AT507019B1 - Verfahren zur überwachung einer industrieanlage - Google Patents

Abstract

Die Erfindung betrifft ein Verfahren zum Überwachen von Anlagen, insbesondere komplexe Anlagen der Eisen- und Stahlindustrie, mit den Schritten Aufnehmen von mindestens zwei Kanälen von Messdaten einer Anlage, gegebenenfalls Abspeichern der Messdaten, Definition eines Zielkanals aus den Messdaten, Vorbehandlung der Messdaten, messdatenbasierte Bildung mindestens eines Modells des Zielkanals und Verwendung des so generierten Modells und aktuell ermittelter Messdaten zur Detektion von Fehlzuständen der Anlage. Aufgabe der Erfindung ist es, ein Verfahren zur Überwachung von Industrieanlagen zu schaffen, mit welchem die Qualität der aufgenommenen Messdaten der Anlage verbessert und die Größe der Messdaten stark reduziert werden kann, ohne dass es dadurch zu einem signifikanten Informationsverlust kommt. Diese Aufgabe wird durch ein Verfahren gelöst, bei dem die Messdaten im Schritt Vorbehandlung der Messdaten den Verfahrensschritten1)Detektion und Eliminierung von „Null-Kanälen",2)Detektion und Eliminierung von inkonsistenten bzw. unplausiblen Messdaten, den sogenannten „Ausreißern",3)Filterung,4)Downsampling unterzogen werden.

Description

österreichisches Patentamt AT 507 019 B1 2011-03-15

Beschreibung

VERFAHREN ZUR ÜBERWACHUNG EINER INDUSTRIEANLAGE

[0001] Die vorliegende Erfindung betrifft ein Verfahren zur Vorbehandlung von Messdaten zur Überwachung einer Industrieanlage.

[0002] Konkret betrifft die Erfindung ein Verfahren zum Überwachen von Anlagen, insbesondere komplexe Anlagen der Eisen- und Stahlindustrie, mit den Schritten Aufnehmen von mindestens zwei Kanälen von Messdaten einer Anlage, gegebenenfalls Abspeichern der Messdaten, Definition eines Zielkanals aus den Messdaten, Vorbehandlung der Messdaten, messdatenbasierte Bildung mindestens eines Modells des Zielkanals und Verwendung des so generierten Modells und aktuell ermittelter Messdaten zur Detektion von Fehlzuständen der Anlage.

[0003] Rechnergestützte Verfahren zur Überwachung von Anlagen bzw. Prozessen sind dem Fachmann unter den Begriffen Fault Diagnosis oder Fault Detection (nachfolgend kurz FD) bekannt, siehe z.B. WO 02/086726 A1. Diese Verfahren zur Detektion von Fehlzuständen in komplexen Industrieanlagen beinhalten folgende Verfahrensschritte: [0004] a) Messdatenerfassung von mindestens zwei Kanälen einer Anlage, [0005] b) gegebenenfalls Abspeichern der Messdaten, [0006] c) Definition eines Zielkanals aus den erfassten Kanälen der Messdaten, [0007] d) gegebenenfalls Vorbehandlung der Messdaten, [0008] e) messdatenbasierte Bildung mindestens eines Modells des Zielkanals, [0009] f) Verwendung aktuell ermittelter Messdaten und des gebildeten Modells zur Berech nung eines simulierten Werts des Zielkanals, [0010] g) Detektion von Fehlzuständen durch das Vergleichen zwischen dem aktuellen und dem simulierten Wert des Zielkanals.

