DE112019003588T5

DE112019003588T5 - Optimierung der Genauigkeit von maschinellen Lernalgorithmen zur Überwachung des Betriebs von Industriemaschinen

Info

Publication number: DE112019003588T5
Application number: DE112019003588.6T
Authority: DE
Inventors: David LAVID BEN LULU; Waseem Ghrayeb
Original assignee: SKF AI Ltd
Current assignee: SKF AB
Priority date: 2018-08-12
Filing date: 2019-08-12
Publication date: 2021-07-15
Also published as: US20210158220A1; CN112534371A; BR112021002574A2; WO2020036851A1

Abstract

System und Verfahren für ein Verfahren zur Optimierung von Maschinenlernalgorithmen zur Überwachung des Betriebs einer Industriemaschine, enthaltend: Überwachen mindestens eines Industriemaschinenverhaltensmodells von mindestens einer industriellen Maschine; Ermitteln mindestens eines ersten mehrdeutigen Segments des mindestens einen Industriemaschinenverhaltensmodells, das einen ersten Satz von Merkmalen aufweist, und Ermitteln einer korrigierenden Lösungsempfehlung, die mit dem ersten mehrdeutigen Segment verbunden ist; Ermitteln mindestens eines zweiten mehrdeutigen Segments des mindestens einen Industriemaschinenverhaltensmodells, das einen zweiten Satz von Merkmalen aufweist; Bestimmen, ob eine Ähnlichkeit zwischen dem ersten Satz von Merkmalen und dem zweiten Satz von Merkmalen einen vorbestimmten Schwellenwert überschreitet; und Aktualisieren eines Maschinenlernalgorithmus des mindestens einen Industriemaschinenverhaltensmodells, um die korrigierende Lösungsempfehlung dem zweiten mehrdeutigen Segment zuzuordnen, wenn bestimmt wird, dass die Ähnlichkeit den vorbestimmten Schwellenwert überschritten hat.

Description

QUERVERWEIS AUF VERWANDTE ANWENDUNGEN
Diese Anmeldung beansprucht die Priorität der am 12. August 2018 eingereichten vorläufigen US-Anmeldung Nr. 62/717 855 , deren Inhalt hiermit durch Bezugnahme aufgenommen wird.
TECHNISCHES GEBIET
Die vorliegende Offenbarung bezieht sich im Allgemeinen auf Wartungssysteme für Maschinen und im Besonderen auf die Überwachung von Maschinenabläufen zur Verbesserung von Maschinenprozessen.
HINTERGRUND
Kommunikation, Datenverarbeitung, Cloud Computing, künstliche Intelligenz und andere computergestützte Technologien haben sich in den letzten Jahren erheblich weiterentwickelt und neue Technologie- und Produktionsbereiche eingeläutet. Darüber hinaus sind viele der industriellen Technologien, die seit den 1970er Jahren oder davor eingesetzt wurden, auch heute noch im Einsatz. Bestehende Lösungen im Zusammenhang mit diesen industriellen Technologien haben oft nur geringfügige Verbesserungen erfahren, die lediglich die Produktion und den Ertrag leicht erhöht haben.
In der modernen Fertigungspraxis müssen Hersteller oft strenge Produktionszeitpläne einhalten und eine einwandfreie oder nahezu einwandfreie Produktionsqualität liefern. Infolgedessen riskieren diese Hersteller hohe Verluste, wenn ein unerwarteter Maschinenausfall auftritt. Ein Maschinenausfall ist ein Ereignis, das eintritt, wenn eine Maschine vom korrekten Betrieb abweicht. Fehler, die typischerweise Abweichungen vom korrekten Zustand der Maschine sind, sind nicht unbedingt Ausfälle, können aber zu potenziellen zukünftigen Ausfällen führen und diese anzeigen. Neben Ausfällen können Fehler auch ein ungewöhnliches Verhalten der Maschine verursachen, das die Leistung beeinträchtigen kann.
Die durchschnittliche ausfallbedingte Maschinenstillstandzeit für typische Hersteller (d. h. die durchschnittliche Zeit, in der die Produktion aufgrund eines Maschinenausfalls ganz oder teilweise heruntergefahren wird) beträgt 17 Tage pro Jahr, d. h. 17 Tage Produktions- und damit Umsatzverluste. Bei einer typischen 450-Megawatt-Kraftwerksturbine beispielsweise kann ein einziger Tag Stillstand einen Hersteller über 3 Millionen US-Dollar an entgangenen Einnahmen kosten. Solche Ausfallzeiten können zusätzliche Kosten für Reparaturen, Sicherheitsvorkehrungen und Ähnliches verursachen.
In Energiekraftwerken werden jährlich Milliarden von US-Dollar für die Gewährleistung der Zuverlässigkeit ausgegeben. Insbesondere werden Milliarden von Dollar für Backup-Systeme und Redundanzen aufgewendet, um Produktionsausfälle zu minimieren. Zusätzlich können Überwachungssysteme eingesetzt werden, um Ausfälle schnell zu erkennen und so die Rückkehr zur Produktion zu beschleunigen, wenn es zu einem Ausfall kommt. Bestehende Überwachungssysteme erkennen Ausfälle jedoch in der Regel erst nach oder unmittelbar vor Beginn der Ausfallzeit.
Außerdem stützen sich bestehende Lösungen zur Überwachung von Maschinenausfällen typischerweise auf einen Satz vorgegebener Regeln für jede Maschine. Diese Regelsätze berücksichtigen nicht alle Daten, die in Bezug auf die Maschine gesammelt werden können, und werden nur zur Überprüfung bestimmter Schlüsselparameter verwendet, während der Rest ignoriert wird. Außerdem müssen diese Regelsätze im Voraus von Ingenieuren oder anderen menschlichen Analytikern bereitgestellt werden. Infolgedessen wird möglicherweise nur ein Teil der gesammelten Daten von den vorhandenen Lösungen tatsächlich verwendet, was zu einer Verschwendung von Computerressourcen im Zusammenhang mit der Übertragung, Speicherung und Verarbeitung von ungenutzten Daten führt. Darüber hinaus kann die Nichtberücksichtigung aller relevanten Daten dazu führen, dass die Bestimmung oder Vorhersage von Fehlern verpasst oder anderweitig ungenau wird.
Außerdem beruhen bestehende Lösungen oft auf periodischen Tests in vorgegebenen Intervallen. Daher werden selbst bei bestehenden Lösungen, die Ausfälle im Voraus vorhersagen können, typischerweise Anfragen zur Maschinenwartung zurückgegeben, selbst wenn die Maschine nicht unmittelbar von einem Ausfall bedroht ist. Ein solcher vorzeitiger Austausch und eine solche Wartung führen zu Materialverschwendung und Ausgaben für den Austausch von Teilen, die noch einwandfrei funktionieren. Außerdem führen solche bestehenden Lösungen oft dazu, dass Reparaturen erst nach dem Auftreten eines Fehlers eingeleitet werden. Infolgedessen können Ausfälle nicht verhindert werden, was zu Ausfallzeiten und Umsatzeinbußen führt.
Darüber hinaus erfordern bestehende Überwachungs- und Wartungslösungen oft spezielle Prüfgeräte. Folglich erfordern diese Lösungen in der Regel spezialisierte Bediener, die in der Bedienung des jeweiligen Überwachungs- und Wartungssystems gut geschult sind. Das Erfordernis spezialisierter Bediener kann unbequem und kostspielig sein und potenzielle Quellen für menschliche Fehler einführen. Darüber hinaus ist ein menschlicher Analytiker angesichts der schieren Menge an Daten, die für eine bestimmte Maschine gesammelt werden können, und der winzigen Schwankungen in den Daten nicht in der Lage, bevorstehende Ausfälle adäquat zu bestimmen.
Es wäre daher von Vorteil, eine Lösung anzubieten, die die oben genannten Herausforderungen überwindet.
ZUSAMMENFASSUNG
Es folgt eine Zusammenfassung mehrerer beispielhafter Ausführungsformen der Offenbarung. Diese Zusammenfassung dient dem Zweck, dem Leser ein grundlegendes Verständnis dieser Ausführungsformen zu vermitteln, und definiert nicht vollständig den Umfang der Offenbarung. Diese Zusammenfassung ist kein umfassender Überblick über alle in Betracht gezogenen Ausführungsformen und soll weder wichtige oder kritische Elemente aller Ausführungsformen identifizieren noch den Umfang eines oder aller Aspekte abgrenzen. Ihr einziger Zweck ist es, einige Konzepte einer oder mehrerer Ausführungsformen in vereinfachter Form als Auftakt für die detailliertere Beschreibung, die später vorgestellt wird, zu präsentieren. Der Einfachheit halber kann der Begriff „bestimmte Ausführungsformen“ hier verwendet werden, um sich auf eine einzelne Ausführungsform oder mehrere Ausführungsformen der Offenbarung zu beziehen.
Bestimmte Ausführungsformen, die hier offenbart sind, umfassen ein Verfahren zum Optimieren von Maschinenlernalgorithmen für die Überwachung des Betriebs von Industriemaschinen, enthaltend: Überwachen mindestens eines Industriemaschinenverhaltensmodells wenigstens einer Industriemaschine; Ermitteln mindestens eines ersten mehrdeutigen Segments des mindestens einen Industriemaschinenverhaltensmodells, das einen ersten Satz von Merkmalen aufweist, und Ermitteln einer korrigierenden Lösungsempfehlung, die mit dem ersten mehrdeutigen Segment verbunden ist; Ermitteln mindestens eines zweiten mehrdeutigen Segments des mindestens einen Industriemaschinenverhaltensmodells, das einen zweiten Satz von Merkmalen aufweist; Bestimmen, ob eine Ähnlichkeit zwischen dem ersten Satz von Merkmalen und dem zweiten Satz von Merkmalen einen vorgegebenen Schwellenwert überschreitet; und Aktualisieren eines Maschinenlernalgorithmus des mindestens einen Industriemaschinenverhaltensmodells, um die korrigierende Lösungsempfehlung dem zweiten mehrdeutigen Segment zuzuordnen, wenn festgestellt wird, dass die Ähnlichkeit den vorgegebenen Schwellenwert überschritten hat.
Bestimmte Ausführungsformen, die hier offenbart sind, umfassen auch ein nicht-transitorisches computerlesbares Medium, auf dem Befehle gespeichert sind, um eine Verarbeitungsschaltung zu veranlassen, ein Verfahren durchzuführen, wobei das Verfahren Folgendes aufweist:

Überwachen mindestens eines Industriemaschinenverhaltensmodells wenigstens einer Industriemaschine; Ermitteln mindestens eines ersten mehrdeutigen Segments des mindestens einen Industriemaschinenverhaltensmodells, das einen ersten Satz von Merkmalen aufweist, und Ermitteln einer korrigierenden Lösungsempfehlung, die mit dem ersten mehrdeutigen Segment verbunden ist; Ermitteln mindestens eines zweiten mehrdeutigen Segments des mindestens einen Industriemaschinenverhaltensmodells, das einen zweiten Satz von Merkmalen aufweist; Bestimmen, ob eine Ähnlichkeit zwischen dem ersten Satz von Merkmalen und dem zweiten Satz von Merkmalen einen vorgegebenen Schwellenwert überschreitet; und Aktualisieren eines Maschinenlernalgorithmus des mindestens einen Industriemaschinenverhaltensmodells, um die korrigierende Lösungsempfehlung dem zweiten mehrdeutigen Segment zuzuordnen, wenn festgestellt wird, dass die Ähnlichkeit den vorgegebenen Schwellenwert überschritten hat.

Bestimmte Ausführungsformen, die hierin offenbart sind, umfassen auch ein System zum Optimieren von Maschinenlernalgorithmen zum Überwachen des Betriebs einer Industriemaschine, enthaltend: eine Verarbeitungsschaltung; und einen Speicher, wobei der Speicher Anweisungen enthält, die, wenn sie von der Verarbeitungsschaltung ausgeführt werden, das System einrichten: mindestens ein Industriemaschinenverhaltensmodell von mindestens einer industriellen Maschine zu überwachen; mindestens ein erstes mehrdeutiges Segment des mindestens einen Industriemaschinenverhaltensmodells zu ermitteln, das einen ersten Satz von Merkmalen aufweist, und eine korrigierende Lösungsempfehlung zu ermitteln, die mit dem ersten mehrdeutigen Segment verbunden ist; mindestens ein zweites mehrdeutiges Segment des mindestens einen Industriemaschinenverhaltensmodells zu ermitteln, das einen zweiten Satz von Merkmalen aufweist; zu bestimmen, ob eine Ähnlichkeit zwischen dem ersten Satz von Merkmalen und dem zweiten Satz von Merkmalen einen vorgegebenen Schwellenwert überschreitet; und einen Maschinenlernalgorithmus des mindestens einen Industriemaschinenverhaltensmodells zu aktualisieren, um die korrigierende Lösungsempfehlung dem zweiten mehrdeutigen Segment zuzuordnen, wenn festgestellt wird, dass die Ähnlichkeit den vorgegebenen Schwellenwert überschritten hat.
Figurenliste
Der hier offengelegte Gegenstand ist in den Ansprüchen am Ende der Beschreibung besonders hervorgehoben und eindeutig beansprucht. Die vorgenannten und andere Ziele, Merkmale und Vorteile der offenbarten Ausführungsformen werden aus der folgenden detaillierten Beschreibung in Verbindung mit den beigefügten Zeichnungen ersichtlich sein.

1 ist ein Netzwerkdiagramm, das zur Beschreibung der verschiedenen offenbarten Ausführungsformen verwendet wird.
2 ist eine schematische Darstellung des Management-Server-Systems gemäß einer Ausführungsform.
3 ist ein Flussdiagramm, das ein Verfahren zur Verbesserung des Genauigkeitsniveaus eines Maschinenlernalgorithmus veranschaulicht, der zur Überwachung des Maschinenbetriebs gemäß einer Ausführungsform geeignet ist.
4 ist ein Flussdiagramm, das ein auf Verstärkungslernen basierendes Verfahren zur automatischen Bereitstellung von korrigierenden Lösungsempfehlungen für einen Maschinenbetrieb gemäß einer Ausführungsform darstellt.
5 ist ein Flussdiagramm, das ein auf Verstärkungslernen basierendes Verfahren zur Aktualisierung eines Maschinenlernalgorithmus veranschaulicht, der zur Überwachung des Maschinenbetriebs gemäß einer Ausführungsform eingerichtet ist.
6 ist eine Beispielsimulation, die die Darstellung eines mehrdeutigen Segments in einem Maschinenverhaltensmodell gemäß einer Ausführungsform zeigt.

AUSFÜHRLICHE BESCHREIBUNG
Es ist wichtig zu beachten, dass die hier offenbarten Ausführungsformen nur Beispiele für die vielen vorteilhaften Verwendungen der hierin enthaltenen innovativen Lehren sind. Im Allgemeinen schränken die in der Beschreibung der vorliegenden Anmeldung gemachten Aussagen nicht notwendigerweise eine der verschiedenen beanspruchten Ausführungsformen ein. Außerdem können einige Aussagen auf einige erfinderische Merkmale zutreffen, auf andere jedoch nicht. Im Allgemeinen können, sofern nicht anders angegeben, Einzelelemente im Plural stehen und umgekehrt, ohne dass dadurch die Allgemeinheit beeinträchtigt wird. In den Zeichnungen beziehen sich gleiche Ziffern auf gleiche Teile in mehreren Ansichten.
Das offenbarte, auf Verstärkungslernen basierende Verfahren wird verwendet, um mehrdeutige Segmente in einem Maschinenverhaltensmodell einer Maschine zu ermitteln, das zur Optimierung eines Maschinenlernalgorithmus zur Überwachung des Betriebs einer Industriemaschine verwendet werden soll. Das Maschinenverhaltensmodell basiert auf sensorischen Eingaben, die von einem oder mehreren Sensoren der Maschine empfangen werden. Als Reaktion auf die Ermittlung eines solchen mehrdeutigen Segments wird eine Abfrage generiert und an ein Client-Gerät gesendet. Eine Antwort, d. h. eine Eingabe, wird dann in Bezug auf die Abfrage empfangen, die Antwort wird verwendet, um einen Maschinenlernalgorithmus zu aktualisieren, der eingerichtet ist, um den Maschinenbetrieb zu überwachen und insbesondere einen bevorstehenden Maschinenausfall rechtzeitig vorherzusagen. In einer weiteren Ausführungsform wird ein erstes mehrdeutiges Segment ermittelt und mit einem zweiten mehrdeutigen Segment verglichen. Wenn die beiden Segmente oberhalb eines vorgegebenen Schwellenwerts als ähnlich eingestuft werden, wird eine korrigierende Empfehlung für das erste Segment ermittelt, die für das zweite mehrdeutige Segment geeignet ist.
1 zeigt ein Beispiel-Netzwerkdiagramm 100, das zur Beschreibung der verschiedenen offenbarten Ausführungsformen verwendet wird. Das Beispiel-Netzwerkdiagramm 100 enthält ein Maschinenüberwachungssystem (MMS) 130, einen Management-Server 140, eine Datenbank 150 und ein Client-Gerät 160, die über ein Netzwerk 110 verbunden sind. Das Beispiel-Netzwerkdiagramm 100 enthält ferner eine Vielzahl von Sensoren 120-1 bis 120-n (im Folgenden nur der Einfachheit halber einzeln als ein Sensor 120 und gemeinsam als Sensoren 120 bezeichnet, wobei n eine ganze Zahl gleich oder größer als 1 ist), die mit dem Maschinenüberwachungssystem 130 verbunden sind. Bei dem Netzwerk 110 kann es sich um ein drahtloses Netzwerk, ein zellulares oder drahtgebundenes Netzwerk, ein lokales Netzwerk (LAN), ein Weitverkehrsnetzwerk (WAN), ein Metropolitan Area Network (MAN), das Internet, das World Wide Web (WWW), ähnliche Netzwerke und eine beliebige Kombination davon handeln, ist aber nicht darauf beschränkt.
Das Client-Gerät 160 kann ein Personal Computer, ein Laptop, ein Tablet-Computer, ein Smartphone, ein Wearable Computing-Gerät, ein Protokoll, eine Datenquelle (z. B. eine Datenbank) oder ein anderes Gerät sein, das in der Lage ist, Benachrichtigungen zu empfangen und/oder Wartungs- und Fehlerzeitvorhersagen, Ergebnisse einer überwachten Analyse, einer unüberwachten Analyse von Maschinenbetriebsdaten und Ähnliches anzuzeigen.
Die Sensoren 120 befinden sich in der Nähe (z. B. in physischer Nähe) einer Maschine 170. Bei der Maschine 170 kann es sich um eine beliebige Maschine handeln, deren Leistung über sensorische Daten dargestellt werden kann, z. B. eine Industriemaschine, die in industriellen Umgebungen verwendet wird, jedoch nicht beschränkt auf eine Turbine, einen Motor, eine Schweißmaschine, einen dreidimensionalen (3D-)Drucker, eine Spritzgießmaschine, eine Kombination davon, einen Teil davon und dergleichen. Jeder Sensor 120 ist so eingerichtet, dass er sensorische Eingaben wie z.B., jedoch ohne Beschränkung, Schallsignale, Ultraschallsignale, Licht, Indikatoren für die Bewegungsverfolgung, Temperatur, Energieverbrauchsindikatoren und Ähnliches basierend auf dem Betrieb der Maschine 170 erfasst. Die Sensoren 120 können unter anderem Schallerfassungssensoren, Bewegungsverfolgungssensoren, Energieverbrauchsmessgerät, Temperaturmessgerät und dergleichen umfassen. Jeder der Sensoren 120 kann, muss aber nicht, kommunikativ oder anderweitig mit der Maschine 170 verbunden sein (eine solche Verbindung ist in 1 lediglich der Einfachheit halber und ohne Einschränkung der offenbarten Ausführungsformen nicht dargestellt).
Die Sensoren 120 sind mit dem Maschinenüberwachungssystem 130 verbunden. Das Maschinenüberwachungssystem 130 kann so eingerichtet sein, dass es die von den Sensoren 120 empfangenen rohen sensorischen Eingaben speichert und vorverarbeitet. Alternativ oder zusätzlich kann das Maschinenüberwachungssystem 130 so eingerichtet sein, dass es die gesammelten sensorischen Eingaben, die z. B. in der Datenbank 150 gespeichert sind, periodisch abruft. Die Vorverarbeitung kann u. a, Datenbereinigung, Normalisierung, Neuskalierung, Neuhochrechnung, Neuformatierung, Rauschfilterung, eine Kombination davon und Ähnliches umfassen.
Der Management-Server 140 enthält typischerweise mindestens eine Verarbeitungsschaltung (nicht dargestellt) und einen Speicher (nicht dargestellt), wobei der Speicher Anweisungen enthält, die, wenn sie von der Verarbeitungsschaltung ausgeführt werden, den Management-Server 140 wie hierin weiter unten beschrieben einrichten. Gemäß einer Ausführungsform der Offenbarung handelt es sich bei den im Speicher gespeicherten Anweisungen um solche, die das System 100 einrichten, das hierin unten beschriebene Verfahren durchzuführen. Der Speicher kann auch Daten enthalten, die von den Sensoren 120 gesammelt wurden, jedoch können solche Daten auch in einem Datenspeicher, wie einer Datenbank 150, gespeichert werden, wobei in bestimmten Ausführungsformen der Speicher des Management-Servers 140 Daten und/oder Anweisungen darin speichert oder daraus abruft.
In einer Ausführungsform ist der Management-Server 140 so eingerichtet, dass er mindestens ein erstes Maschinenverhaltensmodell einer Maschine (z. B. der Maschine 170) überwacht. Das Maschinenverhaltensmodell kann beispielsweise durch einen Graphen dargestellt werden, der eine Vielzahl von sensorischen Eingaben aggregiert, die mit einer Vielzahl von Komponenten einer Maschine und/oder Prozessen, die von einer Maschine (z. B. der Maschine 170) ausgeführt werden, verbunden sind. In einer weiteren Ausführungsform kann das Maschinenverhaltensmodell durch Metamodelle dargestellt werden, wobei jedes Metamodell mit einer Komponente der Maschine verknüpft ist. Die Meta-Modelle basieren auf den indikativen sensorischen Eingaben, die sich auf ihre jeweiligen Komponenten beziehen, und können verwendet werden, um Anomalien im Betrieb jeder jeweiligen Komponente der Maschine zu identifizieren. In einer weiteren Ausführungsform kann das erste Maschinenverhaltensmodell in eine Vielzahl von Segmenten unterteilt sein. Die Segmente können durch Zeitrahmen, Start- und Endpunkt mindestens eines abnormalen Betriebsverhaltens mindestens einer Komponente der Maschine, die durch den Graphen dargestellt wird, usw. bestimmt werden.
In einer Ausführungsform ist der Management-Server 140 so eingerichtet, dass er mindestens ein erstes mehrdeutiges Segment in dem mindestens einen ersten Maschinenverhaltensmodell ermittelt. Ein mehrdeutiges Segment kann Merkmale enthalten, die z. B. in früheren Segmenten derselben Maschine oder in ähnlichen Maschinen nicht ermittelt, bestimmt oder analysiert wurden. Das mehrdeutige Segment kann ein abnormales Verhalten von mindestens einer Komponente der Maschine darstellen. Das mehrdeutige Segment kann z. B. das Überschreiten eines neuen Schwellenwerts, der noch nie zuvor überschritten wurde, neue Verhaltensmuster, die noch nie zuvor aufgetreten sind, und Ähnliches enthalten.
In einer Ausführungsform ist der Management-Server 140 so eingerichtet, dass er auf der Grundlage der Ermittlung des mindestens einen ersten mehrdeutigen Segments mindestens eine Benachrichtigung erzeugt. Die mindestens eine Benachrichtigung umfasst mindestens eine Abfrage, die als Reaktion auf die Ermittlung von mindestens einem Teil des mehrdeutigen Segments erzeugt werden kann. Die Abfrage kann mindestens eine Frage enthalten, deren Beantwortung es ermöglichen kann, eine Grundursache für die Bildung der ungewöhnlichen Merkmale oder Parameter des ersten mehrdeutigen Segments zu bestimmen. Die Grundursache können unerwünschte Umstände sein, wie z. B. eine Ansammlung von Gasen innerhalb einer bestimmten Komponente einer Maschine (z. B. der Maschine 170). In einer weiteren Ausführungsform kann die Abfrage mindestens eine Frage enthalten, deren Beantwortung die Optionen für die Bildung der ungewöhnlichen Merkmale oder Parameter des ersten mehrdeutigen Segments eingrenzen kann. Der Management-Server 140 kann so eingerichtet sein, dass er die Benachrichtigung an mindestens ein Client-Gerät (z. B. das Client-Gerät 160) sendet.
In einer Ausführungsform ist der Management-Server 140 so eingerichtet, dass er mindestens einen Teil eines ersten Maschinenverhaltensmodells in Bezug auf mindestens eine Maschine (z. B. die Maschine 170) überwacht. In einer weiteren Ausführungsform ermöglicht die Überwachung die Erzeugung einer Vielzahl von Analysen, die mit dem Betrieb der mindestens einen Maschine oder einer Komponente der Maschine verbunden sind, z. B. Anomalien, Trends, Energieverbrauchsparameter, erwarteter Wartungsbedarf und dergleichen. Das Verhaltensmodell besteht aus sensorischen Eingaben, die von einer Vielzahl von Sensoren (z. B. den Sensoren 120) einer Maschine (z. B. der Maschine 170) empfangen werden.
Das Verhaltensmodell kann mindestens ein normales Verhalten der Maschine, ein abnormales Verhalten der Maschine, einen Trend, der auf einen bevorstehenden Maschinenausfall hinweist, ein nicht eindeutiges Verhalten der Maschine und Ähnliches anzeigen. Ein mehrdeutiges Verhalten kann durch Parameter, Werte, Sequenzen und dergleichen repräsentiert werden, die mit mindestens einer Komponente einer Maschine (z. B. der Maschine 170) verbunden sind, die der Management-Server 140 weder klassifizieren noch deren Bedeutung oder Einfluss bestimmen kann. Das erste Maschinenverhaltensmodell kann eine Vielzahl von Segmenten enthalten. Jedes Segment kann von anderen Segmenten unterschieden werden, z. B. in Bezug auf Zeitintervalle, Änderungen im Graphen des ersten Maschinenverhaltensmodells, die auf steigende Werte oder verringerte Werte oberhalb oder unterhalb eines bestimmten Schwellenwerts hinweisen, und dergleichen.
In einer Ausführungsform ist der Management-Server 140 so eingerichtet, dass er mindestens ein erstes mehrdeutiges Segment in dem mindestens einen ersten Maschinenverhaltensmodell bestimmt. Das mehrdeutige Segment kann durch Parameter, Werte, Sequenzen und dergleichen repräsentiert sein, die mit mindestens einer Komponente einer Maschine (z. B. der Maschine 170) verbunden sind, die der Management-Server 140 weder klassifizieren noch deren Bedeutung oder Einfluss auf die Maschine bestimmen kann. Das mehrdeutige Segment repräsentiert ein unklares Verhalten von mindestens einer Komponente der Maschine 170. Ein mehrdeutiges Segment des ersten Verhaltensmodells der Maschine kann beispielsweise einen Parameterwert enthalten, der im Vergleich zu durchschnittlichen Werten dieses Parameters als relativ hoch angesehen wird. Ein mehrdeutiges Segment kann z. B. eine Ausfallzeit, einen Fehler in Bezug auf eine oder mehrere Komponenten der Maschine und ähnliches anzeigen, die nicht über ein Sicherheitsniveau hinaus bestimmt werden können. Das Sicherheitsniveau kann sich auf das Vorhandensein eines mehrdeutigen Ereignisses oder auf einen Zeitrahmen beziehen, in dem das mehrdeutige Ereignis aufgetreten ist. Zum Beispiel kann der Management-Server 140 so eingerichtet sein, dass er feststellt, dass eine Ausfallzeit aufgetreten ist, jedoch kann der korrekte Zeitrahmen der Ausfallzeit für den Management-Server 140 nicht eindeutig sein. Die Ermittlung mindestens eines ersten mehrdeutigen Segments kann mit mindestens einem Maschinenlernmodell erreicht werden.
In einer Ausführungsform ist der Management-Server 140 so eingerichtet, dass er basierend auf der Ermittlung des ersten mehrdeutigen Segments mindestens eine Benachrichtigung erzeugt, die mindestens eine Abfrage enthält. In einer weiteren Ausführungsform sendet der Management-Server 140 die Benachrichtigung an mindestens ein Client-Gerät (z. B. das Client-Gerät 160). In einer weiteren Ausführungsform kann die Benachrichtigung an ein Protokoll, eine Datenbank und dergleichen gesendet werden. Die Benachrichtigung kann eine elektronische Nachricht sein, die über elektronische Post (E-Mail), Kurznachrichtendienst (SMS) und dergleichen gesendet wird. Die Abfrage kann textliche und/oder sprachliche Elemente enthalten. Die Abfrage kann beispielsweise offene oder geschlossene Fragen enthalten, wie z. B. „Ist ein Ausfall aufgetreten?“, „Was sind die Symptome?“ und „Was ist die Lösung?“. Die Abfrage kann in Bezug auf die mehrdeutigen Segmentwerte generiert werden. Zum Beispiel kann der Management-Server 140 nach dem Empfang einer Sequenz von relativ niedrigen Werten des ersten Maschinenverhaltensmodells eine Abfrage generieren, die sich auf die oben genannte Sequenz bezieht. Gemäß demselben Beispiel kann die Abfrage lauten: „Ist eine Ausfallzeit aufgetreten?“
In einer Ausführungsform ist der Management-Server 140 so eingerichtet, dass er mindestens eine Eingabe von einem Client-Gerät (z. B. dem Client-Gerät 160) als Reaktion auf die Abfrage empfängt. Die Eingabe kann z. B. ein Benutzerfeedback sein und kann von einem Benutzer eingegeben werden, der ein Client-Gerät (z. B. das Client-Gerät 160) verwendet. In einer weiteren Ausführungsform kann die Eingabe aus einem Protokoll, einer Datenbank und dergleichen empfangen werden. In einer weiteren Ausführungsform kann die Eingabe eine korrigierende Lösungsempfehlung, eine Antwort auf eine geschlossene oder offene Frage, eine Beschreibung der Grundursache, eine Bestätigung der Schätzung des Maschinenlernalgorithmus in Bezug auf das mehrdeutige Segment (die Schätzung kann sich auf die Erkennung und/oder Vorhersage eines oder mehrerer Maschinenausfälle beziehen) und so weiter enthalten. Die Eingabe kann z. B. ein Wort, einen Satz, eine Zahl, einen Teil davon, eine Kombination davon usw. enthalten. Die Eingabe kann z. B. und ohne Einschränkung „Ja“, „Nein“, „Erhöhung in Druckmanometer“, „Druckventile öffnen“ und dergleichen sein. Als Beispiel wird eine Abfrage, wie „Ist ein Stillstand aufgetreten?“, an ein Client-Gerät gesendet und auf einer Anzeigeeinheit (nicht dargestellt) eines Client-Geräts angezeigt. Danach wird die Rückmeldung des Benutzers auf die Abfrage, z. B. „Ja“ oder „Nein“, am Management-Server 140 empfangen. Es ist zu beachten, dass es mehrere und/oder eine Abfolge von Abfragen und Eingaben im Zusammenhang mit den Abfragen geben kann.
In einer Ausführungsform ist der Management-Server 140 so eingerichtet, dass er auf der Grundlage der empfangenen Eingabe einen Maschinenlernalgorithmus aktualisiert, wie z. B. ein Modell für Deep-Learning, das z. B. dazu geeignet ist, abnormales Verhalten in einer Vielzahl von Maschinenverhaltensmodellen zu erkennen, Muster und/oder Trends zu identifizieren, die auf bevorstehende Maschinenausfälle hinweisen können, und Ähnliches. In einer Ausführungsform wird die empfangene Eingabe verwendet, um eine Deep-Learning-Belohnungsfunktion anzupassen, was eine kontinuierliche Verbesserung der Genauigkeit des maschinellen Lernens basierend auf der empfangenen Eingabe bewirkt.
Es sollte beachtet werden, dass, wenn keine Eingabe vom Client-Gerät 160 empfangen wird, der Management-Server 140 so eingerichtet ist, dass er eine oder mehrere korrigierende Lösungsempfehlungen in Bezug auf das bestimmte mehrdeutige Segment generiert, indem er zum Beispiel die Merkmale des mehrdeutigen Segments mit einem oder mehreren vorherigen Segmenten eines oder mehrerer Maschinenverhaltensmodelle vergleicht, die zuvor analysiert und bestimmt wurden. Gemäß demselben Beispiel ermöglicht der Vergleich, einen hohen Grad an Ähnlichkeit zwischen den Merkmalen des mehrdeutigen Segments und den vorherigen Segmenten zu identifizieren, so dass eine oder mehrere korrigierende Lösungsempfehlungen, die zuvor mit den vorherigen Segmenten verknüpft waren, auch mit dem mehrdeutigen Segment verknüpft werden können.
2 zeigt ein Beispiel-Blockdiagramm des Management-Servers 140, der gemäß einer Ausführungsform ausgebildet ist. Der Management-Server 140 umfasst eine Verarbeitungsschaltung 210, die mit einem Speicher 220, einem Datenspeicher 230, einer Netzwerkschnittstelle 240 und einer Maschinenlerneinheit (ML) 250 gekoppelt ist. In einer Ausführungsform sind die Komponenten des Maschinenausfallprädiktors 140 über einen Bus 260 verbunden.
Die Verarbeitungsschaltung 210 kann als eine oder mehrere Hardware-Logikkomponenten und -Schaltungen realisiert werden. Zu den beispielhaften Arten von Hardware-Logikkomponenten, die verwendet werden können, gehören FPGAs (Field Programmable Gate Arrays), anwendungsspezifische integrierte Schaltungen (ASICs), anwendungsspezifische Standardprodukte (ASSPs), System-on-Chip-Systeme (SOCs), Grafikverarbeitungseinheiten (GPUs), Tensor-Verarbeitungseinheiten (TPUs), Allzweck-Mikroprozessoren, Mikrocontroller, digitale Signalprozessoren (DSPs) und dergleichen oder andere Hardware-Logikkomponenten, die Berechnungen oder andere Manipulationen von Informationen durchführen können.
Der Speicher 220 kann flüchtig (z. B. RAM), nichtflüchtig (z. B. ROM oder Flash-Speicher) oder eine Kombination davon sein. In einer Ausgestaltung können computerlesbare Anweisungen zur Implementierung einer oder mehrerer hier offenbarter Ausführungsformen im Datenspeicher 230 gespeichert sein.
In einer Ausführungsform ist der Speicher 220 zum Speichern von Software eingerichtet. Software ist im weitesten Sinne zu verstehen und bedeutet jede Art von Anweisungen, unabhängig davon, ob sie als Software, Firmware, Middleware, Mikrocode, Hardwarebeschreibungssprache oder anderweitig bezeichnet werden. Zu den Anweisungen kann auch Code gehören (z. B. im Quellcodeformat, im Binärcodeformat, im Format für ausführbaren Code oder in einem anderen geeigneten Codeformat). Die Anweisungen, wenn sie von dem einen oder den mehreren Prozessoren ausgeführt werden, veranlassen die Verarbeitungsschaltung 210, die verschiedenen hierin beschriebenen Verfahren durchzuführen.
Der Datenspeicher 230 kann ein magnetischer Speicher, ein optischer Speicher und ähnliches sein und kann z. B. als Flash-Speicher oder andere Speichertechnologie, CDROM, Digital Versatile Disks (DVDs) oder jedes andere Medium realisiert werden, das zur Speicherung der gewünschten Informationen verwendet werden kann.
Die Netzwerkschnittstelle 240 ermöglicht es dem Management-Server 140, mit dem Maschinenüberwachungssystem 130 zu kommunizieren, z. B. über das Netzwerk 110, um z. B. rohe und/oder vorverarbeitete sensorische Eingaben zu empfangen. Zusätzlich ermöglicht die Netzwerkschnittstelle 240 dem Management-Server 140, mit dem Client-Gerät 160 zu kommunizieren, um Eingaben zu senden, Eingaben zu empfangen, usw.
Die Maschinenlerneinheit 250 ist so eingerichtet, dass sie maschinelles Lernen auf der Grundlage der über die Netzwerkschnittstelle 240 empfangenen sensorischen Eingaben durchführt, wie hierin weiter beschrieben ist. In einer Ausführungsform ist die Maschinenlerneinheit 250 ferner so eingerichtet, dass sie mehrdeutige Segmente in einem Maschinenverhaltensmodell einer Maschine bestimmt, wie hierin weiter oben beschrieben ist. In einer Ausführungsform ist die Maschinenlerneinheit 250 ferner so eingerichtet, dass sie ein Deep-Learning-Modell anwendet, das zum Schätzen einer Belohnungsfunktion, d. h. einer von einem Client-Gerät empfangenen Eingabe, verwendet wird. In einer Ausführungsform ist die Maschinenierneinheit 250 ferner so eingerichtet, dass sie, basierend auf einem oder mehreren Maschinenlernmodellen, Vorhersagen für Ausfälle der Maschine 170 bestimmt. In einer weiteren Ausführungsform ist die Maschinenlerneinheit 250 auch so eingerichtet, dass sie mindestens eine Empfehlung, wie z. B. eine korrigierende Lösungsempfehlung, zum Vermeiden oder Abschwächen der ermittelten vorhergesagten Ausfälle bestimmt. Beispielsweise kann die mindestens eine Empfehlung darauf hinweisen, dass ein Abgasrohr an der Maschine 170 in naher Zukunft durch ein neues Abgasrohr ersetzt werden sollte, um Ausfälle zu vermeiden.
Es sollte verstanden werden, dass die hier beschriebenen Ausführungsformen nicht auf die in 2 dargestellte spezifische Architektur beschränkt sind und andere Architekturen ebenso verwendet werden können, ohne vom Anwendungsbereich der offenbarten Ausführungsformen abzuweichen.
3 ist ein beispielhaftes Flussdiagramm 300, das ein Verfahren zur Verbesserung des Genauigkeitsniveaus eines Maschinenlernalgorithmus veranschaulicht, der zur Überwachung des Maschinenbetriebs gemäß einer Ausführungsform eingerichtet ist. In einer Ausführungsform kann das Verfahren von einem Management-Server durchgeführt werden, z. B. dem Management-Server 140 aus 1.
Bei S310 wird mindestens ein erstes Maschinenverhaltensmodell einer ersten Maschine überwacht, z. B. durch einen Management-Server. Die Überwachung ermöglicht die Erzeugung einer Vielzahl von Analysen, die mit dem Betrieb der mindestens einen Maschine oder einer Komponente der Maschine verbunden sind. Die Analysen können Anomalien, Trends, Energieverbrauchsparameter, erwartete Wartungsanforderungen und Ähnliches umfassen.
Bei S320 wird mindestens ein erstes mehrdeutiges Segment im ersten Maschinenverhaltensmodell bestimmt. Das mehrdeutige Segment stellt ein unklares Verhalten mindestens einer Komponente der Maschine dar, das durch Parameter, Werte, Sequenzen und dergleichen repräsentiert wird, die z. B. von der Maschine nicht klassifiziert oder in ihrer Bedeutung oder ihrem Einfluss auf die Maschine bestimmt werden können.
Bei S330 wird mindestens eine Benachrichtigung, die mindestens eine Abfrage enthält, basierend auf der Bestimmung des ersten mehrdeutigen Segments erzeugt, Die Benachrichtigung kann so angepasst werden, dass sie an ein bestimmtes Client-Gerät (z. B. das Client-Gerät 160) gesendet wird.
Bei S340 wird die Benachrichtigung an ein Client-Gerät (z. B. das Client-Gerät 160) gesendet. Die Benachrichtigung kann in Form einer elektronischen Nachricht erfolgen, die über elektronische Post (E-Mail), Kurznachrichtendienst (SMS), Multimedia-Nachrichtenserver (MMS), internetbasierte Nachrichtendienste usw. gesendet wird.
Bei S350 wird mindestens eine Eingabe von einem Client-Gerät (z. B. dem Client-Gerät 160) als Reaktion auf die Abfrage empfangen. Die Eingabe kann z. B. ein direktes Benutzerfeedback sein und von einem Benutzer mit dem Client-Gerät eingegeben werden.
Bei S360 wird ein Maschinenlernalgorithmus auf der Grundlage der mindestens einen Eingabe aktualisiert. Der Maschinenlernalgorithmus kann z. B. ein Deep-Learning-Modell sein, das eingerichtet ist, abnormales Verhalten in einer Vielzahl von Maschinenverhaltensmodellen zu erkennen, Muster und/oder Trends zu identifizieren, die auf bevorstehende Maschinenausfälle hinweisen können, und Ähnliches, das mit einer oder mehreren Maschinen verknüpft ist.
4 ist ein beispielhaftes Flussdiagramm 400, das ein auf Verstärkungslernen basierendes Verfahren zur automatischen Bereitstellung von korrigierenden Lösungsempfehlungen für einen Maschinenbetrieb gemäß einer Ausführungsform darstellt.
Bei S410 wird ein erstes Industriemaschinenverhaltensmodell, das mit einer ersten Industriemaschine (z. B. der Maschine 170) verknüpft ist, überwacht, um ein erstes mehrdeutiges Segment zu bestimmen und zu analysieren. Ein Industriemaschinenverhaltensmodell kann z. B. durch einen Graphen dargestellt werden, der eine Vielzahl von sensorischen Eingaben zusammenfasst, die mit einer Vielzahl von Komponenten der ersten Industriemaschine und/oder von der ersten Industriemaschine ausgeführten Prozessen verknüpft sind. Das erste mehrdeutige Segment kann Merkmale enthalten, die in vorherigen Segmenten desselben Industriemaschinenverhaltensmodells oder in ähnlichen Typen von Industriemaschinenverhaltensmodellen mit ähnlichen Merkmalen nicht analysiert wurden. Das erste mehrdeutige Segment kann z. B. das Überschreiten eines vorbestimmten Schwellenwerts, der vorher nicht überschritten wurde, eine neue Parameterfolge, die vorher nie aufgetreten ist, und Ähnliches enthalten. Die Analyse des ersten mehrdeutigen Segments kann die Extraktion von einem oder mehreren Merkmalen umfassen, die mit dem ersten mehrdeutigen Segment verbunden sind, wie z. B. Parameter, die von sensorischen Eingaben unter Verwendung der Maschinensensoren von mindestens einer Komponente der Industriemaschine zum Zeitpunkt des mehrdeutigen Segments empfangen wurden.
In S420 wird ein erster Satz von Merkmalen bestimmt, die sich auf das erste mehrdeutige Segment beziehen. Der erste Satz von Merkmalen sind Parameter von mindestens einer Komponente der ersten Industriemaschine zu einem bestimmten Zeitpunkt, z. B. wenn ein mehrdeutiges Segment erkannt wurde, das ein ungewohntes Verhalten von mindestens einer Komponente der ersten Industriemaschine anzeigt. Beispiele für ein solches Verhalten können das Überschreiten eines vorbestimmten Schwellenwerts von einem der folgenden Parameter sein: eine Betriebstemperatur, eine Drehzahl einer Komponente der Industriemaschine, verschiedene Parameter, die die Produktivität der Industriemaschine messen, und dergleichen.
Bei S430 wird ein zweites mehrdeutiges Segment eines zweiten Industriemaschinenverhaltensmodells, das mit der ersten Industriemaschine oder mit einer zweiten Industriemaschine verknüpft sein kann, überwacht, um ein zweites mehrdeutiges Segment zu bestimmen und zu analysieren. Ein Maschinenverhaltensmodell kann z. B. durch einen Graphen dargestellt werden, der eine Vielzahl von sensorischen Eingaben aggregiert, die mit einer Vielzahl von Komponenten der ersten Industriemaschine und/oder von der ersten Industriemaschine ausgeführten Prozessen verknüpft sind. Das zweite mehrdeutige Segment kann Merkmale enthalten, die in früheren Segmenten desselben Industriemaschinenverhaltensmodells oder in ähnlichen Typen von Industriemaschinenverhaltensmodellen mit ähnlichen Merkmalen nicht analysiert wurden. Die Analyse des zweiten mehrdeutigen Segments kann die Extraktion eines oder mehrerer Merkmale umfassen, die mit dem zweiten mehrdeutigen Segment verknüpft sind, wie z. B. Parameter, die von sensorischen Eingaben unter Verwendung von Sensoren von mindestens einer Komponente einer Industriemaschine zum Zeitpunkt des zweiten mehrdeutigen Segments empfangen wurden.
In S440 wird ein zweiter Satz von Merkmalen bestimmt, die sich auf das zweite mehrdeutige Segment beziehen. Der zweite Satz von Merkmalen sind Parameter von mindestens einer Komponente einer Industriemaschine zu einem bestimmten Zeitpunkt, z. B. wenn ein mehrdeutiges Segment erkannt wurde, das ein ungewohntes Verhalten von mindestens einer Komponente der Industriemaschine anzeigt. Beispiele für ein solches Verhalten können das Überschreiten eines vorbestimmten Schwellenwerts von einem der folgenden Parameter sein: eine Betriebstemperatur, eine Drehzahl einer Komponente der Industriemaschine, verschiedene Parameter, die die Produktivität der Industriemaschine messen, und dergleichen.
In S450 wird bestimmt, ob der erste Satz von Merkmalen oberhalb eines vorgegebenen Schwellenwerts dem zweiten Satz von Merkmalen ähnlich ist, und wenn ja, wird die Ausführung mit 5460 fortgesetzt; andernfalls wird die Ausführung mit S430 fortgesetzt. Der Schwellenwert wird verwendet, um ähnliche mehrdeutige Segmente von unähnlichen mehrdeutigen Segmenten zu unterscheiden. Eine Ähnlichkeit zwischen zwei Merkmalsgruppen eines ersten und eines zweiten mehrdeutigen Segments kann z. B. ähnliche sensorische Eingangswerte, ähnliche Startpunkte des mehrdeutigen Segments, Zeitrahmen und Ähnliches umfassen. In einer Ausführungsform kann die Bestimmung der Ähnlichkeit mit einem oder mehreren Maschinenlernverfahren, einem Deep-Learning-Verfahren und/oder einem statistischen Ansatz erfolgen. In einer Ausführungsform kann die Bestimmung unter Verwendung einer Ähnlichkeitsfunktion erfolgen, die eine Funktion ist, die einen quantitativen Wert liefert, der die Ähnlichkeit zwischen den beiden Merkmalsgruppen darstellt.
Bei S460 wird mindestens eine Empfehlung, wie z. B. eine korrigierende Lösungsempfehlung, die zuvor in Bezug auf das erste mehrdeutige Segment ermittelt wurde, mit dem zweiten mehrdeutigen Segment verknüpft. Die korrigierende Lösungsempfehlung kann z. B. aus einer Datenbank abgerufen werden. In einer Ausführungsform kann die zuvor ermittelte Empfehlung als Eingabe von einem Client-Gerät (z. B. dem Client-Gerät 160) empfangen werden, nachdem eine Benachrichtigung, die eine Abfrage in Bezug auf das erste mehrdeutige Segment enthält, an das Client-Gerät gesendet und eine Benutzerrückmeldung zu dem ersten mehrdeutigen Segment empfangen wurde. In einer Ausführungsform wird die Empfehlung nach dem Empfang der Empfehlung z. B. in einer Datenbank gespeichert und kann mit dem ersten Satz von Merkmalen des mehrdeutigen Segments, auf das sich die Empfehlung bezieht, verknüpft werden. In einer weiteren Ausführungsform wird der Maschinenlernalgorithmus des mindestens einen Industriemaschinenverhaltensmodells aktualisiert, um die korrigierende Lösungsempfehlung mit dem zweiten mehrdeutigen Segment zu verknüpfen.
In dem optionalen Schritt S470 wird eine Benachrichtigung in Bezug auf die korrigierende Lösungsempfehlung an ein Client-Gerät gesendet. Die Empfehlung, die auf der Grundlage der ähnlichen Merkmale als geeignet für das zweite mehrdeutige Segment ermittelt wurde, kann einem Benutzer angeboten werden, um Änderungen im Maschinenbetrieb vorzunehmen, so dass z. B. ein Maschinenausfall verhindert werden kann. In einer weiteren Ausführungsform kann S470 ferner die Durchführung einer Anpassung der Empfehlung umfassen, die beispielsweise auf dem Maschinentyp, den Maschinenmerkmalen, dem zweiten Satz von Merkmalen des mindestens einen zweiten Segments und dergleichen basiert.
5 ist ein beispielhaftes Flussdiagramm 500, das ein auf Verstärkungslernen basierendes Verfahren zum Aktualisieren eines Maschinenlernalgorithmus veranschaulicht, der zur Überwachung des Maschinenbetriebs gemäß einer Ausführungsform eingerichtet ist.
Bei S510 wird ein erstes mehrdeutiges Segment eines ersten Maschinenverhaltensmodells bestimmt, das eine vermutete Ausfallzeit anzeigt. Die vermutete Ausfallzeit kann auf der Grundlage mehrdeutiger Parameter von sensorischen Eingaben bestimmt werden, die von einem oder mehreren Sensoren der Maschine empfangen werden. Mehrdeutige Parameter können durch ungewöhnliche Parameter dargestellt werden, deren Bedeutung, d. h. deren Einfluss auf den Maschinenbetrieb, nicht bestimmt wurde.
Bei S520 wird eine erste Abfrage an ein Client-Gerät (z. B. das Client-Gerät 160) gesendet, deren Antwort es ermöglicht, festzustellen, ob eine Ausfallzeit aufgetreten ist. In einer Ausführungsform umfasst S520 ferner die Erzeugung der ersten Abfrage in Bezug auf z. B. die ersten mehrdeutigen Segmentmerkmale.
Bei S530 wird auf der Grundlage einer vom Client-Gerät empfangenen Antwort bestimmt, ob eine Ausfallzeit aufgetreten ist, und wenn ja, wird die Ausführung mit S540 fortgesetzt; andernfalls wird die Ausführung mit S535 fortgesetzt. In einer Ausführungsform umfasst S530 ferner die Analyse einer ersten Eingabe, z. B. einer Benutzerantwort, unter Verwendung eines oder mehrerer Maschinenlernverfahren, um zu bestimmen, ob eine Ausfallzeit aufgetreten ist.
Wenn in S535 festgestellt wird, dass keine Ausfallzeit aufgetreten ist, wird der Maschinenlernalgorithmus, der zur Überwachung des Maschinenbetriebs und insbesondere zur Vorhersage von Maschinenausfällen eingerichtet ist, aktualisiert. Die Aktualisierung kann unter Verwendung der ersten vom Client-Gerät empfangenen Eingabe in Bezug auf die erste Abfrage erreicht werden.
Bei S540 wird eine zweite Abfrage an ein Client-Gerät (z. B. das Client-Gerät 160) gesendet, deren Antwort es ermöglicht, festzustellen, ob der Zeitrahmen für die Ausfallzeit korrekt ist. In einer Ausführungsform umfasst S540 ferner die Erzeugung der zweiten Abfrage in Bezug auf den Empfang einer positiven Benutzerantwort auf die erste Abfrage.
Bei S550 wird bestimmt, ob ein vom Management-Server 140 bestimmter Ausfallzeitrahmen korrekt ist, und wenn ja, wird die Ausführung mit S555 fortgesetzt; andernfalls wird die Ausführung mit S560 fortgesetzt. Die Bestimmung kann auf der Grundlage einer zweiten Eingabe, z. B. einer Antwort, die von einem Client-Gerät (z. B. dem Client-Gerät 160) auf die zweite Abfrage empfangen wird, erfolgen. In einer Ausführungsform umfasst S550 ferner das Analysieren der Antwort, z. B. des Benutzerfeedbacks, unter Verwendung einer oder mehrerer maschineller Lerntechniken, um zu bestimmen, ob der ursprünglich vom Management-Server 140 ermittelte Zeitrahmen für die Ausfallzeit korrekt ist.
Wenn festgestellt wird, dass der Zeitrahmen für die Ausfallzeit korrekt ist, wird in S555 der Maschinenlernalgorithmus, der für die Überwachung des Maschinenbetriebs und speziell für die Vorhersage von Maschinenausfällen eingerichtet ist, aktualisiert. Die Aktualisierung kann unter Verwendung einer zweiten Eingabe erfolgen, die vom Client-Gerät in Bezug auf die zweite Abfrage empfangen wird.
Bei S560 wird eine dritte Abfrage, deren Antwort die Bestimmung eines korrekten Ausfallzeitrahmens ermöglicht, an ein Client-Gerät (z. B. das Client-Gerät 160) gesendet. In einer Ausführungsform umfasst S560 ferner die Erzeugung der dritten Abfrage in Bezug auf den Empfang einer negativen Benutzerantwort auf die zweite Abfrage.
Bei S570, nach dem Empfang einer dritten Eingabe vom Client-Gerät in Bezug auf die dritte Abfrage, aktualisiert der Management-Server 140 den Maschinenlernalgorithmus auf der Grundlage des empfangenen korrekten Ausfallzeitrahmens, der bei der dritten Eingabe angegeben wurde.
6 ist eine Beispielsimulation, die die Darstellung eines mehrdeutigen Segments in einem Maschinenverhaltensmodell gemäß einer Ausführungsform zeigt. Die in 6 gezeigte Simulation enthält einen Graphen 610, der ein Maschinenverhaltensmodell darstellt, wie es von einem oder mehreren Sensoren der überwachten Maschine empfangen wird. Durch Analyse des Graphen 610 können mehrdeutige Segmente wie das Segment 620 identifiziert werden. Ein mehrdeutiges Segment kann Merkmale enthalten, die z. B. in früheren Segmenten derselben Maschine oder in ähnlichen Maschinen nicht identifiziert, bestimmt oder analysiert wurden. Das mehrdeutige Segment kann z. B. das Überschreiten eines neuen Schwellenwerts, der noch nie überschritten wurde, eine neue Parameterfolge, die noch nie aufgetreten ist, und Ähnliches enthalten.
Die verschiedenen hier offenbarten Ausführungsformen können als Hardware, Firmware, Software oder eine beliebige Kombination davon implementiert werden. Darüber hinaus ist die Software vorzugsweise als ein Anwendungsprogramm implementiert, das auf einer Programmspeichereinheit oder einem computerlesbaren Medium, das aus Teilen oder bestimmten Geräten und/oder einer Kombination von Geräten besteht, greifbar verkörpert ist. Das Anwendungsprogramm kann auf eine Maschine geladen und von dieser ausgeführt werden, die eine beliebige geeignete Architektur aufweist. Vorzugsweise ist die Maschine auf einer Computerplattform implementiert, die Hardware wie eine oder mehrere Zentraleinheiten („CPUs“), einen Speicher und Eingabe-/Ausgabeschnittstellen aufweist. Die Computerplattform kann auch ein Betriebssystem und einen Mikrobefehlscode enthalten. Die verschiedenen hier beschriebenen Prozesse und Funktionen können entweder Teil des Mikrobefehlscodes oder Teil des Anwendungsprogramms oder einer beliebigen Kombination davon sein, die von einer CPU ausgeführt werden können, unabhängig davon, ob ein solcher Computer oder Prozessor explizit dargestellt ist oder nicht. Darüber hinaus können verschiedene andere periphere Einheiten an die Computerplattform angeschlossen werden, wie z. B. eine zusätzliche Datenspeichereinheit und eine Druckeinheit. Darüber hinaus ist ein nicht-transitorisches computerlesbares Medium jedes computerlesbare Medium mit Ausnahme eines transitorischen Übertragungssignals.
Wie hierin verwendet, bedeutet der Ausdruck „mindestens eines von“, gefolgt von einer Auflistung von Elementen, dass jedes der aufgelisteten Elemente einzeln verwendet werden kann oder eine beliebige Kombination von zwei oder mehr der aufgelisteten Elemente verwendet werden kann. Wenn ein System beispielsweise als „mindestens eines von A, B und C“ beschrieben wird, kann das System A allein; B allein; C allein; A und B in Kombination; B und C in Kombination; A und C in Kombination; oder A, B und C in Kombination enthalten.
Alle hier angeführten Beispiele und bedingte Sprache dienen pädagogischen Zwecken, um dem Leser das Verständnis der Prinzipien der offenbarten Ausführungsform und der vom Erfinder zur Weiterentwicklung des Standes der Technik beigetragenen Konzepte zu erleichtern, und sind so auszulegen, dass sie keine Beschränkung auf diese speziell angeführten Beispiele und Bedingungen darstellen. Darüber hinaus sind alle hierin enthaltenen Aussagen, die Prinzipien, Aspekte und Ausführungsformen der offenbarten Ausführungsformen sowie spezifische Beispiele davon beschreiben, so zu verstehen, dass sie sowohl strukturelle als auch funktionale Äquivalente davon umfassen. Darüber hinaus ist beabsichtigt, dass solche Äquivalente sowohl derzeit bekannte Äquivalente als auch in der Zukunft entwickelte Äquivalente umfassen, d. h. alle entwickelten Elemente, die unabhängig von ihrer Struktur die gleiche Funktion erfüllen.
ZITATE ENTHALTEN IN DER BESCHREIBUNG
Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
Zitierte Patentliteratur

US 62717855 [0001]

Claims

Verfahren zum Optimieren von Maschinenlernalgorithmen für die Überwachung des Betriebs von Industriemaschinen, aufweisend: - Überwachen mindestens eines Industriemaschinenverhaltensmodells wenigstens einer Industriemaschine; - Ermitteln mindestens eines ersten mehrdeutigen Segments des mindestens einen Industriemaschinenverhaltensmodells, das einen ersten Satz von Merkmalen aufweist, und Ermitteln einer korrigierenden Lösungsempfehlung, die mit dem ersten mehrdeutigen Segment verbunden ist; - Ermitteln mindestens eines zweiten mehrdeutigen Segments des mindestens einen Industriemaschinenverhaltensmodells, das einen zweiten Satz von Merkmalen aufweist; - Bestimmen, ob eine Ähnlichkeit zwischen dem ersten Satz von Merkmalen und dem zweiten Satz von Merkmalen einen vorgegebenen Schwellenwert überschreitet; und - Aktualisieren eines Maschinenlernalgorithmus des mindestens einen Industriemaschinenverhaltensmodells, um die korrigierende Lösungsempfehlung dem zweiten mehrdeutigen Segment zuzuordnen, wenn festgestellt wird, dass die Ähnlichkeit den vorgegebenen Schwellenwert überschritten hat.
Verfahren nach Anspruch 1, ferner aufweisend: Erzeugen einer Benachrichtigung in Bezug auf die korrigierende Lösungsempfehlung für das zweite mehrdeutige Segment; und Senden der Benachrichtigung an ein Client-Gerät.
Verfahren nach Anspruch 1, wobei das erste mehrdeutige Segment eine vermutete Ausfallzeit der mindestens einen Industriemaschine anzeigt.
Verfahren nach Anspruch 1, wobei das Bestimmen, dass die Ähnlichkeit den vorgegebenen Schwellenwert überschritten hat, unter Verwendung von mindestens einem der folgenden erfolgt: einem maschinellen Lernverfahren, einem Deep-Learning-Modell, einem statistischen Ansatz und einer Ähnlichkeitsfunktion.
Verfahren nach Anspruch 1, ferner aufweisend: Senden einer ersten Abfrage an ein Client-Gerät in Bezug auf das erste mehrdeutige Segment, um festzustellen, ob eine erkannte Ausfallzeit aufgetreten ist; und Bestimmen, ob eine Ausfallzeit aufgetreten ist, basierend auf einer Antwort auf die erste Abfrage.
Verfahren nach Anspruch 5, ferner aufweisend: Aktualisieren des Maschinenlernalgorithmus, wenn festgestellt wird, dass keine Ausfallzeit aufgetreten ist.
Verfahren nach Anspruch 5, ferner aufweisend: Senden einer zweiten Abfrage an ein Client-Gerät, um festzustellen, ob ein Zeitrahmen der Ausfallzeit korrekt ist, wenn festgestellt wird, dass eine Ausfallzeit aufgetreten ist; und Bestimmen, ob der Zeitrahmen der Ausfallzeit korrekt ist, basierend auf einer Antwort auf die zweite Abfrage.
Verfahren nach Anspruch 7, ferner aufweisend: Aktualisieren des Maschinenlernalgorithmus, wenn festgestellt wird, dass der Zeitrahmen für die Ausfallzeit korrekt ist.
Verfahren nach Anspruch 7, ferner aufweisend: Senden einer dritten Abfrage an ein Client-Gerät, um einen aktualisierten Zeitrahmen der Ausfallzeit zu bestimmen, wenn festgestellt wird, dass dieser Zeitrahmen der Ausfallzeit nicht korrekt ist; und Aktualisieren des Maschinenlernalgorithmus mit dem aktualisierten Zeitrahmen.
Nicht-transitorisches computerlesbares Medium, auf dem Befehle gespeichert sind, um eine Verarbeitungsschaltung zu veranlassen, ein Verfahren durchzuführen, wobei das Verfahren aufweist: - Überwachen mindestens eines Industriemaschinenverhaltensmodells wenigstens einer Industriemaschine; - Ermitteln mindestens eines ersten mehrdeutigen Segments des mindestens einen Industriemaschinenverhaltensmodells, das einen ersten Satz von Merkmalen aufweist, und Ermitteln einer korrigierenden Lösungsempfehlung, die mit dem ersten mehrdeutigen Segment verbunden ist; - Ermitteln mindestens eines zweiten mehrdeutigen Segments des mindestens einen Industriemaschinenverhaltensmodells, das einen zweiten Satz von Merkmalen aufweist; - Bestimmen, ob eine Ähnlichkeit zwischen dem ersten Satz von Merkmalen und dem zweiten Satz von Merkmalen einen vorgegebenen Schwellenwert überschreitet; und - Aktualisieren eines Maschinenlernalgorithmus des mindestens einen Industriemaschinenverhaltensmodells, um die korrigierende Lösungsempfehlung dem zweiten mehrdeutigen Segment zuzuordnen, wenn festgestellt wird, dass die Ähnlichkeit den vorgegebenen Schwellenwert überschritten hat.
System zur Optimierung von Maschinenlernalgorithmen zur Überwachung des Betriebs von Industriemaschinen, aufweisend: - eine Verarbeitungsschaltung; und - einen Speicher, wobei der Speicher Anweisungen enthält, die, wenn sie von der Verarbeitungsschaltung ausgeführt werden, das System einrichten: - mindestens ein Industriemaschinenverhaltensmodell von mindestens einer industriellen Maschine zu überwachen; - mindestens ein erstes mehrdeutiges Segment des mindestens einen Industriemaschinenverhaltensmodells zu ermitteln, das einen ersten Satz von Merkmalen aufweist, und eine korrigierende Lösungsempfehlung zu ermitteln, die mit dem ersten mehrdeutigen Segment verbunden ist; - mindestens ein zweites mehrdeutiges Segment des mindestens einen Industriemaschinenverhaltensmodells zu ermitteln, das einen zweiten Satz von Merkmalen aufweist; - zu bestimmen, ob eine Ähnlichkeit zwischen dem ersten Satz von Merkmalen und dem zweiten Satz von Merkmalen einen vorgegebenen Schwellenwert überschreitet; und - einen Maschinenlernalgorithmus des mindestens einen Industriemaschinenverhaltensmodells zu aktualisieren, um die korrigierende Lösungsempfehlung dem zweiten mehrdeutigen Segment zuzuordnen, wenn festgestellt wird, dass die Ähnlichkeit den vorgegebenen Schwellenwert überschritten hat.
System nach Anspruch 11, wobei das System weiterhin eingerichtet ist: eine Benachrichtigung in Bezug auf die korrigierende Lösungsempfehlung für das zweite mehrdeutige Segment zu erzeugen; und die Benachrichtigung an ein Client-Gerät zu senden.
System nach Anspruch 11, wobei das erste mehrdeutige Segment eine vermutete Ausfallzeit der mindestens einen Industriemaschine anzeigt.
System nach Anspruch 11, wobei das Bestimmen, dass die Ähnlichkeit den vorgegebenen Schwellenwert überschritten hat, unter Verwendung von mindestens einem der folgenden erfolgt: einem Maschinenlernverfahren, einem Deep-Learning-Modell, einem statistischen Ansatz und einer Ähnlichkeitsfunktion.
System nach Anspruch 11, wobei das System weiterhin eingerichtet ist: eine erste Abfrage an ein Client-Gerät in Bezug auf das erste mehrdeutige Segment zu senden, um festzustellen, ob eine erkannte Ausfallzeit aufgetreten ist; und basierend auf einer Antwort auf die erste Abfrage zu bestimmen, ob eine Ausfallzeit aufgetreten ist.
System nach Anspruch 15, wobei das System weiterhin eingerichtet ist: den Maschinenlernalgorithmus zu aktualisieren, wenn festgestellt wird, dass keine Ausfallzeit aufgetreten ist.
System nach Anspruch 15, wobei das System weiterhin eingerichtet ist: eine zweite Abfrage an ein Client-Gerät zu senden, um festzustellen, ob ein Zeitrahmen der Ausfallzeit korrekt ist, wenn festgestellt wird, dass eine Ausfallzeit aufgetreten ist; und zu bestimmen, ob der Zeitrahmen für die Ausfallzeit korrekt ist, basierend auf einer Antwort auf die zweite Abfrage.
System nach Anspruch 17, wobei das System weiterhin eingerichtet ist: den Maschinenlernalgorithmus zu aktualisieren, wenn festgestellt wird, dass der Zeitrahmen für die Ausfallzeit korrekt ist.
System nach Anspruch 17, wobei das System weiterhin eingerichtet ist: eine dritte Abfrage an ein Client-Gerät zu senden, um einen aktualisierten Zeitrahmen der Ausfallzeit zu bestimmen, wenn festgestellt wird, dass dieser Zeitrahmen der Ausfallzeit nicht korrekt ist; und den Maschinenlernalgorithmus mit dem aktualisierten Zeitrahmen zu aktualisieren.