TW202316215A - 用於工業機器的預測性維護 - Google Patents
用於工業機器的預測性維護 Download PDFInfo
- Publication number
- TW202316215A TW202316215A TW111121755A TW111121755A TW202316215A TW 202316215 A TW202316215 A TW 202316215A TW 111121755 A TW111121755 A TW 111121755A TW 111121755 A TW111121755 A TW 111121755A TW 202316215 A TW202316215 A TW 202316215A
- Authority
- TW
- Taiwan
- Prior art keywords
- data
- machine
- failure
- historical
- computer
- Prior art date
Links
- 238000012423 maintenance Methods 0.000 title claims description 20
- 238000000034 method Methods 0.000 claims abstract description 106
- 238000012549 training Methods 0.000 claims abstract description 77
- 230000008569 process Effects 0.000 claims abstract description 34
- 238000012545 processing Methods 0.000 claims description 66
- 230000015654 memory Effects 0.000 claims description 36
- 238000004590 computer program Methods 0.000 claims description 13
- 238000013526 transfer learning Methods 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 8
- 239000000126 substance Substances 0.000 claims description 5
- 230000003190 augmentative effect Effects 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 2
- 230000002452 interceptive effect Effects 0.000 claims 1
- 230000004044 response Effects 0.000 claims 1
- 238000011282 treatment Methods 0.000 claims 1
- 230000008859 change Effects 0.000 description 18
- 238000004891 communication Methods 0.000 description 18
- 238000010586 diagram Methods 0.000 description 15
- 238000003860 storage Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 10
- 230000007704 transition Effects 0.000 description 9
- 238000010801 machine learning Methods 0.000 description 7
- 238000009795 derivation Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 230000003993 interaction Effects 0.000 description 5
- 238000005094 computer simulation Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 230000006978 adaptation Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 3
- 230000000875 corresponding effect Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013277 forecasting method Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 206010003402 Arthropod sting Diseases 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005555 metalworking Methods 0.000 description 1
- 238000010422 painting Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000001373 regressive effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 239000010409 thin film Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
-
- 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
- G05B23/0218—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
- G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
-
- G—PHYSICS
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/096—Transfer learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
計算機實施的故障預測器具有模組佈置(373),該模組佈置(373)帶有次級於輸出模組(363)的第一和第二次級模組(313、323)。第一和第二次級模組處理來自工業機器的數據以確定第一和第二中間狀態指標。第三次級模組(333)確定操作模式指標,並且輸出模組(363)處理狀態指標和操作模式指標以預測工業機器的故障。模組佈置已經通過級聯訓練進行訓練以包括訓練次級模組(312、322、332),隨後操作經過訓練的次級模組,並且隨後訓練輸出模組。
Description
總體上,本公開涉及工業機器;並且更具體地,本公開涉及用於預測工業機器的故障的計算機系統、方法和計算機程式產品。
連續操作而沒有任何中斷的工業機器像永動機一樣罕見。
簡言之,中斷的主要原因至少有兩個。機器操作者通常根據規律的間隔關閉機器以進行維護。或者,機器可由於故障而停止。
在過去的幾十年中,計算機模型在預測故障方面取得了重大進展。所謂的預測性維護模型允許操作者在預期出現故障時關閉機器以進行維護。這樣的方法可增加機器操作的總時間,並且可減少機器停止操作的時間。
計算機模型接收來自機器的感測器數據(和其他數據),並通過諸如故障時間、故障類型等詳細訊息預測故障。計算機模型需要知道因果關係。如在許多情況下,這樣的關係是未知的,通過訓練數據(通常是歷史感測器數據和歷史故障數據的組合)訓練計算機。訓練接近這樣的關係。
預測準確性是重要的。例如,計算機可預測一周內發生故障,並且操作者可能關閉機器以立即進行維護。不正確的預測是嚴重的。在預測不正確的場景中,實際上不需要立即維護,機器本可正常操作而沒有中斷。
為了提高準確性,技術人員面臨許多挑戰和限制,其中包括可能缺乏數據(諸如感測器數據或故障數據)、可能缺乏(識別歷史故障的)專家注釋、來自不同專家的不同注釋之間可能不同、可能不正確的數據相關性評估以及等等。其他挑戰將在下面解釋,但總體上講對於任何預測都存在提高準確性的需求。
Stich等人描述了多個計算機模型的使用,該計算機模型對作為複雜工業系統的晶圓廠的子組件進行分類(STICH PETER ET AL: "Yield prediction in semiconductor manufacturing using an AI-based cascading classification system", 2020 IEEE INTERNATIONAL CONFERENCE ON ELECTRO INFORMATION TECHNOLOGY (EIT), IEEE, 31 July 2020 (2020-07-31), pages 609-614)。
美國專利申請公開號US 2013/0132001 A1涉及工業設備,並且通過使用模型解釋故障檢測和故障預測。該文件討論了具體的示例並且還提到了模型的訓練。
簡言之,預測並非來自將接收機器數據和將提供預測數據的單個功能模組,相反預測來自帶有輸出模組並且帶有次級(sub-ordinated)模組的模組佈置。在這個意義上,模組佈置實施了元模型,因為輸出模組通過處理來自次級模組(或基礎模型)的中間指標預測故障。
以層次結構(hierarchy)佈置多個模組也對訓練產生影響:將次級模組事先訓練為其更高級別的模組。
更詳細地,模組佈置具有次級於輸出模組的第一和第二中間模組。至少第一和第二次級模組處理機器數據以分別確定第一和第二中間狀態指標。這樣的狀態指標可與工業機器的操作配置相關。
平行地,另外的次級模組(sub-ordinated module),即操作模式分類器,還接收感測器數據並且確定工業機器的操作模式(操作模式指標)。輸出模組處理中間狀態指標以及操作模式指標,並且預測工業機器的故障。與提到的單個功能模組相比,由於故障與不同的操作模式相關,因此可提高預測準確性。
附圖還圖示了計算機程式或計算機程式產品。當計算機程式產品加載到計算機的記憶體中並且由計算機的至少一個處理器執行時,該計算機程式產品使計算機實行計算機實施的方法的步驟。換言之,程式為模組提供指令。類似地,當由計算機系統執行處理模組時,包括多個處理模組的計算機系統執行計算機實施的方法的步驟。
本發明涉及如請求項1所述的預測工業機器故障的計算機實施的方法。用於預測工業機器故障的計算機實施的方法是其中計算機使用處理模組的佈置的方法(為了簡潔起見,文本中有時會省略屬性“處理”)。計算機通過第一、第二和第三次級處理模組接收來自工業機器的機器數據。這些模組佈置為向輸出處理模組提供中間數據。佈置已經事先通過級聯訓練進行了訓練。通過第一次級模組,計算機處理機器數據以確定第一中間狀態指標。通過第二次級模組,計算機處理機器數據以確定第二中間狀態指標。第三次級模組是操作模式分類器模組,通過該第三次級模組,計算機處理機器數據以確定工業機器的操作模式指標。計算機通過輸出模組處理第一和第二中間狀態指標和操作模式指標。由此,輸出模組通過提供預測數據預測工業機器的故障。
可選地,計算機使用已經根據以下訓練順序訓練的佈置:以歷史機器數據訓練第三次級模組;運行經過訓練的第三次級模組以通過處理歷史機器數據而獲得歷史模式指標;以歷史機器數據並且以歷史模式指標訓練第一和第二次級模組;運行經過訓練的第一和第二次級模組以通過處理歷史機器數據而獲得第一和第二中間狀態指標;並且通過歷史模式指標、通過歷史機器數據並且通過歷史故障數據訓練輸出模組。
可選地,在確定操作模式指標時,計算機使用已經基於歷史機器數據訓練的操作模式分類器,該歷史機器數據已經由人類專家注釋。
可選地,專家注釋的歷史機器數據是感測器數據。
可選地,已經基於歷史機器數據訓練了操作模式分類器。在訓練期間,操作模式分類器已經將機器的操作時間聚類為時間序列片段的聚類。
可選地,將時間序列片段的聚類分配到操作模式指標,該分配選自自動分配或通過與人類專家的交互分配。
可選地,操作模式指標由隨時間模式改變的數量提供。
可選地,狀態指標選自指示當前狀態的當前指標和指示未來狀態的預測指標。
可選地,輸出模組預測工業機器的故障,該預測選自以下項:故障時間、故障類型、剩餘使用壽命、故障間隔。
可選地,操作模式指標還用作為由第一和第二次級處理模組二者處理的偏差。
可選地,計算機通過接收帶有感測器數據的子集而接收機器數據;並且計算機通過第一和第二次級模組確定第一和第二中間狀態指標,該第一和第二次級模組處理帶有感測器數據的子集。
可選地,計算機接收機器數據。該動作包括通過數據協調器接收數據,該數據協調器根據機器數據對故障預測的貢獻而通過虛擬感測器提供機器數據或過濾進入的機器數據。
可選地,計算機通過數據協調器接收機器數據。該動作包括從帶有已經通過遷移學習事先訓練的模組的協調器接收機器數據。
可選地,計算機接收已經由模擬產生的數據至少部分地增強的機器數據。
從更廣的角度,預測工業機器故障的本方法可應用於其中將預測數據轉發到機器控制器的使用例。機器控制器可令工業機器採取其中故障時間預測為最遲發生的模式,並且控制器可令/允許工業機器採取其中實行機器維護的時間最遲發生的模式。
此外,工業機器可適用於向(適用於執行方法的)計算機提供機器數據。工業機器還可適用於接收來自計算機的預測數據。在這樣的場景中,工業機器與根據預定義優化目標切換工業機器的操作模式的機器控制器相關聯。
可選地,預定義優化目標選自以下項:盡可能久地避免維護、以其中故障預測為最遲發生的模式操作。
工業機器可選自:化學反應器、冶金爐、容器、泵、馬達和發動機。
此外還存在用於訓練模組佈置的計算機實施的方法,該模組佈置具有聯接到輸出模組的第一、第二和第三次級模組以使得模組佈置能夠為工業機器提供帶有故障預測的故障指標。該方法包括將級聯訓練應用於訓練次級模組,隨後操作經過訓練的次級模組,並且隨後訓練輸出模組。
可選地,級聯訓練包括:以歷史機器數據訓練第三次級模組;運行經過訓練的第三次級模組以通過處理歷史機器數據而獲得歷史模式指標;以歷史機器數據並且以歷史模式指標訓練第一和第二次級模組;運行經過訓練的第一和第二次級模組以通過處理歷史機器數據而獲得第一和第二中間狀態指標;並且通過歷史模式指標、通過歷史機器數據並且通過歷史故障數據訓練輸出模組。
從另外的角度上,計算機實施的故障預測器具有模組佈置,該模組佈置帶有次級於輸出模組的第一和第二次級模組。第一和第二次級模組處理來自工業機器的數據以確定第一和第二中間狀態指標。第三次級模組確定操作模式指標,並且輸出模組處理狀態指標和操作模式指標以預測工業機器的故障。模組佈置已經通過級聯訓練進行訓練以包括訓練次級模組、隨後操作經過訓練的次級模組、並且隨後訓練輸出模組。
概述及編寫約定(
Writing conventions
)
本說明使用自上而下的方式,這是通過在圖1A、圖1B和圖2中圖示工業機器和模組佈置,通過圖3至圖4中的簡化時間圖結合操作模式討論準確性,並且通過在圖5中示出工業機器的細節。圖6討論了帶有根據操作模式分開的機器數據的時間序列。然後,本說明將結合圖7至圖8討論訓練,並且通過圖9的流程圖討論預測。其他方面則將在圖10至圖15中給出。
本說明使用諸如“運行模組”或“運行計算機”等術語描述計算機活動,並且使用帶有“操作”的術語來描述機器活動。
工業機器和模組佈置
圖1A和1B在空間(圖1A)和時間(圖1B)背景下給出了方法的概述。
圖1A圖示了工業機器113和帶有的計算機。機器113向模組佈置(module arrangement,或稱模組裝置) 373的輸入提供(當前)機器數據153{{X1...XM}}N(或簡稱為{{X...}}N)。模組佈置373在其輸出處提供(當前預測數據{Z...}。
符號“計算機(computer)”(單數,沒有附圖標記)代表計算功能或計算機實施的模組的功能。功能可分佈到不同的物理計算機。
如本文中使用的,“模組”是使用通過訓練獲得的一個或多個內部變量的功能單元(或計算單元)。
本領域技術人員知道多種這樣的模組,並且有時將它們稱為“機器學習工具(machine learning tool)”或“ML工具(ML tool)”。本說明沒有使用“ML”或類似表述,僅僅是因為“M”代表執行計算的計算機。如本文中使用的,(工業)機器與機器數據X相關,但機器本身不執行計算。
從不同的角度,附圖圖示了包括多個處理模組的計算機系統的模組,當由計算機系統執行時,處理模組實行計算機實施的方法的步驟。不認為工業機器是計算機模組。
模組實行算法,該算法解決諸如回歸(regression)、分類(classification)、聚類(clustering)等任務。
鑒於其內部結構,模組可是:
• 神經網路(其中變量是權重,圖1A中的符號具有以分層佈置的節點),
• 具有單個樹或具有多個樹(諸如隨機森林)或其他模組的決策樹結構。
本領域技術人員可通過使用架構(frameworks)(諸如Tensorflow)、程式庫(libraries)(諸如Keras)、編程語言(programming languages)(諸如Python、R或Julia)實施內部結構。
附圖還象徵操作者193對預測數據的可能接收。操作者(或負責工業機器的任何其他人員)可採取適當的措施,諸如及時維護機器、令機器操作直到預期將發生故障、更改操作細節以達到其中故障可延遲發生的操作模式以及等等。
但是,也可將預測數據{Z...}轉發到其他計算機,以及使得措施(半)自動地觸發。
預測數據{Z...}具有若干方面,諸如,舉例來說
• t_fail_a(預計發生故障的最早未來時間點),
• t_fail_b(預測發生故障的最遲未來時間點),
• failure_type(故障類型指示,例如通過識別將發生故障的機器組件),或者
• 至少在未來特定時間間隔內,機器操作而不會發生故障的預測。
圖1B圖示了矩陣,其中行中為機器、計算機和用戶,並且列中為時間過程(從左到右)。圖1B可視為圖1A傾斜90度。
非常簡化地,機器提供機器數據,計算機實行方法702、802和203,並且用戶接收預測數據{Z...}。
階段
為方便起見,附圖和說明因此至少區分以下階段:
• 準備階段**1,大約在t1時開始,其以時間序列收集數據,期間機器操作;
• 訓練階段**2,在t2時實行,其中訓練模組佈置(參見圖7至圖8中的方法702或802),無論機器在**2中操作與否;以及
• 操作階段**3,指示機器的操作和將用於預測故障的數據的收集,其中t3是在方法203中實行預測的時間(參見次級模組和輸出模組,圖2)。
時間序列
數據(諸如機器數據)可是以時間序列的形式可得的,即數據值的序列以時間次序附標用於後續時間點。圖1A通過縮寫符號(“圓角”矩形153)和矩形下方的矩陣引入時間序列,並且圖1B在時間的背景下重複矩形符號。
符號{X1 ... XM}代表具有數據元素Xm(或簡稱為“元素”)的單個(即單變量)時間序列。元素Xm從時間點1到時間點M可得:X1, X2, ..., Xm, ...XM(即“測量時間序列”)。附標m為時間點附標。時間點m隨後為時間點(m+1),其通常是以等距間隔Δt。符號{X1...}是縮寫形式。
示例為M個時間點上的機器驅動器的轉速:{1400 ... 1500}。本領域技術人員可將數據值預處理為,例如,歸一化值[0,1]或{0.2 ... 1}。數據格式不限於標量或向量,{X1 ... XM}還可代表從時間點1到時間點M取得的M個圖像或聲音樣本的順序。
符號{{X1 ... XM}}N(或其縮寫形式{{X...}}N)代表從時間點1到時間點M具有數據元素向量{X_m}N的多變量時間序列。向量具有基數N(變量的數量,即就該數據的參數是可得的),這意味著在從1到M的任何時間點處,存在可得的N個數據元素。矩陣指示變量附標n為行附標(從x_1到x_N)。
例如,就旋轉的單個時間序列可伴隨就溫度的單個時間序列、就關於材料化學成分的數據的另外的單個時間序列或者等等。
本領域技術人員應理解本說明是簡化的。實際的變量數量N可達到甚至超過數千。時間序列不是理想的。元素偶而會缺失,但本領域技術人員可處理這樣的情況。
時間間隔Δt和時間點數量M的選擇取決於過程或由機器實行的活動。時間序列的總持續時間Δt*M(即窗口大小)對應於花費最長時間的機器參數輪換(shift)。
由於時間點tm明確了由模組佈置(或其組件)進行處理的時間,因此可對一些數據進行預處理。例如,溫度感測器可每分鐘提供數據,但是(例如)對於Δt=15分鐘,一些數據可丟棄、在Δt上取平均、或以其他方式進行預處理。
時間序列符號{...}適用於以下情況:
• 如解釋的機器數據{X...},
• 在模組中,特別是在次級模組中,計算機處理期間開發的中間數據{Y...},
• 在模組佈置輸出處的故障預測數據{Z...},
• 故障數據{Q...},其代表實際發生的或發生過的故障({Q...}不是預測)。
X、Y、Z和Q數據還可作為多變量時間序列可得。
然而,單變量和多變量時間序列只是數據格式的示例,本領域技術人員可以其他格式處理數據。
機器數據 X
如標簽表示的,機器數據X與工業機器相關。處理數據X是因為預測的故障與機器的操作相關。由於並非所有機器數據的變量都對預測做出貢獻,因此存在根據數據源與機器的關係的粗略區分。
機器數據可區分為:
• 從與機器相關聯的感測器獲得的數據(“感測器數據”),以及
• 從其他來源獲得的數據(“另外數據”或“特徵數據”)。
另外數據可代表機器正在處理的對象(具有諸如對象類型、對象材料、負載條件等屬性)或屬機器的工具(尤其是當該工具隨時間改變時)。另外數據可是操作期間的環境數據(諸如溫度)。另外的示例包括維護數據。
可能地,可向機器操作者或其他用戶隱藏感測器數據,因為操作者/用戶不會將特定感測器數據與特定含義相關聯。其後果是專家用戶可能無法標記這樣的數據。另外數據可能是更為公開的。例如,代表特定組件振動的感測器讀數對於專家來說可能不具有語義,但專家可能非常瞭解環境溫度對機器的影響。
日曆時間
如提到的,附標m是時間點附標,時間序列中的符號是方便的,並且技術人員可很容易地將時間符號轉換為實際日曆時間點。時間序列可按順序可得(圖1B具有按順序的Ω個時間序列),並且日曆間隔可比Δt*M長得多。
訓練並且從當前數據區分出歷史數據
由於模組通過以數據訓練702/802而獲得內部變量(諸如權重或其他機器學習相關變量),因此本說明將“歷史數據”從“當前數據”區分開。歷史數據是可用於訓練模組的數據(圖1B具有圖7至圖8中的方法702和802)。因此,歷史數據必須在訓練之前可得。換言之,圖示在方法702/802左側的數據將是歷史數據(歷史機器數據、歷史故障數據)。
圖1B以單個方框(single box) 702/802圖示了訓練,並且以該方框的寬度象徵t2和t2'之間的運行時間。以新到達的數據重複訓練是可能的(即右側“增多”的方框,如t2''處的方框所示)。隨著時間的推移,歷史數據量增加,使得可重新訓練模組(通過重複方法702、802)以實現更準確的預測表現。
圖1B圖示了具有附標(1), (2)...(Ω)的連續時間序列。一次性處理關於單個總持續時間Δt*M的歷史數據是方便的(即N*M個數據值處理為進行訓練的佈置的N*M個輸入,加上關於Q的M個數據值),但是本領域技術人員可以其他方式將數據應用於模組。(時間序列的)數量Ω隨時間上升。
相反,當前數據是經過訓練的模組可處理以預測可在未來發生的故障的數據(圖9中的方法203)。圖1B以將在預測方法203的執行期間處理的帶有{{X...}的時間序列153對此進行了圖示。理論上,處理實際上與歷史數據重疊的當前數據是可能的(參見在t2''結束的第二個方框)。
原始數據
如圖示的,模組佈置接收原始數據,即尚未由模組處理的數據(用於協調數據格式的預處理除外)。在以方法702/802進行訓練期間,模組佈置接收原始歷史數據並獲得變量(或“權重”)。一旦已經經過訓練,預測方法203中的模組佈置接收原始當前數據並提供預測數據{Z...}。這裡已經提到了原始數據,因為在訓練702/802期間並且在預測203期間,佈置的模組提供並處理中間數據。通常,歷史數據仍然是歷史數據,並且當前數據仍然是當前數據。
預測和區分過去和未來
計算機實行預測方法203的運行時間可是可忽略的/短的(與時間序列中的M個間隔相比)。因此,本說明採用t3作為可就故障預測{Z...}通知操作者的最早時間點。因此,圖1B還將預測作為時間序列圖示。如下面將詳細說明的,故障預測數據{Z...}的一個元素是故障時間點(t_fail)的識別。
從t3(而不是更早)開始,操作者可看到/知道預測。
未來時間點還可相對於計算機的運行時間給出(參見圖3中的t3)。“故障時間”標記從t3到最早故障時間點的間隔或持續時間。
輸出的預測準確性可視為時機準確性、類型準確性以及等等。這些方面是相互關聯的。為了解釋簡潔,本說明集中於提高時機準確性。
為訓練收集數據
圖1A還示出了關於歷史操作期間的工業機器的附圖標記111,關於階段**1中的歷史機器數據(和歷史故障數據)的附圖標記151。其還示出了關於進行訓練的佈置的附圖標記372。
模組佈置
圖2圖示了帶有次級模組313、323、333的模組佈置373,(在層次中)該次級模組313、323、333次級於(相對較高等級的)輸出模組363。次級模組333具有操作模式分類器的具體功能。
為了解釋簡潔,本說明使用標簽“分類器”,但該標簽也包括“聚類”的含義。次級模組333可作為分類器操作(其將機器的操作時間分配到類(classes),諸如MODE_1或MODE_2),但模組333也可作為聚類工具操作(其根據在不同的操作時間觀察到的數據將機器的操作時間分開)。
將特定聚類分配到特定模式是可選的。
例如,模組333可處理數據並且可將操作時間(即時間點m)聚類到第一和第二聚類(first and second clusters)中。然後計算機可自動將這些聚類分配到第一和第二操作模式(用作為類(classes))。換言之,“聚類”和“模式”之間存在語義差異。模組觀察機器的操作並將操作時間區分為(不重疊的)聚類。存在分配(第一聚類分配到第一模式、第二聚類分配到第二模式等),並且可將模式設置為分類目標。然後可訓練該模組以根據目標區分操作時間(不再進行聚類,而是分類)。在以不同數據的進一步重複中,模組333然後可確定機器是在第一模式下還是第二模式下操作。
可選地,人類專家可選擇性地參與將聚類分配給類(classes)(例如,專家僅為聚類給出其模式名稱,專家識別與故障的相關性或者等等)。分配可更為專精(兩個聚類可屬相同模式)。但總的來說,不要求人類專家參與。不涉及用戶可是有利的。操作模式之間的差異對於專家來說可能是“不可見的”(或者最不容易檢測到的,例如參見圖5)。換言之,可對專家隱藏聚類和/或模式。但是差異可對預測產生影響(並且對機器的操作產生影響,參見圖4),並且計算機可識別這樣的差異的存在。類似地,可對用戶隱藏差異,而不對計算機隱藏差異。
聚類不是強制的,還可能的是專家為歷史機器數據注釋操作模式,諸如通過為感測器數據提供注釋。
不同模組
不同的模組實行不同任務(諸如回歸和分類/聚類)。與單個模組(即不帶有次級模組的模組)相比,在佈置中使用次級模組(專門用於特定任務的)可提高預測準確性。將結合圖3至圖4以示例的方式就時間準確性解釋預測準確性。
由於模組佈置373具有可要求特定數據作為輸入的若干組件,本說下面將進一步解釋可選方法,其中包括以下內容:
• 通過使用來自虛擬感測器的數據而補償數據缺乏(參見圖13的方法);
• 通過對模式進行自動分類而補償區分操作模式中的專家知識缺乏(參見圖7至圖8,使用這種自動獲得的數據),可選地從聚類開始;
• 令模組佈置在特定訓練順序中進行級聯訓練(從模式分類器開始,參見圖7至圖8);
• 通過至少部分地模擬工業機器的至少部分行為(參見圖14)或者通過以其他方式預測機器的行為而補償數據缺乏;
• 通過人工注釋的標簽(未進一步圖示)而增強訓練數據;
• 通過傳輸數據補償數據缺乏(或數據過剩),諸如當必須處理的數據來自不同物理機器時通過協調數據變量的可得性(參見圖13就歷史數據的解釋);或者
• 通過使用指示輸入可信度的偏差(而不是二元分類)以訓練輸出模組而令不同的模組就準確性進行競爭(例如,如下文解釋的,析取模式指標或帶有概率的指標)。
從整體角度上,模組佈置373接收來自工業機器113的機器數據153(參見圖1A)並預測工業機器的故障(數據{Z...})。
觀察其拓撲結構(topology),模組佈置373包括次級於輸出模組的兩個或更多個模組。(在對等模組之間)次級模組可在以下方面存在不同:
• 機器數據的源可是模組特定的。例如,次級模組313和323可處理來自不同機器組件的機器數據,例如模組313可接收是{{X...}}N的子集∈的{{X...}}N1,模組323可接收子集{{X...}}N2,以及等等(參見圖2)。
• 次級模組在處理期間應用的權重集(或其他機器學習變量)可不同。
• 中間數據(諸如{Y...}也可是模組特定的。附圖圖示了在模組313的輸出處的作為第一中間狀態指標的1{Y...},在模組323的輸出處的作為第二中間狀態指標的2{Y...},以及在操作模式分類器333的輸出處的作為操作模式指標的3{Y...}。
拓撲影響數據的可得性。當中間數據成為可得時,輸出模組可處理中間數據(流水線結構,在附圖中從左到右)。
拓撲結構還影響訓練。如下面將結合圖7至圖8解釋的,在可訓練輸出模組之前,對次級模組進行訓練。同樣的原則也適用於具有另外等級的層次,用於以次次級模組、次級模組和上級模組的次序進行訓練。
該拓撲適用於執行不同任務的單個模組。例如,模組333提供聚類(或分類到MODE)並且因此為輸出模組提供偏差。
混合的方面
結合圖1,本說明已經介紹了用以實行諸如回歸、分類、聚類等任務的模組。區分任務是方便的,但不是核心的。預測故障數據{Z...}具有回歸的方面(從未來的連續時間獲得的故障時間),並且具有分類的方面(該類型的故障或者等等)。類似地,模組333可提供模式指標,該模式指標可是析取的(例如,作為分類的結果,或者MODE_1或者MODE_2)或者其可是概率分類器(細節如下)。
階段
除非另有說明,圖示在操作階段**3期間的工業機器和模組佈置。訓練**2將結合圖7至圖8解釋。為方便起見,圖2還圖示了在訓練期間可應用的附圖標記:進行訓練的模組佈置372,其中次級模組312、322和322以及輸出模組362都在進行訓練(細節參見圖7至圖8)。
圖2還圖示了可選的指標推導模組374,將結合圖9至圖10對其進行解釋。
預測故障時間中的時機準確性
圖3圖示了關於(圖1A和1B的)工業機器113的操作與由模組進行的故障預測中的故障間隔相結合的時間圖。模組可是傳統模組(無次級)或者可是模組佈置373。
水平線指示在簡化操作場景中工業機器的操作。
• 場景1:機器一直操作,直到其在t_fail_1 < t_fail_a時發生故障。該模組未提供可接受的指示。
• 場景2:機器一直操作,直到其在預測的故障間隔[t_fail_a, t_fail_b]期間發生故障。模組確實提供了可接受的指示,但是操作者決定不對機器進行維護。
• 場景3:機器一直操作,直到其在預測的故障間隔[t_fail_a, t_fail_b]之後在t_fail_3時發生故障。
• 場景4:機器一直操作,直到維護中斷“停止”。維護在預測的t_fail_a之前不久開始。機器恢復操作,並且最終將在t_fail_4時發生故障。這幾乎是理想的情況。
期望的是使預測更準確。就此,附圖通過修改後的預測故障間隔[t_fail_a', t_fail_b']進行了圖示,其比其原有間隔更短。操作者可推遲維護直到t_fail_a'之前不久。這樣的改進對於模組佈置(級聯模組,參見圖2)是可行的。
模組佈置在運行時間t3時操作(參見圖2)並且計算持續時間(計算機用於計算{Z...}所花費的時間)可忽略。間隔[t_fail_a, t_fail_b]是預測的故障間隔。
圖示是簡化的,本領域技術人員可推導其他度量,其中:
• 剩餘使用壽命(Remaining Useful Life,RUL)。故障可是不同的,並非所有故障類型都會使機器無法使用。例如,軸承的“無油”指示使操作者有機會對該軸承進行維護並且機器可繼續操作。操作者將通過收集另外數據獲得RUL,該另外數據指示超出簡單地缺油之外的故障(諸如馬達故障)。
• 故障時間(Time to Failure,TTF)將是(從t3)至t_fail_a(短TTF)或至t_fail_b(長TTF)的間隔。
• 作為嚴重性指示的故障風險,其可從t_type推導(可選地,將時間也納入考量)。
如將解釋的,接收來自基本上所有可得機器數據{{X…}}N的單個模組可能提供不適合操作者做出適當決定的預測數據{Z...}。
圖4圖示了(圖1A的)工業機器的操作與模式特定模組進行的預測中的模式特定故障間隔相結合的時間圖。
模組佈置可以模式區分預測的故障間隔,附圖就MODE_1並就MODE_2(t_fail_1、t_fail_2)分別進行了圖示。
機器操作者可理解操作模式以反映易於檢測的狀態,諸如“開(ON)”(機器正在運行)、“待機(STAND-BY)”(機器以低能量操作但不提供產品等等)、“滿負荷(FULLY-LOADED)”等等。但是模式與預測的故障相關,並且操作者不必知道機器切換了模式。甚至不要求機器實施模式切換。模式是代表機器操作的屬性。
在簡化的示例中,MODE_1中的機器將會比MODE_2中的機器更早發生故障。該訊息對操作者來說可是重要的。如下面圖示的,在t3時(模組佈置的操作時間),操作者得知預測的故障間隔,該預測的故障間隔分別關於兩種模式並且可選地關於兩種模式的組合(“MODE_1 OR _2”)。
直到t3,操作者可控制機器以MODE_1或以MODE_2運行,或者機器採用任何模式而沒有採用特定模式的明確控制。
可能地,操作者可以MODE_2繼續直到t4(在關於MODE_1的t_fail_1之前不久)。維護可推遲,或者從大約t4開始操作者僅允許機器以MODE_2操作。
圖示是非常簡化的,在t3之後的機器操作期間(由從t3到t4取得的當前數據代表),計算機將更新預測。(在t3之後)繼續以MODE_1操作機器可能地可使(關於MODE_1的)t_fail向左移動。因此,操作者可決定僅在t3之後不久(而不是在t4時)切換到MODE_2。
注意的是,操作者不必事先知道模式,其可切換機器以不同地操作,並且模式指標將告訴他或她模式。
區分操作模式的模組佈置可較精確地識別(整體)故障間隔。本說明結合圖5解釋了提高預測精度的細節,但對其中可使用故障預測數據{Z...}和模式識別數據的組合以控制機器的應用場景進行了簡短討論。
(半)自動模式適應
圖4及其解釋可作為建立控制規則的示例。機器控制器可將故障預測數據{Z...}(在t3時可得)處理為實際的控制命令以控制機器的操作。規則可通過更高級別優化目標增強。例如,對於“盡可能久地避免維護”的優化目標,控制器將令機器在任何模式下操作直到t4,但從t4開始將不允許以MODE_1操作。
人類專家的參與將是最少化的(例如,將t4定義為在t_fail之前具有某些預定義窗口)。
向機器發送控制命令的控制器可改變模式。但基本上在任何時間,(經過訓練的)模組佈置(或至少其模式分類器)都可建立模式(或至少建立聚類),使得如果需要的話可反轉命令。或者,控制器檢查其命令對模式的可能影響。
換言之,由佈置實行的預測(方法203,參見圖1B)可通過將{Z...}轉發到機器控制器加以使用,該機器控制器令機器採用其中故障時間預測為最遲發生的模式,採用其中維護時間最遲發生的模式,或根據其他標準。
從不同的角度,工業機器可與根據預定義的優化目標切換操作模式的機器控制器相關聯。所提到的標準也可寫成為目標,諸如以(盡可能久地)避免維護、以(與其他模式相比)其中故障預測為最遲發生的模式操作機器。
機器示例
圖5圖示了工業機器110的框圖。機器在具有代表真實機器中的真實組件的符號式組件的意義上是虛構的。非虛構機器的示例包括化學反應器、冶金爐、容器、泵、馬達和發動機。
機器110具有驅動器120。振動感測器130附接到驅動器並以時間序列{X...}的形式提供訊號。在該簡化示例中,機器數據應僅包含感測器數據。機器使用可替換工具(或執行器)140-1/140-2。附圖通過示出交替以工具1或工具2(“箭頭工具”或“三角工具”)操作的機器象徵工具。機器與對象150交互(在此示例中通過工具)。在交互期間,對象應改變其形狀(例如機器是金屬加工車床)、其位置(運輸機器)、顏色(塗裝機器人)或者等等。
在圖5的簡化圖示中,工具的選擇決定了機器配置(諸如第一和第二配置)。在更現實的場景中,機器可具有多得多的組件,這帶來多種配置。配置複雜性增加了上文提到的因果關係的複雜性,並且因此增加了故障預測的複雜性。為簡潔起見,本說明集中於將振動作為可能故障的唯一假設原因。操作期間發生機械振動(由訊號{X...}代表)是正常的。非常簡化地,工業機器發出聲音。根據工具/對象組合或配置,機器發出的聲音是不同的(參見不同的頻率圖)。
附圖還圖示了非常簡化的頻率圖(例如通過感測器訊號的快速傅裡葉變換獲得,這是本領域公知的)。當然,出於多種原因(例如,對象將改變其形狀)頻率分佈將隨著時間改變,但該圖給出了主要頻率的近似視圖。
總體上講,振動不應總是導致故障。但是存在值得注意的例外。在固有頻率(或共振頻率(resonance frequency),在此為fR)下,振動具有相對較高的振幅從而導致故障風險增加。再次,說明進行了簡化:現實場景知曉不同的共振頻率。
如圖所示的,通過使用工具1(“箭頭”)機器可在共振頻率附近振動,並且通過使用工具2(“三角”)存在以其他頻率的振動。該簡化視圖並未排除機器最終以fR振動的風險,但對於工具1風險更高。(在諸如工具的楊氏彈性模量等等的一些特性上)可發生小的變化並且振動可達到fR。
相關領域專家可能可調查振動並找到使用不同工具和不同頻率之間的相關性。然而,在提到的現實場景中,工業機器更加複雜(許多不同工具、許多不同對象),專家知識總體上是不可得的。
如將解釋的,計算機可區分出操作模式(或至少聚類操作時間),甚至可區分專家無法區分的模式。本說明簡化為第一和第二操作模式,並且工具語義對計算機來說無關緊要。
在簡化的示例中,兩個操作模式由不同的頻率份額區分。非常簡化地,對於第一模式,頻率在較低頻段(低於fR)佔優勢;而對於第二模式,頻率在較高頻段(高於fR)佔優勢。
儘管具有不同概率,但在兩個模式下都可達到共振頻率。
回到圖2,操作模式分類器333提供操作模式指標3{Y...}。儘管本說明使用單數形式的術語“指標(indicator)”,但應注意的是其可隨時間改變。因此,其作為時間序列給出。就3{Y...}隨時間改變的示例給出在圖10至圖11中。
原則上,存在多個選項。
• 操作模式分類器333可作為排他分類器操作,其輸出對應於操作模式的變量(例如,模式1 XOR模式2)。或者,在多個操作模式的情況下,操作模式分類器333是來自值集{MODE_1, MODE_2, MODE_3等}的預定義值。在替代情況下,模式的數量不是預定義的,而是確定為聚類的數量。
• 操作模式分類器333可作為概率分類器操作,其輸出帶有操作模式的概率的變量(例如,模式1為80%並且模式2為20%)。
• 操作模式分類器333可是兩者的組合:其可是預定義值與概率範圍的組合。例如,3{Y...}可實施為帶有兩個變量的向量、雙變量時間序列3{{Y...}2:第一變量指示模式,並且第二變量指示概率。例如,對於給定時間點tm,模式為MODE_1的概率為80%。
可選地拆分歷史機器數據
假設已經訓練了操作模式分類器332/333(參見圖2),至少通過初步訓練,其可將歷史機器數據{{X...}}N(多變量時間序列,或{{X...}}N3)處理為兩個子序列中的歷史機器數據。就此將結合圖6和圖8解釋細節。
圖6圖示了如圖1B中的歷史多變量時間序列{{X...}}N。操作模式分類器可在操作模式指標3{Y...}中區分模式(在此為MODE_1和MODE_2)。
作為結果,X數據可分佈到兩個(或更多個)多變量時間序列。在示例中,就m = 1, 2, 3, ... 檢測到MODE_1,並且就m = 4, 5, 8, 9檢測到MODE_2。
可適用變型。例如,模式區分可僅以相對較低的概率建立(參見上面的討論),特定數據可分派到兩個模式。
對於模式特定的時間序列,可忽視去除(left-out)時隙,由此時間表現為以連續的時隙前進。本領域技術人員可引入新的時間計數器或等等。
在這個意義上,歷史數據{{X...}}N轉為模式注釋的歷史數據{{X...@1}}N和{{X...@2}}N。然而不要求人類專家的監督。
儘管在此未圖示,但拆分(split)也可應用於故障數據。將具有以模式1操作期間或以模式2操作期間發生的歷史故障。
在圖8的步驟852中可使用拆分歷史機器數據(或故障數據)。
可將拆分歷史數據(機器或故障數據)視為聚類。聚類帶來可區分的時間序列片段(例如通過3{Y...}區分)。將特定聚類自動分配到特定模式是方便的。示例使用分配到兩個模式的兩個聚類。
僅以示例的方式,附圖圖示了segm_1(MODE_1中)、segm_2(MODE_2中)、segm_3(也是MODE_1中)、segm_4(也是MODE_2中)等等。時間序列片段可具有不同的持續時間(例如,segm_1具有3*Δt,segm_2具有2*Δt以及等等)。將片段分開到具有(segm_1, segm_3, ...)的第一聚類中和具有(segm_2, segm_4, ...)的第二聚類中。
就將(工業機器的)操作時間分開到不同的聚類中的聚類是方便的,這是因為操作模式是時間的函數(3{...}是時間序列)。
重新審視原始數據( Original data revisited )
如上文提到的(圖1B),可訓練模組並隨後將其用於處理數據。在訓練模組佈置期間(參見圖2,其具有兩層的層次),次級模組將原始數據(機器數據{X...}、故障數據{Q...}等)轉換為中間數據{Y...},全部都是歷史數據。輸出模組處理中間和原始數據,其也是歷史數據。
一旦模組佈置已經經過訓練,其接收原始數據(諸如{{X...}}N)並提供預測{Z...},這是當前數據。然而,至少輸出模組可接收原始數據和中間數據,兩者都是當前數據。
以下可是有利的:
• 較高級別的模組(諸如輸出模組)接收原始數據(即尚未處理的數據)與中間數據的組合,
• 中間數據具有特定功能,並且
• 這樣的中間數據的可得性是級聯的(在訓練期間和預測期間)。
給出了至少一個示例場景。因為由人類專家對原始數據進行注釋是困難的,中間數據(諸如模式指標)可作用為事實上的注釋。順序保持不變:輸出模組將在事實上的注釋可得時使用該事實上的注釋,而不是更早。
將就兩層的層次(參見圖2)解釋該方法,但可引入另外的層。
級聯訓練( Cascaded training )
圖7圖示了級聯訓練702的簡化時間圖。粗水平線指示訓練期間數據的可得性。豎直箭頭指示訓練期間的數據使用。儘管多條豎直線可源自同一水平線,但這並不意味著要求使用相同的數據。有時,重複使用數據可暗示來自不同變量的使用(參見{{X...}}N可能並不來自所有N個變量,而是來自不同的變量子集)。一旦數據已經使用,數據仍是可得的:水平線從實線變為虛線。在重複一些訓練步驟的情況下,再次使用數據是方便的。
時間從左到右前進,其中時間點t2指示階段**2的開始,並且時間點t3指示在操作階段**3中(參見圖3,t3標誌著計算機實行預測的運行時間)。
方框象徵了方法步驟712、722、732,但方框的寬度不與時間成比例。在右側,方框可具有粗豎直線742和762,其象徵運行經過訓練的(次級)模組以提供輸出。
本說明偶而返回參考圖1A(關於機器的附圖標記111、提供歷史機器數據151)、圖2(拓撲,應用附圖標記**2)和圖5(具有兩個模式的機器示例)。
本說明使用術語“初步”以指示方法步驟的可選重複。換言之,可重複單個訓練步驟。為方便起見,本說明指的是數據語義(例如,頻率或fR下的故障),但計算機則不必將這樣的語義納入考量。
歷史數據從開始(即t2之前)就是可得的。例如,歷史數據可具有時間序列的形式。附圖將歷史數據區分為歷史故障數據{Q...}和歷史機器數據{{X...}}N(其接收自工業機器111或自不同機器)。
儘管故障數據作為單變量時間序列{Q...}給出,但不同故障類型(即故障變量)可由多變量時間序列(諸如{{Q...}})代表。
步驟 712/742
在步驟712中,計算機使用歷史機器數據(以及可選的故障數據,未圖示)以(初步)訓練模式分類器(即圖2中的次級模組333)。一旦經過訓練,操作模式分類器333可使用歷史機器數據以計算歷史模式指標3{Y...}。對於該步驟,不需要監督(即處理專家注釋)。
在步驟742中,計算機計算歷史模式指標3{Y...}。由於歷史機器數據{{X...}}N與歷史模式指標3{Y...}同步可得,時間點tm不改變,兩個數據形成數據對(在自動生成的注釋的意義上,在此帶有模式指標)。
例如,3{Y...}可是時間序列,其指示在第一個24小時間隔內以模式1並且在第二個24小時間隔內以模式2的交替操作。
不要求識別原因(諸如使用工具1或工具2或其他語義)可為有利的。計算機使用可得數據,但不要求帶有監督的訓練或其他形式的專家參與。
步驟 722/762
在步驟722中,計算機使用歷史機器數據{{X...}}N並且(可選地)使用歷史模式指標3{Y...}以訓練次級模組313、323。一旦經過訓練,次級模組313、323可提供中間狀態指標1{Y...}和2{Y...}。例如,中間狀態指標1{Y...}和2{Y...}可是指示頻率改變的值,諸如隨時間增加或減少。
儘管附圖以單個框圖示該步驟,但該步驟是就兩個次級模組分開實行的(串行或並行地)。
在步驟762中,計算機再次使用歷史機器數據{{X...}}N以計算中間狀態指標1{Y...}和2{Y...},這當然是歷史指標。例如,兩個中間狀態指標都指示頻率上的歷史增加。(雖然語義無關緊要)
步驟 732
歷史故障數據Q(真實故障數據)是可得的,其甚至在較早即可得,但是可能地其可用於與中間狀態指標進行比較。這樣的故障數據可自動獲取。在簡單的實施方式中,故障將由感測器訊號{Q...}代表,其再次作為指示(實際發生的)故障時間的時間序列。
在步驟732中,計算機使用歷史故障數據{Q...}、中間狀態指標1{Y...}和2{Y...}以及模式指標3{Y...}以訓練輸出模組362。
通過訓練,輸出模組362轉變為輸出模組363(圖2),並且次級模組也轉變為帶有附圖標記**3的模組。為了保持示例語義,模組佈置373將能夠就提高的頻率檢測MODE_1下的故障,其中t_fail_a和t_fail_b將在自模式改變10到14小時之間發生(頻率剛好接近fR)。對於MODE_2,頻率也升高(但遠離fR)並且t_fail將會不同。
換言之,通過區分操作模式,模組佈置373能夠為預測提供提高的時機準確性。
以拆分歷史數據進行級聯訓練
圖8圖示了關於就圖7解釋的訓練的變型中的級聯訓練802的簡化時間圖。
步驟對應於就圖7解釋的步驟,但是計算機實行額外的步驟852(以拆分歷史機器數據,參見圖6),並且(圖7中的)步驟722作為次級模組312/313的步驟822@1並且作為次級模組322/323的步驟822@2實行。
(在步驟812中)一旦模式分類器模組已經經過訓練,計算機在步驟842中計算歷史模式指標3{Y...}。如以圖6解釋的,然後使用3{Y...}以將歷史機器數據拆分成模式注釋的歷史數據{{X...@1}}N和{{X...@2}}N。(步驟842和852可組合實施。)
隨後分開訓練次級網路(步驟822@1、822@2)以提供中間狀態指標1{Y...}和2{Y...}。
不拆分歷史故障數據{Q...}是方便的。(當機器以MODE_2操作時,可出現由MODE_1下的環境導致的故障,並且反之亦然。)
方法概述
圖9圖示了預測工業機器的故障的計算機實施的方法203的流程圖。在實行方法203時,計算機使用處理模組的佈置,諸如圖2)的模組佈置373或帶有另外的層次的佈置。為方便起見,該圖圖示了流程圖連同帶有數據X、Y和Z的圖2的象徵符號。
在接收步驟213中,計算機通過第一、第二和第三次級處理模組313、323、333接收來自工業機器113的機器數據({{X...}}N),該第一、第二和第三次級處理模組313、323、333佈置為向輸出處理模組363提供中間數據1{Y...}、2{Y...}、3{Y...}。佈置373已經事先通過級聯訓練進行訓練,參見圖7至圖8中的702/802。
計算機使用第一次級模組313處理223A機器數據以確定第一中間狀態指標1{Y...};使用第二次級模組323處理223B機器數據以確定第二中間狀態指標2{Y...};並且使用第三次級模組333(作為操作模式分類器模組)來處理223C機器數據以確定操作模式指標3{Y...},全部三個指標是工業機器113的指標。
在處理步驟243中,計算機通過輸出模組363處理第一和第二中間狀態指標1{Y...}、2{Y...}和操作模式指標3{Y...}。由此,輸出模組363通過提供預測數據{Z...}預測工業機器113的故障。
操作示例
現在接收當前機器數據153(參見圖1至圖2)的模組佈置373將就實際時間點t3(參見圖3)識別模式(模組333)和狀態指標(模組313、323)。
機器數據的選擇
如提到的,機器數據{{X...}}可是感測器數據和其他數據。
假設人類專家不能(為故障預測)選擇相關的機器數據子集。選擇因此(在模組進行訓練的時候)由模組進行。一些機器數據可以較大權重處理,一些其他感測器數據可以較小權重處理。
對於非感測器數據,人類專家可具有較好的洞察力以做出選擇(在這種情況下,專家可將一些數據標簽為不相關)
在實施方式中,子集{{X...}}N1和{{X...}}N2可通過根據變量對時間序列進行分組而進一步劃分,參見圖2中的符號元素∈。
使用模組推導的指標(諸如模式指標)
在現代工業環境中,可預期工業機器會頻繁改變其操作模式。一個原因可是較小生產批量的趨勢。模式更改率(每一定時間模式更改的數量)可與故障相關,這並非針對所有機器,但針對一些機器。
作為推導模式指標的模式改變
圖10圖示了帶有模式指標3{Y...}的時間順序,其針對兩個模式(MODE_1“黑”和MODE_2“白”)。時間窗口(相等的持續時間,帶有每窗口預定義數量的時間間隔Δt)與模式更改的數量相關(從MODE_1到MODE_2或反之)。方法可認為是模式函數隨時間的推導。
計算機可通過處理操作模式分類器的輸出(參見圖2)確定模式改變率,並且該改變率可是輸出模組363的另外的輸入值。可就當前數據並且就歷史數據計算模式改變率。為了象徵該可選操作,圖2示出了分類器333和輸出模組363之間的模式指標推導模組374。
而圖10通過僅示出兩個模式進行了簡化,就其他場景也可對模式改變進行量化。
在替代實施方式中,時間間隔的數量不必是預定義的。聚類也是可能的,以根據不同的窗口持續時間和/或不同模式改變的發生而識別聚類。
圖11圖示了狀態轉換圖(具有5個模式或狀態),並且具有模式轉換。一個圖將應用於(圖10的)一個時間窗口,並且可指示模式轉換的發生(例如,A到B、B到C、C到D以及反之等等)。附圖通過線的粗細象徵轉換發生的數量,其中D到A是顯著的轉換。當然,在其他時間窗口期間,數量可改變。再次,每具體轉換的轉換發生數量可輸入到輸出模組362/363。
該計算例如可由指標推導模組374(參見圖2)實行。
在替代實施方案中,在此聚類也是可能的,諸如對轉換進行聚類,並且例如區分具有高或低子模式轉換的模式。
提供歷史數據的多個機器
圖12圖示了多個工業機器111α、111β和111γ以及帶有機器數據{{X...}}N的歷史時間序列和帶有故障數據{Q...}的歷史時間序列。為簡單起見,附圖並未使用所有可得附標。
如上文提到的,數據可並非以足夠的數量可得。因此,附圖圖示了提供歷史機器數據X和歷史故障數據Q的多個工業機器。附圖象徵著,在理想條件下,帶有數據的時間序列將以等於每機器的時間序列數量乘以機器的數量(僅簡化為具有3個機器α、β、γ)的數量可得。
對於方法702/802中的訓練,計算機(接收訓練的佈置372)將在N+1輸入變量處一次性處理時間序列{{X...]}}N和時間序列{Q...}。然後計算機將轉向下一時間序列。
可能地,計算機將處理連續的時間序列(1)、(2)至(Ω),諸如就圖1B提到的“一次輸入”中的{{X...}}N以及{Q...}。本領域技術人員可佈置就α、就β、就γ的重複,或者甚至令計算機立刻處理α{{X...}}N、β{{X...}}N、γ{{X...}}N、α{Q...}、β{Q...}、γ{Q...}。其他處理選項也是可得的。
通過以虛擬感測器和遷移學習( transfer learning )增強而補償缺失的變量
具有多個機器的場景,諸如圖12中描述的場景將理想地以來自基本相等的來源的機器數據(和故障數據)操作。
例如,單變量時間序列α{X...}n將類似於單變量時間序列β{X...}n,因為在機器α和β二者中就變量n的感測器將是相同類型的感測器。但是,並非所有機器都配備有相同的感測器。本說明現在解釋處理這樣的限制的方法。
圖13圖示了協調機器數據(以及可能的故障數據Q)的方法中的不同工業機器。協調可應用於歷史數據(階段**1)並且用於當前數據(階段**3)。
附圖重複了工業機器111α、111β和111γ(來自圖12),但指出機器數據的不同可得性。機器α應具有通常數量的N個變量,機器β應缺少一個變量(N-1個變量),而機器γ應具有更多數量的變量(N+1個變量)。
附圖圖示了數據協調器382β和382γ。數據協調器382β通過虛擬感測器(在此為Xn)提供缺失的數據,並且數據協調器382γ過濾進入的數據(即,移出過剩數據)。
附圖是簡化的,數據的缺乏和過剩取決於特定變量對預測的貢獻。一些機器數據(即該數據中的一些變量)完全與預測故障無關。
兩個協調器都採用事先已經通過遷移學習進行訓練(就階段而言,這是**1)的模組。例如,機器α和γ可是主機器以令協調器382β學習如何虛擬感測器Xn。或者,機器α和β是用於學習特定數據集可忽略的主機器。
如圖示的,協調器將不會改變故障數據{Q...}。
已經通過遷移學習訓練的域適應機器學習模型(domain adaptation machine learning model)處理歷史機器數據(該歷史機器數據是作為多變量時間序列從特定類型的多個工業機器獲得的,但具有多個域)。歷史機器數據反映了多個域的相應機器的狀態。通常,每個機器的數百或上千個感測器測量操作參數,諸如,舉例來說,溫度、壓力、化學成分等(參見相對高的變量數量N)。這樣的在特定時間點測量的參數定義了機器在該時間點的相應狀態。由於每個機器的多個特性(例如,操作模式、尺寸、諸如材料成分的輸入材料等),不應用多變量時間序列數據的專用轉換,則不可能直接比較兩個機器(源機器和目標機器)。
可使用不同的遷移學習方法。例如,域適應機器學習模型可通過具有卷積和/或循環層的深度學習神經網路實施,其訓練為從歷史機器數據中提取域不變特徵作為第一域不變數據集。可實施遷移學習以從歷史機器數據中提取域不變特徵。深度學習中的特徵是從多變量時間序列數據中提取的特定機器特徵的抽象表示,該多變量時間序列數據是由該特定機器的操作生成的。通過應用遷移學習,可能的是從獨立於具體類型(即獨立於多種域)的多個真實世界機器中提取域不變特徵。
在替代方法中,域適應機器學習模型已經訓練為學習從多個機器映射到參考機器的對應原始數據的多個映射。參考機器可是代表某種平均機器的虛擬機器,或者可是實際機器。每個映射是相應特定機器到參考機器的變形的表示。在該方法中,多個映射對應於第一域不變數據集。例如,這樣的域適應機器學習模型可通過基於CycleGAN架構的生成式深度學習架構實施。該架構已經在不同應用領域得到普及:用以生成人工(或“假”)圖像。CycleGAN是GAN架構的擴展,其涉及同時訓練兩個生成器模型和兩個判別器模型。一個生成器將來自第一域的數據作為輸入並為第二域輸出數據,並且另一個生成器將來自第二域的數據作為輸入並為第一域生成數據。然後使用判別器模型確定生成的數據的可信度並且相應地更新生成器模型。CycleGAN對該架構使用稱為循環一致性的額外擴展。其背後的構想是第一生成器輸出的數據可用作為第二生成器的輸入,並且第二生成器的輸出應與原始數據匹配。反之也是真的:即來自第二生成器的輸出可作為輸入給送到第一生成器,並且結果應與第二生成器的輸入匹配。
循環一致性是來自機器翻譯中的概念,其中從英語翻譯成法語的術語應從法語翻譯回英語並且與原始術語相同。相反的過程也應是真的。CycleGAN通過添加額外損失以測量生成的第二生成器的輸出與原始圖像之間的差異(並且反之亦然)而鼓勵循環一致性。這作用為生成器模型的正則化,從而將新域中的圖像生成過程朝向圖像翻譯引導。為了使來自圖像處理的原始CycleGAN架構適應於用於獲得第一域不變數據集的多變量時間序列數據的處理,可實施以下修改,其是通過使用結合卷積層的循環層(以LSTM為例)以學習多變量時間序列數據的時間依賴性,如在C. Schockaert, H. Hoyez, (2020) “MTS-CycleGAN: An Adversarial-based Deep Mapping Learning Network for Multivariate Time Series Domain Adaptation Applied to the Ironmaking Industry”, In arXiv: 2007.07518中詳細描述的。
關於遷移學習的概述從以下文獻可得:Fuzhen Zhuang, Zhiyuan Qi, Keyu Duan, Dongbo Xi, Yongchun Zhu, Hengshu Zhu, Hui Xiong, Qing He: "A Comprehensive Survey on Transfer Learning" arXiv:1911.02685。
通過模擬補償
圖14圖示了其中N=2的雙變量時間序列{{X..}N中的機器數據,其中第一時間序列由感測器135提供(如在正常情況下,參見圖5中的感測器130)並且第二時間序列由數據處理器165提供。
例如,工具(圖5中的140)可隨時間不再鋒利。可能沒有可對此進行測量的感測器,並且設置虛擬感測器可也是困難的(可能缺失主感測器,因為難以測量鋒利度)。
數據處理器165可通過使用專家制定的公式的計算機實施。例如,人類專家可將現有數據與計算鋒利度隨時間的下降相關聯(並且因此與必須更換工具(或使工具重新鋒利)的時間點相關聯)。舉例來說,這樣的數據可包括工具已經插入到機器中的時間、操作數量或對象數量等。
在替代實施方式中,數據處理器165可實施為實行模擬的計算機。從這個意義上說,計算機可上文描述地操作,不是作為整體預測機器的故障,而是預測工具的故障(“不再鋒利”是故障條件)。設置模擬器可能地只要求與人類專家的最少交互。
上述檢測故障的原理也可應用於機器零件。工具終將發生故障。存在兩個後果:
• 首先,工具故障是特定故障類型(可就其如此進行預測)
• 其次,可模擬工具故障並將其用作輸入。
模式特定訓練
圖7結合圖8圖示了可分開訓練用於不同模式的次級模組。
假設有2個次級模組(如圖2中那樣),模式分類器可根據模式區分歷史數據,使得第一模組以MODE_1數據訓練並且第二模組以MODE_2數據訓練。
對於當前數據,兩個模組都將提供中間狀態指標(諸如1{Y...}和2{Y...})並且其將不會接收模式指示(參見圖2)。因此,每次機器以MODE_2操作時,第一模組將產生“垃圾”(就第二模組反之亦然)。但是由於操作模式分類器333提供模式指標(當前數據)3{Y...},輸出網路(如果經過訓練的話)將忽視一些中間數據。
更一般地,當模式分類器模組實行聚類時,聚類的數量可多於兩個。可能的是根據模式聚類的數量動態地添加或移除(並非模式分類器的)次級模組。
模式特定偏差
根據圖2的拓撲,操作模式指標3{Y...}去到輸出模組363。在實施方式中,指標還可用作為次級模組313和323的偏差。
通用計算機
圖15圖示了可與本文描述的技術一起使用的通用計算機設備的示例。附圖是示出可與本文描述的技術一起使用的通用計算機設備900和通用移動計算機設備950的示例的圖。計算設備900旨在表示多種形式的數位計算機,諸如筆記本電腦、台式機、工作站、個人數位助理、伺服器、刀片伺服器、大型計算機和其他合適的計算機。計算設備950旨在代表多種形式的移動設備,諸如個人數位助理、蜂窩電話、智能電話、車輛的駕駛輔助系統或車載計算機、和其他類似的計算設備。例如,用戶(例如,工業機器的操作者)可將計算設備950用作為前端以與計算設備900交互。這裡示出的組件、其連接和關係、以及其功能僅旨在是示例性的,並不意味著限制在本文件中描述和/或要求保護的發明的實施方式。
計算設備900包括處理器902、記憶體904、儲存設備906、連接到記憶體904和高速擴展端口910的高速接口908、和連接到低速總線914和儲存設備906的低速接口912。每個組件902、904、906、908、910和912使用多種總線互相連接,並且可安裝在公共主板上或視情況以其他方式。處理器902可處理用於在計算設備900內執行的指令,包括存儲在記憶體904或儲存設備906上的指令,以在外部輸入/輸出設備(諸如耦接到高速接口908的顯示器916)上顯示用於GUI的圖形訊息。在其他實施方式中,可視情況使用多個處理器和/或多個總線以及多個記憶體和記憶體類型。此外,可連接多個計算設備900,其中每個設備提供必要操作的部分(例如,作為伺服器組、刀片伺服器組、或多處理器系統)。
記憶體904在計算設備900內存儲訊息。在一個實施方式中,記憶體904是一個或多個易失性記憶體單元。在另一實施方式中,記憶體904是一個或多個非易失性記憶體單元。記憶體904也可是另一形式的計算機可讀介質,諸如磁碟或光碟。
儲存設備906能夠為計算設備900提供大容量存儲。在一個實施方式中,儲存設備906可是或包含計算機可讀介質,諸如軟碟設備、硬碟設備、光碟設備,或磁帶設備、閃存或其他類似的固態記憶體設備,或設備陣列,包括在存儲區域網路或其他配置中的設備。計算機程式產品可有形地實現在訊息載體中。計算機程式產品還可包含指令,當執行該指令時,該指令實行一個或多個方法,諸如上文描述的那些。訊息載體是計算機或機器可讀介質,諸如記憶體904、儲存設備906或處理器902上的記憶體。
高速控制器908管理用於計算設備900的帶寬密集的操作,而低速控制器912管理較低帶寬密集的操作。這樣的功能分派僅是示例性的。在一個實施方式中,高速控制器908聯接到記憶體904、顯示器916(例如,通過圖形處理器或加速器)並且聯接到可接受多種擴展卡(未示出)的高速擴展端口910。在實施方式中,低速控制器912聯接到儲存設備906和低速擴展端口914。低速擴展端口可包括多種通訊端口(例如,USB、藍芽、乙太網、無線乙太網),該低速擴展端口可耦接到一個或多個輸入/輸出設備,諸如鍵盤、定點設備、掃描儀、或者例如通過網路適配器耦接到的網路設備,諸如交換機或路由器。
如附圖中示出的,計算設備900可以多種不同形式實施。例如,其可實施為標準伺服器920或在成組的這樣伺服器中實施為多倍。其也可實施為機架式伺服器系統924的部分。另外,其可實施於個人計算機中,諸如筆記本計算機922。替代地,來自計算設備900的組件可與諸如設備950的移動設備(未示出)中的其它組件組合。這樣的設備中的每個可包含計算設備900、950中的一個或多個,並且整個系統可由彼此通訊的多個計算設備900、950組成。
在其他組件之外,計算設備950尤其包括處理器952、記憶體964、輸入/輸出設備(諸如顯示器954)、通訊接口966和收發器968。設備950還可提供有儲存設備(諸如微驅動器或其它設備)以提供額外存儲。組件950、952、964、954、966和968中的每個使用多種總線互相連接,並且組件中的若干組件可安裝在公共主板上或視情況以其他方式。
處理器952可在計算設備950內執行指令,包括存儲在記憶體964中的指令。處理器可實施為晶片的晶片組,其包括單獨且多個的模擬和數位處理器。例如,處理器可提供用於設備950的其它組件的協調,諸如用戶界面的控制、設備950運行的應用程式、以及設備950的無線通訊。
處理器952可通過聯接到顯示器954的控制接口958和顯示器接口956與用戶通訊。例如,顯示器954可是TFT LCD(薄膜電晶體液晶顯示器)或OLED(有機發光二極體)顯示器或其它適當的顯示器技術。顯示器接口956可包括用於驅動顯示器954以向用戶呈現圖形及其它訊息的適當電路。控制接口958可接收來自用戶的命令並且轉換該命令用於提交到處理器952。另外,可提供與處理器952通訊的外部接口962,以便實現設備950與其它設備的近區域通訊。例如,外部接口962在一些實施方式中可提供用於有線通訊,或在其它實施方式中用於無線通訊,並且也可使用多個接口。
記憶體964在計算設備950內存儲訊息。記憶體964可實施為一或多個計算機可讀介質、一個或多個易失性記憶體單元、或者一個或多個非易失性記憶體單元中的一個或多個。還可提供擴展記憶體984並通過擴展接口982連接到設備950,例如,擴展接口982可包括SIMM(單列直插式記憶體模組)卡接口。這樣的擴展記憶體984可為設備950提供額外的存儲空間,或也可存儲用於設備950的應用程式或其它訊息。具體地,擴展記憶體984可包括用以執行或補充上文描述的過程的指令,並且還可包括安全訊息。因此,例如,擴展記憶體984可作用為用於設備950的安全模組,並且可編程有准許安全使用設備950的指令。此外,可經由SIMM卡提供安全應用程式以及額外訊息,諸如以不可篡改的方式將識別訊息置於SIMM卡上。
如下文討論的,例如,記憶體可包括快閃和/或NVRAM記憶體。在一個實施方式中,計算機程式產品有形地體現於訊息載體中。計算機程式產品包含指令,當執行該指令時,該指令實行一個或多個方法,諸如上文描述的那些。訊息載體為計算機可讀介質或機器可讀介質,諸如記憶體964、擴展記憶體984、或處理器952上的記憶體,其可在例如收發器968或外部接口962上接收。
設備950可通過通訊接口966無線通訊,該通訊接口966必要時可包括數位訊號處理電路。通訊接口966可提供用於多種模式或協議下的通訊,尤其是諸如GSM語音呼叫、SMS、EMS或MMS消息、CDMA、TDMA、PDC、WCDMA、CDMA2000或GPRS等等。例如,這樣的通訊可通過射頻收發器968發生。另外,短程通訊可發生,諸如使用藍芽、WiFi或其它這樣的收發器(未示出)。另外,GPS(全球定位系統)接收器模組980可向設備950提供額外的導航和位置相關的無線數據,該數據可視情況由在設備950上運行的應用程式使用。
設備950還可使用音頻編解碼器960以可聽方式通訊,音頻編解碼器960可接收來自用戶的口語訊息並將其轉換為可用數位訊息。類似地,音頻編解碼器960可為用戶生成可聽聲音,諸如通過例如在設備950的聽筒中的揚聲器。這樣的聲音可包括來自語音電話呼叫的聲音,可包括記錄的聲音(例如,語音消息、音樂文件等),並且還可包括在設備950上操作的應用程式生成的聲音。
如附圖中示出的,計算設備950可以多個不同形式實施。例如,其可實施為蜂巢式行動通訊(cellular telephone)980。其也可實施為智能電話982、個人數位助理或其它類似移動設備的部分。
在此描述的系統及技術的多種實施方式可以數位電子電路、集成電路、專門設計的ASICs(application specific integrated circuits,特定應用積體電路)、計算機硬體、軔體、軟體和/或其組合實現。這些多種實施方式可包括以一個或多個計算機程式實施,該計算機程式是在可編程系統上可執行的和/或可解釋的,該可編程系統包括至少一個可編程處理器、至少一個輸入設備以及至少一個輸出設備,該可編程處理器可是專用或通用處理器,其耦接以從存儲系統接收數據及指令並且將數據及指令傳輸到儲存系統。
這些計算機程式(也稱作程式、軟體、軟體應用程式或代碼)包括用於可編程處理器的機器指令,並且可以高級面向過程和/或面向對象的編程語言實施、和/或以彙編/機器語言實施。如本文中使用的,術語“機器可讀介質”和“計算機可讀介質”是指用以向可編程處理器提供機器指令和/或數據的任何計算機程式產品、裝置和/或設備(例如,磁碟、光碟、記憶體、可編程邏輯設備(Programmable Logic Devices,PLDs)),包括接收作為機器可讀訊號的機器指令的機器可讀介質。術語“機器可讀訊號”是指用以向可編程處理器提供機器指令和/或數據的任何訊號。
為提供與用戶的交互,在此描述的系統及技術可在下述計算機上實施,該計算機具有用於向用戶顯示訊息的顯示器設備(例如,CRT(陰極射線管)或LCD(液晶顯示器)監視器)和用戶可通過其向計算機提供輸入的鍵盤和定點設備(例如,鼠標或軌跡球)。其它種類的設備也可用以提供與用戶的交互;例如,提供給用戶的反饋可為任何形式的感覺反饋(例如,視覺反饋、聽覺反饋或觸覺反饋);並且可以任何形式接收來自用戶的輸入,包括聲音、話語或觸覺輸入。
在此描述的系統及技術可在下述計算設備中實施,該計算設備包括後端組件(例如,作為數據伺服器),或包括中間件組件(例如,應用伺服器),或包括前端組件(例如,具有圖形用戶界面的客戶端計算機或用戶可通過其與在此描述的系統及技術的實施方式交互的Web瀏覽器),或這樣的後端、中間件或前端組件的任何組合。系統的組件可通過任何數位數據通訊形式或介質(例如,通訊網路)互相連接。通訊網路的示例包括局域網路(“LAN”)、廣域網路(“WAN”)及網際網路。
計算系統可包括客戶端及伺服器。客戶端與伺服器總體上是彼此遠程的並且典型地經由通訊網路交互。客戶端與伺服器之間的關係借助於在相應計算機上運行並且彼此之間具有客戶端-伺服器關係的計算機程式產生。
已經描述了多個實施例。然而,將理解的是,在不脫離本發明的精神和範圍的情況下可進行多種修改。
此外,附圖中描繪的邏輯流程不要求示出的特定次序或順序次序以實現期望的結果。此外,可提供其他步驟,或者可從描述的流程中取消步驟,並且可將其他組件添加到描述的系統或從描述的系統移除其他組件。相應地,其他實施例在所附身請專利範圍的範圍內。
110:機器
111:工業機器
111α:工業機器
111β:工業機器
111γ:工業機器
113:工業機器
120:驅動器
130:振動感測器
135:感測器
140-1:工具
140-2:工具
150:對象
151:機器數據
153:機器數據
165:數據處理器
193:操作者
203:預測方法
213:步驟
223A:處理
223B:處理
223C:處理
243:步驟
312:次級模組
313:次級模組
322:次級模組
323:次級模組
332:操作模式分類器
333:操作模式分類器
362:輸出模組
363:輸出模組
372:模組佈置
373:模組佈置
374:指標推導模組
382β:協調器
382γ:協調器
702:訓練
712:步驟
722:步驟
732:步驟
742:步驟
762:步驟
802:訓練
812:步驟
822@1:步驟
822@2:步驟
832:步驟
842:步驟
862:步驟
900:計算設備
902:處理器
904:記憶體
906:儲存設備
908:高速接口
910:高速擴展端口
912:低速接口
914:低速總線
916:顯示器
920:標準伺服器
922:筆記本計算機
924:機架式伺服器系統
950:設備
952:處理器
954:顯示器
956:顯示器接口
958:控制接口
960:音頻編解碼器
962:外部接口
964:記憶體
966:通訊接口
968:收發器
980:接收器模組
982:擴展接口
現在將參考所附附圖詳細描述本發明的實施例,其中:
圖1A和1B圖示了工業機器和模組佈置;
圖2圖示了模組佈置,其帶有層次上在輸出模組之下的次級模組;
圖3圖示了關於工業機械的操作與故障預測中的故障間隔相結合的時間圖;
圖4圖示了關於工業機械的操作與模式特定模組進行的預測中的模式特定故障間隔相結合的時間圖;
圖5圖示了工業機器的框圖;
圖6圖示了帶有歷史數據的多變量時間序列;
圖7圖示了關於級聯訓練的簡化時間圖;
圖8圖示了關於變型中的級聯訓練的簡化時間圖;
圖9圖示了預測工業機器故障的計算機實施方法的流程圖;
圖10圖示了帶有關於兩個模式的模式指標的時間順序,以示例的方式,其用以可選地確定模式改變率;
圖11圖示了帶有模式轉換的狀態轉換圖;
圖12圖示了多個工業機器以及帶有機器數據的歷史時間序列和帶有故障數據的歷史時間序列;
圖13圖示了協調機器數據(和可能的故障數據Q)的方法中的不同工業機器;
圖14以時間序列圖示了機器數據,其帶有由感測器提供的數據和由數據處理器提供的數據;以及
圖15圖示了通用計算機。
151:機器數據
153:機器數據
312:次級模組
313:次級模組
322:次級模組
323:次級模組
332:操作模式分類器
333:操作模式分類器
362:輸出模組
363:輸出模組
372:模組佈置
373:模組佈置
374:指標推導模組
Claims (24)
- 一種預測工業機器(113)故障的計算機實施的方法(203),所述方法使用處理模組(313、323、333、363)的佈置(373),所述方法(203)包括: 由第一、第二和第三次級處理模組(313、323、333)接收來自所述工業機器(113)的機器數據({{X...}}N),所述第一、第二和第三次級處理模組(313、323、333)被佈置為向輸出處理模組(363)提供中間數據(1{Y...}、2{Y...}、3{Y...}),其中,所述佈置(373)已經事先通過級聯訓練(702/802)進行訓練; 由所述第一次級處理模組(313)處理(223A)所述機器數據以確定第一中間狀態指標(1{Y...}); 由所述第二次級處理模組(323)處理(223B)所述機器數據以確定第二中間狀態指標(2{Y...}); 所述第三次級處理模組(333)是操作模式分類器模組,由所述第三次級處理模組(333)處理(223C)所述機器數據以確定所述工業機器(113)的操作模式指標(3{Y...});並且 由所述輸出處理模組(363)處理(243)所述第一和第二中間狀態指標(1{Y...}、2{Y...})和所述操作模式指標(3{Y...}),其中,所述輸出處理模組(363)通過提供預測數據({Z...})來預測所述工業機器(113)的故障。
- 根據請求項1所述的方法,其中,計算機使用已經根據以下訓練順序訓練的所述佈置(373): 以歷史機器數據({{X...}}N)訓練(712、812)所述第三次級處理模組(333); 運行(742)經過訓練的所述第三次級處理模組(333)以通過處理歷史機器數據({{X...}}N)而獲得歷史模式指標(3{Y...}); 以歷史機器數據({{X...}}N)並且以所述歷史模式指標(3{Y...})訓練(722、822)所述第一和第二次級處理模組(312、322); 運行(762、862)經過訓練的所述第一和第二次級處理模組(312、322)以通過處理歷史機器數據({{X...}}N)而獲得所述第一和第二中間狀態指標(1{Y...}、2{Y...});並且 通過所述歷史模式指標、通過歷史機器數據並且通過歷史故障數據({Q...})訓練(732、832)所述輸出處理模組(362)。
- 根據前述請求項中任一項所述的方法,其中,確定所述操作模式指標(3{Y...})是由已經基於歷史機器數據訓練的所述操作模式分類器(333)實行的,所述歷史機器數據已經由人類專家注釋。
- 根據請求項3所述的方法,其中,專家注釋的歷史機器數據是感測器數據。
- 根據請求項1或2中任一項所述的方法,其中,已經基於歷史機器數據訓練了所述操作模式分類器(333),使得在訓練期間,所述操作模式分類器(333)已經將所述機器的操作時間(tm)聚類為時間序列片段的聚類(segm_1/3、segm_2/4)。
- 根據請求項5所述的方法,其中,將所述時間序列片段的聚類(segm_1/3、segm_2/4)分配到操作模式指標(MODE_1、MODE_2),所述分配選自自動分配或通過與人類專家的交互分配。
- 根據請求項1至6中任一項所述的方法,其中,所述操作模式指標由隨時間模式改變的數量提供。
- 根據前述請求項中任一項所述的方法,其中,所述狀態指標(1{Y...}、2{Y...})選自指示當前狀態的當前指標和指示未來狀態的預測指標。
- 根據前述請求項中任一項所述的方法,其中,所述輸出處理模組(363)預測所述工業機器的故障,所述預測選自以下項:故障時間、故障類型、剩餘使用壽命、故障間隔。
- 根據前述請求項中任一項所述的方法,其中,所述操作模式指標(3{Y...})還用作為由所述第一和第二次級處理模組(313、323)二者處理的偏差。
- 根據前述請求項中任一項所述的方法,其中,接收機器數據是通過接收帶有感測器數據的子集實行的;並且其中,確定所述第一和第二中間狀態指標是由處理帶有感測器數據的子集的所述第一和第二次級處理模組實行。
- 根據前述請求項中任一項所述的方法,其中,接收機器數據(213)包括通過數據協調器(382β、382γ)接收機器數據,所述數據協調器(382β、382γ)根據機器數據對所述故障預測的貢獻而通過虛擬感測器提供虛擬機器數據或過濾進入的機器數據。
- 根據請求項12所述的方法,其中,通過所述數據協調器(382β、382γ)接收機器數據(213)包括從帶有已經通過遷移學習事先訓練的處理模組的協調器接收機器數據。
- 根據前述請求項中任一項所述的方法,其中,接收機器數據(213)包括接收已經由模擬產生的數據至少部分地增強的機器數據。
- 一種預測工業機器(113)的故障的方法的用途,所述方法是根據請求項1至14中任一項的方法,所述用途是通過將預測數據({Z...})轉發到控制所述機器的機器控制器。
- 根據請求項15所述的預測工業機器(113)的故障的方法的用途,其中,所述機器控制器令所述工業機器採取其中故障時間預測為最遲發生的模式。
- 根據請求項15所述的預測工業機器(113)的故障的方法的用途,其中,所述機器控制器令所述工業機器採取其中維護機器的時間最遲發生的模式。
- 一種工業機器(113),所述工業機器(113)適用於向計算機提供機器數據({{X...}}N),所述計算機適用於執行根據請求項1至14中任一項所述的方法並且還適用於接收來自所述計算機的預測數據({Z...}),其中,所述工業機器(113)與根據預定義優化目標切換所述工業機器的操作模式的機器控制器相關聯。
- 根據請求項18所述的工業機器(113),其中,所述預定義優化目標選自以下項:盡可能久地避免維護、以其中故障預測為最遲發生的模式操作。
- 根據請求項18至19中任一項所述的工業機器(113),其係選自化學反應器、冶金爐、容器、泵、馬達和發動機。
- 一種用於訓練模組佈置(372)的計算機實施的方法(702/802),所述模組佈置(372)具有聯接到輸出處理模組(362)的第一、第二和第三次級處理模組(312、322、332)以使得所述模組佈置(372)能夠為工業機器提供帶有故障預測的故障指標({Z...}),所述方法包括將級聯訓練應用於訓練所述次級處理模組(312、322、332),隨後操作經過訓練的所述次級處理模組,並且隨後訓練所述輸出處理模組,其中,所述級聯訓練包括: 以歷史機器數據({{X...}}N)訓練(712、812)所述第三次級處理模組(333); 運行(742)經過訓練的所述第三次級處理模組(333)以通過處理歷史機器數據({{X...}}N)而獲得歷史模式指標(3{Y...}); 以歷史機器數據({{X...}}N)並且以所述歷史模式指標(3{Y...})訓練(722、822)所述第一和第二次級處理模組(312、322); 運行(762、862)經過訓練的所述第一和第二次級處理模組(312、322)以通過處理歷史機器數據({{X...}}N)而獲得所述第一和第二中間狀態指標(1{Y...}、2{Y...});並且 通過所述歷史模式指標、通過歷史機器數據並且通過歷史故障數據({Q...})訓練(732、832)所述輸出處理模組(362)。
- 一種計算機程式產品,當所述計算機程式產品加載到計算機系統的記憶體中並且由所述計算機系統的至少一個處理器執行時,所述計算機程式產品使所述計算機系統執行根據請求項1至14或請求項20中任一項所述的計算機實施的方法的步驟。
- 一種包括多個處理模組的計算機系統,當所述模組由所述計算機系統執行時,所述模組執行根據請求項1至14或請求項20中任一項所述的計算機實施的方法的步驟。
- 一種包括計算機的工業機器(113),所述計算機適於通過執行根據請求項1至14中任一項所述的方法來處理機器數據({{X...}}N),並且所述計算機還適於提供預測數據({Z...}),其中,所述計算機響應於預測數據並且根據預定義的優化目標切換所述工業機器的操作模式,所述優化目標選自以下項:盡可能久地避免維護、以其中預測最遲發生故障的模式操作。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
LULU500272 | 2021-06-11 | ||
LU500272A LU500272B1 (en) | 2021-06-11 | 2021-06-11 | Predictive maintenance for industrial machines |
Publications (1)
Publication Number | Publication Date |
---|---|
TW202316215A true TW202316215A (zh) | 2023-04-16 |
Family
ID=76921272
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW111121755A TW202316215A (zh) | 2021-06-11 | 2022-06-10 | 用於工業機器的預測性維護 |
Country Status (7)
Country | Link |
---|---|
EP (1) | EP4352582A1 (zh) |
KR (1) | KR20240021159A (zh) |
CN (1) | CN117355804A (zh) |
BR (1) | BR112023024649A2 (zh) |
LU (1) | LU500272B1 (zh) |
TW (1) | TW202316215A (zh) |
WO (1) | WO2022258835A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116117827B (zh) * | 2023-04-13 | 2023-06-16 | 北京奔驰汽车有限公司 | 工业机器人状态监控方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9824060B2 (en) * | 2010-07-23 | 2017-11-21 | Polyvalor, Limited Partnership | Tool and method for fault detection of devices by condition based maintenance |
-
2021
- 2021-06-11 LU LU500272A patent/LU500272B1/en active
-
2022
- 2022-06-10 CN CN202280037350.8A patent/CN117355804A/zh active Pending
- 2022-06-10 WO PCT/EP2022/065902 patent/WO2022258835A1/en active Application Filing
- 2022-06-10 EP EP22735809.0A patent/EP4352582A1/en active Pending
- 2022-06-10 TW TW111121755A patent/TW202316215A/zh unknown
- 2022-06-10 BR BR112023024649A patent/BR112023024649A2/pt unknown
- 2022-06-10 KR KR1020237040659A patent/KR20240021159A/ko unknown
Also Published As
Publication number | Publication date |
---|---|
BR112023024649A2 (pt) | 2024-02-20 |
CN117355804A (zh) | 2024-01-05 |
EP4352582A1 (en) | 2024-04-17 |
WO2022258835A1 (en) | 2022-12-15 |
KR20240021159A (ko) | 2024-02-16 |
LU500272B1 (en) | 2022-12-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Morariu et al. | Machine learning for predictive scheduling and resource allocation in large scale manufacturing systems | |
US9792281B2 (en) | Contextual language generation by leveraging language understanding | |
US20190370695A1 (en) | Enhanced pipeline for the generation, validation, and deployment of machine-based predictive models | |
US20180349514A1 (en) | Domain-oriented predictive model feature recommendation system | |
US8190537B1 (en) | Feature selection for large scale models | |
US11538237B2 (en) | Utilizing artificial intelligence to generate and update a root cause analysis classification model | |
WO2019180435A1 (en) | Inferring digital twins from captured data | |
EP4091110B1 (en) | Systems and methods for distributed incident classification and routing | |
JP2018180759A (ja) | システム分析装置、及びシステム分析方法 | |
US20170017655A1 (en) | Candidate services for an application | |
US20200151748A1 (en) | Feature-based item similarity and forecasting system | |
WO2014199920A1 (ja) | 予測関数作成装置、予測関数作成方法、及びコンピュータ読み取り可能な記録媒体 | |
CN113557505A (zh) | 用于具有不同结构的实体间可互操作通信的系统和方法 | |
US20230133541A1 (en) | Alert correlating using sequence model with topology reinforcement systems and methods | |
Nassehi et al. | Review of machine learning technologies and artificial intelligence in modern manufacturing systems | |
Liu et al. | CNC machine tool fault diagnosis integrated rescheduling approach supported by digital twin-driven interaction and cooperation framework | |
TW202316215A (zh) | 用於工業機器的預測性維護 | |
Toor et al. | Adaptive telecom churn prediction for concept-sensitive imbalance data streams | |
WO2017176562A1 (en) | Identifying query abandonment using gesture movement | |
US20210110394A1 (en) | Intelligent automation of self service product identification and delivery | |
US20210056347A1 (en) | Intelligent generation of image-like representations of ordered and heterogenous data to enable explainability of artificial intelligence results | |
JP2024510238A (ja) | 産業マシンで使用するための仮想センサの生成 | |
JP7464115B2 (ja) | 学習装置、学習方法および学習プログラム | |
US11275902B2 (en) | Intelligent dialog re-elicitation of information | |
US20220044174A1 (en) | Utilizing machine learning and predictive modeling to manage and determine a predicted success rate of new product development |