ES2205244T3

ES2205244T3 - Sistema de vigilancia de procedimientos industriales.

Info

Publication number: ES2205244T3
Application number: ES97930046T
Authority: ES
Inventors: Kenneth C. Gross; Stephan Wegerich; Ralph M. Singer; Jack Mott
Original assignee: Arch Development Corp
Current assignee: Arch Development Corp
Priority date: 1996-06-19
Filing date: 1997-06-13
Publication date: 2004-05-01
Anticipated expiration: 2017-06-13
Also published as: WO1997049011A1; JP3449560B2; US6181975B1; CA2257881C; KR20000022050A; KR100313067B1; EP0906593A1; EP0906593B1; EP0906593A4; JP2000505221A; DE69723839D1; AU3396797A; US5764509A; CA2257881A1; DE69723839T2; WO1997049011A9

Abstract

UN SISTEMA (10) Y UN METODO PARA CONTROLAR UN PROCESO INDUSTRIAL Y/O UNA FUENTE DE DATOS INDUSTRIALES (10). EL SISTEMA (10) COMPRENDE UN MODULO DE CORRELACION CRONOLOGICA (20), UN MODULO DE ENSEÑANZA (30), UN MODULO DE ESTIMACION DEL ESTADO DEL SISTEMA (40) Y UN MODULO DE RECONOCIMIENTO DE PLANTILLAS (50). EL SISTEMA (10) GENERA FUENTES DE DATOS CRONOVARIABLES, PROCESA LOS DATOS PARA ESTABLECER UNA CORRELACION CRONOLOGICA DE LOS DATOS (20), DETERMINA EL RECORRIDO COMPRENDIDO ENTRE DOS DATOS, DETERMINA LOS ESTADOS APRENDIDOS DE FUNCIONAMIENTO NORMAL (30) Y UTILIZA ESTOS ESTADOS PARA GENERAR VALORES PREVISTOS PARA IDENTIFICAR UN ESTADO ACTUAL DEL PROCESO QUE MAS SE APROXIME A UN ESTADO NORMAL APRENDIDO (40); GENERA UN CONJUNTO DE DATOS MODELADOS Y PROCESA LOS DATOS MODELADOS PARA IDENTIFICAR UNA PLANTILLA DE DATOS Y GENERAR UNA ALARMA (50) AL DETECTAR UN ESTADO DISTINTO DEL NORMAL.

Description

Sistema de vigilancia de procedimientos industriales.

La presente invención se refiere en general a un procedimiento y a un sistema para llevar a cabo la vigilancia de los procedimientos industriales usando la información de las fuentes de datos o los sensores. Más en particular, la invención se ocupa de un procedimiento y un sistema para procesar los datos de los sensores y usar datos virtuales como una metodología mejorada con respecto a las metodologías básicas estadísticas para llevar a cabo la vigilancia de los procedimientos industriales. Asimismo, la invención implica el uso de una pluralidad de técnicas combinadas para mejorar el análisis de los datos de los procedimientos industriales.

Los programas de vigilancia de parámetros convencionales sólo detectan cambios importantes en el valor medio de un procedimiento, o etapas o picos importantes que superan determinado umbral. Estos procedimientos convencionales sufren un gran número de falsas alarmas (si los umbrales son muy próximos a los niveles de funcionamiento normales), o bien muchas de las alarmas se pierden (o se retrasan) (si los umbrales son muy amplios). Asimismo, la mayoría de los procedimientos convencionales no pueden percibir el comienzo de un problema en el procedimiento, una desviación del sensor o una anomalía de los datos que daría lugar a una señal por debajo del umbral para que se produjera una alarma. Además, en la mayoría de los procedimientos no se tiene en cuenta la relación entre una medición realizada por un sensor con respecto a la medición realizada por otro sensor.

En otro procedimiento de supervisión, se ha encontrado una amplia aplicación para una técnica convencional de pruebas de índices de probabilidad secuencial ("SPRT" o Sequential Probability Radio Test) como herramienta de validación de señales en la industria de los reactores nucleares. El procedimiento SPRT es una técnica de reconocimiento de patrones que procesa los componentes estocásticos asociados con las variables del procedimiento físico y posee una sensibilidad muy alta para detectar el comienzo de alteraciones sutiles en esas variables. Hay dos características de la técnica SPRT convencional que hacen que sea atractiva para la vigilancia de parámetros y la detección de fallos: (1) el aviso con antelación del comienzo de una alteración en las variables de procedimientos ruidosas, y (2) la técnica SPRT tiene probabilidades de alarmas falsas y alarmas perdidas que puede especificar el usuario. Las técnicas SPRT están pensadas principalmente para analizar los datos de sensores emparejados o múltiples pares de sensores en comparación con un gran número de diferentes puntos de datos de los sensores del procedimiento. La técnica SPRT también depende normalmente de la presunción de que los datos son independientes de otras fuentes de datos y son datos gausianos distribuidos. Por lo tanto, la técnica SPRT, si se usa por sí sola, posee determinadas deficiencias para identificar anomalías en los procedimientos.

También se han desarrollado otros tipos de técnicas estadísticas para la supervisión y el análisis de los procedimientos industriales, pero no detectan otras clases de datos determinadas de los sensores.

El documento US 5.255.208A describe un sistema de diagnóstico para detectar fallos y caídas de potencia de los convertidores CC-CC que se usan en los vehículos de transporte público. El sistema comprende al menos un sensor para detectar un problema del convertidor. El sensor está conectado a un procesador que compara las formas de ondas medidas por el sensor con formas de ondas de un estado de funcionamiento normal del convertidor que hay almacenado en la memoria. Si la diferencia entre la forma de onda medida y las formas de onda del funcionamiento normal supera un umbral predeterminado, el procesador compara las formas de onda medidas con las formas de onda anormales conocidas que se pueden producir e identifica el problema y lo registra en la memoria, o bien no identifica el problema y registra en la memoria que se ha producido un tipo de fallo desconocido.

El documento EP 0 626 697 A1 describe un sistema para supervisar y diagnosticar el estado de plantas de energía nucleares y termoeléctricas. El sistema compara el estado de funcionamiento actual medido de la planta con el estado de funcionamiento normal de la planta que hay almacenado en la memoria. Si los estados de funcionamiento actuales se desvían de los funcionamientos normales por encima o debajo de un umbral predeterminado, se diagnostica un estado anormal en la planta.

El documento US 5.223.207 A describe un sistema que determina la degradación de una bomba de refrigerante de un reactor nuclear empleando una prueba de índice de probabilidad secuencial para evaluar los datos paramétricos asociados con la función de la bomba de refrigerante.

El documento US 5.459.675 describe un sistema y un procedimiento para supervisar los procedimientos industriales y un sensor que produce una señal que tiene características de ruido no blancas. En particular, el sistema y el procedimiento consisten en eliminar al menos parte del ruido no blanco de la señal antes de probar la señal por medio de una prueba de índice de probabilidad secuencial para determinar si hay una degradación del procedimiento o del sensor.

El documento US 5.070.468 A describe un sistema que es capaz de diagnosticar fallos o averías en plantas industriales a gran escala. El sistema compara los valores actuales medidos que representan el estado de la planta con los conjuntos de valores almacenados en la memoria que representan estados anormales de la planta. Si los valores actuales son similares a uno de los conjuntos de valores anormales, se diagnostica el problema y se genera la advertencia adecuada.

El documento US 4.977.390 describe un procedimiento y un sistema de procesamiento de las alarmas generadas en una red de energía para determinar el tipo de fallo o avería que se ha producido. El sistema comprende una base de datos de fallos y averías que se pueden producir en la red de energía y los patrones de alarmas que se generan cuando se producen dichos fallos o averías. El sistema compara una secuencia actual de alarmas con los registros de la base de datos para identificar el fallo o avería en particular que se ha producido.

Por lo tanto, es un objeto de la invención proporcionar un procedimiento y un sistema mejorados para la vigilancia de los procedimientos y los aparatos industriales.

Es otro objeto de la invención proporcionar un procedimiento y un sistema novedosos para la vigilancia en línea de los procedimientos y aparatos industriales con múltiples sensores.

También es un objeto de la invención proporcionar un procedimiento y un sistema mejorados para la evaluación de los datos de los procedimientos, ya sea en línea o fuera de línea, a partir de los sensores o las fuentes de acumulación de datos.

También es objeto de la invención proporcionar un procedimiento y un sistema novedosos para llevar a cabo el análisis preliminar de los datos de los estados de alarma antes de la introducción de datos en un sistema SPRT.

Otro objeto de la invención es proporcionar un procedimiento y un sistema mejorados para ocultar datos seleccionados de los sensores y sustituir los datos virtuales para realizar pruebas que determinen si existen estados de procedimientos anormales o estados de sensores anormales y si es necesario o no detener o modificar el procedimiento bajo escrutinio.

También es otro objeto de la invención proporcionar un procedimiento y un sistema novedosos usando los datos de entrenamiento característicos del funcionamiento normal del sistema y/o del sensor y/o de la fuente de datos para compararlos con los procedimientos industriales continuos y/o los datos acumulados.

También es otro objeto de la invención proporcionar un procedimiento y un sistema mejorados para procesar los datos a partir de un procedimiento para determinar los datos de entrenamiento para el funcionamiento normal, almacenar dichos datos de entrenamiento en un soporte de almacenamiento informático y analizar los datos de procedimientos reales en relación con los datos de entrenamiento normales usando una pluralidad de almacenes de metodologías matemáticas en un soporte de almacenamiento ROM o PROM.

Es también otro objeto de la invención proporcionar un procedimiento y un sistema novedosos usando una característica de señales virtuales del funcionamiento del estado normal obtenidas sobre la base de la correlación con una pluralidad de otros valores de datos del procedimiento para compararlos con un conjunto de señales de datos de procedimientos reales para obtener la probabilidad de que se produzca un procedimiento o funcionamiento anormal de las fuentes de datos.

Es también otro objeto de la invención proporcionar un procedimiento y un aparato novedoso para acumular datos de entrenamiento para reconocer cualquiera de una pluralidad de estados de funcionamiento específicos y, por lo tanto, identificar un tipo de fallo o estado en particular que esté presente en un procedimiento u otro sistema.

Es también otro objeto de la invención proporcionar un procedimiento y un aparato novedosos para supervisar un procedimiento usando datos de entrenamiento para identificar datos del sensor en funcionamiento que cambian lentamente y que son característicos de los cambios normales del procedimiento.

Es también objeto de la invención proporcionar un procedimiento y un sistema mejorados para determinar si se puede omitir una anormalidad del sistema o fuente de datos sin efectos indeseables.

Un primer aspecto de la invención proporciona un procedimiento para supervisar al menos uno de los procedimientos industriales y una fuente de datos, incluyendo las etapas de detección de los datos de variación temporal de al menos uno de los procedimientos industriales y la fuente de datos industriales, determinando los estados aprendidos de un estado de funcionamiento deseado de al menos uno de los procedimientos industriales y la fuente de datos industriales con la mejora caracterizada por las etapas de procesamiento, tanto de los datos de variación temporal como de los estados aprendidos, para generar valores estimados de al menos uno de los procedimientos industriales y la fuente de datos industriales; comprendiendo los valores estimados y los valores detectados actuales del procedimiento industrial y la fuente de datos industriales para identificar un estado actual de al menos uno de los procedimientos industriales y la fuente de datos industriales que más se aproxima a uno de los estados aprendidos y, por lo tanto, generar datos característicos del estado actual; y el procesamiento de datos que es característico del estado actual para identificar un patrón de los datos y, al detectar una desviación de un patrón de los datos característico del estado de funcionamiento deseado, generar una señal que indique que al menos uno de los procedimientos industriales y la fuente de datos industriales no tiene el estado de funcionamiento deseado.

Un segundo aspecto de la invención proporciona un sistema para supervisar al menos uno de los procedimientos industriales y una fuente de datos, incluyendo los medios para obtener datos de variación temporal de una pluralidad de al menos uno de los procedimientos industriales y la fuente de datos industriales; una memoria que almacena estados aprendidos que se han determinado a partir de un estado de funcionamiento normal de al menos uno de los procedimientos industriales y la fuente de datos industriales con la mejora que se caracteriza por un módulo de modelado para usar los estados aprendidos y los datos de variación temporal para generar los valores estimados de al menos uno de los procedimientos industriales actuales y la fuente de datos; los medios para comparar los valores estimados con los valores reales actuales de al menos uno de los procedimientos industriales y la fuente de datos industriales para identificar un estado actual más próximo a uno de los estados aprendidos y, por lo tanto, generar un conjunto de datos modelados; y un módulo de reconocimiento de patrones para procesar los datos modelados para identificar un patrón para los datos modelados y, al detectar una desviación del patrón característico del funcionamiento normal, que el sistema genere una alarma.

Otras ventajas y características de la invención, junto con la organización y la forma de funcionamiento de las mismas, serán evidentes a partir de la siguiente descripción detallada tomada en conjunción con los dibujos adjuntos que se describen a continuación.

Breve descripción de los dibujos

La Figura 1 ilustra un diagrama de flujo funcional y esquemático de una realización preferida de la invención;

La Figura 2 ilustra un diagrama de flujo funcional de una metodología de correlación de adelantos-retrasos ("lead-lag") en el tiempo;

La Figura 3 ilustra un diagrama de flujo funcional de un procedimiento para determinar una amplia gama de datos buscando datos de entrenamiento del estado normal;

La Figura 4 ilustra un diagrama de flujo funcional de un procedimiento para modelar el comportamiento de los estados de funcionamiento de los sistemas comerciales;

La Figura 5 ilustra un diagrama de flujo funcional de un procedimiento para realizar un reconocimiento de patrones;

La Figura 6A ilustra señales de sensores que poseen un retraso de cuatro segundos antes de aplicar el procedimiento de adelanto-retraso ("lead-lag"), y la Fig. 6B ilustra las señales del sensor después de aplicar el procedimiento de adelanto-retraso ("lead-lag");

La Figura 7A ilustra los datos de las señales del sensor de la potencia de la bomba 1 con una estimación SMSET superpuesta a ellos; la Fig. 7B ilustra el error de estimación SMSET entre la estimación SMSET y los datos de las señales del sensor; y la Fig. 7C ilustra un histograma del error;

La Figura 8A ilustra los datos de las señales del sensor de la potencia de la bomba 2 con una estimación SMSET superpuesta a ellos; la Fig. 8B ilustra el error de estimación SMSET entre la estimación SMSET y los datos de las señales del sensor; y la Fig. 7C ilustra un histograma del error;

La Figura 9A ilustra los datos de las señales del sensor de la velocidad de la bomba 1 con una estimación SMSET superpuesta a ellos; la Fig. 9B ilustra el error de estimación SMSET entre la estimación SMSET y los datos de las señales del sensor; y la Fig. 9C ilustra un histograma del error;

La Figura 10A ilustra los datos de las señales del sensor de la velocidad de la bomba 2 con una estimación SMSET superpuesta a ellos; la Fig. 10B ilustra el error de estimación SMSET entre la estimación SMSET y los datos de las señales del sensor; y la Fig. 10C ilustra un histograma del error;

La Figura 11A ilustra los datos de las señales del sensor del índice de flujo de salida del reactor; la Fig. 11B ilustra el error de estimación SMSET entre la estimación SMSET y los datos de las señales del sensor; y la Fig. 11C ilustra un histograma del error;

La Figura 12A ilustra los datos de las señales del sensor del índice de flujo de la bomba principal 2; la Fig. 12B ilustra el error de estimación SMSET entre la estimación SMSET y los datos de las señales del sensor; y la Fig. 12C ilustra un histograma del error;

La Figura 13A ilustra los datos de las señales del sensor de la temperatura de salida del subconjunto 1A1; la Fig. 13B ilustra el error de estimación SMSET entre la estimación SMSET y los datos de las señales del sensor; y la Fig. 13C ilustra un histograma del error;

La Figura 14A ilustra los datos de las señales del sensor de la temperatura de salida del subconjunto 2B1; la Fig. 14B ilustra el error de estimación SMSET entre la estimación SMSET y los datos de las señales del sensor; y la Fig. 13C ilustra un histograma del error;

La Figura 15A ilustra los datos de las señales del sensor de la temperatura de salida del subconjunto 4E1; la Fig. 15B ilustra el error de estimación SMSET entre la estimación SMSET y los datos de las señales del sensor; y la Fig. 13C ilustra un histograma del error;

La Figura 16A ilustra los datos de las señales del sensor de la temperatura de salida del subconjunto 4F1; la Fig. 16B ilustra el error de estimación SMSET entre la estimación SMSET y los datos de las señales del sensor; y la Fig. 16C ilustra un histograma del error;

La Figura 17A ilustra los datos de las señales del sensor de la temperatura de salida del reactor 1534CF; la Fig. 17B ilustra el error de estimación SMSET entre la estimación SMSET y los datos de las señales del sensor; y la Fig. 17C ilustra un histograma del error;

La Figura 18A ilustra los datos de las señales del sensor de la flotación del nivel de sodio del depósito principal 530; la Fig. 18B ilustra el error de estimación SMSET entre la estimación SMSET y los datos de las señales del sensor; y la Fig. 18C ilustra un histograma del error;

La Figura 19A ilustra los datos de las señales del sensor de la inducción del nivel de sodio del depósito principal 531; la Fig. 19B ilustra el error de estimación SMSET entre la estimación SMSET y los datos de las señales del sensor; y la Fig. 19C ilustra un histograma del error;

La Figura 20A ilustra la desviación estándar de los errores SMSET de cada uno de los datos de las figuras 7 a 19; y la Fig. 20B ilustra el valor medio de los errores SMSET de cada uno de los datos de las figuras 7 a 19;

La Figura 21 muestra la temperatura de salida del subconjunto ("TSS") y las estimaciones SMSET y, en particular, la Fig. 21A ilustra la TSS normal dependiente del tiempo de 3F1 en el reactor nuclear EBR-II; la Fig. 21B ilustra la TSS normal de 3C1; la Fig. 21C ilustra la TSS normal de 5C2 y la Fig. 21D ilustra la TSS normal de 7A3;

Las figuras 22A-D ilustran el error de estimación SMSET de cada uno de los datos de las figuras 21A-D, respectivamente;

Las figuras 23A-D ilustran los resultados SPTR de cada uno de los datos de las figuras 21A-D, respectivamente;

La Figura 24A se corresponde exactamente con la Fig. 21A; la Fig. 24B incluye un componente de desviación lineal comparado con la Fig 21B; y las figuras 24C y 24D se corresponden exactamente con la Fig. 21C y 21D, respectivamente;

La Figura 25A se corresponde exactamente con la Fig. 22A; la Fig. 25B incluye el efecto del error de estimación SMET de la desviación lineal de la Fig. 24B; y las figuras 24C y 24D se corresponden exactamente a las figuras 22C y 22D, respectivamente;

