KR20220062329A

KR20220062329A - 제조 프로세스 위험을 예측하기 위한 시스템 및 방법

Info

Publication number: KR20220062329A
Application number: KR1020227011287A
Authority: KR
Inventors: 릴라 프리들리; 헨릭 올슨; 시나 호스페트라트파카자드
Original assignee: 씨 3.에이아이, 인크.
Priority date: 2019-09-11
Filing date: 2020-09-10
Publication date: 2022-05-16
Also published as: WO2021050790A1; US20220260988A1; CA3154145A1; JP2022548227A; AU2020345874A1; EP4028963A4; CN114730390A; EP4028963A1; MX2022002953A

Abstract

본 개시는 시스템의 서브시스템에서 이상을 예측하고 검출하기 위한 시스템, 방법, 및 컴퓨터 프로그램 제품을 제공한다. 예시적인 방법은 (a) 서브시스템의 동작 성능을 나타내는 제1 복수의 태그를 결정하는 단계를 포함할 수 있다. 태그들은 (i) 서브시스템 내의 복수의 센서 및 (ii) 서브시스템에 있지 않은 시스템 내의 복수의 센서로부터 획득될 수 있다. 방법은 (b) 제1 복수의 태그의 이력 값들에 대해 훈련된 오토인코더를 사용하여 제1 복수의 태그의 측정 값들을 처리하여 제1 복수의 태그의 추정 값들을 생성하는 단계; (c) 측정 값들과 추정 값들 간의 차이가 임계치를 충족시키는지 여부를 결정하는 단계; 및 (d) 차이가 임계치를 충족시키면 서브시스템이 이상을 겪는 것으로 예측됨을 나타내는 경보를 송신하는 단계를 더 포함할 수 있다.

Description

제조 프로세스 위험을 예측하기 위한 시스템 및 방법

상호 참조

본 출원은 2019년 9월 11일자로 출원된 미국 가특허 출원 제62/899,081호에 대한 우선권을 주장하고, 해당 출원은 그 전체가 인용에 의해 본 명세서에 포함된다.

제조업체들은 그들의 운영 자산을 관리하기 위해 스케줄링된 사후 대응적 유지 관리의 프레임워크에 의존할 수 있다. 이는 지연된 생산으로 인한 수익 손실, 계획되지 않은 유지 관리 액션과 연관된 초과 비용, 단축된 자산 수명, 불량한 제품 품질, 및 현장에서의 노출의 증가와 연관된 근로자 안전 위험의 결과를 야기할 수 있다.

본 개시는 프로세싱 파이프라인의 신뢰도를 개선하기 위해 프로세싱 파이프라인의 시스템 또는 서브시스템에서 이상을 예측하고 검출하기 위한 시스템, 방법, 및 컴퓨터 프로그램 제품을 제공한다. 프로세싱 파이프라인은, 예를 들어, 시추 자산, 정제 자산, 및 파이프라인 자산(예를 들어, 펌프, 압축기, 열교환기, 및 밸브)을 포함하는 석유 및 가스 프로세싱 파이프라인일 수 있다. 본 명세서에서 기술된 바와 같은 이상을 예측하고 검출하기 위한 시스템은 하나 이상의 위치에 있는 하나 이상의 컴퓨터에서 구현될 수 있다. 컴퓨터들은, 실행될 때, 컴퓨터들로 하여금 시스템의 서브시스템에서 이상을 예측하게 하는 명령어들을 저장할 수 있다.

시스템은 서브시스템의 동작 성능을 나타내는 제1 복수의 태그를 결정할 수 있다. 제1 복수의 태그는 서브시스템 내의 센서들로부터의 시계열 데이터를 포함할 수 있다. 제1 복수의 태그는, 서브시스템에 없지만 그럼에도 불구하고 서브시스템의 동작 성능을 나타내는 시스템 내의 센서들로부터의 시계열 데이터를 더 포함할 수 있다. 예를 들어, 제1 복수의 태그는, 서브시스템에 입력을 제공하거나, 서브시스템으로부터 출력을 수신하거나, 서브시스템과 달리 상관되는 다른 서브시스템으로부터의 것일 수 있다. 시스템은 하나 이상의 기계 학습 방법을 사용하여 제1 복수의 태그를 식별할 수 있다. 예를 들어, 시스템은 클러스터링 알고리즘을 사용하여 시스템 내의 모든 태그들로부터 제1 복수의 태그를 식별할 수 있다. 제1 복수의 태그를 결정하는 것은 특징 선택 동작으로 간주될 수 있다.

시스템은 오토인코더를 사용하여 제1 복수의 태그의 측정 값들을 처리할 수 있다. 오토인코더는, 측정 값들로부터, 차원 축소 또는 압축된 출력을 생성하도록 구성된 인코더를 가질 수 있다. 오토인코더는 차원 축소 또는 압축된 출력으로부터 제1 복수의 태그의 추정 값들을 생성하도록 구성된 디코더를 추가로 가질 수 있다. 오토인코더는 제1 복수의 태그의 이력 값들에 대해 훈련될 수 있다.

시스템은 오토인코더에 제공된 제1 복수의 태그의 측정 값들과 오토인코더에 의해 생성된 제1 복수의 태그의 추정 값들 간에 차이가 있는지 여부를 결정할 수 있다. 측정 값들과 추정 값들이 동일하거나 유사하다면, 시스템은 서브시스템이 이상을 겪고 있지 않다고 결정할 수 있다. 반면에, 시스템이 측정 값들과 추정 값들 간의 차이가 임계치를 충족시킨다고 결정하면, 시스템은 서브시스템이 이상을 겪고 있다고 결정할 수 있다. 시스템은 시스템이 그러한 이상을 겪고 있음을 나타내는 경보를 송신할 수 있다.

많은 제조 업체가 운영 자산을 관리하기 위해 스케줄링된 또는 사후 대응적 유지 관리에 의존하는 반면, 위에서 기술된 시스템은 수백 내지 수천 개의 센서로부터의 데이터를 사용하여 해당 데이터에서 상관 관계를 식별하는 것에 의해 고장이나 이상이 발생하기 전에 프로세싱 파이프라인에서 정확하게 고장을 예측하고 이상을 검출할 수 있다. 프로세스의 단계들은 매우 상호 의존적일 수 있기 때문에, 본 명세서에서 기술된 시스템에 의해 식별된 상관 관계는 이상을 식별하는 데 유용할 수 있다. 추가로, 시스템은 새로운 고장 이벤트들에 대해 재학습할 수 있는 기계 학습 모델들을 사용하여 시간 경과에 따라 예측 및 검출 정확도를 향상시킬 수 있다. 마지막으로, 시스템은 자산, 시스템 또는 서브시스템 레벨에서 고장을 예측하고 이상을 검출할 수 있고, 이는 사용자들이 프로세싱 파이프라인에 대한 예측 유지 관리를 신속하게 수행하여 안전을 유지하고, 자산 수명을 연장하고, 더 높은 품질의 제품을 생산하고, 비용이 많이 드는 가동 휴지 시간을 피하는 것을 가능하게 할 수 있다.

본 개시는 사용자들, 예를 들어, 운영 관리자들 또는 엔지니어들이, 위에서 기술된 시스템의 출력들을 보고 그와 상호작용하는 것을 가능하게 하는 애플리케이션들 및 사용자 인터페이스들을 추가로 제공할 수 있다. 이 애플리케이션들 및 사용자 인터페이스들은 추가로 사용자들이 프로세싱 파이프라인 내의 자산들을 모니터링하고, 제어하고, 그에 대한 예측 유지 관리를 수행하는 것을 가능하게 할 수 있다.

이들 애플리케이션 및 사용자 인터페이스는 프로세싱 파이프라인에서 예측되거나 검출된 이상에 우선순위를 매기고, 그것을 조사하고, 그에 대응하기 위한 종단간 솔루션을 제공할 수 있다.

일 양태에서, 본 개시는 시스템의 서브시스템에서 이상을 예측하기 위한 방법을 제공한다. 상기 방법은 서브시스템의 동작 성능을 나타내는 제1 복수의 태그를 결정하는 단계를 포함할 수 있다. 상기 제1 복수의 태그의 각 태그는 데이터 시리즈를 포함할 수 있고, 상기 제1 복수의 태그는 (i) 상기 서브시스템 내의 복수의 센서 및 (ii) 상기 서브시스템에 있지 않은 상기 시스템 내의 복수의 센서로부터 획득될 수 있다. 상기 방법은 (1) 상기 제1 복수의 태그의 측정 값들의 압축된 표현을 생성하고 (2) 상기 측정 값들의 압축된 표현을 상기 제1 복수의 태그의 추정 값들로 디코딩함으로써 오토인코더로 상기 측정 값들을 처리하는 단계 ― 상기 오토인코더는 상기 제1 복수의 태그의 이력 값들에 대해 훈련된 것임 ― 를 더 포함할 수 있다. 상기 방법은 상기 측정 값들과 상기 추정 값들 간의 차이가 임계치를 충족시키는지 여부를 결정하는 단계 및 상기 차이가 임계치를 충족시키면 상기 서브시스템이 이상을 겪을 것으로 예측됨을 나타내는 경보를 송신하는 단계를 더 포함할 수 있다.

일부 구현들에서, (a) 비지도 학습 알고리즘을 사용하여, 상기 시스템 내의 센서들로부터의 데이터를 처리하여 복수의 태그 그룹을 생성하는 단계 ― 상기 복수의 태그 그룹은 상기 서브시스템의 동작 성능을 나타내는 상기 제1 복수의 태그를 포함함 ― 를 포함한다. 일부 구현들에서, 상기 제1 복수의 태그의 각 태그는 상기 제1 복수의 태그의 적어도 하나의 다른 태그와 또는 상기 서브시스템의 동작 성능과 상관된다. 일부 구현들에서, 상기 비지도 학습 알고리즘은 클러스터링 알고리즘이다. 상기 클러스터링 알고리즘은 k-평균 클러스터링 알고리즘, 코사인 유사도 알고리즘, 토폴로지 데이터 분석 알고리즘, 또는 노이즈가 있는 애플리케이션의 계층적 밀도 기반 공간 클러스터링(hierarchical density-based spatial clustering of applications with noise, HDB-SCAN)일 수 있다.

일부 구현들에서, (a)는 오프라인으로 수행된다.

일부 구현들에서, 상기 방법은, (c)에 앞서, 상기 측정 값들과 상기 추정 값들 각각에 가중치들을 적용하는 단계를 더 포함한다.

일부 구현들에서, 상기 방법은 상기 시스템의 동작 동안 상기 임계치를 동적으로 조정하는 단계를 더 포함한다.

일부 구현들에서, 상기 방법은 각각의 태그의 측정 값과 각각의 태그의 추정 값 간의 차이가 태그 임계치를 충족시키는지 여부를 결정하는 단계 및 그 차이가 상기 태그 임계치를 충족시키면 경보를 송신하는 단계를 더 포함한다.

일부 구현들에서, 상기 오토인코더는 심층 신경망 또는 1-클래스 서포트 벡터 머신(support vector machine, SVM)이다.

일부 구현들에서, 상기 이력 데이터는 상기 서브시스템에서 고장이 발생하지 않은 기간에 수집된 데이터 시리즈를 포함한다.

일부 구현들에서, 상기 시스템은 복수의 서브시스템을 포함한다.

일부 구현들에서, 상기 제1 복수의 태그의 측정 값들은 미리 결정된 룩백 호라이즌(lookback horizon) 동안 수집된 데이터 시리즈를 포함한다. 일부 구현들에서, 상기 방법은 상기 룩백 호라이즌을 동적으로 조정하는 단계를 더 포함한다.

일부 구현들에서, 상기 방법은 상기 제1 복수의 태그의 측정 값들과 상기 제1 복수의 태그의 추정 값들 간의 차이의 크기에 기초하여 상기 서브시스템에 대한 위험 점수를 생성하는 단계를 더 포함한다.

