[发明专利]对用于机器的状态监控的模型进行验证和选择的方法

说明书

本发明涉及一种用来对至少一个用于监控机器的状态的模型进行验证和从第一模型集中选择至少一个用于监控机器的状态的模型的方法，其中所述模型是借助于机器学习来被训练的算法，其中模型借助于运行参数的参考数据记录来被训练并且通过对于不同的模型来说不同的参数配置来被表征，该方法包括：根据参考数据记录产生一个或多个测试数据记录，其中在参考数据记录中的运行参数的至少一个值分别被相对应的不容许的运行参数值所替代；针对模型集中的每个模型：将模型应用于一个或多个测试数据记录中的每个测试数据记录，以便确定模型关于每个测试数据记录方面的误差值，并且基于模型的误差值来确定模型的距离值；基于距离值的大小来选择一个或多个模型。

技术领域

本发明涉及一种用来对至少一个用于监控机器的状态的模型进行验证和从第一模型集中选择至少一个用于监控机器的状态的模型的方法。本发明尤其涉及对适合于机器监控的模型进行验证和从一个或多个模型中选择适合于机器监控的模型。

背景技术

基于机器学习的数学模型可以在预测性维护概念的范畴内被使用，以便对工业设施中的机器的运行状态进行分类并且以便尤其是识别表明机器的功能失灵的异常运行状态。为了对这些数学模型或算法进行训练，可以使用样本或参考数据作为训练数据，这些样本或参考数据是在机器运行期间被记录的。模型在训练期间学习对机器的通过训练数据所表征的运行状态进行识别。在训练之后，通过将训练后的模型应用于机器的新记录的运行数据，能够得出关于机器的运行状态的结论。

在训练时使用的样本数据通常在机器的正常运行期间被记录。由于在现代工业设施中的生产在大多数情况下都无故障地进行，所以这些样本数据包含很少的关于故障状态的数据或者完全不包含关于故障状态的数据。相对应地，由于异常状态或故障状态并不包含在训练数据中，所以利用机器学习所获得的模型不能“学习”对这些异常状态或故障状态进行识别。这里，也不可能使用试验台数据，因为机器在实践中在真实使用时与在试验台上不一样地构造并且不一样地运行。即，在例如有针对性地产生故障状态的试验台上所记录的数据并不能被借用。

由于不存在关于故障状态的数据并且相对应地也不存在用于机器的运行状态的误差度规，所以在实践中使用基于机器学习的通过无监督学习被训练的算法来对运行状态进行编码和分类。但是，由于缺少关于异常状态的数据，所以并没有进行关于这些异常状态方面的训练。

发明内容

按照本发明，提出了具有专利独立权利要求的特征的一种用来对至少一个用于监控机器的状态的模型进行验证和选择的方法、一种相对应的计算单元、一种相对应的计算机程序和一种相对应的存储介质。有利的设计方案是从属权利要求以及随后的描述的主题。

通过本发明，能够实现对基于机器学习的模型的验证和选择，这些模型能够在先前没有对机器的异常运行状态进行明确的训练或学习的情况下识别这些异常状态。

用来借助于不容许的运行参数值对至少一个用于监控机器的状态的模型进行验证和从包括至少一个模型的第一模型集中选择至少一个用于监控机器的状态的模型的方法涉及如下模型，这些模型是借助于机器学习来被训练的算法，这些算法基于表征机器的运行状态的运行参数来对机器的运行状态进行建模，其中这些模型借助于这些运行参数的参考数据记录来被训练，其中这些模型通过对于不同的模型来说不同的参数配置来被表征。该方法包括：a) 根据参考数据记录产生一个或多个测试数据记录，其中在参考数据记录中的至少一个运行参数的至少一个值分别被相对应的不容许的运行参数值所替代；b)针对该模型集中的每个模型，将该模型应用于所述一个或多个测试数据记录中的每个测试数据记录，以便确定该模型关于每个测试数据记录方面的误差值，并且基于该模型的误差值来确定该模型的距离值；和c) 基于距离值的大小来选择一个或多个模型。

距离值说明了模型给测试数据记录分派了距参考数据记录的怎样的距离。相对应地，通过基于距离值的大小的选择可以确定特别适合的模型。