ES2205244T3 - Sistema de vigilancia de procedimientos industriales. - Google Patents
Sistema de vigilancia de procedimientos industriales.Info
- Publication number
- ES2205244T3 ES2205244T3 ES97930046T ES97930046T ES2205244T3 ES 2205244 T3 ES2205244 T3 ES 2205244T3 ES 97930046 T ES97930046 T ES 97930046T ES 97930046 T ES97930046 T ES 97930046T ES 2205244 T3 ES2205244 T3 ES 2205244T3
- Authority
- ES
- Spain
- Prior art keywords
- data
- industrial
- procedure
- procedures
- values
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Lifetime
Links
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
- G05B23/0254—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, Neural Networks
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0262—Confirmation of fault detection, e.g. extra checks to confirm that a failure has indeed occurred
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
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.
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;
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.
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).
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.
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.
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.
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.
Apéndice
C
Software informático para el modelado del
comportamiento de los ejemplos de los estados operativos del sistema
comercial.
Apéndice
D
Software informático para realizar el
reconocimiento de patrones detectando el comienzo de una degradación
en las señales de ruido.
Claims (21)
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.
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US666938 | 1996-06-19 | ||
US08/666,938 US5764509A (en) | 1996-06-19 | 1996-06-19 | Industrial process surveillance system |
Publications (1)
Publication Number | Publication Date |
---|---|
ES2205244T3 true ES2205244T3 (es) | 2004-05-01 |
Family
ID=24676137
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
ES97930046T Expired - Lifetime ES2205244T3 (es) | 1996-06-19 | 1997-06-13 | Sistema de vigilancia de procedimientos industriales. |
Country Status (9)
Country | Link |
---|---|
US (2) | US5764509A (es) |
EP (1) | EP0906593B1 (es) |
JP (1) | JP3449560B2 (es) |
KR (1) | KR100313067B1 (es) |
AU (1) | AU3396797A (es) |
CA (1) | CA2257881C (es) |
DE (1) | DE69723839T2 (es) |
ES (1) | ES2205244T3 (es) |
WO (1) | WO1997049011A1 (es) |
Families Citing this family (139)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU731116B2 (en) * | 1996-11-28 | 2001-03-22 | Siemens Aktiengesellschaft | Method for configuring a fuzzy automatic-control device which is used for comparing a measurement signal with a pattern signal |
US6131076A (en) * | 1997-07-25 | 2000-10-10 | Arch Development Corporation | Self tuning system for industrial surveillance |
US6185466B1 (en) * | 1997-10-06 | 2001-02-06 | Proteus Industries, Inc. | Distributed digital control system including modules with multiple stored databases and selector |
US5987399A (en) * | 1998-01-14 | 1999-11-16 | Arch Development Corporation | Ultrasensitive surveillance of sensors and processes |
US6119111A (en) * | 1998-06-09 | 2000-09-12 | Arch Development Corporation | Neuro-parity pattern recognition system and method |
US6035240A (en) * | 1998-11-12 | 2000-03-07 | Moorehead; Jack | Flexible distributed processing system for sensor data acquisition and control |
US7386426B1 (en) * | 1999-04-30 | 2008-06-10 | Smartsignal Corporation | Method and system for nonlinear state estimation |