La Figura 26A se corresponde exactamente con la Fig. 23A; la Fig. 26B ilustra los resultados SPRT del error de la desviación lineal de la Fig. 24B; y las figuras 26C y D se corresponden exactamente con la Fig. 23C y D, respectivamente;

Las Figuras 27A y 27B se corresponden exactamente con las figuras 21A y 21B, respectivamente; la Figura 27C incluye un impulso de amplitud temporal de 0,25% de la magnitud de la señal; y la Fig. 27D se corresponde exactamente con la Fig. 21D;

Las Figuras 28A y 28B se corresponden exactamente con las figuras 22A y 22B; la Fig. 28C ilustra el error de estimación SMSET del efecto del impulso de amplitud de la Fig. 27C y la Fig. 27D se corresponde exactamente con la Fig. 22D;

Las Figuras 29A y 29B se corresponden exactamente con las figuras 23A y 23B; la Fig. 29C ilustra los resultados SPRT del impulso de amplitud de la Fig. 27C y la Fig. 29D se corresponde exactamente con la Fig. 23D;

La Figura 30A ilustra los datos de la temperatura del subconjunto 3F1 de EBRII, pero incluye un cambio de ganancia uniforme comparado con la Fig. 21A, y las figuras 30B-D se corresponden exactamente con las figuras
21B-D;

La Figura 31A ilustra el error de estimación SMSET del cambio de ganancia de la Fig. 30A; y las figuras 31B-D se corresponden exactamente con las figuras 22B-D, respectivamente; y

La Figura 32A ilustra los resultados SPRT del cambio de ganancia de la Fig. 30A y el análisis SMSET de la Fig. 31A; y las figuras 32B-D se corresponden exactamente con las figuras 23B-D, respectivamente.

Descripción detallada de las realizaciones preferidas

El sistema 10 que se describe aquí incluye una metodología (véase la Fig. 1) y un aparato para vigilar las configuraciones de sensores o datos acumulados de las aplicaciones industriales, de servicios públicos, comerciales, médicas, financieras y de transporte. El sistema 10 es útil para identificar de manera sensible el comienzo de una degradación del sensor o la fuente de datos, cualquier anomalía del procedimiento o el sistema, o el comienzo de un cambio a un estado de funcionamiento diferente. La forma más preferible del sistema 10 comprende la integración sinérgica de cuatro técnicas para proporcionar capacidades de vigilancia mejoradas comparadas con las metodologías tradicionales (incluyendo las redes neurales), y también proporciona más fiabilidad y eficacia computacional. Los cuatro elementos de los que consta la forma de vigilancia más preferible del sistema 10 están representados en cuatro metodologías diferentes que se caracterizan en general por un módulo de correlación temporal 20, un módulo de entrenamiento 30, un módulo de estimulación de estados del sistema 40 y un módulo de reconocimiento de patrones 50.

Se han realizado numerosos intentos de usar redes neurales convencionales en aplicaciones de vigilancia de procedimientos nucleares, petroquímicos o industriales, pero con escaso éxito, en parte porque no tienen en cuenta las relaciones adelanto-retraso (la falta de la correlación temporal adecuada de los conjuntos de datos) entre los diversos sensores o fuentes de datos.

En un ejemplo, se dota a una tubería de una secuencia de N termopares ("TP") que miden la temperatura instantánea del fluido que pasa a través de la tubería, y las señales de esos termopares se desplazan con el tiempo a lo largo de la ruta de la corriente del fluido. Si el intervalo de muestreo de los sensores es menor que el tiempo de tránsito del fluido por la tubería, cualquier intento de supervisar estas señales con una red neural produciría datos muy inseguros en las señales estimadas de los TP. Por ejemplo, si el fluido tarda diez segundos en pasar por la tubería, y el intervalo de muestreo es un segundo, en cualquier instante dado del tiempo, TP(N), en el extremo de salida de la tubería, se verán las fluctuaciones que pasaron por los TP(1) hace diez segundos. Estos TP pueden seguir conteniendo un pequeño grado de correlación debido a los grandes cambios en la temperatura del fluido de una fuente de calor o pileta que está en la parte superior de la tubería; sin embargo, se perderá la correlación entre sensores más valiosa que se deriva de las alteraciones de la temperatura local a lo largo de la tubería. Este mismo fenómeno degrada el rendimiento de las redes neurales y otros paradigmas de reconocimiento de patrones que se aplican a cualquier procedimiento en el que los sensores físicos o las fuentes de datos se desplacen con el tiempo en el procedimiento que están supervisando. Entre otros ejemplos de retrasos en el tiempo en sistemas correlacionados se incluyen: sistemas con índices de flujo de datos lentos y/o distancias físicas largas (refinerías de petróleo, plantas de energía, sistemas HVAC y sistemas financieros), retrasos debidos a sistemas electrónicos analógicos o digitales (filtros de ruido y condensadores grandes) o retrasos de transmisión (comunicaciones por satélite o datos de transmisión por diferentes sistemas BUS).

En una forma preferida de modelo de correlación temporal 20, un componente LeadLag de la invención (véase la Fig. 6) realiza ajustes dinámicos en tiempo real de los adelantos y atrasos. El módulo LeadLag 20 realiza ajustes para que las señales de salida, que se envían a continuación a la rutina SMSET (el módulo de estimación del estado del sistema 40), estén correlacionadas de la manera óptima y distribuyan el máximo contenido de información al módulo de reconocimiento de patrones 50. El módulo LeadLag 20 se adjunta a este documento en el software informático del Apéndice A. El módulo LeadLag 20 realiza la función de ajuste llevando a cabo, para cada par de señales, un procedimiento de regresión iterativa que genera un vector de coeficientes de correlación con respecto al tiempo de retraso. Este vector de coeficientes de correlación es una función cóncava unimodal del tiempo de retraso. De esta manera, el tiempo de retraso óptimo entre el par de señales se identifica simplemente buscando el cruce de cero del primer derivado del vector con respecto al tiempo de retraso.

En otras formas de la invención, puede que no sea necesario usar el módulo LeadLag 20, tal y como se indica en la Fig. 1, en la que existe la opción de omitir el uso del módulo 20. Esto podría ocurrir en los sistemas en los que hay una correlación temporal adecuada o si no se necesita un cambio de tiempo para conseguir la correlación. Si no se usa el módulo LeadLag 20 o si el módulo LeadLag 20 ya ha procesado los datos, preferiblemente los datos se envían a un módulo de entrenamiento 30.

En una realización preferida, este módulo de entrenamiento es un módulo MiniMax 30 que busca en todas las observaciones todas las señales o datos durante un periodo de tiempo de entrenamiento para crear vectores de entrenamiento que incluyan el punto más elevado y el punto más bajo de cada señal o espacio de datos que está bajo vigilancia. En el software informático del Apéndice B se especifica el módulo MiniMax 30. El módulo MiniMax 30 produce un conjunto de entrenamiento "óptimo". Es óptimo en el sentido de que sólo contiene, como mucho, 2N vectores, donde N es el número de señales o puntos de datos del sistema; y estos vectores se expanden por todo el intervalo que han anotado todos los sensores o fuentes de datos durante el periodo de entrenamiento disponible. Siempre que dos o más sensores o fuentes de datos consigan simultáneamente valores máximos o mínimos, el número resultante de vectores de entrenamiento será menor de 2N.

En otra forma de la invención, se pueden omitir tanto el módulo LeadLag 20 como el módulo MiniMax 30, y los datos se pueden enviar directamente al módulo de estado del sistema 40.

Una vez que el módulo MiniMax 30 ha creado un modelo del sistema (o se ha omitido, tal y como se ha explicado anteriormente), el módulo de estimación del estado del sistema 40 (como, por ejemplo el módulo preferido "Subsystem Multivariate State Estimation Technique" (Técnica de estimación de estados multivariados del subsistema) o "SMSET") modela el comportamiento de un sistema mediante los ejemplos de los estados de funcionamiento del sistema comercial que se está modelando. En el software informático del Apéndice C se define la forma del módulo SMSET 40. En general, el módulo de estimación del estado del sistema 40 puede ser cualquiera de entre una variedad de metodologías de modelado como, por ejemplo, la media de movimiento regresivo automático, una red neural, una técnica de filtrado Kalman o una metodología empírica.

\newpage

El módulo SMSET 40 usa su memoria de los estados aprendidos del sistema comercial en conjunción con una sola observación nueva para proporcionar una estimación del estado "verdadero" del sistema actual. Los estados del sistema están representados por medio de vectores cuyos elementos constan de valores directos de los parámetros del sistema (señales medidas), así como cualquier transformación de estos parámetros del sistema que producen valores escalares, por ejemplo, parámetros calculados que se basan en datos medidos. El módulo SMSET 40 no requiere que los elementos de los vectores de estado sean linealmente independientes como en la mayoría de los otros tipos de técnicas de estimación. El procedimiento de aprendizaje, que se deriva en una matriz de "estado aprendido", se realiza de acuerdo con el módulo MiniMax 30 y el módulo LeadLag 20 que se ha descrito aquí anteriormente.

La metodología básica del módulo SMSET 40 implica la introducción de una nueva observación del comportamiento de un sistema que se compara con la "memoria" del comportamiento anterior del sistema que está representado en la matriz del estado aprendido. Se realizan una serie de operaciones matemáticas que generan una estimación de los estados de la memoria del sistema más "próxima" a la nueva observación. La definición de "más próxima" que se usa en el módulo SMSET 40 es el estado más cercano a la nueva observación desde el punto de vista de un conjunto de normas que determinan la asociación de dos vectores. Desde este estado más próximo, se realiza una estimación del estado "verdadero" del sistema para cada uno de los elementos del vector de estado. De esta manera, dado un conjunto de parámetros actuales observados de un sistema, el módulo SMSET 40 proporciona una estimación del estado actual verdadero del sistema. El valor de este procedimiento radica en que se puede proporcionar una estimación de todos los valores de los parámetros del sistema en el vector de estado, incluso si el vector de observación actual no está completo (por ejemplo, puede que algunos sensores o fuentes de datos hayan fallado o ya no estén disponibles), contiene los elementos erróneos o defectuosos (puede que algunos sensores se hayan desviado, descalibrado, contaminado con niveles de ruido muy altos, etc.) o incluso si el nuevo estado del sistema no coincide con los estados de funcionamiento previos. Sin embargo, el nuevo estado del sistema debe, en sentido general, estar vinculado por el dominio de los estados que se usa para desarrollar la memoria del sistema (matriz de estado aprendido).

Esta estimación del verdadero estado actual del sistema comercial, incluyendo los valores estimados de todos los parámetros del sistema, se usa en conjunción con los parámetros del sistema medidos reales para determinar la funcionalidad de los sensores (u otras fuentes de datos) y las alteraciones en el estado del sistema. Este procedimiento de estimación de los estados se puede describir también como un motor de inferencias que acepta como entrada un conjunto de estados aprendidos y una nueva observación del sistema comercial. Después de que el motor de inferencias realice una serie de operaciones en esta información, el resultado es una estimación del estado aprendido "más próximo" a la nueva observación. La definición de "más próximo" que se usa aquí es el estado más cercano a la nueva observación desde el punto de vista de un conjunto de normas que determinan la asociación (superposición) de dos vectores cualquiera. Otro resultado es la estimación del valor "verdadero" de cada uno de los elementos del nuevo vector de observación en la forma de un vector de estado estimado. La serie de operaciones que se realizan en el motor de inferencias comprende varias operaciones de matrices. En primer lugar, todos los pares de estados aprendidos se asocian preferiblemente de dos en dos usando un conjunto de normas para crear los elementos de una matriz de reconocimiento. A continuación, la nueva observación se asocia con cada estado aprendido usando el conjunto de normas para producir un vector que tiene el mismo número de elementos que el número de estados aprendidos. El valor del elemento mayor de este vector identifica el estado aprendido "más próximo" a la nueva observación. Por último, la matriz normal de este vector junto con la matriz de reconocimiento producen un conjunto de coeficientes de combinación lineal para combinar los estados aprendidos en el vector de estado estimado. Esta metodología, cuando se aplica a cualquier estado verdadero de un sistema comercial que sea una combinación de los estados aprendidos, da como resultado una aproximación muy próxima al estado verdadero. La proximidad real conseguida depende sobre todo de las no linealidades que surgen del conjunto de roles y/o fluctuaciones aleatorias en las variables y se demuestra por medio de pruebas directas. La experiencia general con el uso de este procedimiento para los sistemas comerciales de funcionamiento real indica que las capacidades predictivas no suelen ser inferiores a +/-0,5% y normalmente son +/- 0,1%.

Una vez que el módulo SMSET 40 ha modelado los datos, tal y como se ha descrito anteriormente, esos datos se envían a un módulo de reconocimiento de patrones 50 como, por ejemplo, el módulo "Sequential Probability Ratio Test" ("SPRT"). El software informático del módulo SPRT 50 se encuentra en el Apéndice D. Este módulo SPRT 50 es un procedimiento de reconocimiento de patrones sensible que puede detectar el comienzo de una degradación sutil en las señales de ruido con una gran fiabilidad, y con probabilidades cuantitativas de falsas alarmas y alarmas perdidas. Los resultados del módulo SMSET 40 se proporcionan como un conjunto de señales estimadas (también llamadas "señales virtuales") para cada sensor bajo vigilancia. Estas señales virtuales se introducen en una red de módulos SPRT 50 que interactúan entre sí junto con las lecturas reales del sensor. Cada uno de los módulos SPRT 50 recibe un par señal del sensor-señal virtual. Si hay alguna degradación del sensor o alteración del procedimiento que comienza a afectar al resultado de una o varias señales bajo vigilancia, el módulo SPRT 50 proporciona un aviso al operario y una señal de actuador al sistema de control, que puede cambiar automáticamente la señal virtual de manera selectiva cuando es preciso para sustituir la señal del sensor degradada o la fuente de datos. El documento USPN 5.459.675, describen más detalles acerca del módulo SPRT 50, que se incorporan aquí por referencia.

La combinación de metodologías anteriormente descrita permite la identificación de un procedimiento defectuoso, un tipo de fallo en particular, un sensor o fuente de datos defectuosa, o datos erróneos, y permite tomar medidas para corregir o modificar el procedimiento que se está supervisando.

\newpage

En algunos casos, cuando un sensor defectuoso o una fuente de flujo de datos incorrecta no son importantes para el funcionamiento continuado del sistema comercial, el usuario puede seguir usando el sistema o procedimiento comercial si el sensor o la fuente de datos funcionan normalmente. Por ejemplo, el sistema 10 puede funcionar para sustituir una estimación modelada por un sistema o procedimiento comercial real como entrada para reemplazar un sensor defectuoso o una fuente de datos errónea. Esto permite que el sistema o procedimiento comercial pueda seguir funcionando.

Dado que el sistema 10 no se basa en sí mismo en el modelado analítico, es aplicable a una gran variedad de procedimientos y sistemas, como los de petroquímica, generación de energía, automoción, manufactura, medicina, aeronáutica, finanzas y cualquier sistema en el que haya señales disponibles para procesar datos que estén relacionados con el rendimiento o funcionamiento del procedimiento del sistema comercial. El único requisito del sistema 10 es que haya algún tipo de correlación cruzada, ya sea lineal o no lineal, entre las señales que se usan como entrada en el sistema 10. Las señales pueden ser lineales, no lineales, fijas, no fijas, claras o ruidosas (con una distribución arbitraria). El sistema 10 usa una base de datos con los datos de funcionamiento históricos para modelar el sistema o procedimiento comercial. Se asume que la base de datos contiene datos de todos los modos de funcionamiento relevantes del sistema; sin embargo, si se encuentra un nuevo modo de funcionamiento y se determina que no es el resultado de ningún fallo del sensor o del sistema comercial, se puede añadir un nuevo vector a la matriz de entrenamiento existente para incorporar el modo de funcionamiento no anticipado en el modelo del sistema.

Los siguientes ejemplos no limitadores ilustran los diversos aspectos de la invención que se describen aquí. Los datos que se han usado se han tomado del reactor EBR- II de Argonne National Laboratory (Oeste).

Ejemplo I

En este ejemplo se describe el efecto de la correlación del retraso de tiempo, y las figuras 6A y 6B muestran dos señales de voltaje con un retraso de cuatro segundos entre ellas. Antes de que las señales sean procesadas por el módulo LeadLag 20 (véase la Fig. 6A), el coeficiente de correlación es 0,0182, lo que implica que no hay correlación en comparación con el procesamiento a través del módulo LeadLag 20 con el que se obtiene una correlación de 0,9209 (véase la Fig. 6B). Cuando el conjunto de señales, o datos, que se están usando sea más de dos, se usan todas las combinaciones de parejas posibles para calcular los coeficientes de la correlación máximos posibles para que todas las señales se puedan correlacionar correctamente.

Ejemplo II

Se ha llevado a cabo un experimento para determinar la precisión de la invención (en general, la metodología "SMSET") usando datos de los sensores del reactor experimental Breeder H (EBR-II) de Argonne National Laboratory (U558). El conjunto de datos del sensor contenía 13 señales de los sensores que supervisan el EBR-II. La tabla I muestra la precisión de la estimación SMSET para los datos de EBR-II. La tabla I incluye los números de canales y las descripciones de cada una de las señales de los sensores que se usaron en el análisis. El experimento fue realizado en tres etapas; en el primero, se entrenó al módulo SMSET usando los datos de dos días del EBR-II, luego, se usó el módulo SMSET entrenado para calcular el estado de aproximadamente 110 horas de datos del EBR-II, y más tarde se analizó la precisión de las estimaciones. Para cada una de las señales del sensor que se enumeran en la tabla I, las figuras 7 a 19, respectivamente, muestran la señal del sensor (dibujo superior) y la estimación SMSET superpuesta, el dibujo central muestra el error entre el SMSET y la señal del sensor (en porcentaje de la magnitud de la señal) y un histograma (dibujo inferior) del error. Los dibujos de los histogramas se comparan con una distribución gausiana que tiene la misma variación media para dar una idea de cómo son las señales de error gausianas. En la Fig. 20 hay un resumen de los datos de las figuras 7-19.

Se usó una metodología titulada MiniMax (Apéndice B) para entrenar el sistema usando los datos de los dos días de entrenamiento que se han mencionado anteriormente. Después de aplicar el procedimiento MiniMax, se creó una matriz de entrenamiento que constaba de veinticinco vectores únicos que constituyen un modelo empírico de todo el sistema. Después de crear el modelo, se aplicó la metodología a las señales que se enumeran en la tabla de precisión. Cada señal del sistema tiene su propia señal de error de estimación que es una medición de la aproximación con la que representa el sistema el modelo de reconocimiento de patrones en relación con las lecturas del sensor. La segunda columna de la Tabla I enumera la desviación estándar del error de estimación de todas las señales del experimento en términos de la magnitud de cada una de las señales. La magnitud de la señal se define por su media durante el funcionamiento normal. La tercera columna de la Tabla I enumera la media del error de estimación de todas las señales también en términos de la magnitud de las señales. En general, las desviaciones estándar del error de estimación oscilan entre 0,01% y 0,1%, y las medias de los errores de estimación rondan 0. Los gráficos de barras de la información tabular se muestran en las figuras 20A y 20B como una representación gráfica de la precisión de la información.

TABLA I Tabla de precisión de la estimación SMSET para los datos de EBRII

1

Ejemplo III

En las figuras 21-32, se muestran ejemplos de diferentes modos de fallos de los sensores, junto con la forma en la que reacciona el sistema a dichos fallos. El procedimiento preferido de la Fig. 1 se aplica a los datos. Las señales del sensor que se usan en estos ejemplos pertenecen a un subconjunto de señales de sensores 22 que se usan en el sistema. Los sensores 22 supervisan el sistema del subconjunto del EBR-II en Argonne National Laboratory (Oeste). Cada una de las figuras 21-32 contiene cuatro subdibujos en los que el superior está relacionado con la temperatura de salida del subconjunto ("TSS") 3F1, el intermedio está relacionado con la TSS 3C1, el inferior medio está relacionado con la TSS 5C2 y el inferior está relacionado con la TSS 7A3. El sistema aplicado en cada uno de los ejemplos usa la misma matriz de entrenamiento, que comprende 83 vectores seleccionados de una base de datos de entrenamiento que contiene casi una semana de datos tomados cada minuto.

En las figuras 21-23 se muestran los resultados del uso del sistema 10 durante 5,5 días aproximadamente de funcionamiento normal del EBR-II. La Fig. 21 muestra las señales TSS con sus estimaciones SMSET correspondientes (las señales son los círculos y las líneas son la estimación). La Fig. 22 muestra los errores de estimación en bruto respectivos (no en términos de la magnitud de la señal) que se han obtenido tomando la diferencia entre las señales TSS y las estimaciones SMSET correspondientes. Por último, en la Fig. 23 se muestran los resultados de la aplicación del módulo de toma de decisiones del sistema 10 (el módulo SPRT; véase el Apéndice D) a los errores de estimación SMSET de la Fig. 22. Los dibujos SPRT muestran un total de sólo tres falsas alarmas, lo que supone un índice de alarmas falsas de 9.4 x 10''5, lo que está dentro del índice de alarmas falsas especificado de 1.0 x 10''3.

Uno de los tipos de modos de fallo que es muy común en los sensores es una desviación lenta. Este tipo de fallo puede ser difícil de detectar prematuramente, especialmente cuando las señales del sensor contienen ruido. Las figuras 24-26 ilustran un ejemplo comparativo de los datos de procesamiento de este tipo de fallo y la identificación del fallo. La señal nº 2 (Fig. 24B) tiene una desviación lineal de 0,2% de media a lo largo del periodo de 2,75 días que comienza 4000 minutos después de la señal. El resto de los sensores funciona con normalidad. La Fig. 25 muestra los errores de estimación SMSET resultantes para cada señal del sensor. El dibujo del error de la señal nº 2 (Fig. 25B) muestra pruebas de la desviación después de que la señal del sensor se ha desviado aproximadamente 0,05%. En la Fig. 26, el procedimiento SPRT ha determinado que el número 2 (la Fig. 26B) se está desviando aproximadamente 0,05% y que el resto de los sensores funciona con normalidad.

Otro tipo de fallo que se podría producir es un cambio de pasos en la señal del sensor. Esto puede ser el resultado de un cortocircuito en el sensor o DAS, un error de calibración o una gran variedad de diversas razones. Las FIGS 27-29 muestran un ejemplo de este tipo de fallo para las mediciones TSS. En este ejemplo, la señal del sensor nº 3 (Fig. 27C) contiene un impulso con una amplitud de 0,25% de la magnitud de la señal. El impulso se inicia a los 4000 minutos y dura 2000 minutos. La Fig. 27 muestra las señales del sensor y las estimaciones SMSET de las cuatro señales TSS. La Fig. 28 muestra los errores de estimación SMSET resultantes. La señal de error del número 3 (Fig. 28C) muestra que hay un problema que se inicia a los 4000 minutos y finaliza a los 6000 minutos. Las señales de error se envían al módulo SPRT 50, y los resultados se dibujan en la Fig. 29. Está claro que ha habido una alteración en el sensor número 3 (Fig. 29C) que comienza a los 4000 minutos y termina a los 6000 minutos.

En las figuras 30-32, se muestra un ejemplo de un modo de fallo relacionado con la ganancia del sensor. En este ejemplo, la ganancia de la señal del sensor cambia con el ajuste, es decir, la amplitud aumenta con el tiempo. La ganancia comienza a cambiar linealmente con el tiempo desde un valor inicial de 1 hasta un valor final de 1+0,075% de la magnitud del sensor. El sistema 10 del error de estimación se aplica a las señales, y los resultados se muestran en la Fig. 31. Es más que probable que un operario humano no pudiera saber que hay un problema con tan solo mirar la señal del sensor, incluso pasados 8000 minutos. En la Fig. 31A, es evidente que la señal nº 1 está funcionando de una manera anormal. Esto se confirma en la Fig. 32A por los resultados SPRT, que demuestran que hay un número de alarmas SPRT que aumenta gradualmente en el periodo de 8000 minutos.

Apéndice A

Software informático del módulo Leadlag que realiza ajustes de correlación del tiempo de adelanto y atraso entre los sensores de manera dinámica y en tiempo real.

3

4

5

6

7

8

9

10

Apéndice B

Software informático para producir un conjunto de entrenamiento óptimo buscando información de las señales durante un periodo de entrenamiento para construir vectores de entrenamiento, incluyendo los puntos más altos y más bajos de las señales bajo vigilancia.

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

Apéndice C

Software informático para el modelado del comportamiento de los ejemplos de los estados operativos del sistema comercial.

26

27

28

29

30

31

32

33

34

35

Apéndice D

Software informático para realizar el reconocimiento de patrones detectando el comienzo de una degradación en las señales de ruido.

36

37

38

39

40

41

Claims

1. Un procedimiento para supervisar al menos uno de los procedimientos industriales y una fuente de datos, incluyendo las etapas de detección de los datos de variación temporal de al menos uno de los procedimientos industriales y la fuente de datos industriales, determinando los estados aprendidos de un estado de funcionamiento deseado de al menos uno de los procedimientos industriales y la fuente de datos industriales con la mejora caracterizada por las etapas de procesamiento, tanto de los datos de variación temporal como los estados aprendidos, para generar valores estimados de al menos uno de los procedimientos industriales y la fuente de datos industriales; comparando los valores estimados con los valores detectados actuales del procedimiento industrial y la fuente de datos industriales para identificar un estado actual de al menos uno de los procedimientos industriales y la fuente de datos industriales que más se aproxima a uno de los estados aprendidos y, por lo tanto, generar datos característicos del estado actual; y procesando los datos que son característicos del estado actual para identificar un patrón para los datos y, al detectar una desviación de un patrón de los datos característico del estado de funcionamiento deseado, generar una señal que indica que al menos uno de los procedimientos industriales y la fuente de datos industriales no tiene el estado de funcionamiento deseado.

2. El procedimiento, según la reivindicación 1, que incluye además la etapa de búsqueda de los datos de variación temporal, antes de comparar los valores reales actuales con los valores estimados, para identificar los valores mínimos y máximos de los datos, estableciendo así un intervalo completo de valores para los datos.

3. El procedimiento, según la reivindicación 2, en el que cada uno de al menos uno de los procedimientos industriales y la fuente de datos industriales se caracteriza por dos valores de datos asociados a los valores mínimos y máximos.

4. El procedimiento, según la reivindicación 1 o la reivindicación 2, que además incluye la etapa de procesamiento de los datos de variación temporal para efectuar una correlación temporal óptima de los datos.

5. El procedimiento, tal y como define en la reivindicación 4, en el que la etapa de determinación de la correlación temporal óptima comprende comparar pares de datos, cada uno característico de una fuente de datos diferente y calcular un vector de correlación cruzada en el tiempo, aplicando un filtro de paso bajo para eliminar el ruido del vector de correlación cruzada y determinar el cambio de fase entre los datos.

6. El procedimiento, según la reivindicación 5, en el que la etapa de determinación del cambio de fase comprende diferenciar el vector de correlación cruzada respecto al tiempo de retraso entre cada par de datos y realizar una interpolación para calcular la raíz del diferencial del vector de correlación cruzada.

7. El procedimiento, según cualquiera de las reivindicaciones precedentes en el que la etapa de identificación de un estado actual de al menos un procedimiento industrial y la fuente de datos industriales más próxima al estado aprendido incluye la formación de una combinación de los estados aprendidos para identificar un estado verdadero de al menos uno de los procedimientos industriales y la fuente de datos industriales.

8. El procedimiento, según la reivindicación 7, que además incluye la etapa de sustitución de un valor estimado por observaciones incompletas de al menos uno de los procedimientos industriales y la fuente de datos industriales.

9. El procedimiento, según una cualquiera de las reivindicaciones precedentes, que incluye además la etapa de sustitución de una señal estimada para al menos uno de los procedimientos industriales y la fuente de datos industriales al detectar la desviación de un patrón característico del estado de funcionamiento deseado, sustituyendo así una fuente de datos defectuosa, lo que permite el funcionamiento y la supervisión continuadas.

10. El procedimiento, según cualquiera de las reivindicaciones precedentes, en el que dicha etapa de procesamiento de los datos característicos del estado actual para identificar un patrón comprende aplicar una prueba de índice de probabilidad secuencial.

11. El procedimiento, según la reivindicación 10, en el que datos que son característicos del estado actual se procesan para generar un conjunto de datos modelados que luego se vuelven a procesar para identificar el patrón de los datos.

12. El procedimiento, según cualquiera de las reivindicaciones precedentes, en el que se selecciona el procedimiento industrial del grupo que consta de un procedimiento de fabricación, un procedimiento físico, un sistema de predicción meteorológica, un sistema de transporte, una operación de utilidades, un procedimiento químico, un procedimiento biológico, un procedimiento electrónico y un procedimiento financiero.

13. El procedimiento según cualquiera de las reivindicaciones precedentes, en el que dicha fuente de datos industriales comprende una pluralidad de pares de sensores.

14. Un sistema para supervisar al menos uno de los procedimientos industriales y una fuente de datos, incluyendo medios para obtener datos de variación temporal de una pluralidad de al menos uno de los procedimientos industriales y la fuente de datos industriales; una memoria que almacena estados aprendidos determinados a partir de un estado de funcionamiento normal de al menos uno de los procedimientos industriales y la fuente de datos industriales con la mejora caracterizada por un módulo de modelado (40) para usar los estados aprendidos y los datos de variación temporal para generar valores estimados de al menos uno de los procedimientos industriales actuales y la fuente de datos industriales; medios para comparar los valores estimados con los valores reales actuales de al menos uno de los procedimientos industriales y la fuente de datos industriales para identificar un estado actual más próximo a uno de los estados aprendidos y, por lo tanto, generar un conjunto de datos modelados; y un módulo de reconocimiento de patrones (50) para procesar los datos modelados para identificar un patrón para los datos modelados y, tras la detección de una desviación del patrón característico del funcionamiento normal, el sistema genere una alarma.

15. El sistema, según la reivindicación 14, que además incluye medios (20) para procesar los datos de variación temporal para efectuar la correlación temporal óptima de los datos acumulados a partir de al menos uno de los procedimientos industriales y la fuente de datos industriales.

16. El sistema, según la reivindicación 15, que además incluye medios (30) para buscar los datos correlacionados temporales para identificar los valores máximos y mínimos de los datos, determinando así un intervalo completo de valores para los datos de al menos uno de los procedimientos industriales y la fuente de datos industriales.

17. El sistema, según una cualquiera de las reivindicaciones 14 a 16, en el que dicho módulo de modelado (40) genera una medición de la asociación entre los valores reales actuales y cada uno de al menos algunos de los estados aprendidos para generar los valores estimados.

18. El sistema, según la reivindicación 17, en el que los valores estimados generados comprenden una combinación lineal de al menos algunos de los estados aprendidos de acuerdo con las mediciones de asociación.

19. El sistema, según la reivindicación 18, en el que el módulo de reconocimiento de patrones (50) identifica el patrón de los datos modelados usando una prueba de índice de probabilidad secuencial.

20. Un procedimiento, según una cualquiera de las reivindicaciones 1 ó 13, en el que la etapa de generación de los valores estimados incluye la generación de una medición de la asociación entre los valores reales actuales de los datos de variación temporal y cada uno de al menos algunos de los estados aprendidos.

21. Un procedimiento, según la reivindicación 20, en el que la etapa de generación de valores estimados incluye la combinación lineal de al menos algunos de los estados aprendidos, de acuerdo con las mediciones de asociación.