CN105683852B - 用于模型自适应的设备和方法 - Google Patents
用于模型自适应的设备和方法 Download PDFInfo
- Publication number
- CN105683852B CN105683852B CN201380080800.2A CN201380080800A CN105683852B CN 105683852 B CN105683852 B CN 105683852B CN 201380080800 A CN201380080800 A CN 201380080800A CN 105683852 B CN105683852 B CN 105683852B
- Authority
- CN
- China
- Prior art keywords
- vector
- model
- sensor
- similitude
- function
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims description 60
- 230000006978 adaptation Effects 0.000 title description 3
- 239000013598 vector Substances 0.000 claims abstract description 100
- 230000004044 response Effects 0.000 claims abstract description 19
- 238000011524 similarity measure Methods 0.000 claims abstract 2
- 230000008569 process Effects 0.000 claims description 39
- 230000008859 change Effects 0.000 claims description 38
- 238000012545 processing Methods 0.000 claims description 10
- 230000001629 suppression Effects 0.000 claims description 10
- 238000005259 measurement Methods 0.000 description 13
- 230000003044 adaptive effect Effects 0.000 description 11
- 238000012544 monitoring process Methods 0.000 description 11
- 230000009471 action Effects 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 5
- 238000012423 maintenance Methods 0.000 description 4
- 230000001960 triggered effect Effects 0.000 description 4
- 230000004308 accommodation Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000005764 inhibitory process Effects 0.000 description 2
- 238000012886 linear function Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000012884 algebraic function Methods 0.000 description 1
- 238000000418 atomic force spectrum Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000009933 burial Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000010687 lubricating oil Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 230000002688 persistence Effects 0.000 description 1
- 238000006116 polymerization reaction Methods 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
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
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/041—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a variable is automatically adjusted to optimise the performance
-
- 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
- G05B23/0262—Confirmation of fault detection, e.g. extra checks to confirm that a failure has indeed occurred
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
接收实际传感器值的向量。确定模型的成熟度,并且对传感器定义成熟度。确定将模型成熟度转化成模型范围抑制量度的函数。确定模型范围抑制(MRI)量度。基于MRI量度来确定MRI极限。所接收向量与MRI极限进行比较,并且基于该比较有选择地改变模型。在其他方面,接收具有驱动和响应传感器的实际值的向量。还确定提供可接受观测与不可接受观测之间的一组边界的函数。确定向量之间的相似度的量度。比较相似度的量度和函数,并且基于该比较有选择地改变模型。
Description
技术领域
本文所公开的主题涉及过程模型,其更新过程模型,并且利用过程模型对控制系统中的问题进行检测和反应。
背景技术
多种方式用于工业过程控制、机器控制、系统监控和基于条件的监测,其解决这些系统中使用的传统的基于传感器阈值的控制和报警的多种缺陷。更具体来说,被监测过程或机器的经验模型用于故障检测和控制中。这类模型有效地平衡监控传感器数据的聚合视图,以实现更为简易的初期故障检测和更精细的过程控制。通过同时并且考虑彼此地对有关过程或机器的许多传感器进行建模,监控系统能够提供与各传感器(及其测量参数)应该如何表现有关的更多信息。
如果预计行为与实际行为不同,则能够采取动作。例如,用户可能激起所建模过程的各种控制动作,或者可需要更换实现过程的组件。
上述模型仅在它们为准确时才是有效的。例如,随时间推移,所表示的信息可漂移或者变成不准确。各种先前技术用来确定是否改变这些模型,但是这些方式的全部遭受各种缺陷。因此,对这些先前方式的一些用户不满已经产生。
发明内容
本文所述的方式能够提供用于通过提供准确的模型来建模的自动适应方式。因此,组件故障以及要采取的动作的确定能够更准确地确定,由此增加对这些方式的用户满意度。
