Nothing Special   »   [go: up one dir, main page]

CN114450646B - 用于使用深度学习来检测风力涡轮操作异常的系统和方法 - Google Patents

用于使用深度学习来检测风力涡轮操作异常的系统和方法 Download PDF

Info

Publication number
CN114450646B
CN114450646B CN202080063065.4A CN202080063065A CN114450646B CN 114450646 B CN114450646 B CN 114450646B CN 202080063065 A CN202080063065 A CN 202080063065A CN 114450646 B CN114450646 B CN 114450646B
Authority
CN
China
Prior art keywords
model
image
data
anomaly
scatter plot
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202080063065.4A
Other languages
English (en)
Other versions
CN114450646A (zh
Inventor
章占磐
赵广亮
夏金
J·米霍克
P·A·格雷格
B·布卡塔
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
General Electric Renovables Espana SL
Original Assignee
General Electric Renovables Espana SL
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by General Electric Renovables Espana SL filed Critical General Electric Renovables Espana SL
Publication of CN114450646A publication Critical patent/CN114450646A/zh
Application granted granted Critical
Publication of CN114450646B publication Critical patent/CN114450646B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/20—Drawing from basic elements, e.g. lines or circles
    • G06T11/206—Drawing of charts or graphs
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/20—Pc systems
    • G05B2219/24—Pc safety
    • G05B2219/24065—Real time diagnostics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30164—Workpiece; Machine component
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
    • Y02B10/00—Integration of renewable energy sources in buildings
    • Y02B10/30—Wind power
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P80/00—Climate change mitigation technologies for sector-wide applications
    • Y02P80/20—Climate change mitigation technologies for sector-wide applications using renewable energy

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Automation & Control Theory (AREA)
  • Quality & Reliability (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

一种系统和方法包括：接收与工业资产的操作关联的历史时间系列传感器数据；生成基于对与工业资产关联的数字化知识域的参考基于历史时间系列传感器数据的散布图的视觉表示图像；将根本原因标签指配给每个图像；生成使用加标签图像的子集所训练和测试的卷积神经网络(CNN)模型；以及由CNN模型来处理实时图像，以检测实时图像中的至少一个异常以及与至少一个异常关联的一个或多个根本原因。

