CN116324175A - 用于控制泵的方法和系统 - Google Patents

Abstract

一种计算机实现的方法，用于确定在使流体移动的系统中运行的泵的一个或更多个应用特定控制参数，该方法包括：在所述系统中的泵运行期间，监测泵的一个或更多个运行变量；应用训练过的机器学习模型，以从监测的运行变量中自动地确定应用类型，该应用类型表示泵在其中运行的系统的类型和/或表示当泵在所述系统中运行时由泵执行的运行的类型，每个应用类型与相应的一个或更多个应用特定控制参数的集合相关联；基于与所确定的应用类型相关联的一个或更多个应用特定控制参数的集合控制泵。

Description

用于控制泵的方法和系统

技术领域

本公开涉及一种用于控制泵的方法和系统。

背景技术

泵被广泛用于不同的技术领域和各种各样的应用中，诸如供水系统、基于流体的加热系统、废水系统和/或类似系统中。

许多泵被设计用于各种应用。这种泵通常是能配置的，并且允许选择某些控制参数(诸如泵速)。特别地，一些泵可以选择性地在不同的控制模式下运行，即一个或更多个控制参数可以与多个可用的控制模式中选定的一个相关联。

在许多应用中，希望设定或调整泵的控制参数，以便使控制参数设定与泵在其中将要运行的特定应用相匹配。通常，在制造期间，每个泵被设置有包括控制参数的默认设定的出厂设定。控制参数可以随后地(例如在特定应用中泵的安装过程中)进行调整。然而，为了使控制参数适当地适配特定应用，用户(例如维修技术人员)，需要知道如何调整控制参数，以及什么样的控制参数设定的选择适合于特定应用。此外，控制参数的手动调整是耗时的。因此，在实践中，泵的安装通常没有根据在其中使用泵的特定应用对控制参数设定进行适当的调整。相反，它们通常仅使用原始出厂设定，或者使用对特定应用的次优(suboptimal)设定。这可能导致次优的运行(例如次优的泵性能)，或者甚至故障、不必要的高功耗、不必要的磨损和/或不必要的缩短泵和/或泵在其中运行的系统的其他系统部件的寿命。

EP3376315公开了一种用于液压系统中的可控速的离心泵单元的配置方法，该方法能够用于不同类型的系统中，并且能够在具有相应的控制配置的多种不同控制模式下运行。该现有技术方法使用在配置设备上执行的配置助手，该配置助手允许用户选择多个预定系统类型中的一个，并且其上存储有与相应的系统类型相关联的控制模式。然而，这种方法仍然需要用户选择系统类型，即它需要手动输入和知道正确的系统类型。

仍然希望提供一种更有效和更可靠的用于控制泵的方法，即使对于未受过训练的用户来说，这种方法也易于使用。

发明内容

根据一个方面，本文公开了计算机实现的方法的实施例，该计算机实现的方法用于确定使流体移动的系统中运行的泵的一个或更多个应用特定控制参数，该方法包括：

-在泵在所述系统中运行期间，监测泵的一个或更多个运行变量；

-应用训练过的机器学习模型，以从所监测的运行变量中自动地确定应用类型，该应用类型表示泵在其中运行的系统的类型和/或表示当泵在所述系统中运行时由泵执行的运行的类型，每个应用类型与相应的一个或更多个应用特定控制参数的集合相关联；

-基于与所确定的应用类型相关联的一个或更多个应用特定控制参数的集合控制泵。

对应地，该方法自动地确定应用的类型，泵在该应用中运行。该方法还可以自动地或以用户辅助的方式确定与所确定的应用类型相匹配的应用特定控制参数的集合。因此，该方法可以包括从所确定的应用类型中确定应用特定控制参数的集合；或者，该方法可以直接确定与应用类型相关联的应用特定控制参数的集合。

对应用类型的正确识别允许更好地优化泵的运行，并且可选地，整体上更好地优化系统。附加地，正确识别还有助于为泵操作员提供更准确的服务，例如维护服务或系统分析。

应用类型可以指示泵是其一部分并且在其中运行的系统的类型，即确定应用类型可以包括系统的系统识别，泵是该系统一部分。替代地或附加地，应用类型可以指示泵在系统内执行的运行的类型。系统类型可以是但不限于加热系统、冷却系统、饮用水系统。系统类型的示例可以包括系统类型的层次结构，例如包括更通用的系统类型以及一个或更多个通用系统类型的子类型；例如散热器系统、地板下供暖系统、锅炉系统、混合回路、原水取水(raw water intake)系统、废水处理厂、市政泵站等。

不同的应用类型对应于在所述应用中由泵执行的不同任务。差异可能在于泵送哪种流体和/或何种运行参数或控制策略对于解决所述任务最重要，例如保持压力、保持最低温度、期望何种开始/停止范式(pattern，模式)或避免开始/停止模式和调整连续运行。

控制参数可以包括用于控制泵的一个或更多个控制参数的任何集合。通常，对应用特定控制参数的引用是指这些控制参数的设定或值，这些控制参数被选择用于在给定的应用类型中控制泵。

应用特定控制参数的示例包括当泵在某种应用类型中运行时一个或更多个运行变量的设定点、目标值和/或其他设定值，诸如压力、流量和/或旋转速度(RPM)的设定点、目标值和/或其他设定值。例如，应用特定控制参数可以限定当泵在给定应用中运行时应该运转多快，应该达到什么压力或流量，和/或类似内容。应用特定控制参数的进一步示例可以包括方程中的常数，例如，其中方程描述了两个或更多个运行变量之间的关系，诸如当泵在给定的应用类型中运行时运行变量的目标关系；例如，应用特定控制参数可以限定为，如果流量增加1m³/h，那么压力应该增加0.5巴(bar)。应用特定控制参数的又一个示例包括一个或更多个PID值(诸如描述泵应该调节多快和/或期望多少超调量(overshoot)的PID值)的应用特定集合。

一个或更多个应用特定控制参数的集合可以由机器学习模型直接确定，即，应用特定控制参数的集合本身可以是应用类型的表示。替代地或附加地，可以基于由机器学习模型输出的应用类型的识别确定(特别是选择)应用特定控制参数。例如，机器学习模型可以被训练以输出一个或更多个类别标识符，每个类别标识符与对应的应用类型相关联。然后，该过程可以确定(例如选择)与所确定的应用类型相匹配的应用特定控制参数的集合。应用特定控制参数的这种确定可以例如作为查找表中的查找来执行，为此，查找表可以包括多个应用类型，并且对于每个应用类型，(包括)对应的应用特定控制参数的集合。

应当理解的是，应用特定控制参数的集合可以表示为该集合的相应的应用特定控制参数的单个(individual)参数值的集合。在一些实施例中，应用特定控制参数的一个或更多个集合可以共同表示为相应的控制模式，其中每个控制模式表示用于控制给定应用类型中的泵的一个或更多个应用特定控制参数的集合。对应地，确定应用特定控制参数的集合可以包括确定(特别是选择)应用特定控制模式。例如，应用特定控制模式可以由机器学习模型直接地确定，即，应用特定控制模式(可选地包括与控制模式相关联的一个或更多个运行变量的参考应用特定值或目标值)本身可以是应用类型的代表。替代地或附加地，可以基于由如本文所述的机器学习模型输出的应用类型的识别来确定(特别是选择)应用特定控制模式(可选地包括与控制模式相关联的一个或更多个运行变量的参考应用特定值或目标值)。

控制模式的示例可以包括以下控制模式中的一个或更多个：

-比例压力控制模式

-恒压控制模式

-恒速控制模式

-开/关控制模式

-和/或类似模式。

例如，比例压力控制模式可以限定参考压力、零流量时的压力和压力对流量的变化率的应用特定值。类似地，恒压控制模式可以限定应用特定压力参考。还类似地，恒速控制模式可以限定应用特定速度参考。开/关控制模式可以限定应用特定水平参考(levelreference)和滞环(hysteresis band)。

在一些实施例中，监测包括获得在时间上的相应点处的一个或更多个运行变量的值的时间序列。应当理解，运行变量可以在不同的时间尺度下变化。对应地，并非所有的运行变量都需要以相同的时间间隔或相同的监测频率进行监测。虽然可以(以)短的时间间隔(例如每分钟或每秒钟)监测一些运行变量，但是其他运行变量可以被更不频繁地监测，例如按小时、每天一次或者甚至在整个监测时期仅一次。

所监测的运行变量可以指示泵马达的运行状态和/或指示被泵移动的流体的特性。特别地，所监测的运行变量可以包括泵马达的能直接地测量的运行变量或者根据泵马达的一个或更多个能测量的运行变量而推导出的量(quantity)。泵马达的运行变量的示例包括泵马达的频率或旋转速度、泵马达的功率(特别是电功率)、馈入泵马达的电驱动电流、泵马达的能耗等。根据泵马达的一个或更多个能直接地测量的运行变量而导出的量的示例包括多个能直接地测量的运行变量的线性组合、一个或更多个能直接地测量的运行变量的多项式、这种多项式的根、根据泵马达的一个或更多个能直接地测量的运行变量而计算的流量的分析估计等。泵马达的附加或替代运行变量的示例包括马达电子器件的温度、泵马达的温度等。

对于许多泵来说，泵的上述运行变量中的一些或全部可以容易地获得(例如直接地从泵马达的驱动电路获得)，或者它们可以以其他方式轻而易举地获得，而不需要对泵马达或驱动电路进行复杂的修改，并且也不需要昂贵的传感器(诸如液压传感器)。然而，在一些实施例中，所监测的运行变量包括由合适的传感器监测的量，该传感器可以被集成到泵中或者可以在泵的外部，例如通信地联接到泵的控制单元的传感器。这种传感器的示例包括流量传感器、温度传感器、压力传感器等。

指示被移动的流体的特性的运行变量的示例可以包括以下运行变量中的一个或更多个：流体的温度、指示通过泵的流动速度(a rate of flow through the pump)的流速(flow rate)、被移动的流体的压力(例如泵的上游和/或下游的压力)等。通常，由泵移动的流体可以是气体(诸如空气)或者是液体(诸如水、废水)等。运行变量中的一些或全部可以由合适的传感器测量，而其他运行变量可以例如基于其他运行变量来估计。

在一些实施例中，当该监测产生一个或更多个运行变量的一个或更多个时间序列时，所获得的时间序列可以直接地用作机器学习模型的输入。替代地或附加地，该过程可以预处理时间序列，例如以便压缩数据、减少数据的维度、从数据中提取特征等和/或诸如此类。对应地，在一些实施例中，机器学习模型的输入可以包括表示在监测期间已经获取的数据的统计特性的汇总统计量(summary statistics)。

机器学习模型可以接收运行变量以及，可选地，附加的输入数据作为输入数据。附加的输入数据可以包括在监测运行变量期间不变的静态数据，或者可以是在监测期间变化的动态数据。静态数据的示例包括关于泵的信息，诸如泵标识符、泵类型、泵的静态运行设定、安装尺寸(例如，由附近泵的数量或由另一合适的度量来指示的安装尺寸)、显示照片的图像数据或者作为液压设施(hydraulic installation)的一部分的泵的图像数据、GPS数据或指示泵的地理位置的其他位置数据(例如邮政编码、国家、一年中的时间)和/或类似物。

附加的输入数据的进一步示例包括关于泵的当前控制设定的信息，例如关于泵的当前控制模式(例如恒压模式、比例模式等)、一个或更多个当前选择的设定点、选择的流量限制、气象数据或其他环境数据等。

在一个实施例中，由该过程接收的输入数据包括以下内容：泵序列号、泵类型、功耗、控制模式、流速和泵速。

在一些实施例中，机器学习模型可以接收关于安装泵的系统的至少一些信息。在一些实施例中，泵的处理单元或外部数据处理系统可以从泵在其中运行的系统的其他部分接收传感器数据，该其他部分不同于泵。这种传感器数据的示例可以指示压力、温度、流速、阀门位置等。因此，机器学习模型也可以接收此类传感器数据作为附加的输入数据。

在一些实施例中，该过程可以包括捕获泵的一个或更多个图像，并且可选地，捕获系统的一个或更多个其他部件(例如泵连接到的部件)的一个或更多个图像。该一个或更多个图像可以例如由实现机器学习模型的数据处理系统的相机捕获，或者由通信地联接到数据处理系统的相机捕获。这些图像可以例如使用执行应用程序(app)的智能手机或平板电脑来拍摄。该应用程序能够运行来提供关于应该如何拍摄图像的指导，以确保系统的部件在相关上下文中显示。该过程可以包括对捕获的一个或更多个图像执行图像处理，以便辨识一个或更多个捕获图像的一个或更多个图像特征。捕获的一个或更多个图像，或者一个或更多个被处理图像的处理过得版本，可以用作机器学习模型的附加输入。

系统的图像的示例可以包括设施(泵是该设施的一部分)的一张或多张照片、设施(泵是该设施的一部分)的一张或多张3D扫描和/或IR扫描。可以通过图像辨识过程来处理图像，该图像辨识过程可以辨识不同类型(例如基于所辨识的管道拓扑结构、基于除了泵之外的所辨识的部件等)的设施。图像辨识过程可以包括训练过的机器学习模型，该模型可以基于已知/典型设施的图像训练。

在一些实施例中，监测包括在至少预定的时间段(诸如至少1小时、诸如至少6小时、诸如至少12小时、诸如至少24小时)内进行监测。在至少预定的时间段内进行监测确保了在监测期间获得的值具有足够的代表性，并且覆盖了在特定应用中运行变量的规则变化，例如在一个工作日的进程中，在24小时的进程中或者另一个合适的周期时间。在一些实施例中，可能需要收集来自至少24小时的运行数据，以便捕获每日消耗周期的范式。初始分类可以基于24小时后或另一个合适的初始监测时期后的时间序列。随着更多数据变得可用，之后可以更新初始分类。

对应地，在一些实施例中，可以在初始时间段内执行监测，以产生所监测的运行变量的初始集合。该过程可以将训练过的机器学习模型应用于所监测的运行变量的初始集合，以确定初始的应用类型。然后，该过程可以在附加的时间段内监测一个或更多个运行变量，以产生所监测的运行变量的扩展集合。可选地，在附加的时间段期间，可以基于与所确定的初始应用类型相关联的应用特定控制参数的集合来控制泵。该过程然后可以将训练过的机器学习模型应用于所监测的运行变量的扩展集合，以确定细化的应用类型。然后，可以基于与细化的应用类型相关联的应用特定控制参数来运行泵。这个过程可以重复数次。具体地，在一些实施例中，确定初始应用类型可以包括与所监测数据的初始集合和/或初始应用类型相关联的对应的置信水平。该过程可以将置信水平与阈值进行比较，并且如果置信水平小于阈值，则该过程可以在附加的时间段内监测一个或更多个运行变量，以产生所监测的运行变量的扩展集合。在一个实施例中，在附加的时间段期间，泵可以基于运行变量的先前集合运行，例如基于默认或出厂设定，或者基于与确定的初始应用类型相关联的应用特定控制参数的集合。该过程可以基于所确定的置信水平来选择控制参数的先前集合或者与初始应用类型相关联的应用特定控制参数。例如，如果置信水平低于最低水平，则该过程可以基于先前的控制参数在附加的时间段期间运行泵。如果置信水平超过最低水平，则该过程可以基于与所确定的初始应用类型相关联的应用特定控制参数在附加的时间段期间控制泵。在任何情况下，然后，该过程可以将训练过的机器学习模型应用于所监测的运行变量的扩展集合，以确定细化的应用类型。这个过程可以重复数次，例如直到置信水平达到或超过阈值，或者直到满足另一个条件(例如直到已经执行了预定的最大重复次数)。

监测可以在初始设置过程中或者在泵的正常运行过程中执行。在监测期间，特别是在初始时间段内的监测期间，可以用控制参数的当前集合来运行泵。控制参数的当前集合可以是出厂设定或先前(例如本文描述的方法的实施例的先前应用期间)选择的应用特定控制参数的集合。

在一些实施例中，可以通过以特殊的控制模式(例如，设置模式)运行泵来改进分类，其中泵以不同的运行的模式和/或基于不同的设定点运行，以研究系统响应，以获得用于分类的改进后的数据集合。对应地，在一些实施例中，监测包括：

-在泵基于控制参数的至少第一集合运行时，监测一个或更多个运行变量，

-在泵基于控制参数的至少第二集合运行时，监测一个或更多个运行变量，控制参数的第二集合不同于控制参数的第一集合，以及

-可选地，当泵基于控制参数的至少另一集合运行时，监测一个或更多个运行变量。

例如，系统可以被选择性地设定为多种不同控制模式中的每一种，并且可以在多种控制模式中的每一种模式下的运行期间监测运行变量。然后，在这些不同控制模式下的运行期间获取的数据可以被机器学习模型用来确定应用类型，以确定最佳运行的模式。

机器学习模型可以被训练以将一个或更多个所监测的运行变量映射到多个类别中对应的一个类别，多个类别中的每个类别与相应的应用类型相关联。在训练过程中，类别可以是预定的、已知的应用类别，并且训练可以包括监督学习。替代地，这些类别可以是先验未知的，而是在训练过程中限定的。在这种情况下，训练过程可以包括无监督学习。当使用无监督学习时，可以通过无监督集群算法训练机器学习模型，以将所监测的运行变量的集合映射到多个集群中对应的一个集群。无监督学习可以包括集群(诸如K-均值集群)，并且类别可以被限定为合适的输入空间中的相应的集群，该输入空间表示集群过程的输入参数，例如所监测的运行变量的输入参数。通常，合适的机器学习模型的示例包括k均值集群、自动编码器、T/SNE、PCA、支持向量机(SVA)、决策树和神经网络。

机器学习模型的训练可以基于训练数据，该训练数据包括来自一个或更多个泵的所监测的运行变量，该一个或更多个泵在相应的类型的应用中运行，即在相应的泵应用中运行。特别地，当采用监督学习时，训练数据可以进一步包括相应的类别标识符，当获得相应的所监测的运行变量时，相应的类别标识符识别泵在其中运行的相应的应用类型。通常，训练数据应该表示不同类型的应用。训练算法能够运行来创建机器学习模型，该机器学习模型被配置成在合适的输入空间中(特别是在高维观察空间中)分离所监测的运行变量的不同类别或不同集群。集群的潜在含义不一定事先知道，但是集群可以具有相似的特点。不同应用类型的示例可以包括“热水”、“锅炉泵”、“风机盘管单元”、“散热器系统一管/两管(Radiator system one pipe/Two pipe，散热器系统单管/双管)”、“地板下供暖”、“空气处理单元”、“冷却”等。可以理解的是，其他实施例可以包括替代的和/或附加的应用类型。

当训练包括无监督学习时，该训练过程可以被配置成确定训练数据的不同子集，例如，当在合适的空间中表示时，训练数据的不同集群。无监督学习可以单独基于所监测的运行训练数据，即无监督学习不基于已知的类别标识符，该类别标识符在获得相应的所监测的运行变量时识别泵在其中运行的相应的应用类型。然后，从无监督训练过程产生的不同子集或集群可以被手动地映射到相应的应用类型。因此，产生的训练过的机器学习模型可以被配置成将所监测的运行变量的集合映射到子集或集群中的一个。然后，该过程可以进一步被配置成将所监测的运行变量所映射到的子集或集群映射到一个或更多个应用特定控制参数的对应集合。无监督学习的使用有助于先验未知的应用类型的识别，例如已知应用类型的子类型。执行集群的是训练算法。所得到的集群可能不像先验预期的那样。例如，两个看起来非常不同的应用可能被合并到同一个集群中，或者先验已知的应用中的一个可能被分割成一个或更多个子集群。

可选地，在监督学习中，模型被训练以将观察映射到先验已知的类别。对应地，当训练包括监督学习时，训练过程可以基于所监测的运行数据和对应的已知类别标识符，该标识符识别当获得相应的所监测的运行变量时泵运行的相应的应用类型。监督训练过程被配置成提供训练过的机器学习模型，该模型将所监测的运行变量映射到类别标识符中相应的一个。

在一些实施例中，该过程包括验证步骤，例如基于规则的验证步骤。验证步骤可以将由训练过的机器学习模型所确定的应用类型与一个或更多个参数进行比较，例如与泵或泵安装在其中的系统的已知属性进行比较、与所监测的运行变量的一个或更多个属性进行比较、与同一泵的先前所确定的应用类型进行比较等等。基于该比较，验证步骤可以确认所确定的应用类型或者拒绝所确定的应用类型。验证步骤可以包括用户输入，指示用户对所确定的应用类型的批准或拒绝。在这样的实施例中，只有被批准的应用类型可以随后被用于选择匹配的应用特定控制参数来控制泵的运行。在一些实施例中，如果验证步骤导致所确定的应用类型的拒绝，则该过程可以以若干可能方式中的一种来作出反应。例如：

-该过程可以选择控制参数的默认集合，

-该过程可以请求用户输入来确认所确定的应用类型和/或选择替代的应用类型；

-该过程可以例如基于不同的，例如所监测的运行变量的扩展集合来重复自动确定。

例如，某些应用类型可能与某些类型的泵不兼容。在一个实施例中，验证步骤将与所确定的应用类型相关联的应用特定控制参数的集合与泵的可用的控制模式进行比较。只有当与所确定的应用类型相关联的应用特定控制参数的集合与可用的控制模式匹配时，验证步骤才选择所述应用特定控制参数的集合。

在一些实施例中，训练过的机器学习模型由泵本身实现，即，泵可以包括被配置成应用训练过的机器学习模型的处理单元。例如，泵可以预加载基本的机器学习模型来进行安装，该模型能够识别其安装的应用类型，例如通过收集数据点的集合并通过识别匹配的集群或通过根据预训练的分类模型识别类别。用作模型输入的数据可以包括时间序列数据和/或汇总统计量和/或静态数据。处理单元可以包括存储器，其上存储有表示训练过的机器学习模型的模型参数。处理单元可以包括其上存储有计算机可执行指令的存储器，该计算机可执行指令用于使处理单元将训练过的机器学习模型应用于所监测的运行变量。对应地，泵可以被配置成应用训练过的机器学习模型，并且作为独立(stand-alone)单元来控制泵的运行，即，不需要与外部设备(例如外部数据处理系统)进行通信。其中存储有模型参数的存储器和其上存储有计算机可执行指令的存储器可以是相同的存储器或分离的存储器。模型参数可以被存储为计算机可执行指令的一部分或与其分离。

替代地或附加地，泵可以连接到被配置为实现机器学习模型(特别是执行分类或集群识别)的基于云的系统和/或另一种类型的本地或远程数据处理系统。在一些实施例中，泵可以能通信地连接到智能手机、平板电脑或另一种便携式数据处理设备(例如经由蓝牙或另一种合适的无线或有线通信链路(诸如经由Wifi连接、经由以太网连接等))。这有利于更大和更详细的数据集合的使用，并允许使用更多的计算能力来实现更精确的分类。此外，用户可以使用数据处理设备或系统来捕获包括泵的设施的一张或多张图像。该一张或多张图像然后可以作为附加的输入数据被包括在系统的分类中。为此，实现训练过的机器学习模型的便携式数据处理设备可以包括相机，用于在泵作为系统的一部分被安装时捕获泵的一张或多张图像。替代地或附加地，一张或多张图像可以由单独的相机拍摄，并被传输到实现训练过的机器学习模型的数据处理系统。

