CN114341873A - 用于电气设备用户社区的人工智能/机器学习驱动型评估系统 - Google Patents

用于电气设备用户社区的人工智能/机器学习驱动型评估系统 Download PDF

Info

Publication number
CN114341873A
CN114341873A CN202080061382.2A CN202080061382A CN114341873A CN 114341873 A CN114341873 A CN 114341873A CN 202080061382 A CN202080061382 A CN 202080061382A CN 114341873 A CN114341873 A CN 114341873A
Authority
CN
China
Prior art keywords
user
assessment
data
assets
users
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
CN202080061382.2A
Other languages
English (en)
Inventor
L·特希尼
L·切伊姆
S·皮尔斯
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.)
Hitachi Energy Co ltd
Original Assignee
Hitachi Energy Switzerland AG
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hitachi Energy Switzerland AG filed Critical Hitachi Energy Switzerland AG
Publication of CN114341873A publication Critical patent/CN114341873A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/20—Administration of product repair or maintenance
    • 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
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
    • G05B23/0254—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, Neural Networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G06F18/24155—Bayesian classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/01—Social networking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Automation & Control Theory (AREA)
  • Computing Systems (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种用于监控电气设备资产的人工智能/机器学习驱动型评估系统包括计算机系统，该计算机系统被配置为接收与由多个用户/所有者操作的多个电气设备资产的操作相关联的用户提供的资产数据，其中任何资产在数据库中的身份都是受限制的并且仅为拥有/操作该资产的用户所知。计算机系统被配置为：结合池化知识数据库分析用户数据，以便针对所监控的电气设备资产生成行动过程或评估；以及基于来自评估或行动过程与实际结果的比较的反馈来更新分析过程。