Description

用于使用深度学习来检测风力涡轮操作异常的系统和方法
背景技术
本公开的领域一般涉及工业资产，以及更特别涉及用来提供对工业资产的异常检测以及与所检测异常对应的根本原因的识别的系统和方法的方面。
为了控制工业资产(例如风力涡轮)的正常操作，传统过程控制方法已用来监测传感器测量的时间系列，并且当检测到离群值(outlier)时生成警告。但是，能够引起异常传感器测量的不同根本原因可能存在。作为示例，可能通过叶片未对齐、叶片不平衡、不正确控制参数和传感器硬件问题等的一个或多个引起高塔加速度测量。为了在常规方法中识别特定根本原因，它要求手动诊断过程来区分离群值模式。手动过程被限制到比较简单的离群值模式，并且因此受到具有较高不确定性的结果困扰。
相应地，在一些方面中，存在对于提供有效和准确的深度学习模型以便以高模型精度自动检测异常并且识别其对应根本原因的方法和系统的需要。
附图说明
图1是可与本文中的一些实施例关联的示例系统的示意框图；
图2是可与本文中的一些实施例关联的风力涡轮系统的框图；
图3是按照一些实施例的总体示例系统的框图；
图4是按照实施例的说明性系统架构；
图5A和图5B是按照本文中的一些实施例的用于风力涡轮的传感器数据的说明性散布图（scatter plot）；
图6是按照一些实施例的说明性过程的流程图；
图7是按照一些实施例的图像生成和根本原因识别过程的一些方面的说明性示例；
图8是按照一些实施例的与对图像进行加标签关联的数据的说明性示例表示；
图9是按照一些实施例的与生成加标签图像关联的一些方面的说明性示例；
图10是按照一些实施例的与生成深度学习模型关联的标签同步的一些方面的说明性示例；
图11是按照一些实施例的与异常图像生成关联的一些方面的说明性示例；
图12是图示按照一些实施例的使用深度学习模型的异常检测和根本原因识别过程的框图；
图13-15是按照一些实施例的通过深度学习模型的异常检测和根本原因识别的说明性示例；
图16是按照一些实施例的与训练数据加标签关联的一些方面的说明性示例；
图17是按照一些实施例的与训练数据加标签关联的一些方面的说明性示例；
图18是按照一些实施例可使用的连续改进循环的说明性示例；
图19是按照一些实施例的与连续改进循环中重新训练模型关联的一些方面的说明性示例；
图20图示按照一些实施例的本公开的一些方面到其他应用和上下文的扩展；
图21是按照一些实施例可提供的设备；以及
图22是按照本发明的一些实施例的传感器数据库的一部分的表格视图。
具体实施方式
现在将详细参照本公开的实施例，附图中示出实施例的一个或多个示例。详细描述使用数字和字母标号（designation）来表示附图中的特征。附图和描述中的相似或类似标号可用来表示本公开的相似或类似部件。
每个示例通过本发明的说明而不是本发明的限制来提供。实际上，本领域的技术人员将明白，能够在本公开中进行修改和变更，而没有背离其范围或精神。例如，作为一个实施例的组成部分所图示或所述的特征可用于另一个实施例上，以产生又一个实施例。因此，预计本公开涵盖如落入所附权利要求书及其等效体的范围之内的这类修改和变更。
作为概述，体现系统和方法提供一种AI(人工智能)异常模式识别模型，其利用（leverage）诊断专家领域知识和深度学习技术来自动检测工业资产(例如风力涡轮)操作异常并且识别与所检测异常对应的(一个或多个)根本原因。在一些实施例中，能够基于包括多个根本原因的历史诊断记录来建立训练案例（training case）的大集合。对于每个训练案例，传感器测量的若干对时间系列可被配置并且表示为散布图，其中散布图中或者从散布图所得出的数据模式的组合指示传感器测量(即，数据)中反应的异常的特定根本原因。
在一些实施例中，卷积神经网络模型被开发并且用来识别散布图的图像中的模式，并且分类具有特定根本原因的训练案例。此外，执行交叉验证，以确保所生成模型的健壮性。在一些实施例中，模型可用于操作资产的实时异常预测。一些实施例可包括反馈环路，其用来例如跟踪模型精度、促进训练数据的连续更新、模型改进以及它们的组合。
图1是可与本文中的一些实施例关联的示例系统100的示意框图。该系统包括工业资产105，该工业资产105通常可正常操作相当长的时间周期，但是偶尔遭遇引起资产的故障或其他异常操作的异常。按照一些实施例，一组传感器110 S1至SN可监测资产105的一个或多个特性(例如加速度、振动、噪声、速度、所消耗能量、输出功率等)。按照本文所述的一些实施例，来自传感器的信息可被收集并且用来促进操作资产105的异常操作(即，异常)的检测和/或预测以及与所检测异常对应的根本原因。
在一些方面中，本文所述的一个或多个实施例可以可适用于许多不同类型的工业资产。作为示例，图2是可被监测以供在确定包括系统200的风力涡轮的操作的潜在异常中使用的多个风力涡轮(例如风力涡轮场)的实施例的框图。系统200包括风力涡轮站点（site）205，该风力涡轮站点205包括多个风力涡轮210、215和220，其经由网络245与监测站点235进行通信。作为示例，网络245在没有限制的情况下可包括因特网、局域网(LAN)、广域网(WAN)、无线LAN(WLAN)、网格网络、虚拟专用网络(VPN)以及这些和/或其他通信网络配置的组合。
在示范实施例中，风力涡轮站点205包括多个风力涡轮210、215和220，其各自可包括处理器使能风力涡轮控制器225。每个风力涡轮的风力涡轮控制器225可耦合成经由网络245与站点监测器235进行信号通信。
在一些实施例中，站点监测器235可位于风力涡轮站点205处，或者备选地它可位于远离风力涡轮站点205。例如，站点监测器235可通信地耦合到多个(未示出)风力涡轮站点205处的风力涡轮控制器225并且可与其交互。
