KR20180010321A - 예측 모델들의 동적 실행 - Google Patents

예측 모델들의 동적 실행 Download PDF

Info

Publication number
KR20180010321A
KR20180010321A KR1020187001579A KR20187001579A KR20180010321A KR 20180010321 A KR20180010321 A KR 20180010321A KR 1020187001579 A KR1020187001579 A KR 1020187001579A KR 20187001579 A KR20187001579 A KR 20187001579A KR 20180010321 A KR20180010321 A KR 20180010321A
Authority
KR
South Korea
Prior art keywords
asset
analysis device
data
prediction model
model
Prior art date
Application number
KR1020187001579A
Other languages
English (en)
Inventor
애덤 맥켈리니
타일러 로버츠
마이클 호렐
브래드 니콜라스
Original Assignee
업테이크 테크놀로지스 인코포레이티드
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
Priority claimed from US14/744,362 external-priority patent/US10176279B2/en
Priority claimed from US14/963,207 external-priority patent/US10254751B2/en
Application filed by 업테이크 테크놀로지스 인코포레이티드 filed Critical 업테이크 테크놀로지스 인코포레이티드
Publication of KR20180010321A publication Critical patent/KR20180010321A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3003—Monitoring arrangements specially adapted to the computing system or computing system component being monitored
    • G06F11/3006—Monitoring arrangements specially adapted to the computing system or computing system component being monitored where the computing system is distributed, e.g. networked systems, clusters, multiprocessor systems
    • 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
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/048—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators using a predictor
    • 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
    • G05B23/0243—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 model based detection method, e.g. first-principles knowledge model
    • G05B23/0254—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 model based detection method, e.g. first-principles knowledge model based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, Neural Networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F15/00—Digital computers in general; Data processing equipment in general
    • G06F15/16—Combinations of two or more digital computers each having at least an arithmetic unit, a program unit and a register, e.g. for a simultaneous processing of several programs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/48—Program initiating; Program switching, e.g. by interrupt
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/34—Director, elements to supervisory
    • G05B2219/34477—Fault prediction, analyzing signal trends
    • 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
    • G05B23/0243—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 model based detection method, e.g. first-principles knowledge model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/48—Program initiating; Program switching, e.g. by interrupt
    • G06F9/4806—Task transfer initiation or dispatching
    • G06F9/4843—Task transfer initiation or dispatching by program, e.g. task dispatcher, supervisor, operating system
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/48—Program initiating; Program switching, e.g. by interrupt
    • G06F9/4806—Task transfer initiation or dispatching
    • G06F9/4843—Task transfer initiation or dispatching by program, e.g. task dispatcher, supervisor, operating system
    • G06F9/485—Task life-cycle, e.g. stopping, restarting, resuming execution
    • G06F9/4856—Task life-cycle, e.g. stopping, restarting, resuming execution resumption being on a different machine, e.g. task migration, virtual machine migration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/48—Program initiating; Program switching, e.g. by interrupt
    • G06F9/4806—Task transfer initiation or dispatching
    • G06F9/4843—Task transfer initiation or dispatching by program, e.g. task dispatcher, supervisor, operating system
    • G06F9/485—Task life-cycle, e.g. stopping, restarting, resuming execution
    • G06F9/4856—Task life-cycle, e.g. stopping, restarting, resuming execution resumption being on a different machine, e.g. task migration, virtual machine migration
    • G06F9/4862—Task life-cycle, e.g. stopping, restarting, resuming execution resumption being on a different machine, e.g. task migration, virtual machine migration the task being a mobile agent, i.e. specifically designed to migrate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
    • G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
    • G06F9/5044—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals considering hardware capabilities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
    • G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
    • G06F9/5055—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals considering software capabilities, i.e. software resources associated or available to the machine

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computer Hardware Design (AREA)
  • Automation & Control Theory (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Quality & Reliability (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Geometry (AREA)
  • Debugging And Monitoring (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Alarm Systems (AREA)
  • Computer And Data Communications (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)

Abstract

자산들에 관련된 시스템들, 디바이스들, 및 방법들과, 자산들의 동작에 관련되는 예측 모델들 및 대응하는 작업흐름들이 본원에서 개시되어 있다. 특히, 예들은 예측 모델들을 수신하고 로컬 실행을 행하고, 예측 모델들을 로컬로 개별화하고, 및/또는 작업흐름들 또는 그 부분들을 로컬 실행을 행하도록 구성된 자산들을 수반한다.

