通过语言句子提供对工业机器或设备中的异常的解释的制作方法

本文所公开的主题涉及一种用于通过文本消息提供对工业机器或设备中的异常的解释的方法和系统，以及它们的应用。

背景技术：

1、工业机器或设备中的“异常”是机器或设备中（在其操作期间）与期望情况不同的情况，即“异常情况”。例如，异常可能是机器或设备的某一位置处的温度比正常值高。通常，正常值源自机器或设备的设计。正常值可以取决于机器或设备的当前操作条件（例如当前环境温度），并且/或者取决于机器或设备的当前操作模式（例如满功率或停机）。

2、“异常”可能或多或少严重。例如，在某个机器中，在某种操作条件下以及在某个操作模式下，如果某个位置处的温度具有比其正常值高50%的值，则存在问题（即，存在“严重异常”）；而如果该温度仅比其正常值高5%，则该问题可能被容忍（即，存在“轻微异常”）并且/或者甚至可能不被认为是异常。

3、当谈论工业机器或设备中的“异常”时，也可以参考时间，即参考“异常情况”的持续时间。例如，在某个机器中，在某种操作条件下以及在某个操作模式下，如果某个位置处的温度维持比其正常值高50%的值持续例如1分钟，则存在“异常”；而如果该温度维持仅比其正常值高50%的值持续例如1秒钟，则不存在“异常”。

4、对工业机器和设备中的异常进行自动检测的期望是众所周知的。专利文献和科学文献两者中已经提供了具体的解决方案。例如，us 2015/267591 a1公开了一种监测燃气涡轮机中的燃烧异常的方法。

5、另外的期望是，一旦在工业机器或设备中检测到“异常”，就会自动确定“异常”的“原因”或“根本原因”。专利文献和科学文献中已经提供了很少的具体解决方案。例如，us2014/163926 a1公开了自动化根本原因分析，us 2018/348747 a1公开了一种用于对机器故障的无监督根本原因分析的系统和方法，并且us2023205161公开了一种用于监测工业设备的方法和装置。

技术实现思路

1、将期望对已检测到的异常进行解释。如果解释是为了工业机器或设备的用户（其有时也是其管理者和/或其所有者）的利益而提供的，则这一点尤其如此。实际上，设计工业机器或设备的技术人员对其具有远为更高的知识和理解。

2、如下文中更好地解释的，对异常的解释可以是对下列问题中的一个或多个问题的回复信息：异常是什么？机器或设备的哪个部分涉及异常？异常将影响机器或设备的哪个部分？异常来自哪里？异常的原因是什么？异常的根本原因是什么？

3、us 2022/207326 a1是名称为“anomaly detection，data prediction andgeneration of human-interpretable explanations of anomalies（异常检测、数据预测以及生成对异常的人类可解读的解释）”的文档。然而，即使其名称涉及“人类可解读的解释”，该文档也公开了一种仅能够提供所谓的“shapley加性解释”（即shap）的系统；换句话讲，解释在于输入特征和输出特征之间的关系，并且系统向用户呈现shap值作为解释（参见段落[0083]）。此外，“系统可以被配置为显示具有最大shap值的前20个特征。以这种方式，系统可以以任何合适的方式布置、组织、过滤或以其他方式处理特征的shap值，以向用户解释系统的输出（诸如哪些特征对异常或所预测的数据点贡献最大）。”因此，此类类型的解释可能仅由高级技术人员使用，并且远非用户友好的。

4、特别是考虑到机器或设备的用户，最好是通过自然语言句子来提供解释。可能地，此类句子可以被变成语音消息。

5、一种简单的解决方案将为：基于从多个传感器收集到的数据来检测异常，以具体标识异常是什么，并且使用lut（=查找表）来提取与所标识的异常相关联的文本消息。然而，在这种情况下，必须以非常特定的方式对异常进行标识，以便可以将其用作lut的条目。此外，如果期望合理的详细解释，则lut的大小应为巨大的。

6、在us 2017/284896 a1中公开了与异常检测相关的查找的使用；此类解决方案提供了以下步骤：接收与一台机械相关联的时间系列数据；通过将时间系列数据与关联于一台机械的模型进行比较来自动确定与一台机械相关联的异常；基于执行对已知故障模式的查找来自动确定异常不是已知故障；以及发送与未知故障模式相关联的警告。

7、us 2014/163926 a1公开了使用被称为“相关性矩阵”的矩阵，以便向用户呈现对不当行为的最可能解释的列表；此类解决方案基于计算检测到的不当行为与存储在至少一个数据库中的多个已知不当行为之间的距离。

8、根据第一方面，本文所公开的主题涉及一种用于提供关于工业机器或设备中的异常的解释性信息的计算机实现的方法，该解释性信息采用自然语言句子的形式；该方法包括以下步骤：a）接收源自所述工业机器或设备的对应的多个传感器的多个时间系列序列；b）对所述多个时间系列序列进行编码，从而生成对应的多个时间系列嵌入特征；c）映射所述多个时间系列嵌入特征，从而生成多个句子嵌入特征；d）对所述多个句子嵌入特征进行解码，从而生成自然语言句子；以及e）发送所述自然语言句子。

9、根据第二方面，本文所公开的主题涉及一种被配置为执行上述方法的基于计算机的系统；在该系统中，该方法的步骤“a”、“b”、“c”、“d”、“e”由一个或多个电子处理单元（例如计算机，特别是个人计算机或工作站）执行，该一个或多个电子处理单元设置有包括用于这些步骤的软件指令集的软件程序。

10、根据另外的方面，本文所公开的主题涉及工业机器和工业设备，该工业机器和工业设备能够采用自然语言句子的形式向工业机器和工业设备的用户提供关于在工业机器和工业设备内部发生的任何异常的解释性信息。

11、上述方法和上述系统属于所谓的ai（=人工智能）方法和系统的类型。因此，其性能的质量取决于初步训练和为此使用的数据。

12、上述方法和上述系统并非直接从来自工业机器或设备的传感器的时间系列序列生成自然语言句子，而是通过时间系列的“嵌入”特征和句子的“嵌入”特征。以这种方式，任务被大大简化。

13、us2023205161公开了一种使用自动编码器来检测来自工业传感器的信号中的异常行为的系统，并且公开了一种用于使用基于自动编码器的办法来检测异常的方法。特别地，文本报告包括用于对异常进行分类的自由文本信息。按如下方式进行分类：1）基于语法规则来提取文本中最重要的字词（例如，移除“和”、“。”、“、”以及其他相关性较低的字词，同时保留关键词）。2）使用所提取的“词袋”，用于基于异常信号的描述来对异常信号进行聚类。3）通过首先将字词转换为数字（word2vec或类似方法）并且然后使用k均值或t-sne或其他无监督聚类技术来对异常进行聚类。该办法基于无监督聚类来对异常进行“标记”：即，该办法仅将新异常与过去遇到的类似异常相关联，但并未指定它们以何种方式类似。

14、应当指出的是，根据本文所公开的主题，基于大语言模型（llm）办法的方法不需要预定义的聚类或类别，但是使用llm来检查信号并利用文本来描述（解释）异常，该模型可以通过人类语言更自然地描述信号。

15、应当指出的是，根据本文所公开的主题，即使对于在初步训练期间未考虑到的异常，也可以通过利用所获取的知识来生成异常解释。

16、还应当指出的是，即使没有许多关于异常的（带注释的）数据可用于初步训练，也可以实现根据本文所公开的主题的解决方案。然而，重要的是，有足够的与要监测的机器或设备的正常操作相关的数据可用，并且将这些数据用于初步训练。

17、由于可以根据本文所公开的主题使用的大语言模型，如果用户在已接收到初始解释之后向ai系统提供进一步所谓的“提示”（“提示”意味着“试图使某人说出某事的动作”），则解释可以更深入。

18、根据本文所公开的主题可以使用的大语言模型可以是已训练过的商业上可用的模型，并且有利地被微调以用于异常检测和/或解释。