ES2575529T3 - Modelización adaptativa de estados cambiados en la monitorización de condición predictiva - Google Patents
Modelización adaptativa de estados cambiados en la monitorización de condición predictiva Download PDFInfo
- Publication number
- ES2575529T3 ES2575529T3 ES02717347.5T ES02717347T ES2575529T3 ES 2575529 T3 ES2575529 T3 ES 2575529T3 ES 02717347 T ES02717347 T ES 02717347T ES 2575529 T3 ES2575529 T3 ES 2575529T3
- Authority
- ES
- Spain
- Prior art keywords
- global similarity
- state
- instant
- new
- model
- 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
- 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
- G05B23/0297—Reconfiguration of monitoring system, e.g. use of virtual sensors; change monitoring method as a response to monitoring results
Abstract
Un procedimiento de adaptación de un modelo empírico, utilizado en la monitorización de un sistema, que comprende las etapas de: a) recibir, en un módulo de decisión de adaptación (125), valores reales de parámetros que comprenden instantáneas actuales de parámetros operativos monitorizados que caracterizan un estado operativo del sistema monitorizado; b) el módulo de decisión de adaptación determina en base a un operador de similitud global si la instantánea actual de los datos del sensor procedentes del sistema representa una molestia para el proceso o un fallo del sensor, o representa el inicio de una transición a un nuevo estado operativo del sistema monitorizado; c) si se reconoce una transición a un nuevo estado operativo mediante el módulo de decisión de adaptación y si el nuevo estado ha sido instalado en él, el módulo de decisión de adaptación decide adaptar o no mediante el examen, después del final del período de transición, las puntuaciones de similitud global de la instantánea actual con una biblioteca de referencia para la más alta de tal similitud, y si esta es inferior a un umbral elegido, considerar el nuevo estado que sea un estado no reconocido que es un candidato para la adaptación; y d) si el nuevo estado es un estado no reconocido, adaptar el modelo en una etapa de reconversión mediante la adición de instantáneas de la secuencia de instantáneas actuales a la biblioteca de referencia, o mediante la sustitución de las instantáneas en la biblioteca de referencia.
Description
5
10
15
20
25
30
35
40
45
50
55
DESCRIPCION
Modelizacion adaptativa de estados cambiados en la monitorizacion de condicion predictiva Campo de la invencion
La presente invencion se refiere a la monitorizacion de maquinas y procesos ffsicos para la deteccion precoz de un fallo inminente del equipo o perturbacion del proceso y, en lmea, la validacion continua de la operacion del sensor. Mas particularmente, la invencion se refiere a sistemas y procedimientos que rigen la adaptacion de modelos empfficos a las condiciones modificadas en los sistemas citados, y la resolucion de cambio de proceso desde un cambio de sensor.
Antecedentes de la invencion
Una variedad de nuevas y avanzadas tecnicas han surgido en el control de procesos industriales, el control de la maquina, la monitorizacion del sistema, y la monitorizacion basadas en la condicion para hacer frente a los inconvenientes de control y alarmas tradicionales basados en el umbral del sensor. Las tecnicas tradicionales hicieron poco mas que ofrecer respuestas a los cambios en las cifras brutas individuales de un proceso o maquina, a menudo no proporcionando una advertencia adecuada para evitar los cierres inesperados, danos en los equipos, la perdida de la calidad del producto o de los riesgos de seguridad catastroficos.
De acuerdo con una rama de las nuevas tecnicas, modelos empmcos del proceso o maquina monitorizados se usan en la deteccion y control de fallos. Tales modelos aprovechan de forma efectiva una vision global de los datos del sensor de monitorizacion para alcanzar mucho antes deteccion de fallos incipientes y un control de procesos mas fino. Al modelar los muchos sensores en un proceso o maquina al mismo tiempo y en vista de los otros, el sistema de monitorizacion puede dar mas informacion acerca de como cada sensor (y su parametro medido) debena comportarse. Un ejemplo de dicho sistema de monitorizacion empmca se describe en la patente U.S. n.° 5.764.509 de Gross et al. En ella se describe un modelo emprnco utilizando un operador de similitud en contra de una biblioteca de referencia de los estados conocidos del proceso monitorizado, y un motor de estimacion para generar estimaciones de los estados actuales del proceso en base a la semejanza de funcionamiento, junto con una prueba de hipotesis estadfstica sensible para determinar si el estado del proceso actual es un estado normal o anormal. Otros sistemas de monitorizacion basados en modelos empmcos conocidos en la tecnica emplean redes neuronales para modelar el proceso o maquina que se monitoriza.
El documento US-A-4 215 412 se refiere a un sistema para analizar el funcionamiento de aplicaciones aeronauticas de motor a turbina de gas. De acuerdo con este sistema, las senales de parametros ffsicos suministrados por el conjunto de sensores son utilizados por una simulacion de parametros del motor para determinar los valores estimados de un numero de parametros de funcionamiento del motor. Estos valores estimados son comparados en una unidad de diferencia con el valor corriente real de cada uno de los parametros del motor dependiente suministrados por los sensores. La unidad de diferencia es una disposicion que determina la diferencia en valor entre cada parametro de funcionamiento dependiente monitorizado y el valor estimado correspondiente. Una disposicion logica de fallos identifica los fallos dentro de los sensores del sistema, el procesador o el motor. Estos fallos se visualizan en una unidad de visualizacion.
Tales sistemas de monitorizacion basados en modelos empfficos requieren como parte de la instalacion y puesta en practica algunos datos de referencia que caracterizan el funcionamiento normal del proceso o maquina bajo monitorizacion. El modelo emprnco incorpora estos datos operacionales normales de lmea de base, y solo es bueno cuando los datos representan el funcionamiento normal. Un gran reto para el exito del modelo emprnco en el sistema de monitorizacion, por lo tanto, es proporcionar datos suficientemente representativos cuando se construye el modelo emprnco. En la practica, esto es, posiblemente, el mayor obstaculo para la implementacion exitosa de los sistemas de monitorizacion basados en modelos empfficos.
Un primer problema es si utilizar los datos de un mero proceso similar o el proceso identico al que se esta supervisando. Esto es especialmente significativo en la monitorizacion de una maquina de productos basicos, es decir, una maquina que va a ser producida en masa con la monitorizacion de la condicion de a bordo. En tales circunstancias, puede que no sea posible o practico reunir datos operativos normales de cada maquina para construir modelos empmcos unicos de antemano. Lo que se necesita es una manera de construir un modelo general en las maquinas de nuevo cuno, y permitir que el modelo se adapte a las tolerancias y comportamiento unicos de cada maquina en particular en el campo.
Un segundo problema se presenta como el proceso o maquina monitorizados se asienta con la edad, a la deriva de la lmea de base normal original, pero estando todavfa en buenas condiciones de funcionamiento. Es extremadamente diffcil capturar dichos datos operacionales normales, a partir de un proceso o maquina para los que en la actualidad no constituina un funcionamiento normal. Lo que entonces se necesita es una manera para que el modelo emprnco se adapte a los cambios aceptables en el funcionamiento normal del proceso o de la maquina con la edad, sin sacrificar la sensibilidad de monitorizacion que hizo necesaria el enfoque de modelo emprnco en el primer lugar.
5
10
15
20
25
30
35
40
45
50
55
Un tercer problema existe en las que no es posible capturar el rango normal de funcionamiento completo de datos de los sensores a partir del proceso debido al valor economico o productivo de no interrumpir el proceso. Por ejemplo, en la adaptacion de un proceso industrial existente con monitorizacion basada en un modelo empmco, puede que no sea economicamente factible sacar efectivamente el proceso fuera de lmea y ejecutarlo a traves de sus multiples modos de funcionamiento. Y pueden ser meses o anos antes de que se empleen todos los modos de funcionamiento. Por lo tanto, lo que se necesita es una manera de adaptar el modelo empmco cuando los modos de funcionamiento de la maquina o proceso se encuentran por primera vez.
En resumen, para que un sistema de monitorizacion de proceso basado en modelo empmco para funcionar de forma fiable, los datos utilizados para generar el modelo deben abarcar el rango de funcionamiento del proceso completo. En muchos casos los datos no estan disponibles inicialmente. Por lo tanto, es necesaria la adaptacion del modelo para mantener el modelo hasta a la fecha y valido. Pero la adaptacion impone obstaculos significativos propios. Uno de estos obstaculos es determinar exactamente cuando comenzar la adaptacion del modelo, especialmente para procesos dinamicos no lineales. Aunque en algunos casos la intervencion humana puede ser invocada para indicar manualmente cuando adaptarse, en la gran mayona de las circunstancias es deseable automatizar esta determinacion. Otro de estos obstaculos es determinar cuando debe dejar de adaptar el modelo y reiniciar la monitorizacion del proceso o de la maquina. Sin embargo, otro problema es distinguir la necesidad de adaptacion a partir de una alteracion del proceso o un fallo del sensor que debe ser alarmado correctamente. Es altamente deseable evitar “el cebado” en un fallo de deriva lenta en el proceso, por ejemplo. Sin embargo, otro problema es evitar la adaptacion durante un penodo de transicion entre un estado estable y otro, durante el cual los datos del sensor pueden no son tipicamente representativos tanto cualquiera de cualquier estado o de un nuevo estado operativo normal del proceso o maquina. Sin embargo, otro problema en la adaptacion del modelo empmco es que el modelo puede crecer y llegar a ser menos preciso o menos espedfico debido a la adicion de nuevos estados. Por lo tanto, sena beneficioso tener una manera de eliminar los estados menos comunmente encontrados a partir del modelo, mientras que se anaden los nuevos estados adaptados.
Sumario de la invencion
Los problemas y desventajas de la tecnica anterior se resuelven mediante la presente invencion tal como se reivindica en las reivindicaciones independientes. Las formas de realizacion ventajosas y preferidas de la invencion se definen mediante las reivindicaciones dependientes.
De acuerdo con un ejemplo, se proporciona un sistema basado en modelo empmco mejorado para el control de un proceso o maquina y monitorizacion basada en la condicion.
Esta invencion es un procedimiento y aparato para decidir cuando un modelo empmco de un proceso o maquina debe ser adaptado para abarcar el cambio de los estados en ese proceso o maquina, segun lo medido por los sensores, las variables derivadas, medidas estadfsticas o similares. La tecnica se basa en la informacion proporcionada por una tecnologfa de medicion de similitud y las herramientas de toma de decisiones estadfsticas. Este sistema tiene una segunda caractenstica en que determina cuando detener el proceso de adaptacion del modelo. Este sistema tiene una capacidad de distinguir entre los casos de cambio de instrumento y cambio de procesos.
En un proceso o maquina que este completamente instrumentado con sensores para todos los parametros de interes, los datos de sensor se recogen para todos los regfmenes posibles de funcionamiento posterior esperado de los mismos o similares procesos o maquinas. Estos datos recogidos forman una historia de la que el sistema de la invencion puede “aprender” el funcionamiento deseado o normal del proceso o maquina, usando rutinas de entrenamiento que destilan a un conjunto representativo de datos del sensor. El uso de este conjunto de entrenamiento representativo de datos del sensor, la presente invencion es capaz de monitorear el proceso o maquina en funcionamiento en tiempo real (o en modo por lotes, si se prefiere), y generar estimaciones para todos los sensores, incluyendo algunos de los sensores para que se recogieron datos historicos, pero que han fallado o que se quitaron del proceso o maquina. La presente invencion puede emplearse como un medio de adaptar el conjunto representativo de datos de sensor para acomodar cambios en el sistema monitorizado que se consideran dentro del rango de funcionamiento aceptable o normal.
El aparato de la presente invencion se puede implementar como un dispositivo accionado electricamente con memoria y un procesador, ubicado ffsicamente en o cerca del proceso o maquina monitorizados. Alternativamente, puede estar situado de forma remota desde el proceso o maquina, como un modulo en un ordenador que recibe datos del sensor desde los sensores en vivo en el proceso o maquina mediante una red o instalacion de transmision inalambrica.
Breve descripcion de los dibujos
Las caractensticas novedosas caractensticas de la invencion se exponen en las reivindicaciones adjuntas. La propia invencion, sin embargo, asf como el modo preferido de uso, otros objetivos y ventajas de la misma, se entienden mejor mediante la referencia a la siguiente descripcion detallada de las formas de realizacion en conjuncion con los dibujos adjuntos, en donde:
5
10
15
20
25
30
35
40
45
50
55
La figura 1 ilustra un diagrama de bloques de la invencion para la adaptacion de un sistema de monitorizacion basado en un modelo empmico para un proceso instrumentado o maquina;
La figura 2 ilustra un procedimiento para crear una representacion de datos de “entrenamiento” establecidos a partir de datos de sensor recogidos para su uso en la invencion;
La figura 3 ilustra un diagrama de flujo para la creacion de una representacion de datos de “entrenamiento” establecidos a partir de datos de sensor recogidos para su uso en la invencion;
La figura 4 ilustra el calculo de uno de los operadores de similitud empleados en la presente invencion;
La figura 5 ilustra un grafico de los valores de similitud globales que muestran un movimiento en la transicion de un estado operativo mediante el proceso o maquina monitorizados;
La figura 6 muestra un grafico de los valores de similitud global que muestran la finalizacion de una fase de transicion a otro estado potencialmente no modelado de la operacion mediante el proceso o maquina monitorizados;
La figura 7 ilustra un grafico de los valores de similitud global que muestran una transicion de un estado modelado a otro estado modelado del proceso o maquina monitorizados;
La figura 8 ilustra un grafico de los valores de similitud global que muestra una transicion de un estado modelado a otro estado potencialmente no modelado del proceso o maquina monitorizados;
La figura 9A ilustra simbolicamente un funcionamiento de semejanza entre una instantanea actual y las instantaneas de la biblioteca de referencia; y
La figura 9B ilustra un grafico de puntuaciones de similitud para las comparaciones en la figura 9A, con una mayor similitud indicada.
Descripcion detallada de las realizaciones preferidas
Volviendo a la figura 1, se muestra un diagrama de bloques del sistema de monitorizacion basado en el modelo empmco de adaptacion de la invencion. Un proceso o maquina 105 esta equipado con sensores para detectar diversos parametros ffsicos, estadfsticos, cualitativos o logicos del proceso o el funcionamiento de la maquina. Estos se proporcionan tfpicamente al sistema de la invencion a traves de un bus de entrada 108, ejemplificado por un bus de tipo bus de campo en un sistema de control de proceso en una planta industrial. Los datos que representan el estado actual del proceso o de la maquina 105 se alimentan desde el bus de entrada 108 a un motor de estimacion 111, que esta acoplado a una biblioteca de referencia 114 de datos pasados representativos de los estados normales o aceptables de funcionamiento del proceso o maquina. En conjunto, el motor de calculo 111 y la biblioteca de referencia 114 comprenden el modelo empmco 117 que modela el proceso o maquina.
