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、预测和阻止技术方案

本文描述的示例实施方式涉及对包括提供未被标记的传感器数据的多个设备的系统的管理，该管理可以涉及对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该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，该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。以生成故障预测和特征序列。以生成故障预测和特征序列。

【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，数据科学从业者通常需要每次构建一个模型，手动检查结果，并基于结果评估模型。基于模型的特征选择对于相关技术的无监督学习任务来说是不可用的。此外，数据科学从业者通常需要手动解释结果。无监督学习任务中涉及的手动工作通常是耗时的，易于出错，并且是主观的。需要提供用于使用于无监督学习任务的模型评估、特征选择和可解释人工智能(AI)自动化的通用技术。
[0008]相关技术的实现方式严重依赖于准确的历史故障数据。然而，严重的历史故障是罕见的，并且由于若干原因，准确的历史故障数据通常是不可用的。例如，由于可能没有设置用于收集故障数据的过程或设置用于收集故障数据的过程有限，可能无法收集历史故障，或者由于大量的物联网(IoT)数据，历史故障对于故障数据的手动处理、检测和识别也可能是不可行的。此外，收集的历史故障可能不准确，因为不存在用于对共同和罕见事件进行有效且高效地检测和分类的标准过程。此外，用于通过基于领域知识标记传感器数据来收集故障的手动过程是不准确的、不一致的、不可靠的和耗时的。因此，需要一种用于在工业系统中准确、有效和高效地检测和收集故障的自动化和标准的过程或方法。
[0009]相关技术的故障预测解决方案对于具有所需响应时间(或超前时间)的罕见故障
事件表现不佳。原因包括不能确定用于收集特征/证据和故障的最优窗口，或者不能识别可以预测故障的正确信号。此外，因为工业系统通常在正常状态下运行并且故障通常是罕见事件，所以难以捕获有限量的故障的模式，因此难以预测这样的故障。此外，相关技术的实现方式可能无法按时间顺序建立正常情况和罕见故障事件之间的正确关系，并且可能无法捕获罕见故障的进展的序列模式。因此，需要一种方法，该方法在给定最优故障窗口中的有限量的故障数据和所需的响应时间的情况下可以在最优特征窗口内识别用于故障预测的正确信号，从而可以在正常情况和罕见故障以及罕见故障的进展之间建立正确关系。
[0010]在相关技术的实现方式中，通常基于领域知识来手动完成故障的阻止，这是主观的、耗时的并且易于出错。因此，需要一种用于识别预测故障的根本原因，通过结合领域知识来使故障补救建议自动化并且优化警报抑制以便减少警报疲劳的标准方法。
[0011]由于工业系统中的故障的大量负面影响，本文提出的解决方案旨在检测、预测和阻止这种故障，以便减轻或避免负面影响。根据本文描述的故障阻止解决方案，示例实现方式可以减少计划外的停机时间和操作延迟，同时提高生产率、输出和操作有效性，优化产量并增加余量/利润，保持生产和产品质量的一致性，减少用于物流的计划外的成本、计划维护、劳动力和维修成本，减少对资产和整个工业系统的损坏，并且减少操作者的事故并改善操作者的健康和安全。所提出的解决方案通常为操作者、主管/管理者、维护技术人员、SME/领域专家等提供了益处。
[0012]本公开的方面可以涉及一种用于具有提供未被标记的传感器数据的多个设备的系统的方法，该方法涉及：对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该多个特征来执行故障检测以生成故障检测标记，该故障检测模型根据机器学习框架生成，该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。
[0013]本公开的方面可以涉及一种计算机程序，该计算机程序存储用于对具有提供未被标记的传感器数据的多个设备的系统进行管理的指令，该指令包括：对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该多个特征来执行故障检测以生成故障检测标记，该故障检测模型根据机器学习框架生成，该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。计算机程序可以被存储在非瞬态计算机可读介质上并且由一个或多个处理器执行。
[0014]本公开的方面可以涉及一种具有提供未被标记的传感器数据的多个设备的系统，该系统包括：用于对未被标记的传感器数据执行特征提取以生成多个特征的装置；用于通过利用故障检测模型处理该多个特征来执行故障检测以生成故障检测标记的装置，该故障检测模型根据机器学习框架生成，该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；以及用于将所提取的特征和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的装置。
[0015]本公开的方面可以涉及一种用于具有提供未被标记的传感器数据的多个设备的系统的管理设备，该管理设备包括处理器，该处理器用于：对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该多个特征来执行故障检测以生成故
障检测标记，该故障检测模型根据机器学习框架生成，该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。
[0016]本公开的方面可以包括一种用于具有提供未被标记的数据的多个设备的系统的方法，该方法包括：对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，该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，执行机器学习框架涉及：基于上述特征执行无监督机器学习以生成无监督机器学习模型；对来自每个无监督机器学习模型本文档来自技高网...

【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：