CN102282552B - 基于模式的智能控制、监测及自动化的系统、方法和计算机程序 - Google Patents

基于模式的智能控制、监测及自动化的系统、方法和计算机程序 Download PDF

Info

Publication number
CN102282552B
CN102282552B CN200980152331.4A CN200980152331A CN102282552B CN 102282552 B CN102282552 B CN 102282552B CN 200980152331 A CN200980152331 A CN 200980152331A CN 102282552 B CN102282552 B CN 102282552B
Authority
CN
China
Prior art keywords
signal data
data stream
trend
pattern
discovery
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
CN200980152331.4A
Other languages
English (en)
Other versions
CN102282552A (zh
Inventor
黄家正
李众临
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Individual
Original Assignee
Individual
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Individual filed Critical Individual
Publication of CN102282552A publication Critical patent/CN102282552A/zh
Application granted granted Critical
Publication of CN102282552B publication Critical patent/CN102282552B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/0227—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions
    • G05B23/0232—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions based on qualitative trend analysis, e.g. system evolution
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0275—Fault isolation and identification, e.g. classify fault; estimate cause or root of failure
    • G05B23/0278—Qualitative, e.g. if-then rules; Fuzzy logic; Lookup tables; Symptomatic search; FMEA
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • G06N5/025—Extracting rules from data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Mathematical Physics (AREA)
  • Fuzzy Systems (AREA)
  • Quality & Reliability (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及控制、监测及自动化。更具体的来讲，本发明涉及基于模式的智能控制、监测及自动化。本发明完成基于模式的监测。它收集来自一个或多个信号的信号数据。信号数据定义了信号数据流。然后，它将每个信号数据流转换成趋势。它还可以在每个信号数据流中和/或跨信号数据流中发现基于趋势的模式。这些模式可被选用于诊断和根本原因分析、在线工厂监测和操作控制、工厂优化，以及其他在相关输入、状态和/或输出之间可能存在的因果关系或相互关系的环境。

