TWI834790B - 具有音訊資料的故障預測模型訓練 - Google Patents
具有音訊資料的故障預測模型訓練 Download PDFInfo
- Publication number
- TWI834790B TWI834790B TW108147626A TW108147626A TWI834790B TW I834790 B TWI834790 B TW I834790B TW 108147626 A TW108147626 A TW 108147626A TW 108147626 A TW108147626 A TW 108147626A TW I834790 B TWI834790 B TW I834790B
- Authority
- TW
- Taiwan
- Prior art keywords
- machine learning
- audio data
- learning model
- data
- client device
- Prior art date
Links
- 238000012549 training Methods 0.000 title claims abstract description 28
- 238000010801 machine learning Methods 0.000 claims abstract description 111
- 238000000034 method Methods 0.000 claims abstract description 27
- 238000012360 testing method Methods 0.000 claims description 19
- 230000004044 response Effects 0.000 claims description 2
- 238000012795 verification Methods 0.000 claims description 2
- 230000005236 sound signal Effects 0.000 description 33
- 238000004891 communication Methods 0.000 description 15
- 230000009471 action Effects 0.000 description 11
- 238000013528 artificial neural network Methods 0.000 description 11
- 238000012545 processing Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 230000009466 transformation Effects 0.000 description 8
- 238000012423 maintenance Methods 0.000 description 6
- 230000007257 malfunction Effects 0.000 description 6
- 238000010200 validation analysis Methods 0.000 description 5
- 238000003860 storage Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000000977 initiatory effect Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000000844 transformation Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000007635 classification algorithm Methods 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004378 air conditioning Methods 0.000 description 1
- 230000001668 ameliorated effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009313 farming Methods 0.000 description 1
- 238000005461 lubrication Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
- G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
- G06F11/079—Root cause analysis, i.e. error or fault diagnosis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/50—Monitoring users, programs or devices to maintain the integrity of platforms, e.g. of processors, firmware or operating systems
- G06F21/55—Detecting local intrusion or implementing counter-measures
- G06F21/554—Detecting local intrusion or implementing counter-measures involving event detection and direct action
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
- G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
- G06F11/0751—Error or fault detection not based on redundancy
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computer Security & Cryptography (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Computer Interaction (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
Abstract
本文中描述用於具有音訊資料之故障預測模型訓練的方法之實例。在一些實例中，接收對應於用戶端裝置之服務事件資料及音訊資料。在一些實例中，基於該服務事件資料來選擇該音訊資料之一部分。在一些實例中，基於該音訊資料之該部分來訓練一機器學習模型以用於故障預測。
Description
本申請案涉及具有音訊資料的故障預測模型訓練。
隨著時間的流逝，裝置可能會發生故障或操作不佳舉例而言，裝置組件可能會磨損到故障點，或可能製造成具有導致故障的缺陷。在一些狀況下，裝置可經不恰當地組態，從而會引起故障或不佳操作。裝置故障或不佳操作可能會產生成本。舉例而言，裝置維修、組件替換及/或操作停機可能導致大量成本。
提供一種方法，其包含：接收對應於用戶端裝置之服務事件資料及音訊資料；基於該服務事件資料來選擇該音訊資料之一部分；以及基於該音訊資料之該部分來訓練一機器學習模型以用於故障預測。
提供一種設備，其包含：一記憶體，其用以儲存對應於遠程用戶端裝置之支援狀況資料及聲音資料；一處理器，其耦接至該記憶體，其中該處理器用以：基於該支援狀況資料自該記憶體擷取該聲音資料之一部分；以及基於該聲音資料之該部分來訓練一機器學習模型以預測一故障。
提供一種儲存可執行程式碼之非暫時性有形電腦可讀取媒體，其
包含：用以使得一處理器接收一機器學習模型之程式碼，該機器學習模型基於對應於一服務事件之選定的音訊簽名而訓練；以及用以使得該處理器利用該機器學習模型以將音訊分類為指示一可能故障的程式碼。
100:方法
102:步驟
104:步驟
106:步驟
202:設備
204:處理器
206:記憶體
208:支援狀況資料
210:聲音資料
212:訓練指令
314:電腦可讀取媒體
316:音訊簽名
318:服務事件資料
320:神經網路訓練指令
402:設備
408:支援狀況資料
410:聲音資料
422:機器學習模型訓練器
424:通信介面
426:網路
428:用戶端裝置
430:感測器
432:簽名提取器
434:機器學習模型
436:通信介面
438:操作狀態控制器
502:設備
528:用戶端裝置
540:音訊資料
542:音訊資料
544:故障
546:故障校正
548:服務事件資料
550:服務事件資料
552:服務事件資料
554:音訊簽名
556:機器學習模型
558:機器學習模型
560:機器學習模型
562:故障預測
564:經預測故障警示
566:校正性動作
[圖1]為說明用於具有音訊資料之故障預測模型訓練之方法的實例之流程圖；[圖2]為可用於具有音訊資料之故障預測模型訓練中之設備的實例之方塊圖；[圖3]為說明用於執行具有音訊資料之故障預測模型訓練之電腦可讀取媒體的實例之方塊圖；[圖4]為說明設備及複數個用戶端裝置之實例的方塊圖；且[圖5]為設備及用戶端裝置之實例的線程圖。
源自裝置故障之服務事件對於提供服務的一方以及對於受影響裝置的一方成本會很高。服務事件是其中資源(例如，技術員調度、替換零件運送、支援建議等)經消耗以糾正故障的事件。故障為裝置的操作之故障、錯誤、破壞、降級或失效。故障之實例包括操作故障、零件故障、裝置崩潰、操作中斷、組態錯誤、崩潰、效能降級、效能降低等。
在故障出現之前預測故障可允許在發生故障之前(例如當裝置的零件處於降級狀態時但在完全故障之前)執行預防性維護。預測故障可藉由較佳的維護規劃來為裝置的使用者及服務提供商保存資源(例如，可避免停工，節省金錢，節省工時等)。此類預測性能力可尤其有益於甚至若干分鐘的停工時
間具有直接金融影響的裝置(例如，大型打印機)。本文中所描述的技術中的一些之實例可應用於商業裝置及/或消費型裝置。
本文中所描述的技術之一些實例可涉及具有音訊資料之故障預測模型訓練。舉例而言，可基於音訊資料及其他資訊(例如，服務事件資料，操作狀態)來啟用故障預測。預期可運用音訊資料分析技術來改良故障，該些音訊資料分析技術將來自目標裝置操作之音訊資料與來自降級裝置操作的音訊資料進行比較。
在圖式之中，相同的元件符號可指代相似但未必相同的元件。圖式未必按比例，且一些部分之大小可加以誇示以更清楚地說明所展示之實例。此外，該些圖式提供符合描述之實例及/或實施；然而，描述不限於該些圖式中所提供之實例及/或實施。
圖1為說明用於具有音訊資料之故障預測模型訓練之方法100的實例之流程圖。方法100及/或方法的100元件可由設備(例如，電子裝置)執行。舉例而言，方法100可由結合圖2描述之設備202執行。
該設備可接收102對應於用戶端裝置之服務事件資料及音訊資料。裝置為配置以執行操作的電子及/或機械裝置。裝置之實例包括打印機(例如，噴墨打印機、雷射打印機、3D打印機等)、影印機、桌上型電腦、膝上型電腦、遊戲控制台、車輛、飛行器、馬達、鍋爐、空調單元、電動工具、風扇、電氣設備、冰箱、發電機、音樂器械、機器人、無人機、致動器、農作設備等。用戶端裝置為由該設備監視之裝置。在一些實例中，用戶端裝置可與該設備通信。舉例而言，該用戶端裝置可經由網路(例如，區域網路(local area network；LAN)、廣域網路(wide area network；WAN)、網際網路、蜂巢式網路、長期演進(Long Term Evolution；LTE)網路等)及/或鏈路(例如，有線鏈路及/或無線鏈路)與該設備通信。遠程用戶端裝置為遠離該設備定位(例如，多於5呎)
的用戶端裝置。
服務事件資料為指示服務事件之資料及/或關於服務事件的資訊。如上文所描述，服務事件為其中資源(例如，技術員調度、替換零件運送、支援建議等)經消耗(或規劃以消耗)以糾正故障的事件。服務事件資料之實例可包括服務事件指示符，其指示服務事件是否出現、服務事件日期、服務事件時間、服務事件校正性動作(例如，所採取以糾正故障之動作，諸如技術員是否被調度、零件是否被替換、被替換零件的類型、裝置是否被調整、調整裝置的方式、該故障是否藉由與來自支援人員之接觸來糾正等)、裝置(例如，用戶端裝置)識別符、裝置類型識別符(例如，用戶端裝置模型)等。
在一些實例中，服務事件資料可儲存在資料庫中。舉例而言，由提供商(例如在經處理打印服務(managed print service；MPS)合約下)維修之用戶端裝置可具有每用戶端裝置的模型之服務事件的歷史。舉例而言，當服務事件發生時，服務事件資料(例如，用戶端裝置模型、修訂、經安裝特徵等)、所識別故障之類型(例如，紙張拾取機構堵塞)及/或所採取之任何校正性動作可經擷取並儲存為服務事件資料。在一些實例中，服務事件資料可與音訊資料(例如，匿名化音訊資料)一起儲存。
在一些實例中，該設備可自該用戶端裝置接收102服務事件資料中的一些或全部。舉例而言，該用戶端裝置可判定及/或儲存可發送至該設備之服務事件資料。舉例而言，該用戶端裝置可自動偵測服務事件資料(例如，替換的零件、組態調節等)且可將服務事件資料發送至該設備。在另一實例中，該用戶端裝置可經由使用者介面接收服務事件資料。舉例而言，技術員可將服務事件資料輸入至該用戶端裝置中，該用戶端裝置可將服務事件資料發送至該設備。
在一些實例中，該設備可自另一裝置(例如，自單獨的電腦或服
務器，自並非該用戶端裝置之裝置等)接收102服務事件資料中的一些或全部。舉例而言，服務提供商(例如，技術員)可將服務事件資料輸入在裝置(例如，智慧型手機、膝上型電腦、桌上型電腦、服務器等)上，該裝置可將服務事件資料發送至該設備。
音訊資料為表示振動或振動的量化之資料。振動可位或可不為可聽見的。音訊資料之實例包括以電子方式擷取(例如，取樣)之音訊信號、經變換音訊信號(例如，經受處理、一或多個變換、濾波等之音訊信號)、基於音訊信號之特徵、音訊簽名等。如本文中所使用，「聲音資料」為表示可聽見振動或基於可聽見振動之音訊資料的實例。
在一些實例中，該設備可自該用戶端裝置接收102音訊資料中的一些或全部。舉例而言，該用戶端裝置可擷取、判定及/或儲存可發送至該設備之音訊資料。舉例而言，該用戶端裝置可包括用以擷取音訊信號(例如，機械振動及/或聲學信號)之一或多個感測器(例如，振動感測器、麥克風)。在一些實例中，該用戶端裝置可以數字方式取樣經擷取音訊信號以產生數位音訊信號。在一些實例中，音訊信號可經發送作為音訊資料。在一些實例中，該用戶端裝置可對音訊信號執行一或多個操作以產生音訊資料。舉例而言，該用戶端裝置可對音訊信號執行數位信號處理及/或變換以產生音訊資料。舉例而言，該用戶端裝置可藉由執行處理及/或變換而產生音訊簽名。音訊特徵為特性化音訊信號之資料。音訊簽名之實例包括頻率峰值、信號包絡、波週期、能量分佈等。頻率峰值可為經變換音訊信號為最高之頻率及/或經變換音訊信號為大於臨限值之最高的頻率。該用戶端裝置可將音訊資料發送至該設備。
在一些實例中，由用戶端裝置執行的數位信號處理及/或變換可經執行以改良保密性。舉例而言，數位信號處理及/或變換可將音訊信號(其可被視為敏感的)修改成音訊信號之匿名化衍生詞。在一些實例中，音訊特徵可
為音訊信號之匿名化衍生詞。所得音訊資料可發送至該設備。
在一些實例中，另一裝置可將音訊資料發送至該設備。舉例而言，裝置可附接至該用戶端裝置、安裝在該用戶端裝置上、整合至該用戶端裝置中，或可定位在該用戶端裝置附近(例如，定位在距該用戶端裝置之臨限距離內，諸如在三呎內)。該裝置可使用一或多個感測器擷取音訊信號(例如，振動及/或聲學信號)。舉例而言，該裝置可以數字方式取樣經擷取音訊信號以產生數位音訊信號(其在一些實例中可經發送作為音訊資料)。在一些實例中，該裝置可對音訊信號執行一或多個操作以產生音訊資料，諸如對音訊信號之數位信號處理、波濾波及/或變換以產生音訊資料。舉例而言，該裝置可藉由執行處理及/或變換而產生音訊特徵或簽名。該裝置可將音訊資料發送至該設備。因此，該設備可自用戶端裝置及/或另一裝置接收102音訊資料中的一些或全部。在一些實例中，音訊資料另外或替代地經饋送至機器學習模型(例如，神經網路模型)中以用於分類。
該設備可基於服務事件資料選擇104音訊資料的一部分。在一些實例中，選擇104音訊資料之該部分包括在距服務事件之一時間段內選擇音訊資料的一部分。舉例而言，該設備可選擇104對應於用戶端裝置的音訊資料之一部分，該用戶端裝置具有在距服務事件之時間段(例如，兩小時、四小時、十小時、一天、兩天、一週等)內之服務事件。在一些實例中，選擇104音訊資料之該部分可包括選擇對應於一個用戶端裝置(例如，具有如由服務事件資料指示之服務事件的該用戶端裝置)之音訊資料之一部分。
該設備可基於音訊資料之該部分訓練106用於故障預測之機器學習模型。故障預測係在預測故障是否將出現在裝置中(例如，可能性)。模型為機器學習模型。在一些實例中，該機器學習模型可為對輸入進行分類以產生故障預測之機器學習分類模型。機器學習模型之實例包括分類演算法(例如，受
監督分類器演算法、人工神經網路、決策樹、隨機森林、支援向量機、高斯分類器、k最近鄰法(k-nearest neighbor；KNN)等。在一些實例中，機器學習模型可包括及/或利用演算法的組合或集合以改良機器學習模型。因此，故障預測模型為用於執行故障預測之機器學習模型。
在一些實例中，機器學習模型可運用用於故障預測之音訊資料來訓練106。該機器學習模型可使用音訊資料之該部分(例如在服務事件之前)來訓練106以將音訊資料分類為預測故障。舉例而言，音訊資料之該部分可用作訓練資料以調整神經網路中之權重。在一些實例中，該機器學習模型亦可運用其他音訊資料(例如，音訊資料之其他部分)來訓練，其中不會出現故障(例如，在正常操作下)。如本文中所使用，「正常操作」及其變體可指示其中裝置根據基線或目標操作進行操作之操作(例如，不具有故障，不具有主要問題，諸如組件故障、崩潰，及/或不具有由於操作問題造成的大量停工時間)。舉例而言，其他音訊資料可經選擇作為來自同一用戶端裝置模型(及例如修訂)之音訊資料，該用戶端裝置模型在一時間段內(例如，在擷取了對應的音訊信號之後的三個月內)尚未具有經報告故障。
在一些實例中，該設備可將經訓練機器學習模型傳輸至用戶端裝置。舉例而言，該設備可經由網路及/或使用有線及/或無線鏈路將機器學習模型資料發送至用戶端裝置。該用戶端裝置可利用機器學習模型以預測故障。用戶端裝置可擷取及/或判定測試音訊資料。該測試音訊資料可經提供至機器學習模型。該機器學習模型可基於測試音訊資料預測故障。舉例而言，該機器學習模型可將測試音訊資料分類為預測故障或不預測故障。在一些實例中，該機器學習模型可產生故障將基於測試音訊資料出現之可能性。在一些實例中，用戶端裝置可起初包括機器學習模型(例如，在製造期間加載的經預訓練機器學習模型)。在一些實例中，藉由該設備訓練之機器學習模型可用以更新初始機器學習
模型。
在一些實例中，可在服務器上利用經訓練機器學習模型。舉例而言，該設備可為服務器，或該設備可經由網路及/或使用有線及/或無線鏈路將經訓練機器學習模型發送至服務器。服務器可利用機器學習模型來預測故障，舉例而言，用戶端裝置可擷取及/或判定測試音訊資料。測試音訊資料可發送至服務器，該服務器可對測試音訊資料執行分析。舉例而言，該服務器可將測試音訊資料提供至機器學習模型。服務器上之機器學習模型可基於測試音訊資料預測故障。舉例而言，服務器上之機器學習模型可將測試音訊資料分類為預測故障或不預測故障。在預測故障的狀況下，該服務器可產生及/或發送經預測故障警示。舉例而言，該服務器可呈現經預測故障警示及/或可將經預測故障警示發送至用戶端裝置及/或設備。
在一些實例中，該機器學習模型可利用關於音訊資料的來源之輸入資料(例如，關於複數個感測器或音訊輸入中之哪一者擷取對應的音訊信號)及/或操作狀態。在一些實例中，該機器學習模型可輸出標籤(例如，正常、異常或未知)及對應於該標籤之可能性(例如，信賴等級)。該標籤及/或可能性可用以判定是否發送經預測故障警示。經預測故障警示可發送至該設備。
在一些實例中，用戶端裝置可發送經預測故障警示。舉例而言，在測試音訊資料指示經預測故障的狀況下(例如，若測試音訊經分類為預測故障或若將出現故障之可能性高於臨限值(例如，50%))，該用戶端裝置可發送經預測故障警示。經預測故障警示為指示經預測故障之資訊(例如，訊息、信號、指示符、資料等)。該設備可基於經訓練機器學習模型自該用戶端裝置接收經預測故障警示。舉例而言，該用戶端裝置可利用經訓練機器學習模型以預測故障，且可將經預測故障警示發送至該設備。
在一些實例中，該設備可識別對應於先前未識別的類型之故障的
一組服務事件。選擇104音訊資料之部分可基於該組服務事件。舉例而言，服務事件資料可指示先前未識別的類型之故障(例如，不同零件故障)。該設備可識別對應於先前未識別的故障之一組服務事件。舉例而言，該設備可維護服務事件資料之資料庫，且可在資料庫中搜索與先前未識別的故障匹配之服務事件。該設備可選擇對應於先前未識別的故障之服務事件的音訊資料之部分。音訊資料之部分可用以訓練106機器學習模型(例如，更新訓練以用於機器學習模型)。在一些實例中，該設備可將經更新(例如，經重新訓練)機器學習模型傳輸至用戶端裝置。因此，當出現新類型的故障時，機器學習模型可經更新或經重新訓練。
在一些實例中，若出現未由該設備識別之故障，則可執行分析以便嘗試藉由聲音識別故障。舉例而言，該設備及/或用戶端裝置可執行音訊資料及/或音訊信號之分析以便判定指示、對應於故障及/或與故障相關的音訊資料之特性。可利用該些特性(例如，音訊簽名)以便更新及/或重新訓練機器學習模型。