[0011] Moderne Industrieanlagen, beispielsweise Hochöfen oder Walzwerke, typischerweise mit einer großen Anzahl gekoppelter Einzelanlagen, sind hochkomplexe technische Systeme. Heute werden zur Überwachung dieser Anlagen bzw. Prozesse hunderte bis tausende Messsensoren durch ein Messdatenerfassungssystem permanent und in Echtzeit (z.B. mit einer Abtastzeit von 1 ms) erfasst und besondere relevante Daten dargestellt. Aufgrund der hohen Anforderungen an das Bedienpersonal wird bei komplexen Anlagen jedoch zunehmend FD eingesetzt, da diese Verfahren es erlauben, rechnergestützt Fehler in Anlagen zu detektieren und gegebenenfalls einen betroffenen Anlagenbereich zu identifizieren. FD wird außerdem in der Zustandsüberwachung, engl. Condition monitoring, von Industrieanlagen eingesetzt. Auch in diesem Fall wird eine Anlage mittels einer Vielzahl von Messsensoren überwacht und bei einer - sich beispielsweise aus einer Abnützung von Komponenten ergebenden - Veränderung des Anlagenverhaltens selbsttätig eine Warnung oder Fehlermeldung generiert. Bei den Messdaten handelt es sich typischerweise um diverse Anlagen- bzw. Prozesszustände, welche von Sensoren ermittelt und meist in digitaler Form von einem Messdatenerfassungssystem aufgenommen werden. Unter einem Kanal von Messdaten versteht man alle Messwerte, die von einem Sensor aufgenommen wurden; unter einem Zielkanal versteht man einen Kanal der aufgenommenen Messdaten, welcher relevante Informationen über das Verhalten der Anlage enthält bzw. enthalten kann. In der einfachsten Form der FD wird ein, auf einen oder mehreren (ausgenommen ein Zielkanal) Kanälen von Messdaten der Anlage basierendes, Modell für den Zielkanal erstellt; mittels dieses Modells und in Abhängigkeit von aktuellen Messdaten werden die Werte eines simulierten Zielkanals durch einen Prozessrechner berechnet und mit aktuellen Messwerten des Zielkanals verglichen; bei signifikanten Abweichungen zwischen dem simulierten und dem gemessenen Zielkanal wird eine Fehlermeldung generiert. 1/19 österreichisches Patentamt AT 507 019 B1 2011-03-15 [0012] In der Veröffentlichung H. Efendic, L. del Re und G. Frizberg. Iterative Multi-Step Diagnosis Process for Engine Systems. Präsentiert beim SAE world congress, 11. bis 14. April, 2005. Detroit, Mich, USA. wird auf die Bedeutung der Vorbehandlung von Messdaten, engl. Data preprocessing, im Zuge der FD hingewiesen. Konkret wird vorgeschlagen, die Messdaten zu filtern um Störungen in den Messdaten zu beseitigen und so die Leistungsfähigkeit von FD zu verbessern.

[0013] Weitergehende Maßnahmen zur Vorbehandlung von Messdaten werden nicht angegeben.

[0014] Aufgabe der Erfindung ist es, ein Verfahren zur Überwachung von Industrieanlagen zu schaffen, mit welchem die Qualität der aufgenommenen Messdaten der Anlage verbessert und die Größe der Messdaten stark reduziert werden kann, ohne dass es dadurch zu einem signifikanten Informationsverlust kommt. Nachfolgend können, gegebenenfalls online - d.h. durch einen der Anlage zugeordneten Prozessrechner mit gegebenenfalls geringer Leistungsfähigkeit, basierend auf diesen komprimierten Messdaten, sehr kompakte Modelle für die Detektion von Fehlzuständen der Anlage (FD) generiert werden, welche sich auch für eine Anwendung auf günstigen Prozessrechnern mit vergleichsweise geringer Leistungsfähigkeit eignen und dennoch eine hohe Qualität bzgl. der Fehlererkennung aufweisen.

[0015] Diese Aufgabe wird durch ein Verfahren gelöst, bei dem die Messdaten im Schritt Vorbehandlung der Messdaten den Verfahrensschritten 1) Detektion und Eliminierung von „Null-Kanälen", 2) Detektion und Eliminierung von inkonsistenten bzw. unplausiblen Messdaten, den sogenannten „Ausreißern", 3) Filterung, 4) Downsampling unterzogen werden.

[0016] Da sog. „Null-Kanäle", d.h. Kanäle von Messdaten welche in allen Abtastzeitpunkten konstant 0 sind, keinerlei Information enthalten, werden diese Kanäle gelöscht und somit die Anzahl der relevanten Kanäle für die weiterfolgenden Schritte reduziert.

[0017] Bei der Detektion und Eliminierung von inkonsistenten bzw. unplausiblen Messdaten, den sogenannten „Ausreißern" (engl, „outlier", werden, beispielsweise bzgl. der Prozessführung ungerechtfertigte, Ausreißer in den Messdaten detektiert und anschließend eliminiert. Die Eliminierung eines Ausreißers erfolgt durch das Ersetzen eines Ausreißers durch einen Mittelwert des betroffenen Kanals.

[0018] Bei der Filterung werden die Messdatenkanäle, beispielsweise durch die Anwendung von Median Filtern, geglättet, wodurch z.B. Messrauschen reduziert und wie bei der Detektion und Eliminierung von inkonsistenten bzw. unplausiblen Messdaten, den sogenannten „Ausreißern", die Qualität der Messdaten erhöht wird.

[0019] Beim Downsampling wird der Informationsgehalt eines Datenkanals vor dem Downsampling bestimmt und mit dem Informationsgehalt eines bzgl. der Abtastzeit veränderten Datenkanals verglichen. Ergibt sich durch das Downsampling, d.h. durch eine Reduktion der Abtastfrequenz, keine signifikante Änderung des Informationsgehalts, so wird die Abtastfrequenz reduziert, wodurch eine starke Reduktion der Datenmenge (eine Reduktion der Abtastfrequenz um 50% reduziert die Datenmenge ebenfalls um 50%) möglich ist.

[0020] Vorteilhafterweise werden die Messdaten bei der Vorbehandlung der Messdaten den Verfahrensschritten in der Reihenfolge Detektion und Eliminierung von „Null-Kanälen", Detektion und Eliminierung von inkonsistenten bzw. unplausiblen Messdaten, den sogenannten „Ausreißern", Filterung und Downsampling unterzogen. Diese Reihenfolge resultiert in einer hohen Qualität der Messdaten und in einer hohen Effizienz des erfindungsgemäßen Verfahrens. 2/19 österreichisches Patentamt AT 507 019 B1 2011-03-15 [0021] In einer vorteilhaften Ausführungsform, werden die Messdaten, vorzugsweise nach dem Downsampling, einer Detektion von stationären Bereichen und Eliminierung von nichtstationären Bereichen unterzogen, wodurch die Größe der Messdaten weiter reduziert und die Bildung von einfachen, statischen Prozessmodellen für eine nachfolgende FD ermöglicht wird.

[0022] Eine weitere vorteilhafte Ausführungsform besteht darin, dass für unterschiedliche Zielkanäle die Schritte Definition eines Zielkanals aus den Messdaten, Vorbehandlung der Messdaten und messdatenbasierte Bildung mindestens eines Modells des Zielkanals pro Zielkanal jeweils mindestens 1 Mal durchgeführt werden und dabei gebildete Modelle bei der Detektion von Fehlzuständen der Anlage verwendet werden. Hierdurch wird eine besonders umfassende Überwachung der Anlage erreicht.

[0023] In einer weiteren vorteilhaften Ausführungsform, werden für unterschiedliche Zielkanäle die Schritte Definition eines Zielkanals aus den Messdaten, Vorbehandlung der Messdaten und messdatenbasierte Bildung mindestens eines Modells des Zielkanals auf zumindest einem Prozessrechner parallel durchgeführt. Dadurch ist besonders im online Betrieb, d.h. bei der Durchführung des Verfahrens auf einem der Anlage zugeordneten Prozessrechner, eine baldige Modellverfügbarkeit gegeben. Die Parallelisierung kann entweder durch mehrere Tasks bzw. Threads auf einem Prozessrechner erfolgen, und/oder durch Aufteilung auf mehrere Prozessrechner.

[0024] In einer vorteilhaften Ausführungsform des erfindungsgemäßen Verfahrens, enthält die Detektion und Eliminierung von inkonsistenten bzw. unplausiblen Messdaten, den sogenannten „Ausreißern", einen univariaten und einen multivariaten Schritt. Der univariate Verfahrensschritt ist besonders dazu geeignet, vergleichsweise große Ausreißer in einem Kanal unabhängig von anderen Kanälen zu detektieren und zu eliminieren. Hingegen wird beim multivariaten Schritt der Abstand der Messwerte aller Kanäle zu einem Zeitpunkt zur Gesamtverteilung ermittelt, wodurch auch schwer erkennbare Ausreißer detektiert und eliminiert werden können.

[0025] In einer weiteren vorteilhaften Ausführungsform, werden die Messdaten einer Median Filterung unterzogen. Median Filter sind dem Fachmann bekannt und ermöglichen eine sehr effiziente Glättung von Signalen.

[0026] In einer weiteren vorteilhaften Ausführungsform, erfolgt das Downsampling der Messdaten unter Berücksichtigung der Transinformation, engl. Mutual Information, zwischen einem Kanal vor und nach dem Downsampling. Hierdurch wird es möglich, die Abtastfrequenz in Abhängigkeit des Informationsverlusts durch das Downsampling zu reduzieren und so eine optimierte Downsampling Rate einzustellen.

[0027] Eine weitere vorteilhafte Ausführungsform besteht darin, dass die Detektion von stationären Bereichen und Eliminierung von nicht-stationären Bereichen unter Berücksichtigung von statistischen Kennzahlen für die Variabilität erfolgt. Mittels dieser Maßnahme können stationäre Bereiche einfach und sicher detektiert werden, was zu einer hohen Qualität der Modelle führt.

[0028] Vorteilhafterweise werden die Messdaten, bevorzugt nach dem Downsampling oder der Detektion von stationären Bereichen und Eliminierung von nicht-stationären Bereichen, einer Detektion und Eliminierung von redundanten Kanälen unterzogen. Mittels dieses Schritts wird die Anzahl der relevanten Kanäle weiter reduziert; dabei können vollständige Redundanzen und gegebenenfalls auch Redundanzen, welcher sich aus einer Ableitung bzw. Integration eines Signals ergeben, berücksichtigt werden.

[0029] Weitere Vorteile und Merkmale der vorliegenden Erfindung ergeben sich aus der nachfolgenden Beschreibung nicht einschränkender Ausführungsbeispiele, wobei auf die folgenden Figuren Bezug genommen wird, die Folgendes zeigen: [0030] Fig. 1 bis Fig. 4 Plots der Kanäle x1 bis x2o der unveränderten Messdaten einer Anlage [0031] Fig. 5 Plot eines Ausschnitts des Zielkanals Χίο vor und nach dem Schritt

Detektion und Eliminierung von inkonsistenten bzw. unplausiblen Messdaten, den sogenannten „Ausreißern" 3/19

österreichisches Patentamt [0032] Fig. 6 [0033] Fig. 7 [0034] Fig. 8 [0035] Fig. 9 [0036] Fig. 10 [0037] Fig. 11 [0038] Fig. 12 [0039] Fig. 13 AT 507 019B1 2011-03-15

Plot eines Ausschnitts des Zielkanals Xi0 vor und nach dem Schritt Filterung

Plot eines Ausschnitts des Kanals x2o vor und nach dem Schritt Filterung

Schematische Darstellung des Downsamplings

Plot des Zielkanals Xi0 vor und nach dem Schritt Downsampling

Darstellungen der Transinformation und der modifzierten Transinformation in Abhängigkeit der Downsampling Rate

Plot des Zielkanals Xi0 und der dazu redundanten Kanäle Xu, X13 und Xi4

Plot des Zielkanals Xi0 und des redundanten Kanals X13

Plot des Zielkanals Xi0 vor und nach dem Schritt Detektion von stationären Bereichen und Eliminierung von nicht-stationären Bereichen und der Kanäle Χίο, X20 und x7 [0040] Im Folgenden wird aus Gründen der Übersichtlichkeit von 20 Datenkanälen (Kanalanzahl n=20) und 19498 Messwerten pro Kanal (Anzahl der Messwerte m=19498) ausgegangen; die Daten wurden von einem Messdatenerfassungssystem in einem Walzwerk aufgenommen (reale Messdaten sind meist deutlich größer, z.B. n=400, m=1500000). MD zeigt symbolisch eine Matrix der Messdaten mit Dimension 19498 x 20. Ein Messwert Xg stellt den i-ten Messwert des j-ten Datenkanals der Messdaten dar. *1.1 *1,2 *1,19 *1,20 *2,1 #2 2 * *2,19 *2,20 MD = *19497,1 *19497,2 *19497,19 *19497,20 _ *19498,1 *19498,2 *19498,19 *19498,20 [0041] Bei den Messdaten handelt es sich beispielsweise um Signale von Druck-, Kraft-, Weg-, Geschwindigkeits-, Beschleunigungs- oder Temperatursensoren, welche für eine nachfolgende Verwendung in einem FD Verfahren aufgenommen wurden.

[0042] Als Zielkanal wurde der Kanal Xi0 ausgewählt (zehnte Spalte von MD). In den Fig. 1 bis 4 sind die Kanäle Xi bis x2o graphisch über dem Messdatenindex dargestellt. 1) DETEKTION UND ELIMINIERUNG VON „NULL-KANÄLEN“ [0043] Bei der Detektion und Eliminierung von „Null-Kanälen“ werden jene Kanäle aus den Messdaten eliminiert, bei denen sämtliche Messwerten 0 sind. Dadurch wird die Anzahl der Kanäle reduziert.

[0044] Ein „Null-Kanal“ liegt vor, wenn für einen Kanal, d.h. für einen Spaltenvektor von MD, gilt Xi=0 mit i=1...m [0045] Vom erfindungsgemäßen Verfahren wurden die Kanäle 9 und 17 als Null-Kanäle identifiziert und eliminiert. Die Dimension der Messdatenmatrix nach dem Schritt Detektion und Eliminierung von „Null-Kanälen" beträgt 19498 x 18, d.h. die Datenmenge wurde auf 90% reduziert.

[0046] Anschließend wird eine univariate und gegebenenfalls eine multivariate Detektion und Eliminierung von Ausreißern durchgeführt. 2A) UNIVARIATE DETEKTION UND ELIMINIERUNG VON inkonsistenten bzw. unplausiblen Messdaten, den sogenannten „AUSREIßERN“ [0047] Zuerst werden die einzelnen Kanäle, d.h. die einzelnen Spalten der Messdatenmatrix, 4/19 österreichisches Patentamt AT 507 019B1 2011-03-15 einer univariaten, d.h. basierend auf nur einem Kanal, Detektion und Eliminierung von Ausreißern unterzogen. Dabei werden „große" Ausreißer eliminiert.

[0048] Die Detektion von Ausreißern kann auf zwei Arten durchgeführt werden:

I) GLOBALE DETEKTION UND ELIMINIERUNG VON AUSREIßERN

[0049] Da die Durchführung des Verfahrensschritts an einem Kanal der Messdatenmatrix MD nicht übersichtlich gezeigt werden kann, wird folgender Vektor x eines Kanals von Messdaten mit m=10 Elementen verwendet x = [1 231054321 0]T. Der Durchschnitt und die empirische Standardabweichung des Vektors x betragen m-1 -T)2 =2,86 [0050] Nun wird für jeden Messwert x, das Testkriterium G = m-1 t. gen Test liegt ein Ausreißer vor, wenn G> x, -x ai m.m-2 m-2 + t berechnet. Beim einseiti-, beim zweiseitigen Test a/m.m-2 lautet das Kriterium -?ü!/(2m)’m 2—-. Nachfolgend wird z.B. ein einseitiger Test 4m \m-2 + ta/{2m)>m_2 angewendet, mit a=0.05, ta/m,m.2 = t0.oo5,8=3,35 der obere kritische Wert der t-Verteilung bei einer Signifikanzschwelle von α/m und m-2 Freiheitsgraden (siehe Tab. IX, Anhang E1 „Tabellen" in H. Rinne. Taschenbuch der Statistik, 4. Auflage, 2008).

[0051] Da für den Wert X4=10 das einseitige Testkriterium G=2,41 größer als der Grenzwert von 2,18 ist, liegt ein Ausreißer vor; folglich wird X4 durch den Mittelwert x = 3,1 ersetzt.

[0052] Dieses Verfahren wird nun für jeden Kanal solange durchgeführt, bis keine weiteren Ausreißer mehr vorliegen.

II) LOKALE DETEKTION UND ELIMINIERUNG VON AUSREIßERN

[0053] Da bei großen Datenmengen eine globale Bestimmung und Eliminierung von Ausreißern zu aufwändig ist, wird vorteilhafterweise ein lokales Verfahren verwendet. Dabei wird ein Kanal mittels eines Betrachtungsfensters, engl. Sliding window, mit NAUS Elementen auf Ausreißer untersucht und aufgefundene Ausreißer durch einen lokalen Durchschnitt x |0kai innerhalb des Betrachtungsfensters ersetzt. -|Γ x = 'lokal •1 2 3 10 5 4 3 2 1 0-

Betrachtungsfenster mit NAUS Elementen = 3,1 ^lokal 2,86 [0054] Die Prüfung auf Ausreißer erfolgt analog zum globalen Verfahren, beschränkt sich jedoch auf das Betrachtungsfenster.

[0055] Nach der Durchführung der Detektion und Eliminierung von Ausreißern liegt wiederum eine Messdatenmatrix vor, welche frei von univariaten Ausreißern ist, aber noch die ursprüngliche Dimension aufweist. 5/19 österreichisches Patentamt AT 507 019 B1 2011-03-15 [0056] In Fig. 5 ist der Zielkanal Xi0 vor und ein Ausschnitt des Zielkanals nach der lokalen Detektion und Eliminierung von univariaten Ausreißern (NAUS=10, a=0,05) dargestellt. Die Detektion und Eliminierung von Ausreißern wird auf alle Kanäle angewendet. 2B) MULTIVARIATE DETEKTION UND ELIMINIERUNG VON inkonsistenten bzw. unplausiblen Messdaten, den sogenannten „AUSREIßERN“ [0057] Dieser Verfahrensschritt kann im Anschluss an die univariate Detektion und Eliminierung von Ausreißern durchgeführt werden. Dabei werden etwaige Ausreißer aufgrund der sog. Ma-halanobis-Distanz oder des Abstands aufgrund der sog. Hauptkomponentenanalyse (engl. Principal component analysis) eines Messwertvektors x (ein Zeilenvektor der Messdatenmatrix) von der Gesamtverteilung detektiert.

[0058] Aufgefundene Ausreißer werden markiert und durch lokale Mittelwerte ersetzt.

[0059] Die Mahalanobis-Distanz als auch die Hauptkomponentenanalyse sind z.B. bekannt aus [0060] Mei-Ling Shyu, Shu-Ching Chen, Kanoksri Sarinnapakorn, and LiWu Chang, "A Novel Anomaly Detection Scheme Based on Principal Component Classifier, " Proceedings of the IEEE Foundations and New Directions of Data Mining Workshop, in conjunction with the Third IEEE International Conference on Data Mining (ICDM'03), pp. 172-179, November 19-22, 2003, Melbourne, Florida, USA.

[0061] Die Berechnung der Mahalanobis-Distanz d ist weiters aus Kapitel D3.1 „Distanzmessung" aus Rinne bekannt. Das Quadrat der Mahalanobis-Distanz (Abstand eines Messwertvektors x vom Zentrum der Verteilung) ist definiert als

Λ Α 2 2 = Ζΐ_ + Ζΐ_4 /^2 + ... + - r wobei

yt=e,(x-x)T

[0062] p Rang der Kovarianzmatrix [0063] x Messwertvektor (Zeilenvektor der Messdatenmatrix) [0064] x Mittelwert aller Messwerte [0065] ei i-ter Eigenvektor der Kovarianzmatrix [0066] λ, i-ter Eigenwert der Kovarianzmatrix [0067] Anschließend werden die Indizes i der N = y-m größten Distanzen d2 notiert und jeder χ. + χ.

Messwerte Xy mit n>j>1 durch einen lokalen Mittelwert xUj = l~hJ l+]J ersetzt. Dabei ist γ ein frei wählbarer Parameter, beispielsweise γ =0.005.

[0068] Anschließend wird eine Hauptkomponentenanalyse der Messdaten durchgeführt. Bei der Hauptkomponentenanalyse werden die Hauptkomponenten der Messdatenmatrix, d.h. die Eigenwerte und Eigenvektoren, entweder über eine Eigenwertanalyse oder eine SVD (engl. Singular value decomposition) der Kovarianzmatrix berechnet. y' 2 [0069] Ein Messwert x ist ein Ausreißer, wenn - xq (a) - wobei 1=1 4 [0070] y, = e,(x-x )T und q < p [0071] p Rang der Kovarianzmatrix 6/19 österreichisches Patentamt AT 507 019B1 2011-03-15 [0072] x Messwertvektor (Zeilenvektor der Messdatenmatrix) [0073] x Mittelwert aller Messwerte [0074] e, i-ter Eigenvektor der Kovarianzmatrix [0075] λ, i-ter Eigenwert der Kovarianzmatrix [0076] λι > λ2 > ... > λρ > 0 [0077] Xq2 Oberer kritischer Wert der Chi-Quadrat Verteilung mit Signifikanzwert α und q Freiheitsgraden.

[0078] Wie bei der Anwendung der Mahalanobis Distanz, werden Ausreißer durch lokale Mittelwerte ersetzt.

3) FILTERUNG

[0079] Bei der Filterung der Messdaten werden beispielsweise Rauschen oder andere Störsignale aus einzelnen Kanälen der Messsignale entfernt. Dabei wird beispielsweise ein Median Filter mit einem Betrachtungsfenster der Größe N (als Filterordnung bezeichnet) verwendet.

[0080] Bei der Filterung wird jeder Messwert xk eines Kanals durch

~ fMittelwert(xk (N IJ/2,...,xi+(,v_l)/2) für ungerade N

K \Mittelwert(xk_Nn,..., xk+N!2) für gerade N ersetzt.

[0081] Geht man beispielsweise von einem Filter zweiter Ordnung und einem Vektor x = [1 2 3 3,1 5 4 3 2 1 0]T aus, so lautet der gefilterte Vektor xFiit = [1 2 2,7 3,7 4 4 3 2 1 0]T.

[0082] In der Fig. 6 ist ein Ausschnitt des Zielkanals xio und in Fig. 7 ein Ausschnitt des Kanals Xia vor und nach der Filterung mit N=10 dargestellt.

4) DOWNSAMPLING

[0083] Das Downsampling der Messdaten wird unter Berücksichtigung der Transinformation (engl. Mutual Information, vgl. Kapitel 3.3.1.3 „Entropie-orientierte Maße“ aus Rinne) T(r) zwischen einem Kanal vor dem Downsampling und demselben Kanal nach dem Downsampling durchgeführt. Die Transinformation T(t) berechnet sich aus k H(A) = p(ai) · log2 p(at) Entropie des Kanals A vor Downsampling /=1 ^ ; H(Ä) = pißj) · log2 pifij) Entropie des Kanals A nach Downsampling

H

k I H(A,A) = ^ p(al,a.) log2 p(a,,a,) Entropie der gemeinsamen Verteilung

Τ(τ) = H(A) + H{A) - H{A, A) Transinformation zwischen A und A

[0084] In Fig. 8 ist schematisch der Effekt des Downsamplings dargestellt; eine Downsampling Rate von t =i bedeutet, dass nur mehr jeder i-te Wert des ursprünglichen Signals verwendet wird.

[0085] Für jede Downsampling Rate τ = i mit i g [r min, rmax] wird die zugehörige Transinformation T(t) berechnet. Die optimale Downsampling Rate, d.h. jenes τ, bei der bei größtmöglicher Datenreduktion möglichst wenig Information verloren geht, ist das erste lokale Minimum von T (r), d.h. T(r-1) > T(r) < T (r +1). 7/19

österreichisches Patentamt AT 507 019B1 2011-03-15 [0086] Kann ein derartiges Minimum nicht gefunden werden, so bedient man sich einer modifizierten Transinformation (Τ(τ)* =T{z) + eTFakbr -1, sodass ein lokales Minimum aufgefunden werden kann. Der Faktor τ Faktor ist ein Skalierungsfaktor und kann geeignet gewählt werden.

[0087] In Fig. 9 ist der Zielkanal vor und nach dem Downsampling dargestellt, selbstverständlich wird jedoch bei allen Kanälen das Downsampling angewendet. Die verwendete Downsampling Rate ist r =13, d.h. die Datenmenge der Messdaten wurde auf 1/13 reduziert. In Fig. 10 ist weiters die Transinformation T(r) und die modifizierte Transinformation T(r )* über τ dargestellt (verwendeter Parameter τ Faktor= 500).

[0088] Durch das Downsampling wurde die Messdatenmatrix auf 6,9% der ursprünglichen Datenmenge reduziert.

5) DETEKTION UND ELIMINIERUNG VON REDUNDANTEN KANÄLEN

[0089] Mittels dieses Verfahrensschritts werden vollständig redundante Kanäle in den Messdaten identifiziert und anschließend eliminiert, wodurch die Kanalanzahl reduziert wird. Hierzu wird ein Betrachtungsfenster mit Größe NRED verwendet, welches paarweise auf den Zielkanal X = X10 und einen weiteren, vom Zielkanal verschiedenen Kanal Y angewendet wird. Innerhalb des Betrachtungsfensters wird ein Redundanzsignal (Kreuzkorrelation zwischen dem Zielkanal X und Y innerhalb des Betrachtungsfensters) errechnet, mit RED (i) = corr (X|0kai, Yiokai)· X|okal=Xi-NRED/2:i+NRED/2 Y lokal=Yi-NRED/2:i+NRED/2 [0090] Ist das Redundanzsignal für alle Indizes i, RED(i) > REDSchranke, mit beispielsweise REDSohranke=0,95 oder 0,98, so ist der Kanals Y bzgl. des Zielkanals X redundant und es kann der Kanal Y eliminiert werden.

[0091] In Fig. 11 sind die zum Zielkanal x10 redundanten Kanäle Xu, x13 und x14 dargestellt; in Fig. 12 sind der Zielkanal Χίο und der Kanal X13 in einem Plot dargestellt (verwendete Parameter REDSchrank=0,98, NRED=150). Die redundanten Kanäle werden aus der Messdatenmatrix gelöscht. Es soll aber bemerkt werden, dass ein redundanter Kanal zu einem Zielkanal bereits auch ein einfaches Modell des Zielkanals darstellt, der für eine Fehlerdetektion benutzt werden kann. Durch die diesen Verfahrensschritt wurde die Messdatenmatrix auf 5,89% der ursprünglichen Datenmenge reduziert.

[0092] Bei der Detektion und Eliminierung von Redundanzen, welche sich aus einer Ableitung bzw. Integration eines Zielkanals ergeben, geht man im Wesentlichen wie oben vor, jedoch wird eine numerische Ableitung bzw. Integration des Kanals Y durchgeführt, bevor das des Redundanzsignal RED(i) berechnet wird.

6) DETEKTION VON STATIONÄREN BEREICHEN UND ELIMINIERUNG VON NICHTSTATIONÄREN BEREICHEN

[0093] Mittels dieses Verfahrensschritts sollen im Wesentlichen konstante Betriebspunkte aus den Messdaten identifiziert werden. Hierzu wird ein Betrachtungsfenster mit Größe NVAR verwendet, welches auf den Zielkanal angewendet wird. Mittels dieses Fensters wird zu einem Index i des Zielkanals ein Variabilitätssignal VAR(i) errechnet, mit VAR{i) = Imax Xlokal - min Xhkal\.

8/19

Claims (10)

1. österreichisches Patentamt AT 507 019B1 2011-03-15 [0094] Ist die Variabilität an der Position i VAR(i) kleiner als ein Teil x der maximalen Variabilität, d.h. VAR(i) < VARschranke mit VARschranke = x · max VAR(i), so wird dieser Bereich als stationär angesehen. Selbstverständlich können auch andere statistische Kenngrößen, z.B. die Standardabweichung, für die Variabilität verwendet werden. [0095] In Fig. 13 ist der Zielkanal x«) vor und nach der Detektion von stationären Bereichen und der Eliminierung von nicht-stationären Bereichen dargestellt (Parameter NVAR=30, x = 0. 2.. Weiters sind die Kanäle X20 und x7 dargestellt. Wie dargestellt, weist Kanal x2o eine ähnliche Dynamik wie der Zielkanal auf und wäre im Sinne einer - hier nicht näher erläuterten Modellbildung - ein interessanter Kandidat für ein einfaches statisches Modell. Der Kanal x7 weist im Gegensatz dazu eine völlig andere Dynamik als x10 auf und wäre daher wenig für eine Modellbildung geeignet. [0096] Durch diesen Verfahrensschritt wurde die Messdatenmatrix auf 4,4% der ursprünglichen Datenmenge reduziert. [0097] Die resultierende Messdatenmatrix ist die Basis für eine anschließende Bildung mindestens eines Modells für den Zielkanal. Ein der Anlage zugeordneter Prozessrechner berechnet anhand aktuell ermittelter Messdaten der Anlage und des generierten Modells einen simulierten Zielkanal, welcher für den Vergleich zwischen dem simulierten und dem gemessenen Zielkanal verwendet wird. Bei signifikanten Abweichungen zwischen diesen beiden Kanälen, wird eine Warnung bzw. eine Fehlermeldung generiert. Besonders umfassend lässt sich die Detektion von Fehlzuständen einer Anlage dann durchführen, wenn nicht nur ein Modell eines Zielkanals erstellt wird, sondern für unterschiedliche Zielkanäle jeweils mindestens 1 Modell für den jeweiligen Zielkanal gebildet wird und dabei gebildete Modelle bei der FD verwendet werden. Weiterführende Schritte, wie z.B. die Identifikation oder die Isolierung von Fehlern, können z.B. der Veröffentlichung H. Efendic, A. Schrempf und L. del Re. Data based fault Isolation in complex measurement Systems using models on demand. Präsentiert bei der Safeprocess Conference, Juni, 2003. Washington, DC, USA entnommen werden. Patentansprüche 1. Verfahren zum Überwachen von Anlagen, insbesondere komplexe Anlagen der Eisen- und Stahlindustrie, mit den Schritten Aufnehmen von mindestens zwei Kanälen von Messdaten einer Anlage, gegebenenfalls Abspeichern der Messdaten, Definition eines Zielkanals aus den Messdaten, Vorbehandlung der Messdaten, messdatenbasierte Bildung mindestens eines Modells des Zielkanals und Verwendung des so generierten Modells und aktuell ermittelter Messdaten zur Detektion von Fehlzuständen der Anlage, dadurch gekennzeichnet, dass die Messdaten bei der Vorbehandlung der Messdaten den Verfahrensschritten - Detektion und Eliminierung von „Null-Kanälen"; - Detektion und Eliminierung von inkonsistenten bzw. unplausiblen Messdaten, den sogenannten „Ausreißern"; - Filterung; - Downsampling; unterzogen werden.
2. 2. Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass die Messdaten bei der Vorbehandlung der Messdaten den Verfahrensschritte in der Reihenfolge Detektion und Eliminierung von „Null-Kanälen", Detektion und Eliminierung von inkonsistenten bzw. unplausiblen Messdaten, den sogenannten „Ausreißern", Filterung und Downsampling unterzogen werden.
3. 3. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die Messdaten, vorzugsweise nach dem Downsampling, einer Detektion von stationären Bereichen und Eliminierung von nicht-stationären Bereichen unterzogen werden. 9/19 österreichisches Patentamt AT 507 019B1 2011-03-15
4. 4. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass für unterschiedliche Zielkanäle die Schritte Definition eines Zielkanals aus den Messdaten, Vorbehandlung der Messdaten und messdatenbasierte Bildung mindestens eines Modells des Zielkanals pro Zielkanal jeweils mindestens 1 Mal durchgeführt werden und dabei gebildete Modelle bei der Detektion von Fehlzuständen der Anlage verwendet werden.
5. 5. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass für unterschiedliche Zielkanäle die Schritte Definition eines Zielkanals aus den Messdaten, Vorbehandlung der Messdaten und messdatenbasierte Bildung mindestens eines Modells des Zielkanals auf zumindest einem Prozessrechner parallel durchgeführt werden.
6. 6. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die Detektion und Eliminierung von inkonsistenten bzw. unplausiblen Messdaten, den sogenannten „Ausreißern", einen univariaten und gegebenenfalls einen multivariaten Schritt enthält.
7. 7. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die Filterung der Messdaten durch einen Median Filter erfolgt.
8. 8. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass das Downsampling der Messdaten unter Berücksichtigung der Transinformation zwischen einem Kanal vor und nach dem Downsampling erfolgt.
9. 9. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die Detektion von stationären Bereichen und Eliminierung von nicht-stationären Bereichen unter Berücksichtigung von statistischen Kennzahlen für die Variabilität erfolgt.
10. 10. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die Messdaten, bevorzugt nach dem Downsampling oder der Detektion von stationären Bereichen und Eliminierung von nicht-stationären Bereichen, einer Detektion und Eliminierung von redundanten Kanälen unterzogen werden. Hierzu 9 Blatt Zeichnungen 10/19