CN110268425A - 用于分析机器数据的系统 - Google Patents

Abstract

提供了一种用于远程监测机器(102)的系统(104)。系统(104)包括数据存储器(106)，用于存储与机器(102)的运行相关联的机器数据。系统(104)包括分析器(108)，其包括多个分析引擎(204、206、208)以分析机器数据。分析器(108)至少基于机器数据和机器(102)类型之一来选择一个或多个分析引擎。分析器(108)还被配置为使用所选择的一个或多个分析引擎来分析机器数据并确定多个异常。系统(104)包括规则引擎(110)，用于处理多个异常中的至少两个并确定智能异常，其中智能异常是多个异常中的至少两个的分级组合。系统(104)包括接口(112)，用于在智能异常的情况下向用户显示通知。

Description

用于分析机器数据的系统

技术领域

本发明涉及机器数据的分析。更具体地，本发明涉及用于分析代表机器的运行状态的机器数据的系统。

背景技术

机器通常配备有用于测量运行状态的传感器，例如引擎RPM、油压、水温、油污染、电动机电流、液压、系统电压等。此外，附加传感器可以测量其他机器应用状态，例如有效载荷、轮胎性能、地下状态等。在某些情况下，存储系统在机器上提供或远程提供以存储由传感器提供的机器数据以进行机器诊断。服务人员、状态监测分析员、现场规划人员和车队顾问使用状态监测工具，检测存储的机器数据以更好地了解故障原因并评估机器的运行。服务人员和车队顾问使用状态监测工具进行通知维护、维修或部件更换决策。这种状态监测工具利用各种分析引擎和知识源来分析机器数据，识别异常(或不利状态)，并在分析结果时生成报告。

通常，当机器不符合机器的预定运行状态/原理时，分析引擎会生成异常。但是，由服务人员手动检查状态监测工具生成的异常，以识别与机器相关的问题。因此，服务人员以这种方式检查一组机器的所有异常是非常昂贵和耗时的。此外，在某些情况下，不同的分析引擎会生成类似类型的异常，从而在检查过程中引入不必要的冗余。考虑到机器手册，机器历史和其他知识来源的附加信息，服务人员提供与维护或更换相关的建议。这些手动步骤使整个机器诊断非常慢并且容易出错。

美国专利第8,014,974号描述了一种用于在检测到数据中的异常时自动分析机器数据并生成输出报告的系统和方法。但是，包括各种异常的输出报告需要由服务人员手动检查，从而使整个过程耗时且效率较低。本发明旨在解决上述问题中的一个或多个。

发明内容

在本发明的一个方面，提供了一种用于分析与机器的运行相关联的机器数据的系统。该系统包括配置为存储机器数据的数据存储器。该系统包括分析器，其被配置为分析机器数据并确定多个异常。分析器包括用于分析机器数据的多个分析引擎。分析器被配置为至少基于机器数据和机器的类型之一从多个分析引擎中选择一个或多个分析引擎。该系统包括规则引擎，其被配置为处理多个异常中的至少两个以确定智能异常。智能异常是多个异常中的至少两个的分级组合。规则引擎被配置为使用一个或多个预定义规则处理多个异常中的至少两个。该系统包括在智能异常的情况下向用户显示通知的接口。

在本发明的另一方面，提供了一种用于远程监测机器的系统。该系统包括配置为存储机器数据的数据存储器。数据存储器被配置为接收机器数据，该机器数据包括与机器的运行相关联的多个机器参数。该系统包括分析器，其被配置为分析机器数据并确定多个异常。分析器包括用于分析机器数据的多个分析引擎，并且分析器被配置为至少基于机器参数的类型和机器的类型之一从多个分析引擎中选择一个或多个分析引擎。分析器被配置为使用一个或多个分析引擎将多个机器参数中的一个或多个与相应的预定阈值进行比较。分析器还被配置为如果多个机器参数中的一个或多个不满足相应的预定阈值，则使用一个或多个分析引擎确定多个异常。该系统包括规则引擎，其被配置为处理多个异常中的至少两个以生成智能异常。智能异常是多个异常中的至少两个的分级组合。该系统包括在智能异常的情况下向用户显示通知的接口。