对应地，在一些实施例中，训练过的机器学习模型可以由与泵分离的数据处理系统来实现。在这种实施例中，泵可以包括通信接口，该通信接口被配置为与数据处理系统通信，特别是向数据处理系统发送所监测的运行变量，并且从数据处理系统接收应用类型和/或一个或更多个应用特定控制参数的对应的集合。类似地，数据处理系统可以包括被配置为与泵通信的通信接口，以及处理单元，所述处理单元被配置为将训练过的机器学习模型应用于从泵接收的运行变量。为此，处理单元可以包括存储器，该存储器上存储有表示训练过的机器学习模型的模型参数。处理单元可以包括其上存储有计算机可执行指令的存储器，该计算机可执行指令用于使处理单元将训练过的机器学习模型应用于所监测的运行变量。其中存储有模型参数的存储器和其上存储有计算机可执行指令的存储器可以是相同的存储器或分离的存储器。模型参数可以被存储为计算机可执行指令的一部分或与其分离。数据处理系统可以将所确定的应用类型发送给泵。替代地或附加地，数据处理系统可以确定与所确定的应用类型匹配的一个或更多个应用特定控制参数的合适的集合，并将所确定的一个或更多个应用特定控制参数的集合发送给泵。可选地，数据处理系统，在数据处理系统仅向泵发送所确定的应用类型的实施例中，泵可以被配置为选择与所接收的应用类型匹配的一个或更多个应用特定控制参数的合适的集合。在任何情况下，泵可以被配置成应用一个或更多个应用特定控制参数的集合，该一个或更多个应用特定控制参数的集合是基于由外部数据处理系统对泵在其中运行的应用类型的确定而确定的。因此，应用类型的识别可以基于复杂的机器学习模型，该机器学习模型不受泵的通常有限的计算资源的限制。数据处理系统的示例包括适合于编程的计算机、虚拟机、分布式数据处理系统、平板计算机、智能电话等。在一些实施例中，数据处理系统包括便携式数据处理设备(诸如智能电话或平板电脑)。便携式数据处理设备可以经由有线或短距离无线通信链路与泵通信。训练过的机器学习模型可以由便携式数据处理设备本身来实现。替代地，便携式数据处理设备可以与远程数据处理系统(例如服务器计算机)通信。这种通信可以例如经由蜂窝电信网络、经由互联网和/或类似网络来执行。远程数据处理系统可以例如基于经由便携式数据处理设备从泵接收的数据来实现训练过的机器学习模型和/或执行细化的机器学习模型的训练。

通常，泵与数据处理系统之间的通信可以通过有线连接(诸如经由以太网、USB等)建立。替代地，可以经由使用一种或多种适当的无线技术(诸如WIFI、蓝牙等)的无线连接来建立通信。该通信可以是泵与数据处理系统之间的直接连接，或者是经由合适的网关、计算机网络等的间接通信。

本文所描述的方法的一些实施例可以包括第一训练过的机器学习模型和第二训练过的机器学习模型，第一训练过的机器学习模型由泵的处理单元本地实现，第二训练过的机器学习模型由外部数据处理系统实现。对应地，该方法可以包括：

-确定泵是否通信地联接到外部数据处理系统，该外部数据处理系统被配置为实现第二训练过的机器学习模型；

-响应于确定泵通信地联接到外部数据处理系统，将所监测的一个或更多个运行变量传输到外部数据处理系统；由外部数据处理系统将第二训练过的机器学习模型应用于所通信的所监测的一个或更多个运行变量，以便确定应用类型；以及将应用类型和/或与应用类型匹配的一个或更多个应用特定控制参数的集合传输到泵；

-响应于确定泵没有通信地联接到外部数据处理系统，通过泵将第一训练过的机器学习模型应用到所监测的一个或更多个运行变量，以确定应用类型。

对应地，无论泵是否通信地联接到外部数据处理系统都可以基于所确定的应用类型来控制泵。此外，该过程可以应用最佳可用的机器学习。特别地，与第一训练过的机器学习模型相比，第二训练过的机器学习模型可以是：

-更复杂的，

-基于更大的训练数据集合进行训练，

-基于训练数据集合进行训练，该训练数据集合包括来自不同泵和/或不同系统的所监测的运行变量，

-基于包括最近所监测的运行变量的训练数据进行训练，

-上述一项或多项的组合。

应用类型的确定可以完全基于由泵实现的本地机器学习模型，或者其可以仅在泵当前没有通信地连接到外部数据处理系统时基于本地机器学习模型。在这两个实施例中，用于创建本地机器学习模型的训练过程可以由外部数据处理系统来执行。

为此，通信地连接到外部数据处理系统的泵可以将由泵获取的数据(特别是由泵监测的运行变量)，传输到外部数据处理系统。然后，数据可以由外部数据处理系统存储，用于在训练细化的机器学习模型期间用作训练数据，以持续地改进训练过的机器学习模型。如果泵不可通信地连接到外部数据处理系统，则泵可以将获取的数据以完整或压缩的形式本地存储在泵的存储器中。本地存储的数据可以随后被检索，例如当维修人员维修泵时。可以例如经由有线连接、经由短距离无线通信接口、使用便携式数据存储设备等来下载数据。检索数据然后可以被加载到外部数据处理系统上，并用于改进将用于该泵或其他泵的预加载的机器学习模型。如此创建的改进的机器学习模型可以以类似的方式(即使用有线或短距离无线连接或便携式数据载体或以另一种合适的方式)被传送到泵。

虽然使用处理单元对机器学习模型进行本地训练是可能的，但是完全或部分通过外部数据处理系统对机器学习模型进行训练通常更有效，因为训练通常需要相当多的计算资源。训练可以基于来自一个或更多个泵的监测数据，这些泵在不同的系统中运行并且用于执行不同类型的运行。训练可以产生训练过的机器学习模型，特别是这种模型的模型参数集合，模型参数然后(例如在泵的制造过程)可以存储在泵的存储器中。应当理解，模型参数也可以被传输到已经安装在系统中的泵。为了提供更新的机器学习模型，这可能特别有用。

在一些实施例中，例如在制造过程中，可以为泵提供初始机器学习模型。初始机器学习模型可以随后(例如适配于特定的泵)被更新。为此，例如在初始校准阶段，可以基于由特定的泵获得的训练数据的补充集合来更新初始机器学习模型。替代地或附加地，初始机器学习模型可以随后基于由特定的泵和/或由在不同系统中运行的其他泵而获得的所监测的运行变量来更新。

本文中描述的过程的实施例可以在泵的初始启动时执行。在一些实施例中，该过程可以仅在泵的初始启动时执行。替代地或附加地，当由用户输入和/或由另一触发条件触发时(例如在泵的每次启动时、在经过预定的时间段时、在经过预定运行时间时、在预定次数的启动后或其组合时)可以执行该过程。

如上所述，在一些实施例中，泵可以能通信地连接到外部数据处理系统，特别是便携式数据处理设备，诸如平板电脑或智能手机。然后，机器学习模型可以由便携式数据处理设备或泵来实现。在这两种情况下，便携式数据处理设备可以提供用户界面，例如由便携式数据处理设备执行的应用程序或其他计算机程序来控制。用户界面可以允许用户基于应用类型的识别来查看应用特定控制参数的设定的结果。例如，用户界面可以显示所识别的应用类型和/或它可以显示由泵或由便携式数据处理设备基于所识别的应用类型而选择的控制模式和/或应用特定控制参数的其他集合。在一些实施例中，用户界面可以允许用户控制过程的(多个)方面，例如通过允许用户启动过程，可选地包括输入与过程相关联的某些可选参数(例如监测的最小持续时间、关于泵的信息等)。在一些实施例中，用户界面可以显示建议的应用特定控制模式和/或由本文所述的应用类型的确定而产生的应用特定控制参数的其他集合。用户界面然后可以提供允许用户批准建议的应用特定控制参数和/或提供反馈的功能。例如，用户界面可以允许用户输入替代的控制参数设定或手动地选择替代的应用类型。该反馈可以与由泵获取的数据(特别是监测的运行变量)一起被存储和使用，作为用于机器学习模型的后续改进的训练数据。

当计算机程序由处理单元执行时，训练过的机器学习模型可以由计算机程序实现，或者其可以由以其他方式合适地配置的处理单元实现。特别地，实现训练过的机器学习模型的处理单元可以接收所监测的运行变量的集合，例如以相应的运行变量的一个或更多个时间序列的形式。实现训练过的机器学习模型的处理单元可以适配于将接收到的所监测的运行变量的集合映射到集群的集合中的一个和/或多个预定应用类型中的一个。

训练过的机器学习模型可以包括神经网络模型。神经网络模型可以包括递归部分和/或一个或更多个前馈部分。前馈部分可以包括一个或更多个卷积网络层。

注意，上面和下面描述的计算机实现的方法的各种实施例的特征可以至少部分地在软件或固件中实现，并且在由诸如计算机可执行指令的程序代码部件的执行引起的数据处理系统或其他处理单元上实施。在这里和下面，术语“处理单元”包括合适地适配于执行上述功能的任何电路和/或设备。特别地，上述术语包括通用或专用可编程微处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、可编程逻辑阵列(PLA)、现场可编程门阵列(FPGA)、图形处理单元(GPU)、专用电子电路等或其组合。

本公开涉及不同的方面，包括上面和下面描述的方法、进一步的方法、系统、设备和产品部件，每个都产生结合其他方面描述的一个或更多个益处和优点中的一个或更多个，并且每个都具有对应于结合本文描述的一个或更多个其他方面描述的和/或如所附权利要求中公开的实施例相对应的一个或更多个实施例。

具体地，本文中公开的另一个方面涉及被配置成执行本文中描述的方法的动作(act)的数据处理系统的实施例。为此，数据处理系统可以在具有存储在其上的程序代码，该程序代码被配置为当由数据处理系统执行时，使数据处理系统执行本文描述的方法的动作。在一些实施例中，数据处理系统可以包括泵的处理单元和/或泵外部的一个或更多个数据处理装置。

泵的处理单元可以集成到泵的驱动电路中，例如集成到控制泵马达的驱动电路中。对应地，泵的驱动电路可以被合适地编程以执行在本文中描述的过程的实施例，单独作为独立设备或者作为分布式数据处理系统的一部分，例如与外部数据处理系统(诸如与便携式数据处理设备和/或与远程主计算机和/或与基于云的架构)合作。处理单元可以包括用于存储模型参数和/或用于存储所监测的运行变量的存储器。

根据又一个方面，本文公开了控制系统的实施例，用于在泵作为用于使流体移动的系统的一部分运行时控制泵，该控制系统包括数据处理系统，该数据处理系统被配置成执行本文所描述方法的实施例的动作。控制系统可以进一步包括泵。

控制系统的实施例自动地识别泵安装在哪个应用中。与用户通过服务人员手动输入应用类型相比，这可以导致更快的调试并减少安装错误的数量。

该泵可以包括一个或更多个流体移动部件和泵马达，泵马达被配置成驱动泵的一个或更多个流体移动部件。泵还可以包括控制泵马达的驱动电路。数据处理系统可以是与泵分离的数据处理系统，特别是通信地联接到泵的数据处理系统。替代地，数据处理系统的一部分或整个数据处理系统可以集成到泵中，例如容纳在泵的壳体中。特别地，数据处理系统的至少一部分可以体现为泵的处理单元(例如集成到泵的驱动电路中的处理单元)或者体现为单独的处理单元。

本文所公开的又一个方面涉及计算机程序的实施例，该计算机程序被配置成使数据处理系统执行上文和下文描述的计算机实现的方法的动作。计算机程序可以包括程序代码部件，当在数据处理系统上执行该程序代码部件时，该程序代码部件适配于使数据处理系统执行上面和下面公开的计算机实现的方法的动作。计算机程序可以存储在计算机可读存储介质上，特别是非暂时性存储介质，或者体现为数据信号。非暂时性存储介质可以包括用于存储数据的任何适当的电路或设备，诸如RAM、ROM、EPROM、EEPROM、闪存、磁或光存储设备(例如CD ROM、DVD、硬盘等)。

附图说明

从下面参考附图描述的实施例中，上述和其他方面将是显而易见的并得到阐述，其中：

图1示意性地示出了用于使流体移动的系统。

图2示意性地示出了用于使流体移动的系统的另一个实施例。

图3示意性地示出了用于使流体移动的系统的又一个实施例。

图4示意性地示出了用于控制泵的过程。

图5示意性地示出了用于控制泵的过程的另一个实施例。

图6示意性地示出了用于控制泵的过程的又一个实施例。

图7示意性地示出了用于控制泵的过程的又一个实施例。

图8–10示意性地示出了训练过的机器学习模型。

具体实施方式

图1示意性地示出了用于使流体(诸如液体，例如水)流动的系统的实施例。系统10包括泵100。除了泵100之外，该系统还包括附加部件(未明确地示出)，诸如管道、阀、流体储存器、其他泵、传感器、锅炉等。一些或所有附加部件直接地或间接地能够运行地联接到泵上，例如与泵流体连通。

泵100包括流体位移机构(fluid displacement mechanism)110和泵驱动120。流体位移机构110可以是离心泵或不同类型的泵。流体位移机构110具有入口111，用于吸入水或不同的流体，诸如吸入不同的液体。流体位移机构110还具有出口112，用于提供泵的输出流。泵驱动120包括马达121(诸如电动马达)和马达驱动电路122。马达驱动电路可以包括用于向马达提供电能的变频器和/或用于控制马达121运行的其他电路。马达驱动电路可以连接到合适的电源(未示出)，以便为驱动电路(例如变频器)提供电能。在运行期间中，马达121驱动泵，使得流体位移机构以一定流速将流体从入口111泵送到出口112。

图1的系统还包括在泵外部的数据处理系统300。该外部数据处理系统300可以是适合于编程的计算机或其他数据处理设备；替代地，数据处理系统可以是包括一个以上的计算机的分布式系统。例如，数据处理系统可以是适合于编程的平板电脑、智能手机等。数据处理系统的其他示例可以包括控制系统，该控制系统配置成控制一个或更多个泵组件。数据处理系统例如经由有线或无线连接与泵100通信地联接。特别地，数据处理系统300可以通信地联接到泵驱动120，诸如联接到马达驱动电路122。泵与数据处理系统之间的通信可以是直接通信链路或间接链路(例如经由通信网络的一个或更多个节点)。有线连接的示例包括局域网、串行通信链路等。无线连接的示例包括射频通信链路，例如Wifi、蓝牙、蜂窝通信等。

数据处理系统300包括适合于编程的处理单元310和存储器320。存储器在其上存储了由处理单元使用的计算机程序和/或数据。

可选地，数据处理系统300还包括图像捕获设备330，诸如数码相机。例如，图像捕获设备330可以是平板电脑或智能手机的内置相机。替代地，相机可以是通信地联接到计算机的独立设备。图像捕获设备可以是传统的数码相机或被配置成捕获IR图像的设备、深度相机或用于获得物理结构的2D或3D图像的另一个设备。应当理解，数据处理系统的一些实施例可以不包括任何图像采集设备。

可选地，数据处理系统300包括用户界面340，例如包括数据处理系统的显示器上(诸如在触摸屏上)显示的图形用户界面。

在运行期间，数据处理系统300从泵100处接收一个或更多个运行变量的值。所接收的运行变量可以例如包括泵马达的一个或更多个运行变量和/或指示由泵所泵送的流体的特性的一个或更多个运行变量和/或指示系统10的另一部分(不同于泵100)的运行状态的一个或更多个运行变量。

数据处理系统300可以间歇地(例如周期性地)接收运行变量，例如使得数据处理系统接收指示相应的运行变量在时间上的不同的点处的值的一个或更多个时间序列。泵可以自动地或者根据来自数据处理系统的请求传输运行变量。运行变量的每个值可以与时间戳(time stamp)相关联。数据处理系统300可以从泵接收静态数据，例如泵标识符的指示、泵的类型和/或类似数据。

处理单元310应用训练过的机器学习模型，以从所监测的运行变量中以及可选地从附加的输入数据(诸如根据由图像捕获设备330捕获的系统的一个或更多个图像)自动地确定应用类型。为此，训练过的机器学习模型的模型参数被存储在数据处理系统的存储器320中。处理单元310进一步确定与所确定的应用类型相关联的一个或更多个应用特定控制参数的集合。数据处理系统300可以经由用户界面340输出所确定的应用类型和/或所确定的应用特定控制参数。数据处理系统还可以经由用户界面340接收所确定的应用类型或应用特定控制参数的用户批准和/或其他用户输入。数据处理系统将所确定的(可选地经过用户批准)应用特定控制参数发动至泵驱动120，用于基于所确定的应用特定控制参数对泵进行后续控制。

下面将更详细地描述由处理单元执行的过程的示例。

图2示意性地示出了包括泵100的系统10，该泵具有以数据处理单元200形式集成到泵中的数据处理系统。泵还包括如结合图1所述的流体位移机构110和泵驱动120。数据处理单元200除了可以如所述的与图1的数据处理系统300相连接，在该实施例中，数据处理单元200被集成到泵100中，例如被容纳到与泵驱动120相同的壳体中。对应地，数据处理单元200经由内部接口(例如数据总线或其他合适的有线接口或无线接口)从泵驱动接收一个或更多个运行变量的值。尽管在图2的实施例中没有明确地示出，但是应该理解，内部数据处理单元可以包括结合图1描述的用户界面。图2的实施例的数据处理单元200与图1的数据处理系统的不同之处在于，图2的数据处理单元200不包括图像捕获设备。因此，泵的内部数据处理单元200可以基于所接收的运行变量和可选的泵类型或其他传感器数据的附加的知识确定其运行的应用类型。

图3示意性地示出了包括泵100的系统10，该泵具有数据处理系统，该数据处理系统为结合图2所描述的集成到泵中的数据处理单元200的形式。图3的实施例还包括外部数据处理系统300。外部数据处理系统300包括处理单元310、存储器220、可选的图像采集(image capturing)设备330和用户界面340，所有这些都如结合图1的数据处理系统300所述的。

对应地，在图3的实施例中，无论当前泵是否连接到数据处理系统300，泵都可以确定应用类型和对应的应用特定控制参数。如果泵当前没有连接到数据处理系统300，则泵可以借助于其内部数据处理单元200确定应用类型和相关联的应用特定控制参数。为此，泵可以采用存储在内部存储器220中的预加载的机器学习模型。如果泵当前连接到数据处理系统300，则泵可以将所监测的运行变量发送到数据处理系统300。然后，数据处理系统300可以，可选地基于附加的输入数据(诸如基于由图像捕获设备330捕获的系统10的一个或更多个图像)，确定应用类型和相关联的应用特定控制参数。数据处理系统300还可以实现更复杂和/或更新后的机器学习模型。然后，数据处理系统可以将所确定的应用类型和/或相关联的应用特定控制参数返回给泵，用于泵驱动120的控制。

通常，在泵系统的上述或其他实施例中，本文描述的过程的实施例可以识别和/或分类在其中安装泵的应用。在一些实施例中，泵被基本训练过的机器学习模型(特别是分类模型)预加载，能够运行以(例如通过识别多个先前识别的集群中的匹配集群)识别安装泵的应用的类型。这是通过收集数据点的集合并根据预训练的分类器识别匹配集群完成的。正在使用的数据可以是时间序列数据或汇总统计量以及静态数据。

替代地或附加地，泵可以连接到进行集群识别的云或本地计算设备。该连接可以通过诸如以太网的有线连接或诸如WIFI、蓝牙或类似的无线技术经由合适的网关建立或直接地建立。在一个实施例中，泵可以经由蓝牙能够运行地连接到智能手机。

这允许使用更大和更详细的数据集合以及更多的计算能力进行更精确的分类。此外，用户可以拍摄设施的照片，并将这些照片包括在系统的分类中。

在下文中，更详细地描述了基于所确定的应用类型控制泵的过程的实施例。

图4示意性地示出了用于控制泵的过程。该过程可以例如由图1或图3的数据处理系统300执行，或者由图2或图3的数据处理单元200执行。

在步骤S41处，该过程监测泵的一个或更多个运行变量，例如泵马达的频率或旋转速度、泵马达的功率(特别是电功率)、馈入泵马达的电驱动电流、泵马达的能耗、马达电子器件的温度、泵马达的温度、流体的温度、指示通过泵的流动速度的流速、被移动的流体的压力(例如泵的上游和/或下游的压力)等。在一些实施例中，该过程接收附加的输入数据，诸如关于泵类型、泵序列号等的信息。

该过程在最短时间段内继续监测一个或更多个运行变量，例如持续至少6小时(诸如至少12小时，诸如至少24小时)，或者直到满足另一个合适的条件(该条件指示已经收集了足够的数据)和/或直到接收到用户输入等。该过程将监测数据存储在数据存储设备220(例如泵的数据处理单元或外部数据处理系统的存储器)中。当已经收集了足够的数据时，过程在步骤S42处继续进行。

在步骤S42处，该过程应用训练过的机器学习模型，以从所监测的运行变量中自动地确定应用类型。为此，该过程可以将一个或更多个所监测的运行变量的一个或更多个时间序列馈送到训练过的机器学习模型中。替代地或附加地，该过程可以将从所监测的运行变量推导出的预处理输入数据馈送到训练过的机器学习模型中，例如从所监测的时间序列中提取的一个或更多个特征。机器学习模型可以，例如以限定训练过的机器学习模型的一些模型参数的形式，存储在数据存储设备220中。

训练过的机器学习模型输出应用类型，例如通过将所接收的输入分类成多个类别或多个集群中的一项，其中每个类别或集群对应于相应的应用类型。应用类型表示泵运行的系统的类型和/或当泵在所述系统中运行时由泵执行的运行的类型。每个应用类型与相应的一个或更多个应用特定控制参数的集合相关联，可选地被表示为相应的应用特定控制模式。例如，训练过的机器学习模型可以基于集群过程的结果执行集群识别，该集群过程基于适当的训练数据。因此，集群识别可以提供集群ID，并且可选地，为所述集群ID提供适当的控制模式。

图5示意性地示出了用于控制泵100的另一过程。该过程可以例如由图1或图3的系统执行。特别地，图5的过程的一些步骤由泵100执行，而该过程的其他步骤由泵外部的数据处理系统300执行。

在步骤S51处，数据处理系统300启动该过程，例如通过使泵开始获取运行变量或通过请求泵(例如实时地或通过传输录入的(logged)数据)传输监测数据。

在步骤S52处，泵向数据处理系统发送运行变量，并且数据处理系统监测运行变量(步骤S53)，例如，如结合图4的过程的步骤S41所描述的。

数据处理系统300在最短时间段内继续监测一个或更多个运行变量，例如持续至少6小时(诸如至少12小时，诸如至少24小时)，或者直到满足另一个合适的条件(该条件指示已经收集了足够的数据)和/或直到接收到用户输入等。该过程将监测数据存储在数据存储设备320(例如数据处理系统300的存储器)中。当已经收集了足够的数据时，该过程在步骤S54处继续进行。

在步骤S54处，数据处理系统300应用训练过的机器学习模型，以从所监测的运行变量中自动地确定应用类型，例如，如结合图4的过程的步骤S42所描述的。在图4的实施例中，训练过的机器学习模型被存储在数据处理系统300的数据存储设备320中。

在步骤S55，该过程执行对由训练过的机器学习模型所确定的应用类型的验证，例如，如结合图4的过程的步骤S43所描述的。如果验证失败，则该过程可以继续监测运行变量，并将训练过的机器学习模型重新应用于输入参数的扩展集合，特别是运行变量的监测值的扩展集合。

如果验证步骤成功，则过程在步骤S56处继续进行，并向用户显示应用类型或与所确定的应用类型相匹配的相关联的应用特定控制参数。然后，用户可以批准或不批准所确定的应用特定控制参数。如果用户不批准，用户可以手动地调整应用特定控制参数，例如通过选择不同的控制模式或者通过手动地选择不同的应用类型。在一些实施例中，用户甚至可以使过程返回到步骤S53，以便收集附加的数据，然后将训练过的机器学习模型重新应用于扩展数据集合。在用户批准时，或者基于由系统自动确定的应用特定控制参数，或者基于用户调整后的应用特定控制参数，该过程在步骤S57处继续进行。

在步骤S57处，数据处理系统300存储产生的应用类型和应用特定控制参数，例如用户批准的或用户选择的应用类型和/或应用特定控制参数。具体地，数据处理系统可以存储与监测的数据相关联的应用类型和/或应用特定控制参数，以在创建改进后的机器学习模型时用作训练数据。数据处理系统还向泵100发送应用特定控制参数和/或应用类型。在接收到应用特定控制参数和/或应用类型时(步骤S58)，泵100基于这样接收到的应用特定控制参数控制泵的运行(步骤S59)。

将再次理解的是，该过程的替代实施例可以自动地控制泵，而不需要初始用户批准。类似地，一些实施例可以跳过验证步骤或者甚至是验证步骤和用户批准步骤。

图6示意性地示出了用于控制泵100的另一个过程。该过程可以例如由图1或图3的系统执行。特别地，图5的过程的一些步骤由泵100执行，而该过程的其他步骤由泵外部的数据处理系统300执行。图6的过程对应于图5的过程，除了图6的过程包括捕获系统的至少一部分的图像的初始步骤S61，泵100被安装在该系统中。该图像可以是泵的图像以及将泵100与其中安装有泵的系统的一个或更多个其他部件连接的管线的图像。例如，图像可以由数据处理系统300的内置相机捕获，或者由能通信地连接到数据处理系统的外部相机捕获。可以在启动步骤S53的监测之前、监测期间或监测之后拍摄图像。在一些实施例中，该过程获取多个图像或者甚至视频流。该过程存储(一张或多张)捕获图像，并在步骤S54中使用它/它们作为机器学习模型的附加的输入数据，可选地，在(一张或多张)捕获图像的合适的预处理之后。合适的预处理的示例包括用于从(一张或多张)捕获图像中辨识泵和/或附加系统部件的对象辨识(object-recognition)过程。其他示例包括特征检测过程，例如用于检测管道布局和/或类似物。

图7示意性地示出了用于控制泵的另一过程。该过程可以例如由图3的系统执行。在初始步骤S71中，该过程确定在连接模式下还是在独立模式(stand-alone mode)下执行应用类型的确定。例如，为此，泵可以经由合适的通信接口发送请求，请求应用类型的确定。如果泵收到确认，则泵确定其被连接并以连接模式运行。如果泵在一定的时间段内没有接收到任何确认，则泵确定其没有被连接，并以独立模式运行。替代地，该过程可以通过接收用于确定应用类型的命令触发。如果从泵的用户界面接收到命令，则泵以独立模式运行。如果经由通信接口从外部数据处理系统接收到命令，则泵以连接模式运行。在任何情况下，如果泵以独立模式运行，则过程在步骤S72处继续进行；否则，过程在步骤S73处继续进行。

在步骤S72处，即当泵以独立模式运行时，泵使用本地存储在泵中的预加载的机器学习模型确定应用类型。例如，泵的内部处理单元可以执行图4的过程。然后，泵基于与所确定的应用类型相关联的应用特定控制参数控制泵。

替代地，在步骤S73处，即当泵以连接模式运行时，泵将运行数据发送到外部数据处理系统，并且外部数据处理系统使用存储在泵外部的机器学习模型确定应用类型。对应地，该过程可以执行图5或图6的过程的步骤。特别地，数据处理系统可以确定它是否已经接收到系统的捕获图像，泵在该系统内运行。例如，数据处理系统可以就用户是否希望通过捕获图像继续进行请求用户输入。如果用户不想捕获任何图像，则过程在步骤S74处继续进行，否则，过程在步骤S75处继续进行。

在步骤S74处，该过程使用机器学习模型和泵外部的数据处理系统，例如通过执行图5的过程的步骤，从由泵收集的所监测的运行变量中确定应用类型。然后，该过程基于与所确定的应用类型相关联的应用特定控制参数控制泵。

在步骤S75处，该过程使用机器学习模型和泵外部的数据处理系统，例如通过执行图6的过程的步骤，从由泵收集的所监测的运行变量和一个或更多个捕获的图像中确定应用类型。然后，该过程基于与所确定的应用类型相关联的应用特定控制参数控制泵。

通常，在本文描述的方法和系统的各种实施例中，训练机器学习模型，特别是基于训练数据的集合训练机器学习模型。训练数据可以至少部分地从安装在相应的系统中的泵获得，例如在执行它们的正常运行时收集训练数据。对于已连接的泵，检索数据可以存储在云中或本地连接的数据处理设备中，用于在将来的集群识别中使用，以持续地改进用于集群识别的训练数据。对于未连接的泵，可以将检索数据以完整数据集合或压缩形式本地存储在泵中。如果该泵随后由维修人员维修或被连接到数据处理系统，则能够从该泵下载并取回数据，以改进用于相同和/或其他泵上的预加载分类的数据集合。

图8-图10示出了训练过的机器学习模型(特别是集群模型)的示例。

集群模型是基于来自应用的数据的代表性训练集合进行训练的，其中不同的集群能够在观察的高维空间中被分离。集群的潜在含义不一定是已知的，但是集群具有相似的特点，例如，如图8-图10所示。集群的示例可以与例如相应的应用相关联。这种应用的示例可以包括但不限于，“热水”、“锅炉泵”、“风机盘管单元”、“散热器系统一管/两管”、“地板下供暖”、“空气处理单元”、“冷却”。正是机器学习模型基于监测数据对应用进行集群。然后，可以之后手动地标记集群，也就是为它们分配应用类型。上面的标签仅仅是示例。将会理解，集群结果可能不像先验预期的那样。例如，技术人员可能认为两个应用是非常不同的应用，而集群化过程可能会将这两个应用结合成为单个集群。类似地，技术人员可能认为非常相似的两个应用可能通过集群过程被区分为两个不同的集群。

随着新的泵应用的出现，集群算法可能必须使用包括来自这些新应用的数据的训练数据进行重新训练。新的应用可能最终成为单独的集群(例如，初始无标签)，或者被分类到与先前的应用相同的集群中。

可以使用监督学习技术进行集群分析，其中与训练数据的每个集合相关联的应用是先验已知的。替代地，可以使用无监督学习进行集群分析，其中应用不是先验已知的。合适的技术包括但不限于：k均值集群、自动编码器、T/SNE、PCA、支持向量机(SVA)、决策树和神经网络。

机器学习模型由多个训练数据集合训练，每个训练数据集合包括运行变量的集合，该运行变量的集合由泵在相应的应用中运行时监测。

模型的输入数据点可以包括但不限于：产品编号、产品类型、能耗、温度、压力、流量(测量或估计的)、安装尺寸(计算附近泵的数量)、GPS数据(诸如邮政编码和国家)、控制模式(恒压、比例)、设定点、流量限制、电子器件温度和气象数据。此外，该模型可以从系统的其余部分接收传感器数据，诸如：压力、温度、流量、阀门位置。

在一个实施例中，以下运行变量被用作输入数据点：产品标识符(例如，产品编号和/或产品类型)、功耗、控制模式标识符、(估计的或测量的)流量和每分钟转数(rpm)。已经发现，至少使用这些运行变量作为输入的模型提供了分类器的足够精度。在大多数应用中，收集来自至少24小时运行的数据，以覆盖每日消耗周期的范式。因此，可以在24小时后对时间序列进行第一分类。随后，随着更多的数据变得可用，分类可以被更新。

在图8-图10的示例中，运行变量包括被泵送流体的温度、通过泵的流速和被泵送流体的压力。使用集群算法训练该模型，以确定如何将训练数据分组为多个集群。为此，集群可以被表示为训练数据集合的组，当在合适的多维空间中表示时，这些训练数据集合都位于彼此的邻近范围内。图8示出了空间的二维表示，训练数据集合被表示在该空间中。在该空间中，与在相应的应用类型中运行的每个泵相关联的运行数据被表示为二维空间800中的一个点。集群算法已经被用于确定多个集群，并且图8示出了所识别的集群810之一。

