-
Technisches Gebiet der Offenbarung
-
Die vorliegende Offenbarung betrifft allgemein analytische Modelle zur Vorhersage von Maschinenereignissen, und insbesondere Systeme und Verfahren zur Entwicklung von Klassifikatoren für Maschinenoperationen unter Verwendung von maschinellem Lernen.
-
Hintergrund der Offenbarung
-
Verschiedene Maschinen, die in Arbeitsumgebungen auf einem Gebiet verwendet werden, können eine Reihe von Operationen oder Aufgaben ausführen. Das Wissen über den Betrieb solcher Maschinen vor Ort (z. B. auf einer Arbeits- oder Baustelle) kann wertvolle Erkenntnisse über Maschinenereignisse und Verwendungsmuster durch Benutzer bringen. Maschinenoperationen können Aufgaben wie Graben, Abladen, Fahren, Leerlaufen, Schieben, Aufreißen, schweres oder leichtes Planieren, Erstellen von Gräben, Schneiden, und dergleichen umfassen, ohne jedoch darauf beschränkt zu sein. Die Maschinenoperationen können dabei auf dem Typ der beobachteten Maschine basieren. Solche Maschinentypen können, ohne jedoch darauf beschränkt zu sein, einen Motorgrader, einen Raupenschlepper, eine Planierraupe, eine Belagsmaschine, einen Seilschaufelbagger, oder eine beliebige andere Maschine umfassen, die Aufgaben an einer Arbeitsstelle ausführt.
-
Es können analytische Modelle entwickelt werden, um die Operationen von Maschinen und die damit verbundenen Aufgaben auf der Grundlage von Eingangsdaten von der Maschine auf der Grundlage an Bord befindlicher technischer Kanäle vorherzusagen. Die Eingangsdaten können Zustände umfassen, die von Systemsensoren oder anderen Datensammeleinrichtungen genommen werden, die der Maschine zugeordnet sind. Eingangsdaten können, ohne jedoch darauf beschränkt zu sein, Maschinengeschwindigkeit, Maschinengänge und Übersetzungsverhältnisse, Ablesungen von hydraulischen Sensoren, die Hubvorrichtungen zugeordnet sind, Fahr- oder Gleisgeschwindigkeiten, Neigungsdaten, und beliebige andere Daten sein, die eine Maschinenoperation oder -aufgabe angeben und von einem Sensor oder einer Vorrichtung, die der Maschine zugeordnet sind, kommend empfangen werden. Ferner können die Eingangsdaten verwendet werden, auf der Grundlage der Physik Daten abzuleiten, um einer Operation oder Aufgabe zugeordnete Daten bestimmen zu können. Systeme und Verfahren zur Vorhersage von Operationen unter Verwendung von Sensoren wurden zum Beispiel in den Systemen eingesetzt, die in
US-Patent Nr. 4,035,621 (”Excavator Data Logging”) offenbart sind und Sensordaten verwenden, um den Betrieb eines Baggers zu bestimmen.
-
Bestimmte Datensätze von den Eingangsdaten der an Bord befindlichen technischen Kanäle können die Maschinenoperationen und/oder Aufgaben angeben. So können Gruppen von Daten auf solche Art angeordnet werden, dass ein Analysesystem den Betrieb der Maschine auf der Grundlage von Daten von den an Bord befindlichen technischen Kanälen "vorhersagen" können. Solche Vorhersagen müssen jedoch ggf. durch Benutzereingaben unterstützt werden, um Regeln oder andere manuelle Verfahren zum Bestimmen von Regeln zur Vorhersage einer Operation aufzustellen. Die Verwendung solcher manuellen Verfahren kann jedoch mühsam für den Benutzer und im Hinblick auf die Berechnung ineffizient sein.
-
Daher ist ein Verfahren zur Verwendung von Daten von an Bord befindlichen technischen Kanälen erwünscht, um Maschinenoperationen genauer zu bestimmen. So sind auch Systeme und Verfahren zur Entwicklung von Klassifikatoren für Maschinenoperationen unter Verwendung von maschinellem Lernen erwünscht, um Vorhersagemodelle für Maschinenoperationen mit größerer Genauigkeit und rechnerischer Effizienz zu schaffen.
-
Zusammenfassung der Offenbarung
-
In Übereinstimmung mit einem Aspekt der vorliegenden Offenbarung wird ein Verfahren zur Entwicklung von Klassifikatoren für Maschinenoperationen für eine Maschine offenbart. Das Verfahren kann das Erhalten von Trainingsdaten, die der Maschine zugeordnet sind, von einem oder mehreren an Bord befindlichen technischen Kanälen, die der Maschine zugeordnet sind, sowie das Bestimmen eines oder mehrerer Trainingsmerkmale auf der Grundlage der Trainingsdatenwerte umfassen. Das Verfahren kann auch das Bestimmen eines oder mehrerer Trainingskennzeichnungen umfassen, die dem einen oder den mehreren Trainingsmerkmalen zugeordnet sind, sowie das Erstellen eines Vorhersagemodells zur Bestimmung von Klassifikatoren für Maschinenoperationen unter Verwendung eines Computers. Das Erstellen des Vorhersagemodells kann umfassen: Zuführen des einen oder der mehreren Trainingsmerkmale und der einen oder der mehreren Trainingskennzeichnungen, die dem einen oder den mehreren Trainingsmerkmalen zugeordnet sind, an einen Algorithmus zum maschinellen Lernen, und Bestimmen eines Vorhersagemodells aus dem Algorithmus zum maschinellen Lernen. Das Vorhersagemodell kann verwendet werden, um neue Daten zu erhalten, die der Maschine zugeordnet sind, und eine vorhergesagte Kennzeichnung auf der Grundlage der neuen Daten zu bestimmen. In einigen Beispielen kann das Verfahren des Weiteren das Bestimmen eines oder mehrerer ausgewählter Kanäle von dem einen oder den mehreren an Bord befindlichen technischen Kanälen umfassen. In einigen dieser Beispiele kann das Bestimmen des Vorhersagemodells das Optimieren des vorhergesagten Modells auf der Grundlage der ausgewählten Kanäle umfassen.
-
In Übereinstimmung mit einem weiteren Aspekt der vorliegenden Offenbarung wird ein Verfahren zum Bestimmen einer vorhergesagten Maschinenoperation für eine Maschine unter Verwendung eines Klassifikators für Maschinenoperationen offenbart. Das Verfahren kann das Erhalten von ersten Datenwerten, die der Maschine zugeordnet sind, von einem oder mehreren an Bord befindlichen technischen Kanälen, die der Maschine zugeordnet sind, sowie das Bestimmen eines oder mehrerer erster Merkmale aus den ersten Datenwerten umfassen. Das Verfahren kann des Weiteren das Bestimmen einer ersten Kennzeichnung für die ersten Datenwerte unter Verwendung eines Vorhersagemodells umfassen. Das Vorhersagemodell wird entwickelt, indem ein oder mehrere Trainingsmerkmale und eine oder mehrere Trainingskennzeichnungen, die dem einen oder den mehreren Trainingsmerkmalen zugeordnet sind, an einen Algorithmus zum maschinellen Lernen zugeführt werden und das Vorhersagemodell aus dem Algorithmus zum maschinellen Lernen bestimmt wird.
-
In Übereinstimmung mit noch einem Aspekt der vorliegenden Offenbarung wird ein System zur Entwicklung von Klassifikatoren für Maschinenoperationen für eine Maschine offenbart. Das System kann einen oder mehrere an Bord befindliche technische Kanäle zur Bereitstellung von Trainingsdaten, die der Maschine zugeordnet sind, umfassen. Das System kann ein Eingangsmodul zum Erhalten der Trainingsdaten von dem einen oder den mehreren an Bord befindlichen technischen Kanälen, Bestimmen eines oder mehrerer Trainingsmerkmale auf der Grundlage der Trainingsdatenwerte, und Bestimmen einer oder mehrerer Trainingskennzeichnungen, die dem einen oder den mehreren Trainingsmerkmalen zugeordnet sind, umfassen. Das System kann ein Modul zum maschinellen Lernen zum Erstellen eines Vorhersagemodells zum Bestimmen von Klassifikatoren für Maschinenoperationen umfassen. Das Erstellen des Vorhersagemodells kann umfassen: Zuführen des einen oder der mehreren Trainingsmerkmale und der einen oder der mehreren Trainingskennzeichnungen, die dem einen oder den mehreren Trainingsmerkmalen zugeordnet sind, an einen Algorithmus zum maschinellen Lernen, und Bestimmen eines Vorhersagemodells aus dem Algorithmus zum maschinellen Lernen. In einigen Beispielen kann das System des Weiteren ein Vorhersagemodellierungsmodul umfassen, wobei das Vorhersagemodellierungsmodul neue Daten, die der Maschine zugeordnet sind, von dem einen oder den mehreren an Bord befindlichen technischen Kanälen erhält und eine vorhergesagte Kennzeichnung auf der Grundlage der neuen Daten unter Verwendung des Vorhersagemodells bestimmt.
-
Weitere Merkmale und Vorteile der offenbarten Systeme und Prinzipien werden aus der Lektüre der folgenden detaillierten Offenbarung in Verbindung mit den beiliegenden Zeichnungsfiguren deutlich werden.
-
Kurze Beschreibung der Zeichnungen
-
1 ist ein schematisches Diagramm eines beispielhaften Systems zur Entwicklung von Klassifikatoren für Maschinenoperationen, in Übereinstimmung mit der vorliegenden Offenbarung.
-
2 ist ein schematisches Diagramm eines beispielhaften Moduls zum Sammeln von Maschinendaten, das dem System zur Entwicklung von Klassifikatoren für Maschinenoperationen von 1 zugeordnet ist, in Übereinstimmung mit der vorliegenden Offenbarung.
-
3 ist ein schematisches Diagramm eines beispielhaften Eingangsmoduls des Systems zum Entwickeln von Klassifikatoren für Maschinenoperationen von 1, in Übereinstimmung mit der vorliegenden Offenbarung.
-
4 ist ein schematisches Diagramm eines beispielhaften Moduls zum maschinellen Lernen des Systems zum Entwickeln von Klassifikatoren für Maschinenoperationen von 1, in Übereinstimmung mit der vorliegenden Offenbarung.
-
5 ist ein schematisches Diagramm eines beispielhaften Vorhersagemodellierungsmoduls des Systems zum Entwickeln von Klassifikatoren für Maschinenoperationen von 1, in Übereinstimmung mit der vorliegenden Offenbarung.
-
6 ist ein schematisches Diagramm eines beispielhaften Computers, der Anweisungen ausführen kann, um die beispielhaften Systeme und Verfahren der vorliegenden Offenbarung bereitzustellen.
-
7 ist ein beispielhaftes Verfahren zum Entwickeln von Klassifikatoren für Maschinenoperationen unter Verwendung von maschinellem Lernen, in Übereinstimmung mit der vorliegenden Offenbarung.
-
8 ist ein beispielhaftes Verfahren zum Erstellen eines Vorhersagemodells als Teil des Verfahrens zum Entwickeln von Klassifikatoren für Maschinenoperationen unter Verwendung von maschinellem Lernen von 7, in Übereinstimmung mit der vorliegenden Offenbarung.
-
9 ist ein beispielhaftes Verfahren zum Bestimmen einer Kennzeichnung für neue Daten, die in ein Vorhersagemodell eingegeben werden, das durch das Verfahren zum Entwickeln von Klassifikatoren für Maschinenoperationen von 7 entwickelt wurde, in Übereinstimmung mit der vorliegenden Offenbarung.
-
10 ist eine Seitenansicht einer beispielhaften Maschine, von welcher die beispielhaften Systeme und Verfahren Daten sammeln können, um Klassifikatoren für Maschinenoperationen für die Maschine zu entwickeln, in Übereinstimmung mit der vorliegenden Offenbarung.
-
11 ist eine Seitenansicht einer zweiten beispielhaften Maschine, von welcher die beispielhaften Systeme und Verfahren Daten sammeln können, um Klassifikatoren für Maschinenoperationen für die zweite Maschine zu entwickeln, in Übereinstimmung mit der vorliegenden Offenbarung.
-
12 ist eine Seitenansicht einer dritten beispielhaften Maschine, von welcher die beispielhaften Systeme und Verfahren Daten sammeln können, um Klassifikatoren für Maschinenoperationen für die dritte Maschine zu entwickeln, in Übereinstimmung mit der vorliegenden Offenbarung.
-
Obwohl die folgende detaillierte Beschreibung in Bezug auf bestimmte Ausführungsformen zur Veranschaulichung gegeben wird, sollte klar sein, dass die Zeichnungen nicht unbedingt maßstabgetreu sind, und die offenbarten Ausführungsformen manchmal rein schematisch und in Teilansichten dargestellt sind. Außerdem können in bestimmten Fällen Details, die für das Verständnis des offenbarten Gegenstands nicht notwendig sind oder weitere Details schwer wahrnehmbar machen, weggelassen sein. Es sollte daher klar sein, dass diese Offenbarung nicht auf die speziellen Ausführungsformen beschränkt ist, die hierin offenbart und veranschaulicht werden, sondern auf eine entsprechende Auslegung der gesamten Offenbarung und der Ansprüche sowie deren Äquivalente.
-
Detaillierte Beschreibung der Offenbarung
-
Die vorliegende Offenbarung stellt Systeme und Verfahren zur Entwicklung von Maschinenklassifikatoren unter Verwendung von maschinellem Lernen bereit. Ein Klassifikator für Maschinenoperationen kann den Betrieb einer Maschine beobachten und die gerade von der Maschine durchgeführte Operation bestimmen oder vorhersagen. Um Klassifikatoren für Maschinenoperationen zu entwickeln, müssen Daten, die von der Maschine stammend eingegeben werden, analysiert und organisiert werden. Zur Optimierung des Verfahrens zur Entwicklung eines solchen Maschinenklassifikators kann maschinelles Lernen verwendet werden.
-
Nun Bezug nehmend auf die Zeichnungen und insbesondere auf 1 wird ein System 10 zum Entwickeln von Klassifikatoren für Maschinenoperationen unter Verwendung von maschinellem Lernen für eine Maschine 11 dargestellt. Die Maschine 11 kann eine beliebige Arbeitsmaschine sein, die dazu konstruiert ist, eine Operation an einer Arbeitsstelle auszuführen. Beispiele für solche Maschinen können, ohne jedoch darauf beschränkt zu sein, einen Motorgrader, einen Raupenschlepper, eine Planierraupe, eine Belagsmaschine, einen Seilschaufelbagger, oder eine beliebige andere Maschine umfassen, die Aufgaben an einer Arbeitsstelle ausführt. Die Operationen der Maschine 10 basieren dabei auf dem Typ der Maschine und können, ohne jedoch darauf beschränkt zu sein, Aufgaben wie Graben, Abladen, Fahren, Leerlaufen, Schieben, Aufreißen, schweres oder leichtes Planieren, Erstellen von Gräben, Schneiden, und dergleichen umfassen.
-
Das System 10 kann ein Modul zum Sammeln von Maschinendaten 20 umfassen, um Daten zu sammeln, die den Maschinenoperationen zugeordnet sein können. Das Modul zum Sammeln von Maschinendaten 20 ist in 2 detaillierter dargestellt, wobei das Modul zum Sammeln von Maschinendaten Daten empfängt, um an Bord befindliche technische Kanäle 21 zur Verwendung durch das System 10 bei der Bestimmung von Klassifikatoren für Maschinenoperationen zu erzeugen. Die an Bord befindlichen technischen Kanäle 21 können Daten umfassen, die der Maschine zugeordnet sind und von Sensor-Eingabeeinrichtungen kommend, die der Maschine zugeordnet sind, erhalten oder davon abgeleitet werden. Solche Daten können, ohne jedoch darauf beschränkt zu sein, Motordrehzahl, Drehmoment, Gang, Gelenkswinkel, Steigungsrate und dergleichen umfassen. Um die an Bord befindlichen technischen Kanäle 21 zu erzeugen, kann das Modul zum Sammeln von Maschinendaten 20, ohne jedoch darauf beschränkt zu sein, einen Fahrgeschwindigkeitssensor 22, einen Raupengeschwindigkeitssensor 23, einen Neigungssensor 24, einen Gangsensor 25, einen Hydrauliksensor 26 und beliebige andere Sensoren 27 umfassen. Bei der Erzeugung der an Bord befindlichen technischen Kanäle 21 kann das Modul zum Sammeln von Maschinendaten 20 Daten, die von dem einen oder den mehreren Sensorelementen 22–27 stammend erhalten werden, unter Verwendung physikalischer Gleichungen verarbeiten, um Daten zu bestimmen, die der Maschine 10 zugeordnet sind.
-
Zurück zu 1 kann die Ausgabe des Moduls zum Sammeln von Maschinendaten 20 (z. B. die an Bord befindlichen technischen Kanäle 21) von dem Eingangsmodul 30 empfangen werden, das in 3 detaillierter dargestellt ist. Das Eingangsmodul 30 kann Daten von dem Datensammelmodul 20 in Form von Trainingsdatenwerten 32 empfangen. Die Trainingsdatenwerte können verwendet werden, um extrahierte/transformierte Merkmale 34 zu bestimmen, um neue berechnete Kanäle zu erzeugen, als verfeinerte Daten, die der Maschine 10 zugeordnet sind. In einigen beispielhaften Ausführungsformen kann das Eingangsmodul 30 eine Vorverarbeitung an den Daten ausführen, um die extrahierten/transformierten Merkmale 34 in Übereinstimmung mit einem beliebigen, in der Technik bekannten Vorverarbeitungsverfahren zu bestimmen.
-
Den Trainingsdatenwerten 32 und den zugehörigen extrahierten/transformierten Merkmalen 34 wird zum Zeitpunkt der Eingabe eine Trainingsdaten-Kennzeichnung 36 zugewiesen. Die Trainingsdaten-Kennzeichnungen 36 können manuell von einem Beobachter des Systems bereitgestellt werden. Zum Beispiel können die Trainingsdaten-Kennzeichnungen 36 unter Verwendung von Videodarstellungen der Maschine bestimmt werden, die ihre Operation(en) zeigen; d. h., zeitsynchron mit den Trainingsdatenwerten 32 begleitet jede Trainingsdaten-Kennzeichnung 36 eine bestimmte Zeitperiode der Trainingsdatenwerte 32. Die Trainingsdaten-Kennzeichnungen 36 sind eine manuelle Kennzeichnung einer Maschinenoperation der Maschine 10 und werden der Periode der Trainingsdatenwerte 32 entsprechend ihrer Zeitperiode zugeordnet. Wenn die Maschine 10 zum Beispiel ein Bagger ist, und während einer bestimmten Zeitperiode für Trainingsdatenwerte 32 gerade fährt, gibt die Eingangsdaten-Kennzeichnung 36 an, dass die Maschinenoperation ”Fahren” lautet.
-
Die extrahierten/transformierten Merkmale 34 (auf der Grundlage der Trainingsdatenwerte 32) und ihrer zugehörigen Trainingskennzeichnungen 36 werden dann in ein Modul zum maschinellen Lernen 40 eingegeben oder weitergeleitet. Das Modul zum maschinellen Lernen 40 kann betrieben werden, um ein Modell zur Klassifikation von Operationen unter Verwendung von Algorithmen zum maschinellen Lernen in Verbindung mit den extrahierten/transformierten Merkmalen 34 und der zugehörigen Trainingskennzeichnung 36 zu erstellen. Algorithmen zum maschinellen Lernen entwickeln Systeme, die aus Daten (wie etwa den extrahierten/transformierten Merkmalen 34 und den zugehörigen Trainingskennzeichnungen 36) lernen, statt nur explizit programmierte Anweisungen zu befolgen. In diesem Fall wird das Modul zum maschinellen Lernen 40 "unterrichtet", indem die extrahierten/transformierten Merkmale 34 und die zugehörigen Kennzeichnungen 36 eingegeben werden, um einen Modell-Operationsklassifikator oder ein Vorhersagemodell zu erzeugen, das Daten von einer Eingangsquelle (z. B. dem Modul zum Sammeln von Maschinendaten 20) empfängt und, auf der Grundlage dieser Daten, eine Maschinenoperation für die Eingangsdaten bestimmt.
-
Nun auf 4 und weiter auch auf Elemente von 1–3 bezugnehmend, wird dort ein beispielhaftes Modul zum maschinellen Lernen dargestellt. Das Modul zum maschinellen Lernen 40 empfängt Eingang von dem Eingangsmodul 30 (z. B. die extrahierten/transformierten Merkmale 34 und die zugehörigen Kennzeichnungen 36) als Eingang, um einen Algorithmus zum maschinellen Lernen 42 zu entwickeln, zu erzeugen oder zu optimieren. Der Algorithmus zum maschinellen Lernen kann ein beliebiges Verfahren zum Erzeugen von Algorithmen oder Algorithmen-Typen umfassen, die auf dem Gebiet des maschinellen Lernens bekannt sind. Zum Beispiel kann der Algorithmus zum maschinellen Lernen 42 ein trainiertes neuronales Netzwerk 44, einen Entscheidungsbaum 46, Support-Vektor-Maschinen-Gewichtungen 48, und dergleichen verwenden. Ein trainiertes neuronales Netzwerk ist ein lernender Algorithmus, der auf der Struktur und funktionalen Aspekten biologischer neuronaler Netze aufbaut. Zum Beispiel können die Berechnungen in einem trainierten neuronalen Netzwerk als miteinander verbundene Gruppen künstlicher Neuronen strukturiert sein, um Informationen unter Verwendung eines konnektionistischen Berechnungsansatzes zu verarbeiten. Die Implementierung eines Entscheidungsbaums 46 in dem Algorithmus zum maschinellen Lernen 42 umfasst die Verwendung eines Entscheidungsbaums als ein Vorhersagemodell, um Beobachtungen zu einem Gegenstand auf Schlüsse zum Zielwert des Gegenstands abzubilden. Zum Beispiel kann ein Entscheidungsbaum 46 bestimmte Ausgänge von extrahierten/transformierten Merkmalen 34 auf Trainingskennzeichnungen 36 abbilden, um eine Korrelation zur Verwendung in der Vorhersagemodellierung zu bestimmen. Algorithmen zur Support-Vektor-Maschinengewichtung 48 können Daten analysieren und Muster erkennen, um neue Beispiele auf der Grundlage eines gewichteten Algorithmus aus Trainingsdaten an Kategorien zuzuweisen. Algorithmen zur Support-Vektor-Maschinengewichtung können Daten analysieren und eine Hyperebene oder einen Satz von Hyperebenen im mehrdimensionalen Raum optimieren, so dass ein maximaler Rand zwischen einem oder mehreren Paaren von binären Klassen geschaffen wird. Während die oben erwähnten Algorithmen zum maschinellen Lernen verwendet werden können, kann der Algorithmus zum maschinellen Lernen 42 auch Random Forests, naive Bayes, logistische Regression, Ensemble-Methoden (z. B. Boosted Ensembles, Bagged Ensembles), und dergleichen umfassen.
-
Das Modul zum maschinellen Lernen 40 kann auch einen Kanalwahl-Determinator 49 umfassen, um ausgewählte Kanäle zur Verwendung in der Vorhersagemodellierung zu bestimmen. Der Kanalwahl-Determinator kann eine Teilmenge der an Bord befindlichen technischen Kanäle 21 auswählen, um die Bildung des Vorhersagemodells durch Verringern der Anzahl von erforderlichen Kanälen zu optimieren. Während der Sammlung der Trainingsdaten kann der Kanalwahl-Determinator 49 einen oder mehrere ausgewählte Kanäle aus den transformierten/extrahierten Merkmalen 34 auswählen, die jeder voraussichtlichen Kennzeichnung zugeordnet sind. Daher muss das Vorhersagemodell für die Maschinenoperationsklassifikation während der Verwendung nur eine kleinere Anzahl von Kanälen analysieren. Die Verfahren zum Bestimmen der ausgewählten Kanäle können ein beliebiges, in der Technik bekanntes Verfahren zum maschinellen Lernen sein. Zum Beispiel kann die rekursive Merkmalselimination verwendet werden, um die ausgewählten Kanäle zu bestimmen.
-
Das durch den Algorithmus zum maschinellen Lernen 42 geschaffene (und optional durch den Kanalwahl-Determinator 49 optimierte) Vorhersagemodell wird von einem Vorhersagemodellierungsmodul 50 des Systems 10 verwendet, wie es in größerem Detail in 5 dargestellt ist. Das Vorhersagemodellierungsmodul 50 empfängt neue Datenwerte 52, um neue extrahierte/transformierte Merkmale 54 abzuleiten. Die neuen extrahierten transformierten Merkmale werden dann in ein Vorhersagemodellierungsmodul 56 überführt. Das Vorhersagemodellierungsmodul 56 verwendet das aus dem Modul zum maschinellen Lernen 40 resultierende Vorhersagemodell, um Vorhersagedaten 58 zu bestimmen, die eine vorhergesagte Kennzeichnung umfassen können, die der Zeitperiode der neuen Datenwerte 52 zugeordnet ist. Wenn die Maschine 10 zum Beispiel ein Bagger ist, und die neuen Datenwerte 52 dem Vorhersagemodellierungsmodul 56 Eigenschaften angeben, die einem Fahrbetrieb (wie er aus dem bei der Erzeugung des Modells durchgeführten Training abgeleitet wurde) zugeordnet sind, sollten die Vorhersagedaten 58 anzeigen, dass die Operation der Maschine 10 ”Fahren” ist.
-
Eine beliebige Kombination aus Hardware und/oder Software kann verwendet werden, um jedes der Module von 1–5 zu implementieren. 6 ist ein Blockdiagramm eines beispielhaften Computers 60, der in der Lage ist, Anweisungen auszuführen, um die Module der 1–5 zu verwirklichen, und/oder Anweisungen auszuführen, um das Verfahren auszuführen, das im Folgenden unter Bezugnahme auf 7–9 erläutert wird. Der Computer 60 kann zum Beispiel ein Server, ein PC oder ein beliebiger anderer Typ von Computereinrichtung sein. Der Computer 60 des aktuellen Beispiels umfasst einen Prozessor 61. Zum Beispiel kann der Prozessor 61 durch einen oder mehrere Mikroprozessoren oder Steuergeräte aus einer gewünschten Familie oder von einem gewünschten Hersteller implementiert sein.
-
Der Prozessor 61 umfasst einen lokalen Speicher 62 und steht über einen Bus 69 in Kommunikation mit einem Hauptspeicher, etwa einem Nur-Lese-Speicher 64 und einem wahlfreien Zugriffsspeicher 65. Der wahlfreie Zugriffspeicher 65 kann durch synchronen dynamischen Direktzugriffsspeicher (SDRAM), dynamischen Direktzugriffsspeicher (DRAM), RAMBUS dynamischen Direktzugriffsspeicher (RDRAM) und/oder einen beliebigen anderen Typ von wahlfreier Zugriffsspeichereinrichtung implementiert sein. Der Nur-Lese-Speicher 64 kann durch eine Festplatte, einen Flash-Speicher und einen beliebigen anderen gewünschten Typ von Speichereinrichtung implementiert sein.
-
Der Computer 60 kann auch eine Schnittstellenschaltung 66 umfassen. Die Schnittstellenschaltung 66 kann durch einen beliebigen Typ von Schnittstellenstandard implementiert sein, beispielsweise etwa eine Ethernet-Schnittstelle, eine UniversalSerialBus- bzw. USB-Schnittstelle und/oder eine PCI-Express-Schnittstelle. Eine oder mehrere Eingabeeinrichtungen 67 sind mit der Schnittstellenschaltung 66 verbunden. Die Eingabevorrichtung(en) 67 erlaubt/erlauben einem Benutzer, Daten und Befehle in den Prozessor 61 einzugeben. Die Eingabevorrichtung(en) 67 kann/können zum Beispiel durch eine Tastatur, eine Maus, einen Berührungsbildschirm, ein Trackpad, einen Trackball und/oder ein Stimmerkennungssystem implementiert sein.
-
Ein oder mehrere Ausgabeeinrichtungen 68 sind ebenfalls mit der Schnittstellenschaltung 66 verbunden. Die Ausgabeeinrichtungen 68 können zum Beispiel durch Anzeigeeinrichtungen für zugeordnete Daten (z. B. eine Flüssigkristallanzeige oder LCD-Anzeige, ein Kathodenstrahlrohr (CRT) etc.) implementiert sein.
-
Wie oben erwähnt kann der Computer 60 verwendet werden, um maschinenlesbare Anweisungen auszuführen. Zum Beispiel kann der Computer 60 maschinenlesbare Anweisungen ausführen, um die Module von 1 bis 5 zu implementieren, und/oder das Verfahren auszuführen, das in den Blockdiagrammen von 7–9 dargestellt ist. In solchen Beispielen umfassen die maschinenlesbaren Anweisungen ein Programm zur Ausführung durch einen Prozessor, wie etwa den Prozessor 61, der in dem beispielhaften Computer 60 gezeigt ist. Das Programm kann in Software verkörpert sein, die auf einem materiellen computerlesbaren Medium gespeichert ist, etwa einer CD-ROM, einer Floppydisk, einer Festplatte, einer DVD, einer BluRay-Disk, oder einem dem Prozessor 61 zugeordneten Speicher, doch könnten das gesamte Programm und/oder Teile davon alternativ durch eine andere Vorrichtung als dem Prozessor 61 ausgeführt und/oder in Firmware oder speziell vorgesehener Hardware verkörpert werden. Weiters können, obwohl die beispielhaften Programme unter Bezugnahme auf die schematischen Diagramme von 1–5 und/oder die Flussdiagramme in 7–9 beschrieben werden, viele andere Verfahren der Implementierung von Ausführungsformen der vorliegenden Offenbarung alternativ verwendet werden. Zum Beispiel kann die Reihenfolge der Ausführung der Blöcke verändert werden, und/oder einige der beschriebenen Blöcke können geändert, weggelassen oder kombiniert werden.
-
Nun Bezug nehmend auf 7 und weiter Bezug nehmend auf 1–5 wird ein Flussdiagramm für ein beispielhaftes Verfahren 70 zum Entwickeln von Klassifikatoren für Maschinenoperationen für die Maschine 10 dargestellt. Das Verfahren 70 beginnt mit dem Erhalt von Trainingsdatenwerten 32, die der Maschine 10 zugeordnet sind, von einem oder mehreren an Bord befindlichen technischen Kanälen 21 (Block 71). Unter Verwendung der Trainingsdatenwerte 32 werden extrahierte/transformierte Trainingsmerkmale 34 bestimmt (Block 72). Das Verfahren 70 umfasst das Bestimmen von Trainingskennzeichnungen 36, die den extrahierten/transformierten Trainingsmerkmalen 34 (Block 73) zugeordnet sind. Ein oder mehrere an Bord befindliche technische Kanäle 21 können zur Bestimmung eines Vorhersagemodells als ausgewählte Kanäle ausgewählt werden, auf der Grundlage der Trainingsmerkmale 34 und der zugehörigen Trainingskennzeichnungen 36 (Block 74). Unter Verwendung eines Computers, etwa des Computers 60, wird ein Vorhersagemodell von dem Algorithmus zum maschinellen Lernen und den Eingangsdaten entwickelt (Block 75).
-
Die Bestimmung des Vorhersagemodells (Block 75) wird in einem Flussdiagramm in 8 weiter beschrieben. Die Bestimmung des Vorhersagemodells beginnt mit dem Zuführen der extrahierten/transformierten Trainingsmerkmale 34 und der zugehörigen Trainingskennzeichnungen 36 an den Algorithmus zum maschinellen Lernen 42 (Block 81). Wie oben im Detail erläutert kann der Algorithmus zum maschinellen Lernen 42, ohne darauf beschränkt zu sein, ein trainiertes neuronales Netzwerk 44, einen Entscheidungsbaum 46, und Support-Vektor-Maschinengewichtungen 48 umfassen. Das Verfahren bestimmt dann das Vorhersagemodell aus dem Algorithmus zum maschinellen Lernen, wobei das Vorhersagemodell (z. B. das Vorhersagemodellierungsmodul 50) neue Daten, die der Maschine zugeordnet sind, empfängt und eine vorhergesagte Kennzeichnung auf der Grundlage der empfangenen neuen Daten bestimmt.
-
9 ist ein Flussdiagramm eines beispielhaften Verfahrens 90 zum Einsatz des Operationsklassifikators, der durch das Verfahren 70 von 7 entwickelt wurde, zur Vorhersage des Betriebs der Maschine 10. Das Verfahren 90 beginnt mit dem Erhalt von neuen Datenwerten 52, die der Maschine 10 zugeordnet sind, von an Bord befindlichen technischen Kanälen 21 (Block 91). Das Verfahren 90 bestimmt dann ein oder mehrere extrahierte/transformierte Merkmale 54 auf der Grundlage der neuen Datenwerte 52. Die neuen extrahierten/transformierten Merkmale 54 werden dann an das Modellvorhersagemodul 56 zugeführt, welches das vorhergesagte Modell umfasst, das durch das Verfahren 70 entwickelt wurde (Block 93). Unter Verwendung des vorhergesagten Modells bestimmt das Verfahren 80 eine Kennzeichnung für die neu extrahierten/transformierten Merkmale 54 (Block 94).
-
Gewerbliche Anwendbarkeit
-
Die vorliegende Offenbarung betrifft allgemein analytische Modelle zur Vorhersage von Maschinenereignissen, und insbesondere Systeme und Verfahren zur Entwicklung einer Klassifikation für Maschinenoperationen unter Verwendung von maschinellem Lernen. Die offenbarten Systeme und Verfahren können verwendet werden, um Maschinenoperationen einer Reihe von Maschinen 10 vorherzusagen, welche einen Bagger, einen Grader oder einen Radlader umfassen, ohne jedoch darauf beschränkt zu sein. Wie im Folgenden und unter Bezugnahme auf 10–12 beschrieben, können die offenbarten Systeme und Verfahren verwendet werden, um bestimmte Operationen der Maschinen auf der Grundlage von Eingang von den an Bord befindlichen technischen Kanälen 21 vorherzusagen.
-
Nun bezugnehmend auf 10 wird dort ein Bagger 100 dargestellt. Der Bagger 100 kann einen Motor 102, Raupenketten 104 für den Vortrieb und einen Arbeitsaufsatz 106 zur Verwendung bei der Durchführung einer Arbeitsfunktion (z. B. Graben) aufweisen. Der Arbeitsaufsatz 106 kann einen Ausleger 108 und einen Auslegerzylinder 110 umfassen, der verwendet wird, um den Ausleger 108 anzuheben und abzusenken. Der Arbeitsaufsatz 106 kann auch einen Vorderausleger 112 umfassen, der unter Verwendung eines Vorderauslegerzylinders 114 aus- und einfährt, und kann des Weiteren ein Werkzeug umfassen, etwa eine Schaufel 116, die unter Verwendung eines Schaufelzylinders 118 gedreht wird. Im Betrieb kann der Bagger 100 Kombinationen von Zylinderstellungen verwenden, um die Schaufel 116 in einer Grabestelle in Eingriff zu bringen, um Material zu entfernen, und die Schaufel 116 dann manövrieren, um das Material von der Grabestelle entfernt in einen Muldenkipper oder dergleichen abzuladen.
-
Auf einer hohen Ebene können die grundlegenden Operationen des Baggers 100 ‘Fahren’ unter Verwendung der Raupenketten 104, ‘Graben’ und ‘Abladen’ umfassen. Auf einer tieferen Ebene kann der Bagger 100 auch Funktionen ausführen wie Ausleger anheben und absenken, Vorderausleger ausfahren und einziehen, sowie Schaufel ein- und auswärts drehen. Jede dieser Operationen kann durch ein Ereignis oder durch eine Kombination von Ereignissen erreicht werden, darunter Werkzeugereignisse, Richtungsereignisse, Gangereignisse und Leistungsereignisse. Die Identifikation solcher Ereignisse kann durch Bestimmen, durch das Modul zum maschinellen Lernen 40, welche Datenwerte, die von den an Bord befindlichen technischen Kanälen 21 abgeleitet sind, welchen Ereignissen zugeordnet sind, vorhergesagt werden. Unter Verwendung der offenbarten Systeme und Verfahren kann die Maschinenoperationen eines Baggers 100 mit großer Recheneffizienz genau vorhergesagt werden.
-
Ferner veranschaulicht 11 einen Grader 120 mit einem Motor 122, einem Lenkrad 124, einer Schildsteuerung 126, einem Schild 130, einem Schildwinkelzylinder 132 und einem Höhenzylinder 134. Der Grader 120 kann lenkbare Räder 136 umfassen. Der Grader 120 ist dazu ausgestaltet, eine Arbeitsstelle 138 unter Verwendung des Schilds 130 abzuschürfen und zu nivellieren. Wie bei dem Bagger 100 oben, kann der Grader 120 in mehreren Modi betätigt werden, darunter einem Transportmodus und einem Nivelliermodus. Maschinenoperationen, die durch die offenbarten Systeme und Verfahren beobachtet und vorhergesagt werden sollen, können Leerlauf, Endnivellierung, Rohnivellierung, Abschürfen, Aufreißen, Straßenbearbeitung, Straßenwiederherstellung, Grabenbau, Grabenreinigung, Schneepflügen, Schneeentfernung, Böschungsarbeiten und dergleichen umfassen, ohne jedoch darauf beschränkt zu sein. Alle derartigen Operationen und Modi können unter Verwendung eines Vorhersagemodells vorhergesagt werden, das durch die offenbarten Systeme und Verfahren entwickelt wurde.
-
Die Systeme und Verfahren der vorliegenden Offenbarung können auch auf einen Radlader 150 anwendbar sein, wie in 12 dargestellt. Der Radlader kann einen Motor 152, eine Bedienersteuerung 154, einen Ausleger 156, einen Auslegerzylinder 158 und eine Schaufel 160 umfassen. Die Schaufel 160 kann zwischen einer Beladestellung und einer Abladestellung gedreht werden. Wie bei dem Bagger 100 und dem Grader 120 können durch den Lader durchgeführte Maschinenoperationen unter Verwendung von maschinellem Lernen in Verbindung mit den Systemen und Verfahren der vorliegenden Offenbarung vorhergesagt werden.
-
Es sollte klar sein, dass die vorliegende Offenbarung Systeme und Verfahren zum Entwickeln von Klassifikatoren für Maschinenoperationen unter Verwendung von maschinellem Lernen bereitstellt. Obwohl nur bestimmte Ausführungsformen dargelegt wurden, werden dem Fachmann Alternativen und Abwandlungen aus der obigen Beschreibung klar sein. Diese und weitere Alternativen werden als Äquivalente betrachtet und fallen daher in den Bereich und Umfang dieser Offenbarung und der folgenden Patentansprüche.
