) * 2023-07-28 2023-08-29 中国电子科技集团公司第十五研究所 误识别纠正的数据识别方法、模型训练方法、装置和设备
CN116738863B (zh) * 2023-08-07 2024-02-06 江苏永钢集团有限公司 基于数字孪生的炉外精炼co2数字管理平台的搭建方法
CN116738863A (zh) * 2023-08-07 2023-09-12 江苏永钢集团有限公司 基于数字孪生运算炉外精炼co2利用数字模型搭建方法
CN116756225B (zh) * 2023-08-14 2023-11-07 南京展研信息技术有限公司 一种基于计算机网络安全的态势数据信息处理方法
CN116756225A (zh) * 2023-08-14 2023-09-15 南京展研信息技术有限公司 一种基于计算机网络安全的态势数据信息处理方法
CN116757447A (zh) * 2023-08-15 2023-09-15 国网江苏省电力有限公司电力科学研究院 一种智能快检装置的测试任务分配方法及系统
CN116757447B (zh) * 2023-08-15 2023-10-20 国网江苏省电力有限公司电力科学研究院 一种智能快检装置的测试任务分配方法及系统
CN116754022A (zh) * 2023-08-22 2023-09-15 山东浪潮新基建科技有限公司 电缆隧道的在线检测应急预警方法及系统
CN116754022B (zh) * 2023-08-22 2023-10-27 山东浪潮新基建科技有限公司 电缆隧道的在线检测应急预警方法及系统
CN117170818B (zh) * 2023-09-25 2024-04-12 中关村科学城城市大脑股份有限公司 容器处理方法、装置、电子设备和计算机可读介质
CN117170818A (zh) * 2023-09-25 2023-12-05 中关村科学城城市大脑股份有限公司 容器处理方法、装置、电子设备和计算机可读介质
CN117419760A (zh) * 2023-09-27 2024-01-19 湘潭市工矿电传动车辆质量检验中心 自卸车检测系统
CN117055536B (zh) * 2023-10-10 2023-12-29 北京集度科技有限公司 一种功能检测方法、装置及电子设备
CN117055513A (zh) * 2023-10-10 2023-11-14 张家港市卓华金属科技有限公司 基于人工智能的设备自动化控制方法及装置
CN117055536A (zh) * 2023-10-10 2023-11-14 北京集度科技有限公司 一种功能检测方法、装置及电子设备
CN117055513B (zh) * 2023-10-10 2024-04-26 张家港市卓华金属科技有限公司 基于人工智能的设备自动化控制方法及装置
CN117061569B (zh) * 2023-10-11 2024-03-29 工福(北京)科技发展有限公司 一种基于物联网的工会交互数字信息监测系统
CN117061569A (zh) * 2023-10-11 2023-11-14 工福(北京)科技发展有限公司 一种基于物联网的工会交互数字信息监测系统
CN117192371B (zh) * 2023-11-03 2024-01-30 南通清浪智能科技有限公司 一种新能源汽车电机驱动器的测试方法及系统
CN117192371A (zh) * 2023-11-03 2023-12-08 南通清浪智能科技有限公司 一种新能源汽车电机驱动器的测试方法及系统
CN117234957B (zh) * 2023-11-16 2024-02-06 山东科技大学 一种基于改进萤火虫算法的测试用例优先级排序方法
CN117234957A (zh) * 2023-11-16 2023-12-15 山东科技大学 一种基于改进萤火虫算法的测试用例优先级排序方法
CN117271981B (zh) * 2023-11-21 2024-02-09 湖南嘉创信息科技发展有限公司 基于跨平台数据交互的人工智能管理系统
CN117271981A (zh) * 2023-11-21 2023-12-22 湖南嘉创信息科技发展有限公司 基于跨平台数据交互的人工智能管理系统
CN117892121A (zh) * 2023-12-06 2024-04-16 广州海洋地质调查局 模型训练方法、海底地形预测方法及模型训练装置
CN117892121B (zh) * 2023-12-06 2024-10-01 广州海洋地质调查局 模型训练方法、海底地形预测方法及模型训练装置
CN117527453A (zh) * 2023-12-29 2024-02-06 广东云百科技有限公司 一种物联网数据传输方法及网关设备
CN117527453B (zh) * 2023-12-29 2024-03-19 广东云百科技有限公司 一种物联网数据传输方法及网关设备
CN117482443A (zh) * 2023-12-31 2024-02-02 常州博瑞电力自动化设备有限公司 一种消防设备健康监测方法及系统
CN117482443B (zh) * 2023-12-31 2024-03-29 常州博瑞电力自动化设备有限公司 一种消防设备健康监测方法及系统
CN117540432B (zh) * 2024-01-05 2024-03-19 河北数港科技有限公司 一种互联网的数据隐私保护方法及系统
CN117540432A (zh) * 2024-01-05 2024-02-09 河北数港科技有限公司 一种互联网的数据隐私保护方法及系统
CN117608912A (zh) * 2024-01-24 2024-02-27 之江实验室 基于nlp大模型的全自动日志分析和故障处理系统和方法
CN117608912B (zh) * 2024-01-24 2024-06-07 之江实验室 基于nlp大模型的全自动日志分析和故障处理系统和方法
CN117631633B (zh) * 2024-01-26 2024-04-19 四川琪达实业集团有限公司 一种服装定制产线柔性控制系统及方法
CN117631633A (zh) * 2024-01-26 2024-03-01 四川琪达实业集团有限公司 一种服装定制产线柔性控制系统及方法
CN117780346B (zh) * 2024-02-23 2024-05-24 太原矿机物联科技有限公司 基于3d可视化模型的远程煤机控制方法
CN117806170A (zh) * 2024-02-23 2024-04-02 中国科学院近代物理研究所 一种微束聚焦控制方法及装置
CN117780346A (zh) * 2024-02-23 2024-03-29 太原矿机物联科技有限公司 基于3d可视化模型的远程煤机控制方法
CN117806170B (zh) * 2024-02-23 2024-05-10 中国科学院近代物理研究所 一种微束聚焦控制方法及装置
CN117774007B (zh) * 2024-02-27 2024-04-23 天津润华科技有限公司 基于图像处理的物流转运机器人工作异常检测方法及系统
CN117774007A (zh) * 2024-02-27 2024-03-29 天津润华科技有限公司 基于图像处理的物流转运机器人工作异常检测方法及系统
CN117892182B (zh) * 2024-03-14 2024-06-07 山东神力索具有限公司 基于人工智能的索具耐用性测试方法及装置
CN117892182A (zh) * 2024-03-14 2024-04-16 山东神力索具有限公司 基于人工智能的索具耐用性测试方法及装置
CN117953973A (zh) * 2024-03-21 2024-04-30 电子科技大学长三角研究院(衢州) 基于序列同源性的特定生物序列预测方法及其系统
CN118014776A (zh) * 2024-04-09 2024-05-10 山东艾克索仑电气有限公司 一种闭式循环水冷系统负荷动态预测方法
CN118035951A (zh) * 2024-04-10 2024-05-14 河北迪运化工科技有限公司 基于失水量预测的淡水基浆制备方法、系统及钻井液
CN118098177A (zh) * 2024-04-22 2024-05-28 吉林省北联显示技术有限公司 一种基于物联网的地铁显示终端节能控制系统
CN118095964A (zh) * 2024-04-23 2024-05-28 成都飞机工业（集团）有限责任公司 一种航空管路系统装配一致性的评估方法
CN118081774A (zh) * 2024-04-24 2024-05-28 深圳市领志光机电自动化系统有限公司 一种用于amr机器人的安全防护系统
CN118113787A (zh) * 2024-04-30 2024-05-31 中增智慧城市建设发展有限公司 基于边缘计算的智慧城市物联网数据处理方法及系统
CN118157694B (zh) * 2024-05-08 2024-07-02 淮安云计物联网有限公司 一种基于物联网的信号增强系统
CN118157694A (zh) * 2024-05-08 2024-06-07 淮安云计物联网有限公司 一种基于物联网的信号增强系统
CN118277745A (zh) * 2024-06-03 2024-07-02 青岛农业大学 一种可视化农业大数据分析交互系统及方法
CN118277745B (zh) * 2024-06-03 2024-08-06 青岛农业大学 一种可视化农业大数据分析交互系统及方法
CN118297483A (zh) * 2024-06-04 2024-07-05 四川旅投数字信息产业发展有限责任公司 基于大数据分析的企业数据治理系统及方法
CN118294011A (zh) * 2024-06-06 2024-07-05 昆明茨坝矿山机械有限公司 振幅监测及自动实时调节方法、装置及存储介质
CN118311934B (zh) * 2024-06-11 2024-08-06 科锐普特(北京)控制技术有限公司 一种电气自动化控制系统
CN118311934A (zh) * 2024-06-11 2024-07-09 科锐普特(北京)控制技术有限公司 一种电气自动化控制系统
CN118394834B (zh) * 2024-06-25 2024-08-16 南京上古网络科技有限公司 基于人工智能的可视化管理系统、方法及存储介质
CN118394834A (zh) * 2024-06-25 2024-07-26 南京上古网络科技有限公司 基于人工智能的可视化管理系统、方法及存储介质
CN118452694A (zh) * 2024-07-12 2024-08-09 广州吉谷电器有限公司 一种煮茶的加热控制方法及系统
CN118626315A (zh) * 2024-08-09 2024-09-10 云南缮阳生物科技有限公司 一种生物多肽数据库共享交互方法和系统
CN118761036A (zh) * 2024-09-06 2024-10-11 农业农村部南京农业机械化研究所 一种大马力拖拉机电液悬挂装置的协同作业智能控制策略

