CN107291063B - 用于监控技术设施的运行的诊断装置和诊断方法 - Google Patents
用于监控技术设施的运行的诊断装置和诊断方法 Download PDFInfo
- Publication number
- CN107291063B CN107291063B CN201710232107.2A CN201710232107A CN107291063B CN 107291063 B CN107291063 B CN 107291063B CN 201710232107 A CN201710232107 A CN 201710232107A CN 107291063 B CN107291063 B CN 107291063B
- Authority
- CN
- China
- Prior art keywords
- data record
- self
- execution
- facility
- organizing map
- 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
- 238000002405 diagnostic procedure Methods 0.000 title claims abstract description 12
- 238000012544 monitoring process Methods 0.000 title claims description 19
- 238000005516 engineering process Methods 0.000 title claims description 8
- 238000000034 method Methods 0.000 claims abstract description 42
- 238000003745 diagnosis Methods 0.000 claims abstract description 26
- 230000004044 response Effects 0.000 claims abstract description 8
- 238000013500 data storage Methods 0.000 claims description 9
- 238000012512 characterization method Methods 0.000 claims description 4
- 238000013461 design Methods 0.000 claims description 4
- 238000007689 inspection Methods 0.000 claims description 3
- 238000004171 remote diagnosis Methods 0.000 claims 1
- 230000008569 process Effects 0.000 abstract description 27
- 230000008901 benefit Effects 0.000 abstract description 4
- 238000005259 measurement Methods 0.000 abstract description 2
- 238000012549 training Methods 0.000 description 9
- 239000007788 liquid Substances 0.000 description 8
- 238000004519 manufacturing process Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000010438 heat treatment Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 230000001105 regulatory effect Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000008021 deposition Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 230000001755 vocal effect Effects 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000001351 cycling effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000012517 data analytics Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 238000005325 percolation Methods 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 208000037466 short stature, oligodontia, dysmorphic facies, and motor delay Diseases 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 238000013024 troubleshooting Methods 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
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
- G05B19/406—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by monitoring or safety
- G05B19/4063—Monitoring general control system
-
- 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
- G05B23/0256—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 injecting test signals and analyzing monitored process response, e.g. injecting the test signal while interrupting the normal operation of the monitored system; superimposing the test signal onto a control signal during normal operation of the monitored system
-
- 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
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
- G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
- G05B19/0423—Input/output
- G05B19/0425—Safety, monitoring
-
- 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
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41805—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by assembly
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/32—Circuit design at the digital level
- G06F30/33—Design verification, e.g. functional simulation or model checking
- G06F30/3308—Design verification, e.g. functional simulation or model checking using simulation
- G06F30/3312—Timing analysis
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/24—Pc safety
- G05B2219/24065—Real time diagnostics
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- Manufacturing & Machinery (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Human Computer Interaction (AREA)
- Geometry (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及一种诊断装置以及一种用于监控具有自动化系统(3)的技术设施(1)的运行的诊断方法。在设施运行具有重复执行的步骤链的情况中，探测和示出在步骤链的待检验的执行时的时间特性的偏差。为此，测定待检验的执行的每个步骤的实施时长并且根据预定的、利用无故障执行学会的自组织地图对其进行评估。这种类型的评估具有优点，即自组织地图能够自动地学习并进而对于诊断来说几乎不需要关于相应地在技术设施上运行的过程的知识。
Description
技术领域
本发明涉及一种用于对具有自动化系统的技术设施的运行进行监控的诊断装置和相应的诊断方法。
背景技术
当子设施或者组件的正确功能被监控时，可以改进自动化技术的设施的维修和保养。在功能性变差的情况中，可以在针对性地在设施的正确位置采取用于维修、保养或者排除故障的措施。
在2016年3月11日在互联网上公开的Christian W.Frey,Fraunhofer InstituteIOSB的文章“Monitoring of Complex Industrial Processes based on Self-Organising Maps and Watershed Transformations”，网址www.iosb.fraunhofer.de/servlet/is/22544/Paper_ICIT2012_Frey.pdf？command＝downloadContent&filename＝Paper_ICIT2012_Frey.pdf，公开了一种用于监控复杂的工业过程的诊断方法，在该方法中根据过程变量，也就是根据被检测到的测量参数值和输出给过程的调节参数值为过程的无故障特性训练出自组织地图。在2016年3月4日的维基百科中，一种人工神经网络被描述为“自组织地图”、Kohonen地图或者Kohonen网络(根据Teuvo Kohonen；英文self-organizingmap，SOM或者self-organizing feature map,SOFM)。其作为非监控的学习方法是数据挖掘的有力工具。其功能原理基于生物学知识，即在大脑中的多个结构具有线性的或者平面的拓扑。依据根据上述的文章预先确定的自组织地图，将较晚的运行特性与已学习的无故障特性进行比较。通过该方式识别出有偏差的特性，其接下来可以被分析成过程的运行时的诱因和可能的故障。
然而这种已知的诊断方法的缺点是，不能考虑在技术设施上运行的过程的时间特性，而该时间特性可能同样能够提供对于诊断来说有足够帮助的信息。
发明内容
因此，本发明的目的在于提供一种用于对技术设施的运行进行监控的诊断装置和诊断方法，其中关于时间特性的信息被引入到监控中。
本发明具有这样的优点，即新型的诊断的特征在于极大的灵活性和特别的简单性。由之前无故障地执行的步骤链学习出自组织地图并且将其参数化。在此，时间上的波动被投影在地图中。不仅时间上的下降而且还有超出都被自动地考虑。通过自组织地图也映射了出现各个步骤的不同长度的实施时间的情况，也就是说不管是长的还是短的实施时间，然而不是以下的执行时间，其处于这些极值之间并且尽管如此表征为无错误的执行。通过这种方式因此能够进一步改善诊断可能性。有利的是，新的诊断方法几乎能够用于所有的方法设施、制造设施和过程技术设施，因为技术流程通常通过步骤链控制，该步骤链也被描述成过程链或者过程控制。各个步骤的时长不仅会受到生产条件限定而且也受到通过故障决定的波动的限定。步骤的时间监控对于偏差的识别是非常有帮助的，因为，该时间偏差已经能够被视为故障情况的标志。
原理上，步骤链的各个步骤的时长能够通过与最大允许时长的比较来监控。同样一种解决方案可以在于，即执行最小时长的监控。然而该措施是非常不灵活的，因为例如涉及步骤链的多个步骤的生产波动不利地很难加以考虑并且完全不能识别。相反，在根据本发明的诊断的情况中诊断结论的灵活性和可靠性被极大地改善。
诊断的高灵活性和简单的应用性尤其由此实现，即在自动的学习过程中为代表步骤链的无故障执行的自组织地图的每个节点自动确定具有n个坐标的n元组，其中，每个坐标代表在学习过程时执行的步骤的实施时长。也就是说在学习自组织地图时将步骤链的各个步骤的时长作为输入参数使用。因为在不同的执行时的执行时间是可以变化的，即使当没有故障出现时，为了自组织地图的学习，步骤链的多个良好运行的执行的时间被作为训练数据使用。自组织地图在学习时在每个节点处存储用于各个步骤的典型运行时间。为了开始学习过程，例如使用尺寸为8×12节点的地图。当然也可以使用与此不同的尺寸。在学习之后可以使用训练数据对地图尺寸进行检验。如果地图过大，那么地图的各个节点不会或者仅仅单次由训练数据命中。当地图被证明过大时，在接下来的学习过程中就能够选择略微较小的地图尺寸并且再次启动学习过程。新类型的诊断因此以有利的方式几乎不要求操作者知晓关于待监控的设施的知识并且能够在实践中广泛地使用。如果在诊断运行中待检验的执行的各个步骤的实施时间与在之前学习的自组织地图的节点处的实施时间偏差很大，那么这标志了在受监控的设施中有故障。关于相应在受监控的设施上运行的过程的精确认知可能对于故障起因的随后分析来说才是需要的。
通过根据自组织地图对具有用于待检验的执行的每个步骤的实施时间的数据记录进行评估，在待检验的执行时的时间特性与之前学习的并且在预定的自组织地图中存储的无故障执行的实施时间的偏差被探测和示出。有利的是，为了探测时间特性的偏差而确定在待检验的执行的数据记录和自组织地图的节点之间的最小笛卡尔间距。具有至待检验的执行的数据记录的最小笛卡尔间距的地图节点被测定作为赢取节点。
根据本发明的一个特别有利的实施方式，当至赢取节点的间距超过预定的阈值时，显示出步骤链的待检验的执行时的与标准特性的偏差作为诊断结论。同样如自组织地图的节点的学习一样，阈值能够根据无故障执行的数据记录自动地测定。为此，利用数据记录能够测定相应的赢取节点并且确定在数据记录和所述的赢取节点之间的相应笛卡尔间距。作为阈值，此时为了避免错误诊断，相应地相对于数据记录给出的至其赢取节点的间距可以分别以例如5至50％的安全附加值提高地来计算并且以这样的方式预定。
原理上，自组织地图的节点的预定能够以任意方式，例如通过操作者手动输入实施时间来实现。然而有利地，为了预定自组织地图而能够使用简单执行的学习方法，该学习方法不需要操作者的复杂输入并且几乎不需要关于设施的运行的知识。为此，在待检验的执行之前在数据存储器中存储多个表征设施的无故障运行的数据记录并且根据这些数据记录通过学习方法为地图的节点计算出具有用于无故障执行的时长的n元组并且将其存储在自组织地图的节点处，也就是说对应地存储在节点处。通过这种方式预定的地图可以直接用于评估待检验的执行。但是当然也可以通过操作者事后执行对地图的各个数据的校正。
当在步骤链中出现分支时，由于该分支的原因能够在不同的执行时实施步骤链的替换步骤，此时可以使用新类型的诊断。原理上也许可能的是，为在执行时经过的每个替换路径确定出自组织地图并且自组织地图为了接下来的评估而在诊断中使用。该附加的成分可以有利地被避免，这通过为所有可能被实施的步骤，即也为那些不是在所有的执行中都出现的步骤存储n元组的坐标实现。在待检验的执行中，此时对于未实施的步骤确定值“零”作为时长并将其存储用于数据记录的坐标，该坐标设置用于未实施的步骤。
