JP2020205046A

JP2020205046A - 産業機器モータ挙動を予測するためのシステムおよび方法

Info

Publication number: JP2020205046A
Application number: JP2020099426A
Authority: JP
Inventors: ジャンヤンドン; Yandong Zhang; カーンヤサー; Khan Yasser
Original assignee: One Tech Inc
Current assignee: One Tech Inc
Priority date: 2019-06-14
Filing date: 2020-06-08
Publication date: 2020-12-24
Anticipated expiration: 2040-06-08
Also published as: US20200393818A1; JP7492865B2

Abstract

【課題】人口知能を利用して機械学習モデルを訓練し、モータ故障を予測するためのコンピュータ実装方法およびシステムを提供する。【解決手段】システムは、機械のパフォーマンス指標データを格納するように構成された少なくとも１つのデータベースを有する。少なくとも１つのサーバは、指標データを受け取って、モータ故障を予測するためにプロセッサによって使用される機械学習モデルを訓練するように構成される。モータ故障を予測するための方法は反復性であって、機械学習モデルが、機械パフォーマンスの結果のリアルタイムでの予測においてより熟練することを可能にする。【選択図】図２

Description

機械を駆動するモータは多くの機械の中核を形成する。これは、単一のモータまたは合同して機能して機械を駆動する複数のモータであり得る。モータのうち１つ以上が故障した場合、モータが駆動している機械も故障することになる。しかしながら、モータが突然故障することは頻繁にはない。多くの場合、モータの故障に先立って兆候がある。これらの兆候を監視することで、モータが何時故障しそうかの予測を可能にし、また、実際の故障の前にモータの修理または交換等の修正処置を可能にする。したがって、モータ（または複数のモータ）が駆動している機械の破滅的な故障が防止され得る。

複雑な現代の機械では、いずれの１つの個々の機械にも多数のモータが存在する。さらに、技術的に洗練された半導体製造設備などの現代の産業環境において、それぞれ多数のモータを含み得る複数の機械が存在する。これらのモータは大型モータまたは小型モータであり得る。モータ故障が起こりそうかを予測するために、各モータのモータ故障に先立つ兆候を監視してもよい。モータ故障を示唆し得る兆候を監視するためにデバイスや方法が展開されてきたが、これらのデバイスおよび技術は、正確な予測を生成するために非常に有効というわけではなかった。正確な予測は、複数の理由から重要である。第１の理由は、モータが実際に故障する前にモータ故障が予測されていなかった場合、モータの故障は、モータが駆動する機械の故障につながり得る。しかしながら、モータ故障の不正確な予測に関する逆の問題は、残存作動寿命がかなりあるモータが時期早尚に交換されて、無駄と維持コストの増加につながるということである。モータの実際の動作環境内でのモータ維持において、多くの場合、そのモータ故障が本当に差し迫ったものであることを確認するためにモータを全面的に分解する能力はない。そのため、モータ故障を監視し予測するために適用されるより正確なシステムおよび方法が必要とされる。

機械学習は非常に重要になってきた。当技術分野の専門家によって、機械学習は一般に、コンピュータに人間が行うように学習させ行動させるとともに、観察および実世界インタラクションの形式でデータおよび情報を供給することによって、自律的な態様でコンピュータの学習を経時的に改善する科学として定義される。別の理解では、機械学習の目標は、コンピュータに、ルールベースのプログラミング（すなわち、予めプログラムされた特定のセットの命令を実行する）のみに基づいてタスクを実行させるというよりも、データの解釈に基づいて独自に新たなアルゴリズムを生成させることである。自身が収集したデータに基づいて新たなアルゴリズムを生成するモノのインターネット（ＩｏＴ）ネットワークにおいて分散方式で接続された多数のコンピュータ、特に、低電力、低エネルギー装置を有することには種々の利点がある。

より具体的には、ＩｏＴにおいて、機械学習は既に、多数の低電力、低エネルギー装置を訓練するためにうまくデプロイされてきた。ＩｏＴにおける主要機械学習モデルは、１つのサーバデバイスと複数のエッジデバイスをフィーチャするＩｏＴネットワークにデプロイするモデルである。一般に、サーバデバイスは高電力、高計算処理能力デバイスであり、それに対しエッジデバイスはサーバと比べて低電力、計算処理能力を備えた低エネルギーデバイスである。機械学習アルゴリズムはサーバデバイス上でデプロイされ、サーバデバイスで、機械学習モデルはデータの摂取と処理によって訓練される。サーバ側で機械学習モデルの訓練が完了すると、モデルがエッジデバイスにデプロイされる。エッジデバイスに機械学習モデルがデプロイされた後では、エッジデバイスが豊富な量のデータを収集し続けたとしてもエッジデバイスにおける機械学習モデル自体にそれ以上の変更はなされない。これは、訓練−固定−デプロイモデルとして一般に知られている。

産業用モータの故障予測で使用するＩｏＴに機械学習の訓練−固定−デプロイモデルを適用するにあたり出現した数多くの課題がある。産業用モータの故障予測用のＩｏＴでは、ＩｏＴは、潜在的モータ故障の兆候を提供する大型産業機器または産業機器のネットワーク内の種々のロケーションに取り付けられた低電力、低エネルギーデバイスの大型ネットワークとしてデプロイされる。ＩｏＴエッジデバイスは、産業機器の多数のポイントに配置されて、産業機器のこれらのポイント内で監視とインタラクションを行って、これらのポイントが設計通りに機能しているかどうか、また、モータが差し迫った故障を経験するかを検出する。このアプリケーションでは、より基本的なＩｏＴネットワークにはないいくつかの新たな課題が存在し得る。第１に、デプロイ前に、正確な故障予測モデルが生成され訓練され得るように産業機器のオペレーティングデータを得るのは非常に費用が嵩む。第２に、産業機器内の各モータ間のばらつきが非常に大きくなり得る。これらのばらつきは、訓練用に履歴データのみを用いる機械学習モデルでは見込まれていない。第３に、産業機器または産業機器ネットワークの動作環境は、１つの時点と別の時点では大きな変動を経験し得る。したがって、多くの産業用モータは、訓練−固定−デプロイアプローチにはあまり適しておらず、よりインテリジェントなシステムが必要とされる。

上記の理由から、機械学習を用いたモータ故障予測のためのシステムおよび方法へのニーズがある。本明細書に開示のシステムおよび方法は、機械故障予測で遭遇される課題を解決する。

本開示は、モータ故障を予測することを対象とするコンピュータ実装方法およびシステムに関する。このシステムおよび方法は、人口知能を用いて機械学習モデルを訓練して、機械内の故障メカニズムを予測する。システムは、パフォーマンス指標データを用いて、サーバを用いて機械学習モデルを訓練して機械の故障を予測してもよい。システムは、訓練された機械学習モデルをワンボードコンピュータ（プロセッサに）にデプロイしてもよく、そこで、モデルは、オペレーションデータを用いてモータ故障を予測する。モデルは、オペレーションデータを用いてさらに訓練され得るものであり、それらの進化的訓練の結果としてそれらの機械の故障予測方法を改善し続ける。