在本发明的又一方面，提供了一种计算机程序产品，包括具有计算机可读程序代码的非暂时性计算机可用介质。计算机可读程序被配置为分析与机器的运行相关联的机器数据。计算机可读程序代码被配置为至少基于机器数据和机器的类型之一从多个分析引擎中选择一个或多个分析引擎。计算机可读程序代码被配置为使用所选择的一个或多个分析引擎来分析机器数据以确定多个异常。计算机可读程序代码被配置为处理多个异常中的至少两个以确定智能异常。智能异常是多个异常中的至少两个的分级组合。计算机可读程序代码被配置为在智能异常的情况下向用户显示通知。

附图说明

图1是示出根据本发明的概念的用于分析机器数据的机器环境的框图；

图2是示出根据本发明的概念的用于分析机器数据的系统的各种部件的框图；

图3是示出根据本发明的概念的用于为机器生成维修建议的系统的各种部件的框图；并且

图4是用于实现本发明的示例性计算机系统的框图。

具体实施方式

只要有可能，在整个附图中将使用相同的附图标记来表示相同或相似的部分。图1示出了用于分析机器102的数据的机器环境100。在示例性实施例中，机器102可以是在工作地点内运行的机器，例如矿场、建筑工地、石油或天然气生产场所、海上基地、景观美化场所等。在替代实施例中，机器102可以在多个工作地点运行。不同类型的机器102的示例可包括自动平地机、矿用卡车、推土机、液压挖掘机、拖运卡车、引擎、履带式拖拉机、轮式装载机、动力系统机器等。出于本发明的目的，结合远程定位机器描述了本发明，然而本发明同样非常适合与具有机载控制和/或分析系统的机器一起使用，其在现场分析机器数据。在图1中，机器环境100被描绘为包括三个机器102；然而，本发明同样适用于具有更多或更少数量的机器102的机器环境100。此外，结合从一个机器102收集的数据的分析来描述本发明；然而，本发明可用于分析从一个机器102或多个机器102收集的数据。在多个机器的情况下，机器102可以是相似或不同类型的。

机器102包括机器监测模块103，以监测机器102的各种运行状态。机器监测模块103包括与机器102的各种部件相关联的多个控制模块。各种控制模块的示例可以包括但不是限于：与机器102的引擎相关联的引擎控制模块，与机器102的传动系统相关联的变速器控制模块，与机器102的动力传动系统相关联的动力传动系统控制模块，与机器102的制动系统相关联的制动控制模块，与机器102的主体相关联的主体控制模块，例如用于控制门锁，电子窗，前照灯等。每个控制模块可以被配置为提供与机器102的相关部件的运行状态有关的数据。机器监测模块103包括驻留在机器102的各种部件上的多个传感器105，以收集机器数据。传感器105收集与一个或多个机器参数有关的数据，即机器102的运行状态，例如引擎RPM、引擎油压、水温、增压压力、油污染、电动机电流、液压、系统电压、排气温度等并且与机器102的其他应用状态有关，例如有效载荷、轮胎性能、地下状态等。另外，机器监测模块103可以收集与机器检验、维修历史和现场状态有关的数据。

机器环境100包括用于存储和分析机器102的数据的系统104。系统104包括数据存储器106、分析器108、规则引擎110和接口112。系统104包括数据存储器106，其通信地耦合到机器102。数据存储器106被配置为从机器102接收和存储机器数据。在一些实施例中，数据存储器106从与机器102相关联的机器监测模块103接收机器数据。

数据存储器106还可以被配置为从诸如客户ERP系统，流体分析系统和机器检验系统的各种源接收非电子数据。非电子数据可以包括工单、流体样本、维护计划记录和检验记录。作为示例，数据存储器106每月收集500,000个工单，50,000个流体样本，7000个维护计划记录和2000个检验记录。此外，由机器监测模块103收集的数据可以是连续的或离散的，这取决于数据的类型和收集数据的相关机制。

如图1所示，数据存储器106经由通信网络114连接到机器102。在示例性实施例中，机器102和数据存储器106之间的通信可以通过无线网络发生。无线网络的示例包括Wi-Fi网络、Zigbee网络、全球互通微波访问(WiMAX)网络、蜂窝通信网络、卫星通信网络或任何其他合适的无线网络。在另一个实施例中，通信网络114可以包括备用通信装置，例如虚拟专用网络、以太网网络、具有对公共电话线的访问的调制解调器或任何其他有线网络。

机器数据经由通信网络114中继到数据存储器106并存储在数据存储器106中。如本领域所公知的，数据可以作为流数据实时地从机器102中继。或者，数据可以存储在机器102上并且以数据包形式进行批处理或中继到数据存储器106。数据包可以被频繁地中继，例如每分钟，或者数据包可以更频繁地发送，例如，在工作班次结束时或每24小时。在某些情况下，数据可以作为小消息从机器102中继。作为示例，数据存储器106每月收集350千兆字节(GB)的批量数据文件和5GB的实时流数据。

数据存储器106存储经由通信网络114从机器106接收的机器数据。数据存储器106可以包括单个数据库，或者它可以包括位于一个或多个计算设备或服务器上的多个数据库。在各种实施例中，数据存储器106可以位于系统104的外部，并且可以通信地耦合到机器102和系统104的各种部件。数据存储器106还可以包括用于管理机器数据的存储的处理器或控制器(未示出)。

系统104可以位于工作地点或其他地方。在机器环境100包括来自多于一个工作地点的多个机器102的情况下，系统104不需要与单个工作地点相关联。系统104可以位于中心位置，来自多个工作地点的机器数据被传送到该中心位置以进行处理和分析。或者，系统104可以位于机器102上并且可运行地连接到机器监测模块103以收集信息。此外，系统104在位于一台机器上时，可以通过通信网络114继续从位于一个或多个工作地点的多个机器102收集数据。

系统104包括分析器108以分析机器数据。分析器108通信地耦合到数据存储器106。分析器108从数据存储器106接收机器数据并分析所接收的机器数据以检测机器102的问题以及预测机器102即将出现的问题。在多个机器中，分析器108可以配置成分析多种机器类型的机器数据。分析器108对所接收的机器数据执行各种分析建模，以生成适合于机器诊断和预测的曲线图、热图、趋势、事件等。分析器108包括多个分析引擎(图1中未示出)，以对机器数据执行不同类型的分析。例如，分析器108可包括分析引擎，以使用从数据存储器106接收的引擎油压数据确定最近100小时内的引擎油压的变化率。

对于每种机器类型，分析器108可以预先配置有预定阈值和/或预定值范围的列表，其指示每个机器参数的“正常”运行状态。在一个实施例中，分析器108分析机器数据以确定它是否在“正常”运行状态之外。更具体地，对于每个机器参数，分析器108核对机器参数是否满足相应的预定阈值和/或预定值范围。如果任何机器参数不满足相应的预定阈值和/或预定值范围，则分析器108触发异常。换句话说，仅报告正常运行和机器应用状态的异常，从而最小化需要由服务人员、运行和生产人员、状态监测分析员等检查的数据和分析。例如，如果在过去100小时期间引擎油压的变化率超过15％的预定阈值，则分析器108产生引擎油压异常。如上所述，分析器108被配置为分析机器数据并确定与未满足相应的预定阈值和/或预定值范围的机器参数相关联的多个异常。

系统104包括规则引擎110以处理由分析器108生成的异常。规则引擎110通信地耦合到分析器108。规则引擎110被配置为根据多个预定义规则处理异常并生成智能异常。智能异常是一个或多个异常的分级组合。换句话说，规则引擎110被配置为用根据多个预定义规则生成的智能异常替换一个或多个异常。这进一步最小化了需要由服务人员、运行和生产人员、状态监测分析员等检查的数据和分析。在一个实施例中，规则引擎110可以使用服务人员、状态监测分析员、现场管理员、车队顾问、运行和生产人员、主题专家等的专业知识手动编写的预定义规则来处理异常。本领域技术人员将理解，可以通过组合来自多个源的知识来手动编写预定义规则，例如过去生成的异常数据、现场状态、机器故障历史、服务人员专业知识、经销商专业知识、全球车队数据等。例如，可以制定如下规则：如果存在第一异常报告增压压力低并且第二异常报告排气温度高，则规则引擎110生成智能异常报告排气系统中存在泄漏，因为高增压压力和高排气温度意味着排气系统泄漏。

