CN114342003A - 传感器无关的机械机器故障识别 - Google Patents

传感器无关的机械机器故障识别 Download PDF

Info

Publication number
CN114342003A
CN114342003A CN202080061629.0A CN202080061629A CN114342003A CN 114342003 A CN114342003 A CN 114342003A CN 202080061629 A CN202080061629 A CN 202080061629A CN 114342003 A CN114342003 A CN 114342003A
Authority
CN
China
Prior art keywords
sensors
signals
fault
classifier
machine
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
CN202080061629.0A
Other languages
English (en)
Inventor
奥里·内格里
克里斯托弗·贝瑟尔
丹尼尔·巴尔斯基
盖尔·班-海姆
盖尔·肖尔
萨尔·约斯科维茨
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.)
Ogrui System Co ltd
Original Assignee
Ogrui System Co ltd
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 Ogrui System Co ltd filed Critical Ogrui System Co ltd
Publication of CN114342003A publication Critical patent/CN114342003A/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
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0275—Fault isolation and identification, e.g. classify fault; estimate cause or root of failure
    • 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
    • G05B23/0275—Fault isolation and identification, e.g. classify fault; estimate cause or root of failure
    • G05B23/0281—Quantitative, e.g. mathematical distance; Clustering; Neural networks; Statistical analysis
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0283—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
    • 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
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/09—Supervised learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/096—Transfer learning
    • 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
    • G05B23/0208—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the configuration of the monitoring system
    • G05B23/0213—Modular or universal configuration of the monitoring system, e.g. monitoring system having modules that may be combined to build monitoring program; monitoring system that can be applied to legacy systems; adaptable monitoring system; using different communication protocols
    • 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
    • G06N3/0455—Auto-encoder networks; Encoder-decoder networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Algebra (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种用于识别至少一个机械机器的故障的方法包括使结合到对应的第一多个机械机器的第一多个传感器获取从第一多个机械机器发出的第一多组信号，第一多个机械机器共享至少一个特性；至少将第一多个机械机器的第一多组信号供应给预先存在的故障分类器，预先存在的故障分类器被预先训练为基于从第二多个机械机器发出并由第二多个传感器预先获取的信号来自动识别第二多个机械机器的故障，第二多个传感器具有与第一多个传感器的类型不同的类型，第二多个机械机器共享至少一个特性；至少基于第一多个机械机器的第一多组信号，通过使用迁移学习来修改预先存在的故障分类器，从而提供修改修改后的故障分类器；将修改修改后的故障分类器应用于由第一多个传感器中的至少一个传感器获取的并且从共享至少一个特性的至少一个给定机械机器发出的至少一个额外的信号组，修改修改后的故障分类器被配置为基于至少一个额外的信号组自动识别至少一个给定机械机器的至少一个故障；以及由输出设备提供人类可感知输出，人类可感知输出至少包括至少一个给定机械机器的故障的识别，基于人类可感知输出执行修理或维护操作中的至少一个。

Description

传感器无关的机械机器故障识别
交叉引用
在此参考于2019年9月3日提交的申请号为No.62/895,247，标题为“SYSTEMS ANDMETHODS FOR MULTI-SENSOR MAPPING FOR AUTOMATED MACHINE DIAGNOSTICS(用于自动机械诊断的多传感器映射的系统和方法)”的美国临时专利申请，根据第37号CFR1.78(a)(4)和(5)(i)，该美国临时专利申请的公开内容通过引用合并于此，并且在此要求其优先权。
技术领域
本发明总体上涉及机械机器的监测，更具体地，涉及通过监测该机械机器来识别机械机器的故障。
背景技术
本领域已知用于机械机器的故障识别的各种系统和方法。
发明内容
本发明试图提供一种新颖的系统和方法，所述系统和方法用于在监测从机械机器发出的信号的不同类型的传感器之间使用迁移学习，以用于对监测的机械机器进行故障识别和维护的目的。
因此，根据本发明的优选实施例提供了一种用于识别至少一个机械机器的故障的方法，所述方法包括：使结合到对应的第一多个机械机器的第一多个传感器获取从第一多个机械机器发出的第一多组信号，第一多个机械机器共享至少一个特性；至少将第一多个机械机器的第一多组信号供应给预先存在的故障分类器，预先存在的故障分类器被预先训练为基于从第二多个机械机器发出并由第二多个传感器预先获取的信号来自动识别第二多个机械机器的故障，第二多个传感器具有与第一多个传感器的类型不同的类型，第二多个机械机器共享至少一个特性；至少基于第一多个机械机器的第一多组信号，通过使用迁移学习来修改预先存在的故障分类器，从而提供修改修改后的故障分类器；将修改修改后的故障分类器应用于由第一多个传感器中的至少一个传感器获取的并且从共享至少一个特性的至少一个给定机械机器发出的至少一个额外的信号组，修改修改后的故障分类器被配置为基于至少一个额外的信号组自动识别至少一个给定机械机器的至少一个故障；以及由输出设备提供人类可感知输出，人类可感知输出至少包括至少一个给定机械机器的故障的识别，基于人类可感知输出执行修理或维护操作中的至少一个。
根据本发明的一个优选实施例，所述方法还包括：在使第一多个传感器获取第一多组信号之后并且在将第一多组信号供应给预先存在的故障分类器之前：获得用于第一多个机械机器中的机械机器的第一多组操作条件数据，每组操作条件数据指示第一多个机械机器中的一机械机器的操作状态，每个操作状态与多组信号中的至少一组相关；至少将第一多组信号供应给预先存在的故障分类器还包括将第一多个机械机器的操作条件数据供应给预先存在的故障分类器；至少基于第一多组信号通过使用迁移学习来修改预先存在的故障分类器还包括另外基于第一多个机械机器的第一多组操作条件数据，通过使用迁移学习，来修改预先存在的故障分类器。
优选地，识别故障包括识别至少一个给定机械机器的特定故障以及在不对至少一个给定机械机器执行推荐的维护操作的情况下预测由于特定故障而导致至少一个给定机械机器的故障，其中，至少一个给定机械机器在不执行推荐的维护操作的情况下确实会发生故障。
优选地，预先存在的故障分类器包括神经网络，以及修改预先存在的故障分类器包括将至少一个映射层添加到神经网络，除了添加至少一个映射层之外，神经网络未被修改以其它方式修改。
优选地，包括预先存在的故障分类器的神经网络包括数据层和用于从数据层接收数据的输入层，至少一个映射层被添加在数据层和输入层之间，从而所述至少一个映射层被配置为在修改修改后的故障分类器中从数据层接收数据。
优选地，第一多个传感器具有第一频率响应分布，以及第二多个传感器具有第二频率响应分布，映射层被配置为在第一频率响应分布和第二频率响应分布之间映射。
根据本发明的方法的一个优选实施例，第一多个传感器被操作为感测与由第二多个传感器感测的信号的类型相同的类型的信号。
优选地，相同的类型的信号包括振动信号、磁通信号、电流、温度和机器内部压力信号中的一种。
根据本发明的另一优选实施例，第一多个传感器和第二多个传感器被操作为感测相互不同类型的信号。
优选地，相互不同类型的信号包括振动和磁通信号；振动和电流信号；振动和温度信号；电流和磁通信号；以及振动和机器内部压力信号中的至少一者。
优选地，如由第一多组操作条件数据指示的第一多个机械机器中的一机械机器的操作状态中的至少一些操作状态是故障操作状态。
根据本发明的又一优选实施例，第一多个机械机器的第一多组信号和第一多组操作条件数据包括少于30组故障操作状态。
根据本发明的另一优选实施例，还提供了一种用于识别至少一个机械机器的故障的系统，所述系统包括：第一多个传感器，第一多个传感器结合到对应的第一多个机械机器并且被操作为获取从第一多个机械机器发出的第一多组信号，第一多个机械机器共享至少一个特性；数据处理单元，被操作为：接收第一多个机械机器的第一多组信号，数据处理单元包括预先存在的故障分类器，预先存在的故障分类器被预先训练为基于从第二多个机械机器发出并由第二多个传感器预先获取的信号来自动对第二多个机械机器的操作状态进行分类，第二多个传感器具有与第一多个传感器的类型不同的类型，第二多个机械机器共享至少一个特性；至少基于第一多个机械机器的第一多组信号，通过使用迁移学习来修改预先存在的故障分类器，从而提供修改修改后的故障分类器，并且将修改修改后的故障分类器应用于由第一多个传感器中的至少一个传感器获取的并且从共享至少一个特性的至少一个给定机械机器发出的至少一个额外的信号组，修改修改后的故障分类器被配置为基于至少一个额外的信号组自动识别至少一个给定机械机器的至少一个故障，以及输出设备，与数据处理单元通信并且被操作为提供人类可感知输出，人类可感知输出至少包括至少一个给定机械机器的故障的识别，基于人类可感知输出执行修理或维护操作中的至少一个。
根据本发明的一个优选实施例，所述系统还包括数据收集单元，数据收集单元被操作为获得用于第一多个机械机器中的机械机器的第一多组操作条件数据，每组操作条件数据指示第一多个机械机器中的一机械机器的操作状态，每个操作状态与多组信号中的至少一组相关；数据处理单元被操作为接收第一多个机械机器的操作条件数据，并且另外基于第一多个机械机器的第一多组操作条件数据，通过使用迁移学习，来修改预先存在的故障分类器。
优选地，识别故障包括识别至少一个给定机械机器的特定故障以及在不对至少一个给定机械机器执行推荐的维护操作的情况下预测由于特定故障而导致至少一个给定机械机器的故障，其中，至少一个给定机械机器在不执行推荐的维护操作的情况下确实会发生故障。
优选地，预先存在的故障分类器包括神经网络，以及修改预先存在的故障分类器包括将至少一个映射层添加到神经网络，除了添加至少一个映射层之外，神经网络未被修改以其它方式修改。
优选地，包括预先存在的故障分类器的神经网络包括数据层和用于从数据层接收数据的输入层，至少一个映射层被添加在数据层和输入层之间，从而所述至少一个映射层被配置为在修改修改后的故障分类器中从数据层接收数据。
优选地，第一多个传感器具有第一频率响应分布，以及第二多个传感器具有第二频率响应分布，映射层被配置为在第一频率响应分布和第二频率响应分布之间映射
根据本发明的系统的一个优选实施例，第一多个传感器被操作为感测与由第二多个传感器感测的信号的类型相同的类型的信号。
优选地，相同的类型的信号包括振动信号、磁通信号、电流、温度和机器内部压力信号中的一种。
根据本发明的系统的另一优选实施例，第一多个传感器和第二多个传感器被操作为感测相互不同类型的信号。
优选地，相互不同类型的信号包括振动和磁通信号；振动和电流信号；振动和温度信号；电流和磁通信号；以及振动和机器内部压力信号中的至少一者。
优选地，如由第一多组操作条件数据指示的第一多个机械机器中的一机械机器的操作状态中的至少一些操作状态是故障操作状态。
根据本发明的系统的又一优选实施例，第一多个机械机器的第一多组信号和第一多组操作条件数据包括少于30组故障操作状态。
附图说明
将结合附图，根据下面的详细描述更充分地理解和领会本发明，在附图中：
图1是根据本发明的优选实施例构造和操作的用于机械机器故障识别的系统的简化的高级框图；
图2是示出根据本发明的另一优选实施例的构造和操作的用于机械机器故障识别的系统的简化高级框图；
图3是如由图1或图2中所示类型的系统执行的故障分类器的修改的简化图；
图4A和图4B是示出用于训练在图1或图2的系统中使用并且由图1或图2的系统修改修改后的故障分类器的相应的系统的组件的简化的相应框图；
图5A至图5D是示出用于机械机器的故障识别的图1或图2中所示类型的系统的性能的曲线图；
图6是示出根据本发明的优选实施例的机械机器故障识别的方法中包括的步骤的简化流程图。
具体实施方式
现在参照图1，图1是根据本发明的优选实施例构造和操作的用于机械机器故障识别的系统的简化的高级框图。
如图1中所示，提供了一种用于机械机器故障识别的系统100。系统100优选地包括第一类型(在此表示为传感器类型S1)的第一多个传感器102。所有传感器102可以具有相同类型(例如，如在此示出的传感器类型S1)。可选地，第一多个传感器102可以包括多于一种类型(例如，传感器类型S1、S11至S1N，如图2中所示)的传感器，此后将对其进行更详细地描述。传感器102优选地结合到相应的第一多个机械机器104。在此，作为示例，第一多个机械机器104被示出为包括机械机器1、机械机器2至机械机器N，其中，N可以是任何数量的机械机器(诸如两个或更多个机械机器)。典型地，传感器102以一对一对应的布置结合到机械机器104，其中传感器102中一个传感器102结合到机器104中的对应的一个机器104。然而，其它布置也是可能的，其中单个传感器可以布置成感测来自多于一个机械机器104的信号。传感器102可以是物理接触机器104(诸如直接或间接地安装在机器104上)。例如，在传感器102是光学传感器的情况下，传感器102可以可选地与机器104物理分离(诸如位于距机器104给定距离处)。
传感器102可以实施为可操作为感测从机械机器104发出的信号的任何类型的感测设备。具有运动部件的机器和机械系统(诸如包括轴承、转子或轴的机器或电机、发动机、压缩机、泵、风扇、齿轮箱、冷却器等)可以在其操作期间产生信号。机械机器104可以是前述类型的机械系统中的任何一种，或者可以是在其操作期间产生信号的其它类型的机械系统中的任何一种。传感器102优选地可操作为感测这种信号。对感测信号的分析可以用于确定发出感测信号的机器的状况，并且在一些情况下用于确定发出信号的机器的故障。仅作为非限制性示例，传感器102可以全部是相同类型的振动传感器(诸如全部是单轴加速度计或全部是多轴加速度计)，以用于感测从机器104发出的振动；传感器102可以全部是感测从机器104发出的磁通的相同类型的磁通传感器；传感器102可以全部是感应由机器104产生的电流变化的相同类型的电流传感器；传感器102可以全部是感测由机器104产生的热的相同类型的温度传感器。应当理解，传感器102可以可选地全部是能够感测从机器104发出并由机器104产生的信号(包括诸如转矩、位移、输入线路频率等的与机器操作相关的信号)的相同类型的任何其它种类的传感设备。传感器102可以可选地包括两种或更多种类型的传感器(诸如仅作为示例的磁通传感器和振动传感器)。
作为第一多个机械机器104的构件的机械机器1至机械机器N优选地以一个或更多个共享特性为特征。机械机器1至机械机器N可以是相同的机器或可以不是相同的机器，只要机械机器1至机械机器N共同具有至少一个共享特性即可。例如，共享特性可以指类型、型号、制造商、物理特性或尺寸、操作特性或参数或者其它共享特性(所述其它共享特性指示多个机械机器中的一个机械机器的观察到的行为可以是多个机械机器中的另一机械机器的典型)。
第一多个传感器102优选地可操作为获取从第一多个机械机器104发出的第一多组信号。所述多组信号可以是由传感器102中的适当的一传感器102在短时间段内感测到的“信号快照”。例如，可以在几秒(诸如1秒至4秒)的时段内感测信号。每组信号可以可选地包括随时间推移的多个“信号快照”(例如，在几小时、几天或甚至几个月的时段内每小时测量的四秒“信号快照”)。可选地，每组信号可以包括在一较长时段或多于一个时间段内连续监测的信号。例如，可以连续地每毫秒监测信号。
由传感器102获取的信号可以例如通过传感器102自身的模拟或数字处理能力或者通过其它硬件和/或软件信号处理组件108进行预处理。应当理解，尽管图1中示出了信号处理器108作为与传感器102分离的元件，但是信号处理功能可以并入一个或更多个传感器102内。信号预处理可以包括信号的数字化、压缩、特征提取和在时域或频域中表示中的至少一种。
在本发明的一个实施例中，由第一多个传感器102获取的多组信号可以上传到远程服务器(诸如云中的服务器)。信号处理功能108可以在远程服务器处执行。优选地，由第一多个传感器102获取的多组信号随着它们从第一多个机器104获取而被累积。例如，多组信号可以在云中的服务器处累积。
系统100可以可选地包括数据收集单元110。数据收集单元110可以可操作为接收关于多个机械机器104中的一机械机器的第一多组操作条件数据，每组操作条件数据指示第一多个机械机器104中的一机械机器的操作状态，每个操作状态与由第一多个传感器102获取的多组信号中的至少一组相关。
在数据收集单元110处收集的操作状态数据优选地呈由诸如工程师的人类专家供应的机器状态诊断的形式。由第一多个传感器102获取的多组信号可选地由传感器102直接或间接地和/或由信号处理器108提供给数据收集单元110。人类专家可以可选地分析由第一多个传感器102获取的多组信号，并且将所述多组信号中的每组信号标记为表示从其发出信号的对应机械机器104的特定操作状态。人类专家可以与用户接口交互(例如，与数据收集单元110的用户接口交互，或者与能够在人类专家和数据收集单元110之间进行通信的另一设备的用户接口交互)，以输入操作状态数据。施加到数据收集单元110的信号和标签可以被累积并存储在数据收集单元110中的数据库中。在本发明的一个实施例中，数据收集单元110可以位于诸如云中的服务器的远程服务器中。
由人类专家识别故障可以包括识别被监测的机器104的一个或更多个特定故障。根据被监测的特定机器104，识别的特定故障可以包括旋转机器的轴承磨损、机械松动、未对准、不平衡、电气故障或其它故障。识别故障可以可选地包括识别机器104处于故障状态(即，相对于识别机器104的正常的、健康的操作状态的异常状态)，但不识别特定故障。在这种情况下，人类专家故障识别将机器识别为未以健康方式操作，但不识别不健康操作的具体原因是什么。
无论由信号表示的特定操作状态是否被人类专家标记，由传感器102获取的多组信号可以包括与机器104的正常的、非故障的操作状态对应的多组信号和与机器104的不正常的、故障的操作状态对应的多组信号。
可选地，由传感器102获取的多组信号不一定包括与机器104的不健康的故障操作状态对应的多组信号。根据本发明的该实施例，由传感器102监测的机器104可以全部处于健康的操作状态。因此，多组组信号和可选地相关的机器操作状态可以全部对应于机器操作的健康状态。
从第一多个机器104累积的多组信号优选地供应给包括在系统100中的预先存在的故障分类器114。在系统100还包括数据收集单元110以及信号被标记的情况下，标记的信号优选地由信号预处理器108和数据收集单元110联合提供给预先存在的故障分类器114。
预先存在的故障分类器114可以是算法分类器。例如，预先存在的故障分类器114可以被存储为远程服务器。系统100可以包括非瞬时性计算机可读存储介质，所述非瞬时性计算机可读存储介质具有存储在其上的计算机可执行指令，所述计算机可执行指令用于由处理器执行预先存在的故障分类器114的功能。执行预先存在的故障分类器114的一个或更多个处理器可以是例如位于云中的远程处理器，或者可以是本地处理器。
预先存在的故障分类器114优选地是下述故障分类器，所述故障分类器已经被预先训练为基于从第二多个机械机器发出并由第二多个传感器预先获取的信号来自动识别第二多个机械机器的故障，第二多个传感器具有与第一多个传感器102的类型不同的类型。第二多个传感器可以全部具有彼此相同的类型，第二多个传感器的所述类型可以不同于第一多个传感器102中的传感器的一种或多种类型。可选地，第二多个传感器可以全部具有彼此相同的类型，第二多个传感器的所述类型可以不同于第一多个传感器102中的传感器的类型中的至少一种。第二多个传感器可以可选地包括多于一种类型的传感器，这些类型可以全部是与第一多个传感器中的一种或多种传感器的类型不同的类型。第二多个传感器可以可选地包括多于一种类型的传感器，所述类型可以是与第一多个传感器102中的传感器的类型中的至少一种类型不同的类型。第二多个机械机器优选地共享由第一多个机械机器104共享的至少一个机械特性。
应当理解，故障分类器114在此被称为“预先存在的”，因为它可以相对于由传感器102从机器104获取的多组信号和可选的操作条件数据预先存在。故障分类器114可以在包括机器104的多组信号和可选的操作条件数据的数据集的生成之前在较早的时间点预先生成。
优选地，故障分类器114是精确的分类器，所述精确的分类器被配置为基于由第二多个传感器获取的信号来准确地识别共享至少一个公共特性的机械机器中的故障。故障分类器114可以是这种准确的分类器，这是因为已经基于包括从大量机器获取的信号和可能相关的操作条件数据的大数据集使用机器学习进行了预先训练。如本领域技术人员所熟知的，为了训练机器学习故障分类器的目的而提供给机器学习故障分类器的数据量越大，分类器可以执行得越准确，直到给定的极限。例如，故障分类器114可以使用从超过40000个单独的旋转机器(包括电动机、泵、风扇、冷却器、压缩机和齿轮箱)感测的数据来训练。这种机器共享的共同特征可以是在其中包括轴承。以下描述图3至图4B中所示的故障分类器114可以如何被预先训练的示例。
因此，预先存在的故障分类器114可以基于依据其训练了故障分类器114的数据，成功地应用到从机械机器中的具有共享特性的机械机器发出的信号，以便识别其故障。然而，应当注意，故障分类器114基于由具有与第一多个传感器102的类型不同的类型的一种或多种特定类型的传感器(即，第二多个传感器)获取的信号来进行预先训练。结果，故障分类器114能够在应用到由特定传感器(基于所述特定传感器训练了故障分类器114)获取的信号时最成功地分类和识别故障。然而，在供应给故障分类器114的信号由与第二多个传感器(基于所述第二多个传感器训练了故障分类器114)的类型不同的类型的传感器获取的情况下，故障分类器114将不能基于这些信号准确地分类和识别故障。这是由于训练故障分类器114所基于的传感器(即，第二多个传感器)与已经获取了需要分类的当前信号的传感器(例如，第一多个传感器S1或第一多个传感器S1至S1N)之间的传感器特性的差异。
甚至如果故障分类器114是用于基于由第二多个传感器获得的信号来识别故障的高度精确的分类器，则故障分类器在识别由不同类型的传感器(例如，第一多个传感器S1或者S1至S1N(图2))获得的故障时使用(如果有的话)有限。如果故障分类器114应用于由第一多个传感器获取的信号，则结果将不准确。
这可以通过参考两种类型的振动传感器(诸如三轴加速度计和单轴加速度计)的情况来举例说明，所述两种类型的振动传感器感测由机械机器产生的振动信号。这两种类型的振动传感器在诸如几何形状、质量、内部材料等的各种参数上彼此不同，导致各个传感器的惯性矩和谐振频率的差异。结果，传感器具有相互不同的频率响应。由于两种传感器之间的固有差异，由被监测的机械机器产生的特定信号将被两种传感器不同地感测和记录。此外，如果两种传感器安装在被监测的机器上的不同位置处，则由于传感器沿着相互不同的测量轴线测量以及由于因位置差异而测量的不同振动水平，这种差异甚至将进一步加剧。
例如，在三轴加速度计和单轴加速度计安装在圆柱形机器上的情况下，两种类型的加速度计将测量相互不同的振动水平，因为三轴加速度计将测量沿一个轴的径向振动和沿两个轴的切向振动，而单轴加速度计将测量径向(或直接)振动。
因此，当应用到由不同类型的传感器获取的相同类型的信号(例如，由单轴加速度计获取的振动信号)时，利用从一种类型的传感器获取的信号(例如，由三轴加速度计获取的振动信号)训练的故障检测分类器的使用将导致不正确的分类结果。
这可以通过参考感测不同类型的信号的两种类型的传感器(诸如分别感测从特定机械机器发出的振动和磁通信号的振动传感器和磁通传感器)的更极端的情况来进一步举例说明。使用由一种类型的传感器获取的数据(例如，由振动传感器获取的振动信号)训练的故障检测分类器将被限制为对振动信号进行分类，并且如果应用于识别例如由同一机器生成的磁通信号中的故障，则将提供几乎不相关的不良结果。
为了提供下述故障分类器(所述故障分类器能够将由不同类型的传感器获取的信号准确地分类为先前训练了故障分类器所基于的信号)，可以基于由不同类型的传感器(例如，第一多个传感器S1或S1、S1至S1N(图2))获取的信号来训练全新的故障分类器。在这种情况下，不利用预先存在的故障分类器114，并且开发新的故障分类器，以便识别诸如机器104中的机械机器的故障。然而，为了使这种新的分类器提供准确的故障识别，必须向这种新的分类器提供由不同类型的传感器(例如，第一多个传感器S1或第一多个传感器S1至S1N(图2))获取大量的新数据，并且必须基于大量的新数据来训练故障分类器。这种处理可能是冗长的，并且可能不能获得如此大量的数据。另外，由于控制机器信号的频率依赖性的许多参数(诸如传感器安装位置、定向、安装类型等)，这种处理在性能和适用范围方面也受到高度限制。此外，在这种方法中，由于根本不应用先前的故障分类器114，所以简单地浪费而不是利用原始的预先存在的故障分类器114的能力。
本发明有利地提供了一种为解决下属问题的方案：基于从特定的一类型或更多种类型的传感器获取的数据进行训练的故障分类器由于传感器特性的差异而在对从不同的一类型或更多种类型的传感器获取的信号进行分类时使用(如果有的话)有限。有利地，本发明不需要基于来自不同类型传感器的信号的新分类器的“从头开始”训练。相反，本发明利用迁移学习方法(用于在训练预先存在的分类器所基于的原始传感器类型和依据其获得需要分类的新数据的新的不同的传感器类型之间映射)。
本发明可以基于相应不同传感器类型的不同传感器频率响应分布之间的映射通过修改(modify，也被称为修饰、改进)预先存在的分类器114来利用预先存在的分类器114，并且仅需要来自不同类型的传感器(例如，第一多个传感器102)的小数据集，以便执行这种映射和修改。因此，在本发明的优选实施例中，可以基于原始的预先存在的分类器114和从与预先存在的分类器114所基于的一种或更多种类型的传感器不同的一种或更多种类型的传感器获取的小的新数据集来产生修改修改后的分类器。尽管向所述修改修改后的分类器供应了小数据集，但是所述修改修改后的分类器可以能够准确地识别由不同类型的传感器(例如，第一多个传感器102)获取的信号中的故障。修改修改后的分类器利用原始的预先存在的分类器114并将其映射到不同类型的传感器(例如，第一多个传感器102)，以便精确地适用于由不同类型的传感器获取的信号。
然而，应当注意，即使在使用来自不同类型的传感器(例如，第一多个传感器102)的大的、高质量的数据集的情况下，本发明也可以是有用的。虽然在这种情况下，由于可以使用大的、高质量的数据集，所以可以训练新的专用分类器以提供足够的结果，但是为了利用原始的预先存在的分类器的能力，使用迁移学习来修改预先存在的分类器仍然是有利的。因此，虽然期望本发明在数量和/或质量方面没有足够的数据来训练新的分类器的情况下是最有用，但是本发明在可获得大的、高质量的数据集的情况下也是有用的。
在使用由特定的一类型或更多种类型的传感器获取的信号训练的预先存在的精确故障分类器的情况下，本发明因此提供了一种用于修改分类器的解决方案，以便能够准确地对由与训练故障分类器所基于的特定的一类型或更多种类型的传感器的类型不同的任何其它的一类型或更多种类型的传感器获取的信号进行分类，其中，从机器发出的这些信号与先前训练分类器所基于的那些机器的信号具有至少一个共享特性。这可以被称为传感器无关方法，其中，分类器可以被校准以能够应用于由任何传感器获取的数据，而不管由传感器收集的源数据的类型和/或结构。
本发明的方法可以适用于由不同类型的振动传感器获取的相同类型的信号(例如，振动信号)的情况。其结果如图5A至图5C中所示。本发明的方法也可以适用于由不同类型的传感器(例如，振动传感器和磁通传感器)获取的不同类型的信号(例如，振动信号和磁信号)的情况。其结果如图5D中所示。
在两种情况下，可以基于传感器频率响应分布之间的映射来修改原始的预先存在的分类器，以便创建能够识别由与训练预先存在的分类器所基于的传感器的类型不同的类型的传感器获取的信号中的故障的修改修改后的分类器。在这两种情况下，修改修改后的分类器可以应用于由与训练预先存在的分类器所基于的传感器的类型不同的类型的传感器获取的信号，并且精度比通过应用呈其原始的未修改形式的预先存在的分类器而获得的精度大。此外，在这两种情况下，修改修改后的分类器可以应用于由与训练预先存在的分类器所基于的传感器的类型不同的类型的传感器获取的信号，并且精度比与仅使用由不同类型的传感器获取的信号进行训练的新分类器获得的精度大。
已经在上文中关于从机器104获取信号和可选的相关操作条件数据的传感器102描述了从不同类型的传感器(例如，第一多个传感器102)获得小的新数据集。由图1的系统获取小数据集优选地通过包括在在虚线框115中的那些元件来实现。
在图1中所示的本发明的实施例中，第一多个传感器102优选地全部是相同类型(即，传感器类型S1)的传感器。然而，如前所述，第一多个传感器102可以可选地包括多于一种类型的传感器。图2示出了系统100的可选实施例(在此表示为系统100A)，示出了在第一多个传感器102中包括多于一种类型的传感器。现在转到图2，第一多个传感器102可以包括在多个机器104的机器1至N中的每个上的传感器S1、S11至S1n。应当理解，第一多个传感器102可以包括任意数量的传感器S1至S1N(诸如两个或更多个传感器)。这些传感器可以是例如振动传感器、磁通传感器、电流传感器、温度传感器或用于感测与机器104的操作相关的其它参数(诸如转矩、位移、输入线路频率等)的传感器的组合。传感器S1、S11至S1N可以彼此具有相互不同的类型，但是对于结合到机器104中的每个的传感器组优选地具有相同的类型。然而，应当理解，系统100A可以允许来自传感器102中的一个的一些丢失数据的情况，所述丢失数据可以例如通过使用多元统计来估算。
除了在系统110A中多种类型的传感器包括在第一多个传感器102中之外，系统100A可以大体类似于系统100，并且系统100的描述也大体适用于系统100A。
继续参照图1和图2，小的新数据集(可以基于所述小新数据集通过映射学习来修改预先存在的分类器114以提供修改修改后的分类器)可以包括比最初训练预先存在的分类器114所基于的数据的量少得多的数据。例如，小的新数据集可以包括第一多组信号中的每者的小于400组、小于300组、小于200组、小于100组、小于50组或小于30组，并且可选地包括第一多个机械机器104的第一多组操作条件数据。此外，小的新数据集可以是与第一多个机械机器104中的一机械机器的故障操作状态对应的更小数量的多组信号(诸如与第一多个机械机器104中的一机械机器的一故障操作状态对应的少于100组、少于90组、少于80组、少于70组、少于60组、少于50组、少于30组或少于20组的多组信号)。如上所述，在一些情况下，小的新数据集甚至可能不包括与第一多个机械机器104中的一机械机器的故障操作状态对应的信号。这与可以已经训练预先存在的分类器114所基于的大得多的数据集(诸如几千个样本)形成对照。
应当理解，第一多个传感器102与训练预先存在的分类器114所基于的第二多个传感器不同，但是机器104优选地彼此共享两者的共同的特性并且与训练预先存在的分类器114所基于的机器共享共同的特性。机器104可以与预先训练预先存在的分类器114所基于的那些机器相同，也可以不相同。
由第一多个传感器102获取的第一多组信号以及可选地在第一多个机械机器104的数据收集单元110处收集的第一多组操作条件数据可以供应给预先存在的故障分类器114。第一多组信号可以在提供给预先存在的故障分类器114之前由信号处理器108进行预处理。
随后，预先存在的故障分类器114优选地基于多组信号以及可选地基于第一多个机械机器104的多组操作条件数据被修改，从而产生修改修改后的分类器116。
修改修改后的分类器116可以是可由一个或更多个处理器执行的算法分类器，所述算法分类器可以是与执行预先存在的分类器114的处理器相同或不同的处理器。例如，预先存在的分类器114和修改修改后的分类器116可以体现在数据处理单元内。执行预先存在的故障分类器116的一个或更多个处理器可以是例如位于云中的远程处理器，或者可以是本地处理器。例如，执行修改修改后的分类器116的一个或更多个处理器可以位于传感器102中的多个传感器102内。
预先存在的故障分类器114通过将分类器调整为包括由传感器102获取的多组信号和可选地包括第一多个机械机器104的多组操作条件数据的新数据集而被修改。例如，如图1中所示，在第一多个传感器102仅包括传感器类型S1的情况下，修改修改后的分类器116可以可适于传感器类型S1。进一步作为示例，如图2中所示，在第一多个传感器包括多个传感器类型S1、S11等的情况下，修改修改后的分类器116可以可适于那些多个传感器类型。通过调整预先存在的分类器114以产生修改修改后的分类器116，对分类器进行校准以用于与原始训练分类器所基于的数据集不同的数据集。调整包括先前训练分类器114所基于的原始传感器特性与第一多个传感器102的传感器特性之间的映射。
在本发明的一个实施例中，调整包括先前训练分类器114所基于的原始多个传感器的传感器频率响应分布与第一多个传感器102的传感器频率响应分布之间的映射。映射可以在传感器频率响应分布之间，而不是简单地在传感器频率响应之间，因为可以分布先前训练分类器114所基于的传感器的频率响应和第一多个传感器102的频率响应两者。这种分布可能由于每个多个传感器之间的实际变化(诸如机器特性的变化、传感器位置的变化、传感器安装、传感器安装的确切类型等)而产生。新分类器分数
映射可以以监督的方式执行。在这个实施例中，数据收集单元110可以包括在系统100中，并且标记的信号供应给预先存在的故障分类器114。下面参照图3来提供关于如何通过以监督方式在传感器之间映射来修改预先存在的故障分类器114的更多详情。
所述映射可以可选地以无监督的方式执行。在这种情况下，数据收集单元110不必包括在系统100中，并且没有关联的操作状态的信号供应给预先存在的故障分类器114。可以通过无监督学习来修改预先存在的故障分类器114，以映射在先前训练分类器114所基于的传感器的传感器频率响应分布与新传感器(例如，第一多个传感器102)的传感器频率响应分布之间的差异。
所述映射可以可选地以半监督的方式执行，其中，标记的信号供应给预先存在的故障分类器114，并且以无监督的方式执行传感器之间的映射以产生修改修改后的分类器116。下面参照图3至图4B来提供关于无监督映射的更多详情。
修改修改后的分类器116已经通过映射被调整以用于来自第一多个传感器102的数据，修改修改后的分类器116现在准备用于对由与第一多个传感器102的类型相同的一类型或更多种类型的传感器获取的信号进行分类。
用于识别由与第一多个传感器102的类型相同的类型的传感器获取的信号中的故障的修改分类器116的使用示例进一步示出在图1和图2中。如图1和图2中所示，至少一个传感器122(例如，图1中的传感器S1和图2中的传感器S1至S1N)可以获取从至少一个给定机械机器(在此被描绘为机械机器X，由附图标记124表示)发出的至少一组信号。机械机器124可以与第一多个机械机器104以及基于训练预先存在的故障分类器114所依据的信号的多个机械机器共享至少一个特征。机械机器124可以是或者可以不是第一多个机械机器104的构件。应当理解，尽管机械机器124在此示出为实施为单个机器，但这仅出于简单起见，系统100可以包括可以彼此相同或不相同的任何数量的机械机器124(诸如一个、两个或更多个机械机器124)，只要机械机器124如上所述地共享至少一个特性即可。
至少一个传感器122是第一多个传感器102中的一个，这意味着传感器122具有与第一多个传感器102的类型相同的类型。如图1中所示。在第一多个传感器102包括单一类型的传感器(即，传感器S1)的情况下，传感器122也具有传感器类型S1。如图2中所示，在第一多个传感器102包括多种类型的传感器(即，传感器S1至S1N)的情况下，至少一个传感器122还包括相同的多种类型的传感器(即，传感器S1至S1N)。至少一个传感器122优选地可操作为获取从给定机械机器124发出的至少一组信号。所述至少一组信号可以是由至少一个传感器122在短时间段内感测到的“信号快照”。例如，可以在几秒(诸如1秒至4秒)的时段内感测信号。所述至少一组信号可以可选地包括随时间推移的多个“信号快照”(例如，在几小时、几天或甚至几个月的时段内每小时测量四秒“信号快照”)。可选地，所述至少一组信号可以包括在一较长时段或多于一个时间段内连续监测的信号。例如，可以连续地每毫秒监测信号。
由至少一个传感器122获取的信号可以例如通过传感器122自身的模拟或数字处理能力或者通过其它硬件和/或软件信号处理组件128进行预处理。应当理解，尽管图1和图2中示出了信号处理器128作为与至少一个传感器122分离的元件，信号处理功能可以并入一个或更多个传感器122中。信号预处理可以包括数字化、压缩、特征提取和在时域或频域中的信号表示中的至少一个。
在本发明的一个实施例中，由至少一个传感器122获取的信号可以上传到远程服务器(诸如云中的服务器)。信号处理功能128可以在远程服务器处执行。
从至少一个给定机械机器(在此以示例的方式实施为机械机器X)发出且由至少一个传感器(在此以示例的方式实施为传感器122)获取的一组信号可以提供给修改修改后的分类器116。修改修改后的分类器116可以被配置为基于从其发出的一组信号自动识别机械机器X的至少一个故障。应当理解，由于修改修改后的分类器116已经被调整为对由第一多个传感器102的类型的传感器获取的信号进行分类，修改修改后的分类器116可以精确地应用于由至少一个传感器122获取的信号。
由修改修改后的分类器116识别故障可以包括识别被监测的机器104的一个或更多个特定故障。根据被监测的特定机器104，识别的特定故障可以包括旋转机器的轴承磨损、机械松动、未对准、不平衡、电气故障或其它故障。
识别故障可以可选地包括识别机器X处于故障状态(即，相对于机器X的正常的、健康的操作状态的异常状态)，但不识别特定故障。在这种情况下，故障识别将机器识别为未以健康方式操作，但不识别不健康操作的具体原因是什么。
系统100和100A可以另外包括输出设备130。输出设备130可以可操作为接收由修改修改后的分类器116输出的故障识别并提供人类可感知输出，所述人类可感知输出至少包括至少一个给定机械机器124的故障的识别。人类可感测输出可以包括视觉、触觉或听觉输出中的至少一个。优选地，修理或维护操作中的至少一个基于所述人类可感知输出来执行。
例如，在修改修改后的分类器116由远程处理器可执行的情况下，由修改修改后的分类器116输出的故障识别传送到输出机器130。
输出设备130还可以可操作为在不对至少一个给定机械机器124执行推荐的维护操作的情况下提供对由于由修改修改后的分类器116识别的故障而导致的至少一个给定机械机器124的故障的预测，其中，在不执行推荐的维护操作的情况下，至少一个给定机械机器124将确实发生故障。
在一些情况下，可以响应于由输出机器130提供的人类可感知输出，对给定机器124执行维护132。输出设备130可以可选地可操作地结合到机器124的控制器，并且可以响应于故障识别来调节机器124的操作。例如，机器124可以关闭，可以以减小的功率操作，或者以其它方式调整。这种调整可以是自动的，或者可以由人类专家响应于由输出机器130提供的人类可感知输出来指导。
现在参照图3至图4B提供预先存在的分类器114本身的更多详情以及为了产生修改修改后的分类器116可以如何调整或校准预先存在的分类器114，图3至图4B分别是如由图1和图2中所示类型的任一系统执行的分类器的修改的简化图以及示出用于训练在图1或图2的系统中使用的分类器的两个可能系统的组件的简化的相应框图。在本发明的一个实施例中，系统100和100A可以包括非瞬时性计算机可读存储介质，所述非瞬时性计算机可读存储介质具有存储在其上的计算机可执行指令，所述计算机可执行指令用于由处理器执行分类器的修改方法(如下面关于图4A和图4B详细描述的)。这种处理器可以是远程处理器或本地处理器。