일부 구현들에서, 상기 경보는 이메일 또는 문자 메시지를 포함한다. 일부 구현들에서, 상기 경보는 모바일 또는 웹 애플리케이션에서의 알림을 포함할 수 있다. 일부 구현들에서, 상기 모바일 또는 웹 애플리케이션은 사용자가 상기 서브시스템에 대한 하나 이상의 수정 액션을 수행하는 것을 가능하게 하도록 구성된다.

일부 구현들에서, 상기 방법은 훈련된 기계 학습 알고리즘을 사용하여 상기 서브시스템에서의 이상을 수정하기 위한 액션을 결정하는 단계를 더 포함한다. 상기 훈련된 기계 학습 알고리즘은 과거 인간이 개시한 액션들 및 상기 서브시스템에 의한 대응하는 응답들에 대해 훈련될 수 있다. 일부 구현들에서, 상기 방법은 태그 측정치에서 관찰된 패턴들을 상기 서브시스템에서의 프로세스들 및 장비에 대한 알려진 고장 메커니즘들과 상관시키기 위한 엔지니어링 원리들에 기초한 규칙 기반 로직을 사용하여 상기 서브시스템에서의 이상을 수정하기 위한 액션을 결정하는 단계를 더 포함한다.

일부 구현들에서, 상기 경보는 이상이 발생할 가능성을 나타내는 수치 위험 점수를 포함한다. 상기 수치 위험 점수는 상기 제1 복수의 태그의 측정 값들과 상기 제1 복수의 태그의 추정 값들 간의 차이의 크기에 적어도 부분적으로 기초할 수 있다. 일부 구현들에서, 상기 경보는 이상이 발생할 가능성을 나타내는 수치 위험 점수를 포함한다. 상기 수치 위험 점수는 상기 차이가 상기 임계치를 얼마만큼 초과하는지에 적어도 부분적으로 기초할 수 있다. 일부 구현들에서, 상기 경보는 상기 경보에 가장 기여한 상기 제1 복수의 태그의 태그들의 목록을 포함한다.

본 개시의 다른 양태는, 하나 이상의 컴퓨터 프로세서에 의해 실행될 때, 상기 또는 본 명세서의 다른 곳에서의 방법들 중 임의의 방법을 구현하는 기계 실행가능 코드를 포함하는 비일시적 컴퓨터 판독가능 매체를 제공한다.

본 개시의 다른 양태는 하나 이상의 컴퓨터 프로세서 및 그것에 결합된 컴퓨터 메모리를 포함하는 시스템을 제공한다. 상기 컴퓨터 메모리는, 상기 하나 이상의 컴퓨터 프로세서에 의해 실행될 때, 상기 또는 본 명세서의 다른 곳에서의 방법들 중 임의의 방법을 구현하는 기계 실행가능 코드를 포함한다.

본 개시의 추가적인 양태들 및 이점들은, 본 개시의 예시적인 실시예들만이 도시되고 기술되는, 다음의 상세한 설명으로부터 본 기술분야의 통상의 기술자들에게 쉽게 명백해질 것이다. 인식하고 있겠지만, 본 개시는 다른 그리고 상이한 실시예들이 가능하고, 그의 여러 세부 사항들은, 모두 본 개시를 벗어나지 않고, 다양한 명백한 점들에서 수정이 가능하다. 따라서, 도면 및 설명은, 제한적인 것으로서가 아니라, 사실상 예시적인 것으로 간주되어야 한다.

인용에 의한 포함

본 명세서에서 언급된 모든 간행물들, 특허들, 및 특허 출원들은 각 개별 간행물, 특허, 또는 특허 출원이 인용에 의해 포함되는 것으로 구체적으로 그리고 개별적으로 명시된 것과 같은 정도로 본 명세서에 인용에 의해 포함된다. 인용에 의해 포함된 간행물들 및 특허들 또는 특허 출원들이 본 명세서에 포함된 개시와 모순되는 한, 본 명세서는 임의의 그러한 모순되는 자료를 대체하고/하거나 그에 우선하는 것으로 의도된다.

본 발명의 신규한 특징들은 첨부된 청구항들에서 구체적으로 제시된다. 본 발명의 원리들이 이용되는, 예시적인 실시예들을 제시하는, 다음의 상세한 설명, 및 첨부 도면들(본 명세서에서 "도면" 및 "도"라고도 함)을 참조하여 본 발명의 특징들 및 이점들에 대한 더 나은 이해가 획득될 것이다.
도 1은 이상을 예측하고 검출하기 위한 시스템을 개략적으로 예시한다.
도 2는 서브시스템 이상을 예측하고, 이상에 대한 경보를 생성하고, 이상에 대한 조사를 추적하는 케이스를 생성하고, 조사 동안 식별된 임의의 고장을 해결하기 위한 작업 주문을 하기 위한 예시적인 프로세스의 흐름도이다.
도 3은 시스템의 서브시스템에서 이상을 예측하기 위한 예시적인 프로세스의 흐름도이다.
도 4 내지 도 18은 사용자들이 경보들을 조사하고 그러한 경보들과 연관된 케이스들 및 작업 주문들을 생성 및 관리하는 것을 가능하게 할 수 있는 애플리케이션의 사용자 인터페이스들을 도시한다.
도 19는 도 4 내지 도 18에 묘사된 애플리케이션에서 프로세싱 파이프라인을 표현하기 위해 사용될 수 있는 모델들을 개략적으로 예시한다.
도 20은 본 명세서에 제공된 방법들을 구현하도록 프로그래밍되거나 달리 구성된 컴퓨터 시스템을 도시한다.

본 발명의 다양한 실시예들이 본 명세서에 도시되고 기술되었지만, 그러한 실시예들은 단지 예로서 제공된다는 것이 본 기술분야의 통상의 기술자들에게 명백할 것이다. 본 발명을 벗어나지 않고 본 기술분야의 통상의 기술자들에게 다양한 변형들, 변경들, 및 치환들이 떠오를 수 있다. 본 명세서에서 기술된 본 발명의 실시예들에 대한 다양한 대안들이 이용될 수 있다는 것을 이해해야 한다.

본 명세서에서 사용되는, 용어 "자산"은 프로세싱 파이프라인 내의 단일 장비(예를 들어, 밸브)를 일반적으로 언급한다.

본 명세서에서 사용되는, 용어 "시스템"은 제조 프로세스에서 화학적 반응 또는 물리적 동작을 수행하는 서브시스템들의 집합체를 일반적으로 언급한다. 시스템들 간의 관계는 선형적일 수 있다.

본 명세서에서 사용되는, 용어 "서브시스템"은 프로세스에서 재료에 대해 발생하는 화학적 반응 또는 물리적 동작을 수행하는 자산들의 집합체 또는 더 작은 서브시스템들의 집합체를 일반적으로 언급한다. 서브시스템들 간의 관계는 선형적 또는 계층적일 수 있다.

본 명세서에서 사용되는, 용어 "플랫폼"은 해저 아래로부터 석유 및 천연 가스를 탐사, 추출, 및 처리하기 위한 대형 해양 구조물을 일반적으로 언급한다.

본 명세서에서 사용되는, 용어 "플랜트"는 산업적 제조 프로세스가 일어나는 시설을 일반적으로 언급한다.

본 명세서에서 사용되는, 용어 "태그"는 자산에 대한 측정(예를 들어, 압력, 온도 또는 유속)과 연관된 개별 데이터 시리즈를 일반적으로 언급한다.

본 명세서에서 사용되는 용어 "클러스터"는 단일 서브시스템과 연관된 상관된 태그 그룹을 일반적으로 언급한다.

"적어도", "~보다 큰", 또는 "~보다 크거나 그와 동등한"이라는 용어가 2개 이상의 일련의 수치 값에서 첫 번째 수치 값 앞에 올 때마다 "적어도", "~보다 큰", 또는 "~보다 크거나 그와 동등한"이라는 용어는 그 일련의 수치 값들에 있는 수치 값들 각각에 적용된다. 예를 들어, 1, 2, 또는 3보다 크거나 그와 동등한은 1보다 크거나 그와 동등한, 2보다 크거나 그와 동등한, 또는 3보다 크거나 그와 동등한 것에 상당한다.

"이하", "보다 작은 ", 또는 "보다 작거나 그와 동등한"이라는 용어가 2개 이상의 일련의 수치 값에서 첫 번째 수치 값 앞에 올 때마다 "이하", "보다 작은 ", 또는 "보다 작거나 그와 동등한"이라는 용어는 그 일련의 수치 값들에 있는 수치 값들 각각에 적용된다. 예를 들어, 3, 2, 또는 1보다 작거나 그와 동등한은 3보다 작거나 그와 동등한, 2보다 작거나 그와 동등한, 또는 1보다 작거나 그와 동등한 것에 상당한다.

본 개시는 프로세싱 파이프라인의 신뢰도를 개선하기 위해 프로세싱 파이프라인의 시스템 또는 서브시스템에서 이상을 예측하고 검출하기 위한 시스템, 방법, 및 컴퓨터 프로그램 제품을 제공한다. 본 명세서에서 기술된 예시적인 시스템은 서브시스템의 동작 성능을 나타내는 제1 복수의 태그를 결정할 수 있다. 제1 복수의 태그는, 서브시스템 내의 센서들 및 서브시스템에 없지만 그럼에도 불구하고 서브시스템의 동작 성능을 나타내는 센서들로부터의 시계열 데이터일 수 있다. 시스템은, 예를 들어, 클러스터링 알고리즘을 사용하여 제1 복수의 태그가 서브시스템의 동작 성능을 나타내는 것을 결정할 수 있다. 태그들을 결정하는 것은 특징 선택 동작(feature-selection operation)으로 간주될 수 있다.

시스템은 오토인코더를 사용하여 제1 복수의 태그의 측정 값들을 처리할 수 있다. 오토인코더는, 측정 값들로부터, 차원 축소 또는 압축된 출력을 생성하도록 구성된 인코더 및 제1 복수의 태그의 추정 값들을 생성하도록 구성된 디코더를 가질 수 있다. 오토인코더는 제1 복수의 태그의 이력 값들에 대해 훈련될 수 있다.

시스템은 오토인코더에 제공된 제1 복수의 태그의 측정 값들과 오토인코더에 의해 생성된 제1 복수의 태그의 추정 값들 간에 차이가 있는지 여부를 결정할 수 있다. 측정 값들과 추정 값들이 동일하거나 유사하다면, 시스템은 서브시스템이 이상을 겪고 있지 않다고 결정할 수 있다. 반면에, 시스템이 측정 값들과 추정 값들 간의 차이가 임계치를 충족시킨다고 결정하면, 시스템은 서브시스템이 이상을 겪고 있다고 결정할 수 있다. 시스템은 애플리케이션(예를 들어, 웹 애플리케이션, 모바일 애플리케이션 또는 전용 소프트웨어 프로그램)을 갖는 하나 이상의 컴퓨팅 디바이스에 시스템이 그러한 이상을 겪고 있음을 나타내는 경보를 송신할 수 있다. 애플리케이션은 사용자, 예를 들어, 엔지니어 또는 운영 관리자가, 경보들을 모니터링 및 조사하고, 경보들에 대한 액션 항목들을 추적하는 케이스들을 생성하고, 경보들의 기초가 되는 오작동들을 해결하기 위한 작업 주문들을 생성하는 것을 가능하게 할 수 있다.

도 1은 이상을 예측하고 검출하기 위한 시스템을 개략적으로 예시한다. 시스템은 프로세싱 파이프라인(100)을 가질 수 있다. 프로세싱 파이프라인(100)은 제조 시설, 예를 들어, 플랜트에 위치할 수 있다. 대안으로, 프로세싱 파이프라인(100)은 도관들에 의해 연결된 상이한 위치들에 있는 자산들 사이에 분산될 수 있다. 프로세싱 파이프라인(100)은 하나 이상의 원료로부터 하나 이상의 제품을 생산하도록 구성될 수 있다. 프로세싱 파이프라인(100)은 배치(batch), 반배치(semi-batch), 또는 연속 프로세스를 구현할 수 있다. 배치 프로세스는 일정한 양의 제품을 생산하는 프로세스일 수 있다. 연속 프로세스는 원료를 지속적으로 소비하면서 무한한 양의 제품을 생산하는 프로세스일 수 있다.

프로세싱 파이프라인(100)은 석유 및 가스 프로세싱 파이프라인일 수 있다. 대안으로, 프로세싱 파이프라인(100)은 화학 또는 재료 합성 파이프라인(예를 들어, 페인트, 비료, 직물, 고무, 강철, 또는 알루미늄의 합성을 위한 파이프라인), 약물 합성 파이프라인, 또는 식품 또는 음료 생산 파이프라인일 수 있다.

프로세싱 파이프라인(100)은 시스템(111)을 가질 수 있다. 시스템(111)은 서브시스템(112) 및 서브시스템(116)을 가질 수 있다. 각 서브시스템은 자산들, 예를 들어, 개별 컴포넌트들 또는 장비들(묘사되지 않음) 및 센서들을 가질 수 있다. 석유 및 가스 프로세싱 파이프라인 내의 시스템의 예는 원유 증류 유닛이다. 원유 증류 유닛은 코커, 수소화 분해기, 촉매 변환기, 수소화 처리기, 개질기, 및 탈황기 서브시스템들을 포함할 수 있고, 각 서브시스템은 자산들을 가질 수 있다. 비록 프로세싱 파이프라인(100)이 단일 시스템만을 갖는 것으로 묘사되어 있지만, 프로세싱 파이프라인(100)은 각각 다수의 서브시스템들을 갖는 다수의 시스템들을 가질 수 있다.

프로세싱 파이프라인(100) 내의 센서들은 시계열 데이터를 생성하는 센서들일 수 있다. 센서들은 온도계, 압력계, 유량계, 가속도계, 자력계 등일 수 있다. 그러한 시계열 데이터에 더하여, 센서들은 메타데이터, 예를 들어, 시스템(111) 또는 서브시스템들(112 및 166) 내의 센서들의 위치들에 관한 데이터를 생성할 수 있다. 센서들은 적어도 약 0.1Hz, 0.2Hz, 0.3Hz, 0.4Hz, 0.5Hz, 1Hz, 5Hz, 10Hz, 100Hz, 1000Hz, 10,000Hz, 100,000Hz, 또는 그 이상의 레이트로 데이터를 수집할 수 있다. 프로세싱 파이프라인(100) 내의 센서들은, 본 개시에서 "태그"라고 지칭되는 시계열 데이터를 이상 예측 및 검출을 구현하는 하나 이상의 컴퓨팅 디바이스에 송신할 수 있다. 비록 프로세싱 파이프라인(100)이 6개의 센서만을 갖는 것으로 묘사되어 있지만, 그것은 수만 개의 센서를 가질 수 있다.

도 1의 시스템은 훈련 서브시스템(120)을 가질 수 있다. 훈련 서브시스템(120)은 이상을 예측하고 검출하도록 기계 학습 모델들을 훈련시키도록 구성될 수 있다.

훈련 서브시스템(120)은 클러스터 모듈(122)을 가질 수 있다. 클러스터 모듈(122)은 프로세싱 파이프라인(100) 내의 서브시스템들의 동작 성능을 나타내는 센서들(113-115 및 117-119)로부터의 태그 그룹을 결정하도록 클러스터링 알고리즘을 훈련시키고 실행하도록 구성될 수 있다. 각 태그 그룹은 특정 서브시스템의 동작 성능과 상관될 수 있다.

클러스터링 알고리즘은 계층적 클러스터링 알고리즘일 수 있다. 계층적 클러스터링 알고리즘은 다른 객체들과의 해당 객체들의 근접성에 기초하여 객체들을 클러스터링하는 클러스터링 알고리즘이다. 예를 들어, 계층적 클러스터링 알고리즘은 다른 센서들 및 관련 서브시스템과의 해당 센서들의 물리적 근접성에 기초하여 프로세싱 파이프라인(100)으로부터의 태그들을 클러스터링할 수 있다. 클러스터링 알고리즘은 대안으로 중심 기반 클러스터링 알고리즘, 예를 들어, k-평균 클러스터링 알고리즘일 수 있다. k-평균 클러스터링 알고리즘은 n개의 관측치를 k개의 클러스터로 분할할 수 있고, 여기서 각 관측치는 최근접 평균을 갖는 클러스터에 속한다. 평균은 클러스터에 대한 프로토타입의 역할을 할 수 있다. 프로세싱 파이프라인(100)으로부터의 태그들의 컨텍스트에서, k-평균 클러스터링 알고리즘은 서로 상관되는 별개의 태그 그룹들을 생성할 수 있다. 그 후, 각 태그 그룹은 해당 서브시스템에 관한 사전 지식, 예를 들어, 서브시스템 내의 센서들에 관한 지식에 기초하여 특정 서브시스템과 연관될 수 있다. 클러스터링 알고리즘은 대안으로 분포 기반 클러스터링 알고리즘, 예를 들어, 가우스 혼합 모델 또는 기댓값 최대화 알고리즘일 수 있다. 클러스터링 모듈(122)이 구현할 수 있는 다른 클러스터링 알고리즘들의 예들은 코사인 유사도 알고리즘, 토폴로지 데이터 분석 알고리즘, 및 노이즈가 있는 애플리케이션의 계층적 밀도 기반 클러스터링(HDB-SCAN)이다.

훈련 서브시스템(120)은 오토인코더 훈련 모듈(124)을 추가로 가질 수 있다. 오토인코더 훈련 모듈(124)은 오토인코더(132)를 훈련시키기 위해 사용될 수 있다. 오토인코더 훈련 모듈(124)은 선택된 서브시스템의 동작 성능을 나타내는 태그들의 이력 값들에 대해 오토인코더(132)를 훈련시킬 수 있다. 이력 태그들은 서브시스템의 정상 동작 동안, 예를 들어, 서브시스템에서 고장이 발생하지 않은 기간에 수집된 태그들일 수 있다. 정상 태그들에 대해 오토인코더(132)를 훈련시키는 것은 오토인코더(132)가 "정상" 특징들을 표현하는 파라미터들을 갖게 되는 결과를 야기할 수 있다. 비록 도 1은 단일 오토인코더만을 묘사하고 있지만, 시스템 내의 각 서브시스템은, 해당 특정 서브시스템의 동작 성능을 나타내는 태그들의 이력 값들에 대해 훈련될 수 있는, 그 자신의 오토인코더를 가질 수 있다.

오토인코더(132)는 프로세싱 파이프라인(100) 내의 특정 서브시스템의 동작 성능을 나타내는 것으로 결정된 제1 복수의 태그의 측정 값들을 인코딩하는 인코더(133)를 가질 수 있다. 오토인코더(132)는 측정 값들을 재구성하려고 시도하는 디코더(134)를 또한 가질 수 있다. 훈련 데이터를 나타내는 측정 값들이 주어지면, 오토인코더(132)는 측정 값들과 유사하거나 동등한 추정 값들을 생성할 수 있다. 그러나, 이상 측정 값들이 주어지면, 오토인코더(132)는 불량한 재구성을 생성할 수 있다.

오토인코더(132)는 신경망일 수 있다. 일반적으로, 신경망은 하나 이상의 입력으로부터 하나 이상의 출력을 예측하기 위해 다수의 동작 계층들을 이용할 수 있다. 신경망은 입력 계층과 출력 계층 사이에 위치한 하나 이상의 은닉 계층을 포함할 수 있다. 각 계층의 출력은 다른 계층, 예를 들어, 다음 은닉 계층 또는 출력 계층에 대한 입력으로 사용될 수 있다. 신경망의 각 계층은 계층에 대한 입력에 대해 수행될 하나 이상의 변환 동작을 특정할 수 있다. 그러한 변환 동작들은 뉴런이라고 지칭될 수 있다. 특정 뉴런의 출력은, 바이어스로 조정되고 활성화 함수, 예를 들어, 정류 선형 유닛(rectified linear unit, ReLU) 또는 시그모이드 함수와 곱해진, 뉴런에 대한 입력들의 가중 합일 수 있다. 신경망을 훈련시키는 것은 훈련되지 않은 신경망에 입력들을 제공하여 예측 출력들을 생성하고, 예측 출력들을 예상 출력들과 비교하고, 예측 출력들과 예상 출력들 간의 차이를 고려하도록 알고리즘의 가중치들 및 바이어스들을 업데이트하는 것을 수반할 수 있다. 구체적으로, 예측 출력들과 예상 출력들 간의 차이를 계산하기 위해 비용 함수가 사용될 수 있다. 망의 가중치들 및 바이어스들에 대한 비용 함수의 도함수를 계산함으로써, 가중치들 및 바이어스들을 다수의 사이클에 걸쳐 반복적으로 조정하여 비용 함수를 최소화할 수 있다. 훈련은 예측 출력들이, 작은 규모의 계산 비용을 획득하는 것과 같은, 수렴 조건을 만족시킬 때 완료될 수 있다.

신경망은 지도 또는 비지도 학습 프로세스들을 사용하여 훈련될 수 있다. 지도 학습에서는, 신경망에 대한 훈련 입력들이 라벨링된다. 즉, 훈련 입력들은 알려진 출력들을 갖는다. 그에 반해, 비지도 학습에서는, 훈련 입력들이 라벨링되지 않는다. 오토인코더 훈련 모듈(124)은 오토인코더(132)를 훈련시키도록 비지도 학습 프로세스를 구현할 수 있고; 오토인코더(132)의 바람직한 출력은 단지 입력이기 때문에 오토인코더(132)에 대한 입력들은 라벨링될 필요가 없다.

오토인코더(132)는 피드포워드 신경망, 즉, 뉴런들 간의 순방향 연결만을 갖는 신경망일 수 있다. 대안으로, 오토인코더(132)는 순환 신경망(recurrent neural network)("RNN")일 수 있다. RNN은 시계열 데이터에서의 종속성을 인코딩할 수 있는 순환 연결들을 가질 수 있다. RNN은 프로세싱 파이프라인(100) 내의 센서로부터 시계열 입력들의 시퀀스, 예를 들어, 시계열 태그를 수신하도록 구성된 입력 계층을 포함할 수 있다. RNN은 상태를 유지하는 하나 이상의 은닉 순환 계층을 또한 포함할 수 있다. 각 시간 스텝에서, 각 은닉 순환 계층은 출력 및 계층에 대한 다음 상태를 계산할 수 있다. 다음 상태는 이전 상태와 현재 입력에 따라 달라질 수 있다. 상태는 시간 스텝들에 걸쳐 유지될 수 있고 입력 시퀀스에서의 종속성을 캡처할 수 있다. 그러한 RNN은 프로세싱 파이프라인(100)의 시계열 특징들을 인코딩하기 위해 사용될 수 있다.

RNN의 일 예는, LSTM 유닛들로 이루어질 수 있는, 장단기 메모리 네트워크(long short-term memory network, LSTM)이다. LSTM 유닛은 셀, 입력 게이트, 출력 게이트 및 망각 게이트로 이루어질 수 있다. 셀은 입력 시퀀스 내의 요소들 간의 종속성을 계속 추적하는 것을 담당할 수 있다. 입력 게이트는 새로운 값이 셀로 유입되는 정도를 제어할 수 있고, 망각 게이트는 값이 셀에 남아 있는 정도를 제어할 수 있고, 출력 게이트는 셀 내의 값이 LSTM 유닛의 출력 활성화를 계산하기 위해 사용되는 정도를 제어할 수 있다. LSTM 게이트의 활성화 함수는 로지스틱 함수일 수 있다.

추론 서브시스템(130)은 훈련된 후의 오토인코더(132)를 구현할 수 있다. 오토인코더(132)에 제공된 제1 복수의 태그의 측정 값들과 오토인코더(132)에 의해 생성된 제1 복수의 태그의 추정 값들 간의 차이가 임계치를 초과하면, 제1 복수의 태그와 연관된 서브시스템에 이상이 있을 수 있다. 그러한 경우에, 시스템은 애플리케이션(140)에 경보를 송신할 수 있고, 이에 대해서는 아래에서 더 상세히 설명될 것이다.

추론 서브시스템(130)은 다른 타입의 기계 학습 모델들을 구현할 수 있다. 예를 들어, 추론 서브시스템(130)은 (i) 이상이 예측 또는 검출되는 임계치를 최적화하거나, (ii) 이상과 연관된 고장 모드들을 예측하거나, (iii) 수정 액션들을 결정하도록 구성된 기계 학습 모델을 구현할 수 있다. 기계 학습 모델들은 지도 학습, 반지도 학습, 비지도 학습, 또는 강화 학습 프로세스를 사용하여 훈련될 수 있다. 그러한 기계 학습 모델들의 예들은 회귀 알고리즘, 의사 결정 트리, 서포트 벡터 머신, 베이지안 망, 신경망(예를 들어, 피드포워드 신경망, CNN, RNN 등), 클러스터링 알고리즘, 강화 학습 알고리즘 등이다.

위에 언급한 바와 같이, 도 1의 시스템은 애플리케이션(140)을 더 포함할 수 있다. 애플리케이션(140)은 모바일 애플리케이션 또는 웹 애플리케이션일 수 있다. 애플리케이션(140)은 임의의 타입의 컴퓨팅 디바이스, 예를 들어, 데스크톱 또는 랩톱 컴퓨터, 전자 태블릿, 모바일 디바이스 등에서 사용될 수 있다. 사용자, 예를 들어, 엔지니어 및 운영 관리자는 애플리케이션(140)을 사용하여 추론 서브시스템(130)에 의해 생성된 경보들 및 예측 고장 모드들을 검토하고, 이상에 대한 조사를 추적하는 케이스들을 생성하고, 경보들의 기초가 되는 임의의 오작동들을 해결하기 위한 작업 주문들을 생성할 수 있다. 애플리케이션(140)은 후속 도면들을 참조하여 더 상세히 설명될 것이다.

도 1의 시스템 및 그것의 컴포넌트들은 하나 이상의 컴퓨팅 디바이스에서 구현될 수 있다. 컴퓨팅 디바이스들은 서버, 데스크톱 또는 랩톱 컴퓨터, 전자 태블릿, 모바일 디바이스 등일 수 있다. 컴퓨팅 디바이스는 하나 이상의 위치에 위치할 수 있다. 컴퓨팅 디바이스들은 범용 프로세서, GPU(graphics processing units), ASIC(application-specific integrated circuits), FPGA(field-programmable gate-arrays) 등을 가질 수 있다. 컴퓨팅 디바이스들은 메모리, 예를 들어, 동적 또는 정적 랜덤 액세스 메모리, 판독 전용 메모리, 플래시 메모리, 하드 드라이브 등을 추가로 가질 수 있다. 메모리는, 실행될 때, 컴퓨팅 디바이스들로 하여금 훈련 서브시스템(120), 추론 서브시스템(130), 또는 애플리케이션(140)의 기능성을 구현하게 하는 명령어들을 저장하도록 구성될 수 있다. 컴퓨팅 디바이스들은 네트워크 통신 디바이스들을 추가로 가질 수 있다. 네트워크 통신 디바이스들은 컴퓨팅 디바이스들이, 네트워크를 통해, 서로 그리고 임의의 수의 사용자 디바이스, 예를 들어, 애플리케이션(140)을 실행하는 사용자 디바이스들과 통신하는 것을 가능하게 할 수 있다. 예를 들어, 추론 엔진(130)은 경보들, 예측 고장 모드들 등을 애플리케이션(140)을 실행하는 사용자 디바이스들에 송신할 수 있다. 네트워크는 유선 또는 무선 네트워크일 수 있다. 예를 들어, 네트워크는 광섬유 네트워크, Ethernet® 네트워크, 위성 네트워크, 셀룰러 네트워크, Wi-Fi® 네트워크, Bluetooth® 네트워크 등일 수 있다. 다른 구현들에서, 컴퓨팅 디바이스들은 인터넷을 통해 액세스 가능한 여러 분산 컴퓨팅 디바이스들일 수 있다. 그러한 컴퓨팅 디바이스들은 클라우드 컴퓨팅 디바이스들로 간주될 수 있다.

도 2는 서브시스템 이상을 예측하고, 이상에 대한 경보를 생성하고, 이상에 대한 조사를 추적하는 케이스를 생성하고, 조사 동안 식별된 임의의 고장을 해결하기 위한 작업 주문을 하기 위한 예시적인 프로세스의 흐름도이다. 이 프로세스는 애플리케이션, 예를 들어, 도 1의 애플리케이션(140)을 사용하는 하나 이상의 사용자 및 하나 이상의 위치에 있는 하나 이상의 컴퓨터의 시스템에 의해 수행될 수 있다.

먼저, 시스템은 서브시스템에서의 이상을 예측하거나 검출할 수 있다(210). 예측은 정성적 예측, 정량적 예측, 또는 둘 다일 수 있다. 정성적 예측은 지정된 기간 내에 이상이 발생할 것이라는 예측일 수 있다. 정량적 예측은 지정된 기간 내에 이상이 발생할 가능성을 나타내는 수치 위험 점수일 수 있다. 예측은 이상과 연관된 하나 이상의 예측 고장 모드를 더 포함할 수 있다. 동작 210은 도 3을 참조하여 더 상세히 설명될 것이다.

다음으로, 시스템은 서브시스템이 이상을 겪고 있거나 겪을 것임을 나타내는 경보를 임의의 수의 사용자 디바이스 상의 애플리케이션에 송신할 수 있다(220). 경보는 영향을 받은 시스템 및 서브시스템을 식별하고, 정성적 또는 정량적 예측, 예측 고장 모드들, 및 예측 또는 검출된 이상에 기여한 태그들을 포함할 수 있다. 경보는 애플리케이션을 사용하는 사용자들에 의한 추가 조사를 위한 베이스의 역할을 할 수 있다.

마지막으로, 애플리케이션을 사용하여, 사용자들은 경보를 분석하고 케이스들 및 작업 주문들을 생성 및 관리하여 이상을 조사하고 해결할 수 있다(230).

일 예에서, 사용자는 권한받은(authorized) 검토자에게 경보를 할당할 수 있다. 검토자는 엔지니어 또는 운영 관리자일 수 있다. 검토자는 예측 고장 모드들에 대한 피드백을 제공할 수 있다. 피드백은 텍스트 코멘트일 수 있다. 대안으로 또는 추가로, 검토자는 예측 고장 모드들을 거부 또는 수락하거나 드롭다운 메뉴로부터 하나 이상의 새로운 고장 모드를 선택할 수 있다. 사용자가 예측 고장 모드들에 대한 피드백을 제공하지 않으면, 애플리케이션은 예측 고장 모드들이 정확하다고 가정할 수 있다. 검토자가 피드백을 제공할 때, 시스템은 경보에 대해 취해진 모든 액션들을 그 후 추적하는 케이스를 자동으로 생성할 수 있다.

케이스들은 경보들과는 별개일 수 있다. 케이스들의 목적은 활동을 추적하고, 사용자들에 걸쳐 조정하고, 협업을 가능하게 하는 것일 수 있다. 케이스들은 경보들과 일대일 또는 일대다 관계를 가질 수 있다. 즉, 일부 경우에는 다수의 관련 경보들이 하나의 케이스로 해결될 수 있다. 케이스들은 다른 사용자들을 태깅하는 것을 통해 그리고 케이스와 연관된 모든 사용자들이 편집하거나 보기 위해 이용 가능한 코멘트들 및 업로드된 파일들을 통해 협업을 가능하게 할 수 있다. 애플리케이션은 사용자들이 케이스에 대해 다음의 액션들을 취하는 것을 가능하게 할 수 있다: (1) 케이스 및 기저 경보를 검토자에게 할당하고, (2) 케이스에 코멘트를 추가하고, (3) 다른 사용자를 태깅하고, (4) 예측 고장 모드들에 대한 피드백을 제공하고, (5) 연관된 작업 주문을 생성하고, (5) 케이스를 닫거나 다시 여는 것.

예측 고장 모드들에 대한 피드백을 제공한 후, 검토자는 애플리케이션 내의 경보 분석 툴을 사용하여 경보를 조사할 수 있고, 이에 대해서는 후속 도면들을 참조하여 더 상세히 설명될 것이다. 간단히 말해서, 검토자는 특정 태그들을 검사하여 경보의 근본 원인, 예를 들어, 컴포넌트 결함을 식별할 수 있다. 검사자는, 케이스 이력의 일부가 될 수 있는, 자신의 발견에 관한 코멘트를 기록할 수 있다. 검토자는, 그의 조사의 결과에 기초하여, 작업 주문을 생성할 수 있다. 작업 주문이 완료될 때, 애플리케이션은 자동으로 경보 및 케이스를 닫을 수 있다.

동작 230 동안 수집된 데이터는 검출된 이상에 대한 적절한 수정 액션을 예측하도록 기계 학습 알고리즘을 훈련시키기 위해 사용될 수 있다. 예를 들어, 특정 예측 이상, 예측 이상을 일으키는 태그들, 사용자에 의해 선택된 대응하는 고장 모드는 지도 기계 학습 알고리즘을 훈련시키기 위한 라벨링된 데이터의 역할을 할 수 있다. 시간 경과에 따라 더 많은 훈련 데이터가 수집되고 알고리즘에 통합됨에 따라, 알고리즘의 성능이 개선될 수 있다.

도 3은 시스템의 서브시스템에서 이상을 예측하기 위한 예시적인 프로세스의 흐름도이다. 도 3의 프로세스는 하나 이상의 위치에 있는 하나 이상의 컴퓨터의 시스템에 의해 수행될 수 있다. 예를 들어, 도 1의 훈련 서브시스템(120) 및 추론 서브시스템(130)이 도 3의 프로세스를 수행할 수 있다.

제1 동작에서, 시스템은 서브시스템의 동작 성능을 나타내는 제1 복수의 태그를 결정할 수 있다(310). 제1 복수의 태그 중의 태그들은 (i) 서브시스템 내의 센서들 및 (ii) 서브시스템에 없지만 그럼에도 불구하고 서브시스템의 동작 성능을 나타내는 시스템 내의 센서들로부터의 시계열 데이터일 수 있다. 예를 들어, 태그들은, 서브시스템에 입력을 제공하거나, 서브시스템으로부터 출력을 수신하거나, 서브시스템과 달리 상관되는 다른 서브시스템으로부터의 것일 수 있다.

시스템은 하나 이상의 기계 학습 알고리즘을 사용하여 서브시스템의 동작 성능을 나타내는 태그들을 결정할 수 있다. 예를 들어, 시스템은 클러스터링 알고리즘, 예를 들어, k-평균 클러스터링 알고리즘을 사용하여 시스템 내의 모든 태그들을 처리하여, 제1 복수의 태그를 포함하는, 별개의 태그 그룹들을 생성할 수 있다. 각 별개의 그룹의 태그들은 서로 또는 선택된 서브시스템의 동작 성능과 상관될 수 있다. 동작 310은 특징 선택 동작으로 간주될 수 있다. 동작 310은 오프라인으로, 즉, 프로세싱 파이프라인에서 시스템을 구현하기 앞서 수행될 수 있다.

제2 동작에서, 시스템은 오토인코더를 사용하여 제1 복수의 태그(즉, 서브시스템의 동작 성능을 나타내는 것으로 결정된 태그들)의 측정 값들을 처리할 수 있다(320). 측정 값들은 미리 결정된 룩백 호라이즌으로 제한될 수 있다. 미리 결정된 룩백 호라이즌은 적어도 약 1초, 2초, 3초, 4초, 5초, 10초, 30초, 1분, 5분, 10분, 30분, 1시간, 5시간, 10시간, 15시간, 20시간, 1일, 5일, 10일, 또는 그 이상일 수 있다. 시스템은 이상 예측 정확도를 최적화하기 위해 룩백 호라이즌을 동적으로 조정할 수 있다. 룩백 호라이즌이 너무 길면, 측정 값이 관계없는 데이터를 포함할 수 있다. 룩백 호라이즌이 너무 짧으면, 측정 값에서 중요한 컨텍스트 정보가 부족할 수 있다. 시스템은 룩백 호라이즌을 최적화하기 위해 본 개시에서 기술된 기계 학습 방법들 중 임의의 것을 사용할 수 있다.

오토인코더는 제1 복수의 태그의 측정 값들의 차원 축소 또는 압축된 출력을 생성하도록 구성된 인코더를 가질 수 있다. 오토인코더는 차원 축소 또는 압축된 출력으로부터 제1 복수의 태그의 추정 값들을 생성하도록 구성된 디코더를 추가로 가질 수 있다. 오토인코더는 심층 신경망, 예를 들어, 피드포워드 신경망, 합성곱 신경망, 순환 신경망 등일 수 있다. 오토인코더는 제1 복수의 태그의 이력 값들에 대해 훈련될 수 있다. 일부 경우에, 이력 값들은 서브시스템의 정상 동작 동안, 예를 들어, 서브시스템이 이상을 겪지 않은 기간에 수집될 수 있다. 정상, 이력 값들에 대해 오토인코더를 훈련시키는 것은 오토인코더가 "정상" 특징들을 표현하는 파라미터들을 갖게 되는 결과를 야기할 수 있다. 훈련에 사용된 이력 값들을 나타내는 측정 값들이 제공되면, 오토인코더는 측정 값들과 유사하거나 동등한 추정 값들을 생성할 수 있다. 그러나, 이상 측정 값들이 제공되면, 오토인코더는 불량한 추정치를 생성할 수 있다.

제3 동작에서, 시스템은 제1 복수의 태그의 측정 값들과 제1 복수의 태그의 추정 값들 간의 차이가 임계치를 충족시키는지 여부를 결정할 수 있다(330). 시스템이 차이가 임계치를 충족시키지 않는다고 결정하면, 이는 서브시스템의 동작 성능이 정상임을, 예를 들어, 서브시스템에 이상을 겪고 있지 않음을, 서브시스템이 정상 파라미터들 내에서 동작하고 있음을, 또는 서브시스템이 품질의 제품을 생산하고 있음을 나타낼 수 있다. 반면에, 시스템이 차이가 임계치를 충족시킨다고 결정하면, 이는 서브시스템에 이상을 겪고 있음을 나타낼 수 있다.

일부 경우에 시스템은 차이가 임계치를 충족시키는지 여부를 결정하기에 앞서 태그들의 측정 값들 및 추정 값들에 가중치들을 적용할 수 있다. 시스템이 그렇게 할 수 있는 것은 일부 태그들이 다른 것들보다 서브시스템의 동작 성능과 더 높이 상관될 수 있기 때문이다. 시스템은 그러한 태그들에, 서브시스템의 동작 성능과 덜 높이 상관되는 태그들보다 더 큰 가중치들을 적용할 수 있다.

시스템은 새로운 데이터가 이용 가능하게 되고 새로운 이상이 발생함에 따라 시스템의 동작 중에 임계치를 동적으로 조정할 수 있다. 예를 들어, 시스템이 사용자에 의해 오탐(false positives)으로 분류된 하나 이상의 이상을 예측하거나 검출하면 시스템은 임계치를 더 낮게 만들 수 있다. 반면에, 시스템이 이상을 예측하거나 검출하지 못하면 시스템은 임계치를 더 높게 만들 수 있다. 시스템은 임계치를 최적화하기 위해 본 명세서에서 기술된 기계 학습 방법들 중 임의의 것을 사용할 수 있다.

제4 동작에서, 시스템은 차이가 임계치를 충족시키면 시스템이 이상을 겪고 있음을 나타내는 경보를 송신할 수 있다(340). 경보는 수치 위험 점수를 더 포함할 수 있다. 수치 위험 점수는 예측 이상의 심각도를 나타낼 수 있다. 수치 위험 점수는 (i) 제1 복수의 태그의 측정 값들과 제1 복수의 태그의 추정 값들 간의 차이의 크기, 또는 (ii) 차이가 임계치를 얼마만큼 초과하는지에 적어도 부분적으로 기초할 수 있다. 경보는 경보에 기여한 태그들의 목록, 각 태그가 얼마만큼 기여했는지, 및 룩백 창에 걸쳐 태그들의 값들을 더 포함할 수 있다. 경보는 경보와 연관된 예측 고장 모드들을 더 포함할 수 있다. 시스템은, 예를 들어, 기계 학습 분류기, 또는 본 명세서에서 기술된 다른 기계 학습 방법들 중 임의의 것을 사용하여 그러한 고장 모드들을 예측할 수 있다.

경보는 이메일 또는 문자 메시지일 수 있다. 대안으로 또는 추가로, 경보는 모바일 또는 웹 애플리케이션, 예를 들어, 도 1의 애플리케이션(140)에서의 알림일 수 있다. 경보는 경보와 연관된 정량적 위험 점수, 위험 임계치, 경보와 연관된 시스템 및 서브시스템, 경보가 발생한 날짜 및 시간을 특정할 수 있다. 후속 도면들에서 더 상세히 기술되는 바와 같이, 애플리케이션은 사용자가 경보에 대한 조사를 수행하는 것을 가능하게 하도록 구성될 수 있다.

일부 경우에, 제1 복수의 태그의 측정 값들과 제1 복수의 태그의 추정 값들 간의 차이가, 전체적으로, 임계치를 충족시키는지 여부를 결정하는 것에 더하여, 시스템은 개별 측정 값들과 추정 값들 간의 차이들이 대응하는 태그들에 대한 개별 임계치들을 충족시키는지 여부를 결정하고, 그렇다면, 이를 나타내는 경보를 송신할 수 있다. 이는 아직 이상을 일으키지 않았을 수 있는 비정상적인 데이터 포인트들에 대해 사용자들에게 경보할 수 있다.

사용자 인터페이스

도 4 내지 도 18은 사용자들이 경보들을 조사하고 그러한 경보들과 연관된 케이스들 및 작업 주문들을 생성 및 관리하는 것을 가능하게 할 수 있는 애플리케이션의 사용자 인터페이스들을 도시한다.

도 4는 애플리케이션의 홈 화면을 도시한다. 홈 화면은 모니터링 중인 프로세싱 파이프라인과 관련된 핵심 성과 지표들("KPI들")을 디스플레이할 수 있다. KPI들은 열린(예를 들어, 해결되지 않은) 경보들의 총수, 계획되지 않은 서브시스템 이벤트들, 유지 관리 예산과 관련된 유지 관리 지출, 및 플랜트 가동 시간을, 모두 선택된 기간에 걸쳐서, 포함할 수 있다. 홈 화면은 열린 경보들의 총수, 계획되지 않은 서브시스템 이벤트들, 및 플랜트 가동 시간을 시간의 함수로 그래프로 디스플레이할 수 있다.

홈 화면은 프로세싱 파이프라인에서 가장 높은 우선순위 경보들을 나타내는 그리드를 추가로 디스플레이할 수 있다. 그리드의 각 행은 상이한 경보들에 대응할 수 있다. 도 1의 추론 서브시스템(130)은 도 3의 프로세스를 수행함으로써 경보들을 생성하고 이를 애플리케이션에 송신할 수 있다. 그리드의 열들은 각 경보의 이름, 원인의 서브시스템, 정성적 위험 점수(예를 들어, 낮음, 중간, 또는 높음), 수치 위험 점수, 생성 날짜 및 시간, 상태(예를 들어, 케이스 생성됨, 열림 등)를 나타낼 수 있다. 수치 위험 점수들은 0 내지 100의 범위에 있을 수 있고, 예를 들어, 100이 이상의 가장 높은 위험을 나타낸다. 수치 위험 점수들은 대응하는 이상의 예측 심각도를 나타내도록 색상으로 구분될 수 있다. 예를 들어, 가장 심각한 이상들은 빨간색 위험 점수들을 가질 수 있는 반면, 덜 심각한 이상들은 노란색 위험 점수들을 가질 수 있다.

홈 화면은 프로세싱 파이프라인에서 가장 많은 경보들을 일으킨 시스템들을 나타내는 누적 막대 차트(stacked bar chart)를 추가로 디스플레이할 수 있다. 각 막대 내의 경보들은 각 정성적 위험 범주(예를 들어, 낮음, 중간, 또는 높음) 내의 막대의 수를 나타내도록 색상으로 구분될 수 있다. 누적 막대 차트는 프로세싱 파이프라인에서 마지막 날, 주, 월, 3개월, 6개월, 1년, 또는 그 이상 동안 가장 많은 경보들을 일으킨 시스템들을 나타내도록 구성할 수 있다.

홈 화면은 프로세싱 파이프라인에서 가장 높은 우선순위 케이스들을 나타내는 그리드를 추가로 디스플레이할 수 있다. 그리드의 각 행은 상이한 케이스에 대응할 수 있다. 애플리케이션 또는 사용자는 경보들에 대한 응답으로 케이스들을 생성할 수 있다. 그리드의 열들은 각 케이스의 이름, 원인의 서브시스템, 우선순위, 상태(예를 들어, 검토 중, 할당됨 등), 피할당인(예를 들어, 케이스를 해결하도록 할당된 사람), 생성 날짜, 및 마지막 활동 날짜를 나타낼 수 있다. 케이스들은 사용자에 의해 우선순위를 할당받을 수 있다. 대안으로, 애플리케이션은 다수의 요인에 기초하여 케이스에 우선순위를 자동으로 할당할 수 있다. 예를 들어, 애플리케이션은 프로세싱 파이프라인에 대한 기저 서브시스템의 중요성, 이상의 심각도, 및 이상을 해결하기 위한 추정 비용 및 시간을 고려할 수 있다.

위에서 기술한 그리드들은 임의의 열에 의해 알파벳순으로 또는 수치순으로 정렬될 수 있다.

홈 화면은 사용자들이 경보 화면, 케이스 화면, 시스템 화면, 분석 화면, 및 설정 화면으로 이동하는 것을 가능하게 할 수 있는 내비게이션 바를 추가로 가질 수 있다.

도 5는 경보 화면을 도시한다. 사용자는 내비게이션 바에서 경보 아이콘을 선택함으로써 경보 화면을 열 수 있다. 경보 화면은 사용자가 프로세싱 파이프라인에서 경보를 검색하고 필터링하는 것을 가능하게 할 수 있다. 사용자는 그 자신의 경보들(예를 들어, 사용자에게 할당된 경보들, 사용자가 협업한 경보들, 또는 사용자가 언급된 경보들), 또는 프로세싱 파이프라인에서의 모든 경보들을 볼 수 있다.

경보 화면은 개요 창을 가질 수 있다. 개요 창은 사용자에 대한 또는 프로세싱 파이프라인에서의 경보들의 총수를 디스플레이할 수 있다. 개요 창은 높음, 중간, 및 낮음 위험 경보의 수를 추가로 디스플레이할 수 있다.

경보 화면은 검색 바를 가질 수 있다. 검색 바는 사용자가 키워드에 의해 경보를 검색하는 것을 가능하게 할 수 있다. 경보 화면은 필터링 창을 또한 가질 수 있다. 필터링 창은 사용자가 키워드 검색의 결과로서 반환된 경보들을 필터링하는 것을 가능하게 할 수 있다. 사용자는 상태(예를 들어, 열림, 케이스 생성됨, 또는 닫힘), 트리거된 날짜, 원인의 시스템 또는 서브시스템, 또는 경보의 정성적 위험 범주에 의해 경보들을 필터링할 수 있다.

경보 화면은 검색 및 필터링 기준을 충족시키는 경보들의 그리드를 디스플레이할 수 있다. 그리드의 각 행은 상이한 경보들에 대응할 수 있다. 그리드의 열들은 각 경보의 이름, 원인의 서브시스템, 정성적 위험 점수(예를 들어, 낮음, 중간, 또는 높음), 수치 위험 점수, 생성 날짜 및 시간, 상태(예를 들어, 케이스 생성됨, 열림 등)를 나타낼 수 있다.

도 6은 경보 상세 화면을 도시한다. 경보 상세 화면은 특정 경보에 관한 보다 상세한 정보를 디스플레이할 수 있다. 경보 상세 화면은 경보의 이름, 그것의 원인의 서브시스템, 그것의 정성적 위험 점수, 그것의 현재 정량적 위험 점수 및 시간 경과에 따른 정량적 위험 점수, 그것이 트리거된 날짜, 및 그것의 상태(예를 들어, 새로운)를 디스플레이하는 개요 창을 가질 수 있다. 개요 창은 사용자에 의해 선택될 때 케이스 또는 작업 주문을 생성하도록 구성된 버튼을 추가로 가질 수 있다.

경보 상세 화면은 경보에 기여하는 태그들의 그리드를 디스플레이할 수 있다. 그리드의 각 행은 상이한 태그에 대응할 수 있다. 그리드의 열들은 각 태그의 이름(예를 들어, 온도, 압력, 진동 등), 각 태그가 경보에 얼마만큼 기여하는지, 및 경보가 발생했을 때 각 태그의 값을 나타낼 수 있다. 사용자는 각 태그를 확장하여 태그와 연관된 데이터 품질 경보 및 임계치 경보를 드러낼 수 있다. 데이터 품질 경보는 태그와 연관된 센서로부터의 데이터가 손실되거나 손상된 것을 나타낼 수 있다. 임계치 경보는 태그와 연관된 센서로부터의 데이터 값들이 임계치를 초과하는 것을 나타낼 수 있다.

경보 상세 화면은 경보와 연관된 가장 일반적인 고장 모드들을 추가로 디스플레이하여 사용자가 경보를 해결하는 데 도움을 줄 수 있다.

도 7은 케이스 화면을 도시한다. 케이스 화면은 사용자가 프로세싱 파이프라인에서 케이스를 검색하고 필터링하는 것을 가능하게 할 수 있다. 케이스들은 조사들의 협업 및 추적 가능성을 지원할 수 있는 반면, 경보들은 단지 알림의 방법일 수 있다는 점에서 케이스들은 경보들과는 별개일 있다. 추가로, 일부 상황에서, 경보들과 케이스들 간에 일대일 대응관계가 없을 수 있다. 예를 들어, 하나의 케이스가 많은 관련 경보들을 해결하기 위해 사용될 수 있다.

케이스 화면은 경보 화면과 형태가 유사할 수 있다. 케이스 화면은 사용자가 프로세싱 파이프라인에서 케이스를 검색하고 필터링하는 것을 가능하게 할 수 있다. 사용자는 그 자신의 케이스(예를 들어, 사용자에게 할당된 케이스들, 사용자가 협업한 케이스들, 또는 사용자가 언급된 케이스들), 또는 프로세싱 파이프라인에서의 모든 케이스들을 볼 수 있다.

케이스 화면은 검색 바를 가질 수 있다. 검색 바는 사용자가 키워드에 의해 케이스를 검색하는 것을 가능하게 할 수 있다. 케이스 화면은 필터링 창을 또한 가질 수 있다. 필터링 창은 사용자가 키워드 검색의 결과로서 반환된 케이스들을 필터링하는 것을 가능하게 할 수 있다. 사용자는 상태(예를 들어, 할당되지 않음, 할당됨, 검토, 닫힘), 생성 날짜, 원인의 시스템 또는 서브시스템, 또는 피할당인에 의해 케이스들을 필터링할 수 있다.

케이스 화면은 검색 및 필터링 기준을 충족시키는 케이스들의 그리드를 디스플레이할 수 있다. 그리드의 각 행은 상이한 케이스에 대응할 수 있다. 그리드의 열들은 각 케이스의 이름, 원인의 서브시스템, 상태, 피할당인, 케이스에 대해 취해진 마지막 활동의 날짜 및 내용(예를 들어, 할당된 케이스, 추가된 코멘트, 업로드된 첨부물, 우선순위 변경 등)을 나타낼 수 있다.

도 8은 케이스 상세 화면을 도시한다. 케이스 상세 화면은 사용자들이 특정 케이스를 처리하기 위한 협업 및 조사 작업 공간을 제공할 수 있다.

케이스 상세 화면은 개요 창을 디스플레이할 수 있다. 개요 창은 케이스의 이름, 케이스와 연관된 시스템 및 서브시스템, 케이스에 대한 마지막 활동의 날짜, 케이스의 우선순위(예를 들어, 케이스가 열릴 때 사용자에 의해 수동으로 정의된 바), 케이스의 상태(예를 들어, 경보 열림, 케이스 생성됨, 작업 주문 생성됨, 작업 주문 완료, 케이스 닫힘), 및 케이스에 대한 협업자들(예를 들어, 케이스 소유자 및 언급된 또는 케이스에 대해 코멘트한 다른 사용자들)을 나타낼 수 있다. 개요 창은 사용자가 케이스에 대한 작업 주문을 생성하거나, 케이스를 닫거나, 케이스의 우선순위를 편집하는 것을 가능하게 하도록 구성된 액션 버튼들을 또한 가질 수 있다.

케이스 상세 화면은 케이스와 연관된 액션들의 그리드를 추가로 디스플레이할 수 있다. 그리드의 각 행은 상이한 액션에 대응할 수 있다. 각 행은 액션을 취한 협업자, 액션의 요약, 첨부물들(예를 들어, 마크업된 개략도, 케이스와 연관된 서브시스템의 사진 등)의 목록, 및 액션이 취해진 시간을 나타낼 수 있다.

케이스 상세 화면은 경보 요약 창을 추가로 디스플레이할 수 있다. 경보 요약 창은 경보에 기여한 상위 3개의 태그, 경보의 결과로서 위험에 처해 있을 수 있는 시스템 또는 서브시스템, 경보가 발생한 날짜, 경보의 정량적 위험 점수, 및 타입의 경보들과 일반적으로 연관된 제안된 고장 모드들의 목록을 나타낼 수 있다. 제안된 고장 모드들의 목록은 사용자가 제안된 고장 모드들을 수락 또는 거부하거나, 제안된 고장 모드들에 대한 피드백을 제공하거나, 드롭다운 목록으로부터 새로운 고장 모드를 추가하는 것을 가능하게 하도록 구성될 수 있다.

도 9는 서브시스템 상세 화면의 서브시스템 분석 탭을 도시한다. 서브시스템 상세 화면은 프로세싱 파이프라인 또는 시설 내의 단일 서브시스템에 집중하는 기능성을 사용자들에 제공할 수 있다. 서브시스템 상세 화면은 시간 경과에 따른 서브시스템의 정량적 위험 점수, 이력 경보들, 케이스들, 및 시스템과 연관된 작업 주문들을 디스플레이할 수 있다.

서브시스템 분석 탭은 서브시스템에 대한 정량적 위험 점수에 기여하는 태그들의 그리드를 디스플레이할 수 있다. 그리드의 각 행은 상이한 태그에 대응할 수 있다. 그리드의 열들은 선택된 기간 동안의 정량적 위험 점수에 대한 각 태그의 최소, 최대, 및 평균 기여도, 및 태그의 가장 최근 측정 값을 나타낼 수 있다.

서브시스템 분석 탭은 시간 경과에 따른 서브시스템의 정량적 위험 점수에 대한 상위 3개의 태그의 기여도를 나타내는 차트를 추가로 디스플레이할 수 있다. 차트에 인접한 필터링 창은 사용자가 차트에 디스플레이되는 태그들을 선택하는 것을 가능하게 할 수 있다. 예를 들어, 사용자는 디스플레이될 태그들 및 그것들을 디스플레이할 기간을 특정할 수 있다.

도 10은 서브시스템 상세 화면의 케이스 탭을 도시한다. 묘사되어 있지는 않지만, 서브시스템 상세 화면은 경보 및 작업 주문 탭들을 추가로 가질 수 있다. 이들 탭은 사용자들이 특정 서브시스템의 케이스들, 경보들, 및 작업 주문들을 검색, 필터링, 및 디스플레이하는 것을 가능하게 할 수 있다. 이들 탭은, 케이스들, 경보들, 및 작업 주문들이 특정 서브시스템으로 제한된다는 점을 제외하고는, 이전 화면들과 유사할 수 있다.

도 11은 서브시스템 상세 화면의 클러스터 탭을 도시한다. 클러스터 탭은, 예를 들어, 도 3을 참조하여 기술된 비지도 클러스터링 방법을 수행함으로써, 서브시스템의 정량적 위험 점수와 관련된 것으로서 시스템에 의해 식별된 태그들을 디스플레이할 수 있다.

도 12는 서브시스템 상세 화면의 서브시스템 다이어그램 탭을 도시한다. 서브시스템 다이어그램 탭은 서브시스템의 다이어그램을 나타낼 수 있다. 다이어그램은 정적일 수 있거나(예를 들어, 이미지), 또는 그것은 동적일 수 있다(예를 들어, 횡단 가능한 링크들을 갖는 대화형 모델).

도 13은 애플리케이션의 시스템 화면을 도시한다. 시스템 화면은 프로세싱 파이프라인 내의 모든 시스템들에 대한 통합된 뷰를 애플리케이션의 사용자들에 제공할 수 있다. 시스템 화면은 각 시스템을 개별 행에 디스플레이하는 그리드를 포함할 수 있다. 그리드의 열들은 각 시스템의 정량적 위험 점수, 각 시스템에 대한 활성 경보의 수, 각 시스템에 대한 열린 케이스의 수, 및 시스템 위치를 나타낼 수 있다.

시스템 화면 내의 요약 창은 경보들을 갖는 시스템 또는 서브시스템의 수를 추가로 나타낼 수 있다.

도 14는 시스템 상세 화면의 서브시스템 탭을 도시한다. 서브시스템 탭은, 각 서브시스템의 (i) 정량적 위험 점수, 활성 경보의 수, 열린 케이스의 수, 서브시스템에 대한 마지막 활동(예를 들어, 경보 생성됨, 케이스 열림, 경보 닫힘, 케이스 닫힘, 작업 주문 생성됨 등)을 포함하여, 시스템 내의 서브시스템들에 관한 보다 상세한 정보를 나타낼 수 있다.

도 15는 시스템 상세 화면의 서브시스템 경보 탭을 도시한다. 서브시스템 경보 탭은 시스템의 다양한 서브시스템들에서의 경보들에 관한 보다 상세한 정보를 나타낼 수 있다.

도 16은 시스템 상세 화면의 서브시스템 케이스 탭을 도시한다. 서브시스템 케이스 탭은 시스템의 다양한 서브시스템들과 연관된 케이스들에 관한 보다 상세한 정보를 나타낼 수 있다.

도 17은 시스템 상세 화면의 작업 주문 탭을 도시한다. 작업 주문 탭은 시스템의 다양한 서브시스템들과 연관된 작업 주문들에 관한 보다 상세한 정보를 나타낼 수 있다.

도 18은 애플리케이션의 데이터 분석 화면을 도시한다. 데이터 분석 화면은 애플리케이션 인스턴스의 범위 내의 임의의 메트릭 또는 시간, 예를 들어, 태그, 서브시스템 정량적 위험 점수, 시스템 정량적 위험 점수 등을 표시하는 기능성을 사용자들에 제공할 수 있다.

도 19는 애플리케이션에서 프로세싱 파이프라인을 표현하기 위해 사용될 수 있는 모델들을 개략적으로 예시한다. 모델들은 다양한 재료, 자산, 프로세스, 데이터 등의 추상적 표현들일 수 있다. 모델들은 계층적 방식으로 배열될 수 있다. 예를 들어, 제조 프로세스를 표현하기 위해 다수의 프로세스 단계 모델들이 직렬로 또는 병렬로 배열될 수 있다. 다른 예로서, 자산 모델들을 함께 결합하여 서브시스템을 표현할 수 있고, 서브시스템 모델들을 함께 결합하여 시스템을 표현할 수 있다. 재료 및 데이터 모델들은 프로세스 단계들 또는 제조 프로세스 모델들의 입력들 및 출력들을 각각 표현할 수 있다.

모델들은 필드들 및 함수들에 의해 정의될 수 있다. 필드들 및 함수들의 값들은 모델들이 표현하는 특정 재료, 자산, 프로세스, 및 데이터를 특정할 수 있다.

컴퓨터 시스템

본 개시는 본 개시의 방법들을 구현하도록 프로그래밍된 컴퓨터 시스템을 제공한다. 도 20은 도 1의 시스템을 구현하도록 프로그래밍되거나 달리 구성된 컴퓨터 시스템(2001)을 도시한다. 컴퓨터 시스템(2001)은 사용자의 전자 디바이스이거나 전자 디바이스에 대해 원격으로 위치한 컴퓨터 시스템일 수 있다. 전자 디바이스는 모바일 전자 디바이스일 수 있다.

컴퓨터 시스템(2001)은, 단일 코어 또는 다중 코어 프로세서, 또는 병렬 처리를 위한 복수의 프로세서일 수 있는, 중앙 처리 유닛(CPU, 본 명세서에서 "프로세서" 및 "컴퓨터 프로세서"라고도 함)(2005)을 포함한다. 컴퓨터 시스템(2001)은 메모리 또는 메모리 위치(2010)(예를 들어, 랜덤 액세스 메모리, 판독 전용 메모리, 플래시 메모리), 전자 저장 유닛(2015)(예를 들어, 하드 디스크), 하나 이상의 다른 시스템과의 통신을 위한 통신 인터페이스(2020)(예를 들어, 네트워크 어댑터), 및 캐시, 다른 메모리, 데이터 저장 및/또는 전자 디스플레이 어댑터들과 같은, 주변 디바이스들(2025)을 또한 포함한다. 메모리(2010), 저장 유닛(2015), 인터페이스(2020) 및 주변 디바이스들(2025)은 마더보드와 같은 통신 버스(실선)를 통해 CPU(2005)와 통신한다. 저장 유닛(2015)은 데이터를 저장하기 위한 데이터 저장 유닛(또는 데이터 저장소)일 수 있다. 컴퓨터 시스템(2001)은 통신 인터페이스(2020)의 도움으로 컴퓨터 네트워크("네트워크")(2030)에 동작 가능하게 결합될 수 있다. 네트워크(2030)는 인터넷, 인트라넷 및/또는 엑스트라넷, 또는 인터넷과 통신하는 인트라넷 및/또는 엑스트라넷일 수 있다. 네트워크(2030)는 일부 경우에 통신 및/또는 데이터 네트워크이다. 네트워크(2030)는, 클라우드 컴퓨팅과 같은 분산 컴퓨팅을 가능하게 할 수 있는, 하나 이상의 컴퓨터 서버를 포함할 수 있다. 네트워크(2030)는 일부 경우에 컴퓨터 시스템(2001)의 도움으로 피어-투-피어 네트워크를 구현할 수 있고, 이는 컴퓨터 시스템(2001)에 결합된 디바이스들이 클라이언트 또는 서버로서 거동하는 것을 가능하게 할 수 있다.

CPU(2005)는, 프로그램 또는 소프트웨어로 구현될 수 있는, 기계 판독가능 명령어들의 시퀀스를 실행할 수 있다. 명령어들은 메모리(2010)와 같은 메모리 위치에 저장될 수 있다. 명령어들은 CPU(2005)로 보내질 수 있고, CPU(2005)는 후속하여 본 개시의 방법들을 구현하도록 CPU(2005)를 프로그래밍하거나 달리 구성할 수 있다. CPU(2005)에 의해 수행되는 동작들의 예들은 페치(fetch), 디코드(decode), 실행(execute), 및 라이트백(writeback)을 포함할 수 있다.

CPU(2005)는 집적 회로와 같은 회로의 일부일 수 있다. 시스템(2001)의 하나 이상의 다른 컴포넌트가 회로에 포함될 수 있다. 일부 경우에, 회로는 ASIC(application specific integrated circuit)이다.

저장 유닛(2015)은, 드라이버, 라이브러리, 저장된 프로그램과 같은, 파일들을 저장할 수 있다. 저장 유닛(2015)은 사용자 데이터, 예를 들어, 사용자가 선호하는 것들 및 사용자 프로그램들을 저장할 수 있다. 컴퓨터 시스템(2001)은 일부 경우에, 인트라넷 또는 인터넷을 통해 컴퓨터 시스템(2001)과 통신하는 원격 서버에 위치하는 것과 같은, 컴퓨터 시스템(2001) 외부에 있는 하나 이상의 추가 데이터 저장 유닛을 포함할 수 있다.

컴퓨터 시스템(2001)은 네트워크(2030)를 통해 하나 이상의 원격 컴퓨터 시스템과 통신할 수 있다. 예를 들어, 컴퓨터 시스템(2001)은 사용자의 원격 컴퓨터 시스템(예를 들어, 도 1의 애플리케이션(140)을 실행하는 사용자 디바이스)과 통신할 수 있다. 원격 컴퓨터 시스템들의 예들은 개인용 컴퓨터(예를 들어, 휴대용 PC), 슬레이트 또는 태블릿 PC(예를 들어, Apple® iPad, Samsung® Galaxy Tab), 전화기, 스마트폰(예를 들어, Apple® iPhone, Android 지원 디바이스, Blackberry®) 또는 개인 휴대 정보 단말기를 포함할 수 있다. 사용자는 네트워크(2030)를 통해 컴퓨터 시스템(2001)에 액세스할 수 있다.

본 명세서에서 기술된 방법들은, 컴퓨터 시스템(2001)의 전자 저장 위치에, 예를 들어, 메모리(2010) 또는 전자 저장 유닛(2015)에 저장된 기계(예를 들어, 컴퓨터 프로세서) 실행가능 코드를 통해 구현될 수 있다. 기계 실행가능 또는 기계 판독가능 코드는 소프트웨어의 형태로 제공될 수 있다. 사용 중에, 코드는 프로세서(2005)에 의해 실행될 수 있다. 일부 경우에, 코드는 저장 유닛(2015)으로부터 검색될 수 있고 프로세서(2005)에 의한 즉각적인 액세스를 위해 메모리(2010)에 저장될 수 있다. 일부 상황에서, 전자 저장 유닛(2015)은 제외될 수 있고, 기계 실행가능 명령어들은 메모리(2010)에 저장된다.

코드는 코드를 실행하도록 적응된 프로세서를 갖는 기계와 함께 사용하기 위해 미리 컴파일되고 구성될 수 있거나, 또는 그것은 런타임 중에 컴파일될 수 있다. 코드는 코드가 미리 컴파일된 또는 컴파일된 방식으로 실행되는 것을 가능하게 하도록 선택될 수 있는 프로그래밍 언어로 제공될 수 있다.

컴퓨터 시스템(2001)과 같은, 본 명세서에 제공된 시스템들 및 방법들의 양태들은 프로그래밍으로 구현될 수 있다. 기술의 다양한 양태들은 전형적으로 소정 타입의 기계 판독가능 매체에 실리거나 구현되는 기계(또는 프로세서) 실행가능 코드 및/또는 관련 데이터 형태의 "제품들" 또는 "제조물들"로 간주될 수 있다. 기계 실행가능 코드는 메모리(예를 들어, 판독 전용 메모리, 랜덤 액세스 메모리, 플래시 메모리) 또는 하드 디스크와 같은 전자 저장 유닛에 저장할 수 있다. "저장" 타입 매체들은 컴퓨터들, 프로세서들 등, 또는 그와 관련된 모듈들의 임의의 또는 모든 유형적(tangible) 메모리, 예컨대 다양한 반도체 메모리, 테이프 드라이브, 디스크 드라이브 등을 포함할 수 있고, 이들은 언제라도 소프트웨어 프로그래밍을 위한 비일시적 저장을 제공할 수 있다. 소프트웨어의 전부 또는 일부는 때때로 인터넷 또는 다양한 다른 통신 네트워크들을 통해 통신될 수 있다. 그러한 통신은, 예를 들어, 하나의 컴퓨터 또는 프로세서로부터 다른 컴퓨터 또는 프로세서로, 예를 들어, 관리 서버 또는 호스트 컴퓨터로부터 애플리케이션 서버의 컴퓨터 플랫폼으로 소프트웨어의 로딩을 가능하게 할 수 있다. 따라서, 소프트웨어 요소들을 실을 수 있는 다른 타입의 매체들은 유선 및 광 지상 통신선 네트워크들을 통해 그리고 다양한 공중 링크들을 통해, 로컬 디바이스들 간의 물리적 인터페이스들에 걸쳐 사용되는 것과 같은, 광, 전기 및 전자기파들을 포함한다. 유선 또는 무선 링크들, 광 링크들 등과 같은, 그러한 파들을 실어 나르는 물리적 요소들도 소프트웨어를 실은 매체들로 간주될 수 있다. 비일시적 유형적 "저장" 매체로 제한되지 않는 한, 본 명세서에 사용되는, 컴퓨터 또는 기계 "판독가능 매체"와 같은 용어들은 실행을 위해 프로세서에 명령어들을 제공하는 데 참여하는 임의의 매체를 언급한다.

따라서, 컴퓨터 실행가능 코드와 같은 기계 판독가능 매체는 유형적 저장 매체, 반송파 매체 또는 물리적 송신 매체를 포함하지만 이에 제한되지 않는 많은 형태를 취할 수 있다. 비휘발성 저장 매체들은, 예를 들어, 도면들에 도시된 데이터베이스 등을 구현하기 위해 사용될 수 있는 것과 같은, 임의의 컴퓨터(들) 등 내의 임의의 저장 디바이스들과 같은, 광 또는 자기 디스크들을 포함한다. 휘발성 저장 매체들은 그러한 컴퓨터 플랫폼의 메인 메모리와 같은 동적 메모리를 포함한다. 유형적 송신 매체들은 동축 케이블들; 컴퓨터 시스템 내의 버스를 포함하는 와이어들을 포함하는, 구리 와이어 및 광섬유를 포함한다. 반송파 송신 매체들은 전기 또는 전자기 신호, 또는 무선 주파수(RF) 및 적외선(IR) 데이터 통신 중에 생성된 것들과 같은 음향 또는 광파의 형태를 취할 수 있다. 따라서 일반적인 형태의 컴퓨터 판독가능 매체들은 예를 들어: 플로피 디스크, 플렉서블 디스크, 하드 디스크, 자기 테이프, 임의의 다른 자기 매체, CD-ROM, DVD 또는 DVD-ROM, 임의의 다른 광 매체, 펀치 카드 용지 테이프, 홀의 패턴들을 갖는 임의의 다른 물리적 저장 매체, RAM, ROM, PROM 및 EPROM, FLASH-EPROM, 임의의 다른 메모리 칩 또는 카트리지, 데이터 또는 명령어들을 전송하는 반송파, 그러한 반송파를 전송하는 케이블들 또는 링크들, 또는 컴퓨터가 프로그래밍 코드 및/또는 데이터를 판독할 수 있는 임의의 다른 매체를 포함한다. 이들 형태의 컴퓨터 판독가능 매체들 중 다수는 실행을 위해 프로세서에 하나 이상의 명령어의 하나 이상의 시퀀스를 운반하는 데 관련될 수 있다.

컴퓨터 시스템(2001)은, 예를 들어, 도 4 내지 도 18을 참조하여 기술된 애플리케이션을 제공하기 위한 사용자 인터페이스(UI)(2040)를 포함하는 전자 디스플레이(2035)를 포함하거나 이와 통신할 수 있다. UI의 예들은, 이에 제한되는 것은 아니지만, 그래픽 사용자 인터페이스(GUI) 및 웹 기반 사용자 인터페이스를 포함한다.

본 개시의 방법들 및 시스템들은 하나 이상의 알고리즘을 통해 구현될 수 있다. 알고리즘은 중앙 처리 유닛(2005)에 의해 실행될 때 소프트웨어를 통해 구현될 수 있다. 알고리즘은, 예를 들어, 시스템의 서브시스템에서 이상을 예측하기 위한 도 3의 프로세스를 구현하는 알고리즘일 수 있다.

본 발명의 바람직한 실시예들이 본 명세서에 도시되고 기술되었지만, 그러한 실시예들은 단지 예로서 제공된다는 것이 본 기술분야의 통상의 기술자들에게 명백할 것이다. 본 발명은 본 명세서 내에 제공된 특정 예들에 의해 제한되는 것으로 의도되지 않는다. 본 발명은 위에 언급된 명세서를 참조하여 기술되었지만, 본 명세서의 실시예들에 대한 설명들 및 예시들은 제한적인 의미로 해석되도록 의도되어 있지 않다. 본 발명을 벗어나지 않고 본 기술분야의 통상의 기술자들에게 다양한 변형들, 변경들, 및 치환들이 이제 떠오를 수 있다. 또한, 본 발명의 모든 양태들은 다양한 조건들 및 변수들에 의존하는 본 명세서에 제시된 특정 묘사들, 구성들 또는 상대적 비율들에 제한되지 않는다는 것을 이해해야 한다. 본 명세서에서 기술된 본 발명의 실시예들에 대한 다양한 대안들이 본 발명을 실시하는 데 이용될 수 있다는 것을 이해해야 한다. 따라서, 본 발명은 임의의 그러한 대안들, 수정들, 변형들 또는 등가물들도 포함해야 한다는 것이 고려된다. 다음의 청구항들은 본 발명의 범위를 정의하고 이들 청구항 및 이들의 등가물들의 범위 내의 방법들 및 구조들이 그에 의해 커버되도록 의도된다.

Claims

시스템의 서브시스템에서 이상(anomaly)을 예측하기 위한 방법으로서,
(a) 상기 서브시스템의 동작 성능을 나타내는 제1 복수의 태그를 결정하는 단계 ― 상기 제1 복수의 태그의 각 태그는 데이터 시리즈를 포함하고, 상기 제1 복수의 태그는 (i) 상기 서브시스템 내의 복수의 센서 및 (ii) 상기 서브시스템에 있지 않은 상기 시스템 내의 복수의 센서로부터 획득됨 ―;
(b) (1) 상기 제1 복수의 태그의 측정 값들의 압축된 표현을 생성하고 (2) 상기 측정 값들의 압축된 표현을 상기 제1 복수의 태그의 추정 값들로 디코딩함으로써 오토인코더로 상기 측정 값들을 처리하는 단계 ― 상기 오토인코더는 상기 제1 복수의 태그의 이력 값들에 대해 훈련된 것임 ―;
(c) 상기 측정 값들과 상기 추정 값들 간의 차이가 임계치를 충족시키는지 여부를 결정하는 단계; 및
(d) 상기 차이가 상기 임계치를 충족시키면 상기 서브시스템이 이상을 겪는 것으로 예측됨을 나타내는 경보를 송신하는 단계
를 포함하는, 방법.
제1항에 있어서, (a)는 비지도 학습 알고리즘(unsupervised learning algorithm)을 사용하여, 상기 시스템 내의 센서들로부터의 데이터를 처리하여 복수의 태그 그룹을 생성하는 단계를 포함하고, 상기 복수의 태그 그룹은 상기 서브시스템의 동작 성능을 나타내는 상기 제1 복수의 태그를 포함하는, 방법.
제2항에 있어서, 상기 제1 복수의 태그의 각 태그는, 상기 제1 복수의 태그 중의 적어도 하나의 다른 태그와 또는 상기 서브시스템의 동작 성능과 상관되는, 방법.
제2항에 있어서, 상기 비지도 학습 알고리즘은 클러스터링 알고리즘인, 방법.
제4항에 있어서, 상기 클러스터링 알고리즘은 k-평균 클러스터링 알고리즘, 코사인 유사도 알고리즘, 토폴로지 데이터 분석 알고리즘, 또는 노이즈가 있는 애플리케이션의 계층적 밀도 기반 공간 클러스터링(hierarchical density-based spatial clustering of applications with noise, HDB-SCAN)인, 방법.
제1항에 있어서, (a)는 오프라인으로 수행되는, 방법.
제1항에 있어서, (c)에 앞서, 상기 측정 값들과 상기 추정 값들 각각에 가중치들을 적용하는 단계를 더 포함하는, 방법.
제1항에 있어서, 상기 시스템의 동작 동안 상기 임계치를 동적으로 조정하는 단계를 더 포함하는, 방법.
제1항에 있어서, 각각의 태그의 측정 값과 상기 각각의 태그의 추정 값 간의 차이가 태그 임계치를 충족시키는지 여부를 결정하는 단계 및 상기 차이가 상기 태그 임계치를 충족시키면 경보를 송신하는 단계를 더 포함하는, 방법.
제1항에 있어서, 상기 오토인코더는 심층 신경망 또는 서포트 벡터 머신(SVM, support vector machine)인, 방법.
제1항에 있어서, 상기 이력 데이터는 상기 서브시스템에서 고장이 발생하지 않은 기간에 수집된 데이터 시리즈를 포함하는, 방법.
제1항에 있어서, 상기 시스템은 복수의 서브시스템을 포함하는, 방법.
제1항에 있어서, 상기 제1 복수의 태그의 측정 값들은 미리 결정된 룩백 호라이즌(lookback horizon) 동안 수집된 데이터 시리즈를 포함하는, 방법.
제13항에 있어서, 상기 룩백 호라이즌을 동적으로 조정하는 단계를 더 포함하는, 방법.
제1항에 있어서, 상기 제1 복수의 태그의 측정 값들과 상기 제1 복수의 태그의 추정 값들 간의 차이의 크기에 기초하여 상기 서브시스템에 대한 위험 점수를 생성하는 단계를 더 포함하는, 방법.
제1항에 있어서, 상기 경보는 이메일 또는 문자 메시지를 포함하는, 방법.
제1항에 있어서, 상기 경보는 모바일 또는 웹 애플리케이션에서의 알림을 포함하는, 방법.
제17항에 있어서, 상기 모바일 또는 웹 애플리케이션은 사용자가 상기 서브시스템에 대한 하나 이상의 수정 액션을 수행하는 것을 가능하게 하도록 구성되는, 방법.
제1항에 있어서, 훈련된 기계 학습 알고리즘을 사용하여 상기 서브시스템에서의 이상을 수정하기 위한 액션을 결정하는 단계를 더 포함하고, 상기 훈련된 기계 학습 알고리즘은 과거 인간이 개시한 액션들 및 상기 서브시스템에 의한 대응하는 응답들에 대해 훈련된 것인, 방법.
제1항에 있어서, 태그 측정치에서 관찰된 패턴들을 상기 서브시스템에서의 프로세스들 및 장비에 대한 알려진 고장 메커니즘들과 상관시키기 위한 엔지니어링 원리들에 기초한 규칙 기반 로직을 사용하여 상기 서브시스템에서의 이상을 수정하기 위한 액션을 결정하는 단계를 더 포함하는, 방법.
제1항에 있어서, 상기 경보는 이상이 발생할 가능성을 나타내는 수치 위험 점수를 포함하고, 상기 수치 위험 점수는 상기 제1 복수의 태그의 측정 값들과 상기 제1 복수의 태그의 추정 값들 간의 차이의 크기에 적어도 부분적으로 기초하는, 방법.
제1항에 있어서, 상기 경보는 이상이 발생할 가능성을 나타내는 수치 위험 점수를 포함하고, 상기 수치 위험 점수는 상기 차이가 상기 임계치를 얼마만큼 초과하는지에 적어도 부분적으로 기초하는, 방법.
제1항에 있어서, 상기 경보는 상기 경보에 가장 기여한 상기 제1 복수의 태그의 태그들의 목록을 포함하는, 방법.
하나 이상의 컴퓨터 및 명령어들을 저장한 하나 이상의 저장 디바이스를 포함하는 시스템으로서, 상기 명령어들은, 상기 하나 이상의 컴퓨터에 의해 실행될 때, 상기 하나 이상의 컴퓨터로 하여금:
(a) 시스템의 서브시스템의 동작 성능을 나타내는 제1 복수의 태그를 결정하는 동작 ― 상기 제1 복수의 태그의 각 태그는 데이터 시리즈를 포함하고, 상기 제1 복수의 태그는 (i) 상기 서브시스템 내의 복수의 센서 및 (ii) 상기 서브시스템에 있지 않은 상기 시스템 내의 복수의 센서로부터 획득됨 ―;
(b) (1) 상기 제1 복수의 태그의 측정 값들의 압축된 표현을 생성하고 (2) 상기 측정 값들의 압축된 표현을 상기 제1 복수의 태그의 추정 값들로 디코딩함으로써 오토인코더로 상기 측정 값들을 처리하는 동작 ― 상기 오토인코더는 상기 제1 복수의 태그의 이력 값들에 대해 훈련된 것임 ―;
(c) 상기 측정 값들과 상기 추정 값들 간의 차이가 임계치를 충족시키는지 여부를 결정하는 동작; 및
(d) 상기 차이가 상기 임계치를 충족시키면 상기 서브시스템이 이상을 겪는 것으로 예측됨을 나타내는 경보를 송신하는 동작
을 포함하는 동작들을 수행하게 하도록 동작가능한, 시스템.
명령어들을 저장한 하나 이상의 비일시적 컴퓨터 저장 매체로서, 상기 명령어들은, 상기 하나 이상의 컴퓨터에 의해 실행될 때, 상기 하나 이상의 컴퓨터로 하여금:
(a) 시스템의 서브시스템의 동작 성능을 나타내는 제1 복수의 태그를 결정하는 동작 ― 상기 제1 복수의 태그의 각 태그는 데이터 시리즈를 포함하고, 상기 제1 복수의 태그는 (i) 상기 서브시스템 내의 복수의 센서 및 (ii) 상기 서브시스템에 있지 않은 상기 시스템 내의 복수의 센서로부터 획득됨 ―;
(b) (1) 상기 제1 복수의 태그의 측정 값들의 압축된 표현을 생성하고 (2) 상기 측정 값들의 압축된 표현을 상기 제1 복수의 태그의 추정 값들로 디코딩함으로써 오토인코더로 상기 측정 값들을 처리하는 동작 ― 상기 오토인코더는 상기 제1 복수의 태그의 이력 값들에 대해 훈련된 것임 ―;
(c) 상기 측정 값들과 상기 추정 값들 간의 차이가 임계치를 충족시키는지 여부를 결정하는 동작; 및
(d) 상기 차이가 상기 임계치를 충족시키면 상기 서브시스템이 이상을 겪는 것으로 예측됨을 나타내는 경보를 송신하는 동작
을 포함하는 동작들을 수행하게 하도록 동작가능한, 하나 이상의 비일시적 컴퓨터 저장 매체.