CN101354316A - 快速异常检测方法 - Google Patents

Abstract

本发明涉及快速异常检测方法。提供了一种用于确定代表目标机器性能的操作度量是否具有异常值的方法。该方法包括：收集来自至少一个机器的操作数据；以及根据所获得的操作数据计算至少一个例外异常分数。

Description

快速异常检测方法

技术领域

本文描述的系统和方法总体上涉及识别小的数据集合中的外围数据(outlying data)。更具体而言，这些系统和方法涉及量化相比于小的相关工程或操作数据集合时的外围工程或操作数据的统计技术。

背景技术

在动力生成设备(例如涡轮机、压缩机、发电机等等)的操作和维护中，接收和存储对应于机器的各种属性的传感器读数。这些传感器读数通常称为“标签(tag)”，并且存在许多类型的标签(例如振动标签、效率标签、温度标签、压力标签等等)。

随着时间密切监视这些标签在理解机器磨损特性(例如单元的内部损坏、压缩机事件、计划与未计划的跳闸(trip))方面具有许多益处。例如，压缩机中转子振动的值(随着时间)增大可能意味着严重的问题。更好地了解机器的磨损还通过用作机器事件的前导指示器(leading indicator)的内嵌规则或者警告(alert)集合而提高故障诊断能力。将所有标签异常与所设计的规则-警告一起同时显示使得机器监视和诊断以及新规则/警告的创建极为高效和有效。负责监视和诊断的个人可以立即将其注意力转向关键的偏差。

然而，在传感器数据中存在大量噪声。为了消除噪声并且使得在不同时间或者对于不同机器的观察是可比较的，需要进行许多不同的校正并且需要使用许多不同的控制因素。即便如此，同时监视许多标签(可能存在数百到数千标签)并且诊断数据中的异常仍然是非常困难的。

从数据中消除噪声以及捕获或者识别可用格式(例如幅度和方向)中的异常并且然后在规则或模型建立中使用该异常信息是许多不同行业、技术和领域中的必需过程。在工程应用中，监视和诊断团队通常按照例程和特有风格通过控制图、直方图和散点图来处理该问题。然而，这种方法有必要对给定标签是否异常地高或异常地低做出主观评价。

存在包括z分数模型(z-score)的已知统计技术来评估某组中的特定值为外围值(即异常值)的程度。典型的z分数模型基于对组的均值和标准偏差的计算。尽管z分数模型在对元素众多的组中的单个观察为异常值的程度的评估方面会是有效的，但是已经证明，z分数模型在用于仅包含少量值的数据集合上的时候丧失了其作为异常性指示的有效性。

在计算异常分数时，经常出现只有少数待操作的值的情况。例如，在将某机器(例如涡轮机)与一组同类机器(例如相似的涡轮机)进行比较时，经常出现难于确定可以合理地认为是所述目标机器的同类的为数不多的机器的情况。此外，经常希望对在当前配置下可能仅工作过有限时间段的机器的性能进行评估。结果，使用标准的z分数模型来作为对异常分数的测量经常是不希望的或者不精确的，因为标准的z分数模型对于小的数据集合是不鲁棒的。

因此，在本领域中存在对于能够容易地识别、量化和显示各种类型的动力生成设备所经历的异常的过程、方法和/或工具的需要。再者，该过程、方法和/或工具应当允许将异常信息转变成诸如感兴趣事件的前导指示器之类的有意义知识。

发明内容

本发明提供了用于确定代表目标机器性能的操作度量是否具有异常值的方法。该方法包括步骤：收集来自至少一个机器的操作数据；根据所述操作数据计算例外异常分数(exceptional anomaly score)。

此外，本发明提供了用于确定代表目标机器性能的操作度量是否具有异常值的方法。该方法包括步骤：收集来自至少一个机器的操作数据；根据操作数据计算至少一个例外异常分数；集合(aggregate)所述操作数据；为所述例外异常分数创建至少一个灵敏度设置；创建至少一个警告，其中所述警告基于所述例外异常分数和/或所述操作数据；创建至少一个热图(hea tmap)。该热图可视地示出了所述例外异常分数和/或所述操作数据。

此外，本发明提供了用于确定代表目标机器性能的操作度量是否具有异常值的方法。该方法包括步骤：收集来自至少一个机器的操作数据；根据获得的操作数据计算至少一个例外异常分数；集合所获得的操作数据；为所述至少一个例外异常分数创建至少一个灵敏度设置；创建至少一个警告，其中所述警告基于所述例外异常分数和/或所述操作数据；创建至少一个热图。该热图可视地示出了所述例外异常分数和/或所述操作数据。

附图说明

图1为例外异常分数截止表。

图2图解说明了例外异常分数的描述性统计。

图3为图解说明了截止值与异常分布百分数之间基于组内Z(Z-Within)的经验结果的转换的曲线图。

图4图解说明了组内Z值的分布。

图5图解说明了组间Z(Z-Between)值的分布。

图6图解说明了对应2个单独的机器的随着时间而变化的组内Z值。

图7图解说明了对应31个单独的机器的随着时间而变化的组内Z值。

图8图解说明了随着时间而变化的每日绝对平均和百分数异常值。

图9图解说明了最大组间Z百分位数和最大组内Z百分位数的数据集合的曲线图。

图10图解说明了对于组间Z和组内Z的每日幅度和频率异常分数以及每日百分位数的表格。

图11图解说明了包括多行和多列的热图。热图的列代表时间段，行代表感兴趣的度量，例如振动和性能测量。

图12图解说明了提供示例机器在24小时时段内的快照的另一热图。

具体实施方式

在监视和诊断(M&D)中，从数据中消除噪声是个关键的思想。当存在许多需要在每秒内同时监视的变量时，这是非平凡的，当要求条件平差(condition adjustment)(例如温度、操作模式、压力等等)时，情况尤其如此。本文描述的异常检测过程和热图工具对于监视和诊断而言是相当有用的并且是创造性的。由本发明实施的这个过程和工具在应用到诸如压缩机、发电机和涡轮机之类的动力生成设备时特别有用。然而，该过程和工具可以应用到需要加以监视的任何机器或系统。该过程和工具包括五个主要特征：

(1)计算工程数据(例如操作传感器数据)的例外异常分数(EAS)。例外异常分数量化了相比于小的相关数据集合时的外围数据。EAS性能在识别异常观察方面优于Z分数模型和控制图统计。

(2)针对例外异常分数创建多个灵敏度设置，使得用户能够限定他们在给定标签和时间点集合上可以有效且高效地监视的数据的百分数。而且，这些不同的灵敏度设置可以用来添加诊断(例如警告的创建)。

(3)提供用于集合不同数据粒度下的各种异常观察(例如每小时与每日的异常观察)的方法。这些不同的异常观察可以彼此互相连接和传递。每小时的异常观察可以向上传播到每日的异常观察。

(4)创建警告。这些警告是基于规则的触发器，其可以由终端用户定义或者可以基于分析手段来提供以便识别具有前导时间的事件(例如压缩机事件)。警告基于例外异常分数和原始传感器数据。警告也可以利用例外异常分数的灵敏度设置调节和集合性质。

(5)创建将数据转变成知识的热图。热图是一种外围值检测可视化工具，其可以在每个指定的机器单元上针对大量的选定标签在许多不同的时间点上实现。热图图解说明了“目标观察”的异常强度和方向。热图还可以包含警告的可视化图示，并且将注意力立即导向给定机器的热点传感器值。热图还可以提供与同类(peer)分析的比较，这允许在不同的时间标度下(例如每秒、每分、每小时、每日等等)高精度地识别领先者和滞后者(lager)以及动态营销机会。

计算例外异常分数

为了考虑单元/机器和环境变化并且确定对应目标单元的标签的给定值是否处于期望范围之外(即异常)，可以使用上下文信息(context information)来构成分析目标单元的标签数据的基础。该上下文信息可以从两个主要来源获取：目标单元的过去的性能以及目标单元的同类的性能。通过使用这种上下文信息来量化组内或者该单元的自身性能内存在的典型变化量，可以将当前标签数据和上下文数据进行系统而严密的比较并且精确地评价目标单元的标签值中的异常数据的水平。

如上所述，上下文信息用于适当地评估给定标签为异常值的程度。为了得到有效的评估，必须正确地选择所述上下文数据。当在时域上选择了适当的上下文数据时，通常希望着眼于对感兴趣的时间段可用的最密切的数据。由于感兴趣的时间段通常是最近的可用数据，因而要考虑的适当的时间范围是对所述单元可用的最近的数据序列，例如与最近两个日历周相应的数据。这减轻了季节因素的影响。

考虑所述组的行为和总体环境的适当上下文数据是通过使用目标单元的适当的“同类”单元组来得到的。例如，选择具有相同框架尺寸并且处于相同地理区域中的涡轮机组来用作对应目标涡轮机的适当同类组。

除了上述上下文考虑之外，上下文数据还包括可比较的操作条件。对于这种实现并且仅仅作为一个实例而言，可以将可比较操作条件定义成指的是其中所述单元在大小为10的窗口内具有相同的OPMODE、DWATT和CTIM值的过去任何时间段。OPMODE可以定义为操作模式(例如慢起动、峰值输出、50％输出等等)。DWATT可以定义为功率度量(例如兆瓦输出)。CTIM可以定义为温度度量(例如入口温度)。例如，如果OPMODE的目标观察值等于1并且DWATT等于95，那么只能使用其中OPMODE＝1并且DWATT在90和100之间的历史时段。这些可比较操作条件被定义成系统配置的一部分。

通过建立时间、地理、框架尺寸和操作条件方面的适当的上下文，就可以不必对给定标签是否异常地高或者异常地低做出主观评价，并且可以进行客观和自动的计算来检测和量化异常值。为了计算组内Z(相比于过去的)例外异常分数，可以使用其中所述单元工作于可比较条件(如上面所定义的)下的10-15个历史观察。这些历史观察可以用来计算均值和标准偏差。然后，可以使用该历史观察的均值和标准偏差来计算目标观察的z分数。用于计算组内Z的例外异常分数的最小和最大观察数被定义成系统配置的一部分。组内Z提供了特定机器的当前操作条件与该机器的先前操作条件的比较。用来计算组内Z的等式一般可以具有如下形式：

(等式1)

对于每个单元而言，多达8个或者更多个具有相同框架尺寸、具有相似结构并且处于相同地理区域中的其他单元认为是同类的。组间Z的例外异常分数是关于特定单元或机器与其同类如何不同的指示。例如，F框架(F-frame)气体涡轮机与其他相似的F框架气体涡轮机进行比较。为了计算组间Z的例外异常分数(相比于同类)，可以从所述同类中的每一个选择单个最近的观察，其中该同类工作在可比较条件(如上面所定义的)下。这得到多达8个或者更多个利用其计算均值和标准偏差的同类观察。然后，可以计算利用同类组的均值和标准偏差的目标单元的z分数。用于计算组间Z的例外异常分数的最小和最大观察数被定义成系统配置的一部分。用来计算组间Z的等式一般可以具有如下形式：

(等式2)

应当指出的是，这是值可能异常地高或者异常地低的情况。虽然一般存在被认可为值的优选趋势的特定方向(例如一般宁愿具有小的振动而不是大的振动)，但是应当指出的是，这种技术被设计来识别和量化异常值，而不管其优先级如何。在这种实施方式中，所述方向并不意味着值的“好”或“坏”。相反地，它代表异常的方向。如果例外异常分数与过去相比是个大的负数，那么这意味着所述值与所述单元的过去相比低得不同寻常。如果例外异常分数是个大的正数，那么这意味着所述值与所述单元的过去相比高得不同寻常。该解释对于同类异常分数而言是类似的。各个标签的异常方向可以被定义为系统配置的一部分。

通过使用这些技术来检测异常，就可以创建警告。警告可以是标签值相对于可定制阈值的基于规则的组合。

创建多个灵敏度设置

对于例外异常分数而言，可以执行这些分数与尾数计算百分数(percent tail calculation)之间的转换。具体而言，一定范围的例外异常分数的幅度将对应于在原始度量的分布中给出的一定范围的异常分布百分数。通过这种转换，分析员可以选取对于原始度量而言意味着“警报”(alarm)或“红色标志”的例外异常分数截止值。此外，它对于能够自由决定多少百分数高得足以被称为“异常”的终端用户是易于使用的。而且，通过这种转换，  “异常”的定义可以容易地根据需要在不同应用之间、不同行业之间或者不同度量之间加以改变。

图1(例外异常分数截止表)是在原始度量为正态分布并且异常定义是双侧的(即原始度量的高和低幅度都具有终端用户关心的异常范围)时候可以使用的转换表。例如，当样本尺寸为8(行110)并且假设原始度量为正态分布时，预期0.15％(单元130)的情况落入例外异常分数-6之下以及6之上(列120)。换言之，如果M&D团队希望在某度量内调查顶部0.15％的观察作为“失范”值，那么在给定其样本尺寸为8并且假设正态性的情况下他们就应当挑选6作为分数截止值。这个表格还说明了z分数与例外异常分数之间的关系。随着样本尺寸的增大并且在假设正态性时，z分数和例外异常分数变得几乎完全相同。

例如，在涡轮机或压缩机中，所述传感器数据可以包括超过30个具有许多不同分布形状的不同标签。需要进行灵敏度分析来查看在这些标签之间是否可以使用相同的截止值或者不同的截止值是否需要用于不同的标签。换言之，在给定高维传感器数据的情况下，需要测试这些转换表在不同分布之间的鲁棒性(robust)如何。虽然不同的标签可能表现出不同的形状和分布尺度，但是这些标签上的组内Z和组间Z的分数在形状方面以及根据设计在尺度方面可以具有较少的变化。在所有组内Z和组间Z的分布上，已经在例外异常分数2、6、17、50和150处检测了自然截止值。不过，需要进行额外的系统性经验研究来确定这些截止值和相应的异常分布百分数。

将例外异常分数分类成11个表元(bucket)(即(-2，2)＝表元0，(2，6)＝表元1，(6，17)＝表元2，(17，50)＝表元3，(50，150)＝表元4，(150及以上)＝表元5，(-6，-2)＝表元-1，(-17，-6)＝表元-2，(-50，-17)＝表元-3，(-150，-50)＝表元-4，(-150及以下)＝表元-5)。对于每个标签计算落入每个表元的组内Z分数的百分数。然后，对于每个表元绘出这些百分数在标签上的分布并且计算四分位数(quartile)以及计算对于中值(median)的95％的置信区间。

图2图解说明了异常分数的描述性统计并且是在表元5上的这些计算的一个实例。区域210是直方图，示出了概率或者百分数值的分布。这些值是在组内Z的150截止值及以上处得到异常分数的概率。区域220是再次示出150及以上的异常分数的概率或者百分数值的分布的框形图(boxplot)。230图解说明了所述概率或者百分数值的分布均值的95％的置信区间。框中的竖直线代表均值，框的界线代表所述置信区间的最小和最大值。240处示出了另一框形图，其图解说明了所述概率或者百分数值的分布中值的95％的置信区间。该框中的线代表中值，框的界线代表该置信区间的最小和最大值。区域250中列出的统计代表所示分布的正态检验、诸如均值和中值之类的基本统计量以及所报告的基本统计量的置信区间。表元5的分布的中值约为0.1％，表明大约0.1％的组内Z分数在150截止值及以上处。所述中值的95％的置信区间为0.07％-1.3％。

对于所有表元从而对于组内Z和组间Z的所有截止值执行与图2中所示相似的计算。分析的结果表明，对于给定的传感器数据可以使用各标签的相似截止值，从而所述转换表以及预设截止值对于原始标签分布差异是鲁棒的。

图3示出了截止值与异常分布百分数之间基于组内Z的经验结果的转换。根据经验研究，预计大约6％的异常分数具有2和6之间的例外异常分数值。应当指出的是，基于实数据集合的这些期望异常百分数与基于图1中显示的仿真研究的百分数非常相似。具体而言，在给定该数据集合的情况下，预计6.7％的分数在截止值2之上，预计13.4％的分数为2之上以及-2之下的截止值。类似地，当样本尺寸为6到7时，图1示出了对应2之上以及-2之下的截止值的12.31％到14.31％的转换。

在给定来自动力生成设备传感器数据的实际数据的情况下，上面的结果验证了对于例外异常分数截止值的期望的转换。执行第二组分析来验证所建议的截止值和相应的百分数不仅对于所有标签上的所有组内Z是有效的，而且在其中样本尺寸与总体数据相比相对较小的每个标签内也是有效的。将连续的组内Z分数转换成具有11个预定义表元的11类顺序分数。然后，单独地对于每个标签绘出该顺序分数的分布(参见图4)。由图4中的曲线可知，对于所述顺序组内Z分数而言，大多数标签具有相似形状的分布。

图5图解说明了与图4类似的对于每个标签的顺序组间Z分数上的分布。尽管有些标签对于表元2、3、-2或-3具有稍微不同的形状，但是总的说来对应组间Z分数的形状与对应组内Z分数的形状差别不是太大。因此，可以推断在该数据集合内对于组内Z和组间Z分数在各标签上可以使用相同的截止值。而且，对应所建议的截止值(即2、6、17、50、150、-2、-6、-17、-50、-150)的转换异常百分数可以基于经验结果(参见图3)或者基于仿真研究(参见图1)来确定，因为它们建议了相似的数值。

集合各种异常观察

许多设备用户(例如发电厂、涡轮机操作员等等)具有用于监视和诊断的大量数据。更重要的是，该数据经常以小的时间单位而存在(例如每秒或者每分钟)。尽管数据充足是优势，但是应当有效地进行其集合，使得数据存储和数据监视不成问题，并且数据仍然保持其有用的知识。

虽然集合是非常希望的，但是对于某些任务而言它会造成风险。异常集合本身是一种矛盾表述。所有的异常意味着特殊性并且集中在每一个数据点上，而集合意味着通过排除特殊和异常来进行总和。然而，不管其矛盾性如何，仍然需要进行异常集合，因为不能针对许多标签在许多时间段上存储每秒或者每小时的数据，并且更为重要的是，对于特定类型的事件而言，信息可能太多而不能监视每一秒或者甚至每个小时。更特别地，大多数设备用户对获取其机器单元的“急性”与“慢性”异常。急性异常是罕见、高幅度异常。慢性异常对于特定度量经常发生在不同的单元和时间上。

图6图解说明了两个单元随着时间而变化的组内Z的测量。X轴为每个单元的时间。竖直虚线630将两个单元的数据分开。第一单元的数据在虚线630的左侧，由610表示。第二单元的数据在虚线630的右侧，由620表示。由该曲线图可知，第二单元(区域620)具有两个分别在-100和100之下和之上的外围值。由于这些范围的出现对于所述度量以及对于这些单元是罕见的，因而将这两个外围值称为“急性的”。图7中的曲线可以与图6中的曲线类似地来理解，并且展示了“慢性异常”的概念。根据定义，慢性异常是获取的对于特定度量经常发生在不同单元和时间上的异常(即例外异常分数上的2之上或者-2之下的幅度)。

如前所述，存在许多不同的集合数据的方式。根据定义，统计包括集合。通过少量数值(例如均值、中值、标准偏差、方差等等)来展示数据是对“统计”或者“分析”的简单化定义。然而，这些长期存在的方法中没有一种提供了异常集合的解决方案。日平均不能一致地说明每小时的异常。对“例外异常分数”的集合是本发明所实施的新方法。之前，监视每小时的数据是识别每小时的异常的唯一方式。数据监视必须在其中需要检测异常的粒度水平下进行。换言之，必须在最高粒度(例如每秒或者每小时)下进行数据监视。在该粒度下，难于看出更长时期的趋势或者难于有效地在各单元上进行比较和对照。

依照本发明的实施例，描述了可以用来集合例外异常分数的两个测量：幅度异常测量和频率异常测量。幅度异常测量使用诸如平均之类的中心趋势测量。频率异常测量使用比值或者百分数。

幅度异常测量可以识别急性异常，并且可以使用诸如平均之类的中心趋势测量。每日绝对平均(示于图8的左侧)是幅度异常测量的一个实例。绝对平均可以说明在预定时间段(例如秒、分、时、日、周、月或年)内在负或正方向上是否存在一个或多个高幅度异常。例如，每日绝对平均会说明在一天之内在负或正方向上是否存在一个或多个高幅度异常。

频率异常测量可以用来识别慢性异常并且可以使用比值或者百分数。每日百分数异常(示于图8的右侧)是频率异常测量的一个实例。每日百分数异常在其能够说明一天之内的异常小时数或者一月之内的异常天数的意义上将是对每日绝对平均的补充。一般而言，频率异常测量可以用来说明较大时间段(例如分、时、日等等)内的异常时间段(例如秒、分、时等等)的数量。

当同时使用这两个分数(即每日绝对平均和每日百分数异常)时，它们将展示具有异常小时的日子以及区分急性与慢性异常。急性异常(罕见发生)将具有高的每日绝对平均和低的每日百分数异常。急性异常可以由一个或多个高幅度异常说明。另一方面，慢性异常(经常发生)将具有低或高的每日绝对平均以及高的每日百分数异常。慢性异常可以由一天之内的一些到一系列异常来说明。然而，慢性异常不一定需要具有高幅度的例外异常分数。

图8示出了关于幅度和频率异常测量的使用的实例。图8左侧的曲线图示出了具有每日绝对平均的幅度异常测量。右侧的曲线图示出了具有百分数异常的频率异常测量。可以对于组间Z和组内Z二者计算这些幅度和频率异常分数。而且，在每个维度上，可以单独地在各标签、时间段和机器单元上对幅度分数和频率分数二者进行排序。然后，可以将这些排序转变成百分位数，提供幅度异常分数上的百分位数与频率异常分数上的百分位数。此外，可以单独地对于组间Z和组内Z通过“最大值”函数将每个分数上的这些百分位数加以组合。更特别地，组间Z或者组内Z异常分数上的最大百分位数将代表或急性异常或慢性异常或者二者。

图9图解说明了有关最大组间Z百分位数和最大组内Z百分位数的数据集合和曲线图。例如，曲线图的右上位置处的虚线框中的点代表连续四天触发有关“CSGV”标签的异常的相同涡轮机。CSGV标签可以是与IGV(入口导向叶片)角度有关的度量。这四个数据点(对应于图10中的数据条目92、93、94、95)相对于所述单元的过去和同类是异常的。如果对于该单元就CSGV标签进一步研究这四天，那么可以看出这些天内的许多小时相对于同类具有异常。另一方面，每小时的组内Z异常相比于每小时的组间Z异常在数量上是稀少的，但是它们在幅度上是大的。该结论全部可从图10中的数据表格来理解，该数据表格包含每日的幅度和频率异常分数以及对应组间Z和组内Z的每日百分位数。

创建警告以及创建热图

依照本发明的一个实施例，异常检测过程和热图工具可以以具有称为计算引擎的两个Java程序和可视化工具的软件来实现。计算引擎在规则被触发时计算例外异常分数、集合异常分数、更新Oracle数据库并且发送警告。计算引擎可以从每小时运行的命令行批处理周期性地调用。可视化工具经请求以热图显示异常分数(参见图11)并且允许用户创建规则。可视化工具可以作为网络应用程序来运行。这些程序可以运行在基于Linux、Windows或其他操作系统的应用处理器上。

计算引擎的示例命令行调用为：

java-Xmx2700m-jar populate.jar--update t7 n

这指示计算引擎执行周期更新、利用直到7个或更多个同时进行的线程并且在继续之前识别数据库中的任何新的传感器数据。该程序通过计算用于由可视化工具的用户创建的机器单元的任何新的自定义同类以及任何新的自定义警告的规则而开始。然后，它获取新近到达的、来自服务器的原始传感器数据，将该新数据存储在Oracle数据库中并且计算该新近添加的数据的例外异常分数和自定义警告。它将所有这些计算的结果存储在数据库中，这使得可视化工具能够显示例外异常分数的热图和自定义警告。如果这些计算利用检测具有前导时间的机器磨损事件的可能性为高这一规则来触发自定义警告，那么可以将计算引擎配置成向监视和诊断团队的成员发送警告信号。警告可以是音频信号和/或由团队的计算机/笔记本显示的视频信号，或者是传送到团队的通信设备(例如移动电话、寻呼机、PDA等等)的信号。

可视化工具的主要用途是向监视和诊断团队的成员显示对应特定机器单元的热图。可视化工具的用户可以改变数据范围，改变同类组并且引进(drill into)各标签数据的时间序列图。可视化工具可以将Java服务器页用于其呈现层和用户界面。Java服务器页是MVC体系结构中的视图，不包含行业逻辑。对于该示例实施例而言，对服务器和客户端机器的仅有的要求是Java兼容的servlet容器和网络浏览器。

可视化工具还支持几个其他使用情况。可视化工具的用户可以观看同类热图；找出具有相似警告的机器；创建自定义同类组；创建自定义警告；以及观看几种报告。同类热图将每台机器的热图合并成单幅热图，该热图的邻接列示出相同时刻的同类机器的热图单元格，而不是示出更早和更晚时间的该机器本身的热图单元格。用户可以改变日期；比较对应特定标签的同类数据而引进时间序列图，并且钻过(drill through)机器热图。在其他页面上，用户也可以指定自定义警告，搜索触发了这些警告的机器。用户可以创建、修改和删除用于自定义警告的规则。报告概括有关受监视的单元的信息、单元原始传感器数据的等待时间(其在单元之间是不同的)以及目前为止触发的警告的精度。

例如，将如本发明所实施的异常检测技术应用到发生了严重失效事件的一组涡轮机。该失效事件是罕见的，在4个月时段期间仅在10台涡轮机中发生，所述4个月时段的历史传感器数据是可用的。对于经历了所述事件的每台涡轮机(事件单元)而言，搜集多达2个月的历史数据。为了进行比较，获取没有经历所述事件的200台涡轮机(非事件单元)的4个月的历史数据。

对于每个事件单元创建同类组，其包括具有相似的配置、工作于相同的地理区域中的6-8台其他的涡轮机。然后，对于所述事件和非事件单元计算组内Z和组间Z的例外异常分数。组内Z代表单元与当其工作于由操作模式、瓦特输出和环境温度测量的相似条件下时的过去观察相比是如何不同的。组间Z代表当单元的同类工作于相似的条件下时该单元与其同类是如何不同的。然后，这些偏差通过热图来可视化，如图11所示。

图11中示出的热图的列代表时间段。这些时间段可以是日、时、分、秒或者更长或更短的时间段。行代表感兴趣的度量，例如振动和性能测量。对于每个度量而言，可以存在两行或更多行有色单元格，不过在图11中只示出了一行，并且为了清楚起见利用各种图案对这些单元格加上阴影。白色单元格可以认为是正常或者非异常的。在AFPAP行中用细竖直线填充的单元格可以认为是低的负值，而GRS_PWR_COR(校正的总功率)行中粗竖直线填充的行可以被认为是大的负值。CSGV行中的细水平直线可以被认为是低的正值，而相同行中的粗水平直线可以被认为是高的正值。低警告行在特定单元格中具有交叉阴影图案。这只是可视化地区分低、高和正常值的一个实例，许多不同的图案、颜色和/或颜色强度可以加以使用。

热图的单元格可以显示不同的颜色或者不同的明暗度或图案来区分数据的不同水平或幅度和/或方向/极性。在两行的实施例中，顶行可以代表组间Z例外异常分数的幅度，而底行可以代表组内Z例外异常分数的幅度。如果异常分数为负(代表低得不同寻常的值)，那么单元格可以是着色的蓝色。更小的负值可以是浅蓝色，更大的负值可以是深蓝色。如果异常分数为正(代表高得不同寻常的值)，那么单元格可以是着色的橙色。更小的正值可以是浅橙色，更大的正值可以是深橙色。用户可以指定达到特定颜色强度所需的幅度。可以存在多达所希望显示的颜色水平，例如，代替显示三种颜色水平，可以显示1、2或4或者更多种颜色强度水平。在这个实例中，截止值通过灵敏度分析来确定。

图12中示出的热图提供了对应最后24小时时段的整个系统状态的单个快照。所述单元格确定那些与涡轮机的过去或者同类相比时不寻常的度量。该热图允许监视团队的成员快速地观看系统状态并且识别热点传感器值。在失效事件单元的情况下，该热图示出了所述涡轮机在振动显著增加(如BB和BR度量所测量的)的同时在许多性能测量方面发生了显著的下降，所述性能测量例如GRS_PWR_COR(校正的总功率)。检查事件与非事件涡轮机热图表明，这个特征在10个事件单元的4个中在所述事件之前的几个小时内是存在的，但是不存在于任何非事件单元中。通过目视检查事件单元与非事件单元的热图，监视团队可以设计出用作该失效条件的警告符号的规则。然后，可以将这些规则以基于规则的红色标记编程到系统中。然后，该系统将监视涡轮机和信号或者在这些红色标记被触发时向监视团队发出警告。

图12中示出的热图的顶行可以显示各种图案、颜色和颜色强度以便可视化地区分不同范围的值。在这个实例中，大的负值可以由粗的水平线表示，中等的负值可以由中等的水平线来表示，低的负值可以由细的水平线来表示。类似地，大的正值可以由粗的竖直线来表示，中等的正值可以由中等的竖直线来表示，低的正值可以由细的竖直线来表示。在使用颜色的实施例中，图12中示出的热图的顶行中的矩形可以显示各种颜色和强度。例如，填充了粗的水平线的框可以由实的深蓝色来代替，填充了中等的水平线的框可以由实的蓝色来代替，填充了细的水平线的框可以由实的浅蓝色来代替。填充了粗的竖直线的框可以由实的深橙色来代替，填充了中等的竖直线的框可以由实的橙色来代替，填充了细的竖直线的框可以由实的浅橙色来代替。这些只是可以用来区分各种异常值或分数的多种颜色、图案和强度中的一些实例。

尽管本文描述了各种实施例，但是根据本说明书应当理解的是，可以对本文中的元件、变型或改进进行各种组合，并且这些组合处于本发明的范围内。

部件列表

110样本尺寸行

120例外异常分数列

130表中的单元格

210直方图

220框形图

230框形图

240框形图

250正态性检验统计

610第一单元的数据

620第二单元的数据

630虚线

Claims (10)

1.一种用于确定代表目标机器性能的操作度量是否具有异常值的方法，该方法包括：

收集来自至少一个机器的操作数据；以及

根据所述操作数据计算至少一个例外异常分数。

2.如权利要求1所述的方法，所述方法包括：

创建至少一个警告，所述至少一个警告基于所述至少一个例外异常分数和所述操作数据中的至少一个。

3.如权利要求1所述的方法，所述方法包括：

创建至少一个热图，所述至少一个热图可视地示出所述至少一个例外异常分数和所述操作数据中的至少一个。

4.如权利要求1所述的方法，其中所述目标机器是选自包括压缩机、气体涡轮机、水电涡轮机、蒸汽涡轮机、风力机和发电机的组的涡轮机。

5.如权利要求4所述的方法，其中收集操作数据的步骤进一步包括：

收集来自多个机器的操作数据，所述多个机器中的每一个在配置、容量、尺寸、输出和地理位置中的至少一个上是相似的。

6.如权利要求4所述的方法，其中在计算至少一个例外异常分数的步骤之后，所述方法包括：

为所述至少一个例外异常分数创建至少一个灵敏度设置，所述至少一个灵敏度设置限定了受监视的所述操作数据的百分数。

7.如权利要求2所述的方法，进一步包括在所述创建至少一个警告的步骤之前执行的集合，所述集合包括：

集合所述操作数据，所述操作数据包括在不同时间间隔上获取的多个单独的数据读数。

8.如权利要求3所述的方法，其中所述至少一个热图进一步包括：

包括多个单元格的二维显示，所述二维显示具有至少一列和至少一行，其中所述多个单元格可以显示多种颜色，所述多种颜色表示对应所述至少一个例外异常分数和所述操作数据的高、低和正常范围中的至少一个。

9.一种用于确定代表目标机器性能的操作度量是否具有异常值的方法，该方法包括：

收集来自至少一个机器的操作数据；

根据所述操作数据计算至少一个例外异常分数；

集合所述操作数据；

为所述至少一个例外异常分数创建至少一个灵敏度设置；

创建至少一个警告，所述至少一个警告基于所述至少一个例外异常分数和所述操作数据中的至少一个；

创建至少一个热图，所述至少一个热图可视地示出所述至少一个例外异常分数和所述操作数据中的至少一个。

10.如权利要求9所述的方法，其中所述目标机器是选自包括压缩机、气体涡轮机、水电涡轮机、蒸汽涡轮机、风力机和发电机的组的涡轮机，所述方法进一步包括：

收集操作数据的步骤还包括收集来自多个机器的操作数据，所述机器中的每一个在配置、容量、尺寸、输出和地理位置中的至少一个上是相似的；

所述至少一个灵敏度设置限定了受监视的所述操作数据的百分数；

其中，所述至少一个热图进一步包括包含多个单元格的二维显示，所述二维显示具有至少一列和至少一行，其中所述多个单元格可以显示多种颜色或图案，所述多种颜色或图案表示对应所述至少一个例外异常分数和所述操作数据的高、低和正常范围中的至少一个。

Images