CN117616429A - 资产层次结构中的解决方案学习和解释 - Google Patents
资产层次结构中的解决方案学习和解释 Download PDFInfo
- Publication number
- CN117616429A CN117616429A CN202180099891.9A CN202180099891A CN117616429A CN 117616429 A CN117616429 A CN 117616429A CN 202180099891 A CN202180099891 A CN 202180099891A CN 117616429 A CN117616429 A CN 117616429A
- Authority
- CN
- China
- Prior art keywords
- asset
- assets
- solution
- hierarchy
- model
- 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
Links
- 238000000034 method Methods 0.000 claims abstract description 94
- 230000008569 process Effects 0.000 claims abstract description 54
- 238000004422 calculation algorithm Methods 0.000 claims description 48
- 238000013528 artificial neural network Methods 0.000 claims description 41
- 238000010801 machine learning Methods 0.000 claims description 13
- 238000013135 deep learning Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 description 8
- 238000007726 management method Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 238000013473 artificial intelligence Methods 0.000 description 6
- 230000009471 action Effects 0.000 description 5
- 230000000875 corresponding effect Effects 0.000 description 5
- 230000015654 memory Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000008439 repair process Effects 0.000 description 4
- 239000007787 solid Substances 0.000 description 3
- 101000644392 Petroselinum crispum Tyrosine decarboxylase 1 Proteins 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 238000011144 upstream manufacturing Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000006227 byproduct Substances 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
Landscapes
- Business, Economics & Management (AREA)
- Economics (AREA)
- Engineering & Computer Science (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- Human Resources & Organizations (AREA)
- Accounting & Taxation (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本文描述的系统和方法旨在从多个资产生成资产层次结构,该资产层次结构指示从最低层级到最高层级的多个资产之间的关系;执行解决方案学习过程,以基于资产层次结构中的多个资产之间的关系来学习多个资产中的每个资产的一个或多个模型解决方案,其中利用层次结构的较低层级中的一个或多个模型解决方案的输出作为解决方案学习过程的输入,以学习资产层次结构的较高层级中的多个资产中的每个资产的一个或多个模型解决方案;以及在存储装置中存储资产层次结构、多个资产中的每个资产的一个或多个模型解决方案、以及用于该一个或多个模型解决方案的解决方案解释的知识。
Description
技术领域
本公开总体涉及物联网(IoT)和操作技术(OT)领域,更具体地,涉及便于资产层次结构(asset hierarchy)中的解决方案学习和解释。
背景技术
资产层次结构是用于组织公司在一个或多个位置所拥有的所有机器、设备和各个组件的一种逻辑和/或物理方式。自上而下的结构允许维护专业人员使用“父子”关系来理解资产之间的关系。
图1示出了资产层次结构的示例。图1的示例资产层次结构是:行业→业务类别→工厂/单位→部门/系统→设备单元→组件→零件。这里“行业”是顶层级资产,“业务类别”是“行业”的子资产,依此类推。如图1所示,资产层次结构可以以逻辑方式和/或物理方式组织资产,并且可以根据所需的实现方式包括资产的其他子组件(例如,安装在零件上的传感器)。
一旦将感兴趣的资产组织成资产层次结构,就可以便于对资产之间不同程度的物理和逻辑关系、资产管理和更智能的资产生命周期决策、更高效的资产维护和维修调度(例如,在时间、成本和拥有成本方面)的理解以及更快地识别根本原因。
给定一组资产,需要识别它们的关系,然后使用这样的关系来构建资产层次结构。根据关系类型和资产层次结构的通用性,可以构建不同的资产层次结构。
资产之间有两种类型的关系。第一种类型的关系可以是物理关系,其指示资产是如何物理地附接或连接在一起的。物理关系通常是“组合的(compositional)”,也称为亲子关系,其中一个资产是另一个资产的子项。在图1中,最下面三个层级(“设备单元”→“组件”→“零件”)表示资产之间的物理关系。
第二种类型的关系可以是逻辑或功能关系:这表示哪组资产充当逻辑或功能单元,并且这样的逻辑/功能单元可以被定义为逻辑/功能资产。注意,逻辑或功能单元本身也可以处于不同的层级:较小的功能单元集通常处于较低层级,而较大的功能单元集处于较高层级。在图1中,最上面五个层级(“行业”→“业务类别”→“工厂/单位”→“部门/系统”→“设备单元”)表示资产之间的逻辑关系。
给定一组资产,可以构建资产层次结构来服务于大多数任务。例如,任务可以包括故障检测、故障预测、剩余使用寿命、操作员技能评估等。这样的资产层次结构是通用的,它可以基于资产之间的物理关系或资产之间的逻辑/功能关系。
有时,业务需要只解决一个任务,并且只需要在资产层次结构中保留相关资产和资产关系。例如,在操作员技能评估任务中,资产层次结构中只需要考虑可操作的资产。这种资产层次结构是面向任务的,它可以相应地基于资产之间的物理关系和/或资产之间针对其成本函数的逻辑/功能关系。
给定资产和资产的问题,可以应用基于物理的建模和/或机器学习技术来解决问题。例如,某煤矿厂存在“浓缩尾矿”资产,可以应用异常检测和预测技术来解决故障检测和预测问题。传统上,解决方案是针对每个资产每个问题构建的,并且没有考虑和利用资产和问题之间的关系。此外,对应的优化受到局部限制(例如,在时间、成本或所有权方面优化效率),其无法跨解决方案被充分利用。
该解决方案的另一个相关任务是解释模型和结果并生成规范动作,以防止或修复资产中的问题。这包括但不限于:根本原因分析、修复建议、警报抑制等。传统上,关于解释解决方案的工作有限,这是针对每个资产每个问题进行的。
发明内容
下面讨论传统系统和方法的多个限制和局限性。示例实现方式介绍了解决这些问题的技术。
首先,学习相关技术中的问题的解决方案通常是在单独的资产层级上完成的(即,基于组件的学习)。识别感兴趣的资产中的(一个或多个)问题,然后为该资产单独构建基于物理的解决方案和/或(一个或多个)机器学习解决方案。由于系统中的资产作为一个整体工作,并且一个资产的工作状况和/或性能可能会影响其他资产(例如,直接上游资产和下游资产),因此不包含资产之间关系的解决方案将不能很好地起作用。为了解决这个问题,本文描述的示例实现方式识别资产之间的关系,并利用这样的关系作为学习过程的一部分,以便构建更准确和有效的解决方案。
其次,相关技术中解释问题的解决方案以及该解决方案的结果通常是在单独的资产层级上完成的(即,基于组件的解释)。这与其中解决方案是为每个资产单独构建的第一个问题有关。由于系统中的资产作为一个整体工作,并且一个资产的工作状况和/或性能可能会影响其他资产(特别是直接上游资产和下游资产),因此通过仅关注暴露该问题的资产来解释解决方案和结果可能会错过问题的根本原因,并且可能无法很好地工作。为了解决这个问题,本文描述的示例实现方式识别资产之间的关系,并利用这样的关系作为解释过程的一部分,以便正确地解释解决方案和结果。
第三,在相关技术中,资产层次结构、解决方案以及用于解决方案解释的专家数据库中的信息的表示和存储都是通过关系数据库来完成的,这对于表示关系信息和便于高效地查询结果来说是无效的。为了解决这个问题,本文描述的示例实现方式识别资产之间的关系、解决方案和专家数据存储,并利用可以更好地捕获关系的表示并存储该表示以便更容易的访问和更高效的查询。
为了解决相关技术的上述问题,引入了多种技术。
示例实现方式中的一种技术包括资产层次结构中的解决方案学习,其包括多个学习方案,这些学习方案被用于监督学习和无监督学习,以通过利用资产之间的层次关系来学习和构建资产层次结构中的资产的解决方案。
示例实现方式中的另一种技术包括在资产层次结构中解释解决方案,其包括有助于在解决方案和单独的结果层级上解释结果的根本原因归因模型。
示例实现方式中的另一种技术包括资产层次结构中的解决方案的表示和存储,其包括表示和存储资产层次结构中的信息、解决方案以及用于解释解决方案的专家数据库的方法。
本公开的方面可以包括一种方法,该方法可以包括:从多个资产生成资产层次结构,所述资产层次结构指示从最低层级到最高层级的所述多个资产之间的关系;执行解决方案学习过程以基于所述资产层次结构中的所述多个资产之间的所述关系来学习所述多个资产中的每个资产的一个或多个模型解决方案,其中利用所述层次结构的较低层级中的所述一个或多个模型解决方案的输出作为所述解决方案学习过程的输入,以学习所述资产层次结构的较高层级中的所述多个资产中的每个资产的所述一个或多个模型解决方案;以及在存储装置中存储所述资产层次结构、所述多个资产中的每个资产的所述一个或多个模型解决方案以及用于所述一个或多个模型解决方案的解决方案解释的知识。
本公开的方面可以包括一种计算机程序,其可以包括指令,所述指令包括:从多个资产生成资产层次结构,所述资产层次结构指示从最低层级到最高层级的所述多个资产之间的关系;执行解决方案学习过程以基于所述资产层次结构中的所述多个资产之间的所述关系来学习所述多个资产中的每个资产的一个或多个模型解决方案,其中利用所述层次结构的较低层级中的所述一个或多个模型解决方案的输出作为所述解决方案学习过程的输入,以学习所述资产层次结构的较高层级中的所述多个资产中的每个资产的所述一个或多个模型解决方案;以及在存储装置中存储所述资产层次结构、所述多个资产中的每个资产的所述一个或多个模型解决方案以及用于所述一个或多个模型解决方案的解决方案解释的知识。计算机程序和指令可以存储在非瞬态计算机可读介质中并由一个或多个处理器执行。
本公开的方面可以包括一种系统,该系统可以包括:用于从多个资产生成资产层次结构的装置,所述资产层次结构指示从最低层级到最高层级的所述多个资产之间的关系;用于执行解决方案学习过程以基于所述资产层次结构中的所述多个资产之间的所述关系来学习所述多个资产中的每个资产的一个或多个模型解决方案的装置,其中利用所述层次结构的较低层级中的所述一个或多个模型解决方案的输出作为所述解决方案学习过程的输入,以学习所述资产层次结构的较高层级中的所述多个资产中的每个资产的所述一个或多个模型解决方案;用于在存储装置中存储所述资产层次结构、所述多个资产中的每个资产的所述一个或多个模型解决方案以及用于所述一个或多个模型解决方案的解决方案解释的知识的装置。
本公开的方面可以包括一种装置,其可以包括处理器,该处理器被配置为:从多个资产生成资产层次结构,所述资产层次结构指示从最低层级到最高层级的所述多个资产之间的关系;执行解决方案学习过程以基于所述资产层次结构中的所述多个资产之间的所述关系来学习所述多个资产中的每个资产的一个或多个模型解决方案,其中利用所述层次结构的较低层级中的所述一个或多个模型解决方案的输出作为所述解决方案学习过程的输入,以学习所述资产层次结构的较高层级中的所述多个资产中的每个资产的所述一个或多个模型解决方案;以及在存储装置中存储所述资产层次结构、所述多个资产中的每个资产的所述一个或多个模型解决方案以及用于所述一个或多个模型解决方案的解决方案解释的知识。
附图说明
图1示出了资产层次结构的示例。
图2示出了根据示例实现方式的用于资产层次结构中的资产的解决方案学习、解决方案解释以及解决方案表示和存储的解决方案架构。
图3示出了根据示例实现方式的系统架构,其中构建、执行和解释解决方案。
图4示出了根据示例实现方式的自下而上学习方案是如何在资产层次结构中工作的示例。
图5示出了根据示例实现方式的自下而上学习方案中的学习算法的流程图。
图6示出了根据示例实现方式的反应式学习方案是如何在资产层次结构中工作的示例。
图7示出了根据示例实现方式的反应式学习方案中的学习算法的流程图。
图8示出了根据示例实现方式的关于深度学习方案是如何在资产层次结构中工作的示例。
图9示出了根据示例实现方式的解决方案解释方案是如何在资产层次结构中工作的示例。
图10示出了根据示例实现方式的知识图谱(knowledge graph)的示例数据类型。
图11示出了根据示例实现方式的构建知识图谱的示例过程。
图12示出了根据示例实现方式的存储在知识图谱的每个节点中的信息的示例。
具体实施方式
下面的详细描述提供了本申请的附图和示例实现方式的细节。为了清楚起见,省略了附图之间的冗余元件的附图标记和描述。在整个描述中使用的术语作为示例提供,并不旨在是限制性的。例如,术语“自动”的使用可包括全自动实现方式或包括对实现方式的某些方面的用户或管理员控制的半自动实现方式,这取决于实践本申请的实现方式的本领域的普通技术人员所需的实现方式。选择可以由用户通过用户界面或其他输入装置进行,或者可以通过所需算法来实现。可以单独地或组合地使用本文描述的示例实现方式,并且可以根据所需的实现方式通过任何手段来实现示例实现方式的功能。
图2示出了根据示例实现方式的用于资产层次结构中的资产的解决方案学习、解决方案解释以及解决方案表示和存储的解决方案架构。解决方案架构可以包括以下要素。传感器数据200被收集并预处理以用于解决方案构建。资产层次结构201包括资产之间的关系,并且被捕获、表示和存储。资产层次结构可以捕获资产之间的物理关系和/或逻辑关系。解决方案学习202引入了多种学习方案来基于传感器数据和资产层次结构构建模型解决方案(或简称为“解决方案”)。模型解决方案是用作解决方案的学习模型,因为解决方案解释203包括可以通过利用资产层次结构来解释解决方案和解决方案输出的模型。解释解决方案和解决方案输出可以包括从解决方案学习202中的学习模型识别预测结果的主导因素。例如,识别预测故障的根本原因或主导因素可以是解决方案解释203中的功能的一部分。解决方案表示和存储204管理资产层次结构、来自解决方案学习202的解决方案以及来自解决方案解释203的知识(例如根本原因到推荐动作之间的映射)的表示,并且以用于高效查询的方式被存储。因此,解决方案表示和存储204的存储装置存储资产层次结构201、来自解决方案学习202的多个资产中的每个资产的一个或多个模型解决方案以及来自解决方案解释203的用于该一个或多个模型解决方案的解决方案解释的知识。
图3示出了根据示例实现方式的系统架构,其中构建、执行和解释解决方案。该系统可以包括以下要素。资产300可以包括资产层次结构中的物理资产。传感器301可以包括安装在资产上的传感器。在示例实现方式中,每个传感器附接于对应的资产。
存储装置302可以包括存储资产层次结构320、传感器数据321以及解决方案和解决方案结果322的存储设备或存储系统。
计算单元303可以是包括中央处理单元(CPU)330和存储器331的计算设备,在其中构建、执行和解释解决方案。计算单元303从存储设备中获取数据;构建、执行并解释解决方案;然后将解决方案和结果存储到存储设备中。根据解决方案的数据量、数量和复杂性,计算单元可以包括不同数量的CPU 330和/或图形处理单元(GPU)、不同数量的存储器、不同数量和类型的计算机器等等。并行计算设备和边缘计算设备也可以结合到这里。可以根据所需的实现方式来利用便于计算单元303的功能的任何硬件配置。CPU 330可包括一个或多个处理器,例如硬件处理器或硬件和软件处理器的组合。
输入装置304可以包括数据科学家、工程师、操作员等根据所需的实现方式用来与计算单元303交互的设备,例如鼠标、键盘等。
用户界面305是可以显示数据和结果的软件。输出装置306包括可以显示用户界面的设备,例如监视器、打印机等。
下面详细讨论解决方案架构中的每个要素。
资产层次结构320捕获层次树结构中的资产之间的关系。如本文所述,资产层次结构320可以基于资产之间的物理关系和/或资产之间的逻辑或功能关系来构建。资产层次结构320可以对于多个任务是通用的或者仅对于一个任务是特定的,这取决于所需的实现方式。
资产层次结构320可以用层次树结构来可视化。为了使用资产层次结构320中的信息来构建解决方案,示例实现方式以能够容易且高效地查询的方式表示和存储资产层次结构320。在本文描述的示例实现方式中,知识图谱用于表示和存储资产层次结构320,这将在本文中进一步详细讨论。
传感器数据321可以包括来自安装在感兴趣的资产上并用于收集数据以监控资产的健康状态和性能的IoT(物联网)传感器的数据。不同类型的传感器被设计为收集各种行业、资产和任务之间的不同类型的数据。在这种情况下,不需要区分传感器,并且可以假设大多数传感器与本文介绍的解决方案相关。
