CH698898A2

CH698898A2 - System und Verfahren zur verbesserten Zustandsüberwachung eines Anlagensystems.

Info

Publication number: CH698898A2
Application number: CH00813/09A
Authority: CH
Inventors: Piero Patrone Bonissone; John Erik Hershey; James Mitchell Robert Jr; Rajesh Venkat Subbu; Avinash Vinayak Taware; Xiao Hu
Original assignee: Gen Electric
Priority date: 2008-05-29
Filing date: 2009-05-27
Publication date: 2009-11-30
Also published as: CN101776862A; JP5306902B2; DE102009025855A1; CN101776862B; US7756678B2; CH698898B1; JP2009289262A; US20090300417A1

Abstract

Ein Verfahren zur verbesserten Zustandsüberwachung eines Anlagensystems umfasst Verwenden mehrerer autoassoziativer neuronaler Netze, um Schätzungen tatsächlicher Werte zu bestimmen, welche durch den wenigstens einen Sensor in dem wenigstens einen der mehreren Betriebsbereiche abgetastet werden; Bestimmen eines Residuums zwischen den geschätzten Abtastwerten und den tatsächlichen Werten, welche durch den wenigstens einen Sensor aus jedem der mehreren autoassoziativen neuronalen Netze abgetastet werden; und Kombinieren der Residuen durch Verwenden eines Fuzzy-Supervisionsmodell-Überlenders; Ausführen einer Fehlerdiagnose an den kombinierten Residuen; und Bestimmen einer Änderung des Betriebs des Anlagensystems durch Analyse der kombinierten Residuen. Ein Alarm wird bereitgestellt, wenn nötig. Ein intelligentes Sensorsystem (10) umfasst eine leiterplattenintegrierte Verarbeitungseinheit (11) zum Ausführen des Verfahrens gemäss der Erfindung.

Description

Allgemeiner Stand der Technik

[0001] Die Erfindung betrifft im Allgemeinen Condition Based Maintenance (CBM), und insbesondere verbesserte Zustands-überwachung von Anlagen unter Verwendung intelligenter Sensoren, um Beweglichkeit und Responsivität in der Anlagenwartung zu verbessern, Betriebsverfügbarkeit der Anlage zu erhöhen und Total Ownership Costs im Lebenszyklus der Anlage zu reduzieren.

[0002] Milliarden an Dollar werden in Geräte in Anlagen investiert, die lebenswichtige und zeitkritische Funktionen erfüllen, indem sie Tätigkeiten in Wirtschaft und Infrastruktur unterstützen. Es ist wesentlich, dass Verschlechterung an diesen Geräten rasch identifiziert wird, um die geschädigten Geräte zu isolieren oder zu reparieren, bevor sie ausfallen und die Effizienz des Systems, von dem sie ein Teil sind, schwer beeinträchtigen, oder, noch schlimmer, physischen Schaden verursachen, der sich bedeutend über die ausgefallenen Geräte hinaus ausbreitet.

[0003] Wartung und Instandhaltung hat sich im Laufe der Jahre von einem reinen Reagieren auf Geräteausfälle (korrektive Wartung) zu einem Durchführen zeitbasierter präventiver Instandhaltung entwickelt, bis hin zur derzeitigen Betonung der Notwendigkeit, Wartung basierend auf dem Zustand des Systems/ der Anlage auszuführen (Condition Based Maintenance). Erkennung von Anomalien ist eine kritische Aufgabe der Geräteüberwachung, der Fehlerdiagnose und der Systemvorhersage. Das bedeutet auch Überwachung von Änderungen des Systemzustands, um fehlerhaftes Verhalten zu erkennen. Früherkennung von Anomalien ermöglicht, dass zeitgerechte Wartungsaktionen vorgenommen werden, bevor ein potentieller Fehler fortschreitet und sekundären Schaden und Stillstandszeit der Geräte verursacht.

Bekannte Ansätze der Anomalieerkennung benutzen üblicherweise univariate Verfahren, um Änderungen in den Messungen einzelner Sensoren zu erkennen. Allerdings ist ein Zustand eines Systems typischerweise gekennzeichnet durch die Wechselwirkungen und Wechselbeziehungen zwischen den verschiedenen Sensormessungen, zusammen betrachtet.

[0004] Es besteht ein wachsender Bedarf an Condition Based Main-tenance (CBM), um Beweglichkeit und Responsivität in der Anlagenwartung zu verbessern, Betriebsverfügbarkeit der Anlage zu erhöhen und Total Ownership Costs im Lebenszyklus der Anlage zu reduzieren.

Kurze Beschreibung

[0005] Ein Verfahren zur verbesserten Zustandsüberwachung eines Anlagensystems umfasst die Schritte:
Segmentieren eines Betriebsraums eines Anlagensystems in mehrere Betriebsbereiche;
Verwenden mehrerer autoassoziativer neuronaler Netze (AANNs), um Schätzungen tatsächlicher Werte zu bestimmen, welche durch den wenigstens einen Sensor in dem wenigstens einen der mehreren Betriebsbereiche abgetastet werden;
Bestimmen eines Residuums zwischen den geschätzten Abtastwerten und den tatsächlichen Werten, welche durch den wenigstens einen Sensor aus jedem der mehreren autoassoziativen neuronalen Netze abgetastet werden; und Kombinieren der Residuen durch Verwenden eines Fuzzy-Supervisionsmodell-Überblenders;
Ausführen einer Fehlerdiagnose an den kombinierten Residuen;
Bestimmen einer Änderung des Betriebs des Anlagensystems durch Analyse der kombinierten Residuen;

und
Bereitstellen eines Alarms, wenn eine Änderung des Betriebs des Anlagensystems bestimmt worden ist.

[0006] Gemäss einem weiteren Aspekt der Erfindung umfasst ein intelligentes Sensorsystem einen intelligenten Sensor zum Überwachen eines Betriebszustands eines Anlagensystems, wobei der intelligente Sensor mit einem Eingangsanschluss über ein Kabel verbunden ist; eine leiterplattenintegrierte Verarbeitungseinheit zur verbesserten Zu-standsüberwachung des Anlagensystems unter Verwendung des Verfahrens wie oben ausgeführt.

Zeichnungen

[0007] Diese und weitere Merkmale, Aspekte und Vorteile der vorliegenden Erfindung werden besser zu verstehen sein, wenn die folgende ausführliche Beschreibung gelesen wird, mit Bezug auf die begleitenden Zeichnungen, in welchen gleiche Zeichen in allen Zeichnungen gleiche Teile darstellen. Dabei zeigen:
<tb>Fig. 1<sep>eine schematische Darstellung von Geräten zur verbesserten Zustandsüberwachung, gemäss einer Ausführungsform der Erfindung.

<tb>Fig. 2<sep>ein Ablaufdiagramm einer Folge der durch die Bedienperson zu setzenden Einstellungen.

<tb>Fig. 3A<sep>ein Diagramm einer normalisierten Zeitreihe von Sensordaten aus einem Turbofan-Flugzeugtriebwerk überholt am Ende der Reihe.

<tb>Fig. 3B<sep>die Ausgabe der Berechnung einer Hotelling-T<2>-Masszahl zur Änderungserkennung, angewendet auf die normalisierte Zeitreihe in Fig. 3A.

<tb>Fig. 4<sep>die Verwendung der Kurtosis, um ein Abweichen von der Normalität zu identifizieren.

<tb>Fig. 5<sep>simulierte Daten für 6 Systemanzeigen.

<tb>Fig. 6<sep>Beiträge einzelner Variablen zum Hotelling-T<2> unter Verwendung einer farbcodierten Abbildung.

<tb>Fig. 7<sep>Ausreisseridentifikation unter Verwendung von Entropie- und Minderheitsbestimmungsmassen.

<tb>Fig. 8<sep>Diagramme einer Datenerzeugung für Sensorfehler, wobei normale Sensormessungen in den Diagrammen links gezeigt sind, und danach einzelne Sensorfehler (Messungsverschiebung) injiziert sind, wo die roten Pfeile in die Diagramme rechts zeigen.

<tb>Fig. 9(A)<sep>eine Ansicht einer Variablenbeitragsmatrix, wobei hervorgehobene Stellen Sensoren angeben, die für die hohe T<2>-Auswertung verantwortlich sind.

<tb>Fig. 9(B)<sep>ein Diagramm der Hotelling-T<2>-Masszahl, in welcher die Spitzen-T<2>-Werte Anomalien in den Sensormessungen angeben.

<tb>Fig. 10<sep>Datenerzeugung für Systemfehler, wobei die Datenpunkte nach der gestrichelten Linie bei Systemfehler erzeugt werden.

<tb>Fig. 11<sep>eine Ansicht einer Variablenbeitragsmatrix, wobei die hervorgehobenen Stellen Sensoren angeben, die für die hohe T<2>-Auswertung verantwortlich sind.

<tb>Fig. 12<sep>ein Diagramm der Hotelling-T<2>-Masszahl, wobei die hohen T<2>-Werte Anomalien in den Sensormessungen angeben.

<tb>Fig. 13<sep>eine Darstellung der Architektur eines autoassoziativen neuronalen Netzes (AANN) 7-5-3-5-7.

<tb>Fig. 14<sep>eine Darstellung eines Anomalieerkennungsparadigmas, unter Verwendung von AANN.

<tb>Fig. 15(A)<sep>Darstellungen eines Samples typischer Sensor-Rohmessungen X1 (t), ..., X9(t).

<tb>Fig. 15(B)<sep>Diagramme von Residuumwerten R1(t), ..., R9(t), entsprechend den Sensor-Rohmessungen X1 (t), ..., X9(t) in Fig. 15(A).

<tb>Fig.16<sep>Residuumwerte nach Injizieren einer grossen Stufenfunktion in die Daten des Sensors zum Messen der fünften Variablen.

<tb>Fig. 17<sep>eine Illustration unterschiedlicher Betriebsbereiche, unter Verwendung von Flight Envelopes.

<tb>Fig. 18(a)-18(c)<sep>Residuen unterschiedlicher AANN-Modelle an den Testsets aus unterschiedlichen Betriebsbereichen.

<tb>Fig. 19(a)-19(c)<sep>Residuen eines globalen AANN-Modells an den Testsets aus unterschiedlichen Betriebsbereichen.

<tb>Fig. 20(a) und 20(b)<sep>Darstellungen eines Übergangs von Systembetriebsbereichen.

<tb>Fig. 21(a) und 21(b)<sep>jeweils Illustrationen von Flugbereichsübergängen und Fuzzy-Zugehörigkeitsfunktionen für Variable, welche Flugbetriebsbereiche definieren.

<tb>Fig. 22<sep>eine schematische Darstellung eines Ablaufs einer AANN-Interpolation mittels Fuzzy-Supervisionsmodell.

<tb>Fig. 23(A) und 23(B)<sep>Darstellungen von Residuen aus AANN_1 und AANN_2, wenn der Flugbereich sich in einem Übergang befindet, entlang der Kurve, definiert in Fig. 20(A)und Fig. 20(B) , und

<tb>Fig. 23(C)<sep>Darstellungen von Residuen aus einem Fuzzy-Supervisionsmodell.

<tb>Fig. 24<sep>ein Diagramm eines allgemeinen Ansatzes der Zeitreihen-Fehlerdetektion, welcher "aktuelle" Punkte mit "vergangenen" vergleicht, an den oberen Achsen, wobei ein kleiner Puffer nicht verwendet wird, um Unterschiede deutlicher hervorzubringen, an den unteren Achsen.

<tb>Fig. 25(A)-25(C)<sep>Illustrationen eines Permutationstests von ursprünglichen Daten; je eine Umsetzung eines zufälligen Relabeling, und die Verteilung der Testmasszahl für 100.000 Permutationen (Volllinie) und für die ursprüngliche Ordnung (gestrichelte Linie).

<tb>Fig. 26<sep>Diagramme, die ein Beispiel univariater Änderungserkennung einer Zeitreihe mit Offsetänderung illustrieren, welche an der roten Linie eingetreten ist, und, sowie die gestrichelten Linien Alarmschwellen für jedes Verfahren sind, so zeigen die Kreispunkte, wo die Änderung erkannt wird.

Ausführliche Beschreibung

[0008] Mit Bezug auf die Zeichnungen, in welchen gleiche Bezugszeichen dieselben Elemente in den verschiedenen Ansichten bezeichnen, illustriert Fig.1ein intelligentes Sensorsystem 10, mit einem oder mehreren intelligenten Sensoren 12, zur verbesserten Zustandsüberwachung eines oder mehrerer Geräte (nicht gezeigt), wie etwa einer Turbine, eines Motors und von Ähnlichem, gemäss einer Ausführungsform der Erfindung. Wie in dieser Schrift definiert, umfassen das eine oder die mehreren Geräte ein Anlagensystem (nicht gezeigt). In der illustrierten Ausführungsform überwachen vier Sensoren 12 einen Betriebszustand eines physikalischen Parameters von Interesse des einen oder der mehreren Geräte des Anlagensystems, welches durch das intelligente Sensorsystem 10 zu überwachen ist.

Der Betriebszustand, welcher durch das intelligente Sensorsystem 10 überwacht wird, umfasst, ist jedoch nicht limitiert auf, Druck, Temperatur, Schwingung, und Ähnliches. Es versteht sich, dass die Erfindung nicht durch die Anzahl an Sensoren 12 limitiert ist, und dass die Erfindung mit jeglicher gewünschten Anzahl an Sensoren zum Überwachen des Anlagensystems umgesetzt werden kann. Ferner versteht es sich, dass die Erfindung nicht auf die Sensoren limitiert ist, welche einen Betriebszustand des physikalischen Parameters von Interesse überwachen, und dass die Erfindung mit Sensoren umgesetzt werden kann, welche eine beliebige Vorrichtung, eine beliebige Einrichtung oder ein beliebiges System bei einem beliebigen Betriebszustand, überwachen, der durch den/die Sensor(en) 12 gemessen werden kann.

[0009] Das Anlagensystem kann Geräte aufweisen, mit einem Geräteetikett (nicht gezeigt), welches die Geräte identifiziert, welche durch das System 10 überwacht werden. Signale aus den Sensoren 12 werden erzeugt und durch ein Kabel 14 zu Eingangsanschlüssen 16 des intelligenten Sensorsystems 10 transportiert. Es kann einen einzigen Eingangsanschluss 16 für mehrere Sensoren 12 geben, oder, alternativ, kann es einen einzelnen Eingangsanschluss 16 für jeden Sensor 12 geben. Das intelligente Sensorsystem 10 kann eine Anzeige- und Alarmeinheit 18 aufweisen, auf welcher Rechenergebnisse angezeigt werden können, zusätzlich zu den Analyseeinstellungen, oder es kann Alarm eingeleitet werden. Die Berechnungsergebnisse sind auch durch einen Ausgangsanschluss 20 verfügbar.

Das intelligente Sensorsystem 10 ist auch steuerbar durch ein oder mehrere lokale Bedienelemente 22, die von der Bedienperson von Hand eingestellt werden können. Das System 10 kann ebenfalls gesteuert und auch programmiert werden durch Befehle, welche durch den Eingangsanschluss 3 0 eingegeben werden. Das System 10 weist eine Funkkommunikationseinheit 24 auf, mit einer eingebauten Antenne (nicht gezeigt), zum drahtlosen Übertragen der Signale aus dem intelligenten Sensor 10 zu einer peripheren Verarbeitungseinrichtung 26, wie etwa einem Personal Computer, und Ähnlichem. Dieses Merkmal ermöglicht Fernbetrieb durch das Internet oder andere verkabelte oder drahtlose Netzwerke. Das System 10 weist auch eine Stromquelle 28 auf, wie etwa eine Batterie, einen Energy Harvester, und Ähnliches.

Mehrere derartiger intelligenter Sensorsysteme 10, welche im Fernbetrieb mit einer peripheren Verarbeitungseinrichtung 26 kommunizieren, können auf eine verteilte Weise eingesetzt werden, um verbesserte Zustandsüberwachung über ein weiträumig verteiltes System zu leisten (z.B. eine Triebwerksanlage, Infrastrukturanlagen).

[0010] Das intelligente Sensorsystem 10 umfasst eine leiterplattenintegrierte Verarbeitungseinheit (eingebaute Verarbeitungseinheit) 11, die Rechenhardware, Speicher und Sensor-Interfaceschaltungen, wie etwa Analog/Digital-Wandler umfasst. In einer Ausführungsform führt die leiterplattenintegrierte Verarbeitungseinheit des intelligenten Sensorsystems 10 einen Hotelling-T<2>-Test an den Daten aus, die aus den Sensoreingängen 16 stammen. Wie im Fach der Signalanalyse wohl bekannt, ist der Hotelling-T<2>-Test ein wirksamer Test zum Prüfen auf Prozessverschiebungen, wie etwa Verschiebungen in den Schwerpunkten von Clustern von Datenwerten. Damit der Hotelling-T<2>-Test Prozessverschiebungen identifiziert, ist es nötig, dass für eine anfängliche Überwachungstätigkeit eine von wenigstens zwei Konfigurationen befolgt wird.

Die erste Konfiguration ist der Fall, in welchem es mehrere Sensoren gibt, und die Überwachung fortfährt, zu versuchen, eine Prozessverschiebung zu erkennen, basierend auf den Mahalanobis-Distanzen zwischen den mehreren Datenclustern. Die zweite Konfiguration ist der Fall, in welchem es einen einzigen Sensor gibt. Für diesen Fall ist es nötig, die Daten aus dem einzigen Sensor mit einer verzögerten Version ihrer selbst zu verarbeiten.

[0011] Das intelligente Sensorsystem 10 kann von zwei unterschiedlichen Parteien zur verbesserten Zustandsüberwachung des Anlagensystems programmiert werden. Die erste Partei ist der/die Gerätetechniker/in. Der/die Gerätetechniker/in setzt Einstellungen, zum Beispiel, und nicht als Einschränkung, die Abtastrate, die Anzahl der Abtastwerte, die Analysefenstergrösse, die Auswahl und die Feineinstellung von Postfilteroperationen, die Formatierung und den Transportart der Datenausgabe und die Ergebnisanzeigeformatierung. Die zweite Partei ist die Gerätebedienperson. Die Bedienperson setzt ebenfalls Einstellungen, zum Beispiel, und nicht als Einschränkung, die Anzahl und die Arten der zu verwendenden Sensoren, die Datenverzögerungen für abgetastete Daten und die Art des auszuführenden Erfassens und Verarbeitens von Daten.

Ein typisches Ablaufdiagramm der Folge der durch die Bedienperson zu setzenden Einstellungen ist in Fig. 2illustriert. In Schritt S2.1 wird die Gerätekennung in das System zur verbesserten Zustandsüberwachung 10 eingegeben. Die Gerätekennung befindet sich auf dem Gerätekennungsetikett. Die Gerätekennung kann Ziffern umfassen, Buchstaben und andere informationstragende Zeichen, wie etwa, zum Beispiel, und nicht als Einschränkung, einen Strichcode. Die Gerätekennung kann auch elektronisch, und nicht visuell, vorhanden sein, wie etwa zum Beispiel, und nicht als Einschränkung, eine RFID-Einrichtung.

Die Eingabe der Gerätekennung in das System zur verbesserten Zustandsüberwachung 10 kann auf einem von mehreren Wegen erfolgen, umfassend, zum Beispiel, und nicht als Einschränkung, über durch die Bedienperson gelesene und eingegebene visuelle Kennungsetiketten, über ein Strichcode-Lesegerät und über ein RFID-Lesegerät. Die Folge der durch die Bedienperson zu setzenden Einstellungen geht dann weiter zu Schritt S2.2, in welchem die Bedienperson die Anzahl der Sensoren einstellt, welche für die darauffolgende Überwachungstätigkeit zu verwenden sind. Die Folge der durch die Bedienperson zu setzenden Einstellungen geht danach weiter zu Schritt S2.3, in welchem die Bedienperson Datenverzögerungen an den Sensoreingängen einstellt.

Eine Ausführungsform, welche wenigstens eine Datenverzögerung von nichtnull verwendet, umfasst die Überwachungs-tätigkeit, in welcher es einen einzigen Sensor gibt. Wenn die Anzahl der Sensoren, die in Schritt S2.2 eingegeben worden sind, eins ist, und eine Datenverzögerung von nichtnull in Schritt S2.3 eingegeben wird, dann wird das System zur verbesserten Zustandsüberwachung 10 sein Verarbeiten derart konfigurieren, dass die Daten des einzigen Sensors mit ihrer verzögerten Version verarbeitet werden. Die Folge der durch die Bedienperson zu setzenden Einstellungen geht danach weiter zu Schritt 52.4, in welchem die Bedienperson gefragt wird, ob die darauffolgende Überwachungstätigkeit ein Vergleichslauf sein soll.

Wenn die Bedienperson "Nein" eingibt, wird das System zur verbesserten Zustandsüberwachung 10 sich konfigurieren, um die Hotelling-T<2>-Masszahlberechnung auszuführen, ohne Daten oder Ergebnisse aus früheren Überwachungstätigkeiten für dieselbe Gerätekennung heranzuziehen oder sich auf diese zu beziehen, und die Folge der durch die Bedienperson zu setzenden Einstellungen geht weiter zu Schritt S2.8, in welchem das System zur verbesserten Zustandsüberwachung 10 bereit ist, Überwachungsdaten aufzunehmen. Wenn die Bedienperson "Ja" eingibt, dann geht die Folge der durch die Bedienperson zu setzenden Einstellungen weiter zu Schritt 52.5, in welchem die Bedienperson gefragt wird, ob die Bedienperson wünscht, gespeicherte mittlere Vektoren aus der letzten Überwachungstätigkeit zu verwenden.

Wenn die Bedienperson "Ja" eingibt, geht die Folge der durch die Bedienperson zu setzenden Einstellungen weiter zu Schritt S2.7, in welchem das System zur verbesserten Zustandsüberwachung 10 die mittleren Vektoren aus der letzten Überwachungstätigkeit für dieselbe Gerätekennung lädt oder auf andere Weise auf diese zugreift. Die Folge der durch die Bedienperson zu setzenden Einstellungen geht danach weiter zu Schritt S2.8, in welchem das System zur verbesserten Zustandsüberwachung 10 bereit ist, Überwachungsdaten aufzunehmen. Wenn die Bedienperson "Nein" eingibt, dann geht die Folge der durch die Bedienperson zu setzenden Einstellungen weiter zu Schritt S2.6, in welchem angenommen wird, dass die Bedienperson wünscht, tatsächliche Laufdaten aus der letzten Überwachungstätigkeit für dieselbe Gerätekennung zu laden.

Die Steuerung geht danach weiter zu Schritt S2.8, in welchem das System zur verbesserten Zustandsüberwachung 10 bereit ist, Überwachungsdaten aufzunehmen.

[0012] Das Hotelling-T<2>-Verfahren wurde unter Verwendung realer Überwachungsdaten aus dem Flugzeugtriebwerk GE90 getestet. Fig. 3A stellt einige beispielhafte Sensordaten dar, gesammelt aus einem Turbofan-Triebwerk, über einen Zeitraum, umfassend einen Zeitpunkt, zu dem es auf Grund von Verschleiss überholt worden ist, bei dem Zyklus 2N. Gezeigt sind drei Spuren über einer Abszisse, bezeichnet Zyklus (Nr.). Die obere Spur ist die der Abgastemperatur (EGT). Die mittlere Spur ist die der Treibstoffdurchflussrate (WFM). Die untere Spur ist die der Drehzahl des Hochdruckkompressors (N2) . Es ist festzustellen, dass es keinen offensichtlichen Trend einer Verschiebung in Sensormessungen gibt, sowie der Verschleiss des Triebwerks fortschreitet. Fig. 3B stellt die Ausgabe der Berechnung des Hotelling-T<2>-Tests dar, unter Einbeziehung der Daten aus Fig. 3A.

Es ist zu bemerken, dass die Hotelling-T<2>-Masszahl von ihrem Bereich relativ niedriger Werte zu viel höheren Niveaus ansteigt, was einen Datentrend anzeigt, welcher, in diesem Fall, einen Verschleiss anzeigt. Die ansteigende T<2>-Masszahl zeigt das Abweichen des Systemzustands von der Normalität auf.

[0013] Wenn eine Änderung im Betrieb des komplexen Systems durch die Hotelling-T<2>-Masszahl identifiziert worden ist, fährt das Verfahren fort, die systemzugeordneten Variablen zu isolieren, von welchen das Abweichen vom normalen Betrieb ausgeht. Insgesamt ist die Hotelling-T<2>-Masszahlberechnung ein einfaches aber sehr effektives Verfahren, bei geringen Rechenanforderungen. Diese Eigenschaften machen sie geeignet, sowohl in Online-Überwachung als auch mit Handgeräten eingesetzt zu werden. Wenn die Änderung in dem komplexen System durch einen Sensor verursacht ist, dann kann der Sensorfehler korrigiert werden. Wenn, andererseits, die Änderung in dem komplexen System systembezogen ist, dann kann der Systemfehler gemeldet werden.

[0014] Es ist möglich, und es kann von grossem Nutzen sein, selektives Nachverarbeiten an einer entwickelten Hotelling-T<2>-Masszahl auszuführen. Dieses Nachverarbeiten kann gestaltet sein, Daten aufzuzeigen, wie etwa Rate des statistischen Anstiegs, Zeit der Schwellenüberschreitung und Dauer eines Datentrends. Nachverarbeitungsverfahren und Nachverarbeitungstechniken umfassen, zum Beispiel, und nicht als Einschränkung, Kurvenermittlung auf Basis von L1, L2 oder andere Norm-Minimierungstechniken, Wavelets, Modellierung, Medianfilterung und andere Rauschfiltertechniken.

Multivariate Änderungserkennung

[0015] In einem komplexen System ist es unmöglich, alle der zahlreichen Variablen aus einem Satz von Sensoren vollständig zu instrumentieren und zu kalibrieren. Das liegt daran, dass ein komplexes System eine grosse Anzahl an Zuständen durchlaufen, und noch dazu in einer sehr grossen Anzahl an Modi arbeiten wird, wobei jeder Modus eine eindeutige Hüllkurve, bei normalem Betrieb, im Zustandsraum zeigt.

[0016] Es ist daher extrem schwierig, vielleicht sogar unmöglich, einen allgemeinen Test zu denken, der das Abweichen in Betrieb von der Normalität des komplexen Systems aufzeigen wird, jedoch ist es, wegen der Kosten, welche mit der Implementierung und dem Einsatz eines grossen komplexen Systems in Verbindung stehen, wesentlich, dass innovative Bemühungen darauf verwendet werden, einen wirksamen allgemeinen Test besser anzunähern für ein Abweichen von Normalität, die Lokalisierung in der Zeit eines derartigen Abweichens und die Identifikation von systemzugeordneten Variablen, von welchen das Abweichen vom normalen Betrieb ausgeht.

Es ist ferner wünschenswert, einen Pfad zu entwickeln, welcher eine signifikante und leicht erkennbare Änderung des Abweichens in Betrieb von der Normalität des komplexen Systems reflektieren wird, der keine anfängliche Analyse von mehr als einer bezifferbaren Anzahl an Testergebnissen erfordern wird, d.h., es wäre ideal, wenn jede signifikante Änderung im Betriebszustand des Systems deutlich in einem einzigen Testergebnis reflektiert wäre.

[0017] Ein Aspekt des Verfahrens der Erfindung besteht darin, dass Signalverarbeitung überwachter Daten eines komplexen Systems verwendet wird, um zu bestimmen, wann das komplexe System vom normalen Betrieb abweicht. Das Verfahren identifiziert auch die systemzugeordneten Überwachungsvariablen, deren Daten ein Abweichen vom normalen Betrieb anzeigen.

[0018] Die Hotelling-T<2>-Masszahl, oder, alternativ, T<2>, ist im Fach der Signalverarbeitung wohl bekannt. Erstmals vorgeschlagen von Harold Hotelling, bedeutet sie das Quadrat der Mahalanobis-Distanz, ein weiteres wohl bekanntes Verfahren im Fach der Statistik, und sie ist eine Verallgemeinerung der Student -t-Masszahl, die für multivariates Hypothesentesten verwendet wird. Definiert ist sie bezogen auf eine Menge von p Variablen x = (x1,x2,...,xp) , welche Mittelwerte [micro] = ([micro]1,[micro]2,...,[micro]p) und p * p Kovarianzmatrix, W, aufweisen, wobei W aus n Snapshots gebildet wird,
<EMI ID=2.1>
genommen aus den systemzugeordneten Variablen.

[0019] Die Hotelling-T<2>-Masszahl, t<2> , ist definiert als t<2> =(x-[micro])'W<-1>(x-[micro]). Erwartetes Verhalten der Hotelling-T<2>-Masszahl, t<2>, geht von der Annahme aus, dass x = (x1,x2,...,xp) eine kombinierte p-variate Gauss-Verteilung darstellt. Eine derartige Verteilung ist in der Praxis nie zu sehen. Allerdings können die Hotelling-T<2>-Masszahl und zahlreiche andere Masszahlen, welche auf derselben Annahme beruhen, einen Beitrag von unschätzbarem Wert zur Systemanalyse leisten.

[0020] Wenn die Hotelling-T<2>-Masszahl verwendet wird, ist es im Allgemeinen ratsam, einen Trainigszeitraum vorzusehen, mit Daten, die von Sensoren genommen sind, welche die systemzugeordneten Variablen beobachten, wenn begründet angenommen wird, dass sich das System in einem stabilen Betriebsintervall befindet. Während eines derartigen Intervalls wird angenommen, dass die Mittelwerte [micro] = (/[micro]1,[micro]2,...,[micro]p) existieren und durch Durchschnittsbildung hergeleitet werden können.

[0021] Es ist eine Änderung in der p-dimensionalen Kovarianzmatrix, W, oder in den Mittelwerten, [micro], die bewirkt, dass die eindimensionale Hotelling-T<2>-Masszahl eine erkennbare Änderung zeigt. Um die Dimensionalitätsreduktion mehrerer gemessener systemzugeordneter Variablen zu der einen Hotelling-T<2>-Masszahl zu nutzen, und um die Änderung in der Hotelling-T<2>-Masszahl über zwei Mengen von Snapshots, [Delta]t<2>, effizient herauszubringen, kann die Berechnung geleistet werden, durch Berechnen von
[Delta]t<2>= (x*-[micro]*)'W2<-1> (x*-[micro]*)-(x-[micro])'W1<-1>(x-[micro])
wobei W1 und W2, x and x* und [micro] and [micro]* jeweils über der ersten und der zweiten Menge von Snapshots berechnet werden.

[0022] Snapshot-Sensordaten wurden aus einem Turbofan-Triebwerk gesammelt, über einen Zeitraum, umfassend einen Zeitpunkt, zu dem es auf Grund von Verschleiss überholt worden ist. Fig. 3A zeigt die normalisierten Sensormessungen von drei der elf Variablen: Abgastemperatur - EGT, Treibstoffdurchfluss - WFM und Drehzahl des Hochdruckkompressors - N2. In Fig. 3Azeigt sich, dass es keinen offensichtlichen Trend oder keine offensichtliche Verschiebung in Sensormessungen gibt, sowie der Verschleiss des Triebwerks fortschreitet. Zuerst wurden Daten von den ersten 1000 Flugzyklen (Punkte) verwendet, um das Sample-Mittel und die Sample-Kovarianz zu schätzen. Als Nächstes wurde die T<2>-Masszahl direkt aus all den Daten, umfassend EGT, WFM, N2 und einige weitere Schlüsselparameter, berechnet.

In Fig. 3B, ist der Aufwärtstrend der T<2>-Auswertung zu sehen, wobei höhere Werte gezeigt sind, sowie wir uns dem Triebwerks-Verschleissniveau nähern, welches das Überholen bewirkt hat.

[0023] Die Hauptaufgabe, um die es in der Berechnung der Hotelling-T<2>-Masszahl geht, ist die Berechung der Kovarianzmatrix. Diese Matrix kann auf zahlreiche Arten geschätzt werden. Diese Arten umfassen, was keine Einschränkung bedeutet, einen direkten Zugang, zuerst durch Erfassen aufeinanderfolgender Mengen einzelner Variablenwerte, Berechnen der Mittel der Variablen über die erfassten Werte, Subtrahieren der Mittel von den jeweiligen Mengen von Variablen, und danach Ausführen geeigneter paarweiser Multiplikation und Teilung der Samplegrösse. Die Schätzung der Kovarianzmatrix kann auch durch Bilden von Ellipsoiden mit dem kleinsten Volumen über den verschiedenen Variablenpaaren gebildet werden.

Dieses Verfahren ist bekannt als sehr robust bei Vorhandensein von verfälschten Daten und, bei sauberem Umgang mit Ausreissern und weiteren vermuteten verfälschten Daten, wird das Verfahren eine gute Schätzung der Mittel der Variablen und der Einträge der Kovarianzmatrix ergeben. Noch ein weiteres Mittel zum Schätzen der Kovarianzmatrix besteht darin, eine Schätzfunktion aufeinanderfolgender Differenzen über n Snapshots zu konstruieren. Diese Schätzfunktion wird konstruiert aus x = (x1,x2,...,xn), bei Vi= xi+1 - xi, für i=1,2,...,n-1, und wird verwendet zum Bilden von:

[0024] In einigen bedeutenden Fällen von Systemverschlechterung können die Mittel der systemzugeordneten überwachten Variablen langsame lineare Drifts aufweisen. Die Hotelling-T<2>-Masszahl wird diese Drifts eher aufdecken, wenn die aufeinanderfolgenden Differenzen, die verwendet werden, um die Schätzung der Kovarianzmatrix zu erstellen, weiter voneinander beabstandet sind als eins. Es lohnt sich also, eine Verarbeitungsoption aufzunehmen, die aufeinanderfolgende Differenzen über eine Samplenummerndifferenz von [delta] , Vi=xi+[delta]-xi, wobei [delta] >1 , bilden wird.

[0025] Es gibt zahlreiche mögliche Verfahren zum Ausfindigmachen einer signifikanten Änderung in der Hotelling-T<2>-Masszahl oder der paarweisen Änderungen in der Hotelling-T<2>-Masszahl über einer Reihe von Snapshots. Diese Verfahren umfassen, zum Beispiel, und nicht als Einschränkung, Energietests und Tests der Momente höherer Ordnung, insbesondere Verwenden der Exzess Kurtosis, berechnet durch Teilen der vierten Kumulante durch das Quadrat der Varianz und danach durch Subtrahieren von drei (3). Fig. 4zeigt eine graphische Darstellung der Kurtosis, berechnet über ein gleitendes Fenster, Weite 20 Samples, über Sample-T<2>-Daten. Anzumerken ist, dass die Kurtosis hochschiesst, wenn der erste Anomaliepunkt bei Sample Nummer 55 in das Fenster eintritt. Weitere Verfahren umfassen Setzen einer Schwelle. Eine geeignete Schwelle kann auf eine Anzahl von Arten gedacht werden.

Zum Beispiel, und nicht als Einschränkung, kann die Schwelle gewählt werden durch Analysieren historischer Daten, welche während normalen Systembetriebs aufgenommen worden sind, und Verwenden eines ersten Abschnitts dieser historischen Daten, um das Mittel der systemzugeordneten Überwachungsvariablen und der Kovarianzmatrix der systemzugeordneten Überwachungs-variablen zu schätzen. Ein zweiter Abschnitt der historischen Daten, nicht überschneidend mit dem ersten Abschnitt, kann verwendet werden, um die Wahrscheinlichkeitsdichtefunktion, die das Verhalten der T<2>-Masszahl beschreibt, zu unterscheiden. Eine Schwelle kann dann auf eine Anzahl von verschiedenen Arten gesetzt werden.

Eine solche Art, zum Beispiel, und nicht als Einschränkung, ist, die Wahrscheinlichkeit eines falschen Alarms bei normalem Betrieb und die erwarteten Kosten eines falschen Alarms zu berechen, und die Schwelle so zu setzen, dass die Kosten pro Sample bei normalem Betrieb kleiner oder gleich sein werden den entstandenen Kosten.

Systemänderung und Variablenimplikation

[0026] Wenn eine Änderung im Betrieb des komplexen Systems durch die Hotelling-T<2>-Masszahl identifiziert worden ist, fährt das Verfahren fort, die dem System zugeordneten Variablen zu isolieren, von welchen die Abweichung vom normalen Betrieb ausgeht. Eine Art, diesen Schritt auszuführen, besteht darin, zuerst die Hotelling-T<2>-Masszahl durch ihre Hauptkomponenten auszudrücken. Das geschieht dadurch, dass T<2> zuerst dargestellt wird als:

<EMI ID=4.1>
wobei [lambda]a, a = 1,2,...,n , die Eigenwerte der Kovarianzmatrix W sind, und ta die Auswertungen aus der Transformation der Hauptkomponenten, sa<2>. ist die Varianz von ta (die Varianz der Hauptkomponenten sind die Eigenwerte von W).

Jede Auswertung ta kann ausgedrückt werden als

<EMI ID=5.1>
wobei pa der Eigenvektor von W ist, entsprechend [lambda]a, und Paj, xj, [micro]j Elemente des entsprechenden Vektors sind, zugeordnet der j-ten Variablen. Durch diese Darstellung zeigt sich, dass der Beitrag jeder Variablen xj, zu der Auswertung der Haupt komponente a, Pa,j(xj-[micro]j) ist. Diese Information kann verwendet werden, um die Variable(n) zu identifizieren, welche die stärkste Auswirkung auf die Anomalie aufgewiesen hat/haben, die durch die Hotelling-T<2>-Metrik gemessen worden ist.

[0027] Der nächste Schritt besteht darin, den Beitrag conta,jeiner Variablen zu berechnen, welche in der normalisierten Auswertung (ta/sa)<2>erscheint. Es gilt conta,j=(ta/s<2>a)pa,j(xj-[micro]j). Wir berechnen dann den gesamten Beitrag der Variablen xjdurch Bilden der Summe
<EMI ID=6.1>
Die Hotelling-T<2>-Masszahl kann jetzt geschrieben werden als eine Summe von Beiträgen aller Variablen, über alle Auswertungen, als:

[0028] Als Beispiel, und nicht als Einschränkung, des Verfahrens zum Bestimmen, wann das komplexe System vom normalen Betrieb abweicht, und zum Bewerten der Beiträge der verschiedenen Variablen, sei angenommen, dass es sechs Variable x1,x2,...,x6gibt, die auf einanderfolgende Werte zeigen, wie gezeichnet in Fig. 5. Die für die sechs Variablen x1,x2,...,x6verwendeten Daten wurden aus unabhängigem Sampling eines Gauss- Zufallsvariablengenerators genommen, und wurden dann modifiziert, entsprechend
x1(55) = +4
x2(60) = -4
x3(65) = +3
x4(65) = -3
x5(81:85) ?x5(81:85) + 3
x6(81:85)<-x6(81:85) + 3

[0029] Die Hotelling-T<2>-Masszahl, T<2>, wird anhand der Daten aus Fig. 5berechnet, wobei die Kovarianzmatrix unter Verwendung der ersten 50 Samples jeder der sechs Variablen geschätzt wird. Der nächste Schritt besteht darin, die unterschiedlichen Beiträge aus den sechs Variablen zur Hotelling-T<2>-Masszahl zu illustrieren, an den Punkten, an denen sich die Masszahl oberhalb einer Schwelle befindet. Das kann auf mehrere Arten erfolgen. Zum Beispiel, und nicht als Einschränkung, sind die Absolutwerte, Mi,j, des Beitrags der j-ten Variablen zu der Auswertung der Hauptkomponente am Datenpunkt i
<EMI ID=8.1>
und der relative Absolutwert, normalisiert über alle Variablenbeiträge der Absolutwerte wird bezeichnet mit M ij und berechnet als
<EMI ID=9.1>

[0030] Die Beitragsabsolutwerte und die relativen Absolutwerte können angezeigt werden, unter Verwendung von Farbcodierung, zur Unterstützung der Bedienperson beim Interpretieren der Ergebnisse. Fig. 6 illustriert die unterschiedlichen Beiträge aus den sechs Variablen zur Hotelling-T<2>-Masszahl alle 100 Punkte, unter Verwendung von Farbcodierung. Das farbcodierte Blockraster zeigt die relativen Beiträge an der Ordinate aus den sechs Variablen x1,x2,...,x6 , aufgetragen an der Abszisse.
In einer weiteren Ausführungsform können Ausreisser, wie etwa jene, die in Fig. 7 identifiziert sind, ebenfalls unterschieden werden durch ein Entropiemass Ei, wobei
<EMI ID=10.1>
und ein Minderheitsbestimmungsmass, mi, wobei mi = 1-maxj(M'i,j).Fig. 7zeigt Ei und mi für jene Punkte T<2>, welche eine Schwelle überschreiten.

Zu Zwecken der Illustration seien zwei unterschiedliche Schwellen angenommen. Die erste Schwelle, Fig. 7links, ist die Schwelle, die dazu führt, dass 5 der T<2>-Berechnungen die Schwelle überschreiten. Die zweite Schwelle, Fig. 7, rechts, ist eine niedrigere Schwelle, die dazu führt, dass 10 der T<2>-Berechnungen die Schwelle überschreiten.

[0031] Als ein weiteres Beispiel des Verfahrens zum Bestimmen, wann das komplexe System vom normalen Betrieb abweicht und zum Bewerten der Beiträge der verschiedenen Variablen, sei angenommen, dass es neun kritische Sensoren x1,x2,...,x9gibt, aus dem Modell des GE90-Cycledeck, die aufeinanderfolgende Werte zeigen, wie gezeichnet in Fig. 8. Die für die 9 Variablen x1,x2,...,x9 verwendeten Daten wurden erzeugt, während Cycledeck in normalem Flugzustand simuliert wurde, ohne Verlust bei Efficieny und Flow. Wir können diese Daten als "No-fault"-Daten ansehen. Um Sensorfehler zu simulieren, haben wir mit Absicht einige der Sensormessungen zu unterschiedlichen Zeiten modifiziert:
ZPCN25(130)=100
PS3(150)=170
T3(170)=1310
ZT49(181:185)=1770

[0032] Der nächste Schritt besteht darin, die unterschiedlichen Beiträge aus den neun Variablen zur Hotelling-T<2>-Masszahl zu illustrieren. Das kann auf verschiedene Arten erfolgen. Die Beitragsabsolutwerte und die relativen Absolutwerte können angezeigt werden, zur Unterstützung der Bedienperson beim Interpretieren der Ergebnisse. Die Anzeige kann farbcodiert sein. Fig. 9A zeigt eine Abbildung der relativen Beitragsabsolutwerte, wie angegeben. Das Raster zeigt die relativen Beiträge an der Ordinate, aus den neun Variablen x1,x2,...,x9, aufgetragen an der Abszisse. Die T<2>-Masszahl wird berechnet, basierend auf den Zeitreihendaten von den 9 Sensoren, gezeigt in Fig. 9B. Die Stellen der Spitzen in den T<2>-Masszahlwerten entsprechen jenen, an denen die Sensorfehler injiziert worden sind.

Die Sensorvariablen mit hohem Beitrag werden verantwortlich gemacht für die Änderung in der T<2>-Auswertung. Vielversprechenderweise sind die Sensoren, die durch Variablenbeitragsanalyse identifiziert worden sind, exakt die Sensoren mit injiziertem Fehler.

[0033] Um Systemfehler zu simulieren, haben wir Parameter des Cycledeck-Modells Flow und Efficiency neu konfiguriert, im Betrieb von einem Normalzustand ("nofault") zu einem Systemfehler. Wie gezeigt in Fig. 10, entsprechen die Punkte nach den gestrichelten Linien einem Systemfehler. In Fig. 12steigt die T<2>-Masszahl rasch an, von 200 weg, wo der Systemfehler beginnt. Ferner erkennt die Beitragsanalyse die Sensoren mit Abweichung von der Normalität exakt, gezeigt in Fig. 11. Bis zu einem gewissen Grad ist das eine Art und Weise Sensor- und Systemfehler zu unterscheiden, da es sehr unwahrscheinlich ist, dass mehrere Sensoren gleichzeitig Fehler aufweisen.

[0034] Wenn abnormales Verhalten festgestellt worden ist, kann ein Alarm, welcher Ergebnisse der Analyse meldet, den Systemüberwachungsautoritäten kommuniziert werden, auf eine von vielen Arten, umfassend, jedoch nicht notwendigerweise limitiert auf elektrische Verkabelung, Informationsübertragung über Stromleitung, ein Intranet, das Internet, oder über Funk.

Sensorvalidierung

[0035] Für eine zuverlässige Zustandsüberwachung ist es erforderlich, über genaue Sensorinformation zu verfügen. Allerdings können Sensoren manchmal fehlerhaft sein, oder sie können sogar unverfügbar werden, auf Grund von Ausfall oder Wartungstätigkeiten. Sensorvalidierung ist daher ein kritischer Teil der Zustandsüberwachung. Zu den traditionellen Ansätzen der Sensorvalidierung zählt periodische Kalibrierung der Instrumente. Die Kalibrierungen sind teuer, sowohl, was die Arbeit, als auch was die Prozessstillstandszeit angeht.

[0036] Um an die Probleme im Zusammenhang mit Sensorvalidierung heranzugehen, verwendet die Erfindung ein Sensorvalidierungsmodell auf Basis eines autoassoziativen neuronalen Netzes (AANN), das Online-Kalibrierungsüberwachung von plattformmontierten Sensoren durchführen kann. Die Charakteristik des Modells ermöglicht das Erkennen von Sensordrift oder Sensorausfall durch Vergleichen der Sensor-Rohmessungen, was die Modell-eingäbe ist, mit der entsprechenden modellbasierten Schätzung der Sensorwerte. Zusätzlich kann Supervisionsanalyse der Residuen zwischen rohen oder tatsächlichen Sensormessungen und Sensorschätzung dazu beitragen, zwischen Sensorfehler und Systemfehler zu unterscheiden. Der Definition nach ist ein Residuum die Differenz zwischen einem tatsächlichen gemessenen oder abgetasteten Wert und dem entsprechenden geschätzten Wert.

Ein Vektor der Residuen ist die Differenz zwischen einer Menge tatsächlicher Werte und der entsprechenden Menge geschätzter Werte. Eine signifikante Abweichung der Residuen für eine kleine Untermenge von Sensormessungen würde einen Sensor(en)fehler anzeigen, während eine signifikante Abweichung der Residuen für eine grosse Untermenge von Sensormessungen einen Systemfehler anzeigen würde. Eine Abweichung der Residuen aus einem einzigen Sensor ist typischerweise ein Anzeichen eines Sensorfehlers, während mehrere Abweichungen der Residuen aus mehreren Sensoren typischerweise ein Anzeichen eines Systemfehlers sind.

[0037] Die Eingaben in das AANN durchlaufen eine Dimensionalitätsreduktion, da ihre Information in Zwischenschichten kombiniert und komprimiert wird. Zum Beispiel werden, in Fig. 13, die sieben Nodes in der Eingabeschicht auf 5 und danach 3 Nodes reduziert, jeweils in der 2. Schicht (Codierung) und der 3. Schicht (Bottleneck). Danach werden die Nodes in der 3. Schicht verwendet, um die ursprünglichen Eingaben wiederherzustellen, wobei diese eine Dimensionalitätserweiterung (4. Schicht, Decodierung, und 5. Schicht, Ausgaben) durchlaufen. Im idealen Fall sollten die AANN-Ausgaben identisch sein mit den Eingaben. Ihre Differenzen (Residuen, Fig. 14) werden in der Fehlerdiagnose-Entscheidung 260 verwendet.

[0038] Im Wesentlichen berechnet dieses Netz die grössten nichtlinearen Hauptkomponenten (NLPCA) - die Nodes in der Zwischenschicht - um Korrelationen unter Variablen zu identifizieren und zu entfernen. Ausser zur Erzeugung von Residuen, wie in dieser Anmeldung, kann diese Art Netz auch zur Dimensionalitätsreduktion, zur Visualisierung, and zur explorativen Datenanalyse verwendet werden. Es ist anzumerken, dass PCA ausschliesslich lineare Korrelationen zwischen Variablen identifiziert, während NLPCA sowohl lineare als auch nichtlineare Korrelationen aufdeckt, ohne Einschränkung bezüglich des Charakters der in den Daten vorhandenen Nichtlinearitäten. NLPCA arbeitet damit, ein neuronales Feedforward-Netz zu trainieren, das Identity Mapping auszuführen, in welchem die Netzeingaben an der Ausgabeschicht reproduziert werden.

Das Netz enthält eine interne "Bottleneck"-Schicht (welche weniger Nodes enthält als die Eingabeoder die Ausgabeschicht), was das Netz zwingt, eine kompakte Darstellung der eingegebenen Daten zu entwickeln, und zwei zusätzliche verborgene Schichten. Die nichtlinearen Funktionen, welche in den verborgenen Nodes eingebettet sind, sind typischerweise tansig-Funktionen, während die mittlere Bottleneck-Schicht eingebettete lineare Transformationsfunktionen aufweist.

[0039] Physikalische Modelle können verwendet werden, um den nominalen Wert von Sensormessungen bei unterschiedlichen Betriebszuständen zu erzeugen, derart, dass die Residuen (Fig. 16) zwischen Sensor-Rohmessung und nominaler Messung verwendet werden können, um Trends darzustellen für Änderungen über die Zeit. Wenn allerdings kein physikalisches Modell verfügbar ist, müssen nominale Sensormessungen direkt aus Rohmessungen abgeleitet werden. Autoassoziative neuronale Netze (AANN) werden bereits zur Sensorvalidierung genutzt, wenn Information in den Messungen analytisch redundant ist, in dem Sinn, dass, wenn eine Messung verloren geht, sie durch eine Schätzung aus den übrigen gültigen Sensoren ersetzt werden kann.

Die Erfindung dagegen benutzt AANN, um Sensormessung in normalen Zuständen zu schätzen, und danach kann das Residuum zwischen Rohmessung und normaler Messung verwendet werden, um Anomaliezustände im Sensor/ im System abzuleiten.

[0040] Wir verwendeten einen neunwertigen Zustandsvektor, welcher Triebwerksdaten, erzeugt aus dem Modell des GE90-Cycledeck, darstellt. Unter Verwendung dieses Satzes von Daten bauten wir ein AANN 9-5-3-5-9 auf, wobei wir der Architektur, wie dargestellt in Fig. 13, gefolgt sind. Ein neuronales Netz zum Schätzen der Sensorwerte ist in Fig. 14 illustriert, wobei das neuronale Netz dieser Ausführungsform, ausschliesslich zu Beispielzwecken und keinesfalls als Einschränkung angeführt, 7 Eingänge, besitzt, 5 Nodes Codierungsschicht, 3 Nodes Bottleneck-Schicht, 5 Nodes Decodierungsschicht und 7 Ausgänge. Wir bezeichnen eine derartige Architektur eines neuronalen Netzes als 7x5x3x5x7.

Die Struktur 200 zeigt die tatsächlichen Sensorwerte, zur besseren graphischen Darstellbarkeit gruppiert in Kasten 210 und eingegeben in die Eingabeschicht 215 eines 5-stufigen neuronalen Netzes 270. Die tatsächlichen Sensorwerte werden auch zu Kombinierer 250 gesendet. Wie in Neuronennetz-Fachkreisen wohl bekannt, werden die Ausgaben der Eingabeschicht 215 in die Codierungsschicht 220 eingegeben. Die Ausgaben der Codierungsschicht 220 werden in die Bottlneck-Schicht 225 eingegeben. Die Ausgaben der Bottleneck-Schicht 225 werden in die Decodierungsschicht 230 eingegeben. Die Ausgaben der Decodierungsschicht 230 werden in die Ausgabeschicht 235 eingegeben. Die Ausgaben der Decodierungsschicht 235 stellen die Schätzungen der Sensorwerte dar, zur besseren graphischen Darstellbarkeit gruppiert im Kasten 240.

Die Sensorwertschätzungen werden zum Kombinierer 250 gesendet, in welchem die Residuen 255 durch Subtrahieren der tatsächlichen Sensorwerte von den geschätzten Sensorwerten gebildet werden. Die Residuen werden in das Modul 260 eingegeben, welches das Entscheiden über die Residuen ausführt, um jegliche abgeleitete Fehlerdiagnose zu erkennen und zu melden. Es gibt zwei optionale Eingänge für das Entscheidungsmodul 260. Der erste dieser Eingänge 212 kommt von dem internen Informationsmodul 211 und umfasst verarbeitete interne Information. Die verarbeitete interne Information umfasst, zum Beispiel, und nicht als Einschränkung, physikbasierte Modelle und Beziehungen, von denen bekannt ist, dass sie unter und zwischen den tatsächlichen Sensorwerten 210 bestehen. Diese Werte werden in das interne Informationsmodul eingegeben, aus den tatsächlichen Sensorwerten 210.

Der zweite dieser Eingänge 214 kommt von dem externen Informationsmodul 213 und umfasst gesammelte und verarbeitet externe Information, welche, zum Beispiel, und nicht als Einschränkung, Anlageninformation umfasst, automatisch oder manuell eingegeben, betreffend Aufzeichnungen der Bedienperson, Energieversorgungsparameter der Anlage, wie etwa Stromqualität, temporäre Änderung von Betriebspunkten von Geräten, und Umgebungsfaktoren. Die Fehlerdiagnose kann, zum Beispiel, und nicht als Einschränkung, wohlbekannte statistische Verfahren umfassen, wie etwa den Sequential-Probability-Ratio-Test (SPRT).

[0041] Fig. 15A und (B) illustrieren ein Sample typischer Sensor-Rohmessungen in Fig. 15(A), und deren entsprechende Residuumwerte in Fig. 15(B), wenn kein Fehler in dem System oder in den Sensoren vorhanden ist. Unter diesen Umständen sind die Residuen typscherweise um zwei Grössenordnungen kleiner als die Rohdaten. Wir injizierten danach eine grosse Stufenfunktion in den Sensor, welcher die fünfte Variable (ZT49) abtastete, und stellten fest, dass das entsprechende Residuum den grössten Ausschlag zeigte, während die anderen Residuen viel kleinere Änderungen zeigten. Das ist in Fig. 16 illustriert.

[0042] Um den Erkennungsprozess zu automatisieren, schlagen wir vor, die Residuen R: zu normalisieren, unter Verwendung des Durchschnitts der Rohdatenmessungen, d.h.:
<EMI ID=11.1>

[0043] Dann können wir eine Gütezahl (Figure-of-Merit) berechnen, wie etwa
<EMI ID=12.1>
um die Gesamtgrösse der Residuen zu evaluieren. Wenn FOM kleiner ist als eine spezifizierte Schwelle, dann können wir sagen, dass keine Anomalien vorhanden sind. Ansonsten wird die Anomalie erkannt. Wenn es einen grossen (in Prozent) Residuumewert gibt, identifizierten wir die Anomalie als einen Sensorfehler. Wenn alle Residuen grösser sind als die Basislinie, jedoch etwa gleich zu dem FOM beitragen, dann gibt es zwei Möglichkeiten:
<tb>(1)<sep>Es ist ein Systemfehler; oder

<tb>(2)<sep>das AANN ist nicht geeignet zum Erzeugen von Residuen (d.h., das AANN ist in einer anderen Region des Zustandsraums trainiert worden, als in jener, aus der die aktuellen Rohdaten bezogen worden sind).

Sensorvalidierung für unterschiedliche Betriebszustände

[0044] Wenn sich der Betriebszustand oder der Modus, in welchem das System arbeitet, ändert, können sich die Eigenschaften des Systems ebenfalls entsprechend ändern. Zum Beispiel weisen Gasturbinen Betriebsmodi auf, wie etwa Grundlast, Teillast und Volllast. In jedem Modus verhält sich das System anders, zu erfassen mittels des Outputs (Leistung usw.) des Systems und mittels seiner Sensormessungen (Temperatur, Druck, Schwingung usw.). Im vorhergehenden Abschnitt machten wir uns das AANN-Modell zunutze, um Sensorvalidierung innerhalb eines bekannten Betriebsbereichs auszuführen. Im Wesentlichen wurde ein AANN-Modell so verwendet, dass es die Systemeigenschaften lernte. Wenn sich der Betriebsbereich ändert, muss das unterlegte AANN-Modell ebenfalls geändert (oder neu trainiert) werden.

[0045] Als Beispiel, und nicht als Einschränkung, sei angenommen, die überwachte Maschine ist ein Strahltriebwerk, wie etwa ein Flugzeugtriebwerk GE90, das überwacht wird nach Höhe (ALT), Umgebungstemperatur (Tamb), and Machzahl (Mach). Angenommen, das Triebwerk arbeitet in drei unterschiedlichen Betriebsbereichen, und es ist bekannt, wann es zu Übergängen zwischen Betriebszuständen kommt. Fig. 17illustriert das Beispiel, in welchem drei Betriebszustände als zweidimensionale Projektionen von Volumen in einem dreidimensionalen Raum dargestellt sind, welcher die Achsen Höhe, Machzahl, und Umgebungstemperatur aufweist. Die Projektion der Volumina in den zweidimensionalen Raum Höhe-Umgebungstemperatur ist in Fig. 17illustriert.

Die zugeordneten abgebildeten Diagramme stellen die Projektionen der Volumina mit Hilfe der drei Achsen Höhe, Machzahl, und Umgebungstemperatur dar. Die Leistungskurve des Betriebs des Strahltriebwerks in den, durch die, und zwischen den Betriebskurven ist bekannt als Flight Envelope oder FE. 1000 normale Betriebspunkte wurden zufällig aus jedem Betriebsbereich erzeugt. Für jeden erzeugten Betriebspunkt gibt es einen neunwertigen Zustandsvektor, der ihm entspricht.

[0046] Unter Verwendung dieses Satzes von Daten bauten wir drei AANN 9-5-3-5-9 auf, wobei wir der Architektur, wie dargestellt in Fig. 13, gefolgt sind, jeweils für die drei Betriebsbereiche. Während der Trainingsphase eines jeden AANN-Modells wurden 900 Datenpunkte verwendet. Die übrigen 10 0 Datenpunkte wurden für den Test reserviert. Fig. 18(A)-(C) zeigen die Residuen von AANN-Modellen am Testset aus unterschiedlichen Betriebsbereichen. Da AANN1 innerhalb des Betriebsbereichs 1 trainiert worden ist, aus welchem Testseti genommen wurde, sind die Residuen in Fig. 18(A)klein. Dasselbe für AANN3 an Testset 3, wie in Fig. 18. Wenn AANNl allerdings an Testset2 in Fig. 18(C) getestet wurde, welches aus einem anderen Betriebsbereich stammt, sind die Residuen typischerweise um eine oder zwei Grössenordnungen höher als im vorhergehenden Fall.

[0047] Eine weitere Art, mit unterschiedlichen Betriebsbereichen umzugehen, ist, ein globales Modell über alle Betriebsbereiche aufzubauen. So kann, wenn sich ein Betriebsbereich ändert, das globale Modell verwendet werden, um das Verhalten des Systems zu erfassen. Auf Grund der Tatsache, allerdings, dass das Modell über dem gesamten Betriebsbereich aufgebaut ist, ist es weniger exakt beim Erfassen der Eigenschaften des Systems in lokalen Bereichen. Fig. 19(A)-(C)zeigen die Residuen eines globalen AANN-Modells am Testset aus verschiedenen Betriebsbereichen. Da das globale AANN-Modell an allen drei (3) lokalen Betriebsbereichen trainiert worden ist, sind die Residuen an Testset2 (Fig. 19(C)) viel kleiner, als das in Fig. 18(C) der Fall ist. Allerdings sind die Residuen in Fig. 19(A)und (B)grösser als jene in Fig. 18(A)and (B).

[0048] Das Aufbauen lokaler Modelle ist dem Aufbauen eines globalen Modells überlegen, wo es darum geht, die Eigenschaften des lokalen Systems besser zu erfassen, wenn die lokalen Betriebsbereiche identifiziert werden können.

Fuzzy-Supervisionsmodelle für Betriebszustandsübergänge

[0049] Typischerweise wird eine Anlage oder ein Anlagensystem in unterschiedlichen Zuständen/Modi betrieben. Das System verhält sich unterschiedlich, entsprechend unterschiedlichen Betriebszuständen. Um Sensoreigenschaften bei unterschiedlichen Betriebszuständen besser darstellen zu können, sind mehrere Sensorvalidierungsmodelle wünschenswert, um die Beziehung zwischen den Sensoren zu erfassen. So stellt sich die Frage, wie die Änderung von Betriebszuständen automatisch erkannt werden und eine Entscheidung über das geeignete lokale Sensorvalidierungsmodell getroffen werden kann.

[0050] Lokale Modelle können die Dynamik eines Systems innerhalb der spezifizierten Betriebsbereiche erfassen. Allerdings kann in einem Übergangsbereich keines der spezifisch angepassten lokalen Modelle die Systemdynamik exakt erfassen. Also werden die Residuen, welche während der Übergangsphase erzeugt werden, die Alarmschwelle überschreiten und falsche positive Alarme verursachen. Eine übliche Lösung, die für dieses Problem zur Zeit eingesetzt wird, besteht darin, die erzeugten Alarme zu ignorieren, wenn wir wissen, dass das System einen Übergang von Betriebsbereichen durchläuft. Der Nachteil dieses Ansatzes besteht in der Unterbrechung der Systemüberwachung unter Verwendung lokaler Modelle und in der Gefahr, etwaige echte Fehleralarme zu versäumen, welche während der Übergangsphase erzeugt werden.

[0051] Im Allgemeinen geht die Erfindung an diese Probleme unter Verwendung eines Fuzzy-Supervisionsmodell-Überblenders heran, um dem Übergang zwischen Sensorvalidierungs-modellen, basierend auf Betriebszustandsänderungen, gerecht zu werden. Insbesondere verwenden wir Fuzzy-Logik (FL), um Regeln zu schreiben für ein Supervisionsmodell, um den Übergang von lokalen Modellen zu steuern, wenn ein Betriebsbereich sich ändert. Es gibt umfangreiche Literatur, welche sich mit Fuzzy-Logik und ihrer Verwendung in regelbasierter Approximation befasst. Linguistische WENN-DANN-RegeIn mit geeigneten mathematischen Konstruktionen werden in das Supervisionsmodell eingebaut, um über die Tauglichkeit lokaler Modelle für aktuelle Betriebszustände zu entscheiden.

Der Grad an Tauglichkeit unterschiedlicher lokaler Modelle wird berücksichtigt, wenn der Beitrag der Residuen aus lokalen Modellen zu der gesamten Ausgabe gewichtet wird. GE90-Cycledeck-Simulator wurde verwendet, um Daten zur Demonstration zu erzeugen. Versuchsergebnisse haben gezeigt, dass, mit dem Supervisionsmodell, welches den Übergang lokaler Sensorvalidierungsmodelle steuert, Sensorschätzungen genauer sind, und robuster gegenüber Betriebszustandsänderungen.

[0052] Fuzzy-Logik bietet uns eine Sprache, mit Syntax und lokaler Semantik, mittels welcher wir qualitatives Wissen über das zu lösende Problem übertragen können. Insbesondere ermöglicht uns FL, linguistische Variablen zu verwenden, um dynamische Systeme zu modellieren. Diese Variablen nehmen Fuzzy-Werte an, die durch ein Label gekennzeichnet sind (ein Satz, erzeugt aus der Syntax) und eine Bedeutung (eine Zugehörigkeitsfunktion, bestimmt durch einen lokalen semantisehen Vorgang). Die Bedeutung einer linguistischen Variablen kann interpretiert werden als eine elastische Eingrenzung ihres Werts. Diese Eingrenzungen werden propagiert durch Fuzzy-Inferenzoperationen, basierend auf dem generalisierten Modus Ponens.

Dieser Folgerungsmechanismus, mit seinen Interpolationseigenschaften, gibt FL eine Robustheit im Bezug auf Schwankungen der Parameter des Systems, Störungen, etc., was eine der Haupteigenschaften der Fuzzy-Logik ausmacht.

[0053] Die bekannteste Definition einer Fuzzy-Regelbasis R ist die disjunktive Interpretation, und sie findet sich in den meisten Fuzzy-Controller-Anwendungen als:

<EMI ID=13.1>
R ist zusammengesetzt aus einer Disjunktion von m Regeln. Jede Regel definiert eine Zuordnung zwischen einem Fuzzy-Zustandsvektor und einer entsprechenden Fuzzy-Aktion. Der Operator des Kartesischen Produkts repräsentiert jede der Regeln.

[0054] Die Inferenzmaschine eines FC kann definiert werden als ein paralleler Vorwärtsverketter, welcher mit Fuzzy-Produktionsregeln arbeitet. Ein Eingangsvektor
<EMI ID=14.1>
wird in Entsprechung gesetzt mit jedem n-dimensionalen Zustandsvektor
<EMI ID=15.1>
d.h., mit der linken Seite, Left Hand Side (LHS), der Regel
<EMI ID=16.1>

[0055] Der Grad der Entsprechung [lambda]i gibt den Grad an, zu welchem die Regelausgabe auf die gesamte FC-Ausgabe angewendet werden kann. Die wichtigsten Inferenzthemen bei FC sind: die Definition der Auswertung von Fuzzy-Prädikaten, was normalerweise ein Möglichkeitsmass ist; die LHS-Auswertung, was typischerweise eine Dreiecksnorm ist; Konklusions-abtrennung, was normalerweise eine Dreiecksnorm oder ein Operator materieller Implikation ist; und Regelausgangs-aggregation, was normalerweise eine Dreiecks-Conorm für die disjunktive Interpretation der Regelbasis ist, oder eine Dreiecksnorm im konjunktiven Fall.

Unter gewöhnlich verwendeten Annahmen können wir die Ausgabe des Fuzzy-Systems beschreiben als

<EMI ID=17.1>
wobei [lambda]i der Grad der Anwendbarkeit von Regel ri ist

<EMI ID=18.1>
und
<EMI ID=19.1>
das Möglichkeitsmass, welches die Referenzzustandsvariablen-Entsprechung darstellt. Diese drei Gleichungen beschreiben den generalisierten Modus Ponens, welcher die Basis bildet zum Interpretieren einer Fuzzy-Regelmenge.

[0056] Wir verwendeten eben diese drei lokalen AANN-Modelle, die an den drei bereits beschriebenen lokalen Betriebsbereichen aufgebaut worden waren. Der Betriebsbereich des simulierten Systems verschob sich allmählich von Flight Envelope FE 1 zu FE 3, entlang der Kurve, gezeigt in Fig. 20(A). Fig. 20(A)and (B) sind die verschiedenen Darstellungen des Übergangs der Betriebsbereiche.

[0057] Eine Fuzzy-Zughörigkeitsfunktion wird entwickelt, welche die Achsen verwendet, welche die Volumina der Betriebs-zustände definieren. Das ist in Fig. 21(A)and (B)illustriert, welche die Werte der Flight- Envelope-Variablen zeigen, sowie das simulierte System in unterschiedliche Betriebsbereiche übergeht. Auf der linken Seite der Figur sehen wir die Definitionen der Zugehörigkeitsfunktionen für "Low", "Medium" and "High" der Flight-Envelope-Variablen.

[0058] Danach können wir eine Fuzzy-Regelmenge von drei Fuzzy-Regeln definieren, wie etwa jene, die in Tabelle 1 beschrieben sind, welche die Anwendbarkeit lokaler Modelle bei unterschiedlichen Betriebsbereichen in Fuzzy-Termen beschreiben.

Tabelle 1.: Fuzzy-Regelmenge, welche Modellanwendbarkeit bei unterschiedlichen Betriebsbereichen beschreibt.

[0059] In Fig. 22 zeigen wir das Ablauf Schema des Verwendens eines Fuzzy-Supervisionsmodells, um das Wechseln lokaler Modelle zu steuern und die Glättung von Residuen durch Interpolation sicherzustellen, wenn der Flugbereich sich im Übergang befindet. Auf der linken Seite der Figur ist zu sehen, wie Sensor-Rohmessungen drei lokalen AANN-Modellen vorgegeben werden, um jeweils die Residuen zu generieren. Die Zustandsvariablen, welche Betriebsbereiche definieren, werden durch die Fuzzy-Regelmenge hindurch eingegeben, um die Anwendbarkeit jedes lokalen AANN-Modells zu bestimmen. Die normalisierte Anwendbarkeit jedes Modells wird danach verwendet, um eine gewichtete Durchschnittsbildung der Residuen aus jedem einzelnen lokalen Modell auszuführen, um ein integriertes Gesamtresiduum zu erzeugen.

[0060] In Fig. 23(A) und (B) zeigen wir Beispiele von Residuen zwischen tatsächlichen Sensormessungen und Schätzungen aus lokalen Modellen AANN_1 und AANN_2, jeweils wenn der Flugbereich sich im Übergang befindet, entlang der Kurve, definiert in Fig. 20. Natürlich kann ein lokales Modell nur die Residuen innerhalb des Flugbereichs minimieren, für welchen es aufgebaut und trainiert worden ist. Allerdings kann sich das Fuzzy-Supervisionsmodell die Überlegenheit einzelner lokaler Modelle in den Flugbereichen, für welche sie gebaut worden sind, zunutze machen, und lokale Modelle überblenden, um die Glättung von Residuen während Übergängen von Betriebsbereichen sicher zu stellen, wie gezeigt in Fig. 23(C).

Univariate Änderungserkennung

[0061] Bis hierher beruhten alle oben beschriebenen Verfahren auf der Annahme, dass es mehr als eine abgetastete Variable pro Anlage gibt. Allerdings gibt es eine breite Vielfalt an im Gelände verteilten Anlagen, wie etwa BOP-Anlagenkomponenten, welche, zum Überwachen ihres Verhaltens, typischerweise nur eine abgetastete Variable pro Anlage aufweisen. Für diese Anlagen werden multivariate Änderungserkennungs- und Zustandsüberwachungsverfahren nicht anwendbar sein. Um diesem Fall eines einzigen Sensors pro Anlage spezifisch gerecht zu werden, haben wir uns eine Familie von Verfahren zunutze gemacht, umfassend Verfahren der Hotelling-T<2>-Masszahlberechnung, des Likelihood-Ratio-Tests, der Exzess-Kurtosis-Berechung und der Rank-Permutation-Transformation, zur univariaten Änderungserkennung.

Allerdings können gekoppelte Familien dieser Anlagen auch als eine Gruppe überwacht werden, unter Verwendung multivariater Verfahren.

Rank Permutation Transformation (RPT)

[0062] Rank Permutation Transformation (RPT) ist zugeschnitten auf Zeitreihen. Der allgemeine Ansatz, welcher hier zur Fehlererkennung in einer Zeitreihe verwendet wird, besteht darin, eine Testmasszahl für die "aktuellen" Daten (einige wenige neue Datenpunkte) mit den "vergangenen" Daten (einer typischerweise grösseren Anzahl an Punkten vor "aktuell") zu vergleichen, möglicherweise mit einem Puffer von nicht verwendeten Punkten dazwischen, um Unterschiede deutlicher hervorzubringen, wie gezeigt in Fig. 24.

[0063] Das Verwenden von Rängen, und nicht von absoluten Werten, löst einige Probleme. Erstens wird die problematische Wirkung von Ausreissern weitgehend verringert. Die Rangtransformation wird, sehr vorteilhaft, in nicht parametrischer Statistik eingesetzt. Die Rangverteilung für eine gegebene Anzahl an Daten kann vorab berechnet werden, wodurch sich die Runtime-Implementierung sehr schnell gestaltet (eine bedeutende Erwägung bei eingebetteten Echtzeit-Applikationen, die nur geringe Rechnerleistung erübrigen können).

[0064] Das Prinzip des Verwendens von zufälligen Permutationen der Daten, um eine exakte oder beinahe exakte Ereigniswahrscheinlichkeit zu entwickeln, ist in Fig. 25(A)-(C)illustriert. Fig. 25(A)zeigt die ursprünglichen Daten. Die Nullhypothese sagt, dass die letzten fünf sternförmigen Punkte aus derselben Verteilung genommen sind wie die vorhergehenden punktförmigen Punkte. Wenn die Nullhypothese wahr ist, dann sollte eine Masszahl (etwa das Mittel), berechnet für die sternförmigen Punkte, etwa dieselbe sein wie die gleiche Masszahl für beliebige fünf Punkte, zufällig ausgewählt aus allen Daten. Wenn wir die Daten unverändert behalten und zufällig die Labels austauschen (Stern oder Punkt), und wenn wir die Masszahl des"Mittels von fünf sternförmigen Punkten" viele Male rechnen, erhalten wir die Verteilung, gezeigt in Fig.25(C).

Dieser Vorgang lässt annehmen, dass beliebige fünf Punkte, zufällig ausgewählt aus allen Punkten, ein gleich grosses Mittel wie die ursprünglichen fünf in nur 7,2% der Fälle aufweisen werden. Auf ähnliche Weise kann jedes Datensample mit einem anderen Sample verglichen werden (z.B., unter Verwendung des oben skizzierten Ansatzes Jetzt-vs.-nähe-Vergangenheit) , und eine exakte Wahrscheinlichkeit (zu einer willkürlichen Anzahl signifikanter Zahlen) kann berechnet werden, dass die Samples sich in jeder Testmasszahl unterscheiden.

[0065] Nimmt man beide Ideen (Verwendung von Rängen und nicht von Rohdaten, sowie Permutationsverteilungen), kann die "Rank Permutation Transformation" (RPT) verwendet werden, um rohe, sich wenig wohlverhaltende Zeitreihen in Merkmale (Entscheidungen) zu transformieren, welche über die Musteränderungen in Daten informieren. Um RPT zu berechnen, muss zuerst eine kleine Anzahl an Punkten als die "aktuelle" Menge definiert werden, und eine (typischerweise grössere) Anzahl an Punkten als die "vergangene" Menge. Die beiden Datenmengen werden zuerst verkettet, und die Ränge der kombinierten Daten werden berechnet. Die Summe der Ränge für die ursprüngliche Ordnung (die Testmasszahl) für die "aktuellen" Daten wird berechnet.

Konkret werden die Datenlabels (aktuell/vergangen) zufällig ausgetauscht, und die Testmasszahl wird berechnet; dieser Schritt wird viele Male (z.B. 5.000) wiederholt. Der Wert der Testmasszahl für die ursprüngliche Ordnung der Daten wird verglichen mit den Werten, welche im Wege der Permutationen erzeugt werden, und die Wahrscheinlichkeit, dass die ursprüngliche Ordnung zufällig eintritt, wird berechnet. Der Wert der logioProbability (die Ausgabe der RPT) wird genommen, um seltene Ereignisse herauszuheben. Zum Beispiel bedeutet der Wert 10 (log1010<10>), dass die Seltenheit des Ereignisses eins in 10 Milliarden beträgt. Der Algorithmus zum Berechnen von RPT ist in Fachkreisen wohl bekannt.

[0066] Die Rank Permutation Transformation wurde an Falldaten eingesetzt, um Testmasszahlen zu erzeugen. Wenn die Testmasszahl eine vorbestimmte Schwelle überschreitet, wurde eine Änderung gemeldet.

Likelihood-Ratio-Test (LRT)

[0067] Der Likelihood-Ratio-Test befasst sich mit der Änderung von Verteilungen in sequentiellen Daten. Aus diesem Grund ist er sehr geeignet zur Änderungserkennung in einer Zeitreihe, und er wird auch sehr wohl praktiziert. Die allgemeine Konstellation des Problems für LRT wird wie folgt ausgedrückt.

[0068] Angenommen sei eine Skalar-Zeitreihe x(t), wobei das t der Index der aktuellen Zeit ist. Der Index der aktuellen Zeit t teilt die Zeitreihe in zwei Untermengen, x1(t) = {x(i)}i=t-n1,...,t-1(unmittelbare Vergangenheit) und<>x2(t)= {x(i))i=t,...,t+n2-1(unmittelbare Zukunft). Jede Untermenge erfüllt eine Wahrscheinlichkeitsdichtefunktion (pdf), jeweils p1([theta]1) und p2([theta]2). t sei ein Zeitpunkt, der LRT ist ein Neyman-Pearson-Test zur Entscheidung zwischen zwei Hypothesen:

[0069] Der Parameter der pdf vor der Änderung oder nach der Änderung ist nicht bekannt. Noch ist es der Änderungspunkt, die Zeit T. Dennoch kann das Log-Likelihood-Verhältnis gebildet werden zwischen der postulierten Hypothese H1, dass eine Änderung zu einer Zeit T eintritt, und der Nullhypothese H0 , dass keine Änderung innerhalb von n Samples eintritt:

<EMI ID=22.1>
wobei n = n1+ n2. Anzumerken ist, dass eine Differenz zwischen [theta]1' und [theta]1 bedeutet, dass sie über unterschiedliche Zeiten geschätzt sind. Da die wahren Parametermengen [theta]1, [theta]1' und [theta]2 unbekannt sind, kann der Ansatz der Maximum Likelihood (ML) verwendet werden, um zu deren Schätzungen zu gelangen, wobei
<EMI ID=23.1>
direkt aus ihren jeweiligen Bereichen erhalten werden: {t-n1,...,t + n2-1}, {t-n1,...,t-1} und {t,...,t + n2-1}.

Wenn die resultierende Wahrscheinlichkeit
<EMI ID=24.1>
eine vordefinierte Schwelle überschreitet, wird eine Änderung gemeldet.

Hotelling-T2-Masszahl

[0070] Die Hotelling-T<2>-Masszahl ist eine Verallgemeinerung der Student-t-Masszahl, die für multivariates Hypothesentesten verwendet wird. Eine Art und Weise, sie für das Problem der univariaten Änderungserkennung zu adaptieren, besteht darin, Zeitverzögerungen in die univariate Sensormessung einzubringen. Das bedeutet, dass das rohe univariate Signal x(t) um m Samplepunkte verzögert wird, um x(t-m) zu erzeugen. In ähnlicher Weise kann x(t-m) um weitere m Samplepunkte verzögert werden, um x(t-2m) zu erzeugen. Auf diese Weise kann eine pseudo-multivariate Zeitreihe erzeugt werden, wie etwa [x(t), x(t-m), x(t-2m)] ', um Hotelling-T<2>-Berechung wie im Vorhergehenden auszuführen.

[0071] In Fig. 26 zeigen wir Daten einer univariaten Zeitreihe, wobei eine Offset-Änderung an der roten Linie eintritt. RPT-, LRT- und einige Varianten von Hotelling-T<2>-Verfahren werden einzeln verwendet, um zu erkennen, wo die Änderung eingetreten ist. Alle diese Verfahren können die Änderungen mit vertretbaren Verzögerungen erkennen, wenngleich die Alarmschwellen, an welchen die Verfahren jeweils Alarm auslösen, unterschiedlich sind. Verglichen mit RPT and LRT, kann es sein, dass die Hotelling-T<2>-Masszahl Änderungen nicht so rasch erkennt wie diese, jedoch ist ihr Verhalten sehr konsistent, wenn unterschiedliche Arten von Änderungen getestet werden. Diese Charakteristik der Hotelling-T<2>-Masszahl macht sie zu einer potentiellen guten Kandidatin, in dem tatsächlichen Überwachungssystem eingesetzt zu werden.

[0072] Wie oben beschrieben, macht sich die Erfindung das Verfahren der Hotelling-T<2>-Masszahlberechnung zunutze, um die Normalität multivariater Daten einzuschätzen. Die Hotelling-T<2>-Masszahl verwendet die statistische Distanz, welche die multivariate Varianz-Kovarianzmatrix verkörpert. Daher erkennt sie sowohl Mittelverschiebung als auch gegenseitige Beziehungen unter den abgetasteten Variablen.

[0073] Der Text dieser Beschreibung verwendet Beispiele, um die Erfindung zu offenbaren, einschliesslich der besten Ausführungsform, sowie auch, um es in Fachkreisen allgemein möglich zu machen, die Erfindung herzustellen und zu benutzen. Der Schutzbereich der Erfindung ist durch die Ansprüche definiert, und er kann weitere Beispiele umfassen, welche in Fachkreisen gedacht werden können. Derartige weitere Beispiele sollen in den Schutzbereich der Ansprüche fallen, wenn sie strukturelle Elemente aufweisen, welche nicht anders sind als der Wortlaut der Ansprüche, oder wenn sie äquivalente strukturelle Elemente aufweisen, bei nicht substantiellen Unterschieden zum Wortlaut der Ansprüche.

Claims

1. Verfahren zur verbesserten Zustandsüberwachung eines Anlagensystems, wobei das Verfahren die Schritte umfasst:

Segmentieren eines Betriebsraums eines Anlagensystems in mehrere Betriebsbereiche;

Verwenden mehrerer autoassoziativer neuronaler Netze (AANNs), um Schätzungen tatsächlicher Werte zu bestimmen, welche durch den wenigstens einen Sensor in dem wenigstens einen der mehreren Betriebsbereiche abgetastet werden;

Bestimmen eines Residuums zwischen den geschätzten Abtastwerten und den tatsächlichen Werten, welche durch den wenigstens einen Sensor aus jedem der mehreren autoassoziativen neuronalen Netze abgetastet werden;

Kombinieren der Residuen durch Verwenden eines Fuzzy-Supervisionsmodell-Überblenders;

Ausführen einer Fehlerdiagnose an den kombinierten Residuen;

Bestimmen einer Änderung des Betriebs des Anlagensystems durch Analyse der kombinierten Residuen; und

Bereitstellen eines Alarms, wenn eine Änderung des Betriebs des Anlagensystems bestimmt worden ist.

2. Verfahren nach Anspruch 1, wobei das AANN verborgene Nodes von der Art Tan-Sigmoid (tansig) umfasst.

3. Verfahren nach Anspruch 1, wobei das AANN eine mittlere Bottleneck-Schicht mit eingebetteten linearen Transformationsfunktionen umfasst.

4. Verfahren nach Anspruch 1, wobei der Schritt des Alarmierens Verteilen einer Nachricht über ein Informationstransportmedium umfasst, ausgewählt aus der Gruppe, bestehend aus einem elektrischen Kabel, einer Stromleitung, einem Intranet, dem Internet und einer Funkübertragung.

5. Verfahren nach Anspruch 1, wobei der Schritt des Bestimmens ausgeführt wird, wenn das Anlagensystem sich im Übergang befindet zwischen zweien der mehreren Betriebsbereiche.

6. Verfahren nach Anspruch 1, wobei der Schritt des Alarmierens ausgeführt wird, wenn das Anlagensystem sich im Übergang befindet zwischen zweien der mehreren Betriebsbereiche.

7. Verfahren nach Anspruch 1, wobei der Schritt des Bestimmens ausgeführt wird, wenn das Anlagensystem in einem der mehreren Betriebsbereiche arbeitet.

8. Verfahren nach Anspruch 1, wobei der Schritt des Alarmierens ausgeführt wird, wenn das Anlagensystem in einem der mehreren Betriebsbereiche arbeitet.

9. Verfahren nach Anspruch 1, wobei der Fuzzy-Supervisionsmodell-Überblender ein globales Modell über den mehreren der Betriebsbereiche des Anlagensystems implementiert.

10. Verfahren nach Anspruch 1, wobei der wenigstens eine Sensor einen intelligenten Sensor umfasst.

11. Verfahren nach Anspruch 10, wobei der intelligente Sensor mit einem intelligenten Sensorsystem verbunden ist.

12. Verfahren nach Anspruch 11, wobei das intelligente Sensorsystem eine leiterplattenintegrierte Verarbeitungseinheit zur verbesserten Zustandsüberwachung des Anlagensystems umfasst.

13. Intelligentes Sensorsystem (10), umfassend:

einen intelligenten Sensor (12) zum Überwachen eines Betriebszustands eines Anlagensystems, wobei der intelligente Sensor mit einem Eingangsanschluss (16) über ein Kabel (14) verbunden ist; und

eine leiterplattenintegrierte Verarbeitungseinheit (11) zur verbesserten Zustandsüberwachung des Anlagensystems unter Verwendung des Verfahrens nach Anspruch 1.

14. System nach Anspruch 13, ferner umfassend eine Funkkommunikationseinheit (24) zum drahtlosen Übertragen von Signalen von dem intelligenten Sensorsystem (10) zu einer peripheren Verarbeitungseinrichtung (26).

15. System nach Anspruch 13, ferner umfassend eine Anzeige- und Alarmeinheit (18) zum Anzeigen von Rechenergebnissen aus der Verarbeitungseinheit (11).