【技术实现步骤摘要】
【国外来华专利技术】利用未被标记的传感器数据对工业系统中的罕见故障的自动实时检测、预测和阻止
[0001]本公开总体上涉及工业系统,更具体地,涉及利用未被标记的传感器数据对工业系统中的罕见故障的自动实时检测、预测和阻止。
技术介绍
[0002]本文描述的工业系统包括操作复杂系统的大多数行业,包括但不限于制造业、主题公园、医院、机场、公共设施、采矿、油气、仓库和运输系统。
[0003]两个主要故障类别由故障在故障时间方面离其症状有多久来定义。快速类型的故障涉及在时间方面接近的症状和故障,例如传送带上的过载故障。缓慢(或慢性)类型的故障涉及比故障早很久(或远早于故障)的症状。这种类型的故障通常具有较宽的负面影响并且可能使整个系统关闭。这种类型的故障可涉及坝上的断裂和裂纹,或由于金属疲劳引起的断裂。
[0004]复杂系统中的故障是罕见的,但是这种故障的成本在财务成本(例如,操作、维护、修理、物流等)、信誉成本(例如,营销、市场份额、销售、质量等)、人力成本(例如,调度、技能集合等)以及责任成本(例如,安全性、健康等)方面可能是巨大的。
技术实现思路
[0005]本文描述的示例实现方式涉及故障发生在症状之后的短时间窗口中的快速类型的故障。根据特定工业系统中的实际问题,短时间窗口可能在几分钟到几小时的范围内。
[0006]下面讨论相关技术的系统和方法的若干问题(局限性和限制)。本文描述的示例实现方式引入了用于解决这些问题的技术。
[0007]在涉及无监督学习任务的相关技术的实现方式中,数据科学从业者 ...
【技术保护点】
【技术特征摘要】
【国外来华专利技术】1.一种用于包括多个设备的系统的方法,所述多个设备提供未被标记的传感器数据,所述方法包括:对所述未被标记的传感器数据执行特征提取,以生成多个特征;通过利用故障检测模型处理所述多个特征来执行故障检测,以生成故障检测标记,所述故障检测模型根据机器学习框架生成,所述机器学习框架将监督机器学习应用于根据无监督机器学习生成的无监督机器学习模型;以及将所提取的特征和所述故障检测标记提供给故障预测模型,以生成故障预测和特征序列。2.根据权利要求1所述的方法,其中,所述机器学习框架根据通过以下方式将所述监督机器学习应用于根据所述无监督机器学习生成的所述无监督机器学习模型,来生成所述故障检测模型:基于所述特征执行所述无监督机器学习,以生成所述无监督机器学习模型;对来自每个所述无监督机器学习模型的结果执行监督机器学习,以生成监督集成机器学习模型,每个所述监督集成机器学习模型对应于每个所述无监督机器学习模型;以及基于对照由所述监督集成机器学习模型生成的预测对所述无监督机器学习模型的结果的评估,选择所述无监督机器学习模型中的一些无监督机器学习模型作为所述故障检测模型。3.根据权利要求1所述的方法,其还包括生成所述故障预测模型,生成所述故障预测模型包括:从根据所述历史传感器数据优化的特征窗口中提取特征;基于来自所述历史传感器数据的故障,确定优化故障窗口和前置时间窗口;利用长短期记忆(LSTM)自动编码器对所述特征进行编码;训练LSTM序列预测模型,所述LSTM序列预测模型用于从所述特征窗口中学习特征序列中的模式,以导出所述故障窗口中的故障;将所述LSTM序列预测模型提供作为所述故障预测模型;以及将来自从所述故障检测模型检测到的故障和从所述故障预测模型预测到的故障的故障进行集成;其中,所述故障预测是来自检测到的故障和预测到的故障的集成故障。4.根据权利要求1所述的方法,其还包括提供用于确定故障的根本原因并抑制警报的故障阻止过程,其中所述故障阻止过程通过以下方式来确定所述故障的根本原因并抑制所述警报:识别集成故障的根本原因并使用于解决所述集成故障的补救建议自动化;根据所述集成故障生成警报;利用成本敏感的优化技术执行警报抑制过程,以基于紧急性级别来抑制所述警报中的一些警报;以及向所述多个系统的一个或多个操作者提供所述警报中的剩余警报。5.根据权利要求4所述的方法,其还包括:基于所述补救建议执行用于控制所述多个系统中的一个或多个系统的过程。6.一种用于包括多个设备的系统的方法,所述多个设备提供未被标记的传感器数据,所述方法包括:
对所述未被标记的数据执行特征提取,以生成多个特征;执行机器学习框架,所述机器学习框架通过将监督机器学习应用于根据无监督机器学习生成的无监督机器学习模型来将无监督学习任务变换成监督学习任务,执行所述机器学习框架包括:基于所述特征执行所述无监督机器学习,以生成所述无监督机器学习模型;对来自每个所述无监督机器学习模型的结果执行监督机器学习,以生成监督集成机器学习模型,...
【专利技术属性】
技术研发人员:张永强,林威,威廉,
申请(专利权)人:日立数据管理有限公司,
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。