Description

基于模式的智能控制、监测及自动化的系统、方法和计算机程序
技术领域
本发明涉及控制、监测及自动化。更具体的来讲，本发明涉及基于模式的智能控制、监测及自动化。
背景技术
生产智能是一个正在兴起的新领域。生产智能旨在解决诸如监控操作过程以及对操作者进行事件提醒或报警此类的问题；查明事件的潜在原因，并给操作者提示可能的补救行动。
生产智能可以应用于任何包括一个或多个自相关或互相关数据的领域。制造业就属于这样的领域。在加工生产过程中(如油砂的开采、加工电路、炼油、延迟焦化、能源和公用事业、矿产和金属生产、发电、食品以及生物燃料的生产)，这些过程都是由本领域具有各自领域的知识的专家(如油砂厂操作员、化学家和地理学家)操作的。然而，生产制造过程可能非常复杂。它由许多各自有多个输入、状态和输出的子部分组成。一个加工过程中有500多个传感器实时记录温度、流量、压力、液位、pH值等，这是很常见的。
在过去十年中，传感器和无线技术的进步已使工艺工程师能获得以前得不到的数据。然而，将巨大的数据量变成有价值的信息非常具有挑战性。工艺工程师或工厂管理人员面临的挑战是要找到问题的根本原因，或者想办法改善生产过程，然而当前系统自己所产生的信息非常少。报告能显示出现的问题，但提供的原因分析却很少。由传感器和工艺参数之间复杂的相互作用所产生的数据量是巨大的。因此，一个人能理解在一个问题的几个方面，但几乎不可能有效地分析这样复杂的多元问题。
生产智能的现有技术包括神经网络、自组织映射、支持向量机、决策树、模式发现、模体识别、朴素贝叶斯和高斯混合模型(GMM)。
神经网络是一个黑箱方法，操作员无法弄明白为什么以及它如何进行分析和预测。因此，神经网络不能用于决策支持。它已经被用于自动控制，却不怎么成功。主要的问题是，神经网络很容易过拟合数据(比如记住系统中的噪声)，操作员却不知道问题所在。在实践中，对于操作者来说，确定由神经网络所产生的结果是否可信是非常困难的，因为它是一个黑箱，很难确定它是否过拟合。自组织映射(SOM)是神经网络的另一种类型。这是一个集群技术，把类似的数据点组织为集群。但是，产生的集群难以解析。此外，SOM不会虑及其模型生成的次数。
支持向量机是神经网络的变体。它已被证明比神经网络更准确。然而，黑箱和过拟合问题依然存在。决策树比神经网络和支持向量机透明。然而，决策树很容易变得非常大，因此它的解释对于操作员来说仍然非常具有挑战性。此外，决策树只能在监督学习环境下工作(每个数据点必须有一个类标签)。然而，许多生产过程天生就是无监督的。
模式发现已成功用于油砂处理十多年了。不过，它有两个主要问题。首先，它没有考虑到数据的任何时间信息。其次，它产生的模式的数量是巨大的。
模体识别最初是在基因和蛋白序列生物信息学中开发的。后来，它被用于了时间序列数据。模体识别主要用于如DNA和蛋白质序列的良好结构化数据。当应用到现实世界的传感器数据上时，它不能有效地处理噪声。此外，DNA和蛋白质丰富的先验知识，在复杂的制造领域通常是没有的。这限制了模体识别在生产智能中的使用。
朴素贝叶斯利用了一个简单的假设，即在给定目标传感器的条件下，所有传感器是相互独立的。因此，朴素贝叶斯速度非常快，内存效率高。然而，这不是很准确，误差取决于该假设被违反的程度。朴素贝叶斯具有与决策树同样的问题，就是它只在有监督学习环境中工作。
高斯混合模型(GMM)使用多个高斯内核处理数据。这也是一个黑箱方法，结果很难解析。此外，GMM很容易过拟合数据集。GMM的主要优点是它的计算效率。
发明内容
本发明提供了一种基于模式监测的计算机可执行的方法，该方法的步骤特点如下：(一)从一个或多个信号中采集信号数据，定义信号数据流；(二)将每个信号数据流转变为趋势，以及(三)基于信号数据内部和/或各个信号数据流之间的趋势，通过一个或多个计算机处理器发现模式或者使模式的发现更容易。
本发明还提供了一种基于模式监测的系统，该系统的特点包括：(一)数据收集工具，链接到一个或多个信号，该数据收集工具从信号中收集信号数据，定义信号数据流；及(二)数据挖掘工具，将每个信号数据流转化为趋势，并且基于信号数据内部和/或各个信号数据流之间的趋势来发现模式。
就此，在详细解释本发明的任何构成部分之前，我们要明白，就其应用，本发明不限于其构建细节和在下面说明中提出或在图纸上说明的其组件的安排设置。本发明很实用，可被其他组件使用，并以各种方式进行了实践。此外，本文使用的短语和术语均为方便描述，不应被视为限制。
附图说明
图1展示了本发明的系统。
图2展示了本发明的方法。
图3说明了一个序列模式。
图4说明了第二阶自相关模式。
图5说明了因果模式。
图6所示的是一个延迟焦化装置的例子。
图7展示了在延迟焦化过程中通过发现模式来进行根本原因分析的潜在用户接口的输出。
图8展示了仪表板的用户界面。
图9展示另一个仪表板的用户界面。
图10展示了三个信号数据流的图形表示，而不显示模式。
图11展示了三个信号数据流显示模式的图形表示。
图12展示了信号数据流多个环节之间的基于模式的因果关系。
具体实施方式
概述
本发明为基于模式的智能控制、监控和自动化提供了一种系统、方法和计算机程序。本发明可被用于发现一个或多个信号之内和/或相互之间的模式。所发现模式可能为以前未知或隐藏的模式。本发明能把一个或以上采集的信号转化为趋势以及发现基于这些趋势的模式。本发明可被实时或近实时地应用到结果判断，以(1)确定趋势或模式可能的根本原因，或(2)确定新收集的数据可能会出现与关联的趋势或模式类似的属性，以监察和控制基于趋势或模式收集数据的系统。因此，本发明可用于监视数据，发送给操作员一个或多个可能发生的事件(例如不良事件)的警报/警告，并给操作员提供建议，以避免/减少/补救存在的问题。操作员可以验证警报/警告，以确定是否出现了问题或正在产生问题或核实根本原因是不是真的根本原因。在调查问题时，这给操作员提供了一种消除无关因素的方法。过程也可以自动对提供的建议做出响应。
