用于预测工业机器故障的系统和方法与流程

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.62/717,853的权益，该申请的内容通过引用并入本文。

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

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。

典型制造商的基于平均故障的机器停机时间(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可以关于机器收集并且可以仅用于检查特定关键参数而忽略其余参数的所有数据。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，从而导致浪费了与未使用数据的传输、存储和处理相关的计算资源的使用。进一步地，未能考虑所有相关数据可能导致故障的遗漏或以其他方式的不准确的确定或预测。

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况时，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仅在故障发生之后才确定故障。结果可能无法防止此类故障，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。需要专业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。

此外，现有解决方案通常依赖于可能不足以指示能够预测机器故障的原始物理数据。结果可能无法防止此类故障，从而导致停机时间和收入损失。

因此，提供一种将克服上述挑战的解决方案将是有利的。

技术实现要素：

下面是本公开的几个示例性实施例的概述。提供本概述是为了方便给读者提供对这些实施例的基本理解，而不是完全限定本公开的广度。本概述不是对所有预期实施例的广泛概述，并且既不旨在识别所有实施例的关键或重要元素，也不旨在描绘任何或所有方面的范围。其唯一目的是以简化的形式呈现一个或更多个实施例的一些概念，作为稍后呈现的更详细描述的前序。为了方便起见，术语“某些实施例”本文可以用于指本公开的单个实施例或多个实施例。

本文公开的某些实施例包括一种用于预测工业机器中的故障的方法，包括：接收从至少一个机器收集的原始传感输入；基于原始传感输入来生成多个数据特征；从多个数据特征中选择多个指示性数据特征，其中，该选择基于多个指示性数据特征的分布，该分布确定多个指示性数据特征与机器故障之间的关联；基于多个指示性数据特征来选择机器学习模型；将选定的机器学习模型应用于多个指示性数据特征；以及确定即将到来的机器故障的概率。

本文公开的某些实施例还包括一种其上存储有指令的非暂时性计算机可读介质，该指令用于使处理电路执行进程，该进程包括：接收从至少一个机器收集的原始传感输入；基于原始传感输入来生成多个数据特征；从多个数据特征中选择多个指示性数据特征，其中，该选择基于多个指示性数据特征的分布，该分布确定多个指示性数据特征与机器故障之间的关联；基于多个指示性数据特征来选择机器学习模型；将选定的机器学习模型应用于多个指示性数据特征；以及确定即将到来的机器故障的概率。

本文公开的某些实施例还包括一种用于预测工业机器中的故障的系统，包括：处理电路以及存储器；该存储器包含指令，该指令在由处理电路执行时将系统配置为：接收从至少一个机器收集的原始传感输入；基于原始传感输入来生成多个数据特征；从多个数据特征中选择多个指示性数据特征，其中，该选择基于多个指示性数据特征的分布，该分布确定多个指示性数据特征与机器故障之间的关联；基于多个指示性数据特征来选择机器学习模型；将选定的机器学习模型应用于多个指示性数据特征；以及确定即将到来的机器故障的概率。

附图说明

在说明书结尾处的权利要求书中具体指出并清楚地要求保护本文所公开的主题。根据下面结合附图的详细描述中，所公开的实施例的上述和其他目的、特征和优点将变得显而易见。

图1是用于描述所公开的各个实施例的网络图。

图2是根据实施例的机器故障预测器系统的示意图。

图3a仿真根据实施例的原始传感输入的表示。

图3b仿真根据实施例的指示性传感输入的表示。

图4是示出了根据实施例的用于预测即将到来的机器故障的方法的流程图。

图5a仿真根据实施例的原始传感输入的表示。

图5b仿真根据实施例的原始传感输入的经滤波版本的表示。

图6a仿真根据实施例的以秒为单位的原始传感输入的表示。

图6b仿真根据实施例的基于图6a的原始传感输入的以分钟分辨率识别的异常的表示。

图7a示出了根据实施例的原始传感输入的标准化至统一的标度。

图7b示出了根据实施例的原始传感输入的标准化至统一的标度。

图8示出根据实施例的选定的指示性数据特征的表示。

具体实施方式

重要的是要注意，本文所公开的实施例仅是本文的创新性教导内容的许多有利用途的示例。通常，在本申请的说明书中进行的陈述不一定限制各个要求保护的实施例中的任何实施例。此外，一些陈述可适用于一些发明特征但不适用于其他发明特征。通常，除非另有说明，单数元件可以是复数的，反之亦然，而不失一般性。在附图中，相同的标号在几个视图始终指代相同的部件。

在接收与机器相关的原始传感输入之后，自动预处理原始传感输入，并使用数学函数将原始传感输入转换成多个数据特征。然后基于多个指示性数据特征的分布，从多个数据特征中选择一个或更多个指示性数据特征，多个指示性数据特征的分布至少展示多个指示性数据特征与机器故障之间的关联。基于指示性数据特征，自主地选择优选的机器学习模型。优选的机器学习模型包括准确的机器故障预测能力和关于多个机器学习模型的机器故障的更好的长期可预测性。将选定的机器学习模型应用于多个指示性数据特征，以用于至少确定即将到来的机器故障的概率。

图1示出了用来描述所公开的各种实施例的示例网络图100。示例网络图100包括通过网络110连接的机器监视系统(mms)130、机器故障预测器140、数据库150和客户端设备160。示例网络图100还示出了通信地连接到机器监视系统130的多个传感器120-1至120-n(以下仅出于简化的目的单独称为传感器120并共同称为传感器120，其中n是等于或大于1的整数)。网络110可以是但不限于无线网络、蜂窝或有线网络、局域网(lan)、广域网(wan)、城域网(man)、互联网、万维网(www)、类似网络及它们的任何组合。

客户端设备160可以是但不限于个人计算机、笔记本电脑、平板计算机、智能电话、可穿戴计算设备或能够接收和显示指示维护和故障定时预测、监督分析的结果、机器操作数据的无监督分析等的通知的任何其他设备。

传感器120位于机器170附近(例如，物理接近)。机器170可以是可经由传感数据表示其性能的任何机器，包括用于工业设置的工业机器，诸如但不限于涡轮机、发动机、焊接机器、三维(3d)打印机、注射成型机器、它们的组合、它们的一部分等。每个传感器120被配置为基于机器170的操作收集传感输入，传感输入诸如但不限于声音信号、超声信号、光、运动跟踪指示器、温度、能量消耗指示器等。传感器120可包括但不限于声音捕捉传感器、运动跟踪传感器、能量消耗计、温度计等。传感器120中的任一个可以(但不一定)通信地或以其他方式连接(这种仅为了简单起见而不限制所公开的实施例的连接在图1中未示出)到机器170。

传感器120连接或耦接到机器监视系统130。机器监视系统130可被配置为存储和预处理从传感器120接收的原始传感输入。替代地或共同地，机器监视系统130可被配置成周期性地检索存储在例如数据库150中的所收集的传感输入。预处理可以包括但不限于数据清洗、标准化、重标度、重新趋势化(re-trending)、重新格式化、噪声滤波、它们的组合等。

预处理可进一步包括数据特征提取。数据特征提取的结果可以包括机器学习期间将由机器故障预测器140使用的数据特征，以便检测如本文下面进一步描述的指示即将到来的机器故障的数据特征。数据特征提取可以包括但不限于降维技术，诸如但不限于奇异值分解、离散傅里叶变换、离散小波变换、线段法或它们的组合。当使用这样的降维技术时，预处理的结果可以是针对传感输入的低维空间。机器监视系统130被配置为将经预处理的传感输入发送至机器故障预测器140。

在实施例中，机器故障预测器140被配置为经由网络110从机器监视系统130接收与机器170相关联的原始传感输入。原始传感输入可以实时不断地接收，或者可以本地存储并分批发送到机器故障预测器140。每种类型的原始传感输入可以与至少与机器相关联、由机器执行等的进程相关。即，第一类型的传感输入可以与机器170的温度相关，第二类型的传感输入可以与机器170的特定齿轮的速度相关，等等。在进一步的实施例中，机器故障预测器140被配置为接收经预处理的传感输入。

在实施例中，机器故障预测器140还可以存储从机器监视系统130接收的(原始的、经预处理的或两者的)传感输入数据。替代地或共同地，传感输入数据可存储在数据库150中。数据库150还可存储从与其他机器(也未示出)相关联的多个其他传感器(未示出)收集的(原始的、经预处理的或两者的)传感输入。数据库150还可存储指示器、异常模式、行为趋势、故障预测、用于分析传感输入数据的机器学习模型或它们的组合。

在实施例中，机器故障预测器140被配置为对原始传感输入进行预处理，如本文上面进一步描述的。在进一步的实施例中，机器故障预测器140被配置为基于传感输入生成一个或更多个数据特征。数据特征可以由数学计算的特征来表示。在进一步的实施例中，可以通过将经预处理的传感输入和/或原始传感输入的每种类型转换成由数学计算的特征表示的一个或更多个数据特征来执行生成。数据特征可以是原始传感输入的数学表示，其被配置为以清楚的方式表示传感输入。该生成可以使用至少一种统计分析技术来实现。统计分析技术可包括但不限于计算原始传感输入的平均值、计算原始传感输入的中值、计算原始传感输入的标准偏差等等。在实施例中，对原始传感输入实施统计分析技术中的一个或更多个允许机器故障预测器140生成多个数据特征。

数据特征允许识别与和机器170相关的多个进程相关联的多个异常之间的关联。即，数据特征是原始或经预处理的传感输入的新的和信息化的表示，允许识别原始传感输入中的隐藏结构。在进一步的实施例中，该转换包括减少原始传感输入的尺寸，例如，通过将以秒分辨率的原始数据转换成指示性分钟分辨率。在进一步的实施例中，该转换包括将原始传感输入和/或经预处理的传感输入标准化到统一的标度。即，原始传感输入可以是不同标度的，因此机器故障预测器140可被配置为通过为所有原始传感输入生成统一的标度来标准化原始传感输入。统一的标度可用于识别不同类型的传感输入之间的关联、不同类型的传感输入的异常行为之间的相关性等。

在实施例中，机器故障预测器140被配置成从多个数据特征中选择多个指示性数据特征。指示性数据特征是原始传感输入的表示，当分析时，指示性数据特征允许相对于具有有助于机器故障预测的较弱能力的其他不同数据特征更好地指示即将到来的机器故障。在进一步的实施例中，至少基于多个指示性数据特征的分布来选择多个指示性数据特征。该分布可以指示多个指示性数据特征之间的关联朝向机器故障发展。

在示例中，监视具有五个组件的机器(例如，机器170)，并且在某个时间段期间，与机器170的三个组件相关联的三个指示性数据特征的参数指示这些组件中的每个组件的异常参数。指示性数据特征可包括例如机器的操作温度、当前的和最近的能量消耗、机械组件的速度等。异常参数包括超过预定阈值或下降到低于预定阈值的这些特征的值，例如机器的主齿轮旋转高于2500rpm。根据同一示例，机器故障预测器140可以确定指示性数据特征(即，指示性数据特征中的每一个的异常参数)的分布指示了三个指示性数据特征之间的关联，该三个指示性数据特征之间的关联可以是即将到来的机器故障的指示。例如，可以预先确定的是，齿轮轴的操作温度、安装到轴上的主齿轮的旋转速度和施加到轴上的电压的指示性数据特征可以彼此相关联。当三者中的两者超过预定阈值时，第三者的触发阈值可被降低，以指示机器内潜在的即将到来的故障。在进一步的实施例中，可以通过识别在机器故障之前的数据特征分布相比于机器的正常状态的增加的变化，来实现相对于其他数据特征选择具有更有助于预测机器故障的更好的概率的指示性数据特征。在进一步的实施例中，在识别出新的机器故障时，执行多个指示性传感输入的选择。在进一步的实施例中，多个指示性数据特征的至少一部分被用作对机器学习模型的输入，如本文下面进一步描述的。

应注意，不同的机器以不同的方式操作并且具有不同的组件。因此，被确定为对第一机器的即将到来的机器故障的预测贡献最大的第一组指示性数据特征可以不同于被确定为对第二机器的即将到来的机器故障的预测贡献最大的第二组指示性数据特征。

在实施例中，机器故障预测器140被配置为基于多个指示性数据特征中的至少一个指示性数据特征，来从多个机器学习模型中选择优选的机器学习模型。优选的机器学习模型包括更准确的机器故障预测能力和关于多个机器学习模型的机器故障的更好的长期可预测性。通过考虑选定的指示性数据特征，基于最佳地预测机器故障的概率，来选择优选的机器学习模型。机器故障的最佳预测可以包括两个主要参数，诸如机器故障预测的最高准确水平(没有任何误报)以及机器故障的长期可预测性。

在进一步的实施例中，机器故障预测器140被配置为从多个机器学习模型中选择优选的机器学习模型，而不管多个指示性数据特征。即，可以相对于如先前测试、验证和确定的多个机器学习模型的预测能力，来选择优选的机器学习模型。在进一步的实施例中，选择对于与选定的机器学习模型一起使用而言最佳的一组超参数。超参数的选择允许优化机器学习模型的准确度水平。超参数是用于确定采用哪个机器学习模型的外部参数，并且可以由用户手动选择。它们可以包括来自与当前所采用的模型类似的先前模型的参数，该参数诸如决策树的深度或机器学习模型应当采用多少层。

在实施例中，机器故障预测器140被配置成将选定的机器学习模型应用于多个指示性数据特征。通过应用选定的机器学习模型，机器故障预测器140可以被配置为执行机器健康状态的实时或接近实时的分类。分类可以包括但不限于三个机器健康状态，诸如正常、指示即将到来的机器故障的趋势和故障。正常健康状态由正常值(即，指示性数据特征的参数)表示。正常值可基于允许检测与特定传感输入(例如，数据特征)相关的异常的指示器而被预先确定。趋势健康状态通过增加与多个指示性数据特征的至少一部分相关联的变化来表示，所述变化可以指示指示性数据特征的异常值。

如本文以上进一步讨论的，变化可以由多个指示性数据特征的分布来表示。趋势健康状态可基于允许检测与特定传感输入(即，数据特征)相关的异常的指示器来确定。指示器可以用于相对于每种类型的传感输入、指示性数据特征，来确定指示性数据特征的至少一部分是否表示机器170的至少单个组件的正常或异常行为。即，指示器可为(例如)定位于高于最大阈值的数据点或低于最小阈值的数据点，使得在确定已超过阈值之一后，可检测到异常。

这些指示器允许识别多个指示性数据特征的异常行为之间的相关性。相关性的识别可以通过监视机器(例如，机器170)的多个组件来实现，其中，相关性可以由元模型表示。元模型是从一个或更多个机器学习模型中生成并且考虑了先前数据的模型。它们基于与其相应组件相关的指示性传感输入，并且可用于识别机器的每个相应组件的操作中的异常。在实施例中，趋势健康状态可以被划分成不同的水平，例如，故障前1周、故障前2周等等。因此，元模型可以包括表示例如由指示性数据特征的异常行为检测到的机器的某些组件故障与这种检测和实际故障之间的时间段之间的相关性的数据。

故障状态可以由例如所有指示性数据特征的根值(radicalvalue)表示。在进一步的实施例中，机器故障预测器140可以被配置为基于生成的指示性传感输入的数据特征，生成概述机器健康状态的健康图。

应注意的是，可以使用不同的机器学习模型来分析由指示性数据特征表示的不同参数。例如，可以通过将第一机器学习模型应用于与温度传感器相关的指示性数据特征来分析温度参数，并且可以通过将第二机器学习模型应用于与能量消耗计相关的指示性数据特征来分析能量消耗参数。在实施例中，机器学习模型包括各种机器学习技术，例如，深度学习、神经网络(诸如，深度卷积神经网络)、递归神经网络、决策树学习、贝叶斯网络、聚类等。

在实施例中，机器故障预测器140被配置为至少确定即将到来的机器故障的概率，即，发生机器故障的可能性。概率的确定可以不断地执行。在进一步的实施例中，机器故障预测器140可以被配置为确定指示至少一个即将到来的机器故障的至少一个趋势。在进一步的实施例中，趋势的确定可以通过识别由指示性数据特征表示并且超过指示机器组件在预定时间段内的异常行为的某一阈值的预定数量的机器组件参数来实现。

作为示例，当包括十个组件的机器(例如，机器170)正在被监视时，并且在某一时间段期间，机器170的三个组件的传感器指示异常行为，机器故障预测器140可以识别三个指示性数据特征之间的相关性。机器故障预测器140可以被配置为识别跨例如预定数量的指示性数据特征的趋势，并且因此确定机器故障将要发生。在进一步地实施例中，机器故障预测器140被配置为标记指示性数据特征之间的相关性。这样的标记可以允许系统存储和检索与所识别的相关性的数据有关的进一步使用。

在进一步地实施例中，机器故障预测器140被配置为至少基于从机器170的一个部分中收集的数据来生成元模型。针对其生成元模型的机器的每个部分可以是组件(未示出)，诸如但不限于管道、发动机、发动机的一部分、它们的组合等。生成元模型可以包括但不限于，选择一个或更多个模型，该一个或更多个模型最佳地指示针对机器170的至少一个部分中的每一个的传感输入中的异常。模型可以是从数据库检索的外部模型，或者是从由各种组件产生的数据和当前机器的指示性数据特征中生成的先前内部模型。所生成的元模型中的每一个被用于检测机器170的相应部分的行为中的异常。

在实施例中，机器故障预测器140被配置为基于对指示性数据特征的分析，实时地生成用于检测异常的至少一个自适应阈值。在进一步的实施例中，机器故障预测器140被配置为实时地确定数据特征(即，机器170或其每个部分的传感输入)的正常行为模式。可基于所确定的正常行为模式来生成自适应阈值。

在实施例中，基于检测到的异常，可以确定可疑错误。在进一步的实施例中，当确定可疑错误时，机器故障预测器140可以被配置为生成指示可能导致机器故障的异常活动和/或趋势的通知。在进一步的实施例中，机器故障预测器140进一步被配置为向客户端设备160发送所生成的通知。替代地或共同地，机器故障预测器140可以被配置为向被配置为自动减轻故障的系统(未示出)发送通知。在进一步的实施例中，通知可以至少包括允许通过执行一个或更多个操作动作来克服即将到来的机器故障的建议。

应指出，机器监视系统130在图1中被示出为与机器故障预测器140分离的组件，这仅仅是为了简化的目的，并不限制所公开的实施例。机器监视系统130可以结合到机器故障预测器140中，以便允许机器故障预测器140获得和预处理传感输入，而不脱离本公开的范围。

还应当注意的是，仅出于简化的目的而并非限制于所公开的实施例，以上关于图1所描述的实施例是关于客户端设备160和机器170进行讨论的。多个客户端设备可以接收与机器维护、趋势和故障相关的信息，而不脱离本公开的范围。另外，可以收集与多个机器相关的传感输入以确定任何或所有机器的故障，而不脱离本公开的范围。

应进一步注意的是，本文所公开的实施例不限于图1中所示出的具体架构，并且在不脱离所公开的实施例的范围的情况下可以同等地使用其他架构。具体地，机器故障预测器140可以存在于云计算平台、数据中心、它们的内部、它们的混合组合等中。此外，在实施例中，可以存在如上文所述进行操作的多个管理服务器，并且多个管理服务器被配置为具有一个管理服务器作为备用代理服务器，以在发生故障的情况下进行控制、在它们之间共享负载、或者在它们之间分割功能。

图2示出了根据一个实施例实现的机器故障预测器140的示例框图。机器故障预测器140包括耦接到存储器220的处理电路210、存储装置230、网络接口240和机器学习(ml)处理器250。在实施例中，机器故障预测器140的组件可以经由总线260通信地连接。

处理电路210可被实现为一个或更多个硬件逻辑组件和电路。例如但不限于，可以使用的硬件逻辑组件的说明性类型包括现场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、片上系统(soc)、图形处理单元(gpu)、张量处理单元(tpu)、通用微处理器、微控制器、数字信号处理器(dsp)等，或能够执行对信息的计算或其他操纵的任何其他硬件逻辑组件。

存储器220可以是易失性的(例如，ram等)、非易失性的(例如，rom、闪存等)或它们的组合。在一种配置中，用于实现本文所公开的一个或更多个实施例的计算机可读指令可以被存储在存储装置230中。

在另一实施例中，存储器220被配置为存储软件。软件应当被广义地解释为意指任何类型的指令，无论其被称为软件、固件、中间件、微代码、硬件描述语言或其他。指令可以包括(例如，以源代码格式、二进制代码格式、可执行代码格式、或任何其他合适的代码格式)的代码。指令在由一个或更多个处理器执行时，使得处理电路210执行本文描述的各种进程。

存储装置230可以是磁性存储装置、光学存储装置等，并且可以被实现为例如闪存或其他存储器技术、cd-rom、数字通用盘(dvd)或可以用于存储所期望的信息的任何其他介质。

网络接口240允许机器故障预测器140例如经由网络110与机器监视系统130通信，以用于例如接收原始和/或经预处理的传感输入的目的。另外，网络接口240允许机器故障预测器140与客户端设备160通信，以便发送例如与异常活动、机器故障预测等相关的通知。

如本文进一步描述的，机器学习处理器250被配置为基于经由网络接口240接收的传感输入来执行机器学习算法。在实施例中，机器学习处理器250还被配置为基于一个或更多个机器学习模型，来确定对机器170的故障的预测。在进一步的实施例中，机器学习处理器250还被配置为确定用于避免或减轻所确定的预测故障的至少一个推荐。作为非限制性示例，至少一个推荐可以指示在不久的将来机器170上的排气管应该被新的排气管替换以避免故障。处理器250可以是gpu、tpu、dsp或能够运行机器学习进程的任何类似处理器。

应当理解，本文所描述的实施例不限于图2中示出的具体架构，并且在不脱离所公开的实施例的范围的情况下，可等同地使用其他架构。

图3a是示出了根据实施例的原始传感输入的表示的示例仿真。图3a中所示的仿真包括图300a，其中，两种原始传感输入由第一类型的点310a和第二类型的点320a表示。在图3所示的示例仿真中，点310a表示与例如第一过程和/或与机器关联的参数相关的原始传感输入。例如，点310a可以描述机器(例如，图1的机器170)随时间的温度。点320a表示例如与第二过程和/或与机器关联的参数相关的原始传感输入。例如，点320a可以描述机器(例如，图1的机器170)随时间的能量消耗。如本文上面进一步描述的，原始数据的表示不是指示性的并且因此可能难以实现示例两种参数之间的相关性的识别。

图3b是示出了根据实施例的指示性传感输入的表示的示例仿真300b。图3b中所示的仿真包括图300b，其中，两种原始传感输入由第一曲线310b和第二曲线320b表示。在图3b所示的示例仿真中，曲线310b表示例如与第一过程和/或与机器关联的参数相关的指示性传感输入。例如，曲线310b可以是机器(例如，图1的机器170)的温度随时间的指示性表示。指示性表示可以通过对从一个或更多个传感器接收到的初始原始传感输入实施一个或更多个统计分析技术来实现，用于将原始传感输入传送到指示性传感输入。曲线320b表示例如与第二过程和/或与机器(例如，图1的机器170)关联的参数相关的指示性传感输入。例如，曲线320b可以描述机器(例如，图1的机器170)随时间的能量消耗。

指示性传感输入的表示允许促进示例两种参数之间的相关性的识别，并因此允许识别对机器行为具有影响的趋势，并及时预测机器故障。在图3b中所示的仿真中，参数(即，指示性传感输入)之间的相关性可以是，当由曲线310b表示的温度低于某一阈值(未示出)时，由曲线320b表示的能量消耗超过某一阈值(未示出)。作为示例，温度与能量消耗之间的相关性可以指示，在温度下降到低于某一阈值并且能量消耗上升到高于某一阈值时，机器故障可能在一周内发生。

图4是示出了根据实施例的用于预测机器故障的方法的示例流程图400。在实施例中，该方法可以由机器故障预测器140执行。

在s410，接收与机器(例如，机器170)相关的原始传感输入。每种类型的原始传感输入可以涉及例如与机器相关联的进程，如上文进一步描述的。

在s420，预处理原始传感输入。这样的输入的预处理可以包括但不限于数据清洗、标准化、重标度、重新趋势化、重新格式化、噪声滤波、它们的组合等。例如，来自多个源的原始数据可被标准化到均匀标度，诸如将所有输入数据移位到每分钟检测到的异常的数量。这允许用于适当分析的各种原始传感输入的简单比较。在实施例中，s420是可选的。

在s430，基于可以被预处理的传感输入来生成一个或更多个数据特征。数据特征可以由数学计算的特征来表示。在实施例中，s430可以包括将经预处理的传感输入和/或每种类型的原始传感输入转换成由数学计算的特征表示的一个或更多个数据特征。数据特征可以包括来自机器组件的相关值，诸如分别用于转动齿轮或执行计算机功能的特定组件的每分钟转数或操作温度。使用至少一种统计分析技术可以实现将原始传感输入转换成数据特征，如本文上面进一步描述的。统计分析技术可包括但不限于计算原始传感输入的平均值、计算原始传感输入的中值、计算原始传感输入的标准偏差等等。

在s440，从多个数据特征中选择一个或更多个指示性数据特征。该多个指示性数据特征可以是例如该多个数据特征的子集。指示性数据特征是从机器组件的原始传感输入提取的组件值，当被分析时，指示性数据特征表示机器的健康，并且可以指示即将到来的机器故障。在进一步的实施例中，至少基于多个指示性数据特征的分布来选择多个指示性数据特征。该分布可以指示多个指示性数据特征之间的关联朝向机器故障发展。

在s450，从多个机器学习模型中选择至少一个优选的机器学习模型。可以基于指示性数据特征来实现对优选的机器学习模型的选择。优选的机器学习模型包括更准确的机器故障预测能力和关于多个机器学习模型的机器故障的更好的长期可预测性。基于考虑了选定的指示性数据特征的最佳地预测机器故障的概率，来选择优选的机器学习模型。在实施例中，从考虑先前数据的一个或更多个机器学习模型生成的元模型被用于确定所使用的特定机器的优选的机器学习模型。

在进一步的实施例中，s450进一步包括选择最佳地用于与选定的机器学习模型一起使用的一组超参数。超参数的选择允许优化机器学习模型的准确度水平。在进一步的实施例中，机器故障预测器140被配置为从多个机器学习模型中选择优选的机器学习模型，而不管多个指示性数据特征。

在s460，将优选的机器学习模型应用于选定的指示性数据特征。这被执行以至少确定即将到来的机器故障的概率，识别指示即将到来的机器故障的趋势等等。

在s470，不断地确定关于机器操作的每个时间点即将到来的机器故障的概率。在另一实施例中，s470还包括识别指示至少一个即将到来的机器故障的至少一个趋势。可以基于对与多个指示性数据特征相关联的异常参数之间的相关性的识别，来实现趋势的识别。

在可选的s480，生成通知。该通知可以指示例如即将到来的机器故障的概率、趋势和/或机器故障预测。该通知可被发送到客户端设备或可被发送到被配置成在机器或其一部分上自动执行维护的系统。

图5a是示出其中异常值可能难以检测的原始传感输入的表示的示例仿真500a。图5b是示出图5a的原始传感输入的经滤波的版本的表示的示例仿真500b。例如，经滤波的传感输入可以是经预处理的传感输入。

图6a是示出以秒分辨率表示的原始传感输入的示例仿真600a，其用于展示检测指示此类分辨率中即将到来的机器故障的异常和趋势的难度。在仿真600a中示出的原始数据是有噪声的，并且所使用的标度(例如，直接传感器值和以秒为单位的时间)使得难以容易地辨别相关事件。另一方面，图6b是示出基于图6a中所示的突出显示的显著事件的传感输入来生成的数据特征的表示的示例仿真600b。以分钟分辨率识别的异常基于图6a的原始传感输入，并且可以在5、8和12分钟标记周围清楚地看到诸如每分钟异常的尖峰之类的显著事件。

图7a和图7b是示出将原始传感输入标准化到均匀标度的示例仿真700a和700b。在接收到原始传感输入710和730之后，执行上述的预处理方法，因此机器故障预测器(图1和图2中示出)能够生成均匀标度，诸如在图715和735处呈现的标度。均匀标度可以是传感输入的数据特征的表示。均匀标度可以用于识别被确定成允许与其他数据特征相比更好的可预测性的指示性数据特征的子集的分布。当多个指示性数据特征的分布以特定方式变化时，它可以指示即将到来的机器故障。例如，当第一指示性数据特征的第一组参数增大到高于某一阈值，而第二指示性数据特征的第二组参数减少到低于某一阈值时，可以确定指示即将到来的机器故障的趋势。

图8是示出根据实施例的选定的指示性数据特征的表示的示例仿真800。由曲线810、820和830表示的指示性数据特征可以表示从机器的一个或更多个传感器接收到的三种传感输入。即，尽管可以存在许多种(例如1000)与机器操作相关联的数据特征，但是仅三种可以被确定为有用并且有足够的指示性，使得机器学习模型可以将它们用作用于预测机器故障的输入。这三种指示性数据特征可以基于它们朝向机器故障的分布从多个数据特征中选择。即，通过识别三种数据特征之间朝向机器故障的关联和/或相关性，可以将三个数据特征分类为指示性数据特征。

例如，基于所公开的方法，可以确定所使用的操作温度、特定轴的rpm和电压是特定机器的指示性数据特征，而完成任务和运动检测的时间是非指示性数据特征。因此，仅监视三种指示性数据特征，并且如果那些指示性数据特征中的一些或全部例如在指定时间段内超过预定阈值或下降到低于预定阈值，可以预测潜在的即将到来的机器故障。

本文所公开的各种实施例可被实现为硬件、固件、软件或它们的任何组合。此外，软件优选地被实现为有形地体现在程序存储单元或计算机可读介质上的应用程序，该程序存储装置单元或计算机可读介质由部件或某些设备和/或设备的组合组成。应用程序可以被上传到包括任何适当架构的机器并且由该机器执行。优选地，机器在具有硬件(诸如一个或更多个中央处理单元(“cpu”)、存储器和输入/输出接口)的计算机平台上实现。计算机平台还可以包括操作系统和微指令代码。本文所描述的各种处理和功能可以是微指令代码的一部分或应用程序的一部分或它们的任何组合，其可以由cpu执行，无论这样的计算机或处理器是否被明确示出。此外，诸如附加数据存储装置单元和打印单元的各种其他外围单元可以连接到计算机平台。此外，非暂时性计算机可读介质是除了暂时性传播信号之外的任何计算机可读介质。

如本文中所使用的，跟随有项目列表的短语“至少一个”是指可以单独利用所列出的项目中的任一个，或者可以利用所列出的项目中的两个或更多个的任何组合。例如，如果系统被描述为包括“a、b和c中的至少一个”，则该系统可以包括单独的a、单独的b、单独的c、a和b的组合、b和c的组合、a和c的组合或a、b和c的组合。

本文叙述的所有示例和条件性语言旨在用于教学目的，以帮助读者理解所公开的实施例的原理和发明人为促进本领域所贡献的概念，并且将被解释为不限于此类具体叙述的示例和条件。此外，本文叙述所公开的实施例的原理、方面和实施例以及其具体示例的所有陈述旨在涵盖其结构和功能等同物两者。另外，这种等同物旨在包括当前已知的等同物以及将来开发的等同物，即，不管结构如何都执行相同功能的开发的任何元件。