CN114299338A - 用于系统管理的故障预测与健康管理系统与相关方法 - Google Patents

Abstract

用于系统管理的故障预测与健康管理系统与相关方法。基于机器学习模型的故障预测与健康管理系统包含机台感测器、指令接收器、处理器、及警示器。机台感测器动态地接收与受测机台运行状况相关的受测机台数据。指令接收器动态地接收模型指定指令。处理器动态地使用模型指定指令所对应的损坏预警机器学习模型，处理受测机台数据，以预测受测机台出现异常状况的异常状况几率。处理器并动态地根据异常状况几率，在受测机台产生损坏可能性警示，并决定受测机台是否继续运行。警示器根据损坏可能性警示，提示异常状况几率，并提示受测机台是否继续运行。

Description

用于系统管理的故障预测与健康管理系统与相关方法

技术领域

本发明涉及一种用于系统管理的故障预测与健康管理(Prognostic and HealthManagement，PHM)系统与相关方法，特别涉及一种根据当下系统所面对的不同状况进行因应，来动态采用多种损坏预警机器学习模型的故障预测与健康管理系统及相关的方法。

背景技术

故障预测与健康管理机制的核心，是利用先进感测器的各种组合，并借助各种演算法与人工智能模型来预测、监控、管理各种系统的健康状态，以确保不同系统的自主诊断机制与自我维修机制可以顺利运行。更进一步说，故障预测与健康管理机制会随时监控多种系统实时检测到的环境参数，以监控系统或设备的健康状态或甚至频发故障的范围与周期，并进而通过数据监控与分析来预测未来可能发生的故障，以大幅度的提高系统或设备的运行效率与稳定性。也因为这些特性，故障预测与健康管理机制一般具有自主的故障检测与隔离、故障诊断、故障预测、健康管理、以及系统或设备所包含个别组件的生命周期追踪与管理等能力。

然而，一般企业在试图引进故障预测与健康管理机制来进行系统与设备管理时，由零要走到足以落地的程度，会相当的耗时耗力。具体来说，在故障预测与健康管理机制落地的过程中，会包含以下多个阶段：安装感测器收集数据来建立数据库、数据前置处理与图形转换、正常与异常图形特征定义分类、卷积神经网络(Convolutional Neural Network，CNN)的卷积与池化架构处理、深度神经网络(Deep Neural Network，DNN)的全连接层架构与深度学习、新数据的测试与诊断、完成模型的建立、及转移落地设备的上线检测等。

在上述这些落地机制的建立过程中，需要同步训练工程师来处理程序撰写与维护的部分。在一般征才与相关训练状况的前提下，会耗费的人员训练与系统架设预估流程时间可包含不太容易流水线化(Pipelining)的：三个月的Python语言训练加上三年以上的该领域实作经验、八小时的感测器架设、一周的感测器数据获取、一个月的数据前置处理转换、一个月的特征抽取、一个月的模型建立、两个月的模型训练、一个月的模型预测、一个月的数据判读、一个月的卷积神经网络架构规划、三个月的VC++语言训练、三个月的可程序逻辑控制器架设与运行、以及三个月人工智能相关课程的训练等。上述提及的时间消耗与成果控制中，又以几个需要针对工程师本身进行训练的部分，成果最为不稳定、且耗时过巨，这是因为人工智能科技的日积月累与新陈代谢快速所导致，而使得一般人的熟练成本会随着时间急速提高。

请参阅图1，其为现有技术中执行故障预测与健康管理机制的概略流程图，其主要原理在通过确认当下数据与当下系统/装置(以下统称为系统，但实际上仍可以装置来代换)之间的作动关系是否正常，来进行系统的诊断与校正。在此是假设受故障预测与健康管理机制监测的系统会持续有新的输入数据，并持续被确认其是否正常运行。

首先，在步骤102中会进行起始点的判别，以判断当下接收到的输入数据是否会触发系统的任何作动状态。若当下接收到的输入数据不会触发系统的任何作动状态，则执行步骤104以删除当下接收到的输入数据，以放弃对该笔数据的监控，并循环再次执行步骤102以判断之后下一笔接收到的输入数据是否会触发系统的任何作动状态。而若在步骤102中确认当下接收到的输入数据会触发系统的任一作动状态，则执行步骤106。

在步骤106中，会对当下该笔输入数据作细致化的作动分类，并在步骤108中确认所判断出来的作动分类是否对应于系统的一次完整作动。若在步骤108确认尚未对应系统的一次完整作动，则在步骤110先行暂存该笔当下输入数据，并接着继续在步骤106等待下一笔与触发系统相关的输入数据进入而完成第一次循环；若在步骤108中判断该下一笔数据亦尚未对应系统的一次完整作动，则在步骤110将该下一笔数据与第一次循环中暂存的输入数据合并、并进一步在步骤106中等待再下一笔数据而形成第二次循环；最后该数据会持续合并新数据到在步骤108中判断与系统的一次完整作动相关为止而形成一最终合并作动数据，而进入步骤112。

在步骤112中，故障预测与健康管理机制会通过卷积神经网络来判断该最终合并作动数据是否会引起系统的一次完整异常作动。若判断并未引起异常作动，则输出代表正常运行的诊断数据。若判断引起了系统的异常作动，则输出代表异常运行的诊断数据，并促使系统继续执行更进一步的诊断或修复操作。而无论在步骤112的诊断结果为何，故障预测与健康管理机制都会暂存目前为止累加的非作动数据，并与之后继续输入的新输入数据及其衍生诊断数据合并，而作为历史分析诊断记录。

然而，上述现有技术的故障预测与健康管理机制也有其缺点。具体来说，实务中故障预测与健康管理机制的运行，由于会快速地累积大量输入数据以及其衍生的海量诊断数据，因此通常无法实时进行输入数据与诊断数据的完整合并，而是逐日为单位来进行一天一次的大量数据合并，并在合并以前先行暂存于短期存储数据库中。但若单位时间累积的数据量过于庞大，则数据合并的复杂度也会急遽增加至无法实时处理的程度。最终，会使得现有技术的故障预测与健康管理机制无法正确执行异常预警的功能，也就是因其不具备时间性足够及时的历史记录所致。

发明内容

为了解决前述现有技术的缺点，本公开书一种基于机器学习模型的故障预测与健康管理系统与相关方法。

在一个例子中，该故障预测与健康管理方法包含动态地接收与一受测机台运行状况相关的一受测机台数据；动态地接收一模型指定指令；动态地使用该模型指定指令所对应的一损坏预警机器学习模型，处理该受测机台数据，以预测该受测机台出现异常状况的一异常状况几率；及动态地根据该异常状况几率，在该受测机台产生一损坏可能性警示，并决定该受测机台是否继续运行。该损坏预警机器学习模型是包含一完整生命周期机器训练模型、一无故障机器训练模型、及一数值转换影像机器训练模型，该完整生命周期机器训练模型是根据至少一个机台的完整生命周期运行记录所训练而成，该无故障机器训练模型是根据至少一个从未发生故障的机台的运行记录所训练而成，且该数值转换影像机器训练模型是根据至少一个机台的运行记录所存储的数值转换为影像加以分析所训练而成。

在一个例子中，该深度神经网络模型是包含低秩分解深度神经网络模型。

在一个例子中，本方法包含使用罗吉斯回归与逻辑模型来进行低秩分解，以使用回归曲线来分类该受测机台数据；使用深度神经网络来建立对应的一深度网络模型；及使用该深度网络模型来诊断当下的受测机台状况以及对应的异常状况几率。

在一个例子中，该无故障机器训练模型是包含支援向量数据描述模型。

在一个例子中，本方法包含对该受测机台数据采用频率特征与时间特征，以对该受测机台数据进行频域与时域运算处理；及使用支援向量数据描述于经过频域与时域运算处理的该受测机台数据来建立一最佳化模型，以分类该受测机台数据中不同数据点的异常状况几率。

在一个例子中，该数值转换影像机器训练模型是包含卷积神经网络模型。

在一个例子中，本方法包含对该受测机台数据进行影像数据过滤与切割及异常数据生成，以将该受测机台数据转为一影像数据；根据该影像数据上的影像特征来抽取该影像数据的特征值，以将该影像数据进行参数最佳化；及使用卷积神经网络模型来分析已进行参数最佳化的该影像数据，以诊断当下的受测机台状况及分析该受测机台数据所对应的整体异常状况几率。

在一个例子中，本方法包含当该模型指定指令动态地改指定相异于目前使用的损坏预警机器学习模型的另一损坏预警机器学习模型时，动态地切换使用该另一损坏预警机器学习模型来处理该受测机台数据，以更新该异常状况几率的预测。

本公开书所公开基于机器学习模型的故障预测与健康管理系统，包含一机台感测器、一指令接收器、一处理器、及一警示器。该机台感测器用来动态地接收与一受测机台运行状况相关的一受测机台数据。该指令接收器用来动态地接收一模型指定指令。该处理器用来动态地使用该模型指定指令所对应的一损坏预警机器学习模型，处理该受测机台数据，以预测该受测机台出现异常状况的一异常状况几率。该处理器并动态地根据该异常状况几率，在该受测机台产生一损坏可能性警示，并决定该受测机台是否继续运行。该警示器用来根据该损坏可能性警示，提示该异常状况几率、并提示该受测机台是否继续运行的建议。该损坏预警机器学习模型是包含一完整生命周期机器训练模型、一无故障机器训练模型、及一数值转换影像机器训练模型。该完整生命周期机器训练模型是根据至少一个机台的完整生命周期运行记录所训练而成。该无故障机器训练模型是根据至少一个从未发生故障的机台的运行记录所训练而成。且该数值转换影像机器训练模型是根据至少一个机台的运行记录所存储的数值转换为影像加以分析所训练而成。

在一个例子中，该处理器包含一完整生命周期机器学习模块、一无故障机器学习模块、及一数值转换影像机器学习模块。该完整生命周期机器学习模块采用该完整生命周期机器训练模型。该无故障机器学习模块采用该无故障机器训练模型。该数值转换影像机器学习模块采用该数值转换影像机器训练模型。该处理器是另动态地指定使用该完整生命周期机器学习模块、该无故障机器学习模块、及该数值转换影像机器学习模块其中之一，以动态的采用对应的该损坏预警机器学习模型，来处理该受测机台数据。

在一个例子中，该深度神经网络模型是包含低秩分解深度神经网络模型。

在一个例子中，该完整生命周期机器学习模块包含一罗吉斯回归模块、一逻辑模型模块、及一深度神经网络模块。该逻辑模型模块与该罗吉斯回归模块共同执行低秩分解，以将该受测机台数据用回归曲线分类。该深度神经网络模块根据分类后的该受测机台数据，建立对应的一深度网络模型，并根据该深度网络模型诊断出当下的受测机台状况以及对应的一异常状况几率。

在一个例子中，该无故障机器训练模型是包含支援向量数据描述模型。

在一个例子中，该无故障机器学习模块包含一频率特征模块、一时间特征模块、及一支援向量数据描述模块。该时间特征模块与该频率特征模块共同对该受测机台数据采用频率特征与时间特征，以对该受测机台数据进行频域与时域运算处理。该支援向量数据描述模块使用支援向量数据描述于经过频域与时域运算处理的该受测机台数据来建立一最佳化模型，以分类该受测机台数据中不同数据点的异常状况几率。

在一个例子中，该数值转换影像机器训练模型包含卷积神经网络模型。

在一个例子中，该数值转换影像机器学习模块包含一影像数据过滤与切割模块、一虚拟异常数据生成模块、及一卷积神经网络模型模块。该虚拟异常数据生成模块与该影像数据过滤与切割模块共同对该受测机台数据进行影像数据过滤与切割及异常数据生成，以将该受测机台数据转为一影像数据，并用来根据该影像数据上的影像特征来抽取该影像数据的特征值，以将该影像数据进行参数最佳化。该卷积神经网络模型模块使用该卷积神经网络模型，分析已进行参数最佳化的该影像数据，以诊断当下的受测机台状况，并分析该受测机台数据所对应的整体异常状况几率。

在一个例子中，当该模型指定指令动态地改指定相异于目前使用的损坏预警机器学习模型的另一损坏预警机器学习模型时，该处理器动态地切换使用该另一损坏预警机器学习模型来处理该受测机台数据，以更新该异常状况几率的预测。

附图说明

图1为现有技术中执行故障预测与健康管理机制的概略流程图。

图2为根据本公开书的一实施例所公开的基于机器学习模型的故障预测与健康管理系统的概略示意图。

图3为根据本公开书的一实施例所公开，当图2所示的处理器启动完整生命周期机器学习模块，以采用完整生命周期机器训练模型时的概略示意图。

图4为根据本公开书的一实施例所公开，当图2所示的处理器启动无故障机器学习模块，以采用无故障机器训练模型时的概略示意图。

图5为根据本公开书的一实施例所公开，当图2所示的处理器启动数值转换影像机器学习模块，以采用数值转换影像机器训练模型时的概略示意图。

图6图示了本公开书的基于机器学习模型的故障预测与健康管理方法的概略流程图。

附图标记说明：

102、104、106、108、110、112、114、602、604、606、608 步骤

200 故障预测与健康管理系统

210 机台感测器

220 指令接收器

230 处理器

240 警示器

300 完整生命周期机器学习模块

310 罗吉斯回归模块

320 逻辑模型模块

330 深度神经网络模块

340、540 其他测试数据

350、440、550 测试结果

400 无故障机器学习模块

410 频率特征模块

420 时间特征模块

430 支援向量数据描述模块

500 数值转换影像机器学习模块

510 影像数据过滤与切割模块

520 虚拟异常数据生成模块

530 卷积神经网络模型模块

具体实施方式

为了解决现有技术实施故障预测与健康管理机制所衍生的数据处理问题，本公开书另外提出一种基于机器学习模型的故障预测与健康管理方法，来改进故障预测与健康管理机制实施时因为数据合并与处理不及所衍生的故障预测准确度下滑问题。更进一步说，本公开书选择性地动态以三种因应当下数据完整度不同(也就是具有不同程度的信息不对称及/或异常风险)、或数据处理方式不同，而各有取舍的损坏预警机器学习模型，来处理源源不断的输入数据，以预估当下受测系统或设备(以下以“受测机台”称之)发生异常状况的几率，并根据所预测出来的几率来着手准备因应可能发生的异常状况。如此一来，由于受测机台在持续运行中可以先行因应当下数据完整度的差异，而把产生的大量分析数据分类处理，因此可在最适合的状况下客制化地简化数据处理方式，而降低后续数据处理、合并、建立历史记录上的负担，也解决了现有技术因快速合并大量数据所衍生的问题。

另外，本公开书所采取的多种损坏预警机器学习模型可包含一个用来监控受测设备完整生命周期的完整生命周期机器训练模型、一个假设在理想状况运行下运行而不考虑故障状况的无故障机器训练模型、以及一个将数值转换成影像来操作比较的数值转换影像机器训练模型。如前所述，这三种机器学习模型可各自因应不同程度的信息不对称及/或对应的不同程度异常状况风险。

完整生命周期机器训练模型的特征在于，由于其模型是基于观察其他机台的完整生命周期所得到，因此训练数据量最完整，也能掌握到最多误差状况。也就是说，完整生命周期机器训练模型对于较容易发生损坏状况的监测环境来说相当理想。但反过来说，对在较不容易发生损坏状况的监测环境，只采用完整生命周期机器训练模型是比较没有效率，且容易产生过冗分析数据。因此本公开书会选择性地倾向在输入数据中存在较高信息不对称及/或异常风险的情况来选用完整生命周期机器训练模型。

无故障机器训练模型的特征在于，其模型的建立是以观察从未发生失误的其他机台的状况去进行，因此数据最能得到简化，也会具有较佳的处理效率。但与完整生命周期机器训练模型正好相反，只采用无故障机器训练模型来监测机台，会少考虑许多真实情况下发生损坏的情况，监测严谨度相对不足。因此，本公开书会选择性地倾向在输入数据较为不齐备，也就是较低的信息不对称及/或异常风险的偏理想情况下采用无故障机器训练模型。

数值转换影像机器训练模型的特征在于，其模型的数据处理方式是以数值经过转换后的影像为单位来进行包含比对在内的处理，因此适合处理短时间内进来的大量区域数据，也是上述三种机器学习模型中处理速度最快的。然而数值转换影像机器训练模型在监测严谨度上仍不及完整生命周期机器训练模型。因此，本公开书会选择性地在海量输入数据出现且需要尽速简化数据以备后续处理的情况下，倾向采用数值转换影像机器训练模型。

由于上述三者机器学习模型之间各有优缺点，因此本公开书的故障预测与健康管理系统与方法会因应当下输入数据的情况，动态地更替使用上述三者机器学习模型，以均衡上述三者机器学习模型之间的优缺点造成的影响，且最终取得相较于现有技术为佳的数据处理率与异常判断准确率。

请参阅图2，其为根据本公开书的一实施例所公开的基于机器学习模型的故障预测与健康管理系统200的概略示意图。故障预测与健康管理系统200包含机台感测器210、指令接收器220、处理器230、警示器240。

机台感测器210用来感测与产生受测机台的多个受监测参数所形成的受测机台数据，也就是作为故障预测与健康管理系统200的动态输入数据之用。指令接收器220用来动态地接收因应输入数据的不同情况(例如信息不对称程度与及/或输入数据出现速率)所产生的模型指定指令，以决定处理器230采用的损坏预警机器模型。处理器230搭载了本公开书所述的故障预测与健康管理方法。具体来说，处理器230动态地根据指令接收器220所接收的模型指定指令，对应地实时切换使用前述三种机器学习模型其中之一来处理现行的受测机台数据，以预测受测机台出现异常状况的异常状况几率，以利之后进行数据合并前的分类，也就是例如根据异常状况几率的高低来进行需要的数据分类。另外，处理器230也会动态的根据预测到的异常状况几率，在受测机台产生损坏可能性警示，以决定受测机台是否可以继续运行。举例来说，若处理器230预测到的异常状况几率高过一个临界异常状况几率时，就会发出上述的损坏可能性警示，其中这个临界异常状况几率在不同的机器学习模型及/或不同的受测机台数据下，有可能会不同，也就是会动态决定；而若处理器230预测到的异常状况几率并未高过临界异常状况几率时，就不会在受测机台上产生损坏可能性警示，或是提示在安全几率范围内的损坏可能性警示。最后，警示器240会根据处理器230预测到的异常状况几率进行提示，并根据其内建的应变机制来提示该受测机台是否可继续运行的建议。

处理器230搭载的故障预测与健康管理方法中，包含有上述该些损坏预警机器学习模型，个别详细说明如下。其中处理器230可个别安装或具有完整生命周期机器学习模块300、无故障机器学习模块400、数值转换影像机器学习模块500。

首先，如上所述，本公开书所采用的损坏预警机器学习模型包含完整生命周期机器训练模型。在本公开书的一实施例中，该模型可包含低秩分解深度神经网络(Low-RankFactorization DNN，LRF DNN)模型。请参阅图3，其为根据本公开书的一实施例所公开，当处理器230启动完整生命周期机器学习模块300以采用完整生命周期机器训练模型时的概略示意图。完整生命周期机器学习模块300包含罗吉斯回归(Logistic Regression)模块310、逻辑模型(Logit Model)模块320、及深度神经网络模块330。

当指令接收器220所接收的模型指定指令是指定完整生命周期机器训练模型时，处理器230便选择完整生命周期机器学习模块300来处理由机台感测器210所接收的受测机台数据。罗吉斯回归模块310与逻辑模型模块320会彼此合作来执行低秩分解，以将受测机台数据用回归曲线先行分类。之后，深度神经网络模块330再根据其他测试数据340(例如机器学习的训练数据)类先前累积的非作动数据)与分类出的数据一起建立对应的深度网络模型，并通过该深度网络模型诊断出当下的受测机台状况以及对应的异常状况几率，以最终产生测试结果350，作为之后产生损坏可能性警示的依据。

如前所述，选择完整生命周期机器学习模块300的好处在于，因为训练深度神经网络的数据是以完整生命周期为据，因此通常预测结果最接近受测机台会发生的真实损坏情况，而具备一定的预测准确度。

再者，本公开书所采用的损坏预警机器学习模型包含无故障机器训练模型。在本公开书的一实施例中，该模型可包含支援向量数据描述(Support Vector DataDescription，SVDD)模型。请参阅图4，其为根据本公开书的一实施例所公开，当处理器230启动无故障机器学习模块400以采用无故障机器训练模型时的概略示意图。无故障机器学习模块400包含频率特征模块410、时间特征模块420、与支援向量数据描述模块430。

当指令接收器220所接收的模型指定指令是指定无故障机器训练模型时，处理器230便选择无故障机器学习模块400来处理由机台感测器210所接收的受测机台数据。频率特征模块410与时间特征模块420会对受测机台数据进行一定程度的频域与时域运算处理，并接着由支援向量数据描述模块430做最后的处理。在一个实施例中，支援向量数据描述模块430可将训练用数据投射到高维空间，以建立形状为超球体、包围了大部分训练数据、并具有最小体积的最佳化模型；最后据此将受测机台数据切分为代表正常、警示、高度异常等对应不同异常状况几率的区域。另外，在建立这个最佳化模型的过程中，支援向量数据描述模块430会通过正常数据(也就是异常状况几率较低的数据)来学习决策边界，并通过学习到的决策边界判别新输入的数据点是否超出目前的超球体边界，以将超出超球体边界的数据点判定为异常状况几率较高的数据点。最后，支援向量数据描述模块430会根据以异常状况几率分类的数据输出测试结果440，作为之后产生损坏可能性警示的依据。而其优点在于产出数据较为简单、好处理，因而加快数据合并速率。

最后，本公开书所采用的损坏预警机器学习模型包含数值转换影像机器训练模型。在本公开书的一实施例中，该模型可包含卷积神经网络(Convolution NeuralNetwork，CNN)模型。请参阅图5，其为根据本公开书的一实施例所公开，当处理器230启动数值转换影像机器学习模块500以采用数值转换影像机器训练模型时的概略示意图。数值转换影像机器学习模块500包含影像数据过滤与切割模块510、虚拟异常数据生成模块520、及卷积神经网络模型模块530。

当指令接收器220所接收的模型指定指令是指定数值转换影像机器训练模型时，处理器230便选择数值转换影像机器学习模块500来处理由机台感测器210所接收的受测机台数据。影像数据过滤与切割模块510会先行与虚拟异常数据生成模块520共同将受测机台数据转为影像数据，并根据影像数据上的影像特征来抽取该影像数据的特征值，以作为判断受测机台数据是否发生异常(例如判断各数据点的异常发生几率)的基础。由于受测机台数据在这个过程中已经做了参数最佳化，因此可以更佳地基于过去影像数据中的判断错误来做出更精确的判断。接着卷积神经网络模型模块530会将经过参数最佳化的影像数据与其他测试数据540(例如机器学习的训练数据)进行分析，以诊断当下的受测机台状况以及对应的整体数据异常状况几率，并最终产生测试结果550，作为之后产生损坏可能性警示的依据。

如前所述，由于受测机台数据被转为影像数据后，可以取出影像中的特征值来做发生异常与否的判断，因此处理数据量被缩小，也能够通过先前已经过影像识别的数据辅助，避免特征错误识别的状况。

图6图示了本公开书的基于机器学习模型的故障预测与健康管理方法的概略流程图，其中流程图中的主要步骤皆为故障预测与健康管理系统200在前述中提及的各种执行步骤，故不再赘述。该流程图包含如下所述步骤。

步骤602：动态地接收与一受测机台运行状况相关的一受测机台数据；

步骤604：动态地接收一模型指定指令；

步骤606：动态地使用该模型指定指令所对应的一损坏预警机器学习模型，处理该受测机台数据，以预测该受测机台出现异常状况的一异常状况几率；及

步骤608：动态地根据该异常状况几率，在该受测机台产生一损坏可能性警示，并决定该受测机台是否继续运行。

综合以上所述，本公开书的基于机器学习的故障预测与健康管理系统及相关方法，主要是为了解决现有技术中因为产生数据量既庞大又快速导致处理与合并不及，并连带影响预警正确性等问题。本公开书采用的手段是通过动态切换因应不同异常状况几率的损坏预警机器学习模型。

Claims (17)

1.一种基于机器学习模型的故障预测与健康管理方法，包含：

动态地接收与一受测机台运行状况相关的一受测机台数据；

动态地接收一模型指定指令；

动态地使用该模型指定指令所对应的一损坏预警机器学习模型，处理该受测机台数据，以预测该受测机台出现异常状况的一异常状况几率；及

动态地根据该异常状况几率，在该受测机台产生一损坏可能性警示，并决定该受测机台是否继续运行；

其中该损坏预警机器学习模型是包含一完整生命周期机器训练模型、一无故障机器训练模型、及一数值转换影像机器训练模型，该完整生命周期机器训练模型是根据至少一个机台的完整生命周期运行记录所训练而成，该无故障机器训练模型是根据至少一个从未发生故障的机台的运行记录所训练而成，且该数值转换影像机器训练模型是根据至少一个机台的运行记录所存储的数值转换为影像加以分析所训练而成。

2.如权利要求1所述的方法，其中该完整生命周期机器训练模型是包含低秩分解深度神经网络模型。

3.如权利要求2所述的方法，其中动态地使用该模型指定指令所对应的该损坏预警机器学习模型，处理该受测机台数据，以预测该受测机台出现异常状况的该异常状况几率包含：

使用罗吉斯回归与逻辑模型来进行低秩分解，以使用回归曲线来分类该受测机台数据；

使用深度神经网络来建立对应的一深度网络模型；及

使用该深度网络模型来诊断当下的受测机台状况以及对应的异常状况几率。

4.如权利要求1所述的方法，其中该无故障机器训练模型是包含支援向量数据描述模型。

5.如权利要求1所述的方法，其中动态地使用该模型指定指令所对应的该损坏预警机器学习模型，处理该受测机台数据，以预测该受测机台出现异常状况的该异常状况几率包含：

对该受测机台数据采用频率特征与时间特征，以对该受测机台数据进行频域与时域运算处理；及

使用支援向量数据描述于经过频域与时域运算处理的该受测机台数据来建立一最佳化模型，以分类该受测机台数据中不同数据点的异常状况几率。

6.如权利要求1所述的方法，其中该数值转换影像机器训练模型是包含卷积神经网络模型。

7.如权利要求1所述的方法，其中动态地使用该模型指定指令所对应的该损坏预警机器学习模型，处理该受测机台数据，以预测该受测机台出现异常状况的该异常状况几率包含：

对该受测机台数据进行影像数据过滤与切割及异常数据生成，以将该受测机台数据转为一影像数据；

根据该影像数据上的影像特征来抽取该影像数据的特征值，以将该影像数据进行参数最佳化；及

使用卷积神经网络模型来分析已进行参数最佳化的该影像数据，以诊断当下的受测机台状况及分析该受测机台数据所对应的整体异常状况几率。

8.如权利要求1所述的方法，其中动态地使用该模型指定指令所对应的该损坏预警机器学习模型，处理该受测机台数据，以预测该受测机台出现异常状况的该异常状况几率包含：当该模型指定指令动态地改指定相异于目前使用的损坏预警机器学习模型的另一损坏预警机器学习模型时，动态地切换使用该另一损坏预警机器学习模型来处理该受测机台数据，以更新该异常状况几率的预测。

9.一种基于机器学习模型的故障预测与健康管理系统，包含：整请参方法项

一机台感测器，用来动态地接收与一受测机台运行状况相关的一受测机台数据；

一指令接收器，用来动态地接收一模型指定指令；

一处理器，用来动态地使用该模型指定指令所对应的一损坏预警机器学习模型，处理该受测机台数据，以预测该受测机台出现异常状况的一异常状况几率，该处理器并动态地根据该异常状况几率，在该受测机台产生一损坏可能性警示，并决定该受测机台是否继续运行；及

一警示器，用来根据该损坏可能性警示，提示该异常状况几率、并提示该受测机台是否继续运行的建议；

其中该损坏预警机器学习模型是包含一完整生命周期机器训练模型、一无故障机器训练模型、及一数值转换影像机器训练模型，该完整生命周期机器训练模型是根据至少一个机台的完整生命周期运行记录所训练而成，该无故障机器训练模型是根据至少一个从未发生故障的机台的运行记录所训练而成，且该数值转换影像机器训练模型是根据至少一个机台的运行记录所存储的数值转换为影像加以分析所训练而成。

10.如权利要求9所述的故障预测与健康管理系统，其中该处理器包含：

一完整生命周期机器学习模块，其采用该完整生命周期机器训练模型；

一无故障机器学习模块，其采用该无故障机器训练模型；及

一数值转换影像机器学习模块，其采用该数值转换影像机器训练模型；

其中该处理器是另动态地指定使用该完整生命周期机器学习模块、该无故障机器学习模块、及该数值转换影像机器学习模块其中之一，以动态的采用对应的该损坏预警机器学习模型，来处理该受测机台数据。

11.如权利要求10所述的故障预测与健康管理系统，其中该深度神经网络模型是包含低秩分解深度神经网络模型。

12.如权利要求11所述的故障预测与健康管理系统，其中该完整生命周期机器学习模块是包含：

一罗吉斯回归模块；

一逻辑模型模块，用来与该罗吉斯回归模块共同执行低秩分解，以将该受测机台数据用回归曲线分类；及

一深度神经网络模块，用来根据分类后的该受测机台数据，建立对应的一深度网络模型，并根据该深度网络模型诊断出当下的受测机台状况以及对应的一异常状况几率。

13.如权利要求10所述的故障预测与健康管理系统，其中该无故障机器训练模型是包含支援向量数据描述模型。

14.如权利要求13所述的故障预测与健康管理系统，其中该无故障机器学习模块包含：

一频率特征模块；

一时间特征模块，用来与该频率特征模块共同对该受测机台数据采用频率特征与时间特征，以对该受测机台数据进行频域与时域运算处理；及

一支援向量数据描述模块，用来使用支援向量数据描述于经过频域与时域运算处理的该受测机台数据来建立一最佳化模型，以分类该受测机台数据中不同数据点的异常状况几率。

15.如权利要求10所述的故障预测与健康管理系统，其中该数值转换影像机器训练模型是包含卷积神经网络模型。

16.如权利要求15所述的故障预测与健康管理系统，其中该数值转换影像机器学习模块包含：

一影像数据过滤与切割模块；

一虚拟异常数据生成模块，其与该影像数据过滤与切割模块共同对该受测机台数据进行影像数据过滤与切割及异常数据生成，以将该受测机台数据转为一影像数据，并用来根据该影像数据上的影像特征来抽取该影像数据的特征值，以将该影像数据进行参数最佳化；及

一卷积神经网络模型模块，用来使用该卷积神经网络模型，分析已进行参数最佳化的该影像数据，以诊断当下的受测机台状况，并分析该受测机台数据所对应的整体异常状况几率。

17.如权利要求10所述的故障预测与健康管理系统，其中当该模型指定指令动态地改指定相异于目前使用的损坏预警机器学习模型的另一损坏预警机器学习模型时，该处理器是用来动态地切换使用该另一损坏预警机器学习模型来处理该受测机台数据，以更新该异常状况几率的预测。

Images