本发明可应用于任何一个或多个进程的持续过程，这些进程可能是动态相互关联的。本发明可用于发现这种相互关系。其有可能(但不限于)的应用领域包括生产过程中的生产智能，如油砂提取和处理电路、炼油厂、延迟焦化、能源和公用事业、矿产和金属生产、发电、生物燃料/食品的生产流程。本发明可用于培训或提高系统的工艺操作员(如工艺工程师或技术人员)的知识，帮助他们避免错误，找到关键因素，提高工艺性能，环境管理和安全性。
本发明可被应用于智能过程控制和监测系统，例如可用于：(一)诊断和根本原因分析，(二)在线工厂监测和操作控制；(三)工厂优化以及(四)在相关输入、状态和/或输出之间存在因果关系或相互关系的其他环境。
本发明被用于保证自动发现跨越时间和多路信号的关系，而这勿须依靠事先了解其信息或模型。关系会被发现，并可通过用户界面显示给操作员，解释基本模型，例如，解释或建议因果关系。操作员可以运用这些信息，通过改变操作顺序、控制参数等，来改善基本模型。可从一个或多个从不同地点或设施累计起来的进程中收集信号数据。
在一种实现中，该发明的方法包括：(一)从一个或多个信号采集信号数据流；(二)将每个信号数据流转换成趋势；及(三)基于信号数据内部和/或各个信号数据流之间的趋势，通过一个或多个计算机处理器发现模式或使模式的发现更容易。
图2展示了本发明的方法。该方法可包括：(一)从一个或多个信号收集信号数据21；(二)用时间标记23每个收集到的信号数据点，以定义信号数据流并将信号数据流存储到一个数据库，如关系数据库或面向对象的数据库，其中各个信号的类似或相同的时间标记信号数据点是相关的；(三)实时或近实时转换信号数据流为趋势25；(四)基于一个单独的信号数据流和/或跨信号数据流的趋势，发现模式27；(四)基于目前发现模式确定有可能发生的事件29；及(五)有选择地提供决策支持31，例如，根据发生的事件提醒操作者采取纠正措施。该模式的发现可按照一个或多个统计测试33完成。
可以这样理解：依靠本发明所述技术的应用程序(和相关参数)以及此处提供的决策支持，可与自动化过程或软件代理的使用相连接，以补充或替代人工操作。例如，通过控制一个或多个输入到一个系统和/或控制一个或多个结果从一个系统输出，一个控制系统会响应发现的模式。
本发明可使用软件或硬件来实现，如集成电路、用于接收一个或多个设备的输入、状态和/或输出信号数据的接口。该软件可被连接到计算机系统的一个或多个计算机处理器执行，或者可在分布式计算机系统上使用，比如，要从多个远程物理设备上接收输入、状态和/或输出数据信号，这是很理想的。硬件可被连接到一个计算机系统或显示器，展示一个用户界面。按照本发明的方法，本发明还可配合Web服务器，允许通过网络访问用户界面，获得所产生的模式数据。
图1展示了本发明的系统。根据本发明，执行系统可包括数据收集方法1，数据存储手段3产生一个数据库，如关系数据库或面向对象的数据库，数据挖掘工具5，仪表板用户接口7提醒操作员9关于一个或多个输入、状态和/或输出监控的设备或系统的信息。远程诊断手段，可为使操作人员进行远程诊断系统，例如，可利用系统所产生的日志和报告。
数据采集手段1，包括或连接一个或更多传感器11，为一个或多个设备、系统、输入、状态和/或输出提供信号数据。信号数据可能是连续、离散或是混合模式数据。
各个信号数据会被作为一个包括多元化数据点的信号数据流输出，这可对预先确定的采样率做出响应。该数据收集方法将时间标志关联到各个采集到的每个信号数据流的信号数据点。通过数据收集的方法将时间标志分配到信号数据点，从而把一个或多个信号数据流关联起来。
数据存储装置可生成数据库，如关系数据库或面向对象数据库。例如，基于分配到信号数据点的时间标志，每个数据流的信号可与其他信号流相关联，这样一个信号数据流中的每一个信号可与其他所有已发生或同时发生的具有相同时间标志的数据流的一个数据点关联起来。这使得信号数据流可以相互关联。
按照本发明，数据挖掘工具通过发现信号数据流内部和/或跨信号数据流之间的模式，提供智能控制和监测。每个数据流信号可转化为事件序列的移动趋势。例如，这些趋势可能揭示信号数据流的过程行为。举例来说，移动趋势可能会从组中选择：{downCD)，flatCF)，upCU)}，在信号数据流中信号数据点处，down表示下降，flat表示没有变化或相对变化不大，up表示上升。可以这么理解：可以提供任何数量的级别，例如{highD，midD，lowD，highF，midF，lowF，highU，midU，lowU}，等等。这些转变的级别使数据挖掘工具不仅能捕捉趋势，也能捕捉事件和事件之间的时间间隔，以及事件级别而不是变量级别。
本发明的数据挖掘工具可进一步发现移动趋势中的模式。这些模式的发现可按照一个或更多的统计测试完成。例如，统计检验可以基于一个信任模式，信任模式就是该模式的条件概率。也可以使用其他统计测试。可按照特定错误正负概率为发现模式配置统计检验。基于对进程级别的了解或者学习、探索本发明发现的可能的根本原因的想法，这是可以实现的。例如，我们或期望较高的错误正概率和低的错误负概率。
数据挖掘工具可以定义在一个单独信号数据流中和信号数据流之间的模式。例如，一个特定的包括一系列移动趋势的事件序列会经常在单一信号数据流中出现。特定事件序列可以被称为序列模式(或模式)。此外，两个接近的信号数据流的序列模式可被确定为统计上相互依存，可定义第二阶自相关模式。此外，两种不同信号数据流的序列模式可被确定为统计上相互依存，可定义互相关模式。更进一步，多重信号数据流可揭示一个产生另一个信号数据流中目标模式的信号数据流中的因果模式。
仪表板用户界面能使一个或多个操作人员或监控人员(以下简称“操作员”，虽然操作员无须给系统提供指令)来访问和查看由系统提供的收集到的数据、趋势、模式、建议等。例如，操作员可以是信号数据收集设备的操作员。基于发现的模式和目前收集到的信号数据，用户界面可被用于提醒操作员有可能发生的事件。这使得，例如当系统出现故障时，实时监测和预警系统成为可能。操作员还可以通过仪表板用户界面导航，查看历史数据、趋势、模式等，定义用户资料，有关数据、趋势、模式、建议、警示等的分析，以及事件的因果关系。上面提到的Web服务器可以提供对收集到的信号流、趋势、模式、建议等的访问，这些通过数据库存储远程数据并通过本地仪表板用户界面进行访问。Web服务器可从多个设备或系统以及设备或系统的多个位置，集合信号数据流、趋势、模式、建议、提醒，等等。