本開示の一実施形態は、機械の故障予測のためのシステムを対象とする。システムは、指標データを受け取り、指標データを配置し、指標データを格納するオペレーションを実行するように構成された少なくとも１つのデータベースを含み得る。システムはさらに、少なくとも１つのデータベースから指標データを受け取り、指標データを用いて複数の機械学習モデルを訓練するオペレーションを実行するように構成された少なくとも１つのサーバを含み得る。システムはさらに、モータからオペレーションデータを受け取るように構成された少なくとも１つのセンサを含んでよく、オペレーションデータをメモリモジュールに格納してもよい。システムはさらに、メモリモジュールからオペレーションデータを受け取り、装置故障の可能性を予測するように構成された複数の機械学習モデルを受け取り、オペレーションデータを用いて複数の機械学習モデルを実行するためのオペレーションを実行するように構成された少なくとも１つのプロセッサを備えてよい。

この実施形態では、複数の機械学習モデルはさらに、進化的機械学習モデルを用いて訓練され得るものであり、プロセッサは、メモリモジュールからオペレーションデータを受け取り、オペレーションデータを用いて複数の機械学習モデルを訓練するオペレーションを実行するように構成されている。オペレーションデータは所定期間にわたり収集されてよく、所定期間は少なくとも一ヶ月である。訓練のための指標データは、スタンドアローンデータまたは工場データ、クラウドデータまたは、スタンドアローンデータと組み合わせた工場データのハイブリッドから供給されてよい。オペレーションデータは、温度データ、電圧データ、電流データまたは振動データのいずれかであってよい。スタンドアローンデータは少なくとも一ヶ月間現場のモータから収集された実指標データであり得る。プロセッサはＰＣに無線接続されていてよく、ＰＣはアプリケーションを使用してオペレーションデータと故障予測を監視してよい。プロセッサはさらに、スマートフォンに無線接続されていてもよく、スマートフォンはアプリケーションを用いて指標データと故障予測を監視してよい。プロセッサはさらに緊急アラート信号を生成するように構成されてもよく、緊急アラート信号は、機械の故障の確率が８０％を超えた場合に起動される。

本開示の別の実施形態は、モータの指標データ値を予測するコンピュータ実装方法を対象とする。方法は、データ収集期間を定義し、データ収集期間の初期期間をゼロと定義し、定義された初期期間の入力ベクトルを初期化し、格納された指標データを、定義された初期期間の初期値として挿入し、現在時間での指標データ値を予測し、予測指標データ値を出力し、現在時間での入力ベクトルを呼び出し、入力ベクトルを機械学習モデルに入力し、現在時間に先行する少なくとも１つの単位タイムスタンプの指標データ値を予測することを含み得る。指標データ値がモータの温度であるこの方法において、方法は、モータの温度値の範囲である指標データ値の範囲をもたらすために繰り返されてよい。

本開示の別の実施形態は、モータの挙動を予測するコンピュータ実装方法を対象とする。方法は、正しい入力値のパーセンテージを計算し、不正確であるパーセントに対応するいくつかの入力値をランダムに除去し、残った入力データ値から平均二乗予測誤差を計算し、複数の単一予測機械学習モデルそれぞれの重みを計算し、入力値の上限と下限を決定し、各単一機械学習モデルのカウンタ値を計算し、各単一機械予測学習の重みを更新し、正規確率を計算し、入力値の上限と下限を更新し、入力値の上限と下限に基づいて正規確率を更新し、モータのオペレーションアウトカムの確率を計算するステップを含む複数の予測機械学習モデルを使用することを含み得る。

この方法において、重みは、複数の予測機械学習モデル全体に対する各単一予測機械学習モデルの加重平均貢献である。各単一予測機械学習モデルの重みは、各タイムスタンプ期間毎に更新されてよい。この方法は、熱暴走を予測し、温度範囲予測の範囲を生成するために用いられてよく、熱暴走が予測される場合、コンピュータは緊急アラート信号を生成してよい。

本発明の新規の特徴および構造ならびにその付加的な目的は、添付図面に関連する以下の説明を読めばより完全に理解されよう。

本開示のこれらおよび他の特徴、態様および利点は、以下の説明、添付の特許請求の範囲および添付図面に関してより良く理解されよう。
モータ故障予測のための従来技術の訓練−固定−デプロイ機械学習モデルを示すブロック図である。図１Ａのモータ故障予測のための機械学習モデルの従来技術の訓練−固定−デプロイ機械学習モデルを示すフローチャートである。機械学習を用いたモータ故障予測のためのシステムおよび方法の一実施形態を示すブロック図である。図２のモータ故障予測のためのシステムで使用される進化的機械学習モデルを示すフローチャートである。収集された指標データの配置と格納を示す表である。単一予測機械学習モデルの温度予測アルゴリズムを示すフローチャートである。複数の予測機械学習モデルを用いる温度予測を示す図である。データシャッフルによって複数の予測機械学習モデルを進化させるアルゴリズムを示すフローチャートである。

図１Ａは、モータ故障予測のための従来技術の訓練−固定−デプロイ機械学習モデルを示すブロック図である。モータ故障予測を予測するためのモデルで使用され得る指標データ１０３が収集される。これらの指標データセットは、モータ故障予測の機械学習モデルが展開されるモータタイプの動作中に履歴データから収集される。一例では、指標データ１０３は、モータの内部温度（ＩＤ１）、モータの電圧（ＩＤ２）およびモータの振動（ＩＤ３）である。収集された指標データ１０３はデータベース１０２に格納される。指標データはデータ１０６として格納される。データ１０６のアグリゲーションが完了すると、データ１０６はサーバ１０４に転送される。サーバ１０４はデータ１０６を使用して機械学習モデル１０８（Ｍ１，Ｍ２．．．Ｍｎ）を訓練する。機械学習モデルは、異なる故障タイプについての次のＴ日での装置故障の可能性を予測する故障予測のために設計されている。

機械学習モデル１０８をホストする、単一の主回路基板上に構築されたコンピュータとしても知られるワンボードコンピュータ１１０がモータ１１２に接続されている。ワンボードコンピュータ１１０は、種々のセンサ（図示せず）を搭載している。センサは接続１１４を介してモータ１１２に接続されている。機械学習モデル１０８の訓練が完了すると、機械学習モデル１０８はワンボードコンピュータ１１０にデプロイされる。ワンボードコンピュータ１１０は、搭載センサが接続１１４を介してモータ１１２の動作のデータを受け取ると、デプロイされた機械学習モデル１０８を実行させ始める。機械学習モデル１０８は、モータ１１２からのデータを読み取ると、モータ１１２が故障するかどうかに関するリアルタイムの予測を生成し始める。モータ１１２からそれ以上のデータを受け取っても、機械学習モデル１０８は変わらない状態を保つ。

図１Ｂは、図１Ａのモータ故障予測のための従来技術の訓練−固定−デプロイ機械学習モデルを示すフローチャートである。訓練−固定−デプロイ機械学習モデルにおいて、ステップＳ１１２０で、データは先ず収集されてデータベース１０２に格納される。これにステップＳ２１２２が続き、そこでデータは、サーバ１０４内で機械学習モデル１０８を訓練するために使用される。機械学習モデル１０８は、サーバ１０４内での訓練後に固定される。ステップＳ３１２４で、モデルがワンボードコンピュータ１１０にデプロイされる。ステップＳ４１２６で、ワンボードコンピュータ１１０はデプロイされた機械学習モデルを動作させ始め、モータ１１２の故障の確率を予測する。

図２は、機械学習を用いたモータ故障予測のためのシステムおよび方法の一実施形態を示すブロック図である。指標データ２０３は、モータ故障予測を予測するためのモデル内で使用され得る。一例では、指標データ２０３は、モータの内部温度（ＩＤ１）、モータの電圧（ＩＤ２）およびモータの振動（ＩＤ３）であってよい。収集された指標データ２０３はデータベース２０２に配置され格納されてよい。指標データはデータ２０６として格納される。データ２０６のアグリゲーションが完了すると、データ２０６はサーバ２０４に転送されてよい。サーバ２０４はデータ２０６を使用して機械学習モデル２０８（Ｍ１，Ｍ２．．．Ｍｎ）を訓練してよい。機械学習モデルは、装置故障の可能性を予測するために設計され得る。

機械学習モデル２０８をホストするワンボードコンピュータ２１０がモータ２１２に接続されている。ワンボードコンピュータ２１０は、種々のセンサ２１３を搭載していてよい。センサは接続２１４を介してモータ２１２に接続されていてよい。デプロイの前に、機械学習モデル２０８の初期セットがサーバ２０４で訓練されてよい。初期機械学習モデル２０８の訓練が完了すると、機械学習モデル２０８はワンボードコンピュータ２１０にデプロイされてよい。ワンボードコンピュータ２１０は、機械学習モデル２０８がデプロイされるプロセッサ２１６を有してよい。プロセッサ２１６は、搭載センサ２１３が接続２１４を介してモータ２１２の動作のデータを受け取ると、デプロイされた機械学習モデル２０８を実行させ始める。機械学習モデル２０８は、モータ２１２からのデータを機械学習モデル２０８内で実行して、モータ２１２が故障するかどうかに関するリアルタイムの予測を生成してもよい。

ワンボードコンピュータは、種々のセンサ２１３を搭載していてよい。異なるセンサ２１３がワンボードコンピュータ２１０に搭載されてよい。周囲温度センサ２１３ａがワンボードコンピュータ２１０上に搭載されていてよい。内部空気温度センサ２１３ｂは、モータ２１２内の内部空気温度を測定するためにモータ２１２に延出する長尺のワイヤを備えたサーミスタであってよい。温度センサ２１３ｂは、ワンボードコンピュータ２１０からモータ２１２の内側チャンバへと延在する長尺のワイヤを有してよい。ホール電流センサ２１３ｃがワンボードコンピュータ２１０上に搭載されてよい。使用され得るホール電流センサの一例はＡＣＳ１７８２である。電圧センサ２１３ｄがワンボードコンピュータ２１０上に搭載されていてよい。使用され得る電圧センサの一例はＴＰＳ３８０５Ｈ３３である。振動センサ２１３ｅがワンボードコンピュータ２１０上に搭載されていてよい。湿度センサ２１３ｆがワンボードコンピュータ２１０上に搭載されていてよい。使用され得る湿度センサの一例はＨＤＣ１０８０である。

センサ２１３はモータ２１２からのデータを経時的に測定し、そのデータを、ワンボードコンピュータ２１０上に搭載されたメモリモジュール２１５に格納する。周囲温度センサ２１３ａは周囲温度を測定する。内部空気温度センサ２１３ｂは、空気が存在するモータ２１２の内部区画内の内部空気温度を測定する。ホール電流センサ２０３ｃは、モータ２１２に流入する電流を測定する。電圧センサ２１３ｄは、モータ２１２への電気接続の電圧を測定する。振動センサ２１３ｅは、モータ２１２の本体の振動を測定する。湿度センサ２１３ｆは、モータ２１２の湿度を測定する。

ワンボードコンピュータ２１０はＰＣ２１８に接続されてもよい。ワンボードコンピュータ２１０からＰＣ２１８への接続は、内蔵無線アンテナを備えた無線モジュール（図示せず）によって可能となる無線接続である可能性が高い。ワンボードコンピュータ２１０は、さらにスマートフォン２２０または、タブレットコンピュータなどの類似したモバイルコンピューティングデバイスに接続されていてもよい。ワンボードコンピュータ２１０は、ＰＣ２１８およびスマートフォン２２０にそのモータ故障予測の結果を転送して、ＰＣ２１８またはスマートフォン２２０上で結果が閲覧できるようにしてもよい。より具体的には、ＰＣ２１８およびスマートフォン２２０は、モータ故障予測の結果を少なくともレビューして分析する機能性を有するアプリケーションを実行してもよい。

一般に「アプリ」として知られるソフトウェアアプリケーションは、スマートフォン２２０上で実行されてもよい。ソフトウェアアプリケーションは、センサ２１３によって測定されたデータを表示することができてよい。ソフトウェアアプリケーションは、センサ２１３によって測定されたデータをグラフィック形式ならびに数値形式で表示できるグラフィカルユーザインターフェース（ＧＵＩ）を有してよい。ソフトウェアアプリケーションは、ユーザに機械学習モデルの出力（例えば熱故障確率）を種々のグラフィックおよび数値フォーマットで表示できてもよい。最低でも、ソフトウェアアプリケーションはサーバ２０４内のデータベースにクエリーしてもよい。ソフトウェアアプリケーションはメッセージおよびアラートを、スマートフォンの２２０インターフェースを介して生成して、アプリケーション自体内で表示され得る任意の情報を表示することができてもよい。アラートメッセージは、温度故障確率が８０％を超える場合に生成されポップアップされてよい。

図３は、図２のモータ故障予測のためのシステムで使用され得る進化的機械学習モデルを示すフローチャートである。機械学習モデル２０８がワンボードコンピュータ２１０にデプロイされた後で、ワンボードコンピュータ２１０は自己進化アルゴリズムを用いて、収集されワンボードコンピュータ２１０に格納されたデータを使用して機械学習モデル２０８をさらに訓練してもよい。

ステップＳ１３０２で、初期機械学習モデル２０８を訓練するために使用される元データのソースが選択され得る。初期機械学習モデル２０８を訓練するためのデータの３つのあり得るタイプは、工場データ３１４、クラウドデータ３１６およびスタンドアローンデータ３１８であり得る。工場データ３１４は、機械学習モデル２０８がモータ故障を予測するものと類似した工場で稼働しているモータタイプの指標データ２０３であり得る。工場データ３１４は、モータ故障予測が適用されたモータがどのように挙動するかの概算を可能にする。工場データ３１４は、単一の新品のモータを用いて一ヶ月間収集され得る。クラウドデータ３１６は、モータ２１２と類似したモータタイプのための指標データであるクラウド上で利用可能なデータであり得る。クラウドデータ３１６は、モータが稼働している実際の工場またはオペレーションセッティングからのものではない。クラウドデータ３１６はさらに、モータがどのように挙動するかの概算を可能にしてもよい。スタンドアローンデータ３１８は、モータ故障予測が適用されるモータ２１２から収集された実指標データであってよい。

単一の新品のモータを一ヶ月間使用することが可能でない場合、工場データ３１４は、動作中のモータ（新品のモータも含めて）のオペレーションデータを用いることによって収集されてもよい。そのデータは、「通常モード」と見なされるべきであり、それは、スタックされて予測機械学習モデルを訓練するために使用され得る。これは、工場データ３１４をスタンドアローン日付３１８と組み合わせることによる指標データのハイブリッド供給を生成する方法である。

ステップＳ２３０４で、選択された指標データのセットが、サーバ２０４内で機械学習モデル２０８を訓練するために使用され得る。ステップＳ３３０６で、機械学習モデル２０８がワンボードコンピュータ２１０にデプロイされてよい。ステップＳ４３０８で、ワンボードコンピュータ２１０は、デプロイされた機械学習モデルを実行させ始め、モータ２１２の故障の確率を予測する。ステップＳ５３１０で、ワンボードコンピュータ２１０は、搭載された種々のセンサ２１３を用いて付加的な指標データを収集してもよい。これは、動作中の訓練ステップとして知られる。付加的なデータは、一ヶ月間等の所定期間にわたり収集され得る。ステップＳ６３２０で、ワンボードコンピュータ２１０は、ワンボードコンピュータ２１０にデプロイされた機械学習モデルを進化させてよい。進化した機械学習モデルはサーバ２０４に３１２で転送されて戻されてよい。サーバ２０４は次に、新たな機械学習モデルを再訓練し始め、工程は新規に開始する。

図４は、収集された指標データの配置と格納を示す表である。指標データ２０３は、単一予測機械学習モデルを訓練するために訓練データセットに形成されてよい。一例では、訓練データセットは、電流、電圧、周囲温度および内部空気温度の４つの変数のための指標データ２０３であってよい。訓練データセットは、配置されると、二次元の表４００として視覚化され得る。単一予測機械学習モデルは、指標データ２０３の収集の期間を定義してよい。この例において、期間は５分と定義される。最終結果は、表の一行に１２０１の実数があり、最終番号はＸ＿ｌａｂｅｌであり、最初の１２００の数は、モータの状態ベクトルである指標データ２０３である。本例において、データ収集期間は５分に設定され、データポイントは毎秒収集される。毎分６０秒であるため、５分の期間にわたり、全部で３００エントリが収集される。毎秒、電流、電圧、周囲温度および内部空気温度の４つの変数に関してデータポイントが収集される。その結果、この例において、５分間の期間で３００データポイントがある場合、データポイントが収集されなければならない４つの変数（電流、電圧、周囲温度および内部空気温度）があるため、全部で１２００データポイントが収集される。１２００データポイントは入力ベクトルとして格納される。入力ベクトルは、単一予測機械学習モデルへの入力として働く。

図５は、単一予測機械学習モデル（Ｍ１）２０８の温度予測アルゴリズムを示すフローチャートである。単一予測機械学習モデル（Ｍ１）２０８は、モータの温度の予測を可能にしてよい。総体的機械学習モデルの基盤として、単一予測機械学習モデル（Ｍ１）２０８は、温度を正確に予測するために経時的に学習することができる。ステップＳ１５０２で、単一予測機械学習モデル（Ｍ１）２０８はデータ収集期間を定義する。ステップＳ２５０４で、単一予測機械学習モデル（Ｍ１）２０８は、定義された初期期間の入力ベクトルをゼロに初期化する。ステップＳ３５０６で、単一予測機械学習モデル（Ｍ１）２０８は、格納された指標値２０３を定義された初期期間の初期値として挿入する。ステップＳ４５０８で、単一予測機械学習モデル（Ｍ１）２０８は、現在時間でのモータ温度を予測してその温度値を出力する。ステップＳ５５１０で、単一予測機械学習モデル（Ｍ１）２０８は現在時間での入力ベクトルを呼び出す。ステップＳ６５１２で、単一予測機械学習モデル（Ｍ１）２０８は呼び出された入力ベクトルを入力する。ステップＳ７５１４で、単一予測機械学習モデル（Ｍ１）２０８は少なくとも１つの先行単位タイムスタンプのモータ温度を予測する。

単一予測機械学習モデルは出力データを生成してよい。この例では、出力は、（現時点の）次の秒のモータ内部温度の予測である。

現行の例を用いて、温度予測アルゴリズムのステップを説明する。ステップＳ１５０２で、データ収集期間が定義される。データ収集期間はこの例において５分（３００秒）と定義される。次のステップＳ２５０４で、タイムスタンプ１〜２９９の入力ベクトルがゼロベクトルとして初期化される：
Ｉｎｐｕｔ（１）＝Ｉｎｐｕｔ（２）＝．．＝．．．．．．．＝Ｉｎｐｕｔ（２９９）＝ｚｅｒｏｖｅｃｔｏｒｓ

データの収集がデータ収集期間にわたって進展するにつれ、各タイムスタンプでの入力ベクトルはモータ故障を予測するための変数を含み、この例においてそれらは、指標値２０３として格納されているタイムスタンプ前の全データポイントの電流、電圧、モータ周囲温度およびモータ内部温度である。ステップＳ３５０６で、格納されている指標値２０３が入力ベクトルに初期値として挿入される。すると、タイムスタンプｋでの入力ベクトル３００は、以下となる：
Ｉｎｐｕｔ（３００）＝［Ｉ（１），V（１），Ｔｅｍｐ１（１），Ｔｅｍｐ２（１），Ｉ（２），V（２），Ｔｅｍｐ１（２），Ｔｅｍｐ２（２），．．．．．．．I（３００），Ｖ（３００），Ｔｅｍｐ１（３００），Ｔｅｍｐ２（３００）］

一般に、タイムスタンプｋが３００以上である場合、入力ベクトルは：
Ｉｎｐｕｔ（ｋ）＝［Ｉ（ｋ−２９９），V（ｋ−２９９），Ｔｅｍｐ１（ｋ−２９９），Ｔｅｍｐ２（ｋ−２９９），I（ｋ−２９８），V（ｋ−２９８），Ｔｅｍｐ１（ｋ−２９８）．．．．．．．，Ｉ（ｋ），Ｖ（ｋ），Ｔｅｍｐ１（ｋ），Ｔｅｍｐ２（ｋ）］

ステップＳ４５０８で、単一予測機械学習モデル（Ｍ１）２０８は、現在時間でのモータ温度を予測して、その温度値を出力する。タイムスタンプｋでの出力ベクトルは、タイムスタンプｋでの予測モータ温度（ｐｒｅｄｉｃｔｅｄｍｏｔｏｒｔｅｍｐｅｒａｔｕｒｅ）である：
Ｏｕｔｐｕｔ（ｋ）＝［ｐｒｅｄｉｃｔｅｄｍｏｔｏｒｔｅｍｐｅｒａｔｕｒｅ（ｋ）］

次に、ステップＳ５５１０で、単一予測機械学習モデル（Ｍ１）２０８は入力ベクトルを呼び出す。この後、ステップＳ６５１２で、入力ベクトルが単一予測機械学習モデル（Ｍ１）２０８に入力される。それは本質的に以下の関数を演算する：
Ｏｕｔｐｕｔ（ｋ＋１）＝Ｍ１（Ｉｎｐｕｔ（ｋ））

ステップＳ７５１４で、単一予測機械学習モデル（Ｍ１）２０８は、現在時間のスタンプに先行する単位タイムスタンプのモータ温度を予測する。現行の例では、タイムスタンプｋ＋１での出力ベクトルは、モデルＭ１に適用されるタイムスタンプｋでの入力ベクトルである。タイムスタンプｋ＋１秒での予測モータ温度は、タイムスタンプ＝ｋ−２９９からタイムスタンプ＝ｋまでのデータから導出される。

図６は、複数の予測機械学習モデルを用いた温度予測を示す。前に説明したように、各タイムスタンプ＝ｋ＋１に関して、予測モータ温度は以前の状態ベクトルに基づいて計算される。各単一予測機械学習モデルの移動平均は予測誤差に基づいて計算される。各単一予測機械学習モデルに関するｋ＋１での予測誤差は、ｋ＋１での内部モータ温度と、（ｋ＋１）での出力ベクトルとの差である。初期データ収集期間について、予測＿誤差（ｋ）（ｐｒｅｄｉｃｔｉｏｎ＿ｅｒｒｏｒ（ｋ））もゼロ値として初期化される。
ｐｒｅｄｉｃｔｉｏｎ＿ｅｒｒｏｒ（ｋ＋１）＝Ｔｅｍｐ１（ｋ＋１）−Ｏｕｔｐｕｔ（ｋ＋１）；
ｅｒｒｏｒ＿ｍｖ（ｋ＋１）＝ｅｒｒｏｒ＿ｍｖ（ｋ）＊０．８＋０．２＊ｐｒｅｄｉｃｔｉｏｎ＿ｅｒｒｏｒ（ｋ）＊ｐｒｅｄｉｃｔｉｏｎ＿ｅｒｒｏｒ（ｋ）
ｅｒｒｏｒ＿ｍｖ（ｋ＋１）は、タイムスタンプがｋ＋１未満であるデータからの情報で導出される。
移動平均が計算された後で、３対の上限と下限が計算される。３対の限界値は、全ての出力値が属する正規分布６０２を描く。各限界値は、移動平均の平方根に出力値の限界値を掛けた値をそれぞれ加算および減算することによって計算される。１つの代表的な例では、第１の組の限界値である上限１６０４ａと下限１６０４ｂは、移動平均の平方根に出力値から１を掛けた値をそれぞれ加算および減算することによって計算される。第２の組の限界値である上限２６０６ａと下限２６０６ｂは、移動平均の平方根に、出力値から２を掛けた値をそれぞれ加算および減算することによって計算される。第３の組の限界値である上限３６０８ａと下限３６０８ｂは、移動平均の平方根に、出力値から３を掛けた値をそれぞれ加算および減算することによって計算される。各限界値は、タイムスタンプｋ＋１での温度の予測である。代表例では、限界値は、各限界についてそれぞれ１，２および３である。
Ｕｐｐｅｒ＿ｂｏｕｎｄ＿１（ｋ＋１）＝Ｏｕｔｐｕｔ（ｋ＋１）＋ｓｑｒｔ（ｅｒｒｏｒ＿ｍｖ（ｋ＋１））＊１
Ｌｏｗｅｒ＿ｂｏｕｎｄ＿１（ｋ＋１）＝Ｏｕｔｐｕｔ（ｋ＋１）−ｓｑｒｔ（ｅｒｒｏｒ＿ｍｖ（ｋ＋１））＊１
Ｕｐｐｅｒ＿ｂｏｕｎｄ＿２（ｋ＋１）＝Ｏｕｔｐｕｔ（ｋ＋１）＋ｓｑｒｔ（ｅｒｒｏｒ＿ｍｖ（ｋ＋１））＊２
Ｌｏｗｅｒ＿ｂｏｕｎｄ＿２（ｋ＋１）＝Ｏｕｔｐｕｔ（ｋ＋１）−ｓｑｒｔ（ｅｒｒｏｒ＿ｍｖ（ｋ＋１））＊２
Ｕｐｐｅｒ＿ｂｏｕｎｄ＿３（ｋ＋１）＝Ｏｕｔｐｕｔ（ｋ＋１）＋ｓｑｒｔ（ｅｒｒｏｒ＿ｍｖ（ｋ＋１））＊３
Ｌｏｗｅｒ＿ｂｏｕｎｄ＿３（ｋ＋１）＝Ｏｕｔｐｕｔ（ｋ＋１）−ｓｑｒｔ（ｅｒｒｏｒ＿ｍｖ（ｋ＋１））＊３

要約すると、毎秒、各単一予測機械学習モデルにつき、予測温度を計算するために履歴状態ベクトルデータの１ブロックが消費され得る。予測誤差が計算され得る。次に予測誤差を用いて移動平均が計算され得る。次に、移動平均を用いて、３対の温度限界が導出され得る。全部で、１つの単一予測機械学習モデルで、各秒につき以下の変数が計算される：
Ｏｕｔｐｕｔ（ｋ＋１），Ｌｏｗｅｒ＿ｂｏｕｎｄ＿１（ｋ＋１），Ｌｏｗｅｒ＿ｂｏｕｎｄ＿２（ｋ＋１），Ｌｏｗｅｒ＿ｂｏｕｎｄ＿３（ｋ＋１），Ｕｐｐｅｒ＿ｂｏｕｎｄ＿１（ｋ＋１），Ｕｐｐｅｒ＿ｂｏｕｎｄ＿２（ｋ＋１），Ｕｐｐｅｒ＿ｂｏｕｎｄ＿３（ｋ＋１）

