ES2627844T3 - Monitorización del estado de un sistema usando una máquina de aprendizaje local recurrente - Google Patents
Monitorización del estado de un sistema usando una máquina de aprendizaje local recurrente Download PDFInfo
- Publication number
- ES2627844T3 ES2627844T3 ES03781728.5T ES03781728T ES2627844T3 ES 2627844 T3 ES2627844 T3 ES 2627844T3 ES 03781728 T ES03781728 T ES 03781728T ES 2627844 T3 ES2627844 T3 ES 2627844T3
- Authority
- ES
- Spain
- Prior art keywords
- reference data
- data set
- observation
- similarity
- observations
- 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
- G05B17/00—Systems involving the use of models or simulators of said systems
- G05B17/02—Systems involving the use of models or simulators of said systems electric
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
- G05B13/0275—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using fuzzy logic only
-
- 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
- G05B23/0245—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 qualitative model, e.g. rule based; if-then decisions
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Feedback Control In General (AREA)
- Debugging And Monitoring (AREA)
- Hardware Redundancy (AREA)
Abstract
Un procedimiento de monitorización de estado de un sistema, que comprende: proporcionar un conjunto de datos de referencia (H) que comprende una pluralidad de observaciones aprendidas a partir de sensores de un sistema modelado que caracterizan el comportamiento dinámico del sistema modelado, en el que el conjunto de datos de referencia (H) es en forma de una matriz, con cada columna de la matriz que representa una observación y cada fila que representa valores de un solo sensor; proporcionar una observación actual con respecto al sistema modelado; comparar la observación actual con el conjunto de datos de referencia (H) utilizando un operador de similitud para obtener una puntuación de similitud para cada observación aprendida en el conjunto de datos de referencia (H); y si la puntuación de similitud para una observación aprendida está por encima de un umbral o es uno de un número predeterminado de las puntuaciones de similitud más altas en toda la observación aprendida, incluyendo aquellas observaciones aprendidas en un subconjunto de datos (D) del conjunto de datos de referencia (H); calcular un modelo del sistema basado en la observación actual y el subconjunto actual de datos (D) derivados del conjunto de datos de referencia (H), en el que el cálculo del modelo comprende generar un modelo de estimación que comprende un compuesto ponderado del subconjunto de datos (D), proporcionar una serie de observaciones actuales posteriores con respecto al sistema modelado; recalcular el modelo mediante la determinación adicional del subconjunto de datos (D) para cada nueva observación actual; y detectar la incipiencia de fallos en el sistema probando la estimación del modelo en contraste con la observación actual.
Description
DESCRIPCION
Monitorizacion del estado de un sistema usando una maquina de aprendizaje local recurrente Campo de la invencion
La presente invencion se refiere a un procedimiento y a un sistema para modelar un proceso, una pieza de equipo o 5 un sistema interrelacionado complejo. Mas particularmente, se refiere a la monitorizacion de la condicion y de la salud de equipos y a la monitorizacion del rendimiento del proceso para la deteccion temprana de fallos y desviaciones, en base al modelado no parametrico recurrente y a la estimacion del estado utilizando datos de ejemplo.
El documento US 2002/0128731 A1 divulga un sistema de vigilancia o control basado en un modelo emprnco 10 mejorado para monitorizar o controlar un proceso o maquina, que proporciona identificacion de transiciones entre estados operativos. Las estimaciones empmcas basadas en modelos, generadas en respuesta a la recepcion de parametros operativos reales, se comparan utilizando un operador de similitud global con los parametros reales para indicar si el proceso o maquina esta operando en un estado estable o esta en transicion desde un estado a otro.
El documento WO-A-02/35299 divulga un procedimiento para estimar y reducir las incertidumbres en las mediciones 15 del proceso. Una matriz de referencia contiene medidas validas que caracterizan la operacion de un proceso multivariado. Se derivan parametros de modelado de la matriz de referencia. Los parametros finales del modelo, equilibrados con respecto a las incertidumbres de medicion y modelado, se aplican para modelar un nuevo conjunto de mediciones. Si el nuevo conjunto no tiene fallos, todos los valores modelados e incertidumbres de modelado se pueden usar para controlar el proceso. Si el nuevo conjunto tiene solo un fallo, el valor modelado y la incertidumbre 20 de modelado de la medicion con fallo mas los valores medidos y las incertidumbres de medicion de las mediciones no impuestas se pueden usar para controlar el proceso mientras se implementan procedimientos de reparacion para el fallo identificado. Si el nuevo conjunto tiene mas de un fallo, entonces el proceso debe apagarse, y procedimientos de reparacion deben ser implementados para todos los fallos identificados.
Sumario de la invencion
25 De acuerdo con la presente invencion, se proporciona un procedimiento de monitorizacion de estado de un sistema como se establece en la reivindicacion 1.
La presente invencion tambien proporciona un aparato para monitorizar el estado del sistema segun se establece en la reivindicacion 20.
Caractensticas opcionales se exponen en las reivindicaciones dependientes.
30 Breve descripcion de los dibujos
La figura 1 es un diagrama de flujo del proceso para la monitorizacion de la salud del equipo utilizando el modelo de una realizacion de la invencion;
La figura 2 muestra un diagrama para la adaptacion en ventana en un modelo de acuerdo con una realizacion de la invencion; y
35 La figura 3 muestra un diagrama de bloques de un sistema de acuerdo con una realizacion de la invencion para
monitorizar la salud del equipo.
Descripcion detallada de las realizaciones preferidas
A continuacion, se describe un procedimiento y un aparato de modelacion multivariable no parametrica emprnca para el modelado de estado de un sistema complejo, tal como un equipo, procesos o similares, y proporciona 40 monitorizacion de la salud del equipo, optimizacion del rendimiento del proceso y categorizacion del estado. En una maquina, proceso u otro sistema complejo que puede caracterizarse por datos procedentes de sensores u otras mediciones, el procedimiento de modelado comprende adquirir primero observaciones de datos de referencia de los sensores o mediciones representativas de la maquina, proceso o sistema y luego calcular el modelo desde una combinacion de los datos representativos con una observacion actual de los mismos sensores o mediciones. El 45 modelo se recalcula con cada nueva observacion del sistema modelado. La salida del modelo es una estimacion de al menos un sensor, medida u otro parametro de clasificacion o calificacion que caracteriza el estado del sistema modelado.
Por consiguiente, para la monitorizacion de la salud del equipo, el modelo proporciona estimaciones para uno o mas sensores en el equipo, que pueden compararse con los valores realmente medidos de esos sensores para detectar 50 una desviacion indicativa de un modo de fallo incipiente. Alternativamente, el modelo puede estimar un parametro de rendimiento que se puede utilizar para optimizar un proceso, indicando como cambia ese parametro de rendimiento con cambios controlables en entradas del proceso. La estimacion proporcionada por el modelo puede incluso, mediante una salida logica o cualitativa que designa el estado del sistema modelado, como en una aplicacion de
5
10
15
20
25
30
35
40
45
50
55
control de calidad o una aplicacion medica de clasificacion de enfermedad.
Ventajosamente, el procedimiento de modelado emplea modelado basado en similitud, en el que la estimacion del modelo comprende un compuesto ponderado de las observaciones mas similares en los datos de referencia en la observacion actual. El modelo emplea la regularizacion matricial para controlar contra salidas mal acondicionadas, por ejemplo, estimaciones que conducen a valores enormes o poco realistas, que son inutiles en las aplicaciones del modelo. Para aplicaciones en las que el tamano de los datos de referencia es grande, o el tiempo de muestreo de las observaciones (y, por lo tanto, la necesidad de estimaciones del modelo) es rapido, la observacion actual puede ser indexada en un dominio de subconjunto o subconjunto difuso de los datos de referencia utilizando una comparacion de la observacion actual con un vector de referencia, para un calculo mas rapido de la estimacion.
El aparato descrito comprende una memoria para almacenar los datos de referencia; unos medios de entrada tal como un bus de datos en red o un convertidor analogico a digital conectado directamente a sensores, para recibir observaciones actuales; una unidad de procesamiento para calcular la estimacion del modelo en respuesta a la recepcion de la observacion actual; y medios de salida tales como una interfaz grafica de usuario para informar de los resultados del modelado. El aparato descrito comprende ademas un modulo de software para emitir las estimaciones del modelo a otros modulos de software para tomar medidas basadas en las estimaciones.