在这些实施例的许多中,接收实际传感器值的向量。确定模型的成熟度,以及成熟度对多个传感器的每个来定义并且对各传感器沿向上方向和向下方向进一步定义。此外,确定将模型成熟度转化成模型范围抑制量度(model range inhibition measure)的函数。还基于模型的成熟度和所确定函数来确定模型范围抑制(MRI)量度。另外,基于MRI量度来确定MRI极限。所接收向量与MRI极限进行比较,并且基于该比较有选择地改变模型。
在其他方面,接收第一向量,并且第一向量具有驱动传感器的实际值。接收第二向量,并且第二向量具有响应传感器的实际值。接收第三向量,并且第三向量具有驱动传感器的估计值。接收第四向量,并且第四向量具有响应传感器的估计值。确定提供可接受观测与不可接受观测之间的一组边界的函数。确定第一向量与第三向量之间的相似性的第一量度。确定第二向量与第四向量之间的相似性的第二量度。比较相似性的第一量度、相似性的第二量度和函数,并且基于该比较有选择地改变模型。
在又一些方面,确定关于模型所表示的组件是否接近故障或者处于需要执行某种控制动作的情况。当组件接近故障(或者处于需要执行某种控制动作的情况)时生成对用户的告警。对用户的告警在图形显示媒体上向用户呈现。
在这些实施例的其他实施例中,配置成确定是否修改过程模型的设备包括接口和处理器。接口具有输入和输出,并且输入配置成接收实际传感器值的向量和模型的成熟度。成熟度对多个传感器的每个来定义并且对各传感器沿向上方向和向下方向进一步定义。
处理器耦合到接口,并且配置成基于模型的成熟度和所确定函数来确定模型范围抑制(MRI)量度。处理器配置成基于MRI量度来确定MRI极限,并且将所接收向量与MRI极限进行比较。处理器配置成经由通过输出所发送的一个或多个控制信号基于比较有选择地改变模型。
在一些方面,接口配置成还在输入接收第一向量。第一向量具有驱动传感器的实际值。接口还接收第二向量,以及向量具有响应传感器的实际值。接口还接收第三向量,第三向量具有驱动传感器的估计值。接口还接收第四向量,以及第四向量具有响应传感器的估计值。接口还接收提供可接受观测与不可接受观测之间的一组边界的函数。
在其他方面,处理器配置成确定第一向量与第三向量之间的相似性的第一量度以及第二向量与第四向量之间的相似性的第二量度。处理器还配置成比较相似性的第一量度、相似性的第二量度和函数,并且基于该比较有选择地改变模型。
附图说明
为了更全面了解本公开,应参照以下详细描述和附图,附图包括:
图1包括示出按照本发明的各个实施例的有选择地修改模型的系统的框图;
图2包括示出按照本发明的各个实施例的超出范围自适应(ORA)触发规则的流程图;
图3包括按照本发明的各个实施例的驱动相似性自适应(DSA)触发规则的流程图;
图4包括按照本发明的各个实施例的极限值抑制(LVI)规则的流程图;
图5包括按照本发明的各个实施例的模型范围抑制(MRI)规则的流程图;
图6包括按照本发明的各个实施例的故障相似性抑制(FSI)规则的流程图;
图7包括示出按照本发明的各个实施例的模型范围抑制(MRI)规则的操作的图表;
图8包括按照本发明的各个实施例的FSI方式的图表;
图9包括按照本发明的各个实施例的FSI方式的图表;以及
图10包括按照本发明的各个实施例的修改模型的设备的框图。
技术人员将会理解,为了简洁和清楚起见而示出附图中的元件。还将会理解,某些动作和/或步骤可按照特定发生顺序来描述或示出,而本领域的技术人员将会理解,相对序列的这种专一性实际上不作要求。还将会理解,本文所使用的术语和表达具有如符合针对调查和研究的对应相应领域的这类术语和表达的普通含意,除了本文另加特定含意。
具体实施方式
提供自动适应方式,其消除训练典型资产(例如控制系统、传感器等)的经验模型所需的过滤的大部分和调谐的几乎全部。在一些方面,这些方式提供最小资产实现成本解决方案,其中对于初始实现和对于持续维护对顾客或用户具有极少或者没有影响和压力。提供自动适应方式,其通过最佳地适配为新的未经训练状态(例如建立于极少数据的模型、即初期模型以及当资产行为甚至对成熟模型也显著变化时的情况)来实现更大资产状态域覆盖。
有利地,资产维护、环境超出范围确定、负荷超出范围和显著操作变化也通过当前方式来降低。在一些方面,提供一种以极少训练数据来引导(bootstrap)资产监测的经验建模部分的平台。
在这些示例的一部分中,自动适应包括多种不同规则(例如两个触发规则和三个抑制规则)。将会理解,规则的数量和/或作为触发和抑制的规则的数量可改变。在一种方式中,使用两个触发规则,并且这些是超出范围自适应(ORA)触发规则和驱动标签相似性自适应(DSA)触发规则。此外,使用三个抑制规则,并且这些是极限值抑制(LVI)抑制规则、模型范围抑制(MRI)规则和故障标签相似性抑制(FSI)规则。五个规则使用两个控制参数、五个阈值参数和一组边界参数(例如每标签两个)来参数化。每个规则包括特性和优点。例如,MRI规则允许试探和快速模型生长。DSA和FSI归于试探以及方式的机会性质。这些方式确保被适配的所有新状态通过被认为是过程驱动并且负责导航资产经过其有效状态空间的标签来驱动,同时抑制作为不是与这些驱动同步的偏差的状态。将会理解,能够使用触发规则和抑制规则的各种组合,并且上述组合只是一个示例。
将会理解,任何数值、数据驱动建模方式经受大模型/资产实现和模型/资产维护开销。此外,这些维护事件的大部分通过错误肯定(faulse positive)指示符来预测,分析人员必须首先通过其进行解析,并且以专门知识确定它是实际故障发生还是对模型维护(自适应)的需要。在资产实现期间,在识别建模参数(标签或传感器)的最小集合之后,要求用户、客户或顾客经历拉取大量数据、例如在某种情况下的一年或以上的数据的劳动密集过程。拉取这个大量数据,以确保使可用于初始模型的状态的数量为最大以及降低/消除向顾客请求更多数据的可能性。
但是,这个数据的大部分通常因各种原因而消除,并且数据的其余部分常常证明与资产的当前状态显著不同。当前方式减少所请求的量或者完全消除实现过程中的这种客户或用户涉及,从而减少实现时间量(在一些示例中为大约45%)。此外,当前方式通过将其试探地识别为新状态来减少向分析人员报告的错误肯定量,并且通过快速和适时地自动适配新状态并且更新模型来降低分析人员的维护负荷。
将会理解,本文所述的规则集合不是排他的,并且可使用其他规则或者各种类型的规则的其他组合。除了驱动超出范围、驱动残余和驱动相似性之外,还存在许多其他量度,其能够用来确定模型是否没有跟踪所观测状态。量度、例如标签(传感器)的两个或更多的组合函数能够用来确定资产是否改变其操作空间。这类函数的示例包括风力曲线或泵曲线。另一个量度可能是能够用来指示资产的状态空间中的设备件相关漂移的控制参数的长期趋势。相同技术也能够适用于抑制规则,以便将状态变化归于实际故障发生。
在一些方面,驱动相似性与故障相似性之间的FSI抑制关系通过线性函数来描述,但是可使用其他函数(例如指数函数)。对规则的输入也可能涉及作为相似性量度(导数)而不是相似性值本身的变化。导数提供状态空间变化的速率,并且可用来确定所观测变化率是否象征故障或者新有效状态。
在又一些方面,由DSA和FSI所使用的相似性算子能够通过观测与估计或模型/聚类参数(例如质心)之间的模型质量的许多其他量度来替代,例如欧几里德距离量度(通常用于聚类方法中)或者霍特林T平方量度(Hotelling’s T-squared measure)。这种置换还将允许易于将这些规则应用于其他数值或参数建模技术,例如聚类、主成分分析(PCA)和神经网络。
现在参照图1,描述有选择地更新模型的系统的一个示例。系统100包括模型102(模型102对过程103进行建模)、建模引擎104、触发引擎106、抑制引擎108和更新模型模块110。触发引擎106和抑制引擎108耦合到后续系统112。将会理解,这些元件可实现为电子硬件和计算机软件的任何组合。例如,它们可实现为由处理装置、例如微处理器所运行的编程计算机指令。
后续系统112可包括处理装置150。一旦模型102被更新,则它能够由处理装置150(例如计算机、服务器或者这些的组合或者其他电子处理装置)用来生成告警152,其在图形显示媒体154(例如计算机显示器、蜂窝电话显示器或者能够以图形方式显示信息的任何其他媒体)上向用户呈现。这些告警或者用户所提供的其他信息能够由用户用来改变过程103的操作(例如通过对过程103执行某个控制动作)。
在一个方面,模型102是与多维关联过程参数(唯一多传感器过程状态的指令表)相关的构造。在一个示例中,模型102可通过计算机软件来实现,并且可包括一个或多个数据结构、程序、软件例程或其他计算机元件。能够使用多种经验模型,包括神经网络、模糊逻辑模型等。所有这些经验模型采用来自处于监控下的过程或机器的数据来对过程或机器进行建模并且由此进行监测。例如,可使用Gross的美国专利No. 5764509的经验建模技术,并且通过引用将这个文献完整地结合到本文中。这种经验建模技术使用相似性算子,其也采取本文所述的全局相似性和其他自适应判定技术的形式在本发明中发明性地采用。可使用美国专利No. 7233886和美国专利No. 6859739的全局相似性技术,并且通过引用将这些文献完整地结合到本文中。一般来说,相似性操作在两个数字的比较时提供在一个极端(通常“1”代表“相同”)与另一个极端(通常“零”代表“完全不相似”)之间缩放的标量相似性得分。更具体来说,这能够适合于比较具有相等数量的元素的两个向量,其中产生相似性得分以用于比较两个向量的各相似元素,并且然后将相似性得分求平均或者以其他方式在统计上组合为一个向量-向量相似性得分。
过程103是任何类型的过程,例如任何制造过程、电厂中的任何过程、任何工业过程、办公大楼中的任何过程。过程的其他示例是可能的。过程103可具有得到信息的关联传感器156。
建模引擎104访问模型102。它可从模型102得到信息或者向模型发送信息,其用来修改模型102。
触发引擎106确定触发(新状态)是否存在。在一个方面,两个触发规则包括超出范围自适应(ORA)触发规则140和驱动标签相似性自适应(DSA)触发规则142。触发规则140和142是一组规则,其确定非建模状态的发现。
ORA触发规则140指示新状态,其中至少一个过程驱动超出其建模范围。ORA触发规则140识别观测(例如资产状态向量),其具有其建模状态范围之外的模型的至少一个过程驱动参数。过程驱动通常是过程参数集合,其与过程无关地来考虑并且作为对过程的输入,例如环境温度。通常,不存在对这些参数所执行的故障检测。
DSA触发规则142指示新状态,其可以是或者可以不是超出范围的,但是与模型明显不相似。DSA触发规则142设计成当驱动参数的全局相似性低于预设阈值(例如缺省值为0.9)时标记自适应的观测。全局相似性是模型生成估计遵守其在给定观测的对应实际值的良好程度的单定量量度。1的全局相似性指示相同比较,并且随着增加的不相似性而下降到零。
这些方式也可使用IRA触发规则143。IRA触发规则143设计成当建模过程驱动参数的至少一个的残数(例如实际值-估计值(通过当前观测的模型所生成))超过IRA阈值时触发。在一个方面,IRA阈值定义为从标称残数所得出的95%置信间隔的两倍。在一个示例中,IRA触发规则143指示新状态,其中过程驱动的至少一个无法成功建模。
抑制引擎108利用其算法来确定是否抑制所接收触发。三个抑制规则是极限值抑制(LVI)规则144、模型范围抑制(MRI)规则146和故障标签相似性抑制(FSI)规则148。自适应抑制是确定触发状态是故障情况还是新的有效过程状态的规则集合。
LVI抑制规则144设计成当过程参数、驱动或量度(与建模过程相关并且是建模过程的输出、例如润滑油温度的过程参数)的至少一个超出其最大(或最小)基于工程的预定义可接受范围(LVI阈值)时抑制观测。例如,在一个示例中,在芝加哥的环境温度的LVI阈值为-40°F和100°F。
MRI抑制规则146指示过程量度的至少一个多于超出其建模范围的预定百分比。对于MRI规则,可接受百分比能够是模型成熟度的函数。MRI抑制规则146设计成当过程参数的至少一个多于超出那个参数的建模范围(MRI阈值)的动态确定百分比(百分比MRI)时抑制观测。
FSI抑制规则148是指示新触发状态与模型的不相似性通过过程量度(或故障标签)来支配的抑制规则。FSI抑制规则148设计成当FSI函数低于FSI阈值时抑制对自适应所触发的观测。FSI函数是相关如本文其他部分所述的量度参数(故障参数)全局相似性和驱动参数全局相似性的代数函数。
也可使用其他抑制规则。例如,可使用残数加窗抑制(RWI:Residual WindowedInhibition)规则,其指示过程量度的至少一个的残数对预定数量的样本超越设置阈值若干倍。RWI规则是自动适应规则,并且对成熟模型有效地工作。规则按照与IRA规则相似的方式来设计;但是,不是进行触发,它而是设计成当建模过程量度参数的至少一个的残数对预定大小(例如缺省为10)的最近相邻窗口超过其RWI阈值预定义倍数(例如缺省为2)时进行抑制。
PD(或百分比距离)是定量模型成熟度量度,其指示特定建模参数的模型范围跨越那个参数的整个预计状态空间(LVI极限)的良好程度。模型成熟度定义为(1-PD)。百分比距离如本文其他部分所述来计算。
更新模型模块110确定是否以及如何更新模型102。它从建模引擎104接收实际数据和估计,并且确定如何更新模型102。
在图1的系统的操作的一个示例中,实际数据119(采取向量形式)由建模引擎104接收。建模引擎104从模型102中的信息来确定数据的估计。在这方面,模型102可具有估计,或者建模引擎104可需要基于从模型102所接收的信息来确定或计算估计。估计是基于模型的当前过程状态的预测值。残数是实际与估计过程状态之间的差。
建模引擎104向触发引擎106发送实际数据和估计数据。触发引擎106使用其算法来确定新状态或可能的新状态是否存在。在没有检测到新状态的情况下,无触发信号从触发引擎106输出并且连同实际数据和估计数据一起发送给后续系统。然后,后续系统可确定例如异常检测、显示数据或者将它存储在数据库中。
另一方面,如果触发引擎106确定触发(新状态)存在,则将这个确定的指示、实际数据和估计数据发送给抑制引擎108。抑制引擎108利用其算法来确定是否抑制所接收触发确定。换言之,即使进行触发,抑制引擎108也可确定不修改模型。在抑制引擎108确定抑制触发的情况下,抑制信号则从抑制模块输出,并且连同实际数据和估计数据一起发送给后续系统。然后,后续系统可确定例如异常检测、显示数据或者将它存储在数据库中。另一方面,如果抑制引擎108确定不抑制触发,则将无抑制的指示、实际数据和估计数据发送给更新模型模块110。
更新模型模块110将消息121发送给建模引擎104,以按照随消息所发送的数据来更新模型102。建模引擎104则访问模型102,并且更新模型102。实际和估计数据(以及是否抑制触发)也能够发送给后续系统112,以供向用户呈现或者进一步处理。
如所述,模型102能够由处理装置150用来生成告警152,其在图形显示媒体154(例如计算机显示器、蜂窝电话显示器或者能够以图形方式显示信息的任何其他媒体)向用户呈现。用户能够基于这些告警来采取动作。例如,如果告警指示机械组件出故障,则用户能够信用该机械组件。
现在参照图2,描述ORA触发规则方式的一个示例。在步骤202,得到测量传感器的数值模型(M)。在步骤204,定义各种值。定义阵列A,并且阵列A是具有T个向量的来自模型M的N个用户选择传感器的建模数据阵列[T×N]。值n设置为1,其中n是总共N个传感器的阵列A中的第n个传感器索引。Amin(n)和Amax(n)是跨全部T个向量的阵列A中的第n个传感器的最小值和最大值。X(i)是所关注的第i个向量,包含从数据源(D)所得到的各传感器n的元素X(i, n)。数据源(D)从产生或得到数据的任何系统元件、例如传感器来提供数据。在步骤206,数据源(D)馈送对处于监测下的外部系统进行参数化的传感器数据。
在步骤208,确定是否X(i,n)>Amax(n)。如果答案为肯定,则执行在步骤218继续进行。如果答案为否定,则执行在步骤210继续进行。
在步骤210,确定是否X(i,n)<Amin(n)。如果答案为肯定,则执行在步骤218继续进行。如果答案为否定,则执行继续进行步骤212。
在步骤212,确定是否N=n。如果答案为肯定,则执行结束。如果答案为否定,则执行继续进行步骤214。在步骤214,n设置为n+1。执行如上所述在208继续进行。
在步骤218,对第n个传感器上的模型M来标记ORA触发。在步骤220,确定是否处理全部传感器。如果答案为肯定,则执行继续进行步骤212。如果答案为否定,则执行结束。
现在参照图3,描述DSA触发规则方式的一个示例。在步骤302,得到测量传感器的数值模型(M)。在步骤304,模型引擎使用模型M来计算来自数据源(D)的进入数据的估计向量。在步骤306,数据源(D)馈送对处于监测下的外部系统进行参数化的传感器数据。
在步骤308,定义集合K。K是采用模型M所建模的N个用户选择传感器的集合。N是总共N个传感器的集合K中的第n个传感器索引。X(i)是所关注的第i个向量,包含从数据源(D)所得到的各传感器n的元素X(i, n)。E(i)是估计向量,包含与输入向量X(i)对应的各传感器n的元素E(i, n)。以及<x>设置为用户定义相似性算子。
在步骤310,确定相似性量度SDSA(i) =X(i) <x> E(i)。在步骤312,确定相似性阈值TDSA。
在步骤314,确定是否SDSA(i)<TDSA。如果答案为肯定,则执行在步骤316继续进行。如果答案为否定,则执行结束。在步骤316,标记模型M的DSA触发。执行然后结束。
现在参照图4,描述LVI抑制规则方式的一个示例。在步骤402,确定测量传感器的数值模型(M)。在步骤404,定义集合K。K是采用模型M所建模的N个用户选择传感器的集合。另外,设置值n,其中n=1,即总共N个传感器的集合K中的第n个传感器索引。X(i)是所关注的第i个向量,包含从数据源(D)馈送所得到的各传感器n的元素X(i, n)。
在步骤406,数据源(D)馈送对处于监测下的外部系统进行参数化的传感器数据。在步骤408,对Llow(n)和Lhigh(n)、即第n个传感器的传感器下限和上限值进行确定。在步骤410,确定是否X(i,n)>Lhigh(n)。如果答案为肯定,则执行在步骤420继续进行。如果答案为否定,则执行在步骤412继续进行。
在步骤412,确定是否X(i,n)<Llow(n)。如果答案为肯定,则执行在步骤420继续进行。如果答案为否定,则执行在步骤414继续进行。
在步骤414,确定是否N=n。如果答案为肯定,则执行结束。如果答案为否定,则执行在步骤416继续进行。
在步骤416,n设置为n=n+1。执行如上所述在步骤408继续进行。在步骤420,标记第n个传感器上的模型M的LVI抑制。执行在步骤422继续进行,其中确定是否处理全部传感器。如果答案为肯定,则执行在步骤414继续进行。如果答案为否定,则执行结束。
现在参照图5,描述MRI抑制规则方式的一个示例。在步骤502,确定测量传感器的数值模型(M)。
在步骤504,定义阵列A。A是具有T个向量的来自模型M的N个用户选择传感器的建模数据阵列[T×N]。还定义集合K。K是采用模型M所建模的相同N个用户选择传感器的集合。以及n=1,即总共N个传感器的阵列A中的第n个传感器索引。此外,nhigh和nlow分别是各传感器n的向上和向下方向。Amin(n)和Amax(n)是跨全部T个向量的阵列A中的第n个传感器的最小值和最大值。以及X(i)是所关注的第i个向量,包含从数据源(D)所得到的各传感器n的元素X(i, n)。
在步骤506,数据源(D)馈送对处于监测下的外部系统进行参数化的传感器数据。在步骤508,确定Llow(n)和Lhigh(n),并且这些是第n个传感器的传感器下限和上限值。在步骤510,确定沿各方向的各传感器n的模型成熟度量度m(L, A, n)。在步骤512,确定沿各方向的各传感器n的MRI极限R(m, A),其中Rhigh(n)和Rlow(n)是那些MRI极限。
在步骤514,确定是否X(i,n)<Rlow(n)。如果答案为肯定,则执行在步骤522继续进行。如果答案为否定,则执行在步骤516继续进行。
在步骤516,确定是否X(i,n)>Rhigh(n)。如果答案为肯定,则执行在步骤522继续进行。如果答案为否定,则执行在步骤518继续进行。
在步骤518,确定是否N=n。如果答案为肯定,则执行结束。如果答案为否定,则执行在步骤520继续进行。在步骤520,对n=n+1进行设置。然后,执行如上所述在步骤508继续进行。
在步骤522,标记第n个传感器上的模型M的MRI抑制。在步骤524,确定是否处理全部传感器。如果答案为肯定,则执行在步骤518继续进行。如果答案为否定,则执行结束。
现在参照图6,描述FSI抑制规则方式的一个示例。在步骤602,得到测量传感器的数值模型(M)。在步骤604,模型引擎使用模型M来计算来自数据源(D)的进入数据的估计向量。在步骤606,数据源(D)馈送对处于监测下的外部系统进行参数化的传感器数据。
在步骤608,定义集合K1。K1是采用模型M所建模的N个用户选择传感器的集合。集合K2定义为采用模型M所建模的P个用户选择传感器的集合。K1和K2无需是互斥的,但是对于相同集合K1和K2,算法将产生固定结果,并且因此应当被理解为无效情况。此外,n是总共N个传感器的集合K1中的第n个传感器索引。以及p是总共P个传感器的集合K2中的第p个传感器索引。另外,X(i)是所关注的第i个向量,包含从数据源(D)所得到的各传感器n的元素X(i, n)和各传感器p的X(i, p)。E(i)则是估计向量,包含与输入向量X(i)对应的各传感器n的元素E(i, n)和各传感器p的E(i, p)。此外,<x>定义为用户定义相似性算子。
在步骤610,确定相似性量度,其中SRSI(i) =X(i, p) <x> E(i, p)。在步骤612,确定相似性量度,其中SDSA=X(i, n) <x> E(i, n)。在步骤614,确定故障量度,其中FFSI(i)=F(SRSI, SDSA)。在步骤616,确定相似性阈值TFSI。
在步骤618,确定是否FFSI(i)<=TFSI。如果答案为否定,则执行结束。如果答案为肯定,则执行在步骤620继续进行。在步骤620,对模型M来标记FSI抑制。执行然后结束。
现在参照图7,描述示出MRI抑制规则的各个方面的图表的一个示例。传感器值701如所示随时间而改变。模型极限702在传感器值701周围显示。模型极限702如所示具有正和负侧(方面)。
MRI极限704如本文所述来计算,并且还具有正和负侧。LVI极限706由用户来设置;例如采用从原始设备制造商(OEM)所得到的值。
在操作中,计算成熟度的量度。这通过下式来确定:
MMx = 1-PDx;
PDx= |LVIx-Model limitx|
|LVImax- LVImin|
x表示相应上限或下限
MRIx极限704如本文所述来计算,并且还具有上限和下限。Model limitx是模型上限或下限702。
百分比距离(PD)是模型极限702与LVI极限706的接近程度,并且定义成熟度。随后,MRI量度基于成熟度和预定函数来确定。例如:
%MRIx= A×exp(B×(1-MMx))
能够使用这个等式,其中A是成熟模型进行抑制的MRI百分比。A的一个值为0.045(例如4.5%),B是MRI可变性因子。在一个示例中,B=3.7。PD是百分比距离,并且与定量模型成熟度量度(MM)(其测量特定模型参数的模型范围跨越整个专家状态空间(LVI极限)的良好程度并且以上已经定义)成比例。
然后计算MRI:
MRIx=Model Limitx ± Model Range × %MRIx
等式中的各种值在以上定义。Model Range = Model Limitmax - Model Limitmin。一旦计算MRI极限,把来自驱动的实际接收值与MRI极限进行比较。如果超过极限,则抑制阻止最初触发的模型中的状态变化。
现在参照图8和图9,描述示出FSI方式的两个示例图表。图8示出预计值802与实际值804之间的差的图表,并且与两个向量之间的相似性量度成反比。x轴和y轴表示两个传感器系统的两个传感器。这个图表能够外推为N个传感器系统的N维。
图9是示出沿y轴的驱动相似性和沿x轴的响应相似性的函数。通过“驱动相似性”并且如本文所使用,表示作为预计向量与过程驱动传感器(由用户看作是过程驱动的传感器)的n维空间中的实际向量的相似程度的量度。通过“响应相似性”并且如本文所使用,表示作为预计向量与过程响应传感器(由用户看作是过程响应的传感器)的p维空间中的实际向量的相似程度的量度。函数f(x)902将可接受区域904与不可接受区域906分离。在这个示例中,函数f(x)是线性函数,但是将会理解,也能够使用其他类型的函数(例如指数函数)。
点908表示完全向量/模型相似性向量910表示驱动相似性值变化,但是没有响应相似性的变化(指示这个变化是可接受的)。
向量912示出驱动相似性值变化,但是没有响应相似性的太多变化(指示这个变化是可接受的)。向量914示出与响应相似性成比例的驱动相似性值变化(指示这个变化是可接受的)。向量916示出响应相似性值变化,但是没有驱动相似性的变化(指示这个变化是不可接受的)。向量918示出许多响应相似性值变化,但是很少驱动相似性变化(指示这个变化是不可接受的)。
向量910、912和914处于可接受区域904中。向量916和918处于不可接受区域906中。在这个示例中,首先确定相似性量度(通过图8),并且然后将其与(图9的)图表进行比较,如上所述。当变化是可接受时,变化能够用来修改模型。当变化是不可接受时,变化没有用来修改模型。
现在参照图10,描述改变模型1002的设备1000的一个示例。将会理解,设备1000实现针对图1-6的功能块的许多或全部。设备1000可实现为单个物理设备,但是也将会理解,它可将其处理功能遍布于多个物理装置和多个位置。
设备1000配置成确定是否修改过程模型1002,包括接口1004和处理器1006。接口1004具有输入1008和输出1010,并且输入1008配置成接收实际传感器值的向量和模型1002的成熟度。成熟度对多个传感器的每个来定义并且对每个传感器沿向上方向和向下方向进一步定义。
处理器1006耦合到接口1004,并且配置成基于模型1002的成熟度和所确定函数来确定模型范围抑制(MRI)量度。处理器1006配置成基于MRI量度来确定MRI极限,并且将所接收向量与MRI极限进行比较。处理器1006配置成经由通过输出1010所发送的一个或多个控制信号基于比较有选择地改变模型1002。
在一些方面,接口1004配置成还在输入1008接收第一向量。第一向量具有驱动传感器的实际值。接口1004还接收第二向量,以及向量具有响应传感器的实际值。接口1004还接收第三向量,第三向量具有驱动传感器的估计值。接口1004还接收第四向量,以及第四向量具有响应传感器的估计值。接口1004还接收提供可接受观测与不可接受观测之间的一组边界的函数。
在其他方面,处理器1006配置成确定第一向量与第三向量之间的相似性的第一量度以及第二向量与第四向量之间的相似性的第二量度。处理器1006还配置成比较相似性的第一量度、相似性的第二量度和函数,并且基于该比较有选择地改变模型1002。
本领域的技术人员将会理解,对上述实施例的修改可在各个方面进行。其他变化显然也起作用,并且落入本发明的范围和精神之内。本发明以所附权利要求书中的具体细节提出。认为本发明的精神和范围包含对本文的实施例的这类修改和变更,如本领域并且掌握本申请的理论的技术人员清楚地知道。
Claims (14)
1.一种确定是否修改过程模型的方法,所述方法包括:
接收实际传感器值的向量;
确定模型的成熟度,所述成熟度对多个传感器的每个来定义并且对各传感器沿向上方向和向下方向进一步定义;
确定将模型成熟度转化成模型范围抑制量度的函数;
基于所述模型的所述成熟度和所确定函数来确定模型范围抑制量度;
基于所述模型范围抑制量度来确定模型范围抑制极限;以及
将所接收向量与所述模型范围抑制极限进行比较,并且基于所述比较有选择地改变所述模型。
2.如权利要求1所述的方法,还包括:
接收第一向量,所述第一向量具有驱动传感器的实际值;
接收第二向量,所述第二向量具有响应传感器的实际值;
接收第三向量,所述第三向量具有驱动传感器的估计值;
接收第四向量,所述第四向量具有响应传感器的估计值;
确定提供可接受观测与不可接受观测之间的一组边界的函数;
确定所述第一向量与所述第三向量之间的相似性的第一量度;
确定所述第二向量与所述第四向量之间的相似性的第二量度;以及
比较相似性的所述第一量度、相似性的所述第二量度和所述函数,并且基于所述比较有选择地改变所述模型。
3.如权利要求1所述的方法,还包括确定所述模型所表示的组件是否接近故障。
4.如权利要求3所述的方法,还包括当所述组件接近故障时向用户生成告警。
5.如权利要求4所述的方法,还包括在图形显示媒体上向用户呈现所述告警。
6.一种确定是否修改过程模型的方法,所述方法包括:
接收第一向量,所述第一向量具有驱动传感器的实际值;
接收第二向量,所述第二向量具有响应传感器的实际值;
接收第三向量,所述第三向量具有驱动传感器的估计值;
接收第四向量,所述第四向量具有响应传感器的估计值;
确定提供可接受观测与不可接受观测之间的一组边界的函数;
确定所述第一向量与所述第三向量之间的相似性的第一量度;
确定所述第二向量与所述第四向量之间的相似性的第二量度;以及
比较相似性的所述第一量度、相似性的所述第二量度和所述函数,并且基于所述比较有选择地改变模型。
7.如权利要求6所述的方法,还包括确定所述模型所表示的组件是否接近故障。
8.如权利要求7所述的方法,还包括当所述组件接近故障时向用户生成告警。
9.如权利要求8所述的方法,还包括在图形显示媒体上向用户呈现所述告警。
10.一种配置成确定是否修改过程模型的设备,所述设备包括:
具有输入和输出的接口,所述输入配置成接收实际传感器值的向量和模型的成熟度,所述成熟度对多个传感器的每个来定义并且对各传感器沿向上方向和向下方向进一步定义;
处理器,所述处理器耦合到所述接口,所述处理器配置成基于所述模型的所述成熟度和所确定函数来确定模型范围抑制量度,所述处理器配置成基于所述模型范围抑制量度来确定模型范围抑制极限,并且将所接收向量与所述模型范围抑制极限进行比较,所述处理器配置成经由通过输出所发送的一个或多个控制信号基于所述比较有选择地改变所述模型。
11.如权利要求10所述的设备,其中,所述接口配置成还在所述输入接收:第一向量,所述第一向量具有驱动传感器的实际值,第二向量,所述第二向量具有响应传感器的实际值,第三向量,所述第三向量具有驱动传感器的估计值,第四向量,所述第四向量具有响应传感器的估计值;以及提供可接受观测与不可接受观测之间的一组边界的函数;
其中所述处理器配置成确定所述第一向量与所述第三向量之间的成熟度的第一量度以及所述第二向量与所述第四向量之间的成熟度的第二量度;并且其中所述处理器还配置成比较相似度的所述第一量度、相似度的所述第二量度和所述函数,并且基于所述比较有选择地改变所述模型。
12.如权利要求10所述的设备,其中,所述处理器配置成确定所述模型所表示的组件是否接近故障。
13.如权利要求12所述的设备,其中,所述处理器配置成当所述组件接近故障时在所述输出对用户生成告警。
14.如权利要求13所述的设备,其中,所述告警在图形显示媒体上向用户呈现。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/US2013/058418 WO2015034512A2 (en) | 2013-09-06 | 2013-09-06 | Apparatus and method for model adaptation |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105683852A CN105683852A (zh) | 2016-06-15 |
CN105683852B true CN105683852B (zh) | 2018-04-10 |
Family
ID=49170934
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201380080800.2A Active CN105683852B (zh) | 2013-09-06 | 2013-09-06 | 用于模型自适应的设备和方法 |
Country Status (8)
Country | Link |
---|---|
US (1) | US10295965B2 (zh) |
EP (1) | EP3042258A2 (zh) |
JP (1) | JP2016532221A (zh) |
KR (1) | KR20160053977A (zh) |
CN (1) | CN105683852B (zh) |
AU (1) | AU2013399629A1 (zh) |
CA (1) | CA2923243A1 (zh) |
WO (1) | WO2015034512A2 (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US12019612B2 (en) * | 2017-02-27 | 2024-06-25 | International Business Machines Corporation | Data maturity management |
US10354462B1 (en) * | 2018-04-06 | 2019-07-16 | Toyota Motor Engineering & Manufacturing North America, Inc. | Fault diagnosis in power electronics using adaptive PCA |
CN110119097B (zh) * | 2019-04-08 | 2021-08-17 | 上海机电工程研究所 | 武器系统半实物仿真数据相似性检验方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1495584A (zh) * | 2002-08-22 | 2004-05-12 | �����Ʒ�뻯ѧ��˾ | 基于模型控制的设备快速测试 |
CN1867876A (zh) * | 2003-10-16 | 2006-11-22 | Abb公司 | 检测连续过程中的系统部件的故障 |
CN101937224A (zh) * | 2003-07-30 | 2011-01-05 | 费舍-柔斯芒特系统股份有限公司 | 在过程设备中使用的方法 |
Family Cites Families (40)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US3045221A (en) | 1958-01-22 | 1962-07-17 | Gen Atronics Corp | Monitoring device |
US3561237A (en) | 1967-11-29 | 1971-02-09 | Westinghouse Electric Corp | Predictive gauge control method and apparatus for metal rolling mills |
US3767900A (en) | 1971-06-23 | 1973-10-23 | Cons Paper Inc | Adaptive controller having optimal filtering |
FR2187919B1 (zh) | 1972-06-15 | 1974-10-25 | Bonvarite | |
US4060716A (en) | 1975-05-19 | 1977-11-29 | Rockwell International Corporation | Method and apparatus for automatic abnormal events monitor in operating plants |
US4336595A (en) | 1977-08-22 | 1982-06-22 | Lockheed Corporation | Structural life computer |
USRE31750E (en) | 1977-11-25 | 1984-11-27 | Ird Mechanalysis, Inc. | Data acquisition system |
US4215412A (en) | 1978-07-13 | 1980-07-29 | The Boeing Company | Real time performance monitoring of gas turbine engines |
US4368510A (en) | 1980-10-20 | 1983-01-11 | Leeds & Northrup Company | Automatic identification system for self tuning process controller |
US4480480A (en) | 1981-05-18 | 1984-11-06 | Scott Science & Technology, Inc. | System for assessing the integrity of structural systems |
GB8317224D0 (en) | 1983-06-24 | 1983-07-27 | Atomic Energy Authority Uk | Monitoring system |
US4517468A (en) | 1984-04-30 | 1985-05-14 | Westinghouse Electric Corp. | Diagnostic system and method |
US4937763A (en) | 1988-09-06 | 1990-06-26 | E I International, Inc. | Method of system state analysis |
US5109700A (en) | 1990-07-13 | 1992-05-05 | Life Systems, Inc. | Method and apparatus for analyzing rotating machines |
US5223207A (en) | 1992-01-29 | 1993-06-29 | The United States Of America As Represented By The United States Department Of Energy | Expert system for online surveillance of nuclear reactor coolant pumps |
US5592396A (en) | 1992-08-10 | 1997-01-07 | Ingersoll-Rand Company | Monitoring and control of fluid driven tools |
US5808903A (en) | 1995-09-12 | 1998-09-15 | Entek Scientific Corporation | Portable, self-contained data collection systems and methods |
US5586066A (en) | 1994-06-08 | 1996-12-17 | Arch Development Corporation | Surveillance of industrial processes with correlated parameters |
US5610339A (en) | 1994-10-20 | 1997-03-11 | Ingersoll-Rand Company | Method for collecting machine vibration data |
US5710723A (en) | 1995-04-05 | 1998-01-20 | Dayton T. Brown | Method and apparatus for performing pre-emptive maintenance on operating equipment |
US5774379A (en) | 1995-07-21 | 1998-06-30 | The University Of Chicago | System for monitoring an industrial or biological process |
DE19537694A1 (de) | 1995-10-10 | 1997-04-17 | Schenck Ag Carl | Verfahren zur Überwachung einer Maschine oder Anlage |
US5724254A (en) | 1996-01-18 | 1998-03-03 | Electric Power Research Institute | Apparatus and method for analyzing power plant water chemistry |
US5943634A (en) | 1996-05-14 | 1999-08-24 | Csi Technology, Inc. | Vibration data analysis based on time waveform parameters |
US5764509A (en) | 1996-06-19 | 1998-06-09 | The University Of Chicago | Industrial process surveillance system |
US6041287A (en) | 1996-11-07 | 2000-03-21 | Reliance Electric Industrial Company | System architecture for on-line machine diagnostics |
US5917428A (en) | 1996-11-07 | 1999-06-29 | Reliance Electric Industrial Company | Integrated motor and diagnostic apparatus and method of operating same |
DE19732046A1 (de) | 1997-07-25 | 1999-01-28 | Abb Patent Gmbh | Prozeßdiagnosesystem und Verfahren zur Diagnose von Vorgängen und Zuständen eines technischen Prozesses |
US5987399A (en) | 1998-01-14 | 1999-11-16 | Arch Development Corporation | Ultrasensitive surveillance of sensors and processes |
US6591296B1 (en) | 1999-12-15 | 2003-07-08 | General Electric Company | Remote notification of machine diagnostic information utilizing a unique email address identifying the sensor, the associated machine, and the associated machine condition |
US6609212B1 (en) | 2000-03-09 | 2003-08-19 | International Business Machines Corporation | Apparatus and method for sharing predictive failure information on a computer network |
US6609036B1 (en) | 2000-06-09 | 2003-08-19 | Randall L. Bickford | Surveillance system and method having parameter estimation and operating mode partitioning |
US6678639B2 (en) | 2000-08-04 | 2004-01-13 | Sun Microsystems, Inc. | Automated problem identification system |
WO2002015458A2 (en) | 2000-08-15 | 2002-02-21 | The Penn State Research Foundation | Discovering hidden damage in machinery and predicting remaining life |
CA2419240C (en) | 2000-10-26 | 2007-04-10 | Triant Technologies Inc. | Method for estimating and reducing uncertainties in process measurements |
US6859739B2 (en) | 2001-01-19 | 2005-02-22 | Smartsignal Corporation | Global state change indicator for empirical modeling in condition based monitoring |
US7233886B2 (en) | 2001-01-19 | 2007-06-19 | Smartsignal Corporation | Adaptive modeling of changed states in predictive condition monitoring |
CA2505026C (en) | 2002-11-04 | 2013-04-09 | Smartsignal Corporation | System state monitoring using recurrent local learning machine |
US7457674B2 (en) * | 2004-08-27 | 2008-11-25 | Siemens Corporate Research, Inc. | System, device, and methods for updating system-monitoring models |
US7444191B2 (en) | 2005-10-04 | 2008-10-28 | Fisher-Rosemount Systems, Inc. | Process model identification in a process control system |
-
2013
- 2013-09-06 AU AU2013399629A patent/AU2013399629A1/en not_active Abandoned
- 2013-09-06 CA CA2923243A patent/CA2923243A1/en not_active Abandoned
- 2013-09-06 CN CN201380080800.2A patent/CN105683852B/zh active Active
- 2013-09-06 KR KR1020167008993A patent/KR20160053977A/ko not_active Application Discontinuation
- 2013-09-06 WO PCT/US2013/058418 patent/WO2015034512A2/en active Application Filing
- 2013-09-06 EP EP13762697.4A patent/EP3042258A2/en not_active Ceased
- 2013-09-06 JP JP2016540857A patent/JP2016532221A/ja active Pending
- 2013-09-06 US US14/916,430 patent/US10295965B2/en active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1495584A (zh) * | 2002-08-22 | 2004-05-12 | �����Ʒ�뻯ѧ��˾ | 基于模型控制的设备快速测试 |
CN101937224A (zh) * | 2003-07-30 | 2011-01-05 | 费舍-柔斯芒特系统股份有限公司 | 在过程设备中使用的方法 |
CN1867876A (zh) * | 2003-10-16 | 2006-11-22 | Abb公司 | 检测连续过程中的系统部件的故障 |
Also Published As
Publication number | Publication date |
---|---|
US20160195857A1 (en) | 2016-07-07 |
AU2013399629A1 (en) | 2016-03-24 |
KR20160053977A (ko) | 2016-05-13 |
CN105683852A (zh) | 2016-06-15 |
US10295965B2 (en) | 2019-05-21 |
JP2016532221A (ja) | 2016-10-13 |
WO2015034512A2 (en) | 2015-03-12 |
CA2923243A1 (en) | 2015-03-12 |
EP3042258A2 (en) | 2016-07-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP2905665B1 (en) | Information processing apparatus, diagnosis method, and program | |
JP5179086B2 (ja) | 工業プロセスの監視方法及び監視システム | |
JP4046309B2 (ja) | プラント監視装置 | |
JP2013025367A (ja) | 設備状態監視方法およびその装置 | |
JP2013033459A (ja) | 異常監視システムおよび異常監視方法 | |
CN102713777A (zh) | 诊断装置及诊断方法 | |
JPWO2020188696A1 (ja) | 異常検知装置および異常検知方法 | |
EP3514642B1 (en) | Plant abnormality diagnosis device and plant abnormality diagnosis system | |
CN105683852B (zh) | 用于模型自适应的设备和方法 | |
WO2009129042A1 (en) | Automated system for checking proposed human adjustments to operational or planning parameters at a plant | |
WO2021241580A1 (ja) | 異常変調原因特定装置、異常変調原因特定方法及び異常変調原因特定プログラム | |
JP2019036186A (ja) | 異常検知モデル構築装置、異常検知モデル構築方法及びプログラム | |
JP2021092970A (ja) | 制御方法、制御装置、機械設備、制御プログラム、記録媒体 | |
AU2010332200A1 (en) | Method and system for diagnosing compressors | |
WO2021241578A1 (ja) | 異常変調原因特定装置、異常変調原因特定方法及び異常変調原因特定プログラム | |
JP2016045852A (ja) | 異常診断装置及び異常診断方法 | |
JP2010276339A (ja) | センサ診断方法およびセンサ診断装置 | |
Zhong et al. | Fault diagnosis of motor bearing using self-organizing maps | |
JP2017117034A (ja) | 診断装置及び診断方法 | |
Huang | A new GWMA control chart for monitoring process mean and variability | |
JP6785715B2 (ja) | 正常異常判別装置、正常異常判別方法、及び正常異常判別システム | |
CN112912807A (zh) | 异常诊断装置 | |
EP3608742B1 (en) | Apparatus for alarm information determination | |
Maleki et al. | A one-class clustering technique for novelty detection and isolation in sensor networks | |
WO2021241579A1 (ja) | 異常変調原因特定装置、異常変調原因特定方法及び異常変調原因特定プログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |