本文公开了一种用于预测工业机器故的障的方法和机器监控系统。该系统被构造成接收与诸如大型工业机械的机器相关的传感器数据，并选择机器故障的指示性数据特征。该系统然后将不受监督机器故障检测过程和受监督机器故障预测过程应用于所选择的指示性数据特征。当接收到机器的新传感器数据时，将机器故障检测过程应用于与新传感器数据相关联的选定的至少一个指示性数据特征。这允许所公开的系统确定是否检测到至少一个机器故障指示符，如果是，则标记机器故障。然后，系统用新标记的机器故障指示符更新受监督机器故障预测过程，使得受监督机器故障预测过程被连续更新和改进。监督机器故障预测过程被连续更新和改进。监督机器故障预测过程被连续更新和改进。
【技术实现步骤摘要】
【国外来华专利技术】使用在线机器学习检测和预测机器故障
[0001]相关申请的交叉引用
[0002]本申请要求于2019年4月11日提交的美国临时申请号62/832,467的权益，其内容通过引用并入本文。
[0003]本公开总体上涉及机器的维护系统，并且更具体地涉及使用在线机器学习来自动检测和预测机器故障以用于连续改进和自适应预测模型。
技术介绍
[0004]通信、处理、云计算、人工智能和其他计算机化技术近年来取得了显著进步，预示着技术和生产的新领域。此外，自20世纪70年代以来或之前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通常都有微小的改进，因此只能略微提高生产和产量。
[0005]在现代制造实践中，制造商通常需要严格的生产时间表，并提供完美或接近完美的生产质量。因此，每当发生意外的机器故障时，这些制造商都有遭受重大损失的风险。机器故障是指机器偏离正确操作时发生的事件。错误，即与机器的正确或预期状态的偏差，不一定是故障，但可能导致并指示潜在的未来故障。此外，错误可能会导致可能影响性能的异常机器行为。
[0006]典型制造商基于故障的平均机器停机时间(即由于机器故障导致生产部分或全部停止的平均时间量)为每年17天，即17天的生产和收入损失。例如，在典型的450兆瓦功率涡轮机的情况下，一天的停机时间可能会使制造商损失超过300万美元的收入。这种停机时间可能具有与修理、安全预防措施等相关的额外成本。
[0007]在能源发电厂中，每年要花费数十亿美元来确保可靠性，特别是用于将生产停机时间最小化的备用系统和冗余。此外，监控系统可用于快速识别故障，从而在发生停机时加快恢复生产。然而，现有的监控系统通常仅在停机时间开始之后或之前识别故障。
[0008]一些现有的监控和维护解决方案使用检测功能来预测即将到来的机器故障。这种解决方案基于联接到这种机器的传感器收集的数据。传感器数据的处理仅限于传感器收集的信号，并且仅限于静态预测。然而，这些解决方案有几个不足之处，例如随着机器数据的变化而变得过时和不相关，需要对用于处理动态数据的预测机制、静态预测和检测模型进行连续维护等。
[0009]因此，提供一种能够克服上述挑战的解决方案将是有利的。
技术实现思路
[0010]下面是本公开的几个示例实施例的概述。提供本概述是为了方便读者提供对这些实施例的基本理解，并不完全限定本公开的范围。该概述不是所有预期实施例的广泛概述，并且既不旨在标识所有实施例的关键或重要元件，也不旨在描绘任何或所有方面的范围。
其唯一目的是以简化形式呈现一个或多个实施例的一些概念，作为稍后呈现的更详细描述的序言。为了方便起见，术语“某些实施例”在这里可以用来指本公开的单个实施例或多个实施例。
[0011]本文公开的某些实施例包括用于检测和预测工业机器故障的基于在线机器学习的方法。该方法包括接收与至少一个工业机器相关的传感器数据；基于传感器数据的至少一部分生成多个数据特征；从多个数据特征中选择用于机器故障检测的至少一个指示性数据特征；将不受监督机器故障检测过程应用于所选择的至少一个指示性数据特征，其中所述不受监督机器故障检测过程被构造为基于所选择的至少一个指示性数据特征来检测机器故障指示符；接收与所述至少一个工业机器相关的新传感器数据；通过将不受监督机器故障检测过程应用于与新传感器数据相关联的所选择的至少一个指示性数据特征，确定在新传感器数据中是否检测到至少一个机器故障指示符；以及在确定检测到至少一个机器故障指示符时标记该至少一个机器故障指示符，其中在确定没有检测到机器故障指示符时，不受监督机器故障检测过程连续搜索机器故障指示符。
[0012]本文公开的某些实施例还包括一种基于在线机器学习的方法的系统，用于检测和预测工业机器故障。该系统包括处理电路；以及存储器，所述存储器包含指令，当由所述处理电路执行时，所述指令将所述系统构造为:接收与至少一个工业机器相关的传感器数据；基于传感器数据的至少一部分生成多个数据特征；从多个数据特征中选择用于机器故障检测的至少一个指示性数据特征；将不受监督机器故障检测过程应用于所选择的至少一个指示性数据特征，其中所述不受监督机器故障检测过程被构造为基于所选择的至少一个指示性数据特征来检测机器故障指示符；接收与所述至少一个工业机器相关的新传感器数据；通过将不受监督机器故障检测过程应用于与新传感器数据相关联的所选择的至少一个指示性数据特征，确定在新传感器数据中是否检测到至少一个机器故障指示符；以及在确定检测到所述至少一个机器故障指示符时标记所述至少一个机器故障指示符，其中在确定没有检测到机器故障指示符时，不受监督机器故障检测过程连续搜索机器故障指示符。
附图说明
[0013]在说明书结尾的权利要求中特别指出并明确要求保护本文公开的主题。从下面结合附图的详细描述中，所公开的实施例的前述和其他目的、特征和优点将变得显而易见。
[0014]图1是用于描述各种公开实施例的网络图。
[0015]图2是根据实施例的机器管理服务器的示意图。
[0016]图3是示出根据实施例的用于机器故障的自动检测和预测的方法的流程图。
[0017]图4A是示出根据实施例的机器故障检测过程的训练过程的示例曲线图。
[0018]图4B是示出根据实施例的机器故障检测或预测过程对新传感器数据的应用的示例图。
具体实施方式
[0019]重要的是要注意这里公开的实施例只是这里创新教导的许多有利用途的示例。通常，在本申请的说明书中作出的陈述不一定限制各种要求保护的实施例中的任何一个。此外，某些陈述可能适用于某些专利技术特征，但不适用于其他特征。通常，除非另有说明，单数元
件可以是复数，反之亦然，不失一般性。在附图中，通过多个视图，相同的附图标记表示相同的部件。
[0020]各种公开的实施例包括用于使用机器学习技术预测机器故障的方法和机器监控系统。在一实施例中，机器监控系统被构造为接收与机器(例如大型工业机械)相关的传感器数据，并选择机器故障的指示性数据特征。然后，系统将不受监督机器故障检测过程和受监督机器故障预测过程应用于所选指示性数据特征。当接收到机器的新传感器数据时，对与新传感器数据相关联的所选至少一个指示性数据特征应用机器故障检测过程。这允许所公开的系统确定是否检测到至少一个机器故障指示符，如果是，则标记该机器故障。然后，系统被构造为使用新标记的机器故障指示符自动更新受监督机器故障预测过程，使得受监督机器故障预测过程不断更新和改进。
[0021]图1示出了用于描述各种公开的实施例的示例网络图100。示例网络图100包括经由网络110通信连接的机器监控系统(MMS)130、管理服务器140、数据库150和客户端设备160。示例网络图100还包括多个传感器120
‑
1到120
‑
n(以下单独称为传感器120并统称为传感器120，仅为了简单起见)，其中n是等于或大于1的整数，连接到机器监控系统130。网本文档来自技高网...
【技术保护点】
【技术特征摘要】
【国外来华专利技术】1.一种用于检测和预测工业机器故障的基于在线机器学习的方法，包括:接收与至少一个工业机器相关的传感器数据；基于传感器数据的至少一部分生成多个数据特征；从多个数据特征中选择用于机器故障检测的至少一个指示性数据特征；将不受监督机器故障检测过程应用于所选择的至少一个指示性数据特征，其中所述不受监督机器故障检测过程被构造为基于所选择的至少一个指示性数据特征来检测机器故障指示符；接收与所述至少一个工业机器相关的新传感器数据；通过将不受监督机器故障检测过程应用于与新传感器数据相关联的所选择的至少一个指示性数据特征，确定在新传感器数据中是否检测到至少一个机器故障指示符；和在确定检测到所述至少一个机器故障指示符时标记所述至少一个机器故障指示符，其中在确定没有检测到机器故障指示符时，所述不受监督机器故障检测过程连续搜索机器故障指示符。2.根据权利要求1所述的方法，还包括:从多个数据特征中选择用于机器故障预测的至少一个指示性数据特征；将受监督机器故障预测过程应用于所选择的至少一个指示性数据特征；其中所述受监督机器故障预测过程被构造成基于所选择的至少一个指示性数据特征来预测机器故障；和用标记的至少一个机器故障指示符更新受监督机器故障预测过程，使得受监督机器故障预测过程被连续自动地更新和改进。3.根据权利要求1所述的方法，其中，所述多个数据特征表示所述至少一机器的至少一部件的行为。4.根据权利要求1所述的方法，其中，所述多个数据特征是基于至少一种统计方法生成的。5.根据权利要求1所述的方法，其中，所述至少一个指示性数据特征是基于检测机器故障的概率从所述多个数据特征中选择的。6.根据权利要求2所述的方法，其中，所述至少一个指示性数据特征是基于预测机器故障的概率从所述多个数据特征中选择的。7.根据权利要求1所述的方法，还包括:至少基于所述多个指示性数据特征的分布，从所述多个数据特征中选择多个指示性数据特征，其中所述至少一个分布指示所述多个数据特征之间朝向机器故障的至少一关联。8.根据权利要求1所述的方法，其中，所述传感器数据的至少一部分预先标记有至少一个机器故障指示符。9.根据权利要求1所述的方法，其中，确定是否在新传感器数据中检测到至少一个机器故障指示符是基于半受监督机器学习。10.一种非暂时性计算机可读介质，其上存储有用于使处理电路执行一过程的指令，该过程包括:接收与至少一个工业机器相关的传感器数据；基于传感器数据的至少一部分生成多个数据特征；
从多个数据特征中选择用于机器故障检测的至少一个指示性数据特征；将不受监督机器故障检测过程应用于所选择的至少一个指示性数据特征，其中所述不受监督机器故障检测过程被构造为基于所选择的至少一个指示性数据特征来检测机器故障指示符；接收与所述至少一个工业机器相关的新传感器数据；通过将不受监督机器故障检测过程应用...
【专利技术属性】
技术研发人员：D拉维德本卢卢，O罗辛斯基，A托尔斯托夫，W格雷耶布，R邦达丘克，Y多夫任科，
申请(专利权)人：斯凯孚公司，
类型：发明
国别省市：
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。