Also Published As

Publication number Publication date
US20200103894A1 (en) 2020-04-02
JP2021526250A (ja) 2021-09-30
WO2019216975A1 (en) 2019-11-14
EP3791236A4 (en) 2022-06-08
CA3099659A1 (en) 2019-11-14
JP2024056146A (ja) 2024-04-22
JP7445928B2 (ja) 2024-03-08
EP3791236A1 (en) 2021-03-17

Similar Documents

Publication Publication Date Title
JP7445928B2 (ja) 産業用のモノのインターネットを利用した解析及びメンテナンスのための機械信号のデータ収集、学習、ストリーミングのための方法並びにシステム
US20220083046A1 (en) Platform for facilitating development of intelligence in an industrial internet of things system
US11409266B2 (en) System, method, and apparatus for changing a sensed parameter group for a motor
US11243522B2 (en) Methods and systems for detection in an industrial Internet of Things data collection environment with intelligent data collection and equipment package adjustment for a production line
US20210157312A1 (en) Intelligent vibration digital twin systems and methods for industrial environments
US20200159207A1 (en) Methods and systems for data collection and analysis of machine signals for analytics and maintenance using the industrial internet of things and a mobile data collector
US20190339688A1 (en) Methods and systems for data collection, learning, and streaming of machine signals for analytics and maintenance using the industrial internet of things
US20200089211A1 (en) Methods for self-organizing data collection and storage
JP2020530159A (ja) 大量のデータセットを使用する産業用のモノのインターネットのデータ収集環境における検出のための方法及びシステム
CN115039045A (zh) 用于工业环境的智能振动数字孪生系统和方法

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