CN119334456A - 用于振动分析的系统和方法 - Google Patents

Abstract

一种用于为具有一个或多个部件的机械设备提供异常诊断的系统和方法。具有一个或多个传感器设备的传感器系统检测机械设备的一个或多个被观察部件的移动/振动。控制系统基于一个或多个部件检测到的运动/振动来确定一个或多个部件的振动测量值。利用一种或多种机器学习(ML)和/或人工智能(AI)技术，通过在机械设备操作期间将被观察部件的确定振动测量值与该部件的预期的正常振动测量值进行比较，来确定一个或多个部件的异常操作。当被观察部件的确定的振动测量值超过其预期的正常振动测量值一阈值时，确定异常操作。

Description

用于振动分析的系统和方法

相关申请的交叉引用

本申请要求2023年7月20日提交的美国专利申请序列号63/527,851的优先权，该申请通过引用整体结合于本文。

技术领域

所示实施例总体上涉及振动分析领域，并且更具体地，但非限制性地，涉及分析器和控制系统，以及使用人工智能(AI)和/或机器学习(ML)技术通过振动分析来确定机械设备的异常操作的方法。

背景技术

电器、机器和装备(例如工业电器)的可靠机械操作和状况不仅对操作或商业的经济成功至关重要，而且对人员、财产和装备本身的安全也至关重要。这样的操作和企业可以包括例如工厂、精炼厂、医院、存储设施、数据中心、零售机构和制造设施。因此，对这种装备的机械操作和状况进行定期和例行维护和测试是必要和关键的。类似地，当装备零件磨损或损坏时，应迅速识别这些状况，并根据需要进行纠正。

不幸的是，尽管定期和例行的维护是必要和关键的，但这通常是耗时的，需要专门的知识，通常需要专门的技术人员和装备，并且是昂贵的和破坏性的。根据操作或过程(例如制造过程)，装备离线执行测试的时间可能会中断生产计划并损害整体业务运营。在拆卸和重新组装(通常需要)以进行测试或不正确地进行测试时，无意中损坏装备的风险很大。任何意外或处理不当的步骤都可能不必要地延长装备停机时间，导致运营损失。此外，许多测试程序效率低、不精确、执行不当，并且可能导致更换不需要更换的零件。所有这些问题都会造成重大的经济损失。

类似地，测试本身可能是昂贵的，与刚才讨论的其他问题是分开的。由于各种原因，企业通常没有经济资源来雇佣技术人员来执行所需的测试，并且雇佣第三方承包商的成本在经济上也具有挑战性。然而，这种测试对于操作的经济可行性以及提供安全的操作环境以保护生命和财产是至关重要的。

此外，设备的机械操作的这种性能测试可能是不准确的，并导致错误的结论。例如，对大型机械设备(如研磨设备)的机械操作的测试是困难的、耗时的，并且结果可能是不正确的。

发明内容

下面描述的示例性实施例的目的和优点将在下面的描述中阐述并从下面的描述中变得明显。所示实施例的附加优点将通过书面描述及其权利要求以及附图中特别指出的设备、系统和方法来实现和获得。

为了实现这些和其他优点，并且根据所示实施例的目的，在一个方面，描述了一种用于提供具有一个或多个部件的机械设备的异常诊断的系统和方法。具有一个或多个传感器设备的传感器系统在机械设备的操作期间检测机械设备的一个或多个被观察部件的移动/振动。控制系统可操作地联接到传感器系统，用于从传感器系统接收机械设备的一个或多个被观察部件的检测到的移动/振动数据。控制系统被配置和操作成基于一个或多个部件的检测到的运动/振动来确定一个或多个部件的振动测量值。一种或多种机器学习(ML)和/或人工智能(AI)技术优选地用于通过在机械设备操作期间将被观察部件的确定振动测量值与该部件的预期的正常振动测量值进行比较来确定一个或多个部件的异常操作。当被观察部件的确定的振动测量值超过其预期的正常振动测量值一个阈值时，确定异常操作。控制系统优选地进一步可操作并被配置为当基于其振动测量确定一个或多个部件具有异常操作时，提供一个或多个部件的异常操作的通知。

例如，应当理解和明白，监测/确定机械设备的一个或多个部件的振动如何随速度增加，促进了机械设备的最佳性能。例如，可以找到不会导致装备过度磨损的最高输出速率，并将其用于延长工厂中装备/机械设备的寿命。在所示实施例的一个方面，使用非接触式传感器来测量振动比在整个工厂中布线和安装加速度计更可取。例如，图像捕获可以用于监控工厂的大面积区域，并同时看到多个振动点(例如，它可以检测到意想不到位置的振动)。

根据某些示出的实施例，机械设备的一个或多个部件的图像可以被捕获和放大，以便与AI/ML技术一起使用来优化机械设备的性能，并且还预测影响生产的装备的可能故障。细分市场的示例是金属、矿物和采矿，示例领域是该细分市场的研磨和浓缩阶段。

根据所示的实施例，要考虑的若干关键点是与机械设备的一个或多个部件相关联的磨损，这是与振动相关联的关键问题，并且如果及早识别，预防性维护可以用于管理与机械设备相关联的更好的生产周期。控制振动通常可以延长机器的寿命，并优化其生产性能。

关于利用相机传感器部件来检测振动，有可能观察更宽的区域，以便然后选择多个点并测量平行点处的振动。例如，图像放大可以用于放大偏差，以便发现故障。可以测量单个像素的偏转，并用于测量振动频率和振幅。振动可能与用于延长装备寿命的机械设备的过程自动化控制设定相关。此外，通过将来自相机传感器的振动测量与警报相结合，可以通知设备操作者状况正在恶化，从而操作者可以采取预防措施。

