CN113360338A - 用于监控机器的状态的方法和计算单元 - Google Patents

Abstract

本发明涉及监控机器的运行状态的方法，包括：检测机器的至少一个运行参数，以获得至少两个不同参考状态的参考运行数据；根据数据形成多个数据块，其分别在不同第一时间段之内的数据上延伸；基于第一数据块训练第一模型且确定其误差极限；将第一模型用于第二数据块，当第一模型在用于第二数据块时的误差大于上述误差极限时，基于第二数据块训练第二模型且确定其误差极限；定义模型集，其包含第一模型和第二模型；将模型集的所有模型用于另一数据块，如果模型集中至少一个模型在用于另一数据块时的误差大于相应模型的误差极限，则基于另一数据块训练另一模型，确定另一模型的误差极限且将另一模型添加到模型集；对所有其它数据块重复先前步骤。

Description

用于监控机器的状态的方法和计算单元

技术领域

本发明涉及一种用于监控机器的运行状态的方法以及一种用于执行该方法的计算单元和计算机程序，例如用于对机器或机器组件、例如液压设施的诊断以及特别是针对该目的而训练并应用机器学习方法、例如神经网络的机器学习方法。

背景技术

在监控机器或机器组件时，通常检测大量传感器数据。尤其是在机器的工业应用方面情况如此。在液压设施的情况下，传感器数据可以示例性地从液压流体的压力和体积流、液压流体或机器部件的温度或者还有发动机的转矩、功率输出中选择。在机器的其中该机器处在可验证的无错误状态下（例如是新的）的参考运行期间，所获得的传感器数据可以被用于对机器的运行状态进行分类。如果接着在继续运行期间出现不属于该类别的传感器数据，则可以识别出机器的故障状态或异常状态。

为了对运行状态的分类，已经尝试应用机器学习方法。例如，在US 2017024649 A1中在燃气轮机中使用所谓的自编码器或者也在US 2017328194 A1中在油田上使用的泵中使用所谓的自编码器，以便识别在传感器数据中表特征的结构，也就是说执行一种降维。接着，通过基于机器学习的分类器来对这样获得的特征进行分类。在这种情况下，用于借助于机器学习对数据进行诊断的标准方案是：使用固定定义的训练时间段，在上述两个文献中情况都是如此；或者将新出现的数据持续地应用于所得到的模型。

然而，在工业应用中，固定定义的训练时间段并不是最佳的。这样，机器的运行非常不一样（动力学、生产周期、所生产的产品方面的变化、诸如数据传输那样的受限的基础设施），也不存在用于最佳训练时间段的规则，固定定义的训练时间段导致模型不可靠或者导致对时间段的花费高的应用相关的调整。

发明内容

按照本发明，提出了具有专利独立权利要求的特征的一种用于监控机器的运行状态的方法、一种相对应的计算单元、一种相对应的计算机程序、一种相对应的模型集和相对应的存储介质。有利的设计方案是从属权利要求以及随后的说明书的主题。

本发明有利地提供了一种基于机器学习的方法或系统，其中不必预先给定固定定义的训练时间段，而且该方法或系统与不同的动力学以及随之而来的不同运行状态的传感器数据的不同变化匹配。

用于监控机器、例如液压设施的运行状态的方法包括如下步骤：

a) 在机器的参考运行期间检测机器的至少一个运行参数，以便获得机器的参考运行数据，其中机器在参考运行期间呈现至少两个不同的参考状态；

b) 根据参考运行数据形成多个数据块，所述多个数据块分别在不同的第一时间段之内的参考运行数据的数据上延伸；

c) 基于所述多个数据块中的第一数据块来训练用于运行参数的第一模型并且确定（或规定）第一模型的误差极限；

d) 将第一模型应用于所述多个数据块中的第二数据块，并且当第一模型在应用于第二数据块时的误差大于第一模型的误差极限时，基于第二数据块来训练用于运行参数的第二模型并且确定第二模型的误差极限；

e) 定义模型集，该模型集包含第一模型和第二模型；

f) 将该模型集的所有模型应用于所述多个数据块中的另一数据块，并且如果该模型集中的模型中的至少一个模型在应用于该另一数据块时的误差大于相应的模型的误差极限，则基于该另一数据块来训练用于运行参数的另一模型，确定该另一模型的误差极限并且将该另一模型添加到该模型集；