Description

예측 모델들의 동적 실행{DYNAMIC EXECUTION OF PREDICTIVE MODELS}
관련 출원들에 대한 상호-참조
이 출원은 (i) 2016 년 6 월 17 일자로 출원되고 Dynamic Execution of Predictive Models (예측 모델들의 동적 실행) 라는 명칭인 미국 정규 특허 출원 제 15/185,524 호, (ii) 2015 년 12 월 8 일자로 출원되고 Local Analytics at an Asset (자산에서의 로컬 분석) 라는 명칭인 미국 정규 특허 출원 제 14/963,207 호, 및 (iii) 2015 년 6 월 19 일자로 출원되고 Dynamic Execution of Predictive Models & Workflows (예측 모델들 및 작업흐름들의 동적 실행) 라는 명칭인 미국 정규 특허 출원 제 14/744,362 호에 대한 우선권을 주장하고, 그 각각은 그 전체적으로 참조로 본원에 편입된다. 이 출원은 또한, 2015 년 6 월 5 일자로 출원되고 Asset Health Score (자산 건전성 점수) 라는 명칭인 미국 정규 특허 출원 제 14/732,258 호를 그 전체적으로 참조로 편입시킨다.
오늘날, 머신들 (또한, "자산 (asset) 들" 로서 본원에서 지칭됨) 은 많은 산업들에서 유비쿼터스 (ubiquitous) 이다. 화물을 국가들에 걸쳐 전달하는 기관차들로부터, 간호사들 및 의사들이 생명들을 구하는 것을 돕는 의료용 장비까지, 자산들은 일상 생활에서 중요한 역할을 한다. 자산이 행하는 역할에 따라, 그 복잡도 및 비용이 변동될 수도 있다. 예를 들어, 일부 자산들은 자산이 적당하게 기능하기 위하여 협조하여 동작해야 하는 다수의 서브시스템들 (예컨대, 기관차의 엔진, 변속기 등) 을 포함할 수도 있다.
자산들이 일상 생활에서 행하는 핵심 역할로 인해, 자산들이 제한된 다운시간 (downtime) 으로 수리가능한 것이 바람직하다. 따라서, 일부는 아마도 최소의 다운시간으로 자산을 수리하는 것을 가능하게 하기 위하여 자산 내의 비정상적 조건들을 모니터링하고 검출하기 위한 메커니즘들을 개발하였다.
자산들을 모니터링하기 위한 현재의 접근법은 일반적으로, 다양한 센서들로부터 신호들을 수신하는 자산상 (on-asset) 컴퓨터 및/또는 자산의 동작 조건들을 모니터링하는 자산 전반에 걸쳐 분산된 액츄에이터들을 수반한다. 하나의 대표적인 예로서, 자산이 기관차일 경우, 센서들 및/또는 액츄에이터들은 다른 예들 중에서, 온도들, 전압들, 및 속력들과 같은 파라미터들을 모니터링할 수도 있다. 이 디바이스들 중의 하나 이상으로부터의 센서 및/또는 액츄에이터 신호들이 어떤 값들에 도달할 경우, 그 다음으로, 자산상 컴퓨터는 비정상적 조건이 자산 내에서 발생하였다는 표시인 "오류 코드 (fault code)" 와 같은 비정상적-조건 (abnormal-condition) 표시자를 생성할 수도 있다.
일반적으로, 비정상적 조건은 자산 및/또는 컴포넌트의 고장으로 이어질 수도 있는, 자산 또는 그 컴포넌트에서의 결함일 수도 있다. 이와 같이, 비정상적 조건이 소정의 고장 또는 고장들의 증상이라는 점에서, 비정상적 조건은 소정의 고장 또는 아마도 다수의 고장들과 연관될 수도 있다. 실제로, 사용자는 전형적으로 각각의 비정상적-조건 표시자와 연관된 센서들 및 개개의 센서 값들을 정의한다. 즉, 사용자는 자산의 "정상적" 동작 조건들 (예컨대, 오류 코드들을 트리거링하지 않는 것들) 및 "비정상적" 동작 조건들 (예컨대, 오류 코드들을 트리거링하는 것들) 을 정의한다.
자산상 컴퓨터가 비정상적-조건 표시자를 생성한 후, 표시자 및/또는 센서 신호들은 사용자가 비정상적 조건의 일부 표시 및/또는 센서 신호들을 수신할 수도 있고 액션을 취할 것인지 여부를 판단할 수도 있는 원격 로케이션으로 전달될 수도 있다. 사용자가 취할 수도 있는 하나의 액션은 자산을 평가하고 잠재적으로 수리하기 위하여 정비공을 배정하는 것이다. 일단 자산에서, 정비공은 컴퓨팅 디바이스를 자산에 접속시킬 수도 있고, 생성된 표시자의 원인을 진단하는 것을 가능하게 하기 위하여, 자산으로 하여금, 하나 이상의 로컬 진단 툴 (local diagnostic tool) 들을 사용하게 하도록 컴퓨팅 디바이스를 동작시킬 수도 있다.
현재의 자산-모니터링 시스템들은 비정상적-조건 표시자들을 트리거링함에 있어서 일반적으로 효과적이지만, 이러한 시스템들은 전형적으로 반응적이다. 즉, 자산 모니터링 시스템이 표시자를 트리거링할 때까지, 자산 내에서의 고장은 이미 발생하였을 수도 있고 (또는 발생하려고 함), 이것은 다른 단점들 중에서, 고비용의 다운시간으로 이어질 수도 있다. 추가적으로, 이러한 자산 모니터링 시스템들에서의 자산상 비정상 검출 메커니즘들의 단순한 특질로 인해, 현재의 자산 모니터링 접근법들은 원격 컴퓨팅 시스템이 자산에 대한 모니터링 연산들을 수행하고 그 다음으로, 문제가 검출될 경우에 명령들을 자산으로 송신하는 것을 수반하는 경향이 있다. 이것은 네트워크 레이턴시 (network latency) 로 인해 불리할 수도 있고 및/또는 자산이 통신 네트워크의 커버리지 (coverage) 외부로 이동할 때에 실현불가능할 수도 있다. 또한, 자산들 상에 저장된 로컬 진단 툴들의 특질로 인해, 정비공이 자산으로 하여금, 이러한 툴들을 사용하게 하도록 요구되기 때문에, 현재의 진단 절차들은 비효율적이고 번거로운 경향이 있다.
본원에서 개시된 일 예의 시스템들, 디바이스들, 및 방법들은 이 쟁점들 중의 하나 이상을 다루는 것을 돕도록 추구한다. 일 예의 구현예들에서, 네트워크 구성은 자산들과 원격 컴퓨팅 시스템 사이의 통신들을 가능하게 하는 통신 네트워크를 포함할 수도 있다. 일부 경우들에는, 통신 네트워크가 (예컨대, 암호화 또는 다른 보안 수단들을 통해) 자산들과 원격 컴퓨팅 시스템 사이의 보안 통신들을 가능하게 할 수도 있다.
위에서 언급된 바와 같이, 각각의 자산은 자산의 동작 조건들을 모니터링하는 것을 가능하게 하는, 자산 전반에 걸쳐 분산된 다수의 센서들 및/또는 액츄에이터들을 포함할 수도 있다. 다수의 자산들은 각각의 자산의 동작 조건들을 표시하는 개개의 데이터를 원격 컴퓨팅 시스템에 제공할 수도 있고, 원격 컴퓨팅 시스템은 제공된 데이터에 기초하여 하나 이상의 동작들을 수행하도록 구성될 수도 있다. 전형적으로, 센서 및/또는 액츄에이터 데이터 (예컨대, "신호 데이터") 는 일반적인 자산-모니터링 동작들을 위하여 사용될 수도 있다. 그러나, 본원에서 설명된 바와 같이, 원격 컴퓨팅 시스템 및/또는 자산들은 더 복잡한 동작들을 수행하는 것을 가능하게 하기 위하여 이러한 데이터를 활용할 수도 있다.
일 예의 구현예들에서, 원격 컴퓨팅 시스템은 자산들의 동작에 관련되는 예측 모델 및 대응하는 작업흐름 (workflow) ("모델-작업흐름 쌍" 으로서 본원에서 지칭됨) 을 정의하고 자산들에 전개 (deploy) 하도록 구성될 수도 있다. 자산들은 모델-작업흐름 쌍을 수신하고, 모델-작업흐름 쌍에 따라 동작하기 위하여 로컬 분석 디바이스를 사용하도록 구성될 수도 있다.
일반적으로, 모델-작업흐름 쌍은 자산으로 하여금, 어떤 동작 조건들을 모니터링하게 할 수도 있고, 어떤 조건들이 존재할 때, 특정한 이벤트의 발생을 방지하는 것을 가능하게 하는 것을 도울 수도 있는 거동을 수정할 수도 있다. 구체적으로, 예측 모델은 자산 센서들 및/또는 액츄에이터들의 특정한 세트로부터의 데이터를 입력들로서 수신할 수도 있고, 하나 이상의 특정한 이벤트들이 미래에 특정한 시간의 주기 내에서 자산에서 발생할 수 있을 가능성을 출력할 수도 있다. 작업흐름은 모델에 의해 출력되는 하나 이상의 특정한 이벤트들의 가능성에 기초하여 수행되는 하나 이상의 동작들을 수반할 수도 있다.
실제로, 원격 컴퓨팅 시스템은 집합적인 예측 모델 및 대응하는 작업흐름들, 개별화된 예측 모델들 및 대응하는 작업흐름들, 또는 그 일부 조합을 정의할 수도 있다. "집합적인 (aggregate)" 모델/작업흐름은 자산들의 그룹에 대하여 일반적인 모델/작업흐름을 지칭할 수도 있는 반면, "개별화된" 모델/작업흐름은 자산들의 그룹으로부터의 단일 자산 또는 자산들의 서브그룹에 대하여 맞추어지는 모델/작업흐름을 지칭할 수도 있다.
일 예의 구현예들에서, 원격 컴퓨팅 시스템은 다수의 자산들에 대한 이력 데이터 (historical data) 에 기초하여 집합적인 예측 모델을 정의함으로써 시작할 수도 있다. 다수의 자산들에 대한 데이터를 사용하는 것은 단일 자산에 대한 동작 데이터를 사용하는 것보다 더 정확한 예측 모델을 정의하는 것을 가능하게 할 수도 있다.
집합적인 모델의 기초를 형성하는 이력 데이터는 소정의 자산의 동작 조건들을 표시하는 적어도 동작 데이터를 포함할 수도 있다. 구체적으로, 동작 데이터는 고장들이 자산들에서 발생하였을 때의 사례들을 식별하는 비정상적-조건 데이터, 및/또는 그 사례들의 시간에 자산들에서 측정된 하나 이상의 물리적 성질들을 표시하는 데이터 (예컨대, 신호 데이터) 를 포함할 수도 있다. 데이터는 또한, 집합적인 모델-작업흐름 쌍을 정의하기 위하여 이용된 자산-관련된 데이터의 다른 예들 중에서, 자산들이 동작되었던 환경들을 표시하는 환경 데이터, 및 자산들이 사용되었을 때의 날짜들 및 시간들을 표시하는 스케줄링 데이터를 포함할 수도 있다.
이력 데이터에 기초하여, 원격 컴퓨팅 시스템은 특정한 이벤트들의 발생을 예측하는 집합적인 모델을 정의할 수도 있다. 특정한 예의 구현예에서, 집합적인 모델은 고장이 미래에 특정한 시간의 주기 내에서 자산에서 발생할 것이라는 확률을 출력할 수도 있다. 이러한 모델은 "고장 모델 (failure model)" 로서 본원에서 지칭될 수도 있다. 다른 집합적인 모델들은 다른 예의 예측 모델들 중에서, 자산이 미래에 특정한 시간의 주기 내에서 태스크를 완료할 가능성을 예측할 수도 있다.
집합적인 모델을 정의한 후, 그 다음으로, 원격 컴퓨팅 시스템은 정의된 집합적인 모델에 대응하는 집합적인 작업흐름을 정의할 수도 있다. 일반적으로, 작업흐름은 자산이 대응하는 모델에 기초하여 수행할 수도 있는 하나 이상의 동작들을 포함할 수도 있다. 즉, 대응하는 모델의 출력은 자산으로 하여금, 작업흐름 동작들을 수행하게 할 수도 있다. 예를 들어, 집합적인 모델-작업흐름 쌍은, 집합적인 모델이 특정한 범위 내에서 확률을 출력할 때, 자산이 로컬 진단 툴과 같은 특정한 작업흐름 동작을 실행하도록 정의될 수도 있다.
집합적인 모델-작업흐름 쌍이 정의된 후, 원격 컴퓨팅 시스템은 쌍을 하나 이상의 자산들로 송신할 수도 있다. 그 다음으로, 하나 이상의 자산들은 집합적인 모델-작업흐름 쌍에 따라 동작할 수도 있다.
일 예의 구현예들에서, 원격 컴퓨팅 시스템은 하나 또는 다수의 자산들에 대한 개별화된 예측 모델 및/또는 대응하는 작업흐름을 추가로 정의하도록 구성될 수도 있다. 원격 컴퓨팅 시스템은 다른 고려사항들 중에서, 각각의 소정의 자산의 어떤 특성들에 기초하여 그렇게 행할 수도 있다. 일 예의 구현예들에서, 원격 컴퓨팅 시스템은 기준선으로서의 집합적인 모델-작업흐름 쌍과 함께 시작할 수도 있고, 자산의 특성들에 기초하여 소정의 자산에 대한 집합적인 모델 및 작업흐름의 하나 또는 양자를 개별화할 수도 있다.
실제로, 원격 컴퓨팅 시스템은 집합적인 모델-작업흐름 쌍에 관련되는 자산 특성들 (예컨대, 관심 대상 특성들) 을 결정하도록 구성될 수도 있다. 이러한 특성들의 예들은 다른 특성들 중에서, 자산 연령 (asset age), 자산 사용량 (asset usage), 자산 클래스 (asset class) (예컨대, 브랜드 및/또는 모델), 자산 건전성, 및 자산이 동작되는 환경을 포함할 수도 있다.
그 다음으로, 원격 컴퓨팅 시스템은 관심 대상 특성들에 대응하는 소정의 자산의 특성들을 결정할 수도 있다. 소정의 자산들의 특성들의 일부에 적어도 기초하여, 원격 컴퓨팅 시스템은 집합적인 모델 및/또는 대응하는 작업흐름을 개별화하도록 구성될 수도 있다.
개별화된 모델 및/또는 작업흐름을 정의하는 것은 원격 컴퓨팅 시스템이 집합적인 모델 및/또는 작업흐름에 대한 어떤 수정들을 행하는 것을 수반할 수도 있다. 예를 들어, 집합적인 모델을 개별화하는 것은 다른 예들 중에서, 모델 입력들을 변경하는 것, 모델 계산을 변경하는 것, 및/또는 계산의 변수 또는 출력의 가중치를 변경하는 것을 수반할 수도 있다. 집합적인 작업흐름을 개별화하는 것은 다른 예들 중에서, 작업흐름의 하나 이상의 동작들을 변경하는 것, 및/또는 작업흐름을 트리거링하는 모델 출력 값 또는 값들의 범위를 변경하는 것을 수반할 수도 있다.
소정의 자산에 대한 개별화된 모델 및/또는 작업흐름을 정의한 후, 그 다음으로, 원격 컴퓨팅 시스템은 개별화된 모델 및/또는 작업흐름을 소정의 자산으로 송신할 수도 있다. 모델 또는 작업흐름의 오직 하나가 개별화되는 시나리오에서, 소정의 자산은 개별화되지 않은 모델 또는 작업흐름의 집합적인 버전을 사용할 수도 있다. 그 다음으로, 소정의 자산은 그 개별화된 모델-작업흐름 쌍에 따라 동작할 수도 있다.
또 다른 예의 구현예들에서, 시스템은 원격 컴퓨팅 시스템에서, 또는 로컬 분석 디바이스에서의 어느 하나에서 소정의 예측 모델 및/또는 작업흐름을 실행하는 옵션을 가질 수도 있다. 이 점에 있어서, 원격 컴퓨팅 시스템에서 소정의 예측 모델 및/또는 작업흐름을 실행하는 것에 대한 일부 장점들, 및 로컬 분석 디바이스에서 소정의 예측 모델 및/또는 작업흐름을 실행하는 것에 대한 다른 장점들이 있을 수도 있다.
예를 들어, 원격 컴퓨팅 시스템은 일반적으로, 로컬 분석 디바이스보다 더 큰 프로세싱 능력들 및/또는 지능을 소유한다. 또한, 원격 컴퓨팅 시스템은 일반적으로, 로컬 분석 디바이스에 알려지지 않은 정보를 소유할 수도 있다. 그 결과, 원격 컴퓨팅 시스템은 일반적으로, 로컬 분석 디바이스보다 더 정확하게 소정의 예측 모델을 실행할 수 있다. 예를 들어, 원격 컴퓨팅 시스템은 일반적으로, 로컬 분석 디바이스보다 고장이 자산에서 발생할 것인지 아닌지의 여부를 정확하게 예측할 가능성이 더 많을 수도 있다. 정확도에서의 이 개선은 더 적은 부정 오류 (false negative) 들 (예컨대, 고비용의 다운시간으로 이어지는 잘못된 고장들) 및/또는 더 적은 긍정 오류 (false positive) 들 (예컨대, 불필요한 유지보수로 이어지는 고장들의 부정확한 예측들) 이 있을 수도 있으므로, 자산들을 유지하는 것과 연관된 비용들에서의 감소로 이어질 수도 있다.
또한, 원격 컴퓨팅 시스템은 일반적으로, 소정의 예측 모델의 가장 최신식 (up-to-date) 버전을 가지는 반면, 로컬 분석 디바이스는 구식 (예컨대, 덜 정확한) 버전을 가질 수도 있다. 따라서, 원격 컴퓨팅 시스템은 마찬가지로 이러한 이유로 로컬 디바이스보다 더 정확하게 소정의 예측 모델을 실행할 수도 있다. 위에서 설명된 것들에 추가하여, 원격 컴퓨팅 시스템에서 소정의 예측 모델을 실행하는 것에 대한 다른 장점들이 있을 수도 있다.
그러나, 원격 컴퓨팅 시스템 대신에 로컬 분석 디바이스에서 소정의 예측 모델을 실행하는 것에 대한 어떤 다른 장점들이 있을 수도 있다. 예를 들어, 로컬 분석 디바이스는 자산 상에, 또는 자산 근처에 위치되고, 보통 (예컨대, 물리적 접속 또는 근거리 (close-range) 네트워크 접속을 통해) 자산으로부터 직접적으로 자산 동작 데이터를 수신하는 반면, 원격 컴퓨팅 시스템은 자산으로부터 원격이고, 보통 로컬 분석 디바이스로의 광역 네트워크 접속 (예컨대, 셀룰러 네트워크 및/또는 인터넷 상에서의 접속) 을 통해 자산으로부터 간접적으로 자산 동작 데이터를 수신한다. 그 결과, 로컬 분석 디바이스는 원격 컴퓨팅 시스템보다 시간에 있어서 더 이전에 자산 동작 데이터에 대한 액세스를 얻을 수도 있고, 이것은 결국, 로컬 분석 디바이스가 소정의 예측 모델을 실행하고, 그 다음으로, 원격 컴퓨팅 시스템보다 시간에 있어서 더 이전에 모델의 출력에 따라 작동하는 것을 가능하게 한다. 로컬 분석 디바이스에 의한 이 더 이전의 실행은 다른 장점들 중에서, 고장이 자산에서 발생하는 것을 방지함에 있어서의 개선들 (및 대응하는 비용에서의 감소) 로 이어질 수도 있다.
추가적으로, 자산과 원격 컴퓨팅 시스템 사이의 네트워크 접속은 네트워크 접속을 이용하기 위한 요금들을 청구하는 제 3 자 (예컨대, 그 셀룰러 네트워크 상에서의 데이터 사용량에 대하여 청구하는 무선 회사) 에 의해 제공될 수도 있고, 이것은 로컬 분석 디바이스에서 소정의 예측 모델을 실행하는 것이 일반적으로 덜 고비용이라는 것을 의미한다. 마찬가지로 로컬 분석 디바이스에서 소정의 예측 모델을 실행하는 것에 대한 다른 장점들이 있을 수도 있다.
원격 컴퓨팅 시스템 대 로컬 분석 디바이스에서 소정의 예측 모델을 실행하는 것의 상대적인 장점들은 모델-대-모델 (model-by-model) 에 기초하여 변동될 수도 있다는 것이 또한 이해되어야 한다. 예를 들어, 원격 컴퓨팅 시스템에서 제 1 모델을 실행하는 것은 정확도에서의 상당한 개선을 제공할 수도 있는 반면, 원격 컴퓨팅 시스템에서 제 2 모델을 실행하는 것은 (적어도 그러하더라도) 정확도에서의 보통의 개선을 오직 제공할 수도 있다. 또 다른 예로서, 로컬 분석 디바이스에서 제 1 모델을 실행하는 것은 데이터 송신 비용들에서의 상당한 감소를 제공할 수도 있는 반면, 로컬 분석 디바이스에서 제 2 모델을 실행하는 것은 데이터 송신 비용들에서의 보통의 감소를 오직 제공할 수도 있다. 다른 예들이 마찬가지로 가능하다.
상기한 것을 고려하면, 원격 컴퓨팅 시스템은 원격 컴퓨팅 시스템 대 로컬 분석 디바이스에서 소정의 예측 모델을 실행하는 것의 상대적인 장점들을 분석하고, 그 분석에 기초하여, 이 상대적인 장점들을 수량화하는 "실행 함수" 를 그 소정의 예측 모델에 대하여 정의하도록 구성될 수도 있다. 실제로, 그 다음으로, 원격 컴퓨팅 시스템은 실행 함수를 로컬 분석 디바이스로 송신할 수도 있다. 그 다음으로, 로컬 분석 디바이스는 원격 컴퓨팅 시스템 또는 로컬 분석 디바이스에서 소정의 예측 모델을 실행할 것인지 여부를 판단하기 위하여 실행 함수를 사용할 수도 있고, 그 다음으로, 이 판단에 따라 동작할 수도 있다. 이 함수들은 다양한 방식들로 수행될 수도 있다.
하나의 특정한 예의 실시형태에서, 원격 컴퓨팅 시스템은 분석을 위한 소정의 예측 모델을 선택할 수도 있고, 그 다음으로, (a) 원격 컴퓨팅 시스템에서 소정의 예측 모델을 실행하는 것의 예상된 값을 반영하는 제 1 성능 점수를 출력하는 제 1 성능 점수 함수 (performance score function) ("PSF"), 및 (b) 로컬 분석 디바이스에서 소정의 예측 모델을 실행하는 것의 예상된 값을 반영하는 제 2 성능 점수를 출력하는 제 2 PSF 를 정의할 수도 있다. 이 성능 점수들은 다양한 형태들을 취할 수도 있다.
하나의 구현예에서, 성능 점수들은 원격 컴퓨팅 시스템 대 로컬 분석 디바이스에서 소정의 예측 모델을 실행하는 것과 연관된 개개의 예상된 비용 측면에서 나타내어질 수도 있다. 예를 들어, 원격 컴퓨팅 시스템에서 소정의 예측 모델을 실행하기 위한 제 1 성능 점수는 (a) (예컨대, 부정확한 예측들로부터 나오는 불필요한 유지보수 및 다운시간의 측면에서) 원격 컴퓨팅 시스템에서 소정의 예측 모델을 실행하는 것의 이력 정확도 (historical accuracy) 에 대응하는 예상된 비용, 및 (b) 원격 컴퓨팅 시스템에서 모델을 실행하기 위하여 필요한 데이터를 자산에 결합된 로컬 분석 디바이스로부터 원격 컴퓨팅 시스템으로 송신하는 것의 예상된 비용에 기초할 수도 있다. 결국, 로컬 분석 디바이스에서 소정의 예측 모델을 실행하기 위한 제 2 성능 점수는 (예컨대, 부정확한 예측들로부터 나오는 불필요한 유지보수 및 다운시간의 측면에서) 로컬 분석 디바이스에서 소정의 예측 모델을 실행하는 것의 이력 정확도에 대응하는 예상된 비용에 기초할 수도 있다.
실제로, 이 예상된 비용 값들은 (a) 모델 성과 (model outcome) 들의 이력 모델 정확도 및 이력 비용과 같은, 소정의 예측 모델에 관련된 이력 데이터, (b) 이력 데이터 송신량 (historical data transmission volume) 들에 기초하여 알려질 수도 있거나 결정될 수도 있는, 원격 컴퓨팅 시스템이 소정의 예측 모델을 실행하도록 하기 위하여 로컬 분석 디바이스가 송신하는 자산 데이터의 양, 및 (c) 현재 및/또는 이력 데이터 송신 레이트들에 기초하여 결정될 수도 있다. 이 예상된 비용 값들은 마찬가지로 다른 데이터에 기초하여 결정될 수도 있다.
위에서 언급된 바와 같이, 많은 경우들에는, 원격 컴퓨팅 시스템이 일반적으로 로컬 분석 디바이스보다 더 정확하게 소정의 예측 모델을 실행할 수 있으므로, 원격 컴퓨팅 시스템에서 소정의 예측 모델을 실행하는 것의 예상된 비용은 로컬 분석 디바이스에서 소정의 예측 모델을 실행하는 것의 예상된 비용보다 더 낮을 (예컨대, 더 양호함) 수도 있다. 그러나, 원격 컴퓨팅 시스템의 개선된 정확도와 연관된 이 더 낮은 비용은 다른 잠재적인 비용들 중에서, 원격 컴퓨팅 시스템에서 예측 모델을 실행하기 위하여 초래되는 데이터 송신 비용에 의해 오프셋될 수도 있다.
여하튼, 위에서 언급된 바와 같이, 원격 컴퓨팅 시스템이 소정의 예측 모델에 대한 제 1 및 제 2 PSF 들을 정의한 후, 그 다음으로, 그것은 PSF 들을 로컬 분석 디바이스로 송신할 수도 있어서, 로컬 분석 디바이스는 PSF 들에 의해 출력된 예상된 비용 값들에 따라 소정의 예측 모델을 실행할 수 있다. 일 예의 실시형태들에서, 원격 컴퓨팅 시스템은 소정의 PSF 를 다양한 방식들로 송신할 수도 있다. 하나의 특정한 예로서, 원격 컴퓨팅 시스템은 소정의 PSF 의 표현 (예컨대, 하나 이상의 파라미터들, 및 그 파라미터들 사이의 관계를 정의하는 수학적인 연산자들) 및 그 표현을 평가하기 위하여 이용되는 하나 이상의 값들 (예컨대, 하나 이상의 파라미터들에 대한 개개의 값) 을 송신할 수도 있다. 원격 컴퓨팅 시스템은 실행 함수들을 마찬가지로 다양한 다른 방식들로 송신할 수도 있다.
일 예의 구현예들에서, 위에서 언급된 바와 같이, 소정의 자산은 소정의 자산으로 하여금, 원격 컴퓨팅 시스템에 의해 제공된 모델-작업흐름 쌍에 따라 동작하게 하도록 구성될 수도 있는 로컬 분석 디바이스를 포함할 수도 있다. 로컬 분석 디바이스는 예측 모델을 작동시키기 위하여 자산 센서들 및/또는 액츄에이터들로부터의 동작 데이터 (예컨대, 다른 자산-관련된 목적들을 위하여 전형적으로 사용되는 데이터) 를 사용하도록 구성될 수도 있다. 로컬 분석 디바이스가 어떤 동작 데이터를 수신할 때, 그것은 모델을 실행할 수도 있고, 모델의 출력에 따라, 대응하는 작업흐름을 실행할 수도 있다.
대응하는 작업흐름을 실행하는 것은 바람직하지 않은 이벤트가 소정의 자산에서 발생하는 것을 방지하는 것을 가능하게 하도록 도울 수도 있다. 이러한 방법으로, 소정의 자산은 특정한 이벤트의 발생이 가능성 있는 것으로 로컬 결정을 행할 수도 있고, 그 다음으로, 이벤트의 발생을 방지하는 것을 돕기 위하여 특정한 작업흐름을 실행할 수도 있다. 이것은 소정의 자산과 원격 컴퓨팅 시스템 사이의 통신이 방해될 경우에 특히 유용할 수도 있다. 예를 들어, 일부 상황들에서, 고장은 예방적 액션들을 취하기 위한 커맨드가 원격 컴퓨팅 시스템으로부터 소정의 자산에 도달하기 전에 발생할 수도 있다. 이러한 상황들에서, 로컬 분석 디바이스는 그것이 로컬 커맨드를 생성할 수도 있음으로써, 소정의 자산이 "오프-라인 (off-line)" 인 것으로부터 생기는 임의의 네트워크 레이턴시 또는 임의의 쟁점들을 회피할 수도 있다는 점에서 유리할 수도 있다. 이와 같이, 로컬 분석 디바이스가 모델-작업흐름 쌍을 실행하는 것은 자산으로 하여금, 그 조건들에 적응하게 하는 것을 가능하게 할 수도 있다.
일부 예의 구현예들에서, 모델-작업흐름 쌍을 먼저 실행하기 전, 또는 실행할 때, 로컬 분석 디바이스는 그것이 원격 컴퓨팅 시스템으로부터 수신하였던 모델-작업 쌍을 스스로 개별화할 수도 있다. 일반적으로, 로컬 분석 디바이스는 모델-작업흐름 쌍이 정의되었을 때에 행해졌던 소정의 자산에 관련된 일부 또는 모든 예측들, 가정들, 및/또는 일반화들을 평가함으로써 모델-작업흐름 쌍을 개별화할 수도 있다. 평가에 기초하여, 로컬 분석 디바이스는 모델-작업흐름 쌍의 기초적인 예측들, 가정들, 및/또는 일반화들이 소정의 자산의 실제적인 상태를 더 정확하게 반영하도록 모델-작업흐름 쌍을 수정할 수도 있다. 그 다음으로, 로컬 분석 디바이스는 그것이 원격 컴퓨팅 시스템으로부터 원래 수신하였던 모델-작업흐름 쌍 대신에, 개별화된 모델-작업흐름 쌍을 실행할 수도 있고, 이것은 자산의 더 정확한 모니터링으로 귀착될 수도 있다.
소정의 자산이 모델-작업흐름 쌍에 따라 동작하고 있지만, 소정의 자산은 또한, 동작 데이터를 원격 컴퓨팅 시스템에 제공하는 것을 계속할 수도 있다. 이 데이터에 적어도 기초하여, 원격 컴퓨팅 시스템은 집합적인 모델-작업흐름 쌍 및/또는 하나 이상의 개별화된 모델-작업흐름 쌍들을 수정할 수도 있다. 원격 컴퓨팅 시스템은 다수의 이유들로 수정들을 행할 수도 있다.
하나의 예에서, 원격 컴퓨팅 시스템은 새로운 이벤트가 모델이 이전에 참작하지 않았던 자산에서 발생하였을 경우에 모델 및/또는 작업흐름을 수정할 수도 있다. 예를 들어, 고장 모델에서, 새로운 이벤트는 그 데이터가 집합적인 모델을 정의하기 위하여 이용되었던 자산들 중의 임의의 것에서 이미 발생하여야 하였던 새로운 고장일 수도 있다.
또 다른 예에서, 원격 컴퓨팅 시스템은 전형적으로 이벤트가 발생하게 하지 않는 동작 조건들 하에서, 이벤트가 자산에서 발생하였을 경우에, 모델 및/또는 작업흐름을 수정할 수도 있다. 예를 들어, 고장 모델로 다시 복귀하면, 고장 모델 또는 대응하는 작업흐름은 고장이 과거에 이미 발생하게 하였던 동작 조건들 하에서 고장이 발생하였을 경우에 수정될 수도 있다.
또 다른 예에서, 원격 컴퓨팅 시스템은 실행된 작업흐름이 이벤트의 발생을 방지하는 것에 실패하였을 경우에 모델 및/또는 작업흐름을 수정할 수도 있다. 구체적으로, 원격 컴퓨팅 시스템은 모델의 출력이 자산으로 하여금, 이벤트의 발생을 방지하는 것을 목적으로 한 작업흐름을 실행하게 하였지만, 이벤트가 그럼에도 불구하고 자산에서 발생하였을 경우에, 모델 및/또는 작업흐름을 수정할 수도 있다. 모델 및/또는 작업흐름을 수정하기 위한 이유들의 다른 예들이 또한 가능하다.
그 다음으로, 임의의 수정들을 원격 컴퓨팅 시스템은 그 데이터가 수정을 야기하였던 자산, 및/또는 원격 컴퓨팅 시스템과 통신하는 다른 자산들로 분산시킬 수도 있다. 이러한 방법으로, 원격 컴퓨팅 시스템은 모델들 및/또는 작업흐름들을 동적으로 수정할 수도 있고, 개별적인 자산의 동작 조건들에 기초하여 이 수정들을 자산들의 전체 플리트 (fleet) 로 분산시킬 수도 있다.
일부 예의 구현예들에서, 자산 및/또는 원격 컴퓨팅 시스템은 예측 모델 및/또는 작업흐름을 실행하는 것을 동적으로 조절하도록 구성될 수도 있다. 특히, (예컨대, 그것에 결합된 로컬 분석 디바이스를 통한) 자산 및/또는 원격 컴퓨팅 시스템은 자산 및/또는 원격 컴퓨팅 시스템이 예측 모델 및/또는 작업흐름을 실행하고 있는지 여부에 대한 책임들에서의 변경을 트리거링하는 어떤 이벤트들을 검출하도록 구성될 수도 있다.
예를 들어, 일부 경우들에는, 자산이 원격 컴퓨팅 시스템으로부터 모델-작업흐름 쌍을 수신한 후, 자산은 데이터 스토리지 (data storage) 에서 모델-작업흐름 쌍을 저장할 수도 있지만, 그 다음으로, 모델-작업흐름 쌍의 일부 또는 전부를 중앙집중 방식으로 (centrally) 실행하기 위하여 원격 컴퓨팅 시스템에 의존할 수도 있다. 다른 한편으로, 다른 경우들에는, 원격 컴퓨팅 시스템이 모델-작업흐름 쌍의 일부 또는 전부를 로컬 실행을 행하기 위하여 자산에 의존할 수도 있다. 또 다른 경우들에는, 원격 컴퓨팅 시스템 및 자산이 모델-작업흐름 쌍을 실행하는 것의 책임들에서 공유할 수도 있다.
여하튼, 일부 시간에서의 포인트에서는, 예측 모델 및/또는 작업흐름의 실행을 조절하기 위하여 자산 및/또는 원격 컴퓨팅 시스템을 트리거링하는 어떤 이벤트들이 발생할 수도 있다. 예를 들어, 자산 및/또는 원격 컴퓨팅 시스템은 자산을 원격 컴퓨팅 시스템에 결합하는 통신 네트워크의 어떤 특성들을 검출할 수도 있다. 통신 네트워크의 특성들에 기초하여, 자산은 그것이 예측 모델 및/또는 작업흐름을 로컬 실행을 행하고 있는지 여부를 조절할 수도 있고, 원격 컴퓨팅 시스템은 이에 따라, 그것이 모델 및/또는 작업흐름을 중앙집중 방식으로 실행하고 있는지 여부를 수정할 수도 있다. 이러한 방법으로, 자산 및/또는 원격 컴퓨팅 시스템은 자산의 조건들에 적응할 수도 있다.
특정한 예에서, 자산은 자산과 원격 컴퓨팅 시스템 사이의 통신 링크의 신호 강도가 상대적으로 약하다는 것 (예컨대, 자산이 "오프-라인" 으로 갈려고 하는 것으로 결정할 수도 있음), 네트워크 레이턴시가 상대적으로 높다는 것, 및/또는 네트워크 대역폭이 상대적으로 낮다는 것의 표시를 검출할 수도 있다. 따라서, 자산은 원격 컴퓨팅 시스템에 의해 이전에 핸들링되었던 모델-작업흐름 쌍을 실행하기 위한 책임들을 맡도록 프로그래밍될 수도 있다. 결국, 원격 컴퓨팅 시스템은 모델-작업흐름 쌍의 일부 또는 전부를 중앙집중 방식으로 실행하는 것을 중단시킬 수도 있다. 이러한 방법으로, 자산은 예측 모델을 로컬 실행을 행할 수도 있고, 그 다음으로, 예측 모델을 실행하는 것에 기초하여, 자산에서의 고장의 발생을 방지하는 것을 잠재적으로 돕기 위하여 대응하는 작업흐름을 실행할 수도 있다.
또한, 일부 구현예들에서, 자산 및/또는 원격 컴퓨팅 시스템은 다양한 다른 고려사항들에 기초하여 예측 모델 및/또는 작업흐름을 실행하는 것을 유사하게 조절 (또는 아마도 수정) 할 수도 있다. 예를 들어, 자산의 프로세싱 용량에 기초하여, 자산은 모델-작업흐름 상을 로컬 실행을 행하는 것을 조절할 수도 있고, 원격 컴퓨팅 시스템은 이에 따라 마찬가지로 조절할 수도 있다. 또 다른 예에서, 자산을 원격 컴퓨팅 시스템에 결합하는 통신 네트워크의 대역폭에 기초하여, 자산은 수정된 작업흐름 (예컨대, 감소된 송신 레이트를 갖는 데이터-송신 방식에 따라 데이터를 원격 컴퓨팅 시스템으로 송신하는 것) 을 실행할 수도 있다. 다른 예들이 또한 가능하다.
추가적으로 또는 대안적으로, 소정의 자산에 결합된 로컬 분석 디바이스는 예측 모델 및/또는 작업흐름에 대응하는 하나 이상의 실행 함수들 (예컨대, PSF 들) 에 기초하여 예측 모델 및/또는 작업흐름을 동적으로 실행하도록 구성될 수도 있다. 특히, 위에서 논의된 바와 같이, 로컬 분석 디바이스는 원격 컴퓨팅 시스템으로부터 이러한 함수들을 수신할 수도 있다. 소정의 자산의 동작 동안, 로컬 분석 디바이스는 실행되어야 하는 특정한 모델-작업흐름 쌍을 식별할 수도 있다. 그 식별에 기초하여, 그 다음으로, 로컬 분석 디바이스는 로컬 분석 디바이스가 특정한 예측 모델 및/또는 작업흐름을 실행해야 하는지 여부를 결정하기 위하여 대응하는 실행 함수들을 실행할 수도 있고, 이것은 다양한 방식들로 수행될 수도 있다.
예를 들어, 일 예의 실시형태들에서, 로컬 분석 디바이스는 특정한 예측 모델 및/또는 작업흐름에 대응하는 하나 이상의 PSF 들을 먼저 식별할 수도 있고, 그 다음으로, PSF 들 (예컨대, 로컬 분석 디바이스에 대한 하나 및 원격 컴퓨팅 시스템에 대한 하나) 을 실행할 수도 있다. 로컬 분석 디바이스가 원격 컴퓨팅 시스템 대 로컬 분석 디바이스에서 소정의 예측 모델을 실행하기 위한 성능 점수들을 결정한 후, 로컬 분석 디바이스는 이 2 개의 성능 점수들을 비교할 수도 있고, 그 다음으로, 더 양호한 성능 점수 (예컨대, 가장 낮은 예상된 비용) 를 가지는 로케이션에서 소정의 예측 모델을 실행하도록 판단할 수도 있다. 결국, 로컬 분석 디바이스는 소정의 예측 모델이 더 양호한 성능 점수를 가지는 로케이션에서 실행되게 할 수도 있다.
예를 들어, 로컬 분석 디바이스에 대한 성능 점수가 원격 컴퓨팅 시스템에 대한 성능 점수 (또는 더 큰 임계량) 보다 더 클 경우 (예컨대, 더 낮은 예상된 비용을 가짐), 로컬 분석 디바이스는 자산에 대한 동작 데이터 (예컨대, 신호 데이터) 에 기초하여 예측 모델 및/또는 작업흐름을 로컬 실행을 행할 수도 있다.
다른 한편으로, 로컬 분석 디바이스에 대한 성능 점수가 원격 컴퓨팅 시스템에 대한 성능 점수 (또는 더 작은 임계량) 보다 더 작을 경우 (예컨대, 더 높은 예상된 비용을 가짐), 로컬 분석 디바이스는 그 대신에, 원격 컴퓨팅 시스템이 소정의 예측 모델 및/또는 작업흐름을 원격으로 실행하기 위한 명령뿐만 아니라, 그 실행에서의 이용을 위한 자산으로부터의 동작 데이터를 원격 컴퓨팅 시스템으로 송신할 수도 있다. 그 다음으로, 원격 컴퓨팅 시스템은, 로컬 분석 디바이스로 하여금, 대응하는 작업흐름을 실행하는 것과 같은 동작을 수행하게 할 수도 있는, 소정의 예측 모델을 중앙집중 방식으로 실행하는 것의 결과를 로컬 분석 디바이스로 반환할 수도 있다.
[1] 위에서 논의된 바와 같이, 본원에서 제공된 예들은 예측 모델들의 전개 및 실행에 관련된다. 하나의 양태에서는, 컴퓨팅 시스템이 제공된다. 컴퓨팅 시스템은 적어도 하나의 프로세서, 비-일시적 컴퓨터-판독가능 매체, 및 비-일시적 컴퓨터-판독가능 매체 상에서 저장된 프로그램 명령들을 포함하고, 상기 프로그램 명령들은, 컴퓨팅 시스템으로 하여금: (a) 자산에 의한 로컬 실행 (local execution) 을 위한 자산의 동작에 관련되는 예측 모델 및 대응하는 작업흐름을 자산으로 송신하게 하고, (b) 자산이 예측 모델 또는 대응하는 작업흐름 중의 적어도 하나를 로컬 실행을 행하고 있다는 표시를 검출하게 하고, 그리고 (c) 검출된 표시에 기초하여, 예측 모델 또는 대응하는 작업흐름 중의 적어도 하나의 컴퓨팅 시스템에 의한 중앙 실행 (central execution) 을 수정하게 하기 위하여 적어도 하나의 프로세서에 의해 실행가능하다.
[2] 또 다른 양태에서는, 그 상에 저장된 명령들을 가지는 비-일시적 컴퓨터-판독가능 매체가 제공되고, 상기 명령들은, 컴퓨팅 시스템으로 하여금: (a) 자산에 의한 로컬 실행을 위한 자산의 동작에 관련되는 예측 모델 및 대응하는 작업흐름을 자산으로 송신하게 하고, (b) 자산이 예측 모델 또는 대응하는 작업흐름 중의 적어도 하나를 로컬 실행을 행하고 있다는 표시를 검출하게 하고, 그리고 (c) 검출된 표시에 기초하여, 예측 모델 또는 대응하는 작업흐름 중의 적어도 하나의 컴퓨팅 시스템에 의한 중앙 실행을 수정하게 하기 위하여 실행가능하다.
[3] 또 다른 양태에서는, 컴퓨터-구현된 방법이 제공된다. 방법은: (a) 자산에 의한 로컬 실행을 위한 자산의 동작에 관련되는 예측 모델 및 대응하는 작업흐름을 자산으로 송신하는 단계, (b) 자산이 예측 모델 또는 대응하는 작업흐름 중의 적어도 하나를 로컬 실행을 행하고 있다는 표시를 검출하는 단계, 및 (c) 검출된 표시에 기초하여, 예측 모델 또는 대응하는 작업흐름 중의 적어도 하나의 컴퓨팅 시스템에 의한 중앙 실행을 수정하는 단계를 포함한다.
위에서 논의된 바와 같이, 본원에서 제공된 예들은 예측 모델 및/또는 작업흐름을 어디에서 실행할 것인지를 결정하는 것에 관련된다. 하나의 양태에서는, 자산의 동작 조건들을 모니터링하도록 구성된 로컬 분석 디바이스가 제공된다. 로컬 분석 디바이스는 로컬 분석 디바이스를 자산에 결합하도록 구성된 자산 인터페이스, 로컬 분석 디바이스와 (i) 자산의 동작 조건들을 모니터링하도록 구성되고 (ii) 로컬 분석 디바이스로부터 원격으로 위치된 컴퓨팅 시스템과의 사이의 통신을 가능하게 하도록 구성된 네트워크 인터페이스, 적어도 하나의 프로세서, 비-일시적 컴퓨터-판독가능 매체, 및 비-일시적 컴퓨터-판독가능 매체 상에 저장된 프로그램 명령들을 포함하고, 상기 프로그램 명령들은, 로컬 분석 디바이스로 하여금: (a) 실행되어야 하는 자산의 동작에 관련되는 예측 모델을 식별하게 하고, (b) 식별된 예측 모델에 대응하는 하나 이상의 실행 함수들에 기초하여, 로컬 분석 디바이스가 예측 모델을 실행해야 하는지 여부를 결정하게 하고, (c) 로컬 분석 디바이스가 예측 모델을 실행해야 할 경우, 자산 인터페이스를 통해 수신된 자산에 대한 동작 데이터에 기초하여 예측 모델을 실행하게 하고, 그리고 (d) 그렇지 않을 경우, (i) 컴퓨팅 시스템이 예측 모델을 실행하기 위한 명령, 및 (ii) 자산 인터페이스를 통해 수신된 자산에 대한 동작 데이터를 네트워크 인터페이스를 통해 컴퓨팅 시스템으로 송신하게 하기 위하여 적어도 하나의 프로세서에 의해 실행가능하다.
또 다른 양태에서는, 그 상에 저장된 명령들을 가지는 비-일시적 컴퓨터-판독가능 매체가 제공되고, 상기 명령들은, 로컬 분석 디바이스의 자산 인터페이스를 통해 자산에 결합된 로컬 분석 디바이스로 하여금: (a) 실행되어야 하는 자산의 동작에 관련되는 예측 모델을 식별하게 하고, (b) 식별된 예측 모델에 대응하는 하나 이상의 실행 함수들에 기초하여, 로컬 분석 디바이스가 예측 모델을 실행해야 하는지 여부를 결정하게 하고, (c) 로컬 분석 디바이스가 예측 모델을 실행해야 할 경우, 자산 인터페이스를 통해 수신된 자산에 대한 동작 데이터에 기초하여 예측 모델을 실행하게 하고, 그리고 (d) 그렇지 않을 경우, (i) 컴퓨팅 시스템이 예측 모델을 실행하기 위한 명령, 및 (ii) 자산 인터페이스를 통해 수신된 자산에 대한 동작 데이터를, 자산의 동작 조건들을 모니터링하도록 구성되고 로컬 분석 디바이스에 무선으로 통신가능하게 결합되는 컴퓨팅 시스템으로 로 송신하게 하기 위하여 실행가능하다.
또 다른 양태에서는, 로컬 분석 디바이스에 결합된 자산의 동작에 관련된 예측 모델의 최적의 실행을 가능하게 하기 위한 컴퓨터-구현된 방법이 제공된다. 방법은: (a) 로컬 분석 디바이스에 의해, 실행되어야 하는 예측 모델을 식별하는 단계, (b) 식별된 예측 모델에 대응하는 하나 이상의 실행 함수들에 기초하여, 로컬 분석 디바이스가 예측 모델을 실행해야 하는지 여부를 결정하는 단계, (c) 로컬 분석 디바이스가 예측 모델을 실행할 경우, 로컬 분석 디바이스에 의해, 로컬 분석 디바이스의 자산 인터페이스를 통해 수신된 자산에 대한 동작 데이터에 기초하여 예측 모델을 실행하는 단계, 및 (d) 그렇지 않을 경우, (i) 컴퓨팅 시스템이 예측 모델을 실행하기 위한 명령, 및 (ii) 자산 인터페이스를 통해 수신된 자산에 대한 동작 데이터를, 로컬 분석 디바이스에 의해, 로컬 분석 디바이스의 네트워크 인터페이스를 통해, 로컬 분석 디바이스로부터 원격으로 위치된 자산의 동작 조건들을 모니터링하도록 구성된 컴퓨팅 시스템으로 송신하는 단계를 포함한다.
당해 분야의 당업자는 다음의 개시물을 판독함에 있어서 이것들뿐만 아니라 수 많은 다른 양태들을 인식할 것이다.
도 1 은 일 예의 실시형태들이 구현될 수도 있는 일 예의 네트워크 구성을 도시한다.
도 2 는 일 예의 자산의 간략화된 블록도를 도시한다.
도 3 은 일 예의 비정상적-조건 표시자들 및 트리거링 기준들의 개념적인 예시도를 도시한다.
도 4 는 일 예의 분석 시스템의 간략화된 블록도를 도시한다.
도 5 는 모델-작업흐름 쌍들을 정의하기 위하여 이용될 수도 있는 정의 국면의 일 예의 흐름도를 도시한다.
도 6a 는 집합적인 모델-작업흐름 쌍의 개념적인 예시도를 도시한다.
도 6b 는 개별화된 모델-작업흐름 쌍의 개념적인 예시도를 도시한다.
도 6c 는 또 다른 개별화된 모델-작업흐름 쌍의 개념적인 예시도를 도시한다.
도 6d 는 수정된 모델-작업흐름 쌍의 개념적인 예시도를 도시한다.
도 7 은 건전성 메트릭 (health metric) 을 출력하는 예측 모델을 정의하기 위하여 이용될 수도 있는 모델링 국면의 일 예의 흐름도를 도시한다.
도 8 은 모델을 정의하기 위하여 사용된 데이터의 개념적인 예시도를 도시한다.
도 9 는 성능 점수 함수들을 정의하기 위하여 이용될 수도 있는 일 예의 정의 국면의 일 예의 흐름도를 도시한다.
도 10 은 일 예의 성능 점수 함수들의 양태들의 개념적인 예시도들을 도시한다.
도 11 은 예측 모델을 로컬 실행을 행하기 위하여 이용될 수도 있는 로컬-실행 국면의 일 예의 흐름도를 도시한다.
도 12 는 모델-작업흐름 쌍들을 수정하기 위하여 이용될 수도 있는 수정 국면의 일 예의 흐름도를 도시한다.
도 13 은 모델-작업흐름 쌍들의 실행을 조절하기 위하여 이용될 수도 있는 조절 국면의 일 예의 흐름도를 도시한다.
도 14 는 예측 모델을 로컬 실행을 행할 것인지 여부를 결정하기 위하여 이용될 수도 있는 결정 국면의 일 예의 흐름도를 도시한다.
도 15 는 집합적인 예측 모델 및 대응하는 작업흐름을 정의하고 전개하기 위한 일 예의 방법의 흐름도를 도시한다.
도 16 은 개별화된 예측 모델 및/또는 대응하는 작업흐름을 정의하고 전개하기 위한 일 예의 방법의 흐름도를 도시한다.
도 17 은 모델-작업흐름 쌍들의 실행을 동적으로 수정하기 위한 일 예의 방법의 흐름도를 도시한다.
도 18 은 모델-작업흐름 쌍을 수신하고 로컬 실행을 행하기 위한 일 예의 방법의 흐름도를 도시한다.
도 19 는 하나 이상의 실행 함수들에 따라 예측 모델을 실행하기 위한 일 예의 방법의 흐름도를 도시한다.
도 20 은 예측 모델 및 대응하는 실행 함수를 정의하고 예측 모델을 실행하기 위한 일 예의 방법의 흐름도를 도시한다.
다음의 개시물은 동반되는 도면들 및 몇몇 예시적인 시나리오들을 참조한다. 당해 분야의 당업자는 이러한 참조들이 오직 설명의 목적을 위한 것이고, 그러므로, 제한적인 것으로 의도된 것이 아니라는 것을 이해할 것이다. 개시된 시스템들, 디바이스들, 및 방법들의 일부 또는 전부는 다양한 방식들로 재배열될 수도 있고, 조합될 수도 있고, 추가될 수도 있고, 및/또는 제거도리 수도 있고, 그 각각은 본원에서 고려된다.
I. 일 예의 네트워크 구성
지금부터 도면들로 돌아가면, 도 1 은 일 예의 실시형태들이 구현될 수도 있는 일 예의 네트워크 구성 (100) 을 도시한다. 도시된 바와 같이, 네트워크 구성 (100) 은 자산 (102), 자산 (104), 통신 네트워크 (106), 분석 시스템의 형태를 취할 수도 있는 원격 컴퓨팅 시스템 (108), 출력 시스템 (110), 및 데이터 소스 (112) 를 포함한다.
통신 네트워크 (106) 는 네트워크 구성 (100) 에서의 컴포넌트들의 각각을 통신가능하게 접속할 수도 있다. 예를 들어, 자산들 (102 및 104) 은 통신 네트워크 (106) 를 통해 분석 시스템 (108) 과 통신할 수도 있다. 일부 경우들에는, 자산들 (102 및 104) 이, 결국, 분석 시스템 (108) 과 통신하는 자산 게이트웨이 (도시되지 않음) 와 같은 하나 이상의 중간 시스템들과 통신할 수도 있다. 마찬가지로, 분석 시스템 (108) 은 통신 네트워크 (106) 를 통해 출력 시스템 (110) 과 통신할 수도 있다. 일부 경우들에는, 분석 시스템 (108) 이, 결국, 출력 시스템 (110) 과 통신하는 호스트 서버 (도시되지 않음) 와 같은 하나 이상의 중간 시스템들과 통신할 수도 있다. 많은 다른 구성들이 또한 가능하다. 일 예의 경우들에는, 통신 네트워크 (106) 가 (예컨대, 암호화 또는 다른 보안 수단들을 통해) 네트워크 컴포넌트들 사이의 보안 통신들을 가능하게 할 수도 있다.
일반적으로, 자산들 (102 및 104) 은 (필드 (field) 에 기초하여 정의될 수도 있는) 하나 이상의 동작들을 수행하도록 구성된 임의의 디바이스의 형태를 취할 수도 있고, 또한, 소정의 자산의 하나 이상의 동작 조건들을 표시하는 데이터를 송신하도록 구성된 장비를 포함할 수도 있다. 일부 예들에서, 자산은 하나 이상의 개개의 동작들을 수행하도록 구성된 하나 이상의 서브시스템들을 포함할 수도 있다. 실제로, 다수의 서브시스템들은 자산이 동작하기 위한 순서로 병렬로 또는 순차적으로 동작할 수도 있다.
일 예의 자산들은 다른 예들 중에서, 수송 머신들 (예컨대, 기관차들, 항공기, 승객 차량들, 반-트레일러 트럭들, 선박들 등), 산업 머신들 (예컨대, 채굴 장비, 건설 장비, 공장 자동화 등), 의료용 머신들 (예컨대, 의료용 이미징 장비, 외과 장비, 의료용 모니터링 시스템들, 의료용 실험실 장비 등), 및 유틸리티 머신들 (예컨대, 터빈들, 솔라 팜 (solar farm) 들 등) 을 포함할 수도 있다. 당해 분야의 당업자들은 이것들이 자산들의 단지 몇몇 예들이고 수 많은 다른 것들이 가능하고 본원에서 고려된다는 것을 인식할 것이다.
일 예의 구현예들에서, 자산들 (102 및 104) 은 각각 동일한 타입 (예컨대, 다른 예들 중에서, 기관차들 또는 항공기들의 플리트, 풍력 터빈들의 그룹, 또는 MRI 머신들의 세트) 일 수도 있고, 아마도 동일한 클래스 (예컨대, 동일한 브랜드 및/또는 모델) 일 수도 있다. 다른 예들에서, 자산들 (102 및 104) 은 타입, 브랜드, 모델 등에 의해 상이할 수도 있다. 자산들은 도 2 를 참조하여 이하에서 더욱 상세하게 논의된다.
도시된 바와 같이, 자산들 (102 및 104) 및 아마도 데이터 소스 (112) 는 통신 네트워크 (106) 를 통해 분석 시스템 (108) 과 통신할 수도 있다. 일반적으로, 통신 네트워크 (106) 는 네트워크 컴포넌트들 사이에서 데이터를 전송하는 것을 가능하게 하도록 구성된 하나 이상의 컴퓨팅 시스템들 및 네트워크 기반구조를 포함할 수도 있다. 통신 네트워크 (106) 는, 유선 및/또는 무선일 수도 있고 보안 통신을 지원할 수도 있는 하나 이상의 광역 네트워크 (Wide-Area Network; WAN) 및/또는 로컬-영역 네트워크 (Local-Area Network; LAN) 일 수도 있거나 이를 포함할 수도 있다. 일부 예들에서, 통신 네트워크 (106) 는 다른 네트워크들 중에서, 하나 이상의 셀룰러 네트워크들 및/또는 인터넷을 포함할 수도 있다. 통신 네트워크 (106) 는 LTE, CDMA, GSM, LPWAN, WiFi, 블루투스 (Bluetooth), 이더넷 (Ethernet), HTTP/S, TCP, CoAP/DTLS 등과 같은 하나 이상의 통신 프로토콜들에 따라 동작할 수도 있다. 통신 네트워크 (106) 는 단일 네트워크로서 도시되어 있지만, 통신 네트워크 (106) 는 자체적으로 통신가능하게 링크되는 다수의 별개의 네트워크들을 포함할 수도 있다는 것이 이해되어야 한다. 통신 네트워크 (106) 는 마찬가지로 다른 형태들을 취할 수 있다.
위에서 언급된 바와 같이, 분석 시스템 (108) 은 자산들 (102 및 104) 및 데이터 소스 (112) 로부터 데이터를 수신하도록 구성될 수도 있다. 대체로 말하면, 분석 시스템 (108) 은 데이터를 수신하고, 프로세싱하고, 분석하고, 출력하도록 구성된 서버들 및 데이터베이스들과 같은 하나 이상의 컴퓨팅 시스템들을 포함할 수도 있다. 분석 시스템 (108) 은 다른 예들 중에서, TPL 데이터흐름 (Dataflow) 또는 NiFi 와 같은 소정의 데이터흐름 기술에 따라 구성될 수도 있다. 분석 시스템 (108) 은 도 3 을 참조하여 이하에서 더욱 상세하게 논의된다.
도시된 바와 같이, 분석 시스템 (108) 은 데이터를 자산들 (102 및 104) 및/또는 출력 시스템 (110) 으로 송신하도록 구성될 수도 있다. 송신된 특정한 데이터는 다양한 형태들을 취할 수도 있고, 이하에서 더욱 상세하게 설명될 것이다.
일반적으로, 출력 시스템 (110) 은 데이터를 수신하고 일부 형태의 출력을 제공하도록 구성된 컴퓨팅 시스템 또는 디바이스의 형태를 취할 수도 있다. 출력 시스템 (110) 은 다양한 형태들을 취할 수도 있다. 하나의 예에서, 출력 시스템 (110) 은 데이터를 수신하고 데이터에 응답하여 청각적, 시각적, 및/또는 촉각적 출력을 제공하도록 구성된 출력 디바이스일 수도 있거나 이를 포함할 수도 있다. 일반적으로, 출력 디바이스는 사용자 입력을 수신하도록 구성된 하나 이상의 입력 인터페이스들을 포함할 수도 있고, 출력 디바이스는 이러한 사용자 입력에 기초하여 통신 네트워크 (106) 를 통해 데이터를 송신하도록 구성될 수도 있다. 출력 디바이스들의 예들은 태블릿들, 스마트폰들, 랩톱 컴퓨터들, 다른 이동 컴퓨팅 디바이스들, 데스크톱 컴퓨터들, 스마트 TV 들 등을 포함한다.
출력 시스템 (110) 의 또 다른 예는 정비공 등이 자산을 수리하기 위한 요청을 출력하도록 구성된 작업-순서 시스템 (work-order system) 의 형태를 취할 수도 있다. 출력 시스템 (110) 의 또 다른 예는 자산의 부품에 대하여 주문하고 그것의 수신을 출력하도록 구성된 부품들-주문 시스템 (parts-ordering system) 의 형태를 취할 수도 있다. 수 많은 다른 출력 시스템들이 또한 가능하다.
데이터 소스 (112) 는 분석 시스템 (108) 과 통신하도록 구성될 수도 있다. 일반적으로, 데이터 소스 (112) 는 분석 시스템 (108) 에 의해 수행된 기능들에 관련될 수도 있는 데이터를 수집하고, 저장하고, 및/또는 분석 시스템 (108) 과 같은 다른 시스템들에 제공하도록 구성된 하나 이상의 컴퓨팅 시스템들일 수도 있거나 이를 포함할 수도 있다. 데이터 소스 (112) 는 자산들 (102 및 104) 로부터 독립적으로 데이터를 생성하고 및/또는 획득하도록 구성될 수도 있다. 이와 같이, 데이터 소스 (112) 에 의해 제공된 데이터는 "외부 데이터" 로서 본원에서 지칭될 수도 있다. 데이터 소스 (112) 는 현재 및/또는 이력 데이터를 제공하도록 구성될 수도 있다. 실제로, 분석 시스템 (108) 은 데이터 소스에 의해 제공된 서비스에 "가입" 함으로써 데이터 소스 (112) 로부터 데이터를 수신할 수도 있다. 그러나, 분석 시스템 (108) 은 마찬가지로 다른 방식들로 데이터 소스 (112) 로부터 데이터를 수신할 수도 있다.
데이터 소스 (112) 의 예들은 환경 데이터 소스들, 자산 관리 데이터 소스들, 및 다른 데이터 소스들을 포함한다. 일반적으로, 환경 데이터 소스들은 자산들이 동작되는 환경의 일부 특성을 표시하는 데이터를 제공한다. 환경 데이터 소스들의 예들은 다른 예들 중에서, 날씨-데이터 서버들, 글로벌 내비게이션 위성 시스템들 (global navigation satellite systems; GNSS) 서버들, 지도-데이터 서버들, 및 소정의 영역의 자연적 및 인공적 특징들에 관한 정보를 제공하는 지형 데이터 서버들을 포함한다.
일반적으로, 자산-관리 데이터 소스들은 자산들의 동작 또는 유지보수에 영향을 줄 수도 있는 엔티티들 (예컨대, 다른 자산들) 의 이벤트들 또는 스테이터스 (status) 들 (예컨대, 자산이 언제 그리고 어디에서 동작할 수도 있거나 유지보수를 받을 수도 있는지) 을 표시하는 데이터를 제공한다. 자산-관리 데이터 소스들의 예들은 다른 예들 중에서, 대기, 수상, 및/또는 지상 트래픽에 관한 정보를 제공하는 트래픽-데이터 서버들, 특정한 날짜들 및/또는 특정한 시간들에서 자산들의 예상된 경로들 및/또는 로케이션들에 관한 정보를 제공하는 자산-스케줄 서버들, 결함 검출기 시스템에 근접하게 통과하는 자산의 하나 이상의 동작 조건들에 관한 정보를 제공하는 결함 검출기 시스템들 (또한, "핫박스 (hotbox)" 검출기들로서 알려짐), 특정한 공급자들이 재고로 가지는 부품들 및 그 가격들에 관한 정보를 제공하는 부품-공급자 서버들, 및 수리점 용량 등에 관한 정보를 제공하는 수리점 서버들을 포함한다.
다른 데이터 소스들의 예들은 다른 예들 중에서, 전기 소비에 관한 정보를 제공하는 전력망 (power-grid) 서버들, 및 자산들에 대한 이력 동작 데이터를 저장하는 외부 데이터베이스들을 포함한다. 당해 분야의 당업자는 이것들이 데이터 소스들의 단지 몇몇 예들이고 수 많은 다른 것들이 가능하다는 것을 인식할 것이다.
네트워크 구성 (100) 은 본원에서 설명된 실시형태들이 구현될 수도 있는 네트워크의 하나의 예라는 것이 이해되어야 한다. 수 많은 다른 배열들이 가능하고 본원에서 고려된다. 예를 들어, 다른 네트워크 구성들은 도시되지 않은 추가적인 컴포넌트들 및/또는 도시된 컴포넌트들의 더 많거나 더 적은 것을 포함할 수도 있다.
II. 일 예의 자산
도 2 로 돌아가면, 일 예의 자산 (200) 의 간략화된 블록도가 도시되어 있다. 도 1 로부터의 자산들 (102 및 104) 의 어느 하나 또는 양자는 자산 (200) 과 같이 구성될 수도 있다. 도시된 바와 같이, 자산 (200) 은 하나 이상의 서브시스템들 (202), 하나 이상의 센서들 (204), 하나 이상의 액츄에이터들 (205), 중앙 프로세싱 유닛 (206), 데이터 스토리지 (208), 네트워크 인터페이스 (210), 사용자 인터페이스 (212), 및 로컬 분석 디바이스 (220) 를 포함할 수도 있고, 이것들의 전부는 시스템 버스, 네트워크, 또는 다른 접속 메커니즘에 의해 (직접적으로 또는 간접적으로 중의 어느 하나로) 통신가능하게 링크될 수도 있다. 당해 분야의 당업자는 자산 (200) 이 도시되지 않은 추가적인 컴포넌트들 및/또는 도시된 컴포넌트들의 더 많거나 더 적은 것을 포함할 수도 있다는 것을 인식할 것이다.
대체로 말하면, 자산 (200) 은 하나 이상의 동작들을 수행하도록 구성된 하나 이상의 전기적, 기계적, 및/또는 전기기계적 컴포넌트들을 포함할 수도 있다. 일부 경우들에는, 하나 이상의 컴포넌트들이 소정의 서브시스템 (202) 으로 그룹화될 수도 있다.
일반적으로, 서브시스템 (202) 은 자산 (200) 의 일부인 관련된 컴포넌트들의 그룹을 포함할 수도 있다. 단일 서브시스템 (202) 은 하나 이상의 동작들을 독립적으로 수행할 수도 있거나, 단일 서브시스템 (202) 은 하나 이상의 동작들을 수행하기 위하여 하나 이상의 다른 서브시스템들과 함께 동작할 수도 있다. 전형적으로, 상이한 타입들의 자산들, 및 심지어 상이한 클래스들의 동일한 타입의 자산들은 상이한 서브시스템들을 포함할 수도 있다.
예를 들어, 수송 자산들의 맥락에서, 서브시스템들 (202) 의 예들은 수 많은 다른 서브시스템들 중에서, 엔진들, 변속기들, 구동트레인 (drivetrain) 들, 연료 시스템들, 배터리 시스템들, 배기 시스템 (exhaust system) 들, 제동 시스템 (braking system) 들, 전기 시스템들, 신호 프로세싱 시스템들, 생성기들, 기어 박스 (gear box) 들, 로터 (rotor) 들, 및 유압 시스템 (hydraulic system) 들을 포함할 수도 있다. 의료용 머신의 맥락에서, 서브시스템들 (202) 의 예들은 수 많은 다른 서브시스템들 중에서, 스캐닝 시스템들, 모터들, 코일 및/또는 자석 시스템들, 신호 프로세싱 시스템들, 로커들, 및 전기 시스템들을 포함할 수도 있다.
위에서 제안된 바와 같이, 자산 (200) 은 자산 (200) 의 동작 조건들을 모니터링하도록 구성되는 다양한 센서들 (204), 및 자산 (200) 또는 그 컴포넌트와 상호작용하고 자산 (200) 의 동작 조건들을 모니터링하도록 구성되는 다양한 액츄에이터들 (205) 로 갖추어질 수도 있다. 일부 경우들에는, 센서들 (204) 및/또는 액츄에이터들 (205) 의 일부가 특정한 서브시스템 (202) 에 기초하여 그룹화될 수도 있다. 이러한 방법으로, 센서들 (204) 및/또는 액츄에이터들 (205) 의 그룹은 특정한 서브시스템 (202) 의 동작 조건들을 모니터링하도록 구성될 수도 있고, 그 그룹으로부터의 액츄에이터들은 그 동작 조건들에 기초하여 서브시스템의 거동을 변경할 수도 있는 일부 방법으로 특정한 서브시스템 (202) 과 상호작용하도록 구성될 수도 있다.
일반적으로, 센서 (204) 는 자산 (200) 의 하나 이상의 동작 조건들을 표시할 수도 있는 물리적 성질을 검출하고, 검출된 물리적 성질의 전기적 신호 (예컨대, "신호 데이터") 와 같은 표시를 제공하도록 구성될 수도 있다. 동작 시에, 센서들 (204) 은 연속적으로, 주기적으로 (예컨대, 샘플링 주파수에 기초하여), 및/또는 일부 트리거링 이벤트에 응답하여 측정들을 획득하도록 구성될 수도 있다. 일부 예들에서, 센서들 (204) 은 측정들을 수행하기 위한 동작 파라미터들로 사전구성될 수도 있고, 및/또는 중앙 프로세싱 유닛 (206) 에 의해 제공된 동작 파라미터들 (예컨대, 측정들을 획득할 것을 센서들 (204) 에 명령하는 샘플링 신호들) 에 따라 측정들을 수행할 수도 있다. 예들에서, 상이한 센서들 (204) 은 상이한 동작 파라미터들을 가질 수도 있다 (예컨대, 일부 센서들은 제 1 주파수에 기초하여 샘플링할 수도 있는 반면, 다른 센서들은 제 2 의 상이한 주파수에 기초하여 샘플링함). 여하튼, 센서들 (204) 은 측정된 물리적 성질을 표시하는 전기적 신호들을 중앙 프로세싱 유닛 (206) 으로 송신하도록 구성될 수도 있다. 센서들 (204) 은 이러한 신호들을 중앙 프로세싱 유닛 (206) 에 연속적으로 또는 주기적으로 제공할 수도 있다.
예를 들어, 센서들 (204) 은 자산 (200) 의 로케이션 및/또는 이동과 같은 물리적 성질들을 측정하도록 구성될 수도 있고, 이 경우, 센서들은 GNSS 센서들, 데드 레코닝 (dead reckoning) 기반 센서들, 가속도계들, 자이로스코프 (gyroscope) 들, 보수계 (pedometer) 들, 자력계 (magnetometer) 들 등의 형태를 취할 수도 있다.
추가적으로, 다양한 센서들 (204) 은 자산 (200) 의 다른 동작 조건들을 측정하도록 구성될 수도 있고, 다른 동작 조건들의 예들은 다른 예들 중에서, 온도들, 압력들, 속력들, 가속 또는 감속 레이트들, 마찰력, 전력 사용량들, 연료 사용량들, 유체 레벨들, 실행시간들, 전압들 및 전류들, 자기장들, 전기장들, 객체들의 존재 또는 부재, 컴포넌들의 위치들, 및 전력 생성을 포함할 수도 있다. 당해 분야의 당업자는 이것들이 센서들이 측정하도록 구성될 수도 있는 단지 몇몇 예의 동작 조건들이라는 것을 인식할 것이다. 추가적인 또는 더 적은 센서들은 산업적 응용 또는 특정 자산에 따라 이용될 수도 있다.
위에서 제안된 바와 같이, 액츄에이터 (205) 는 센서 (204) 와 일부 점들에서 유사하게 구성될 수도 있다. 구체적으로, 액츄에이터 (205) 는 자산 (200) 의 동작 조건을 표시하는 물리적 성질을 검출하고 센서 (204) 와 유사한 방식으로 그 표시를 제공하도록 구성될 수도 있다.
또한, 액츄에이터 (205) 는 자산 (200), 하나 이상의 서브시스템들 (202), 및/또는 그 일부 컴포넌트와 상호작용하도록 구성될 수도 있다. 이와 같이, 액츄에이터 (205) 는 기계적 동작 (예컨대, 이동) 을 수행하고, 그렇지 않을 경우에, 컴포넌트, 서브시스템, 또는 시스템을 제어하도록 구성되는 모터 등을 포함할 수도 있다. 특정한 예에서, 액츄에이터는 연료 흐름을 측정하고 연료 흐름을 변경 (예컨대, 연료 흐름을 한정함) 하도록 구성될 수도 있거나, 액츄에이터는 유압 압력을 측정하고 유압 압력을 변경 (예컨대, 유압 압력을 증가시키거나 감소시킴) 하도록 구성될 수도 있다. 액츄에이터의 수 많은 다른 예의 상호작용들이 또한 가능하고, 본원에서 고려된다.
일반적으로, 중앙 프로세싱 유닛 (206) 은 범용 또는 특수-목적 프로세서 또는 제어기의 형태를 취할 수도 있는 하나 이상의 프로세서들 및/또는 제어기들을 포함할 수도 있다. 특히, 일 예의 구현예들에서, 중앙 프로세싱 유닛 (206) 은 마이크로프로세서들, 마이크로제어기들, 애플리케이션 특정 집적 회로들, 디지털 신호 프로세서들 등일 수도 있거나 이를 포함할 수도 있다. 결국, 데이터 스토리지 (208) 는 다른 예들 중에서, 광학, 자기, 유기, 또는 플래시 메모리와 같은 하나 이상의 비-일시적 컴퓨터-판독가능 저장 매체들일 수도 있거나 이를 포함할 수도 있다.
중앙 프로세싱 유닛 (206) 은 본원에서 설명된 자산의 동작들을 수행하기 위하여 데이터 스토리지 (208) 에서 저장된 컴퓨터-판독가능 프로그램 명령들을 저장하고, 액세스하고, 실행하도록 구성될 수도 있다. 예를 들어, 위에서 제안된 바와 같이, 중앙 프로세싱 유닛 (206) 은 센서들 (204) 및/또는 액츄에이터들 (205) 로부터 개개의 센서 신호들을 수신하도록 구성될 수도 있다. 중앙 프로세싱 유닛 (206) 은 센서 및/또는 액츄에이터 데이터를 데이터 스토리지 (208) 에서 저장하고, 더 이후에, 데이터 스토리지 (208) 로부터 그것을 액세스하도록 구성될 수도 있다.
중앙 프로세싱 유닛 (206) 은 또한, 수신된 센서 및/또는 액츄에이터 신호들이 오류 코드들과 같은 임의의 비정상적-조건 표시자들을 트리거링하는지 여부를 결정하도록 구성될 수도 있다. 예를 들어, 중앙 프로세싱 유닛 (206) 은 데이터 스토리지 (208) 에서 비정상적-조건 규칙들을 저장하도록 구성될 수도 있고, 비정상적-조건 규칙들의 각각은 특정한 비정상적 조건을 나타내는 소정의 비정상적-조건 표시자, 및 비정상적-조건 표시자를 트리거링하는 개개의 트리거링 기준들을 포함한다. 즉, 각각의 비정상적-조건 표시자는 비정상적-조건 표시자가 트리거링되기 전에 충족되어야 하는 하나 이상의 센서 및/또는 액츄에이터 측정 값들과 대응한다. 실제로, 자산 (200) 은 비정상적-조건 규칙들로 사전-프로그래밍될 수도 있고, 및/또는 분석 시스템 (108) 과 같은 컴퓨팅 시스템으로부터 새로운 비정상적-조건 규칙들 또는 현존하는 규칙들에 대한 업데이트들을 수신할 수도 있다.
여하튼, 중앙 프로세싱 유닛 (206) 은 수신된 센서 및/또는 액츄에이터 신호들이 임의의 비정상적-조건 표시자들을 트리거링하는지 여부를 결정하도록 구성될 수도 있다. 즉, 중앙 프로세싱 유닛 (206) 은 수신된 센서 및/또는 액츄에이터 신호들이 임의의 트리거링 기준들을 충족시키는지 여부를 결정할 수도 있다. 이러한 결정이 긍정적일 때, 중앙 프로세싱 유닛 (206) 은 비정상적-조건 데이터를 생성할 수도 있고, 또한, 자산의 사용자 인터페이스 (212) 로 하여금, 시각적 및/또는 청각적 경보와 같은 비정상적 조건의 표시를 출력하게 할 수도 있다. 추가적으로, 중앙 프로세싱 유닛 (206) 은 아마도 타임스탬프 (timestamp) 로, 데이터 스토리지 (208) 에서 트리거링되는 비정상적-조건 표시자의 발생을 로그 (log) 할 수도 있다.
도 3 은 일 예의 비정상적-조건 표시자들 및 자산에 대한 개개의 트리거링 기준들의 개념적인 예시도를 도시한다. 특히, 도 3 은 일 예의 오류 코드들의 개념적인 예시도를 도시한다. 도시된 바와 같이, 표 (300) 는 센서 A, 액츄에이터 B, 및 센서 C 에 각각 대응하는 열 (column) 들 (302, 304, 및 306), 및 오류 코드들 1, 2, 및 3 에 각각 대응하는 열 (row) 들 (308, 310, 및 312) 을 포함한다. 그 다음으로, 엔트리들 (314) 은 소정의 오류 코드들에 대응하는 센서 기준들 (예컨대, 센서 값 임계치들) 을 특정한다.
예를 들어, 오류 코드 1 은 센서 A 가 135 분 당 회전들 (revolutions per minute; RPM) 보다 더 큰 회전 측정을 검출하고 센서 C 가 65° 섭씨 (Celsius; C) 보다 더 큰 온도 측정을 검출할 때에 트리거링될 것이고, 오류 코드 2 는 액츄에이터 B 가 1000 볼트 (Volt; V) 보다 더 큰 전압 측정을 검출하고 센서 C 가 55℃ 보다 더 작은 온도 측정을 검출할 때에 트리거링될 것이고, 오류 코드 3 은 센서 A 가 100 RPM 보다 더 큰 회전 측정을 검출하고, 액츄에이터 B 가 750 V 보다 더 큰 전압 측정을 검출하고, 센서 C 가 60℃ 보다 더 큰 온도 측정을 검출할 때에 트리거링될 것이다.? 당해 분야의 당업자는 도 3 이 오직 예 및 설명의 목적들을 위하여 제공된다는 것과, 수 많은 다른 오류 코드들 및/또는 트리거링 기준들이 가능하고 본원에서 고려된다는 것을 인식할 것이다.
다시 도 2 를 참조하면, 중앙 프로세싱 유닛 (206) 은 마찬가지로 자산 (200) 의 동작들을 관리하고 및/또는 제어하기 위한 다양한 추가적인 기능들을 수행하도록 구성될 수도 있다. 예를 들어, 중앙 프로세싱 유닛 (206) 은 서브시스템들 (202) 및/또는 액츄에이터들 (205) 로 하여금, 스로틀 위치 (throttle position) 를 수정하는 것과 같은 일부 동작을 수행하게 하는 명령 신호들을 서브시스템들 (202) 및/또는 액츄에이터들 (205) 에 제공하도록 구성될 수도 있다. 추가적으로, 중앙 프로세싱 유닛 (206) 은 그것이 센서들 (204) 및/또는 액츄에이터들 (205) 로부터의 데이터를 프로세싱하는 레이트를 수정하도록 구성될 수도 있거나, 중앙 프로세싱 유닛 (206) 은 센서들 (204) 및/또는 액츄에이터들 (205) 로 하여금, 예를 들어, 샘플링 레이트를 수정하게 하는 명령 신호들을 센서들 (204) 및/또는 액츄에이터들 (205) 에 제공하도록 구성될 수도 있다. 또한, 중앙 프로세싱 유닛 (206) 은 서브시스템들 (202), 센서들 (204), 액츄에이터들 (205), 네트워크 인터페이스들 (210), 및/또는 사용자 인터페이스들 (212) 로부터 신호들을 수신하고, 이러한 신호들에 기초하여, 동작이 발생하게 하도록 구성될 수도 있다. 또한, 중앙 프로세싱 유닛 (206) 은 진단 디바이스와 같은 컴퓨팅 디바이스로부터, 중앙 프로세싱 유닛 (206) 으로 하여금, 데이터 스토리지 (208) 에서 저장된 진단 규칙들에 따라 하나 이상의 진단 툴들을 실행하게 하는 신호들을 수신하도록 구성될 수도 있다. 중앙 프로세싱 유닛 (206) 의 다른 기능성들이 이하에서 논의된다.
네트워크 인터페이스 (210) 는 자산 (200) 과, 통신 네트워크 (106) 에 접속된 다양한 네트워크 컴포넌트들과의 사이의 통신을 제공하도록 구성될 수도 있다. 예를 들어, 네트워크 인터페이스 (210) 는 통신 네트워크 (106) 로의, 그리고 통신 네트워크 (106) 로부터의 무선 통신들을 가능하게 하도록 구성될 수도 있고, 이에 따라, 다양한 오버-디-에어 (over-the-air) 신호들을 송신하고 수신하기 위한 안테나 구조 및 연관된 장비의 형태를 취할 수도 있다. 다른 예들이 마찬가지로 가능하다. 실제로, 네트워크 인터페이스 (210) 는 위에서 설명된 것들 중의 임의의 것과 같은, 그러나 이것으로 제한되지는 않는 통신 프로토콜에 따라 구성될 수도 있다.
사용자 인터페이스 (212) 는 자산 (200) 과의 사용자 상호작용을 가능하게 하도록 구성될 수도 있고, 또한, 자산 (200) 으로 하여금, 사용자 상호작용에 응답하여 동작을 수행하게 하는 것을 가능하게 하도록 구성될 수도 있다. 사용자 인터페이스들 (212) 의 예들은 다른 예들 중에서, 터치 감지 인터페이스들, 기계적 인터페이스들 (예컨대, 레버들, 버튼들, 휠들, 다이얼들, 키보드들 등), 및 다른 입력 인터페이스들 (예컨대, 마이크로폰들) 을 포함한다. 일부 경우들에는, 사용자 인터페이스 (212) 가 디스플레이 스크린들, 스피커들, 헤드폰 잭들 등과 같은 출력 컴포넌트들로의 접속성을 포함할 수도 있거나 이러한 접속성을 제공할 수도 있다.
로컬 분석 디바이스 (220) 는 일반적으로, 자산 (200) 에 관련된 데이터를 수신하고 분석하도록 구성될 수도 있고, 이러한 분석에 기초하여, 하나 이상의 동작들이 자산 (200) 에서 발생하게 할 수도 있다. 예를 들어, 로컬 분석 디바이스 (220) 는 자산 (200) 에 대한 동작 데이터 (예컨대, 센서들 (204) 및/또는 액츄에이터들 (205) 에 의해 생성된 신호 데이터) 를 수신할 수도 있고, 이러한 데이터에 기초하여, 자산 (200) 으로 하여금, 동작을 수행하게 하는 명령들을 중앙 프로세싱 유닛 (206), 센서들 (204), 및/또는 액츄에이터들 (205) 에 제공할 수도 있다.
이 동작을 가능하게 하기 위하여, 로컬 분석 디바이스 (220) 는 로컬 분석 디바이스 (220) 를 자산의 온-보드 (on-board) 시스템들 중의 하나 이상에 결합하도록 구성되는 하나 이상의 자산 인터페이스들을 포함할 수도 있다. 예를 들어, 도 2 에서 도시된 바와 같이, 로컬 분석 디바이스 (220) 는 자산의 중앙 프로세싱 유닛 (206) 에 대한 인터페이스를 가질 수도 있고, 이 인터페이스는 로컬 분석 디바이스 (220) 가 중앙 프로세싱 유닛 (206) 으로부터 동작 데이터 (예컨대, 센서들 (204) 및/또는 액츄에이터들 (205) 에 의해 생성되고 중앙 프로세싱 유닛 (206) 으로 전송되는 동작 데이터) 를 수신하고 그 다음으로, 명령들을 중앙 프로세싱 유닛 (206) 에 제공하는 것을 가능하게 할 수도 있다. 이러한 방법으로, 로컬 분석 디바이스 (220) 는 중앙 프로세싱 유닛 (206) 을 통해 자산 (200) 의 다른 온-보드 시스템들 (예컨대, 센서들 (204) 및/또는 액츄에이터들 (205)) 과 간접적으로 인터페이싱할 수도 있고 이로부터 데이터를 수신할 수도 있다. 추가적으로 또는 대안적으로, 도 2 에서 도시된 바와 같이, 로컬 분석 디바이스 (220) 는 하나 이상의 센서들 (204) 및/또는 액츄에이터들 (205) 에 대한 인터페이스를 가질 수 있고, 이 인터페이스는 로컬 분석 디바이스 (220) 가 센서들 (204) 및/또는 액츄에이터들 (205) 과 직접적으로 통신하는 것을 가능하게 할 수도 있다. 로컬 분석 디바이스 (220) 는 도 2 에서 예시된 인터페이스들이 도시되어 있지 않은 하나 이상의 중간 시스템들에 의해 가능하게 될 가능성을 포함하는 다른 방식들로 마찬가지로 자산 (200) 의 온-보드 시스템들과 인터페이싱할 수도 있다.
실제로, 로컬 분석 디바이스 (220) 는 자산 (200) 이 그렇지 않을 경우에, 다른 자산상 컴포넌트들로 수행되지 않을 수도 있는, 예측 모델 및 대응하는 작업흐름을 실행하는 것과 같은 진보된 분석들 및 연관된 동작들을 로컬 수행하는 것을 가능하게 할 수도 있다. 이와 같이, 로컬 분석 디바이스 (220) 는 추가적인 프로세싱 파워 (processing power) 및/또는 지능을 자산 (200) 에 제공하는 것을 도울 수도 있다.
로컬 분석 디바이스 (220) 는 또한, 자산 (200) 으로 하여금, 예측 모델에 관련되지 않는 동작들을 수행하게 하도록 구성될 수도 있다는 것이 이해되어야 한다. 예를 들어, 로컬 분석 디바이스 (220) 는 분석 시스템 (108) 또는 출력 시스템 (110) 과 같은 원격 소스로부터 데이터를 수신할 수도 있고, 수신된 데이터에 기초하여, 자산 (200) 으로 하여금, 하나 이상의 동작들을 수행하게 할 수도 있다. 하나의 특정한 예는 로컬 분석 디바이스 (220) 가 원격 소스로부터 자산 (200) 에 대한 펌웨어 업데이트를 수신하고 그 다음으로, 자산 (200) 으로 하여금, 그 펌웨어를 업데이트하게 하는 것을 수반할 수도 있다. 또 다른 특정한 예는 로컬 분석 디바이스 (220) 가 원격 소스로부터 진단 명령을 수신하고 그 다음으로, 자산 (200) 으로 하여금, 수신된 명령에 따라 로컬 진단 툴을 실행하게 하는 것을 수반할 수도 있다. 수 많은 다른 예들이 또한 가능하다.
도시된 바와 같이, 위에서 논의된 하나 이상의 자산 인터페이스들에 추가하여, 로컬 분석 디바이스 (220) 는 또한, 프로세싱 유닛 (222), 데이터 스토리지 (224), 및 네트워크 인터페이스 (226) 를 포함할 수도 있고, 이것들의 전부는 시스템 버스, 네트워크, 또는 다른 접속 메커니즘에 의해 통신가능하게 링크될 수도 있다. 프로세싱 유닛 (222) 은 중앙 프로세싱 유닛 (206) 에 대하여 위에서 논의된 컴포넌트들 중의 임의의 것을 포함할 수도 있다. 결국, 데이터 스토리지 (224) 는 위에서 논의된 컴퓨터-판독가능 저장 매체들의 형태들 중의 임의의 것을 취할 수도 있는 하나 이상의 비-일시적 컴퓨터-판독가능 저장 매체들일 수도 있거나 이를 포함할 수도 있다.
프로세싱 유닛 (222) 은 본원에서 설명된 로컬 분석 디바이스의 동작들을 수행하기 위하여 데이터 스토리지 (224) 에서 저장된 컴퓨터-판독가능 프로그램 명령들을 저장하고, 액세스하고, 실행하도록 구성될 수도 있다. 예를 들어, 프로세싱 유닛 (222) 은 센서들 (204) 및/또는 액츄에이터들 (205) 에 의해 생성된 개개의 센서 및/또는 액츄에이터 신호들을 수신하도록 구성될 수도 있고, 이러한 신호들에 기초하여 예측 모델-작업흐름 쌍을 실행할 수도 있다. 다른 기능들이 이하에서 설명된다.
네트워크 인터페이스 (226) 는 위에서 설명된 네트워크 인터페이스들과 동일하거나 유사할 수도 있다. 실제로, 네트워크 인터페이스 (226) 는 로컬 분석 디바이스 (220) 와 분석 시스템 (108) 사이의 통신을 가능하게 할 수도 있다.
일부 예의 구현예들에서, 로컬 분석 디바이스 (220) 는 사용자 인터페이스 (212) 와 유사할 수도 있는 사용자 인터페이스를 포함할 수도 있고 및/또는 이와 통신할 수도 있다. 실제로, 사용자 인터페이스는 로컬 분석 디바이스 (220) (및 자산 (200)) 로부터 원격으로 위치될 수도 있다. 다른 예들이 또한 가능하다.
도 2 는 하나 이상의 자산 인터페이스들을 통해 그 연관된 자산 (예컨대, 자산 (200)) 에 물리적으로 그리고 통신가능하게 결합된 로컬 분석 디바이스 (220) 를 도시하지만, 또한, 이것은 항상 그러하지 않을 수도 있다는 것이 이해되어야 한다. 예를 들어, 일부 구현예들에서, 로컬 분석 디바이스 (220) 는 그 연관된 자산에 물리적으로 결합되지 않을 수도 있고, 그 대신에 자산 (220) 으로부터 원격으로 위치될 수도 있다. 이러한 구현예의 예에서, 로컬 분석 디바이스 (220) 는 자산 (200) 에 무선으로 통신가능하게 결합될 수도 있다. 다른 배열들 및 구성들이 또한 가능하다.
당해 분야의 당업자는 도 2 에서 도시된 자산 (200) 이 자산의 간략화된 표현의 단지 하나의 예이고, 수 많은 다른 것들이 또한 가능하다는 것을 인식할 것이다. 예를 들어, 다른 자산들은 도시되지 않은 추가적인 컴포넌트들 및/또는 도시된 컴포넌트들의 더 많거나 더 적은 것을 포함할 수도 있다. 또한, 소정의 자산은 소정의 자산의 동작들을 수행하기 위하여 협력하여 동작되는 다수의 개별적인 자산들을 포함할 수도 있다. 다른 예들이 또한 가능하다.
III. 일 예의 분석 시스템
지금부터 도 4 를 참조하면, 일 예의 분석 시스템 (400) 의 간략화된 블록도가 도시되어 있다. 위에서 제안된 바와 같이, 분석 시스템 (400) 은 본원에서 설명된 다양한 동작들을 수행하기 위하여 통신가능하게 링크되고 배열된 하나 이상의 컴퓨팅 시스템들을 포함할 수도 있다. 구체적으로, 도시된 바와 같이, 분석 시스템 (400) 은 데이터 접수 시스템 (data intake system) (402), 데이터 과학 시스템 (data science system) (404), 및 하나 이상의 데이터베이스들 (406) 을 포함할 수도 있다. 이 시스템 컴포넌트들은 보안 통신들을 가능하게 하도록 구성될 수도 있는 하나 이상의 무선 및/또는 유선 접속들을 통해 통신가능하게 결합될 수도 있다.
데이터 접수 시스템 (402) 은 일반적으로, 데이터를 수신하고 데이터를 프로세싱하고 데이터를 데이터 과학 시스템 (404) 으로 출력하도록 기능할 수도 있다. 이와 같이, 데이터 접수 시스템 (402) 은 자산들 (102 및 104), 출력 시스템 (110), 및/또는 데이터 소스 (112) 와 같은, 네트워크 구성 (100) 의 다양한 네트워크 컴포넌트들로부터 데이터를 수신하도록 구성된 하나 이상의 네트워크 인터페이스들을 포함할 수도 있다. 구체적으로, 데이터 접수 시스템 (402) 은 다른 예들 중에서, 아날로그 신호들, 데이터 스트림들, 및/또는 네트워크 패킷들을 수신하도록 구성될 수도 있다. 이와 같이, 네트워크 인터페이스들은 위에서 설명된 것들과 유사한, 포트 등과 같은 하나 이상의 유선 네트워크 인터페이스들 및/또는 무선 네트워크 인터페이스들을 포함할 수도 있다. 일부 예들에서, 데이터 접수 시스템 (402) 은 NiFi 수신기 등과 같은, 소정의 데이터흐름 기술에 따라 구성된 컴포넌트들일 수도 있거나 이를 포함할 수도 있다.
데이터 접수 시스템 (402) 은 하나 이상의 동작들을 수행하도록 구성된 하나 이상의 프로세싱 컴포넌트들을 포함할 수도 있다. 일 예의 동작들은 다른 동작들 중에서, 압축 및/또는 압축해제, 암호화 및/또는 복호화, 아날로그-대-디지털 및/또는 디지털-대-아날로그 변환, 필터링, 및 증폭을 포함할 수도 있다. 또한, 데이터 접수 시스템 (402) 은 데이터 타입 및/또는 데이터의 특성들에 기초하여 데이터를 파싱 (parse), 정렬 (sort), 편성 (organize), 및/또는 라우팅 (route) 하도록 구성될 수도 있다. 일부 예들에서, 데이터 접수 시스템 (402) 은 데이터 과학 시스템 (404) 의 하나 이상의 특성들 또는 동작 파라미터들에 기초하여 데이터를 포맷 (format), 패키징 (package), 및/또는 라우팅하도록 구성될 수도 있다.
일반적으로, 데이터 접수 시스템 (402) 에 의해 수신된 데이터는 다양한 형태들을 취할 수도 있다. 예를 들어, 데이터의 페이로드 (payload) 는 단일의 센서 또는 액츄에이터 측정, 다수의 센서 및/또는 액츄에이터 측정들, 및/또는 하나 이상의 비정상적-조건 데이터를 포함할 수도 있다. 다른 예들이 또한 가능하다.
또한, 수신된 데이터는 소스 식별자 및 타임스탬프 (예컨대, 정보가 획득되었던 날짜 및/또는 시간) 와 같은 어떤 특성들을 포함할 수도 있다. 예를 들어, 고유의 식별자 (예컨대, 컴퓨터 생성된 알파벳, 숫자, 영숫자 등의 식별자) 는 각각의 자산에, 그리고 아마도, 각각의 센서 및 액츄에이터에 배정될 수도 있다. 이러한 식별자들은 데이터가 발신되는 자산, 센서, 또는 액츄에이터를 식별하도록 동작가능할 수도 있다. 일부 경우들에는, 또 다른 특성이 정보가 획득되었던 로케이션 (예컨대, GPS 좌표들) 을 포함할 수도 있다. 데이터 특성들은 다른 예들 중에서, 신호 서명들 또는 메타데이터의 형태로 나올 수도 있다.
데이터 과학 시스템 (404) 은 일반적으로, 데이터를 (예컨대, 데이터 접수 시스템 (402) 으로부터) 수신하고 데이터를 분석하고, 이러한 분석에 기초하여, 하나 이상의 동작들이 발생하게 하도록 기능할 수도 있다. 이와 같이, 데이터 과학 시스템 (404) 은 하나 이상의 네트워크 인터페이스들 (408), 프로세싱 유닛 (410), 및 데이터 스토리지 (412) 를 포함할 수도 있고, 이것들의 전부는 시스템 버스, 네트워크, 또는 다른 접속 메커니즘에 의해 통신가능하게 링크될 수도 있다. 일부 경우들에는, 데이터 과학 시스템 (404) 이 본원에서 개시된 기능성의 일부를 수행하는 것을 가능하게 하는 하나 이상의 애플리케이션 프로그램 인터페이스 (application program interface; API) 들을 저장하고 및/또는 액세스하도록 구성될 수도 있다.
네트워크 인터페이스들 (408) 은 위에서 설명된 임의의 네트워크 인터페이스와 동일하거나 유사할 수도 있다. 실제로, 네트워크 인터페이스들 (408) 은 데이터 과학 시스템 (404) 과, 데이터 접수 시스템 (402), 데이터베이스들 (406), 자산들 (102), 출력 시스템 (110) 등과 같은 다양한 다른 엔티티들과의 사이의 (예컨대, 일부 보안의 레벨을 갖는) 통신을 가능하게 할 수도 있다.
프로세싱 유닛 (410) 은 위에서 설명된 프로세서 형태들 중의 임의의 것을 취할 수도 있는 하나 이상의 프로세서들을 포함할 수도 있다. 결국, 데이터 스토리지 (412) 는 위에서 논의된 컴퓨터-판독가능 저장 매체들의 형태들 중의 임의의 것을 취할 수도 있는 하나 이상의 비-일시적 컴퓨터-판독가능 저장 매체들일 수도 있거나 이를 포함할 수도 있다. 프로세싱 유닛 (410) 은 본원에서 설명된 분석 시스템의 동작들을 수행하기 위하여 데이터 스토리지 (412) 에서 저장된 컴퓨터-판독가능 프로그램 명령들을 저장하고, 액세스하고, 실행하도록 구성될 수도 있다.
일반적으로, 프로세싱 유닛 (410) 은 데이터 접수 시스템 (402) 으로부터 수신된 데이터에 대한 분석들을 수행하도록 구성될 수도 있다. 그 목적을 위하여, 프로세싱 유닛 (410) 은 데이터 스토리지 (412) 에서 저장되는 프로그램 명령들의 하나 이상의 세트들의 형태를 각각 취할 수도 있는 하나 이상의 모듈들을 실행하도록 구성될 수도 있다. 모듈들은 개개의 프로그램 명령들의 실행에 기초하여 성과가 발생하게 하는 것을 가능하게 하도록 구성될 수도 있다. 소정의 모듈로부터의 일 예의 성과는 다른 예들 중에서, 데이터를 또 다른 모듈로 출력하는 것, 소정의 모듈 및/또는 또 다른 모듈의 프로그램 명령들을 업데이트하는 것, 및 자산 및/또는 출력 시스템 (110) 으로의 송신을 위하여 데이터를 네트워크 인터페이스 (408) 로 출력하는 것을 포함할 수도 있다.
데이터베이스들 (406) 은 일반적으로, 데이터를 (예컨대, 데이터 과학 시스템 (404) 으로부터) 수신하고 데이터를 저장하도록 기능할 수도 있다. 이와 같이, 각각의 데이터베이스 (406) 는 위에서 제공된 예들 중의 임의의 것과 같은 하나 이상의 비-일시적 컴퓨터-판독가능 저장 매체들을 포함할 수도 있다. 실제로, 데이터베이스들 (406) 은 데이터 스토리지 (412) 로부터 분리되어 있을 수도 있거나 이와 통합될 수도 있다.
데이터베이스들 (406) 은 그 일부가 이하에서 논의되는 수 많은 타입들의 데이터를 저장하도록 구성될 수도 있다. 실제로, 데이터베이스들 (406) 에서 저장된 데이터의 일부는 데이터가 생성되었거나 데이터베이스에 추가되었던 날짜 및 시간을 표시하는 타임스탬프를 포함할 수도 있다. 또한, 데이터는 다수의 방식들로 데이터베이스들 (406) 에서 저장될 수도 있다. 예를 들어, 데이터는 다른 예들 중에서, 시간 시퀀스로, 표 방식으로 저장될 수도 있고, 및/또는 데이터 소스 타입에 기초하여 (예컨대, 자산, 자산 타입, 센서, 센서 타입, 액츄에이터, 또는 액츄에이터 타입에 기초하여) 또는 비정상적-조건 표시자에 기초하여 편성될 수도 있다.
IV. 일 예의 동작들
도 1 에서 도시된 일 예의 네트워크 구성 (100) 의 동작들은 지금부터 이하에서 더욱 상세하게 논의될 것이다. 이 동작들의 일부를 설명하는 것을 돕기 위하여, 흐름도들은 수행될 수도 있는 동작들의 조합들을 설명하기 위하여 참조될 수도 있다. 일부 경우들에는, 각각의 블록이 프로세스에서 특정 논리적인 기능들 또는 단계들을 구현하기 위하여 프로세서에 의해 실행가능한 명령들을 포함하는 프로그램 코드의 모듈 또는 부분을 나타낼 수도 있다. 프로그램 코드는 비-일시적 컴퓨터-판독가능 매체들과 같은 임의의 타입의 컴퓨터-판독가능 매체 상에서 저장될 수도 있다. 다른 경우들에는, 각각의 블록이 프로세스에서 특정 논리적인 기능들 또는 단계들을 수행하기 위하여 배선되는 회로부를 나타낼 수도 있다. 또한, 흐름도들에서 도시된 블록들은 특정한 실시형태에 기초하여 상이한 순서들로 재배열될 수도 있고, 더 적은 블록들로 조합될 수도 있고, 추가적인 블록들로 분리될 수도 있고, 및/또는 제거될 수도 있다.
다음의 설명은 자산 (102) 과 같은 단일의 데이터 소스가 데이터를, 하나 이상의 기능들을 그 다음으로 수행하는 분석 시스템 (108) 에 제공하는 예들을 참조할 수도 있다. 이것은 단지 명확함 및 설명을 위하여 행해지고 제한적인 것으로 의도되지 않는다는 것이 이해되어야 한다. 실제로, 분석 시스템 (108) 은 일반적으로, 다수의 소스들로부터 아마도 동시에 데이터를 수신하고, 이러한 집합적인 수신된 데이터에 기초하여 동작들을 수행한다.
A. 동작 데이터의 수집
위에서 언급된 바와 같이, 대표적인 자산 (102) 은 다양한 형태들을 취할 수도 있고, 다수의 동작들을 수행하도록 구성될 수도 있다. 비-제한적인 예에서, 자산 (102) 은 미국에 걸쳐 화물을 전달하도록 동작가능한 기관차의 형태를 취할 수도 있다. 수송 동안에, 자산 (102) 의 센서들 및/또는 액츄에이터들은 자산 (102) 의 하나 이상의 동작 조건들을 반영하는 신호 데이터를 획득할 수도 있다. 센서들 및/또는 액츄에이터들은 데이터를 자산 (102) 의 프로세싱 유닛으로 송신할 수도 있다.
프로세싱 유닛은 센서들 및/또는 액츄에이터들로부터 데이터를 수신하도록 구성될 수도 있다. 실제로, 프로세싱 유닛은 다수의 센서들로부터 센서 데이터를, 및/또는 다수의 액츄에이터들로부터 액츄에이터 데이터를 동시에 또는 순차적으로 수신할 수도 있다. 위에서 논의된 바와 같이, 이 데이터를 수신하는 동안, 프로세싱 유닛은 또한, 데이터가 오류 코드들과 같은 임의의 비정상적-조건 표시자들을 트리거링하는 트리거링 기준들을 충족시키는지 여부를 결정하도록 구성될 수도 있다. 프로세싱 유닛이 하나 이상의 비정상적-조건 표시자들이 트리거링되는 것으로 결정할 경우, 프로세싱 유닛은 사용자 인터페이스를 통해 트리거링된 표시자의 표시를 출력하는 것과 같은 하나 이상의 로컬 동작들을 수행하도록 구성될 수도 있다.
그 다음으로, 자산 (102) 은 자산 (102) 및 통신 네트워크 (106) 의 네트워크 인터페이스를 통해 동작 데이터를 분석 시스템 (108) 으로 송신할 수도 있다. 동작 시에, 자산 (102) 은 연속적으로, 주기적으로, 및/또는 트리거링 이벤트들 (예컨대, 비정상적 조건들) 에 응답하여 동작 데이터를 분석 시스템 (108) 으로 송신할 수도 있다. 구체적으로, 자산 (102) 은 특정한 빈도 (예컨대, 매일, 매시간, 매 15 분, 분 당 한번, 초 당 한번 등) 에 기초하여 주기적으로 동작 데이터를 송신할 수도 있거나, 자산 (102) 은 동작 데이터의 연속적인 실시간 피드 (feed) 를 송신하도록 구성될 수도 있다. 추가적으로 또는 대안적으로, 자산 (102) 은 센서 및/또는 액츄에이터 측정들이 임의의 비정상적-조건 표시자들에 대한 트리거링 기준들을 충족시킬 때와 같은 어떤 트리거들에 기초하여 동작 데이터를 송신하도록 구성될 수도 있다. 자산 (102) 은 마찬가지로 다른 방식들로 동작 데이터를 송신할 수도 있다.
실제로, 자산 (102) 에 대한 동작 데이터는 센서 데이터, 액츄에이터 데이터, 및/또는 비정상적-조건 데이터를 포함할 수도 있다. 일부 구현예들에서, 자산 (102) 은 단일 데이터 스트림으로 동작 데이터를 제공하도록 구성될 수도 있는 반면, 다른 구현예들에서, 자산 (102) 은 다수의 별개의 데이터 스트림들로 동작 데이터를 제공하도록 구성될 수도 있다. 예를 들어, 자산 (102) 은 센서 및/또는 액츄에이터 데이터의 제 1 데이터 스트림, 및 비정상적-조건 데이터의 제 2 데이터 스트림을 분석 시스템 (108) 에 제공할 수도 있다. 다른 가능성들이 또한 존재한다.
센서 및 액츄에이터 데이터는 다양한 형태들을 취할 수도 있다. 예를 들어, 때때로, 센서 데이터 (또는 액츄에이터 데이터) 는 자산 (102) 의 센서들 (또는 액츄에이터들) 의 각각에 의해 획득된 측정들을 포함할 수도 있다. 다른 시간들 동안에는, 센서 데이터 (또는 액츄에이터 데이터) 가 자산 (102) 의 센서들 (또는 액츄에이터들) 의 서브세트에 의해 획득된 측정들을 포함할 수도 있다.
구체적으로, 센서 및/또는 액츄에이터 데이터는 소정의 트리거링된 비정상적-조건 표시자와 연관된 센서들 및/또는 액츄에이터들에 의해 획득된 측정들을 포함할 수도 있다. 예를 들어, 트리거링된 오류 코드가 도 3 으로부터의 오류 코드 1 일 경우, 센서 데이터는 센서들 A 및 C 에 의해 획득된 원시 측정 (raw measurement) 들을 포함할 수도 있다. 추가적으로 또는 대안적으로, 데이터는 트리거링된 오류 코드와 직접적으로 연관되지 않은 하나 이상의 센서들 또는 액츄에이터들에 의해 획득된 측정들을 포함할 수도 있다. 최후의 예에서 계속하면, 데이터는 액츄에이터 B 및/또는 다른 센서들 또는 액츄에이터들에 의해 획득된 측정들을 추가적으로 포함할 수도 있다. 일부 예들에서, 자산 (102) 은, 예를 들어, 액츄에이터 B 가 측정하고 있는 것과 오류 코드 1 이 우선 트리거링되게 하였던 것 사이에 상관이 있는 것으로 결정하였을 수도 있는, 분석 시스템 (108) 에 의해 제공된 오류-코드 규칙 또는 명령에 기초하여 동작 데이터에서 특정한 센서 데이터를 포함할 수도 있다. 다른 예들이 또한 가능하다.
또한, 데이터는, 다수의 인자들에 기초하여 선택될 수도 있는, 특정한 관심 대상 시간에 기초한 각각의 관심 대상 센서 및/또는 액츄에이터로부터의 하나 이상의 센서 및/또는 액츄에이터 측정들을 포함할 수도 있다. 일부 예들에서, 특정한 관심 대상 시간은 샘플링 레이트에 기초할 수도 있다. 다른 예들에서, 특정한 관심 대상 시간은 비정상적-조건 표시자가 트리거링되는 시간에 기초할 수도 있다.
특히, 비정상적-조건 표시자가 트리거링되는 시간에 기초하여, 데이터는 각각의 관심 대상 센서 및/또는 액츄에이터 (예컨대, 트리거링된 표시자와 직접적으로 그리고 간접적으로 연관된 센서들 및/또는 액츄에이터들) 로부터의 하나 이상의 개개의 센서 및/또는 액츄에이터 측정들을 포함할 수도 있다. 하나 이상의 측정들은 특정한 수의 측정들, 또는 트리거링된 비정상적-조건 표시자의 시간 주위의 특정한 시간의 기간에 기초할 수도 있다.
예를 들어, 트리거링된 오류 코드가 도 3 으로부터의 오류 코드 2 일 경우, 관심 대상 센서들 및 액츄에이터들은 액츄에이터 B 및 센서 C 를 포함할 수도 있다. 하나 이상의 측정들은 오류 코드의 트리거링 이전에 액츄에이터 B 및 센서 C 에 의해 획득된 가장 최근의 개개의 측정들 (예컨대, 트리거링 측정들), 또는 트리거링 측정들 전의, 후의, 또는 그 주위의 측정들의 개개의 세트를 포함할 수도 있다. 예를 들어, 5 개의 측정들의 세트는 다른 가능성들 중에서, (예컨대, 트리거링 측정을 제외하고) 트리거링 측정 전의, 또는 그 후의 5 개의 측정들, 트리거링 측정들 전의, 또는 그 후의 4 개의 측정들 및 트리거링 측정, 또는 그 전의 2 개의 측정들 및 그 후의 2 개뿐만 아니라 트리거링 측정을 포함할 수도 있다.
센서 및 액츄에이터 데이터와 유사하게, 비정상적-조건 데이터는 다양한 형태들을 취할 수도 있다. 일반적으로, 비정상적-조건 데이터는 자산 (102) 에서 발생할 수도 있는 모든 다른 비정상적 조건들로부터, 자산 (102) 에서 발생하였던 특정한 비정상적 조건을 고유하게 식별하도록 동작가능한 표시자를 포함할 수도 있거나 이러한 표시자의 형태를 취할 수도 있다. 비정상적-조건 표시자는 다른 예들 중에서, 알파벳, 숫자, 또는 영숫자 식별자의 형태를 취할 수도 있다. 또한, 비정상적-조건 표시자는 다른 예들 중에서, "과열된 엔진" 또는 "연료 고갈" 과 같은 비정상적 조건을 서술하는 단어들의 스트링의 형태를 취할 수도 있다.
분석 시스템 (108) 및 특히, 분석 시스템 (108) 의 데이터 접수 시스템은 하나 이상의 자산들 및/또는 데이터 소스들로부터 동작 데이터를 수신하도록 구성될 수도 있다. 데이터 접수 시스템은 수신된 데이터에 대한 하나 이상의 동작들을 수행하고, 그 다음으로, 데이터를 분석 시스템 (108) 의 데이터 과학 시스템으로 중계하도록 구성될 수도 있다. 결국, 데이터 과학 시스템은 수신된 데이터를 분석할 수도 있고, 이러한 분석에 기초하여, 하나 이상의 동작들을 수행할 수도 있다.
B. 예측 모델들 및 작업흐름들의 정의
하나의 예로서, 분석 시스템 (108) 은 하나 이상의 자산들에 대한 수신된 동작 데이터 및/또는 하나 이상의 자산들에 관련된 수신된 외부 데이터에 기초하여 예측 모델들 및 대응하는 작업흐름들을 정의하도록 구성될 수도 있다. 분석 시스템 (108) 은 마찬가지로 다양한 다른 데이터T에 기초하여 모델-작업흐름 쌍들을 정의할 수도 있다.
일반적으로, 모델-작업흐름 쌍은, 자산으로 하여금, 어떤 동작 조건들을 모니터링하게 하고, 모니터링된 동작 조건들에 의해 제안된 특정한 이벤트의 발생을 방지하는 것을 가능하게 하도록 돕는 어떤 동작들을 수행하게 하는 프로그램 명령들의 세트를 포함할 수도 있다. 구체적으로, 예측 모델은, 그 입력들이 자산의 하나 이상의 센서들 및/또는 액츄에이터들로부터의 센서 및/또는 액츄에이터 데이터이고 그 출력들이 특정한 이벤트가 미래에 특정한 시간의 주기 내에서 자산에서 발생할 수도 있을 것이라는 확률을 결정하기 위하여 사용되는 하나 이상의 알고리즘들을 포함할 수도 있다. 결국, 작업흐름은 하나 이상의 트리거들 (예컨대, 모델 출력 값들), 및 자산이 트리거들에 기초하여 수행하는 대응하는 동작들을 포함할 수도 있다.
위에서 제안된 바와 같이, 분석 시스템 (108) 은 집합적인 및/또는 개별화된 예측 모델들 및/또는 작업흐름들을 정의하도록 구성될 수도 있다. "집합적인" 모델/작업흐름은, 자산들의 그룹에 대하여 일반적이고, 모델/작업흐름이 전개되는 자산들의 특정한 특성들을 고려하지 않으면서 정의된 모델/작업흐름을 지칭할 수도 있다. 다른 한편으로, "개별화된" 모델/작업흐름은, 단일 자산 또는 자산들의 그룹으로부터의 자산들의 서브그룹에 대하여 구체적으로 맞추어지고, 모델/작업흐름이 전개되는 단일 자산 또는 자산들의 서브그룹의 특정한 특성들에 기초하여 정의된 모델/작업흐름을 지칭할 수도 있다. 이 상이한 타입들의 모델들/작업흐름들, 및 그것들을 정의하기 위하여 분석 시스템 (108) 에 의해 수행된 동작들은 이하에서 더욱 상세하게 논의된다.
1. 집합적인 모델들 및 작업흐름들
일 예의 구현예들에서, 분석 시스템 (108) 은 복수의 자산들에 대한 집합된 데이터에 기초하여 집합적인 모델-작업흐름 쌍을 정의하도록 구성될 수도 있다. 집합적인 모델-작업흐름 쌍들을 정의하는 것은 다양한 방식들로 수행될 수도 있다.
도 5 는 모델-작업흐름 쌍들을 정의하기 위하여 이용될 수도 있는 정의 국면의 하나의 가능한 예를 도시하는 흐름도 (500) 이다. 예시의 목적들을 위하여, 일 예의 정의 국면은 분석 시스템 (108) 에 의해 수행되는 것으로서 설명되지만, 이 정의 국면은 마찬가지로 다른 시스템들에 의해 수행될 수도 있다. 당해 분야의 당업자는 흐름도 (500) 가 명확함 및 설명을 위하여 제공된다는 것과, 동작들의 수 많은 다른 조합들이 모델-작업흐름 쌍을 정의하기 위하여 사용될 수도 있다는 것을 인식할 것이다.
도 5 에서 도시된 바와 같이, 블록 (502) 에서, 분석 시스템 (108) 은 소정의 예측 모델에 대한 기초를 형성하는 데이터의 세트 (예컨대, 관심 대상 데이터) 를 정의함으로써 시작할 수도 있다. 관심 대상 데이터는 자산들 (102 및 104) 및 데이터 소스 (112) 와 같은 다수의 소스들로부터 유도할 수도 있고, 분석 시스템 (108) 의 데이터베이스에서 저장될 수도 있다.
관심 대상 데이터는 자산들의 그룹으로부터의 자산들의 특정한 세트 또는 자산들의 그룹으로부터의 자산들의 전부 (예컨대, 관심 대상 자산들) 에 대한 이력 데이터를 포함할 수도 있다. 또한, 관심 대상 데이터는 관심 대상 자산들의 각각으로부터의 센서들 및/또는 액츄에이터들의 특정한 세트로부터, 또는 관심 대상 자산들의 각각으로부터의 센서들 및/또는 액츄에이터들의 전부로부터의 측정들을 포함할 수도 있다. 또한, 관심 대상 데이터는 이력 데이터의 2 주 분량과 같은, 과거의 특정한 시간의 주기로부터의 데이터를 포함할 수도 있다.
관심 대상 데이터는 소정의 예측 모델에 종속될 수도 있는 다양한 타입들의 데이터를 포함할 수도 있다. 일부 사례들에서, 관심 대상 데이터는 자산들의 동작 조건들을 표시하는 적어도 동작 데이터를 포함할 수도 있고, 여기서, 동작 데이터는 동작 데이터의 수집 섹션에서 위에서 논의된 바와 같다. 추가적으로, 관심 대상 데이터는 자산들이 전형적으로 동작되는 환경들을 표시하는 환경 데이터, 및/또는 그 동안에 자산이 어떤 태스크들을 수행하기 위한 계획된 날짜들 및 시간들을 표시하는 스케줄링 데이터를 포함할 수도 있다. 다른 타입들의 데이터가 또한, 관심 대상 데이터 내에 포함될 수도 있다.
실제로, 관심 대상 데이터는 다수의 방식들로 정의될 수도 있다. 하나의 예에서, 관심 대상 데이터는 사용자-정의될 수도 있다. 특히, 사용자는 어떤 관심 대상 데이터의 선택을 표시하는 사용자 입력들을 수신하는 출력 시스템 (110) 을 동작시킬 수도 있고, 출력 시스템 (110) 은 이러한 선택들을 표시하는 데이터를 분석 시스템 (108) 에 제공할 수도 있다. 수신된 데이터에 기초하여, 그 다음으로, 분석 시스템 (108) 은 관심 대상 데이터를 정의할 수도 있다.
또 다른 예에서, 관심 대상 데이터는 머신-정의될 수도 있다. 특히, 분석 시스템 (108) 은 가장 정확한 예측 모델을 생성하는 관심 대상 데이터를 결정하기 위하여, 시뮬레이션들과 같은 다양한 동작들을 수행할 수도 있다. 다른 예들이 또한 가능하다.
도 5 로 돌아가면, 블록 (504) 에서, 분석 시스템 (108) 은 관심 대상 데이터에 기초하여, 자산들의 동작에 관련되는 집합적인 예측 모델을 정의하도록 구성될 수도 있다. 일반적으로, 집합적인 예측 모델은 자산들의 동작 조건들과, 자산들에서 발생하는 이벤트의 가능성과의 사이의 관계를 정의할 수도 있다. 구체적으로, 집합적인 예측 모델은 자산의 센서들로부터의 센서 데이터 및 자산의 액츄에이터들로부터의 액츄에이터 데이터를 입력들로서 수신할 수도 있고, 이벤트가 미래로의 시간의 어떤 양 내에서 자산에서 발생할 것이라는 확률을 출력할 수도 있다.
예측 모델이 예측하는 이벤트는 특정한 구현예에 따라 변동될 수도 있다. 예를 들어, 이벤트는 고장이 될 수도 있고, 그러므로, 예측 모델은 고장이 미래의 어떤 시간의 주기 내에서 발생할 것인지 여부를 예측하는 고장 모델일 수도 있다 (고장 모델들은 건전성-점수 모델들 및 작업흐름들 섹션에서 이하에서 상세하게 논의됨). 또 다른 예에서, 이벤트는 자산이 태스크를 완료하는 것일 수도 있고, 그러므로, 예측 모델은 자산이 정시에 태스크를 완료할 가능성을 예측할 수도 있다. 다른 예들에서, 이벤트는 유체 또는 컴포넌트 대체일 수도 있고, 그러므로, 예측 모델은 특정한 자산 유체 또는 컴포넌트가 대체될 필요가 있기 전의 시간의 양을 예측할 수도 있다. 또 다른 예들에서, 이벤트는 자산 수율 (asset productivity) 에서의 변경일 수도 있고, 그러므로, 예측 모델은 미래의 특정한 시간의 주기 동안의 자산의 수율을 예측할 수도 있다. 하나의 다른 예에서, 이벤트는 예상된 자산 거동들과는 상이한 자산 거동을 표시할 수도 있는 "선두 표시자 (leading indicator)" 이벤트의 발생일 수도 있고, 그러므로, 예측 모델은 하나 이상의 선두 표시자 이벤트들이 미래에 발생할 가능성을 예측할 수도 있다. 예측 모델들의 다른 예들이 또한 가능하다.
여하튼, 분석 시스템 (108) 은 다양한 방식들로 집합적인 예측 모델을 정의할 수도 있다. 일반적으로, 이 동작은 다른 모델링 기법들 중에서, 랜덤 포레스트 (random forest) 기법, 로지스틱 회귀 (logistic regression) 기법, 또는 다른 회귀 기법과 같은, 0 와 1 사이의 확률을 반환하는 모델을 생성하기 위한 하나 이상의 모델링 기법들을 사용하는 것을 수반할 수도 있다. 특정한 예의 구현예에서, 분석 시스템 (108) 은 도 7 을 참조하는 이하의 논의에 따라 집합적인 예측 모델을 정의할 수도 있다. 분석 시스템 (108) 은 집합적인 모델을 마찬가지로 다른 방식들로 정의할 수도 있다.
블록 (506) 에서, 분석 시스템 (108) 은 블록 (504) 으로부터의 정의된 모델에 대응하는 집합적인 작업흐름을 정의하도록 구성될 수도 있다. 일반적으로, 작업흐름은 예측 모델의 특정한 출력에 기초하여 수행되는 액션의 형태를 취할 수도 있다. 일 예의 구현예들에서, 작업흐름은 자산이 정의된 예측 모델의 출력에 기초하여 수행하는 하나 이상의 동작들을 포함할 수도 있다. 작업흐름의 일부일 수도 있는 동작들의 예들은 다른 예의 작업흐름 동작들 중에서, 자산이 특정한 데이터-취득 방식에 따라 데이터를 취득하는 것, 특정한 데이터-송신 방식에 따라 데이터를 분석 시스템 (108) 으로 송신하는 것, 로컬 진단 툴을 실행하는 것, 및/또는 자산의 동작 조건을 수정하는 것을 포함한다.
특정한 데이터-취득 방식은 자산이 어떻게 데이터를 취득하는지를 표시할 수도 있다. 특히, 데이터-취득 방식은 자산의 복수의 센서들 및 액츄에이터들의 센서들 및/또는 액츄에이터들의 서브세트 (예컨대, 관심 대상 센서들/액츄에이터들) 와 같은, 자산이 그것으로부터 데이터를 획득하는 어떤 센서들 및/또는 액츄에이터들을 표시할 수도 있다. 또한, 데이터-취득 방식은 자신이 관심 대상 센서들/액츄에이터들로부터 획득하는 데이터의 양, 및/또는 자산이 이러한 데이터를 취득하는 샘플링 주파수를 표시할 수도 있다. 데이터-취득 방식들은 마찬가지로 다양한 다른 속성들을 포함할 수도 있다. 특정한 예의 구현예에서, 특정한 데이터-취득 방식은 자산 건전성에 대한 예측 모델에 대응할 수도 있고, 감소하는 자산 건전성에 기초하여 (예컨대, 특정한 센서들로부터) 더 많은 데이터 및/또는 특정한 데이터를 취득하기 위하여 조절될 수도 있다. 또는, 특정한 데이터-취득 방식은 선두-표시자들 예측 모델에 대응할 수도 있고, 서브시스템 고장이 발생할 수도 있다는 것을 시그널링할 수도 있는 선두 표시자 이벤트의 발생의 증가된 가능성에 기초하여 자산 센서들 및/또는 액츄에이터들에 의해 취득된 데이터를 수정하기 위하여 조절될 수도 있다.
특정한 데이터-송신 방식은 자산이 어떻게 데이터를 분석 시스템 (108) 으로 송신하는지를 표시할 수도 있다. 구체적으로, 데이터-송신 방식은 어떤 센서들 또는 액츄에이터들로부터의 데이터와 같은, 자산이 송신해야 하는 데이터의 타입 (그리고 데이터의 포맷 및/또는 구조를 또한 표시할 수도 있음), 자산이 송신해야 하는 데이터 샘플들의 수, 송신 주파수, 및/또는 자산이 그 데이터 송신에서 포함해야 하는 데이터에 대한 우선순위-방식을 표시할 수도 있다. 일부 경우들에는, 특정한 데이터-취득 방식이 데이터-송신 방식을 포함할 수도 있거나, 데이터-취득 방식이 데이터-송신 방식과 쌍을 이룰 수도 있다. 일부 예의 구현예들에서, 특정한 데이터-송신 방식은 자산 건전성에 대한 예측 모델에 대응할 수도 있고, 임계 값을 초과하는 자산 건전성에 기초하여 데이터를 덜 빈번하게 송신하기 위하여 조절될 수도 있다. 다른 예들이 또한 가능하다.
위에서 제안된 바와 같이, 로컬 진단 툴은 자산에서 로컬 저장되는 절차들 등의 세트일 수도 있다. 로컬 진단 툴은 일반적으로, 자산에서의 오류 또는 고장의 원인을 진단하는 것을 가능하게 할 수도 있다. 일부 경우들에는, 실행될 때, 로컬 진단 툴이 오류 또는 고장의 원인을 진단하는 것을 가능하게 할 수도 있는 테스트 결과들을 획득하기 위하여 테스트 입력들을 자산의 서브시스템 또는 그 부분으로 전달할 수도 있다. 이 로컬 진달 툴들은 전형적으로 자산 상에서 휴면 상태이고, 자산이 특정한 진단 명령들을 수신하지 않으면, 실행되지 않을 것이다. 다른 로컬 진달 툴들이 또한 가능하다. 하나의 예의 구현예에서, 특정한 로컬 진단 툴은 자산의 서브시스템의 건전성에 대한 예측 모델에 대응할 수도 있고, 임계 값 이하인 서브시스템 건전성에 기초하여 실행될 수도 있다.
마지막으로, 작업흐름은 자산의 동작 조건을 수정하는 것을 수반할 수도 있다. 예를 들어, 자산의 하나 이상의 액츄에이터들은 자산의 동작 조건을 수정하는 것을 가능하게 하기 위하여 제어될 수도 있다. 다른 예들 중에서, 속력, 온도, 압력, 연료 레벨, 전류 인출, 및 전력 분배와 같은 다양한 동작 조건들이 수정될 수도 있다. 특정한 예의 구현예에서, 동작-조건 수정 작업흐름은 자산이 정시에 태스크를 완료할 것인지 여부를 예측하기 위한 예측 모델에 대응할 수도 있고, 자산으로 하여금, 임계 값 미만인 예측된 완료 백분율에 기초하여 그 이동의 속력을 증가시키게 할 수도 있다.
여하튼, 집합적인 작업흐름은 다양한 방식들로 정의될 수도 있다. 하나의 예에서, 집합적인 작업흐름은 사용자 정의될 수도 있다. 구체적으로, 사용자는 어떤 작업흐름 동작들의 선택을 표시하는 사용자 입력들을 수신하는 컴퓨팅 디바이스를 동작시킬 수도 있고, 컴퓨팅 시스템은 이러한 선택들을 표시하는 데이터를 분석 시스템 (108) 에 제공할 수도 있다. 이 데이터에 기초하여, 그 다음으로, 분석 시스템 (108) 은 집합적인 작업흐름을 정의할 수도 있다.
또 다른 예에서, 집합적인 작업흐름은 머신-정의될 수도 있다. 특히, 분석 시스템 (108) 은 예측 모델에 의해 출력된 확률의 원인을 결정하는 것, 및/또는 모델에 의해 예측된 이벤트의 발생을 방지하는 것을 가능하게 할 수도 있는 작업흐름을 결정하기 위하여, 시뮬레이션들과 같은 다양한 동작들을 수행할 수도 있다. 집합적인 작업흐름을 정의하는 것의 다른 예들이 또한 가능하다.
예측 모델에 대응하는 작업흐름을 정의할 시에, 분석 시스템 (108) 은 작업흐름의 트리거들을 정의할 수도 있다. 일 예의 구현예들에서, 작업흐름 트리거는 예측 모델에 의해 출력된 확률의 값, 또는 예측 모델에 의해 출력된 값들의 범위일 수도 있다. 일부 경우들에는, 작업흐름이 다수의 트리거들을 가질 수도 있고, 트리거들의 각각은 상이한 동작 또는 동작들이 발생하게 할 수도 있다.
예시하자면, 도 6a 는 집합적인 모델-작업흐름 쌍의 개념적인 예시도 (600) 이다. 도시된 바와 같이, 집합적인 모델-작업흐름 쌍 예시도 (600) 는 모델 입력들 (602), 모델 계산들 (604), 모델 출력 범위들 (606), 및 대응하는 작업흐름 동작들 (608) 에 대한 열을 포함한다. 이 예에서, 예측 모델은 단일 입력, 센서 A 로부터의 데이터를 가지고, 2 개의 계산들, 계산들 I 및 II 를 가진다. 이 예측 모델의 출력은 수행되는 작업흐름 동작에 영향을 준다. 출력 확률이 80 % 이하일 경우, 작업흐름 동작 1 이 수행된다. 그렇지 않을 경우, 작업흐름 동작 2 가 수행된다. 다른 예의 모델-작업흐름 쌍들이 가능하고 본원에서 고려된다.
2. 개별화된 모델들 및 작업흐름들
또 다른 양태에서, 분석 시스템 (108) 은 집합적인 모델-작업흐름 쌍을 기준선으로서 사용하는 것을 수반할 수도 있는, 자산들에 대한 개별화된 예측 모델들 및/또는 작업흐름들을 정의하도록 구성될 수도 있다. 개별화는 자산들의 어떤 특성들에 기초할 수도 있다. 이러한 방법으로, 분석 시스템 (108) 은 집합적인 모델-작업흐름 쌍에 비해 더 정확하고 강인한 모델-작업흐름 쌍을 소정의 자산에 제공할 수도 있다.
특히, 도 5 로 돌아가면, 블록 (508) 에서, 분석 시스템 (108) 은 자산 (102) 과 같은 소정의 자산에 대하여 블록 (504) 에서 정의된 집합적인 모델을 개별화할 것인지 여부를 판단하도록 구성될 수도 있다. 분석 시스템 (108) 은 다수의 방식들로 이 판단을 수행할 수도 있다.
일부 경우들에는, 분석 시스템 (108) 은 개별화된 예측 모델들을 디폴트 (default) 에 의해 정의하도록 구성될 수도 있다. 다른 경우들에는, 분석 시스템 (108) 이 자산 (102) 의 어떤 특성들에 기초하여 개별화된 예측 모델을 정의할 것인지 여부를 판단하도록 구성될 수도 있다. 예를 들어, 일부 경우들에는, 어떤 타입들 또는 클래스들의, 또는 어떤 환경들에서 동작된, 또는 어떤 건전성 점수들을 가지는 자산들만이 개별화된 예측 모델을 수신할 수도 있다. 또 다른 경우들에는, 사용자가 개별화된 모델이 자산 (102) 에 대하여 정의되는지 여부를 정의할 수도 있다. 다른 예들이 또한 가능하다.
여하튼, 분석 시스템 (108) 이 자산 (102) 에 대한 개별화된 예측 모델을 정의하도록 판단할 경우, 분석 시스템 (108) 은 블록 (510) 에서 그렇게 행할 수도 있다. 그렇지 않을 경우, 분석 시스템 (108) 은 블록 (512) 으로 진행할 수도 있다.
블록 (510) 에서, 분석 시스템 (108) 은 다수의 방식들로 개별화된 예측 모델을 정의하도록 구성될 수도 있다. 일 예의 구현예들에서, 분석 시스템 (108) 은 자산 (102) 의 하나 이상의 특성들에 적어도 부분적으로 기초하여 개별화된 예측 모델을 정의할 수도 있다.
자산 (102) 에 대한 개별화된 예측 모델을 정의하기 전, 분석 시스템 (108) 은 개별화된 모델들의 기초를 형성하는 관심 대상의 하나 이상의 자산 특성들을 결정하였을 수도 있다. 실제로, 상이한 예측 모델들은 관심 대상의 상이한 대응하는 특성들을 가질 수도 있다.
일반적으로, 관심 대상 특성들은 집합적인 모델-작업흐름 쌍에 관련되는 특성들일 수도 있다. 예를 들어, 관심 대상 특성들은 집합적인 모델-작업흐름 쌍의 정확도에 영향을 주는, 분석 시스템 (108) 이 결정하였던 특성들일 수도 있다. 이러한 특성들의 예들은 다른 특성들 중에서, 자산 연령, 자산 사용량, 자산 용량, 자산 부하, (아마도, 이하에서 논의된 자산 건전성 메트릭에 의해 표시된) 자산 건전성, 자산 클래스 (예컨대, 브랜드 및/또는 모델), 및 자산이 동작되는 환경을 포함할 수도 있다.
분석 시스템 (108) 은 다수의 방식들로 관심 대상 특성들을 결정하였을 수도 있다. 하나의 예에서, 분석 시스템 (108) 은 관심 대상 특성들을 식별하는 것을 가능하게 하는 하나 이상의 모델링 시뮬레이션들을 수행함으로써 그렇게 행하였을 수도 있다. 또 다른 예에서, 관심 대상 특성들은 사전정의되었을 수도 있고, 분석 시스템 (108) 의 데이터 스토리지에서 저장되었을 수도 있다. 또 다른 예에서, 관심 대상 특성들은 사용자에 의해 정의되었을 수도 있고, 출력 시스템 (110) 을 통해 분석 시스템 (108) 에 제공되었을 수도 있다. 다른 예들이 또한 가능하다.
여하튼, 관심 대상 특성들을 결정한 후, 분석 시스템 (108) 은 결정된 관심 대상 특성들에 대응하는 자산 (102) 의 특성들을 결정할 수도 있다. 즉, 분석 시스템 (108) 은 관심 대상 특성들에 대응하는 자산 (102) 의 특성들의 타입, 값, 그 존재 또는 결여 (lack) 를 결정할 수도 있다. 분석 시스템 (108) 은 다수의 방식들로 이 동작을 수행할 수도 있다.
예를 들어, 분석 시스템 (108) 은 자산 (102) 및/또는 데이터 소스 (112) 로부터 발신되는 데이터에 기초하여 이 동작을 수행하도록 구성될 수도 있다. 특히, 분석 시스템 (108) 은 자산 (102) 의 하나 이상의 특성들을 결정하기 위하여 자산 (102) 에 대한 동작 데이터 및/또는 데이터 소스 (112) 로부터의 외부 데이터를 사용할 수도 있다. 다른 예들이 또한 가능하다.
자산 (102) 의 결정된 하나 이상의 특성들에 기초하여, 분석 시스템 (108) 은 집합적인 모델을 수정함으로써 개별화된 예측 모델을 정의할 수도 있다. 집합적인 모델은 다수의 방식들로 수정될 수도 있다. 예를 들어, 집합적인 모델은 다른 예들 중에서, 하나 이상의 모델 입력들을 변경 (예컨대, 추가, 제거, 재순서화 등) 함으로써, 자산-동작 제한들에 대응하는 하나 이상의 센서 및/또는 액츄에이터 측정 범위들을 변경 (예컨대, "선두 표시자" 이벤트들에 대응하는 동작 제한들을 변경) 함으로써, 하나 이상의 모델 계산들을 변경함으로써, 계산의 변수 또는 출력을 가중화 (또는 그 가중치를 변경) 함으로써, 집합적인 모델을 정의하기 위하여 사용되었던 것과는 상이한 모델링 기법을 사용함으로써, 및/또는 집합적인 모델을 정의하기 위하여 사용되었던 것과는 상이한 응답 변수를 사용함으로써 수정될 수도 있다.
예시하자면, 도 6b 는 개별화된 모델-작업흐름 쌍의 개념적인 예시도 (610) 이다. 구체적으로, 개별화된 모델-작업흐름 쌍 예시도 (610) 는 도 6a 로부터의 집합적인 모델-작업흐름 쌍의 수정된 버전이다. 도시된 바와 같이, 개별화된 모델-작업흐름 쌍 예시도 (610) 는 모델 입력들 (612) 및 모델 계산들 (614) 에 대한 수정된 열을 포함하고, 도 6a 로부터의 모델 출력 범위들 (606) 및 작업흐름 동작들 (608) 에 대한 원래의 열들을 포함한다. 이 예에서, 개별화된 모델은 2 개의 입력들, 센서 A 및 액츄에이터 B 로부터의 데이터를 가지고, 2 개의 계산들, 계산들 II 및 III 을 가진다. 출력 범위들 및 대응하는 작업흐름 동작들은 도 6a 의 그것들과 동일하다. 분석 시스템 (108) 은 다른 이유들 중에서, 자산 (102) 이 예를 들어, 상대적으로 오래되고 상대적으로 열악한 건전성을 가지는 것으로 결정하는 것에 기초하여 이러한 방법으로 개별화된 모델을 정의하였을 수도 있다.
실제로, 집합적인 모델을 개별화하는 것은 소정의 자산의 하나 이상의 특성들에 종속될 수도 있다. 특히, 어떤 특성들은 다른 특성들과는 상이하게, 집합적인 모델의 수정에 영향을 줄 수도 있다. 또한, 특성의 타입, 값, 존재 등은 마찬가지로 수정에 영향을 줄 수도 있다. 예를 들어, 자산 연령은 집합적인 모델의 제 1 파트에 영향을 줄 수도 있는 반면, 자산 클래스는 집합적인 모델의 제 2 의 상이한 파트에 영향을 줄 수도 있다. 그리고, 연령들의 제 1 범위 내에서의 자산 연령은 제 1 방식으로 집합적인 모델의 제 1 파트에 영향을 줄 수도 있는 반면, 제 1 범위와는 상이한, 연령들의 제 2 범위 내에서의 자산 연령은 제 2 의 상이한 방식으로 집합적인 모델의 제 1 파트에 영향을 줄 수도 있다. 다른 예들이 또한 가능하다.
일부 구현예들에서, 집합적인 모델을 개별화하는 것은 자산 특성들에 추가하여, 또는 이에 대안적으로 고려사항들에 종속될 수도 있다. 예를 들어, 집합적인 모델은 자산이 (예컨대, 정비공 등에 의해 정의된 바와 같이) 상대적으로 양호한 동작 상태에 있는 것으로 알려질 때에 자산의 센서 및/또는 액츄에이터 판독들에 기초하여 개별화될 수도 있다. 더 상세하게, 선두-표시자 예측 모델의 예에서, 분석 시스템 (108) 은 자산으로부터의 동작 데이터와 함께, (예컨대, 정비공에 의해 동작된 컴퓨팅 디바이스로부터) 자산이 양호한 동작 상태에 있다는 표시를 수신하도록 구성될 수도 있다. 동작 데이터에 적어도 기초하여, 그 다음으로, 분석 시스템 (108) 은 "선두 표시자" 이벤트들에 대응하는 개개의 동작 제한들을 수정함으로써 자산에 대한 선두-표시자 예측 모델을 개별화할 수도 있다. 다른 예들이 또한 가능하다.
도 5 로 돌아가면, 블록 (512) 에서, 분석 시스템 (108) 은 또한, 자산 (102) 에 대한 작업흐름을 개별화할 것인지 여부를 판단하도록 구성될 수도 있다. 분석 시스템 (108) 은 다수의 방식들로 이 판단을 수행할 수도 있다. 일부 구현예들에서, 분석 시스템 (108) 은 블록 (508) 에 따라 이 동작을 수행할 수도 있다. 다른 구현예들에서, 분석 시스템 (108) 은 개별화된 예측 모델에 기초하여 개별화된 작업흐름을 정의할 것인지 여부를 판단할 수도 있다. 또 다른 구현예에서, 분석 시스템 (108) 은 개별화된 예측 모델이 정의되었을 경우에 개별화된 작업흐름을 정의하도록 판단할 수도 있다. 다른 예들이 또한 가능하다.
여하튼, 분석 시스템 (108) 이 자산 (102) 에 대한 개별화된 작업흐름을 정의하도록 판단할 경우, 분석 시스템 (108) 은 블록 (514) 에서 그렇게 행할 수도 있다. 그렇지 않을 경우, 분석 시스템 (108) 은 정의 국면을 종료시킬 수도 있다.
블록 (514) 에서, 분석 시스템 (108) 은 다수의 방식들로 개별화된 작업흐름을 정의하도록 구성될 수도 있다. 일 예의 구현예들에서, 분석 시스템 (108) 은 자산 (102) 의 하나 이상의 특성들에 적어도 부분적으로 기초하여 개별화된 작업흐름을 정의할 수도 있다.
개별화된 예측 모델을 정의하는 것과 유사하게, 자산 (102) 에 대한 개별화된 작업흐름을 정의하기 전, 분석 시스템 (108) 은 블록 (510) 의 논의에 따라 결정되었을 수도 있는 개별화된 작업흐름의 기초를 형성하는 관심 대상의 하나 이상의 자산 특성들을 결정하였을 수도 있다. 일반적으로, 이 관심 대상 특성들은 집합적인 작업흐름의 효능에 영향을 주는 특성들일 수도 있다. 이러한 특성들은 위에서 논의된 일 예의 특성들 중의 임의의 것을 포함할 수도 있다. 다른 특성들이 마찬가지로 가능하다.
다시 블록 (510) 과 유사하게, 분석 시스템 (108) 은 개별화된 작업흐름에 대한 결정된 관심 대상 특성들에 대응하는 자산 (102) 의 특성들을 결정할 수도 있다. 일 예의 구현예들에서, 분석 시스템 (108) 은 블록 (510) 을 참조하여 논의된 특성 결정과 유사한 방식으로 자산 (102) 의 특성들을 결정할 수도 있고, 실제로는, 그 결정의 일부 또는 전부를 사용할 수도 있다.
여하튼, 자산 (102) 의 결정된 하나 이상의 특성들에 기초하여, 분석 시스템 (108) 은 집합적인 작업흐름을 수정함으로써 자산 (102) 에 대한 작업흐름을 개별화할 수도 있다. 집합적인 작업흐름은 다수의 방식들로 수정될 수도 있다. 예를 들어, 집합적인 작업흐름은 다른 예들 중에서, 하나 이상의 작업흐름 동작들을 변경 (예컨대, 추가, 제거, 재순서화, 대체 등) 함으로써 (예컨대, 제 1 데이터-취득 방식으로부터 제 2 방식으로 변경하거나, 특정한 데이터 취득 방식으로부터 특정한 로컬 진단 툴로 변경함), 및/또는 특정한 작업흐름 동작들을 트리거링하는 대응하는 모델 출력 값 또는 값들의 범위를 변경 (예컨대, 증가, 감소, 그것에 추가, 그것으로부터 제거 등) 함으로써 수정될 수도 있다. 실제로, 집합적인 작업흐름에 대한 수정은 집합적인 모델에 대한 수정과 유사한 방식으로 자산 (102) 의 하나 이상의 특성들에 종속될 수도 있다.
예시하자면, 도 6c 는 개별화된 모델-작업흐름 쌍의 개념적인 예시도 (620) 이다. 구체적으로, 개별화된 모델-작업흐름 쌍 예시도 (620) 는 도 6a 로부터의 집합적인 모델-작업흐름 쌍의 수정된 버전이다. 도시된 바와 같이, 개별화된 모델-작업흐름 쌍 예시도 (620) 는 도 6a 로부터의 모델 입력들 (602), 모델 계산들 (604), 및 모델 출력 범위들 (606) 에 대한 원래의 열들을 포함하지만, 작업흐름 동작들 (628) 에 대한 수정된 열을 포함한다. 이 예에서, 집합적인 모델의 출력이 80 % 보다 더 클 때, 작업흐름 동작 3 이 동작 1 대신에 트리거링되는 것을 제외하고는, 개별화된 모델-작업흐름 쌍이 도 6a 로부터의 집합적인 모델-작업흐름 쌍과 유사하다. 분석 시스템 (108) 은 자산 (102) 이 예를 들어, 다른 이유들 중에서, 자산 고장들의 발생을 이력적으로 증가시키는 환경에서 동작하는 것으로 결정하는 것에 기초하여 이 개별적인 작업흐름을 정의하였을 수도 있다.
개별화된 작업흐름을 정의한 후, 분석 시스템 (108) 은 정의 국면을 종료시킬 수도 있다. 그 포인트에서, 그 다음으로, 분석 시스템 (108) 은 자산 (102) 에 대한 개별화된 모델-작업흐름 쌍을 가질 수도 있다.
일부 예의 구현예들에서, 분석 시스템 (108) 은 집합적인 예측 모델 및/또는 대응하는 작업흐름을 먼저 정의하지 않으면서, 소정의 자산에 대한 개별화된 예측 모델 및/또는 대응하는 작업흐름을 정의하도록 구성될 수도 있다. 다른 예들이 또한 가능하다.
상기한 것은 분석 시스템 (108) 이 예측 모델들 및/또는 작업흐름들을 개별화하는 것을 논의하였지만, 다른 디바이스들 및/또는 시스템들이 개별화를 수행할 수도 있다. 예를 들어, 자산 (102) 의 로컬 분석 디바이스는 예측 모델 및/또는 작업흐름을 개별화할 수도 있거나, 이러한 동작들을 수행하기 위하여 분석 시스템 (108) 과 함께 작업할 수도 있다. 이러한 동작들을 수행하는 로컬 분석 디바이스는 이하에서 더욱 상세하게 논의된다.
3. 건전성-점수 모델들 및 작업흐름들
특정한 구현예에서, 위에서 언급된 바와 같이, 분석 시스템 (108) 은 자산들의 건전성과 연관된 예측 모델들 및 대응하는 작업흐름들을 정의하도록 구성될 수도 있다. 일 예의 구현예들에서, 자산의 건전성을 모니터링하기 위한 하나 이상의 예측 모델들은 고장이 미래로의 소정의 시간프레임 (timeframe) (예컨대, 다음의 2 주일) 내에서 소정의 자산에서 발생할 것인지 여부를 표시하는 단일의 집합된 메트릭인, 자산에 대한 건전성 메트릭 (예컨대, "건전성 점수 (health score)") 을 출력하기 위하여 사용될 수도 있다. 특히, 건전성 메트릭은 고장들의 그룹으로부터의 고장들이 미래로의 소정의 시간프레임 내에서 자산에서 발생하지 않을 가능성을 표시할 수도 있거나, 건전성 메트릭은 고장들의 그룹으로부터의 적어도 하나의 고장이 미래로의 소정의 시간프레임 내에서 자산에서 발생할 가능성을 표시할 수도 있다.
실제로, 건전성 메트릭을 출력하기 위하여 사용된 예측 모델들 및 대응하는 작업흐름들은 상기 논의에 따라, 집합적인 또는 개별화된 모델들 및/또는 작업흐름들로서 정의될 수도 있다.
또한, 건전성 메트릭의 희망하는 세분화도 (granularity) 에 따라, 분석 시스템 (108) 은 상이한 레벨들의 건전성 메트릭들을 출력하는 상이한 예측 모델들을 정의하고 상이한 대응하는 작업흐름들을 정의하도록 구성될 수도 있다. 예를 들어, 분석 시스템 (108) 은 전체로서 자산에 대한 건전성 메트릭 (즉, 자산-레벨 건전성 메트릭) 을 출력하는 예측 모델을 정의할 수도 있다. 또 다른 예로서, 분석 시스템 (108) 은 자산의 하나 이상의 서브시스템들에 대한 개개의 건전성 메트릭 (즉, 서브시스템 레벨 건전성 메트릭들) 을 출력하는 개개의 예측 모델을 정의할 수도 있다. 일부 경우들에는, 각각의 서브시스템-레벨 예측 모델의 출력들은 자산-레벨 건전성 메트릭을 생성하기 위하여 조합될 수도 있다. 다른 예들이 또한 가능하다.
일반적으로, 건전성 메트릭을 출력하는 예측 모델을 정의하는 것은 다양한 방식들로 수행될 수도 있다. 도 7 은 건전성 메트릭을 출력하는 모델을 정의하기 위하여 이용될 수도 있는 모델링 국면의 하나의 가능한 예를 도시하는 흐름도 (700) 이다. 예시의 목적들을 위하여, 일 예의 모델링 국면은 분석 시스템 (108) 에 의해 수행되는 것으로서 설명되지만, 이 모델링 국면은 마찬가지로 다른 시스템들에 의해 수행될 수도 있다. 당해 분야의 당업자는 흐름도 (700) 가 명확함 및 설명을 위하여 제공된다는 것과, 동작들의 수 많은 다른 조합들이 건전성 메트릭을 결정하기 위하여 사용될 수도 있다는 것을 인식할 것이다.
도 7 에서 도시된 바와 같이, 블록 (702) 에서, 분석 시스템 (108) 은 건전성 메트릭에 대한 기초를 형성하는 하나 이상의 고장들의 세트 (즉, 관심 대상 고장들) 를 정의함으로써 시작할 수도 있다. 실제로, 하나 이상의 고장들은 그것들이 발생하였을 경우에 자산 (또는 그 서브시스템) 이 동작불가능하게 할 수 있는 그 고장들일 수도 있다. 고장들의 정의된 세트에 기초하여, 분석 시스템 (108) 은 고장들 중의 임의의 것이 미래의 소정의 시간프레임 (예컨대, 다음의 2 주일) 내에서 발생할 가능성을 예측하기 위한 모델을 정의하기 위하여 단계들을 취할 수도 있다.
특히, 블록 (704) 에서, 분석 시스템 (108) 은 고장들의 세트로부터의 소정의 고장의 과거의 발생들을 식별하기 위하여 하나 이상의 자산들의 그룹에 대한 이력 동작 데이터를 분석할 수도 있다. 블록 (706) 에서, 분석 시스템 (108) 은 소정의 고장의 각각의 식별된 과거의 발생과 연관되는 동작 데이터 (예컨대, 소정의 고장의 발생 이전의 소정의 시간프레임으로부터의 센서 및/또는 액츄에이터 데이터) 의 개개의 세트를 식별할 수도 있다. 블록 (708) 에서, 분석 시스템 (108) 은 (1) 동작 메트릭의 소정의 세트에 대한 값들과 (2) 소정의 고장이 미래의 소정의 시간프레임 (예컨대, 다음의 2 주일) 내에서 발생할 가능성 사이의 관계 (예컨대, 고장 모델) 를 정의하기 위하여 소정의 고장의 과거의 발생들과 연관된 동작 데이터의 식별된 세트들을 분석할 수도 있다. 마지막으로, 블록 (710) 에서, 그 다음으로, 정의된 세트에서의 각각의 고장에 대한 정의된 관계 (예컨대, 개별적인 고장 모델들) 는 고장이 발생할 전체적인 가능성을 예측하기 위한 모델로 조합될 수도 있다.
분석 시스템 (108) 이 하나 이상의 자산들의 그룹에 대한 업데이트된 동작 데이터를 수신하는 것을 계속하므로, 분석 시스템 (108) 은 또한, 업데이트된 동작 데이터에 대해 단계들 (704 내지 710) 을 반복시킴으로써 하나 이상의 고장들의 정의된 세트에 대한 예측 모델을 세분화하는 것을 계속할 수도 있다.
도 7 에서 예시된 일 예의 모델링 국면의 기능들은 지금부터 더욱 상세하게 설명될 것이다. 블록 (702) 과 함께 시작하면, 위에서 언급된 바와 같이, 분석 시스템 (108) 은 건전성 메트릭에 대한 기초를 형성하는 하나 이상의 고장들의 세트를 정의함으로써 시작할 수도 있다. 분석 시스템 (108) 은 다양한 방식들로 이 기능을 수행할 수도 있다.
하나의 예에서, 하나 이상의 고장들의 세트는 하나 이상의 사용자 입력들에 기초할 수도 있다. 구체적으로, 분석 시스템 (108) 은 출력 시스템 (110) 과 같은, 사용자에 의해 동작된 컴퓨팅 시스템으로부터, 하나 이상의 고장들의 사용자 선택을 표시하는 입력 데이터를 수신할 수도 있다. 이와 같이, 하나 이상의 고장들의 세트는 사용자-정의될 수도 있다.
다른 예들에서, 하나 이상의 고장들의 세트는 분석 시스템 (108) 에 의해 행해진 결정들에 기초할 수도 있다 (예컨대, 머신-정의됨). 특히, 분석 시스템 (108) 은 다수의 방식들로 발생할 수도 있는 하나 이상의 고장들의 세트를 정의하도록 구성될 수도 있다.
예를 들어, 분석 시스템 (108) 은 자산 (102) 의 하나 이상의 특성들에 기초하여 고장들의 세트를 정의하도록 구성될 수도 있다. 즉, 어떤 고장들은 자산의 자산 타입, 클래스 등과 같은 어떤 특성들에 대응할 수도 있다. 예를 들어, 자산의 각각의 타입 및/또는 클래스는 개개의 관심 대상 고장들을 가질 수도 있다.
또 다른 사례에서, 분석 시스템 (108) 은 분석 시스템 (108) 의 데이터베이스들에서 저장된 이력 데이터 및/또는 데이터 소스 (112) 에 의해 제공된 외부 데이터에 기초하여 고장들의 세트를 정의하도록 구성될 수도 있다. 예를 들어, 분석 시스템 (108) 은 다른 예들 중에서, 어느 고장들이 가장 긴 수리-시간으로 귀착되는지, 및/또는 어느 고장들이 추가적인 고장들을 이력적으로 선행하는지를 결정하기 위하여 이러한 데이터를 사용할 수도 있다.
또 다른 예들에서, 하나 이상의 고장들의 세트는 사용자 입력들의 조합 및 분석 시스템 (108) 에 의해 행해진 결정들에 기초하여 정의될 수도 있다. 다른 예들이 또한 가능하다.
블록 (704) 에서, 고장들의 세트로부터의 고장들의 각각에 대하여, 분석 시스템 (108) 은 소정의 고장의 과거의 발생들을 식별하기 위하여 하나 이상의 자산들의 그룹에 대한 이력 동작 데이터 (예컨대, 비정상적-거동 데이터) 를 분석할 수도 있다. 하나 이상의 자산들의 그룹은 자산 (102) 과 같은 단일 자산, 또는 자산들 (102 및 104) 을 포함하는 자산들의 플리트와 같은, 동일하거나 유사한 타입의 다수의 자산들을 포함할 수도 있다. 분석 시스템 (108) 은 다른 예들 중에서, 데이터의 시간의 분량 (예컨대, 1 달 분량) 의 어떤 양, 또는 어떤 수의 데이터-포인트들 (예컨대, 가장 최근의 천 개의 데이터 포인트들) 과 같은, 이력 동작 데이터의 특정한 양을 분석할 수도 있다.
실제로, 소정의 고장의 과거의 발생들을 식별하는 것은 분석 시스템 (108) 이 소정의 고장을 표시하는, 비정상적-조건 데이터와 같은 동작 데이터의 타입을 식별하는 것을 수반할 수도 있다. 일반적으로, 소정의 고장은 오류 코드들과 같은 하나 또는 다수의 비정상적-조건 표시자들과 연관될 수도 있다. 즉, 소정의 고장이 발생할 때, 하나 또는 다수의 비정상적-조건 표시자들이 트리거링될 수도 있다. 이와 같이, 비정상적-조건 표시자들은 소정의 고장의 기초적인 증상을 반영할 수도 있다.
소정의 고장을 표시하는 동작 데이터의 타입을 식별한 후, 분석 시스템 (108) 은 다수의 방식들로 소정의 고장의 과거의 발생들을 식별할 수도 있다. 예를 들어, 분석 시스템 (108) 은 분석 시스템 (108) 의 데이터베이스들에서 저장된 이력 동작 데이터로부터, 소정의 고장과 연관된 비정상적-조건 표시자들에 대응하는 비정상적-조건 데이터를 위치시킬 수도 있다. 각각의 위치된 비정상적-조건 데이터는 소정의 고장의 발생을 표시할 것이다. 이 위치된 비정상적-조건 데이터에 기초하여, 분석 시스템 (108) 은 과정의 고장이 발생하였던 시간을 식별할 수도 있다.
블록 (706) 에서, 분석 시스템 (108) 은 소정의 고장의 각각의 식별된 과거의 발생과 연관되는 동작 데이터의 개개의 세트를 식별할 수도 있다. 특히, 분석 시스템 (108) 은 소정의 고장의 소정의 발생의 시간 주위에서의 어떤 시간프레임으로부터의 센서 및/또는 액츄에이터 데이터의 세트를 식별할 수도 있다. 예를 들어, 데이터의 세트는 고장의 소정의 발생 전, 후, 또는 그 주위의 특정한 시간프레임 (예컨대, 2 주일) 으로부터의 것일 수도 있다. 다른 경우들에는, 데이터의 세트가 고장의 소정의 발생 전, 후, 또는 그 주위에서 어떤 수의 데이터-포인트들로부터 식별될 수도 있다.
일 예의 구현예들에서, 동작 데이터의 세트는 자산 (102) 의 센서들 및 액츄에이터들의 일부 또는 전부로부터의 센서 및/또는 액츄에이터 데이터를 포함할 수도 있다. 예를 들어, 동작 데이터의 세트는 소정의 고장에 대응하는 비정상적-조건 표시자와 연관된 센서들 및/또는 액츄에이터들로부터의 데이터를 포함할 수도 있다.
예시하자면, 도 8 은 분석 시스템 (108) 이 모델을 정의하는 것을 가능하게 하기 위하여 분석할 수도 있는 이력 동작 데이터의 개념적인 예시도를 도시한다. 도표 (800) 는 자산 (102) 의 센서들 및 액츄에이터들의 일부 (예컨대, 센서 A 및 액츄에이터 B) 또는 전부로부터 발신되었던 이력 데이터의 세그먼트 (segment) 에 대응할 수도 있다. 도시된 바와 같이, 도표 (800) 는 x-축 (802) 상의 시간, y-축 (804) 상의 측정 값들, 및 센서 A 에 대응하는 센서 데이터 (806) 및 액츄에이터 B 에 대응하는 액츄에이터 데이터 (808) 를 포함하고, 그 각각은 시간, Ti 에서의 특정한 포인트들에서의 측정들을 나타내는 다양한 데이터-포인트들을 포함한다. 또한, 도표 (800) 는 과거의 시간, Tf (예컨대, "고장의 시간") 에서 발생하였던 고장 (810) 의 발생의 표시, 및 동작 데이터의 세트들이 그것으로부터 식별되는, 고장의 발생 전의 시간 (812) 의 양, △T 의 표시를 포함한다. 이와 같이, Tf - △T 는 관심 대상 데이터-포인트들의 시간프레임 (814) 을 정의한다.
도 7 로 돌아가면, 분석 시스템 (108) 이 소정의 고장의 소정의 발생 (예컨대, Tf 에서의 발생) 에 대한 동작 데이터의 세트를 식별한 후, 분석 시스템 (108) 은 동작 데이터의 세트가 식별되어야 하는 임의의 나머지 발생들이 있는지 여부를 결정할 수도 있다. 나머지 발생이 있을 경우, 블록 (706) 은 각각의 나머지 발생에 대하여 반복될 것이다.
그 후에, 블록 (708) 에서, 분석 시스템 (108) 은 (1) 동작 메트릭들의 소정의 세트 (예컨대, 센서 및/또는 액츄에이터 측정들의 소정의 세트) 와 (2) 소정의 고장이 미래의 소정의 시간프레임 (예컨대, 다음의 2 주일) 내에서 발생할 가능성 사이의 관계 (예컨대, 고장 모델) 를 정의하기 위하여 소정의 고장의 과거의 발생들과 연관된 동작 데이터의 식별된 세트들을 분석할 수도 있다. 즉, 소정의 고장 모델은 하나 이상의 센서들 및/또는 액츄에이터들로부터의 센서 및/또는 액츄에이터 측정들을 입력들로서 취할 수도 있고, 소정의 고장이 미래의 소정의 시간프레임 내에서 발생할 것이라는 확률을 출력할 수도 있다.
일반적으로, 고장 모델은 자산 (102) 의 동작 조건들과 고장이 발생할 가능성 사이의 관계를 정의할 수도 있다. 일부 구현예들에서, 자산 (102) 의 센서들 및/또는 액츄에이터들로부터의 원시 데이터 신호들에 추가하여, 고장 모델은 센서 및/또는 액츄에이터 신호들로부터 유도되는, 특징들로서 또한 알려진 다수의 다른 데이터 입력들을 수신할 수도 있다. 이러한 특징들은 고장이 발생하였을 때에 이력적으로 측정되었던 값들의 평균 또는 범위, 고장의 발생 이전에 이력적으로 측정되었던 값 경도 (value gradient) 들 (예컨대, 측정들에서의 변경의 레이트) 의 평균 또는 범위, 고장들 사이의 시간의 기간 (예컨대, 고장의 제 1 발생과 고장의 제 2 발생 사이의 시간의 양 또는 데이터 포인트들의 수), 및/또는 고장의 발생 주위에서의 센서 및/또는 액츄에이터 측정 추세들을 표시하는 하나 이상의 고장 패턴들을 포함할 수도 있다. 당해 분야의 당업자는 이것들이 센서 및/또는 액츄에이터 신호들로부터 유도될 수 있는 단지 몇몇 예의 특징들이라는 것과, 수 많은 다른 특징들이 가능하다는 것을 인식할 것이다.
실제로, 고장 모델은 다수의 방식들로 정의될 수도 있다. 일 예의 구현예들에서, 분석 시스템 (108) 은 위에서 설명된 임의의 모델링 기법들의 형태를 취할 수도 있는, 0 과 1 사이의 확률을 반환하는 하나 이상의 모델링 기법들을 사용함으로써 고장 모델을 정의할 수도 있다.
특정한 예에서, 고장 모델을 정의하는 것은 분석 시스템 (108) 이 블록 (706) 에서 식별된 이력 동작 데이터에 기초하여 응답 변수를 생성하는 것을 수반할 수도 있다. 구체적으로, 분석 시스템 (108) 은 특정한 시간에서의 포인트에서 수신된 센서 및/또는 액츄에이터 측정들의 각각의 세트에 대한 연관된 응답 변수를 결정할 수도 있다. 이와 같이, 응답 변수는 고장 모델과 연관된 데이터 세트의 형태를 취할 수도 있다.
응답 변수는 측정들의 소정의 세트가 블록 (706) 에서 결정된 시간프레임들 중의 임의의 것 내에 있는지 여부를 표시할 수도 있다. 즉, 응답 변수는 데이터의 소정의 세트가 고장의 발생 주위의 관심 대상 시간으로부터의 것인지 여부를 반영할 수도 있다. 응답 변수는 2 진 값의 응답 변수일 수도 있어서, 측정들의 소정의 세트가 결정된 시간프레임들 중의 임의의 것 내에 있을 경우, 연관된 응답 변수는 1 의 값을 배정받고, 그렇지 않을 경우, 연관된 응답 변수는 0 의 값을 배정받는다.
도 8 로 돌아가면, 응답 변수 벡터, Yres 의 개념적인 예시도가 도표 (800) 상에서 도시되어 있다. 도시된 바와 같이, 시간프레임 (814) 내에 있는 측정들의 세트들과 연관된 응답 변수들은 1 의 값 (예컨대, 시간들 Ti +3 내지 Ti +8 에서의 Yres) 을 가지는 반면, 시간프레임 (814) 의 외부에서의 측정들의 세트들과 연관된 응답 변수는 0 의 값 (예컨대, 시간들 Ti 내지 Ti +2 및 Ti +9 내지 Ti +10 에서의 Yres) 을 가진다. 다른 응답 변수들이 또한 가능하다.
응답 변수에 기초하여 고장 모델을 정의하는 것의 특정한 예에서 계속하면, 분석 시스템 (108) 은 블록 (706) 에서 식별된 이력 동작 데이터 및 생성된 응답 변수로 고장 모델을 트레이닝 (train) 할 수도 있다. 이 트레이닝 프로세스에 기초하여, 그 다음으로, 분석 시스템 (108) 은, 다양한 센서 및/또는 액츄에이터 데이터를 입력들로서 수신하고, 고장이 응답 변수를 생성하기 위하여 이용된 시간프레임과 동등한 시간의 주기 내에서 발생할 것이라는, 0 과 1 사이의 확률을 출력하는 고장 모델을 정의할 수도 있다.
일부 경우들에는, 블록 (706) 에서 식별된 이력 동작 데이터 및 생성된 응답 변수로 트레이닝하는 것은 각각의 센서 및/또는 액츄에이터에 대한 변수 중요성 통계들로 귀착될 수도 있다. 소정의 변수 중요성 통계는 소정의 고장이 미래로의 시간의 주기 내에서 발생할 것이라는 확률에 대해 센서 또는 액츄에이터의 상대적인 효과를 표시할 수도 있다.
추가적으로 또는 대안적으로, 분석 시스템 (108) 은 콕스 비례 위험 (Cox proportional hazard) 기법과 같은 하나 이상의 생존 분석 기법들에 기초하여 고장 모델을 정의하도록 구성될 수도 있다. 분석 시스템 (108) 은 상기 논의된 모델링 기법과 일부 측면들에서 유사한 방식으로 생존 분석 기법을 사용할 수도 있지만, 분석 시스템 (108) 은 최후의 고장으로부터 다음의 예상된 이벤트까지의 시간의 양을 표시하는 생존 시간-응답 변수를 결정할 수도 있다. 다음의 예상된 이벤트는 어느 것이 먼저 발생하든지, 센서 및/또는 액츄에이터 측정들의 수신, 또는 고장의 발생의 어느 하나일 수도 있다. 이 응답 변수는 측정들이 수신되는 특정한 시간에서의 포인트들의 각각과 연관되는 한 쌍의 값들을 포함할 수도 있다. 그 다음으로, 응답 변수는 고장이 미래의 주어진 시간프레임 내에서 발생할 것이라는 확률을 결정하기 위하여 사용될 수도 있다.
일부 예의 구현예들에서, 고장 모델은 다른 데이터 중에서, 날씨 데이터 및 "핫박스" 데이터와 같은 외부 데이터에 부분적으로 기초하여 정의될 수도 있다. 예를 들어, 이러한 데이터에 기초하여, 고장 모델은 출력 고장 확률을 증가시키거나 감소시킬 수도 있다.
실제로, 외부 데이터는 자산 센서들 및/또는 액츄에이터들이 측정들을 획득하는 시간들과 일치하지 않는 시간에서의 포인트들에서 관측될 수도 있다. 예를 들어, "핫박스" 데이터가 수집되는 시간들 (예컨대, 핫 박스 센서들로 갖추어지는 철도 트랙의 섹션을 따라 기관차가 통과하는 시간들) 은 센서 및/또는 액츄에이터 측정 시간들과 불일치할 수도 있다. 이러한 경우들에는, 분석 시스템 (108) 은 센서 측정 시간들에 대응하는 시간들에서 관측되었을 외부 데이터 관측들을 결정하기 위하여 하나 이상의 동작들을 수행하도록 구성될 수도 있다.
구체적으로, 분석 시스템 (108) 은 외부 데이터 관측들을 보간 (interpolate) 하여 측정 시간들에 대응하는 시간들에 대한 외부 데이터 값들을 생성하기 위하여 외부 데이터 관측들의 시간들 및 측정들의 시간들을 사용할 수도 있다. 외부 데이터의 보간은 외부 데이터 관측들 또는 그로부터 유도된 특징들이 고장 모델로의 입력들로서 포함되는 것을 허용할 수도 있다. 실제로, 다양한 기법들은 다른 예들 중에서, 최근접-이웃 보간 (nearest-neighbor interpolation), 선형 보간 (linear interpolation), 다항식 보간 (polynomial interpolation), 및 스플라인 보간 (spline interpolation) 과 같이, 센서 및/또는 액츄에이터 데이터로 외부 데이터를 보간하기 위하여 이용될 수도 있다.
도 7 로 돌아가면, 분석 시스템 (108) 이 블록 (702) 에서 정의된 고장들의 세트로부터의 소정의 고장에 대한 고장 모델을 결정한 후, 분석 시스템 (108) 은 고장 모델이 결정되어야 하는 임의의 나머지 고장들이 있는지 여부를 결정할 수도 있다. 고장 모델이 결정되어야 하는 고장이 남아 있을 경우, 분석 시스템 (108) 은 블록들 (704 내지 708) 의 루프를 반복시킬 수도 있다. 일부 구현예들에서, 분석 시스템 (108) 은 블록 (702) 에서 정의된 고장들의 전부를 망라하는 단일 고장 모델을 결정할 수도 있다. 다른 구현예들에서, 분석 시스템 (108) 은, 그 다음으로, 자산-레벨 고장 모델을 결정하기 위하여 사용될 수도 있는, 자산 (102) 의 각각의 서브시스템에 대한 고장 모델을 결정할 수도 있다. 다른 예들이 또한 가능하다.
마지막으로, 블록 (710) 에서, 그 다음으로, 정의된 세트에서의 각각의 고장에 대한 정의된 관계 (예컨대, 개별적인 고장 모델들) 는 고장이 미래의 소정의 시간프레임 (예컨대, 다음의 2 주일) 내에서 발생할 전체적인 가능성을 예측하기 위한 모델 (예컨대, 건전성-메트릭 모델) 로 조합될 수도 있다. 즉, 모델은 하나 이상의 센서들 및/또는 액츄에이터들로부터의 센서 및/또는 액츄에이터 측정들을 입력들로서 수신하고, 고장들의 세트로부터의 적어도 하나의 고장이 미래의 소정의 시간프레임 내에서 발생할 것이라는 단일 확률을 출력한다.
분석 시스템 (108) 은 건전성 메트릭의 희망하는 세분화도에 종속될 수도 있는 다수의 방식들로 건전성-메트릭 모델을 정의할 수도 있다. 즉, 다수의 고장 모델들이 있는 사례들에서, 고장 모델들의 성과들은 건전성-메트릭 모델의 출력을 획득하기 위하여 다수의 방식들로 사용될 수도 있다. 예를 들어, 분석 시스템 (108) 은 다수의 고장 모델들로부터 최대, 중간, 또는 평균을 결정할 수도 있고, 그 결정된 값을 건전성-메트릭 모델의 출력으로서 사용할 수도 있다.
다른 예들에서, 건전성-메트릭 모델을 결정하는 것은 분석 시스템 (108) 이 개별적인 고장 모델들에 의해 출력된 개별적인 확률들에 가중치를 속성화하는 것을 수반할 수도 있다. 예를 들어, 고장들의 세트로부터의 각각의 고장은 동일하게 바람직하지 않은 것으로 고려될 수도 있고, 그러므로, 각각의 확률은 건전성-메트릭 모델을 결정함에 있어서 마찬가지로 동일하게 가중화될 수도 있다. 다른 사례들에서, 일부 고장들은 다른 것들보다 더 바람직하지 않은 것으로 고려될 수도 있고 (예컨대, 더 비극적, 또는 더 긴 수리 시간을 요구하는 등), 그러므로, 그 대응하는 확률들은 다른 것들보다 더 많이 가중화될 수도 있다.
또 다른 예들에서, 건전성-메트릭 모델을 결정하는 것은 분석 시스템 (108) 이 회귀 기법과 같은 하나 이상의 모델링 기법들을 사용하는 것을 수반할 수도 있다. 집합적인 응답 변수는 개별적인 고장 모델들의 각각으로부터의 응답 변수들 (예컨대, 도 8 에서의 Yres) 의 논리합 (논리적 OR) 의 형태를 취할 수도 있다. 예를 들어, 블록 (706) 에서 결정된 임의의 시간프레임 (예컨대, 도 8 의 시간프레임 (814)) 내에서 발생하는 측정들의 임의의 세트와 연관된 집합적인 응답 변수들은 1 의 값을 가질 수도 있는 반면, 시간프레임들 중의 임의의 것의 외부에서 발생하는 측정들의 세트들과 연관된 집합적인 응답 변수들은 0 의 값을 가질 수도 있다. 건전성-메트릭 모델을 정의하는 것의 다른 방식들이 또한 가능하다.
일부 구현예들에서, 블록 (710) 은 불필요할 수도 있다. 예를 들어, 위에서 논의된 바와 같이, 분석 시스템 (108) 은 단일 고장 모델을 결정할 수도 있고, 이 경우, 건전성-메트릭 모델은 단일 고장 모델일 수도 있다.
실제로, 분석 시스템 (108) 은 개별적인 고장 모델들 및/또는 전체적인 건전성-메트릭 모델을 업데이트하도록 구성될 수도 있다. 분석 시스템 (108) 은 매일, 매주, 매월 등으로 모델을 업데이트할 수도 있고, 자산 (102) 으로부터, 또는 다른 자산들로부터 (예컨대, 자산 (102) 과 동일한 플리트에서의 다른 자산들로부터) 의 이력 동작 데이터의 새로운 부분에 기초하여 그렇게 행할 수도 있다. 다른 예들이 또한 가능하다.
C. 실행 함수들의 정의
일 예의 실시형태들에서, 분석 시스템 (108) 은 자산에 결합된 로컬 분석 디바이스 (예컨대, 자산 (102) 에 결합된 로컬 분석 디바이스 (220)) 가 예측 모델을 실행해야 하는지 여부를 결정함에 있어서 도움이 될 수도 있는 실행 함수들을 정의하도록 구성될 수도 있다. 이하는 예측 모델들을 실행하는 것에 관련하여 실행 함수들을 논의하지만, 논의는 마찬가지로 작업흐름들을 실행하는 것에 적용가능하다는 것이 이해되어야 한다. 사실, 이하의 논의의 일부는 로컬 분석 디바이스가 예측 모델 및 대응하는 작업흐름의 어느 하나 또는 양자를 실행해야 하는지 여부를 결정하는 것에 적용가능할 수도 있다. 다른 예들이 또한 가능하다.
위에서 제안된 바와 같이, 양자의 분석 시스템 (108) 및 로컬 분석 디바이스 (220) 는 분석 디바이스 (220) 가 결합되는 소정의 자산 (예컨대, 자산 (102)) 에 대한 예측 모델을 실행하도록 구성될 수도 있지만, 분석 시스템 (108) 또는 로컬 분석 디바이스 (220) 가 다른 것과 반대로 자산 (102) 에 대한 예측 모델을 실행하는 것을 유리하게 하는 어떤 인자들이 있을 수도 있다.
예를 들어, 하나의 인자는 예측 모델을 실행하는 것에 관한 정확도 (즉, 예측된 성과가 실제적으로 발생하는지 여부) 일 수도 있다. 이 인자는 "임계적인" 자산 고장에 대응하는 예측 모델 (예컨대, 자산 (102) 을 부분적으로 또는 완전히 동작불가능하게 할 수도 있는 것) 에 대하여 특히 중요할 수도 있다. 이에 따라, 다른 인자들에 독립적인 정확도를 고려하면, 로컬 분석 디바이스 (220) 대신에, 분석 시스템 (108) 이 예측 모델을 실행하는 것이 유리할 수도 있다. 이것은 분석 시스템 (108) 이 더 큰 프로세싱 능력들 및/또는 지능을 일반적으로 소유하기 때문에 그러할 수도 있다. 추가적으로 또는 대안적으로, 분석 시스템 (108) 은 다양한 다른 정보 중에서, 자산 고장과 연관된 비용들에서의 변경들 (예컨대, 수리 비용들) 및/또는 자산 (102) 의 미래의 동작 조건들에서의 변경들에 관한 정보와 같은, 로컬 분석 디바이스 (220) 에 알려지지 않은 정보를 소유할 수도 있다. 그러므로, 분석 시스템 (108) 은 예측 모델들을 실행할 때에 로컬 분석 디바이스 (220) 보다 전형적으로 더 정확하다. 또한, 분석 시스템 (108) 은 로컬 분석 디바이스 (220) 에 의해 저장된 것보다 예측 모델의 더 최신 (즉, 정확한) 버전을 가질 수도 있다.
또 다른 인자는 예측 모델의 결과가 이용가능한 속력일 수도 있다. 즉, 예측 모델이 실행되어야 하는 것으로 결정하는 것과, 실행된 예측 모델의 결과를 획득하는 것 사이의 시간. 이 인자는 동작 (예컨대, 자산 고장을 회피하도록 추구하는 동작) 이 모델의 출력에 기초하여 자산 (102) 에서 발생하게 하는 대응하는 작업흐름을 가지는 예측 모델에 대하여 중요할 수도 있다.
다른 인자들에 독립적인 모델-결과 이용가능성 속력을 고려하면, 로컬 분석 디바이스 (220) 가 분석 시스템 (108) 보다 더 신속하게 모델 결과를 일반적으로 획득할 수 있으므로, 분석 시스템 (108) 대신에, 로컬 분석 디바이스 (220) 는 예측 모델을 실행하는 것이 유리할 수도 있다. 예를 들어, 이것은 로컬 분석 디바이스 (220) 가 예측 모델을 실행하기 위한 데이터가 그것으로부터 획득되는 자산 (102) 에 (예컨대, 물리적으로, 또는 애드-훅 (ad-hoc), 포인트-투-포인트 (point-to-point) 등의 데이터 접속을 통해) 결합되므로 그러할 수도 있다. 분석 시스템 (108) 이 모델을 실행하기 위하여, 로컬 분석 디바이스 (220) 는 자산 데이터를 통신 네트워크 (106) 를 통해 분석 시스템 (108) 으로 먼저 송신한다. 그 다음으로, 분석 시스템 (108) 은 자산 데이터에 기초하여 예측 모델을 실행하고, 예측 모델을 실행하는 것의 결과들을 로컬 분석 디바이스 (220) 로 다시 송신한다. 이 추가적인 동작들의 각각은 일부 시간의 양을 취함으로써, 모델의 출력의 이용가능성을 지연시킨다. 또한, 이 지연은 다른 인자들 중에서, 네트워크 레이턴시, 제한된 대역폭, 및/또는 로컬 분석 디바이스 (220) 와 분석 시스템 (108) 사이의 네트워크 접속의 결여와 같은 조건들로 인해 확장될 수도 있다.
또 다른 인자는 예측 모델을 실행하는 것과 연관된 임의의 데이터-송신 비용들일 수도 있다. 예를 들어, 셀룰러-전화 데이터 계획에 대응하는 데이터-송신 요금들과 유사한, 데이터를 로컬 분석 디바이스 (220) 로부터 분석 시스템 (108) 으로 송신하는 것과 연관된 데이터-송신 요금들일 수도 있다. 따라서, 다른 인자들에 독립적인 데이터-송신 비용들을 고려하면, 로컬 분석 디바이스 (220) 가 예측 모델을 실행하는 것이 유리 (예컨대, 데이터-송신 요금들의 측면에서 더 저렴함) 할 수도 있다. 이것은 예측 모델을 실행하는 것이 자산 데이터의 상대적으로 큰 양을 요구할 경우에 특히 해당할 수도 있다. 수 많은 다른 예의 인자들이 또한 가능하다.
본원에서 제공된 예들을 실행하는 것에 실패하는 자산-모니터링 시스템들은 다수의 결점들을 겪을 수도 있다. 예를 들어, 하나의 이러한 결점은 다른 단점들 중에서, 자산-모니터링 시스템이 (예컨대, 동일하거나 유사한 연산들을 수행하는 다수의 디바이스들을 가지는) 자원들을 낭비하는 것으로 귀착될 수도 있는 전술한 인자들의 일부 또는 전부를 고려하는 것에 실패하는 것, 부정확한 결과들을 획득하는 것, 및/또는 불필요한 데이터-송신 비용들을 초래하는 것을 수반할 수도 있다. 또 다른 결점은 예측 모델의 비-최적의 실행으로 여전히 귀착될 수도 있는, 다른 인자들에 독립적인 하나의 인자를 고려하는 것을 수반할 수도 있다. 이에 따라, 본원에서 제공된 예들은 이러한 결점들을 개선시키는 것을 시도한다.
특히, 분석 시스템 (108) 은 분석 시스템 (108) 대 로컬 분석 디바이스에서 특정한 예측 모델을 실행하는 것의 상대적인 장점들을 분석하고, 그 분석에 기초하여, 그 모델에 대하여, 실행 함수와 같은, 그 상대적인 장점들의 정량적인 척도 (quantitative measure) 를 정의하도록 구성될 수도 있다. 일반적으로, 실행 함수는 특정한 디바이스 또는 시스템 (예컨대, 분석 시스템 (108) 또는 로컬 분석 디바이스 (220)) 이 특정한 예측 모델을 실행하는 것의 상대적인 장점들의 척도를 제공한다. 이에 따라, 실제로, 분석 시스템 (108) 은 특정한 예측 모델에 대하여, 적어도 분석-시스템 실행 함수 및 로컬-분석-디바이스 실행 함수 (예컨대, 특정한 예측 모델에 대한 실행 함수들의 세트) 를 정의할 수도 있다. 다른 예의 실행 함수 타입들이 또한 가능하다.
일반적인 사항으로서, 실행 함수들은 다양한 형태들을 취할 수도 있다. 특정한 예에서, 소정의 실행 함수는 하나 이상의 파라미터들을 포함하는 수학적 표현, 및 하나 이상의 파라미터들 사이의 관계를 정의하는 수학적 연산자들을 포함할 수도 있거나 그 형태를 취할 수도 있고, 함수는 또한, 그 표현을 평가하기 위하여 이용되는 하나 이상의 대응하는 값들 (예컨대, 파라미터들 중의 하나 이상에 대한 값들) 을 포함할 수도 있다. 실행 함수는 마찬가지로 다른 형태들을 취할 수도 있다.
오직 예 및 설명의 목적들을 위하여, 이하는 실행 함수들의 하나의 가능한 예인 성능 점수 함수 (performance score function; PSF) 들을 논의한다. 이와 같이, 이하의 논의는 제한적인 것으로서 해석되지 않아야 한다. 실행 함수들의 다양한 다른 예들이 또한 가능하고 본원에서 고려된다.
방금 언급된 바와 같이, 하나의 특정한 예의 실시형태에서, 실행 함수들은 특정한 디바이스 또는 시스템 (예컨대, 분석 시스템 (108) 또는 로컬 분석 디바이스 (220)) 에 의해 실행된 특정한 예측 모델을 가지는 것과 연관된 값을 표시하는 분석 성능 메트릭 (예컨대, "성능 점수") 을 출력하는 PSF 들의 형태를 취할 수도 있다. 따라서, 분석-시스템 PSF 는 분석 시스템 (108) 이 특정한 예측 모델을 실행하게 함에 있어서의 값을 반영하는 성능 점수를 출력하는 반면, 로컬-분석-디바이스 PSF 는 로컬 분석 디바이스 (220) 가 특정한 예측 모델을 실행하게 함에 있어서의 값을 반영하는 성능 점수를 출력한다. 다양한 다른 실행 함수들이 마찬가지로 가능하다.
여하튼, 분석 시스템 (108) 은 다양한 방식들로 PSF 들을 정의할 수도 있다. 하나의 예의 실시형태에서, 분석 시스템 (108) 은 특정한 예측 모델에 관련된 이력 데이터에 적어도 기초하여 특정한 예측 모델에 대한 PSF 들을 정의할 수도 있다. 이러한 이력 데이터의 예들은 다양한 다른 데이터 중에서, 이력 모델-성과 데이터 및 이력 성과-비용 데이터를 포함할 수도 있다. 이력 데이터는 분석 시스템 (108) 에 의해 저장될 수도 있고 및/또는 데이터 소스 (112) 에 의해 제공될 수도 있고, 자산 (102) 을 포함할 수도 있거나 포함하지 않을 수도 있는, 복수의 자산들에 대한 이력 데이터를 반영할 수도 있다.
일반적으로, 이력 모델-성과 데이터는 특정한 예측 모델에 기초하였던 이전의 예측들의 정확도를 표시할 수도 있거나, 이러한 이전의 예측들의 정확도를 결정하기 위하여 이용될 수도 있다. 실제로, 모델-성과 데이터는 다양한 형태들을 취할 수도 있고, 및/또는 다양한 정보를 포함할 수도 있다. 하나의 특정한 예로서, 모델-성과 데이터는 (a) 예측을 행하기 위하여 이용된 예측 모델의 식별자, (b) 예측을 행하였던 시스템 또는 디바이스 (예컨대, 분석 시스템 또는 로컬 분석 디바이스) 의 타입의 식별자, (c) 이전의 예측 (예컨대, 고장이 자산에서 발생하거나 발생하지 않을 것이라는 예측) 의 표시, 및/또는 (d) 그 예측에 관련된 실제적인 성과의 표시를 포함함으로써, 그 이전의 예측이 올바른 것이었는지 여부 (예컨대, 고장이 자산에서 실제적으로 발생하였거나 발생하지 않았음) 를 표시할 수도 있다. 이력 모델-성과 데이터는 상기 정보 중의 임의의 것에 대응하는 하나 이상의 타임스탬프들과 같은 다양한 다른 정보를 마찬가지로 포함할 수도 있다.
일반적으로, 이력 성과-비용 데이터는 특정한 예측 모델에 기초하였던 이전의 예측들에 따라 자산들을 핸들링하는 것과 연관된 이전의 비용들을 포함할 수도 있거나, 이러한 이전의 비용들을 결정하기 위하여 이용될 수도 있다. 예를 들어, 예측이 고장이 자산에서 발생하지 않을 것이라는 것이었지만, 고장이 실제적으로 자산에서 발생하였을 경우, 대응하는 성과-비용 데이터는 상대적으로 큰 값 (예컨대, 자산이 필드에서 초기 불량인 것과 연관된 시간 및/또는 달러 (dollar) 비용들, 자산이 전달 데드라인을 누락하는 것, 정비공이 그것을 수리하기 위하여 자산으로 이동하는 것, 및/또는 새로운 부품들 및 그 새로운 부품들을 설치하기 위하여 요구된 노동력) 을 표시할 수도 있다. 또 다른 사례에서, 예측이 고장이 발생할 것이라는 것이지만, 사실상, 자산에 있어서 실제적인 문제가 없었을 경우, 대응하는 성과-비용 데이터는 상기 예와 비교하여 상대적으로 적당한 값 (예컨대, 자산이 필드로부터 인출되어 수리점으로 가져가게 되는 것과 연관된 시간 및/또는 달러 비용들, 및 정비공이 문제가 존재하지 않는 것으로 결정하기 위하여 요구된 노동력) 을 표시할 수도 있다. 성과-비용 데이터의 다른 예들이 또한 가능하다.
실제로, 이력 성과-비용 데이터는 다양한 형태들을 취할 수도 있고, 및/또는 다양한 정보를 포함할 수도 있다. 하나의 특정한 예로서, 이력 성과-비용 데이터는 다른 정보 중에서, (a) 특정한 자산 성과의 표시 (예컨대, 자산의 특정한 컴포넌트가 실패함, 자산이 검사되었지만, 특정한 서브시스템이 사실상 수리의 필요가 없었음 등), (b) 특정한 자산 성과와 연관된 메트릭 (예컨대, 성과에 기초하여 소비된 시간 및/또는 달러들의 양), 및/또는 (c) 액션이 자산에서 취해지는 것 (또는 취해지지 않음) 으로 귀착되었던 이전의 예측의 표시 (예컨대, 자산에 대한 건전성 점수가 어떤 임계 값 미만이었다는 표시) 를 포함할 수도 있다. 일부 예의 실시형태들에서, 이력 성과-비용 데이터는, 특정한 자산 성과와 연관된 타임스탬프에 기초하여 결정될 수도 있는, 이력 모델-성과 데이터 내에 포함된 정보의 일부 또는 전부와 같은 추가적인 정보를 포함할 수도 있다. 성과-비용 데이터의 다른 예들이 또한 가능하다.
지금부터 도 9 로 돌아가면, PSF 들을 정의하기 위하여 이용될 수도 있는 정의 국면의 하나의 가능한 예를 도시하는 흐름도 (900) 가 있다. 예시의 목적들을 위하여, 일 예의 정의 국면은 분석 시스템 (108) 에 의해 수행되는 것으로서 설명되지만, 이 정의 국면은 마찬가지로 다른 시스템들에 의해 수행될 수도 있다. 당해 분야의 당업자는 흐름도 (900) 가 명확함 및 설명을 위하여 제공된다는 것과, 동작들의 수 많은 다른 조합들이 PSF 들을 정의하기 위하여 사용될 수도 있다는 것을 인식할 것이다.
도 9 에서 도시된 바와 같이, 블록 (902) 에서, 분석 시스템 (108) 은 분석 시스템 (108) 이 정의하고 있는 PSF 의 타입을 결정함으로써 시작할 수도 있다. 예를 들어, 분석 시스템 (108) 은 다른 예들 중에서, 그것이 로컬 분석 디바이스와 연관된 PSF, 또는 분석 시스템과 연관된 것을 정의하고 있는지 여부를 결정할 수도 있다. 실제로, 이 동작은 다양한 방식들로 발생할 수도 있다.
일부 실시형태들에서, 분석 시스템 (108) 은 디폴트에 의해, 로컬-분석-디바이스 PSF 를 먼저 정의할 수도 있고, 그 PSF 가 정의된 후, 분석-시스템 PSF 를 정의할 수도 있거나, 그 반대일 수도 있다. 추가적으로 또는 대안적으로, 분석 시스템 (108) 은 다른 예들 중에서, 사용자 인터페이스를 통해 제공된 사용자 입력에 기초하여 PSF 의 타입을 결정할 수도 있다.
블록 (904) 에서, 분석 시스템 (108) 은 하나 이상의 예측 정확도들을 결정하도록 구성될 수도 있고, 예측 정확도들의 각각은 분석 시스템 또는 로컬 분석 디바이스에 의해 실행된 바와 같은 특정한 예측 모델의 정확도를 반영할 수도 있다. 일 예의 실시형태들에서, 분석 시스템 (108) 은 이력 모델-성과 데이터, 및 아마도 또한, 블록 (902) 으로부터의 결정에 적어도 기초하여 예측 정확도들을 결정할 수도 있다. 즉, 하나 이상의 예측 정확도들은 분석 시스템 (108) 이 로컬 분석 디바이스 또는 분석 시스템에 대한 PSF 를 정의하고 있는지 여부에 따라 상이할 수도 있다.
도 10 은 일 예의 PSF 들의 양태들의 개념적인 예시도들을 도시한다. 도시된 바와 같이, 도 10 은 4 개의 이벤트 표들 (1000, 1001, 1010, 및 1011) 을 포함한다. 이벤트 표들 (1000 및 1001) 은 로컬 분석 디바이스 (220) 에 대한 PSF 에 대응하는 반면, 이벤트 표들 (1010 및 1011) 은 분석 시스템 (108) 에 대한 PSF 에 대응한다. 이벤트 표들 (1000 및 1010) 은 정확도 표들인 반면, 이벤트 표들 (1001 및 1011) 은 비용 표들이다. 이하에서 더욱 상세하게 논의된 바와 같이, 이벤트 표들 (1000 및 1001) 은 로컬 분석 디바이스 (220) 에서 특정한 예측 모델을 실행하는 것의 예상된 값을 반영하는 성능 점수를 제공하는 반면, 이벤트 표 (1010 및 1011) 는 분석 시스템 (108) 에서 특정한 예측 모델을 실행하는 것의 예상된 값을 반영하는 성능 점수를 제공한다.
도시된 바와 같이, 각각의 이벤트 표는 (예컨대, 특정한 예측 모델과 연관된 특정한 고장이 자산에서 발생하거나 발생하지 않을 것이라는) 예측된 성과에 대응하는 행들 (1002 및 1004), 및 실제적인 성과 (예컨대, 실제적으로 자산에서 발생하였던 것) 에 대응하는 열들 (1006 및 1008) 을 포함한다. 각각의 이벤트 표는 또한, 행들 (1002, 1004) 이 열들 (1006, 1008) 과 교차하는 4 개의 이벤트 엔트리들을 포함한다.
각각의 이벤트 엔트리는 특정한 예측-성과 이벤트에 대응하고, 여기서, 행은 예측 이벤트를 정의하고 열은 성과 이벤트를 정의한다. 예를 들어, 행 (1002) 및 열 (1006) 이 교차하는 이벤트 엔트리는 특정한 자산 고장이 발생할 것이고 특정한 자산 고장이 실제적으로 발생하고 있을 것이라는 예측의 예측-성과 이벤트에 대응한다. 또 다른 예로서, 행 (1004) 및 열 (1006) 이 교차하는 이벤트 엔트리는 특정한 자산 고장이 발생하지 않을 것이고 특정한 자산 고장이 실제적으로 발생하고 있을 것이라는 예측의 예측-성과 이벤트에 대응한다.
또한, 각각의 이벤트 엔트리는 대응하는 예측-성과 이벤트에 관련된 정확도 또는 비용의 어느 하나를 반영하는 값을 포함한다. 예를 들어, 이벤트 표들 (1000 및 1010) 에서, 각각의 이벤트 엔트리는 수치 값 (예컨대, 0 과 1 사이의 값, 백분율 등) 의 형태를 취할 수도 있는 정확도 값 (예컨대, "P1" 내지 "P8") 을 포함한다. 이벤트 표 (1000) 에서, 각각의 정확도 값 (P1 내지 P4) 은 특정한 예측-성과 이벤트에 대응하고, 로컬 분석 디바이스 (220) 가 자산 (102) 에 대한 성과 이벤트를 올바르게 예측할 가능성을 반영한다. 이와 같이, 로컬 분석 디바이스 (220) 가 올바르지 않기 보다는 더 종종 올바른 것으로 가정하면, 정확도 값들 P1 및 P4 는 이상적으로는 정확도 값들 P2 및 P3 보다 더 크다.
유사하게, 이벤트 표 (1010) 에서, 각각의 정확도 값 (P5 내지 P8) 은 특정한 예측-성과 이벤트에 대응하고, 분석 시스템 (108) 이 자산 (102) 에 대한 성과 이벤트를 올바르게 예측할 가능성을 반영한다. 이벤트 표 (1000) 에서와 같이, 정확도 값들 P5 및 P8 은 이상적으로는 정확도 값들 P6 및 P7 보다 더 크다. 또한, 분석 시스템 (108) 은 위에서 언급된 바와 같이, 로컬 분석 디바이스 (220) 보다 예측들을 행함에 있어서 일반적으로 더 정확하므로, 정확도 값들 P5 및 P8 은 각각 정확도 값들 P1 및 P4 보다 전형적으로 더 크다. 결과적으로, 정확도 값들 P6 및 P7 은 각각 정확도 값들 P2 및 P3 보다 전형적으로 더 작다. 일 예의 실시형태들에서, 각각의 이벤트 표 (1000 및 1010) 의 각각의 열에서의 정확도 값들은 1 (또는 100 %) 의 값으로 합산되고, 유사하게, 각각의 이벤트 표 (1000 및 1010) 의 각각의 행에서의 정확도 값들은 1 (또는 100 %) 의 값으로 합산된다. 다른 예들이 또한 가능하다.
여하튼, 위에서 언급된 바와 같이, 분석 시스템 (108) 은 이력 모델-성과 데이터에 적어도 기초하여 예측 정확도들을 결정할 수도 있고, 이것은 다양한 방식들로 수행될 수도 있다. 하나의 특정한 예로서, 분석 시스템 (108) 은 (예컨대, 모델-성과 데이터 내에 포함된 예측을 행하기 위하여 이용된 예측 모델의 식별자에 기초하여) 이력 모델-성과 데이터로부터, PSF 가 정의되고 있는 특정한 예측 모델에 관련된 데이터를 먼저 식별함으로써 이 동작을 수행할 수도 있다. 그 다음으로, 분석 시스템 (108) 이 로컬-분석-디바이스 PSF 를 정의하고 있을 경우, 그것은 (예컨대, 모델-성과 데이터 내에 포함된 예측을 행하였던 시스템 또는 디바이스의 타입의 식별자에 기초하여) 로컬 분석 디바이스들에 의해 행해진 예측들에 관련된 이력 모델-성과 데이터를 식별할 수도 있다. 다른 한편으로, 분석 시스템 (108) 이 분석-시스템 PSF 를 정의하고 있을 경우, 그것은 분석 시스템들에 의해 행해진 예측들에 관련된 이력 모델-성과 데이터를 식별할 수도 있다.
여하튼, 일단 분석 시스템 (108) 이 이력 모델-성과 데이터의 적당한 모집단 (universe) 을 식별하였으면, 그것은 그 다음으로, 그 모집단 내의 각각의 데이터에 대하여, (예컨대, 모델-성과 데이터 내에 포함된 이전의 예측의 표시에 기초하여) 이전의 예측을, 그리고 (예컨대, 모델-성과 데이터 내에 포함된 실제적인 성과의 표시에 기초하여) 그 예측에 관련된 실제적인 성과를 분석할 수도 있다. 이 분석에 기초하여, 그 다음으로, 분석 시스템 (108) 은 예측 정확도들을 결정할 수도 있고, 이것은 분석으로부터 하나 이상의 확률 분포들을 결정하는 것을 수반할 수도 있다. 분석 시스템 (108) 은 마찬가지로 다양한 다른 방식들로 예측 정확도들을 결정할 수도 있다.
다시 도 9 로 돌아가면, 블록 (906) 에서, 분석 시스템 (108) 은 이력 성과-비용 데이터에 적어도 기초하여 하나 이상의 예측 비용들을 결정하도록 구성될 수도 있다. 일반적으로, 소정의 예측 비용은 정확하거나 부정확한 예측과 연관된 비용을 반영한다. 예를 들어, 자산이 수리될 필요가 있는 것으로 정확하게 예측하는 것과 연관된 예측 비용은 그 자산을 필들로부터, 그리고 수리를 행하기 위한 수리점으로 가져가는 비용을 반영할 수도 있다. 또 다른 예로서, 자산이 수리될 필요가 없는 것으로 부정확하게 예측하는 것과 연관된 예측 비용은 수리점에서 자산을 수리하는 것보다 전형적으로 더 큰 비용인, 자산이 필드에서 고장나는 것, 그 자산이 정시에 전달 또는 다른 태스크를 완료하지 않는 것, 및/또는 필드 외부에서 자산을 수리하는 것의 비용을 반영할 수도 있다. 일 예의 구현예들에서, 예측 비용은 다른 예들 중에서, 자산 고장과 연관된 달러의 양 및/또는 시간의 양을 나타내는 네거티브 값의 형태를 취할 수도 있다.
다시 도 10 으로 돌아가면, 이벤트 표들 (1001 및 1011) 에서, 각각의 이벤트 엔트리는 다른 가능성들 중에서, 수치 값 (예컨대, 부호 또는 무부호 정수 등) 의 형태를 취할 수도 있는 비용 값 (예컨대, "C1" 내지 "C8") 을 포함한다. 이벤트 표 (1001) 에서, 각각의 비용 값 (C1 내지 C4) 은 특정한 예측-성과 이벤트에 대응하고, 그 특정한 성과 이벤트, 및 로컬 분석 디바이스 (220) 가 특정한 예측을 행하기 위하여 특정한 예측 모델을 실행하는 것과 연관된 비용을 반영한다. 예를 들어, 로컬 분석 디바이스 (220) 가 고장이 발생하지 않을 것으로 예측하지만, 그럼에도 불구하고, 고장이 자산 (102) 에서 발생할 때, 상대적으로 큰 비용이 전형적으로 초래되므로, 비용 값 C3 은 비용 값들 C1 내지 C4 의 가장 높은 값을 가질 수도 있다. 예를 들어, 이러한 예측에 기초하여, 자산 (102) 은 고장이 발생할 때에 수리점으로부터 멀리 떨어진 필드 외부에서 있을 수도 있고, 이것은 자산 (102) 이 다시 동작가능하게 하기 위하여 상당한 시간 및 달러 비용들이 소비되는 것으로 귀착될 수도 있다. 다른 한편으로, 로컬 분석 디바이스 (220) 가 고장이 발생하지 않을 것이고 고장이 자산에서 실제적으로 발생하고 있지 않은 것으로 예측하는 것과 연관된 비용은 제로 비용 (zero cost) 에 근접하므로, 비용 값 C4 는 비용 값들 C1 내지 C4 의 가장 낮은 값을 가질 수도 있다.
이벤트 표 (1011) 에서, 각각의 이벤트 엔트리는 이벤트 표 (1001) 에서와 동일한 비용 값 (C1 내지 C4) 을 포함한다. 이것은 특정한 예측-성과 이벤트와 연관된 비용이 분석 시스템 (108) 및 로컬 분석 디바이스 (220) 의 관점들로부터 동일할 수도 있으므로 그러할 수도 있다.
그러나, 분석-시스템 PSF 에 대하여, 분석 시스템 (108) 은 다양한 고려사항들에 기초하여 ("C5" 로서 도 10 에서 도시된) 하나 이상의 추가적인 예측 비용들을 정의하도록 구성될 수도 있다. 일반적으로, 추가적인 예측 비용은 로컬 분석 디바이스 (220) 대신에, 분석 시스템 (108) 이 예측 모델을 실행하게 하는 것과 연관된 추가적인 비용을 반영한다. 이러한 추가적인 비용들의 예들은 다른 가능성들 중에서, 위에서 논의된 모델-결과 이용가능성 속력 인자 및/또는 데이터-송신 비용 인자에 대응할 수도 있다.
일 예의 실시형태들에서, 추가적인 비용은 각각의 예측-성과 이벤트에 동일하게 적용할 수도 있다. 예를 들어, 도 10 에서, 추가적인 비용 값 C5 는 이벤트 표 (1011) 의 각각의 이벤트 엔트리에서 동일하게 적용되고, 분석 시스템 (108) 이 특정한 예측 모델을 실행하게 하는 것과 연관된 데이터-송신 비용을 반영할 수도 있다. 다른 실시형태들에서, 추가적인 비용은 전부가 아닌 일부 예측-성과 이벤트들에 적용할 수도 있고 (예컨대, 표 (1011) 의 일부 이벤트 엔트리들이 C5 를 포함하지 않을 수도 있음), 및/또는 추가적인 비용은 소정의 예측-성과 이벤트에 특정적일 수도 있다 (예컨대, 표 (1011) 의 소정의 이벤트 엔트리는 추가적인 비용 "C6" 을 포함할 수도 있음). 추가적으로 또는 대안적으로, 추가적인 비용은 PSF 들이 정의되고 있는 특정한 예측 모델에 기초할 수도 있다. 다른 고려사항들이 마찬가지로 가능하다.
여하튼, 위에서 언급된 바와 같이, 분석 시스템 (108) 은 이력 성과-비용 데이터에 적어도 기초하여 예측 비용들을 결정할 수도 있고, 이것은 다양한 방식들로 수행될 수도 있다. 하나의 특정한 예로서, 분석 시스템 (108) 은 이력 성과-비용 데이터로부터, (예컨대, 액션이 자사에서 취해지는 것 (또는 취해지지 않는 것) 으로 귀착된 이전의 예측의 표시 및/또는 성과-비용 데이터 내에 포함된 그것에 관련된 타임스탬프에 기초하여) PSF 가 정의되고 있는 특정한 예측 모델에 관련된 데이터를 먼저 식별함으로써 이 동작을 수행할 수도 있다. 즉, 분석 시스템 (108) 은 특정한 예측 모델에 상관되는 성과-비용 데이터의 모집단을 식별한다.
일부 예의 실시형태들에서, 분석 시스템 (108) 은 예측 비용들을 결정함에 있어서의 이용을 위한 측정의 표준화된 단위를 정의할 수도 있다. 예를 들어, 성과-비용 메트릭은 부정확한 예측으로부터 기인하는 낭비된 시간의 양을 나타낼 수도 있거나, 그 대신에, 그것은 필드 외부에서 자산을 수리함에 있어서 소비된 달러의 양을 나타낼 수도 있다. 여하튼, 성과-비용 데이터의 모집단을 식별한 후, 분석 시스템 (108) 은 그 모집단 내의 각각의 데이터에 대하여, 측정의 표준화된 단위에 따라 (예컨대, 성과-비용 데이터 내에 포함된) 성과-비용 메트릭을 변환할 수도 있다.
그 후에, 분석 시스템 (108) 은 그 다음으로, 각각의 예측-성과 이벤트 (예컨대, 이벤트 표들 (1001 및 1011) 의 각각의 이벤트 엔트리) 에 대하여, (예컨대, 특정한 자산 성과의 표시 및 성과-비용 데이터 내에 포함된 이전의 예측의 표시에 기초하여) 그 이벤트에 대응하는 성과-비용 데이터의 서브-모집단 (sub-universe) 을 식별할 수도 있다. 즉, 분석 시스템 (108) 은 각각의 특정한 예측-성과 이벤트에 기인하는 비용들 (예컨대, 고장이 발생할 것이라는 올바른 예측과 연관된 이력 비용들, 고장이 발생하지 않을 것이라는 올바르지 않은 예측과 연관된 이력 비용들 등) 의 서브-모집단들을 식별할 수도 있다.
성과-비용 데이터의 그 서브-모집단으로부터, 그 다음으로, 분석 시스템 (108) 은 이력 성과-비용 데이터로부터 평균 또는 중간 값을 결정하는 것과 같이, 성과-비용 값들에 대해 하나 이상의 통계적 프로세스들을 수행하는 것에 기초하여 그 예측-성과 이벤트에 대한 비용을 결정할 수도 있다. 분석 시스템 (108) 은 마찬가지로 다양한 다른 방식들로 예측 비용들을 정의할 수도 있다.
분석 시스템 (108) 이 임의의 추가적인 비용 (예컨대, 데이터 송신 비용) 을 포함하는 분석-시스템 PSF 에 대한 예측 비용들을 결정할 때, 그 결정은 이력 성과-비용 데이터에 추가한 데이터에 기초할 수도 있다. 예를 들어, 분석 시스템 (108) 이 특정한 예측 모델을 실행하게 하는 것과 연관된 데이터 송신 비용에 대응하는 추가적인 비용은 (a) 분석 시스템 (108) 이 특정한 예측 모델을 실행하기 위하여 로컬 분석 디바이스가 송신해야 하는 자산 데이터 (예컨대, 신호 데이터) 의 양, 및 (b) 로컬 분석 디바이스와 분석 시스템 (108) 사이에서 데이터를 송신하는 것과 연관된 데이터 송신 요금들에 기초하여 결정될 수도 있다. 실제로, 자산 데이터의 양은 특정한 예측 모델에 대하여 알려져 있을 수도 있고 (즉, 데이터의 양은 예측 모델에 대하여 고정됨), 및/또는 그것은 특정한 예측 모델에 관련된 이력 데이터 송신량들에 기초하여 결정될 수도 있다. 또한, 데이터 송신 요금들은 현재의 데이터 송신 레이트 또는 요금 (예컨대, 현재의 셀룰러 데이터 사용량 계획) 및/또는 이력 데이터 송신 레이트들에 기초할 수도 있다. 데이터의 다른 예들은 또한, 예측 비용들을 결정하기 위하여 이용될 수도 있다.
또한, 일 예의 실시형태들에서, 분석 시스템 (108) 은 소정의 예측 비용을 정의할 때, 다른 고려사항들 중에서, 특정한 예측 모델과 연관된 고장의 심각도 (severity) (예컨대, "임계적인" 고장들은 더 높은 비용 값으로 귀착될 수도 있음) 및/또는 특정한 모델에 의해 트리거링된 작업흐름의 타입 (예컨대, 모델 출력이 상대적으로 짧은 시간의 양에서 이용가능한 것이 유리할 수도 있으므로, 자산 (102) 에서의 예방적 동작을 수반하는 작업흐름은 분석 시스템 PSF 에 대응하는 이벤트 표 (1011) 에서의 일부 또는 모든 이벤트 엔트리들에 대한 더 높은 비용 값으로 귀착될 수도 있음) 과 같은 다양한 다른 고려사항들을 참작할 수도 있다.
다시 도 9 에서는, 블록 (908) 에서, 분석 시스템 (108) 은 결정된 예측 정확도들 및 예측 비용들에 적어도 기초하여 PSF (예컨대, 분석 시스템 (108) 에 대한 하나 및 로컬 분석 디바이스 (220) 에 대한 하나) 를 정의하도록 구성될 수도 있다. 분석 시스템 (108) 이 이 기능을 수행하는 것의 하나의 가능한 예로서, 도 10 으로 돌아가면, 로컬 분석 디바이스 (220) 에 대한 PSF 는 이벤트 표들 (1000 및 1001) 에서의 대응하는 이벤트 엔트리들의 곱셈 (예컨대, P1*C1, P2*C2 등) 을 취함으로써, 그리고 로컬 분석 디바이스에서 특정한 예측 모델을 실행하는 것의 예상된 비용을 획득하기 위하여 그 곱셈들을 합산함으로써 정의될 수도 있다. 유사하게, 분석 시스템 (108) 에 대한 PSF 는 이벤트 표들 (1010 및 1011) 에서의 대응하는 이벤트 엔트리들의 곱셈 (예컨대, P5*(C1+C5) 등) 을 취함으로써, 그리고 로컬 분석 디바이스에서 특정한 예측 모델을 실행하는 것의 예상된 비용을 획득하기 위하여 그 곱셈들을 합산함으로써 정의될 수도 있다.
따라서, 로컬 분석 디바이스 (220) 에 대한 PSF 및 로컬 시스템 (108) 에 대한 PSF 는 각각 수학식 1 및 수학식 2 에 의해 나타내어질 수도 있다:
수학식 1: P1*C1 + P2*C2 + P3*C3 + P4*C4
수학식 2: P5*(C1 + C5) + P6*(C2 + C5) + P7*(C3 + C5) + P8*(C4 + C5)
요약하면, 일 예의 실시형태들에서, 로컬-분석-디바이스 PSF 는 로컬 분석 디바이스에서 특정한 모델을 실행하는 것의 이력 정확도에 대응하는 예상된 비용에 기초하여 정의될 수도 있고, 분석-시스템 PSF 는 (a) 분석 시스템에서 특정한 모델을 실행하는 것의 이력 정확도에 대응하는 예상된 비용, 및 (b) 자산에 결합된 로컬 분석 디바이스로부터 분석 시스템으로, 분석 시스템에서 모델을 실행하기 위하여 필요한 데이터를 송신하는 것의 예상된 비용에 기초하여 정의될 수도 있다. 분석 시스템 (108) 은 마찬가지로 다양한 다른 방식들로 PSF 를 정의하도록 구성될 수도 있다.
D. 모델들/ 작업흐름들 /실행 함수들의 전개
분석 시스템 (108) 이 모델-작업흐름 쌍을 정의한 후, 분석 시스템 (108) 은 정의된 모델-작업흐름 쌍을 하나 이상의 자산들에 전개할 수도 있다. 구체적으로, 분석 시스템 (108) 은 정의된 예측 모델 및/또는 대응하는 작업흐름을 자산 (102) 과 같은 적어도 하나의 자산으로 송신할 수도 있다. 분석 시스템 (108) 은 주기적으로, 또는 소정의 모델-작업흐름 쌍에 대한 임의의 수정들 또는 업데이트들과 같은 트리거링 이벤트들에 기초하여 모델-작업흐름 쌍들을 송신할 수도 있다.
일부 경우들에는, 분석 시스템 (108) 이 개별화된 모델 또는 개별화된 작업흐름의 오직 하나를 송신할 수도 있다. 예를 들어, 분석 시스템 (108) 이 오직 개별화된 모델 또는 작업흐름을 정의하였던 시나리오들에서, 분석 시스템 (108) 은 개별화된 모델 또는 작업흐름과 함께, 작업흐름 또는 모델의 집합적인 버전을 송신할 수도 있거나, 분석 시스템 (108) 은 자산 (102) 이 데이터 스토리지에서 저장된 집합적인 버전을 이미 가질 경우에 집합적인 버전을 송신할 필요가 없을 수도 있다. 요약하면, 분석 시스템 (108) 은 (1) 개별화된 모델 및/또는 개별화된 작업흐름, (2) 개별화된 모델 및 집합적인 작업흐름, (3) 집합적인 모델 및 개별화된 작업흐름, 또는 (4) 집합적인 모델 및 집합적인 작업흐름을 송신할 수도 있다.
실제로, 분석 시스템 (108) 은 각각의 자산에 대한 모델-작업흐름 쌍들을 정의하기 위하여 다수의 자산들에 대한 도 7 의 블록들 (702 내지 710) 의 동작들의 일부 또는 전부를 수행하였을 수도 있다. 예를 들어, 분석 시스템 (108) 은 자산 (104) 에 대한 모델-작업흐름 쌍을 추가적으로 정의하였을 수도 있다. 분석 시스템 (108) 은 개개의 모델-작업흐름 쌍들을 자산들 (102 및 104) 로 동시에 또는 순차적으로 송신하도록 구성될 수도 있다.
또한, 분석 시스템 (108) 이 특정한 예측 모델에 대응하는 하나 이상의 PSF 들의 세트를 정의한 후, 그 다음으로, 분석 시스템 (108) 은 그 PSF 들을, 자산 (102) 에 결합된 로컬 분석 디바이스 (220) 와 같은 하나 이상의 로컬 분석 디바이스들로 송신할 수도 있다. 일 예의 실시형태들에서, 분석 시스템 (108) 은 다양한 방식들로 PSF 들을 송신할 수도 있다. 예를 들어, 분석 시스템 (108) 은 그것이 특정한 예측 모델을 송신할 때에 PSF 들의 세트를 송신할 수도 있거나, 그것이 모델을 송신하기 전 또는 후에 PSF 들의 세트를 송신할 수도 있다. 또한, 분석 시스템 (108) 은 PSF 들의 세트를 함께 또는 별도로 송신할 수도 있다. 또한, 각각의 PSF 에 대하여, 분석 시스템은 소정의 PSF 의 표현 (예컨대, 위에서 설명된 수학식 1 및 2) 및/또는 그 표현을 평하기 위하여 이용되는 하나 이상의 값들 (예컨대, 도 10 에서 도시된 이벤트 표들로부터의 값들) 을 송신할 수도 있다. PSF 들을 송신하는 것의 다른 예들이 또한 가능하다.
일 예의 실시형태들에서, 분석 시스템 (108) 은 그것이 로컬 분석 디바이스로 송신하는 각각의 예측 모델에 대한 PSF 들을 정의하고 전개한다. 이러한 방법으로, 이하에서 상세하게 논의된 바와 같이, 로컬 분석 디바이스 (220) 는 소정의 예측 모델을 실행하기 전에, 소정의 예측 모델을 실행하기 위한 최적의 방식을 결정할 수도 있다.
실제로, 분석 시스템 (108) 이 PSF 들을 로컬 분석 디바이스들로 송신한 후, 분석 시스템 (108) 은 PSF 들을 세분화하거나 그렇지 않을 경우에, PSF 들을 업데이트하는 것을 계속할 수도 있다. 일 예의 실시형태들에서, 전체의 업데이트된 PSF 를 송신하는 대신에, 분석 시스템 (108) 은 PSF 의 표현을 평가하기 위하여 이용되는 값들 (예컨대, 도 10 에서 도시된 이벤트 표들로부터의 값들 중의 임의의 것) 을 오직 송신할 수도 있거나, 표현이 변경되었을 경우, 그것은 새로운 표현을 송신할 수도 있지만, 또한, 새로운 값들을 송신할 수도 있거나 송신하지 않을 수도 있다. 다른 예들이 또한 가능하다.
E. 자산에 의한 로컬 실행
자산 (102) 과 같은 소정의 자산은 모델-작업흐름 쌍 또는 그 부분을 수신하고 수신된 모델-작업흐름 쌍에 따라 동작하도록 구성될 수도 있다. 즉, 자산 (102) 은 데이터 스토리지에서, 모델-작업흐름 쌍을 저장할 수도 있고, 자산 (102) 의 센서들 및/또는 액츄에이터들에 의해 획득된 데이터를 예측 모델로 입력할 수도 있고, 때때로, 예측 모델의 출력에 기초하여 대응하는 작업흐름을 실행할 수도 있다.
실제로, 자산 (102) 의 다양한 컴포넌트들은 예측 모델 및/또는 대응하는 작업흐름을 실행할 수도 있다. 예를 들어, 위에서 논의된 바와 같이, 각각의 자산은 분석 시스템 (108) 에 의해 제공된 모델-작업흐름 쌍들을 저장하고 작동시키도록 구성된 로컬 분석 디바이스를 포함할 수도 있다. 로컬 분석 디바이스가 특정한 센서 및/또는 액츄에이터 데이터를 수신할 때, 그것은 수신된 데이터를 예측 모델로 입력할 수도 있고, 모델의 출력에 따라, 대응하는 작업흐름의 하나 이상의 동작들을 실행할 수도 있다.
또 다른 예에서, 로컬 분석 디바이스로부터 분리되어 있는 자산 (102) 의 중앙 프로세싱 유닛은 예측 모델 및/또는 대응하는 작업흐름을 실행할 수도 있다. 또 다른 예들에서, 자산 (102) 의 로컬 분석 디바이스 및 중앙 프로세싱 유닛은 모델-작업흐름 쌍을 협력적으로 실행할 수도 있다. 예를 들어, 로컬 분석 디바이스는 예측 모델을 실행할 수도 있고 중앙 프로세싱 유닛은 작업흐름을 실행할 수도 있거나, 그 반대일 수도 있다.
일 예의 구현예들에서, 모델-작업흐름 쌍이 로컬 실행되기 전 (또는 아마도, 모델-작업흐름이 먼저 로컬 실행될 때), 로컬 분석 디바이스는 자산 (102) 에 대한 예측 모델 및/또는 대응하는 작업흐름을 개별화할 수도 있다. 이것은 모델-작업흐름 쌍이 집합적인 모델-작업흐름 쌍 또는 개별화된 모델-작업흐름 쌍의 형태를 취하든지 간에 발생할 수도 있다.
위에서 제안된 바와 같이, 분석 시스템 (108) 은 자산들의 그룹 또는 특정한 자산에 대한 어떤 예측들, 가정들, 및/또는 일반화들에 기초하여 모델-작업흐름 쌍을 정의할 수도 있다. 예를 들어, 모델-작업흐름 쌍을 정의함에 있어서, 분석 시스템 (108) 은 다른 고려사항들 중에서, 자산들의 특성들 및/또는 자산들의 동작 조건들에 관하여 예측할 수도 있고, 가정할 수도 있고, 및/또는 일반화할 수도 있다.
여하튼, 로컬 분석 디바이스가 예측 모델 및/또는 대응하는 작업흐름을 개별화하는 것은 로컬 분석 디바이스가 모델-작업흐름 쌍이 정의되었을 때에 분석 시스템 (108) 에 의해 행해진 예측들, 가정들, 및/또는 일반화들 중의 하나 이상을 확인하거나 부인하는 것을 수반할 수도 있다. 로컬 분석 디바이스는 그 후에, 예측들, 가정들, 및/또는 일반화들의 그 평가에 따라 예측 모델 및/또는 작업흐름을 수정할 수도 있다 (또는 이미-개별화된 모델 및/또는 작업흐름의 경우에 추가로 수정함). 이러한 방법으로, 로컬 분석 디바이스는 더 효과적인 자산 모니터링으로 귀착될 수도 있는, 더 현실적인 및/또는 정확한 모델-작업흐름 쌍을 정의하는 것을 도울 수도 있다.
실제로, 로컬 분석 디바이스는 다수의 고려사항들에 기초하여 예측 모델 및/또는 작업흐름을 개별화할 수도 있다. 예를 들어, 로컬 분석 디바이스는 자산 (102) 의 하나 이상의 센서들 및/또는 액츄에이터들에 의해 생성된 동작 데이터에 기초하여 그렇게 행할 수도 있다. 구체적으로, 로컬 분석 디바이스는 (1) 하나 이상의 센서들 및/또는 액츄에이터들의 특정한 그룹에 의해 생성된 동작 데이터를 획득함으로써 (예컨대, 자산의 중앙 프로세싱 유닛을 통해 간접적으로, 또는 아마도 센서 (들) 및/또는 액츄에이터 (들) 자체의 어떤 것으로부터 직접적으로 이러한 데이터를 획득함으로써), (2) 획득된 동작 데이터에 기초하여 모델-작업흐름 쌍과 연관된 하나 이상의 예측들, 가정들, 및/또는 일반화들을 평가함으로써, 그리고 (3) 평가가 임의의 예측, 가정, 및/또는 일반화가 올바르지 않았다는 것을 표시할 경우, 모델 및/또는 작업흐름을 이에 따라 수정함으로써 개별화할 수도 있다. 이 동작들은 다양한 방식들로 수행될 수도 있다.
하나의 예에서, 로컬 분석 디바이스가 (예컨대, 자산의 중앙 프로세싱 유닛 을 통해) 센서들 및/또는 액츄에이터들의 특정한 그룹에 의해 생성된 동작 데이터를 획득하는 것은 모델-작업흐름 쌍의 일부로서, 또는 모델-작업흐름 쌍과 함께 포함된 명령들에 기초할 수도 있다. 특히, 명령들은 모델-작업흐름 쌍을 정의함에 있어서 수반되었던 일부 또는 전부의 예측들, 가정들, 및/또는 일반화들을 평가하는, 로컬 분석 디바이스가 실행하기 위한 하나 이상의 테스트들을 식별할 수도 있다. 각각의 테스트는 로컬 분석 디바이스가 동작 데이터를 획득하기 위한 관심 대상의 하나 이상의 센서들 및/또는 액츄에이터들, 획득하기 위한 동작 데이터의 양, 및/또는 다른 테스트 고려사항들을 식별할 수도 있다. 그러므로, 로컬 분석 디바이스가 센서들 및/또는 액츄에이터들의 특정한 그룹에 의해 생성된 동작 데이터를 획득하는 것은 로컬 분석 디바이스가 테스트 명령들 등에 따라 이러한 동작 데이터를 획득하는 것을 수반할 수도 있다. 로컬 분석 디바이스가 모델-작업흐름 쌍을 개별화함에 있어서의 이용을 위한 동작 데이터를 획득하는 것의 다른 예들이 또한 가능하다.
위에서 언급된 바와 같이, 동작 데이터를 획득한 후, 로컬 분석 디바이스는 모델-작업흐름 쌍을 정의함에 있어서 수반되었던 일부 또는 전부의 예측들, 가정들, 및/또는 일반화들을 평가하기 위하여 데이터를 사용할 수도 있다. 이 동작은 다양한 방식들로 수행될 수도 있다. 하나의 예에서, 로컬 분석 디바이스는 획득된 동작 데이터를 하나 이상의 임계치들 (예컨대, 임계 값들 및/또는 값들의 임계 범위들) 과 비교할 수도 있다. 일반적으로, 소정의 임계 값 또는 범위는 모델-작업흐름 쌍을 정의하기 위하여 이용된 하나 이상의 예측들, 가정들, 및/또는 일반화들에 대응할 수도 있다. 구체적으로, 테스트 명령들에서 식별된 각각의 센서 또는 액츄에이터 (또는 센서들 및/또는 액츄에이터들의 조합) 는 대응하는 임계 값 또는 범위를 가질 수도 있다. 그 다음으로, 로컬 분석 디바이스는 소정의 센서 또는 액츄에이터에 의해 생성된 동작 데이터가 대응하는 임계 값 또는 범위를 초과하거나 그 미만인지 여부를 결정할 수도 있다. 로컬 분석 디바이스가 예측들, 가정들, 및/또는 일반화들을 평가하는 것의 다른 예들이 또한 가능하다.
그 후에, 로컬 분석 디바이스는 평가에 기초하여 예측 모델 및/또는 작업흐름을 수정 (또는 수정하지 않음) 할 수도 있다. 즉, 평가가 임의의 예측들, 가정들, 및/또는 일반화들이 올바르지 않았다는 것을 표시할 경우, 로컬 분석 디바이스는 예측 모델 및/또는 작업흐름을 이에 따라 수정할 수도 있다. 그렇지 않을 경우, 로컬 분석 디바이스는 수정들 없이 모델-작업흐름 쌍을 실행할 수도 있다.
실제로, 로컬 분석 디바이스는 다수의 방식들로 예측 모델 및/또는 작업흐름을 수정할 수도 있다. 예를 들어, 로컬 분석 디바이스는 다른 예들 중에서, (예컨대, 값 또는 값들의 범위를 수정함으로써) 예측 모델 및/또는 대응하는 작업흐름의 하나 이상의 파라미터들, 및/또는 예측 모델 및/또는 작업흐름의 트리거 포인트들을 수정할 수도 있다.
하나의 비-제한적인 예로서, 분석 시스템 (108) 은 자산 (102) 의 엔진 동작 온도가 특정한 온도를 초과하지 않는 것으로 가정하면서, 자산 (102) 에 대한 모델-작업흐름 쌍을 정의하였을 수도 있다. 그 결과, 자산 (102) 에 대한 예측 모델의 일부는 제 1 계산과, 그 다음으로, 제 1 계산이 가정된 엔진 동작 온도에 기초하여 결정되었던 임계 값을 초과할 경우에만 제 2 계산을 결정하는 것을 수반할 수도 있다. 모델-작업흐름 쌍을 개별화할 때, 로컬 분석 디바이스는 자산 (102) 의 엔진의 동작 데이터를 측정하는 하나 이상의 센서들 및/또는 액츄에이터들에 의해 생성된 데이터를 획득할 수도 있다. 그 다음으로, 로컬 분석 디바이스는 엔진 동작 온도에 관한 가정이 실제로 그러한지 여부 (예컨대, 엔진 동작 온도가 임계 값을 초과하는지 여부) 를 결정하기 위하여 이 데이터를 이용할 수도 있다. 데이터가 엔진 동작 온도가 가정된 특정한 온도를 초과하는 임계량을 초과하거나 이러한 임계량인 값을 가진다는 것을 표시할 경우, 로컬 분석 디바이스는 예를 들어, 제 2 계산을 결정하는 것을 트리거링하는 임계 값을 수정할 수도 있다. 로컬 분석 디바이스가 예측 모델 및/또는 작업흐름을 개별화하는 것의 다른 예들이 또한 가능하다.
로컬 분석 디바이스는 추가적인 또는 대안적인 고려사항들에 기초하여 모델-작업흐름 쌍을 개별화할 수도 있다. 예를 들어, 로컬 분석 디바이스는 로컬 분석 디바이스에 의해 결정될 수도 있거나 로컬 분석 디바이스에 제공될 수도 있는, 위에서 논의된 것들 중의 임의의 것과 같은 하나 이상의 자산 특성들에 기초하여 그렇게 행할 수도 있다. 다른 예들이 또한 가능하다.
일 예의 구현예들에서, 로컬 분석 디바이스가 예측 모델 및/또는 작업흐름을 개별화한 후, 로컬 분석 디바이스는 예측 모델 및/또는 작업흐름이 개별화되었다는 표시를 분석 시스템 (108) 에 제공할 수도 있다. 이러한 표시는 다양한 형태들을 취할 수도 있다. 예를 들어, 표시는 로컬 분석 디바이스가 수정하였던 예측 모델 및/또는 작업흐름의 양태 또는 일부 (예컨대, 수정되었던 파라미터 및/또는 파라미터가 수정되었던 것) 를 식별할 수도 있고, 및/또는 수정의 원인 (예컨대, 로컬 분석 디바이스로 하여금 수정하게 하였던 기초적인 동작 데이터 또는 다른 자산 데이터 및/또는 원인의 설명) 을 식별할 수도 있다. 다른 예들이 또한 가능하다.
일부 예의 구현예들에서, 로컬 분석 디바이스 및 분석 시스템 (108) 의 양자는 모델-작업흐름 쌍을 개별화함에 있어서 수반될 수도 있고, 이것은 다양한 방식들로 수행될 수도 있다. 예를 들어, 분석 시스템 (108) 은 자산 (102) 의 어떤 조건들 및/또는 특성들을 테스트하기 위한 명령을 로컬 분석 디바이스에 제공할 수도 있다. 명령에 기초하여, 로컬 분석 디바이스는 자산 (102) 에서 테스트들을 실행할 수도 있다. 예를 들어, 로컬 분석 디바이스는 특정한 자산 센서들 및/또는 액츄에이터들에 의해 생성된 동작 데이터를 획득할 수도 있다. 그 후에, 로컬 분석 디바이스는 테스트된 조건들로부터의 결과들을 분석 시스템 (108) 에 제공할 수도 있다. 이러한 결과들에 기초하여, 분석 시스템 (108) 은 이에 따라, 자산 (102) 에 대한 예측 모델 및/또는 작업흐름을 정의할 수도 있고, 로컬 실행을 위하여 그것을 로컬 분석 디바이스로 송신할 수도 있다.
다른 예들에서, 로컬 분석 디바이스는 작업흐름을 실행하는 것의 일부로서, 동일하거나 유사한 테스트 동작들을 수행할 수도 있다. 즉, 예측 모델에 대응하는 특정한 작업흐름은 로컬 분석 디바이스로 하여금, 어떤 테스트들을 실행하게 하고, 결과를 분석 시스템 (108) 으로 송신하게 할 수도 있다.
일 예의 구현예들에서, 로컬 분석 디바이스가 예측 모델 및/또는 작업흐름을 개별화 (또는 동일한 것을 행하기 위하여 분석 시스템 (108) 과 함께 작업함) 한 후, 로컬 분석 디바이스는 (예컨대, 로컬 분석 디바이스가 분석 시스템 (108) 으로부터 원래 수신하였던) 원래의 모델 및/또는 작업흐름 대신에, 개별화된 예측 모델 및/또는 작업흐름을 실행할 수도 있다. 일부 경우들에는, 로컬 분석 디바이스가 개별화된 버전을 실행하지만, 로컬 분석 디바이스는 데이터 스토리지에서 모델 및/또는 작업흐름의 원래의 버전을 유지할 수도 있다.
일반적으로, 자산이 예측 모델을 실행하고, 결과적인 출력에 기초하여, 작업흐름의 동작들을 실행하는 것은 모델에 의해 출력되는 특정한 이벤트가 발생할 가능성의 원인 또는 원인들을 결정하는 것을 가능하게 할 수도 있고, 및/또는 특정한 이벤트가 미래에 발생하는 것을 방지하는 것을 가능하게 할 수도 있다. 작업흐름을 실행함에 있어서, 자산은 이벤트가 발생하는 것을 방지하는 것을 돕기 위한 액션들을 로컬로 결정하고 취할 수도 있고, 이것은 이러한 결정들을 행하고 추천된 액션들을 제공하기 위한 분석 시스템 (108) 에 대한 의존성이 효율적이거나 실현가능하지 않을 때 (예컨대, 네트워크 레이턴시가 있을 때, 네트워크 접속이 열악할 때, 자산이 통신 네트워크 (106) 의 커버리지 외부로 이동할 때 등) 의 상황들에서 유익할 수도 있다.
실제로, 자산은 특정한 예측 모델에 종속적일 수도 있는 다양한 방식들로 예측 모델을 실행할 수도 있다. 도 9 는 예측 모델을 로컬 실행을 행하기 위하여 이용될 수도 있는 로컬-실행 국면의 하나의 가능한 예를 도시하는 흐름도 (900) 이다. 일 예의 로컬-실행 국면은 자산의 건전성 메트릭을 출력하는 건전성-메트릭 모델의 맥락에서 논의될 것이지만, 동일하거나 유사한 로컬-실행 국면이 예측 모델들의 다른 타입들에 대하여 사용될 수도 있다는 것이 이해되어야 한다. 또한, 예시의 목적들을 위하여, 일 예의 로컬 실행 국면은 자산 (102) 의 로컬 분석 디바이스에 의해 수행되는 것으로서 설명되지만, 이 국면은 마찬가지로 다른 디바이스들 및/또는 시스템들에 의해 수행될 수도 있다. 당해 분야의 당업자는 흐름도 (900) 가 명확함 및 설명을 위하여 제공된다는 것과, 동작들 및 기능들의 수 많은 다른 조합들이 예측 모델을 로컬 실행을 행하기 위하여 사용될 수도 있다는 것을 인식할 것이다.
도 11 에서 도시된 바와 같이, 블록 (1102) 에서, 로컬 분석 디바이스는 자산 (102) 의 현재의 동작 조건들을 반영하는 데이터를 수신할 수도 있다. 블록 (1104) 에서, 로컬 분석 디바이스는 수신된 데이터로부터, 분석 시스템 (108) 에 의해 제공된 모델로 입력되어야 하는 동작 데이터의 세트를 식별할 수도 있다. 블록 (1106) 에서, 그 다음으로, 로컬 분석 디바이스는 동작 데이터의 식별된 세트를 모델로 입력할 수도 있고, 자산 (102) 에 대한 건전성 메트릭을 획득하기 위하여 모델을 작동시킬 수도 있다.
로컬 분석 디바이스는 자산 (102) 에 대한 업데이트된 동작 데이터를 수신하는 것을 계속하므로, 로컬 분석 디바이스는 또한, 업데이트된 동작 데이터에 기초하여 블록들 (1102 내지 1106) 의 동작들을 반복시킴으로써 자산 (102) 에 대한 건전성 메트릭을 업데이트하는 것을 계속할 수도 있다. 일부 경우들에는, 블록들 (1102 내지 1106) 의 동작들이 로컬 분석 디바이스가 자산 (102) 의 센서들 및/또는 액츄에이터들로부터 새로운 데이터를 수신할 때마다, 또는 주기적으로 (예컨대, 매시간, 매일, 매주, 매월 등) 반복될 수도 있다. 이러한 방법으로, 로컬 분석 디바이스는 자산들이 동작 시에 이용되므로, 아마도 실시간으로 건전성 메트릭들을 동적으로 업데이트하도록 구성될 수도 있다.
도 11 에서 예시된 일 예의 로컬-실행 국면의 기능들은 지금부터 더욱 상세하게 설명될 것이다. 블록 (1102) 에서, 로컬 분석 디바이스는 자산 (102) 의 현재의 동작 조건들을 반영하는 데이터를 수신할 수도 있다. 이러한 데이터는 자산 (102) 의 센서들 중의 하나 이상으로부터의 센서 데이터, 자산 (102) 의 하나 이상의 액츄에이터들로부터의 액츄에이터 데이터를 포함할 수도 있고, 및/또는 그것은 다른 타입들의 데이터 중에서, 비정상적-조건 데이터를 포함할 수도 있다.
블록 (1104) 에서, 로컬 분석 디바이스는 수신된 데이터로부터, 분석 시스템 (108) 에 의해 제공된 건전성-메트릭 모델로 입력되어야 하는 동작 데이터의 세트를 식별할 수도 있다. 이 동작은 다수의 방식들로 수행될 수도 있다.
하나의 예에서, 로컬 분석 디바이스는 건전성 메트릭이 결정되고 있는, 자산 타입 또는 자산 클래스와 같은 자산 (102) 의 특성에 기초하여 모델에 대한 동작 데이터 입력들 (예컨대, 특정한 관심 대상 센서들 및/또는 액츄에이터들로부터의 데이터) 의 세트를 식별할 수도 있다. 일부 경우들에는, 동작 데이터 입력들의 식별된 세트가 자산 (102) 의 센서들의 일부 또는 전부로부터의 센서 데이터, 및/또는 자산 (102) 의 액츄에이터들의 일부 또는 전부로부터의 액츄에이터 데이터일 수도 있다.
또 다른 예에서, 로컬 분석 디바이스는 분석 시스템 (108) 에 의해 제공된 예측 모델에 기초하여 동작 데이터 입력들의 세트를 식별할 수도 있다. 즉, 분석 시스템 (108) 은 모델에 대한 특정한 입력들의 (예컨대, 예측 모델에서, 또는 별도의 데이터 송신에서의 어느 하나에서) 자산 (102) 에 대한 일부 표시를 제공할 수도 있다. 동작 데이터 입력들의 세트를 식별하는 것의 다른 예들이 또한 가능하다.
블록 (1106) 에서, 그 다음으로, 로컬 분석 디바이스는 건전성-메트릭 모델을 작동시킬 수도 있다. 구체적으로, 로컬 분석 디바이스는 동작 데이터의 식별된 세트를 모델로 입력시킬 수도 있고, 이것은 결국, 적어도 하나의 고장이 미래의 소전의 시간프레임 (예컨대, 다음의 2 주일) 내에서 발생할 전체적인 가능성을 결정하고 출력한다.
일부 구현예들에서, 이 동작은 로컬 분석 디바이스가 특정한 동작 데이터 (예컨대, 센서 및/또는 액츄에이터 데이터) 를, 각각이 개별적인 확률을 각각 출력할 수도 있는, 건전성-메트릭 모델의 하나 이상의 개별적인 고장 모델들로 입력하는 것을 수반할 수도 있다. 그 다음으로, 로컬 분석 디바이스는 고장이 미래의 소정의 시간프레임 내에서 발생할 전체적인 가능성을 결정하기 위하여, 아마도 건전성-메트릭 모델에 따라 다른 것들보다 약간 더 많이 가중화하는 이 개별적인 확률들을 이용할 수도 있다.
고장이 발생할 전체적인 가능성을 결정한 후, 로컬 분석 디바이스는 고장이 발생할 확률을, 고장들이 미래의 소정의 시간프레임 (예컨대, 2 주일) 내에서 자산 (102) 에서 발생하지 않을 가능성을 반영하는 단일의 집합된 파라미터의 형태를 취할 수도 있는 건전성 메트릭으로 변환할 수도 있다. 일 예의 구현예들에서, 고장 확률을 건전성 메트릭으로 변환하는 것은 로컬 분석 디바이스가 고장 확률의 보완을 결정하는 것을 수반할 수도 있다. 구체적으로, 전체적인 고장 확률은 0 으로부터 1 까지의 범위인 값의 형태를 취할 수도 있고; 건전성 메트릭은 그 수에 의해 1 을 감산함으로써 결정될 수도 있다. 고장 확률을 건전성 메트릭으로 변환하는 것의 다른 예들이 또한 가능하다.
자산이 예측 모델을 로컬 실행을 행한 후, 그 다음으로, 자산은 실행된 예측 모델의 결과적인 출력에 기초하여 대응하는 작업흐름을 실행할 수도 있다. 일반적으로, 자산이 작업흐름을 실행하는 것은 로컬 분석 디바이스가 (예컨대, 명령을 자산의 온-보드 시스템들 중의 하나 이상으로 전송함으로써) 자산에서의 동작의 수행을 야기시키는 것, 및/또는 로컬 분석 디바이스가 분석 시스템 (108) 및/또는 출력 시스템 (110) 과 같은 컴퓨팅 시스템으로 하여금, 자산으로부터 원격으로 동작을 실행하게 하는 것을 수반할 수도 있다. 위에서 언급된 바와 같이, 작업흐름들은 다양한 형태들을 취할 수도 있고, 그러므로, 작업흐름들은 다양한 방식들로 실행될 수도 있다.
예를 들어, 자산 (102) 은 데이터-취득 및/또는 송신 방식을 수정하는 것, 로컬 진달 툴을 실행하는 것, 자산 (102) 의 동작 조건을 수정하는 것 (예컨대, 속도, 가속도, 팬 속력, 프로펠러 각도, 공기 흡입 등을 수정하거나, 자산 (102) 의 하나 이상의 액츄에이터들을 통해 다른 기계적인 동작들을 수행하는 것), 또는 아마도 상대적으로 낮은 건전성 메트릭의 표시, 또는 자산 (102) 의 사용자 인터페이스에서 자산 (102) 에 관련하여, 또는 외부 컴퓨팅 시스템에 관련하여 실행되어야 하는 추천된 예방적 액션들의 표시를 출력하는 것과 같은, 자산 (102) 의 일부 거동을 수정하는 하나 이상의 동작들을 내부적으로 실행하게 될 수도 있다.
또 다른 예에서, 자산 (102) 은 시스템으로 하여금, 작업-순서를 생성하는 것, 또는 자산 (102) 의 수리를 위한 특정한 부품을 주문하는 것과 같은 동작을 수행하게 하기 위한 명령을 출력 시스템 (110) 과 같은 통신 네트워크 (106) 상의 시스템으로 송신할 수도 있다. 또 다른 예에서, 자산 (102) 은, 그 다음으로, 동작이 자산 (102) 으로부터 원격으로 발생하게 하는 것을 가능하게 하는, 분석 시스템 (108) 과 같은 원격 시스템과 통신할 수도 있다. 자산 (102) 이 작업흐름을 로컬 실행을 행하는 것의 다른 예들이 또한 가능하다.
F. 모델/ 작업흐름 수정 국면
또 다른 양태에서, 분석 시스템 (108) 은 수정 국면을 수행할 수도 있고, 수정 국면 동안, 분석 시스템 (108) 은 새로운 자산 데이터에 기초하여 전개된 모델 및/또는 작업흐름을 수정한다. 이 국면은 양자의 집합적인 및 개별화된 모델들 및 작업흐름들에 대하여 수행될 수도 있다.
특히, 소정의 자산 (예컨대, 자산 (102)) 은 모델-작업흐름 쌍에 따라 동작하므로, 자산 (102) 은 동작 데이터를 분석 시스템 (108) 에 제공할 수도 있고, 및/또는 데이터 소스 (112) 는 자산 (102) 에 관련된 외부 데이터를 분석 시스템 (108) 에 제공할 수도 있다. 이 데이터에 적어도 기초하여, 분석 시스템 (108) 은 자산 (102) 에 대한 모델 및/또는 작업흐름, 및/또는 자산 (104) 과 같은 다른 자산들에 대한 모델 및/또는 작업흐름을 수정할 수도 있다. 다른 자산들에 대한 모델들 및/또는 작업흐름들을 수정함에 있어서, 분석 시스템 (108) 은 자산 (102) 의 거동으로부터 학습된 정보를 공유할 수도 있다.
실제로, 분석 시스템 (108) 은 다수의 방식들을 수정들을 행할 수도 있다. 도 12 는 모델-작업흐름 쌍들을 수정하기 위하여 이용될 수도 있는 수정 국면의 하나의 가능한 예를 도시하는 흐름도 (1200) 이다. 예시의 목적들을 위하여, 일 예의 수정 국면은 분석 시스템 (108) 에 의해 수행되는 것으로서 설명되지만, 이 수정 국면은 마찬가지로 다른 시스템들에 의해 수행될 수도 있다. 당해 분야의 당업자는 흐름도 (1200) 가 명확함 및 설명을 위하여 제공된다는 것과, 동작들의 수 많은 다른 조합들이 모델-작업흐름 쌍들을 수정하기 위하여 사용될 수도 있다는 것을 인식할 것이다.
도 12 에서 도시된 바와 같이, 블록 (1202) 에서, 분석 시스템 (108) 은 분석 시스템 (108) 이 그것으로부터 특정한 이벤트의 발생을 식별하는 데이터를 수신할 수도 있다. 데이터는 다른 데이터 중에서, 자산 (102) 으로부터 발신되는 동작 데이터, 또는 데이터 소스 (112) 로부터의 자산 (102) 에 관련된 외부 데이터일 수도 있다. 이벤트는 자산 (102) 에서의 고장과 같은, 위에서 논의된 이벤트들 중의 임의의 것의 형태를 취할 수도 있다.
다른 예의 구현예들에서, 이벤트는 새로운 컴포넌트 또는 서브시스템이 자산 (102) 에 추가되는 것의 형태를 취할 수도 있다. 또 다른 이벤트는 자산 (102) 의 센서들 및/또는 액츄에이터들이 모델-정의 국면 동안에 도 7 의 블록 (706) 에서 식별된 데이터와는 아마도 임계 차이만큼 상이한 데이터를 생성하는 것을 수반할 수도 있는 "선두 표시자" 이벤트의 형태를 취할 수도 있다. 이 차이는 자산 (102) 이 자산 (102) 과 유사한 자산들에 대한 정상적인 동작 조건들을 초과하거나 그 미만인 동작 조건들을 가진다는 것을 표시할 수도 있다. 또 다른 이벤트는 하나 이상의 선두 표시자 이벤트들을 선행하는 이벤트의 형태를 취할 수도 있다.
특정한 이벤트의 식별된 발생 및/또는 기초적인 데이터 (예컨대, 자산 (102) 에 관련된 동작 데이터 및/또는 외부 데이터) 에 기초하여, 그 다음으로, 분석 시스템 (108) 은 집합적인 예측 모델 및/또는 작업흐름, 및/또는 하나 이상의 개별화된 예측 모델들 및/또는 작업흐름들을 수정할 수도 있다. 특히, 블록 (1004) 에서, 분석 시스템 (108) 은 집합적인 예측 모델을 수정할 것인지 여부를 결정할 수도 있다. 분석 시스템 (108) 은 다수의 이유들로 집합적인 예측 모델을 수정하도록 결정할 수도 있다.
예를 들어, 분석 시스템 (108) 은 특정한 이벤트의 식별된 발생이 특정한 고장이 자산들의 플리트로부터의 자산에서 발생하였던 최초의 시간, 또는 특정한 새로운 컴포넌트가 자산들의 플리트로부터의 자산에 추가되었던 최초의 시간과 같은, 자산 (102) 을 포함하는 복수의 자산들에 대한 이 특정한 이벤트의 최초의 발생이었을 경우에 집합적인 예측 모델을 수정할 수도 있다.
또 다른 예에서, 분석 시스템 (108) 은 특정한 이벤트의 식별된 발생과 연관된 데이터가 집합적인 모델을 원래 정의하기 위하여 사용되었던 데이터와는 상이할 경우에 수정을 행할 수도 있다. 예를 들어, 특정한 이벤트의 식별된 발생은 특정한 이벤트의 발생과 이전에 연관되지 않았던 동작 조건들 하에서 발생하였을 수도 있다 (예컨대, 특정한 고장으로 이전에 미리 측정되지 않았던 연관된 센서 값들로 특정한 고장이 발생하였을 수도 있음). 집합적인 모델을 수정하기 위한 다른 이유들이 또한 가능하다.
분석 시스템 (108) 이 집합적인 예측 모델을 수행하도록 결정할 경우, 분석 시스템 (108) 은 블록 (1006) 에서 그렇게 행할 수도 있다. 그렇지 않을 경우, 분석 시스템 (108) 은 블록 (1008) 으로 진행할 수도 있다.
블록 (1206) 에서, 분석 시스템 (108) 은 블록 (1202) 에서 수신되었던 자산 (102) 에 관련된 데이터에 적어도 부분적으로 기초하여 집합적인 모델을 수정할 수도 있다. 일 예의 구현예들에서, 집합적인 모델은 도 5 의 블록 (510) 을 참조하여 위에서 논의된 임의의 방식과 같은 다양한 방식들로 수정될 수도 있다. 다른 구현예들에서, 집합적인 모델은 마찬가지로 다른 방식들로 수정될 수도 있다.
블록 (1208) 에서, 그 다음으로, 분석 시스템 (108) 은 집합적인 작업흐름을 수정할 것인지 여부를 결정할 수도 있다. 분석 시스템 (108) 은 다수의 이유들로 집합적인 작업흐름을 수정할 수도 있다.
예를 들어, 분석 시스템 (108) 은 집합적인 모델이 블록 (1204) 에서 수정되었는지 여부에 기초하여, 및/또는 분석 시스템 (108) 에서 일부 다른 변경이 있었을 경우에 집합적인 작업흐름을 수정할 수도 있다. 다른 예들에서, 분석 시스템 (108) 은 자산 (102) 이 집합적인 작업흐름을 실행함에도 불구하고, 블록 (1202) 에서의 이벤트의 식별된 발생이 발생하였을 경우에 집합적인 작업흐름을 수정할 수도 있다. 예를 들어, 작업흐름이 이벤트 (예컨대, 고장) 의 발생을 방지하는 것을 가능하게 하는 것을 돕는 것을 목적으로 하였고, 작업흐름은 적당하게 실행되었지만, 이벤트가 그럼에도 불구하고 여전히 발생하였을 경우, 분석 시스템 (108) 은 집합적인 작업흐름을 수정할 수도 있다. 집합적인 작업흐름을 수정하기 위한 다른 이유들이 또한 가능하다.
분석 시스템 (108) 이 집합적인 작업흐름을 수행하도록 결정할 경우, 분석 시스템 (108) 은 블록 (1210) 에서 그렇게 행할 수도 있다. 그렇지 않을 경우, 분석 시스템 (108) 은 블록 (1212) 으로 진행할 수도 있다.
블록 (1210) 에서, 분석 시스템 (108) 은 블록 (1202) 에서 수신되었던 자산 (102) 에 관련된 데이터에 적어도 부분적으로 기초하여 집합적인 작업흐름을 수정할 수도 있다. 일 예의 구현예들에서, 집합적인 작업흐름은 도 5 의 블록 (514) 을 참조하여 위에서 논의된 임의의 방식과 같은 다양한 방식들로 수정될 수도 있다. 다른 구현예들에서, 집합적인 모델은 마찬가지로 다른 방식들로 수정될 수도 있다.
블록들 (1212) 내지 블록들 (1218) 에서, 분석 시스템 (108) 은 블록 (1202) 에서 수신되었던 자산 (102) 에 관련된 데이터에 적어도 부분적으로 기초하여, (예컨대, 자산들 (102 및 104) 의 각각에 대한) 하나 이상의 개별화된 모델들 및/또는 (예컨대, 자산 (102) 또는 자산 (104) 중의 하나에 대한) 하나 이상의 개별화된 작업흐름들을 수정하도록 구성될 수도 있다. 분석 시스템 (108) 은 블록들 (1204 내지 1210) 과 유사한 방식으로 그렇게 행할 수도 있다.
그러나, 개별화된 모델 또는 작업흐름을 수정하기 위한 이유들은 집합적인 경우에 대한 이유들과는 상이할 수도 있다. 예를 들어, 분석 시스템 (108) 은 우선 개별화된 모델 및/또는 작업흐름을 정의하기 위하여 사용되었던 기초적인 자산 특성들을 추가로 고려할 수도 있다. 특정한 예에서, 분석 시스템 (108) 은 특정한 이벤트의 식별된 발생이 자산 (102) 의 자산 특성들을 갖는 자산들에 대한 이 특정한 이벤트의 최초의 발생이었을 경우에 개별화된 모델 및/또는 작업흐름을 수정할 수도 있다. 개별화된 모델 및/또는 작업흐름을 수정하기 위한 다른 이유들이 또한 가능하다.
예시하자면, 도 6d 는 수정된 모델-작업흐름 쌍의 개념적인 예시도 (630) 이다. 구체적으로, 모델-작업흐름 쌍 예시도 (630) 는 도 6a 로부터의 집합적인 모델-작업흐름 쌍의 수정된 버전이다. 도시된 바와 같이, 수정된 모델-작업흐름 쌍 예시도 (630) 는 도 6a 로부터의 모델 입력들 (602) 에 대한 원래의 열을 포함하고, 모델 계산들 (634), 모델 출력 범위들 (636), 및 작업흐름 동작들 (638) 에 대한 수정된 열들을 포함한다. 이 예에서, 수정된 예측 모델은 단일 입력, 센서 A 로부터의 데이터를 가지고, 2 개의 계산들, 계산들 I 및 III 을 가진다. 수정된 모델의 출력 확률이 75 % 미만일 경우, 작업흐름 동작 1 이 수행된다. 출력 확률이 75 % 내지 85 % 사이일 경우, 작업흐름 동작 2 가 수행된다. 그리고, 출력 확률이 85 % 보다 더 클 경우, 작업흐름 동작 3 이 수행된다. 다른 예의 수정된 모델-작업흐름 쌍들이 가능하고 본원에서 고려된다.
도 12 로 돌아가면, 블록 (1220) 에서, 그 다음으로, 분석 시스템 (108) 은 임의의 모델 및/또는 작업흐름 수정들을 하나 이상의 자산들로 송신할 수도 있다. 예를 들어, 분석 시스템 (108) 은 수정된 개별화된 모델-작업흐름 쌍을 자산 (102) (예컨대, 그 데이터가 수정을 야기시켰던 자산) 으로, 그리고 수정된 집합적인 모델을 자산 (104) 으로 송신할 수도 있다. 이러한 방법으로, 분석 시스템 (108) 은 자산 (102) 의 동작과 연관된 데이터에 기초하여 모델들 및/또는 작업흐름들을 동적으로 수정할 수도 있고, 이러한 수정들을 자산 (102) 이 속하는 플리트와 같은 다수의 자산들로 분산시킬 수도 있다. 따라서, 다른 자산들의 로컬 모델-작업흐름 쌍들이 이러한 데이터에 기초하여 세분화될 수도 있음으로써, 더 정확하고 강인한 모델-작업흐름 쌍들을 생성하는 것을 도울 수도 있다는 점에서, 다른 자산들은 자산 (102) 으로부터 발신되는 데이터로부터 이익을 얻을 수도 있다.
상기 수정 국면은 분석 시스템 (108) 에 의해 수행되는 것으로서 논의되었지만, 일 예의 구현예들에서, 자산 (102) 의 로컬 분석 디바이스는 추가적으로 또는 대안적으로, 위에서 논의된 것과 유사한 방식으로 수정 국면을 수행할 수도 있다. 예를 들어, 하나의 예에서, 로컬 분석 디바이스는 자산 (102) 이 하나 이상의 센서들 및/또는 액츄에이터들에 의해 생성된 동작 데이터를 사용함으로써 동작할 때에 모델-작업흐름 쌍을 수정할 수도 있다. 그러므로, 자산 (102) 의 로컬 분석 디바이스, 분석 시스템 (108), 또는 그 일부 조합은 자산-관련된 조건들이 변경될 때에 예측 모델 및/또는 작업흐름을 수정할 수도 있다. 이러한 방법으로, 로컬 분석 디바이스 및/또는 분석 시스템 (108) 은 그것들에 의해 이용가능한 가장 최근의 데이터에 기초하여 모델-작업흐름 쌍들을 연속적으로 적응시킬 수도 있다.
G. 모델/ 작업흐름의 동적 실행
또 다른 양태에서, 자산 (102) 및/또는 분석 시스템 (108) 은 모델-작업흐름 쌍을 실행하는 것을 동적으로 조절하도록 구성될 수도 있다. 특히, 자산 (102) 및/또는 분석 시스템 (108) 은 자산 (102) 및/또는 분석 시스템 (108) 이 예측 모델 및/또는 작업흐름을 실행하고 있어야 하는지 여부에 대한 책임들에서의 변경을 트리거링하는 어떤 이벤트들을 검출하도록 구성될 수도 있다.
동작 시에, 양자의 자산 (102) 및 분석 시스템 (108) 은 자산 (102) 을 대신하여, 모델-작업흐름 쌍의 전부 또는 일부를 실행할 수도 있다. 예를 들어, 자산 (102) 이 분석 시스템 (108) 으로부터 모델-작업흐름 쌍을 수신한 후, 자산 (102) 은 데이터 스토리지에서 모델-작업흐름 쌍을 저장할 수도 있지만, 그 다음으로, 모델-작업흐름 쌍의 일부 또는 전부를 중앙집중 방식으로 실행하기 위하여 분석 시스템 (108) 에 의존할 수도 있다. 특히, 자산 (102) 은 적어도 센서 및/또는 액츄에이터 데이터를, 그 다음으로, 자산 (102) 에 대한 예측 모델을 중앙집중 방식으로 실행하기 위하여 이러한 데이터를 이용할 수도 있는 분석 시스템 (108) 에 제공할 수도 있다. 모델의 출력에 기초하여, 그 다음으로, 분석 시스템 (108) 은 대응하는 작업흐름을 실행할 수도 있거나, 분석 시스템 (108) 은 모델의 출력, 또는 자산 (102) 이 작업흐름을 로컬 실행을 행하기 위한 명령을 자산 (102) 으로 송신할 수도 있다.
다른 예들에서, 분석 시스템 (108) 은 모델-작업흐름 쌍의 일부 또는 전부를 로컬 실행을 행하기 위하여 자산 (102) 에 의존할 수도 있다. 구체적으로, 자산 (102) 은 예측 모델의 일부 또는 전부를 로컬 실행을 행할 수도 있고, 결과들을 분석 시스템 (108) 으로 송신할 수도 있고, 이것은 그 다음으로, 분석 시스템 (108) 으로 하여금, 대응하는 작업흐름을 중앙집중 방식으로 실행하게 할 수도 있다. 또는, 자산 (102) 은 또한, 대응하는 작업흐름을 로컬 실행을 행할 수도 있다.
또 다른 예들에서, 분석 시스템 (108) 및 자산 (102) 은 모델-작업흐름 쌍을 실행하는 것의 책임들에서 공유할 수도 있다. 예를 들어, 분석 시스템 (108) 은 모델 및/또는 작업흐름의 부분들을 중앙집중 방식으로 실행할 수도 있는 반면, 자산 (102) 은 모델 및/또는 작업흐름의 다른 부분들을 로컬 실행을 행한다. 자산 (102) 및 분석 시스템 (108) 은 그 개개의 실행된 책임들로부터의 결과들을 송신할 수도 있다. 다른 예들이 또한 가능하다.
일부 시간에서의 포인트에서, 자산 (102) 및/또는 분석 시스템 (108) 은 모델-작업흐름 쌍의 실행이 조절되어야 하는 것으로 결정할 수도 있다. 즉, 하나 또는 양자는 실행 책임들이 수정되어야 하는 것으로 결정할 수도 있다. 이 동작은 다양한 방식들로 발생할 수도 있다.
1. 조절 인자에 기초한 동적 실행
도 13 은 모델-작업흐름 쌍의 실행을 조절하기 위하여 이용될 수도 있는 조절 국면의 하나의 가능한 예를 도시하는 흐름도 (1300) 이다. 예시의 목적들을 위하여, 일 예의 조절 국면은 자산 (102) 및/또는 분석 시스템 (108) 에 의해 수행되는 것으로서 설명되지만, 이 수정 국면은 마찬가지로 다른 시스템들에 의해 수행될 수도 있다. 당해 분야의 당업자는 흐름도 (1100) 가 명확함 및 설명을 위하여 제공된다는 것과, 동작들의 수 많은 다른 조합들이 모델-작업흐름 쌍의 실행을 조절하기 위하여 사용될 수도 있다는 것을 인식할 것이다.
블록 (1302) 에서, 자산 (102) 및/또는 분석 시스템 (108) 은 모델-작업흐름 쌍의 실행에 대한 조절을 요구하는 조건들을 표시하는 조절 인자 (또는 잠재적으로 배수) 를 검출할 수도 있다. 이러한 조건들의 예들은 다른 예들 중에서, 통신 네트워크 (106) 의 네트워크 조건들, 또는 자산 (102) 및/또는 분석 시스템 (108) 의 프로세싱 조건들을 포함한다. 일 예의 네트워크 조건들은 다른 예들 중에서, 네트워크 레이턴시, 네트워크 대역폭, 자산 (102) 과 통신 네트워크 (106) 사이의 링크의 신호 강도, 또는 네트워크 성능의 일부 다른 표시를 포함할 수도 있다. 일 예의 프로세싱 조건들은 다른 예들 중에서, 프로세싱 용량 (예컨대, 이용가능한 프로세싱 파워), 프로세싱 사용량 (예컨대, 소비되고 있는 프로세싱 파워의 양), 또는 프로세싱 능력들의 일부 다른 표시를 포함할 수도 있다.
실제로, 조절 인자를 검출하는 것은 다양한 방식들로 수행될 수도 있다. 예를 들어, 이 동작은 네트워크 (또는 프로세싱) 조건들이 하나 이상의 임계 값들에 도달하는지 여부, 또는 조건들이 어떤 방식으로 변경되었는지 여부를 결정하는 것을 수반할 수도 있다. 조절 인자를 검출하는 것의 다른 예들이 또한 가능하다.
특히, 일부 경우들에는, 조절 인자를 검출하는 것은 자산 (102) 및/또는 분석 시스템 (108) 이 자산 (102) 과 분석 시스템 (108) 사이의 통신 링크의 신호 강도가 임계 신호 강도 미만이거나 변경의 어떤 레이트에서 감소하였다는 표시를 검출하는 것을 수반할 수도 있다. 이 예에서, 조절 인자는 자산 (102) 이 "오프-라인" 으로 가려는 중이라는 것을 표시할 수도 있다.
또 다른 경우에는, 조절 인자를 검출하는 것은 추가적으로 또는 대안적으로, 자산 (102) 및/또는 분석 시스템 (108) 이 네트워크 레이턴시가 임계 레이턴시를 초과하거나 변경의 어떤 레이트에서 증가하였다는 표시를 검출하는 것을 수반할 수도 있다. 또는, 표시는 네트워크 대역폭이 임계 대역폭 미만이거나 변경의 어떤 레이트에서 감소하였다는 것일 수도 있다. 이 예들에서, 조절 인자는 통신 네트워크 (106) 가 지연되고 있다는 것을 표시할 수도 있다.
또 다른 경우들에는, 조절 인자를 검출하는 것은 추가적으로 또는 대안적으로, 자산 (102) 및/또는 분석 시스템 (108) 이 프로세싱 용량이 특정한 임계치 미만이거나 변경의 어떤 레이트에서 감소하였다는 것, 및/또는 프로세싱 사용량이 임계 값을 초과하거나 변경의 어떤 레이트에서 증가한다는 것의 표시를 검출하는 것을 수반할 수도 있다. 이러한 예들에서, 조절 인자는 자산 (102) (및/또는 분석 시스템 (108)) 의 프로세싱 능력들이 낮다는 것을 표시할 수도 있다. 조절 인자를 검출하는 것의 다른 예들이 또한 가능하다.
블록 (1304) 에서, 검출된 조절 인자에 기초하여, 로컬 실행 책임들은 조절될 수도 있고, 이것은 다수의 방식들로 발생할 수도 있다. 예를 들어, 자산 (102) 은 조절 인자를 검출하였을 수도 있고, 그 다음으로, 모델-작업흐름 쌍 또는 그 부분을 로컬 실행을 행하도록 결정하였을 수도 있다. 일부 경우들에는, 그 다음으로, 자산 (102) 은 자산 (102) 이 예측 모델 및/또는 작업흐름을 로컬 실행을 행하고 있다는 통지를 분석 시스템 (108) 으로 송신할 수도 있다.
또 다른 예에서, 분석 시스템 (108) 은 조절 인자를 검출하였을 수도 있고, 그 다음으로, 자산 (102) 으로 하여금, 모델-작업흐름 쌍 또는 그 부분을 로컬 실행을 행하게 하기 위한 명령을 자산 (102) 으로 송신하였을 수도 있다. 명령에 기초하여, 그 다음으로, 자산 (102) 은 모델-작업흐름 쌍을 로컬 실행을 행할 수도 있다.
블록 (1306) 에서, 중앙 실행 책임들은 조절될 수도 있고, 이것은 다수의 방식들로 발생할 수도 있다. 예를 들어, 중앙 실행 책임들은 분석 시스템 (108) 이 자산 (102) 이 예측 모델 및/또는 작업흐름을 로컬 실행을 행하고 있다는 표시를 검출하는 것에 기초하여 조절될 수도 있다. 분석 시스템 (108) 은 다양한 방식들로 이러한 표시를 검출할 수도 있다.
일부 예들에서, 분석 시스템 (108) 은 자산 (102) 이 예측 모델 및/또는 작업흐름을 로컬 실행을 행하고 있다는 통지를 자산 (102) 으로부터 수신함으로서 표시를 검출할 수도 있다. 통지는 2 진수 또는 텍스트와 같은 다양한 형태들을 취할 수도 있고, 자산이 로컬 실행을 행하고 있는 특정한 예측 모델 및/또는 작업흐름을 식별할 수도 있다.
다른 예들에서, 분석 시스템 (108) 은 자산 (102) 에 대한 수신된 동작 데이터에 기초하여 표시를 검출할 수도 있다. 구체적으로, 표시를 검출하는 것은 분석 시스템 (108) 이 자산 (102) 에 대한 동작 데이터를 수신하고, 그 다음으로, 수신된 데이터의 하나 이상의 특성들을 검출하는 것을 수반할 수도 있다. 수신된 데이터의 하나 이상의 검출된 특성들로부터, 분석 시스템 (108) 은 자산 (102) 이 예측 모델 및/또는 작업흐름을 로컬 실행을 행하고 있다는 것을 추론할 수도 있다.
실제로, 수신된 데이터의 하나 이상의 특성들을 검출하는 것은 다양한 방식들로 수행될 수도 있다. 예를 들어, 분석 시스템 (108) 은 수신된 데이터의 타입을 검출할 수도 있다. 특히, 분석 시스템 (108) 은 센서 또는 액츄에이터 데이터를 생성하였던 특정한 센서 또는 액츄에이터와 같은, 데이터의 소스를 검출할 수도 있다. 수신된 데이터의 타입에 기초하여, 분석 시스템 (108) 은 자산 (102) 이 예측 모델 및/또는 작업흐름을 로컬 실행을 행하고 있다는 것을 추론할 수도 있다. 예를 들어, 특정한 센서의 센서-식별자를 검출하는 것에 기초하여, 분석 시스템 (108) 은 자산 (102) 이 예측 모델, 및 자산 (102) 으로 하여금, 특정한 센서로부터 데이터를 취득하게 하고 그 데이터를 분석 시스템 (108) 으로 송신하게 하는 대응하는 작업흐름을 로컬 실행을 행하고 있다는 것을 추론할 수도 있다.
또 다른 사례에서, 분석 시스템 (108) 은 수신된 데이터의 양을 검출할 수도 있다. 분석 시스템 (108) 은 그 양을 데이터의 어떤 임계량과 비교할 수도 있다. 양이 임계량에 도달하는 것에 기초하여, 분석 시스템 (108) 은 자산 (102) 이 예측 모델 및/또는, 자산 (102) 으로 하여금, 임계량과 동등하거나 임계량보다 더 큰 데이터의 양을 취득하게 하는 작업흐름을 로컬 실행을 행하고 있다는 것을 추론할 수도 있다. 다른 예들이 또한 가능하다.
일 예의 구현예들에서, 수신된 데이터의 하나 이상의 특성들을 검출하는 것은 분석 시스템 (108) 이 수신된 데이터의 타입에서의 변경, 수신되는 데이터의 양에서의 변경, 또는 데이터가 수신되는 주파수에서의 변경과 같은, 수신된 데이터의 하나 이상의 특성들에서의 어떤 변경을 검출하는 것을 수반할 수도 있다. 특정한 예에서, 수신된 데이터의 타입에서의 변경은 분석 시스템 (108) 이 그것이 수신하고 있는 센서 데이터의 소스에서의 변경 (예컨대, 분석 시스템 (108) 에 제공된 데이터를 생성하고 있는 센서들 및/또는 액츄에이터들에서의 변경) 을 검출하는 것을 수반할 수도 있다.
일부 경우들에는, 수신된 데이터에서의 변경을 검출하는 것은 분석 시스템 (108) 이 과거 (예컨대, 현재의 시간 전의 1 시간, 1 일, 1 주 등) 에 수신된 데이터를 비교하는 것을 수반할 수도 있다. 여하튼, 수신된 데이터의 하나 이상의 특성들에서의 변경을 검출하는 것에 기초하여, 분석 시스템 (108) 은 자산 (102) 이 예측 모델 및/또는, 자산 (102) 에 의해 분석 시스템 (108) 에 제공된 데이터에 대한 이러한 변경을 야기시키는 작업흐름을 로컬 실행을 행하고 있다는 것을 추론할 수도 있다.
또한, 분석 시스템 (108) 은 자산 (102) 이 블록 (1302) 에서 조절 인자를 검출하는 것에 기초하여 예측 모델 및/또는 작업흐름을 로컬 실행을 행하고 있다는 표시를 검출할 수도 있다. 예를 들어, 분석 시스템 (108) 이 블록 (1302) 에서 조절 인자를 검출할 경우, 그 다음으로, 분석 시스템 (108) 은 자산 (102) 으로 하여금, 그 로컬 실행 책임들을 조절하게 하는 명령들을 자산 (102) 으로 송신할 수도 있고, 따라서, 분석 시스템 (108) 은 그 자신의 중앙 실행 책임들을 조절할 수도 있다. 표시를 검출하는 것의 다른 예들이 또한 가능하다.
일 예의 구현예들에서, 중앙 실행 책임들은 로컬 실행 책임들에 대한 조절에 따라 조절될 수도 있다. 예를 들어, 자산 (102) 이 지금 예측 모델을 로컬 실행을 행하고 있을 경우, 분석 시스템 (108) 은 이에 따라, 예측 모델을 중앙집중 방식으로 실행하는 것을 중단시킬 수도 있다 (그리고 대응하는 작업흐름을 중앙집중 방식으로 실행하는 것을 중단시킬 수도 있거나 중단시키지 않을 수도 있음). 또한, 자산 (102) 이 대응하는 작업흐름을 로컬 실행을 행하고 있을 경우, 분석 시스템 (108) 은 이에 따라, 작업흐름을 실행하는 것을 중단시킬 수도 있다 (그리고 예측 모델을 중앙집중 방식으로 실행하는 것을 중단시킬 수도 있거나 중단시키지 않을 수도 있음). 다른 예들이 또한 가능하다.
실제로, 자산 (102) 및/또는 분석 시스템 (108) 은 블록들 (1302 내지 1306) 의 동작들을 연속적으로 수행할 수도 있다. 그리고 때대로, 로컬 및 중앙 실행 책임들은 모델-작업흐름 쌍의 실행을 최적화하는 것을 가능하게 하도록 조절될 수도 있다.
또한, 일부 구현예들에서, 자산 (102) 및/또는 분석 시스템 (108) 은 조절 인자를 검출하는 것에 기초하여 다른 동작들을 수행할 수도 있다. 예를 들어, 통신 네트워크 (106) 의 조건 (예컨대, 대역폭, 레이턴시, 신호 강도, 또는 네트워크 품질의 또 다른 표시) 에 기초하여, 자산 (102) 은 특정한 작업흐름을 로컬 실행을 행할 수도 있다. 특정한 작업흐름은 분석 시스템 (108) 이 통신 네트워크의 조건을 검출하는 것에 기초하여 분석 시스템 (108) 에 의해 제공될 수도 있거나, 자산 (102) 상에 이미 저장될 수도 있거나, 자산 (102) 상에 이미지 저장된 작업흐름의 수정된 버전일 수도 있다 (예컨대, 자산 (102) 은 작업흐름을 로컬 수정할 수도 있음). 일부 경우들에는, 특정한 작업흐름은 다른 가능한 작업흐름 동작들 중에서, 샘플링 레이트를 증가시키거나 감소시키는 데이터-취득 방식, 및/또는 분석 시스템 (108) 으로 송신된 데이터의 송신 레이트 또는 양을 증가시키거나 감소시키는 데이터-송신 방식을 포함할 수도 있다.
특정한 예에서, 자산 (102) 은 통신 네트워크의 하나 이상의 검출된 조건들이 (예컨대, 열악한 네트워크 품질을 표시하는) 개개의 임계치들에 도달한 것으로 결정할 수도 있다. 이러한 결정에 기초하여, 자산 (102) 은 자산 (102) 이 분석 시스템 (108) 으로 송신하는 데이터의 양 및/또는 주파수를 감소시키는 데이터-송신 방식에 따라 데이터를 송신하는 것을 포함하는 작업흐름을 로컬 실행을 행할 수도 있다. 다른 예들이 또한 가능하다.
2. 실행 함수들에 기초한 동적 실행
도 14 는 예측 모델을 로컬 실행을 행할 것인지 여부를 결정하기 위하여 이용될 수도 있는 결정 국면의 하나의 가능한 예를 도시하는 흐름도 (1400) 이다. 예시의 목적들을 위하여, 일 예의 결정 국면은 자산 (102) 에 결합된 로컬 분석 디바이스 (220) 에 의해 수행되는 것으로서 설명되지만, 이 결정 국면은 마찬가지로 다른 시스템들 또는 디바이스들에 의해 수행될 수도 있다. 예를 들어, 일부 구현예들에서, 분석 시스템 (108) 은 PSF 들을 로컬 분석 디바이스들로 송신하지 않을 수도 있고, 그 대신에, 로컬 분석 디바이스들이 특정한 예측 모델을 실행해야 하고 그 다음으로, 이에 따라 로컬 분석 디바이스들에 명령해야 하는지 여부를 스스로 결정할 수도 있다. 당해 분야의 당업자는 흐름도 (1400) 가 명확함 및 설명을 위하여 제공된다는 것과, 동작들의 수 많은 다른 조합들이 예측 모델을 로컬 실행을 행할 것이지 여부를 결정하기 위하여 사용될 수도 있다는 것을 인식할 것이다.
블록 (1402) 에서, 로컬 분석 디바이스 (220) 는 실행되어야 하는 특정한 예측 모델을 식별함으로써 시작할 수도 있다. 하나의 예의 실시형태에서, 로컬 분석 디바이스 (220) 는 로컬 분석 디바이스 (220) 상에 저장되는 자산 (102) 에 대한 다수의 예측 모델들을 주기적으로 또는 비주기적으로 실행할 수도 있다. 소정의 예측 모델을 실행하기 전, 로컬 분석 디바이스 (220) 는 그 메모리 스토리지에서 모델을 위치시킴으로써 특정한 예측 모델을 식별할 수도 있다.
추가적으로 또는 대안적으로, 로컬 분석 디바이스 (220) 는 자산-동작 조건들, 비정상적-조건 표시자의 트리거링, 하루의 시간, 자산 (102) 의 로케이션 등과 같은 하나 이상의 컨텍스트-기반 (context-based) 트리거들에 기초하여 특정한 예측 모델을 식별할 수도 있다. 하나의 특정한 예로서, 로컬 분석 디바이스 (220) 는 자산 (102) 의 동작 조건이 자산 (102) 이 정상적 동작 조건들로부터 이탈하기 시작하고 있다는 것을 제안하는 것으로 결정할 수도 있다. 이러한 결정에 기초하여, 로컬 분석 디바이스 (220) 는 그것이 메모리에서 저장하였던 다수의 모델들로부터, 특정한 고장이 미래의 소정의 시간의 주기 내에서 자산 (102) 에서 발생할 수도 있는지 여부를 예측하는 것을 도울 수도 있는 특정한 예측 모델을 식별할 수도 있다. 다양한 다른 예들이 또한 가능하다.
여하튼, 로컬 분석 디바이스 (220) 가 실행되어야 하는 특정한 예측 모델을 식별한 후, 그 다음으로, 그것은 특정한 예측 모델에 대응하는 하나 이상의 PSF 들을 식별할 수도 있다. 이 동작은 다양한 다른 예의 동작들 중에서, 로컬 분석 디바이스 (200) 가 룩업 테이블 (look-up table) 을 사용하는 것, 및/또는 특정한 예측 모델의 고유한 식별자에 기초하여 질의를 수행하는 것을 수반할 수도 있다.
블록 (1404) 에서, 로컬 분석 디바이스 (220) 는 임의적으로, 식별된 PSF 들 중의 하나 이상을 수정할 것인지 여부를 결정하도록 구성될 수도 있다. 즉, 일부 예의 실시형태들에서, 로컬 분석 디바이스 (220) 는 특정한 예측 모델의 실행을 추가로 최적화하기 위한 시도로 PFS 들을 동적으로 수정하도록 구성될 수도 있다. 실제로, 소정의 PSF 를 수정하는 것은 다른 가능성들 중에서, PSF 의 임의의 파라미터 (예컨대, 도 10 에서 도시된 이벤트 표들에서의 이벤트 엔트리 값들 중의 임의의 것) 를 수정하는 것, 추가적인 파라미터들을 PSF 표현에 추가하는 것, 값을 PSF 의 출력에 추가하는 것, 및/또는 PSF 를 전체로서 수정하는 것 (예컨대, 스케일 인자를 적용하는 것) 을 수반할 수도 있다. 로컬 분석 디바이스 (220) 는 다양한 이유들로 소정의 PSF 를 수정할 수도 있다.
일 예의 실시형태들에서, 로컬 분석 디바이스 (220) 는 하나 이상의 동적 인자들에 기초하여 소정의 PSF 를 수정할 수도 있다. 하나의 예로서, 로컬 분석 디바이스 (220) 는 PSF 의 연령 및/또는 특정한 예측 모델에 기초하여 (예컨대, PSF 의 "피로도 (staleness)" 및/또는 모델에 기초하여) 소정의 PSF 를 수정할 수도 있다. 예를 들어, 분석 시스템 (108) 은 특정한 예측 모델의 가장 최신 (예컨대, 정확하고 및/또는 최적인) 버전 및 대응하는 PSF 들을 가진다는 것이 가정된다. 반대로, 로컬 분석 디바이스 (220) 는 모델 또는 PSF 들의 어느 하나 또는 양자의 구식 버전을 가질 수도 있다. 이와 같이, 로컬 분석 디바이스 (220) 는 예측 모델이 최후에 업데이트된 이후, PFS 가 최후에 업데이트된 이후, 또는 그 일부 조합으로 경과되었던 시간의 양에 기초하여 (예컨대, 예측 정확도들을 감소시키고 및/또는 비용들을 증가시킴으로써) 로컬 분석 디바이스에 대한 PSF 를 수정하도록 구성될 수도 있다. 일부 경우들에는, 로컬 분석 디바이스 (220) 가 시간의 양이 시간의 임계량을 초과할 경우에 그렇게 행할 수도 있다. 요약하면, 특정한 예의 실시형태에서, 로컬 분석 디바이스 (220) 는 (a) PSF 가 대응하는 (a1) 예측 모델 및/또는 (a2) 그 PSF 에 대한 업데이트 이후의 시간의 양에 기초하여 로컬-분석-디바이스 PSF 를 수정할 수도 있고, (b) 분석-시스템 PSF 를 수정하지 않을 수도 있다. 다른 예들이 또한 가능하다.
또 다른 동적 인자는 네트워크 조건들을 수반할 수도 있다. 예를 들어, 로컬 분석 디바이스 (220) 는 통신 네트워크 (106) 의 조건 (예컨대, 대역폭, 레이턴시, 신호 강도, 또는 네트워크 품질의 또 다른 표시) 에 기초하여 소정의 PSF 를 수정할 수도 있다. 특히, 로컬 분석 디바이스 (220) 가 하나 이상의 네트워크 조건들이 네트워크 품질이 열악한 것으로 표시한다는 것을 검출할 때, 로컬 분석 디바이스 (220) 는 (예컨대, 비용들을 증가시키고 및/또는 스케일 인자를 그 PSF 에 적용함으로써) 분석 시스템 (108) 에 대응하는 PSF 를 수정할 수도 있다. 실행 함수들을 동적으로 수정하기 위한 다양한 다른 이유들이 또한 가능하다.
여하튼, 로컬 분석 디바이스 (220) 는 식별된 (그리고 아마도 수정된) PSF 들을 실행하도록 구성될 수도 있다. 예를 들어, 로컬 분석 디바이스 (220) 는 자신에 대한, 그리고 분석 시스템 (108) 에 대한 PSF 를 실행할 수도 있다. 그 후에, 블록 (1406) 에서, 로컬 분석 디바이스 (220) 는 예측 모델을 로컬 실행을 행할 것인지 여부를 결정하도록 구성될 수도 있고, 이것은 다양한 방식들로 수행될 수도 있다.
일 예의 실시형태들에서, 로컬 분석 디바이스 (220) 는 PSF 들을 실행하는 것의 결과들을 비교하고, 특정한 예측 모델의 최적의 실행을 식별하도록 구성될 수도 있다. 예를 들어, 이 동작들은 로컬 분석 디바이스 (220) 가 성능 점수들을 비교하고 더 양호한 점수 (예컨대, 더 낮은 비용) 에 기초하여 실행의 로케이션을 결정하는 것을 수반할 수도 있다. 구체적으로, 로컬 분석 디바이스 (220) 에 대한 성능 점수가 분석 시스템 (108) 에 대한 성능 점수 (또는 더 큰 임계량) 보다 더 클 (또는 동일함) 경우, 로컬 분석 디바이스 (220) 가 특정한 예측 모델을 실행하는 것이 최적일 수도 있다. 그렇지 않고, 로컬 분석 디바이스 (220) 에 대한 성능 점수가 분석 시스템 (108) 에 대한 성능 점수 (또는 더 작은 임계량) 보다 더 작을 경우, 분석 시스템 (108) 이 특정한 예측 모델을 실행하는 것이 최적일 수도 있다. 다른 예들이 또한 가능하다.
로컬 분석 디바이스 (220) 가 그것이 모델을 실행해야 하는 것 (예컨대, 예측 모델의 최적의 실행이 로컬 분석 디바이스에 의한 것) 으로 결정할 경우, 블록 (1408) 에서, 로컬 분석 디바이스 (220) 는 예측 모델을 수행할 수도 있고, 이것은 상기 논의에 다라 발생할 수도 있다.
로컬 분석 디바이스 (220) 가 그 대신에, 분석 시스템 (108) 이 모델을 실행해야 하는 것으로 결정할 경우, 블록 (1410) 에서, 로컬 분석 디바이스 (220) 는 (a) 분석 시스템 (108) 이 특정한 예측 모델을 실행하기 위한 명령, 및 (b) 모델을 실행함에 있어서 이용되어야 할 자산 (102) 으로부터의 동작 데이터 (예컨대, 센서 및/또는 액츄에이터 신호 데이터) 를 분석 시스템 (108) 으로 전송하도록 구성될 수도 있다. 그 다음으로, 분석 시스템 (108) 은 (예컨대, 로컬 분석 디바이스 (220) 가 어떻게 모델을 실행하는지와 유사한 방식으로) 특정한 예측 모델을 실행할 수도 있고, 특정한 예측 모델을 중앙집중 방식으로 실행하는 것의 결과를 다시 로컬 분석 디바이스 (220) 로 송신할 수도 있다. 그 결과에 기초하여, 그 다음으로, 로컬 분석 디바이스 (220) 는 본원에서 개시된 작업흐름 또는 임의의 다른 동작을 실행하는 것과 같은 다양한 동작들을 수행할 수도 있다.
일 예의 실시형태들에서, 로컬 분석 디바이스 (220) 는 그것이 분석 시스템 (108) 으로부터 수신하는 일부 또는 임의의 예측 모델들을 로컬 실행을 행하기 이전에, 도 14 와 관련하여 논의된 실행-함수 동작들의 일부 또는 전부를 수행할 수도 있다. 추가적으로 또는 대안적으로, 로컬 분석 디바이스 (220) 는 다른 가능성들 중에서, 소정의 모델의 각각의 실행 이전에, 시간의 양이 실행-함수 동작들의 최후 반복 이후로 경과한 후, 또는 주기적으로 (예컨대, 매시간, 매일, 매주 등) 도 14 와 관련하여 논의된 실행-함수 동작들의 일부 또는 전부를 수행할 수도 있다.
V. 일 예의 방법들
지금부터 도 15 로 돌아가면, 분석 시스템 (108) 에 의해 수행될 수도 있는 집합적인 예측 모델 및 대응하는 작업흐름을 정의하고 전개하기 위한 일 예의 방법 (1500) 을 예시하는 흐름도가 도시되어 있다. 방법 (1500) 및 이하에서 논의된 다른 방법들에 대하여, 흐름도들에서 블록들에 의해 예시된 동작들은 상기 논의에 따라 수행될 수도 있다. 또한, 위에서 논의된 하나 이상의 동작들은 소정에 흐름도에 추가될 수도 있다.
블록 (1502) 에서, 방법 (1500) 은 분석 시스템 (108) 이 복수의 자산들 (예컨대, 자산들 (102 및 104)) 에 대한 개개의 동작 데이터를 수신하는 것을 수반할 수도 있다. 블록 (1504) 에서, 방법 (1500) 은 분석 시스템 (108) 이 수신된 동작 데이터에 기초하여, 복수의 자산들의 동작에 관련되는 예측 모델 및 대응하는 작업흐름 (예컨대, 고장 모델 및 대응하는 작업흐름) 을 정의하는 것을 수반할 수도 있다. 블록 (1506) 에서, 방법 (1500) 은 분석 시스템 (108) 이 적어도 하나의 자산에 의한 로컬 실행을 위한 예측 모델 및 대응하는 작업흐름을 복수의 자산들 중의 적어도 하나의 자산 (예컨대, 자산 (102)) 으로 송신하는 것을 수반할 수도 있다.
도 16 은 분석 시스템 (108) 에 의해 수행될 수도 있는 개별화된 예측 모델 및/또는 대응하는 작업흐름을 정의하고 전개하기 위한 일 예의 방법 (1600) 의 흐름도를 도시한다. 블록 (1602) 에서, 방법 (1600) 은 분석 시스템 (108) 이 복수의 자산들에 대한 동작 데이터를 수신하는 것을 수반할 수도 있고, 여기서, 복수의 자산들은 적어도 제 1 자산 (예컨대, 자산 (102)) 을 포함한다. 블록 (1604) 에서, 방법 (1600) 은 분석 시스템 (108) 이 수신된 동작 데이터에 기초하여, 복수의 자산들의 동작에 관련되는 집합적인 예측 모델 및 집합적인 대응하는 작업흐름을 정의하는 것을 수반할 수도 있다. 블록 (1606) 에서, 방법 (1600) 은 분석 시스템 (108) 이 제 1 자산의 하나 이상의 특성들을 결정하는 것을 수반할 수도 있다. 블록 (1608) 에서, 방법 (1600) 은 분석 시스템 (108) 이 제 1 자산의 하나 이상의 특성들 및 집합적인 예측 모델 및 집합적인 대응하는 작업흐름에 기초하여, 제 1 자산의 동작에 관련되는 개별화된 예측 모델 또는 개별화된 대응하는 작업흐름 중의 적어도 하나를 정의하는 것을 수반할 수도 있다. 블록 (1610) 에서, 방법 (1600) 은 분석 시스템 (108) 이 제 1 자산에 의한 로컬 실행을 위하여 정의된 적어도 하나의 개별화된 예측 모델 또는 개별화된 대응하는 작업흐름을 제 1 자산으로 송신하는 것을 수반할 수도 있다.
도 17 은 분석 시스템 (108) 에 의해 수행될 수도 있는 모델-작업흐름 쌍들의 실행을 동적으로 수정하기 위한 일 예의 방법 (1700) 의 흐름도를 도시한다. 블록 (1702) 에서, 방법 (1700) 은 분석 시스템 (108) 이 자산에 의한 로컬 실행을 위하여 자산의 동작에 관련되는 예측 모델 및 대응하는 작업 흐름을 자산 (예컨대, 자산 (102)) 으로 송신하는 것을 수반할 수도 있다. 블록 (1704) 에서, 방법 (1700) 은 분석 시스템 (108) 이 자산이 예측 모델 또는 대응하는 작업흐름 중의 적어도 하나를 로컬 실행을 행하고 있다는 표시를 검출하는 것을 수반할 수도 있다. 블록 (1706) 에서, 방법 (1700) 은 분석 시스템 (108) 이 예측 모델 또는 대응하는 작업흐름 중의 적어도 하나의 컴퓨팅 시스템에 의한 중앙 실행을 수정하는 것을 수반할 수도 있다.
방법 (1700) 과 유사하게, 모델-작업흐름 쌍들의 실행을 동적으로 수정하기 위한 또 다른 방법은 자산 (예컨대, 자산 (102)) 에 의해 수행될 수도 있다. 예를 들어, 이러한 방법은 자산 (102) 이 중앙 컴퓨팅 시스템 (예컨대, 분석 시스템 (108) 으로부터, 자산 (102) 의 동작에 관련되는 예측 모델 및 대응하는 작업흐름을 수신하는 것을 수반할 수도 있다. 방법은 또한, 자산 (102) 이 예측 모델 및 대응하는 작업흐름의 실행을 조절하는 것과 연관된 하나 이상의 조건들을 표시하는 조절 인자를 검출하는 것을 수반할 수도 있다. 방법은 검출된 조절 인자에 기초하여, (i) 예측 모델 또는 대응하는 작업흐름 중의 적어도 하나의 자산 (102) 에 의한 로컬 실행을 수정하는 것, 및 (ii) 자산 (102) 이 중앙 컴퓨팅 시스템으로 하여금, 예측 모델 또는 대응하는 작업흐름 중의 적어도 하나의 컴퓨팅 시스템에 의한 중앙 실행을 수정하게 하는 것을 가능하게 하기 위하여 예측 모델 또는 대응하는 작업흐름 중의 적어도 하나를 로컬 실행을 행하고 있다는 표시를 중앙 컴퓨팅 시스템으로 송신하는 것을 수반할 수도 있다.
도 18 은 예를 들어, 자산 (102) 의 로컬 분석 디바이스에 의해 모델-작업흐름 쌍을 로컬 실행을 행하기 위한 일 예의 방법 (1800) 의 흐름도를 도시한다. 블록 (1802) 에서, 방법 (1800) 은 로컬 분석 디바이스가 네트워크 인터페이스를 통해, 로컬 분석 디바이스의 자산 인터페이스를 통해 로컬 분석 디바이스에 결합되는 자산 (예컨대, 자산 (102)) 의 동작에 관련되는 예측 모델을 수신하는 것을 수반할 수도 있고, 여기서, 예측 모델은 복수의 자산들에 대한 동작 데이터에 기초하여 로컬 분석 디바이스로부터 원격으로 위치된 컴퓨팅 시스템 (예컨대, 분석 시스템 (108)) 에 의해 정의된다. 블록 (1804) 에서, 방법 (1800) 은 로컬 분석 디바이스가 자산 인터페이스를 통해, 자산 (102) 에 대한 동작 데이터 (예컨대, 하나 이상의 센서들 및/또는 액츄에이터들에 의해 생성되고, 자산의 중앙 프로세싱 유닛을 통해 간접적으로, 또는 하나 이상의 센서들 및/또는 액츄에이터들로부터 직접적으로 중의 어느 하나로 수신될 수도 있는 동작 데이터) 를 수신하는 것을 수반할 수도 있다. 블록 (1806) 에서, 방법 (1800) 은 로컬 분석 디바이스가 자산 (102) 에 대한 수신된 동작 데이터의 적어도 부분에 기초하여 예측 모델을 실행하는 것을 수반할 수도 있다. 블록 (1808) 에서, 방법 (1800) 은 로컬 분석 디바이스가 예측 모델을 실행하는 것에 기초하여, 예측 모델에 대응하는 작업흐름을 실행하는 것을 수반할 수도 있고, 여기서, 작업흐름을 실행하는 것은 자산 (102) 으로 하여금, 자산 인터페이스를 통해 동작을 수행하게 하는 것을 포함한다.
도 19 는 예를 들어, 자산 (102) 에 결합된 로컬 분석 디바이스에 의해, 하나 이상의 실행 함수들에 따라 예측 모델을 실행하기 위한 일 예의 방법 (1900) 의 흐름도를 도시한다. 블록 (1902) 에서, 방법 (1900) 은 로컬 분석 디바이스에 의해, 실행되어야 하는 예측 모델을 식별하는 것을 수반할 수도 있다. 블록 (1904) 에서, 방법 (1900) 은 식별된 예측 모델에 대응하는 하나 이상의 실행 기능들에 기초하여, 로컬 분석 디바이스가 예측 모델을 실행해야 하는지 여부를 결정하는 것을 수반할 수도 있다. 블록 (1906) 에서, 방법 (1900) 은 로컬 분석 디바이스가 예측 모델을 실행해야 할 경우, 로컬 분석 디바이스에 의해, 로컬 분석 디바이스의 자산 인터페이스를 통해 수신된 자산에 대한 동작 데이터에 기초하여 예측 모델을 실행하는 것을 수반할 수도 있다. 블록 (1908) 에서, 방법 (1900) 은 그렇지 않을 경우에, 로컬 분석 디바이스에 의해, (i) 컴퓨팅 시스템이 예측 모델을 실행하기 위한 명령, 및 (ii) 자산 인터페이스를 통해 수신된 자산에 대한 동작 데이터를, 로컬 분석 디바이스의 네트워크 인터페이스를 통해, 로컬 분석 디바이스로부터 원격으로 위치된 자산의 동작 조건들을 모니터링하도록 구성된 컴퓨팅 시스템으로 송신하는 것을 수반할 수도 있다.
도 20 은 분석 시스템 (108) 에 의해 수행될 수도 있는, 예측 모델 및 대응하는 실행 함수를 정의하고 예측 모델을 실행하기 위한 일 예의 방법 (2000) 의 흐름도를 도시한다. 블록 (2002) 에서, 방법 (2000) 은 분석 시스템 (108) 이 자산의 동작에 관련된 이전에-정의된 예측 모델에 대응하는 하나 이상의 실행 함수들을 정의하는 것을 수반할 수도 있다. 블록 (2004) 에서, 방법 (2000) 은 분석 시스템 (108) 이 정의된 하나 이상의 실행 함수들을, 자산에 결합된 로컬 분석 디바이스로 송신하는 것을 수반할 수도 있다. 블록 (2006) 에서, 방법 (2000) 은 분석 시스템 (108) 이 로컬 분석 디바이스로부터, (i) 로컬 분석 디바이스가 하나 이상의 실행 함수들을 실행하는 것에 기초하여, 분석 시스템 (108) 이 이전에-정의된 예측 모델을 실행하기 위한 명령, 및 (ii) 자산에 대한 동작 데이터를 수신하는 것을 수반할 수도 있다. 블록 (2008) 에서, 방법 (2000) 은 분석 시스템 (108) 이 수신된 동작 데이터를 사용하여 이전에-정의된 예측 모델을 실행하는 것을 수반할 수도 있다. 블록 (2010) 에서, 방법 (2000) 은 분석 시스템 (108) 이 예측 모델의 실행의 결과를 로컬 분석 디바이스로 송신하는 것을 수반할 수도 있다.
VI. 결론
개시된 혁신들의 일 예의 실시형태들은 위에서 설명되었다. 그러나, 당해 분야의 당업자들은 청구항들에 의해 정의될 본 발명의 진정한 범위 및 사상으로부터 이탈하지 않으면서, 변경들 및 수정들이 실시형태들에 대해 행해질 수도 있다는 것을 이해할 것이다.
또한, 본원에서 설명된 예들이 "인간들", "조작자들", "사용자들", 또는 다른 엔티티들과 같은 행위자들에 의해 수행되거나 개시된 동작들을 수반하는 한도까지, 이것은 오직 예 및 설명의 목적들을 위한 것이다. 청구항들은 청구항 언어로 명시적으로 인용되지 않으면, 이러한 행위자들에 의한 액션을 요구하는 것으로서 해석되지 않아야 한다.

Claims (40)

  1. 컴퓨팅 시스템으로서,
    적어도 하나의 프로세서;
    비-일시적 컴퓨터-판독가능 매체; 및
    상기 비-일시적 컴퓨터-판독가능 매체 상에 저장된 프로그램 명령들을 포함하고, 상기 프로그램 명령들은, 상기 컴퓨팅 시스템으로 하여금,
    자산의 동작에 관련되는 예측 모델 및 대응하는 작업흐름을 정의하게 하고;
    상기 예측 모델 및 대응하는 작업흐름을 로컬 실행을 위하여 상기 자산으로 송신하게 하고;
    상기 자산이 상기 예측 모델 또는 상기 대응하는 작업흐름 중의 적어도 하나를 로컬 실행을 행하고 있다는 표시를 검출하게 하고; 그리고
    상기 검출된 표시에 기초하여, 상기 예측 모델 또는 상기 대응하는 작업흐름 중의 적어도 하나의 상기 컴퓨팅 시스템에 의한 중앙 실행을 수정하게 하도록, 상기 적어도 하나의 프로세서에 의해 실행가능한, 컴퓨팅 시스템.
  2. 제 1 항에 있어서,
    상기 표시를 검출하는 것은,
    상기 자산에 대한 데이터를 수신하는 것; 및
    상기 수신된 데이터의 특성을 검출하는 것을 포함하는, 컴퓨팅 시스템.
  3. 제 2 항에 있어서,
    상기 수신된 데이터의 상기 특성을 검출하는 것은 상기 수신된 데이터의 타입에서의 변경을 검출하는 것을 포함하는, 컴퓨팅 시스템.
  4. 제 3 항에 있어서,
    상기 수신된 데이터는 복수의 센서들 또는 복수의 액츄에이터들 중의 적어도 하나에 의해 생성된 데이터를 포함하고, 상기 수신된 데이터의 상기 타입에서의 상기 변경을 검출하는 것은 상기 데이터를 생성하였던 상기 복수의 센서들 또는 상기 복수의 액츄에이터들 중의 상기 적어도 하나에서의 변경을 검출하는 것을 포함하는, 컴퓨팅 시스템.
  5. 제 2 항에 있어서,
    상기 수신된 데이터의 상기 특성을 검출하는 것은 상기 수신된 데이터의 양에서의 변경을 검출하는 것을 포함하는, 컴퓨팅 시스템.
  6. 제 2 항에 있어서,
    상기 수신된 데이터의 상기 특성을 검출하는 것은 상기 수신된 데이터가 수신되는 주파수에서의 변경을 검출하는 것을 포함하는, 컴퓨팅 시스템.
  7. 제 2 항에 있어서,
    상기 수신된 데이터는 복수의 센서들 또는 복수의 액츄에이터들 중의 적어도 하나에 의해 생성된 데이터를 포함하고, 상기 수신된 데이터의 특성을 검출하는 것은 상기 데이터를 생성하였던 상기 복수의 센서들의 소정의 센서 또는 상기 복수의 액츄에이터들의 소정의 액츄에이터 중의 하나를 식별하는 식별자를 검출하는 것을 포함하는, 컴퓨팅 시스템.
  8. 제 1 항에 있어서,
    상기 표시는 상기 자산이 적어도 상기 예측 모델을 로컬 실행을 행하고 있다는 표시를 포함하고, 상기 예측 모델 또는 상기 대응하는 작업흐름 중의 적어도 하나의 상기 컴퓨팅 시스템에 의한 상기 중앙 실행을 수정하는 것은 적어도 상기 예측 모델의 상기 컴퓨팅 시스템에 의한 상기 중앙 실행을 수정하는 것을 포함하는, 컴퓨팅 시스템.
  9. 제 8 항에 있어서,
    상기 예측 모델의 상기 컴퓨팅 시스템에 의한 상기 중앙 실행을 수정하는 것은 상기 예측 모델을 실행하는 것을 중단시키는 것을 포함하는, 컴퓨팅 시스템.
  10. 제 1 항에 있어서,
    상기 프로그램 명령들은, 상기 컴퓨팅 시스템으로 하여금,
    상기 자산 및 상기 컴퓨팅 시스템을 통신가능하게 결합하는 통신 네트워크의 특성을 결정하게 하고; 그리고
    상기 통신 네트워크의 상기 결정된 특성에 기초하여, 상기 예측 모델 또는 상기 대응하는 작업흐름 중의 적어도 하나의 상기 컴퓨팅 시스템에 의한 중앙 실행을 수정하게 하도록 실행가능한 명령들을 더 포함하는, 컴퓨팅 시스템.
  11. 제 10 항에 있어서,
    통신의 상기 결정된 특성은 신호 강도인, 컴퓨팅 시스템.
  12. 명령들이 저장된 비-일시적 컴퓨터-판독가능 매체로서,
    상기 명령들은, 컴퓨팅 시스템으로 하여금,
    자산의 동작에 관련되는 예측 모델 및 대응하는 작업흐름을 정의하게 하고;
    상기 예측 모델 및 대응하는 작업흐름을 로컬 실행을 위하여 상기 자산으로 송신하게 하고;
    상기 자산이 상기 예측 모델 또는 상기 대응하는 작업흐름 중의 적어도 하나를 로컬 실행을 행하고 있다는 표시를 검출하게 하고; 그리고
    상기 검출된 표시에 기초하여, 상기 예측 모델 또는 상기 대응하는 작업흐름 중의 적어도 하나의 상기 컴퓨팅 시스템에 의한 중앙 실행을 수정하게 하도록 실행가능한, 비-일시적 컴퓨터-판독가능 매체.
  13. 제 12 항에 있어서,
    상기 표시를 검출하는 것은,
    상기 자산에 대한 데이터를 수신하는 것; 및
    상기 수신된 데이터의 특성을 검출하는 것을 포함하는, 비-일시적 컴퓨터-판독가능 매체.
  14. 제 13 항에 있어서,
    상기 수신된 데이터의 상기 특성을 검출하는 것은 상기 수신된 데이터의 타입에서의 변경을 검출하는 것을 포함하는, 비-일시적 컴퓨터-판독가능 매체.
  15. 제 14 항에 있어서,
    상기 수신된 데이터는 복수의 센서들에 의해 생성된 센서 데이터를 포함하고, 상기 수신된 데이터의 상기 타입에서의 상기 변경을 검출하는 것은 상기 센서 데이터를 생성하였던 상기 복수의 센서들에서의 변경을 검출하는 것을 포함하는, 비-일시적 컴퓨터-판독가능 매체.
  16. 제 13 항에 있어서,
    상기 수신된 데이터의 상기 특성을 검출하는 것은 상기 수신된 데이터의 양에서의 변경을 검출하는 것을 포함하는, 비-일시적 컴퓨터-판독가능 매체.
  17. 제 13 항에 있어서,
    상기 수신된 데이터의 상기 특성을 검출하는 것은 상기 수신된 데이터가 수신되는 주파수에서의 변경을 검출하는 것을 포함하는, 비-일시적 컴퓨터-판독가능 매체.
  18. 컴퓨터-구현 방법으로서,
    컴퓨팅 시스템에 의해, 자산의 동작에 관련되는 예측 모델 및 대응하는 작업흐름을 정의하는 단계;
    상기 컴퓨팅 시스템에 의해, 상기 자산에 의한 로컬 실행을 위하여 상기 예측 모델 및 대응하는 작업흐름을 상기 자산으로 송신하는 단계;
    상기 컴퓨팅 시스템에 의해, 상기 자산이 상기 예측 모델 또는 상기 대응하는 작업흐름 중의 적어도 하나를 로컬 실행을 행하고 있다는 표시를 검출하는 단계; 및
    상기 검출된 표시에 기초하여, 상기 예측 모델 또는 상기 대응하는 작업흐름 중의 적어도 하나의 상기 컴퓨팅 시스템에 의한 중앙 실행을 수정하는 단계를 포함하는, 컴퓨터-구현 방법.
  19. 제 18 항에 있어서,
    상기 표시는 상기 자산이 적어도 상기 예측 모델을 로컬 실행을 행하고 있다는 표시를 포함하고, 상기 예측 모델 또는 상기 대응하는 작업흐름 중의 적어도 하나의 상기 컴퓨팅 시스템에 의한 상기 중앙 실행을 수정하는 단계는 적어도 상기 예측 모델의 상기 컴퓨팅 시스템에 의한 상기 중앙 실행을 수정하는 단계를 포함하는, 컴퓨터-구현 방법.
  20. 제 19 항에 있어서,
    상기 예측 모델의 상기 컴퓨팅 시스템에 의한 상기 중앙 실행을 수정하는 단계는 상기 예측 모델을 실행하는 것을 중단시키는 단계를 포함하는, 컴퓨터-구현 방법.
  21. 자산의 동작 조건들을 모니터링하도록 구성된 로컬 분석 디바이스로서,
    상기 로컬 분석 디바이스를 상기 자산에 결합하도록 구성된 자산 인터페이스;
    (i) 상기 자산의 동작 조건들을 모니터링하도록 구성되고, (ii) 상기 로컬 분석 디바이스로부터 원격으로 위치된 컴퓨팅 디바이스와 상기 로컬 분석 디바이스 사이의 통신을 가능하게 하도록 구성된 네트워크 인터페이스;
    적어도 하나의 프로세서;
    비-일시적 컴퓨터-판독가능 매체; 및
    상기 비-일시적 컴퓨터-판독가능 매체 상에 저장된 프로그램 명령들을 포함하고, 상기 프로그램 명령들은, 상기 로컬 분석 디바이스로 하여금,
    실행되어야 하는 상기 자산의 동작에 관련되는 예측 모델을 식별하게 하고;
    상기 식별된 예측 모델에 대응하는 하나 이상의 실행 함수들에 기초하여, 상기 로컬 분석 디바이스가 상기 예측 모델을 실행해야 하는지 여부를 결정하게 하고;
    상기 로컬 분석 디바이스가 상기 예측 모델을 실행해야 할 경우, 상기 자산 인터페이스를 통해 수신된 상기 자산에 대한 동작 데이터에 기초하여 상기 예측 모델을 실행하게 하고; 그리고
    그렇지 않을 경우, (i) 상기 컴퓨팅 시스템이 상기 예측 모델을 실행하기 위한 명령, 및 (ii) 상기 자산 인터페이스를 통해 수신된 상기 자산에 대한 동작 데이터를, 상기 네트워크 인터페이스를 통해, 상기 컴퓨팅 시스템으로 송신하게 하도록, 상기 적어도 하나의 프로세서에 의해 실행가능한, 자산의 동작 조건들을 모니터링하도록 구성된 로컬 분석 디바이스.
  22. 제 21 항에 있어서,
    상기 식별된 예측 모델은 제 1 예측 모델이고, 상기 비-일시적 컴퓨터-판독가능 매체 상에 저장된 상기 프로그램 명령들은, 상기 로컬 분석 디바이스로 하여금,
    상기 제 1 예측 모델을 식별하기 전에, 상기 컴퓨팅 시스템으로부터, 상기 네트워크 인터페이스를 통해, 상기 제 1 예측 모델을 포함하는 복수의 예측 모델들을 수신하게 하도록, 상기 적어도 하나의 프로세서에 의해 추가로 실행가능하고, 상기 복수의 예측 모델들의 각각은 특정한 고장이 미래의 소정의 시간의 주기 내에서 상기 자산에서 발생할 가능성에 대응하는, 자산의 동작 조건들을 모니터링하도록 구성된 로컬 분석 디바이스.
  23. 제 21 항에 있어서,
    상기 하나 이상의 실행 함수들은 상기 로컬 분석 디바이스에 대한 제 1 성능 점수 함수 및 상기 컴퓨팅 시스템에 대한 제 2 성능 점수 함수를 포함하고, 상기 로컬 분석 디바이스가 상기 예측 모델을 실행해야 하는지 여부를 결정하는 것은 상기 로컬 분석 디바이스에 대한 제 1 성능 점수 및 상기 컴퓨팅 시스템에 대한 제 2 성능 점수에 기초하는, 자산의 동작 조건들을 모니터링하도록 구성된 로컬 분석 디바이스.
  24. 제 23 항에 있어서,
    상기 제 1 성능 점수는 상기 로컬 분석 디바이스가 상기 예측 모델을 실행하는 것과 연관된 제 1 예상된 값을 포함하고, 상기 제 2 성능 점수는 상기 컴퓨팅 시스템이 상기 예측 모델을 실행하는 것과 연관된 제 2 예상된 값을 포함하는, 자산의 동작 조건들을 모니터링하도록 구성된 로컬 분석 디바이스.
  25. 제 23 항에 있어서,
    상기 로컬 분석 디바이스가 상기 예측 모델을 실행해야 하는지 여부를 결정하는 것은,
    (i) 상기 제 1 성능 점수를 결정하기 위한 상기 제 1 성능 점수 함수, 및 (ii) 상기 제 2 성능 점수를 결정하기 위한 상기 제 2 성능 점수 함수를 실행하는 것; 및
    상기 제 1 성능 점수를 상기 제 2 성능 점수와 비교하는 것을 포함하는, 자산의 동작 조건들을 모니터링하도록 구성된 로컬 분석 디바이스.
  26. 제 25 항에 있어서,
    상기 로컬 분석 디바이스가 상기 예측 모델을 실행해야 하는지 여부를 결정하는 것은,
    상기 비교에 기초하여, 상기 제 1 성능 점수가 상기 제 2 성능 점수 이상일 때, 상기 예측 모델이 상기 로컬 분석 디바이스에 의해 실행되어야 하는 것으로 결정하는 것을 포함하는, 자산의 동작 조건들을 모니터링하도록 구성된 로컬 분석 디바이스.
  27. 제 25 항에 있어서,
    상기 로컬 분석 디바이스가 상기 예측 모델을 실행해야 하는지 여부를 결정하는 것은,
    상기 비교에 기초하여, 상기 제 1 성능 점수가 임계량을 초과한 것만큼 상기 제 2 성능 점수보다 더 클 때, 상기 예측 모델이 상기 로컬 분석 디바이스에 의해 실행되어야 하는 것으로 결정하는 것을 포함하는, 자산의 동작 조건들을 모니터링하도록 구성된 로컬 분석 디바이스.
  28. 제 25 항에 있어서,
    상기 비-일시적 컴퓨터-판독가능 매체 상에 저장된 상기 프로그램 명령들은, 상기 로컬 분석 디바이스로 하여금,
    상기 로컬 분석 디바이스가 상기 예측 모델을 실행해야 하는지 여부를 결정하기 전에, 상기 컴퓨팅 시스템으로부터, 상기 네트워크 인터페이스를 통해, 상기 제 1 및 제 2 성능 점수 함수들을 수신하게 하도록, 상기 적어도 하나의 프로세서에 의해 추가로 실행가능하고, 상기 제 1 및 제 2 성능 점수 함수들은 상기 식별된 예측 모델에 대응하고, 상기 컴퓨팅 시스템에 의해 정의되는, 자산의 동작 조건들을 모니터링하도록 구성된 로컬 분석 디바이스.
  29. 제 21 항에 있어서,
    상기 자산 인터페이스를 통해 수신된 상기 자산에 대한 상기 동작 데이터는 (i) 상기 자산의 적어도 하나의 센서, (ii) 상기 자산의 적어도 하나의 액츄에이터, 또는 (iii) 상기 자산의 적어도 하나의 센서 및 상기 자산의 적어도 하나의 액츄에이터로부터의 신호 데이터를 포함하는, 자산의 동작 조건들을 모니터링하도록 구성된 로컬 분석 디바이스.
  30. 제 21 항에 있어서,
    상기 비-일시적 컴퓨터-판독가능 매체 상에 저장된 상기 프로그램 명령들은, 상기 로컬 분석 디바이스로 하여금,
    상기 로컬 분석 디바이스가 상기 예측 모델을 실행해야 하는지 여부를 결정하기 전에, 하나 이상의 동적 인자들에 기초하여 상기 하나 이상의 실행 함수들을 수정하게 하도록, 상기 적어도 하나의 프로세서에 의해 추가로 실행가능한, 자산의 동작 조건들을 모니터링하도록 구성된 로컬 분석 디바이스.
  31. 제 30 항에 있어서,
    상기 로컬 분석 디바이스 및 상기 컴퓨팅 시스템은 광역 네트워크를 통해 통신가능하게 결합되고, 상기 하나 이상의 동적 인자들은 (i) 상기 하나 이상의 실행 함수들에 대한 업데이트 이후로의 시간의 양, (ii) 상기 예측 모델에 대한 업데이트 이후로의 시간의 양, 또는 (iii) 상기 광역 네트워크의 하나 이상의 네트워크 조건들 중의 적어도 하나를 포함하는, 자산의 동작 조건들을 모니터링하도록 구성된 로컬 분석 디바이스.
  32. 명령들이 저장된 비-일시적 컴퓨터-판독가능 매체로서,
    상기 명령들은, 자산에 결합된 로컬 분석 디바이스로 하여금, 상기 로컬 분석 디바이스의 자산 인터페이스를 통해,
    실행되어야 하는 상기 자산의 동작에 관련되는 예측 모델을 식별하게 하고;
    상기 식별된 예측 모델에 대응하는 하나 이상의 실행 함수들에 기초하여, 상기 로컬 분석 디바이스가 상기 예측 모델을 실행해야 하는지 여부를 결정하게 하고;
    상기 로컬 분석 디바이스가 상기 예측 모델을 실행해야 할 경우, 상기 자산 인터페이스를 통해 수신된 상기 자산에 대한 동작 데이터에 기초하여 상기 예측 모델을 실행하게 하고; 그리고
    그렇지 않을 경우, (i) 컴퓨팅 시스템이 상기 예측 모델을 실행하기 위한 명령, 및 (ii) 상기 자산 인터페이스를 통해 수신된 상기 자산에 대한 동작 데이터를, 상기 자산의 동작 조건들을 모니터링하도록 구성되고 상기 로컬 분석 디바이스에 무선으로 통신가능하게 결합된 상기 컴퓨팅 시스템으로 송신하게 하도록 실행가능한, 비-일시적 컴퓨터-판독가능 매체.
  33. 제 32 항에 있어서,
    상기 로컬 분석 디바이스가 상기 예측 모델을 실행해야 하는지 여부를 결정하는 것은,
    (i) 상기 로컬 분석 디바이스에 대한 제 1 성능 점수를 결정하기 위한 제 1 성능 점수 함수, 및 (ii) 상기 컴퓨팅 시스템에 대한 제 2 성능 점수를 결정하기 위한 제 2 성능 점수 함수를 실행하는 것; 및
    상기 제 1 성능 점수를 상기 제 2 성능 점수와 비교하는 것을 포함하는, 비-일시적 컴퓨터-판독가능 매체.
  34. 제 33 항에 있어서,
    상기 로컬 분석 디바이스가 상기 예측 모델을 실행해야 하는지 여부를 결정하는 것은,
    상기 비교에 기초하여, 상기 제 1 성능 점수가 상기 제 2 성능 점수 이상일 때, 상기 예측 모델이 상기 로컬 분석 디바이스에 의해 실행되어야 하는 것으로 결정하는 것을 포함하는, 비-일시적 컴퓨터-판독가능 매체.
  35. 제 33 항에 있어서,
    상기 로컬 분석 디바이스가 상기 예측 모델을 실행해야 하는지 여부를 결정하는 것은,
    상기 비교에 기초하여, 상기 제 1 성능 점수가 임계량을 초과한 것만큼 상기 제 2 성능 점수보다 더 클 때, 상기 예측 모델이 상기 로컬 분석 디바이스에 의해 실행되어야 하는 것으로 결정하는 것을 포함하는, 비-일시적 컴퓨터-판독가능 매체.
  36. 제 32 항에 있어서,
    상기 명령들은, 상기 로컬 분석 디바이스로 하여금,
    상기 로컬 분석 디바이스가 상기 예측 모델을 실행해야 하는지 여부를 결정하기 전에, 하나 이상의 동적 인자들에 기초하여 상기 하나 이상의 실행 함수들을 수정하게 하도록 추가로 실행가능한, 비-일시적 컴퓨터-판독가능 매체.
  37. 제 36 항에 있어서,
    상기 로컬 분석 디바이스 및 상기 컴퓨팅 시스템은 광역 네트워크를 통해 무선으로 통신가능하게 결합되고, 상기 하나 이상의 동적 인자들은 (i) 상기 하나 이상의 실행 함수들에 대한 업데이트 이후로의 시간의 양, (ii) 상기 예측 모델에 대한 업데이트 이후로의 시간의 양, 또는 (iii) 상기 광역 네트워크의 하나 이상의 네트워크 조건들 중의 적어도 하나를 포함하는, 비-일시적 컴퓨터-판독가능 매체.
  38. 로컬 분석 디바이스에 결합된 자산의 동작에 관련된 예측 모델의 최적의 실행을 가능하게 하기 위한 방법으로서,
    상기 로컬 분석 디바이스에 의해, 실행되어야 하는 상기 예측 모델을 식별하는 단계;
    상기 식별된 예측 모델에 대응하는 하나 이상의 실행 함수들에 기초하여, 상기 로컬 분석 디바이스가 상기 예측 모델을 실행해야 하는지 여부를 결정하는 단계;
    상기 로컬 분석 디바이스가 상기 예측 모델을 실행해야 할 경우, 상기 로컬 분석 디바이스에 의해, 상기 로컬 분석 디바이스의 자산 인터페이스를 통해 수신된 상기 자산에 대한 동작 데이터에 기초하여 상기 예측 모델을 실행하는 단계; 및
    그렇지 않을 경우, 상기 로컬 분석 디바이스에 의해, (i) 컴퓨팅 시스템이 상기 예측 모델을 실행하기 위한 명령, 및 (ii) 상기 자산 인터페이스를 통해 수신된 상기 자산에 대한 동작 데이터를, 상기 로컬 분석 디바이스의 네트워크 인터페이스를 통해, 상기 로컬 분석 디바이스로부터 원격으로 위치된 상기 자산의 동작 조건들을 모니터링하도록 구성된 상기 컴퓨팅 시스템으로 송신하는 단계를 포함하는, 예측 모델의 최적의 실행을 가능하게 하기 위한 방법.
  39. 제 38 항에 있어서,
    상기 로컬 분석 디바이스가 상기 예측 모델을 실행해야 하는지 여부를 결정하기 전에, 하나 이상의 동적 인자들에 기초하여 상기 하나 이상의 실행 함수들을 수정하는 단계를 더 포함하는, 예측 모델의 최적의 실행을 가능하게 하기 위한 방법.
  40. 제 38 항에 있어서,
    상기 로컬 분석 디바이스가 상기 예측 모델을 실행해야 하는지 여부를 결정하는 단계는,
    (i) 상기 로컬 분석 디바이스에 대한 제 1 성능 점수를 결정하기 위한 제 1 성능 점수 함수, 및 (ii) 상기 컴퓨팅 시스템에 대한 제 2 성능 점수를 결정하기 위한 제 2 성능 점수 함수를 실행하는 단계; 및
    상기 제 1 성능 점수를 상기 제 2 성능 점수와 비교하는 단계를 포함하는, 예측 모델의 최적의 실행을 가능하게 하기 위한 방법.
KR1020187001579A 2015-06-19 2016-06-18 예측 모델들의 동적 실행 KR20180010321A (ko)

Applications Claiming Priority (7)

Application Number Priority Date Filing Date Title
US14/744,362 US10176279B2 (en) 2015-06-05 2015-06-19 Dynamic execution of predictive models and workflows
US14/744,362 2015-06-19
US14/963,207 2015-12-08
US14/963,207 US10254751B2 (en) 2015-06-05 2015-12-08 Local analytics at an asset
US15/185,524 US10579750B2 (en) 2015-06-05 2016-06-17 Dynamic execution of predictive models
US15/185,524 2016-06-17
PCT/US2016/038261 WO2016205766A1 (en) 2015-06-19 2016-06-18 Dynamic execution of predictive models

Publications (1)

Publication Number Publication Date
KR20180010321A true KR20180010321A (ko) 2018-01-30

Family

ID=57546590

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020187001579A KR20180010321A (ko) 2015-06-19 2016-06-18 예측 모델들의 동적 실행

Country Status (9)

Country Link
US (1) US10579750B2 (ko)
EP (1) EP3311276A4 (ko)
JP (1) JP2018524704A (ko)
KR (1) KR20180010321A (ko)
CN (1) CN107851057A (ko)
AU (1) AU2016279079A1 (ko)
CA (1) CA2990010A1 (ko)
HK (1) HK1251689A1 (ko)
WO (1) WO2016205766A1 (ko)

Families Citing this family (29)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10417076B2 (en) 2014-12-01 2019-09-17 Uptake Technologies, Inc. Asset health score
US10776706B2 (en) * 2016-02-25 2020-09-15 Honeywell International Inc. Cost-driven system and method for predictive equipment failure detection
EP3497625A1 (en) * 2016-08-11 2019-06-19 Twitter, Inc. Aggregate features for machine learning
US10769549B2 (en) * 2016-11-21 2020-09-08 Google Llc Management and evaluation of machine-learned models based on locally logged data
US10956821B2 (en) * 2016-11-29 2021-03-23 International Business Machines Corporation Accurate temporal event predictive modeling
US10379898B2 (en) * 2017-03-24 2019-08-13 International Business Machines Corporation Virtual machine consolidation
US10423473B2 (en) * 2017-04-18 2019-09-24 United Technologies Corporation Fault-accommodating, constrained model-based control using on-board methods for detection of and adaption to actuation subsystem faults
WO2018210876A1 (en) * 2017-05-16 2018-11-22 Tellmeplus Process and system for remotely generating and transmitting a local device state predicting method
JP6844468B2 (ja) * 2017-08-09 2021-03-17 富士通株式会社 データ生成プログラム、データ生成方法及びデータ生成装置
US10721142B1 (en) * 2018-03-08 2020-07-21 Palantir Technologies Inc. Computer network troubleshooting
US11474485B2 (en) 2018-06-15 2022-10-18 Johnson Controls Tyco IP Holdings LLP Adaptive training and deployment of single chiller and clustered chiller fault detection models for connected chillers
US11859846B2 (en) 2018-06-15 2024-01-02 Johnson Controls Tyco IP Holdings LLP Cost savings from fault prediction and diagnosis
US10984154B2 (en) * 2018-12-27 2021-04-20 Utopus Insights, Inc. System and method for evaluating models for predictive failure of renewable energy assets
US11084387B2 (en) * 2019-02-25 2021-08-10 Toyota Research Institute, Inc. Systems, methods, and storage media for arranging a plurality of cells in a vehicle battery pack
CN109947079A (zh) * 2019-03-20 2019-06-28 阿里巴巴集团控股有限公司 基于边缘计算的区域异常检测方法和边缘计算设备
US11188068B2 (en) * 2019-03-21 2021-11-30 Robert Bosch Llc Monitoring of an operational process using a fault prediction model
US11288601B2 (en) * 2019-03-21 2022-03-29 International Business Machines Corporation Self-learning selection of information-analysis runtimes
US11544580B2 (en) * 2019-08-07 2023-01-03 Precognize Ltd. Methods and systems for improving asset operation based on identification of significant changes in sensor combinations in related events
CN110765098B (zh) * 2019-09-02 2020-10-02 望海康信(北京)科技股份公司 流程运行预测系统及方法
EP3796109A1 (en) 2019-09-18 2021-03-24 Siemens Aktiengesellschaft System, apparatus and method for predicting attributes of an asset
CN111027217B (zh) * 2019-12-11 2023-03-24 中国船舶重工集团海装风电股份有限公司 一种风电机组载荷计算方法、装置、设备及存储介质
US12039467B2 (en) * 2020-05-20 2024-07-16 Caterpillar Inc. Collaborative system and method for validating equipment failure models in an analytics crowdsourcing environment
EP3916555A1 (de) * 2020-05-27 2021-12-01 Gestalt Robotics GmbH Verfahren und vorrichtungen zur latenzkompensation
EP3923214A1 (en) 2020-06-08 2021-12-15 ABB Power Grids Switzerland AG Method and computing system for performing a prognostic health analysis for an asset
US20220187819A1 (en) * 2020-12-10 2022-06-16 Hitachi, Ltd. Method for event-based failure prediction and remaining useful life estimation
US11378032B1 (en) * 2021-03-26 2022-07-05 Caterpillar Inc. Method and system for moving horizon estimation for machine control
JP2023090412A (ja) * 2021-12-17 2023-06-29 株式会社日立産機システム 通信システム、管理装置及び端末
US12061465B2 (en) 2022-02-25 2024-08-13 Bank Of America Corporation Automatic system anomaly detection
US12007832B2 (en) 2022-02-25 2024-06-11 Bank Of America Corporation Restoring a system by load switching to an alternative cloud instance and self healing

Family Cites Families (154)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5633800A (en) 1992-10-21 1997-05-27 General Electric Company Integrated model-based reasoning/expert system diagnosis for rotating machinery
US5566092A (en) 1993-12-30 1996-10-15 Caterpillar Inc. Machine fault diagnostics system and method
JP3366837B2 (ja) 1997-08-15 2003-01-14 株式会社小松製作所 機械の異常監視装置および方法
US6473659B1 (en) 1998-04-10 2002-10-29 General Electric Company System and method for integrating a plurality of diagnostic related information
US6336065B1 (en) 1999-10-28 2002-01-01 General Electric Company Method and system for analyzing fault and snapshot operational parameter data for diagnostics of machine malfunctions
US6947797B2 (en) 1999-04-02 2005-09-20 General Electric Company Method and system for diagnosing machine malfunctions
US6622264B1 (en) 1999-10-28 2003-09-16 General Electric Company Process and system for analyzing fault log data from a machine so as to identify faults predictive of machine failures
US20110208567A9 (en) 1999-08-23 2011-08-25 Roddy Nicholas E System and method for managing a fleet of remote assets
US7783507B2 (en) 1999-08-23 2010-08-24 General Electric Company System and method for managing a fleet of remote assets
US6442542B1 (en) 1999-10-08 2002-08-27 General Electric Company Diagnostic system with learning capabilities
US6615367B1 (en) 1999-10-28 2003-09-02 General Electric Company Method and apparatus for diagnosing difficult to diagnose faults in a complex system
US7020595B1 (en) 1999-11-26 2006-03-28 General Electric Company Methods and apparatus for model based diagnostics
US6650949B1 (en) 1999-12-30 2003-11-18 General Electric Company Method and system for sorting incident log data from a plurality of machines
US6634000B1 (en) 2000-02-01 2003-10-14 General Electric Company Analyzing fault logs and continuous data for diagnostics for a locomotive
US6725398B1 (en) 2000-02-11 2004-04-20 General Electric Company Method, system, and program product for analyzing a fault log of a malfunctioning machine
US20030126258A1 (en) 2000-02-22 2003-07-03 Conkright Gary W. Web based fault detection architecture
US6957172B2 (en) 2000-03-09 2005-10-18 Smartsignal Corporation Complex signal decomposition and modeling
AU4012701A (en) 2000-03-09 2001-09-17 Smartsignal Corp Generalized lensing angular similarity operator
US7739096B2 (en) 2000-03-09 2010-06-15 Smartsignal Corporation System for extraction of representative data for training of adaptive process monitoring equipment
US6952662B2 (en) 2000-03-30 2005-10-04 Smartsignal Corporation Signal differentiation system using improved non-linear operator
US6799154B1 (en) 2000-05-25 2004-09-28 General Electric Comapny System and method for predicting the timing of future service events of a product
US6983207B2 (en) 2000-06-16 2006-01-03 Ntn Corporation Machine component monitoring, diagnosing and selling system
US6760631B1 (en) 2000-10-04 2004-07-06 General Electric Company Multivariable control method and system without detailed prediction model
US20020091972A1 (en) 2001-01-05 2002-07-11 Harris David P. Method for predicting machine or process faults and automated system for implementing same
US7233886B2 (en) 2001-01-19 2007-06-19 Smartsignal Corporation Adaptive modeling of changed states in predictive condition monitoring
US6859739B2 (en) 2001-01-19 2005-02-22 Smartsignal Corporation Global state change indicator for empirical modeling in condition based monitoring
US7373283B2 (en) 2001-02-22 2008-05-13 Smartsignal Corporation Monitoring and fault detection system and method using improved empirical model for range extrema
US7539597B2 (en) 2001-04-10 2009-05-26 Smartsignal Corporation Diagnostic systems and methods for predictive condition monitoring
US20020183971A1 (en) 2001-04-10 2002-12-05 Wegerich Stephan W. Diagnostic systems and methods for predictive condition monitoring
US6643600B2 (en) 2001-04-26 2003-11-04 General Electric Company Method and system for assessing adjustment factors in testing or monitoring process
WO2002090669A1 (fr) 2001-05-08 2002-11-14 Hitachi Construction Machinery Co., Ltd Machine-outil, son systeme de diagnostic de panne et son systeme d'entretien
US7107491B2 (en) 2001-05-16 2006-09-12 General Electric Company System, method and computer product for performing automated predictive reliability
US6975962B2 (en) 2001-06-11 2005-12-13 Smartsignal Corporation Residual signal alert generation for condition monitoring using approximated SPRT distribution
US7428478B2 (en) 2001-08-17 2008-09-23 General Electric Company System and method for improving accuracy of baseline models
US7457732B2 (en) 2001-08-17 2008-11-25 General Electric Company System and method for measuring quality of baseline modeling techniques
EP1468361A1 (en) 2001-12-19 2004-10-20 Netuitive Inc. Method and system for analyzing and predicting the behavior of systems
US6892163B1 (en) 2002-03-08 2005-05-10 Intellectual Assets Llc Surveillance system and method having an adaptive sequential probability fault detection test
US7660705B1 (en) 2002-03-19 2010-02-09 Microsoft Corporation Bayesian approach for learning regression decision graph models and regression models for time series analysis
US8176186B2 (en) 2002-10-30 2012-05-08 Riverbed Technology, Inc. Transaction accelerator for client-server communications systems
CA2505026C (en) 2002-11-04 2013-04-09 Smartsignal Corporation System state monitoring using recurrent local learning machine
US6823253B2 (en) 2002-11-27 2004-11-23 General Electric Company Methods and apparatus for model predictive control of aircraft gas turbine engines
JP4333331B2 (ja) 2002-12-20 2009-09-16 セイコーエプソン株式会社 故障予測システム及び故障予測プログラム並びに故障予測方法
US20040243636A1 (en) 2003-03-18 2004-12-02 Smartsignal Corporation Equipment health monitoring architecture for fleets of assets
US7634384B2 (en) 2003-03-18 2009-12-15 Fisher-Rosemount Systems, Inc. Asset optimization reporting in a process plant
US7054706B2 (en) 2003-06-30 2006-05-30 Intel Corporation Managing supply chains with model predictive control
WO2005008404A2 (en) 2003-07-11 2005-01-27 Computer Associates Think, Inc. Modeling of applications and business process services through auto discovery analysis
US7181370B2 (en) 2003-08-26 2007-02-20 Siemens Energy & Automation, Inc. System and method for remotely obtaining and managing machine data
US7127371B2 (en) 2003-10-08 2006-10-24 Ge Medical Systems Information Customized medical equipment preventative maintenance method and system
AU2003295301A1 (en) 2003-12-23 2005-07-14 Telefonaktiebolaget Lm Ericsson (Publ) Method and system for efficient routing in ad hoc networks
EP1706849B1 (en) 2004-01-09 2018-08-29 United Parcel Service Of America, Inc. System, method and apparatus for collecting telematics and sensor information in a delivery vehicle
US7062370B2 (en) 2004-03-30 2006-06-13 Honeywell International Inc. Model-based detection, diagnosis of turbine engine faults
US7447666B2 (en) 2004-04-09 2008-11-04 The Boeing Company System and method for analyzing a pattern in a time-stamped event sequence
US7280941B2 (en) 2004-12-29 2007-10-09 General Electric Company Method and apparatus for in-situ detection and isolation of aircraft engine faults
US7640145B2 (en) 2005-04-25 2009-12-29 Smartsignal Corporation Automated model configuration and deployment system for equipment health monitoring
US7536364B2 (en) 2005-04-28 2009-05-19 General Electric Company Method and system for performing model-based multi-objective asset optimization and decision-making
US9846479B1 (en) 2005-05-30 2017-12-19 Invent.Ly, Llc Smart security device with monitoring mode and communication mode
EP2998894B1 (en) 2005-07-11 2021-09-08 Brooks Automation, Inc. Intelligent condition monitoring and fault diagnostic system
US7509235B2 (en) 2005-08-31 2009-03-24 General Electric Company Method and system for forecasting reliability of assets
JP4717579B2 (ja) 2005-09-30 2011-07-06 株式会社小松製作所 作業機械のメンテナンス作業管理システム
US7869908B2 (en) 2006-01-20 2011-01-11 General Electric Company Method and system for data collection and analysis
US7509537B1 (en) 2006-02-02 2009-03-24 Rockwell Collins, Inc. Prognostic processor system for real-time failure analysis of line replaceable units
US7496798B2 (en) 2006-02-14 2009-02-24 Jaw Link Data-centric monitoring method
US7693608B2 (en) 2006-04-12 2010-04-06 Edsa Micro Corporation Systems and methods for alarm filtering and management within a real-time data acquisition and monitoring environment
US7949436B2 (en) 2006-05-19 2011-05-24 Oracle America, Inc. Method and apparatus for automatically detecting and correcting misalignment of a semiconductor chip
US20080059120A1 (en) 2006-08-30 2008-03-06 Fei Xiao Using fault history to predict replacement parts
US20080059080A1 (en) 2006-08-31 2008-03-06 Caterpillar Inc. Method and system for selective, event-based communications
US8275577B2 (en) 2006-09-19 2012-09-25 Smartsignal Corporation Kernel-based method for detecting boiler tube leaks
US7725293B2 (en) 2006-12-07 2010-05-25 General Electric Company System and method for equipment remaining life estimation
US8311774B2 (en) 2006-12-15 2012-11-13 Smartsignal Corporation Robust distance measures for on-line monitoring
US7548830B2 (en) 2007-02-23 2009-06-16 General Electric Company System and method for equipment remaining life estimation
US20080221834A1 (en) 2007-03-09 2008-09-11 General Electric Company Method and system for enhanced fault detection workflow
US8145578B2 (en) 2007-04-17 2012-03-27 Eagel View Technologies, Inc. Aerial roof estimation system and method
US8229769B1 (en) 2007-06-13 2012-07-24 United Services Automobile Association Systems and methods for processing overhead imagery
JP5421913B2 (ja) 2007-08-03 2014-02-19 スマートシグナル・コーポレーション 関連するアプリケーションに対する故障パターンマッチング相互参照のためのファジー分類方法
US7919940B2 (en) 2007-10-21 2011-04-05 Ge Intelligent Platforms, Inc. System and method for jerk limited trajectory planning for a path planner
US8050800B2 (en) 2007-10-21 2011-11-01 Ge Intelligent Platforms, Inc. Method and system for meeting end conditions in a motion control system
US7962240B2 (en) 2007-12-20 2011-06-14 Ge Intelligent Platforms, Inc. Methods and systems for synchronizing a control signal of a slave follower with a master source
JP2009206850A (ja) 2008-02-28 2009-09-10 Fuji Xerox Co Ltd 故障診断装置およびプログラム
US8352216B2 (en) 2008-05-29 2013-01-08 General Electric Company System and method for advanced condition monitoring of an asset system
US7756678B2 (en) 2008-05-29 2010-07-13 General Electric Company System and method for advanced condition monitoring of an asset system
US7822578B2 (en) 2008-06-17 2010-10-26 General Electric Company Systems and methods for predicting maintenance of intelligent electronic devices
US8285402B2 (en) 2008-07-14 2012-10-09 Ge Intelligent Platforms, Inc. Method and system for safety monitored terminal block
TWI385492B (zh) * 2008-12-16 2013-02-11 Ind Tech Res Inst 機台設備的維護分析系統及其方法
KR101044074B1 (ko) 2008-12-24 2011-06-27 동국대학교기술지주 주식회사 공간 공개념 기반의 시설 자산 관리 시스템 및 방법
KR20100076708A (ko) 2008-12-26 2010-07-06 한국건설기술연구원 공공시설물 자산관리정보 시스템
WO2010082322A1 (ja) 2009-01-14 2010-07-22 株式会社日立製作所 装置異常監視方法及びシステム
US8024069B2 (en) 2009-01-28 2011-09-20 Ge Intelligent Platforms, Inc. System and method for path planning
US8989887B2 (en) 2009-02-11 2015-03-24 Applied Materials, Inc. Use of prediction data in monitoring actual production targets
JP5370832B2 (ja) * 2009-07-01 2013-12-18 株式会社リコー 状態判別装置及びこれを用いた故障予測システム
CN102844721B (zh) 2010-02-26 2015-11-25 株式会社日立制作所 故障原因诊断系统及其方法
EP2375637A1 (en) 2010-03-22 2011-10-12 British Telecommunications Public Limited Company Network routing adaptation based on failure prediction
CA3173538A1 (en) 2010-05-14 2011-11-17 Joy Global Surface Mining Inc Predictive analysis for remote machine monitoring
US8234420B2 (en) 2010-07-14 2012-07-31 Ge Intelligent Platforms, Inc. Method, system, and apparatus for communicating using multiple controllers
US8532795B2 (en) 2010-10-04 2013-09-10 General Electric Company Method and system for offline code validation
CN103502899B (zh) 2011-01-26 2016-09-28 谷歌公司 动态预测建模平台
US8862938B2 (en) 2011-04-18 2014-10-14 General Electric Company System, method, and apparatus for resolving errors in a system
CA2833779A1 (en) 2011-04-20 2012-10-26 The Cleveland Clinic Foundation Predictive modeling
US8594982B2 (en) 2011-06-09 2013-11-26 Pulsar Informatics, Inc. Systems and methods for distributed calculation of fatigue-risk prediction and optimization
US8620853B2 (en) 2011-07-19 2013-12-31 Smartsignal Corporation Monitoring method using kernel regression modeling with pattern sequences
US8660980B2 (en) 2011-07-19 2014-02-25 Smartsignal Corporation Monitoring system using kernel regression modeling with pattern sequences
US9256224B2 (en) 2011-07-19 2016-02-09 GE Intelligent Platforms, Inc Method of sequential kernel regression modeling for forecasting and prognostics
GB2494416A (en) 2011-09-07 2013-03-13 Rolls Royce Plc Asset Condition Monitoring Using Internal Signals Of The Controller
US8560494B1 (en) 2011-09-30 2013-10-15 Palantir Technologies, Inc. Visual data importer
US9317983B2 (en) 2012-03-14 2016-04-19 Autoconnect Holdings Llc Automatic communication of damage and health in detected vehicle incidents
US8626385B2 (en) 2012-03-15 2014-01-07 Caterpillar Inc. Systems and methods for analyzing machine performance
US9207957B2 (en) * 2012-04-06 2015-12-08 Accenture Global Services Limited Adaptive architecture for a mobile application based on rich application, process, and resource contexts and deployed in resource constrained environments
US9051945B2 (en) 2012-04-30 2015-06-09 Caterpillar Inc. System and method for identifying impending hydraulic pump failure
US8850000B2 (en) 2012-05-08 2014-09-30 Electro-Motive Diesel, Inc. Trigger-based data collection system
US20130325502A1 (en) 2012-06-05 2013-12-05 Ari Robicsek System and method for providing syndrome-specific, weighted-incidence treatment regimen recommendations
US9234750B2 (en) 2012-07-30 2016-01-12 Caterpillar Inc. System and method for operating a machine
US20140060030A1 (en) 2012-08-31 2014-03-06 Caterpillar Inc. Hydraulic accumulator health monitor
US9960929B2 (en) 2012-09-21 2018-05-01 Google Llc Environmental sensing with a doorbell at a smart-home
US20140089035A1 (en) 2012-09-24 2014-03-27 Caterpillar Inc. Mining Operation Control and Review
US9176183B2 (en) 2012-10-15 2015-11-03 GlobalFoundries, Inc. Method and system for wafer quality predictive modeling based on multi-source information with heterogeneous relatedness
US9613413B2 (en) 2012-10-17 2017-04-04 Caterpillar Inc. Methods and systems for determining part wear based on digital image of part
US9139188B2 (en) 2012-11-01 2015-09-22 Caterpillar Inc. Prediction control strategy for hybrid machinery
US20140170617A1 (en) 2012-12-19 2014-06-19 Caterpillar Inc. Monitoring System for a Machine
US9151681B2 (en) 2012-12-19 2015-10-06 Progress Rail Services Corporation Temperature detector having different types of independent sensors
US20140188778A1 (en) 2012-12-27 2014-07-03 General Electric Company Computer-Implemented System for Detecting Anomaly Conditions in a Fleet of Assets and Method of Using the Same
US8918246B2 (en) 2012-12-27 2014-12-23 Caterpillar Inc. Augmented reality implement control
US20140184643A1 (en) 2012-12-27 2014-07-03 Caterpillar Inc. Augmented Reality Worksite
US9217999B2 (en) 2013-01-22 2015-12-22 General Electric Company Systems and methods for analyzing data in a non-destructive testing system
US10001518B2 (en) 2013-02-04 2018-06-19 Abb Schweiz Ag System and method for power transmission and distribution asset condition prediction and diagnosis
US9535808B2 (en) 2013-03-15 2017-01-03 Mtelligence Corporation System and methods for automated plant asset failure detection
US8917274B2 (en) 2013-03-15 2014-12-23 Palantir Technologies Inc. Event matrix based on integrated data
US8909656B2 (en) 2013-03-15 2014-12-09 Palantir Technologies Inc. Filter chains with associated multipath views for exploring large data sets
US8937619B2 (en) 2013-03-15 2015-01-20 Palantir Technologies Inc. Generating an object time series from data objects
JP5768834B2 (ja) 2013-04-12 2015-08-26 横河電機株式会社 プラントモデル管理装置及び方法
US20140330747A1 (en) 2013-05-01 2014-11-06 International Business Machines Corporation Asset lifecycle management
US20140330609A1 (en) 2013-05-01 2014-11-06 International Business Machines Corporation Performance Driven Municipal Asset Needs and Sustainability Analysis
US8799799B1 (en) 2013-05-07 2014-08-05 Palantir Technologies Inc. Interactive geospatial map
US9456302B2 (en) 2013-06-03 2016-09-27 Temeda Llc Geospatial asset tracking systems, methods and apparatus for acquiring, manipulating and presenting telematic metadata
US9665843B2 (en) 2013-06-03 2017-05-30 Abb Schweiz Ag Industrial asset health profile
US8886601B1 (en) 2013-06-20 2014-11-11 Palantir Technologies, Inc. System and method for incrementally replicating investigative analysis data
US20160196513A1 (en) 2013-06-26 2016-07-07 Climate Risk Pty Ltd Computer implemented frameworks and methodologies for enabling climate change related risk analysis
US10018997B2 (en) 2013-06-28 2018-07-10 Fisher-Rosemount Systems, Inc. Non-intrusive data analytics in a process control system
US8713467B1 (en) 2013-08-09 2014-04-29 Palantir Technologies, Inc. Context-sensitive views
US8689108B1 (en) 2013-09-24 2014-04-01 Palantir Technologies, Inc. Presentation and analysis of user interaction data
US8938686B1 (en) 2013-10-03 2015-01-20 Palantir Technologies Inc. Systems and methods for analyzing performance of an entity
US8812960B1 (en) 2013-10-07 2014-08-19 Palantir Technologies Inc. Cohort-based presentation of user interaction data
US8786605B1 (en) 2013-10-24 2014-07-22 Palantir Technologies Inc. Systems and methods for distance and congestion-aware resource deployment
US8832594B1 (en) 2013-11-04 2014-09-09 Palantir Technologies Inc. Space-optimized display of multi-column tables with selective text truncation based on a combined text width
US8868537B1 (en) 2013-11-11 2014-10-21 Palantir Technologies, Inc. Simple web search
WO2015112892A1 (en) 2014-01-24 2015-07-30 Telvent Usa Llc Utility resource asset management system
US10410116B2 (en) 2014-03-11 2019-09-10 SparkCognition, Inc. System and method for calculating remaining useful time of objects
US8924429B1 (en) 2014-03-18 2014-12-30 Palantir Technologies Inc. Determining and extracting changed data from a data source
US10521747B2 (en) 2014-04-08 2019-12-31 Northrop Grumman Systems Corporation System and method for providing a scalable semantic mechanism for policy-driven assessment and effective action taking on dynamically changing data
US9857238B2 (en) 2014-04-18 2018-01-02 Google Inc. Thermodynamic model generation and implementation using observed HVAC and/or enclosure characteristics
US20160028605A1 (en) 2014-05-30 2016-01-28 Reylabs Inc. Systems and methods involving mobile linear asset efficiency, exploration, monitoring and/or display aspects
US9733629B2 (en) 2014-07-21 2017-08-15 Honeywell International Inc. Cascaded model predictive control (MPC) approach for plantwide control and optimization
US20160028648A1 (en) 2014-07-25 2016-01-28 At&T Intellectual Property I, L.P. Resource Management Service
US9960598B2 (en) 2015-03-03 2018-05-01 General Electric Company Methods and systems for enhancing control of power plant generating units
US10197631B2 (en) 2015-06-01 2019-02-05 Verizon Patent And Licensing Inc. Systems and methods for determining vehicle battery health
CN104966136A (zh) * 2015-06-25 2015-10-07 北京慧点科技有限公司 一种流程执行动态预测方法

Also Published As

Publication number Publication date
AU2016279079A1 (en) 2018-02-15
HK1251689A1 (zh) 2019-02-01
CA2990010A1 (en) 2016-12-22
EP3311276A4 (en) 2019-02-13
US20160371585A1 (en) 2016-12-22
CN107851057A (zh) 2018-03-27
US10579750B2 (en) 2020-03-03
JP2018524704A (ja) 2018-08-30
WO2016205766A1 (en) 2016-12-22
EP3311276A1 (en) 2018-04-25

Similar Documents

Publication Publication Date Title
KR20180010321A (ko) 예측 모델들의 동적 실행
US10878385B2 (en) Computer system and method for distributing execution of a predictive model
US10261850B2 (en) Aggregate predictive model and workflow for local execution
US11036902B2 (en) Dynamic execution of predictive models and workflows
US20180247239A1 (en) Computing System and Method for Compressing Time-Series Values
EP3427200B1 (en) Handling of predictive models based on asset location
US10254751B2 (en) Local analytics at an asset
US20220398495A1 (en) Computer System and Method for Detecting Anomalies in Multivariate Data
US20180039956A1 (en) Computer Architecture and Method for Recommending Asset Repairs
KR20180011333A (ko) 자산에서의 로컬 분석
CN108463806A (zh) 用于基于预测模型修改数据采集参数的计算机体系结构和方法
WO2018213617A1 (en) Computing system and method for approximating predictive models and time-series values