CN109791401A - 生成用于嵌入式分析和诊断/预测推理的故障模型 - Google Patents
生成用于嵌入式分析和诊断/预测推理的故障模型 Download PDFInfo
- Publication number
- CN109791401A CN109791401A CN201680089275.4A CN201680089275A CN109791401A CN 109791401 A CN109791401 A CN 109791401A CN 201680089275 A CN201680089275 A CN 201680089275A CN 109791401 A CN109791401 A CN 109791401A
- Authority
- CN
- China
- Prior art keywords
- relevant
- failure
- variable
- fault model
- industrial
- 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
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
- G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
- G05B19/0428—Safety, monitoring
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- 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
- G05B23/0245—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 qualitative model, e.g. rule based; if-then decisions
- G05B23/0248—Causal models, e.g. fault tree; digraphs; qualitative physics
-
- 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
-
- 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
- G05B23/0275—Fault isolation and identification, e.g. classify fault; estimate cause or root of failure
- G05B23/0278—Qualitative, e.g. if-then rules; Fuzzy logic; Lookup tables; Symptomatic search; FMEA
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic 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
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/49—Nc machine tool, till multiple
- G05B2219/49181—Calculation, estimation, creation of error model using measured error values
-
- 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
- G05B2223/00—Indexing scheme associated with group G05B23/00
- G05B2223/02—Indirect monitoring, e.g. monitoring production to detect faults of a system
Abstract
一种用于检测与系统相关的故障和事件的计算机实现的方法,包括从与系统相关联的多个传感器接收传感器数据。系统的分级故障模型使用(i)传感器数据、(ii)故障检测器数据、(iii)关于系统变量和状态的先验知识以及(iii)系统的一个或多个统计描述来构建。故障模型包括与系统及其关系相关的多个诊断变量。使用故障模型对系统执行概率推理以用于诊断或预测目的,以获得与潜在或实际系统故障相关的知识。
Description
技术领域
本发明主要涉及关于用于嵌入式分析和诊断/预测推理的故障模型的构造和使用,改进控制系统的抵抗力。所公开的技术可以应用于例如使用诸如可编程逻辑控制器(PLC)和分布式控制系统(DCS)的工业控制器的各种自动化生产环境。
背景技术
在传统的工业自动化系统中,报警消息被用作防止后续损坏的重要手段,用于监测与机器和系统的健康运行的偏差,并且用于指导维护活动。可以在自动化系统或机器数据采集和监督系统的所有级别上触发报警,这些级别包括从现场装置到监督控制和数据采集(SCADA)以及制造执行系统(MES)级别,甚至后端级别(例如,通过云端分析)。然而,报警系统在现场级别常见,现场是采取操作和控制决策的地方,也是易于获得操作和测量的环境以及高分辨率传感器数据的地方。
警报通常由组件/装置/机器/系统的集成商或操作员手动定义或编程。它们例如可以当值高于阈值或响应于更高级的触发时(例如,在比较数据的历史签名与新的输入数据时检测到异常)通过分析自动生成。异常传感器数据或机器操作中的警报和其他症状被认为是故障的先兆。故障可成为更严重故障的原因。
单个故障往往会影响许多不同的子系统、组件和过程。因此,在大型基础设施或复杂系统(例如,工业自动化生产线、转向架、涡轮机、变压器等)中,一个问题可导致分布在基础设施上的数十甚至数百个随后不同的警报,这可能进一步指向各种各样的方向。另一方面,原因可能会被长时间隐藏,并导致在停机时间、维修成本等方面造成昂贵的后果性损坏。对于操作员和维护人员来说,它可能非常麻烦、耗时且难以确定哪些警报是关键的,难以诊断明显误操作的原因,是什么原因导致什么后果,哪个警报是根本原因。
发明内容