如本文将描述的,在第一方面,CPU 330可以被配置为从多个资产生成资产层次结构,该资产层次结构指示从最低层级到最高层级的多个资产之间的关系。执行解决方案学习过程以基于资产层次结构中的多个资产之间的关系来学习多个资产中的每个资产的一个或多个模型解决方案,其中利用层次结构的较低层级中的一个或多个模型解决方案的输出作为解决方案学习过程的输入,以学习资产层次结构的较高层级中的多个资产中的每个资产的一个或多个模型解决方案;以及在存储装置中存储资产层次结构、多个资产中的每个资产的一个或多个模型解决方案以及用于一个或多个模型解决方案的解决方案解释的知识,如图2的流程所示。
在第二方面,CPU 330可以包括第一方面,并且还被配置为生成用于从最高层级到最低层级的多个资产中的每个资产的模型解决方案的每个输出的解决方案解释,如图2的流程所示。
在第三方面,CPU 330可以包括上述方面中的任一方面,并且还被配置为通过以下方式在存储装置中存储资产层次结构、多个资产中的每个资产的一个或多个模型解决方案以及用于一个或多个模型解决方案的解决方案解释的知识:生成第一知识图谱,该第一知识图谱包括多个第一节点和多个第一边缘,所述多个第一节点中的每个第一节点表示多个资产中的一个资产并且与多个资产中的该资产的一个或多个模型解决方案相关联,所述多个第一边缘中的每个第一边缘表示多个资产之间的关系;生成第二知识图谱,该第二知识图谱包括多个第二节点和多个第二边缘,所述多个第二节点中的每个第二节点包括用于多个资产中的每个资产的模型解决方案的解决方案解释的知识,所述多个第二边缘中的每个第二边缘表示用于一个或多个模型解决方案的解决方案解释的知识之间的关系;以及存储第一知识图谱和第二知识图谱作为解决方案表示,如图2、图10至图12所示。
在第四方面,CPU 330可以包括上述方面中的任一方面,并且还被配置为通过以下方式生成用于从最高层级到最低层级的多个资产中的每个资产的模型解决方案的输出的解决方案解释:基于以下各项中的一项或多项来确定一个或多个模型解决方案的每个输出的根本原因:执行多个资产中的每个资产的从较高层级到较低层级的追踪过程;根据多个关系中的跨层级关系执行解释方案;以及通过使用从多个资产中的每个资产的一个或多个模型解决方案的输出导出的根本原因作为目标来执行学习方案;以及并入该根本原因作为用于一个或多个模型解决方案的解决方案解释的知识,如图4、图5、以及图10至图12所示。
在第五方面,CPU 330可以包括上述方面中的任何一方面,其中解决方案学习过程包括:首先从最低层级学习多个资产中的每个资产的一个或多个模型解决方案;其中较低层级的一个或多个模型解决方案的输出被用作输入,以从最低层级到最高层级以迭代方式学习资产层次结构的较高层级中的一个或多个模型解决方案,如图4和图5所示。
在第六方面,CPU 330可以包括上述方面中的任一方面,其中解决方案学习过程包括:计算一个或多个模型解决方案的模型性能指标以及多个资产中的每个资产的每个输入的权重;对于满足成功标准的模型性能指标,将解决方案学习过程继续到多个资产中的每个资产的下一个资产;对于不满足成功标准的模型性能指标:从多个资产中的每个资产,以每个层级的权重的降序,遍历多个资产中的处于资产层次结构中的较低层级的资产;对于被遍历的多个资产中的每个资产,执行更广泛的模型算法集和参数集以生成多个模型解决方案,并对多个模型解决方案应用超参数优化以选择模型解决方案,如图6和图7所示。
在第七方面,CPU 330可以包括上述方面中的任何一方面,其中解决方案学习过程包括:生成表示资产层次结构的深度神经网络,该深度神经网络包括:表示与多个资产相关联的传感器的输入层;表示多个资产中的处于资产层次结构中的最高层级的资产的输出层;以及表示处于资产层次结构中的其他层级的资产的一个或多个隐藏层;其中神经网络层之间的联系表示资产层次结构中的一种或多种物理或逻辑关系,如图8所示。
在第八方面,CPU 330可以包括上述方面中的任一方面,其中解决方案学习过程还包括:使用来自处于较低层级的一个或多个模型解决方案的模型性能指标作为输入以学习处于较高层级的一个或多个模型解决方案;其中多个资产中的每个资产与用于一个或多个任务的一个或多个模型解决方案相关联;其中多个资产中的每个资产与用于一个或多个任务中的每个任务的一个或多个模型解决方案的一个或多个版本相关联;其中一个或多个模型解决方案基于机器学习模型算法或基于物理的模型中的一种或多种;其中一个或多个模型解决方案被配置为识别和利用资产层次结构中的一个或多个传感器或资产之间的容错关系,其中一个或多个传感器或资产中的一些被配置为在系统中具有类似的功能或作用:其中一个或多个模型解决方案被配置为捕获和利用资产之间的跨层级关系,其中一个资产的一个或多个模型解决方案的输入来自处于不同的较低层级的一个或多个资产或传感器;并且其中通过基于一个或多个模型解决方案中的特征重要性去除联系来细化资产层次结构,如图4至图12所示。
在第九方面,CPU 330可以包括上述方面中的任何一方面,其中解决方案学习过程还包括:使用遍历算法(例如,深度优先搜索(DFS)算法、广度优先搜索算法等)以权重的降序遍历在当前资产以下的多个资产;以及关于所述联系的权重来限制要被遍历的多个资产中的资产,如图5至图9所示。
在第十方面,CPU 330可以包括上述方面中的任何一方面,其中解决方案学习过程还包括:构建深度神经网络以生成多个输出,其中每个输出针对资产层次结构中的所述多个资产中的一个资产;其中多个资产中的每个资产与用于一个或多个任务的一个或多个模型解决方案相关联;并且一个或多个模型解决方案被配置为捕获和利用多个资产之间的跨层级关系,其中联系连接深度神经网络中的非相邻层中的资产对,如图4至图9所示。
在第十一方面,CPU 330可以包括上述方面中的任何一方面,并且还被配置为通过深度学习方案生成资产层次结构,该生成资产层次结构包括:识别处于每个层级的多个资产中的资产;以及生成包括多个节点的全连接神经网络,其中处于每个层级的多个节点中的节点通过多个联系与处于更高层级的多个层级中的其他层级连接;训练全连接神经网络并获取多个联系中的每个联系的权重;以及通过去除多个联系中的权重低于预定阈值的联系来削减全连接神经网络中的多个联系,如图4和图8所示。
在第十二方面,资产层次结构表示多个资产的物理层次结构或逻辑层次结构中的一种或多种。
在第十三方面,存在一种用于执行上述方面中的任一方面的方法。
在第十四方面,存在一种存储用于执行上述方面中的任一方面的指令的计算机程序。计算机程序和指令可以存储在非瞬态计算机可读介质中并且由一个或多个处理器执行。
在第十五方面,存在一种具有用于执行上述方面中的任一方面的装置的系统。
存在这样的情况,其中一个传感器S1收集的数据与另一个传感器S2收集的数据密切相关。在这种情况下,S1可以替代S2,反之亦然。例如,风力涡轮机轴扭矩也可以近似地由发电机产生的振动量来表示,反之亦然。这种替代或冗余关系可以基于领域知识和/或数据分析(例如相关性分析)来获取。冗余传感器允许容错:当一个传感器不起作用,则可以使用另一个传感器作为替代品来构建解决方案。此外,当不再维持这种冗余关系时,可以识别出(一个或多个)有故障的传感器。
在解决方案学习202中,存在用于资产层次结构中的资产的各种学习方案。在第一示例中,存在自下而上学习方案。在此学习方案中,来自处于资产层次结构中的较低层级的解决方案的数据和结果可以用作处于较高层级的解决方案的输入。图4示出了根据示例实现方式的自下而上学习方案是如何在资产层次结构中工作的示例。在该示例中,“Asset11”是处于最高层级的资产(即,根资产);“Asset21”、“Asset22”和“Asset23”是处于下一个最高层级的资产,依此类推。资产之间的直接关系用箭头表示。例如,“Asset11”与“Asset21”、“Asset22”和“Asset23”有直接关系。该关系可以是物理的和/或逻辑的。
图5示出了根据示例实现方式的自下而上学习方案中的学习算法。在501处,算法基于业务需要来创建资产层次结构。资产层次结构可以是物理的和/或逻辑的/功能的;根据所需的实现方式,它可以是通用的或面向任务的。在502处,算法识别适用于处于最低层级的每个资产(即,叶资产)的传感器。每个资产可以与多个传感器相关联;每个传感器可以与多个资产相关联。在503处,算法首先为每个叶资产构建(一个或多个)解决方案。在504处,算法使用处于较低层级的解决方案的输出作为输入,以通过沿着资产层次结构来构建处于下一个较高层级的解决方案。较低层级的解决方案的输出可以被视为派生特征,以构建下一个较高层级的解决方案。在505处,该过程继续直到达到处于最高层级的资产。
此外,上述自下而上学习方案有多种变型,其可以根据所需的实现方式来使用。在一个示例中,模型性能指标可以用作输入,使得来自处于较低层级的一个或多个模型解决方案的模型性能指标可以用作输入以学习处于较高层级的一个或多个模型解决方案。为资产构建解决方案时,处于(一个或多个)较低层级的解决方案的模型性能指标可以用作构建处于下一个较高层级的解决方案的输入的一部分。直觉上,这指示来自处于(一个或多个)较低层级的解决方案的输出的“置信度”。这些指标包括但不限于基于模型的指标(例如,准确性、精确度、召回率等)和/或基于业务的指标(例如,故障间隔时间、产量等)。我们可以使用来自处于(一个或多个)较低层级的解决方案的一个或多个这样的模型性能指标作为(一个或多个)输入来构建处于下一个较高层级的解决方案。这样的指标是基于历史数据计算的,其中基准真实(ground truth)目标数据可用并且可用于与导出/预测的目标值进行比较并计算基于模型的指标和/或基于业务的指标。
