CN107077135B - 用于识别设备中的干扰的方法和辅助系统 - Google Patents
用于识别设备中的干扰的方法和辅助系统 Download PDFInfo
- Publication number
- CN107077135B CN107077135B CN201580062925.1A CN201580062925A CN107077135B CN 107077135 B CN107077135 B CN 107077135B CN 201580062925 A CN201580062925 A CN 201580062925A CN 107077135 B CN107077135 B CN 107077135B
- Authority
- CN
- China
- Prior art keywords
- load
- curves
- group
- curve
- determined
- 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
Images
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
- G05B23/0235—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 a comparison with predetermined threshold or range, e.g. "classical methods", carried out during normal operation; threshold adaptation or choice; when or how to compare with the threshold
-
- 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
- G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
Abstract
用于识别设备中的干扰的方法和辅助系统。用于通过从多个负载曲线中探测具有异常变化过程的负载曲线来识别设备(105)中的干扰的方法,其中负载曲线表示在所述设备(105)的各部件的所考虑的参数的值范围上特征参量的变化过程,所述方法具有以下方法步骤:‑读入(11)多个负载曲线,‑提供(12)多于一个用于具有类似的变化过程的负载曲线的组,‑将所读入的负载曲线中的每一个分配(13)给一个组;‑在负载曲线的每个单独的组内确定(14)异常的负载曲线,‑输出(15)所确定的异常的负载曲线和/或关于所确定的异常的负载曲线的信息,以用于所述干扰的进一步分析和/或用于所述设备(105)的部件的检查。
Description
技术领域
本发明涉及一种用于通过从多个负载曲线中探测具有异常变化过程的负载曲线来识别设备中的干扰的方法和辅助系统,其中负载曲线表示在所述设备的各部件的参数的值范围上特征参量的变化过程。
背景技术
当今的制造设备具有高的自动化程度,其中例如通过场装置进行流程控制和监控。为此,使用不同类型的场装置来控制不同的任务,诸如控制介质通过输入管线的流量,控制温度或者压力和更多其他的。在此,可以在不同制造步骤中将相同类型的场装置用于不同的任务。但也可以在一个制造步骤中使用例如不同类型的场装置,诸如温度传感器或流量测量装置。所述场装置通常包括微处理器并且连接到制造设备的通信网上。这样的场装置通常记录以下负载曲线:所述负载曲线分别表示在相应的部件——在此场装置——的参数的值范围上所控制的特征参量的变化过程。这例如可以是在时间上所测量的温度或压力。但也可以记录在压力变化过程上介质的当前温度。这样的负载曲线可以在装置中例如以规则的间隔通过设备的通信网传输到监视系统上。
如果在制造设备的过程中在无对干扰位置的具体提示的情况下出现不规则性,则所确定的负载曲线可能能够提供对干扰位置或关于干扰自身的细节的提示。因为自动化设备通常具有许多部件,所以几乎不可能的是,从所述大数目的所提供的负载曲线中找出有缺陷的或受干扰的负载曲线。
电流分配设备或水分配设备或者电流分配网或水分配网同样称作设备。在那里例如在时间上也记录在远程管路中、在本地分配输入管线中单位时间的水流量或所传输的电流流量或者在用电器连接线路中单位时间的所提取的电功率作为负载曲线。在这样的设备中,例如由于有缺陷的水管路或电流线路、由于未经允许的提取或者尤其在电流分配网中由于所连接的有缺陷的部件或装置而发生所不期望的提取或干扰。在此也可以在时间上探测负载曲线、即所提取的电流功率或者水量。在智能电流分配网中,客户的电流消耗当今已经在相对短的时间间隔中被记录,通常关于多个用户进行累计、传送到电信局。应及时识别反复的不规则性、分析不规则性的原因并且消除所识别的干扰或者停止滥用。
在此,将已经可用的负载曲线用于分析设备的干扰和检查设备也是非常有问题的,因为经常必须研究大数目的部件和因此用于分析或定位干扰的负载曲线。在此,并非负载曲线中的每个所不期望的和因此异常的变化过程都指示缺陷或干扰。异常的变化过程也可能归因于其负载曲线被考虑的部件在不同制造步骤中的应用,或者在终端用电器的电流负载曲线的情况下归因于不同类型的终端用电器,例如烘焙者运行相对于木匠运行或者私人家用电器。
例如异常的变化过程上的时间的数据、也即说明特征参量的时间变化过程的研究,当前大多限于单独时间序列的观察,而没有与其他类似的时间序列相关联地看这些时间序列。一个典型的途径是,根据时间序列的过去值来计算可预期的值并且将其与实际值进行比较。如果该偏差过大,则首先假定,这些值涉及偏差值、也称为非正常值。在短时间内过多偏差值的情况下可以推断出异常、也即负载曲线的异常变化过程。在此,异常单独地对于每个负载曲线都被计算并且在不与其他或者类似的曲线关联的情况下来考虑。
发明内容
因此,本发明的任务是实现一种方法和装置,以便从设备的多个负载曲线中确定设备的干扰并且由此确定干扰的类型或者能够实现干扰的定位和设备的检查。
根据本发明的用于识别设备中的干扰的方法利用从多个负载曲线中探测具有异常变化过程的负载曲线,其中负载曲线表示在所述设备的各部件的参数范围上特征参量的变化过程。所述方法作为第一方法步骤包括:通过数据接口读入多个负载曲线。紧接着是以下方法步骤:提供用于具有类似的变化过程的负载曲线的多个组;将所读入的负载曲线中的每一个分配给负载曲线的一个组以及在负载曲线的每个单独的组内确定异常的负载曲线。在接着的方法步骤中,所确定的异常的负载曲线和/或关于所确定的异常的负载曲线的信息输出到输出单元,用于所述干扰的进一步分析和/或用于所述设备的部件的检查。
所述方法具有以下优点:并非将每一个负载曲线与其他存在的负载曲线的全体进行比较,而是通过将负载曲线事先划分或者分组成相互类似的负载曲线的组来实现预分类并且仅仅在该组内相对于所述组的负载曲线确定具有异常变化过程的负载曲线。因此,也可以确定较小的偏差,仅仅相对于一个组的已经作为类似的来辨识的负载曲线识别所述偏差。
在一种有利的实施方式中,从预先确定数目的标准特征中分别为每个单独的标准特征提供一个组。
这具有以下优点:可以将关于设备结构的、以对于设备的不同部件的不同标准负载特征形式的基本知识用于组的确定。在此,标准负载特征可以用作参考曲线并且因此能够实现所期望的组的形成。
在前述实施例的一种扩展方案中,对于所读入的负载曲线中的每一个,计算关于每个标准负载特征的第一类似性值,并且将所读入的负载曲线分配给以下组:对于该组已经确定了最大的第一类似性值。
这具有以下优点:每一个负载曲线仅仅分配给一个唯一的组并且防止多重分配。
在根据本发明的方法的一种替代的实施方式中,借助尤其不受监视的聚类算法自动地为具有类似的变化过程的负载曲线确定多个组。
这具有以下优点:当不存在关于设备部件的结构化信息的时候也能够实施分组。
在本发明的一种有利的实施方式中,对于一个组的每个负载曲线相对于一个组的其余的所有负载曲线的平均值确定第二类似性值,并且将以下负载曲线识别为异常的负载曲线:所述负载曲线的第二类似性值低于预先确定的值。
因此,可以在第二步骤中由已经类似的负载曲线的每一个组再实施一次类似性检查。因此,尤其将与组中的负载曲线的变化过程偏离的曲线辨识为异常的,更确切地说相对于该组的负载曲线。因此,尤其可以确定相对于该组的差异并且也识别较小的异常。
在一种有利的变型方案中,分别使用一个距离量度、尤其泊松相关系数用于计算所述第一和所述第二类似性值。
通过使用距离量度可以选择所寻找的类似性的类型。在泊松相关系数作为距离量度的情况下,尤其评估在参数范围上曲线的变化过程,但不是所考虑的曲线有多接近参考曲线。因此,通过选择距离量度可以产生对所期望的类似性的类型的影响。对于第一类似性值和第二类似性值可以选择相同的距离量度或者不同的距离量度。
在根据本发明的方法的一种有利的实施方式中,对于异常的负载曲线的确定选择分析范围,所述分析范围是负载曲线的整个参数范围的部分范围并且异常的负载曲线的确定限于所述分析范围。此外,选择分析窗的宽度,和彼此相继的分析窗的步长,以及通过以所选择的步长彼此相继的分析窗覆盖整个分析范围并且对于每一个分析窗分别计算一个类似性值。
通过选择分析范围、分析窗的宽度和彼此相继的分析窗的步长,可以将异常探测限于预给定的范围上,在所述范围中例如已经存在干扰的怀疑。也可以根据需求调节异常探测的间隔尺寸。
在根据本发明的方法的一种有利的实施方式中,作为关于在一个组内的所确定的异常的负载曲线中的每一个的信息分别
- 对于每个负载曲线在所述分析范围上确定所述第二类似性值的方差值,和/或
- 由所确定的异常的负载曲线的方差值的比较确定所述异常的负载曲线的等级(Rangstelle),和/或
- 在分析范围内对于每个负载曲线确定所述第二类似性值的最小值,和/或
- 对于每个负载曲线确定两个第二类似性值的最大差值,以及将在所述分析范围上的一个或多个异常的负载曲线的第二类似性值的所考虑的参数的值范围上的方差形成和/或第二类似性值输出到所述输出单元。
这具有以下优点:可以根据所输出的信息进一步分析异常的类型。所提到的输出值是所探测的异常的负载曲线的异常的重要参量。
在一种有利的实施方式中,在异常的负载曲线的确定之后还读入另外的附加的负载曲线并且基于包括所述多个负载曲线和所述另外的负载曲线的负载曲线的全体来实施所述分配、所述确定和所述输出的方法步骤。
因此,也可以在事后将在原来的异常探测中未被考虑的负载曲线分类到负载曲线组中并且关于在组中的负载曲线的全体确定被考虑的负载曲线的异常。
在一种有利的变型方案中,所述负载曲线说明在所述电流分配设备中或水分配设备中或在工业设备中的电流消耗的或水消耗的时间变化过程。
根据本发明的用于通过从多个负载曲线中探测具有异常变化过程的负载曲线来识别设备中的干扰的辅助系统包括:数据接口、分组单元、异常识别单元和输入与输出单元,其中负载曲线表示在所述设备的各部件的参数范围上的特征参量的变化过程。所述数据接口在此被构造用于读入所述设备的部件的多个负载曲线。分组单元具有第一处理器,所述第一处理器被构造用于提供多于一个这样的组:每个组的负载曲线分别具有类似的变化过程,并且将所读入的负载曲线中的每一个分配给一个组。异常识别单元具有第二处理器,所述第二处理器被构造用于在每个单个的组内确定异常的负载曲线。所述输入与输出单元被构造用于接收用于提供不同组的负载曲线的参数和/或接收用于确定异常的负载曲线的参数并且将其转发到所述分组单元和/或所述异常识别单元并且输出作为异常的来识别的负载曲线和关于所确定的异常的负载曲线的信息以用于进一步分析和/或消除所述干扰。
