DE60005861T2 - Verfahren und system zur analyse von kontinuirlichen parameterdaten für diagnostik und reparaturen - Google Patents
Verfahren und system zur analyse von kontinuirlichen parameterdaten für diagnostik und reparaturen Download PDFInfo
- Publication number
- DE60005861T2 DE60005861T2 DE60005861T DE60005861T DE60005861T2 DE 60005861 T2 DE60005861 T2 DE 60005861T2 DE 60005861 T DE60005861 T DE 60005861T DE 60005861 T DE60005861 T DE 60005861T DE 60005861 T2 DE60005861 T2 DE 60005861T2
- Authority
- DE
- Germany
- Prior art keywords
- anomaly
- repair
- pronounced
- parameter data
- processor
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Lifetime
Links
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0275—Fault isolation and identification, e.g. classify fault; estimate cause or root of failure
- G05B23/0281—Quantitative, e.g. mathematical distance; Clustering; Neural networks; Statistical analysis
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61C—LOCOMOTIVES; MOTOR RAILCARS
- B61C17/00—Arrangement or disposition of parts; Details or accessories not otherwise provided for; Use of control gear and control systems
- B61C17/04—Arrangement or disposition of driving cabins, footplates or engine rooms; Ventilation thereof
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61C—LOCOMOTIVES; MOTOR RAILCARS
- B61C17/00—Arrangement or disposition of parts; Details or accessories not otherwise provided for; Use of control gear and control systems
- B61C17/12—Control gear; Arrangements for controlling locomotives from remote points in the train or when operating in multiple units
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/22—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing
- G06F11/2257—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing using expert systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/22—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing
- G06F11/2268—Logging of test results
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T30/00—Transportation of goods or passengers via railways, e.g. energy recovery or reducing air resistance
Description
- Hintergrund der Erfindung
- Die Erfindung bezieht sich allgemein auf Maschinendiagnostik und insbesondere auf ein System und Verfahren zum Verarbeiten in der Vergangenheit liegender Reparaturdaten und Daten kontinuierlicher Parameter zum Vorhersagen von einer oder mehreren Reparaturen aus neuen kontinuierlichen Parameterdaten aus einer fehlerhaft arbeitenden Maschine.
- Eine Maschine, wie beispielsweise eine Lokomotive, enthält komplizierte Steuerungen und Sensoren, die Fehler generieren, wenn anormale Betriebsbedingungen der Lokomotive auftreten. Üblicherweise wird ein Feldingenieur in ein Fehlerbuch schauen und ermitteln, ob eine Reparatur notwendig ist.
- Es sind Lösungen wie neurale Netzwerke, Entscheidungsbäume usw. entwickelt worden, um über eingegebene Daten zu lernen, um für Vorhersage-, Klassifizierungs- und Funktionsnäherungsvermögen im Kontext der Untersuchungen zu sorgen. Häufig haben derartige Lösungen strukturierte und relativ statische und vollständige Eingangsdatensätze zum Lernen erfordert und haben Modelle erzeugt, die sich einer Interpretation in der realen Welt widersetzen.
- Eine andere Lösung, Fall-basiertes Folgern (CBR von Case Based Reasoning), basiert auf der Beobachtung, dass experimentelles Wissen (Erinnerung von vergangenen Erfahrungen- oder Fällen) auf Problemlösen als Lernregeln oder -verhalten anwendbar ist. CBR beruht auf relativ geringer Vorverarbeitung von Rohkenntnis und fokussiert stattdessen auf Indexierung, Reparierbarkeit, Wiederverwendung und Archivierung von Fällen. Im diagnostischen Kontext bezieht sich ein Fall im allgemeinen auf ein Problem/Lösungs-Beschreibungspaar, das eine Diagnose von einem Problem und eine geeignete Reparatur darstellt. Genauer gesagt, ein Fall ist eine Sammlung von einem Fehlerbuch und entsprechenden kontinuierlichen und punktförmigen Datenmustern und anderen Parametern und Indikatoren, die mit einem speziel len Reparaturereignis in der betrachteten Maschine verbunden sind.
- CBR nimmt Fälle an, die durch eine feste, bekannte Anzahl von beschreibenden Attributen beschrieben werden. Übliche CBR Systeme nehmen eine Sammlung von voll gültigen oder "Goldstandard"-Fällen an, an die neue ankommende Fälle angepasst verwenden können.
- US-Patent 5,463,768 beschreibt eine Lösung, die Fehlerberichtsdaten verwendet und vordefinierte Fälle annimmt, wobei jeder Fall einen eingegebenen Fehlerbericht einer verifizierten, besonderen Diagnose von einem Problem zuordnet. Insbesondere wird eine Anzahl von in der Vergangenheit liegenden Fehlerberichten zu Fallsätzen von gemeinsamen Fehlfunktionen gruppiert. Aus der Gruppe von Fallsätzen werden gemeinsame Muster, d.h. aufeinanderfolgende Reihen oder Ketten von Daten, als ein Block bezeichnet. Die Blöcke werden verwendet, um einen Fehlerbeitrag für neue Fehlerberichte zu charakterisieren, die in einer Untersuchungseinheit empfangen werden.
- Für einen kontinuierlichen Fehlercodestrom, wo irgendwelche oder alle möglichen Fehlercodes von Null bis zu jeder endlichen Zahl von Malen auftreten können und die Fehlercodes in jeder Reihenfolge auftreten können, ist eine Vordefinition der Struktur von einem Fall nahezu unmöglich.
- US-Patentanmeldung mit der Anmeldenummer 09/285,611 (Anwaltsakte RD-26576), die auf die gleiche Rechtsnachfolgerin wie die vorliegende Erfindung übertragen ist, offenbart ein System und ein Verfahren zum Verarbeiten von in der Vergangenheit liegenden Reparaturdaten und Fehlerberichtsdaten, die nicht auf ein sequentielles Auftreten von Fehlerberichtseinträgen beschränkt ist und die gewichtete Reparatur- und bestimmte Fehlerclusterkombinationen liefert, um eine Analyse von neuen Fehlerberichtsdaten aus fehlerhaft arbeitenden Maschine zu erleichtern. Weiterhin offenbart die US-Patentanmeldung mit der Anmeldenummer 09/285,612 (Anwaltsakte 20-LC-1927), die auf die gleiche Rechtsnachfolgerin wie die vorliegende Erfindung über tragen ist, ein System und Verfahren zum Analysieren neuer Fehlerberichtsdaten aus einer fehlerhaft arbeitenden Maschine, wobei das System und das Verfahren nicht auf ein sequentielles Auftreten von Fehlerberichtseinträgen beschränkt sind und wobei das System und das Verfahren eine oder mehr Reparaturaktionen vorhersagt, wobei vorbestimmte gewichtete Reparatur- und besondere Fehlerclusterkombinationen verwendet werden. Zusätzlich offenbart die US-Patentanmeldung mit der Anmeldenummer 09/438,271 (Anwaltsakte 624226.00149), die auf die gleiche Rechtsnachfolgerin wie die vorliegende Erfindung übertragen ist, ein System und Verfahren, die Schnappschuss-Beobachtungen von Betriebsparametern aus der Maschine in Kombination mit den Fehlerberichtsdaten verwenden, um die vorhergesagte Genauigkeit der dabei verwendeten diagnostischen Algorithmen zu verbessern.
- Es wird angenommen, dass die Erfindungen, die in den vorgenannten Patentanmeldungen offenbart sind, für wesentliche Vorteile und Verbesserungen in der Diagnosetechnik sorgen. Es würde jedoch wünschenswert sein, ein System und Verfahren bereitzustellen, die Anomalie-Definitionen auf der Basis von kontinuierlichen Parametern verwenden, um Diagnose- und Reparaturdaten zu generieren. Die Anomalie-Definitionen unterscheiden sich von Fehlern in dem Sinne, dass die verwendete Information in einem relativ breiten Zeitfenster genommen werden kann, wogegen Fehler, oder sogar Fehlerdaten in Kombination mit Schnappschussdaten, auf einem diskreten Verhalten basieren, das in einem Zeitaugenblick auftritt. Die Anomalie-Definitionen können jedoch in vorteilhafter Weise analogisiert werden zu virtuellen Fehlern, und somit können diese Anomalie-Definitionen gelernt werden, wobei die gleichen Diagnose-Algorithmen verwendet werden, die zum Verarbeiten von Fehlerberichtsdaten verwendet werden können.
- Zusammenfassung der Erfindung
- Allgemein gesprochen, erfüllt die vorliegende Erfindung in einem Ausführungsbeispiel die vorgenannten Bedürfnisse, indem ein Verfahren zum Analysieren von kontinuierlichen Parameterdaten aus einer fehlerhaft arbeitenden Lokomotive oder einem anderen großen Land-basierten, selbst-gespeisten Transportgerät bereitgestellt wird. Das Verfahren gestattet das Empfangen neuer kontinuierlicher Parameterdaten, die eine Anzahl von Anomalie-Definitionen aus dem fehlerhaft arbeitenden Gerät aufweisen. Das Verfahren gestattet ferner ein Auswählen einer Anzahl ausgeprägter Anomalie-Definitionen aus den neuen kontinuierlichen Parameterdaten. Entsprechende Generierungsschritte gestatten ein Generieren von wenigstens einer ausgeprägten Anomalie-Gruppe bzw. -Cluster aus der Anzahl von ausgeprägten Anomalie-Definitionen und ein Generieren einer Anzahl von gewichteten Reparatur- und ausgeprägten Anomalie-Gruppenkombinationen. Ein Identifizierungsschritt gestattet ein Identifizieren von wenigstens einer Reparatur für die wenigstens eine ausgeprägte Anomalie-Gruppe unter Verwendung der Anzahl von gewichteten Reparatur- und ausgeprägten Anomalie-Gruppenkombinationen.
- Die vorliegende Erfindung erfüllt die oben benannten Bedürfnisse weiterhin dadurch, dass gemäß einem weiteren Aspekt von ihr ein System bereitgestellt wird zum Analysieren kontinuierlicher Parameterdaten aus einer fehlerhaft arbeitenden Lokomotive oder einem anderen großen Land-basierten, selbst-gespeisten Transportgerät. Das System enthält eine gewichtungs-gesteuerte Datenspeichereinheit, die in der Lage ist, eine Anzahl von gewichteten Reparatur- und ausgeprägten Anomalie-Gruppenkombinationen zu speichern. Ein Prozessor ist in der Lage, neue kontinuierliche Parameterdaten zu empfangen, die eine Anzahl von Anomalie-Definitionen aus dem fehlerhaft arbeitenden Gerät aufweisen. Der Prozessor gestattet eine Auswahl einer Anzahl von ausgeprägten Anomalie-Definitionen aus den neuen kontinuierlichen Parameterdaten. Der Prozessor gestattet ferner ein Generieren von wenigstens einer ausgeprägten Anomalie-Definitionsgruppe bzw. -Cluster aus der ausgewählten Anzahl von ausgeprägten Anomalie-Definitionen und ein Generieren einer Anzahl von gewichteten Reparatur- und ausgeprägten Anomalie-Definitions-Gruppenkombinationen. Der Prozessor gestattet auch ein Identifizieren von wenigstens einer Reparatur für die wenigstens eine ausgeprägte Anomalie-Definitionsgruppe unter Verwendung der Anzahl von vorbestimmten gewichteten Reparatur- und ausgeprägten Anomalie-Definitions-Gruppenkombinationen.
- Kurzbeschreibung der Zeichnungen
-
1 ist ein Ausführungsbeispiel von einem Blockdiagramm von einem System gemäß der vorliegenden Erfindung zum automatischen Verarbeiten von Reparaturdaten und kontinuierlichen Parameterdaten aus einer oder mehreren Maschinen und zum Stellen einer Diagnose bei einer fehlerhaft arbeitenden Maschine; -
2 ist eine Darstellung von einem Beispiel einer Datenstruktur, die Datenfelder enthält, die zum Spezifizieren einer Anomalie-Definition verwendet werden können, und die ein Beispiel von neuen kontinuierlichen Parameterdaten aus einer fehlerhaft arbeitenden Maschine enthalten; -
3 ist ein Fließbild, das Schritte zum Analysieren der neuen kontinuierlichen Parameterdaten aus einer fehlerhaft arbeitenden Maschine und zum Vorhersagen von einer oder mehreren möglichen Reparaturaktionen beschreibt; -
4 ist eine Darstellung von ausgeprägten Anomalie-Definitionen, die in den neuen kontinuierlichen Parameterdaten, wie sie beispielsweise in2 dargestellt sein können, identifiziert sind und der Häufigkeit ihres Auftretens; -
5A–5D sind Darstellungen von ausgeprägten Fehleranomalie-Definitionsgruppen für die in4 identifizierten ausgeprägten Fehler; -
6 ist ein Fließbild, das die Schritte zum Generieren einer Anzahl vorbestimmter Fälle und vorbestimmte Anomalie-Definitions-Gruppenkombinationen für jeden Fall beschreibt; -
7 ist ein Fließbild, das die Schritte zum Ermitteln vorbestimmter gewichteter Reparatur- und Anomalie-Definitionsgruppenkombinationen beschreibt; -
8 ist ein Ausdruck von gewichteten Reparatur- und Anomalie-Definitions-Gruppenkombinationen, die von dem in1 gezeigten System für kontinuierliche Parameter geliefert werden, die in2 dargestellt sein können, und eine Auflistung vorgeschlagener Reparaturen; -
9 ist ein Fließbild, das den Schritt des Vorhersagens von Reparaturen aus den in8 gezeigten gewichteten Reparatur- und Anomalie-Definitions-Gruppenkombinationen weiter beschreibt; und -
10 ist ein Ausführungsbeispiel von einem Fließbild, das die Schritte zum automatischen Analysieren neuer kontinuierlicher Parameterdaten aus einer fehlerhaft arbeitenden Maschine und zum Vorhersagen von einer oder mehreren möglichen Reparaturaktionen beschreibt. - Detaillierte Beschreibung der Erfindung
-
1 stellt schematisch ein Ausführungsbeispiel von einem System10 gemäß der vorliegenden Erfindung dar. Gemäß einem Aspekt sorgt das System10 für eine automatisierte Analyse von Daten eines kontinuierlichen Parameters aus einer fehlerhaft arbeitenden Maschine, wie beispielsweise einer Lokomotive, und eine Vorhersage von einer oder mehreren möglichen Reparaturaktionen. - Obwohl die vorliegende Erfindung unter Bezugnahme auf eine Lokomotive beschrieben wird, kann das System
10 in Verbindung mit jeder Maschine verwendet werden, bei der der Betrieb der Maschine überwacht wird, wie beispielsweise einer chemischen, einer elektronischen, einer mechanischen, einer Mikroprozessor-Maschine und irgendeinem anderen Land-basierten, selbst-gespeisten Transportgerät. - Das als Beispiel gezeigte System
10 enthält einen Prozessor12 , wie beispielsweise einen Computer (z.B. UNIX-Workstation) mit einem Laufwerk, Eingabevorrichtungen, wie beispielsweise eine Tastatur, eine Maus, magnetische Speichermedien (z.B. Bandkassetten oder Scheiben), optische Speichermedien (z.B. CD-ROMs) und Ausgabevorrichtungen, wie beispielsweise einen Bildschirm und einen Drucker. Der Prozessor12 ist betriebsmäßig mit einer Reparaturdaten-Speichereinheit20 , einer Speichereinheit22 für kontinuierliche Parameterdaten, einer Falldaten-Speichereinheit24 und einer Speichereinheit26 für gewichtungsgesteuerte Daten verbunden. -
2 zeigt als Beispiel eine Datenstruktur50 , die mehrere Datenfelder enthält, die Anomalie-Definitionen allgemein zugeordnet sind, die auf Daten kontinuierlicher Parameter basieren. Wie in2 gezeigt ist, kann ein Satz von Datenfeldern52 allgemeine Information bezüglich jeder Anomalie-Definition enthalten, wie beispielsweise Anomalie-Definitions-Identifizierer, Aufgabe, erläuternde Bemerkungen, Nachrichten, die bei der Erfassung einer entsprechenden Anomalie-Definition automatisch generiert werden sollen, Personal, das zur Handhabung einer entsprechenden Anomalie-Definition verantwortlich ist, Lokomotiven-Modell und -Konfiguration usw. Wie weiterhin in2 gezeigt ist, kann ein Satz von Datenfeldern54 Beobachtungen enthalten, die Betriebsbedingungen der Lokomotive anzeigen, die mit einer Anomalie-Definition verbunden sein können, wozu Statistikdaten und Trenddaten gehören, die aus diesen Beobachtungen gezogen werden können.2 zeigt ferner einen Satz von Datenfeldern56 , die kontinuierliche Betriebsparameterdaten enthalten können, die mit einer gegebenen Anomalie-Definition verbunden sein können. Wenn beispielsweise Parameter1 außerhalb eines vorbestimmten Bereiches und die Standardabweichung des Parameters2 über einen vordefinierten Wert hinausgeht, und Parameter3 einen Trend zeigt, der eine vordefinierte Änderungsgeschwindigkeit überschreitet, und Parameter4 außerhalb eines weiteren vordefinierten Bereiches unter einem gegebenen Satz von Betriebsbedingungen der Lokomotive ist, dann würde unter der Annahme, dass jede der oben beschriebenen Bedingungen erfüllt ist, und ferner angenommen wird, dass es eine Anomalie-Definition gibt, die jeden dieser Zustände spezifiziert, dies die Erfassung einer derartigen Anomalie-Definition bedeuten, d.h. das Auftreten von jedem dieser Ereignisse würde diese Anomalie-Definition auslösen. Es wird deutlich, dass der Informationswert, der von Anomalie-Definitionen erhalten werden kann, die auf kontinuierlichen Parameterdaten basieren, die ein wählbares Zeitfenster bilden, statistisch robuster sind im Vergleich zu Fehlerberichtdaten, die auf dem Auftreten von einzelnen Augenblicksereignissen basieren. Die Erfinder der vorliegenden Erfindung haben vorteilhafterweise erkannt, dass diagnostische Algorithmus-Techniken, die üblicherweise mit dem Verarbeiten von Fehlerberichtsdaten verbunden sind, nun auf eine Verarbeitung von Anomalie-Definitionen erweitert werden können, die auf kontinuierlichen Parameterdaten basieren im Gegensatz zu Ereignissen zu einzelnen Zeitpunkten. -
3 ist ein Fließbild, das die Schritte zum Analysieren neuer kontinuierlicher Parameterdaten200 (1 ) allgemein beschreibt. Wie in3 bei232 gezeigt ist, werden neue kontinuierliche Parameterdaten empfangen, die mehrere Anomalie-Definitionen aus einer fehlerhaft arbeitenden Maschine bilden. Bei233 werden mehrere ausgeprägte Anomalie-Definitionen von den neuen kontinuierlichen Parameterdaten identifiziert, und bei234 wird die Anzahl von Malen, zu denen jede ausgeprägte Anomalie-Definition in den neuen kontinuierlichen Parameterdaten auftritt, ermittelt. Wie er hier verwendet wird, ist der Begriff "ausgeprägte Anomalie-Definition" eine Anomalie-Definition oder Anomalie-Code, der sich von anderen Anomalie-Definitionen oder ein Anomalie-Codes unterscheidet, so dass, wie nachfolgend näher beschrieben wird, wenn die kontinuierlichen Parameterdaten mehr als ein Auftreten von der gleichen Anomalie-Definition oder Anomalie-Code enthält, dann ähnliche Anomalie-Definitionen oder Anomalie-Codes nur ein Mal identifiziert werden. Wie aus der nachfolgenden Erläuterung deutlich wird, ist in einem Ausführungsbeispiel die Wahl oder Auslösung von ausgeprägten Anomalie-Definitionen das, was wichtig ist, und nicht die Reihenfolge oder Sequenz von ihrer Anordnung. -
4 zeigt als Beispiel eine Anzahl von ausgeprägten Anomalie-Definitionen und die Anzahl von Malen, in denen jede ausgeprägte Anomalie-Definition für einen kontinuierlichen Parameter220 (2 ) aufgetreten ist. In diesem Beispiel stellt der Anomalie-Definitionscode7311 eine Phasenmodul-Fehlfunktion dar, die 24 Mal aufgetreten ist, der Anomalie-Definitionscode728F gibt eine Wechselrichter-Antriebs-Fehlfunktion an, die zwei Mal aufgetreten ist, der Anomalie-Definitionscode76D5 gibt eine Anomalie-Definition an, die ein Mal aufgetreten ist, und der Anomalie-Definitions-Code720F gibt eine Wechselrichter-Antriebs-Fehlfunktion an, die ein Mal aufgetreten ist. - Es wird nun wieder auf
3 Bezug genommen; für die ausgeprägten Anomalie-Definitionen wird bei 236 eine Anzahl von Anomalie-Definitions-Gruppen bzw. -Clustern generiert.5A–5D stellen die ausgeprägten Anomalie-Definitions-Cluster dar, die aus dem ausgeprägten Anomalie-Definitionen generiert sind, die aus den kontinuierlichen Parameterdaten200 herausgezogen sind. In5A sind vier einzelne Anomalie-Definitions-Cluster (z.B. Anomalie-Definitionscode7311 , Anomalie-Definitionscode728F , Anomalie-Definitionscode76D5 und Anomalie-Definitionscode720F ) dargestellt. Sechs doppelte Anomalie-Definitionscluster (z.B. Anomalie-Definitionscodes76D5 und7311 , Anomalie-Definitionscode76D5 und728F , Anomalie-Definitionscode76D5 und720F , Anomalie-Definitionscodes7311 und728F , Anomalie-Definitionscodes7311 und720F und Anomalie-Definitionscode728F und720F ) sind in5B dargestellt. Vier dreifache Anomalie-Definitionscluster (z.B. Anomalie-Definitionscodes76D5 ,7311 und720F , Anomalie-Definitionscodes76D5 ,7311 und720F , Anomalie-Definitionscodes76D5 ,728F und720F und Anomalie-Definitionscodes7311 ,728F und720F ) sind in5C dargestellt, und ein Vierfach-Anomalie-Definitionscluster (z.B.76D5 ,7311 ,728F und720F ) ist in5D dargestellt. - Aus der vorstehenden Beschreibung wird für den Fachmann deutlich, dass ein Anomalie-Definitionsbericht, der eine größere Anzahl von ausgeprägten Anomalie-Definitionen hat, eine größere Anzahl von ausgeprägten Anomalie-Definitionsgruppen bzw. -Clustern (z.B. eine, zwei, drei, vier, fünf usw.) zur Folge haben würde.
- Bei
238 wird wenigstens ein Paar für die Anzahl der Anomalie-Definitionsclustern vorhergesagt, wobei eine Anzahl von vorbestimmten gewichteten Reparatur- und Anomalie-Definitions-Clusterkombinationen verwendet wird. Die Anzahl vorbestimmter gewichteter Reparatur- und Anomalie-Definitions-Clusterkombinationen kann wie folgt generiert werden. - Wieder auf
1 Bezug nehmend, wird der Prozessor12 wünschenswerter Weise so betrieben, dass er in der Vergangenheit liegende Reparaturdaten, die in einer Reparaturdaten-Speichereinheit20 enthalten sind, und in der Vergangenheit liegende kontinuierliche Parameterdaten, die in einer Speichereinheit22 für kontinuierliche Parameterdaten enthalten sind, bezüglich einer oder mehrere Lokomotiven verarbeitet. - Beispielsweise enthält die Reparatur-Speichereinheit
20 Reparaturdaten oder -datensätze, die sich auf eine Anzahl von hiermit in Beziehung stehenden oder nicht in Beziehung stehenden Reparaturen für eine oder mehrere Lokomotive beziehen. Die Speichereinheit22 für kontinuierliche Parameterdaten enthält kontinuierliche Parameterdaten oder -datensätze, die sich auf mehrere Anomalie-Definitionen beziehen, die in einer oder mehreren Lokomotiven auftreten. -
6 ist ein Fließbild von einem Beispiel eines Prozesses50 gemäß der Erfindung zum Selektieren oder Extrahieren von Reparaturdaten aus der Reparaturdaten-Speichereinheit20 und kontinuierlicher Parameterdaten aus der Speichereinheit22 für kontinuierliche Parameterdaten und zum Generieren einer Anzahl von Fällen und Reparatur- und Anomalie-Definitionsclusterkombinationen. - Das Beispiel des Verfahrens
50 enthält, bei52 , Wählen oder Herausziehen einer Reparatur aus der Reparaturdaten-Speichereinheit50 (1 ). Wenn eine Reparatur identifiziert ist, sucht die vorliegende Erfindung in der Speichereinheit22 für kontinuierliche Parameterdaten (1 ), um Anomalie-Definitionen bei54 zu wählen oder herauszuziehen, die über einer vorbestimmten Zeitperiode vor der Reparatur auftreten. Bei56 wird die Anzahl von Malen ermittelt, zu denen jede ausgeprägte Anomalie-Definition während der Zeitperiode aufgetreten ist. - Eine Reparatur und entsprechende ausgeprägte Anomalie-Definitionen werden summiert und als ein Fall bei
60 gespeichert. Für jeden Fall wird bei62 eine Anzahl von Reparatur- und Anomalie-Definitions-Clusterkombinationen generiert (in einer ähnlichen Weise, wie es für die neuen kontinuierlichen Parameterdaten beschrieben wurde). - Der Prozess
50 wird wiederholt, indem ein weiterer Reparatureintrag aus Reparaturdaten gewählt wird, um einen weiteren Fall zu generieren und eine Anzahl von Reparatur- und Anomalie-Definitions-Clusterkombinationen zu generieren. Eine Falldaten-Speichereinheit24 enthält wünschenswerter Weise eine Anzahl von Fällen, die hiermit in Beziehung stehende und nicht in Beziehung stehende Reparaturen enthalten. -
7 ist ein Fließbild von einem Beispiel eines Prozesses100 gemäß der vorliegenden Erfindung zum Generieren gewichteter Reparatur- und Anomalie-Definitions-Clusterkombinationen, die auf der Anzahl von Fällen basieren, die in dem Prozess50 generiert wurden. Der Prozess100 enthält bei101 ein Wählen einer Reparatur- und Anomalie-Definitions-Clusterkombination und Ermitteln bei102 der Anzahl von Malen, die die Kombination für hiermit in Beziehung stehende Reparaturen auftritt. Die Anzahl von Malen, die die Kombination in der Anzahl von Fällen von hiermit in Beziehung und nicht in Beziehung stehenden Reparaturen auftritt, z.B. alle Reparaturen für ähnliche Lokomotiven, wird bei104 ermittelt. Bei108 wird eine Gewichtung ermittelt für die Reparatur- und ausgeprägte Anomalie-Definitions-Clusterkombination, indem die Anzahl von Malen, die der Anomalie-Definitions-Cluster in hiermit in Beziehung stehenden Fällen auftritt, durch die Anzahl von Malen dividiert wird, die der ausgeprägte Anomalie-Definitions-Cluster in allen, d.h. hiermit in Beziehung und nicht in Beziehung stehenden Fällen, auftritt, und die gewichtete Reparatur- und ausgeprägte Anomalie-Definitions-Clusterkombination wird wünschenswerter Weise in einer gewichtungsgesteuerten Datenspeichereinheit26 gespeichert. -
8 stellt als Beispiel einen Ausdruck250 der Ergebnisse dar, die durch das System10 (1 ) auf der Basis von kontinuierlichen Parameterdaten200 (1 ) generiert sind, in denen ein erster Abschnitt252 , eine Anzahl von entsprechenden Reparaturen253 , zugeordnete Gewichtungen254 und Anomalie-Definitions-Cluster255 dargestellt sind. Wie in einem zweiten Abschnitt260 von dem Ausdruck250 gezeigt ist, werden fünf Vorschläge für wahrscheinliche Reparaturaktionen zur Berücksichtigung durch einen Feldingenieur präsentiert. -
9 ist ein Fließbild von einem Beispiel eines Prozesses300 zum Ermitteln und Präsentieren der die höchste Wahrscheinlichkeit aufweisenden Reparaturkandidaten, die von den vorbestimmten gewichteten Reparatur- und ausgeprägte Anomalie-Definitions-Clusterkombination abgeleitet sind, die die höchsten zugeordneten Gewichtungswerte haben, oder Reparaturen, die dadurch ermittelt sind, dass die zugeordneten Gewichtungswerte für Anomalie-Definitionscluster für hiermit in Beziehung stehende Reparaturen addiert werden. - Wie in
9 gezeigt ist, wird zunächst bei302 ein ausgeprägtes Anomalie-Definitions-Cluster aus den neuen kontinuierlichen Parameterdaten generiert. Bei304 wird eine vorbestimmte Reparatur(en) und zugeordnete Gewichtung(en) entsprechend dem ausgeprägten Anomalie-Definitionscluster aus der gewichtungsgesteuerten Speichereinheit26 (1 ) gewählt. - Bei
306 wird, wenn die zugeordnete Gewichtung für die vorbestimmte gewichtete Reparatur- und Anomalie-Definitions-Clusterkombination durch eine Anzahl von Fällen für hiermit in Beziehung und nicht in Beziehung stehende Reparaturen ermittelt ist, wobei diese Zahl kleiner als eine vorbestimmte Zahl, z.B. fünf, ist, das Cluster ausgeschlossen und das nächste ausgeprägte Anomalie-Definitionscluster bei302 gewählt. Dies verhindert, dass gewichtete Reparatur- und Anomalie-Definitions-Clusterkombinationen, die aus nur wenigen Fällen ermittelt sind, die gleiche Wirkung auf die Vorhersage von Reparaturen haben wie gewichtete Reparatur- und Anomalie-Definitions-Clusterkombinationen, die aus vielen Fällen ermittelt worden sind. - Wenn die Anzahl von Fällen größer als die vorbestimmte minimale Anzahl von Fällen ist, wird bei
308 eine Entscheidung getroffen, ob der zugeordnete Wert größer als ein Schwellenwert, z.B. 0,70 oder 70%, ist. Wenn der Anomalie-Definitions-Cluster nicht der letzte zu analysierende Anomalie-Definitions cluster bei322 ist, wird der nächste ausgeprägte Anomalie-Definitionscluster bei302 gewählt und der Prozess wird wiederholt. - Wenn die zugeordnete Gewichtung für die vorbestimmte gewichtete Reparatur- und Anomalie-Definitions-Clusterkombination kleiner als der vorbestimmte Schwellenwert ist, werden die zugeordneten Gewichtungen bei
320 gemeinsam addiert. Auf Wunsch werden bis zu einer maximalen Zahl von zugeordneten Gewichtungen, z.B. 5, verwendet und addiert. Nach dem Wählen und Analysieren der ausgeprägten Anomalie-Definitions-Cluster, die aus den neuen kontinuierlichen Parameterdaten generiert sind, werden die Reparaturen mit den höchsten addierten zugeordneten Gewichtungen für Anomalie-Definitions-Cluster für miteinander in Beziehung stehende Reparaturen bei324 bildlich dargestellt. - Wieder Bezug nehmend auf
8 werden Reparaturen, die den gewichteten Reparatur- und Anomalie-Definitionsclusterkombinationen entsprechen, in denen die zugeordneten Gewichtungen größer als der Schwellenwert sind, angezeigt. Wie in8 gezeigt ist, haben die Reparaturcodes1766 und1777 und die ausgeprägten Anomalie-Definitions-Clusterkombinationen7311 ,728F und720F eine zugeordnete Gewichtung von 85% und zeigen einen vorgeschlagenen Austausch des EFI an. - Wie ebenfalls in
8 gezeigt ist, werden Reparaturen für verschiedene Anomalie-Definitionscluster mit der höchsten addierten oder gesamten Gewichtung als nächstes präsentiert. Beispielsweise hat der Reparaturcode1677 , der einem Traktionsproblem entspricht, eine gesamte zugeordnete Gewichtung von 1,031, der Reparaturcode1745 , der einem Software-Problem der Lokomotive entspricht, hat eine gesamte zugeordnete Gewichtung von 0,943 und der Reparaturcode2323 , der einem überhitzten Triebwerk entspricht, hat eine gesamte zugeordnete Gewichtung von 0,591. - Vorteilhafterweise werden die fünf Reparaturaktionen mit der höchsten Wahrscheinlichkeit ermittelt und für eine Überprüfung durch einen Feldingenieur dargestellt. Beispiels weise werden bis zu fünf Reparaturen mit den größten zugeordneten Gewichtungen über dem Schwellenwert dargestellt. Wenn es weniger als fünf Reparaturen gibt, die den Schwellenwert erfüllen, wird der Rest der vorgeschlagenen Reparaturen auf der Basis von einer gesamten zugeordneten Gewichtung dargestellt.
- Wünschenswerterweise werden die neuen kontinuierlichen Parameterdaten zunächst mit bekannten kontinuierlichen Parameterdaten aus der fehlerhaft arbeitenden Lokomotive verglichen. Dies gestattet eine Ermittlung, ob es eine Änderung in den kontinuierlichen Parameterdaten mit der Zeit gibt. Wenn es beispielsweise keine Änderung gibt, z.B. keine neuen Anomalie-Definitionen, dann braucht es nicht notwendig zu sein, die neuen kontinuierlichen Parameterdaten weiter zu verarbeiten.
-
10 stellt ein Fließbild von einem Beispiel eines automatisierten Prozesses500 zum Analysieren kontinuierlicher Parameterdaten aus einer Lokomotive, z.B. neue kontinuierliche Parameterdaten, die jeden Tag generiert werden, unter Verwendung des Systems10 dar. Genauer gesagt, der Prozess500 ist an die Situation angepasst, wo eine frühere Reparatur gemacht ist oder eine frühere Reparatur ist innerhalb der vorbestimmten Zeitperiode vorgeschlagen, über der die kontinuierlichen Parameterdaten analysiert werden. Dies vermeidet den Vorschlag der gleichen Reparatur, die zuvor vorgeschlagen und/oder durchgeführt worden ist. - Bei
502 werden neue kontinuierliche Parameterdaten empfangen, die Anomalie-Definitionen enthalten, die über einer vorbestimmten Zeitperiode, z.B. 14 Tage, auftreten. Die kontinuierlichen Parameterdaten werden analysiert, beispielsweise wie es oben beschrieben worden ist, wobei ausgeprägte Anomalie-Definitions-Cluster generiert und die generierten Anomalie-Definitions-Cluster mit vorbestimmten gewichteten Reparatur- und Anomalie-Definitions-Clusterkombinationen verglichen werden. - Bei
504 kann der Analyseprozess einen oben beschriebenen Schwellenwertbildungsprozess verwenden um zu ermitteln, ob irgendwelche Reparaturen vorgeschlagen werden (z.B. mit einem gewichteten Wert über 70%). Wenn keine Reparaturen vorgeschlagen werden, endet der Prozess bei 506. Der Prozess wird wünschenswerter Weise am nächsten Tag wiederholt mit runtergeladenen neuen kontinuierlichen Parameterdaten. - Wenn ein Reparaturvorschlag gemacht wird, werden existierende abgeschlossene (z.B. ausgeführte oder vollendete Reparaturen) oder frühere vorgeschlagene Reparaturen, die innerhalb der vorbestimmten Zeitperiode aufgetreten sind, bei
508 ermittelt. Beispielsweise können existierende abgeschlossene oder frühere vorgeschlagene Reparaturen gespeichert sein und aus der Reparaturdaten-Speichereinheit20 abgerufen werden. Wenn es keine existierenden oder vorgeschlagenen Reparaturen gibt, dann werden alle vorgeschlagenen Reparaturen bei504 in einer Reparaturliste bei700 aufgelistet. - Wenn es existierende abgeschlossene oder früher vorgeschlagene Reparaturen gibt, dann werden bei
600 alle Reparaturen, die nicht in den existierenden abgeschlossenen oder früher vorgeschlagenen Reparaturen sind, in der Reparaturliste bei700 gelistet. - Für Reparaturen, die in den existierenden abgeschlossenen oder früher vorgeschlagenen Reparaturen sind, wird bei
602 die Rückschauperiode (z.B. die Anzahl von Tagen, über denen die Anomalie-Definitionen gewählt werden) überarbeitet. Unter Verwendung der modifizierten Rückschau oder abgekürzten Zeitperiode werden die modifizierten kontinuierlichen Parameterdaten bei604 analysiert, wie es oben beschrieben ist, wobei ausgeprägte Anomalie-Definitionscluster verwendet und die generierten Anomalie-Definitionscluster mit vorbestimmten gewichteten Reparatur- und Anomalie-Definitions-Clusterkombinationen verglichen werden. - Bei
606 kann der Analyseprozess den oben beschriebenen Schwellenwertbildungsprozess verwenden um zu ermitteln, ob irgendwelche Reparaturen vorgeschlagen werden (z.B. mit einem gewichteten Wert über 70%). Wenn keine Reparaturen vorgeschlagen werden, endet der Prozess bei608 , bis der Prozess wieder mit neuen kontinuierlichen Parameterdaten von dem nächsten Tag gestartet wird, oder wenn eine Reparatur vorgeschlagen wird, wird sie zu der Reparaturliste bei700 hinzugefügt. - Aus der vorstehenden Beschreibung wird für den Fachmann deutlich, dass andere Prozesse und Methoden, z.B. unterschiedliche Schwellenwerte oder eine Analyse für kontinuierliche Parameterdaten, die keine ausgeprägte Anomalie-Definitionscluster verwendet, bei der Vorhersage von Reparaturen aus den neuen kontinuierlichen Parameterdaten gemäß dem Prozess
500 benutzt werden können, der früher ausgeführte Reparaturen oder früher vorgeschlagene Reparaturen berücksichtigt. - Somit stellt die vorliegende Erfindung in einem Aspekt ein Verfahren und ein System dar zum Verarbeiten eines neuen kontinuierlichen Parameters, der nicht auf das sequentielle Auftreten von Anomalie-Definitionen oder Fehlereinträgen begrenzt ist. Gemäß einem anderen Aspekt ist die Kalibration der diagnostischen Signifikanz von Anomalie-Definitions-Clustern auf Fälle von miteinander in Beziehung stehende Reparaturen und Fälle für alle Reparaturen basiert.
- Die Erfindung ist zwar unter Bezugname auf bevorzugte Ausführungsbeispiele beschrieben worden, es ist aber für den Fachmann verständlich, dass verschiedene Änderungen gemacht werden können und äquivalente Elemente von ihnen ersetzen können, ohne den Schutzumfang der Erfindung zu verlassen. Zusätzlich können viele Modifikationen gemacht werden, um eine bestimmte Situation oder ein Material an die Lehren der Erfindung anzupassen, ohne von ihrem essentiellen Schutzumfang abzuweichen. Deshalb ist beabsichtigt, dass die Erfindung nicht auf die bestimmten Ausführungsbeispiele beschränkt ist, die hier offenbart worden sind, sondern dass die Erfindung alle Ausführungsbeispiele einschließen soll, die in den Schutzumfang der beigefügten Ansprüche fallen.
Claims (14)
- Verfahren zum Analysieren von kontinuierlichen Parameterdaten aus einer fehlerhaft arbeitenden Lokomotive oder einem anderen großen Land-basierten, selbst-gespeisten Transportgerät, enthaltend: Empfangen neuer kontinuierlicher Parameterdaten (
232 ), die einer Anzahl von Anomalie-Definitionen aus dem fehlerhaft arbeitenden Gerät aufweisen, Wählen einer Anzahl ausgeprägter Anomalie-Definitionen (233 ) aus den neuen kontinuierlichen Parameterdaten, Generieren von wenigstens einer ausgeprägten Anomalie-Gruppe bzw. -Cluster (236 ) aus der Anzahl von ausgeprägten Anomalie-Definitionen, Generieren einer Anzahl von gewichteten Reparatur- und ausgeprägten Anomalie-Gruppenkombinationen und Identifizieren von wenigstens einer Reparatur (238 ) für die wenigstens eine ausgeprägte Anomalie-Gruppe unter Verwendung der Anzahl von gewichteten Reparatur- und ausgeprägten Anomalie-Gruppenkombinationen. - Verfahren nach Anspruch 1, wobei die wenigstens eine ausgeprägte Anomalie-Gruppe (
236 ) wenigstens eine von einer einzelnen ausgeprägten Anomalie- und einer Anzahl von ausgeprägten Anomalie-Definitionen enthält. - Verfahren nach Anspruch 1, wobei jede der mehreren gewichteten Reparatur- und ausgeprägten Anomalie-Gruppenkombinationen aus einer Anzahl von Fällen (
60 ) generiert wird, wobei jeder Fall eine Reparatur und wenigstens eine ausgeprägte Anomalie aufweist, und jede der mehreren gewichteten Reparatur- und ausgeprägten Anomalie-Gruppenkombinationen eine Gewichtung zugeordnet wird, die ermittelt wird durch Dividieren (100 ) der Anzahl von Malen, die die Kombination in Fällen auftritt, die hiermit in Beziehung stehende Reparaturen aufweisen, durch die Gesamtzahl von Malen, die die Kombination in der Anzahl von Fällen auftritt. - Verfahren nach Anspruch 3, wobei das Identifizieren der wenigstens einen Reparatur enthält, dass wenigstens eine Reparatur gewählt wird unter Verwendung der Anzahl von gewichteten Reparatur- und Anomalie-Gruppenkombinationen und zugeordnete Gewichtungen für ausgeprägte Anomalie-Gruppen für hiermit in Beziehung stehende Reparaturen addiert werden.
- Verfahren nach Anspruch 1, wobei das Generieren einer Anzahl von gewichteten Reparatur- und ausgeprägten Anomalie-Gruppenkombinationen (
50 ,100 ) eine Anzahl von Reparaturen und kontinuierlichen Parameterdaten verwendet, die eine Anzahl von Anomalie-Definitionen enthalten. - Verfahren nach Anspruch 1, wobei das Empfangen kontinuierlicher Parameterdaten (
232 ) enthält, dass neue kontinuierliche Parameterdaten empfangen und die neuen kontinuierlichen Parameterdaten mit früheren kontinuierlichen Parameterdaten verglichen werden. - System zum Analysieren kontinuierlicher Parameterdaten aus einer fehlerhaft arbeitenden Lokomotive oder einem anderen großen Land-basierten, selbst-gespeisten Transportgerät enthaltend: eine gewichtungsgesteuerte Datenspeichereinheit (
26 ), die in der Lage ist, eine Anzahl von gewichteten Reparatur- und ausgeprägten Anomalie-Gruppenkombinationen zu speichern, einen Prozessor (12 ), der in der Lage ist, neue kontinuierliche Parameterdaten (232 ) zu empfangen, die eine Anzahl von Anomalie-Definitionen aus dem fehlerhaft arbeitenden Gerät aufweisen, einen Prozessor (12 ) zum Wählen einer Anzahl von ausgeprägten Anomalie-Definitionen (233 ) aus den neuen kontinuierlichen Parameterdaten, einen Prozessor (12 ) zum Generieren von wenigstens einer ausgeprägten Anomalie-Definitionsgruppe bzw. -cluster (236 ) aus der gewählten Anzahl von ausgeprägten Anomalie-Definitionen, einen Prozessor (12 ) zum Generieren einer Anzahl von gewichteten Reparatur- und ausgeprägten Anomalie-Definitions-Gruppenkombinationen und einen Prozessor (12 ) zum Identifizieren von wenigstens einer Reparatur (238 ) für die wenigstens eine ausgeprägte Anomalie-Definitionsgruppe unter Verwendung der Anzahl von vorbestimmten gewichteten Reparatur- und ausgeprägten Anomalie-Definitions-Gruppenkombinationen. - System nach Anspruch 7, wobei eine einzelne Prozessoreinheit die Prozessoren bildet.
- System nach Anspruch 7, ferner enthaltend: einen Prozessor zum Generieren einer Anzahl von Fällen (
52 ,54 ,56 ,60 ) aus den Reparaturdaten und den kontinuierlichen Parameterdaten, wobei jeder Fall eine Reparatur und eine Anzahl von ausgeprägten Anomalie-Definitionen enthält, einen Prozessor zum Generieren, für jeden der mehreren Fälle, von wenigstens einer Reparatur- und ausgeprägten Anomalie-Definitions-Gruppenkombination (62 ) und einen Prozessor zum Zuordnen, zu jeder der Reparatur- und ausgeprägten Anomalie-Definitions-Gruppenkombinationen, einer Gewichtung (100 ), wobei die gewichteten Reparatur- und ausgeprägten Anomalie-Definitions-Gruppenkombinationen eine Identifizierung von wenigstens einer Reparatur für das fehlerhaft arbeitende Gerät erleichtern. - System nach Anspruch 9, wobei der Prozessor zum Generieren der mehreren Fälle (
52 ,54 ,56 ,60 ) einen Prozessor aufweist zum Wählen einer Reparatur aus den Reparaturdaten und zum Wählen einer Anzahl von ausgeprägten Anomalie-Definitionen (54 ) aus den kontinuierlichen Parameterdaten über einer Zeitperiode vor der Reparatur. - System nach Anspruch 9, wobei der Prozessor zum Zuordnen von Gewichtungen (
100 ) einen Prozessor aufweist zum Ermitteln (102 ), für jede Reparatur- und ausgeprägte Anomalie-Definitions-Gruppenkombination, einer Anzahl von Malen, die die Kombination in den Fällen auftritt, die hiermit in Beziehung stehende Reparaturen enthalten, und einer Anzahl von Malen, die die Kombination in der Anzahl von Fällen auftritt. - System nach Anspruch 11, wobei der Prozessor zum Zuordnen einer Gewichtung (
100 ), für jede Reparatur- und ausgeprägte Anomalie-Definitions-Gruppenkombination, einen Prozessor enthält zum Dividieren (108 ) der Anzahl von Malen, die die Kombination in Fällen auftritt, die hiermit in Beziehung stehende Reparaturen enthalten, durch die Anzahl von Malen, die die Kombination in der Anzahl von Fällen auftritt. - System nach Anspruch 11, ferner enthaltend: einen Prozessor zum Generieren eines neuen Falles (
152 ) aus Reparaturdaten und kontinuierlichen Parameterdaten, wobei der Fall eine Reparatur und eine Anzahl von ausgeprägten Anomalie-Definitionen enthält, einen Prozessor zum Generieren, für den neuen Fall, einer Anzahl von Anomalie-Definitionsgruppen (154 ) für die Anzahl von ausgeprägten Anomalie-Definitionen und einen Prozessor zum erneuten Ermitteln einer Gewichtung (155 ,156 ,158 ) für jede der mehreren Reparatur- und Anomalie-Definitions-Gruppenkombinationen, um den neuen Fall einzuschließen. - System nach Anspruch 11, ferner enthaltend: eine Reparaturprotokolldaten-Speichereinheit (
20 ), die in der Lage ist, eine Anzahl von Reparaturen zu speichern, und eine Speichereinheit (22 ) für kontinuierliche Parameterdaten, die in der Lage ist, eine Anzahl von Anomalie-Definitionen zu speichern.
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US16204599P | 1999-10-28 | 1999-10-28 | |
US162045P | 1999-10-28 | ||
PCT/US2000/029799 WO2001031412A1 (en) | 1999-10-28 | 2000-10-27 | Method and system for analyzing continuous parameter data for diagnostics and repairs |
Publications (2)
Publication Number | Publication Date |
---|---|
DE60005861D1 DE60005861D1 (de) | 2003-11-13 |
DE60005861T2 true DE60005861T2 (de) | 2004-09-09 |
Family
ID=22583928
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE60005861T Expired - Lifetime DE60005861T2 (de) | 1999-10-28 | 2000-10-27 | Verfahren und system zur analyse von kontinuirlichen parameterdaten für diagnostik und reparaturen |
Country Status (9)
Country | Link |
---|---|
US (1) | US6336065B1 (de) |
EP (1) | EP1254402B1 (de) |
AT (1) | ATE251772T1 (de) |
AU (1) | AU781329B2 (de) |
BR (1) | BR0015067A (de) |
CA (1) | CA2387931C (de) |
DE (1) | DE60005861T2 (de) |
MX (1) | MXPA02004192A (de) |
WO (1) | WO2001031412A1 (de) |
Families Citing this family (143)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6622264B1 (en) | 1999-10-28 | 2003-09-16 | General Electric Company | Process and system for analyzing fault log data from a machine so as to identify faults predictive of machine failures |
US6947797B2 (en) * | 1999-04-02 | 2005-09-20 | General Electric Company | Method and system for diagnosing machine malfunctions |
US6636771B1 (en) * | 1999-04-02 | 2003-10-21 | General Electric Company | Method and system for analyzing continuous parameter data for diagnostics and repairs |
US20110208567A9 (en) * | 1999-08-23 | 2011-08-25 | Roddy Nicholas E | System and method for managing a fleet of remote assets |
US6543007B1 (en) * | 1999-10-28 | 2003-04-01 | General Electric Company | Process and system for configuring repair codes for diagnostics of machine malfunctions |
US6650949B1 (en) | 1999-12-30 | 2003-11-18 | General Electric Company | Method and system for sorting incident log data from a plurality of machines |
US6757521B1 (en) | 2000-06-12 | 2004-06-29 | I/O Controls Corporation | Method and system for locating and assisting portable devices performing remote diagnostic analysis of a control network |
US7734287B2 (en) * | 2000-04-10 | 2010-06-08 | I/O Controls Corporation | System for providing remote access to diagnostic information over a wide area network |
US6847916B1 (en) * | 2000-06-12 | 2005-01-25 | I/O Controls Corporation | Method and system for monitoring, controlling, and locating portable devices performing remote diagnostic analysis of control network |
US8116759B2 (en) | 2000-06-12 | 2012-02-14 | I/O Controls Corporation | System and method for facilitating diagnosis and maintenance of a mobile conveyance |
FR2833353B1 (fr) * | 2001-12-07 | 2004-06-18 | Renault | Procede de diagnostic de defauts de fonctionnement d'un ensemble de systemes electroniques, notamment dans un vehicule automobile |
US6981182B2 (en) * | 2002-05-03 | 2005-12-27 | General Electric Company | Method and system for analyzing fault and quantized operational data for automated diagnostics of locomotives |
US6993675B2 (en) * | 2002-07-31 | 2006-01-31 | General Electric Company | Method and system for monitoring problem resolution of a machine |
US6810312B2 (en) * | 2002-09-30 | 2004-10-26 | General Electric Company | Method for identifying a loss of utilization of mobile assets |
US20040073843A1 (en) * | 2002-10-15 | 2004-04-15 | Dean Jason Arthur | Diagnostics using information specific to a subsystem |
FR2848690B1 (fr) * | 2002-12-13 | 2005-01-28 | Renault Sa | Procede de conception d'un systeme tolerant aux fautes |
JP3731125B2 (ja) * | 2003-03-03 | 2006-01-05 | ダイキン工業株式会社 | 保守情報提供システム |
US7206965B2 (en) * | 2003-05-23 | 2007-04-17 | General Electric Company | System and method for processing a new diagnostics case relative to historical case data and determining a ranking for possible repairs |
US7243174B2 (en) * | 2003-06-24 | 2007-07-10 | Emerson Electric Co. | System and method for communicating with an appliance through an optical interface using a control panel indicator |
JP2005122707A (ja) * | 2003-09-24 | 2005-05-12 | Toshiba Corp | 保守管理方法及び保守管理システム |
US7590801B1 (en) * | 2004-02-12 | 2009-09-15 | Netapp, Inc. | Identifying suspect disks |
US7480828B2 (en) * | 2004-06-10 | 2009-01-20 | International Business Machines Corporation | Method, apparatus and program storage device for extending dispersion frame technique behavior using dynamic rule sets |
US7203879B2 (en) * | 2004-06-22 | 2007-04-10 | Northrop Grumman Corporation | Built-in-test diagnostic and maintenance support system and process |
US7142960B2 (en) * | 2004-10-14 | 2006-11-28 | Snap-On Incorporated | Prioritized test procedure and step display using statistical feedback |
US20060095230A1 (en) * | 2004-11-02 | 2006-05-04 | Jeff Grier | Method and system for enhancing machine diagnostics aids using statistical feedback |
US20060195327A1 (en) * | 2005-02-14 | 2006-08-31 | Kumar Ajith K | Method and system for reporting and processing information relating to railroad assets |
US7869908B2 (en) * | 2006-01-20 | 2011-01-11 | General Electric Company | Method and system for data collection and analysis |
US7369932B2 (en) * | 2006-05-04 | 2008-05-06 | Honeywell International, Inc. | System and method for turbine engine fault detection using discrete event system modeling |
US7690565B2 (en) * | 2006-06-30 | 2010-04-06 | Caterpillar Inc. | Method and system for inspecting machines |
US7677452B2 (en) * | 2006-06-30 | 2010-03-16 | Caterpillar Inc. | Method and system for providing signatures for machines |
US7819312B2 (en) * | 2006-06-30 | 2010-10-26 | Caterpillar Inc | Method and system for operating machines |
US7707285B2 (en) * | 2006-09-27 | 2010-04-27 | Integrien Corporation | System and method for generating and using fingerprints for integrity management |
US8230266B2 (en) * | 2008-06-03 | 2012-07-24 | General Electric Company | System and method for trip event data acquisition and wind turbine incorporating same |
US7822578B2 (en) | 2008-06-17 | 2010-10-26 | General Electric Company | Systems and methods for predicting maintenance of intelligent electronic devices |
US8631117B2 (en) * | 2008-08-19 | 2014-01-14 | Vmware, Inc. | System and method for correlating fingerprints for automated intelligence |
US8437877B2 (en) * | 2008-10-27 | 2013-05-07 | Lennox Industries Inc. | System recovery in a heating, ventilation and air conditioning network |
US8255086B2 (en) * | 2008-10-27 | 2012-08-28 | Lennox Industries Inc. | System recovery in a heating, ventilation and air conditioning network |
US8239066B2 (en) * | 2008-10-27 | 2012-08-07 | Lennox Industries Inc. | System and method of use for a user interface dashboard of a heating, ventilation and air conditioning network |
US8295981B2 (en) | 2008-10-27 | 2012-10-23 | Lennox Industries Inc. | Device commissioning in a heating, ventilation and air conditioning network |
US8463443B2 (en) * | 2008-10-27 | 2013-06-11 | Lennox Industries, Inc. | Memory recovery scheme and data structure in a heating, ventilation and air conditioning network |
US20100106957A1 (en) * | 2008-10-27 | 2010-04-29 | Lennox Industries Inc. | Programming and configuration in a heating, ventilation and air conditioning network |
US8433446B2 (en) * | 2008-10-27 | 2013-04-30 | Lennox Industries, Inc. | Alarm and diagnostics system and method for a distributed-architecture heating, ventilation and air conditioning network |
US8802981B2 (en) * | 2008-10-27 | 2014-08-12 | Lennox Industries Inc. | Flush wall mount thermostat and in-set mounting plate for a heating, ventilation and air conditioning system |
US8694164B2 (en) * | 2008-10-27 | 2014-04-08 | Lennox Industries, Inc. | Interactive user guidance interface for a heating, ventilation and air conditioning system |
US9325517B2 (en) * | 2008-10-27 | 2016-04-26 | Lennox Industries Inc. | Device abstraction system and method for a distributed-architecture heating, ventilation and air conditioning system |
US8452906B2 (en) | 2008-10-27 | 2013-05-28 | Lennox Industries, Inc. | Communication protocol system and method for a distributed-architecture heating, ventilation and air conditioning network |
US8874815B2 (en) * | 2008-10-27 | 2014-10-28 | Lennox Industries, Inc. | Communication protocol system and method for a distributed architecture heating, ventilation and air conditioning network |
US8655490B2 (en) * | 2008-10-27 | 2014-02-18 | Lennox Industries, Inc. | System and method of use for a user interface dashboard of a heating, ventilation and air conditioning network |
US8352081B2 (en) | 2008-10-27 | 2013-01-08 | Lennox Industries Inc. | Communication protocol system and method for a distributed-architecture heating, ventilation and air conditioning network |
US9678486B2 (en) * | 2008-10-27 | 2017-06-13 | Lennox Industries Inc. | Device abstraction system and method for a distributed-architecture heating, ventilation and air conditioning system |
US9632490B2 (en) | 2008-10-27 | 2017-04-25 | Lennox Industries Inc. | System and method for zoning a distributed architecture heating, ventilation and air conditioning network |
US8564400B2 (en) * | 2008-10-27 | 2013-10-22 | Lennox Industries, Inc. | Communication protocol system and method for a distributed-architecture heating, ventilation and air conditioning network |
US8560125B2 (en) * | 2008-10-27 | 2013-10-15 | Lennox Industries | Communication protocol system and method for a distributed-architecture heating, ventilation and air conditioning network |
US8352080B2 (en) * | 2008-10-27 | 2013-01-08 | Lennox Industries Inc. | Communication protocol system and method for a distributed-architecture heating, ventilation and air conditioning network |
US9268345B2 (en) * | 2008-10-27 | 2016-02-23 | Lennox Industries Inc. | System and method of use for a user interface dashboard of a heating, ventilation and air conditioning network |
US8892797B2 (en) * | 2008-10-27 | 2014-11-18 | Lennox Industries Inc. | Communication protocol system and method for a distributed-architecture heating, ventilation and air conditioning network |
US9261888B2 (en) | 2008-10-27 | 2016-02-16 | Lennox Industries Inc. | System and method of use for a user interface dashboard of a heating, ventilation and air conditioning network |
US8977794B2 (en) * | 2008-10-27 | 2015-03-10 | Lennox Industries, Inc. | Communication protocol system and method for a distributed-architecture heating, ventilation and air conditioning network |
US8661165B2 (en) * | 2008-10-27 | 2014-02-25 | Lennox Industries, Inc. | Device abstraction system and method for a distributed architecture heating, ventilation and air conditioning system |
US8442693B2 (en) | 2008-10-27 | 2013-05-14 | Lennox Industries, Inc. | System and method of use for a user interface dashboard of a heating, ventilation and air conditioning network |
US20100106312A1 (en) * | 2008-10-27 | 2010-04-29 | Lennox Industries Inc. | Alarm and diagnostics system and method for a distributed-architecture heating, ventilation and air conditioning network |
US8543243B2 (en) * | 2008-10-27 | 2013-09-24 | Lennox Industries, Inc. | System and method of use for a user interface dashboard of a heating, ventilation and air conditioning network |
US8855825B2 (en) | 2008-10-27 | 2014-10-07 | Lennox Industries Inc. | Device abstraction system and method for a distributed-architecture heating, ventilation and air conditioning system |
US8762666B2 (en) * | 2008-10-27 | 2014-06-24 | Lennox Industries, Inc. | Backup and restoration of operation control data in a heating, ventilation and air conditioning network |
US8655491B2 (en) * | 2008-10-27 | 2014-02-18 | Lennox Industries Inc. | Alarm and diagnostics system and method for a distributed architecture heating, ventilation and air conditioning network |
US8798796B2 (en) * | 2008-10-27 | 2014-08-05 | Lennox Industries Inc. | General control techniques in a heating, ventilation and air conditioning network |
US9152155B2 (en) * | 2008-10-27 | 2015-10-06 | Lennox Industries Inc. | Device abstraction system and method for a distributed-architecture heating, ventilation and air conditioning system |
US8548630B2 (en) | 2008-10-27 | 2013-10-01 | Lennox Industries, Inc. | Alarm and diagnostics system and method for a distributed-architecture heating, ventilation and air conditioning network |
US8725298B2 (en) * | 2008-10-27 | 2014-05-13 | Lennox Industries, Inc. | Alarm and diagnostics system and method for a distributed architecture heating, ventilation and conditioning network |
US8615326B2 (en) * | 2008-10-27 | 2013-12-24 | Lennox Industries Inc. | System and method of use for a user interface dashboard of a heating, ventilation and air conditioning network |
US9377768B2 (en) * | 2008-10-27 | 2016-06-28 | Lennox Industries Inc. | Memory recovery scheme and data structure in a heating, ventilation and air conditioning network |
US8600558B2 (en) * | 2008-10-27 | 2013-12-03 | Lennox Industries Inc. | System recovery in a heating, ventilation and air conditioning network |
US20100107072A1 (en) * | 2008-10-27 | 2010-04-29 | Lennox Industries Inc. | System and method of use for a user interface dashboard of a heating, ventilation and air conditioning network |
US8994539B2 (en) * | 2008-10-27 | 2015-03-31 | Lennox Industries, Inc. | Alarm and diagnostics system and method for a distributed-architecture heating, ventilation and air conditioning network |
US8463442B2 (en) * | 2008-10-27 | 2013-06-11 | Lennox Industries, Inc. | Alarm and diagnostics system and method for a distributed architecture heating, ventilation and air conditioning network |
US8788100B2 (en) | 2008-10-27 | 2014-07-22 | Lennox Industries Inc. | System and method for zoning a distributed-architecture heating, ventilation and air conditioning network |
US20100106810A1 (en) * | 2008-10-27 | 2010-04-29 | Lennox Industries Inc. | Communication protocol system and method for a distributed-architecture heating, ventilation and air conditioning network |
US20100106326A1 (en) * | 2008-10-27 | 2010-04-29 | Lennox Industries Inc. | Communication protocol system and method for a distributed-architecture heating, ventilation and air conditioning network |
US8600559B2 (en) * | 2008-10-27 | 2013-12-03 | Lennox Industries Inc. | Method of controlling equipment in a heating, ventilation and air conditioning network |
US9651925B2 (en) | 2008-10-27 | 2017-05-16 | Lennox Industries Inc. | System and method for zoning a distributed-architecture heating, ventilation and air conditioning network |
US9432208B2 (en) | 2008-10-27 | 2016-08-30 | Lennox Industries Inc. | Device abstraction system and method for a distributed architecture heating, ventilation and air conditioning system |
US8774210B2 (en) | 2008-10-27 | 2014-07-08 | Lennox Industries, Inc. | Communication protocol system and method for a distributed-architecture heating, ventilation and air conditioning network |
US8452456B2 (en) * | 2008-10-27 | 2013-05-28 | Lennox Industries Inc. | System and method of use for a user interface dashboard of a heating, ventilation and air conditioning network |
US8437878B2 (en) * | 2008-10-27 | 2013-05-07 | Lennox Industries Inc. | Alarm and diagnostics system and method for a distributed architecture heating, ventilation and air conditioning network |
US8744629B2 (en) * | 2008-10-27 | 2014-06-03 | Lennox Industries Inc. | System and method of use for a user interface dashboard of a heating, ventilation and air conditioning network |
US8121818B2 (en) * | 2008-11-10 | 2012-02-21 | Mitek Analytics Llc | Method and system for diagnostics of apparatus |
WO2010117762A2 (en) * | 2009-03-30 | 2010-10-14 | Lord Corporation | Land vehicles and systems with controllable suspension systems |
USD648641S1 (en) | 2009-10-21 | 2011-11-15 | Lennox Industries Inc. | Thin cover plate for an electronic system controller |
USD648642S1 (en) | 2009-10-21 | 2011-11-15 | Lennox Industries Inc. | Thin cover plate for an electronic system controller |
CN102110350B (zh) * | 2009-12-28 | 2014-11-19 | Ge医疗系统环球技术有限公司 | 超声探头故障前告警方法和装置及超声设备 |
US8260444B2 (en) * | 2010-02-17 | 2012-09-04 | Lennox Industries Inc. | Auxiliary controller of a HVAC system |
US10177984B2 (en) * | 2010-08-26 | 2019-01-08 | Entit Software Llc | Isolation of problems in a virtual environment |
CN101950483B (zh) * | 2010-09-15 | 2013-03-20 | 青岛海信网络科技股份有限公司 | 交通数据故障的修复方法及装置 |
US9684903B2 (en) | 2013-09-05 | 2017-06-20 | General Electric Company | Expert collaboration system and method |
US9239991B2 (en) | 2013-09-05 | 2016-01-19 | General Electric Company | Services support system and method |
US20160063418A1 (en) * | 2014-09-03 | 2016-03-03 | General Electric Company | System and Method for Inferring Vehicle Health |
US20160155098A1 (en) | 2014-12-01 | 2016-06-02 | Uptake, LLC | Historical Health Metrics |
US10579750B2 (en) | 2015-06-05 | 2020-03-03 | Uptake Technologies, Inc. | Dynamic execution of predictive models |
US10176279B2 (en) | 2015-06-05 | 2019-01-08 | Uptake Technologies, Inc. | Dynamic execution of predictive models and workflows |
US10254751B2 (en) | 2015-06-05 | 2019-04-09 | Uptake Technologies, Inc. | Local analytics at an asset |
US10878385B2 (en) | 2015-06-19 | 2020-12-29 | Uptake Technologies, Inc. | Computer system and method for distributing execution of a predictive model |
EP3350717A4 (de) | 2015-09-17 | 2019-04-17 | Uptake Technologies, Inc. | Computersysteme und verfahren zur gemeinsamen nutzung asset-bezogener informationen zwischen datenplattformen über ein netzwerk |
US10623294B2 (en) | 2015-12-07 | 2020-04-14 | Uptake Technologies, Inc. | Local analytics device |
US11295217B2 (en) | 2016-01-14 | 2022-04-05 | Uptake Technologies, Inc. | Localized temporal model forecasting |
US10510006B2 (en) | 2016-03-09 | 2019-12-17 | Uptake Technologies, Inc. | Handling of predictive models based on asset location |
US10796235B2 (en) | 2016-03-25 | 2020-10-06 | Uptake Technologies, Inc. | Computer systems and methods for providing a visualization of asset event and signal data |
US20170353353A1 (en) | 2016-06-03 | 2017-12-07 | Uptake Technologies, Inc. | Provisioning a Local Analytics Device |
US9934624B2 (en) * | 2016-08-12 | 2018-04-03 | Snap-On Incorporated | Method and system for providing diagnostic filter lists |
US10269191B2 (en) | 2016-08-12 | 2019-04-23 | Snap-On Incorporated | Method and system for displaying PIDs based on a PID filter list |
US10210037B2 (en) | 2016-08-25 | 2019-02-19 | Uptake Technologies, Inc. | Interface tool for asset fault analysis |
US10474932B2 (en) | 2016-09-01 | 2019-11-12 | Uptake Technologies, Inc. | Detection of anomalies in multivariate data |
US10228925B2 (en) | 2016-12-19 | 2019-03-12 | Uptake Technologies, Inc. | Systems, devices, and methods for deploying one or more artifacts to a deployment environment |
US10579961B2 (en) | 2017-01-26 | 2020-03-03 | Uptake Technologies, Inc. | Method and system of identifying environment features for use in analyzing asset operation |
US10963797B2 (en) | 2017-02-09 | 2021-03-30 | Caterpillar Inc. | System for analyzing machine data |
US11055631B2 (en) * | 2017-03-27 | 2021-07-06 | Nec Corporation | Automated meta parameter search for invariant based anomaly detectors in log analytics |
US10671039B2 (en) | 2017-05-03 | 2020-06-02 | Uptake Technologies, Inc. | Computer system and method for predicting an abnormal event at a wind turbine in a cluster |
DE112017007416T5 (de) | 2017-05-05 | 2019-12-24 | Ford Global Technologies, Llc | Adaptive diagnostische parametrisierung |
US10255526B2 (en) | 2017-06-09 | 2019-04-09 | Uptake Technologies, Inc. | Computer system and method for classifying temporal patterns of change in images of an area |
US11232371B2 (en) | 2017-10-19 | 2022-01-25 | Uptake Technologies, Inc. | Computer system and method for detecting anomalies in multivariate data |
US10552246B1 (en) | 2017-10-24 | 2020-02-04 | Uptake Technologies, Inc. | Computer system and method for handling non-communicative assets |
US10379982B2 (en) | 2017-10-31 | 2019-08-13 | Uptake Technologies, Inc. | Computer system and method for performing a virtual load test |
US10635519B1 (en) | 2017-11-30 | 2020-04-28 | Uptake Technologies, Inc. | Systems and methods for detecting and remedying software anomalies |
US10148367B1 (en) * | 2017-12-22 | 2018-12-04 | Raytheon Company | Built-in-test (BIT) for assignment-based AESA systems |
US10425172B2 (en) | 2017-12-22 | 2019-09-24 | Raytheon Company | Clutter rejecting built in test for assignment-based AESA systems |
US10815966B1 (en) | 2018-02-01 | 2020-10-27 | Uptake Technologies, Inc. | Computer system and method for determining an orientation of a wind turbine nacelle |
US10169135B1 (en) | 2018-03-02 | 2019-01-01 | Uptake Technologies, Inc. | Computer system and method of detecting manufacturing network anomalies |
US10554518B1 (en) | 2018-03-02 | 2020-02-04 | Uptake Technologies, Inc. | Computer system and method for evaluating health of nodes in a manufacturing network |
US10635095B2 (en) | 2018-04-24 | 2020-04-28 | Uptake Technologies, Inc. | Computer system and method for creating a supervised failure model |
US10860599B2 (en) | 2018-06-11 | 2020-12-08 | Uptake Technologies, Inc. | Tool for creating and deploying configurable pipelines |
US10579932B1 (en) | 2018-07-10 | 2020-03-03 | Uptake Technologies, Inc. | Computer system and method for creating and deploying an anomaly detection model based on streaming data |
US11250126B2 (en) * | 2018-09-28 | 2022-02-15 | Acronis International Gmbh | Systems and methods for analyzing process chains to detect malicious behavior |
US11119472B2 (en) | 2018-09-28 | 2021-09-14 | Uptake Technologies, Inc. | Computer system and method for evaluating an event prediction model |
US11181894B2 (en) | 2018-10-15 | 2021-11-23 | Uptake Technologies, Inc. | Computer system and method of defining a set of anomaly thresholds for an anomaly detection model |
CN109885018B (zh) * | 2019-01-18 | 2020-10-09 | 广东寰球智能科技有限公司 | 一种面向金属包装设备的专家智库系统的管理方法 |
US11480934B2 (en) | 2019-01-24 | 2022-10-25 | Uptake Technologies, Inc. | Computer system and method for creating an event prediction model |
US11030067B2 (en) | 2019-01-29 | 2021-06-08 | Uptake Technologies, Inc. | Computer system and method for presenting asset insights at a graphical user interface |
US10977113B2 (en) * | 2019-01-29 | 2021-04-13 | Dell Products L.P. | System and method for fault identification, logging, and remediation |
US11797550B2 (en) | 2019-01-30 | 2023-10-24 | Uptake Technologies, Inc. | Data science platform |
US10552765B1 (en) * | 2019-02-27 | 2020-02-04 | Ncr Corporation | Predictive terminal management |
US11208986B2 (en) | 2019-06-27 | 2021-12-28 | Uptake Technologies, Inc. | Computer system and method for detecting irregular yaw activity at a wind turbine |
CN110515366B (zh) * | 2019-07-29 | 2021-10-01 | 华为技术有限公司 | 一种故障诊断方法及装置 |
US10975841B2 (en) | 2019-08-02 | 2021-04-13 | Uptake Technologies, Inc. | Computer system and method for detecting rotor imbalance at a wind turbine |
US11892830B2 (en) | 2020-12-16 | 2024-02-06 | Uptake Technologies, Inc. | Risk assessment at power substations |
Family Cites Families (40)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4270174A (en) | 1979-02-05 | 1981-05-26 | Sun Electric Corporation | Remote site engine test techniques |
US4463418A (en) | 1981-06-30 | 1984-07-31 | International Business Machines Corporation | Error correction from remote data processor by communication and reconstruction of processor status storage disk |
US4517468A (en) | 1984-04-30 | 1985-05-14 | Westinghouse Electric Corp. | Diagnostic system and method |
US4695946A (en) | 1984-10-25 | 1987-09-22 | Unisys Corporation | Maintenance subsystem for computer network including power control and remote diagnostic center |
US4823914A (en) | 1987-06-24 | 1989-04-25 | Elevator Performance Technologies, Inc. | Status line monitoring system and method of using same |
KR890007306A (ko) | 1987-10-30 | 1989-06-19 | 제트.엘.더머 | 온라인 밸브 진단 감시 시스템 |
US5274572A (en) | 1987-12-02 | 1993-12-28 | Schlumberger Technology Corporation | Method and apparatus for knowledge-based signal monitoring and analysis |
US5113489A (en) | 1989-01-27 | 1992-05-12 | International Business Machines Corporation | Online performance monitoring and fault diagnosis technique for direct current motors as used in printer mechanisms |
JP2574892B2 (ja) | 1989-02-15 | 1997-01-22 | 株式会社日立製作所 | 自動車における負荷分担制御方法 |
US4970725A (en) | 1989-03-14 | 1990-11-13 | Westinghouse Electric Corp. | Automated system testability assessment method |
US5123017A (en) | 1989-09-29 | 1992-06-16 | The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration | Remote maintenance monitoring system |
US4977390A (en) | 1989-10-19 | 1990-12-11 | Niagara Mohawk Power Corporation | Real time method for processing alaarms generated within a predetermined system |
US5282127A (en) | 1989-11-20 | 1994-01-25 | Sanyo Electric Co., Ltd. | Centralized control system for terminal device |
US5282212A (en) | 1990-12-28 | 1994-01-25 | Shah Rasiklal P | Algorithm for identifying highly suspect components in fault isolation |
US5255208A (en) | 1991-08-08 | 1993-10-19 | Aeg Westinghouse Transportation Systems, Inc. | On-line processor based diagnostic system |
US5321837A (en) | 1991-10-11 | 1994-06-14 | International Business Machines Corporation | Event handling mechanism having a process and an action association process |
US5414645A (en) | 1991-10-25 | 1995-05-09 | Mazda Motor Corporation | Method of fault diagnosis in an apparatus having sensors |
FR2685526B1 (fr) | 1991-12-20 | 1994-02-04 | Alcatel Nv | Reseau de liaison avec capteurs de surveillance et systeme de diagnostic, et procede d'etablissement de diagnostics pour un tel reseau. |
US5400018A (en) | 1992-12-22 | 1995-03-21 | Caterpillar Inc. | Method of relaying information relating to the status of a vehicle |
US5631831A (en) | 1993-02-26 | 1997-05-20 | Spx Corporation | Diagnosis method for vehicle systems |
US5445347A (en) | 1993-05-13 | 1995-08-29 | Hughes Aircraft Company | Automated wireless preventive maintenance monitoring system for magnetic levitation (MAGLEV) trains and other vehicles |
US5406502A (en) | 1993-06-29 | 1995-04-11 | Elbit Ltd. | System and method for measuring the operation of a device |
US5666534A (en) | 1993-06-29 | 1997-09-09 | Bull Hn Information Systems Inc. | Method and appartus for use by a host system for mechanizing highly configurable capabilities in carrying out remote support for such system |
US5463768A (en) * | 1994-03-17 | 1995-10-31 | General Electric Company | Method and system for analyzing error logs for diagnostics |
US5629869A (en) | 1994-04-11 | 1997-05-13 | Abb Power T&D Company | Intelligent circuit breaker providing synchronous switching and condition monitoring |
US5572424A (en) * | 1994-05-23 | 1996-11-05 | Automotive Information Systems | Diagnostic system for an engine employing collection of exhaust gases |
US5528516A (en) | 1994-05-25 | 1996-06-18 | System Management Arts, Inc. | Apparatus and method for event correlation and problem reporting |
US5566091A (en) | 1994-06-30 | 1996-10-15 | Caterpillar Inc. | Method and apparatus for machine health inference by comparing two like loaded components |
US5594663A (en) | 1995-01-23 | 1997-01-14 | Hewlett-Packard Company | Remote diagnostic tool |
EP0813479B1 (de) | 1995-03-03 | 2006-08-30 | QUALCOMM Incorporated | Verfahren und vorrichtung zur überwachung der parametern von fahrzeugelektronischen steuerungseinheiten |
US5729452A (en) * | 1995-03-31 | 1998-03-17 | Envirotest Acquisition Co. | Method and system for diagnosing and reporting failure of a vehicle emission test |
US5678002A (en) | 1995-07-18 | 1997-10-14 | Microsoft Corporation | System and method for providing automated customer support |
US5742915A (en) | 1995-12-13 | 1998-04-21 | Caterpillar Inc. | Position referenced data for monitoring and controlling |
US5633628A (en) | 1996-01-03 | 1997-05-27 | General Railway Signal Corporation | Wheelset monitoring system |
US6101180A (en) * | 1996-11-12 | 2000-08-08 | Starguide Digital Networks, Inc. | High bandwidth broadcast system having localized multicast access to broadcast content |
US5845272A (en) | 1996-11-29 | 1998-12-01 | General Electric Company | System and method for isolating failures in a locomotive |
US5950147A (en) | 1997-06-05 | 1999-09-07 | Caterpillar Inc. | Method and apparatus for predicting a fault condition |
US6175934B1 (en) | 1997-12-15 | 2001-01-16 | General Electric Company | Method and apparatus for enhanced service quality through remote diagnostics |
US6216066B1 (en) * | 1998-07-01 | 2001-04-10 | General Electric Company | System and method for generating alerts through multi-variate data assessment |
AU758061B2 (en) * | 1999-04-02 | 2003-03-13 | General Electric Company | A method and system for analyzing operational data for diagnostics of locomotive malfunctions |
-
1999
- 1999-11-12 US US09/438,271 patent/US6336065B1/en not_active Expired - Lifetime
-
2000
- 2000-10-27 DE DE60005861T patent/DE60005861T2/de not_active Expired - Lifetime
- 2000-10-27 WO PCT/US2000/029799 patent/WO2001031412A1/en active IP Right Grant
- 2000-10-27 MX MXPA02004192A patent/MXPA02004192A/es active IP Right Grant
- 2000-10-27 AU AU12437/01A patent/AU781329B2/en not_active Ceased
- 2000-10-27 AT AT00973998T patent/ATE251772T1/de not_active IP Right Cessation
- 2000-10-27 BR BR0015067-3A patent/BR0015067A/pt active Search and Examination
- 2000-10-27 EP EP00973998A patent/EP1254402B1/de not_active Expired - Lifetime
- 2000-10-27 CA CA002387931A patent/CA2387931C/en not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
WO2001031412A1 (en) | 2001-05-03 |
ATE251772T1 (de) | 2003-10-15 |
EP1254402A1 (de) | 2002-11-06 |
MXPA02004192A (es) | 2003-08-20 |
CA2387931A1 (en) | 2001-05-30 |
DE60005861D1 (de) | 2003-11-13 |
EP1254402B1 (de) | 2003-10-08 |
AU781329B2 (en) | 2005-05-19 |
CA2387931C (en) | 2008-09-16 |
BR0015067A (pt) | 2002-06-18 |
AU1243701A (en) | 2001-05-08 |
US6336065B1 (en) | 2002-01-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE60005861T2 (de) | Verfahren und system zur analyse von kontinuirlichen parameterdaten für diagnostik und reparaturen | |
DE4436658B4 (de) | Vorrichtung und Verfahren zur Störungsuntersuchung | |
EP0894304B2 (de) | Verfahren zur automatischen diagnose technischer systeme unter berücksichtigung eines effizienten wissenserwerbs und einer effizienten bearbeitung zur laufzeit | |
DE19742446B4 (de) | Fehlerdiagnoseverfahren | |
EP0789861B1 (de) | Verfahren zur analyse von prozessdaten einer technischen anlage | |
DE60113114T2 (de) | Integriertes diagnosesystem und -verfahren | |
DE102011108678B4 (de) | Ereignisgesteuertes Datamining-Verfahren zum Verbessern von Fehlercodeeinstellungen und zum Isolieren von Fehlern | |
DE102010038827A1 (de) | Verfahren und System für die Fehlervorhersage mit Hilfe eines Agenten | |
DE102006048430A1 (de) | Verfahren zur Wartungsvorhersage einer Maschine | |
WO2002013015A1 (de) | System zur ermittlung von fehlerursachen | |
DE102010051133A1 (de) | Fehlerdiagnose und -prognose unter Verwendung von Diagnosestörungscode-Markov-Ketten | |
EP0988583B1 (de) | System und verfahren zur diagnose von triebwerkszuständen | |
DE102004024262A1 (de) | Wissensbasiertes Diagnosesystem für ein komplexes technisches System mit zwei getrennten Wissensbasen zur Verarbeitung technischer Systemdaten und zur Verarbeitung von Kundenbeanstandungen | |
EP1703350B1 (de) | Diagnose eines Automatisierungssystems | |
WO2006105930A1 (de) | Diagnosesystem zur bestimmung einer gewichteten liste möglicherweise fehlerhafter komponenten aus fahrzeugdaten und kundenangaben | |
DE102005046388A1 (de) | Modellgestützte Diagnose und Reparatur mittels Ereignisprotokollierung | |
DE102004015504A1 (de) | Verfahren und Vorrichtung zur diagnostischen Wahl eines Wartungskonzepts für ein komplexes System | |
EP0789864B1 (de) | Überwachungssystem für eine technische anlage | |
EP0768584B1 (de) | Verfahren zur Überwachung einer Maschine oder Anlage | |
DE102004015503A1 (de) | Verfahren und Vorrichtung zum Korrigieren diagnostischer Analysekonzepte in komplexen Systemen | |
DE102015225144A1 (de) | System und Verfahren zur Diagnose von zumindest einer wartungsbedürftigen Komponente eines Geräts und/oder Anlage | |
DE102019217613A1 (de) | Verfahren zur diagnose eines motorzustands und diagnostisches modellierungsverfahren dafür | |
DE60306494T2 (de) | Vorrichtung, verfahren und computerprogrammprodukt zur modellierung der kausalität in einem flusssystem | |
WO2010112264A1 (de) | Vorrichtung und verfahren zur erstellung eines prozessmodells | |
EP2102723B1 (de) | Verfahren und vorrichtung zum diagnostizieren von funktionen und fahrzeugsystemen |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
8364 | No opposition during term of opposition | ||
8328 | Change in the person/name/address of the agent |
Representative=s name: ROEGER UND KOLLEGEN, 73728 ESSLINGEN |