用于制造的具有预训练特征提取的预测性维护的制作方法

本公开总体上涉及预测性维护，并且更特别地涉及生成维护预测以确定用于工业机器和/或制造过程的维护动作的机器学习系统。

背景技术：

1、工业制造过程可以包括若干带有工业机器的工作站，以特定的顺序采用这些工作站来生产特定的产品。例如，这种工业制造过程通常在组装厂中使用。不幸的是，可能存在其中一个或多个工业机器可能未能以令人满意的水平执行或可能完全故障的实例。这种机器故障可能导致低等级产品、不完整产品和/或工业制造过程中的中断，以及资源、时间等的重大损失。

技术实现思路

1、以下是在下文中详细描述的某些实施例的概述。呈现所描述的方面仅仅是为了向读者提供这些特定实施例的简要概述，并且这些方面的描述不旨在限制本公开的范围。实际上，本公开可以涵盖可能未在下文中明确阐述的各个方面。

2、根据至少一个方面，一种用于预测性维护的计算机实施的方法包括建立站序列，该站序列包括给定零件遍历的多个站。每个站包括相对于给定零件执行至少一个操作的至少一个机器。该方法包括接收与多个零件的属性相关的测量数据。测量数据由多个站中的每个站处的一个或多个传感器获得。测量数据对应于当前处理周期。该方法包括经由第一机器学习模型通过将测量数据编码到隐空间中来生成隐表示。该方法包括经由第一机器学习模型基于隐表示至少生成多个机器的机器状态。该方法包括接收与当前处理周期相关的机器观察数据。机器观察数据指示多个站处的多个机器的状况。该方法包括生成基于测量数据和机器观察数据的聚合数据。该方法包括经由第二机器学习模型基于聚合数据生成维护预测，该维护预测对应于下一个处理周期。

3、根据至少一个方面，一种系统包括处理器和存储器。存储器与处理器进行数据通信。存储器具有计算机可读数据，该计算机可读数据包括存储在其上的指令，该指令当由处理器执行时使处理器执行用于预测性维护的方法。该方法包括建立站序列，该站序列包括给定零件遍历的多个站。每个站包括相对于给定零件执行至少一个操作的至少一个机器。该方法包括接收与多个零件的属性相关的测量数据。测量数据由多个站中的每个站处的一个或多个传感器获得。测量数据对应于当前处理周期。该方法包括经由第一机器学习模型通过将测量数据编码到隐空间中来生成隐表示。该方法包括经由第一机器学习模型基于隐表示至少生成多个机器的机器状态。该方法包括接收与当前处理周期相关的机器观察数据。机器观察数据指示多个站处的多个机器的状况。该方法包括生成基于测量数据和机器观察数据的聚合数据。该方法包括经由第二机器学习模型基于聚合数据生成维护预测，该维护预测对应于下一个处理周期。

4、根据至少一个方面，一种具有计算机可读数据的非暂时性计算机可读介质，所述计算机可读数据包括存储在其上的指令，所述指令当由处理器执行时使处理器执行用于预测性维护的方法。该方法包括建立站序列，该站序列包括给定零件遍历的多个站。每个站包括相对于给定零件执行至少一个操作的至少一个机器。该方法包括接收与多个零件的属性相关的测量数据。测量数据由多个站中的每个站处的一个或多个传感器获得。测量数据对应于当前处理周期。该方法包括经由第一机器学习模型通过将测量数据编码到隐空间中来生成隐表示。该方法包括经由第一机器学习模型基于隐表示至少生成多个机器的机器状态。该方法包括接收与当前处理周期相关的机器观察数据。机器观察数据指示多个站处的多个机器的状况。该方法包括生成基于测量数据和机器观察数据的聚合数据。该方法包括经由第二机器学习模型基于聚合数据生成维护预测，该维护预测对应于下一个处理周期。

5、本发明的这些及其他特征、方面和优点根据附图在以下详细描述中进行讨论，遍及这些附图类似的符号代表相似或类似的部分。

技术特征：

1.一种用于预测性维护的计算机实施的方法，所述方法包括：

2.根据权利要求1所述的计算机实施的方法，进一步包括：

3.根据权利要求2所述的计算机实施的方法，其中所述特征图和所述机器观察数据通过串联或加权平均来组合。

4.根据权利要求2所述的计算机实施的方法，其中所述特征提取是通过将所述机器状态传递通过自注意力层或全连接层以生成所述特征图来执行的。

5.根据权利要求1所述的计算机实施的方法，其中：

6.根据权利要求1所述的计算机实施的方法，其中：

7.根据权利要求1所述的计算机实施的方法，其中：

8.一种系统，包括：

9.根据权利要求8所述的系统，其中所述方法进一步包括：

10.根据权利要求9所述的系统，其中所述特征图和所述机器观察数据通过串联或加权平均来组合。

11.根据权利要求9所述的系统，其中所述特征提取是通过将所述机器状态传递通过自注意力层或全连接层以生成所述特征图来执行的。

12.根据权利要求8所述的系统，其中：

13.根据权利要求8所述的系统，其中：

14.根据权利要求8所述的系统，其中：

15.一种具有计算机可读数据的非暂时性计算机可读介质，所述计算机可读数据包括存储在其上的指令，所述指令当由所述处理器执行时使所述处理器执行用于预测性维护的方法，所述方法包括：

16.根据权利要求15所述的非暂时性计算机可读介质，其中所述方法进一步包括：

17.根据权利要求16所述的非暂时性计算机可读介质，其中所述特征图和所述机器观察数据通过串联或加权平均来组合。

18.根据权利要求16所述的非暂时性计算机可读介质，其中所述特征提取是通过将所述机器状态传递通过自注意力层或全连接层以生成所述特征图来执行的。

19.根据权利要求15所述的非暂时性计算机可读介质，其中：

20.根据权利要求15所述的非暂时性计算机可读介质，其中：

技术总结提供了用于制造的具有预训练特征提取的预测性维护。一种计算机实施的系统和方法包括建立给定零件遍历的站序列。每个站包括相对于给定零件执行至少一个操作的机器。接收与遍历多个机器的多个零件的属性相关的测量数据。测量数据由传感器获得，并且对应于当前处理周期。第一机器学习模型被预训练以生成(i)基于测量数据的隐表示和(ii)基于隐表示的机器状态。接收与当前处理周期相关的机器观察数据。基于测量数据和机器观察数据生成聚合数据。第二机器学习模型基于聚合数据生成维护预测。维护预测对应于下一个处理周期。技术研发人员：F·孔德萨,D·维尔莫特,I·巴塔洛夫,J·塞梅多,林婉怡,B·阿扎里受保护的技术使用者：罗伯特·博世有限公司技术研发日：技术公布日：2024/9/2