Description

用于电气设备用户社区的人工智能/机器学习驱动型评估 系统
技术领域
总体上，本发明涉及一种电气设备评估系统。特别地，本发明涉及一种用于属于电气设备用户社区的电气设备资产的人工智能/机器学习驱动型评估系统。
背景技术
当今的电气设备资产状况诊断是基于根据行业标准和专家研究确定的规则集。存在许多资源，用户可以利用这些资源进行维护和诊断，诸如操作手册、行业专家和经验。存在论坛，设备的用户可以在这些论坛上交流关于设备失效和已实施的解决方案的经验，诸如在研讨会和会议上等。
然而，用于交流信息的这些方法遭受几个缺点。例如，实施解决方案时的反馈不容易在设备的所有用户当中共享。如果最相关的用户未参与论坛，则可能的解决方案可能无法到达他们。此外，由于在论坛上用户当中缺乏参与或信息共享，可能无法发生将特定问题的解决方案和需要这些解决方案的用户联系起来。而且，此类交流不是匿名的，且因此由于机密性和其他问题所致，信息共享可能会受到限制。
另外，电气设备资产的运营商和其他用户(诸如，在配电网络中)会被海量的操作数据所淹没，特别是随着全球范围内使用在线传感器来获取多个操作参数的上涨趋势，这很难解释和管理，因为此类数据没有被编译为可以很容易地被配电的各个操作/组织级别解读的可行动性(actionable)信息。此外，因为此类数据可能仅聚集自该特定用户所拥有的电气设备资产，因此聚集和处理此类数据以识别来自多个所有者的相关信息是一项重大挑战，这些相关信息可以以适当的格式传达给类似类型的电气设备资产的各种其他所有者。通常，出于数据隐私、最终法规和法律问题的原因，给定资产类型的所有者不会向同一资产类型的其他所有者学习或与其公开交流信息。由于存在留置(detain)少量资产的大量所有者，因此对于许多研究而言，每个所有者的资产群体可能在统计上不显著，否则如果资产数量很高，资产群体将非常显著。因此，需要在该技术领域中作进一步改善。
发明内容
鉴于前述内容，本公开提供了一种用于多个电气设备资产的用户社区的人工智能(AI)/机器学习(ML)驱动型评估系统。根据一个方面，提供了一种用于电气设备资产的一个或多个用户社区的AI/ML驱动型评估系统，该系统被配置为：与电气设备的多个用户/所有者匿名共享操作数据和数据的分析，以提供有关一个资产或一组资产的状况的智能数据输出；以及提供可行动性信息或推荐的响应，使得可以做出有关操作和维护的知情决策。个体用户将受益于大得多的资产池以及从该池中提取的知识，而无需查看整个群体或有权访问不属于他们自己的资产。
此外，需要一种用于电气设备资产的AI/ML驱动型评估系统，该系统提供信息，用户社区的任何成员都将可通过受控订阅和系统的有限视觉在任何时间远程访问该信息，但可完全访问由该分析和公共数据池产生的统计分析和AI/ML应用。附加地，需要一种用于电气设备资产的AI/ML驱动型评估系统，该系统动态地且连续地更新分析数据的方式，以基于由电气设备资产的用户社区实际实施行动过程或评估的反馈来提供推荐的行动过程或评估。
另外，需要一种用于电气设备资产的AI/ML驱动型评估系统，该系统提供一个或多个数据库以创建知识数据池，该知识数据池包括或创建到具有从任何源(诸如，专家、用户手册、操作程序、社交媒体、行业标准和出版物)获得的电气设备资产数据的不同数据库的链接、以及与被监控的每个电气设备资产相关的各种制造商和型号的信息源。资产数据也可以从用户那里提供，诸如离线记录(诸如，诊断、维护和操作历史)、以及由在线传感器捕获的在线操作数据。还有，需要一种AI/ML驱动型评估系统，该系统提供人工智能分析，该人工智能分析使用池化知识和用户收集或提供的电气设备资产数据来训练机器学习算法以进行参数估计、数据预报、概率性寿命终止评估和失效预测，例如输出可行动性信息以基于电气设备的当前操作状态来提供推荐的响应。
本公开的进一步实施例、形式、目的、特征、优点、方面和益处应从以下描述和附图变得显而易见。
附图说明
关于以下描述和附图，本发明的这些和其他特征及优点将变得被更好地理解，其中：
图1是根据本公开的用于用户社区的电气设备资产的AI/ML驱动型评估系统的框图。
图2是用于用户社区的电气设备资产的AI/ML驱动型评估系统的过程的框图。
图3是图示示例性控制系统的框图。
具体实施方式
为了清楚、简洁和确切地描述本公开的图示性实施例、制作和使用实施例的方式和过程，并且为了使得能够实践、制作和使用实施例，现在将参考某些示例性实施例(包括附图中所图示的那些示例性实施例)，并且将使用特定语言来描述实施例。然而，应理解，并未由此产生对本发明的范围的限制，并且本发明包括并保护如本领域技术人员将想到的示例性实施例的这种变更、修改和进一步应用。
用于电气设备或资产的AI/ML驱动型评估系统总体上由数字100引用，如在附图的图1中所示。应了解，术语“电气设备”或“(多个)电气设备资产”在本文中被定义为与那些部件的用户社区相关联的一个或多个电气部件。可采用这种电气部件的示例包括但不限于以下各者中的任一者或组合：两个或更多个发电系统、电力传输网络、配电网络、工业电力网络、微电网、变电站等。这种电气设备资产可包括但不限于变压器、断路器、开关、避雷器、电池、冷却系统、电力线和线路连接、继电器或可在这种系统中采用的任何其他装置。
另外，系统100可以用于监控用户社区114中的不同用户所拥有的任何电气设备资产，包括多种资产类型。系统100被配置为连续地获取由用户根据操作(负荷、环境温度等)、现场测试和测量、实验室结果(通常离线)和/或在线传感器所提供的操作参数数据，这些在线传感器与电气设备资产和用于电气设备资产的知识数据池的由人工智能(AI)系统102分析的操作相关联。具体地，AI系统102可体现在硬件、编码在计算机可读介质上的指令或两者的组合中，并且被配置为基于所述多个电气设备资产的所有用户提供的资产数据来提供信息(诸如，针对特定电气设备资产的行动过程或评估)，同时保持身份的机密性，使得每个用户仅能识别他们所拥有/操作的电气设备资产以及电气设备资产的关联的用户提供的资产数据。用户提供有关所采取的行动过程和关联的结果的反馈，以增强分析并基于用户提供的资产数据和池化知识数据改善对推荐的行动过程和评估的未来预测。
具体地，系统100包括集中式或分布式数据库或计算机系统104(本文中称为“计算机系统104”)，该计算机系统构造有必要的硬件和软件以执行包括AI系统102的硬件和/或计算机可读介质编码指令。AI系统102可托管在用户可访问的云计算平台、中央计算系统上，或者本地托管在用户社区114的一台或多台计算机上。另外，计算机系统104可被配置为要么如图所示的那样直接从多个在线传感器106a、106b、106c、...106n获得在线操作参数数据、要么从用户114获得在线操作参数数据。在线传感器106a-n可包括被配置为监控和收集操作参数数据的任何合适类型的传感器，该操作参数数据与作为用户社区114所拥有的电气设备资产社区108的一部分的多个对应的电气设备资产108a、108b、108c、...108n相关联。应了解，系统100可被配置为利用传感器106a-106n监控任何数量和类型的电气设备资产的在线操作参数，如先前讨论的。此外，计算机系统104是独立于硬件的，因为它能够兼容地从任何品牌、型号或类型的电气设备资产的在线传感器106a-n并且独立于由这种传感器106a-n使用的任何数据协议来接收在线数据。
除了直接从传感器和/或从用户114获取在线操作参数数据之外，计算机系统104还可从存储系统112中的用户提供的数据获取离线操作参数数据和其他数据。存储在存储系统112处的用户提供的数据可以直接或间接地从用户114a、114b、114c、...114n获取，这些用户形成拥有和/或操作电气设备资产社区108的用户社区114。用户提供的数据存储系统112可包括任何合适的大容量存储装置或数据库，并且被配置为存储涉及电气设备资产108a-108n的在线和/或离线操作参数数据，诸如由用户114a-114n针对所拥有和/或由他们操作的资产提供的资产标识、资产所有者、资产制造商、资产规格、离线测试数据和分析、维护信息、历史操作参数信息、性能信息等。
用户提供的数据存储系统112和/或计算机系统104可以是多查询、可定制的动态和加密数据库，使得离线操作参数数据、用户数据和/或在线操作参数数据可以存储、分组或过滤到资产特定的数据池中(例如，基于资产是变压器还是断路器来分离)，并且可以基于特征的任何合适的组合进行进一步过滤或分类，诸如超过某个尺寸或由某位制造商制造的变压器。在某些实施例中，信息共享和存储可通过区块链技术来完成。还可以执行对操作参数数据(在线和/或离线)的分析，以提供统计描述和相关、识别趋势和规范、以及生成标志或检测异常。可以选择性地对属于类似类别或相同类型或族的资产108a-108n执行分析。在用户提供的数据存储系统112和/或计算机系统104内，每个用户仅能具体地识别用户从其相应的资产108a-108n提供的数据和关联资产，但是基于来自资产社区108的聚合数据对数据的分析可以对所有用户社区114可用。
计算机系统100还被配置为通信地联接到池化(pooled)知识数据库122。具体地，池化知识数据库122包含从与资产108a-108n相关联的多个数据源124a、124b、124c、...124n池化的关于资产108a-108n的各种知识。源124a-124n可以包括例如用户程序、制造商专家、行业标准和专门知识、行业文献、书籍、文章、报告和社交媒体。
由计算机系统104执行的AI系统102(也可称为“Supermind”)可以分析从在线传感器106a-106n接收到的用于资产108a-108n的在线操作参数数据、来自存储系统112的用于资产108a-108n的用户提供的数据、以及来自池化知识数据库122的知识池，以基于从资产专家驱动的“知识池”中自动提取的知识针对资产社区108中的每个资产108a-108n的操作来动态地更新推荐的行动过程或评估、以及搜索所有可用信息、记录和数据，这些信息、记录和数据可指示与例如失效模式过程相关的可能场景并根据证据使用AI/ML工具选择最可能的场景。这种行动过程或评估可以是例如执行维护、改变操作参数、甩(shed)负荷以减轻操作风险、更改输出和/或输入，以便避免电气设备资产108a-108n中的一个或多个损坏、失效或者改善电气设备资产108a-108n中的一个或多个的性能。
AI系统102可以通过使用机器学习(ML)自然语言处理(NLP)来操作，以将包括行动过程和/或评估的输出140提供给关联资产108a-108n的用户114。例如，AI系统102可被配置为使用来自用户提供的数据存储系统112的数据、来自传感器106a-106n的在线资产数据(如果提供的话)、和/或来自池化知识数据库122的知识池的组合针对过滤的资产类型执行概率性多场景失效模式调查。行动过程或评估可以基于上传到池化知识数据库122的最新信息/知识，其具有概率性假设估计和所需的证据主体，以协助关于最可能的行动过程或评估、其原因和证据、以及相应的可能性或概率的决策过程。
系统100还包括用以训练AI系统102以连续地改善输出140的反馈机制142。反馈机制142可以包括用户114匿名共享响应于由用户114a-114n接收到的(多个)输出140而采取的行动的结果。其他实施例预期非匿名信息共享和/或遵照数据隐私法和/或数据隐私规则的信息共享。该信息被馈送到池化知识数据库122和AI系统102，因此统计工具和算法可以实现对输出140的改善的预测。用户114还可以接收被提供来由另一个用户114训练AI系统102的反馈142。因此，用户114a-114n得以各自均提供有权利访问从发生在来自用户社区114中的大量用户114a-114n的整个电气设备资产108-108n社区上的特定失效和失效模式中得到的知识和经验以及对此作出的反应，而不仅仅是用户自己的经验或自己的资产。
反馈机制142可以用于训练多个ML算法，目的是使参数估计、数据预报、失效预测或其他行动过程或评估更准确和有用。假设测试和最可能的失效模式可以用所有支持性证据和概率来指示。每个用户114a-114n均提供有针对他们各自的电气设备资产108a-108n的操作和维护的可行动性信息和推荐。该过程是动态的，需要来自每个用户114a-114n所做的维护或操作改变的反馈以更新池化知识数据库122，然后基于该反馈训练ML算法。系统100可以以连续环路操作，以向用户114a-114n提供可从池化知识数据库122获得的最新信息/知识。
由系统100生成的输出140可包括体现在任何合适的介质中的数据，诸如电子介质，包括但不限于电子邮件消息、网页、计算机接口(GUI—图形用户接口)、电子文档或任何其他介质或格式，其以任何合适的格式并以用户114所需的适当粒度级别提供数据，以做出有关他们各自拥有和操作的电气设备资产108的操作和维护的操作决策。可将输出140传达给任何合适的计算装置，包括手持式电子装置或其他台式或便携式计算机系统等，其中使用各种模式在其上呈现输出140，包括但不限于电子消息传递(电子邮件、文本消息等...)、自动更新的网页等。在一个方面中，可通过企业局域网(LAN)使用web类应用工具将输出140传达给计算装置。
计算机系统104和传感器106a-106n之间的任何合适的接口、用户提供的数据存储系统112、和/或池化知识数据库122。示例接口包括在线数据接口110、用户提供的数据接口120和池化知识数据接口130。出于以下讨论的目的，例如，接口110-120可包括任何合适的数据通信接口，诸如以太网(ETHERNET)/TCP IP端口。此外，应了解，在线数据接口110可利用任何合适的数据协议，诸如DNP3.0、MODBUS、IEC61850，或者可替代地包括模拟或“开关”硬接触输出，其在到达计算机系统104之前在变电站网关处转换成数字数据，其中较大的数据库结合了所有在线数据。由系统100提供的在线数据接口110可以被配置为联接到一个或多个在线传感器106a-106n并被配置为从一个或多个在线传感器接收数据，所述一个或多个在线传感器操作性地附接到电气设备资产108a-108n中的每一个。应了解，每个资产108a-108n均可包括由传感器106a-106n表示的一个或多个传感器。
用户提供的数据接口120和/或由系统100提供的知识池数据接口130被配置为经联接以分别从用户提供的数据存储系统112和池化知识数据库122接收数据。例如，数据库112、122可以以任何格式或构型存储数据，诸如EXCEL、ACCESS或基于ORACLE的文件。应了解，由计算机系统104提供的接口120、130可包括OPC(开放连接)或SQL(顺序查询逻辑)或通过使用任何其他合适的计算机编程语言或例程。
参考图2，示出了可以由系统100(诸如，上文所讨论的系统)实施的过程200的实施例。过程200包括框202，其中多个用户和/或资产将资产数据提供给框204，诸如上文讨论的用户提供的资产数据和在线操作参数数据。另外，在框206处的多个数据源被连续地更新，以将关于资产的专家数据、程序手册、行业数据等提供给池化知识框208。
在框210处，结合池化知识数据执行对用户提供的数据和/或在线操作参数数据的分析，以在框212处提供推荐的行动过程或评估。AI分析可以包括与由系统100监控的特定类型电气设备资产108a-108n的操作相关联的工程模型(基于统计、基于规则的系统)，以将进一步推荐的响应提供给资产108a-108n的相应用户。
因此，AI分析可以被配置为使用统计工具识别电气设备资产108a-108n的操作参数的演变或变化，同时还通过评估由用户在框214处响应于推荐的行动过程或评估采取的行动的结果来“学习”。因此，过程200将框216处的用户反馈结合到知识池208中，并且在框218处提供训练以基于来自用户的反馈来改善AI分析。因而，AI分析使用各种人工智能技术将“资产经验”结合到分析中，诸如模糊逻辑、贝叶斯信念传播网络、神经网络和/或遗传算法工具等。AI分析还可以指示特定资产108a-108n的操作参数(或多个参数)与资产社区中具有至少一个共同特性(即，评级、配件、原产地等)的相同或类似资产相比的相对偏差。AI/ML系统可利用多种学习机制(诸如，监督、无监督和强化学习)以及多种类型的ML算法(线性、非线性、组合)，诸如例如人工神经网络、随机森林、支持向量机、梯度提升机(GradientBoosting Machine)和衍生物(诸如，极端梯度提升机(Extreme Gradient BoostingMachine))、分类和回归树、逻辑回归等。AI/ML系统还将应用多种类型的自然语言处理(NLP)算法以根据由系统分析的实际数据来分类、总结、识别场景及其可能性。
因此，将了解，本公开的一个或多个实施例的一个优点是，一种用于电气设备资产的AI/ML驱动型评估系统向用户提供直接访问针对用户的(多个)感兴趣资产的行动过程或评估，除了(多个)感兴趣资产之外，该行动过程或评估还基于其他用户的多个资产的信息专家评估分析。本公开的另一个优点是，用于电气设备资产的AI/ML驱动型评估系统提供开放和灵活的接口，该接口能够从各种数据库获取多个资产的信息并且能够整合、分析和提供对数据的访问，同时保持资产的特定所有者的匿名性。本公开的再另一个优点是，用于电气设备资产的AI/ML驱动型评估系统被配置为监控行动过程或评估的结果并基于来自结果的反馈来更新分析过程。
用于使本发明工作的方法(参考图2)是针对变压器单元202来图示的，该变压器单元作为来自被监控的所述多个电气设备资产中的示例性电气设备资产。变压器单元的状况(资产数据，204)可以由AI/ML驱动型评估系统根据用户(与变压器单元相关联)和服务提供商(与AI/ML驱动型评估系统相关联)之间的服务/订阅协议进行评估。
变压器单元具有连接到变压器单元的多个传感器，从而提供对于变压器单元的操作和状况监控重要的参数(操作参数数据)的测量。AI/ML驱动型评估系统可以与和变压器单元相关联的传感器通信地连接，以用于监控和评估变压器单元且因此可直接访问变压器单元数据(资产数据)进行评估。替代地，用于由AI/ML驱动型评估系统评估的资产数据可以通过匿名共享来自由变压器单元的用户利用AI/ML驱动型评估系统操作的本地监控以及控制装置/系统的数据库的数据来提供。
用户提供的资产数据包括从用户连续地或/和以离线模式收集的传感器(测量)数据，并且还包括由用户提供的诸如以下各者的资产数据：变压器类型/额定值信息、变压器部件信息(例如，变压器套管型号/品牌)、地理地点(位置)信息、维护历史、现场测试结果、实验室结果等。用户提供的资产数据可以作为原始数据或作为已处理的数据而存储在AI/ML驱动型评估系统中以用于根据与用户达成的协议来评估变压器资产的状况/性能，并且只有变压器单元的用户才可访问。类似地，AI/ML驱动型评估系统从由AI/ML驱动型评估系统服务的所述多个电气设备资产的其他电气设备资产单元收集操作参数数据和用户提供的资产数据。所收集的与所述多个电气设备中的每个电气设备相关联的数据存储在一个或多个数据库中，所述一个或多个数据库只有关联的电气设备的用户才可访问，即，其他用户不能访问数据。
在该图示性示例中，从变压器单元收集的操作参数数据在AI/ML驱动型评估系统处进行处理210，并且比如说对于变压器单元而言，观察到(或由用户给出)涉及变压器套管的损耗角正切参数值(tan delta parameter)在一定时间段内观察到存在一定的％增加。作为由AI/ML驱动型评估系统执行的分析210的一部分，AI/ML驱动型评估系统访问其池化知识数据库208以查找与观察到的参数变化(损耗角正切％增加)相关联的信息。AI/ML驱动型评估系统可以利用一个或多个用户提供的资产数据204(例如，变压器类型、负荷/温度相关信息、变压器年龄等)作为过滤器以专门从池化知识数据库收集信息并提供作为针对行动212的评估/推荐。
如先前在图2的帮助下所公开的，池化知识数据库208是利用已处理的数据/信息来创建的，该已处理的数据/信息作为反馈216从所述多个用户和从提供给AI/ML驱动型评估系统的数据/信息206收集。使用来自各种源206的信息利用机器学习算法实施监督/无监督学习/训练218，以用于创建池化知识库(例如，通常由人类专家提供给AI/ML算法的技术材料和文献)，包括涉及损耗角正切参数增加的信息。除了别的以外，这些算法构建可能的失效场景并选择最可能的事件过程作为与正在进行的参数变化相关的分析的一部分。涉及提取针对增加的损耗角正切值的推荐/行动过程的分析被提供作为一个或多个可行动性信息(212，服务/操作相关推荐)或作为表示状况/寿命评估(预断)的评估的数据。期望涉及状况/寿命评估的此类评估更准确和更具代表性，因为它利用了根据所述多个电气设备资产(包括反馈216)和根据来自专家的通过各种数据源206收集的信息的观察结果。分析和评估可以用于确定变压器或变压器的部件(套管)的当前状况或者确定失效模式或状况/故障随时间的发展(未来状况/预报)。评估212基于被提供作为资产数据204的电气设备的当前操作状态信息而被提供作为一个或多个参数的估计，诸如变压器操作参数、概率性寿命终止评估、基于概率的失效类型/模式预测等，和/或推荐的行动过程212被提供作为待针对变压器单元执行的一系列服务/操作活动，以便使操作风险最小化。来自实施推荐的与针对未来时间所作的未来预测或估计相关的活动或/和观察的结果214可以被提供作为反馈216。
在此示例中，AI/ML驱动型评估系统收集涉及套管损耗角正切值增加的信息，并且将利用知识池和AI/ML处理来提供一个或多个可行动性服务/操作相关推荐。AI/ML驱动型评估系统处理从所提到的各种源接收到的信息，包括来自服务行业中由各种用户处理类似或相关状况/事件的经验的信息、基于标准的信息或/和来自最新出版物的信息。例如，可以利用机器学习(ML)自然语言处理(NLP)来执行处理，或者甚至可以是由用户/专家在各种共享/发布的信息中通过使用标签来整理的信息。在此示例中，分析针对变压器单元所报告的状况(具有在一段时间内套管损耗角正切值的％增加的用户提供的资产信息)连同来自知识池的信息，以识别报告同样在类似的时间段内及针对类似资产的类似的套管损耗角正切％增加，从而具有更好的比较和相关推荐。
对于涉及损耗角正切参数和变压器单元的此图示性示例，分析包括利用机器学习自然语言来处理信息。从各种源206提取信息可以基于重要词的词/文本集群及其出现在所提供的专家信息中的关系，或/和可以基于预定义的关键词以提取诊断/状况监控相关信息。例如，重要词/关键词可以是与“损耗角正切”、“失效”、“失效模式”、“故障”、“灾难性的”、“维护”、“负荷”、“老化”、“寿命”等有关系的词、连同表示行动、结果或/和其成功/失败信息的词。AI/ML算法用于在监督/无监督训练(学习)过程步骤之后自动池化用于损耗角正切参数的这种提取信息。训练数据可以由从各种来源206手动/半自动提取的信息组成，包括涉及变压器单元/类似的其他变压器单元的历史信息、以及与涉及以下各者的活动相关的文献/专家信息：变压器单元和套管损耗角正切值、健康状况、纠正/预防活动、它们的解决/控制观察到的损耗角正切值增加的成功或失败、关联的统计观察结果和其他这种协调的/关联的信息(诸如，变压器/套管的制造、变压器的地点、关于类似变压器/套管在别处安装的信息)。
作为利用AI/ML算法执行的这种分析的结果(包括合并基于涉及所选纠正/预防措施的成功/失败信息(例如，作为百分比或可能性)和/或基于变压器单元/套管的类型/型号的结果)，可以向变压器单元的用户提供指示所采取的行动的推荐(比如说，预定义数量的最佳推荐)连同在解决问题或延迟问题时观察到的％成功率以及与观察到的损耗角正切值％增加的观察问题相关联的统计，即，提供观察到的情况数量、已解决和未解决的情况数量等。该推荐既可以是用于变压器单元的维护/操作的纠正和预防行动，又可以包括针对其他潜在问题的提防性(watch out)推荐，这些潜在问题与涉及观察到的损耗角正切值％增加的观察到的状况和/或涉及期望寿命的预报有关系。这种行动过程或评估可以是例如执行维护、改变操作参数、甩负荷以减轻操作风险、更改输出和/或输入，以便避免变压器单元(套管)的损坏、失效。
因此，变压器单元的用户可以受益于根据文献和第三方专家知识/经验创建的知识池。变压器单元的用户基于所提供的推荐或其他因素为操作变压器单元或纠正涉及针对变压器单元所观察到的损耗角正切增加的状况所采取的行动及其结果可以被提供作为反馈，以增强具有机器学习的知识池。AI系统还可以通过观察随推荐/评估及其结果引用的多个电气设备资产的操作参数方面的改善来学习。
在此示例中，将涉及套管损耗角正切值增加的事件用于提取相关信息，包括可行动性信息(行动过程)和使用AI/ML技术连同自然语言处理(NLP)根据知识池对套管状况的评估。
虽然本发明的工作是针对涉及套管损耗角正切值增加的观察结果来图示的，但本领域技术人员将认识到，本发明可以应用于利用AI/ML驱动型评估系统针对变压器单元(或任何其他电气设备资产)所观察到的其他状况/观察结果(诸如，变压器中的热点、油温、局部放电水平、水分含量、溶解气体、负荷变化、浪涌等)。
参考图3，图示了示例性控制系统300的示意性框图，诸如AI系统102、计算机系统104、用户提供的数据存储系统112和池化知识数据库122中的一者或多者。控制系统300包括处理装置302、输入/输出装置304、存储器装置306和操作逻辑308。此外，计算装置300与一个或多个外部装置310通信，包括本文中所讨论的其他数据库或计算机系统。控制系统300可以是独立装置、嵌入式系统或被结构化为执行关于系统300所描述的功能的多个装置。
输入/输出装置304使得控制系统300能够与本地现场装置或其他代理或控制系统通信。仅举几个例子，输入/输出装置304可包括网络适配器、网络凭证、接口或端口(例如，USB端口、串行端口、并行端口、模拟端口、数字端口、VGA、DVI、HDMI、FireWire、CAT5、以太网、光纤或者任何其他类型的端口或接口)。输入/输出装置304可包括这些适配器、凭证或端口中的不止一个，诸如用于接收数据的第一端口和用于传输数据的第二端口。
仅举几个例子，处理装置302可包括一个或多个处理器、算术逻辑单元(ALU)、中央处理单元(CPU)、数字信号处理器(DSP)或现场可编程门阵列(FPGA)。对于具有多个处理单元的处理装置的形式，可使用分布式、流水线或并行处理。处理装置302可专用于仅执行本文中所描述的操作或者可用于一个或多个附加应用中。处理装置302可以是可编程种类的，其根据如由存储在存储器306中的编程指令(诸如，软件或固件)所定义的操作逻辑308来执行算法和处理数据。替代地或附加地，用于处理装置302的操作逻辑308至少部分地由硬连线逻辑或其他硬件定义。处理装置302可包括适合于处理从输入/输出装置304或其他地方接收到的信号并提供期望的输出信号的任何类型的一个或多个部件。这种部件可包括数字电路、模拟电路或两者的组合。
存储器装置306(也称为计算机可读介质)可以是一种或多种类型的存储器，诸如固态种类、电磁种类、光学种类或这些形式的组合，仅举几个例子。此外，存储器装置306可以是易失性、非易失性、暂时性、非暂时性或这些类型的组合，并且存储器装置306中的一些或全部可以是便携式种类，诸如磁盘、磁带、记忆棒或盒式磁带，仅举几个例子。另外，存储器装置306可存储由处理装置302的操作逻辑308操纵的数据(诸如，代表从输入/输出装置304接收到和/或发送到输入/输出装置304的信号的数据)，以补充或代替存储定义操作逻辑308的编程指令，仅举一个例子。存储器装置306可包括在处理装置302中和/或联接到处理装置302。
现在应提供对本公开的若干个示例性方面和各种实施例的进一步书面描述。在一个方面中，一种用于电气设备的AI/ML驱动型评估系统包括由多个用户操作的多个电气设备资产，其中这些用户中的每个用户操作所述多个电气设备资产中的相关联的至少一个电气设备资产。AI/ML驱动型评估系统还包括至少一个数据库，所述至少一个数据库被配置为存储来自所述多个用户的用户提供的资产数据，所述用户提供的资产数据与所述多个电气设备资产相关联。所述至少一个数据库进一步包括涉及电气设备资产的池化知识数据库。所述多个用户中的相应每个用户能够从所述至少一个数据库中仅识别由相关联的用户操作的所述至少一个电气设备资产。AI/ML驱动型评估系统还包括与所述至少一个数据库操作性通信的计算机系统。计算机系统被配置为：结合池化知识数据库分析所述多个电气设备资产的用户提供的资产数据；以及基于所述多个电气设备资产的用户提供的资产数据和池化知识数据库，从对所述多个用户中的一个用户和所述相关联的至少一个电气设备资产的分析中生成行动过程或评估。
在一个实施例中，池化知识数据库包括用于所述多个电气设备资产的专家数据、行业数据和资产数据。在该实施例的一项改进中，资产数据包括用于操作所述多个电气设备资产的程序和报告。在另一项改进中，池化知识数据库基于所述多个电气设备资产的类型被分离成多个类别。
在另一个实施例中，计算机系统被配置为使用机器学习自然语言处理来生成行动过程或评估。在又一实施例中，行动过程或评估包括针对所述多个电气设备资产中的所述至少一个电气设备资产的参数估计、数据预报和失效预测中的一者或多者。
在再另一个实施例中，计算机系统使用人工智能来为所述电气设备资产中的所述至少一个电气设备资产生成推荐的行动过程或评估。在另一个实施例中，所述多个电气设备资产包括变压器和断路器中的至少一者。
在又一实施例中，池化知识数据库由所述多个用户中的所述一个用户响应于多个用户中的所述一个用户对所述多个电气设备资产中的所述至少一个电气设备资产执行行动过程或评估的结果而更新。在该实施例的一项改进中，计算机系统被配置为响应于池化知识数据库的更新来更新分析以用于确定行动过程或评估。在进一步的改进中，所述多个用户中的每个用户均有权访问计算机系统，以获得结合池化知识数据库对所述多个电气设备资产的用户提供的资产数据的更新的分析。在再进一步的改进中，所述多个用户基于仅针对由相关联的用户操作的那些电气设备资产的更新的分析来接收行动过程或评估。
根据本公开的另一个方面，一种评估至少一个电气设备资产的方法包括：将有关多个电气设备资产的操作的用户提供的资产数据存储在数据库中，其中所述多个电气设备资产由多个用户操作，并且进一步其中所述多个用户中的每个用户仅能从至少一个数据库中识别由相应用户操作的相应的电气设备资产和相关联的用户提供的资产数据；为所述多个电气设备资产生成池化知识数据库；在与所述至少一个数据库操作性通信的计算机系统处获取用户提供的资产数据和池化知识数据库；利用计算机系统分析用户提供的资产数据和池化知识数据库；从对所述多个电气设备资产中的至少一个电气设备资产的分析中生成行动过程或评估；以及将行动过程或评估提供给操作所述多个电气设备资产中的至少一个电气设备资产的相应用户。
在一个实施例中，该方法包括：提供与所述计算机系统操作性通信的显示器；以及在显示器上显示行动过程或评估。在另一个实施例中，池化知识数据库包括专家数据、行业数据、用户程序和用户报告。
在又一实施例中，计算机系统被配置为使用机器学习自然语言处理来生成行动过程或评估。在另一个实施例中，行动过程或评估包括参数估计、数据预报和失效预测中的一者或多者。在再另一个实施例中，计算机系统使用人工智能来生成行动过程或评估。
在另一个实施例中，池化知识数据库由相应用户响应于来自对所述多个电气设备资产中的所述至少一个电气设备资产执行行动过程或评估的反馈而更新，并且计算机系统被配置为基于该反馈来更新用于执行分析的一个或多个算法。
在又一实施例中，所述多个用户中的每个用户均有权访问对所述多个电气设备资产中的所有电气设备资产的用户提供的资产数据的分析，并且所述多个用户接收针对仅由相应用户操作的相应的电气设备资产的行动过程或评估。
虽然本公开已在附图和前述描述中进行了详细的图示和描述，但是这种图示和描述将被认为本质上是图示性的而非限制性的，应理解的是，仅示出和描述了某些示例性实施例，并且在本公开的精神内的所有更改和修改都期望受到保护。应理解，虽然在以上描述中词语的使用指示如此描述的特征可能更合意，但它可能不是必要的，并且缺少这些词语的实施例可被设想为在本公开的范围内，该范围由所附权利要求限定。在阅读权利要求时，意图是当使用诸如“一”、“一个”、“至少一个”或“至少一个部分”之类的词语时，除非在权利要求中明确地陈述为相反，否则不存在将权利要求限制到仅一个项的意图。术语的“…的(of)”可意味着与另一个项的关联或联系、以及如通过使用它的上下文所告知的与另一项的归属性或联系。除非明确指示为相反，否则术语“联接到”、“与……联接”等包括间接连接和联接，且进一步包括但不要求直接联接或连接。当使用语言“至少一部分”和/或“一部分”时，除非明确陈述为相反，否则项可包括一部分和/或整个项。

Claims (20)

1.一种用于电气设备的人工智能/机器学习(AI/ML)驱动型评估系统(100)，包括：
由多个用户(114)操作的多个电气设备资产，其中，所述用户中的每个用户操作所述多个电气设备资产中的相关联的至少一个电气设备资产；
至少一个数据库，所述至少一个数据库被配置为存储来自所述多个用户(110)的用户提供的资产数据，所述用户提供的资产数据与所述多个电气设备资产(108a、108b、108c、...108n)相关联，所述至少一个数据库进一步包括涉及所述电气设备资产的池化知识数据库，其中，所述多个用户(114)中的相应每个用户能够从所述至少一个数据库中仅识别由相关联的用户操作的所述至少一个电气设备资产；以及
与所述至少一个数据库操作性通信的计算机系统(104)，所述计算机系统(104)被配置为结合所述池化知识数据库分析所述多个电气设备资产(108a、108b、108c、...108n)的所述用户提供的资产数据，其中，所述计算机系统(104)基于所述多个电气设备资产的所述用户提供的资产数据和所述池化知识数据库，从对所述多个用户(114)中的一个用户和所述相关联的至少一个电气设备资产的所述分析中生成行动过程或评估。
2.根据权利要求1所述的AI/ML驱动型评估系统(100)，其中，所述池化知识数据库包括用于所述多个电气设备资产的专家数据、行业数据和资产数据。
3.根据权利要求1或2所述的AI/ML驱动型评估系统(100)，其中，所述资产数据包括用于操作所述多个电气设备资产的程序和报告。
4.根据权利要求1至3中任一项所述的AI/ML驱动型评估系统(100)，其中，所述池化知识数据库基于所述多个电气设备资产的类型而被分离成多个类别。
5.根据权利要求1至4中任一项所述的AI/ML驱动型评估系统(100)，其中，所述计算机系统(104)被配置为使用机器学习自然语言处理来生成所述行动过程或评估。
6.根据权利要求1至5中任一项所述的AI/ML驱动型评估系统(100)，其中，所述行动过程或评估包括针对所述多个电气设备资产(108a、108b、108c、...108n)中的所述至少一个电气设备资产的参数估计、数据预报和失效预测中的一者或多者。
7.根据权利要求1至6中任一项所述的AI/ML驱动型评估系统(100)，其中，所述计算机系统(104)使用人工智能来为所述电气设备资产(108a、108b、108c、...108n)中的所述至少一个电气设备资产生成推荐的所述行动过程或评估。
8.根据权利要求1至7中任一项所述的AI/ML驱动型评估系统(100)，其中，所述多个电气设备资产(108a、108b、108c、...108n)包括变压器和断路器中的至少一者。
9.根据权利要求1至8中任一项所述的AI/ML驱动型评估系统(100)，其中，所述池化知识数据库由所述多个用户(114)中的所述一个用户响应于多个用户(114)中的所述一个用户对所述多个电气设备资产中的所述至少一个电气设备资产执行所述行动过程或评估的结果而更新。
10.根据权利要求1至9中任一项所述的AI/ML驱动型评估系统(100)，其中，所述计算机系统(104)被配置为响应于所述池化知识数据库的所述更新来更新所述分析以用于确定所述行动过程或评估。
11.根据权利要求1至10中任一项所述的AI/ML驱动型评估系统(100)，其中，所述多个用户(114)中的每个用户均有权访问所述计算机系统(104)，以获得结合所述池化知识数据库对所述多个电气设备资产(108a、108b、108c、...108n)的所述用户提供的资产数据的更新的所述分析。
12.根据权利要求11所述的评估系统(100)，其中，所述多个用户(114)基于仅针对由所述相关联的用户操作的那些电气设备资产(108a、108b、108c、...108n)的更新的所述分析来接收所述行动过程或评估。
13.一种评估至少一个电气设备资产的方法，包括：
将有关多个电气设备资产(108a、108b、108c、...108n)的操作的用户提供的资产数据存储在数据库中，其中，所述多个电气设备资产(108a、108b、108c、...108n)由多个用户(114)操作，并且进一步其中，所述多个用户(114)中的每个用户仅能从至少一个数据库中识别由相应用户操作的相应的电气设备资产和相关联的用户提供的资产数据；
为所述多个电气设备资产(108a、108b、108c、...108n)生成池化知识数据库；
在与所述至少一个数据库操作性通信的计算机系统(104)处获取所述用户提供的资产数据和所述池化知识数据库；
利用所述计算机系统(104)分析所述用户提供的资产数据和所述池化知识数据库；
从对所述多个电气设备资产(108a、108b、108c、...108n)中的至少一个电气设备资产的所述分析中生成行动过程或评估；以及
将所述行动过程或评估提供给操作所述多个电气设备资产(108a、108b、108c、...108n)中的所述至少一个电气设备资产的相应用户。
14.根据权利要求13所述的方法，进一步包括：
提供与所述计算机系统(104)操作性通信的显示器；以及
在所述显示器上显示所述行动过程或评估。
15.根据权利要求13或14所述的方法，其中，所述池化知识数据库包括专家数据、行业数据、用户程序和用户报告。
16.根据权利要求13至15中任一项所述的方法，其中，所述计算机系统104被配置为使用机器学习自然语言处理来生成所述行动过程或评估。
17.根据权利要求13至16中任一项所述的方法，其中，所述行动过程或评估包括参数估计、数据预报和失效预测中的一者或多者。
18.根据权利要求13至17中任一项所述的方法，其中，所述计算机系统(104)使用人工智能来生成所述行动过程或评估。
19.根据权利要求13至18中任一项所述的方法，其中：
所述池化知识数据库由所述相应用户响应于来自对所述多个电气设备资产(108a、108b、108c、...108n)中的所述至少一个电气设备资产执行所述行动过程或评估的反馈而更新；并且
所述计算机系统(104)被配置为基于所述反馈来更新用于执行所述分析的一个或多个算法。
20.根据权利要求13至19中任一项所述的方法，其中：
所述多个用户(114)中的每个用户均有权访问对所述多个电气设备资产(108a、108b、108c、...108n)中的所有电气设备资产的所述用户提供的资产数据的分析；并且
所述多个用户(114)接收针对仅由所述相应用户操作的相应的电气设备资产的所述行动过程或评估。
CN202080061382.2A 2019-09-05 2020-09-04 用于电气设备用户社区的人工智能/机器学习驱动型评估系统 Pending CN114341873A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US16/561,269 2019-09-05
US16/561,269 US11262739B2 (en) 2019-09-05 2019-09-05 Artificial intelligence/machine learning driven assessment system for a community of electrical equipment users
PCT/EP2020/074792 WO2021043998A1 (en) 2019-09-05 2020-09-04 Artifical intelligence/machine learning driven assessment system for a community of electrical equipment users

Publications (1)

Publication Number Publication Date
CN114341873A true CN114341873A (zh) 2022-04-12

Family

ID=72381095

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202080061382.2A Pending CN114341873A (zh) 2019-09-05 2020-09-04 用于电气设备用户社区的人工智能/机器学习驱动型评估系统

Country Status (6)

Country Link
US (1) US11262739B2 (zh)
EP (1) EP4026073A1 (zh)
JP (1) JP7460861B2 (zh)
CN (1) CN114341873A (zh)
CA (1) CA3148727A1 (zh)
WO (1) WO2021043998A1 (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114612970A (zh) * 2022-03-03 2022-06-10 支付宝(杭州)信息技术有限公司 一种基于位置序列的人脸图像的识别方法、装置以及设备
KR102681897B1 (ko) * 2023-10-10 2024-07-04 설민석 화상 장비들로 구성된 화상 시스템에 대한 분석을 지원하기 위한 장치 및 방법
GB2624801A (en) * 2024-02-23 2024-05-29 Siemens Ag Method and system for prescriptive messaging

Family Cites Families (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1593072A2 (en) 2003-02-07 2005-11-09 Power Measurement Ltd A method and system for calculating and distributing utility costs
DE10316424A1 (de) 2003-04-09 2004-10-21 Abb Patent Gmbh Verfahren und System zur systematischen Evaluation von Bewertungskenngrössen technischer Betriebsmittel
JP2011170724A (ja) 2010-02-22 2011-09-01 Hitachi Ltd 故障診断システム、故障診断装置および故障診断プログラム
CA2832950C (en) 2011-04-15 2019-07-02 Abb Technology Ag Dynamic assessment system for high-voltage electrical components
EP2810134B1 (en) 2012-02-01 2016-06-01 ABB Research Ltd. Monitoring of primary devices in a power system
US9465398B2 (en) 2012-06-20 2016-10-11 Causam Energy, Inc. System and methods for actively managing electric power over an electric power grid
US10001518B2 (en) 2013-02-04 2018-06-19 Abb Schweiz Ag System and method for power transmission and distribution asset condition prediction and diagnosis
US20150066782A1 (en) * 2013-08-28 2015-03-05 PragmaTech Ltd. Computer monitoring, servicing, and management of remote equipment and assets
WO2015112892A1 (en) 2014-01-24 2015-07-30 Telvent Usa Llc Utility resource asset management system
US10176279B2 (en) 2015-06-05 2019-01-08 Uptake Technologies, Inc. Dynamic execution of predictive models and workflows
US10257143B2 (en) * 2015-06-30 2019-04-09 Vmware, Inc. Methods and apparatus to generate knowledge base articles
US11361283B2 (en) * 2015-07-14 2022-06-14 International Business Machines Corporation System and method for dynamic discovery and enhancements of diagnostic rules
US20170302649A1 (en) * 2016-04-19 2017-10-19 General Electric Company Systems and methods for segmenting industrial asset services
US10708795B2 (en) * 2016-06-07 2020-07-07 TUPL, Inc. Artificial intelligence-based network advisor
CN108303264B (zh) 2017-01-13 2020-03-20 华为技术有限公司 一种基于云的车辆故障诊断方法、装置及其系统
JP7033918B2 (ja) 2017-12-28 2022-03-11 河村電器産業株式会社 キュービクル管理システム
CN108876197B (zh) * 2018-07-19 2021-10-15 杨启蓓 一种电力设备集群及群组分析系统
CN108921457A (zh) * 2018-08-22 2018-11-30 国网安徽省电力有限公司阜阳供电公司 一种变电设备管理方法及系统

Also Published As

Publication number Publication date
CA3148727A1 (en) 2021-03-11
US20210072741A1 (en) 2021-03-11
JP7460861B2 (ja) 2024-04-03
WO2021043998A1 (en) 2021-03-11
JP2022546731A (ja) 2022-11-07
US11262739B2 (en) 2022-03-01
EP4026073A1 (en) 2022-07-13

Similar Documents

Publication Publication Date Title
Lade et al. Manufacturing analytics and industrial internet of things
Zio Some challenges and opportunities in reliability engineering
Kondratenko et al. Multi-criteria decision making for selecting a rational IoT platform
CN114341873A (zh) 用于电气设备用户社区的人工智能/机器学习驱动型评估系统
Ghasemi et al. Optimal condition based maintenance with imperfect information and the proportional hazards model
Gao et al. Cloud-enabled prognosis for manufacturing
Robinson et al. Ambient intelligence for optimal manufacturing and energy efficiency
US20210081501A1 (en) System and method for automated insight curation and alerting
Skordilis et al. A condition monitoring approach for real-time monitoring of degrading systems using Kalman filter and logistic regression
AU2020309879A1 (en) Failure probability assessment system and method therefor
Qin et al. Remaining useful life prediction for rotating machinery based on optimal degradation indicator
Wang et al. Linear approximation fuzzy model for fault detection in cyber-physical system for supply chain management
Moghaddass et al. Predictive analytics using a nonhomogeneous semi-Markov model and inspection data
Yu et al. LRProb control chart based on logistic regression for monitoring mean shifts of auto-correlated manufacturing processes
Bouzidi et al. An efficient cloud prognostic approach for aircraft engines fleet trending
Jiang et al. Maximum likelihood estimation for a hidden Semi‐Markov model with multivariate observations
Ciancio et al. Development of a flexible data management system, to implement predictive maintenance in the Industry 4.0 context
Narayanan et al. Design, modelling, optimisation and validation of condition-based maintenance in IoT enabled hybrid flow shop
Jain et al. A comprehensive framework from real‐time prognostics to maintenance decisions
Fu et al. Digital twin-driven vibration amplitude simulation for condition monitoring of axial blowers in blast furnace ironmaking
Noureddine et al. Proactive learning for intelligent maintenance in industry 4.0
US20240185117A1 (en) Knowledge Graph Based Modeling System for a Production Environment
Cheng et al. Intelligent sampling decision scheme based on the AVM system
Balali et al. Data Intensive Industrial Asset Management
Kumar et al. Reliability Prediction Methods for Electronic Devices: A State-of-the-art Review

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20240117

Address after: Zurich, SUI

Applicant after: Hitachi Energy Co.,Ltd.

Address before: Swiss Baden

Applicant before: Hitachi energy Switzerland AG