根据本发明的分析系统具有以下优点:对所读入的、分别表示特征参量相对于参数范围的变化过程的任意负载曲线进行归类并且基于在分别一个组中的负载曲线实施详细的异常探测并且将其例如输出到设备以用于进一步分析或者消除干扰。这样的辅助系统允许直接反馈到设备上并且因此允许直接反馈到用于快速分析并且消除干扰的工具上。
在所述辅助系统的一个有利的实施方式中,所述输入与输出单元被构造用于实施以下的输入:
-所选择的分析范围,所述分析范围是所述负载曲线的整个参数范围的部分范围并且异常的负载曲线的确定限于所述分析范围,
- 分析窗的宽度,和/或
- 彼此相继的分析窗的所选择的步长。
此外,所述输入与输出单元被构造用于能够实现针对以下的输出:
- 所述第二类似性值的方差值,所述方差值对于每个负载曲线在所述分析范围上被确定,
- 异常的负载曲线的等级,所述等级根据所确定的异常的负载曲线的方差值的比较来确定,和/或
- 所述第二类似性值(Wi(t))的最小值,所述最小值在分析范围内对于每个负载曲线被确定,和/或
- 每个负载曲线的两个第二类似性值的最大差值,以及在所述分析范围上一个或多个负载曲线的所述第二类似性值和/或所述第二类似性值的方差形成。
因此,所述辅助系统可以读入例如操作人员或者另外的监视系统的输入并且因此借助改变的参数实施异常探测。因此,例如负载曲线的参数范围可以限制到特别突出的参数范围上和/或在那以较小的步长和因此精细地被实施。此外,示出关于异常的负载曲线的异常的有说服力的值并且可以将其用于进一步的分析或者也用于改变分析范围或窗大小。
在一种有利的实施方式中,所述辅助系统的分组单元包括第一微处理器,所述第一微处理器被构造用于分别将一个组分配给预先确定数目的标准负载特征中的每个单独的标准负载特征或者借助例如不受监视的聚类算法对于具有类似的变化过程的负载曲线自动地确定负载曲线的多个组。
在所述辅助系统的另一个实施例中,异常识别单元包括第二微处理器,所述第二微处理器被构造用于,对于一个组的每个负载曲线,相对于一个组中的所有负载曲线的平均值计算第二类似性值并且将以下负载曲线识别为异常的负载曲线:所述负载曲线的第二类似性值低于预先确定的值。
此外,要求保护一种计算机程序产品,所述计算机程序产品具有用于实施前述方法的程序指令。
此外,要求保护一种数据载体,所述数据载体存储计算机程序产品。
附图说明
在附图中示例性地示出并且根据以下描述详细阐述根据本发明的方法的和根据本发明的辅助系统的实施例。其中:
图1作为流程图示出根据本发明的方法的一个实施例;
图2以示意图示出根据本发明的辅助系统的一个实施例;以及
图3同样以示意图示出辅助系统的根据本发明的输入与输出单元的一个示例性的输出示图。
彼此相应的部分在所有附图中配备有相同的附图标记。
具体实施方式
在诸如工业设备或制造设备的设备中或也在电力或水分配网中,例如通过场装置或耗量计来记录在参数值——诸如时间或压力——上的负载曲线。为了识别干扰或对设备的未经允许的干预或识别在分配网中的电力的或水的未经允许的提取,可以由辅助系统针对负载曲线中的异常来研究这些负载曲线并且因此确定产生了这些负载曲线的那些部件。接着可以改变这些部件或者消除滥用。
在图1中示意性地示出通过探测具有异常变化过程的负载曲线来识别设备中的干扰的不同的方法步骤。在输出状态10中存在多个负载曲线,其中每个负载曲线由设备的确定的部件生成。这些负载曲线例如可以已经存在于设备的监视中心中或者这些负载曲线在需要时由部件调用。在方法步骤11中,现在例如通过数据接口将所述多个负载曲线读入到辅助系统中。
在方法步骤12中现在对负载曲线进行分组。为此,提供多于一个的组,它们应该分别容纳具有类似的变化过程的负载曲线。如果存在关于所述设备或者设备的部件的基本知识并且因此也存在关于由所述部件提供的负载曲线的基本知识,则例如可以定义典型的标准负载特征。每个标准负载特征现在可以形成一个组。所给定的标准负载特征在此用作参考曲线。所确定的组的数目于是相应于标准负载特征的数目,但也可以将多个标准负载特征分配给一个组。在确定组之后,在方法步骤13中,将所读入的负载曲线中的每一个分配给所确定的组之一,其方式是,对于所读入的负载曲线中的每一个计算关于每个标准负载特征的第一类似性值,并且将所读入的负载曲线分配给以下组:对于该组已经确定了最大的第一类似性值。
框架条件或者对设备或设备中的各个部件的应用领域的更准确的认识通常未知,或者不应将基本的假设或上下文数据考虑到异常识别中。在这种情况下,借助聚类算法自动地确定具有类似的变化过程的负载曲线的组。聚类算法理解为一种用于在大的数据库存量中发现类似性结构的方法。类似对象、在此负载曲线的所找到的组称作类,组分配通常也称作聚类。存在不同的聚类算法,它们主要在它们的类似性概念和组概念以及它们的算法方式和相对于数据中的干扰的容忍方面进行区别。
聚类算法的和聚类算法的参数化的选择对负载曲线的分组具有大的影响,这在计算中视为类似的。例如,可以使用未加权的利用算术平均的配对方法、也称作利用算术平均算法的未加权的配对方法UPGMA。在不受监视的算法中,不预给定事先已知的目标或组。尝试在输入数据——在此负载曲线——中识别以下模式,所述模式区别于无结构的噪音。对于聚类算法,作为输入参数预给定第一类似性值,该第一类似性值预给定用于计算曲线变化过程的类似性的规定。这样的类似性值通常也称作距离量度。对于例如电流负载曲线的分组,优选使用泊松相关系数作为距离量度,该泊松相关系数计算曲线变化过程的类似性。其他的距离量度、诸如所谓的余弦距离量度将导致相互靠近、但可能具有完全不同的趋势——也即曲线变化过程——的曲线的分组。所述基于类的方案的优点在于原始数据的完全无关性。该方案尤其应用在未知的域中,关于所述域不存在能够导致分组的其他信息。
在方法步骤14中,现在对于一个组中的每个负载曲线,相对于组中的其余所有负载曲线的平均值计算第二类似性值并且将以下负载曲线识别为异常的负载曲线,所述负载曲线的第二类似性值低于预先确定的值。类似性值,例如在前述泊松相关系数的使用中处于在对于非常不类似的曲线而言为-1至对于非常类似的曲线变化过程而言最大+1之间的值范围中。如果使用其他的距离量度或者类似性值,则对于第二类似性值可能出现其他值范围。于是必须相应于所使用的类似性值的值范围来匹配用于不类似性的阈值。为了计算第一类似性值和第二类似性值,分别使用一个距离量度,例如已经提到的泊松相关系数。然而,对于第一类似性值和第二类似性值也可以使用不同的距离量度。
特征参量的变化过程通常不是在整个参数范围上、而是仅仅在部分范围中是令人感兴趣的。为此,例如可以通过参数范围的固定的上边界或下边界的说明来确定分析范围AB,见图3,在该分析范围中针对异常研究负载曲线。由此,附加地实现分析持续时间的缩短或者对相应的辅助系统的处理器能力的更低要求。因此可能的是,辨识仅仅在确定的参数范围上具有异常的负载曲线。因此,例如可以辨识从电流分配设备中电流的滥用提取的时间模式并且因此确定对干扰源的进一步推断。
因为对于每个负载曲线一个唯一的第二类似性值不足以可靠地识别例如仅仅暂时地出现的异常,所以类似性的计算分别在分析窗AF内进行,该分析窗具有参数范围的事先选择的宽度。第二类似性值W(ti)的计算现在在分析窗内计算。随后使分析窗AF分别以同样事先可选择的步长前移并且又计算第二类似性值W(ti)。相应地,使分析窗运行通过整个分析范围并且对于每个分析窗AF计算一个第二类似性值W(ti+1)。
分析窗AF的宽度越窄地选择,则越准确地在参数范围上扫描负载曲线并且分别计算一个第二类似性值W(ti)。因此,对于每个负载曲线得出第二类似性值W(ti)的在分析范围AB上延伸的一个序列,该序列现在是关于所考虑的负载曲线相对于分别在所基于的分析窗AF中的其余负载曲线的平均值的类似性的结论。在宽地选择分析窗AF的情况下,尤其可以良好地探测长期的异常。相应地,如果在此可预期短期的异常,则应较窄地选择分析窗AF的宽度。
彼此相继的分析窗AF的步长SW说明,类似性算法可以有多精细地用于第二类似性值W(ti)的计算、在分析范围AB上计算。小的步长导致,所选择的分析窗AF以小的步在参数的整个值范围上运动并且因此确定、计算高数目的第二分析值,所述第二分析值以步长SW彼此相继。这得出类似性的关于所扫描的分析范围AB的高“分辨率”。相同的间隔尺寸也相应地适用于方差形成V(tj),所述方差形成由第二类似性值W(ti)在分析范围AB上计算。但也可能的是,不同于用于第二类似性计算的分析窗AF的宽度和步长SW地选择用于方差形成的计算的窗宽度和步长。
除了示出异常的负载曲线自身以外,可以确定以指标形式的、关于在组内的所确定的异常的负载曲线中的每一个的附加信息的输出。用于异常的这样的指标是第二类似性值W(ti)的方差值Vw,该方差值对于每一个作为异常的来辨识的负载曲线在整个分析范围AB上累计地计算。该方差值Vw尤其说明第二类似性值W(ti)的强烈波动的变化的量度。因此,高的方差值Vw是具有强烈不同的变化过程的曲线的度量。
优选地,也说明所考虑的异常的负载曲线的等级R,所述等级R由所确定的异常的负载曲线的方差值Vw的比较来确定。该等级R说明所考虑的负载曲线的异常潜力的参考值。等级R在此仅仅是一个唯一的值,其表征整个作为异常的来确定的负载曲线。
作为另一指标,第二类似性值W(ti)的最小值M在负载曲线的分析范围AB中被确定并且作为数值输出。这是与组平均具有最大的所出现的距离的负载曲线的一个指标。
作为另一个指标,对于每一个所确定的异常的负载曲线计算两个第二类似性值的最大的差D的值。两个第二类似性值的最大的差D尤其提供对于以下负载曲线的提示:所述负载曲线强烈地从“非常类似”延伸至“非常不类似”。这些指标提供尤其关于负载曲线的所确定的异常的类型的信息。
在方法步骤15中结束分组和异常识别。根据所输出的异常的负载曲线、第二类似性值W(ti)、其方差形成和所述指标可以进行关于干扰的进一步分析。但也可以改变分析范围AB的输入参数、分析窗AF的宽度以及步长SW并且单独地实施或者与组的提供12和分组13的方法步骤结合地实施异常的负载曲线的确定14的方法步骤。
图2现在示出根据本发明的辅助系统100的一个实施例。辅助系统100包括数据接口101,该数据接口与分组单元102连接。分组单元102又与异常识别单元103连接。分组单元102以及异常识别单元103包括第一或第二处理器,所述第一或第二处理器被构造用于执行上述方法步骤。异常识别单元103又与输入与输出单元104连接,所述输入与输出单元又具有至设备105的连接106。通过数据接口101读入由设备105的部件确定并且传输到数据接口上的各个负载曲线。所读入的负载曲线现在可选地存储在数据存储器中,所述数据存储器在此未示出。
分组单元102具有第一处理器,所述第一处理器被构造用于提供多于一个这样的组:每个组的负载曲线分别具有类似的变化过程,并且将所读入的负载曲线中的每一个分配给一个组。