本发明其中的一个应用是将描述的技术应用到表示为多变量时间序列的多个信号。在此情况下，数据包含了一系列的连续值，而且每个值与等距时间标识相关联，确定一个多元化时间序列。本发明相关多变量时间序列的应用可能会导致错误/误导性的模式产生，除非采取业内专业人士知道的预防措施。特别是，至少要有一个时间序列可调节(例如，模拟控制)这一点非常重要，且可能存在多种可调节信号。例如，根据本发明，发现的模式可被操作员用来监视和控制一个工厂。然而，当数据中没有离散值信号时，可能会产生错误/误导模式。因此，使用产生的模式数据结果应当采取一定的预防措施，例如遵守操作员注意事项。
趋势
收集的信号数据流会被数据挖掘工具转化为趋势。趋势是共同分段线性表示的信号数据流。例如，趋势可代表信号数据流中的一个或多个信号数据点之间和跨一个或多个信号数据点的关系。
趋势可揭示信号数据流事件的过程行为，这基于事件、事件时长、事件之间的时间间隔，以及事件级别而不是变量级别。
这些关系可被看作是穿过一个或多个信号数据点的“线”。例如，信号数据点可被归纳为预定数目的分组，而“线”可被基于其坡度的点组所代表。例如，给定一个九个信号数据点系列：{1，1，1，2，3，4，5，1，0}，每三个点可以分为一组。线表示穿过整个组的点，如点{1，1，1}由坡度为0的线1代表(坡度＝0/2＝0)；点{2，3，4}由坡度为1的线2代表(坡度＝2/2＝1)；点{5，1，0}由坡度为-2.5的线3代表(坡度＝-5/2＝-2.5)。
趋势可按照表示每组信号数据点的线定义。例如，线1可按照其0坡度被指定为一个平趋势(F)。线2可根据其正坡度被指定为一个上升趋势(U)。线3可按照其负坡度被指定为一个下降趋势(D)。
对于一个平趋势，包含在线中的平均信号数据点值可代表它的大小。例如，线1信号数据点的平均值为(1+1+1)/3＝1。因此，其大小为1。由于大小的使用，平趋势可以进一步细分成更准确的趋势级别。例如，一个平趋势可分为高F、中F和低F。
此外，对于上升趋势或下降趋势，基于坡度可分为更精细的趋势。例如，上升趋势可分为迅速上升趋势(快速U)和稳定上升趋势(稳定U)。同样，下降趋势可以分为快速下降趋势(快速D)和稳定下降趋势(稳定D)。
基于任何的统计特性，如平均值、中位数、标准差、二阶导数、n阶矩、平均信息量、自信息、相关矩阵等，可产生更多趋势和细分趋势。
趋势被划分和再分的特定阈值级别会因应用的不同而有所不同，操作员可利用用户界面对其进行配置。
模式发现
模式可被数据挖掘工具从趋势中发现。这些模式可以用来(1)捕获一个事件的时间和事件之间的延迟；(2)提供事件级别，而不是以前可能获得的透露更具体信息的变量级别；(3)提供透明和可理解的联系；(4)在统计方面提供一个没有过拟合风险的完善的方法；(5)有效地处理所收集的数据中缺少的值、噪声、错误和不确定性；(6)提供大量数据的可扩展性；(7)提供切实可行的智能化。
数据挖掘工具可以定义在一个单独信号数据流中和信号数据流之间的模式。
图3说明了一个序列模式。序列模式是信号数据流中的发现趋势，它们具有一系列经常发生的移动趋势。数据挖掘工具可以配置定义序列模式的频率。数据挖掘工具还可以配置定义一个序列模式所需信号数据点的数量。
图4说明了第二阶自相关模式。这些模式会在信号数据流的两个相近的序列模式中被发现，显示统计的相互依存关系。它们进一步被称为互相关模式。第二阶自相关模式，基于特定时间延迟或时间延迟范围，可相关联。定义自相关模式所需的统计相互依存性可在数据挖掘工具中进行配置。
图5说明了因果模式。在两个或更多的时间信号数据流中可能会发现因果关系模式，每个都有相近序列模式显示统计的相互依存关系。因果模式可基于一个或更多的自动相关模式。模式发现可定义和产生目标模式。目标模式可能是相关模式的一部分，其中其他模式已在目标模式产生前发生。因此，数据挖掘工具可被用于发现基于目标模式发生的因果模式。
基于目标模式的发生和因果模式发现，可提供决策支持。举例来说，当被确定为目标模式因果关系的趋势转化时，操作员可在用户界面看到警报。操作员基于对这些信息的了解，可以采取纠正措施，判断被怀疑有问题的因果模式是否实际上是一个因果关系的一部分，如果是这样，是否有手段来避免或保证触发目标模式，这可视情况而定，如通过控制工艺参数。
仪表板
工艺工程师需要有关操作参数、运作特点及过程条件的有用信息，以进一步分析工艺行为和控制工艺操作。通过参考前馈过程控制中的有效决策支持、根本原因分析和性能分析的有用信息，可以以简洁、直观的方式把握和分析工艺数据运作流程的整体视图和关联关系。
用户界面以文字和图形的方式为操作员呈现趋势和检测到的模式。举例如下。这些文字和图形提供：1)实现数据驱动方法，基于数据发现的有价值信息，优化工业流程的操作；2)易于理解和执行的系统，在复杂的工艺环境中，揭示支持决策和操作员的操作的基本模式。
图8展示了本发明的仪表板用户界面的构成部分。仪表板包括但不限于，用户管理模块、监控模块、控制模块、可视化模块、报表模块、网络模块和数据库模块。用户管理模块，可用于管理操作员身份验证、设置、设定首选项等，以保证一个或更多的操作员能使用该仪表板。操作员设置可以保存到数据存储设备或服务器。监控模块可监测收集数据的过程传感器。如果检测到事件/问题，监控模块会在仪表板上进行警报/警告，或通过弹出对话框、电子邮件、即时消息、连接的LED灯、电话等其它方式。控制模块可以使操作人员根据系统提供的建议控制系统或工序，以便最优化工序，例如，避免出现问题、事故和/或故障。可视化模块可以使操作员直观地看到文字、代表所收集数据的表格或图形、趋势和模式的图表、曲线、图形、表格、图表等。报告模块可生成定期报告(如每日/每周/每月/每年等)，涉及工艺性能、发生问题、所采取的行动等。网络模块可用于将系统连接到内部网络或外部网络，以交流信号数据、趋势和模式、发送/警告警报、发送控制信号等到另一个远程系统。数据库模块可连接系统到数据库(如关系数据库或面向对象的数据库)，以获得历史数据。该数据库还可以作为一种存储报告和记录的手段。