在另一个示例变型中,可以有多个输出。可以为资产层次结构中的每个资产构建解决方案,并且每个资产的解决方案可以产生输出以解决感兴趣的(一个或多个)资产的(一个或多个)业务问题。
在另一个示例变型中,可以存在跨多任务的问题。在一个系统中,可能存在多个业务问题。根据所需的实现方式,多个资产中的每个资产与用于一个或多个任务的一个或多个模型解决方案相关联。通过多个自下而上学习方案,可以一起完成多个任务来解决这些问题。为此目的,每个资产可以与用于不同任务的多个解决方案相关联。一个例子是,每个资产都与多个解决方案(例如,异常检测、集群、故障检测、剩余使用寿命、故障预测等)相关联。处于较低层级的资产的每个解决方案的输出都可用作构建处于较高层级的资产的解决方案的输入。处于较低层级的资产的一个任务的解决方案可以帮助处于较高层级的资产的所有任务的解决方案。
在另一个示例变型中,存在异构模型。每个任务可能具有每个资产的多个版本的解决方案。例如,可以将多个模型算法应用于资产的每个任务。因此,对于资产的每个任务可以获取多个解决方案。处于较低层级的每个解决方案的输出可以用作构建处于较高层级的解决方案的输入。对于一个任务,处于较低层级的资产的解决方案可以帮助处于较高层级的资产的解决方案。
在另一个示例变型中,存在半经验解决方案。该解决方案可以基于机器学习模型算法和/或基于物理的模型。机器学习模型是数据驱动的方法,其将机器学习模型算法应用于可用数据并构建解决方案。另一方面,基于物理的模型试图基于领域知识捕获有限变量与目标变量之间的潜在关系,并在它们之间形成公式或方程。基于物理的模型通常通过模拟过程进行验证和微调。为了利用这两种解决方案,可以将它们组合成一个学习方案。对于每个资产,可以构建机器学习解决方案和基于物理的解决方案。来自处于较低层级的资产的机器学习解决方案和/或基于物理的解决方案的输出可以用作构建处于较高层级的资产的机器学习解决方案和/或基于物理的解决方案的输入。
在另一个示例变型中,还存在容错。资产层次结构中的一些传感器和/或资产在系统中具有相同或相似的功能或角色。这包括本文所述的替代传感器。这有利于容错,这意味着如果一个资产无法工作,而具有相同功能或作用的另一个资产工作,则整个系统仍然可以工作。冗余关系可以在资产层次结构中被反映和捕获。因此,解决方案也将反映这种关系。例如,如果“Asset21”和“Asset22”在系统中具有相同的功能,并且预测到“Asset21”出现故障,但没有预测到“Asset22”出现故障,则“Asset11”将不会受到“Asset21”的故障的影响。因此,一个或多个模型解决方案可以被配置为识别和利用资产层次结构中的一个或多个传感器或资产之间的容错关系,其中一个或多个传感器或资产中的一些被配置为在系统中有类似的功能或作用。
在另一个示例变型中,存在跨层级关系。当为资产构建解决方案时,用于解决方案的输入可以来自处于不同的较低层级的资产或传感器。这种资产层次结构本质上是由图谱表示的。有如下两种情况。
在第一种情况下,来自传感器的数据可以用作输入,以为资产层次结构中的每个资产构建解决方案。例如,在构建“Asset21”的解决方案时,与该资产相关的传感器可以直接输入到该资产中。例如,“Sensor1”、“Sensor2”、“Sensor3”和“Sensor4”以及来自处于下一个较低层级的资产的现有输入可以用作构建“Asset21”的解决方案的输入。
在第二种情况下,来自处于较低层级资产的解决方案的输出可以用作输入以为处于资产层次结构中的较高层级的另一个资产构建解决方案。例如,在构建“Asset11”的解决方案时,“Asset231”的解决方案的输出可以用作直接为此资产构建解决方案的输入。
在另一个示例变型中,存在资产层次结构细化。为资产构建解决方案时,可以使用机器学习中的特征选择技术和/或可解释的人工智能(AI)技术来确定哪些特征对于构建解决方案很重要或很关键。这样的信息可用于细化资产层次结构:不太重要的特征(对应于传感器或较低层级的资产)的联系将被去除。注意,资产层次结构中联系的这种去除可能是对于该问题或任务特定的,并且可能不适用于其他任务。
在第二示例学习方案中,存在反应式学习方案。在此学习方案中,来自处于资产层次结构中的较低层级的解决方案的数据和结果可以用作构建处于较高层级的解决方案的输入;来自处于较高层级的解决方案的结果可以作为反馈来改进处于较低层级的解决方案。
图6示出了根据示例实现方式的反应式学习方案是如何在资产层次结构中工作的示例。在该示例中,“Asset11”是处于最高层级的资产(即,根资产);“Asset21”、“Asset22”和“Asset23”是处于下一个最高层级的资产,依此类推。资产之间的直接关系用实线箭头表示。例如,“Asset11”与“Asset21”、“Asset22”和“Asset23”有直接关系。
每个实线箭头都与一个权重相关联,该权重指示处于较低层级的资产的解决方案对处于较高层级的资产的解决方案的贡献。权重是根据处于更高层级的资产的每个解决方案进行测量的。例如,“Asset11”的解决方案包括三个权重:“w21”表示“Asset21”的解决方案对“Asset11”的解决方案的贡献;“w22”表示“Asset22”的解决方案对“Asset11”的解决方案的贡献;“w23”表示“Asset23”的解决方案对“Asset11”的解决方案的贡献。可以基于确定模型的特征重要性的技术来计算贡献。例如,对于随机森林模型,我们可以基于每个特征在树中的位置来计算每个特征对减少加权杂质或方差的贡献程度。模型的每个特征都与指示其在模型或解决方案中的重要性的特征重要性值相关联。有多种技术可以确定不同类型模型算法的特征重要性。
从处于较高层级的解决方案到处于较低层级的解决方案的反馈由虚线箭头表示。例如,“Asset11”的解决方案的反馈可用于改进“Asset21”、“Asset22”和“Asset23”的解决方案。
图7示出了根据示例实现方式的反应式学习方案中的学习算法的流程图。
在701处,算法基于业务需要来创建资产层次结构。资产层次结构可以是物理的和/或逻辑的/功能的;它可以是通用的或面向任务的。在702处,算法识别适用于处于最低层级的每个资产(即,叶资产)的传感器。每个资产可以与多个传感器相关联;每个传感器可以与多个资产相关联。在703处,算法从资产层次结构中的最低层级开始并进行到704以确定是否存在没有解决方案的资产。如果存在(是),则在705处算法选择没有解决方案的资产并在706处为其构建解决方案。处于较低层级的解决方案的输出用作通过沿着资产层次结构构建处于下一个较高层级的解决方案的输入。直觉上,模型输出可以被视为派生特征。一直构建解决方案到处于最高层级的资产(即,根叶)。
在707处,算法利用可解释的AI技术计算模型性能指标以及当前资产的每个输入的权重。在708处,如果指标值满足预定的成功标准(是),则算法前进到704以继续当前层级中的没有解决方案的下一个资产。否则(否),流程进行到709并从当前资产A开始,并利用诸如广度优先搜索(BFS)算法的遍历算法通过沿着资产层次结构遍历低于当前资产的资产。
在BFS算法中,在每个层级上,算法都遵循到下一个较高层级的资产的权重的降序:
(a)对于被遍历的每个资产,尝试更广泛的模型算法集和参数集,并应用超参数优化来选择最佳解决方案。
(b)计算最佳解决方案的模型性能指标。
·如果指标值满足预定的成功标准,
o如果当前资产是资产A,则继续当前层级中的没有解决方案的下一个资产。
o否则,为当前资产的父资产重新构建解决方案。这一直持续到到达资产A。
·否则,对于当前资产中的每个子资产,返回到(a)。
在710处,确定下一个更高层级是否存在。如果存在(是),则流程进行到711以进行到下一个层级并再次从704重复。因此,该过程持续进行,直到到达处于最高层级的资产,并且使用满足预定的成功标准的模型性能指标来构建每个资产的解决方案。
此外,自下而上学习方案的变型也可以作为反应式学习方案的变型而应用。此外,两种变型也可以如下应用于反应式学习方案。
在示例变型中,可以使用深度优先搜索(DFS)算法代替BFS来遍历当前资产以下的资产。按权重降序遍历当前资产的子资产。
在示例变型中,可以使用权重来限制要被遍历的资产。当使用遍历算法(例如,BFS算法、DFS算法)遍历当前资产以下的资产时,只有当前资产的权重高于预定阈值的子资产才会被考虑。由于权重表示对应子资产对当前资产的解决方案的贡献,因此这里的规则是保证只有重要子资产的解决方案才被认为是优化的。
在第三个示例学习方案中,存在深度学习方案。在此学习方案中,构建深度神经网络来表示资产层次结构。此外,训练神经网络以解决资产层次结构中的资产的业务问题。
图8示出了根据示例实现方式的关于深度学习方案是如何在资产层次结构中工作的示例。在该示例中,“Asset11”是处于最高层级的资产(即,根资产);“Asset21”、“Asset22”和“Asset23”是处于下一个最高层级的资产,依此类推。资产之间的直接关系用箭头表示。例如,“Asset11”与“Asset21”、“Asset22”和“Asset23”有直接关系。
下面是对深度学习方案中的学习算法的描述。