本发明的实施例通过提供与构建和使用用于嵌入式分析和诊断/预测推理的故障模型相关的方法、系统和装置,来解决和克服一个或多个上述不足和缺点。更具体地,本文描述的故障模型作为基于知识的解决方案的基础,用于关于故障、根本原因分析、诊断和预测分析的证据推理。如下面进一步详细描述的,可以通过将基于图形的(即,图形的)模型和统计模型与生产过程/资产和操作数据的状态信息组合来构建这些故障模型。
根据本发明的一个方面,一种用于检测与系统有关的故障和事件的计算机实现的方法包括从与系统相关联的多个传感器接收或检索传感器数据。系统的分级故障模型使用(i)传感器数据、(ii)故障检测器数据、(iii)关于系统变量和状态的先验知识以及(iii)系统的一个或多个统计描述(例如,来自特定条件下的服务或先前操作的原因可能性、故障概率和条件关系)来构建。故障模型包括与系统相关的多个诊断变量及诊断变量的关系。这些诊断变量可以包括例如与一个或多个系统组件相关的内部系统变量和/或与系统的操作环境相关的外部系统变量。另外,故障模型可以包括指定正常和异常系统状态的事件和正态变量。使用故障模型在系统上执行概率推理以用于诊断或预测目的,以获得与潜在或实际系统故障相关的知识。
在一些实施例中,利用前述方法导出的知识包括指示特定故障状态随时间推移的可能性的信息。在其他实施例中,该知识包括根据引起潜在或实际系统故障的可能性而排序的系统组件的列表。
可以使用各种技术来增强前述方法中的故障模型构造。例如,在一些实施例中,还使用手动收集的系统状态信息构建故障模型。该手动收集的系统状态信息可以包括例如指示一个或多个系统变量的状态的维护数据。系统变量的状态可以均表示为例如概率分布。在其他实施例中,还使用与系统相关的故障变量的分级结构来构建故障模型,该分级结构包括通过is-a关系相关的类和子类。另选地(或除此之外),还可使用与系统相关的故障变量的本体来构建故障模型,该本体包括通过因果关系(has-an-effect-on relationship)或影响关系(influences relationship)相关的类和子类。
根据本发明的其他实施例,一种用于检测与工业系统相关的故障和事件的系统包括至少一个处理器和与该至少一个处理器可操作通信的非暂时性计算机可读存储介质。该计算机可读存储介质包含一个或多个编程指令,当该编程指令被执行时,使得该至少一个处理器从与工业系统相关联的多个传感器接收或检索传感器数据,并使用传感器数据和工业系统的一个或多个统计模型来构建工业系统的故障模型。与上述方法一样,故障模型包括与工业系统相关的诊断变量。该指令还使得处理器使用故障模型中的不确定性传递在工业系统上执行诊断或预测分析和推理,以导出与潜在或实际工业系统故障相关的知识。可使用与上述方法类似的特征来增强、改进或以其他方式修改上述系统。
根据本发明的另一方面,如一些实施例中所述,用于检测与工业系统有关的故障和事件的系统包括一个或多个接收器模块、数据库、软件应用和显示器。一个或多个接收器模块被配置为从与工业系统相关联的多个传感器接收或检索传感器数据。该数据库包括工业系统的一个或多个统计模型。软件应用被配置为使用传感器数据来构建工业系统的故障模型。该故障模型包括与工业系统相关的诊断变量。软件应用还被配置为使用故障模型在工业系统上执行诊断或预测推理,以导出与潜在或实际工业系统故障相关的知识。显示器向用户呈现所导出的与潜在或实际工业系统故障相关的知识。
通过参考附图进行的说明性实施例的以下详细描述,本发明的附加特征和优点将变得显而易见。
附图说明
当结合附图阅读时,可以从以下详细描述中最好地理解本发明的前述和其他方面。出于说明本发明的目的,在附图中示出了目前优选的实施例,但是应该理解,本发明不限于所公开的特定手段。附图中包括以下图:
图1提供了根据一些实施例的示例故障模型和相关架构的图示;
图2示出了可以在一些实施例中使用的示例故障模式(类和子类)的分级结构;
图3示出了根据一些实施例的如何以类和子类的形式由故障变量的本体或分级结构定义故障模型的示例;
图4示出了根据一些实施例的示例故障模型,其包括具有随机变量的实例分级结构及其相互关系;
图5提供了根据一些实施例的基于故障模型进行推理的(嵌入式)架构的示例。
具体实施方式
本文描述了主要涉及用于构建和使用用于嵌入式分析和诊断/预测推理的故障模型的系统、方法和装置。本文描述的技术使嵌入式装置具有灵活的嵌入式分析能力,以将不精确和不完整的数据(来自传感器,维护等)转换成知识并进一步使用该知识来推理机器/装置的操作状态或影响其行为。这些技术提供了一种系统的方法来定义故障知识、故障模型以及故障建模所需的基本架构、概念和任务的形式化。此外,故障模型能够在装置级别利用不确定信息进行有效推理,并根据数据生成知识。故障模型还允许利用数值模型,这些数值模型可用于生成基于物理学的具体数据,以生成参数、阈值、甚至学习该解决方案所使用的组件所需的原始(合成)数据。
对于复杂系统,嵌入式控制/监督级别的实际数据流和测量历史以及系统状态构成了可以组织的背景信息,并支持诊断和预测功能:查找警报的根本原因并预测其影响。诸如资产模型、过程模型、环境模型、控制模型等元素是自动构建故障推理框架的有用基础,但还不够。本文使用的故障模型提供了除了如上所述的其他元素之外的特征。
背景信息可以提供有关触发警报的传感器信号的知识,并显示在整个系统中这些传感器如何依赖于其他变量。故障模型添加表示结构以指定机器或系统内的依赖关系和因果关系,然后进一步基于最先进的推理方法插入分析模块。
图1提供了根据一些实施例的示例故障模型和相关架构的图示。简而言之,故障模型共同包括多个工具105,其包括图形模型105A和统计模型库105B。这些工具105由软件应用(或“App”)110使用以提供背景知识115并涉及关于系统中发生的故障的该知识的信念。
图形模型105A表示由集合V给出的所有随机变量,其可以影响由集合E给出的故障状态及它们之间的因果关系。变量为系统内部(例如,机械组件)或外部(例如环境因素,诸如操作温度、或所用材料的质量等)的概念。在一个实例中,图形模型105A由有向图形G(V,E)形式化。V中的关系由来自E的有向边e从V的顶点n1到顶点n2给出,这意味着n1因果影响n2。系统外部的变量ne位于图的边缘。也就是说,从V中的顶点n到ne不存在有向边。随机变量V及其关系E取自设计、操作和维护工程师。我们可能从域本体(如下面进一步详细描述的)中明确声明诊断域V,以便可以自动使用、调整和重用该知识,而不是编译到诊断系统中。
统计模型库105B提供事件和异常检测器。一组事件和正态变量描述域中的概念。事件和正态变量为V的子集。将指定V中每个变量n的域(例如,分类,诸如布尔值或n值变量;连续的实值变量)。此外,需要用于计算每个事件和正态变量的值的计算或统计程序或模型。例如,统计程序可以为指示变量的值是否正常的单类支持向量机,或者对输入数据进行分类的分类程序(通常是来自各种传感器输入的时间序列数据)。
App 110被配置为使用工具105利用不确定信息执行推理操作。App110使用时间序列数据120和状态信息125作为输入。例如,可以从事件检测器、分类器和检测器中存在的传感器获取时间序列数据120。状态信息125通常包括关于自动化系统状态的任何信息。例如,状态信息125可以包括说明概率分布(或者,尤其是值)或控制变量的状态的维护数据。基于输入,App 110生成诸如时间具体状态的可能性、故障原因随时间推移的顺序等的知识。
尽管App 110的整体结构和架构将根据在其上执行的计算环境而变化,但是通常,App 110可以使用支持可执行应用的任何计算架构来实现。因此,在一些实施例中,个人计算机、服务器或类似计算装置可以使用本领域公知的技术来执行App 110。在其他实施例中,App 110可以在嵌入式计算环境中或在专用计算架构上实现。例如,在一个实施例中,App 110在自动化环境中操作的控制层装置上执行。在标题为“利用App扩展可编程逻辑控制器”的美国专利申请号15/040,565中详细描述了用于支持诸如App 110的控制层装置支持app的示例架构,其全部内容通过引用合并于本文中。
一旦构建了故障模型(手动或使用本文的方法和原理自动支持),就可以利用统计信息(例如,根本原因的概率以及给出在表示故障模型的图形结构中的各级别上的其他症状和原因时的症状的条件概率)来加强。因此,利用不确定的证据(传感器数据、测试数据、检查证据或已经观察到的故障)创建故障模型以用于推理,以便在故障模型中提供证据(即事实)、传递关于事实的证据、并推理在空间和时间上解释该数据的最可能的故障。故障模型及其随时间推移的证据和信念的展开(作为动态信念网络或DBN)捕获机械系统的“状态”及其演变,换句话说,它已将数据转换为用于推理系统状态和故障的知识。这是服务和维护的宝贵信息。推理App 110可以集成在嵌入级别,或者也可以用于更大规模的分析。
故障模型概念基于域知识,诸如故障和维护数据,以及来自域的工程知识。如图2所示,可以使用故障类和子类的分级结构(“is-a”关系)来构建该知识。例如,参考图2,“磨损”为“损坏”类的子类。
虽然信念网络(BN)在本领域中通常是公知的,但是本文呈现的BN拓扑定义是唯一的。本文描述的技术提供了用于分级地创建拓扑(例如,从传感器到检测器)并且在使用机器本体的图形结构中使用检测器的方法。这里的分级结构是指传感器、检测器,然后是馈送给故障或事件检测器的BN或DBN。
图3示出了根据一些实施例的如何以类和子类(“引起”、“可影响”、“为其一部分”和“具有组件”关系)的形式由故障变量的本体或分级结构定义的故障模型的示例。故障模型还可包括自动或手动事件/故障检测器方法(FD块)。作为示例,在所有故障概念中捕获的代表因果网络的知识(作为V中的随机变量)可用于获得轴平行度->引起->磨损的车轮凸缘->引起->车轮故障等,或车轮非圆度->引起->车轮故障等。使用图3中的原理作为架构,此后可以通过域知识来加强本体。
在模型的“学习”或获取阶段期间,可以自动或手动定义故障模型元素。根据G的结构,这还需要使用条件概率表对V中给定其父项(V中的其他节点)的所有变量进行初始化。这些变量中的每个变量构成了具有不确定性的用于推理的图形模型,并且将在初始化运行时加载。不确定性和推理的传递使用在有向无环图形(通常)或更一般的无向图形上操作的贝叶斯网络的域中的标准接口技术。
此时,所有知识都可以被自动编译(学习和形式化)到图形模型中。传统方法可以通过试错法(随机化搜索)来学习贝叶斯网络的结构,只要给出适应性或质量函数来评估其解释来自域的证据的能力拓扑结构。重要的是,可以从域本体中提取因果网络的部分。
图4示出了根据一些实施例的示例故障模型,其包括具有随机变量的实例分级结构及其相互关系。该示例基于图3中的本体根据原型随机变量组(诸如故障和事件检测器(FD/ED)变量、检查/测试变量、原因变量、故障变量、组件变量、子系统和系统变量以及整体系统故障变量)来创建。一些系统和子系统变量可以表示本体中不明确的隐藏节点,而不是连接由子系统/系统随机变量表示的其他原因和影响。可以构建多个故障检测器从而为表示系统或子系统的状态的一个变量提供具有正态或异常程度的证据的不同来源。例如,可以使用不同的传感器来定义经训练以捕获关于该组变量的正态的统计检测器(使用用于无监督学习的标准技术,诸如单类支持向量机或自组织图)。可以在一段时间内统计地评估时间序列数据的正态或与其的偏差。该图形模型可以随时间推移而更新。
每个节点在因果关系链中都具有特殊含义。例如,由基于域工程知识构建的故障检测器给出的症状节点将显示可观察量与正常行为等直至表示对整个系统的高级别影响的变量的偏差(通过诸如一段时间内中值偏差的统计实现)。
V中给定其父项(V中的其他节点)的所有变量的条件概率表的初始化根据G的结构完成。故障和维护数据以及来自域的工程知识(例如,使用基于物理的模型的模拟器的形式)提供数值信息,诸如故障严重程度、故障发生频率、基于故障的事故可能性、故障错误的容忍度以及关于故障检测器测量值与正常值的偏差的统计等。从服务和维护记录中提取作为统计的这些定量描述可以自动加载,以定义初始化所需的先验和条件概率。在缺少这些定量描述的情况下,可以使用统一的可能性或域专家输入。
图5提供了根据一些实施例的基于故障模型进行推理的架构500的示例。App 505通过以下输入处理有关机器/系统状态的推理:统计模型510(包括用于利用不确定性进行证据推理的图形模型)、特征数据515和维护数据520(例如,服务报告和统计等)。app可以具有一个或多个数据检索模块(图5中未示出),其能够从外部源接收或检索数据。这些检索模块的实施方式可以根据被检索的数据而变化,并且在一些情况下,每个数据源可以具有其自己的不同数据检索模块。在一些实施例中,数据检索模块使用标准应用程序编程接口(API)来访问数据源;而在其他实施例中,可以使用定制界面。
App 505的输出525包括解释、推理信息、故障或潜在故障的系统组件的可视化以及控制逻辑。在一个实施例中,输出525包括最可能的故障原因和模型的状态(即,图形模型的每个变量的值或概率分布的实际信念,其表示各种状态/故障的可能性)。
特征数据515通常包括来自各种传感器的现场数据和与被监测的系统相关联的其他信息源。例如,在监测转向架的故障的情况下,可以从监测车轮、车轴和底盘结构的传感器获取数据。附加传感器可以提供来自系统其他部分,控制(例如速度、加速度、制动)或外部因素(例如天气条件)的信息。继续转向架的示例,可以从总体上监测汽车或火车的特征的传感器检索传感器数据,诸如负载、GPS或里程指示器、平衡、振动等。该传感器数据可以在格式上变化并且包括与故障检测无关的信息。App 505中的特征计算变换组件505C提供重新格式化和选择相关传感器上的数据和相关特征的相关子集。例如,对于一些特征数据集,峰值信号信息可能是用于故障检测的唯一相关数据。在这种情况下,特征计算变换组件505C可以从数据集中提取峰值数据并将其用于以后的处理。
App 505中的故障/事件检测分析组件505B使用统计模型510对特征数据515执行分析。各种数据分析算法可以包括在故障/事件检测分析组件505B中。例如,在一些实施例中,这些算法包括聚类、分类、基于逻辑的推理和统计分析算法中的一者或多者。此外,可以通过可在运行时期间在托管App 505的装置上部署的模型来指定算法。
App 505包括动态信念网络(DBN)505A,其对由故障/事件检测分析组件505B和统计模型510中包括的图形模型生成的分析数据执行推理操作。如本领域通常所理解的,DBN包括随时间展开的图形模型(通过递归随机变量,其中每个递归随机变量在其父项于时间(t-1)中具有在时间(t)的该变量本身)。可以使用与还显示系统演变的系统域相关的现有数据集来执行训练。另外,由于DBN 505A用于进行推理操作,因此它可以使用来自用户的反馈或来自环境的其他信息来进一步改进其模型。经过训练之后,DBN 505A可以直接用于基于可用输入来生成输出525。DBN通常由于其模块化而可并行化;因此,在计算架构提供多个GPU或其他处理单元的实施例中,由DBN执行的推理不确定性操作可以相应地并行化。
本文描述的由控制装置使用的处理器可以包括一个或多个中央处理单元(CPU)、图形处理单元(GPU)或本领域中已知的任何其他处理器。更主要地,本文使用的处理器为用于执行存储在计算机可读介质上的机器可读指令、用于执行任务的装置并且可以包括硬件和固件中的任何一者或其组合。处理器还可以包括存储器,其存储可执行以进行任务的机器可读指令。处理器通过操纵、分析、修改、转换或发送信息以供可执行程序或信息装置使用,和/或通过将信息路由到输出装置来对信息起作用。处理器可以使用或包括例如计算机、控制器或微处理器的能力,并且可以使用可执行指令来调节以执行不由通用计算机执行的专用功能。处理器可以与任何其他处理器联接(电联接和/或包括可执行组件),其中任何其他处理器能够在其间进行交互和/或通信。用户界面处理器或发生器为包括电子电路或软件或两者的组合用于产生显示图像或其部分的已知元件。用户界面包括一个或多个显示图像,使得用户能够与处理器或其他装置进行交互。
本文描述的包括但不限于控制层装置和相关的计算基础设施的各种装置可以包括至少一个计算机可读介质或存储器,其用于保存根据本发明的实施例编程的指令并用于包含数据结构、表格、记录或本文描述的其他数据。本文使用的术语“计算机可读介质”是指参与向一个或多个处理器提供指令以供执行的任何介质。计算机可读介质可以采用许多形式,包括但不限于非暂时性、非易失性介质、易失性介质和传输介质。非易失性介质的非限制性示例包括光盘、固态驱动器、磁盘和磁光盘。易失性介质的非限制性示例包括动态存储器。传输介质的非限制性示例包括同轴电缆、铜线和光纤,包括构成系统总线的导线。传输介质也可以采用声波或光波的形式,诸如在无线电波和红外数据通信期间产生的那些声波或光波。
本文使用的可执行应用包括用于支配处理器以实现预定功能的代码或机器可读指令(例如,响应于用户命令或输入),诸如操作系统、上下文数据采集系统或其他信息处理系统的那些代码或机器可读指令。可执行程序为用于执行一个或多个特定过程的代码段或机器可读指令、子例程或代码的其他不同部分或可执行应用的一部分。这些过程可包括接收输入数据和/或参数,对接收的输入数据执行操作和/或响应于接收的输入参数执行功能,并且提供所得输出数据和/或参数。
本文的功能和处理步骤可以响应于用户命令自动地、全部地或部分地执行。响应于一个或多个可执行指令或装置操作而无需用户直接启动活动,执行自动执行的活动(包括步骤)。
图中的系统和过程不是排他性的。可以根据本发明的原理导出其他系统、过程和菜单以实现相同的目的。尽管已经参考特定实施例描述了本发明,但是应该理解,本文示出和描述的实施例和变化仅用于说明目的。在不脱离本发明的范围的情况下,本领域技术人员可以实现对当前设计的修改。如本文所述,可以使用硬件组件、软件组件和/或其组合来实现各种系统、子系统、代理、管理器和过程。本文中的任何权利要求要素都不应根据35U.S.C.112第六款的规定来解释,除非使用短语“用于…的装置”明确地进行陈述。
Claims (20)
1.一种用于检测与系统相关的故障和事件的计算机实现的方法,所述方法包括:
从与所述系统相关联的多个传感器接收或检索传感器数据;
使用(i)所述传感器数据、(ii)故障检测器数据、(iii)关于系统变量和状态的先验知识以及(iii)所述系统的一个或多个统计描述来构建所述系统的分级故障模型,其中,所述故障模型包括与所述系统相关的多个诊断变量及所述多个诊断变量的关系;以及
使用所述故障模型对所述系统执行概率推理以用于诊断或预测目的,以获得与潜在或实际系统故障相关的知识。
2.根据权利要求1所述的方法,其中,所述系统的一个或多个统计描述包括定义所述多个诊断变量与系统故障状态信息之间的关系的有向图模型。
3.根据权利要求2所述的方法,其中,所述多个诊断变量包括与一个或多个系统组件相关的内部系统变量。
4.根据权利要求2所述的方法,其中,所述多个诊断变量包括与所述系统的操作环境相关的外部系统变量。
5.根据权利要求2所述的方法,其中,所述故障模型包括指定正常和异常系统状态的多个事件和正态变量。
6.根据权利要求1所述的方法,其中,与潜在或实际系统故障相关的知识包括指示特定故障状态随时间推移的可能性的信息。
7.根据权利要求1所述的方法,其中,与潜在或实际系统故障相关的知识包括根据引起所述潜在或实际系统故障的可能性排序的系统组件的列表。
8.根据权利要求1所述的方法,其中,所述故障模型还使用手动收集的系统状态信息来构建。
9.根据权利要求8所述的方法,其中,所述手动收集的系统状态信息包括指示一个或多个系统变量的状态的维护数据。
10.根据权利要求9所述的方法,其中,所述一个或多个系统变量的状态均表示为概率分布。
11.根据权利要求1所述的方法,其中,所述故障模型还使用与所述系统相关的故障变量的分级结构来构建,所述分级结构包括通过is-a关系相关的一个或多个类和一个或多个子类。
12.根据权利要求1所述的方法,其中,所述故障模型还使用与所述系统相关的故障变量的本体来构建,所述本体包括通过因果关系或影响关系相关的一个或多个类和一个或多个子类。
13.一种用于检测与工业系统相关的故障和事件的系统,所述系统包括:
至少一个处理器;以及
与所述至少一个处理器可操作通信的非暂时性计算机可读存储介质,其中,所述计算机可读存储介质包含一个或多个编程指令,所述编程指令在被执行时使所述至少一个处理器:
从与所述工业系统相关联的多个传感器接收或检索传感器数据;
使用所述传感器数据和所述工业系统的一个或多个统计模型构建所述工业系统的故障模型,其中,所述故障模型包括与所述工业系统相关的多个诊断变量;以及
使用所述故障模型中的不确定性传递对所述工业系统执行诊断或预测分析和推理,以获得与潜在或实际工业系统故障相关的知识。
14.根据权利要求13所述的系统,其中,所述一个或多个统计模型包括定义所述多个诊断变量与工业系统故障状态信息之间的关系的有向图形模型。
15.根据权利要求14所述的系统,其中,所述多个诊断变量包括与一个或多个工业系统组件相关的内部工业系统变量。
16.根据权利要求14所述的系统,其中,所述多个诊断变量包括与所述工业系统的操作环境相关的外部工业系统变量。
17.根据权利要求13所述的系统,其中,与潜在或实际工业系统故障相关的所述知识包括指示特定故障状态随时间推移的可能性的信息。
18.根据权利要求13所述的系统,其中,所述故障模型还使用与所述工业系统相关的故障变量的分级结构来构建,所述分级结构包括通过is-a关系相关的一个或多个类和一个或多个子类。
19.根据权利要求13所述的系统,其中,所述故障模型还使用与所述工业系统相关的故障变量的本体来构建,所述本体包括通过因果关系或影响关系相关的一个或多个类和一个或多个子类。
20.一种用于检测与工业系统相关的故障和事件的系统,所述系统包括:
一个或多个接收器模块,其被配置为从与所述工业系统相关联的多个传感器接收或检索传感器数据;
数据库,其包括所述工业系统的一个或多个一个或多个统计模型;
软件应用,其被配置为:
使用所述传感器数据构建所述工业系统的故障模型,其中,所述故障模型包括与所述工业系统相关的多个诊断变量;以及
使用所述故障模型对所述工业系统执行诊断或预测推理,以获得与潜在或实际工业系统故障相关的知识;以及
显示器,其被配置为向用户呈现所获得的与潜在或实际工业系统故障相关的知识。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/US2016/052025 WO2018052433A1 (en) | 2016-09-16 | 2016-09-16 | Generation of failure models for embedded analytics and diagnostic/prognostic reasoning |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109791401A true CN109791401A (zh) | 2019-05-21 |
CN109791401B CN109791401B (zh) | 2022-07-22 |
Family
ID=57003601
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201680089275.4A Active CN109791401B (zh) | 2016-09-16 | 2016-09-16 | 生成用于嵌入式分析和诊断/预测推理的故障模型 |
Country Status (4)
Country | Link |
---|---|
US (1) | US10635094B2 (zh) |
EP (1) | EP3497527B1 (zh) |
CN (1) | CN109791401B (zh) |
WO (1) | WO2018052433A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115552435A (zh) * | 2020-03-31 | 2022-12-30 | Ats自动化加工系统公司 | 用于对制造装配线进行建模的系统和方法 |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10533761B2 (en) * | 2011-12-14 | 2020-01-14 | Ademco Inc. | HVAC controller with fault sensitivity |
EP3435184B1 (en) * | 2017-07-28 | 2024-04-17 | Siemens Aktiengesellschaft | System, method and control unit for controlling a technical system |
EP3553614A1 (de) * | 2018-04-13 | 2019-10-16 | Linde Aktiengesellschaft | Verfahren zum erstellen eines modells einer technischen vorrichtung und verfahren zum überwachen einer technischen vorrichtung auf grundlage eines modells |
CN110609759B (zh) * | 2018-06-15 | 2021-09-14 | 华为技术有限公司 | 一种故障根因分析的方法及装置 |
US20200380391A1 (en) * | 2019-05-29 | 2020-12-03 | Caci, Inc. - Federal | Methods and systems for predicting electromechanical device failure |
CN112448836B (zh) * | 2019-09-04 | 2023-09-15 | 中兴通讯股份有限公司 | 故障根因确定方法、装置、服务器和计算机可读介质 |
CN111724126B (zh) * | 2020-06-12 | 2024-03-12 | 北京科技大学顺德研究生院 | 一种工艺流程质量异常精准追溯方法及系统 |
EP4006674A1 (en) * | 2020-11-25 | 2022-06-01 | Siemens Aktiengesellschaft | Method and system for maintaining a plant |
CN114443443B (zh) * | 2022-04-11 | 2022-08-02 | 北京优特捷信息技术有限公司 | 一种故障自愈方法、装置、设备及存储介质 |
CN114735045B (zh) * | 2022-06-14 | 2022-08-19 | 成都铁安科技有限责任公司 | 一种轮对检测设备的故障自诊断方法及系统 |
Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101061951A (zh) * | 2005-07-15 | 2007-10-31 | 美国西门子医疗解决公司 | 利用图像数据对组织进行分类的方法和设备 |
US7715961B1 (en) * | 2004-04-28 | 2010-05-11 | Agnik, Llc | Onboard driver, vehicle and fleet data mining |
CN102062619A (zh) * | 2009-11-16 | 2011-05-18 | 霍尼韦尔国际公司 | 用于通过预测推理来分析复杂系统的方法系统和装置 |
US20110218436A1 (en) * | 2010-03-06 | 2011-09-08 | Dewey Russell H | Mobile ultrasound system with computer-aided detection |
AU2011265563A1 (en) * | 2010-12-24 | 2012-07-12 | Commonwealth Scientific And Industrial Research Organisation | System and method for detecting and/or diagnosing faults in multi-variable systems |
US20130073490A1 (en) * | 2011-09-16 | 2013-03-21 | International Business Machines Corporation | Choosing pattern recognition algorithms and data features |
WO2013104419A1 (de) * | 2012-01-11 | 2013-07-18 | Siemens Aktiengesellschaft | Unterstützung der störfallprävention einer industrieanlage mit hilfe eines fehlermodells |
CN103398843A (zh) * | 2013-07-01 | 2013-11-20 | 西安交通大学 | 基于多分类相关向量机的行星齿轮箱太阳轮故障分类方法 |
CN103810374A (zh) * | 2013-12-09 | 2014-05-21 | 中国矿业大学 | 一种基于mfcc特征提取的机器故障预测方法 |
CN104408322A (zh) * | 2014-12-08 | 2015-03-11 | 杭州电子科技大学 | 综合多源故障概率似然信度的旋转机械设备故障诊断方法 |
CN104616033A (zh) * | 2015-02-13 | 2015-05-13 | 重庆大学 | 基于深度学习和支持向量机的滚动轴承故障诊断方法 |
WO2015099964A1 (en) * | 2013-12-23 | 2015-07-02 | Exxonmobil Research And Engineering Company | Systems and methods for event detection and diagnosis |
US20150220847A1 (en) * | 2014-02-05 | 2015-08-06 | Hitachi Power Solutions Co., Ltd. | Information Processing Apparatus, Diagnosis Method, and Program |
CN105204496A (zh) * | 2015-09-25 | 2015-12-30 | 清华大学 | 动车组空气制动控制系统传感器故障诊断的方法与系统 |
CN105259435A (zh) * | 2015-09-23 | 2016-01-20 | 国网山东莒县供电公司 | 一种变压器监测装置和故障诊断方法 |
WO2016085942A1 (en) * | 2014-11-26 | 2016-06-02 | Sense Labs Inc. | Determining information about devices in a building using different sets of features |
CN105760672A (zh) * | 2016-02-22 | 2016-07-13 | 江苏科技大学 | 一种机械设备故障诊断方法 |
CN105843212A (zh) * | 2016-03-29 | 2016-08-10 | 东北大学 | 一种高炉故障诊断系统及方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7254514B2 (en) | 2005-05-12 | 2007-08-07 | General Electric Company | Method and system for predicting remaining life for motors featuring on-line insulation condition monitor |
TR201809088T4 (tr) | 2007-12-18 | 2018-07-23 | Bae Systems Plc | Birçok bileşeni içeren bir sistemin arıza modu ve etkileri analizine yardımcı olunması. |
US10163060B2 (en) * | 2012-05-10 | 2018-12-25 | Nec Corporation | Hierarchical probability model generation system, hierarchical probability model generation method, and program |
EP2778818B1 (en) | 2013-03-12 | 2017-04-19 | Hitachi Ltd. | Identification of faults in a target system |
-
2016
- 2016-09-16 CN CN201680089275.4A patent/CN109791401B/zh active Active
- 2016-09-16 WO PCT/US2016/052025 patent/WO2018052433A1/en unknown
- 2016-09-16 US US16/329,383 patent/US10635094B2/en active Active
- 2016-09-16 EP EP16771060.7A patent/EP3497527B1/en active Active
Patent Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7715961B1 (en) * | 2004-04-28 | 2010-05-11 | Agnik, Llc | Onboard driver, vehicle and fleet data mining |
CN101061951A (zh) * | 2005-07-15 | 2007-10-31 | 美国西门子医疗解决公司 | 利用图像数据对组织进行分类的方法和设备 |
CN102062619A (zh) * | 2009-11-16 | 2011-05-18 | 霍尼韦尔国际公司 | 用于通过预测推理来分析复杂系统的方法系统和装置 |
US20110218436A1 (en) * | 2010-03-06 | 2011-09-08 | Dewey Russell H | Mobile ultrasound system with computer-aided detection |
AU2011265563A1 (en) * | 2010-12-24 | 2012-07-12 | Commonwealth Scientific And Industrial Research Organisation | System and method for detecting and/or diagnosing faults in multi-variable systems |
US20120185728A1 (en) * | 2010-12-24 | 2012-07-19 | Commonwealth Scientific And Industrial Research Organisation | System and method for detecting and/or diagnosing faults in multi-variable systems |
US20130073490A1 (en) * | 2011-09-16 | 2013-03-21 | International Business Machines Corporation | Choosing pattern recognition algorithms and data features |
WO2013104419A1 (de) * | 2012-01-11 | 2013-07-18 | Siemens Aktiengesellschaft | Unterstützung der störfallprävention einer industrieanlage mit hilfe eines fehlermodells |
CN103398843A (zh) * | 2013-07-01 | 2013-11-20 | 西安交通大学 | 基于多分类相关向量机的行星齿轮箱太阳轮故障分类方法 |
CN103810374A (zh) * | 2013-12-09 | 2014-05-21 | 中国矿业大学 | 一种基于mfcc特征提取的机器故障预测方法 |
WO2015099964A1 (en) * | 2013-12-23 | 2015-07-02 | Exxonmobil Research And Engineering Company | Systems and methods for event detection and diagnosis |
US20150220847A1 (en) * | 2014-02-05 | 2015-08-06 | Hitachi Power Solutions Co., Ltd. | Information Processing Apparatus, Diagnosis Method, and Program |
WO2016085942A1 (en) * | 2014-11-26 | 2016-06-02 | Sense Labs Inc. | Determining information about devices in a building using different sets of features |
CN104408322A (zh) * | 2014-12-08 | 2015-03-11 | 杭州电子科技大学 | 综合多源故障概率似然信度的旋转机械设备故障诊断方法 |
CN104616033A (zh) * | 2015-02-13 | 2015-05-13 | 重庆大学 | 基于深度学习和支持向量机的滚动轴承故障诊断方法 |
CN105259435A (zh) * | 2015-09-23 | 2016-01-20 | 国网山东莒县供电公司 | 一种变压器监测装置和故障诊断方法 |
CN105204496A (zh) * | 2015-09-25 | 2015-12-30 | 清华大学 | 动车组空气制动控制系统传感器故障诊断的方法与系统 |
CN105760672A (zh) * | 2016-02-22 | 2016-07-13 | 江苏科技大学 | 一种机械设备故障诊断方法 |
CN105843212A (zh) * | 2016-03-29 | 2016-08-10 | 东北大学 | 一种高炉故障诊断系统及方法 |
Non-Patent Citations (2)
Title |
---|
CHAO GUO: "Fault analysis of High Speed Train with DBN hierarchical ensemble", 《2016 INTERNATIONAL JOINT CONFERENCE ON NEURAL NETWORKS (IJCNN)》 * |
徐海永: "基于主元分析和支持向量回归机的故障预测", 《中国优秀硕士学位论文全文数据库工程科技II辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115552435A (zh) * | 2020-03-31 | 2022-12-30 | Ats自动化加工系统公司 | 用于对制造装配线进行建模的系统和方法 |
US11790255B2 (en) | 2020-03-31 | 2023-10-17 | Ats Corporation | Systems and methods for modeling a manufacturing assembly line |
Also Published As
Publication number | Publication date |
---|---|
US20190196460A1 (en) | 2019-06-27 |
US10635094B2 (en) | 2020-04-28 |
EP3497527A1 (en) | 2019-06-19 |
CN109791401B (zh) | 2022-07-22 |
EP3497527B1 (en) | 2022-06-22 |
WO2018052433A1 (en) | 2018-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109791401A (zh) | 生成用于嵌入式分析和诊断/预测推理的故障模型 | |
US10733536B2 (en) | Population-based learning with deep belief networks | |
Cai et al. | A real-time fault diagnosis methodology of complex systems using object-oriented Bayesian networks | |
KR101825809B1 (ko) | 플랜트 이상 감지 시스템 및 방법 | |
CN107085415A (zh) | 过程控制网络中的规则构建器 | |
JP5278310B2 (ja) | 診断システム | |
EP3183622B1 (en) | Population-based learning with deep belief networks | |
JP2009053938A (ja) | 複数モデルに基づく設備診断システム及びその設備診断方法 | |
US9141915B2 (en) | Method and apparatus for deriving diagnostic data about a technical system | |
KR20180108446A (ko) | Ict 인프라 관리 시스템 및 이를 이용한 ict 인프라 관리 방법 | |
CN108027611B (zh) | 利用受专家意见监督的决策模式学习的用于机器维护的决策辅助系统和方法 | |
WO2019146315A1 (ja) | 異常検知システム、異常検知方法、および、プログラム | |
Blancke et al. | A holistic multi-failure mode prognosis approach for complex equipment | |
Wang et al. | Sensor data based system-level anomaly prediction for smart manufacturing | |
CN104011750A (zh) | 对技术系统进行处理 | |
WO2021127646A1 (en) | Device and method for monitoring a system | |
CN110337640A (zh) | 用于问题警报聚合的方法和系统 | |
JP2021005370A (ja) | 航空機センサをモデリングするためのデータ主導方式機械学習 | |
JP6967099B2 (ja) | 学習モデル作成システム及び学習モデル作成方法 | |
Rabenoro et al. | A methodology for the diagnostic of aircraft engine based on indicators aggregation | |
Sharp | Observations on developing reliability information utilization in a manufacturing environment with case study: robotic arm manipulators | |
Qin et al. | A study of fault detection and diagnosis for PLC controlled manufacturing system | |
Martinez et al. | Labelling drifts in a fault detection system for wind turbine maintenance | |
WO2013060385A1 (en) | Processing a technical system | |
Hanif et al. | Centralized Predictive Analytics and Diagnostics Platform |
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 |