g) 针对所述多个数据块中的所有其它数据块重复步骤f)。

根据所提出的该方法，在机器（其中术语“机器”也应该包括机器的部件在内）的原则上在时间上不固定的参考运行期间，不同的参考状态分别通过相对应地训练的模型来建模并且被添加到模型集。其优点在于：一方面，不必预先给定固定的训练时间段，而是仅须保证机器在参考运行时无故障地运转，例如当该机器是新的或者在维护之后时；甚至可能的是：在多个不连续的时间段进行参考运行。而另一方面，模型集以及借此监控方法可以被扩展用于任意多个不同的参考状态，即得出事先可能不知道数目的参考状态对应该用于参考状态的建模的模型没有限制。

在本发明的范围内，术语“用于运行参数的模型”、在本申请中也称作“运行状态模型”或者简称“模型”应被理解为通过基于人工智能或机器学习的算法对运行状态或这些运行状态的所测量到的运行参数的建模。在被称作训练或学习的过程中，机器学习算法基于示例数据（所谓的训练数据）来生成数学模型，以便做出关于过程的预测，而没有为此明确地进行编程。该训练可以在存在关于所要做出的预测的误差数据时“受监督地”进行或者在不存在这种误差数据时“无监督地”进行。由于对于运行状态来说不存在误差数据，所以这里原则上涉及无监督的学习。

模型可以被视为映射或函数，该映射或函数将输入值、这里是运行参数映射到输出值。为了尽管不知道运行状态的误差数据而仍能够实现对模型的有效训练，在本发明的范围内考虑如下模型，这些模型将运行状态建模为使得输入值、即运行参数作为模型的输出值被重新利用，在某种程度上可以说模型对输入进行重构。即，相对应的模型可能会称作“重构模型”或者“经重构的模型”。接着，误差量度可以通过输出值与所输入的运行参数的比较来获得。模型应该被选择为使得在模型之内进行参数的降维（即不可能复制相同的映射）。接着，运行状态在某种程度上可以说通过模型来在降维空间内被编码。模型从该降维空间中产生输出值，这可以被视为解码。如果在受监控的、通过模型来建模的机器中出现异常或功能失灵，则这导致运行参数的偏差，这些偏差不再被编码所包括，使得用作异常量度的误差度规被增大。

有利地，模型可以是人工神经网络。这些人工神经网络在下文被称作神经网络。（人工）神经网络通常由布置在多个层中的节点、即所谓的（人工）神经元和将这些节点/神经元连接的有向边组成。节点的输出是在这些节点上的输入的函数（输入和输出通过有向边的方向来指定）。更具体地，输出是这些输入的加权和的函数，其中给这些边分配权重。优选地，神经网络具有相同的结构，也就是说由节点和有向边构成的神经网络的结构或拓扑在神经网络被理解成有向图时对于所有模型都相同。那么，这些模型只在被分配给这些边的权重方面有区别，而基于同一神经网络。神经网络进一步优选地是自编码器。

另一可能性是基于主成分分析（Principal Component Analysis，PCA）的模型。

自编码器是如下神经网络，该神经网络具有至少三种层，即输入层、一个或多个隐藏层以及输出层，其中该输出层的神经元具有与该输入层的神经元相同的含义。在当前情况下，这意味着：输入层的、运行参数（例如压力p）被输入到其中的神经元在输出层中的该参数在其上应该又作为输出（例如作为压力p'）被获得的神经元对面。在输入层与输出层之间、也就是说在至少一个隐藏层中，通过适当的措施来实现对输入值或表征这些输入值的状态的降维表示。即，在模型中，在该至少一个隐藏层中与输入层一起进行一种编码，然后在该至少一个隐藏层中与输出层一起进行解码。用来实现降维的适合的措施例如是中间层，该中间层具有比输入层和输出层少得多的神经元或者在训练中间层中的神经元的活动时的约束条件，这些约束条件引起：这些神经元中的仅仅少量的神经元同时活跃（按英文表达习惯称为“sparse autoencoder（稀疏自编码器）”）。