WO2000067412A2 (en) * | 1999-04-30 | 2000-11-09 | Dryken Technologies | Method and system for nonlinear state estimation |
US6442542B1 (en) * | 1999-10-08 | 2002-08-27 | General Electric Company | Diagnostic system with learning capabilities |
US6876991B1 (en) | 1999-11-08 | 2005-04-05 | Collaborative Decision Platforms, Llc. | System, method and computer program product for a collaborative decision platform |
US6539343B2 (en) * | 2000-02-03 | 2003-03-25 | Xerox Corporation | Methods for condition monitoring and system-level diagnosis of electro-mechanical systems with multiple actuating components operating in multiple regimes |
US6751575B2 (en) * | 2000-02-14 | 2004-06-15 | Infoglide Corporation | System and method for monitoring and control of processes and machines |
US7739096B2 (en) * | 2000-03-09 | 2010-06-15 | Smartsignal Corporation | System for extraction of representative data for training of adaptive process monitoring equipment |
WO2001067262A1 (en) | 2000-03-09 | 2001-09-13 | Smartsignal Corporation | Generalized lensing angular similarity operator |
US6957172B2 (en) * | 2000-03-09 | 2005-10-18 | Smartsignal Corporation | Complex signal decomposition and modeling |
AU2001249138A1 (en) | 2000-03-10 | 2001-09-24 | Cyrano Sciences, Inc. | Measuring and analyzing multi-dimensional sensory information for identificationpurposes |
AU4733601A (en) | 2000-03-10 | 2001-09-24 | Cyrano Sciences Inc | Control for an industrial process using one or more multidimensional variables |
US6952662B2 (en) * | 2000-03-30 | 2005-10-04 | Smartsignal Corporation | Signal differentiation system using improved non-linear operator |
US6609036B1 (en) | 2000-06-09 | 2003-08-19 | Randall L. Bickford | Surveillance system and method having parameter estimation and operating mode partitioning |
US6917839B2 (en) * | 2000-06-09 | 2005-07-12 | Intellectual Assets Llc | Surveillance system and method having an operating mode partitioned fault classification model |
CA2411378A1 (en) * | 2000-06-30 | 2002-01-10 | The Dow Chemical Company | Multi-variable matrix process control |
JP2002043200A (ja) * | 2000-07-24 | 2002-02-08 | Mitsubishi Electric Corp | 異常原因検出装置及び異常原因検出方法 |
TW577003B (en) * | 2000-09-29 | 2004-02-21 | Manugistics Inc | System, network, storage device, and method for supply chain management, including collaboration |
US7016816B2 (en) * | 2000-10-26 | 2006-03-21 | Triant Technologies Inc. | Method for estimating and reducing uncertainties in process measurements |
US20030149570A1 (en) * | 2000-10-27 | 2003-08-07 | Panacya, Inc. | Early warning in e-service management systems |
WO2002035393A1 (en) * | 2000-10-27 | 2002-05-02 | Manugistics, Inc. | System and methods for sharing and viewing supply chain information |
US20020077792A1 (en) * | 2000-10-27 | 2002-06-20 | Panacya, Inc. | Early warning in e-service management systems |
US7668761B2 (en) * | 2000-10-27 | 2010-02-23 | Jda Software Group | System and method for ensuring order fulfillment |
US6556939B1 (en) | 2000-11-22 | 2003-04-29 | Smartsignal Corporation | Inferential signal generator for instrumented equipment and processes |
GB0029760D0 (en) * | 2000-12-06 | 2001-01-17 | Secr Defence Brit | Tracking systems for detecting sensor errors |
US7233886B2 (en) * | 2001-01-19 | 2007-06-19 | Smartsignal Corporation | Adaptive modeling of changed states in predictive condition monitoring |
US7373283B2 (en) * | 2001-02-22 | 2008-05-13 | Smartsignal Corporation | Monitoring and fault detection system and method using improved empirical model for range extrema |
US7539597B2 (en) | 2001-04-10 | 2009-05-26 | Smartsignal Corporation | Diagnostic systems and methods for predictive condition monitoring |
US20020183971A1 (en) | 2001-04-10 | 2002-12-05 | Wegerich Stephan W. | Diagnostic systems and methods for predictive condition monitoring |
WO2002088850A1 (en) * | 2001-04-26 | 2002-11-07 | Abb As | Method for detecting and correcting sensor failure in oil and gas production system |
US6892546B2 (en) | 2001-05-03 | 2005-05-17 | Emerson Retail Services, Inc. | System for remote refrigeration monitoring and diagnostics |
US6668240B2 (en) * | 2001-05-03 | 2003-12-23 | Emerson Retail Services Inc. | Food quality and safety model for refrigerated food |
US6839655B2 (en) | 2001-05-25 | 2005-01-04 | University Of Chicago | System for monitoring non-coincident, nonstationary process signals |
GB0113627D0 (en) * | 2001-06-05 | 2001-07-25 | Univ Stirling | Controller and method of controlling an apparatus |
US6975962B2 (en) * | 2001-06-11 | 2005-12-13 | Smartsignal Corporation | Residual signal alert generation for condition monitoring using approximated SPRT distribution |
EP1419442A2 (en) * | 2001-08-21 | 2004-05-19 | Idtect | System and method for scalable multi-level remote diagnosis and predictive maintenance |
US20030046382A1 (en) * | 2001-08-21 | 2003-03-06 | Sascha Nick | System and method for scalable multi-level remote diagnosis and predictive maintenance |
JP4184638B2 (ja) * | 2001-08-31 | 2008-11-19 | 株式会社東芝 | 半導体製造装置の寿命診断方法 |
US6892163B1 (en) | 2002-03-08 | 2005-05-10 | Intellectual Assets Llc | Surveillance system and method having an adaptive sequential probability fault detection test |
US6915237B2 (en) * | 2002-05-14 | 2005-07-05 | Analysis And Measurement Services Corporation | Integrated system for verifying the performance and health of instruments and processes |
US7254520B2 (en) | 2002-05-14 | 2007-08-07 | Analysis And Measurement Services Corporation | Testing of wire systems and end devices installed in industrial processes |
US7103615B2 (en) * | 2002-07-23 | 2006-09-05 | The Boeing Company | Process evaluation distributed system |
US6889173B2 (en) | 2002-10-31 | 2005-05-03 | Emerson Retail Services Inc. | System for monitoring optimal equipment operating parameters |
US7233884B2 (en) * | 2002-10-31 | 2007-06-19 | United Technologies Corporation | Methodology for temporal fault event isolation and identification |
US6909960B2 (en) * | 2002-10-31 | 2005-06-21 | United Technologies Corporation | Method for performing gas turbine performance diagnostics |
PT1579288T (pt) * | 2002-11-04 | 2017-06-23 | Ge Intelligent Platforms Inc | Monitorização do estado do sistema utilizando máquina de aprendizagem local recorrente |
GB0314870D0 (en) * | 2003-06-26 | 2003-10-29 | Rolls Royce Power Eng | Remote monitoring system |
US20050004684A1 (en) * | 2003-07-01 | 2005-01-06 | General Electric Company | System and method for adjusting a control model |
US6980874B2 (en) * | 2003-07-01 | 2005-12-27 | General Electric Company | System and method for detecting an anomalous condition in a multi-step process |
US7050875B2 (en) * | 2003-07-01 | 2006-05-23 | General Electric Company | System and method for detecting an anomalous condition |
US20060074558A1 (en) * | 2003-11-26 | 2006-04-06 | Williamson Walton R | Fault-tolerant system, apparatus and method |
US7292952B1 (en) * | 2004-02-03 | 2007-11-06 | Sun Microsystems, Inc. | Replacing a signal from a failed sensor in a computer system with an estimated signal derived from correlations with other signals |
US7249287B2 (en) * | 2004-04-19 | 2007-07-24 | General Electric Company | Methods and apparatus for providing alarm notification |
