用于工业工厂机器学习系统的分层机器学习方法技术方案

本发明专利技术涉及一种用于工业工厂机器学习系统的分层机器学习的计算机实现的方法，包括以下步骤：由机器学习单元(10)接收(S10)拓扑模型(T)，所述拓扑模型包括关于在所述工业工厂(20)的组件之间的层级关系的结构信息；其中所述组件包括所述工业工厂(20)的传感器的数据信号(S)和分级单元(A、SU)，其中所述分级单元(A、SU)包括所述工业工厂(20)的资产(A)、工厂子单元(SU)、工厂单元和工厂部分；由所述机器学习单元(10)使用接收到的所述数据信号(S)和接收到的所述拓扑模型(T)来确定(S20)包括多个层级(Lb、Li、Lt)的表示分层结构(H)，其中所述表示分层结构(H)包括针对多个接收到的所述数据信号(S)中的每一个的信号表示(AE

【技术实现步骤摘要】
【国外来华专利技术】用于工业工厂机器学习系统的分层机器学习方法


[0001]本公开涉及用于工业工厂机器学习系统的分层机器学习的计算机实现的方法，以及工业工厂机器学习系统。

技术介绍

[0002]在工业工厂中，相对大量的信号和事件产生数据，这些数据可以潜在地用于训练机器学习
‑
ML，用于诸如事件预测或过程监控特别是异常检测、软传感器的任务的模型。不是所有的数据对于各种任务都是同样重要的，并且要么特征工程已经手动完成，要么需要大量的数据来使用自动识别相关特征的ML，特别是通过使用深度人工神经网络。同时，维数曲线使得机器学习模型非常容易过度拟合高维输入数据。简而言之，必须在(a)手动特征选择和工程或(b)大量训练数据的需求之间进行选择。
[0003]因此，需要一种改进的工业工厂机器学习方法。

技术实现思路

[0004]根据本专利技术的一个方面，一种用于工业工厂机器学习系统的分层机器学习的计算机实现的方法包括以下步骤。在一个步骤中，由机器学习单元接收包括关于在工业工厂的组件之间的层级关系的结构信息的拓扑模型。所述组件包括工业工厂的传感器的数据信号和分级单元，其中所述分级单元包括工业工厂的资产、工厂子单元、工厂单元和工厂部分。在另一步骤中，机器学习单元使用接收到的数据信号和接收到的拓扑模型来确定包括多个层级的表示分层结构，其中，表示分层结构包括多个接收到的数据信号中的每一个的信号表示和在不同层级上的分层单元中的每一个的分层表示。在较高层级上的每个表示表示在较低层级上的一组表示。
[0005]信号表示和分层表示中的每一个包括机器学习模型。在另一步骤中，机器学习单元的输出机器学习模型由机器学习单元使用所确定的分层表示来训练。
[0006]这里使用的术语“拓扑模型”包括树形结构，该结构包括根节点和分层节点，其中每个根节点表示数据信号，其中每个分层节点表示分层单元。换句话说，第一层级的分层节点将根节点分组。第一层级的分级节点可以由第二层级的分级节点再次分组。对于每个较高层级，表示的数量减少。将多个较低层级节点分组的较高层级的节点称为父节点，而将多个分组的较低层级节点称为子节点。
[0007]拓扑模型优选地使用工厂图，特别是图名(例如P&ID)、管道和仪器、图、PFD、工艺流程、图或命名方案(如用于发电站的识别系统，KKS)或客户特定的命名方案来确定。优选地，为拓扑模型确定分层表示。例如，根据设备图，确定生产过程中产品的流动方向、平行的生产路径、平行的传感器以及工厂的不同组件上的传感器的位置(例如罐的上部传感器或下部传感器)。基于此，确定层次关系。
[0008]这里使用的术语“表示层次结构”包括与拓扑模型一致的树形结构。表示分层结构反映了基于较低层级的哪个表示来学习较高层级的哪个表示。
[0009]优选地，资产包括泵或马达。进一步优选地，工厂子单元包括压力容器，如增压锅炉，或进料器系统。进一步优选地，工厂单元包括支撑结构、外壳或蒸汽发生器内部。进一步优选地，工厂部分包括常规的头代。
[0010]换言之，不是使用工业工厂的传感器的数据信号并进而使用原始数据来训练输出机器学习模型，而是在至少一个层级上确定和分组数据信号的表示，以便减少用于输出机器学习模型的输入数据量。因此，输出机器学习模型是根据工业工厂的分层单元的表示而不是数据信号来训练的。
[0011]优选地，至少两个根节点(也称为叶)与一个分层节点相关联。例如，两个根节点表示资产的两个数据信号。因此，与两个根节点相关联的分层节点是表示所述资产的分层节点。由此将所述拓扑模型的树形节点结构转移到机器学习。
[0012]因此，基于拓扑模型，工业工厂的组件的各种表示的机器学习模型被自动组合。这允许自监督学习自动构建有意义的特征而无需人类交互。
[0013]输出机器学习模型优选地被配置成监测或控制工业工厂，尤其是工业工厂的组件。
[0014]优选地，工业工厂被配置为执行生产过程，特别是基于工艺配方，从而制造产品。
[0015]优选地，工厂资产包括工业工厂的塔和反应器。
[0016]优选地，拓扑模型是指示工业工厂分级结构的数字拓扑模型。
[0017]优选地，输出机器学习模型被配置为执行异常检测、特定事件的预测和/或特定变量的预测，例如由工业工厂制造的生产产品的质量。
[0018]由于基于分层表示而不是原始传感器数据来训练输出机器学习模型，可以避免维数问题。因此，所提供的分层机器学习方法倾向于防止过度拟合，特别是对于工业工厂的特定原始数据信号或事件数据。
[0019]此外，在工厂层次上组合学习表示提高了输出机器学习模型的鲁棒性。这有助于在工业工厂中检测新的复杂模式，这对于检测和防止故障和中断是至关重要的。
[0020]分层结构化机器学习模型比非结构化数据集更具信息性，尤其是当使用树状结构(例如树状图)来可视化时。
[0021]因此，提供了一种改进的工业工厂机器学习方法。
[0022]在优选实施例中，表示分层结构包括至少一个底层级和至少一个目标层级，其中，底层级包括信号表示，并且其中，目标层级包括分层表示。
[0023]优选地，底层级中的信号表示的数量大于目标层级上的分级表示的数量。
[0024]优选地，目标层级上的分层表示包括底层级的信号表示的任何信息。
[0025]由于与底层级上的信号表示相比，目标层级上的分层表示的数量减少，所以输出机器学习模型的输入数据量减少。
[0026]在优选实施例中，表示分层结构包括至少一个中间层级，其中，至少一个中间层级包括具有比目标层级更低的层级的分层表示。
[0027]该至少一个中间层级允许每个层级上的表示随后从该至少一个中间层级上的底层级减少到目标层级。
[0028]在优选实施例中，目标层级仅包括一个包含关于所有较低层级表示的信息的分层表示。
[0029]在优选实施例中，训练输出机器学习模型包括：使用所述先前层级的所述分层表示来训练所述输出机器学习模型。
[0030]优选地，基于在每个中间层级和目标层级上的分层表示来训练输出机器学习模型。这允许减少输出机器学习模型的输入。
[0031]在优选实施例中，训练输出机器学习模型包括使用目标层级的分层表示来训练输出机器学习模型。
[0032]优选地，输出机器学习模型仅使用一个待训练的表示，即目标层级的分层表示。这允许减少输出机器学习模型的输入。
[0033]在优选实施例中，确定表示分层结构包括：为每个数据信号学习信号表示，并且为每个分层单元学习分层表示，其中，每个分层表示是基于先前层级的相应表示来学习的。
[0034]换句话说，表示分层结构包括在多个层级上的信号表示和分层表示之间的树形关系。使用所述工业工厂的拓扑模型来确定所述表示分层结构。
[0035]例如，数据信号包括来自第一资产和来自第二资产的数据信号。可以使用原始数据信号来训练输出机器学习单元。在这种情况下，表示分层结构本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种用于工业工厂机器学习系统的分层机器学习的计算机实现的方法，包括以下步骤：由机器学习单元(10)接收(S10)拓扑模型(T)，所述拓扑模型包括关于在所述工业工厂(20)的组件之间的层级关系的结构信息；其中所述组件包括所述工业工厂(20)的传感器的数据信号(S)和分级单元(A、SU)，其中所述分级单元(A、SU)包括所述工业工厂(20)的资产(A)、工厂子单元(SU)、工厂单元和工厂部分；由所述机器学习单元(10)使用接收到的所述数据信号(S)和接收到的所述拓扑模型(T)来确定(S20)包括多个层级(Lb、Li、Lt)的表示分层结构(H)，其中所述表示分层结构(H)包括针对多个接收到的所述数据信号(S)中的每一个数据信号的信号表示(AE
1,1
)和针对不同层级上的所述分层单元(A、SU)中的每一个分层单元的分层表示(AE
A
、AE
SU
)；其中较高层级上的每个表示(AE
A
、AE
SU
)表示较低层级上的一组表示(AE
A
、AE
1,1
)；其中所述信号表示(AE
1,1
)和所述分层表示(AE
A
、AE
SU
)中的每一个包括机器学习模型；由所述机器学习单元(10)使用所确定的分层表示(AE
A
、AE
SU
)来训练(S30)所述机器学习单元(10)的输出机器学习模型(11)。2.根据权利要求1所述的方法，其中，所述表示分层结构(H)包括至少一个底层级(Lb)和至少一个目标层级(Lt)，其中所述底层级(Lb)包括所述信号表示(AE
1,1
)，并且其中所述目标层级(Lt)包括所述分层表示(AE
A
、AE
SU
)。3.根据前述权利要求中任一项所述的方法，其中，所述表示分层结构(H)包括至少一个中间层级Li，其中所述至少一个中间层级(Li)包括具有比所述目标层级(Lt)低的层级的所述分层表示。4.根据权利要求2或3中任一项所述的方法，其中所述目标层级(Lt)仅包括一个分层表示(AE
SU
)，其包含关于所有较低层级表示(AE
1,1
、AE
A
)的信息。5.根据前述权利要求中任一项所述的方法，其中，训练所述输出机器学习模型包括：使用先前层级(Lb、Li)的分层表示(AE
1,1
、AE
A
)来训练所述输出机器学习模型(11)。6.根据权利要求1－4中任一项所述的方法，其中，训练所述输出机器学习模型包括：使...

【专利技术属性】
技术研发人员：贝内迪克特，
申请(专利权)人：ABB瑞士股份有限公司，
类型：发明
国别省市：