CN110673515A - 对工业设施的监控 - Google Patents

对工业设施的监控 Download PDF

Info

Publication number
CN110673515A
CN110673515A CN201910590615.7A CN201910590615A CN110673515A CN 110673515 A CN110673515 A CN 110673515A CN 201910590615 A CN201910590615 A CN 201910590615A CN 110673515 A CN110673515 A CN 110673515A
Authority
CN
China
Prior art keywords
self
steps
installation
organizing map
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.)
Pending
Application number
CN201910590615.7A
Other languages
English (en)
Inventor
托马斯·比尔魏勒
丹尼尔·拉比施
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 CN110673515A publication Critical patent/CN110673515A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00Testing or monitoring of control systems or parts thereof
    • G05B23/02Electric testing or monitoring
    • G05B23/0205Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218Electric 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
    • G05B23/0224Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/024Quantitative 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
    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00Programme-control systems
    • G05B19/02Programme-control systems electric
    • G05B19/18Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
    • G05B19/406Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by monitoring or safety
    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00Programme-control systems
    • G05B19/02Programme-control systems electric
    • G05B19/04Programme control other than numerical control, i.e. in sequence controllers or logic controllers
    • G05B19/042Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
    • G05B19/0428Safety, monitoring
    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods
    • G06N3/088Non-supervised learning, e.g. competitive learning
    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00Program-control systems
    • G05B2219/20Pc systems
    • G05B2219/24Pc safety
    • G05B2219/24024Safety, surveillance
    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00Program-control systems
    • G05B2219/30Nc systems
    • G05B2219/33Director till display
    • G05B2219/33034Online learning, training

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Automation & Control Theory (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Manufacturing & Machinery (AREA)
  • Human Computer Interaction (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明提出一种用于监控具有自动化系统(3)的工业设施(1)的运作的诊断装置,其中,诊断装置包括数据存储器(15)和评估装置(16),在数据存储器中可以存储至少一个表征设施(1)运作的数据集,其具有过程变量值。诊断装置的特征在于,评估装置(16)设计为用于根据数据集、根据至少一个自组织图并且根据程序(17),借助动态时间规整法来确定有关设施(1)运作的诊断结论,该程序用于在设施(1)以重复执行的步骤链运作时控制流程。

Description

对工业设施的监控
技术领域
本发明涉及一种用于监控工业设施的运作的诊断装置。此外,本发明还涉及一种具有分步骤的过程流程的用于监控工业设施的方法。此外,本发明还涉及一种具有能够由计算机实施的程序代码指令的计算机程序、一种具有能够由计算机实施的计算机程序的存储介质和一种计算机系统。
背景技术
在制造技术和过程技术设施中,技术流程通常通过步骤链(过程链)或者通过批处理配方进行控制。各个步骤的进行不仅可能经受由生产决定的波动,而且还经受由故障造成的波动。为了安全运作和达到质量目标,对流程的监控是必要。在此,必须将不寻常的偏差与正常的波动区别开来。尤其是在制药过程中,其流程是由生物学上的过程确定的,所以可能导致流程发生剧烈的时间上的波动。
一种常见的用于监控调节量和测量值的方法是显示时间序列(趋势图)。监控工作由具备丰富经验和高度专注力的使用人员完成。但是随着设施尺寸越来越大,使用者不得不面临能力的极限。
自动化的监控迄今为止都还只是受限的,并只能借助对固定极限进行参量化来实现。然而这种参量化是成本非常高的。此外,也无法识别在参量化的极限内出现的多个变量之间的偏差。
已知有用于基于自组织图的自动化监控的方法。
在EP 3 232 282 A1中公开了一种用于监控具有自动化系统的工业设施的诊断装置。在此,装置使用自组织图来测定工业设施的特定实施步骤的持续时间。
EP 2 472 440 A1公开了一种用于监控过程设施的状态的方法,其中使用了自组织图。
在EP 3 232 282 A1中公开了一种用于监控带有自动化系统的工业设施的运作的诊断装置,其中,诊断装置包括数据存储器和评估装置,在该数据存储器中能够存储至少一个表征设施运作的数据集。在此,评估装置设计用于通过基于自组织图对数据集进行的评估,来探测并显示在步骤链的待检验的执行过程中的时间特性与在步骤链的无故障的执行过程中的时间特性之间的偏差。
然而,当只有动力特性在一个步骤内不同,而取值范围和出现的信号值组合却在此一致时,所引用的方法是不适用的。
发明内容
本发明的目的在于,提供一种用于监控工业设施的调节量和测量值的方法,该方法能够以比较少的成本、可靠且自动化地执行。
所述目的通过一种用于监控具有自动化系统的工业设施的运作的诊断装置来实现,其中,诊断装置包括数据存储器和评估装置,在该数据存储器中能够存储至少一个表征设施的运作的数据集,其包含过程变量值。
该诊断装置的特征在于,评估装置设计用于根据数据集和至少一个自组织图并且根据程序,借助动态时间规整法确定有关设施的运作的诊断报告,该程序用于在设施以重复执行的步骤链运行时来控制流程。
工业设施可以是过程工业的设施,像是例如化学设施、制药设施、石油化学设施或者来自食品和饮品工业的设施。在此,也包括生产工业、车间的设施,在这些设施中例如制造各种类型的车辆或物品。适合用于执行根据本发明的方法的工业设施也可以来自产能领域。用于产能的风轮、太阳能设施或者发电站同样也包含在术语“工业设施”中。
设施各自具有控制系统或者至少一个计算机辅助模块,该计算机辅助模块用于控制和调节进行的过程或者生产。控制系统的、或者控制模块的、或者工业设施的一部分是至少一个数据库或者存档,在其中存储有历史数据。
在工业设施中,通过所谓的(也可以称为过程链的)步骤链对技术过程进行控制。步骤链是加工或生产步骤的流程序列,这些步骤通过用于控制运作流程的程序来确定。在执行各个步骤时的过程变量的值不仅可能经受与生产有关的波动,也可能经受因为故障造成的波动。因此,对步骤的监控对于识别偏差和故障情况是有帮助的。
步骤链由用于控制运作流程的程序来执行,该程序例如在自动化设施中运行。在步骤链的步骤中,通常设置有用于干涉在设施上运行的过程的调节量。或者纯粹地以时间控制的方式实现到步骤链的下一个步骤的过渡,或者根据通常情况,在一个或者多个被测量达到特定的应定值时来实现。在控制程序中,用于检验过渡条件的调节量和被测量背后隐含有过程信息,这些过程信息例如是由过程技术人员或者化学工程师在设计自动化系统时、尤其是在设施运作中创建用于控制流程的程序时引入的(尤其是借助编程语言SFC=顺序功能图)。
诊断装置设计用于在自动学习过程中为自组织图的每个节点(它们代表所有为了学习所使用的步骤链的无故障历程)自动地确定具有n个坐标的n-元组,其中,每个坐标表征一个过程变量的值,也就是,表征经历学习过程中的步骤被自动地确定为对于诊断相关的调节量或被测量的值。
因此,在学习自组织图时,使用步骤链的各个步骤的设定的调节量或检测的被测量作为输入变量。因为即使没有出现错误,过程变量在不同的历程中都可能发生变化,所以为了学习自组织图,使用步骤链的多次运行良好的历程中的过程变量的值作为训练数据。
在学习自组织图时,在每个节点上为各个步骤存储过程变量的典型值作为良好值。在学习方法开始时,例如可以使用尺寸为8x12个节点的图。当然与可以使用与其不同的尺寸。在学习以后,训练数据可以被用于检验图尺寸。如果图太大,那么图的个别节点就不会遇到训练数据或者仅仅遇到少数几次。当图已经被证实过大时,可以在下一个学习过程中选择一个比较小一些的图尺寸并且重新启动学习过程。当图没有被证实过大,就可以在下一个学习过程中选择一个更大的图并且重新启动学习过程。一直重复这个过程,直到确定过大的图的极限。使用比极限小一些而不过大的图。
动态时间规整法也以德文名称“Dynamische Zeitnormierung”所公知。方法分别按照特定的模式为数据集的每个时间步骤测定第二数据集最匹配的时间步骤。
此外,所述目的还通过一种用于监控具有逐步进行的过程流程的工业设施的方法来实现,尤其是过程设施,其中,读取并评估已经在工业设施上重复进行的过程步骤的历史数据,其中,过程步骤具有多个时间分步骤。
方法包括以下步骤:
a)检测调节量、被测量、决定性变量和可测量的干扰量,它们可以在过程步骤的已经完成的历程的范畴内被获取作为工业设施的历史数据;
b)在至少一个自组织图学习先前检测的数据,其中,自组织图的节点表征过程步骤的历程的各个时间分步骤;
c)为至少一个自组织图的每个节点确定调节量、被测量、决定性变量和可测量的干扰量的容差范围;
d)在工业设施上实施过程步骤的新历程,并且检测当前的调节量、被测量、决定性变量和可测量的干扰量;
e)借助距离量并且借助动态时间规整法为新执行的过程步骤的每个时间分步骤测定自组织图的对应各个时间分步骤的节点;
f)比较新执行的过程步骤与自组织图,是否新执行的过程步骤的每个时间分步骤都在各个相对应节点的容差范围内。
在存在重复执行的过程步骤的历史数据的前提下(参照过程步骤a),在步骤b)中习得自组织图。在此,在自组织图的节点中分别存储有整个过程步骤的时间分步骤的相关信号(调节量、被测量、决定性变量和可测量的干扰量)。过程步骤例如可以是SFC步骤或者配方步骤。
在步骤c)中,为自组织图的每个节点确定用于整体距离量的允许容差,以及每个单个的调节量或被测量的允许容差。确定工作例如可以如在EP 3 232 282A1中所描述的那样完成。但例如也可行的是,预设固定的百分比距离值(例如20%),其用作存储在节点中的数据的容差量。
具有允许的容差范围的习得的自组织图例如可以在设施或云端本地存储在SQL数据库中。
在学习图并确定了容差之后,重新执行过程步骤,为了将过程步骤的数据与历史数据进行比较,通过距离量、尤其借助欧式距离并且借助动态时间规整法将每个时间分步骤与自组织图进行比较。
在此,以有利的方式首先确定过程步骤的历程,在所有分步骤上观察,该历程与过程步骤的新实施的历程相比具有最小的欧式距离,该欧式距离是借助动态时间规整法加权的。紧接着确定自组织图的节点,该节点具有到过程步骤的(之前的)历程的最小距离量。有关动态时间规整法的详尽信息应参见对实施例的说明。
作为中间结果,在过程步骤的每个(时间)分步骤得到自组织图的一个或者多个所属的节点。
在根据本发明的方法最后的步骤中,对新执行的过程步骤的每个时间分步骤进行检验,看它是否处于当前与其对应的自组织图节点的容差范围内。如果是的话,可以推断出,新执行的过程步骤是“良好的情况”,也就是说未出现异常。反之可以推断出工业设施中发生异常。
总而言之,通过应用根据本发明的方法获得有关工业设施的运作的诊断结论。
动态时间规整法的使用使得该过程可以在时间上延展。而幅值的变化被识别为故障。动态时间规整法与自组织图相结合,使得可以在没有现成的参量化的情况下从历史数据中为异常情况确定阈值、评估配方步骤的时间序列、并且还可以在可容忍时间偏移的情况下评估该过程。
与严格模拟的过程模块相反,完全省去了用于建模的成本。以有利的方式,自组织图的学习过程可以完全自动化,从而不必由使用者预先设定参数。
当然,仍可以对参量进行修正,从而专业的使用者如有可能还可以进一步改进所得结果。
实现的工程或调试成本的减少是这种功能广泛传播的前提。与基于数据的线性动态模型相反,在这些过程的背景下形成的自组织图也可以结合曲线来映射复杂的非线性行为。这里唯一的前提是,学习数据表征所有在运作时出现的运行方式和结果。
以有利的方式,所述功能同时提供异常识别能力。如果在考虑到时间偏移量、过程的运行速度的压缩和延伸的情况下,批处理/SFC步骤作为整体不匹配于自组织图,那么当前行为就与习得的不同。该行为可以作为异常情况进行报告。
相反,如果只是没有包含在学习数据中的良好行为,那么就可以为学习数据增加新的良好数据,并且利用扩充的数据集重复学习。
根据本发明的方法当然也可以在多个不同的过程步骤中以连续的或者平行的处理方式实施。
在本发明的一种有利改进方案中,以如下方式自动化地确定容差范围(方法步骤c),即,使得所有为了训练自组织图而使用的历史数据都在容差范围内。借此,能够以简单的方式和方法完全自动化对容差范围的确定。
本发明的目的此外还通过一种根据本发明的计算机程序来实现,其具有能够由计算机执行的程序代码指令,该程序代码指令用于实施根据本发明的方法。
此外,所述目的还通过一种根据本发明的存储介质和一种根据本发明的计算机系统来实现,该存储介质具有能够由计算机执行的计算机程序,在该计算机系统上实施根据本发明的计算机程序。
附图说明
结合以下对结合附图更详尽阐述的实施例的说明,使得本发明的上述属性、特征和优点以及如何实现这些的方式和方法更加清楚易懂。图中示出:
图1是过程工业设施;
图2是两次过程步骤的历程的第一时间特性曲线;
图3是两次过程步骤的历程的第二时间特性曲线;
图4是两次过程步骤的历程的第一矩阵形式对比;以及
图5是两次过程步骤的历程的第二矩阵形式对比。
具体实施方式
图1用简化的示意图示例性地示出了过程工业设施1,在该过程工业设施中,借助自动化系统3控制过程2。自动化系统3包含规划及工程设计工具4、操作及观察设施5以及多个自动化设备6、7、8,它们经由总线系统9为了数据通信而彼此连接。自动化设备6、7、8按照自动化程序的标准控制技术过程2,其中示例性地在图1中绘出了自动化程序10。自动化程序10例如主要由多个功能组块组成,这些功能组块可以与其他在自动化系统3中分布的功能组块相互作用。为了控制过程2,使用多种的现场设施11、12、13、14以进行过程工具化。测量变换器用于检测过程变量,例如温度、压力、穿流量、料位、密度或者某种介质的气动浓度。通过控制环节,可以根据检测的过程变量(例如自动化程序10的设定)相应地影响过程的执行。控制环节的例子有调节阀、加热系统或泵。为了监控设施1的运作,检测多个表征设施的运作的数据集,并且将它们存储在数据存储器15中。借助评估装置16对包含步骤链的各个步骤的执行时间的数据集进行评估,从而确定诊断结论并且显示给操作者,因此能够采取可能合适的措施来处理故障。
在工业设施1中,通过(也可以被称为过程链的)步骤链来控制技术过程。步骤链是指加工或生产步骤的序列,其例如存储在自动化程序中。
过程变量的值在执行单个步骤时不仅可能经受与生产有关的波动,也还可能经受因为故障造成的波动。因此对这些步骤进行监控对于识别偏差和故障发生很有帮助。为了监控设施1的运作,检测多个表征设施1的运作的数据集,并将它们存储在数据存储器15中。然而并不是所有用在工业设施1中的过程变量在确定可靠的诊断结论时都是有帮助的。
为了自动确定与诊断相关的过程变量,借助评估装置16分析用于在设施1运作时控制流程的程序17。程序17例如能够对应于自动化设施6、7、8中存在的过程控制的整体的源代码。在分析该程序17时,尤其获得,在步骤链的步骤中设置哪些调节量,和/或在用于检验过渡条件的步骤链的步骤中询问哪些被测量。
为这样获得的过程变量分别配属在构成数据集的n-元组中的坐标。此外,借助评估装置16可以自动地确定例如功能组块的输入量和输出量,这些功能组块对于在设施1上运作的过程2同样有意义,并且以相应的方式被用到诊断中。
借助评估装置16首先评估步骤链的多个良好历程的数据集,并且同时训练出自组织图。以这种方式,在自组织图的节点上获得相应的n-元组,其具有步骤链的无故障历程的过程变量的预定值。如此预定的自组织图在设施1后续运作中被用于确定有关设施1运作的诊断结论。在此,借助评估装置16对数据集进行评估,该数据集包含在步骤链的单个步骤的相应执行时间的过程量的值。诊断结论例如可以存档于日志文件中,和/或显示给操作者,从而可以采取可能合适的措施来处理故障。
接下来阐述一种示例性的、根据本发明的方法。在例子中仅仅示出了任意的过程步骤的测量值。然而方法适用于很多的测量值。图2示出了两个良好的数据集20、21(在图2所示的图表的图例中也被称为训练数据(附图标记20)和训练数据2(附图标记21))。良好的数据集20、21借助水平的时间轴19(具有任意的时间单位)和垂直的数值轴18(具有任意的单位)示出。水平时间轴19的范围从0延伸至15,垂直的数值轴18的范围从-10延伸至+15。
训练数据20、21根据本发明被用于训练自组织图,确定容差并且辨识时间流程路径。
图3示出了新执行的过程步骤的数据集22(在图例中被称为“测试数据”)与训练数据21(或“训练数据2”)的对比。相比图2,两个数据集21、22借助水平的时间轴19(具有任意的时间单位)和垂直的数值轴18(具有任意的单位)示出。水平的时间轴19的范围从0延伸至15,垂直的数值轴18的范围从-10延伸至+15。
在紧接着的步骤中,借助动态时间规整法为新执行的过程步骤的每个时间分步骤测定自组织图的与各个时间分步骤相对应的节点。在此,图3中水平轴10上的时间单位对应于时间分步骤。图3(图2)据此分别示出相应的数据集21、22的十五个分步骤。
在图4和图5中分别示出了数据矩阵。在图4中对比地示出了新执行的过程步骤(测试数据)的数据集22和训练数据(训练数据1)的十五个分步骤。训练数据20以垂直轴表示,新执行的过程步骤的数据集用水平轴表示。各个矩阵元素分别是两个数据集之间的欧式距离。
动态时间规整根据在上下文中未详尽规定的计算方法辨识匹配于新执行的过程步骤的数据集的每个分步骤的、训练数据20的分步骤(在图4种分别用镶边的方式示出)。求和函数得出新执行的过程步骤的数据集与训练数据20的总偏差量。
同样地利用训练数据21来执行先前根据图4阐述的方法,其中,在图5中示出了所属的比较矩阵。
比较两个总偏差(“11.3”对比“15.9”)得出,训练数据21具有相对于新执行的过程步骤的数据集较小的偏差。该训练数据21因此被视为参考数据集。借助另外的距离量计算、尤其是借助欧式距离,辨别到自组织图的相应地最匹配训练数据21的单个分步骤的节点。
在最后的步骤中,为新执行的过程步骤的数据库的各个时间分步骤确定与先前获得的相对应节点的值的偏差。在此确定,新执行的过程步骤的数据集的各个值及其总和是否在各个节点的容差范围内。例如可以借助成本函数通过所有的测量值和单独的症状根据各个测量值的偏差来确定异常。
尽管通过优选实施例详尽阐述和说明了本发明的细节,但是本发明不受到公开实施例的局限,并且其他的变化方案可以由本领域技术人员推导出来,而不离开本发明的保护范围。

Claims (6)

1.一种用于监控具有自动化系统(3)的工业设施(1)的运作的诊断装置,其中,所述诊断装置包括数据存储器(15)和评估装置(16),在所述数据存储器中能够存储至少一个表征设施(1)的运作的数据集,所述数据集具有过程变量值,
其特征在于,所述评估装置(16)设计用于根据所述数据集、根据至少一个自组织图并且根据程序(17),借助动态时间规整法来确定有关所述设施(1)的运作的诊断结论,所述程序用于在所述设施(1)以重复执行的步骤链运作时控制流程。
2.一种用于监控工业设施的方法,所述工业设施尤其是过程设施,其中,能够读取并评估已经在所述工业设施上重复进行的过程步骤的历史数据,其中,所述过程步骤具有多个时间分步骤,包括:
a)检测调节量、被测量、决定性变量和可测量的干扰量,在所述过程步骤的已经完成的历程的范畴内,调节量、被测量、决定性变量和可测量的干扰量能够被获取作为所述工业设施的所述历史数据;
b)在至少一个自组织图中学习先前检测的数据,其中,所述自组织图的节点代表在所述过程步骤的历程期间的各个时间分步骤;
c)为至少一个所述自组织图的每个节点确定调节量、被测量、决定性变量和可测量的干扰量的容差范围;
d)在所述工业设施上实施所述过程步骤的新历程,并且检测当前的调节量、被测量、决定性变量和可测量的干扰量;
e)借助距离量并且借助动态时间规整法,为新执行的所述过程步骤的每个所述时间分步骤测定所述自组织图的对应于相应的所述时间分步骤的节点;
f)将新执行的所述过程步骤与所述自组织图进行比较,是否新执行的所述过程步骤的每个时间分步骤都在相应节点的容差范围内。
3.根据权利要求2所述的方法,其中,通过使得所有为学习自组织图而使用的历史数据都在容差范围内来自动化地确定容差范围。
4.一种计算机程序,具有能由计算机执行的程序代码指令,所述程序代码指令用于实施根据权利要求2或3所述的方法。
5.一种存储介质,具有能由计算机执行的根据权利要求4所述的计算机程序。
6.一种计算机系统,在所述计算机系统上面运行根据权利要求4所述的计算机程序。
CN201910590615.7A 2018-07-03 2019-07-02 对工业设施的监控 Pending CN110673515A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
EP18181470.8A EP3591482B1 (de) 2018-07-03 2018-07-03 Überwachung einer technischen anlage
EP18181470.8 2018-07-03

Publications (1)

Publication Number Publication Date
CN110673515A true CN110673515A (zh) 2020-01-10

Family

ID=62947931

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910590615.7A Pending CN110673515A (zh) 2018-07-03 2019-07-02 对工业设施的监控

Country Status (3)

Country Link
US (1) US11287796B2 (zh)
EP (1) EP3591482B1 (zh)
CN (1) CN110673515A (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11074344B2 (en) 2018-12-19 2021-07-27 Intel Corporation Methods and apparatus to detect side-channel attacks
DE102019211747A1 (de) * 2019-08-06 2021-02-11 Robert Bosch Gmbh Verfahren zur Diagnose eines Prozesses
EP3916503A1 (de) 2020-05-26 2021-12-01 Siemens Aktiengesellschaft Verfahren zur überwachung von betriebsparametern
EP4060441A1 (de) * 2021-03-19 2022-09-21 Siemens Aktiengesellschaft Verfahren und system zur erkennung von anomalien im betrieb einer technischen anlage
DE102021206044A1 (de) * 2021-06-14 2022-12-15 Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung eingetragener Verein Überwachung der produktion von werkstoffplatten, insbesondere holzwerkstoffplatten, insbesondere unter verwendung einer selbstorganisierenden karte
DE102021210106A1 (de) * 2021-09-14 2023-03-16 Zf Friedrichshafen Ag Computerimplementierte Verfahren und System zur Anomalieerkennung und Verfahren zur Anomalieerkennung in einer akustischen Endprüfung eines Getriebes

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2007058001A1 (ja) * 2005-11-17 2007-05-24 Kochi University 易動度の正規化装置、正規化方法、正規化プログラムおよび自己組織化マップ、並びに、物質の検出方法、検出プログラム、検出ルール生成方法およびデータ構造
US20130138388A1 (en) * 2011-11-30 2013-05-30 Arbitron Inc. Multiple meter detection and processing using motion data
CN107291063A (zh) * 2016-04-12 2017-10-24 西门子公司 用于监控技术设施的运行的诊断装置和诊断方法
CN107678416A (zh) * 2016-08-01 2018-02-09 西门子公司 用于监控工程设施的运行的诊断装置和方法
US20180046917A1 (en) * 2016-08-11 2018-02-15 Thomas Bierweiler Identification of process anomalies in a technical facility

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8768664B2 (en) * 2005-03-18 2014-07-01 CMC Solutions, LLC. Predictive emissions monitoring using a statistical hybrid model
US7421348B2 (en) * 2005-03-18 2008-09-02 Swanson Brian G Predictive emissions monitoring method
EP2472440B1 (en) 2011-01-04 2014-06-25 Siemens Aktiengesellschaft Method and system for diagnosis of plant status
US8798887B2 (en) * 2011-11-30 2014-08-05 GM Global Technology Operations LLC System and method for estimating the mass of a vehicle
EP3065015B1 (de) * 2015-03-04 2018-09-26 Siemens Aktiengesellschaft Diagnoseeinrichtung und -verfahren zur überwachung des betriebs von regelkreisen

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2007058001A1 (ja) * 2005-11-17 2007-05-24 Kochi University 易動度の正規化装置、正規化方法、正規化プログラムおよび自己組織化マップ、並びに、物質の検出方法、検出プログラム、検出ルール生成方法およびデータ構造
US20130138388A1 (en) * 2011-11-30 2013-05-30 Arbitron Inc. Multiple meter detection and processing using motion data
CN107291063A (zh) * 2016-04-12 2017-10-24 西门子公司 用于监控技术设施的运行的诊断装置和诊断方法
CN107678416A (zh) * 2016-08-01 2018-02-09 西门子公司 用于监控工程设施的运行的诊断装置和方法
US20180046917A1 (en) * 2016-08-11 2018-02-15 Thomas Bierweiler Identification of process anomalies in a technical facility

Also Published As

Publication number Publication date
US11287796B2 (en) 2022-03-29
EP3591482C0 (de) 2024-06-12
EP3591482A1 (de) 2020-01-08
US20200012257A1 (en) 2020-01-09
EP3591482B1 (de) 2024-06-12

Similar Documents

Publication Publication Date Title
CN110673515A (zh) 对工业设施的监控
US10768188B2 (en) Diagnostic device and method for monitoring operation of a technical system
EP3809220A1 (en) Method and system for semi-supervised deep anomaly detection for large-scale industrial monitoring systems based on time-series data utilizing digital twin simulation data
EP1982301B1 (en) Method of condition monitoring
US20160071004A1 (en) Method and system for predictive maintenance of control valves
US20070043539A1 (en) Abnormality monitoring system and abnormality monitoring method
US11966217B2 (en) Faulty variable identification technique for data-driven fault detection within a process plant
KR101532843B1 (ko) 스마트 센서를 이용한 원전 유압밸브의 온라인 감시 시스템
CN107111312A (zh) 监视在工业现场运行的过程的至少一个步骤的监视装置和监视方法
CN118194206B (zh) 一种生产设备故障智能诊断方法及系统
US20210325835A1 (en) Pattern recognition technique for data-driven fault detection within a process plant
CN105090000B (zh) 一种空间环境模拟器粗抽真空系统的故障诊断方法
CN112526962A (zh) 用于工艺技术设施的诊断方法和诊断系统以及训练方法
US10394255B2 (en) Diagnostic device and method for monitoring frictional behavior in a control loop
CN114692388A (zh) 火力发电厂仿真系统、方法、装置及存储介质
KR101620850B1 (ko) 가상다중센서 기술을 이용한 센서 건전성 평가 방법 및 시스템
EP3839530A1 (en) Methods and systems for assessing printed circuit boards
US20240176340A1 (en) Causal Analysis of an Anomaly Based on Simulated Symptoms
CN117387925B (zh) 一种阻尼器性能连续测试方法及系统
KR101484210B1 (ko) 자동화 라인의 이상회로 점검방법
CN117539753A (zh) 一种面向离散行业复杂系统的测试方案评估方法
CN117669381A (zh) 融合动态仿真和实时监测的长输供热管线安全运行方法
CN118194192A (zh) 矿车发动机的质检方法、装置和矿车发动机检测系统
US20210124326A1 (en) Context specific training for process operators
WO2021053506A1 (en) System and method of plant monitoring with self-learning

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20200110

RJ01 Rejection of invention patent application after publication