[发明专利]用于监控机器的状态的方法和计算单元

说明书

本发明涉及监控机器的运行状态的方法，包括：检测机器的至少一个运行参数，以获得至少两个不同参考状态的参考运行数据；根据数据形成多个数据块，其分别在不同第一时间段之内的数据上延伸；基于第一数据块训练第一模型且确定其误差极限；将第一模型用于第二数据块，当第一模型在用于第二数据块时的误差大于上述误差极限时，基于第二数据块训练第二模型且确定其误差极限；定义模型集，其包含第一模型和第二模型；将模型集的所有模型用于另一数据块，如果模型集中至少一个模型在用于另一数据块时的误差大于相应模型的误差极限，则基于另一数据块训练另一模型，确定另一模型的误差极限且将另一模型添加到模型集；对所有其它数据块重复先前步骤。

技术领域

本发明涉及一种用于监控机器的运行状态的方法以及一种用于执行该方法的计算单元和计算机程序，例如用于对机器或机器组件、例如液压设施的诊断以及特别是针对该目的而训练并应用机器学习方法、例如神经网络的机器学习方法。

背景技术

在监控机器或机器组件时，通常检测大量传感器数据。尤其是在机器的工业应用方面情况如此。在液压设施的情况下，传感器数据可以示例性地从液压流体的压力和体积流、液压流体或机器部件的温度或者还有发动机的转矩、功率输出中选择。在机器的其中该机器处在可验证的无错误状态下（例如是新的）的参考运行期间，所获得的传感器数据可以被用于对机器的运行状态进行分类。如果接着在继续运行期间出现不属于该类别的传感器数据，则可以识别出机器的故障状态或异常状态。

为了对运行状态的分类，已经尝试应用机器学习方法。例如，在US 2017024649 A1中在燃气轮机中使用所谓的自编码器或者也在US 2017328194 A1中在油田上使用的泵中使用所谓的自编码器，以便识别在传感器数据中表特征的结构，也就是说执行一种降维。接着，通过基于机器学习的分类器来对这样获得的特征进行分类。在这种情况下，用于借助于机器学习对数据进行诊断的标准方案是：使用固定定义的训练时间段，在上述两个文献中情况都是如此；或者将新出现的数据持续地应用于所得到的模型。

然而，在工业应用中，固定定义的训练时间段并不是最佳的。这样，机器的运行非常不一样（动力学、生产周期、所生产的产品方面的变化、诸如数据传输那样的受限的基础设施），也不存在用于最佳训练时间段的规则，固定定义的训练时间段导致模型不可靠或者导致对时间段的花费高的应用相关的调整。

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于监控机器的运行状态的方法、一种相对应的计算单元、一种相对应的计算机程序、一种相对应的模型集和相对应的存储介质。有利的设计方案是从属权利要求以及随后的说明书的主题。

本发明有利地提供了一种基于机器学习的方法或系统，其中不必预先给定固定定义的训练时间段，而且该方法或系统与不同的动力学以及随之而来的不同运行状态的传感器数据的不同变化匹配。

用于监控机器、例如液压设施的运行状态的方法包括如下步骤：

a) 在机器的参考运行期间检测机器的至少一个运行参数，以便获得机器的参考运行数据，其中机器在参考运行期间呈现至少两个不同的参考状态；

b) 根据参考运行数据形成多个数据块，所述多个数据块分别在不同的第一时间段之内的参考运行数据的数据上延伸；

c) 基于所述多个数据块中的第一数据块来训练用于运行参数的第一模型并且确定（或规定）第一模型的误差极限；

d) 将第一模型应用于所述多个数据块中的第二数据块，并且当第一模型在应用于第二数据块时的误差大于第一模型的误差极限时，基于第二数据块来训练用于运行参数的第二模型并且确定第二模型的误差极限；

e) 定义模型集，该模型集包含第一模型和第二模型；

f) 将该模型集的所有模型应用于所述多个数据块中的另一数据块，并且如果该模型集中的模型中的至少一个模型在应用于该另一数据块时的误差大于相应的模型的误差极限，则基于该另一数据块来训练用于运行参数的另一模型，确定该另一模型的误差极限并且将该另一模型添加到该模型集；