用非线性特性预测性能退化制造技术

描述了用于预测具有非线性特性的逐渐性能退化的技术。该技术包括一种方法，该方法包括将新数据样本输入到故障预测模型，其中使用标记的历史数据集来训练该故障预测模型，其中相应的数据点与回顾窗口和预测时域相关联以创建相应的训练样本，其中相应的训练样本被聚类在多个集群中，并且其中多个集群各自与常态分数和异常分数相关联。该方法进一步包括基于将多个集群中的包括新数据样本的第一集群的第一异常分数与多个集群中的具有大于异常分数的常态分数的集群的平均异常分数进行比较，输出与新数据样本相关联的分类。输出与新数据样本相关联的分类。输出与新数据样本相关联的分类。

【技术实现步骤摘要】
【国外来华专利技术】用非线性特性预测性能退化


[0001]本公开涉及预测建模，并且更具体地，涉及利用非线性特性对性能退化的预测。

技术介绍

[0002]非线性性能退化可包括与一个或多个机械系统或元件的逐渐劣化相关的现象，其中逐渐劣化可能最终导致一个或多个机械系统或元件的故障或永久次优性能。与非线性性能退化相关的这种逐渐劣化可涉及任何类型的磨损(例如，通过基于组件与另一物质的相互作用而逐渐去除组件或使组件变形而弱化)、疲劳(例如，由周期性加载导致的弱化)、蠕变(例如，由持久机械应力导致的变形)和/或其他非线性现象。可由机械、化学、热或其它应力引起非线性性能退化。例如，磨损现象可包括磨蚀性磨损、侵蚀性磨损、腐蚀性磨损和其它类型的磨损。
[0003]然而，预测诸如磨损引起的劣化的非线性性能退化提出了许多挑战。其一，磨损是在延长的时间段上发展的逐渐故障。因此，正常和磨损状态之间的关系是非线性的，这使得线性模型(例如，自然贝叶斯、支持向量机(SVM)等)不适用。此外，在类似资产之间的磨损故障的进展是高度可变的(例如，一些资产在50天发生故障，而其他资产在6个月发生故本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种计算机实现的方法，包括：将新数据样本输入到故障预测模型，其中，使用标记的历史数据集来训练所述故障预测模型，其中，相应的数据点与回顾窗口和预测时域相关联以创建相应的训练样本，其中，所述相应的训练样本被聚类在多个集群中，并且其中，所述多个集群各自与常态分数和异常分数相关联；以及基于将所述多个集群中的包括所述新数据样本的第一集群的第一异常分数与所述多个集群中的具有大于所述异常分数的所述常态分数的集群的平均异常分数进行比较，输出与所述新数据样本相关联的分类。2.根据权利要求1所述的方法，其中，所述分类指示与所述新数据样本相关联的资产的与磨损相关的性能退化的可能性。3.根据权利要求1所述的方法，其中，所述回顾窗口定义要包括在每个相应的训练样本中的顺序地先前的数据点的数量。4.根据权利要求1所述的方法，其中，所述预测时域定义未来的预定义时间量，并且其中，所述未来的预定义时间量的相应的数据点的相应的标签与所述相应的训练样本相关联。5.根据权利要求1所述的方法，其中，使用K均值聚类对所述相应的训练样本进行聚类。6.根据权利要求1所述的方法，其中，所述方法由故障预测系统根据从远程数据处理系统下载到所述故障预测系统的软件来执行。7.根据权利要求6所述的方法，其中，所述方法进一步包括：计量所述软件的使用；以及基于计量所述使用来生成发票。8.根据权利要求1所述的方法，其中，所述方法用于预测螺杆泵(PCP)的磨损相关的劣化，其中，所述输入步骤包括将PCP的新数据样本输入到被配置为预测所述PCP的磨损相关的劣化的模型，其中，使用标记的历史PCP数据集来训练所述模型，并且其中，在所述输出步骤期间输出的所述分类指示所述PCP的与磨损相关的劣化。9.根据权利要求8所述的方法，包括：通过执行与一个或多个PCP相关联的历史数据的二进制标记来生成所标记的历史数据，其中，通过将回顾窗口和预测时域应用于所述标记的历史数据的相应的数据点来创建所述多个训练数据样本，其中，所述方法包括：计算为所述多个集群中的相应的集群计算的集群分数，所述集群分数是所述常态分数和所述异常分数；将PCP的所述新数据样本分配到所述多个集群中的第一集群；以及基于与所述第一集群相关联的集群分数来向所述新数据样本分配分类。10.根据权利要求9所述的方法，其中，所述标记的历史数据在已知的泵更换日期之前的预定时间段内被标记为有故障的。11.根据权利要求9所述的方法，其中，所述标记的历史数据包括泵速数据、泵扭矩数据、套管压力数据、生产率数据和维护记录。12.根据权利要求9所述的方法，其中，计算所述相应的集群的所述集群分数还包括：计算所述第一集群的常态分数，其中，所述常态分数是所述第一集群中与正常状态相
关联的训练数据样本的第一比例除以所述多个训练数据样本中与所述正常状态相关联的训练数据样本的第二比例；以及计算所述第一集群的异常分数，其中，所述异常分数是所述第一集群中与劣化状态相关联的训练数据样本的第三比例除以所述多个训练数据样本中与所述劣化状态相关联的训练数据样本的第四比例。13.根据权利要求12所述的方法，其中，所述分类是基于所述第一集群的所述常态分数或所述异常分数中的更大值的。14.根据权利要求9所述的方法，所述方法还包括：生成所述新数据样本的故障信号，其中，所述故障信号包括在预定数量的先前的数据点上所述新数据样本的平均异常分数。15.根据权利要求14所述的方法，其中，生成所述故障信号还包括：计算所述多个集群中具有大于异常分数的常态分数的集群的平均异常分数；对于所述预定数量的先前的数据点中的每一个，将一值与所述第一集群中具有大于所述平均异常分数的异常分数的数据点相关联，并且将零值与所述第一集群中具有小于所述平均异常分数的异常分数的数据点相关联；以及将所述故障信号计算为与所述预定数量的先前的数据点中的每一个相关联的所述一值和零值的平均值。16.一种系统，包括：一个或多个处理器；以及一个或多个存储程序指令的计算机可读存储介质，所述程序指令在由所述一个或多个处理器执行时被配置为使得所述一个或多个处理器执行一种方法，所述方法包括：将新数据样本输入到故障预测模型，其中，使用标记的历史数据集来训练所述故障预测模型，其中，相应的数据点与回顾窗口和预测时域相关联以创建相应的训练样本，其中，所述相应的训练样本被聚类在多个集群中，并且其中，所述多个集群各自与常态分数和异常分数相关联；以及基于将所述多个集群中的包括所述新数据样本的第一集群的第一异常分数与所述多个集群中的具有大于所述异常分数的所述常态分数的集群的平均异常分数进行比较，输出与所述新数据样本相关联的分类。17.根据权利要求16所述的系统，其中，所述分类指示与所述新数据样本相关联的资产的与磨损相关的性能退化的可能性。18.根据权利要求16所述的系统，其中，所述回顾窗口定义要包括在每个相应的训练样本...

【专利技术属性】
技术研发人员：N，
申请(专利权)人：国际商业机器公司，
类型：发明
国别省市：