US7412842B2 (en) | 2004-04-27 | 2008-08-19 | Emerson Climate Technologies, Inc. | Compressor diagnostic and protection system |
US7799273B2 (en) | 2004-05-06 | 2010-09-21 | Smp Logic Systems Llc | Manufacturing execution system for validation, quality and risk assessment and monitoring of pharmaceutical manufacturing processes |
US7275377B2 (en) | 2004-08-11 | 2007-10-02 | Lawrence Kates | Method and apparatus for monitoring refrigerant-cycle systems |
US7953577B2 (en) * | 2004-08-25 | 2011-05-31 | Siemens Corporation | Method and apparatus for improved fault detection in power generation equipment |
US7188050B2 (en) * | 2004-08-25 | 2007-03-06 | Siemens Corporate Research, Inc. | Method and apparatus for detecting out-of-range conditions in power generation equipment operations |
EP1851959B1 (en) | 2005-02-21 | 2012-04-11 | Computer Process Controls, Inc. | Enterprise control and monitoring system |
ATE403898T1 (de) * | 2005-03-24 | 2008-08-15 | Abb Research Ltd | Abschätzen der zustandparameter oder erscheinung eines alternden systems |
US20060293859A1 (en) * | 2005-04-13 | 2006-12-28 | Venture Gain L.L.C. | Analysis of transcriptomic data using similarity based modeling |
US7640145B2 (en) * | 2005-04-25 | 2009-12-29 | Smartsignal Corporation | Automated model configuration and deployment system for equipment health monitoring |
US7155365B1 (en) * | 2005-08-02 | 2006-12-26 | Sun Microsystems, Inc. | Optimal bandwidth and power utilization for ad hoc networks of wireless smart sensors |
AU2006325153B2 (en) | 2005-11-29 | 2013-03-28 | PhysIQ Inc. | Residual-based monitoring of human health |
US7536371B2 (en) * | 2005-12-05 | 2009-05-19 | Insyst Ltd. | Apparatus and method for the analysis of a process having parameter-based faults |
US7558985B2 (en) * | 2006-02-13 | 2009-07-07 | Sun Microsystems, Inc. | High-efficiency time-series archival system for telemetry signals |
US8590325B2 (en) | 2006-07-19 | 2013-11-26 | Emerson Climate Technologies, Inc. | Protection and diagnostic module for a refrigeration system |
US8341260B2 (en) * | 2006-08-16 | 2012-12-25 | Oracle America, Inc. | Method and system for identification of decisive action state of server components via telemetric condition tracking |
US8116566B2 (en) * | 2006-08-28 | 2012-02-14 | Colorado State University Research Foundation | Unknown pattern set recognition |
US8046200B2 (en) | 2006-09-05 | 2011-10-25 | Colorado State University Research Foundation | Nonlinear function approximation over high-dimensional domains |
US20080216494A1 (en) | 2006-09-07 | 2008-09-11 | Pham Hung M | Compressor data module |
US8275577B2 (en) * | 2006-09-19 | 2012-09-25 | Smartsignal Corporation | Kernel-based method for detecting boiler tube leaks |
US7822697B2 (en) * | 2006-09-29 | 2010-10-26 | Globvision Inc. | Method and apparatus for infrastructure health monitoring and analysis wherein anomalies are detected by comparing measured outputs to estimated/modeled outputs by using a delay |
US7769562B2 (en) * | 2006-11-13 | 2010-08-03 | Oracle America, Inc. | Method and apparatus for detecting degradation in a remote storage device |
US8706451B1 (en) * | 2006-12-15 | 2014-04-22 | Oracle America, Inc | Method and apparatus for generating a model for an electronic prognostics system |
US8682835B1 (en) * | 2006-12-15 | 2014-03-25 | Intellectual Assets Llc | Asset surveillance method and system comprising a dynamic model framework |
US8311774B2 (en) | 2006-12-15 | 2012-11-13 | Smartsignal Corporation | Robust distance measures for on-line monitoring |
US7917540B2 (en) * | 2007-02-22 | 2011-03-29 | Colorado State University Research Foundation | Nonlinear set to set pattern recognition |
US20090037142A1 (en) | 2007-07-30 | 2009-02-05 | Lawrence Kates | Portable method and apparatus for monitoring refrigerant-cycle systems |
EP2171598B1 (en) | 2007-08-03 | 2017-01-11 | GE Intelligent Platforms, Inc. | Fuzzy classification approach to fault pattern matching |
US7853441B2 (en) * | 2007-08-22 | 2010-12-14 | United Technologies Corp. | Systems and methods involving engine models |
US7930639B2 (en) | 2007-09-26 | 2011-04-19 | Rockwell Automation Technologies, Inc. | Contextualization for historians in industrial systems |
US7689368B2 (en) * | 2007-10-26 | 2010-03-30 | Caterpillar Inc. | Systems and methods for early detection of machine component failure |
US9140728B2 (en) | 2007-11-02 | 2015-09-22 | Emerson Climate Technologies, Inc. | Compressor sensor module |
US8712929B1 (en) | 2007-11-30 | 2014-04-29 | Intellectual Assets Llc | Dynamic data filtering system and method |
US8700550B1 (en) * | 2007-11-30 | 2014-04-15 | Intellectual Assets Llc | Adaptive model training system and method |
US8103672B2 (en) * | 2009-05-20 | 2012-01-24 | Detectent, Inc. | Apparatus, system, and method for determining a partial class membership of a data record in a class |
US8473106B2 (en) | 2009-05-29 | 2013-06-25 | Emerson Climate Technologies Retail Solutions, Inc. | System and method for monitoring and evaluating equipment operating parameter modifications |
US8560283B2 (en) * | 2009-07-10 | 2013-10-15 | Emerson Process Management Power And Water Solutions, Inc. | Methods and apparatus to compensate first principle-based simulation models |
DE102009040386A1 (de) | 2009-09-07 | 2011-03-10 | Schaeffler Technologies Gmbh & Co. Kg | Verfahren zur Zustands- und Prozessüberwachung und Vorrichtung hierfür |
US8620591B2 (en) * | 2010-01-14 | 2013-12-31 | Venture Gain LLC | Multivariate residual-based health index for human health monitoring |
US8276018B2 (en) | 2010-04-30 | 2012-09-25 | International Business Machines Corporation | Non-volatile memory based reliability and availability mechanisms for a computing device |
US8386859B2 (en) * | 2010-04-30 | 2013-02-26 | International Business Machines Corporation | On-chip non-volatile storage of a test-time profile for efficiency and performance control |
US8862433B2 (en) | 2010-05-18 | 2014-10-14 | United Technologies Corporation | Partitioning of turbomachine faults |
EP2580629A2 (en) * | 2010-06-10 | 2013-04-17 | Siemens Corporation | Method for quantitative resilience estimation of industrial control systems |
US10761524B2 (en) * | 2010-08-12 | 2020-09-01 | Rosemount Inc. | Wireless adapter with process diagnostics |
JP5501903B2 (ja) * | 2010-09-07 | 2014-05-28 | 株式会社日立製作所 | 異常検知方法及びそのシステム |
US9285802B2 (en) | 2011-02-28 | 2016-03-15 | Emerson Electric Co. | Residential solutions HVAC monitoring and diagnosis |
US20120259792A1 (en) * | 2011-04-06 | 2012-10-11 | International Business Machines Corporation | Automatic detection of different types of changes in a business process |
US8660980B2 (en) | 2011-07-19 | 2014-02-25 | Smartsignal Corporation | Monitoring system using kernel regression modeling with pattern sequences |
US9256224B2 (en) | 2011-07-19 | 2016-02-09 | GE Intelligent Platforms, Inc | Method of sequential kernel regression modeling for forecasting and prognostics |
US8620853B2 (en) * | 2011-07-19 | 2013-12-31 | Smartsignal Corporation | Monitoring method using kernel regression modeling with pattern sequences |
US9250625B2 (en) | 2011-07-19 | 2016-02-02 | Ge Intelligent Platforms, Inc. | System of sequential kernel regression modeling for forecasting and prognostics |
US8964338B2 (en) | 2012-01-11 | 2015-02-24 | Emerson Climate Technologies, Inc. | System and method for compressor motor protection |
WO2013171862A1 (ja) * | 2012-05-16 | 2013-11-21 | 東芝三菱電機産業システム株式会社 | 設定計算システムの学習装置及び学習方法 |
US9075713B2 (en) | 2012-05-24 | 2015-07-07 | Mitsubishi Electric Research Laboratories, Inc. | Method for detecting anomalies in multivariate time series data |
US9310439B2 (en) | 2012-09-25 | 2016-04-12 | Emerson Climate Technologies, Inc. | Compressor having a control and diagnostic module |
US10222769B2 (en) | 2012-10-12 | 2019-03-05 | Emerson Process Management Power & Water Solutions, Inc. | Method for determining and tuning process characteristic parameters using a simulation system |
US9803902B2 (en) | 2013-03-15 | 2017-10-31 | Emerson Climate Technologies, Inc. | System for refrigerant charge verification using two condenser coil temperatures |
CN105074344B (zh) | 2013-03-15 | 2018-02-23 | 艾默生电气公司 | Hvac系统远程监测和诊断 |
US9551504B2 (en) | 2013-03-15 | 2017-01-24 | Emerson Electric Co. | HVAC system remote monitoring and diagnosis |
EP2981772B1 (en) | 2013-04-05 | 2022-01-12 | Emerson Climate Technologies, Inc. | Heat-pump system with refrigerant charge diagnostics |
US10295965B2 (en) | 2013-09-06 | 2019-05-21 | GE Intelligent Platforms, Inc | Apparatus and method for model adaptation |
US9430882B2 (en) | 2013-10-11 | 2016-08-30 | Kenton Ho | Computerized vehicle maintenance management system with embedded stochastic modelling |
US10409926B2 (en) | 2013-11-27 | 2019-09-10 | Falkonry Inc. | Learning expected operational behavior of machines from generic definitions and past behavior |
US9379951B2 (en) | 2014-01-10 | 2016-06-28 | Instep Software, Llc | Method and apparatus for detection of anomalies in integrated parameter systems |
US10037128B2 (en) | 2014-02-04 | 2018-07-31 | Falkonry, Inc. | Operating behavior classification interface |
KR101997580B1 (ko) * | 2015-01-08 | 2019-07-08 | 비앤에프테크놀로지 주식회사 | 상관도를 고려한 데이터 분류 방법 및 이 방법을 수행하기 위한 프로그램이 저장된 컴퓨터 판독가능한 저장매체 |
US10101049B2 (en) | 2015-11-12 | 2018-10-16 | Oracle International Corporation | Determining parameters of air-cooling mechanisms |
KR101827108B1 (ko) * | 2016-05-04 | 2018-02-07 | 두산중공업 주식회사 | 플랜트 이상 감지 학습 시스템 및 방법 |
US20170372237A1 (en) * | 2016-06-22 | 2017-12-28 | General Electric Company | System and method for producing models for asset management from requirements |
JP7009438B2 (ja) * | 2016-07-07 | 2022-01-25 | アスペン テクノロジー インコーポレイテッド | 時系列パターンモデルを用いて主要パフォーマンス指標(kpi)を監視するコンピュータシステム及び方法 |
WO2018035718A1 (en) * | 2016-08-23 | 2018-03-01 | Accenture Global Solutions Limited | Real-time industrial plant production prediction and operation optimization |
US10718689B2 (en) | 2016-12-22 | 2020-07-21 | General Electric Company | Modeling and visualization of vibration mechanics in residual space |
US11392850B2 (en) * | 2018-02-02 | 2022-07-19 | Oracle International Corporation | Synthesizing high-fidelity time-series sensor signals to facilitate machine-learning innovations |
US11295012B2 (en) * | 2019-01-09 | 2022-04-05 | Oracle International Corporation | Characterizing and mitigating spillover false alarms in inferential models for machine-learning prognostics |
US11334057B2 (en) * | 2019-01-25 | 2022-05-17 | Waygate Technologies Usa, Lp | Anomaly detection for predictive maintenance and deriving outcomes and workflows based on data quality |
JP7229861B2 (ja) | 2019-06-20 | 2023-02-28 | 株式会社日立製作所 | 故障予兆診断装置およびその方法 |
KR102072836B1 (ko) * | 2019-07-02 | 2020-02-03 | 비앤에프테크놀로지 주식회사 | 상관도를 고려한 데이터 분류 방법 및 이 방법을 수행하기 위한 프로그램이 저장된 컴퓨터 판독가능한 저장매체 |
US10958521B2 (en) | 2019-07-19 | 2021-03-23 | Oracle International Corporation | Method and apparatus for configuring a cloud storage software appliance |
DE102020109858A1 (de) * | 2020-04-08 | 2021-10-14 | Balluff Gmbh | Verfahren zum Betreiben eines Systems |
US11449044B2 (en) * | 2020-04-17 | 2022-09-20 | Emerson Process Management Power & Water Solutions, Inc. | Successive maximum error reduction |
US11704615B2 (en) | 2020-08-31 | 2023-07-18 | altumAI Insurance Solutions, LLC | Risk assessment apparatus and related methods |
US11966217B2 (en) | 2020-12-23 | 2024-04-23 | Emerson Process Management Power & Water Solutions, Inc. | Faulty variable identification technique for data-driven fault detection within a process plant |
Family Cites Families (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US3851157A (en) * | 1973-07-09 | 1974-11-26 | United Aircraft Corp | Self-correcting feedback control system |
US4295128A (en) * | 1979-03-26 | 1981-10-13 | University Of Tennessee Research Corp. | Apparatus for measuring the degradation of a sensor time constant |
US5070468A (en) * | 1988-07-20 | 1991-12-03 | Mitsubishi Jukogyo Kabushiki Kaisha | Plant fault diagnosis system |
US4937763A (en) | 1988-09-06 | 1990-06-26 | E I International, Inc. | Method of system state analysis |
US5009833A (en) * | 1989-01-11 | 1991-04-23 | Westinghouse Electric Corp. | Expert system for surveillance, diagnosis and prognosis of plant operation |
US4975685A (en) * | 1989-05-08 | 1990-12-04 | General Motors Corporation | Guide path short detector |
SE463338B (sv) * | 1989-06-14 | 1990-11-05 | Ludwik Liszka | Saett att oevervaka och/eller diagnosticera aktuella drifttillstaand hos komplicerade maskiner |
DE3923432C2 (de) * | 1989-07-15 | 1997-07-17 | Bodenseewerk Geraetetech | Einrichtung zur Erzeugung von Meßsignalen mit einer Mehrzahl von Sensoren |
US4977390A (en) * | 1989-10-19 | 1990-12-11 | Niagara Mohawk Power Corporation | Real time method for processing alaarms generated within a predetermined system |
US5402521A (en) * | 1990-02-28 | 1995-03-28 | Chiyoda Corporation | Method for recognition of abnormal conditions using neural networks |
US5164895A (en) * | 1990-03-16 | 1992-11-17 | Westinghouse Electric Corp. | Neutron flux mapping system for nuclear reactors |
US5255208A (en) * | 1991-08-08 | 1993-10-19 | Aeg Westinghouse Transportation Systems, Inc. | On-line processor based diagnostic system |
US5459675A (en) * | 1992-01-29 | 1995-10-17 | Arch Development Corporation | System for monitoring an industrial process and determining sensor status |
US5410492A (en) * | 1992-01-29 | 1995-04-25 | Arch Development Corporation | Processing data base information having nonwhite noise |
US5223207A (en) * | 1992-01-29 | 1993-06-29 | The United States Of America As Represented By The United States Department Of Energy | Expert system for online surveillance of nuclear reactor coolant pumps |
US6002839A (en) * | 1992-11-24 | 1999-12-14 | Pavilion Technologies | Predictive network with graphically determined preprocess transforms |
JP3147586B2 (ja) * | 1993-05-21 | 2001-03-19 | 株式会社日立製作所 | プラントの監視診断方法 |
US5586066A (en) * | 1994-06-08 | 1996-12-17 | Arch Development Corporation | Surveillance of industrial processes with correlated parameters |
JPH0822403A (ja) * | 1994-07-11 | 1996-01-23 | Fujitsu Ltd | 計算機システムの監視装置 |
US5680409A (en) | 1995-08-11 | 1997-10-21 | Fisher-Rosemount Systems, Inc. | Method and apparatus for detecting and identifying faulty sensors in a process |
-
1996
- 1996-06-19 US US08/666,938 patent/US5764509A/en not_active Expired - Lifetime
-
1997
- 1997-06-13 JP JP50322398A patent/JP3449560B2/ja not_active Expired - Lifetime
- 1997-06-13 EP EP97930046A patent/EP0906593B1/en not_active Expired - Lifetime
- 1997-06-13 CA CA002257881A patent/CA2257881C/en not_active Expired - Lifetime
- 1997-06-13 WO PCT/US1997/010430 patent/WO1997049011A1/en active IP Right Grant
- 1997-06-13 DE DE69723839T patent/DE69723839T2/de not_active Expired - Lifetime
- 1997-06-13 ES ES97930046T patent/ES2205244T3/es not_active Expired - Lifetime
- 1997-06-13 AU AU33967/97A patent/AU3396797A/en not_active Abandoned
- 1997-06-13 KR KR1019980710448A patent/KR100313067B1/ko not_active IP Right Cessation
-
1998
- 1998-02-24 US US09/028,443 patent/US6181975B1/en not_active Expired - Lifetime
Also Published As
Publication number | Publication date |
---|---|
WO1997049011A1 (en) | 1997-12-24 |
JP3449560B2 (ja) | 2003-09-22 |
US6181975B1 (en) | 2001-01-30 |
CA2257881C (en) | 2004-02-10 |
KR20000022050A (ko) | 2000-04-25 |
KR100313067B1 (ko) | 2001-12-12 |
EP0906593A1 (en) | 1999-04-07 |
EP0906593B1 (en) | 2003-07-30 |
EP0906593A4 (en) | 1999-09-15 |
JP2000505221A (ja) | 2000-04-25 |
DE69723839D1 (de) | 2003-09-04 |
AU3396797A (en) | 1998-01-07 |
US5764509A (en) | 1998-06-09 |
CA2257881A1 (en) | 1997-12-24 |
DE69723839T2 (de) | 2004-04-22 |
WO1997049011A9 (en) | 1999-04-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
ES2205244T3 (es) | Sistema de vigilancia de procedimientos industriales. | |
CN109001649B (zh) | 一种电源智能诊断系统及保护方法 | |
CA2438903C (en) | Exception analysis for multimissions | |
US20140365179A1 (en) | Method and Apparatus for Detecting and Identifying Faults in a Process | |
US4937763A (en) | Method of system state analysis | |
Meseguer et al. | Fault diagnosis using a timed discrete-event approach based on interval observers: Application to sewer networks | |
ES2257849T3 (es) | Monitorizacion ultrasensible de sensores y procesos. | |
US10729382B2 (en) | Methods and systems to predict a state of the machine using time series data of the machine | |
Baraldi et al. | Robust signal reconstruction for condition monitoring of industrial components via a modified Auto Associative Kernel Regression method | |
CN109298697A (zh) | 基于动态基线模型的火电厂系统各部件工作状态评估方法 | |
US20080183425A1 (en) | Robust distance measures for on-line monitoring | |
CN207133247U (zh) | 气体分析仪和用于气体分析仪的监测部件 | |
CN109189028A (zh) | 基于多块信息提取的pca故障诊断方法 | |
EP2853972A2 (en) | Device and method for detection and/or diagnosis of faults in a process, equipment and sensors | |
EP3866177A1 (en) | Abnormal driving state determination device and method using neural network model | |
CN112840385A (zh) | 采用多重预测模型的电厂预警装置和方法 | |
EP3447595B1 (en) | Method for monitoring an industrial plant and industrial control system | |
Mukhopadhyay et al. | Remaining lifetime of degrading systems continuously monitored by degrading sensors | |
EP1752898A2 (en) | Exception analysis for multimissions | |
CN116907772A (zh) | 桥梁结构监测传感器的自诊断与故障源鉴别方法及系统 | |
Alves et al. | A modified algorithm for training and optimize rbf neural networks applied to sensor measurements validation | |
Singer et al. | A pattern-recognition-based, fault-tolerant monitoring and diagnostic technique | |
Smeraldo et al. | A data-driven approach to fault diagnostics for industrial process plants based on feature extraction and inferential statistics | |
Alferes et al. | Validating data quality during wet weather monitoring of wastewater treatment plant influents | |
Asklou et al. | Effects of proof tests on the safety performance of safety-instrumented systems |