CN108700873A - 用于自动化系统的现场设备的智能嵌入式控制系统 - Google Patents

用于自动化系统的现场设备的智能嵌入式控制系统 Download PDF

Info

Publication number
CN108700873A
CN108700873A CN201680083312.0A CN201680083312A CN108700873A CN 108700873 A CN108700873 A CN 108700873A CN 201680083312 A CN201680083312 A CN 201680083312A CN 108700873 A CN108700873 A CN 108700873A
Authority
CN
China
Prior art keywords
event
classifiable
signal
received
data
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.)
Granted
Application number
CN201680083312.0A
Other languages
English (en)
Other versions
CN108700873B (zh
Inventor
托马斯·胡鲍尔
斯特芬·兰帕特尔
贾斯蒂尼安·罗斯卡
米哈伊尔·罗辛
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.)
Siemens AG
Original Assignee
Siemens AG
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 Siemens AG filed Critical Siemens AG
Publication of CN108700873A publication Critical patent/CN108700873A/zh
Application granted granted Critical
Publication of CN108700873B publication Critical patent/CN108700873B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0208—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the configuration of the monitoring 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
    • G05B23/0224—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
    • G05B23/0229—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 knowledge based, e.g. expert systems; genetic algorithms
    • 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
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/079—Root cause analysis, i.e. error or fault diagnosis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/0793—Remedial or corrective actions

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Probability & Statistics with Applications (AREA)
  • Algebra (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Quality & Reliability (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

一种用于自动化系统的现场设备的嵌入式控制系统，包括：到后端服务器用于信号分析信息、复杂事件模式信息和诊断信息的诊断应用接口；到信号源用于传输信号数据的物理过程接口；用于将接收到的信号分析信息与接收到的信号数据进行比较，以在第一事件和第二事件中进行识别的信号评估组件；用于将接收到的事件模式信息应用于识别的第一事件和第二事件以识别第一分类事件的事件处理组件；用于在诊断信息方面得到第一分类事件和进一步的分类事件之间的因果依赖关系，以识别第一分类事件的根本原因，或预测第一分类事件的影响的诊断推理组件。通过嵌入式数据分析功能将诊断推理下推到现场级别。

Description

用于自动化系统的现场设备的智能嵌入式控制系统
技术领域
本发明涉及一种用于自动化系统的现场设备的智能嵌入式控制系统。此外，本发明涉及一种用于通过智能嵌入式控制设备进行诊断推理的方法以及可直接加载到智能嵌入式控制系统的数字计算机的内部存储器中的相应计算机程序产品。
背景技术
目前的嵌入式自动化设备提供的数据主要是原始传感器数据或原始测量或未经过处理的系统日志消息或未过滤的警报。由于自动化系统中的复杂结构，警报的原因很多，其中只有一些是严重的，或者可能导致严重的问题，而另一些则是微问题或者如果它们与一些其他警报一起发生或发生在特定上下文(情况，context)下。在目前的自动化系统中，例如在工业自动化中，例如通过传感器或外部状态监测组件产生的不同数据集的数量是相当高的。同时，在许多实际场景中，由于有限的通信带宽，可编程逻辑控制器生成的完整数据集无法发送到远程系统进行分析。这对于高分辨率数据来说尤其是一个问题，例如具有高采样频率的传感器和具有极端和快速测量变化的信号，例如，电流和电压。
众所周知，在自动化系统内跟踪的数据的解释和利用是在企业级或SCADA级或通过附加的外部条件监视设备完成的。所有这些不同的实例都使用单独的工程和安装过程。监控或报告功能是脱机执行的，这意味着从自动控制系统中提取并记录在外部存储上的数据。
因此，通常已知的解决方案引起巨大的手动工程需求，使得原始数据和事件对于自动化层外部的诊断系统是可理解和可解释的。
发明内容
本公开的一个目的是提供一种用于自动化系统的现场设备的智能嵌入式控制系统，其允许自动化系统的现场设备的控制器上改进的推理和诊断功能。本公开的另一个目的是提供一种用于通过智能嵌入式控制设备用于诊断推理的方法以及可直接加载到智能嵌入式控制系统的数字计算机的内部存储器中的相应计算机程序产品，其允许自动化系统的现场设备的控制器上的改进的推理和诊断功能。
这些目的由独立权利要求的主题解决。在从属权利要求中提出了有利的实施例。
根据第一方面，提出了一种用于自动化系统的现场设备的智能嵌入式控制系统，包括：
到后端服务器的诊断应用接口，用于传输具有信号分析信息、复杂事件模式信息和诊断信息的数据；
到信号数据源的物理过程接口，用于传输信号数据；
信号评估组件，用于将接收到的信号分析信息与接收到的信号数据进行比较，以识别至少第一事件和第二事件；
复杂事件处理组件，配置用于将接收到的复杂事件模式信息至少应用于识别的第一事件和第二事件，以识别至少第一分类事件；
诊断推理组件，配置用于针对接收到的诊断信息得到至少第一分类事件和至少进一步的分类事件之间的因果依赖关系，以识别至少第一分类事件的根本原因，或预测至少第一次分类事件的影响。
诊断应用接口将智能嵌入式控制系统(特别是智能可编程逻辑控制器、短PLC)与后端服务器连接起来。诊断应用接口可以是诊断应用编程接口、短API、PLC的可视外侧。可以通过智能嵌入式控制系统的输入/输出模块实现数据传输。特别地，传输具有信号分析、复杂事件模式信息和诊断信息的数据，其中诊断应用接口可用于上载或下载相应的数据集。
物理过程接口被配置成建立与信号数据源的连接，并且可以用于传输信号数据。例如在传感器组件处对信号数据进行采样，然后通过物理过程接口发送到智能嵌入式控制系统。信号数据例如可以是任何测量的原始数据，例如在制造过程中，例如在过程中随机选择的步骤处测量为随机样本，或者在相同情况下定期测量为特定样本。
信号数据与信号分析信息一起由信号评估组件分析。信号分析信息例如是关于预期接收到的信号数据的信息，例如，阈值。它尤其是基于历史信号数据及其分析。通过与正常模型的比较，可以容易地自动检测接收到的非正常信号数据。
在异常检测的情况下，信号评估组件的比较结果至少是第一事件和第二事件。事件可以是对数据集的进程状态或分类进行分类的数据集。例如，第一事件是作为信号评估组件的结果的警报消息，其指示接收到的信号数据不在预期范围内。
信号分析信息还可包括例如错误识别算法或可包含必须应用的框架条件，该信号数据被分类为非正常。例如，当机器人将工件放置在靠近传感器的传送带上时，忽略由加速度计传感器识别的一定强度的振动。异常检测尤其是基于统计信号处理和统计学习技术在智能嵌入式控制系统中实现的分析功能。
信号评估组件将原始数据与相关的逻辑和语义表示模型组件连接起来，并且可以将数据放入上下文中，从而使数据有意义，并允许对PLC级别的原因和趋势进行进一步的预测推理。
除了隐藏在历史数据中的统计数据中的通知信号分析信息之外，已知的特定于域的阈值或控制限制可用于评估信号数据并识别第一事件和第二事件。
复杂事件处理组件分析第一事件和第二事件。它使用复杂事件模式信息来识别至少第一分类事件。基于在异常检测层上引发的低级第一事件和第二事件，必须应用符号级别的进一步处理以评估所生成的第一事件和第二事件的含义和重要性。例如，如果机器处于启动阶段而不是在满负荷下运行，则必须不同地处理由信号评估组件完成的监测机床中的主轴而触发的异常振动事件。为了区分不同的情况和上下文，需要解释基本第一事件和第二事件的附加解释层。
例如，接收指示短路的原始信号数据。指示短路的第一事件由信号评估组件识别。信号分析信息，例如指示在密封的安全系统上没有进行维护工作，因此可以假设由于意外侵入安全系统的密封而发生短路。由于原始信号数据指示由加速计传感器测量的冲击，信号分析组件识别出第二事件。信号分析信息还包括在生产过程中没有可能引起诸如工件的物理放置或振动机器或类似物的处理步骤之类的冲击的信息。因此，存在可用于复杂事件处理组件的事件流。可以搜索接收到的复杂事件模式信息用于包括两个事件短路和冲击的模式。例如，历史数据表明，两个事件短路和冲击的组合已被确定为源于外部影响。第一分类事件可以是例如包括在靠近安全密封的模具区域中发生异常事故。
由于传入的第一事件和第二事件的事件驱动的流式特性，复杂事件处理技术的使用有利地用于在上下文层中进行该处理。在CEP中，事件流上的模式与来自异常检测的实际事件序列匹配，并且一旦模式匹配就导致新事件创建。模式由专家手动定义、源自文档、或者它们从历史数据中学习到。在该步骤中，可选的数字异常程度可以被解释为例如置信度值。这允许使用诸如模糊逻辑的方法组合来自不同源的阶梯式信息。为了处理阶梯式信息，特别建议在流处理的上下文中使用模糊语义-与概率语义相反-固有的独立性假设简化了事件的增量处理。在上下文层中，第一事件和第二事件也与来自其他信息源的事件组合，例如PLC自我管理系统，例如日志消息或与其对接的外部系统。
有许多可用于不同平台的可用作实现此组件的基本引擎的流和复杂事件处理引擎。例如Frools Fusion、Esper、ETALIS。为了在嵌入式设备中使用，CEP算法的本地c/c++实施是可用的或者可以基于现有的规则引擎(例如，对CLIPS扩展用于流处理)来实现。
诊断推理组件被配置成进行基于逻辑的推理。它利用可用的上下文知识来获得额外的有价值信息，从而能够解释故障并预测其影响。诊断推理不仅仅是基于传感器信号识别基本警报或其他事件。其是关于分析分类事件之间的复杂依赖关系，以识别和解释更高级别的系统故障。诊断推理组件进行演绎推理。演绎推理从一系列一般规则和现有事实中得出新的结论。这是一种从更一般到更具体的所谓的自上而下的方法。干扰的基本规则遵循“假言推理(演绎推理，Modus Ponens)”的数学概念，这意味着：如果P表示Q，并且P已知为真，则Q也必须为真。
由于演绎推理自然允许将一般诊断规则应用于具体的域上下文，因此该方法已被证明在诊断领域-特别是在系统安全和可靠性工程领域非常有价值。
通过应用诸如Tableau算法之类的标准演绎推理算法，隐藏在数据中的隐含知识可以从明确陈述的知识中推得到来。
诊断信息尤其包括资产和事件上下文信息以及基础事件模型。事件模型例如是对分类事件之间的依赖关系进行建模的层次结构。系统可以从接收到的诊断信息的部分推断新信息并将新信息添加到已知模型。即使在两种类型的故障之间没有建立明确的关系，但是诊断推理组件也被配置成得到子类关系。
附加诊断规则被优选地处理为诊断信息，以得到第一分类事件和进一步分类事件之间的依赖关系。在复杂事件处理的早期阶段得到的第一分类事件与进一步的分类事件相关联。进一步的分类事件可以是由复杂事件处理组件生成的另一分类事件，或者可以包含在诊断信息中，或者可以存储在类似于例如智能嵌入式控制系统上的历史地段的数据库中。
诊断知识指定并解释系统或故障模式的不令人满意的状态。诊断设置中最有趣的关系之一是两个事件之间的因果关系，表明一个事件是另一个事件的起因。工程师对影响或触发其他事件的事件的了解由原因关系决定，并包含在诊断信息中。
分类事件自动与模型故障树中的相应事件类相关联，这使得例如根本原因分析成为可能。通过遍历故障树中的上游(其表示为至叶子)，智能嵌入式控制系统可以执行必要的测试来诊断和分离问题的根本原因、排除其他可能由事件数据证实的解释。
此外，可以进行影响分析。通过遍历故障传播树中的下游，诊断推理组件可以使用下游效应来预测影响并触发适当的动作，例如维护或预防措施，例如，预测性维护活动。
关于分类事件的更多信息可用于演绎推理组件，得到的因果依赖关系可以更准确。关于进一步的分类事件或关于已识别的第一事件和第二事件或诸如环境边界条件的附加信息的信息有助于加强演绎推理分析。
智能嵌入式控制系统不仅提供基本事件，而且解释自动化系统中的更高级别。基于接收到的信号分析信息、复杂事件模式信息和诊断信息以及所描述的三步分析方法的组合，智能控制将提供系统中的事件和警报的更高级别视图，使用专用的故障树分析图解释故障及其原因。
所提出的智能嵌入式控制系统允许在同一嵌入式硬件平台上计算嵌入式控制系统的状态，包括监视、诊断、预测或报告功能。这些计算是基于表示嵌入式控制系统的过程图象中操纵的所有数据的嵌入式存储器以及嵌入式控制系统功能、逻辑、变量和参数的表示。计算是与控制周期并行地实时执行的；结果和报告是及时的，并且基于受控机器的当前状态，并且可以由外部系统和操作员直接解释；即，所提出的智能嵌入式控制系统可以提供已经解释的指示故障的数据，而不是提供原始测量和警报消息，这些数据包括关于其根本原因的信息以及关于故障影响的预测。
所描述的智能嵌入式控制系统在与实际控制系统相同的嵌入式硬件平台上运行，并且执行关于代表监视、诊断、预测和报告功能的嵌入式控制系统的状态的计算。计算是与控制周期并行地实时执行的。结果和报告是及时的，并且基于受控机器或过程的当前状态可以例如由外部系统和运营商直接解释。即，所提出的智能嵌入式控制系统可以提供已经解释的指示故障的数据，而不是提供原始测量和警报消息，这些数据包括关于其根本原因的信息以及关于故障影响的预测。
通过嵌入式数据分析功能将诊断推理下推到现场级别。不需要将额外的工程工作量用于从控制系统提取并记录在外部数据存储器上的数据的现有技术离线监视或诊断。通过与控制系统共享相同的工程环境和配置，减少了工程工作量。不必以有利的方式将上下文信息传送到外部分析系统。因此，对故障的快速反应是可能的，因为部分地在控制设备本身上进行推理。由于可对设备内部进行深入的控制了解，从而利用无法向外部诊断系统报告的信号提供了改进的诊断功能。操作员可以在现场访问诊断信息，而无需例如经由WLAN来访问后端服务器。
所描述的本发明的优点在于，由于进入诊断信息的手动定义的专业知识，确保了正确的诊断行为。
诸如人机接口设备、SCADA、制造执行系统等的连接设备可以直接从智能嵌入式控制系统接收来自诊断推理组件的结果或甚至进一步响应于已识别的根本原因或预测的影响来接收评估的信息，比如建议的后续步骤。
在一个可能的实施方式中，智能嵌入式控制系统还包括操作组件，其被配置成基于在运行期间识别的根本原因或预测的影响来进行用于维护或预防措施的后续步骤。诊断推理的步骤不仅可以直接在智能嵌入式控制系统上还可以从得到的数据中得出结论的后续步骤中进行。这开启了评估和响应控制系统的有希望的方式，并且都是实时的。
在可能的实施方式中，智能嵌入式控制系统将物理过程接口与至少一个传感器或至少一个致动器连接。在另一可能的实施方式中，智能嵌入式控制系统将物理过程接口与至少一个传感器或至少一个致动器连接。
在另一个实施方式中，接收到的信号分析信息包括逻辑或语义模型，其中所述模型可从历史信号数据中得到。为了得到这些模型，例如已经通过例如外部组件分析传感器测量，以学习到单变量或多变量正态分布并创建诊断特征的正常模型。可以使用更复杂的分析功能级别和相应的更复杂的信号分析信息，例如故障分类。这些可以依赖于通过对正常和错误数据进行训练而创建的统计模型，或者更一般地依赖于标记的数据。一旦自动学习，异常检测器还可以实时自动跟踪一个或多个原始传感器或状态变量。因此，非正常状况由默认复杂的相关警报事件引起。
虽然事件模型使用捕获事件发生的预定义规则，但异常事件使用从历史数据中学习到的模型中隐含的动态学习规则。实际上，表示传感器或状态变量的数据可能会改变或演化，这意味着其分布随时间而变化。例如，这可能由于机构或传感器随时间的正常磨损而发生。结果，正态模型可能改变，并且相应的事件生成规则相应地改变。所描述的基于学习的异常检测方法不仅可以返回正常与异常的二进制结果，而且可以返回异常的数值程度。由于实时低级别分析的结果，存在许多必要的事件，这些事件由直接部署在PLC级别的任何分析推断为智能嵌入式控制系统。用于信号处理的统计算法可以使用诸如R、Matlab之类的工具来指定和计算，或者被编程在例如C/C++/C#中。对于后者，存在可用于提供标准算法的实现的库，例如AquilaDSP。
根据另一个实施方式，第一事件或第二事件被异常检测到。异常检测是对当前行为与学习到的正常行为或基线的偏差的实时定量评估。因此，当前接收到的信号数据与基线之间的偏差程度可用作对观察到的情况的异常的量度。
根据另一个实施方式，接收到的复杂事件模式信息包括关于事件流的多个模式(事件流上的多个模式)，其中所述多个模式区分事件或事件流发生的不同情况或上下文。这使得至少第一事件与上下文的粒度关联成为可能。
根据另一个实施方式，接收到的诊断信息包括事件或分类事件的定义、潜在事件之间的依赖关系规则、或者通用诊断或专家信息。例如，资产模型(asset model)定义工业系统，并且事件上下文模型中的事件类型解释系统状态之间的转换。这些事件类型包括例如专用操作模式，比如组件的启动以及诸如差错和故障的异常。
根据另一个实施方式，智能嵌入式控制系统还包括用于从历史事件流创建新知识数据作为输入数据的归纳推理组件。在统计信号处理步骤中，首先将原始传感器输入投影到特征空间(例如在时间、频率、时间-频率或数据依赖域)中，其与相应的传感器测量值相关。在统计学习步骤中，机器学习技术自动从历史数据创建基线模型。有利地，由于应用数据驱动的统计学习，在系统运行期间可以自动改进诊断功能。这意味着由于自动学习诊断知识和警报，减少了工程工作量。
在上下文层上使用的规则通常由拥有关于系统特定的详细知识的专家来定义。但是，这些信息并不总是随时可用于例如新系统或新评估模式。通过模式学习或归纳推理可以解决创建适当知识作为新知识数据的问题。与异常检测层上的学习正态模型类似，设计思想是利用可用的历史数据从数据中自动创建知识。输入数据是事件流，并且输出是复杂的规则以及直接来自智能控制的推断事件而不是统计模型。这种本地化方法在数据创建的起源处得到特定于给定设备的规则，而无需将大量数据传输到中央实例。
在可能的情况下自动生成复杂事件处理规则的归纳推理过程可以被描述为信息相关的数学问题。事件序列的信息关联允许自动分析单个问题，在整个深度中指示为目标事件，结合适当减少大量事件、可重复的多个事件的统计相关性，解释特定指示，而不是只有一组相关事件，但也包括它们之间的逻辑依赖关系，相关问题的根本原因分析或以自动方式部署专业知识，以进一步分析即将发生的新事件。可以应用以下事件模式挖掘算法：基于PrefixSpan的时间模式挖掘。该算法找到了最可能的事件序列，其导致目标事件(即感兴趣的事件)。它包括用于算法编程的以下步骤：
1.由于所有可用来源(即推断和复杂事件)中提供的每个事件的时间戳，将所有与分析事件相关的内容合并在一起。
2.指定分析的目标事件(即，感兴趣的事件)。
3.对所有事件进行编码以进行进一步处理(例如“ALARM 123”→A)。
4.过滤有关重复项的特定时间窗口的重复项(例如A、B、A、C→A、B、C/如果在两个A之间小于1分钟)。
5.由于目标事件的重复次数，将日志记录分成块(例如序列)：在正确分割之前和之后的指定时间(例如A、C、D、B、C、A、E、K、B、C、D、A、K、E→[B、C、A、E、K、B、C]、[C、D、A、K、E]，其中K是关键事件，并且[...]是语块)。
6.建立算法：
a.将目标事件指定为关键事件
b.将开始事件(Start Event)指定为另一个序列的开始事件(可选)
c.指定最小支持％-发现模式的预期最小置信度(即100％×模式发生次数/关键事件数)
d.指定最小序列长度(即模式中预期的最小事件数)
e.指定是否将事件聚合到同时的组中(即，如果在一个时间戳期间发生了两个或更多个事件，那么它们将被组合在一起)-其允许避免进一步的额外计算时间来提取此事件之间的时间依赖关系
f.指定是否提取时间依赖关系。
7.使用Prefix Span算法(深度优先算法)，应执行以下步骤
a.来自语块的所有事件都存储在库中
b.计算它们出现在每个语块中的概率并也将其存储在库中(即出现次数/语块数)
c.过滤库中的所有事件，其概率小于指定的最小支持
d.从库中取一个事件作为根(例如A)
e.将下一个事件与之前的事件(例如，AB、ABC)排成序列
i.检查此序列是否尚未部分位于结果中的某个模式中
如果是的话，转到“e”
ii.检查此序列的概率是否超过指定的最小支持
如果没有，则从库中过滤此根事件并转到“d”
iii.检查序列长度是否小于最小序列长度
如果没有，那么将此序列包括为可能的模式并转到“d”
iv.转到“e”。
8.从结果中获取每个模式并提取时间依赖关系
a.获取可以应用模式的所有语块中的模式中的每个事件的邻域之间的最大时间
b.获取可以应用模式的所有语块中的模式中的每个事件的邻域之间的最小时间。
9.在某种适当的格式中建立基于这种模式的规则(即取决于所选的CEP工具的CEP格式)
应用基于时间模式挖掘算法的自动根本原因分析可以自动关联与整个深度中单个问题指示和警报相关的信息，并结合：
(1)适当减少大量事件，
(2)许多事件的可重复统计相关性，解释一个特定的指示，
(3)不仅有一组相关事件，还有它们之间的逻辑依赖关系，
(4)根本原因分析，
(5)以自动化方式进一步部署专业知识以分析即将发生的新事件，应用
发现模式作为CEP规则。
根据另一方面，提出了一种智能嵌入式控制设备的诊断推理方法，包括以下步骤：
将具有信号分析信息、复杂事件模式信息和诊断信息的数据从后端服务器传输到智能嵌入式控制器；
将信号数据从信号数据源传输到智能嵌入式控制器；
将接收到的信号分析信息与接收到的信号数据进行比较，并由智能嵌入式控制器的评估组件识别至少第一事件和第二事件；
将接收到的复杂事件模式信息至少应用于识别的第一事件和第二事件，并由智能嵌入式控制器的复杂事件处理组件识别第一分类事件和第二分类事件；
针对接收到的诊断信息得到至少第一分类事件和第二分类事件之间的因果依赖关系，并且识别至少第一分类事件和第二分类事件的根本原因或由智能嵌入式控制器的诊断推理组件预测至少第一分类事件和第二分类事件的影响，其中智能嵌入式控制系统可以使用所识别的根本原因或预测的影响来在运行期间进行维护或预防措施的后续步骤。
根据一个实施方式，将接收到的信号分析信息与接收到的信号数据进行比较以及识别至少第一事件和第二事件是由数据驱动的。
根据另一个实施方式，将接收到的复杂事件模式信息至少应用于识别的第一事件和第二事件以及识别第一分类事件和第二分类事件是由数据驱动的。
根据另一个实施方式，针对接收到的诊断信息得到至少第一分类事件和第二分类事件之间的因果依赖关系，并且识别至少第一分类事件和第二分类事件的根本原因或预测至少第一分类事件和第二分类事件的影响是由查询驱动的。
根据另一个实施方式，从历史事件流创建新知识数据作为输入数据。
根据另一个实施方式，通过事件序列的信息关联作为历史事件流来执行对目标事件的自动分析。
根据本发明的另一方面，提出了一种可直接加载到智能嵌入式控制系统的数字计算机的内部存储器中的计算机程序产品，包括用于执行以下步骤的软件代码部分：
从后端服务器提供信号分析信息、复杂事件模式信息和诊断信息；从信号数据源提供信号数据；
将接收到的信号分析信息与接收到的信号数据进行比较并识别至少第一事件和第二事件；
将接收到的复杂事件模式信息至少应用于识别的第一事件和第二事件并识别第一分类事件和第二分类事件；
针对接收到的诊断信息得到至少第一分类事件和第二分类事件之间的因果依赖关系，并且至少识别第一分类事件和第二分类事件的根本原因或预测至少第一分类事件和第二分类事件的影响，
其中所识别的根本原因或预测的影响可由智能嵌入式控制系统用于在运行期间进行维护或预防措施的后续步骤。
附图说明
在下文中，参考所附的附图更详细地描述了本发明的不同方面。
图1示出了根据本发明的一个方面的用于自动化系统的现场设备的智能嵌入式控制系统的可能的示例性实施方式的图示；
图2示出了根据本发明另一方面的由诊断推理组件创建的扩展事件模型的框图；
图3示出了从根据本发明另一方面的智能嵌入式控制系统内的上下文和诊断模型生成的自动生成的故障树的框图。
具体实施方式
图1示出了智能嵌入式控制系统100的示意图，其具有到后端服务器(BE)的诊断应用接口101、到信号数据源(例如传感器S)的物理过程接口102。传感器S传递信号数据SI。在智能嵌入式控制系统100上提供嵌入式历史记录H或过程图像或实时数据库，以在多个控制周期上存储信号数据SI。经由诊断应用接口101下载信号分析信息AI。此外，诊断应用接口AI可用于设置应用参数，例如警报订阅参数或警报阈值。
可以提供输入/输出模块，其将诊断信息接口与查询接口组合。查询接口对于允许例如诊断推理组件的查询驱动模式是有用的。例如，信号评估组件的低级分析是数据驱动的，一旦接收到信号数据就被激活，并且例如复杂事件处理是数据驱动的，评估第一事件和第二事件，当它们被接收时，如果接收到关于例如根本原因或预防措施的请求，则诊断推理组件尤其仅启动评估过程。
信号评估组件11被配置成将接收到的信号数据SI与接收到的信号分析信息AI进行比较。该比较的结果是第一事件E1和第二事件E2。这可以看作是对原始信号数据的低级分析。目标主要是通过将原始数据放入上下文来避免错误警报，或纠正信号数据从而可以忽略不相关的数据。
智能嵌入式控制系统100中的下一个评估级别由复杂事件处理组件12处理。它将第一和第二个已识别事件E1、E2置于上下文中。同时，它允许评估第一事件和第二事件E1、E2的相关性或优先级或紧迫性或意义或重要性。其使用也可以经由诊断应用接口AI下载的复杂的事件模式信息PI。这里的主要目标是在接收到的事件数据中搜索模式。潜在模式包含在复杂事件模式信息PI中。结果，创建了第一分类事件E1'。这有助于区分不同的情况和上下文。任何数字异常程度都可以解释为置信度值。这些模式可以由专家手动定义、从文档中获得，或者从历史数据中学习，这些数据是在智能嵌入式控制系统100本身上创建的。
核心诊断特征由诊断推理组件13执行。其接收第一分类事件E1'和进一步的分类的事件E2'作为输入以及诊断信息DI。最终目标是识别系统故障1。这通过至少组合第一分类事件E1'和进一步的分类事件E2'来完成，通过使用诊断信息DI将它们置于上下文中并得到新的因果依赖关系。进一步的分类事件E2'例如是从先前或后续的复杂事件处理步骤中提取，或者作为诊断信息的一部分被接收或者由嵌入式历史记录H提供。
关于所识别事件E1、E2和分类事件E1'的信息可以存储在事件数据库DB中，该事件数据库DB用于支持例如具有先前控制周期的历史数据的归纳推理组件IR。此外，事件数据库用于向诊断推理组件提供事件信息。
诊断推理的方法如图2所示。资产和事件上下文信息是诊断信息的基础。在事件模型中，呈现两种类型的故障：影响输送机硬件21的输送机故障20和影响用作输送机21的驱动器24的电动机23的电源故障22。两种类型的故障20和22之间没有明确的关系被建模。然而，通过应用演绎推理，诊断推理组件能够推断出在该特定情况下，电源故障22是某种类型的输送机故障20，因为前者影响输送机21的一部分。这些类的子类关系26对于后续的诊断处理是必不可少的。它们能够应用一般诊断规则或程序，例如为输电机故障，也为更具体的故障，在本例中是电源故障定义。例如，现在也可以利用这种额外的知识来通过电源故障22解释可以通过输电机故障20解释的故障25。
在第二步中，处理附加的诊断规则以得到分类事件之间的依赖关系。这些依赖关系是解释故障的根本原因或评估观察到的故障的影响的基础。
诊断设置中最有趣的关系之一是两个事件之间的因果关系，表明一个事件是另一个事件的起因。工程师的知识、哪些事件可能影响或触发其他事件被整合到诊断过程中。这种知识可以通过原因-关系来捕获。例如，假设如果y跟随x并且在处理具有相同ID的材料时生成两者，则存在两个故障x和y之间的原因关系。基于原因-关系，诊断推理组件能够得到故障树分析(FTA)图。FTA图通常用于说明导致或可能导致故障的事件。
通常构建FTA图由工程师手动完成。其既麻烦又耗时。基于语义上下文和诊断模型，智能嵌入式控制系统上的诊断推理组件能够自动构建并提供FTA图。基于FTA图可以指导决策。
第一分类事件和第二分类事件可以自动地与故障树中的相应事件类相关联，这尤其使得能够进行以下解释：可以进行影响分析或根本原因分析。
经由故障树分析的演绎推理方法如图3所示。通过在根本原因分析箭头31的方向上遍历故障树中的上游，即至叶子，诊断推理组件可以执行必要的测试以诊断和隔离问题的根本原因、排除其他没有事件数据证实的可能的解释。例如，可以通过查找上游树中的其他观察事件来确定门质量问题32的原因。在观察到硬件故障33并且没有找到输入材料问题34的提示的情况下，可以考虑故障树中的两个可能路径：根据使用的上下文模型，车身定位误差35或门抓取误差36可能导致门质量问题。同样，具有不同结构或依赖关系的不同路径潜在地导致初始故障，即导致根本故障的叶子。例如，身体位置误差35可能是缺少条形码读取器信号37或异常定位循环计数38的结果。另一方面，门抓取误差36可能由机器人校准误差39引起。故障树的该分支引用覆盖机器人故障302的子树。
基于故障树的另一种有用的方法是所谓的影响分析：通过沿着影响分析箭头30遍历故障传播树中的下游，推理引擎可以使用下游效应来预测影响并触发适当的动作，比如预测性维护活动。观察异常定位循环计数事件38可以指示随后的门质量问题32。

Claims (17)

1.用于自动化系统的现场设备的智能嵌入式控制系统(100)，包括：
到后端服务器的诊断应用接口(101)，用于传输具有信号分析信息(AI)、复杂事件模式信息(PI)和诊断信息(DI)的数据；
到信号数据源的物理过程接口(102)，用于传输信号数据(SI)；
信号评估组件(11)，用于将接收到的信号分析信息(AI)与接收到的信号数据(SI)进行比较以识别至少第一事件和第二事件(E1、E2)；
复杂事件处理组件(12)，配置用于将接收到的复杂事件模式信息(PI)至少应用于第一识别事件和第二识别事件(E1、E2)以识别至少第一分类事件(E1')；
诊断推理组件(13)，配置用于针对接收到的诊断信息(DI)得到所述至少第一分类事件(E1')和至少进一步的分类事件(E2')之间的因果依赖关系，以识别所述至少第一分类事件(E1')的根本原因(1)，和/或预测所述至少第一分类事件(E1')的影响(2)。
2.根据权利要求1所述的智能嵌入式控制系统，还包括操作组件，配置为在运行期间基于识别的所述根本原因(1)或预测的所述影响(2)来进行用于维护或预防措施的后续步骤。
3.根据权利要求1或2所述的智能嵌入式控制系统，其中所述物理过程接口与至少一个传感器(S)或至少一个致动器(A)连接。
4.根据权利要求3所述的智能嵌入式控制系统，其中从所述至少一个传感器(S)或所述至少一个致动器(A)接收所述信号数据(SI)。
5.根据权利要求1至4中任一项所述的智能嵌入式控制系统，其中所述接收到的信号分析信息(AI)包括逻辑或语义模型，其中所述模型可从历史信号数据得到。
6.根据权利要求1至5中任一项所述的智能嵌入式控制系统，其中所述第一事件和第二事件(E1、E2)是检测到的异常。
7.根据权利要求1至6中任一项所述的智能嵌入式控制系统，其中所述接收到的复杂事件模式信息(PI)包括关于事件流的多个模式，其中所述多个模式区分事件或事件流在其中发生的不同情况或上下文。
8.根据权利要求1至7中任一项所述的智能嵌入式控制系统，其中所述接收到的诊断信息包括事件或分类事件的定义、潜在事件之间的依赖关系的规则、或者通用诊断或专家信息。
9.根据权利要求1至8中任一项所述的智能嵌入式控制系统，还包括用于从历史事件流创建新知识数据作为输入数据的归纳推理组件。
10.用于通过智能嵌入式控制设备诊断推理的方法，包括以下步骤：
将具有信号分析信息(AI)、复杂事件模式信息(PI)和诊断信息(DI)的数据从后端服务器传输到智能嵌入式控制器；
将信号数据从信号数据源传输到所述智能嵌入式控制器；
将接收到的信号分析信息(AI)与接收到的信号数据(SI)进行比较，并通过所述智能嵌入式控制器的评估组件(11)识别至少第一事件和第二事件(E1、E2)；
将接收到的复杂事件模式信息(PI)至少应用于第一识别事件和第二识别事件(E1、E2)，并且由所述智能嵌入式控制器的复杂事件处理组件(12)识别至少第一分类事件(E1')；
针对接收到的诊断信息(DI)得到所述至少第一分类事件(E1')和至少进一步的分类事件(E2')之间的因果依赖关系，并且由所述智能嵌入式控制器的诊断推理组件(13)识别所述至少第一分类事件(E1')的根本原因或者预测所述至少第一分类事件(E1')的影响。
11.根据权利要求10所述的方法，其中通过智能嵌入式控制系统(100)、特别是由操作组件使用识别的所述根本原因或预测的所述影响，以在运行时期间进行用于维护或预防措施的后续步骤。
12.根据权利要求10或11所述的方法，其中将接收到的信号分析信息(AI)与接收到的信号数据(SI)进行比较以及识别至少第一事件和第二事件(E1、E2)是由数据驱动执行的。
13.根据权利要求10或12所述的方法，其中将接收到的复杂事件模式信息(PI)至少应用于所述第一识别事件和第二识别事件(E1、E2)、以及识别至少第一分类事件(E1')是由数据驱动执行的。
14.根据权利要求10至13中任一项所述的方法，其中针对接收到的诊断信息(DI)得到所述至少第一分类事件(E1')和至少进一步的分类事件(E2')之间的因果依赖关系、以及识别所述至少第一分类事件(E1')的根本原因或预测所述至少第一分类事件(E1')的影响是由查询驱动执行的。
15.根据权利要求10至14中任一项所述的方法，还包括从历史事件流创建新知识数据作为输入数据的步骤。
16.根据权利要求15所述的方法，其中通过事件序列的信息关联作为历史事件流来进行对目标事件的自动分析。
17.一种可直接加载到智能嵌入式控制系统(100)的数字计算机的内部存储器中的计算机程序产品，包括用于进行以下步骤的软件代码部分：
从后端服务器提供信号分析信息(AI)、复杂事件模式信息(PI)和诊断信息(DI)；
从信号数据源提供信号数据；
将接收到的信号分析信息(AI)与接收到的信号数据(SI)进行比较，并识别至少第一事件和第二事件(E1、E2)；
将接收到的复杂事件模式信息(PI)至少应用于第一识别事件和第二识别事件(E1、E2)，并且识别第一分类事件(E1')；
针对接收到的诊断信息(DI)得到所述至少第一分类事件(E1')和至少进一步的分类事件(E2')之间的因果依赖关系，并且识别所述至少第一分类事件(E1')的根本原因或预测所述至少第一分类事件(E1')的影响。
CN201680083312.0A 2016-03-09 2016-04-07 用于自动化系统的现场设备的智能嵌入式控制系统 Active CN108700873B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201662305621P 2016-03-09 2016-03-09
US62/305,621 2016-03-09
PCT/EP2016/057596 WO2017153005A1 (en) 2016-03-09 2016-04-07 Smart embedded control system for a field device of an automation system

Publications (2)

Publication Number Publication Date
CN108700873A true CN108700873A (zh) 2018-10-23
CN108700873B CN108700873B (zh) 2022-02-11

Family

ID=55794944

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201680083312.0A Active CN108700873B (zh) 2016-03-09 2016-04-07 用于自动化系统的现场设备的智能嵌入式控制系统

Country Status (4)

Country Link
US (1) US11347212B2 (zh)
EP (1) EP3403152B1 (zh)
CN (1) CN108700873B (zh)
WO (1) WO2017153005A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113168149A (zh) * 2018-11-23 2021-07-23 西门子股份公司 用于自动化装置的扩展装置

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102016013406B4 (de) * 2016-11-11 2022-02-03 Schenck Process Europe Gmbh Verfahren zum Betrieb eines Zustandsüberwachungssystems einer Schwingmaschine und Zustandsüberwachungssystem
JP6787090B2 (ja) * 2016-12-02 2020-11-18 横河電機株式会社 保全管理装置、保全管理方法、保全管理プログラム及び記録媒体
US11662719B2 (en) * 2017-09-29 2023-05-30 Rockwell Automation Technologies, Inc. Classification modeling for monitoring, diagnostics optimization and control
US11070389B2 (en) * 2017-10-23 2021-07-20 Johnson Controls Technology Company Building management system with automated vibration data analysis
EP3511830A1 (en) * 2018-01-15 2019-07-17 Siemens Aktiengesellschaft Method for monitoring devices in a network, computerized system and application program interface
DE112018006911T5 (de) * 2018-01-22 2020-10-01 Nec Corporation Anomaliedetektionsvorrichtung
WO2020006142A1 (en) * 2018-06-26 2020-01-02 Fanuc America Corporation Automatic dynamic diagnosis guide with augmented reality
EP3857378A4 (en) * 2018-09-27 2022-04-13 Siemens Healthcare Diagnostics, Inc. METHOD OF DETERMINISTIC CAUSE AND EFFECT REPORTING IN SOFTWARE SYSTEMS
EP3796117B1 (de) * 2019-09-18 2021-10-27 Siemens Aktiengesellschaft Diagnoseverfahren und diagnosesystem für eine verfahrenstechnische anlage
JP6742014B1 (ja) * 2020-03-11 2020-08-19 ポート・アンド・アンカー株式会社 構造物の異常判別方法及び異常判別システム
CN111798107A (zh) * 2020-06-18 2020-10-20 国网河北省电力有限公司石家庄市栾城区供电分公司 一种应用ai智能诊断分析的新型反窃电系统及方法
US11874688B2 (en) * 2021-07-23 2024-01-16 Hewlett Packard Enterprise Development Lp Identification of diagnostic messages corresponding to exceptions
JP2023149043A (ja) * 2022-03-30 2023-10-13 横河電機株式会社 故障診断装置、故障診断プログラム、及び故障診断方法

Citations (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU1103401A (en) * 1999-10-28 2001-05-08 General Electric Company Method and apparatus for diagnosing difficult to diagnose faults in a complex system
WO2003042769A1 (en) * 2001-11-16 2003-05-22 Abb Ab Analysing events
CN1433535A (zh) * 2000-01-29 2003-07-30 Abb研究有限公司 用于自动生成故障树结构的方法
CN1518698A (zh) * 2000-11-08 2004-08-04 监测自动化设备故障的软件工具
US20040254762A1 (en) * 2003-06-11 2004-12-16 Michael Hopkins Method for process control of semiconductor manufactiring equipment
CN1655325A (zh) * 2003-12-26 2005-08-17 佳能系统集成有限公司 工序和质量关系的模型生成装置及模型生成方法
CN1862278A (zh) * 2005-05-12 2006-11-15 通用电气公司 预测电动机剩余寿命的方法和系统
EP1970786A2 (en) * 2007-03-15 2008-09-17 Honeywell International Inc. Automated engine data diagnostic analysis
CN101438249A (zh) * 2006-05-07 2009-05-20 应用材料股份有限公司 用于错误诊断的多种错误特征
CN101915234A (zh) * 2010-07-16 2010-12-15 西安交通大学 一种基于贝叶斯网络的压缩机关联故障诊断方法
CN101941623A (zh) * 2010-09-30 2011-01-12 深圳技师学院 一种曳引机检测或诊断系统
CN101950327A (zh) * 2010-09-09 2011-01-19 西北工业大学 一种基于故障树信息的设备状态预测方法
US20110238258A1 (en) * 2010-03-24 2011-09-29 Gm Global Technology Operations, Inc. Event-driven fault diagnosis framework for automotive systems
JP2012018623A (ja) * 2010-07-09 2012-01-26 Fuji Electric Co Ltd 異常データ分析システム
CN102592172A (zh) * 2012-02-14 2012-07-18 西安交通大学 一种基于敏感测点数据融合的行星轮故障识别方法
CN102713777A (zh) * 2010-01-22 2012-10-03 株式会社日立制作所 诊断装置及诊断方法
CN102799606A (zh) * 2011-05-24 2012-11-28 通用汽车环球科技运作有限责任公司 用于根本原因分析的结构相关性与交叉功能相关性的结合
CN102915028A (zh) * 2012-02-16 2013-02-06 上海西门子工业自动化有限公司 Pcs7软件系统的诊断系统和诊断方法
CN103529825A (zh) * 2013-10-23 2014-01-22 上海白丁电子科技有限公司 自动分析和诊断设备故障的方法及其装置
CN103546338A (zh) * 2011-05-04 2014-01-29 成都勤智数码科技股份有限公司 利用相关性的it运维指标预测方法
CN103631788A (zh) * 2012-08-22 2014-03-12 上海通用汽车有限公司 基于共享数据库的车辆制造质量问题诊断系统
CN103996077A (zh) * 2014-05-22 2014-08-20 中国南方电网有限责任公司电网技术研究中心 一种基于多维时间序列的电气设备故障预测方法
CN104267346A (zh) * 2014-09-10 2015-01-07 国电南瑞科技股份有限公司 一种发电机励磁系统故障远程诊断方法
CN104903866A (zh) * 2013-11-29 2015-09-09 株式会社日立制作所 对事件根本原因的分析予以支援的管理系统以及方法
CN104950866A (zh) * 2014-03-25 2015-09-30 株式会社日立高新技术 故障原因分类装置
US20150309855A1 (en) * 2012-05-09 2015-10-29 Infosys Limited Method and system for detecting symptoms and determining an optimal remedy pattern for a faulty device
CN105160483A (zh) * 2015-09-10 2015-12-16 国家电网公司 一种基于数据挖掘的二次设备故障诊断方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7596718B2 (en) 2006-05-07 2009-09-29 Applied Materials, Inc. Ranged fault signatures for fault diagnosis
US8285513B2 (en) 2007-02-27 2012-10-09 Exxonmobil Research And Engineering Company Method and system of using inferential measurements for abnormal event detection in continuous industrial processes
JP5299267B2 (ja) 2007-03-22 2013-09-25 日本電気株式会社 診断装置
DE102012207437B3 (de) 2012-05-04 2013-05-29 Siemens Aktiengesellschaft Verfahren zum Betrieb einer speicherprogrammierbaren Steuerung
US9946244B2 (en) * 2014-08-25 2018-04-17 Siemens Aktiengesellschaft Intelligent programmable logic controller
US10878385B2 (en) * 2015-06-19 2020-12-29 Uptake Technologies, Inc. Computer system and method for distributing execution of a predictive model

Patent Citations (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU1103401A (en) * 1999-10-28 2001-05-08 General Electric Company Method and apparatus for diagnosing difficult to diagnose faults in a complex system
CN1433535A (zh) * 2000-01-29 2003-07-30 Abb研究有限公司 用于自动生成故障树结构的方法
CN1518698A (zh) * 2000-11-08 2004-08-04 监测自动化设备故障的软件工具
WO2003042769A1 (en) * 2001-11-16 2003-05-22 Abb Ab Analysing events
US20040254762A1 (en) * 2003-06-11 2004-12-16 Michael Hopkins Method for process control of semiconductor manufactiring equipment
CN1655325A (zh) * 2003-12-26 2005-08-17 佳能系统集成有限公司 工序和质量关系的模型生成装置及模型生成方法
CN1862278A (zh) * 2005-05-12 2006-11-15 通用电气公司 预测电动机剩余寿命的方法和系统
CN101438249A (zh) * 2006-05-07 2009-05-20 应用材料股份有限公司 用于错误诊断的多种错误特征
EP1970786A2 (en) * 2007-03-15 2008-09-17 Honeywell International Inc. Automated engine data diagnostic analysis
CN102713777A (zh) * 2010-01-22 2012-10-03 株式会社日立制作所 诊断装置及诊断方法
US20110238258A1 (en) * 2010-03-24 2011-09-29 Gm Global Technology Operations, Inc. Event-driven fault diagnosis framework for automotive systems
JP2012018623A (ja) * 2010-07-09 2012-01-26 Fuji Electric Co Ltd 異常データ分析システム
CN101915234A (zh) * 2010-07-16 2010-12-15 西安交通大学 一种基于贝叶斯网络的压缩机关联故障诊断方法
CN101950327A (zh) * 2010-09-09 2011-01-19 西北工业大学 一种基于故障树信息的设备状态预测方法
CN101941623A (zh) * 2010-09-30 2011-01-12 深圳技师学院 一种曳引机检测或诊断系统
CN103546338A (zh) * 2011-05-04 2014-01-29 成都勤智数码科技股份有限公司 利用相关性的it运维指标预测方法
CN102799606A (zh) * 2011-05-24 2012-11-28 通用汽车环球科技运作有限责任公司 用于根本原因分析的结构相关性与交叉功能相关性的结合
CN102592172A (zh) * 2012-02-14 2012-07-18 西安交通大学 一种基于敏感测点数据融合的行星轮故障识别方法
CN102915028A (zh) * 2012-02-16 2013-02-06 上海西门子工业自动化有限公司 Pcs7软件系统的诊断系统和诊断方法
US20150309855A1 (en) * 2012-05-09 2015-10-29 Infosys Limited Method and system for detecting symptoms and determining an optimal remedy pattern for a faulty device
CN103631788A (zh) * 2012-08-22 2014-03-12 上海通用汽车有限公司 基于共享数据库的车辆制造质量问题诊断系统
CN103529825A (zh) * 2013-10-23 2014-01-22 上海白丁电子科技有限公司 自动分析和诊断设备故障的方法及其装置
CN104903866A (zh) * 2013-11-29 2015-09-09 株式会社日立制作所 对事件根本原因的分析予以支援的管理系统以及方法
CN104950866A (zh) * 2014-03-25 2015-09-30 株式会社日立高新技术 故障原因分类装置
CN103996077A (zh) * 2014-05-22 2014-08-20 中国南方电网有限责任公司电网技术研究中心 一种基于多维时间序列的电气设备故障预测方法
CN104267346A (zh) * 2014-09-10 2015-01-07 国电南瑞科技股份有限公司 一种发电机励磁系统故障远程诊断方法
CN105160483A (zh) * 2015-09-10 2015-12-16 国家电网公司 一种基于数据挖掘的二次设备故障诊断方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
董锡明: "《轨道交通安全风险管理》", 31 March 2014, 北京：中国铁道出版社 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113168149A (zh) * 2018-11-23 2021-07-23 西门子股份公司 用于自动化装置的扩展装置

Also Published As

Publication number Publication date
WO2017153005A1 (en) 2017-09-14
US11347212B2 (en) 2022-05-31
EP3403152B1 (en) 2023-07-12
EP3403152A1 (en) 2018-11-21
CN108700873B (zh) 2022-02-11
US20190079506A1 (en) 2019-03-14

Similar Documents

Publication Publication Date Title
CN108700873A (zh) 用于自动化系统的现场设备的智能嵌入式控制系统
CN107835964B (zh) 控制情境化以及关于控制的推理
Alves et al. Deployment of a smart and predictive maintenance system in an industrial case study
JP2022519228A (ja) 工業プロセスで使用されるコンポーネントから発生する信号の異常を検出及び測定するためのシステムと方法
CN109791401A (zh) 生成用于嵌入式分析和诊断/预测推理的故障模型
CN104102773A (zh) 一种设备故障预警及状态监测方法
KR102343752B1 (ko) 프로세스 장치에서 전체 프로세스 섹션의 상태를 자동 모니터링하고 측정하는 컴퓨터 실행 방법 및 시스템
KR20190021560A (ko) 빅데이터를 활용한 고장예지보전시스템 및 고장예지보전방법
JP2007249997A (ja) 工業プロセスの監視方法及び監視システム
CN111867806A (zh) 用于基于件的过程（批量制造）、特别是注射成型过程的自动的过程监控和过程诊断的方法和实施所述过程的机器或实施所述过程的机器总成
US10503156B2 (en) Methods and apparatus to define stages for multi-variate batch control analytics
US20230221684A1 (en) Explaining Machine Learning Output in Industrial Applications
EP3469434B1 (en) Automatic visual and acoustic analytics for event detection
Lee et al. Intelligent factory agents with predictive analytics for asset management
CN111712771B (zh) 能够执行问题诊断的数据处理装置以及方法
US20230229144A1 (en) Safety Interlock Recommendation System
US20200385141A1 (en) Data driven machine learning for modeling aircraft sensors
Cohen et al. EveSyncIAI: Event synchronization industrial augmented intelligence for fault diagnosis
US20220147039A1 (en) Event analytics in modular industrial plants
EP4136515B1 (en) Method, apparatus and computer program product for monitoring of industrial devices
CN116235121A (zh) 识别用于执行生产过程的工业设施中的异常的装置和方法
EP3706048A1 (en) Anomaly prediction in an industrial system
Martinez et al. Labelling drifts in a fault detection system for wind turbine maintenance
JP6798968B2 (ja) ノイズ発生原因推定装置
JP2018081335A (ja) プラント運転データ解析システム

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