En el modo de monitorizacion estandar, los datos del sensor de bus de entrada 108 tambien se proporcionan a un motor de diferenciacion 120 que esta dispuesto para recibir las estimaciones del estado actual generadas por el modelo empmco 117 en respuesta a la entrada del estado actual real del proceso o maquina. El motor de diferenciacion resta para cada sensor involucrado la estimacion de lo real, y proporciona estas salidas individuales a un modulo de comprobacion estadfstica 122 que determina si la estimacion y los valores reales son iguales o diferentes estadfsticamente, en cuyo caso una alerta se muestra o proporciona de otra forma a sistemas de control automatizados adicionales. A modo de ejemplo, el modulo de pruebas estadfsticas 122 puede estar dispuesto para realizar una prueba de relacion de probabilidad secuencial (SPRT) en cada una de las senales de los sensores diferenciadas procedentes del motor de diferenciacion 120, para proporcionar alertas para cada senal que no es “normal” o aceptable. De esta manera, la monitorizacion del proceso o de la maquina se lleva a cabo sobre la base del modelo empmco, proporcionando una mayor sensibilidad y una mejora del tiempo de aviso de fallos.
Datos actuales del sensor tambien se pueden proporcionar al modulo de decision de adaptacion 125. Segun la presente invencion, este modulo realiza una determinacion de si la instantanea actual de los datos del sensor del proceso o maquina 105 representa una alteracion del proceso o un fallo del sensor, o por el contrario representa el comienzo de una transicion a un nuevo estado operativo que requiere la adaptacion del modelo, o la detencion de una transicion a un nuevo estado operativo. Al reconocer el comienzo de una transicion, la emision del tipo de alerta de la monitorizacion basada en el modelo empmco puede ser suspendida temporalmente para evitar inundando un operador humano o un sistema de control de aguas abajo con informacion de alerta innecesaria. Al reconocer la detencion de la transicion, el modulo de decision de adaptacion 125 puede permitir a un modulo de reconversion 128 dispuesto para llevar a cabo los cambios reales en la biblioteca de referencia 114 necesarios para efectuar la adaptacion del modelo. Despues de la detencion de la transicion, se espera que el proceso o maquina 105 este en un nuevo estado estabilizado que no puede ser representado en la biblioteca de referencia 114. Despues de que la transicion se haya completado, el modulo de decision de adaptacion 125 inicia a traves del modulo de reconversion 128 la captura de nuevas instantaneas de datos en tiempo real para aumentar la biblioteca de referencia 114. En el caso de que la biblioteca de referencia sea demasiado grande, o se mantenga deseablemente en un cierto tamano
5
10
15
20
25
30
35
40
45
50
55
60
(por ejemplo, por consideraciones de rendimiento), el modulo de eliminacion de vectores 131 puede eliminar a las instantaneas antiguas de la biblioteca de referencia de acuerdo con ciertos criterios. Una vez completada la adaptacion de la biblioteca de referencia, la monitorizacion en lmea se inicia de nuevo.
La invencion proporciona un modelo de adaptacion tecnica de la toma de decisiones totalmente automatizado para la monitorizacion basada en la condicion de una maquina o proceso. El modulo de decision de adaptacion puede emplear las mismas tecnicas de operador de similitud que se pueden emplear en el modelo empmco para las estimaciones de generacion, como veremos a continuacion. De acuerdo con ello, la instantanea del sensor actual desde el bus de entrada 108 se compara usando el operador de similitud con la estimacion generada en respuesta al mismo por el motor de estimacion 111 para generar una puntuacion de similitud llamada similitud global para los propositos de este documento. Esta similitud global es en sf misma una senal que puede ser monitoreada y procesada instantanea sobre instantanea. El comportamiento de la similitud global es un medio por el cual el modulo de la invencion puede distinguir la necesidad de adaptacion de un mero proceso o una alteracion del sensor.
Volviendo ahora primero al modo de monitorizacion regular del sistema de monitorizacion de la invencion, un procedimiento empmco basado en el modelo y el sistema para la monitorizacion de un proceso o maquina se describe en la patente de EE.UU. n.° 5.764.509 de Gross et al. antes mencionada. La implementacion de un sistema de supervision comprende dos fases, una primera fase de construccion del modelo empmco (tambien conocido como “formacion”), y una segunda fase para encender la monitorizacion en vivo. Otros modelos empmicos que entrenan en los datos conocidos podnan tambien ser empleados, tales como las redes neuronales, pero para los propositos de ilustracion, se describira un modelo empmco a lo largo de las lmeas de la patente de Gross como una lmea de base.
Un procedimiento para entrenar el modelo empmco se representa graficamente en la figura 2, en la que los datos historicos del sensor recogidos para el proceso o maquina se destilan para crear un conjunto de datos de entrenamiento representativo, la biblioteca de referencia. Cinco senales de los sensores 202, 204, 206, 208 y 210 se muestran para un proceso o maquina a ser monitorizados, aunque se debe entender que esto no es una limitacion en el numero de sensores que se pueden supervisar el uso de la presente invencion. El eje de abscisas 215 es el numero de muestra o sello de tiempo de los datos de sensor recogidos, donde los datos se muestrean digitalmente y los datos de sensor se correlacionan temporalmente. El eje de ordenadas 220 representa la magnitud relativa de cada lectura del sensor sobre las muestras o “instantaneas”. Cada instantanea representa un vector de cinco elementos, una lectura para cada sensor en esa instantanea. De todos los datos historicos de los sensores recopilados previamente que representan el funcionamiento normal o aceptable, de acuerdo con este procedimiento de entrenamiento, solo aquellas instantaneas de cinco elementos se incluyen en el conjunto de entrenamiento representativo que contiene ya sea un valor mmimo o maximo para cualquier sensor dado. Por lo tanto, para el sensor 202, el maximo 225 justifica la inclusion de los cinco valores de sensor en las intersecciones de la lmea 230 con cada senal de sensor, incluyendo el maximo 225, en el conjunto de entrenamiento representativo, como un vector de cinco elementos. Del mismo modo, para el sensor 202, el mmimo 235 justifica la inclusion de los cinco valores de sensor en las intersecciones de la lmea 240 con cada senal de sensor.
La seleccion de datos representativos se representa tambien en la figura 3. Los datos recogidos que representan el funcionamiento normal tienen N sensores y L observaciones o instantaneas o conjuntos relacionados temporalmente de datos del sensor que comprenden una matriz X de N filas y L columnas. En la etapa 304, un contador i para numero de elemento se inicializa a cero, y un contador de observacion o de instantaneas t se inicializa a uno. Dos matrices max y mm para contener los valores maximo y mmimo, respectivamente, a traves de los datos recogidos para cada sensor se inicializan para ser vectores de cada uno de los N elementos que se configuran igual a la primera columna de X. Dos matrices adicionales Tmax y Tmm para contener el numero de la observacion de los valores maximo y mmimo vistos en los datos recogidos para cada sensor se inicializan para ser vectores de cada uno de N elementos, todos cero.
En la etapa 307, si el valor del sensor de sensor i en la instantanea t en X es mayor que el maximo visto aun para ese sensor en los datos recogidos, max(i) es la actualizacion para igualar el valor de sensor y Tmax(i) guarda el numero t de la observacion en la etapa 310. Si no, una prueba similar se realiza para el mmimo para dicho sensor en los pasos 314 y 317. El contador de observacion t se incrementa en la etapa 320. En la etapa 322, si todas las observaciones han sido revisadas para un sensor dado (t = L), entonces t es reajustada e i se incrementa (para encontrar el maximo y mmimo para el sensor siguiente) en la etapa 325. Si el ultimo sensor ha sido terminado (i = N), la etapa 328, entonces se quitan las redundancias y una matriz D se crea a partir de un subconjunto de vectores de X.
En primer lugar, en la etapa 330, los contadores i y j se inicializan a uno. En la etapa 333, las matrices de Tmax y Tmm son concatenados para formar un solo vector Ttmp que tiene 2N elementos. Estos elementos son clasificados en orden ascendente (o descendente) en la etapa 336 para formar matriz T. En la etapa 339, el soporte tmp se ajusta al primer valor en T (un numero de observacion que contiene un sensor mmimo o maximo). La primera columna de D se iguala a la columna de X correspondiente al numero de observacion que es el primer elemento de T. En el bucle a partir de la etapa de decision 341, el i-esimo elemento de T se compara con el valor de tmp que contiene el elemento previo de T. Si son iguales (el vector de observacion correspondiente es un mmimo o maximo para mas de un sensor), ya ha sido incluido en D y no necesita incluirse de nuevo. Contador i se incrementa en la
5
10
15
20
25
30
35
40
45
50
etapa 350. Si no son iguales, D se actualiza para incluir la columna de X que corresponde al numero de la observacion de T(i) en la etapa 344, y tmp es actualizado con el valor en T(/). El contador j se incrementa entonces en la etapa 347. En la etapa 352, si se han comprobado todos los elementos de T, entonces la destilacion en el conjunto de entrenamiento D ha terminado, etapa 355.
Una variedad de modelos empmcos se considera que es el objeto de la presente invencion de toma de decisiones de adaptacion y readaptacion, incluidas las redes neuronales, modelos de logica difusa, y similares. Todos estos modelos empmcos emplean datos de proceso o maquina bajo vigilancia para modelar y de ese modo monitorizar el proceso o maquina. Todos estan sujetos a las deficiencias de los datos historicos proporcionados cuando los modelos se construyen, en vista del envejecimiento agraciado, asentamiento o estados no encontrados previamente del proceso o maquina monitorizados. A modo de un ejemplo de la aplicacion de los procedimientos de la presente invencion, se describira la tecnica de modelado empmco de la patente anteriormente mencionada de Gross et al. Esta tecnica de modelado empmco utiliza un operador de similitud, que tambien es una inventiva empleada en la presente invencion en forma de similitud global y otras tecnicas de toma de decisiones de adaptacion descritas en este documento. En general, un funcionamiento de semejanza proporciona una puntuacion de similitud escalar reducida entre un extremo (por lo general “1” para “identico”) y el otro extremo (tfpicamente “cero” para “completamente disfmil”), en una comparacion de dos numeros. Mas particularmente, esta puede ser adaptada para la comparacion de dos vectores que tienen el mismo numero de elementos, donde una puntuacion de similitud es producida para comparar cada elemento similar de los dos vectores, y luego promediando o combinando de otra manera estadfstica las puntuaciones de similitud en una puntuacion de similitud vector a vector.
Los calculos para el funcionamiento de similitud se describen ahora en detalle a continuacion. En lo que sigue, el subrndice “dentro” generalmente corresponde a la instantanea actual obtenida del bus de entrada 108, que puede comprender, por ejemplo, diez sensores en tiempo real correlacionados, y el subrndice “fuera” corresponde en general a las estimaciones generada por el motor de estimacion 111. La biblioteca de referencia 114 comprende una serie de instantaneas seleccionadas de acuerdo con el procedimiento de entrenamiento descrito anteriormente, cada instantanea siendo un vector de datos de sensores, dispuestos como esta dispuesta la instantanea de entrada. Para seguir el ejemplo a continuacion, la biblioteca de referencia comprendena vectores formados por diez elementos cada uno. Esta biblioteca de referencia tambien se conoce como la matriz D.
La etapa de proporcionar un entrenamiento representativo fijado de acuerdo con la descripcion anterior da lugar a una matriz D de valores, que tiene diez filas (correspondientes a los diez parametros medidos en el proceso o maquina) y un numero suficiente n de columnas (conjuntos de lecturas de los sensores simultaneas o relacionadas temporalmente) para representar adecuadamente el rango dinamico de funcionamiento esperado total del proceso o de la maquina. Aunque el orden de las columnas no importa en D, debe fijarse la correspondencia de filas a determinados sensores.
Luego, utilizando ydentro para designar un vector (que tiene diez elementos en este ejemplo) que corresponde a la instantanea de entrada de bus de entrada 108, un vector yuera se genera como la estimacion del motor de estimacion 111 que tiene diez elementos, de acuerdo con:
yf = D • W
J fuera
donde W es un vector de ponderacion que tiene tantos elementos N como columnas hay en D, generados por:
f N ^
'LWo
V i=l J
W = (D ® D)-1. (D ® JZTo)
donde el funcionamiento de semejanza esta representado por el cmculo con la cruz en su interior. El supermdice “T” aqrn representa la transpuesta de la matriz, y el supermdice “-1” representa la inversa de la matriz o disposicion resultantes. Es importante destacar que debe haber correspondencia de fila a los mismos sensores para las filas de D, el ydentro y el y^em- Es decir, si la primera fila representante de la matriz de conjunto de entrenamiento D corresponde a valores para un primer sensor en la maquina, el primer elemento de ydentro debe tambien ser el valor actual (si opera en tiempo real) de ese mismo primer sensor.
El funcionamiento de semejanza puede ser seleccionado de una variedad de operadores conocidos que producen una medida de la similitud o cercarna numerica de las filas del primer operando con columnas del segundo operando. El resultado del funcionamiento es una matriz donde el elemento de la i-esima fila y la j-esima columna se determina de la i-esima fila del primer operando y la j-esima columna del segundo operando. El elemento resultante (i, j) es una medida de la similitud de estos dos vectores. En la presente invencion, la i-esima fila del primer
5
10
15
20
25
30
35
40
45
50
operando tiene generalmente elementos correspondientes a valores de sensor para un estado temporalmente relacionado dado del proceso o maquina, y lo mismo es cierto para la j-esima columna del segundo operando. Efectivamente, la matriz resultante de las mediciones de similitud representa la similitud de cada vector de estado en un operando a cada vector de estado en el otro operando.
A modo de ejemplo, un operador de semejanza que puede ser usado compara los dos vectores (la i-esima fila y la j- esima columna) sobre una base elemento a elemento. Solamente son comparados los elementos correspondientes, por ejemplo, el elemento (i, m) con el elemento (m, j), pero no el elemento (i, m) con el elemento (n, j). Para cada comparacion, la semejanza es igual al valor absoluto de la mas pequena de los dos valores dividido por el mayor de los dos valores. Por lo tanto, si los valores son identicos, la similitud es igual a uno, y si los valores son sumamente desiguales, la semejanza se aproxima a cero. Cuando se calculan todas las similitudes elementales, la similitud global de los dos vectores es igual a la media de las semejanzas elementales. Una combinacion estadfstica diferente de las semejanzas elementales tambien se puede utilizar en lugar de promediado, por ejemplo, la mediana.
Otro ejemplo de un operador de similitud que puede ser usado se puede entender con referencia a la figura 4. Este operador de semejanza corresponde al operador de similitud de la prueba de relacion de angulos lfmites (BART), ilustrado en la Patente de Estados Unidos n.° 5.987.399 de Wegerich et al. Para cada sensor o parametro ffsico se forma un triangulo 404 para determinar la semejanza entre dos valores para dicho sensor o parametro. La base 407 del triangulo se establece en una longitud igual a la diferencia entre el valor mmimo 412 observado para dicho sensor en todo el conjunto de entrenamiento, y el valor maximo 415 observado para dicho sensor a traves de todo el conjunto de entrenamiento. Un angulo Q se forma por encima de la base 407 para crear el triangulo 404. La similitud entre dos elementos en un funcionamiento de vector a vector se encuentra a continuacion, mediante el trazado de las ubicaciones de los valores de los dos elementos, representado como X0 y X1 en la figura, a lo largo de la base 407, usando en un extremo el valor del mmimo 412 y en el otro extremo el valor del maximo 415 para escalar la base 407. Los segmentos de lmea 421 y 425 atrafdos por las ubicaciones de X0 y X1 sobre la base 407 forman un angulo 0. La relacion de angulo 0 respecto al angulo Q da una medida de la diferencia entre X0 y X1 en el rango de valores en el conjunto de entrenamiento para el sensor en cuestion. Restando esta relacion, o alguna version algofftmicamente modificada de ella, del valor de uno produce un numero entre cero y uno que es la medida de la similitud de X0 y X1.
Cualquier tamano de angulo menor de 180 grados y cualquier ubicacion para el angulo encima de la base 407 se puede seleccionar para los propositos de la creacion de un dominio de similitud, pero cualquiera que sea elegido debe ser utilizado para todas las mediciones de semejanza correspondientes a ese sensor particular y parametro ffsico del proceso o de la maquina. Por el contrario, los triangulos 404 de diferentes formas pueden ser utilizados para diferentes sensores. Un procedimiento de seleccionar la forma general del triangulo es comprobar empmcamente que forma resulta en los resultados de senal estimada consistentemente mas precisos.
Para la eficiencia computacional, se puede hacer el angulo Q en un angulo recto (no representado en la figura). La designacion de segmento de lmea 431 como una altura h del angulo Q encima de la base 407, entonces el angulo 0 para una similitud dada de elemento a elemento para elemento i viene dado por:
Qt = tan
/ _±_ 1 l *i(0 J
- tan
/ _A_ 1 l Xo(i) J
Entonces, la semejanza elemental es:
S = 1
K/2
Como se ha indicado anteriormente, las semejanzas elementales pueden ser promediadas estadfsticamente o tratadas estadfsticamente de otra forma para generar una semejanza general de una instantanea a otra instantanea, como si fuera pedido de acuerdo con la invencion.
Otra clase de operador de similitud que puede usarse en la presente invencion implica la descripcion de la proximidad de un vector de estado a otro vector de estado en n-espacio, donde n es la dimensionalidad del vector de estado de la instantanea actual del proceso o maquina monitorizados. Si la proximidad es comparativamente estrecha, la similitud de los dos vectores de estado es alta, mientras que si la proximidad es distante o grande, la semejanza disminuye, en ultima instancia, infinitamente. A modo de ejemplo, la distancia euclidiana entre dos vectores de estado se puede usar para determinar la similitud. En un proceso instrumentado con 20 sensores, por ejemplo, la distancia euclidiana en el espacio 20-dimensional entre la instantanea actualmente monitorizada, que comprende un vector de estado de 20 elementos, y cada vector de estado en el conjunto de entrenamiento proporciona una medida de similitud, como se muestra:
5
10
15
20
25
30
35
40
45
50
55
S
1 +
x - d
c
donde X es la instantanea actual, y d es un vector de estado del conjunto de entrenamiento, X y c son constantes seleccionables por el usuario.
Volviendo ahora a los sistemas y procedimientos de la presente invencion de adaptacion, un modulo de decision de adaptacion 125 realiza generalmente pruebas en la instantanea actual de los datos del sensor o una secuencia de estos, para determinar si adaptarse o no a un nuevo estado operativo del proceso o de la maquina. Esta determinacion tiene inherentes a ella varias decisiones mas particulares. En primer lugar, el modulo de decision de la adaptacion debe decidir si todo o no todo el aparato de monitorizacion acaba de iniciar la monitorizacion o no. Si la monitorizacion acaba de comenzar, el modulo de decision de adaptacion esperara a varias instantaneas o muestras de datos para que la monitorizacion se estabilice antes de hacer pruebas para optar por la adaptacion. Una segunda decision relacionada con la decision general de adaptar se refiere a si el proceso o maquina monitorizados ha entrado o no en una transicion o no. Normalmente, cuando un proceso o maquina cambia de estado, ya sea a traves del proceso alterado, fallo de la maquina, o simplemente un cambio en el funcionamiento normal, existe un penodo de tiempo durante el cual los sensores monitorizados proporcionan datos dinamicos, y el proceso o la maquina no es ni de forma estable en su modo anterior ni tampoco de forma estable en su nuevo modo de objetivo. Esta transicion se manifiesta generalmente como una oscilacion transitoria en uno o mas de los datos del sensor. El modulo de decision de la adaptacion espera a que la transicion se complete antes de la adaptacion. Por lo tanto, ademas de la segunda decision de determinar cuando una transicion ha comenzado, una tercera decision que debe hacerse es si el periodo de transicion, y el proceso o maquina monitorizados estan en un nuevo estado operativo estable. Se debe entender que “estable” no significa un estado en el que todas las lecturas de los sensores son planas, sino mas bien un estado que puede ser reconocido de forma fiable por el modelo empmco, lo que puede implicar el movimiento dinamico, pero, sin embargo, correlacionado de las lecturas del sensor. Una cuarta decision que debe ser hecha despues de una transicion es determinar si el nuevo estado operativo estable es aquel que no ha sido visto por el modelo empmco o no. Si no se ha encontrado antes, es un candidato para la adaptacion. Por ultimo, una quinta decision que debe hacerse es si un nuevo estado, previamente no encontrado es, de hecho, un nuevo estado aceptable, o un proceso o un sensor alterado.
Segun la invencion, la deteccion de un transitorio como evidencia de una posible transicion fuera del estado operativo actual se puede realizar utilizando el operador de similitud global. La similitud global es la puntuacion de similitud de vector a vector calculada a partir de una comparacion de la instantanea actual del bus de entrada 108 en contra de la estimacion a partir del motor de estimacion 111. Tfpicamente, la estimacion es la estimacion generada en respuesta a la instantanea actual, sino que tambien esta dentro del alcance de la presente invencion que puede ser una estimacion generada a partir de una instantanea anterior, tal como cuando el modelo genera estimaciones de prediccion para valores de los sensores. Los calculos para la generacion de un valor de similitud de vector a vector ya se han descrito anteriormente. Volviendo a la figura 5, se muestra un grafico de una tfpica similitud global generada por un proceso o maquina bajo monitorizacion. El eje vertical 501 es la puntuacion de similitud global, y el eje horizontal 504 es la instantanea o muestra del numero de las instantaneas de entrada, que normalmente son secuenciales en el tiempo, pero tambien puede representar alguna otra presentacion ordenada de las instantaneas. Un lfmite superior 506 y un lfmite inferior 509 se calculan como se describe a continuacion para su uso en la determinacion de en que punto la lmea de similitud global o senal 512 indica un transitorio. La puntuacion de similitud global en 516 se muestra cayendo por debajo del lfmite 509, al igual que las posteriores puntuaciones de similitud global.
En general, cuando un proceso o maquina esta funcionando en un estado que es reconocido por el modelo empmco, la similitud global entre la estimacion y la corriente de entrada son altas, cerca de 1, y no vanan mucho. La ubicacion de los lfmites 506 y 509 puede ser seleccionada por el usuario, o puede ser seleccionada automaticamente. Un procedimiento para la seleccion automatica de estos lfmites es recoger una serie de sucesivas similitudes globales y determinar la media de ellos y la desviacion estandar. Los lfmites se establecen a continuacion en la media mas o menos un multiplo de la desviacion estandar. Un multiplo preferido es 3 veces la desviacion estandar. El numero de similitudes globales sucesivas utilizadas pueden ser cualquier numero estadfsticamente significativo sobre el que el proceso o maquina esta en un estado operacional de modelado, y 100-1000 es un numero razonable. Un numero mas pequeno puede ser razonable si la tasa de muestreo para la monitorizacion es menor, y en algunos casos puede estar en el rango de 5-10, donde la tasa de muestreo para la monitorizacion es del orden de un solo dfgito para el periodo de tiempo en el que el sistema o proceso monitorizado puede desviarse sustancialmente del funcionamiento normal.
Sin embargo, otra manera de calcular los lfmites 506 y 509 es como sigue. Despues de acumular un conjunto de datos historicos de los que se selecciona una biblioteca de referencia de acuerdo con un procedimiento de formacion
5
10
15
20
25
30
35
40
45
50
55
60
como el procedimiento de Mm-Max descrito con referencia a las figuras 2 y 3, las instantaneas restantes del conjunto historico que no fueron seleccionadas en la biblioteca de referencia se puede alimentar como entrada para el modelo empmco, y las similitudes globales para las estimaciones derivadas de ellas se pueden utilizar. Estas proporcionan una media y una desviacion estandar de fijacion de los lfmites 506 y 509 como se describe anteriormente.
De acuerdo con todavfa otra forma de definir los lfmites 506 y 509, no son lfmites de lmea recta, pero en su lugar son lfmites que flotan una cantidad fija a cada lado de un medio determinado a traves de una ventana en movimiento de las similitudes globales. Por ejemplo, la desviacion estandar puede calcularse de acuerdo con una forma descrita anteriormente, y luego un multiplo de la desviacion estandar seleccionada. Esto se establece a continuacion, en torno a una media que se define como la similitud global media de las ultimas instantaneas, por ejemplo, los ultimos cinco o los diez ultimos.
Cuando una similitud global de una instantanea 516 se desplaza fuera de los lfmites 506 o 509, el modulo de decision de la adaptacion reconoce esto como un transitorio. Esto significa una probabilidad de que se esta iniciando una transicion del proceso o maquina monitorizados. El modulo de decision de adaptacion puede desactivar la supervision, o al menos la generacion de alertas de modulo de pruebas estadfsticas 122 despues de la deteccion de un transitorio. Ademas, el modulo de decision de adaptacion comienza entonces a emplear una o mas de varias pruebas que se pueden utilizar para determinar cuando termina un penodo de transicion.
Preferiblemente, al detectar primero el transitorio, el modulo de decision de adaptacion coloca el lfmite superior 506 y el lfmite inferior 509 alrededor de cada punto de similitud mundial posterior, utilizando el punto como la media, pero todavfa utilizando el multiplo seleccionado de la desviacion estandar establecido antes como los lfmites. Cada punto sucesivo se compara con estos lfmites establecidos alrededor de la “media” de la ultima ubicacion del punto. Esto se puede ver en la figura 6, que muestra un proceso o maquina que sale de transicion, tal como se mide por la similitud global. El punto 602 es un punto de transicion. El lfmite superior 605 y el lfmite inferior 608 se muestran en algun multiplo de la desviacion estandar establecida antes alrededor del punto 602. El punto 611 cae fuera de este rango, y por lo tanto es tambien un punto de transicion. Sin embargo, el punto 614 cae dentro del rango de alrededor del punto 617, y el modulo de decision de adaptacion comienza a hacer una monitorizacion de estos dos y de siguientes puntos para la prueba de estabilidad de la similitud global. Una forma de hacer esto es contar una serie sucesiva de similitudes globales instantaneas que caen todas dentro del rango de alrededor de la similitud global anterior, y cuando se alcanza un recuento particular, determinaran el proceso o maquina que se ha estabilizado. Un recuento tfpico que se puede utilizar es de cinco instantaneas, aunque sera contingente sobre la dinamica del proceso o maquina que estan siendo monitorizados, y la frecuencia de muestreo en la que se capturan las instantaneas. El recuento puede comenzar en cualquiera de los puntos 617 o 614. Si un punto posterior se encuentra fuera de la gama, antes de que se alcance el recuento elegido, tal como se muestra en el punto 620, el punto se determina que esta en transicion, y el recuento se pone a cero. Comenzando en el punto 620 a continuacion, el recuento comenzana de nuevo si el punto siguiente estuviera dentro del alcance. Hasta que se alcanza el recuento, el proceso o la maquina se considera todavfa en transicion. Otra manera de determinar si un proceso o maquina monitorizados se ha estabilizado en un nuevo estado es buscar al menos un numero seleccionado de puntuaciones de similitud global a traves de una ventana movil de instantaneas que se encuentran dentro del rango antes mencionado, donde el rango se ajusta alrededor de la media de todas las similitudes globales anteriores en la ventana para cualquier similitud global dada. A modo de ejemplo, si la ventana de instantaneas es cinco, y el numero seleccionado en el conjunto de los cinco que deben tener similitudes globales calificadas en el rango es de cuatro, entonces la segunda puntuacion de similitud global califica si se encuentra en el rango establecido alrededor de la primera similitud global, y la tercera similitud global califica si se encuentra en el intervalo en torno a la media de la primera y segunda similitudes globales, y asf sucesivamente. Si las cuatro similitudes globales despues de la primera todas califican, entonces el sistema se ha estabilizado en un nuevo estado. La ventana puede ser elegida para ser mucho mas larga, por ejemplo 50, dependiendo de la velocidad de muestreo de monitorizacion, y el numero al menos seleccionado de los valores de calificacion puede ser 40, por ejemplo.
Cuando se alcance un recuento de los puntos de similitud global dentro de su rango, como por ejemplo en el punto 623 despues de cinco puntos consecutivos dentro del rango indicado por la caja 625, el modulo de decision de la adaptacion indica que la transicion ha terminado y se ha alcanzado un nuevo estado. Notese que en la figura 6, la similitud global se ha estabilizado en una similitud global mas baja (alrededor de 0,8) que se muestra en la figura 5 (alrededor de 0,975), lo que indica el modelo empmco no es el modelado de este estado, asf como el estado anterior, y puede, de hecho, no ser reconocido en el nuevo estado en absoluto. Por lo general, si el nuevo estado es tambien parte del modelo empmco, la curva de similitud global se parecera mas a la mostrada en la figura 7. En ella, un primer estado operativo se indica mediante las similitudes global 701. Una transicion se inicia en la transitoria 703, y continua hasta que se alcanza un nuevo estado operativo estable 705 mas alla del punto 706 como lo indican cinco (o algun otro numero preseleccionado) de similitudes globales consecutivas 710 dentro del rango de cada uno.
De acuerdo con todavfa otra forma para la determinacion de la adaptacion, independiente del uso de la similitud global, el modulo de decision de adaptacion puede examinar algunos de los datos de los sensores que comprenden la instantanea actual que son designados por el usuario por lo general despues de la instalacion como variables de control en el proceso o la maquina monitorizados. Esta tecnica proporciona una forma mucho mas simple de determinar cuando adaptar, pero solo puede emplearse cuando las variables de control son claramente separables
5
10
15
20
25
30
35
40
45
50
55
60
de los parametros dependientes del proceso o maquina. Una variable de control se determina normalmente de forma manual por delante de la construccion de modelos con conocimiento del dominio de la aplicacion. Las variables de control son tipicamente aquellas entradas a un proceso o maquina que accionan el comportamiento de funcionamiento del proceso o de la maquina. A menudo son las variables ambientales sobre las que no se puede ejercer ningun control. Por ejemplo, en un motor o turbina, la temperatura ambiente es a menudo una variable de control. Al entrenar el modelo empmco, como por ejemplo se ha descrito anteriormente con el procedimiento Mm- Max, el software para ejecutar el sistema de monitorizacion de adaptacion inventiva realiza una monitorizacion de los rangos generales de las variables de control que se observan en el conjunto de entrenamiento a partir del cual se destila el conjunto de referencia. Luego, en el funcionamiento de monitorizacion, el modulo de decision adaptable simplemente compara la variable(s) de control de corriente de esos rangos, y si una o mas variables de control estan ahora fuera del rango entrenado, el modulo de decision de adaptacion puede iniciar el reciclaje. Tambien es util el uso de variables de control junto con el operador de similitud global, de modo que la determinacion se puede hacer cuando la transicion de un estado a otro ha terminado, como se describe anteriormente. Alternativamente, las tecnicas estandar conocidas en la tecnica para el analisis de la estabilidad de las variables tambien se pueden emplear directamente contra las variables de control, si la dinamica de las variables de control permite, hacer la determinacion de cuando una transicion comienza y termina. En cualquier caso, en el uso de variables de control para determinar cuando debe volver a entrenar el modelo empmco, lo que se sacrifica es la capacidad de controlar las variables de control para la alteracion. En otras palabras, si una variable de control se sale del rango que fue entrenado, se asume por el aparato de la invencion que un nuevo estado operativo aceptable se ha encontrado, en lugar de asumir que la variable de control indica un funcionamiento anormal.
En el caso de que no se emplee esta decision basada en la variable de control, sigue existiendo despues de determinar que la transicion se ha detenido, la etapa de determinar si el nuevo estado es tambien ya suficientemente modelado, o es un estado no encontrado hasta el momento al que se debe adaptar. Para ello, el modulo de decision de adaptacion tiene una batena de pruebas que se pueden utilizar para hacer la determinacion, ademas de la prueba de rango de la variable de control.
En una primera tecnica, un umbral puede ser aplicado a la similitud global media del nuevo estado al final del penodo de transicion. Por ejemplo, con referencia a figura 8, una media inferior a un umbral 804 de 0,90 se puede utilizar para indicar que el nuevo estado no esta suficientemente modelado por el modelo empmco, y el modelo debe ser adaptado para dar cabida al nuevo estado. Segun la invencion, la media puede ser examinada sobre una instantanea 808 para tomar esta decision (en cuyo caso la media es simplemente la similitud global) o, alternativamente, puede ser examinada mas de una serie de instantaneas, donde la media se vuelve a calcular constantemente utilizando los 5 resultados mas recientes, a modo de ejemplo. Si la media luego cae por debajo del umbral seleccionado mas de una fraccion seleccionada de instantaneas a traves de una serie de instantaneas (por ejemplo, la mitad), a continuacion, el nuevo estado se considera que es reconocido y potencialmente sujeto a la adaptacion. Por ejemplo, como se muestra en la figura 8 los cinco puntos 812 tienen cuatro que se caen por debajo del umbral 804, y solo uno por encima y, por lo tanto, este estado sena considerado como no reconocido.
De acuerdo con una segunda tecnica, una ventana de los valores de similitud globales sucesivos puede ser comparada con el umbral seleccionado, y si al menos un cierto numero de estos caen por debajo del umbral, entonces el nuevo estado se considera que es reconocido y potencialmente sujeto a la adaptacion. Por ejemplo, si se examina una ventana movil de cinco similitudes globales, y al menos tres estan por debajo del umbral, el nuevo estado se puede considerar sujeto a la adaptacion.
En una tercera tecnica representada en las figuras 9A y 9B, la instantanea presente real puede ser procesada por similitud contra toda la librena de referencia (como se hace como parte del proceso de generacion de la estimacion), y se realiza una prueba sobre las similitudes. Dado que el modulo de decision de la adaptacion indica un nuevo estado se ha asentado, las puntuaciones de similitud de la instantanea actual en contra de la biblioteca de referencia pueden ser examinadas por la mas alta de dicha similitud, y si esta es inferior a un umbral elegido, el nuevo estado se puede considerar un estado no reconocido que es un candidato para la adaptacion. Un umbral tfpico para esto sena en el intervalo de menos de 0,90. Como se puede ver en la figura 9A, al comparar la instantanea actual 903 (simbolizada por un sfmbolo del vector con los puntos que se colocan para los valores de los sensores) con las instantaneas de la biblioteca de referencia 114, una serie de puntuaciones de similitud 907 se generan para cada comparacion como parte de la monitorizacion de rutina. Las puntuaciones se muestran en un grafico en la figura 9B, donde una puntuacion de similitud mas alta 912 esta por encima del umbral de 0,90, y por lo tanto la instantanea actual no indica una necesidad de adaptacion. Una vez mas, esta decision puede ser tomada en una instantanea, o se puede hacer mediante la determinacion de si una fraccion seleccionada de mas de una serie de instantaneas actuales tiene mayores similitudes con la biblioteca de referencia que caen por debajo del umbral elegido.
Sin embargo, una tercera tecnica se puede emplear para determinar si un nuevo estado se presenta y el modelo empmco deben adaptarse es examinar la fraccion de alarma generada por un modulo SPRT en el aparato de monitorizacion.
De acuerdo con la invencion, el operador de similitud global tiene la capacidad inherente de distinguir entre un proceso o sensor alterados y un cambio de estado. Cuando un sensor falla, el modelo empmco estima tfpicamente un valor razonable para lo que el sensor debe indicar, en base a los otros sensores de entrada. La diferencia entre
10
15
20
25
30
35
40
45
este fallo de lectura del sensor y la estimacion de la misma (realmente una estimacion del parametro medido subyacente) proporciona un medio para el modulo de pruebas estadfsticas 122 para alertar a un operador humano que hay un problema en el sensor ha fallado. Sin embargo, debido a la naturaleza del funcionamiento de similitud, el efecto sobre la similitud global es limitado. De hecho, la media de varias similitudes globales secuenciales en el caso de un sensor defectuoso no puede cambiar mucho de la media cuando el sensor no fallo, aunque la varianza de la similitud global puede aumentar algo (todavfa por lo general todavfa permanecer dentro de los umbrales 506 y 509 indicados en la figura 5). De esta manera, el modulo de decision de adaptacion generalmente no trata de adaptarse en un sensor fallado, y el sistema de supervision puede alertar con exito sobre el sensor fallido.
Cuando se produce una alteracion en el proceso que afecta a uno o solo unos pocos de los parametros monitorizados, el modulo de decision de adaptacion de manera similar no indicara la necesidad de adaptacion, a pesar de las alertas por la alteracion que se estan produciendo en el aparato de monitorizacion. Esto es cierto incluso cuando una alteracion del proceso eventualmente conduce a un cambio significativo en todas las variables, debido a que el aparato de monitorizacion de la presente invencion esta disenado para captar la senal mas temprana posible del cambio y alertar sobre el mismo. Mucho antes de que la alteracion del proceso afecte a todas las variables, es probable que el operador humano haya sido notificado de la alteracion.
Ademas, una alteracion catastrofica en el proceso por lo general tampoco exhibe un asentamiento en un nuevo estado. Las similitudes globales para un proceso severamente alterado no solo caen potencialmente a niveles muy bajos (menos de 0,50), sino que tambien sufren de una gran varianza continua. Tfpicamente, una alteracion en el proceso fallara para establecerse en un nuevo estado estable con la rapidez que un simple cambio de modo operacional, y esto puede ser utilizado para distinguir una alteracion del proceso de un nuevo estado operativo aceptable. Esto se determina mejor empmcamente basado en la aplicacion, y un ajuste seleccionable por el usuario se puede proporcionar en el software del modulo de decision de la adaptacion para designar un penodo durante el cual una transicion debe establecerse en un estado estable o de otra manera ser considerado un proceso alterado y se encienda alertando de nuevo. De acuerdo con la invencion, el modulo de decision de adaptacion tambien puede medir la varianza de la similitud global, y si la varianza esta todavfa por encima de un cierto umbral despues de un penodo de tiempo de espera seleccionado, la transicion se puede considerar un proceso alterado, y de nuevo la alerta puede ser devuelta de nuevo en la monitorizacion que viene a traves del modulo de pruebas estadfsticas122.
Despues de que el modulo de decision de adaptacion se ha cerciorado de que:
1) una variable de control esta ahora fuera de rango, y la adaptacion se justifica porque:
a) la similitud global esta ahora por debajo de un umbral aceptable, lo que indica un nuevo estado no reconocido; o
b) la similitud mas alta de la instantanea o secuencia de instantaneas actual esta por debajo de un umbral aceptable, lo que indica un nuevo estado no reconocido; o
c) se estan generando un numero de alertas, empezando de forma coincidente con el cambio en la variable de control; o
2) una adaptacion se justifica debido a que:
a) se ha detectado un transitorio en la similitud global, que indica una transicion; y
b) se ha completado la transicion y se realizo un nuevo estado estable; e
i) el nuevo estado estable no se reconoce porque la similitud global esta ahora por debajo de un umbral aceptable; o
ii) el nuevo estado estable no se reconoce porque la mas alta similitud de la instantanea o secuencia de instantaneas actual esta por debajo de un umbral aceptable; o
iii) el nuevo estado estable no es reconocido por la fraccion de alertas que se esta generando en la monitorizacion esta por encima de un umbral.
Una etapa de adaptacion se lleva a cabo entonces mediante el modulo de reconversion 128. De acuerdo con la invencion, el reciclaje se puede lograr mediante la adicion de instantaneas de la secuencia de instantaneas actuales a la biblioteca de referencia, o mediante la sustitucion de las instantaneas en la biblioteca de referencia. Ambos modos pueden utilizarse, donde la biblioteca de referencia tiene un tamano inicial en la implementacion del sistema de monitorizacion, y se selecciona un tamano maximo al que puede crecer la biblioteca de referencia, y mas alla que instantaneas recien anadidas deben sustituir a las instantaneas existentes.
Al anadir instantaneas actuales a la biblioteca de referencia, el modulo de reciclado decide primero que instantaneas seleccionar para la adicion. De acuerdo con una realizacion, cuando el modulo de decision de adaptacion identifica basado en la similitud global de una secuencia de varias, por ejemplo, 5 instantaneas, para las que se ha estabilizado la similitud global, que es un nuevo estado, y el nuevo estado se ha determinado que no estaba
5
10
15
20
25
30
35
modelado previamente, las cinco instantaneas se pueden utilizar para aumentar la biblioteca de referencia. Ademas, a partir de la sexta instantanea, el modulo de reciclado comienza a entrar en un ciclo de adaptacion mas largo, comprobando las instantaneas a medida que llegan y probando mediante la prueba de similitud global si el modelo recien aumentado esta modelando de forma adecuada las nuevas instantaneas. Se puede determinar un nuevo umbral, por ejemplo 0,90, que la biblioteca de referencia recien aumentada debe superar en similitud global, para que la adaptacion se declare terminada. Si no se alcanza el umbral, entonces el modulo de reciclado continua anadiendo nuevas instantaneas (o al menos las instantaneas que no parecen ser modeladas de manera adecuada), siempre que el nuevo estado sea estable y no un nuevo transitorio (indicando una nueva etapa de transicion o quizas alteracion del proceso o fallo del sensor). Un lfmite establecido para la duracion de un modulo de reciclado seguira participando en el ciclo de adaptacion mas largo mas alla del final de una transicion se podra ajustar de forma opcional, por lo que la adaptacion no continua indefinidamente. Esto se puede aplicar a un nuevo estado que simplemente no se puede modelar adecuadamente al umbral de similitud global elegido como punto de corte para la adaptacion.
De acuerdo con otro modo, en lugar de sumar las instantaneas identificadas adicionales a la biblioteca de referencia, toda la biblioteca de referencia y las instantaneas adicionales se pueden combinar en un conjunto de entrenamiento total al que se aplica un procedimiento de entrenamiento tales como Mm-Max, para destilar el nuevo conjunto de entrenamiento en una nueva biblioteca de referencia.
Cuando se alcanza el lfmite de tamano en la biblioteca de referencia, el modulo de eliminacion de vectores puede utilizar varios procedimientos para sustituir o eliminar las instantaneas antiguas (o vectores de datos del sensor) de la biblioteca de referencia. De acuerdo con una primera manera, para cada instantanea que se anadira mas alla del lfmite, se retira el vector en la biblioteca de referencia que lleva la mas alta similitud con la instantanea anadida deseable. Para este funcionamiento se utiliza el operador de similitud como se describe en el presente documento. De acuerdo con un segundo procedimiento, en el uso de un procedimiento de entrenamiento tales como Mm-Max, la marca de tiempo de cuando se anade un vector de la biblioteca de referencia se examina a traves de toda la biblioteca, y se elimina el vector de sellado de tiempo mas antiguo. En este caso, la instantanea de sustitucion lleva la marca de tiempo del momento de la sustitucion, y por lo tanto tiene la marca de tiempo mas reciente. De acuerdo con otro procedimiento, durante el modo de monitorizacion regular del aparato de monitorizacion basado en el modelo empmco, para cada instantanea actual del proceso o maquina monitorizados, se realiza una determinacion de que instantanea en la biblioteca de referencia tiene la mayor similitud con ella, y esa instantanea es una marca de tiempo con el momento de la comparacion. Por lo tanto, cada instantanea en la biblioteca de referencia esta potencialmente siendo actualizada como el ultimo vector de estado mas cercano visto en el funcionamiento del proceso o maquina. Entonces, cuando se anade un nuevo vector como parte de la adaptacion, se sustituye el vector con la indicacion de la hora. La nueva instantanea de reemplazo, por supuesto, lleva un sello de tiempo actual. De esta manera, las instantaneas en la biblioteca de referencia que representa los estados del sistema de monitorizacion no se han visto en mucho tiempo, son reemplazadas primero con nuevas instantaneas actualizadas. Este modo es especialmente util en la monitorizacion de equipos o procesos que se asientan con gracia con la edad, y no se espera lograr exactamente los estados operativos donde se encontraban cuando eran nuevos.
