CN117043700A - 基于模拟的征兆的异常的原因分析 - Google Patents
基于模拟的征兆的异常的原因分析 Download PDFInfo
- Publication number
- CN117043700A CN117043700A CN202280023528.3A CN202280023528A CN117043700A CN 117043700 A CN117043700 A CN 117043700A CN 202280023528 A CN202280023528 A CN 202280023528A CN 117043700 A CN117043700 A CN 117043700A
- Authority
- CN
- China
- Prior art keywords
- abnormality
- technical
- symptoms
- cause
- operating state
- 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
- 208000024891 symptom Diseases 0.000 title claims abstract description 41
- 230000005856 abnormality Effects 0.000 title claims abstract description 36
- 238000000034 method Methods 0.000 claims abstract description 53
- 238000009434 installation Methods 0.000 claims abstract description 24
- 238000004088 simulation Methods 0.000 claims abstract description 19
- 238000004519 manufacturing process Methods 0.000 claims abstract description 10
- 238000004590 computer program Methods 0.000 claims description 10
- GNFTZDOKVXKIBK-UHFFFAOYSA-N 3-(2-methoxyethoxy)benzohydrazide Chemical compound COCCOC1=CC=CC(C(=O)NN)=C1 GNFTZDOKVXKIBK-UHFFFAOYSA-N 0.000 claims description 4
- 238000003745 diagnosis Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 6
- 230000006399 behavior Effects 0.000 description 5
- 230000015572 biosynthetic process Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000003889 chemical engineering Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
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
- G05B23/024—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
- G05B23/0275—Fault isolation and identification, e.g. classify fault; estimate cause or root of failure
- G05B23/0278—Qualitative, e.g. if-then rules; Fuzzy logic; Lookup tables; Symptomatic search; FMEA
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Quality & Reliability (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明提出一种用于得出在技术设备、尤其是制造或过程设备的运行中异常的原因的方法，该方法包括：借助于计算机实现的模拟工具对技术设备的无故障运行进行模拟；模拟在技术设备的运行中的异常的单独发生的多个原因；异常的单独发生的多个原因，分别比较被模拟的无故障的运行状态与在存在异常的发生原因之一时的被模拟的运行状态，其中，由比较分别推导出定性征兆，定性征兆描述运行状态与无故障的运行状态的定性偏差；实际运行技术设备；对于技术设备的实际运行中发生异常的情况，确定异常的定性征兆；将在技术设备的实际运行中确定的征兆与之前在存在异常的发生原因之一时在运行状态的模拟中推导出的每个征兆进行比较；识别与在技术设备的实际运行中确定的征兆具有一定的相似度的征兆，并且将与已识别的征兆相关联的异常的原因存储在技术设备的数据存储器中和/或显示与已识别的征兆相关联的异常的原因。
Description
技术领域
本发明涉及一种根据权利要求1所述的用于得出在技术设备运行时的异常的原因的方法。此外，本发明涉及一种根据权利要求4所述的具有能够通过计算机实施的程序代码指令的计算机程序。此外，本发明还涉及一种根据权利要求5所述的具有能够通过计算机实施的计算机程序的存储介质、一种根据权利要求6所述的用于技术设备的服务器、尤其操作员站服务器以及一种根据权利要求7所述的用于技术设备的控制系统。
背景技术
通常持续地监控技术设备、尤其制造或过程设备，以便避免不利的运行状态。在此，即使必须完全手动地搜索异常的原因，在技术设备的运行中的偏差的识别(异常识别)也提供增值。当存在关于如下的信息时，即，技术设备的哪些部件以何种方式和方法与其正常行为偏离(征兆识别)，则能够提高增值。
手动搜索原因是麻烦和繁琐的。因此已知通过各种努力能够自动确定对于偏差的原因，使得设备人员能够直接开始修复该原因。原则上，在此能够在两种做法之间区分。
第一解决方案遵循纯基于数据的原因搜索。然而在此，仅当原因在过去已经发生并且相应地分类时，才能实现原因的识别。
第二解决方案基于模型。在此，基于技术设备的设备结构(例如管道流程图和仪器流程图)产生技术设备或其部件的模型。这随后用于给已识别的征兆配设可能的原因。
对于建模能够考虑不同的方法。在EP 2568348 A1、EP 2587328 A1和EP 2587329A1中描述了基于所谓的“符号有向图”的这样的建模。由此，对于(在研究设备的尺寸方面)小的设备拓扑结构，能够在得出原因时实现良好的结果。然而，对于较大的实际的工业设备，这里描述的方法不太适合。尤其，设备拓扑结构中的分支可能导致空的原因量或过多的可能原因。
[1]和[2]在评论中提供关于用于原因分析的可能算法的系统概述。
[1]Venkat Venkatasubramanian、Raghunathan Rengaswamy、Kewen Yin、SuryaN.Kavuri；过程故障检测与诊断的评论，第一部分：基于定量模型的方法；计算机与化学工程，第27期，第293-31t页，2003年。
[2]Venkat Venkatasubramanian、Raghunathan Rengaswamy、Surya N.Kavuri；过程故障检测与诊断的评论，第二部分：定性模型和搜索策略；计算机与化学工程，第27期，第313-326页，2003年。
然而这里所引用的所有方法都具有相对较大的复杂性和高建模成本。
如果将现有的过程模型用作用于异常识别的辅助，则为此能够在[3]和[4]中找到以下三种方案：
·参数估计方法或参数识别方法
·基于观察器的方法
·奇偶校验方程
这些异常识别方法为了故障诊断而被扩展了多个不同的故障模型。如果代替实际模型，故障模型中的一个故障模型与过程数据一致，则能够诊断出故障。在此，故障模型以刚好一个实施方案/故障强度观察已知的问题并且然后作出关于二元故障的结论(例如阀功能正常或者阀功能不正常)。如果多个相似的故障模型又显示正面的诊断结果，则不能作出明确的结论或建议。
不同强度中的故障(例如材料污染、过程抑制等)不能用具有恒定参数的模型来描绘，而是只能用大量不同的故障模型来描述。由此产生用于建模故障模型的提高的耗费。此外，产生了不可校验的多个模型。
替代地，使用基于观察器的方案，这些方案一起估计故障参数。这些方案的缺点是，观察器仅在高的模型品质的情况下收敛并且仅当例如正确满足所有噪声假定时才提供无偏差的估计。
所有解决方案的共同点是，模型品质必须不仅对于正常行为而且对于故障行为都非常好。该要求已经对于在正常运行中的模型不总是被满足。然而，一般而言，缺乏故障数据不能实现对于故障情况的这样精确的建模。
[1]：R.Isermann，“连续技术过程的基于模型的监控和故障诊断”，2010年6月
[2]：S.X.Ding，“基于模型的故障诊断技术”，杜伊斯堡，2013
发明内容
本发明的目的在于，提供一种用于得出在技术设备运行时的异常的原因的方法，该方法能够有效地、以小的耗费并且自动地执行。
该目的通过根据权利要求1所述的用于得出在技术设备、尤其制造或过程设备的运行中的异常的原因的方法来解决。此外，该目的通过根据权利要求4所述的具有能够通过计算机实施的程序代码指令的计算机程序来解决。此外，该目的通过根据权利要求5所述的具有能够通过计算机实施的计算机程序的存储介质和根据权利要求6的用于技术设备、尤其制造或过程设备的服务器、尤其操作员站服务器来解决。此外，该目的通过根据权利要求7所述的用于技术设备、尤其制造或过程设备的控制系统来解决。有利的改进方案由从属权利要求得出。
根据本发明的方法包括以下方法步骤：
a)借助于计算机实现的模拟工具对技术设备的无故障运行进行模拟；
b)模拟在该技术设备的运行期间异常的多个单独的发生原因；
c)对于异常的多个单独的发生原因，分别比较被模拟的无故障的运行状态与在存在异常的发生原因之一时的被模拟的运行状态，其中，由该比较分别推导出定性征兆，该定性征兆描述该运行状态与无故障的运行状态的定性偏差；
d)实际运行该技术设备；
e)对于该技术设备的实际运行中发生异常的情况，确定该异常的定性征兆；
f)将在该技术设备的实际运行中确定的征兆与之前在存在异常的发生原因之一时在该运行状态的模拟中推导出的每个征兆进行比较；
g)识别与在该技术设备的实际运行中确定的征兆具有一定的相似度的征兆，并且将与已识别的征兆相关联的异常的原因存储在该技术设备的数据存储器中和/或显示与已识别的征兆相关联的异常的原因。
技术设备能够是过程工业中的设备，例如化学、制药、石油化学或来自食品和酒水工业的设备。这还包括来自生产工业的任何设备，例如生产所有类型的汽车或货物的工厂。适合于执行根据本发明的方法的技术设备也能够来自能量产生的领域。风力发电机、太阳能设备或用于产生能量的发电站同样也被技术设备的概念包括。
这些设备通常具有控制系统或至少一个计算机辅助模块，用于控制和调节进行的过程或生产。控制系统或控制模块或技术设备的一部分是至少一个数据库或档案，在该数据库或档案中存储有历史数据。
根据本发明的方法基于，通过引入征兆的中间步骤将实际数据和模拟的模型数据相互比较，以便能够推断出在技术设备运行时的异常的原因。术语“征兆”来自技术设备的监控领域并且描述与技术设备的正常运行的偏差。具体地，征兆包括偏差的变量和相应偏差的类型。这种偏差根据本发明仅被定性地考虑。可能征兆的实例是：传感器X的压力值太大或太小，传感器Y的温度值太小或太大。定性征兆的量化能够限制为三个级别(较大/无偏差/较小)，但也能够具有更多级别。
在执行根据本发明的方法时假设存在用于技术设备的相应的模拟模型。为此假设，模拟模型包括可能的异常和异常原因，其中，能够改变异常的强度，或者其中，异常被构造成二进制的(异常存在/不存在)。
将可能的异常的单独的发生原因的所有模拟与被模拟的正常运行进行比较并且形成差值作为征兆。因为模拟正确地反映基本行为，征兆通常也是正确的。在此也能够参考对实施例的描述以及与此相关的对实验的描述。
根据本发明的方法的大的优点在于，对模拟模型的要求显著降低，因为不必精确地并且对于所有情况校准模拟模型。因此与许多其他方法不同，该方法完全能够实际应用。
在方法步骤g中，仅能够识别与在该技术设备的实际运行中确定的征兆相同的那些征兆，并且该征兆存储和/或显示在该数据存储器中。
但是也可行的是，在方法步骤b和c中，对于每个所考虑的异常的原因，异常的原因的强度在确定的范围中变化，其中，在该变化中能够推导出多个征兆，这些征兆在适当的情况下用于在步骤g中识别异常的原因。对此背景是，尤其在技术设备中的非线性的情况下，异常的强度的变化可能导致不同的征兆(根据强度程度)。通过相应改进的方法能够明显改进异常的原因的识别。
上述目的还通过一种计算机程序来解决，该计算机程序具有能够由计算机执行的程序代码指令，以用于实施前面所解释的方法。此外，该目的通过一种具有能够由计算机执行的之前阐述的计算机程序的存储介质和一种计算机系统来解决，在该计算机系统上实施如之前阐述的计算机程序。
附图说明
本发明的上面描述的特性、特征和优点以及实现这些特性、特征和优点的方式和方法结合实施例的下面的描述变得更清楚并且更明白地理解，该实施例结合附图来更详细阐述。示出了：
图1示出具有三个储罐的技术设备；
图2示出实际的和模拟的测量数据的比较；
图3示出在第一异常时的征兆形成；
图4示出在第二异常时的征兆形成；并且
图5示出在第三异常时的征兆形成。
具体实施方式
在图1中示意性呈现了作为技术设备的实际的三储罐试验台。该三储罐试验台具有第一储罐1、第二储罐2和第三储罐3。泵4在图1中连接到第一储罐1和第三储罐3上，以便能够例如将水泵送到相应的储罐1、3中。
第一储罐1借助第一连接管路5与第二储罐2连接。第二储罐2借助第二连接管路6与第三储罐3连接。水能够通过排出口从第三储罐排出。在图1中，三个储罐1、2、3中的水的填充高度从第一储罐1向右朝向第三储罐3减小。
在三个储罐1、2、3中的填充高度的非线性的精确建模得出以下关系：
在此描述了：
x1表示第一储罐1中的水的填充高度；
x2表示第二储罐2中的水的填充高度；
x3表示第三储罐3中的水的填充高度；
A1表示第一储罐1的横截面面积；
A2表示第二储罐2的横截面面积；
A3表示第三储罐3的横截面面积；
q1表示第一储罐1和第二储罐2之间的第一连接管路5的横截面面积；
q2表示第二储罐2和第三储罐3之间的第二连接管路6的横截面面积；
q3表示在储罐3的排出口中的横截面面积；
g表示重力加速度；
u1表示进入第一储罐1中的输入口；并且
u2表示进入第三储罐3中的输入口。
能够通过系统的线性化来模拟该简单技术设备的运行。在此，能够使用以下模拟模型：
在此对于[A|B]适用：
线性模拟模型仅适用于下降的填充水平并且假定为未经校准。通过将模拟模型的参数变化20％来实现这种缺乏校准。
在图2中示出三个储罐1、2、3中的填充高度xl、x2和x3的实际数据(非线性模拟)与模拟数据的比较，该模拟数据是利用之前阐述的用于第一储罐1和第三储罐3的输入口中的输入阶跃的线性模拟模型来得出的。能够很好地识别通过参数变化和线性化产生的在模拟数据和实际数据之间的偏差。在此，在图2中，在时间(变化曲线)图表中的实际数据分别布置在模拟值之上(即更大)。在此清楚的是，通过模拟来再现技术设备的原理行为。
下面考虑对于在三储罐试验台的运行期间的异常的三种可行的原因：
-原因1：第一储罐1和第二储罐2之间的连接管路5的局部阻塞(横截面积q1的减小)
-原因2：第二储罐2和第三储罐3之间的连接管路6的局部阻塞(横截面积q2的减小)
-原因3：从第三储罐3的泄漏(进入第三储罐3中的输入口u2的减小)
在图3至图5中，连续地处理异常的三个原因1-3，其中，在相应的左边的列中将实际的测量数据(即填充高度x1、x2、x3)与所模拟的数据进行比较。在此示出，异常的关联是困难的，因为上述模型误差(20％)导致模拟数据和实际数据之间的偏差大于基于异常的偏差。
在中间列中分别将征兆作为精确值呈现，该征兆并不理想地适合于诊断。在右列中分别呈现了征兆，其中，将征兆分别量化成三个级别(0＝相同，1＝过大，-1＝过小)。例如在图3中填充高度x1的量化征兆具有“过大”值(这里用1表示)。例如，在图5中，所有三种征兆具有“过小”值(用-1表示)。示出的是，量化的(定性的)征兆与实际的以及模拟的测量数据一致。
在三储罐试验台的实际运行中，所得出的征兆随后与先前在模拟运行状态时在存在异常的发生原因之一时推导出的每个征兆进行比较。随后识别出那些与在三储罐试验台的实际运行中确定的征兆具有一定的相似度的征兆，并且将与已识别的征兆相关联的异常的原因存储在数据存储器中和/或借助显示单元可视地呈现给三储罐试验台的操作者。基于之前提到的实际的和模拟的测量数据的征兆的一致性，征兆与相应异常的原因的关联是明确的。
尽管通过优选的实施例更详细示出并描述了本发明，但是本发明不限于所公开的实例并且本领域技术人员能够从中推导出其他变体方案，而不脱离本发明的保护范围。
Claims (7)
1.一种用于得出技术设备的运行中的异常的原因的方法，所述技术设备尤其是制造或过程设备，所述方法包括：
a)借助于计算机实现的模拟工具对所述技术设备的无故障运行进行模拟；
b)模拟在所述技术设备的运行期间的异常的多个单独的发生原因；
c)针对异常的多个单独的发生原因，分别将被模拟的无故障的运行状态与在存在异常的发生原因之一时被模拟的运行状态比较，其中，从所述比较分别推导出定性征兆，所述定性征兆描述所述运行状态与所述无故障的运行状态的定性偏差；
d)实际运行所述技术设备；
e)对于在所述技术设备的实际运行期间发生异常的情况，确定所述异常的定性征兆；
f)将在所述技术设备的实际运行期间确定的征兆与先前在存在异常的发生原因之一时在所述运行状态的模拟中已推导出的每个征兆进行比较；
g)识别与在所述技术设备的实际运行期间确定的征兆具有一定的相似度的推导出的征兆，并且将与已识别的征兆相关联的异常的原因存储在所述技术设备的数据存储器中和/或显示与已识别的征兆相关联的所述异常的原因。
2.根据权利要求1所述的方法，其中，在步骤g中，将与在所述技术设备的实际运行期间确定的征兆一致的征兆识别并且存储在所述数据存储器中和/或显示。
3.根据权利要求1或2所述的方法，其中，在根据权利要求1所述的方法的步骤b和步骤c中，对于异常的每个可行原因，使异常的原因的强度在特定范围内变化，其中，在所述变化的情况下能够推导出多个征兆，所述多个征兆在适当的情况下用于在根据权利要求1所述的方法的步骤g中识别异常的原因。
4.一种计算机程序，具有能由计算机实施的程序代码指令，所述程序代码指令用于实施根据权利要求1至3中任一项所述的方法。
5.一种存储介质，具有能由计算机实施的根据权利要求4所述的计算机程序。
6.一种用于技术设备、尤其制造或过程设备的服务器，所述服务器尤其是操作员站服务器，在所述服务器上实施根据权利要求4所述的计算机程序。
7.一种用于技术设备、尤其制造或过程设备的控制系统，所述控制系统具有至少一个根据权利要求6所述的服务器、尤其操作员站服务器和客户端、尤其操作员站客户端。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| EP21163887.9A EP4063980A1 (de) | 2021-03-22 | 2021-03-22 | Ursachenanalyse einer anomalie auf basis von simulierten symptomen |
| EP21163887.9 | 2021-03-22 | ||
| PCT/EP2022/057334 WO2022200263A1 (de) | 2021-03-22 | 2022-03-21 | Ursachenanalyse einer anomalie auf basis von simulierten symptomen |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117043700A true CN117043700A (zh) | 2023-11-10 |
Family
ID=75143481
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202280023528.3A Pending CN117043700A (zh) | 2021-03-22 | 2022-03-21 | 基于模拟的征兆的异常的原因分析 |
Country Status (4)
| Country | Link |
|---|---|
| US (1) | US20240176340A1 (zh) |
| EP (2) | EP4063980A1 (zh) |
| CN (1) | CN117043700A (zh) |
| WO (1) | WO2022200263A1 (zh) |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA2510556C (en) * | 2004-07-01 | 2013-02-19 | Cae Inc. | Method and system for simulation-based troubleshooting and fault verification in operator-controlled complex systems |
| US8090559B2 (en) * | 2007-12-05 | 2012-01-03 | Honeywell International Inc. | Methods and systems for performing diagnostics regarding underlying root causes in turbine engines |
| EP2568348A1 (de) | 2011-09-06 | 2013-03-13 | Siemens Aktiengesellschaft | Unterstützung der Fehlerdiagnose einer Industrieanlage |
| US20170233104A1 (en) * | 2016-02-12 | 2017-08-17 | Ge Aviation Systems Llc | Real Time Non-Onboard Diagnostics of Aircraft Failures |
-
2021
- 2021-03-22 EP EP21163887.9A patent/EP4063980A1/de not_active Withdrawn
-
2022
- 2022-03-21 EP EP22716401.9A patent/EP4272042A1/de active Pending
- 2022-03-21 WO PCT/EP2022/057334 patent/WO2022200263A1/de active Application Filing
- 2022-03-21 CN CN202280023528.3A patent/CN117043700A/zh active Pending
- 2022-03-21 US US18/283,334 patent/US20240176340A1/en active Pending
Also Published As
| Publication number | Publication date |
|---|---|
| US20240176340A1 (en) | 2024-05-30 |
| WO2022200263A1 (de) | 2022-09-29 |
| EP4272042A1 (de) | 2023-11-08 |
| EP4063980A1 (de) | 2022-09-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3809220A1 (en) | Method and system for semi-supervised deep anomaly detection for large-scale industrial monitoring systems based on time-series data utilizing digital twin simulation data | |
| Wang et al. | A robust fault detection and diagnosis strategy for multiple faults of VAV air handling units | |
| CN107678416B (zh) | 用于监控工程设施的运行的诊断装置和方法 | |
| EP1982301B1 (en) | Method of condition monitoring | |
| JP5096352B2 (ja) | システムの行動における故障の影響をモデル化する方法 | |
| KR101065767B1 (ko) | 성능저하 및 고장원인 조기 진단방법 | |
| US11287796B2 (en) | Diagnostic device and method for monitoring a technical plan | |
| JP5048748B2 (ja) | 試験テーブル生成装置及び試験テーブル生成方法 | |
| Zhou et al. | Identification based fault detection: Residual selection and optimal filter | |
| EP3627261B1 (en) | Diagnosis system and method using parallel analysis paths | |
| Medjaher | A bond graph model-based fault detection and isolation. | |
| CN117043700A (zh) | 基于模拟的征兆的异常的原因分析 | |
| US20230094914A1 (en) | Training an Artificial Intelligence Module for Industrial Applications | |
| US20240160165A1 (en) | Method and System for Predicting Operation of a Technical Installation | |
| JP7026012B2 (ja) | 機器状態監視システム及び機器状態監視方法 | |
| CN116235121A (zh) | 识别用于执行生产过程的工业设施中的异常的装置和方法 | |
| EP3048613A1 (en) | Method for analysis of plant disturbance propagations | |
| CN112272804B (zh) | 无需动态系统模型的工业过程在线故障定位 | |
| US11669082B2 (en) | Online fault localization in industrial processes without utilizing a dynamic system model | |
| JPH07295853A (ja) | 故障診断方法 | |
| RU2777950C1 (ru) | Обнаружение нештатных ситуаций для прогнозного технического обслуживания и определения конечных результатов и технологических процессов на основании качества данных | |
| US20230415921A1 (en) | Method for determining an efficiency fault of an aircraft turboshaft engine module | |
| CN114815767A (zh) | 用于诊断具有电传动系的电驱动车辆的故障的方法 | |
| KR20240032413A (ko) | 시뮬레이터를 이용한 인공지능 기반 플랜트 진단 시스템 및 그 동작 방법 | |
| CN115335790A (zh) | 用于诊断消息方法和系统 |
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 |