KR20180082606A - 예측 모델에 기반하여 데이터 취득 파라미터들을 변경하기 위한 컴퓨터 구조 및 방법 - Google Patents

예측 모델에 기반하여 데이터 취득 파라미터들을 변경하기 위한 컴퓨터 구조 및 방법 Download PDF

Info

Publication number
KR20180082606A
KR20180082606A KR1020187018739A KR20187018739A KR20180082606A KR 20180082606 A KR20180082606 A KR 20180082606A KR 1020187018739 A KR1020187018739 A KR 1020187018739A KR 20187018739 A KR20187018739 A KR 20187018739A KR 20180082606 A KR20180082606 A KR 20180082606A
Authority
KR
South Korea
Prior art keywords
data
asset
group
predetermined
events
Prior art date
Application number
KR1020187018739A
Other languages
English (en)
Inventor
마이클 골드스타인
톰 라벤스베르그
윌 한스만
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
Application filed by 업테이크 테크놀로지스 인코포레이티드 filed Critical 업테이크 테크놀로지스 인코포레이티드
Publication of KR20180082606A publication Critical patent/KR20180082606A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/0706—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation the processing taking place on a specific hardware platform or in a specific software environment
    • G06F11/0748—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation the processing taking place on a specific hardware platform or in a specific software environment in a remote unit communicating with a single-box computer node experiencing an error/fault
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/079—Root cause analysis, i.e. error or fault diagnosis
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D3/00—Indicating or recording apparatus with provision for the special purposes referred to in the subgroups
    • G01D3/08—Indicating or recording apparatus with provision for the special purposes referred to in the subgroups with provision for safeguarding the apparatus, e.g. against abnormal operation, against breakdown
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M99/00—Subject matter not provided for in other groups of this subclass
    • G01M99/005—Testing of complete machines, e.g. washing-machines or mobile phones
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M99/00—Subject matter not provided for in other groups of this subclass
    • G01M99/008—Subject matter not provided for in other groups of this subclass by doing functionality tests
    • 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
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
    • 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
    • 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
    • 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
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0275—Fault isolation and identification, e.g. classify fault; estimate cause or root of failure
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/008—Reliability or availability analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/0706—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation the processing taking place on a specific hardware platform or in a specific software environment
    • G06F11/0709—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation the processing taking place on a specific hardware platform or in a specific software environment in a distributed system consisting of a plurality of standalone computer nodes, e.g. clusters, client-server systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/0706—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation the processing taking place on a specific hardware platform or in a specific software environment
    • G06F11/0721—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation the processing taking place on a specific hardware platform or in a specific software environment within a central processing unit [CPU]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/0751—Error or fault detection not based on redundancy
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/0751—Error or fault detection not based on redundancy
    • G06F11/0754—Error or fault detection not based on redundancy by exceeding limits
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/0766—Error or fault reporting or storing
    • G06F11/0772—Means for error signaling, e.g. using interrupts, exception flags, dedicated error registers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/0766—Error or fault reporting or storing
    • G06F11/0787—Storage of error reports, e.g. persistent data storage, storage using memory protection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/0793—Remedial or corrective actions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/16—Error detection or correction of the data by redundancy in hardware
    • G06F11/20—Error detection or correction of the data by redundancy in hardware using active fault-masking, e.g. by switching out faulty elements or by switching in spare elements
    • G06F11/2002—Error detection or correction of the data by redundancy in hardware using active fault-masking, e.g. by switching out faulty elements or by switching in spare elements where interconnections or communication control functionality are redundant
    • G06F11/2007—Error detection or correction of the data by redundancy in hardware using active fault-masking, e.g. by switching out faulty elements or by switching in spare elements where interconnections or communication control functionality are redundant using redundant communication media
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/22—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing
    • G06F11/26—Functional testing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/22—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing
    • G06F11/26—Functional testing
    • G06F11/263—Generation of test inputs, e.g. test vectors, patterns or sequences ; with adaptation of the tested hardware for testability with external testers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0633—Workflow analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/067—Enterprise or organisation modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/20—Administration of product repair or maintenance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/08—Construction
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/008—Registering or indicating the working of vehicles communicating information to a remotely located station
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
    • G07C5/0808—Diagnosing performance data
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
    • G07C5/0816—Indicating performance data, e.g. occurrence of a malfunction
    • G07C5/0825—Indicating performance data, e.g. occurrence of a malfunction using optical means
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/18—Status alarms
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/18—Status alarms
    • G08B21/187—Machine fault alarms
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L45/00—Routing or path finding of packets in data switching networks
    • H04L45/22—Alternate routing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2201/00—Indexing scheme relating to error detection, to error correction, and to monitoring
    • G06F2201/85—Active fault masking without idle spares
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Quality & Reliability (AREA)
  • Human Resources & Organizations (AREA)
  • General Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Automation & Control Theory (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Computer Hardware Design (AREA)
  • Educational Administration (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Manufacturing & Machinery (AREA)
  • Biomedical Technology (AREA)
  • Emergency Management (AREA)
  • Computational Linguistics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Human Computer Interaction (AREA)
  • Probability & Statistics with Applications (AREA)
  • Algebra (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)

Abstract

예측 모델에 기반하여 애셋-모니터링 시스템에서 데이터 취득 동작을 변경하도록 구성된 컴퓨터 구조 및 소프트웨어가 본원에게 개시된다. 본 발명 개시에 따라, 상기 애셋-모니터링 시스템은, 이벤트들의 그룹으로부터의 적어도 하나의 이벤트 (예를 들면, 고장 이벤트)가 미래의 정해진 시간 구간 내에서 정해진 애셋에서 발생할 가능성이 있는가의 여부에 대한 표시자를 출력하는 예측 모델을 실행할 수 있다. 이 예측 모델의 출력에 기반하여, 상기 애셋-모니터링 시스템은 상기 정해진 애셋으로부터 데이터를 수집하기 위한 수집된 데이터를 위한 저장 위치, 수집된 상기 애셋으로부터의 데이터 변수들의 세트, 및/또는 상기 애셋으로부터의 데이터가 수집되는 속도와 같은 하나 이상의 동작 파라미터들을 변경할 수 있다.

