JP2023520476A - 産業上の利用のために人工知能モジュールを訓練すること - Google Patents

産業上の利用のために人工知能モジュールを訓練すること Download PDF

Info

Publication number
JP2023520476A
JP2023520476A JP2022560023A JP2022560023A JP2023520476A JP 2023520476 A JP2023520476 A JP 2023520476A JP 2022560023 A JP2022560023 A JP 2022560023A JP 2022560023 A JP2022560023 A JP 2022560023A JP 2023520476 A JP2023520476 A JP 2023520476A
Authority
JP
Japan
Prior art keywords
data
data set
training
industrial system
module
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
JP2022560023A
Other languages
English (en)
Inventor
シュミット、ベネディクト
アミハイ、イド
コトリワラ、アルザム・ムザッファー
シウア、モンセフ
レンダース、フェリクス
ヤンカ、デニス
ホーレンダー、マルティン
シュラーケ、ヤン・クリストフ
アブクワイク、ハディル
クレッパー、ベンヤミン
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
ABB Schweiz AG
Original Assignee
ABB Schweiz AG
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by ABB Schweiz AG filed Critical ABB Schweiz AG
Publication of JP2023520476A publication Critical patent/JP2023520476A/ja
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/80—Management or planning

Abstract

人工知能モジュール（１０）、ＡＩモジュールを訓練するための訓練データセットを生成するコンピュータ実装方法が提供される。本方法は、データストレージ（１０２）上に、第１のデータセット（１２）及び第２のデータセット（１４）を提供することを備え、第１のデータセットは、産業システムの第１の動作コンディションを示す１つ以上の第１のデータ要素（１３）を含み、第２のデータセットは、産業システムの第２の動作コンディションを示す１つ以上の第２のデータ要素（１５）を含み、第１の動作コンディションは、第２の動作コンディションと実質的に一致する。本方法は、第１のデータセット（１２）の１つ以上の第１のデータ要素（１３）を第２のデータセット（１４）の１つ以上の第２のデータ要素（１５）に変換するためのデータ変換を決定することと、第１のデータセットの１つ以上の第１のデータ要素（１３）及び／又は１つ以上の更なるデータセットの１つ以上の更なるデータ要素に決定されたデータ変換を適用し、それによって、変換されたデータセットを生成することと、変換されたデータセットの少なくとも一部に基づいて、ＡＩモジュール（１０）を訓練するための訓練データセットを生成することとを更に備える。【選択図】図１

