-
Die vorliegende Erfindung bezieht
sich allgemein auf ein Verfahren und System zum Ausführen einer Überwachung
von industriellen Prozessen unter Verwendung von Sensor- oder Datenquellenausgängen. Genauer
gesagt, beschäftigt
sich die Erfindung mit einem Verfahren und System zum Verarbeiten
von Sensordaten und zum Verwenden virtueller Daten als eine verbessere
Methodik gegenüber
einfachen statistischen Ansätzen
zur industriellen Prozessüberwachung.
Weiterhin beinhaltet die Erfindung die Verwendung einer Mehrzahl
von Techniken, die zur verbesserten Analyse industrieller Prozessdaten
gekoppelt sind.
-
Konventionelle Parameterüberwachungsschemata
sind nur für
Bruttoänderungen
im Mittelwert eines Prozesses oder für große Schritte oder Spitzen sensitiv,
die eine Schwellenbegrenzungsprüfung übersteigen. Diese
konventionellen Verfahren leiden entweder an ihrer großen Zahl
falscher Alarme (falls die Schwellenwerte zu nahe an normalen Betriebspegeln
gesetzt sind) oder einer großen
Zahl versäumter
(oder verzögerter) Alarme
(falls die Schwellenwerte zu ausgedehnt gesetzt sind). Darüber hinaus
können
die meisten konventionellen Verfahren nicht den Beginn einer Prozessstörung, Sensorabweichungen
oder Datenanomalien, die zu einem Signal unterhalb des Schwellenpegels
für eine
Alarmbedingung führt,
wahrnehmen. Die meisten Verfahren berücksichtigen ebenfalls nicht
die Beziehung zwischen einer Messung durch einen Sensor relativ
zu einer anderen Sensormessung.
-
Bei einem anderen Beobachtungsvertahren
hat eine konventionelle sequenzielle Wahrscheinlichkeitsverhältnistesttechnik
("SPRT", Sequential Probability
Ratio Test) weite Anwendung als ein Signalvalidierungswerkzeug in
der Kernreaktorindustrie gefunden. Das SPRT-Verfahren ist eine Mustererkennungstechnik,
welche die mit physischen Prozessvariablen assoziierten stochastischen
Komponenten verarbeitet und eine hohe Sensitivität für den Beginn subtiler Störungen bei
diesen Variablen aufweist. Zwei Merkmale der konventionellen SPRT-Technik
machen sie für
Parameterüberwachung
und Fehlerdetektion attraktiv: (1) Frühe Ansage des Beginns einer
Störung
bei rauschenden Prozessvariablen und (2) hat die SPRT-Technik anwenderspezifizierbare
Falschalarm- und Verpasst-Alarmwahrscheinlichkeiten. SPRT-Techniken
sind primär
auf die Analyse von Daten von gepaarten oder mehreren Paaren von
Sensoren gerichtet, im Gegensatz zu einer großen Zahl verschiedener Prozesssensordatenpunkte.
SPRT hängt
auch typischerweise von Annahmen darüber ab, dass die Daten unabhängig von
anderen Datenquellen sind und dass sie Gauss-verteilte Daten sind.
Die alleinig verwendete SPRT-Technik hat daher gewisse Nachteile
beim Identifizieren von Anomalien in Prozessen.
-
Andere Arten statistischer Techniken
sind auch für
industrielle Prozessbewachung und Analyse entwickelt worden, haben
jedoch andere Insensitivitäten
für gewisse
Klassen von Sensordaten.
-
US 5 255208A offenbart ein diagnostisches
System zum Detektieren von Fehlern und Stromausfällen in Gleichstrom-Gleichstromwandlern,
die in Massentransitfahrzeugen verwendet werden. Das System umfasst zumindest
einen Sensor zum Feststellen einer Bedingung des Wandlers. Der Sensor
ist mit einem Prozessor verbunden, der die vom Sensor gemessenen
Wellenformen mit Wellenformen einer Normalbetriebsbedingung des
Wandlers, die im Speicher gespeichert ist, vergleicht. Falls der
Unterschied zwischen der gemessenen Wellenform und der Wellenform
im Normalbetrieb über
einer vorgegebenen Schwelle liegt, vergleicht der Prozessor die
gemessenen Wellenformen mit bekannten abnormen Wellenformen, die
auftreten können,
und identifiziert entweder das Problem und zeichnet es im Speicher
auf oder identifiziert das Problem nicht und zeichnet im Speicher
auf, dass eine unbekannte Art von Versagen aufgetreten ist.
-
EP 0 626 697 A1 beschreibt ein System zum Überwachen
und Diagnostizieren von Bedingungen von Kern- und thermoelektrischen
Kraftwerken. Das System vergleicht gemessene derzeitige Betriebsbedingungen
des Werks mit Normalbetriebsbedingungen des Werks, die in einem
Speicher gespeichert sind. Falls die aktuellen Betriebsbedingungen
von den Normalbedingungen um eine vorgegebene Schwelle abweichen,
wird das Werk als in einer abnormen Bedingung befindlich diagnostiziert.
-
US 5 223 207 A offenbart ein System, das das
Nachlassen einer Kühlmittelpumpe
in einem Kernreaktor durch Verwenden eines sequenziellen Wahrscheinlichkeitsverhältnistests
zum Evaluieren parametrischer, mit der Funktion der Kühlmittelpumpe
assoziierter Daten bestimmt.
-
US
5 459 675 offenbart ein System und ein Verfahren zum Überwachen
industrieller Prozesse und einen, ein Signal erzeugenden Sensor,
der nicht-weiße
Rauschcharakteristika aufweist. Insbesondere umfasst das System
und Verfahren das Entfernen zumindest eines Teils des nicht-weißen Rauschens
aus dem Signal, bevor das Signal durch einen sequenziellen Wahrscheinlichkeitsverhältnistest
geprüft
wird, um festzustellen, ob es eine Verschlechterung des Prozesses
oder Sensors gibt.
-
US 5 070 468 A offenbart ein System, das zum
Diagnostizieren von Fehlern oder Ausfällen in industriellen Großanlagen
in der Lage ist. Das System vergleicht gemessene Stromwerte, die
für die
Bedingung der Anlage repräsentativ
sind, mit in einem Speicher gespeicherten Wertsätzen, die für abnorme Bedingungen der Anlage
repräsentativ
sind. Falls Stromwerte einem der Sätze abnormer Werte ähneln, wird
das Problem diagnostiziert und eine geeignete Warnung erzeugt.
-
US
4 977 390 beschreibt ein Verfahren und System zum Verarbeiten
von innerhalb eines Stromnetzes erzeugten Alarmen, um die Art des
Fehlers oder Versagens, der aufgetreten ist, zu bestimmen. Das System umfasst
eine Datenbank mit Fehlern und Ausfällen, die in einem Stromnetz
auftreten können,
und der Alarmmuster, die erzeugt werden, wenn solche Fehler oder
Ausfälle
auftreten. Das System vergleicht eine aktuelle Sequenz von Alarmen
mit den Datenbankeinträgen,
um den bestimmten Fehler oder Ausfall, der aufgetreten ist, zu identifizieren.
-
Es ist daher eine Aufgabe der Erfindung,
ein verbessertes Verfahren und System zum Überwachen industrieller Prozesse
und Apparate bereitzustellen.
-
Es ist eine andere Aufgabe der Erfindung,
ein neues Verfahren und System zur Online-Überwachung industrieller Prozesse
und Apparate mit mehreren Sensoren bereitzustellen.
-
Es ist auch eine Aufgabe der Erfindung,
ein verbessertes Verfahren und System zur Evaluierung von Prozessdaten,
online oder offline, von Sensoren oder Datensammelquellen bereitzustellen.
-
Es ist eine weitere Aufgabe der Erfindung,
ein neues Verfahren und System zum Durchführen vorläufiger Analyse von Daten für Alarmbedingungen
bereitzustellen, bevor die Daten einem SPRT-System eingegeben werden.
-
Es ist eine zusätzliche Aufgabe der Erfindung,
ein verbessertes Verfahren und System zum Maskieren ausgewählter Sensordaten
und Ersetzen virtueller Daten bereitzustellen, um Tests durchzuführen, um
festzustellen, ob abnorme Prozessbedingungen oder abnorme Sensorbedingungen
existieren und ob der überwachte
Prozess angehalten oder modifiziert werden soll oder nicht.
-
Es ist noch eine weitere Aufgabe
der Erfindung, ein neues Verfahren und System bereitzustellen, das für normalen
System- und/oder Sensor- und/oder Datenquellenbetrieb charakteristische
Trainingsdaten verwendet, um sie mit dem ablaufenden industriellen
Prozess und/oder der Datensammlung zu vergleichen.
-
Es ist noch eine weitere Aufgabe
der Erfindung, ein verbessertes Verfahren und System zum Bearbeiten
von Daten aus einem Prozess bereitzustellen, um Trainingsdaten für den Normalbetrieb
zu bestimmen, solche Trainingsdaten auf einem Computerspeichermedium
zu speichern und echte Prozessdaten relativ zu den normalen Trainingsdaten
unter Verwendung einer Mehrzahl mathematischer Methodiken, die in
einem ROM oder PROM-Speichermedium gespeichert sind, zu analysieren.
-
Es ist auch eine zusätzliche
Aufgabe der Erfindung, ein neues Verfahren und System bereitzustellen, das
eine virtuelle Signalcharakteristik des Normalzustandbetriebs verwendet,
die auf Basis der Korrelation mit einer Mehrzahl von anderen Prozessdatenwerten
erhalten ist, um sie mit einem realen Prozessdatensignalsatz zu vergleichen,
um die Wahrscheinlichkeit eines abnormen Prozesses oder Betriebs
von Datenquellen abzuleiten.
-
Es ist noch eine weite Aufgabe der
Erfindung, ein neues Verfahren und eine Vorrichtung zum Akkumulieren
von Trainingsdaten bereitzustellen, um irgendeinen einer Mehrzahl
spezifischer Betriebszustände
wahrzunehmen und dadurch eine bestimmte in einem Prozess oder anderen
System vorhandene Art von Fehler oder Bedingung zu identifizieren.
-
Es ist auch eine weitere Aufgabe
der Erfindung, ein neues Verfahren und eine Vorrichtung zur Überwachung
eines Prozesses unter Verwendung von Trainingsdaten bereitzustellen,
um sich langsam ändernde Betriebssensordaten,
die für
normale Prozessänderungen
charakteristisch sind, zu identifizieren.
-
Es ist noch eine Aufgabe der Erfindung,
ein verbessertes Verfahren und System zum Bestimmen, ob eine System-
oder Datenquellenabnormalität
ohne unerwünschte
Effekte ignoriert werden kann, bereit zu stellen.
-
Ein erster Aspekt der Erfindung stellt
ein Verfahren zum Überwachen
zumindest eines industriellen Prozesses und/oder zumindest einer
Datenquelle bereit, beinhaltend die Schritte des Messens von zeitveränderlichen
Daten von dem industriellen Prozess und/oder der industriellen Datenquelle,
Feststellen der gelernten Zustände
einer gewünschten
Betriebsbedingung des industriellen Prozesses und/oder der industriellen Datenquelle,
wobei die Verbesserung gekennzeichnet ist durch die Schritte des
Bearbeitens sowohl der zeitveränderlichen
Daten als auch der gelernten Zustände, um Schätzwerte des industriellen Prozesses
und/oder der industriellen Datenquelle zu erzeugen; Umfassen der
Schätzwerte
mit aktuell gemessenen Werten des industriellen Prozesses und der
industriellen Datenquelle, um den aktuellen Zustand des industriellen
Prozesses und/oder der industriellen Datenquelle zu identifizieren,
der am nähsten
an einem der genannten Zustände liegt
und dadurch für
den aktuellen Zustand charakteristische Daten zu erzeugen; und Verarbeiten
der für
den aktuellen Zustand charakteristischen Daten, um ein Muster für die Daten
aufzufinden und beim Feststellen einer Abweichung von einem Muster
bei den für
die gewünschte
Betriebsbedingung charakteristischen Daten Erzeugen eines Signals,
das anzeigt, dass der industrielle Prozess und/oder die industrielle
Datenquelle nicht der gewünschten
Betriebsbedingung entspricht.
-
Ein zweiter Aspekt der Erfindung
stellt ein System zum Überwachen
zumindest eines industriellen Prozesses und/oder zumindest eine
Datenquelle bereit, beinhaltend Mittel zum Sammeln zeitveränderlicher
Daten aus einer Mehrzahl des zumindest einen industriellen Prozesses
und/oder der zumindest einen industriellen Datenquelle; einen Speicher,
der erlernte Zustände
speichert, die aus einer normalen Betriebsbedingung des industriellen
Prozesses und/oder der industriellen Datenquelle bestimmt worden
sind, wobei die Verbesserung gekennzeichnet ist durch ein Modulierungsmodul
zur Verwendung der erlernten Zustände und der zeitveränderlichen
Daten, um Schätzwerte
eines aktuellen Werts des industriellen Prozesses und/oder der industriellen Datenquelle
zu erzeugen; Mittel zum Vergleichen der Schätzwerte mit aktuellen tatsächlichen
Werten des industriellen Prozesses und/oder der industriellen Datenquelle,
um einen aktuellen Zustand zu identifizieren, der am nähsten an
den erlernten Zuständen
liegt und dadurch Erzeugen eines Satzes modellierter Daten; und
ein Mustererkennungsmodul zum Bearbeiten der modellierten Daten,
um ein Muster für
die modellierten Daten zu identifizieren und beim Feststellen einer
Abweichung von einem für
den Normalbetrieb charakteristischen Muster erzeugt das System einen
Alarm.
-
Andere Vorteile und Merkmale der
Erfindung, gemeinsam mit der Organisation und der Art ihres Betriebs
werden aus der folgenden detaillierten Beschreibung ersichtlich,
wenn sie in Verbindung mit den unten beschriebenen beigefügten Zeichnungen
gesehen wird.
-
Kurze Beschreibung
der Zeichnungen
-
1 illustriert
ein schematisches Funktionsflussdiagramm einer bevorzugten Ausführungsform
der Erfindung;
-
2 illustriert
ein funktionelles Flussdiagramm einer Zeit "Leadlag" ("Führenfolgen")-Korrelationsmethodik;
-
3 illustriert
ein Funktionsflussdiagramm eines Verfahrens zum Feststellen eines
vollen Datenbereichs durch Durchsuchen von Normalzustandstrainingsdaten;
-
4 illustriert
ein Funktionsflussdiagramm eines Verfahrens zum Modellieren des
Verhaltens von Betriebszuständen
eines kommerziellen Systems;
-
5 illustriert
ein Funktionsflussdiagramm eines Verfahrens zum Durchführen von
Mustererkennung;
-
6A illustriert
Sensorsignale mit einer Vier-Sekunden-Verzögerung, bevor ein Leadlag-Verfahren angewandt
wird und 6B illustriert
die Sensorsignale nach Anwenden des Leadlag-Verfahrens;
-
7A illustriert
Sensorsignaldaten von der Pumpe 1- Stromversorgung mit einer überlagerten
SMSET-Schätzung; 7B illustriert den SMSET-Schätzfehler
zwischen der SMSET-Schätzung
und den Sensorsignaldaten; und 7C illustriert
ein Histogramm des Fehlers.
-
8A illustriert
Sensorsignaldaten von der Pumpe 2-Stromversorgung mit einer dem überlagerten SMSET-Schätzung; 8B illustriert den SMSET-Schätzfehler
zwischen der SMSET-Schätzung
und den Sensorsignaldaten; und 8C illustriert
ein Histogramm des Fehlers;
-
9A illustriert
Sensorsignaldaten von der Pumpe 1-Geschwindigkeit mit einer darüber überlagerten SMSET-Schätzung; 9B illustriert den SMSET-Schätzfehler
zwischen der SMSET-Schätzung
und den Sensorsignaldaten; und 9C illustriert
ein Histogramm des Fehlers;
-
10A illustriert
Sensorsignaldaten von der Pumpe 2-Geschwindigkeit mit einer darüber überlagerten
SMSET-Schätzung; 10B illustriert den SMSET-Schätzfehler
zwischen der SMSET-Schätzung
und den Sensorsignaldaten; und 10C illustriert
ein Histogramm des Fehlers;
-
11A illustriert
Sensorsignaldaten für
die Reaktorauslassflussrate; 11B illustriert
den SMSET-Schätzfehler
zwischen der SMSET-Schätzung
und den Sensorsignaldaten; und 11C illustriert
ein Histogramm des Fehlers;
-
12A illustriert
Sensorsignaldaten für
Primärpumpe
2-Flussrate; 12B illustriert
den SMSET-Schätzfehler
zwischen der SMSET-Schätzung
und den Sensorsignaldaten; und 12C illustriert
ein Histogramm des Fehlers;
-
13A illustriert
Sensorsignaldaten für
Untergruppenauslasstemperatur 1A1; 13B illustriert
den SMSET-Schätzfehler
zwischen der SMSET-Schätzung und
den Sensorsignaldaten; und 13C illustriert
ein Histogramm des Fehlers;
-
14A illustriert
Sensorsignaldaten für
Untergruppenauslasstemperatur 2B1; 14B illustriert
den SMSET-Schätzfehler
zwischen der SMSET-Schätzung und
den Sensorsignaldaten; und 14C illustriert
ein Histogramm des Fehlers;
-
15A illustriert
Sensorsignaldaten für
Untergruppenauslasstemperatur 4E1; 15B illustriert
den SMSET-Schätzfehler
zwischen der SMSET-Schätzung und
den Sensorsignaldaten; und 15C illustriert
ein Histogramm des Fehlers;
-
16A illustriert
Sensorsignaldaten für
Untergruppenauslasstemperatur 4F1; 16B illustriert
den SMSET-Schätzfehler
zwischen der SMSET- Schätzung und
den Sensorsignaldaten; und 16C illustriert
ein Histogramm des Fehlers;
-
17A illustriert
Sensorsignaldaten für
Reaktorauslasstemperatur 1534CF; 17B illustriert
den SMSET-Schätzfehler
zwischen der SMSET-Schätzung und
den Sensorsignaldaten; und 17C illustriert
ein Histogramm des Fehlers;
-
18A illustriert
Sensorsignaldaten für
Primärtanknatriumpegel
530-Schweben; 18B illustriert den
SMSET-Schätzfehler
zwischen der SMSET-Schätzung und
den Sensorsignaldaten; und 18C illustriert
ein Histogramm des Fehlers;
-
19A illustriert
Sensorsignaldaten für
Primärtanknatriumpegel
531-Einführung; 19B illustriert den SMSET-Schätzfehler
zwischen der SMSET-Schätzung
und den Sensorsignaldaten; und 19C illustriert ein
Histogramm des Fehlers;
-
20A illustriert
die Standardabweichung von SMSET-Fehlern für alle Daten in den 7 bis 19 und 20B illustriert den Mittelwert
von SMSET-Fehlern
für alle
Daten in 7 bis 19;
-
21 zeigt
Untergruppenauslasstemperatur ("SOT", Subassembly Outlet
Temperature) und SMSET-Schätzungen
und insbesondere illustriert 21A zeitabhängige normale
SOT für
3F1 im EBR-11-Kernreaktor; 21B illustriert
normale SOT für
3C1; 21C illustriert
normale SOT für
5C2 und 21D illustriert
normale SOT für
7A3;
-
22A–D illustrieren
SMSET-Schätzfehler
für alle
Daten der jeweiligen 21A–D;
-
23A–D illustrieren
SPRT-Ergebnisse für
alle Daten der jeweiligen 21A–D;
-
24A entspricht
exakt 21A; 24B enthält eine
mit 21B verglichene lineare Abdriftkomponente;
und 24C und 24D entsprechen exakt 21C bzw. 21D;
-
25A entspricht
exakt 22A; 25B enthält den Effekt
auf den SMET-Schätzfehler
der linearen Drift von 24B;
und die 25C und 25D entsprechen exakt 22C bzw. 22D;
-
26A entspricht
exakt der 23A; 26B illustriert die SPRT-Ergebnisse
für den
linearen Abdriftfehler von 24B und
die 26C und D entsprechen exakt den 23C bzw. D;
-
27A und 27B entsprechen exakt den 21A bzw. 21B; 27C enthält einen
vorübergehenden Amplitudenimpuls
von 0,25% der Signalmagnitude und 27D entspricht
exakt 21D;
-
28A und 28B entsprechen exakt den 22A und 22B; 28C illustriert
den SMSET-Schätzfehler
für den
Amplitudenpulseffekt von 27D und 27D entspricht exakt 22D;
-
29A und 29B entsprechen exakt den 23A und 23B; 29C illustriert
SPRT-Ergebnisse des Amplitudenimpulses in 27C und 29D entspricht
exakt der 23D;
-
30A illustriert
EBRII-Untergruppentemperaturdaten 3F1, enthält allerdings eine gleichförmige Verstärkungsveränderung
im Vergleich zur 21A,
und die 30–D entsprechen
exakt den 21B–D ;
-
31A illustriert
den SMSET-Schätzfehler
für die
Verstärkungsänderung
von 30A und 31B–D entsprechen
exakt jeweils den 22B–D; und
-
32A illustriert
die SPRT-Ergebnisse für
die Verstärkungsänderung
von 30A und SMSET-Analyse
von 31A; und die 32B–D entsprechen
exakt jeweils den 23B–D.
-
Detaillierte
Beschreibung bevorzugter Ausführungsformen
-
Das System 10 enthält hier
eine Methodik (siehe 1)
und Vorrichtung zur Überwachung
von Sensor- oder Datenakkumulationskonfigurationen in industriellen,
Versorgungs-, Geschäfts-,
medizinischen, Investitions- und Transportanwendungen. Das System 10 ist
für eine
sensitive Identifizierung des Beginns von Sensor- oder Datenquellen-Verschlechterung,
Prozess- oder Systemanomalien oder dem Beginn von Änderungen
zu einem anderen Betriebszustand nützlich. Die meistbevorzugte
Form des Systems 10 umfasst eine synergistische Integration
von vier Techniken, um verbesserte Überwachungsfähigkeiten
im Vergleich zu konventionellen Ansätzen (einschließlich neuraler
Netzwerke) bereitzustellen und auch verbesserte Zuverlässigkeit
und verbesserte Berechnungseffizienz vorzusehen. Die vier Elemente,
welche die meistbevorzugte Überwachungsform
des Systems 10 bilden, sind in vier verschiedenen Methodiken
ausgeführt,
die allgemein als ein Zeitkorrelationsmodul 20, ein Trainingsmodul 30,
ein Systemzustandsschätzmodul 40 und
ein Mustererkennungsmodul 50 gekennzeichnet sind.
-
Viele Versuche, konventionelle neurale
Netzwerke auf nukleare, petrochemische oder irgendwelche industriellen
Prozessüberwachungsanwendungen
anzuwenden, haben zu schlechten Ergebnissen geführt, teils, weil sie daran
scheitern, Leadlag-Beziehungen
(Fehlen korrekter Zeitkonelation der Datensätze) zwischen den verschiedenen
Sensoren oder Datenquellen zu berücksichtigen. In einem Beispiel
ist ein Rohr mit einer Sequenz von N Thermoelementen ("TCs")-instrumentiert,
welche die momentane Temperatur des durch das Rohr laufenden Fluids
messen; und die Signale von diesen TCs sind zeitlich längs des
Fluidstromflusspfads versetzt. Falls das Probenintervall für die Sensoren
kleiner ist als die Transitzeit für durch das Rohr hindurchgehendes
Fluid, wird jeder Versuch, diese Signale mit einem Neuralnetz zu überwachen,
sehr hohe Unsicherheiten bei den geschätzten Signalen für die TCs
ergeben. Wenn beispielsweise das Fluid zehn Sekunden benötigt, um
durch das Rohr zu gehen, und das Probenintervall eine Sekunde ist,
wird man zu jedem gegebenen Zeitpunkt TC(N) am Auslassende des Rohrs
Fluktuationen sehen, die TC(1) zehn Sekunden zuvor passierten. Diese
TCs können
immer noch einen kleinen Korrelationsgrad aufgrund von Bruttoänderungen
bei der Fluidtemperatur von einer Wärmequelle oder Senke enthalten,
die stromaufwärts
des Rohrs liegt; jedoch wird die wertvollere Intersensorkorrelation,
die sich aus lokalen Temperaturstörungen, die längs des
Rohrs transportiert werden, ergeben, verloren gehen. Dasselbe Phänomen verschlechtert
die Leistung neuraler Netzwerke und anderer Mustererkennungsparadigmen,
die auf jegliche Prozesse angewendet werden, bei denen die physischen
Sensoren oder Datenquellen mit der Zeit über den Prozess versetzt sind,
den sie überwachen. Andere
Beispiele von Zeitverzögerungen
bei korrelierten Systemen enthalten: Systeme mit langsamen Datenflussraten
und/oder großen
physischen Abständen
(Ölraffinerien,
Kraftwerke, HVAC-Systeme und Finanzsysteme) Verzögerungen aufgrund analoger
oder digitaler Elektronik (Rauschfilter und große Kondensatoren) oder Übertragungsverzögerungen
(Satellitenkommunikationen oder das Übertragen von Daten über verschiedene
Bus-Systeme).
-
Bei einer bevorzugten Form des Zeitkorrelationsmodells 20 führt eine
Leadlag-Komponente
der Erfindung (siehe 6) dynamische
Echtzeitintersensor-Leadlag-Anpassungen
durch. Das Leadlag-Modul 20 führt Anpassungen so durch, dass
die Ausgangssignale, die daraufhin nachfolgend in die SMSET-Routine
(das Systemzustandsschätzmodul 40)
eingelesen werden, optimal korreliert sind und dem maximalen Informationsgehalt
dem Mustererkennungsmodul 50 vermitteln. Das Leadlag-Modul 20 ist
hier als Computersoftware Anhang A beigefügt. Das Leadlag-Modul 20 erreicht
die Einstellfunktion durch Durchführen einer iterativen Regressionsprozedur
für jedes-
Signalpaar; die einen. Vektor von Korrelationskoeffizienten in Bezug
auf die Verzögerungszeit
erzeugt. Dieser Vektor von Korrelationskoeffizienten ist eine unimodale
konkave Funktion der Verzögerungszeit.
Somit ist die optimale Verzögerungszeit
zwischen den Signalpaaren einfach durch Suchen nach dem Nullkreuzen
der ersten Ableitung des Vektors in Bezug auf die Verzögerungszeit
identifiziert.
-
Bei anderen Formen der Endung kann
es unnötig
sein, das Leadlag-Modul 20 zu verwenden, wie in 1 angemerkt, wobei die Option
besteht, die Verwendung des Moduls 20 zu überspringen.
Dies könnten bei
Systemen vorkommen, bei denen es adäquate Zeitkorrelation gibt,
oder falls ein Zeitverschieben nicht notwendig ist, um die Korrelation
zu erzielen. Falls das Leadlag-Modul 20 nicht verwendet
wird, oder die Daten bereits durch das Leadlag-Modul 20 verarbeitet
worden sind, werden die Daten vorzugsweise in ein Trainingsmodul 30 eingegeben.
-
In einer bevorzugten Ausführungsform
ist dieses Trainingsmodul ein MiniMax-Modul 30, das alle Beobachtungen
von allen Signalen oder Daten während
einer Trainingszeitperiode durchsucht, um Trainingsvektoren zu konstruieren,
welche den höchsten
Punkt und niedrigsten Punkt für
jedes Signal oder jeden Datenraum unter Überwachung enthält. Eine
Computersoftware Anhang B verdeutlicht das MiniMax-Modul 30.
Das MiniMax-Modul 30 erzeugt einen optimalen "Trainingssatz". Er ist optimal
in dem Sinne, dass er nur maximal 2N Vektoren enthält, wobei
N die Anzahl von Signalen oder Datenpunkten im System ist; und diese
Vektoren überspannen
den gesamten Bereich, den alle Sensoren und Datenquellen während der
verfügbaren
Trainingsperiode aufgezeichnet haben. Wenn immer zwei oder mehr
Sensoren oder Datenquellen gleichzeitig Maxima oder Minima annehmen,
wird die sich ergebende Zahl von Trainingsvektoren niedriger als
2N sein.
-
In einer anderen Form der Erfindung
können
sowohl das Leadlag-Modul 20 als auch das MiniMax-Modul 30 übersprungen
werden und die Daten können
direkt in das Systemzustandsmodul 40 eingegeben werden.
-
Wenn einmal das MiniMax-Modul 30 ein
Systemmodell konstruiert hat (oder, wie oben angemerkt; übersprungen
worden ist) moduliert das Systemzustandsschätzmodul 40 (wie etwa
das bevorzugte Untersystem Multivariate Zustandsschätztechnik-Modul("SMSET", Subsystem Multivariate
State Estimation Technique)) das Verhalten eines Systems durch Beispiele
der Betriebszustände
des modellierten kommerziellen Systems. Eine Computersoftware Anhang
C verdeutlicht das SMSET-Modul 40. Im allgemeinen kann
das Systemzustandsschätzmodul
irgendeines einer Vielzahl von Modellierungsmethodiken sein, wie
etwa autoregressiver Bewegungsdurchschnitt, ein neurales Netzwerk,
oder eine Kalman-Filtertechnik
oder eine empirische Methodik.
-
Das SMSET-Modul 40 verwendet
seinen Speicher gelernter Zustände
des kommerziellen Systems in Verbindung mit einer einzelnen neuen
Beobachtung, um eine Schätzung
des derzeitigen "wahren" Systemzustands bereitzustellen.
Zustände
des Systems werden durch Vektoren repräsentiert, deren Elemente aus
direkten Werten der Systemparameter (gemessenen Signalen) wie auch
jeglicher Transformation dieser Systemparameter, die skalare Werte
erzeugen, umfasst, z. B. kalkulierte Parameter basierend auf Messdaten.
Das SMSET-Modul 40 erfordert nicht, dass die Vektorelemente
linear unabhängig
sind, wie bei den meisten anderen Arten von Schätztechniken. Der Lernprozess,
der in einer "erlernter
Zustand"-Matrix
resultiert, wird gemäß dem MiniMax-Modul 30 und
dem Leadlag-Modul 20, die vorstehend beschrieben sind,
durchgeführt.
-
Die grundlegende Methodik des SMSET-Moduls 40 beinhaltet
die Eingabe einer neuen Beobachtung des Verhaltens eines Systems,
die mit einem "Speicher" vorherigen Systemverhaltens,
das in der "Erlernter Zustand"-Matrix ausgeführt ist,
verglichen wird. Eine Reihe mathematischer Operationen wird durchgeführt, die
eine Schätzung
der Zustände
im Systemspeicher erzeugen, die am "nächsten" an der neuen Beobachtung ist.
Die Definition von "nächste", die vom SMSET-Modul 40 verwendet
wird, ist der Zustand, der am nächsten an
der neuen Beobachtung vom Standpunkt eines Regelsatzes liegt, welche
die Assoziierung von zwei Vektoren bestimmt. Aus diesem nächsten Zustand
wird eine Schätzung
des 'wahren" Systemzustands für jedes und
alle Elemente des Zustandsvektors durchgeführt. Daher stellt, einen Satz
aktueller beobachteter Parameter eines Systems gegeben, das SMSET-Modul 40 eine
Schätzung
des aktuellen wahren Zustands des Systems bereit. Der Wert dieses
Verfahrens liegt darin, dass eine Schätzung aller der Werte der Systemparameter im
Zustandsvektor bereitgestellt werden kann, selbst falls der derzeitige
Beobachtungsvektor unvollständig
ist (z. B. können
einige Sensoren oder Datenquellen versagt haben oder sind nicht
länger
verfügbar),
fehlerhafte oder falsche Elemente enthält (einige Sensoren können gedriftet
sein, unkalibriert werden, mit hohen Rauschpegeln kontaminiert sein,
etc.) oder selbst falls der neue Systemzustand nicht mit vorigen
Betriebszuständen koinzidiert.
Jedoch muss der neue Systemzustand, in einer allgemeinen Bedeutung,
von der Domain der zum Entwickeln des Systemspeichers verwendeten
Zustände
begrenzt sein (gelernte Zustands-Matrix).
-
Diese Abschätzung des wahren aktuellen
Zustands des kommerziellen Systems, einschließlich von Schätzwerten
aller Systemparameter, wird in Verbindung mit den tatsächlich gemessenen
Systemparametern verwendet, um die Betriebsfähigkeit von Sensoren (oder
anderen Datenquellen) und Störungen
im Systemzustand sicherzustellen. Dieser Zustandsschätzprozess
kann weiterhin als eine Inferenzmaschine beschrieben werden, die
als Eingabe einen Satz von gelernten Zuständen und eine neue Beobachtung
des kommerziellen Systems akzeptiert. Nachdem an diesem Eingang
eine Reihe von Operationen durch die Inferenzmaschine durchgeführt worden
ist, ist das Ergebnis eine Schätzung
des gelernten Zustandes, der am "nächsten" an der neuen Beobachtung
liegt. Die Definition von "nächster", die hier verwendet
wird, ist der Zustand, der der neuen Beobachtung vom Standpunkt
eines Regelsatzes, der die Verbindung (Überlappung) jeglicher zweier
Vektoren bestimmt, am nächsten
liegt. Ein anderes Ergebnis ist die Abschätzung des "wahren" Werts jedes Elements im neuen Beobachtungsvektor
in der Form eines geschätzten
Zustandsvektors. Die Reihe der in der Inferenzmaschine durchgeführten Operationen
besteht aus verschiedenen Matrix-Operationen. Zuerst werden alle Paare
von gelemten Zuständen
vorzugsweise jeweils zu zweit assoziiert, wobei ein Regelsatz zum
Erzeugen der Elemente einer Wahrnehmungsmatrix verwendet wird. Als
nächstes
wird die neue Beobachtung mit jedem gelernten Zustand assoziiert,
wobei der Regelsatz verwendet wird, um einen Vektor zu erzeugen,
der dieselbe Anzahl von Elementen aufweist wie die Anzahl von gelernten
Zuständen.
Der größte Elementwert
in diesem Vektor identifiziert den gelernten Zustand, der am "nächsten" an der neuen Beobachtung liegt. Schließlich erzeugt
das normale Matrixprodukt dieses Vektors mit der Wahrnehmungsmatrix
einen Satz linearer Kombinationskoeffizienten zum Kombinieren der
gelernten Zustände
in den geschätzten
Zustandsvektor. Diese Methodik ergibt, wenn sie auf jeglichen wahren
Zustand eines kommerziellen Systems, der eine Kombination der gelernten
Zustände
ist, angewendet wird, eine sehr nahe Annäherung an den wahren Zustand.
Die tatsächliche erzielte
Nähe hängt am meisten
von Nichtlinearitäten
ab, die sich aus dem Regelsatz und/oder physischen und/oder zufälligen Fluktuationen
bei den Variablen ergeben und wird durch direktes Testen demonstriert.
Allgemeine Erfahrung mit der Verwendung dieses Verfahrens für richtige
laufende kommerzielle Systeme hat Vorhersagefähigkeiten angezeigt, die typischerweise
nicht schlechter als +/-0,5% und normalerweise +/-,01% sind.
-
Wenn einmal das SMSET-Modul 40 die
Daten wie hier beschrieben modelliert hat, werden die Daten einem
Mustererkennungsmodul 50 eingegeben, wie etwa dem sequenziellen
Wahrscheinlichkeitsverhältnistestmodul
("SPRT"). Die Computersoftware
für das
SPRT-Modul 50 befindet sich in Anhang D. Dieses SPRT-Modul 50 ist ein
sensitives Mustererkennungsverfahren, das dem Beginn einer subtilen
Verschlechterung in rauschbehafteten Signalen mit hoher Zuverlässigkeit
und mit quantitativen Falschalarm- und Versäumtalarmwahrscheinlichkeiten
detektieren kann. Der Ausgang vom SMSET-Modul 40 wird als
ein Satz von Schätzsignalen
(auch "virtuelle
Signale" genannt)
für jeden
Sensor unter Überwachung
bereitgestellt. Diese virtuellen Signale werden einem Netzwerk interagierender
SPRT-Module 50 zusammen mit den tatsächlichen Sensorablesungen zugeführt. Jedes
der SPRT-Module 50 empfängt
ein Sensorsignal, virtuelles Signalpaar. Falls eine Sensorverschlechterung
oder Prozessstörung
anfängt,
die Ausgabe eines oder mehrerer Signale unter Überwachung zu beeinträchtigen,
stellen das/die SPRT-Module(e) 50 dem Bediener eine Benachrichtigung
und dem Steuersystem ein Betätigungssignal
zur Verfügung,
das nach Bedarf selektiv automatisch das virtuelle Signal einblendet,
um das sich verschlechternde Sensorsignal oder die Datenquelle zu
ersetzen. Weitere Details des SPRT-Moduls 50 sind in USPN
5,459,675 beschrieben, die hierin als Referenz inkorporiert wird.
-
Die oben beschriebene Kombination
von Methodiken gestattet die Identifikation eines fehlerhaften Prozesses,
einer bestimmten Art von Fehler, eines fehlerhaften Sensors oder
einer fehlerhaften Datenquelle oder fehlerhafter Daten selbst und
gestattet das Ergreifen von Maßnahmen
zum Korrigieren oder Modifizieren des überwachten Prozesses.
-
In einigen Fällen, wenn ein versagender
Sensor oder eine ungenaue Datenstromquelle nicht für den fortgeführten Betrieb
des kommerziellen Systems wichtig ist, kann der Anwender mit dem
Betrieb des kommerziellen Systems oder Prozesses fortfahren, als
ob der Sensor oder die Datenquelle normal arbeiten würden. Beispielsweise
kann das System 10 arbeiten, um in einer modellierten Schätzung in
einem tatsächlichen
kommerziellen System oder Prozess als Eingabe zu substituieren,
um einen ausgefallenen Sensor oder eine ausgefallene Datenquelle
zu ersetzen. Dies gestattet es dem kommerziellen System oder Prozess,
im Betrieb zu bleiben.
-
Da das System 10 sich nicht
auf analytisches Modellieren selbst verlässt, ist es auf eine weite
Vielfalt von Prozessen und Systemen, wie etwa petrochemischen, Stromerzeugungs-,
Automobil-, Herstellungs-, medizinischen, aeronautischen, finanziellen
und jeglichen Systemen, in welchen Signale zum Prozessieren verfügbar sind,
die sich auf den kommerziellen Systemprozessbetrieb oder dessen
Leistung beziehen, anwendbar. Die einzige Anforderung an System 10 ist,
dass es eine Art von Kreuzkorrelation, sei sie linear oder nicht linear,
zwischen den als Eingabe in das System 10 verwendeten Signalen
gibt. Die Signale können
linear, nicht-linear, stationär,
nicht-stationär,
sauber oder rauschend (mit einer willkürlichen Verteilung) sein. Das
System 10 verwendet eine Datenbank historischer Betriebsdaten,
um das kommerzielle System oder den kommerziellen Prozess zu modellieren.
Von der Datenbank wird angenommen, dass sie Daten von allen relevanten
Betriebsmodi des Systems enthält;
falls man jedoch einem neuen Betriebsmodus begegnet, von dem festgestellt
wird, dass er nicht das Ergebnis eines Versagens des kommerziellen
Systems oder von Sensoren ist, kann ein neuer Vektor der existierenden
Trainingsmatrix hinzugefügt
werden, um den unvorhergesehenen Betriebsmodus in das Systemmodell
zu aufzunehmen.
-
Die folgenden nicht beschränkenden
Beispiele illustrieren verschiedene Aspekte der hierin beschriebenen
Erfindung. Die verwendeten Daten stammen alle von dem EBR-II-Reaktor
am Argonne National Laboratory (West).
-
Beispiel I
-
Der Effekt der Zeitverzögerungskorrelation
wird in diesem Beispiel beschrieben und die 6A und 6B zeigen
zwei Spannungssignale mit einer viersekündigen Verzögerung zwischen ihnen. Bevor
die Signale durch das Leadlag-Modul 20 prozessiert werden
(siehe 6A), ist der
Korrelationskoeftizient 0,0182, was keine Korrelation impliziert,
wogegen das Prozessieren durch das Leadlag-Modul 20, eine
Korrelation von 0,9209 erzielt (siehe 6B).
Wenn der Satz von Signalen oder Daten, die verwendet werden, mehr
als zwei ist, werden alle möglichen
Paarkombinationen verwendet, um die maximal möglichen Korrelationskoeffizienten zu
berechnen, so dass alle Signale korrekt korreliert werden können.
-
Beispiel II
-
Ein Experiment zum Feststellen der
Genauigkeit der Erfindung (der "SMSET"-Methodik im allgemeinen) wurde unter
Verwendung von Sensordaten aus dem experimentellen Brüterreaktor
II (EBR-II) am Argonne National Laboratory (U558) durchgeführt. Der
Sensordatensatz enthielt 13 Signale von, den EBR-IIüberwachenden
Sensoren. Tabelle 1 zeigt die SMSET-Schätzgenauigkeit für EBR-II-Daten. Tabelle 1
beinhaltet die Kanalnummern und -beschreibungen für jedes
der in der Analyse verwendeten Sensorsignale. Das Experiment wurde
in drei Schritten durchgeführt;
zuerst wurde das SMSET-Modul unter Verwendung von EBR-II-Daten im
Umfang von zwei Tagen trainiert, als nächstes wurde das trainierte
SMSET-Modul verwendet, um den Zustand von EBR-II-Daten von ungefähr 110 Stunden
Umfang abzuschätzen,
und dann wurde die Genauigkeit der Abschätzungen analysiert. Für jedes
der in Tabelle 1 aufgeführten
Sensorsignale zeigen die 7–19 jeweils das Sensorsignal (oberer Plot)
und überlagerte
SMSET-Abschätzung,
zeigt der mittlere Plot den Fehler zwischen dem SMSET und dem Sensorsignal
(in Prozent der Signalmagnitude) und ein Histogramm (unterer Plot)
des Fehlers. Die Histogrammplots werden mit einer Gauss-Verteilung
mit demselben Mittel und derselben Varianz verglichen, um eine Idee
davon zu bekommen, wie gaussianisch die Fehlersignale sind. 20 stellt eine Zusammenfassung der Daten
von 7–19 bereit.
-
Eine MiniMax genannte Methodik (Anhang
B) wurde verwendet, um das System unter Verwendung von zwei Tagen
von oben zitierten Trainingsdaten zu trainieren. Nachdem die MiniMax-Methode
angewendet worden war, wurde eine Trainingsmatrix konstruiert, die
aus 25 einmaligen Vektoren bestand, welche ein empirisches Modell
des Gesamtsystems bilden. Nach Erzeugen des Modells wurde die Methodik
dann auf die in der Genauigkeitstabelle aufgeführten Signale angewendet. Jedes
Signal im System hat sein eigenes Schätzfehlersignal, das ein Maß dafür ist, wie
nahe das Mustererkennungsmodell das System in Bezug auf die Sensorablesungen
repräsentiert.
Die zweite Spalte in Tabelle 1 listet die Standardabweichung des
Schätzfehlers für alle Signale
im Experiment in Begriffen der Magnitude jedes der Signale auf.
Die Magnitude des Signals ist durch sein Mittel während des
normalen Betriebs definiert. Die dritte Spalte in Tabelle 1 listet
die Mittel der Schätzfehler
für alle
Signale ebenfalls in Begrifffen der Signalmagnitude auf. Im allgemeinen
sind die Schätzfehlerstandardabweichungen
im Bereich von 0,01% bis 0,1% und sind die Schätzfehlermittel um 0 zentriert. Balkendiagramme
der Tabelleninformation sind in den 20A und 20B als grafische Repräsentationen
der Genauigkeitsinformation enthalten.
-
Tabelle
1
SMSET-Schätzgenauigkeitstabelle
für EBR-II-Daten:
-
-
Beispiel III
-
In den 21–32 werden Beispiele verschiedener Sensorausfallmodi
gezeigt, zusammen damit, wie das System auf die Ausfälle reagiert.
Das bevorzugte Verfahren von 1 wird
auf die Daten angewendet. Die in diesen Beispielen verwendete Sensorsignale
stammen aus einem Untersatz von 22 in dem System verwendeten Sensorsignalen.
Die 22 Sensoren überwachten
das EBR-II-Untergruppensystem
am Argonne National Laboratory (West). Jede der 21–32 enthält
vier Unterplots, von denen der oberste Plot sich auf die Untergruppenauslasstemperatur
("SOT', Subassembly Outlet
temperature) 3F1 bezieht, der obere mittlere Plot sich auf SOT 3C1
bezieht, der untere mittlere Plot sich auf SOT 5C2 bezieht und der
untere Plot sich auf SOT 7A3 bezieht. Das in jedem der Beispiele
angewendete System verwendet dieselbe Trainingsmatrix, die aus 83
Vektoren besteht, die aus einer Trainingsdatenbank ausgewählt sind,
die fast eine Woche an Daten enthält, die einmal pro Minute aufgenommen
werden.
-
In den 21–23 sind die Ergebnisse der Verwendung des
Systems 10 während
ungefähr
5,5 Tagen des Normalbetriebs von EBR-II gezeigt. 21 zeigt
die SOT-Signale
mit ihren korrespondierenden SMSET-Schätzungen (wobei das Signal die
Kreise und die Linien die Schätzungen
sind). 22 zeigt die jeweiligen Rohschätzfehler
(nicht in Begriffen der Signalmagnitude), die durch Berechnen der
Differenz zwischen den SOR-Signalen und den entsprechenden SMSET-Schätzungen
abgeleitet werden. Schließlich
werden in 23 die Resultate des Anwendens
des Entscheidungsherbeiführungsmoduls
des Systems 10 (des SPRT-Moduls 50 – siehe Anhang D) auf die SMSET-Schätzfehler
von 22 gezeigt. Die SPRT-Plots zeigen insgesamt
nur drei falsche Alarme, was eine Falschalarmrate von 9,4 × 10–5 ist,
und dies ist noch innerhalb der spezifizierten Falschalarmrate von
1,0 × 10–3.
-
Eine Art von Versagensmodus, das
bei Sensoren üblich
ist, ist ein langsames Driften. Es kann kann schwierig sein, diese
Art von Versagen früh
zu entdecken , speziell wenn die Sensorsignale Rauschen enthalten.
Die 24–26 illustrieren
ein Vergleichsbeispiel des Prozessierens von Daten aus dieser Art
von Versagen und Versagensidentifikation. Signal Nr. 2 (24B) hat eine 0,2 %ige
mittlere lineare Drift über
die 2,75 Tagesperiode, die bei 4.000 Minuten im Signal beginnt.
Die anderen Sensoren arbeiten normal. 25 zeigt die
sich ergebenden SMSET-Schätzfehler
für jedes
Sensorsignal. Der Fehler-Plot für
Signal Nr. 2 (25B) zeigt
eine Evidenz fürs
Driften, nachdem das Sensorsignal ungefähr 0,05% gedriftet ist. In 26 hat das SPRT-Verfahren nach ungefähr 0,05%
Drift festgestellt, dass Nr. 2 (26B)
driftet und dass alle anderen Sensoren normal arbeiten.
-
Eine andere Art von Versagen, das
auftreten kann, ist die Schrittänderung
am Sensorsignal. Dies kann das Ergebnis eines Kurzschluss im Sensor
oder eines DAS, eines Kalibrierfehler oder einer Reihe anderer Gründe sein. 27–29 zeigen ein Beispiel dieser Art von Versagen
für die
SOT-Messungen. Bei diesem Beispiel enthält Sensorsignal Nr. 3 (27C) einen Impuls mit einer
Amplitude von 0,25 der Signalmagnitude. Der Puls beginnt bei 5000
Minuten und dauert 2000 Minuten an. 27 zeigt
die Sensorsignale und die SMSET-Schätzungen für die vier SOT-Signale. 28 zeigt die sich ergebenden SMSET-Schätzfehler.
Das Fehlersignal für
Nr. 3 (28C) zeigt,
dass es ein bei 4000 Minuten beginnendes und bei 6.000 Minuten endendes Problem
gibt. Die Fehlersignale werden dem SPRT-Modul 50 eingegeben und
die Ergebnisse werden in 29 aufgezeichnet.
Wie klar ersichtlich, hat es eine Störung am Sensor Nr. 3 gegeben
(29C), die bei 4000
Minuten beginnt und bei 6000 Minuten endet.
-
In den 30–32 wird ein Beispiel eines mit der Sensorverstärkung verbundenen
Versagensmodus gezeigt. Bei diesem Beispiel verändert sich die Verstärkung der
Sensorsignaländerungen
mit dem Abstimmen, d. h. die Amplitude wächst über die Zeit. Die Verstärkung beginnt
sich linear über
die Zeit von einem Anfangswert von 1 auf einen Endwert von 1 + 0,075%
der Sensormagnitude zu verändern.
Das System 10 für
den Schätzfehler
wird auf die Signale angewendet und die Ergebnisse sind in 31 gezeigt. Ein menschlicher Bediener
würde höchstwahrscheinlich
nicht in der Lage sein, selbst nach 8000 Minuten festzustellen,
dass es ein Problem gibt, indem er das Sensorsignal betrachtet.
Aus 31A ist ersichtlich,
dass Signal Nr. 1 normal arbeitet. Dies wird in 32A durch die SPRT-Ergebnisse bestätigt, die
eine ständig
wachsende Anzahl von SPRT-Alarmen über die 8000 Minutenperiode
zeigt.
-
Anhang
A
Computersoftware für
das Leadlag-Modul, das dynamische Echtzeitintersensor-Lead-Lag-Zeitkorrelationsanpassungen
durchführt.
-
-
-
-
Anhang
B
Computersoftware zum Erzeugen eines optimalen Trainingssatzes,
der durch Suchen von Signalinformationen während einer Trainingsperiode
abgeleitet wird, um Trainingsvektoren einschließlich der höchsten und niedrigsten Punkte
für unter Überwachung
stehende Signale zu konstruieren.
-
-
-
-
-
-
-
-
Anhang
C
Computersoftware zum Modellieren des Verhaltens für Beispiele
der Betriebszustände
des kommerziellen Systems.
-
-
-
-
-
-
Anhang
D
Computersoftware zum Durchführen von Mustererkennung durch
Detektieren des Beginns der Verschlechterung bei rauschbehafteten
Signalen.
-
-
-