【技术实现步骤摘要】
【国外来华专利技术】用于预测工业机器故障的系统和方法相关申请的交叉引用本申请要求于2018年8月12日提交的美国临时申请No.62/717,853的权益,该申请的内容通过引用并入本文。
本公开总体上涉及用于机器的维护系统,并且更具体地涉及监视机器操作以改进机器进程。
技术介绍
近年来,通信、处理、云计算、人工智能和其他计算机化技术已经显著进步,预示着技术和生产的新领域。此外,自20世纪70年代或之前以来采用的许多工业技术至今仍在使用。与这些工业技术相关的现有解决方案经常仅见到微小的改进,仅略微增加生产和产量。在现代制造实践中,制造商必须经常满足严格的生产时间线并且提供无瑕疵或几乎无瑕疵的生产质量。因此,每当意外的机器故障发生时,这些制造商都会冒严重损失的风险。机器故障是当机器偏离正确的服务时发生的事件。通常偏离机器的正确状态的错误不一定是故障,但可能导致并指示潜在的未来故障。除了故障之外,错误可能以其他方式引起可能影响性能的不寻常的机器行为。典型制造商的基于平均故障的机器停机时间(即,由于机器故障,生产部分或全部关闭的平均时间量)是每年17天,即,损失17天的生产并因此损失17天的收入。在典型的450兆瓦动力涡轮机的情况下,例如,单日的停机时间可能在损失的收入方面使制造商花费超过3百万美元。这种停机时间可具有与修理、安全防范等相关的附加成本。在能量发电厂中,每年在确保可靠性上花费数十亿美元。具体地,数十亿美元被花费在用于最小化生产停机时间的备份系统和冗余上。此外,可以利用监视系统来快速识别故障,从 ...
【技术保护点】
1.一种用于预测工业机器中的故障的方法,包括:/n接收从至少一个机器收集的原始传感输入;/n基于所述原始传感输入来生成多个数据特征;/n从所述多个数据特征中选择多个指示性数据特征,其中,所述选择基于所述多个指示性数据特征的分布,所述分布确定所述多个指示性数据特征与机器故障之间的关联;/n基于所述多个指示性数据特征来选择机器学习模型;/n将选定的机器学习模型应用于所述多个指示性数据特征;以及/n确定即将到来的机器故障的概率。/n
【技术特征摘要】
【国外来华专利技术】20180812 US 62/717,8531.一种用于预测工业机器中的故障的方法,包括:
接收从至少一个机器收集的原始传感输入;
基于所述原始传感输入来生成多个数据特征;
从所述多个数据特征中选择多个指示性数据特征,其中,所述选择基于所述多个指示性数据特征的分布,所述分布确定所述多个指示性数据特征与机器故障之间的关联;
基于所述多个指示性数据特征来选择机器学习模型;
将选定的机器学习模型应用于所述多个指示性数据特征;以及
确定即将到来的机器故障的概率。
2.根据权利要求1所述的方法,其中,所述原始传感输入的每种类型至少与所述机器相关联的过程相关。
3.根据权利要求1所述的方法,还包括:
预处理接收到的原始传感输入。
4.根据权利要求3所述的方法,其中,预处理包括以下处理中的任一项:数据清洗、标准化、重标度、重新趋势化、重新格式化和噪声滤波。
5.根据权利要求1所述的方法,还包括:
生成用于所确定的即将到来的机器故障的概率的通知,其中,所述通知指示以下中的至少一项:所述即将到来的机器故障,以及用于避免或减轻所确定的即将到来的机器故障的至少一个推荐。
6.根据权利要求1所述的方法,其中,所述选择所述机器学习模型还包括:
选择一组超参数,所述一组超参数与选定的机器学习模型一起使用是最佳的,以用于优化所述机器学习模型的准确度水平。
7.根据权利要求6所述的方法,其中,所述选定的机器学习模型包括准确的机器故障预测能力和相对于多个机器学习模型的机器故障的更好的长期可预测性。
8.根据权利要求1所述的方法,其中,至少概率的确定是在恒定的基础上执行的。
9.根据权利要求1所述的方法,其中,所述至少一个数据特征至少由统计特征表示。
10.一种其上存储有指令的非暂时性计算机可读介质,所述指令用于使处理电路执行过程,所述过程包括:
接收从至少一个机器收集的原始传感输入;
基于所述原始传感输入来生成多个数据特征;
从所述多个数据特征中选择多个指示性数据特征,其中,所述选择基于所述多个指示性数据特征的分布,所述分...
【专利技术属性】
技术研发人员:大卫·拉维德·本·卢卢,尼尔·德罗米,
申请(专利权)人:斯凯孚人工智能有限公司,
类型:发明
国别省市:以色列;IL
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。