示例
下面所述例子不以任何方式限制本发明的应用范围。
本发明可应用于延迟焦化领域。延迟焦化是炼油厂中的一个加工过程。通常在延迟炼焦过程中有可能有几万个传感器。数据采样可能每一分钟一次。因此，一周过后可能有数百万个数据点，会产生庞大的数据。
图6所示的是一个延迟焦化装置的例子。连接到本发明系统的传感器可能包括压力、流速、温度、液体(油)以及仪器手动控制传感器。例如，一些传感器可能指示缓冲罐油的油深、石油输入量、石油输出量、温度指标、蒸汽流量、塔的温度以及塔的输入量等。
该系统可从每个传感器收集信号数据流并转换信号数据流为趋势。模式可以从趋势中发现。用户界面可使操作员能够选择一个或多个信号数据流，指定约束条件以产生目标信号数据流的目标模式(例如，“S2上出现1个F后出现3至5个U)。在约束条件的基础上，目标模式可能会在数据转换过程中产生。
图7展示了在延迟焦化过程中利用发现模式来进行根本原因分析的潜在用户接口的输出。对于每个传感器或信号代码(表示为“S码”)，目标模式可能被发现，而且数据挖掘工具可被用来为操作员指示存在目标模式的目标信号数据流(表示为“目标TS”)。因果分析可确定一个或多个信号数据流的一个或多个因果联系，数据挖掘工具可被用于为操作员指示一个或多个信号数据流(表示为“疑似原因TS”)。除此之外，操作员可以指定一个或更多的S码指示符。一个或多个传感器或信号可能与其他传感器相关，基于操作员提供的信息被描述为疑似原因TS。这些可被称为“指示符”。在图7中，“T”表示“温度”而“P”表示“压力”。操作员可能并不了解其中特别的关系是什么。例如，如图7所示，操作员可指定PR-38作为连接到传感器14、15、25、39和43的传感器2的指示符。但是，操作员可能不知道它们究竟是如何相互关联的。
图9展示了仪表板用户界面。操作员可配置用户界面，以显示由模式发现生成的图形分析。操作员可配置用户界面包括指定移动平均视窗大小、取样时间、离散间隔，预计平趋势事件百分比以及用于测试数据的百分比。配置移动平均窗口大小可确定使用样本数量，以计算移动平均值。它可用于数据信号的预处理，如消除噪音。配置采样时间可分步确定采样率。可以通过配置离散时间间隔确定有多少信号数据点被用来代表一个分段线性表示的线段。配置预计平趋势事件百分比，以确定成为平趋势事件的线段百分比。配置用于测试数据的百分比以确定用于测试生成模型数据的百分比。
操作员可进一步配置其他参数。例如，操作员可配置模式可以包含的最大块数量。例如，模式[s0＝FFF-1＞s2＝UUU-3-＞s1＝FFU]有三个块(s0＝FFF，s2＝UUU以及s1＝FFU)。配置块之间最大空格数以确定两个块之间的空格(或延迟)的最大数量。例如，s0＝FFF和s2＝UUU之间的空格数是1；s2＝UUU和s1＝FFU之间的空格数是3。对可能出现的最低数量进行配置，以确定所观测到频率的最低数目，以证明它不是偶然发生的，在这种情况下它可被用来生成一个模式。配置每个块的最大和最小长度可确定一个块中趋势的最大和最小数目。例如，s0＝FFF有三个趋势(即FFF)。配置目标复合事件的上升或下降趋势的最小数目，以确定一个被认为是目标的复合事件(或块)的上升或下降趋势的最低数目。为每个事件序列配置自动模式的最大数目，以指定每个系列中发现的单个模式的最大数量。配置发生重叠模式(自动模式)的删除，可删除重叠的模式(自动模式)。配置统计检测阀值以确定统计检测的阀值。设定目标系列ID以指定目标传感器。配置因果系列的ID以为选定的目标传感器组指定可能的相关传感器。
按照配置，用户界面可为操作员显示发现的因果模式。操作员可以使用这些因果模式，以1)确定可能的根本原因以及2)消除不相关的因素。
用户界面也可以显示包括或不包括已发现模式的一个或多个信号数据流的操作员图形化代表符号。图10展示了三个信号数据流的图形表示，而不显示模式。图11展示了三个信号数据流显示模式的图形表示。在这两种情况下，一个轴通过时间标志对应时间，而另一个轴对应从每个信号数据流中收集到的数据检测到的趋势。
操作员可通过用户界面查看目标模式的因果联系。例如，图12展示了信号数据流多个环节之间的基于模式的因果关系。涉及各信号数据流的趋势以及因果关系内的相关关系是可视的。例如，这些模式可以显示一个缓冲罐的油位受石油输入量或输出量影响或控制，或温度指示由蒸汽流量、塔的温度或塔的输入量影响或控制。
对于操作员，此信息对提高效率和/或过程的可靠性是很有帮助的。例如，如果存在已知两个或多个事件的时间延迟，操作员可以尝试确定是否是工艺参数变化导致了时间延迟变化。再如，操作员可判断是否两个或更多的传感器之间以前未知的关系实际上是有关联的。
例如，数据挖掘工具可能会发现，如果水温低两个时间单位，然后经过2个单位时间延迟，沥青回收将迅速下降为3个时间单位。操作员由于知道这种模式，可以调节水温以增加沥青回收。
本发明还可以被应用到各种加工业的生产过程以及健康产业的生产流程。
例如，本发明可应用于智能电表。在不同时段的用电需求极不平衡。高峰需求将增加电力成本，产生更多的污染，需要更多新的发电、输电和配电基础设施的投资。为缓解高峰用电需求，各国政府已启动各种项目记录每小时用电量。通过使用本发明，电价可以根据分时定价，高峰时间价格高，低峰时间价格便宜。本发明可应用于智能电表系统，实时监控电力消耗。它也可以对意外的高峰需求发出警告或报警。此外，它还可以用来识别高峰需求的原因，并建议采取行动以缓解需求。
本发明也可用于高风险婴儿监控。它可用于实时监测怀孕的状况。如果母亲的状况(心率，血压等)越来越差，它可以发送警报或警告。它也可以找出问题的可能原因，并建议采取行动纠正这种情况。这可以通过给病人安传感器来实现。这些传感器收集心率和血压等实时数据。本发明通过发现模式分析可能导致的风险，并给医生提出可能的补救行动。

Claims (14)

1.一种用于基于模式监测的计算机可执行的方法，所述方法的步骤特点如下：
(a)从一个或多个信号中收集信号数据，定义信号数据流；
(b)转换每个信号数据流为趋势；以及
(c)基于每个信号数据流内部和/或多个信号数据流之间的趋势，通过一个或多个计算机处理器发现模式或者促进模式的发现，其中所述模式包括相应信号数据流内部和/或多个相应信号数据流之间的一系列趋势；
其中所述模式包括与所述一系列趋势相关联的时间延迟；并且
其中所述信号数据按照预定的时间间隔收集，事件序列由连续时间间隔处的一个或多个趋势进行定义，并且所述模式包括基于所述事件序列的相应信号数据流内部和/或基于所述事件序列的相应信号数据流之间的相互关系，以定义事件模式。
2.根据权利要求1所述的方法，其特征在于，它包括基于所述趋势和发现的所述模式，对从所述信号数据流中的至少一个信号数据流收集的信号数据进行监测和控制或自动化控制的进一步步骤。
3.根据权利要求2所述的方法，其特征在于，存储所述趋势和发现的所述模式，以使得能够监测和控制收集的所述信号数据。
4.根据权利要求2所述的方法，其特征在于，它包括基于监测的信号数据来产生的一个或多个警报的进一步步骤。
5.根据权利要求1所述的方法，其特征在于，它包括数据挖掘所述模式中的一种或多种模式以确定所述信号数据流之间的因果联系的进一步步骤。
6.根据权利要求5所述的方法，其特征在于，所述因果联系使得能够根本原因分析。
7.根据权利要求1所述的方法，其特征在于，从包括上升、平、下降的组中选择所述趋势。
8.一种用于基于模式的监测系统，所述系统的特点包括：
(a)用于从一个或多个信号或信号源收集信号数据以定义信号数据流的装置；以及
(b)用于将每个信号数据流转换成趋势并且基于每个信号数据流内部和/或多个信号数据流之间的趋势来发现模式的装置，其中所述模式包括相应信号数据流内部和/或多个相应信号数据流之间的一系列趋势；
其中所述模式包括与所述一系列趋势相关联的时间延迟；并且
其中所述信号数据按照预定的时间间隔收集，事件序列由连续时间间隔处的一个或多个趋势进行定义，并且所述模式包括基于所述事件序列的相应信号数据流内部和/或基于所述事件序列的相应信号数据流之间的相互关系，以定义事件模式。
9.根据权利要求8所述的系统，其特征在于，它还包括用户界面，用于使得操作员能够基于所述趋势和发现的所述模式，对从所述信号数据流中的至少一个信号数据流收集的信号数据进行监测和控制或自动化控制。
10.根据权利要求9所述的系统，其特征在于，它还包括数据存储装置，用于存储所述趋势和发现的所述模式，以使得能够监测和控制收集的所述信号数据。
11.根据权利要求9所述的系统，其特点在于，所述用户界面使得能够基于监控的信号数据来产生一个或多个警报。
12.根据权利要求10所述的系统，其特征在于，用于发现模式的装置进一步包括用于数据挖掘所述模式中的一个或多个模式以确定所述信号数据流之间的因果联系的装置。
13.根据权利要求12所述的系统，其特征在于，所述因果联系使得能够根本原因分析。
14.根据权利要求8所述的系统，其特征在于，所述趋势是从包括上升、平、下降的组中选择的。
CN200980152331.4A 2008-12-23 2009-12-23 基于模式的智能控制、监测及自动化的系统、方法和计算机程序 Expired - Fee Related CN102282552B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US19378108P 2008-12-23 2008-12-23
US61/193,781 2008-12-23
PCT/CA2009/001878 WO2010071998A1 (en) 2008-12-23 2009-12-23 System, method and computer program for pattern based intelligent control, monitoring and automation

Publications (2)

Publication Number Publication Date
CN102282552A CN102282552A (zh) 2011-12-14
CN102282552B true CN102282552B (zh) 2016-08-03

Family

ID=42286828

Family Applications (1)

Application Number Title Priority Date Filing Date
CN200980152331.4A Expired - Fee Related CN102282552B (zh) 2008-12-23 2009-12-23 基于模式的智能控制、监测及自动化的系统、方法和计算机程序

Country Status (6)

Country Link
US (1) US9423793B2 (zh)
EP (1) EP2382555A4 (zh)
CN (1) CN102282552B (zh)
AU (1) AU2009329794A1 (zh)
CA (1) CA2748165C (zh)
WO (1) WO2010071998A1 (zh)

Families Citing this family (34)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9940405B2 (en) 2011-04-05 2018-04-10 Beyondcore Holdings, Llc Automatically optimizing business process platforms
US9129226B2 (en) * 2011-12-04 2015-09-08 Beyondcore, Inc. Analyzing data sets with the help of inexpert humans to find patterns
US10127130B2 (en) 2005-03-18 2018-11-13 Salesforce.Com Identifying contributors that explain differences between a data set and a subset of the data set
US8977643B2 (en) * 2010-06-30 2015-03-10 Microsoft Corporation Dynamic asset monitoring and management using a continuous event processing platform
US20120216081A1 (en) * 2011-02-17 2012-08-23 HCL America Inc. Method and system for root cause analysis of data problems
US20130173332A1 (en) * 2011-12-29 2013-07-04 Tom Thuy Ho Architecture for root cause analysis, prediction, and modeling and methods therefor
US20130030760A1 (en) * 2011-07-27 2013-01-31 Tom Thuy Ho Architecture for analysis and prediction of integrated tool-related and material-related data and methods therefor
US20130103557A1 (en) * 2011-08-17 2013-04-25 Audry Larocque Method and system for operating a virtual energy network
US10796232B2 (en) 2011-12-04 2020-10-06 Salesforce.Com, Inc. Explaining differences between predicted outcomes and actual outcomes of a process
US10802687B2 (en) 2011-12-04 2020-10-13 Salesforce.Com, Inc. Displaying differences between different data sets of a process
EP2856332A4 (en) * 2012-05-30 2016-02-24 Hewlett Packard Development Co ADJUSTING PARAMETERS FOR DISCOVERING PATTERNS
JP5868784B2 (ja) 2012-05-31 2016-02-24 横河電機株式会社 プロセス監視システム及び方法
EP2672353A1 (en) * 2012-06-05 2013-12-11 ABB Research Ltd. Transformer monitoring with a mobile device
US8988238B2 (en) * 2012-08-21 2015-03-24 General Electric Company Change detection system using frequency analysis and method
EP2701020A1 (de) * 2012-08-22 2014-02-26 Siemens Aktiengesellschaft Überwachung einer ersten Ausrüstung einer technischen Anlage zur Herstellung eines Produkts
US8855968B1 (en) 2012-12-10 2014-10-07 Timothy Lynn Gillis Analytical evaluation tool for continuous process plants
JP6178591B2 (ja) * 2013-03-06 2017-08-09 富士機械製造株式会社 工具異常判別システム
EP2843493A1 (en) * 2013-08-30 2015-03-04 Empolis Information Management GmbH Method of analyzing an operation of a technical system and system for analyzing an operation of a technical system
CN103745261B (zh) * 2013-12-24 2015-04-15 张湛 一种构造立体ducg智能系统用于动态故障诊断的方法
US10673684B2 (en) * 2018-05-03 2020-06-02 Nautilus Data Technologies, Inc. System and method for autonomus data center operation and healing
US20150317337A1 (en) * 2014-05-05 2015-11-05 General Electric Company Systems and Methods for Identifying and Driving Actionable Insights from Data
US10505826B2 (en) * 2014-09-26 2019-12-10 Oracle International Corporation Statistical pattern correlation of events in cloud deployments using codebook approach
US10410123B2 (en) 2015-11-18 2019-09-10 International Business Machines Corporation System, method, and recording medium for modeling a correlation and a causation link of hidden evidence
EP3193227B1 (en) * 2016-01-04 2021-02-03 Siemens Aktiengesellschaft Entropy-based validation of sensor measurements
US11137750B2 (en) 2016-10-06 2021-10-05 Mitsubishi Electric Corporation Time-series data processing device
EP3559768A1 (en) * 2016-12-21 2019-10-30 Atlas Copco Industrial Technique AB Method, monitoring node and computer program of monitoring a manufacturing process
US11816586B2 (en) * 2017-11-13 2023-11-14 International Business Machines Corporation Event identification through machine learning
JP7093101B2 (ja) * 2018-02-26 2022-06-29 株式会社グルーヴノーツ データ生成装置、データ生成方法及びデータ生成プログラム
WO2020009655A1 (en) * 2018-07-05 2020-01-09 Hitachi, Ltd. Method and system for chiller performance anomaly diagnosis
CN110033527A (zh) * 2019-03-12 2019-07-19 广州德永计算机科技有限公司 一种电力作业安全监管智能机器人及其实现方法
EP3731156A1 (en) * 2019-04-25 2020-10-28 ABB Schweiz AG System for action determination
US11817994B2 (en) * 2021-01-25 2023-11-14 Yahoo Assets Llc Time series trend root cause identification
CN117591560A (zh) * 2023-11-24 2024-02-23 国能大渡河流域水电开发有限公司 一种基于水电站实时信号的事件发现与跟踪方法及系统
CN117420811B (zh) * 2023-12-19 2024-03-08 武汉佰思杰科技有限公司 一种用于自动化生产的生产线质量监测方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6982708B1 (en) * 2002-01-25 2006-01-03 Microsoft Corporation Visually displaying sequentially ordered data for mining
CN101196743A (zh) * 2007-12-26 2008-06-11 西安交通大学 基于因果网络模型的机电系统安全分析装置及方法

