CN113614665A - 使用人工智能在过程工业中进行生产核算的方法和系统 - Google Patents
使用人工智能在过程工业中进行生产核算的方法和系统 Download PDFInfo
- Publication number
- CN113614665A CN113614665A CN202080022438.3A CN202080022438A CN113614665A CN 113614665 A CN113614665 A CN 113614665A CN 202080022438 A CN202080022438 A CN 202080022438A CN 113614665 A CN113614665 A CN 113614665A
- Authority
- CN
- China
- Prior art keywords
- parameters
- fault
- measurement
- control system
- noise
- 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 114
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 13
- 238000004519 manufacturing process Methods 0.000 title abstract description 7
- 238000005259 measurement Methods 0.000 claims abstract description 75
- 238000004886 process control Methods 0.000 claims abstract description 42
- 238000001514 detection method Methods 0.000 claims abstract description 17
- 238000007405 data analysis Methods 0.000 claims abstract description 7
- 239000000463 material Substances 0.000 claims description 32
- 238000012544 monitoring process Methods 0.000 claims description 3
- 230000002596 correlated effect Effects 0.000 abstract description 4
- 238000012545 processing Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 230000000875 corresponding effect Effects 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000009472 formulation Methods 0.000 description 2
- 238000005086 pumping Methods 0.000 description 2
- 238000012731 temporal analysis Methods 0.000 description 2
- 238000000700 time series analysis Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000000513 principal component analysis Methods 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
- G05B23/0218—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
- G05B23/0227—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions
-
- 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
- G05B23/0227—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions
- G05B23/0237—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions based on parallel systems, e.g. comparing signals produced at the same time by same type systems and detect faulty ones by noticing differences among their responses
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/37—Measurements
- G05B2219/37508—Cross correlation
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
- General Factory Administration (AREA)
Abstract
本发明涉及一种使用人工智能(AI)在过程工业中进行生产核算的方法和系统。更具体地，本发明涉及过程工厂中的多个测量仪器(102)和过程设备中的故障检测。来自测量仪器(102)的多个测量信号通过过程控制系统接收，并且从多个测量信号中提取噪声。所提取的噪声使用基于AI的数据分析技术而与从多个参考信号中提取的噪声进行关联。进一步地，过程控制系统标识一个或多个参数中的偏差。过程控制系统使用所关联的噪声和一个或多个参数的所标识的偏差来检测多个测量仪器(102)或过程设备的故障。
Description
技术领域
本发明总体涉及工业工厂/过程工厂，更具体涉及在过程工厂中使用人工智能进行生产核算。
背景技术
通常，过程工厂中的材料库存验证/生产核算涉及使用系统中记录的库存验证实际库存。来自与过程设备相关联的传感器的测量被用于记录存在于过程设备中的库存。在实践中，经观察，所记录的库存与实际库存之间存在偏差。库存验证的问题主要归因于传感器的校准问题、过程设备的泄漏、传感器失灵、传感器测量中的漂移等。重要的是具有一种用来实时标识并预测故障的系统。因此，提高了制造生产率。
用于检测故障的现有解决方案涉及标准数据调和以及粗略误差检测技术。这些技术考虑了空间冗余，例如过程设备中材料的质量和能量平衡，以用于检测故障。
粗略误差检测技术基于历史数据。由于算法的统计性质，所以可以忽略和平均测量仪器中的任何缓慢漂移。
进一步地，如果粗略误差确实是异常值而非反映泄漏或仪器偏差，则在没有被统计技术(其由于概率性质而会出现错误)检测到的情况下，它们可能通过良好的测量进行平均。此外，一些良好的测量可能错误地被标识为粗略误差，因此，经调和的数据的精度会受到影响。
进一步地，如果包含粗略误差的平均测量没有被消除并且用于调和，则故障检测会被遗漏。
现有解决方案的问题在于，由于算法的统计性质，可能无法检测到测量仪器和过程设备中的多个故障的可能性。
鉴于以上，需要解决上述限制中的至少一个限制并且提出一种方法和系统来克服上述问题。
发明内容
在一个实施例中，本发明涉及一种用于检测过程工厂中的多个测量仪器和过程设备中的故障的方法和系统。在一个实施例中，多个测量仪器被配置为监测与过程相关联的一个或多个参数。在一个实施例中，基于监测来生成多个测量信号。在一个实施例中，过程控制系统被配置为从多个测量仪器接收多个测量信号。更进一步地，过程控制系统被配置为提取存在于多个测量信号中的噪声。更进一步地，过程控制系统被配置为将来自多个测量信号的所提取的噪声与从多个参考信号中提取的噪声进行关联。在多个测量仪器中不存在故障的情况下，获得多个参考信号。此后，过程控制系统被配置为标识一个或多个参数中的偏差。最后，过程控制系统被配置为使用所关联的噪声和一个或多个参数的所标识的偏差中的至少一个来检测多个测量仪器和过程设备中的至少一个中的故障。所检测的故障被纠正以用于控制过程工厂中的过程。
在一个实施例中，过程控制系统将多个所提取的噪声与多个参考噪声进行关联包括：使用一种或多种基于人工智能(AI)的数据分析技术。
在一个实施例中，标识偏差包括：将一个或多个参数与预先定义的阈值范围进行关联，以确定一个或多个参数中的偏差。进一步地，一个或多个参数包括以下各项中的至少一项：材料的质量、材料的能量、以及材料的流动速率。
在一个实施例中，故障的检测包括：标识以下各项中的至少一项：传感器失灵、传感器漂移、传感器校准问题、过程工厂的过程设备中的材料泄漏。
在一个实施例中，所检测的故障由操作员验证，并且经验证的故障在后续故障检测中被使用。
本文中对不同范围的系统进行了描述。除了本发明内容中描述的方面和优点之外，通过参考附图和参考以下具体实施方式，其他方面和优点将变得显而易见。
附图说明
在以下文本中参考附图中图示的优选示例性实施例对本发明的主题进行更详细的解释，其中
图1示出了根据本公开的实施例的过程工厂的示例性环境；
图2示出了根据本公开的实施例的示例性过程控制系统；
图3图示了根据本公开的实施例的用于检测测量仪器和过程设备中的故障的示例性流程图；
图4图示了根据本公开的实施例的过程工厂的过程设备中的泄漏的示例性故障检测；以及
图5图示了根据本公开的实施例的过程工厂的流量传感器的测量中的漂移的示例性故障检测。
具体实施方式
本发明公开了一种使用人工智能在过程工业中进行生产核算的方法和系统。
图1示出了过程工厂(100)的示例性环境。过程工厂(100)包括一个或多个过程设备，例如，用于储存材料的罐(101A、101B)、用于混合一个或多个罐(101A、101B)的材料的混合器、用于相互连接一个或多个罐(101A、101B)和一个或多个混合器的管、用于控制材料流入罐(101A、101B)和流出罐(101A、101B)的阀门、连接到罐(101A、101B)用于从一个罐(101A、101B)向另一罐泵送材料的泵、以及用于监测与过程设备相关联的一个或多个参数的测量仪器(102A、102B)，该测量仪器(102A、102B)包括：温度传感器；压力传感器；重量传感器，用于测量罐中储存材料的量、罐(例如，101A)中储存的一种或多种材料的成分；以及流量计，用于测量材料流量。本领域技术人员应当领会，过程工厂可以包括可以被表示为多个罐(101A、101N)的“N”个罐。下文中，为了简单起见，多个罐使用附图标记101表示。对特定罐的引用使用对应附图标记(例如，(101A))表示。进一步地，本领域技术人员应当领会，过程设备可以与多个测量仪器(102A、……102N)相关联。此后，为了简单起见，测量仪器使用附图标记102表示。对特定测量仪器的引用使用对应附图标记(例如，(102A))表示。进一步地，来自测量仪器(102)的一个或多个测量信号发送到求和单元(103)以用于聚合测量信号。所聚合的测量信号给予过程控制系统，以用于在测量仪器(102)或过程设备中进行分析和故障检测。
在一个实施例中，过程工厂中的罐(101A)包含用于从一个或多个罐(101)接收一种或多种材料的入口。过程工厂中的罐(101A)包含用于将罐(101A)中储存的材料泵送到过程工厂中的一个或多个罐(101)的出口。进一步地，用于测量一个或多个信号的测量仪器(102)可以与过程设备相关联，例如，在过程设备内部、在过程设备下方、或在过程设备的外表面上。
在一个实施例中，从求和单元(103)接收的聚合信号被用于提取过程的一个或多个参数。进一步地，操作员可以使用所提取的一个或多个参数来执行数据调和并且使用过程控制系统检测测量仪器(102)和过程设备中的故障。
图2示出了示例性过程控制系统。在一个实施例中，过程控制系统(200)可以被用于实现用于检测过程工厂中的测量仪器和过程设备中的故障的方法。过程控制系统(200)可以包括中央处理单元(“CPU”或“处理器”)(202)。处理器(202)可以包括专用处理单元，诸如集成系统(总线)控制器、存储器管理控制单元、浮点单元、图形处理单元、数字信号处理单元等。处理器(202)可以设置为经由I/O接口(201)与一个或多个输入/输出(I/O)设备(未示出)通信。使用I/O接口(201)，过程控制系统(200)可以与一个或多个I/O设备通信。在一些实施例中，过程控制系统(200)通过通信网络(206)连接到服务运营商。处理器(202)可以设置为经由网络接口(203)与通信网络(206)进行通信。网络接口(203)可以与通信网络(206)通信。存储器(205)可以存储程序或数据库组件的集合，这些组件包括但不限于用户接口(206)、操作系统(207)、网络服务器(208)等。在一些实施例中，过程控制系统(200)可以存储用户/应用数据(206)，诸如本公开中所描述的数据、变量、记录等。
在一个实施例中，过程控制系统可以从与过程工厂的过程设备相关联的一个或多个测量仪器接收多个测量信号。进一步地，过程控制系统提取存在于多个测量信号中的噪声。进一步地，过程控制系统将所提取的噪声与从参考信号提取的多个噪声进行关联。在没有故障的情况下，在过程控制系统中记录并存储参考信号。此后，与过程相关联的一个或多个参数的偏差被标识。最后，所标识的偏差和所关联的噪声被用于检测过程工厂的测量仪器和过程设备中的故障。
图3图示了用于检测测量仪器(102)和过程设备中的故障的示例性流程图。在步骤301处，与过程工厂的过程设备相关联的测量仪器(102)监测一个或多个参数。过程控制系统通过求和单元(103)接收来自一个或多个测量设备的多个测量信号。求和单元(103)聚合来自一个或多个测量设备的多个信号。
在步骤302处，过程控制系统提取存在于多个测量信号中的噪声。噪声提取通过标准信号处理技术完成。
在步骤303处，所提取的噪声与来自多个参考信号的噪声进行关联。进一步地，多个所提取的噪声与来自参考信号的多个噪声的关联使用一种或多种基于人工智能(AI)的数据分析技术(例如，时间序列分析)来实现。在过程工厂中不存在故障的情况下，获得多个参考信号，并且将其存储在过程控制系统中。多个参考信号基于由操作员完成的手动验证而被存储。在稍后的描述中的图3中对示例进行详述。
在一个实施例中，来自一个或多个测量仪器(102)的多个测量信号的周期性测量具有固有自相关。自相关指示多个测量信号与延迟的多个测量信号之间的相似性。与一个或多个测量仪器(102)或过程设备相关联的任何故障均反映在与对应测量相关联的噪声中。因此，多个测量信号的噪声中的自相关发生改变或受到影响。进一步地，标识多个测量信号中噪声的关联的这种改变被用于验证过程设备或一个或多个测量仪器(102)中的故障。
在步骤304处，过程控制系统标识一个或多个参数中的偏差。过程工厂通常使用闭环控制系统来维持产品的期望质量或产量。在闭环控制系统中，某些测量信号中的故障与其对(与过程工厂的过程相关联的)其他一个或多个参数的影响之间存在明确的关联。在稍后的描述中的图4中对示例进行详述。这种关联会影响产品的期望质量或产量。因此，基于关联来标识关于与过程相关联的一个或多个参数的偏差。
在一个实施例中，标识一个或多个参数中的偏差包括：将一个或多个参数与预先定义的阈值范围进行关联。过程设备的阈值范围可以指示存储在过程设备中的材料的最大量和最小量或从一个过程设备到另一过程设备的材料流量的最大量和最小量。预先定义的阈值范围可以从一个过程设备变化到另一过程设备以及从一个过程工厂变化到另一过程工厂。一个或多个参数可以包括以下各项中的至少一项：材料的质量、材料的能量、以及材料的流动速率。
进一步地，在一个实施例中，基于人工智能(AI)的数据分析技术(例如，时间序列分析)可以用于标识过程工厂的一个或多个参数中的偏差。
在步骤305处，过程控制系统使用在步骤303处的一个或多个所关联的噪声和在步骤304处的所标识的偏差来检测测量仪器(102)或过程设备中的故障。过程控制系统可以使用标准统计技术(例如，用于检测异常值的卡尔曼滤波和主成分分析)来检测故障。
在一个实施例中，过程控制系统所检测的故障由操作员验证。基于过程控制系统所检测的故障，操作员可以手动核实或验证过程工厂中的故障，并且验证被更新到过程控制系统。基于操作员所更新的验证，过程控制系统可以通过结合对在步骤303和步骤304处使用的AI技术的适当学习来增加故障检测的概率。
图4图示了过程工厂的过程设备中泄漏的示例性故障检测。罐(例如，101A)连接到一个或多个罐(101D和101F)。进一步地，如图4所示，罐101D连接到101G和101H，并且罐101F连接到101H和101I。与罐(例如，101A)相关联的测量仪器(例如，102A)测量多个信号并且将它们发送到过程控制系统以用于故障检测。让从罐101C到罐101E的流量中存在泄漏(401)。泄漏(401)影响从罐101C到罐101E的流量(进一步地，从罐101E到罐101H的流量和从罐101E到罐101I的流量)之间的质量平衡。进一步地，泄漏(401)影响罐101E中材料的积累。在泄漏(401)期间跨一个或多个测量信号提取的噪声使用一种或多种基于AI的数据分析技术，而与从在没有故障或泄漏的情况下获得的参考信号提取的噪声进行关联。例如，由于泄漏(401)，所以从罐101E到罐101H和罐101I的流量中的噪声关联可能更高。因此，所获得的噪声关联连同传统数据调和一起标识了故障或泄漏(401)。
图5图示了过程工厂的流量传感器的测量中的漂移的示例性故障检测。罐(例如，101A)连接到一个或多个罐(101D和101F)。进一步地，如图5所示，罐101D连接到101G和101H，并且罐101F连接到101H和101I。与罐(例如，101A)相关联的测量仪器(例如，102A)测量多个信号并且将它们发送到过程控制系统以用于故障检测。让与从罐101A到罐101D的流动相关联的流量传感器(501)测量的信号存在漂移。这导致罐101H中用于配制的材料较少。为了实现产品的期望质量或产量，从罐101E到罐101H的流量可以更高以补偿罐101H中用于配制的较少材料。基于闭环系统分析，过程控制系统通过将流量传感器(501)的测量流量与预先定义的阈值范围进行比较，来标识来自罐101A和罐101E的材料的测量流量的偏差。因此，测量流量中的所标识的偏差连同传统数据调和一起标识了流量传感器(501)中的故障或漂移。
该书面描述使用示例来描述包括最佳模式在内的本文中的主题，并且还使得本领域任何技术人员能够制作并使用该主题。主题的可专利范围由权利要求限定，并且可以包括本领域技术人员想到的其他示例。如果这些其他示例具有与权利要求的字面语言没有区别的结构要素或如果它们包括与权利要求的字面语言没有实质区别的等同结构要素，则这些其他示例旨在在权利要求的范围内。
附图标记
101-罐；
102-测量仪器；
103-求和单元；
200-过程控制系统；
201-I/O接口；
202-处理器；
203-网络接口；
204-存储接口；
205-存储器；
206-用户接口；
207-操作系统；
208-网络服务器；
206-通信网络；
210-输入设备；
211-输出设备；
212-远程设备；
401-泄漏；
501-流量传感器。
Claims (10)
1.一种用于检测过程工厂中的多个测量仪器(102)和过程设备中的故障的方法，其中所述多个测量仪器(102)被配置为监测与过程相关联的一个或多个参数，其中多个测量信号基于所述监测来生成，所述方法由过程控制系统执行，所述方法包括：
从所述多个测量仪器(102)接收所述多个测量信号；
提取存在于所述多个测量信号中的噪声；
将来自所述多个测量信号的所提取的噪声与从多个参考信号中提取的噪声进行关联，其中所述多个参考信号在所述多个测量仪器(102)中没有故障的情况下获得；
标识所述一个或多个参数中的偏差；以及
使用所关联的噪声和所述一个或多个参数的所标识的偏差中的至少一种，来检测所述多个测量仪器(102)和所述过程设备中的至少一个中的故障，其中所检测的故障被纠正以用于控制所述过程工厂中的所述过程。
2.根据权利要求1所述的方法，其中将多个所提取的噪声与多个参考噪声进行关联包括使用一种或多种基于人工智能(AI)的数据分析技术。
3.根据权利要求1所述的方法，其中标识偏差包括将所述一个或多个参数与预先定义的阈值范围进行关联，以确定所述一个或多个参数中的偏差，其中所述一个或多个参数包括以下各项中的至少一项：材料的质量、所述材料的能量、以及所述材料的流动速率。
4.根据权利要求1所述的方法，其中所述故障的检测包括：标识以下各项中的至少一项：传感器失灵、传感器漂移、传感器校准问题、所述过程工厂的所述过程设备中的材料泄漏。
5.根据权利要求1所述的方法，其中所检测的故障由操作员验证，并且经验证的故障在后续故障检测中被使用。
6.一种用于检测过程工厂中的多个测量仪器(102)和过程设备中的故障的过程控制系统，包括：
处理器；以及
存储器，通信耦合到所述处理器，其中所述存储器存储处理器指令，所述处理器指令在执行时使得所述处理器：
从所述多个测量仪器(102)接收多个测量信号；
提取存在于所述多个测量信号中的噪声；
将来自所述多个测量信号的所提取的噪声与从多个参考信号中提取的噪声进行关联，其中所述多个参考信号在所述多个测量仪器(102)中没有故障的情况下获得；
标识所述一个或多个参数中的偏差；以及
使用所关联的噪声和所述一个或多个参数的所标识的偏差中的至少一种，来检测所述多个测量仪器(102)和所述过程设备中的至少一个中的故障，其中所检测的故障被纠正以用于控制所述过程工厂中的所述过程。
7.根据权利要求6所述的过程控制系统，其中所述处理器被配置为将多个所提取的噪声与多个参考噪声进行关联包括：使用一种或多种基于人工智能(AI)的数据分析技术。
8.根据权利要求6所述的过程控制系统，其中所述处理器被配置为标识偏差包括：将所述一个或多个参数与预先定义的阈值范围进行关联，以确定所述一个或多个参数中的偏差，其中所述一个或多个参数包括以下各项中的至少一项：材料的质量、所述材料的能量、以及所述材料的流动速率。
9.根据权利要求6所述的过程控制系统，其中所述处理器被配置为检测故障包括：标识以下各项中的至少一项：传感器失灵、传感器漂移、传感器校准问题、所述过程工厂的所述过程设备中的材料泄漏。
10.根据权利要求6所述的过程控制系统，其中所述操作员验证所检测的故障，并且经验证的故障在后续故障检测中被使用。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| IN201941016370 | 2019-04-25 | ||
| IN201941016370 | 2019-04-25 | ||
| PCT/IB2020/053715 WO2020217155A1 (en) | 2019-04-25 | 2020-04-20 | Method and system for production accounting in process industries using artificial intelligence |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113614665A true CN113614665A (zh) | 2021-11-05 |
Family
ID=70482723
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202080022438.3A Pending CN113614665A (zh) | 2019-04-25 | 2020-04-20 | 使用人工智能在过程工业中进行生产核算的方法和系统 |
Country Status (6)
| Country | Link |
|---|---|
| US (1) | US20220206483A1 (zh) |
| EP (1) | EP3959572B1 (zh) |
| JP (1) | JP7480172B2 (zh) |
| CN (1) | CN113614665A (zh) |
| BR (1) | BR112021018695A2 (zh) |
| WO (1) | WO2020217155A1 (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA2912296A1 (en) * | 2007-06-27 | 2008-12-27 | Wanda G. Papadimitriou | Autonomous fitness for service assessment |
| US20130197849A1 (en) * | 2010-10-11 | 2013-08-01 | General Electric Company | Systems, methods, and apparatus for detecting irregular sensor signal noise |
| CN107315403A (zh) * | 2016-04-27 | 2017-11-03 | 通用电气公司 | 用校准的性能模型控制机械 |
| US20180024900A1 (en) * | 2016-07-25 | 2018-01-25 | General Electric Company | Methods and system for detecting false data injection attacks |
Family Cites Families (24)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5161110A (en) * | 1990-02-27 | 1992-11-03 | Atlantic Richfield Company | Hierarchical process control system and method |
| US5368166A (en) * | 1990-09-21 | 1994-11-29 | Chumak; Fedor A. | Device for automatically controlling the process of separating froth concentrate from gangue in a floatation machine |
| JP3382138B2 (ja) * | 1997-08-21 | 2003-03-04 | 富士通株式会社 | 薬液供給装置及び薬液供給方法 |
| US7980753B2 (en) * | 1998-04-16 | 2011-07-19 | Air Liquide Electronics U.S. Lp | Systems and methods for managing fluids in a processing environment using a liquid ring pump and reclamation system |
| AU4733601A (en) * | 2000-03-10 | 2001-09-24 | Cyrano Sciences Inc | Control for an industrial process using one or more multidimensional variables |
| US6839660B2 (en) * | 2002-04-22 | 2005-01-04 | Csi Technology, Inc. | On-line rotating equipment monitoring device |
| US6741919B1 (en) * | 2003-02-26 | 2004-05-25 | General Electric Company | Methods and apparatus for detecting impending sensor failure |
| CN1853098B (zh) * | 2003-07-18 | 2010-12-08 | 罗斯蒙德公司 | 声学流量计和监测工业过程中固定设备的健康程度的方法 |
| WO2006086894A1 (en) * | 2005-02-15 | 2006-08-24 | Abb Research Ltd | Diagnostic device for a process control system |
| DE102006048604A1 (de) * | 2006-10-13 | 2008-04-17 | Siemens Ag | Verfahren und Vorrichtung zum Überprüfen eines Sensorsignals |
| JP2009070071A (ja) | 2007-09-12 | 2009-04-02 | Toshiba Corp | 学習型プロセス異常診断装置、およびオペレータ判断推測結果収集装置 |
| US10066962B2 (en) * | 2013-07-01 | 2018-09-04 | Battelle Energy Alliance, Llc | Apparatus, system, and method for sensor authentication |
| US10269603B2 (en) * | 2013-07-09 | 2019-04-23 | Kokusai Electric Corporation | Substrate processing apparatus, gas-purging method, method for manufacturing semiconductor device, and recording medium containing abnormality-processing program |
| EP3112959B1 (en) * | 2015-06-29 | 2021-12-22 | SUEZ Groupe | Method for detecting anomalies in a water distribution system |
| WO2017103093A1 (de) | 2015-12-18 | 2017-06-22 | Bayer Aktiengesellschaft | Verfahren zum überwachen von mindestens zwei redundanten sensoren |
| JP6350554B2 (ja) * | 2016-02-03 | 2018-07-04 | 横河電機株式会社 | 設備診断装置、設備診断方法及び設備診断プログラム |
| JP6658250B2 (ja) | 2016-04-20 | 2020-03-04 | 株式会社Ihi | 異常診断方法、異常診断装置、及び異常診断プログラム |
| JP6781594B2 (ja) | 2016-09-01 | 2020-11-04 | 日立Ｇｅニュークリア・エナジー株式会社 | プラント監視装置及びプラント監視方法 |
| JP2019028834A (ja) | 2017-08-01 | 2019-02-21 | 株式会社東芝 | 異常値診断装置、異常値診断方法、およびプログラム |
| US10732593B2 (en) * | 2017-10-31 | 2020-08-04 | Fisher Controls International Llc | Methods and apparatus for coordinating operation of valves |
| MX2020005642A (es) * | 2017-11-30 | 2020-08-20 | Michael Munoz | Sistema de sensor inalambrico habilitado para internet de las cosas (iot) que permite el control de procesos, mantenimiento predictivo de redes de distribucion electrica, tuberias de liquido y gas y monitoreo de contaminantes del aire que incluye agentes nucleares, quimicos y biologicos que utiliza sensores electromagneticos pasivos integrados y adjuntos. |
| EP3502978A1 (en) * | 2017-12-22 | 2019-06-26 | Siemens Healthcare GmbH | Meta-learning system |
| KR102189240B1 (ko) * | 2018-12-07 | 2020-12-09 | (주)동명엔터프라이즈 | 배송관의 누출 모니터링 장치 및 방법 |
| EP3699356A1 (de) * | 2019-02-25 | 2020-08-26 | Siemens Aktiengesellschaft | Verfahren und vorrichtung zur erkennung eines bahnabrisses einer faserbahn, industrielle anlage sowie computerprogrammprodukt |
-
2020
- 2020-04-20 US US17/606,240 patent/US20220206483A1/en active Pending
- 2020-04-20 BR BR112021018695A patent/BR112021018695A2/pt unknown
- 2020-04-20 EP EP20723534.2A patent/EP3959572B1/en active Active
- 2020-04-20 JP JP2021557837A patent/JP7480172B2/ja active Active
- 2020-04-20 CN CN202080022438.3A patent/CN113614665A/zh active Pending
- 2020-04-20 WO PCT/IB2020/053715 patent/WO2020217155A1/en unknown
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA2912296A1 (en) * | 2007-06-27 | 2008-12-27 | Wanda G. Papadimitriou | Autonomous fitness for service assessment |
| US20130197849A1 (en) * | 2010-10-11 | 2013-08-01 | General Electric Company | Systems, methods, and apparatus for detecting irregular sensor signal noise |
| CN107315403A (zh) * | 2016-04-27 | 2017-11-03 | 通用电气公司 | 用校准的性能模型控制机械 |
| US20180024900A1 (en) * | 2016-07-25 | 2018-01-25 | General Electric Company | Methods and system for detecting false data injection attacks |
Also Published As
| Publication number | Publication date |
|---|---|
| EP3959572B1 (en) | 2023-10-25 |
| JP2022527307A (ja) | 2022-06-01 |
| US20220206483A1 (en) | 2022-06-30 |
| EP3959572C0 (en) | 2023-10-25 |
| JP7480172B2 (ja) | 2024-05-09 |
| EP3959572A1 (en) | 2022-03-02 |
| WO2020217155A1 (en) | 2020-10-29 |
| BR112021018695A2 (pt) | 2021-11-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109637680B (zh) | 核电站泄漏监测报警方法及报警系统 | |
| RU2525369C2 (ru) | Способ и устройство для повышения в реальном времени эффективности работы трубопровода для транспортировки текучей среды | |
| US10401250B2 (en) | Leakage detection and leakage location in supply networks | |
| EP2592395B1 (en) | Determining a quantity of transported fluid | |
| US11340599B2 (en) | Monitoring apparatus and method for monitoring a system | |
| WO2010135227A2 (en) | Online condition-based monitoring for tank farms | |
| US11982373B2 (en) | Gas regulator diaphragm-position and pressure-relief detection | |
| US7768530B2 (en) | Verification of process variable transmitter | |
| US11971291B2 (en) | Gas regulator pressure-relief monitor | |
| US20180372506A1 (en) | Method for monitoring at least two redundant sensors | |
| US20220405715A1 (en) | Inspection related systems and methods | |
| CN105890844A (zh) | 隐蔽储油罐微泄漏定性与定量检测方法 | |
| CN116541678B (zh) | 一种气站安全管道压力监测方法、装置 | |
| EP3441913A1 (en) | Electronic volume corrector with cloud enabled health monitoring of associated gas distribution equipment | |
| CN115996881A (zh) | 经由预测建模的燃油泄漏确定 | |
| CN113614665A (zh) | 使用人工智能在过程工业中进行生产核算的方法和系统 | |
| CN116659630B (zh) | 基于雷诺数补偿的质量流量计标准表在线检定系统 | |
| US10895872B2 (en) | Detection of temperature sensor failure in turbine systems | |
| CN102759905B (zh) | 用于表征过程控制设施完整性的方法和装置 | |
| CN111051827B (zh) | 压差测量装置 | |
| CN111465826B (zh) | 利用用于模拟流体参数的系统的增强流量计 | |
| Hoeijmakers et al. | Real time statistical leak detection on the RRP crude oil network, Holland |
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 |