CN114450645A - 智能过程异常检测和趋势预估系统 - Google Patents

智能过程异常检测和趋势预估系统 Download PDF

Info

Publication number
CN114450645A
CN114450645A CN202080065077.0A CN202080065077A CN114450645A CN 114450645 A CN114450645 A CN 114450645A CN 202080065077 A CN202080065077 A CN 202080065077A CN 114450645 A CN114450645 A CN 114450645A
Authority
CN
China
Prior art keywords
signal
patterns
sensors
degraded
single unit
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
CN202080065077.0A
Other languages
English (en)
Inventor
A·L·米纳夫
P·R·莎
B·K·埃里克森
W·C·W·比埃尔克
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.)
Aviva Software Co ltd
Original Assignee
Aviva Software 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 Aviva Software Co ltd filed Critical Aviva Software Co ltd
Publication of CN114450645A publication Critical patent/CN114450645A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
    • G05B19/406—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by monitoring or safety
    • G05B19/4063—Monitoring general control system
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—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
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/20—Pc systems
    • G05B2219/21—Pc I-O input output
    • G05B2219/21002—Neural classifier for inputs, groups inputs into classes
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/31—From computer integrated manufacturing till monitoring
    • G05B2219/31449—Monitor workflow, to optimize business, industrial processes

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Automation & Control Theory (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Manufacturing & Machinery (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Debugging And Monitoring (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

新颖的系统包括智能过程异常检测和趋势预估系统，根据一些实施例，该智能过程异常检测和趋势预估系统被配置为训练人工智能和机器学习系统以用于工业系统中的异常预测。在一些实施例中，这样的智能过程异常检测和趋势预估系统被配置为确定工业资产的估计的剩余可用寿命。例如，在一些实施例中，系统被配置为识别信号的劣化部分和信号的正常部分；将信号的劣化部分与信号的正常部分分离；识别信号的劣化部分和信号的正常部分的一个或多个模式；以及基于一个或多个模式确定异常预测。