Family Cites Families (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6317515B1 (en) * 1998-04-03 2001-11-13 Avid Technology, Inc. Method and apparatus for encoding and decoding a data stream using inferential techniques
US7089592B2 (en) * 2001-03-15 2006-08-08 Brighterion, Inc. Systems and methods for dynamic detection and prevention of electronic fraud
US7818224B2 (en) * 2001-03-22 2010-10-19 Boerner Sean T Method and system to identify discrete trends in time series
AU2002336720A1 (en) * 2001-11-05 2003-05-19 Advanced Technology Materials, Inc. Monitoring and controlling independent systems in a factory
US7357298B2 (en) * 2001-12-28 2008-04-15 Kimberly-Clark Worldwide, Inc. Integrating event-based production information with financial and purchasing systems in product manufacturing
AU2004281482B2 (en) 2003-10-17 2010-04-15 Hydralift Amclyde, Inc. Equipment component monitoring and replacement management system
EP1718198A4 (en) * 2004-02-17 2008-06-04 Therasense Inc METHOD AND SYSTEM FOR PROVIDING DATA COMMUNICATION IN A CONTINUOUS BLOOD SUGAR MONITORING AND MANAGEMENT SYSTEM
US7363195B2 (en) 2004-07-07 2008-04-22 Sensarray Corporation Methods of configuring a sensor network
DE102004043005A1 (de) * 2004-09-02 2006-03-09 Biotronik Vi Patent Ag Signalverarbeitungsvorrichtung für physiologische Signale
US20070028220A1 (en) * 2004-10-15 2007-02-01 Xerox Corporation Fault detection and root cause identification in complex systems
US20060101402A1 (en) 2004-10-15 2006-05-11 Miller William L Method and systems for anomaly detection
US7900201B1 (en) * 2004-12-21 2011-03-01 Zenprise, Inc. Automated remedying of problems in software application deployments
US7752012B2 (en) * 2005-04-04 2010-07-06 Fisher-Rosemount Systems, Inc. Statistical processing methods used in abnormal situation detection
US20060291657A1 (en) * 2005-05-03 2006-12-28 Greg Benson Trusted monitoring system and method
JP4572742B2 (ja) * 2005-05-26 2010-11-04 ソニー株式会社 周波数制御装置および情報再生装置
US7496590B2 (en) * 2005-07-26 2009-02-24 Invensys Systems, Inc. System and method for applying deadband filtering to time series data streams to be stored within an industrial process manufacturing/production database
US20070100779A1 (en) 2005-08-05 2007-05-03 Ori Levy Method and system for extracting web data
US8359248B2 (en) * 2006-08-24 2013-01-22 Blue Pillar, Inc. Systems, methods, and devices for managing emergency power supply systems
US20090287120A1 (en) * 2007-12-18 2009-11-19 Searete Llc, A Limited Liability Corporation Of The State Of Delaware Circulatory monitoring systems and methods
US9305238B2 (en) * 2008-08-29 2016-04-05 Oracle International Corporation Framework for supporting regular expression-based pattern matching in data streams

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6982708B1 (en) * 2002-01-25 2006-01-03 Microsoft Corporation Visually displaying sequentially ordered data for mining
CN101196743A (zh) * 2007-12-26 2008-06-11 西安交通大学 基于因果网络模型的机电系统安全分析装置及方法

Also Published As

Publication number Publication date
EP2382555A4 (en) 2013-06-26
CN102282552A (zh) 2011-12-14
CA2748165C (en) 2017-08-15
AU2009329794A1 (en) 2011-08-11
US9423793B2 (en) 2016-08-23
WO2010071998A1 (en) 2010-07-01
US20110320388A1 (en) 2011-12-29
CA2748165A1 (en) 2010-07-01
EP2382555A1 (en) 2011-11-02

Similar Documents

Publication Publication Date Title
CN102282552B (zh) 基于模式的智能控制、监测及自动化的系统、方法和计算机程序
Cook et al. Anomaly detection for IoT time-series data: A survey
Mounce et al. Burst detection using hydraulic data from water distribution systems with artificial neural networks
US20200081054A1 (en) Power line issue diagnostic methods and apparatus using distributed analytics
CN116647819B (zh) 基于传感器网络的仪器能耗监测方法及系统
CN112149329B (zh) 核电厂关键设备的状态预演方法、系统、设备及存储介质
CN102541013B (zh) 阳极保护设备远程监控、预警及故障诊断系统与方法
Sučić et al. The concept of an integrated performance monitoring system for promotion of energy awareness in buildings
CN104731079A (zh) 一种油田数据监测系统及方法
Hilliard et al. Representing energy efficiency diagnosis strategies in cognitive work analysis
CN110182871A (zh) 一种基于全自动加药系统的水处理方法及终端
Gong et al. Machine learning-enhanced loT and wireless sensor networks for predictive analysis and maintenance in wind turbine systems
CN105930926A (zh) 基于saas的物联网数据分析、监控与预测系统与方法
CN103383649A (zh) 一种复杂虚拟仪器系统设计模型
CN202433761U (zh) 基于物联网的阳极保护设备远程监控预警及故障诊断系统
Mascali et al. A machine learning-based Anomaly Detection Framework for building electricity consumption data
Lin et al. Design and implementation of a CPS‐based predictive maintenance and automated management platform
Ploennigs et al. Extending semantic sensor networks for automatically tackling smart building problems
CN113253007B (zh) 专变用户多维度智能反窃电精准定位方法及系统
Bogen et al. Evaluating a data clustering approach for life-cycle facility control
Fadli et al. Unveiling Hidden Energy Anomalies: Harnessing Deep Learning to Optimize Energy Management in Sports Facilities
Wang et al. Identification and correlation analysis for performance shaping factors in flight crew operation
CN117955245B (zh) 电网的运行状态的确定方法、装置、存储介质和电子设备
CN117314370B (zh) 一种基于智慧能源的数据驾驶舱系统及实现方法
Husein et al. THE IMPLEMENTATION OF DISAGGREGATION ALGORITHM IN THE ANALYSIS OF ENERGY CONSUMPTION BASED ON THE INTERNET-OF-THINGS TECHNOLOGY

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 1165570

Country of ref document: HK

C14 Grant of patent or utility model
GR01 Patent grant
REG Reference to a national code

Ref country code: HK

Ref legal event code: WD

Ref document number: 1165570

Country of ref document: HK

CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20160803

Termination date: 20211223