在一些方面中，站点监测器235和风力涡轮控制器225中的每个包括处理器(例如计算装置或机器)。本文中的处理器可包括处理单元，在没有限制的情况下例如集成电路(IC)、专用集成电路(ASIC)、微型计算机、可编程逻辑控制器(PLC)和/或任何其他可编程电路。本文中的处理器可包括多个处理单元(例如按照多核配置)。在一些实施例中，站点监测器235和风力涡轮控制器225中的每个可以可配置成通过对于对应处理器进行编程来执行本文所述的操作。例如，可通过将操作编码为一个或多个可执行指令并且向处理器提供作为被耦合到处理器的存储器装置中存储的数据结构的可执行指令来对处理器进行编程。存储器装置在没有限制的情况下可包括一个或多个随机存取存储器(RAM)装置、一个或多个存储装置和/或一个或多个计算机可读介质。
如图2的示例中所描绘，一个或多个操作条件传感器230和250被耦合成与站点监测器235和/或风力涡轮控制器225进行通信(例如经由网络245)。操作条件传感器230可配置成指示操作条件，例如在站点205处的风力涡轮的一个或多个附近的对应地理位置处的气象条件。例如，操作条件传感器250可配置成指示风速、风向、温度等。操作条件传感器250可定位成与风力涡轮210、215和220分开，以促进降低来自风力涡轮对由操作条件传感器250所感测的操作条件的干扰。
图3是按照一些实施例的总体系统300的示意框图。系统300图示风力涡轮操作数据305作为(一个或多个)输入被提供给深度学习模型开发和实现系统、装置、服务或设备(本文中又简称为“系统”或“服务”)310，其至少输出数据330，所述数据330指示通过深度学习模型系统310所检测的风力涡轮异常以及与所检测异常对应的(一个或多个)根本原因。
在图3的示例中，深度学习模型系统310包括数据处理和数据过滤组件315、训练数据建立组件320以及深度学习模型构建和验证组件325。与这些组件的每个对应的功能性(下面描述)可在单独系统、子系统、服务和装置中体现。备选地，不同功能性的一个或多个可由相同系统、子系统、装置和服务(即，通过包括处理和数据库资源的后端系统所支持的基于云的服务)来提供。
在一些实施例中，数据处理和数据过滤组件315可处理、调节、预处理或“清理”操作数据305，使得它按照预计方式和格式来配置，以用于通过深度学习模型系统310进行有效处理。在一些情形中，操作数据305可包括与一个或多个风力涡轮关联的历史操作数据。可直接或间接地从风力涡轮(例如存储数据的数据库和/或可聚合或者以其他方式收集操作数据的服务提供商)接收操作数据305。例如，数据处理和数据过滤组件315可进行操作以排除在操作数据305中接收的涡轮停机数据，因为在本文的一些实施例中可能不需要这样的数据。在一些方面中，可执行数据处理，以确保数据质量和数据有效性，例如比如处理操作数据以便对操作数据305中包括的风速测量执行空气密度校正。
深度学习模型系统310的训练数据建立组件320或功能性可进行操作，以基于风力涡轮操作数据305(其包括数据内嵌入的多个根本原因)的历史诊断记录来建立一组训练案例。所述一组训练案例可用于训练由组件325所生成的深度学习模型中。在一些实施例中，对每个训练案例选择传感器测量的多对时间系列，并且将其配置为散布图(或者数据的其他图形表示)，其中散布图中的数据模式的组合是一个根本原因特定的。注意的是，正常涡轮操作案例也被包括在训练数据集中，并且可用来例如为操作数据305中表示的风力涡轮提供相对操作基线。在一些实施例中，诊断数据记录305和对应散布图可由领域专家和/或自动化处理系统(其例如能够参考数字化）或其他机器可读数据结构以及体现领域专家知识库的系统、装置和服务来审查，以确保训练案例的正确加标签。
深度学习模型系统310的深度学习模型构建和验证组件325或功能性可进行操作，以将散布图(或者风力涡轮操作数据305的其他表示)转换或变换为散布图(或者操作数据的其他表示)的视觉表示图像。例如，深度学习模型构建和验证组件325可进行操作，以开发(即，生成)深度学习分类模型，其通过处理高维图像(包括与散布图对应的数据像素)的输入以生成输出来基于操作数据和用于操作数据中的异常的根本原因来构建散布图之间的连接(例如传递函数、算法等)，该输出包括与从图像中的数据模式所得出的一个或多个异常关联的根本原因标签。本文中的深度学习模型是一种深度学习分类模型，其被开发以构建散布图(包括风力涡轮异常及其对应根本原因的数据表示)之间的连接。在一些方面中，卷积神经网络(CNN)模型被开发，以捕获和处理像素数据，以便识别散布图的图像中的复合数据模式，并且进一步将训练集合中的异常案例分类为与用于所确定异常分类的特定根本原因关联。深度学习模型构建和验证组件325可包括用来对所开发和训练的模型执行一种或多种类型的交叉验证以确保模型的健壮性的功能性。
深度学习模型系统310的输出可用于更新训练数据和模型改进，所述输出包括从图像中的数据模式所得出的所检测的一个或多个异常以及与其关联的对应根本原因标签或者其至少一部分的指示。例如，当模型用于实时异常检测和根本原因识别(即，风力涡轮操作数据305是来自一个或多个风力涡轮的实时操作数据)时，反馈环路335可配置成跟踪模型的精度。例如，新识别的异常案例能够被添加到原始训练集合(例如用来开发模型的历史操作数据的子集)中，以及已更新深度学习模型能够被重新调整以捕获训练案例的新扩大分布。按照这种方式，能够提供一种功能性或过程，该功能性或过程促进用于模型的训练数据的连续更新以及模型改进。
图4图示按照示例实施例的系统400的系统架构。应当领会，本文中的实施例并不局限于架构400，以及为了示例的目的而示出图4。本文所公开的深度学习异常检测和相互关连根本原因分类系统可通过系统400来实现。例如，数据库可包括软件或者与其交互，所述软件执行深度学习图像处理以用于示例实施例的异常检测和相互关连根本原因分类。
参照图4，架构400包括数据存储装置（data store）405、数据库管理系统(DBMS)410、云服务器415、服务420、客户端425和应用430。通常，在云服务器415内执行的服务420从客户端425上执行的应用430来接收请求，并且基于数据存储装置405内存储的数据向应用430提供结果。例如，云服务器415可执行并且向应用430提供服务420。
在一个非限制性示例中，客户端425可执行应用430的一个或多个，以经由客户端425上显示的用户界面来调用异常检测和根本原因识别过程的执行，以便基于数据存储装置405中存储的基础数据(例如风力涡轮操作数据)查看分析信息，例如可视化(例如图、图表、表格等)。应用430可基于经由客户端425所接收的输入将分析信息传递给服务420(例如，深度学习模型开发和实现服务，例如比如图3中的系统310)之一。
按照各个实施例，应用430和云服务420的一个或多个可配置成基于由按照本文中的一些实施例所开发的深度学习模型所执行的图像处理来执行异常检测和根本原因识别。
在一些实施例中，数据存储装置405的数据可包括文件，所述文件具有常规表格数据、基于行的数据、基于列的数据、基于对象的数据等的一个或多个。按照各个方面，文件可以是存储数据集的数据库表格。此外，数据可被索引和/或有选择地在索引中复制，以允许对其进行快速搜索和检索。数据存储装置405可支持多租户，以通过提供多个逻辑数据库系统(所述系统相互编程地隔离)单独支持多个不相关客户端。此外，数据存储装置405可支持多个用户，所述用户与相同客户端关联并且共享对数据存储装置405中存储的公共数据库文件的访问。
图5A和图5B是按照本文中的一些实施例的用于风力涡轮的传感器数据的说明性散布图。在这些示例中，散布图反映塔加速度(y轴)和风速(x轴)的操作数据，其中高塔加速度测量归因于不同的根本原因。因此，每个散布图捕获从用于风力涡轮(或其他资产)的传感器测量所得出的特定一对时间系列数据。在图5A中，高塔加速度测量归因于风力涡轮叶片未对齐，而在图5B中，散布图中捕获的高塔加速度测量归因于用于风力涡轮的特定控制参数的不正确设定。
参照图5A和图5B的散布图(以及本文中的其他散布图)，以515和525所描绘的数据点相互关连到用于风力涡轮(或其他资产)的传感器测量中包括的异常数据点，所述异常数据点各自是系统正设法查找其根本原因的目标(即，异常)。在记录测量时的操作条件下的预计范围之内，以520和530所描绘的散布图的数据点相互关连到正常风力涡轮行为。散布图520和530可被添加到包括图的成对数据515和525的散布图，以作为相对(即，比较)基线，以促进确定在其中的异常数据点。例如，图5A是说明性散布图，其中数据点520表示正常能量生产，而数据点515指示风力涡轮性能欠佳。
在一些方面中，由于多个传感器、涡轮控制和环境因素或者其组合，通常可存在风力涡轮操作数据中的大变化。因素的组合和复杂度对准确区分正常风力涡轮操作与异常风力涡轮操作提出挑战。在一些方面中，用来识别传感器测量的散布图的图像中嵌入的数据模式的本公开的深度学习模型通过例如增加和增强异常检测精度和根本原因识别来提供改进。
在一些实施例和方面中，如本文所公开的用来检测风力涡轮(或其他资产)操作异常并且识别对应根本原因(所述根本原因能够缩放到在风电场和/或机组级(fleet level)的多个涡轮)的自动过程以及实现这类过程的系统包括利用积累的领域知识(即，风力涡轮操作特性、异常和那些异常的根本原因)以及诸如比如深度神经网络(例如CNN)之类的高级分析技术的“物理+数字”集成。
图6是按照一些实施例的说明性过程600的流程图。本文所述的流程图和过程并非暗示对于步骤的固定顺序，以及本发明的实施例可按照可实行的任何顺序来实施。注意的是，本文所述方法的任何方法可通过硬件、软件或者这些方式的任何组合来执行。例如，非暂时计算机可读存储介质在其上可存储指令，所述指令在由机器执行时引起按照本文所述实施例的任何实施例的执行。
在操作605处，深度学习模型开发平台、系统、服务或装置可接收与工业资产的操作关联的历史时间系列传感器数据，其中传感器数据包括在某个时间段内的用于多个传感器的值。在一些实施例中，时间系列数据收集组件可收集和存储风力涡轮操作时间系列数据，其包括一组(例如成对)传感器测量。
在一些实例中，原始历史时间系列传感器数据的至少一部分可被过滤，以排除过程600的另外操作中将不被包括或需要的数据和/或伪像（artifact）。这样的过滤数据可包括风力涡轮(或其他资产)停机测量。
在操作610处，可生成基于所接收历史时间系列传感器数据的散布图的视觉表示图像，其中每个散布图包括用于与风力涡轮进行接口对接的多个传感器的特定一对时间系列传感器数据。在一些实施例中，所生成图像的一个或多个可包括多个散布图。
在一些实施例中，所接收历史时间系列传感器数据的至少一部分可从如由风力涡轮(或其他资产)传感器所得到的其原始配置来变换成格式、配置、级别、分辨率等。在一些实例中，变换将取决于待处理的传感器测量(例如用于风速测量的空气密度校正等)。
在一些实施例中，过程600的子过程或单独过程可包括图像指定和图像内图布置方法的方面。这样的方法可部分或组合地包括：按照已知诊断(例如建立于工程经验的数字化或机器可读知识库)来选择特定一组传感器测量对，以供包括在图像中；设计图像布局，包括指定用于图像的大小；以及将每对传感器测量指配给图像中的特定位置。按照这种方式，包括用于多个散布图的视觉表示的图像可按照有效和限定方式在单个图像中配置，使得这类构造图像可以可靠地基于操作数据的散布图来生成，并且进一步准确分析以供指示操作异常的模式的检测。成对传感器散布图以及从其中的图像生成可部分和/或组合地包括：绘制用于每对时间系列传感器测量的散布图；对每个散布图，使用用于每个像素值的二进制标度或者使用结合散布图中的附加信息(例如数据密度和/或其他归一化传感器测量)的连续标度；调整跨图像中的散布图的竖直和水平轴标度，以例如呈现/放大某些图像特征；以及对每个散布图添加作为参考/基线图的比较散布图，由此生成多层图像。图7是包括六个散布图(即，705、710、715、720、725和730)的视觉表示的图像700的示例。
在操作615处，根本原因标签基于至少部分对与(一个或多个)工业资产关联的数字化知识域数据结构或系统的参考和利用与每个图像中的数据模式组合地被指配给每个视觉图像(包括表示操作异常的散布图)。在一些方面中，标准化地面实况标签被指配给每个所生成图像。在一些方面中，异常传感器测量(即，异常)可通过不同根本原因引起。特别是，每个根本原因要求特定类型的维护和维修实践。因此，正确根本原因的识别能够提供关于风力涡轮(和/或其他资产)的进行中操作、预防维护和校正维护方面的可行观点。
图8是按照一些实施例的与对图像加标签关联的数据的说明性示例表示。图表800是与包括大约1200个涡轮的大约60个风电场相关的地面实况数据的示例可视化。充分数据被收集，以生成总共大约5200个图像，其中观察到大约2500个异常案例。
继续操作620，使用加标签图像的第一子集来训练深度学习模型以及更特别是卷积神经网络(CNN)模型，并且基于被应用于训练模型的加标签图像的第二子集对它测试，以评估训练模型的性能。在一些方面中，加标签图像的第一子集称作数据的训练集合，而被应用于训练模型的加标签图像的第二子集称作测试数据，其中图像的第一和第二子集相互不同。
在一些实施例中，CNN遵循特定模型结构，该结构通过例如神经网络中的层的数量、用于每个层的节点的数量、层之间的互连、层之间的传递函数等来定义，并且使用具有相应地估计的模型参数的训练数据来训练。在一些实例中，(一种或多种)交叉验证技术可用来避免模型对训练数据的过度拟合。
此外，可执行模型训练/测试循环的迭代，以识别最佳和健壮CNN，其中“最佳”模型可根据应用的一个或多个特征而改变。
图9是按照一些实施例的与生成加标签图像关联的一些方面的说明性示例。图像900包括六(6)个不同的图905、910、915、920、925和930，其中各自包括其成对散布图的描述。在一些方面中，如本文作为示例所公开的模块化图像生成过程促进：添加和修改图像布局(例如添加更多子图、快速测试新图布局等)；改变用于不同分析任务的数据处理过程；以及扩大/适应散布图之外的新类型的数据表示。
图10是按照一些实施例的与生成深度学习模型关联的一些方面的说明性示例。图10中所图示的是异常标签校正和同步过程的一些方面，其中第一数据存储装置1005中存储的异常数据文件(例如日志文件)与第二数据存储装置1010(该第二数据存储装置在图像文件夹（folder）中存储加标签图像文件)中存储的加标签数据文件(例如图像文件)同步并且准确地相互关连。两个不同数据卷中保留（persist）的加标签文件之间的同步可在变更发生时或者周期地(例如每周、每夜等)执行，以确保保持操作数据的不同表示之间的准确相关性。
图11是按照一些实施例的与异常图像生成关联的一些方面的说明性示例。在一些方面中，图11图示从相同风力涡轮所生成的多个图像。在一个示例中，在风力涡轮具有与已经存在100天的特定根本原因对应的异常的情况下，每5天的数据可用来生成一个图像。按照这种方式，可从这个涡轮生成总共20个图像。在一些实例中，可执行生成用于特定风力涡轮(或其他资产)的多个图像，以增加训练数据大小(即，训练图像的数量)，以便确保健壮深度学习模型开发。
在图6的操作625处，最初在操作620处所开发的CNN模型用来处理与风力涡轮关联的实时图像，以检测实时图像中的至少一个异常，并且识别与至少一个异常关联的一个或多个根本原因。在一些方面中，实时图像包括与历史时间系列传感器数据相关的工业资产的实时时间系列传感器数据的视觉表示。
图12是图示按照本文中的一些实施例的使用深度学习模型的异常检测和根本原因识别系统1200的框图。如所示，执行按照本文的一些方面的深度学习异常检测和根本原因识别模型的机器学习引擎1205接收包括散布图的操作数据1210，所述散布图包括指示异常的数据。散布图如本文详述的那样变换和处理，以生成图像1212，该图像1212包括以特定布局、大小和配置的散布图的多个视觉表示。机器学习引擎处理图像的组合，以识别在其中与多个所限定异常(例如图12的示例中的8个异常)对应的模式。机器学习引擎的输出1215包括响应于特定输入1210的特定根本原因的指示(例如异常2=叶片校准以及异常4=不正确斜变率)。
图13-15是按照一些实施例的通过深度学习模型的异常检测和根本原因识别的说明性示例。作为示例，图13图示如图像1310中所表示并且由本文的深度学习模型所处理的图1305中的异常的检测，其中异常的对应根本原因被识别为温度影响的PCH盒（box）。图14图示如图像1410中所表示并且由本文的深度学习模型所处理的图1405中的异常的检测，其中异常的对应根本原因被识别为归因于叶片未对齐，以及图15图示基于图1505和图像1510的异常的检测，其中异常的根本原因被识别为归因于斜变率参数问题。
参照图6以及特别是参照操作630，至少一个所检测异常以及与其关联的一个或多个根本原因的记录可被保存和保留在例如计算机或机器可访问存储器或数据存储装置中。在一些实例中，记录可被保留在与数据库和/或数据库管理系统关联的存储器或数据存储装置中。
在操作635处，包括至少一个所检测异常以及与其关联的一个或多个根本原因的记录的表示可被发送或传送给装置(例如客户端装置)，该装置响应于记录中指示的一个或多个根本原因而调用动作(例如当识别特定根本原因时生成(一个或多个)警报)。在一些实例中，动作可能是自动(即，在没有进一步(一个或多个)用户动作的情况下)调用、执行或者至少由接收装置响应于记录的表示的接收而发起。
在一些实施例中，过程600或者被执行以补充过程600的过程可包括又向模型提供至少一个所检测异常以及与其关联的一个或多个根本原因的记录的至少一部分，以帮助下列中的至少一个：跟踪模型的精度、连续更新加标签图像的第一集合以训练模型、重新调整模型和它们的组合。
在一些方面中，用于本文中的深度学习模型的训练数据的加标签是重要问题。训练数据的一致性、精度和充分性是用来确保训练数据的关键方面，所述训练数据是可靠的以建立准确模型。如本文所使用，一致性表示使用相同加标签术语来描述特定特征、事件或实体。例如，第一测量“X”应当始终被引用为测量“X”，而不是一个实例中的“X”而其他实例中的“Y”。数据中的精度表示数据的加标签中的精确性，使得每个标签清楚地引用一个特定特征、事件或实体。图16证明仅选择将被包括在训练数据中的经验证历史诊断记录(例如如在1605处所示仅选择158个记录)。尚未验证的其他历史记录可能提供不准确诊断标签，并且未被选择用于深度学习模型开发。图17图示甚至可能与经验证历史诊断记录关联的非结构化文本/注释的示例。在这种情形中，可执行适当文本挖掘，以清除注释/文本，以便建立用于历史诊断记录的一致和准确的标签。
图18涉及按照一些实施例的连续改进循环过程1800的一些方面。图18包括地面实况加标签阶段1805，其使用能够经由用户界面(UI)8125来查看、指定和操纵的操作数据。UI1825可呈现如在UI中的1830处所看到的数据散布图的显示，以促进异常的加标签。可在训练图像数据建立阶段1810处配置基于历史操作数据的训练数据。在一些方面中，在1812处处理与散布图以及从其中所构成的图像的表示有关的准确和同步的文件。如上文所公开，在阶段1815处执行用来检测所构成图像的数据模式中的异常以及对应(一个或多个)根本原因的识别的深度学习模型。与模型的结构及其性能度量有关的分析在1817处示出，并且可用来进行例如与最佳和/或健壮模型选择有关的调整判定。所生成模型在阶段1820处被进一步验证并且随后被部署以供服务。作为用来连续改进所生成深度学习模型的精度、可靠性和健壮性的过程的组成部分，输出或者它们的至少一部分可被反馈到系统1800中，以补充现有训练数据和模型的重调。在一些示例情形中，当由系统学习特征和其他特性时，可能随时间推移而生成一个或多个新模型。
在一些实施例中，图19图示使用新图像和已更新地面实况数据基于现有模型的重新训练的模型改进。在图19中，图像1905是用来例如最初训练模型的早期图像，以及图像1910是能够用来重新训练模型以增强其性能的新图像。在图19的示例中，图像1905包括按照2×3布局所配置的6个散布图。四对附加时间系列操作数据用来生成图像1910中的四个附加散布图，所述图像包括按照4×3布局所布置的总共10个散布图，其中两(2)个右下网格不包括任何数据并且因此为空。
注意的是，本文所公开的各种特征、系统和过程并不局限于明确论述的特定示例应用和实施例。例如，本公开并不局限于在以上详细论述和/或附图中公开的风力涡轮的上下文和应用中论述的特定示例。图20图示按照本公开的异常检测系统的概念和特征，例如比如可扩展到并且应用于离岸风电场站点2010的基于陆地的风电场系统2005。在一些方面中，离岸数据2015可用来至少补充对基于陆地的系统所训练的深度学习模型的现有训练数据，以捕获离岸风电场站点2010的操作差异和/或特质。
可使用任何数量的不同硬件配置来实现本文所述的实施例。例如，图21图示设备2100，该设备例如可与图1-5中所描绘的系统和架构以及图6的过程600关联。设备2100包括处理器2110，例如采取一芯片微处理器形式的一个或多个市场销售中央处理单元(CPU)，其被耦合到通信装置2120，该通信装置配置成经由通信网络(图21中未示出)进行通信。设备2100进一步包括输入装置2140(例如用来输入与工业资产操作和异常有关的信息的鼠标和/或键盘)和输出装置2150(例如用来输出警告和报告的计算机监测器)。
处理器2110还与存储装置2130进行通信。存储装置2130可包括任何适当信息存储装置，包括磁存储装置(例如硬盘驱动)、光存储装置、移动电话和/或半导体存储器装置的组合。存储装置2130存储程序2112和/或深度学习引擎2114(例如与模型开发和调整过程关联)，以用于控制处理器2110。处理器2110执行程序2112、2114的指令，并且由此按照本文所述实施例的任何实施例进行操作。例如，处理器2110可接收与工业资产的操作关联的传感器数据，传感器数据包括在某个时间段内的用于多个传感器的值。处理器2110可将操作数据的散布图表示变换成图像数据，所述图像数据包括多个捕获用于工业资产(对于该工业资产，模型基于训练数据来开发并且通过图像的测试数据来测试/评估)的异常模式的散布图的视觉表示和其组合。模型的输出可包括异常以及用于异常的对应根本原因的指示。然后可执行所生成深度学习(分类)模型，以自动识别用于操作工业资产的异常及其对应根本原因。
程序2112、2114可按照压缩、未编译和/或加密格式来存储。程序2112、2114还可包括其他程序元件，例如操作系统、数据库管理系统和/或由处理器2110用来与外围装置进行接口对接的装置驱动器。
如图21中所示，存储装置2130还存储与风力涡轮关联的操作数据2160以及训练和测试数据2170。现在将针对图22详细描述可与检测和根本原因识别设备2100结合使用的数据库2200的一个示例。本文所提供的数据库的图示和伴随描述是示范性的，以及除了由附图所建议的那些数据库布置之外还可采用任何数量的其他数据库布置。
图22是按照本发明的一些实施例的数据库2200的一部分的表格视图。该表包括与风力涡轮的操作关联的条目。该表还定义用于条目的每个的栏目（field）2205、2210、2215、2220、2225、2230、2235、2240、2245、2250和2255。栏目指定：日期2205、系统标识符号2210、涡轮的功率2015、发电机RPM 2220、叶片角2225、风速2230、操作状态2235、环境温度2240、扭矩设置值2245、发电机RPM设置值2250和塔加速度值2255。数据库2100中的信息可基于风力涡轮的操作期间的信息收集来周期地创建和更新。
本文中的一些实施例提供一种用来检测涡轮操作异常并且识别对应根本原因以及因此避免(一个或多个)繁琐手动诊断过程的自动方式。本文中的深度学习模型能够适用于风电场和/或机组级的所有涡轮的实时涡轮操作数据，这促进资产性能管理策略，并且极大地增加商业生产率。而且，用来识别根本原因的能力实现风电场处的更有效维护规划和解决方案部署。
体现深度学习模型能够以高模型精度自动检测异常并且识别根本原因。
体现深度学习模型可基于数千个历史诊断案例检测例如塔加速度异常并且识别对应根本原因。(一个或多个)申请人已经实现一种对来自具有风力涡轮的六个风电场的实时涡轮操作数据所测试的概念验证模型（prove-of-concept model)，并且成功识别了塔加速度异常的根本原因。
虽然本文仅图示和描述了本发明的某些特征，但本领域的技术人员将会想到多种修改和变更。因此要理解，所附权利要求书预计涵盖如落入本发明的真实精神之内的所有这类修改和变更。

Claims (18)

1.一种与工业资产的异常检测和根本原因识别关联的计算机实现方法，所述方法包括：
接收与工业资产的操作关联的历史时间系列传感器数据，所述传感器数据包括在某个时间段内的用于多个传感器的值；
生成基于所述历史时间系列传感器数据的散布图的视觉表示图像，每个散布图包括所确定的用于所述多个传感器的特定一对时间系列传感器数据；
基于对与所述工业资产关联的数字化知识域的参考并且与每个图像中的数据模式组合地向每个图像指配根本原因标签；
生成使用加标签图像的第一子集所训练并且基于被应用于所训练模型的所述加标签图像的第二子集所测试的卷积神经网络(CNN)模型，图像的所述第一和第二集合相互不同；
由所述CNN模型来处理实时图像，以检测所述实时图像中的至少一个异常以及与所述至少一个异常关联的一个或多个根本原因，所述实时图像包括与所述历史时间系列传感器数据相关的工业资产的实时时间系列传感器数据的视觉表示；
保存至少一个所检测异常以及与其关联的所述一个或多个根本原因的记录；以及
将所述记录的表示传送给装置，所述装置响应于所述记录中指示的所述一个或多个根本原因而调用动作。
2.如权利要求1所述的方法，其中，所述工业资产是至少一个风力涡轮系统。
3.如权利要求1所述的方法，其中，生成所述散布图的所述图像包括下列中的一个或多个：
指定用于每个图像的布局和大小；
将每个散布图指配给每个图像中的特定布局位置；
基于二进制标度和连续标度的至少一个将所述散布图中的数据表示为像素值；以及
缩放所述散布图的至少一个轴，以调整其在所述图像中的所述视觉表示的放大率。
4.如权利要求1所述的方法，进一步包括将作为参考基线的比较散布图添加到每个散布图，其中所生成图像包括多层图像。
5.如权利要求1所述的方法，其中，所述CNN模型通过所指定特性的的组合来限定，所述特性包括用于所述模型的层的数量、用于所述模型的每个层的节点的数量、用于所述模型的所述层之间的互连以及用于所述模型的所述层之间的传递函数。
6.如权利要求1所述的方法，进一步包括基于所述加标签图像的第三集合来交叉验证所述模型。
7.如权利要求1所述的方法，进一步包括又向所述模型提供所述至少一个所检测异常以及与其关联的所述一个或多个根本原因的所述记录的至少一部分，以帮助下列中的至少一个：跟踪所述模型的精度、连续更新所述加标签图像的所述第一集合以训练所述模型、重新调整所述模型和它们的组合。
8.如权利要求1所述的方法，其中，所述模型识别每个图像中指示至少一个异常的数据模式，并且采用与所识别的至少一个异常关联的所述一个或多个根本原因来分类所述至少一个异常。
9.如权利要求8所述的方法，其中，所述模型基于所述图像的每个中包括的多个所述散布图来识别数据模式。
10.一种系统，包括：
存储器，其存储处理器可执行程序代码；以及
处理器，其用来执行所述处理器可执行程序代码，以便使所述系统：
接收与工业资产的操作关联的历史时间系列传感器数据，所述传感器数据包括在某个时间段内的用于多个传感器的值；
生成基于所述历史时间系列传感器数据的散布图的视觉表示图像，每个散布图包括所确定的用于所述多个传感器的特定一对时间系列传感器数据；
基于对与所述工业资产关联的数字化知识域的参考并且与每个图像中的数据模式组合地向每个图像指配根本原因标签；
生成使用加标签图像的第一子集所训练并且基于被应用于所训练模型的所述加标签图像的第二子集所测试的卷积神经网络(CNN)模型，图像的所述第一和第二集合相互不同；
由所述CNN模型来处理实时图像，以检测所述实时图像中的至少一个异常以及与所述至少一个异常关联的一个或多个根本原因，所述实时图像包括与所述历史时间系列传感器数据相关的工业资产的实时时间系列传感器数据的视觉表示；
保留至少一个所检测异常以及与其关联的所述一个或多个根本原因的记录；以及
将所述记录的表示传送给装置，所述装置响应于所述记录中指示的所述一个或多个根本原因而调用动作。
11.如权利要求10所述的系统，其中，所述工业资产是至少一个风力涡轮系统。
12.如权利要求10所述的系统，其中，生成所述散布图的所述图像包括下列中的一个或多个：
指定用于每个图像的布局和大小；
将每个散布图指配给每个图像中的特定布局位置；
基于二进制标度和连续标度的至少一个将所述散布图中的数据表示为像素值；以及
缩放所述散布图的至少一个轴，以调整其在所述图像中的所述视觉表示的放大率。
13.如权利要求10所述的系统，其中，所述处理器执行所述处理器可执行程序代码，以便使所述系统进一步将作为参考基线的比较散布图添加到每个散布图，其中所生成图像包括多层图像。
14.如权利要求10所述的系统，其中，所述CNN模型通过所指定特性的的组合来限定，所述特性包括用于所述模型的层的数量、用于所述模型的每个层的节点的数量、用于所述模型的所述层之间的互连以及用于所述模型的所述层之间的传递函数。
15.如权利要求10所述的系统，其中，所述处理器执行所述处理器可执行程序代码，以便使所述系统进一步基于所述加标签图像的第三集合来交叉验证所述模型。
16.如权利要求10所述的系统，其中，所述处理器执行所述处理器可执行程序代码，以便使所述系统进一步又向所述模型提供所述至少一个所检测异常以及与其关联的所述一个或多个根本原因的所述记录的至少一部分，以帮助下列中的至少一个：跟踪所述模型的精度、连续更新所述加标签图像的所述第一集合以训练所述模型、重新调整所述模型和它们的组合。
17.如权利要求10所述的系统，其中，所述模型识别每个图像中指示至少一个异常的数据模式，并且采用与所识别的至少一个异常关联的所述一个或多个根本原因来分类所述至少一个异常。
18.如权利要求17所述的系统，其中，所述模型基于所述图像的每个中包括的多个所述散布图来识别数据模式。
CN202080063065.4A 2019-09-09 2020-08-27 用于使用深度学习来检测风力涡轮操作异常的系统和方法 Active CN114450646B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201962897774P 2019-09-09 2019-09-09
US62/897774 2019-09-09
PCT/US2020/048223 WO2021050285A1 (en) 2019-09-09 2020-08-27 Systems and methods for detecting wind turbine operation anomaly using deep learning

Publications (2)

Publication Number Publication Date
CN114450646A CN114450646A (zh) 2022-05-06
CN114450646B true CN114450646B (zh) 2024-04-26

Family

ID=72473967

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202080063065.4A Active CN114450646B (zh) 2019-09-09 2020-08-27 用于使用深度学习来检测风力涡轮操作异常的系统和方法

Country Status (5)

Country Link
US (1) US20220292666A1 (zh)
EP (1) EP4028841B1 (zh)
CN (1) CN114450646B (zh)
DK (1) DK4028841T3 (zh)
WO (1) WO2021050285A1 (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220058369A1 (en) * 2020-08-07 2022-02-24 University Of South Florida Automated stereology for determining tissue characteristics
CN113343847B (zh) * 2021-06-04 2024-03-26 深圳供电局有限公司 异常数据检测方法、装置、计算机设备和可读存储介质
CN113610362B (zh) * 2021-07-20 2023-08-08 苏州超集信息科技有限公司 一种基于深度学习流水线产品追溯方法及系统
US20230092247A1 (en) * 2021-09-22 2023-03-23 Rockwell Automation Technologies, Inc. Automated monitoring using image analysis
US20230102717A1 (en) * 2021-09-24 2023-03-30 Rockwell Automation Technologies, Inc. Providing a model as an industrial automation object
US20230103149A1 (en) * 2021-09-30 2023-03-30 International Business Machines Corporation Adaptively compressing a deep learning model
CN118503634B (zh) * 2024-07-18 2024-10-01 山东省三河口矿业有限责任公司 一种煤矿通防数据智能采集方法、系统及设备

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108764601A (zh) * 2018-04-03 2018-11-06 哈尔滨工业大学 一种基于计算机视觉和深度学习技术的结构健康监测异常数据诊断方法
CN109564575A (zh) * 2016-07-14 2019-04-02 谷歌有限责任公司 使用机器学习模型来对图像进行分类
CN110088619A (zh) * 2017-10-09 2019-08-02 Bl科技有限责任公司 用于废水处理厂或饮用水厂的过程和资产健康诊断、异常检测和控制的智能系统和方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110313726A1 (en) * 2009-03-05 2011-12-22 Honeywell International Inc. Condition-based maintenance system for wind turbines
US20170024649A1 (en) * 2015-07-24 2017-01-26 General Electric Company Anomaly detection system and method for industrial asset
WO2017139046A1 (en) * 2016-02-09 2017-08-17 Presenso, Ltd. System and method for unsupervised root cause analysis of machine failures

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109564575A (zh) * 2016-07-14 2019-04-02 谷歌有限责任公司 使用机器学习模型来对图像进行分类
CN110088619A (zh) * 2017-10-09 2019-08-02 Bl科技有限责任公司 用于废水处理厂或饮用水厂的过程和资产健康诊断、异常检测和控制的智能系统和方法
CN108764601A (zh) * 2018-04-03 2018-11-06 哈尔滨工业大学 一种基于计算机视觉和深度学习技术的结构健康监测异常数据诊断方法

Also Published As

Publication number Publication date
EP4028841A1 (en) 2022-07-20
EP4028841B1 (en) 2024-05-15
DK4028841T3 (da) 2024-08-12
US20220292666A1 (en) 2022-09-15
WO2021050285A1 (en) 2021-03-18
CN114450646A (zh) 2022-05-06

Similar Documents

Publication Publication Date Title
CN114450646B (zh) 用于使用深度学习来检测风力涡轮操作异常的系统和方法
US12086701B2 (en) Computer-implemented method, computer program product and system for anomaly detection and/or predictive maintenance
CN113009889B (zh) 分布式工业性能监控和分析平台
Wang Towards zero-defect manufacturing (ZDM)—a data mining approach
US20210081823A1 (en) Well site machine learning based analytics
JP2021064370A (ja) デジタル・ツイン・シミュレーション・データを利用した時系列データに基づく、大規模な産業用監視システム向けの半教師あり深層異常検出のための方法およびシステム
US20200160227A1 (en) Model update based on change in edge data
JP2019520659A (ja) 時系列パターンモデルを用いて主要パフォーマンス指標（ｋｐｉ）を監視するコンピュータシステム及び方法
US20200160208A1 (en) Model sharing among edge devices
US20200159195A1 (en) Selective data feedback for industrial edge system
JP7481537B2 (ja) 情報処理システム、情報処理方法及び情報処理装置
US11556837B2 (en) Cross-domain featuring engineering
Li et al. Structural health monitoring data anomaly detection by transformer enhanced densely connected neural networks
JP6830414B2 (ja) 診断装置及び診断方法
WO2021111936A1 (ja) 予測システム、情報処理装置および情報処理プログラム
CN116551466B (zh) Cnc加工过程中的智能监控系统及其方法
Marti-Puig et al. Detection of wind turbine failures through cross-information between neighbouring turbines
WO2016094339A1 (en) Aging profiling engine for physical systems
WO2023191787A1 (en) Recommendation for operations and asset failure prevention background
US20230196241A1 (en) Information processing device, display method, and computer program product
EP4345720A1 (en) System and method for managing end-of-life products
WO2023186317A1 (en) System, apparatus and method for managing one or more assets
Modhagala Classification of Root Causes for Wind Turbine Failures
Samigulina et al. THE INFLUENCE OF DATA SAMPLING ON SOLVING THE PROBLEM OF PATTERN RECOGNITION FOR DIAGNOSTICS OF INDUSTRIAL EQUIPMENT
Meng et al. Anomaly detection in wind turbine blades based on PCA and convolutional kernel transform models: employing multivariate SCADA time series analysis

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
TA01 Transfer of patent application right

Effective date of registration: 20240104

Address after: Barcelona, Spain

Applicant after: Ge renewable energy Spain Ltd.

Address before: New York State, USA

Applicant before: General Electric Co.

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant