CN104756028A - 用于系统行为诊断的基于逻辑的方法 - Google Patents
用于系统行为诊断的基于逻辑的方法 Download PDFInfo
- Publication number
- CN104756028A CN104756028A CN201380055495.1A CN201380055495A CN104756028A CN 104756028 A CN104756028 A CN 104756028A CN 201380055495 A CN201380055495 A CN 201380055495A CN 104756028 A CN104756028 A CN 104756028A
- Authority
- CN
- China
- Prior art keywords
- model
- assessment
- dependence
- sensing data
- combined
- 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.)
- Pending
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
- G05B23/0243—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 model based detection method, e.g. first-principles knowledge model
- G05B23/0245—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 model based detection method, e.g. first-principles knowledge model based on a qualitative model, e.g. rule based; if-then decisions
-
- 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
- G05B23/0243—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 model based detection method, e.g. first-principles knowledge model
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
一种用于评估系统状态的方法包括接收关于系统的操作的用户提供的信息(S41)。基于所接收的信息构建系统的依赖模型(S43a/b)。当判定所述用户提供的信息足以构建逻辑模型时(S42)构建系统的逻辑模型(S43)并将所述逻辑模型与所述依赖模型组合(S46)。监视来自系统内安装的传感器的传感器数据,当所组合的模型可用时将所组合的模型应用于所述传感器数据,并且当所组合的模型不可用时将所述依赖模型应用于所述传感器数据(S48)。从所组合的模型/依赖模型对所述传感器数据的应用确定异常系统组件的集合,并且基于异常系统组件的集合确定系统状态的评估。
Description
对相关申请的交叉引用
本申请基于2012年9月17日提交的序列号为61/701,822的临时申请,通过引用将其全文合并到这里。
技术领域
本公开涉及一种系统行为诊断,并更具体地涉及一种用于系统行为诊断的基于逻辑的方法。
背景技术
诸如机电机器、工业设施和大规模商业楼的复杂动态系统通常采用在各个关键地方安装的传感器的网络,以提供对系统的操作状态的洞察。通过监视系统的功能,可以观察与正确操作的偏离,并且可以及时地执行诸如维护、修理和替代的修复动作,以便最大化系统的正常运行时间和可靠性。
然而,由于诸如大量可能的失败、参数漂移、噪声、有限的传感器可观察性等的因素,可能在具有足够的时间来解决该问题的情况下也使得精确诊断错误特别困难。
因此,如何根据不理想的传感器数据来诊断系统和预测失败变为在复杂的动态工业资产的管理中具有挑战性的目标。
发明内容
一种用于评估系统状态的方法包括接收关于系统的操作的用户提供的信息。基于所接收的信息构建系统的依赖模型。当判定所述用户提供的信息足以构建逻辑模型时构建系统的逻辑模型并将所述逻辑模型与所述依赖模型组合。监视来自系统内安装的传感器的传感器数据。当所组合的模型可用时将所组合的模型应用于所述传感器数据,并且当所组合的模型不可用时将所述依赖模型应用于所述传感器数据。从所组合的模型/依赖模型对所述传感器数据的应用确定异常系统组件的集合。基于异常系统组件的集合确定系统状态的评估。
关于评估下的系统的操作的所述用户提供的信息可以包括关于所述系统的一个或多个组件的错误依赖、或者关于所述系统的所述一个或多个组件失败的方式的专业知识。
可以由用户或者基于用户输入自动地以回答集编程(ASP)形式对关于评估下的系统的操作的所述用户提供的信息进行编码。
可以回答集编程(ASP)形式表示所构建的依赖模型和/或所组合的模型。
所构建的依赖模型可以仅描述失败如何传播通过所述评估下的系统。
所构建的逻辑模型可以描述所述评估下的系统的一个或多个组件之间的复杂功能相互依赖性。
判定所接收的用户提供的信息是否足以构建所述评估下的系统的逻辑模型可以包括构建所述逻辑模型并尝试将所构建的逻辑模型应用于所监视的传感器数据以及判定是否获得了有意义的结果。
可以使用回答集编程(ASP)求解器执行所述逻辑模型和所述依赖模型的组合。
可以通过回答集编程(ASP)求解器执行将所组合的模型或所述依赖模型应用到所述传感器数据。
基于所确定的一个或多个异常系统组件的集合提供系统状态的评估可以包括优先考虑(prioritize)最小解。
基于所确定的一个或多个异常系统组件的集合提供系统状态的评估可以包括优先考虑由最大数量的传感器支持的解。
将所组合的模型和/或所述依赖模型应用到所述传感器数据可以包括使用非单调推理。
一种用于评估系统状态的方法包括接收评估下的系统的依赖模型和所述评估下的系统的逻辑模型。从所述评估下的系统内安装的一个或多个传感器监视传感器数据。使用回答集编程(ASP)求解器将所述逻辑模型与所述依赖模型组合并将所组合的模型应用到所述传感器数据。从所组合的模型对所述传感器数据的应用确定一个或多个异常系统组件的集合。基于所确定的一个或多个异常系统组件的集合提供系统状态的评估。
基于所确定的一个或多个异常系统组件的集合提供系统状态的评估可以包括优先考虑最小解。
基于所确定的一个或多个异常系统组件的集合提供系统状态的评估可以包括优先考虑由最大数量的传感器支持的解。
一种计算机系统包括处理器以及非暂时性有形程序存储介质,其可由所述计算机系统读取,并包含可由所述处理器执行以执行用于评估系统状态的方法步骤的指令的程序。所述方法包括接收关于评估下的系统的操作的用户提供的信息。基于所接收的用户提供的信息构建所述评估下的系统的依赖模型。判定所接收的用户提供的信息是否足以构建所述评估下的系统的逻辑模型。当判定所述用户提供的信息足够时构建所述评估下的系统的逻辑模型,并将所述逻辑模型与所述依赖模型组合。监视来自所述评估下的系统内安装的一个或多个传感器的传感器数据。当所组合的模型可用时将所组合的模型应用于所述传感器数据,并且当所组合的模型不可用时将所述依赖模型应用于所述传感器数据。从所组合的模型/依赖模型对所述传感器数据的应用确定一个或多个异常系统组件的集合。基于所确定的一个或多个异常系统组件的集合提供系统状态的评估。
所构建的依赖模型可以仅描述失败如何传播通过所述评估下的系统。
所构建的逻辑模型可以描述所述评估下的系统的一个或多个组件之间的复杂功能相互依赖性。
可以使用回答集编程(ASP)求解器执行所述逻辑模型和所述依赖模型的组合。
可以通过回答集编程(ASP)求解器执行将所组合的模型或所述依赖模型应用到所述传感器数据。
基于所确定的一个或多个异常系统组件的集合提供系统状态的评估可以包括优先考虑最小解或者优先考虑由最大数量的传感器支持的解。
附图说明
当与附图一起考虑时通过参考以下详细描述,对本公开及其随后的许多方面的更完整理解变得更好理解,所以将更容易获得它们,其中:
图1是示出用于说明本发明的示例实施例的水箱问题(WTP)的示意图;
图2是示出可以应用本发明的示例实施例的简化的油润滑系统的图;
图3是根据本发明的示例实施例的基于图2的系统的表示依赖模型的语句集;
图4是示出根据本发明的示例实施例的用于系统诊断的混合方法的流程图;
图5A是示出根据本发明的示例实施例的用于系统诊断的总体架构的图;
图5B是示出根据本发明的示例实施例的用于监视和诊断系统的架构的示意图;以及
图6示出能够实施根据本公开的实施例的方法和装置的计算机系统的示例。
具体实施方式
在描述附图中示出的本公开的示例实施例时,为了清楚起见采用了特定的术语。然而,本公开意欲不限于如此选择的特定术语,并且应该理解,每个特定元素包括以类似方式操作的所有技术等同物。
虽然用于系统诊断的某些方法涉及使用计算机学习以从传感器数据检测诸如未来的失败的问题的证据,其它方法使用一个或多个人类使用者的专业知识。再一些其它方法可以将计算机学习的方面与专业知识的使用相组合。在使用专业知识解析传感器数据的方法中,该知识可以被编码为计算机可读形式(诸如逻辑表达式)并可以接着被用于帮助计算机化的诊断系统确定诸如以下的事情:系统什么时候正在正常操作,系统什么时候存在故障,系统的哪个部分存在故障,什么修复动作是可取的,以及在失败发生前还剩多少时间来执行修复动作。
用于使用专业知识基于传感器数据来执行诊断的一个方法是错误依赖模型。该方法基于一些组件需要其它组件的正确操作以便正确地操作其自身的实现。因为单个失败可以呈现为多个异常传感器读数,所以错误依赖模型尝试基于什么类型的故障可能导致其它异常传感器读数的先验知识查明(pinpoint)异常读数的根本原因。
为了帮助说明该诊断方法,将讨论水箱问题(WTP)。图1是示出WTP的示意图。这里,存在两个水箱,即左水箱10和右水箱11。单个水龙头12可以在各个水箱之间自由移动以便向两个水箱中注水。每个水箱在底部具有漏水的孔。左水箱10以v1的速度漏水,而右水箱11以v2的速度漏水。水龙头12以速度w对任一个水箱注水。为了简化,可以假设,v1=v2=v,并且w>v。称为“切换(switch)”的命令可以用于移动水龙头以改变水箱。
传感器x1是监视左水箱10的状态的布尔传感器,而传感器x2是监视右水箱11的状态的布尔传感器。传感器x1和x2当水箱中的水位上升时记录(register)1,当水位下降时记录0。
现在假设在时间1,x1的值是1并且x2的值是0。这将指示水龙头12正在对左水箱10注水。假设在时间1和时间2之间发出切换命令,并且在时间2,x1和x2的值仍然分别是1和0,则现在认为x1和x2的值异常,因为系统在切换之后预期x1为0并且x2为1。在此情景中,水龙头12已经变为被困在左水箱10上。然而,因为没有传感器用于水龙头12,所以不能直接观察到此问题,并因此需要诊断。
非单调推理可被用于一起检查x1和x2的状态。x2在下降而不上升的事实可能指示左水箱11已经失败,例如由于泄露。然而,当与x1在上升而不下降的事实结合起来,可以确定是水龙头12发生故障。非单调推理的一个示例是回答集编程(ASP)形式。示例实施例寻求将ASP应用到各种监视和诊断系统,以推导出传感器异常的原因,其中特定问题不能直接观察到。此外,ASP可被用作用于集成其它推理方法的统一语言。
本发明的示例实施例可以使用两个附加的用于推理诊断的方法。第一个这种方法可以称为错误依赖模型。在此方法中,对单个故障可以使得其它传感器异常读取的理解用于将异常传感器读数的序列追踪回到失败的实际原因。当应用到上述WTP示例时,我们以水龙头的失败可以导致左水箱的异常状态(其可以导致x1的异常读数)的专业理解开始。类似地,水龙头的失败可以导致右水箱的异常状态,其可以导致x2的异常读数。该知识可以相应地表示为:
水龙头(Tap)→水箱1(Tank 1)→x1
水龙头→水箱2(Tank 2)→x2
该依赖模型可被解析为表示:当观察到x1异常时,水箱1和/或水龙头可能是有错误的,并且类似地,当观察到x2异常时,水箱2和/或水龙头可能是有错误的。以下依赖矩阵可以用于描述此情况:
x1 | x2 | |
水龙头 | 1 | 1 |
水箱1 | 1 | 0 |
水箱2 | 0 | 1 |
可以看出,为了生成错误依赖模型,唯一需要的专业知识是错误如何在组件之间传播。可以从系统设计文件(诸如CAN/CAM)自动获得这样的知识。诸如系统的功能方面的其它信息可被忽略。为此,对于诊断目的,错误依赖模型可以简单地构建和使用,然而,该方法相比于其它推理方法可能具有相对较低的分辨率。因此,对于给定数目的传感器,错误依赖模型可能不能与其它方面一样精细地查明问题的确切原因。
本发明的示例实施例也可以使用另一用于诊断推理的方法。该另一方法可以称为逻辑模型方法。这里,系统组件之间的复杂功能相互依赖性可以被表示为逻辑公式。虽然该方法可能需要附加的专业知识,但可以获得更高的诊断分辨率,这可以意味着,对于给定数目的传感器,可以更精细地查明问题的原因。
该逻辑模型方法可被应用于WTP示例。然而,为了更容易地阐述相关概念的目的,代替使用“切换”命令来调用水龙头切换,可以采取具有值1的命令“注入(fill)”来表示要对左水箱注水,同时可以采取值0来表示要对右水箱注水。而且,在该标注的方法中,异常传感器读数被表示为“ab(<传感器名称>)”。另外,每个命令与描述系统状态的状态变量关联。例如,对于命令“注入1(fill1)”,如果水龙头正在对水箱1注水则状态“正注入1(filling1)”将为真,否则状态“filling1”将为假。因此,可以在以下两个规则(其也可以使用ASP的建模语言)中捕获WTP示例的专业知识:
inStatus(filling1)←value(fill,1),not abs(tap) (1)
not inStatus(filling1)←value(fill,0),not abs(tap) (2)
对于这些ASP规则,规则的右手侧被解析为逻辑乘法(conjunction),意味着,为了左手侧成立,右手侧的所有条件也要成立。这里,规则(1)表示如果命令“注入1”的值为1(注入左水箱)并且水龙头不在错误状况中,则系统应该在左水箱正被注入的状态中。规则(2)类似地表示如果命令“注入1”的值是0(不注入左水箱)并且水龙头不在错误状况中,则系统应该在左水箱未正被注入的状态中。
逻辑等式也可以用于指定传感器读数与状态变量之间的关系,例如:
value(x1,0)←not inStatus(filling1),not ab(tank1) (3)
value(x2,0)←not inStatus(filling1),not ab(tank2) (4)
这里,规则(3)表示如果系统不在注入水箱1(左水箱)的状态中并且水箱1无错误,则x1不应该检测到增加。规则(4)类似地表示如果系统不在注入水箱1(左水箱)的状态中并且水箱2无错误,则x2应该检测到增加。
当x1和x2都被检测为有错误时,传感器读数是:
value(fill1,0),value(x1,1),value(x2,0) (5)
从传感器读数value(fill1,0)和规则(2),可以得出abs(tap)或者not inStatus(filling1)。从not inStatus(filling1)和规则(3),可以得出ab(tank1)或者value(x1,0)为真。因为value(x1,0)与传感器读数冲突,所以可以得出ab(tank1)。类似地,可以得出ab(tank2)。由此,存在两个最小解释:{ab(tap)}和{ab(tank1),ab(tank2)}。换言之,要么水龙头有故障,要么两个水箱都有故障。可以将考虑限制到所述最小解释,因为如果{ab(tap)}可以解释该观察,则更大的集合{ab(tap),ab(tank1)}也可以解释它。从这两个最小解释,可以找到支持ab(tap)的两个征兆(symptom)(x1,x2),同时仅可以找到一个支持ab(tank1)的征兆(x1)和一个支持ab(tank2)的征兆。这里,优选可以是选择第一最小解释{abs(tap)}作为诊断,因为存在更多支持每个异常的征兆。
根据上述示例,可以看出逻辑模型方法虽然更复杂,但可以提供关于潜在失败的原因的更详细解释。依赖模型方法更简单,但提供关于潜在失败的原因的更少细节。
本发明的示例实施例使用ASP的建模语言将逻辑模型方法与依赖模型方法组合,以提供一种混合建模方法,其在需要时可以简单并且在可用时可以提供高分辨率。当从该混合方法产生多个潜在解时,示例实施例优选最小的解,例如,优选可以解释所观察的传感器读数的最简单的可能解释。此外,当存在多个单一的最小解时,优选具有最大量的支持证据的那些解,例如具有最大量的支持的传感器观察的最小解。
回答集编程(ASP)的非单调形式可以用作计算框架,因为此形式使用非单调推理并且被良好地配备以用于处理动态域。该方法可以与使用这种传感器数据的现有监视和诊断系统集成。
这里关于简化的润滑油系统描述本发明的示例实施例。然而,简化的润滑油系统被提供作为可以应用本发明的示例实施例的示例系统,并且应理解,本发明的示例实施例可被应用到任何正被监视的系统。
在某些情况中,通过描述预期行为的所有状态空间等式和转变(transition)(其是定量诊断方法的基础)来获得复杂系统的完整模型可能是困难的或者不可能的。因此,在复杂系统的完整模型不可得或者还未被提供的情况下,本发明的示例实施例可以仅依赖于依赖模型。
图2是示出可以应用本发明的示例实施例的简化的油润滑系统的图。三个泵“ACPMP1”201、“ACPMP2”202和“DCPMP1”203连接到润滑油贮存器200。两个AC泵201和202可以形成冗余/备用系统,并且DC泵203可以在另一线路上操作。在AC线路上,冷却器204、过滤器205和压力调节阀206依次连接。存在四个命令传感器:pump1Dmd 207、pump2Dmd 208、dcPmpDmd 209和控制阀210。提供四个指示传感器。它们包括:psvac 211,其指示贮存器200中的压力;dpsw 212和ps 213,它们指示这两条线路中是否有油流动;以及LOPS 214,其指示终端处的油压。
从此图,可以创建依赖模型。因为依赖模型仅需要关于异常传播通过系统的方式的信息,所以除了从所示的图中获取的知识外不需要额外的专业知识来建立依赖模型。图3是根据本发明的示例实施例的表示基于图2的系统的依赖模型的语句集。可以直接从图2的图中获得图3的所示依赖模型。
图3的依赖模型显示了图2中所示的系统中的各个对象的依赖链。例如,如可以从第一行(31)看出的,在lops(214)中检测到的异常传感器读数可以由lops(214)中的问题、调节阀(206)中的问题、过滤器(205)中的问题、冷却器(204)中的问题、acpmp1(201)中的问题或者res(200)中的问题导致。如可以从第二行(32)看出的,在lops(214)中检测到的异常传感器读数可以由lops(214)中的问题、调节阀(206)中的问题、过滤器(205)中的问题、冷却器(204)中的问题、acpmp2(201)中的问题或者res(200)中的问题导致。如可以从第三行(33)看出的,在dpsw(212)中检测到的异常传感器读数可以由dpsw(212)中的问题、调节阀(206)中的问题、过滤器(205)中的问题、冷却器(204)中的问题、acpmp1(201)中的问题或者res(200)中的问题导致。如可以从第四行(34)看出的,在dpsw(212)中检测到的异常传感器读数可以由dpsw(212)中的问题、调节阀(206)中的问题、过滤器(205)中的问题、冷却器(204)中的问题、acpmp2(202)中的问题或者res(200)中的问题导致。如可以从第五行(35)看出的,在lops(214)中检测到的异常传感器读数可以由lops(214)中的问题、dcpmp(203)中的问题或者res(200)中的问题导致。如可以从第六行(36)看出的,在ps(213)中检测到的异常传感器读数可以由ps(213)中的问题、dcpmp(203)中的问题或者res(200)中的问题导致。如可以从第七行(37)看出的,在psvac(211)中检测到的异常传感器读数可以由psvac(211)中的问题或者res(200)中的问题导致。
在下面提供的依赖矩阵中总结异常传感器读数与可能原因的此层级关系。在此依赖矩阵中,列表示异常传感器读数,并且行表示可能原因。值“1”指示列中的异常传感器读数可能由行中的失败或其它故障导致,而值“0”指示列中的异常传感器读数不能由行中的失败或故障导致。
lops | dpsw | ps | psvac | |
res | 1 | 1 | 1 | 1 |
acomp1 | 1 | 1 | 0 | 0 |
acpmp2 | 1 | 1 | 0 | 0 |
dcpmp | a | 0 | 1 | 0 |
冷却器 | 1 | 1 | 0 | 0 |
过滤器 | 1 | 1 | 0 | 0 |
调节阀 | 1 | 1 | 0 | 0 |
因此,可以从该依赖矩阵中看出,使用现有的指示传感器不能完整诊断该简化的润滑油系统示例。例如,如果lops和dpsw都被检测到有错误,则不可能仅基于依赖信息区分哪个组件有错误。在这种情况下,任何一个或多个组件都可能有错误。
然而,如下面将显示的,如果使用逻辑模型方法分析,则传感器数据的同一集合可以提供更具洞察力的答案。根据此方法,我们可以从图2中所示的润滑油系统中识别出每个传感器定义一个系统状态变量。例如,当acPmp1不在错误状况中时,我们知道:value(acPmp1Dmd,1)=pumpRun(泵运行),value(acPmp1Dmd,0)=not pumpRun,换言之,当Pump1Dmd提供值1时我们知道ACPMP1正在运行,并且当Pump1Dmd提供值0时我们知道ACPMP1不在运行。可以使用以下ASP规则编码此信息:
inStatus(pumpRun1)←value(acPmp1Dmd,1),not ab(acPmp1) (6)
not inStatus(pumpRun1)←value(acPmp1Dmd,0),not ab(acPmp1) (7)
作为另一示例,指示传感器:value(lops,0)=lowPress(低压),value(lops,1)=not lowPress。可以以下ASP规则编码该上述信息:
value(lops,1)←not inStatus(lowPress) (8)
value(lops,0)←inStatus(lowPress) (9)
可以使用以下约束来编码不同状态变量之间的关系:
←not inStatus(lowPress),inStatus(flow1),
not inStatus(flow2),not ab(regulatorValve) (10)
这里,使ASP规则的左手侧留为空白隐含着该规则的右手侧不能成立。该约束表示,如果线路1在流动,线路2在流动,并且调节阀没有错误,则终端压力不能为低。
考虑检测到lops和dpsw都有错误的场景。传感器读数将是:value(acPmp1Dmd,1),value(acPmp2Dmd,0),value(dcPmpDmd,0),value(dpsw,0),value(ps,1),value(lops,0)。
从表达式(6)-(9)可以得出inStatus(flow1),not inStatus(flow2)并且notinStatus(lowPress)。因此,从规则(10)可以得出ab(regulatorValve)为真。
从以上示例,可以看出这两个模型中的每个可以如何被应用到该润滑油系统示例。依赖模型方法容易获得并涉及简单的推理,但可以提供相对低的分辨率,这意味着,对于给定数目的传感器,不能像使用逻辑模型方法时一样好地精细化故障。逻辑模型方法可以提供更高分辨率,这意味着,对于给定数目的传感器,可以将故障精细化到潜在问题的更小子集。然而,逻辑模型方法可能需要附加的用户输入来建立。例如,为了理解该系统,可能需要更多的专业数据来建立逻辑语句的完整集合。
本发明的示例实施例寻求将依赖模型方法与逻辑模型方法组合。图4是示出根据本发明的示例实施例的用于系统诊断的混合方法的流程图。首先,可以获得用户信息(步骤S41)。用户信息可以是关于被监视的系统的专业知识,并且可以涉及该系统的正确操作以及可以观察问题的已知方式。例如,可以通过提示用户期望的信息的用户界面来提供该用户信息。获得用户信息还可以包括将用户提供的输入格式化为明确且方便的格式。
接着,可以判定所获得的用户提供的信息是否足以建立逻辑模型(步骤S42)。可以通过向用户提出问题而手动地进行该判定,或者可以通过分析信息的充足性而自动地进行该判定。根据本发明的一个示例实施例,可以在任一情况中构建逻辑模型,并且可以通过逻辑模型是否能够提供有意义的结果来判定所构建的逻辑模型的充足性。替代地,可以通过运行仿真或者通过检查逻辑语句的集合的相互依赖性来看可能传感器值的多少不同的组合可以由该模型解释,来评估该逻辑模型的充足性。
如果所获得的用户提供的信息足以建立逻辑模型(步骤S42中的“是”),则可以从可用信息生成逻辑模型(步骤S43)。如果所获得的用户提供的信息不足以建立逻辑模型(步骤S42中的“否”),则可以从可用信息生成依赖模型(步骤S44a)。附加地,在建立了逻辑模型的情况中,也仍然可以建立依赖模型(步骤S44b)。在此后的任意点,可以从用户获得、或者通过监视系统的操作而学习关于系统的附加信息,并且当获得了附加信息时,可以扩展逻辑模型,或者如果之前由于缺少足够信息而未创建逻辑模型则创建逻辑模型。
接着可以使用回答集编程(ASP)框架对依赖信息进行编码(步骤45a/b)。例如,对于系统组件之间的依赖性,可以使用以下:connectTo(dcPmpDmd,res)。对于组件和指示器之间的依赖性,可以使用以下:associate(dcPmp,ps)。
可以使用以下ASP规则计算连接的传递闭包:
tcConnectTo(C,C1)←connectTo(C,C1) (11)
toConnectTo(C,C2)←tcConnectTo(C,C1),tcConnectTo(C1,C2) (12)
对于每个组件C,如果指示器I与C关联并且另一组件C1在C的传递闭包中,则I也与C1关联如下:
associate(C1,I)←associate(C,I),tcConnectTo(C,C1) (13)
一旦以ASP规则编码了依赖模型,可以使用ASP求解器组合并执行这两个模型(步骤S46)。在没有建立逻辑模型的情况下,仍然可以使用ASP求解器执行依赖模型(步骤S47)。
ASP求解器计算可以是确定异常传感器读数的原因或者诊断潜在问题的特别高效的方式。
可以手动或自动编写模型规则的ASP编码。例如,可以从终端用户隐藏ASP的知识,并且可以使用用户以熟悉的形式输入的知识自动生成ASP编码。终端用户可以使用可视建模工具来指定信息,诸如:组件、命令、指示器和状态变量;组件与命令和指示器的关联;组件之间的依赖性;使用传感器读数的对状态变量的定义;约束;和/或专业规则。
当已经生成了逻辑模型时,可以使用所述模型来分析来自系统内安装的传感器网络的传感器数据,以确定什么时候应该采取维护和/或修复动作,或者呈现关于系统的状况的诊断(步骤S48)。
根据本发明的示例实施例,当组合了逻辑和依赖模型(步骤S46)时,依赖模型的结果可被用于增强逻辑模型的诊断结果。因此,使用依赖模型执行的之前的诊断努力可以被延续到逻辑模型方法。
在模型提供了诊断结果(其可能包括异常传感器数据的多个可能原因)之后,可以优选最小解以及具有最大量的支持证据的那些解,如上所描述的(步骤S49)。优选可以包括拒绝不优选的潜在结果或者根据偏好对用于显示的结果进行排序。
利用上述的系统模型,程序可以自动生成依赖和逻辑模型。ASP求解器可以用作诊断引擎。图5A是示出根据本发明的示例实施例的用于系统诊断的总体架构的图。
来自系统的传感器数据501可被例如周期性地(诸如每天)或连续地馈送到监视系统503,以识别任何异常行为。可以在监视数据之前对数据进行验证502。可以执行数据验证以确保被监视的数据是有意义的。
如果发现异常数据,则监视系统503将返回警告并利用所有传感器读数和所识别的错误传感器激活诊断系统。使用此信息和系统模型,诊断引擎504将使用之前段落中说明的推理生成可能解释的集合,并因此呈现组件诊断505。
图5B是示出根据本发明的示例实施例的用于监视和诊断系统的架构的示意图。此架构可以与ISO 13374(机器的状况监视和诊断)一致。该架构可以包括ISO 13374层,用于数据获取506、数据操纵507、状态检测508、健康评估509、预兆评估510和意见生成511。
本发明的示例实施例可以附加地利用预兆评估。关于动态性(dynamicity)的推理可以是预兆和计划的基础。动态性也可以在有效诊断中起作用。例如,上文提供的规则(1)和(2)可被修改为以下动态规则:
inStatus(filling1,T+1)←﹁inStatus(filling1,T),value(switch,1,T),notab(tap,T+1) (14)
﹁inStatus(filling1,T+1)←inStatus(filling1,T),value(switch,1,T),notab(tap,T+1) (15)
指示器读数和状态变量之间的静态关系可被类似地扩展。例如,规则(3)和(4)可以被取代为:
value(x1,0,T)←﹁inStatus(filling1,T),not ab(tank1,T) (16)
value(x2,1,T)←﹁inStatus(filling1,T),not ab(tank2,T) (17)
这里区分强否定﹁和默认否定not,这是因为,与静态的情况中不同,惯性的常识定律需要被显式地陈述:
inStatus(S,T+1)←inStatus(S,T),not﹁inStatus(S,T+1) (18)
﹁inStatus(S,T+1)←﹁inStatus(S,T),not inStatus(S,T+1) (19)
其中,F覆盖所有状态变量的范围。所述定律指示系统状态不改变,除非存在改变的原因。
在动态情况中,诊断推理变得更复杂。考虑监视系统检测到x1和x2都有错误的场景。传感器读数是:
value(switch,1,0),value(x1,1,0),value(x1,1,1),value(x2,0,0),value(x2,0,1)
具有时间戳0的值指代之前步骤中的读数,而具有时间戳1的值指代当前状态中的读数。从传感器读数值value(x1,1,1)、value(x2,0,1)和用于inStatus(filling1,T)的对应规则,可以得出{ab(tank1,1),ab(tank2,1)}或inStatus(filling1,1)。从value(x1,1,0)、value(x2,0,0)和相同的规则,可以得出{ab(tank1,0),ab(tank2,0)}或inStatus(filling1,0)。因为功率监视器在之前的状态中未报告任何错误,所以可以假设{ab(tank1,0),ab(tank2,0)}不可能为真。因此,inStatus(filling1,0)符合。从inStatus(filling1,0)、inStatus(filling1,1)、传感器读数value(swith,1,0)和规则(15),可以得出{ab(tap,1)}。其余推理与上述方法类似。
诊断系统能够关于动态性进行推理,因此能够提供预兆和计划服务。为了实现这一点,本发明的示例实施例可以利用关于动作和改变进行推理的能力扩展诊断框架。例如,返回以上讨论的WTP,如果被问到在当前状态中给定命令value(switch,1)的情况下会发生什么,则系统将能够预测value(x1,1,2)和value(x2,0,2),因为水龙头仍然被困住。如果关于修理该水龙头的知识被编码并且系统被要求将其自己恢复到常规状态,则将生产修理计划。
本发明的示例实施例可以附加地使用更高层的动作语言来帮助终端用户编码关于动态性的知识。例如,取代编写规则(14),用户可以使用更自然的语言方法来编码。将从其自动生成规则(14)。
如果﹁inStatus(filling1),则value(switch,1)导致inStatus(filling1) (20)
本发明的示例实施例也可以利用本体论(ontology)知识增强系统,以提高诊断精度。例如,考虑润滑油系统示例。取代统一地以组件的异常性来描述错误,本发明的示例实施例可以使用异常传感器读数可以指示一般错误或功能错误的本体论来指定错误类型以及它们的关系。
一般错误可以对应于组件的完全失败,而功能错误可能仅影响它们的功能。在本体论的帮助下,用户能够指定终端中的低压与调节阀的功能有关
←not inStatus(lowPress),inStatus(flow1),not inStatus(flow2),notfunctionalFault(regulatorValve) (21)
当失败发生时,可以假设发生了功能错误而不是一般错误,其中两者都可以解释该观察。因此,当计算最小诊断时,本发明的示例实施例对功能错误给出更高的优先级。这可以以下ASP规则编写:
#minimize{functionFault(C):components(C)1} (22)
#minimize{generalFault(C):components(C)2} (23)
利用本体论和上述规则,在上文考虑的场景中,系统能够得出{functionalFault(regulatorValve)}。
本发明的示例实施例可以通过向本体论中增加查询接口来扩展诊断系统。这样的接口可以帮助用户更好地编码他们的知识并使用它支持系统的诊断。
如以上所讨论的,本发明的示例实施例计算最小诊断以便优先考虑最小解。本发明的示例实施例可以使用元编程技术将子集最小诊断的计算缩减为不同程序的回答集的计算。替代地,本发明的示例实施例可以扩展此方法,以覆盖稳定模型语义学之下的任意程序。
解释最小诊断的一个方式是引用界限。该方法可被扩展到诊断域。
用于自动监视和诊断系统的上述方法可被用于降低资产管理中所需的时间和精力,并且实现维护周期的有利优化。由于诊断活动的复杂性,可以使用推理(例如非单调推理)技术。本发明的示例实施例将ASP的非单调形式应用到工业系统的诊断。ASP求解器继而可以用于求解特定域中的最小诊断问题。
图6示出了可以实施本公开的方法和系统的计算机系统的示例。本公开的系统和方法可以运行在计算机系统(例如,大型机、个人计算机(PC)、手持计算机、服务器等)上的软件应用的形式实施。软件应用可以存储在记录介质上,该记录介质可以被计算机系统本地访问,并可以经由到网络(例如局域网或因特网)的硬有线或无线连接访问。
一般地称为系统1000的计算机系统可以包括例如中央处理单元(CPU)1001、随机存取存储器(RAM)1004、打印机接口1010、显示单元1011、局域网(LAN)数据传输控制器1005、LAN接口1006、网络控制器1003、内部总线1002、以及一个或多个输入设备1009(例如键盘、鼠标等)。如所示的,系统1000可以经由链接1007连接到数据存储设备,例如硬盘1008。
如本领域的技术人员将理解的,本发明的各方面可以实施为系统、方法或计算机程序产品。因此,本发明的各方面可以采用完全硬件实施例的形式、完全软件实施例的形式(包括固件、常驻软件、微代码等)、或者软件和硬件方面组合的实施例形式,这里,它们全部可被一般地称为例如“电路”、“模块”或“系统”。此外,本发明的各方面可以采用实现在一个或多个计算机可读介质中的计算机程序产品的形式,该计算机可读存储介质上实现计算机可读程序代码。
可以使用一个或多个计算机可读介质的任意组合。该计算机可读介质可以是计算机可读信号介质或计算机可读存储介质。计算机可读存储介质可以例如是但不限于电子、磁、光、电磁、红外或半导体系统、装置或设备、或者前述的任意合适的组合。计算机可读存储介质的更具体的示例(非穷举列表)包括以下:具有一条或多条电线的电连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或闪存)、光纤、便携式压缩盘只读存储器(CD-ROM)、光存储设备、磁存储设备、或任何前述的合适组合。在本文档的上下文中,计算机可读存储介质可以是任何有形介质,其可以包含或存储程序,该程序由指令执行系统、装置或设备使用,或者与它们关联使用。
计算机可读信号介质可以包括其中实现了计算机可读程序代码的传播数据信号,例如,在基带中或作为载波的一部分。这种传播信号可以采用多种形式中的任一中,包括但不限于:电磁、光、或者它们的任意合适组合。计算机可读信号介质可以是任意不是计算机可读存储介质的计算机可读介质,并且其可以传输、传播或传送由指令执行系统、装置或设备使用或与它们关联使用的程序。
实现在计算机可读介质上的程序代码可以使用任意合适的介质传送,介质包括但不限于无线、有线线路、光纤线缆、RF等,或者前述的任意合适组合。
用于执行本发明的各方面的操作的计算机程序代码可以一个或多个编程语言的任意组合编写,编程语言包括诸如Java、Smalltalk、C++等的面向对象的编程语言、以及诸如“C”编程语言或类似的编程语言的常规过程式编程语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为独立的软件包执行、部分在用户计算机上且部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在后一情形中,远程计算机可以通过任意种类的网络(包括局域网(LAN)或广域网(WAN))连接到用户的计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
这里参照根据本发明实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本发明的各方面。应当理解,流程图和/或框图的每个方框、以及流程图和/或框图中各方框的组合可以由计算机程序指令实现。这些计算机程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时,产生用于实现流程图和/或框图中的一个或多个方框中规定的功能/动作的手段。
也可以把这些计算机程序指令存储在计算机可读介质中,这些指令使得计算机、其它可编程数据处理装置或其它设备以特定方式工作,使得存储在计算机可读介质中的指令产生包含实现流程图和/或框图中的一个或多个方框中规定的功能/动作的制品。
也可以把计算机程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机或其它可编程装置上执行的指令提供用于实现流程图和/或框图中的一个或多个方框中规定的功能/动作的处理。
附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。还应该注意,在有些替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续显示的方框实际上可以基本并行地执行,或者它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的基于专用硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
这里描述的示例实施例是示例性的,并且可以引入许多变型而不偏离本公开的精神或所附权利要求的范围。例如,在本公开和所附权利要求的范围内,可以将不同示例实施例的元素和/或特征彼此组合或替代。
Claims (21)
1.一种用于评估系统状态的方法,包括:
接收关于评估下的系统的操作的用户提供的信息;
基于所接收的用户提供的信息构建所述评估下的系统的依赖模型;
判定所接收的用户提供的信息是否足以构建所述评估下的系统的逻辑模型;
当判定所述用户提供的信息足够时构建所述评估下的系统的逻辑模型,并将所述逻辑模型与所述依赖模型组合;
监视来自所述评估下的系统内安装的一个或多个传感器的传感器数据;
当所组合的模型可用时将所组合的模型应用于所述传感器数据,并且当所组合的模型不可用时将所述依赖模型应用于所述传感器数据;
从所组合的模型/依赖模型对所述传感器数据的应用确定一个或多个异常系统组件的集合;以及
基于所确定的一个或多个异常系统组件的集合提供系统状态的评估,
其中使用一个或多个计算机系统执行上述步骤中的每个。
2.如权利要求1所述的方法,其中关于评估下的系统的操作的所述用户提供的信息包括关于所述系统的一个或多个组件的错误依赖、或者关于所述系统的所述一个或多个组件失败的方式的专业信息。
3.如权利要求1所述的方法,其中由用户或者基于用户输入自动地以回答集编程(ASP)形式对关于评估下的系统的操作的所述用户提供的信息进行编码。
4.如权利要求1所述的方法,其中以回答集编程(ASP)形式表示所构建的依赖模型或所组合的模型。
5.如权利要求1所述的方法,其中所构建的依赖模型仅描述失败如何传播通过所述评估下的系统。
6.如权利要求1所述的方法,其中所构建的逻辑模型描述所述评估下的系统的一个或多个组件之间的复杂功能相互依赖性。
7.如权利要求1所述的方法,其中判定所接收的用户提供的信息是否足以构建所述评估下的系统的逻辑模型包括构建所述逻辑模型并尝试将所构建的逻辑模型应用于所监视的传感器数据以及判定是否获得了有意义的结果。
8.如权利要求1所述的方法,其中使用回答集编程(ASP)求解器执行所述逻辑模型和所述依赖模型的组合。
9.如权利要求1所述的方法,其中通过回答集编程(ASP)求解器执行将所组合的模型或所述依赖模型应用到所述传感器数据。
10.如权利要求1所述的方法,其中基于所确定的一个或多个异常系统组件的集合提供系统状态的评估包括优先考虑最小解。
11.如权利要求1所述的方法,其中基于所确定的一个或多个异常系统组件的集合提供系统状态的评估包括优先考虑由最大数量的传感器观察支持的解。
12.如权利要求1所述的方法,其中将所组合的模型或所述依赖模型应用到所述传感器数据包括使用非单调推理。
13.一种用于评估系统状态的方法,包括:
接收评估下的系统的依赖模型和所述评估下的系统的逻辑模型;
监视来自所述评估下的系统内安装的一个或多个传感器的传感器数据;
使用回答集编程(ASP)求解器将所述逻辑模型与所述依赖模型组合并将所组合的模型应用到所述传感器数据;
从所组合的模型对所述传感器数据的应用确定一个或多个异常系统组件的集合;以及
基于所确定的一个或多个异常系统组件的集合提供系统状态的评估,
其中使用一个或多个计算机系统执行上述步骤中的每个。
14.如权利要求13所述的方法,其中基于所确定的一个或多个异常系统组件的集合提供系统状态的评估包括优先考虑最小解。
15.如权利要求13所述的方法,其中基于所确定的一个或多个异常系统组件的集合提供系统状态的评估包括优先考虑由最大数量的传感器观察支持的解。
16.一种计算机系统,包括:
处理器;以及
非暂时性有形程序存储介质,其可由所述计算机系统读取,并包含可由所述处理器执行以执行用于评估系统状态的方法步骤的指令的程序,所述方法包括:
接收关于评估下的系统的操作的用户提供的信息;
基于所接收的用户提供的信息构建所述评估下的系统的依赖模型;
判定所接收的用户提供的信息是否足以构建所述评估下的系统的逻辑模型;
当判定所述用户提供的信息足够时构建所述评估下的系统的逻辑模型,并将所述逻辑模型与所述依赖模型组合;
监视来自所述评估下的系统内安装的一个或多个传感器的传感器数据;
当所组合的模型可用时将所组合的模型应用于所述传感器数据,并且当所组合的模型不可用时将所述依赖模型应用于所述传感器数据;
从所组合的模型/依赖模型对所述传感器数据的应用确定一个或多个异常系统组件的集合;以及
基于所确定的一个或多个异常系统组件的集合提供系统状态的评估。
17.如权利要求16所述的计算机系统,其中所构建的依赖模型仅描述失败如何传播通过所述评估下的系统。
18.如权利要求16所述的计算机系统,其中所构建的逻辑模型描述所述评估下的系统的一个或多个组件之间的复杂功能相互依赖性。
19.如权利要求16所述的计算机系统,其中使用回答集编程(ASP)求解器执行所述逻辑模型和所述依赖模型的组合。
20.如权利要求16所述的计算机系统,其中通过回答集编程(ASP)求解器执行将所组合的模型或所述依赖模型应用到所述传感器数据。
21.如权利要求16所述的计算机系统,其中基于所确定的一个或多个异常系统组件的集合提供系统状态的评估包括优先考虑最小解、或优先考虑由最大数量的传感器观察支持的解。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201261701822P | 2012-09-17 | 2012-09-17 | |
US61/701,822 | 2012-09-17 | ||
PCT/US2013/060070 WO2014043667A1 (en) | 2012-09-17 | 2013-09-17 | Logic based approach for system behavior diagnosis |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104756028A true CN104756028A (zh) | 2015-07-01 |
Family
ID=49304325
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201380055495.1A Pending CN104756028A (zh) | 2012-09-17 | 2013-09-17 | 用于系统行为诊断的基于逻辑的方法 |
Country Status (5)
Country | Link |
---|---|
EP (1) | EP2895927A1 (zh) |
JP (1) | JP2015534179A (zh) |
KR (1) | KR20150058343A (zh) |
CN (1) | CN104756028A (zh) |
WO (1) | WO2014043667A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109313443A (zh) * | 2016-06-03 | 2019-02-05 | 太阳焦炭科技和发展有限责任公司 | 用于在工业设施中自动生成补救措施的方法和系统 |
CN111752731A (zh) * | 2019-03-29 | 2020-10-09 | 卡巴斯基实验室股份制公司 | 兼容组件的异步选择的系统和方法 |
Families Citing this family (31)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9243186B2 (en) | 2012-08-17 | 2016-01-26 | Suncoke Technology And Development Llc. | Coke plant including exhaust gas sharing |
US9359554B2 (en) | 2012-08-17 | 2016-06-07 | Suncoke Technology And Development Llc | Automatic draft control system for coke plants |
US10047295B2 (en) | 2012-12-28 | 2018-08-14 | Suncoke Technology And Development Llc | Non-perpendicular connections between coke oven uptakes and a hot common tunnel, and associated systems and methods |
US10760002B2 (en) | 2012-12-28 | 2020-09-01 | Suncoke Technology And Development Llc | Systems and methods for maintaining a hot car in a coke plant |
US9476547B2 (en) | 2012-12-28 | 2016-10-25 | Suncoke Technology And Development Llc | Exhaust flow modifier, duct intersection incorporating the same, and methods therefor |
CA2896478C (en) | 2012-12-28 | 2016-06-07 | Suncoke Technology And Development Llc. | Vent stack lids and associated systems and methods |
US10016714B2 (en) | 2012-12-28 | 2018-07-10 | Suncoke Technology And Development Llc | Systems and methods for removing mercury from emissions |
US10883051B2 (en) | 2012-12-28 | 2021-01-05 | Suncoke Technology And Development Llc | Methods and systems for improved coke quenching |
US9273250B2 (en) | 2013-03-15 | 2016-03-01 | Suncoke Technology And Development Llc. | Methods and systems for improved quench tower design |
BR112016015475B1 (pt) | 2013-12-31 | 2021-02-17 | Suncoke Technology And Development Llc | método de descarbonização de um forno de coque de depósitos de coque e sistema de coqueificação |
DE102014208034A1 (de) * | 2014-04-29 | 2015-10-29 | Siemens Aktiengesellschaft | Verfahren zum Bereitstellen von zuverlässigen Sensordaten |
CA2959618C (en) | 2014-08-28 | 2019-10-29 | Suncoke Technology And Development Llc | Method and system for optimizing coke plant operation and output |
AU2015317909B2 (en) | 2014-09-15 | 2020-11-05 | Suncoke Technology And Development Llc | Coke ovens having monolith component construction |
CN107406773B (zh) | 2014-12-31 | 2021-07-23 | 太阳焦炭科技和发展有限责任公司 | 多模态炼焦材料床 |
US11060032B2 (en) | 2015-01-02 | 2021-07-13 | Suncoke Technology And Development Llc | Integrated coke plant automation and optimization using advanced control and optimization techniques |
WO2016109854A1 (en) | 2015-01-02 | 2016-07-07 | Suncoke Technology And Development Llc | Integrated coke plant automation and optimization using advanced control and optimization techniques |
US10526542B2 (en) | 2015-12-28 | 2020-01-07 | Suncoke Technology And Development Llc | Method and system for dynamically charging a coke oven |
BR112019024618B1 (pt) | 2017-05-23 | 2022-05-03 | Suncoke Technology And Development Llc | Sistema e método para reparar um forno de coque |
CN108984550B (zh) * | 2017-05-31 | 2022-08-26 | 西门子公司 | 确定数据的信号规则以对数据标注的方法、装置和系统 |
BR112021012766B1 (pt) | 2018-12-28 | 2023-10-31 | Suncoke Technology And Development Llc | Descarbonização de fornos de coque e sistemas e métodos associados |
BR112021012455B1 (pt) | 2018-12-28 | 2023-10-24 | Suncoke Technology And Development Llc | Forno de coque |
CA3125279A1 (en) | 2018-12-28 | 2020-07-02 | Suncoke Technology And Development Llc | Improved oven uptakes |
CA3125337C (en) | 2018-12-28 | 2022-06-21 | Suncoke Technology And Development Llc | Particulate detection for industrial facilities, and associated systems and methods |
WO2020140081A1 (en) | 2018-12-28 | 2020-07-02 | Suncoke Technology And Development Llc | Systems and methods for treating a surface of a coke plant |
US11098252B2 (en) | 2018-12-28 | 2021-08-24 | Suncoke Technology And Development Llc | Spring-loaded heat recovery oven system and method |
CA3125585C (en) | 2018-12-31 | 2023-10-03 | Suncoke Technology And Development Llc | Improved systems and methods for utilizing flue gas |
CA3125589A1 (en) | 2018-12-31 | 2020-07-09 | Suncoke Technology And Development Llc | Methods and systems for providing corrosion resistant surfaces in contaminant treatment systems |
WO2020161835A1 (ja) * | 2019-02-06 | 2020-08-13 | オーウエル株式会社 | 管理システム及びそのための機械学習装置並びに管理方法 |
EP4146767A1 (en) | 2020-05-03 | 2023-03-15 | Suncoke Technology and Development LLC | High-quality coke products |
WO2023081821A1 (en) | 2021-11-04 | 2023-05-11 | Suncoke Technology And Development Llc | Foundry coke products, and associated systems, devices, and methods |
US11946108B2 (en) | 2021-11-04 | 2024-04-02 | Suncoke Technology And Development Llc | Foundry coke products and associated processing methods via cupolas |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060064291A1 (en) * | 2004-04-21 | 2006-03-23 | Pattipatti Krishna R | Intelligent model-based diagnostics for system monitoring, diagnosis and maintenance |
CN101170447A (zh) * | 2007-11-22 | 2008-04-30 | 北京邮电大学 | 基于主动探针的服务故障诊断系统及其方法 |
CN101819411A (zh) * | 2010-03-17 | 2010-09-01 | 燕山大学 | 一种基于gpu的改进加权关联规则的设备故障预警与诊断方法 |
WO2011148891A1 (ja) * | 2010-05-24 | 2011-12-01 | 日本電気株式会社 | システムモデルからの静的なフォルトツリー解析のシステムと方法 |
CN102609609A (zh) * | 2010-12-09 | 2012-07-25 | 通用汽车环球科技运作有限责任公司 | 比较和合并缺陷模型的关系图匹配系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2949161B1 (fr) * | 2009-08-14 | 2011-09-09 | Thales Sa | Dispositif pour le diagnostic de systeme |
-
2013
- 2013-09-17 CN CN201380055495.1A patent/CN104756028A/zh active Pending
- 2013-09-17 JP JP2015532135A patent/JP2015534179A/ja active Pending
- 2013-09-17 WO PCT/US2013/060070 patent/WO2014043667A1/en unknown
- 2013-09-17 KR KR1020157009632A patent/KR20150058343A/ko not_active Application Discontinuation
- 2013-09-17 EP EP13773462.0A patent/EP2895927A1/en not_active Withdrawn
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060064291A1 (en) * | 2004-04-21 | 2006-03-23 | Pattipatti Krishna R | Intelligent model-based diagnostics for system monitoring, diagnosis and maintenance |
CN101170447A (zh) * | 2007-11-22 | 2008-04-30 | 北京邮电大学 | 基于主动探针的服务故障诊断系统及其方法 |
CN101819411A (zh) * | 2010-03-17 | 2010-09-01 | 燕山大学 | 一种基于gpu的改进加权关联规则的设备故障预警与诊断方法 |
WO2011148891A1 (ja) * | 2010-05-24 | 2011-12-01 | 日本電気株式会社 | システムモデルからの静的なフォルトツリー解析のシステムと方法 |
CN102609609A (zh) * | 2010-12-09 | 2012-07-25 | 通用汽车环球科技运作有限责任公司 | 比较和合并缺陷模型的关系图匹配系统 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109313443A (zh) * | 2016-06-03 | 2019-02-05 | 太阳焦炭科技和发展有限责任公司 | 用于在工业设施中自动生成补救措施的方法和系统 |
CN111752731A (zh) * | 2019-03-29 | 2020-10-09 | 卡巴斯基实验室股份制公司 | 兼容组件的异步选择的系统和方法 |
CN111752731B (zh) * | 2019-03-29 | 2024-02-13 | 卡巴斯基实验室股份制公司 | 兼容组件的异步选择的系统和方法 |
Also Published As
Publication number | Publication date |
---|---|
KR20150058343A (ko) | 2015-05-28 |
EP2895927A1 (en) | 2015-07-22 |
JP2015534179A (ja) | 2015-11-26 |
WO2014043667A1 (en) | 2014-03-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104756028A (zh) | 用于系统行为诊断的基于逻辑的方法 | |
Guillén et al. | A framework for effective management of condition based maintenance programs in the context of industrial development of E-Maintenance strategies | |
AU2009299602B2 (en) | Assisting with updating a model for diagnosing failures in a system | |
Moradi et al. | Modernizing risk assessment: A systematic integration of PRA and PHM techniques | |
Fink | Data-driven intelligent predictive maintenance of industrial assets | |
CN108196143A (zh) | 电力变压器故障深度诊断方法及终端设备 | |
CN110337640B (zh) | 用于问题警报聚合和识别次优行为的方法、系统和介质 | |
CN104011750A (zh) | 对技术系统进行处理 | |
CN114323671A (zh) | 借助人工智能方法基于对电驱动系统的组件的预测诊断来确定剩余使用寿命的方法和设备 | |
CN107004234A (zh) | 用于组件故障模式监测的系统和方法 | |
Hess et al. | The maintenance aware design environment: Development of an aerospace phm software tool | |
CN117689373A (zh) | 一种柔性直流牵引供电系统能量路由器维护决策支持方法 | |
Woods et al. | An ontology for maintenance activities and its application to data quality | |
CN114223002A (zh) | 用于基于在相关事件中识别传感器组合中的显著变化来改进资产操作的方法和系统 | |
Gupta et al. | Collaborative creation with customers for predictive maintenance solutions on hitachi iot platform | |
Niu et al. | Fault detection and isolation based on bond graph modeling and empirical residual evaluation | |
Ribot et al. | HPPN-based prognosis for hybrid systems | |
JP7378367B2 (ja) | 故障診断装置および故障診断方法 | |
Ju et al. | Mulr4FL: effective fault localization of evolution software based on multivariate logistic regression model | |
e Souza et al. | Development of a CNN-based fault detection system for a real water injection centrifugal pump | |
Franciosi et al. | Ontologies for prognostics and health management of production systems: overview and research challenges | |
Han et al. | A fault diagnosis method for the HIPPS of FPSO unit based on dynamic Bayesian network | |
Theis et al. | Improving Predictive Process Monitoring Through Reachability Graph-Based Masking of Neural Networks | |
Steude et al. | Diagnosis driven Anomaly Detection for CPS | |
Giap et al. | Interactive diagnosis for a grid network of rain gauges using fuzzy reasoning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
EXSB | Decision made by sipo to initiate substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20150701 |
|
WD01 | Invention patent application deemed withdrawn after publication |