Description

智能过程异常检测和趋势预估系统
相关申请的交叉引用
本申请要求2019年9月16日提交的标题为“Intelligent Process AnomalyDetection and Trend Projection System”的美国临时申请No.62/901,080的权益和优先权，该美国临时申请No.62/901,080的整个内容通过引用并入本文。
背景技术
构建数字基础设施以捕获类别广泛的工业资产的操作为巨大的可能性空间打开了大门。在许多情况下，物联网或本地传感器网络生成发起对过程发展的复杂分析所需的数据。在异常事件的非常初期的阶段中检测其发展是迈向优异操作的重要步骤之一。在劣化或异常的早期检测之后，应当进行维护程序。通常，由于各种原因(为了防止长的停机时间、维护团队忙于另一个操作、观察到的劣化对于特定过程正常并且存在设计要利用的一些更多容差、即使劣化异常也存在设计的一些更多容差)，设备的操作者需要知道他们可以保持它可操作多长时间。捕获劣化的模式并且估计未来劣化的演变将是非常有利的，并且本发明的一些实施例提供这样的能力。
发明内容
本公开的一些实施例提供各种示例性技术改进的计算机实现的平台、系统和方法，包括提供改进的智能过程异常检测和趋势预估系统。在一些实施例中，系统被配置为接收信号。在一些实施例中，系统被配置为识别信号的劣化部分和信号的正常部分。在一些实施例中，系统被配置为将信号的劣化部分与信号的正常部分分离。在一些实施例中，系统被配置为识别信号的劣化部分和信号的正常部分的一个或多个模式。在一些实施例中，系统被配置为基于一个或多个模式确定异常预测。在一些实施例中，系统被配置为确定信号没有季节性成分。
在一些实施例中，季节性成分是在过程内以特定规则间隔发生的趋势的变化。在一些实施例中，随着一件设备贯穿其生命周期的“季节”运行，季节性成分可能导致质量变化。将造成趋势中的季节性成分的改变的示例可以是切割刀片变钝，这导致驱动马达安培数随着时间的稳定增加。
在一些实施例中，系统被配置为基于一个或多个模式确定估计剩余可用寿命。在一些实施例中，系统被配置为执行多分辨率差分方案。在一些实施例中，系统被配置为基于多分辨率差分方案生成信号的一个或多个版本。在一些实施例中，系统被配置为确定信号的每个一个或多个版本的高阶差。在一些实施例中，系统被配置为基于信号的每个一个或多个版本的高阶差识别一个或多个模式。
在一些实施例中，系统包括智能过程异常检测和趋势预估系统，其被配置为包括存储指令的非暂态计算机可读程序存储器、非暂态计算机可读数据存储器和被配置为执行指令的处理器。在一些实施例中，处理器被配置为执行指令以接收信号。在一些实施例中，系统被配置为识别信号的劣化部分和信号的正常部分。在一些实施例中，系统被配置为将信号的劣化部分与信号的正常部分分离。在一些实施例中，系统被配置为识别信号的劣化部分和信号的正常部分的一个或多个模式。在一些实施例中，系统被配置为基于一个或多个模式确定异常预测。在一些实施例中，系统被配置为确定信号没有季节性成分。在一些实施例中，系统被配置为基于一个或多个模式确定估计剩余可用寿命。在一些实施例中，系统被配置为执行多分辨率差分方案。在一些实施例中，系统被配置为基于多分辨率差分方案生成信号的一个或多个版本。在一些实施例中，系统被配置为确定信号的每个一个或多个版本的高阶差。在一些实施例中，系统被配置为基于信号的每个一个或多个版本的高阶差识别一个或多个模式。
在其它实施例中，智能过程异常检测和趋势预估系统包括非暂态计算机可读介质，其包括指令的一个或多个序列，其在由一个或多个处理器执行时使得实现一个或多个操作和/或配置。在一些实施例中，智能过程异常检测和趋势预估系统被配置为接收信号。在一些实施例中，系统被配置为识别信号的劣化部分和信号的正常部分。在一些实施例中，系统被配置为将信号的劣化部分与信号的正常部分分离。在一些实施例中，系统被配置为识别信号的劣化部分和信号的正常部分的一个或多个模式。在一些实施例中，系统被配置为基于一个或多个模式确定异常预测。在一些实施例中，系统被配置为确定信号没有季节性成分。在一些实施例中，系统被配置为基于一个或多个模式确定估计剩余可用寿命。在一些实施例中，系统被配置为执行多分辨率差分方案。在一些实施例中，系统被配置为基于多分辨率差分方案生成信号的一个或多个版本。在一些实施例中，系统被配置为确定信号的每个一个或多个版本的高阶差。在一些实施例中，系统被配置为基于信号的每个一个或多个版本的高阶差识别一个或多个模式。在一些实施例中，系统被配置为使用对AI模型中的训练数据识别的一个或多个模式。
附图说明
图1是表示系统的一些实施例的概述的流程图。
图2是详细说明根据一些实施例的图1的季节性成分检查步骤的细节的流程图。
图3是详细说明根据一些实施例的图1的正常和劣化信号识别步骤的细节的流程图。
图4是详细说明根据一些实施例的图1的未来异常预报步骤的细节的流程图。
图5是详细说明根据一些实施例的图1的剩余可用寿命预报步骤的细节的流程图。
图6图示了根据一些实施例的支持或操作智能过程异常检测和趋势预估的计算机系统。
具体实施方式
在详细解释本发明的任何实施例之前，要理解的是，本发明在其应用上不限于在以下描述中阐述或在以下附图中图示的组件的构造和布置的细节。系统的一些实施例被配置为与一些其它实施例组合，并且所有实施例能够以各种方式被实践或被执行。此外，要理解的是，本文所使用的措词和术语是出于描述的目的，并且不应当被认为是限制性的。本文中“包含”、“包括”或“具有”及其变化的使用意在涵盖其后列出的项目及其等同物以及附加项目。除非另外指定或限制，否则术语“安装”、“连接”、“支撑”和“耦合”及其变化被广泛使用并且涵盖直接和间接安装、连接、支撑和耦合。另外，“连接”和“耦合”不局限于物理或机械连接或耦合。
呈现以下讨论以使得本领域技术人员能够制造和使用系统。对所示实施例的各种修改对于本领域的技术人员将容易是清楚的，并且根据一些所示的实施例详述的一般原理被配置为在不脱离本发明的实施例的情况下应用于一些其它所示的实施例和应用和/或与一些其它所示实施例和应用结合。因此，本发明的实施例不旨在限于所示出的实施例，而是要被赋予与本文公开的原理和特征一致的最宽范围。以下详细描述要参考附图阅读，在这些附图中不同附图中的同样的元素具有同样的附图标记。不一定按比例绘制的附图描绘了选择的实施例并且不旨在限制本发明的实施例的范围。熟练的技术人员将认识到本文提供的示例具有许多有用的替代方案并且落入本发明的实施例的范围内。
本发明的一些实施例包括各种方法、执行这样的方法的装置(包括计算机系统)、以及包含指令的计算机可读介质，这些指令在由计算系统执行时使计算系统执行这样的方法。例如，一些非限制性的实施例包括存储在一个或多个非暂态计算机可读存储设备上的某些软件指令或程序逻辑，该一个或多个非暂态计算机可读存储设备有形地存储程序逻辑以供系统的一个或多个处理器和/或耦合到系统的一个或多个处理器执行。
在统计文献中，可以找到关于当目标是估计未来行为时为什么使用代表性不足的观察类别(例如，异常事件)将面临无法解决的挑战的明确答案。本发明的一些实施例解决了这些挑战。
系统的一些实施例包括以下阶段中的一个或多个：
I.根据一些实施例，检查以查看信号是否包含季节性成分。
在一些实施例中，系统被配置为使用傅立叶变换以检查季节性成分。在一些实施例中，如果信号不包含季节性成分，那么系统被配置为捕获异常的线性或指数单调行为。在一些实施例中，如果信号确实包含季节性成分，那么系统被配置为捕获异常的线性或指数单调行为并且添加预处理步骤以在其傅立叶成分方面考虑信号。
II.根据一些实施例，识别信号的劣化部分并且将它与正常行为分离。
在一些实施例中，异常模式的发现由对信号本身的部分或其变换版本的部分的统计的计算管控。在一些实施例中，多分辨率差分方案通过使用整数因子对信号进行下采样来创建信号的多个版本。在一些实施例中，系统被配置为调度不同的差分代理以对每个信号表示进行操作。在一些实施例中，这些代理的任务是找到它们对应的信号表示的一阶(或高阶，取决于模式)差。在一些实施例中，然后对差分时间序列使用选择的不同统计(例如，传统统计方法)以检测分布的变化。在一些实施例中，系统被配置为将信号表示划分成大小一致的样本。在一些实施例中，选择的统计是熵。在一些实施例中，模式的身份的主要指标是样本上的递减的微分熵的序列。在一些实施例中，如果存在趋势模式的形式的这样的身份或稳定性，那么差分代理将暴露它并且它将通过熵信息的损失而被捕获。根据一些实施例，这些损失的幅度的多个大差异指示在劣化部分内存在多个模式。
III.根据一些实施例，使用在阶段II中描述的策略来识别包含在正常行为中的模式。
IV.在一些实施例中，使用上述模式作为将预报异常的未来发展的模型(即，人工智能、机器学习模型)的训练数据。
在一些实施例中，系统被配置为给定劣化的最后模式估计未来发展。在一些实施例中，来自阶段II的最后身份下的数据成为要使用的模型的训练数据。在一些实施例中，许多不同的建模方案被配置为用于从设备行为的那个身份进行外推。在一些实施例中，如果使用前馈ANN(人工神经网络)，那么为了使它自回归(NARX)，系统被配置为使用差分代理的阶数作为时延的数量。在一些实施例中，长短期记忆(LSTM)ANN用于对系统的动态表示进行建模。在一些实施例中，系统被配置为使用LSTM作为随机机器，但是使用不同的方法以推断权重的随机部分。在一些实施例中，系统被配置为使用变分推断以生成预测序列上的分布。在一些实施例中，系统被配置为使用识别最后的趋势模式的差分代理的阶数与LSTM的输入序列的长度之间的连接。
在一些实施例中，如果更多的计算资源可用，那么使用各种统计技术以比较劣化中的模式的序列与正常操作中的模式并且决定哪些样本或样本的变换要包括在训练数据集中。
V.根据一些实施例，经由数学优化推断总体设计的参数。
一般地，从实施例的特殊性抽象，在一些实施例中，系统被配置为涉及不存在先验知识的设计参数(差分阶数、构成身份的序列的样本大小、LSTM单元的数量以及学习率等)。另外，在一些实施例中，这些参数的不同值显著影响结果。因此，在一些实施例中，使用这些参数的估计器(例如，交叉验证)。在一些实施例中，系统被配置为使用具有采集函数(例如，预期改进(Expected improvement))的贝叶斯优化。
VI.根据一些实施例，预报异常的发展
在一些实施例中，在系统中使用许多回归技术。在一些实施例中，系统被配置为使用来自LSTM模型的输出序列和预测误差的估计。在一些实施例中，从所得的分布，系统被配置为计算与期望的风险指定相关联的路径。在一些实施例中，系统然后被配置为从这个路径的交叉点和关注的资产的临界载荷的阈值两者导出第一命中时间。因此，在一些实施例中，除了使用潜在异常的这个估计路径作为其未来发展的估计之外，系统被配置为使用它以获得资产的剩余可用寿命估计。
在一些实施例中，系统被配置为使用与以上相同的设置，但不同的是系统被配置为使用变分推断(其产生更精确的结果)来推断LSTM参数的随机行为。在一些实施例中，这样的随机LSTM被训练以在资产的未来轨迹中生成许多、有时与观察到的非常不同的可能性。在一些实施例中，从这个丰富的模拟集合，系统被配置为导出最可能的路径、其标准误差以及与由资产的运营者指定的风险对应的路径。
图1是表示系统的一些实施例的概述的流程图100。例如，根据一些实施例，图1的系统被配置为提供估计剩余可用寿命。
在一些实施例中，在图1中，系统110包括：检查102信号是否包含季节性成分；识别103信号的劣化部分和正常部分；将劣化信号与正常信号分离104；识别105劣化信号模式和正常信号模式；预报106异常的未来发展；以及预报108剩余可用寿命估计。
图2是详细说明根据一些实施例的图1的季节性成分检查步骤的细节的流程图102。例如，根据一些实施例，图2的系统被配置为确定信号是否包括季节性成分。
在一些实施例中，在图2中，系统201包括：对信号执行202傅立叶变换；确定是否在信号中检测到季节性成分；响应于在信号中未检测到季节性成分203，捕获异常的线性或指数单调行为；响应于在信号中检测到季节性成分204，在其傅立叶成分方面考虑信号。
图3是详细说明根据一些实施例的图1的正常和劣化信号识别步骤的细节的流程图105。例如，根据一些实施例，图3的系统311被配置为识别劣化信号模式。又例如，根据一些实施例，图3的系统321被配置为识别正常信号模式。
在一些实施例中，在图3中，系统311-317包括：执行312多分辨率差分方案；通过下采样来创建313信号的多个版本；找到314每个对应的信号表示的一阶(或高阶)差；对差分数据执行315统计分析以检测分布的变化；以及识别316劣化信号模式。
在一些实施例中，在图3中，系统321-327包括：执行322多分辨率差分方案；通过下采样来创建323信号的多个版本；找到324每个对应的信号表示的一阶(或高阶)差；对差分数据执行325统计分析以检测分布的变化；以及识别326正常信号模式。
图4是详细说明根据一些实施例的图1的未来异常预报步骤的细节的流程图106。例如，根据一些实施例，图4的方法401被配置为估计未来发展。
在一些实施例中，在图4中，系统401-405包括：经由数学运算推断402未知参数；使用403信号模式作为模型的训练数据；给定劣化的最后模式估计404未来发展。
图5是详细说明根据一些实施例的图1的剩余可用寿命预报步骤的细节的流程图107。例如，根据一些实施例，图5的系统501被配置为导出第一命中时间。
在一些实施例中，在图5中，系统501-505包括：获得502来自长短期记忆(LSTM)模型的输出序列和预测误差的估计；从所得的分布计算503与期望的风险指定相关联的路径；从这个路径的交叉点和关注的资产的临界载荷的阈值导出504第一命中时间。
图6图示了根据一些实施例的支持或操作智能过程异常检测和趋势预估系统的计算机系统。在一些实施例中，智能过程异常检测和趋势预估系统被配置为可操作地耦合到图6中所示的计算机系统610，或者计算机系统610被配置为包括智能过程异常检测和趋势预估系统。在一些实施例中，计算机系统610被配置为包括和/或操作和/或处理上述程序逻辑、软件模块和/或系统中的一个或多个的计算机可执行代码。另外，在一些实施例中，计算机系统610被配置为在耦合到智能过程异常检测和趋势预估系统的一个或多个图形用户界面内操作和/或显示信息。在一些实施例中，计算机系统610包括云服务器和/或可以耦合到一个或多个基于云的服务器系统。