在另一个实施例中，规则引擎110可以使用通过分析异常相关数据而开发的规则来处理异常。过去的异常数据的自动分析可以揭示某些模式和场景，这些模式和场景可以被构造成用于生成智能异常的规则。规则引擎110可以包括规则开发者111，以使用机器学习算法生成基于分析的规则。规则引擎110可以使用由规则开发者111生成的基于分析的规则来处理异常。例如，规则开发者111可以从过去的异常数据中学习并且开发一个规则，即当排气温度高并且进气歧管压力差是很高，就会发生波纹管泄漏。因此，规则引擎110在接收到对应于高排气温度和高进气歧管压力差的异常时产生报告波纹管泄漏的智能异常。

系统104还包括用于在智能异常的情况下显示通知的接口112。接口112通信地耦合到规则引擎110。接口112可以包括显示器(未示出)。然而，其他类型的接口(例如，手持计算设备、语音识别装置、触摸屏等)可以用于与系统104的接口。在一个实施例中，接口112是网络接口，例如机器的网页。可以设想，使用系统104的服务人员或状态监测分析员可以访问机器102的网页以查看与机器102相关联的智能异常数据。另外，机器102的网页可以提供由分析器108生成的所有异常的数据。因此，接口112可以通信地耦合到分析器108以接收所有异常的数据。在接收到通知时，可以调度服务运行以纠正异常和/或替换与异常相关联的相应机器部件。此外，异常和相关的异常解决方案可以作为反馈存储在数据存储器106中。以这种方式，系统104可以从其运行中学习并开发包括各种异常和相关解决方案的知识源，这些异常和相关解决方案可以适当地用于修改分析器108内的分析模型。

可以将通知从系统104中继到用户设备(未示出)。用户设备可以是手持移动设备，例如蜂窝电话。在各种替代实施例中，用户设备可以是台式PC、膝上型电脑、平板电脑、个人数字助理(PDA)等。在一个实施例中，用户设备可以是机器102的计算设备或不同的机器。可以设想，用户设备可以由诸如机器102的操作员和/或服务人员等的用户使用，以监测机器102。

如本领域所公知的，数据存储器106、分析器108、规则引擎110和接口112可以驻留在单个计算机或服务器上。或者，这些部件106、108、110和112中的每一个可以驻留在其自己的计算机或服务器上或以任何组合，至少部分地取决于安装的复杂性，向系统104提供数据的机器的数量，以及正在处理的数据量。

图2是根据本发明的一个方面的用于分析机器数据的系统104的框图。系统104包括通信地耦合到机器102的数据存储器106。数据存储器106经由通信网络114连接到机器102。数据存储器106被配置为从机器102接收机器数据。在一些实施例中，数据存储器106从与机器102相关联的机器监测模块103接收机器数据。机器监测模块103包括驻留在机器102的各种部件上的多个传感器105，以收集机器数据。机器监测模块103收集与一个或多个机器参数有关的数据，即机器102的运行状态，例如引擎RPM、油压、水温、增压压力、油污染、电动机电流、液压、系统电压、排气温度等并且与机器102的其他应用状态有关，例如有效载荷、轮胎性能、地下状态等。

系统104包括分析器108以分析机器数据。分析器108通信地耦合到数据存储器106。分析器108从数据存储器106接收机器数据并分析所接收的机器数据以进行诊断和预测。在多个机器的情况下，分析器108可以被配置为分析多种机器类型的机器数据。如图2所示，分析器108包括分析模块202和异常收集器210。分析模块202包括多个分析引擎204、206、208，以处理从数据存储器106获得的机器数据。接收机器数据后，分析器108被配置为基于机器的类型和机器参数的类型从分析模块202中选择一个或多个分析引擎。本领域技术人员将理解，与机器102相关联的其他数据(包括现场状态、应用状态、维修历史、异常历史、机器使用历史等)也可用于选择分析引擎。

