优化用于监视工业机器操作的机器学习算法的准确度制造技术

一种用于优化用于监视工业机器操作的机器学习算法的方法的系统和方法，包括：监视至少一个工业机器的至少一个工业机器行为模型；识别具有第一特征集合的至少一个工业机器行为模型的至少第一模糊分段，并且识别与第一模糊分段相关联的矫正解决方案推荐；识别具有第二特征集合的至少一个工业机器行为模型的至少第二模糊分段；确定第一特征集合与第二特征集合之间的相似度是否超过预定阈值；以及当确定相似度已经超过预定阈值时，更新至少一个工业机器行为模型的机器学习算法，以将矫正解决方案推荐与第二模糊分段相关联。

【技术实现步骤摘要】
【国外来华专利技术】优化用于监视工业机器操作的机器学习算法的准确度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.62/717，855的权益，其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，并且更具体地涉及用于改进机器进程的监视机器操作。
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。典型制造商的基于故障的平均机器停机时间(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，从而当停机时间发生时加速返回到生产。然而，现有的监视系统通常仅在停机时间开始之后或在停机时间开始之前立即识别故障。进一步地，用于监视机器故障的现有解决方案通常依赖于用于每个机器的预定规则的集合。这些规则集合不考虑关于机器收集的所有数据，并且这些规则集合仅用于检查特定关键参数而忽略其余参数。此外，这些规则集合必须由工程师或其他分析人员提前提供。因此，现有解决方案实际上可能仅使用了所收集的数据中的一些，从而导致与未使用数据的传输、存储和处理相关的计算资源的浪费使用。进一步地，未能考虑所有相关数据可能导致丢失对故障的判断或预测或导致以其他方式的不准确的判断或预测。此外，现有解决方案通常依赖于以预定间隔的周期性测试。因此，甚至当机器不处于立即故障状态时，甚至可以提前预测故障的现有解决方案通常返回执行机器维护的请求。这种过早的更换和维护导致浪费材料和花费在更换仍然正常工作的部件上的费用。进一步地，这样的现有解决方案通常导致仅在故障发生之后才启动修复。结果可能无法防止故障，从而导致停机时间和收入损失。此外，现有的监视和维护解决方案通常需要专用的测试设备。因此，这些解决方案通常需要在每个监视和维护系统的操作中训练良好的专业操作者。需要专门的操作者可能是不方便且昂贵的，并且可能引入人为错误的潜在来源。另外，除了数据的微小波动之外，给定可以针对任何给定机器收集的绝对数量的数据，分析人员不能够充分地确定即将到来的故障。因此，提供一种将克服上述挑战的解决方案将是有利的。
技术实现思路
下面是本公开的几个示例性实施例的概述。提供本概述是为了方便给读者提供对这些实施例的基本理解，而不是完全限定本公开的广度。本概述不是对所有预期实施例的广泛概述，并且既不旨在识别所有实施例的关键或重要元素，也不旨在描绘任何方面或所有方面的范围。其唯一目的是以简化的形式呈现一个或更多个实施例的一些概念，作为稍后呈现的更详细描述的前序。为了方便起见，术语“某些实施例”本文可以用于指本公开的单个实施例或多个实施例。本文公开的某些实施例包括一种用于优化用于监视工业机器操作的机器学习算法的方法，包括：监视至少一个工业机器的至少一个工业机器行为模型；识别具有第一特征集合的至少一个工业机器行为模型的至少第一模糊分段，并且识别与第一模糊分段相关联的矫正解决方案推荐；识别具有第二特征集合的至少一个工业机器行为模型的至少第二模糊分段；确定第一特征集合与第二特征集合之间的相似度是否超过预定阈值；以及当确定相似度已经超过预定阈值时，更新至少一个工业机器行为模型的机器学习算法，以将矫正解决方案推荐与第二模糊分段相关联。本文公开的某些实施例还包括一种其上存储有指令的非暂时性计算机可读介质，该指令用于使处理电路执行过程，该过程包括：监视至少一个工业机器的至少一个工业机器行为模型；识别具有第一特征集合的至少一个工业机器行为模型的至少第一模糊分段，并且识别与第一模糊分段相关联的矫正解决方案推荐；识别具有第二特征集合的至少一个工业机器行为模型的至少第二模糊分段；确定第一特征集合与第二特征集合之间的相似度是否超过预定阈值；以及当确定相似度已经超过预定阈值时，更新至少一个工业机器行为模型的机器学习算法，以将所述矫正解决方案推荐与第二模糊分段相关联。本文公开的某些实施例还包括一种用于优化用于监视工业机器操作的机器学习算法的系统，包括：处理电路；以及存储器，该存储器包含指令，该指令在由处理电路执行时将系统配置为：监视至少一个工业机器的至少一个工业机器行为模型；识别具有第一特征集合的至少一个工业机器行为模型的至少第一模糊分段，并且识别与第一模糊分段相关联的矫正解决方案推荐；识别具有第二特征集合的至少一个工业机器行为模型的至少第二模糊分段；确定第一特征集合与第二特征集合之间的相似度是否超过预定阈值；以及当确定相似度已经超过预定阈值时，更新至少一个工业机器行为模型的机器学习算法，以将矫正解决方案推荐与第二模糊分段相关联。附图说明在说明书结尾处的权利要求书中具体指出并清楚地要求保护本文所公开的主题。根据下面结合附图的详细描述中，所公开的实施例的上述和其他目的、特征和优点将变得显而易见。图1是用于描述所公开的各个实施例的网络图。图2是根据实施例的管理服务器系统的示意图。图3是示出了根据实施例的用于增强适于监视机器操作的机器学习算法的准确度等级的方法的流程图。图4是示出了根据实施例的用于为机器操作自动地提供矫正解决方案推荐的基于强化学习的方法的流程图。图5是示出了根据实施例的用于更新适于监视机器操作的机器学习算法的基于强化学习的方法的流程图。图6是示出了根据实施例的机器行为模型中的模糊分段的表示的示例仿真。具体实施方式重要的是要注意，本文所公开的实施例仅是本文的创新性教导内容的许多有利用途的示例。通常，在本申请的说明书中进行的陈述不一定限制各个要求保护的实施例中的任何实施例。此外，一些陈述可适用于一些专利技术特征但不适用于其他专利技术特征。通常，除非另有说明，单数元件可以是复数的，反之亦然，而不失一般性。在附图中，相同的标号在几个视图始终指代相同的部件。利用所公开的基于强化学习的方法来识别机器的机器行为模型中的模糊分段，该模糊分段用于优化用于监视工业机器操作的机器学习算法。机器行为模型基于从机器的一个或更多个传感器接收的传感输入。响应于这样的模糊分段的识别，本文档来自技高网...

【技术保护点】
1.一种用于优化用于监视工业机器操作的机器学习算法的方法，包括：/n监视至少一个工业机器的至少一个工业机器行为模型；/n识别具有第一特征集合的所述至少一个工业机器行为模型的至少第一模糊分段，并且识别与所述第一模糊分段相关联的矫正解决方案推荐；/n识别具有第二特征集合的所述至少一个工业机器行为模型的至少第二模糊分段；/n确定所述第一特征集合与所述第二特征集合之间的相似度是否超过预定阈值；以及/n当确定所述相似度已经超过所述预定阈值时，更新所述至少一个工业机器行为模型的机器学习算法，以将所述矫正解决方案推荐与所述第二模糊分段相关联。/n

【技术特征摘要】
【国外来华专利技术】20180812 US 62/717,8551.一种用于优化用于监视工业机器操作的机器学习算法的方法，包括：
监视至少一个工业机器的至少一个工业机器行为模型；
识别具有第一特征集合的所述至少一个工业机器行为模型的至少第一模糊分段，并且识别与所述第一模糊分段相关联的矫正解决方案推荐；
识别具有第二特征集合的所述至少一个工业机器行为模型的至少第二模糊分段；
确定所述第一特征集合与所述第二特征集合之间的相似度是否超过预定阈值；以及
当确定所述相似度已经超过所述预定阈值时，更新所述至少一个工业机器行为模型的机器学习算法，以将所述矫正解决方案推荐与所述第二模糊分段相关联。


2.根据权利要求1所述的方法，还包括：
生成与针对所述第二模糊分段的所述矫正解决方案推荐相关的通知；以及
向客户端设备发送所述通知。


3.根据权利要求1所述的方法，其中，所述第一模糊分段指示所述至少一个工业机器的疑似停机时间。


4.根据权利要求1所述的方法，其中，使用以下各项中的至少一项来实现确定所述相似度已经超过所述预定阈值：机器学习方法、深度学习模型、统计方法和相似度函数。


5.根据权利要求1所述的方法，还包括：
向客户端设备发送关于所述第一模糊分段的第一查询，以确定检测到的停机时间是否发生；以及
基于对所述第一查询的响应来确定是否已经发生停机时间。


6.根据权利要求5所述的方法，还包括：
当确定没有发生停机时间时，更新所述机器学习算法。


7.根据权利要求5所述的方法，还包括：
当确定已发生停机时间时，向客户端设备发送第二查询以确定所述停机时间的时间帧是否准确；以及
基于对所述第二查询的响应来确定所述停机时间帧是否准确。


8.根据权利要求7所述的方法，还包括：
当确定所述停机时间帧准确时，更新所述机器学习算法。


9.根据权利要求7所述的方法，还包括：
当确定停机时间帧不准确时，向客户端设备发送第三查询以确定所述停机时间的更新的时间帧；以及
用所述更新的时间帧来更新所述机器学习算法。


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：
监视至少一个工业机器的至少一个工业机器行为模型；
识别具有第一特征集合的所述至少一个工业机器行为模型的至少第一模糊分段，并且识别与所述第一模糊分段相关联的矫正解决方案推荐；
识别具有第二特征集合的所述至少一个工业机器行为模型的至少第二模糊分段；
确定...

【专利技术属性】
技术研发人员：大卫·拉维德·本·卢卢，瓦西姆·格拉耶布，
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