KR20180042444A

KR20180042444A - 자산들의 가용성에 기초한 메시 네트워크 라우팅

Info

Publication number: KR20180042444A
Application number: KR1020187010351A
Authority: KR
Inventors: 브렛 헬리커; 브래드 니콜라스
Original assignee: 업테이크 테크놀로지스 인코포레이티드
Priority date: 2015-09-14
Filing date: 2016-09-12
Publication date: 2018-04-25

Abstract

본원에서는 라우팅 테이블을 업데이트하는 것에 관련되는 자산들 및 예측 모델과 대응 작업흐름들에 관련된 시스템들, 디바이스들, 및 방법들이 개시된다. 특히, 예들은 예측 모델에 기초하여, 메시 네트워크에서의 복수의 자산들 중 소정의 자산이 미래에 소정의 시간 주기 내에서 이용가능하지 않을 가능성이 있음을 결정하는 것, 및 결정하는 것에 응답하여, 메시 네트워크에서 적어도 하나의 다른 자산에 대한 라우팅 구성이 업데이트되게 하는 것을 수반한다.

Description

자산들의 가용성에 기초한 메시 네트워크 라우팅

관련 출원들에 대한 상호-참조

본 출원은 2015 년 9 월 14 일에 출원되고 명칭이 "Mesh Network Routing Based on Availability of Assets" 인 미국 정규특허출원 제 14/853,189 호의 우선권을 주장하며, 이는 그 전부가 참조로서 본원에 포함된다.

또한, 본 출원은 2015 년 6 월 5 일에 출원되고 명칭이 "Asset Health Score" 인 미국 정규특허출원 제 14/732,258 호, 및 2015 년 6 월 19 일에 출원되고 명칭이 "Aggregate Predictive Model & Workflow for Local Execution" 인 미국 정규특허출원 제 14/744,352 호를 참조로서 포함하며, 이 미국 출원들의 각각이 전부 포함된다.

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, 자산의 동작 조건들을 모니터링하는 자산 전체에 걸쳐 분산된 다양한 센서들로부터 신호들을 수신하는 자산상 (on-asset) 컴퓨터를 수반한다. 하나의 대표적인 예로서, 자산이 기관차일 경우, 센서들은 다른 예들 중에서, 온도들, 전압들, 및 속력들과 같은 파라미터들을 모니터링할 수도 있다. 하나 이상의 센서들로부터의 센서 신호들이 어떤 값들에 도달할 경우, 그 다음으로, 자산상 컴퓨터는 비정상적 조건이 자산 내에서 발생하였다는 표시인 "고장 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, 고장 코드들을 트리거링하지 않는 것들) 및 "비정상적" 동작 조건들 (예컨대, 고장 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 바로 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.

현장에서의 자산들은 어떤 목적들을 위해 메시 네트워크로 형성될 수도 있다. 예를 들어, 작업 건설 현장은 위치 데이터, 스테이터스 데이터 등과 같이 서로 정보를 통신하는 자산들을 포함할 수도 있다. 메시 네트워크는 자산들 간 통신을 가능하게 하는 저렴하고 신뢰성있는 방식을 제공할 수도 있다. 메시 네트워크에서의 각각의 자산은 라우팅 구성을 사용하여 데이터가 메시 네트워크에서 이동하는 하나 이상의 경로들을 결정할 수도 있다. 예를 들어, 제 1 자산은 최단 레이턴시, 최단 거리, 최소 이동 시간, 최소 에너지 소비 등을 포함하는 다양한 인자들에 의존하여 제 2 자산 또는 제 3 자산으로 데이터를 송신할지 여부를 결정할 수도 있다. 라우팅 구성은 라우팅 테이블을 포함하는 하나 이상의 경로들을 저장하기 위한 상이한 데이터 구조들을 포함할 수도 있다.

메시 네트워크에서의 하나 이상의 자산들은 메시 네트워크 외부의 데이터를 원격 컴퓨팅 시스템으로 송신하기 위해 통신 네트워크를 사용할 수도 있다. 이러한 자산은 "게이트웨이" 로서 알려져 있을 수도 있는데, 이는 자산이 메시 네트워크에서의 자산에 부가 네트워크 자원들로의 액세스를 제공하기 때문이다.

메시 네트워크에서의 자산들은 센서 데이터를 생성하는 센서들을 포함한다. 자산들이 게이트웨이들인 경우 또는 게이트웨이로 센서 데이터를 송신하는 것에 것에, 자산들은 통신 네트워크에 액세스함으로써 원격 컴퓨팅 시스템으로 센서 데이터를 송신할 수도 있다.

원격 시스템은 자산들의 동작에 관련되는 예측 모델 및 대응하는 작업흐름 (workflow) ("모델-작업흐름 쌍" 으로서 본원에서 지칭됨) 을 정의한다. 예측 모델은 원격 시스템 그 자체에서 실행될 수도 있고 또는 자산들에 의해 로컬로 실행될 수 있다. 예를 들어, 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 센서들의 특정한 세트로부터 센서 데이터를 입력들로서 수신할 수도 있고 미래에 소정의 시간 주기 내에서 소정의 자산이 이용가능하지 않을 가능성을 출력할 수도 있다. 작업흐름은 모델에 의해 출력되는 하나 이상의 특정한 이벤트들의 가능도에 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.

본 개시물에 따라, 하나의 특정 모델-작업흐름 쌍은 메시 네트워크의 라우팅 테이블이 업데이트되게 하기 위해 작업흐름을 트리거링하는 예측 고장 모델일 수 있다. 이러한 모델-작업흐름 쌍은 원격 컴퓨팅 시스템에서 실행될 수도 있고 (이 경우 원격 컴퓨팅 시스템은 그들의 개개의 라우팅 테이블들을 업데이트하도록 메시에서의 자산들에 명령할 것임) 또는 자산 자체에서 로컬로 실행될 수도 있다 (이 경우 자산은 테이블들을 업데이트하도록 메시에서의 다른 자산들에 명령하게 됨),

예측 고장 모델은 다양한 형태들을 취할 수도 있으며, 그 하나의 예가 건전성 점수 모델이며, 여기서 예측 고장 모델은 자산에 대한 건전성을 모니터링하고 미래로의 소정의 시간 프레임 내에서 소정의 자산에서 고장이 발생할지 여부 (및 이에 따라 소정의 자산이 이용가능하지 않게 될지 여부) 를 표시하는 단일, 집합된 메트릭인, 자산에 대한 건전성 메트릭 (예를 들어, "건전성 점수") 를 출력한다. 특히, 건전성 메트릭은 고장들의 그룹으로부터의 고장들이 미래로의 소정의 타임 프레임 내에 자산에서 발생하지 않게 될 것이라는 가능도를 표시할 수도 있고, 또는 건전성 메트릭은 고장들의 그룹으로부터 적어도 하나의 고장이 미래로의 소정의 시간 프레임 내에 자산에서 발생할 것이라는 가능도를 표시할 수도 있다. 라우팅 테이블이 업데이트되게 하기 위한 작업흐름은 다양한 형태들을 취할 수도 있으며, 그 하나의 예는 건전성 점수가 어떤 임계 아래로 떨어질 때 트리거링된 작업흐름이다.

소정의 자산이 미래에 소정의 시간 내에서 이용가능하지 않을 가능성이 있음이 결정되면, 메시 네트워크에서 적어도 하나의 다른 자산에 대한 라우팅 구성이 업데이트된다. 예를 들어, 원격 컴퓨팅 디바이스는 소정의 자산이 미래에 소정의 시간 주기 내에서 이용가능하지 않을 가능성이 있다는 결정을 메시 네트워크에서의 복수의 자산들 중 하나로 송신할 수도 있다. 그 자산은 그 후 그의 라우팅 구성을 업데이트하고 그 결정을 메시 네트워크에서의 또 다른 자산으로 송신할 수도 있다. 또 다른 예에서, 원격 컴퓨팅 시스템은 대응하는 업데이트된 라우팅 구성을 메시 네트워크에서의 하나 이상의 자산들로 전송할 수도 있다.

본 명세서에 개시된 예시의 시스템들, 디바이스들, 및 방법들은 이러한 이슈들의 하나 이상을 해결하는 것을 돕고자 한다. 예시의 구현들에서, 네트워크 구성은 자산들과 원격 컴퓨팅 시스템 사이의 통신들을 용이하게 하는 통신 네트워크를 포함할 수도 있다.

당업자는 다음의 개시물을 판독함에 있어서 이것들 뿐만 아니라 수 많은 다른 양태들을 인식할 것이다.

도 1 은 예시의 실시형태들이 구현될 수도 있는 일 예의 네트워크 구성을 도시한다.
도 2 는 일 예의 자산의 간략화된 블록도를 도시한다.
도 3 은 예시의 비정상적-조건 표시자들 및 트리거링 기준들의 개념적인 예시를 도시한다.
도 4 는 메시 네트워크의 개념적인 예시를 도시한다.
도 5 는 일 예의 분석 시스템의 간략화된 블록도를 도시한다.
도 6 은 모델-작업흐름 쌍들을 정의하기 위하여 이용될 수도 있는 정의 페이즈의 일 예의 흐름도를 도시한다.
도 7 은 건전성 메트릭 (health metric) 을 출력하는 예측 모델을 정의하기 위하여 이용될 수도 있는 모델링 페이즈의 일 예의 흐름도를 도시한다.
도 8 은 메시 네트워크를 위한 라우팅 구성을 업데이트하기 위한 일 예의 방법을 도시한다.