首先,学习算法构建深度学习神经网络来表示资产层次结构。输入层包括安装在资产上的所有传感器。这是一个数据层,其中所有传感器数据都在该层中使用。输出层包括处于资产层次结构中的最高层级的资产。该层是解决方案层,其中在该层中构建了处于资产层次结构中的最高层级的资产的解决方案,即图8中的“Asset11”。图8中的框“Asset11”表示一个较小的神经网络,其中它具有从资产层次结构中的较低层级获取数据的输入层;用于计算的多个隐藏层以及输出结果的输出层。
隐藏层包括处于其他层级的资产。隐藏层1包括处于资产层次结构中的第二层级到最低层级的资产;隐藏层2包括资产层次结构中的第三层级到最低层级的资产;等等。隐藏层是解决方案层,其中为资产层次结构的中间层级中的每个资产构建解决方案。图8中的隐藏层中的每个资产的框表示较小的神经网络,其中它具有从处于资产层次结构中的较低层级的传感器和/或资产获取数据的输入层;用于计算的多个隐藏层以及输出资产层次结构中的下一个层级的结果的输出层。一层中的单元与下一层中的单元之间的联系(或关联)由两个单元之间的物理和/或逻辑关系确定。例如,如果“Sensor1”仅用于为“Asset211”构建解决方案,则“Sensor1”和“Asset211”之间存在联系。
然后,学习算法针对给定的业务问题训练神经网络。对整个神经网络进行训练,并在隐藏层和输出层中为每个资产建立模型,以解决每个资产的业务问题。应用神经网络的标准训练过程,包括前向传播和后向传播。此外,神经网络中深度学习的所有技术都可以应用于该训练过程。
之后,学习算法基于神经网络模型和传感器数据进行预测。收集并预处理传感器数据。将神经网络应用于经过预处理的传感器数据,以便从输出层生成结果。
此外,上述深度学习方案有多种变型。在一种示例变型中,存在多个输出。可以为资产层次结构中的每个资产构建解决方案,并且每个资产的解决方案可以产生输出以解决感兴趣的(一个或多个)业务问题。在图8中,隐藏层和输出层中的每个框都可以是资产的业务问题的解决方案。替代的解决方案是构建一个较小的神经网络,直到达到预期的输出层级。例如,如果第2层的输出是需要的,则算法仅构建到第2层的模型,并使用第2层的问题作为目标。
在另一个示例变型中,存在多任务分配。在一个系统中,可能存在多个业务问题,在此学习方案中,可以一起构建多个解决方案来解决这些问题。多个资产中的每个资产可以与一个或多个任务的一个或多个模型解决方案相关联。为此目的,每个资产可以与不同任务的多个解决方案相关联。一个例子是,每个资产都与多个解决方案相关联:异常检测、集群、故障检测、剩余使用寿命、故障预测等。来自处于较低层级的资产的每个解决方案的输出可以被输入到处于较高层级的资产的解决方案。处于较低层级的资产的一个任务的解决方案可以帮助处于较高层级的资产的另一个任务的解决方案。在图8中,隐藏层和输出层中的每个资产都有多个输出。
在另一个示例变型中,存在深度神经网络(DNN)。神经网络中的每个层都映射到资产层次结构中的一个层级,并且资产层次结构中可以有多个层级。此外,每个资产都有一个小的神经网络,其也包含多个层。它是一个整体的深层网络。根据所需的实现方式,DNN可以被构建为生成多个输出,其中每个输出针对来自资产层次结构中的多个资产中的一个资产。
在另一个示例变型中,存在跨层级关系。在标准神经网络中,联系位于当前层和紧邻的下一层之间。然而,一些深度学习神经网络还包括也可以应用在这里的跨层联系。换句话说,在该学习方案中提出的神经网络允许非相邻层之间的联系。因此,在示例实现方式中,一个或多个模型解决方案被配置为捕获并利用资产之间的跨层级关系,其中一个资产的一个或多个模型解决方案的输入来自处于不同的较低层级的一个或多个资产或传感器。此外,一个或多个模型解决方案可以被配置为捕获和利用多个资产之间的跨层级关系,其中关联连接深度神经网络中的非相邻层中的资产对。
在另一个示例变型中,可以存在全连接神经网络。图8示出了其中联系基于资产层次结构中的资产之间的关系的神经网络结构。然而,有时这样的关系可能事先并不清楚或准确。一旦在资产层次结构中确定了每个层级中的传感器和资产,一个层级中的每个传感器或资产就可以连接到下一个层级中的每个资产。因此,一个层级或层完全连接到下一个层或层级。然后,在训练期间,将相应地确定关于联系的权重。大权重表示强联系,小权重表示弱联系。如果联系的权重接近0,则表明可能不需要该联系。可以对权重使用预定阈值来确定是否需要对应的联系。这放宽了为资产层次结构中的资产构建解决方案的对关系的要求。作为副产品,一旦确定了每个层级的资产,全连接神经网络的变型就有助于构建资产层次结构。
替代的混合解决方案是从全连接神经网络开始,然后基于高置信度的领域知识去除尽可能多的联系,然后训练这样的神经网络并去除权重小于预定阈值的联系。因此,可以通过基于一个或多个模型解决方案中的特征重要性去除联系来细化资产层次结构。
对于解决方案解释203,一旦构建了解决方案,它将用于生成业务问题的结果。然而,该结果可能无法直接转化或映射到一些可行的结果。例如,该解决方案可以生成感兴趣的资产的预测故障。预测故障通过表明故障的严重程度的故障得分来表示;然而,它不包含有关故障原因的任何信息以及因此建议的修复它的操作。为了修复预测故障,需要导出预测故障的根本原因,并且可以基于该根本原因和领域知识生成修复操作。
可解释的AI可用于从资产的解决方案中导出每个结果的根本原因。一些库可用于执行可解释的AI。例如,可以利用ELI5或SHAP来导出(一个或多个)学习模型结果的根本原因。这样的库旨在每次解释一个模型或解决方案的结果。对于资产层次结构中的资产,我们可以使用这样的库来解释解决方案以及每个解决方案的结果。除此之外,还引入了一种通过结合资产之间的关系来解释资产层次结构中的资产的解决方案和解决方案的结果的方案。
图9示出了根据示例实现方式的可解释的AI方案是如何在资产层次结构中工作的示例。具体来说,图9示出了根据多个关系中的跨层级关系执行解释方案以及通过使用从多个关系中的每个关系的解决方案的故障输出导出的根本原因作为目标来执行学习方案的示例。在该示例中,“Asset11”是处于最高层级的资产(即,根资产);“Asset21”、“Asset22”和“Asset23”是处于下一个最高层级的资产,依此类推。资产之间的直接关系用箭头表示。例如,“Asset11”与“Asset21”、“Asset22”和“Asset23”有直接关系。
作为自上而下的跟踪方案,下面提供了用于解决方案解释203的可解释的AI算法方案的示例。
首先,算法从处于资产层次结构中的最高层级的资产开始。基于该资产的解决方案,导出数据实例的结果,并基于根本原因分析模型导出结果的根本原因。例如,可以利用ELI5或SHAP来得出该结果的根本原因。
其次,基于导出的根本原因,识别导致根本原因的处于较低层级的(一个或多个)资产。对已识别的资产执行根本原因分析并导出根本原因。重复此步骤,直到到达资产层次结构中的底部层级(即,具有传感器的层级)。
例如,在图9中,基于“Asset11”的解决方案,如果预测结果的根本原因是由于“Asset21”,则遵循路径“p21”。然后,基于“Asset21”的解决方案,如果预测结果的根本原因是由于“Asset213”,则遵循路径“P213”。最后基于“Asset213”的解决方案,如果根本原因是由于“Sensor4”,则遵循路径“ps4”。
该解释方案适用于自下而上学习方案和反应式学习方案。对于深度学习方案,根本分析模型可以直接应用于整个神经网络,从而推断出在传感器层级的根本原因。
上述自上而下的跟踪解释方案的变型可以包括以下内容。
在示例变型中,存在处于不同层级的解决方案解释。可以针对资产层次结构中的每个资产解释解决方案和解决方案的结果。示例实现方式可以从资产层次结构中的任何资产开始,并向其应用追踪方案。此外,根本原因可能是由于处于资产层次结构中的不同层级的资产或传感器造成的。例如,在上面的示例中,示例实现方式可以遵循路径“p21”来确定“Asset21”的根本原因,并且示例实现方式停止并得出对于“Asset21”的根本原因的结论。
在另一个示例变型中,还存在跨层级解释。当学习方案包括跨层级关系时,可以相应地启用跨层级关系的解释。例如,在图9中,基于“Asset11”的解决方案,如果结果的根本原因是由于“Sensor7”,则示例实现方式遵循路径“ps7”并确定根本原因是关于“Sensor7”。
在另一个示例变型中,在解决方案结果中也存在根本原因。当为资产构建解决方案时,示例实现方式会直接将根本原因作为目标。例如,当预测资产的故障时,除了故障得分之外,示例实现方式还包括故障模式(即,故障的根本原因组)作为目标。这仅需要资产的一种解决方案,而不是一种解决方案生成结果,另一种解决方案生成根本原因。
对于解决方案表示和存储204,在资产层次结构中存在信息表示和存储。示例实现方式包括一种高效的方法(知识图谱)来表示和存储与资产层次结构中的解决方案相关的信息。该信息包括资产层次结构201、来自解决方案学习202的解决方案、来自解决方案解释203的根本原因与推荐动作之间的映射。
图10示出了根据示例实现方式的知识图谱的示例数据类型。根据需要在知识图谱中表示的数据类型,可以使用不同的过程(即,手动的或自动的)。一旦知识图谱被构建,知识图谱就被存储在本领域已知的图谱数据库中。例如,图谱数据库可以根据所需的实现方式是Neo4J、ArangoDB等。例如,解决方案学习202可以通过生成第一知识图谱来表示,第一知识图谱包括多个第一节点和多个第一边缘,所述多个第一节点中的每个第一节点表示多个资产中的一个资产并且与多个资产中的该资产的一个或多个模型解决方案相关联,所述多个第一边缘中的每个第一边缘表示多个资产之间的关系。解决方案学习203可以通过生成第二知识图谱来表示,第二知识图谱包括多个第二节点和多个第二边缘,多个第二节点中的每个第二节点包括用于多个资产中的每个资产的模型解决方案的解决方案解释的知识,多个第二边缘中的每个第二边缘表示用于一个或多个模型解决方案的所生成的解决方案解释的知识之间的关系。这样的知识图谱作为解决方案表示存储在解决方案表示和存储204中。
如图10的知识图谱的数据类型所示,需要表示和存储的数据可以是不同的类型。例如,对于结构化数据类型,数据以表格结构存储,其中列表示变量,行表示实例。结构化数据的示例可以包括关系表格式或CSV数据。对于半结构化数据类型,数据以结构化数据的形式表示,该结构化数据不遵循表格结构,但包含标签或其他标记来分隔语义要素并强制执行数据内的记录和字段的层次结构。例如,“XML”和“JSON”是两种类型的半结构化数据。对于非结构化数据类型,数据不具有预定的数据模型或者不以预定的方式组织。例如,文本、图像、视频或音频数据都是非结构化数据。
除了非结构化数据只能通过自动过程构建外,所有数据类型都可以通过手动过程或自动过程构建知识图谱。
关于知识图谱的组成,知识图谱是可以包含节点和边缘的有向图谱。节点表示一个项目或实体(物理地或逻辑的),例如人员、电气系统、资产等。边缘捕获两个节点之间的利益关系并将它们在图谱中连接起来。例如,Asset11由Asset21组成,或者问题A由根本原因B引起。
图11示出了根据示例实现方式的构建知识图谱的示例过程。构建知识图谱本质上是理解实体及它们之间的关系,并将实体表示为节点以及将关系表示为边缘。如图11所示,构建知识图谱有两个过程或路径。
手动过程:示例实现方式可以按照以“手动1(Manual 1)”、“手动2(Manual2)”、“手动3(Manual 3)”和“手动4(Manual 4)”所示的手动步骤1100至1104来构建知识图谱。在最后的步骤1004处,将本体图谱用数据具体化以得到知识图谱。实体及它们之间的关系需要手动识别并用知识图谱表示。
自动过程:示例实现方式可以按照“自动1(Automatic 1)”以从1100直接到1104构建知识图谱,这是通过基于自然语言处理技术的语言模型完成的。实体及它们之间的关系可以通过自然语言处理技术自动识别并由知识图谱表示。可选地,从1104到1103的“自动2(Automatic 2)”是将知识图谱抽象为本体图谱。
在下面的描述中,示例实现方式列出了存储在知识图谱中并在解决方案学习和解释过程中使用的信息。
关于在知识图谱中存储资产层次结构,给定一个系统,首先需要基于领域知识来识别资产及它们之间的关系。然后,资产可以被表示为节点并且关系被表示为边缘,以通过手动过程为其构建知识图谱。
首先,在1100处,示例实现方式识别所有资产。然后,示例实现方式识别系统中独特资产的列表。在1102和1103处,识别资产类型和资产类型之间的关系(层次的和非层次的)。这包括为层次关系构建分类树1102,和/或为非层次关系构建本体图谱1103。最后,在1104处,示例实现方式可以用数据使本体图谱具体化以构建知识图谱。如果系统中资产不多,示例实现方式可以直接识别资产之间的关系。因此,示例实现方式将直接采用从1100到1101到1104的过程来构建知识图谱。
关于在知识图谱中存储资产的解决方案,每个资产都与具有不同解决方案版本的不同任务的一个或多个模型解决方案相关联。在表示和存储资产层次结构的知识图谱中,示例实现方式可以添加一个或多个条目来表示解决方案。因此,示例实现方式将解决方案与资产一起存储在资产层次结构中。
图12示出了根据示例实现方式的存储在知识图谱的每个节点中的信息的示例。资产层次结构中的每个资产可以有多个任务(例如,异常检测、故障预测、剩余使用寿命),并且对于每个任务可以有多个版本的解决方案(例如,对于故障预测任务,根据所需的实现方式,可以有基于随机森林分类的解决方案、基于来自循环神经网络(RNN)的序列预测的解决方案、基于领域知识和模拟的基于物理的模型)或任何其他机器学习模型算法或基于物理的模型。结果,对于知识图谱中的每个节点,都会相应地存储该资产的这样的信息,如图12所示。因此,多个资产中的每个资产与用于一个或多个任务中的每个任务的一个或多个模型解决方案的一个或多个版本相关联。
关于使用知识图谱进行解决方案解释203,为了解释解决方案和结果,需要将根本原因映射到推荐动作。示例实现方式可以使用知识图谱来存储所有领域知识来解释解决方案和结果。
构建知识图谱可以通过对结构化数据或非结构化数据进行手动或自动处理来完成。每个实体可以用节点来表示,关系可以用边缘来表示。例如,对于诊断问题,示例实现方式可以存储以下信息“症状”→“问题”→“根本原因”→“补救措施”,其中每个“症状”、“问题”、“根本原因”和“补救措施”由知识图谱中的节点表示,每对实体之间的关系由知识图谱中的边缘表示。
为了查询给定某些关键字的结果,示例实现方式可以使用模糊查询、lucence索引查询或句子嵌入查询。模糊查询和lucence索引查询通常被提供作为图谱数据库的一部分。对于句子嵌入查询,示例实现方式将关键词短语视为句子并获取句子嵌入。查询是计算关键词相的句子嵌入与知识图谱中数据的句子嵌入的相似度,并输出最相似的结果。
此外,示例实现方式将知识图谱抽象为本体图谱和分类树。为知识图谱中的每个实体分配标签。这可以基于领域知识手动完成;或基于某些标记算法自动完成。接下来,示例实现方式可以基于分配给每个实体的标签对实体进行聚类。实体聚类可以被认为是实体类型。示例实现方式还基于实体之间的现有联系添加实体类型之间的联系。具有层次关系的实体类型形成分类树。具有非层次关系的实体类型形成本体图谱。
此外,示例实现方式引入了基于资产层次结构的解决方案和结果的解释方法。这可以帮助解释处于不同层级(粗粒度层级(coarse to grain level))的结果。此外,示例实现方式引入了使用知识图谱来表示和存储资产层次结构和解释解决方案所需的信息。示例实现方式有助于解决资产之间的关系并相应地构建资产层次结构,并且所提出的解决方案可以帮助细化和优化资产层次结构。
图13示出了根据示例实现方式的包括具有连接的传感器和管理装置的多个系统的系统。一个或多个传感器系统1301-1、1301-2、1301-3和1301-4通信地耦合到网络1300,网络1300连接到管理装置1302,管理装置1302有助于物联网(IoT)网关或其他管理系统的功能。管理装置1302管理数据库1303,数据库1303包含从传感器系统1301-1、1301-2、1301-3和1301-4收集的历史数据,这些数据可以包括从系统1301-1、1301-2、1301-3和1301-4接收的标记数据和未标记数据。在替代示例实现方式中,来自传感器系统1301-1、1301-2、1301-3、1301-4的数据可以存储到中央存储库或中央数据库,例如接收诸如企业资源规划系统等数据的专有数据库,管理装置1302可以从中央存储库或中央数据库访问或获取数据。根据所需的实现方式,这样的系统可以包括带有传感器的机器人臂、带有传感器的涡轮机、带有传感器的车床等等。管理装置1302可以采用计算单元302和存储装置303所示的系统的形式。
通过本文描述的示例实现方式,通过利用资产之间的物理和/或逻辑关系,为资产层次结构采用多种学习方案。这有助于为每个资产的(一个或多个)给定任务的解决方案实现更好的性能,提供整个系统的全面健康状况并相应地确定任务的优先级。它还可以帮助微调每个资产的解决方案。本文描述的示例实现方式进一步解决了本文概述的相关技术的问题。
详细描述的某些部分是根据计算机内的操作的算法和符号表示来呈现的。这些算法描述和符号表示是数据处理领域的技术人员用来向本领域其他技术人员传达其创新的本质的手段。算法是导致所需的最终状态或结果的一系列定义的步骤。在示例实现方式中,所执行的步骤需要对有形量进行物理操纵以实现有形结果。
除非另有具体说明,否则根据讨论显而易见的是,应当理解,在整个描述中,使用诸如“过程”、“运算”、“计算”、“确定”、“显示”等术语的讨论可包括计算机系统或其他信息处理设备的动作和过程,这些设备将计算机系统的寄存器和存储器中表示为物理(电子)量的数据操纵和变换为计算机系统的存储器或寄存器或其他信息存储、传输或显示设备内的类似地表示为物理量的其他数据。
示例实现方式还可以涉及用于执行本文的操作的装置。该装置可以为所需目的而专门构造,或者它可包括一台或多台通用计算机,该计算机由一个或多个计算机程序选择性地激活或重新配置。这样的计算机程序可以存储在计算机可读介质中,例如计算机可读存储介质或计算机可读信号介质。计算机可读存储介质可涉及有形介质,例如但不限于光盘、磁盘、只读存储器、随机存取存储器、固态设备和驱动器,或适合用于存储电子信息的任何其他类型的有形或非瞬态介质。计算机可读信号介质可包括诸如载波的介质。本文呈现的算法和显示与任何特定的计算机或其他装置没有内在关联。计算机程序可以包括纯软件实现方式,这些实现方式包括执行所需的实现方式的操作的指令。
各种通用系统可以与根据本文的示例的程序和模块一起使用,或者可以证明构造用于执行所需的方法步骤的更专用的设备是方便的。此外,示例实现方式没有参照任何特定的编程语言来描述。应当理解,可以使用多种编程语言来实现本文所描述的示例实现方式的技术。(一种或多种)编程语言的指令可以由一个或多个处理设备执行,例如,中央处理单元(CPU)、处理器或控制器。
如本领域已知的,上述操作可以由硬件、软件或软件和硬件的某种组合来执行。示例实现方式的各个方面可以使用电路和逻辑设备(硬件)来实现,而其他方面可以使用存储在机器可读介质(软件)上的指令来实现,这些指令如果由处理器执行,将导致处理器执行用于进行本申请的实现方式的方法。此外,本申请的一些示例实现方式可以单独以硬件执行,而其他示例实现方式可以单独以软件执行。此外,所描述的各种功能可以在单个单元中执行,或者可以以任意数量的方式分布在多个组件中。在由软件执行时,这些方法可以由诸如通用计算机的处理器基于存储在计算机可读介质上的指令来执行。如果需要,可以将指令以压缩和/或加密格式存储在介质上。
此外,考虑到说明书和本申请的教导的实践,本申请的其他实施方式对于本领域技术人员来说将是显而易见的。所描述的示例实现方式的各个方面和/或组件可以单独使用或以任何组合使用。说明书和示例实现方式旨在仅被视为示例,本申请的真实范围和精神由所附权利要求指示。
Claims (15)
1.一种方法,其包括:
从多个资产生成资产层次结构,所述资产层次结构指示从最低层级到最高层级的所述多个资产之间的关系;
执行解决方案学习过程,以基于所述资产层次结构中的所述多个资产之间的所述关系来学习所述多个资产中的每个资产的一个或多个模型解决方案,其中利用所述层次结构的较低层级中的所述一个或多个模型解决方案的输出,作为所述解决方案学习过程的输入,以学习所述资产层次结构的较高层级中的所述多个资产中的每个资产的所述一个或多个模型解决方案;以及
在存储装置中存储所述资产层次结构、所述多个资产中的每个资产的所述一个或多个模型解决方案、以及用于所述一个或多个模型解决方案的解决方案解释的知识。
2.根据权利要求1所述的方法,其还包括:生成用于从最高层级到最低层级的所述多个资产中的每个资产的所述模型解决方案的每个输出的所述解决方案解释。
3.根据权利要求2所述的方法,其中在存储装置中存储所述资产层次结构、所述多个资产中的每个资产的所述一个或多个模型解决方案、以及用于所述一个或多个模型解决方案的所述解决方案解释的知识包括:
生成第一知识图谱,所述第一知识图谱包括多个第一节点和多个第一边缘,所述多个第一节点中的每个第一节点表示来自所述多个资产中的一个资产并且与来自所述多个资产中的该资产的所述一个或多个模型解决方案相关联,所述多个第一边缘中的每个第一边缘表示所述多个资产之间的所述关系;
生成第二知识图谱,所述第二知识图谱包括多个第二节点和多个第二边缘,所述多个第二节点中的每个第二节点包括用于所述多个资产中的每个资产的所述模型解决方案的所述解决方案解释的所述知识,所述多个第二边缘中的每个第二边缘表示用于所述一个或多个模型解决方案的所述解决方案解释的所述知识之间的关系;以及
存储所述第一知识图谱和所述第二知识图谱,作为解决方案表示。
4.根据权利要求1所述的方法,其中生成用于从最高层级到最低层级的所述多个资产中的每个资产的所述模型解决方案的所述输出的所述解决方案解释包括:
基于以下各项中的一项或多项,来确定所述一个或多个模型解决方案的每个输出的根本原因:执行所述多个资产中的每个资产的从较高层级到较低层级的追踪过程;根据所述多个关系中的跨层级关系执行解释方案;以及通过使用从所述多个资产中的每个资产的所述一个或多个模型解决方案的输出导出的所述根本原因作为目标,来执行学习方案;以及
并入所述根本原因,作为用于所述一个或多个模型解决方案的所述解决方案解释的所述知识。
5.根据权利要求1所述的方法,其中所述解决方案学习过程包括:
首先从最低层级学习所述多个资产中的每个资产的所述一个或多个模型解决方案;
其中较低层级的所述一个或多个模型解决方案的所述输出被用作输入,以从最低层级到最高层级以迭代方式学习所述资产层次结构的较高层级中的所述一个或多个模型解决方案。
6.根据权利要求1所述的方法,其中所述解决方案学习过程包括:
计算所述一个或多个模型解决方案的模型性能指标以及所述多个资产中的每个资产的每个输入的权重;
对于满足成功标准的所述模型性能指标,将所述解决方案学习过程继续到所述多个资产中的每个资产的下一个资产;
对于不满足所述成功标准的所述模型性能指标:
从所述多个资产中的所述每个资产,以每个层级的权重的降序,遍历所述多个资产中的处于所述资产层次结构中的较低层级的资产;
对于被遍历的所述多个资产中的每个资产,执行更广泛的模型算法集和参数集,以生成多个模型解决方案,并对所述多个模型解决方案应用超参数优化以选择所述模型解决方案。
7.根据权利要求1所述的方法,其中所述解决方案学习过程包括:
生成表示所述资产层次结构的深度神经网络,所述深度神经网络包括:
表示与所述多个资产相关联的传感器的输入层;
表示所述多个资产中的处于所述资产层次结构中的最高层级的资产的输出层;以及
表示处于所述资产层次结构中的其他层级的资产的一个或多个隐藏层;
其中所述神经网络层之间的联系表示所述资产层次结构中的一种或多种物理或逻辑关系。
8.根据权利要求5所述的方法,其中所述解决方案学习过程还包括:
使用来自处于较低层级的所述一个或多个模型解决方案的模型性能指标作为所述输入,以学习处于较高层级的所述一个或多个模型解决方案;
其中所述多个资产中的每个资产与用于一个或多个任务的所述一个或多个模型解决方案相关联;
其中所述多个资产中的每个资产与用于所述一个或多个任务中的每个任务的所述一个或多个模型解决方案的一个或多个版本相关联;
其中所述一个或多个模型解决方案基于机器学习模型算法或基于物理的模型中的一种或多种;
其中所述一个或多个模型解决方案被配置为:识别和利用所述资产层次结构中的一个或多个传感器或资产之间的容错关系,其中所述一个或多个传感器或资产中的一些被配置为在所述系统中具有类似的功能或作用:
其中所述一个或多个模型解决方案被配置为:捕获和利用资产之间的跨层级关系,其中一个资产的所述一个或多个模型解决方案的所述输入来自处于不同的较低层级的一个或多个资产或传感器;并且
其中通过基于所述一个或多个模型解决方案中的特征重要性去除联系,来细化所述资产层次结构。
9.根据权利要求6所述的方法,其中所述解决方案学习过程还包括:
使用来自处于较低层级的所述一个或多个模型解决方案的所述模型性能指标作为所述输入,以学习处于较高层级的所述一个或多个模型解决方案;
其中所述多个资产中的每个资产与用于一个或多个任务的所述一个或多个模型解决方案相关联;
其中所述多个资产中的每个资产与用于所述一个或多个任务中的每个任务的所述一个或多个模型解决方案的一个或多个版本相关联;
其中所述一个或多个模型解决方案基于机器学习模型算法或基于物理的模型中的一种或多种;
其中所述一个或多个模型解决方案被配置为:识别和利用所述资产层次结构中的一个或多个传感器或资产之间的容错关系,其中所述一个或多个传感器或资产中的一些被配置为在所述系统中具有类似的功能或作用;
其中所述一个或多个模型解决方案被配置为:捕获和利用资产之间的跨层级关系,其中一个资产的所述一个或多个模型解决方案的所述输入来自处于不同的较低层级的一个或多个资产或传感器;并且
其中通过基于所述一个或多个模型解决方案中的特征重要性去除联系,来细化所述资产层次结构。
10.根据权利要求6所述的方法,其中所述方案学习过程还包括:
使用遍历算法,按照所述权重的降序遍历所述多个资产中的在当前资产以下的资产;以及
使用关于所述联系的所述权重,来限制要被遍历的所述多个资产中的资产。
11.根据权利要求7所述的方法,其中所述解决方案学习过程还包括:
构建所述深度神经网络以生成多个输出,其中每个输出针对所述资产层次结构中的所述多个资产中的一个资产;
其中所述多个资产中的每个资产与用于一个或多个任务的所述一个或多个模型解决方案相关联;并且
所述一个或多个模型解决方案被配置为:捕获和利用所述多个资产之间的跨层级关系,其中所述关联连接所述深度神经网络中的非相邻层中的资产对。
12.根据权利要求1所述的方法,其还包括通过深度学习方案生成所述资产层次结构,所述生成所述资产层次结构包括:
识别处于每个层级的所述多个资产中的资产;
生成包括多个节点的全连接神经网络,其中处于每个层级的所述多个节点中的节点通过多个联系与处于更高层级的所述多个层级中的其他层级连接;
训练所述全连接神经网络并获取所述多个联系中的每个联系的权重;以及
通过去除所述多个联系中的权重低于预定阈值的联系,来削减所述全连接神经网络中的所述多个联系。
13.根据权利要求1所述的方法,其中所述资产层次结构表示所述多个资产的物理层次结构或逻辑层次结构中的一种或多种。
14.一种计算机程序,其存储用于执行过程的指令,所述指令包括:
从多个资产生成资产层次结构,所述资产层次结构指示从最低层级到最高层级的所述多个资产之间的关系;
执行解决方案学习过程,以基于所述资产层次结构中的所述多个资产之间的所述关系来学习所述多个资产中的每个资产的一个或多个模型解决方案,其中利用所述层次结构的较低层级中的所述一个或多个模型解决方案的输出,作为所述解决方案学习过程的输入,以学习所述资产层次结构的较高层级中的所述多个资产中的每个资产的所述一个或多个模型解决方案;以及
在存储装置中存储所述资产层次结构、所述多个资产中的每个资产的所述一个或多个模型解决方案、以及用于所述一个或多个模型解决方案的解决方案解释的知识。
15.一种装置,其包括:
处理器,所述处理器被配置为:
从多个资产生成资产层次结构,所述资产层次结构指示从最低层级到最高层级的所述多个资产之间的关系;
执行解决方案学习过程,以基于所述资产层次结构中的所述多个资产之间的所述关系来学习所述多个资产中的每个资产的一个或多个模型解决方案,其中利用所述层次结构的较低层级中的所述一个或多个模型解决方案的输出,作为所述解决方案学习过程的输入,以学习所述资产层次结构的较高层级中的所述多个资产中的每个资产的所述一个或多个模型解决方案;以及在存储装置中存储所述资产层次结构、所述多个资产中的每个资产的所述一个或多个模型解决方案、以及用于所述一个或多个模型解决方案的解决方案解释的知识。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/US2021/039863 WO2023277905A1 (en) | 2021-06-30 | 2021-06-30 | Solution learning and explaining in asset hierarchy |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117616429A true CN117616429A (zh) | 2024-02-27 |
Family
ID=84690561
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202180099891.9A Pending CN117616429A (zh) | 2021-06-30 | 2021-06-30 | 资产层次结构中的解决方案学习和解释 |
Country Status (3)
Country | Link |
---|---|
EP (1) | EP4363955A1 (zh) |
CN (1) | CN117616429A (zh) |
WO (1) | WO2023277905A1 (zh) |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020077944A1 (en) * | 1999-11-16 | 2002-06-20 | Bly J. Aaron | System and method for disposing of assets |
US7149734B2 (en) * | 2001-07-06 | 2006-12-12 | Logic Library, Inc. | Managing reusable software assets |
US8055375B2 (en) * | 2008-09-30 | 2011-11-08 | Rockwell Automation Technologies, Inc. | Analytical generator of key performance indicators for pivoting on metrics for comprehensive visualizations |
US10156841B2 (en) * | 2015-12-31 | 2018-12-18 | General Electric Company | Identity management and device enrollment in a cloud service |
-
2021
- 2021-06-30 EP EP21948653.7A patent/EP4363955A1/en active Pending
- 2021-06-30 CN CN202180099891.9A patent/CN117616429A/zh active Pending
- 2021-06-30 WO PCT/US2021/039863 patent/WO2023277905A1/en active Application Filing
Also Published As
Publication number | Publication date |
---|---|
EP4363955A1 (en) | 2024-05-08 |
WO2023277905A1 (en) | 2023-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sharp et al. | A survey of the advancing use and development of machine learning in smart manufacturing | |
Xia et al. | Toward cognitive predictive maintenance: A survey of graph-based approaches | |
US20210230981A1 (en) | Oilfield data file classification and information processing systems | |
KR101508641B1 (ko) | 생산 공정에서 데이터마이닝을 이용하여 제품 상태를 예측하는 장치 및 방법 | |
CN116075842A (zh) | 企业支出优化和映射模型架构 | |
US20230168639A1 (en) | Failure mode analytics | |
CN111709765A (zh) | 一种用户画像评分方法、装置和存储介质 | |
Navinchandran et al. | Discovering critical KPI factors from natural language in maintenance work orders | |
US20230206137A1 (en) | Orchestrator for machine learning pipeline | |
Aboutorab et al. | A survey on the suitability of risk identification techniques in the current networked environment | |
Rashid et al. | Completeness and consistency analysis for evolving knowledge bases | |
Rožanec et al. | Semantic XAI for contextualized demand forecasting explanations | |
Nandyala et al. | Evaluating word representations in a technical language processing pipeline | |
Xia | A systematic graph-based methodology for cognitive predictive maintenance of complex engineering equipment | |
Saetia et al. | Data-driven approach to equipment taxonomy classification | |
CN117616429A (zh) | 资产层次结构中的解决方案学习和解释 | |
Giannoulidis et al. | A context-aware unsupervised predictive maintenance solution for fleet management | |
Ebrahimipour et al. | Ontology-based knowledge platform to support equipment health in plant operations | |
Thomas et al. | Design of software-oriented technician for vehicle’s fault system prediction using AdaBoost and random forest classifiers | |
Vasudevan et al. | A systematic data science approach towards predictive maintenance application in manufacturing industry | |
Malburg et al. | Modeling and using complex IoT time series data in case-based reasoning: From application scenarios to implementations | |
Jaber et al. | RETRACTED ARTICLE: AHI: a hybrid machine learning model for complex industrial information systems | |
Sahana | Software Defect Prediction Based on Classication Rule Mining | |
US20220293105A1 (en) | Prognostic maintenance system and method | |
Klusch et al. | iCM-Hydraulic: Semantics-empowered condition monitoring of hydraulic machines |
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 |