Certains contenus de cette application ne sont pas disponibles pour le moment.
Si cette situation persiste, veuillez nous contacter àObservations et contact
1. (WO2019045699) MODÈLE DE MÉLANGE GAUSSIEN RÉCURRENT POUR ESTIMATION D'ÉTAT DE CAPTEUR DANS UNE SURVEILLANCE D'ÉTAT
Dernières données bibliographiques dont dispose le Bureau international    Formuler une observation

N° de publication : WO/2019/045699 N° de la demande internationale : PCT/US2017/049242
Date de publication : 07.03.2019 Date de dépôt international : 30.08.2017
CIB :
G05B 23/02 (2006.01) ,G05B 17/02 (2006.01)
G PHYSIQUE
05
COMMANDE; RÉGULATION
B
SYSTÈMES DE COMMANDE OU DE RÉGULATION EN GÉNÉRAL; ÉLÉMENTS FONCTIONNELS DE TELS SYSTÈMES; DISPOSITIFS DE CONTRÔLE OU D'ESSAIS DE TELS SYSTÈMES OU ÉLÉMENTS
23
Essai ou contrôle des systèmes de commande ou de leurs éléments
02
Essai ou contrôle électrique
G PHYSIQUE
05
COMMANDE; RÉGULATION
B
SYSTÈMES DE COMMANDE OU DE RÉGULATION EN GÉNÉRAL; ÉLÉMENTS FONCTIONNELS DE TELS SYSTÈMES; DISPOSITIFS DE CONTRÔLE OU D'ESSAIS DE TELS SYSTÈMES OU ÉLÉMENTS
17
Systèmes impliquant l'usage de modèles ou de simulateurs desdits systèmes
02
électriques
Déposants :
SIEMENS AKTIENGESELLSCHAFT [DE/DE]; Werner-von-Siemens-Straße 1 80333 München, DE
Inventeurs :
YUAN, Chao; US
CHAKRABORTY, Amit; US
Mandataire :
RASHIDI-YAZD, Seyed Kaveh E.; US
Données relatives à la priorité :
Titre (EN) RECURRENT GAUSSIAN MIXTURE MODEL FOR SENSOR STATE ESTIMATION IN CONDITION MONITORING
(FR) MODÈLE DE MÉLANGE GAUSSIEN RÉCURRENT POUR ESTIMATION D'ÉTAT DE CAPTEUR DANS UNE SURVEILLANCE D'ÉTAT
Abrégé :
(EN) A computer-implemented method for monitoring a system includes training a recurrent Gaussian mixture model to model a probability distribution for each sensor of the system based on a set of training data. The recurrent Gaussian mixture model applies a Gaussian process to each sensor dimension to estimate current sensor values based on previous sensor values. Measured sensor data is received from the sensors of the system and an expectationmaximization technique is performed to determine an expected value for a particular sensor based on the recurrent Gaussian mixture model and the measured sensor data. A measured sensor value is identified for the particular sensor in the measured sensor data. If the measured sensor value and the expected sensor value deviate by more than a predetermined amount, a fault detection alarm is generated to indicate that the system is not operating within a normal operating range.
(FR) La présente invention concerne un procédé mis en œuvre par ordinateur permettant de surveiller un système qui comprend l'apprentissage d'un modèle de mélange gaussien récurrent permettant de modéliser une distribution de probabilité pour chaque capteur du système sur la base d'un ensemble de données d'apprentissage. Le modèle de mélange gaussien récurrent applique un processus gaussien à chaque dimension de capteur pour estimer des valeurs de capteur de courant sur la base de valeurs de capteur précédentes. Des données de capteur mesurées sont reçues en provenance des capteurs du système et une technique espérance-maximisation est effectuée pour déterminer une valeur attendue pour un capteur particulier sur la base du modèle de mélange gaussien récurrent et des données de capteur mesurées. Une valeur de capteur mesurée est identifiée pour le capteur particulier dans les données de capteur mesurées. Si la valeur de capteur mesurée et la valeur de capteur attendue s'écartent de plus d'une quantité prédéterminée, une alarme de détection de défaut est générée pour indiquer que le système ne fonctionne pas dans une plage de fonctionnement normale.
front page image
États désignés : AE, AG, AL, AM, AO, AT, AU, AZ, BA, BB, BG, BH, BN, BR, BW, BY, BZ, CA, CH, CL, CN, CO, CR, CU, CZ, DE, DJ, DK, DM, DO, DZ, EC, EE, EG, ES, FI, GB, GD, GE, GH, GM, GT, HN, HR, HU, ID, IL, IN, IR, IS, JO, JP, KE, KG, KH, KN, KP, KR, KW, KZ, LA, LC, LK, LR, LS, LU, LY, MA, MD, ME, MG, MK, MN, MW, MX, MY, MZ, NA, NG, NI, NO, NZ, OM, PA, PE, PG, PH, PL, PT, QA, RO, RS, RU, RW, SA, SC, SD, SE, SG, SK, SL, SM, ST, SV, SY, TH, TJ, TM, TN, TR, TT, TZ, UA, UG, US, UZ, VC, VN, ZA, ZM, ZW
Organisation régionale africaine de la propriété intellectuelle (ARIPO) (BW, GH, GM, KE, LR, LS, MW, MZ, NA, RW, SD, SL, ST, SZ, TZ, UG, ZM, ZW)
Office eurasien des brevets (OEAB) (AM, AZ, BY, KG, KZ, RU, TJ, TM)
Office européen des brevets (OEB (AL, AT, BE, BG, CH, CY, CZ, DE, DK, EE, ES, FI, FR, GB, GR, HR, HU, IE, IS, IT, LT, LU, LV, MC, MK, MT, NL, NO, PL, PT, RO, RS, SE, SI, SK, SM, TR)
Organisation africaine de la propriété intellectuelle (OAPI) (BF, BJ, CF, CG, CI, CM, GA, GN, GQ, GW, KM, ML, MR, NE, SN, TD, TG)
Langue de publication : anglais (EN)
Langue de dépôt : anglais (EN)