[发明专利]发现时间系列中的预兆子序列的方法和系统

说明书

确定表示机器的运行的时间系列数据中的模式的系统和方法。存储器存储和提供由机器的传感器生成的一组训练数据例，其中，每个训练数据例表示机器在以机器故障为结束的时段内的运行。处理器被配置成将每个训练数据例迭代地划分成正常区域和异常区域，确定正常区域中不存在并且仅在每个异常区域中出现一次的预测模式，并且确定异常区域的长度。经由与处理器通信的输出接口输出预测模式或者将预测模式存储在存储器中，其中，预测模式是对即将发生的故障的预测估计并帮助管理机器。

技术领域

本公开总体上涉及设备故障的检测和预测，并且具体地说，使用时间系列数据来检测和/或预测机器故障。

背景技术

现代计算机系统从各种物理系统收集大量信息。这些物理机器通常经受按规则工作周期组织的重复负载，并且往往会以一种或多或少的常规模式磨损，由于部分或完全破损而逐渐达到它们故障时的状态。保持这些机器处于良好的工作状态是与其运行相关的重要任务，并且如何以及何时执行维护对其运行的经济方面具有非常显著的影响。一种维护策略是仅在机器发生故障后进行修理(也称为纠正性维护)。这种策略往往不是最优的，因为整个故障机器的修理可能比在机器中断之前更换单个部件更昂贵，并且机器故障也可能导致材料浪费，不可接受的产品质量，甚至可能危及操作机器的人员。在纠正性维护不可行或经济选择的情况下，使用不同的策略-以固定间隔(例如，一年)定期维护机器。这种以安全为关键的机器的例子是电梯和汽车；在世界上大部分地区，它们的维护每年进行一次，并且颁发对应证书。这种策略通常称为预防性维护。

发明内容

[技术问题]

尽管预防性维护解决了与机器维护相关联的安全问题，但在许多情况下，其在经济上不是最佳的。预防性维护的第一个问题是维护周期的长度通常是任意的(例如，一年或一个月)，并且更多的是有关检查机构的便利性和检查过程的后勤工作(例如，发布汽车检查标签)，而不是机器的实际需要。第二个问题是单个维护周期对于一组机器中的所有机器来说可能不是最佳的，其中一些机器是新的并且可能不需要经常需要，而旧机器可能需要更频繁的维护。

在机器分析行业，通常将传感器用于测量机器参数。随着机器操作仪表化的增加，从监测机器运行的传感器收集大量数据。来自一些传感器的数据也可能以相对较高的频度生成，这进一步导致大量数据。可以分析来自与机器相关联的传感器的数据流以确定机器的状态。例如，在一些情况下，可以分析来自与机器相关联的传感器的数据流以确定机器是否未按预期执行(这被称为设备故障)。无法快速处理来自传感器的数据可能导致信息丢失，这些信息可能指示或预测机器故障。因此，本领域需要一种从大量数据中检测和/或预测机器故障的改进方法。

本公开的一些实施方式基于如下认识：最普遍地，通过在可以对机器故障进行预测时的当前时刻之前的任何时间观测的信息，可以指示机器的状况。这可以包括在当前时刻或之前的任何时刻的任何观测变量的任何传感器读数，并且另外包括任何有序或无序的、连续或非连续的一组这样的读数。例如，本公开的实施方式包括在时间系列中发现具有关于将来事件(如机器的故障)的最大预测力的子序列。我们的认识包括至少一个假设，即，在事件发生之前的某个时间，该时间系列的特征将作为即将发生的事件的前兆而改变。这种变化可能被表达为出现之前未见过的一个或更多个子序列，我们将其识别为“预测模式”。

在解决检测和预测机器故障的问题时，必须克服几个挑战。例如，首先发现分析可能条件描述的整个空间是一项计算繁重的任务，而且，该空间中的许多可能条件描述符不太可能对应于可能指示将来故障的典型早期警告信号。基于此，需要将条件描述符的空间限制为较小的子空间。在限制条件描述符的空间时，首先将条件描述符表示为一个或更多个观测变量的时间滞后窗口，并且窗口长度固定。如果采用这种固定长度的描述符，那么可以根据收集的历史数据构建训练数据集，其中该训练集中的每个例子包含输入矢量，该输入矢量对应于来自该时间系列中的时间点的选择条件描述符，并且标量输出变量是该时间故障之前的时间。然后可以通过利用机器学习算法来处理训练例的这种格式。