JPWO2022130098A5 - - Google Patents

Download PDF

Info

Publication number
JPWO2022130098A5
JPWO2022130098A5 JP2023534934A JP2023534934A JPWO2022130098A5 JP WO2022130098 A5 JPWO2022130098 A5 JP WO2022130098A5 JP 2023534934 A JP2023534934 A JP 2023534934A JP 2023534934 A JP2023534934 A JP 2023534934A JP WO2022130098 A5 JPWO2022130098 A5 JP WO2022130098A5
Authority
JP
Japan
Prior art keywords
local
computer
implemented method
model
models
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
JP2023534934A
Other languages
Japanese (ja)
Other versions
JP2023553909A (en
Publication date
Priority claimed from US17/123,088 external-priority patent/US20220188775A1/en
Application filed filed Critical
Publication of JP2023553909A publication Critical patent/JP2023553909A/en
Publication of JPWO2022130098A5 publication Critical patent/JPWO2022130098A5/ja
Pending legal-status Critical Current

Links

Claims (22)

資産の故障を予測するコンピュータ実施方法であって、前記コンピュータ実施方法は、
前記資産の特徴を静的特徴、半静的特徴および動的特徴に区切ることと、
前記静的特徴および前記半静的特徴に基づいて、前記資産のコホートを形成することと、
前記コホートの各々のために、ローカル・サイトでローカル・モデルを生成することと、
各故障タイプのために、前記コホートの各々のための前記ローカル・モデルをローカル・データ上で訓練することと、
訓練された前記ローカル・モデルを中央データベースと共有することと、
複数の前記ローカル・サイトからの複数の前記ローカル・モデルの集約に基づいて、グローバル・モデルを作成することと、
前記複数のローカル・サイトの各々で、
前記コホートの各々のために、前記グローバル・モデルまたは前記ローカル・モデルを選ぶことと、
前記コホートの１つに属する前記資産のうちの１つまたは複数の故障を予測するために、選ばれた前記モデルをローカル・データ上で動作させることと、
を含むコンピュータ実施方法。 A computer-implemented method of predicting asset failure, the computer-implemented method comprising:
dividing the characteristics of the asset into static characteristics, semi-static characteristics and dynamic characteristics;
forming a cohort of assets based on the static characteristics and the semi-static characteristics;
generating a local model at a local site for each of said cohort;
training the local model for each of the cohorts on local data for each failure type;
sharing the trained local model with a central database;
creating a global model based on aggregation of a plurality of said local models from a plurality of said local sites;
At each of the plurality of local sites,
selecting the global model or the local model for each of the cohorts;
operating the selected model on local data to predict failure of one or more of the assets belonging to one of the cohorts;
computer-implemented methods including; 前記コンピュータ実施方法は、前記コホートの各々のための前記ローカル・モデルの各々を作成するためのテンプレート・モデルを生成することをさらに含む、
請求項１に記載のコンピュータ実施方法。 The computer-implemented method further includes generating a template model for creating each of the local models for each of the cohorts.
The computer-implemented method of claim 1. 前記コンピュータ実施方法は、
前記複数のローカル・サイトの各々からの前記ローカル・モデルをローカル・モデルのプール内にプールすることと、
前記グローバル・モデルの性能と、ローカル・モデルの前記プールからの前記ローカル・モデルのうちの選択された１つと、を決定することと、
をさらに含む、
請求項１に記載のコンピュータ実施方法。 The computer-implemented method includes:
pooling the local models from each of the plurality of local sites into a pool of local models;
determining the performance of the global model and a selected one of the local models from the pool of local models;
further including,
The computer-implemented method of claim 1. 選ばれた前記モデルは、前記グローバル・モデルの前記性能と、前記ローカル・モデルのうちの前記選択された１つと、に基づいて選択される、
請求項３に記載のコンピュータ実施方法。 the selected model is selected based on the performance of the global model and the selected one of the local models;
4. The computer-implemented method of claim 3. 前記コンピュータ実施方法は、前記グローバル・モデルと前記ローカル・モデルのうちの前記選択された１つとの間のミスマッチを決定することをさらに含む、
請求項３に記載のコンピュータ実施方法。 The computer-implemented method further includes determining a mismatch between the global model and the selected one of the local models.
4. The computer-implemented method of claim 3. 前記コンピュータ実施方法は、前記資産の前記ローカル・データに基づいて選ばれた前記モデルをチューニングして、前記ローカル・モデルの性能を改善することをさらに含む、
請求項３に記載のコンピュータ実施方法。 The computer-implemented method further includes tuning the selected model based on the local data of the asset to improve performance of the local model.