上述のように、各モータに関して工場データ３１４を収集することが可能である場合、シングルボードコンピュータは、データを収集し、データを、状態ベクトル（周囲温度変数５０２ａ、モータ内部温度変数５０２ｂ、電流変数５０２ｃおよび電圧変数５０２ｄ）として格納して、データをサーバ２０４にアップロードしてよい。一例では、データ収集期間は一ヶ月であり得る。工場データ３１４を収集することが可能でない場合、スタンドアローンデータ３１８が現場から収集されてよい。スタンドアローンデータ３１８はワンボードコンピュータ２１０によって収集されて、サーバ２０４にアップロードされてもよい。工場データ３１４が、予測機械学習モデルを最初に訓練するために使用される場合、異なるモータからの全ての訓練データセットはスタックされて１つのモデルに消費されてよい。異なるモータからのデータセットをスタックして消費することによって、異なるモータ向けの均一なモデルが生成され得る。現場から収集されたスタンドアローンデータ３１８に基づいて予測機械学習モデルを訓練する場合、現場条件は非常に異なり得るため、各モータからの訓練データセットを別々に使用してよい。こうして、単一予測機械学習モデルは、異なるモータに関して異なり得る。

図７は、複数の機械学習モデルをデータシャッフルによって進化させるためのアルゴリズムを示すフローチャートである。ステップＳ１７０２で、正しいパーセンテージが決定される。正しいパーセンテージは、訓練データセットから正しい入力値を除去するために用いられる。除去される入力値はランダムに選択される。代表例では、正しいパーセンテージは８０%である。ステップＳ２７０４で、除去されない入力値を用いて平均二乗予測誤差（ＭＳＰＥ）が計算される。引き続き代表例では、除去されない入力値は入力値の２０%である。ステップＳ３７０６で、複数の予測機械学習モデルの一部としての各単一予測機械学習モデルの重みが計算される。重みは、複数の予測機械学習モデル全体に対する各単一予測機械学習モデルの加重平均貢献である。３つの単一予測機械学習モデルがある代表例では、重みは、重み１（ｗ１）、重み２（ｗ２）、重み３（ｗ３）として示される。各重みは、各単一予測機械学習モデルの逆ＭＳＰＥ値を、複数の予測機械学習モデルを構成する全ての単一予測機械学習モデルの逆ＭＳＰＥ値の和で割ることによって計算される。
ｔｏｔａｌｉｎｖｅｒｓｅＭＳＰＥ＝（１／ＭＳＰＥ１）＋（１／ＭＳＰＥ２）＋（１／ＭＳＰＥ３）
ｗｅｉｇｈｔ１＝（１／ＭＳＰＥ１）／ｔｏｔａｌｉｎｖｅｒｓｅＭＳＰＥ
ｗｅｉｇｈｔ２＝（１／ＭＳＰＥ２）／ｔｏｔａｌｉｎｖｅｒｓｅＭＳＰＥ
ｗｅｉｇｈｔ３＝（１／ＭＳＰＥ３）／ｔｏｔａｌｉｎｖｅｒｓｅＭＳＰＥ

複数の予測機械学習モデルを進化させるにあたり、各単一予測機械学習モデルの重みはタイムスタンプ期間毎に更新されてよい。これらのモデルは重みｗ１、ｗ２およびｗ３を有した。上述のように、各単一予測機械学習モデルは最初に、以下の限界を毎秒計算する。
Ｌｏｗｅｒ＿ｂｏｕｎｄ＿１（ｋ＋１），Ｌｏｗｅｒ＿ｂｏｕｎｄ＿２（ｋ＋１），Ｌｏｗｅｒ＿ｂｏｕｎｄ＿３（ｋ＋１），Ｕｐｐｅｒ＿ｂｏｕｎｄ＿１（ｋ＋１），Ｕｐｐｅｒ＿ｂｏｕｎｄ＿２（ｋ＋１），Ｕｐｐｅｒ＿ｂｏｕｎｄ＿３（ｋ＋１）

ステップＳ４７０８で、初期限界値と出力値が計算される。次に、それぞれ、３つの単一予測機械学習モデルの合計値である３つの総計値−ｔｏｔａｌ＿Ｌｏｗｅｒ＿ｂｏｕｎｄ、ｔｏｔａｌ＿Ｕｐｐｅｒ＿ｂｏｕｎｄおよびｔｏｔａｌ＿Ｏｕｔｐｕｔが計算される。各単一予測機械学習モデルの貢献は、以前に計算された重みによって定義される。ｔｏｔａｌ＿Ｌｏｗｅｒ＿ｂｏｕｎｄ、ｔｏｔａｌ＿Ｕｐｐｅｒ＿ｂｏｕｎｄ、ｔｏｔａｌ＿Ｏｕｔｐｕｔを計算するための方程式を以下に示す：
ｔｏｔａｌ＿Ｌｏｗｅｒ＿ｂｏｕｎｄ（ｋ＋１）＝ｗ１／（ｗ１＋ｗ２＋ｗ３）＊Ｍ１＿Ｌｏｗｅｒ＿ｂｏｕｎｄ＿３（ｋ＋１）＋ｗ２／（ｗ１＋ｗ２＋ｗ３）＊Ｍ２＿Ｌｏｗｅｒ＿ｂｏｕｎｄ＿３（ｋ＋１）＋ｗ３／（ｗ１＋ｗ２＋ｗ３）＊Ｍ３＿Ｌｏｗｅｒ＿ｂｏｕｎｄ＿１（ｋ＋１）

ｔｏｔａｌ＿Ｕｐｐｅｒ＿ｂｏｕｎｄ（ｋ＋１）＝ｗ１／（ｗ１＋ｗ２＋ｗ３）＊Ｍ１＿Ｕｐｐｅｒ＿ｂｏｕｎｄ＿３（ｋ＋１）＋ｗ２／（ｗ１＋ｗ２＋ｗ３）＊Ｍ２＿Ｕｐｐｅｒ＿ｂｏｕｎｄ＿３（ｋ＋１）＋ｗ３／（ｗ１＋ｗ２＋ｗ３）＊Ｍ３＿Ｕｐｐｅｒ＿ｂｏｕｎｄ＿１（ｋ＋１）

ｔｏｔａｌ＿Ｏｕｔｐｕｔ（ｋ＋１）＝ｗ１／（ｗ１＋ｗ２＋ｗ３）＊Ｍ１＿Ｏｕｔｐｕｔ（ｋ＋１）＋ｗ２／（ｗ１＋ｗ２＋ｗ３）＊Ｍ２＿Ｏｕｔｐｕｔ（ｋ＋１）＋ｗ３／（ｗ１＋ｗ２＋ｗ３）＊Ｍ３＿Ｏｕｔｐｕｔ（ｋ＋１）
ステップＳ５７１０で、限界値と出力値は、タイムスタンプ期間毎に更新される。

ステップＳ６７１２で、各単一機械学習モデルのカウンタが計算され得る。各単一予測機械学習モデルの重みはタイムスタンプ期間毎に更新されてよい。代表例では、重みは毎秒更新される。各単一予測機械学習モデルにつき１つのカウンタが維持される。カウンタの初期値はゼロに設定される。各単一予測機械学習モデルにつき、タイムスタンプ期間毎に、出力値が属する範囲が概算されてよい。引き続き、クラスタ化されて複数の予測機械学習モデルを形成し、各単一予測機械学習モデルがそれ自身のカウンタ（ｃ１、ｃ２およびｃ３）を有する３つの単一予測機械学習モデル（Ｍ１、Ｍ２およびＭ３）の例では、カウンタは、出力値が属する範囲の経過を追うために使用される。

タイムスタンプ期間毎に、測定された内部モータ温度が、［Ｍ１＿Ｌｏｗｅｒ＿ｂｏｕｎｄ＿２（ｋ＋１），Ｍ１＿Ｌｏｗｅｒ＿ｂｏｕｎｄ＿１（ｋ＋１）］の範囲内、または、［Ｍ１＿Ｕｐｐｅｒ＿ｂｏｕｎｄ＿２（ｋ＋１），Ｍ１＿Ｕｐｐｅｒ＿ｂｏｕｎｄ＿１（ｋ＋１）］の範囲内にある場合、ｃ１が１だけ増加する。測定された内部モータ温度が、［Ｍ２＿Ｌｏｗｅｒ＿ｂｏｕｎｄ＿２（ｋ＋１），Ｍ２＿Ｌｏｗｅｒ＿ｂｏｕｎｄ＿１（ｋ＋１）］の範囲内、または、［Ｍ２＿Ｕｐｐｅｒ＿ｂｏｕｎｄ＿２（ｋ＋１），Ｍ２＿Ｕｐｐｅｒ＿ｂｏｕｎｄ＿１（ｋ＋１）］の範囲内にある場合、ｃ２が１だけ増加する。測定された内部モータ温度が、［Ｍ３＿Ｌｏｗｅｒ＿ｂｏｕｎｄ＿２（ｋ＋１），Ｍ３＿Ｌｏｗｅｒ＿ｂｏｕｎｄ＿１（ｋ＋１）］の範囲内、または、［Ｍ３＿Ｕｐｐｅｒ＿ｂｏｕｎｄ＿２（ｋ＋１），Ｍ３＿Ｕｐｐｅｒ＿ｂｏｕｎｄ＿１（ｋ＋１）］の範囲内にある場合、ｃ３が１だけ増加する。

ステップＳ７７１４で、各単一予測機械学習モデルの重みが更新される。各タイムスタンプ期間の終わりに、重みが更新され得る。重みを更新するために、各カウンタの逆数の和であるｔｏｔａｌｉｎｖｅｒｓｅｃｏｕｎｔｅｒが計算され得る。次のタイムスタンプ期間における重みが、現タイムスタンプ期間内の重みに、カウンタ値の逆数値をｔｏｔａｌｉｎｖｅｒｓｅｃｏｕｎｔｅｒで割って１パーセントを掛けた値を加算することによって計算される。
ｔｏｔａｌｉｎｖｅｒｓｅｃｏｕｎｔｅｒ＝１／ｃ１＋１／ｃ２＋１／ｃ３
ｗ１（ｋ＋１）＝ｗ１（ｋ）＊０.９９＋（１／ｃ１／ｔｏｔａｌｉｎｖｅｒｓｅｃｏｕｎｔｅｒ）＊０．０１
ｗ２（ｋ＋１）＝ｗ２（ｋ）＊０.９９＋（１／ｃ２／ｔｏｔａｌｉｎｖｅｒｓｅｃｏｕｎｔｅｒ）＊０．０１
ｗ３（ｋ＋１）＝ｗ３（ｋ）＊０.９９＋（１／ｃ３／ｔｏｔａｌｉｎｖｅｒｓｅｃｏｕｎｔｅｒ）＊０．０１

図７は、熱暴走確率の形式での異常温度イベントの予測も示す。各単一予測機械学習モデルおよび各単一予測機械学習モデルの重みに関して以前に計算された上限３６０８ａと下限３６０８ｂを使用して、総合上限値および下方上限値が計算され得る。再び、複数の予測機械学習モデルとして形成された３つの単一予測機械学習モデルの代表例では、総計の総合上限値と下方上限値は以下のように計算される：
ｔｏｔａｌ＿Ｌｏｗｅｒ＿ｂｏｕｎｄ（ｋ＋１）＝ｗ１／（ｗ１＋ｗ２＋ｗ３）＊Ｍ１＿Ｌｏｗｅｒ＿ｂｏｕｎｄ＿３（ｋ＋１）＋ｗ２／（ｗ１＋ｗ２＋ｗ３）＊Ｍ２＿Ｌｏｗｅｒ＿ｂｏｕｎｄ＿３（ｋ＋１）＋ｗ３／（ｗ１＋ｗ２＋ｗ３）＊Ｍ３＿Ｌｏｗｅｒ＿ｂｏｕｎｄ＿１（ｋ＋１）
ｔｏｔａｌ＿Ｕｐｐｅｒ＿ｂｏｕｎｄ（ｋ＋１）＝ｗ１／（ｗ１＋ｗ２＋ｗ３）＊Ｍ１＿Ｕｐｐｅｒ＿ｂｏｕｎｄ＿３（ｋ＋１）＋ｗ２／（ｗ１＋ｗ２＋ｗ３）＊Ｍ２＿Ｕｐｐｅｒ＿ｂｏｕｎｄ＿３（ｋ＋１）＋ｗ３／（ｗ１＋ｗ２＋ｗ３）＊Ｍ３＿Ｕｐｐｅｒ＿ｂｏｕｎｄ＿１（ｋ＋１）

ステップＳ８７１６で、正規確率が計算される。総合上限値および下方上限値が計算されたあとで、正規確率ｒが更新される。最初に、時間ゼロ（すなわち、ｋ＝０）において、正規確率は１に設定される。すると、次のタイムスタンプ期間 r（ｋ＋１）における正規確率は、バイナリルールを適用することによって計算され得る。ステップＳ９７１８で、正規確率が更新される。バイナリルールは、測定された内部モータ温度が総上限値と下方上限値の間の範囲にある場合、ｋ＋１タイムスタンプ期間における正規確率ｒが、現期間における正規確率ｒと同じ状態を保つということである。測定された内部モータ温度が総上限値と下方上限値の間の範囲にない場合、ｋ＋１タイムスタンプ期間における正規確率ｒは、現期間における正規確率ｒから、割引係数だけ減じたものとなる。代表例では、割引係数は９８%である。最後に、ステップＳ１０７２０で、熱暴走確率ｐが、１から正規確率 r（ｋ＋１）を引いた値として計算される。複数の予測機械学習モデルとして形成された３つの単一予測機械学習モデルの代表例では：
r（０）＝１
である。
測定されたモータ温度が［ｔｏｔａｌ＿Ｌｏｗｅｒ＿ｂｏｕｎｄ，ｔｏｔａｌ＿Ｕｐｐｅｒ＿ｂｏｕｎｄ］の範囲内にある場合、ｒ（ｋ＋１）＝ｒ（ｋ）；であり、
測定されたモータ温度が［ｔｏｔａｌ＿Ｌｏｗｅｒ＿ｂｏｕｎｄ，ｔｏｔａｌ＿Ｕｐｐｅｒ＿ｂｏｕｎｄ］の範囲内にない場合、ｒ（ｋ＋１）＝ｒ（ｋ）＊９８%；であり、
ｐ（ｋ＋１）＝１− ｒ（ｋ）である。

特に別途記載しない限り、本明細書で用いた用語および表現は限定する用語ではない。これら用語または表現を、図示し説明した特徴またはそれらの一部の等価物を除外するために使用する意図はなく、本発明は、以下の特許請求の範囲に従って定義するものである。

１０２、２０２データベース
１０３、２０３指標データ
１０４、２０４サーバ
１０６、２０６データ
１０８、２０８機械学習モデル
１１０、２１０ワンボードコンピュータ
１１２、２１２モータ
１１４接続
２１３ａ周囲温度センサ
２１３ｂ内部空気温度センサ
２１３ｃホール電流センサ
２１３ｄ電圧センサ
２１３ｅ振動センサ
２１５メモリ
２１６プロセッサ
２１８ＰＣ
２２０セルフォン
ＩＤ１モータの内部温度
ＩＤ２モータの電圧
ＩＤ３モータの振動

Claims

機械の故障予測システムであって、
指標データを受け取るオペレーションと、
前記指標データを配置するオペレーションと、
前記指標データを格納するオペレーションと、
を実行するように構成された少なくとも１つのデータベースと、
前記少なくとも１つのデータベースから前記指標データを受け取るオペレーションを実行し、前記指標データは、スタンドアローンデータ、工場データまたはクラウドデータのうち１つ以上からなり、また、
前記指標データを用いて複数の機械学習モデルを訓練するオペレーションを実行するように構成された、少なくとも１つのサーバと、
モータからオペレーションデータを受け取るように構成され、前記オペレーションデータは所定期間にわたって収集され、
前記オペレーションデータをメモリモジュールに格納するように構成された、少なくとも１つのセンサと、
前記メモリモジュールから前記オペレーションデータを受け取るオペレーションと、
装置故障の可能性を予測するように構成された前記複数の機械学習モデルを受け取るオペレーションと、
前記オペレーションデータを用いて前記複数の機械学習モデルを実行するオペレーションと、を実行するように構成された少なくとも１つのプロセッサを備えたシステム。
前記複数の機械学習モデルはさらに、進化的機械学習モデルを用いて訓練され、前記プロセッサは、前記メモリモジュールから前記オペレーションデータを受け取り、前記オペレーションデータを用いて前記複数の機械学習モデルを訓練するオペレーションを実行するように構成されている、請求項１に記載のシステム。
前記所定期間は少なくとも一ヶ月である請求項１に記載のシステム。
前記訓練のための指標データは、前記スタンドアローンデータと組み合わせた工場データのハイブリッドを含む請求項１に記載のシステム。
前記オペレーションデータは、温度データ、電圧データ、電流データまたは振動データのうち１つ以上を含む請求項１に記載のシステム。
前記スタンドアローンデータは現場のモータから収集された実指標データである請求項１に記載のシステム。
前記スタンドアローンデータは少なくとも一ヶ月間収集される請求項６に記載のシステム。
前記プロセッサはＰＣに接続されている請求項１に記載のシステム。
前記ＰＣは前記プロセッサに無線接続されている請求項８に記載のシステム。
前記ＰＣはさらに、オペレーションデータと故障予測を監視するように適合されたアプリケーションを備えている請求項８に記載のシステム。
前記プロセッサはスマートフォンに無線接続されている請求項１に記載のシステム。
前記スマートフォンは指標データと故障予測を監視するように適合されたアプリケーションを備えている請求項１１に記載のシステム。
前記プロセッサは緊急アラート信号を生成するように構成されている請求項１に記載のシステム。
前記緊急アラート信号は、前記機械の故障の確率が８０％を超えた場合に起動される請求項１３に記載のシステム。
モータの指標データ値を予測するコンピュータ実装方法であって、
サーバによってデータ収集期間を定義し、
前記データ収集期間の初期期間をゼロと定義し、
前記定義された初期期間のための入力ベクトルを初期化し、
格納された指標データを、前記定義された初期期間の初期値として挿入し、
現在時間での指標データ値を予測し、
予測指標データ値を出力し、
現在時間での入力ベクトルを呼び出し、
入力ベクトルを機械学習モデルに入力し、
現在時間に先行する少なくとも１つの単位タイムスタンプの指標データ値を予測する、
ことを含む方法。
前記指標データ値はモータの温度を含む請求項１５に記載の方法。
前記データ収集期間の初期期間をゼロと定義し、
前記定義された初期期間のための入力ベクトルを初期化し、
格納された指標データを、前記定義された初期期間の初期値として挿入し、
現在時間での指標データ値を予測し、
予測指標データ値を出力し、
現在時間での入力ベクトルを呼び出し、
前記入力ベクトルを機械学習モデルに入力し、
現在時間に先行する少なくとも１つの単位タイムスタンプの指標データ値を予測する、
ステップが繰り返される請求項１５に記載の方法。
前記指標データ値の範囲が前記モータの温度値の範囲を含む請求項１７に記載の方法。
モータの挙動を予測するコンピュータ実装方法であって、
コンピュータによって、正しい入力値のパーセンテージを計算するステップと、
不正確であるパーセントに対応する複数の入力値をランダムに除去するステップと、
除去されない入力値から平均二乗予測誤差値を計算するステップと、
複数の単一予測機械学習モデルそれぞれの重みを計算するステップと、
前記入力値の上限と下限を決定するステップと、
各単一機械学習モデルのカウンタ値を計算するステップと、
各単一機械予測学習モデルの重みを更新するステップと、
正規確率を計算するステップと、
入力値の上限と下限を更新するステップと、
入力値の上限と下限に基づいて正規確率を更新するステップと、
モータの複数のオペレーションアウトカムの確率を計算するステップと、
を含む複数の予測機械学習モデルを使用することを含む方法。
前記重みは、複数の予測機械学習モデル全体に対する各単一予測機械学習モデルの加重平均貢献を含む請求項１９に記載の方法。
前記各単一予測機械学習モデルの重みはタイムスタンプ期間毎に更新される請求項２０に記載の方法。
前記方法は熱暴走を予測するために使用される請求項１９に記載の方法。
前記方法は、温度範囲予測の範囲を生成するために使用される請求項１９に記載の方法。
前記コンピュータは、熱暴走が予測される場合に緊急アラート信号を生成する請求項１９に記載の方法。