CN108604360B - 设施异常监测方法及其系统 - Google Patents

设施异常监测方法及其系统 Download PDF

Info

Publication number
CN108604360B
CN108604360B CN201680080886.2A CN201680080886A CN108604360B CN 108604360 B CN108604360 B CN 108604360B CN 201680080886 A CN201680080886 A CN 201680080886A CN 108604360 B CN108604360 B CN 108604360B
Authority
CN
China
Prior art keywords
data
prediction
facility
model
models
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
Application number
CN201680080886.2A
Other languages
English (en)
Other versions
CN108604360A (zh
Inventor
朴志焄
金荣民
曹寅硕
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Doosan Heavy Industries and Construction Co Ltd
Original Assignee
Doosan Heavy Industries and Construction Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Doosan Heavy Industries and Construction Co Ltd filed Critical Doosan Heavy Industries and Construction Co Ltd
Publication of CN108604360A publication Critical patent/CN108604360A/zh
Application granted granted Critical
Publication of CN108604360B publication Critical patent/CN108604360B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G05B23/024—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
    • 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
    • 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
    • G05B23/0254—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 quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, Neural Networks
    • 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
    • G05B23/0267—Fault communication, e.g. human machine interface [HMI]
    • G05B23/027—Alarm generation, e.g. communication protocol; Forms of alarm
    • 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
    • G05B23/0281—Quantitative, e.g. mathematical distance; Clustering; Neural networks; Statistical analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/18—Status alarms
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/18—Status alarms
    • G08B21/182—Level alarms, e.g. alarms responsive to variables exceeding a threshold

Abstract

本发明公开通过利用具有不同特征的多个预测模型对实时采集到的设施数据进行学习而生成精确度最高的预测值并借此对异常进行诊断，从而能够准确地监测出设施的异常并在早期发出警报的设施异常监测方法及其系统。所公开的设施异常监测系统能够包括：数据采集部，用于对上述设施数据进行采集；学习模型选择部，为了对上述设施数据值进行预测而选择多个模型；以及异常警报部，由配备有多个预测算法的预测算法部、基于从上述预测算法部输出的预测数据执行集成学习(Ensemble Learning)并输出最终预测数据的集成学习部、通过对上述最终预测数据与上述数据采集部所采集到的数据进行比较而对上述设施的异常与否进行判定的警报逻辑构成。

Description

设施异常监测方法及其系统
技术领域
本发明涉及一种设施异常监测方法及其系统，尤其涉及一种能够对设施数据进行实时采集并通过对所采集的数据进行学习而对正常状态的数据进行预测，接下来再通过将实时设施数据与所预测出的正常状态的数据进行比较而对异常进行诊断，其中，通过基于具有参数(Parametric)模型和非参数(Non Parametric)模型的不同特征的多个预测模型对预测值进行组合，能够生成精确度最高的预测值并借此对异常进行诊断，从而能够准确地在早期监测出设施的异常并提供相关信息的设施异常监测方法及其系统。
背景技术
通常，如发电或化工等大型设施需要通过多种不同类型的数百个机械以及电气设备的复杂连接而实现运转。如上所述的设施为了能够确保可靠性并借此实现稳定的电源供应，需要对可能成为事故诱因的异常症候进行实时监测。
为此，需要使用能够对构成设施的主要构成部件的破损与否进行实时监测并在从部件上发现异常症候时能够向运行人员发出警报的监测装置。
现有的监测装置只能够单纯地在从部件上监测到开裂(crack)现象的发生时向运行人员发出警报。虽然运行人员能够认知到在部件上发生开裂现象的事实，但是却无法了解到具体的损伤程度，因此只能够在对警报进行确认之后立即停止运行并决定是否需要对其进行维护。
因此，即使是在所发生的开裂现象的程度比较轻微的情况下，也需要在停止运行之后再进行评估以及维护作业，从而可能会导致运行效率的下降。
所以，需要开发出一种当设施中的特定设备相关的运行变量超出正常运行状态并接近危险状态时，能够在早期提前对相应的危险发出警报，以便于能够快速地采取适当措施的技术。
发明内容
为了解决如上所述的现有问题，本发明的目的在于提供一种能够对设施数据进行实时采集并通过对所采集的数据进行学习而对正常状态的数据进行预测，接下来再通过将实时设施数据与所预测出的正常状态的数据进行比较而对异常进行诊断，其中，通过基于具有参数(Parametric)模型和非参数(Non Parametric)模型的不同特征的多个预测模型对预测值进行组合，能够生成和学习精确度最高的预测值并借此对异常进行诊断，从而能够准确地在早期监测出设施的异常并提供相关信息的设施异常监测学习系统及其方法。
为了实现上述目的，适用本发明的设施异常监测系统，能够包括：数据采集部，用于对上述设施数据进行采集；学习模型选择部，为了对上述设施数据值进行预测而选择包括参数(Parametric)模型和非参数(Non-Parametric)模型在内的多个模型；以及，异常警报部，由配备有向通过上述学习模型选择部选择的多个模型分别适用优化算法的多个预测算法的预测算法部、基于从上述预测算法部输出的预测数据执行集成学习(EnsembleLearning)并输出最终预测数据的集成学习部、通过对上述最终预测数据与上述数据采集部所采集到的数据进行比较而对上述设施的异常与否进行判定的警报逻辑构成。在此基础上，还能够包括：数据学习部，在上述数据采集部所采集到的设施数据中，对判定为异常状态时的数据进行删除，仅提取出上述设施被判定为正常状态时的数据并生成学习数据；以及，建模部，为了生成与上述设施类似的输出，通过使各个预测模型利用在上述数据学习部中生成的上述学习数据进行学习而对上述各个预测模型进行优化；其中，上述学习模型选择部能够选择上述预测模型中的一部分或全部作为上述多个模型。其中，上述预测模型，能够包括第1原则模型(First Principles based Model)、状态空间模型(State SpaceModel)、ARX(Auto Regressive eXogenous)模型、NARX(Nonlinear Auto RegressiveeXogenous)模型、FIR(Finite Impulse Response)模型、ARMAX(Auto Regressive MovingAverage with eXogenous terms)模型、NPM(Non Parametric Model)、TM(Tree Model)以及NNM(Neural Network Model)中的至少一种。
此外，上述警报逻辑，通过对上述最终预测数据与上述数据采集部所采集到的设施数据之间的差异进行计算而生成残差，当所生成的残差大于预先设定的容许值时判定上述设施处于异常状态，上述多个预测逻辑，向上述多个模型分别适用不同的优化算法，而上述预测算法，能够包括对变量之间的关系进行预测的回归(Regression)方式以及通过对具有类似属性的项目进行聚合而生成聚类并进行预测的聚类(clustering)方式。
为了实现上述目的，适用本发明的设施异常监测方法，能够包括：(a)由数据采集部对设施的设施数据进行采集的步骤；(b)由学习模型选择部为了对上述设施数据值进行预测而选择包括参数(Parametric)模型和非参数(Non-Parametric)模型在内的多个模型的步骤；(c)由向上述多个模型上分别适用优化算法的多个预测算法生成预测数据的步骤；(d)由集成学习部基于上述预测数据执行集成学习(Ensemble Learning)并输出最终预测数据的步骤；以及，(e)由警报逻辑对上述最终预测数据与上述数据采集部所采集到的数据进行比较，从而对上述设施的异常与否进行判定的步骤。在此基础上，还能够包括：(f)在上述数据采集部所采集到的设施数据中，对上述设施被判定为异常状态时的数据进行删除，仅提取出上述设施被判定为正常状态时的数据并生成学习数据的步骤；以及，(g)为了生成与上述设施类似的输出，通过使各个预测模型利用在上述数据学习部中生成的上述学习数据进行学习而对上述各个预测模型进行优化的步骤；其中，上述步骤(b)能够包括选择上述预测模型中的一部分或全部作为上述多个模型的步骤。
此外，上述步骤(e)，能够包括通过对上述最终预测数据与上述设施数据之间的差异进行计算而生成残差，当所生成的残差大于预先设定的容许值时判定上述设施处于异常状态的步骤，上述步骤(c)，能够包括向上述多个模型分别适用不同的优化算法的步骤，而上述多个预测算法，能够包括对变量之间的关系进行预测的回归(Regression)方式以及通过对具有类似属性的项目进行聚合而生成聚类并进行预测的聚类(clustering)方式。
在本发明中，能够通过利用包括参数(Parametric)模型和非参数(Non-Parametric)模型在内的多个预测模型对用于从设施采集传感器数据并对其异常状态进行监测的预测数据进行集成学习(Ensemble Learning)，从而提升预测的准确性。
此外，能够通过使用具有参数(Parametric)模型和非参数(Non-Parametric)模型的不同特征的多个预测模型，在充分发挥针对学习模型的特定单一模型的优点的同时改善其缺点，从而提供准确度最高的预测数据。
此外，能够通过提升预测的准确度，在正确地监测出设施的异常并于早期发出警报(Alarm)的同时大幅度地降低错误警报的发生比例，从而构建出高可靠性的设施异常监测系统。
附图说明
图1是对适用本发明之一实施例的设施异常监测系统的功能块进行概要性图示的构成图。
图2是对适用本发明之一实施例的生成包括多个参数模型161、163以及非参数模型165、167的预测模型的建模部160进行图示的示意图。
图3是对建模部160的各个模型161、163、165、167由模型部310以及优化部320构成的状态进行图示的示意图。
图4是对包括预测算法部410、集成学习部420以及警报逻辑430的异常警报部140进行图示的示意图。
图5是对适用本发明之一实施例的设施异常监测系统的简化块图进行图示的示意图。
图6是用于对适用本发明之一实施例的设施异常监测方法进行说明的流程图。
图7是对基于适用本发明之一实施例的参数模型与非参数模型的组合以及集成学习的预测结果与基于现有方式的预测结果的准确度进行图示的示意图。
具体实施方式
接下来，为了便于具有本发明所属技术领域之一般知识的技术人员轻易地实施本发明，将结合附图对适用本发明的实施例进行详细的说明。本发明能够以多种不同的形态实现，并不限定于在此说明的实施例。
为了能够明确地对本发明进行说明，对与说明无关的部分进行了省略，而且在整个说明书中对于相同或类似的构成要素，分配了相同的参考符号。
在整个说明书中，当记载为某个部分与其他部分“连接”时，不仅包括“直接连接”的情况，还包括在两者之间介有其他元件实现“电气连接”的情况。此外，当记载为某个部分“包括”某个构成要素时，除非另有明确的相反记载，否则并不排除其他构成要素的存在，还代表能够进一步包括其他构成要素。
当记载为某个部位“位于”其他部分的“上方”时，可以直接位于其他部分的上方，或在两者之间包括其他部分。与其不同，当记载为某个部分“直接位于”其他部分的“上方”时，两者之间不包括其他部分。
为了对不同的部分、成分、区域、层和/或区间进行说明，能够使用如第1、第2以及第3等术语，但是本发明并不以此为限。这些术语只是用于对某个部分、成分、区域、层或区间与其他部分、成分、区域、层或区间进行区别。因此，在下述内容中进行说明的第1部分、成分、区域、层或区间，也能够在不脱离本发明的范围之内描述为第2部分、成分、区域、层或区间。
在本说明书中所使用的专业术语只是用于对特定的实施例进行说明，并不是为了对本发明进行限定。在本说明书中所使用的单数形态的语句，除非另有明确的相反记载，否则还包括复数形态的含义。在本说明书中所使用的“包含”术语，只是用于对特定的特性、区域、常数、步骤、动作、要素和/或成分进行具体化，并不排除其他特性、区域、常数、步骤、动作、要素和/或成分的存在或被附加的可能性。
为了更明确地对附图中所图示的一个部分与另一个部分之间的关系进行说明，能够使用如“上”、“下”等用于指示相对空间关系的术语，上述术语除了附图中的预期的含义之外，还包括与所使用的装置相关的其他含义或动作。例如，当对附图中的装置进行反转时，原本被记载为位于其他部分的“下方”的某个部分将被记载为位于其他部分的“上方”。因此，如“下方”等示例性的术语同时包括上侧以及和下侧方向。装置能够以90°进行旋转或以其他角度进行旋转，而用于指示相对空间关系的术语也应做出相应的解释。
除非另有不同的定义，否则在本说明书中所使用的包括技术术语以及科学术语在内的所有术语的含义，与具有本发明所属领域之一般知识的技术人员所通常理解的含义相同。通常所使用的已在词典做出定义的术语，应解释为符合相关的技术文献以及当前所公开的内容的含义，而且除非另有定义，否则不应解释为过于理想化或原则性的含义。
接下来，为了便于具有本发明所属技术领域之一般知识的技术人员轻易地实施本发明，将结合附图对适用本发明的实施例进行详细的说明。但是本发明能够以多种不同的形态实现，并不限定于在此说明的实施例。
图1是对适用本发明之一实施例的设施异常监测系统的功能块进行概要性图示的构成图。
如图1所示，适用本发明的设施异常监测系统，能够包括：数据采集部110、学习模型选择部120以及异常警报部140。在此基础上，还能够包括：数据学习部130、建模部160、控制部150以及诊断数据库(DB)170。
数据采集部110，能够通过安装在设施的特定设备或特定位置上的测定传感器实时地对设施数据进行采集。实时采集到的数据能够以一定的时间间隔进行聚合，从而适用于如建模、预测以及诊断等。例如，当时间间隔为5分钟时，能够通过对每5分钟之内的数据进行聚合而形成一个数据群，接下来继续以5分钟为单位生成数据群并将其适用于建模、预测以及诊断。
数据学习部130能够通过对数据采集部110所采集到的数据进行处理而提取出用于生成预测模型的学习数据。具体来讲，因为所采集到的实时数据中不仅能够包括在设施的正常状态下应用时的数据即正常状态数据，还能够包括在设施的异常状态下应用时的数据即异常状态数据，因此数据学习部130能够从通过预处理过程(Pre-Processing)采集到的实时数据中仅提取或生成正常状态数据，从而提取出用于生成预测模型的学习数据。
其中，预处理(Pre-Processing)过程是用于对异常状态的数据进行删除的过程，能够通过对实时测定到的数据进行检讨而利用多种方法对异常与否进行判定。通过对判定为异常状态时的数据进行删除，能够提取或生成学习数据。
建模部160能够利用从数据学习部130提取出的学习数据生成预测模型。预测模型能够包括多个参数(Parametric)模型161、163以及多个非参数(Non-Parametric)模型165、167。此外，建模部160的各个模型能够由模型部310以及优化部320构成。
图2是对适用本发明之一实施例的生成包括多个参数模型161、163以及非参数模型165、167的预测模型的建模部160进行图示的示意图。
图3是对建模部160的各个模型161、163、165、167由模型部310以及优化部320构成的状态进行图示的示意图。
参数模型是指利用有限数量的参数表现系统的模型。即，参数模型能够利用有限的几个参数对系统进行描述。作为如上所述的参数模型，能够使用如第1原则模型(FirstPrinciples based Model)、传递函数模型(Transfer Function Model)、状态空间模型(State Space Model)等。其中，第1原则模型能够是将通过最基础且基本的物理学第1法则确定的内容作为参数使用的模型，状态空间模型能够是将状态变量作为参数使用的模型，而传递函数模型能够是将用于规定输入和输出之间的传递函数的变量作为参数使用的模型。其中，传递函数模型能够包括如ARX(Auto Regressive eXogenous)、NARX(NonlinearAuto Regressive eXogenous)、FIR(Finite Impulse Response)以及ARMAX(AutoRegressive Moving Average with eXogenous terms)模型等。
非参数模型是指为了表现设施的状态而能够使用无限个参数的模型，能够包括如NPM(Non Parametric Model)、TM(Tree Model)以及NNM(Neural Network Model)等。虽然非参数模型在概念上能够使用无限个参数，但是实际上依然使用有限个表现模型。
建模部160的各个模型161、163、165、167能够以用于对设施进行建模的上述各种方式为基础，利用在数据学习部130中提取出的学习数据(x(k)；210)在优化部320中进行优化，从而生成不同方式的已优化的预测模型。作为此时所使用的优化算法，能够使用对残差的乘方值进行最小化的LSM(Least Squares Method)、寻找最大似然值的MLM(MaximumLikelihood Method)、利用将具有相关关系的学习数据转换成没有线形相关关系的值集合的直角转换方式减少数据的维度并借此更准确地进行建模的PCA(Principal ComponentAnalysis)、将时间概念结合到PCA中的基于时间序列性的维度减少技术即DPCA(DynamicPrincipal Component Analysis)、将回归(Regression)技术结合到PCA中的PLS(PartialLeast Squares)等。
作为一实施例，为了生成ARX方式的优化预测模型，模型部310能够对ARX方式所需要的参数和公式等进行定义。下述公式为用于在一般的ARX方式中对输出进行计算的公式。
A(z)y(k)＝B(z)x(k-n)+e(k)
其中，e(k)代表需要进行建模的设施的残差相关信息，A(z)和B(z)代表后向延迟运算符(z-1)的多项式(polynomial)，可以说是用于规定ARX方式的参数。因此，模型部310能够在如上述公式的一般ARX方式中对多项式的数量进行确定。此时，虽然能够通过增加多项式的数量而生成更优化的ARX模型，但是可能会因此需要较强的计算能力(Computingpower)并需要更长的稳定化时间。优化部320能够利用所输入的数据(x(k)；210)对用于在上述模型部310中将所选择的模型优化成与设施类似状态的参数A(z)和B(z)进行确定。
学习模型选择部120能够从建模部160所生成的多个预测模型中选择符合当前设施状况的最佳的预测模型并对其进行组合。如上所述，参数模型和非参数模型分别具有各自的优点和缺点。
在【表1】中对能够适用于本发明的一个参数模型与一个非参数模型的优点和缺点进行了比较。
【表1】
Figure BDA0001751785570000081
Figure BDA0001751785570000091
如【表1】所示，因为不同模型的优点和缺点非常明显，因此为了生成更加准确的预测模型，能够通过对具有不同特征的多个模型进行组合而生成预测模型，以便于在各个模型中选择属于优点的功能并对属于弱点的功能进行改善。
作为一实例，在建模部160所生成的多个预测模型中，作为参数模型能够选择ARX以及ARMAX模型，而作为非参数模型能够选择NPM或NNM模型。接下来，能够通过对上述所选定的多个模型进行组合而生成预测模型。
异常警报部140能够从基于在学习模型选择部120中生成的预测模型执行优化的各预测算法中推测出预测值，接下来通过基于上述预测值进行集成学习而得出最佳的预测值，然后通过将预测值与实测值进行比较而对异常与否进行判定，并在判定为异常时发出警报。
图4是对包括预测算法部410、集成学习部420以及警报逻辑430的异常警报部140进行图示的示意图。
如图4所示，预测算法部410能够按照向学习模型选择部120所生成的预测模型适用优化的各预测算法分别获得预测值。此时，作为在预测算法中所使用的优化算法，能够使用在上述建模部160中使用的优化算法。在【表2】中对与预测算法的核心技术相关的性能限制事项以及检讨结果进行了总结，能够以上述检讨结果为基础，对需要在学习模型选择部120中使用的模型以及需要适用的优化算法进行确定。
【表2】
Figure BDA0001751785570000092
Figure BDA0001751785570000101
作为预测算法，包括对变量之间的关系进行预测的回归(Regression)方式以及通过对具有类似属性的项目进行聚合而生成聚类并进行预测的聚类(clustering)方式，虽然在本发明中能够使用回归方式以及聚类方式，但是在下述内容中将仅对回归方式的使用进行说明。
回归方式能够分成基于模型的方式(Model-based method)以及基于算法的方式(Algorithm-based Method)。基于模型的方式能够使用多个线形/非线性模型。回归模型是以线形或非线性方式对从属变量(本发明中的预测值)与一个以上的独立变量(本发明中的设施数据)之间的相关关系进行建模。基于算法的方式包括k-NN方式。在本发明中，尝试同时利用基于模型的方式以及基于算法的方式提取出最佳的预测值。
如图4的一实例所示，预测算法部410能够对学习模型选择部120所选择的一个模型即ARX模型适用基于利用LSM进行优化的模型即MLRM的算法，从而提取出一个预测值(Estimated Value_mlrm(k))以及残差值(Residual_mlrm(k))，而对另一模型即NPM使用基于k-NN的算法，从而提取出另一个预测值(Estimated Value_kNN(k))以及残差值(Residual_kNN(k))。在本实例中，预测算法部410是从学习模型选择部120选择2个模型并通过进行优化而生成预测值，但是也能够选择更多的模型并通过进行优化而生成预测值。即，也能够选择4个、8个模型并通过对各个模型进行优化而提取出预测值。
集成学习部420能够基于从各个模型提取出的预测值进一步提取出最佳的预测值。集成学习是指为了得到比独立使用时更加良好的预测性能而使用多个学习算法的方式。在本发明中为了提升预测值的准确度而选择了具有不同特征的多个预测模型，而且为了能够基于各个预测模型的预测值推测出最佳预测值而采用了集成学习方式。
为了能够基于各个预测模型的预测值推测出最准确的预测值，集成学习部420可以采用各种算法方式，包括不在各个预测模型所推测出的预测值上乘以加权值的以多数通过为基准的套袋(bagging)方式或在各个预测模型所推测出的预测值上乘以加权值并相加之后进行推测的加权值投票(boosting)方式等。除此之外，还能够包括在不同的领域使用不同预测模型的预测值的混合专家(Mixture of Experts)方式等。作为适用如上所述的套袋方式的一实施例，与预测算法部410的各预测模型相关的预测算法将生成预测值(Estimated Value)以及残差(Residual)值并传递到集成学习部420。使用套袋方式的集成学习部420能够选择残差值最小的预测模型并将上述预测模型的预测值选定为最佳的预测值。
通过如上所述的方式由集成学习部420推测出的最佳的预测值421将被传递到警报逻辑430中，以便于对设施的异常状态进行判定。警报逻辑430利用集成学习部420所推测出的最佳的预测值421以及实测值，将从实测值减去预测值的差值作为残差，并在上述所生成的残差值超过容许值时判定为异常状态，从而在输出警报的同时还能够显示与异常相关的警告信息。
控制部150能够执行如对上述设施异常监测系统的各部分中所需要的参数进行设定等控制操作。即，为了将数据采集部110实时采集到的数据适用于如建模、预测、诊断等，能够按照一定的时间间隔(例如5分钟或10分钟)进行聚合，而控制部150能够将上述一定的时间间隔相关的信息传递到数据采集部110。此外，学习模型选择部120能够根据需要进行建模的设施环境选定多个预测模型，为此，控制部150能够将设施环境相关的信息传递到学习模型选择部120。此外，控制部150还能够将在异常警报部140中用于判定异常状态的容许值相关信息提供给异常警报部140。
诊断数据库170能够将在设施上发生异常的事例作为诊断数据进行保存。其中，与发生异常的事例相关的数据是将实时测定到的设施数据作为实测值，并将按照如上所述的本发明学习的正常状态数据作为预测值，将从实测值减去预测值的差值作为残差，并在上述所生成的残差值超过容许值时判定为异常状态，同时对发生异常状态时的非正常状态的设施数据与正常状态的设施数据进行分别保管。此外，诊断数据库170能够将各异常状态相关的原因与各非正常状态的设施数据进行对应保存。具体来讲，在发生异常状态的情况下，管理人员能够在生成警报时对设施进行检查，并借此对异常状态的原因以及结果等进行确认。控制部150能够将管理人员输入的异常状态的原因以及结果与各非正常状态的设施数据进行对应并保存到诊断数据库170中。
接下来，控制部150能够对在异常警报部140判定为异常状态时的设施数据与保存在诊断数据库170中的非正常状态的设施数据进行比较，在具有与其类似的数据的情况下基于保存在诊断数据库170中的异常状态的原因以及结果信息自动地将其原因通知给管理人员并指示其采取适当的措施。
在上述内容中，对设施异常监测系统进行了说明。在上述说明中，设施异常监测系统能够分成用于生成预测模型的预测模型生成部510，以及基于上述预测模型生成部510所生成的预测模型生成预测值并以此为基础对设施的异常状态进行判定的异常状态判定部520。图5是对适用本发明之一实施例的设施异常监测系统的简化块图进行图示的示意图。
如上所述，预测模型生成部510能够基于多个参数模型或多个非参数模型，利用所输入的设施数据210生成最佳预测模型，异常状态判定部520能够从设施数据按照所生成的多个预测模型推测出预测值，并利用集成学习方法推测出最佳的预测值。其中，预测模型生成部510能够包括上述的数据学习部130、建模部160以及学习模型选择部120，而异常状态判断部520能够包括由预测算法部410、集成学习部420以及警报逻辑430构成的异常警报部140。此外，预测模型生成部510与异常状态判断部520能够相互独立工作。即，虽然在上述说明内容中是按照预测模型生成部510与异常状态判断部520同时执行的方式进行了说明，但是也能够在不同的时间执行。例如，能够基于试运行期间的资料生成预测模型，接下来在运行过程中能够通过对传感器的实测值与基于预测模型计算出的预测值进行比较而对其异常状态进行判断。在这种情况下，预测模型生成部510与异常状态判断部520能够在不同的时间工作。与此不同，也能够使预测模型生成部510与异常状态判断部520同时执行，并将建模部160直接作为预测算法部410进行使用。
图6是用于对适用本发明之一实施例的设施异常监测方法进行说明的流程图。
如图6所示，适用本发明的设施异常监测系统100，首先由数据采集部110通过各传感器实时地对设施数据进行采集(S310)。
即，数据采集部110通过安装在设施的各个装置或地点上的各个测定传感器对相应的传感器数据进行采集(Data Collecting)，能够根据批量调度计划(Batch Scheduler)从各个测定传感器依次接收传感器数据并作为原始数据(Raw Data)保存到数据库中。
接下来，数据学习部130通过对所采集到的实时数据的预处理过程(Pre-Processing)而生成学习数据(S320)。即，数据学习部130通过对所采集到的实时数据的预处理过程，对非正常数据进行删除并生成用于生成预测模型的学习数据。因此，预处理(Pre-Processing)过程是用于对异常状态的数据进行删除的过程，能够通过对实时测定到的数据进行检讨而利用多种方法对异常与否进行判定。通过对判定为异常状态时的数据进行删除，能够提取或生成学习数据。
学习模型选择部120能够从多个预测模型中选择符合当前系统状况的最佳的预测模型并对其进行组合。尤其是，如图2所示，为了基于具有不同特征的多个模型进行预测并借此提升预测的可靠性，能够通过对参数(Parametric)模型和非参数(Non-Parametric)模型进行组合而选择预测模型(S330)。
此时，学习模型选择部120为了从参数模型与非参数模型中选择属于特定单一模型的优点的功能并对属于弱点的功能进行改善，能够对具有不同特征的多个预测模型进行组合并选择学习模型。即，因为各个模型都具有各自的特征以及性能限制事项，因此能够通过掌握需要进行预测的系统中所存在的限制事项以及特征，选择与其对应的适当的多个模型。参数模型与非参数模型的优点以及缺点如上述【表1】所示。
此外，在学习模型选择部120选定模型时，需要按照设施对各个模型进行建模。为此，建模部160能够利用从数据学习部130提取出的学习数据生成预测模型。即，在建模部160上生成的预测模型能够是基于如ARX(Auto Regressive eXogenous)、NARX(NonlinearAuto Regressive eXogenous)、FIR(Finite Impulse Response)、ARMAX(Auto RegressiveMoving Average with eXogenous terms)模型、SSM(State Space Model)、FPBM(FirstPrinciples based Model)、NPM(Non Parametric Model)、TM(Tree Model)、NNM(NeuralNetwork Model)等模型，利用从需要进行预测的设施采集到的数据进行优化而得。因此，在建模部160上生成的预测模型，能够是基于特定模型并按照需要进行预测的设施进行优化的模型。学习模型选择部120能够从建模部160所生成的优化的预测模型中选择符合设施的多个的预测模型并对其进行组合。
异常警报部140能够从基于在学习模型选择部120中生成的预测模型执行优化的各预测算法中推测出预测值，接下来通过基于上述预测值进行集成学习而输出最佳的预测值(S340)，然后将预测值与在设施上实时测定到的实测值进行比较，当发生预先设定的容许值以上的差异时判定为异常并发出警报(S350)。
在各预测算法上对预测值进行推测时，能够使用对变量之间的关系进行预测的回归(Regression)方式以及通过对具有类似属性的项目进行聚合而生成聚类并进行预测的聚类(clustering)方式，在本发明中能够同时使用回归方式以及聚类方式。回归方式能够分成基于模型的方式(Model-based method)以及基于算法的方式(Algorithm-basedMethod)。基于模型的方式能够使用多个线形/非线性模型。回归模型是以线形或非线性方式对从属变量(本发明中的预测值)与一个以上的独立变量(本发明中的设施数据)之间的相关关系进行建模。基于算法的方式包括k-NN方式。在本发明中，能够同时利用基于模型的方式以及基于算法的方式提取出最佳的预测数据。
此外，能够通过集成学习，基于按照各预测算法提取出的预测数据输出最佳的预测数据。此时，为了进行集成学习能够使用各种算法，包括不在各个预测模型所推测出的预测数据上乘以加权值的以多数通过为基准的套袋(bagging)方式或在各个预测模型所推测出的预测数据上乘以加权值并相加之后进行推测的加权值投票(boosting)方式等。除此之外，还能够包括在不同的领域使用不同预测模型的预测值的混合专家(Mixture ofExperts)方式等。尤其是作为适用如上所述的套袋方式的一实施例，能够通过对在各预测算法生成预测数据的同时计算出的残差值进行比较，能够将残差值最小的预测模型的预测数据选定为最佳的预测数据。
图7是对基于适用本发明之一实施例的参数模型与非参数模型的组合以及集成学习的预测结果与基于现有方式的预测结果的准确度进行图示的示意图。如图7所示，在基于MLRM、PLS、DPCA、k-NN模型执行集成学习的第1实施例(推荐方法，Proposed Method*)中，其预测结果的准确度达到了95.1％。在此基础上，在通过适用能够基于从建模部160输入的正常状态的设施数据计算出预测模型的参数的自动学习算法(Auto-Learning Algorithm)而对模型进行进一步优化的第2实施例(推荐方法，Proposed Method**)中，期预测结果的准确度达到了97.9％。与此相比，现有的DPCA方式的准确度为79.4％，而NN(Neural Network)方式的准确度为68％。通过上述结果可以确认，本发明所提供的设施异常监测系统及其方法与现有的方法相比具有明显优秀的准确度，并通过对预测数据进行计算而能够在早期准确地对设施异常进行检查并发出警报。
此外，控制部150能够根据诊断数据库170利用诊断逻辑(Diagnosis Logic)对设施的异常进行诊断并对其根本原因进行追踪。其中，诊断逻辑是指当实时设施数据与正常状态数据之间的差异超出容许值并因此发出早期警报时，根据诊断数据对设施异常相关的根本原因进行分析和查找的算法。借此，控制部150能够根据保存在诊断数据库170中的诊断数据，利用诊断逻辑对设施异常相关的根本原因进行分析和追踪。
通过如上所述的本发明，能够提供一种对设施数据进行实时采集并从所采集到的数据中提取出正常状态的数据，接下来通过基于具有参数(Parametric)模型和非参数(NonParametric)模型的不同特征的多个预测模型对预测值进行组合，能够生成精确度最高的预测值并借此对异常进行诊断，从而能够准确地在早期监测出设施的异常并提供相关信息的设施异常监测学习系统及其方法。
本发明所属技术领域的从业人员能够在不对本发明的技术思想或必要特征进行变更的情况下以其他具体的形态实施，因此在上述内容中所记述的实施例在所有方面都应理解为示例性而非限定性目的。本发明的范围不应该通过上述说明做出定义，而是应该通过后续说明的权利要求范围做出定义，而从权利要求范围的含义和范围及其等价概念推导出的所有变更或变形形态均应解释为包含在本发明的范围之内。

Claims (10)

1.一种设施异常监测系统，用于对设施的异常进行监测，其特征在于：
包括：
数据采集部，用于对上述设施的数据进行采集；
数据学习部，在由上述数据采集部所采集到的上述设施的数据中，对上述设施被判定为异常状态的数据进行删除，仅提取出上述设施被判定为正常状态时的数据并生成学习数据；
建模部，为了生成与上述设施类似的输出，通过使多个预测模型中的各个预测模型利用上述数据学习部所生成的上述学习数据进行学习而对上述多个预测模型进行优化，上述多个预测模型包括多个参数模型和多个非参数模型；
学习模型选择部，为了对上述设施的数据的值进行预测而选择多个预测模型；以及，
异常警报部，其由预测算法部、集成学习部、以及警报逻辑构成，
上述预测算法部向通过上述学习模型选择部选择的多个预测模型中的各个预测模型分别适用各优化的预测算法以获得预测数据，
上述集成学习部基于从上述预测算法部获得的预测数据执行集成学习(EnsembleLearning)并输出最终预测数据，
上述警报逻辑通过对上述最终预测数据与上述数据采集部所采集到的数据进行比较而对上述设施处于异常状态与否进行判定，
其中，由上述数据学习部所生成的学习数据被应用至上述多个参数模型和上述多个非参数模型中的每一者，以为各个预测模型生成优化的预测模型，并且，
其中，上述学习模型选择部构造成对上述建模部所生成的优化的预测模型进行选择和组合来生成适于当前设施状况的最佳预测模型。
2.根据权利要求1所述的设施异常监测系统，其特征在于：
上述预测模型包括第1原则模型(First Principles based Model)、状态空间模型(State Space Model)、ARX(Auto Regressive eXogenous)模型、NARX(Nonlinear AutoRegressive eXogenous)模型、FIR(FiniteImpulse Response)模型、ARMAX(AutoRegressive Moving Average with eXogenous terms)模型、NPM(Non ParametricModel)、TM(Tree Model)以及NNM(Neural Network Model)中的至少一种。
3.根据权利要求1～2中任一项所述的设施异常监测系统，其特征在于：
上述警报逻辑通过对上述最终预测数据与上述数据采集部所采集到的上述设施的数据之间的差异进行计算而生成残差，当所生成的残差大于预先设定的容许值时判定上述设施处于异常状态。
4.根据权利要求1～2中任一项所述的设施异常监测系统，其特征在于：
上述多个预测算法向上述多个预测模型分别适用不同的优化算法。
5.根据权利要求4所述的设施异常监测系统，其特征在于：
上述多个预测算法包括对变量之间的关系进行预测的回归(Regression)方式、以及通过对具有类似属性的项目进行聚合而生成聚类并进行预测的聚类(clustering)方式。
6.根据权利要求5所述的设施异常监测系统，其特征在于：
上述回归方式使用多个线性和/或非线性回归模型(Linear Regression Model)。
7.一种设施异常监测方法，其特征在于，包括：
(a)数据采集部对设施的设施数据进行采集的步骤；
(b)在上述数据采集部所采集到的设施数据中，对上述设施被判定为异常状态的数据进行删除，仅提取出上述设施被判定为正常状态时的数据并生成学习数据的步骤；
(c)为了生成与上述设施类似的输出，通过使多个预测模型的各个预测模型利用在上述步骤(b)中生成的学习数据进行学习而对上述多个预测模型进行优化的步骤，上述多个预测模型包括多个参数(Parametric)模型和多个非参数(Non-Parametric)模型；
(d)学习模型选择部为了对上述设施数据的值进行预测而选择多个优化的预测模型的步骤；
(e)向上述多个预测模型分别适用优化算法的多个预测算法，生成预测数据的步骤；
(f)集成学习部基于上述预测数据执行集成学习(Ensemble Learning)并输出最终预测数据的步骤；以及，
(g)警报逻辑对上述最终预测数据与上述数据采集部所采集到的数据进行比较，从而对上述设施处于异常状态与否进行判定的步骤，
其中，将在上述步骤(b)所生成的学习数据应用至上述多个参数模型和上述多个非参数模型中的每一者，以为各个预测模型生成优化的预测模型，并且，
其中，对在上述步骤(d)中所选择的优化的预测模型进行组合来生成适于当前设施状况的最佳预测模型。
8.根据权利要求7所述的设施异常监测方法，其特征在于，
上述步骤(e)包括：通过对上述最终预测数据与上述设施数据之间的差异进行计算而生成残差，当所生成的残差大于预先设定的容许值时判定上述设施处于异常状态的步骤。
9.根据权利要求7所述的设施异常监测方法，其特征在于，
上述步骤(c)包括向上述多个预测模型分别适用不同的优化算法并输出上述预测数据的步骤。
10.根据权利要求7所述的设施异常监测方法，其特征在于，
上述多个预测算法包括对变量之间的关系进行预测的回归(Regression)方式、以及通过对具有类似属性的项目进行聚合而生成聚类并进行预测的聚类(clustering)方式。
CN201680080886.2A 2016-05-04 2016-08-26 设施异常监测方法及其系统 Active CN108604360B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
KR10-2016-0055411 2016-05-04
KR1020160055411A KR101827108B1 (ko) 2016-05-04 2016-05-04 플랜트 이상 감지 학습 시스템 및 방법
PCT/KR2016/009554 WO2017191872A1 (ko) 2016-05-04 2016-08-26 플랜트 이상 감지 방법 및 시스템

Publications (2)

Publication Number Publication Date
CN108604360A CN108604360A (zh) 2018-09-28
CN108604360B true CN108604360B (zh) 2021-09-03

Family

ID=60203618

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201680080886.2A Active CN108604360B (zh) 2016-05-04 2016-08-26 设施异常监测方法及其系统

Country Status (5)

Country Link
US (1) US11092952B2 (zh)
EP (1) EP3454289B1 (zh)
KR (1) KR101827108B1 (zh)
CN (1) CN108604360B (zh)
WO (1) WO2017191872A1 (zh)

Families Citing this family (58)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018116545A (ja) * 2017-01-19 2018-07-26 オムロン株式会社 予測モデル作成装置、生産設備監視システム、及び生産設備監視方法
PT3598257T (pt) * 2017-03-17 2022-03-02 Nec Corp Dispositivo de processamento de informações, método de processamento de informações e meio de gravação no qual o programa de processamento de informações está gravado
KR102025145B1 (ko) 2017-09-01 2019-09-25 두산중공업 주식회사 플랜트 데이터 예측 장치 및 방법
CN108156449A (zh) * 2017-12-01 2018-06-12 北京世纪东方通讯设备有限公司 一种视频质量诊断处理方法及装置
KR102089772B1 (ko) * 2017-12-18 2020-03-17 두산중공업 주식회사 전력 사용량 예측 시스템 및 방법
KR102116711B1 (ko) * 2018-10-12 2020-05-29 한국수력원자력 주식회사 다중 예측 모델을 적용한 발전소 조기 경보 장치 및 방법
JP6885911B2 (ja) 2018-10-16 2021-06-16 アイダエンジニアリング株式会社 プレス機械及びプレス機械の異常監視方法
KR101984730B1 (ko) 2018-10-23 2019-06-03 (주) 글루시스 서버 장애 자동 예측 시스템 및 자동 예측 방법
KR102130096B1 (ko) 2018-11-16 2020-07-03 두산중공업 주식회사 해석을 진단하기 위한 장치 및 이를 위한 방법
KR102176765B1 (ko) * 2018-11-26 2020-11-10 두산중공업 주식회사 연소 최적화를 위한 학습 데이터를 생성하기 위한 장치 및 이를 위한 방법
KR102245922B1 (ko) * 2018-11-30 2021-04-30 두산중공업 주식회사 CFD(Computational Fluid Dynamics) 해석 이상 징후 예측 시스템 및 방법
KR102124779B1 (ko) 2018-12-21 2020-06-19 한국수력원자력 주식회사 다중 예측 모델을 이용한 발전소 기동 및 정지에 관한 조기 경보 장치 및 방법
KR102095389B1 (ko) * 2018-12-24 2020-03-31 강릉원주대학교산학협력단 에너지 사용 시설물의 고장 진단 시스템
CN109637090A (zh) * 2019-01-30 2019-04-16 深圳市地质局 一种基于soa架构的灾害监测预警平台建设方法
JP6992774B2 (ja) * 2019-02-13 2022-01-13 セイコーエプソン株式会社 情報処理装置、学習装置及び学習済モデル
KR102257716B1 (ko) 2019-03-05 2021-05-28 한국수력원자력 주식회사 다중 예측 모델의 스위칭 기술을 이용한 발전소의 조기 경보 장치 및 방법
CN109991956B (zh) * 2019-04-03 2020-07-07 中国人民解放军国防科技大学 一种液体火箭发动机稳态故障预测方法
CN111835541B (zh) * 2019-04-18 2021-10-22 华为技术有限公司 一种流量识别模型老化检测方法、装置、设备及系统
CN110224852A (zh) * 2019-04-28 2019-09-10 中电长城网际安全技术研究院(北京)有限公司 基于htm算法的网络安全监测方法及装置
JP7347969B2 (ja) * 2019-06-18 2023-09-20 ファナック株式会社 診断装置及び診断方法
CN110517774A (zh) * 2019-08-06 2019-11-29 国云科技股份有限公司 一种预测体温异常的方法
KR102634916B1 (ko) 2019-08-29 2024-02-06 주식회사 엘지에너지솔루션 온도 추정 모델 결정 방법 및 장치, 온도 추정 모델이 적용된 배터리 관리 시스템
CN110751170A (zh) * 2019-09-06 2020-02-04 武汉精立电子技术有限公司 面板质量检测方法、系统、终端设备及计算机可读介质
CN110610233B (zh) * 2019-09-19 2023-04-07 福建宜准信息科技有限公司 基于领域知识和数据驱动的健身跑心率预测方法
JP2021060633A (ja) * 2019-10-02 2021-04-15 ファナック株式会社 診断装置
KR102270347B1 (ko) * 2019-11-26 2021-06-30 한국전력공사 딥러닝 앙상블 모델을 이용한 이상 상황 탐지 장치 및 그 방법
CN112884167B (zh) * 2019-11-29 2023-11-10 中国信托登记有限责任公司 一种基于机器学习的多指标异常检测方法及其应用系统
CN111027679A (zh) * 2019-12-06 2020-04-17 深圳鲲云信息科技有限公司 异常数据检测方法及系统
CN111102699A (zh) * 2019-12-25 2020-05-05 Tcl华星光电技术有限公司 一种洁净室智能控制系统
KR102340395B1 (ko) * 2020-01-02 2021-12-15 두산중공업 주식회사 플랜트의 고장을 진단하기 위한 장치 및 이를 위한 방법
CN111625516B (zh) * 2020-01-10 2024-04-05 京东科技控股股份有限公司 检测数据状态的方法、装置、计算机设备和存储介质
WO2021157667A1 (ja) * 2020-02-04 2021-08-12 株式会社ダイセル 予測装置、予測方法及びプログラム
KR102350636B1 (ko) 2020-02-18 2022-01-14 두산중공업 주식회사 플랜트 고장 예지 장치 및 방법
KR102350637B1 (ko) 2020-02-11 2022-01-14 두산중공업 주식회사 고장 예지 모델 생성 장치 및 방법
CN111340072B (zh) * 2020-02-12 2023-06-20 江南大学 一种基于数据整体信息和邻域结构的工业过程故障检测方法
EP3865963A1 (en) * 2020-02-14 2021-08-18 Mobility Asia Smart Technology Co. Ltd. Method and device for analyzing vehicle failure
KR102350635B1 (ko) 2020-02-18 2022-01-14 두산중공업 주식회사 플랜트 고장 예지 장치 및 방법
KR102362843B1 (ko) 2020-02-28 2022-02-15 두산중공업 주식회사 플랜트 보일러 수명 예지 장치 및 방법
KR102372729B1 (ko) 2020-03-02 2022-03-10 두산중공업 주식회사 플랜트 수명 예지 장치 및 방법
JP2021144484A (ja) * 2020-03-12 2021-09-24 横河電機株式会社 アラーム発生システム、及びアラーム発生方法
KR102383775B1 (ko) 2020-04-27 2022-04-05 두산중공업 주식회사 플랜트의 고장 및 연소 최적화를 관리하는 방법 및 이를 위한 시스템
KR102383774B1 (ko) 2020-05-07 2022-04-05 두산중공업 주식회사 플랜트 고장을 예측 하는 방법 및 이를 위한 시스템
KR102440073B1 (ko) * 2020-08-24 2022-09-05 주식회사 테스트웍스 최적화 모델 선택 장치 및 방법
CN112001561A (zh) * 2020-09-01 2020-11-27 国网安徽省电力有限公司信息通信分公司 一种电力行业风险预测方法及系统
KR102415711B1 (ko) 2020-09-23 2022-07-05 주식회사 티라유텍 실시간 데이터 전처리 및 이상치 감지를 위한 모니터링 시스템
CN112184037B (zh) * 2020-09-30 2022-11-11 华中科技大学 一种基于加权svdd的多模态过程故障检测方法
DE102020213439A1 (de) * 2020-10-26 2022-04-28 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren und Vorrichtung zum kontinuierlichen Bestimmen eines Gütemaßes
KR102248536B1 (ko) 2020-11-17 2021-05-06 한국수력원자력 주식회사 다중 예측 모델의 스위칭 기술을 이용한 발전소의 조기 경보 장치 및 방법
KR102516187B1 (ko) * 2020-11-18 2023-03-30 (주)글루시스 시스템 장애 예측 방법 및 시스템
CN112654060B (zh) * 2020-12-18 2023-03-24 中国计量大学 一种装置异常检测方法及系统
CN113657018A (zh) * 2021-07-01 2021-11-16 广州中国科学院工业技术研究院 一种气体储罐发生泄漏后实时预测泄漏流量的方法及装置
TW202311961A (zh) * 2021-09-02 2023-03-16 遠傳電信股份有限公司 應用程式異常偵測方法及其系統
CN115049173B (zh) * 2022-08-17 2022-10-21 中国石油大学(华东) 深度学习和Eaton法耦合驱动地层孔隙压力预测方法
CN115471994B (zh) * 2022-11-15 2023-02-07 淄博威世能净油设备有限公司 一种基于数据分析的净油机运行故障预测系统
CN117056846B (zh) * 2023-10-08 2023-12-22 南通银河水泵有限公司 一种基于人工智能的轴流泵转子运行稳定性预测系统及方法
CN117093946A (zh) * 2023-10-20 2023-11-21 国网天津市电力公司营销服务中心 一种关口电能计量装置异常分析方法与装置
CN117575423B (zh) * 2024-01-10 2024-04-16 湖南工商大学 基于联邦学习系统的工业产品质量检测方法及相关设备
CN117592823B (zh) * 2024-01-19 2024-03-29 天津路联智通交通科技有限公司 一种土木建筑污水处理方法及系统

Family Cites Families (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH09205429A (ja) * 1996-01-29 1997-08-05 Toshiba Corp ネットワーク故障診断装置及び故障予測装置並びにその診断及び予測方法
US5764509A (en) * 1996-06-19 1998-06-09 The University Of Chicago Industrial process surveillance system
JP2003044126A (ja) * 2001-08-02 2003-02-14 Mitsui Eng & Shipbuild Co Ltd リモートメンテナンスシステムおよび在庫管理システム
JP2006135412A (ja) * 2004-11-02 2006-05-25 Tokyo Gas Co Ltd 遠隔監視システム
JP4573036B2 (ja) * 2005-03-16 2010-11-04 オムロン株式会社 検査装置および検査方法
CN101542509A (zh) 2005-10-18 2009-09-23 霍尼韦尔国际公司 用于早期事件检测的系统、方法和计算机程序
CA2676441C (en) * 2006-02-03 2015-11-24 Recherche 2000 Inc. Intelligent monitoring system and method for building predictive models and detecting anomalies
US7720641B2 (en) * 2006-04-21 2010-05-18 Exxonmobil Research And Engineering Company Application of abnormal event detection technology to delayed coking unit
US7917240B2 (en) * 2006-09-29 2011-03-29 Fisher-Rosemount Systems, Inc. Univariate method for monitoring and analysis of multivariate data
JP5108116B2 (ja) * 2009-01-14 2012-12-26 株式会社日立製作所 装置異常監視方法及びシステム
JP5439265B2 (ja) * 2010-04-20 2014-03-12 株式会社日立製作所 異常検知・診断方法、異常検知・診断システム、及び異常検知・診断プログラム
JP5484591B2 (ja) 2010-12-02 2014-05-07 株式会社日立製作所 プラントの診断装置及びプラントの診断方法
WO2012142278A1 (en) 2011-04-14 2012-10-18 The Trustees Of Columbia University In The City Of New York Metrics and semiparametric model estimating failure rate and mean time between failures
US9152610B2 (en) * 2012-11-16 2015-10-06 Johnson Controls Technology Company Systems and methods for generating an energy use model for a building
CN103064289B (zh) * 2012-12-19 2015-03-11 华南理工大学 一种垃圾发电厂多目标运行优化及协调的控制方法及装置
US10373065B2 (en) * 2013-03-08 2019-08-06 Oracle International Corporation Generating database cluster health alerts using machine learning
GB2522926A (en) * 2014-02-11 2015-08-12 Ge Aviat Systems Ltd Method of identifying anomalies
AU2015247437B2 (en) 2014-04-17 2018-12-20 Lockheed Martin Corporation Prognostics and health management system
CN103974311B (zh) * 2014-05-21 2017-06-20 哈尔滨工业大学 基于改进高斯过程回归模型的状态监测数据流异常检测方法
CN104102773B (zh) * 2014-07-05 2017-06-06 山东鲁能软件技术有限公司 一种设备故障预警及状态监测方法
CN104317778A (zh) * 2014-10-30 2015-01-28 国家电网公司 基于海量监测数据的变电设备故障诊断方法
WO2016112209A1 (en) * 2015-01-09 2016-07-14 Ecorithm, Inc. Machine learning-based fault detection system
CN105372581B (zh) * 2015-11-18 2018-05-15 华南理工大学 挠性电路板制造过程自动监测和智能分析系统及方法
US20170308802A1 (en) * 2016-04-21 2017-10-26 Arundo Analytics, Inc. Systems and methods for failure prediction in industrial environments

Also Published As

Publication number Publication date
WO2017191872A1 (ko) 2017-11-09
EP3454289A1 (en) 2019-03-13
CN108604360A (zh) 2018-09-28
US11092952B2 (en) 2021-08-17
KR20170125238A (ko) 2017-11-14
EP3454289B1 (en) 2023-02-22
US20190101908A1 (en) 2019-04-04
EP3454289A4 (en) 2020-03-04
KR101827108B1 (ko) 2018-02-07

Similar Documents

Publication Publication Date Title
CN108604360B (zh) 设施异常监测方法及其系统
KR101842347B1 (ko) 플랜트 이상 감지를 위한 자동 학습 시스템 및 방법
Kordestani et al. Failure prognosis and applications—A survey of recent literature
KR101825809B1 (ko) 플랜트 이상 감지 시스템 및 방법
Javed et al. State of the art and taxonomy of prognostics approaches, trends of prognostics applications and open issues towards maturity at different technology readiness levels
CN109186813B (zh) 一种温度传感器自检装置及方法
CN106528975B (zh) 一种应用于电路与系统的故障预测与健康管理方法
CN109033499B (zh) 一种多阶段一致性检验的航空发动机剩余寿命预测方法
CN104390657B (zh) 一种发电机组运行参数测量传感器故障诊断方法及系统
CN110647133A (zh) 轨道交通设备状态检测维护方法及系统
JP2021509995A (ja) システムを制御する装置及び方法
WO2013111397A1 (ja) プラント又は設備の異常診断方法及びヘルスマネージメント方法
CN109948860A (zh) 一种机械系统剩余寿命预测方法及系统
KR101948604B1 (ko) 센서 군집화 기반의 설비 건강 모니터링 방법 및 장치
CN105758661B (zh) 一种锅炉受热面寿命评估系统和方法
WO2011073613A1 (en) A method, apparatus and computer program for diagnosing a mode of operation of a machine
WO2023065584A1 (zh) 设备的剩余使用寿命的确定方法、装置和电子设备
US20140012461A1 (en) Method for performing diagnostics of a structure subject to loads and system for implementing said method
CN112416662A (zh) 多时间序列数据异常检测方法与装置
CN114297909A (zh) 基于神经网络的水泵故障诊断方法及系统
WO2020175084A1 (ja) 運営評価装置、運営評価方法、およびプログラム
KR101718228B1 (ko) 이력 데이터 군집화 기반 철도부품의 상태를 예측하는 방법 및 장치
US11339763B2 (en) Method for windmill farm monitoring
KR102483210B1 (ko) Xai를 활용한 제조설비 이상발생확률 예측에 의한, 설비 건강지수 도출 시스템 및 설비 건강지수 도출 방법
RU53472U1 (ru) Система информационного обеспечения диагностики аналоговых параметров технологических процессов

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