具有循环的步骤链本身能够被监控，由于该循环的原因步骤链的步骤在执行时能够被多次实施。在根据无故障执行来建立和学习自组织地图时，为在执行中的步骤链的步骤的每次实施都配置n元组的坐标，并且确切地说在步骤处于循环中的情况中为每个新的循环执行进行配置。如果在待检验的执行中很少执行一个循环，那么在不再执行的循环步骤的坐标处相应地存储值“零”。这种类型的监控也能够以有利的方式在以下情形中有意义的使用，在该种情形中步骤实施的时长取决于之前实现的循环执行的数量。在实际情况中，也就是说接下来的步骤也可以受到循环执行的数量的影响。该特性因此同样能够通过自组织地图来监控。此外，由训练数据能够确定出在无故障执行中出现的循环执行最大数量，训练数据也就是在自组织地图的学习时使用的无故障执行的数据记录。如果该最大数量在随后对设施进行监控时被超出，那么这同样意味着在设施中可能存在故障。如果执行的最大数量在监控时相反没有被达到，那么在分配给未执行的步骤的坐标处为相应的步骤的实施时长相应地设置值“零”。
诊断装置可以在自动化环境中有利设计成软件功能单元，其能够连接在具有自动化程序的功能单元的工程规划系统的图形操作面上并且为了运行诊断装置例如能够加载到自动化设备中。在用于在自动化技术设施的操作和观察设备上实现人机接口的所谓的面板上，此时显示出各个步骤的实施时间的识别出的偏差，该偏差指明了在设施中的故障。如果希望的话，在该操作和观察系统上可以通过操作者执行对自组织地图或者阈值的改变，该改变在一定程度上作为偏差敏感性被分配给各个节点。
在特别有利的方式中，可以在用于云基础的设施监控的软件环境中实现用于监控技术设施运行的新的诊断装置、尤其是数据存储器和评估装置。这种类型的软件环境例如是西门子公司的数据库基础远程服务“Control Performance Analytics”。来自客户设施的数据借助软件代理服务器收集、结合，并且发送给西门子服务操作中心，在该中心中将其存储到远程服务计算机上。在那里其借助不同的“数据分析(Data Analytics)”软件应用半自动地评估。在需要时，特别是对远程服务负责的专家高效地在该数据库上工作。数据分析的结果能够显示在远程服务计算机的屏幕上和/或提供到分享点上，从而其能够由终端客户、也就是由技术设备的的操作者例如在浏览器中注意到。
诊断方法因此有利的实施为软件或者软硬件的组合，从而使本发明也涉及一种计算机程序，其具有能够通过计算机执行的程序编码命令，用于实行诊断方法。在本文中，本发明还涉及一种计算机程序产品，尤其是数据载体或者存储介质，具有能通过计算机执行的这类计算机程序。这样的计算机程序能如上所述地保存或加载在自动化设备的存储器中，从而在自动化设备运行时自动地执行对技术设施的运行的监控，或者计算机程序能够在对技术设施进行云基础的监控时保存或加载在远程服务计算机的存储器中。
附图说明
根据在其中示出有根据本发明的实施例的图示，接下来对本发明以及设计方案和优点进一步进行说明。
图中示出：
图1是用于技术设施的一个实例，
图2是步骤链的一个实例，
图3是不同被检验的运行的评估的结果图表。
具体实施方式
图1在简化的示意图中示出了作为实例的过程技术设施1，在该设施中过程2通过自动化系统3控制。自动化系统3包含计划和工程规划工具4、操作和观察设备5以及多个自动化设备6、7、8，其通过用于数据通讯的总线系统9彼此连接。自动化设备6、7、8根据自动化程序的指示来控制技术过程2，自动化程序中的一个在图1中标注为自动化程序10。自动化程序10例如多数由多个功能单元构成，这些功能单元能够与另外在自动化系统3中分布的功能单元交互作用。为了对过程2进行控制，设置有用于过程仪表化的多种多样的现场设备11、12、13、14。测量转换器用于检测过程变量，例如像介质的温度、压力、穿流量、液位、密度或者气体浓度。通过调节机构能够取决于检测到的过程变量、例如自动化程序10的规定对过程流程产生影响。作为用于调节机构的实例可以是调节阀、加热器或者泵。为了对设施1的运行进行监控，表征设施的运行的多个数据记录被检测并且存储在数据存储器15中。通过评估装置16对数据技术进行评估，该数据记录包含步骤链的各个步骤的实施时间，从而确定诊断结论并且显示给操作者，由此也许能够采取用于故障处理的适当措施。
在技术设施1中，技术流程通过也能被描述为流程链的步骤链来控制。一个步骤链展示出了加工步骤或者生产步骤的流程顺序，其例如存储在自动化程序中。各个步骤的时长不仅取决于生产调节而且也取决于由故障限定的波动。步骤的时间监控对于识别偏差和故障情况来说是非常有帮助的。
作为实例在接下来描述的步骤链根据图2以步骤20开始，其以另外的单词“开始”进行文字说明。对于理解本发明完全没有意义的步骤在图2中没有配以文字说明。在具有文字说明“填充反应器”的步骤21中，反应器被填充，其内容物接下来通过搅拌器混合。同时，反应器相应于步骤22被加热，该步骤配有文字说明“加热”。因为在反应器中能够出现不同的填充量，因此搅拌功率根据液位进行不同的选择。步骤链因此具有分支到两个替换路径上的分支23。如果液位小于一半，那么条件24就以文字说明“L_反应器＜0.5”填写，并且搅拌器以其50％的功率在具有文字说明“搅拌器50％”的步骤25中运行。在液位超过该值时，相反以文字说明“L_反应器＞0.5”填写条件26，并且搅拌器的运行功率相应于具有文字说明的“搅拌器100％”的步骤27为100％。这两个替换路径汇合在已经描述的、具有文字说明“加热”的步骤22中。如果达到额定温度，那么生产完成并且能够灌装到布置在后面的桶中。具有文字说明“T＞T_额定”的条件28被检验并且在其这种填充时才过渡到具有文字说明“搅拌器&加热断开”的接下来的步骤29。在询问30中，对所述组件的断开进行检验。询问30因此具有文字说明(是否断开)。紧接着是具有文字说明“转装在桶中”的步骤31，在该步骤中产品被转装到布置在后面的桶中。步骤21至31一直重复，直至在桶中有希望的产品量为止。如果根据具有文字说明“L_桶＜L_额定”的条件32，桶的液位小于额定液位，那么再次执行循环。如果相反桶的液位根据具有文字说明“L_桶＞L_额定”的条件33超过该极限值，那么终止该循环，并且过渡到具有文字说明“结束”的最后步骤34并且终止步骤链。
在真实的运行中出现的问题例如表现为污垢，也就是在内壁上的沉积、为了加热而使用的热交换器的沉积。较强的污垢表现为糟糕的热传递和由此带来的步骤22的实施时长的延长，该时长代表加热过程。然而因为此外能够对在上述循环的不同次执行中的反应器液位进行区分，因此在各个循环执行之间的加热阶段的时长无论如何都会强烈地变化。对步骤22的实施时长的纯监控和与固定的极限值的比较因此也许不是很合适并且也许仅仅会导致很小说服力的诊断结论。根据新的诊断方法，相反优选地为每个循环执行自动地计算出不同的阈值，通过对其进行评估能够获得明显更可靠的诊断结论。
对于用于实施例如在图2中示出的步骤链的各个步骤来说必需的时长的监控现在根据自组织地图来一般性地实现。因此用于执行步骤链的各个步骤的持续时长被用作为表征设施的运行的数据记录。为了自组织地图的学习，使用步骤链的多个良好运行的过程的时间作为训练数据。在学习之后获得自组织地图，其在每个节点处都具有n元组形式的数据记录，其中，n元组的每个坐标都是在无故障执行时的步骤的实施时间。为了开始学习过程，例如可以使用尺寸为8×12节点的地图。在学习之后，训练数据被用于检验地图尺寸。如果地图过大，那么地图的一些节点就不会或者仅仅单次地由训练数据命中。当地图过大时，为另外的学习过程选择例如较小的地图尺寸并且该地图在此根据训练数据来学习。
在另外的步骤中，用于探测在步骤链的待检验的运行时的与标准特性的偏差的阈值自动地根据对用于无故障执行的数据记录进行评估来推导出。为此，利用该数据记录测定相应的赢取节点并且确定至该赢取节点的最大笛卡尔间距。然后，最大间距以一个安全附加值进行提高来作为阈值，该安全附加值例如可以在5和50％之间，优选15％。在设施的晚些时候的运行中超过这种类型的阈值时获得诊断结论，即用于待检验的执行的数据记录存在相对于被学习的自组织地图的偏差，其可能意味着在设施中的故障。
如果在步骤链中存在例如在图2中示出的分支23一样的分支，那么由于该分支的原因未实施的步骤在待检验的执行的数据记录中同样被考虑，并进而这通过对于未实施的步骤为其实施的时长简单地分配值“零”来实现。这具有优点，即在对设施进行监控时，根据自组织地图现在也能够有意义地对以下应用情况进行监控，在这些情况中处于循环中的各个步骤的时长与已经实现的循环执行的数量相关。此外通过该措施能够对以下的情况进行处理，在该情况中在循环之后的步骤的实施时长受到之前实现的循环执行的数量的影响。这种类型的特性本身现在能够通过使用自组织地图而考虑到。由训练数据确定出一个循环的执行的最大数量，训练数据也就是之前检测的且存储的用于自组织地图的学习的无故障执行的数据记录。如果一个步骤由于循环的原因而被多次执行，那么对于每次执行都学习实施该步骤的时长。用于自组织地图的n元组的直至学习的最大数量为止的未执行的步骤时长类似于在分支的情况中的措施被设置到值“零”。
原理上，对于未执行的步骤也可以设置另外的值替代值“零”。然而，值“零”的特征在于对于诊断的操作者有特别高的说服力。
在设施运行期间，为了对其进行监控，根据之前学习的自组织地图对步骤链的待检验的执行进行评估。为每个待检验的执行检测各个步骤的实施时长，将其存储在数据存储器中并且通过评估装置进行评估。在评估时，确定自组织地图的以下节点，其具有至相应待检验的执行的数据记录的最小笛卡尔间距。该间距与分配给相应的节点的预定阈值进行比较。如果该阈值被超过，那么存在与设施运行的标准特性的偏差，其原因可能是设施故障。例如在操作和观察设备(图1中的5)上将其作为诊断结论示出，从而使得操作者能够安排另外的诊断或者采取合适的维修措施。
通过将待检验的执行的每个步骤的实施时间与作为n元组的坐标存储在自组织地图的节点处的无故障执行的实施时间进行比较能够测定，哪些单个步骤具有非常大的偏差并且引起了诊断相关的偏差。设施操作者或者维修人员由此也能够通过警告或者合适的图像显示被告知。
图3示出了图示的一个实例，在图中可以为操作者呈现技术设施的运行的监控结果。顺序地对步骤链的九次执行进行检验。相应被检验的执行的编号在x轴上绘出，x轴以“#循环”进行文字描述。以“步骤”进行文字描述的纵坐标为每第五个步骤记有具有36个步骤的步骤链的相应步骤的编号。通过在图表中示出的点示出，相应步骤的实施的测定时长不具有相对于无故障执行的不允许的偏差。作为“x”示出的叉号期待作为比无故障执行更长的步骤时长，圆形用于较短的步骤时长。对于操作者来说，由于通过该描述的诊断获得支持现在能够简单地识别出，仅仅在横坐标处具有数字编号1和2的这两个执行的第一个中出现偏差，这些偏差能够指明在设施中的故障。在编号1的执行中，用于步骤19、27、28和30的实施时间不正常地短，用于步骤20的时长相反不正常地长。在编号2的执行的情况中，用于步骤13、16、17、19和27的时间不正常地短。由于该指示，操作者现在能够引入进一步的诊断，从而精确地探测到故障起因。
Claims (10)
1.一种用于监控具有自动化系统(3)的技术设施(1)的运行的诊断装置，其中，所述诊断装置包括数据存储器(15)和评估装置(16)，其中，在所述数据存储器中能够存储至少一个表征所述设施的运行的数据记录，通过所述评估装置根据所述数据记录和预定的自组织地图能够确定和/或显示关于所述设施(1)的所述运行的诊断结论，其特征在于，
所述评估装置(16)设计用于：在设施运行具有重复执行的步骤链的情况中，测定在步骤链的待检验的执行周期中的每个步骤的实施的时长，并且将所述时长存储作为所述数据记录的坐标，其中，所述数据记录实施为具有预定的n个坐标的n元组，
在所述自组织地图的节点处存储有具有用于所述步骤链的无故障执行的预定时长的相应n元组，并且
所述评估装置(16)进一步设计用于，通过借助于所述自组织地图对所述数据记录的评估来探测和示出在所述步骤链的待检验的执行时的时间特性与在无故障执行时的时间特性的偏差。
2.根据权利要求1所述的诊断装置，其特征在于，所述评估装置(16)设计用于，为了探测时间特性的偏差而确定在所述待检验的执行的所述数据记录和所述自组织地图的节点之间的最小笛卡尔间距。
3.根据权利要求2所述的诊断装置，其特征在于，所述评估装置(16)设计用于，当所述间距超过预定的阈值时显示出在所述步骤链的待检验的执行时与标准特性的偏差作为诊断结论。
4.根据权利要求1-3中任一项所述的诊断装置，其特征在于，所述评估装置(16)设计用于，为了预定所述自组织地图而在待检验的执行之前在所述数据存储器(15)中存储多个表征所述设施的无故障执行的数据记录，并且所述评估装置设计用于，根据这些数据记录通过学习方法为所述节点计算出具有用于无故障执行的步骤的实施的时长的n元组并且将该n元组存储在所述自组织地图的节点处。
5.根据权利要求4所述的诊断装置，其特征在于，所述评估装置(16)设计用于，在待检验的执行之前在所述数据存储器(15)中还存储另外的表征所述设施的无故障运行的数据记录，为该数据记录相应地确定一个赢取节点，计算出该数据记录至分配给该数据记录的赢取节点的相应的最大间距并且该最大间距被相应地提高一个附加值，以避免错误诊断，该最大间距被作为预定的、相应地分配给所述赢取节点的阈值存储。
6.根据权利要求1-3中任一项所述的诊断装置，其特征在于，所述评估装置(16)设计用于，在步骤链中有分支(23)的情况中为在待检验的执行中未实施的步骤确定值“零”作为时长并将该值存储用于所述数据记录的坐标，该坐标设置用于未实施的步骤，其中，由于所述分支的原因能够在执行时实施所述步骤链的替换步骤。
7.根据权利要求1-3中任一项所述的诊断装置，其特征在于，所述评估装置(16)设计用于，在步骤链中存在循环时，在所述自组织地图根据无故障执行来学习的情况中为一次执行中的步骤链的步骤的每次实施配置n元组的一个坐标，并且为在所述步骤链的待检验的执行中未实施的循环步骤确定值“零”作为时长并将该值存储用于所述数据记录的坐标，所述坐标设置用于未实施的循环步骤，其中，由于所述循环的原因所述步骤链的步骤在一次执行时能够被多次实施。
8.根据权利要求1-3中任一项所述的诊断装置，其特征在于，至少所述数据存储器(15)和所述评估装置(16)通过软件在用于所述设施(1)的远程诊断的远程服务计算机上实施。
9.一种用于监控技术设施(1)的运行的诊断方法，具有以下步骤：
在数据存储器(15)中存储至少一个表征所述设施(1)的运行的数据记录，
根据所述数据记录和预定的自组织地图来确定关于所述设施的运行的诊断结论，
其特征在于另外的步骤，该步骤在设施运行具有重复执行的步骤链的情况中实施：
测定在步骤链的待检验的执行周期中的每个步骤的实施的时长，
将之前测定的所述时长存储为所述数据记录的相应的坐标，其中，所述数据记录实施作为具有预定的n个坐标的n元组，
通过借助于所述自组织地图对所述数据记录的评估来探测和示出在所述步骤链的待检验的执行时的时间特性与在无故障执行时的时间特性的偏差，其中，在所述自组织地图的节点处存储有具有用于所述步骤链的无故障执行的预定时长的相应n元组。
10.一种存储介质，具有能够通过计算机执行的程序代码命令，以用于所述程序代码命令在计算机上实施时实现根据权利要求9所述的方法。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| EP16164829.0 | 2016-04-12 | ||
| EP16164829.0A EP3232282B1 (de) | 2016-04-12 | 2016-04-12 | Diagnoseeinrichtung und verfahren zur überwachung des be-triebs einer technischen anlage |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107291063A CN107291063A (zh) | 2017-10-24 |
| CN107291063B true CN107291063B (zh) | 2019-09-13 |
Family
ID=55759471
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710232107.2A Active CN107291063B (zh) | 2016-04-12 | 2017-04-11 | 用于监控技术设施的运行的诊断装置和诊断方法 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US10481581B2 (zh) |
| EP (1) | EP3232282B1 (zh) |
| CN (1) | CN107291063B (zh) |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3324254A1 (de) * | 2016-11-17 | 2018-05-23 | Siemens Aktiengesellschaft | Einrichtung und verfahren zur bestimmung der parameter einer regeleinrichtung |
| EP3495900A1 (de) | 2017-12-11 | 2019-06-12 | Siemens Aktiengesellschaft | Optimierung von prozessen mithilfe von selbstorganisierenden karten |
| CN108960423A (zh) * | 2018-06-22 | 2018-12-07 | 青岛鹏海软件有限公司 | 基于机器学习的电机监测系统 |
| EP3591482B1 (de) | 2018-07-03 | 2024-06-12 | Siemens Aktiengesellschaft | Überwachung einer technischen anlage |
| JP2020173168A (ja) * | 2019-04-10 | 2020-10-22 | 大日防蝕化工株式会社 | ライニングの非破壊劣化検査方法 |
| KR102342476B1 (ko) | 2019-10-25 | 2021-12-24 | 한국과학기술연구원 | 시설의 센싱 데이터를 이미지화하여 시설의 상태를 판단하는 시스템 및 방법 |
| CN115219912A (zh) * | 2022-04-24 | 2022-10-21 | 山东大学 | 一种储能电池早期故障诊断与安全超前预警方法及系统 |
| CN116882946B (zh) * | 2023-09-06 | 2024-01-19 | 南京南自华盾数字技术有限公司 | 一种基于发电企业数据的智能化管理系统及方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0446036A2 (en) * | 1990-03-09 | 1991-09-11 | Hitachi, Ltd. | Control apparatus |
| EP0351833B1 (en) * | 1988-07-20 | 1996-06-12 | Mitsubishi Jukogyo Kabushiki Kaisha | Plant fault diagnosis system |
| CN1490630A (zh) * | 2002-09-23 | 2004-04-21 | 用于支持识别技术设备中的故障功能单元的方法 | |
| CN101027617A (zh) * | 2004-08-13 | 2007-08-29 | 新卡特彼勒三菱株式会社 | 数据处理方法，数据处理设备，诊断方法和诊断设备 |
| CN102419593A (zh) * | 2011-10-08 | 2012-04-18 | 济中节能技术（苏州）有限公司 | 基于数据挖掘的传感器故障诊断方法 |
| EP2472440B1 (en) * | 2011-01-04 | 2014-06-25 | Siemens Aktiengesellschaft | Method and system for diagnosis of plant status |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008190454A (ja) * | 2007-02-06 | 2008-08-21 | Toyota Motor Corp | 空燃比センサの異常診断装置及び異常診断方法 |
| US20120310850A1 (en) * | 2010-07-16 | 2012-12-06 | Sap Ag | Method and System for Evaluating Events |
-
2016
- 2016-04-12 EP EP16164829.0A patent/EP3232282B1/de active Active
-
2017
- 2017-04-10 US US15/482,997 patent/US10481581B2/en active Active
- 2017-04-11 CN CN201710232107.2A patent/CN107291063B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0351833B1 (en) * | 1988-07-20 | 1996-06-12 | Mitsubishi Jukogyo Kabushiki Kaisha | Plant fault diagnosis system |
| EP0446036A2 (en) * | 1990-03-09 | 1991-09-11 | Hitachi, Ltd. | Control apparatus |
| CN1490630A (zh) * | 2002-09-23 | 2004-04-21 | 用于支持识别技术设备中的故障功能单元的方法 | |
| CN101027617A (zh) * | 2004-08-13 | 2007-08-29 | 新卡特彼勒三菱株式会社 | 数据处理方法，数据处理设备，诊断方法和诊断设备 |
| EP2472440B1 (en) * | 2011-01-04 | 2014-06-25 | Siemens Aktiengesellschaft | Method and system for diagnosis of plant status |
| CN102419593A (zh) * | 2011-10-08 | 2012-04-18 | 济中节能技术（苏州）有限公司 | 基于数据挖掘的传感器故障诊断方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| EP3232282A1 (de) | 2017-10-18 |
| US10481581B2 (en) | 2019-11-19 |
| EP3232282B1 (de) | 2018-09-12 |
| CN107291063A (zh) | 2017-10-24 |
| US20170308056A1 (en) | 2017-10-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107291063B (zh) | 用于监控技术设施的运行的诊断装置和诊断方法 | |
| CN107085415B (zh) | 过程控制网络中的规则构建器 | |
| US20180107196A1 (en) | Method of Detecting Home Appliance Bus Control System | |
| US20160292188A1 (en) | Data cleansing system and method for inferring a feed composition | |
| US7062358B2 (en) | System apparatus and method for diagnosing a flow system | |
| US20070043539A1 (en) | Abnormality monitoring system and abnormality monitoring method | |
| US10768188B2 (en) | Diagnostic device and method for monitoring operation of a technical system | |
| CN101529354A (zh) | 焦化加热器中的异常情况预防 | |
| EP3866177A1 (en) | Abnormal driving state determination device and method using neural network model | |
| US8306689B2 (en) | Integrated net-centric diagnostics dataflow for avionics systems | |
| CN107111312A (zh) | 监视在工业现场运行的过程的至少一个步骤的监视装置和监视方法 | |
| JP2019045905A (ja) | 挙動予測システム及び挙動予測方法 | |
| CN104204981B (zh) | 用于基于网络的测试的方法和设备 | |
| CN105308523B (zh) | 车间诊断系统 | |
| US7698245B2 (en) | Applying rules to validating data for a machine arrangement | |
| US11567823B2 (en) | Method for identifying and evaluating common cause failures of system components | |
| CN115829191B (zh) | 生成检验计划的方法、设备及存储介质 | |
| Yeh et al. | An automaton-based approach to evaluate and improve online diagnosis schemes for multi-failure scenarios in batch chemical processes | |
| CN116186976A (zh) | 装备平台传感器采集数据准确度验证方法及验证系统 | |
| CN110188040A (zh) | 一种针对软件系统故障检测与健康状态评估的软件平台 | |
| CN113283510B (zh) | 一种基于全业务混合数据的二次设备健康状况分析方法 | |
| KR102269641B1 (ko) | 입출력모듈 점검 시스템 | |
| WO2020240403A1 (en) | Method and system for monitoring condition of drives | |
| Tóth et al. | A structural decomposition-based diagnosis method for dynamic process systems using HAZID information | |
| CN108762227A (zh) | 一种自动驾驶测试系统及方法 |
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 |