图8还示出了由与集群810相关联的泵监测的温度的分布820、由集群810的泵监测的流量的标准偏差的分布830、以及由集群810的泵监测的压力的标准偏差的分布840。

图9示出了与图8中相同的集群集合(即，在与用于图8的相同的空间800中)的另一个集群910的对应数据。特别地，图9示出了由与集群910相关联的泵监测的温度的分布920、由集群910的泵监测的流量的标准偏差的分布930、以及由集群910的泵监测的压力的标准偏差的分布940。

最后，图10示出了相同的集群集合(即，在与用于图8的相同的空间800中)的另一个集群1010的对应数据。特别地，图10示出了由与集群1010相关联的泵监测的温度的分布1020、由集群1010的泵监测的流量的标准偏差的分布1030、以及由集群1010的泵监测的压力的标准偏差的分布1040。

分别在集群810、集群910和集群1010内的相应分布的比较示出了在不同应用类型下运行的泵的运行数据彼此有很大不同。对应地，当监测在未知应用类型下运行的泵的运行变量时，运行变量可以被映射到空间800中，该空间已经由基于训练数据的集群算法确定。此外，该过程可以确定新获得的运行数据在空间800内最接近所确定的集群中的哪一个。因此，未知的应用类型可以被确定为对应于最接近的集群的训练集的泵的应用类型。

本文描述的方法的实施例可以通过包括数个不同元件的硬件实现，和/或至少部分通过适合于编程的微处理器实现。在列举了数个部件的装置权利要求中，这些部件中的数个可以由相同元件、部件或硬件项体现。在相互不同的从属权利要求中阐述或在不同的实施例中描述某些措施的仅有事实并不指示这些措施的组合不能用于获益。

应该强调的是，当在本说明书中使用时，术语“包括/由…构成”用来指定所述的特征、元件、步骤或组件的存在，但是不排除存在或增加一个或更多个其他特征、元件、步骤、组件或其群组。

Claims (15)

1.一种计算机实现的方法，用于确定泵的一个或更多个应用特定控制参数，所述泵在使流体移动的系统中运行，所述方法包括：

-在所述泵在所述系统中的运行期间，监测所述泵的一个或更多个运行变量；

-应用训练过的机器学习模型，以从所监测的运行变量中自动地确定应用类型，所述应用类型表示所述泵在其中运行的所述系统的类型和/或所述应用类型表示当所述泵在所述系统中运行时由所述泵执行的运行的类型，每个应用类型与相应的一个或更多个应用特定控制参数的集合相关联；

-基于与所确定的应用类型相关联的所述一个或更多个应用特定控制参数的集合控制所述泵。

2.根据权利要求1所述的计算机实现的方法，其中所述机器学习模型被训练成将一个或更多个所监测的运行变量映射到多个类别中对应的一个类别，所述多个类别中的每个类别与相应的应用类型相关联。

3.根据前述权利要求中任一项所述的计算机实现的方法，其中，监测包括获得在时间上的相应的点处的所述一个或更多个运行变量的值的时间序列。

4.根据前述权利要求中任一项所述的计算机实现的方法，其中，监测包括在至少预定的时间段内进行监测，所述预定的时间段例如为至少1小时，例如为至少6小时，例如为至少12小时，例如为至少24小时。

5.根据前述权利要求中任一项所述的计算机实现的方法，其中，所述所监测的运行变量包括至少一个指示所述泵的泵马达的运行状态的运行变量和/或至少一个指示被移动的流体的特性的运行变量。

6.根据权利要求5所述的计算机实现的方法，其中，所述指示泵马达的运行状态的所监测的运行变量选自：所述泵马达的频率或旋转速度、所述泵马达的运行功率、所述泵马达的能耗、馈入所述泵马达中的电驱动电流、所述泵马达的部件的运行温度；并且/或者其中，所述指示被移动的流体的特性的所监测的运行变量选自：所述被移动的流体的温度、指示通过所述泵的流动速度的流速、所述被移动的流体的压力。

7.根据前述权利要求中任一项所述的计算机实现的方法，包括：接收附加的输入数据，所述附加的输入数据指示所述泵的特性和/或所述使流体移动的系统的特性，以及其中，应用所述训练过的机器学习模型包括应用所述训练过的机器学习模型，以从所监测的运行变量和所接收的附加的输入数据中自动地确定应用类型。

8.根据权利要求7所述的计算机实现的方法，其中，所述附加的输入数据包括关于所述泵的信息，特别是选自以下项的信息：泵序列号或其他泵标识符、泵类型、所述泵的当前控制设定；并且/或者其中，所述附加的输入数据包括关于所述使流体移动的系统的信息和/或关于所述泵的环境的信息，特别是选自以下项的信息：指示所述使流体移动的系统的尺寸的安装尺寸、指示不同于所述泵的所述系统的一个或更多个部件的运行状态的传感器数据、指示所述泵的地理位置的位置数据、气象数据。

9.根据权利要求7至8中任一项所述的计算机实现的方法，其中，所述附加的输入数据包括所述泵一个或更多个捕获的图像和所述使流体移动的系统的至少一部分的一个或更多个捕获的图像，以及其中，所述过程包括执行图像处理步骤，以从所述一个或更多个捕获的图像中提取一个或更多个特征，以及其中，应用所述训练过的机器学习模型包括应用所述训练过的机器学习模型，以从所述所监测的运行变量和从所述提取的一个或更多个特征中自动地确定应用类型。

10.根据前述权利要求中任一项所述的计算机实现的方法，其中，监测包括在初始时间段内监测所述一个或更多个运行变量，以产生所监测的运行变量的初始集合，其中，应用所述训练过的机器学习模型包括，应用所述训练过的机器学习模型，以从所述所监测的运行变量的初始集合中自动地确定初始应用类型，其中，控制所述泵包括基于与所确定的初始应用类型相关联的一个或更多个应用特定控制参数的集合控制所述泵，以及其中，所述方法还包括：

-在所述泵在所述系统中运行期间，在比所述初始时间段更长的扩展时间段内监测所述泵的一个或更多个运行变量，以产生所监测的运行变量的扩展集合；

-应用所述训练过的机器学习模型，以从所述所监测的运行变量的扩展集合中自动地确定修订的应用类型；

-基于与所确定的修订的应用类型相关联的一个或更多个应用特定控制参数的集合控制所述泵。

11.根据前述权利要求中任一项所述的计算机实现的方法，其中，监测包括使所述泵在所述监测期间以两种或更多种运行的模式运行。

12.根据前述权利要求中任一项所述的计算机实施的方法，其中，所述训练过的机器学习模型由监督学习算法或非监督学习算法训练，以及其中，所述训练是基于训练数据的，所述训练数据包括来自一个或更多个泵的所监测的运行变量，所述一个或更多个泵在相应的类型的应用中运行。

13.根据前述权利要求中任一项所述的计算机实现的方法，包括通过基于规则的自动验证步骤和/或通过接收用户输入进行的所确定的应用类型的验证，所述用户输入指示所确定的应用类型的批准。

14.根据前述权利要求中任一项所述的计算机实现的方法，其中，所述泵包括处理单元，所述处理单元被配置为实现第一训练过的机器学习模型；以及其中所述方法包括：

-确定所述泵是否通信地联接到外部数据处理系统，所述外部数据处理系统被配置为实现第二训练过的机器学习模型；

-响应于确定所述泵通信地联接到所述外部数据处理系统，将所述所监测的一个或更多个运行变量传输到所述外部数据处理系统，由所述外部数据处理系统将所述第二训练过的机器学习模型应用于被通信的所监测的一个或更多个运行变量，以确定应用类型，以及将所述应用类型和/或与所述应用类型相关联的一个或更多个应用特定控制参数的集合传输到所述泵；

-响应于确定所述泵没有通信地联接到所述外部数据处理系统，通过所述泵将所述第一训练过的机器学习模型应用到所述所监测的一个或更多个运行变量，以确定应用类型。

15.一种控制系统，用于当泵在使流体移动的系统中运行时控制所述泵，所述控制系统被配置成执行根据前述权利要求中任一项所述的方法的动作。

Images