4. The computer-implemented method of claim 3. 前記コンピュータ実施方法は、チューニングされ選ばれた前記モデルをローカル・モデルの前記プールに提供することをさらに含む、
請求項６に記載のコンピュータ実施方法。 The computer-implemented method further includes providing the tuned and selected model to the pool of local models.
7. The computer-implemented method of claim 6. 前記コンピュータ実施方法は、前記コホートの各々のためのローカル・モデルの前記プール内の前記ローカル・モデルの各々の平均に基づいて、前記グローバル・モデルを更新することをさらに含む、
請求項３に記載のコンピュータ実施方法。 The computer-implemented method further includes updating the global model based on an average of each of the local models in the pool of local models for each of the cohorts.
4. The computer-implemented method of claim 3. ローカル・モデルの前記プール内の前記ローカル・モデルの各々は、前記ローカル・モデルをローカル・モデルの前記プールに提供した前記ローカル・サイトの資産の平均数に基づいて重み付けされる、
請求項３に記載のコンピュータ実施方法。 each of the local models in the pool of local models is weighted based on the average number of assets of the local site that contributed the local model to the pool of local models;
4. The computer-implemented method of claim 3. 資産の故障を予測するためのコンピュータ実施方法であって、前記コンピュータ実施方法は、
前記資産の特徴を静的特徴、半静的特徴および動的特徴に区切ることと、
前記静的特徴および前記半静的特徴に基づいて、前記資産のコホートを形成することと、
前記コホートの各々のために、ローカル・サイトでローカル・モデルを生成することと、
前記ローカル・モデルを中央データベースと共有することと、
それぞれの複数の前記ローカル・サイトからの複数の前記ローカル・モデルから前記ローカル・モデルのプールを形成することと、
前記複数の前記ローカル・サイトからの前記複数の前記ローカル・モデルの集約に基づいて、グローバル・モデルを作成することと、
前記複数のローカル・サイトの各々で、
前記コホートの各々のために、前記グローバル・モデルのうちの１つおよびローカル・モデルの前記プールから前記複数のローカル・モデルのうちの１つを選ぶことと、
前記コホートの１つに属する前記資産のうちの１つまたは複数の前記故障を予測するために、選ばれた前記モデルをローカル・データ上で動作させることと、
を含むコンピュータ実施方法。 A computer-implemented method for predicting asset failure, the computer-implemented method comprising:
dividing the characteristics of the asset into static characteristics, semi-static characteristics and dynamic characteristics;
forming a cohort of assets based on the static characteristics and the semi-static characteristics;
generating a local model at a local site for each of said cohort;
sharing the local model with a central database;
forming the pool of local models from a plurality of the local models from each of the plurality of local sites;
creating a global model based on aggregation of the plurality of local models from the plurality of local sites;
At each of the plurality of local sites,
selecting, for each of the cohorts, one of the global models and one of the plurality of local models from the pool of local models;
operating the selected model on local data to predict the failure of one or more of the assets belonging to one of the cohorts;
computer-implemented methods including; 前記コンピュータ実施方法は、前記コホートの各々のための前記ローカル・モデルの各々を作成するためのテンプレート・モデルを生成することをさらに含む、
請求項１０に記載のコンピュータ実施方法。 The computer-implemented method further includes generating a template model for creating each of the local models for each of the cohorts.
11. The computer-implemented method of claim 10. 前記コンピュータ実施方法は、前記グローバル・モデルと選ばれた前記モデルとの間のミスマッチを決定することをさらに含む、
請求項１０に記載のコンピュータ実施方法。 The computer-implemented method further includes determining a mismatch between the global model and the selected model.
11. The computer-implemented method of claim 10. 前記コンピュータ実施方法は、ローカル・データに基づいて選ばれた前記モデルをチューニングして、前記ローカル・モデルの性能を改善することをさらに含む、
請求項１０に記載のコンピュータ実施方法。 The computer-implemented method further includes tuning the selected model based on local data to improve performance of the local model.
11. The computer-implemented method of claim 10. 前記コンピュータ実施方法は、チューニングされ選ばれた前記モデルをローカル・モデルの前記プールに提供することをさらに含む、
請求項１３に記載のコンピュータ実施方法。 The computer-implemented method further includes providing the tuned and selected model to the pool of local models.
14. The computer-implemented method of claim 13. 前記コンピュータ実施方法は、前記コホートの各々のためのローカル・モデルの前記プール内の前記ローカル・モデルの各々の平均に基づいて、前記グローバル・モデルを更新することをさらに含む、
請求項１０に記載のコンピュータ実施方法。 The computer-implemented method further includes updating the global model based on an average of each of the local models in the pool of local models for each of the cohorts.
11. The computer-implemented method of claim 10. ローカル・モデルの前記プール内の前記ローカル・モデルの各々は、前記ローカル・モデルをローカル・モデルの前記プールに提供した前記ローカル・サイトの資産の平均数に基づいて重み付けされる、
請求項１５に記載のコンピュータ実施方法。 each of the local models in the pool of local models is weighted based on the average number of assets of the local site that contributed the local model to the pool of local models;
16. The computer-implemented method of claim 15. 資産の故障予測のためのコンピュータ実施方法であって、前記コンピュータ実施方法は、
前記資産の特徴を静的特徴、半静的特徴および動的特徴に区切ることと、
前記静的特徴および前記半静的特徴に基づいて、前記資産のコホートを形成することと、
前記コホートの各々のために、ローカル・サイトでローカル・モデルを生成することと、
前記コホートの各々のために、グローバル・モデルを作成することと、
複数のローカル・サイトの各々で、
前記コホートの各々のために、前記グローバル・モデルおよび前記ローカル・モデルの１つを選ぶことと、
前記コホートの１つに属する前記資産のうちの１つまたは複数の故障を予測するために、選ばれた前記モデルを前記ローカル・サイトにローカルなデータ上で動作させることと、
を含むコンピュータ実施方法。 A computer-implemented method for asset failure prediction, the computer-implemented method comprising:
dividing the characteristics of the asset into static characteristics, semi-static characteristics and dynamic characteristics;
forming a cohort of assets based on the static characteristics and the semi-static characteristics;
generating a local model at a local site for each of said cohort;
creating a global model for each of said cohorts;
At each of multiple local sites,
selecting one of the global model and the local model for each of the cohorts;
operating the selected model on data local to the local site to predict failure of one or more of the assets belonging to one of the cohorts;
computer-implemented methods including; 前記コンピュータ実施方法は、
前記複数のローカル・サイトのための前記ローカル・モデルの各々を中央データベース内に格納することと、
前記コホートの各々のためのローカル・モデルのプール内の前記ローカル・モデルの各々の平均に基づいて、前記グローバル・モデルを更新することと、
をさらに含む、
請求項１７に記載のコンピュータ実施方法。 The computer-implemented method includes:
storing each of the local models for the plurality of local sites in a central database;
updating the global model based on an average of each of the local models in a pool of local models for each of the cohorts;
further including,
18. The computer-implemented method of claim 17. ローカル・モデルの前記プール内の前記ローカル・モデルの各々は、前記ローカル・モデルをローカル・モデルの前記プールに提供した前記ローカル・サイトの資産の平均数に基づいて重み付けされる、
請求項１８に記載のコンピュータ実施方法。 each of the local models in the pool of local models is weighted based on the average number of assets of the local site that contributed the local model to the pool of local models;
19. The computer-implemented method of claim 18. 前記コンピュータ実施方法は、
前記複数のローカル・サイトの各々で、
前記コホートの各々のために、更新された前記グローバル・モデルおよび前記ローカル・モデルの１つを選ぶことと、
前記資産の故障を予測するために、選ばれた前記モデルをローカル・データ上で動作させることと、
をさらに含む、
請求項１８に記載のコンピュータ実施方法。 The computer-implemented method includes:
At each of the plurality of local sites,
selecting one of the updated global model and the local model for each of the cohorts;
operating the selected model on local data to predict failure of the asset;
further including,
19. The computer-implemented method of claim 18. コンピュータ・プログラムであって、請求項１ないし２０のいずれか１項に記載の方法をコンピュータに実行させるための、コンピュータ・プログラム。 A computer program for causing a computer to execute the method according to any one of claims 1 to 20. 請求項２１に記載のコンピュータ・プログラムを記録した、非一過性コンピュータ可読記憶媒体。 A non-transitory computer-readable storage medium having recorded thereon the computer program according to claim 21.
JP2023534934A 2020-12-15 2021-12-02 Federated learning for multi-label classification models for oil pump management Pending JP2023553909A (en)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US17/123,088 2020-12-15
US17/123,088 US20220188775A1 (en) 2020-12-15 2020-12-15 Federated learning for multi-label classification model for oil pump management
PCT/IB2021/061237 WO2022130098A1 (en) 2020-12-15 2021-12-02 Federated learning for multi-label classification model for oil pump management

Publications (2)

Publication Number Publication Date
JP2023553909A JP2023553909A (en) 2023-12-26
JPWO2022130098A5 true JPWO2022130098A5 (en) 2024-01-10

Family

ID=81941542

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2023534934A Pending JP2023553909A (en) 2020-12-15 2021-12-02 Federated learning for multi-label classification models for oil pump management

Country Status (5)

Country Link
US (1) US20220188775A1 (en)
JP (1) JP2023553909A (en)
CN (1) CN116601632A (en)
DE (1) DE112021005868T5 (en)
WO (1) WO2022130098A1 (en)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116432040B (en) * 2023-06-15 2023-09-01 上海零数众合信息科技有限公司 Model training method, device and medium based on federal learning and electronic equipment

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6708163B1 (en) * 1999-02-24 2004-03-16 Hillol Kargupta Collective data mining from distributed, vertically partitioned feature space
US8392343B2 (en) * 2010-07-21 2013-03-05 Yahoo! Inc. Estimating probabilities of events in sponsored search using adaptive models
US20170308802A1 (en) * 2016-04-21 2017-10-26 Arundo Analytics, Inc. Systems and methods for failure prediction in industrial environments
US20200364608A1 (en) * 2019-05-13 2020-11-19 International Business Machines Corporation Communicating in a federated learning environment
CN111369042B (en) * 2020-02-27 2021-09-24 山东大学 Wireless service flow prediction method based on weighted federal learning
CN111382706A (en) * 2020-03-10 2020-07-07 深圳前海微众银行股份有限公司 Prediction method and device based on federal learning, storage medium and remote sensing equipment
CN111798002A (en) * 2020-05-31 2020-10-20 北京科技大学 Local model proportion controllable federated learning global model aggregation method
WO2021247448A1 (en) * 2020-06-01 2021-12-09 Intel Corporation Federated learning optimizations
CN111754000B (en) * 2020-06-24 2022-10-14 清华大学 Quality-aware edge intelligent federal learning method and system
CN111737749A (en) * 2020-06-28 2020-10-02 南方电网科学研究院有限责任公司 Measuring device alarm prediction method and device based on federal learning
EP4214584A4 (en) * 2020-08-20 2024-05-15 Hitachi Vantara LLC Systems and methods for an automated data science process
US11704942B2 (en) * 2020-10-29 2023-07-18 Caterpillar Inc. Undercarriage wear prediction using machine learning model
US20220138260A1 (en) * 2020-10-30 2022-05-05 Here Global B.V. Method, apparatus, and system for estimating continuous population density change in urban areas

Similar Documents

Publication Publication Date Title
JP7413580B2 (en) Generating integrated circuit floorplans using neural networks
US11556690B2 (en) Generating integrated circuit placements using neural networks
JP6758406B2 (en) Wide and deep machine learning model
US8532968B2 (en) Method of improving the production of a mature gas or oil field
WO2020155300A1 (en) Model prediction method and device
Chen Characterizing growth and form of fractal cities with allometric scaling exponents
US20230297553A1 (en) Relation-enhancement knowledge graph embedding method and system
Schirmann et al. Data-driven models for vessel motion prediction and the benefits of physics-based information
US20170206451A1 (en) Centralized management of predictive models
Zhang Application of data mining and machine learning in management accounting information system
JPWO2022130098A5 (en)
CN117631682A (en) Method and system for determining inspection route of unmanned aerial vehicle of power grid
US20220327482A1 (en) Artificial intelligence for freight estimation
CN108229572B (en) Parameter optimization method and computing equipment
CN113887067A (en) Compact low-permeability reservoir fracturing well pattern gas flooding effect prediction method based on LSTM
US20230289721A1 (en) Systems and methods for probabilistic estimation in tree-based forecast models
US12086822B2 (en) Crisis-recovery data analytics engine in a data analytics system
US11897818B2 (en) Machine learning concrete optimization
Galiano et al. Application of Sleator-Tarjan Dynamic Trees in a Monitoring System for the Arctic Region Based on Remote Sensing Data
US20240095424A1 (en) Alignment Cost for Integrated Circuit Placement
CN112990332B (en) Sub-graph scale prediction and distributed training method and device and electronic equipment
US20230196062A1 (en) Method and system for global explainability of neural networks
CN118709832A (en) Oil reservoir injection and production optimization method, device, equipment and medium
EP4409460A1 (en) Generating integrated circuit placements using neural networks
Dash Design of data scoring model for big data