Description

예측 모델에 기반하여 데이터 취득 파라미터들을 변경하기 위한 컴퓨터 구조 및 방법
관련된 출원들에 대한 상호 참조
본원은 다음의 미국 출원들에 대한 우선권을 주장한다:
2015년 12월 8일에 출원된 "Computer Architecture and Method for Modifying Data Intake Storage Location based on a Predictive Model" 제목의 미국 정규 특허 출원 No. 14/963,208; 2015년 12월 8일에 출원된 "Computer Architecture and Method for Modifying Intake Data Set based on a Predictive Model" 제목의 미국 정규 특허 출원 No. 14/963,209; 그리고 2015년 12월 8일에 출원된 "Computer Architecture and Method for Modifying Intake Data Rate based on a Predictive Model" 제목의 미국 정규 특허 출원 No. 14/963,212. 이 출원들은 그 전체가 본원에 참조로서 편입된다.
본원은 다음의 미국 특허 출원들을 또한 참조로서 편입한다: 2015년 6월 5일에 출원된 "Asset Health Score" 제목의 미국 정규 특허 출원 No. 14/732,258; 그리고 2015년 12월 8일에 출원된 "Local Analytics at an Asset" 제목의 미국 정규 특허 출원 No. 14/963,207.
오늘날, 기계들 (본원에서는 "애셋들 (assets)"로도 언급됨)은 여러 산업분야들에 도처에 존재한다. 간호사들과 의사들이 생명을 구하는 것을 돕는 의료 설비에게 여러 지역들을 가로질러 화물을 전달하는 기관차들로부터, 애셋들은 매일의 생활에 중요한 역할에 공헌한다. 애셋이 공헌하는 그 역할에 따라서, 그 애셋의 복잡성 및 비용이 변할 수 있다. 예를 들면, 몇몇의 애셋들은 그 애셋이 적절하게 작용하기 위해 조화되어 동작해야 하는 다수의 서브시스템들을 포함할 수 있다 (예를 들면, 기관차의 엔진, 트랜스미션 등).
매일의 생활에서 애셋들이 행동하는 중요한 역할 때문에, 비가동시간 (downtime)을 제한하면서 애셋들이 수리가능한 것이 소망된다. 따라서, 일부에서는 애셋을 수리하는 것을 용이하게 하기 위해 아마도 비가동시간은 최소화하면서 그 애셋 내 비정상적인 상태들을 모니터하고 탐지하기 위한 메커니즘들을 개발해오고 있다.
본 발명은 상기와 같은 기능을 제공할 수 있도록 하기 위해 예측 모델에 기반하여 데이터 취득 (intake) 파라미터들을 변경하기 위한 컴퓨터 구조 및 방법을 제공하려고 한다.
애셋들을 모니터하기 위한 현재의 접근방식은 애셋 (asset)의 동작 상태들을 모니터하는 애셋 전체에 걸쳐 분포된 다양한 센서들 및/또는 액튜에이터들로부터의 신호들의 모습인 동작 데이터 (operating data)를 수신하는 온-애셋 (on-asset) 컴퓨터를 보통 수반한다. 하나의 대표적인 예로서, 애셋이 기관차라면, 상기 센서들 및/또는 액튜에이터들은 다른 예들 중에서도 온도들, 전압들, 및 속도들과 같은 파라미터들을 모니터할 수 있다. 이런 디바이스들 중 하나 이상으로부터의 센서 및/또는 액튜에이터 신호들이 특정 값들에 도달하면, 온-애셋 컴퓨터는 "고장 코드"와 같은 비정상-상태 표시자 (indicator)를 생성할 수 있으며, 이는 상기 애셋 내에서 비정상 상태에 도달했다는 표시이다.
일반적으로, 비정상 상태는 애셋이나 애셋의 컴포넌트에서의 결함일 수 있으며, 이는 그 애셋 및/또는 컴포넌트의 고장으로 이끌 수 있다. 그처럼. 비정상 상태는 소정의 고장 또는 고장들의 전조라는 점에서 비정상 상태는 소정의 고장과 연관될 수 있다. 실제로, 사용자는 센서들 및 각 비정상-상태 표시자와 연관된 각 센서 값들을 정의하는 것이 보통이다. 즉, 그 사용자는 애셋의 "정상" 동작 상태들 (예를 들면, 고장 코드들을 트리거하지 않는 동작 상태들) 그리고 "비정상" 동작 상태들 (예를 들면, 고장 코드들을 트리거하는 동작 상태들)을 정의한다.
상기 온-애셋 컴퓨터는 원격 애셋-모니터링 시스템과 같은 원격 위치로 센서 신호들, 액튜에이터 신호들, 및/또는 비정상-상태 표시자를 또한 송신할 수 있으며, 그 원격 애셋-모니터링 시스템은 그런 데이터 상에서의 추가의 프로세싱을 그 후에 수행할 수 있다. 예를 들면, 원격 애셋-모니터링 시스템은 애셋으로부터 수신된 특정 데이터를 예측 모델을 정의하기 위한 트레이닝 데이터로서 그리고/또는 예측 모델을 실행하기 위한 입력 데이터로서 사용할 수 있다
실제로, 애셋들은 많은 양의 데이터를 원격 애셋-모니터링 시스템으로 송신할 수 있을 것이지만, 그 애셋-모니터링 시스템이 이 인입 데이터 모두를 반드시 프로세싱할 수 있는 것은 아니다. 그래서, 프로세싱을 위해 수집된 애셋 데이터의 분량을 줄이기 위해서, 애셋-모니터링 시스템은 데이터 취득 (intake) 프로세스를 수행하도록 구성될 수 있으며, 그 데이터 취득 프로세스 동안에 상기 시스템은 다양한 취득 파라미터들에 따라서 애셋 데이터를 선택적으로 필터링, 분석, 소팅, 조직, 및/또는 라우팅할 수 있다. 예를 들면, 애셋이 상이한 데이터 변수들 (예를 들면, 다양한 상이한 센서들/액튜에이터들로부터의 신호들)의 큰 세트를 위한 데이터 스트림들을 송신하는 반면, 애셋-모니터링 시스템은 이 데이터 변수들 중에서 고정된 서브세트만을 취득하도록 구성될 수 있다. 다른 예로서, 각 데이터 변수를 위한 많은 개수의 연속 데이터 포인트들로 각각이 구성된 데이터 스트림들을 애셋이 송신할 수 있지만, 애셋-모니터링 시스템은 상기 애셋으로부터 수신된 데이터를 고정된 취득 속도 (또는 "샘플링 속도")에 따라서 취득하도록 구성되어, 상기 시스템이 그런 각 데이터 스트림에서 데이터 포인트들의 서브세트만을 취득하도록 할 수 있다. 다른 예들도 마찬가지로 가능하다. 애셋-모니터링 시스템은 취득을 위해 식별된 애셋 데이터를 미리 정해진 저장 위치로 그 후에 라우팅할 수 있으며, 그런 데이터는 추가의 프로세싱을 위해 그 저장 위치에서 액세스될 수 있으며, 반면에 다른 애셋 데이터는 폐기 또는 보관된다.
이 취득 프로세스는 애셋-모니터링 시스템이 프로세싱을 위해 인입하는 애셋 데이터를 처리하는 것을 가능하게 하기에 일반적으로 효과적이지만, 변경된 취득 파라미터들에 따라 애셋 데이터를 취득하는 것이 소망되는 때가 있을 수 있다. 예를 들면, 특별한 애셋이 가까운 미래에 고장 이벤트와 마주칠 가능성이 있다고 보인다면, 애셋-모니터링 시스템은 그 애셋으로부터의 데이터를 더 높은 레벨의 중요성을 가지고 다루기 위해서 자신의 취득 파라미터들을 조절하는 것이 소망될 수 있으며, 이는 그런 데이터가 고장 이벤트의 원인에 대한 더 나은 통찰력을 보통은 제공하고, 그래서 (다른 이유들 중에서도) 예측성 고장 모델을 트레이닝하는 프로세스에게 더 가치있을 수 있기 때문이다.
여기에서 개시된 예시의 시스템들, 디바이스들, 및 방법들은 이 문제점들 중 하나 이상을 해결하는 것을 도우려고 한다. 예시의 구현들에서, 네트워크 설정은 애셋들 및 원격 컴퓨팅 시스템 사이에서의 통신들을 용이하게 하는 통신 네트워크를 포함할 수 있다. 몇몇의 경우들에서, 상기 통신 네트워크는 (예를 들면, 암호화 또는 다른 보안 수단을 경유하여) 애셋들 및 원격 컴퓨팅 시스템 사이에서의 안전한 통신들을 용이하게 할 수 있다
위에서 지시되었듯이, 각 애셋은 애셋의 동작 상태들을 모니터하는 것을 용이하게 하는 상기 애셋 전체에 걸쳐서 분포된 다수의 센서들 및/또는 액튜에이터들을 포함할 수 있다. 여러 애셋들은 각 애셋의 동작 상태들을 나타내는 각자의 데이터를 원격 컴퓨팅 시스템에게 제공할 수 있으며, 이 원격 컴퓨팅 시스템은 상기 제공된 데이터에 기반하여 하나 이상의 행동들을 수행하도록 구성될 수 있다.
예시의 구현들에서, 상기 원격 컴퓨팅 시스템은 상기 애셋들의 동작에 관련된 하나 이상의 예측 모델들을 정의하고 그리고 그 후에 상기 하나 이상의 예측 모델들에 따라 동작하도록 구성될 수 있다. 일반적으로, 각각의 그런 예측 모델은 특별한 애셋으로부터의 센서 데이터를 입력으로서 수신하고 그리고 이벤트들의 일정한 그룹 중 적어도 하나의 이벤트가 미래의 특별한 시간 구간 내에서 상기 애셋에서 발생할 것이라는 가능성을 출력할 수 있다. (이 개시의 목적들을 위해서, "이벤트들의 그룹"은 단일의 이벤트 또는 복수의 이벤트들 중 어느 하나를 포함할 수 있다.) 하나의 특별한 예로서, 상기 예측 모델은 적어도 하나의 고장 이벤트가 미래의 특별한 시간 구간 내에 애셋에서 발생할 것이라는 가능성을 출력할 수 있다. 그런 모델은 여기에서는 "고장 모델 (failure model)"로 언급될 수 있다. 다른 예로서, 상기 예측 모델들은 애셋이 미래의 특별한 시간 구간 내에 태스크를 완료할 것이라는 가능성을 예측할 수 있다. 애셋용의 예측 모델들의 다른 예들이 또한 존재할 수 있다.
실제로, 상기 예측 모델은 하나 이상의 애셋들을 위한 이력적인 데이터에 기반하여 정의될 수 있다. 최소한, 이 이력적인 데이터는 실례들을 식별하는 비정상 상태 데이터처럼 - 상기 실례는 그 실례들의 시점에서 그 애셋들에서 측정된 하나 이상의 물리적인 성질들을 나타내는 애셋들 및/또는 센서 데이터에서 고장이 발생했던 때이다 - 정해진 애셋의 동작 상태들을 나타내는 동작 데이터를 포함할 수 있다. 상기 이력적인 데이터는, 집성 모델-워크플로 (aggregate model-workflow) 쌍을 정의하기 위해 사용된 애셋-관련 데이터의 다른 예들 중에서, 애셋들이 작동되는 환경들을 나타내는 환경 데이터 그리고 애셋들이 활용되었던 날짜들 및 시간들을 나타내는 스케줄링 데이터를 또한 포함할 수 있다.
상기 원격 컴퓨팅 시스템에 의해 정의된 하나 이상의 예측 모델들은 상기 원격 컴퓨팅 시스템 및/또는 다른 엔티티 (entity)에 의해 수행될 수 있는 하나 이상의 워크플로들에 또한 대응할 수 있다. 일반적으로, 워크플로는 대응 모델의 출력에 기반하여 수행될 수 있는 하나 이상의 행동들을 수반할 수 있다. 즉, 정해진 예측 모델의 출력은 상기 원격 컴퓨팅 시스템 (또는 다른 엔티티)으로 하여금 대응 워크플로를 수행하도록 할 수 있다. 예를 들면, 정해진 모델-워크플로 쌍은, 상기 예측 모델이 정해진 임계 상태를 충족시키는 확률을 출력할 때에 상기 원격 컴퓨팅 시스템 (또는 다른 엔티티)이 특별한 워크플로를 실행할 수 있도록 정의될 수 있다.
본 발명 개시에 따라, 워크플로는 예측 모델의 출력에 기반하여 상기 원격 컴퓨팅 시스템의 취득 프로세스를 조절하기 위한 하나 이상의 행동들의 모습을 취할 수 있다. 그런 취득 워크플로는 다양한 모습들을 취할 수 있다.
일 실시예에 따라, 취득 워크플로는 정해진 애셋 (또는 애셋들의 그룹)으로부터 수집된 데이터의 저장 위치를 예측 모델에 기반하여 변경하는 것을 포함할 수 있다. 예를 들면, 이벤트들의 정해진 그룹으로부터의 적어도 하나의 이벤트가 미래의 특별한 시간 구간 내에서 정해진 애셋 (또는 애셋들의 그룹)에서 발생하는 것이 가능하다고 생각되는 임계라고 예측 모델이 표시할 때에, 그런 워크플로는 상기 정해진 애셋 (또는 애셋들의 그룹)으로부터 수집된 데이터를 더욱 영속성이 있으며, 더 신뢰성이 있으며, 그리고/또는 더 강건한 저장 위치로 라우팅하도록 구성될 수 있다. 다른 예들 또한 가능하다.
다른 실시예에 따라, 취득 워크플로는 정해진 애셋 (또는 애셋들의 그룹)으로부터 수집된 데이터 변수들의 세트를 예측 모델에 기반하여 변경하는 것을 포함할 수 있다. 예를 들면, 이벤트들의 정해진 그룹으로부터의 적어도 하나의 이벤트가 미래의 특별한 시간 구간 내에서 정해진 애셋 (또는 애셋들의 그룹)에서 발생하는 것이 가능하다고 생각되는 임계라고 예측 모델이 표시할 때에, 그런 워크플로는 다른 데이터 변수들을 포함하기 위해 상기 정해진 애셋 (또는 애셋들의 그룹)으로부터 수집된 데이터 변수들의 세트를 확장하도록 구성될 수 있다. 다른 예들 또한 가능하다.
또 다른 실시예에 따라, 취득 워크플로는 정해진 애셋 (또는 애셋들의 그룹)을 위한 데이터 수집 속도를 변경하는 것을 포함할 수 있다. 예를 들면, 이벤트들의 정해진 그룹으로부터의 적어도 하나의 이벤트가 미래의 특별한 시간 구간 내에서 정해진 애셋 (또는 애셋들의 그룹)에서 발생하는 것이 가능하다고 생각되는 임계라고 예측 모델이 표시할 때에, 그런 워크플로는 상기 정해진 애셋 (또는 애셋들의 그룹)으로부터 데이터가 수집되는 속도를 증가시키도록 구성될 수 있다. 다른 예들 또한 가능하다.
이런 수정 행동들 중 둘 또는 그 이상이 단일의 취득 워크플로로 또한 결합될 수 있다는 것이 이해되어야 한다. 또한, 취득 워크플로는 상기 원격 컴퓨팅 시스템의 취득 프로세스를 조절하기 위한 다른 행동들을 마찬가지로 포함할 수 있다는 것이 이해되어야 한다.
따라서, 한 모습에서, 애셋을 위한 취득 저장 위치를 변경하는 방법이 본원에서 개시되며, 상기 방법은 컴퓨팅 시스템이 (a) 제1 모드에서 동작하는 단계로, 그 제1 모드에서 상기 컴퓨팅 시스템은 복수의 애셋들 중 정해진 애셋으로부터 수집된 동작 데이터를 제1 데이터 저장 위치에 저장하며; (b) 상기 제1 모드에서 동작하면서, (i) 상기 정해진 애셋으로부터 동작 데이터를 수신하고, (ii) 상기 수신된 동작 데이터의 적어도 일부를 수집하고, (iii) 상기 수집된 데이터의 적어도 일부를 상기 제1 데이터 저장 위치에 저장하며, 그리고 (iv) 상기 수집된 데이터의 적어도 일부에 기반하여, 이벤트들의 그룹으로부터의 적어도 하나의 이벤트가 미래의 정해진 시간 구간 내에 상기 정해진 애셋에서 발생할 가능성이 있는가의 여부에 대한 표시자를 출력하는 예측 모델을 실행하는, 단계; (c) 상기 표시자가 임계 상태를 충족시키는가에 대한 판단을 하는 단계; (d) 상기 판단에 응답하여, 상기 제1 모드에서 동작하는 것으로부터 상기 컴퓨팅 시스템이 상기 정해진 애셋으로부터 수집된 동작 데이터를 제2 데이터 저장 위치에 저장하는 제2 모드에서 동작하는 것으로 전이하는 단계; 그리고 (e) 상기 제2 모드에서 동작하면서, (i) 상기 정해진 애셋으로부터 동작 데이터를 수신하고, (ii) 상기 수신된 동작 데이터의 적어도 일부를 수집하고, (iii) 상기 수집된 데이터의 적어도 일부를 상기 제2 데이터 저장 위치에 저장하는 단계를 포함한다.
다른 모습에서, 애셋을 위해 데이터 변수들의 수집된 세트를 변경하는 방법이 여기에서 개시되며, 그 방법은 컴퓨팅 시스템이 (a) 복수의 애셋들 중 정해진 애셋으로부터 수신된 데이터 변수들의 제1 세트를 상기 컴퓨팅 시스템이 수집하는, 제1 모드에서 동작하는 단계, (b) 상기 제1 모드에서 동작하면서, (i) 상기 정해진 애셋으로부터 동작 데이터를 수신하고, (ii) 상기 수신된 동작 데이터로부터 데이터 변수들의 제1 세트를 수집하고, 그리고 (iii) 상기 수집된 데이터의 적어도 일부에 기반하여, 이벤트들의 그룹으로부터의 적어도 하나의 이벤트가 미래의 정해진 시간 구간 내에 상기 정해진 애셋에서 발생할 가능성이 있는가의 여부에 대한 표시자를 출력하는 예측 모델을 실행하는 단계, (c) 상기 표시자가 임계 상태를 충족시키는가에 대한 판단을 하는 단계, (d) 상기 판단에 응답하여, 상기 제1 모드에서 동작하는 것으로부터 상기 컴퓨팅 시스템이 상기 정해진 애셋으로부터 수신된 데이터 변수들의 제2 세트를 수집하는 제2 모드에서 동작하는 것으로 전이하되, 데이터 변수들의 상기 제1 세트는 데이터 변수들의 상기 제2 세트와는 적어도 하나의 데이터 변수에서 상이한, 전이 단계, 그리고 (e) 상기 제2 모드에서 동작하면서, (i) 상기 정해진 애셋으로부터 동작 데이터를 수신하고, 그리고 (ii) 상기 수신된 동작 데이터로부터 데이터 변수들의 상기 제2 세트를 수집하도록 하는 단계를 포함한다.
또 다른 모습에서, 애셋을 위해 데이터 수집 속도를 변경하는 방법이 여기에서 개시되며, 상기 방법은 컴퓨팅 시스템이 (a) 제1 복수의 애셋들 중 정해진 애셋으로부터 수신된 동작 데이터를 제1 수집 속도로 상기 컴퓨팅 시스템이 수집하는, 제1 모드에서 동작하는 단계, (b) 상기 제1 모드에서 동작하면서, (i) 상기 정해진 애셋으로부터 동작 데이터를 수신하고, (ii) 상기 수신된 동작 데이터의 적어도 일부를 상기 제1 수집 속도로 수집하고, 그리고 (iii) 상기 수집된 데이터의 적어도 일부에 기반하여, 이벤트들의 그룹으로부터의 적어도 하나의 이벤트가 미래의 정해진 시간 구간 내에 상기 정해진 애셋에서 발생할 가능성이 있는가의 여부에 대한 표시자를 출력하는 예측 모델을 실행하는 단계, (d) 상기 표시자가 임계 상태를 충족시키는가를 판단하는 단계, (d) 상기 판단에 응답하여, 상기 제1 모드에서 동작하는 것으로부터 상기 컴퓨팅 시스템이 상기 제1 수집 속도와는 상이한 제2 수집 속도로 상기 정해진 애셋으로부터 동작 데이터를 수집하는 제2 모드에서 동작하는 것으로 전이하는 단계, 그리고 (e) 상기 제2 모드에서 동작하면서, (i) 상기 정해진 애셋으로부터 동작 데이터를 수신하고, 그리고 (ii) 상기 수신된 동작 데이터의 적어도 일부를 상기 제2 수집 속도로 수집하는 단계를 포함한다.
또한, 컴퓨팅 디바이스가 본원에서 개시되며, 그 컴퓨팅 디바이스는 (a) 데이터 취득 (intake) 시스템, (b) 적어도 하나의 프로세서, (c) 비-일시적 컴퓨터-판독가능 매체, 그리고 (d) 상기 비-일시적 컴퓨터-판독가능 매체 상에 저장되어 상기 적어도 하나의 프로세서에 의해 실행가능한 프로그램 명령어들을 포함하며, 상기 프로그램 명령어들은 상기 컴퓨팅 시스템으로 하여금, 애셋을 위한 취득 저장 위치를 변경하고, 애셋을 위한 데이터 변수들의 수집된 세트를 변경하고, 그리고/또는 애셋을 위한 데이터 수집 속도를 변경하기 위해 본원에게 개시된 기능들을 수행하도록 한다.
그리고 또한, 저장된 명령어들을 구비한 비-일시적 컴퓨터-판독가능 매체가 본원에서 개시되며, 상기 명령어들은 프로세서에 의해 실행가능하여, 컴퓨팅 시스템으로 하여금, 애셋을 위한 취득 저장 위치를 변경하고, 애셋을 위한 데이터 변수들의 수집된 세트를 변경하고, 그리고/또는 애셋을 위한 데이터 수집 속도를 변경하기 위해 본원에게 개시된 기능들을 수행하도록 한다.
본 발명이 속한 기술 분야에서의 통상의 지식을 가진 자는 다음의 개시를 읽으면 이 모습들 그리고 수많은 다른 모습들을 인정할 것이다.
본 발명의 효과는 본 명세서의 해당되는 부분들에 개별적으로 명시되어 있다.
도 1은 예시의 실시예들이 구현될 수 있는 예시의 네트워크 구성을 도시한다.
도 2는 예시의 애셋의 간략한 블록도를 도시한다.
도 3은 비정상-상태 표시자들 및 트리거하는 기준의 개념적인 예시를 도시한다.
도 4는 예시의 분석 시스템의 간략한 블록도를 도시한다.
도 5는 예측 모델을 정의하기 위해 사용될 수 있는 정의 과정의 예시적인 흐름도를 도시한다.
도 6은 건강 규준을 출력하는 예측 모델을 정의하기 위해 사용될 수 있는 모델링 과정의 예시적인 흐름도를 도시한다.
도 7은 모델을 정의하기 위해 활용된 데이터의 개념적인 예시를 도시한다.
도 8은 예측 모델에 기반하여 취득 저장 위치를 변경하기 위한 예시의 방법의 흐름도를 도시한다.
도 9는 예측 모델에 기반하여 애셋을 위한 데이터 변수들의 수집된 세트를 변경하기 위한 예시의 방법의 흐름도를 도시한다.
도 10은 예측 모델에 기반하여 데이터 수집 속도를 변경하기 위한 예시의 방법의 흐름도를 도시한다.
다음의 개시는 동반 도면들 및 여러 예시적인 시나리오들에 대해 참조한다. 본 발명이 속한 기술 분야에서의 통상의 지식을 가진 자는 그런 참조들은 설명의 목적만을 위한 것이며 그러므로 제한하는 것을 의미하지 않는다는 것을 이해할 것이다. 개시된 시스템들, 디바이스들, 및 방법들 모두 또는 일부는 다양한 방식들로 재배치되고, 결합되고, 추가되고, 그리고/또는 제거될 수 있으며, 그 각각은 본원에서 예측된다.
I. 예시의 네트워크 구성
도면들을 참조하면, 도1은 예시의 실시예들이 구현될 수 있는 예시의 네트워크 구성 (100)을 도시한다. 도시되었듯이, 상기 네트워크 구성 (100)은 애셋 (102), 애셋 (104), 통신 네트워크 (106), 분석 시스템의 모습을 취할 수 있는 원격 컴퓨팅 시스템 (108), 출력 시스템 (110), 및 데이터 소스 (112)를 포함한다.
상기 통신 네트워크 (106)는 상기 네트워크 구성 (100) 내 컴포넌트들 각각을 통신가능하게 연결시킬 수 있다. 예를 들면, 상기 애셋들 (102 및 104)은 통신 네트워크 (106)를 경유하여 분석 시스템 (108)과 통신할 수 있다. 몇몇의 경우들에서, 상기 애셋들 (102 및 104)은 애셋 게이트웨어 (도시되지 않음)과 같은 하나 이상의 중간 시스템들과 통신할 수 있으며, 이 중간 시스템들은 결국 상기 분석 시스템 (108)과 통신한다. 유사하게, 상기 분석 시스템 (108)은 통신 네트워크 (106)를 경유하여 출력 시스템 (110)과 통신할 수 있다. 몇몇의 경우에, 상기 분석 시스템은 결국은 상기 출력 시스템 (110)과 통신하는, 호스트 서버 (도시되지 않음)와 같은 하나 이상의 중간 시스템들과 통신할 수 있다. 많은 다른 구성들이 또한 가능하다. 예시의 경우들에서, 상기 통신 네트워크 (106)는 (예를 들면, 암호화 또는 다른 보안 수단들을 경유하여) 네트워크 컴포넌트들 사이에서의 안전한 통신들을 촉진시킬 수 있다.
일반적으로, 상기 애셋들 (102 및 104)은 (분야에 기반하여 정의될 수 있을) 하나 이상의 동작들을 수행하도록 구성된 임의 디바이스의 모습을 취할 수 있으며 그리고 상기 정해진 애셋의 하나 이상의 동작 상태들을 나타내는 데이터를 전송하도록 구성된 장비를 또한 포함할 수 있다. 몇몇의 예들에서, 애셋은 하나 이상의 각자의 동작들을 수행하도록 구성된 하나 이상의 서브시스템들을 포함할 수 있다. 실제로, 다수의 서브시스템들은 애셋이 동작하도록 하기 위해 병렬로 또는 순차적으로 동작할 수 있다.
예시의 애셋들은 다른 예들 중에서도 운송 기계류들 (예를 들면, 기관차들, 항공기, 보행자 차량, 세미트레일러 트럭, 배 등), 산업 기계류들 (예를 들면, 채굴 장비, 건설 장비, 프로세싱 장치, 조립 장비 등), 의료 기계류들 (예를 들면, 의료 이미징 장비, 외과수술 장비, 의료 모니터링 시스템, 의료 실험 장비 등), 유틸리티 기계류 (예를 들면, 터빈, 태양열 농장 등), 및 무인 항공기를 포함할 수 있다. 본 발명이 속한 기술 분야에서의 통상의 지식을 가진 자는 이것들이 애셋들의 아주 조금의 예들이며 그리고 본원에서 수많은 다른 것들이 가능하며 예측된다는 것을 인정할 것이다.
예시의 구현들에서, 상기 애셋들 (102 및 104)은 각각이 동일한 유형일 수 있으며 (예를 들면, 다른 예들 중에서도 기관차들이나 비행들의 기단 (fleet), 한 그룹의 풍력 터빈, 밀링 기계류의 풀 (pool), 또는 한 세트의 자기 공명 이미징 (MRI) 머신), 그리고 아마도 동일한 유형일 수 있다 (예를 들면, 동일한 장비 유형, 브랜드, 및/또는 모델). 다른 예들에서, 상기 애셋들 (102 및 104)은 유형에 있어서, 브랜드에 있어서, 모델 등에 있어서 상이할 수 있다. 예를 들면, 애셋들 (102 및 103)은 수많은 다른 예들 중에서도 직업 사이트 (예를 들면, 발굴 사이트) 또는 제조 설비에서의 장비의 상이한 부분품들일 수 있다. 상기 애셋들은 도 2를 참조하여 아래에서 더 상세하게 설명된다.
보이는 것처럼, 상기 애셋들 (102 및 104), 그리고 아마도 상기 데이터 소스(112)는 통신 네트워크 (106)를 경유하여 상기 분석 시스템 (108)과 통신할 수 있다. 일반적으로, 상기 통신 네트워크 (106)는 하나 이상의 통신 시스템들 및 네트워크 컴포넌트들 사이에서 데이터 전달을 용이하게 하도록 구성된 네트워크 하부구조를 포함할 수 있다. 상기 통신 네트워크 (106)는 유선 및/또는 무선일 수 있으며 그리고 보안 통신을 지원할 수 있는 하나 이상의 광역 네트워크들 (WAN들) 및/또는 로컬 영역 네트워크 (LAN들)일 수 있으며 또는 그것들을 포함할 수 있다. 몇몇의 예들에서, 상기 통신 네트워크 (106)는 다른 네트워크들 중에서도 하나 이상의 셀룰러 네트워크들 및/또는 인터넷을 포함할 수 있다. 상기 통신 네트워크 (106)는 LTE, CDMA, GSM, LPWAN, WiFi, 블루투스, 이더넷, HTTP/S, TCP, CoAP/DTLS 등과 같은 하나 이상의 통신 프로토콜들에 따라 동작할 수 있다. 비록 통신 네트워크 (106)가 단일의 네트워크로서 보이지만, 상기 통신 네트워크 (106)는 자신들이 통신가능하게 링크된 다수의, 별개의 네트워크들일 수 있다는 것이 이해되어야 한다. 상기 통신 네트워크 (106)는 마찬가지로 다른 모습들을 취할 수 있다.
위에서 언급되었듯이, 상기 분석 시스템 (108)은 애셋들 (102 및 104) 그리고 데이터 소스 (112)로부터 데이터를 수신하도록 구성될 수 있다. 대략적으로 말하면, 상기 분석 시스템 (108)은 데이터를 수신하고, 프로세싱하고, 분석하고 출력하도록 구성된 서버들 및 데이터베이스들과 같은 하나 이상의 컴퓨팅 시스템들을 포함할 수 있다. 상기 분석 시스템 (108)은 다른 예들 중에서도 TPL 데이터플로 (Dataflow) 또는 NiFi와 같은 정해진 데이터플로 기술에 따라 구성될 수 있다. 상기 분석 시스템 (108)은 도 4를 참조하여 아래에서 더 상세하게 설명된다.
보이는 것처럼, 상기 분석 시스템 (108)은 상기 애셋들 (102 및 104)로 그리고/또는 상기 출력 시스템 (110)으로 데이터를 전송하도록 구성될 수 있다. 전송된 특별한 데이터는 다양한 모습들을 취할 수 있으며 그리고 아래에서 더 상세하게 설명될 것이다.
일반적으로, 상기 출력 시스템 (110)은 데이터를 수신하고 몇몇 모습의 출력을 제공하도록 구성된 컴퓨팅 시스템이나 디바이스의 모습을 취할 수 있다. 상기 출력 시스템 (110)은 다양한 모습들을 취할 수 있다. 일 예에서, 상기 출력 시스템 (110)은 데이터를 수신하고 그 데이터에 응답하여 청각적인, 시각적인, 그리고/또는 촉각적인 출력을 제공하도록 구성된 출력 디바이스이거나 그 출력 디바이스를 포함할 수 있다. 일반적으로, 출력 디바이스는 사용자 입력을 수신하도록 구성된 하나 이상의 사용자 인터페이스들을 포함할 수 있으며, 그리고 그 출력 디바이스는 그런 사용자 입력에 기반하여 상기 통신 네트워크 (106)를 통해 데이터를 전송하도록 구성될 수 있다. 출력 디바이스들의 예들은 태블릿들, 스마트폰들, 랩탑 컴퓨터들, 다른 모바일 컴퓨팅 디바이스, 데스크탑 컴퓨터들, 스마트 텔레비전들 등을 포함할 수 있다.
출력 시스템 (110)의 다른 예는 애셋을 수리하기 위해 정비사 등에 대한 요청을 출력하도록 구성된 작업-지시 시스템의 모습을 취할 수 있다. 상기 출력 시스템 (110)의 다른 예는 애셋의 부품을 위해 주문하고 그리고 그 주문의 영수증을 출력하도록 구성된 부품-주문 시스템의 모습을 취할 수 있다. 수많은 다른 출력 시스템들이 또한 가능하다.
상기 데이터 소스 (112)는 상기 분석 시스템 (108)과 통신하도록 구성될 수 있다. 일반적으로, 상기 데이터 소스 (112)는 상기 분석 시스템 (108)에 의해 수행되는 기능들에 관련될 수 있는 데이터를 모으고, 저장하고, 그리고/또는 상기 분석 시스템 (108)과 같은 다른 시스템들로 제공하도록 구성된 하나 이상의 컴퓨팅 시스템들이거나 또는 그 컴퓨팅 시스템들을 포함할 수 있다. 상기 데이터 소스 (112)는 상기 애셋들 (102 및 104)와는 독립적으로 데이터를 생성하고 그리고/또는 획득하도록 구성될 수 있다. 그처럼, 상기 데이터 소스 (112)에 의해 제공된 데이터는 여기에서 "외부 데이터"로 언급될 수 있다. 상기 데이터 소스 (112)는 현재의 그리고/또는 이력적인 데이터를 제공하도록 구성될 수 있다. 실제로, 상기 분석 시스템 (108)은 상기 데이터 소스에 의해 제공된 서비스에 "가입 (subscribing)"함으로써 상기 데이터 소스 (112)로부터 데이터를 수신할 수 있다. 그러나, 상기 분석 시스템 (108)은 마찬가지로 다른 방식으로 상기 데이터 소스 (112)로부터 데이터를 수신할 수 있다.
상기 데이터 소스 (112)의 예들은 환경 데이터 소스들, 애셋-관리 데이터 소스들, 그리고 다른 데이터 소스들을 포함한다. 일반적으로, 주변 데이터 소스들은 상기 애셋들이 작동되는 환경의 몇몇의 특성들을 나타내는 데이터를 제공한다. 환경 데이터 소스들의 예들은 다른 예들 중에서도 날씨-데이터 서버들, 글로벌 내비게이션 위성 시스템 (global navigation satellite systems (GNSS)) 서버들, 지도-데이터 서버들, 및 정해진 영역의 자연적인 그리고 인공적인 특징들에 관한 정보를 제공하는 지형 데이터 서버들을 포함한다.
일반적으로, 애셋-관리 데이터 소스들은 (예를 들면, 애셋이 동작하거나 유지관리를 받을 경우 및 그럴 때에) 애셋들의 동작이나 유지관리에 영향을 줄 수 있는 엔티티들 (또는 다른 애셋들)의 상태들이나 이벤트들을 표시하는 데이터를 제공한다. 애셋-관리 데이터 소스들의 예들은 다른 예들 중에서도 항공, 수로, 및/또는 지상 트래픽에 관한 정보를 제공하는 트래픽-데이터 서버들, 특별한 날짜들 및/또는 특별한 시각들에 애셋들의 예상된 경로들 및/또는 위치들에 관한 정보를 제공하는 애셋-스케줄 서버들, ("가열축함 (hotbox)" 탐지기들로도 또한 알려진) 결점 탐지 시스템들로, 그 결점 탐지 시스템에 근접하게 지나가는 애셋의 하나 이상의 동작 상태들에 관한 정보를 제공하는 결점 탐지 시스템들, 특별한 공급자들이 재고로 가진 부품들 및 그 부품들의 가격에 고나한 정보를 제공하는 부품-공급자 서버들, 및 수리점 수용량에 관한 정보를 제공하는 수리점 서버들 등을 포함한다.
다른 데이터 소스들의 예들은 다른 예들 중에서도 전기 소비에 관한 정보를 제공하는 전력-그리드 서버들 및 애셋들을 위한 이력적인 동작 데이터를 저장하는 외부 데이터베이스들을 포함한다. 본 발명이 속한 기술 분야에서의 통상의 지식을 가진 자는 이것들은 데이터 소스들의 아주 작은 예들이며 많은 다른 예들이 가능하다는 것을 인정할 것이다.
상기 네트워크 구성 (100)은 본원에서 설명된 실시예들이 구현될 수 있는 네트워크의 일 예라는 것이 이해되어야 한다. 여기에서 여러 다른 설비들이 가능하며 예측될 수 있다. 예를 들면, 다른 네트워크 구성들은 도시되지 않은 추가적인 컴포넌트들 그리고/또는 그 도시된 컴포넌트들 중의 어느 정도를 포함할 수 있다.
II. 예시의 애셋
도 2로 돌아가면, 예시의 애셋 (200)의 간략한 블록도가 도시된다. 도 1로부터의 애셋들 (102 및 104) 중 어느 하나 또는 둘 모두는 참조번호 200의 애셋과 유사하게 구성될 수 있다. 보이는 것처럼, 상기 애셋 (200)은 하나 이상의 서브시스템들 (202), 하나 이상의 센서들 (204), 하나 이상의 액튜에이터들 (205), 중앙 프로세싱 유닛 (206), 데이터 저장부 (208), 네트워크 인터페이스 (210), 사용자 인터페이스 (212), 및 아마도 로컬 분석 디바이스 (220)를 또한 포함할 수 있으며, 이것들 모두는 시스템 버스, 네트워크, 또는 다른 접속 메커니즘에 의해 통신가능하게 (직접적으로 또는 간접적으로) 링크될 수 있다. 본 발명이 속한 기술 분야에서의 통상의 지식을 가진 자는 상기 애셋 (200)이 도시되지 않은 추가의 컴포넌트들 및/또는 도시된 컴포넌트들 중의 어느 정도를 포함할 수 있다는 것을 인정할 것이다.
대략적으로 말하면, 상기 애셋 (200)은 하나 이상의 동작들을 수행하도록 구성된 하나 이상의 전기적인, 기계적인, 그리고/또는 전기기계적인 컴포넌트들을 포함할 수 있다. 몇몇의 경우들에서, 하나 이상의 컴포넌트들은 정해진 서브시스템 (202)으로 그룹화될 수 있다.
일반적으로, 서브시스템 (202)은 상기 애셋 (200)의 부품이 아닌 관련된 컴포넌트들의 그룹을 포함할 수 있다. 단일의 서브시스템 (202)은 하나 이상의 동작들을 독립적으로 수행할 수 있으며 또는 상기 단일의 서브시스템 (202)은 하나 이상의 동작들을 수행하기 위해 하나 이상의 다른 서브시스템들을 따라서 동작할 수 있다. 보통은, 상이한 유형의 애셋들, 그리고 심지어는 동일한 유형의 애셋들의 상이한 클래스들이 상이한 서브시스템들을 포함할 수 있다.
예를 들면, 운송 애셋들의 맥락에서, 서브시스템들 (202)의 예들은 여러 다른 서브시스템들 중에서도 엔진, 트랜스미션, 구동트레인, 연료 시스템, 배터리 시스템, 배기 시스템, 브레이킹 시스템, 전기 계통, 신호 프로세싱 시스템, 발전기, 기어 박스, 회전자, 및 수압 시스템들을 포함할 수 있다. 의료 기계류 맥락에서, 서브시스템들 (202)의 예들은 여러 다른 서브시스템들 중에서도 스캐닝 시스템, 모터, 코일 및/또는 자기 시스템, 신호 프로세싱 시스템, 회전자, 및 전기 시스템들을 포함할 수 있다.
위에서 제시된 것처럼, 상기 애셋 (200)에는 애셋 (200)의 동작 상태들을 모니터하도록 구성된 다양한 센서들 (204) 그리고 상기 애셋 (200)이나 그 애셋의 컴포넌트와 상호작용 (interact)하고 그 애셋 (200)의 동작 상태들을 모니터하도록 구성된 다양한 액튜에이터들 (205)이 장착될 수 있다. 몇몇의 경우들에서, 상기 센서들 (204) 및/또는 액튜에이터들 (205) 중 몇몇은 특별한 서브시스템 (202)에 기반하여 그룹화될 수 있다. 이 방식에서, 센서들 (204) 및/또는 액튜에이터들 (205)의 그룹은 특별한 서브시스템 (202)의 동작 상태들을 모니터하도록 구성될 수 있으며, 그리고 그 그룹으로부터의 액튜에이터들은 이 동작 상태들에 기반하여 특별한 서브시스템의 행동을 바꿀 수 있는 몇몇의 방식으로 그 특별한 서브시스템 (202)과 상호작용하도록 구성될 수 있다.
일반적으로, 센서 (204)는 상기 애셋 (200)의 하나 이상의 동작 상태들을 나타낼 수 있는 물리적인 성질을 탐지하도록 구성될 수 있으며, 그리고 상기 탐지된 물리적 성질의 전기 신호와 같은 표시를 제공하도록 구성될 수 있다. 동작 시에, 상기 센서들 (204)은 계속적으로, (예를 들면, 샘플링 주파수에 기반하여) 주기적으로, 그리고/또는 몇몇의 트리거링 이벤트에 응답하여 측정치들을 획득하도록 구성될 수 있다. 몇몇의 예들에서, 상기 센서들 (204)은 측정들을 수행하기 위한 동작 파라미터들을 이용하여 미리 구성될 수 있으며 그리고/또는 상기 중앙 프로세싱 유닛 (206)에 의해 제공된 동작 파라미터들 (예를 들면, 상기 센서들 (204)이 측정치들을 획득하도록 지시하는 샘플링 신호들)에 따라서 측정들을 수행할 수 있다. 예들에서, 상이한 센서들 (204)은 상이한 동작 파라미터들을 가질 수 있다 (예를 들면, 몇몇의 센서들은 제1 주파수에 기반하여 샘플링할 수 있으며, 반면에 다른 센서들은 제2의 상이한 푸자수에 기반하여 샘플링한다). 어떤 이벤트에서, 상기 센서들 (204)은 측정된 물리적인 성질을 표시하는 전기 신호들을 상기 중앙 프로세싱 유닛 (206)에게 전송하도록 구성될 수 있다. 상기 센서들은 그런 신호들을 중앙 프로세싱 유닛 (206)에게 계속해서 또는 주기적으로 제공할 수 있다.