Claims (29)
- 51015202530354045REIVINDICACIONES1. Un procedimiento de adaptacion de un modelo empmco, utilizado en la monitorizacion de un sistema, que comprende las etapas de:a) recibir, en un modulo de decision de adaptacion (125), valores reales de parametros que comprenden instantaneas actuales de parametros operativos monitorizados que caracterizan un estado operativo del sistema monitorizado;b) el modulo de decision de adaptacion determina en base a un operador de similitud global si la instantanea actual de los datos del sensor procedentes del sistema representa una molestia para el proceso o un fallo del sensor, o representa el inicio de una transicion a un nuevo estado operativo del sistema monitorizado;c) si se reconoce una transicion a un nuevo estado operativo mediante el modulo de decision de adaptacion y si el nuevo estado ha sido instalado en el, el modulo de decision de adaptacion decide adaptar o no mediante el examen, despues del final del penodo de transicion, las puntuaciones de similitud global de la instantanea actual con una biblioteca de referencia para la mas alta de tal similitud, y si esta es inferior a un umbral elegido, considerar el nuevo estado que sea un estado no reconocido que es un candidato para la adaptacion; yd) si el nuevo estado es un estado no reconocido, adaptar el modelo en una etapa de reconversion mediante la adicion de instantaneas de la secuencia de instantaneas actuales a la biblioteca de referencia, o mediante la sustitucion de las instantaneas en la biblioteca de referencia.
- 2. El procedimiento de la reivindicacion 1, que comprende ademas la etapa de: indicar un cambio del estado operativo del sistema cuando la puntuacion global de similitud cae fuera de un intervalo seleccionado.
- 3. El procedimiento de la reivindicacion 1, que incluye:generar instantaneas de estimaciones de los valores de los parametros en respuesta a la recepcion de las instantaneas de los valores reales de los parametros; en el queel procedimiento comprende ademas las etapas de:comparar cada instantanea de valores de parametros reales con una instantanea relacionada de valores de los parametros estimados para generar una puntuacion global de similitud para cada comparacion; eindicar la estabilizacion del estado operativo del sistema en base a al menos una de las puntuaciones de similitud global.
- 4. El procedimiento de la reivindicacion 3, en el que cada instantanea representa un vector de valores de parametros que caracterizan un estado operativo del sistema en un momento en el tiempo.
- 5. El procedimiento de la reivindicacion 1, en el que dicha etapa de adaptacion comprende la adaptacion del modelo empmco cuando la puntuacion global de similitud cae fuera de un intervalo seleccionado.
- 6. El procedimiento de la reivindicacion 1, en el que la etapa de adaptacion comprende:identificar un comienzo de una fase de transicion cuando la puntuacion global de similitud cae fuera de un intervalo seleccionado;identificar un final de la fase de transicion;determinar en respuesta a la identificacion del final de la fase de transicion si el sistema esta en un nuevo estado operativo que no se tiene en cuenta en el modelo empmco; yactualizar el modelo empmco para tener en cuenta el nuevo estado operativo en respuesta a una determinacion de que el nuevo estado operativo no fue tenido en cuenta en el modelo empmco.
- 7. El procedimiento de la reivindicacion 6, que comprende ademas calcular una pluralidad de puntuaciones de similitud global, y en el que la etapa de determinacion comprende:comparar al menos una puntuacion global de similitud con un umbral, calculandose cada puntuacion global de similitud en base a valores de los parametros que representan un estado operativo en un instante de tiempo diferente despues del final de la fase de transicion, y si la al menos una puntuacion global de similitud esta por debajo del umbral, entonces se concluye que el nuevo estado no se tiene en cuenta en el modelo empmco.
- 8. El procedimiento de la reivindicacion 6, que comprende ademas calcular una pluralidad de puntuaciones de similitud global, y en el que la etapa de determinacion comprende:510152025303540455055comparar una ventana de sucesivas puntuaciones de similitud global con un umbral, calculandose cada puntuacion de similitud global en base a valores de los parametros que representan un estado operativo en un instante de tiempo diferente y en un tiempo despues del final de la fase de transicion, y si al menos un numero seleccionado de las puntuaciones de similitud global en dicha ventana caen por debajo del umbral, entonces se concluye que el nuevo estado operativo no se tiene en cuenta en el modelo empmco.
- 9. El procedimiento de la reivindicacion 6, que comprende ademas calcular una pluralidad de puntuaciones de similitud global, y en el que la etapa de determinacion comprende:comparar una ventana de sucesivas puntuaciones de similitud global con un umbral, calculandose cada puntuacion de similitud global en base a valores de los parametros que representan un estado operativo en un instante de tiempo diferente y en un tiempo despues del final de la fase de transicion, y si la media de dichas puntuaciones de similitud global en dicha ventana cae por debajo del umbral, entonces se concluye que el nuevo estado operativo no se tiene en cuenta en el modelo empmco.
- 10. El procedimiento de la reivindicacion 6, en el que el modelo empmco tiene una biblioteca de referencia de instantaneas de valores de parametros que caracterizan estados reconocidos del sistema, y la etapa de determinacion comprende comparar una instantanea de los valores reales de los parametros recibidos que representan un estado operativo en un momento despues del final de la fase de transicion para cada instantanea en la biblioteca de referencia para calcular la puntuacion de similitud global para cada comparacion, y si la mas alta de tal puntuacion de similitud global es inferior a un umbral seleccionado, a continuacion, se concluye que el nuevo estado operativo no se tiene en cuenta en el modelo empmco.
- 11. El procedimiento de la reivindicacion 6, en el que el modelo empmco tiene una biblioteca de referencia de instantaneas de valores de parametros que caracterizan los estados reconocidos del sistema, y la etapa de determinacion comprende comparar cada una en una serie de instantaneas de los valores reales de los parametros recibidos que representan un estado operativo en un momento despues del final de la fase de transicion con cada instantanea en la biblioteca de referencia para calcular la puntuacion de similitud global para cada comparacion, y si la media a lo largo de la serie de la mas alta puntuacion de similitud global para cada instantanea real es menor que un umbral seleccionado, entonces se concluye que la nuevo estado operativo no se tiene en cuenta en el modelo empmco.
- 12. El procedimiento de la reivindicacion 6, en el que el modelo empmco tiene una biblioteca de referencia de instantaneas de valores de parametros que caracterizan los estados reconocidos del sistema, y la etapa de determinacion comprende comparar cada una en una serie de instantaneas de los valores reales de los parametros recibidos que representan un estado operativo en un momento despues del final de la fase de transicion con cada instantanea en la biblioteca de referencia para calcular la puntuacion de similitud global para cada comparacion, y si la puntuacion de similitud global mas alta de al menos un numero seleccionado de instantaneas reales a lo largo de la serie es inferior a un umbral seleccionado, entonces se concluye que el nuevo estado operativo no se tiene en cuenta en el modelo empmco.
- 13. El procedimiento de la reivindicacion 6, que comprende ademas calcular una pluralidad de puntuaciones desimilitud global, y en el que la etapa de identificacion del final de la fase de transicion comprende el examen de una ventana movil de sucesivas puntuaciones de similitud global de la pluralidad, calculandose cada puntuacion desimilitud global en base a los valores reales de los parametros que representan un estado operativo en un instantede tiempo diferente, y cuando cada uno de al menos un numero seleccionado de sucesivas puntuaciones de similitud global en la ventana se encuentra dentro de un intervalo seleccionado alrededor de la anterior puntuacion de similitud global, se identifica que se ha alcanzado el final de la fase de transicion.
- 14. El procedimiento de la reivindicacion 6, que comprende ademas calcular una pluralidad de puntuaciones desimilitud global, y en el que la etapa de identificacion del final de la fase de transicion comprende el examen de una ventana movil de sucesivas puntuaciones de similitud global de la pluralidad, calculandose cada puntuacion desimilitud global en base a los valores reales de los parametros que representan un estado operativo en un instantede tiempo diferente, y cuando cada uno de al menos un numero seleccionado de sucesivas puntuaciones de similitud global en la ventana se encuentra dentro de un intervalo seleccionado alrededor de la media de las anteriores puntuaciones de similitud global en la ventana, se identifica que se ha alcanzado el final de la fase de transicion.
- 15. El procedimiento de la reivindicacion 6, en el que el modelo empmco tiene una biblioteca de referencia de instantaneas de valores de parametros que caracterizan los estados reconocidos del sistema, y la etapa de actualizacion comprende la adicion de al menos una instantanea de los valores reales de los parametros recibidos a la biblioteca de referencia.
- 16. El procedimiento de la reivindicacion 1, en el que la etapa de calculo comprende comparar elementos correspondientes de una instantanea de valores de parametros reales recibidos y una instantanea relacionada de estimaciones para generar semejanzas elementales, y combinar estadfsticamente las semejanzas elementales para generar la puntuacion de similitud global.5101520253035404550
- 17. El procedimiento de la reivindicacion 2, en el que la etapa de examen comprende comparar elementos correspondientes de una instantanea de valores de parametros reales recibidos y una instantanea relacionada de estimaciones para generar semejanzas elementales, y combinar estad^sticamente las semejanzas elementales para generar la puntuacion de similitud global.
- 18. El procedimiento de la reivindicacion 17, en el que la instantanea relacionada de las estimaciones se genera en respuesta a la recepcion de la instantanea de valores de parametros reales.
- 19. El procedimiento de la reivindicacion 17, en el que la instantanea relacionada de las estimaciones es una prediccion relacionada con la instantanea de valores de parametros reales en el tiempo, y se genera en respuesta a una instantanea anterior de los valores de los parametros reales.
- 20. El procedimiento de la reivindicacion 2 o 17, que comprende ademas el calculo de una pluralidad de puntuaciones de similitud global, calculandose cada puntuacion de similitud global en base a valores de parametros reales que representan un estado operativo en un instante de tiempo diferente, y en el que el intervalo seleccionado tiene un umbral inferior igual a un multiplo de una desviacion estandar para una secuencia de las puntuaciones de similitud global, se resta de la media de la secuencia de las puntuaciones de similitud global.
- 21. El procedimiento de la reivindicacion 20, en el que el multiplo esta en el intervalo de uno a tres.
- 22. El procedimiento de la reivindicacion 17, en el que el intervalo seleccionado tiene un lfmite inferior seleccionado en el intervalo de 0,85 a 0,95.
- 23. El procedimiento de la reivindicacion 17, que comprende ademas el calculo de una pluralidad de puntuaciones de similitud global, calculandose cada puntuacion de similitud global en base a valores de parametros reales que representan un estado operativo en un instante de tiempo diferente, y en el que la etapa de indicacion comprende indicar un cambio de estado operativo cuando al menos un numero mmimo seleccionado de las puntuaciones de similitud global en una ventana de desplazamiento de las sucesivas puntuaciones de similitud global caen fuera del intervalo seleccionado.
- 24. El procedimiento de la reivindicacion 3, que comprende ademas el calculo de una pluralidad de puntuaciones de similitud global, calculandose cada puntuacion de similitud global en base a valores de parametros reales que representan un estado operativo en un instante de tiempo diferente, y en el que la etapa de indicacion comprende el examen de una ventana movil de sucesivas puntuaciones de similitud global, y cuando cada uno de al menos un numero seleccionado de sucesivas puntuaciones de similitud global en la ventana se encuentra dentro de un intervalo seleccionado alrededor de la anterior puntuacion de similitud global, se identifica que se ha estabilizado ese estado operativo del sistema.
- 25. El procedimiento de la reivindicacion 3, que comprende ademas el calculo de una pluralidad de puntuaciones de similitud global, calculandose cada puntuacion de similitud global en base a valores de parametros reales que representan un estado operativo en un instante de tiempo diferente, y en el que la etapa de indicacion comprende el examen de una ventana movil de sucesivas puntuaciones de similitud global, y cuando cada uno de al menos un numero seleccionado de sucesivas puntuaciones de similitud global en la ventana se encuentra dentro de un intervalo seleccionado alrededor de la media de las anteriores puntuaciones de similitud global en la ventana, se identifica que se ha estabilizado ese estado operativo del sistema.
- 26. El procedimiento de la reivindicacion 1, en el que la etapa de generacion incluye la comparacion de correspondientes elementos de una instantanea de valores de parametros reales recibidos y una instantanea de valores de los parametros estimados para generar semejanzas elementales, y combinar estadfsticamente las semejanzas elementales para generar la puntuacion de similitud global.
- 27. El procedimiento de la reivindicacion 26, en el que las semejanzas elementales se generan usando un operador de similitud de prueba de relacion de angulos limitados.
- 28. El procedimiento de la reivindicacion 26, en el que las semejanzas elementales se generan de acuerdo con el valor absoluto de la diferencia de los elementos correspondientes, dividido por un intervalo esperado para los elementos correspondientes.
- 29. Un aparato para la adaptacion de un modelo emprnco utilizado en la monitorizacion de la operacion de un sistema, comprendiendo el aparato:un modulo de decision de adaptacion (125) que incluye medios para recibir valores de parametros reales que comprenden instantaneas actuales de los parametros operativos monitorizados que caracterizan un estado operativo del sistema monitorizado;medios en el modulo de decision de adaptacion para determinar en base a un operador de similitud global si la instantanea actual de los datos del sensor procedentes del sistema representa un proceso molesto o un fallo del sensor, o representa el comienzo de una transicion a un nuevo estado operativo del sistema monitorizado; ysi el modulo de decision de adaptacion reconoce una transicion a un nuevo estado operativo y si el nuevo estado ha sido instalado en el, el modulo de decision de adaptacion decide adaptar o no mediante un examen, despues del final del penodo de transicion, las puntuaciones de similitud global de la actual instantanea respecto a una biblioteca de referencia para la mas alta de tal similitud, y si esta es inferior a un umbral elegido, se considera el nuevo estado 5 como un estado no reconocido que es un candidato para la adaptacion; ymedios para adaptar el modelo, si el nuevo estado es un estado no reconocido, en una etapa de reconversion mediante la adicion de instantaneas de la secuencia de instantaneas actuales a la biblioteca de referencia, o mediante la sustitucion de las instantaneas en la biblioteca de referencia.
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US26274701P | 2001-01-19 | 2001-01-19 | |
US262747P | 2001-01-19 | ||
US09/795,509 US7233886B2 (en) | 2001-01-19 | 2001-02-27 | Adaptive modeling of changed states in predictive condition monitoring |
US795509 | 2001-02-27 | ||
PCT/US2002/001267 WO2002057856A2 (en) | 2001-01-19 | 2002-01-18 | Adaptive modeling of changed states in predictive condition monitoring |
Publications (1)
Publication Number | Publication Date |
---|---|
ES2575529T3 true ES2575529T3 (es) | 2016-06-29 |
Family
ID=26949422
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
ES02717347.5T Expired - Lifetime ES2575529T3 (es) | 2001-01-19 | 2002-01-18 | Modelización adaptativa de estados cambiados en la monitorización de condición predictiva |
Country Status (6)
Country | Link |
---|---|
US (1) | US7233886B2 (es) |
EP (1) | EP1360557B1 (es) |
JP (2) | JP4741172B2 (es) |
CA (1) | CA2433941C (es) |
ES (1) | ES2575529T3 (es) |
WO (1) | WO2002057856A2 (es) |
Families Citing this family (146)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6957172B2 (en) | 2000-03-09 | 2005-10-18 | Smartsignal Corporation | Complex signal decomposition and modeling |
US6917839B2 (en) * | 2000-06-09 | 2005-07-12 | Intellectual Assets Llc | Surveillance system and method having an operating mode partitioned fault classification model |
US7006950B1 (en) * | 2000-06-12 | 2006-02-28 | Siemens Corporate Research, Inc. | Statistical modeling and performance characterization of a real-time dual camera surveillance system |
US6778995B1 (en) | 2001-08-31 | 2004-08-17 | Attenex Corporation | System and method for efficiently generating cluster groupings in a multi-dimensional concept space |
US6978274B1 (en) | 2001-08-31 | 2005-12-20 | Attenex Corporation | System and method for dynamically evaluating latent concepts in unstructured documents |
US7271804B2 (en) | 2002-02-25 | 2007-09-18 | Attenex Corporation | System and method for arranging concept clusters in thematic relationships in a two-dimensional visual display area |
US7451065B2 (en) * | 2002-03-11 | 2008-11-11 | International Business Machines Corporation | Method for constructing segmentation-based predictive models |
US7475098B2 (en) * | 2002-03-19 | 2009-01-06 | Network Appliance, Inc. | System and method for managing a plurality of snapshots |
US20050149299A1 (en) * | 2002-04-24 | 2005-07-07 | George Bolt | Method and system for detecting change in data streams |
DE50303387D1 (de) * | 2002-09-26 | 2006-06-22 | Siemens Ag | Vorrichtung und verfahren zur überwachung einer mehrere systeme umfassenden technischen anlage, insbesondere einer kraftwerksanlage |
ES2627844T3 (es) * | 2002-11-04 | 2017-07-31 | Ge Intelligent Platforms, Inc. | Monitorización del estado de un sistema usando una máquina de aprendizaje local recurrente |
US20040128146A1 (en) * | 2002-12-27 | 2004-07-01 | Williams George E. | Automated data documentation for turbine maintenance procedures |
US8244853B1 (en) | 2003-03-03 | 2012-08-14 | Vmware, Inc. | Method and system for non intrusive application interaction and dependency mapping |
US7191175B2 (en) | 2004-02-13 | 2007-03-13 | Attenex Corporation | System and method for arranging concept clusters in thematic neighborhood relationships in a two-dimensional visual display space |
US7672814B1 (en) * | 2004-03-03 | 2010-03-02 | Emc Corporation | System and method for baseline threshold monitoring |
US7451003B2 (en) * | 2004-03-04 | 2008-11-11 | Falconeer Technologies Llc | Method and system of monitoring, sensor validation and predictive fault analysis |
US7797676B2 (en) * | 2004-04-20 | 2010-09-14 | International Business Machines Corporation | Method and system for switching between prototype and real code production in a graphical call flow builder |
US11710489B2 (en) | 2004-06-14 | 2023-07-25 | Wanda Papadimitriou | Autonomous material evaluation system and method |
US11680867B2 (en) | 2004-06-14 | 2023-06-20 | Wanda Papadimitriou | Stress engineering assessment of risers and riser strings |
US20050289363A1 (en) * | 2004-06-28 | 2005-12-29 | Tsirkel Aaron M | Method and apparatus for automatic realtime power management |
US8108470B2 (en) * | 2004-07-22 | 2012-01-31 | Taiwan Semiconductor Manufacturing Co., Ltd. | Message management system and method |
US20070260350A1 (en) * | 2004-08-20 | 2007-11-08 | Maxim Zagrebnov | Method for Improving Efficiency of a Manufacturing Process Such as a Semiconductor Fab Process |
KR100625168B1 (ko) * | 2004-08-23 | 2006-09-20 | 삼성전자주식회사 | 기판에 형성된 패턴의 검사방법 및 이를 수행하기 위한검사장치 |
EP1672453A1 (de) * | 2004-12-08 | 2006-06-21 | Siemens Aktiengesellschaft | Verfahren zur Validierung von Referenzwerten in Analysesystemen |
US7653512B2 (en) * | 2004-12-17 | 2010-01-26 | Korea Reserch Institute of Standards and Science | Precision diagnostic method for the failure protection and predictive maintenance of a vacuum pump and a precision diagnostic system therefor |
US7356777B2 (en) | 2005-01-26 | 2008-04-08 | Attenex Corporation | System and method for providing a dynamic user interface for a dense three-dimensional scene |
US7404151B2 (en) | 2005-01-26 | 2008-07-22 | Attenex Corporation | System and method for providing a dynamic user interface for a dense three-dimensional scene |
US7499777B2 (en) | 2005-04-08 | 2009-03-03 | Caterpillar Inc. | Diagnostic and prognostic method and system |
US7483811B2 (en) * | 2005-08-02 | 2009-01-27 | Sun Microsystems, Inc. | Optimizing bandwidth and power in wireless networks of smart sensors |
US7444191B2 (en) | 2005-10-04 | 2008-10-28 | Fisher-Rosemount Systems, Inc. | Process model identification in a process control system |
US8036760B2 (en) * | 2005-10-04 | 2011-10-11 | Fisher-Rosemount Systems, Inc. | Method and apparatus for intelligent control and monitoring in a process control system |
EP1818746A1 (en) | 2006-02-10 | 2007-08-15 | ALSTOM Technology Ltd | Method of condition monitoring |
US7660639B2 (en) * | 2006-03-27 | 2010-02-09 | Hitachi, Ltd. | Control system for control subject having combustion unit and control system for plant having boiler |
US7555951B2 (en) * | 2006-05-24 | 2009-07-07 | Honeywell International Inc. | Determination of remaining useful life of gas turbine blade |
US8606544B2 (en) * | 2006-07-25 | 2013-12-10 | Fisher-Rosemount Systems, Inc. | Methods and systems for detecting deviation of a process variable from expected values |
US7912676B2 (en) | 2006-07-25 | 2011-03-22 | Fisher-Rosemount Systems, Inc. | Method and system for detecting abnormal operation in a process plant |
US7657399B2 (en) | 2006-07-25 | 2010-02-02 | Fisher-Rosemount Systems, Inc. | Methods and systems for detecting deviation of a process variable from expected values |
US8145358B2 (en) | 2006-07-25 | 2012-03-27 | Fisher-Rosemount Systems, Inc. | Method and system for detecting abnormal operation of a level regulatory control loop |
US8275577B2 (en) * | 2006-09-19 | 2012-09-25 | Smartsignal Corporation | Kernel-based method for detecting boiler tube leaks |
EP2057517B1 (en) | 2006-09-28 | 2013-06-12 | Fisher-Rosemount Systems, Inc. | Abnormal situation prevention in a heat exchanger |
EP1916670A3 (en) * | 2006-10-27 | 2009-11-25 | Acreo AB | Patterning PEDOT:PSS layer by controlled electrochemical reaction |
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 |
US8032340B2 (en) * | 2007-01-04 | 2011-10-04 | Fisher-Rosemount Systems, Inc. | Method and system for modeling a process variable in a process plant |
US8032341B2 (en) | 2007-01-04 | 2011-10-04 | Fisher-Rosemount Systems, Inc. | Modeling a process using a composite model comprising a plurality of regression models |
US7827006B2 (en) | 2007-01-31 | 2010-11-02 | Fisher-Rosemount Systems, Inc. | Heat exchanger fouling detection |
US20080228338A1 (en) * | 2007-03-15 | 2008-09-18 | Honeywell International, Inc. | Automated engine data diagnostic analysis |
WO2008145154A1 (de) * | 2007-05-29 | 2008-12-04 | Siemens Aktiengesellschaft | Verfahren zur überwachung eines automatisierten produktionsprozesses |
KR100905235B1 (ko) | 2007-07-18 | 2009-07-01 | 한국표준과학연구원 | 진공펌프의 고장 방지 및 예보유지를 위한 정밀진단 기법과그 구현 시스템. |
US8301676B2 (en) | 2007-08-23 | 2012-10-30 | Fisher-Rosemount Systems, Inc. | Field device with capability of calculating digital filter coefficients |
US7702401B2 (en) | 2007-09-05 | 2010-04-20 | Fisher-Rosemount Systems, Inc. | System for preserving and displaying process control data associated with an abnormal situation |
US8055479B2 (en) | 2007-10-10 | 2011-11-08 | Fisher-Rosemount Systems, Inc. | Simplified algorithm for abnormal situation prevention in load following applications including plugged line diagnostics in a dynamic process |
US20090112809A1 (en) * | 2007-10-24 | 2009-04-30 | Caterpillar Inc. | Systems and methods for monitoring health of computing systems |
US7689368B2 (en) * | 2007-10-26 | 2010-03-30 | Caterpillar Inc. | Systems and methods for early detection of machine component failure |
US8145444B1 (en) | 2007-11-30 | 2012-03-27 | Intellectual Assets Llc | Asset surveillance system and method comprising self-calibrating fault detection |
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 |
US8204697B2 (en) * | 2008-04-24 | 2012-06-19 | Baker Hughes Incorporated | System and method for health assessment of downhole tools |
US9404775B2 (en) * | 2008-04-30 | 2016-08-02 | Honeywell International Inc. | Systems and methods for identifying faulty sensors |
US7921337B2 (en) * | 2008-05-30 | 2011-04-05 | Honeywell International Inc. | Systems and methods for diagnosing faults in electronic systems |
US20100042327A1 (en) * | 2008-08-13 | 2010-02-18 | Baker Hughes Incorporated | Bottom hole assembly configuration management |
US20100038135A1 (en) * | 2008-08-14 | 2010-02-18 | Baker Hughes Incorporated | System and method for evaluation of structure-born sound |
TWI474023B (zh) * | 2008-12-10 | 2015-02-21 | Ind Tech Res Inst | 馬達故障診斷方法及其診斷裝置 |
US8572084B2 (en) | 2009-07-28 | 2013-10-29 | Fti Consulting, Inc. | System and method for displaying relationships between electronically stored information to provide classification suggestions via nearest neighbor |
CA2772082C (en) | 2009-08-24 | 2019-01-15 | William C. Knight | Generating a reference set for use during document review |
CN102917661B (zh) * | 2010-01-14 | 2015-09-23 | 风险获利有限公司 | 基于多变量残差的用于人体健康监视的健康指数 |
US9250625B2 (en) | 2011-07-19 | 2016-02-02 | Ge Intelligent Platforms, Inc. | System of sequential kernel regression modeling for forecasting and prognostics |
US8660980B2 (en) * | 2011-07-19 | 2014-02-25 | Smartsignal Corporation | Monitoring system using kernel regression modeling with pattern sequences |
US8620853B2 (en) * | 2011-07-19 | 2013-12-31 | Smartsignal Corporation | Monitoring method 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 |
US8719196B2 (en) | 2011-12-19 | 2014-05-06 | Go Daddy Operating Company, LLC | Methods for monitoring computer resources using a first and second matrix, and a feature relationship tree |
US8600915B2 (en) | 2011-12-19 | 2013-12-03 | Go Daddy Operating Company, LLC | Systems for monitoring computer resources |
US9477936B2 (en) | 2012-02-09 | 2016-10-25 | Rockwell Automation Technologies, Inc. | Cloud-based operator interface for industrial automation |
GB2514980B (en) * | 2012-04-10 | 2018-12-19 | Lockheed Corp | Efficient health management, diagnosis and prognosis of a machine |
JP5952631B2 (ja) * | 2012-04-27 | 2016-07-13 | 富士通株式会社 | 情報処理装置、スナップショット作成プログラム、及び該方法 |
US20140052425A1 (en) * | 2012-08-16 | 2014-02-20 | Sankar Selvaraj | Method and apparatus for evaluating a model of an industrial plant process |
SE536922C2 (sv) | 2013-02-19 | 2014-10-28 | Basim Al-Najjar | En metod och en apparat för att prediktera tillståndet hos en maskin eller en komponent hos maskinen |
US9438648B2 (en) | 2013-05-09 | 2016-09-06 | Rockwell Automation Technologies, Inc. | Industrial data analytics in a cloud platform |
US9786197B2 (en) | 2013-05-09 | 2017-10-10 | Rockwell Automation Technologies, Inc. | Using cloud-based data to facilitate enhancing performance in connection with an industrial automation system |
US9989958B2 (en) | 2013-05-09 | 2018-06-05 | Rockwell Automation Technologies, Inc. | Using cloud-based data for virtualization of an industrial automation environment |
US9703902B2 (en) | 2013-05-09 | 2017-07-11 | Rockwell Automation Technologies, Inc. | Using cloud-based data for industrial simulation |
JP2016532221A (ja) | 2013-09-06 | 2016-10-13 | ジーイー・インテリジェント・プラットフォームズ・インコーポレイテッド | モデル適合のための装置および方法 |
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 |
US10037128B2 (en) | 2014-02-04 | 2018-07-31 | Falkonry, Inc. | Operating behavior classification interface |
AU2015247437B2 (en) | 2014-04-17 | 2018-12-20 | Lockheed Martin Corporation | Prognostics and health management system |
DE102014107671B4 (de) * | 2014-05-30 | 2016-11-17 | EnBW Energie Baden-Württemberg AG | Prüfsystem für ein Drucksystem mit einem Druckbehälter und Festigkeitsprüfverfahren für ein Drucksystem mit einem Druckbehälter |
WO2016003501A1 (en) * | 2014-07-03 | 2016-01-07 | General Electric Company | Acquisition of high frequency data in transient detection |
US9471452B2 (en) | 2014-12-01 | 2016-10-18 | Uptake Technologies, Inc. | Adaptive handling of operating data |
US10089589B2 (en) * | 2015-01-30 | 2018-10-02 | Sap Se | Intelligent threshold editor |
US11042131B2 (en) | 2015-03-16 | 2021-06-22 | Rockwell Automation Technologies, Inc. | Backup of an industrial automation plant in the cloud |
US11243505B2 (en) | 2015-03-16 | 2022-02-08 | Rockwell Automation Technologies, Inc. | Cloud-based analytics for industrial automation |
US10496061B2 (en) | 2015-03-16 | 2019-12-03 | Rockwell Automation Technologies, Inc. | Modeling of an industrial automation environment in the cloud |
US11513477B2 (en) | 2015-03-16 | 2022-11-29 | Rockwell Automation Technologies, Inc. | Cloud-based industrial controller |
US10984338B2 (en) | 2015-05-28 | 2021-04-20 | Raytheon Technologies Corporation | Dynamically updated predictive modeling to predict operational outcomes of interest |
US10176279B2 (en) | 2015-06-05 | 2019-01-08 | Uptake Technologies, Inc. | Dynamic execution of predictive models and workflows |
US10579750B2 (en) | 2015-06-05 | 2020-03-03 | Uptake Technologies, Inc. | Dynamic execution of predictive models |
US10254751B2 (en) | 2015-06-05 | 2019-04-09 | Uptake Technologies, Inc. | Local analytics at an asset |
US10878385B2 (en) | 2015-06-19 | 2020-12-29 | Uptake Technologies, Inc. | Computer system and method for distributing execution of a predictive model |
WO2017049207A1 (en) | 2015-09-17 | 2017-03-23 | Uptake Technologies, Inc. | Computer systems and methods for sharing asset-related information between data platforms over a network |
US11436911B2 (en) | 2015-09-30 | 2022-09-06 | Johnson Controls Tyco IP Holdings LLP | Sensor based system and method for premises safety and operational profiling based on drift analysis |
US10902524B2 (en) | 2015-09-30 | 2021-01-26 | Sensormatic Electronics, LLC | Sensor based system and method for augmenting underwriting of insurance policies |
US11151654B2 (en) * | 2015-09-30 | 2021-10-19 | Johnson Controls Tyco IP Holdings LLP | System and method for determining risk profile, adjusting insurance premiums and automatically collecting premiums based on sensor data |
US10623294B2 (en) | 2015-12-07 | 2020-04-14 | Uptake Technologies, Inc. | Local analytics device |
US11295217B2 (en) | 2016-01-14 | 2022-04-05 | Uptake Technologies, Inc. | Localized temporal model forecasting |
US10510006B2 (en) | 2016-03-09 | 2019-12-17 | Uptake Technologies, Inc. | Handling of predictive models based on asset location |
US10796235B2 (en) | 2016-03-25 | 2020-10-06 | Uptake Technologies, Inc. | Computer systems and methods for providing a visualization of asset event and signal data |
US10552914B2 (en) | 2016-05-05 | 2020-02-04 | Sensormatic Electronics, LLC | Method and apparatus for evaluating risk based on sensor monitoring |
WO2017210618A1 (en) | 2016-06-02 | 2017-12-07 | Fti Consulting, Inc. | Analyzing clusters of coded documents |
US20170353353A1 (en) | 2016-06-03 | 2017-12-07 | Uptake Technologies, Inc. | Provisioning a Local Analytics Device |
US10810676B2 (en) | 2016-06-06 | 2020-10-20 | Sensormatic Electronics, LLC | Method and apparatus for increasing the density of data surrounding an event |
US10210037B2 (en) | 2016-08-25 | 2019-02-19 | Uptake Technologies, Inc. | Interface tool for asset fault analysis |
US10474932B2 (en) | 2016-09-01 | 2019-11-12 | Uptake Technologies, Inc. | Detection of anomalies in multivariate data |
US10228925B2 (en) | 2016-12-19 | 2019-03-12 | Uptake Technologies, Inc. | Systems, devices, and methods for deploying one or more artifacts to a deployment environment |
US10579961B2 (en) | 2017-01-26 | 2020-03-03 | Uptake Technologies, Inc. | Method and system of identifying environment features for use in analyzing asset operation |
US20190378074A1 (en) * | 2017-02-02 | 2019-12-12 | The Strategy Collective Dba Blkbox | Method, apparatus, and system for data analytics model selection for real-time data visualization |
US10963797B2 (en) | 2017-02-09 | 2021-03-30 | Caterpillar Inc. | System for analyzing machine data |
US10671039B2 (en) | 2017-05-03 | 2020-06-02 | Uptake Technologies, Inc. | Computer system and method for predicting an abnormal event at a wind turbine in a cluster |
US10255526B2 (en) | 2017-06-09 | 2019-04-09 | Uptake Technologies, Inc. | Computer system and method for classifying temporal patterns of change in images of an area |
US11232371B2 (en) | 2017-10-19 | 2022-01-25 | Uptake Technologies, Inc. | Computer system and method for detecting anomalies in multivariate data |
US10552246B1 (en) | 2017-10-24 | 2020-02-04 | Uptake Technologies, Inc. | Computer system and method for handling non-communicative assets |
US10379982B2 (en) | 2017-10-31 | 2019-08-13 | Uptake Technologies, Inc. | Computer system and method for performing a virtual load test |
US10635519B1 (en) | 2017-11-30 | 2020-04-28 | Uptake Technologies, Inc. | Systems and methods for detecting and remedying software anomalies |
US10815966B1 (en) | 2018-02-01 | 2020-10-27 | Uptake Technologies, Inc. | Computer system and method for determining an orientation of a wind turbine nacelle |
US10554518B1 (en) | 2018-03-02 | 2020-02-04 | Uptake Technologies, Inc. | Computer system and method for evaluating health of nodes in a manufacturing network |
US10169135B1 (en) | 2018-03-02 | 2019-01-01 | Uptake Technologies, Inc. | Computer system and method of detecting manufacturing network anomalies |
US10354462B1 (en) | 2018-04-06 | 2019-07-16 | Toyota Motor Engineering & Manufacturing North America, Inc. | Fault diagnosis in power electronics using adaptive PCA |
US10650616B2 (en) | 2018-04-06 | 2020-05-12 | University Of Connecticut | Fault diagnosis using distributed PCA architecture |
JP2019191799A (ja) * | 2018-04-23 | 2019-10-31 | 株式会社日立製作所 | 故障予兆診断システム及び故障予兆診断方法 |
US10635095B2 (en) | 2018-04-24 | 2020-04-28 | Uptake Technologies, Inc. | Computer system and method for creating a supervised failure model |
US11943236B2 (en) * | 2018-04-26 | 2024-03-26 | Hitachi Energy Ltd | Technologies for detecting cyber-attacks against electrical distribution devices |
US10860599B2 (en) | 2018-06-11 | 2020-12-08 | Uptake Technologies, Inc. | Tool for creating and deploying configurable pipelines |
US10579932B1 (en) | 2018-07-10 | 2020-03-03 | Uptake Technologies, Inc. | Computer system and method for creating and deploying an anomaly detection model based on streaming data |
US11119472B2 (en) | 2018-09-28 | 2021-09-14 | Uptake Technologies, Inc. | Computer system and method for evaluating an event prediction model |
US11181894B2 (en) | 2018-10-15 | 2021-11-23 | Uptake Technologies, Inc. | Computer system and method of defining a set of anomaly thresholds for an anomaly detection model |
US11480934B2 (en) | 2019-01-24 | 2022-10-25 | Uptake Technologies, Inc. | Computer system and method for creating an event prediction model |
US11030067B2 (en) | 2019-01-29 | 2021-06-08 | Uptake Technologies, Inc. | Computer system and method for presenting asset insights at a graphical user interface |
US11797550B2 (en) | 2019-01-30 | 2023-10-24 | Uptake Technologies, Inc. | Data science platform |
US11208986B2 (en) | 2019-06-27 | 2021-12-28 | Uptake Technologies, Inc. | Computer system and method for detecting irregular yaw activity at a wind turbine |
US10975841B2 (en) | 2019-08-02 | 2021-04-13 | Uptake Technologies, Inc. | Computer system and method for detecting rotor imbalance at a wind turbine |
US11768917B2 (en) | 2019-11-14 | 2023-09-26 | International Business Machines Corporation | Systems and methods for alerting to model degradation based on distribution analysis |
US11256597B2 (en) | 2019-11-14 | 2022-02-22 | International Business Machines Corporation | Ensemble approach to alerting to model degradation |
US11455561B2 (en) | 2019-11-14 | 2022-09-27 | International Business Machines Corporation | Alerting to model degradation based on distribution analysis using risk tolerance ratings |
US11810013B2 (en) | 2019-11-14 | 2023-11-07 | International Business Machines Corporation | Systems and methods for alerting to model degradation based on survival analysis |
US11373056B2 (en) | 2019-11-22 | 2022-06-28 | International Business Machines Corporation | Context driven model selection |
US11892830B2 (en) | 2020-12-16 | 2024-02-06 | Uptake Technologies, Inc. | Risk assessment at power substations |
Family Cites Families (121)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US3045221A (en) * | 1958-01-22 | 1962-07-17 | Gen Atronics Corp | Monitoring device |
US3561237A (en) * | 1967-11-29 | 1971-02-09 | Westinghouse Electric Corp | Predictive gauge control method and apparatus for metal rolling mills |
US3767900A (en) * | 1971-06-23 | 1973-10-23 | Cons Paper Inc | Adaptive controller having optimal filtering |
FR2187919B1 (es) * | 1972-06-15 | 1974-10-25 | Bonvarite | |
US4060716A (en) * | 1975-05-19 | 1977-11-29 | Rockwell International Corporation | Method and apparatus for automatic abnormal events monitor in operating plants |
US4336595A (en) * | 1977-08-22 | 1982-06-22 | Lockheed Corporation | Structural life computer |
USRE31750E (en) | 1977-11-25 | 1984-11-27 | Ird Mechanalysis, Inc. | Data acquisition system |
US4215412A (en) * | 1978-07-13 | 1980-07-29 | The Boeing Company | Real time performance monitoring of gas turbine engines |
US4368510A (en) * | 1980-10-20 | 1983-01-11 | Leeds & Northrup Company | Automatic identification system for self tuning process controller |
US4480480A (en) * | 1981-05-18 | 1984-11-06 | Scott Science & Technology, Inc. | System for assessing the integrity of structural systems |
GB8317224D0 (en) * | 1983-06-24 | 1983-07-27 | Atomic Energy Authority Uk | Monitoring system |
US4707796A (en) * | 1983-10-19 | 1987-11-17 | Calabro Salvatore R | Reliability and maintainability indicator |
JPS6149297A (ja) * | 1984-08-17 | 1986-03-11 | ホーチキ株式会社 | 火災報知装置 |
FR2570182B1 (fr) * | 1984-09-13 | 1988-04-15 | Framatome Sa | Methode de validation de la valeur d'un parametre |
US4823290A (en) * | 1987-07-21 | 1989-04-18 | Honeywell Bull Inc. | Method and apparatus for monitoring the operating environment of a computer system |
US4773021A (en) * | 1987-07-31 | 1988-09-20 | General Electric Company | Adaptive model-based pressure control and method of resin cure |
KR970003823B1 (ko) * | 1987-09-11 | 1997-03-22 | 가부시끼가이샤 야스가와 덴끼 세이사꾸쇼 | 주기적 목표치에 최적하게 추종하는 제어방식 |
JPH01302402A (ja) | 1988-03-17 | 1989-12-06 | Toshiba Corp | プロセス最適化制御装置 |
US5251285A (en) * | 1988-03-25 | 1993-10-05 | Hitachi, Ltd. | Method and system for process control with complex inference mechanism using qualitative and quantitative reasoning |
US5025499A (en) * | 1988-04-13 | 1991-06-18 | Hitachi, Ltd. | Process control method and control system |
JP2717665B2 (ja) * | 1988-05-31 | 1998-02-18 | 株式会社豊田中央研究所 | 内燃機関の燃焼予測判別装置 |
US5003950A (en) * | 1988-06-15 | 1991-04-02 | Toyota Jidosha Kabushiki Kaisha | Apparatus for control and intake air amount prediction in an internal combustion engine |
US4985857A (en) * | 1988-08-19 | 1991-01-15 | General Motors Corporation | Method and apparatus for diagnosing machines |
US5088058A (en) * | 1988-08-26 | 1992-02-11 | Unisys Corporation | Apparatus and method for evaluating and predicting computer I/O performance using I/O workload snapshots for model input |
US4937763A (en) * | 1988-09-06 | 1990-06-26 | E I International, Inc. | Method of system state analysis |
US5309351A (en) * | 1988-10-27 | 1994-05-03 | Texas Instruments Incorporated | Communications, information, maintenance diagnostic and training system |
US5195046A (en) * | 1989-01-10 | 1993-03-16 | Gerardi Joseph J | Method and apparatus for structural integrity monitoring |
GB8902645D0 (en) * | 1989-02-07 | 1989-03-30 | Smiths Industries Plc | Monitoring |
DE4008560C2 (de) * | 1989-03-17 | 1995-11-02 | Hitachi Ltd | Verfahren und Vorrichtung zum Bestimmen einer Restlebensdauer eines Aggregats |
US5166873A (en) * | 1989-09-13 | 1992-11-24 | Yokogawa Electric Corporation | Process control device |
US5123017A (en) * | 1989-09-29 | 1992-06-16 | The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration | Remote maintenance monitoring system |
US5052630A (en) * | 1990-02-27 | 1991-10-01 | Mac Corporation | Method and apparatus to reduce material |
JPH0425357A (ja) * | 1990-05-18 | 1992-01-29 | Mitsubishi Electric Corp | 投入指示装置 |
US5113483A (en) * | 1990-06-15 | 1992-05-12 | Microelectronics And Computer Technology Corporation | Neural network with semi-localized non-linear mapping of the input space |
US5210704A (en) * | 1990-10-02 | 1993-05-11 | Technology International Incorporated | System for prognosis and diagnostics of failure and wearout monitoring and for prediction of life expectancy of helicopter gearboxes and other rotating equipment |
JP3100406B2 (ja) * | 1991-03-06 | 2000-10-16 | ジヤトコ・トランステクノロジー株式会社 | 工作機械の故障予知装置 |
US5481647A (en) * | 1991-03-22 | 1996-01-02 | Raff Enterprises, Inc. | User adaptable expert system |
US5680541A (en) * | 1991-12-16 | 1997-10-21 | Fuji Xerox Co., Ltd. | Diagnosing method and apparatus |
AU668370B2 (en) * | 1991-12-20 | 1996-05-02 | Snap-On Technologies, Inc. | Automotive service equipment expert system |
JP3136183B2 (ja) * | 1992-01-20 | 2001-02-19 | 株式会社日立製作所 | 制御方法 |
US5459675A (en) * | 1992-01-29 | 1995-10-17 | Arch Development Corporation | System for monitoring an industrial process and determining sensor status |
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 |
US5402333A (en) * | 1992-06-15 | 1995-03-28 | E. I. Du Pont De Nemours & Co., Inc. | System and method for improving model product property estimates |
US5285494A (en) * | 1992-07-31 | 1994-02-08 | Pactel Corporation | Network management system |
US5644463A (en) * | 1992-10-20 | 1997-07-01 | University Of Washington | Adaptive sequential controller with minimum switching energy |
JP3186866B2 (ja) * | 1992-11-20 | 2001-07-11 | 株式会社東芝 | 構造部材の劣化・損傷予測方法およびその予測装置 |
US5311562A (en) * | 1992-12-01 | 1994-05-10 | Westinghouse Electric Corp. | Plant maintenance with predictive diagnostics |
US5559710A (en) * | 1993-02-05 | 1996-09-24 | Siemens Corporate Research, Inc. | Apparatus for control and evaluation of pending jobs in a factory |
US5327349A (en) * | 1993-04-15 | 1994-07-05 | Square D Company | Method and apparatus for analyzing and recording downtime of a manufacturing process |
US5445347A (en) * | 1993-05-13 | 1995-08-29 | Hughes Aircraft Company | Automated wireless preventive maintenance monitoring system for magnetic levitation (MAGLEV) trains and other vehicles |
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 |
JP3169036B2 (ja) * | 1993-06-04 | 2001-05-21 | 株式会社日立製作所 | プラント監視診断システム、プラント監視診断方法および非破壊検査診断方法 |
US5421204A (en) * | 1993-06-08 | 1995-06-06 | Svaty, Jr.; Karl J. | Structural monitoring system |
JPH0713611A (ja) * | 1993-06-24 | 1995-01-17 | Hitachi Ltd | プロセスモデル評価装置およびプロセスモデル評価方法 |
US5539638A (en) * | 1993-08-05 | 1996-07-23 | Pavilion Technologies, Inc. | Virtual emissions monitor for automobile |
US5386373A (en) * | 1993-08-05 | 1995-01-31 | Pavilion Technologies, Inc. | Virtual continuous emission monitoring system with sensor validation |
US5822212A (en) * | 1993-08-06 | 1998-10-13 | Fanuc Ltd | Machining load monitoring system |
US5629878A (en) * | 1993-10-07 | 1997-05-13 | International Business Machines Corporation | Test planning and execution models for generating non-redundant test modules for testing a computer system |
US5446671A (en) * | 1993-10-22 | 1995-08-29 | Micron Semiconductor, Inc. | Look-ahead method for maintaining optimum queued quantities of in-process parts at a manufacturing bottleneck |
SE9304246L (sv) * | 1993-12-22 | 1995-06-23 | Asea Brown Boveri | Förfarande vid övervakning av multivariata processer |
US5566092A (en) * | 1993-12-30 | 1996-10-15 | Caterpillar Inc. | Machine fault diagnostics system and method |
US5420571A (en) * | 1994-01-11 | 1995-05-30 | Honeywell Inc. | Switch with end of life prediction capability |
US5500940A (en) * | 1994-04-25 | 1996-03-19 | Hewlett-Packard Company | Method for evaluating failure in an electronic data storage system and preemptive notification thereof, and system with component failure evaluation |
US5817958A (en) * | 1994-05-20 | 1998-10-06 | Hitachi, Ltd. | Plant monitoring and diagnosing method and system, as well as plant equipped with the system |
US5787000A (en) * | 1994-05-27 | 1998-07-28 | Lilly Software Associates, Inc. | Method and apparatus for scheduling work orders in a manufacturing process |
SE504401C2 (sv) * | 1994-06-02 | 1997-02-03 | Asea Atom Ab | Förfarande för att övervaka neutrondetektorer i kärnreaktor |
FR2721123B1 (fr) * | 1994-06-08 | 1996-09-06 | Digilog | Procédé et système pour l'estimation optimale non linéaire des processus dynamique en temps réel. |
US5586066A (en) * | 1994-06-08 | 1996-12-17 | Arch Development Corporation | Surveillance of industrial processes with correlated parameters |
JP3253450B2 (ja) * | 1994-06-21 | 2002-02-04 | 株式会社東芝 | 炉心性能推定装置および炉心性能推定方法 |
US5502543A (en) * | 1994-06-28 | 1996-03-26 | Xerox Corporation | System for collecting statistical data on remotely monitored machines |
US5486997A (en) * | 1994-08-04 | 1996-01-23 | General Electric Company | Predictor algorithm for actuator control |
US5446672A (en) * | 1994-08-09 | 1995-08-29 | Air Gage Company | Machine monitoring system |
US5596507A (en) * | 1994-08-15 | 1997-01-21 | Jones; Jeffrey K. | Method and apparatus for predictive maintenance of HVACR systems |
US5668944A (en) * | 1994-09-06 | 1997-09-16 | International Business Machines Corporation | Method and system for providing performance diagnosis of a computer system |
DE69515096T2 (de) * | 1994-10-18 | 2000-07-20 | Neles Controls Oy Helsinki | Verfahren und Vorrichtung zur Ermittlung eines Fehlers einer Steuerventilanordnung in einem Regelkreis |
US5657245A (en) * | 1994-11-09 | 1997-08-12 | Westinghouse Electric Corporation | Component maintenance system |
US5553239A (en) * | 1994-11-10 | 1996-09-03 | At&T Corporation | Management facility for server entry and application utilization in a multi-node server configuration |
US5671635A (en) * | 1994-11-14 | 1997-09-30 | Westinghouse Electric Corporation | Method and apparatus for monitoring of spring pack displacement of a motor-operated valve |
US5617342A (en) * | 1994-11-14 | 1997-04-01 | Elazouni; Ashraf M. | Discrete-event simulation-based method for staffing highway maintenance crews |
JPH08249133A (ja) * | 1994-12-15 | 1996-09-27 | Internatl Business Mach Corp <Ibm> | ディスク・ドライブ・アレイの故障対策の方法及びシステム |
JPH0973313A (ja) * | 1995-02-09 | 1997-03-18 | Matsushita Electric Ind Co Ltd | 製造計画立案方法および製造計画立案装置 |
US5710723A (en) * | 1995-04-05 | 1998-01-20 | Dayton T. Brown | Method and apparatus for performing pre-emptive maintenance on operating equipment |
US5600726A (en) * | 1995-04-07 | 1997-02-04 | Gemini Systems, L.L.C. | Method for creating specific purpose rule-based n-bit virtual machines |
US5612886A (en) * | 1995-05-12 | 1997-03-18 | Taiwan Semiconductor Manufacturing Company Ltd. | Method and system for dynamic dispatching in semiconductor manufacturing plants |
JPH08314530A (ja) * | 1995-05-23 | 1996-11-29 | Meidensha Corp | 故障予知装置 |
US5708780A (en) * | 1995-06-07 | 1998-01-13 | Open Market, Inc. | Internet server access control and monitoring systems |
US5764543A (en) * | 1995-06-16 | 1998-06-09 | I2 Technologies, Inc. | Extensible model network representation system for process planning |
US5774379A (en) * | 1995-07-21 | 1998-06-30 | The University Of Chicago | System for monitoring an industrial or biological process |
US5680409A (en) * | 1995-08-11 | 1997-10-21 | Fisher-Rosemount Systems, Inc. | Method and apparatus for detecting and identifying faulty sensors in a process |
US5663894A (en) * | 1995-09-06 | 1997-09-02 | Ford Global Technologies, Inc. | System and method for machining process characterization using mechanical signature analysis |
SE510029C2 (sv) * | 1995-10-03 | 1999-04-12 | Volvo Ab | Diagnossystem i ett driftsystem för motorer jämte en diagnosfunktionsmodul (DF-modul) i ett driftsystem för motorer |
US5946661A (en) * | 1995-10-05 | 1999-08-31 | Maxager Technology, Inc. | Method and apparatus for identifying and obtaining bottleneck cost information |
DE19537694A1 (de) * | 1995-10-10 | 1997-04-17 | Schenck Ag Carl | Verfahren zur Überwachung einer Maschine oder Anlage |
US5761090A (en) * | 1995-10-10 | 1998-06-02 | The University Of Chicago | Expert system for testing industrial processes and determining sensor status |
US5864773A (en) * | 1995-11-03 | 1999-01-26 | Texas Instruments Incorporated | Virtual sensor based monitoring and fault detection/classification system and method for semiconductor processing equipment |
US6029097A (en) * | 1996-02-02 | 2000-02-22 | Siemens Ag | Process and system for time control of a basic industry plant |
US5754451A (en) * | 1996-02-29 | 1998-05-19 | Raytheon Company | Preventative maintenance and diagonstic system |
JP3412384B2 (ja) * | 1996-03-13 | 2003-06-03 | 株式会社日立製作所 | 制御モデル構築支援装置 |
US5946662A (en) * | 1996-03-29 | 1999-08-31 | International Business Machines Corporation | Method for providing inventory optimization |
US5909368A (en) * | 1996-04-12 | 1999-06-01 | Fisher-Rosemount Systems, Inc. | Process control system using a process control strategy distributed among multiple control elements |
US6110214A (en) * | 1996-05-03 | 2000-08-29 | Aspen Technology, Inc. | Analyzer for modeling and optimizing maintenance operations |
JP3644129B2 (ja) * | 1996-05-20 | 2005-04-27 | ブラザー工業株式会社 | 切削加工装置およびその異常検出方法 |
US5764509A (en) * | 1996-06-19 | 1998-06-09 | The University Of Chicago | Industrial process surveillance system |
US5751580A (en) * | 1996-07-26 | 1998-05-12 | Chartered Semiconductor Manufacturing, Ltd. | Fuzzy logic method and system for adjustment of priority rating of work in process in a production line |
JPH1055497A (ja) * | 1996-08-09 | 1998-02-24 | Yazaki Corp | 故障予知方法、及びこれを用いた制御ユニット並びに負荷制御システム |
US5818716A (en) * | 1996-10-18 | 1998-10-06 | Taiwan Semiconductor Manufacturing Company Ltd. | Dynamic lot dispatching required turn rate factory control system and method of operation thereof |
US5956487A (en) * | 1996-10-25 | 1999-09-21 | Hewlett-Packard Company | Embedding web access mechanism in an appliance for user interface functions including a web server and web browser |
US5905989A (en) * | 1996-11-27 | 1999-05-18 | Bently Nevada Corporation | Knowledge manager relying on a hierarchical default expert system: apparatus and method |
US5913911A (en) * | 1997-02-14 | 1999-06-22 | Kuhlman Corporation | Method and apparatus for concentrating signals |
JP3507270B2 (ja) * | 1997-02-20 | 2004-03-15 | 株式会社日立製作所 | ネットワーク管理システム、ネットワーク機器、ネットワーク管理方法およびネットワーク管理ツール |
US5930779A (en) * | 1997-03-25 | 1999-07-27 | Mci Communications Corporation | Web based system and method to automate storage of power plant data and calculation of battery reserves |
KR100205691B1 (ko) * | 1997-04-29 | 1999-07-01 | 정순착 | 공정 제어용 혼성예측자 및 혼성 예측 방법 |
US6104965A (en) * | 1997-05-01 | 2000-08-15 | Motorola, Inc. | Control of workstations in assembly lines |
US5940298A (en) * | 1997-05-07 | 1999-08-17 | Vanguard International Semiconductor Corporation | Capacity loss control method for preventative maintenance in IC plant |
US5841677A (en) * | 1997-05-21 | 1998-11-24 | Taiwan Semiconductor Manufacturing Co., Ltd. | Method and apparatus for dispatching lots in a factory |
US5933818A (en) * | 1997-06-02 | 1999-08-03 | Electronic Data Systems Corporation | Autonomous knowledge discovery system and method |
US5950147A (en) * | 1997-06-05 | 1999-09-07 | Caterpillar Inc. | Method and apparatus for predicting a fault condition |
US6021396A (en) * | 1997-11-19 | 2000-02-01 | International Business Machines Corporation | Method to provide sensitivity information for (R,s,S) inventory systems with back-ordered demand |
US5987399A (en) * | 1998-01-14 | 1999-11-16 | Arch Development Corporation | Ultrasensitive surveillance of sensors and processes |
US6125351A (en) * | 1998-05-15 | 2000-09-26 | Bios Group, Inc. | System and method for the synthesis of an economic web and the identification of new market niches |
WO2000067412A2 (en) | 1999-04-30 | 2000-11-09 | Dryken Technologies | Method and system for nonlinear state estimation |
-
2001
- 2001-02-27 US US09/795,509 patent/US7233886B2/en not_active Expired - Lifetime
-
2002
- 2002-01-18 CA CA2433941A patent/CA2433941C/en not_active Expired - Fee Related
- 2002-01-18 WO PCT/US2002/001267 patent/WO2002057856A2/en active IP Right Grant
- 2002-01-18 ES ES02717347.5T patent/ES2575529T3/es not_active Expired - Lifetime
- 2002-01-18 JP JP2002558078A patent/JP4741172B2/ja not_active Expired - Fee Related
- 2002-01-18 EP EP02717347.5A patent/EP1360557B1/en not_active Expired - Lifetime
-
2008
- 2008-01-28 JP JP2008016827A patent/JP4850857B2/ja not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
US7233886B2 (en) | 2007-06-19 |
JP4741172B2 (ja) | 2011-08-03 |
CA2433941C (en) | 2012-12-11 |
JP2004524609A (ja) | 2004-08-12 |
CA2433941A1 (en) | 2002-07-25 |
EP1360557A2 (en) | 2003-11-12 |
US20020133320A1 (en) | 2002-09-19 |
JP2008171438A (ja) | 2008-07-24 |
EP1360557B1 (en) | 2016-03-30 |
EP1360557A4 (en) | 2005-08-17 |
JP4850857B2 (ja) | 2012-01-11 |
WO2002057856A3 (en) | 2002-09-12 |
WO2002057856A2 (en) | 2002-07-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
ES2575529T3 (es) | Modelización adaptativa de estados cambiados en la monitorización de condición predictiva | |
US6859739B2 (en) | Global state change indicator for empirical modeling in condition based monitoring | |
JP4436042B2 (ja) | 異常検出システム及びそれを教授する方法 | |
US10557719B2 (en) | Gas turbine sensor failure detection utilizing a sparse coding methodology | |
ES2688196T3 (es) | Procedimiento de monitorización de condición | |
ES2540859T3 (es) | Generador de señal inferencial para equipos y procedimientos instrumentados | |
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 | |
JP5081998B1 (ja) | 異常予兆診断装置及び異常予兆診断方法 | |
EP3422518B1 (en) | A method for recognizing contingencies in a power supply network | |
US10228994B2 (en) | Information processing system, information processing method, and program | |
US11657121B2 (en) | Abnormality detection device, abnormality detection method and computer readable medium | |
US10729382B2 (en) | Methods and systems to predict a state of the machine using time series data of the machine | |
KR20170125237A (ko) | 플랜트 이상 감지 시스템 및 방법 | |
EP3270250A1 (en) | Method and system for remote monitoring of power generation units | |
US11487266B2 (en) | Method for recognizing contingencies in a power supply network | |
CN110109428B (zh) | 一种用于实验室设备的险情监测系统 | |
ES2963926T3 (es) | Método para monitorización del estado de subsistemas dentro de una planta de generación renovable o microrred | |
US20230162484A1 (en) | Apparatus and method for generating learning data for artificial intelligence model | |
KR101876185B1 (ko) | 조기경보시스템에서 외부 영향을 고려한 최신 데이터 학습 방법 및 그 시스템 | |
Piety | Statistical algorithm for automated signature analysis of power spectral density data | |
KR20190131329A (ko) | 학습 데이터 생성 시스템 | |
ES2905141T3 (es) | Método para la monitorización de parques eólicos | |
WO2020183781A1 (ja) | 異常診断装置 | |
US20220138624A1 (en) | Time-series data processing method | |
AU2002248358B2 (en) | Adaptive modeling of changed states in predictive condition monitoring |