다음의 개시물은 동반되는 도면들 및 몇몇 예시적인 시나리오들을 참조한다. 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. 예시의 네트워크 구성

이제 도면들로 돌아가면, 도 1 은 예시의 실시형태들이 구현될 수도 있는 일 예의 네트워크 구성 (100) 을 도시한다. 도시된 바와 같이, 네트워크 구성 (100) 은 메시 네트워크 (105) 에 커플링된 적어도 3 개의 자산들 (102, 103 및 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, 103 및 104) 은 통신 네트워크 (106) 를 통해 분석 시스템 (108) 과 통신할 수도 있다. 자산들 (102, 103 및 104) 은 메시 네트워크 (105) 를 통해 서로 통신할 수도 있다. 자산들 (102, 103 및 104) 는 메시 네트워크 (105) 를 통해 그리고 통신 네트워크 (106) 를 통해 통신함으로써 분석 시스템 (108) 과 또한 통신할 수도 있다. 예를 들어, 자산 (102) 은 센서 데이터를 자산 (103) 에 전송할 수 있으며, 자산 (103) 은 통신 네트워크를 통해 분석 시스템 (108) 에 센서 데이터를 전송한다. 또한, 메시 네트워크 (105) 는 자산들 (102, 103 및 104) 의 서브세트가 분석 시스템 (108) 과 통신하도록 구성될 수도 있다. 예를 들어, 자산 (103) 은 분석 시스템 (108) 과 통신하는 유일한 자산일 수도 있는 한편, 자산들 (102, 103 및 104) 은 메시 네트워크 (105) 에서 각각 다른 자산들 (103 및 104 또는 102 및 103) 과만 통신한다.

일부 경우들에는, 자산들 (102, 103 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.

일반적으로, 자산들 (102, 103 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 위해 병렬로 또는 순차적으로 동작할 수도 있다.

예시의 자산들은 다른 예들 중에서, 수송 머신들 (예컨대, 기관차들, 항공기, 반-트레일러 트럭들, 선박들 등), 산업 머신들 (예컨대, 채굴 장비, 건설 장비, 프로세싱 장비, 어셈블리 장비 등), 의료용 머신들 (예컨대, 의료용 이미징 장비, 외과 장비, 의료용 모니터링 시스템들, 의료용 실험실 장비 등), 유틸리티 머신들 (예컨대, 터빈들, 솔라 팜 (solar farm) 들 등), 및 무인 항공기들을 포함할 수도 있다. 당업자들은 이것들이 자산들의 단지 몇몇 예들이고 수 많은 다른 것들이 가능하고 본원에서 고려된다는 것을 인식할 것이다.

예시의 구현들에서, 자산들 (102, 103 및 104) 은 각각 동일한 타입 (예컨대, 다른 예들 중에서, 기관차들 또는 항공기의 플리트, 풍력 터빈들의 그룹, 밀링 머신들의 풀, 또는 자기 공진 이미징 (MRI) 머신들의 세트) 일 수도 있고, 아마도 동일한 클래스 (예컨대, 동일한 장비 타입, 브랜드 및/또는 모델) 일 수도 있다. 다른 예들에서, 자산들 (102, 103 및 104) 은 타입, 브랜드, 모델 등에 의해 상이할 수도 있다. 예를 들어, 자산들 (102, 103 및 104) 은 많은 다른 예들 중에서, 잡 사이트 (job site)(예를 들어, 발굴 사이트) 또는 제조 설비에서 상이한 장비일 수도 있다. 자산들은 도 2 를 참조하여 이하에서 더욱 상세하게 논의된다.

도시된 바와 같이, 자산들 (102, 103 및 104) 및 아마도 데이터 소스 (112) 는 통신 네트워크 (106) 및/또는 메시 네트워크 (105) 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 대역폭, 전력 소비 및/또는 레이턴시 특성들의 정도를 변화시키는 피처일 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 또는 위성 네트워크들 및/또는 인터넷을 포함할 수도 있다. 통신 네트워크 (106) 는 LTE, CDMA, GSM, WiFi, LPWAN, 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.

일반적으로, 메시 네트워크 (105) 는 자산들 (102, 103, 및 104)(그리고 잠재적으로 다른 네트워크 엘리먼트들) 이 소스 (예를 들어, 분석 시스템 (108)) 로부터 목적지 (예를 들어, 자산 (103)) 으로 데이터를 라우팅하는 것을 용이하게 하도록 구성되는 "노드들" 로서 작용하는 네트워크 토폴로지의 형태를 취할 수도 있다. 예를 들어, 분석 시스템 (108) 은 데이터를 자산 (103) 에 중계하는 자산 (104) 을 통해 목적지인 자산 (103) 으로 데이터를 송신할 수도 있다. 유사하게, 자산 (103) 은 통신 네트워크 (106) 를 통해 분석 시스템 (108) 에 데이터를 중계하는 자산 (102) 을 통해 목적지인 분석 시스템 (108) 으로 데이터를 송신할 수도 있다. 데이터 라우팅의 다른 예들이 또한 가능하다. 메시 네트워크는 도 4 와 관련하여 하기에서 더 상세하게 논의된다.

위에서 언급된 바와 같이, 분석 시스템 (108) 은 자산들 (102, 103 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, 103 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 텔레비전들 등을 포함한다.

출력 시스템 (110) 의 또 다른 예는 정비공 등이 자산을 수리하기 위한 요청을 출력하도록 구성된 작업-오더 시스템 (work-order system) 의 형태를 취할 수도 있다. 출력 시스템 (110) 의 또 다른 예는 자산의 부품에 대하여 주문하고 그것의 수신을 출력하도록 구성된 부품-오더링 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, 103 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 네비게이션 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. 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. 예시의 자산

도 2 로 돌아가면, 일 예의 자산 (200) 의 간략화된 블록도가 도시되어 있다. 도 1 로부터의 자산들 (102, 103 및 104) 중 하나 이상은 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 아마도 또한 로컬 분석 디바이스 (220) 를 포함할 수도 있고, 이것들의 전부는 시스템 버스, 네트워크, 또는 다른 접속 메커니즘에 의해 통신가능하게 링크될 수도 있다. 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, 로터 (rotor) 들, 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 신호와 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, 마찰력, 전력 사용량들, 연료 사용량들, 유체 레벨들, 실행시간들, 전압들 및 전류들, 자기장들, 전기장들, 및 전력 생성을 포함할 수도 있다. 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 이동하거나 그렇지 않으면, 컴포넌트 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 구현들에서, 중앙 프로세싱 유닛 (206) 은 마이크로프로세서들, 마이크로제어기들, 어플리케이션 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 자산 (200) 의 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 (205) 데이터를 데이터 스토리지 (208) 에서 저장하고, 이후에, 데이터 스토리지 (208) 로부터 그것을 액세스하도록 구성될 수도 있다. 중앙 프로세싱 유닛 (206) 은 또한, 수신된 센서 신호들이 고장 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 센서 기준들을 포함한다. 즉, 각각의 비정상적-조건 표시자는 비정상적-조건 표시자가 트리거링되기 전에 충족되어야 하는 하나 이상의 센서 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 신호들이 임의의 비정상적-조건 표시자들을 트리거링하는지 여부를 결정하도록 구성될 수도 있다. 즉, 중앙 프로세싱 유닛 (206) 은 수신된 센서 신호들이 임의의 센서 기준들을 충족시키는지 여부를 결정할 수도 있다. 이러한 결정이 긍정적일 때, 중앙 프로세싱 유닛 (206) 은 비정상적-조건 데이터를 생성할 수도 있고, 자산 (200) 의 네트워크 인터페이스 (210) 로 하여금 비정상적인 조건 데이터를 분석 시스템 (108) 에 송신하게 할 수도 있다. 중앙 프로세싱 유닛 (206) 은 비정상적인 조건 데이터를 생성할 수도 있고 또한 자산 (200) 의 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 예시의 비정상적-조건 표시자들 및 자산에 대한 개개의 트리거링 기준들의 개념적인 예시를 도시한다. 특히, 도 3 은 일 예의 고장 코드들의 개념적인 예시를 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 고장 코드들 1, 2, 및 3 에 각각 대응하는 행 (row) 들 (308, 310, 및 312) 을 포함한다. 그 다음으로, 엔트리들 (314) 은 소정의 고장 코드들에 대응하는 센서 기준들 (예컨대, 센서 값 임계들) 을 특정한다.

예를 들어, 고장 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, 고장 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, 고장 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. 당업자는 도 3 이 오직 예 및 설명의 목적들을 위하여 제공된다는 것과, 수 많은 다른 고장 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 센서들 (204) 로 하여금, 스로틀 위치 (throttle position) 또는 센서 샘플링 레이트를 수정하는 것과 같은 일부 동작을 수행하게 하는 명령 신호들을 서브시스템들 (202) 및/또는 센서들 (204) 에 제공하도록 구성될 수도 있다. 또한, 중앙 프로세싱 유닛 (206) 은 서브시스템들 (202), 센서들 (204), 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.

일부 구현들에서, 중앙 프로세싱 유닛 (206) 은 분석 시스템 (108) 또는 다른 자산 (200) 으로부터의 라우팅 구성 또는 라우팅 구성에 대한 업데이트들을 수신하도록 구성될 수도 있다. 중앙 프로세싱 유닛 (206) 은 자산 (200) 으로 하여금 라우팅 구성 또는 라우팅 구성에 대한 업데이트들에 기초하여 동작을 수행하게 할 수도 있다.

네트워크 인터페이스 (210) 는 자산 (200) 과 다양한 다른 네트워크 컴포넌트들과의 사이의 통신을 제공하도록 구성될 수도 있다. 예를 들어, 네트워크 인터페이스 (210) 는 통신 네트워크 (106) 로의, 그리고 통신 네트워크 (106) 로부터의 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 있고, 및/또는 유선 네트워크 인터페이스의 형태를 취할 수도 있다. 네트워크 인터페이스 (210) 는 또한 메시 네트워크 (105) 에서 동작하는 다양한 네트워크 컴포넌트들과 자산 (200) 사이의 통신에 대해 제공하도록 구성될 수도 있다. 예를 들어, 네트워크 인터페이스 (210) 는 메시 네트워크에서 자산들 (102, 103 및 104) 사이의 통신들을 가능하게 하도록 구성될 수도 있다. 다른 예들이 마찬가지로 가능하다. 실제로, 네트워크 인터페이스 (210) 는 위에서 설명된 것들 중의 임의의 것과 같은, 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 데이터를 수신 및 분석하고 그러한 분석에 기초하여 하나 이상의 동작이 자산 (200) 에서 발생하도록 구성될 수도 있다. 특히, 로컬 분석 디바이스 (220) 는 센서들 (204) 로부터 센서 데이터를 수신할 수도 있고, 그러한 데이터에 기초하여, 자산 (200) 이 동작을 수행하게 하는 명령들을 중앙 프로세싱 유닛 (206) 에 제공할 수도 있다. 예를 들어, 일부 구현들에서, 로컬 분석 디바이스 (220) 는 예를 들어, 센서들 (204) 로부터의 예측 모델 및 데이터에 기초하여, 자산이 이용가능하지 않을 가능성이 있음을 결정할 수도 있다. 이에 응답하여, 로컬 분석 디바이스 (200) 는 메시 네트워크 (예를 들어, 메시 네트워크 (105)) 에 대한 라우팅 구성을 생성하고 이 라우팅 구성에 기초하여 데이터를 송신하도록 중앙 프로세싱 유닛 (206) 에 명령할 수도 있다. 로컬 분석 디바이스 (200) 는 라우팅 구성 및/또는 라우팅 구성에 대한 업데이트들을 저장하도록 스토리지 (208) 에 명령할 수도 있다.

실제로, 로컬 분석 디바이스 (220) 는 자산 (200) 이 달리, 다른 자산상 컴포넌트들로 수행되지 않을 수도 있는, 예측 모델을 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.

도시된 바와 같이, 로컬 분석 디바이스 (220) 는 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 위에서 논의된 프로세서 형태들 중 임의의 것을 취할 수도 있는, 하나 이상의 프로세서들을 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) 로부터의 개개의 센서 신호들을 수신하고 이러한 신호들에 기초하여 예측 모델-작업흐름 쌍을 실행하도록 구성될 수도 있다. 다른 기능들이 이하에서 설명된다.

네트워크 인터페이스 (226) 는 위에서 설명된 네트워크 인터페이스들과 동일하거나 유사할 수도 있다. 실제로, 네트워크 인터페이스 (226) 는 자산 (200) 과 분석 시스템 (108) 사이의 통신을 가능하게 할 수도 있다.

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.

III. 예시의 메시 네트워크

위에 언급된 바와 같이, 네트워크 구성 (100) 은 자산들이 협력하여 데이터를 분배하는 노드들로서 작용하는 메시 네트워크를 포함할 수도 있다. 일반적으로, 메시 네트워크는 소스로부터, 아마도 메시 네트워크 외부에 위치되는 데이터를 하나 이상의 라우팅 프로토콜들에 따라 메시 네트워크를 통해 목적지로 중계하도록 구성된 복수의 노드들을 포함한다. 메시 네트워크는 노드들이 중앙 액세스 포인트 등과 직접 통신하는 것과는 반대로, 노드들이 서로 통신하도록 구성될 수도 있고, 데이터가 소스로부터 목적지로 이동할 수도 있는 다수의 가능한 경로들을 제공할 수도 있다. 노드들은 동적으로 부가 또는 제거되어 플렉서블한 통신 네트워크를 허용하도록 도울 수 있다. 노드들은 모바일일 수도 있고, 고정 위치에 있을 수도 있으며, 이들의 조합일 수도 있다.

도 4 는 다른 통신 네트워크 (예를 들어, 통신 네트워크 (106)) 에 통신 가능하게 커플링되는 일 예의 메시 네트워크 (400) 의 개념적인 예시를 도시한다. 도시된 바와 같이, 메시 네트워크 (400) 는 복수의 노드들 (402, 404, 406, 408, 410 및 412) 을 포함한다. 이 예에서, 노드들 (404 및 406) 은 노드 (402) 에 의해 직접 도달가능한 한편, 노드들 (408, 410 및 412) 은 노드 (402) 에 의해 직접 도달가능하지 않다. 이와 같이, 메시 네트워크 (400) 는 노드들 (404 및 406) 이 다른 이점들 중에서 노드 (402) 의 송신 범위를 확장한다는 점에서 유리할 수도 있다.

예시의 구현들에서, 노드 (402) 는 메시 네트워크 (400) 접속성을 통신 네트워크 (106)(예를 들어, 이로써 WAN) 에 제공하도록 구성될 수도 있다. 이러한 방식으로, 노드 (402) 는 메시 네트워크 (400) 의 다른 노드들이 통신 네트워크 (106) 에 단일 접속을 다시 공유하게 할 수 있다. 노드 (402) 는 유선 또는 무선 메커니즘 또는 이들의 조합을 통해 통신 네트워크 (106) 에 통신가능하게 커플링될 수도 있다. 노드 (402) 는 무선 라우터 등과 같은 액세스 포인트를 포함하거나, 액세스 포인트의 형태를 취할 수도 있고, 또는 그렇지 않으면 액세스 포인트와 통신할 수도 있다. 일부 구현들에서, 노드 (402) 는 자산 (200) 과 같은 자산의 형태를 취할 수도 있다.

노드들 (404-412) 은 자산들의 형태를 취할 수도 있고, 그 중 일부는 모두 동일한 타입 및/또는 클래스일 수도 있고 또는 일부 관점들에서 상이할 수도 있다. 여하튼, 노드들로서 작용하는 자산들 (404-412) 의 각각은 하나 이상의 라우팅 기법들에 따라 데이터를 라우팅하도록 구성될 수도 있다. 예를 들어, 각각의 자산은 자산이 데이터를 수신하고 송신할 수 있게 하는 하나 이상의 네트워크 인터페이스들, 예컨대 도 2 를 참조하여 위에 논의된 임의의 네트워크 인터페이스를 포함할 수도 있다. 일부 구현들에서, 소정의 자산은 그 자체가 통신 인터페이스를 포함하지 않지만 메시 네트워크 (400) 에 소정의 자산 접속성을 제공하는 외부 네트워크 인터페이스로 개조될 수도 있는 "레거시" 자산일 수도 있다. 또한, 예시적인 구현들에서, 자산은 데이터를 수신하지만 송신하지 않도록 구성될 수도 있다. 예를 들어, 자산 (412) 은 데이터를 수신 및 저장하지만 메시 네트워크 (400) 의 다른 노드들로 데이터를 송신하지 않는 데이터 저장 디바이스일 수도 있다. 다른 예들이 또한 가능하다.

위에 제시된 바와 같이, 데이터는 하나 이상의 라우팅 기법들에 따라 메시 네트워크 (400) 를 통해 전파할 수도 있다. 일반적으로, 소정의 라우팅 기법은 소스로부터의 데이터가 중간 노드들 (즉, 데이터에 대한 최종 목적지가 아닌 노드들) 을 통해 목적지에 도달할 수 있는 다수의 경로들을 제공할 수도 있다. 그리고 데이터가 전송될 때 가장 빠르고 및/또는 가장 신뢰성있는 라우트를 제공하는 경로가 활용될 수도 있다. 예를 들어, 소정의 라우팅 기법은 통신 네트워크 (106) 및 자산 (408)(예를 들어, 경로 (403) 및 경로 (405)) 사이에 2 개의 경로들을 제공할 수도 있다. 이와 같이, 자산 (408)(예를 들어, 동작 데이터) 으로부터 유래하는 데이터는 경로 (403) 를 통해 (예를 들어, 중간 노드들 (404 및 402) 을 통과함) 통신 네트워크 (106) 로 이동할 수 있는 한편, 통신 네트워크 (106) 로부터 유래하는 데이터는 다른 가능성들 중에서도, 경로 (405) 를 통해 (예를 들어, 중간 노드들 (402 및 406) 을 통과함) 자산 (408) 으로 이동할 수도 있다.

다른 라우팅 기법들 중에서도, 리액티브 라우팅 기법들 (예를 들어, 애드-혹 (ad-hoc) 온 디맨드 거리 벡터 라우팅 (AODV), 동적 소스 라우팅 (DSR) 등), 프로액티브 라우팅 기법들 (예를 들어, 최적화된 링크 상태 라우팅 (OLSR)), 모바일 애드혹 네트워킹으로의 우수한 접근법 (better approach to mobile ad-hoc networking; BATMAN)), 목적지 시퀀싱된 거리 벡터 라우팅 (DSDV), 클러스터 헤드 게이트웨이 스위치 라우팅 (CGSR) 등), 및/또는 하이브리드 라우팅 기법들 (예를 들어, 리액티브 및 프로 액티브 라우팅 기법들) 과 같은 다양한 라우팅 기법들이 활용될 수도 있다.

소정의 라우팅 기법에 따라, 데이터가 메시 네트워크 (400) 를 통해 전파할 수도 있는 경로들은 다양한 방식들로 결정될 수도 있다. 일반적으로, 경로들은 메시 네트워크 (400) 의 각 노드에 의해 결정되어, 주기적으로 개개의 라우팅 정보 (예를 들어, 거리 벡터, 노드 메트릭 등) 를 다른 노드들과 교환하여 메시 네트워크 (400) 에서 각각의 노드로부터 다른 노드로의 가능한 라우트들을 확립한다. 보다 구체적으로, 메시 네트워크 (400) 가 확립될 수도 있고 경로들은 노드들 (402-412) 의 라우팅 정보에 기초하여 결정될 수도 있다. 소정의 노드의 라우팅 정보는 다른 고려사항들 중에서도, 다양한 노드 메트릭들, 예컨대 소정의 노드의 현재 부하, 무선 주파수 노이즈 레벨, 소정의 노드의 GPS 좌표, 수신된 신호 강도 표시자, 신호 대 노이즈 비 (signal-to-noise ratio), 나침반 각도, 소정의 노드의 잔여 배터리 전력, 및/또는 소정의 노드의 잔여 에너지 (예를 들어, 소정의 노드의 데이터 스루풋 및/또는 홉들 수의 표시) 를 포함하거나 이에 기초할 수도 있다.

각각의 노드는 소정의 라우팅 기법에 따라, 라우팅 테이블의 형태와 같이 다른 노드들의 라우팅 정보의 일부 또는 전부를 저장할 수도 있다. 일반적으로, 소정의 라우팅 기법은 노드들로 하여금 라우팅 정보에 기초하여 데이터를 분배하기 위해 하나 이상의 "최적" 경로들을 결정하게 할 수도 있다. 예를 들어, 노드들은 다른 예들 중에서도, 가장 빠른 데이터 전달 (예를 들어, 최소 홉 수, 최단 전체 거리 및/또는 최단 이동 시간), 가장 신뢰성있는 데이터 전달 또는 신속성과 안정성의 양자 모두를 최적화하는 경로에 대해 최적화할 수도 있다. 여하튼, 노드들은, 소정의 노드가 특정 노드로 목적지가 정해진 데이터를 수신할 때 소정의 노드가 소정의 라우팅 기법에 따라 데이터 전달을 용이하게 하기 위해 데이터 (예를 들어, "다음 홉") 를 중계해야 하는 노드를 쉽게 결정할 수 있도록 최적화된 데이터 전달을 반영하기 위해 개개의 라우팅 테이블들을 구성할 수도 있다.

실제로, 메시 네트워크 (400) 는 네트워크 조건들 및/또는 노드 메트릭들이 변화함에 따라 동적으로 업데이트될 수도 있다. 예를 들어, 네트워크 조건들이 변화함에 따라 (예를 들어, 네트워크 레이턴시 시간이 증가 또는 감소함에 따라), 노드들은 소정의 경로가 다른 경로보다 덜 최적임을 결정하고 개개의 라우팅 테이블들을 업데이트하여 상이한 경로가 이제 가장 적합한 경로임을 반영할 수도 있다. 다른 예에서, 라우터로서 작용하는 소정의 노드의 능력이 변화함에 따라 (예를 들어, 하기에서 더 상세하게 논의되는, 소정의 자산의 건전성이 감소함에 따라), 노드들은 소정의 경로 (예를 들어, 소정의 노드가 경로에서 링크하는 것) 가 다른 경로보다 덜 최적임을 결정하고 그에 따라 그들 개개의 라우트 테이블들을 업데이트할 수도 있다. 라우팅 정보를 업데이트하는 다른 예들이 또한 가능하다.

IV. 예시의 분석 시스템

이제 도 5 를 참조하면, 일 예의 분석 시스템 (500) 의 간략화된 블록도가 도시되어 있다. 위에서 제안된 바와 같이, 분석 시스템 (500) 은 본원에서 설명된 다양한 동작들을 수행하기 위하여 통신가능하게 링크되고 배열된 하나 이상의 컴퓨팅 시스템들을 포함할 수도 있다. 구체적으로, 도시된 바와 같이, 분석 시스템 (500) 은 데이터 접수 시스템 (data intake system) (502), 데이터 과학 시스템 (data science system) (504), 및 하나 이상의 데이터베이스들 (506) 을 포함할 수도 있다. 이 시스템 컴포넌트들은 하나 이상의 무선 및/또는 유선 접속들을 통해 통신가능하게 결합될 수도 있다.

데이터 접수 시스템 (502) 은 일반적으로, 데이터를 수신하고 데이터를 프로세싱하고 데이터를 데이터 과학 시스템 (504) 으로 출력하도록 기능할 수도 있다. 이와 같이, 데이터 접수 시스템 (502) 은 자산들 (102, 103 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 (502) 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 (502) 은 NiFi 수신기 등과 같은, 소정의 데이터흐름 기술에 따라 구성된 컴포넌트들일 수도 있거나 이를 포함할 수도 있다.

데이터 접수 시스템 (502) 은 하나 이상의 동작들을 수행하도록 구성된 하나 이상의 프로세싱 컴포넌트들을 포함할 수도 있다. 예시의 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 (502) 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 (502) 은 데이터 과학 시스템 (504) 의 하나 이상의 특성들 또는 동작 파라미터들에 기초하여 데이터를 포맷 (format), 패키징 (package), 및/또는 라우팅하도록 구성될 수도 있다.

일반적으로, 데이터 접수 시스템 (502) 에 의해 수신된 데이터는 다양한 형태들을 취할 수도 있다. 예를 들어, 데이터의 페이로드 (payload) 는 단일의 센서 측정, 다수의 센서 측정들, 및/또는 하나 이상의 고장 코드들을 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 센서에 배정될 수도 있다. 이러한 식별자들은 데이터가 발신되는 자산, 또는 센서를 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 (504) 은 일반적으로, 데이터를 (예컨대, 데이터 접수 시스템 (502) 으로부터) 수신하고 데이터를 분석하고, 이러한 분석에 기초하여, 하나 이상의 동작들이 발생하게 하도록 기능할 수도 있다. 이와 같이, 데이터 과학 시스템 (504) 은 하나 이상의 네트워크 인터페이스들 (508), 프로세싱 유닛 (510), 및 데이터 스토리지 (512) 를 포함할 수도 있고, 이것들의 전부는 시스템 버스, 네트워크, 또는 다른 접속 메커니즘에 의해 통신가능하게 링크될 수도 있다. 일부 경우들에는, 데이터 과학 시스템 (504) 이 본원에서 개시된 기능성의 일부를 수행하는 것을 가능하게 하는 하나 이상의 어플리케이션 프로그램 인터페이스 (application program interface; API) 들을 저장하고 및/또는 액세스하도록 구성될 수도 있다.

네트워크 인터페이스들 (508) 은 위에서 설명된 임의의 네트워크 인터페이스와 동일하거나 유사할 수도 있다. 실제로, 네트워크 인터페이스들 (508) 은 데이터 과학 시스템 (504) 과, 데이터 접수 시스템 (502), 데이터베이스들 (506), 자산들 (102, 103, 104), 출력 시스템 (110) 등과 같은 다양한 다른 엔티티들과의 사이의 통신을 가능하게 할 수도 있다.

프로세싱 유닛 (510) 은 위에서 설명된 프로세서 형태들 중의 임의의 것을 취할 수도 있는 하나 이상의 프로세서들을 포함할 수도 있다. 결국, 데이터 스토리지 (512) 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 (510) 은 본원에서 설명된 분석 시스템의 동작들을 수행하기 위하여 데이터 스토리지 (512) 에서 저장된 컴퓨터-판독가능 프로그램 명령들을 저장하고, 액세스하고, 실행하도록 구성될 수도 있다.

일반적으로, 프로세싱 유닛 (510) 은 데이터 접수 시스템 (502) 으로부터 수신된 데이터에 대한 분석들을 수행하도록 구성될 수도 있다. 그 목적을 위하여, 프로세싱 유닛 (510) 은 데이터 스토리지 (512) 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 (508) 로 출력하는 것을 포함할 수도 있다.

데이터베이스들 (506) 은 일반적으로, 데이터를 (예컨대, 데이터 과학 시스템 (504) 으로부터) 수신하고 데이터를 저장하도록 기능할 수도 있다. 이와 같이, 각각의 데이터베이스 (506) 는 위에서 제공된 예들 중의 임의의 것과 같은 하나 이상의 비-일시적 컴퓨터-판독가능 저장 매체들을 포함할 수도 있다. 실제로, 데이터베이스들 (506) 은 데이터 스토리지 (512) 로부터 분리되어 있을 수도 있거나 이와 통합될 수도 있다.

데이터베이스들 (506) 은 그 일부가 이하에서 논의되는 수 많은 타입들의 데이터를 저장하도록 구성될 수도 있다. 실제로, 데이터베이스들 (506) 에서 저장된 데이터의 일부는 데이터가 생성되었거나 데이터베이스에 추가되었던 날짜 및 시간을 표시하는 타임스탬프를 포함할 수도 있다. 또한, 데이터는 다수의 방식들로 데이터베이스들 (506) 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, 또는 센서 타입에 기초하여) 또는 비정상적-조건 표시자에 기초하여 편성될 수도 있다.

V. 예시의 동작들

이제 도 1 에서 도시된 일 예의 네트워크 구성 (100) 의 동작들이 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 자산들 (102, 103 및 104) 과 같은 다수의 소스들로부터 데이터를 수신할 수도 있고, 아마도 동시에 이러한 집합적인 수신된 데이터에 기초하여 동작들을 수행할 수도 있다.

A. 라우팅 토폴로지들의 생성

예시적인 구현들에서, 자산들 (102, 103 및 104) 의 일부 또는 전부는 셋업 메시지들을 교환하여 자산들 및 분석 시스템 (108) 이 데이터를 전송할 수 있는 메시 네트워크 (105) 를 확립할 수도 있다. 구체적으로, 메시 네트워크 (105) 는 도 4 를 참조한 위의 논의와 일치하는 자산들 (102-104) 사이에서 확립될 수도 있다.

일부 구현들에서, 자산들 (102-104) 은 원하는 최적화 인자들에 따라 메시 네트워크 (105) 를 최적화하는 것을 용이하게 하기 위해 라우팅 토폴로지 (예를 들어, 데이터를 전송하기 위한 경로들을 반영하는 라우팅 테이블들) 을 생성할 수도 있다. 예를 들어, 라우팅 토폴로지들은 다른 예들 중에서도, 데이터를 중계하는 최소 수의 자산들 (노드들), 최단 데이터 전달 시간 (예를 들어, 레이턴시 최소화), 최저 에너지 소비 (예를 들어, 에너지 최소화), 최소량의 리던던시, 이들의 일부 조합, 또는 위에 제공된 다른 예들 중 임의의 것을 위해 최적화되는 경로들을 나타낼 수 있다. 예시의 구현들에서, 자산들 (102-104) 은 라우팅 정보를 서로 및/또는 분석 시스템 (108) 과 교환할 수도 있다. 네트워크 조건들 및/또는 자산 (노드) 메트릭이 변화함에 따라, 라우팅 토폴로지들은 원하는 최적화 인자들에 따라 업데이트될 수도 있다.

B. 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 센서들은 자산 (102) 의 하나 이상의 동작 조건들을 반영하는 센서 데이터를 획득할 수도 있다. 센서들은 데이터를 자산 (102) 의 프로세싱 유닛으로 송신할 수도 있다.

프로세싱 유닛은 센서들로부터 센서 데이터를 수신하도록 구성될 수도 있다. 실제로, 프로세싱 유닛은 다수의 센서들로부터 센서 데이터를 동시에 또는 순차적으로 수신할 수도 있다. 위에서 논의된 바와 같이, 센서 데이터를 수신하는 동안, 프로세싱 유닛은 또한, 센서 데이터가 고장 코드들과 같은 임의의 비정상적-조건 표시자들을 트리거링하는 센서 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 그의 센서들로부터의 센서 측정들이 임의의 비정상적-조건 표시자들에 대한 센서 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, 및/또는 비정상적-조건 데이터를 포함할 수도 있다. 일부 구현들에서, 자산 (102) 은 단일 데이터 스트림으로 동작 데이터를 제공하도록 구성될 수도 있는 반면, 다른 구현들에서, 자산 (102) 은 다수의 별개의 데이터 스트림들로 동작 데이터를 제공하도록 구성될 수도 있다. 예를 들어, 자산 (102) 은 센서 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 데이터는 다양한 형태들을 취할 수도 있다. 예를 들어, 때때로, 센서 데이터는 자산 (102) 의 센서들의 각각에 의해 획득된 측정들을 포함할 수도 있다. 다른 시간들 동안에는, 센서 데이터가 자산 (102) 의 센서들의 서브세트에 의해 획득된 측정들을 포함할 수도 있다.

구체적으로, 센서 데이터는 소정의 트리거링된 비정상적-조건 표시자와 연관된 센서들에 의해 획득된 측정들을 포함할 수도 있다. 예를 들어, 트리거링된 고장 코드가 도 3 으로부터의 고장 코드 1 일 경우, 센서 데이터는 센서들 A 및 C 에 의해 획득된 원시 측정 (raw measurement) 들을 포함할 수도 있다. 추가적으로 또는 대안적으로, 센서 데이터는 트리거링된 고장 코드와 직접적으로 연관되지 않은 하나 이상의 센서들에 의해 획득된 측정들을 포함할 수도 있다. 최후의 예에서 계속하면, 센서 데이터는 센서 B 및/또는 다른 센서들에 의해 획득된 측정들을 추가적으로 포함할 수도 있다. 일부 예들에서, 자산 (102) 은, 예를 들어, 센서 B 가 측정하고 있는 것과 고장 코드 1 이 우선 트리거링되게 하였던 것 사이에 상관이 있는 것으로 결정하였을 수도 있는, 분석 시스템 (108) 에 의해 제공된 고장-코드 규칙 또는 명령에 기초하여 동작 데이터에서 특정한 센서 데이터를 포함할 수도 있다. 다른 예들이 또한 가능하다.

또한, 센서 데이터는, 다수의 인자들에 기초하여 선택될 수도 있는, 특정한 관심 대상 시간에 기초한 각각의 관심 대상 센서로부터의 하나 이상의 센서 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, 센서 데이터는 각각의 관심 대상 센서 (예컨대, 트리거링된 표시자와 직접적으로 그리고 간접적으로 연관된 센서들) 로부터의 하나 이상의 개개의 센서 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 고장 코드가 도 3 으로부터의 고장 코드 2 일 경우, 관심 대상 센서들은 센서들 B 및 C 를 포함할 수도 있다. 하나 이상의 센서 측정들은 고장 코드의 트리거링 이전에 센서들 B 및 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 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.

C. 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 데이터에 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 센서들로부터의 센서 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.

본 개시물에 따라, 모델-작업흐름 쌍의 일 구현은 소정의 자산이 미래에 소정의 시간 주기 내에서 이용가능하지 않을 가능성이 있음을 예측하기 위한 모델 및 이 예측 모델에 기초하여 라우팅 테이블이 업데이트되게 하기 위한 대응 작업흐름의 형태를 취할 수도 있다. 이 모델-작업흐름 쌍은 다양한 형태를 취할 수도 있다.

1. 자산 비가용성을 위한 예측 모델

위에 언급된 바와 같이, 분석 시스템 (108) 은 소정의 자산이 미래에 소정의 시간 주기 내에서 이용가능하지 않을 가능성이 있음을 예측하기 위한 모델 (즉, "비가용성 모델") 을 정의하도록 구성될 수도 있다. 분석 시스템 (108) 은 다양한 방식들로 이 단계를 수행할 수도 있다.

도 6 는 비가용성 모델을 정의하기 위하여 이용될 수도 있는 정의 페이즈의 하나의 가능한 예를 도시하는 흐름도 (600) 이다. 예시의 목적들을 위하여, 일 예의 정의 페이즈는 분석 시스템 (108) 에 의해 수행되는 것으로서 설명되지만, 이 정의 페이즈는 마찬가지로 다른 시스템들에 의해 수행될 수도 있다. 당업자는 흐름도 (600) 가 명확함 및 설명을 위하여 제공된다는 것과, 동작들의 수 많은 다른 조합들이 모델-작업흐름 쌍을 정의하기 위하여 사용될 수도 있다는 것을 인식할 것이다.

도 6 에서 도시된 바와 같이, 블록 (602) 에서, 분석 시스템 (108) 은 소정의 비가용성에 대한 기초를 형성하는 데이터의 세트 (예컨대, 관심 대상 데이터) 를 정의함으로써 시작할 수도 있다. 관심 대상 데이터는 자산들 (102, 103 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 비가용성 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 6 으로 돌아가면, 블록 (604) 에서, 분석 시스템 (108) 은 관심 대상 데이터에 기초하여, 미래에 소정의 시간 주기 내에서 이용가능하지 않게 되는 자산의 가능도와 자산의 동작 조건들 사이의 관계를 나타내는 집합적인 예측 모델을 정의하도록 구성될 수도 있다. 구체적으로, 집합적인 예측 모델은 자산의 센서들로부터의 센서 데이터 및 자산의 액츄에이터들로부터의 액츄에이터 데이터를 입력들로서 수신할 수도 있고, 자산이 미래에 소정의 시간 주기 내에서 이용가능하지 않게 될 확률을 출력할 수도 있다.

일반적으로, 집합적인 예측 모델을 정의하는 것은, 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. 하지만, 다른 기법들이 또한 가능하다.

하나의 특정한 예의 구현에서, 비가용성 모델은 자산의 건전성을 모니터링하고 자산에 대한 건전성 메트릭 (예컨대, "건전성 점수 (health score)") 을 출력하는 예측 모델의 형태를 취할 수도 있으며, 이는 고장이 미래로의 소정의 시간프레임 (timeframe) 내에서 소정의 자산에서 발생할 것인지 여부 (그리고 이에 따라 소정의 자산이 이용가능하지 않게 될 것인지 여부) 를 표시하는 단일의 집합된 메트릭이다. 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.

건전성 메트릭의 원하는 세분화도 (granularity) 에 의존하여, 분석 시스템 (108) 은, 각각이 비가용성 모델로서 사용될 수도 있는, 상이한 레벨들의 건전성 메트릭들을 출력하는 상이한 예측 모델들을 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 페이즈의 하나의 가능한 예를 도시하는 흐름도 (700) 이다. 예시의 목적들을 위하여, 일 예의 모델링 페이즈는 분석 시스템 (108) 에 의해 수행되는 것으로서 설명되지만, 이 모델링 페이즈는 마찬가지로 다른 시스템들에 의해 수행될 수도 있다. 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 가능도 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 가능도를 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 페이즈의 기능들은 지금부터 더욱 상세하게 설명될 것이다. 블록 (702) 로 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, 103 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 고장 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 구현들에서, 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.

도 7 로 돌아가면, 분석 시스템 (108) 이 소정의 고장의 소정의 발생에 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 가능도 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 가능도 사이의 관계를 정의할 수도 있다. 일부 구현들에서, 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. 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 구현들에서, 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 발생에 관한 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.

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 경우들에서, 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 소정의 시간프레임 내에서 발생할 것이라는 확률을 결정하기 위하여 사용될 수도 있다.

일부 예의 구현들에서, 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 구현들에서, 분석 시스템 (108) 은 블록 (702) 에서 정의된 고장들의 전부를 망라하는 단일 고장 모델을 결정할 수도 있다. 다른 구현들에서, 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 원하는 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 변수들의 논리합 (논리적 OR) 의 형태를 취할 수도 있다. 예를 들어, 블록 (706) 에서 결정된 임의의 시간프레임 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 구현들에서, 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.

비가용성 모델은 다양한 다른 형태들을 또한 취할 수도 있다. 예를 들어, 비가용성 모델은 메시 네트워크에서 통신하기 위한 자산의 자산 능력을 (예를 들어, 자산의 동작 데이터에 기초하여) 예측할 수도 있다. 다른 예에서, 비가용성 모델은 자산이 오프 라인으로 진입하는지 여부를 (예를 들어, 시간대, 배터리 수명, 스케줄링된 유지보수 등에 기초하여) 예측할 수도 있다.

다시 도 6 으로 돌아가면, 분석 시스템 (108) 은 자산들에 대한 개별화된 예측 모델들을 정의하도록 구성될 수도 있으며, 이는 집합적인, 예측 모델을 베이스 라인으로서 활용하는 것을 수반할 수도 있다. 개별화는 자산들의 소정의 특성들에 기초할 수도 있다. 이러한 방식으로, 분석 시스템 (108) 은 소정의 자산에 집합적인 예측 모델과 비교하여 보다 정확하고 견고한 예측 모델을 제공할 수도 있다.

특히, 블록 (606) 에서, 분석 시스템 (108) 은 자산 (102) 과 같은 소정의 자산에 대해 블록 (604) 에서 정의된 집합적인 모델을 개별화할지 여부를 판정하도록 구성될 수도 있다. 분석 시스템 (108) 은 다수의 방식들로 이러한 판정을 수행할 수도 있다.

일부 경우들에서, 분석 시스템 (108) 은 디폴트로 개별화된 예측 모델을 정의하도록 구성될 수도 있다. 다른 경우들에서, 분석 시스템 (108) 은 자산 (102) 의 어떤 특성들에 기초하여 개별화된 예측 모델을 정의할지 여부를 결정하도록 구성될 수도 있다. 예를 들어, 일부 경우들에서, 어떤 타입들 또는 클래스들의 자산 또는 어떤 환경에서 동작되거나 어떤 건전성 점수를 가지는 자산들만이 개별화된 예측 모델을 수신할 수도 있다. 또 다른 경우들에서, 사용자는 개별화된 모델이 자산 (102) 에 대해 정의되는지 여부를 정의할 수도 있다. 다른 예들이 또한 가능하다.

여하튼, 분석 시스템 (108) 이 자산 (102) 에 대한 개별화된 예측 모델을 정의하기로 판정하면, 분석 시스템 (108) 은 블록 (608) 에서 그렇게 할 수도 있다. 그렇지 않으면, 분석 시스템 (108) 은 정의 페이즈를 종료할 수도 있다.

블록 (608) 에서, 분석 시스템 (108) 은 다수의 방식들로 개별화된 예측 모델을 정의하도록 구성될 수도 있다. 예시의 구현들에서, 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 전에, 분석 시스템 (108) 은 개별화된 모델들의 기초를 형성하는 하나 이상의 관심 대상의 자산 특성들을 결정할 수도 있다. 실제로, 상이한 예측 모델들이 상이한 대응 관심 대상 특성들을 가질 수도 있다.

일반적으로 관심 대상 특성들은 집합적인, 예측 모델에 관련되는 특성일 수도 있다. 예를 들어, 관심 대상 특성들은 분석 시스템 (108) 이 결정한 집합적인, 예측 모델의 정확도에 영향을 주는 특성들일 수도 있다. 이러한 특성들의 예들은 다른 특성들 중에서도, 자산 연령, 자산 사용, 자산 용량, 자산 부하, 자산 건전성 (아마도 하기에서 논의되는 자산 건전성 메트릭), 자산 클래스 (예를 들어, 브랜드 및/또는 모델), 자산이 동작되는 환경을 포함할 수도 있다.

분석 시스템 (108) 은 다수의 방식들로 관심 대상 특성들을 결정할 수도 있다. 일 예에서, 분석 시스템 (108) 은 관심 대상 특성들의 식별을 용이하게 하는 하나 이상의 모델링 시뮬레이션들을 수행함으로써 그렇게 할 수도 있다. 다른 예에서, 관심 대상 특성들은 분석 시스템 (108) 의 데이터 스토리지에 사전정의되고 저장될 수도 있다. 또 다른 예에서, 관심 대상 특성들은 사용자에 의해 정의되고 출력 시스템 (110) 을 통해 분석 시스템 (108) 에 제공될 수도 있다. 다른 예들이 또한 가능하다.

여하튼, 관심 대상 특성들을 결정한 후에, 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, 존재 또는 결여 등을 결정할 수도 있다. 분석 시스템 (108) 은 다수의 방식들로 이러한 동작을 수행할 수도 있다.

예를 들어, 분석 시스템 (108) 은 자산 (102) 및/또는 데이터 소스 (112) 로부터 유래하는 데이터에 기초하여 이러한 동작을 수행하도록 구성될 수도 있다. 특히, 분석 시스템 (108) 은 자산 (102) 에 대한 동작 데이터 및/또는 데이터 소스 (112) 로부터의 외부 데이터를 활용하여 자산 (102) 의 하나 이상의 특성들을 결정할 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 다양한 방식들로 수정될 수도 있다. 예를 들어, 집합적인 모델은 다른 예들 중에서도, 하나 이상의 모델 입력들을 변화시키는 것 (예를 들어, 부가, 제거, 리오더링 등), 자산 동작 제한들에 대응하는 하나 이상의 센서들 및/또는 액츄에이터 측정 범위들 변화시키는 것 (예를 들어, "선두 표시자 (leading indicator)" 이벤트들에 대응하는 동작 제한들을 변화시키는 것), 하나 이상의 모델 계산들을 변화시키는 것, 계산의 출력 또는 변수를 가중화하는 것 (또는 가중치를 변화시키는 것), 집합적인 모델을 정의하기 위해 활용되었던 것과 상이한 모델링 기법을 활용하는 것, 및/또는 집합적인 모델을 정의하기 위해 활용되었던 것과 상이한 응답 변수를 활용하는 것에 의해 수정될 수도 있다.

실제로, 집합적인 모델을 개별화하는 것은 소정의 자산의 하나 이상의 특성들에 의존할 수도 있다. 특히, 어떤 특성들은 다른 특성들과 상이하게 집합적인 모델의 수정에 영향을 미칠 수도 있다. 또한, 특성의 타입, 값, 존재 등이 또한 수정에 영향을 미칠 수도 있다. 예를 들어, 자산 연령은 집합적인 모델의 제 1 부분에 영향을 미칠 수도 있는 한편, 자산 클래스는 집합적인 모델의 제 2, 상이한 부분에 영향을 미칠 수도 있다. 그리고 제 1 범위의 자산 연령은 제 1 방식으로 집합적인 모델의 제 1 부분에 영향을 미칠 수도 있는 한편, 제 2 범위 내의 자산 연령은 제 2, 상이한 방식으로 집합적인 모델의 제 1 부분에 영향을 미칠 수도 있다. 다른 예들이 또한 가능하다.

일부 구현들에서, 집합적인 모델을 개별화하는 것은 자산 특성들에 부가하여 또는 대안으로 고려 사항들에 의존할 수도 있다. 예를 들어, 집합적인 모델은 자산이 비교적 양호한 동작 상태 (예를 들어, 메커닉 (mechnaic) 등에 의해 정의된 바와 같음) 로 알려져 있을 때 자산의 센서 및/또는 액츄에이터 판독들에 기초하여 개별화될 수도 있다. 보다 구체적으로, 선두 표시자 예측 모델의 예에서, 분석 시스템 (108) 은 (예를 들어, 메커닉에 의해 동작되는 컴퓨팅 디바이스로부터) 자산이 양호한 동작 상태에 있다는 표시를 자산으로부터의 동작 데이터와 함께 수신하도록 구성될 수도 있다. 적어도 동작 데이터에 기초하여, 분석 시스템 (108) 은 그 후 "선두 표시자" 이벤트들에 대응하는 개개의 동작 제한들을 수정함으로써 자산에 대한 선두 표시자 예측 모델을 개별화할 수도 있다. 다른 예들이 또한 가능하다.

또한, 일부 예시의 구현들에서, 분석 시스템 (108) 은 집합적인 예측 모델을 먼저 정의하지 않고 소정의 자산에 대한 개별화된 예측 모델을 정의하도록 구성될 수도 있음을 이해해야한다. 다른 예들이 또한 가능하다.

2. 라우팅 테이블을 업데이트하기 위한 작업흐름

위에 언급된 바와 같이, 분석 시스템 (108) 은 또한 비가용성 모델에 기초하여 라우팅 테이블이 업데이트되도록 하기 위한 작업흐름을 정의하도록 구성될 수도 있다. 상술한 바와 같이, 분석 시스템 (108) 은 메시 네트워크에서의 복수의 자산들 중 소정의 자산이 미래에 소정의 시간 주기 내에서 이용가능하지 않을 가능성이 있는지 여부를 결정하기 위해 비가용성 모델을 실행할 수도 있다. 소정의 자산은 다른 시나리오들 중에서도, 소정의 자산의 고장, 소정의 자산이 오프 라인으로 진입하는 것, 소정의 자산의 스케줄링된 다운 시간, 소정의 자산이 메시 네트워크를 통해 통신할 수 없는 것 또는 그렇지 않은 경우 소정의 자산이 메시 네트워크에서 데이터 중계로서 기능할 수 없는 것에 기초하여 이용가능하지 않을 수도 있다.

여하튼, 라우팅 테이블을 업데이트하는 작업흐름은 메시 네트워크 내에서 노드로서 작용하는 자산이 미래에 이용가능하지 않을 가능성이 있는 하나 또는 다수의 다른 자산들을 처리하기 위해 그의 라우팅 정보를 업데이트게 할 수도 있다. 이러한 방식으로, 메시 네트워크는 미래에 이용가능하지 않을 가능성이 있는 노드 (자산) 에 의존하지 않는 경로들을 활용하도록 전향적으로 업데이트될 수도 있다.

분석 시스템 (108) 은 다양한 트리거들에 기초하여 트리거되도록 이러한 라우팅 테이블 작업흐름을 정의할 수도 있다. 일반적으로, 이러한 트리거는 소정의 자산이 이용가능하지 않을 가능성이 있음을 나타낼 수도 있다. 예시의 구현 들에서, 트리거는 소정의 자산의 건전성 점수의 형태를 취할 수도 있다. 구체적으로, 라우팅 테이블 작업흐름은 소정의 자산의 건전성 점수가, 점수가 어떻게 구성되는지에 따라 달라질 수 있는 비가용성 임계 (예를 들어, 건전성 점수 임계 값) 를 충족하거나, 아래에 머물러 있거나 또는 초과하는 것을 결정하는 분석 시스템 (108)(또는 소정의 자산의 로컬 분석 디바이스) 에 기초하여 트리거링될 수도 있다.

대안으로, 트리거는 소정의 자산의 건전성 점수가 소정의 기간 주기 동안 비가용성 임계를 충족하거나, 아래에 머물러 있거나 또는 초과하는 것을 결정하는 분석 시스템 (108) 에 기초할 수도 있다. 예를 들어, 이것은 소정의 자산이 일시적으로 이용가능하지 않도록 하는데 충분하지 않을 수도 있다; 소정의 자산은 특정 양의 시간, 예컨대 30 분, 1 시간 또는 복수 시간 등 동안 이용가능하지 않을 가능성이 있을 것이라고 결정되는 경우 이용가능하지 않은 것으로 여겨질 수도 있다. 예시의 구현들에서, 분석 시스템 (108) 은 분석되고 있는 소정의 라우트의 최근 스루풋과 (예를 들어, 특정 사이즈의) 소정의 메시지를 송신하는데 필요한 최소 시간의 비교에 기초하여 작업흐름을 트리거링하는 비가용성의 시간 주기를, 그러한 스루풋 조건들이 존재한다고 가정하여 소정의 라우트를 통해 결정할 수도 있다. 시간 주기는 다른 방식들로 또한 결정될 수 있다.

실제로, 분석 시스템 (108) 은 모든 자산들 (102, 103 및 104)(예를 들어, 집합적인 작업 흐름) 에 관한 라우팅 테이블 작업흐름을 정의할 수도 있다. 하지만, 일부 구현들에서, 분석 시스템 (108) 은 하나 이상의 자산들에 대한 작업흐름을 개별화할 수도 있다. 예를 들어, 자산 (102) 은 자산 (103) 과는 상이한 비가용성 임계를 가질 수도 있다.

분석 시스템 (108) 은 개별화된 예측 모델에 기초하여 개별화된 작업흐름을 정의할지 여부를 결정할 수도 있다. 또 다른 구현에서, 분석 시스템 (108) 은 개별화된 예측 모델이 정의되었다면, 개별화된 작업흐름을 정의하기로 판정할 수도 있다. 다른 구현에서, 분석 시스템 (108) 은 상이한 자산들에 대한 상이한 비가용성 임계들을 결정하기 위해 집합적인 작업흐름의 효과에 영향을 미치는 관심 대상 특성들을 사용할 수도 있다. 다른 예들이 또한 가능하다.

동작에 있어서, 분석 시스템 (108) 은 실행된 작업흐름에 기초하여 자산들 (102-104) 중 하나 이상에 시그널링 메시지를 송신할 수도 있다. 즉, 시그널링 메시지는 분석 시스템 (108) 이 미래에 소정의 시간 주기 내에서 소정의 자산이 이용가능하지 않을 가능성이 있음을 결정하는 것을 반영할 수도 있다. 시그널링 메시지는 라우팅 토폴로지를 업데이트하기 위해 자산에 그의 라우팅 테이블을 업데이트하도록 명령할 수도 있으며 그 업데이트들을 다른 자산에 중계하도록 자산에 또한 명령할 수도 있다. 예를 들어, 비가용성 모델을 실행하고 자산 (104) 이 이용가능하지 않을 가능성이 있음을 결정하는 것에 기초하여, 분석 시스템 (108) 은 시그널링 메시지를 자산 (102) 에 송신할 수 있으며, 이는 결국 그 라우팅 테이블을 업데이트한다. 자산 (102) 은 후속하여 시그널링 메시지를 자산 (103) 에 송신하며, 이는 그 라우팅 테이블을 업데이트한다.

또한, 일부 구현들에서, 시그널링 메시지는 라우팅 토폴로지로부터 곧 이용가능하지 않게 될 자산 (예를 들어, 자산 (104)) 을 제거하는 명령들을 포함할 수도 있다. 다른 구현에서, 분석 시스템 (108) 은 메시 네트워크 (105) 내의 각각의 자산에 대한 라우팅 토폴로지를 업데이트하고 업데이트된 라우팅 토폴로지의 표시를 (예를 들어, 개개의 라우팅 테이블을 자산들로 송신함으로써) 각각의 자산으로 송신할 수도 있다.

D. 모델 작업흐름 쌍의 실행

위에 개시된 모델-작업 흐름 쌍이 분석 시스템 (108) 에 의해 정의되면, 그 모델-작업흐름 쌍은 그 후 분석 시스템 (108) 에 의해 실행될 수 있고 및/또는 (예를 들어, 로컬 분석 디바이스에 의한) 로컬 실행을 위해 자산으로 전송될 수 있다.

비가용성 모델을 실행하는 동안, 분석 시스템 (108) 및/또는 소정의 자산은 소정의 자산이 미래에 소정의 시간 기간 내에서 이용가능하지 않을 가능성이 있음을 결정할 수도 있다. 예를 들어, 분석 시스템 (108) 및/또는 소정의 자산은 비가용성 모델의 출력을 임계와 비교함으로써 출력이 임계를 충족시키거나 초과했다는 것을 결정하는 것에 의해 이러한 결정을 행할 수도 있다. 이로써, 분석 시스템 (108) 및/또는 소정의 자산은 하나 이상의 라우팅 테이블을 업데이트하도록 작업흐름을 실행할 수도 있다. 예를 들어, 분석 시스템 (108) 은 소정의 자산이 이용가능하지 않을 가능성이 없다는 결정을 포함하는 신호 메시지를 하나 이상의 자산들에 송신할 수도 있다. 다른 예에서, 분석 시스템 (108) 은 개개의 자산에 대한 라우팅 구성에 대한 업데이트들을 포함하는 하나 이상의 자산들로 신호 메시지를 송신할 수도 있다.

이러한 작업흐름을 실행한 결과, 곧 이용가능하지 않게 될 자산이 라우팅 테이블에서 제거될 수도 있고 또는 그 자산을 포함하는 경로들이 디스에이블될 수도 있다. 예를 들어, 라우팅 테이블은 메시 네트워크에서의 다른 자산이, 이용가능하지 않을 것임을 추정함으로써 곧 이용가능하지 않게 될 자산 주위를 라우팅할 수도 있도록 업데이트될 수도 있다.

본 명세서에 개시된 모델-작업흐름 쌍은 또한, 곧 이용가능하지 않게 될 자산이 다시 이용가능함을 결정하는 경우 라우팅 테이블이 이후에 다시 업데이트게 할 수도 있다.

상기는 네트워크에서의 노드들로서 자산들이 작용하는 것을 논의하지만, 이것은 제한하려고 의도되지 않는다. 일부 구현들에서, 센서 (예를 들어, 환경 센서, 산업 자동화 센서 등) 는 노드로서 작용할 수도 있고 그에 따라 위의 동작들은 수정될 수도 있다.

VI. 예시의 방법

도 8 은 메시 네트워크 (105) 에 대한 라우팅 테이블을 업데이트하기 위한 예시의 방법을 도시하는 흐름도 (800) 이다. 예시의 목적으로, 예시의 방법은 분석 시스템 (108) 에 의해 수행되는 것으로 설명되지만, 이러한 정의 페이즈는 메시 네트워크 (105) 에서의 자산들 중 하나의 로컬 분석 디바이스 (220) 를 포함하는 다른 시스템들에 의해 또한 수행될 수도 있다. 당업자는 흐름도 (500) 가 명확성 및 설명을 위해 제공되고, 메시 네트워크에서 라우팅 테이블을 업데이트하기 위해 다수의 다른 동작들의 조합이 활용될 수도 있음을 알 것이다.

도 8 에 나타낸 바와 같이, 블록 (802) 에서, 분석 시스템 (108) 은 예측 모델에 기초하여, 메시 네트워크에서의 복수의 자산들 중 소정의 자산이 미래에 소정의 시간 주기 내에서 이용가능하지 않을 가능성이 있음을 결정하는 것으로 시작한다. 일부 구현들에서, 복수의 자산들은 운송 머신, 산업 머신, 의료 머신 및 유틸리티 머신 중 적어도 하나를 포함할 수도 있다.

일부 구현들에서, 예측 모델은 다수의 자산들에 대한 센서들로부터 수신된 이력 데이터에 기초할 수도 있다. 분석 시스템 (108) 은 소정의 자산으로부터 또는 다른 자산으로부터 센서 데이터를 수신하고, 예측 모델을 센서 데이터에 적용하는 것에 기초하여 소정의 자산에 대한 건전성 점수를 결정하며, 그리고 소정의 자산이 비가용성 가능도 임계를 충족함을 결정하는 것에 기초하여, 소정의 자산이 이용가능하지 않을 가능성이 있음을 결정할 수도 있다. 일부 다른 구현들에서, 예측 모델은 자산과 연관된 정보에 기초할 수도 있다. 예를 들어, 소정의 자산은 자산의 고장, 자산의 스케줄링된 다운 시간 (예들 들어, 자산이 오프 라인으로 진입), 야간에 자산이 파워 다운하는 것, 및 자산이 메시 네트워크를 통해 통신할 수 없는 것에 기초하여 이용가능하지 않을 수도 있다. 예측 모델은 소정의 자산이 자산의 연령, 총 동작 시간, 마지막 유지보수 이벤트 이후의 시간 등에 기초하여 이용가능하지 않을 가능성이 있음을 판단할 수도 있다.

블록 (804) 에서, 결정에 응답하여, 메시 네트워크에서의 적어도 하나의 다른 자산에 대한 라우팅 구성이 업데이트되도록 한다. 라우팅 구성은 도 1 을 참조하여 상술한 시스템에서의 하나 이상의 다른 자산들로부터 및 다른 엔티티들로 데이터를 송신하거나 데이터를 수신하기 위해 메시 네트워크에서의 자산들의 각각에 대한 경로들을 포함할 수도 있다.

라우팅 구성은 이용가능하지 않을 가능성이 있는 라우팅 구성으로부터 자산들을 제거하는 것을 포함할 수도 있다. 대안으로 또는 부가적으로, 분석 시스템 (108) 은 이러한 자산들을 라우팅 테이블의 부분으로서 유지할 수 있지만, 이들 자산들의 상태가 변화할 때까지 이용가능하지 않을 가능성이 있는 자산들을 포함하는 경로들을 업데이트할 수도 있다. 예를 들어, 자산들이 건전성 점수와 연관되는 경우, 건전성 점수가 증가하거나 비가용성 가능도 임계 아래로 떨어지면 자산이 이용가능하지 않게 됨이 결정될 수도 있다. 자산 (200) 이 메시 네트워크에 대한 라우팅 테이블을 업데이트하는 일부 구현들에서, 자산은 업데이트 된 라우팅 테이블에 기초하여 통신하고 업데이트된 라우팅 테이블의 적어도 일부를 복수의 자산들 중 다른 것으로 송신할 수도 있다.

Claims

컴퓨터 구현 방법으로서,
예측 모델에 기초하여, 메시 네트워크에서의 복수의 자산 (asset) 들 중 소정의 자산이 미래에 소정의 시간 주기 내에서 이용가능하지 않을 가능성이 있음을 결정하는 단계; 및
상기 결정하는 단계에 응답하여, 상기 메시 네트워크에서의 적어도 하나의 다른 자산에 대한 라우팅 구성이 업데이트되게 하는 단계를 포함하는, 컴퓨터 구현 방법.
제 1 항에 있어서,
상기 복수의 자산들 중 상기 소정의 자산이 이용가능하지 않을 가능성이 있음을 결정하는 단계는,
상기 소정의 자산으로부터 센서 데이터를 수신하는 단계;
상기 예측 모델을 상기 센서 데이터에 적용하는 것에 기초하여 상기 소정의 자산에 대한 건전성 점수를 결정하는 단계; 및
상기 소정의 자산에 대한 상기 건전성 점수가 비가용성 가능도 임계를 충족한 것을 결정하는 단계를 포함하는, 컴퓨터 구현 방법.
제 2 항에 있어서,
상기 소정의 자산에 대한 상기 건전성 점수가 상기 비가용성 가능도 임계를 충족한 것을 결정하는 단계는, 상기 소정의 자산이 어떤 시간 주기 동안 상기 비가용성 가능도 임계를 충족한 것을 결정하는 단계를 포함하는, 컴퓨터 구현 방법.
제 1 항에 있어서,
상기 소정의 자산은 상기 소정의 자산의 고장, 상기 소정의 자산이 오프 라인으로 진입하는 것, 상기 소정의 자산에 대한 스케줄링된 다운 시간, 또는 상기 소정의 자산이 메시 네트워크를 통해 통신할 수 없는 것 중 적어도 하나에 기초하여 이용가능하지 않을 가능성이 있는, 컴퓨터 구현 방법.
제 1 항에 있어서,
상기 복수의 자산들은 운송 머신, 산업 머신, 의료 머신, 또는 유틸리티 머신 중 적어도 하나를 포함하는, 컴퓨터 구현 방법.
제 1 항에 있어서,
상기 메시 네트워크에서 적어도 하나의 다른 자산에 대한 라우팅 구성이 업데이트되게 하는 단계는,
상기 소정의 자산이 상기 미래에 소정의 시간 주기 내에서 이용가능하지 않을 가능성이 있다는 결정을, 상기 메시 네트워크에서의 상기 복수의 자산들 중 하나로 송신하는 단계를 포함하고,
상기 메시 네트워크에서의 상기 복수의 자산들 중 하나는 그의 라우팅 구성을 업데이트하는, 컴퓨터 구현 방법.
제 1 항에 있어서,
상기 메시 네트워크에서 적어도 하나의 다른 자산에 대한 라우팅 구성이 업데이트되게 하는 단계는, 상기 소정의 자산이 상기 미래에 소정의 시간 주기 내에서 이용가능하지 않을 가능성이 있다는 결정을 상기 메시 네트워크에서의 적어도 하나의 다른 자산으로 송신하는 단계를 포함하는, 컴퓨터 구현 방법.
명령들이 저장된 비일시적 컴퓨터 판독가능 매체로서,
상기 명령들은, 컴퓨팅 시스템으로 하여금,
예측 모델에 기초하여, 메시 네트워크에서의 복수의 자산들 중 소정의 자산이 미래에 소정의 시간 주기 내에서 이용가능하지 않을 가능성이 있음을 결정하게 하고; 그리고
상기 결정하는 것에 응답하여, 상기 메시 네트워크에서의 적어도 하나의 다른 자산에 대한 라우팅 구성이 업데이트되게 하도록 실행가능한, 비일시적 컴퓨터 판독가능 매체.
제 8 항에 있어서,
상기 복수의 자산들 중 상기 소정의 자산이 이용가능하지 않을 가능성이 있음을 결정하는 것은,
상기 소정의 자산으로부터 센서 데이터를 수신하는 것;
상기 예측 모델을 상기 센서 데이터에 적용하는 것에 기초하여 상기 소정의 자산에 대한 건전성 점수를 결정하는 것; 및
상기 소정의 자산에 대한 상기 건전성 점수가 비가용성 가능도 임계를 충족한 것을 결정하는 것을 포함하는, 비일시적 컴퓨터 판독가능 매체.
제 9 항에 있어서,
상기 소정의 자산에 대한 상기 건전성 점수가 상기 비가용성 가능도 임계를 충족한 것을 결정하는 것은, 상기 소정의 자산이 어떤 시간 주기 동안 상기 비가용성 가능도 임계를 충족한 것을 결정하는 것을 포함하는, 비일시적 컴퓨터 판독가능 매체.
제 8 항에 있어서,
상기 소정의 자산은 상기 소정의 자산의 고장, 상기 소정의 자산이 오프 라인으로 진입하는 것, 상기 소정의 자산에 대한 스케줄링된 다운 시간, 또는 상기 소정의 자산이 상기 메시 네트워크를 통해 통신할 수 없는 것 중 적어도 하나에 기초하여 이용가능하지 않을 가능성이 있는, 비일시적 컴퓨터 판독가능 매체.
제 8 항에 있어서,
상기 복수의 자산들은 운송 머신, 산업 머신, 의료 머신, 또는 유틸리티 머신 중 적어도 하나를 포함하는, 비일시적 컴퓨터 판독가능 매체.
제 8 항에 있어서,
상기 메시 네트워크에서 적어도 하나의 다른 자산에 대한 라우팅 구성이 업데이트되게 하는 것은,
상기 소정의 자산이 상기 미래에 소정의 시간 주기 내에서 이용가능하지 않을 가능성이 있다는 결정을, 상기 메시 네트워크에서의 상기 복수의 자산들 중 하나로 송신하는 것을 포함하고,
상기 메시 네트워크에서의 상기 복수의 자산들 중 하나는 그의 라우팅 구성을 업데이트하는, 비일시적 컴퓨터 판독가능 매체.
제 8 항에 있어서,
상기 메시 네트워크에서 적어도 하나의 다른 자산에 대한 라우팅 구성이 업데이트되게 하는 것은, 상기 소정의 자산이 상기 미래에 소정의 시간 주기 내에서 이용가능하지 않을 가능성이 있다는 결정을, 상기 메시 네트워크에서의 적어도 하나의 다른 자산으로 송신하는 것을 포함하는, 비일시적 컴퓨터 판독가능 매체.
컴퓨팅 시스템으로서,
적어도 하나의 프로세서;
비일시적 컴퓨터 판독가능 매체; 및
상기 비일시적 컴퓨터 판독가능 매체 상에 저장된 프로그램 명령들을 포함하고,
상기 프로그램 명령들은, 상기 컴퓨팅 시스템으로 하여금,
예측 모델에 기초하여, 메시 네트워크에서의 복수의 자산들 중 소정의 자산이 미래에 소정의 시간 주기 내에서 이용가능하지 않을 가능성이 있음을 결정하게 하고; 그리고
상기 결정하는 것에 응답하여, 상기 메시 네트워크에서의 적어도 하나의 다른 자산에 대한 라우팅 구성이 업데이트되게 하도록,
상기 적어도 하나의 프로세서에 의해 실행가능한, 컴퓨팅 시스템.
제 15 항에 있어서,
상기 복수의 자산들 중 상기 소정의 자산이 이용가능하지 않을 가능성이 있음을 결정하는 것은,
상기 소정의 자산으로부터 센서 데이터를 수신하는 것;
상기 예측 모델을 상기 센서 데이터에 적용하는 것에 기초하여 상기 소정의 자산에 대한 건전성 점수를 결정하는 것; 및
상기 소정의 자산에 대한 상기 건전성 점수가 비가용성 가능도 임계를 충족한 것을 결정하는 것을 포함하는, 컴퓨팅 시스템.
제 16 항에 있어서,
상기 소정의 자산에 대한 상기 건전성 점수가 상기 비가용성 가능도 임계를 충족한 것을 결정하는 것은, 상기 소정의 자산이 어떤 시간 주기 동안 상기 비가용성 가능도 임계를 충족한 것을 결정하는 것을 포함하는, 컴퓨팅 시스템.
제 15 항에 있어서,
상기 소정의 자산은 상기 소정의 자산의 고장, 상기 소정의 자산이 오프 라인으로 진입하는 것, 상기 소정의 자산에 대한 스케줄링된 다운 시간, 또는 상기 소정의 자산이 상기 메시 네트워크를 통해 통신할 수 없는 것 중 적어도 하나에 기초하여 이용가능하지 않을 가능성이 있는, 컴퓨팅 시스템.
제 15 항에 있어서,
상기 복수의 자산들은 운송 머신, 산업 머신, 의료 머신, 또는 유틸리티 머신 중 적어도 하나를 포함하는, 컴퓨팅 시스템.
제 15 항에 있어서,
상기 메시 네트워크에서 적어도 하나의 다른 자산에 대한 라우팅 구성이 업데이트되게 하는 것은,
상기 소정의 자산이 상기 미래에 소정의 시간 주기 내에서 이용가능하지 않을 가능성이 있다는 결정을, 상기 메시 네트워크에서의 상기 복수의 자산들 중 하나로 송신하는 것을 포함하고,
상기 메시 네트워크에서의 상기 복수의 자산들 중 하나는 그의 라우팅 구성을 업데이트하는, 컴퓨팅 시스템.