在一些实施例中，系统610被配置为包括至少一个计算机，该至少一个计算机包括至少一个处理器632。在一些实施例中，至少一个处理器632包括驻留在一个或多个服务器平台中或者耦合到一个或多个服务器平台的处理器。在一些实施例中，系统610包括耦合到能够处理至少一个操作系统634的至少一个处理器632的网络接口635a和应用接口635b。另外，在一些实施例中，耦合到至少一个处理器632的接口635a、635b被配置为处理软件模块638中的一个或多个(例如，诸如企业应用)。在一些实施例中，软件模块638被配置为包括基于服务器的软件，并且操作以托管至少一个用户账户和/或至少一个客户端账户，以及操作以使用至少一个处理器632在这些账户中的一个或多个之间传送数据。
考虑到以上实施例，应当理解的是，本发明可以采用涉及存储在计算机系统中的数据的各种计算机实现的操作。而且，在一些实施例中，全文描述的上述数据库和模型可以将分析模型和其它数据存储在系统610内的计算机可读存储介质上和耦合到系统610的计算机可读存储介质上。此外，在一些实施例中，系统的上述应用被配置为存储在系统610内的计算机可读存储介质上和/或耦合到系统610的计算机可读存储介质上。在一些实施例中，这些操作是要求物理量的物理操纵的操作。通常，虽然不是必须，但是在一些实施例中，这些量采取电、电磁或磁信号的形式，能够被存储、传送、组合、比较和以其它方式操纵的光或磁光形式。在一些实施例中，系统610包括耦合到至少一个数据源637a和/或至少一个数据存储设备637b和/或至少一个输入/输出设备637c的至少一个计算机可读介质636。
在一些实施例中，本发明可以被实施为计算机可读介质636上的计算机可读代码。在一些实施例中，计算机可读介质636是可以存储数据的任何数据存储设备，该数据随后可以由计算机系统(诸如系统610)读取。在一些实施例中，计算机可读介质636是可以用于有形地存储期望的信息或数据或指令并且可以由计算机或处理器632访问的任何物理或材料介质。
在一些实施例中，计算机可读介质636包括硬盘驱动器、网络附加存储(NAS)、只读存储器、随机存取存储器、基于FLASH的存储器、CD-ROM、CD-R、CD-RW、DVD、磁带、其它光学和非光学数据存储设备。在一些实施例中，各种其它形式的计算机可读介质636将指令传输或携载到计算机640和/或至少一个用户631，包括路由器、私有或公共网络、或者其它传输设备或信道，有线和无线的。在一些实施例中，软件模块638被配置为从数据库(例如，从包括数据源637a和包括数据库的数据存储637b的计算机可读介质636)发送和接收数据，并且数据由软件模块638从至少一个其它源接收。在一些实施例中，软件模块638中的至少一个被配置在系统内以经由在至少一个数字显示器上呈现的至少一个图形用户界面将数据输出到至少一个用户631。
在一些实施例中，计算机可读介质636可以经由网络接口635a分布在传统计算机网络上，其中可以以分布式方式存储和执行由计算机可读代码实施的系统。例如，在一些实施例中，系统610的一个或多个组件被配置为通过局域网(“LAN”)639a和/或互联网耦合网络639b(例如，诸如无线互联网)发送和/或接收数据。在一些另外的实施例中，网络639a、639b被配置为包括广域网(“WAN”)、直接连接(例如，通过通用串行总线端口)、和/或其它形式的计算机可读介质636、和/或其任何组合。
在一些实施例中，网络639a、639b的组件包括任何数量的用户设备，诸如个人计算机，包括例如通过LAN 639a耦合的桌面计算机，和/或膝上型计算机，和/或任何固定的、一般非移动的互联网装置。例如，一些实施例包括通过LAN 639a耦合的个人计算机640、数据库641、服务器642或任何其它计算设备，其中各自可以被配置用于包括管理员的任何类型的用户。一些实施例包括通过网络639b耦合的个人计算机。在一些另外的实施例中，系统610的一个或多个组件被耦合以通过互联网网络(例如，诸如网络639b)发送或接收数据。
例如，一些实施例包括至少一个用户631，其无线地耦合并且经由输入和输出(“I/O”)设备637c访问包括至少一个企业应用638的系统的一个或多个软件模块。在一些其它实施例中，系统610可以使得至少一个用户631能够被耦合以通过LAN 639a经由I/O设备637c访问企业应用638。在一些实施例中，用户631可以包括使用通过互联网639b耦合的桌面计算机、膝上型计算机和/或任何固定的、一般非移动的互联网装置耦合到系统610的用户631a。在一些另外的实施例中，用户631包括耦合到系统610的移动用户631b。在一些实施例中，用户631b可以使用任何移动计算机631c以无线耦合到系统610，包括但不限于个人数字助理和/或蜂窝电话、移动电话或智能电话、和/或寻呼机、和/或数字平板、和/或固定或移动互联网装置。
本文描述的主题针对的是通过提供教导ANN和LSTM(例如，如何利用多个信号识别趋势中的异常并且基于这些趋势创建更好的预测模型)的改进方法来对人工智能领域的技术改进。本公开描述了包括一个或多个计算机(其包括一个或多个处理器和一个或多个非暂态计算机)的机器如何实现系统以及其相对于现有技术的改进的细节。机器执行的指令不能在人脑中执行，也不能由人使用笔和纸导出，而是需要机器将过程输入数据转换成有用的输出数据。此外，本文呈现的权利要求不试图将司法例外与通用计算机实现的已知传统步骤绑定起来；它们也不试图通过简单地将司法例外链接到技术领域来绑定司法例外。实际上，本文描述的系统和方法在提交时在公共领域中是未知的和/或不存在，并且它们提供了在现有技术中不知道的技术改进优点。此外，系统包括将权利要求限制到有用的应用的非传统步骤。
理解的是，系统在其应用上不限于在前面的描述中阐述或在附图中图示的组件的构造和布置的细节。本文公开的系统和方法落入许多实施例的范围内。呈现前面的讨论以使得本领域技术人员能够制作和使用系统的实施例。对本文所示的实施例和一般原理的修改可以在不脱离系统的实施例的情况下应用于所有实施例和应用。此外，理解的是，来自本文呈现的一些实施例的特征与根据一些实施例的其它特征可组合。因此，系统的一些实施例不旨在限于所示出的内容，而是要被赋予与本文所公开的所有原理和特征一致的最宽范围。
系统的一些实施例呈现有特定的值和/或设定点。这些值和设定点不旨在是限制性的，而仅是较高配置与较低配置的示例，并且旨在作为普通技术人员制作和使用系统的帮助。
此外，作为申请人自己的词典编纂者，申请人对以下术语赋予附加的含义：
“基本上”和“近似”在与值结合使用时涵盖被测量的相同单位和/或标度的5％或更少的差异。在一些实施例中，“基本上”和“近似”根据一些实施例如说明书中所呈现的那样被定义。
本文所使用的“同时”包括与传统和/或专有的计算机(诸如本文描述的试图同时处理多种类型的数据的处理器和/或网络)相关联的滞后和/或时延时间。“同时”还包括数字信号从一个物理位置传送到另一个物理位置(它通过无线和/或有线网络、和/或在处理器电路内)所花费的时间。
和/或的使用，就“A和/或B”而言，意指一个选项可以是“A和B”，并且另一个选项可以是“A或B”。这样的解释与USPTO专利审判和上诉委员会在ex parte Gross中的裁决(其中委员会确立“和/或”意指单独的元素A、单独的元素B、或元素A和B一起)一致。
如本文所使用的，利用术语“能够”或“可以”或其派生词(例如，系统显示器能够显示X)详述的一些实施例仅出于描述目的并且被理解为与用于定义系统的界限的“被配置为”(例如，系统显示器被配置为显示X)同义。
前面的详细描述要参考附图阅读，在这些附图中不同附图中的同样的元素具有同样的附图标记。不一定按比例绘制的附图描绘了一些实施例并且不旨在限制系统的实施例的范围。
本文描述的形成本发明的一部分的操作中的任何一个是有用的机器操作。本发明还涉及用于执行这些操作的设备或装置。可以针对所需目的专门地构造装置，诸如专用计算机。当被定义为专用计算机时，计算机也可以执行不是专用目的的一部分的其它处理、程序执行或例程，同时仍然能够针对专用目的进行操作。替代地，操作可以被由存储在计算机存储器、高速缓存中或通过网络获得的一个或多个计算机程序选择性地激活或配置的通用计算机处理。当通过网络获得数据时，数据可以被网络上的其它计算机(例如，计算资源的云)处理。
本发明的实施例还可以被定义为将数据从一个状态变换成另一个状态的机器。数据可以表示物品，其可以被表示为电子信号并且电子地操纵数据。变换后的数据在一些情况下可以可视化地描绘在显示器上，从而表示从数据的变换所得的物理对象。变换后的数据可以一般地或以使得能够构造或描绘物理和有形对象的特定格式保存到存储装置。在一些实施例中，操纵可以由处理器执行。在这样的示例中，处理器因此将数据从一个东西变换成另一个东西。更进一步地，一些实施例包括可以由可以通过网络连接的一个或多个机器或处理器处理的方法。每个机器可以将数据从一个状态或东西变换成另一个状态或东西，并且还可以处理数据、将数据保存到存储装置、通过网络传输数据、显示结果、或将结果传递到另一个机器。本文所使用的计算机可读存储介质是指物理或有形存储装置(与信号相反)，并且包括但不限于以用于信息(诸如计算机可读指令、数据结构、程序模块或其它数据)的有形存储的任何方法或技术实现的易失性和非易失性、可移动和不可移动存储介质。
尽管根据一些实施例以特定次序呈现了方法操作，但是除非明确指定，否则那些步骤的执行不一定以列出的次序发生。此外，可以在操作之间执行其它内务操作，可以调整操作使得它们在稍微不同的时间发生，和/或操作可以分布在允许以与处理相关联的各种间隔发生处理操作的系统中，只要叠加操作的处理以期望的方式执行并且导致期望的系统输出即可。
本领域技术人员将意识到的是，虽然以上已结合特定实施例和示例描述了本发明，但是本发明不必限于此，并且许多其它实施例，示例，用途，相对实施例、示例和用途的修改和偏离旨在被本发明所附的权利要求涵盖。本文引用的每个专利和公开物的整个公开内容通过引用并入，就好像每个这样的专利或公开物通过引用单独地并入本文一样。本发明的各种特征和优点在以下权利要求中阐述。

Claims (20)

1.一种用于提供工业资产恶化的异常检测和趋势预估的系统，包括：
一个或多个计算机，所述一个或多个计算机包括一个或多个处理器和一个或多个非暂态计算机可读介质，所述一个或多个非暂态计算机可读介质包括存储在其上的指令，所述指令在由所述一个或多个处理器执行时实现以下步骤：
从耦合到工业过程内的资产的传感器接收信号；
识别所述信号的劣化部分和所述信号的正常部分；
将所述信号的劣化部分与所述信号的正常部分分离；
识别所述信号的劣化部分和所述信号的正常部分的一个或多个模式；以及
基于所述一个或多个模式确定异常预测。
2.如权利要求1所述的系统，
还包括确定所述信号没有季节性成分。
3.如权利要求1所述的系统，
还包括基于所述一个或多个模式确定剩余可用寿命的估计。
4.如权利要求1所述的系统，
识别所述信号的劣化部分和所述信号的正常部分的一个或多个模式还包括执行多分辨率差分方案。
5.如权利要求4所述的系统，
还包括基于所述多分辨率差分方案生成所述信号的一个或多个版本。
6.如权利要求5所述的系统，
还包括确定所述信号的每个一个或多个版本的一个或多个高阶差。
7.如权利要求5所述的系统，
还包括基于所述信号的每个一个或多个版本的所述一个或多个高阶差识别一个或多个模式。
8.一种用于提供异常检测和趋势预估的系统，包括：
一个或多个传感器，所述一个或多个传感器耦合到一个或多个物理资产，所述一个或多个物理资产被配置为产生输出；
一个或多个计算机，所述一个或多个计算机包括一个或多个处理器和一个或多个非暂态计算机可读介质，所述一个或多个非暂态计算机可读介质包括存储在其上的指令，所述指令在由所述一个或多个处理器执行时将所述一个或多个计算机配置为：
从所述一个或多个传感器接收一个或多个信号；
识别所述一个或多个信号的劣化部分和所述一个或多个信号的正常部分；
将所述一个或多个信号的劣化部分与所述一个或多个信号的正常部分分离；
识别所述一个或多个信号的劣化部分和所述一个或多个信号的正常部分的一个或多个模式；
将所述一个或多个模式输入到人工神经网络中以用于异常预测分析；以及
基于所述异常预测分析确定异常预测。
9.如权利要求8所述的系统，
所述指令还被配置为确定所述信号没有季节性成分。
10.如权利要求8所述的系统，
所述指令还被配置为基于所述异常预测分析确定估计剩余可用寿命。
11.如权利要求8所述的系统，
其中，识别所述信号的劣化部分和所述信号的正常部分的一个或多个模式还包括执行多分辨率差分方案。
12.如权利要求11所述的系统，
所述指令还被配置为基于所述多分辨率差分方案生成所述信号的一个或多个版本。
13.如权利要求12所述的系统，
所述指令还被配置为确定所述信号的每个一个或多个版本的高阶差。
14.如权利要求13所述的系统，
所述指令还被配置为基于所述信号的每个一个或多个版本的高阶差识别一个或多个模式。
15.一种异常检测和趋势预估系统，包括：
一个或多个计算机，所述一个或多个计算机包括一个或多个处理器和一个或多个非暂态计算机可读介质，所述一个或多个非暂态计算机可读介质包括存储在其上的指令，所述指令在由所述一个或多个处理器执行时将所述一个或多个计算机配置为：
从耦合到物理资产的传感器接收信号，所述物理资产被配置为在工业过程内产生机械作业；
识别所述信号的劣化部分和所述信号的正常部分；
将所述信号的劣化部分与所述信号的正常部分分离；
识别所述信号的劣化部分和所述信号的正常部分的一个或多个模式；以及
使用所述一个或多个模式训练人工神经网络；
其中，所述人工神经网络被配置为在显示器上基于所述一个或多个模式输出异常预测。
16.如权利要求15所述的系统，
其中，所述人工神经网络还被配置为基于所述一个或多个模式确定估计的剩余可用寿命。
17.如权利要求15所述的系统，
其中，识别所述信号的劣化部分和所述信号的正常部分的一个或多个模式的指令还包括执行多分辨率差分方案。
18.如权利要求17所述的系统，
所述指令还被配置为基于所述多分辨率差分方案生成所述信号的一个或多个版本。
19.如权利要求18所述的系统，
所述指令还被配置为确定所述信号的每个一个或多个版本的高阶差。
20.如权利要求19所述的系统，
所述人工神经网络还被配置为基于所述信号的每个一个或多个版本的高阶差识别所述一个或多个模式。
CN202080065077.0A 2019-09-16 2020-09-16 智能过程异常检测和趋势预估系统 Pending CN114450645A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201962901080P 2019-09-16 2019-09-16
US62/901,080 2019-09-16
PCT/US2020/050997 WO2021055420A1 (en) 2019-09-16 2020-09-16 Intelligent process anomaly detection and trend projection system

Publications (1)

Publication Number Publication Date
CN114450645A true CN114450645A (zh) 2022-05-06

Family

ID=74868016

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202080065077.0A Pending CN114450645A (zh) 2019-09-16 2020-09-16 智能过程异常检测和趋势预估系统

Country Status (4)

Country Link
US (1) US20210080928A1 (zh)
EP (1) EP4031951A4 (zh)
CN (1) CN114450645A (zh)
WO (1) WO2021055420A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11336507B2 (en) * 2020-09-30 2022-05-17 Cisco Technology, Inc. Anomaly detection and filtering based on system logs

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080154512A1 (en) * 2006-07-01 2008-06-26 Harrison Leong Systems and methods for baselining and real-time pcr data analysis
JP4321581B2 (ja) * 2006-11-30 2009-08-26 パナソニック電工株式会社 工作機械総合監視装置
EP2752722B1 (en) * 2011-08-31 2019-11-06 Hitachi Power Solutions Co., Ltd. Facility state monitoring method and device for same
WO2014161589A1 (en) * 2013-04-05 2014-10-09 Aktiebolaget Skf Method for processing data obtained from a condition monitoring system
EP3458923A1 (en) * 2016-06-14 2019-03-27 Siemens Mobility GmbH Prevention of failures in the operation of a motorized door
US10430725B2 (en) * 2016-06-15 2019-10-01 Akw Analytics Inc. Petroleum analytics learning machine system with machine learning analytics applications for upstream and midstream oil and gas industry
US10594712B2 (en) * 2016-12-06 2020-03-17 General Electric Company Systems and methods for cyber-attack detection at sample speed
KR102073085B1 (ko) * 2018-01-02 2020-03-03 (주)코에버정보기술 Ｆｂｄ 머신러닝 기반의 동적 모니터링 시스템 및 그 방법
US20190219994A1 (en) * 2018-01-18 2019-07-18 General Electric Company Feature extractions to model large-scale complex control systems

Also Published As

Publication number Publication date
EP4031951A4 (en) 2023-09-20
US20210080928A1 (en) 2021-03-18
EP4031951A1 (en) 2022-07-27
WO2021055420A1 (en) 2021-03-25

Similar Documents

Publication Publication Date Title
US10496468B2 (en) Root cause analysis for protection storage devices using causal graphs
Gao et al. Cloud-enabled prognosis for manufacturing
JP6609050B2 (ja) 時間的因果グラフにおける異常フュージョン
JP7101272B2 (ja) データ来歴を介した自動脅威アラートトリアージ
WO2018157752A1 (en) Approximate random number generator by empirical cumulative distribution function
WO2019028468A1 (en) COMPUTER SYSTEM FOR CONSTRUCTING, TRAINING AND PRODUCING AUTOMATIC LEARNING MODELS
EP2814218A1 (en) Detecting anomalies in work practice data by combining multiple domains of information
US20180006900A1 (en) Predictive anomaly detection in communication systems
Happe et al. Statistical inference of software performance models for parametric performance completions
JP7267044B2 (ja) データ処理装置、データ処理方法及びデータ処理プログラム
Domański Non-Gaussian and persistence measures for control loop quality assessment
JP2018528511A (ja) 生産システムにおける出力効率の最適化
Behera et al. Machine learning approach for reliability assessment of open source software
Pourbafrani et al. Semi-automated time-granularity detection for data-driven simulation using process mining and system dynamics
JP7143672B2 (ja) 誤り判定装置、誤り判定方法、及びプログラム
CN114450645A (zh) 智能过程异常检测和趋势预估系统
KR101700832B1 (ko) 컴퓨팅 시뮬레이션 작업 필요자원 예측 장치 및 방법
WO2021039545A1 (ja) 異常検知装置、異常検知方法、及びプログラム
US20090138237A1 (en) Run-Time Characterization of On-Demand Analytical Model Accuracy
Lomakin et al. Multimodel processing of measurement data in intelligent systems for predicting the reliability of spaceborne equipment
Pousi et al. Simulation metamodelling with Bayesian networks
Zhang et al. Causal direction inference for network alarm analysis
Alippi et al. Ensembles of change-point methods to estimate the change point in residual sequences
JP2023029604A (ja) 特許情報処理装置、特許情報処理方法、およびプログラム
JP6710716B2 (ja) 脅威情報評価装置、脅威情報評価方法およびプログラム

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