[发明专利]评估工业设备和过程的状态

说明书

本公开的实施例涉及评估工业设备和过程的状态。一种用于训练机器学习模型的方法，基于由多个传感器收集的测量数据以评估工业设备和/或过程的至少一个状态，该方法包括：获得测量数据的多个记录；对于测量数据的每个记录，获得表示状态的标签；确定测量数据的至少一个记录的合理性和/或至少一个标签的合理性；以及响应于该合理性符合至少一个预定标准，将测量数据的记录和标签包括在训练数据的集合中，训练机器学习模型要在训练数据的集合上被训练。一种方法，用于评估过程或设备的状态。

技术领域

本发明涉及使用训练的机器学习模型基于由传感器收集的测量数据来评估工业设备的健康状态，或者设备或使用设备的工业过程的任意其他状态。

背景技术

许多工业工厂的工业设备资产没有配备在线状态监测系统。这种设备的健康状态目前由巡逻工厂的操作人员进行检查。基于感官知觉(诸如可见的泄漏、可听到的噪声和可感觉的振动)，操作人员可以推断设备的异常情况，并将其标记用于维修。操作人员还对过程(诸如化学生产过程)进行目测检查，以确定质量或识别异常过程状态(例如，在反应器中起泡)。

这一人工过程是劳动密集型的，因此成本高昂。其中一些努力是浪费的，因为即使并非所有设备都需要同时检查健康状态，但这也不会减少步行穿过工厂的长度。

此外，在人工过程中也有错误来源。感官知觉是主观的并且可能归咎于错误的设备。例如，可能会误判声音传来的方向。

发明目标

因此，本发明的目标是允许对劳动密集度较低且不易出错的工业设备或过程的状态进行自动化监测。

该目标是通过用于训练根据主权利要求的机器学习模型的方法以及用于评估根据另一个独立权利要求的工业设备和/或过程的一个或多个状态的方法来实现。另外的的有利的实施例在相应的从属权利要求中详细说明。

发明内容

本发明提供了一种用于训练机器学习模型方法，以基于由多个传感器收集的测量数据来评估工业设备的至少一个状态(诸如健康状态)和/或在工业工厂中运转的过程的至少一个状态。该方法的目标是将模型训练成一种状态，在这种状态下，可以将测量数据输入到模型中，并且模型返回设备或过程状态的准确指示。

术语“机器学习模型”包括要在训练示例的有限集合上训练的每一个模型，并且有能力将获得的经验推广到未经训练的情况。主要示例是人工神经网络或支持向量机。

例如，设备的状态可以包括健康状态。例如，健康状态可以包括设备或过程目前是否正常操作的指示。例如，健康状态还可以包括对将来可能发生的一个或多个故障的预测和/或对设备的剩余使用寿命的估计。由于磨损而发生的大多数故障都会提前通知，这些故障可以由传感器接收。例如，尽管泵继续正常运转，但具有轴承问题的泵可能会发出大量的振动或噪音。但如果轴承不及时固定，泵就可能会完全失效。

例如，过程状态可以包括生产过程中是否存在问题，如可能导致容器的溢出的过程液体起泡。另一个示例是过程工厂中存在某些物质的泄漏。

在训练方法的过程中，获得了测量数据的多个记录。这些记录对应于各种操作情况以及设备和/或过程的各种状态。术语“获得”不限于实时测量。相反，更有可能的是，在实际训练开始之前，收集了相当长一段时间的测量数据。

对于测量数据的每个记录，都会获得标签。该标签表示在由测量数据的记录表征的操作情况下的设备和/或过程的状态。同样，术语“获得”不限于实时标记。相反，可以先收集测量数据的集合，然后进行标记。标签可能来自任何来源。例如，标签可以从人类专家处获得。

任何合适的翻译都可以应用于人类专家的输入。例如，当人类专家输入某一操作情况下存在某一感官印象(诸如噪声)时，则标签可以仅分配给具有来自能够接收该感官印象的传感器的测量数据的记录。例如，如果感官印象是噪声，则待标记的数据可以包括由至少一个麦克风捕获的测量数据。