[发明专利]用于验证分析众包环境中的设备故障模型的协同系统和方法

说明书

一种用于动态地创建和验证预测性分析模型以将数据(3004)转换成可执行洞察的方法，该方法包括：识别事件，基于分析专业知识选择性地对所识别的事件发生的至少一个时间序列数据(3004)区域(2502)(数据(3004)区域(2502))标记，将识别的事件标记的数据(3004)区域(2502)与识别的事件未标记的数据(3004)区域(2502)进行比较，基于分析专业知识构建体现通过选择性标记生成的分类的预测性分析模型，显示通过执行预测性分析模型生成的视觉记号，以及基于来自至少一个领域专家的反馈验证预测模型。

技术领域

本发明涉及分析模型的验证。更具体地，本发明涉及一种用于在众包环境中登录和验证分析模型的系统。

背景技术

对于投资于设备的成本有效操作的工业装备制造商和组织，使用各种软件应用来执行监测与其相关的装备操作的健康状况的艰巨任务。设备的示例可以包括建筑机器，诸如卡车、起重机、运土车辆、采矿车辆、反铲挖土机、材料处理设备、运输设备、石油和精炼设备、耕作设备等。装备维护措施已经变得非常复杂，产生大量的数据，其中这些数据的某些方面可以由不同的应用重复地提取、存储、修改和分析。例如，第一应用可以对车队中的一组装备进行健康检查。健康检查可以基于几个因素，诸如机器传感器数据、诊断或警告内容、维护和修理历史、应用分段和严重性、机器年龄和服务时间。机器健康检查或评估操作可通过具有端对端解决方案的应用来进行，即，其中评估技术人员或用户可首先收集并存储来自各种数据源的数据，且其次提取、修改并分析前述数据，且最后存储、查看并评估分析及相关结果输出。

还可以理解，相同的数据通常由不同用户执行的许多其他应用生成和使用，在当前示例中，每个应用期望与评估无关的特定端到端解决方案，而是生成独立的端到端解决方案。例如，工地项目经理、材料供应厂商和装备车队经理可以各自访问相同的数据，但是具有分离的端到端解决方案。

采用其中数据被再生或存储多次并用于各种端到端解决方案的策略是典型的，然而，当它存储、访问、提取和修改相同或相同的数据时，它消耗了有价值的计算机和人力资源。此外，由于当前为不同的端到端解决方案再生数据，因此可能会有机会丢失，因为没有端到端解决方案受益于由其他端到端解决方案执行的操作生成的输出，因为通常从每个应用生成的分析结果、修改的数据和知识是独立和分开存储的。存在一种需求，其中模块化应用能够从公共位置提取感兴趣的数据、对所提取的数据进行分析操作，并将分析模型和相关联的分析结果存储在其他用户可访问的公共位置。

当前的商业状况监测软件通常提供端到端解决方案，并且一些甚至提供API以与外部开发的分析模型集成。然而，使用此类软件不是成本有效的，因为通常只有一部分软件代码专用于开发和验证新的分析模型。例如，如果用户决定创建新的分析模型，利用当前的商业软件，用户将最终用每个分析模型生成大部分新代码。如当前所代表的，商业分析软件浪费了有价值的计算资源，因为当生成新的分析模型时，大部分代码被替换。此外，如果实际上仅使用少量代码来创建新的分析模型，则在每次生成大部分新代码时数据的成本有效使用是低效的。其他商业和开放源选项可具有可用于开发和验证分析模型的特征，但它们通常需要数据科学家或软件工程师以高成本进行大量集成工作，并且通常导致提供较不通用的软件选项。

验证分析模型的当前过程通常涉及数据科学家、状况监测顾问(CMA)和非数据科学家之间的密切合作，这些非数据科学家可以是各自具有大量产品和行业知识的状况监测专家。因此，目前存在很少或不存在有效且成本有效地实时进行分析模型验证的手段，其中数据科学家和非数据科学家可以建设性地与CMA交互以生成分析模型。

由于其涉及数据科学家在开发分析模型中的作用，这些个人通常使用商业软件、特别开发的内部软件，或诸如Jupyter笔记本的开源网络应用来开发分析模型。此外，对于数据科学家来说，考虑众包来生成分析模型是不常见的，并且此外，通常缺乏允许数据科学家在开发分析模型中与众包交互的商业解决方案。因此，需要开发一种容易使用的应用，其中多个数据科学家可以容易地迁移模型，并与CMA协调地实时参考基准数据来验证这些迁移的模型。