附图说明

因此，本发明所属领域的技术人员将容易理解如何制造和使用本发明的设备和方法，而无需过多的实验，下面将参照某些附图详细描述其优选的图示实施例，其中：

图1示出了与一个或多个所示实施例一起使用的示例通信网络；

图2示出了与一个或多个所示实施例一起使用的示例网络设备/节点；

图3示出了描绘与一个或多个所示实施例一起使用的人工智能(AI)设备的示意图；

图4示出了描绘与一个或多个所示实施例一起使用的AI服务器的示意图；

图5示出了描绘与一个或多个所示实施例一起使用的某些系统部件的系统级示意图；和

图6示出了描绘根据一个或多个所示实施例的操作方法的流程图。

具体实施方式

现在参考附图更全面地描述所示实施例，其中相同的附图标记表示相似的结构/功能特征。所示实施例不以任何方式限于所示出的内容，因为下面描述的所示实施例仅仅是示例性的，如本领域技术人员所理解的，其可以以各种形式实施。因此，应当理解，本文公开的任何结构和功能细节不应被解释为限制性的，而仅仅是作为权利要求的基础，以及作为教导本领域技术人员以各种方式使用所讨论的实施例的表示。此外，这里使用的术语和短语不旨在进行限制，而是提供对所示实施例的可理解的描述。

除非另有定义，否则本文使用的所有技术和科学术语具有与这些所示实施例所属领域的普通技术人员通常理解的相同含义。尽管类似于或等同于本文所述的任何方法和材料也可用于所示实施例的实践或测试中，但现在描述示例性的方法和材料。

必须注意的是，如本文和所附权利要求中所使用的，单数形式“一个”、“一个”和“该”包括复数指示物，除非上下文另有明确规定。因此，例如，对“刺激”的引用包括多个这样的刺激，对“信号”的引用包括对一个或多个信号以及本领域技术人员已知的其等同物的引用，等等。

应当理解，下面讨论的图示实施例优选地包括驻留在计算机可用介质上的软件算法、程序或代码，该计算机可用介质具有用于使得能够在具有计算机处理器的机器上执行的控制逻辑。该机器通常包括被配置为提供计算机算法或程序执行的输出的记忆存储。

如在此所使用的，术语“软件”意味着与可以在主计算机的处理器中的任何代码或程序同义，而不管实现是在硬件、固件中还是作为在盘、存储器存储设备上可用的软件计算机产品，或者用于从远程机器下载。本文描述的实施例包括这样的软件来实现上述方程、关系和算法。基于上述实施例，本领域技术人员将理解所示实施例的更多特征和优点。因此，除了所附权利要求所指出的以外，所示实施例不受已经具体示出和描述的内容的限制。

现在描述性地转向附图，其中在若干视图中相似的附图标记表示相似的元件，图1描绘了示例性的通信网络100，其中可以实现下面示出的实施例。应当理解，通信网络100是由通信链路和网段互连的地理上分布的节点的集合，用于在终端节点之间传输数据，终端节点例如是个人计算机、工作站、智能电话设备、平板电脑、电视、传感器和/或其他设备，例如汽车等。许多类型的网络是可用的，从局域网(LAN)到广域网(WAN)。LAN通常通过位于同一物理位置(如建筑物或校园)的专用私人通信链路连接节点。另一方面，WAN通常通过长距离通信链路连接地理上分散的节点，例如公共载波电话线、光路径、同步光网络(SONET)、同步数字体系(SDH)链路或电力线通信(PLC)等。

图1是示例性通信网络100的示意性框图，示例性通信网络100包括通过各种通信方法互连的节点/设备101-108(例如，智能计算设备101、传感器102、客户端计算设备103、智能电话设备105、web服务器106、路由器107、交换机108、数据库等)。例如，链路109可以是有线链路或者可以包括无线通信介质，其中某些节点例如基于距离、信号强度、当前操作状态、位置等与其他节点通信。此外，如本领域技术人员将理解，每个设备可以在适当的情况下使用预定义的网络通信协议(例如各种有线协议和无线协议等)与其他设备通信数据包(或帧)142。在这种情境下，协议由一组定义节点如何相互交互的规则组成。本领域技术人员将理解，任何数量的节点、设备、链路等可以在计算机网络中使用，并且本文所示的视图是为了简单起见。此外，尽管本文参考一般的网络云示出了实施例，但是本文的描述不限于此，并且可以应用于硬连线的网络。

如本领域技术人员将理解，所示实施例的方面可以体现为系统、方法或计算机程序产品。因此，所示实施例的方面可以采取完全硬件实施例、完全软件实施例(包括固件、常驻软件、微代码等)的形式或结合软件和硬件方面的实施例，这些方面在本文中通常被称为“电路”、“模块”或“系统”。此外，所示实施例的各方面可以采取包含在一个或多个计算机可读介质中的计算机程序产品的形式，该计算机可读介质上包含有计算机可读程序代码。

可以利用一个或多个计算机可读介质的任何组合。计算机可读介质可以是计算机可读信号介质或计算机可读存储介质。计算机可读存储介质可以是例如但不限于电子、磁、光、电磁、红外或半导体系统、装置或设备，或者前述的任何合适的组合。计算机可读存储介质的更具体的示例(非穷举)将包括以下：具有一条或多条电线的电连接件、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或闪存)、光纤、便携式光盘只读存储器(CD-ROM)、光存储设备、磁存储设备或前述的任何合适的组合在本文的上下文中，计算机可读存储介质可以是能够包含或存储由指令执行系统、装置或设备使用或与其结合使用的程序的任何有形介质。计算机可读信号介质可以包括其中包含计算机可读程序代码的传播数据信号，例如，在基带中或作为载波的一部分。这种传播信号可以采取多种形式中的任何一种，包括但不限于电磁、光学或其任何合适的组合。计算机可读信号介质可以是任何计算机可读介质，其不是计算机可读存储介质，并且可以传送、传播或传输由指令执行系统、装置或设备使用或与其结合使用的程序。

包含在计算机可读介质上的程序代码可以使用任何适当的介质来传输，包括但不限于无线、有线、光纤电缆、RF等或前述的任何合适的组合。用于执行所示实施例的各方面的操作的计算机程序代码可以用一种或多种编程语言的任意组合来编写，包括面向对象的编程语言，例如Java、Smalltalk、C++等，以及传统的过程编程语言，例如“C”编程语言或类似的编程语言。程序代码可以作为独立的软件包完全在用户的计算机上执行，部分在用户的计算机上执行，部分在用户的计算机上执行，部分在远程计算机上执行，或者完全在远程计算机或服务器上执行。在后一种状况下，远程计算机可以通过任何类型的网络连接到用户的计算机，包括局域网(LAN)或广域网(WAN)，或者可以连接到外部计算机(例如，通过使用互联网服务提供商的互联网)。

下面参考根据所示实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图来描述所示实施例的各方面。将会理解，流程图和/或框图的每个框以及流程图和/或框图中的框的组合可以由计算机程序指令来实现。这些计算机程序指令可以被提供给计算机、专用计算机或其他可编程数据处理装置的处理器，以产生机器，使得经由计算机或其他可编程数据处理装置的处理器执行的指令创建用于实现流程图和/或框图的一个或多个框中指定的功能/动作的装置。

这些计算机程序指令也可以存储在计算机可读介质中，该介质可以引导计算机、其他可编程数据处理装置或其他设备以特定方式操作，使得存储在计算机可读介质中的指令产生包括实现流程图和/或框图的一个或多个框中指定的功能/动作的指令的制品。

计算机程序指令也可以被加载到计算机、其他可编程数据处理装置或其他设备上，以使一系列操作步骤在计算机、其他可编程装置或其他设备上执行，从而产生计算机实现的过程，使得在计算机或其他可编程装置上执行的指令提供用于实现流程图和/或框图的一个或多个框中指定的功能/动作的过程。

图2是示例网络计算设备200(例如，客户端计算设备103、服务器106等)的示意框图，网络计算设备200(或其部件)可以与本文描述的一个或多个实施例一起使用,例如，作为网络100中所示的节点之一，包括下面进一步描述的控制系统500。如上所述，在不同的实施例中，这些不同的设备被配置为以任何合适的方式相互通信，例如经由通信网络100。

设备200旨在代表能够执行各种所示实施例的教导的任何类型的计算机系统。设备200仅是合适系统的一个示例，并不旨在对本文描述的所示实施例的使用范围或功能提出任何限制。无论如何，计算设备200能够实现和/或执行这里阐述的任何功能。

计算设备200可与众多其他通用或专用计算系统环境或配置一起操作。适用于计算设备200的众所周知的计算系统、环境和/或配置的示例包括，但不限于，个人计算机系统、服务器计算机系统、瘦客户机、胖客户机、手持式或膝上型设备、多处理器系统、基于微处理器的系统、机顶盒、可编程消费电子产品、网络PC、小型机系统以及包括任何上述系统或设备的分布式数据处理环境等。计算设备200可以在由计算机系统执行的诸如程序模块等计算机系统可执行指令的一般情境中描述。通常，程序模块可以包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、部件、逻辑、数据结构等。计算设备200可以在分布式数据处理环境中实施，其中任务由通过通信网络链接的远程处理设备执行。在分布式数据处理环境中，程序模块可以位于包括存储器存储设备的本地和远程计算机系统存储介质中。根据示出的实施例，计算设备200被配置和操作成利用从一个或多个传感器设备(510)接收的指示机械设备(520)的一个或多个部件振动的振动测量结果，通过振动测量结果的分析来确定机械设备(520)的异常操作。

设备200的部件可以包括但不限于一个或多个处理器或处理单元216、系统存储器228以及将包括系统存储器228在内的各种系统部件联接到处理器216的总线218。总线218代表任何几种类型的总线结构中的一种或多种，包括存储器总线或存储器控制器、外围总线、加速图形端口以及使用各种总线体系结构中的任何一种的处理器或本地总线。作为示例而非限制，这种架构包括工业标准架构(ISA)总线、微通道架构(MCA)总线、增强型ISA(EISA)总线、视频电子标准协会(VESA)本地总线和外围部件互连(PCI)总线。计算设备200通常包括各种计算机系统可读介质。这种介质可以是设备200可访问的任何可用介质，并且它包括易失性和非易失性介质、可移动和不可移动介质。

系统存储器228可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)230和/或高速缓冲存储器232。计算设备200还可以包括其他可移动/不可移动、易失性/非易失性计算机系统存储介质。仅作为示例，存储系统234可以被提供用于从不可移动、非易失性磁介质(未示出，并且通常被称为“硬盘驱动器”)读取和向其写入。虽然未示出，但是可以提供用于从可移动、非易失性磁盘(例如“软盘”)读取和向其写入的磁盘驱动器，以及用于从可移动、非易失性光盘(例如CD-ROM、DVD-ROM或其他光学介质)读取或向其写入的光盘驱动器。在这种状况下，每个都可以通过一个或多个数据介质接口连接到总线218。如下面将进一步描绘和描述，存储器228可以包括至少一个程序产品，该程序产品具有被配置为执行所示实施例的实施例的功能的一组(例如，至少一个)程序模块。

作为示例而非限制，具有一组(至少一个)程序模块215(例如经销模块)的程序/实用程序240，以及操作系统、一个或多个应用程序、其他程序模块和程序数据可以存储在存储器228中。操作系统、一个或多个应用程序、其他程序模块和程序数据中的每个或其某种组合可以包括网络环境的实现。程序模块215通常执行如本文所述的所示实施例的功能和/或方法，包括分析从一个或多个传感器设备(510)检测到的指示机械设备(520)的一个或多个部件振动的振动测量值，以优选地实时确定机械设备(520)的异常操作。

设备200还可以与一个或多个外部设备214通信，例如键盘、定点设备、显示器224等；使用户能够与计算设备200交互的一个或多个设备；和/或使计算设备200能够与一个或多个其他计算设备通信的任何设备(例如，网卡、调制解调器等)。这种通信可以通过输入/输出(I/O)接口222进行。此外，设备200可以经由网络适配器220与一个或多个网络通信，例如局域网(LAN)、通用广域网(WAN)和/或公共网络(例如，因特网)。如图所示，网络适配器220经由总线218与计算设备200的其他部件通信。应当理解，尽管未示出，但是其他硬件和/或软件部件可以与设备200结合使用。示例包括但不限于：微码、设备驱动程序、冗余处理单元、外部磁盘驱动器阵列、RAID系统、磁带驱动器和数据归档存储系统等。

图1和图2旨在提供说明性和/或合适的示例性环境的简要概括描述，在该环境中可以实现下面描述的实施例。图1和2是合适环境的示例，并不旨在对所示实施例的结构、使用范围或功能提出任何限制。特定环境不应被解释为对示例性操作环境中所示的任何一个部件或其组合有任何依赖性或要求。例如，在某些状况下，环境的一个或多个元素可能被认为是不必要的并被省略。在其他状况下，一个或多个其他元素可能被认为是必要的并被添加。

应当理解，本文描述的实施例优选地提供有自学习/人工智能(AI)，用于分析从一个或多个传感器设备(510)接收的指示机械设备(520)的一个或多个部件振动的振动数据，以优选地实时地确定机械设备(520)的异常操作。因此，优选地，集成到联接到多个外部数据库/数据源的控制系统500(具有计算机系统200的一个或多个部件)中的是AI系统(例如，专家系统)，其实现机器学习和人工智能算法以执行一个或多个上述任务，包括分析从一个或多个传感器设备(510)接收的指示机械设备(520)的一个或多个部件振动的振动数据，以通过振动测量的分析来确定机械设备(520)的异常操作例如，AI系统可以包括两个子系统：从历史数据中学习的第一子系统；以及第二子系统，用于基于该学习来识别和推荐一个或多个参数或方法。应该理解，虽然AI系统可以被描述为两个不同的子系统，但是AI系统也可以被实现为结合了关于两个子系统描述的功能和特征的单个系统。

根据本文描述的图示实施例，人工智能指的是研究人工智能或用于制造人工智能的方法的领域，而机器学习指的是定义人工智能领域中处理的各种问题以及研究用于解决各种问题的方法的领域。机器学习被定义为一种算法，该算法通过对特定任务的稳定体验来增强特定任务的性能。

同样根据所示的实施例，人工神经网络(ANN)是在机器学习中使用的模型，并且可以表示由通过突触连接形成网络的人工神经元(节点)组成的解决问题能力的整体模型。人工神经网络可以由不同层中的神经元之间的连接模式、用于更新模型参数的学习过程以及用于生成输出值的激活函数来定义。人工神经网络可以包括输入层、输出层和可选的一个或多个隐藏层。每层包括一个或多个神经元，并且人工神经网络可以包括将神经元链接到神经元的突触。在人工神经网络中，每个神经元可以输出通过突触输入的输入信号、权重和偏差的激活函数的函数值。

模型参数是指通过学习确定的参数，并且包括神经元的突触连接和偏转的权重值。超参数是指在学习之前要在机器学习算法中设定的参数，并且包括学习速率、重复次数、最小批量和初始化函数。人工神经网络学习的目的可以是确定最小化损失函数的模型参数。损失函数可以用作在人工神经网络的学习过程中确定最佳模型参数的指标。根据学习方法，机器学习可分为监督学习、非监督学习和强化学习。监督学习可以指在给定用于学习数据的标签的状态下学习人工神经网络的方法，并且该标签可以表示当学习数据被输入到人工神经网络时人工神经网络必须推断的正确答案(或结果值)。无监督学习可以指在没有给出用于学习数据的标签的状态下学习人工神经网络的方法。强化学习可以指一种学习方法，其中在某个环境中定义的代理学习选择在每个状态中最大化累积补偿的行为或行为序列。

被实现为包括人工神经网络中的多个隐藏层的深度神经网络(DNN)的机器学习也被称为深度学习，并且深度学习是机器学习的一部分。

图3示出了根据所示实施例的实施例的AI设备300。根据所示实施例，AI设备300可以由控制系统500实现，控制系统500可操作地联接到一个或多个传感器设备510，传感器设备510被配置为检测与机械设备520相关联的振动测量，如本文进一步描述。

现在参考图3，结合图1和图2，根据本文描述的图示实施例，AI设备300可操作地联接到计算设备200，或者与计算设备200集成。AI设备300优选地包括通信单元310、输入单元320、学习处理器330、感测单元340、输出单元350、存储器370和处理器380。通信单元310可以通过使用有线/无线通信技术向诸如其他AI设备300a至300e和AI服务器400的外部设备发送数据和从外部设备接收数据。例如，通信单元310可以向外部设备发送和从外部设备接收传感器信息、用户输入、学习模型和控制信号。

通信单元310使用的通信技术优选地包括GSM(全球移动通信系统)、CDMA(码分多址)、LTE(长期演进)、5G、WLAN(无线局域网)、Wi-Fi(无线保真)、蓝牙、RFID(射频识别)、红外数据协会(IrDA)、ZigBee、NFC(近场通信)等。

输入单元320可以获取各种数据，包括但不限于从一个或多个传感器设备(510)接收的振动测量值。输入单元320可以获取用于模型学习的学习数据和当通过使用学习模型获取输出时要使用的输入数据。输入单元320可以获取原始输入数据。在这种状况下，处理器380或学习处理器330可以通过预处理输入数据来提取输入特征。学习处理器330可以通过使用学习数据来学习由人工神经网络组成的模型。学习的人工神经网络可以被称为学习模型。学习模型可以用于推断新输入数据而不是学习数据的结果值，并且推断值可用作确定执行特定操作的基础。

此时，学习处理器330可以与AI服务器400的学习处理器330一起执行AI处理，并且学习处理器330可以包括集成在或实现在AI设备300中的存储器。替代地，学习处理器330可以通过使用存储器370、直接连接到AI设备300的外部存储器或者保存在外部设备中的存储器来实现。感测单元340可以通过使用各种传感器获取关于AI设备300的内部信息、关于AI设备300的周围环境信息和用户信息中的至少一个。

输出单元350优选地包括显示单元，用于根据本文描述的图示实施例向用户输出/显示相关信息。存储器370优选地存储支持AI设备300的各种功能的数据。例如，存储器370可以存储由输入单元320获取的输入数据、学习数据、学习模型、学习历史等。

处理器380优选地基于通过使用数据分析算法或机器学习算法确定或生成的信息来确定AI设备300的至少一个可执行操作。处理器380可以控制AI设备300的部件来执行所确定的操作。为此，处理器380可以请求、搜索、接收或利用学习处理器330或存储器370的数据。处理器380可以控制AI设备300的部件来执行预测的操作或者在至少一个可执行操作中被确定为期望的操作。当需要外部设备的连接来执行确定的操作时，处理器380可以产生用于控制外部设备的控制信号，并且可以将产生的控制信号发送到外部设备。处理器380可以获取用户输入的意图信息，并且可以基于所获取的意图信息来确定用户的要求。

处理器380可通过使用用于将语音输入转换成文本串的语音到文本(STT)引擎或用于获取自然语言的意图信息的自然语言处理(NLP)引擎中的至少一个来获取对应于用户输入的意图信息。

STT引擎或NLP引擎中的至少一个可以被配置为人工神经网络，该人工神经网络的至少一部分根据机器学习算法来学习。STT引擎或NLP引擎中的至少一个可以由学习处理器330学习，可以由AI服务器400的学习处理器340学习，或者可以由它们的分布式处理学习。处理器380可以收集包括AI设备300的操作内容或用户对操作的反馈的历史信息，并且可以将收集的历史信息存储在存储器370或学习处理器330中，或者将收集的历史信息(例如，与机械设备510的操作相关的)发送到诸如AI服务器400的外部设备。收集的历史信息可用于更新学习模型。

处理器380可以控制AI设备300的至少部分部件，以便驱动存储在存储器370中的应用程序。此外，处理器380可以组合操作AI设备300中包括的两个或更多部件，以便驱动应用程序。

图4示出了根据所示实施例的AI服务器400。应当理解，AI服务器400可以指通过使用机器学习算法来学习人工神经网络或者使用学习的人工神经网络的设备。AI服务器400可以包括多个服务器以执行分布式处理，或者可以被定义为5G网络。此时，AI服务器400可以被包括作为AI设备300的部分配置，并且可以一起执行AI处理的至少一部分。AI服务器400可以包括通信单元410、存储器430、学习处理器440、处理器460等。通信单元410可以向诸如AI设备300的外部设备发送数据并从其接收数据。存储器430可以包括模型存储单元431。模型存储单元431可以通过学习处理器440存储正在学习或已学习的模型(或人工神经网络431a)。

学习处理器440可以通过使用学习数据来学习人工神经网络431a。学习模型可以在安装在人工神经网络的AI服务器400上的状态下使用，或者可以在安装在诸如AI设备300的外部设备上的状态下使用。学习模型可以用硬件、软件或硬件和软件的组合来实现。如果所有或部分学习模型在软件中实现，则构成学习模型的一个或多个指令可以存储在存储器430中。处理器460可以通过使用学习模型来推断新输入数据的结果值，并且可以基于推断的结果值来生成响应或控制命令。

随着示例性通信网络100(图1)、计算设备200(图2)、AI设备300(图3)和AI服务器400(图4)在上面被一般性地示出和讨论，现在将参考图5和6来提供对某些所示实施例的描述。应当理解和明白，图1-6旨在提供其中可以实现下述所示实施例的说明性和/或合适的示例性环境的简要概括描述。图1-6是合适环境的示例，并不旨在对所示实施例的结构、使用范围或功能提出任何限制。特定环境不应被解释为对示例性操作环境中所示的任何一个部件或其组合有任何依赖性或要求。例如，在某些状况下，环境的一个或多个元素可能被认为是不必要的并被省略。在其他状况下，一个或多个其他元素可能被认为是必要的并被添加。

应当理解和明白，实现图1-4的一个或多个部件的示例性实施例涉及利用从一个或多个传感器设备(510)接收的指示机械设备(520)的一个或多个部件振动的振动测量值，用于通过优选地对振动测量值的人工智能(AI)/机器学习(ML)分析来确定机械设备(520)的异常操作。在下述图5和图6所示的实施例中，传感器设备(510)优选地为非接触式传感器(例如，相机设备)，其利用测量振动的非接触式光学方法，结合由控制系统500提供的过程控制(也如下所述)，来检测具有一个或多个移动部件的机械设备510的异常操作，从而延长机械设备的寿命，以及其他优点。例如，在一个示例实现中，相机传感器设备510被定位成捕获工业装备520(例如，具有用于处理矿物、金属和材料输出应用的旋转鼓)的图像，由此软件被配置为并操作成隔离图像中的感兴趣区域(例如，空间点)。在一个示例性场景中，使用运动放大，像素移动变大，并且使用AI技术，检测工业装备的正常振动范围的变化。例如，检测到的可以是运动的增加、原料的变化，它们被输入到控制系统500。此外，控制系统500的优选输入是与机械设备520相关联的操作参数(例如，机器情境和过程情境数据)。如下文更详细描述，在一个示例性场景中，控制系统500利用一种或多种AI/ML技术来比较振动的增加与设备520的移动部件(例如，旋转鼓)的操作速度，以便预测对磨损的影响。一种或多种AI/ML技术可以检测磨损的早期迹象，从而可以准确预测设备520的预期寿命。此外，如果设备520的这种部件的振动(移动)增加，则控制系统500可以生成警告信号，并将其提供给指定人员(例如，工厂维护工程师)。其他说明性实施例包括控制系统500确定设备520的一个或多个校正操作设定，以便减轻设备520的异常操作，使得设备520相对于其当前操作参数(例如，机器情境和过程情境数据)在正常操作的容限内操作，从而延长设备520的寿命，以及其他优点。

随着示例性通信网络100(图1)、计算设备200(图2)、AI设备300(图3)和AI服务器400(图4)在上面被一般性地示出和讨论，现在将提供对某些所示实施例的描述。现在参考图5，示出了利用一个或多个前述通信网络100(图1)、计算设备200(图2)、AI设备300(图3)和AI服务器400(图4)的示例性系统，描绘了控制系统500，控制系统500优选地利用一种或多种AI/ML技术来分析从传感器系统550接收的振动数据，传感器系统550具有一个或多个传感器设备510，用于检测机械设备520的一个或多个部件的振动，以优选地实时地确定机械设备520的异常操作(并且如将在下面参考图6的过程600进一步详细描述)。

出于说明和描述的目的，具有一个或多个移动部件的机械设备520在本文中被称为大型工业石磨机，示例类型包括(但不限于)：带式研磨机、无心研磨机和台式研磨机。在本文讨论的示例性设备520中，研磨机520具有至少一个由旋转鼓组成的移动部件，旋转鼓是本文讨论的振动检测分析的对象。应当意识到和理解的是，在此讨论的图示实施例不应当被理解为局限于用于机械设备520的这种研磨机，因为具有一个或多个移动(或非移动)部件(例如，具有联接到振动源的传送带、管道或齿轮箱等)的许多机械设备将被包括在内。例如，当在与过程变化隔离的部件(例如，传送带和/或管道)上检测到振动变化时，控制系统500可以检测到异常事件。

如图5所示，传感器系统550优选地包括一个或多个传感器设备510，其能够从机械设备520(例如，石磨机)的一个或多个移动部件(例如，旋转鼓)获取数据，用于在分析所获取的传感器数据时确定设备520的一个或多个部件的振动。应当理解，一个或多个传感器设备510优选地为非接触式传感器设备(例如，相机设备)，但是所示实施例不应理解为局限于此，因为它们也可以包含接触式传感器部件。如图5所示，一个或多个传感器设备510由定位成捕获机械设备520的图像的相机设备组成。一个或多个相机510可以联接到运动捕获软件512，运动捕获软件512被配置和操作来隔离所捕获的图像中的感兴趣区域，以便利用运动放大来使像素移动变大以用于振动检测目的。传感器系统550可以另外具有用于去除/减轻检索图像514中的噪声(例如，灰尘)的软件，以及用于确定捕获图像中的振动的软件，以测量人眼通常不可见的偏转、位移、移动和振动。这些测量优选地包括与设备520的一个或多个部件的检测到的振动相关联的振幅和频率。这种传感器系统550的示例可以从RDITechnologies^TM购得，RDI Technologies^TM的部件教导合并入本文中。

继续参照图5，控制系统500可操作地且通信地联接到传感器系统550。根据图示的实施例，控制系统500优选地远离传感器系统550(例如，位于远程地理位置)，并且经由通信网络100(例如，其可以包括使用合适的TCP/IP通信技术)联接到传感器系统550，用于在它们之间传输数据。例如，在某些实施例中，根据本文的教导，控制系统500可操作地联接到多个地理上定位的分离的传感器系统550(每个传感器系统与不同的机械设备520相关联),以便可操作并配置为检测(优选地实时检测)多个不同地理上定位的机械设备520的异常振动操作。

控制系统500优选地包括控制逻辑(例如，程序/实用程序240的程序模块215)，利用一种或多种AI/ML技术来分析从传感器系统550接收的振动数据，以检测机械设备520的一个或多个部件的振动，从而优选地实时地确定机械设备520的异常操作。如下面参考图6的过程600进一步描述，控制系统500优选地联接到数据库565，数据库565具有从传感器系统550接收的振动数据570，振动数据570优选地与在传感器系统550检测振动时与机械设备520的部件(例如，旋转鼓)相关联的机器情境数据575和过程情境数据580相关联地存储。如本领域技术人员所理解，过程情境数据通常是存储关于特定过程的信息的操作状态数据(例如，它包含稍后重启机械设备520的过程所需的信息)。并且关于机器学习的情境数据通常包括历史数据、环境和相关因素，机器学习模型考虑这些因素来做出关于机械设备520的操作的准确预测或决策。如下面结合对图6的过程600的描述进一步描述，控制系统500分析从传感器系统550接收的振动数据570，优选地结合其相关的机器情境数据575和过程情境数据580，利用一种或多种AI/ML技术来确定：1)设备520的异常检测/操作(585)(并且提供设备520的这种异常操作的通知(595))；以及2)确定一个或多个校正动作(例如，设备520的操作设置)，这些校正动作可以被输入到设备520以消除其检测到的异常操作(590)。

图5的示例性控制系统500和传感器系统550在上面被总体示出和讨论(结合图1-4)，现在参考图6(并继续参考图1-5)，示出了展示利用AI/ML技术585、590来分析从传感器系统550的一个或多个传感器设备510接收的振动数据570的过程600的实现的流程图，振动数据570指示一个或多个部件的振动。注意，图6中所示的过程600的步骤顺序不是必需的，因此原则上，各个步骤可以不按照所示顺序来执行。此外，可以跳过某些步骤，可以添加或替换不同的步骤，或者可以在遵循本文描述的实施例的单独应用中执行选择的步骤或步骤组。

