[发明专利]优化用于监视工业机器操作的机器学习算法的准确度

说明书

一种用于优化用于监视工业机器操作的机器学习算法的方法的系统和方法，包括：监视至少一个工业机器的至少一个工业机器行为模型；识别具有第一特征集合的至少一个工业机器行为模型的至少第一模糊分段，并且识别与第一模糊分段相关联的矫正解决方案推荐；识别具有第二特征集合的至少一个工业机器行为模型的至少第二模糊分段；确定第一特征集合与第二特征集合之间的相似度是否超过预定阈值；以及当确定相似度已经超过预定阈值时，更新至少一个工业机器行为模型的机器学习算法，以将矫正解决方案推荐与第二模糊分段相关联。

相关申请的交叉引用

本申请要求于2018年8月12日提交的美国临时申请No.62/717，855的权益，其内容通过引用并入本文。

技术领域

本公开总体上涉及用于机器的维护系统，并且更具体地涉及用于改进机器进程的监视机器操作。

背景技术

近年来，通信、处理、云计算、人工智能和其他计算机化技术已经显著进步，预示着技术和生产的新领域。此外，自20世纪70年代或之前以来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经常仅见到微小的改进，仅略微增加生产和产量。

在现代制造实践中，制造商必须经常满足严格的生产时间线并且提供无瑕疵或几乎无瑕疵的生产质量。因此，每当意外的机器故障发生时，这些制造商都会冒严重损失的风险。机器故障是当机器偏离正确的服务时发生的事件。通常偏离机器的正确状态的错误不一定是故障，但可能导致并指示潜在的未来故障。除了故障之外，错误可能以其他方式引起可能影响性能的不寻常的机器行为。

典型制造商的基于故障的平均机器停机时间(即，由于机器故障，生产部分或全部关闭的平均时间量)是每年17天，即，损失17天的生产并因此损失17天的收入。在典型的450兆瓦动力涡轮机的情况下，例如，单日的停机时间可能在损失的收入方面使制造商花费超过3百万美元。这种停机时间可具有与修理、安全防范等相关的附加成本。

在能量发电厂中，每年在确保可靠性上花费数十亿美元。具体地，数十亿美元被花费在用于最小化生产停机时间的备份系统和冗余上。此外，可以利用监视系统来快速识别故障，从而当停机时间发生时加速返回到生产。然而，现有的监视系统通常仅在停机时间开始之后或在停机时间开始之前立即识别故障。

进一步地，用于监视机器故障的现有解决方案通常依赖于用于每个机器的预定规则的集合。这些规则集合不考虑关于机器收集的所有数据，并且这些规则集合仅用于检查特定关键参数而忽略其余参数。此外，这些规则集合必须由工程师或其他分析人员提前提供。因此，现有解决方案实际上可能仅使用了所收集的数据中的一些，从而导致与未使用数据的传输、存储和处理相关的计算资源的浪费使用。进一步地，未能考虑所有相关数据可能导致丢失对故障的判断或预测或导致以其他方式的不准确的判断或预测。

此外，现有解决方案通常依赖于以预定间隔的周期性测试。因此，甚至当机器不处于立即故障状态时，甚至可以提前预测故障的现有解决方案通常返回执行机器维护的请求。这种过早的更换和维护导致浪费材料和花费在更换仍然正常工作的部件上的费用。进一步地，这样的现有解决方案通常导致仅在故障发生之后才启动修复。结果可能无法防止故障，从而导致停机时间和收入损失。

此外，现有的监视和维护解决方案通常需要专用的测试设备。因此，这些解决方案通常需要在每个监视和维护系统的操作中训练良好的专业操作者。需要专门的操作者可能是不方便且昂贵的，并且可能引入人为错误的潜在来源。另外，除了数据的微小波动之外，给定可以针对任何给定机器收集的绝对数量的数据，分析人员不能够充分地确定即将到来的故障。

因此，提供一种将克服上述挑战的解决方案将是有利的。

发明内容