In Bearbeitung

Bitte warten ...

Einstellungen

Einstellungen

Gehe zu Anmeldung

1. WO2020127285 - VERFAHREN UND VORRICHTUNG ZUM BESTIMMEN VON SEGMENTEN IN EMPFANGENEN ZEITREIHENDATEN EINER SYSTEMKOMPONENTE

Veröffentlichungsnummer WO/2020/127285
Veröffentlichungsdatum 25.06.2020
Internationales Aktenzeichen PCT/EP2019/085679
Internationales Anmeldedatum 17.12.2019
IPC
G06N 7/00 2006.01
GPhysik
06Datenverarbeitung; Rechnen oder Zählen
NRechnersysteme, basierend auf spezifischen Rechenmodellen
7Rechnersysteme, die auf speziellen mathematischen Modellen basieren
G06N 20/00 2019.01
GPhysik
06Datenverarbeitung; Rechnen oder Zählen
NRechnersysteme, basierend auf spezifischen Rechenmodellen
20Maschinelles Lernen
F15B 20/00 2006.01
FMaschinenbau; Beleuchtung; Heizung; Waffen; Sprengen
15Druckmittelbetriebene Stellorgane; Hydraulik oder Pneumatik allgemein
BDruckmittelbetriebene Systeme allgemein; druckmittelbetriebene Stellorgane, z.B. Servomotoren; Einzelheiten von druckmittelbetriebenen Systemen, soweit nicht anderweitig vorgesehen
20Sicherheitseinrichtungen für druckmittelbetriebene Stellorgan-Systeme; Anwendung von Sicherheitsvorrichtungen in druckmittelbetriebenen Stellorgan-Systemen; Notmaßnahmen für druckmittelbetriebene Stellorgan-Systeme
Anmelder
  • SIEMENS AKTIENGESELLSCHAFT [DE]/[DE]
Erfinder
  • GEIPEL, Markus Michael
  • MERK, Stephan
  • MITTELSTÄDT, Sebastian
Prioritätsdaten
18214350.320.12.2018EP
Veröffentlichungssprache Deutsch (DE)
Anmeldesprache Deutsch (DE)
Designierte Staaten
Titel
(DE) VERFAHREN UND VORRICHTUNG ZUM BESTIMMEN VON SEGMENTEN IN EMPFANGENEN ZEITREIHENDATEN EINER SYSTEMKOMPONENTE
(EN) METHOD AND DEVICE FOR DETERMINING SEGMENTS IN RECEIVED TIME SERIES DATA OF A SYSTEM COMPONENT
(FR) PROCÉDÉ ET DISPOSITIF DE DÉTERMINATION DE SEGMENTS DANS DES DONNÉES DE SÉRIES TEMPORELLES REÇUES D'UN COMPOSANT DE SYSTÈME
Zusammenfassung
(DE)
Die Erfindung betrifft ein Verfahren zum Bestimmen von Segmenten in empfangenen Zeitreihendaten einer Systemkomponente mit dem Schritt Empfangen von Zeitreihendaten von wenigstens einer Systemkomponente über eine bestimmte Zeitdauer. In einem weiteren Schritt werden die von einer Systemkomponente empfangenen Zeitreihendaten in separate Zeitreihenabschnitte zerlegt. In den Zeitreihendaten der separaten Zeitreihenabschnitte werden Merkmale basierend auf Merkmalsdefinitionen ermittelt. Die Zeitreihenabschnitte mit gleichen Merkmalen werden zu jeweils einem Cluster zugeordnet. Der Cluster wird auf Basis eines vorgegebenen probalisitschen Beschreibungsmodells gebildet. Auf die Merkmale in den Zeitreihenabschnitten wird ein Hidden-Markow-Model angewendet. Hierbei entspricht ein Zustand des Hidden-Markow-Models den gebildeten Clustern. In einem weiteren Schritt werden diejenigen Zeitreihenabschnitte selektiert, die über die Zeitdauer der Zeitreihendaten den gleichen Zustand des Hidden-Markow-Models aufweisen. In einem weiteren Schritt werden diejenigen selektierten Zeitreihenabschnitte zu jeweils einem Segment zugeordnet, die zeitlich aufeinanderfolgend zusammenliegen. Es entfällt auf vorteilhafte Weise eine aufwändige, zeit- und kostenintensive manuelle Auswahl der Bereiche durch einen Experten in den Zeitreihendaten, die notwendige Trainingsdaten für ein Maschinenlernen umfassen. Zudem weisen die für die Trainingsdaten vergebenen Labels eine verbesserte Konsistenz und Qualität auf.
(EN)
The invention relates to a method for determining segments in received time series data of a system component, said method comprising the step of receiving time series data from at least one system component over a defined period of time. In a further step, the time series data received from a system component are broken down into separate time series portions. In the time series data of the separate time series portions, features are ascertained on the basis of feature definitions. The time series portions having the same features are assigned to one cluster in each case. The cluster is formed on the basis of a predefined probabilistic description model. A Hidden Markov model is applied to the features in the time series portions. Here, a state of the Hidden Markov model corresponds to the formed clusters. In a further step, the time series portions that have the same state of the Hidden Markov model over the period of time of the time series data are selected. In a further step, the selected time series portions that are combined so as to be in temporal succession are assigned to one segment in each case. This advantageously dispenses with a complicated time- and cost-intensive manual selection of the ranges by a person skilled in the art of time series data, which data necessarily comprise training data for machine learning. In addition, the labels provided for the training data have improved consistency and quality.
(FR)
L'invention concerne un procédé de détermination des segments dans des données de séries temporelles reçues d'un composant de système, comprenant l'étape de réception des données de séries temporelles d'au moins un composant de système sur une période de temps spécifique. Dans une autre étape, les données de séries temporelles reçues d'un composant de système sont découpées en sections de séries temporelles distinctes. Dans les données de séries temporelles des sections de séries temporelles distinctes, des caractéristiques sont déterminées en fonction des définitions de caractéristique. Les sections de séries temporelles présentant les mêmes caractéristiques sont respectivement affectées à une grappe. La grappe est formé en fonction d'un modèle de description probabiliste prédéfini. Un modèle de Markow caché est appliqué aux caractéristiques des sections de séries temporelles. Un état du modèle de Markow caché correspond aux grappes formées. Dans une autre étape, les sections de séries temporelles, lesquelles comportent le même état du modèle de Markow caché sur la période de temps des données de séries temporelles, sont sélectionnées. Dans une autre étape, les sections de séries temporelles sélectionnées, qui sont consécutives dans le temps, sont respectivement affectées à un segment. Ceci permet avantageusement d'éviter une sélection manuelle laborieuse, longue et coûteuse des zones, par un expert des données de séries temporelles, qui comprennent les données d'apprentissage nécessaires à un apprentissage automatique. En outre, des étiquettes attribuées aux données d'apprentissage présentent une cohérence et une qualité améliorées.
Auch veröffentlicht als
Aktuellste beim Internationalen Büro vorliegende bibliographische Daten