CN115840095A - 用于电气系统中的异常检测的机器学习方法 - Google Patents
用于电气系统中的异常检测的机器学习方法 Download PDFInfo
- Publication number
- CN115840095A CN115840095A CN202211138394.8A CN202211138394A CN115840095A CN 115840095 A CN115840095 A CN 115840095A CN 202211138394 A CN202211138394 A CN 202211138394A CN 115840095 A CN115840095 A CN 115840095A
- Authority
- CN
- China
- Prior art keywords
- normal state
- data
- electrical system
- features
- sensor 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/211—Selection of the most significant subset of features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Abstract
提供了用于电气系统(100)的连续状态监测,特别是用于早期故障检测的技术。状态监测单元(114)形成有到存储器(116)的接口,在存储器(116)中,经训练的正常状态模型被存储为一类模型,该一类模型已经在训练阶段用表示电气系统的正常状态的正常状态数据训练。此外,状态监测单元(114)包括:数据接口(112;302),用于通过一组传感器(m1,m2)连续获取电气系统的传感器数据,提取器(304),用于从获取的传感器数据中提取特征,微分器(310),用于通过距离度量(例如,欧几里得范数、总和范数、最大范数)确定提取的特征与正常状态模型的经学习特征的偏差,评分单元(318),用于根据确定的偏差计算异常分数,以及用于输出计算的异常分数的输出单元(106;320)。
Description
技术领域
本发明属于技术系统的状态监测和故障检测领域。特别地,本发明涉及用于在电气系统中进行连续状态监测和异常检测的方法和系统。
背景技术
电气系统中的异常会危及其正常运行。电气系统的可靠状态监测对于能够在异常情况下快速反应并将系统恢复到其正常运行状态至关重要。在这种情况下,状态监测的质量很大程度上取决于其参数化。通常,异常行为因电气系统而异,并且不容易预测。通常,异常仅在日常维护工作中被检测到,并且由于机器停机而被被动修复或注意到。
发明内容
在此基础上,本申请基于创建可供电气系统的操作者用于诊断异常的方法的任务。
该任务通过所附的专利权利要求来解决,特别是通过用于连续状态监测的方法、状态监测单元以及通过用于执行状态监测的计算机程序来解决。可以在从属权利要求和以下描述中找到具有有利特征的本发明的其他有利实施例。
根据第一方面,该任务通过一种用于电气系统的连续状态监测,特别是用于异常检测的方法来解决。该方法包括以下方法步骤,在推理阶段执行方法步骤:
-提供经过训练正常状态模型作为一类模型,该一类模型已在训练阶段用表示该电气系统的正常状态的正常状态数据进行训练,其中;
-通过一组传感器连续获取该电气系统的传感器数据;
-从获取的传感器数据中提取特征;
-使用距离度量(例如,欧几里得范数、和范数、最大范数)确定提取的特征与正常状态模型的经学习特征的偏差;
-根据确定的偏差计算异常分数,以及
-输出所计算的异常分数。
该计算机实现的过程可用作诊断系统并在后台执行,因此操作者只需在出现异常情况时做出反应,以便启动适当的故障排除方式。特别是,该方法是基于传感器数据识别特征为基础的,其用于训练可用于评估电气系统的未来状态的正常状态模型。在随后的操作模式中确定的特征与经训练的正常状态的特征的偏差越大,故障条件的概率就越大。这被转化为异常分数,以便电气系统的操作者可以做出相应的反应。
下面更详细地解释本发明的术语。
正常状态模型描述了电气系统的正常状态。在正常状态下,没有异常,生产过程正常运行。“生产过程”是指生产循环的重复,即电气系统的运行状态。在此上下文中的循环或生产循环描述了电动执行器(或致动器,actuator)的运动或由电动执行器引起的组件返回其起点的运动。电动执行器例如是电动机。该运动例如是气缸活塞的线性位移、滑块的运动或执行器的旋转运动。
电气系统可能有不止一种运行状态。例如,电气系统可以在不同的电压电平下运行,每个电压电平表征运行状态。在这种情况下,对于每个运行状态,必须在训练阶段学习电气系统的正常状态。
正常状态可以用电气系统的特性来表示。这些特征基于正常状态的测量状态数据,例如电流强度、电压强度或时间戳。一类模型学习这些特征并基于它们定义正常状态。为了学习正常状态,在训练期间理想地使用来自几个整个生产循环的测量的正常状态数据。
例如,电气系统可以是单个电气执行器或多个执行器。多个执行器可以彼此独立地操作。在一些应用中,还可以操作多个执行器,使得它们具有接触点或者相互依赖或依赖于共同组件来操作。例如,一个或多个齿轮可以与一个或多个执行器和/或轴通信。
电动执行器的另一个示例是夹具,另一个示例是电动滑块。后者可以通过特征来表征。特征可以包括,例如,滑车(滑架)的速度和/或加速度。滑车还可以通过声学分布来表征,其中声学分布指示生产循环。在这种情况下,滑车的速度和加速度以及声学分布都不是直接测量的,而是根据易于访问的状态数据提取的。滑车/滑架的生产循环包括它的加速和运动到一个位置以及反向加速和运动回到它的起点。相关的速度和加速度,以及生产循环的长度,可以在正常状态下指派数值。与此的偏差可能表示异常。
如果存在异常,则电气系统无法在正常状态下运行。效率可能明显低于额定或标称效率。异常可能导致延误、能量损失、生产力干扰、电气系统组件故障、停产或类似情况。异常可能由轴承损坏、磨损、电容器损坏、污染、发热和/或系统中的摩擦增加引起。
在本发明的优选实施例中,正常状态模型是统计模型和/或机器学习模型。
在统计模型中,假设正常状态的特征的概率,由此概率可以基于经验值和/或建模。正常状态的特征是预定义的。当新事件发生时,可以调整特性的参数化。例如,新事件是新元素(例如执行器)连接到现有的电气系统或从电气系统移除元件(例如执行器)。
机器学习模型基于训练数据生成统计正常状态模型。在此过程中,学习模型确定了表征正常状态本身的特征。以迭代的方式,生成正常状态模型,估计量化正常状态模型的偏差的错误概率,并优化模型,直到例如错误概率不再显著提高。机器学习模型可以使用深度学习和/或神经网络进行训练。
在此上下文中,术语“一类模型”是指仅从正常状态的数据生成的状态模型。统计模型中指定的正常状态的特征被量化(经学习特征),并确定在哪些偏差内状态数据仍可归因于正常状态。
在训练过程中,机器学习模型从正常状态的状态数据中生成特征并学习它们的特性。作为“一类模型”,学习模型只用正常状态的状态数据进行训练,并在生产过程中区分与正常状态有关的状态数据和与未定余数(异常)有关的状态数据。与其他机器学习模型不同,没有适当标记的正常状态反例用于训练。这样做的好处是,训练不需要表示具有异常的状态的数据。当电气系统投入使用时,此类具有异常的状态数据通常尚不可用。
训练的目标是让模型学会准确地识别电气系统的正常状态,以便将与它的偏差描述为生产过程中的异常。在这个过程中,优化目标函数,使机器学习模型接受尽可能多的正常状态的状态数据和尽可能少的具有异常的状态的数据。在生产过程中,一个度量指定状态数据与正常状态模型的距离,或状态数据属于正常状态的概率。另一个度量是这个距离或概率的阈值。如果状态数据低于阈值,则接受状态数据属于正常状态。
David Tax讨论了一类模型的不同方法及其优缺点(TAX David MartinusJohannes,一类分类:在没有反例的情况下进行概念学习(One-class Classification:Concept-learning in the Absence of Counter-examples)。代尔夫特理工大学:论文,2001,ISBN:90-75691-05-x)。据此,可以使用例如以下一种或多种方法来实现一类模型:
-密度估计,它估计正常状态数据的密度并设置密度分布的限制。限值可以基于某个分布(例如泊松或高斯分布)。超出限制的状态数据被归类为不属于正常状态;
-边界法,在最能表征正常状态的特征的正常状态数据周围拟合尽可能小的体积。边界值可以直接从体积的外部区域得出。边界方法的一个示例是支持向量数据描述(“SVDD”),它使用尽可能小的超球面来将正常状态数据与错误状态数据分开。边界方法在例如以下文献中有更详细的描述:Ruff,L.、Vandermeulen,R.、Goernitz,N.、Deecke,L.、Siddiqui,S.A.、Binder,A.、Müller;克洛夫特,M..(2018)。深度一类分类(Deep one-classclassification)。第35届机器学习国际会议论文集,机器学习研究论文集80:4393-4402,可从http://proceedings.mlr.press/v80/ruff18a.html获取。也可以使用其他体积,例如边界框的体积;
-重建方法,对正常状态数据的聚类特性及其在子空间中的分布进行假设。假设异常状态的状态数据不满足假设。重建方法的一个示例是k均值方法。在这里,正常状态数据按特征分组,每组由中心形式的“原型”表示。如果状态数据与最近的中心偏差太大,则将该状态分类为不属于正常状态。
在另一个实施例中,可以用正常状态的状态数据和包含正常状态数据和故障数据的混合状态数据来训练模型。为此,例如可以考虑方法“隔离森林(Isolation Forest)”或“一类支持向量机(One-Class-Support-Vector-Machines)”。
传感器数据可以由电气系统内和/或电气系统上的传感器收集并量化电气系统的典型测量变量。例如,可以使用以下一种或多种传感器:
-电压表;
-电流表(电流计);
-温度传感器;
-速度控制器;
-捕获时间戳;
-测量电气系统的执行器位置的接近传感器;
-用于执行器的位移测量的线性可变差动变压器(“LVDT”);
-限位开关,用于检测执行器何时到达某个位置;
-麦克风;和/或
-结构声拾音器。
在推理阶段,执行上述过程步骤。推理阶段或多个推理阶段可以在电气系统的运行状态下连续运行。替代地或附加地,推理阶段也可以仅在特定时间被调用,例如在运行状态中断之后。
除其他外,特征的提取包括将纯测量点转换为可解释的物理量。例如,可以从两个测量的时间戳中提取特定过程的持续时间、滑架的加速度和/或速度。但是,可能并不总是需要提取特征。在某些情况下,传感器数据也可以直接用于该过程的下一步,即:使用距离度量确定提取的特征与正常状态模型的经学习特征的偏差。在某些情况下,只需要从某些传感器数据中提取特征。特征提取也可能涉及逻辑、比较和/或算术运算。特征可以是n维向量。
距离度量量化了提取的特征与经学习特征的距离。典型的距离度量是欧几里得范数、和范数或最大范数。也可以使用距离度量的权重和/或距离度量的组合。
输出根据距离度量计算的异常分数,以便电气系统操作者甚至控制系统可以在发生异常时采取适当的措施。异常分数可以以多种方式输出。例如,操作者可能会接收推送消息、邮件或其他消息。输出可以以图形和/或量化值的形式呈现。
异常分数给出了关于部分和/或整个电气系统状态的基于概率的陈述。例如,可以为特定执行器计算特定异常分数。但是,也可以从具有多个轴和电机的变速器中为示例单元计算特定的异常分数。在某些情况下,“零”可能意味着电气系统在正常状态下运行,即无故障。异常分数越高,与电气系统的学习的正常状态的偏差就能够越大。异常分数可以作为一个预警系统,它已经显示出与正常状态的微小偏差。
此外,计算异常分数的算法可以参数化。因此,例如,可以根据应用设置异常分数的灵敏度以及用于计算异常分数的训练和平滑间隔。在某些情况下,异常分数可以随着时间的推移作为连续信号输出。这对于趋势检测可能特别有用。异常分数也可以作为离散信号输出,例如以具有平均值、中间结果、统计参数、训练数据和/或状态数据的仪表板的形式输出。
在本发明的另一个优选实施例中,计算和输出的异常分数用于检测电气系统的异常。此外,正常状态数据可以包括电机的电流强度和/或扭矩、执行器(例如滑架)的位置、速度和/或加速度、麦克风/身体声音测量、力测量和/或电气组件(特别是气缸)的模拟和/或数字测量信号。术语“测量信号”和“传感器数据”在本文中可互换使用。
在第一实施例中,该方法可以被被动地使用,例如作为生产过程中控制器的一部分,从而向生产过程提供反馈。例如,该方法可以在可编程逻辑控制器(PLC)中实现。在本发明的第二实施例中,该方法可以用作推荐系统而无需实现对过程的直接反馈并且仅用于异常的早期检测以及警告和/或推荐的发布。该方法还可以被设计为对过程具有反馈的推荐系统。
有利地,上述程序可以直接在现场总线节点和/或边缘设备中执行。此外,可以在中央计算机架构和/或云中执行部分过程或整个过程。该程序可以在持久存储中可用,以便即使在电源故障或其他中断之后也可以执行它。对于连接到现场总线节点的多个执行器,如果执行器的正常状态模型不同,则可以在现场总线节点中提供相应数量的特定正常状态模型。
在本发明的另一有利实施例中,可以通过基于TCP/IP的网络协议,特别是通过MQTT协议或OPC UA协议,将异常分数转发给选定的其他网络节点。为此目的,可以在电气系统的现场总线节点上设置代理节点,该代理节点充当中介以将计算的异常分数从执行异常检测程序的监控单元发送到选定的网络节点。替代地或另外地,异常分数和/或状态数据可以被转发到可编程逻辑控制器(PLC)和/或智能设备(例如平板电脑)和/或云。
有利地,可以确定生产率分数,特别是如果自动检测过程循环,以便评估循环持续时间如何在更长的时间范围内发展。如果循环持续时间增加并因此降低生产率,则可以发出生产率警告消息,例如警告电机或设备的操作者。
在本发明的另一个实施例中,正常状态的表示或建模可以通过边界框方法或通过k均值方法或通过另一种合适的一类学习方法来完成。边界框方法是基于上述的边界方法。这里训练的不是超球面,而是一个n维框,它作为生产过程中偏离正常状态的数据的边界。n维框围绕正常状态的数据进行拟合,使其体积尽可能小,同时尽可能最好地表示正常状态。
边界法的其他一类学习方法例如是最近邻法或k中心法。
使用k均值方法或k均值聚类,将正常状态的特征分组到子空间中。每个子空间可以由原型或中心表示,以使中心和正常状态数据之间的差异最小。其他一类学习重建方法包括学习向量量化方法和自组织映射方法。
在本发明的另一有利实施例中,可以将归一化函数应用于所确定的偏差。其结果可以是异常分数。这尤其用于改进对异常分数的进一步处理,例如通过操作者和/或控制系统。特别是,sigmoid函数(例如逻辑函数)可以用作归一化函数。sigmoid函数的拐点(转折点)和/或斜率(梯度)可以被参数化和/或sigmoid函数可以在训练阶段线性重新调整,以便异常分数的图形表示是连续的。理想情况下,这可以导致异常分数通过坐标原点,从而为异常分数输出函数值“零”,特别是距离值“零”,因此可以特别好地解释。在本发明的优选实施例中,可以规定,为了确定sigmoid函数的参数化(拐点和/或斜率),计算关于训练数据点到学习的正常状态的距离的统计量。这可以作为训练过程的最后一步来执行。
此外,可以规定,当超过异常分数的可配置阈值时,警告电气系统的操作者。例如,这可以通过警告消息(例如,发送到移动终端)来实现。此外,可以通过可配置的阈值为异常分数值指派交通灯颜色。例如,可以指定,当超过异常分数阈值0.3时,红绿灯从绿色跳到黄色。具有以下语义的交通灯表示也是可以想象的:正常状态、推荐功能检查、推荐维护、需要维护、颜色变化时向用户发出警告。也可以实现异常分数超过某个值时的其他可视化和/或探测。
可以为整个电气系统全局输出异常分数。替代地或附加地,异常分数也可以本地输出用于电气系统的某些子组和/或功能单元,例如具有多个执行器和轴的变速器,以便简化异常的定位。在这种情况下,处理来自不同传感器的大量传感器信号,有利于异常检测和整改的效率和可扩展性。
对于手动和/或自动执行的故障排除,可以考虑各种问题及其补救措施。如果在电气系统中没有检测到故障,但显示故障异常分数,则可能已经用暂态阶段(或启动阶段)的状态数据而不是正常状态的状态数据训练了一类模型,这可能偏离正常状态。在这种情况下,可能建议在暂态阶段完成后重新训练一类模型。替代地或附加地,训练数据可能不完全代表正常状态,例如由于多种运行状态。在这种情况下,可以建议使用包含所有运行状态的扩展间隔重新训练一类模型。缺少运行状态的后训练也是可能的。
如果尽管电气系统中存在异常,但显示的异常分数较低,则训练数据可能包含统计相关的误差分量。在这种情况下,建议使用没有故障案例或具有统计上不相关的故障案例组件的正常状态数据重新训练一类模型。
此外,异常分数的敏感性可能无法达到预期的结果。在这种情况下,如果是由于长期短期设置,则应重新调整异常分数的参数化和/或应调整平滑间隔。
故障排除可以使用状态数据来执行,也可以完全基于状态数据来执行。
在优选实施例中,该方法可以通过元参数来控制。元参数可以表示模型的参数化,具体包括确定k均值中心的数量和/或边界框的数量,和/或边界框边界的计算规则,和/或提取特征的权重和/或特征提取的其他参数。
在本发明的另一个优选实施例中,元参数可以包括传感器的参数化并且因此确定例如要获取哪些传感器数据、何时和/或多长时间获取传感器数据,和/或指定循环长度。此外,元参数可以提供距离度量的参数化、异常分数计算的参数化和/或输出的参数化。另外或替代地,可以提供一种方法来从测量信号反向确定元参数。在本发明的有利实施例中,上述确定的全部或部分可以可选地通过用户接口上适当提供的字段来获取。
有利地,训练阶段的训练数据和推理阶段的生产数据——尤其是传感器数据——使用相同的预处理方法(例如归一化)进行预处理。这有助于数据的可比性。例如,如果特征挤压的时间窗口由自动模式识别确定,则可以在训练阶段和推理阶段以相同的方式完成。
预处理方法可以包括对传感器数据和/或正常状态数据运行模式识别算法。这可用于检测传感器数据中表示过程循环的重复模式。在这种上下文,检测到的过程循环可以用作时间窗口的参数化。此外,特别地,模式识别算法的结果可用于计算执行特征提取的时间窗口。时间窗口可以配置为不重叠的,即连续的,或是重叠的。特别地,可以为要提取特征的某些阶段定义时间窗口。如果没有进行特征提取,例如如果传感器信息直接流入正常状态模型,则无需定义时间窗口。
时间窗口长度可以指定为单位循环数或时间单位的静态值,例如10秒。如果自动检测循环,则循环长度也可以是动态的。在这种情况下,例如,可以计算平均值作为该时间窗口长度的特征。在这里,时间窗口长度不应与训练数据集长度混淆。训练数据集可以包括多个时间窗口,以便以有意义的方式训练统计模型。然后可以从完整的训练数据集中提取特征。训练数据集可以再次划分为许多时间窗口(非重叠或重叠)。时间窗口可以例如由电气系统操作者通过菜单基于经验或基于对测量数据的监测(循环过程长度)来确定。替代地或累积地,时间窗口可以通过重复模式的自动检测以算法方式确定,例如通过自相关。此外,可以使用试错过程来确定或优化窗口选择和/或传感器数据的选择。传感器数据的选择还可以基于存储在数据库或存储器中并为此目的读出的经验值。时间窗口长度可以对应于循环长度或偏离它。然而,由于电气系统的自动化(生产)过程通常是循环过程,这通常是有用的。
此外,预处理方法,特别是模式识别算法可以包括自相关。
上述方法还可以包括降维方法(例如,主成分分析,“PCA”),并且可以将降维方法应用于原始数据和/或提取的特征,特别是在数据预处理中步骤中。
计算的异常分数可以优选地经受低通滤波器,由此低通滤波器可以是可参数化的。
在本发明的优选实施例中,元参数,特别是灵敏度参数,可以记录在用户接口(或用户界面,user interface)的输入字段上,并且灵敏度参数可以表征在哪些条件下特别是多快,在所提取的特征和学习的特征之间的差异被作为偏差处理。
有利地,提取的特征可以包括统计特性,尤其是传感器数据的平均值、最小值、最大值、差异、分位数,尤其是四分位数、偏度和/或峰度和/或其导数、频率分析的特性(例如,通过傅里叶分析)或随时间变化的其他选定特性。
此外,在获取传感器数据之后,该方法可以对获取的传感器数据执行预处理算法,该预处理算法将数据转换为不同的格式和/或过滤掉异常数据。
优选地,在获取传感器数据之后,该方法可以执行模式识别算法以检测传感器数据中的重复模式(例如,通过自相关),该重复模式表示过程循环,并且获取的过程循环可以用作时间窗口的参数化。
例如,可以提供一对一的指派,将检测到的过程循环长度指派给用于提取特征的时间窗口。然而,只有某些过程循环的子部分可能是有意义的,例如车身制造中的夹紧工艺:这里的过程循环包括车身零件的夹紧。这通常需要不到一秒钟的时间。随后的焊接过程大约需要30秒,随后的释放在焊接零件进入下一个生产步骤之前再次不到一秒。因此,整个夹紧过程还包括30秒的焊接时间,在特征提取过程中不必在所有情况下都考虑到这一点。
上面基于要求保护的方法描述了该目的的解决方案。其中提到的特征、优点或替代实施例同样适用于其他要求保护的主题,反之亦然。换言之,基于装置的主题权利要求(其例如针对状态监测单元或计算机程序)也可以进一步形成有结合方法描述或要求保护的特征,反之亦然。在这种上下文中,该方法的相应功能特征由系统或产品的相应代表性模块、尤其是硬件模块或微处理器模块形成,反之亦然。要求保护的装置因此被配置为执行上述方法。上述方法的本发明的有利实施例也可以在状态监测单元中实施。这些在此不再单独赘述。
根据第二方面,本发明涉及一种状态监测单元,用于电气系统的连续状态监测,特别是用于早期故障检测,其中所述状态监测单元适于执行上述方法之一,包括:
-到存储器的接口,在所述存储器中将经训练的正常状态模型存储为一类模型,该一类模型已在训练阶段使用表示电气系统的正常状态的正常状态数据进行训练;
-数据接口,用于通过一组传感器连续获取电气系统的传感器数据;
-提取器,用于从获取的传感器数据中提取特征;
-微分器,用于使用距离度量(例如,欧几里得范数、和范数、最大范数)确定提取特征与正常状态模型的经学习特征的偏差;
-评分单元,用于根据确定的偏差计算异常分数,以及
-输出单元,用于输出计算的异常分数。
根据第三方面,该问题通过包括指令的计算机程序来解决,当计算机程序由计算机执行时,所述指令使计算机程序执行根据上述方法权利要求中任一项的方法。
在以下附图的详细描述中,将基于附图讨论不应被限制性地理解的实施例的示例以及它们的特征和进一步的优点。
附图说明
图1示出了电气系统的一部分的示意图,特别是具有多个执行器的单元的示意图;
图2是连续状态监测过程的流程图的示例。
图3示出了具有连续状态监测的示例性电气系统的信号流图的示意性表示的示例;
图4a是使用边界框方法确定距离的示意性示例;
图4b是使用k均值方法确定距离的示意性示例;
图5是根据本发明的归一化函数的示意图。
具体实施方式
下面结合附图通过实施例更详细地描述本发明。
本发明的保护范围由权利要求书给出,并且不受说明书中解释的或附图所示的特征的限制。
本发明涉及一种用于监测电气系统状况,特别是用于检测异常的方法和设备。
图1示出了具有状态监测114的电气系统100的概览图。电气系统100包括具有多个执行器ai的单元102。可以想象,电气系统100可以包括其他或不同连接的或更多的这些执行器ai。电气系统100的其他组件包括但不限于控制器104、终端106和通信接口108。通信接口108可以包括到存储器110、116的接口,在存储器110、116中经训练的正常状态模型被存储为一类模型,以及用于连续获取传感器数据的数据接口112、302。
单元102包括功率控制v1、v2、v3,其例如可以是电压控制。此外,多个执行器a1、...、a6位于单元102上。执行器a1、...、a6连接到例如电压控制v1、...、v3并受其控制。例如,执行器a1可以是滑架。与其连接的控制器v1可以通过相应的电压信号启动滑架的电动机,使滑架移动。此外,在单元102上有数字输入/输出集线器112,它通过信号线s1连接到执行器a1。信号线s2将电压控制v1连接到集线器112。相应的信号线从执行器a2、...、a6和控制器v2、...v3引到用于数字输入和输出的集线器112。为了清楚起见,这里省略了它们的详细描述或说明。应当注意,信号线s1、s2被示为线。然而,这些也可以在每种情况下由无线通信接口代替。此外,电压控制只是示例。执行器的电动机的扭矩和/或速度也可以通过控制v1、...、v3来指定。
单元102的集线器112进一步连接到现场总线节点110。现场总线节点110代表单元102的计算中心并且包括状态监测单元114。状态监测单元114可以在现场总线节点110的持久存储器116(例如,闪存)中可用。状态监测单元114包括例如模型及其参数、训练和推理(或推断,inference)算法、训练数据、状态数据、元参数和配置参数(未示出)。此外,现场总线节点具有非持久性存储器(例如RAM)。例如,这里可以存储历史状态数据和相关的异常分数。
状态监测单元114在训练状态以及在电气系统100的推理或运行状态期间通过集线器112接收传感器数据。示出了示例性传感器m1,例如执行器a1上的限位开关,以及用于感测控制器v1上的时间戳的传感器m2。传感器m1例如测量执行器a1到达预定位置的时间。传感器m2例如测量电压控制v1被激活的时间。根据该传感器数据,本示例中的监控单元使用上述一类模型计算异常分数。这可以通过通信接口108传送到电气系统的其他组件和/或单元和/或显示在终端106上。
通信接口108例如可以是分布式系统的通信接口,例如OPC统一架构(OPC UA)。该接口可用于与其他现场总线节点和/或IT数据池进行通信。附加地或替代地,通信接口可以设计为机器对机器的通信接口并且用于例如通过消息队列遥测传输(Message QueuingTelemetry Transport,MQTT)协议传输消息。这在图1中显示,参考符号MQTT Broker。
现场总线节点110还连接到控制器,例如PLC 104和终端106。终端106可以包括用于由操作者输入的用户接口。另外或替代地,终端106可以用于显示由状态监测单元114提供的异常分数。
在本发明的优选实施例中,状态监测单元114包括三个接口,第一接口到传感器m,第二接口到存储器116,在存储器116中存储了经训练的一类模型,以及第三接口,其可以为人机接口(或人机界面,human-machineinterface)320或终端106,用于输入和输出数据。在一个简单的实施例中,状态监测单元114可以包括提取器304、微分器310和评分单元318。当然,存储器116也可以形成为内部存储器,以便经训练的一类模型可以被存储在现场总线节点110内部和本地。
图2是用于连续状态监测的方法200的流程图的示例,其中步骤202-212在推理阶段执行。方法200可以在电气系统100的状态监测单元114——以下也简称为:监测单元114——中运行,或者监测单元114可以发起相应的步骤。
在第一步骤202中,提供经训练的正常状态模型。正常状态模型被训练为一类模型并且是利用具有电气系统100的正常状态的状态数据训练的。在正常状态下,电气系统100无错误地运行。正常状态数据代表这种情况。如果执行器a1是张紧器(夹紧设备),则可以使用正常状态来准确指定完成一个生产循环所需的时间。
在步骤204中,通过一组传感器连续获取电气系统100的传感器数据。该组传感器至少包括上述传感器m1和m2。此外,这些或其他类型的传感器中的一些(麦克风、结构声拾音器)可以收集传感器数据。
此外,在步骤206中,从连续获取的传感器数据中提取特征。通过提取物理上可解释的量,该特征从纯测量数据点得出。例如,测量的时间戳被指派与特定过程相关的持续时间的特性。
随后是步骤208,该步骤通过距离度量确定提取的特征与正常状态的经学习特征的偏差。例如,距离度量可以是欧几里得范数、和范数或最大范数。
根据这些确定的偏差,在步骤210中计算异常分数。结合图3更详细地描述了该计算。
在步骤212输出异常分数。例如,可以经由电气系统终端106提供输出。异常分数也可以通过通信接口108排他地或附加地传送给其他参与者。另外或备选地,异常分数例如可以作为控制变量传送到控制器104。如果需要,这可以调整其操纵变量。此外,异常分数和相关的状态数据可以存储在现场总线节点110的非易失性存储器116中。
图3示出了信号流图300的示意性表示的示例,其包括示例性对电气系统进行连续状态监测的相关信号处理组件。特别地,在框310中表示微分器,该微分器被布置为确定基于异常分数的计算的偏差。输入302由连续记录的传感器信号组成。这些包括例如来自执行器例如气缸的限位开关的信号。如框304所示,从这些传感器信号中,通过提取器304提取特征,即,导出提供关于电气系统的运转的信息的量。在当前情况下,这可能包括执行器特征,例如速度、加速度和/或声学分布。
可以对提取的特征进行归一化以简化它们在n维空间中的表示。如果从传感器数据导出的特征包含要一起进一步处理的不同物理量和/或量值,则这是特别有利的。
在框308中,作为配置阶段中的可选步骤,可以确定距离度量以由微分器310应用。这可以通过用户接口来完成。
代表微分器的框310确定提取的特征与经学习特征的偏差。经学习特是指在训练过程中通过正常状态数据导出的特征。可以通过边界框方法311或通过k均值方法312来确定偏差。还可以想象,如果有足够的计算能力,能够两种方法都使用以用于更稳健的结果。
在边界框方法311中,确定提取的特征是否位于边界框所界定的空间内,或者是否假定边界值违反。在后一种情况下,确定提取的特征和边界框之间的距离,否则距离为零(参见图4a的解释)。在k均值方法中,确定特征到最近的聚类中心的距离(参见图4b的解释)。
确定的距离可以通过归一化函数314映射到异常分数的任何区间(例如,从“零”到“一”)。结果可以通过低通滤波器316平滑,并且对应的计算的异常分数可以作为评分单元318的输出提供。最后,计算的异常分数由输出单元320输出。
图4a和图4b以示例性方式示出了确定提取的特征与电气系统的正常状态的距离。图4a显示了使用图3中标号311表示的边界框方法确定偏差。边界框(显示为矩形)表示正常状态的经学习特征所属的空间。如果提取的特征位于边界框内,则距离为零。如果提取的特征位于边界框之外,则确定其与边界框的距离。这由虚线表示。为此目的可以使用各种距离度量、加权距离度量或距离度量的组合。距离度量例如是欧几里得范数、最大范数或和范数。可以优选地通过在配置阶段在用户接口上输入用户选择信号来完成要使用的距离度量的确定,参见步骤308(图3)。
图4b显示了使用由图3中的标号312表示的k均值方法确定偏差。“聚类中心”表示对正常状态的经学习特征数据进行分组的k均值聚类的中心。正常状态的经学习特征数据的分组由图4b中的聚类轮廓说明。提取的特征(“测试数据”)到经学习特征的最近中心的距离在k均值方法(虚线)内确定。
基于边界框或k均值方法确定的距离,一类模型确定输出给操作者的异常分数。
对于图4a和图4b,应该注意,选择的二维表示仅用于说明目的,并且特征可以是更高维(n维)的对象。
图5是根据本发明的归一化函数的示意图。归一化函数可以是sigmoid函数。在本例中,sigmoid函数已被重新调整(或重新缩放,rescale),以便可以将异常分数零指定给距离零。图表C1-C3显示了sigmoid函数的参数化对异常分数的影响以及它如何表示测量的偏差(x轴上的“距离”)。偏差被映射到异常分数0...1,这有助于它们的可解释性,从而对可能的异常做出适当的反应。
特别是,在本例中,sigmoid函数的拐点和斜率是参数化的。参数化可以通过用户接口上的输入来完成。从sigmoid曲线C1开始,增加拐点意味着沿着x轴的正方向移动。这使得模型不那么敏感,因为更高的偏差或距离现在由更低的异常分数表示。
此外,增加sigmoid曲线C1的斜率,如曲线C3示例性所示,使得偏差或距离的较小差异导致异常分数的较大差异。根据电气系统的容错性,可以选择归一化曲线并对其进行参数化。
最后,应该注意的是,本发明的描述和实施例原则上不应被理解为对本发明的任何特定物理实现的限制。结合本发明的各个实施例解释和示出的所有特征可以在根据本发明的主题中以不同的组合来提供,以便同时实现它们的有利效果。
本发明的保护范围由权利要求书给出,并且不受说明书中解释的或附图所示的特征的限制。
对于本领域技术人员来说特别明显的是,本发明不仅可以应用于所提到的传感器数据,而且还可以应用于至少部分地影响电气系统的运行状态的其他计量记录的变量。此外,状态监测单元的组件可以实现分布在多个物理产品上。
Claims (19)
1.一种用于对电气系统(100)进行连续状态监测的方法(200),包括在推理阶段执行的以下方法步骤:
-提供(202)经训练正常状态模型作为一类模型,所述一类模型已经在训练阶段用表示所述电气系统(100)的正常状态的正常状态数据进行训练;
-使用一组传感器连续获取(204)所述电气系统(100)的传感器数据;
-从获取的传感器数据中提取(206)特征;
-使用距离度量确定(208)提取的特征与所述正常状态模型的经学习特征的偏差;
-根据确定的偏差计算(210)异常分数;以及
-输出(212)所计算的异常分数。
2.根据权利要求1所述的方法,其中,所述正常状态模型是统计模型和/或机器学习模型。
3.根据前述权利要求中的任一项所述的方法,其中,所计算和输出的异常分数用于检测所述电气系统(100)的异常,并且其中,所述正常状态数据包括电机的电流强度/扭矩、执行器的位置、速度和/或加速度、麦克风/结构声测量结果、力测量结果和/或来自电气组件特别是气缸的其他信号。
4.根据前述权利要求中的任一项所述的方法,直接在现场总线节点(110)和/或边缘设备中执行。
5.根据前述权利要求中的任一项所述的方法,其中,通过基于TCP/IP的网络协议,特别是通过MQTT协议或OPC UA协议,将所述异常分数转发给选择的其他网络参与者。
6.根据前述权利要求中的任一项所述的方法,其中,确定生产率分数,特别是当对过程循环进行自动检测以便评估循环持续时间在更长的时间范围内如何发展时。
7.根据前述权利要求中的任一项所述的方法,其中,通过边界框方法(311)或通过k均值方法(312)或通过另一种合适的一类学习方法来执行正常状态的表示或建模。
8.根据前述权利要求中的任一项所述的方法,其中,归一化函数(314),尤其是sigmoid函数,被应用于所确定的偏差,和/或其中sigmoid函数的拐点和/或斜率能够被参数化,和/或其中sigmoid函数在训练阶段线性重新调整,以便所述异常分数的图形表示是连续的。
9.根据前述权利要求中的任一项所述的方法,其中,所述方法通过元参数控制,其中所述元参数包括模型的参数化,特别是k均值中心的数量和/或边界框的数量和/或边界框边界的计算规则的确定,和/或提取的特征的加权和/或用于特征提取的进一步参数。
10.根据前述权利要求中的任一项所述的方法,其中,使用相同的预处理方法对训练阶段中的正常状态数据和推理阶段中的生产数据,特别是传感器数据进行预处理。
11.根据紧接前一项权利要求所述的方法,其中所述预处理方法包括对所述传感器数据和所述正常状态数据执行模式识别算法以检测所述传感器数据中表示过程循环的重复模式,并且其中检测到的过程循环被用作时间窗口的参数化,和/或其中特别是所述模式识别算法的结果被用于计算执行所述特征提取的时间窗口。
12.根据权利要求10或11中的任一项所述的方法,其中,所述预处理方法之一,特别是所述模式识别算法,包括自相关。
13.根据前述权利要求中任一项所述的方法,包括降维方法,并且其中将所述降维方法应用于原始数据和/或提取的特征,特别是在数据预处理步骤中。
14.根据前述权利要求中的任一项所述的方法,其中,计算的异常分数经受低通滤波器(316),所述低通滤波器是能参数化的。
15.根据前述权利要求中的任一项所述的方法,其中,在用户接口(106)的输入字段上检测元参数,特别是灵敏度参数,所述灵敏度参数表征提取的特征和经学习的特征之间的差异在什么条件下并且特别是多快被处理为偏差。
16.根据前述权利要求中的任一项所述的方法,其中,所述提取的特征包括统计特征并且尤其包括传感器数据的平均值、最小值、最大值、差异、分位数,尤其是四分位数、偏度和/或峰度和/或它们的导数、频率分析的特性或随时间变化的其他选定特性。
17.根据前述权利要求中的任一项所述的方法,其中,所述方法在获取所述传感器数据之后,对所获取的传感器数据执行预处理算法,所述预处理算法将所述数据转换为不同的格式和/或过滤掉异常数据。
18.一种状态监测单元(114),用于电气系统(100)的连续状态监测,特别是用于早期故障检测,所述状态监测单元(114)被设计成执行根据前述方法权利要求中的任一项所述的方法,所述状态监测单元(114)具有:
-到存储器(116)的接口,在所述存储器(116)中经训练的正常状态模型被存储为一类模型,该一类模型已在训练阶段用正常状态数据训练并表示所述电气系统的正常状态;
-数据接口(112;302),用于通过一组传感器(m1,m2)连续获取所述电气系统的传感器数据;
-提取器(304),用于从获取的传感器数据中提取特征;
-微分器(310),用于使用距离度量确定提取的特征与所述正常状态模型的经学习特征的偏差;
-评分单元(318),用于根据确定的偏差计算异常分数;以及
-输出单元(106;320),用于输出计算的异常分数。
19.一种包括指令的计算机程序,当所述计算机程序由计算机执行时,所述指令使所述计算机程序执行根据前述方法权利要求中任一项所述的方法。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102021124253.3 | 2021-09-20 | ||
DE102021124253.3A DE102021124253A1 (de) | 2021-09-20 | 2021-09-20 | Maschinelles Lernverfahren zur Anomaliedetektion in einem elektrischen System |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115840095A true CN115840095A (zh) | 2023-03-24 |
Family
ID=85383697
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211138394.8A Pending CN115840095A (zh) | 2021-09-20 | 2022-09-19 | 用于电气系统中的异常检测的机器学习方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20230115878A1 (zh) |
CN (1) | CN115840095A (zh) |
DE (1) | DE102021124253A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117411811A (zh) * | 2023-12-15 | 2024-01-16 | 山西思极科技有限公司 | 一种电力通信设备的故障智能监测方法 |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116679165B (zh) * | 2023-07-03 | 2024-04-26 | 国网四川省电力公司成都供电公司 | 基于同步挤压广义s变换的频域反射电缆缺陷定位方法 |
CN117092980B (zh) * | 2023-08-05 | 2024-02-06 | 淮阴师范学院 | 一种基于大数据的电气故障检测控制系统 |
CN117216673B (zh) * | 2023-11-08 | 2024-03-12 | 国网江西省电力有限公司电力科学研究院 | 一种电流互感器监测评价检修平台 |
CN117349778B (zh) * | 2023-12-04 | 2024-02-20 | 湖南蓝绿光电科技有限公司 | 一种基于物联网的用电设备在线实时监测系统 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4032045B2 (ja) | 2004-08-13 | 2008-01-16 | 新キャタピラー三菱株式会社 | データ処理方法及びデータ処理装置、並びに診断方法及び診断装置 |
WO2010011918A2 (en) | 2008-07-24 | 2010-01-28 | University Of Cincinnati | Methods for prognosing mechanical systems |
US8332337B2 (en) | 2008-10-17 | 2012-12-11 | Lockheed Martin Corporation | Condition-based monitoring system for machinery and associated methods |
DE102012015485A1 (de) | 2012-08-07 | 2014-05-15 | Prüftechnik Dieter Busch AG | Verfahren zum Überwachen von rotierenden Maschinen |
DE102020202870A1 (de) | 2020-03-06 | 2021-09-09 | Robert Bosch Gesellschaft mit beschränkter Haftung | Verfahren zur Validierung und Auswahl auf maschinellem Lernen basierender Modelle zur Zustandsüberwachung einer Maschine |
-
2021
- 2021-09-20 DE DE102021124253.3A patent/DE102021124253A1/de active Pending
-
2022
- 2022-09-16 US US17/932,719 patent/US20230115878A1/en active Pending
- 2022-09-19 CN CN202211138394.8A patent/CN115840095A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117411811A (zh) * | 2023-12-15 | 2024-01-16 | 山西思极科技有限公司 | 一种电力通信设备的故障智能监测方法 |
CN117411811B (zh) * | 2023-12-15 | 2024-02-23 | 山西思极科技有限公司 | 一种电力通信设备的故障智能监测方法 |
Also Published As
Publication number | Publication date |
---|---|
DE102021124253A1 (de) | 2023-03-23 |
US20230115878A1 (en) | 2023-04-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115840095A (zh) | 用于电气系统中的异常检测的机器学习方法 | |
CN104390657B (zh) | 一种发电机组运行参数测量传感器故障诊断方法及系统 | |
EP3948437B1 (en) | Predictive classification of future operations | |
CN113128561A (zh) | 一种机床轴承故障诊断方法 | |
US20160313216A1 (en) | Fuel gauge visualization of iot based predictive maintenance system using multi-classification based machine learning | |
US20230088241A1 (en) | Machine learning method for leakage detection in a pneumatic system | |
CN111504676A (zh) | 基于多源监控数据融合的设备故障诊断方法、装置及系统 | |
CN106796423A (zh) | 智能可编程逻辑控制器 | |
KR20210097369A (ko) | 고장유형 빅데이터를 이용한 기계설비의 잠재적 고장예측 시스템 및 그 방법 | |
Dias et al. | A cloud-based condition monitoring system for fault detection in rotating machines using PROFINET process data | |
KR20210091737A (ko) | 비정상 기계 성능의 자동화된 분석 | |
US20220004163A1 (en) | Apparatus for predicting equipment damage | |
Frey | Monitoring of complex industrial processes based on self-organizing maps and watershed transformations | |
EP3674946B1 (en) | System and method for detecting anomalies in cyber-physical system with determined characteristics | |
Kelley et al. | New fault diagnosis procedure and demonstration on hydraulic servo-motor for single faults | |
Frey | Diagnosis and monitoring of complex industrial processes based on self-organizing maps and watershed transformations | |
KR102182226B1 (ko) | 고장 검출 진단 시스템 및 진단방법 | |
US10078062B2 (en) | Device health estimation by combining contextual information with sensor data | |
Kumar et al. | Review on prognostics and health management in smart factory: From conventional to deep learning perspectives | |
KR20210147318A (ko) | 복합센서 기반의 인공지능형 결함 진단 시스템 | |
Ning et al. | An intelligent device fault diagnosis method in industrial internet of things | |
Makansi et al. | Feature Generation and Evaluation for Data-Based Condition Monitoring of a Hydraulic Press | |
CN110045716B (zh) | 一种闭环控制系统早期故障检测和诊断方法和系统 | |
Sharmila et al. | A two-step unsupervised learning approach to diagnose machine fault using big data | |
Kolar et al. | Identification of inability states of rotating machinery subsystems using industrial IoT and convolutional neural network–initial research |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |