TW201824022A - 用於監督本機分析之系統及方法 - Google Patents
用於監督本機分析之系統及方法 Download PDFInfo
- Publication number
- TW201824022A TW201824022A TW106138762A TW106138762A TW201824022A TW 201824022 A TW201824022 A TW 201824022A TW 106138762 A TW106138762 A TW 106138762A TW 106138762 A TW106138762 A TW 106138762A TW 201824022 A TW201824022 A TW 201824022A
- Authority
- TW
- Taiwan
- Prior art keywords
- model
- local analysis
- sensor
- processor
- response
- Prior art date
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
-
- 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
- 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
- G08B21/02—Alarms for ensuring the safety of persons
- G08B21/12—Alarms for ensuring the safety of persons responsive to undesired emission of substances, e.g. pollution alarms
- G08B21/16—Combustible gas alarms
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B29/00—Checking or monitoring of signalling or alarm systems; Prevention or correction of operating errors, e.g. preventing unauthorised operation
- G08B29/18—Prevention or correction of operating errors
- G08B29/185—Signal analysis techniques for reducing or preventing false alarms or for enhancing the reliability of the system
- G08B29/188—Data fusion; cooperative systems, e.g. voting among different detectors
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Analysis (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Algebra (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Automation & Control Theory (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Operations Research (AREA)
- Databases & Information Systems (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- General Health & Medical Sciences (AREA)
- Computer Security & Cryptography (AREA)
- Toxicology (AREA)
- Environmental & Geological Engineering (AREA)
- Emergency Management (AREA)
- Combustion & Propulsion (AREA)
- Business, Economics & Management (AREA)
- Chemical & Material Sciences (AREA)
- Emergency Alarm Devices (AREA)
- Alarm Systems (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
揭示用於動態最佳化用於感測器資料分析之模型之系統及方法。藉由下列而基於一分析判定來採取一動作:使用基於該分析所採取之動作而系統地改變該分析模型之參數,以判定特定模型參數的命中、未命中、假警報、及正確拒絕之相對頻率。基於信號偵測理論分析及各命中、未命中、假警報、或正確拒絕之值或成本而選擇用於本機分析之該等模型參數。
Description
隨著「物聯網」成長,愈來愈多裝置具有嵌入於其中之感測器及處理能力。雖然此可提供智慧操作(警報進階準則、在裝置中之部件損耗之指示器等),然而這些嵌入式分析經常更新緩慢,此部分歸因於模型之預程式化及基於預運算模型之分析方法及參數。模型經常基於第一原理或「大數據」驅動之歷史資料彙總;這些做法之任一者將含有歸因於假設的不精準,且在彙總資料之情況中,歸因於存在第三變數及方向性問題。這些模型做法亦受限於其等辨識誤差及自我校正之能力,此係歸因於缺乏實驗控制及使用彙總被動收集之資料。再者,當這些模型之誤差應用於昂貴的資本設備時(舉例而言,診斷噴射引擎或油挖掘設備之維護需要、電網故障)或當應用於安全問題時(諸如使用遠端感測器以指導關於進入諸如甲烷洩漏場所潛在危險場所的決策),這些模型之誤差會變得代價高昂或風險性愈來愈高。
進一步,這些模型不會頻繁更新,經常僅在新產品世代時進行更新,並且傾向於對於裝置係一般性;雖然一些大型安裝可包括對特定操作狀況或環境的量身製作,但是在含有本機分析的許多其 他裝置上,沒有足夠之更新及調適該等分析模組的延展性,包括選擇模型及調諧模型參數兩者。使程序自動化可提供針對特定背景脈絡或部署來調諧本機分析的一更可延展方式。
信號偵測理論係用於分析對特定信號之回應之有效性的一架構,其已使用在空中交通控制器評估、醫療、及鑑識科學中。該架構基於是否採取一動作,及需要該動作的狀況是否確實存在而將結果分解成4種類別。該等類別係命中(hit)(其中採取一動作且狀況存在)、未命中(miss)(其中不採取動作,但是狀況存在)、假警報(false alarm)(其中採取動作但是狀況不存在)、及正確拒絕(correct rejection)(其中不採取動作且狀況不存在)。該四個結果皆互相關;舉例而言,針對一給定組感測器特性(即,D'(d-prime))調整決策準則以提高命中率必然亦增加假警報之發生率。自該四個結果之分布,信號偵測理論允許可針對該等感測器之敏感度及回應準則之準確度兩者運算分開且獨立之值,允許最佳化各元件。然而,此最佳化需要使對信號之回應的這兩個樣態分開,使得隔離及最佳化該等回應準則係可行的;在無控制影響這些度量之混擾(包括當無法已知或控制一度量時該等度量對彼此之影響)之能力的情況中透過分析歷史資料而達成縱非不可能也是很困難的。
公用天然氣事業經常必須在以下情況使用一手持甲烷偵測器監測一臨界點,同時巡視整個場所直到位準達到一不安全位準:例如當一緊急應變人員造訪場所時、淨空場所時、及檢測場所時,或當公用事業人員必須監測有蓋的井口時、或監測低位準洩漏以確保不 惡化時。電力設施必須定位及表徵其等電網上的故障,且回應於該等故障。在公用天然氣事業之緊急回應實例中,一般接著由遠端切斷氣體,並且由緊急應變人員之未受協助之人為判斷來判定何時檢查一場所。萬一緊急應變人員太早返回至一場所,則會使緊急應變人員曝露於爆炸風險,將依據信號偵測理論而當作一「假警報」,當促使動作的事件(即,其氣體位準已下降至危險位準以下)實際上未發生時其採取動作。然而,應變人員等待時間愈長,該場所暫時停止服務時間愈長,包括使工業場所閒置或禁止住民進入其住家;此依據信號偵測理論而當作一「未命中」,其無法辨識何時應採取一動作。遠端感測器可提供一些額外情境情報以支援緊急應變人員,但是在結構內的氣體之行為及其與返回至洩漏場所之總體安全的關係不明確,需要分析工具評估多個感測器之輸出以提供能付諸行動的建議,其將增加命中及正確拒絕之分率,維護應變人員安全,同時提供洩漏場所之及時清空。
用於藉由下列來連續更新及改進由本機分析所提供之決策支援之方法:根據用於本機分析裝置之特定模型將產出適當比率之命中、未命中、假警報及正確拒絕之可能性、基於彼等結果之各者之成本或益處,選擇該模型及/或模型參數;回應於起因於由該等本機分析裝置所應用之該等模型的動作觸發,分類該回應之該等結果,在某些情況中,透過參照針對其他本機分析裝置的其他共軛模型選擇以判定未命中及正確拒絕;及更新用於選擇模型參數的模型及結果之一資料庫。
用於更新及改進本機分析準則之系統,其包含:一處理器,其經組態以判定用於分析之一模型;一回應資產,其可藉由來自一本機分析單元之通訊而啟動;及用於分析之模型及其等所得結果之一資料庫;以及一本機分析單元,其包含至少一模型記憶體、一或多個感測器、及一處理器,該處理器經組態以使用在該模型記憶體中之該模型及該一或多個感測器之輸出來判定一動作觸發之發生。
100‧‧‧步驟
102‧‧‧步驟
104‧‧‧步驟
106‧‧‧步驟
108‧‧‧步驟
110‧‧‧步驟
112‧‧‧步驟
200‧‧‧步驟
202‧‧‧步驟
204‧‧‧步驟
206‧‧‧步驟
208‧‧‧步驟
210‧‧‧步驟
300‧‧‧本端分析單元;本端分析裝置
302‧‧‧感測器
304‧‧‧本端分析處理器
306‧‧‧模型記憶體
308‧‧‧模型判定處理器
310‧‧‧感測器回應及結果資料庫
312‧‧‧動作回應單元;動作回應
314‧‧‧判定及登錄單元;判定及登錄
400‧‧‧監測中場所;洩漏場所
402‧‧‧感測器
404‧‧‧臨限值比較處理器
406‧‧‧臨限值判定處理器
408‧‧‧感測器回應及結果資料庫
410‧‧‧第二感測器
圖1係應用於更新本機分析之本發明之一實例方法的程序流程圖。
圖2係具體地關於調整在遠端氣體監測系統中之臨限值之本發明之一實例方法的程序流程圖。
圖3係本機分析模組之一實例系統的系統圖。
圖4係遠端氣體感測器之一實例系統的系統圖。
在一裝置上之一本機處理器處的之分析評估感測器資料,或對上載至雲端之感測器資料作用之分析評估感測器資料,經常觸發另一事件,該另一事件可藉由引入超出由該分析所解譯之感測器資料的額外資源而確認或反駁分析判定之準確度。此允許藉由提供一回饋廻圈而在裝置內及跨裝置兩者隨時間而自我校正及調適本機分析判定,透過該回饋廻圈,該本機分析判定可評估其準確度。舉例而言,一裝置可在某些效能臨限值及/或運行時間臨限值觸發維護警示, 或遠端感測器可觸發對一狀況之一回應,諸如指示一天然氣體洩漏場所現在安全以造訪及重新檢查;在所有這些情況中,所使用之該分析模型有時會具有假警報或未命中,其可係代價高昂的或甚至危險的。
本機分析裝置係具有嵌入式感測器、處理器、及通訊之裝置,其可用以判定在該裝置處之狀況且回應於該等狀況,包括內部裝置狀況及在該裝置處或附近之事件兩者。此可包括指示需要維護之運行時間或部件損耗之測量、提供內部之狀態變化之資訊之遠端感測器應用(例如,提供持續監測一洩漏場所之一組遠端甲烷感測器)。由該等本機分析裝置所觸發之回應或動作可係來自與該本機分析裝置通訊之外部行動者或裝置(即,執行維護或進行一資產造訪及檢測一受監測洩漏場所)或可由該裝置本身予以執行,舉例而言,基於本機判定之功率因子(功率因子係基於在該裝置處或裝置附近之電壓及電流測量),一電容器組自動化切換為開啟。
本機分析裝置使用一處理器藉由使用一模型以連結該等感測器輸出與特定事件及動作觸發而解譯該等感測器輸出(即,當一值指示需要維護或更換時,或當有可能地一氣體洩漏已停止時,或若該洩漏已變成更嚴重時),以識別且回應於需要回應之特定狀況或事件之發生。該等模型可包括舉例而言用於某些感測器讀數(諸如一運行時間,在該運行時間後待執行一維護)之臨限值,其可係基於感測器讀數之間之關係,諸如來自多個氣體感測器之讀數之間之差異,及用以基於若干範圍來判定洩漏場所之狀態變化的比較,諸如具有特定功率品質範圍,在該等特定功率品質範圍內,一電容器將自關閉切換至 開啟或反之亦然,或用於基於該等感測器輸出及模型參數之事件偵測或動作觸發的其他功能。模型參數包括用以解譯該等感測器結果及值之功能,諸如在該等解譯中所使用之特定臨限值及之範圍。
在圖1中繪示一種用於動態調整一本機裝置之分析準則之方法。該方法開始於在步驟100更新用於本機分析之雜訊分布及信號加雜訊分布,且在步驟102選擇一本機分析裝置或一組裝置。在步驟104基於模型及使用該等模型所觸發之所得動作結果之一資料庫,判定用於評估在該所選擇裝置或該所選擇組裝置處的感測器輸出之一模型。在步驟106提供該所判定模型至該本機分析裝置,且在步驟108,使用該所判定模型以評估在該裝置處之傳入感測器資料,包括當滿足包括在該模型中之一動作觸發時起始一回應。在步驟108中之該動作觸發之該滿足驅動在步驟110所採取之該動作,其亦包括判定是否該動作觸發提供一命中、一未命中、一假警報或一正確拒絕。接著,在步驟112,在步驟110所擷取之此結果新增至模型及動作觸發結果之一資料庫,在步驟104之稍後反覆中,該資料庫可使用在用於本機分析之模型後續判定中。
在步驟100基於結果資料來更新雜訊分布及信號加雜訊分布,且雜訊分布及信號加雜訊分布可用以運算用於β最佳之一當前值。β最佳指示根據信號偵測理論之所欲決策準則,其造成命中(其中成功偵測且回應於一狀況)、未命中(其中一狀況存在但是未偵測到)、假警報(其中觸發一回應,但是狀況實際上不存在)、及正確拒絕(其中狀況不存在,且未觸發回應)之給定該等結果之間之關係之 一最佳分布。可由指派至各結果之一值及該等感測器之一敏感度值(在信號偵測理論中,其稱為D')來運算β最佳。D'可不僅考量該等感測器本身之精準度,而且考量該等感測器之一特定組態之敏感度或置放該等感測器所遵循之一部署協定。在一本機分析裝置中所使用的一給定組感測器之D'值可為已知,及經由一使用者介面輸入或自一記憶體擷取該已知值,以供在該β最佳值之運算中使用。β最佳值可對一個別本機分析裝置係特有的或對於具有相似感測特性、操作背景脈絡及/或各結果之值或推論之一類別的本機分析裝置係一般性。可根據信號偵測理論,基於各結果之相對值及有關先前結果分布之資料來運算β最佳,舉例而言藉由;藉由運算假警報及正確拒絕之數目除以結果之總數目來判定該雜訊分布p(N);藉由運算1-p(N)來判定該信號加雜訊分布p(SN);及藉由p(N)除以p(SN)及將該值乘以(V(CR)-C(FA))/(V(H)-C(M))來運算β最佳,其中V(CR)係一正確拒絕之值、C(FA)係一假警報之成本、V(H)係一命中之值、及C(M)係一未命中之成本。當產生結果之額外資料,可跨此方法之反覆重新計算β最佳,且可隨著關於結果之值及成本的資料隨時間變化而更新β最佳。
藉由識別該等本機分析裝置之一或多者(為此待判定在執行本機分析中所使用之模型)來執行在步驟102選擇一或多個本機分析裝置。此選擇可係基於該本機分析裝置之部署(即,在一氣體洩漏場所處置放遠端甲烷感測器)、在一或多個本機分析裝置處完成的該方法之一先前反覆(即,當繼依據一先前模型而基於本機分析之一請求後一裝置正在接受維護時)、或基於一排程。
在步驟104執行判定用於評估在一裝置處之感測器輸出的一模型。該模型係藉由自一組模型選擇一模型予以判定。該等模型係用於基於感測器輸入(諸如可由在步驟102所選擇之一本機分析裝置處之一處理器執行的演算法、公式、運算或統計模型)來判定一場所或裝置之狀況之方法。自其選擇待使用之模型的該組模型皆經引導朝向作出相同場所或裝置狀況之判定,舉例而言識別何時一裝置需要維護或何時已具有甲烷洩漏之一場所已經歷相對於氣體濃度的一狀態變化。該等模型之方法(舉例而言,使用純運行時間以判定維護需要,或需要關鍵效能度量變化之一定臨限值位準,以判定維護需要)及/或參數(舉例而言,各模型使用不同權重或比例因子、延遲週期、或臨限值)可不同。自此方法之先前反覆,使各模型與一組結果(命中、未命中、正確拒絕及假警報)相關聯。該組結果被用以運算一D'值,該D'值表徵模型之敏感度且基於樣本大小(即,經登錄結果之總數目)來建置關於β值之信賴區間。可基於該D'值、信賴區間、及信賴區間彼此重疊來執行模型選擇,以在模型之中選擇最可能具有最高敏感度者。可舉例而言透過運算各模型將具有D'之最高值的一可能性來完成此選擇。由該運算之最高D'可能性,基於經受約束隨機化來選擇該模型,其中依據一模型具有最高D'之可能性來判定選擇該模型之機率。舉例而言,基於信賴區間之重疊,若模型1具有最高D'之可能性係70%、模型2具有最高D'之可能性係20%、模型3具有最高D'之可能性係0%、且模型4具有最高D'之可能性係10%,則該隨機化將經加權以符合使得有70%機會選擇模型1、有20%機會選擇模型 2、有0%機會選擇模型3、及有10%機會選擇模型4,如針對感測器部署所判定之臨限值。
在一些實施例中,在步驟106指派至該本機分析裝置之該模型亦可與一或多個共軛控制配對,以進一步增強連結模型與特定結果之能力(在尚未做出回應的情境中),提供正確拒絕及未命中判定,其需要運算ROC曲線及執行信號偵測分析。可藉由判定在本機分析模型之部署之間之隨機等效性及使本機分析模型之兩個或更多個隨機等效部署彼此相關聯而使共軛控制彼此相關聯。藉由確保可行結果之機率之間的顯著(若不完全)重疊,在共軛控制之間之隨機等效性以無偏差方式實現結果之群體(group means)之判定。此機率重疊係基於指派本機分析模型至本機分析裝置(接著,該等模型可共軛在一起)的情境之相似性及結果可能機率分布。可舉例而言藉由考慮所有待等效之本機分析裝置之一特定模型或類別、考慮用於該本機分析裝置之特定部署協定(即,根據特定規則或啟發性教學,在一氣體洩漏場所置放烷甲感測器)、或舉例而言基於針對本機分析裝置之特定部署基於該等裝置之特性所運算的相似性評分(舉例而言,對於測量油泵損耗,在所泵送油中之黏滯性及微粒物質之存在可用以運算哪些泵可充分等效用於配對為共軛控制),來判定隨機等效性。一旦判定,這些關聯可儲存在一資料庫中,舉例而言如作為每指派一本機分析模型至一本機分析裝置所隨附的一欄位。
在步驟106執行提供一模型至一或多個本機分析裝置。藉由諸如乙太網路協定、WIFI通訊(例如,802.11標準)、藍牙技 術、ZIGBEE產品、或其他此類通訊等有線或無線通訊,將在步驟104所判定之模型提供至本機分析裝置,使該模型之資料能夠傳達至該或該等本機分析裝置。當由該或該等本機分析裝置接收該模型時,該模型可儲存在一記憶體中、待由一處理器予以使用以判定何時在該或該等本機分析裝置處之感測器讀數已滿足在該模型中之動作觸發。
在步驟108當發生該模型發現滿足一動作觸發時發生起始一回應。在該本機分析裝置處之一處理器接收在該本機分析裝置或附近之感測器之輸出且使用在步驟104所判定且在步驟106提供至該裝置之該模型,且當該等感測器輸出滿足在該模型中設定之觸發時,藉由採取由在該模型中之該觸發所定義之動作而起始該回應。回應之此起始可傳達一請求或狀態變化(即,指示在一洩漏場所的一狀況變化且請求人員檢查該場所),或在一些實施例中,回應之此起始可起始一自動化動作,諸如在該本機分析裝置內發送一信號以驅動一電容器組自一關閉狀態切換至一開啟狀態或反之亦然。
在步驟110發生採取該觸發動作及記錄一結果。在其中步驟108之起始係一通訊之實施例中,藉由採取由該通訊所請求之動作來執行步驟110,舉例而言,調度一維護組員至該本機分析裝置且執行維護、或在指示一狀態變化之一通訊之後造訪一氣體洩漏場所以調查。在這些實施例中,在回應於該通訊期間測量該本機分析裝置判定之結果,舉例而言,人員執行是否需要該維護的維護記錄。這些判定被紀錄且在步驟112予以使用以判定在程序之此反覆中該模型在基於感測器輸出而觸發該回應時是否產生一命中、一未命中、一正確拒 絕及/或一假警報。在步驟108之該起始係起始一自動化動作之實施例中,藉由完成特定動作(諸如完成一電容器組之實體狀態切換)來執行步驟110。在這些實施例中,可使用在該本機分析裝置外的感測器以判定一命中、未命中、假警報或正確拒絕之發生,舉例而言對於一電容器組開關,該電容器組之切換後,判定是否功率因子已移動而更靠近或更遠離一(unity)。
在一些實施例中,在步驟110之結果判定期間或之後,可藉由參考與在步驟106期間之該模型相關聯之一或多個共軛試驗之結果,判定未命中及正確拒絕之判定。藉由識別是否該等相關聯之共軛試驗係用於該動作觸發之較高或較低標準而作出此判定。可藉由比較用於該共軛試驗模型之觸發動作回應速率與用於該模型之觸發動作回應速率來判定是否該標準係較高或較低,其中一較高動作回應速率指示一較低標準,且一較低動作回應速率指示一較高標準。
當由該動作回應所判定之結果係一「命中」時,若具有一較低標準之一共軛試驗亦產出一命中,則該結果判定可變化為一「未命中」,此係因為根據提供一命中的含有一較低標準之該共軛試驗,該狀況可能夠被偵測且提早回應。當一較低標準共軛試驗產出一假警報時,一「命中」保持一「命中」。在由該動作回應所判定之結果係一「命中」的情況中,及含有一較低標準之一共軛試驗產出一「假警報」,該結果判定可額外標示一「正確拒絕」。在一些實例中,外部資料(outside data)亦可用以輔助未命中及正確拒絕之判定。舉例而言,若一事件發生(且透過與執行此實例方法之一系統介接的另一系 統偵測及登錄此事件,或經由一使用者介面鍵入此意外事件)而且該本機分析單元尚未偵測到該事件且觸發一回應,則該資料可用以定義被指派之本機分析模型之表現為一「未命中」。
在步驟112執行更新模型及動作觸發結果之資料庫。一旦判定該模型之一命中、未命中、假警報或正確拒絕之結果,則該結果新增至該資料庫,新增該結果至在步驟104所選擇之該模型的一組結果且進一步微調當在本機分析裝置應用該模型時命中、未命中、假警報及正確拒絕之相對頻率的瞭解。接著,在此方法之後續反覆中,在步驟104,可參考經更新資料庫以供判定模型參數及/或選擇用於一本機分析裝置之一模型。
在圖2繪示一種關於調整在遠端氣體感測器中之回應準則之特定實例方法。在此實例中,複數個感測器針對諸如甲烷等氣體而留在一洩漏場所,並且評估來自該多個感測器之讀數以基於場所安全之一高可能性來判定何時可重新檢查該場所。在此實例方法中,在步驟200運算用於判定洩漏場所狀況之β最佳。在步驟202部署感測器以監測一場所狀況,且在步驟204判定用於該等感測器之一臨限值;取決於該狀況及操作背景脈絡,這些步驟可係按所呈現之順序,或可並行或按相反順序,其中在感測器部署之前判定臨限值。一旦判定該臨限值且部署該等感測器至一場所,該等感測器監測該場所,且在此監測期間,在步驟206觸發該臨限值。一旦符合該臨限值,在步驟208重新評估該場所且在該重新評估中,判定是否該臨限值之該觸發係一命中、未命中、假警報或正確拒絕。接著,在步驟210,將在 步驟208所判定之結果新增至臨限值及回應結果之一資料庫,在此方法之稍後反覆中,可在根據步驟204後續臨限值判定中使用該資料庫。
在步驟200運算該氣體感測模型之雜訊分布及信號加雜訊分布。在返回至一氣體洩漏場所之背景脈絡中,除了有關一特定結果之相對成本及/或益處的資料(舉例而言,對於返回至仍然有危險氣體位準之一場所的一大成本、對用於錯失更快速返回至一場所且清空該場所之一機會的一小成本、及正確識別目前不合適返回至一場所且敏捷地識別何時可重新進入且清空一場所之益處)外,亦可自這些分布運算β最佳。該成本及/或益處資料可係由使用者判定或自其他資料導出,諸如財務或風險模型。如上文在步驟100所描述使用各結果之值運算β最佳,且可針對此程序之各者反覆運算β最佳。
在步驟202執行部署感測器至一地點。根據一部署協定來部署一或多個遠端氣體感測器單元(舉例而言,甲烷感測器)至該洩漏地點,至根據該協定之最大可能程度及與可觸發一淨空之量相比較而可容許的氣體位準。一部署協定可指示基於舉例而言置放感測器於其中之特定房間,或應置放感測器的高度,待部署的感測器數目及置放該等感測器之地點。一旦部署該等感測器,在一些實施例中,舉例而言可透過公用事業維護人員與一使用者介面互動以確認所置放之感測器數目及是否該等感測器按在該部署協定中所定義予以置放,確認該部署及其執行程度。
在步驟204執行該等感測器之一或多個臨限值之判定。該臨限值對應於當感測器讀數可指示一狀態變化時,舉例而言繼關斷至洩漏場所之氣體流後之氣體耗散。該臨限值可係就感測器輸出之間之關係、感測器值與初始及/或峰測量值之關係、或一被感測氣體(諸如甲烷)之絕對位準而言。可自一組潛在值判定該臨限值,該組潛在值可係由使用者判定或基於由使用者設定的容許範圍及邊界及/或來自本發明之方法之先前反覆的資料予以程序地產生。各臨限值具有自發生在該方法之先前反覆且儲存在臨限值及結果之一資料庫中的命中、未命中、正確拒絕及假警報之分布所運算之一相關聯之β值。這些β值具有關於β值之信賴區間,可基於目前的樣本大小(資料點之總數目,即,命中、未命中、正確拒絕及假警報之合計總和)運算β值。對於一或多個臨限值,關於各D'值之信賴區間之重疊可用以判定一特定臨限值將提供最好敏感度的一可能性。自該可能性,可透過基於該臨限值係最佳選項之可能性的經加權隨機化來判定該臨限值。舉例而言,若臨限值1具有最高D'之可能性係70%、臨限值2具有最高D'之可能性係20%、臨限值3具有最高D'之可能性係0%、及臨限值4具有最高D'之可能性係10%,則該隨機化將經加權以符合使得選擇臨限值1之機會係70%、選擇臨限值2之機會係20%、選擇臨限值3之機會係0%、及選擇臨限值4之機會係10%,如針對待搭配感測器部署使用的所判定之臨限值。
在一些實施例中,在步驟204判定該臨限值係基於在步驟202部署該等感測器。在這些實施例中,該特定部署及在一些實施 例中該部署完成的程度可用以參考一資料庫及擷取一D'值及/或存取用於該特定部署的歷史結果資料,用於在步驟204判定該臨限值中使用。在一些實施例中,可在步驟202部署該等感測器之前或同時,使用由該等感測器所判定之設定值、部署地點之類型、或假設使用且完全實施一特定協定,來判定該臨限值。
在步驟206,當滿足該臨限值時觸發一回應。該等遠端氣體感測器測量且規律或連續報告其等結果,在位於該等遠端氣體感測器處或附近且與該等氣體感測器通訊(舉例而言,藉由諸如ZIGBEE產品、WIFI通訊(802.11協定)等無線通訊)一單元處比較該等結果與在步驟204所判定之該臨限值。當由一處理器判定最新近接收感測器輸出以滿足該臨限值時,其指示在該洩漏場所之一狀態變化(即,位準下降指示成功氣體關斷,且需要重新檢查及清空該洩漏場所),經由一通訊連結(舉例而言,諸如ZIGBEE產品、WIFI通訊、藍牙技術或蜂巢式通訊(即,3G、4G LTE)等無線通訊)傳送一訊息至一回應資產;該回應資產可係舉例而言由緊急應變人員(諸如最初回應於該洩漏場所且在步驟202部署該等感測器之人員)所攜帶之一行動裝置。
在步驟208判定是否該回應係一命中、未命中、假警報或一正確拒絕。當該回應資產根據步驟206之動作觸發而造訪該洩漏場所時,該回應資產舉例而言使用一手持甲烷感測器獨立測量在該場所處的氣體位準,且指示是否返回該場所的確安全;此可舉例而言透過在一裝置上之一使用者介面完成,諸如在步驟202之一些實施例中 用以確認部署協定的使用者介面之一延伸。除來自一個別造訪之此資料外,來自與目前回應相關聯之共軛試驗之資料亦可用以識別正確拒絕及未命中。
在步驟210,藉由採用在步驟208所判定之該或該等結果、使該結果與該所選擇臨限值相關聯,及新增該相關聯之結果及臨限值至一資料庫來執行更新臨限值及回應結果之一資料庫,該資料庫可選地亦包括針對其選擇臨限值之部署協定。在步驟204判定該臨限值時使用此資料庫。
在圖3中繪示一實例系統,其含有經動態更新以最佳化模型選擇的本機分析單元。該系統包括本機分析單元300,本機分析單元之組件包括感測器302、一本機分析處理器304及一模型記憶體306。該本機分析裝置通訊地連接至一模型判定處理器308,且本機分析處理器304可觸發一動作回應單元312。動作回應312與結果判定及登錄314互動以表徵由動作回應312進行的本機分析觸發回應為一命中、未命中、正確拒絕或假警報,並且結果判定及登錄314提供此資訊至一記憶體,該記憶體經組態以儲存一感測器回應及結果資料庫310。該等處理器及記憶體可定位在一起且直接耦合(例如,接線在一起)或在一雲端架構中僅通訊地耦合,經由網際網路或其他遠端通訊在元件之間傳輸資料。
本機分析單元300係包括感測器302、一本機分析處理器304及模型記憶體306的一裝置,在本機分析單元300處使用該等感測器、處理器及記憶體以評估狀況。該本機分析單元可係另一裝置 之部件(舉例而言,該等感測器、處理器及記憶體可連接至一泵、渦輪機、或引擎之部件)或可係整個本機分析單元(舉例而言,用於一氣體洩漏場所之一監測系統)。該本機分析單元之該等組件透過有線或無線構件彼此通訊地耦合,但是不需要共用一外殼,且可彼此鄰近(其中舉例而言透過蜂巢式、WIFI通訊、藍牙技術或ZIGBEE產品無線地完成通訊耦合)或直接連接。本機分析單元300可包括與一動作回應312之有線或無線通訊,該動作回應可在某些狀況下(諸如當包括本機分析單元300之一裝置需要維護、偵測及在一些實例中表徵需要減輕或解決之一故障,或報告諸如一氣體洩漏場所等之一地點變成可安全進入的一狀態變化時)觸發一回應。
本機分析單元300包括感測器302。該等感測器可係舉例而言:用於運行時間之計數器;應力循環之壓電監測;氣體感測器,諸如甲烷感測器;用於識別且表徵電氣故障之電流、電壓及/或其他感測器;環境感測器,諸如溫度感測器;用於管路監測之壓力感測器;或其他感測器,其提供關於可由一動作回應312回應之一狀況的資訊。該等感測器產生輸出,該等輸出可係原始電信號或其可轉換成數位值,且提供至本機分析處理器304。
本機分析單元300亦包括一本機分析處理器304,該本機分析處理器經組態以接收該等感測器輸出,且使用儲存在模型記憶體306中之一模型,透過解譯該等感測器輸出來判定在該本機分析單元處或附近之一狀況。該本機分析處理器可係任何標準、市售種類之一微處理器,且可基於功率消耗品質予以選擇或內建至一微控制器 中,其亦可包括模型記憶體306、來自感測器302之輸入及至一通訊天線(諸如WIFI通訊、ZIGBEE產品、藍牙技術或蜂巢式(即,3G或4G LTE))之一輸出。
本機分析單元300亦包括一模型記憶體306,該模型記憶體經組態以儲存用於在由本機分析處理器304解譯感測器302之該等輸出時之一模型。模型記憶體306可係一非揮發性記憶體,諸如快閃記憶體或一硬碟機。在一些實施例中,模型記憶體306耦合至一通訊單元,諸如一蜂巢式、WIFI通訊、藍牙技術或ZIGBEE產品天線,自該通訊單元模型記憶體接收模型資料,接著將模型資料儲存在模型記憶體306中。
一模型判定處理器308經組態以設定提供至該本機分析單元之本機分析處理器304的一模型之參數。該模型判定處理器係經組態以接收來自本機分析模型及其先前結果之一資料庫的資訊且選擇一模型以指派至一本機分析裝置300的一處理器。可藉由針對各潛在模型自命中、未命中、假警報及正確拒絕來運算一模型係供該本機分析裝置使用的最佳可用模型之可能性(舉例而言,藉由基於樣本大小及結果分布來運算該特定模型之一β值及關於該β值之信賴區間並且比較該等值與一經判定最佳β值)而作出該判定。使用一或多個模型之該經運算可能性,可舉例而言藉由使用經加權隨機化來選擇一模型,其中基於該等運算可能性來判定各模型之權重。
一感測器回應及結果資料庫310係經組態以儲存一結果資料庫之一記憶體,該等結果得自於使用由模型判定處理器308所選 擇之各模型以在本機分析處理器304處評估來自感測器302之輸出。當判定待提供至本機分析單元300之模型時,由模型判定處理器308使用來自此記憶體之資訊。該感測器回應及結果資料庫可儲存在非揮發性記憶體(諸如一或多個硬碟機或快閃記憶體)上。
動作回應312係與本機分析裝置300分開之一單元或人員,但是回應於由本機分析處理器304所作出之判定或具有根據本機分析處理器304之輸出所排定的其動作。實例包括一緊急應變組員(諸如氣體分配網路緊急應變人員或維護人員待命或排班以造訪)檢測及維護自動報告損耗狀態及維護需要的裝置。
一結果判定與登錄單元314表徵由本機分析處理器304基於動作回應312之發現所報告的情境。此可係透過一使用者介面輸入、基於由動作回應人員或資產所攜帶的感測器之輸出、或來自在該本機分析單元附近或在該單元處的其他遠端感測器之,但是該等遠端感測器與感測器302分開並且本機分析處理器304不考慮該等遠端感測器之輸出。由此單元所判定及登錄的結果被新增至感測器回應及結果資料庫308。在一些實例中,由該單元所執行之結果判定可包括參照相關聯之共軛試驗,使用跨兩個或更多個相關聯之共軛試驗的結果,以允許判定正確拒絕及未命中,以提供判定本機分析模型之準確度所需的完整資訊組。
在圖4中繪示一特定實例系統,其中該本機分析單元係一組遠端氣體感測器,用以監測一狀況及觸發一洩漏場所之一重新進入及評鑑。感測器402部署在一監測中場所400中。由接收來自一臨 限值判定處理器406之臨限值的一臨限值比較處理器404評估感測器402之輸出,並且臨限值比較處理器404引導包括一第二感測器410之一回應資產進入監測場所400。在該回應資產上的第二感測器410與一感測器回應及結果資料庫408通訊,以由感測器402及臨限值比較處理器404提供有關場所狀況之回饋及是否由該回應資產所遭遇之狀況指示一命中、未命中、假警報或正確拒絕,並且該結果連同相關聯之臨限值被儲存在感測器回應及結果資料庫408。
洩漏場所400係其中會有一氣體(一般而言,甲烷,但是亦可係其他危險性氣體)洩漏的一區、且該場所將被監測。可由舉例而言當公用事業客戶聞到天然氣體之氣味時呼叫而識別該洩漏場所。該洩漏場所係會有一甲烷洩漏的一地點,諸如一有蓋的井口、已呼叫有洩漏之一住家,且可包括圍繞結構的地帶以及該等結構本身,或甚至包括相鄰結構,此取決於可能洩漏之本質及嚴重性及回應該可能洩漏之時機。
感測器402部署至該洩漏場所。該等感測器可係氣體感測器,諸如甲烷感測器或其他危險性氣體感測器。感測器402可係固有安全的,且可係任何組態或種類之甲烷感測器,諸如火焰離子化、聲學、或紅外光。該等感測器可係透過有線或無線構件(舉例而言,ZIGBEE產品、WIFI通訊、或蜂巢式資料,諸如3G或4G LTE連接)而彼此通訊地耦合及/或通訊地耦合至一基地台的一或多個遠端感測器,所有感測器皆可部署至洩漏場所400。
臨限值比較處理器404經組態以接收來自感測器402之讀數且判定是否該等感測器讀數滿足一臨限值,該臨限值係由臨限值判定處理器406所提供且儲存在耦合至臨限值比較處理器404之一記憶體中。給定根據一特定協定來部署該等感測器(舉例而言,比較置放在遠離洩漏場所400之地板達約4呎之一感測器與置放在洩漏場所400之地板上方達8呎之另一感測器),該臨限值可係舉例而言用於感測器402之任何者之一臨限值、可係基於該等感測器402之各者之讀數之一臨限值、或可係基於特定感測器402輸出之間之關係。
臨限值判定處理器406係經組態以設定一臨限值之一處理器,該臨限值被用以評估感測器402之輸出,以判定洩漏場所400之一狀態變化。該所判定臨限值可係就舉例而言在個別感測器402處之甲烷位準,或部署至洩漏場所400之不同感測器402處之甲烷位準之間之關係而言。部分基於來自感測器及回應結果資料庫408之資料而作出該判定,舉例而言關於待選擇之各潛在臨限值的經測量β值所運算之信賴區間(基於在使用該臨限值之先前試驗中的命中、未命中、假警報及正確拒絕之相對速率),及該等信賴區間與一所運算β最佳值之重疊。
感測器回應及結果資料庫408係經組態以儲存資料之一記憶體,該資料係關於用於基於臨限值比較處理器404之先前輸出及該等試驗之該等結果來偵測洩漏場所400之狀態變化的臨限值。可選地,該資料庫可包括指派至各結果(命中、未命中、正確拒絕、及假警報)之值,用於識別用於作出場所狀況之判定所使用的臨限值之最 佳β值之目的。可選地,該資料庫亦可包括介於一第一臨限值與涉及一共軛試驗之一或多個其他臨限值之間之一關聯,使各臨限值之結果能夠被使用以判定該等特定共軛試驗的未命中及正確拒絕之存在。
第二感測器410係一甲烷偵測器。該感測器可與一回應資產或由應變人員所攜帶之一手持感測器單元成一整體。該感測器與感測器402之遠端感測器或網路分開。當回應資產造訪洩漏場所400時(諸如緊急第一應變人員至一氣體場所),使用第二感測器410以測量在該洩漏場所之甲烷位準。由第二感測器410取得之讀數可直接新增至感測器回應及結果資料庫408,或可透過一使用者介面手動鍵人基於第二感測器410之輸出所判定之一結果(藉由舉例而言緊急第一應變人員的判定而確認該場所合適重新進入或該場所不合適重新進入)而提供該結果至臨限值及結果資料庫408,或來自第二感測器410之結果可提供至一處理器,該處理器基於該等感測器輸出而判定一結果且提供該結果判定至臨限值及結果資料庫408。
Claims (19)
- 一種用於更新搭配一裝置使用之分析模型之方法,該方法包含:基於本機分析模型及模型回應結果之一資料庫,判定包含一動作觸發之一本機分析模型;提供該本機分析模型至一本機分析裝置;當在該本機分析裝置處之感測器輸出滿足該動作觸發時,起始一回應;基於在起始該回應期間所測量之在該本機分析裝置處之狀況,判定一動作觸發結果;用該動作觸發結果更新本機分析及模型回應結果之該資料庫。
- 如請求項1之方法,其進一步包含運算該本機分析裝置的一β最佳值。
- 如前述請求項1至請求項2中任一項之方法,其中判定一本機分析模型包含:基於複數個本機模型之各者之D'(d-prime)的信賴區間重疊進行經加權隨機化。
- 如請求項1或2之方法,其中判定該本機分析模型包含:選擇一或多個共軛試驗;及使該一或多個共軛試驗與經選擇之該本機分析模型相關聯。
- 如請求項4之方法,其中判定該動作觸發結果包含:接收相關聯之共軛試驗的結果資料;及比較相關聯之共軛試驗的該結果資料與動作回應之結果。
- 一種用於評估一氣體洩漏場所之方法,該方法包含:選擇用於一模型之參數,該模型用於基於一模型參數及場所狀況變化判定的準確度之資料庫而將甲烷感測器輸出轉換成一場所狀況評鑑;部署複數個遠端甲烷感測單元至一場所; 接收來自該複數個遠端甲烷感測單元之感測器輸出;基於該等感測器輸出及該模型而判定一場所狀況變化基於該場所狀況變化而重新造訪該場所;及基於該場所之該重新造訪而更新模型參數及場所狀況變化判定的準確度之該資料庫。
- 如請求項6之方法,其中選擇用於一模型之參數包含:基於場所狀況變化判定之該準確度的信賴區間重疊進行經加權隨機化。
- 如前述請求項6至請求項7中任一項之方法,其中根據共軛控制實驗設計執行選擇用於一模型之參數。
- 如請求項6或7之方法,其中重新造訪該場所進一步包含:測量在該場所之甲烷位準。
- 如請求項6或7之方法,其中一場所狀況變化判定之該準確度分類為一命中、未命中、假警報或正確拒絕。
- 一種用於使用一分析模型以評估一情境之系統,該系統包含:一本機分析裝置,其包含一或多個感測器、一模型記憶體、及一本機分析處理器,該本機分析處理器經組態以基於儲存在該模型記憶體中之一模型而評估該一或多個感測器之輸出;一處理器,其經組態以判定一本機分析模型;一記憶體,其經組態以儲存本機分析模型及結果之一資料庫;及一回應資產,其藉由該本機分析處理器而觸發。
- 如請求項11之系統,其進一步包含一處理器,該處理器經組態以判定該本機分析裝置的一β最佳值。
- 如前述請求項11至請求項12中任一項之系統,其進一步包含用於輸入藉由該本機分析處理器之一判定之一結果的一介面。
- 如請求項11或12之系統,其中該回應資產包含一感測器。
- 如請求項11或12之系統,其中經組態以判定一本機分析模型的該處 理器基於本機分析模型之經加權隨機化而判定該本機分析模型,該等本機分析模型之該經加權隨機化係基於介於該等本機分析模型之β值與一β最佳值之信賴區間之間之重疊。
- 一種用於評估一氣體洩漏場所之系統,該系統包含:複數個遠端甲烷感測單元,各遠端甲烷感測單元包含一甲烷感測器及一無線通訊天線;一第一處理器,其經組態以接收來自該複數個遠端甲烷感測單元之讀數且基於一模型而判定場所狀況;一第二甲烷感測單元,其包含一可攜式甲烷感測器;一記憶體,其經組態以儲存一資料庫,該資料庫包含由該第一處理器所使用之該模型之參數、該等場所狀況之判定、及該等場所狀況之判定之準確度資料;及一第二處理器,其經組態以基於儲存在該記憶體中之該資料庫而判定模型參數。
- 如請求項16之系統,其中該第二處理器基於受約束之隨機化而判定模型參數,該受約束之隨機化係基於關於該等場所狀況之判定之準確度資料的信賴區間之重疊。
- 如前述請求項16至請求項17中任一項之系統,其進一步包含一處理器,其經組態以基於來自該第二甲烷感測單元之讀數而判定該場所狀況判定之該準確度。
- 如請求項16或17之系統,其中透過一使用者介面輸入該場所狀況之判定之該準確度資料。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201662420137P | 2016-11-10 | 2016-11-10 | |
US62/420,137 | 2016-11-10 |
Publications (1)
Publication Number | Publication Date |
---|---|
TW201824022A true TW201824022A (zh) | 2018-07-01 |
Family
ID=62109612
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW106138762A TW201824022A (zh) | 2016-11-10 | 2017-11-09 | 用於監督本機分析之系統及方法 |
Country Status (6)
Country | Link |
---|---|
US (2) | US20200019128A1 (zh) |
EP (1) | EP3539028B1 (zh) |
JP (1) | JP7056823B2 (zh) |
CN (1) | CN109952575B (zh) |
TW (1) | TW201824022A (zh) |
WO (1) | WO2018087639A1 (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11519809B2 (en) * | 2017-12-06 | 2022-12-06 | Operations Technology Development, Nfp | System and method for gas sensing and monitoring |
CN109032608A (zh) * | 2018-07-30 | 2018-12-18 | 北京博大光通物联科技股份有限公司 | 多传感器数据统一解析的系统和方法 |
GB201817939D0 (en) * | 2018-11-02 | 2018-12-19 | Rolls Royce Plc | Method of calibrating a gas turbine engine |
EP3938717A4 (en) * | 2019-03-15 | 2022-12-21 | 3M Innovative Properties Company | CONTROL OF A MANUFACTURING PROCESS USING CAUSED MODELS |
CN112750276B (zh) * | 2020-12-29 | 2023-07-04 | 杭州拓深科技有限公司 | 一种基于用电设备识别的独居老人看护方法及系统 |
US11599754B2 (en) * | 2021-03-31 | 2023-03-07 | At&T Intellectual Property I, L.P. | Image classification attack mitigation |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004199298A (ja) * | 2002-12-18 | 2004-07-15 | Mitsubishi Heavy Ind Ltd | プラント運転システム |
US20080027690A1 (en) * | 2004-03-31 | 2008-01-31 | Philip Watts | Hazard assessment system |
DE102005034247A1 (de) * | 2005-07-22 | 2007-01-25 | Robert Bosch Gmbh | Überwachung von Abgasgrenzwerten |
CA2701997A1 (en) * | 2007-11-07 | 2009-11-12 | Edsa Micro Corporation | Systems and methods for real-time forecasting and predicting of electrical peaks and managing the energy, health, reliability, and performance of electrical power systems based onan artificial adaptive neural network |
US9030329B2 (en) * | 2010-04-12 | 2015-05-12 | Heath Consultants, Inc. | Smart methane monitor |
ES2725534T3 (es) * | 2012-12-04 | 2019-09-24 | Stephen J Horne | Dispositivo y sistema de detección y análisis de flujo de fluidos |
US9645575B2 (en) | 2013-11-27 | 2017-05-09 | Adept Ai Systems Inc. | Method and apparatus for artificially intelligent model-based control of dynamic processes using probabilistic agents |
US20150332152A1 (en) * | 2014-05-19 | 2015-11-19 | Oren Goldschmidt | Systems And Methods For Generating Models For Physical Systems Using Sentences In A Formal Grammar |
CA2955008A1 (en) | 2014-07-17 | 2016-01-21 | 3M Innovative Properties Company | Systems and methods for maximizing expected utility of signal injection test patterns in utility grids |
CN106537443B (zh) * | 2014-07-17 | 2020-10-16 | 3M创新有限公司 | 用于对表示网格异常状态严重性的原位传感器响应数据模式分类的系统及方法 |
EP3191978A4 (en) * | 2014-09-12 | 2018-05-02 | GE Intelligent Platforms, Inc. | Apparatus and method for ensembles of kernel regression models |
CN104500138B (zh) * | 2014-10-16 | 2019-05-07 | 中国矿业大学(北京) | 煤矿掘进工作面煤与瓦斯突出报警方法 |
US10178447B2 (en) * | 2015-07-23 | 2019-01-08 | Palo Alto Research Center Incorporated | Sensor network system |
US9929913B2 (en) * | 2016-03-28 | 2018-03-27 | International Business Machines Corporation | Automatic finding and sharing of IoT connected devices |
-
2017
- 2017-11-03 JP JP2019524163A patent/JP7056823B2/ja active Active
- 2017-11-03 CN CN201780068869.1A patent/CN109952575B/zh active Active
- 2017-11-03 US US16/335,280 patent/US20200019128A1/en not_active Abandoned
- 2017-11-03 EP EP17869137.4A patent/EP3539028B1/en active Active
- 2017-11-03 WO PCT/IB2017/056873 patent/WO2018087639A1/en unknown
- 2017-11-09 TW TW106138762A patent/TW201824022A/zh unknown
-
2021
- 2021-10-27 US US17/511,934 patent/US20220050427A1/en not_active Abandoned
Also Published As
Publication number | Publication date |
---|---|
JP2020503592A (ja) | 2020-01-30 |
EP3539028A4 (en) | 2020-07-08 |
EP3539028B1 (en) | 2022-12-28 |
JP7056823B2 (ja) | 2022-04-19 |
US20220050427A1 (en) | 2022-02-17 |
CN109952575B (zh) | 2023-12-29 |
US20200019128A1 (en) | 2020-01-16 |
WO2018087639A1 (en) | 2018-05-17 |
CN109952575A (zh) | 2019-06-28 |
EP3539028A1 (en) | 2019-09-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TW201824022A (zh) | 用於監督本機分析之系統及方法 | |
US20210147182A1 (en) | Non-intrusive data analytics system for adaptive intelligent condition monitoring of lifts | |
JP6580145B2 (ja) | グリッド出力を改善するグリッド行動を選択するためのシステム及び方法 | |
CN208834172U (zh) | 用于监测结构的状况的装置和处理器平台 | |
WO2019058379A1 (en) | SYSTEMS AND METHODS FOR PREVENTING WORK ACCIDENTS | |
CN104699037B (zh) | 工厂控制系统、控制器、管理器、以及工厂信息处理方法 | |
US20210116076A1 (en) | Anomaly detection in pipelines and flowlines | |
US20140261189A1 (en) | Automated monitoring of compliance in an egg farm based on egg counts | |
JP6599428B2 (ja) | グリッドの異常重大度を表す現場でのセンサ応答データパターンを分類するためのシステム及び方法 | |
US20220082409A1 (en) | Method and system for monitoring a gas distribution network operating at low pressure | |
JP2016538645A (ja) | 確率的因子を用いる動的プロセスの人工知能モデルに基づいた制御のための方法およびシステム | |
US11493897B2 (en) | Intelligent distributed industrial facility safety system dynamic zone of interest alerts | |
EP2946219B1 (en) | System and method for fault management in lighting systems | |
US10816954B2 (en) | Risk assessment device, risk assessment method, and risk assessment program | |
RU2766106C1 (ru) | Обнаружение нештатных ситуаций | |
CN116127396A (zh) | 一种基于智慧燃气的燃气泄漏判别方法和物联网系统 | |
US20200056964A1 (en) | Risk Assessment Device, Risk Assessment Method, and Risk Assessment Program | |
US20150205309A1 (en) | Managing The Effectiveness Of Repairs In Refrigeration Assets | |
CN109947064A (zh) | 智能通水温度控制专家系统及硬件检测和数据监测方法 | |
US10311705B1 (en) | Distributed industrial facility safety system | |
CN115587709A (zh) | 一种企业安全生产管理方法、系统及存储介质 | |
JP2020008487A (ja) | ガスメーター及びマップ作成方法 | |
KR20220117566A (ko) | 실시간 상하수도 관제를 통한 딥러닝 기반 방제 시스템 | |
EP3136194B1 (en) | Device system, information processor, terminal device, and abnormality determining method | |
JP6855808B2 (ja) | 検出装置及びプラント機器状態収集システム |