CN115135358B - 使用机器学习的自动传感器追踪验证 - Google Patents

Abstract

本公开提供了一种用于检测设备的故障的计算机实现的方法，其中，所述设备连接到传感器，所述方法包括：通过机器学习模型从所述传感器接收指示所述设备的状态的追踪信号；由所述机器学习模型将所述追踪信号编码成多个矢量表示；以及由机器学习模型基于多个矢量表示来确定追踪信号是有效的还是无效的。

Description

使用机器学习的自动传感器追踪验证

相关申请的交叉引用

本申请要求2020年2月27日提交的题为“使用机器学习的自动传感器追踪验证”的美国临时专利申请第62/982,568号的权益，其公开内容为了所有目的而在此通过引用整体并入本文。

技术领域

本公开涉及使用机器学习技术的传感器追踪信号的自动验证。更具体讲，本公开涉及用于通过传感器追踪信号的验证来检测设备的故障的方法和系统。

背景技术

免疫测定和临床化学分析仪是一种集成机器，其依赖于每个单独组件的可靠性能。例如，抽吸探针用于抽吸某一所需体积的液体并分配它。通常提供一个或多个传感器来验证是否抽吸了预期量的体积。如果验证在日常的基础上失败，则暗示抽吸探针可能发生了故障并需要维护。

通常提供规定安全裕度的一组规则来使验证过程自动化。当追踪信号超出该安全裕度时，任务(例如，抽吸)可能失败。然而，这些传感器也可能会收集到环境噪声，并且因此算法分析需要对这样的噪声必须是不变的。为了处理由噪声引起的变化，规则引擎通常会变得越来越复杂，并且逐渐变得难以维护。

发明内容

本发明的实施例通过提供一种使用传感器追踪数据自动检测设备故障的方法和系统，解决并克服了上述一个或多个缺点和不足。

本公开提供了一种用于检测设备的故障的计算机实现的方法，其中，所述设备连接到传感器，所述方法包括：通过机器学习模型从所述传感器接收指示所述设备的状态的追踪信号；由所述机器学习模型将所述追踪信号编码成多个矢量表示；以及，由机器学习模型基于多个矢量表示来确定追踪信号是有效的还是无效的。

实施例还提供了一种计算机实现的方法，还包括：通过所述机器学习模型来重构所述追踪信号；以及，在图形用户界面(GUI)中突出显示重构的追踪信号和追踪信号之间的一个或多个差异。

实施例还提供了一种计算机实现的方法，还包括：基于所述多个矢量表示来估计与所述设备相关联的一个或多个参数。

实施例还提供了一种计算机实现的方法，还包括：回归所述多个矢量表示以估计所述一个或多个参数。

实施例还提供了一种计算机实现的方法，其中，多个矢量表示以64维流形被包括。

实施例还提供了一种计算机实现的方法，还包括：如果所述追踪信号是无效的，则由所述机器学习模型识别所述故障的类别。

实施例还提供了一种计算机实现的方法，其中，机器学习模型是深度神经网络。

实施例还提供了一种计算机实现的方法，还包括：由所述机器学习模型从所述传感器接收多个训练追踪信号；以及，由机器学习模型针对每个训练追踪信号从人接收一个或多个标记标签，其中，一个或多个标记标签指示每个训练追踪信号是有效的还是无效的。

本公开还提供了一种用于检测抽吸探针的故障的计算机实现的方法，其中，抽吸探针被连接到传感器，所述方法包括：通过机器学习模型从所述传感器接收指示抽吸探针的状态的追踪信号；由所述机器学习模型将所述追踪信号编码成多个矢量表示；以及，由机器学习模型基于多个矢量表示来确定追踪信号是有效的还是无效的。如果所述追踪信号是无效的，则通过所述机器学习模型识别与所述抽吸探针相关联的故障的类别。

实施例还提供了一种计算机实现的方法，还包括：通过所述机器学习模型来重构所述追踪信号；以及，在图形用户界面(GUI)中突出显示重构的追踪信号和追踪信号之间的一个或多个差异。

实施例还提供了一种计算机实现的方法，还包括：通过所述机器学习模型回归所述多个矢量表示以估计与所述抽吸探针相关联的一个或多个参数。

实施例还提供了一种计算机实现的方法，其中，一个或多个参数包括抽吸探针抽吸的体积或抽吸操作的数量。

实施例还提供了一种计算机实现的方法，其中，故障的类别是不吸入、不分配和无追踪信号中的一个。

实施例还提供了一种计算机实现的方法，其中，多个矢量表示以64维流形被包括。

本公开还提供了一种用于检测设备的故障的系统，其中，所述设备连接被到传感器，所述系统包括：编码器网络，用于将来自所述传感器的第一追踪信号编码成多个矢量表示；解码器网络，用于将所述多个矢量表示重构为第二追踪信号；以及，分类网络，用于识别第一追踪信号是有效的还是无效的。

实施例还提供了一种系统，还包括：参数估计网络，用于基于所述多个矢量表示来估计与所述设备相关联的一个或多个参数。

实施例还提供了一种系统，其中，通过回归多个矢量表示来估计一个或多个参数。

实施例还提供了一种系统，其中，多个矢量表示以64维流形被包括。

实施例还提供了一种系统，其中，解码器网络还被配置用于识别第一追踪信号和第二追踪信号之间的一个或多个差异。

实施例还提供了一种系统，其中，基于第二追踪信号和从分类网络输出的多个梯度来识别一个或多个差异。

通过下面参考附图对说明性实施例的详细描述，本发明的其它特征和优点将变得显而易见。

附图说明

当结合附图阅读时，从以下详细描述中可以最好地理解本发明的前述和其它方面。为了说明本发明的目的，在附图中示出了目前优选的实施例，然而，应当理解，本发明并不局限于所公开的具体手段。附图中包括以下图：

图1示出根据本文所述的一个实施例的故障自动检测系统的框图；

图2示出根据本文所述的另一实施例的故障自动检测系统的框图；

图3示出根据本文所述的一个实施例的来自连接到抽吸探针的传感器的有效采样追踪信号；

图4示出根据本文描述的一个实施例的机器学习模型的框图；

图5A示出根据本文描述的一个实施例的指示故障的原始追踪信号；

图5B示出根据本文描述的一个实施例的重构的追踪信号；

图5C示出根据本文描述的一个实施例的突出显示原始追踪信号和重构追踪信号之间的差异的原始追踪信号；

图6示出根据本文所述的一个实施例的用于训练机器学习模型的方法的流程图；

图7示出根据本文所述的一个实施例的用于检测设备故障的方法的流程图；以及

图8示出并行处理存储器体系架构的示例，其中，实现了说明性实施例的各方面。

具体实施例

以下公开根据针对使用传感器追踪数据自动检测设备故障的方法和系统的若干实施例描述了本发明。机器学习模型被用于分析来自连接到设备(例如抽吸探针)的一个或多个传感器的追踪信号，并确定与所述设备相关联的任务(例如抽吸)是否如所期望的那样完成了。在一个实施例中，如果任务失败，则机器学习模型可以进一步指示失败的原因。在一个实施例中，在机器学习模型中使用深度神经网络来重构追踪信号，同时检测任务失败。深度神经网络可以突出显示原始追踪信号的可以指示故障的一个或多个部分。

图1示出了根据本文所述的一个实施例的故障自动检测系统100的框图。故障自动检测系统100包括用于执行任务(例如抽吸)的设备102(例如抽吸探针)；连接到所述设备102的传感器104；以及，被训练成识别任务的失败和失败的原因的机器学习模型106(例如，深度神经网络)。传感器104监视由所述设备102执行的任务，并且生成被输入到机器学习模型106中的追踪信号108。机器学习模型106已经被大量追踪信号训练，所述大量追踪信号包括指示成功任务的有效追踪信号和指示失败任务的追踪信号。因此，经训练的机器学习模型106可以识别指示失败任务的追踪信号108。在一些实施例中，与失败追踪信号108一起提供指示失败的原因的信息。该信息用于训练机器学习模型106以在追踪信号108被分类为对应于失败任务时进一步提供失败的类别(即，失败的原因)。在一个实施例中，经训练的机器学习模型106可以识别追踪信号108是有效的还是无效的(即，失败)114。在另一实施例中，经训练的机器学习模型106还可以输出重构的追踪信号110。如果重构的追踪信号110不同于追踪信号108，则经训练的机器学习模型106可以进一步创建突出显示一个或多个差异112所在的区域的两个追踪信号的显示。在另一实施例中，经训练的机器学习模型106还可以输出与设备102相关联的估计参数116，以进一步支持有效或无效识别114。参数116可以是与设备102的功能相关联的任何参数。例如，如果所述设备是抽吸探针，参数116则可以是抽吸探针抽吸的体积，或抽吸操作的数量等。

通常，传感器104可以是能够监视由设备102执行的任务的任何传感器，例如压力传感器、温度传感器或电压传感器等。追踪信号108是从传感器104输出并输入到机器学习模型106中的。

图2示出了根据本文所述的另一实施例的故障自动检测系统200的框图。故障自动检测系统200包括用于执行抽吸任务的抽吸探针202；连接到抽吸探针202的压力传感器204；以及，被训练成识别抽吸失败和失败原因的机器学习模型106(例如，深度神经网络)。压力传感器204监视抽吸探针202的抽吸操作，并生成输入到经训练的机器学习模型106中的追踪信号108。经训练的机器学习模型106可以识别指示失败抽吸和失败的类别(例如，没有抽吸发生、没有分配发生、没有观察到追踪信号等)的追踪信号108。在一个实施例中，经训练的机器学习模型106可以识别追踪信号108是有效的还是无效的(即，指示失败)114。在另一实施例中，经训练的机器学习模型106还可以在故障的情况下输出重构的追踪信号110连同一个或多个差异112。在另一实施例中，经训练的机器学习模型106可以进一步输出由抽吸探针202抽吸的估计体积206。图3示出了根据本文所述的一个实施例的来自连接到抽吸探针202的传感器的有效采样追踪信号。采样追踪信号可以包括从任何传感器(例如，压力传感器204)收集的时间序列测量数据。

图4示出了根据本文所述的一个实施例的机器学习模型106的框图。在该实施例中，机器学习模型106被实现为深度神经网络。如本领域一般理解的，术语“深度神经网络”指的是使用多个层来从输入数据渐进地提取较高级特征的人工神经网络。图4中所示的机器学习模型106包括编码器网络302、解码器网络304、分类网络306和参数估计网络308。在该示例中，编码器网络302将追踪信号108编码成一个或多个紧凑表示310。在一个实施例中，该紧凑表示310包括64维流形。该表示310在其它网络304、306和308中分别用于追踪信号重构、故障识别和参数估计。在一个实施例中，该表示310可以被输入到分类网络306中，以将追踪信号108分类为有效或无效追踪信号。在进一步实施例中，该表示310可以被输入到解码器网络304以重构追踪信号110。如果追踪信号108被识别为无效信号，则重构的追踪信号110不同于原始追踪信号108。在显示器中突出显示重构的追踪信号110和原始追踪信号108之间的一个或多个差异112。例如，在一个实施例中，重构的追踪信号110和原始追踪信号108被显示在图形用户界面(GUI)中，并且差异112以红色示出，使得用户可以被通知故障并且快速定位可能的故障原因。可以基于来自解码器网络304的重构的追踪信号110和来自分类网络306的梯度312来识别和突出显示差异112。常规反向传播技术可用于更有效地计算分类网络306中的梯度312。图5A示出了根据本文所述的一个实施例的指示故障的原始追踪信号502。图5B示出了根据本文描述的一个实施例的重构的追踪信号504。图5C示出了根据本文描述的一个实施例的突出显示原始追踪信号与重构追踪信号之间的差异112的原始追踪信号502。

继续图4的示例性机器学习模型106，该表示310被输入到参数估计网络308以用于参数估计。例如，在机器学习模型106与抽吸探针202一起包括在故障自动检测系统200中的情况下，参数估计网络308可以回归该表示310以获得估计参数116(例如，由抽吸探针202抽吸的估计体积206)。将估计体积206与预期体积进行比较。如果估计体积与预期体积之间的差异超过预定义阈值，则认为抽吸失败。如果估计体积与预期体积之间的差在该预定义阈值内，则可以推断已经抽吸了足够的体积，而不管可以在原始追踪信号108中观察到的环境噪声。

如果追踪信号指示故障，则分类网络306可以根据故障原因进一步将故障分类到故障类别中。例如，如果检测到与抽吸探针202相关联的故障，则该故障可以是由不同因素引起的。例如，抽吸探针202可能不能抽吸任何液体；抽吸探针202在抽吸之后可能不能分配任何液体；压力传感器204可能发生故障，因为没有观察到追踪信号。除了有效或无效识别114之外，分类网络306还可以将故障分类到故障类别中。在一个实施例中，将故障通知发送给控制抽吸探针202的系统(例如，免疫测定和临床化学分析仪)。然后，该故障通知可以呈现在显示器上，以供操作者查看或其他用途。替代地，系统可以自动采取一种或多种措施来对该故障进行补救(例如，重新抽吸液体)。

在一个实施例中，可以提供多个传感器并且将其连接到设备102。例如，压力传感器、温度传感器和电流传感器被连接到设备102。每个传感器生成不同的追踪信号108，并且所有追踪信号都被输入到机器学习模型106中以用于分析。

尽管以上参考图4讨论的机器学习模型106被实现为深度神经网络，但是应当理解，在本发明的其他实施例中可以利用其他机器学习模型。可以使用本领域中通常已知的各种机器学习模型，包括但不限于决策树、梯度增强树、逻辑回归和随机森林模型。

机器学习模型106是用大量追踪信号训练的，其中，对有效或无效(即，指示故障)信号两者进行良好采样。例如，在一个实施例中，机器学习模型106用大约80,000个追踪信号来训练，包括指示故障的近乎10,000个追踪信号。根据利用该训练集执行的概念测试的证据，深度神经网络可以实现0.9942的分类精度，这表明故障自动检测系统100可以使用传感器追踪数据有效地检测任务的失败。

图6示出了根据本文所述的一个实施例的用于训练机器学习模型106的方法600的流程图。在步骤602，提供大量追踪信号108以训练机器学习模型106。理想的情况下，追踪信号108包括大量的追踪信号，其中，有效和无效追踪信号的采样表示对应设备操作的各种场景。在步骤604，每个追踪信号108是由人类(例如，关于生成追踪信号108的设备102和传感器104的机器学习专家)标记的。标记标签可以指示该追踪信号108是有效的还是无效的。标记标签还可以提供其他信息，例如抽吸探针202抽吸的体积、抽吸操作的数量等。在步骤606，将经标记的追踪信号输入到机器学习模型106中以用于训练。在监督学习的情况下，经训练的机器学习模型106可以识别新的追踪信号是有效的还是无效的。经训练的机器学习模型106可以进一步从新的追踪信号中估计一个或多个参数，诸如抽吸探针202抽吸的估计体积、抽吸操作的估计数量等。经训练的机器学习模型106可以进一步重构新的追踪信号，所述新的追踪信号与原始的新的追踪信号进行比较。可以突出显示重构的追踪信号和原始的新追踪信号之间的一个或多个差异112。

图7示出了根据本文所述的一个实施例的用于检测设备102的故障的方法的流程图。在步骤702，新的追踪信号被输入到经训练的机器学习模型106中。在步骤704，经训练的机器学习模型106中的编码器网络302将该新的追踪信号编码成矢量表示310，其在该示例中形成64维流形。在步骤706，分类网络306识别该新的追踪信号是有效的还是无效的。在步骤708，解码器网络304基于矢量表示310重构新的追踪信号。在步骤710，基于由分类网络306提供的梯度312突出显示重构的追踪信号和原始新的追踪信号之间的一个或多个差异112。在步骤712，参数估计网络308估计与设备102相关的一个或多个参数(例如，抽吸探针202抽吸的估计体积、抽吸操作的估计数量等)。在一些实施例中，步骤706和712的顺序可以随机调整；例如，步骤712可以在步骤706之前执行。

图8提供了可以用于实现机器学习模型106和本文所讨论的各种工作流的其他方面的并行处理存储器架构800的一个示例。该架构800可被用于使用NVIDIA CUDA™(或类似的并行计算平台)的本发明的实施例中。该架构包括经由总线815(例如，PCIe总线)连接的主机计算单元(“主机”)805和图形处理单元(GPU)设备(“设备”)810。主机805包括处理器或中央处理单元(称为“CPU”)(图8中未示出)，以及可由CPU访问的主存储器825。设备810包括图形处理单元(GPU)及其相关联存储器820，本文中称为设备存储器。设备存储器820可以包括各种类型的存储器，每个存储器都针对不同的存储器用途而优化。例如，在一些实施例中，设备存储器包括全局存储器、常量存储器和纹理存储器。

大数据平台和/或大模拟平台(参见图8)的并行部分可以在架构800上作为“设备内核”或简单地作为“内核”来执行。内核包括被配置成执行特定功能的参数化代码。并行计算平台被配置成基于参数、设置和用户提供的其他选择以最优方式跨架构800来执行这些内核。另外，在一些实施例中，并行计算平台可以包括附加功能以允许在用户提供最少输入的情况下以最佳方式自动处理内核。

每个内核所需的处理是由线程块的网格执行的(下面将更详细地描述)。使用并发内核执行、流、以及与轻量事件的同步，图8的架构800(或类似架构)可被用来并行化在训练或利用本文所讨论的机器学习模型中执行的基于模型的操作的部分。

设备810包括表示设备810的计算单元的一个或多个线程块830。术语线程块是指一组线程，其可以经由共享存储器协作并且同步它们的执行以协调存储器访问。例如，在图8中，线程840、845和850在线程块830中操作并访问共享存储器835。取决于所使用的并行计算平台，线程块可以被组织成网格结构。然后，可以将一个计算或一系列计算映射到该网格上。例如，在利用CUDA的实施例中，计算可被映射成一维、二维或三维网格。每个网格包含多个线程块，并且每个线程块包含多个线程。例如，在图8中，线程块830被组织成具有m+1行和n+1列的二维网格结构。通常，同一网格的不同线程块中的线程不能彼此通信或同步。然而，同一网格中的线程块可以同时在GPU内的同一多处理器上运行。每个线程块中的线程数量可以由硬件或软件约束来限制。

继续参考图8，寄存器855、860和865表示可用于线程块830的快速存储器。每个寄存器仅可由单个线程访问。因此，例如，寄存器855可以仅由线程840访问。相反，共享存储器每个线程块地分配，因此块中的所有线程都可以访问相同的共享存储器。因此，共享存储器835被设计成由线程块830中的每个线程840、845和850并行访问。线程可以访问由同一线程块(例如，线程块830)内的其他线程从设备存储器820加载的共享存储器835中的数据。设备存储器820可由网格的所有块访问，并且可以使用例如动态随机存取存储器(DRAM)来实现。

每个线程可以具有一个或多个级别的存储器访问。例如，在图8的架构800中，每个线程可以具有三级存储器访问。第一，每个线程840、845、850可以对其相应的寄存器855、860和865进行读和写。寄存器为线程提供了最快的存储器访问，因为不存在同步问题，并且寄存器通常位于执行线程的多处理器附近。第二，线程块830中的每个线程840、845、850可以读取数据和将数据写入到与该块830相对应的共享存储器835中。通常，由于需要在线程块中的所有线程之间同步访问，线程访问共享存储器所需的时间超过寄存器访问所需的时间。然而，像线程块中的寄存器一样，共享存储器通常位于接近执行线程的多处理器。第三级存储器访问允许设备810上的所有线程对设备存储器进行读和/或写。设备存储器需要最长的访问时间，因为访问必须跨在设备上操作的线程块而被同步。

本公开的实施例可以以硬件和软件的任何组合来实现。例如，除了图8中呈现的并行处理架构之外，标准计算平台(例如，服务器、台式计算机等)可以被专门配置成执行本文讨论的技术。另外，本公开的实施例可以被包括在具有例如计算机可读、非暂时性介质的制造品(例如，一个或多个计算机程序产品)中。该介质中可以包含用于提供和促进本公开实施例的机制的计算机可读程序代码。该制造品可以作为计算机系统的一部分被包括或单独出售。

虽然本文已经公开了各种方面和实施例，但是其它方面和实施例对于本领域技术人员应当是显而易见的。本文公开的各个方面和实施例是为了说明的目的，而不意图限制，真实范围和精神是由所附权利要求来表明的。

如本文所使用的可执行应用包括用于调节处理器以例如响应于用户命令或输入而实现预定功能的代码或机器可读指令，所述预定功能是诸如操作系统、上下文数据获取系统或其他信息处理系统的功能。可执行程序是代码段或机器可读指令、子例程、或其它不同的代码段、或用于执行一个或多个特定过程的可执行应用的一部分。这些过程可以包括接收输入数据和/或参数，对接收到的输入数据执行操作和/或响应于接收到的输入参数执行功能，以及提供所得到的输出数据和/或参数。

如本文所使用的图形用户界面(GUI)包括一个或多个显示图像，所述显示图像是由显示处理器生成的并且使得用户能够与处理器或其他设备交互，以及相关联的数据获取和处理功能。GUI还包括可执行程序或可执行应用。可执行程序或可执行应用程序调节显示处理器，以生成表示GUI显示图像的信号。这些信号被提供给显示供用户观看的图像的显示设备。处理器在可执行程序或可执行应用的控制下，响应于从输入设备上接收的信号，操纵GUI显示图像。以此方式，用户可使用输入设备与显示图像交互，从而实现与处理器或其它设备的用户交互。

这里的功能和处理步骤可以自动地或全部地或部分地响应于用户命令而执行。自动执行的活动(包括步骤)响应于一个或多个可执行指令或设备操作而执行，而无需用户直接启动该活动。

本说明书和权利要求书可以针对说明性实施例的特定特征和要素使用术语“一”、“至少一个”和“一个或多个”。应当理解，这些术语和短语旨在表明在特定的说明性实施例中存在至少一个特定特征或要素，但是也可以存在多于一个特定特征或要素。也就是说，这些术语/短语没有将说明书或权利要求限制为存在单个特征/要素或要求存在多个这样的特征/要素的意图。相反，这些术语/短语仅要求至少单个特征/要素，而具有多个这样的特征/要素在说明书和权利要求的范围内的可能性。

此外，应当理解，以下描述使用说明性实施例的各种要素的多个各种示例来进一步说明说明性实施例的示例性实施方式，并且帮助理解说明性实施例的机制。这些示例旨在是非限制性的，并且不是用于实现说明性实施例的机制的各种可能性的穷举。鉴于本说明书，对于本领域的普通技术人员来说，显然，在不脱离本发明的精神和范围的情况下，除了本文提供的示例之外，或者作为其替代，可以利用这些各种要素的许多其它替代实施方式。

附图中的系统和过程不是排他性的。根据本文描述的实施例的原理，可以导出其它系统、处理和菜单，以实现相同的目的。应当理解，这里示出和描述的实施例和变型仅用于说明的目的。在不脱离实施例范围的情况下，本领域技术人员可以实现对当前设计的修改。如本文所述，可以使用硬件组件、软件组件和/或其组合来实现各种系统、子系统、代理、管理器和过程。除非要素是使用短语“用于……的装置”来明确限定本文的权利要求的，否则不应使用美国法典第35第112(f)的条款来解释该要素。

尽管已经参考示例性实施例描述了本发明，但是本发明并不局限于此。本领域技术人员应当理解，可以对本发明的优选实施例进行许多改变和修改，并且可以在不偏离本发明的真实精神的情况下进行这样的改变和修改。因此，所附权利要求旨在被解释为覆盖落入本发明的真实精神和范围内的所有这些等同变化。

Claims (18)

1.一种用于检测设备的故障的计算机实现的方法，其中，所述设备连接到传感器，所述方法包括：

通过机器学习模型从所述传感器接收指示所述设备的状态的追踪信号；

由所述机器学习模型将所述追踪信号编码成多个矢量表示；

由所述机器学习模型基于所述多个矢量表示来确定所述追踪信号是有效的还是无效的，其中有效的追踪信号指示成功任务，并且无效的追踪信号指示失败任务；以及

基于所述多个矢量表示来估计与所述设备相关联的一个或多个参数以进一步支持所述追踪信号是有效的还是无效的确定。

2.根据权利要求1所述的方法，还包括：

通过所述机器学习模型来重构所述追踪信号；以及

在图形用户界面(GUI)中突出显示所述重构的追踪信号与所述追踪信号之间的一个或多个差异。

3.根据权利要求1所述的方法，还包括：

回归所述多个矢量表示以估计所述一个或多个参数。

4.根据权利要求1所述的方法，其中，所述多个矢量表示以64维流形被包括。

5.根据权利要求1所述的方法，还包括：

如果所述追踪信号是无效的，由所述机器学习模型识别所述故障的类别。

6.根据权利要求1所述的方法，其中，所述机器学习模型是深度神经网络。

7.根据权利要求1所述的方法，还包括：

由所述机器学习模型从所述传感器接收多个训练追踪信号；以及

由所述机器学习模型针对每个训练追踪信号从人接收一个或多个标记标签，其中，所述一个或多个标记标签指示每个训练追踪信号是有效的还是无效的。

8.一种用于检测抽吸探针的故障的计算机实现的方法，其中，抽吸探针连接至传感器，所述方法包括：

通过机器学习模型从传感器接收指示抽吸探针的状态的追踪信号；

由所述机器学习模型将所述追踪信号编码成多个矢量表示；以及

由所述机器学习模型基于所述多个矢量表示来确定所述追踪信号是有效的还是无效的，其中有效的追踪信号指示成功任务，并且无效的追踪信号指示失败任务；

如果所述追踪信号是无效的，通过所述机器学习模型识别与所述抽吸探针相关联的故障的类别。

9.根据权利要求8所述的方法，还包括：

通过所述机器学习模型来重构所述追踪信号；以及

在图形用户界面(GUI)中突出显示所述重构的追踪信号与所述追踪信号之间的一个或多个差异。

10.根据权利要求8所述的方法，还包括：

通过所述机器学习模型回归所述多个矢量表示以估计与所述抽吸探针相关联的一个或多个参数。

11.根据权利要求10所述的方法，其中，所述一个或多个参数包括由所述抽吸探针抽吸的体积或抽吸操作的数量。

12.根据权利要求8所述的方法，其中，所述故障的类别是没有吸入、没有分配和没有追踪信号中的一种。

13.根据权利要求8所述的方法，其中，所述多个矢量表示以64维流形被包括。

14.一种用于检测设备的故障的系统，其中，所述设备连接到传感器，所述系统包括：

编码器网络，用于将来自所述传感器的第一追踪信号编码成多个矢量表示；

解码器网络，用于将所述多个矢量表示重构为第二追踪信号；

分类网络，用于识别所述第一追踪信号是有效的还是无效的；以及

参数估计网络，用于基于所述多个矢量表示来估计与所述设备相关联的一个或多个参数以进一步支持所述追踪信号是有效的还是无效的确定，其中有效的追踪信号指示成功任务，并且无效的追踪信号指示失败任务。

15.根据权利要求14所述的系统，其中，通过回归所述多个矢量表示来估计所述一个或多个参数。

16.根据权利要求14所述的系统，其中，所述多个矢量表示以64维流形被包括。

17.根据权利要求14所述的系统，其中，所述解码器网络还被配置为识别所述第一追踪信号和所述第二追踪信号之间的一个或多个差异。

18.根据权利要求17所述的系统，其中，基于所述第二追踪信号和从所述分类网络输出的多个梯度来识别所述一个或多个差异。