从步骤600开始，由传感器系统550的一个或多个相机设备510观察和检测的设备520(例如石磨机)的一个或多个部件(例如旋转鼓)的运动/振动数据(通过通信网络100)被输入到控制系统550。在某些示出的实施例中，每个相机传感器设备510检测机械设备520上的多个空间点上的运动，其中每个相机传感器设备510检测一个或多个部件(与前述空间点相关联)的运动，以至少检测与机械设备520的每个检测到的空间点相关联的振动。控制系统550优选地利用一种或多种AI/ML技术进行操作和配置，以分析接收到的运动数据(步骤610)来确定设备520的一个或多个被观察部件的振动移动(例如，相对于一段时间测量)，步骤620。根据所示实施例，运动数据可以包括振动频谱测量。应当理解，在传感器系统550进行振动检测时，设备520的一个或多个部件的前述确定的振动移动570优选地存储在数据库565中，与设备520的部件(例如，旋转鼓)相关联的机器情境数据575和过程情境数据580相关联。

在步骤630，控制系统500优选地利用一种或多种AI/ML技术(例如，585)，通过在机械设备520的操作期间将设备520的被检测部件的确定的振动测量值(例如，确定的振动测量频谱)570与该部件预期的正常振动测量值进行比较，来确定一个或多个部件的异常振动。接下来，在步骤640，当被观察部件的确定的振动测量值超过其预期的正常振动测量值一个阈值时，被观察部件的异常操作被确定。

根据所示实施例，一种或多种AI/ML技术利用与机械设备520的操作相关联的机器情境数据575和过程情境数据580来确定观察到的振动部件的异常操作。例如，在某些状况下，机器情境数据可以包括一个或多个振动部件的一个或多个配置的操作参数，并且过程情境数据可以包括机械设备520的输出参数。还应当理解和明白，一种或多种AI/ML技术可以包括利用XG Boost算法和神经网络算法技术中的一种或多种。例如，一种或多种AI/ML技术可以包括将从一个或多个传感器设备510捕获的图像应用到递归卷积神经网络，用于确定机械设备510的被观察部件的检测到的振动测量频谱570何时超过其预期的正常振动测量一个阈值。还应当理解和明白，在某些示出的实施例中，控制系统500可操作并配置为优选地利用一种或多种ML技术来确定一个或多个振动部件的预期的正常振动(例如振动频谱)，优选地利用与机械设备520的操作相关联的机器情境数据575和过程情境数据580。还应进一步理解和明白，在某些示出的实施例中，控制系统500可操作并配置为训练机器学习(ML)模型，用于确定一个或多个被观察的振动部件的预期的正常振动测量值(例如振动频谱)，其可利用与机械设备520的操作相关联的机器情境数据575和过程情境数据580。例如，训练前述ML模型可以包括利用从传感器系统500的一个或多个相机传感器510捕获的图像，以便在递归卷积神经网络中使用，用于确定设备520的一个或多个振动部件的预期的正常振动频谱。

接下来，在步骤650，在确定机械设备520的前述被观察的振动部件的异常振动/操作时，优选地以期望的媒体格式(例如，SMS、MMS、电子邮件等)发送电子通知信号595，优选地发送给一个或多个指定的接收者(例如，工厂经理)，提供设备520的被观察部件的所确定的异常操作的通知/警报。

在某些示出的实施例中，在步骤660，控制系统500进一步操作和配置为，当确定被观察部件被确定为具有异常振动/操作(步骤340)时，确定对机械设备520的一个或多个操作参数的调节，使得在机械设备520的操作期间，使所确定的异常振动/操作部件在其预期的正常振动频谱内操作。然后在步骤670，控制系统500向机械设备520提供控制信号530，包括用于设备520的前述调节参数，引起对机械设备520的一个或多个操作参数的调节，使得在机械设备520的操作期间，所确定的异常操作部件在其预期的正常振动容限内操作。

对于上文描述的某些说明性实施例，应了解，本文描述的各种非限制性实施例可针对特定应用单独使用、组合使用或选择性组合使用。此外，可以使用上述非限制性实施例的各种特征中的一些，而不对应使用其他描述的特征。因此，前面的描述应该被认为仅仅是对所示实施例的原理、教导和示例性实施例的说明，而不是对其的限制。

应该理解的是，上述布置仅仅是对所示实施例的原理的应用的说明。在不脱离所示实施例的范围的状况下，本领域技术人员可以设计出许多修改和替代布置，并且所附权利要求旨在覆盖这些修改和布置。

Claims (20)

1.一种用于机械设备的异常诊断的方法，所述机械设备具有一个或多个移动部件，所述方法包括：

在计算机控制系统中接收由与所述机械设备操作地相关联的一个或多个传感器设备检测的在所述机械设备操作期间所述一个或多个部件的运动；

由联接到所述一个或多个传感器的计算机控制系统基于所述一个或多个部件的检测到的运动来确定所述一个或多个部件的振动测量频谱，其中一种或多种机器学习(ML)技术被用于通过在机械设备的操作期间将所述部件的所确定的振动测量频谱与该部件的预期的正常振动测量频谱进行比较来确定所述一个或多个部件的异常操作，使得当所述部件的所确定的振动测量频谱超过其预期的正常振动测量频谱一阈值时，所述异常操作被确定；和

当部件中的一个或多个被确定为具有异常操作时，由所述控制系统提供所述一个或多个部件的异常操作的通知。

2.根据权利要求1所述的方法，其中所述一种或多种ML技术利用与所述机械设备的操作相关的机器情境数据和过程情境数据来确定所述一个或多个移动部件的异常操作，其中所述机器情境数据包括用于所述一个或多个移动部件的一个或多个配置的操作参数，并且所述过程情境数据与所述机械设备的输出的参数相关。

3.根据权利要求2所述的方法，还包括由使用所述一种或多种ML技术的控制系统利用与所述机械设备的操作相关的机器情境数据和过程情境数据来确定所述一个或多个移动部件的预期的正常振动频谱。

4.根据权利要求3所述的方法，还包括，响应于确定所述部件被确定为具有异常操作，确定对于所述机械设备的一个或多个操作参数的调节，使得在所述机械设备的操作期间，使所确定的异常操作部件在其预期的正常振动频谱内操作。

5.根据权利要求4所述的方法，还包括从所述控制系统向所述机械设备提供包括所确定的调节后的操作参数的控制信号，导致对于所述机械设备的一个或多个操作参数的调节，使得所确定的异常操作部件在所述机械设备的操作期间在其预期的正常振动频谱内操作。

6.根据权利要求3所述的方法，其中所述一种或多种ML技术包括对XG Boost算法和神经网络算法技术中的一种或多种的利用。

7.根据权利要求6所述的方法，还包括训练机器学习(ML)模型，用于利用与所述机械设备的操作相关的机器情境数据和过程情境数据来确定所述一个或多个移动部件的预期的正常振动频谱。

8.根据权利要求1所述的方法，其中所述一个或多个传感器设备包括一个或多个光学传感器设备，其中每个光学传感器设备检测所述机械设备上的多个空间点上的运动。

9.根据权利要求8所述的方法，其中光学传感器设备的一个或多个由相机设备组成，所述相机设备操作地联接到用于检测一个或多个部件的运动的软件，所述软件操作以检测至少与所述机械设备的每个检测到的空间点相关联的振动。

10.根据权利要求1所述的方法，其中所述控制系统操作地联接到多个地理上远程的传感器系统，其中每个传感器系统具有与相应的机械设备操作地相关联的一个或多个传感器设备。

11.根据权利要求8所述的方法，其中所述一种或多种ML技术包括将从所述一个或多个光学传感器捕获的图像应用于递归卷积神经网络，用于确定机械设备的所述部件的检测到的振动测量频谱何时超过其预期的正常振动测量一阈值。

12.根据权利要求11所述的方法，还包括利用从所述一个或多个光学传感器捕获的图像来训练递归卷积神经网络，以确定所述一个或多个移动部件的预期的正常振动频谱。

13.根据权利要求1所述的方法，其中所述一个或多个移动部件包括与所述机械设备相关联的旋转鼓，所述机械设备用于矿物、金属和材料输出应用中的一个或多个。

14.根据权利要求1所述的方法，其中从所述一个或多个传感器设备检测到的运动数据经由通信网络无线传输到远离所述机械设备的计算机诊断控制系统。

15.根据权利要求1所述的方法，其中实时进行确定所述部件的所确定的振动测量频谱何时超过其预期的正常振动测量频谱一阈值。

16.一种用于机械设备的异常诊断的系统，所述机械设备具有一个或多个移动部件，所述系统包括：

一个或多个传感器设备，操作地与所述机械设备相关联，用于在所述机械设备操作期间检测一个或多个部件的运动；

计算机控制系统，联接到所述一个或多个传感器，所述计算机控制系统包括：

数据库，具有存储器；以及

处理器，被设置成与所述存储器通信，并且被配置为发布存储在存储器中的多个指令，其中所述指令使得处理器：

基于检测到的所述一个或多个部件的运动，确定所述一个或多个部件的振动测量值；

利用一种或多种机器学习(ML)技术，通过在所述机械设备的操作期间将所述部件的所确定的振动测量值与该部件的预期的正常振动测量值进行比较来确定一个或多个部件的异常操作，使得当所述部件的所确定的振动测量值超过其预期的正常振动测量值一阈值时，所述异常操作被确定；和

当部件中的一个或多个被确定具有异常操作时，提供所述一个或多个部件的异常操作的通知。

17.根据权利要求16所述的系统，其中所述一种或多种ML技术利用与所述机械设备的操作相关的机器情境数据和过程情境数据来确定所述一个或多个移动部件的异常操作，其中所述机器情境数据包括用于所述一个或多个移动部件的一个或多个配置的操作参数，并且所述过程情境数据与所述机械设备的输出的参数相关。

18.根据权利要求17所述的系统，其中所述处理器还被配置为：

当确定所述部件被确定为具有异常操作时，确定对于所述机械设备的一个或多个操作参数的调节；和

从所述控制系统向所述机械设备提供控制信号，导致对于所述机械设备的一个或多个操作参数的调节，使得导致所确定的异常操作部件在所述机械设备的操作期间在其预期的正常振动容限内操作。

19.根据权利要求16所述的系统，其中所述一个或多个传感器设备包括一个或多个光学传感器设备，其中每个光学传感器设备检测所述机械设备上的多个空间点上的运动。

20.一种用于机械设备的异常诊断的方法，所述机械设备具有一个或多个移动部件，所述方法包括：

在计算机控制系统中，从一个或多个光学传感器设备接收在所述机械设备的操作期间所述一个或多个部件的运动，其中每个光学传感器设备检测所述机械设备上的多个空间点上的运动；

由联接到所述一个或多个光学传感器设备的计算机控制系统基于所述一个或多个部件的检测到的运动来确定所述一个或多个部件的振动测量值，其中一种或多种机器学习(ML)技术利用与所述机械设备的操作相关的机器情境数据和过程情境数据；和

由所述控制系统利用ML技术，通过在所述机械设备的操作期间将所述部件的所确定的振动测量值与该部件的预期的正常振动测量值进行比较来确定所述一个或多个部件的异常操作，使得当所述部件的所确定的振动测量值超过其预期的正常振动测量值一阈值时，所述异常操作被确定。