在一些實例中，用戶端裝置或一種類型之用戶端裝置可在複數個操作狀態中操作。操作狀態為用於裝置的狀態或操作模式。在一實例中，該用戶端裝置可為複數個打印機。在一些實例中，打印機可根據多個操作狀態來操作，該多個操作狀態包括閒置狀態、預熱狀態、測試輥狀態、紙張擷取狀態、墨粉施加狀態、定影狀態及出紙狀態。舉例而言，預熱狀態及測試輥狀態可在打印機預熱期間出現。紙張擷取狀態、墨粉施加狀態、定影狀態及出紙狀態可在印刷頁面期間出現。一些打印機可具有其他操作狀態，並且其他裝置可具有其他操作狀態。每一操作狀態之特徵可為不同振動及/或音訊。舉例而言，音訊資料之部分可分別對應於該用戶端裝置的複數個操作狀態。舉例而言，音訊資料之部分可包括對應於閒置狀態、預熱狀態、測試輥狀態、紙張擷取狀態、墨
粉施加狀態、定影狀態及/或出紙狀態之零件或部分(例如，音訊資料的子集)。
在一些實例中，機器學習模型可包括對應於用戶端裝置之操作狀態的輸入，其中該用戶端裝置在複數個操作狀態中操作。舉例而言，該設備可自用戶端裝置接收操作狀態資料，其中操作狀態資料指示操作狀態。在一些實例中，音訊資料可運用操作狀態資料來標記，及/或操作狀態資料可指示對應於操作狀態之音訊資料的部分。在一些實例中，該設備可使用操作狀態資料訓練106機器學習模型。舉例而言，該設備可運用不同操作狀態及對應於不同操作狀態之音訊資料的部分來訓練機器學習模型。此可使得用戶端裝置能夠利用操作狀態資料及音訊資料的對應的部分作為至經訓練機器學習模型之輸入以預測故障。
在一些實例中，該設備可訓練106複數個機器學習模型，其中複數個機器學習模型中之每一者對應於用戶端裝置的操作狀態。舉例而言，對應於操作狀態之機器學習模型中之每一者可運用對應於彼操作狀態之音訊資料的一部分來訓練。因此，可存在用於用戶端裝置之每一操作狀態的機器學習模型。該設備可將機器學習模型發送至用戶端裝置。舉例而言，機器學習模型可在更新程序(例如，常規軟體更新)中發送。用戶端裝置可應用用於每一操作狀態之各別機器學習模型(使用對應的音訊資料)以預測用於每一操作狀態的故障。
在一些實例中，方法100(或方法100的操作)可隨時間推移重複。舉例而言，可週期性地接收服務事件資料及音訊資料，且可週期性地重新訓練或改進機器學習模型。
圖2為可用於具有音訊資料之故障預測模型訓練中之設備202的實例之方塊圖。該設備202可為電子裝置，諸如個人電腦、服務器電腦、打印機、3D打印機、智慧型電話、平板電腦等。該設備202可包括及/或可耦接至處理器204及/或記憶體206。在一些實例中，該設備202可與遠程用戶端裝置通信(例如，
耦接至遠程用戶端裝置，與遠程用戶端裝置具有通信鏈路)。該設備202可包括額外組件(圖中未展示)及/或本文中所描述的組件中之一些可在不脫離本發明之範圍的情況下經移除及/或經修改。
處理器204可為以下各者中之任一者：中央處理單元(central processing unit；CPU)、數位信號處理器(digital signal processor；DSP)、基於半導體之微處理器、圖形處理單元(graphics processing unit；GPU)、場可程式閘陣列(field-programmable gate array；FPGA)、特殊應用積體電路(application-specific integrated circuit；ASIC)及/或適於擷取並執行記憶體206中儲存之指令的其他硬體裝置。處理器204可提取、解碼及/或執行儲存在記憶體206中之指令(例如，訓練指令212)。另外或替代地，處理器204可包括電子電路，其包括用於執行該些指令(例如，訓練指令212)之功能的電子組件。在一些實例中，處理器204可配置以執行結合圖1至圖5中之一者、一些或全部描述之功能、操作、元件、方法等中之一者、一些或全部。
記憶體206可為任何電子、磁性、光學或其他物理儲存裝置，其含有或儲存電子資訊(例如，指令及/或資料)。舉例而言，記憶體206可為隨機存取記憶體(Random Access Memory；RAM)、電可擦除可程式唯讀記憶體(Electrically Erasable Programmable Read-Only Memory；EEPROM)、儲存裝置、光碟等等。在一些實例中，記憶體206可為揮發性及/或非揮發性記憶體，諸如動態隨機存取記憶體(Dynamic Random Access Memory；DRAM)、EEPROM、磁阻式隨機存取記憶體(magnetoresistive random-access memory；MRAM)、相位改變RAM(phase change RAM；PCRAM)、憶阻器、快閃記憶體等等。在一些實施中，記憶體206可為非暫時性有形機器可讀取儲存媒體，其中術語「非暫時性」不涵蓋暫時性傳播信號。在一些實例中，記憶體206可包括多個裝置(例如，RAM卡及固態驅動器(solid-state drive；SSD)。
在一些實例中，該設備202可包括通信介面(圖2中未展示)，處理器204可藉由該通信介面與外部裝置(圖中未展示)通信，例如以接收並且儲存對應於遠程用戶端裝置的資訊(例如，支援狀況資料208及/或聲音資料210)。該通信介面可包括硬體及/或機器可讀取指令以使得處理器204能夠與外部裝置通信。該通信介面可實現至外部裝置的有線或無線連接。該通信介面可進一步包括網路介面卡及/或亦可包括硬體及/或機器可讀取指令以使得處理器204能夠與各種輸入及/或輸出裝置通信，該些輸入及/或輸出裝置諸如鍵盤、滑鼠、顯示器、另一設備、電子裝置、計算裝置等，使用者可藉由該些輸入及/或輸出裝置將指令及/或資料輸入至設備202中。
在一些實例中，記憶體206可儲存支援狀況資料208。支援狀況為服務事件的記錄。舉例而言，支援狀況資料208可包括服務事件資訊。支援狀況資料208可自外部裝置(例如，用戶端裝置或其他裝置)獲得(例如，接收)及/或可在設備202上生成。舉例而言，處理器204可執行指令(圖2中未展示)以自外部裝置接收支援狀況資料208。另外或替代地，支援狀況資料208可經由使用者介面輸入至該設備。
在一些實例中，記憶體206可儲存聲音資料210。聲音資料210為基於可聽見振動的資料。聲音資料210為音訊資料的一個實例。聲音資料210可自外部裝置(例如，用戶端裝置或其他裝置)獲得(例如，接收)。舉例而言，處理器204可執行指令(圖2中未展示)以自遠程用戶端裝置接收聲音資料210。聲音資料210可對應於遠程用戶端裝置。舉例而言，聲音資料210可基於如結合圖1所描述之一或多個感測器擷取之音訊信號來收集及/或產生。
在一些實例中，處理器204可基於支援狀況資料208自記憶體206擷取聲音資料210的一部分。舉例而言，處理器204可在服務事件或故障出現之前在一段時間內擷取聲音資料210的一部分。在一些實例中，擷取聲音資料210
之該部分可包括將一組音訊簽名定位在對應於一種類型的支援狀況之聲音資料210中。舉例而言，支援狀況可根據類型分類。一種類型之支援狀況為基於共同因素之類別。舉例而言，不同類型的支援狀況可對應於不同故障、不同零件故障、不同降級效能、經採取以糾正故障之不同動作、不同操作狀態、不同類型的用戶端裝置等。
在一些實例中，處理器204可執行訓練指令212以訓練機器學習模型以基於聲音資料210的部分(例如，第一部分)來預測故障。訓練機器學習模型可如結合圖1所描述來完成。
在一些實例中，處理器204可基於聲音資料210的第二部分驗證機器學習模型。舉例而言，聲音資料210之第二部分可包括對應於正樣本及/或負樣本之聲音資料210。舉例而言，聲音資料210之第二部分可包括對應於與對應於聲音資料210的第一部分之支援狀況屬於相同類型(例如，具有相同或相似故障或補救措施等)之支援狀況的聲音資料210。對應於正常遠程用戶端裝置操作的其他聲音資料210(例如，不出現故障之聲音資料210)亦可用以驗證機器學習模型。在一些實例中，處理器204可藉由將聲音資料210之第二部分應用於經訓練機器學習模型以判定經訓練機器學習模型是否正確地將聲音資料210之第二部分分類為對應於出現故障的例子來驗證經訓練機器學習模型。在經訓練機器學習模型滿足驗證準則的狀況下，處理器204可驗證經訓練機器學習模型。驗證準則之實例為準確性臨限值。舉例而言，若經訓練機器學習模型之準確度符合準確性臨限值(例如，90%準確度、95%準確度等)，則符合驗證準則。
在一些實例中，在機器學習模型符合驗證準則的狀況下，處理器204可將機器學習模型發送至遠程用戶端裝置。在機器學習模型不符合驗證準則的狀況下，處理器204可不發送機器學習模型及/或可執行額外訓練以改良機器學習模型(例如，改良機器學習模型之準確性)。
圖3為說明用於執行具有音訊資料之故障預測模型訓練之電腦可讀取媒體314的實例之方塊圖。電腦可讀取媒體為非暫時性有形電腦可讀取媒體314。舉例而言，電腦可讀取媒體314可為RAM、EEPROM、儲存裝置、光碟等等。在一些實例中，電腦可讀取媒體314可為揮發性及/或非揮發性記憶體，諸如DRAM、EEPROM、MRAM、PCRAM、憶阻器、快閃記憶體等等。在一些實施中，結合圖2描述之記憶體206可為結合圖3描述之電腦可讀取媒體314的實例。
電腦可讀取媒體314可包括程式碼(例如，資料及/或指令)。舉例而言，電腦可讀取媒體314可包括音訊簽名316、服務事件資料318及/或神經網路訓練指令320。
音訊簽名316包括特性化如結合圖1所描述之音訊信號的資訊。服務事件資料318為指示服務事件之資料及/或關於如上文結合圖1所描述的服務事件之資訊。
神經網路訓練指令320可包括程式碼以使得處理器判定對應於來自一組音訊簽名316之服務事件的選定的音訊簽名，該組音訊簽名對應於用戶端裝置。舉例而言，該程式碼可使得處理器選擇對應於用戶端裝置之操作狀態的音訊簽名、對應於特定用戶端裝置的音訊簽名、關於服務事件之時間段中之音訊簽名、對應於一種類型的服務事件之音訊簽名及/或對應於一種類型的用戶端裝置的音訊簽名。
神經網路訓練指令320亦可包括程式碼以使得處理器訓練神經網路以基於選定的音訊簽名將音訊分類為指示可能故障。此可如結合圖1及圖2所描述來完成。舉例而言，神經網路訓練指令320可使得處理器調整神經網路的權重以將音訊(例如，音訊資料)分類為指示可能故障或不指示可能故障。
在一些實例中，可訓練並利用其他類型的機器學習模型而非神經網路。如上文所描述，機器學習模型之實例包括分類演算法(例如，受監督分
類器演算法)、人工神經網路、決策樹、隨機森林、支援向量機、高斯分類器、KNN、包括其組合等。舉例而言，可訓練及/或利用機器學習分類模型。
圖4為說明設備402及複數個用戶端裝置428之實例的方塊圖。該設備402可為結合圖2描述之設備202的實例。該設備402可包括處理器及記憶體。該設備402可包括支援狀況資料408、聲音資料410、機器學習模型訓練器422及/或通信介面。支援狀況資料408、聲音資料410及/或機器學習模型訓練器422可為結合圖2描述之對應的元件之實例。舉例而言，支援狀況資料408及聲音資料410可儲存在記憶體中。機器學習模型訓練器422可實施於硬體(例如，電路)或硬體與軟體的組合(例如，具有記憶體中之指令的處理器)中。通信介面424。通信介面424可包括硬體及/或機器可讀取指令以使得設備402能夠經由網路426與用戶端裝置428通信。通信介面424可實現至用戶端裝置428的有線或無線連接。
用戶端裝置428可各自包含處理器及記憶體(例如，電腦可讀取媒體)。用戶端裝置428中之每一者可包括一或多個感測器430、簽名提取器432、機器學習模型434、通信介面436及/或操作狀態控制器438。在一些實例中，用於簽名提取器432、機器學習模型434及/或操作狀態控制器438之指令或程式碼可儲存在記憶體(例如，電腦可讀取媒體)中且可由處理器執行。每一通信介面436可包括硬體及/或機器可讀取指令以使得用戶端裝置428能夠經由網路426與設備402通信。通信介面436可實現至設備402之有線或無線連接。
感測器430可擷取或感測由用戶端裝置428的操作引起之振動。感測器430之實例包括振動感測器及麥克風。在一些實例中，感測器430可將機械振動及/或聲學振動(例如，聲波)轉換成電子音訊信號。舉例而言，感測器430可將振動轉換成電子音訊信號，該電子音訊信號可由用戶端裝置428取樣及/或記錄。
簽名提取器432可自音訊信號提取音訊簽名。舉例而言，簽名提取器432可執行處理及/或變換以將音訊信號特性化為音訊簽名。在一些實例中，簽名提取器432可判定音訊信號的頻率峰值、信號包絡、波週期、能量分佈等。在一些實例中，可為有益的可為有益的是，將音訊信號轉換為音訊簽名以用於傳輸至該設備402以縮減頻寬以用於由用戶端裝置428擷取之音訊信號的傳輸及/或用於保密。用戶端裝置428可經由網路426將音訊簽名發送至設備402。在一些實例中，簽名提取器432可實施於硬體(例如，電路)或硬體與軟體的組合(例如，具有記憶體中之指令的處理器)中。
在一些實例中，用戶端裝置428可包括操作狀態控制器438。操作狀態控制器438可控制及/或偵測用戶端裝置428的操作狀態。舉例而言，操作狀態控制器438可指示用戶端裝置428何時處於特定操作狀態。在一些實例中，音訊簽名可經標記、分類或指示為對應於特定操作狀態。舉例而言，對應於用戶端裝置428處於特定操作狀態之時間的音訊簽名可經標記、分類及/或指示為對應於彼特定操作狀態。用戶端裝置428可根據複數個不同操作狀態來操作。每一操作狀態可因所執行的不同功能性及/或用於每一操作狀態中之機制而不同。舉例而言，相比於處於用於打印機之墨粉施加狀態時，輥可在處於測試輥狀態時表現得不同。在一些實例中，操作狀態控制器438可實施於硬體(例如，電路)或硬體與軟體的組合(例如，具有記憶體中之指令的處理器)中。
機器學習模型434可儲存在記憶體中及/或可由處理器執行以執行故障預測。機器學習模型434可由設備402(例如，機器學習模型訓練器422)訓練且可自設備402接收。在一些實例中，用戶端裝置428可利用機器學習模型434以將音訊分類為指示可能故障。舉例而言，用戶端裝置428可判定音訊簽名是否預測用戶端裝置428的故障。舉例而言，機器學習模型434可預測故障是否有可能基於音訊簽名(例如，測試音訊簽名)出現，該些音訊簽名藉由用戶端
裝置428的振動及/或聲音特性化用戶端裝置428之操作。
在機器學習模型434指示故障有可能出現(例如可能性大於臨限值)的狀況下，用戶端裝置428可將經預測故障警示傳輸至設備402(響應於例如將音訊或音訊簽名分類為指示可能的故障)。舉例而言，經預測故障警示可經由網路426使用通信介面436傳輸至設備402。
圖5為設備502及用戶端裝置528之實例的線程圖。設備502可為本文中所描述的設備202、402的實例。用戶端裝置528可為本文中所描述的用戶端裝置428的實例。
在此實例中，用戶端裝置收集音訊資料540。舉例而言，用戶端裝置528可週期性地或不斷地收集音訊資料540。用戶端裝置528可將音訊資料542傳輸至該設備。舉例而言，音訊資料可包括音訊簽名。在此實例中，用戶端裝置528發生故障544。亦發生故障校正546。舉例而言，技術員可糾正故障，使用者可替換發生故障的零件，及/或支援人員可在遠端或在本地修復該故障。在此實例中，用戶端裝置528收集服務事件資料548。在其他實例中，另一裝置可收集服務事件資料。
用戶端裝置528可將服務事件資料550傳輸至該設備502。該設備502可掃描服務事件資料552。舉例而言，該設備502可判定對應於相同或相似故障的服務事件。該設備502可定位對應於服務事件(例如，經判定服務事件)之音訊簽名554。舉例而言，該設備502可在故障之前的一時間段內定位音訊簽名554(及/或例如對應於出現故障時或與故障相關的特定操作狀態之音訊簽名)。
該設備502可訓練機器學習模型556。舉例而言，該設備502可訓練機器學習模型556以將經接收音訊簽名分類為指示故障。該設備502可驗證機器學習模型558。舉例而言，該設備502可利用對應於相同或相似類型之故障的其他音訊簽名以判定機器學習模型之準確度。在機器學習模型符合驗證準則的
狀況下，該設備502將機器學習模型560傳輸至用戶端裝置528。
用戶端裝置528可利用機器學習模型560以執行故障預測562。舉例而言，當收集更多音訊資料(例如，音訊簽名)時，用戶端裝置528可利用作為至機器學習模型之輸入的音訊資料以判定是否預測到故障(例如，有可能出現故障)。在預測到故障(例如，以某一臨限可能性預測)的狀況下，用戶端裝置528可將經預測故障警示564發送至該設備502。
該設備502可基於經預測故障警示啟動校正性動作566。啟動校正性動作可包括在出現經預測故障之前執行糾正經預測故障之動作。校正性動作啟動之實例可包括將指令發送至用戶端裝置及/或與用戶端裝置相關聯的人員。舉例而言，該設備502可將指令發送至用戶端裝置528以進行重新組態，從而避免故障。另外或替代地，該設備502可將指令發送至服務提供商(例如，服務技術員)，該些指令指示針對特定用戶端裝置預測到故障及/或需要維護。在一些實例中，該些指令可指示經預測故障之性質(例如，預期發生故障的零件)及/或需要執行的維護之類型(例如，需要替換、清潔、潤滑、重新組態等的零件)。在一些實例中，啟動校正性動作566可包括調度維護(例如，自有可能出現故障之用戶端裝置528的所有者請求維護時間)。可在其他實例中啟動其他校正性動作。
應注意，雖然本文中描述系統及方法的各種實例，但本發明不應限於該些實例。本文中所描述的實例之變化可實施於本發明的範圍內。舉例而言，可省去或組合本文中所描述的實例之功能、態樣或元素。
100:方法
102:步驟
104:步驟
106:步驟
Claims (15)
- 一種用於以音訊資料作故障預測模型訓練之方法，其包含：接收對應於用戶端裝置之服務事件資料及音訊資料；基於該服務事件資料來選擇該音訊資料之一部分；及基於該音訊資料之該部分來訓練用於故障預測之一機器學習模型。
- 如請求項1之方法，其進一步包含將經訓練機器學習模型傳輸至該些用戶端裝置。
- 如請求項2之方法，其進一步包含接收基於經訓練機器學習模型來自一用戶端裝置之一經預測故障警示。
- 如請求項1之方法，其中選擇該音訊資料之該部分包含選擇在自一服務事件起之一時間段內的該音訊資料之一第一部分。
- 如請求項1之方法，其中該機器學習模型包含對應於一用戶端裝置之一操作狀態的一輸入，其中該用戶端裝置將在複數個操作狀態中操作。
- 如請求項1之方法，其進一步包含訓練包括該機器學習模型之複數個機器學習模型，其中該複數個機器學習模型中之每一者對應於一用戶端裝置之一操作狀態。
- 如請求項1之方法，其中該音訊資料之多個部分分別對應於該些用戶端裝置之複數個操作狀態。
- 如請求項7之方法，其中該音訊資料之該等部分包含對應於一閒置狀態、一預熱狀態、一測試輥狀態、一紙張擷取狀態、一墨粉施加狀態、一定影狀態或一出紙狀態的至少一個子集。
- 如請求項1之方法，其中該些用戶端裝置為複數個打印機。
- 如請求項1之方法，其進一步包含識別對應於一先前未識別的 類型之故障的一組服務事件，且其中該選擇該音訊資料之該部分係基於該組服務事件。
- 一種用於以音訊資料作故障預測模型訓練之設備，其包含：一記憶體，其用以儲存對應於遠程用戶端裝置之支援狀況資料及聲音資料；一處理器，其耦接至該記憶體，其中該處理器用以：基於該支援狀況資料自該記憶體擷取該聲音資料之一部分；及基於該聲音資料之該部分來訓練用以預測一故障之一機器學習模型。
- 如請求項11之設備，其中擷取該聲音資料之該部分包含找出在對應於一種類型的支援狀況之該聲音資料中的一組音訊簽名。
- 如請求項11之設備，其中該處理器用以：基於該聲音資料之一第二部分驗證該機器學習模型；及在該機器學習模型符合一驗證準則的狀況下，將該機器學習模型發送至該些遠程用戶端裝置。
- 一種儲存可執行程式碼之非暫時性有形電腦可讀取媒體，其包含：用以使得一處理器接收一機器學習模型之程式碼，該機器學習模型基於對應於一服務事件之選定的音訊簽名而訓練；及用以使得該處理器利用該機器學習模型以將音訊分類為指出一可能故障的程式碼。
- 如請求項14之電腦可讀取媒體，其進一步包含用以使得該處理器響應於將該音訊分類為指出該可能故障而傳輸一經預測故障警示的程式碼。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| PCT/US2019/014404 WO2020153934A1 (en) | 2019-01-21 | 2019-01-21 | Fault prediction model training with audio data |
| WOPCT/US19/14404 | 2019-01-21 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| TW202029183A TW202029183A (zh) | 2020-08-01 |
| TWI834790B true TWI834790B (zh) | 2024-03-11 |
Family
ID=71735832
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW108147626A TWI834790B (zh) | 2019-01-21 | 2019-12-25 | 具有音訊資料的故障預測模型訓練 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US20210342211A1 (zh) |
| TW (1) | TWI834790B (zh) |
| WO (1) | WO2020153934A1 (zh) |
Families Citing this family (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11720807B2 (en) * | 2020-03-04 | 2023-08-08 | International Business Machines Corporation | Machine learning to tune probabilistic matching in entity resolution systems |
| US11482059B2 (en) | 2020-04-23 | 2022-10-25 | Zoox, Inc. | Vehicle health monitor |
| US11842580B2 (en) * | 2020-04-23 | 2023-12-12 | Zoox, Inc. | Predicting vehicle health |
| US11521438B2 (en) | 2020-04-23 | 2022-12-06 | Zoox, Inc. | Using sound to determine vehicle health |
| US20220026879A1 (en) * | 2020-07-22 | 2022-01-27 | Micron Technology, Inc. | Predictive maintenance of components used in machine automation |
| TWI760904B (zh) * | 2020-10-28 | 2022-04-11 | 恩波信息科技股份有限公司 | 基於聲音的機械監測系統及方法 |
| JP2022100139A (ja) * | 2020-12-23 | 2022-07-05 | トヨタ自動車株式会社 | 音源推定システム、音源推定方法 |
| US11523404B2 (en) * | 2021-01-25 | 2022-12-06 | Qualcomm Incorporated | Radio link prioritization |
| CN112801398B (zh) * | 2021-02-07 | 2024-04-30 | 盛景智能科技(嘉兴)有限公司 | 冷却装置故障预测方法、装置、电子设备及存储介质 |
| WO2023033789A1 (en) * | 2021-08-30 | 2023-03-09 | Hewlett-Packard Development Company, L.P. | Printer anomaly detection |
| CN114604299B (zh) * | 2022-03-29 | 2023-07-11 | 西门子交通技术(北京)有限公司 | 故障预测模型的建立方法、列车系统故障预测方法和装置 |
| TWI833251B (zh) * | 2022-06-21 | 2024-02-21 | 南亞科技股份有限公司 | 失效模式分析系統及失效模式分析方法 |
| CN115297420B (zh) * | 2022-06-22 | 2023-06-13 | 荣耀终端有限公司 | 信号处理方法、设备及存储介质 |
| CN116403605B (zh) * | 2023-06-08 | 2024-06-07 | 宁德时代新能源科技股份有限公司 | 堆垛机故障预测方法及相关装置 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103810374A (zh) * | 2013-12-09 | 2014-05-21 | 中国矿业大学 | 一种基于mfcc特征提取的机器故障预测方法 |
| US20170249824A1 (en) * | 2014-09-09 | 2017-08-31 | Torvec, Inc. | Methods and apparatus for monitoring alertness of an individual utilizing a wearable device and providing notification |
| US9977807B1 (en) * | 2017-02-13 | 2018-05-22 | Sas Institute Inc. | Distributed data set indexing |
| TW201828743A (zh) * | 2016-11-28 | 2018-08-01 | 美商高通公司 | Wifi記憶體功率最小化 |
| CN109069073A (zh) * | 2016-05-02 | 2018-12-21 | 德克斯康公司 | 用于提供针对用户优化的告警的系统和方法 |
| CN109116830A (zh) * | 2018-08-10 | 2019-01-01 | 北汽福田汽车股份有限公司 | 预测故障的方法及系统 |
Family Cites Families (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017120579A1 (en) * | 2016-01-10 | 2017-07-13 | Presenso, Ltd. | System and method for validating unsupervised machine learning models |
| US11480497B2 (en) * | 2016-04-01 | 2022-10-25 | Nippon Telegraph And Telephone Corporation | Anomalous sound detection training apparatus, acoustic feature extraction apparatus, anomalous sound sampling apparatus, and methods and programs for the same |
| US11774944B2 (en) * | 2016-05-09 | 2023-10-03 | Strong Force Iot Portfolio 2016, Llc | Methods and systems for the industrial internet of things |
| US9990176B1 (en) * | 2016-06-28 | 2018-06-05 | Amazon Technologies, Inc. | Latency reduction for content playback |
| CN108320026B (zh) * | 2017-05-16 | 2022-02-11 | 腾讯科技（深圳）有限公司 | 机器学习模型训练方法和装置 |
| US10976730B2 (en) * | 2017-07-13 | 2021-04-13 | Anand Deshpande | Device for sound based monitoring of machine operations and method for operating the same |
| CN109285548A (zh) * | 2017-07-19 | 2019-01-29 | 阿里巴巴集团控股有限公司 | 信息处理方法、系统、电子设备、和计算机存储介质 |
| US10977927B2 (en) * | 2018-10-24 | 2021-04-13 | Rapidsos, Inc. | Emergency communication flow management and notification system |
| US20200234558A1 (en) * | 2018-12-18 | 2020-07-23 | Joseph G. Butera, III | Mechanical failure detection system and method |
-
2019
- 2019-01-21 WO PCT/US2019/014404 patent/WO2020153934A1/en active Application Filing
- 2019-01-21 US US17/262,769 patent/US20210342211A1/en not_active Abandoned
- 2019-12-25 TW TW108147626A patent/TWI834790B/zh active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103810374A (zh) * | 2013-12-09 | 2014-05-21 | 中国矿业大学 | 一种基于mfcc特征提取的机器故障预测方法 |
| US20170249824A1 (en) * | 2014-09-09 | 2017-08-31 | Torvec, Inc. | Methods and apparatus for monitoring alertness of an individual utilizing a wearable device and providing notification |
| CN109069073A (zh) * | 2016-05-02 | 2018-12-21 | 德克斯康公司 | 用于提供针对用户优化的告警的系统和方法 |
| TW201828743A (zh) * | 2016-11-28 | 2018-08-01 | 美商高通公司 | Wifi記憶體功率最小化 |
| US9977807B1 (en) * | 2017-02-13 | 2018-05-22 | Sas Institute Inc. | Distributed data set indexing |
| CN109116830A (zh) * | 2018-08-10 | 2019-01-01 | 北汽福田汽车股份有限公司 | 预测故障的方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| US20210342211A1 (en) | 2021-11-04 |
| WO2020153934A1 (en) | 2020-07-30 |
| TW202029183A (zh) | 2020-08-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| TWI834790B (zh) | 具有音訊資料的故障預測模型訓練 | |
| US10802942B2 (en) | Methods and apparatus to detect anomalies of a monitored system | |
| US11042145B2 (en) | Automatic health indicator learning using reinforcement learning for predictive maintenance | |
| US20100152878A1 (en) | System for maintaining and analyzing manufacturing equipment and method thereof | |
| US8316263B1 (en) | Predicting disk drive failure at a central processing facility using an evolving disk drive failure prediction algorithm | |
| US20130262082A1 (en) | Natural language incident resolution | |
| US8249830B2 (en) | Method and system for automatically diagnosing faults in rendering devices | |
| JP6219865B2 (ja) | 制御装置の故障予測システム | |
| US11119472B2 (en) | Computer system and method for evaluating an event prediction model | |
| RU2686257C1 (ru) | Способ и система удалённой идентификации и прогнозирования развития зарождающихся дефектов объектов | |
| CN111459692B (zh) | 用于预测驱动器故障的方法、设备和计算机程序产品 | |
| CN111650922A (zh) | 一种智能家居异常检测方法和装置 | |
| US20160110653A1 (en) | Method and apparatus for predicting a service call for digital printing equipment from a customer | |
| US20220334573A1 (en) | Sensor-agnostic mechanical machine fault identification | |
| JP2018147080A (ja) | 情報処理装置及び情報処理プログラム | |
| JP2023547849A (ja) | ラベルなしセンサデータを用いた産業システム内の稀な障害の自動化されたリアルタイムの検出、予測、及び予防に関する、方法または非一時的コンピュータ可読媒体 | |
| CN117474357A (zh) | 基于深度学习的配电房运维管理方法及系统 | |
| US20210294687A1 (en) | Printing device component status classification | |
| JP5168132B2 (ja) | 品質管理システム | |
| US11645022B1 (en) | Dynamic configuration of a printer for a printing operation | |
| US11941308B2 (en) | Utilization of a printhead resistance sensor and model to determine a printer status | |
| JP7425918B1 (ja) | 情報処理装置、情報処理方法及びプログラム | |
| US20230350780A1 (en) | Parsing Event Logs for Internet of Things Devices | |
| JP7286439B2 (ja) | 監視制御システム、情報処理装置、情報処理方法及びコンピュータプログラム | |
| JP2019028671A (ja) | 情報処理装置、情報処理方法、コンピュータプログラム、及び記憶媒体 |