在预报的时段期间的实际事件之间的差别，用来生成给定工业资产的健康状况简档的模型可以随时间的推移而改变。
[0036]作为另一例子，第一模型可以基于用来将工业资产划分成子集准则进行选择。例如，可以认为，第一模型在预报由第一制造商制造的变压器时更准确，并且第二模型在预报由第二制造商制造的变压器时更准确。因此，如果在106处基于制造商对变压器进行划分，则可以选择第一模型以生成针对由第一制造商制造的变压器的第一子集的健康状况简档，并且可以选择第二模型以生成针对由第二制造商制造的变压器的第二子集的健康状况简档。再次，如下文将描述的，例如，基于用来划分一类工业资产的准则的改变和/或对制造商和模型之间的相互影响的理解的改变(例如，随着时间的推移，可能变得明显的是模型的准确性并不像曾经认为的那样依赖于制造商)，针对特定子集选择的模型可以随着时间的推移而改变。
[0037]在示例性方法100的110处，使用第一模型以生成针对第一子集中的第一工业资产的第一健康状况简档。第一健康状况简档描述预期的在预测时段期间的第一工业资产的健康状况(例如，其可以是用户指定的或者可以是根据模型参数而被指定的)。举例而言，在触发事件(例如，用户发起、时间段流逝、预算事件、运行事件等)发生后，可以将第一工业资产的数据记录的至少一部分提供至第一模型，第一模型分析数据记录的该部分以生成第一工业资产的第一健康状况简档。第一健康状况简档除其他事项外可以描述，第一工业资产的当前的健康状况、被建议要在预测时段期间(例如，在预报窗口期间)执行的一个或多个保养动作计划(多个)、预期的在预测时段期间的第一工业资产的健康状况和/或在保养动作被执行和/或未被执行的情况下的相关联的结果、和/或预期的与保养动作相关联的成本。在健康状况简档中所包括的预测和/或建议中的至少一些可以与用来描述预测(多个)和/或建议(多个)(例如，预报)中的信任度简档相关联。
[0038]在示例方法100的112处，该类工业资产可以基于第二准则被重新划分为第二子集集合(例如，其中基于重新划分，第一工业资产是一个第二子集的部分)和/或可以选择第二模型以生成针对工业资产的第一子集或第二子集中的至少一个的健康状况简档。举例而言，在总体健康状况简档中的和/或在包含在其中的一个或多个预测中的信任度的程度可能小于指定阈值。作为另一例子，在建议的适用性方面的信任度和/或预期的建议的成本有效性的范围可能小于所期望的。因此，用于再细分一类工业资产的准则和/或所选择的模型可以被更新以试图改善在总体健康状况简档中的和/或在一个或多个预测中的信任度并且/或者改善建议的适用性和/或建议的成本有效性。举例而言，可以基于第一健康状况简档(例如，和/或基于使用第一健康状况简档无法实现所期望的信任度、所期望的成本有效性等)针对工业资产的第一子集选择第二模型，并且可以将第一工业资产的数据记录提供至第二模型以在114处使用第二模型生成针对第一工业资产的第二健康状况简档。在一些实施例，这样的处理可以继续下去，直到满足了所期望的停止准则(例如，数据存储中的相应的模型已经被测试，健康状况简档的信任度简档满足指定的阈值等)。
[0039]在示例性方法100的116处，基于在第一健康状况简档和/或第二健康状况简档的预测时段期间所收集的、与第一工业资产相关联的实际数据来对第一健康状况简档和/或所述第二健康状况简档进行评价。这样的实际数据可以包括关于在预测时段多久和/或在什么时段对工业资产的健康状况进行评价这样的信息、在预测时段期间所执行的保养动作、在预测时段期间的运行条件、和/或可以被用于评估第一健康状况简档和/或第二健康状况简档的可靠性和/或准确性的其他信息。在这样的评价中，在预测和在预测时段(例如，预测窗口)之内发生的实际事件之间差别和/或相似性被识别出。例如，可以获取在预测时段期间收集的数据(例如，比如保养记录、传感器读数等)以确定建议的保养动作是否被执行并且/或者执行或不执行建议的保养动作对工业资产的健康状况简档有什么影响(例如，这可以与在第一健康状况简档和/或第二健康状况简档中所列出的预报的影响进行比较)。作为进一步的例子，可以获取数据以确定替代保养动作是否被执行(或者是否没有保养动作被执行)，并且评估替代的保养动作和/或缺乏保养动作的影响。在一些实施例中，也可以获取数据以确定是否以与所建议的不同的特征(例如，人员、部件、定时、运行状况等)执行了建议的保养动作。
[0040]在示例性方法100的118处，在116处获取的实际数据和/或在预测和实际事件之间的差别和/或相似性可以被用于更新第一模型和/或第二模型的模型逻辑和/或模型参数，以更新用来将一类工业资产划分成子集的准则(例如，其中基于重新划分，第一工业资产是第三子集的部分)，和/或以选择用于生成针对第一子集、第二子集、和/或第三子集中的至少一项的健康状况简档的第三模型。以这种方式，可以基于评价来更新(例如，精调)模型逻辑、模型参数、使用的模型的类型、和/或用来划分工业资产的准则。
[0041]在一些实施例，实际数据和/或在预测和实际事件之间的差别和/或相似性还可以被用于更新模型逻辑和/或模型参数，以便确定评估时段和/或预测时段、通过模型生成的保养计划的数目、和/或那些保养计划的持续时间。举例而言，产生一个优选的2年保养计划以及一个交替的2年保养计划的具有从“今天”开始的2年的预测时段的模型可以被更新以产生优选的和交替的保养计划序列，用于从“今天”开始并且在从接下来的日历年度或会计年度的最后一天起的5年结束的5-6年的预测时段(例如，所得到的更新后的模型可以产生作为输出的从现在直到当前年度(日历或会计)的结束的建议的部分年度保养计划，以及用于工业资产的两个5年保养计划序列，其中在部分年度保养计划被执行的情况下建议第一(优选的)计划，并且在部分年度保养计划未被执行的情况下建议第二(交替的)5年计划)。
[0042]应当理解，虽然对使用来自单个工业资产的数据以更新模型逻辑、模型参数、使用的模型的类型(多个)、和/或用来划分工业资产的准则进行了参考，但是可以使用来自多个工业资产的数据来确定更新。例如，机器学习算法可以将来自多个工业资产的数据形成池，以识别可以建议它是否是更好的用来更新通过其再细分工业资产的准则的趋势和/或模式，或者选择不同的模型，或者更新先前选择的用于子集的模型参数(多个)，或者更新先前选择的用于子集的模型逻辑，或组合两个或多个模型(例如，以形成元模型)，或者这些考虑中的一个或多个的组合。
[0043]参考图2，描述了用于生成工业资产(例如，比如工业资产的第一子集中的第一工业资产)的健康状况简档的示例方法200。可以理解，虽然本文对生成单个资产的健康状况简档进行了参考，但是类似的方法200可以被用来生成针对多个工业资产的健康状况简档。
[0044]在示例性方法200的204处，开发了用于生成工业资产的健康状况简档的模型(例如，图1中104)。模型描述用于分析与工业资产相关联的数据以预测或预报工业资产的健康状况的处理，包括被建议要在预测时段期间对工业资产执行的一种或多种保养动作(例如，以补救条件和/或减轻条件对工业资产和/或工业资产在其中操作的系统的运行性能的影响的可能性或大小)和/或那些保养动作对工业资产的健康状况和/或性能的影响(例如，执行预期的保养动作以增加寿命、增加容量等)。例如，模型可以预测对断路器的修改可以缓解可能导致电流浪涌到达下游设备迫近的断路器故障。
[0045]如关于图6所进一步描述的，模型可以包括描述要被分析的数据的模型参数(例如要由模型考虑的数据的类型(多个)、要被考虑的数据的时间跨度、在相应的数据类型和/或来源方面的信任度，等)和/或描述数据将如何被分析的模型逻辑(例如，相应类型的数据将如何被处理等)。
[0046]在204处，可以使用与工业资产相关联的历史数据和/或与满足指定准则的其他工业资产相关联的历史数据来开发模型。举例而言，在一些实施例中，一个数据挖掘算法可以被配置为分析与工业资产相关联的历史数据以确定历史数据中的使工业资产的条件与保养动作相关的模式(例如，O形环通常在油位下降低于两升的8个月内被更换)。作为另一例子，数据挖掘算法可以被配置为分析与该工业资产是其成员的工业资产的子集相关联的历史数据(例如，比如在类似环境中操作的工业资产的子集)，以识别历史数据中的如下模式，其是或不是条件和/或可以或不可以补救这样的条件的保养动作的预测。
[0047]在一些实施例中，在204处，模型由具有关于工业资产和/或该工业资产是其成员的一类工业资产的知识的主题专家来开发。例如，主题专家可以具有关于工业的运行特性(例如，溶解气体浓度、芯部温度、环境温度、振动测量、壁厚度测量等)的知识，运行特性可能预示着条件和/或可以在确定是否应当对工业资产执行特定的保养动作时提供证据。因此，主题专家可以开发一种模型，其使用指示这样的运行特性的数据来评价在预测时段期间条件可能发生的概率和/或来预测被建议要在预测时段内执行的一种或多种保养动作。
[0048]可以理解，虽然本文具体参考了开发用于生成工业资产的健康状况简档的模型，但是在204处，可以针对包括工业资产的一类工业资产开发模型。也就是说，模型可能未被开发以具体用于与工业资产的使用(而是例如可以被生成作为可以被用于开发针对该工业资产是其成员的一类工业资产的健康状况简档的若干的不同模型中的一个模型)，并且模型可以随后被选择以生成用于该工业资产的健康状况简档。举例而言，模型可以被开发用于一个特定类别的工业资产和/或工业资产的子集(例如，其中，如前面所描述的，一个子集可以涉及在类似的环境中操作的一组工业资产、是相同电压等级的成员、都有共同的制造商、在年限上类似等)。用于识别工业资产的子集(例如，本文也称为可比较的资产)的示例性方法将关于图9进一步详细。
[0049]在示例性方法200的206处，模型被执行以生成工业资产(例如，以及感兴趣的其他工业资产，其是被配置为将通过模型进行分析的一个类别或子集的成员)的健康状况简档(例如，图1中110)。模型可以被按需执行和/或可以基于定义的规则集合而通过编程来执行(例如，执行模型以每3个月一次地更新工业资产的健康状况简档，在关于工业资产的特定事件发生时执行模型以更新健康状况简档，在期望更新报告时执行模型等)。
[0050]健康状况简档描述预期的在预测时段(多个)期间的工业资产的健康状况(例如，包括建议的在预测时段(多个)期间的保养动作)，并且基于已经在评估时段和/或多个评估时段内收集/生成的、与工业资产相关联的数据而生成(例如，其中第一评估时段可以被应用于第一类型的数据并且第二评估时段可以被应用于第二类型的数据)。
[0051]评估时段(多个)在本文中指的是这样的时间段，在该时间段期间，收集/生成形成预测的基础的数据。举例而言，在上一年收集的数据可以被输入到模型中(例如，其中上一年是评估时段)。在一些实施例中，评估时段(多个)在模型被开发或更新(例如，可以是模型参数(多个)和/或复合参数)时被指定。在其他实施例中，评估时段(多个)在模型被执行以生成针对工业资产的健康状况简档时被指定(例如，由用户)。举例而言，当用户希望执行针对特定工业资产的模型(多个)时，可以呈现有助于一个或多个参数(比如期望的评估时段和/或期望预测时段)的用户录入的图形界面。用户可以录入或选择期望的参数，包括期望的评估时段和/或期望的预测时段。通过选择选项来“运行”模型(多个)，模型(多个)例如可以针对用户指定的预测时段和/或评估时段被更新并且然后被执行。
[0052]在一些实施例中，评估时段本质上是相对的，使得评估时段在执行模型时被确定。举例而言，评估日期和时间可以相对于何时执行模型(例如，“今天”，或者在前月份的最后一天的午夜)而被指定，并且评估时段可以通过模型被定义为在评估日期前的两个月开始并且在评估日期结束的时段(例如，从而在评估时段中包含的日期是执行模型的时间的函数)。在其他实施例中，评估时段本质上是静态的。例如，评估时段可以被定义为工业资产的使用寿命(例如，它不根据何时执行模型而改变)的前三个月。
[0053]如关于图3-5所进一步描述的，评估时段可能包括过去、现在和/或未来的时间。举例而言，评估时段可以是从一年前的今天一直延伸到未来的六个月的时段。可以理解，其中评估时段延伸到未来，实际数据(例如，指示真实的测量、观察等的数据)可能是不可用的。因此，在一些实施例中，被提供给模型的数据可以包括从真实的数据推导出的估计和/或预报并且/或者在那些估计和/或预报中的信任度。例如，指示针对未来6个月所预期的溶解气体浓度的数据可以基于指示针对过去6个月、去年等的溶解气体浓度的读数的数据的外推和/或内推而生成。在又其他的实施例中，模型逻辑被配置为执行这样的预报，并且因此模型所接收到的数据仅仅是真实的数据(例如，指示真实的测量、观察等的数据)。
[0054]在一些实施例中，评估时段可以针对要由模型所分析的不同类型的数据而不同。举例而言，对于模型可能期望的是分析指示已经在至少一年的跨度之上收集的环境空气温度的数据，同时对于模型可能期望的是分析指示仅在6个月的跨度之上所收集的工业资产内的溶解气体浓度的数据。因此，针对指示环境空气温度的数据的评估时段可以是I年，而针对指示溶解气体浓度的数据的评