CN117642750A - 用于训练模型的方法和设备 - Google Patents
用于训练模型的方法和设备 Download PDFInfo
- Publication number
- CN117642750A CN117642750A CN202180100047.3A CN202180100047A CN117642750A CN 117642750 A CN117642750 A CN 117642750A CN 202180100047 A CN202180100047 A CN 202180100047A CN 117642750 A CN117642750 A CN 117642750A
- Authority
- CN
- China
- Prior art keywords
- sensor data
- model
- time
- equipment
- real
- 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
- 238000012549 training Methods 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000012360 testing method Methods 0.000 claims abstract description 44
- 238000012544 monitoring process Methods 0.000 claims abstract description 26
- 238000012790 confirmation Methods 0.000 claims abstract description 8
- 230000035945 sensitivity Effects 0.000 claims description 18
- 238000001514 detection method Methods 0.000 claims description 11
- 238000003909 pattern recognition Methods 0.000 claims description 3
- 230000003213 activating effect Effects 0.000 abstract description 3
- 238000010200 validation analysis Methods 0.000 description 9
- 238000012423 maintenance Methods 0.000 description 7
- 238000004519 manufacturing process Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 4
- 238000013145 classification model Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000000153 supplemental effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
- 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
- G06Q10/20—Administration of product repair or maintenance
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明呈现一种用于训练模型的方法、设备和计算机可读媒体。所述方法(300)包含：基于仅包含装备处于正常工作条件时的历史传感器数据的训练数据集(21)而训练(S301)模型(28)；利用造成假警报的传感器数据(22)、所述装备的历史确认故障的传感器数据(23)和所述装备处于正常工作条件时的预定义最近时间段内的传感器数据(24)来测试(S302)所述模型(28)；在所述模型(28)通过测试的情况下激活(S303)所述模型(28)。状态监测能够基于连续更新的模型并且能够适用于不同且易变的工作条件。
Description
技术领域
本发明涉及装备状态监测，且更尤其涉及用于训练用于监测装备的工作状态的模型的方法、设备和计算机可读存储媒体。
背景技术
增加生产设备中的传感器的设置的数目使得可收集传感器数据以监测装备的工作状态、检测异常和预测故障。
实际上，存在试图实现装备工作状态监测(例如，故障类型检测和预测维护)的多种机器学习方法。
机器学习方法能够处置高维度和多变量数据，提取复杂和动态环境中的数据内的隐藏关系。然而，所部署模型总是不能够连续地监测目标装备，这意味着归因于时间、制造、负荷、环境或其它因素，预测维护解决方案自身依赖于对模型的定期维护。一个可能的原因是装备工作条件是不同的且易变的，而所部署的解决方案是相对静态的且需要大量地输入来更新模型(例如，手动地标记和更新训练样本)。
发明内容
在本公开中，我们提出一种模型自更新解决方案，通过所述模型自更新解决方案，状态监测可基于连续更新的模型且可适用于不同且易变的工作条件。
本公开的实施例包含方法、设备、系统和计算机可读存储媒体。
根据本公开的第一方面，呈现一种用于训练模型的方法，其中所述模型被配置成基于传感器数据而监测装备的工作状态，且所述方法可包含以下步骤：
-基于仅包含装备处于正常工作条件时的历史传感器数据的训练数据集而训练模型；
-利用造成假警报的传感器数据、装备的历史确认故障的传感器数据和装备处于正常工作条件时的预定义最近时间段内的传感器数据来测试模型；
-在模型通过测试的情况下激活模型。
根据本公开的第二方面，呈现一种用于训练模型的设备，其包含用于执行根据本公开的第一方面的方法的模块。
根据本公开的第三方面，呈现一种用于训练模型的设备。设备包含：至少一个处理器；至少一个存储器，其耦合到至少一个处理器，所述至少一个处理器被配置成执行根据本公开的第一方面的方法。
根据本公开的第四方面，呈现一种用于训练模型的计算机可读媒体。计算机可读媒体存储计算机可执行指令，其中计算机可执行指令在被执行时使得至少一个处理器执行根据本公开的第一方面的方法。
通过仅使用装备处于正常工作条件时的传感器数据，可以改进模型的灵敏性以检测所有可能的异常。使用传感器数据来测试候选模型的性能，包含处于正常和异常工作条件的典型事件。通过通过测试，可以确保激活的模型的有效性。在将候选模型激活为即用模型之前，可测试所述模型，这可帮助找到表示当前输入传感器数据的最佳模型和所述模型将在未来工作的良好程度。此外，用于测试的传感器数据包含造成假警报的传感器数据、装备的历史确认故障的传感器数据和装备处于正常工作条件时的预定义最近时间段内的传感器数据。利用两个确认故障传感器数据、正常工作条件传感器数据和假警报传感器数据，可以从两侧测试候选模型，并且还利用用于测试的最近正常传感器数据，可以追踪和更新正常工作条件的最新改变，这使得测试的模型是更新的模型。
在本公开的一些实施例中，当测试模型时，可基于装备的历史确认故障的传感器数据而计算模型的灵敏性，且可基于造成假警报的传感器数据和装备处于正常工作条件时的预定义最近时间段内的传感器数据而计算模型的特异性。且在灵敏性不低于第一预定义阈值且特异性不低于第二预定义阈值的情况下，可确定模型通过测试。利用预定义灵敏性阈值和特异性阈值，可根据不同应用情境灵活地控制测试结果。并且考虑到候选模型可以预测早期警告将是优选的，考虑到每一事件的所预测警报时间最好早于真警报点的时间，基于造成假警报的传感器数据和装备处于正常工作条件时的预定义最近时间段内的传感器数据而计算特异性。
在本公开的一些实施例中，可收集实时传感器数据，且可通过将实时传感器数据输入到激活的模型中来监测装备的工作条件。在未产生警报的情况下，实时传感器数据将被视为装备处于正常工作条件时的预定义最近时间段内的传感器数据，而在产生警报的情况下，可进行故障模式识别，且在未识别到故障的情况下，实时传感器数据可被视为造成假警报的传感器数据。利用实时传感器数据监测工作条件，新的假警报传感器数据和新的正常传感器数据可进一步收集且用于更新和测试候选模型。
此外，在识别到故障的情况下，实时传感器数据、从第一预定义先前时间点到实时传感器数据的开始时间点的传感器数据，和从第二预定义较晚时间点到实时传感器数据的结束点的传感器数据，一起可被视为装备的历史确认故障的传感器数据。
附图说明
通过参考以下结合附图进行的对本发明技术的实施例的描述，本发明技术的上述属性和其它特征和优点以及其实现方式将变得更显而易见，并且本发明技术自身将得到更好理解，在附图中：
图1描绘根据本公开的一个实施例的用于训练模型的设备的框图。
图2描绘不同的正常工作条件。
图3描绘根据本公开的一个实施例的用于训练模型的方法的流程图。
图4描绘子步骤S3021的流程图。
附图标记：
10，用于训练模型的设备
101，至少一个处理器
102，至少一个存储器
103，通信模块
20，模型训练程序
201，训练模块
202，测试模块
203，监测模块
204，故障检测模块
21，仅包含装备处于正常工作条件时的历史传感器数据的训练数据集
22，造成假警报的传感器数据
23，装备的历史确认故障的传感器数据
24，装备处于正常工作条件时的预定义最近时间段内的传感器数据
25，灵敏性
26，特异性
27，实时传感器数据
28，模型
300，用于训练模型的方法
S301至S309，方法300的步骤
S3021a至S3021b，S3021的子步骤
具体实施方式
下文中，详细描述本发明技术的上述特征和其它特征。参考图式描述各种实施例，其中相同的附图标号贯穿全文用于指代相同的元件。在以下描述中，出于解释的目的，阐述特定细节以便提供对一个或多个实施例的透彻理解。可注意到，所示出的实施例意图解释而非限制本发明。显而易见的是，可在没有这些具体细节的情况下实践此类实施例。
当介绍本公开的各种实施例的元件时，冠词“一(a/an)”和“所述(the)”意欲意味存在所述元件中的一个或多个。术语“包括”、“包含”和“具有”意欲为包含性的并且意味着可以存在除所列元件外的额外元件。
现在，将在下文中通过参考图1到图4详细地描述本公开。
图1描绘根据本公开的一个实施例的用于训练模型的设备的框图。本公开中所呈现的用于训练模型的设备10可实施为计算机处理器的网络，用以执行本公开中所呈现的用于训练模型的以下方法300。设备10还可为单个计算机(如图1中所示)，其包含至少一个存储器102，所述至少一个存储器包含计算机可读媒体，例如随机存取存储器(RAM)。设备10还包含与至少一个存储器102耦合的至少一个处理器101。计算机可执行指令存储在至少一个存储器102中，且在由至少一个处理器101执行时，可使得至少一个处理器101进行本文中所描述的步骤。至少一个处理器101可包含微处理器、专用集成电路(ASIC)、数字信号处理器(DSP)、中央处理单元(CPU)、图形处理单元(GPU)、状态机等。计算机可读媒体的实施例包含但不限于软盘、CD-ROM、磁盘、存储器芯片、ROM、RAM、ASIC、经配置处理器、所有光学媒体、所有磁带或其它磁性媒体，或计算机处理器可从其中读取指令的任何其它媒体。并且，各种其它形式的计算机可读媒体可将指令传输或载送到计算机，包含路由器、私用或公用网络，或有线和无线的其它传输装置或信道。指令可包含来自任何计算机编程语言的代码，包含例如C、C++、C#、Visual Basic、Java和JavaScript。
图1中所绘示的至少一个存储器102可含有模型训练程序20，所述模型训练程序在由至少一个处理器101执行时使得至少一个处理器101执行本公开中所呈现的用于训练模型的方法300。纵向数据31也可存储于至少一个存储器102中。可经由设备10的通信模块105接收这些数据。
模型训练程序20可包含：
-训练模块201，其被配置成基于仅包含装备处于正常工作条件时的历史传感器数据的训练数据集21而训练模型28；
-测试模块202，其被配置成：利用造成假警报的传感器数据22、装备的历史确认故障的传感器数据23和装备处于正常工作条件时的预定义最近时间段内的传感器数据24来测试模型28；及在模型28通过测试的情况下，激活模型28。
为了监测装备或系统的工作状态，可部署各种传感器或换能器，例如温度传感器、压力传感器、湿度传感器，其可收集与目标装备相关的信息。可利用所收集的传感器数据，经由基于传感器数据训练的模型而监测目标装备的工作状态。
监测可基于例如机器学习模型(例如，GMM(高斯混合模型(Gaussian MixedModel))、隔离森林等)的模型来进行。在训练模块201中，使用训练数据集21来训练候选模型28。可经由部署在目标装备(例如，实物产品或机器)上的数据收集传感器来收集传感器数据21。
训练数据集21仅包含装备处于正常工作条件时的传感器数据，在正常工作条件下，不使用不同故障类型下的传感器数据来训练模型28，这是因为检测所有类型的故障非常不容易，但可以辨别出异常。另外，虽然发生的故障可能被检测到且彼此区分，然而，由于检测到故障的时间太晚而无法调度任何维护动作。
在不同环境因素以及不同生产负荷下，目标装备的正常工作条件可为不同的且易变的。举例来说，图2描绘不同的正常工作条件，其绘示一个所安装的温度传感器在由过程漂移引起的不同正常工作时段下的数据趋势。
这些情形中的这类传感器数据集的直接使用可影响模型28的性能。举例来说，在GMM模型中，正常工作条件2(图2)的成分权重可能较小，且可在实时监测中产生假警报。因此，任选地，在将传感器数据21发送到模型化过程之前，传感器数据的质量可通过预处理训练数据集21中的传感器数据的值来验证并得到改进。举例来说，通过平衡来自不同正常工作条件的传感器数据集。为了进一步克服挑战，这种所提议的解决方案中的所设计的自更新模块将在实时监测过程中不断收集预测为正常工作状态的最新数据，且那些补充数据将自动分类到对应正常工作条件类别以用于进一步学习。另外，对于那些确认假警报，将被视为新工作条件类别且被更新到当前监测模型。
在将候选模型28激活为即用模型之前，可通过测试模块202测试模型28，这可帮助找到表示当前输入传感器数据的最佳模型和模型28将在未来工作的良好程度。测试可基于以下3种传感器数据：
-造成假警报的传感器数据22；
-装备的历史确认故障的传感器数据23；及
-装备处于正常工作条件时的预定义最近时间段内的传感器数据24。
关于(装备的历史确认故障的)传感器数据23，为了使模型28根据最新工作条件且基于所有种类的故障情形而保持更新，可定期地更新传感器数据23。所述情形可与历史确认故障同步，或由领域专家手动地模拟。考虑到在真警报点之前的数据可发生改变，为了尽可能早地检测和预测异常，真警报点之前的传感器数据也可用作传感器数据23；而且，在真警报点之后传感器数据可继续受影响，在真警报点之后的传感器数据也可被视为传感器数据23以用于精确趋势分析。也就是说，传感器数据23可包含：
-在警报点时的传感器数据；
-从第一预定义先前时间点到警报点(其可以是警报点时的传感器数据的开始时间点)的传感器数据；及
-从第二预定义较晚时间点到警报点(其可以是警报点时的传感器数据的结束点)的传感器数据。
关于传感器数据24(装备处于正常工作条件时的预定义最近时间段内的传感器数据)，为了获取目标装备的最新的工作条件，可以选择正常工作条件下的最近传感器数据。
任选地，测试模块202可进一步被配置成：
-基于装备的历史确认故障的传感器数据23而计算模型28的灵敏性25，且基于造成假警报的传感器数据22和装备处于正常工作条件时的预定义最近时间段内的传感器数据24而计算模型28的特异性26；
-在灵敏性25不低于第一预定义阈值且特异性26不低于第二预定义阈值的情况下，确定模型28通过测试。
关于灵敏性25，对于典型故障事件传感器数据集，预期候选模型28提供对所有事件的早期警告，这意味着每一事件的所预测警报时间最好早于真警报点的警报时间，这意味着灵敏性25应为接近1的数。统计学上来说，灵敏性可以等于1。此处，灵敏性可如下定义：
灵敏性(也被称为真正例比率，或召回率)可用于测量由候选模型正确地预测的实际正例(实际故障)的比例。为了通过测试，上文所提及的“第一预定义阈值”可设置为接近或等于1的数。此处，考虑到由机器损坏和生产暂停引起的损失，将1作为工业情境的实例，其中尤其对于稳定操作过程存在有限数目的故障事件，且通常对于假负例(错误地识别为健康的故障事件)是不可容许的。
关于特异性26，特异性(也被称为真负例比率)测量通过候选模型正确地预测的实际负例(健康事件)的比例。为了通过测试，上文所提及的“第二预定义阈值”可设置为接近或等于1的数。此处，将0.95作为实例，其可指示候选模型28具有高稳健性。此处，特异性26可以如下定义：
最后，只要候选模型28通过测试(即，以上两个度量)，就可以激活候选模型28，否则可以将候选模型28存档。
需要提到的是，可基于应用情境定义“第一预定义阈值”和“第二预定义阈值”。对于重要工业过程，第一预定义阈值可设置为相对较高值，例如在遗漏真负例的情况下的100％或99.5％。
一旦激活候选模型28，就可进行关于目标装备的实时监测。
任选地，设备10可进一步包含：监测模块203和故障检测模块204。
监测模块可被配置成收集实时传感器数据27，通过将实时传感器数据27输入到激活的模型28中来执行监测装备的工作条件。在未产生警报的情况下，监测模块203可使实时传感器数据27作为装备处于正常工作条件时的预定义最近时间段内的传感器数据24，所述传感器数据24可用于在未来测试模型28且还可成为训练数据集21的部分。
将谨慎地且连续地评估实时传感器数据27，在所述实时传感器数据27下，预期两个不同的结果，产生报警或不产生报警。之前，将仅存档预测正常工作状态的实时传感器数据且不使用所述实时传感器数据。然而，在本公开的一些实施例中，传感器数据22和传感器数据24可进一步用于模型训练和模型测试，这可保持模型28主动地更新。
如上文所提及，正常工作条件是不同的，且甚至在具有所选择的不同时间段的一个正常状态下，数据模式(或比例)可展示明显的不同。实际上，一组因素(例如，环境、生产调度等)可导致那些差异，例如，当环境温度上升时，经由目标传感器收集的压力数据可缓慢地增加。在不更新模型28的情况下，所预测的传感器数据的值可保持接近阈值且容易产生假警报。
在产生警报的情况下，故障检测模块204可进一步进行故障模式识别。在未识别到故障的情况下，故障检测模块204可使实时传感器数据27作为造成假警报22的传感器数据，所述实时传感器数据可用于在未来测试模型28且还可成为训练数据集21的部分。造成假警报22的传感器数据可进一步分类且标记为新的正常工作条件。最后，通过更新模型28，可预期自动地消除假警报。
在识别到故障的情况下，任选地，故障检测模块204可进一步被配置成使实时传感器数据27、从第一预定义先前时间点到实时传感器数据的开始时间点的传感器数据，和从第二预定义较晚时间点到实时传感器数据的结束点的传感器数据，一起作为装备的历史确认故障的传感器数据23，所述传感器数据23可用于在未来测试模型28。
在本公开中，为了改进工作状态监测的准确性，基于所更新的传感器数据集的上文所提到的模型测试可以自动方式逐渐地更新模型28。通过主动地参与所设计的评估机制，可进一步确保激活的模型28的质量。
尽管上文将训练模块201、测试模块202、监测模块203和故障检测模块204描述为模型训练程序20的软件模块。并且，所述模块可经由硬件，例如ASIC芯片实施。所述模块可集成到一个芯片中，或单独地实施和电连接。
应提及，本公开可包含具有与图1中所绘示的架构不同的架构的设备。以上架构仅是示范性的且用于解释图3和图4中所示的示范性方法300。
可进行根据本公开的各种方法。根据本公开的一种示范性方法300包含以下步骤：
-S301：基于仅包含装备处于正常工作条件时的历史传感器数据的训练数据集21而训练模型28。
-S302：利用造成假警报的传感器数据22、装备的历史确认故障的传感器数据23和装备处于正常工作条件时的预定义最近时间段内的传感器数据24来测试模型28。
测试模型的步骤S302可以包含以下子步骤：
-S3021：基于装备的历史确认故障的传感器数据23而计算模型28的灵敏性25，且基于造成假警报的传感器数据22和装备处于正常工作条件时的预定义最近时间段内的传感器数据24而计算模型28的特异性26；
-S3022：在灵敏性25不低于第一预定义阈值且特异性26不低于第二预定义阈值的情况下，确定模型28通过测试。
-S303：在模型28通过测试的情况下激活模型28。
-S304：收集实时传感器数据27。
-S305：通过将实时传感器数据27输入到激活的模型28中而执行监测装备的工作条件。
-S306：在未产生警报的情况下，使实时传感器数据27作为装备处于正常工作条件时的预定义最近时间段内的传感器数据24。
-S307：在产生警报的情况下，进行故障模式识别。
-S308：在未识别到故障的情况下，使实时传感器数据27作为造成假警报的传感器数据22。
-S309：在识别到故障的情况下使实时传感器数据27、从第一预定义先前时间点到实时传感器数据的开始时间点的传感器数据，和从第二预定义较晚时间点到实时传感器数据的结束点的传感器数据，一起作为装备的历史确认故障的传感器数据23。
-S310：在未产生警报的情况下，使实时传感器数据27作为训练数据集(21)的部分，且使造成假警报的传感器数据22作为训练数据集21的部分。
本公开中还提供了一种存储计算机可执行指令的计算机可读媒体，所述计算机可执行指令在由计算机执行时使计算机执行本公开中所呈现的方法中的任一个。
计算机程序正由至少一个处理器执行并且进行本公开中所呈现的方法中的任一个。
在工业过程中，开发预测维护技术以提供对目标装备/系统故障的早期警告。然而，真实工作条件复杂且可改变，且预期所部署的监测模型为灵活且有规律地更新以便捕获那些改变。不同于需要额外维护输入的当前预测解决方案(例如，IT小组/数据科学师维持系统且手动地重新训练模型)或复杂且昂贵的计算资源(例如，基于云的框架上的数据迁移)，本公开中所提议的解决方案可有效地减少维护工作且改进总体可用性。
本公开中所提议的解决方案与已知解决方案之间存在数个不同。首先，本公开中所提议的解决方案可在不使用GPU或复杂算法(例如，强化学习)的情况下实施为轻量的解决方案，计算资源的需求是有限的。因此，所有传感器数据以及服务可被存储和部署在本地位置，而不存储在云中，这意味着维持解决方案的成本小于例如边缘计算等其它方法的成本。在本公开中，可达成以下技术优点：
1)使用传感器数据集以测试候选模型的性能，包含处于正常和异常工作条件的典型事件。通过通过测试，可以确保激活的模型的有效性。
2)进一步分析和使用预测为正常状态的数据：以确保所部署模型为时间灵敏且在功能上可操作的，处于正常状态的历史事件可用于训练分类模型，且将分类预测为正常状态的任何实时监测到的数据。此外，所分类数据可用于更新处于预设自动化任务且在其成功地通过测试的情况下将再次激活的当前激活的模型。
3)使用历史警报事件数据以实现故障类型检测和假警报减少。所存储的历史警报事件数据被很好地标记和训练以构建分类模型。当从实时监测模型产生新警报时，随后将经由所构建的模型对所述新警报进行分类。最终确认的真实故障将用于更新故障类型分类模型，而假警报数据将作为新的正常工作条件发送到在以上b部分中提到的数据库，且稍后用于更新实时监测模型。
4)在解决方案框架中使用轻量机器学习模型。所提出的解决方案在设计上是灵活的且模块化的，实时监测模型是可更换的，且可经由类似GMM(高斯混合模型)和隔离森林的模型选择，且与深度学习神经网络相比，那些模型需要较少计算资源且更重要的是可统计解释的。
虽然已参考某些实施例详细地描述了本发明技术，但应了解，本发明技术不限于那些精确的实施例。实际上，鉴于描述用于实践本发明的示范性模式的本公开，在不脱离本发明的范围和精神的情况下，所属领域的技术人员能进行许多修改和变化。因此，本发明的范围由所附权利要求书而非前述描述指示。在权利要求书的等效含义和范围内的所有改变、修改和变化将被认为在权利要求书的范围内。
Claims (12)
1.一种用于训练模型的方法(300)，其中所述模型被配置成基于传感器数据而监测装备的工作状态，且所述方法包括：
-基于仅包含所述装备处于正常工作条件时的历史传感器数据的训练数据集(21)而训练(S301)模型(28)；
-利用造成假警报的传感器数据(22)、所述装备的历史确认故障的传感器数据(23)和所述装备处于正常工作条件时的预定义最近时间段内的传感器数据(24)来测试(S302)所述模型(28)；
-在所述模型(28)通过测试的情况下激活(S303)所述模型(28)。
2.根据权利要求1所述的方法(300)，其中测试(S302)所述模型包括：
-基于所述装备的历史确认故障的所述传感器数据(23)而计算(S3021)所述模型(28)的灵敏性(25)，且基于造成假警报的所述传感器数据(22)和所述装备处于正常工作条件时的预定义最近时间段内的所述传感器数据(24)而计算所述模型(28)的特异性(26)；
-在所述灵敏性(25)不低于第一预定义阈值且所述特异性(26)不低于第二预定义阈值的情况下，确定(S3022)所述模型(28)通过测试。
3.根据权利要求1所述的方法(300)，其进一步包括：
-收集(S304)实时传感器数据(27)；
-通过将所述实时传感器数据(27)输入到所述激活的模型(28)中来执行(S305)监测所述装备的工作条件；
-在未产生警报的情况下，使(S306)所述实时传感器数据(27)作为所述装备处于正常工作条件时的预定义最近时间段内的所述传感器数据(24)；
-在产生警报的情况下进行(S307)故障模式识别；
-在未识别到故障的情况下使(S308)所述实时传感器数据(27)作为造成假警报的所述传感器数据(22)。
4.根据权利要求3所述的方法(300)，其进一步包括：
-在识别到故障的情况下使(S309)所述实时传感器数据(27)、从第一预定义先前时间点到所述实时传感器数据的开始时间点的传感器数据，和从第二预定义较晚时间点到所述实时传感器数据的结束点的传感器数据，一起作为所述装备的历史确认故障的所述传感器数据(23)。
5.根据权利要求3所述的方法(300)，其进一步包括：
-在未产生警报的情况下使(S310)所述实时传感器数据(27)作为所述训练数据集(21)的部分，且使造成假警报的所述传感器数据(22)作为所述训练数据集(21)的部分。
6.一种用于训练模型的设备(10)，其中所述模型被配置成基于传感器数据而监测装备的工作状态，且设备(10)包括：
-训练模块(201)，其被配置成基于仅包含所述装备处于正常工作条件时的历史传感器数据的训练数据集(21)而训练模型(28)；
-测试模块(202)，其被配置成
-利用造成假警报的传感器数据(22)、所述装备的历史确认故障的传感器数据(23)和所述装备处于正常工作条件时的预定义最近时间段内的传感器数据(24)来测试所述模型(28)；
-在所述模型(28)通过测试的情况下激活所述模型(28)。
7.根据权利要求6所述的设备(10)，其中所述测试模块(202)进一步被配置成：
-基于所述装备的历史确认故障的所述传感器数据(23)而计算所述模型(28)的灵敏性(25)，且基于造成假警报的所述传感器数据(22)和所述装备处于正常工作条件时的预定义最近时间段内的所述传感器数据(24)而计算所述模型(28)的特异性(26)；
-在所述灵敏性(25)不低于第一预定义阈值且所述特异性(26)不低于第二预定义阈值的情况下，确定所述模型(28)通过测试。
8.根据权利要求6所述的设备(10)，其进一步包括：
-监测模块(203)，其被配置成：
-收集实时传感器数据(27)；
-通过将所述实时传感器数据(27)输入到所述激活的模型(28)中来执行监测所述装备的工作条件；
-在未产生警报的情况下，使所述实时传感器数据(27)作为所述装备处于正常工作条件时的预定义最近时间段内的所述传感器数据(24)；
-故障检测模块(204)，其被配置成：
-在产生警报的情况下，进行故障模式识别；
-在未识别到故障的情况下使所述实时传感器数据(27)作为造成假警报的所述传感器数据(22)。
9.根据权利要求8所述的设备(10)，其中所述故障检测模块(204)进一步被配置成：
-在识别到故障的情况下使所述实时传感器数据(27)、从第一预定义先前时间点到所述实时传感器数据的开始时间点的传感器数据，和从第二预定义较晚时间点到所述实时传感器数据的结束点的传感器数据，一起作为所述装备的历史确认故障的所述传感器数据(23)。
10.根据权利要求8所述的设备(10)，其中，
-所述监测模块(203)进一步被配置成在未产生警报的情况下使(S310)所述实时传感器数据(27)作为所述训练数据集(21)的部分，且
-所述故障检测模块(204)进一步被配置成使造成假警报的所述传感器数据(22)作为所述训练数据集(21)的部分。
11.一种用于训练模型的设备(10)，其包括：
-至少一个处理器(101)；
-至少一个存储器(102)，其耦合到所述至少一个处理器(101)，所述至少一个处理器被配置成执行根据权利要求1至5中任一项所述的方法。
12.一种用于训练模型、存储计算机可执行指令的计算机可读媒体，其中所述计算机可执行指令在被执行时使得至少一个处理器执行根据权利要求1至5中任一项所述的方法。
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| PCT/CN2021/112053 WO2023015484A1 (en) | 2021-08-11 | 2021-08-11 | Method and apparatus for training a model |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117642750A true CN117642750A (zh) | 2024-03-01 |
Family
ID=85200409
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202180100047.3A Pending CN117642750A (zh) | 2021-08-11 | 2021-08-11 | 用于训练模型的方法和设备 |
Country Status (3)
| Country | Link |
|---|---|
| EP (1) | EP4364041A1 (zh) |
| CN (1) | CN117642750A (zh) |
| WO (1) | WO2023015484A1 (zh) |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160369777A1 (en) * | 2015-06-03 | 2016-12-22 | Bigwood Technology, Inc. | System and method for detecting anomaly conditions of sensor attached devices |
| US20170364818A1 (en) * | 2016-06-17 | 2017-12-21 | Business Objects Software Ltd. | Automatic condition monitoring and anomaly detection for predictive maintenance |
| CN107179503B (zh) * | 2017-04-21 | 2020-07-07 | 美林数据技术股份有限公司 | 基于随机森林的风电机组故障智能诊断预警的方法 |
| CN108829933B (zh) * | 2018-05-22 | 2023-04-07 | 北京天泽智云科技有限公司 | 一种半导体制造设备的预测性维护与健康管理的方法 |
| CN109977624A (zh) * | 2019-05-06 | 2019-07-05 | 上海交通大学 | 基于深度神经网络的光伏电站缓变故障监测方法 |
| CN111046916A (zh) * | 2019-11-20 | 2020-04-21 | 上海电机学院 | 一种基于空洞卷积胶囊网络的电机故障诊断方法及系统 |
| CN110928262B (zh) * | 2019-12-17 | 2022-11-15 | 中国人民解放军火箭军工程大学 | 时变系统下高效更新模型的质量相关故障在线监控方法 |
-
2021
- 2021-08-11 WO PCT/CN2021/112053 patent/WO2023015484A1/en active Application Filing
- 2021-08-11 EP EP21953110.0A patent/EP4364041A1/en active Pending
- 2021-08-11 CN CN202180100047.3A patent/CN117642750A/zh active Pending
Also Published As
| Publication number | Publication date |
|---|---|
| WO2023015484A1 (en) | 2023-02-16 |
| EP4364041A1 (en) | 2024-05-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Sarmadi et al. | A novel anomaly detection method based on adaptive Mahalanobis-squared distance and one-class kNN rule for structural health monitoring under environmental effects | |
| US8275735B2 (en) | Diagnostic system | |
| US6970804B2 (en) | Automated self-learning diagnostic system | |
| US7873581B2 (en) | Method and system for determining the reliability of a DC motor system | |
| RU2724716C1 (ru) | Система и способ формирования данных для мониторинга кибер-физической системы с целью раннего определения аномалий в системе графического интерфейса пользователя | |
| Li et al. | Sensor fault detection with generalized likelihood ratio and correlation coefficient for bridge SHM | |
| KR20190021560A (ko) | 빅데이터를 활용한 고장예지보전시스템 및 고장예지보전방법 | |
| US20140365179A1 (en) | Method and Apparatus for Detecting and Identifying Faults in a Process | |
| US11442444B2 (en) | System and method for forecasting industrial machine failures | |
| CN112799898B (zh) | 基于分布式故障检测的互联系统故障节点定位方法及系统 | |
| CN112272763B (zh) | 异常探测装置、异常探测方法以及计算机可读取的存储介质 | |
| CN101233491A (zh) | 检测集群环境中动态工作负载调度的不平衡的系统和方法 | |
| US10581665B2 (en) | Content-aware anomaly detection and diagnosis | |
| KR102427205B1 (ko) | 인공지능 모델을 위한 학습 데이터 생성 장치 및 방법 | |
| EP3948438B1 (en) | Method and system for anomaly detection and diagnosis in industrial processes and equipment | |
| EP3759789B1 (en) | System and method for audio and vibration based power distribution equipment condition monitoring | |
| KR102483811B1 (ko) | 자동화 공정 이상상태 모니터링 및 제어 시스템 및 방법 | |
| CN113196311A (zh) | 用于识别和预测机器的异常感测行为模式的系统和方法 | |
| EP4078315A1 (en) | Device and method for monitoring a system | |
| Jayawardhana et al. | Statistical damage sensitive feature for structural damage detection using AR model coefficients | |
| Quiñones-Grueiro et al. | Decision support system for cyber attack diagnosis in smart water networks | |
| JP2021005370A (ja) | 航空機センサをモデリングするためのデータ主導方式機械学習 | |
| CN116907772A (zh) | 桥梁结构监测传感器的自诊断与故障源鉴别方法及系统 | |
| JP2021140400A (ja) | 学習モデル作成システム及び学習モデル作成方法 | |
| Al-Dahidi et al. | A novel fault detection system taking into account uncertainties in the reconstructed signals |
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 |