CN112219212A - 异常工业处理操作的自动化检测 - Google Patents
异常工业处理操作的自动化检测 Download PDFInfo
- Publication number
- CN112219212A CN112219212A CN201880090027.0A CN201880090027A CN112219212A CN 112219212 A CN112219212 A CN 112219212A CN 201880090027 A CN201880090027 A CN 201880090027A CN 112219212 A CN112219212 A CN 112219212A
- Authority
- CN
- China
- Prior art keywords
- sub
- interval
- intervals
- time series
- 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
Links
- 230000002547 anomalous effect Effects 0.000 title claims description 35
- 238000001514 detection method Methods 0.000 title description 15
- 238000012994 industrial processing Methods 0.000 title description 6
- 238000004519 manufacturing process Methods 0.000 claims abstract description 33
- 238000007619 statistical method Methods 0.000 claims abstract description 18
- 230000002159 abnormal effect Effects 0.000 claims abstract description 17
- 238000004364 calculation method Methods 0.000 claims abstract description 14
- 238000000034 method Methods 0.000 claims description 45
- 238000003860 storage Methods 0.000 claims description 34
- 238000004886 process control Methods 0.000 claims description 29
- 230000008569 process Effects 0.000 claims description 17
- 238000004458 analytical method Methods 0.000 claims description 14
- 230000008859 change Effects 0.000 claims description 8
- 230000007423 decrease Effects 0.000 claims description 7
- 238000004891 communication Methods 0.000 abstract description 30
- 230000005540 biological transmission Effects 0.000 abstract description 4
- 239000012530 fluid Substances 0.000 description 10
- 230000006870 function Effects 0.000 description 10
- 230000003287 optical effect Effects 0.000 description 10
- 238000012545 processing Methods 0.000 description 10
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000005856 abnormality Effects 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 238000007796 conventional method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006855 networking Effects 0.000 description 3
- 238000012896 Statistical algorithm Methods 0.000 description 2
- 238000010924 continuous production Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000005055 memory storage Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000012552 review Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000002730 additional effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 235000013361 beverage Nutrition 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000012467 final product Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000010079 rubber tapping Methods 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000003892 spreading Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M99/00—Subject matter not provided for in other groups of this subclass
- G01M99/008—Subject matter not provided for in other groups of this subclass by doing functionality tests
-
- 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
- G05B23/0267—Fault communication, e.g. human machine interface [HMI]
- G05B23/0272—Presentation of monitored results, e.g. selection of status reports to be displayed; Filtering information to the user
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Automation & Control Theory (AREA)
- Bioinformatics & Computational Biology (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- General Engineering & Computer Science (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Human Computer Interaction (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
在工业处理中自动化检测装备的异常操作。报告体系架构利用缩放的熵计算,该缩放的熵计算使得能够跨多个时间段比较信号熵,而无需事先知道信号的缩放。报告体系架构将缩放后的熵值与统计分析相结合,以检测表示工业处理中装备的异常操作的异常时间段。报告体系架构生成异常操作的报告,以经由通信网络传输到特定的用户设备。
Description
技术领域
本公开的各方面一般而言涉及以下领域:联网的计算机化工业控制自动化系统和用于监视、记录和显示相关的制造/生产事件和相关联数据的联网的计算机化系统,以及监督级别的控制和制造信息系统。更具体而言,本公开的各方面涉及用于通过熵缩放(entropy scaling)来自动化检测工业处理装备的异常操作的系统和方法。
背景技术
典型的工业处理极其复杂,并且接收到大大超过任何人可能以其原始形式消化的信息量。举例来说,并非没有听说有上千个传感器和控制元件(例如,阀门致动器)监视/控制工业工厂内多阶段处理的各方面。这些传感器类型各异,并且报告处理的变化特征。它们的输出在其测量含义、每次测量发送的数据量以及其测量的频率方面也有类似的变化。关于后者,为了准确性和实现快速响应,这些传感器/控制元件中的一些每秒进行一次或多次测量。单个传感器/控制元件乘以数千个传感器/控制元件(典型的工业控制环境)导致大量数据流入到制造信息和处理控制系统中。
分发来自所有用户设备的整个数据量会使通信网络负担沉重,并且由于发送和与一个或多个用户设备相关联的用户无关的数据而不必要地利用了网络资源。现有技术对数据进行统计分析,以识别一个或多个用户感兴趣的关于工业处理的信息。常规的熵技术在执行熵计算之前需要事先知道关于数据值的缩放。不利的是,如果数据值漂移和/或改变缩放,那么常规的熵将不能进行比较。
发明内容
本公开的各方面在工业处理中检测装备的异常操作并生成异常操作的报告以经由通信网络传输到特定用户设备。报告体系架构利用缩放的熵计算,该缩放的熵计算使得能够跨多个时间段比较信号熵,而无需事先知道信号的缩放。
实现本公开的各方面的系统包括处理器、计算机可读存储设备、报告数据库和报告服务。报告服务包括存储在计算机可读存储设备上的处理器可执行指令,该处理器可执行指令在由处理器执行时配置报告服务以检测工业处理中的操作变化。报告服务接收时间序列(time-series)数据。时间序列数据与处理控制系统相关联,并且表示处理控制系统在时间间隔内的处理控制标签的一个或多个值。示例性且非限制性的处理控制标签包括连续处理中的阀、传感器、泵、罐等的物理特性。报告服务将取回的时间序列数据分配到所述时间间隔的多个子间隔中。每个子间隔包括从时间序列数据中采样的预定数量的个体数据值。报告服务还确定每个子间隔的个体数据值的最小数据值和最大数据值,并对每个子间隔的个体数据值执行熵计算。基于所确定的子间隔的最小数据值和最大数据值来缩放每个子间隔的熵。在一实施例中,基于最大值和最小值之间的差(即,范围)来缩放熵。报告服务通过对每个子间隔执行统计分析来检测一个或多个子间隔相对于期望值是异常的。报告服务还将指示检测到的异常子间隔的至少一个报告发布到报告数据库中。
在其它方面,提供了一种计算机实现的方法和计算机可读存储设备。
其它目的和特征将在下文中部分地清楚并且部分地指出。
附图说明
图1图示了根据一实施例的操作历史记录器(historian)数据模式检测和通信服务系统。
图2图示了图1的操作历史记录器数据模式检测和通信服务系统的报告服务。
图3是图示图2的报告服务的缩放的熵异常检测处理的示例性流程图。
图4A图示了根据一实施例的在几天的时段内计量水的工业处理中的水表的示例性流量轮廓(profile)。
图4B和图4C图示了图4A的示例性流量轮廓的直方图。
图5、图6、图7、图8和图9图示了根据一实施例的通过图形用户界面显示的示例性报告。
图10图示了被编程为提供图1的操作历史记录器数据模式检测和通信服务系统的各方面的计算设备的示例性体系架构。
图11图示了其中可以结合本公开的各方面的示例性工业处理系统。
贯穿附图,对应的附图标记指示对应的部分。
具体实施方式
参考图1,一般地以100指示的操作历史记录器数据模式检测和通信服务系统分析存储在操作历史记录器中的数据,并将该数据变换成及时报告,该及时报告在适当的时间和以适当的方式被传达给适当的设备。以这种方式,系统100的各方面对数据进行过滤(例如,策划(curate)),以便提高数据对用户的可见性(例如,经由用户设备),而不会淹没用户和/或给通信网络带来过多负担。本公开的各方面检测工业处理中装备的异常操作,并生成异常操作的报告,以经由通信网络传输到特定用户设备。下文描述的报告体系架构利用缩放的熵计算,该缩放的熵计算使得能够跨多个时间段比较信号熵,而无需事先知道信号的缩放。如图1所示,系统100包括实现操作历史记录器102的操作历史记录器设备101、报告服务104、报告数据库106、策划服务108、依用户而定的报告集合110、一般报告集合112、警报服务114和搜索服务116。在一实施例中,系统100基于由操作历史记录器和/或其它提供者提供的数据为历史记录器提供用户的所生成的报告(即,故事)的新闻馈送。
在一实施例中,操作历史记录器102适于存储(例如,“历史化”)与工业处理相关的各种类型的数据。示例性数据包括但不限于时间序列数据、元数据、事件数据、配置数据、原始时间序列二进制数据、标签元数据、诊断日志数据等。操作历史记录器102还适于记录趋势以及关于工业处理的历史信息,以备将来参考。示例性操作历史记录器102存储人类无法解释或分析的数量的关于工业处理的各个方面的数据。例如,操作历史记录器每秒可以接收两百万或更多个数据值(例如,与处理控制部件、处理变量等相关的标签)。在一实施例中,历史记录器102包括包含在存储存储器设备中(例如,作为服务器计算设备的一部分)以经由软件环境提供操作历史记录器102的处理器可执行指令。示例性操作历史记录器102包括由施耐德电气(Schneider Electric)提供的 Historian和 Online。
图1所示的报告服务104适于从操作历史记录器102取回数据、检测取回的数据被生成期间的时间间隔中的异常、生成包括关于检测到的异常的信息的报告,并将所生成的报告存储在报告储存库(诸如数据库106)中。在一实施例中,报告服务104包括包含在存储存储器设备中以经由软件环境提供报告服务104的处理器可执行指令。例如,报告服务104可以被提供为处理器可执行指令,其包括由根据本公开的示例性实施例的计算设备103独立地或结合系统100的附加方面使用的过程、函数、例程、方法和/或子程序。本文提供了报告服务104的进一步细节。
在一实施例中,报告服务104适于通过将查询传输到操作历史记录器102来从操作历史记录器102取回数据,操作历史记录器102接收该查询并使用该查询来选择与查询匹配的存储数据。然后,操作历史记录器102将所选择的数据传输到报告服务104。报告服务104可以连续地或以规则的间隔取回数据。在图2所示的实施例中,报告服务104从包括外部第三方报告应用206(例如,经由报告服务104的应用编程接口(API))、内置报告服务208(例如, Online内置报告器)、基于客户端应用配置210的依应用而定的报告服务以及人机接口(HMI)212在内的附加源取回和/或接收数据。本领域技术人员将理解,可以利用附加的报告实体来扩展报告服务104的能力。例如,用于添加附加报告服务104的框架向本公开的各方面赋予可扩展性和“垂直整合”便利性。
再次参考图1的实施例,报告服务104适于使用算法来分析数据,并检测数据中的某些模式(例如,“感兴趣的模式”)和/或不符合(例如,异常)。示例性算法包括统计算法、机器学习算法、基于规则的算法等。在检测到某些模式和/或异常时,报告服务104生成关于这些检测到的模式和/或异常发生期间的时间间隔的报告。在示例性实施例中,报告包括正常数据、异常数据、异常的文本描述、图形(例如,图表、图像等)、元数据等。报告可以包括当经由显示设备和/或人机界面设备显示时策划服务108可修改的格式和/或人类可理解的格式的关于检测到的模式的信息。以这种方式,报告服务104将数据从策划服务108和人类无法理解的格式变换为当经由设备显示时策划服务108和人类可理解的格式。
在生成报告之后,报告服务104将报告传输到报告数据库106进行存储。报告服务104可配置成经由HTML接口、REST接口、ODATA接口和类似接口将报告传输到报告数据库106。在一实施例中,系统100包括多个报告服务104,每个报告服务从操作历史记录器102取回数据、检测数据中的模式、生成报告并将报告存储在报告数据库106中。在利用多个报告服务的实施例中,每个报告服务可以独立地操作,或者集体操作服务可以在较大的报告任务的部分上并行操作。
仍然参考图1,报告数据库106适于将报告存储为数据的有组织的集合。以这种方式,报告数据库106将报告存储在中央位置以供各种系统和设备访问。
策划服务108适于智能地审查存储在数据库106中的报告、对所审查的报告进行排名和/或分类,以及将经过排名的报告路由(例如,分发)到集合、设备、其它服务等。在一实施例中,策划服务108以某个频率和以某种方式审核报告并提高其对用户的可见性,使得用户将不会被数据淹没,而是会在报告中以最适合每个特定用户或用户组的时间和方式向用户提供有用的信息。例如,对于每个用户,策划服务108确定特定报告是应该出现在该用户的馈送的主页/首页上、该用户的第二页上,还是应该仅以该用户可搜索的格式被存档。通过将相关报告分发给某些用户设备,策划服务108减轻了通信网络的负担。策划服务108可配置成基于针对特定用户的特定报告的相关性而采取附加的动作,诸如蜂鸣或警告用户的用户设备118,如本文进一步描述的。在另一个实施例中,策划服务108用作过滤器以确定报告数据库106中的多个报告中的哪些被传输给某些用户以及何时传输这些报告。
在一实施例中,策划服务108包括包含在存储存储器设备上以经由软件环境提供策划服务108的处理器可执行指令。例如,策划服务108由处理器可执行指令来实现,该处理器可执行指令包括由根据本公开的示例性实施例的计算设备103独立地或结合系统100的附加方面使用的过程、函数、例程、方法和/或子程序。关于策划服务108的进一步的细节例如在美国专利申请序列号No.15/270,898中提供,其全部内容通过引用并入本文。
仍然参考图1,依用户而定的报告集合110适于从策划服务108接收报告,并将报告组织为列表(例如,馈送),这些列表保持最新并可供用户和/或用户的组经由用户设备118使用。例如,根据本公开的一方面,依用户而定的报告集合110可以是数据库。在一实施例中,依用户而定的报告集合110提供馈送,该馈送指示用户设备118尚未访问的新报告和/或用户设备118尚未显示的报告。一般报告集合112适于从策划服务108接收报告,并且以使得可以经由用户设备118浏览报告的方式呈现它们。例如,根据本公开的一方面,一般报告集合112可以是数据库。在示例性实施例中,一般报告集合112以支持经由用户设备118导航报告的方式来组织报告。在另一个示例性实施例中,一般报告集合112组织报告,使得比其它报告具有更高对工业处理的一般相关性的报告以使得当那些报告经由用户设备118被访问和显示时被显示在更突出的位置的方式被存储。
再次参考图1,警报服务114适于从策划服务108接收报告,并将接收到的报告实时传送到用户设备118。例如,警报服务114可以以电子邮件、文本消息、移动设备通知(例如,用户界面通知)、寻呼机通知等形式向用户设备118传送报告。在一实施例中,警报服务114包括包含在存储存储器设备上以经由软件环境提供警报服务114的处理器可执行指令。例如,警报服务114可以被提供为处理器可执行指令,其包括由根据本公开的示例性实施例的计算设备103独立地或结合系统100的附加方面使用的过程、函数、例程、方法和/或子程序。本文提供了警报服务114的进一步细节。在一实施例中,来自警报服务114的警报比报告更重要。
图1的搜索服务116适于允许经由用户设备118搜索存储在数据库106中的报告。在一示例性实施例中,搜索服务116适于在数据库106中搜索包含某些内容的报告。在另一个实施例中,搜索服务116适于通过与报告中所涉及的历史记录器实体的关系来搜索数据库106以获取报告。在一实施例中,搜索服务116包括包含在存储存储器设备上以经由软件环境提供搜索服务116的处理器可执行指令。例如,搜索服务116可以被提供为处理器可执行指令,其包括由根据本公开的示例性实施例的计算设备103独立地或结合系统100的附加方面使用的过程、函数、例程、方法和/或子程序。本文提供了搜索服务116的进一步细节。
图1的用户设备118适于从依用户而定的报告集合110、一般报告集合112、警报服务114和/或搜索服务116接收数据和将数据传输给它们。在一实施例中,用户设备118还适于向策划服务108提供关于用户设备118的使用特征的反馈。示例性用户设备118包括但不限于个人计算机、膝上型计算机、平板计算机、移动通信设备、智能电话等。
图3图示了由报告服务104执行的示例性缩放熵异常检测处理300。熵指示表示工业处理的属性的信号的状态(例如,多个时间序列数据值)。示例性和非限制性属性包括工业处理中诸如阀、传感器、泵、罐等资产的物理特性。当信号的熵改变时,可能期望向用户(例如,工厂操作员、工程师等)通知该异常。但是,常规的熵技术需要定义区间(bin)(例如,子间隔),这又需要提前知道信号的缩放。传统的熵技术在信号漂移和/或改变缩放时无法进行比较。有利的是,本文描述的缩放的熵异常检测处理对熵计算进行缩放,这使得即使信号的缩放或范围改变,也能够跨多个时间段比较熵。在一实施例中,将缩放的熵与广义统计检查进行配对以确定信号是否异常而没有人类配置或干预。
仍参考图3,报告服务104在302处接收数据。在一实施例中,在302处接收数据包括报告服务104从操作历史记录器102取回数据。例如,报告服务104可以生成针对数据的请求(包括查询),并将该请求传输给操作历史记录器102。在接收到请求后,操作历史记录器102确定哪些存储的数据与查询匹配,并将该数据传输到报告服务104,报告服务104接收该数据以完成取回步骤302。在另一个实施例中,操作历史记录器102将所有新存储的数据传输到报告服务104,而无需来自报告服务104的特定请求或查询。在一实施例中,由操作历史记录器102存储并由报告服务104取回(例如,接收)的数据涉及与工业处理的处理控制系统相关联的处理控制标签。在另一个实施例中,在302处接收数据包括报告服务104经由通信网络接收数据流(例如,实况频道)。例如,如本文进一步描述的,报告服务104可以直接从处理控制设备接收数据,而无需通过操作历史记录器102。
在304处,报告服务104将取回的数据分配或划分到子间隔中,每个子间隔包括预定数量的采样数据值(例如,“点”)。在一实施例中,报告服务104将数据分配到包括数据点的子间隔中。根据本公开的一个或多个方面,子间隔可以被称为区间、段和/或窗口。根据本公开的一方面,子间隔的数量足够大以解析数据模式中的小变化并且足够小使得在多个值映射到相同子间隔的情况下发生“聚丛”(clumping)。在一实施例中,子间隔的数量是当熵数被投影到直方图上时对于用户易于可视化的数量。子间隔的示例性且非限制性数量是100,这是图表可接受的数量,它允许将数据可视化为百分比,并且直方图区间可以被映射到数据范围从0%到100%的每个整数百分比。此外,利用100个子间隔确保了聚丛。
对于大量数据点,熵计算变得更加可靠和精确。但是,随着数据点数量的增大,循环的数量减小,并且异常检测和报告之前的延迟增大。根据本公开的一方面,数据点的数量足够大以提供有意义的熵结果,并且足够小从而以合理的延迟触发异常。数据点的示例性和非限制性数量是360,其与自然时间段很好地对齐。例如,一秒钟的样本将具有五分钟的循环周期,并且两秒钟的样本将具有十分钟的循环周期。此外,一分钟的样本将具有六小时的循环周期,或者每天正好四个周期,因此间隔将很好地落在一天的边界上。如以上所解释的,使用具有100个子间隔的360个数据点(例如,样本),导致每个子间隔平均3.6个值。
报告服务104在306处确定每个子间隔内的最小数据值和最大数据值。在一实施例中,最小数据值和最大数据值之间的差(例如,最大值减去最小值)包括子间隔内的数据值的范围。在308处,报告服务104利用标准熵方法来计算每个子间隔的数据值的熵。在一实施例中,报告服务104通过等式1计算熵,其中b是所使用的对数的底数:
在等式1中,H是具有可能值{xi,...,xn}的离散随机变量X的熵,P(X)是概率质量函数,I是X的信息内容,它本身是随机变量,并且b是所使用的对数的底数。b的示例性值包括但不限于2、欧拉数e和10。
报告服务104在310处缩放每个子间隔的熵值。在一实施例中,报告服务104通过将每个子间隔的熵值乘以该子间隔中的数据值的范围(即,最小值和最大值之间的距离)来缩放熵值(例如,S=H*范围(信号))。在312处,报告服务104对每个子间隔的缩放的熵值执行统计分析以确定该子间隔是否异常。在一实施例中,统计分析利用平均值和标准偏差。在另一个实施例中,统计分析包括“黄金法则”分析,其分析数据的正常范围和/或可重复值。在本公开的范围内的其它分析包括但不限于用于检测数据中的模式和/或与模式的不符合的统计算法和/或机器学习算法。
在通过统计分析检测到至少一个异常子间隔后,报告服务104生成关于异常的报告。在一实施例中,报告服务104生成关于检测到的模式和/或异常子间隔的数据中的模式的不符合的报告。在另一个实施例中,报告服务104生成报告,该报告包括系统100的各方面的用户感兴趣的识别信息。例如,报告可以包括正常数据、异常数据、异常的文本描述、图形、元数据、多媒体项目等,这些促进将在数据中检测到的模式和/或不合格(例如,异常、偏差等)的特征经由用户设备118传达给用户和/或促进组织报告或对报告建立索引,以供包括用户设备118在内的设备访问。在步骤314处,报告服务104将生成的报告传输(例如,发布)到报告数据库106。报告数据库106存储报告以供各种设备或服务(包括策划服务108和搜索服务116)访问。在一实施例中,执行图3的操作的处理器构成专用计算机,该专用计算机用于接收用于分析的处理数据、通过缩放熵技术分析处理数据、检测一个或多个子间隔是异常的以识别一个或多个用户感兴趣的信息、并将指示检测到的不符合的子间隔的标签值的至少一个报告发布到报告数据库中。
图4A图示了在几天的时段内计量水的工业处理中的水表的示例性流量轮廓。如图所示,示例性流量轮廓不具有平均值,因为总流量始终在增大。因此,常规的技术—诸如使用距范围的平均值的一些数量n个标准偏差的技术—是不利的,因为数据不遵循正态分布。常规的技术无法检测到第6天流量增大的异常。图4B图示了图4A的流量轮廓的在第3天的十区间直方图,其中流量轮廓或多或少是对角线。包含图4A中的直方图的数据具有高的熵值,因为它接近均匀分布。图4C图示了图4A的流量分布的在第6天的十区间直方图。即使此时系统中存在更多的无序性(例如,第6天),包含图4B中直方图的数据也具有较低的熵。这种差异是由于使用每个区间的计数而引起的,并且由于区间较大,因此更多数据会占用相同的区间。
由上述报告服务104执行的缩放熵异常检测处理300克服了常规技术的缺点。通过确定每个区间内的值的范围并按该范围缩放熵,对于第6天的流量增大,缩放熵值将高得多。因此,根据本公开的各方面,数据中较高的无序性和较大的散布导致较高的熵值。对缩放熵执行统计分析使得能够改进对工业处理中异常行为的检测。报告服务104执行的缩放熵异常检测处理300可以检测到的示例性场景包括但不限于不改变范围而是增大或减小熵(例如,从正态分布改变为均匀分布、从方波改变为正弦波等)的数据、漂移但行为改变(例如,增大或减小如由总流量表测量的用水量等)的数据、以及改变范围(例如,从小范围改变到大范围等)的数据。
图5-图9图示了由用户设备118的图形用户界面显示的示例性报告。示例性显示向用户设备118通知与工业处理相关的重大事件。在一实施例中,当有新报告可用时,用户界面提供状态指示符。经由用户设备118选择状态指示符(例如,点击、轻敲等)使用户设备118显示所选择的报告。如在502、602、702、802和902处所指示的,报告的显示包括异常时间间隔期间数据值的图形指示(例如,绘制的数据点)。在一实施例中,异常时间间隔期间数据值的图形表示与表示非异常时间间隔期间数据值的图形表示是不同的颜色。例如,在异常时间间隔期间的数据值的图形表示可以是红色的,并且在非异常时间间隔期间的数据值的图形表示可以是绿色的。根据本公开的一方面,以图形方式将异常时间间隔与非异常时间间隔区分开使得用户设备118的用户能够容易地识别工业处理的异常操作范围。
图10图示了被编程为经由软件环境来提供操作历史记录器数据模式检测和通信服务系统100的各方面的计算设备103的示例性体系架构。在该替代实施例中,计算设备103包括处理器1002、存储器1004以及与I/O部件1008接口的输入/输出(I/O)接口1006。存储器1004包括可操作的历史记录器接口102'、报告服务104、报告数据库106'、策划服务108、依用户而定的报告集合110、一般报告集合112、警报服务114和搜索服务116,它们各自实现为由处理器1002执行的处理器可执行指令。
处理器1002、存储器1004和I/O接口1006彼此通信地连接和/或电连接。I/O接口1006通信和/或电连接到I/O部件1008。处理器1002适于执行存储在存储器1004中以实现操作历史记录器接口102'、报告服务104、报告数据库接口106'、策划服务108、依用户而定的报告集合110、一般报告集合112、警报服务114和/或搜索服务116的处理器可执行指令。图10的I/O接口1006提供计算设备103与I/O部件1008之间的物理数据连接。在一实施例中,I/O接口1006是网络接口卡(NIC)或调制解调器,并且I/O部件1008是电信网络,如本文进一步描述的。
图10的操作历史记录器接口102'适于在计算设备103和操作历史记录器102之间提供连接。在示例性实施例中,操作历史记录器接口102'经由I/O接口1006从操作历史记录器102取回和/或接收数据,如本文中进一步描述的。图10的报告数据库接口106'适于提供计算设备103与存储报告数据库106的计算机可读存储介质之间的连接。在示例性实施例中,报告数据库接口106'促进经由I/O接口1006将报告从报告服务104发布到报告数据库106,如本文进一步描述的。在另一个实施例中,报告数据库接口106'促进由策划服务108和搜索服务116经由I/O接口1006来访问报告数据库106,如本文中进一步描述的。
图11图示了其中可以结合本公开的各方面的示例性工业处理系统1100。系统1100包括计算设备103、操作历史记录器设备101、报告数据库106、用户设备118、通信网络1102和示例性流体处理系统1110。操作历史记录器设备101进一步包括操作历史记录器102。图11的示例性实施例的流体处理系统1110进一步包括泵1103、阀1104、传感器1106和处理控制器1108。在系统1100中,计算设备103、操作历史设备101、报告数据库106、用户设备118和流体处理系统1110的各个部件(例如,泵1103、阀1104、传感器1106、处理控制器1108)经由通信网络1102通信地连接。
通信网络1102能够促进历史记录器设备101、计算设备103、报告数据库106、用户设备118和流体处理系统1110的部件之间的数据交换。图11的实施例中的通信网络1102包括可连接到其它电信网络的广域网(WAN)和/或局域网(LAN),包括其它WAN、LAN和/或互联网或内联网的部分。通信网络1102可以是促进数据交换的任何电信网络,诸如根据IEEE802.3(例如,以太网)和/或IEEE802.11(例如,Wi-Fi)协议进行操作的那些电信网络。在另一个实施例中,通信网络1102是允许数据通过串行或并行通信信道(例如,铜线、光纤、计算机总线、无线通信信道等)进行物理传送的任何介质。在一实施例中,通信网络1102至少部分地包括处理控制网络。在另一个实施例中,通信网络1102至少部分地包括监督控制和数据获取(SCADA)系统。在又一个实施例中,通信网络1102至少部分地包括企业制造智能(EMI)/操作智能(OI)系统。
如本文进一步描述的,历史记录器设备101适于提供操作历史记录器102,该操作历史记录器102适于存储(例如,“历史化”)与流体处理系统1110相关的各种类型的数据。计算设备103适于提供报告服务104、报告数据库106(或到存储报告数据库106的计算机可读存储介质的接口)、策划服务108、依用户而定的报告集合110、一般报告集合112、警报服务114、以及搜索服务116,如本文进一步描述的。报告数据库106适于将由报告服务104生成的报告存储为有组织的数据集合,如本文进一步描述的。用户设备118适于从依用户而定的报告集合110、一般报告集合112、警报服务114和/或搜索服务116接收数据和将数据传输给它们,如本文进一步描述的。
仍参考图11,流体处理系统1110适于改变或精炼原材料以产生最终产品。对于本领域技术人员将清楚的是,本公开的各方面能够优化处理和除流体处理系统1110之外的处理系统,并且系统1110仅出于例示目的而给出。附加的示例性处理包括但不限于化学、石油和天然气、食品和饮料、制药、水处理和电力工业中的那些处理。例如,处理可以包括输送机、配电系统和/或不能被中断的处理或操作。在一实施例中,处理控制器1108在流体处理系统1110的部件(例如,泵1103、阀1104、传感器1106)与系统1100的其它部件(例如,历史记录器设备101、计算设备103、报告数据库106、用户设备118)之间提供接口或网关。在另一个实施例中,流体处理系统1110的部件经由通信网络1102直接与历史记录器设备101、计算设备103、报告数据库106和用户设备118通信。在又一个实施例中,处理控制器1108向泵1103、阀1104和传感器1106传输数据和从其接收数据,以控制和/或监视流体处理系统1110的各个方面。
在一实施例中,本公开的各方面与实现为具有移动应用的移动设备的用户设备118一起使用。例如,可以经由应用商店来安装本公开的各方面,并且可以针对触摸屏实施例优化各方面。在其它实施例中,本公开的各方面可以是基于浏览器的(例如,展示历史记录器能力的服务应用)。在一实施例中,本公开的各方面可以用作生产率工具以允许对定制应用进行调试和分析。在一实施例中,本公开的各方面利用各种能力,包括利用摘要标签、利用模型视图和派生视图以及利用灵活事件、数据字典和IHistory。本公开的各方面利用技术栈,包括HTML5应用(例如,Angular.js和D3)、模块化部件和受管理的历史记录器。本公开的各方面是基于部件的(例如,值和时间轴段可以在所有图表类型之间共享)。示例性模块化部件包括图表、趋势图、网格等。
在一方面,系统包括处理器(例如,处理器1002)、计算机可读存储设备(例如,存储器1004)、报告数据库(例如,报告数据库106)和报告服务(例如,报告服务104)。报告服务包括存储在计算机可读存储设备上的处理器可执行指令,该处理器可执行指令在由处理器执行时配置报告服务以检测工业处理中的操作变化。报告服务接收(302)时间序列数据。时间序列数据与处理控制系统(例如,工业处理系统1100)相关联,并且表示处理控制系统在时间间隔内的处理控制标签的一个或多个值。示例性且非限制性的处理控制标签包括连续处理中的阀、传感器、泵、罐等的物理特性。报告服务将取回的时间序列数据分配(304)到时间间隔的多个子间隔中。每个子间隔包括从时间序列数据中采样的预定数量的个体数据值。报告服务还确定(306)每个子间隔的个体数据值的最小数据值和最大数据值,并计算(308)每个子间隔的个体数据值的熵。基于所确定的子间隔的最小数据值和最大数据值来缩放(310)每个子间隔的熵。在一实施例中,基于最大值和最小值之间的差(即,范围)来缩放熵。报告服务通过对每个子间隔执行(312)统计分析来检测一个或多个子间隔相对于期望值是异常的。报告服务还将指示检测到的异常子间隔的至少一个报告发布(314)到报告数据库中。
在另一方面,本公开提供了一种检测工业处理中的操作变化的计算机实现的方法。该方法包括接收时间序列数据以进行分析的报告服务。时间序列数据与处理控制系统相关联,并且该数据表示处理控制系统在时间间隔内的处理控制标签的一个或多个值。报告服务通过以下方式分析处理数据:将数据分配到多个子间隔中,每个子间隔包含从时间序列数据中采样的预定数量的个体数据值,确定每个子间隔的个体数据值的最小数据值和最大数据值,计算每个子间隔的个体数据值的熵,并基于所确定的子间隔的最小数据值和最大数据值来缩放每个子间隔的熵。该方法还包括通过对每个子间隔执行统计分析来检测一个或多个子间隔相对于期望值是异常的。报告服务将指示检测到的异常子间隔的至少一个报告发布到报告数据库中。
在另一方面,一种计算机可读存储设备存储处理器可读指令,该处理器可读指令包括当由处理器执行时实现用于检测工业处理中的操作变化的报告服务的指令。报告服务被配置成接收时间序列数据。时间序列数据与处理控制系统相关联,并且表示处理控制系统在时间间隔内的处理控制标签的一个或多个值。报告服务被配置成将取回的时间序列数据分配到时间间隔的多个子间隔中。每个子间隔包括从时间序列数据中采样的预定数量的个体数据值。报告服务还被配置成确定每个子间隔的个体数据值的最小数据值和最大数据值,计算每个子间隔的个体数据值的熵,以及基于所确定的子间隔的最小数据值和最大数据值来缩放每个子间隔的熵。在一实施例中,基于最大值和最小值之间的差(即,范围)来缩放熵。报告服务被配置成通过对每个子间隔执行统计分析来检测一个或多个子间隔相对于期望值是异常的。报告服务还被配置成将指示检测到的异常子间隔的至少一个报告发布到报告数据库中。
在一种形式中,统计分析是平均值分析和标准偏差分析中的至少一种。在另一种形式中,检测到的异常子间隔是在子间隔期间熵的增大和减小中的至少一个。在又一种形式中,检测到的异常子间隔是工业处理中的操作变化。在另一种形式中,检测到的异常子间隔包括具有改变的范围的数据值。在又一种形式中,个体数据值的预定数量足够大以提供有意义的熵计算,并且足够小从而以合理的延迟触发异常。在另一种形式中,多个子间隔是一定数量的子间隔,该数量足够大以解析时间序列数据的模式中的小变化并且足够小以使得在多个时间序列数据值映射到同一子间隔的情况下发生聚丛。
本公开的实施例可以包括专用计算机,该专用计算机包括各种计算机硬件,如下面更详细描述的。
本公开范围内的实施例还包括用于携带或具有存储在其上的计算机可执行指令或数据结构的计算机可读介质。这种计算机可读介质可以是可以由专用计算机访问的任何可用介质。作为示例而非限制,此类计算机可读介质可以包括RAM、ROM、EEPROM、CD-ROM或其它光盘存储装置、磁盘存储装置或其它磁存储设备,或者可以用于以计算机可执行指令或数据结构的形式携带或存储期望程序代码的装置并且可由通用或专用计算机访问的任何其它介质。当通过网络或另一通信连接(或者硬连线、无线或者硬连线或无线的组合)向计算机传送或提供信息时,计算机将该连接适当地视为计算机可读介质。因此,任何这种连接都被适当地称为计算机可读介质。上述的组合也应当包括在计算机可读介质的范围内。计算机可执行指令包括例如使通用计算机、专用计算机或专用处理设备执行某个功能或功能组的指令和数据。
以下讨论旨在提供其中可以实现本公开的各方面的合适计算环境的简要的一般描述。虽然不是必需的,但是本公开的各方面将在由网络环境中的计算机执行的计算机可执行指令(诸如程序模块)的一般上下文中描述。一般而言,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、部件、数据结构等。计算机可执行指令、相关联的数据结构和程序模块表示用于执行本文公开的方法的步骤的程序代码装置的示例。这种可执行指令或相关联的数据结构的特定序列表示用于实现这些步骤中描述的功能的对应动作的示例。
本领域技术人员将认识到的是,本公开的各方面可以在具有许多类型的计算机系统配置的网络计算环境中实践,包括个人计算机、手持设备、多处理器系统、基于微处理器或可编程的消费者电子设备、网络PC、小型计算机、大型计算机等。本公开的各方面也可以在分布式计算环境中实践,其中任务由通过通信网络链接(或者通过硬连线链路、无线链路或者通过硬连线或无线链路的组合)的本地和远程处理设备来执行。在分布式计算环境中,程序模块可以位于本地和远程存储器存储设备两者当中。
用于实现本公开的各方面的示例性系统包括常规计算机形式的专用计算设备,其包括处理单元、系统存储器以及将包括系统存储器在内的各种系统部件耦合到处理单元的系统总线。系统总线可以是若干类型的总线结构中的任何一种,包括存储器总线或存储器控制器、外围总线以及使用各种总线体系架构的本地总线。系统存储器包括只读存储器(ROM)和随机存取存储器(RAM)。基本输入/输出系统(BIOS)可以存储在ROM中,BIOS包含有助于在诸如在启动期间在计算机内的元件之间传送信息的基本例程。另外,计算机可以包括能够无线地从互联网接收或向互联网发送IP地址的任何设备(例如,计算机、膝上型计算机、平板电脑、PDA、蜂窝电话、移动电话、智能电视等)。
计算机还可以包括用于从磁性硬盘读取和写入磁性硬盘的磁性硬盘驱动器,用于从可移动磁盘读取或写入可移动磁盘的磁盘驱动器,以及用于从可移动光盘(诸如CD-ROM或其它光学介质)读取或写入可移动光盘的光盘驱动器。磁性硬盘驱动器、磁盘驱动器和光盘驱动器分别通过硬盘驱动器接口、磁盘驱动器接口和光盘驱动器接口连接到系统总线。驱动器及其相关联的计算机可读介质为计算机提供计算机可执行指令、数据结构、程序模块和其它数据的非易失性存储。虽然本文描述的示例性环境采用磁性硬盘、可移动磁盘和可移动光盘,但是可以使用其它类型的计算机可读介质用于存储数据,包括磁带盒、闪存卡、数字视频盘、Bernoulli盒式磁带、RAM、ROM、固态驱动器(SSD)等。
计算机通常包括各种计算机可读介质。计算机可读介质可以是可以由计算机访问的任何可用介质,并且包括易失性和非易失性介质、可移动和不可移动介质。作为示例而非限制,计算机可读介质可以包括计算机存储介质和通信介质。计算机存储介质包括以用于存储诸如计算机可读指令、数据结构、程序模块或其它数据之类的信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动介质。计算机存储介质是非瞬态的,并且包括但不限于RAM、ROM、EEPROM、闪存或其它存储器技术、CD-ROM、数字通用盘(DVD)或其它光盘存储装置;SSD、磁带盒、磁带、磁盘存储装置或其它磁存储设备,或者可以用于存储可由计算机访问的期望非瞬态信息的任何其它介质。可替代地,通信介质通常以诸如载波或其它运输机制之类的经调制数据信号来体现计算机可读指令、数据结构、程序模块或其它数据,并且包括任何信息递送介质。
包括一个或多个程序模块的程序代码装置可以存储在硬盘、磁盘、光盘、ROM和/或RAM上,包括操作系统、一个或多个应用程序、其它程序模块和程序数据。用户可以通过键盘、指示设备或其它输入设备(诸如麦克风、操纵杆、游戏手柄、圆盘式卫星天线、扫描仪等)将命令和信息输入计算机。这些和其它输入设备常常通过耦合到系统总线的串行端口接口连接到处理单元。可替代地,输入设备可以通过诸如并行端口、游戏端口或通用串行总线(USB)之类的其它接口连接。监视器或另一个显示设备也经由诸如视频适配器48之类的接口连接到系统总线。除了监视器之外,个人计算机通常还包括其它外围输出设备(未示出),诸如扬声器和打印机。
本公开的一个或多个方面可以实施为存储在系统存储器或非易失性存储器中的计算机可执行指令(即,软件)、例程或函数,作为应用程序、程序模块和/或程序数据。可替代地,软件可以远程存储,诸如存储在具有远程应用程序的远程计算机上。一般而言,程序模块包括在由计算机或其它设备中的处理器执行时执行特定任务或实现特定抽象数据类型的例程、程序、对象、部件、数据结构等。计算机可执行指令可以存储在一个或多个有形的、非瞬态计算机可读介质(例如,硬盘、光盘、可移动存储介质、固态存储器、RAM等等)上,并由一个或多个处理器或其它设备执行。如本领域技术人员将认识到的,程序模块的功能可以根据期望在各种实施例中组合或分布。此外,功能可以全部或部分地在固件或硬件等同物(诸如集成电路、专用集成电路、现场可编程门阵列(FPGA)等)中实施。
计算机可以使用到一个或多个远程计算机的逻辑连接在联网环境中操作。远程计算机可以各自是另一个个人计算机、平板电脑、PDA、服务器、路由器、网络PC、对等设备或其它公共网络节点,并且通常包括上面相对于计算机描述的元件中的许多或全部。逻辑连接包括在这里作为示例而非限制给出的局域网(LAN)和广域网(WAN)。这种联网环境在办公室范围或企业范围的计算机网络、内联网和互联网中是常见的。
当在LAN网络环境中使用时,计算机通过网络接口或适配器连接到本地网络。当在WAN联网环境中使用时,计算机可以包括调制解调器、无线链路或用于在诸如互联网之类的广域网上建立通信的其它装置。可以在内部或外部的调制解调器经由串行端口接口连接到系统总线。在联网环境中,相对于计算机或其部分描绘的程序模块可以存储在远程存储器存储设备中。将认识到的是,所示的网络连接是示例性的,并且可以使用在广域网上建立通信的其它装置。
优选地,计算机可执行指令存储在诸如硬盘驱动器之类的存储器中,并由计算机执行。有利地,计算机处理器具有实时执行所有操作(例如,执行计算机可执行指令)的能力。
除非另有说明,否则本文所示和所述的本公开的实施例中的操作的执行次序不是必需的。即,除非另有说明,否则操作可以以任何次序执行,并且本公开的实施例可以包括比本文公开的操作更多或更少的操作。例如,预期在另一操作之前、同时或之后执行特定操作在本公开的各方面的范围之内。
可以用计算机可执行指令来实现本公开的实施例。计算机可执行指令可以被组织成一个或多个计算机可执行部件或模块。本公开的各方面可以用任何数量和组织的此类这些部件或模块来实现。例如,本公开的各方面不限于附图中示出和本文描述的具体计算机可执行指令或具体部件或模块。本公开的其它实施例可以包括具有比本文所示出和描述的更多或更少功能的不同计算机可执行指令或部件。
当介绍本公开的各方面或其实施例的要素时,冠词“一”、“一个”、“该”和“所述”旨在意味着一个或多个所述要素的存在。术语“包括”、“包含”和“具有”旨在是包容性的并且意味着可以存在除所列要素之外的其它要素。
已经详细描述了本公开的各方面,清楚的是,在不脱离如所附权利要求中限定的本公开的各方面的范围的情况下,修改和变化是可能的。由于在不脱离本公开的各方面的范围的情况下可以对上述结构、产品和方法进行各种改变,因此包含在以上描述中并且在附图中示出的所有内容应当在说明性而不是限制的意义上解释。
Claims (20)
1.一种系统,包括:
处理器;
计算机可读存储设备;
报告数据库;以及
报告服务,其中报告服务包括存储在计算机可读存储设备上的处理器可执行指令,其中所述指令在由处理器执行时将报告服务配置成:
接收时间序列数据,其中时间序列数据与处理控制系统相关联,并且其中时间序列数据表示处理控制系统在时间间隔内的处理控制标签的一个或多个值;
将取回的时间序列数据分配到多个子间隔中,其中所述多个子间隔构成所述时间间隔,并且其中每个子间隔包括从时间序列数据中采样的预定数量的个体数据值;
确定每个子间隔的个体数据值中的最小数据值;
确定每个子间隔的个体数据值中的最大数据值;
对每个子间隔的个体数据值执行熵计算;
基于所确定的每个子间隔的最小数据值和最大数据值来缩放每个子间隔的熵;
通过对每个子间隔执行统计分析来检测一个或多个子间隔相对于期望值是异常的;以及
将指示检测到的异常子间隔的至少一个报告发布到报告数据库中。
2.如权利要求1所述的系统,其中,统计分析包括平均值分析和标准偏差分析中的至少一个。
3.如权利要求1所述的系统,其中,检测到的异常子间隔包括在子间隔期间熵的增大和减小中的至少一个。
4.如权利要求1所述的系统,其中,检测到的异常子间隔包括工业处理中的操作变化。
5.如权利要求1所述的系统,其中,检测到的异常子间隔包括其个体数据值改变范围的一个或多个子间隔。
6.如权利要求1所述的系统,其中,个体数据值的所述预定数量足够大以提供有意义的熵计算,并且足够小从而以合理的延迟触发异常。
7.如权利要求6所述的系统,其中,所述多个子间隔包括一定数量的子间隔,该数量足够大以解析时间序列数据的模式中的小变化并且足够小以使得在多个时间序列数据值映射到同一子间隔的情况下发生聚丛。
8.一种检测工业处理中的操作变化的方法,包括:
通过在一个或多个计算设备上执行的报告服务,接收用于分析的时间序列数据,时间序列数据与处理控制系统相关联,并且时间序列数据表示处理控制系统在时间间隔内的处理控制标签的一个或多个值;
由报告服务通过以下操作来分析处理数据:
将接收到的时间序列数据分配到多个子间隔中,所述多个子间隔构成所述时间间隔,并且每个子间隔包括从时间序列数据中采样的预定数量的个体数据值,
确定每个子间隔的个体数据值中的最小值,
确定每个子间隔的个体数据值中的最大值,
对每个子间隔的个体数据值执行熵计算,以及
基于所确定的每个子间隔的最小数据值和最大数据值来缩放每个子间隔的熵;
由报告服务通过对每个子间隔执行统计分析来检测一个或多个子间隔相对于期望值是异常的;以及
由报告服务将指示检测到的异常子间隔的至少一个报告发布到报告数据库中。
9.如权利要求8所述的方法,其中,统计分析包括平均值分析和标准偏差分析中的至少一个。
10.如权利要求8所述的方法,其中,检测一个或多个子间隔是异常的包括:检测在子间隔期间熵的增大和减小中的至少一个。
11.如权利要求8所述的方法,其中,检测一个或多个子间隔是异常的包括:检测子间隔期间工业处理中的操作变化。
12.如权利要求8所述的方法,其中,检测一个或多个子间隔是异常的包括:检测其个体数据值从小范围改变到大范围。
13.如权利要求8所述的方法,其中,个体数据值的所述预定数量足够大以提供有意义的熵计算,并且足够小从而以合理的延迟触发异常。
14.如权利要求13所述的方法,其中,将接收到的时间序列数据划分到多个子间隔中包括:将接收到的时间序列数据划分到一定数量的子间隔中,该数量足够大以解析接收到时间序列数据的模式中的小变化并且足够小以使得在多个时间序列数据值映射到同一子间隔的情况下发生聚丛。
15.一种计算机可读存储设备,其上存储有处理器可读指令,处理器可读指令包括在由处理器执行时实现用于检测工业处理中的操作变化的报告服务的指令,报告服务被配置成:
接收时间序列数据,其中时间序列数据与处理控制系统相关联,并且其中时间序列数据表示处理控制系统在时间间隔内的处理控制标签的一个或多个值;
将取回的时间序列数据分配到多个子间隔中,其中所述多个子间隔构成所述时间间隔,并且其中每个子间隔包括从时间序列数据中采样的预定数量的个体数据值;
确定每个子间隔的个体数据值中的最小数据值;
确定每个子间隔的个体数据值中的最大数据值;
对每个子间隔执行熵计算;
基于所确定的每个子间隔的最小数据值和最大数据值来缩放每个子间隔的熵;
通过对每个子间隔执行统计分析来检测一个或多个子间隔相对于期望值是异常的;以及
将指示检测到的异常子间隔的至少一个报告发布到报告数据库中。
16.如权利要求15所述的计算机可读存储设备,其中,统计分析包括平均值分析和标准偏差分析中的至少一个。
17.如权利要求15所述的计算机可读存储设备,其中,检测到的异常子间隔包括在子间隔期间熵的增大和减小中的至少一个。
18.如权利要求15所述的计算机可读存储设备,其中,检测到的异常子间隔包括工业处理中的操作变化。
19.如权利要求15所述的计算机可读存储设备,其中,检测到的异常子间隔包括其个体数据值改变范围的一个或多个子间隔。
20.如权利要求15所述的计算机可读存储设备,其中,个体数据值的所述预定数量足够大以提供有意义的熵计算,并且足够小从而以合理的延迟触发异常,并且其中所述多个子间隔包括一定数量的子间隔,该数量足够大以解析时间序列数据的模式中的小变化并且足够小以使得在多个时间序列数据值映射到同一子间隔的情况下发生聚丛。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US15/852,809 US20190195742A1 (en) | 2017-12-22 | 2017-12-22 | Automated detection of anomalous industrial process operation |
US15/852,809 | 2017-12-22 | ||
PCT/US2018/066479 WO2019126309A1 (en) | 2017-12-22 | 2018-12-19 | Automated detection of anomalous industrial process operation |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112219212A true CN112219212A (zh) | 2021-01-12 |
Family
ID=66950157
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201880090027.0A Pending CN112219212A (zh) | 2017-12-22 | 2018-12-19 | 异常工业处理操作的自动化检测 |
Country Status (4)
Country | Link |
---|---|
US (2) | US20190195742A1 (zh) |
EP (1) | EP3729343B1 (zh) |
CN (1) | CN112219212A (zh) |
WO (1) | WO2019126309A1 (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3379429A1 (en) * | 2017-03-22 | 2018-09-26 | Siemens Aktiengesellschaft | A method for retrieving a recommendation from a knowledge database of a ticketing system |
US20200342310A1 (en) * | 2019-04-28 | 2020-10-29 | International Business Machines Corporation | Identifying data drifts |
US11392115B2 (en) * | 2020-10-22 | 2022-07-19 | Cisco Technology, Inc. | Zero-trust architecture for industrial automation |
CN113640026B (zh) * | 2021-08-12 | 2023-12-08 | 三一汽车制造有限公司 | 一种工业设备测试方法和装置、测试系统 |
Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050219274A1 (en) * | 2003-12-30 | 2005-10-06 | Samsung Electronics Co., Ltd. | Apparatus and method of converting image signal for four-color display device, and display device including the same |
US20060242706A1 (en) * | 2005-03-11 | 2006-10-26 | Ross Robert B | Methods and systems for evaluating and generating anomaly detectors |
US20070156718A1 (en) * | 2005-12-30 | 2007-07-05 | Cassandra Hossfeld | Business intelligence data repository and data management system and method |
US20090262148A1 (en) * | 2008-04-16 | 2009-10-22 | Nec Lcd Technologies, Ltd. | Controller, hold-type display device, electronic apparatus, and signal adjusting method for hold-type display device |
US20110119374A1 (en) * | 2009-10-20 | 2011-05-19 | Jan Matthias Ruhl | Method and System for Detecting Anomalies in Time Series Data |
US20120136909A1 (en) * | 2010-03-31 | 2012-05-31 | Chengwei Wang | Cloud anomaly detection using normalization, binning and entropy determination |
CN102549567A (zh) * | 2009-07-29 | 2012-07-04 | 施耐德电气美国股份有限公司 | 用于电力监控系统的自然语言导航 |
US8306931B1 (en) * | 2009-08-06 | 2012-11-06 | Data Fusion & Neural Networks, LLC | Detecting, classifying, and tracking abnormal data in a data stream |
US20130080375A1 (en) * | 2011-09-23 | 2013-03-28 | Krishnamurthy Viswanathan | Anomaly detection in data centers |
CN103162984A (zh) * | 2013-03-25 | 2013-06-19 | 重庆交通大学 | 基于熵理论的在役桥梁安全预警方法 |
CN103441982A (zh) * | 2013-06-24 | 2013-12-11 | 杭州师范大学 | 一种基于相对熵的入侵报警分析方法 |
CN104376078A (zh) * | 2014-11-14 | 2015-02-25 | 南京大学 | 一种基于知识熵的异常数据检测方法 |
US20150205690A1 (en) * | 2014-01-23 | 2015-07-23 | Concurix Corporation | Computer performance prediction using search technologies |
CN105164923A (zh) * | 2013-03-01 | 2015-12-16 | 古如罗技微系统公司 | 熵修正器及方法 |
CN105847283A (zh) * | 2016-05-13 | 2016-08-10 | 深圳市傲天科技股份有限公司 | 一种基于信息熵方差分析的异常流量检测方法 |
US20160328432A1 (en) * | 2015-05-06 | 2016-11-10 | Squigglee LLC | System and method for management of time series data sets |
CN106357434A (zh) * | 2016-08-30 | 2017-01-25 | 国家电网公司 | 一种基于熵分析的智能电网通信网络流量异常检测方法 |
CN107122767A (zh) * | 2017-05-27 | 2017-09-01 | 辽宁大学 | 一种基于信息熵的人体活动端点检测方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9258217B2 (en) * | 2008-12-16 | 2016-02-09 | At&T Intellectual Property I, L.P. | Systems and methods for rule-based anomaly detection on IP network flow |
US8800036B2 (en) * | 2010-01-22 | 2014-08-05 | The School Of Electrical Engineering And Computer Science (Seecs), National University Of Sciences And Technology (Nust) | Method and system for adaptive anomaly-based intrusion detection |
US8296108B2 (en) * | 2010-04-02 | 2012-10-23 | Yugen Kaisha Suwa Torasuto | Time series data analyzer, and a computer-readable recording medium recording a time series data analysis program |
WO2014039999A1 (en) * | 2012-09-07 | 2014-03-13 | The Board Of Regents For Oklahoma State University | Wireless multi-sensor platform for continuous real-time monitoring of cardiovascular respiratory dynamics |
US10536357B2 (en) * | 2015-06-05 | 2020-01-14 | Cisco Technology, Inc. | Late data detection in data center |
US11543814B2 (en) * | 2015-09-29 | 2023-01-03 | Asml Netherlands B.V. | Methods of modelling systems or performing predictive maintenance of lithographic systems |
US9576031B1 (en) * | 2016-02-08 | 2017-02-21 | International Business Machines Corporation | Automated outlier detection |
US10701092B2 (en) * | 2016-11-30 | 2020-06-30 | Cisco Technology, Inc. | Estimating feature confidence for online anomaly detection |
-
2017
- 2017-12-22 US US15/852,809 patent/US20190195742A1/en not_active Abandoned
-
2018
- 2018-12-19 WO PCT/US2018/066479 patent/WO2019126309A1/en unknown
- 2018-12-19 EP EP18891029.3A patent/EP3729343B1/en active Active
- 2018-12-19 CN CN201880090027.0A patent/CN112219212A/zh active Pending
-
2020
- 2020-11-05 US US17/090,844 patent/US20210108991A1/en active Pending
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050219274A1 (en) * | 2003-12-30 | 2005-10-06 | Samsung Electronics Co., Ltd. | Apparatus and method of converting image signal for four-color display device, and display device including the same |
US20060242706A1 (en) * | 2005-03-11 | 2006-10-26 | Ross Robert B | Methods and systems for evaluating and generating anomaly detectors |
US20070156718A1 (en) * | 2005-12-30 | 2007-07-05 | Cassandra Hossfeld | Business intelligence data repository and data management system and method |
US20090262148A1 (en) * | 2008-04-16 | 2009-10-22 | Nec Lcd Technologies, Ltd. | Controller, hold-type display device, electronic apparatus, and signal adjusting method for hold-type display device |
CN102549567A (zh) * | 2009-07-29 | 2012-07-04 | 施耐德电气美国股份有限公司 | 用于电力监控系统的自然语言导航 |
US8306931B1 (en) * | 2009-08-06 | 2012-11-06 | Data Fusion & Neural Networks, LLC | Detecting, classifying, and tracking abnormal data in a data stream |
US20110119374A1 (en) * | 2009-10-20 | 2011-05-19 | Jan Matthias Ruhl | Method and System for Detecting Anomalies in Time Series Data |
US20120136909A1 (en) * | 2010-03-31 | 2012-05-31 | Chengwei Wang | Cloud anomaly detection using normalization, binning and entropy determination |
US20130080375A1 (en) * | 2011-09-23 | 2013-03-28 | Krishnamurthy Viswanathan | Anomaly detection in data centers |
CN105164923A (zh) * | 2013-03-01 | 2015-12-16 | 古如罗技微系统公司 | 熵修正器及方法 |
CN103162984A (zh) * | 2013-03-25 | 2013-06-19 | 重庆交通大学 | 基于熵理论的在役桥梁安全预警方法 |
CN103441982A (zh) * | 2013-06-24 | 2013-12-11 | 杭州师范大学 | 一种基于相对熵的入侵报警分析方法 |
US20150205690A1 (en) * | 2014-01-23 | 2015-07-23 | Concurix Corporation | Computer performance prediction using search technologies |
CN104376078A (zh) * | 2014-11-14 | 2015-02-25 | 南京大学 | 一种基于知识熵的异常数据检测方法 |
US20160328432A1 (en) * | 2015-05-06 | 2016-11-10 | Squigglee LLC | System and method for management of time series data sets |
CN105847283A (zh) * | 2016-05-13 | 2016-08-10 | 深圳市傲天科技股份有限公司 | 一种基于信息熵方差分析的异常流量检测方法 |
CN106357434A (zh) * | 2016-08-30 | 2017-01-25 | 国家电网公司 | 一种基于熵分析的智能电网通信网络流量异常检测方法 |
CN107122767A (zh) * | 2017-05-27 | 2017-09-01 | 辽宁大学 | 一种基于信息熵的人体活动端点检测方法 |
Also Published As
Publication number | Publication date |
---|---|
US20190195742A1 (en) | 2019-06-27 |
EP3729343A1 (en) | 2020-10-28 |
EP3729343A4 (en) | 2022-01-26 |
US20210108991A1 (en) | 2021-04-15 |
EP3729343B1 (en) | 2024-05-29 |
WO2019126309A1 (en) | 2019-06-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210108991A1 (en) | Automated detection of anomalous industrial process operation | |
US10678225B2 (en) | Data analytic services for distributed industrial performance monitoring | |
US10649449B2 (en) | Distributed industrial performance monitoring and analytics | |
US10649424B2 (en) | Distributed industrial performance monitoring and analytics | |
US10866952B2 (en) | Source-independent queries in distributed industrial system | |
US11334624B2 (en) | Curating operational historian data for distribution via a communication network | |
US20200327029A1 (en) | Process mapping and monitoring using artificial intelligence | |
JP2017076385A (ja) | 分散型工業パフォーマンス監視及び分析プラットフォーム | |
US10540787B2 (en) | Automated trend chart graphical display generation in a historian system | |
US11703848B2 (en) | State edge module server system and method | |
US20110320388A1 (en) | System, Method and Computer Program for Pattern Based Intelligent Control, Monitoring and Automation | |
CN111989702A (zh) | 质量检查管理系统 | |
US20210149384A1 (en) | Monitoring components of manufacturing application systems with respect to application-specific metrics | |
US20140379626A1 (en) | Information platform for industrial automation stream-based data processing | |
CN114443437A (zh) | 告警根因输出方法、装置、设备、介质和程序产品 | |
US20230244214A1 (en) | Server and system for automatic selection of tags for modeling and anomaly detection | |
US20220253412A1 (en) | Dynamic summarization of process data system and method | |
Lee et al. | Data aggregation at field device level for industrial ambient monitoring using web services | |
US20190312840A1 (en) | Automatic tunneler in a communication network of an industrial process facility | |
EP3835977A1 (en) | Method for generating triples from log entries | |
CN114257528A (zh) | 一种物联网设备选用方法、装置、电子设备及存储介质 | |
US20160171364A1 (en) | Optimistic data retrieval in a process control environment |
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 |