예를 들면, 센서들 (204)은 애셋 (200)의 위치 및/또는 이동과 같은 물리적인 성질들을 특정하도록 구성될 수 있으며, 그 경우에 상기 센서들은 GNSS 센서들, 추측항법 (dead-reckoning) 기반 센서들, 가속도계, 자이로스코프, 보도계, 자기계 (magnetometer) 등의 모습을 취할 수 있다.
추가로, 다양한 센서들 (204)은 애셋 (200)의 다른 동작 상태들을 측정하도록 구성될 수 있으며, 그 예들은 다른 예들 중에서도 온도, 압력, 속도, 가속도 또는 감속도, 마찰, 전력 사용, 연료 사용, 연료 레벨, 실행시간, 전압 및 전류, 자기장, 전기장, 물체 존재 및 부존재, 컴포넌트들의 위치, 및 전력 생성을 포함할 수 있다. 본 발명이 속한 기술 분야에서의 통상의 지식을 가진 자는 이것들은 센서들이 측정하도록 구성될 수 있는 아주 작은 예시의 동작 상태들이라는 것을 인정할 것이다. 추가의 또는 더 작은 수의 센서들은 산업적인 애플리케이션 또는 특정 애셋에 종속하여 사용될 수 있다.
위에서 제시된 것처럼, 액튜에이터 (205)는 센서 (204)에 관한 몇몇 모습들과 유사하게 구성될 수 있다. 특히, 액튜에이터 (205)는 애셋 (200)의 동작 상태를 나타내는 물리적인 성질을 탐지하고 그리고 상기 센서 (204)와 유사한 방식으로 그 물리적인 성질의 표시를 제공하도록 구성될 수 있다.
더욱이, 액튜에이터 (205)는 상기 애셋 (200), 하나 이상의 서브시스템들 (202), 그리고/또는 그것들의 몇몇의 컴포넌트와 상호작용하도록 구성될 수 있다. 그처럼, 액튜에이터 (205)는 기계적인 동작 (예를 들면, 이동)을 수행하거나, 또는 그렇지 않고 컴포넌트, 서브시스템, 또는 시스템을 제어하도록 구성된 모터 또는 유사한 것을 포함할 수 있다. 특별한 예에서, 액튜에이터는 연료 흐름을 측정하고 그리고 그 연료 흐름을 바꾸도록 (예를 들면, 그 연료 흐름을 제지하도록) 구성될 수 있으며, 또는 액튜에이터는 유압을 측정하고 그리고 그 유압을 바꾸도록 (예를 들면, 그 수압을 증가시키거나 감소시키도록) 구성될 수 있다. 액튜에이터의 여러 다른 예시의 상호작용들이 또한 가능하며 여기에서 예측될 수 있다.
일반적으로 상기 중앙 프로세싱 유닛 (206)은 하나 이상의 프로세서들 및/또는 제어기들을 포함할 수 있으며, 이것들은 범용 또는 특수목적의 프로세서나 제어기의 모습을 취할 수 있다. 특히, 예시의 구현들에서, 상기 중앙 프로세싱 유닛 (206)은 마이크로프로세서들, 마이크로제어기들, 주문형 반도체들, 디지털 신호 프로세서들 등이거나 그것들을 포함할 수 있다. 다음에는, 상기 데이터 저장부 (208)는 여러 다른 예들 중에서도 광학 메모리, 자기 메모리, 유기 메모리, 또는 플래시 메모리와 같은 하나 이상의 비-일시적 컴퓨터-판독가능 저장 매체이거나 그 저장 매체를 포함할 수 있다.
상기 중앙 프로세싱 유닛 (206)은 여기에서 설명된 애셋의 동작을 수행하기 위해 상기 데이터 저장부 (208)에 저장된 컴퓨터-판독가능 프로그램 명령어들을 저장하고, 액세스하고, 그리고 실행하도록 설정될 수 있다. 예를 들면, 위에서 시사된 것처럼, 상기 중앙 프로세싱 유닛 (206)은 상기 센서들 (204) 및/또는 액튜에이트들 (205)로부터의 각 센서 신호들을 수신하도록 설정될 수 있다. 상기 중앙 프로세싱 유닛 (206)은 센서 및/또는 액튜에이터 데이터를 데이터 저장부 (208)에 저장하고 그리고 그 데이터를 나중에 데이터 저장부로부터 액세스하도록 설정될 수 있다.
상기 중앙 프로세싱 유닛 (206)은 수신된 센서 및/또는 액튜에이터 신호들이 고장 코드들과 같은 어떤 비정상-상태 표시자 (indicator)들을 트리거하는가의 여부를 판단하도록 또한 설정될 수 있다. 예를 들면, 상기 중앙 프로세싱 유닛 (206)은 데이터 저장부 (208)에 비정상-상태 규칙들을 저장하도록 설정될 수 있으며, 그 비정상-상태 규칙들 각각은 특별한 비정상 상태를 나타내는 정해진 비정상-상태 표시자 그리고 그 비정상-상태 표시자를 트리거하는 각자의 트리거 기준을 포함한다. 즉, 각 비정상-상태 표시자는 그 비정상-상태 표시자가 트리거되기 이전에 충족되어야만 하는 하나 이상의 센서 및/또는 액튜에이터 측정 값들에 대응한다. 실제로, 상기 애셋 (200)은 상기 비정상-상태 규칙들을 이용하여 미리 프로그램될 수 있으며 그리고/또는 새로운 비정상-상태 규칙들이나 현존 규칙들에 대한 업데이트들을 상기 분석 시스템 (108)과 같은 컴퓨팅 시스템으로부터 수신할 수 있다.
어떤 이벤트에서, 상기 중앙 프로세싱 유닛 (206)은 수신된 센서 및/또는 액튜에이터 신호들이 어떤 비정상-상태 표시자들을 트리거하는가의 여부를 판단하도록 설정될 수 있다. 즉, 상기 중앙 프로세싱 유닛 (206)은 수신된 센서 및/또는 액튜에이터 신호들이 어떤 트리거 기준을 충족시키는가의 여부를 판단한다. 그런 판단이 긍정적일 때에, 상기 중앙 프로세싱 유닛 (206)은 비정상-상태 데이터를 생성할 수 있으며 그리고 그 후에 또한 상기 애셋의 네트워크 인터페이스 (210)로 하여금 상기 비정상-상태 데이터를 분석 시스템 (108)으로 전송하도록 하며 그리고/또는 상기 애셋의 사용자 인터페이스 (212)로 하여금 시각적 및/또는 청각적 경보와 같은 상기 비정상 상태의 표시를 출력하도록 한다. 추가로, 상기 중앙 프로세싱 유닛 (206)은 트리거되는 비정상-상태 표지사의 발생을 아마도 타임스탬프를 이용하여 데이터 저장부 (208)에 기록할 수 있다
도 3은 애셋을 위한 예시의 비정상-상태 표시자들 및 각자의 트리거 기준의 개념적인 예시를 도시한다. 특히, 도 3은 예시의 고장 코드들의 개념적인 예시를 도시한다. 보이는 것처럼, 테이블 (300)은 센서 A, 액튜에이터 B, 및 센서 C에 각각 대응하는 컬럼들 (302, 304, 및 306) 그리고 고장 코드들 1, 2, 및 3에 각각 대응하는 로우들 (308, 310, 및d 312)을 포함한다. 기재사항들 (314)은 정해진 고장 코드들에 대응하는 센서 기준 (예를 들면, 센서 값 임계들)을 규정한다.
예를 들면, 고장 코드 1은 센서 A가 135 RPM (revolutions per minute)보다 더 큰 회전 측정을 탐지하고 그리고 센서 C가 섭씨 65도보다 더 큰 온도 측정을 탐지할 때에 트리거될 것이며, 고장 코드 2는 액튜에이터 B가 1000 볼트 (V)보다 더 큰 전압 측정을 탐지하고 그리고 센서 C가 섭씨 55도보다 더 작은 온도 측정을 탐지할 때에 트리거될 것이며, 그리고 고장 코드 3은 센서 A가 100 RPM보다 더 큰 회전 측정을 탐지하고, 액튜에이터 B가 750 V보다 더 큰 전압 측정을 탐지하며, 그리고 센서 C가 섭씨 60도보다 더 큰 온도 측정을 탐지할 때에 트리거될 것이다. 본 발명이 속한 기술 분야에서의 통상의 지식을 가진 자는 도 3은 예시 및 설명의 목적들을 위해 제공된 것이며 그리고 여러 다른 고장 코드들 및/또는 트리거 조건들이 가능하며 여기에서 예측된다는 것을 인정할 것이다.
도 2로 돌아가면, 상기 중앙 프로세싱 유닛 (206)은 마찬가지로 애셋 (200)의 동작들을 관리하고 그리고/또는 제어하기 위한 다양한 추가적인 기능들을 수행하도록 설정될 수 있다. 예를 들면, 상기 중앙 프로세싱 유닛 (206)은 상기 서브시스템들 (202) 및/또는 상기 액튜에이터들 (205)로 명령어 신호들을 제공하여 상기 서브시스템들 (202) 및/또는 상기 액튜에이터들 (205)로 하여금 트로틀 (throttle) 위치를 변경하는 것과 같은 일부 동작을 수행하게 하도록 설정될 수 있다. 추가로, 상기 중앙 프로세싱 유닛 (206)은 상기 센서들 (204) 및/또는 액튜에이터들 (205)로부터의 데이터를 자신이 프로세싱하는 속도를 변경하도록 설정될 수 있으며, 또는 상기 중앙 프로세싱 유닛 (206)은 상기 센서들 (204) 및/또는 액튜에이터들 (205)로 하여금, 예를 들면, 샘플링 속도를 변경하도록 하는 명령어 신호들을 상기 센서들 (204) 및/또는 액튜에이터들 (205)에게 제공하도록 설정될 수 있다. 더욱이, 상기 중앙 프로세싱 유닛 (206)은 상기 서브시스템들 (202), 센서들 (204), 액튜에이터들 (205), 네트워크 인터페이스들 (210), 및/또는 사용자 인터페이스들 (212)로부터 신호들을 수신하고, 그리고 그 신호들에 기반하여 동작이 발생하게 하도록 설정될 수 있다. 또한, 상기 중앙 프로세싱 유닛 (206)은 진단 디바이스와 같은 컴퓨팅 디바이스로부터 신호들을 수신하여, 상기 중앙 프로세싱 유닛 (206)으로 하여금 상기 데이터 저장부 (208)에 저장된 진단 규칙들에 따라 하나 이상의 진단 툴들을 실행하게 하도록 설정될 수 있다. 상기 중앙 프로세싱 유닛 (206)의 다른 기능들이 아래에서 설명된다.
상기 네트워크 인터페이스 (210)는 통신 네트워크 (106)에 연결된 다양한 네트워크 컴포넌트들 및 상기 애셋 (200) 사이에서의 통신을 제공하도록 구성될 수 있다. 예를 들면, 상기 네트워크 인터페이스 (210)는 통신 네트워크 (106)로의 그리고 그 통신 네트워크로부터의 무선 통신을 용이하게 하도록 구성될 수 있으며, 그래서 안테나 구조 및 다양한 무선 신호들을 전송하고 수신하기 위한 연관된 장비의 모습을 취할 수 있다. 다른 예들도 마찬가지로 가능하다. 실제로, 상기 네트워크 인터페이스 (210)는 위에서 설명된 통신 프로토콜들 중 어느 하나와 같은, 그러나 그것으로 제한되지는 않는 통신 프로토콜에 따라서 구성될 수 있다.
상기 사용자 인터페이스 (212)는 애셋 (200)과의 사용자 상호작용을 용이하게 하도록 구성될 수 있으며 그리고 상기 애셋 (200)으로 하여금 사용자 상호작용에 응답한 동작을 수행토록 하는 것을 용이하게 하도록 또한 구성될 수 있다. 사용자 인터페이스들 (212)의 예들은 다른 예들 중에서도 터치-감지 인터페이스들, 기계적인 인터페이스들 (예를 들면, 레버, 버튼, 휠, 다이알, 키보드 등), 및 다른 입력 인터페이스들 (예를 들면, 마이크로폰)을 포함한다. 몇몇의 경우에서, 상기 사용자 인터페이스 (212)는 디스플레이 스크린, 스피커, 헤드폰 잭 등과 같은 출력 컴포넌트들로의 연결성을 포함하거나 제공할 수 있다.
상기 로컬 분석 디바이스 (220)는 상기 애셋 (200)에 관련된 데이터를 수신하고 분석하도록 일반적으로 구성될 수 있으며 그리고 그런 분석에 기반하여 하나 이상의 동작들이 상기 애셋 (200)에서 발생하도록 할 수 있다. 예를 들면, 상기 로컬 분석 디바이스 (220)는 애셋 (200)을 위한 동작 데이터 (예를 들면, 상기 센서들 (204) 및/또는 액튜에이터들 (205)에 의해 생성된 데이터)를 수신할 수 있으며 그리고 그런 데이터에 기반하여, 애셋 (200)으로 하여금 어떤 동작을 수행하게 하는 명령어들을 상기 중앙 프로세싱 유닛 (206), 상기 센서들 (204), 및/또는 상기 액튜에이터들 (205)에게 제공할 수 있다.
이 동작을 용이하게 하기 위해, 상기 로컬 분석 디바이스 (220)는, 상기 로컬 분석 디바이스 (220)를 상기 애셋의 하나 이상의 온-보드 시스템들에게 결합하도록 구성된 하나 이상의 애셋 인터페이스들을 포함할 수 있다. 예를 들면, 도 2에서 보이는 것처럼, 상기 로컬 분석 디바이스 (220)는 상기 애셋의 중앙 프로세싱 유닛 (206)으로의 인터페이스를 가질 수 있으며, 이 인터페이스는 상기 로컬 분석 디바이스 (220)가 중앙 프로세싱 유닛 (206)으로부터 동작 데이터 (예를 들면, 센서들 (204) 및/또는 액튜에이터들 (205)에 의해 생성되어 중앙 프로세싱 유닛 (206)으로 송신되는 동작 데이터)를 수신하는 것을 가능하게 하고 그리고 그 후에 명령어들을 상기 중앙 프로세싱 유닛 (206)에게 제공하는 것을 가능하게 할 수 있다. 이 방식에서, 상기 로컬 분석 디바이스 (220)는 중앙 프로세싱 유닛 (206)을 경유하여 애셋 (200)의 다른 온-보드 시스템들 (예를 들면, 상기 센서들 (204) 및/또는 액튜에이터들 (205))과 간접적으로 인터페이스하고 그리고 그 다른 온-보드 시스템으로부터 데이터를 수신할 수 있다. 추가로 또는 대안으로, 도 2에서 보이는 것처럼, 상기 로컬 분석 디바이스 (220)는 하나 이상의 센서들 (204) 및/또는 액튜에이터들 (205)로의 인터페이스를 가질 수 있으며, 이는 상기 로컬 분석 디바이스 (220)가 상기 센서들 (204) 및/또는 액튜에이터들 (205)과 직접적으로 통신하는 것을 가능하게 할 수 있다. 상기 로컬 분석 디바이스 (220)는 상기 애셋 (200)의 온-보드 시스템들과 다른 방식으로 또한 인터페이스할 수 있으며, 도 2에 예시된 인터페이스들이 도시되지 않은 하나 이상의 중간 시스템들에 의해 용이하게 되는 가능성을 포함한다.
실제로, 상기 로컬 분석 디바이스 (220)는 상기 애셋 (200)이 예측 모델 및 대응 워크플로를 실행하는 것처럼 진보된 분석 및 연관된 동작들을 로컬에서 수행하는 것을 가능하게 하며, 그 진보된 분석 및 연관된 동작들은 그렇지 않은 경우에는 다른 온-애셋 컴포넌트들을 이용해서 수행되는 것이 가능하지 않을 수 있다. 그처럼, 상기 로컬 분석 디바이스 (220)는 상기 애셋 (200)에 추가의 프로세싱 능력 및/또는 인텔리전스를 제공하는 것을 도울 수 있다.
상기 로컬 분석 디바이스 (220)는 상기 애셋 (200)으로 하여금 예측 모델에 관련되지 않은 동작들을 수행하게 하도록 또한 구성될 수 있다는 것이 이해되어야 한다. 예를 들면, 상기 로컬 분석 디바이스 (220)는 상기 분석 시스템 (108)이나 출력 시스템 (110)과 같은 원격 소스로부터 데이터를 수신할 수 있으며, 그리고 그 수신된 데이터에 기반하여 상기 애셋 (200)으로 하여금 하나 이상의 동작들을 수행하도록 할 수 있다. 하나의 특별한 예는 상기 로컬 분석 디바이스 (220)가 원격 소스로부터 애셋 (200)을 위한 펌웨어 업데이트를 수신하고 그리고 그 후에 애셋 (200)으로 하여금 자신의 펌웨어를 업데이트하도록 하는 것을 수반할 수 있다. 다른 특별한 예는 상기 로컬 분석 디바이스 (220)가 원격 소스로부터 진단 명령어들을 수신하고 그리고 그 후에 애셋 (200)으로 하여금 그 수신된 명령어에 따라 로컬 진단 툴을 실행하게 하는 것을 수반할 수 있다. 수많은 다른 예들이 또한 가능하다.
보이는 것처럼, 위에서 설명된 하나 이상의 애셋 인터페이스들에 추가로, 상기 로컬 분석 디바이스 (220)는 프로세싱 유닛 (222), 데이터 저장부 (224), 및 네트워크 인터페이스 (226)을 또한 포함할 수 있으며, 이것들 모두는 시스템 버스, 네트워크, 또는 다른 접속 메커니즘에 의해 통신가능하게 링크될 수 있다. 상기 프로세싱 유닛 (222)은 중앙 프로세싱 유닛 (206)에 관하여 위에서 설명된 컴포넌트들 중 어느 것도 포함할 수 있다. 차례로, 상기 데이터 저장부 (224)는 하나 이상의 비-일시적 컴퓨터-판독가능 저장 매체이거나 그 저장 매체를 포함할 수 있으며, 이는 위에서 설명된 컴퓨터-판독가능 저장 매체 모습들 중 어느 하나를 취할 수 있다.
상기 프로세싱 유닛 (222)은 여기에서 설명된 로컬 분석 디바이스의 동작들을 수행하기 위해 상기 데이터 저장부 (224)에 저장된 컴퓨터-판독가능 프로그램 명령어들을 저장하고, 액세스하고, 그리고 실행하도록 설정될 수 있다. 예를 들면, 상기 프로세싱 유닛 (222)은 센서들 (204) 및/또는 액튜에이터들 (205)에 의해 생성된 각 센서 및/또는 액튜에이터 신호들을 수신하도록 구성될 수 있으며 그리고 그런 신호들에 기반하여 예측 모델-워크플로 쌍을 실행할 수 있다. 다른 기능들은 아래에서 설명된다.
상기 네트워크 인터페이스 (226)는 위에서 설명된 네트워크 인터페이스들과 동일하거나 유사할 수 있다. 실제로, 상기 네트워크 인터페이스 (226)는 상기 로컬 분석 디바이스 (220) 및 상기 분석 시스템 (108) 사이에서의 통신을 용이하게 할 수 있다.
몇몇의 구현들에서, 상기 로컬 분석 디바이스 (220)는 참조번호 212의 사용자 인터페이스와 유사할 수 있는 사용자 인터페이스를 포함하고 그리고/또는 그 사용자 인터페이스와 통신할 수 있다. 실제로, 상기 사용자 인터페이스는 상기 로컬 분석 디바이스 (200) (및 상기 애셋 (200))로부터 원거리에 위치할 수 있다. 다른 예들이 또한 가능하다.
도 2는 하나 이상의 애셋 인터페이스들을 경유하여 자신의 연관된 애셋 (예를 들면, 참조번호 200의 애셋)에 물리적으로 그리고 통신가능하게 연결된 로컬 분석 디바이스 (220)를 보여주지만, 이것이 항상 그런 것은 아니라는 것이 또한 이해되어야 한다. 예를 들면, 몇몇의 구현들에서, 상기 로컬 분석 디바이스 (220)는 자신의 연관된 애셋에 물리적으로 연결되지 않을 수 있으며, 그 대신에 상기 애셋 (200)으로부터 원거리에 위치할 수 있다. 그런 구현의 한 예에서, 상기 로컬 분석 디바이스 (220)는 애셋 (200)에 무선으로, 통신가능하게 연결될 수 있다. 다른 배치들 및 구성들이 또한 가능하다.
본 발명이 속한 기술 분야에서의 통상의 지식을 가진 자는 도 2에서 보이는 애셋 (200)이 애셋의 간략한 표면의 일 예일 뿐이며 그리고 수많은 다른 것들이 또한 가능하다는 것을 인정할 것이다. 예를 들면, 다른 애셋들은 도시되지 않은 추가의 컴포넌트들 및/또는 도시된 컴포넌트들 중 하나 이상을 포함할 수 있다. 더욱이, 정해진 애셋은 그 정해진 애셋의 동작들을 수행하기 위해 협력하여 작동하는 다수의, 개별적인 애셋들을 포함할 수 있다. 다른 예들이 또한 가능하다.
III. 예시의 분석 시스템
도 4를 이제 참조하면, 예시의 분석 시스템 (400)의 간략한 블록도가 도시된다. 위에서 제시된 것처럼, 상기 분석 시스템 (400)은 통신가능하게 링크되고 여기에서 설명된 다양한 동작들을 수행하도록 배치된 하나 이상의 컴퓨팅 시스템들을 포함할 수 있다. 특히, 보이는 것처럼, 상기 분석 시스템 (400)은 데이터 취득 시스템 (402), 데이터 사이언스 시스템 (404), 및 하나 이상의 데이터베이스들 (406)을 포함할 수 있다. 이 시스템 컴포넌트들은 하나 이상의 유선 및/또는 무선 접속들을 경유하여 통신가능하게 링크될 수 있으며, 이 접속들은 안전한 통신들을 용이하게 하도록 구성될 수 있다.
데이터 취득 시스템 (402)은 데이터를 수신하고 그리고 상기 데이터 사이언스 시스템 (404)으로 출력하기 위해 그 수신된 데이터의 적어도 일부를 그 후에 수집하도록 보통 기능할 수 있다. 그처럼, 상기 데이터 수집 시스템 (402)은 상기 애셋들 (102 및 104), 상기 출력 시스템 (110), 및/또는 상기 데이터 소스 (112)와 같은 네트워크 구성 (100)의 다양한 네트워크 컴포넌트들로부터 데이터를 수신하도록 구성된 하나 이상의 네트워크 인터페이스들을 포함할 수 있다. 특히, 상기 데이터 취득 시스템 (402)은 다른 예들 중에서도 아날로그 신호들, 데이터 스트림들, 및/또는 네트워크 패킷들을 수신하도록 구성될 수 있다. 그처럼, 상기 네트워크 인터페이스들은 위에서 설명된 것들과 유사하게 포트 등과 같은 하나 이상의 유선 네트워크 인터페이스들 및/또는 무선 네트워크 인터페이스들을 포함할 수 있다. 몇몇의 예들에서, 상기 데이터 취득 시스템 (402)은 NiFi 수신기 등과 같은 정해진 데이터플로 기술에 따라 구성된 컴포넌트들이거나 또는 그 컴포넌트들을 포함할 수 있다.
상기 데이터 취득 시스템 (402)은 하나 이상의 동작들을 수행하도록 구성된 하나 이상의 프로세싱 컴포넌트들을 포함할 수 있다. 예시의 동작들은 다른 동작들 중에서도 압축 및/또는 압축해제, 암호화 및/또는 복호화, 아날로그-디지털 및/또는 디지털-아날로그 변환, 증폭, 포맷팅, 및 패키징을 포함할 수 있다. 더욱이, 상기 데이터 취득 시스템 (402)은 본 발명 개시에 따라 변경될 수 있는 하나 이상의 취득 파라미터들에 따라 데이터를 필터링, 분석, 소팅, 조직, 라우팅, 및/또는 저장하도록 구성될 수 있다. 예를 들면, 데이터 취득 시스템 (402)은 애셋으로부터 취득하기 위해 데이터 변수들의 특별한 세트 (예를 들면, 수집될 애셋 센서/액튜에이터 판독값들의 특별한 세트)를 정의하는 취득 파라미터에 따라 동작할 수 있다. 다른 예로서, 상기 데이터 취득 시스템 (402)은 애셋으로부터 데이터를 취득하는 속도 (즉, 샘플링 주파수)를 정의하는 취득 파라미터에 따라 동작할 수 있다. 또 다른 예로서, 상기 데이터 취득 시스템 (402)은 애셋으로부터 취득된 데이터를 위한 저장 위치를 정의하는 취득 파라미터에 따라 동작할 수 있다. 상기 데이터 취득 시스템 (402)은 마찬가지로 다른 취득 파라미터에 따라 동작할 수 있다.
일반적으로, 상기 데이터 취득 시스템 (402)에 의해 수신된 데이터는 다양한 모습들을 취할 수 있다. 예를 들면, 상기 데이터의 페이로드는 단일의 센서 또는 액튜에이터 측정값, 다수의 센서 및/또는 액튜에이터 측정값 그리고/또는 하나 이상의 비정상-상태 데이터를 포함할 수 있다. 다른 예들 또한 가능하다.
더욱이, 상기 수신된 데이터는 소스 식별자 및 타임스탬프 (예를 들면, 정보가 획득되었던 날짜 및/또는 시각)와 같은 특정 특성들을 포함할 수 있다. 예를 들면, 유일 식별자 (예를 들면, 컴퓨터 생성 알파벳, 숫자, 알파뉴메릭, 또는 유사한 식별자)가 각 애셋에, 그리고 아마도 각 센서 및 액튜에이터에 할당될 수 있다. 그런 식별자들은 데이터가 시작되는 애셋, 센서, 또는 액튜에이터를 식별하도록 사용가능하다. 몇몇의 경우에서, 다른 특성은 정보가 획득되었던 위치 (예를 들면, GPS 좌표들)를 포함할 수 있다. 데이터 특성들은 다른 예들 중에서도 신호 시그니처들 또는 메타데이터의 모습으로 올 수 있다.
상기 데이터 사이언스 시스템 (404)은 (예를 들면, 상기 데이터 취득 시스템 (402)으로부터) 데이터를 수신하여 분석하며, 그리고 그런 분석에 기반하여, 하나 이상의 동작들이 발생하도록 일반적으로 기능할 수 있다. 그처럼, 상기 데이터 사이언스 시스템 (404)은 하나 이상의 네트워크 인터페이스들 (408), 프로세싱 유닛 (410), 및 데이터 저장부 (412)를 포함할 수 있으며, 이것들 모두는 시스템 버스, 네트워크, 또는 다른 접속 메커니즘에 의해 통신가능하게 링크될 수 있다. 몇몇의 경우에서, 상기 데이터 사이언스 시스템 (404)은 여기에서 개시된 기능성 중 몇몇을 수행하는 것을 용이하게 하는 하나 이상의 애플리케이션 프로그램 인터페이스들 (API들)을 저장하고 그리고/또는 액세스하도록 구성될 수 있다.
상기 네트워크 인터페이스들 (408)은 위에서 설명된 네트워크 인터페이스와 동일하거나 유사할 수 있다. 실제로, 상기 네트워크 인터페이스 (408)는 상기 데이터 사이언스 시스템 (404) 그리고 상기 데이터 취득 시스템 (402), 데이터베이스들 (406), 애셋들 (102), 출력 시스템 (110) 등과 같은 다양한 다른 엔티티들 사이에서의 통신을 (예를 들면, 몇몇 레벨의 보안을 이용하여) 용이하게 할 수 있다.
상기 프로세싱 유닛 (410)은 하나 이상의 프로세서들을 포함할 수 있으며, 이것들은 위에서 설명된 프로세서 모습들 중 어느 것도 취할 수 있다. 다음으로는, 상기 데이터 저장부 (412)는 하나 이상의 비-일시적 컴퓨터-판독가능 저장 매체이거나 그 저장 매체를 포함할 수 있으며, 이는 위에서 설명된 컴퓨터-판독가능 저장 매체의 어떤 모습도 취할 수 있다. 상기 프로세싱 유닛 (410)은 본원에서 설명된 분석 시스템의 동작들을 수행하기 위해, 데이터 저장부 (412)에 저장된 컴퓨터-판독가능 프로그램 명령어들을 저장하고, 액세스하고, 그리고 실행하도록 구성될 수 있다.
일반적으로, 상기 프로세싱 유닛 (410)은 데이터 취득 시스템 (402)으로부터 수신된 데이터에 관한 분석을 수행하도록 구성될 수 있다. 그 목적을 위해, 상기 프로세싱 유닛 (410)은 하나 이상의 모듈들을 실행하도록 설정될 수 있으며, 이 모듈들은 데이터 저장부 (412)에 저장된 프로그램 명령어들의 하나 이상의 세트들의 모습을 취할 수 있다. 상기 모듈들은 각자의 프로그램 명령어들 실행에 기반하여 결과가 발생하도록 하는 것을 용이하게 하도록 구성될 수 있다. 정해진 모듈로부터의 예시의 결과는 다른 예들 중에서도 데이터를 다른 모듈로 출력하는 것, 정해진 모듈의 그리고/또는 다른 모듈의 프로그램 명령어들을 업데이트하는 것, 그리고 애셋 및/또는 출력 시스템 (110)으로의 전송을 위해 네트워크 인터페이스 (408)로 데이터를 출력하는 것을 포함할 수 있다.
상기 데이터베이스들 (406)은 (예를 들면, 데이터 사이언스 시스템 (404))르부터) 데이터를 수신하여 저장하도록 일반적으로 기능할 수 있다. 그처럼, 각 데이터베이스들 (406)은 위에서 제공된 상기 예들 중 어느 하나와 같은 하나 이상의 비-일시적 컴퓨터-판독가능 저장 매체를 포함할 수 있다. 실제로, 상기 데이터베이스들 (406)은 상기 데이터 저장부 (412)와 분리되거나 통합될 수 있다.
상기 데이터베이스들 (406)은 수많은 유형의 데이터를 저장하도록 구성될 수 있으며, 그 데이터 중 몇몇은 아래에서 설명된다. 실제로, 데이터베이스들 (406) 내에 저장된 일부 데이터는 데이터가 생성되었거나 데이터베이스에 추가되었던 날짜 및 시각을 표시하는 타임스탬프를 포함할 수 있다. 더욱이, 데이터는 상기 데이터베이스들 (406) 내에 여러 방식들로 저장될 수 있다. 예를 들면, 다른 예들 중에서도 데이터는 시간 순서에 따라, 표 방식으로 저장되고, 그리고/또는 데이터 소스 유형에 기반하여 (예를 들면, 애셋, 애셋 유형, 센서, 센서 유형, 액튜에이터, 또는 액튜에이터 유형에 기반하여) 또는 비정상-상태 표시자에 기반하여 조직될 수 있다. 본 발명 개시에 따라, 상기 데이터베이스들은 상이한 레벨의 영속성, 접근성 및/또는 신뢰성과 같은 상이한 저장 특성들을 또한 가질 수 있다. 데이터베이스 유형들의 대표적인 예들은 특히 시계열 데이터베이스들, 문서 데이터베이스들, 관계형 데이터베이스들, 및 그래프 데이터베이스들을 포함할 수 있다.
IV. 예시의 동작들
도 1에서 도시된 예시의 네트워크 구성 (100)의 동작들이 아래에서 더 상세하게 이제 설명될 것이다. 이 동작들 중 몇몇을 설명하는 것을 돕기 위해, 수행될 수 있는 동작들의 조합들을 설명하기 위해 흐름도들이 참조될 수 있다. 몇몇의 경우에서, 각 블록은 프로세스 내 특정 논리적 기능들이나 단계들을 구현하기 위해 프로세서에 의해 실행가능한 명령어들을 포함하는 프로그램 코드의 일부 또는 모듈을 나타낼 수 있다. 상기 프로그램 코드는 비-일시적 컴퓨터-판독가능 매체와 같은 임의 유형의 컴퓨터-판독가능 매체 상에 저장될 수 있다. 다른 경우에서, 각 블록은 프로세스에서 특정 로직 기능들이나 단계들을 수행하기 위해 배선된 회로를 나타낼 수 있다. 더욱이, 흐름도들 내에서 보이는 블록들은 특별한 실시예에 기반하여 상이한 순서들로 배치되고, 더 적은 개수의 블록들로 결합되고, 추가의 블록들로 분리되며, 그리고/또는 제거될 수 있다.
다음의 설명은 상기 애셋 (102)과 같은 데이터 소스가 분석 시스템 (108)으로 데이터를 제공하고, 그 분석 시스템은 그 후에 하나 이상의 기능들을 수행하는 경우인 예들을 참조할 수 있다. 이것은 단지 명료함 및 설명을 위해 실행되는 것이며 제한하려고 하는 것을 의미하지 않는다는 것이 이해되어야 한다. 실제로, 상기 분석 시스템 (108)은 일반적으로 다수의 소스들로부터 데이터를 아마도 동시에 수신하고, 그리고 수신된 데이터의 그런 집성에 기반하여 동작들을 수행한다.
A. 동작 데이터 수집
위에서 언급되었듯이, 상기 대표 애셋 (102)은 다양한 모습들을 취할 수 있으며 그리고 다수의 동작들을 수행하도록 구성될 수 있다. 비-제한적 예에서, 상기 애셋 (102)은 미국을 가로질러 화물을 운반하기에 사용가능한 기관차의 모습을 취할 수 있다. 통과하면서, 상기 애셋 (102)의 센서들 및/또는 액튜에이터들은 상기 애셋 (102)의 하나 이상의 동작 상태들을 반영하는 데이터를 획득할 수 있다. 상기 센서들 및/또는 액튜에이터들은 그 데이터를 애셋 (102)의 프로세싱 유닛으로 전송할 수 있다.
상기 프로세싱 유닛은 상기 센서들 및/또는 액튜에이터들로부터 데이터를 수신하도록 구성될 수 있다. 실제로, 상기 프로세싱 유닛은 다수의 센서들로부터의 센서 데이터 그리고/또는 다수의 액튜에이터들로부터의 액튜에이터 데이터를 동시에 또는 순차적으로 수신할 수 있다. 위에서 설명된 것처럼, 이 데이터를 수신하면, 상기 프로세싱 유닛은 그 데이터가 고장 코드들과 같은 어떤 비정상-상태 표시자들을 트리거하는 트리거 기준을 충족시키는가의 여부를 판단하도록 또한 구성될 수 있다. 하나 이상의 비정상-상태 표시자들이 트리거된다고 상기 프로세싱 유닛이 판단하는 경우에, 그 프로세싱 유닛은 트리거된 표시자에 대한 표시를 사용자 인터페이스를 경유하여 출력하는 것과 같은 하나 이상의 로컬 동작들을 수행하도록 구성될 수 있다
상기 애셋 (102)은 동작 데이터를 애셋 (102)의 네트워크 인터페이스 및 상기 통신 네트워크 (106)를 경유하여 분석 시스템 (108)으로 그 후에 전송할 수 있다. 동작 시에, 상기 애셋 (102)은 동작 데이터를 상기 분석 시스템 (108)으로 계속해서, 주기적으로, 그리고/또는 트리거 이벤트 (예를 들면, 비정상 상태들)에 응답하여 전송할 수 있다. 특히, 상기 애셋 (102)은 특별한 빈도에 기반하여 (예를 들면, 매일, 매시간마다, 매 15분마다, 분 당 한번, 초 당 한번 등) 주기적으로 동작 데이터를 전송할 수 있으며, 또는 상기 애셋 (102)은 동작 데이터의 연속적인, 실시간 피드를 전송하도록 구성될 수 있다. 추가로 또는 대안으로, 상기 애셋 (102)은 센서 및/또는 액튜에이터 측정치들이 어떤 비정상-상태 표시자들을 위한 트리거 기준을 충족시킬 때와 같은 어떤 트리거들에 기반하여 동작 데이터를 전송하도록 구성될 수 있다. 상기 애셋 (102)은 동작 데이터를 다른 방식들로 또한 전송할 수 있다.
실제로, 애셋 (102)을 위한 동작 데이터는 센서 데이터, 액튜에이터 데이터, 비정상-상태 데이터, 및/또는 다른 애셋 이벤트 데이터 (예를 들면, 애셋 중단, 재시작 등을 표시하는 데이터)를 포함할 수 있다. 몇몇의 구현들에서, 상기 애셋 (102)은 단일 데이터 스트림으로 동작 데이터를 제공하도록 구성될 수 있으며, 반면에 다른 구현들에서 상기 애셋 (102)은 동작 데이터를 다수의, 별개의 데이터 스트림들로 제공하도록 구성될 수 있다. 예를 들면, 상기 애셋 (102)은 상기 분석 시스템 (108)에게 센서 및/또는 액튜에이터 데이터의 제1 데이터 스트림 그리고 비정상-상태 데이터의 제2 데이터 스트림을 제공할 수 있다. 다른 예로서, 상기 애셋 (102)은 상기 분석 시스템 (108)에게 상기 애셋 (102) 상의 각각의 센서 및/또는 액튜에이터를 위한 분리된 데이터 스트림을 제공할 수 있다. 다른 가능성들이 또한 존재한다.
센서 및 액튜에이터 데이터는 다양한 모습들을 취할 수 있다. 예를 들면, 때때로, 센서 데이터 (또는 액튜에이터 데이터)는 애셋 (102)의 센서들 (또는 액튜에이터들) 각각에 이해 획득된 측정치들을 포함할 수 있다. 다른 경우들에서는, 센서 데이터 (또는 액튜에이터 데이터)는 애셋 (102)의 센서들 (또는 액튜에이터들)의 서브세트에 의해 획득된 측정치들을 포함할 수 있다.
특히, 상기 센서 및/또는 액튜에이터 데이터는 정해진 트리거된 비정상-상태 표시자들과 연관된 센서들 및/또는 액튜에이터들에 의해 획득된 측정치들을 포함할 수 있다. 예를 들면, 트리거된 고장 코드가 도 3으로부터의 고장 코드 1이라면, 센서 데이터는 센서 A 및 센서 C에 의해 획득된 미가공 측정치들을 포함할 수 있다. 추가로 또는 대안으로, 상기 데이터는 트리거된 고장 코드와 직접적으로 연관되지 안은 하나 이상의 센서들이나 액튜에이터들에 의해 획득된 측정치들을 포함할 수 있다. 마지막 예로 벗어나 계속하면, 상기 데이터는 액튜에이터 B 및/또는 다른 센서들이나 액튜에이터들에 의해 획득된 측정치들을 추가로 포함할 수 있다. 몇몇의 예들에서, 예를 들면, 액튜에이터 B가 측정하고 있는 것과 상기 고장 코드 1로 하여금 먼저 트리거되도록 하는 것 사이에 상관관계가 존재한다는 판단할 수 있는 상기 분석 시스템 (108)에 의해 제공된 고장-코드 규칙 또는 명령어에 기반하여 상기 애셋 (102)은 상기 동작 데이터 내에 특별한 센서 데이터를 포함할 수 있다. 다른 예들이 또한 가능하다.
또한, 상기 데이터는 여러 팩터들에 기반하여 선택될 수 있는 관심대상인 특별한 시점에 기반하여 관심대상인 센서 및/또는 액튜에이터로부터의 하나 이상의 센서 및/또는 액튜에이터 측정치들을 포함할 수 있다. 몇몇의 예들에서, 상기 관심대상인 특별한 시점은 샘플링 속도에 기반할 수 있다. 다른 예들에서, 관심대상인 상기 특별한 시점은 비정상-상태 표시자가 트리거되는 시점에 기반할 수 있다.
특히, 비정상-상태 표시자가 트리거되는 시점에 기반하여, 상기 데이터는 관심대상인 각 센서 및/또는 액튜에이터로부터의 하나 이상의 각자의 센서 및/또는 액튜에이터 측정치들을 포함할 수 있다 (예를 들면, 센서들 및/또는 액튜에이터들은 상기 트리거된 표시자와 직접적으로 그리고 간접적으로 연관된다). 상기 하나 이상의 측정치들은 특별한 개수의 측정치들에 또는 상기 트리거된 비정상-상태 표시자 시간 내내인 특별한 지속시간에 기반할 수 있다.
예를 들면, 트리거된 고장 코드가 도 3으로부터의 고장 코드 2라면, 관심대상인 센서들 및 액튜에이터들은 액튜에이터 B 및 센서 C를 포함할 것이다. 상기 하나 이상의 측정치들은 상기 고장 코드 트리거 이전에 액튜에이터 B 및 센서 C에 의해 획득된 가장 최근의 각자의 측정치들 (예를 들면, 트리거 측정치들)을 포함할 수 있으며 또는 상기 트리거 측정치들 이전, 이후, 또는 근방에서의 측정치들의 각자의 세트를 포함할 수 있다. 예를 들면, 다섯 개의 측정치들의 세트는 다른 가능성들 중에서도 상기 트리거 측정치 이전 또는 이후의 다섯 개의 측정치들을 (상기 트리거 측정치는 배제함), 상기 트리거 측정 이전 또는 이후의 네 개의 측정치들 및 상기 트리거 측정치를, 또는 상기 트리거 측정 이전의 두 개의 측정치들과 이후의 두 측정치 및 상기 트리거 측정치를 포함할 수 있다.
센서 및 액튜에이터 데이터와 유사하게, 상기 비정상-상태 데이터는 다양한 모습들을 취할 수 있다. 일반적으로, 상기 비정상-상태 데이터는, 애셋 (102)에서 발생할 수 있는 모든 다른 비정상 상태들로부터 상기 애셋 (102)에서 발생했던 특별한 비정상 상태를 유일하게 식별하기 위해 사용가능한 표시자를 포함하거나 또는 그 표시자의 모습을 취할 수 있다. 상기 비정상-상태 표시자는 다른 예들 중에서도 알파벳, 숫자, 또는 알파뉴메릭 식별자의 모습을 취할 수 있다. 더욱이, 상기 비정상-상태 표시자는 다른 예들 중에서도 "과열된 엔진" 또는 "연료 부족"과 같은 비정상 상태들을 기술하는 단어들의 스트링의 모습을 취할 수 있다.
상기 분석 시스템 (108) 그리고 특히 상기 분석 시스템 (108)의 데이터 취득 시스템은 하나 이상의 애셋들 및/또는 데이터 소스들로부터 동작 데이터를 수신하도록 구성될 수 있다. 상기 데이터 취득 시스템은 상기 수신된 데이터의 적어도 일부를 취득하고, 그 수신된 데이터에 하나 이상의 동작들을 수행하고, 그리고 그 후에 그 데이터를 상기 분석 시스템 (108)의 데이터 사이언스 시스템으로 중계하도록 구성될 수 있다. 그 다음에, 상기 데이터 사이언스 시스템은 그 수신된 데이터를 분석하고 그리고 그런 분석에 기반하여 하나 이상의 동작들을 수행할 수 있다.
B. 예측 모델들 및 워크폴로들 정의
일 예로서, 상기 분석 시스템 (108)은 하나 이상의 애셋들을 위한 수신된 동작 데이터 그리고/또는 상기 하나 이상의 애셋들에 관련된 수신된 외부 데이터에 기반하여 예측 모델들 및 대응하는 워크플로들을 정의하도록 구성될 수 있다. 상기 분석 시스템 (108)은 마찬가지로 다양한 다른 데이터에도 기반하여 모델-워크플로 쌍들을 정의할 수 있다.
일반적으로, 모델-워크플로 쌍은, 이벤트들의 정해진 그룹 중의 적어도 하나의 이벤트가 미래에 발생할 가능성을 판단하고 그리고 그 후에 이 가능성이 임계에 도달한다면 특정 동작들을 수행하기 위해서 애셋으로 하여금 특정 동작 상태들을 모니터하도록 하는 프로그램 명령어들의 세트를 포함할 수 있다. 예를 들면, 예측 모델은 하나 이상의 알고리즘들을 포함할 수 있으며, 그 알고리즘들의 입력들은 애셋의 하나 이상의 센서들 및/또는 액튜에이터들로부터의 센서 및/또는 액튜에이터 데이터이며 그리고 그 알고리즘들의 출력들은 미래의 특별한 시간 구간 내에 상기 애셋에서 특별한 유형의 이벤트가 발생할 수 있는 (또는 그런 이벤트가 전혀 발생하지 않을 수 있는) 확률을 결정하기 위해 활용된다. 다음에, 워크플로는 하나 이상의 트리거들 (예를 들면, 모델 출력 값들) 그리고 그 트리거들에 기반하여 상기 애셋이 수행하는 대응 동작들을 포함할 수 있다.
실제로, 상기 분석 시스템 (108)은 집성 (aggregate) 및/또는 개별화된 (individualized) 예측 모델들 및/또는 워크플로를 정의하기 위해 수행될 수 있다. "집성" 모델/워크플로는 애셋들의 그룹에 대해서 일반적이며 그리고 상기 애셋들의 특별한 특성들을 고려하지 않고 정의된 모델/워크플로를 언급하는 것일 수 있다. 반면에, "개별화된" 모델/워크플로는 단일의 애셋 또는 애셋들의 그룹으로부터의 애셋들의 서브그룹을 위해 특별하게 맞추어지며 그리고 상기 단일의 애셋 또는 애셋들의 서브그룹의 특별한 특성들에 기반하여 정의된 모델/워크플로를 언급하는 것일 수 있다.
본 발명 개시에 따라, 모델-워크플로 쌍의 한 가지 구현은, 이벤트들의 정해진 그룹 중의 적어도 하나의 이벤트가 미래의 특별한 시간 구간 내에 (예를 들면, 미래의 특정 시간들, 특정의 날들, 또는 특정 주들 내에) 애셋에서 발생할 확률을 예측하기 위한 모델 그리고 이 예측 모델에 기반하여 상기 분석 시스템의 취득 프로세스를 조절하기 위한 대응 워크플로의 모습을 취할 수 있다. 이 모델-워크플로 쌍은 다양한 모습들을 취할 수 있다.
1. 취득 동작을 조절하기 위한 예측 모델
위에서 언급된 것처럼, 상기 분석 시스템 (108)은 이벤트들의 정해진 그룹 중의 적어도 하나의 이벤트가 미래의 특별한 시간 구간 내에 애셋에서 발생할 가능성을 예측하기 위한 모델을 정의하도록 구성될 수 있다. 실제로, 이벤트들의 상기 그룹은 자신의 취득 프로세스를 조절하기 위한 상기 분석 시스템의 소망에 영향을 줄 수 있는 어떤 이벤트도 포함하도록 정의될 수 있다. 그런 이벤트들의 예들은 애셋 고장, 애셋 재시작, 애셋 중단, 및/또는 애셋에서 비정상 상태 발생 (예를 들면, 센서/액튜에이터 값 또는 센서/액튜에이터 값들의 조합에서의 이상)을 포함할 수 있다. 상기 분석 시스템 (108)은 그런 예측 모델을 다양한 방식들로 정의할 수 있다.
도 5는 모델-워크플로 쌍들을 정의하기 위해 사용될 수 있는 정의 과정의 한 가지 가능한 예를 도시한 흐름도 (500)이다. 예시의 목적들을 위해서, 상기 예시의 정의 과정은 상기 분석 시스템 (108)에 의해 수행되는 것으로 설명되지만, 이 정의 과정은 마찬가지로 다른 시스템들에 의해서도 수행될 수 있다. 본 발명이 속한 기술 분야에서의 통상의 지식을 가진 자는 상기 흐름도 (500)는 명료함 및 설명을 위해 제공된 것이며 그리고 예측 모들을 정의하기 위해 동작들의 수많은 다른 조합들이 활용될 수 있다는 것을 인정할 것이다.
도 5에서 보이는 것처럼, 블록 502에서, 분석 시스템 (108)은 정해진 예측 모델을 위한 기초를 형성하는 데이터 (예를 들면, 관심대상 데이터)의 세트를 정의함으로써 시작할 수 있다. 그 관심대상 데이터는 상기 애셋들 (102 및 104)과 데이터 소스 (112)와 같은 여러 소스들로부터 도출될 수 있으며 그리고 상기 분석 시스템의 데이터베이스에 저장될 수 있다.
상기 관심대상 데이터는 애셋들의 그룹으로부터의 애셋들의 특별한 세트 또는 애셋들의 그룹으로부터의 애셋들 (예를 들면, 관심대상 애셋들) 모두에 대한 이력적인 데이터를 포함할 수 있다. 더욱이, 상기 관심대상 데이터는 관심대상 애셋들 각각으로부터의 센서들 및/또는 액튜에이터들의 특별한 세트로부터의 또는 관심대상 애셋들 각각으로부터의 센서들 및/또는 액튜에이터들 모두로부터의 측정치들을 포함할 수 있다. 또한, 상기 관심대상 데이터는 이력적인 데이터 중 2주의 가치있는 데이터처럼 과거의 특별한 시간 구간으로부터의 데이터를 포함할 수 있다.
상기 관심대상 데이터는 상기 정해진 예측 모델에 종속할 수 있는 다양한 유형의 데이터를 포함할 수 있다. 몇몇의 예들에서 상기 관심대상 데이터는 애셋들의 동작 상태들을 표시하는 동작 데이터를 적어도 포함할 수 있으며, 여기에서 상기 동작 데이터는 동작 데이터 수집의 섹션에서 위에서 설명된 것과 같다. 추가로, 상기 관심대상 데이터는 애셋들이 보통 작동되는 환경들을 표시하는 환경 데이터 그리고/또는 애셋들이 어떤 태스크들을 수행하는 계획된 날들 및 시간들을 표시하는 스케줄링 데이터를 포함할 수 있다. 다른 유형의 데이터가 상기 관심대상 데이터 내에 또한 포함할 수 있다.
실제로, 관심대상 데이터는 여러 방식들로 정의될 수 있다. 일 예에서, 관심대상 데이터는 사용자가 정의할 수 있다. 특히, 사용자는 특정 관심대상 데이터 선택을 표시하는 사용자 입력을 수신하는 출력 시스템 (110)을 동작시킬 수 있으며, 그리고 그 출력 시스템 (110)은 그런 선택들을 표시하는 데이터를 상기 분석 시스템 (108)에게 제공할 수 있다. 그 수신된 데이터에 기반하여, 상기 분석 시스템 (108)은 관심대상 데이터를 그 후에 정의할 수 있다.
다른 예에서, 관심대상 데이터는 기계가 정의할 수 있다. 특히, 상기 분석 시스템 (108)은 가장 정밀한 예측 모델을 생성하는 관심대상 데이터를 결정하기 위해 시뮬레이션들과 같은 다양한 동작들을 수행할 수 있다. 다른 예들이 또한 가능하다.
도 5로 돌아가면, 블록 504에서, 상기 분석 시스템 (108)은 애셋들의 동작에 관련된 집성, 예측 모델을 상기 관심대상 데이터에 기반하여 정의하도록 구성될 수 있다. 일반적으로, 집성, 예측 모델은 애셋들의 동작 상태들 그리고 그 애셋에서 발생하는 가능성 사이의 관계를 정의할 수 있다. 특히, 집성, 예측 모델은 애셋의 센서들로부터의 센서 데이터 및/또는 상기 애셋의 액튜에이터들로부터의 액튜에이터 데이터를 수신하고 그리고 이벤트들의 정해진 그룹 중의 적어도 하나의 이벤트가 미래의 특정 양의 시간 내에 상기 애셋에서 발생할 것인가의 확률을 출력한다.
위에서 언급된 것처럼, 이벤트들의 그룹은 분석 시스템 자신의 취득 프로세스를 조절하기 위한 그 분석 시스템의 소망에 영향을 줄 수 있는 이벤트를 포함하기 위해 정의될 수 있다. 이 이벤트들은 특별한 구현에 종속하여 변할 수 있다. e예를 들면, 그런 이벤트는 애셋에서 발생할 수 있는 고장 이벤트의 모습을 가질 수 있으며, 이 경우에 상기 예측 모델은 고장 이벤트가 미래의 특정 시간 구간 내에 발생할 가능성을 예측할 수 있다. 다른 예에서, 그런 이벤트는 애셋이 취할 수 있는 행동 (예를 들면, 재시작 또는 중단 행동)의 모습을 취할 수 있으며, 이 경우에 상기 예측 모델은 미래의 특정 시간 구간 내에 애셋이 상기 행동을 취하고 그리고/또는 완료할 것인가의 가능성을 예측할 수 있다. 또 다른 예에서, 그런 이벤트는 교체 이벤트 (예를 들면, 연료 또는 컴포넌트 교체)의 모습을 취할 수 있으며, 이 경우에 상기 예측 모델은 교체 이벤트가 발생할 필요가 있기 이전의 시간 양을 예측할 수 있다. 또 다른 예들에서, 그런 이벤트는 애셋 생산성에서의 변화의 모습을 취할 수 있으며, 이 경우에 상기 예측 모델은 미래의 특별한 시간 구간 동안에 애셋의 생산성을 예측할 수 있다. 또 다른 예에서, 그런 이벤트는 예상된 애셋 행동들과는 상이한 애셋의 행동을 표시하는 "리딩 표시자 (leading indicator)" 이벤트의 모습을 취할 수 있으며, 이 경우에 상기 예측 모델은 미래에 발생하는 하나 이상의 리딩 표시자 이벤트들의 가능성을 예측할 수 있다. 예측 모델들의 다른 예들이 또한 가능하다.
일반적으로, 상기 집성, 예측 모델을 정의하는 것은 다른 모델링 기법들 중에서도 랜덤 포리스트 (random forest) 기법, 로지스틱 회귀 (logistic regression) 기법, 또는 다른 회귀 기법처럼 0 및 1 사이의 확률을 돌려주는 모델을 생성하기 위한 하나 이상의 모델링 기법들을 활용하는 것을 수반할 수 있다. 그러나, 다른 기법들도 마찬가지로 가능하다.
하나의 특별한 예시의 구현에서, 상기 예측 모델은 애셋을 위한 건강을 모니터하고 건강 규준 (health metric) (예를 들면, "건강 점수")을 출력하기 위한 하나 이상의 예측 모델들의 모습을 취할 수 있으며, 상기 건강 규준은 정해진 애셋에서 미래의 정해진 기간 (예를 들면, 다음의 2주) 내에 고장이 발생할 것인지의 여부를 표시하는 단일의, 집성된 규준이다. 특히, 건강 규준은 고장들의 그룹으로부터의 어떤 고장도 미래의 정해진 기간 내에 애셋에서 발생하지 않을 가능성을 표시할 수 있으며, 또는 건강 규준은 고장들의 그룹으로부터의 적어도 하나의 고장이 미래의 정해진 기간 내에 애셋에서 발생할 가능성을 표시할 수 있다.
상기 건강 규준의 소망된 정밀도에 종속하여, 각각이 본 발명 개시에 따른 예측 모델로서 사용될 수 있을 상이한 레벨들의 건강 규준들을 출력하는 상이한 예측 모델들을 정의하기 위해 상기 분석 시스템 (108)이 구성될 수 있다. 예를 들면, 상기 분석 시스템 (108)은 전체적으로 상기 애셋을 위한 건강 규준 (즉, 애셋-레벨 건강 규준)을 출력하는 예측 모델을 정의할 수 있다. 다른 예로서, 상기 분석 시스템 (108)은 상기 애셋의 하나 이상의 서브시스템들을 위한 각자의 건강 규준 (즉, 서브시스템-레벨 건강 규준)을 출력하는 각자의 예측 모델을 정의할 수 있다. 몇몇의 경우에, 애셋-레벨 건강 규준을 생성하기 위해 각 서브시스템-레벨 예측 모델의 출력들은 결합될 수 있다. 다른 예들이 또한 가능하다.
일반적으로, 건강 규준을 출력하는 예측 모델을 정의하는 것은 다양한 방식들로 수행될 수 있다. 도 6은 건강 규준을 출력하는 모델을 정의하기 위해 사용될 수 있는 모델링 과정의 한 가능한 예를 도시한 흐름도 (600)이다. 예시의 목적들을 위해, 상기 예시의 모델링 과정은 상기 분석 시스템 (108)에 의해 수행되는 것으로 설명되지만, 이 모델링 과정은 다른 시스템들에 의해서도 마찬가지로 실행될 수 있다. 본 발명이 속한 기술 분야에서의 통상의 지식을 가진 자는 상기 흐름도 (600)가 명료함 및 설명을 위해 제공된 것이며 그리고 건강 규준을 결정하기 위해 동작들의 수많은 다른 조합이 활용될 수 있다는 것을 인정할 것이다.
도 6에서 보이듯이, 상기 분석 시스템 (108)은 상기 건강 규준의 기초를 형성하는 하나 이상의 고장들 (즉, 관심대상 고장들)의 세트를 정의함으로써 시작할 수 있다. 실제로, 상기 하나 이상의 고장들은 그 고장들이 발생한다면 애셋 (또는 그 애셋의 서브시스템)을 동작불가능하게 만들 수 있을 그런 고장들일 수 있다. 고장들의 정의된 세트에 기반하여, 상기 분석 시스템 (108)은 상기 고장들 중의 어느 하나가 미래의 정해진 기간 (예를 들면, 다음의 2주) 내에 발생하는 가능성을 예측하기 위한 모델을 정의하기 위한 단계들을 가질 수 있다.
특히, 블록 604에서, 상기 분석 시스템 (108)은 정해진 고장의 과거의 발생들을 고장들의 상기 세트로부터 식별하기 위해 하나 이상의 애셋들의 그룹을 위한 이력적인 동작 데이터를 분석할 수 있다. 블록 606에서, 상기 분석 시스템 (108)은 정해진 고장의 각 식별된 과거의 발생과 연관된 동작 데이터 (예를 들면, 상기 정해진 고장 발생 이전의 정해진 기간으로부터의 센서 및/또는 액튜에이터 데이터)의 각 세트를 식별할 수 있다. 블록 808에서, 상기 분석 시스템 (108)은 (1) 동작 규준들의 정해진 세트를 위한 값들 그리고 (2) 미래의 정해진 기간 (예를 들면, 다음의 2주) 내에 상기 정해진 고장이 발생할 가능성 사이의 관계 (예를 들면, 고장 모델)을 정의하기 위해 상기 정해진 고장의 과거의 발생들과 연관된 동작 데이터의 상기 식별된 세트들을 분석할 수 있다. 마지막으로, 블록 610에서, 상기 정의된 세트 내 각 고장에 대한 상기 정의된 관계 (예를 들면, 상기 개별 고장 모델들)는 고장 발생의 전반적인 가능성을 예측하기 위한 모델로 그 후에 결합될 수 있다.
상기 분석 시스템 (108)이 하나 이상의 애셋들의 그룹을 위한 업데이트된 동작 데이터를 계속해서 수신하면, 상기 분석 시스템 (108)은 상기 업데이트된 동작 데이터로 단계들 604-610을 반복함으로써 하나 이상의 고장들의 상기 정의된 세트를 위한 예측 모델을 또한 계속해서 다듬을 수 있다.
도 6에 도시된 예시의 모델링 과정의 기능들은 이제 더 상세하게 설명될 것이다. 블록 602로 시작하면, 위에서 언급된 것처럼, 상기 분석 시스템 (108)은 상기 건강 규준을 형성하는 상기 하나 이상의 고장들의 세트를 정의하여 시작할 수 있다. 상기 분석 시스템 (108)은 다양한 방식들로 이 기능을 수행할 수 있다.
일 예에서, 상기 하나 이상의 고장들의 세트는 하나 이상의 사용자 입력들에 기반할 수 있다. 특히, 상기 분석 시스템 (108)은 상기 하나 이상의 고장들에 대한 사용자 선택을 표시하는 입력 데이터를 출력 시스템 (110)처럼 사용자에 의해 작동되는 컴퓨팅 시스템으로부터 수신할 수 있다. 그처럼, 하나 이상의 고장들의 세트는 사용자가 정의한 것일 수 있다.
다른 예들에서, 상기 하나 이상의 고장들의 세트는 상기 분석 시스템 (108)에 의한 (예를 들면, 기계가 정의한) 판단에 기반할 수 있다. 특히, 상기 분석 시스템 (108)은 여러 방식들로 발생할 수 있는 하나 이상의 고장들의 세트를 정의하도록 구성될 수 있다.
예를 들면, 상기 분석 시스템 (108)은 상기 애셋 (102)의 하나 이상의 특성들에 기반하여 고장들의 세트를 정의하도록 구성될 수 있다. 즉, 특정 고장들은 애엣의 애셋 유형, 클래스 등과 같은 특정 특성들에 대응할 수 있다. 예를 들면, 애셋의 각 유형 및/또는 클래스는 각자의 관심대상 고장을 구비할 수 있다.
다른 예에서, 상기 분석 시스템 (108)은 상기 분석 시스템 (108)의 데이터베이스에 저장된 이력적인 데이터 그리고/또는 상기 데이터 소스 (112)에 의해 제공된 외부 데이터에 기반하여 고장들의 세트를 정의하도록 구성될 수 있다. 예를 들면, 상기 분석 시스템 (108)은 다른 예들 중에서도 어느 고장들이 가장 긴 수리-시간의 결과를 가져오는가 그리고/또는 어느 고장들에 추가의 고장들이 이력적으로 뒤따르는가를 판단하기 위해 그런 데이터를 활용할 수 있다.
또 다른 예들에서, 하나 이상의 고장들의 상기 세트는 사용자 입력들 그리고 상기 분석 시스템 (108)에 의한 판단의 결합에 기반하여 정의될 수 있다. 다른 예들이 또한 가능하다.
블록 604에서, 고장들의 세트로부터의 고장들 각각에 대해, 상기 분석 시스템 (108)은 정해진 고장의 과거의 발생을 식별하기 위해 하나 이상의 애셋들의 그룹에 대한 동작 데이터 (예를 들면, 비정상-행동 데이터)를 분석할 수 있다. 상기 하나 이상의 애셋들의 그룹은 참조번호 102의 애셋과 같은 단일의 애셋, 또는 참조번호 102 및 104의 애셋들을 포함하는 애셋들의 기단과 같은 동일한 또는 유사한 유형의 다수의 애셋들을 포함할 수 있다. 상기 분석 시스템 (108)은 다른 예들 중에서도 특정 양의 날짜의 시간 가치 (예를 들면, 한달의 가치) 또는 특정 개수의 데이터-포인트들 (예를 들면, 가장 최근의 1000개의 데이터-포인트들)과 같은 특별한 양의 이력적인 동작 데이터를 분석할 수 있다
실제로, 정해진 고장의 과거의 발생들을 식별하는 것은 상기 분석 시스템 (108)이 상기 정해진 고장을 표시하는 비정상-상태 데이터와 같은 동작 데이터의 유형을 식별하는 것을 포함할 수 있다. 일반적으로, 정해진 고장은 고장 코드들과 같은 하나 또는 다수의 비정상-상태 표시자들과 연관될 수 있다. 즉, 상기 정해진 고장이 발생할 때에, 하나 또는 다수의 비정상-상태 표시자들이 트리거될 수 있다. 그처럼, 비정상-상태 표시자들은 정해진 고장의 근원적인 조짐의 반영일 수 있다.
정해진 고장을 표시하는 동작 데이터의 유형을 식별한 이후에, 상기 분석 시스템 (108)은 상기 정해진 고장의 과거의 발생을 여러 방식들로 확인할 수 있다. 예를 들면, 상기 분석 시스템 (108)은 상기 정해진 고장에 연관된 비정상-상태 표시자들에 대응하는 비정상-상태 데이터를, 상기 분석 시스템 (108)의 데이터베이스 내에 저장된 이력적인 동작 데이터로부터 위치를 찾아낼 것이다. 각 찾아진 비정상-상태 데이터는 상기 정해진 고장의 발생을 표시할 것이다. 이 찾아진 비정상-상태 데이터에 기반하여, 상기 분석 시스템 (108)은 과거 고장이 발생했던 시점을 확인할 수 있다.
블록 606에서, 상기 분석 시스템 (108)은 정해진 고장의 각 확인된 과거의 발생과 연관된 동작 데이터의 각 세트를 확인할 수 있다. 특히, 상기 분석 시스템 (108)은 주어진 고장의 주어진 발생 시점 근방의 특정 기간으로부터 센서 및/또는 액튜에이터 데이터의 세트를 확인할 수 있다. 예를 들면, 데이터의 상기 세트는 고장의 정해진 발생 이전, 이후, 또는 그 근방의 특별한 기간 (예를 들면, 2주)로부터 존재할 수 있다. 다른 경우들에서, 데이터의 상기 세트는 그 고장의 정해진 발생 이전, 이후, 또는 그 근방의 특정 개수의 데이터-포인트들로부터 확인될 수 있다.
예시의 구현들에서, 동작 데이터의 세트는 상기 애셋 (102)의 센서들 및 액튜에이터들 모두 또는 일부로부터의 센서 및/또는 액튜에이터 데이터를 포함할 수 있다. 예를 들면, 동작 데이터의 상기 세트는 상기 정해진 고장에 대응하는 비정상-상태 표시자와 연관된 센서들 및/또는 액튜에이터들로부터의 데이터를 포함할 수 있다.
예시하기 위해, 도 7은 모델을 정의하는 것을 용이하게 하기 위해 상기 분석 시스템 (108)이 분석할 수 있는 이력적인 동작 데이터의 개념적인 예시를 도시한다. 플롯 (700)은 상기 애셋 (102)의 센서들 및 액튜에이터들 모두 또는 일부 (예를 들면, 센서 A 및 액튜에이터 B)로부터 비롯된 이력적인 데이터의 세그먼트에 대응할 수 있다. 보이는 것처럼, 상기 플롯 (700)은 x-축 (702) 상에 시간을, y-축 (704) 상에 측정 값들을, 그리고 센서 A에 대응하는 센서 데이터 (706) 및 액튜에이터 B에 대응하는 액튜에이터 데이터 (708)을 포함하며, 상기 데이터 각각은 시간에 있어서 특별한 포인트들 Ti에서의 측정치들을 나타내는 데이터-포인트들을 포함한다. 더욱이, 상기 플롯 (700)은 과거의 시점 Tf (예를 들면, "고장 시점")에서 발생했던 고장의 발생의 표시 (710), 그리고 그 고장의 발생 이전의 시간 양 △T의 표시 (712)를 포함하며, 그 시간 양으로부터 동작 데이터의 세트들이 식별된다. 그처럼, Tf - △T은 관심대상 데이터-포인트들의 기간 (714)을 정의한다.
도 6으로 돌아가면, 분석 시스템 (108)이 정해진 고장의 정해진 발생 (예를 들면, Tf에서의 발생)에 대한 동작 데이터의 세트를 식별한 이후에, 상기 분석 시스템 (108)은 동작 데이터의 세트가 식별되어야만 하는 어떤 남아있는 발생들이 존재하는가의 여부를 판단할 수 있다. 남아있는 발생들이 존재하는 경우, 블록 606은 각 남아있는 발생을 위해 반복될 것이다.
그 후에, 블록 608에서, 분석 시스템 (108)은 (1) 동작 규준들의 정해진 세트 (예를 들면, 센서 및/또는 액튜에이터 측정치들의 정해진 세트) 그리고 (2) 미래의 정해진 기간 (예를 들면, 다음의 2주) 내 정해진 고장이 발생할 가능성 사이의 관계 (예를 들면, 고장 모델)을 정의하기 위해 상기 정해진 고장의 과거의 발생들과 연관된 동작 데이터의 식별된 세트들을 분석할 수 있다. 즉, 정해진 고장 모델은 하나 이상의 센서들 및/또는 액튜에이터들로부터의 센서 및/또는 액튜에이터 측정치들을 입력들로서 그리고 미래의 정해진 기간 내 상기 정해진 고장이 발생할 확률을 출력으로서 취할 수 있다.
일반적으로, 고장 모델은 상기 애셋 (102)의 동작 상태들 그리고 고장이 발생할 가능성 사이의 관계를 정의할 수 있다. 몇몇의 구현들에서, 상기 애셋 (102)의 센서들 및/또는 액튜에이터들로부터의 미가공 데이터 신호들에 추가로, 고장 모델은 상기 센서 및/또는 액튜에이터 신호들로부터 유도된, 또한 피처 (feature)들로서 또한 알려진, 여러 다른 데이터 입력들을 수신할 수 있다. 그런 피처들은 고장이 발생했을 때에 이력적으로 측정되었던 값들의 평균이나 범위, 고장 발생 이전에 이력적으로 측정되었던 값 기울기들 (예를 들면, 측정치들에서의 변화의 속도)의 평균 또는 범위, 고장들 사이의 지속 시간 (예를 들면, 고장의 첫 번째 발생 및 고장의 두 번째 발생 사이의 시간이나 데이터-포인트들의 개수), 그리고/또는 고장 발생 근방에서의 센서 및/또는 액튜에이터 측정치 경향들을 표시하는 하나 이상의 고장 패턴들을 포함할 수 있다. 본 발명이 속한 기술 분야에서의 통상의 지식을 가진 자는 이것들은 센서 및/또는 액튜에이터 신호들로부터 유도될 수 있는 아주 조금의 예시의 피처들이며 그리고 수많은 다른 피처들이 가능하다는 것을 인정할 것이다.
실제로, 고장 모델은 여러 방식들로 정의될 수 있다. 예시의 구현들에서, 분석 시스템 (108)은 위에서 설명된 어떤 모델링 기법들의 모습을 취할 수 있는, 0 및 1 사이의 확률을 돌려주는 하나 이상의 모델링 기법들을 활용함으로써 고장을 정의할 수 있다.
특별한 예에서, 고장 모델을 정의하는 것은 상기 분석 시스템 (108)이 블록 606에서 확인된 이력적인 동작 데이터를 기반으로 하여 응답 변수를 생성하는 것을 수반할 수 있다. 특히, 상기 분석 시스템 (108)은 시간에 있어서 특별한 포인트에서 수신된 센서 및/또는 액튜에이터 측정치들의 각 세트를 위한 연관된 응답 변수를 결정할 수 있다. 그처럼, 상기 응답 변수는 상기 고장 모델과 연관된 데이터 세트의 모습을 취할 수 있다.
상기 응답 변수는 측정치들의 정해진 세트가 블록 606에서 결정된 기간들 중 어느 하나 내에 있는가의 여부를 표시할 수 있다. 즉, 응답 변수는 데이터의 정해진 세트가 고장 발생 쯤의 관심대상 시점으로부터 온 것인가의 여부를 반영할 수 있다. 상기 응답 변수는 이진-값의 응답 변수일 수 있으며, 그래서, 측정치들의 상기 정해진 세트가 결정된 기간들 중 어느 하나에 존재한다면, 상기 연관된 응답 변수가 1의 값으로 할당되며, 그렇지 않다면, 상기 연관된 응답 변수는 0의 값으로 할당되도록 한다.
도 7로 돌아가면, 응답 변수 벡터 Yres의 개념적인 예시가 플롯 (700) 상에 보인다. 보이는 것처럼, 상기 기간 (714) 내에 있는 측정치들의 세트와 연관된 응답 변수들은 1의 값을 가지며 (예를 들면, Ti+3 - Ti+8 시각들에서의 Yres), 반면에 상기 기간 (714) 외부의 측정치들의 세트와 연관된 응답 변수들은 0의 값을 가진다 (예를 들면, Ti - Ti+2 및 Ti+9 - Ti+10 시각들에서의 Yres). 다른 응답 변수들 또한 가능하다.
응답 변수에 기반하여 고장 모델을 정의하는 특별한 예에서 계속하여, 분석 시스템 (108)은 블록 606에서 식별된 상기 이력적인 동작 데이터 그리고 상기 생성된 응답 변수를 이용하여 상기 고장 모델을 트레이닝시킬 수 있다. 이 트레이닝 프로세스에 기반하여, 상기 분석 시스템 (108)은 다양한 센서 및/또는 액튜에이터 데이터를 입력으로서 수신하고 그리고 상기 응답 변수를 생성하기 위해 사용된 상기 기간과 동등한 시간 구간 내에서 고장이 발생할 0 및 1 사이의 확률을 출력하는 고장 모델을 그 후에 정의할 수 있다.
몇몇의 경우에서, 블록 606에서 식별된 상기 이력적인 동작 데이터 그리고 상기 생성된 응답 변수를 이용하는 트레이닝은 각 센서 및/또는 액튜에이터를 위한 변수 중요성 통계 (variable importance statistics)의 결과를 가져올 수 있다. 정해진 변수 중요성 통계는 정해진 고장이 미래의 시간 구간 내에 발생할 확률에 대한 상기 센서의 또는 액튜에이터의 상대적인 영향을 표시할 수 있다.
추가로 또는 대안으로, 상기 분석 시스템 (108)은 콕스 비례 위험 (Cox proportional hazard) 기법과 같은 하나 이상의 생존 분석 기법들에 기반하여 고장 모델을 정의하도록 구성될 수 있다. 분석 시스템 (108)이 상기에서 설명된 모델링 기법에 관하여 어느 정도는 유사한 방식으로 생존 분석 기법을 활용할 수 있지만, 상기 분석 시스템 (108)은 마지막 고장으로부터 다음의 예상된 이벤트까지의 시간의 양을 표시하는 생존 시간-응답 변수를 결정할 수 있다. 다음의 예상된 이벤트는, 어느 것이 먼저 발생하건간에, 센서 및/또는 액튜에이터 측정치들의 수신 또는 고장의 발생 중 어느 하나일 수 있다. 이 응답 변수는 측정치들이 수신된 시간 상 특별한 포인트들 중 각 포인트에 연관된 값들의 쌍을 포함할 수 있다. 상기 응답 변수는 미래의 정해진 기간 내에 고장이 발생할 확률을 판단하기 위해 그 후에 활용될 수 있다.
몇몇의 예시의 구현들에서, 상기 고장 모델은 다른 데이터 중에서도 날씨 데이터 및 "가열축함 (hotbox)" 데이터와 같은 외부 데이터에 부분적으로 기반하여 정의될 수 있다. 예를 들면, 그런 데이터에 기반하여, 상기 고장 모델은 출력 고장 확률을 증가시키거나 감소시킬 수 있다.
실제로, 애셋 센서들 및/또는 액튜에이터들이 측정치들을 획득하는 시점들과 일치하지 않는 시간 상 포인트들에서 외부 데이터가 관찰된다. 예를 들면, "가열축함" 데이터가 수집되는 시점들 (예를 들면, 가열 축함 센서들이 착용된 철로 궤도의 섹션을 따라 기관차가 지나가는 시점들)은 센서 및/또는 액튜에이터 측정 시점들과 불일치할 수 있다. 그런 경우에, 분석 시스템 (108)은 상기 센서 측정 시점들에 대응하는 시점들에서 관찰되었을 외부 데이터 관찰들을 판별하기 위해 하나 이상의 동작들을 수행하도록 구성될 수 있다.
특히, 상기 분석 시스템 (108)은 상기 외부 데이터 관찰 시점들 및 상기 측정들의 시점들을 활용하여, 상기 측정 시점들에 대응하는 시점들에 대한 외부 데이터 값들을 산출하기 위해 상기 외부 데이터 관찰들을 보간 (interpolate)하도록 할 수 있다. 상기 외부 데이터 보간은 외부 데이터 관찰들 또는 그 외부 관찰들로부터 유도된 피처들이 상기 고장 모델로의 입력들로서 포함되도록 하는 것을 가능하게 할 수 있다. 실제로, 상기 외부 데이터를 상기 센서 및/또는 액튜에이터 데이터를 이용하여 보간하기 위해 다른 예들 중에서도 최인접 보간 (nearest-neighbor interpolation), 선형 보간, 다항식 보간 (polynomial interpolation), 및 스플라인 보간 (spline interpolation)과 같은 다양한 기법들이 사용될 수 있다
도 6으로 돌아가면, 분석 시스템 (108)이 블록 602에서 정의된 고장들의 세트로부터의 정해진 고장을 위한 고장 모델을 결정한 이후에, 상기 분석 시스템 (108)은 고장 모델이 정해져야만 하는 어떤 나머지 고장들이 존재하는가의 여부를 판단할 수 있다. 고장 모델이 정해져야만 하는 고장이 남아있는 경우에, 상기 분석 시스템 (108)은 블록들 604-608의 루프를 반복할 수 있다. 몇몇의 구현들에서, 분석 시스템 (108)은 블록 602에서 정의된 고장들 모두를 포함하는 단일의 고장 모델을 결정할 수 있다. 다른 구현들에서, 상기 분석 시스템 (108)은 애셋 (102)의 각 서브시스템을 위한 고장 모델을 결정할 수 있으며, 이는 애셋-레벨 고장 모델을 결정하기 위해 활용될 수 있다. 다른 예들이 또한 가능하다.
마지막으로, 블록 610에서, 상기 정의된 세트 내 각 고장을 위한 상기 정의된 관계 (예를 들면, 상기 개별 고장 모델들)은 미래의 정해진 기간 (예를 들면, 다음의 2주) 내에 고장이 발생할 전체적인 가능성을 예측하기 위한 모델 (예를 들면, 상기 건강-규준 모델)로 결합될 수 있다. 즉, 상기 모델은 하나 이상의 센서들 및/또는 액튜에이터들로부터의 센서 및/또는 액튜에이터 측정치들을 입력들로서 수신하고 그리고 고장들의 세트로부터의 적어도 하나의 고장이 미래의 상기 정해진 기간 내에 발생할 단일의 확률을 출력한다.
상기 분석 시스템 (108)은 상기 건강-규준 모델을, 그 건강 규준의 소망된 입상도 (granularity)에 종속할 있을 여러 방식들로 정의할 수 있다. 즉, 여러 고장 모델들이 존재하는 예들에서, 그 고장 모델들의 결과들은 상기 건강-규준 모델의 출력을 획득하기 위해 여러 방식들로 활용될 수 있다. 예를 들면, 상기 분석 시스템 (108)은 상기 다수의 고장 모델들로부터 최대, 중간 또는 평균을 결정하고 그리고 그 결정된 값을 건강-규준 모델의 출력으로서 활용할 수 있다.
다른 예들에서, 건강-규준 모델을 결정하는 것은 상기 분석 시스템 (108)이 상기 개별 고장 모델들에 의한 개별 확률들 출력에 가중치를 부여하는 것을 수반할 수 있다. 예를 들면, 고장들의 세트로부터의 각 고장은 동등하게 바람직하지 않은 것으로 간주될 수 있으며, 그래서 각 확률에는 건강-규준 모델을 결정하는데 있어서 마찬가지로 동일하게 가중치가 부여될 수 있다. 다른 예들에서, 몇몇의 고장들은 다른 것들보다 더욱 바람직하지 않은 것으로 간주될 수 있으며 (예를 들면, 더욱 괴멸적이거나 또는 더 긴 수리 시간을 필요로 하는 등), 그래서 그것들의 대응 확률들에는 다른 것들보다 더 많이 가중치가 부여될 수 있다.
또 다른 예들에서, 건강-규준 모델을 결정하는 것은 상기 분석 모델 (108)이 회귀 기법과 같은 하나 이상의 모델링 기법들을 활용하는 것을 수반할 수 있다. 집성 응답 변수는 상기 개별 고장 모델들 각각으로부터의 응답 변수들 (예를 들면, 도 7에서의 Yres)의 논리합 (논리 OR)의 모습을 취할 수 있다. 예를 들면, 블록 606에서 결정된 어떤 기간 (예를 들면, 도 7의 참조번호 714의 기간) 내에 발생하는 측정치들의 어떤 세트와 연관된 집성 응답 변수들은 1의 값을 가질 수 있으며, 반면에 상기 기간들 중 어느 하나의 외부에서 발생하는 측정치들의 세트들과 연관된 집성 응답 변수들은 0의 값을 가질 수 있다. 상기 건강-규준 모델을 다른 방식으로 정의하는 것 또한 가능하다.
몇몇의 구현들에서, 블록 610은 불필요할 수 있다. 예를 들면, 위에서 설명된 것처럼, 상기 분석 시스템 (108)은 단일의 고장 모델을 결정할 수 있으며, 이 경우에 상기 건강-규준 모델은 상기 단일의 고장 모델일 수 있다.
그러나, 여기에서 개시된 상기 건강 점수 모델은 취득 동작을 조절하기 위해 워크플로를 트리거하기 위해서 사용될 수 있는 예측 모델의 간단한 하나의 예라는 것이 이해되어야 한다. 예측 모델들의 다른 예들이 마찬가지로 사용될 수 있다.
도 5로 돌아가면, 상기 분석 시스템 (108)은 애셋들을 위한 개별화된 예측 모델들을 정의하도록 또한 구성될 수 있으며, 이는 상기 집성, 예측 모델을 기준선 (baseline)으로서 활용하는 것을 수반할 수 있다. 상기 개별화는 애셋들의 특정 특성들을 기반으로 할 수 있다. 이 방식에서, 상기 분석 시스템 (108)은 집성 예측 모델에 비교하면 정해진 애셋에게 더욱 정확하고 강건한 예측 모델을 제공할 수 있다.
특히, 블록 506에서, 분석 시스템 (106)은 상기 애셋 (102)과 같은 정해진 애셋을 위해 블록 504에서 정의된 집성 모델을 개별화하는가의 여부를 결정하도록 구성될 수 있다. 상기 분석 시스템 (108)은 이 결정을 여러 방식으로 수행할 수 있다.
몇몇의 경우에서, 상기 분석 시스템 (108)은 디폴트로 개별화된 예측 모델을 정의하도록 구성될 수 있다. 다른 경우들에서, 상기 분석 시스템 (108)은 애셋 (102)의 특정 특성들에 기반하여 개별화된 예측 모델을 정의하는가의 여부를 결정하도록 구성될 수 있다. 예를 들면, 몇몇의 경우들에서, 특정 유형들이나 클래스들의 애셋들만이, 또는 특정 환경에서 작동되는 애셋들만이, 또는 특정 건강 점수들을 가진 애셋들만이 개별화된 예측 모델을 수신할 수 있다. 다른 경우들에서, 사용자는 개별화된 모델이 상기 애셋 (102)을 위해 정의되는가의 여부를 정의할 수 있다. 다른 예들이 또한 가능하다.
어떤 이벤트에서, 분석 시스템 (108)이 애셋 (102)을 위해 개별화된 예측 모델을 정의할 것을 결정한다면, 그 분석 시스템 (108)은 블록 508에서 그렇게 할 수 있다.
블록 508에서, 분석 시스템 (108)은 개별화된 예측 모델을 여러 방식들로 정의하도록 구성될 수 있다. 예시의 구현들에서, 상기 분석 시스템 (108)은 상기 애셋 (102)의 하나 이상의 특성들에 적어도 부분적으로 기반하여 개별화된 예측 모델을 정의할 수 있다.
애셋 (102)을 위해 개별화된 예측 모델을 정의하기 이전에, 분석 시스템 (108)은 상기 개별화된 모델들의 기초를 형성하는 하나 이상의 관심대상 애셋 특성들을 결정할 수 있다. 실제로, 상이한 예측 모델들은 상이한 대응 관심대상 특성들을 가질 수 있다.
일반적으로, 관심대상 특성들은 상기 집성 모델-워크플로 쌍에 관련된 특성들일 수 있다. 예를 들면, 관심대상 특성들은 상기 집성 모델-워크플로 쌍의 정밀도에 영향을 주는 것으로 상기 분석 시스템 (108)이 판단했던 특성들일 수 있다. 그런 특성들의 예들은 다른 특성들 중에서도 애셋 수명, 애셋 사용, 애셋 용량, 애셋 부하, 애셋 건강 (아마도 애셋 건강 규준에 의해 표시됨, 아래에서 설명됨), 애셋 클래스 (예를 들면, 브랜드 및/또는 모델), 그리고 애셋이 작동되는 환경을 포함할 수 있다.
분석 시스템 (108)은 상기 관심대상 특성들을 여러 방식들로 판단할 수 있다. 일 예에서, 상기 분석 시스템 (108)은 관심대상 특성들을 식별하는 것을 용이하게 하는 하나 이상의 모델링 시뮬레이션들을 수행함으로써 그렇게 할 수 있다. 다른 예에서, 상기 관심대상 특성들은 미리 정의되어 분석 시스템 (108)의 데이터 저장부에 저장될 수 있다. 또 다른 예에서, 관심대상 특성들은 사용자에 의해 정의되고 그리고 출력 시스템 (110)을 경유하여 상기 분석 시스템 (108)으로 제공될 수 있다. 다른 예들 또한 가능하다.
어떤 이벤트에서, 관심대상 특성들을 판단한 이후에, 분석 시스템 (108)은 상기 판단된 관심대상 특성들에 대응하는 상기 애셋 (102)의 특성들을 판단할 수 있다. 즉, 상기 분석 시스템 (108)은 상기 관심대상 특성들에 대응하는 상기 애셋 (102)의 특성들의 유형, 값, 존재 또는 부재 등을 판단할 수 있다. 상기 분석 시스템 (108)은 이 동작을 여러 방식들로 수행할 수 있다.
예를 들면, 분석 시스템 (108)은 상기 애셋 (102) 및/또는 상기 데이터 소스 (112)로부터 유래하는 데이터에 기반하여 이 동작을 수행하도록 구성될 수 있다. 특히, 상기 분석 시스템 (108)은 애셋 (102)의 하나 이상의 특성들을 판단하기 위해 상기 애셋 (102)을 위한 동작 데이터 및/또는 데이터 소스 (112)로부터의 외부 데이터를 활용할 수 있다. 다른 예들이 또한 가능하다.
애셋 (102)의 판단된 하나 이상의 특성들에 기반하여, 상기 분석 시스템 (108)은 상기 집성 모델을 변경하여 개별화된, 예측 모델을 정의할 수 있다. 상기 집성 모델은 여러 방식들로 변경될 수 있다. 예를 들면, 상기 집성 모델은, 다른 예들 중에서도, 하나 이상의 모델 입력들을 변경하고 (예를 들면, 추가, 제거, 재-순서설정 등), 애셋-동작 한계들에 대응하는 하나 이상의 센서 및/또는 액튜에이터 측정 범위들을 변경 (예를 들면, "리딩 표시자" 이벤트들에 대응하는 동작 한계들을 변경)하고, 하나 이상의 계산들, 변수에 가중치 적용 (또는 변수의 가중치 변경) 또는 계산의 출력을 변경하고, 상기 집성 모델을 정의하기 위해 활용되었던 것과는 상이한 모델링 기법을 활용하고, 그리고/또는 상기 집성 모델을 정의하기 위해 활용되었던 것과는 상이한 응답 변수를 활용함으로써 변경될 수 있다.
실제로, 상기 집성 모델을 개별화하는 것은 정해진 애셋의 하나 이상의 특성들에 종속할 수 있다. 특히, 어떤 특성들은 다른 특성들과는 상이하게 상기 집성 모델 변경에 영향을 줄 수 있다. 또한, 특성의 유형, 값, 존재 등은 마찬가지로 상기 변경에 영향을 줄 수 있다. 예를 들면, 애셋 수명은 상기 집성 모델의 제1 부분에 영향을 줄 수 있으며, 반면에 애셋 클래스는 상기 집성 모델의 제2의, 상이한 부분에 영향을 줄 수 있다. 그리고 제1 범위의 수명들 내의 애셋 수명은 상기 집성 모델의 제1 부분에 제1 방식으로 영향을 줄 수 있으며, 반면에 제2 범위의 수명들 내의 애셋 수명은 상기 제1 범위와는 상이한 상기 집성 모델의 제1 부분에 제2의 상이한 방식으로 영향을 줄 수 있다. 다른 예들도 또한 가능하다.
몇몇의 구현들에서, 집성 모델을 개별화하는 것은 애셋 특성들에 추가인 또는 대안인 고려들에 종속할 수 있다. 예를 들면, 상기 집성 모델은 (예를 들면, 수리공 등에 의해 정의된 것처럼) 애셋이 상대적으로 양호한 동작 상태에 있는 것으로 알려질 때에 그 애셋의 센서 및/또는 액튜에이터 판독값들에 기반하여 개별화될 수 있다. 더 상세하게는, 리딩-표시자 예측 모델의 예에서, 상기 분석 시스템 (108)은 상기 애셋으로부터의 동작 데이터와 함께 그 애셋이 양호한 동작 상태에 있다는 표시를 (예를 들면, 수리공에 의해 작동되는 컴퓨팅 디바이스로부터) 수신하도록 구성될 수 있다. 적어도 동작 데이터에 기반하여, 상기 분석 시스템 (108)은 "리딩 표시자"에 대응하는 각자의 동작 한계들을 변경함으로써 상기 애셋을 위해 상기 리딩-표시자 예측 모델을 그 후에 개별화할 수 있다. 다른 예들이 또한 가능하다.
몇몇의 예시의 구현들에서 상기 분석 시스템 (108)이 집성 예측 모델을 처음에 정의하지 않고, 정해진 애셋을 위한 개별화된 예측 모델을 정의하도록 구성될 수 있다는 것이 또한 이해되어야 한다. 다른 예들이 또한 가능하다.
일단 예측 모델이 정의되면, 상기 분석 시스템 (108)은 새로운 애셋 데이터에 기반하여 상기 모델을 업데이트하도록 또한 구성될 수 있다. 예를 들면, 애셋들이나 다른 데이터 소스들로부터 수신된 새로운 이력적인 데이터에 기반하여, 분석 시스템 (108)은 애셋을 위해 집성 및/또는 개별화된 모델을 변경할 수 있다. 상기 분석 시스템 (108)은 이 업데이트 기능을 주기적으로 (예를 들면, 매일, 매주, 매달 등) 그리고/또는 몇몇의 트리거 이벤트 (예를 들면, 새로운 이력적인 데이터 수신 또는 이벤트 발생)에 응답하여 수행할 수 있을 것이다. 상기 분석 시스템 (108)은 다른 방식들로 상기 예측 모델을 마찬가지로 업데이트할 수 있다.
분석 시스템 (108)이 아닌 디바이스들 및/또는 시스템들이 상기 예측 모델들을 개별화하고 변경하도록 구성될 수 있다는 것이 또한 이해되어야 한다. 예를 들면, 애셋이 예측 모델을 수신하고 실행하도록 구성된 로컬 분석 디바이스를 포함한다면, 이 로컬 분석 디바이스는 단독으로 또는 상기 분석 시스템 (108)과 결합하여 예측 모델을 개별화하고 그리고/또는 변경하도록 또한 구성될 수 있을 것이다. 대표적인 로컬 분석 디바이스의 동작은 미국 출원 번호 14/963,207 (대리인 일람번호 Uptake-00051)에서 더 상세하게 개시되며, 이 출원은 그 전체가 본원에 참조로서 편입된다.
2. 취득 동작을 조절하기 위한 워크플로
위에서 언급된 것처럼, 위에서 개시된 예측 모델은 그 예측 모델의 출력에 기반하여 취득 동작을 조절하기 위한 워크플로에 대응할 수 있다. 이 취득 워크플로는 다양한 모습들을 취할 수 있다.
일 실시예에 따라, 취득 워크플로는 정해진 애셋으로부터 수집된 데이터의 저장 위치를 상기 예측 모델에 기반하여 변경하는 것을 수반할 수 있다. 예를 들면, 이벤트들의 정해진 그룹으로부터의 적어도 하나의 이벤트가 미래의 특별한 시간 구간 내에 상기 정해진 애셋에서 발생할 수 있다고 생각되는 임계라고 예측 모델이 표시할 때에, 상기 워크플로는 정해진 애셋으로부터 수집된 데이터를 더욱 영속성이 있으며, 신뢰성이 있고, 그리고/또는 강건한 저장 위치로 라우팅하도록 설정될 수 있다. 다른 예들이 또한 가능하다.
다른 실시예에 따라, 취득 워크플로는 정해진 애셋으로부터 수집된 데이터 변수들의 세트를 예측 모델에 기반하여 변경하는 것을 수반할 수 있다. 예를 들면, 이벤트들의 정해진 그룹으로부터의 적어도 하나의 이벤트가 미래의 특별한 시간 구간 내에 상기 정해진 애셋에서 발생할 수 있다고 생각되는 임계라고 예측 모델이 표시할 때에, 상기 워크플로는 추가의 데이터 변수들 (예를 들면, 상기 애셋에서 추가의 센서들/액튜에이터들로부터의 데이터 스트림)을 포함하기 위해, 정해진 애셋으로부터 수집된 데이터의 세트를 확장하도록 구성될 수 있다. 수집될 이 추가의 데이터 변수들은 미리 정의될 수 있으며, 그리고/또는 상기 취득 워크플로를 트리거하는 상기 예측 모델의 유형 및/또는 출력에 기반하여 정의될 수 있다. 예를 들면, 상기 데이터 취득 시스템은 데이터 변수들의 핵심 세트 (예를 들면, 온도, 속도, 위치 등)을 취득하도록 초기에 구성될 수 있으며, 그리고 상기 취득 워크플로는 상기 데이터 취득 시스템으로 하여금 미래에 발생할 것으로 예측되는 특별한 유형의 이벤트에 관련된 추가의 데이터 변수들을 취득하게 하도록 구성될 수 있다. 한 대표적인 예로서, 애셋의 엔진과 연관된 이벤트가 미래에 발생할 것으로 예측된다면, 상기 취득 워크플로는 상기 데이터 취득 시스템으로 하여금 그 애셋의 엔진에 관련된 추가의 데이터변수들 (예를 들면, 전압, 오일 압력, 토크 등)을 취득하도록 할 수 있다. 많은 다른 예들이 마찬가지로 가능하다.
다른 실시예에 따라, 취득 워크플로는 정해진 애셋을 위한 데이터 수집 속도를 예측 모델에 기반하여 변경하는 것을 수반할 수 있다. 예를 들면, 이벤트들의 정해진 그룹으로부터의 적어도 하나의 이벤트가 미래의 특별한 시간 구간 내에 상기 정해진 애셋에서 발생할 수 있다고 생각되는 임계라고 예측 모델이 표시할 때에, 상기 워크플로는 정해진 애셋으로부터 데이터가 수집되는 속도를 증가시키도록 구성될 수 있다. 하나의 대표적인 예로서, 상기 취득 워크플로는 상기 데이터 취득 시스템으로 하여금 제1 샘플링 주파수 (예를 들면, 10 MHz)로부터 제2 샘플링 주파수 (예를 들면, 1 MHz)로 스위치하도록 함으로써 데이터 속도를 증가시키도록 구성될 수 있다. 다른 대표적 예로서, 상기 취득 워크플로는 상기 데이터 취득 시스템으로 하여금 저장된 수신 애셋 데이터의 양을 제1 양 (예를 들면, 매 10번째 데이터 포인트)으로부터 제2 양 (예를 들면, 매 두 번째 데이터 포인트)으로 바꾸게 함으로써 데이터 속도를 증가시키도록 구성될 수 있다. 또 다른 대표적 예로서, 상기 취득 워크플로는 상기 데이터 취득 시스템으로 하여금 제1 샘플링 방식 (매 15분마다 주기적인 샘플링)으로부터 제2 샘플링 방식 (대응 예측 모델의 출력이 임계값을 초과한 것을 탐지하는 것과 같은 트리거 이벤트들에 응답하여 샘플링)으로 스위치하도록 함으로써 데이터 속도를 증가시키도록 구성될 수 있다. 다른 예들이 또한 가능하다.
이 변경의 둘 이상이 단일의 취득 워크플로로 또한 결합될 수 있다는 것이 이해되어야 한다. 또한, 취득 워크플로는 분석 시스템의 취득 프로세스를 조절하기 위한 다른 행동들을 마찬가지로 수반할 수 있다는 것이 이해되어야 한다.
위에서 설명된 것들과 같은 취득 워크플로는 다양한 방식들로 또한 정의될 수 있다. 일 예에서, 상기 집성 워크플로는 사용자가 정의할 수 있다. 특히, 사용자는 특정 워크플로 행동들의 선택을 표시하는 사용자 입력들을 수신하는 컴퓨팅 디바이스를 작동시킬 수 있으며, 그리고 그 컴퓨팅 디바이스는 그런 선택들을 표시하는 데이터를 분석 시스템 (108)에게 제공할 수 있다. 이 데이터에 기반하여 분석 시스템 (108)은 그 후에 상기 워크플로를 정의할 수 있다.
다른 예에서, 상기 워크플로는 기계가 정의할 수 있다. 특히, 상기 분석 시스템 (108)은, 상기 예측 모델에 의한 확률 출력의 원인을 판단하고 그리고/또는 그 모델에 의해 예측된 이벤트의 발생을 방지하는 것을 용이하게 하는 워크플로를 결정하기 위해 시뮬레이션과 같은 다양한 기능들을 수행할 수 있다. 워크플로를 정의하는 다른 예들이 또한 가능하다.
예측 모델에 대응하는 워크플로를 정의하는데 있어서, 상기 분석 시스템 (108)은 그 워크플로를 위한 트리거들을 또한 정의할 수 있다. 예로서, 워크플로 트리거는 예측 모델의 출력에 대한 임계값 (또는 값들의 범위)의 모습을 취할 수 있다 (예를 들면, 10% 미만의 건강 규준). 다른 예로서, 워크플로 트리거는 상기 예측 모델의 출력을 위한 변화의 임계 속도의 모습을 취할 수 있다. 다른 예로서, 워크플로 트리거는 예측 모델의 출력이 임계값과 만나는 시점의 임계 양의 모습을 취할 수 있다. 다른 예들이 또한 가능하다. 또한, 몇몇의 경우들에서, 워크플로는 다수의 트리거들 (예를 들면, 다수의 임계값들)을 또한 구비할 수 있으며, 그 트리거들 각각은 상이한 행동이나 행동들이 발생하도록 할 수 있다. 하나 이상의 임계치들이 설정가능할 수 있다는 것이 또한 이해되어야 한다.
위에서 설명된 예측 모델처럼, 정해진 애셋을 위한 취득 동작을 조절하기 위한 워크플로는 집성 워크플로 또는 개별화된 워크플로의 어느 하나의 모습을 취할 수 있다. 이런 면에서, 상기 분석 시스템 (108) (및/또는 애셋의 로컬 분석 디바이스)은 개별화된 예측 모델을 정의하기 위해 위에서 설명된 것들과 유사한 기법들을 사용하여 (예를 들면, 상기 정해진 애셋의 하나 이상의 특성들에 기반하여 집성 워크플로를 변경함으로써), 상기 정해진 애셋을 위한 개별화된 워크플로를 정의할 수 있다.
또한, 상기 예측 모델처럼, 상기 취득 워크플로는 새로운 애셋 데이터에 기반하여 업데이트될 수 있다. 예를 들면, 애셋이나 다른 데이터 소스들로부터 수신된 새로운 데이터에 기반하여, 상기 분석 시스템 (108) (그리고/또는 애셋의 로컬 분석 디바이스)은 (예를 들면, 수집된 데이터를 위한 저장 위치, 수집될 데이터 변수들의 세트, 및/또는 상기 워크플로와 연관된 수집 속도를 조절함으로써) 집성 및/또는 개별화된 취득 워크플로를 변경할 수 있다. 이 업데이트하는 기능은 주기적으로 (예를 들면, 매일, 매주, 매달 등) 그리고/또는 몇몇의 트리거 이벤트 (예를 들면, 새로운 이력적인 데이터 수신 또는 이벤트 발생)에 응답하여 수행될 수 있을 것이다. 상기 워크플로는 또한 다른 방식들로 업데이트될 수 있을 것이다.
위에서 설명된 취득 워크플로들은 예측 모델의 출력이 아니라 애셋으로부터 수신된 동작 데이터와 쌍을 이루거나 또는 그 동작 데이터에 기반하여 트리거될 수 있을 것이 또한 이해되어야 한다. 한 구현에서, 예를 들면, 취득 워크플로는 애셋으로부터 수신된 센서 데이터에 기반하여 트리거될 수 있다. 하나의 그런 예로서, 취득 워크플로는 설정되어, 정해진 센서의 출력이 임계 상태 (예를 들면, 이상한 값을 나타내는 임계)를 충족시킨다고 상기 분석 시스템 (108)이 판단한다면, (예를 들면, 취득 저장 위치들을 바꾸고, 취득 데이터 변수들의 세트를 확장하며, 그리고/또는 취득 데이터 속도를 증가시킴으로써) 상기 취득 워크플로가 상기 데이터 취득 시스템으로 하여금 상기 애셋을 위한 자신의 취득 동작을 조절하게 하도록 할 수 있다. 다른 구현에서, 취득 워크플로는 상기 애셋으로부터 수신된 비정상-상태 표시자들에 기반하여 트리거될 수 있다. 그런 한 예로서, 취득 워크플로는 설정되어, 상기 분석 시스템 (108)이 어떤 비정상-상태 표시자들 (또는 비정상-상태 표시자들의 어떤 조합들)을 애셋으로부터 수신한다면, 상기 취득 워크플로우가 그 후에 상기 데이터 취득 시스템으로 하여금 그 애셋을 위해 자신의 취득 동작을 조절하게 할 수 있도록 한다. 상기 취득 워크플로들은 다른 팩터들에 기반하여 또한 트리거될 수 있을 것이다.
C. 모델-워크플로 쌍 실행
위에서 개시된 모델-워크플로 쌍이 일단 상기 분석 시스템 (108)에 의해 정의되면, 그 모델-워크플로 쌍은 런타임 실행을 위해 그 후에 배치될 수 있다. 예를 들면, 바람직한 구현에서, 상기 분석 시스템 (108)은 상기 모델-워크플로 쌍에 따라 동작하도록 구성될 수 있다.
이 구현에 따라, 취득 파라미터들의 디폴트 세트에 따라 상기 애셋 (102)과 같은 다양한 애셋들을 위해 수신된 데이터 (예를 들면, 센서 및/또는 액튜에이터 신호들)를 수집하는 제1 모드에서 상기 분석 시스템의 데이터 취득 시스템 (402)이 동작함으로써 상기 분석 시스템 (108)이 시작할 수 있다.
상기 데이터 취득 시스템 (402)이 상기 제1 모드에서 동작할 때에, 이벤트들 (예를 들면, 고장 이벤트들)의 정해진 그룹 중의 적어도 하나의 이벤트가 미래의 정해진 시간 구간 내에 상기 애셋에서 발생할 수 있는 가능성을 판단하기 위해 상기 분석 시스템의 데이터 사이언스 시스템 (404)은 상기 수집된 데이터의 적어도 일부를 상기 예측 모델로 그 후에 입력할 수 있다. 상기 데이터 사이언스 시스템 (404)은, 적어도 하나의 그런 이벤트가 미래의 상기 정해진 시간 구간 내에 상기 애셋에서 발생할 가능성이 제1 임계 상태를 충족시킨다는 것을 이 예측 모델에 기반하여 결국은 판단할 수 있다. 예를 들면 상기 데이터 사이언스 시스템 (404)은 상기 애셋 (102)을 위한 건강 점수가 10%에 있거나 10% 밑이라고 판단할 수 있다.
이 판단은 취득 워크플로를 그 후에 트리거할 수 있으며, 이는 상기 분석 시스템 (108)으로 하여금 상기 제1 모드에서 동작하는 것으로부터, 상기 분석 시스템의 데이터 취득 시스템 (402)이 적어도 하나의 변경된 취득 파라미터를 포함하는 취득 파라미터들의 세트에 따라 애셋 (102) (그리고 아마도 다른 연관된 애셋들)을 위한 데이터를 수집하는 제2 모드에서 동작하는 것으로 전이 (transition)하게 할 수 있다. 예를 들면, 실제로, 이 취득 워크플로는 상기 데이터 사이언스 시스템 (404)으로 하여금 상기 데이터 취득 시스템 (402)에게 시그날링하도록 하여, 상이한 동작 모드로 전이하고 그리고/또는 취득 파라미터를 변경하도록 할 수 있다. 그러나, 다른 구현들이 마찬가지로 가능하다. 취득 워크플로가 트리거된 이후에, 분석 시스템 (108)은 상기 변경된 취득 파라미터(들)에 따라 데이터 수집을 그 후에 시작할 수 있다.
상기 분석 시스템의 데이터 사이언스 시스템 (404)은 상기 수집된 데이터의 적어도 일부를 예측 모델로 입력하는 것을 그 이래로 계속할 수 있으며, 그리고 어떤 포인트에서, 미래의 정해진 시간 구간 내에 상기 애셋에서 발생하는 적어도 하나의 그런 이벤트가 제2 임계 상태를 충족시키는 가능성을 판단할 수 있다. 응답으로, 상기 분석 시스템 (108)은 다른 모드로 그 후에 전이할 수 있으며 그리고/또는 취득 파라미터들의 세트를 더 변경할 수 있다.
나중에 언젠가, 상기 데이터 사이언스 시스템 (404)은, 미래의 정해진 시간 구간 내에 상기 애셋에서 발생하는 이벤트들의 정해진 그룹 중의 적어도 하나의 이벤트가 상기 제1 임계 상태를 더 이상 충족시키지 않는 가능성을 상기 예측 모델에 기반하여 또한 판단할 수 있다. 응답으로, 상기 분석 시스템 (108)은 상기 제2 모드에서 동작하는 것으로부터 상기 제1 모드에서 동작하는 것으로 반대로 전이할 수 있다.
위에서 언급되었듯이, 동작 모드들 사이에서 전이할 때에, 상기 데이터 취득 시스템 (402)은 다양한 상이한 취득 파라미터들을 변경할 수 있다. 하나의 구현에 따라, 데이터 취득 시스템 (402)은 수집된 데이터의 저장 위치를 디폴트 저장 위치로부터 변경된 저장 위치로 바꿀 수 있다. 예를 들면, 제1 모드에서, 데이터 취득 시스템 (402)은 제1 저장 위치 (예를 들면, 데이터베이스들 (406) 중 첫 번째 데이테베이스)에 취득 데이터를 저장하기 위해 동작할 수 있으며, 제2 동작 모드에서, 상기 데이터 취득 시스템 (402)은 데이터를 제2 저장 위치 (예를 들면, 데이터베이스들 (406) 중 두 번째 데이테베이스)에 저장하기 위해 동작할 수 있다. 실제로, 이 두 저장 위치들은 상이한 저장 특성들을 바람직하게 가질 것이다. 예를 들면, 상기 제2 저장 위치는 상기 제1 데이터 저장 위치보다 더 영속성이 있으며, 신뢰성이 있고, 그리고/또는 강건한 데이터 저장부를 포함할 수 있다. 다른 예로서, 상기 제2 저장 위치는 상기 제1 저장 위치보다 더 높은 데이터 저장 속도를 포함할 수 있으며, 이는 더 높은 데이터 취득 속도 또는 수집되고 있는 데이터 변수들의 확장된 세트를 더 잘 수용할 수 있다. 또한, 몇몇의 실시예들에서, 상기 제1 저장 위치 및 제2 저장 위치 중 하나는 상기 분석 시스템 (108)과 동일한 또는 상이한 지리적 위치에 (예를 들면, 원격 데이터 서버에) 상기 분석 시스템 (108)의 외부에 배치될 수 있다. 몇몇의 동작 모드에서, 상기 데이터 취득 시스템 (402)은 다수의 상이한 저장 위치들 (예를 들면, 제1 위치 및 제2 위치)에 취득 데이터를 저장하도록 구성될 수 있다는 것 또한 이해되어야 한다.
상기 변경된 저장 위치는 다양한 방식들로 선택될 수 있다. 일 예에서, 변경된 저장 위치는 상기 워크플로 정의의 일부로서 선택된 단일의, 고장된 저장 위치일 수 있다. 다른 예에서, 상기 변경된 저장 위치는 다른 팩터들 중에서도 예측 모델의 유형, 예측 모델의 출력값, 워크플로의 임계값, 및/또는 애셋의 특성들과 같은 팩터들에 종속하여 변할 수 있을 것이다. 상기 변경된 저장 위치는 또한 다른 방식들로 선택될 수 있다.
다른 구현에 따라, 상기 데이터 취득 시스템 (402)은 수집된 데이터 변수들의 세트를 디폴트 데이터 세트로부터 변경된 데이터 세트로 변경할 수 있다. 예를 들면, 취득 워크플로는 상기 데이터 취득 시스템 (402)으로 하여금 애셋으로부터 수집된 데이터 변수들의 세트를 데이터 변수들 (예를 들면, 애셋의 센서들 A, B 및 C에 대응하는 데이터 변수들)의 제1 세트로부터 데이터 변수들 (예를 들면, 애셋의 센서 D는 물론이며 센서들 A, B, 및 C에 대응하는 데이터 변수들)의 더 큰 제2 세트로 확장하게 하도록 할 수 있다. 다른 예에서, 취득 워크플로는 상기 데이터 취득 시스템 (402)으로 하여금 애셋을 위해 수집된 데이터 변수들의 세트를 제1 세트의 데이터 변수들 (예를 들면, 애셋의 센서들 A, B 및 C에 대응하는 데이터 변수들)로부터 상이한 제2 세트의 데이터 변수들 (예를 들면, 상기 애셋의 센서들 D, E 및 F에 대응하는 데이터 변수들)로 바꾸도록 할 수 있을 것이다. 다른 예들 또한 가능하다.
상기 변경된 데이터 세트는 다양한 방식으로 선택될 수 있다. 일 예에서, 상기 변경된 데이터 세트는 워크플로 정의의 일부로서 선택된 데이터 변수들의 고정된 세트일 수 있다. 다른 예에서, 상기 변경된 데이터 세트는 다른 팩터들 중에서도 예측 모델의 유형, 예측 모델의 출력값, 워크플로의 임계값, 및/또는 애셋의 특성들과 같은 팩터들에 종속하여 변할 수 있다. 상기 변경된 데이터 세트는 또한 다른 방식들로 선택될 수 있다.
또 다른 구현에 따라, 상기 데이트 취득 시스템 (402)은 취득 속도를 디폴트 속도로부터 변경된 속도로 바꿀 수 있다. 예를 들면, 상기 데이터 취득 시스템 (402)은 애셋스로부터 수신된 데이터의 샘플 속도를 증가시키고 감소시킴으로써 취득 속도를 변경할 수 있다. 다른 예로, 상기 데이터 취득 시스템 (402)은 저장된 수신 애셋 데이터의 양을 바꿈으로써 취득 속도를 변경할 수 있다 (예를 들면, 정해진 데이터 변수가 초당 100개 데이터 포인트들의 속도로 수신된다면, 상기 시스템은 제1 모드에서 매 10번째 값을 저장하고 그리고 제2 모드에서 매 두 번째 값을 저장할 수 있을 것이다). 다른 예들이 또한 가능하다.
상기 변경된 속도는 다양한 방식들로 선택될 수 있다. 한 예에서, 상기 변경된 속도는 상기 워크플로 정의의 일부로서 선택된 고정된 속도일 수 있다. 다른 예에서, 상기 변경된 속도는 다른 팩터들 중에서도 상기 예측 모델의 출력값, 워크플로의 임계값, 및/또는 애셋의 특성들과 같은 팩터들에 종속할 수 있는 가변 속도일 수 있다. 상기 변경된 속도는 다른 방식들로 또한 선택될 수 있다.
상기 분석 시스템 (108)이 아닌 디바이스들 및/또는 시스템들이 취득 동작을 변경하기 위해 상기 예측 모델 및/또는 대응 워크플로를 실행하도록 (또는 그 실행을 돕도록) 구성될 수 있다는 것이 또한 이해되어야 한다. 예를 들면, 위에서의 설명과 일치하게, 애셋은 취득 동작을 변경하기 위해 상기 예측 모델을, 취득 동작을 변경하기 위해 상기 워크플로를, 또는 둘 모두를 실행하도록 구성될 수 있는 로컬 분석 디바이스 (220) (또는 유사한 것)를 포함할 수 있을 것이다.
한 구현에서, 예를 들면, 상기 분석 시스템 (108)은 예측 모델을 실행하고 그리고 애셋에게 그 후에 시그날링하도록 구성될 수 있으며, 이 애셋은 결국 상기 분석 시스템 (108)로부터의 신호에 기반하여 취득 동작을 변경하기 위해 대응 워크플로를 실행하도록 구성될 수 있다. 이 구현에 따라, 상기 애셋은 동작 데이터를 전송하기 이전에 (예를 들면, 전송 데이터 세트, 전송 데이터 속도, 전송 채널, 또는 유사한 것을 조정함으로써), 그 데이터의 상기 분석 시스템의 취득을 변경하는 결과를 가져올 수 있는 기능들을 수행할 수 있다.
다른 구현에서, 상기 애셋은 상기 예측 모델을 실행시키고 그리고 그 후에 상기 분석 시스템 (108)에게 시그날링하도록 구성될 수 있으며, 이 분석 시스템은 상기 애셋으로부터의 신호에 기반하여 취득 동작을 변경하기 위해 대응 워크플로를 실행하도록 결국 구성될 수 있다.
또 다른 구현에서, 상기 애셋은 취득 동작을 변경하기 위해 상기 예측 모델 및 대응 워크플로 둘 모두를 실행하도록 구성될 수 있다. 이 구현에 따라서, 위에서처럼, 상기 애셋은 상기 동작 데이터를 전송하기 이전에, 그 데이터의 상기 분석 시스템의 취득에서의 변경의 결과를 가져올 수 있는 기능들을 수행할 수 있다.
위에서 언급되었듯이, 대표적인 로컬 분석 디바이스의 동작은 미국 특허출원 번호 14/963,207 (대리인 일람 번호 Uptake-00051)에서 더 상세하게 개시되며, 이 출원은 그 전체가 본원에 참조로서 편입된다.
V. 예시의 방법들
세 개의 예시의 방법들에 따라 수행될 수 있는 기능들을 예시한 흐름도들이 도 8 - 도 10에 도시된다. 예시만의 목적들을 위해, 이 기능들은 상기 분석 시스템 (108)에 의해 수행되는 것으로 설명되지만, 이 기능들 중 하나 이상은 다른 디바이스들 또는 시스템들 (예를 들면, 애셋의 로컬 분석 디바이스 (220))에 의해 수행될 수 있다는 것이 이해되어야 한다. 어떤 기능들이 이 예시의 방법들에 추가될 수 있을 것이며 그리고/또는 아래에서 설명된 어떤 기능들은 변경되거나 또는 예시의 방법들로부터 제거될 수 있을 것이라는 것이 또한 이해되어야 한다.
도 8에서, 예측 모델에 기반하여 애셋의 취득 저장 위치를 변경하기 위해 예시의 방법 (800)에 따라 수행될 수 있는 기능들을 예시한 흐름도가 도시된다.
블록 802에서, 상기 예시의 방법 (800)은 정해진 애셋으로부터 수집된 동작 데이터를 상기 분석 시스템 (108)이 제1 데이터 저장 위치에 저장하도록 구성된 제1 모드에서 상기 분석 시스템 (108)이 동작하는 것을 수반할 수 있다. 이 제1 모드에서 동작하면서, 상기 분석 시스템 (108)은 정해진 애셋을 위한 동작 데이터 (예를 들면, 센서 데이터, 액튜에이터 데이터, 비정상-상태 데이터 등)를 수신하고, 그 수신된 동작 데이터의 적어도 일부를 데이터 취득 시스템 (402)을 경유하여 수집하고, 그리고 상기 수집된 데이터를 상기 제1 저장 위치에 그 후에 저장할 수 있다.
블록 804에서, 상기 방법 (800)은, 이벤트들의 그룹으로부터의 적어도 하나의 이벤트가 미래의 정해진 시간 구간 내에 상기 정해진 애셋에서 발생할 가능성이 있는가의 여부에 대한 표시자 (예를 들면, 고장들의 그룹으로부터의 적어도 하나의 고장이 미래의 정해진 시간 구간 내에 상기 정해진 애셋에서 발생할 가능성이 있는가의 여부를 표시하는 건강 규준)를 출력하는 예측 모델을 상기 분석 시스템 (108)이 실행하는 것을 수반할 수 있다.
블록 806에서, 상기 방법 (800)은 상기 표시자가 임계 상태를 충족시키는가를 상기 분석 시스템 (108)이 판단하는 것을 수반할 수 있다. 예를 들어, 이벤트들의 그룹으로부터의 어떤 이벤트도 미래의 정해진 시간 구간 내에 상기 정해진 애셋에서 발생하지 않을 확률을 상기 예측 모델이 출력하면, 상기 분석 시스템 (108)은 그 확률이 임계 값이거나 또는 그 임계 값 아래라고 판단할 수 있다. 반면에, 이벤트들의 그룹으로부터의 적어도 하나의 이벤트가 미래의 정해진 시간 구간 내에 상기 정해진 애셋에서 발생할 확률을 상기 예측 모델이 출력하면, 상기 분석 시스템 (108)은 그 확률이 임계 값이거나 또는 그 임계 값 위라고 판단할 수 있다. 다른 구현들이 또한 가능하다.
블록 808에서, 상기 방법 (800)은 상기 분석 시스템 (108)이 블록 802의 제1 모드로부터, 상기 분석 시스템 (108)이 정해진 애셋으로부터 수집된 동작 데이터를 제2 데이터 저장 위치 (예를 들면, 더 영속성이 있으며, 더 신뢰성이 있으며, 그리고/또는 더 강건한 저장 위치)에 저장하도록 구성된 제2 모드로 전이하는 것을 수반할 수 있다. 제2 모드에서 동작하는 것으로 전이한 이후에, 상기 분석 시스템 (108)은 정해진 애셋을 위한 동작 데이터를 수신하고, 그 수신된 동작 데이터의 적어도 일부를 상기 데이터 취득 시스템 (402)을 경유하여 수집하고, 그리고 상기 수집된 데이터를 상기 제1 저장 위치가 아니라 상기 제2 저장 위치에 그 후에 저장할 수 있다.
도 9로 이제 돌아가면, 예측 모델에 기반하여 애셋을 위한 데이터 변수들의 수집된 세트를 변경하기 위해 예시의 방법 (900)에 따라 수행될 수 있는 기능들을 예시한 흐름도가 도시된다.
블록 902s에서, 상기 예시의 방법 (900)은 상기 분석 시스템 (108)이 제1 모드에서 동작하는 것을 수반할 수 있으며, 그 제1 모드에서 상기 분석 시스템 (108)은 정해진 애셋으로부터 수신된 데이터 변수들의 제1 세트를 수집하도록 구성된다. 이 제1 모드에서 동작하는 동안에, 상기 분석 시스템 (108)은 정해진 애셋을 위한 동작 데이터 (예를 들면, 센서 데이터, 액튜에이터 데이터, 비정상-상태 데이터 등)을 수신하고 그리고 상기 수신된 동작 데이터로부터의 제1 세트의 데이터 변수들을 데이터 취득 시스템 (402)을 경유하여 그 후에 수집할 수 있다.
블록 904에서, 상기 방법 (900)은, 이벤트들의 그룹으로부터의 적어도 하나의 이벤트가 미래의 정해진 시간 구간 내에 상기 정해진 애셋에서 발생할 가능성이 있는가의 여부에 대한 표시자 (예를 들면, 고장들의 그룹으로부터의 적어도 하나의 고장이 미래의 정해진 시간 구간 내에 상기 정해진 애셋에서 발생할 가능성이 있는가의 여부를 표시하는 건강 규준)를 출력하는 예측 모델을 상기 분석 시스템 (108)이 실행하는 것을 수반할 수 있다.
블록 906에서, 상기 방법 (900)은 상기 표시자가 임계 상태를 충족시키는가를 상기 분석 시스템 (108)이 판단하는 것을 수반할 수 있다. 예를 들어, 이벤트들의 그룹으로부터의 어떤 이벤트도 미래의 정해진 시간 구간 내에 상기 정해진 애셋에서 발생하지 않을 확률을 상기 예측 모델이 출력하면, 상기 분석 시스템 (108)은 그 확률이 임계 값이거나 또는 그 임계 값 아래라고 판단할 수 있다. 반면에, 이벤트들의 그룹으로부터의 적어도 하나의 이벤트가 미래의 정해진 시간 구간 내에 상기 정해진 애셋에서 발생할 확률을 상기 예측 모델이 출력하면, 상기 분석 시스템 (108)은 그 확률이 임계 값이거나 또는 그 임계 값 위라고 판단할 수 있다. 다른 구현들이 마찬가지로 가능하다.
블록 908에서, 상기 방법 (900)은 상기 분석 시스템 (108)이 블록 902의 제1 모드로부터, 상기 분석 시스템 (108)이 상기 정해진 애셋으로부터 수신된 상이한 제2 세트의 데이터 변수들 (예를 들면, 추가의 센서들 및/또는 액튜에이터들로부터의 데이터를 포함하는 데이터 변수들의 확장된 세트)을 수집하도록 구성된 제2 모드로 전이하는 것을 수반할 수 있다. 제2 모드에서 동작하는 것으로 전이한 이후에, 상기 분석 시스템 (108)은 정해진 애셋을 위한 동작 데이터를 수신하고 그리고 그 수신된 동작 데이터로부터의 제2 세트의 데이터 변수들을 상기 데이터 취득 시스템 (402)을 경유하여 수집할 수 있다.
도 10으로 돌아가면, 예측 모델에 기반하여 애셋을 위한 데이터 수집 속도를 변경하기 위해 예시의 방법 (1000)에 따라 수행될 수 있는 기능들을 예시한 흐름도가 도시된다.
블록 1002에서, 상기 예시의 방법 (1000)은 정해진 애셋으로부터 수신된 동작 데이터를 상기 분석 시스템 (108)이 제1 수집 속도로 수집하도록 구성된 제1 모드에서 상기 분석 시스템 (108)이 동작하는 것을 수반할 수 있다. 이 제1 모드에서 동작하면서, 상기 분석 시스템 (108)은 정해진 애셋을 위한 동작 데이터 (예를 들면, 센서 데이터, 액튜에이터 데이터, 비정상-상태 데이터 등)를 수신하고 그리고 그 수신된 동작 데이터의 적어도 일부를 데이터 취득 시스템 (402)을 경유하여 상기 제1 수집 속도로 수집할 수 있다.
블록 1004에서, 상기 방법 (1000)은, 이벤트들의 그룹으로부터의 적어도 하나의 이벤트가 미래의 정해진 시간 구간 내에 상기 정해진 애셋에서 발생할 가능성이 있는가의 여부에 대한 표시자 (예를 들면, 고장들의 그룹으로부터의 적어도 하나의 고장이 미래의 정해진 시간 구간 내에 상기 정해진 애셋에서 발생할 가능성이 있는가의 여부를 표시하는 건강 규준)를 출력하는 예측 모델을 상기 분석 시스템 (108)이 실행하는 것을 수반할 수 있다.
블록 1006에서, 상기 방법 (1000)은 상기 표시자가 임계 상태를 충족시키는가를 상기 분석 시스템 (108)이 판단하는 것을 수반할 수 있다. 예를 들어, 이벤트들의 그룹으로부터의 어떤 이벤트도 미래의 정해진 시간 구간 내에 상기 정해진 애셋에서 발생하지 않을 확률을 상기 예측 모델이 출력하면, 상기 분석 시스템 (108)은 그 확률이 임계 값이거나 또는 그 임계 값 아래라고 판단할 수 있다. 반면에, 이벤트들의 그룹으로부터의 적어도 하나의 이벤트가 미래의 정해진 시간 구간 내에 상기 정해진 애셋에서 발생할 확률을 상기 예측 모델이 출력하면, 상기 분석 시스템 (108)은 그 확률이 임계 값이거나 또는 그 임계 값 위라고 판단할 수 있다. 다른 구현들이 또한 가능하다.
블록 1008에서, 상기 방법 (1000)은 상기 분석 시스템 (108)이 블록 1002의 제1 모드로부터 제2 모드로 전이하는 것을 수반할 수 있으며, 그 제2 모드에서 상기 분석 시스템 (108)은 상기 정해진 애셋으로부터의 동작 데이터를 상기 제1 수집 속도와는 상이한 제2 수집 속도 (예를 들면, 더 빠른 수집 속도)로 수집하도록 구성된다. 제2 모드에서 동작하는 것으로 전이한 이후에, 상기 분석 시스템 (108)은 정해진 애셋을 위한 동작 데이터를 수신하고 그리고 그 수신된 동작 데이터의 적어도 일부를 상기 데이터 취득 시스템 (402)을 경유하여 상기 제2 수집 속도로 수집할 수 있다.
VI. 결론
개시된 혁신들의 예시의 실시예들이 위에서 설명되었다. 그러나, 본 발명이 속한 기술 분야에서의 통상의 지식을 가진 자들은 청구항들에 의해 정의될 것인 본 발명의 진정한 범위 및 사상으로부터 벗어나지 않으면서도 상기 설명된 실시예들에 대한 변경 및 수정들이 만들어질 수 있다는 것을 이해할 것이다
또한, 여기에서 설명된 예들이 "사람들", "운영자들", "사용자들", 또는 다른 개체들과 같은 관계자들에 의해 수행되거나 개시되는 동작을 수반하는 한은, 이것은 예시 및 설명만의 목적들을 위한 것이다. 청구항들은 청구항에서의 언어로 명시적으로 상술되지 않는다면 그런 관계자들에 의한 행동을 필요로 하는 것으로 해석되지 않아야 한다.

Claims (60)

  1. 컴퓨팅 시스템으로:
    데이터 취득 (intake) 시스템;
    적어도 하나의 프로세서;
    비-일시적 컴퓨터-판독가능 매체; 그리고
    상기 비-일시적 컴퓨터-판독가능 매체 상에 저장되어 상기 적어도 하나의 프로세서에 의해 실행가능한 프로그램 명령어들을 포함하며,
    상기 프로그램 명령어들은 상기 컴퓨팅 시스템으로 하여금:
    복수의 애셋 (asset)들 중 정해진 애셋으로부터 수집된 동작 데이터를 상기 컴퓨팅 시스템이 제1 데이터 저장 위치에 저장하는, 제1 모드에서 동작하도록 하고;
    상기 제1 모드에서 동작하면서, (a) 상기 정해진 애셋으로부터 동작 데이터를 수신하도록 하고, (b) 상기 수신된 동작 데이터의 적어도 일부를 수집하도록 하고, (c) 상기 수집된 데이터의 적어도 일부를 상기 제1 데이터 저장 위치에 저장하도록 하며, 그리고 (d) 상기 수집된 데이터의 적어도 일부에 기반하여, 이벤트들의 그룹으로부터의 적어도 하나의 이벤트가 미래의 정해진 시간 구간 내에 상기 정해진 애셋에서 발생할 가능성이 있는가의 여부에 대한 표시자 (indicator)를 출력하는 예측 모델을 실행하도록 하고;
    상기 표시자가 임계 상태를 충족시키는가에 대한 판단을 하도록 하고;
    상기 판단에 응답하여, 상기 제1 모드에서 동작하는 것으로부터 상기 컴퓨팅 시스템이 상기 정해진 애셋으로부터 수집된 동작 데이터를 제2 데이터 저장 위치에 저장하는 제2 모드에서 동작하는 것으로 전이하도록 하며; 그리고
    상기 제2 모드에서 동작하면서, (a) 상기 정해진 애셋으로부터 동작 데이터를 수신하도록 하고, (b) 상기 수신된 동작 데이터의 적어도 일부를 수집하도록 하고, (c) 상기 수집된 데이터의 적어도 일부를 상기 제2 데이터 저장 위치에 저장하도록 하는, 컴퓨팅 시스템.
  2. 제1항에 있어서,
    각 동작 데이터는 (i) 특정 시기에 상기 정해진 애셋에서 발생했던 고장과 연관된 비정상-상태 데이터 및 (ii) 상기 특정 시기에 상기 정해진 애셋의 적어도 하나의 동작 상태를 표시하는 센서 데이터 중 하나 또는 둘 모두를 포함하는, 컴퓨팅 시스템.
  3. 제1항에 있어서,
    상기 이벤트들의 그룹은 하나 이상의 고장들의 그룹을 포함하는, 컴퓨팅 시스템.
  4. 제3항에 있어서,
    상기 예측 모델은 상기 고장들의 그룹으로부터의 적어도 하나의 고장이 미래의 정해진 시간 구간 내에 상기 정해진 애셋에서 발생할 가능성이 있는가의 여부를 표시하는 건강 규준 (health metric)을 표시하는, 컴퓨팅 시스템.
  5. 제4항에 있어서,
    상기 예측 모델은, (i) 과거에 복수의 애셋들에서 발생했던 하나 이상의 고장들과 연관된 이력적인 비정상-상태 데이터 및 (ii) 과거에 복수의 애셋들의 동작 상태들을 표시하는 이력적인 센서 데이터를 포함하는 이력적인 동작 데이터에 기반하여 정의되는, 컴퓨팅 시스템.
  6. 제1항에 있어서,
    상기 제2 데이터 저장 위치는 상기 컴퓨터 시스템의 외부에 배치된, 컴퓨팅 시스템.
  7. 제1항에 있어서,
    상기 제2 데이터 저장 위치는 상기 제1 데이터 저장 위치보다 더 영속성이 있는, 컴퓨팅 시스템.
  8. 제1항에 있어서,
    상기 제2 모드에서, 상기 데이터 취득 시스템은 상기 정해진 애셋으로부터 수집된 동작 데이터의 적어도 일부를 상기 제1 데이터 저장 위치에 계속 저장하는, 컴퓨팅 시스템.
  9. 제1항에 있어서,
    이벤트들의 그룹으로부터의 적어도 하나의 이벤트가 미래의 정해진 시간 구간 내에 상기 정해진 애셋에서 발생할 가능성이 있는가의 여부에 대한 표시자는 상기 이벤트들의 그룹으로부터의 어떤 이벤트도 미래의 정해진 시간 구간 내에 상기 정해진 애셋에서 발생할 가능성이 없는 확률을 포함하며, 그리고 상기 표시자가 임계 상태를 충족시키는가에 대한 판단은 상기 확률이 임계값에 또는 그 아래에 있는가에 대한 판단을 포함하는, 컴퓨팅 시스템.
  10. 제1항에 있어서,
    이벤트들의 그룹으로부터의 적어도 하나의 이벤트가 미래의 정해진 시간 구간 내에 상기 정해진 애셋에서 발생할 가능성이 있는가의 여부에 대한 표시자는 상기 이벤트들의 그룹으로부터의 적어도 하나의 이벤트가 미래의 정해진 시간 구간 내에 상기 정해진 애셋에서 발생하는 확률을 포함하며, 그리고 상기 표시자가 임계 상태를 충족시키는가에 대한 판단은 상기 확률이 임계값에 또는 그 위에 있는가에 대한 판단을 포함하는, 컴퓨팅 시스템.
  11. 저장된 실행가능한 프로그램 명령어들을 구비한 비-일시적 컴퓨터-판독가능 매체로서, 상기 프로그램 명령어들은 컴퓨팅 시스템으로 하여금:
    복수의 애셋들 중 정해진 애셋으로부터 수집된 동작 데이터를 상기 컴퓨팅 시스템이 제1 데이터 저장 위치에 저장하는, 제1 모드에서 동작하도록 하고;
    상기 제1 모드에서 동작하면서, (a) 상기 정해진 애셋으로부터 동작 데이터를 수신하도록 하고, (b) 상기 수신된 동작 데이터의 적어도 일부를 수집하도록 하고, (c) 상기 수집된 데이터의 적어도 일부를 상기 제1 데이터 저장 위치에 저장하도록 하며, 그리고 (d) 상기 수집된 데이터의 적어도 일부에 기반하여, 이벤트들의 그룹으로부터의 적어도 하나의 이벤트가 미래의 정해진 시간 구간 내에 상기 정해진 애셋에서 발생할 가능성이 있는가의 여부에 대한 표시자를 출력하는 예측 모델을 실행하도록 하고;
    상기 표시자가 임계 상태를 충족시키는가에 대한 판단을 하도록 하고;
    상기 판단에 응답하여, 상기 제1 모드에서 동작하는 것으로부터 상기 컴퓨팅 시스템이 상기 정해진 애셋으로부터 수집된 동작 데이터를 제2 데이터 저장 위치에 저장하는 제2 모드에서 동작하는 것으로 전이하도록 하며; 그리고
    상기 제2 모드에서 동작하면서, (a) 상기 정해진 애셋으로부터 동작 데이터를 수신하도록 하고, (b) 상기 수신된 동작 데이터의 적어도 일부를 수집하도록 하고, (c) 상기 수집된 데이터의 적어도 일부를 상기 제2 데이터 저장 위치에 저장하도록 하는, 비-일시적 컴퓨터-판독가능 매체.
  12. 제11항에 있어서,
    상기 이벤트들의 그룹은 하나 이상의 고장들의 그룹을 포함하며, 그리고 상기 예측 모델은 상기 고장들의 그룹으로부터의 적어도 하나의 고장이 미래의 정해진 시간 구간 내에 상기 정해진 애셋에서 발생할 가능성이 있는가의 여부를 표시하는 건강 규준을 출력하는, 비-일시적 컴퓨터-판독가능 매체.
  13. 제12항에 있어서,
    상기 예측 모델은, (i) 과거에 복수의 애셋들에서 발생했던 하나 이상의 고장들과 연관된 이력적인 비정상-상태 데이터 및 (ii) 과거에 복수의 애셋들의 동작 상태들을 표시하는 이력적인 센서 데이터를 포함하는 이력적인 동작 데이터에 기반하여 정의되는, 비-일시적 컴퓨터-판독가능 매체.
  14. 제11항에 있어서,
    상기 제2 데이터 저장 위치는 상기 제1 데이터 저장 위치보다 더 영속성이 있는, 비-일시적 컴퓨터-판독가능 매체.
  15. 제11항에 있어서,
    상기 제2 모드에서, 상기 컴퓨팅 시스템은 상기 정해진 애셋으로부터 수집된 동작 데이터의 적어도 일부를 상기 제1 데이터 저장 위치에 계속 저장하는, 비-일시적 컴퓨터-판독가능 매체.
  16. 컴퓨터 구현 방법으로:
    컴퓨팅 시스템이 제1 모드에서 동작하는 단계로, 그 제1 모드에서 상기 컴퓨팅 시스템은 복수의 애셋들 중 정해진 애셋으로부터 수집된 동작 데이터를 제1 데이터 저장 위치에 저장하며; 상기 제1 모드에서 동작하면서, 상기 컴퓨팅 시스템은 (a) 상기 정해진 애셋으로부터 동작 데이터를 수신하고, (b) 상기 수신된 동작 데이터의 적어도 일부를 수집하고, (c) 상기 수집된 데이터의 적어도 일부를 상기 제1 데이터 저장 위치에 저장하며, 그리고 (d) 상기 수집된 데이터의 적어도 일부에 기반하여, 이벤트들의 그룹으로부터의 적어도 하나의 이벤트가 미래의 정해진 시간 구간 내에 상기 정해진 애셋에서 발생할 가능성이 있는가의 여부에 대한 표시자를 출력하는 예측 모델을 실행하는, 단계;
    상기 컴퓨팅 시스템이 상기 표시자가 임계 상태를 충족시키는가에 대한 판단을 하는 단계;
    상기 판단에 응답하여, 상기 컴퓨팅 시스템이, 상기 제1 모드에서 동작하는 것으로부터 상기 컴퓨팅 시스템이 상기 정해진 애셋으로부터 수집된 동작 데이터를 제2 데이터 저장 위치에 저장하는 제2 모드에서 동작하는 것으로 전이하는 단계; 그리고
    상기 제2 모드에서 동작하면서, 상기 컴퓨팅 시스템이 (a) 상기 정해진 애셋으로부터 동작 데이터를 수신하고, (b) 상기 수신된 동작 데이터의 적어도 일부를 수집하고, (c) 상기 수집된 데이터의 적어도 일부를 상기 제2 데이터 저장 위치에 저장하는 단계를 포함하는, 컴퓨터 구현 방법.
  17. 제16항에 있어서,
    상기 이벤트들의 그룹은 하나 이상의 고장들의 그룹을 포함하며, 그리고 상기 예측 모델은 상기 고장들의 그룹으로부터의 적어도 하나의 고장이 미래의 정해진 시간 구간 내에 상기 정해진 애셋에서 발생할 가능성이 있는가의 여부를 표시하는 건강 규준을 출력하는, 컴퓨터 구현 방법.
  18. 제12항에 있어서,
    상기 예측 모델은, (i) 과거에 복수의 애셋들에서 발생했던 하나 이상의 고장들과 연관된 이력적인 비정상-상태 데이터 및 (ii) 과거에 복수의 애셋들의 동작 상태들을 표시하는 이력적인 센서 데이터를 포함하는 이력적인 동작 데이터에 기반하여 정의되는, 컴퓨터 구현 방법.
  19. 제16항에 있어서,
    상기 제2 데이터 저장 위치는 상기 제1 데이터 저장 위치보다 더 영속성이 있는, 컴퓨터 구현 방법.
  20. 제16항에 있어서,
    상기 제2 모드에서, 상기 컴퓨팅 시스템은 상기 정해진 애셋으로부터 수집된 동작 데이터의 적어도 일부를 상기 제1 데이터 저장 위치에 계속 저장하는, 컴퓨터 구현 방법.
  21. 컴퓨팅 시스템으로:
    데이터 취득 시스템;
    적어도 하나의 프로세서;
    비-일시적 컴퓨터-판독가능 매체; 그리고
    상기 비-일시적 컴퓨터-판독가능 매체 상에 저장되어 상기 적어도 하나의 프로세서에 의해 실행가능한 프로그램 명령어들을 포함하며,
    상기 프로그램 명령어들은 상기 컴퓨팅 시스템으로 하여금:
    복수의 애셋들 중 정해진 애셋으로부터 수신된 데이터 변수들의 제1 세트를 상기 컴퓨팅 시스템이 수집하는, 제1 모드에서 동작하도록 하고;
    상기 제1 모드에서 동작하면서, (a) 상기 정해진 애셋으로부터 동작 데이터를 수신하도록 하고, (b) 상기 수신된 동작 데이터로부터 데이터 변수들의 제1 세트를 수집하도록 하고, 그리고 (c) 상기 수집된 데이터의 적어도 일부에 기반하여, 이벤트들의 그룹으로부터의 적어도 하나의 이벤트가 미래의 정해진 시간 구간 내에 상기 정해진 애셋에서 발생할 가능성이 있는가의 여부에 대한 표시자를 출력하는 예측 모델을 실행하도록 하고;
    상기 표시자가 임계 상태를 충족시키는가에 대한 판단을 하도록 하고;
    상기 판단에 응답하여, 상기 제1 모드에서 동작하는 것으로부터 상기 컴퓨팅 시스템이 상기 정해진 애셋으로부터 수신된 데이터 변수들의 제2 세트를 수집하는 제2 모드에서 동작하는 것으로 전이하도록 하며, 데이터 변수들의 상기 제1 세트는 데이터 변수들의 상기 제2 세트와는 적어도 하나의 데이터 변수에서 상이하고; 그리고
    상기 제2 모드에서 동작하면서, (a) 상기 정해진 애셋으로부터 동작 데이터를 수신하도록 하고, 그리고 (b) 상기 수신된 동작 데이터로부터 데이터 변수들의 상기 제2 세트를 수집하도록 하는, 컴퓨팅 시스템.
  22. 제21항에 있어서,
    데이터 변수들의 상기 제1 세트 및 제2 세트 내 각 데이터 변수는 상기 정해진 애셋에서 각자 센서의 출력을 포함하는, 컴퓨팅 시스템.
  23. 제21항에 있어서,
    이벤트들의 상기 그룹은 하나 이상의 고장들의 그룹을 포함하는, 컴퓨팅 시스템.
  24. 제23항에 있어서,
    상기 예측 모델은 상기 고장들의 그룹으로부터의 적어도 하나의 고장이 미래의 정해진 시간 구간 내에 상기 정해진 애셋에서 발생할 가능성이 있는가의 여부를 표시하는 건강 규준을 출력하는, 컴퓨팅 시스템.
  25. 제24항에 있어서,
    상기 예측 모델은, (i) 과거에 복수의 애셋들에서 발생했던 하나 이상의 고장들과 연관된 이력적인 비정상-상태 데이터 및 (ii) 과거에 복수의 애셋들의 동작 상태들을 표시하는 이력적인 센서 데이터를 포함하는 이력적인 동작 데이터에 기반하여 정의되는, 컴퓨팅 시스템.
  26. 제21항에 있어서,
    데이터 변수들의 상기 제2 세트는 데이터 변수들의 상기 제1 세트 내에 포함되지 않은 하나 이상의 데이터 변수들을 포함하는, 컴퓨팅 시스템.
  27. 제26항에 있어서,
    데이터 변수들의 상기 제2 세트는 데이터 변수들의 상기 제1 세트 내 각 데이터 변수를 포함하는, 컴퓨팅 시스템.
  28. 제21항에 있어서,
    이벤트들의 그룹으로부터의 적어도 하나의 이벤트가 미래의 정해진 시간 구간 내에 상기 정해진 애셋에서 발생할 가능성이 있는가의 여부에 대한 표시자는 상기 이벤트들의 그룹으로부터의 어떤 이벤트도 미래의 정해진 시간 구간 내에 상기 정해진 애셋에서 발생할 가능성이 없는 확률을 포함하며, 그리고 상기 표시자가 임계 상태를 충족시키는가에 대한 판단은 상기 확률이 임계값에 또는 그 아래에 있는가에 대한 판단을 포함하는, 컴퓨팅 시스템.
  29. 제21항에 있어서,
    이벤트들의 그룹으로부터의 적어도 하나의 이벤트가 미래의 정해진 시간 구간 내에 상기 정해진 애셋에서 발생할 가능성이 있는가의 여부에 대한 상기 표시자는 상기 이벤트들의 그룹으로부터의 적어도 하나의 이벤트가 미래의 정해진 시간 구간 내에 상기 정해진 애셋에서 발생하는 확률을 포함하며, 그리고 상기 표시자가 임계 상태를 충족시키는가에 대한 판단은 상기 확률이 임계값에 또는 그 위에 있는가에 대한 판단을 포함하는, 컴퓨팅 시스템.
  30. 저장된 실행가능한 프로그램 명령어들을 구비한 비-일시적 컴퓨터-판독가능 매체로서, 상기 프로그램 명령어들은 컴퓨팅 시스템으로 하여금:
    복수의 애셋들 중 정해진 애셋으로부터 수신된 데이터 변수들의 제1 세트를 상기 컴퓨팅 시스템이 수집하는, 제1 모드에서 동작하도록 하고;
    상기 제1 모드에서 동작하면서, (a) 상기 정해진 애셋으로부터 동작 데이터를 수신하도록 하고, (b) 상기 수신된 동작 데이터로부터 데이터 변수들의 제1 세트를 수집하도록 하고, 그리고 (c) 상기 수집된 데이터의 적어도 일부에 기반하여, 이벤트들의 그룹으로부터의 적어도 하나의 이벤트가 미래의 정해진 시간 구간 내에 상기 정해진 애셋에서 발생할 가능성이 있는가의 여부에 대한 표시자를 출력하는 예측 모델을 실행하도록 하고;
    상기 표시자가 임계 상태를 충족시키는가에 대한 판단을 하도록 하고;
    상기 판단에 응답하여, 상기 제1 모드에서 동작하는 것으로부터 상기 컴퓨팅 시스템이 상기 정해진 애셋으로부터 수신된 데이터 변수들의 제2 세트를 수집하는 제2 모드에서 동작하는 것으로 전이하도록 하며, 데이터 변수들의 상기 제1 세트는 데이터 변수들의 상기 제2 세트와는 적어도 하나의 데이터 변수에서 상이하고; 그리고
    상기 제2 모드에서 동작하면서, (a) 상기 정해진 애셋으로부터 동작 데이터를 수신하도록 하고, 그리고 (b) 상기 수신된 동작 데이터로부터 데이터 변수들의 상기 제2 세트를 수집하도록 하는, 비-일시적 컴퓨터-판독가능 매체.
  31. 제30항에 있어서,
    데이터 변수들의 상기 제1 세트 및 제2 세트 내 각 데이터 변수는 상기 정해진 애셋에서 각자 센서의 출력을 포함하는, 비-일시적 컴퓨터-판독가능 매체.
  32. 제30항에 있어서,
    상기 이벤트들의 그룹은 하나 이상의 고장들의 그룹을 포함하며, 그리고 상기 예측 모델은 상기 고장들의 그룹으로부터의 적어도 하나의 고장이 미래의 정해진 시간 구간 내에 상기 정해진 애셋에서 발생할 가능성이 있는가의 여부를 표시하는 건강 규준을 출력하는, 비-일시적 컴퓨터-판독가능 매체.
  33. 제32항에 있어서,
    상기 예측 모델은, (i) 과거에 복수의 애셋들에서 발생했던 하나 이상의 고장들과 연관된 이력적인 비정상-상태 데이터 및 (ii) 과거에 복수의 애셋들의 동작 상태들을 표시하는 이력적인 센서 데이터를 포함하는 이력적인 동작 데이터에 기반하여 정의되는, 비-일시적 컴퓨터-판독가능 매체.
  34. 제30항에 있어서,
    데이터 변수들의 상기 제2 세트는 데이터 변수들의 상기 제1 세트 내에 포함되지 않은 하나 이상의 데이터 변수들을 포함하는, 비-일시적 컴퓨터-판독가능 매체.
  35. 제34항에 있어서,
    데이터 변수들의 상기 제2 세트는 데이터 변수들의 상기 제1 세트 내 각 데이터 변수를 포함하는, 비-일시적 컴퓨터-판독가능 매체.
  36. 컴퓨터 구현 방법으로, 상기 방법은:
    컴퓨팅 시스템이 복수의 애셋들 중 정해진 애셋으로부터 수신된 데이터 변수들의 제1 세트를 상기 컴퓨팅 시스템이 수집하는, 제1 모드에서 동작하는 단계;
    상기 제1 모드에서 동작하면서, 상기 컴퓨팅 시스템이 (a) 상기 정해진 애셋으로부터 동작 데이터를 수신하고, (b) 상기 수신된 동작 데이터로부터 데이터 변수들의 제1 세트를 수집하고, 그리고 (c) 상기 수집된 데이터의 적어도 일부에 기반하여, 이벤트들의 그룹으로부터의 적어도 하나의 이벤트가 미래의 정해진 시간 구간 내에 상기 정해진 애셋에서 발생할 가능성이 있는가의 여부에 대한 표시자를 출력하는 예측 모델을 실행하는 단계;
    상기 컴퓨팅 시스템이, 상기 표시자가 임계 상태를 충족시키는가에 대한 판단을 하는 단계;
    상기 판단에 응답하여, 상기 컴퓨팅 시스템이, 상기 제1 모드에서 동작하는 것으로부터 상기 컴퓨팅 시스템이 상기 정해진 애셋으로부터 수신된 데이터 변수들의 제2 세트를 수집하는 제2 모드에서 동작하는 것으로 전이하되, 데이터 변수들의 상기 제1 세트는 데이터 변수들의 상기 제2 세트와는 적어도 하나의 데이터 변수에서 상이한, 전이 단계; 그리고
    상기 제2 모드에서 동작하면서, 상기 컴퓨팅 시스템이 (a) 상기 정해진 애셋으로부터 동작 데이터를 수신하고, 그리고 (b) 상기 수신된 동작 데이터로부터 데이터 변수들의 상기 제2 세트를 수집하도록 하는 단계를 포함하는, 컴퓨터 구현 방법.
  37. 제36항에 있어서,
    데이터 변수들의 상기 제1 세트 및 제2 세트 내 각 데이터 변수는 상기 정해진 애셋에서 각자 센서의 출력을 포함하는, 컴퓨터 구현 방법.
  38. 제36항에 있어서,
    상기 이벤트들의 그룹은 하나 이상의 고장들의 그룹을 포함하며, 그리고 상기 예측 모델은 상기 고장들의 그룹으로부터의 적어도 하나의 고장이 미래의 정해진 시간 구간 내에 상기 정해진 애셋에서 발생할 가능성이 있는가의 여부를 표시하는 건강 규준을 출력하는, 컴퓨터 구현 방법.
  39. 제38항에 있어서,
    상기 예측 모델은, (i) 과거에 복수의 애셋들에서 발생했던 하나 이상의 고장들과 연관된 이력적인 비정상-상태 데이터 및 (ii) 과거에 복수의 애셋들의 동작 상태들을 표시하는 이력적인 센서 데이터를 포함하는 이력적인 동작 데이터에 기반하여 정의되는, 컴퓨터 구현 방법.
  40. 제36항에 있어서,
    데이터 변수들의 상기 제2 세트는 데이터 변수들의 상기 제1 세트 내에 포함되지 않은 하나 이상의 데이터 변수들을 포함하는, 컴퓨터 구현 방법.
  41. 컴퓨팅 시스템으로:
    데이터 취득 시스템;
    적어도 하나의 프로세서;
    비-일시적 컴퓨터-판독가능 매체; 그리고
    상기 비-일시적 컴퓨터-판독가능 매체 상에 저장되어 상기 적어도 하나의 프로세서에 의해 실행가능한 프로그램 명령어들을 포함하며,
    상기 프로그램 명령어들은 상기 컴퓨팅 시스템으로 하여금:
    제1 복수의 애셋들 중 정해진 애셋으로부터 수신된 동작 데이터를 제1 수집 속도로 상기 컴퓨팅 시스템이 수집하는, 제1 모드에서 동작하도록 하고;
    상기 제1 모드에서 동작하면서, (a) 상기 정해진 애셋으로부터 동작 데이터를 수신하도록 하고, (b) 상기 수신된 동작 데이터의 적어도 일부를 상기 제1 수집 속도로 수집하도록 하고, 그리고 (c) 상기 수집된 데이터의 적어도 일부에 기반하여, 이벤트들의 그룹으로부터의 적어도 하나의 이벤트가 미래의 정해진 시간 구간 내에 상기 정해진 애셋에서 발생할 가능성이 있는가의 여부에 대한 표시자를 출력하는 예측 모델을 실행하도록 하고;
    상기 건강 규준이 임계 상태를 충족시키는가에 대한 판단을 하도록 하고;
    상기 판단에 응답하여, 상기 제1 모드에서 동작하는 것으로부터 상기 컴퓨팅 시스템이 상기 제1 수집 속도와는 상이한 제2 수집 속도로 상기 정해진 애셋으로부터 동작 데이터를 수집하는 제2 모드에서 동작하는 것으로 전이하도록 하며; 그리고
    상기 제2 모드에서 동작하면서, (a) 상기 정해진 애셋으로부터 동작 데이터를 수신하도록 하고, 그리고 (b) 상기 수신된 동작 데이터의 적어도 일부를 상기 제2 수집 속도로 수집하도록 하는, 컴퓨팅 시스템.
  42. 제41항에 있어서,
    상기 수신된 동작 데이터는, (i) 특정 시기에 상기 정해진 애셋에서 발생했던 고장과 연관된 비정상-상태 데이터 및 (ii) 상기 특정 시기에 상기 정해진 애셋의 적어도 하나의 동작 상태를 표시하는 센서 데이터 중 하나 또는 둘 모두를 포함하는, 컴퓨팅 시스템.
  43. 제41항에 있어서,
    이벤트들의 상기 그룹은 하나 이상의 고장들의 그룹을 포함하며, 그리고 상기 예측 모델은 상기 고장들의 그룹으로부터의 적어도 하나의 고장이 미래의 정해진 시간 구간 내에 상기 정해진 애셋에서 발생할 가능성이 있는가의 여부를 표시하는 건강 규준을 출력하는, 컴퓨팅 시스템.
  44. 제43항에 있어서,
    상기 예측 모델은, (i) 과거에 복수의 애셋들에서 발생했던 하나 이상의 고장들과 연관된 이력적인 비정상-상태 데이터 및 (ii) 과거에 복수의 애셋들의 동작 상태들을 표시하는 이력적인 센서 데이터를 포함하는 이력적인 동작 데이터에 기반하여 정의되는, 컴퓨팅 시스템.
  45. 제41항에 있어서,
    이벤트들의 그룹으로부터의 적어도 하나의 이벤트가 미래의 정해진 시간 구간 내에 상기 정해진 애셋에서 발생할 가능성이 있는가의 여부에 대한 표시자는 상기 이벤트들의 그룹으로부터의 어떤 이벤트도 미래의 정해진 시간 구간 내에 상기 정해진 애셋에서 발생할 가능성이 없는 확률을 포함하며, 그리고 상기 표시자가 임계 상태를 충족시키는가에 대한 상기 판단은 상기 확률이 임계값에 또는 그 아래에 있는가에 대한 판단을 포함하는, 컴퓨팅 시스템.
  46. 제41항에 있어서,
    이벤트들의 그룹으로부터의 적어도 하나의 이벤트가 미래의 정해진 시간 구간 내에 상기 정해진 애셋에서 발생할 가능성이 있는가의 여부에 대한 상기 표시자는 상기 이벤트들의 그룹으로부터의 어떤 이벤트도 미래의 정해진 시간 구간 내에 상기 정해진 애셋에서 발생하지 않을 가능성의 확률을 포함하며, 그리고 상기 표시자가 임계 상태를 충족시키는가에 대한 상기 판단은 상기 확률이 임계값에 또는 그 위에 있는가에 대한 판단을 포함하는, 컴퓨팅 시스템.
  47. 제41항에 있어서,
    상기 제2 수집 속도는 상기 제1 수집 속도보다 더 빠른, 컴퓨팅 시스템.
  48. 제41항에 있어서,
    상기 제2 수집 속도는 상기 표시자에 기반하여 결정되는 가변 속도를 포함하는, 컴퓨팅 시스템.
  49. 저장된 실행가능한 프로그램 명령어들을 구비한 비-일시적 컴퓨터-판독가능 매체로서, 상기 프로그램 명령어들은 컴퓨팅 시스템으로 하여금:
    제1 복수의 애셋들 중 정해진 애셋으로부터 수신된 동작 데이터를 제1 수집 속도로 상기 컴퓨팅 시스템이 수집하는, 제1 모드에서 동작하도록 하고;
    상기 제1 모드에서 동작하면서, (a) 상기 정해진 애셋으로부터 동작 데이터를 수신하도록 하고, (b) 상기 수신된 동작 데이터의 적어도 일부를 상기 제1 수집 속도로 수집하도록 하고, 그리고 (c) 상기 수집된 데이터의 적어도 일부에 기반하여, 이벤트들의 그룹으로부터의 적어도 하나의 이벤트가 미래의 정해진 시간 구간 내에 상기 정해진 애셋에서 발생할 가능성이 있는가의 여부에 대한 표시자를 출력하는 예측 모델을 실행하도록 하고;
    상기 건강 규준이 임계 상태에 도달했는가에 대한 판단을 하도록 하고; 그리고
    상기 판단에 응답하여, (a) 상기 정해진 애셋으로부터 동작 데이터를 수신하도록 하고, 그리고 (b) 상기 수신된 동작 데이터의 적어도 일부를 제2 수집 속도로 수집하도록 하는, 비-일시적 컴퓨터-판독가능 매체.
  50. 제49항에 있어서,
    상기 수신된 동작 데이터는, (i) 특정 시기에 상기 복수의 애셋들에서 발생했던 고장과 연관된 비정상-상태 데이터 및 (ii) 상기 특정 시기에 상기 복수의 애셋들의 적어도 하나의 동작 상태를 표시하는 센서 데이터 중 하나 또는 둘 모두를 포함하는, 비-일시적 컴퓨터-판독가능 매체.
  51. 제49항에 있어서,
    이벤트들의 상기 그룹은 하나 이상의 고장들의 그룹을 포함하며, 그리고 상기 예측 모델은 상기 고장들의 그룹으로부터의 적어도 하나의 고장이 미래의 정해진 시간 구간 내에 상기 정해진 애셋에서 발생할 가능성이 있는가의 여부를 표시하는 건강 규준을 출력하는, 비-일시적 컴퓨터-판독가능 매체.
  52. 제51항에 있어서,
    상기 예측 모델은, (i) 과거에 상기 정해진 애셋에서 발생했던 하나 이상의 고장들과 연관된 이력적인 비정상-상태 데이터 및 (ii) 과거에 상기 정해진 애셋의 동작 상태들을 표시하는 이력적인 센서 데이터를 포함하는 이력적인 동작 데이터에 기반하여 정의되는, 비-일시적 컴퓨터-판독가능 매체.
  53. 제49항에 있어서,
    이벤트들의 그룹으로부터의 적어도 하나의 이벤트가 미래의 정해진 시간 구간 내에 상기 정해진 애셋에서 발생할 가능성이 있는가의 여부에 대한 표시자는 상기 이벤트들의 그룹으로부터의 어떤 이벤트도 미래의 정해진 시간 구간 내에 상기 정해진 애셋에서 발생할 가능성이 없는 확률을 포함하며, 그리고 상기 표시자가 임계 상태를 충족시키는가에 대한 상기 판단은 상기 확률이 임계값에 또는 그 아래에 있는가에 대한 판단을 포함하는, 비-일시적 컴퓨터-판독가능 매체.
  54. 제49항에 있어서,
    이벤트들의 그룹으로부터의 적어도 하나의 이벤트가 미래의 정해진 시간 구간 내에 상기 정해진 애셋에서 발생할 가능성이 있는가의 여부에 대한 상기 표시자는 상기 이벤트들의 그룹으로부터의 어떤 이벤트도 미래의 정해진 시간 구간 내에 상기 정해진 애셋에서 발생하지 않을 가능성의 확률을 포함하며, 그리고 상기 표시자가 임계 상태를 충족시키는가에 대한 상기 판단은 상기 확률이 임계값에 또는 그 위에 있는가에 대한 판단을 포함하는, 비-일시적 컴퓨터-판독가능 매체.
  55. 컴퓨터 구현 방법으로, 상기 방법은:
    컴퓨팅 시스템이 제1 복수의 애셋들 중 정해진 애셋으로부터 수신된 동작 데이터를 제1 수집 속도로 상기 컴퓨팅 시스템이 수집하는, 제1 모드에서 동작하는 단계;
    상기 제1 모드에서 동작하면서, 상기 컴퓨팅 시스템이 (a) 상기 정해진 애셋으로부터 동작 데이터를 수신하고, (b) 상기 수신된 동작 데이터의 적어도 일부를 상기 제1 수집 속도로 수집하고, 그리고 (c) 상기 수집된 데이터의 적어도 일부에 기반하여, 이벤트들의 그룹으로부터의 적어도 하나의 이벤트가 미래의 정해진 시간 구간 내에 상기 정해진 애셋에서 발생할 가능성이 있는가의 여부에 대한 표시자를 출력하는 예측 모델을 실행하는 단계;
    상기 컴퓨팅 시스템이 상기 건강 규준이 임계에 도달했는가에 대한 판단을 하는 단계;
    상기 판단에 응답하여, 상기 컴퓨팅 시스템이 상기 제1 모드에서 동작하는 것으로부터 상기 컴퓨팅 시스템이 상기 제1 수집 속도와는 상이한 제2 수집 속도로 상기 정해진 애셋으로부터 동작 데이터를 수집하는 제2 모드에서 동작하는 것으로 전이하는 단계; 그리고
    상기 제2 모드에서 동작하면서, 상기 컴퓨팅 시스템이 (a) 상기 정해진 애셋으로부터 동작 데이터를 수신하고, 그리고 (b) 상기 수신된 동작 데이터의 적어도 일부를 상기 제2 수집 속도로 수집하는 단계를 포함하는, 컴퓨터 구현 방법.
  56. 제55항에 있어서,
    상기 수신된 동작 데이터는, (i) 특정 시기에 상기 정해진 애셋에서 발생했던 고장과 연관된 비정상-상태 데이터 및 (ii) 상기 특정 시기에 상기 정해진 애셋의 적어도 하나의 동작 상태를 표시하는 센서 데이터 중 하나 또는 둘 모두를 포함하는, 컴퓨터 구현 방법.
  57. 제55항에 있어서,
    이벤트들의 상기 그룹은 하나 이상의 고장들의 그룹을 포함하며, 그리고 상기 예측 모델은 상기 고장들의 그룹으로부터의 적어도 하나의 고장이 미래의 정해진 시간 구간 내에 상기 정해진 애셋에서 발생할 가능성이 있는가의 여부를 표시하는 건강 규준을 출력하는, 컴퓨터 구현 방법.
  58. 제57항에 있어서,
    상기 예측 모델은, (i) 과거에 복수의 애셋들에서 발생했던 하나 이상의 고장들과 연관된 이력적인 비정상-상태 데이터 및 (ii) 과거에 복수의 애셋들의 동작 상태들을 표시하는 이력적인 센서 데이터를 포함하는 이력적인 동작 데이터에 기반하여 정의되는, 컴퓨터 구현 방법.
  59. 제55항에 있어서,
    이벤트들의 그룹으로부터의 적어도 하나의 이벤트가 미래의 정해진 시간 구간 내에 상기 정해진 애셋에서 발생할 가능성이 있는가의 여부에 대한 상기 표시자는 상기 이벤트들의 그룹으로부터의 어떤 이벤트도 미래의 정해진 시간 구간 내에 상기 정해진 애셋에서 발생할 가능성이 없는 확률을 포함하며, 그리고 상기 표시자가 임계 상태를 충족시키는가에 대한 상기 판단은 상기 확률이 임계값에 또는 그 아래에 있는가에 대한 판단을 포함하는, 컴퓨터 구현 방법.
  60. 제55항에 있어서,
    이벤트들의 그룹으로부터의 적어도 하나의 이벤트가 미래의 정해진 시간 구간 내에 상기 정해진 애셋에서 발생할 가능성이 있는가의 여부에 대한 상기 표시자는 상기 이벤트들의 그룹으로부터의 어떤 이벤트도 미래의 정해진 시간 구간 내에 상기 정해진 애셋에서 발생할 가능성이 없는 확률을 포함하며, 그리고 상기 표시자가 임계 상태를 충족시키는가에 대한 상기 판단은 상기 확률이 임계값에 또는 그 아래에 있는가에 대한 판단을 포함하는, 컴퓨터 구현 방법.
KR1020187018739A 2014-12-01 2016-12-07 예측 모델에 기반하여 데이터 취득 파라미터들을 변경하기 위한 컴퓨터 구조 및 방법 KR20180082606A (ko)

Applications Claiming Priority (9)

Application Number Priority Date Filing Date Title
US201462086155P 2014-12-01 2014-12-01
US201462088651P 2014-12-07 2014-12-07
US14/963,208 2015-12-08
US14/963,212 2015-12-08
US14/963,212 US10025653B2 (en) 2014-12-01 2015-12-08 Computer architecture and method for modifying intake data rate based on a predictive model
US14/963,208 US20170161659A1 (en) 2014-12-01 2015-12-08 Computer Architecture and Method for Modifying Data Intake Storage Location Based on a Predictive Model
US14/963,209 US20170161621A1 (en) 2014-12-01 2015-12-08 Computer Architecture and Method for Modifying Intake Data Set Based on a Predictive Model
US14/963,209 2015-12-08
PCT/US2016/065262 WO2017100245A1 (en) 2014-12-01 2016-12-07 Computer architecture and method for modifying data intake parameters based on a predictive model

Publications (1)

Publication Number Publication Date
KR20180082606A true KR20180082606A (ko) 2018-07-18

Family

ID=56078998

Family Applications (3)

Application Number Title Priority Date Filing Date
KR1020177018199A KR20170117377A (ko) 2014-12-01 2015-11-30 애셋 헬스 스코어들 및 그 사용
KR1020177018201A KR20170118039A (ko) 2014-12-01 2015-11-30 동작 데이터의 적응적 핸들링
KR1020187018739A KR20180082606A (ko) 2014-12-01 2016-12-07 예측 모델에 기반하여 데이터 취득 파라미터들을 변경하기 위한 컴퓨터 구조 및 방법

Family Applications Before (2)

Application Number Title Priority Date Filing Date
KR1020177018199A KR20170117377A (ko) 2014-12-01 2015-11-30 애셋 헬스 스코어들 및 그 사용
KR1020177018201A KR20170118039A (ko) 2014-12-01 2015-11-30 동작 데이터의 적응적 핸들링

Country Status (10)

Country Link
US (15) US9471452B2 (ko)
EP (4) EP3227784A4 (ko)
JP (4) JP6652247B2 (ko)
KR (3) KR20170117377A (ko)
CN (2) CN107408225B (ko)
AU (4) AU2015355156A1 (ko)
CA (5) CA2969452A1 (ko)
HK (3) HK1244937A1 (ko)
SG (3) SG11201708094XA (ko)
WO (4) WO2016089792A1 (ko)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102124779B1 (ko) * 2018-12-21 2020-06-19 한국수력원자력 주식회사 다중 예측 모델을 이용한 발전소 기동 및 정지에 관한 조기 경보 장치 및 방법
KR20200078866A (ko) * 2018-12-24 2020-07-02 아주대학교산학협력단 데이터 패턴 분석을 이용한 비정상행위 탐지 장치 및 방법
KR20210045476A (ko) * 2018-08-23 2021-04-26 지멘스 악티엔게젤샤프트 인공 지능 컴퓨팅 디바이스, 제어 방법 및 장치, 엔지니어 스테이션, 및 산업 자동화 시스템

Families Citing this family (233)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10618168B2 (en) 2016-05-13 2020-04-14 General Electric Company Robot system path planning for asset health management
US9772741B2 (en) * 2013-03-15 2017-09-26 Konstantinos (Constantin) F. Aliferis Data analysis computer system and method for organizing, presenting, and optimizing predictive modeling
US10599155B1 (en) 2014-05-20 2020-03-24 State Farm Mutual Automobile Insurance Company Autonomous vehicle operation feature monitoring and evaluation of effectiveness
US9471452B2 (en) * 2014-12-01 2016-10-18 Uptake Technologies, Inc. Adaptive handling of operating data
US9882798B2 (en) * 2015-05-13 2018-01-30 Vmware, Inc. Method and system that analyzes operational characteristics of multi-tier applications
US11243263B2 (en) * 2015-06-04 2022-02-08 Fischer Block, Inc. Remaining-life and time-to-failure predictions of power assets
US10176279B2 (en) 2015-06-05 2019-01-08 Uptake Technologies, Inc. Dynamic execution of predictive models and workflows
US10848371B2 (en) * 2015-06-11 2020-11-24 Instana, Inc. User interface for an application performance management system
US10133443B2 (en) 2015-06-14 2018-11-20 Google Llc Systems and methods for smart home automation using a multifunction status and entry point icon
USD797131S1 (en) 2015-06-14 2017-09-12 Google Inc. Display screen with user interface for mode selector icons
USD809522S1 (en) 2015-06-14 2018-02-06 Google Inc. Display screen with animated graphical user interface for an alert screen
USD796540S1 (en) 2015-06-14 2017-09-05 Google Inc. Display screen with graphical user interface for mobile camera history having event-specific activity notifications
USD807376S1 (en) 2015-06-14 2018-01-09 Google Inc. Display screen with animated graphical user interface for smart home automation system having a multifunction status
US9361011B1 (en) 2015-06-14 2016-06-07 Google Inc. Methods and systems for presenting multiple live video feeds in a user interface
USD803241S1 (en) 2015-06-14 2017-11-21 Google Inc. Display screen with animated graphical user interface for an alert screen
USD812076S1 (en) 2015-06-14 2018-03-06 Google Llc Display screen with graphical user interface for monitoring remote video camera
US10878385B2 (en) 2015-06-19 2020-12-29 Uptake Technologies, Inc. Computer system and method for distributing execution of a predictive model
US10031815B2 (en) * 2015-06-29 2018-07-24 Ca, Inc. Tracking health status in software components
JP6458663B2 (ja) * 2015-06-29 2019-01-30 株式会社リコー 情報処理システム及びプログラム
US10484257B1 (en) * 2015-07-15 2019-11-19 Amazon Technologies, Inc. Network event automatic remediation service
ES2949510T3 (es) 2015-08-05 2023-09-29 Equifax Inc Herramienta de integración de modelos
US11107365B1 (en) 2015-08-28 2021-08-31 State Farm Mutual Automobile Insurance Company Vehicular driver evaluation
GB2542370B (en) 2015-09-16 2020-05-27 Arm Ip Ltd A system for monitoring a plurality of distributed devices
JP6249003B2 (ja) * 2015-09-30 2017-12-20 トヨタ自動車株式会社 ハイブリッド車両の制御装置
US9916194B2 (en) * 2015-10-01 2018-03-13 International Business Machines Corporation System component failure diagnosis
US10455363B2 (en) 2015-11-04 2019-10-22 xAd, Inc. Systems and methods for using geo-blocks and geo-fences to discover lookalike mobile devices
US10278014B2 (en) * 2015-11-04 2019-04-30 xAd, Inc. System and method for using geo-blocks and geo-fences to predict mobile device locations
US10547971B2 (en) 2015-11-04 2020-01-28 xAd, Inc. Systems and methods for creating and using geo-blocks for location-based information service
US20170161969A1 (en) * 2015-12-07 2017-06-08 The Boeing Company System and method for model-based optimization of subcomponent sensor communications
US10078571B2 (en) * 2015-12-09 2018-09-18 International Business Machines Corporation Rule-based adaptive monitoring of application performance
US10860405B1 (en) * 2015-12-28 2020-12-08 EMC IP Holding Company LLC System operational analytics
US20170183016A1 (en) * 2015-12-28 2017-06-29 General Electric Company Early warning system for locomotive bearings failures
US10733514B1 (en) 2015-12-28 2020-08-04 EMC IP Holding Company LLC Methods and apparatus for multi-site time series data analysis
US10134278B1 (en) 2016-01-22 2018-11-20 State Farm Mutual Automobile Insurance Company Autonomous vehicle application
US11242051B1 (en) 2016-01-22 2022-02-08 State Farm Mutual Automobile Insurance Company Autonomous vehicle action communications
US11719545B2 (en) 2016-01-22 2023-08-08 Hyundai Motor Company Autonomous vehicle component damage and salvage assessment
US11441916B1 (en) 2016-01-22 2022-09-13 State Farm Mutual Automobile Insurance Company Autonomous vehicle trip routing
US10747234B1 (en) 2016-01-22 2020-08-18 State Farm Mutual Automobile Insurance Company Method and system for enhancing the functionality of a vehicle
US10452467B2 (en) * 2016-01-28 2019-10-22 Intel Corporation Automatic model-based computing environment performance monitoring
US9718486B1 (en) * 2016-02-01 2017-08-01 Electro-Motive Diesel, Inc. System for analyzing health of train
US10510006B2 (en) * 2016-03-09 2019-12-17 Uptake Technologies, Inc. Handling of predictive models based on asset location
US10530705B2 (en) * 2016-03-10 2020-01-07 Ricoh Co., Ltd. Architecture customization at user application layer
US10318904B2 (en) 2016-05-06 2019-06-11 General Electric Company Computing system to control the use of physical state attainment of assets to meet temporal performance criteria
KR102000416B1 (ko) 2016-05-09 2019-07-15 스트롱 포스 아이오티 포트폴리오 2016, 엘엘씨 산업용 사물 인터넷을 위한 방법들 및 시스템들
US11774944B2 (en) 2016-05-09 2023-10-03 Strong Force Iot Portfolio 2016, Llc Methods and systems for the industrial internet of things
US10983507B2 (en) 2016-05-09 2021-04-20 Strong Force Iot Portfolio 2016, Llc Method for data collection and frequency analysis with self-organization functionality
US11327475B2 (en) 2016-05-09 2022-05-10 Strong Force Iot Portfolio 2016, Llc Methods and systems for intelligent collection and analysis of vehicle data
US20180284735A1 (en) 2016-05-09 2018-10-04 StrongForce IoT Portfolio 2016, LLC Methods and systems for industrial internet of things data collection in a network sensitive upstream oil and gas environment
US10102056B1 (en) * 2016-05-23 2018-10-16 Amazon Technologies, Inc. Anomaly detection using machine learning
US10901407B2 (en) * 2016-05-31 2021-01-26 Applied Materials, Inc. Semiconductor device search and classification
WO2017210496A1 (en) * 2016-06-03 2017-12-07 Uptake Technologies, Inc. Provisioning a local analytics device
US10333775B2 (en) 2016-06-03 2019-06-25 Uptake Technologies, Inc. Facilitating the provisioning of a local analytics device
JP2019518287A (ja) 2016-06-13 2019-06-27 ジーボ インコーポレーテッドＸｅｖｏ Ｉｎｃ． バーチャスサイクルを使用して自動車駐車スペース管理する方法及びシステム
US11237546B2 (en) 2016-06-15 2022-02-01 Strong Force loT Portfolio 2016, LLC Method and system of modifying a data collection trajectory for vehicles
US10346239B1 (en) * 2016-06-27 2019-07-09 Amazon Technologies, Inc. Predictive failure of hardware components
US10416982B1 (en) * 2016-06-30 2019-09-17 EMC IP Holding Company LLC Automated analysis system and method
US10263802B2 (en) 2016-07-12 2019-04-16 Google Llc Methods and devices for establishing connections with remote cameras
USD882583S1 (en) 2016-07-12 2020-04-28 Google Llc Display screen with graphical user interface
US20180048713A1 (en) * 2016-08-09 2018-02-15 Sciemetric Instruments Inc. Modular data acquisition and control system
US10462026B1 (en) * 2016-08-23 2019-10-29 Vce Company, Llc Probabilistic classifying system and method for a distributed computing environment
US10606254B2 (en) * 2016-09-14 2020-03-31 Emerson Process Management Power & Water Solutions, Inc. Method for improving process/equipment fault diagnosis
US11455203B2 (en) * 2016-09-14 2022-09-27 Nec Corporation Abnormality detection support device, abnormality detection support method, and program
US10127125B2 (en) * 2016-10-21 2018-11-13 Accenture Global Solutions Limited Application monitoring and failure prediction
US10152810B2 (en) * 2016-10-21 2018-12-11 Siemens Aktiengesellschaft Techniques for displaying data comprising time and angular values acquired from a technical or industrial process
US10877465B2 (en) 2016-10-24 2020-12-29 Fisher-Rosemount Systems, Inc. Process device condition and performance monitoring
US10257163B2 (en) 2016-10-24 2019-04-09 Fisher-Rosemount Systems, Inc. Secured process control communications
US10270745B2 (en) 2016-10-24 2019-04-23 Fisher-Rosemount Systems, Inc. Securely transporting data across a data diode for secured process control communications
US10530748B2 (en) 2016-10-24 2020-01-07 Fisher-Rosemount Systems, Inc. Publishing data across a data diode for secured process control communications
US10619760B2 (en) 2016-10-24 2020-04-14 Fisher Controls International Llc Time-series analytics for control valve health assessment
US11238290B2 (en) 2016-10-26 2022-02-01 Google Llc Timeline-video relationship processing for alert events
US10386999B2 (en) 2016-10-26 2019-08-20 Google Llc Timeline-video relationship presentation for alert events
USD843398S1 (en) 2016-10-26 2019-03-19 Google Llc Display screen with graphical user interface for a timeline-video relationship presentation for alert events
US11012461B2 (en) * 2016-10-27 2021-05-18 Accenture Global Solutions Limited Network device vulnerability prediction
US20180135456A1 (en) * 2016-11-17 2018-05-17 General Electric Company Modeling to detect gas turbine anomalies
US10943283B2 (en) * 2016-11-18 2021-03-09 Cummins Inc. Service location recommendation tailoring
CA2987670A1 (en) * 2016-12-05 2018-06-05 Aware360 Ltd. Integrated personal safety and equipment monitoring system
US10304263B2 (en) * 2016-12-13 2019-05-28 The Boeing Company Vehicle system prognosis device and method
CN106485036B (zh) * 2016-12-21 2024-06-14 杜伯仁 基于生存模型对资产证券化资产池进行评级的方法
EP3566201A4 (en) 2016-12-22 2020-11-25 Xevo Inc. PROCESS AND SYSTEM FOR PROVIDING SERVICES OF ANALYSIS OF ARTIFICIAL INTELLIGENCE (AIA) FOR PERFORMANCE PREDICTION
KR20190103150A (ko) * 2017-01-03 2019-09-04 인텔 코포레이션 센서 관리 및 신뢰성
WO2018135171A1 (ja) * 2017-01-19 2018-07-26 株式会社日立製作所 保全管理システム及びそれに用いる保全管理確認装置
US10579961B2 (en) * 2017-01-26 2020-03-03 Uptake Technologies, Inc. Method and system of identifying environment features for use in analyzing asset operation
JP6879752B2 (ja) * 2017-02-03 2021-06-02 株式会社日立システムズ 医療機器監視システム
US10318364B2 (en) * 2017-02-23 2019-06-11 Visual Process Limited Methods and systems for problem-alert aggregation
US11044329B2 (en) * 2017-02-27 2021-06-22 NCR Corportation Client application user experience tracking
CN106886481B (zh) * 2017-02-28 2020-11-27 深圳市华傲数据技术有限公司 一种系统健康度静态分析预测方法及装置
CN108595448B (zh) * 2017-03-17 2022-03-04 北京京东尚科信息技术有限公司 信息推送方法和装置
US10691516B2 (en) * 2017-04-05 2020-06-23 International Business Machines Corporation Measurement and visualization of resiliency in a hybrid IT infrastructure environment
US11182236B2 (en) * 2017-04-13 2021-11-23 Renesas Electronics Corporation Probabilistic metric for random hardware failure
US10671039B2 (en) * 2017-05-03 2020-06-02 Uptake Technologies, Inc. Computer system and method for predicting an abnormal event at a wind turbine in a cluster
WO2018213617A1 (en) * 2017-05-18 2018-11-22 Uptake Technologies, Inc. Computing system and method for approximating predictive models and time-series values
US10683962B2 (en) 2017-05-25 2020-06-16 Google Llc Thermal management for a compact electronic device
US10819921B2 (en) 2017-05-25 2020-10-27 Google Llc Camera assembly having a single-piece cover element
US10972685B2 (en) 2017-05-25 2021-04-06 Google Llc Video camera assembly having an IR reflector
US20180347843A1 (en) * 2017-05-30 2018-12-06 Mikros Systems Corporation Methods and systems for prognostic analysis in electromechanical and environmental control equipment in building management systems
JP6718415B2 (ja) * 2017-06-26 2020-07-08 株式会社日立ビルシステム 部品交換予測装置、部品交換予測システム、部品交換予測方法
US10829344B2 (en) 2017-07-06 2020-11-10 Otis Elevator Company Elevator sensor system calibration
US11014780B2 (en) 2017-07-06 2021-05-25 Otis Elevator Company Elevator sensor calibration
WO2019018008A1 (en) * 2017-07-21 2019-01-24 Johnson Controls Technology Company BUILDING MANAGEMENT SYSTEM WITH DYNAMIC WORKING ORDER GENERATION WITH ADAPTIVE DIAGNOSTIC ASSIGNMENT DETAILS
JP7169340B2 (ja) 2017-07-25 2022-11-10 オーロラ ラブズ リミテッド 車両ｅｃｕソフトウェアのためのソフトウェアデルタ更新の構築およびツールチェーンに基づく異常検出
US11442445B2 (en) 2017-08-02 2022-09-13 Strong Force Iot Portfolio 2016, Llc Data collection systems and methods with alternate routing of input channels
EP3662331A4 (en) 2017-08-02 2021-04-28 Strong Force Iot Portfolio 2016, LLC METHODS AND SYSTEMS FOR DETECTION IN AN INDUSTRIAL INTERNET OF THINGS DATA COLLECTION ENVIRONMENT WITH LARGE AMOUNTS OF DATA
US10313413B2 (en) 2017-08-28 2019-06-04 Banjo, Inc. Detecting events from ingested communication signals
US11025693B2 (en) * 2017-08-28 2021-06-01 Banjo, Inc. Event detection from signal data removing private information
KR102025145B1 (ko) 2017-09-01 2019-09-25 두산중공업 주식회사 플랜트 데이터 예측 장치 및 방법
US20190080258A1 (en) * 2017-09-13 2019-03-14 Intel Corporation Observation hub device and method
US10817152B2 (en) * 2017-09-17 2020-10-27 Ge Inspection Technologies, Lp Industrial asset intelligence
US11687048B2 (en) * 2017-09-18 2023-06-27 Johnson Controls Tyco IP Holdings LLP Method and apparatus for evaluation of temperature sensors
US10585774B2 (en) * 2017-09-27 2020-03-10 International Business Machines Corporation Detection of misbehaving components for large scale distributed systems
WO2019068196A1 (en) 2017-10-06 2019-04-11 Raven Telemetry Inc. INCREASED INDUSTRIAL MANAGEMENT
TWI663570B (zh) * 2017-10-20 2019-06-21 財團法人資訊工業策進會 用電分析伺服器及其用電分析方法
US10379982B2 (en) * 2017-10-31 2019-08-13 Uptake Technologies, Inc. Computer system and method for performing a virtual load test
US10956843B2 (en) * 2017-11-07 2021-03-23 International Business Machines Corporation Determining optimal device refresh cycles and device repairs through cognitive analysis of unstructured data and device health scores
US11334854B2 (en) * 2017-11-10 2022-05-17 General Electric Company Systems and methods to generate an asset workscope
WO2019099494A1 (en) * 2017-11-14 2019-05-23 Tagnos, Inc. Use of historic and contemporary tracking data to improve healthcare facility operations
US10672204B2 (en) * 2017-11-15 2020-06-02 The Boeing Company Real time streaming analytics for flight data processing
CN107730893B (zh) * 2017-11-30 2019-08-09 大连理工大学 一种基于乘客出行多维特征的共享巴士站点客流预测方法
CA3026837A1 (en) 2017-12-07 2019-06-07 Fifth Third Bancorp Geospatial market analytics
US11010233B1 (en) * 2018-01-18 2021-05-18 Pure Storage, Inc Hardware-based system monitoring
CN111542846B (zh) * 2018-01-19 2023-08-29 株式会社日立制作所 故障预测系统和故障预测方法
WO2019143365A1 (en) * 2018-01-22 2019-07-25 Hitachi High-Tech Solutions Corporation Securing systems from harmful communications
EP3514555B1 (en) * 2018-01-22 2020-07-22 Siemens Aktiengesellschaft Apparatus for monitoring an actuator system, method for providing an apparatus for monitoring an actuator system and method for monitoring an actuator system
US10585724B2 (en) 2018-04-13 2020-03-10 Banjo, Inc. Notifying entities of relevant events
US20190266575A1 (en) * 2018-02-27 2019-08-29 Honeywell International, Inc. Modifying field workflows
US11080127B1 (en) * 2018-02-28 2021-08-03 Arizona Public Service Company Methods and apparatus for detection of process parameter anomalies
US10554518B1 (en) * 2018-03-02 2020-02-04 Uptake Technologies, Inc. Computer system and method for evaluating health of nodes in a manufacturing network
US10169135B1 (en) 2018-03-02 2019-01-01 Uptake Technologies, Inc. Computer system and method of detecting manufacturing network anomalies
DE102018203179A1 (de) 2018-03-02 2019-09-05 Robert Bosch Gmbh Vorrichtung, insbesondere Handwerkzeugmaschinen-Verwaltungsvorrichtung, und Verfahren zur Überwachung und/oder zur Verwaltung einer Vielzahl von Gegenständen
WO2019182756A1 (en) * 2018-03-23 2019-09-26 Siemens Healthcare Diagnostics Inc. Methods, apparatus, and systems for integration of diagnostic laboratory devices
US10354462B1 (en) * 2018-04-06 2019-07-16 Toyota Motor Engineering & Manufacturing North America, Inc. Fault diagnosis in power electronics using adaptive PCA
US11691755B2 (en) * 2018-04-16 2023-07-04 Wing Aviation Llc Multi-UAV management
US10635095B2 (en) * 2018-04-24 2020-04-28 Uptake Technologies, Inc. Computer system and method for creating a supervised failure model
RU2763414C1 (ru) * 2018-05-16 2021-12-29 Сименс Мобилити Аустриа Гмбх Способ и устройство для диагностики и контроля транспортных средств, компонентов транспортных средств и путей движения
CN108648071B (zh) 2018-05-17 2020-05-19 阿里巴巴集团控股有限公司 基于区块链的资源价值评估方法和装置
WO2019226715A1 (en) * 2018-05-21 2019-11-28 Promptlink Communications, Inc. Techniques for assessing a customer premises equipment device
US10896114B2 (en) * 2018-05-23 2021-01-19 Seagate Technology Llc Machine learning error prediction in storage arrays
US11823274B2 (en) 2018-06-04 2023-11-21 Machine Cover, Inc. Parametric instruments and methods relating to business interruption
US11842407B2 (en) 2018-06-04 2023-12-12 Machine Cover, Inc. Parametric instruments and methods relating to geographical area business interruption
US20190378349A1 (en) * 2018-06-07 2019-12-12 GM Global Technology Operations LLC Vehicle remaining useful life prediction
DE102018209407A1 (de) * 2018-06-13 2019-12-19 Robert Bosch Gmbh Verfahren und Vorrichtung zur Behandlung einer Anomalie in einem Kommunikationsnetzwerk
KR102062097B1 (ko) * 2018-06-27 2020-06-23 송암시스콤 주식회사 자동복구기능을 탑재한 이중화 구조의 버스정보안내단말기
WO2020023410A1 (en) * 2018-07-22 2020-01-30 Scott Amron Distributed inventory system
DE102018118437A1 (de) * 2018-07-31 2020-02-06 Airbus Defence and Space GmbH System und Verfahren zum Überwachen des Zustands eines unbemannten Luftfahrzeugs
US10926888B2 (en) * 2018-08-07 2021-02-23 The Boeing Company Methods and systems for identifying associated events in an aircraft
US11146911B2 (en) 2018-08-17 2021-10-12 xAd, Inc. Systems and methods for pacing information campaigns based on predicted and observed location events
US10349208B1 (en) 2018-08-17 2019-07-09 xAd, Inc. Systems and methods for real-time prediction of mobile device locations
US11134359B2 (en) 2018-08-17 2021-09-28 xAd, Inc. Systems and methods for calibrated location prediction
US11172324B2 (en) 2018-08-17 2021-11-09 xAd, Inc. Systems and methods for predicting targeted location events
AU2019336235A1 (en) * 2018-09-07 2021-04-29 Uptake Technologies, Inc. Computer system and method for recommending an operating mode of an asset
CN112673265A (zh) * 2018-09-10 2021-04-16 3M创新有限公司 基于机器学习监测电力电缆附件的健康状态的方法和系统
EP3756098A4 (en) * 2018-09-24 2021-10-20 Hewlett-Packard Development Company, L.P. EVALUATING A DEVICE CONDITION
US11455223B2 (en) * 2018-10-11 2022-09-27 International Business Machines Corporation Using system errors and manufacturer defects in system components causing the system errors to determine a quality assessment value for the components
US11573879B2 (en) * 2018-10-22 2023-02-07 General Electric Company Active asset monitoring
US11200103B2 (en) * 2018-10-26 2021-12-14 International Business Machines Corporation Using a machine learning module to perform preemptive identification and reduction of risk of failure in computational systems
US11200142B2 (en) 2018-10-26 2021-12-14 International Business Machines Corporation Perform preemptive identification and reduction of risk of failure in computational systems by training a machine learning module
US10635360B1 (en) * 2018-10-29 2020-04-28 International Business Machines Corporation Adjusting data ingest based on compaction rate in a dispersed storage network
US11182596B2 (en) * 2018-11-08 2021-11-23 International Business Machines Corporation Identifying a deficiency of a facility
JP6531213B1 (ja) * 2018-12-04 2019-06-12 Ｐｓｐ株式会社 医療機器の故障予測システム、医療機器の故障予測方法、およびプログラム
US11062233B2 (en) * 2018-12-21 2021-07-13 The Nielsen Company (Us), Llc Methods and apparatus to analyze performance of watermark encoding devices
US11188691B2 (en) * 2018-12-21 2021-11-30 Utopus Insights, Inc. Scalable system and method for forecasting wind turbine failure using SCADA alarm and event logs
US10984154B2 (en) * 2018-12-27 2021-04-20 Utopus Insights, Inc. System and method for evaluating models for predictive failure of renewable energy assets
CN109840312B (zh) * 2019-01-22 2022-11-29 新奥数能科技有限公司 一种锅炉负荷率-能效曲线的异常值检测方法和装置
US11334057B2 (en) * 2019-01-25 2022-05-17 Waygate Technologies Usa, Lp Anomaly detection for predictive maintenance and deriving outcomes and workflows based on data quality
US11030067B2 (en) * 2019-01-29 2021-06-08 Uptake Technologies, Inc. Computer system and method for presenting asset insights at a graphical user interface
WO2020159680A1 (en) * 2019-01-31 2020-08-06 Exxonmobil Research And Engineering Company Monitoring and reporting operational performance of machinery
US11232368B2 (en) * 2019-02-20 2022-01-25 Accenture Global Solutions Limited System for predicting equipment failure events and optimizing manufacturing operations
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
WO2020179704A1 (ja) * 2019-03-01 2020-09-10 日本電気株式会社 ネットワーク管理方法、ネットワークシステム、集約解析装置、端末装置、及びプログラム
SE543982C2 (en) * 2019-03-26 2021-10-12 Stoneridge Electronics Ab Method of processing vehicle data from multiple sources and controller therefor
JP7162560B2 (ja) * 2019-03-28 2022-10-28 日立造船株式会社 情報処理装置、情報処理方法、情報処理プログラム、およびゴミ焼却プラント
CN113632027A (zh) * 2019-04-01 2021-11-09 Abb瑞士股份有限公司 利用自动异常检测的资产状况监测方法
JP7320368B2 (ja) 2019-04-09 2023-08-03 ナブテスコ株式会社 故障予測装置、故障予測方法およびコンピュータプログラム
CA3042657A1 (en) * 2019-05-06 2020-11-06 Otr Wheel Safety, Inc. Integrated system for assessing integrity of wheels and rims of off the road vehicles
CN111846095B (zh) * 2019-05-14 2022-05-17 北京骑胜科技有限公司 一种故障检测设备、电助力车及故障检测方法
CN110163387A (zh) * 2019-05-17 2019-08-23 合肥帧讯软件有限公司 一种实验室管理系统
IL288209B2 (en) * 2019-05-24 2024-01-01 Berkeley Lights Inc Systems and methods for optimizing device system workflow
US11604934B2 (en) * 2019-05-29 2023-03-14 Nec Corporation Failure prediction using gradient-based sensor identification
US11887177B2 (en) * 2019-06-18 2024-01-30 Hewlett-Packard Development Company, L.P. Part re-order based on part-specific sensor data
US20200401904A1 (en) * 2019-06-24 2020-12-24 GE Precision Healthcare LLC Adaptive medical imaging device configuration using artificial intelligence
US11817212B2 (en) * 2019-06-26 2023-11-14 Roche Diagnostics Operations, Inc. Maintenance method for a laboratory system
CN114072825A (zh) * 2019-07-02 2022-02-18 科路实有限责任公司 使用数字孪生监测、预测和维护铁路元素的状况
GB201909762D0 (en) * 2019-07-08 2019-08-21 Edwards Vacuum Llc Vacuum system with diagnostic circuitry and a method and computer program for monitoring the health of such a vacuum system
FR3098938B1 (fr) * 2019-07-15 2022-01-07 Bull Sas Procédé et dispositif de détermination d’une valeur d’indice de performance de prédiction d’anomalies dans une infrastructure informatique à partir de valeurs d’indicateurs de performance
US20210019651A1 (en) * 2019-07-18 2021-01-21 Hitachi, Ltd. Method for integrating prediction result
US11334410B1 (en) * 2019-07-22 2022-05-17 Intuit Inc. Determining aberrant members of a homogenous cluster of systems using external monitors
US11374814B2 (en) 2019-08-01 2022-06-28 Hewlett Packard Enterprise Development Lp Network device configuration update using rank and health
US11086749B2 (en) * 2019-08-01 2021-08-10 International Business Machines Corporation Dynamically updating device health scores and weighting factors
US11010222B2 (en) 2019-08-29 2021-05-18 Sap Se Failure mode specific analytics using parametric models
FR3101164B1 (fr) * 2019-09-25 2023-08-04 Mouafo Serge Romaric Tembo Procédé de maintenance prédictive parcimonieuse en temps réel d'un système critique, produit programme d'ordinateur et dispositif associés
US11088932B2 (en) * 2019-10-14 2021-08-10 International Business Machines Corporation Managing network system incidents
US11379694B2 (en) 2019-10-25 2022-07-05 Vmware, Inc. Scalable and dynamic data collection and processing
US11321115B2 (en) * 2019-10-25 2022-05-03 Vmware, Inc. Scalable and dynamic data collection and processing
EP3822725A1 (en) * 2019-11-15 2021-05-19 General Electric Company Systems, and methods for diagnosing an additive manufacturing device
JP2021108110A (ja) * 2019-11-19 2021-07-29 ディー．エス．レイダー エルティーディーＤ．Ｓ．Ｒａｉｄｅｒ Ｌｔｄ 車両の損傷の監視及び予測を行うためのシステム並びに方法
US20220083657A1 (en) * 2019-11-22 2022-03-17 Pure Storage, Inc. Independent Security Threat Detection and Remediation by Storage Systems in a Synchronous Replication Arrangement
US11941116B2 (en) 2019-11-22 2024-03-26 Pure Storage, Inc. Ransomware-based data protection parameter modification
US20210397711A1 (en) * 2019-11-22 2021-12-23 Pure Storage, Inc. Detection of Writing to a Non-header Portion of a File as an Indicator of a Possible Ransomware Attack Against a Storage System
US20210382992A1 (en) * 2019-11-22 2021-12-09 Pure Storage, Inc. Remote Analysis of Potentially Corrupt Data Written to a Storage System
US11921573B2 (en) * 2019-12-02 2024-03-05 Accenture Global Solutions Limited Systems and methods for predictive system failure monitoring
JP7335154B2 (ja) * 2019-12-17 2023-08-29 株式会社東芝 情報処理装置、情報処理方法、およびプログラム
US11509136B2 (en) 2019-12-30 2022-11-22 Utopus Insights, Inc. Scalable systems and methods for assessing healthy condition scores in renewable asset management
GB2591772A (en) * 2020-02-06 2021-08-11 Roads & Transp Authority Asset maintenance management system and method
JP7418256B2 (ja) * 2020-03-24 2024-01-19 東芝テック株式会社 情報処理装置およびプログラム
US11558767B2 (en) 2020-03-26 2023-01-17 Sony Group Corporation Electronic device and related methods for predicting initiation of establishment of a network with one or more other electronic devices
US11482341B2 (en) 2020-05-07 2022-10-25 Carrier Corporation System and a method for uniformly characterizing equipment category
US20210365449A1 (en) * 2020-05-20 2021-11-25 Caterpillar Inc. Callaborative system and method for validating equipment failure models in an analytics crowdsourcing environment
EP3923213A1 (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
WO2021252923A1 (en) * 2020-06-12 2021-12-16 Genmark Diagnostics, Inc. Systems and methods for assessing bays on diagnostic devices
US11210160B1 (en) * 2020-08-13 2021-12-28 Servicenow, Inc. Computer information technology alert remediation selection based on alert similarity
US11188405B1 (en) 2020-08-25 2021-11-30 Servicenow, Inc. Similar alert identification based on application fingerprints
WO2022072908A1 (en) * 2020-10-02 2022-04-07 Tonkean, Inc. Systems and methods for data objects for asynchronou workflows
US11995616B2 (en) * 2020-10-09 2024-05-28 ANI Technologies Private Limited Asset health management for vehicles
US11290343B1 (en) * 2020-12-10 2022-03-29 Hitachi, Ltd. System and method for asset and data management
US11675342B2 (en) * 2020-12-24 2023-06-13 Noodle Analytics, Inc. AI-based smart health surveillance system and method
WO2022159565A1 (en) * 2021-01-22 2022-07-28 Rutgers, The State University Of New Jersey Systems for infrastructure degradation modelling and methods of use thereof
US11633168B2 (en) * 2021-04-02 2023-04-25 AIX Scan, Inc. Fast 3D radiography with multiple pulsed X-ray sources by deflecting tube electron beam using electro-magnetic field
US20220358434A1 (en) * 2021-05-06 2022-11-10 Honeywell International Inc. Foundation applications as an accelerator providing well defined extensibility and collection of seeded templates for enhanced user experience and quicker turnaround
US11688059B2 (en) * 2021-05-27 2023-06-27 International Business Machines Corporation Asset maintenance prediction using infrared and regular images
US11494250B1 (en) * 2021-06-14 2022-11-08 EMC IP Holding Company LLC Method and system for variable level of logging based on (long term steady state) system error equilibrium
TW202311961A (zh) * 2021-09-02 2023-03-16 遠傳電信股份有限公司 應用程式異常偵測方法及其系統
US20230080981A1 (en) * 2021-09-13 2023-03-16 International Business Machines Corporation Predictive maintenance explanations based on user profile
US11789842B2 (en) * 2021-10-11 2023-10-17 Dell Products L.P. System and method for advanced detection of potential system impairment
US20230112875A1 (en) * 2021-10-13 2023-04-13 Honeywell International Inc. Alarm performance optimizer
US11797408B2 (en) 2021-12-30 2023-10-24 Juniper Networks, Inc. Dynamic prediction of system resource requirement of network software in a live network using data driven models
US20230221693A1 (en) * 2022-01-10 2023-07-13 General Electric Technology Gmbh Systems and methods for integrated condition monitoring for power system asset health scoring
US20230236922A1 (en) * 2022-01-24 2023-07-27 International Business Machines Corporation Failure Prediction Using Informational Logs and Golden Signals
US20230236890A1 (en) * 2022-01-25 2023-07-27 Poplar Technologies, Inc. Apparatus for generating a resource probability model
US20230259419A1 (en) * 2022-02-14 2023-08-17 Capital One Services, Llc Incident resolution system
US20230394888A1 (en) * 2022-06-01 2023-12-07 The Boeing Company Vehicle Health Management Using a Counterfactual Machine Learning Model
JP7292538B1 (ja) * 2022-06-17 2023-06-16 三菱電機株式会社 健全性評価装置、健全性評価方法、および健全性評価プログラム
US11907230B1 (en) * 2023-01-10 2024-02-20 Dell Products L.P. System and method for distributed management of hardware based on intent
US11929891B1 (en) 2023-01-10 2024-03-12 Dell Products L.P. System and method for distributed management of hardware through relationship management
US12009660B1 (en) 2023-07-11 2024-06-11 T-Mobile Usa, Inc. Predicting space, power, and cooling capacity of a facility to optimize energy usage

Family Cites Families (258)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US3026510A (en) 1959-10-02 1962-03-20 Bell Telephone Labor Inc Self timed pcm encoder
DE3816520A1 (de) * 1988-05-14 1989-11-23 Bosch Gmbh Robert Regelverfahren und -vorrichtung, insbesondere lambdaregelung
US5633800A (en) 1992-10-21 1997-05-27 General Electric Company Integrated model-based reasoning/expert system diagnosis for rotating machinery
US5363317A (en) 1992-10-29 1994-11-08 United Technologies Corporation Engine failure monitor for a multi-engine aircraft having partial engine failure and driveshaft failure detection
JP3287889B2 (ja) * 1992-11-24 2002-06-04 トーヨーエイテック株式会社 品質管理装置
US5566092A (en) 1993-12-30 1996-10-15 Caterpillar Inc. Machine fault diagnostics system and method
US5918222A (en) 1995-03-17 1999-06-29 Kabushiki Kaisha Toshiba Information disclosing apparatus and multi-modal information input/output system
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
US6115697A (en) 1999-02-19 2000-09-05 Dynamic Research Group Computerized system and method for optimizing after-tax proceeds
US6625500B1 (en) 1999-03-16 2003-09-23 Chou H. Li Self-optimizing method and machine
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
JP3892614B2 (ja) 1999-04-30 2007-03-14 新日本製鐵株式会社 設備及び製品プロセス異常状態の診断方法及び装置
US6353902B1 (en) * 1999-06-08 2002-03-05 Nortel Networks Limited Network fault prediction and proactive maintenance system
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
US7739096B2 (en) 2000-03-09 2010-06-15 Smartsignal Corporation System for extraction of representative data for training of adaptive process monitoring equipment
US6957172B2 (en) 2000-03-09 2005-10-18 Smartsignal Corporation Complex signal decomposition and modeling
US6775641B2 (en) 2000-03-09 2004-08-10 Smartsignal Corporation Generalized lensing angular similarity operator
US6952662B2 (en) 2000-03-30 2005-10-04 Smartsignal Corporation Signal differentiation system using improved non-linear operator
US6708156B1 (en) 2000-04-17 2004-03-16 Michael Von Gonten, Inc. System and method for projecting market penetration
US20160078695A1 (en) 2000-05-01 2016-03-17 General Electric Company Method and system for managing a fleet of remote assets and/or ascertaining a repair for an asset
US20020059075A1 (en) 2000-05-01 2002-05-16 Schick Louis A. Method and system for managing a land-based vehicle
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
EP1164550B1 (en) 2000-06-16 2008-12-03 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
US6859739B2 (en) 2001-01-19 2005-02-22 Smartsignal Corporation Global state change indicator for empirical modeling in condition based monitoring
US7233886B2 (en) 2001-01-19 2007-06-19 Smartsignal Corporation Adaptive modeling of changed states in predictive condition 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
EP1403437B1 (en) 2001-05-08 2013-12-11 Hitachi Construction Machinery Co., Ltd. Working machine failure diagnosis method and system
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
US7120685B2 (en) * 2001-06-26 2006-10-10 International Business Machines Corporation Method and apparatus for dynamic configurable logging of activities in a distributed computing system
US7457732B2 (en) 2001-08-17 2008-11-25 General Electric Company System and method for measuring quality of baseline modeling techniques
US7428478B2 (en) 2001-08-17 2008-09-23 General Electric Company System and method for improving accuracy of baseline models
US8108249B2 (en) 2001-12-04 2012-01-31 Kimberly-Clark Worldwide, Inc. Business planner
WO2003054704A1 (en) 2001-12-19 2003-07-03 Netuitive Inc. Method and system for analyzing and predicting the behavior of systems
JP2003256367A (ja) 2002-03-06 2003-09-12 Seiko Epson Corp 電子機器のエラーに関する情報提供システムおよび電気機器のエラー実績を管理するサーバ
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
SI1579288T1 (sl) 2002-11-04 2017-10-30 Ge Intelligent Platforms, Inc. Nadzor stanja sistema z uporabo povratnega lokalnega računalnika za strojno učenje
US6823253B2 (en) 2002-11-27 2004-11-23 General Electric Company Methods and apparatus for model predictive control of aircraft gas turbine engines
US8017411B2 (en) * 2002-12-18 2011-09-13 GlobalFoundries, Inc. Dynamic adaptive sampling rate for model prediction
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
GB0307406D0 (en) * 2003-03-31 2003-05-07 British Telecomm Data analysis system and method
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
US7701858B2 (en) 2003-07-17 2010-04-20 Sensicast Systems Method and apparatus for wireless communication in a mesh network
US7181370B2 (en) 2003-08-26 2007-02-20 Siemens Energy & Automation, Inc. System and method for remotely obtaining and managing machine data
DE10345440A1 (de) 2003-09-30 2005-05-12 Siemens Ag Verfahren, Computerprogramm mit Programmcode-Mitteln und Computerprogramm-Produkt zur Analyse von Einflussgrößen auf einen Brennvorgang in einer Brennkammer unter Verwendung eines trainierbaren, statistischen Modells
US7127371B2 (en) 2003-10-08 2006-10-24 Ge Medical Systems Information Customized medical equipment preventative maintenance method and system
US7451210B2 (en) * 2003-11-24 2008-11-11 International Business Machines Corporation Hybrid method for event prediction and system control
EP1698117B1 (en) 2003-12-23 2013-04-17 TELEFONAKTIEBOLAGET LM ERICSSON (publ) Method and system for efficient routing in ad hoc networks
CA2796914C (en) 2004-01-09 2017-08-01 United Parcel Service Of America, Inc. System, method and apparatus for collecting telematics and sensor information in a delivery vehicle
JP5020807B2 (ja) 2004-03-23 2012-09-05 ザ リージェンツ オブ ザ ユニバーシティ オブ カリフォルニア ネットワーク上で収集されるセンサデータの信頼性を高める装置と方法
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
US7729789B2 (en) * 2004-05-04 2010-06-01 Fisher-Rosemount Systems, Inc. Process plant monitoring based on multivariate statistical analysis and on-line process simulation
US7412626B2 (en) 2004-05-21 2008-08-12 Sap Ag Method and system for intelligent and adaptive exception handling
JP2006072717A (ja) * 2004-09-02 2006-03-16 Hitachi Ltd ディスクサブシステム
US7570581B2 (en) * 2004-09-23 2009-08-04 Motorola, Inc. Dynamic reduction of route reconvergence time
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
US20060293777A1 (en) 2005-06-07 2006-12-28 International Business Machines Corporation Automated and adaptive threshold setting
KR101322434B1 (ko) * 2005-07-11 2013-10-28 브룩스 오토메이션 인코퍼레이티드 지능형 상태 감시 및 결함 진단 시스템
US20070174449A1 (en) * 2005-07-22 2007-07-26 Ankur Gupta Method and system for identifying potential adverse network conditions
US7333917B2 (en) * 2005-08-11 2008-02-19 The University Of North Carolina At Chapel Hill Novelty detection systems, methods and computer program products for real-time diagnostics/prognostics in complex physical systems
US7599762B2 (en) 2005-08-24 2009-10-06 Rockwell Automatino Technologies, Inc. Model-based control for crane control and underway replenishment
US7174233B1 (en) * 2005-08-29 2007-02-06 International Business Machines Corporation Quality/reliability system and method in multilevel manufacturing environment
US7509235B2 (en) 2005-08-31 2009-03-24 General Electric Company Method and system for forecasting reliability of assets
US7714735B2 (en) * 2005-09-13 2010-05-11 Daniel Rockwell Monitoring electrical assets for fault and efficiency correction
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
US20070088570A1 (en) 2005-10-18 2007-04-19 Honeywell International, Inc. System and method for predicting device deterioration
US7484132B2 (en) * 2005-10-28 2009-01-27 International Business Machines Corporation Clustering process for software server failure prediction
US7869908B2 (en) 2006-01-20 2011-01-11 General Electric Company Method and system for data collection and analysis
US7680041B2 (en) 2006-01-31 2010-03-16 Zensys A/S Node repair in a mesh network
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
US7647131B1 (en) * 2006-03-09 2010-01-12 Rockwell Automation Technologies, Inc. Dynamic determination of sampling rates
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
US20090146839A1 (en) 2006-05-17 2009-06-11 Tanla Solutions Limited Automated meter reading system and method thereof
US7949436B2 (en) 2006-05-19 2011-05-24 Oracle America, Inc. Method and apparatus for automatically detecting and correcting misalignment of a semiconductor chip
US7558771B2 (en) * 2006-06-07 2009-07-07 Gm Global Technology Operations, Inc. System and method for selection of prediction tools
US20080040244A1 (en) * 2006-08-08 2008-02-14 Logcon Spec Ops, Inc. Tracking and Managing Assets
US20080097945A1 (en) 2006-08-09 2008-04-24 The University Of North Carolina At Chapel Hill Novelty detection systems, methods and computer program products for real-time diagnostics/prognostics in complex physical systems
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
JP2008117129A (ja) 2006-11-02 2008-05-22 Nsk Ltd 異常解析用データ収集装置及びこれを用いた車載制御装置
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
US7661032B2 (en) * 2007-01-06 2010-02-09 International Business Machines Corporation Adjusting sliding window parameters in intelligent event archiving and failure analysis
JP4892367B2 (ja) * 2007-02-02 2012-03-07 株式会社日立システムズ 異常兆候検出システム
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
US7730364B2 (en) 2007-04-05 2010-06-01 International Business Machines Corporation Systems and methods for predictive failure management
US20080255760A1 (en) * 2007-04-16 2008-10-16 Honeywell International, Inc. Forecasting system
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
US7949659B2 (en) * 2007-06-29 2011-05-24 Amazon Technologies, Inc. Recommendation system with multiple integrated recommenders
US7941701B2 (en) 2007-08-03 2011-05-10 Smartsignal Corporation Fuzzy classification approach to fault pattern matching
US8050800B2 (en) 2007-10-21 2011-11-01 Ge Intelligent Platforms, Inc. Method and system for meeting end conditions in a motion control system
US7919940B2 (en) 2007-10-21 2011-04-05 Ge Intelligent Platforms, Inc. System and method for jerk limited trajectory planning for a path planner
US8700550B1 (en) 2007-11-30 2014-04-15 Intellectual Assets Llc Adaptive model training system and method
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
US20090326890A1 (en) 2008-06-30 2009-12-31 Honeywell International Inc. System and method for predicting system events and deterioration
US8285402B2 (en) 2008-07-14 2012-10-09 Ge Intelligent Platforms, Inc. Method and system for safety monitored terminal block
GB0813561D0 (en) * 2008-07-24 2008-09-03 Rolls Royce Plc Developments in or relating to power demand management
US8060274B2 (en) 2008-10-30 2011-11-15 International Business Machines Corporation Location-based vehicle maintenance scheduling
JP5058947B2 (ja) * 2008-11-10 2012-10-24 株式会社日立製作所 端末、プログラム及び在庫管理方法
US8369281B2 (en) * 2008-11-24 2013-02-05 At&T Intellectual Property I, L.P. Cell-to-WiFi switcher
US8289150B2 (en) 2008-12-05 2012-10-16 Industrial Technology Research Institute Wireless sensor network and data sensing method thereof
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
US8224765B2 (en) * 2009-02-05 2012-07-17 Honeywell International Inc. Method for computing the relative likelihood of failures
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
DE102009043091A1 (de) * 2009-09-25 2011-03-31 Wincor Nixdorf International Gmbh Vorrichtung zur Handhabung von Wertscheinen
US9007896B2 (en) * 2009-10-07 2015-04-14 Verizon Patent And Licensing Inc. Congestion control based on call responses
CN102045181B (zh) * 2009-10-10 2013-08-07 中国移动通信集团公司 一种终端脱网故障的处理方法和装置
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
JP5416630B2 (ja) * 2010-03-24 2014-02-12 株式会社日立製作所 移動体異常判断支援システム
CN102859457B (zh) * 2010-04-26 2015-11-25 株式会社日立制作所 时序数据诊断压缩方法
AU2011252963B2 (en) 2010-05-14 2014-07-10 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
US8634314B2 (en) * 2010-07-30 2014-01-21 Cisco Technology, Inc. Reporting statistics on the health of a sensor node in a sensor network
JP5025776B2 (ja) * 2010-09-28 2012-09-12 株式会社東芝 異常診断フィルタ生成装置
US8532795B2 (en) 2010-10-04 2013-09-10 General Electric Company Method and system for offline code validation
JP2012133672A (ja) 2010-12-22 2012-07-12 Mitsubishi Heavy Ind Ltd 溶接構造物の設計最適化装置および設計最適化方法
CN103502899B (zh) 2011-01-26 2016-09-28 谷歌公司 动态预测建模平台
US8825840B2 (en) * 2011-02-22 2014-09-02 Intuit Inc. Systems and methods for self-adjusting logging of log messages
US8682454B2 (en) 2011-02-28 2014-03-25 United Technologies Corporation Method and system for controlling a multivariable system with limits
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
US9256224B2 (en) 2011-07-19 2016-02-09 GE Intelligent Platforms, Inc Method of sequential kernel regression modeling for forecasting and prognostics
DE102011108019A1 (de) * 2011-07-19 2013-01-24 Daimler Ag Verfahren zur Ermittlung einer Qualität einer zur Stickoxidverminderung eingesetzten, Ammoniak enthaltenden Reduktionsmittellösung
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
GB2494416A (en) 2011-09-07 2013-03-13 Rolls Royce Plc Asset Condition Monitoring Using Internal Signals Of The Controller
US9477223B2 (en) 2011-09-14 2016-10-25 General Electric Company Condition monitoring system and method
US9176819B2 (en) 2011-09-23 2015-11-03 Fujitsu Limited Detecting sensor malfunctions using compression analysis of binary decision diagrams
US8560494B1 (en) 2011-09-30 2013-10-15 Palantir Technologies, Inc. Visual data importer
JP2013092954A (ja) * 2011-10-27 2013-05-16 Hitachi Ltd 管理業務支援装置、管理業務支援方法及び管理業務支援システム
US20140164851A1 (en) * 2011-11-04 2014-06-12 Simon Pelly Fault Processing in a System
US8560165B2 (en) * 2012-01-17 2013-10-15 GM Global Technology Operations LLC Co-operative on-board and off-board component and system diagnosis and prognosis
US8825567B2 (en) 2012-02-08 2014-09-02 General Electric Company Fault prediction of monitored assets
US20140309852A1 (en) 2013-04-15 2014-10-16 Flextronics Ap, Llc Automatic vehicle diagnostic detection and communication
US8626385B2 (en) 2012-03-15 2014-01-07 Caterpillar Inc. Systems and methods for analyzing machine performance
KR101728597B1 (ko) * 2012-04-19 2017-04-19 에프. 호프만-라 로슈 아게 혈액 내 분석물 농도를 결정하는 방법 및 디바이스
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
US9063856B2 (en) 2012-05-09 2015-06-23 Infosys Limited Method and system for detecting symptoms and determining an optimal remedy pattern for a faulty device
JP5905771B2 (ja) 2012-05-14 2016-04-20 セコム株式会社 通信障害支援システム
BR112014028599A2 (pt) * 2012-05-18 2017-06-27 Koninklijke Philips Nv sistema médico para monitorar um paciente; método médico para monitorar um paciente; processador programado para realizar o método; e meio não transitório legível por computador
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
US9052209B2 (en) 2012-09-24 2015-06-09 Caterpillar Inc. Location services in mining vehicle operations
WO2014051603A1 (en) * 2012-09-28 2014-04-03 Longsand Limited Predicting failure of a storage device
WO2014054274A1 (ja) * 2012-10-02 2014-04-10 パナソニック株式会社 監視装置及び監視方法
WO2014054051A1 (en) 2012-10-03 2014-04-10 Forbes Marshall Pvt. Ltd. Health monitoring system for a process plant and a method thereof
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
US9647906B2 (en) * 2012-11-02 2017-05-09 Rockwell Automation Technologies, Inc. Cloud based drive monitoring solution
CN104871105B (zh) 2012-11-19 2018-06-22 西门子公司 用于分布式系统的复原优化和控制
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
US20140184643A1 (en) 2012-12-27 2014-07-03 Caterpillar Inc. Augmented Reality Worksite
US8918246B2 (en) 2012-12-27 2014-12-23 Caterpillar Inc. Augmented reality implement control
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
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
CN104021264B (zh) * 2013-02-28 2017-06-20 华为技术有限公司 一种缺陷预测方法及装置
US10909137B2 (en) * 2014-10-06 2021-02-02 Fisher-Rosemount Systems, Inc. Streaming data for analytics in process control systems
WO2014143219A1 (en) 2013-03-13 2014-09-18 Phillips Steven D Engine health monitoring and power allocation control for a turbine engine using electric generators
US9262255B2 (en) * 2013-03-14 2016-02-16 International Business Machines Corporation Multi-stage failure analysis and prediction
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
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
GB2527998B (en) 2013-04-08 2020-08-19 Centega Services Llc Reciprocating machinery monitoring system and method
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
US20140330609A1 (en) 2013-05-01 2014-11-06 International Business Machines Corporation Performance Driven Municipal Asset Needs and Sustainability Analysis
US20140330747A1 (en) 2013-05-01 2014-11-06 International Business Machines Corporation Asset lifecycle management
US8799799B1 (en) 2013-05-07 2014-08-05 Palantir Technologies Inc. Interactive geospatial map
US9438648B2 (en) * 2013-05-09 2016-09-06 Rockwell Automation Technologies, Inc. Industrial data analytics in a cloud platform
WO2014197497A2 (en) 2013-06-03 2014-12-11 The Morey Corporation 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
US11055450B2 (en) * 2013-06-10 2021-07-06 Abb Power Grids Switzerland Ag Industrial asset health model update
US10534361B2 (en) 2013-06-10 2020-01-14 Abb Schweiz Ag Industrial asset health model update
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
US9319905B2 (en) * 2013-08-30 2016-04-19 Google Inc. Re-tasking balloons in a balloon network based on expected failure modes of balloons
US9535774B2 (en) * 2013-09-09 2017-01-03 International Business Machines Corporation Methods, apparatus and system for notification of predictable memory failure
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
US9355010B2 (en) * 2013-10-29 2016-05-31 Seagate Technology Llc Deriving an operational state of a data center using a predictive computer analysis model
JP5530020B1 (ja) * 2013-11-01 2014-06-25 株式会社日立パワーソリューションズ 異常診断システム及び異常診断方法
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
US9753796B2 (en) * 2013-12-06 2017-09-05 Lookout, Inc. Distributed monitoring, evaluation, and response for multiple devices
US20150184549A1 (en) * 2013-12-31 2015-07-02 General Electric Company Methods and systems for enhancing control of power plant generating units
US9774522B2 (en) * 2014-01-06 2017-09-26 Cisco Technology, Inc. Triggering reroutes using early learning machine-based prediction of failures
WO2015112892A1 (en) 2014-01-24 2015-07-30 Telvent Usa Llc Utility resource asset management system
JP6459180B2 (ja) * 2014-02-10 2019-01-30 富士ゼロックス株式会社 障害予測システム、障害予測装置、ジョブ実行装置およびプログラム
EP3111592B1 (en) 2014-02-27 2021-04-28 Intel Corporation Workload optimization, scheduling, and placement for rack-scale architecture computing systems
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
US9734693B2 (en) 2014-07-09 2017-08-15 Mckinley Equipment Corporation Remote equipment monitoring and notification using a server system
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
US9348710B2 (en) * 2014-07-29 2016-05-24 Saudi Arabian Oil Company Proactive failure recovery model for distributed computing using a checkpoint frequency determined by a MTBF threshold
CN104398431B (zh) 2014-11-21 2017-03-29 贵州神奇药物研究院 一种治疗黄褐斑的中药提取物产品及其制备方法
EP3026510B1 (en) 2014-11-26 2022-08-17 General Electric Company Methods and systems for enhancing control of power plant generating units
US9471452B2 (en) * 2014-12-01 2016-10-18 Uptake Technologies, Inc. Adaptive handling of operating data
US9960598B2 (en) 2015-03-03 2018-05-01 General Electric Company Methods and systems for enhancing control of power plant generating units
JP6339951B2 (ja) * 2015-03-04 2018-06-06 株式会社日立製作所 データ収集システム、データ収集方法、サーバ及びゲートウェイ
BR112017024320A2 (pt) 2015-05-15 2018-07-24 Parker-Hannifin Corporation sistema de gerenciamento de integridade de ativos integrados
US10197631B2 (en) 2015-06-01 2019-02-05 Verizon Patent And Licensing Inc. Systems and methods for determining vehicle battery health
US10579750B2 (en) * 2015-06-05 2020-03-03 Uptake Technologies, Inc. Dynamic execution of predictive models
US10254751B2 (en) * 2015-06-05 2019-04-09 Uptake Technologies, Inc. Local analytics at an asset
US10007710B2 (en) * 2015-09-21 2018-06-26 Splunk Inc. Adaptive control of data collection requests sent to external data sources
US10489752B2 (en) 2016-08-26 2019-11-26 General Electric Company Failure mode ranking in an asset management system

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210045476A (ko) * 2018-08-23 2021-04-26 지멘스 악티엔게젤샤프트 인공 지능 컴퓨팅 디바이스, 제어 방법 및 장치, 엔지니어 스테이션, 및 산업 자동화 시스템
KR102124779B1 (ko) * 2018-12-21 2020-06-19 한국수력원자력 주식회사 다중 예측 모델을 이용한 발전소 기동 및 정지에 관한 조기 경보 장치 및 방법
KR20200078866A (ko) * 2018-12-24 2020-07-02 아주대학교산학협력단 데이터 패턴 분석을 이용한 비정상행위 탐지 장치 및 방법

Also Published As

Publication number Publication date
EP3387531A1 (en) 2018-10-17
AU2015355154A1 (en) 2017-07-20
US20170075778A1 (en) 2017-03-16
CA3111567A1 (en) 2020-03-12
AU2016322513A1 (en) 2018-04-12
EP3227784A4 (en) 2018-04-25
CN107408225B (zh) 2020-01-07
HK1244937A1 (zh) 2018-08-17
WO2017048640A1 (en) 2017-03-23
US9471452B2 (en) 2016-10-18
AU2016368298A1 (en) 2018-07-19
US11144378B2 (en) 2021-10-12
KR20170118039A (ko) 2017-10-24
US20160154690A1 (en) 2016-06-02
US10176032B2 (en) 2019-01-08
US9910751B2 (en) 2018-03-06
US20160378585A1 (en) 2016-12-29
SG11201708095WA (en) 2017-11-29
US20170161130A1 (en) 2017-06-08
US20160371616A1 (en) 2016-12-22
HK1244938A1 (zh) 2018-08-17
EP3227784A1 (en) 2017-10-11
EP3227852A4 (en) 2018-05-23
HK1255721A1 (zh) 2019-08-23
US10754721B2 (en) 2020-08-25
SG11201804807VA (en) 2018-07-30
CA2969455A1 (en) 2016-06-09
US20160155098A1 (en) 2016-06-02
US10025653B2 (en) 2018-07-17
US10545845B1 (en) 2020-01-28
CA2998345A1 (en) 2017-03-23
US20160379465A1 (en) 2016-12-29
CN107408225A (zh) 2017-11-28
EP3350978A1 (en) 2018-07-25
KR20170117377A (ko) 2017-10-23
EP3387531A4 (en) 2019-04-24
WO2016089794A1 (en) 2016-06-09
US20160371599A1 (en) 2016-12-22
CA2969452A1 (en) 2016-06-09
WO2017100245A1 (en) 2017-06-15
US20170161659A1 (en) 2017-06-08
US20170161621A1 (en) 2017-06-08
US20190003929A1 (en) 2019-01-03
JP2018500709A (ja) 2018-01-11
US20200278273A9 (en) 2020-09-03
JP2018528693A (ja) 2018-09-27
US9864665B2 (en) 2018-01-09
JP2018500710A (ja) 2018-01-11
US20190087256A1 (en) 2019-03-21
JP2018536941A (ja) 2018-12-13
EP3350978A4 (en) 2019-02-20
CN107408226A (zh) 2017-11-28
US20160153806A1 (en) 2016-06-02
CA3007466A1 (en) 2017-06-15
CA2969455C (en) 2023-06-27
WO2016089792A1 (en) 2016-06-09
SG11201708094XA (en) 2017-11-29
US20160155315A1 (en) 2016-06-02
US10417076B2 (en) 2019-09-17
JP6652247B2 (ja) 2020-02-19
US9842034B2 (en) 2017-12-12
US10261850B2 (en) 2019-04-16
EP3227852A1 (en) 2017-10-11
AU2015355156A1 (en) 2017-07-20

Similar Documents

Publication Publication Date Title
KR20180082606A (ko) 예측 모델에 기반하여 데이터 취득 파라미터들을 변경하기 위한 컴퓨터 구조 및 방법
US11036902B2 (en) Dynamic execution of predictive models and workflows
JP2018524704A (ja) 予測モデルの動的な実行
EP3427200B1 (en) Handling of predictive models based on asset location
US10254751B2 (en) Local analytics at an asset
JP2019527897A (ja) アセットの修理を推奨するコンピュータ・アーキテクチャ及び方法
CA2989806A1 (en) Local analytics at an asset