Description

本発明は、一般に産業システムに関する。特に、本発明は、産業システムを監視及び／又は制御するためなど、産業上の利用のために人工知能モジュール（以下、「ＡＩモジュール」と呼ばれる）を訓練するための訓練データセットを生成するコンピュータ実装方法に関する。本発明は更に、対応するコンピュータプログラム及びそのようなコンピュータプログラムを記憶するコンピュータ可読媒体に関する。更に、本発明は、ＡＩモジュールを訓練するための訓練データセットの使用、及び訓練データセットでＡＩモジュールを訓練するコンピュータ実装方法に関する。その上、本発明は、そのような訓練データセットで訓練されたＡＩモジュールを備えるコンピュータ、並びに産業システムを監視及び／又は制御するためのコンピュータ及び／又は訓練されたＡＩモジュールの使用に関する。
例えば、プラント、パワープラント、プロセスプラント、電気変換ステーション、中継ステーション、給電ステーション、変電ステーション、産業駆動システム、工場システム、製造システム、ドライブ、モータなどの産業システムは、通常、産業システムの正確な機能を保証し、産業システムの機能不全及び／又は故障を確実に検出するために、産業システムの動作中に監視及び／又は制御することができる１つ以上の構成要素を備える。例えば、産業駆動システムは、ドライブ、モータ、負荷、変圧器、ギアボックス、ポンプ、換気デバイス、加熱デバイス、空調デバイス、コントローラ、モーションコントロール、及び機械のうちの１つ以上を備えることができ、それらは、産業システムの動作中に監視及び／又は制御することができる。この目的のために、産業システムの１つ以上の構成要素に関連するセンサデータなどのデータを分析して、産業システムが完全に機能的であり、正確に作動しているかどうかを決定することができる。
そのようなデータ又はデータセットを分析するために、例えば、人口ニューラルネットワークなどの人工知能モジュール（「ＡＩモジュール」）が使用され得る。産業システムが完全に機能的であり、正確に作動しているかどうかを確実に決定するために、又は産業システムの１つ以上の構成要素の故障を確実に検出（又は予測）するために、ＡＩモジュールは、適切且つ包括的な訓練データセットで訓練されるべきであり、それは、好ましくは、産業システムの全ての考えられる作動シナリオ、動作シナリオ、故障シナリオ、及び／又は故障モードをカバーすべきである。一般に、しかしながら、産業上の利用においてＡＩモジュールを訓練するためのデータは非常に少ない可能性があり、特に、産業システムのある特定の故障シナリオ及び／又はプロセス移行についてのデータは稀である可能性がある。結果として、産業システムを監視及び／又は制御するためにそのような（制限された）訓練データセットで訓練されたＡＩモジュールの使用は制限され得る。
従って、例えば、産業システムを監視及び／又は制御するためなど、産業上の利用においてＡＩモジュールを訓練するための改善された及び／又は補強された訓練データセットを提供すること、並びに産業システムを監視及び／又は制御するための改善された（訓練された）ＡＩモジュールを提供することが望ましくあり得る。
これは、独立請求項の主題によって達成され、更なる実施形態は、従属請求項及び以下の説明に記載する。
本開示の態様によると、例えば産業上の利用用途のために人工知能モジュール、ＡＩモジュールを訓練するため、産業システムを監視するため、産業システムを制御するため、及び／又は産業システムの挙動を予測するための訓練データセットを生成するコンピュータ実装方法が提供される。本方法は、
－データストレージ上に、第１のデータセット及び第２のデータセットを提供することと、ここにおいて、第１のデータセットは、産業システムの第１の動作コンディションを示す、記述する、及び／又は表す１つ以上の第１のデータ要素を含み、第２のデータセットは、産業システムの第２の動作コンディションを示す、記述する、及び／又は表す１つ以上の第２のデータ要素を含み、第１の動作コンディションは、第２の動作コンディションと実質的に一致する、
－第１のデータセットの１つ以上の第１のデータ要素を第２のデータセットの１つ以上の第２のデータ要素に変換及び／又はコンバートするためのデータ変換を決定することと、
－第１のデータセットの１つ以上の第１のデータ要素及び／又は１つ以上の更なるデータセットの１つ以上の更なるデータ要素に決定されたデータ変換を適用し、それによって、少なくとも１つの変換されたデータセットを生成することと、
－少なくとも１つの変換されたデータセットの少なくとも一部に基づいて、ＡＩモジュールを訓練するための訓練データセットを生成することと
を備える。
データ変換を決定し、１つ以上の第１のデータ要素及び／又は１つ以上の更なるデータ要素にデータ変換を適用することによって、ＡＩモジュールを訓練するための包括的な訓練データセットを生成することができ、その訓練データセットは、産業システムの多数のシナリオをカバーすることができ、ＡＩモジュールを包括的に訓練するために使用することができる。そのような訓練されたＡＩモジュールは、次いで、例えば、産業システムの正確な機能を保証するために、並びに／又は産業システム及び／若しくはその１つ以上の構成要素の故障若しくは機能不全を確実に検出するために、産業システムを監視及び／又は制御するために使用することができる。
一般に、ＡＩモジュールは、例えば、産業システムの動作を示すデータ、測定データ、動作データ、／又はシミュレーションデータなどの１つ以上の入力及び／又は入力データに基づいて分類結果を提供するように構成された分類器及び／又は分類器回路を指し得る。その中で、本開示によるＡＩモジュールは、例えば、１つ以上のプロセッサ及び／又はデータ処理デバイス上で１つ以上の機械学習アルゴリズムを採用及び／又は実行する任意のタイプの人口知能デバイス及び／又は回路を指し得る。そのような機械学習アルゴリズム及び／又はＡＩモジュールは、例えば、ロジスティック回帰、サポートベクター法、ブースティング、単純ベイズ法、ベイジアンネットワーク、ｋ近傍法、人口ニューラルネットワーク、畳み込みニューラルネットワーク、カーネル密度推定、ガウス回帰、敵対的生成ネットワーク、和積ネットワーク、敵対的ニューラルネットワークなどに基づき得る。
本開示の文脈では、産業システムは、例えば、プラント、パワープラント、プロセスプラント、電気変換ステーション、中継ステーション、給電ステーション、変電ステーション、産業駆動システム、工場システム、製造システム、ドライブ、モータなどの任意のタイプの産業システムを指し得る。更に、産業システムの動作コンディションは、例えば、実行状態、アイドル状態、オフ状態などの産業システムの状態及び／又は作動状態を示し得る、記述し得る、及び／又は表し得る。代替として又は加えて、産業システムの動作コンディションは、例えば、産業システムの少なくとも一部における温度、圧力、流体レベル、換気、及び／又は流体の流量など、産業システムの動作に影響を及ぼす環境要因及び／又はパラメータを示し得、記述し得、及び／又は表し得る。
本開示の文脈では、第１の動作コンディションが第２の動作コンディションと実質的に一致することは、第１の動作コンディションが第２の動作コンディションと同様及び／又は同等であることを意味し得る。それ故に、第１のデータセット及び第２のデータセット（並びに／又は第１及び第２のデータ要素）は、産業システムの同様の、同等の、及び／又は一致する動作コンディションを記述し得る。それ故に、第１及び第２のデータセット（並びに／又は第１及び第２のデータ要素）は、産業システムの第１及び第２の動作コンディションに関して、互いに同程度及び／又は一致し得る。故に、１つ以上の第１のデータ要素を１つ以上の第２のデータ要素に変換するための意味のあるデータ変換を導出することが可能である。しかしながら、以下により詳細に説明するように、第１及び第２のデータセットは、１つ以上の更なる動作コンディション、即ち、第１及び第２の動作コンディション以外の動作コンディションにおいて互いに異なる可能性があることに留意されたい。
一般に、第１のデータセット及び第２のデータセットは、産業システムの動作を示す、記述する、及び／又は表すデータセットを指すことができる。その中で、第１のデータセット及び第２のデータセットは、同じソースを有し得、及び／又は同じデータタイプであり得る。例えば、第１及び第２のデータセットは、例えば、産業システムの動作中に取得されたセンサデータなどの同じ産業システムの測定データ（動作データとも呼ばれる）、又は産業システムの動作（若しくはその１つ以上の構成要素）をシミュレートするシミュレーションデータを指し得る。代替として、第１及び第２のデータセット（並びに／又は更なるデータセット）は、異なるソース及び／又は異なるデータタイプを有し得る。例えば、第１のデータセットは、第１の産業システムの測定データを指し得、第２のデータセットは、第１の産業システムとは異なる第２の産業システムの測定データを指し得る。代替として又は加えて、第１及び第２のデータセットのうちの一方は、産業システムの測定データを指し得、第１及び第２のデータセットのうちの他方は、産業システムのシミュレーションデータを指し得る。代替として又は加えて、第１のデータセット及び第２のデータセットは、第１及び第２の動作コンディション以外の１つ以上の動作コンディションにおいて異なり得る。例えば、第１及び第２のデータセットのうちの一方は、第１及び第２のデータセットのうちの他方と比較して追加のデータ又はデータ要素を包含し得る。そのような追加のデータ又はデータ要素は、例えば、故障データ、産業システムの１つ以上の追加の構成要素からのデータ、環境パラメータに関連するデータ、アラートデータ、イベントデータなどであり得る。それ故に、第１及び第２のデータセットは、第１及び第２の動作コンディションに関して互いに実質的に一致し得るが、第１及び第２のデータセットは、任意選択で、１つ以上の追加の動作コンディションに関して互いに異なり得る。
同様に、更なるデータセットは、産業システムの動作を示す、記述する、及び／又は表すデータセットを指すことができる。更なるデータセットは、例えば、産業システムの測定データ、動作データ、及び／又はシミュレーションデータを指し得る。
１つ以上の第１のデータ要素を１つ以上の第２のデータ要素に変換するためのデータ変換は、一般に、１つ以上の第１のデータ要素を１つ以上の第２のデータ要素にコンバートすることを可能にし得る。これは、例えば、変換されたデータセットが、１つ以上の第１のデータ要素よりも１つ以上の第２のデータ要素に酷似する１つ以上のデータ要素を備えることができることを意味し得る。故に、「データ変換」という用語は、広く理解されるべきであり、例えば、第１のデータ要素へのデータ変換の適用が正確に第２のデータ要素をもたらすことを必ずしも意味しない。むしろ、１つ以上の第１のデータ要素（及び／又は更なるデータ要素）にデータ変換を適用することによって、第２のデータ要素が近似及び／又は模倣され得る。
例として、第１のデータセット及び第２のデータセットは、例えば、データセットのうちの１つのみに存在するノイズ、データセットのうちの１つにおける欠側値、データセットのデータ要素によって記述される測定曲線の形状、及び／又はデータセットの１つ以上のデータ要素によって表されるパラメータの値に関して互いに異なり得る。そのような差異は、データ変換を適用することによって、第１及び第２のデータセットにおける上述の差異が、変換されたデータセット中に反映及び／又は再現されるように、データ変換によって反映及び／又はデータ変換中に含めることができる。
それ故に、データ変換を決定することは、１つ以上の第１のデータ要素を１つ以上の第２のデータ要素と比較することを備え得る。代替として又は加えて、データ変換を決定することは、１つ以上の第１のデータ要素と１つ以上の第２のデータ要素との間の偏差及び／又は差異を決定することを備え得る。決定されたデータ変換を１つ以上の第１のデータ要素及び／又は１つ以上の更なるデータ要素に適用し、変換されたデータセットを生成することによって、第１のデータセットと第２のデータセットとの間の差異及び／又は偏差を軽減することができ、そのため、変換されたデータセットは、第１のデータセットが第２のデータセットに似ているので、第２のデータセットにより酷似する。一般に、これは、例えば合成データセットに基づいて多数の変換されたデータセットを生成することを可能にし得、それらは、ＡＩモジュールを訓練するための包括的な訓練データセットに組み合わせることができる。
例えば、これは、シミュレーションデータを使用して、ＡＩモジュールを訓練するための測定データを補うことを可能にし得、逆もまた同様である。代替として又は加えて、様々な異なる産業システム及び／又は異なるシミュレーションからのデータは、それらのうちの１つ以上にデータ変換を適用することに基づいて組み合わせることができる。代替として又は加えて、故障データを含むデータセットは、以下により詳細に説明するように、非故障データセット又は故障データを伴わないデータセットと組み合わせることができる。
実施形態によると、訓練データセットを生成することは、
－ＡＩモジュールを訓練するための初期訓練データセットを提供することと、
－少なくとも１つの変換されたデータセットの少なくとも一部で初期訓練データセットを補う、増補する、及び／又は補強することと
を備える。
その中で、初期訓練データセットは、初期訓練データを備え得、それは、任意選択で、第２のデータセットを含み得る。初期訓練データセットを補うことによって、改善された訓練データセットを提供することができ、ＡＩモジュールを包括的に訓練することを可能にし、そのため、訓練されたＡＩモジュールは、産業システムの複数の異なる動作シナリオ及び／又は動作コンディションを識別することができる。
実施形態によると、初期訓練データセットを補うことは、少なくとも１つの変換されたデータセットの少なくとも一部を初期訓練データセットに追加することを備える。代替として又は加えて、初期訓練データセットを補うことは、少なくとも１つの変換されたデータセットの少なくとも一部で初期訓練データセットの少なくとも一部を置換することを備える。このようにして、初期訓練データセットを、効果的に補強する、増補する、補う、及び／又は改善することができる。
実施形態によると、本方法は、第１のデータセット中で、例えば第１のデータセットを処理することに基づいて、産業システムの第１の動作コンディションを示す１つ以上の第１のデータ要素を識別及び／又は選択することを更に備える。本方法は、第２のデータセット中で、例えば第２のデータセットを処理することに基づいて、産業システムの第２の動作コンディションを示す１つ以上の第２のデータ要素を識別及び／又は選択することを更に備える。第１及び第２の動作コンディションに関して第１のデータ要素が第２のデータ要素と実質的に一致するように、１つ以上の第１及び第２のデータ要素が識別及び／又は選択され得る。それ故に、第１のデータセット及び第２のデータセットは、第１の及び第２のデータセットにわたって一致するデータ要素、例えばデータシーケンスについて検索され得る。
実施形態によると、第１のデータセットの１つ以上の第１のデータ要素は、時間に関連する。代替として又は加えて、第２のデータセットの１つ以上の第２のデータ要素は、時間に関連する。言い換えれば、第１及び／又は第２のデータセットは、時間に関連するデータ要素を備え得、及び／又はデータ要素の時系列即ち時間シーケンスに対応し得る。
実施形態によると、本方法は、産業システムの少なくとも１つの動作パラメータに関して、１つ以上の第１のデータ要素を１つ以上の第２のデータ要素に一致させることを更に備え、少なくとも１つの動作パラメータは、産業システムの動作を示す。その中で、少なくとも１つの動作パラメータは、例えば、産業システムのイベント、状態、コンディション、作動コンディション、動作時間、時間、及び／又は作動状態を示すことができる。代替として又は加えて、少なくとも１つの動作パラメータは、例えば、産業システムの少なくとも一部における温度、圧力、流体レベル、換気、及び／又は流体の流量など、産業システムの動作に潜在的に影響を及ぼす環境要因又は影響を示すことができる。１つ以上の第１及び第２のデータ要素の一致に基づいて、互いに関連付けられた及び／又は対応するデータ要素の対を識別することができ、それは、これらのデータ要素の対のための正確なデータ変換を決定することを可能にし得る。
実施形態によると、少なくとも１つの動作パラメータは、産業システムの動作時間である。代替として又は加えて、１つ以上の第１のデータ要素は、産業システムの動作時間に関して１つ以上の第２のデータ要素に一致される。
実施形態によると、データ変換は、１つ以上の第１のデータ要素の各々について要素毎に決定される。それ故に、変換されたデータセットは、１つ以上の変換（又は変換された）データ要素を備え得、各々は、第１のデータ要素のうちの１つ及び／又はデータ変換によって変換された更なるデータ要素のうちの１つに対応する。
実施形態によると、データ変換を決定することは、１つ以上の第１のデータ要素と１つ以上の第２のデータ要素との間の関数関係を決定することを備える。そのような関数関係は、例えば、１つ以上の第１のデータ要素を１つ以上の第２のデータ要素にコンバートすることを可能にする数学的関係を指し得る。
例えば、データ変換は、データ要素の追加、データ要素の削除、データ要素の調整、データ要素のスケーリング、異なる基準又は座標系へのデータ要素の変換などを含み得る。
実施形態によると、データ変換は、例えばＡＩモジュールに実装された機械学習アルゴリズムを使用して決定される。例として、データ変換は、カーネル密度推定、ガウス回帰、人口ニューラルネットワーク、敵対的生成ネットワーク、和積ネットワーク、及び敵対的ニューラルネットワークのうちの少なくとも１つを使用して決定することができる。しかしながら、任意の他の機械学習アルゴリズムが使用され得る。それ故に、データ変換は、ＡＩモジュールにおいて実装され得る機械学習アルゴリズムによって学習され得る。次いで、訓練された機械学習アルゴリズム又はＡＩモジュールを使用して、１つ以上の第１のデータ要素及び／又は１つ以上の更なるデータセットの１つ以上の更なるデータ要素にデータ変換を適用して、１つ以上の変換されたデータセットを生成し得る。次いで、複数の変換されたデータセットを訓練データセットに組み合わせることができる。
実施形態によると、データ変換は、非確率的に決定される。例えば、データ変換は、回帰に基づいて、及び／又は回帰問題を解くことに基づいて決定することができる。
実施形態によると、第１のデータセット及び第２のデータセットのうちの少なくとも１つは、例えば、シミュレーション計算における産業システムの動作のシミュレーションを記述するシミュレーションデータを含み、第１のデータセット及び第２のデータセットのうちの少なくとも１つは、産業システムの実際の動作を記述する動作データを含む。その中で、動作データは、例えば、産業システムのセンサデータ、アクチュエータデータ、制御データ、及び／又はイベントデータを備える測定データを指し得る。
実施形態によると、第１のデータセットは、例えば、第１の動作コンディションの産業システムの動作のシミュレーションを記述するシミュレーションデータを含み、第２のデータセットは、産業システムの実際の動作を記述する動作データを含む。例えば、第１のデータ要素は、シミュレーションデータ要素であり得、第２のデータ要素は、動作データ要素であり得る。更に、データ変換を決定することは、例えば、１つ以上の第１のデータ要素及び／又は１つ以上の更なるデータセットの１つ以上の更なるデータ要素にデータ変換を適用することによって、ノイズが変換されたデータセット中に再現されるように、第２のデータセットの１つ以上の第２のデータ要素のノイズを決定することを備える。それ故に、１つ以上の第１のデータ要素及び／又は１つ以上の更なるデータセットの１つ以上の更なるデータ要素にデータ変換を適用することによって、１つ以上の第２のデータ要素のノイズを、１つ以上の第１のデータ要素及び／又は１つ以上の更なるデータセットの１つ以上の更なるデータ要素に、例えば、変換されたデータセットがノイズを含むように、追加することができる。
実施形態によると、決定されたノイズは、例えば測定値又はセンサ信号の統計的変動など、１つ以上の第２のデータ要素の測定ノイズを表す。代替として又は加えて、決定されたノイズは、例えば、動作している追加の構成要素、動作している追加のポンプ、産業システムの一部の温度、周囲温度など、産業システムの実際の動作に影響を及ぼす環境的影響を表す。それ故に、本開示の文脈では、ノイズという用語は、例えば、測定ノイズ及び１つ以上の第２のデータ要素中に反映される他の特性又は環境的影響を備えるものとして広く理解されるべきである。
実施形態によると、第１のデータセット及び第２のデータセットのうちの少なくとも１つは、産業システムの動作不良を記述する故障データを含み、第１のデータセット及び第２のデータセットのうちの少なくとも１つは、産業システムの公称又は正常動作を記述する公称動作データを含む。公称動作データは、故障データがないデータを指し得る。
実施形態によると、第１のデータセットは、産業システムの公称動作を記述する公称動作データを含み、第２のデータセットは、産業システムの動作不良を記述する故障データを含み、データ変換を決定することは、例えば、１つ以上の第１のデータ要素及び／又は１つ以上の更なるデータセットの１つ以上の更なるデータ要素にデータ変換を適用することによって、産業システムの動作不良が変換されたデータセット中に再現されるように、第２のデータセット中で、産業システムの動作不良を記述する故障データを決定することを備える。それ故に、１つ以上の第１のデータ要素及び／又は１つ以上の更なるデータセットの１つ以上の更なるデータ要素にデータ変換を適用することによって、例えば、変換されたデータセットが産業システムの動作不良を含む及び／又は反映するように、産業システムの動作不良を１つ以上の第１のデータ要素及び／又は１つ以上の更なるデータセットの１つ以上の更なるデータ要素に追加することができる。
本開示の更なる態様によると、コンピュータプログラムが提供され、コンピュータプログラムは、コンピュータの１つ以上のプロセッサによって実行されると、以上及び以下に説明するような、人工知能モジュールを訓練するための訓練データセットを生成する方法のステップを実行するようにコンピュータに命令する。
本開示の更なる態様によると、コンピュータプログラムを記憶する非一時的コンピュータ可読媒体が提供され、コンピュータプログラムは、コンピュータの１つ以上のプロセッサによって実行されると、以上及び以下に説明するような、人工知能モジュールを訓練するための訓練データセットを生成する方法のステップを実行するようにコンピュータに命令する。
本開示の更なる態様は、産業システムを監視及び／又は制御するために使用可能な人工知能モジュールを訓練するための、以上及び以下に説明するような、訓練データセットを生成する方法に従って生成された訓練データセットの使用に関する。
本開示の更なる態様によると、人工知能モジュール、ＡＩモジュールを訓練するコンピュータ実装方法が提供される。本方法は、
－以上及び以下に説明するような、人工知能モジュールを訓練するための訓練データセットを生成する方法に従って訓練データセットを生成することと、
－生成された訓練データセットでＡＩモジュールを訓練することと
を備える。
本開示の更なる態様によると、産業プロセスを監視及び／又は制御するためのＡＩモジュールを備えるコンピュータが提供され、コンピュータは、ＡＩモジュールを訓練するように構成され、及び／又はＡＩモジュールは、以上及び以下に説明するような、ＡＩモジュールを訓練する方法に従って訓練される。
本開示の更なる態様は、産業システムを監視及び／又は制御するための、以上及び以下に説明するような、ＡＩモジュールを訓練する方法に従って訓練されたＡＩモジュールの使用に関する。
本開示の更なる態様は、産業システムを監視及び／又は制御するための、以上及び以下に説明されるような、ＡＩモジュールを訓練する方法に従って訓練されたＡＩモジュールを有するコンピュータの使用に関する。
本開示の一態様を参照して以上及び以下に説明される任意の特徴、機能、ステップ、及び／又は要素は、以上及び以下に説明するような、本開示の任意の他の態様に等しく適用される。
本開示のこれら及び他の態様は、以下に記載する例証的な実施形態から明らかになり、それらを参照して解明されるであろう。
本開示の主題を、添付の図に例示する例証的な実施形態を参照して以下により詳細に説明する。
例証的な実施形態によるＡＩモジュールを有するコンピュータを示す。 例証的な実施形態によるＡＩモジュールを訓練するための訓練データセットを生成する方法のステップを例示するフローチャートを示す。 例証的な実施形態による人工知能モジュールを訓練する方法のステップを例示するフローチャートを示す。 例証的な実施形態によるＡＩモジュールを訓練するための訓練データセットを生成する方法のステップを例示する。 例証的な実施形態によるＡＩモジュールを訓練するための訓練データセットを生成する方法のステップを例示する。 例証的な実施形態によるＡＩモジュールを訓練するための訓練データセットを生成する方法のステップを例示する。 例証的な実施形態によるＡＩモジュールを訓練するための訓練データセットを生成する方法のステップを例示するフローチャートを示す。 例証的な実施形態によるＡＩモジュールを訓練するための訓練データセットを生成する方法のステップを例示する。 例証的な実施形態によるＡＩモジュールを訓練するための訓練データセットを生成する方法のステップを例示する。 例証的な実施形態によるＡＩモジュールを訓練するための訓練データセットを生成する方法のステップを例示する。 例証的な実施形態によるＡＩモジュールを訓練するための訓練データセットを生成する方法のステップを例示する。 例証的な実施形態によるＡＩモジュールを訓練するための訓練データセットを生成する方法のステップを例示する。 例証的な実施形態によるＡＩモジュールを訓練するための訓練データセットを生成する方法のステップを例示する。 例証的な実施形態によるＡＩモジュールを訓練するための訓練データセットを生成する方法のステップを例示する。 例証的な実施形態によるＡＩモジュールを訓練するための訓練データセットを生成する方法のステップを例示するフローチャートを示す。 例証的な実施形態によるＡＩモジュールを訓練するための訓練データセットを生成する方法のステップを例示するフローチャートを示す。
図は、概略的なものでしかなく、原寸通りではない。原則として、図では、同一又は同様の部分には同一又は同様の参照符号が提供される。
図１は、例証的な実施形態による人工知能モジュール１０を有するコンピュータ１００を示す。
コンピュータ１００は、データを記憶するためのデータストレージ１０２を更に備える。例えば、第１のデータセット、第２のデータセット、変換されたデータセット、初期訓練データセット、訓練データセット、１つ以上の更なるデータセット、及び／又は他のデータは、データストレージ１０２上に記憶することができる。
コンピュータ１００は、データ処理のための１つ以上のプロセッサ１０５を含む処理回路１０４を更に備える。更に、コンピュータプログラム及び／又はソフトウェア命令は、データストレージ１０２中に記憶することができ、処理回路１０４によって実行されると、本開示による訓練データセットを生成する方法及び／又はＡＩモジュール１０を訓練する方法を実行するようにコンピュータ１００に命令する。
一般に、ＡＩモジュール１０は、例えば、産業システムの動作を示すデータ、測定データ、及び／又はシミュレーションデータなどの１つ以上の入力及び／又は入力データに基づいて分類結果を提供するように構成された分類器及び／又は分類器回路１０を指し得る。その中で、ＡＩモジュール１０は、例えば、１つ以上のプロセッサ、例えばプロセッサ１０５若しくは他のプロセッサ、及び／又はデータ処理デバイス上で１つ以上の機械学習アルゴリズムを採用及び／又は実行する任意のタイプの人口知能デバイス及び／又は回路を指し得る。そのような機械学習アルゴリズム及び／又はＡＩモジュール１０は、例えば、ロジスティック回帰、サポートベクター法、ブースティング、単純ベイズ法、ベイジアンネットワーク、ｋ近傍法、人口ニューラルネットワーク、畳み込みニューラルネットワーク、カーネル密度推定、ガウス回帰、敵対的生成ネットワーク、和積ネットワーク、敵対的ニューラルネットワークなどに基づき得る。
コンピュータ１００及び／又はＡＩモジュール１０は、以上及び以下により詳細に説明するように、ＡＩモジュール１０を訓練する訓練データセットを生成するように、及び／又はＡＩモジュール１０を訓練するように構成され得る。代替として又は加えて、コンピュータ１００及び／又はＡＩモジュール１０は、産業システムを監視及び／又は制御するように構成され得る。
図２は、例証的な実施形態によるＡＩモジュール１０を訓練するための訓練データセットを生成する方法のステップを例示するフローチャートを示す。
ステップＳ１は、データストレージ１０２上に、第１のデータセット及び第２のデータセットを提供することを備え、第１のデータセットは、産業システムの第１の動作コンディションを示す１つ以上の第１のデータ要素を含み、第２のデータセットは、産業システムの第２の動作コンディションを示す１つ以上の第２のデータ要素を含み、第１の動作コンディションは、第２の動作コンディションと実質的に一致する。
ステップＳ２は、第１のデータセットの１つ以上の第１のデータ要素を第２のデータセットの１つ以上の第２のデータ要素に変換するためのデータ変換を決定することを備える。
ステップＳ３は、第１のデータセットの１つ以上の第１のデータ要素及び／又は１つ以上の更なるデータセットの１つ以上の更なるデータ要素に決定されたデータ変換を適用し、それによって、１つ以上の変換されたデータセットを生成することを備える。
ステップＳ４は、１つ以上の変換されたデータセットの少なくとも一部に基づいて、ＡＩモジュール１０を訓練するための訓練データセットを生成することを備える。
図３は、例証的な実施形態による、特に、図２の方法に従って及び／又は本開示の様々な態様に従って生成された訓練データセットで人工知能モジュール１０を訓練する方法のステップを例示するフローチャートを示す。
ステップＳ１は、例えば、図２を参照して及び／又は本開示の１つ以上の態様を参照して説明したように、訓練データセットを生成することを備える。
ステップＳ２は、生成された訓練データセットでＡＩモジュール１０を訓練することを備える。例えば、少なくとも１つの機械学習アルゴリズムは、例えば、ＡＩモジュール１０の１つ以上の重み及び／又はパラメータ値を調整するために、訓練データセットを処理するために利用され得る。代替として又は加えて、訓練は、教師あり学習、半教師あり学習、教師なし学習、深層学習、及び／又は強化学習に基づき得る。
図４Ａ～４Ｃは、例証的な実施形態によるＡＩモジュール１０を訓練するための訓練データセットを生成する方法のステップを例示する。
図４Ａ～４Ｃに示す例では、複数の第１のデータ要素１３を備える第１のデータセット１２と、複数の第２のデータ要素１５を備える第２のデータセット１４とが例示され、互いに比較される。第１のデータセット１２及び第２のデータセット１４は、等距離でサンプリングされたデータ、例えば時系列データに対応し得る。
第１のデータセット１２は、産業システムの動作のシミュレーションを記述するシミュレーションデータ１２に対応し、第２のデータセット１４は、産業システムの実際の動作を記述する動作データ１４又は測定データ１４に対応する。
例えば、図４Ａは、シミュレータからの等距離でサンプリングされた第１のデータ要素１３と、産業システムの動作中に測定又は決定された第２のデータ要素１５との比較を示す。シミュレータデータ、第１のデータ要素１３、及び／又は第１のデータセット１２は、例えば温度の影響などの環境的影響に起因する測定ノイズ又は他のノイズ効果を包含せず、第１のデータセット１２に対して訓練された機械学習モデル及び／又はＡＩモジュール１０は、産業システムの動作中に発生するノイズのあるデータに対して正確な予測を実行することができないことがある（逆もまた同様）。
図４Ｂは、第１のデータ要素１３と第２のデータ要素１５との一致を例示する。図４Ａ～４Ｃの例では、第１及び第２のデータセット１２、１４は等間隔でサンプリングされるので、第１のデータセット１２からの各データ要素１３は、第２のデータセット１４からのデータ要素１５に一致することができる。これは、例えば、図４Ｃにおいて三角形によって示すノイズ及び／又はノイズの分布を決定、導出、及び／又は学習することを可能にし、それは、第２のデータセット１４をより酷似させるために、例えば、更なるシミュレータデータ、１つ以上の更なるデータセット、及び／又は第１のデータセット１２に追加することができる。
それ故に、第１のデータ要素１３を第２のデータ要素１５と比較することに基づいて、第１のデータ要素１３を第２のデータ要素１５にコンバート及び／又は変換するためのデータ変換を決定することができる。この決定されたデータ変換が、第１のデータセット１２のデータ要素１３に、及び／又は更なるシミュレーションデータ及び／若しくは更なる動作データなどの１つ以上の更なるデータセットの１つ以上の更なるデータ要素に適用されると、第２のデータセット１４により酷似する１つ以上の変換されたデータセットを生成することができる。図４Ａ～４Ｃに例示する例では、そのようなデータ変換は、第１のデータセット及び／又は更なるデータセット（複数可）へのノイズの追加を備え、そのため、ノイズは、変換されたデータセット（複数可）中に反映及び／又は再現される。
決定されたデータ変換、ノイズ、及び／又はノイズ分布は、次いで、図４Ｃに示すように、ＡＩモジュール１０を訓練するために使用することができる更なるデータセット及び／又は更なるデータ要素に適用することができる。それ故に、図４Ｃに例示するように、学習されたノイズ分布から、産業システムの実データに類似する新しいシーケンスをサンプリングすることができる。
データ変換、ノイズ、及び／又はノイズ分布の決定及び／又は学習は、ＡＩモジュール１０及び／又はとりわけカーネル密度推定、ガウス回帰及び／又は敵対的ニューラルネットワークのような方法を使用することによって達成することができる。図４Ａ～４Ｃは、この決定及び／又は学習問題を単変量として例示するが、ほとんどの場合、例えば、いくつかの信号、特に設定点値、及び場合によっては一般的な気象条件、アラーム、イベント、生産製品などのような非時系列データの埋め込みも考慮すると、多変量であり得ることに留意されたい。
代替的な学習アプローチでは、データ変換は、シミュレーションから元のデータ要素１３の周囲の分布を学習することによってはアプローチされず、（非確率的）回帰問題としてアプローチされ得る。
一般に、第１のデータセット１２及び第２のデータセット１４が、機械学習アルゴリズム及び／又はＡＩモジュール１０に共に提示されるために、動作コンディション、例えば第１及び第２の動作コンディションに関して十分に同程度である場合、有利であり得る。
図５は、例証的な実施形態によるＡＩモジュール１０を訓練するための訓練データセットを生成する方法のステップを例示するフローチャートを示す。特に、図５は、適切なデータセット１２、１４を見出し、データ変換を決定し（又はデータ変換を学習し）、更なるシミュレーションデータの助けを借りて追加の訓練データ又は変換されたデータセットを生成し、更なるシミュレートされたデータを変換し、例えば、産業システムの予測、監視、及び／又は制御のためにＡＩモジュール１０及び／又は機械学習モデルを訓練し、訓練されたＡＩモジュール１０を使用し、及び／又は機械学習モデルを適用するプロセスを例示する。
例えば、ステップＳ１では、定常状態は、データセット、例えば、第１のデータセット１２及び／又は第２のデータセット１４中で検索され得、オペレータ変更は、任意選択的に、ステップＳ２において適用され得る。更に、第１及び第２のデータセット１２、１４並びに／又はそのデータ要素１３、１５は、ステップＳ３において一致され得る。例えば、シミュレーションデータ１２は、（図５においてプラントとして例示する）産業システムの一致する安定状態のために生成され得る。任意選択で、ステップＳ４において、オペレータ変更が第２のデータセットに適用され得る。更に、変換サンプルは、例えば図４Ａ～４Ｃに例示するように、第１及び第２のデータセット１２、１４に基づいてステップＳ５において生成され得、データストレージ１０２中に記憶され得る。ステップＳ６では、一致する第１及び第２のデータセット１２、１４並びに／又は一致する第１及び第２のデータ要素１３、１５に対応し得る記憶された変換サンプルから、データ変換を導出することができ、例えば、ＡＩモジュール１０を使用して学習することができる。その上、追加のシミュレーションデータ、即ち更なるデータセット（複数可）をステップＳ７において生成し、データストレージ１０２中に記憶することができる。ステップＳ６において決定されたデータ変換を、次いで、これらの追加のシミュレーションデータ又は更なるデータセットに適用して、変換されたデータ及び／又は変換されたデータセット（複数可）を生成し、例えば、複数の変換されたデータセットを組み合わせることに基づいて、ステップＳ８において訓練データセットを生成することができる。訓練データセットを使用して、ＡＩモジュール１０を、産業システムを監視及び／又は制御するためにステップＳ９において訓練することができる。更に、訓練されたＡＩモジュール１０は、次いで、産業システムの挙動を監視、制御、及び／又は予測するためにステップＳ１０において使用することができる。
図４Ａ～５の例では、第１のデータセット１２がシミュレーションデータに対応するが、プロセスを逆にして、シミュレータデータに似るように動作データを変換し、（主に）シミュレータデータに対して訓練され得るＡＩモジュール１０及び／又は機械学習モデルに変換されたデータを供給することもできることに留意されたい。
その上、図５に例示する方法は、異なる産業システムから、例えば、小規模実験プラントなどのプラントＡから、大規模生産プラントなどのプラントＢにデータをどのように変換するかを学習するときにも適用することができる。
図６Ａ～６Ｅは、例証的な実施形態によるＡＩモジュール１０を訓練するための訓練データセットを生成する方法のステップを例示する。特に、図６Ａ～６Ｃは、産業システム中の漏れ検出用のデータ駆動型流れインジケータを実装するための本開示の例証的な使用ケースを例示する。図６Ａ～６Ｅは各々、データ要素の高速フーリエ変換の振幅を任意単位の周波数の関数として示す。
流れ測定は、産業システム又はプラントの動作を制御及び／又は監視する重要な構成要素であり得る。流れ誘起振動信号を体積流量と相関させることができるので、振動データを活用して、漏れ検出用のデータ駆動型流れインジケータを開発することができる。
そのような流れインジケータを開発するために、例えば、プロセスシミュレータ又は試験リグのうちのいずれかを使用して、訓練データ、例えば、初期訓練データセットが収集され得、センサは、試験リグのパイプに沿った異なる対象位置に設置され得る。制御された実験を実行することによって、システムを、異なる状態、例えば、「中断されない流れ」及び「漏れを伴う流れ」で実行することができる。異なる流れ状態が与えられると、分類モデル及び／又はＡＩモジュール１０は、例えば、生の振動データの高速フーリエ変換（ＦＦＴ）をこれらの状態にマッピングすることに基づいて訓練することができる。
データ駆動型フロー検出器の場合、その成功は、現実世界の設定におけるその関連性に依存し得る。従って、ＡＩモジュール１０が高い一般化力を有することは、訓練データセット又は初期訓練データセットにさらされていない場合であっても、流れを確実に検出することが可能であるという点で有利であり得る。しかしながら、プロセスシミュレータ又は試験リグを使用して行われる実験は、例えば、産業システム中で動作する追加のポンプに起因する周波数の励振など、環境的影響に起因する測定ノイズ又は他のノイズ効果を包含しないことがある。
例えば、図６Ａは、中断されない流れを示す試験リグにおいて行われた実験の実験データのＦＦＴを示す。図６Ｂは、産業システムの動作中の動作データ又は実データのＦＦＴを示す。見られるように、図６Ａに示す実験データのＦＦＴの振幅は、図６Ｂの振幅よりも小さい。加えて、追加のデータ要素及び／又は追加の周波数２０が、図６Ｂに示す動作データ又は実データのＦＦＴにおいて発生する。
図６Ａ及び６Ｂについて、システム構成は、試験リグ及び実プラントについて同じに設定されたが、実際のセットアップが追加のポンプ動作を含み、それが追加の周波数２０をもたらすという違いがあった。これらの図を見ることによって、同じ周波数が両方において励起されることを観察することができるが、図６Ｂの実プラントデータは、周波数２０のいくらかの追加の励起を有し、およそ２倍の振幅を有する。結果として、図６Ａに示すこの試験リグからのデータに対して訓練された機械学習モデル及び／又はＡＩモジュール１０は、図６Ｂに示す所与の実際のノイズのあるプラントデータに対して良好に機能しないことがある。
シミュレーション及び試験リグにおいて多くの制御された実験を行うことが可能であり得るが、実プラント又は産業システムにおいて同様の実験を行うことは、コスト、安全性、及びリソースを含むある特定の制約を課し得る。実際には、機会が与えられると、非常に限られた数の実験が実プラント又は産業システムにおいて行われ得る。実験を制御することによって、データシーケンス、データセット及び／又はデータ要素を、実データ又は動作データと合成データ又はシミュレーションデータとの間でより容易に一致させることができる。
本開示によると、しかしながら、そのような異なるデータセット間のデータ変換を決定することができる。データ変換は、次いで、機械学習モデル及び／又はＡＩモジュール１０を訓練するための初期訓練データセットを増強するために、１つ以上の更なるデータセットに適用することができる。このプロセスは、図６Ｃ～６Ｅに図示する。
特に、図６Ｃは、図６Ａに図示するものと同様のシミュレーション実験からのシミュレーションデータを示す。その中で、図６Ｃに示すデータは、第１のデータセット１２に対応し得る。更に、図６Ｄは、追加のデータ要素又は周波数２０を有する産業システムの動作データ又は測定データを示し、それは、本開示の文脈ではノイズ又はノイズ効果と見なすことができる。その中で、図６Ｄに示すデータは、第２のデータセット１４に対応し得る。第１のデータセット１２と第２のデータセット１４との比較に基づいて、データ変換が決定され得、それは、図６Ｄに示す周波数２０をもたらすノイズ又はノイズ効果の追加を含み得る。次いで、決定されたデータ変換を第１のデータセット１２及び／又は更なるデータセットに適用して、図６Ｅに例証的に示すような１つ以上の変換されたデータセットを生成することができ、データ変換の適用に起因して、追加のデータ要素又は周波数２０が再現され、反映され、及び／又は含まれる。次いで、出力された、増補された又は変換されたデータセットを使用して、より高い一般化力を有する可能性が高く、このことから、実プラント又は産業システムにより適している訓練機械学習モデル１０及び／又はＡＩモジュールへの訓練データセットを生成することができる。
図７Ａ及び７Ｂは、例証的な実施形態によるＡＩモジュールを訓練するための訓練データセットを生成する方法のステップを例示する。特に、図７Ａ及び７Ｂは、故障データを増補及び／又は補強するための本開示の例証的な使用ケースを例示する。図７Ａ及び７Ｂは各々、任意単位の時間の関数としての信号又はデータ要素の振幅を示す。
第１のデータセット１２は、図７Ａに示し、それは、産業システムの健全な動作又は公称動作からの公称動作データを指し得る。第２のデータセット１４は、図７Ｂに示し、それは、故障又はプロセス異常が存在する故障データを指し得るか、又は包含し得る。通常、そのような異常な（即ち、障害）イベント又はデータは非常に少ない。そのようなデータは、しかしながら、本開示に従って生成することができる。
例えば、データセットの１つ以上の障害エピソード又はセグメントは、非障害データセットの特性を使用して変換することができるか、又は逆もまた同様である。非障害データ要素を生成するために、非障害データセットの分布は、例えば、経験的分布、カーネル密度推定、及び／又は、例えば、敵対的生成ネットワーク、変分オートエンコーダなどの生成モデルを使用して推定することができる。このようにして、データ変換を導出することができる。その後、この分布推定及び／又はデータ変換は、例えば既存の障害データ要素又はデータセットと組み合わせて使用されて、新しい障害データ要素又はデータセットを生成することができる。例えば、これは、非障害データ時系列１２中の各点又はデータ要素の周囲の標準偏差２２を推定し、次いで、±２標準偏差２２の範囲（データの約９５％）中の障害データ時系列又はデータセット１４の平均の周囲の点又はデータ要素をサンプリングすることによって行うことができる。これは、障害データセット１４が非障害データセット１２とほぼ同じ分散を有するが、異なる値を中心とすると仮定し得る。
図８は、例証的な実施形態によるＡＩモジュール１０を訓練するための訓練データセットを生成する方法のステップを例示するフローチャートを示す。
図８では、Ｘ1,...,mは、異なる障害モード及び／又は障害シナリオを示し、ｎは、各モードからの例、データ要素、及び／又はデータセットの数である。図８のより太い矢印は、より複雑な例、データ要素、及び／又はデータセットの生成を指す。
例えば、機械学習段階に関して、図８は、モデル訓練及び／又はＡＩモジュール１０の訓練並びに変換されたデータセット（複数可）及び／又は訓練データセット（複数可）の生成を例示する。図８では、Ｘ（及びｙ又はｋ）は、データラベルを指し得、そのため、Ｘ1,...,mは、異なる障害モードを示し得、ｙ又はｋは、正常データを示す。モデル及び／又はＡＩモジュール１０は、入力データが与えられると、ラベルＸ及びｙ又はｋの確率を予測し得る。
この場合、障害データに変換される分布を学習するために使用される正常データは、好ましくは、分布を正確に捕捉するために、障害データの動作コンディションと一致し得る。これは、１分当たりの回転数又は一般的な回転機器についての電力消費のような動作コンディション、又は流れ、温度、若しくは圧力のようなプロセスコンディションの近似に基づいて選択されたデータによって達成することができる。
図８のステップＳ１では、例えば、複数の動作モードで非障害のセンサデータが決定され得る。センサデータは、第１及び／又は第２のデータセットとして使用され得る。ステップＳ２では、データ変換は、例えばカーネル密度推定を通じて、それに基づいて決定され得る。データ変換は、次いで、図８においてＸn,mによって示す、障害例、データ要素、及び／又はデータセットにステップＳ３において適用されて、図８においてアクセント～を有するＸn,mによって示す変換されたデータセットを生成し得る。
図９は、例証的な実施形態によるＡＩモジュール１０を訓練するための訓練データセットを生成する方法のステップを例示するフローチャートを示す。
ステップＳ１では、１つ以上のデータセット、例えば第１のデータセット１２が、関心のあるデータ要素及び／又はシーケンスについて検索される。データ要素及び／又はシーケンスは、例えば、プロセス値、設定点の変化、ポンプのような資産についてのある特定の負荷状況、及び／又は、例えば、パイプ漏れのような故障の存在などの外部理由などのある特定のデータ特性のために関心を引くものであり得る。次いで、対応する第２のデータセット１４が存在するかどうか、又は第２のデータセット１４をシミュレーション及び／又は実験によって生成することができるかどうかがチェックされ得る。第２のデータセット１４は、第１のデータセット１２中で見出されるシーケンス中に存在する構成及び／又はシーケンスを模倣して、ステップＳ２において生成することができる。第２のデータセット１４が例えば履歴データセットのみであり、シミュレーション及び／又は実験によって新しいデータを生成することができない場合、ステップＳ２’において、第２のデータセット１４中で同様のシーケンスについて検索することができる。
次のステップＳ３では、第１のデータセット１２のデータ要素を第２のデータセット１４のデータ要素に、又はその逆に変換するためのデータ変換を決定及び／又は学習するためにステップＳ４において使用することができる予備訓練データセットを生成することができる。例えば、第１及び第２のデータセット１２、１４からのデータ要素は、例えば、データセットのうちの１つからの予測子シーケンス及び他のデータセットからのラベルシーケンスに一致させることができる。
この予備訓練データセットを用いて、機械学習アルゴリズム及び／又はＡＩモジュール１０を、例えば、ガウス回帰、カーネル密度推定、和積ネットワーク、若しくは敵対的生成ネットワークの助けを借りて確率分布ｐ（Ａ｜Ｂ）を学習することによって、又は一方のデータセットから他方のデータセットへの値をマッピングする回帰関数を単に学習することによって、データ変換を実行するように訓練することができる。
データ変換が学習及び／又は決定されると、ステップＳ５において、１つ以上の変換されたデータセットを生成し、例えば訓練データセットにマージすることができる。代替として、ステップＳ５’では、第１又は第２のデータセット１２、１４のうちの一方からのデータ要素を、第１及び第２のデータセット１２、１４のうちの他方におけるシーケンスを一致させることなく変換して、ステップＳ６において（組み合わせられた）訓練データセットを作成して、ステップＳ７において、例えば予知保全、プロセス監視、時系列予測などのための機械学習モデルなどの１次機械学習タスクのためにＡＩモジュール１０を訓練することができる。
本発明は、図面及び前述の説明において詳細に例示及び説明したが、そのような例示及び説明は、例示又は例証であって限定的ではないと見なされるべきであり、本発明は、開示した実施形態に限定されない。開示した実施形態に対する他の変形形態は、図面、開示、及び添付の特許請求の範囲の検討から、特許請求された発明を実施する際に当業者が理解及び達成することができる。
特許請求の範囲では、「備える」という単語は、他の要素又はステップを除外せず、不定冠詞「ａ」又は「ａｎ」は、複数を除外しない。ある特定の手段が相互に異なる従属請求項に記載されているという単なる事実は、これらの手段の組み合わせを有利に使用することができないことを示さない。特許請求の範囲におけるいかなる参照符号も、範囲を限定するものとして解釈されるべきではない。

Claims (23)

  1. 人工知能モジュール（１０）、ＡＩモジュールを訓練するための訓練データセットを生成するコンピュータ実装方法であって、前記方法は、
    データストレージ（１０２）上に、第１のデータセット（１２）及び第２のデータセット（１４）を提供することと、ここにおいて、前記第１のデータセットは、産業システムの第１の動作コンディションを示す１つ以上の第１のデータ要素（１３）を含み、前記第２のデータセットは、前記産業システムの第２の動作コンディションを示す１つ以上の第２のデータ要素（１５）を含み、前記第１の動作コンディションは、前記第２の動作コンディションと実質的に一致する、
    前記第１のデータセット（１２）の前記１つ以上の第１のデータ要素（１３）を前記第２のデータセット（１４）の前記１つ以上の第２のデータ要素（１５）に変換するためのデータ変換を決定することと、
    前記第１のデータセットの前記１つ以上の第１のデータ要素（１３）及び／又は１つ以上の更なるデータセットの１つ以上の更なるデータ要素に決定された前記データ変換を適用し、それによって、変換されたデータセットを生成することと、
    変換された前記データセットの少なくとも一部に基づいて、前記ＡＩモジュール（１０）を訓練するための訓練データセットを生成することと
    を備える、方法。
  2. 前記訓練データセットを生成することは、
    前記ＡＩモジュール（１０）を訓練するための初期訓練データセットを提供することと、
    変換された前記データセットの前記少なくとも一部で前記初期訓練データセットを補うことと
    を備える、請求項１に記載の方法。
  3. 前記初期訓練データセットを補うことは、
    前記初期訓練データセットに変換された前記データセットの前記少なくとも一部を追加すること、及び／又は、
    変換された前記データセットの前記少なくとも一部で前記初期訓練データセットの少なくとも一部を置換することと
    を備える、請求項２に記載の方法。
  4. 前記第１のデータセット（１２）中で、前記産業システムの前記第１の動作コンディションを示す前記１つ以上の第１のデータ要素（１３）を識別及び／若しくは選択すること、並びに／又は、
    前記第２のデータセット（１４）中で、前記産業システムの前記第２の動作コンディションを示す前記１つ以上の第２のデータ要素（１５）を識別及び／若しくは選択すること
    を更に備える、請求項１～３のうちのいずれか一項に記載の方法。
  5. 前記第１のデータセット（１２）の前記１つ以上の第１のデータ要素（１３）は、時間に関連し、及び／又は、
    前記第２のデータセット（１４）の前記１つ以上の第２のデータ要素（１５）は、時間に関連する、
    請求項１～４のうちのいずれか一項に記載の方法。
  6. 前記産業システムの少なくとも１つの動作パラメータに関して、前記１つ以上の第１のデータ要素（１３）を前記１つ以上の第２のデータ要素（１５）に一致させること、ここにおいて、前記少なくとも１つの動作パラメータは、前記産業システムの動作を示す、
    を更に備える、請求項１～５のうちのいずれか一項に記載の方法。
  7. 前記少なくとも１つの動作パラメータは、前記産業システムの動作時間であり、及び／又は、
    前記１つ以上の第１のデータ要素（１３）は、前記産業システムの動作時間に関して前記１つ以上の第２のデータ要素（１５）に一致される、
    請求項６に記載の方法。
  8. 前記データ変換は、前記１つ以上の第１のデータ要素（１３）の各々について要素毎に決定される、
    請求項１～７のうちのいずれか一項に記載の方法。
  9. 前記データ変換は、機械学習アルゴリズムを使用して決定される、
    請求項１～８のうちのいずれか一項に記載の方法。
  10. 前記データ変換は、カーネル密度推定、ガウス回帰、人口ニューラルネットワーク、敵対的生成ネットワーク、和積ネットワーク、及び敵対的ニューラルネットワークのうちの少なくとも１つを使用して決定される、
    請求項１～９のうちのいずれか一項に記載の方法。
  11. 前記データ変換は、非確率的に決定される、
    請求項１～８のうちのいずれか一項に記載の方法。
  12. 前記第１のデータセット（１２）及び前記第２のデータセット（１４）のうちの少なくとも１つは、前記産業システムの動作のシミュレーションを記述するシミュレーションデータを含み、
    前記第１のデータセット（１２）及び前記第２のデータセット（１４）のうちの少なくとも１つは、前記産業システムの実際の動作を記述する動作データを含む、
    請求項１～１１のうちのいずれか一項に記載の方法。
  13. 前記第１のデータセット（１２）は、前記産業システムの動作のシミュレーションを記述するシミュレーションデータを含み、前記第２のデータセット（１４）は、前記産業システムの実際の動作を記述する動作データを含み、
    前記データ変換を決定することは、前記データ変換を適用することによって、ノイズが変換された前記データセット中に再現されるように、前記第２のデータセットの前記１つ以上の第２のデータ要素の前記ノイズを決定することを備える、
    請求項１～１２のうちのいずれか一項に記載の方法。
  14. 決定された前記ノイズは、前記１つ以上の第２のデータ要素（１５）の測定ノイズを表し、及び／又は、
    決定された前記ノイズは、前記産業システムの前記実際の動作に影響を及ぼす環境的影響を表す、
    請求項１３に記載の方法。
  15. 前記第１のデータセット（１２）及び前記第２のデータセット（１４）のうちの少なくとも１つは、前記産業システムの動作不良を記述する故障データを含み、
    前記第１のデータセット及び前記第２のデータセットのうちの少なくとも１つは、前記産業システムの公称動作を記述する公称動作データを含む、
    請求項１～１４のうちのいずれか一項に記載の方法。
  16. 前記第１のデータセット（１２）は、前記産業システムの公称動作を記述する公称動作データを含み、前記第２のデータセット（１４）は、前記産業システムの動作不良を記述する故障データを含み、
    前記データ変換を決定することは、前記データ変換を適用することによって、前記産業システムの前記動作不良が変換された前記データセット中に再現されるように、前記第２のデータセット中で、前記産業システムの前記動作不良を記述する前記故障データを決定することを備える、
    請求項１～１５のうちのいずれか一項に記載の方法。
  17. コンピュータ（１００）の１つ以上のプロセッサによって実行されると、前記コンピュータ（１００）に、請求項１～１６のうちのいずれか一項に記載の方法のステップを実行するように命令するコンピュータプログラム。
  18. 請求項１７に記載のコンピュータプログラムを記憶する非一時的コンピュータ可読媒体。
  19. 産業システムを監視及び／又は制御するために使用可能な人工知能モジュール（１０）を訓練するための請求項１～１６のうちのいずれか一項に記載の方法に従って生成される訓練データセットの使用。
  20. 人工知能モジュール（１０）、ＡＩモジュールを訓練するコンピュータ実装方法であって、
    請求項１～１６のうちのいずれか１項に記載の訓練データセットを生成することと、
    生成された前記訓練データセットで前記ＡＩモジュール（１０）を訓練することと
    を備える、方法。
  21. 産業プロセスを監視及び／又は制御するための人工知能モジュール（１０）、ＡＩモジュールを備えるコンピュータ（１００）であって、
    前記コンピュータ（１００）は、請求項２０に記載の方法に従って前記ＡＩモジュール（１０）を訓練するように構成され、及び／又は、
    前記ＡＩモジュール（１０）は、請求項２０に記載の方法に従って訓練される、
    コンピュータ。
  22. 産業システムを監視及び／又は制御するための請求項２０に記載の方法に従って訓練される人工知能モジュール（１０）の使用。
  23. 産業システムを監視及び／又は制御するための請求項２１に記載のコンピュータ（１００）の使用。
JP2022560023A 2020-03-31 2021-03-10 産業上の利用のために人工知能モジュールを訓練すること Pending JP2023520476A (ja)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
EPPCT/EP2020/059136 2020-03-31
EPPCT/EP2020/059136 2020-03-31
PCT/EP2021/056099 WO2021197783A1 (en) 2020-03-31 2021-03-10 Training an artificial intelligence module for industrial applications

Publications (1)

Publication Number Publication Date
JP2023520476A true JP2023520476A (ja) 2023-05-17

Family

ID=74858463

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2022560023A Pending JP2023520476A (ja) 2020-03-31 2021-03-10 産業上の利用のために人工知能モジュールを訓練すること

Country Status (6)

Country Link
US (1) US20230094914A1 (ja)
EP (1) EP4128088A1 (ja)
JP (1) JP2023520476A (ja)
CN (1) CN115335836A (ja)
CA (1) CA3173428A1 (ja)
WO (1) WO2021197783A1 (ja)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20230297073A1 (en) * 2022-03-16 2023-09-21 International Business Machines Corporation Prediction and operational efficiency for system-wide optimization of an industrial processing system

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9110452B2 (en) * 2011-09-19 2015-08-18 Fisher-Rosemount Systems, Inc. Inferential process modeling, quality prediction and fault detection using multi-stage data segregation
US10751879B2 (en) * 2017-06-05 2020-08-25 Autodesk, Inc. Adapting simulation data to real-world conditions encountered by physical processes
CN109753998A (zh) * 2018-12-20 2019-05-14 山东科技大学 基于对抗式生成网络的故障检测方法及系统、计算机程序

Also Published As

Publication number Publication date
US20230094914A1 (en) 2023-03-30
WO2021197783A1 (en) 2021-10-07
EP4128088A1 (en) 2023-02-08
CN115335836A (zh) 2022-11-11
CA3173428A1 (en) 2021-10-07

Similar Documents

Publication Publication Date Title
JP7069269B2 (ja) デジタル・ツイン・シミュレーション・データを利用した時系列データに基づく、大規模な産業用監視システム向けの半教師あり深層異常検出のための方法およびシステム
US11334407B2 (en) Abnormality detection system, abnormality detection method, abnormality detection program, and method for generating learned model
CN106951695B (zh) 多工况下的机械设备剩余使用寿命计算方法及系统
Lang et al. Artificial intelligence-based technique for fault detection and diagnosis of EV motors: A review
Dong et al. Bearing degradation process prediction based on the PCA and optimized LS-SVM model
Yan et al. Gaussian mixture model using semisupervised learning for probabilistic fault diagnosis under new data categories
US11436693B2 (en) Machine learning device and machine learning method for learning correlation between shipment inspection information and operation alarm information for object
Mathew et al. Regression kernel for prognostics with support vector machines
Gouriveau et al. Strategies to face imbalanced and unlabelled data in PHM applications.
US20210333768A1 (en) Control support apparatus, control support method, computer readable medium with control support program recorded thereon and control system
de Calle et al. Dynamic condition monitoring method based on dimensionality reduction techniques for data-limited industrial environments
Berri et al. Learning for predictions: Real-time reliability assessment of aerospace systems
US20230094914A1 (en) Training an Artificial Intelligence Module for Industrial Applications
Ding et al. A zero-shot soft sensor modeling approach using adversarial learning for robustness against sensor fault
Luo et al. An improved recursive ARIMA method with recurrent process for remaining useful life estimation of bearings
Zhao et al. Research on digital twin driven rolling bearing model-data fusion life prediction method
US20230080873A1 (en) An Industrial Process Model Generation System
Chen et al. Fault diagnosis and Prediction Algorithm of Digital Distribution Network based on Deep Learning
Izquierdo Condition monitoring of the cooling of variable speed drives using artificial intelligence
Shao et al. A useful technology for PHM with signal simulation
Mathew Prognostics and Health Management with Support Vector Machines Considering Imbalanced Data
Pan et al. The Application of Artificial Intelligence Technology in the Fault Diagnosis of Assets in Power Grid
Li et al. Remaining useful life prediction of rolling bearing based on ensemble learning
Wang et al. A Multi-View Spatio-Temporal Feature Fusion Approach for Wind Turbine Condition Monitoring Based on SCADA Data
Nichifor Data-Driven Fault Diagnostic Methods of Mechanical Systems Based on Koopman Operator

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20220930

RD02 Notification of acceptance of power of attorney

Free format text: JAPANESE INTERMEDIATE CODE: A7422

Effective date: 20230104

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20230919

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20231024

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20240105

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20240206

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20240404

A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20240416