如图3中所示，预先存在的故障分类器114可以是用于监督故障和异常检测的人工神经网络(ANN)分类器300。例如，ANN300可以被配置为识别具有旋转组件的机器中的特定故障或性能异常。在不丧失一般性的情况下，具有多层感知器架构的故障分类器114示出在图3中。然而，应当理解，本发明的系统和方法可以应用于任何类型的故障分类器，而不管其结构如何。更具体地，为了说明本发明的原理，图3中所示的层数和神经元仅作为高度简化的示例。此外，预先存在的故障分类器114可以是如上所述的无监督故障分类器(诸如自编码器、深度信念网络、基于聚类的分类器、K均值(K-means)或隐藏马尔可夫模型或者能够执行无监督学习的任何其它类型的模型)。
图3中的上面板302示出了根据本发明的、在分类器114训练之后并且为了在传感器类型之间映射而在其任何修改之前呈其原始的未修改形式的存在的分类器114的示例。
预先存在的分类器114可以具有多层架构。数据层308可以是以多组传感器信号的形式包括输入数据的层。输入层310可以是将传感器信号组输入到网络300中的初始层。在多个后续隐藏层312中的每个处，在将信号集转发到隐藏层312的下一层之前，将信号集与各自的权重和应用于组合层输出的激活函数融合。针对隐藏层312的每一层重复所述处理自身，直到到达输出层314。输出层314产生故障分数。所述分数表示故障的识别。识别故障可以包括识别当前特定故障或异常或预测未来即将发生的特定故障。故障可以包括任何类型的机器异常。
在网络层内的图3的面板302中所示的ANN架构的一般数学表达式是：
Figure BDA0003527889800000201
其中，s是神经元输入，所述神经元输入对于第一层310是传感器信号，σ是激活函数，w是权重，b是偏置项，i和j分别是在层输入数据点和神经元上运行的索引。
为了产生预先存在的分类器114而对网络300进行训练可以通过另外参照图4A和图4B来更好地理解。
首先转到图4A，用于训练预先存在的分类器114的系统400可以包括第二多个传感器402。传感器402优选地结合到相应的第二多个机械机器404。第二多个传感器402可以全部具有相同的第二类型(在此表示为传感器类型S2)。可选地，传感器402可以包括结合到第二多个机械机器404中的每个对应的第二多个机械机器404的多种类型的传感器。第二多个传感器402包括多种类型的传感器的情况示出在图4B的系统400A中。除了系统400A在其中包括多种类型的传感器402之外，系统400A一般类似于系统400。现在转到图4B，应该理解，图4B中所示的第二多个传感器402可以包括任意数量的传感器S2至S2N(诸如两个或更多个传感器)。这些传感器可以是例如振动传感器、磁通传感器、电流传感器、温度传感器或用于感测与机器404的操作相关联的其它参数(诸如转矩、位移、输入线路频率等)的传感器的组合。传感器S2至S2N可以具有相互不同的类型，但是对于多组传感器中的与机器404的每个机器404结合的每组传感器优选地具有相同的类型。
传感器402(例如，传感器S2或传感器S2至S2N)可以不同于图1的第一多个传感器102或者不同于图2的第一多个传感器102的传感器类型S1-S1N。图1、图2、图4A和图4B中所示的实施例的任何组合是可能的。即，第一多个传感器102可以仅包括一种类型的传感器S1，第二多个传感器402可以仅包括与S1不同的一种类型的传感器S2(图1和图4A的实施例)；第一多个传感器102可以仅包括一种类型的传感器S1，第二多个传感器402可以包括多种类型的传感器S2至S2N，并且多种类型的传感器S2至S2N中的至少一些传感器不同于S1(图1和图4B的实施例)；第一多个传感器102可以包括多种类型的传感器S1至S1N，第二多个传感器402可以仅包括与S1至S1N中的至少一些不同的一种类型的传感器S2(图2和图4A的实施例)；第一多个传感器102可以包括多种类型的传感器S1至S1N，第二多个传感器402可以包括多种类型的传感器S2至S2N，并且多种类型的传感器S2至S2N中的至少一些传感器不同于S1至S1N(图2和图4B的实施例)。
在一些实施例中，第一多个传感器102和第二多个传感器402可以包括共同的一些传感器，例如，第一多个传感器102可以包括振动器和磁传感器，第二多个传感器402可以仅包括磁传感器。
在此，作为示例，第二多个机械机器404被示出为包括机械机器1、机械机器2至机械机器N，其中，N可以是任何数量的机械机器(诸如两个或更多个机械机器)。典型地，传感器402以一对一对应的布置结合到机械机器404，其中传感器402中一个传感器402结合到机器104中的对应的一个机器404。其它布置也是可能的，其中单个传感器可以布置成感测来自多于一个机械机器404的信号。传感器402可以是物理接触机器404(诸如直接或间接地安装在机器404上)。例如，在传感器402是光学传感器的情况下，传感器402可以可选地与机器404物理分离(诸如位于距机器404给定距离处)。
在本发明的一个实施例中，第二多个传感器402的传感器可以具有彼此大致相同的频率响应。第二多个传感器402的频率响应可以称为传感器402的频率响应分布。第一多个传感器102也可以具有彼此大致相同的频率响应。第一多个传感器102的频率响应可以称为传感器102的频率响应分布。由于传感器402具有与传感器102的类型不同的类型，第一多个传感器102的频率响应分布不同于第二多个传感器402的频率响应分布。例如，第一多个传感器102可以是单轴振动传感器，第二多个传感器402可以是多轴振动传感器，或者反之亦然，或者第一多个传感器可以是单轴振动传感器，第二多个传感器可以是磁通传感器。传感器102和402或者传感器402和102可以分别测量仅作为示例的振动和磁通信号；振动和电流信号；振动和温度信号；电流和磁通信号；以及振动和机器内部压力信号。
传感器402优选地可操作为感测从机械机器404发出的信号。作为第二多个机械机器404的构件的机械机器1至机械机器N优选地以彼此之间的一个或更多个共享特性以及与机械机器104的一个或更多个共享特性为特征。机械机器1至机械机器N可以是相同的机器或可以不是相同的机器，只要机械机器1至机械机器N共同具有至少一个共享特性即可。例如，共享特性可以指类型、型号、制造商、物理特性或尺寸、操作特性或参数或者其它共享特性(所述其它共享特性指示多个机械机器中的一个机械机器的观察到的行为可以是多个机械机器中的另一机械机器的典型)。
第二多个传感器402优选地可操作为获取从第二多个机械机器404发出的第二多组信号。所述多组信号可以是由传感器402中的适当的一传感器402在短时间段内感测到的“信号快照”。例如，可以在几秒(诸如1秒至4秒)的时段内感测信号。每组信号可以可选地包括随时间推移的多个“信号快照”(例如，在几小时、几天或甚至几个月的时段内每小时测量的四秒“信号快照”)。可选地，每组信号可以包括在一较长时段或多于一个时间段内连续监测的信号。例如，可以连续地每毫秒监测信号。
由传感器402获取的信号可以例如通过传感器402自身的模拟或数字处理能力或者通过其它硬件和/或软件信号处理组件408进行预处理。例如，信号处理可以是数字化、压缩、可从信号提取特征和可在时域或频域中的表示信号中的至少一种。
系统400和400A可以可选地包括数据收集单元410。数据收集单元410优选地可操作为接收关于第二多个机械机器中的机械机器的第二多组操作条件数据，每组操作条件数据指示所述第二多个机械机器404中的一机械机器的操作状态，每个操作状态与由第二多个传感器402获取的多组信号中的至少一个相关。
在数据收集单元410收集的操作状态数据优选地呈由诸如工程师的人类专家供应的机器状态诊断的形式。由第一多个传感器402获取的多组信号可选地由传感器402直接或间接地和/或由信号处理器408提供给数据收集单元410。
这些人类专家可以分析由第二多个传感器402获取的多组信号，并且将所述多组信号中的每组信号标记为表示从其发出信号的对应机械机器404的特定操作状态。人类专家可以与用户接口交互(例如，与数据收集单元410的用户接口交互，或者与能够在人类专家和数据收集单元之间进行通信的另一设备的用户接口交互)，以输入操作状态数据。施加到数据收集单元410的信号和标签可以被累积并存储在数据收集单元410中的数据库中。在本发明的一个实施例中，数据收集单元410可以位于诸如云中的服务器的远程服务器中。
由人类专家识别故障可以包括识别被监测的机器404的一个或更多个特定故障。根据被监测的特定机器404，识别的特定故障可以包括旋转机器的轴承磨损、机械松动、未对准、不平衡、电气故障或其它故障。识别故障可以可选地包括识别机器404处于故障状态(即，相对于识别机器404的正常的、健康的操作状态的异常状态)，但不识别特定故障。在这种情况下，人类专家故障识别将机器识别为未以健康方式操作，但不识别不健康操作的具体原因是什么。
应当理解，在该示例中，系统400/400A优选地包括数据收集器410，并且信号优选地被人类专家标记，以便以监督的方式训练故障分类器300。然而，在本发明的其它实施例中，可以省略数据收集器410并且无需由人类专家标记信号。在这种情况下，预先存在的故障分类器114可以通过使用无监督学习来进行最初训练。
现在返回图3的面板302，可以通过向网络300供应由第二多个传感器402获取的多组信号作为在层308处的输入数据并且向网络300供应由人类专家标记的相关的操作状态数据作为在输出层314处的所需的对应输出来训练网络300。可以关于预定义的数据标记使用反向传播和梯度下降算法来训练网络300。相对于输出分数优选地选择诸如损失函数、学习速率、优化器类型等的训练参数。例如，对于二进制故障检测，可以选择交叉熵损失函数、Adam优化器和L2正则化项。首先对所有传感器402在整个数据集中一致的数据集应用训练过程，这意味着对于数据点中的每个矢量，传感器402之间优选不存在混合。
一旦训练完成，优选地固定基于训练建立的网络300的参数。所述参数包括激活函数和权重。网络300现在基于由第二多个传感器402获取的传感器信号组构成预先存在的分类器(诸如预先存在的分类器114)。以面板302中所示的训练的网络300的形式的预先存在的分类器114现在被配置为准确地对新输入数据进行分类，所述新输入数据具有相同或相似结构并且从与训练预先存在的分类器114所基于的数据的源相同或相似的源获取。在这种情况下，以训练的网络300形式的预先存在的分类器114被配置为精确地对新输入信号进行分类，所述新输入信号从与机器404(图4A和图4B)具有共享的特性的机器发出并且由与第二多个传感器402(图4A和图4B)的类型相同的类型的传感器感测。然而，如上详细描述的，以训练的网络300形式的预先存在的分类器114不能准确地对由与第二多个传感器402的类型不同的类型的传感器(诸如第一多个传感器102)感测的新输入信号进行分类，尽管这些新的输入信号从与机器404(诸如第一多个机器104)具有共享的特性的机器发出。在这种情况下，分类器精度将显著降低以导致不同类型传感器的频率响应的差异。
为了使预先存在的分类器114能够准确地对来自与先前训练分类器所基于的传感器(例如，第二多个传感器402)的类型不同类型的传感器(例如第一多个传感器102)的信号组进行分类，可以修改预先存在的分类器114。根据本发明的优选实施例，对以网络300的形式的预先存在的分类器114的修改示出在图3的下面板440中。
如在图3的下面板440中所看到的。可以修改网络300以产生修改修改后的网络442。优选地，通过将至少一个附加层450添加到网络300来修改网络300。至少一个附加层450可以被称为“映射层”，并且被配置为在原始传感器类型(即，第二多个传感器402)和新传感器类型(即，第一多个传感器102)之间学习频率响应差异，其中，基于所述原始传感器类型(即，第二多个传感器402)训练以网络300形式的分类器114，从新传感器类型(即，第一多个传感器102)收集新数据。
映射层450的配置可以通过固定网络300的所有层的结构和参数并且利用从第一多个传感器102获取的新数据集来重新训练分类器来实现，如由以上关于图1和图2描述的虚线框115中包括的那些元件所提供的。以这种方式，由于网络442的所有其它层的参数已经被配置和固定并且不能被改变，所以网络442被强制相对于两个传感器的频率响应差异来优化映射层450的权重值。结果，映射层450被强制学习在由传感器402(图4A和图4B)提供的原始传感器信号组和由传感器102(图1和图2)提供的新的传感器信号组之间的映射。
可选地，网络300的所有层的结构和参数不必是固定的，而是可以利用从第一多个传感器102获取的新数据组在对分类器进行重新训练期间进行调整。在这种情况下，网络300的参数用作修改修改后的分类器442的调整参数的起点。
映射层450的配置优选地关于不同类型的传感器(例如，第一多个传感器102和第二多个传感器402)之间的频率响应差异的性质来选择。
在相同类型的不同传感器(例如，第一多个传感器102和第二多个传感器402两者是振动传感器，但是具有拥有不同频率响应的不同类型)之间映射的情况下，频率响应差异通常是信号频率的线性函数。
在不同类型的不同传感器(例如，第一多个传感器102和第二多个传感器402分别是具有不同频率响应的振动传感器和磁传感器)之间映射的情况下，频率响应差通常是非线性函数，因此需要非线性映射。相应地，激活函数可以(但不必)采取非线性形式。
在一些情况下，可以通过向映射层450提供更复杂形式的新传感器数据(例如，由第一多个传感器102获取的更复杂形式的信号)来辅助映射层450的映射。例如，可以提供逆数据、对数数据或其它形式的数据。可以相对于分类器精度来优化修改输入信号的处理，从而根据分类器精度性能反馈来修改新的传感器数据，然后利用修改修改后的数据来重新训练映射层450。
映射层450优选地并入网络442中作为数据层308之后的第一层，并且被这样配置以接收呈新数据集形式的输入数据。映射层450在原始输入层310的上游并且相对于输入数据在原始输入层310之前。映射层450在网络442中的位置是重要的，因为映射层450作为网络中的初始层的位置允许映射层450学习传感器类型之间的映射并且调整输入的新数据呈用于继续到网络442中下游的其它隐藏层312的适当的形式。
在本发明的可选的实施例中，可以通过将大量传感器数据提供给预先存在的故障分类器而以无监督的方式对预先存在的故障分类器进行最初训练，以便分类器学习如何识别与机器操作状况相关的传感器数据中的异常。例如，自动编码器NN可以用于学习传感器数据的低维表示和基于聚类的分类，然后用于识别离群值(异常)。根据本发明的优选实施例，这样的预先存在的无监督的故障分类器114然后可以以无监督的方式被修改，以便产生修改修改后的故障分类器116，修改修改后的故障分类器116被调整为识别由与最初训练预先存在的故障分类器114所基于的传感器的类型不同的类型的传感器获取的传感器数据中的异常。例如，可以通过将初始映射层添加到自动编码器NN、固定网络的除了映射层之外的所有层的参数以及训练映射层以学习原始传感器类型和新传感器类型之间的映射来产生修改修改后的故障分类器116。在映射层的训练期间，为了训练过程，可以在解码器之后的NN输出处另外添加另一映射层(诸如逆映射层)。然后可以使用基于聚类的分类来对输出进行分类，以便识别离散值(异常)。
作为本发明的映射学习的结果的分类器性能的修改在以下示例性图中示出：
在图5A中，以精度-召回率曲线的形式示出了本发明的修改修改后的分类器的的性能的示例。在该示例中，故障分类器基于包括超过100000个标记的信号组的数据集进行最初地训练和验证，超过100000个标记的信号组中的7000个信号组表示由单轴振动传感器从包括轴承的旋转机器获取的机器故障。在训练之后，基于包括20000个信号组的数据集测试故障分类器，20000个信号组中的1400个信号集对应于机器故障。这样训练的故障分类器可以被称为预先存在的故障分类器。
然后根据本发明的优选实施例对预先存在的分类器进行修改，以便能够基于从包括轴承的旋转机器由三轴振动传感器获得的信号来对故障进行分类。由三轴振动传感器获取且用于修改预先存在的故障分类器的信号的新数据集包括256个信号组的训练和验证数据集，在256个信号组中只有20组信号与故障机器状态(即，轴承磨损)相关。如上所述，基于这个非常小的信号组修改预先存在的故障分类器。
然后将修改修改后的故障分类器应用于7149个信号组的测试集，在7149个信号组中486个信号组与从用于故障检测的包括轴承的旋转机器由三轴振动传感器获得的信号的故障机器状态相关，以便测试其性能(线502)。为了比较起见，用相同的256组信号“从头开始”训练一全新的分类器，并将全新的分类器应用到相同的7149个信号组的测试集(线504)。为了比较的完整性，还将呈未修改形式的原始预先存在的分类器应用于7149个示例数据集(线506)。从图5A中可以清楚看出，尽管供应了极小的数据集，但是在故障识别中修改修改后的分类器的性能是最好的。尽管可以使用其它示例分数，但是图5A中列出的分数是平均精度分数。
在图5B中，以精度-召回率曲线的形式示出了本发明的修改修改后的分类器的的性能的示例。在该示例中，故障分类器基于包括超过100000个标记的信号组的数据集进行最初地训练和验证，超过100000个标记的信号组中的7000个信号组表示由单轴振动传感器从包括轴承的旋转机器获取的机器故障。在训练之后，基于包括20000个信号组的数据集测试故障分类器，20000个信号组中的1400个信号集对应于机器故障。这样训练的故障分类器可以被称为预先存在的故障分类器。
然后根据本发明的优选实施例对预先存在的分类器进行修改，以便能够基于从包括轴承的旋转机器由三轴振动传感器获得的信号来对故障进行分类。由三轴振动传感器获得且用于修改预先存在的故障分类器的信号的新数据集包括924个信号组，在924个信号组中只有70组信号与故障机器状态(即，轴承磨损)相关。如上所述，基于这个非常小的信号组修改预先存在的故障分类器。然后将修改修改后的故障分类器应用于6841个信号组的集，6841个信号组包括与从用于故障检测的包括轴承的旋转机器由三轴振动传感器获得的信号的故障机器状态对应的436组信号，以便测试其性能(线510)。为了比较起见，用相同的924组信号“从头开始”训练一全新的分类器，并还将全新的分类器应用到6841个示例数据集(线512)。为了比较的完整性，还将呈未修改形式的原始预先存在的分类器应用于6841个示例数据集(线514)。如考虑图5B可以清楚看出，尽管供应了极小的数据集，但是在故障识别中修改修改后的分类器的性能是最好的。尽管可以使用其它示例分数，但是图5B中列出的分数是平均精度分数。
在图5C中，以精度-召回率曲线的形式示出了本发明的修改修改后的分类器的的性能的示例。在该示例中，故障分类器基于包括超过100000个标记的信号组的数据集进行最初地训练和验证，超过100000个标记的信号组中的7000个信号组表示由单轴振动传感器从包括轴承的旋转机器获取的机器故障。在训练之后，基于包括20000个信号组的数据集测试故障分类器，20000个信号组中的1400个信号集对应于机器故障。这样训练的故障分类器可以被称为预先存在的故障分类器。
然后根据本发明的优选实施例对预先存在的分类器进行修改，以便能够基于从包括轴承的旋转机器由三轴振动传感器获得的信号来对故障进行分类。由三轴振动传感器获得且用于修改预先存在的故障分类器的信号的新数据集包括5924组信号，在924组信号中只有350组信号与故障机器状态(即，轴承磨损)相关。如上所述，基于这个非常小的信号组修改预先存在的故障分类器。然后将修改修改后的故障分类器应用于1481个示例信号组的集，1481个示例信号组包括与从用于故障检测的包括轴承的旋转机器由三轴振动传感器获得的信号的故障机器状态对应的56组信号，以便测试其性能(线520)。为了比较起见，用相同的5924组信号“从头开始”训练一全新的分类器，并还将全新的分类器应用到1481示例数据集(线522)。为了比较的完整性，还将呈未修改形式的原始预先存在的分类器应用于1481示例数据集(线524)。如考虑图5C可以清楚看出，在故障识别中修改修改后的分类器的性能是最好的。尽管可以使用其它示例分数，但是图5C中列出的分数是平均精度分数。
在图5D中，以精度-召回率曲线的形式示出了本发明的修改修改后的分类器的的性能的示例。在该示例中，故障分类器基于包括超过100000个标记的信号组的数据集进行训练和验证，超过100000个标记的信号组中的7000个信号组表示由单轴振动传感器从包括轴承的旋转机器获取的机器故障。在训练之后，基于包括20000个信号组的数据集测试故障分类器，20000个信号组中的1400个信号集对应于机器故障。这样训练的故障分类器可以被称为预先存在的故障分类器。
然后根据本发明的优选实施例对预先存在的分类器进行修改，以便能够基于从包括轴承的旋转机器由磁传感器获得的信号来对故障进行分类。由磁传感器获取且用于修改预先存在的故障分类器的信号的新数据集包括3411组信号，在3411组信号中只有222组信号与故障机器状态(即，轴承磨损)相关。如上所述，基于这个非常小的信号组修改预先存在的故障分类器。然后，将预先存在的故障分类器应用于754个信号的测试信号组，所述测试信号组仅包括与从用于故障检测的包括轴承的电机由磁传感器获得的机器故障对应的50个示例信号集，以便测试其性能(线530)。为了比较起见，用相同的3411组磁信号训练一全新的分类器，并还将全新的分类器应用到754示例磁数据集(线532)。为了比较的完整性，还将呈未修改形式的原始预先存在的分类器应用于相同的754示例磁数据集(线534)。如考虑图5D可以清楚看出，在故障识别中修改修改后的分类器的性能是最好的。尽管可以使用其它示例分数，但是图5D中列出的分数是平均精度分数。
在图5A至图5D的以上示例中，最初训练分类器114所基于的数据集由从多于40000个独立旋转机器(主要包括电动机、泵、风扇、齿轮箱、冷却器和压缩机)感测的数据组成。在三年的时段内记录轴承记录，轴承记录中的一些被测量多于一次。由单轴压电振动传感器沿三个轴线测量每个轴承。在新数据集包括来自三轴振动传感器的数据的情况下，这是MEMS三轴振动传感器。
如从上述数据明显地看出，数据集中的故障率约为7％。分类器被设计成检测单个轴承故障，使得即使在另外的非故障机器轴承产生表现出轴承磨损特征的信号的情况下，由于非故障轴承在故障轴承的附近以及由于轴承之间的声波传播，分类器能够将非故障轴承如此正确地分类。数据的标记由多于10名人类专家进行。
现在参照图6，图6是示出根据本发明的优选实施例的基于迁移学习的机械机器故障识别方法中包括的步骤的简化流程图。
图6中示出了用于机器故障识别的方法600。如在第一步骤602所示，可以由第一多个传感器来获取从多个机械机器发出的第一组信号。第一多个传感器中的传感器优选地具有相互相同的第一类型。可选地，第一多个传感器中的传感器可以具有多种类型。第一多个传感器中的传感器可以具有大致相同的传感器频率响应，所述传感器频率响应可以被称为第一传感器频率响应分布。
如在第二步骤604所示，可以可选地获取对应于在步骤602获取的第一组信号的第一组机器操作条件数据，。机器操作条件数据可以包括与第一组信号中的每组信号相关的操作状态的识别。操作状态可以是故障或非故障状态。
如在第三步骤606所示，可以将多组信号和可选的对应的操作条件数据供应给预先存在的故障分类器，所述预先存在的故障分类器被预先训练为基于从机器发出并由第二多个传感器获取的信号来识别机器中的故障。训练预先存在的故障分类器所基于的第二多个传感器可以具有相互相同但与第一多个传感器的类型不同的类型。作为选择，训练预先存在的故障分类器所基于的第二多个传感器可以可选地具有多种类型，所述多种类型中的至少一些类型不同于第一多个传感器的类型。第二多个传感器中的传感器可以具有大致相同的传感器频率响应，所述传感器频率响应可以被称为第二传感器频率响应分布。第二传感器频率响应分布可以不同于第一多个传感器的第一传感器频率响应分布。
如在第四步骤608所示，优选地使用迁移学习方法并基于向预先存在的故障分类器供应的新数据来修改预先存在的故障分类器。修改可以包括将至少一个映射层添加到预先存在的故障分类器，映射层可以获知第一传感器频率响应分布和第二传感器频率响应分布之间的频率响应差异。
如在第五步骤610所示，随后可以通过与第一多个传感器的类型相同的传感器类型从至少一个机器获取额外的信号组。后
如在第六步骤612所示，可以将在步骤608处产生的修改修改后的分类器应用于额外的信号组，以便识别产生额外的信号组的机器中的故障。
如在第七步骤614所示，可以基于识别的故障，执行机器维护或修理。
应当理解，在步骤602、步骤606和步骤610被描述为产生信号的所有各种机器可以是具有如上所述的共享特性的相同机器或不同机器。
本领域技术人员将理解，本发明不限于以上已经具体示出和描述的内容。本发明的范围包括上述各种特征的组合和子组合以及它们的修改，所有这些都不在现有技术中。

Claims (24)

1.一种用于识别至少一个机械机器的故障的方法，所述方法包括：
使结合到对应的第一多个机械机器的第一多个传感器获取从所述第一多个机械机器发出的第一多组信号，所述第一多个机械机器共享至少一个特性；
至少将所述第一多个机械机器的所述第一多组信号供应给预先存在的故障分类器，所述预先存在的故障分类器被预先训练为基于从第二多个机械机器发出并由第二多个传感器预先获取的信号来自动识别所述第二多个机械机器的故障，所述第二多个传感器具有与所述第一多个传感器的类型不同的类型，所述第二多个机械机器共享所述至少一个特性；
至少基于所述第一多个机械机器的所述第一多组信号，通过使用迁移学习来修改所述预先存在的故障分类器，从而提供修改后的故障分类器；
将所述修改后的故障分类器应用于由所述第一多个传感器中的至少一个传感器获取的并且从共享所述至少一个特性的至少一个给定机械机器发出的至少一个额外的信号组，所述修改后的故障分类器被配置为基于所述至少一个额外的信号组自动识别所述至少一个给定机械机器的至少一个故障；以及
由输出设备提供人类可感知输出，所述人类可感知输出至少包括所述至少一个给定机械机器的所述故障的识别，基于所述人类可感知输出执行修理或维护操作中的至少一个。
2.根据权利要求1所述的方法，所述方法还包括：在使所述第一多个传感器获取所述第一多组信号之后并且在将所述第一多组信号供应给所述预先存在的故障分类器之前：
获得用于所述第一多个机械机器中的机械机器的第一多组操作条件数据，每组操作条件数据指示所述第一多个机械机器中的一机械机器的操作状态，每个操作状态与所述多组信号中的至少一组相关；
所述至少将所述第一多组信号供应给所述预先存在的故障分类器还包括将所述第一多个机械机器的所述操作条件数据供应给所述预先存在的故障分类器；
所述至少基于所述第一多组信号通过使用迁移学习来修改所述预先存在的故障分类器还包括另外基于所述第一多个机械机器的所述第一多组操作条件数据，通过使用迁移学习，来修改所述预先存在的故障分类器。
3.根据权利要求1或2所述的方法，其特征在于，识别所述故障包括识别所述至少一个给定机械机器的特定故障以及在不对所述至少一个给定机械机器执行推荐的维护操作的情况下预测由于所述特定故障而导致所述至少一个给定机械机器的故障，其中，所述至少一个给定机械机器在不执行所述推荐的维护操作的情况下确实会发生故障。
4.根据权利要求2或3所述的方法，其特征在于，所述预先存在的故障分类器包括神经网络，以及修改所述预先存在的故障分类器包括将至少一个映射层添加到所述神经网络，除了添加所述至少一个映射层之外，所述神经网络未被所述修改以其它方式修改。
5.根据权利要求4所述的方法，其特征在于，包括所述预先存在的故障分类器的所述神经网络包括数据层和用于从所述数据层接收数据的输入层，所述至少一个映射层被添加在所述数据层和所述输入层之间，从而所述至少一个映射层被配置为在所述修改修改后的故障分类器中从所述数据层接收所述数据。
6.根据权利要求4或5所述的方法，其特征在于，所述第一多个传感器具有第一频率响应分布，以及所述第二多个传感器具有第二频率响应分布，所述映射层被配置为在所述第一频率响应分布和所述第二频率响应分布之间映射。
7.根据上述权利要求中的任一项所述的方法，其特征在于，所述第一多个传感器被操作为感测与由所述第二多个传感器感测的信号的类型相同的类型的信号。
8.根据权利要求7所述的方法，其特征在于，所述相同的类型的信号包括振动信号、磁通信号、电流、温度和机器内部压力信号中的一种。
9.根据权利要求1至6中的任一项所述的方法，其特征在于，所述第一多个传感器和所述第二多个传感器被操作为感测相互不同类型的信号。
10.根据权利要求9所述的方法，其特征在于，所述相互不同类型的信号包括振动和磁通信号；振动和电流信号；振动和温度信号；电流和磁通信号；以及振动和机器内部压力信号中的至少一者。
11.根据权利要求2至10中的任一项所述的方法，其特征在于，如由所述第一多组操作条件数据指示的所述第一多个机械机器中的一机械机器的所述操作状态中的至少一些操作状态是故障操作状态。
12.根据权利要求11所述的方法，其特征在于，所述第一多个机械机器的所述第一多组信号和所述第一多组操作条件数据包括少于30组所述故障操作状态。
13.一种用于识别至少一个机械机器的故障的系统，所述系统包括：
第一多个传感器，所述第一多个传感器结合到对应的第一多个机械机器并且被操作为获取从所述第一多个机械机器发出的第一多组信号，所述第一多个机械机器共享至少一个特性；
数据处理单元，被操作为：
接收所述第一多个机械机器的所述第一多组信号，所述数据处理单元包括预先存在的故障分类器，所述预先存在的故障分类器被预先训练为基于从第二多个机械机器发出并由第二多个传感器预先获取的信号来自动对所述第二多个机械机器的操作状态进行分类，所述第二多个传感器具有与所述第一多个传感器的类型不同的类型，所述第二多个机械机器共享所述至少一个特性；'
至少基于所述第一多个机械机器的所述第一多组信号，通过使用迁移学习来修改所述预先存在的故障分类器，从而提供修改修改后的故障分类器，并且
将所述修改修改后的故障分类器应用于由所述第一多个传感器中的至少一个传感器获取的并且从共享所述至少一个特性的至少一个给定机械机器发出的至少一个额外的信号组，所述修改修改后的故障分类器被配置为基于所述至少一个额外的信号组自动识别所述至少一个给定机械机器的至少一个故障，以及
输出设备，与所述数据处理单元通信并且被操作为提供人类可感知输出，所述人类可感知输出至少包括所述至少一个给定机械机器的所述故障的识别，基于所述人类可感知输出执行修理或维护操作中的至少一个。
14.根据权利要求13所述的系统，所述系统还包括数据收集单元，所述数据收集单元被操作为获得用于所述第一多个机械机器中的机械机器的第一多组操作条件数据，每组操作条件数据指示所述第一多个机械机器中的一机械机器的操作状态，每个操作状态与所述多组信号中的至少一组相关；
所述数据处理单元被操作为接收所述第一多个机械机器的所述操作条件数据，并且另外基于所述第一多个机械机器的所述第一多组操作条件数据，通过使用迁移学习，来修改所述预先存在的故障分类器。
15.根据权利要求13或14所述的系统，其特征在于，识别所述故障包括识别所述至少一个给定机械机器的特定故障以及在不对所述至少一个给定机械机器执行推荐的维护操作的情况下预测由于所述特定故障而导致所述至少一个给定机械机器的故障，其中，所述至少一个给定机械机器在不执行所述推荐的维护操作的情况下确实会发生故障。
16.根据权利要求14或15所述的系统，其特征在于，所述预先存在的故障分类器包括神经网络，以及修改所述预先存在的故障分类器包括将至少一个映射层添加到所述神经网络，除了添加所述至少一个映射层之外，所述神经网络未被所述修改以其它方式修改。
17.根据权利要求16所述的系统，其特征在于，包括所述预先存在的故障分类器的所述神经网络包括数据层和用于从所述数据层接收数据的输入层，所述至少一个映射层被添加在所述数据层和所述输入层之间，从而所述至少一个映射层被配置为在所述修改修改后的故障分类器中从所述数据层接收所述数据。
18.根据权利要求16或17所述的系统，其特征在于，所述第一多个传感器具有第一频率响应分布，以及所述第二多个传感器具有第二频率响应分布，所述映射层被配置为在所述第一频率响应分布和所述第二频率响应分布之间映射。
19.根据权利要求13至18中的任一项所述的系统，其特征在于，所述第一多个传感器被操作为感测与由所述第二多个传感器感测的信号的类型相同的类型的信号。
20.根据权利要求19所述的系统，其特征在于，所述相同的类型的信号包括振动信号、磁通信号、电流、温度和机器内部压力信号中的一种。
21.根据权利要求13至18中的任一项所述的系统，其特征在于，所述第一多个传感器和所述第二多个传感器被操作为感测相互不同类型的信号。
22.根据权利要求21所述的系统，其特征在于，所述相互不同类型的信号包括振动和磁通信号；振动和电流信号；振动和温度信号；电流和磁通信号；以及振动和机器内部压力信号中的至少一者。
23.根据权利要求14至22中的任一项所述的系统，其特征在于，如由所述第一多组操作条件数据指示的所述第一多个机械机器中的一机械机器的所述操作状态中的至少一些操作状态是故障操作状态。
24.根据权利要求23所述的系统，其特征在于，所述第一多个机械机器的所述第一多组信号和所述第一多组操作条件数据包括少于30组所述故障操作状态。
CN202080061629.0A 2019-09-03 2020-09-03 传感器无关的机械机器故障识别 Pending CN114342003A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201962895247P 2019-09-03 2019-09-03
US62/895,247 2019-09-03
PCT/IL2020/050958 WO2021044418A1 (en) 2019-09-03 2020-09-03 Sensor-agnostic mechanical machine fault identification

Publications (1)

Publication Number Publication Date
CN114342003A true CN114342003A (zh) 2022-04-12

Family

ID=74853293

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202080061629.0A Pending CN114342003A (zh) 2019-09-03 2020-09-03 传感器无关的机械机器故障识别

Country Status (7)

Country Link
US (2) US11853047B2 (zh)
EP (1) EP4026144A4 (zh)
JP (1) JP2022546052A (zh)
KR (1) KR20220062547A (zh)
CN (1) CN114342003A (zh)
AU (1) AU2020343526A1 (zh)
WO (1) WO2021044418A1 (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220062547A (ko) * 2019-09-03 2022-05-17 아규리 시스템스 엘티디. 센서 애그나스틱 기계적 기계 결함 식별
US20220205451A1 (en) * 2020-12-31 2022-06-30 Robert Bosch Gmbh Sensing via signal to signal translation
IL299917A (en) * 2021-01-28 2023-03-01 Scoutcam Ltd Systems and methods for monitoring potential failure in the machine or its parts
EP4441565A1 (en) * 2021-12-02 2024-10-09 Augury Systems Ltd. Condition monitoring of electrical devices
WO2023203493A1 (en) * 2022-04-18 2023-10-26 Lean Ai Technologies Ltd. Similarity map-based outliers detection
WO2024124128A1 (en) * 2022-12-09 2024-06-13 University Of Cincinnati Conditional domain adaptation-based anomaly detection method

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2004059399A2 (en) * 2002-12-30 2004-07-15 Rsl Electronics Ltd. Method and system for diagnostics and prognostics of a mechanical system
US20160350671A1 (en) * 2015-05-28 2016-12-01 Predikto, Inc Dynamically updated predictive modeling of systems and processes
US20170083830A1 (en) * 2013-03-15 2017-03-23 Mtelligence Corporation System and Methods for Automated Plant Asset Failure Detection
US20180120265A1 (en) * 2012-10-22 2018-05-03 Augury Systems Ltd. Automatic mechanical systems diagnosis
US20180197111A1 (en) * 2015-10-28 2018-07-12 Fractal Industries, Inc. Transfer learning and domain adaptation using distributable data models
US20180225357A1 (en) * 2017-02-07 2018-08-09 International Business Machines Corporation Self-improving classification
US20190042938A1 (en) * 2017-05-19 2019-02-07 Tata Consultancy Services Limited Simultaneous multi-class learning for data classification
CN109655259A (zh) * 2018-11-23 2019-04-19 华南理工大学 基于深度解耦卷积神经网络的复合故障诊断方法及装置

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB201409590D0 (en) * 2014-05-30 2014-07-16 Rolls Royce Plc Asset condition monitoring
US20160291552A1 (en) 2014-11-18 2016-10-06 Prophecy Sensors, Llc System for rule management, predictive maintenance and quality assurance of a process and machine using reconfigurable sensor networks and big data machine learning
US10229369B2 (en) 2016-04-19 2019-03-12 General Electric Company Creating predictive damage models by transductive transfer learning
US10733813B2 (en) * 2017-11-01 2020-08-04 International Business Machines Corporation Managing anomaly detection models for fleets of industrial equipment
US11620518B2 (en) * 2019-05-13 2023-04-04 Nec Corporation Landmark-based classification model updating
KR20220062547A (ko) * 2019-09-03 2022-05-17 아규리 시스템스 엘티디. 센서 애그나스틱 기계적 기계 결함 식별

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2004059399A2 (en) * 2002-12-30 2004-07-15 Rsl Electronics Ltd. Method and system for diagnostics and prognostics of a mechanical system
US20180120265A1 (en) * 2012-10-22 2018-05-03 Augury Systems Ltd. Automatic mechanical systems diagnosis
US20170083830A1 (en) * 2013-03-15 2017-03-23 Mtelligence Corporation System and Methods for Automated Plant Asset Failure Detection
US20160350671A1 (en) * 2015-05-28 2016-12-01 Predikto, Inc Dynamically updated predictive modeling of systems and processes
US20180197111A1 (en) * 2015-10-28 2018-07-12 Fractal Industries, Inc. Transfer learning and domain adaptation using distributable data models
US20180225357A1 (en) * 2017-02-07 2018-08-09 International Business Machines Corporation Self-improving classification
US20190042938A1 (en) * 2017-05-19 2019-02-07 Tata Consultancy Services Limited Simultaneous multi-class learning for data classification
CN109655259A (zh) * 2018-11-23 2019-04-19 华南理工大学 基于深度解耦卷积神经网络的复合故障诊断方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张强: "基于PPCA的旋转机械故障识别算法", 计算机仿真, vol. 28, no. 12, 31 December 2011 (2011-12-31), pages 335 - 338 *

Also Published As

Publication number Publication date
EP4026144A4 (en) 2023-09-06
EP4026144A1 (en) 2022-07-13
KR20220062547A (ko) 2022-05-17
US11853047B2 (en) 2023-12-26
AU2020343526A1 (en) 2022-03-17
WO2021044418A1 (en) 2021-03-11
US20240069539A1 (en) 2024-02-29
JP2022546052A (ja) 2022-11-02
US20220334573A1 (en) 2022-10-20

Similar Documents

Publication Publication Date Title
CN114342003A (zh) 传感器无关的机械机器故障识别
JP7105932B2 (ja) アプリケーション情報に関連する時系列ズデータに関する深層学習を使用した異常検出
CN102112933B (zh) 异常检测方法及系统
Tamilselvan et al. Deep belief network based state classification for structural health diagnosis
JP2020119605A (ja) 異常検出システム、異常検出方法、異常検出プログラム及び学習済モデル生成方法
CN110515351A (zh) 异常检测器
EP1729243A1 (en) Fault detection system and method using approximate null space based fault signature classification
EP4068140A1 (en) Method and system for optimizing a simulation model using machine learning
CN107729985B (zh) 识别技术设施的过程异常的方法和相应的诊断系统
US9116965B2 (en) Method and apparatus for monitoring performance characteristics of a system and identifying faults
JP2020198092A (ja) 教師なし異常検出及び高次元センサデータの多数決投票による原因説明のための方法及びシステム
van den Hoogen et al. An improved wide-kernel cnn for classifying multivariate signals in fault diagnosis
Kißkalt et al. A novel approach for data-driven process and condition monitoring systems on the example of mill-turn centers
Bertocco et al. Roller bearing failures classification with low computational cost embedded machine learning
Senanayaka et al. Similarity-based multi-source transfer learning approach for time series classification
Tamilselvan et al. Multi-sensor health diagnosis using deep belief network based state classification
Oncescu et al. A self-supervised classification algorithm for sensor fault identification for robust structural health monitoring
KR20230075496A (ko) 기계 학습 장치, 미끄럼 이동면 진단 장치, 추론 장치, 기계 학습 방법, 기계 학습 프로그램, 미끄럼 이동면 진단 방법, 미끄럼 이동면 진단 프로그램, 추론 방법 및 추론 프로그램
Leitner et al. End-of-line fault detection for combustion engines using one-class classification
Jia et al. Multitask convolutional neural network for rolling element bearing fault identification
RU2795745C1 (ru) Независимая от датчика идентификация неисправности механического станка
US20180087489A1 (en) Method for windmill farm monitoring
US20220121933A1 (en) Device and Method for Training a Neural Network
Omoregbee et al. Non Coding of Big Dataset and the use of Neural Network Regression Artificial Intelligence Model in Azure for Predicting the Remaining Useful Life (RUL) of Bearing
Fan Wisdom of the crowd for fault detection and prognosis

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