分析模块202被配置为分析机器数据并生成异常。分析模块202使用在每个分析引擎中预先配置的一个或多个分析模型来接收机器数据并对机器数据执行分析。例如，一个分析引擎可以配置有高/低分析模型，当机器参数在相应的预定高/低阈值的范围之外时，该分析模型产生异常。可以使用的各种类型的分析模型是变化率、高/低、统计模型、事件分析器等。在一个示例中，变化率分析模型分析机器参数在过去100小时内的变化率，并且当机器参数的变化率超过相应的预定阈值时产生异常。在另一个示例中，统计分析模型分析过去500小时内的机器参数数据，并且当机器参数越过对应的预定上限和下限3σ阈值时生成异常。本领域技术人员将理解，上文提到的分析模型仅出于说明性目的而描述，并且用于分析机器参数的各种其他分析模型也是可能的。作为示例，分析器108使用21个分析模型来分析机器数据并且每月生成20,000个异常。

每个分析引擎可以配置有对应于机器数据的多个异常类型。异常类型表示分析引擎正在分析的机器参数的类型。例如，引擎油压是引擎油压传感器提供的数据的异常类型。换句话说，异常类型表示输入到分析引擎的机器参数的类型。分析器108可以基于机器102的类型、应用状态、现场状态等预先配置有异常类型的列表。当任何分析引擎在输入处接收机器数据时，分析引擎可以被配置为从异常类型列表中自动识别与输入机器数据相对应的异常类型。异常类型参数有助于更好地组织异常数据，因为可以基于异常类型将从多个分析引擎生成的异常分组在一起。例如，具有异常类型“引擎油压”的异常可以由高/低分析引擎生成，并且具有异常类型“引擎油压”的另一个异常可以由变化率分析引擎生成。这些异常可以由异常收集器210组合在一起，因为它们具有相同的异常类型。

分析引擎配置为基于对机器数据执行的分析的结果生成异常。在示例性实施例中，异常数据可以包括与异常相关联的限定符。限定符表示异常的状态。取决于所使用的分析模型，限定符可具有诸如高、低、红色、黄色等的值。例如，如果高/低分析引擎对引擎油压数据执行分析并且识别出引擎油压低于相应的预定阈值，则通过高/低分析引擎生成异常类型“引擎油压”和限定符“低”的异常。

在示例性实施例中，异常数据还可以包括与异常相关联的严重性级别。严重性级别指示机器102的故障的临界性。例如，严重性级别可以是等级，例如对应于低临界故障的1级和2级严重性，对应于中临界故障的3级严重性，和对应于高临界故障的4级和5级严重性。严重性级别可以与分析引擎生成的每个异常相关联。例如，分析引擎可以分析引擎油压数据并产生严重性级别为5的引擎油压异常，指示引擎油压传感器需要立即注意。类似地，分析引擎可以生成引擎冷却剂温度异常，其严重性级别为2，指示与该故障相关联的中临界性。本领域技术人员将理解，仅出于说明性目的而描述了1级、2级、3级、4级和5级的严重性级别的指示，并且指示严重性级别的其他方式也是可能的。例如，严重性级别可以由高、中和低指示。此外，可以定义超过五个或少于五个严重性级别。

在一个实施例中，分析模块202可以被配置为使用预测分析技术来分析机器数据。预测分析可以包括将机器数据与机器的标准运行范围进行比较，将机器数据与过去在类似运行状态下捕获的机器的相应数据进行比较，并将机器数据与过去在类似运行状态下捕获的其他机器的相应数据进行比较。在一个实施例中，分析模块202包括第一组分析引擎204、第二组分析引擎206和第三组分析引擎208，如图2所示。第一组分析引擎204被配置为将机器参数与对应于机器102的标准运行的预定阈值和/或值范围进行比较。由第一组分析引擎204生成的异常表示一个或多个机器参数不在机器102的标准运行限制内。

第二组分析引擎206被配置为当机器102在类似运行状态下运行时，将机器参数与过去捕获的机器102的相应参数进行比较。例如，当机器102在类似运行状态下运行时，将机器102的引擎油压与引擎油压的过去值进行比较。在第二组分析引擎206确定机器参数显着偏离其过去值的情况下，可以生成异常。由第二组分析引擎206生成的异常表示当机器102在类似运行状态下运行时，机器数据不符合过去捕获的相应机器数据。

第三组分析引擎208被配置为在类似运行状态下运行时将机器参数与其他类似机器的相应机器参数进行比较。例如，在类似运行状态下运行时，将机器102的引擎油压与几个类似机器(例如，存在于同一车队中)的引擎油压数据进行比较。作为示例，第三组分析引擎208可以使用关联模型来分析车队中类似机器的维修历史数据，并识别机器102的某些维修组合的概率。在第三组分析引擎208确定在类似运行状态下运行时，机器参数显着偏离其他类似机器的相同机器参数的值的情况下，可以产生异常。由第三组分析引擎生成的异常表示机器数据不符合在类似运行状态下运行的其他机器的相应机器数据(例如，存在于相同的车队中)。

在示例性实施例中，可以将由分析模块202生成的异常提供给异常收集器210。异常收集器210被配置为接收异常并基于异常类型对它们进行分组。例如，异常收集器210可以被配置为将具有异常类型“引擎油压”的所有异常分组。换句话说，异常由异常收集器210基于异常类型来组织。

系统104包括规则引擎110以处理由异常收集器210生成的异常。规则引擎110通信地耦合到分析器108并且被配置为从分析器108接收异常数据。规则引擎110被配置为根据多个预定义规则处理异常并生成智能异常。智能异常是一个或多个异常的分级组合。换句话说，规则引擎110被配置为用根据多个预定义规则生成的智能异常替换一个或多个异常。

在一个实施例中，规则引擎110可以使用服务人员、状态监测分析员、现场管理员、车队顾问、运行和生产人员、主题专家等的专业知识手动编写的预定义规则来处理异常。在另一个实施例中，规则引擎110可以使用通过分析异常相关数据而开发的规则来处理异常。过去的异常数据的自动分析可以揭示某些模式和场景，这些模式和场景可以被构造成用于生成智能异常的规则。规则引擎110可以包括规则开发者111，以使用机器学习技术生成基于分析的规则。规则引擎110可以使用由规则开发者111生成的基于分析的规则来处理异常。

系统104还包括用于在智能异常的情况下显示通知的接口112。接口112通信地耦合到规则引擎110。在一个实施例中，接口112是网络接口，例如机器102的网页。可以使用该系统104的预期服务人员或状态监测分析员可以访问机器102的网页以查看与机器102相关联的智能异常数据。另外，机器的网页可以提供由分析器108生成的所有异常的数据。为此，接口112可以是通信地耦合到分析器108以接收所有异常的数据。在接收到通知时，可以调度服务运行以纠正异常和/或替换与异常相关联的相应机器部件。此外，异常和相关的异常解决方案可以作为反馈存储在数据存储器106中。以这种方式，系统104可以从其运行中学习并开发包括各种异常和相关解决方案的知识源，这些异常和相关解决方案可以适当地用于修改分析器108内的分析模型。

参考图3，系统104包括建议引擎302，其被配置为自动地为机器102提供维修建议。建议引擎302通信地耦合到分析器108以接收由分析引擎生成的异常。建议引擎302可以利用来自各种知识源的信息，例如机器用户手册、维修历史、现场状态、专家知识、机器使用历史、过去的异常数据和相关的整改等。本领域技术人员将理解，可能存在与机器维护，机器故障诊断以及通常机器运行有关的若干其他信息源，其可用于自动生成机器的维修建议。生成的维修建议被转发到接口112以显示给服务人员等，以根据维修建议采取适当的动作。

本发明(即，机器环境100或其任何部分或功能)可以使用硬件、软件或其组合来实现，并且可以在一个或多个计算机系统或其他处理系统中实现。然而，本发明所执行的操作通常用诸如比较或核对的术语来指代，这些术语通常与人类操作员执行的心理运行相关联。在本文所述的任何运行中，在大多数情况下，人类操作员的这种能力不是必需的，或者是理想的，这些运行构成了本发明的一部分。相反，运行是机器运行。用于执行本发明中的运行的有用机器可以包括通用数字计算机或类似设备。

实际上，根据一个实施例，本发明涉及能够执行这里描述的功能的一个或多个计算机系统。计算机系统的示例包括计算机系统400，如图4所示。

计算机系统400包括至少一个处理器，例如处理器402。处理器402连接到通信基础设施404，例如通信总线、交叉条、网络等。根据该示例性计算机系统400描述了各种软件实施例。在阅读本说明书之后，相关领域的技术人员将明白如何使用其他计算机系统和/或架构来实现本发明。

计算机系统400包括显示接口406，其从通信基础设施404转发图形，文本和其他数据以在显示单元408上显示。

计算机系统400还包括主存储器410，例如随机存取存储器(RAM)，并且还可以包括辅助存储器412。辅助存储器412还可以包括例如硬盘驱动器414和/或可移动存储驱动器416，代表软盘驱动器，磁带驱动器，光盘驱动器等。可移动存储驱动器416以众所周知的方式从可移动存储单元418读取和/或写入。可移动存储单元418可以代表软盘、磁带或光盘，并且可以由可移动存储驱动器416读取和写入。可以理解，可移动存储单元418包括计算机可用存储介质，其中存储有计算机软件和/或数据。

根据本发明的各种实施例，辅助存储器412可以包括用于允许将计算机程序或其他指令加载到计算机系统400中的其他类似设备。这样的设备可以包括例如可移动存储单元420和存储器接口422。这样的示例可以包括程序盒和盒式接口(例如在视频游戏设备中找到的)，可移动存储器芯片(诸如可擦除可编程只读存储器(EPROM)或可编程只读存储器(PROM))和相关联的插座，以及其他可移动存储单元420和接口422，其允许软件和数据从可移动存储单元420传输到计算机系统400。

计算机系统400还可以包括通信接口424。通信接口424允许软件和数据在计算机系统400和外部设备之间传输。通信接口424的示例包括但不限于调制解调器、网络接口(诸如以太网卡)、通信端口、个人计算机存储卡国际协会(PCMCIA)插槽和卡等。经由通信接口424传输的软件和数据是多个信号的形式，在下文中称为信号426，其可以是电子、电磁、光学或能够由通信接口424接收的其他信号。提供信号426经由通信路径(例如，信道)428到通信接口424。通信路径428承载信号426并且可以使用电线或电缆，光纤，电话线，蜂窝链路，射频(RF)链路和其他通信信道。

在该文献中，术语“计算机程序介质”和“计算机可读介质”通常用于指代诸如可移动存储驱动器416、安装在硬盘驱动器414中的硬盘、信号426等介质。这些计算机程序产品向计算机系统400提供软件。本发明涉及这种计算机程序产品。

计算机程序(也称为计算机控制逻辑)存储在主存储器410和/或辅助存储器412中。计算机程序也可以通过通信基础设施404接收。这样的计算机程序在被执行时使计算机系统400能够执行本发明的特征，如本文所讨论的。特别地，计算机程序在被执行时使处理器402能够执行本发明的特征。因此，这种计算机程序代表计算机系统400的控制器。

根据本发明的实施例，在使用软件实现本发明的情况下，可以使用可移动存储驱动器416、硬盘驱动器414或通信接口424将软件存储在计算机程序产品中并加载到计算机系统400中。当由处理器402执行时，控制逻辑(软件)使处理器402执行如本文所述的本发明的功能。

在另一实施例中，本发明主要使用例如硬件部件(例如专用集成电路(ASIC))以硬件实现。使用硬件来执行本文描述的功能的实现对于相关领域的技术人员将是显而易见的。

在又一个实施例中，使用硬件和软件的组合来实现本发明。

工业实用性

本发明提供了用于分析与机器102的运行相关联的机器数据的系统104，如图1所示。系统104包括数据存储器106、分析器108、规则引擎110和接口112。数据存储器106被配置为从机器102接收和存储机器数据。在示例性实施例中，机器数据包括排气温度和进气歧管压力差数据。分析器108被配置为分析从数据存储器106接收的机器数据。分析器108分析机器数据以检测机器102的问题以及预测机器102即将出现的问题。分析器108包括多个分析引擎，以对机器数据执行不同类型的分析并生成一个或多个异常。在接收到机器数据时，分析器108被配置为基于机器的类型和机器参数的类型从多个分析引擎中选择一个或多个分析引擎。在示例性实施例中，分析器108接收排气温度和进气歧管压力差数据。作为示例，分析器108选择高/低分析引擎来分析排气温度和进气歧管压力差数据。分析器108基于排气温度数据和进气歧管压力差数据与相应阈值的比较产生异常。

规则引擎110被配置为根据多个预定义规则处理异常并生成智能异常。智能异常是一个或多个异常的分级组合。在示例性实施例中，规则引擎110应用以下规则：当排气温度高并且进气歧管压力差高时，产生对应于“波纹管泄漏”的智能异常。接口112被配置为在智能异常的情况下显示通知。在示例性实施例中，对应于“波纹管泄漏”的智能异常被显示给接口上的服务人员。因此，服务人员现在只需要检查智能异常，而不是检查2个异常。通常，为机器生成数千个异常，因此系统104通过组合一个或多个异常自动生成智能异常，在简化对这些异常的检查中起重要作用。

虽然已经参考上述实施例具体示出和描述了本发明的各方面，但是本领域技术人员将理解，通过修改所公开的机器、系统和方法可以预期各种另外的实施例而不脱离披露内容的精神和范围。应当理解，这些实施例落入基于权利要求及其任何等同物确定的本发明的范围内。

Claims (10)

1.一种用于分析与机器(102)的运行相关联的机器数据的系统(104)，所述系统(104)包括：

数据存储器(106)，被配置为存储机器数据；

分析器(108)，被配置为分析机器数据并确定多个异常，其中所述分析器(108)包括用于分析机器数据的多个分析引擎(204、206、208)，并且所述分析器(108)被配置为至少基于机器数据和所述机器(102)类型之一，来选择来自所述多个分析引擎(204、206、208)的一个或多个分析引擎；

规则引擎(110)，被配置为处理所述多个异常中的至少两个以确定智能异常，其中所述智能异常是所述多个异常中的所述至少两个的分级组合，并且其中所述规则引擎(110)是被配置为使用一个或多个预定义规则处理所述多个异常中的至少两个；和

接口(112)，用于在智能异常的情况下向用户显示通知。

2.根据权利要求1所述的系统(104)，还包括通信网络(114)，用于将机器数据从所述机器(102)中继到所述数据存储器(106)。

3.根据权利要求2所述的系统(104)，其中所述数据存储器(106)被配置为以数据包、流数据和批量数据文件中的至少一个的形式接收机器数据。

4.根据权利要求1所述的系统(104)，其中显示所述通知的所述接口(112)是网络接口。

5.根据权利要求1所述的系统(104)，其中所述分析器(108)被配置为至少基于现场状态、应用状态和机器使用历史中的一个来选择所述一个或多个分析引擎。

6.根据权利要求1所述的系统(104)，其中所述规则引擎(110)被配置为使用手动编写的规则来生成智能异常。

7.根据权利要求1所述的系统(104)，其中所述规则引擎(110)被配置为使用基于分析的规则来生成智能异常。

8.根据权利要求7所述的系统(104)，其中使用机器学习算法生成基于分析的规则。

9.根据权利要求1所述的系统(104)，其中所述规则引擎(110)还被配置为基于所述多个异常的所述分析来为所述机器(102)生成一个或多个维修建议。

10.根据权利要求1所述的系统(104)，其中所述接口(112)还被配置为显示针对所述多个异常中的每个异常的通知。