CN109308035A - 用于控制技术系统的操作的系统、方法和控制单元 - Google Patents
用于控制技术系统的操作的系统、方法和控制单元 Download PDFInfo
- Publication number
- CN109308035A CN109308035A CN201810845879.8A CN201810845879A CN109308035A CN 109308035 A CN109308035 A CN 109308035A CN 201810845879 A CN201810845879 A CN 201810845879A CN 109308035 A CN109308035 A CN 109308035A
- Authority
- CN
- China
- Prior art keywords
- sensor
- virtual
- data
- sensor data
- model
- 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
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
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0297—Reconfiguration of monitoring system, e.g. use of virtual sensors; change monitoring method as a response to monitoring results
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D5/00—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable
- G01D5/12—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable using electric or magnetic means
- G01D5/244—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable using electric or magnetic means influencing characteristics of pulses or pulse trains; generating pulses or pulse trains
- G01D5/24457—Failure detection
-
- 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
- G05B17/00—Systems involving the use of models or simulators of said systems
- G05B17/02—Systems involving the use of models or simulators of said systems electric
-
- 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
- G05B23/0213—Modular or universal configuration of the monitoring system, e.g. monitoring system having modules that may be combined to build monitoring program; monitoring system that can be applied to legacy systems; adaptable monitoring system; using different communication protocols
-
- 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
- G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0262—Confirmation of fault detection, e.g. extra checks to confirm that a failure has indeed occurred
-
- 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
- G05B9/00—Safety arrangements
- G05B9/02—Safety arrangements electric
-
- 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
- G05B2219/26—Pc applications
- G05B2219/2609—Process control
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
公开了用于控制技术系统(220)的操作的系统、控制单元和方法。技术系统(220)包括多个传感器(222‑228)。所述方法包括从多个传感器(222‑228)中的第一传感器(222)接收第一传感器数据。所述方法包括检测基于生成第一传感器数据的第一传感器(222)的故障的第一传感器异常。第一传感器的故障包括生成异常的第一传感器数据。此外,所述方法包括基于第一传感器数据与虚拟第一传感器数据之间的比较来验证第一传感器异常。此后,当第一传感器异常被验证时,通过代替第一传感器数据替换虚拟第一传感器数据来向技术系统(220)生成控制命令。
Description
技术领域
本发明涉及通过克服技术系统中的传感器的故障来实时地控制技术系统的操作。
背景技术
在技术系统中,使用多个传感器来连续监视和收集数据。传感器数据对于监视和控制过程非常重要,因为它有助于验证技术系统以预期的方式运行。
在一段时间内,传感器可能失去其准确性,或者在某些关键过程中可能故障。在这样的场景下,技术系统可能需要停止。在制造业中,单个设备的故障可能会妨碍制造产品的准确性。这可能总是导致时间和金钱的损失。
在专利US 9533683 B2中教导了克服传感器故障的这样一种方法。其中公开的方法涉及车辆中的故障结角(hitch angle)传感器。当结角未被感测到时,通过产生用于车辆的对策命令来缓解结角传感器的故障。上述方法限于结角的一个参数,并且不考虑妨碍技术系统中的过程的其他参数。
WO2016120112A1描述了一种检测、分类和/或减轻传感器误差的方法。传感器故障减轻也对识别的偏置、漂移、乘法校准误差、精度降低和尖峰误差来进行。所公开的方法表明,在完全传感器故障的情况下,可以采用某些减轻方法。然而,这种方法的停机时间可能相当长,并且技术系统对传感器故障不是无懈可击的。
发明内容
因此,本发明的目的是通过替换虚拟第一传感器数据代替第一传感器数据来生成对技术系统的控制命令来使停机时间最小化并克服传感器的限制。
根据本发明的方法、设备和系统通过检测基于生成第一传感器数据的第一传感器的故障的第一传感器异常来实现前述目的。然后基于第一传感器数据与虚拟第一传感器数据之间的比较来验证第一传感器异常。当第一传感器异常被验证时,通过代替第一传感器数据替换虚拟第一传感器数据来生成对技术系统的控制命令。
根据本发明,提供了一种用于控制包括多个传感器的技术系统的操作的计算机实现的方法。该方法包括按时间序列接收传感器数据。该传感器数据包括对应于与所述技术系统相关联的至少一个操作参数的传感器值或数据点。在实施例中,多个传感器包括第一传感器,并且相应接收来自第一传感器的第一传感器数据。
如本文所使用的,术语“数据”/“数据集”是指传感器记录的数据。由传感器记录的数据是在特定的时间段内的。在本实施例中,传感器用时间戳记录数据。数据包括多个数据点,每个数据点表示电子设备的记录。如本文所使用的,“传感器数据”和“数据点”可以互换使用以意为针对与技术系统相关联的至少一个操作参数记录的一个或多个基准(datum)的表示。“至少一个操作参数”是指技术系统的一个或多个特性。例如,如果燃气轮机是技术系统,那么至少一个操作参数包括燃烧温度、入口压力、排气压力等。在另一个示例中,电机是技术系统,并且因此至少一个操作参数包括旋转速度、温度等。如本文所使用的,第一传感器仅用于说明目的。步骤可以在技术系统中的多个传感器上执行。
该方法使用控制单元用于控制技术系统的操作。控制单元包括接收器,以从多个传感器按时间序列接收传感器数据。控制单元还包括处理器和通信地耦合到处理器的存储器。存储器包括异常检测模块,用于检测传感器数据中的异常。例如,当第一传感器无法生成第一传感器数据时,检测到异常。存在当第一传感器在某个时刻无法生成第一传感器数据时的实例。如本文所使用的,第一传感器故障可归因于第一传感器被卡住或损坏。因此,第一传感器不能生成第一传感器数据或在该时刻生成异常的第一传感器数据。在另一个示例中,第一传感器被配置为以预设的时间间隔生成第一传感器数据,并且不能在该时刻生成第一传感器数据。
控制单元包括验证模块,用于验证传感器数据异常。考虑第一传感器数据异常的示例,基于第一传感器数据与虚拟第一传感器数据之间的比较来验证第一传感器异常。虚拟第一传感器数据是第一传感器的仿真数据。虚拟第一传感器数据是从技术系统的系统模型生成的。
此外,控制单元包括传感器选择模块,其在第一传感器异常被验证时代替第一传感器数据输出虚拟第一传感器数据。
根据实施例,处理器被配置为从传感器选择模块接收虚拟第一传感器数据以基于虚拟第一传感器数据生成对技术系统的控制命令。因此,基于虚拟第一传感器数据继续技术系统的操作。
根据另一个实施例,控制单元包括模型生成器模块,其被配置为生成技术系统的系统模型。系统模型是基于多物理学概率模型生成的。在优选实施例中,系统模型是基于贝叶斯校准生成的技术系统的高保真度仿真模型。贝叶斯校准提供了参数估计和参数不确定性。它允许所有的不确定性来源,并试图纠正由于传感器数据和系统模型之间的差异而显露的系统模型的任何不足。贝叶斯校准的优点是整合传感器数据和技术系统的历史数据以形成感兴趣数量的后验分布估计的能力。随着更多数据或信息变得可用,贝叶斯校准用于更新假设的概率。先验分布和似然分布是对贝叶斯校准的输入,后验分布是来自贝叶斯校准的输出。
系统模型用于生成针对多个传感器的虚拟传感器数据。基于技术系统的操作,利用来自多个传感器的传感器数据更新系统模型以反映技术系统的当前状态。因此,系统模型被配置为技术系统的虚拟复制品。此外,系统模型用于更新提供给技术系统的输入参数。输入参数的更新可能会影响传感器数据中的改变。
根据另一实施例,控制单元包括虚拟异常检测模块,以在传感器异常验证为假时检测虚拟传感器异常。例如,如果第一传感器异常未被验证,则表明虚拟第一传感器数据中存在异常。在实施例中,虚拟第一传感器异常归因于还没有在系统模型中考虑的技术系统的退化。在另一个实施例中,虚拟第一传感器异常是由于技术系统的重新配置引起的。
当检测到虚拟第一传感器异常时,确定技术系统是否已重新配置,并相应地重新校准系统模型。通常,如果虚拟第一传感器异常检测是不连续的,则确定技术系统重新配置。如果虚拟第一传感器异常是连续的,那么可以假设技术系统的退化并且利用技术系统的退化模型更新系统模型。退化模型基于连续时间随机过程和不确定性量化。
根据又一个实施例,控制单元包括传感器限制模块,用于借助于监督学习模型基于技术系统的操作限制来确定传感器限制。控制单元还包括容差偏差模块,用于基于监督学习模型确定针对多个传感器中的每一个的容差偏差。容差偏差是与传感器限制的可接受偏差。
例如,考虑电机的技术系统。在对电机进行各种实验之后,在其操作限制内,设置针对温度传感器和转速计的限制。考虑温度传感器限制为Amax = 100摄氏度,Bmax = 120摄氏度,Cmax = 130摄氏度,引擎速度传感器限制为Dmax = 300 rpm。在分析各种运行条件和传感器的输出之后,定义+/- 5摄氏度和+/- 10 rpm的容差偏差。容差偏差是基于技术系统的当前状态动态定义的。
根据实施例,控制单元包括传感器灵敏度模块和传感器关系模块。传感器灵敏度模块被配置为对多个传感器中的每一个执行扰动分析以确定针对多个传感器中的每一个的传感器灵敏度。该扰动分析允许研究当在函数的参数中出现小扰动函数时在函数的特性中的改变。换句话说,扰动分析是指神经网络输出如何受其输入和/或权重扰动影响,即系统模型如何基于传感器数据集中的改变而变化。在实施例中,扰动分析涉及基于成本函数的泰勒级数展开(TSE)的评估来测量灵敏度,该成本函数是残差平方和(RSS),具有对于应用而言必要的适当近似。
基于传感器灵敏度,传感器关系模块使用神经网络确定传感器关系模型。传感器关系模型用于验证传感器异常。例如,可以使用来自第一传感器周围的传感器的传感器数据中的一个或多个异常的检测来确定第一传感器异常。可替代地,如果来自第一传感器数据周围的传感器的传感器数据与除第一传感器数据之外的虚拟传感器数据一致,则可以验证第一传感器异常。因此,传感器关系模型有助于验证传感器异常。
所描述的控制单元和方法也可以用于控制包括多个技术系统的过程。例如,控制单元用于控制诸如制造过程的工业过程。控制单元生成针对执行工业过程的每个技术系统的系统模型。
技术系统的传感器数据表示后续技术系统的输入/输出。将传感器数据与系统模型中的虚拟传感器数据进行比较。如果出现大于预先确定的容差偏差的偏差,则控制单元确定具有异常的传感器并相应地确定故障的技术系统。如果确定故障,则控制单元使用虚拟传感器数据而不是传感器数据。此外,输入/输出值被更新到后续技术系统和系统模型中。
本发明是有优势的,因为技术系统中的任何传感器的故障不会影响整个过程。因此,技术系统的操作的停机时间显著减少。此外,本发明可以用来克服传感器的限制。
附图说明
现在将参考本发明的附图来陈述本发明的上述和其他特征。图示的实施例旨在说明而非限制本发明。
下面参照附图中示出的图示的实施例进一步描述本发明,其中:
图1图示用于控制技术系统的控制单元;
图2图示包括包含图1中的控制单元的服务器的系统;
图3是图示控制具有多个传感器的技术系统的方法的流程图;和
图4图示包括多个技术系统的工业过程。
具体实施方式
参考附图描述了各种实施例,其中相同的附图标记始终用于指代相同的元件。在下面的描述中,为了解释的目的,大型燃气轮机已经被认为是技术系统的示例。此外,阐述了许多具体细节以便提供对本发明的一个或多个实施例的全面理解。这些示例不能被认为是将本发明的应用限制于大型燃气轮机,并且包括能够克服传感器限制的任何技术系统。可以明显的是,可以在没有这些具体细节的情况下实践这样的实施例。
图1图示用于控制技术系统的控制单元100。 用于解释的技术系统是电机。然而,它不限于电机,并且可以包括具有多个传感器的任何系统,诸如燃气轮机。根据本发明的控制单元100安装在用户设备上并且可由用户设备访问,所述用户设备例如个人计算设备、工作站、客户端设备、支持网络的计算设备、任何其他合适的计算装备以及多件计算装备的组合。本文公开的控制单元100通过通信网络130与数据库102进行可操作的通信。
数据库102例如是结构化查询语言(SQL)数据存储器或不仅是SQL(NoSQL)数据存储器。在根据本发明的数据库102的实施例中,数据库102也可以是控制单元100可直接访问的文件系统上的位置。在根据本发明的数据库102的另一个实施例中,数据库102被配置为在云计算环境中实现的基于云的数据库,其中计算资源通过网络130作为服务递送。如本文所使用的,“云计算环境”是指包括可配置计算物理和逻辑资源(例如,网络、服务器、存储装置、应用、服务等)以及通过网络130(例如因特网)分布的数据的处理环境。云计算环境提供对可配置计算物理和逻辑资源的共享池的按需网络访问。通信网络130例如是有线网络、无线网络、通信网络或由这些网络的任意组合形成的网络。
在根据本发明的优选实施例中,控制单元100可在用户设备上下载和使用。在根据本发明的另一个实施例中,控制单元100被配置为基于web的平台,例如托管在服务器或服务器网络上的网站。在根据本发明的另一个实施例中,控制单元100在云计算环境中实现。例如,使用如后文在图2中公开的谷歌公司的Google App引擎云基础设施、亚马逊科技公司的Amazon Web Services®开发控制单元100。在实施例中,控制单元100被配置为实现为用于分析数据的服务的基于云计算的平台。
本文公开的控制单元100包括存储器104和通信地耦合到存储器104的至少一个处理器106。如本文所使用的,“存储器”是指所有计算机可读介质,例如非易失性介质、易失性介质和除了暂时的传播信号之外的传输介质。存储器被配置成存储由控制单元100的模块(例如110、114、116、118等)定义的计算机程序指令。处理器106被配置成执行模块中定义的计算机程序指令。此外,处理器106被配置成同时执行存储器104中的指令。如图1所图示的,控制单元100包括按时间序列接收传感器数据集的接收器150和显示单元160。另外,使用用户设备的用户可以经由GUI(图形用户界面)访问控制单元100。例如,GUI是在线web界面,基于web的可下载应用界面等。
由处理器106执行的模块包括模型生成器模块110、传感器限制模块112、异常检测模块114、容差偏差模块118、传感器选择性模块120、传感器关系模块122、验证模块124和传感器选择模块126。
控制单元100的操作在两个阶段中进行,即预操作阶段和操作阶段。在预操作阶段期间,模型生成器模块110生成技术系统的系统模型。 系统模型是技术系统的高保真仿真模型,其实时复制技术系统的功能和操作。系统模型包括针对技术系统中每个传感器的虚拟传感器数据。
传感器限制模块112基于在系统上进行的实验来确定针对技术系统中的传感器的传感器限制。然后传感器限制被容差偏差模块118用于确定与传感器限制的可接受偏差。这个容差是基于实验和监督学习来确定的。
在实施例中,传感器灵敏度模块120被用于确定针对技术系统中的每个传感器的传感器灵敏度。传感器灵敏度由扰动分析确定。扰动分析允许研究在函数参数中出现小扰动时函数的特性中的改变。换句话说,扰动分析是指神经网络输出如何受其输入和/或权重扰动影响,即系统模型如何基于传感器数据集中的改变而变化。
传感器灵敏度被传感器关系模块122用于确定传感器之间的传感器关系。传感器关系模型可用于验证由传感器生成的传感器数据中的异常。
传感器数据中的异常由异常检测模块114检测。异常在本发明的操作阶段中被检测到。异常检测模块114检测基于生成传感器数据的传感器的故障的传感器异常。异常检测模块114还包括虚拟异常检测模块116。虚拟异常检测模块116用于检测虚拟传感器数据(即系统模型)的异常。
验证模块124用于基于系统模型和传感器关系模型来验证传感器异常是真还是假。验证模块还确定是否存在虚拟传感器异常。传感器选择模块126用于根据传感器异常是否被验证来选择传感器数据或虚拟传感器数据。如果传感器数据被验证,则代替传感器数据传输虚拟传感器数据。在图2和图3中进一步解释控制单元100的操作。
图2图示包括包含图1中的控制单元100的服务器210的系统200。系统200还包括通信地耦合到服务器210的网络接口230和经由网络接口230通信地耦合到服务器210的电机220。电机220位于远程位置,而服务器210位于云服务器上,例如使用谷歌公司的GoogleApp引擎云基础设施、亚马逊科技公司的Amazon Web Services®、亚马逊科技公司的Amazon elastic compute cloud® web服务、谷歌公司的Google®云平台、微软公司的Microsoft®云平台等。电机220包括传感器222-228。传感器222、224、226和228被用来生成传感器数据,包括对应于与电机220相关联的一个或多个操作参数的传感器值。电机200例如包括电机体温度传感器(A)222、引擎温度传感器(B)224、空气温度传感器(C)226和转速计(D)228。
在预操作阶段期间,通过控制单元100的模型生成器110创建用于电机220的数字双胞胎(digital twin)。在对温度传感器222-226执行各种实验限制并且在传感器限制模块112中设置转速计228后。针对传感器222、224和226的传感器限制例如分别为Amax = 100℃,Bmax = 120℃和Cmax = 130 ℃。针对转速计228的限制是Dmax = 300 rpm。在实验之后,在研究针对所有操作任务循环的结果之后,由容差偏差模块118定义+/- 5摄氏度和+/-10转/分的容差。在分析针对操作任务循环的电机220的性能之后定义容差。
此外,在预操作阶段,传感器222、224和226之间的关系也由传感器灵敏度模块120和传感器关系模块122确定。温度传感器222-226与转速计228之间的关系也由传感器关系模块122定义。例如,对于D = 100rpm的值,对于输入 Ia = 2.9-3.2安培和 Va = 210-230V,温度传感器222,224和226基于已知的经验关系式假定处在以下范围内,A= 45-55℃,B = 55-65℃,C = 65-75℃。
在运行阶段期间,传感器222-228的传感器数据不断地与系统模型中的虚拟传感器数据进行比较。让我们考虑在222的传感器数据中 A 50℃,传感器B 224为60℃,传感器C226为70℃,传感器D 228为85rpm,在输入电流为2.9安培并且电压为220V的情况下。针对传感器222-228的系统模型中的虚拟传感器数据分别为51℃、60℃、71℃和100rpm。比较针对转速计228的传感器数据85rpm和虚拟传感器数据100rpm,差值高于+/- 10rpm的容差。
为了确保它是传感器故障,由验证模块124验证传感器异常。验证模块124检查在传感器222、224、226和228之间定义的关系,以验证电机220中的传感器D 228有故障。当传感器D 228被验证为有故障时,然后传感器选择模块126考虑虚拟传感器数据,即100rpm,而不是传感器数据,即85rpm。电机220的操作者还被通知关于该切换的消息。
在每个阶段,系统模型由模型生成器模块110更新传感器数据。例如,在上述情况下,实际电机中的输入参数Ia是2.9安培,而系统模型中Ia = 3安培。模型生成器模块110考虑到这种变化并更新系统模式。
考虑另一种场景,其中电机220需要来自电机220的120rpm,而不将传感器222、224和226的温度分别增加到高于100、120和130℃。 控制单元100通过改变电机220的占空比来确保这一点。此外,模型生成器模块110可以用来设置作为系统模型中的输入的用户或过程要求,以运行并行仿真,该并行仿真确定过程要求可以满足什么条件。仿真用于生成估计的输入,该估计的输入可以作为控制参数输入到电机220以控制电机220的操作。
在又一种场景下,温度传感器222-226能够以每5秒的周期提供温度。如果存在每3秒时段确定温度的要求,则具有虚拟传感器数据的系统模型被用于提供针对传感器222-226的温度。因此,系统200的控制单元100能够克服电机220中的温度传感器222-226的限制。借助于图3中的流程图详细描述了被执行以克服传感器限制的步骤。
图3是图示控制具有多个传感器的技术系统的方法的流程图300。如流程图300所示,该方法被分成两个阶段:预操作阶段310和操作阶段350。预操作阶段310指示在技术系统的测试阶段期间执行的步骤。
预操作阶段310在步骤312处开始,其中基于多物理学概率模型生成技术系统的系统模型。系统模型包括针对多个传感器中的每一个的虚拟传感器数据。也用来自多个传感器的传感器数据更新系统模型以反映技术系统的当前状态。
在步骤314处,借助于监督学习模型确定基于技术系统的操作限制的传感器限制。此外,在步骤316处,基于监督学习模型确定针对多个传感器中的每一个的容差偏差。容差偏差是与传感器限制的可接受的偏差。
在步骤318处,对多个传感器中的每个传感器进行扰动分析,以确定针对多个传感器中的每个传感器的传感器灵敏度。扰动分析允许研究在函数参数中出现小扰动时函数特性的改变。换句话说,扰动分析是指神经网络输出如何受其输入和/或权重扰动影响,即系统模型如何基于传感器数据集中的改变而变化。在实施例中,扰动分析涉及基于成本函数的泰勒级数展开(TSE)的评估来测量灵敏度,所述成本函数是残差平方和(RSS),具有对于应用而言必要的适当近似。
在步骤320处,基于传感器灵敏度,使用神经网络确定传感器关系模型。在操作阶段350中使用传感器关系模型来验证传感器异常。
在操作阶段350期间,在步骤330处,当传感器不能生成传感器数据时检测到传感器异常。存在当传感器在某个时刻无法生成传感器数据时的若干实例。传感器故障可归因于传感器被卡住或损坏,并且因此无法生成传感器数据或生成针对该时刻的异常传感器数据。在另一个示例中,传感器被配置为以预设的时间间隔生成传感器数据,并且不能生成针对该时刻的传感器数据。
在步骤340,通过比较传感器数据和系统模型的虚拟传感器数据来验证传感器异常。此外,基于在步骤320处生成的传感器关系模型来执行验证。例如,考虑在第一传感器中检测到异常。检测来自第一传感器周围的传感器的传感器数据中的一个或多个异常可以用于验证第一传感器异常。可替代地,如果来自第一传感器周围的传感器的传感器数据与虚拟传感器数据一致,除了第一传感器数据之外。然后可以验证第一传感器异常。因此,传感器关系模型被用于验证传感器异常。
如果传感器异常被验证,则执行步骤342。在步骤342中,代替所生成的传感器数据而选择虚拟传感器数据。此外,基于虚拟传感器数据向技术系统生成控制命令。因此,系统模型被动态地配置成在多个传感器不能生成传感器数据时的时刻生成虚拟传感器数据。在步骤344处,通过基于系统模型更新与技术系统的操作相关联的输入参数来控制技术系统操作。对技术系统的输入参数中的改变继而影响传感器数据中的改变。
如果传感器异常未被验证,则在步骤346处确定虚拟传感器异常。在步骤348处,将技术系统的退化模型提供给系统模型,以使其准确地反映技术系统的当前状态。
控制单元100和流程图300中描述的方法也可用于控制包括若干技术系统的过程。图4图示包括多个技术系统410、420和430的工业过程400。控制单元100用于控制工业过程400。控制单元100包括模型生成器模块110,该模型生成器模块110分别为技术系统410、420和430中的每一个生成系统模型450、460和470。
技术系统410、420和430的传感器数据414、424和434表示后续技术系统的输入/输出。例如,技术系统410的传感器数据414是针对技术系统420的输入。传感器数据412-434与系统模型450、460和470中的虚拟传感器数据452-474进行比较。如果出现大于预定容差偏差的偏差,则控制单元100执行如图3中的步骤,以确定具有异常的传感器并相应确定故障的技术系统。如果确定故障,则控制单元100使用虚拟传感器数据452-474而不是传感器数据412-434。输入/输出值被更新到后续技术系统(例如430)和系统模型460中。
显而易见的是,本文公开的各种方法、算法和模块可以在为计算设备适当编程的计算机可读介质上实现。实现本文公开的方法和算法的模块可以使用各种介质(例如,以多种方式的计算机可读介质)存储和传输。在实施例中,可以使用硬连线电路或定制硬件代替用于实现各种实施例的过程的软件指令或与其结合使用。因此,实施例不限于硬件和软件的任何特定组合。通常,包含计算机可执行指令的模块可以用任何编程语言来实现。模块可以作为目标代码被存储在一个或多个介质上或一个或多个介质中。本文公开的方法和系统的各个方面可以在包括例如以超文本标记语言(HTML)、可扩展标记语言(XML)或其他格式创建的文档的非编程环境中实现,其在浏览器程序的窗口或可视区域中查看时再现图形用户界面(GUI)的方面或执行其他功能。本文公开的方法和系统的各个方面可以被实现为编程的元件、或非编程的元件或其任何合适的组合。
在描述包括数据点的数据库的情况下,本领域的普通技术人员应该理解:(i)可以容易地采用对所描述的那些数据库结构的替代数据库结构,并且(ii)可以容易地采用除数据库之外的其他存储器结构。本文公开的任何样本数据库的任何图示或描述是用于存储的信息表示的说明性布置。除了附图或别处所示的表格所建议的那些之外,可以采用任何数量的其它布置。类似地,数据库中的任何所示条目仅代表示例性信息;本领域的普通技术人员将理解,条目的数量和内容可以不同于本文公开的那些。此外,尽管作为表格的数据库的任何描述,但包括关系数据库、基于对象的模型和/或分布式数据库的其它格式可以用于存储和操纵本文公开的数据类型。类似地,数据库的对象方法或行为可以用于实现诸如本文公开的各种过程。另外,数据库可以以已知的方式存储在本地或与访问这样的数据库中的数据的设备远程存储。在系统中存在多个数据库的实施例中,当存在对数据库之一中的数据的任何更新时,数据库可以被集成为彼此通信以用于实现跨数据库链接的数据的同时更新。
本发明可以被配置为在包括经由网络与一个或多个设备通信的一个或多个计算机的网络环境中工作。计算机可以经由诸如因特网、局域网(LAN)、广域网(WAN)或以太网、令牌环的任何有线介质或无线介质,或经由任何适当的通信介质或通信介质的组合直接或间接地与设备通信。每个设备包括处理器,其中一些示例在上面描述,其适于与计算机通信。在实施例中,每个计算机配备有网络通信设备,例如网络接口卡、调制解调器或适用于连接到网络的其他网络连接设备。每个计算机和设备都执行操作系统,上面描述其中的一些示例。虽然操作系统可能因计算机的类型而异,但操作系统将继续提供适当的通信协议以建立与网络的通信链接。任何数量和类型的机器可以与计算机通信。
本发明不限于特定的计算机系统平台、处理器、操作系统或网络。本发明的一个或多个方面可以分布在一个或多个计算机系统之中,例如,被配置为向一个或多个客户端计算机提供一个或多个服务或者在分布式系统中执行完整任务的服务器。例如,可以在客户端-服务器系统上执行本发明的一个或多个方面,该客户端-服务器系统包括分布在执行根据各种实施例的多个功能的一个或多个服务器系统之中的组件。这些组件包括例如使用通信协议通过网络进行通信的可执行代码、中间代码或解释代码。本发明不限于可在任何特定系统或系统组上执行,并且不限于任何特定的分布式架构、网络或通信协议。
上述实施例仅仅是为了解释的目的而提供的,并且决不被解释为限制本文公开的本发明。虽然已经参考各种实施例描述了本发明,但应该理解,本文已经使用的词语是描述和说明的词语,而不是限制性的词语。此外,虽然本文已经参考特定手段、材料和实施例描述了本发明,但是本发明并不意图限于本文公开的细节;相反,本发明应扩展到所有功能等同的结构、方法和用途,诸如在所附权利要求的范围内。受益于本说明书教导的本领域技术人员可以影响对其的许多修改,并且可以在不脱离在其方面中的本发明的范围和精神的情况下进行改变。
Claims (15)
1.一种用于控制包括多个传感器(222-228)的技术系统(220)的操作的方法,所述方法包括:
从多个传感器(222-228)中的第一传感器(222)接收第一传感器数据;
检测基于生成第一传感器数据的第一传感器(222)的故障的第一传感器异常,其中第一传感器的故障包括异常第一传感器数据的生成;
基于第一传感器数据与虚拟第一传感器数据之间的比较来验证第一传感器异常;以及
当第一传感器异常被验证时,通过代替第一传感器数据替换虚拟第一传感器数据来生成对技术系统(220)的控制命令。
2.根据权利要求1所述的方法,包括:
基于多物理学概率模型生成技术系统(220)的系统模型,其中所述系统模型包括针对所述多个传感器(222-228)中的每一个的虚拟传感器数据,并且其中所述虚拟传感器数据包括虚拟第一传感器数据;
用来自所述多个传感器(222-228)的传感器数据更新所述系统模型以反映技术系统(220)的当前状态;以及
基于系统模型而更新与技术系统(220)的操作相关联的输入参数,以实现传感器数据中的改变。
3.根据权利要求2所述的方法,包括:
当第一传感器异常被验证时,基于虚拟第一传感器数据继续技术系统(220)的操作。
4.根据权利要求1所述的方法,包括:
借助于监督学习模型基于技术系统(220)的操作限制来确定传感器限制;以及
基于监督学习模型确定针对多个传感器(222-228)中的每一个的容差偏差,其中容差偏差是与传感器限制的可接受偏差。
5.根据权利要求1所述的方法,其中检测基于生成第一传感器数据的第一传感器的故障的第一传感器异常,包括:
将第一传感器数据和虚拟第一传感器数据之间的偏差与如权利要求4所述的容差偏差进行比较;以及
当偏差超过容差偏差时检测到第一传感器异常。
6.根据权利要求1所述的方法,包括:
对所述多个传感器(222-228)中的每一个执行扰动分析以确定针对所述多个传感器(222-228)中的每一个的传感器灵敏度;
使用神经网络基于传感器灵敏度,生成多个传感器(222-228)之间的传感器关系模型;以及
基于传感器关系模型而验证第一传感器异常。
7.根据权利要求1所述的方法,包括:
当第一传感器异常验证是假时检测虚拟第一传感器异常;以及
当虚拟第一传感器异常检测是连续的时,利用与技术系统(220)相关联的退化模型来更新技术系统(220)的系统模型。
8.根据权利要求1所述的方法,包括:
动态配置系统模型以在多个传感器(222-228)未能生成传感器数据时的时刻生成虚拟传感器数据。
9.一种用于控制包括多个传感器(222-228)的技术系统(220)的操作的控制单元(100),所述控制单元包括:
接收器(150),用于从所述多个传感器接收传感器数据,其中所述传感器数据包括来自所述多个传感器(222-228)的第一传感器的第一传感器数据;
至少一个处理器(106);以及
存储器(104),通信地耦合到所述至少一个处理器,所述存储器(104)包括:
异常检测模块(114),用于检测生成第一传感器数据的基于第一传感器的故障的第一传感器异常;
验证模块(124),用于基于第一传感器数据与虚拟第一传感器数据之间的比较来验证第一传感器异常;以及
传感器选择模块(126),用于在第一传感器异常被验证时,代替第一传感器数据输出虚拟第一传感器数据,
其中,所述至少一个处理器(106)基于虚拟第一传感器数据而生成对所述技术系统(220)的控制命令。
10.根据权利要求9所述的控制单元(100),其中所述异常检测模块(114)包括:
虚拟异常检测模块(116),用于当第一传感器异常验证为假时,检测虚拟第一传感器异常,其中当检测到虚拟第一传感器异常时,用与技术系统(220)相关联的退化模型更新技术系统(220)的系统模型。
11.根据权利要求9所述的控制单元(100),其中所述存储器(104)包括:
模型生成器模块(110),用于基于多物理学概率模型生成技术系统(220)的系统模型,其中所述系统模型包括针对所述多个传感器(222-228)中的每一个的虚拟传感器数据,并且其中所述虚拟传感器数据包括虚拟第一传感器数据,并且其中,所述模型生成器模块(110)能够利用来自所述多个传感器(222-228)的传感器数据更新所述系统模型以反映技术系统(220)的当前状态。
12.根据权利要求9所述的控制单元(100),其中所述存储器(104)包括:
传感器限制模块(112),用于借助于监督学习模型基于技术系统(220)的操作限制来确定传感器限制;以及
容差偏差模块(118),用于基于监督学习模型,确定针对多个传感器(222-228)中的每一个的容差偏差,其中,所述容差偏差是与传感器限制的可接受偏差。
13.根据权利要求9所述的控制单元,其中所述存储器(104)包括:
传感器灵敏度模块(120),用于对所述多个传感器(222-228)中的每一个执行扰动分析,以确定针对所述多个传感器(222-228)中的每一个的传感器灵敏度;以及
传感器关系模块(122),用于使用神经网络基于传感器灵敏度,生成所述多个传感器(222-228)之间的传感器关系模型。
14.根据权利要求13所述的控制单元(100),其中,所述验证模块(124)被配置为基于所述传感器关系模型来验证第一传感器异常。
15.一种用于控制自动化过程的操作的系统(200),所述系统包括:
服务器(210),其在云计算平台上可操作;
网络接口(230),其通信地耦合到所述服务器;以及
至少一个技术系统(220),其经由网络接口(230)通信地耦合到服务器(210),所述至少一个技术系统(220)包括至少一个传感器(222-228),以生成所述至少一个传感器数据集,所述至少一个传感器数据集包括对应于与至少一个技术系统相关联的至少一个操作参数的传感器数据,以及
其中,所述服务器包括根据权利要求9-14所述的至少一个控制单元(100),用于控制至少一个技术系统(220)的操作。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP17183815.4 | 2017-07-28 | ||
EP17183815.4A EP3435184B1 (en) | 2017-07-28 | 2017-07-28 | System, method and control unit for controlling a technical system |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109308035A true CN109308035A (zh) | 2019-02-05 |
CN109308035B CN109308035B (zh) | 2022-05-17 |
Family
ID=59655865
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810845879.8A Active CN109308035B (zh) | 2017-07-28 | 2018-07-27 | 用于控制技术系统的操作的系统、方法和控制单元 |
Country Status (4)
Country | Link |
---|---|
US (1) | US11048249B2 (zh) |
EP (1) | EP3435184B1 (zh) |
KR (1) | KR102205392B1 (zh) |
CN (1) | CN109308035B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113390165A (zh) * | 2021-06-11 | 2021-09-14 | 广东美的暖通设备有限公司 | 一种虚拟传感器后备控制方法、建模方法及装置 |
CN114341750A (zh) * | 2019-09-11 | 2022-04-12 | 西门子歌美飒可再生能源有限两合公司 | 用于配置和操作热能存储系统的方法和热能存储系统 |
Families Citing this family (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11774944B2 (en) | 2016-05-09 | 2023-10-03 | Strong Force Iot Portfolio 2016, Llc | Methods and systems for the industrial internet of things |
US20180284758A1 (en) | 2016-05-09 | 2018-10-04 | StrongForce IoT Portfolio 2016, LLC | Methods and systems for industrial internet of things data collection for equipment analysis in an upstream oil and gas environment |
US11327475B2 (en) | 2016-05-09 | 2022-05-10 | Strong Force Iot Portfolio 2016, Llc | Methods and systems for intelligent collection and analysis of vehicle data |
US10678233B2 (en) | 2017-08-02 | 2020-06-09 | Strong Force Iot Portfolio 2016, Llc | Systems and methods for data collection and data sharing in an industrial environment |
US11435733B2 (en) * | 2017-11-08 | 2022-09-06 | Cartasense Ltd. | Method and system to assure monitoring system validity |
EP3540530B1 (de) * | 2018-03-15 | 2022-10-19 | Siemens Aktiengesellschaft | Verfahren und anordnung zum steuern eines technischen systems |
US11022469B2 (en) * | 2018-07-31 | 2021-06-01 | EMC IP Holding Company LLC | Correction of sensor data in a multi-sensor internet of things environment |
KR102355178B1 (ko) | 2019-06-20 | 2022-02-10 | 주식회사 한국디지털트윈연구소 | 디지털 트윈을 이용하여 가상센서를 구현하는 컴퓨팅 시스템 및 이를 이용한 실시간 데이터 수집 방법 |
EP3786745B1 (de) * | 2019-08-28 | 2023-02-22 | Siemens Aktiengesellschaft | Identifikation von abweichungen zwischen realer anlage und ihrem digitalen zwilling |
KR102428840B1 (ko) | 2019-10-16 | 2022-08-04 | (주)아인스에스엔씨 | 다중 해상도 기반 모델 간의 천이 과정을 기술하는 모델을 구현하고 동작시키는 컴퓨팅 시스템 |
KR102383144B1 (ko) | 2019-10-16 | 2022-04-05 | 주식회사 한국디지털트윈연구소 | 대상 시스템을 기술하는 모델을 구현하고 동작시키는 컴퓨팅 시스템 및 이를 이용한 대상 시스템의 동작 예측 방법 |
EP3961336B1 (en) * | 2020-08-31 | 2024-01-24 | Siemens Aktiengesellschaft | Controlling an operation of a technical system automatically |
WO2022056594A1 (en) * | 2020-09-18 | 2022-03-24 | Waterwerx Technology Pty Ltd | Method of managing a system |
WO2023183301A1 (en) * | 2022-03-24 | 2023-09-28 | Buckman Laboratories International, Inc. | System and method for retroactive and automated validation or corrective action with respect to online sensors |
KR102495862B1 (ko) * | 2022-05-23 | 2023-02-06 | 주식회사 스탠스 | 디지털 트윈 모델의 데이터에 대해 정상 여부를 판단하는 장치, 방법 및 컴퓨터 프로그램 |
DE102022121211B4 (de) * | 2022-08-23 | 2024-03-28 | Schenck Process Europe Gmbh | Verfahren zum Betreiben einer Sensor-Anordnung und Sensor-Anordnung sowie Einrichtung zur Datenverarbeitung und Vorrichtung |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5386373A (en) * | 1993-08-05 | 1995-01-31 | Pavilion Technologies, Inc. | Virtual continuous emission monitoring system with sensor validation |
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 |
CN101331504A (zh) * | 2005-11-18 | 2008-12-24 | 卡特彼勒公司 | 基于处理模型的虚拟传感器系统和方法 |
WO2016183332A1 (en) * | 2015-05-13 | 2016-11-17 | Sikorsky Aircraft Corporation | Integrated model for failure diagnosis and prognosis |
Family Cites Families (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5604841A (en) * | 1990-07-06 | 1997-02-18 | United Technologies Corporation | Hierarchical restructuring generic test templates and reusable value spaces for machine failure isolation using qualitative physics |
KR100363337B1 (ko) * | 1994-04-26 | 2002-12-05 | 유나이티드 테크놀로지즈 코포레이션 | 정성물리를 이용하는 머신 고장 분리방법 |
US7062370B2 (en) * | 2004-03-30 | 2006-06-13 | Honeywell International Inc. | Model-based detection, diagnosis of turbine engine faults |
US7379799B2 (en) * | 2005-06-29 | 2008-05-27 | General Electric Company | Method and system for hierarchical fault classification and diagnosis in large systems |
US8977373B2 (en) * | 2011-12-28 | 2015-03-10 | Caterpillar Inc. | Systems and methods for extending physical sensor range using virtual sensors |
US9014945B2 (en) | 2013-03-08 | 2015-04-21 | General Electric Company | Online enhancement for improved gas turbine performance |
US9533683B2 (en) | 2014-12-05 | 2017-01-03 | Ford Global Technologies, Llc | Sensor failure mitigation system and mode management |
GB201501534D0 (en) * | 2015-01-30 | 2015-03-18 | Rolls Royce Plc | Methods and systems for detecting, classifying and/or mitigating sensor error |
US10920579B2 (en) * | 2015-02-17 | 2021-02-16 | Board Of Regents, The University Of Texas System | Method and apparatus for early detection of kicks |
JP6068554B2 (ja) * | 2015-05-11 | 2017-01-25 | ファナック株式会社 | センサレスで制御停止を行う機能を有するサーボ制御装置 |
US10423884B2 (en) * | 2015-06-04 | 2019-09-24 | The Mathworks, Inc. | Extension of model-based design to identify and analyze impact of reliability information on systems and components |
US10558766B2 (en) * | 2015-12-31 | 2020-02-11 | Palo Alto Research Center Incorporated | Method for Modelica-based system fault analysis at the design stage |
US20170243413A1 (en) * | 2016-02-22 | 2017-08-24 | Hamilton Sundstrand Corporation | Method for determining aircraft sensor failure without a redundant sensor and correct sensor measurement when redundant aircraft sensors give inconsistent readings |
US10621303B2 (en) * | 2016-04-11 | 2020-04-14 | Hamilton Sundstrand Corporation | Closed loop control and built-in test utilizing reduced order model |
US10635094B2 (en) * | 2016-09-16 | 2020-04-28 | Siemens Aktiengesellschaft | Failure models for embedded analytics and diagnostic/prognostic reasoning |
EP3558113A4 (en) * | 2016-12-21 | 2020-08-26 | Limited Liability Company "Gero" | DETERMINATION OF WELL-BEING USING ACTIVITY DATA |
EP3432094A1 (en) * | 2017-07-20 | 2019-01-23 | Siemens Aktiengesellschaft | System state prediction |
EP3948794B1 (en) * | 2019-03-23 | 2023-01-25 | Uatc, Llc | Systems and methods for generating synthetic sensor data via machine learning |
US11327121B2 (en) * | 2019-04-03 | 2022-05-10 | Transportation Ip Holdings, Llc | Deviation detection system for energy storage system |
-
2017
- 2017-07-28 EP EP17183815.4A patent/EP3435184B1/en active Active
-
2018
- 2018-07-27 CN CN201810845879.8A patent/CN109308035B/zh active Active
- 2018-07-27 KR KR1020180087903A patent/KR102205392B1/ko active IP Right Grant
- 2018-07-28 US US16/048,273 patent/US11048249B2/en active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5386373A (en) * | 1993-08-05 | 1995-01-31 | Pavilion Technologies, Inc. | Virtual continuous emission monitoring system with sensor validation |
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 |
CN101331504A (zh) * | 2005-11-18 | 2008-12-24 | 卡特彼勒公司 | 基于处理模型的虚拟传感器系统和方法 |
WO2016183332A1 (en) * | 2015-05-13 | 2016-11-17 | Sikorsky Aircraft Corporation | Integrated model for failure diagnosis and prognosis |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114341750A (zh) * | 2019-09-11 | 2022-04-12 | 西门子歌美飒可再生能源有限两合公司 | 用于配置和操作热能存储系统的方法和热能存储系统 |
CN113390165A (zh) * | 2021-06-11 | 2021-09-14 | 广东美的暖通设备有限公司 | 一种虚拟传感器后备控制方法、建模方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
KR102205392B1 (ko) | 2021-01-19 |
EP3435184B1 (en) | 2024-04-17 |
US11048249B2 (en) | 2021-06-29 |
CN109308035B (zh) | 2022-05-17 |
EP3435184C0 (en) | 2024-04-17 |
KR20190013610A (ko) | 2019-02-11 |
US20190033850A1 (en) | 2019-01-31 |
EP3435184A1 (en) | 2019-01-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109308035A (zh) | 用于控制技术系统的操作的系统、方法和控制单元 | |
US11652641B2 (en) | Artifact lifecycle management on a cloud computing system | |
US10733536B2 (en) | Population-based learning with deep belief networks | |
Krotofil et al. | The process matters: Ensuring data veracity in cyber-physical systems | |
CN106249704A (zh) | 用于基于完整性来控制工业企业系统中的端点的通信的方法和装置 | |
US20200074275A1 (en) | Anomaly detection using deep learning on time series data | |
KR100887433B1 (ko) | 시스템-감시 모델들을 갱신하기 위한 시스템, 장치, 및방법들 | |
US20110178674A1 (en) | Method for detecting leaks in a tank system | |
CN104246636A (zh) | 用于离心式压缩机的实时性能降级报告的方法和系统 | |
US10346228B2 (en) | Method and system for deviation detection in sensor datasets | |
US10552300B2 (en) | Oracle-free match testing of a program using covering arrays and equivalence classes | |
EP3183622A2 (en) | Population-based learning with deep belief networks | |
WO2019243201A1 (en) | Hierarchical distributed ledger | |
JP5267109B2 (ja) | 障害発見システム検証装置、障害発見システム検証方法及び障害発見システム検証制御プログラム | |
Xin et al. | Dynamic probabilistic model checking for sensor validation in Industry 4.0 applications | |
Patel et al. | Real-time, simulation-based identification of cyber-security attacks of industrial plants | |
EP3686812A1 (en) | System and method for context-based training of a machine learning model | |
CN109891235A (zh) | 基于统计方法,自动在线检测流体的实际状态与流体的参考状态的偏差的方法,特别是用于监测饮用水供应 | |
Bonivento et al. | Reliability evaluation for fault diagnosis in complex systems | |
US20230342633A1 (en) | Simulation-augmented decision tree analysis and improvement method, computer program product, and system | |
Xu et al. | Addressing Concept Drift in IoT Anomaly Detection: Drift Detection, Interpretation, and Adaptation | |
Mercaldo et al. | Identification of anomalies in processes of database alteration | |
CN116975867A (zh) | 基于代码数据融合的攻击检测与溯源方法及系统 | |
Ho et al. | A Proposal for Functional Software Identification Using Risk-Based Continuous Quality Control | |
CN112817652A (zh) | 计算机环境的配置方法、装置、计算机设备以及存储介质 |
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 |