异常识别单元103具有一个或多个第二处理器,所述一个或多个第二处理器被构造用于在每个单独的组内确定异常的负载曲线。在此,例如可以仅仅将所考虑的组的负载曲线传输到异常识别单元103中,以便限制异常识别单元103的工作存储器的所需的容量。
输入与输出单元104例如包括监视器、触摸灵敏的屏幕以及键盘或鼠标,以便显示作为异常的来辨识的负载曲线以及第二类似性值和其他类似性指标(如在图2中的输出示图110中示出的那样)并且输入关于分析范围、分析窗和步长的选择的输入。
因为每个负载曲线明确地分配给一个部件,所以可以通过作为异常的来辨识的负载曲线来将设备105的一个部件辨识为干扰源。该部件接下来可以通过设备105的监视系统来进一步检查。如果例如确定在设备的一个部件中明显更高的电流提取值,则例如可以关断该部件或者也通过维护人员检查该部件。
但输入与输出单元104也可以将用于确定异常的负载曲线的参数转发到分组单元和/或异常识别单元。除了已经提到的输入参数之外,例如可以选择待使用的距离度量用于异常识别和/或分组。尤其可以通过分析人员改变用于异常探测的参数并且实施重新的异常识别。
图3以放大的形式示出输出示图110。在区域111中,显示所选择的用于分析范围AB、分析窗AF和步长SW的设定以及例如关于所选择的负载曲线组的其他普通信息。在区域112中显示附加的特征参量、也即等级R、方差值Vw、第二类似性值W(ti)的最小值M以及每个负载曲线的两个第二类似性值W(ti)的最大的差D的值。在区域113中在所考虑的参数的整个值范围上、在此例如在时间t上绘出所读入的负载曲线的示图。在区域114中,在所选择的分析范围AB上示出第二类似性值W(ti),所述第二类似性值通过所选择的距离量度来确定。在区域115中现在在分析范围AB上示出在区域114中示出的第二类似性值W(ti)的方差形成V(tj)。变化的色彩突出使得可能的是,非常快速地获得关于非常多的负载曲线的概览。
在此例如绘出所研究的所有负载曲线或者其第二类似性值W(ti)和方差形成。但也可以在此仅仅显示作为异常的来探测的负载曲线或者其第二类似性值W(ti)。也可以通过所述指标之一的选择来选择异常的负载曲线并且仅仅还显示这些负载曲线的说明。该显示使得可能的是,直接读出各个负载曲线的类似性。在此,也可以良好地识别以下负载曲线:所述负载曲线具有持续地高的或者低的第二类似性值。全部显示区域111、112、113、114、115在此优选相互关联。由此一个区域中的选择相应地被转移到所有另外的显示区域上。所描述的方法以及所描述的辅助系统可以应用于识别不同设备——诸如自动化设备、工业设备、能量分配系统或者水分配系统——的干扰。通过二级分析方案可以视到组的分配而定地完全改变各个负载曲线的行为,所述二级分析方案首先研究将负载曲线分组成类似的负载曲线的组并且在第二步骤中在一个组内研究负载曲线的类似性。如果一个组没有同时沿相同方向变化,则仅仅将该组识别为异常。此外,通过该方法可以实施不同异常时间帧的观察。例如可以有针对性地搜寻短暂的、例如数小时的异常,中等的、例如数天的异常和长期的、例如数星期或数月的异常。
所描述的和/或所示出的所有特征可以在本发明的范围内有利地相互组合。本发明不限于所描述的实施例。
Claims (10)
1.用于通过从多个负载曲线中探测具有异常变化过程的负载曲线来识别设备(105)中的干扰的方法,其中负载曲线表示在所述设备(105)的各部件的所考虑的参数的值范围上特征参量的变化过程,所述方法具有以下方法步骤:
- 读入多个负载曲线,
- 提供多于一个具有类似的变化过程的负载曲线的组,其中对于每个单独的标准负载特征从预先确定数目的标准负载特征中分别提供一个组或者其中借助聚类算法自动地为具有类似的变化过程的负载曲线确定多个组,
- 将所读入的负载曲线中的每一个分配给一个组,其中对于所读入的负载曲线中的每一个,计算第一类似性值,并且将所读入的负载曲线分配给以下组:对于该组已经确定了最大的第一类似性值;
- 在负载曲线的每个单独的组内确定异常的负载曲线,其中对于一个组的每个负载曲线相对于一个组的其余的所有负载曲线的平均值确定第二类似性值,并且将以下负载曲线识别为异常的负载曲线:所述负载曲线的第二类似性值低于预先确定的值,并且
- 输出所确定的异常的负载曲线和/或关于所确定的异常的负载曲线的信息,以用于所述干扰的进一步分析和/或用于所述设备(105)的部件的检查。
2.根据权利要求1所述的方法,其中所述聚类算法是不受监视的聚类算法。
3.根据权利要求1或2所述的方法,其中分别使用一个距离量度用于计算所述第一类似性值和所述第二类似性值。
4.根据权利要求1至2中任一项所述的方法,其中对于异常的负载曲线的确定
- 选择分析范围,所述分析范围是负载曲线的整个参数范围的部分范围并且异常的负载曲线的确定限于所述分析范围,
- 选择分析窗的宽度,以及
- 选择彼此相继的分析窗的步长,以及
- 以所选择的步长彼此相继的分析窗覆盖整个分析范围并且对于每一个分析窗分别计算第二类似性值。
5.根据权利要求1至2中任一项所述的方法,其中作为关于在一个组内的所确定的异常的负载曲线中的每一个的信息分别
- 对于每个负载曲线在所述分析范围上确定所述第二类似性值的方差值,和
- 确定所述异常的负载曲线的等级,所述等级由所确定的异常的负载曲线的方差值的比较来确定,和/或
- 在分析范围内对于每个负载曲线确定所述第二类似性值的最小值,和/或
- 对于每个负载曲线确定第二类似性值的最大差值,以及
- 将在所述分析范围上一个或多个异常的负载曲线的所述第二类似性值和/或所述第二类似性值的方差形成输出到输入与输出单元(104)。
6.根据权利要求1至2中任一项所述的方法,其中在异常的负载曲线的确定之后还读入另外的附加的负载曲线并且基于包括所述多个负载曲线和所述另外的负载曲线的负载曲线的全体来实施所述分配、所述确定和所述输出的方法步骤。
7.根据权利要求1至2中任一项所述的方法,其中所述负载曲线说明在电流分配设备中或水分配设备中或在工业设备中的电流消耗的或水消耗的时间变化过程。
8.用于通过从多个负载曲线中探测具有异常变化过程的负载曲线来识别设备(105)中的干扰的辅助系统,其中负载曲线表示在所述设备(105)的各部件的所考虑的参数的值范围上特征参量的变化过程,所述辅助系统包括:数据接口(101)、分组单元(102)、异常识别单元(103)和输入与输出单元(104),其中
- 所述数据接口(101)被构造用于读入所述设备(105)的部件的多个负载曲线,
- 所述分组单元(102)包括第一处理器和微处理器,所述第一处理器和微处理器被构造用于提供多于一个具有类似的变化过程的负载曲线的组,其中分别将一个组分配给预先确定数目的标准负载特征中的每个单独的标准负载特征或者借助聚类算法自动地为具有类似的变化过程的负载曲线确定多个组,并且将所读入的负载曲线中的每一个分配给一个组,其中对于所读入的负载曲线中的每一个,计算第一类似性值,并且将所读入的负载曲线分配给以下组:对于该组已经确定了最大的第一类似性值,以及
- 所述异常识别单元(103)具有第二处理器和微处理器,所述第二处理器和微处理器被构造用于在每个单独的组内确定异常的负载曲线,其中对于一个组的每个负载曲线相对于一个组的其余的所有负载曲线的平均值确定第二类似性值,并且将以下负载曲线识别为异常的负载曲线:所述负载曲线的第二类似性值低于预先确定的值,以及
- 输入与输出单元(104)被构造用于接收用于提供不同组的负载曲线的参数和用于确定异常的负载曲线的参数,并且将其转发到所述分组单元(102)和/或所述异常识别单元(103)并且输出作为异常识别的负载曲线和关于所确定的异常的负载曲线的信息以用于进一步分析和/或消除所述干扰。
9.根据权利要求8所述的辅助系统,其中所述输入与输出单元(104)被构造用于能够实现针对以下的输入:
-所选择的分析范围,所述分析范围是所述负载曲线的所考虑的参数的整个值范围的部分范围并且异常的负载曲线的确定限于所述分析范围,
- 分析窗的宽度,和/或
- 彼此相继的分析窗的所选择的步长,
并且被构造用于能够实现针对以下的输出:
- 所述第二类似性值的方差值,所述方差值对于每个负载曲线在所述分析范围上被确定,和
- 所述异常的负载曲线的等级,所述等级由所确定的异常的负载曲线的方差值的比较来确定,和/或
- 所述第二类似性值的最小值,所述最小值在分析范围内对于每个负载曲线被确定,和/或
- 每个负载曲线的两个第二类似性值的最大差值,以及
- 在所述分析范围上的一个或多个负载曲线的所述第二类似性值和/或所述第二类似性值的方差形成。
10.一种数据载体,其存储用于实施根据权利要求1至7中任一项所述的方法的程序指令。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102014223810.2 | 2014-11-21 | ||
DE102014223810.2A DE102014223810A1 (de) | 2014-11-21 | 2014-11-21 | Verfahren und Assistenzsystem zur Erkennung einer Störung in einer Anlage |
PCT/EP2015/071019 WO2016078791A1 (de) | 2014-11-21 | 2015-09-15 | Verfahren und assistenzsystem zur erkennung einer störung in einer anlage |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107077135A CN107077135A (zh) | 2017-08-18 |
CN107077135B true CN107077135B (zh) | 2020-04-07 |
Family
ID=54145768
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201580062925.1A Active CN107077135B (zh) | 2014-11-21 | 2015-09-15 | 用于识别设备中的干扰的方法和辅助系统 |
Country Status (4)
Country | Link |
---|---|
EP (1) | EP3210088B1 (zh) |
CN (1) | CN107077135B (zh) |
DE (1) | DE102014223810A1 (zh) |
WO (1) | WO2016078791A1 (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102018118533A1 (de) * | 2018-07-31 | 2020-02-06 | Endress + Hauser Wetzer Gmbh + Co. Kg | Verfahren zum Ermitteln von Kalibrierzyklen für ein Feldgerät in einer Anlage der Prozessautomatisierung |
EP3627262A1 (de) * | 2018-09-18 | 2020-03-25 | Siemens Aktiengesellschaft | Verfahren und assistenzsystem zur parametrisierung eines anomalieerkennungsverfahrens |
CN109992960B (zh) * | 2018-12-06 | 2021-09-10 | 北京奇艺世纪科技有限公司 | 一种伪造参数检测方法、装置、电子设备及存储介质 |
CN112095292B (zh) * | 2019-05-28 | 2023-06-30 | 重庆海尔洗衣机有限公司 | 一种洗衣机的异常检测方法 |
CN114790549B (zh) * | 2022-04-14 | 2024-02-02 | 青岛雅合科技发展有限公司 | 周期性动态直流干扰分析方法 |
CN115789859A (zh) * | 2022-12-07 | 2023-03-14 | 珠海格力电器股份有限公司 | 一种空调故障诊断方法、终端及系统 |
CN116772285B (zh) * | 2023-08-28 | 2023-11-07 | 山东国能智能科技有限公司 | 一种智能楼宇供暖负载安全实时监控方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7627454B2 (en) * | 2007-10-16 | 2009-12-01 | General Electric Company | Method and system for predicting turbomachinery failure events employing genetic algorithm |
CN102855376A (zh) * | 2011-05-03 | 2013-01-02 | 通用电气公司 | 用于实现发电站操作的单元级和集体级基准测试的自动化系统和方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE10203997B4 (de) * | 2002-02-01 | 2011-07-07 | Infineon Technologies AG, 81669 | Verfahren und System zum Erfassen von Produktionsdaten in einer Produktionsanlage |
US20040148105A1 (en) * | 2002-10-03 | 2004-07-29 | Northeastern University | Computational method for predicting protein interaction sites |
US20100114390A1 (en) * | 2008-11-05 | 2010-05-06 | Square D Company | Load operation profiling and notification in a monitored electrical power distribution system |
US20120283885A1 (en) * | 2011-05-04 | 2012-11-08 | General Electric Company | Automated system and method for implementing statistical comparison of power plant operations |
CN102636991A (zh) * | 2012-04-18 | 2012-08-15 | 国电科学技术研究院 | 一种基于模糊集关联规则的火电机组运行参数优化方法 |
CN103823158B (zh) * | 2014-02-19 | 2016-09-07 | 福州大学 | 采用不变矩的谐振接地系统故障选线方法 |
-
2014
- 2014-11-21 DE DE102014223810.2A patent/DE102014223810A1/de not_active Withdrawn
-
2015
- 2015-09-15 WO PCT/EP2015/071019 patent/WO2016078791A1/de active Application Filing
- 2015-09-15 EP EP15763905.5A patent/EP3210088B1/de active Active
- 2015-09-15 CN CN201580062925.1A patent/CN107077135B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7627454B2 (en) * | 2007-10-16 | 2009-12-01 | General Electric Company | Method and system for predicting turbomachinery failure events employing genetic algorithm |
CN102855376A (zh) * | 2011-05-03 | 2013-01-02 | 通用电气公司 | 用于实现发电站操作的单元级和集体级基准测试的自动化系统和方法 |
Also Published As
Publication number | Publication date |
---|---|
EP3210088B1 (de) | 2019-11-13 |
CN107077135A (zh) | 2017-08-18 |
WO2016078791A1 (de) | 2016-05-26 |
EP3210088A1 (de) | 2017-08-30 |
DE102014223810A1 (de) | 2016-05-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107077135B (zh) | 用于识别设备中的干扰的方法和辅助系统 | |
US10482204B2 (en) | System for processing data and modelling for analysis of the energy consumption of a site | |
JP6141235B2 (ja) | 時系列データにおける異常を検出する方法 | |
US11170332B2 (en) | Data analysis system and apparatus for analyzing manufacturing defects based on key performance indicators | |
AU2015293548B2 (en) | Method for detecting anomalies in a distribution network, in particular for drinking water | |
EP3170141B1 (en) | Systems and methods for classifying in-situ sensor response data patterns representative of grid pathology severity | |
JP7285187B2 (ja) | 履歴及び時系列の共同分析に基づく異常の特性評価のためのシステム及び方法 | |
US20140188777A1 (en) | Methods and systems for identifying a precursor to a failure of a component in a physical system | |
KR101691787B1 (ko) | 건물 에너지 관리 지수 측정 시스템 기반 경향 분석 서비스 제공 방법 및 시스템 | |
JP2009070052A (ja) | 監視装置及びプログラム | |
JPWO2018073960A1 (ja) | 表示方法、表示装置、および、プログラム | |
EP3289370B1 (en) | Methods and systems for alerting a user to the presence of a fault in an electromechanical system in a railway infrastructure | |
US7649347B2 (en) | Method and apparatus to evaluate notches in an electrical power system | |
WO2017150286A1 (ja) | システム分析装置、システム分析方法、及び、コンピュータ読み取り可能な記録媒体 | |
US9720015B2 (en) | Intelligent visualization in the monitoring of process and/or system variables | |
JP6273835B2 (ja) | 状態判定装置、状態判定方法および状態判定プログラム | |
EP3706047A1 (en) | Cluster based classification for time series data | |
US9212932B2 (en) | Method for identifying consumers and producers in a pneumatic, hydraulic, or electrical network | |
US11687061B2 (en) | Data collection and analysis system, data collection and analysis apparatus, machine learning apparatus, and data collection and analysis method | |
CN116034326A (zh) | 用于异常检测的监测设备和方法 | |
US20220147032A1 (en) | Monitoring method, monitoring apparatus, and program | |
JP2014026327A (ja) | 実稼働データによる機器の状態診断装置 | |
CN106371419A (zh) | 用于监视控制回路的运行的诊断装置和诊断方法 | |
WO2021130936A1 (ja) | 時系列データ処理方法 | |
CN103732863A (zh) | 自动化的根本原因分析 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |