CN112740133A - 监测技术设备的技术状态的系统和方法 - Google Patents
监测技术设备的技术状态的系统和方法 Download PDFInfo
- Publication number
- CN112740133A CN112740133A CN201980062659.0A CN201980062659A CN112740133A CN 112740133 A CN112740133 A CN 112740133A CN 201980062659 A CN201980062659 A CN 201980062659A CN 112740133 A CN112740133 A CN 112740133A
- Authority
- CN
- China
- Prior art keywords
- anomaly
- technical
- univariate
- alarm
- signal
- 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
- 238000000034 method Methods 0.000 title claims abstract description 84
- 238000012544 monitoring process Methods 0.000 title description 11
- 238000009434 installation Methods 0.000 title description 3
- 230000002159 abnormal effect Effects 0.000 claims abstract description 30
- 238000004590 computer program Methods 0.000 claims abstract description 18
- 230000006870 function Effects 0.000 claims description 59
- 238000005070 sampling Methods 0.000 claims description 45
- 230000008569 process Effects 0.000 claims description 38
- 230000015654 memory Effects 0.000 claims description 37
- 238000005516 engineering process Methods 0.000 claims description 17
- 230000001186 cumulative effect Effects 0.000 claims description 11
- 238000005315 distribution function Methods 0.000 claims description 11
- 238000001514 detection method Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000009499 grossing Methods 0.000 claims description 5
- 230000004931 aggregating effect Effects 0.000 claims description 2
- 230000000875 corresponding effect Effects 0.000 description 33
- 238000004364 calculation method Methods 0.000 description 19
- 238000004891 communication Methods 0.000 description 18
- 238000003860 storage Methods 0.000 description 13
- 206010000117 Abnormal behaviour Diseases 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 7
- 230000006399 behavior Effects 0.000 description 7
- 238000012800 visualization Methods 0.000 description 7
- 230000009471 action Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 238000001994 activation Methods 0.000 description 4
- 239000000654 additive Substances 0.000 description 4
- 238000013459 approach Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 239000007788 liquid Substances 0.000 description 4
- 101150017422 HTR1 gene Proteins 0.000 description 3
- 230000000996 additive effect Effects 0.000 description 3
- 238000001816 cooling Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 102100032599 Adhesion G protein-coupled receptor B3 Human genes 0.000 description 2
- 238000006424 Flood reaction Methods 0.000 description 2
- 101000796801 Homo sapiens Adhesion G protein-coupled receptor B3 Proteins 0.000 description 2
- 101100024116 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) MPT5 gene Proteins 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 2
- 230000002547 anomalous effect Effects 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 238000004886 process control Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- HWFKCAFKXZFOQT-UHFFFAOYSA-N 1-(3,6-dibromocarbazol-9-yl)-3-piperazin-1-ylpropan-2-ol;dihydrochloride Chemical compound Cl.Cl.C12=CC=C(Br)C=C2C2=CC(Br)=CC=C2N1CC(O)CN1CCNCC1 HWFKCAFKXZFOQT-UHFFFAOYSA-N 0.000 description 1
- 102100036321 5-hydroxytryptamine receptor 2A Human genes 0.000 description 1
- 101150091111 ACAN gene Proteins 0.000 description 1
- 206010000372 Accident at work Diseases 0.000 description 1
- 102100032605 Adhesion G protein-coupled receptor B1 Human genes 0.000 description 1
- 102100032601 Adhesion G protein-coupled receptor B2 Human genes 0.000 description 1
- 241000282412 Homo Species 0.000 description 1
- 101000783617 Homo sapiens 5-hydroxytryptamine receptor 2A Proteins 0.000 description 1
- 101000796780 Homo sapiens Adhesion G protein-coupled receptor B1 Proteins 0.000 description 1
- 101000796784 Homo sapiens Adhesion G protein-coupled receptor B2 Proteins 0.000 description 1
- 241001125831 Istiophoridae Species 0.000 description 1
- 239000002253 acid Substances 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000003889 chemical engineering Methods 0.000 description 1
- 230000003930 cognitive ability Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000004801 process automation Methods 0.000 description 1
- 238000000746 purification Methods 0.000 description 1
- 239000011541 reaction mixture Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 239000010409 thin film Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0208—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the configuration of the monitoring system
- 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
- 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
- G06F17/15—Correlation function computation including computation of convolution operations
-
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Abstract
提供了系统(100)、方法以及计算机程序产品用于确定技术系统(200)的异常技术状态。计算机系统(100)从技术系统(200)接收多个信号,其中每个信号(S1至Sn)反映至少一个系统组件的技术状态。该系统从警报管理系统(300)进一步检索与相应的所接收的信号(S1至Sn)相关联的高警报阈值(H1至Hn)和低警报阈值(L1至Ln)。相关联的高警报阈值与相关联的低警报阈值之间的范围内的信号值反映相应的系统组件的正常操作。针对每个信号(S1),计算距其相关联的警报阈值(H1/L1)的单变量距离,以针对相应的系统组件对异常程度进行量化。基于单变量距离来计算聚集异常指标(AAI),其反映整个技术系统(200)的技术状态。向操作者(10)提供聚集异常指标(AAI)与预确定的异常阈值(AAT)的比较。
Description
技术领域
本发明一般涉及技术设备的监测,并且更特别地涉及警报工具以在控制设备中支持技术设备的操作者以避免故障。
背景技术
许多技术系统(诸如,例如自动化系统中的技术设备)能够生成警报,以向操作者指示需要与技术设备交互,以便响应于所生成的警报而采取对应的行动。如本文中所使用并且如技术标准IEC 62682章节3.1.7中所定义的警报是向设备的操作者指示要求及时响应的设备故障、过程偏差或异常状况的可听和/或可视手段(还参见国际自动化协会ISA-18.2)。特定警报的实例被称为警报激活。
在真实世界情形中,往往生成取决于单个根本原因的一系列的警报激活,其中实际上单个警报将足以指示技术系统中的问题。这样的一系列的警报激活通常被称为警报洪流(flood)。警报洪流情形通过反复地发生的多个警报激活的组合被特征化。换而言之,在多个警报洪流中,典型地出现警报的相同或类似组合。一般而言,永远高的警报率指示不好的警报质量。当下面情形发生时实现优良警报质量:
- 每个警报警告、通知以及指导,
- 以操作者能够应对的比率呈现警报,以及
- 尽可能早地对可检测的问题进行警报。
存在用于监测大且复杂的工业系统以检测异常情形并且生成对(一个或多个)操作者的相应的警报通知的不同途径。例如,用于诸如PCA和PLS之类的(多变量)过程监测的统计数据驱动的方法(参见加拿大化学工程学报,69(1),35–47,中的由Kresta、Macgregor和Marlin在1991年作出的“过程操作性能的多变量统计监测(Multivariate statisticalmonitoring of process operating performance)”)使用应用于实际测量值或技术状态数据的统计分析。备选地,智能可视化途径,诸如,与针对每对变量计算的凸包(convexhull)组合的平行坐标变换(参见多变量操作;美国专利申请US20080234840A1;Brooks等人),允许在平行坐标中将过程变量的范围显示为对应的平行轴之间的一对线性曲线。然而,这样的统计或数学分析仅仅依赖于过程变量的历史值,并且未考虑所监测的过程的任何过程认知,并且因此遭受所检测的警报中的大量的假阳性,因为实际上什么是异常情形并未变得清楚。
技术状态参数的某一偏差可以由统计监测标识,以便触发警报通知,尽管该偏差仍然可以被视为处于相应的设备的正常操作内。
结果,对于操作者困难的是,仅仅基于这样的统计分析从所述警报通知检索关于所监测的技术设备的总体技术状态的可靠的异常信息。
发明内容
因此,需要在如下的方面为操作者改进警报检测:操作者能够迅速地确定所监测的设备的总体技术状态,以便减少假阳性的数量,并且若被要求则使操作者能够采取适当的校正动作。
根据独立权利要求的方法、计算机程序产品以及计算机系统公开了上述问题的技术解决方案的实施例。
在一个实施例中,提供用于确定技术系统的异常技术状态的计算机实现的方法。在另一个实施例中,计算机系统配置成通过执行对应的计算机程序来执行所述方法,所述计算机程序包括程序指令,所述程序指令使得计算机系统在将计算机程序加载到计算机系统的存储器中并且利用一个或多个处理器来处理指令时,执行对应的方法步骤。
计算机系统从技术系统接收多个信号。每个信号随时间被采样(使用相同采样频率),或在预处理步骤中被重新采样,以便确保在计算的每个实例处多个信号的所测量或估计的值的可用性),并且反映技术系统的至少一个系统组件的技术状态。即,每个信号涉及一个系统组件,但特定系统组件能够由操作者经由多个信号监测。典型地,技术系统由一个或多个人类操作者监测。所有信号的整体反映整个技术系统的总体技术状态。然而,人类操作者不能在传感器级处从单个信号导出关于技术系统的总体技术状态的信息,因为不存在人类理解从传感器实时地接收的多个信号的可能性。
计算机系统通过从所接收的传感器信号导出反映整个系统的技术状态的单个聚集异常指标而在该监测任务中帮助操作者。
警报管理系统与技术系统相关联。警报管理系统存储关于与信号相关联的警报的信息。警报管理系统是用于对在监督控制及数据采集(SCADA)中使用的警告和事件通知进行优先排序、分组以及分类以改进对操作者的技术状态信息的提供的系统。最常见的是,主要问题在于:存在在工厂混乱中通告的太多警报,这通常被称为如上文中所解释的警报洪流。然而,还可能存在关于警报系统的其它问题,诸如拙劣设计的警报、不适当设定的警报点、失效的通告、不清楚的警报消息等等。拙劣的警报管理是未计划的停机时间和主要的工业事故的主要原因之一。警报管理系统存储与相应的所接收的信号相关联的高警报阈值和低警报阈值。处于相关联的高警报阈值与相关联的低警报阈值之间的范围内的特定信号的信号值反映相应的至少一个系统组件的正常操作。换而言之,对于特定信号的警报阈值基于正常操作和异常系统行为的历史认知。警报阈值反映临界值,在超过该临界值的情况下,相应的信号值不再被视为处于正常操作范围内。在信号值超过对应的警报阈值中的任何时,警报管理系统典型地发出每信号警报。由于许多技术状态参数是相关的,因而这典型地导致以不能被操作者解决的信息淹没(overwhelm)操作者的所谓的警报洪流。
警报管理系统能够是计算机系统的整体部分,或警报管理系统能够是如下的远程系统:与计算机系统通信地耦合,使得计算机系统能够访问可在警报管理系统中得到的数据。计算机系统经由适当的接口从警报管理系统检索与相应的所接收的信号相关联的高警报阈值和低警报阈值。警报阈值数值的检索可以例如作为针对计算机系统的某种初始化步骤而发生。即,在计算机系统开始进行任何计算之前,计算机系统可以从警报管理系统检索所有的可得到的警报阈值。检索可以在常规更新区间重复进行,以考虑警报管理系统中的改变。例如,更新检索可以仅针对实际上经由计算机系统监测的信号来检索警报阈值。
计算机系统具有配置成实行如下文中所描述的计算任务的数据处理器。首先,数据处理器在每一个采样时间点针对具有相关联的警报阈值的每个信号来计算距其相关联的警报阈值的单变量距离。一般而言,单变量距离是对于两个观察i和I的单个变量j的值之间的(简单)距离。在本申请中,单变量距离是相应的信号的值与其相关联的警报阈值之间的距离的最大值,以针对相应的至少一个系统组件对异常程度进行量化。在采样时间点t的对于特定信号的单变量距离d(t)能够由以下的数学公式表达:
其中x(t)是在时间t的信号的样本,x h 是与如警报管理系统中所定义的信号相关联的高警报阈值,x l 是与信号相关联的低警报阈值,并且a是变量的常规值(x l <a<x h )。
在一个实施例中,在特定采样时间点对于特定信号的单变量距离能够被计算为分段线性指数,使得:
换而言之,如果被采样信号值处于低警报阈值与高警报阈值之间,则距离值处于0与1之间(F2a);如果被采样信号值小于或等于低警报阈值或者大于或等于高警报阈值,则距离值是1(F2b);以及如果被采样信号值对应于反映正常操作的预定义的参数值,则距离值是0(F2c)。
在备选实施例中,单变量距离d(t)能够计算为平滑的指数,而取代上文的分段线性计算。
例如,d(t)能够使用指数平滑被计算为:
例如,a = 2涉及抛物线平滑,并且a = 3涉及双曲线平滑。
此外,真实信号是有噪声的,因为其“常规”值正以Gaussian分布在该值“a”周围波动。因此,单变量距离的计算能够通过引入定义信号的“常规范围”[al, a2]的区间而进一步改进,其中区间上限a 2 小于相应的高警报阈值x h ,并且区间下限a l 大于相应的低警报阈值x l 。这样的区间用作对于常规范围a l 和a 2 的死带(deadband)(x l < a l < a 2 <x h )。死带(有时被称为中性区或死区)是控制系统或信号处理系统中的传递函数的域中的输入值的带:其中输出是零(输出是‘死的’–不发生动作)。死带区域能够在控制系统(诸如,伺服放大器)中使用,以防止振荡或重复的激活-停用循环。
在这样的死带的情况下,对于特定信号的单变量距离d(t)能够计算为以下的指数:
换而言之,如果被采样信号值处于在特定采样时间点对于特定信号的死带区间内,则距离值是0(F4a);对于低于常规范围的区间下限的信号值,距离值是(F4b),以及对于高于常规范围的区间上限的信号值,距离值是(F4c)。
一旦由数据处理器来确定单变量距离,就执行另外的计算步骤。在每一个采样时间点,计算机系统现在基于在相应的采样时间点的单变量距离来计算反映整个技术系统的技术状态的聚集异常指标。
在一个实施例中,聚集异常指标基于相应的信号的单变量距离和信号的总数量来计算为Euclidian距离D(t):
在备选实施例中,聚集异常指标基于相应的信号的单变量距离和信号的总数量来计算为加权的Euclidian距离Dw(t),其中每个单变量距离贡献利用对应于如警报管理系统中所定义的与相应的信号相关联的警报的严重性的加权因子来加权:
其中d i (t)对应于信号i的单变量距离,并且N对应于所接收的信号的总数量。
聚集异常指标现在反映整个技术系统的技术状态,因为聚集异常指标包括关于所有所监测的系统组件的技术状态信息。换而言之,向操作者呈现聚集异常指标向操作者提供关于在所述技术系统中普遍存在的内部状态的视觉指示。为了使操作者能够迅速地识别异常系统行为并且采取校正动作,该系统提供聚集异常指标与预确定的异常阈值的比较。异常阈值被选择以给定的概率(或置信度,例如95%)确保低于异常阈值的聚集异常指标值反映技术系统的正常操作。给定的概率可以由用户定义为目标概率,或给定的概率可以是预定义的置信度值。例如,如本领域技术人员所已知的,异常阈值能够通过使用在技术系统的正常操作期间的聚集异常指标的累积分布函数来确定。在聚集异常指标超过异常阈值时,确定异常技术状态。
聚集异常指标AAI提供能够由操作者容易地处理的对于整个系统的简化的技术状态信息。例如,在AAI超过相应的图形可视化中的异常阈值的时刻,操作者被警告:技术系统表现出异常行为。换而言之,AAI是用于实行更透彻的系统分析的对于操作者的触发,以标识异常行为的根本原因。AAI曲线中的触发点典型地甚至在警报被警报管理系统触发之前达到,因为警报触发典型地取决于能够容易地在更长的时间段内扩展的信号行为中的模式。AAI不需要任何模式识别,而是仅仅考虑对于所有信号的聚集指标。结果,不要求非高性能硬件和复杂模型以用于模式识别,因为要求保护的途径是纯数据驱动的途径,其能够容易地用于工厂中的技术系统,而不需要适配硬件或OPC警报和事件(A&E)服务器。
为了应用用于确定技术系统的异常技术状态的方法,在技术系统在稳定状态下运行时是有利的。因此,在对于AAI计算的计算步骤之前,稳定状态检测算法能够用于确定技术系统是否在稳定状态过程中操作。如果过程不处于稳定状态,则AAI计算能够被抑制。该可选开关功能保存计算资源达其中不可能进行有意义的AAI计算的时段。稳定状态检测算法在本领域中是众所周知的,并且在许多论文中公开,诸如,例如过程控制杂志,5(6),363–374,中的由Cao、S.和Rhinehart、R. R. 在1995年作出的“用于稳定状态的在线标识的高效方法(An efficient method for on-line identification of steady state)”。
如先前所提到的,AAI能够解译为对于操作者的触发功能,以针对技术系统实行根本原因分析。所公开的方法也能够在该任务中支持操作者。在一个实施例中,计算机系统还向操作者提供在相应的采样时间点的单变量距离的子集,其中子集涉及具有对聚集异常指标的增大的最高贡献的这样的单变量距离。该子集的大小可以可由操作者配置。例如,操作者可以定义5或10以配置计算机系统,以示出对于AAI的向下钻取(drill down)选项、前5个或前10个单变量距离。结果,操作者立即能够看到哪个信号——以及因此哪个系统组件——主要负责超过异常阈值的AII增加。
在另外的备选实施例中,进一步改进对于根本原因分析的支持。技术系统的组件层级可以定义技术系统的多个功能块。功能块能够由组件层级中的技术系统的子节点表示。每个功能块能够再次包括多个子节点,其包括另外的功能块和/或系统组件。即,层级能够描述功能块(嵌套的功能块)的多个等级。计算机系统现在能够在每一个采样时间点针对相应的功能块来计算聚集块异常指标(BAI)。针对特定功能块的计算由此基于与特定功能块(在相应的采样时间点)相关联的单变量距离的子集。所计算的(一个或多个)块异常指标(BAI)反映技术系统的功能块的技术状态。计算机系统现在还能够向操作者提供块异常指标(BAI)与预确定的块异常阈值的比较。此外块异常阈值被选择以给定的概率确保低于块异常阈值的聚集块异常指标值反映特定功能块的正常操作。通过除了AAI和单变量距离之外,还使用这样的BAI,操作者接收在组件层级中定义的对于每个功能块的简化技术状态参数。即,操作者能够在AAI超过异常阈值时迅速地向下钻取到技术系统的相应的功能块(例如,锅炉、泵、涡轮机或过程区),并且标识对异常贡献最大的功能块。与单变量距离类似,计算机系统能够给对异常行为贡献最大的功能块提供排序列表(ranking list)。当然,对于每个BAI,对相应的单变量距离进一步向下钻取是可能的。通过该选项,操作者能够迅速地标识引起整个系统的故障的功能块的系统组件。
在一个实施例中,特定技术状态参数可以由提供指定特定技术状态中的冗余信息的多个传感器信号来表示。在这样的场景下,对于所述技术状态参数的单变量距离的计算能够以稳健针对(robust against)提供冗余信息的传感器的失效的方式来实行。换而言之,稳健抵抗失效意味着,单个传感器的失效未对由对应的单变量距离反映的技术状态参数的可靠性造成显著影响。这通过使与多个传感器信号相关联的单变量距离聚集以针对特定技术状态参数而提供稳健的单变量距离来实现。即使信号之一消失(例如,因为传感器的电池或数据通信链路失效),稳健的单变量距离也仍然提供关于相应的系统组件的正常/异常行为的有意义的信息。
在一个实施例中,提供用于确定技术系统的异常技术状态的计算机程序产品。程序包括指令,所述指令在被加载到计算机系统的存储器中并且正由计算机系统的至少一个处理器执行时,使得计算机系统实行如本文中所公开的方法步骤。
用于执行所述计算机程序的计算机系统能够通过配置成在系统运行时间执行所述方法步骤的功能模块来描述。计算机系统具有从技术系统接收多个信号的接口,其中每个信号随时间被采样,并且反映至少一个系统组件的技术状态。此外,经由接口,计算机系统从与技术系统相关联的警报管理系统检索与相应的所接收的信号相关联的高警报阈值和低警报阈值。处于相关联的高警报阈值与相关联的低警报阈值之间的范围内的特定信号的信号值反映相应的至少一个系统组件的正常操作。
此外,计算机系统具有数据处理器,以在每一个采样时间点针对具有相关联的警报阈值的每个信号将距其相关联的警报阈值的单变量距离计算为相应的信号的值与其相关联的警报阈值之间的简单距离的最大值,以针对相应的至少一个系统组件对异常程度进行量化;以及在每一个采样时间点基于在相应的采样时间点的单变量距离来计算反映整个技术系统的技术状态的聚集异常指标。如本文中所使用的,术语“在每一个采样时间点”指用于所述计算步骤的每个采样时间点。即,在具有高采样频率的情况下,仅针对每隔一个、每隔两个等等的采样时间点来实行计算步骤可能是足够的。技术人员将理解,没必要在任何情景下使用每个物理采样时间点。
计算机系统的用户接口向操作者提供聚集异常指标与预确定的异常阈值的比较。异常阈值以给定的概率(置信度)确保聚集异常指标值在低于异常阈值时反映技术系统的正常操作。换而言之,在聚集异常指标超过异常阈值时,技术系统转变成异常技术状态。
在一个实施例中,计算机系统还包括利用稳定状态检测算法(SDA)的计算开关,所述计算开关配置成确定技术系统是否在稳定状态过程中操作,并且在过程不处于稳定状态时,抑制随后的计算步骤。
在一个实施例中,计算机系统具有技术系统的组件层级。层级将多个功能块定义为技术系统的子节点,其中每个功能块包括多个子节点,所述多个子节点包括另外的功能块和/或系统组件。计算机系统的处理器能够在每一个采样时间点(即,用于计算的采样时间点)基于与特定功能块相关联的单变量距离的子集,在相应的采样时间点,计算对于特定功能块的聚集块异常指标BAI,其中块异常指标反映功能块的技术状态。用户接口能够向操作者提供BAI与预确定的块异常阈值的比较。块异常阈值以给定的概率确保低于块异常阈值的聚集块异常指标值反映特定功能块的正常操作。
在一个实施例中,用户接口还向操作者提供在相应的采样时间点的单变量距离的子集,其中该子集涉及具有对聚集异常指标或相应的块异常指标的增大的最高贡献的这样的距离。子集具有可配置(例如,可由操作者配置)或预定义的大小。
本发明的另外的方面将借助于在所附权利要求书中特别地描绘的元件和组合来实现并获得。将理解,前文的一般描述和下文的详细描述两者仅仅是示例性且解释性的,并且不会如所描述的那样限制本发明。
附图说明
图1包括根据实施例用于确定技术系统的异常技术状态的计算机系统的框图;
图2是根据实施例用于确定技术系统的异常技术状态的计算机实现的方法的简化流程图;
图3A图示对于反映技术系统的技术状态系统组件的示例信号的单变量距离;
图3B示出根据实施例按照计算对于技术系统的聚集异常指标;
图3C图示根据实施例能够用于确定异常阈值的累积分布函数的类型;
图3D示出根据实施例对于具有对聚集异常指标的高贡献的信号的子集的单变量距离;
图4图示包括功能块的技术系统的组件层级的示例;
图5A至图5C图示真实世界示例场景,针对该示例场景确定聚集异常指标;
图6是示出可以与本文中所描述的技术一起使用的通用计算机装置和通用移动计算机装置的示例的图。
具体实施方式
图1是根据实施例用于确定技术系统200的异常技术状态的计算机系统100的示例实施例的框图。计算机系统100和技术系统200通信地耦合,并且计算机系统100配置成监测技术系统200的技术状态。例如,技术系统200能够是加工厂、发电厂或执行工业过程的任何其它设备。典型地,工厂(例如,化工厂、炼油厂、造纸厂以及纸浆厂等等)中的工业过程由使用网络来使传感器、控制器、操作者终端机以及致动器互连的自动化系统来控制。这样的自动化系统往往使用被称为监督控制及数据采集(SCADA)的控制系统架构。计算机系统100具有从技术系统200接收多个信号S1至Sn的接口110。每个信号随时间被采样,并且反映至少一个系统组件的技术状态。例如,温度信号可以通过指示马达的温度来反映马达组件的技术状态(太高的温度可以是对于过度加热的指标)。同时,另外的信号(诸如,振动传感器信号)也可以提供关于马达的技术状态信息,因为太高程度的振动可以指示关于马达的轴承的问题。本领域技术人员已知哪些类型的传感器在技术系统中适合于监测技术系统的相应的组件或功能块的技术状态。功能块能够包括一起实行某一功能(例如,气体净化)的多个系统组件。
图2是用于确定技术系统200的异常技术状态的计算机实现的方法1000的简化流程图。计算机系统100能够在将计算机程序加载到计算机系统100的存储器中时执行方法,其中计算机程序具有计算机可读指令,所述计算机可读指令在被加载并且正由计算机系统100的至少一个处理器执行时,使得计算机系统实行方法1000的步骤。
在下文中,在图2的流程图的上下文中公开图1的计算机系统100。出于此原因,下文的描述使用参考图1和图2的参考编号。计算机系统100的可选组件和可选方法步骤在相应的图中由虚线图示。
为了经由接口110从技术系统200接收1100传感器数据S1至Sn,计算机系统100能够使用对于过程自动化协议的任何适当的协议标准。例如,本领域技术人员可以从在可在以下得到的自动化协议的Wikipedia列表中列出的协议标准选择适当的协议:https://en.wikipedia.org/wiki/List_of_automation_protocols。
另外,计算机系统100和与技术系统200相关联的警报管理系统300通信地耦合。警报管理系统300也能够是计算机系统100的整体部分,或警报管理系统300可以通过相应的网络在可被计算机系统100访问的远程计算机上运行。警报管理系统300存储或确定与技术系统200的相应的信号S1至Sn相关联的高警报阈值H1至Hn和低警报阈值L1至Ln。由此处于相关联的高警报阈值与相关联的低警报阈值之间的范围内的特定信号的信号值反映通过所述特定信号而监测的相应的系统组件的正常操作。警报管理典型地在由操作者使用监督控制系统(诸如,DCS、SCADA或可编程逻辑控制器(PLC))来控制的过程制造环境中使用。这样的系统可以具有往往在仅有限地考虑系统中的其它警报的情况下设计的数以百计的个别警报。由于人类一次仅能够做一件事情,并且一次能够关注有限数量的事情,因此需要某一方式来确保:特别地当工厂混乱或处于反常状况时,能够被人类操作者透彻理解(assimilate)的速率呈现警报。有利地,警报应当能够例如使用指示重要程度或阶(rank)的优先级来使操作者的注意力集中到他或她需要应对的最重要的问题。然而,尽管警报管理系统包括对于相关联的技术系统的警报情形的所有认知(由低/高警报阈值来反映),但系统不提供反映整个工厂的总体技术状态的聚集指标。在此情境下,关于警报阈值的信息仍然是有价值的,因为该信息包括关于技术系统的整个警报历史的认知。在初始化步骤中,计算机系统100能够从警报管理系统300检索1050与技术系统200的相应的信号S1至Sn相关联的高警报阈值H1至Hn和低警报阈值L1至Ln,并且针对接下来的数据处理步骤而使用这样的数据,以基于所接收的信号数据和警报阈值来确定反映整个技术系统200的技术状态的指标。该指标将被称为技术系统200的聚集异常指标AAI。可选地,计算机系统能够实行更新检索步骤1200,以适应于在技术系统的操作期间在警报管理系统中的改变。这样的更新检索1200可以限于与实际上经由计算机系统100监测的信号相关联的警报阈值。
计算机系统100具有数据处理器120,其具有用于实行关于所接收的输入数据(信号S1至Sn和高/低警报阈值对(H1/L1至Hn/Ln)的数据处理任务的各种模块。在示例中,每个信号S1至Sn具有相关联的警报阈值对。在真实技术系统中,可能存在不具有相关联的警报阈值对的信号。这样的信号能够在实行接下来的计算时被数据处理器忽略。聚集异常指标利用如下那样的具有相关联的极限的警报来计算:例如,如由对于警报管理的应用的标准NAMUR NA 102定义的绝对警报、偏差警报、改变警报的速率。NA 102规范的日期为2018年02月10日的版本能够在以下中获得:https://www.namur.net/de/empfehlungen-u-arbeitsblaetter/aktuelle-nena.html。
针对具有相关联的警报阈值对(例如,H1/L1)的每个信号(例如,信号S1),数据处理器的单变量距离模块121在每一个采样时间点将单变量距离(例如,dS1(t))计算1300成与相应的信号相关联的警报阈值。单变量距离确定为相应的信号的值与其相关联的警报阈值之间的距离的最大值,以针对与相应的信号相关联的(一个或多个)系统组件对异常程度进行量化。由此,计算可以根据公式F1、F2a至F2c来使用。备选地,指数平滑可以根据公式F3、F4a至F4c来使用。计算的单变量距离然后被提供为输入向数据处理器的异常指标模块122。
模块122在每一个采样时间点基于在相应的采样时间点的单变量距离来计算1400反映整个技术系统200的技术状态的聚集异常指标AAI。例如,在特定采样时间点的聚集异常指标可以根据公式F5而计算为基于相应的信号的单变量距离和信号的总数量的Euclidian距离。
备选地,它可以根据公式F6而计算为基于相应的信号的单变量距离和信号的总数量的加权Euclidian距离。由此,每个单变量距离贡献利用与如警报管理系统中所定义的与相应的信号相关联的警报的严重性对应的加权因子来加权。换而言之,对于信号的相关联的组件可能对技术系统200的总体技术性能造成较低的影响的信号的警报可能对聚集异常指标贡献较少。
计算机系统200还具有用户接口(UI)组件130。UI 130能够实现为允许技术系统的操作者10与计算机系统200通信的任何种类的人机接口(HMI)。UI 130能够包括相应的输入/输出部件,包括但不限于包括向用户传达信息的显示器/声音输出部件和从用户接收输入数据的数据输入部件(例如,键盘、鼠标、触摸屏等等)的视听部件。UI 130向操作者10提供1500聚集异常指标AAI与预确定的异常阈值的比较。异常阈值以给定概率确保聚集异常指标值在低于异常阈值时反映技术系统200的正常操作。换而言之,在聚集异常指标值小于异常阈值时,则存在技术系统200处于正常操作的给定概率(例如,具有0.95的置信度)。通过使用对应的异常阈值,该概率可能甚至变得更高(例如,0.99)。有利地,异常阈值通过使用在技术系统200的正常操作期间的聚集异常指标AAI的累积分布函数来确定。方法1000的步骤1300、1400以及1500中的计算任务利用图3A至图3C的描述来更详细地讨论。
在可选实施例中,数据处理器120具有计算开关123。计算开关实现为能够确定1250技术系统200是否在稳定状态过程中操作的稳定状态检测算法SDA。如果技术系统不处于稳定状态(“否”),则计算机系统不实行步骤1300、1400、1500的计算任务中的任一个。否则(“是”),方法1000继续进行步骤1300。对于所述计算任务,有利的是,由技术系统运行的过程处于稳定状态。因此,计算开关121能够在瞬时阶段期间切断所有指数(单变量距离和聚集异常指标)的计算。例如,众所周知的稳定检测算法能够用于标识应当何时再次启动指数的计算(例如,Cao,S.,和Rhinehart,R. R.等人(1995)。用于稳定状态的在线标识的高效方法(An efficient method for on-line identification of steady state)。过程控制杂志,5(6),363–374)。
在另外的可选实施例中,计算机系统100能够访问技术系统200的组件层级。这样的组件层级可以由计算机系统本身存储,或这样的组件层级可以由技术系统或其相关联的自动化系统提供。组件层级将多个功能块定义为技术系统的子节点。每个功能块能够包括多个子节点,所述多个子节点可以是技术系统的另外的功能块和/或系统组件。换而言之,功能块用于将能够与技术系统的相同功能相关联的多个系统组件分组在一起。这样的功能块有时也被称为过程块(例如,锅炉、泵、涡轮机或过程区)。在图4的上下文中讨论组件层级的细节。
在该可选实施例中,数据处理器120进一步配置成在每一个采样时间点,计算1450(一个或多个)聚集块异常指标BAI。(一个或多个)块异常指标BAI反映(一个或多个)相应的功能块的技术状态。基于与特定功能块相关联的单变量距离的子集(在相应的采样时间点),对应的聚集块异常指标BAI针对特定功能块来计算。该计算以与AAI的计算类似的方式实行,但仅针对与特定功能块相关联的单变量距离的子集。此外,用户接口130向操作者提供1550特定块异常指标BAI与预确定的块异常阈值的比较。与针对AAI比较类似,块异常阈值以给定概率确保聚集块异常指标值在低于块异常阈值时反映特定功能块的正常操作。在该实施例中,操作者能够从技术系统的功能块的原始AAI向下钻取到BAI。这允许操作者在技术系统的功能块的等级处实行根本原因分析并且迅速地标识如AAI所标识的那样作为整体对技术系统的异常情形贡献最大的(一个或多个)功能块。
在另外的可选实施例中,对系统组件的等级的向下钻取功能被启用。在该实施例中,UI 130进一步向操作者提供1600在相应的采样时间点的单变量距离的子集TOPm。由此,子集TOPm涉及具有对聚集异常指标的增大的最高贡献的这样的距离,其中子集TOPm的大小m是预定义的。由于每个单变量距离直接地与信号相关联,所述信号又与系统组件相关联,所以对组件等级的向下钻取被启用。例如,操作者可以设定大小m,使得他接收以他的认知能力仍然能够处置的一定量的技术状态信息。不同的操作者可以选择不同的大小。计算机系统可以设定能够被选择为由计算机系统的所有用户使用的平均大小的默认值。基于通过AAI(以及关于BAI和/或系统组件的可选向下钻取信息)向操作者10传达的技术状态信息,操作者能够响应于(一个或多个)所确定的异常指标而发起校正动作20。结果,计算机系统帮助操作者实行监测技术系统的技术任务,并且在被要求时与技术系统交互。
在另外的可选实施例中,如先前所阐述的,特定技术状态参数(诸如,化学反应器的状态)可以由多个传感器信号(诸如例如由多个温度传感器所测量的温度)来表示。传感器提供在指定反应器的特定技术状态中的冗余信息。虽然如此,温度信号中的每个指示反应器的正常或异常操作。数据处理器可以使与多个传感器信号相关联的单变量距离聚集,以针对特定技术状态参数来提供稳健的单变量距离。在反应器示例中,与相应的温度传感器的温度信号对应的单变量距离能够被聚集。如果传感器之一失效,则仍然存在使反应器的技术状态特征化的可得到的有意义距离值。例如,“三分之二”投票能够用于在一个传感器失效的情况下得到实际反应器温度。在其它情况下,可以使用传感器冗余度,例如,其中第一传感器由控制系统使用,并且第二传感器由安全系统使用。
图3A图示对于反映技术系统的技术状态系统组件的真实世界示例信号的单变量距离d1至d34。信号中的一些示出在某些时间点由相应的单变量距离(例如,d3、d4、d13、d15、d20、d21等等)提高到单变量距离范围的上界(异常)极限反映的异常行为。一些信号(例如,d5至d10)示出根本未提高单变量距离。一些信号(例如,d18、d19)示出在未达到上限的情况下再次归一化的单变量距离的中间提高。
图3B示出具有向技术系统的操作者提供的对于技术系统的聚集异常指标AAI的视图360。视图360还包括异常阈值AAI的可视化,AAI与所述异常阈值AAI相比较。AAI根据公式F5至F6在图3A的单变量距离的基础上进行计算。异常阈值AAT是预确定的,使得聚集异常指标值在低于异常阈值AAT时以给定概率p(例如,p=0.95)来反映技术系统的正常操作。有利地,异常阈值AAT通过使用在技术系统的正常操作期间的聚集异常指标AAI的累积分布函数来确定。在概率论和统计学中,在x处评价的真实值随机变量X1的累积分布函数(CDF)是X1将取小于或等于x的值的概率。在连续分布的情况下,它赋予从负无穷至x的概率密度函数下的区域。
图3C图示能够用于确定异常阈值的累积分布函数的CDF类型。累积分布函数在许多公布中(诸如,例如在由Annette J. Dobson、Chapman以及Hall等人在1983年作出的“对统计建模的介绍(Introduction to Statistical Modelling)”中)被详细地解释。CDF类型371示出离散概率分布的累积分布函数。CDF类型372示出连续概率分布的累积分布函数。CDF类型373示出具有连续部分和离散部分两者的分布的累积分布函数。本领域技术人员能够选择用于确定异常阈值的适当的CDF类型。在许多情况下,CDF类型372是适当的。
图3D示出对于具有对聚集异常指标的高贡献的信号的子集的单变量距离d20、d21、d25、d32、d33。在示例中,子集TOPm包括图3A的单变量距离当中的前5个距离。子集TOPm包括对图3B中的聚集异常指标AAI的增大作出最高贡献的预定义数量m的单变量距离(在示例中:m=5)。该子集允许操作者立即向下钻取到对在超过图3B中的异常阈值AAT时由AAI指示的异常系统行为作出贡献的最相关的信号。因此,操作者能够通过专注于状态参数而立刻专注于异常系统行为的潜在根本原因,所述状态参数对于异常行为呈现潜在的高相关性。
图4图示包括功能块210、220、230的技术系统200的组件层级400的示例。如在上文中详细地描述的,技术系统200的技术状态由相关联的AAI反映。技术系统200典型地包括通过相应的传感器信号来监测的大量的系统组件。层级400仅示出具有被认为是表示真实世界技术过程系统的数百个或甚至数千个组件的系统组件211、212、221、231、232、233的技术系统200上的简化视图。每个系统组件与反映组件的技术状态的相应的单变量距离d211、d212、d221、d231、d232、d233相关联。典型地,技术系统200的某些功能由一起动作以实行相应的功能的组件的子集来实行。在示例层级400中,组件212、213分组成功能块210,对于所述功能块210,聚集块异常指标BAI1基于单变量距离d211、d212的子集来计算。例如,功能块210可以是用于反应器的添加剂供应(additive supply),所述添加剂供应包括经由液位计监测的罐211,针对所述罐211确定单变量距离d211,并且还包括经由流量计监测的泵212,针对所述泵212确定单变量距离d212。于是,块210的总体技术状态由BAI1反映。功能块还可以包括如在包括层级400中的下面一个等级的功能块230的功能块220的示例中示出的功能子块。例如,功能块220可以反映包括表示反应器本身的功能块230和表示反应器功能的外围组件(例如,输出阀)的组件221的技术系统200的反应器功能。例如,化学反应器可以包括诸如阀、罐、加热器、泵、冷却器、传感器、安全装置(诸如,紧急切断开关等)的组件。阀221的技术状态可以由相应的流量计监测,针对所述阀221确定单变量距离d232。反应器230的技术状态可以通过反应器中的填充液位、温度以及压力来被特征化。对应的液位计231、温度计232以及压力计233是分组成反应器功能块230的系统组件。相关联的单变量距离d231、d232以及d233聚集成反映反应器的总体技术状态的相应的聚集块异常指标BAI3。然后,BAI3与d232一起聚集成反映包括外围组件的总体反应器功能220的技术状态的聚集块异常指标BAI2。
使用与技术系统200的组件层级400的功能块相关联的聚集块异常指标允许操作者迅速地向下钻取到技术系统的更大颗粒的视图,并且标识引起技术系统的异常行为的潜在功能。类似于图3D中的单变量距离的TOPm视图,针对操作者的用户接口也可以呈现聚集功能块指标的这样的最高排序(ranking)列表,从而允许操作者迅速地标识由于由相关联的BAI反映的异常行为贡献而将详细分析的功能。
图5A至图5C图示真实世界示例场景(包括两个反应器罐),针对该场景确定聚集异常指标。过程警报是向操作者指示所要求的动作的已知的方法。例如,在罐液位达到某一极限时,发出指示罐达到高液位的高警报。受影响的设备((一个或多个)系统组件)典型地正发送警报和以警报列表向操作者示出的消息文本。然后,操作者能够相应地动作,并且例如打开阀并启动泵,以降低罐内侧的液位。在出现警报时,该警报通常在包括如表1中所示出的相应的组件信号的技术名称的警报列表中被可视化。
表1:传统的警报列表示例
天/时间 | 信号 | 装置类型 |
05 15:25:28 | 70_V11 | 排气阀 |
05 15:25:28 | 70_M1 | 风扇 |
05 15:25:28 | 70_M1 | 风扇 |
05 15:25:28 | 70_M2 | 风扇 |
05 15:25:28 | 70_P1 | 泵 |
05 15:25:28 | 70_P1 | 泵 |
05 15:25:28 | 70_V12 | 阀 |
05 15:25:28 | 70_V13 | 阀 |
另外,在一些情况下,警报还直接地在装置处在人机接口中可视化。现在,操作者能够对那些警报作出反应。然而,对这种类型的警报信息实行任何根本原因分析是非常困难的,因为警报之后往往跟随有若干随之发生的警报。在表1中的示例中,多个系统组件控制两个反应器发出的警报。操作者被大量的过程警报(警报洪流)压垮,并且不能决定对哪个警报作出反应。因此,操作者需要指示当前过程状态并且允许随时间跟踪过程状态的技术状态信息的紧凑可视化。
图5A示出具有两个连接的反应器罐R1、R2的技术过程系统500的(简化)部分。泵P能够将液体供应到罐。罐的流入由阀VA和VB控制。可能存在直接地在相应的装置上实现的相关联的警报可视化AP、AVA以及AVB。每个反应器罐具有控制相应的罐R1、R2的填充液位的液位计L1、L2。罐的流出由阀VC和VD与泵PC和PD组合来控制。再者,相关联的警报可视化AVC、AVD、APC以及APD可以可在相应的系统组件得到。对于罐R1、R2,液位计值可以随时间被可视化为作为正常操作范围的边界的具有低液位指标LL(例如,罐液位的5%)和高液位指标UL(例如,罐液位的95%)的随时间变化的图表。例如,LL边界可以对应于系统500的警报管理系统中的低警报阈值,并且UL可以对应于高警报阈值。在实际(真实世界)操作者屏幕上,典型地仅显示所监测的技术参数的当前值。为了得到过程变量的时间趋势,操作者通常打开监测应用的另一页面。因此,图5A至图5C中的液位计L1、L2的时间趋势的可视化图示可视化的概念。在真实系统中,示出时间趋势的数据典型地在操作者与HMI之间的多步骤交互中检索。
由于该图是简化的,因而在现实中,反应器R1、R2可以连接到具有另外的流入阀的另外的导管(例如,用于将添加剂添加到存储于罐中的液体)。用于使罐的技术状态特征化的像温度传感器或压力传感器那样的另外的系统组件未在该图中示出。然而,本领域技术人员将理解,真实世界过程系统包括更多的系统组件。然而,对于解释本发明的概念,图5A的简化示例是足够的。
对于两个反应器,实际填充液位随时间而提高并且移动到由靠近上限UL的UL与LL之间的水平平均线所指示的平均液位上方。现在,计算机系统能够针对液位计信号L1、L2确定单变量距离,并且针对总体过程系统500计算AAI。结果能够经由人机接口HMI向操作者可视化。操作者立即看到,在时间t1,AAI超过指示异常系统行为的AAT阈值。
图5B图示的是,对于两个反应器R1和R2,在比t1更迟的时间点t1’、t1’’,超过对于相应的液位计信号的传统警报阈值。换而言之,在信号超过高/低警报阈值时发出警报的传统的警报管理指示最早在时间点t1之后发生的时间点t1’处在系统中的异常情形。即,在比信号水平处的个别警报更早的时间点,聚集警报指标AAI向操作者发出警告。在此情况下,操作者被“足够早地”(即,在由控制系统生成警报洪流之前)通知过程正朝向异常情形演进。操作者能够对过程采取预先动作,以避免过程达到异常情形。这在如下的情况下能够是有利的:要求立即关闭一些设备,以避免对某些系统组件的损坏。将注意到,图5B、图5C未示出对于液位计参数的单变量距离,而是示出与高警报阈值HTR1、HTR2比较的信号值SR1、SR2。然后,相应的单变量距离基于这些值来计算。过程变量SR1、SR2能够超过其警报阈值HTR1、HTR2(即,达到高于上限的液位)。对应的单变量距离d(t)以1)为界限。聚集异常指标以为界限,其中N是过程变量的数量。该值能够被归一化(即,除以),以具有D(t)的1的界限。
图5C图示如下的情形:其中图3A中的AAI的向下钻取为操作者促进根本原因分析。在该示例中,仅反应器R1的液位计L1示出异常行为,而R2的L2完全留在正常范围内。操作者能够专注于与过程异常指标高于其可容许的极限的偏差最相关的过程变量的子集并且对其作出反应。
图6是示出可以与在此描述的技术一起使用的通用计算机装置900和通用移动计算机装置950的示例的图。在一些实施例中,计算装置900可以涉及系统100(参见图1)。计算装置950旨在表示各种形式的移动装置,诸如,个人数字助理、蜂窝电话、智能电话以及其它类似计算装置。在本公开的上下文中,计算装置950可以允许人类用户与装置900交互。在其它实施例中,整个系统100可以在移动装置950上实现。在此示出的组件、其连接和关系及其功能旨在仅仅是示范性的,并且不旨在限制在本文献中描述和/或要求保护的发明的实现方式。
计算装置900包括处理器902、存储器904、存储装置906、连接到存储器904和高速扩展端口910的高速接口908以及连接到低速总线914和存储装置906的低速接口912。组件902、904、906、908、910以及912中的每个使用各种总线来互连,并且可以在适当情况下安装于公共母板上或以其它方式安装。处理器902能够处理用于在计算装置900内执行的指令,包括存储于存储器904中或存储于存储装置906上的指令,以针对外部输入/输出装置(诸如,耦合到高速接口908的显示器916)上的GUI来显示图形信息。在其它实现方式中,可以在适当情况下使用多个处理器和/或多个总线连同多个存储器和多种类型的存储器。此外,多个计算装置900可以与提供必要的操作的部分(例如,作为服务器组、刀片服务器的群组或多处理器系统)的每个装置连接。
存储器904将信息存储于计算装置900内。在一个实现方式中,存储器904是(一个或多个)易失性存储器单元。在另一个实现方式中,存储器904是(一个或多个)非易失性存储器单元。存储器904也可以是另一种形式的计算机可读介质,诸如,磁盘或光盘。
存储装置906能够提供对于计算装置900的大量存储。在一个实现方式中,存储装置906可以是或包含计算机可读介质,诸如,软盘装置、硬盘装置、光盘装置或磁带装置、闪速存储器或其它类似的固态存储器装置或装置阵列,包括存储区网络或其它配置中的装置。计算机程序产品能够在信息载体中有形地体现。计算机程序产品还可以包含在被执行时实行一个或多个方法(诸如,上述的那些方法)的指令。信息载体是计算机或机器可读介质,诸如,存储器904、存储装置906或在处理器902上的存储器。
高速控制器908针对计算装置900管理带宽密集操作,而低速控制器912管理较低带宽密集操作。这样的功能分配仅仅为示例性的。在一个实现方式中,高速控制器908耦合到存储器904、显示器916(例如,通过图形处理器或加速器)以及高速扩展端口910,所述高速扩展端口910可以接受各种扩展卡(未示出)。在该实现方式中,低速控制器912耦合到存储装置906和低速扩展端口914。低速扩展端口,其可以包括各种通信端口(例如,USB、蓝牙、以太网、无线以太网),可以例如通过网络适配器来耦合到一个或多个输入/输出装置,诸如键盘、点击装置、扫描仪或联网装置,诸如交换机或路由器。
如该图中所示出的,计算装置900可以采用多个不同形式来实现。例如,它可以实现为标准服务器920或在这样的服务器的群组中多次实现。它还可以实现为机架服务器系统924的部分。另外,它可以在个人计算机(诸如,膝上型计算机922)中实现。备选地,来自计算装置900的组件可以与移动装置(未示出)(诸如,装置950)中的其它组件组合。这样的装置中的每个可以包含计算装置900、950中的一个或多个,并且整个系统可以由彼此通信的多个计算装置900、950来构成。
除了其它组件以外,计算装置950还包括处理器952、存储器964、输入/输出装置(诸如,显示器954)、通信接口966以及收发器968。还可以给装置950提供有存储装置,诸如微型驱动器或其它装置,以提供额外的存储设备。组件950、952、964、954、966以及968中的每个使用各种总线来互连,并且组件中的若干可以在适当情况下安装于公共母板上或以其它方式安装。
处理器952能够执行计算装置950内的指令(包括存储于存储器964中的指令)。处理器可以实现为包括单独且多个模拟和数字处理器的芯片的芯片组。该处理器可以例如提供装置950的其它组件的协调(诸如,用户界面的控制、由装置950运行的应用以及由装置950进行的无线通信)。
处理器952可以通过控制接口958和耦合到显示器954的显示器接口956来与用户通信。显示器954可以是例如TFT LCD(薄膜晶体管液晶显示器)或OLED(有机发光二极管)显示器或其它适当的显示器技术。显示器接口956可以包括用于驱动显示器954以对用户呈现图形及其它信息的适当的电路系统。控制接口958可以从用户接收命令,并且使这些命令转换,以便提交给处理器952。另外,外部接口962可以与处理器952通信而被提供,以便能够实现装置950与其它装置的近区通信。外部接口962可以在一些实现方式中例如提供有线通信,或在其它实现方式中提供无线通信,并且还可以使用多个接口。
存储器964将信息存储于计算装置950内。存储器964能够实现为(一个或多个)计算机可读介质、(一个或多个)易失性存储器单元或(一个或多个)非易失性存储器单元中的一个或多个。扩展存储器984还可以通过扩展接口982来提供并且连接到装置950,所述扩展接口982可以包括例如SIMM(单列直插式存储器模块)卡接口。这样的扩展存储器984可以为装置950提供额外的存储空间,或还可以针对装置950存储应用或其它信息。特别地,扩展存储器984可以包括实施或补充上述的过程的指令,并且还可以包括安全信息。因此,例如,扩展存储器984可以充当用于装置950的安全模块,并且可以利用许可装置950的安全使用的指令来编程。另外,安全应用可以与额外的信息一起经由SIMM卡来提供,诸如将标识信息以不可攻击的方式放在SIMM卡上。
如下文中所讨论的,该存储器可以包括例如闪速存储器和/或NVRAM存储器。在一个实现方式中,计算机程序产品在信息载体中有形地体现。计算机程序产品包含在被执行时实行一个或多个方法(诸如,上述的那些方法)的指令。信息载体是可以例如通过收发器968或外部接口962接收的计算机或机器可读介质,诸如存储器964、扩展存储器984或在处理器952上的存储器。
装置950可以通过通信接口966无线地通信,所述通信接口966在必要的情况下可以包括数字信号处理电路系统。除了其它以外,通信接口966还可以提供在各种模式或协议(诸如,GSM语音呼叫、SMS、EMS或MMS消息发送、CDMA、TDMA、PDC、WCDMA、CDMA2000或GPRS)下的通信。这样的通信可以例如通过射频收发器968发生。另外,短程通信可以诸如使用蓝牙、WiFi或其它这样的收发器(未示出)来发生。另外,GPS(全球定位系统)接收器模块980可以将额外与导航和位置有关的无线数据(其可以在适当情况下通过在装置950上运行的应用来使用)提供给装置950。
装置950还可以使用音频编解码器960来可听地通信,所述音频编解码器960可以从用户接收口头信息,并且使其转换成可用的数字信息。音频编解码器960同样地可以诸如通过例如装置950的手持式装置中的扬声器来针对用户生成可听声音。这样的声音可以包括来自语音电话呼叫的声音、可以包括所记录的声音(例如,语音消息、音乐文件等等)、以及还可以包括通过在装置950上操作的应用来生成的声音。
如该图中所示出的,计算装置950可以按许多不同形式来实现。例如,计算装置950可以实现为蜂窝电话980。计算装置950还可以实现为智能电话982、个人数字助理或其它类似的移动装置的一部分。
在此描述的系统和技术的各种实现方式能够在数字电子电路系统、集成电路系统、专门设计的ASIC(专用集成电路)、计算机硬件、固件、软件和/或以上的组合中获得。这些各种实现方式能够包括在包括至少一个可编程处理器的可编程系统上可执行和/或可解释的一个或多个计算机程序中的实现方式,所述至少一个可编程处理器可以是专用或通用的,被耦合以从存储系统、至少一个输入装置以及至少一个输出装置接收数据和指令,并且将数据和指令传送到存储系统、至少一个输入装置以及至少一个输出装置。
这些计算机程序(也被称为程序、软件、软件应用或代码)包括用于可编程处理器的机器指令,并且能够采用高级过程和/或面向对象编程语言和/或采用汇编/机器语言来实现。如本文中所使用的,术语“机器可读介质”和“计算机可读介质”指任何计算机程序产品、设备和/或装置(例如,磁盘、光盘、存储器、可编程逻辑装置(PLD)),其用于将机器指令和/或数据提供给可编程处理器,包括作为机器可读信号而接收机器指令的机器可读介质。术语“机器可读信号”指用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互,在此描述的系统和技术能够在具有用于对用户显示信息的显示器装置(例如,CRT(阴极射线管)或LCD(液晶显示器)监视器)以及键盘和点击装置(例如,鼠标或轨迹球)(用户能够通过其将输入提供给计算机)的计算机上实现。其它种类的装置也能够用于提供与用户的交互;例如,提供给用户的反馈能够是任何形式的感觉反馈(例如,视觉反馈、听觉反馈或触觉反馈);并且来自用户的输入能够以包括声响、语音或触觉输入的任何形式来接收。
在此描述的系统和技术能够在包括后端组件(例如,作为数据服务器)或包括中间件组件(例如,应用服务器)或包括前端组件(例如,具有用户能够提供其与在此描述的系统和技术的实现方式交互的图形用户界面或Web浏览器的客户端计算机)或这样的后端、中间件或前端组件的任何组合的计算装置中实现。该系统的组件能够通过数字数据通信(例如,通信网络)的任何形式或介质来互连。通信网络的示例包括局域网(“LAN”)、广域网(“WAN”)以及因特网。
计算装置能够包括客户端和服务器。客户端和服务器一般彼此远离,并且典型地通过通信网络来交互。鉴于在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序而引起客户端和服务器的关系。
Claims (15)
1.一种用于确定技术系统(200)的异常技术状态的计算机实现的方法(1000),包括:
从所述技术系统(200)接收(1100)多个信号,其中每个信号(S1至Sn)随时间被采样,并且反映至少一个系统组件的技术状态;
针对具有从警报管理系统(300)获得的相关联的高警报阈值和低警报阈值的每个信号(S1),在每一个采样时间点,将距其相关联的警报阈值(H1/L1)的单变量距离计算(1300)为相应的信号的值与其相关联的警报阈值之间的距离的最大值,以针对相应的至少一个系统组件对异常程度进行量化;
在每一个采样时间点,基于在相应的采样时间点的所述单变量距离来计算(1400)反映整个技术系统(200)的所述技术状态的聚集异常指标(AAI);以及
向操作者(10)提供(1500)所述聚集异常指标(AAI)与预确定的异常阈值的比较,所述异常阈值以给定概率确保聚集异常指标值在低于所述异常阈值时反映所述技术系统的正常操作,其中在所述聚集异常指标超过所述异常阈值时,确定所述异常技术状态。
2.根据权利要求1所述的方法,其中,所述异常阈值通过使用在所述技术系统(200)的正常操作期间的所述聚集异常指标(AAI)的累积分布函数来确定。
3. 根据权利要求1或2所述的方法,其中,在特定采样时间点的所述聚集异常指标计算为:
基于所述相应的信号的所述单变量距离和信号的总数量的Euclidian距离,或
基于所述相应的信号的所述单变量距离和信号的总数量的加权Euclidian距离,其中每个单变量距离贡献利用对应于如所述警报管理系统中所定义的与所述相应的信号相关联的警报的严重性的加权因子来加权。
4.根据前述权利要求中的任一项所述的方法,其中,在所述计算步骤(1300、1400)之前,稳定状态检测算法(SDA)用于确定(1250)所述技术系统(200)是否在稳定状态过程中操作,并且所述计算步骤(1300、1400)在所述过程不处于稳定状态时被抑制。
5.根据前述权利要求中的任一项所述的方法,还包括:
进一步向所述操作者提供在所述相应的采样时间点的所述单变量距离的子集(TOPm),其中所述子集涉及具有对所述聚集异常指标的增大的最高贡献的这样的单变量距离,其中所述子集(TOPm)的大小m是预定义的。
6.根据前述权利要求中的任一项所述的方法,其中,计算在特定采样时间点对于特定信号的所述单变量距离,以便:如果所采样的信号值处于所述低警报阈值与所述高警报阈值之间,则距离值处于0与1之间;如果所采样的信号值小于或等于所述低警报阈值或者大于或等于所述高警报阈值,则距离值是1;并且如果所采样的信号值对应于反映正常操作的预定义的参数值,则距离值是0。
7.根据权利要求1至5中的任一项所述的方法,其中,在特定采样时间点对于特定信号的所述单变量距离通过指数平滑来平滑。
9. 根据前述权利要求中的任一项所述的方法,其中,所述技术系统的组件层级(400)将多个功能块(210、220)定义为所述技术系统(200)的子节点,其中每个功能块(210、220)包括多个子节点,所述多个子节点包括另外的功能块(230)和/或系统组件(211、212、221),所述方法还包括:
在每一个采样时间点,基于与特定功能块相关联的单变量距离的子集,在所述相应的采样时间点,针对所述特定功能块来计算(1450)聚集块异常指标(BAI),其中所述块异常指标(BAI)反映所述功能块的所述技术状态;以及
向所述操作者提供(1550)所述块异常指标(BAI)与预确定的块异常阈值的比较,所述块异常阈值以给定概率确保聚集块异常指标值在低于所述块异常阈值时反映所述特定功能块的正常操作。
10.根据前述权利要求中的任一项所述的方法,其中,特定技术状态参数由提供在指定所述特定技术状态中的冗余信息的多个传感器信号来表示,所述方法还包括:
使与所述多个传感器信号相关联的所述单变量距离聚集,以针对所述特定技术状态参数来提供稳健的单变量距离。
11.一种计算机程序产品,被提供用于确定技术系统(200)的异常技术状态,所述计算机程序产品包括指令,所述指令在被加载到计算机系统的存储器中并且正由所述计算机系统的至少一个处理器执行时,使得所述计算机系统实行根据权利要求1至10中的任一项所述的方法步骤。
12.一种用于确定技术系统(200)的异常技术状态的计算机系统(100),所述计算机系统(100)包括:
接口(110),所述接口(110):
配置成从所述技术系统(200)接收多个信号,其中每个信号(S1至Sn)随时间被采样,并且反映至少一个系统组件的所述技术状态;以及
配置成从与所述技术系统(200)相关联的警报管理系统(300)检索与相应的所接收的信号(S1至Sn)相关联的高警报阈值(H1至Hn)和低警报阈值(L1至Ln),其中处于相关联的高警报阈值与相关联的低警报阈值之间的范围内的特定信号的信号值反映相应的至少一个系统组件的正常操作;以及
数据处理器(120),所述数据处理器(120):
配置成针对具有相关联的警报阈值的每个信号(S1),在每一个采样时间点,将距其相关联的警报阈值(H1/L1)的单变量距离计算为相应的信号的值与其相关联的警报阈值之间的距离的最大值,以针对相应的至少一个系统组件对异常程度进行量化;以及
配置成在每一个采样时间点,基于在相应的采样时间点的所述单变量距离来计算反映整个技术系统(200)的所述技术状态的聚集异常指标(AAI);以及
用户接口组件(130),所述用户接口组件(130)配置成向操作者(10)提供所述聚集异常指标(AAI)与预确定的异常阈值(AAT)的比较,所述异常阈值以给定概率确保聚集异常指标值在低于所述异常阈值时反映所述技术系统的正常操作,其中在所述聚集异常指标超过所述异常阈值时,确定所述异常技术状态。
13.根据权利要求12所述的计算机系统,其中,所述数据处理器(120)还包括:
利用稳定状态检测算法(SDA)的计算开关(123),所述计算开关(123)配置成确定所述技术系统(200)是否在稳定状态过程中操作,并且在所述过程不处于稳定状态时,抑制随后的计算步骤。
14. 根据权利要求12或13所述的计算机系统,其中,所述技术系统的组件层级将多个功能块定义为所述技术系统(200)的子节点,其中每个功能块包括多个子节点,所述多个子节点包括另外的功能块和/或系统组件,
所述处理器(120)进一步配置成在每一个采样时间点基于与特定功能块相关联的单变量距离的子集在所述相应的采样时间点针对所述特定功能块来计算聚集块异常指标(BAI),其中所述块异常指标(BAI)反映所述功能块的所述技术状态;以及
所述用户接口(130)进一步配置成向所述操作者提供所述块异常指标(BAI)与预确定的块异常阈值的比较,所述块异常阈值以给定概率确保聚集块异常指标值在低于所述块异常阈值时反映所述特定功能块的正常操作。
15.根据权利要求12至14中的任一项所述的计算机系统,所述用户接口(130)进一步配置成:
向所述操作者提供在所述相应的采样时间点的所述单变量距离的子集(TOPm),其中所述子集涉及具有对所述聚集异常指标的增大的最高贡献的这样的距离,其中所述子集(TOPm)的大小m是预定义的。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP18196241.6 | 2018-09-24 | ||
EP18196241.6A EP3627263B8 (en) | 2018-09-24 | 2018-09-24 | System and methods monitoring the technical status of technical equipment |
PCT/EP2019/073957 WO2020064309A1 (en) | 2018-09-24 | 2019-09-09 | System and methods monitoring the technical status of technical equipment |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112740133A true CN112740133A (zh) | 2021-04-30 |
Family
ID=63683658
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201980062659.0A Pending CN112740133A (zh) | 2018-09-24 | 2019-09-09 | 监测技术设备的技术状态的系统和方法 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20210209189A1 (zh) |
EP (1) | EP3627263B8 (zh) |
CN (1) | CN112740133A (zh) |
WO (1) | WO2020064309A1 (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA3206975A1 (en) * | 2020-12-31 | 2022-07-07 | Schneider Electric Systems Usa, Inc. | Systems and methods for providing operator variation analysis for transient operation of continuous or batch wise continuous processes |
CN114118731A (zh) * | 2021-11-10 | 2022-03-01 | 中国电子科技集团公司电子科学研究院 | 一种动态风险预警分级方法及装置 |
CN114484732B (zh) * | 2022-01-14 | 2023-06-02 | 南京信息工程大学 | 一种基于投票网络的空调机组传感器故障诊断方法 |
Citations (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1950778A (zh) * | 2004-03-09 | 2007-04-18 | Ip锁有限公司 | 数据库用户行为监控系统及方法 |
CN101268427A (zh) * | 2005-09-20 | 2008-09-17 | 费舍-柔斯芒特系统股份有限公司 | 加工厂内资产使用指数的聚集 |
US20100185414A1 (en) * | 2009-01-16 | 2010-07-22 | Hitachi Cable,Ltd. | Abnormality detection method and abnormality detection system for operating body |
CN102117443A (zh) * | 2010-01-05 | 2011-07-06 | 国际商业机器公司 | 分析处理指定工作负荷时的预期价值和工作的方法和装置 |
CN102200769A (zh) * | 2011-03-30 | 2011-09-28 | 北京三博中自科技有限公司 | 一种工业企业实时报警的系统和方法 |
CN102231081A (zh) * | 2011-06-14 | 2011-11-02 | 北京三博中自科技有限公司 | 一种流程工业设备用能状态诊断方法 |
CN102539154A (zh) * | 2011-10-16 | 2012-07-04 | 浙江吉利汽车研究院有限公司 | 基于排气噪声矢量量化分析的发动机故障诊断方法及装置 |
CN102763047A (zh) * | 2009-12-19 | 2012-10-31 | 诺沃皮尼奥内有限公司 | 用于诊断压缩机的方法和系统 |
US8311973B1 (en) * | 2011-09-24 | 2012-11-13 | Zadeh Lotfi A | Methods and systems for applications for Z-numbers |
CN102830662A (zh) * | 2011-06-14 | 2012-12-19 | 北京三博中自科技有限公司 | 一种流程工业管网系统的监控系统和方法 |
CN103513983A (zh) * | 2012-06-25 | 2014-01-15 | 国际商业机器公司 | 用于预测性警报阈值确定工具的方法和系统 |
US20140097952A1 (en) * | 2012-10-10 | 2014-04-10 | General Electric Company | Systems and methods for comprehensive alarm management |
US20150095100A1 (en) * | 2013-09-30 | 2015-04-02 | Ge Oil & Gas Esp, Inc. | System and Method for Integrated Risk and Health Management of Electric Submersible Pumping Systems |
CN104598995A (zh) * | 2015-01-27 | 2015-05-06 | 四川大学 | 基于水权的区域水资源分配二层决策优化方法 |
CN205880599U (zh) * | 2016-05-05 | 2017-01-11 | 华电国际电力股份有限公司技术服务中心 | 一种设备异常监控系统 |
CN106775929A (zh) * | 2016-11-25 | 2017-05-31 | 中国科学院信息工程研究所 | 一种虚拟化平台安全监控方法及系统 |
US20170214706A1 (en) * | 2010-11-18 | 2017-07-27 | Nant Holdings Ip, Llc | Vector-based anomaly detection |
US20170331844A1 (en) * | 2016-05-13 | 2017-11-16 | Sikorsky Aircraft Corporation | Systems and methods for assessing airframe health |
CN207123598U (zh) * | 2016-12-02 | 2018-03-20 | Abb瑞士股份有限公司 | 可配置的状态监测装置 |
KR20180042483A (ko) * | 2016-10-17 | 2018-04-26 | 고려대학교 산학협력단 | 유클리디언 거리 측정 기법 기반 차량 이상 탐지 방법 및 장치 |
CN108445865A (zh) * | 2018-03-08 | 2018-08-24 | 云南电网有限责任公司电力科学研究院 | 一种用于火电机组主辅设备动态报警的方法及系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB0515726D0 (en) | 2005-07-30 | 2005-09-07 | Curvaceous Software Ltd | Multi-variable operations |
CN109213654B (zh) * | 2018-07-05 | 2023-01-03 | 北京奇艺世纪科技有限公司 | 一种异常检测方法及装置 |
-
2018
- 2018-09-24 EP EP18196241.6A patent/EP3627263B8/en active Active
-
2019
- 2019-09-09 WO PCT/EP2019/073957 patent/WO2020064309A1/en active Application Filing
- 2019-09-09 CN CN201980062659.0A patent/CN112740133A/zh active Pending
-
2021
- 2021-03-22 US US17/207,854 patent/US20210209189A1/en active Pending
Patent Citations (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1950778A (zh) * | 2004-03-09 | 2007-04-18 | Ip锁有限公司 | 数据库用户行为监控系统及方法 |
CN101268427A (zh) * | 2005-09-20 | 2008-09-17 | 费舍-柔斯芒特系统股份有限公司 | 加工厂内资产使用指数的聚集 |
US20100185414A1 (en) * | 2009-01-16 | 2010-07-22 | Hitachi Cable,Ltd. | Abnormality detection method and abnormality detection system for operating body |
CN102763047A (zh) * | 2009-12-19 | 2012-10-31 | 诺沃皮尼奥内有限公司 | 用于诊断压缩机的方法和系统 |
CN102117443A (zh) * | 2010-01-05 | 2011-07-06 | 国际商业机器公司 | 分析处理指定工作负荷时的预期价值和工作的方法和装置 |
US20170214706A1 (en) * | 2010-11-18 | 2017-07-27 | Nant Holdings Ip, Llc | Vector-based anomaly detection |
CN102200769A (zh) * | 2011-03-30 | 2011-09-28 | 北京三博中自科技有限公司 | 一种工业企业实时报警的系统和方法 |
CN102231081A (zh) * | 2011-06-14 | 2011-11-02 | 北京三博中自科技有限公司 | 一种流程工业设备用能状态诊断方法 |
CN102830662A (zh) * | 2011-06-14 | 2012-12-19 | 北京三博中自科技有限公司 | 一种流程工业管网系统的监控系统和方法 |
US8311973B1 (en) * | 2011-09-24 | 2012-11-13 | Zadeh Lotfi A | Methods and systems for applications for Z-numbers |
CN102539154A (zh) * | 2011-10-16 | 2012-07-04 | 浙江吉利汽车研究院有限公司 | 基于排气噪声矢量量化分析的发动机故障诊断方法及装置 |
CN103513983A (zh) * | 2012-06-25 | 2014-01-15 | 国际商业机器公司 | 用于预测性警报阈值确定工具的方法和系统 |
US20140097952A1 (en) * | 2012-10-10 | 2014-04-10 | General Electric Company | Systems and methods for comprehensive alarm management |
US20150095100A1 (en) * | 2013-09-30 | 2015-04-02 | Ge Oil & Gas Esp, Inc. | System and Method for Integrated Risk and Health Management of Electric Submersible Pumping Systems |
CN105765475A (zh) * | 2013-09-30 | 2016-07-13 | 通用电气石油和天然气Esp公司 | 用于电动潜水泵浦系统的综合风险和健康管理的系统和方法 |
CN104598995A (zh) * | 2015-01-27 | 2015-05-06 | 四川大学 | 基于水权的区域水资源分配二层决策优化方法 |
CN205880599U (zh) * | 2016-05-05 | 2017-01-11 | 华电国际电力股份有限公司技术服务中心 | 一种设备异常监控系统 |
US20170331844A1 (en) * | 2016-05-13 | 2017-11-16 | Sikorsky Aircraft Corporation | Systems and methods for assessing airframe health |
KR20180042483A (ko) * | 2016-10-17 | 2018-04-26 | 고려대학교 산학협력단 | 유클리디언 거리 측정 기법 기반 차량 이상 탐지 방법 및 장치 |
CN106775929A (zh) * | 2016-11-25 | 2017-05-31 | 中国科学院信息工程研究所 | 一种虚拟化平台安全监控方法及系统 |
CN207123598U (zh) * | 2016-12-02 | 2018-03-20 | Abb瑞士股份有限公司 | 可配置的状态监测装置 |
CN108445865A (zh) * | 2018-03-08 | 2018-08-24 | 云南电网有限责任公司电力科学研究院 | 一种用于火电机组主辅设备动态报警的方法及系统 |
Non-Patent Citations (2)
Title |
---|
申宇皓;孟晨;高聪杰;傅振华;李健;: "状态监测与故障诊断的Petri网建模与分析", 《计算机测量与控制》, vol. 17, no. 05, 25 May 2009 (2009-05-25), pages 826 - 829 * |
陆云松;王福利;贾明兴;: "基于定性仿真和模糊知识的离心式压缩机排气量不足原因诊断", 《自动化学报》, vol. 41, no. 11, 24 July 2015 (2015-07-24), pages 1867 - 1876 * |
Also Published As
Publication number | Publication date |
---|---|
US20210209189A1 (en) | 2021-07-08 |
EP3627263B8 (en) | 2021-11-17 |
EP3627263B1 (en) | 2021-09-01 |
EP3627263A1 (en) | 2020-03-25 |
WO2020064309A1 (en) | 2020-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
GB2506730B (en) | Systems and methods to monitor an asset in an operating process unit | |
US20210209189A1 (en) | System and methods monitoring the technical status of technical equipment | |
US10192170B2 (en) | System and methods for automated plant asset failure detection | |
JP7071034B2 (ja) | 産業資産制御システムにおける脅威検出のための特徴および境界の調整 | |
US9998487B2 (en) | Domain level threat detection for industrial asset control system | |
JP6285119B2 (ja) | ポンプキャビテーションを監視するシステムおよび方法 | |
US20180137277A1 (en) | Dynamic normalization of monitoring node data for threat detection in industrial asset control system | |
WO2008124661A1 (en) | Analyzing equipment performance and optimizing operating costs | |
US20150241304A1 (en) | Method for the computer-assisted monitoring of the operation of a technical system, particularly of an electrical energy-generating installation | |
CN111090939B (zh) | 石化装置异常工况的预警方法和系统 | |
JP2022548227A (ja) | 製造プロセスリスクを予測するためのシステムおよび方法 | |
US11916940B2 (en) | Attack detection and localization with adaptive thresholding | |
KR102062992B1 (ko) | 발전소 경보나 증상 및 주요 운전변수의 변화에 기반한 비정상 상태 판단 시스템 및 방법 | |
KR101997580B1 (ko) | 상관도를 고려한 데이터 분류 방법 및 이 방법을 수행하기 위한 프로그램이 저장된 컴퓨터 판독가능한 저장매체 | |
US10901406B2 (en) | Method of monitoring and controlling an industrial process, and a process control system | |
WO2018136841A1 (en) | Expert-augmented machine learning for condition monitoring | |
US20180349816A1 (en) | Apparatus And Method For Dynamic Risk Assessment | |
CN113051700A (zh) | 设备可靠性监测方法及装置 | |
KR20220079683A (ko) | 정교한 공격으로부터 산업 생산의 보호 | |
CN113052320A (zh) | 设备安全性监测方法及装置 | |
AU2022202976A1 (en) | Artificial intelligence alarm management | |
WO2024072729A1 (en) | A general reinforcement learning framework for process monitoring and anomaly/ fault detection | |
CN116520798A (zh) | 调节门故障诊断方法、装置、设备及存储介质 |
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 |