按照一个有利的实施方式，该方法还可以包括：

h) 检测机器在与参考运行不同的正常运行时的至少一个运行参数，以便获得机器的正常运行数据，并且根据这些正常运行数据形成至少一个第三数据块，该至少一个第三数据块在至少一个第二时间段的正常运行数据的数据上延伸；

i) 将模型集的所有模型应用于该至少一个第三数据块，并且当对于该模型集的模型中的每个模型来说在应用于该至少一个第三数据块时的误差都大于相应的模型的误差极限时，确定机器存在异常状态。

步骤i)进一步优选地包括：当确定了存在异常状态时，输出机器存在异常状态。

根据该实施方式，在机器的正常运行期间、也就是说在机器的其中该机器不一定无故障地运转的平常的或通常的运行期间，由于识别出机器的通过第三数据块的运行参数所表征的状态不对应于参考状态中的任何一个参考状态，所以识别出出现功能失灵或异常状态。

优选地，不同的第一时间段和/或至少一个第二时间段可以分别持续相同的预定时长。这导致：这些数据块分别包含在相同时长内或在相同时间段内的运行数据，即一样大。这样实现了：在训练模型时并且在稍后分析运行状态时不会由于数据块不一样大而获得不均匀的结果。

按照一个优选的实施方式，这些不同的第一时间段被选择为使得这些第一时间段不相交。按照另一实施方式，这些不同的第一时间段中的一些第一时间段可分别相交。

按照另一优选的实施方式，确定模型的误差极限，其方式是分别将模型的误差极限规定为在将该模型应用于用来训练该模型的数据块时的误差的倍数，其中该倍数优选地是5倍、进一步优选地是10倍。

根据该实施方式，给这些模型中的每个模型都分派单独的误差极限。由此，可以自动考虑到不同的参考状态可能具有在运行参数方面的不一样强烈的波动而且因此可能不一样精确地由这些模型所建模。较小的误差极限导致：相对应的参考状态相对于其它运行状态被限制得较窄。

按照另一实施方式，该方法可包括：输出模型集的至少一个模型、优选地所有模型的所确定的误差极限。误差极限可被用于一致性检查，例如当这些模型之一的误差极限大于所有其它模型的误差极限时，这可能表明：参考状态之一不正确地被建模了，或者比如基于错误地包含运行数据的数据块。

该方法还可包括将模型从模型集中除去或删除。这例如可能当识别出模型比如如上所述没有对参考状态进行建模时或者还当在（利用其它参考运行数据或者在定义数据块的情况下的其它时间段）进行检查的情况下查明机器从没有呈现该参考状态时有帮助。

在上述按照本发明的方法之一中获得模型集。用于模型集的机器可读存储介质可以存储模型集。该实施方式能够使机器的制造商将事先创建的模型集与机器一起交付和安装，使得在客户处进行调试的情况下就已经可以进行对运行状态的监控。

按照本发明的计算单元、例如与液压设施连接的计算机尤其是以程序技术方式被设立为执行按照本发明的方法。

尤其是当进行实施的控制设备还被用于其它任务并且因而总归存在时，按照本发明的方法的以具有用于执行所有方法步骤的程序代码的计算机程序或计算机程序产品的形式的实现方案也是有利的，因为这造成了特别低的成本。适合于提供该计算机程序和/或适合于提供该模型集的数据载体、也就是说机器可读存储介质尤其是磁存储器、光存储器和电存储器，诸如硬盘、闪速存储器、EEPROM、DVD以及其它等等。通过计算机网络（因特网、内联网等等）来下载该计算机程序和/或该模型集也是可行的。

该方法尤其可以在远程计算机或计算机系统上被执行。与此相对应地，该计算机程序或该计算机程序产品尤其可以被编程为（也就是说被设立为）在远程计算机或计算机系统上被执行。这里，“远程”应被理解为使得计算机或计算机系统没有集成到所要监控的机器中而且通常也没有处在该机器附近，例如没有处在机器所在的工厂中。即可涉及远程服务器、尤其是所谓的云服务器，该远程服务器经由网络、例如因特网和/或内联网来与该机器或检测运行参数的传感器连接。在这种情况下，该计算机程序或计算机程序产品尤其可以被编程为提供用于在所要监控的机器或该机器在其中运行的设施（工厂）或检测运行参数的传感器与该远程计算机或计算机系统之间传输数据、尤其是所检测到的运行参数的安全的通信连接。这例如可以通过加密数据传输或者虚拟专用网络（VPN，virtual privatenetwork）来实现。相对应地，该方法可包括：提供在所要监控的机器或该机器在其中运行的设施或检测运行参数的传感器与远程计算机或计算机系统之间的安全的通信连接。

本发明的其它优点和设计方案从说明书以及附图中得到。

易于理解的是，上面所提到的并且随后还要阐述的特征不仅能以分别被说明的组合，而且能以其它组合或者单独地来应用，而不脱离本发明的范围。

本发明依据实施例在附图中示意性地示出并且在下文参考附图详细地予以描述。

附图说明

图1示出了按照本发明的用于监控机器的运行状态的方法的优选的实施方式的流程图；

图2示出了特别适合于在本发明的情况下使用的自编码器的示意图；

图3示出了其中使用按照本发明的计算单元来监控机器的运行状态的系统的示意图。

具体实施方式

为了简化随后的附图描述，首先解释一些通用术语和可在本发明中实现的方法过程。那么这些解释也分别在这些附图的具体上下文中有效。

在机器（或机器组件）运行时，优选地以定期的时间间隔，检测机器的运行参数，以便获得运行数据。这些运行参数通常通过传感器来检测，但是也可以涉及预先给定的、比如通过机器的控制器来预先给定的参数。还可能的是：运行数据包括已经被预处理的数据，比如定期的测量值的快速傅立叶变换（FFT）的值。优选地，以特定频率来检测运行数据，该特定频率进一步优选地处在1 Hz至1 kHz的范围内。

在特定时间点或在时间段之内被检测到的运行数据形成数据记录。数据块相对应地包括多个时间上连续的数据记录。如果以特定频率、也就是说在特定的规律间隔的时间点检测运行数据，则例如数据记录可分别包括在这些时间点之一所检测到的运行数据。但是也可能的是：数据记录分别包括在特定时间段之内的所有时间点检测到的运行数据，其中也可能的是，属于连续的数据记录的时间段重叠。这在应该识别与模型的时间相关性时有帮助。即每个数据记录都包含在特定时间点或在特定时间段所检测到的运行参数。不同的数据记录仅涉及不同的时间点或时间段，也就是说不同的数据记录分别包括相同的运行参数，这些运行参数是在不同的时间点或在不同的时间段被检测到的，即这些运行参数通常具有不同的值。

基于这些数据记录来进行建模。模型将每个数据记录、更确切地说包含在该数据记录中的运行参数的值映射到所属的输出。即，在数据记录中所包括的运行参数是模型的输入参数。如果使用神经网络，则输入层的神经元中的每个神经元都对应于数据记录的一个运行参数，即输入层的神经元的数目对应于数据记录中的运行参数的数目。

在将模型应用于数据记录或数据块（这应被理解为使得该模型被应用于所有包含在数据块中的数据记录）时，通过误差量度来确定模型的误差。在训练模型时，模型迭代地被修改为使得该误差被减小到最低限度。在此，可以一直执行训练，直至发生了特定数目N的迭代，比如N=1000，和/或直至误差下降到预先给定的最大误差值以下。

对于在本申请中优选地使用的试图将输入的单值重构为输出值（在此期间有降维的情况下）的模型来说，例如可以使用这些单值的均方差的根作为误差量度，这不仅可以针对一个数据记录来计算，而且可以针对包括多个数据记录的数据块来计算。同样可以使用机器学习的技术领域的技术人员已知的其它误差量度。

图1示出了按照本发明的用于监控机器的运行状态的方法的一个示例性的实施方式的流程图。首先，在步骤110中，在机器的参考运行期间检测机器的至少一个运行参数，其中机器在参考运行期间呈现至少两个不同的参考状态。以这种方式来获得机器的至少两个参考运行状态的机器参考运行数据。机器的其中该机器无故障地运转的运行状态（比如当该机器处在新状态时）应被视为参考运行或参考状态。

在步骤120中，根据所检测到的参考运行数据来形成多个数据块，所述多个数据块分别在不同的第一时间段之内的参考运行数据的数据上延伸。数据块的形成已经在更上面描述过了。这些不同的第一时间段优选地全部具有相同时长。这些不同的第一时间段可以相交，或者也可以不相交。

在步骤130中，用于运行参数的第一模型基于所述多个数据块中的第一数据块来训练，并且针对训练后的第一模型确定误差极限。在某种程度上可以说，该第一模型对在参考运行期间的所述至少两个不同的参考状态中的一个参考状态进行建模。只要（在将第一模型应用于数据块时的）误差处在第一模型的误差极限之内，就假定机器处在该参考状态下。

在接下来的步骤140中，将第一模型应用于所述多个数据块中的第二数据块。当第一模型在应用于第二数据块时的误差大于第一模型的误差极限时，在该步骤中基于第二数据块来训练用于运行参数的第二模型并且确定第二模型的误差极限。在某种程度上可以说，该第二模型对至少两个参考状态中的第二参考状态连同该第二模型的误差极限一起进行建模。

在步骤150中，定义模型集、也就是说模型集合或模型组，该模型集包含第一模型和第二模型。

在步骤160中，将包含在模型集中的所有模型应用于所述多个数据块中的另一（也就是说与第一数据块和第二数据块不同的）数据块。如果来自该模型集中的模型中的至少一个模型在应用于该另一数据块时的误差大于相应的模型的误差极限，则基于该另一数据块来训练用于运行参数的另一模型。可能在除了已经通过模型集中的模型来建模的两个参考状态之外还在参考运行数据中包括其它参考状态时出现这种情况。 接着，在该步骤中，同样确定该另一模型的误差极限并且将该另一模型添加到模型集。

在步骤170中，检查先前的步骤160是否已针对所述多个数据块中的所有数据块执行。如果情况不是如此、即172，则返回步骤160，并且用这些数据块中的对其来说步骤160还不曾被执行的数据块来执行步骤160。

另一方面，如果先前的步骤160已经针对所述多个数据块中的所有数据块执行、即174，则这意味着：所有在参考运行数据中所包括的参考状态都已被找到并且通过模型集中的相应的模型来建模。在这种情况下，可以以可选的步骤180和190来继续。

在步骤180中，检测机器在与参考运行不同的正常运行时的至少一个运行参数，以便获得机器的正常运行数据。正常运行这里应被理解为：在这种情况下涉及机器的平常的或通常的运行，而不能假定机器无故障的运转，即在正常运行时可能出现异常状态。此外，根据这些正常运行数据形成至少一个第三数据块，该至少一个第三数据块在至少一个第二时间段的正常运行数据的数据上延伸。

在步骤190中，将模型集的所有模型应用于该至少一个第三数据块，并且当对于模型集的模型中的每个模型来说在应用于该至少一个第三数据块时的误差都大于相应的模型的误差极限时，确定机器存在异常状态。通过该做法来检查由第三数据块所表征的运行状态是否落入这些参考状态中的一个参考状态的范围内，这将表现为：来自模型集中的对该参考状态进行建模的模型在应用于第三数据块时得出处在该模型的误差极限之内的误差。如果找不到这样的模型，则必须假定机器存在异常状态。接着，还可能的是：输出192机器存在异常状态。

图2示意性示出了自编码器，按照一个优选的实施方式，该自编码器可以被用在对运行状态的建模中。自编码器200具有输入层202、输出层204和多个隐藏层206（在图2中示例性示出了三个隐藏层，但是其它数目也是可能的）。层202、204、206中的每个层都包括一个或多个神经元（在图2中只示出了这些神经元中的几个神经元220、222、230、232）。输出层204的神经元具有与输入层202的神经元相同的含义，也就是说在输出层上的值应该对应于在输入层上输入的值。层202、204、206、更确切地说包含在这些层中的神经元通过未进一步示出的（加权）边来彼此连接。自编码器在编码侧208对输入进行编码并且在自编码器200的解码侧210对这些输入进行解码。在这些隐藏层中的一个或多个隐藏层206中，形成以降维形式表示输入数据的代码。

在训练时，是神经网络的自编码器的权重被适配为使得在输出层204的神经元上输出的输出值尽可能接近具有相同含义的输入值。为此，这些权重被修改为使得将适合的误差量度减小到最低限度。比如可以使用这些单值的均方差的跟作为误差量度。

在图2中，示例性地在输入层202中示出了输入神经元220、222并且在输出层204中示出了输出神经元230、232。如果数据记录比如包括对压力和温度的测量，则在输入神经元之一220上输入压力p的值，通过箭头224来象征性地表现，并且在另一输入神经元222上输入温度T的值，通过箭头226来象征性地表现。自编码器（即模型）将这些在输入神经元上输入的输入值以及其它未示出的对应于数据记录中的其它运行参数的输入值映射到输出神经元230、232上的输出值。在这种情况下，在输出神经元230上应该输出与该压力相对应的值p'，通过箭头234来象征性地表现，并且在另一输出神经元232上应该输出与该温度相对应的值T'，通过箭头236来象征性地表现。自编码器被训练为使得输出值p'、T'以及其它未示出的输出值尽可能接近相对应的输入值p、T，也就是说重构误差就适合的误差量度而言应该尽可能小。

由于测量值、也就是说最终应该用作模型的输入值的数值对于不同的运行参数来说通常具有不同的大小和不同的带宽，所以这些测量值可以——在将模型应用于这些测量值之前——被标准化，也就是说这些测量值应该被修改成应该用作模型的输入的数据值，使得这些数据值对于不同的运行参数来说全部都处在共同的值域、比如从0到1或者从-1到+1的值域之内。该标准化通常包括对这些数据值的归一化和缩放。这一点尤其有利，因为接着在计算重构误差时不必对不同的运行参数进行不一样的处理。另一优点在于：在测量运行参数时使用不同的单位（比如在以℃、K或℉为单位进行温度测量的情况下）不导致不同的结果。

图3示出了示例性的系统，在该系统中使用按照本发明的计算单元来监控机器2、这里是液压设施的运行状态。机器2包括液压缸4，该液压缸通过方向阀6来控制，其中液压压力由泵8来产生，该泵通过发动机10来驱动，由发动机控制器12来给该发动机供应能量。还设置有多个传感器22、24、26、28，这些传感器检测这些机器部件的运行参数。这例如是：检测液压流体的压力p的压力传感器22；检测缸活塞的位置或缸容积的传感器24；检测发动机转矩的传感器26；和温度传感器28。当然，可以设置任意其它或另外的传感器，例如以便检测液压流体的体积流、方向阀的位置、发动机转速、各个部件和液压流体的温度或者类似的、对于机器的运行来说重要的参数。

还示出了网关30，该网关根据所检测到的运行参数来形成数据记录并且可能能够进行对所检测到的运行参数的预处理。该预处理比如可以包括对这些运行参数的所测量到的值的标准化和/或过滤。同样可以根据所检测到的运行参数来确定在该预处理期间所推导的参量、比如两个参数值之差，或者可以形成快速傅立叶变换（FFT）。通过该网关所形成的数据记录应该适合于在这些模型上输入，也就是说具有使得这些模型可以被应用于这些数据记录的形式。这样形成的数据记录被存储在运行数据存储器34中。

设置有计算单元40，用于处理这些数据记录。计算单元40被配置为执行按照本发明的用于监控机器的运行状态的方法。计算单元40例如可以包括至少一个处理器和存储器（两者都未示出），该至少一个处理器具有一个或多个处理器核。在这种情况下，计算单元40的存储器包含计算机程序，当该计算机程序由处理器来执行时，该计算机程序促使该处理器执行用于监控运行状态的方法。

在该示例性的系统中还设置有模型存储器42，训练后的模型可以被存储在该模型存储器中。尤其可以在该模型存储器处以训练后的表征神经网络的权重的形式来存储神经网络。同样可以不设置结果存储器44，在该结果存储器中可以存储在运行状态监控（也就是说监控是否存在异常状态）时所获得的结果。

运行状态存储器34、模型存储器42和结果存储器44可以分别以单独的存储器来实现或者也可以（要么全部三个存储器要么至少两个存储器）以共同的存储器来实现。

在计算单元40上还设置有输出46，通过该输入可以输出运行状态监控的结果。尤其是当识别出异常状态时可以进行输出。该输出可以经由有线或无线网络48（比如工业设施中的现场总线）被传送给输出终端50，在该输出终端上例如向机器2的操作人员显示机器的状态、即机器是否存在异常状态。

网关30和计算单元40可以分开地或者作为单独的计算单元来实施。

计算单元40和/或网关30也可以远离所要监控的机器，也就是说以远程计算机或计算机系统的形式来实现（比如实现为远程服务器或云服务器），该远程计算机或计算机系统经由适合的网络、例如经由因特网和/或内联网来与机器或该机器所处的设施或检测运行参数的传感器连接，用于进行数据传输。优选地，网关30处在机器附近而计算单元40远离机器。这些数据同样可以被存储在远程计算机或计算机系统上，也就是说，运行数据存储器34、模型存储器42和/或结果存储器44可以分别（彼此独立地）作为远程存储器或者作为远程存储系统、比如云存储器来实现。这些存储器可以经由适合的网络、例如经由因特网和/或内联网来与该机器或检测运行参数的传感器或者该网关连接。

Claims (15)

1.一种用于监控机器的运行状态的方法，所述方法包括如下步骤：

a) 在所述机器的参考运行期间检测所述机器的至少一个运行参数，以便获得所述机器的参考运行数据，其中所述机器在参考运行期间呈现至少两个不同的参考状态（110）；

b) 根据所述参考运行数据形成多个数据块，所述多个数据块分别在不同的第一时间段之内的所述参考运行数据的数据上延伸（120）；

c) 基于所述多个数据块中的第一数据块来训练用于运行参数的第一模型并且确定所述第一模型的误差极限（130）；

d) 将所述第一模型应用于所述多个数据块中的第二数据块，并且当所述第一模型在应用于所述第二数据块时的误差大于所述第一模型的误差极限时，基于所述第二数据块来训练用于运行参数的第二模型并且确定所述第二模型的误差极限（140）；

e) 定义模型集，所述模型集包含所述第一模型和所述第二模型（150）；

f) 将所述模型集的所有模型应用于所述多个数据块中的另一数据块，并且如果所述模型集中的模型中的至少一个模型在应用于所述另一数据块时的误差大于相应的模型的误差极限，则基于所述另一数据块来训练用于运行参数的另一模型，确定所述另一模型的误差极限并且将所述另一模型添加到所述模型集（160）；

g) 针对所述多个数据块中的所有其它数据块重复步骤f)。

2.根据权利要求1所述的方法，所述方法还包括：

h) 检测所述机器在与参考运行不同的正常运行时的至少一个运行参数，以便获得所述机器的正常运行数据，并且根据所述正常运行数据形成至少一个第三数据块，所述至少一个第三数据块在至少一个第二时间段的正常运行数据的数据上延伸（180）；

i) 将所述模型集的所有模型应用于所述至少一个第三数据块，并且当对于所述模型集的模型中的每个模型来说在应用于所述至少一个第三数据块时的误差都大于相应的模型的误差极限时，确定所述机器存在异常状态（190）。

3.根据权利要求2所述的方法，其中步骤i)包括：

当确定了存在异常状态时，输出（192）所述机器存在异常状态。

4.根据上述权利要求中任一项所述的方法，其中所述不同的第一时间段和/或所述至少一个第二时间段分别持续相同的预定时长。

5.根据上述权利要求中任一项所述的方法，其中确定所述模型的误差极限，其方式是将所述误差极限规定为在将所述模型应用于用来训练所述模型的数据块时的误差的倍数，其中所述倍数优选地是5倍、进一步优选地是10倍。

6.根据上述权利要求中任一项所述的方法，所述方法还包括：

输出所述模型集的至少一个模型、优选地所有模型的所确定的误差极限。

7.根据上述权利要求中任一项所述的方法，所述方法还包括：

将所述模型之一从所述模型集中除去。

8.根据上述权利要求中任一项所述的方法，其中所述模型是人工神经网络，优选地是自编码器；其中优选地所述模型仅仅在所述神经网络的权重方面有区别，而相应的网络结构是相同的。

9.根据上述权利要求中任一项所述的方法，其中所述训练分别包括预先给定的遍历次数和/或一直进行，直至低于预先给定的最大误差。

10.根据上述权利要求中任一项所述的方法，其中检测所述至少一个运行参数和/或形成所述多个数据块包括对所述运行参数的标准化。

11.一种计算单元，所述计算单元被设立为执行根据权利要求1至10中任一项所述的方法。

12.一种计算机程序，当所述计算机程序在计算单元上被实施时，所述计算机程序促使所述计算单元执行根据权利要求1至10中任一项所述的方法。

13.一种机器可读存储介质，其具有被存储在其上的根据权利要求12所述的计算机程序。

14.一种模型集，所述模型集在根据上述权利要求1至10中任一项所述的方法中被获得。

15.一种用于模型集的机器可读存储介质，所述机器可读存储介质具有被存储在其上的根据权利要求14所述的模型集。

Images