El procedimiento de modelado de una realizacion de la presente invencion se puede usar en la monitorizacion de la condicion del equipo, donde el modelo estima las lecturas del sensor en respuesta a las lecturas actuales, y las estimaciones y las lecturas reales se comparan para detectar y diagnosticar cualquier problema de salud del equipo. El procedimiento de modelado tambien se puede extender para su uso en la clasificacion de un sistema caracterizado por variables o caractensticas observadas, donde la salida del modelo puede ser una estimacion de un parametro usado para clasificar. Generalmente, se describira una realizacion de la invencion con respecto a la monitorizacion de la salud del equipo.
Un conjunto de datos de referencia de observaciones desde sensores u otras variables del sistema modelado comprende un numero suficiente de observaciones para caracterizar el sistema modelado a traves de toda la dinamica de ese sistema que se anticipan con fines de modelizacion. Por ejemplo, en el caso de monitorizar una turbina de combustion de gas para la salud del equipo y la deteccion de fallos incipientes, puede ser suficiente obtener de 500 a 10.000 observaciones a partir de un conjunto de 20-80 sensores de temperatura, flujo y presion en la turbina, a lo largo de todo el intervalo operacional de la turbina, y a lo largo de todos los cambios ambientales (estaciones) si la turbina se encuentra fuera. Como otro ejemplo de monitorizacion de la salud del equipo, 10-20 sensores en un motor a chorro pueden usarse para obtener 50-100 observaciones de operacion de despegue o modo de crucero para proporcionar un modelado adecuado. En caso de que no se disponga de todos estos datos por adelantado (por ejemplo, operacion afectada estacionalmente), el conjunto de referencia puede aumentarse con las observaciones actuales.
Las observaciones pueden comprender tanto datos de sensores del mundo real como otros tipos de mediciones. Tales mediciones pueden incluir datos estadfsticos, tales como estadfsticas de trafico de la red; informacion demografica; o recuento de celulas biologicas, por nombrar algunos. Mediciones cualitativas tambien pueden usarse, tales como opiniones muestreadas, valoraciones subjetivas, etc. Todo lo que se requiere de los tipos de entrada utilizados es que esten relacionados de alguna manera a traves de la ffsica, la mecanica o la dinamica del sistema que se esta modelando (o son sospechosos de serlo), y en conjunto representa "estados" que puede asumir el sistema modelado.
Con referencia a la figura 1, en una realizacion de la invencion, el conjunto de observaciones de referencia se forma en una matriz, denominada H para los propositos del presente documento, en una etapa 102 tfpicamente con cada columna de la matriz que representa una observacion, y cada fila que representa valores desde un unico sensor o medicion. El ordenamiento de las columnas (es decir, las observaciones) en la matriz no es importante, y no hay ningun elemento de causalidad o progresion temporal inherente en el procedimiento de modelado. El orden de las filas tampoco es importante, solo que las filas se mantengan en su correspondencia con los sensores durante todo el proceso de modelado, y que las lecturas de un solo sensor aparezcan en una fila dada. Esta etapa 102 se produce como parte de la configuracion del sistema de modelado y no se repite necesariamente durante la operacion en lmea.
Despues de montar un conjunto H suficientemente caractenstico de observaciones de datos de referencia para el sistema modelado, se puede realizar el modelado. El modelado da como resultado la generacion de estimaciones en respuesta a la adquisicion o introduccion de una observacion de tiempo real o actual o de prueba, como se muestra en la etapa 107, cuyas estimaciones pueden ser estimaciones de sensores o parametros no sensores del sistema modelado o estimaciones de clasificaciones o cualificaciones distintivas del estado del sistema. Estas estimaciones pueden usarse para una variedad de propositos de modelado utiles, como se describe a continuacion.
La generacion de estimaciones de acuerdo con el procedimiento de modelado de una realizacion comprende dos etapas principales despues de adquirir la entrada en 107. En la primera etapa 118, la observacion actual se compara con los datos de referencia H para determinar un subconjunto de observaciones de referencia desde H que tiene una relacion o afinidad particular con la observacion actual, con la que constituir una matriz mas pequena, designada
5
10
15
20
25
30
35
40
45
D para los propositos del presente documento. En la segunda etapa 121, la matriz D se utiliza para calcular una estimation de al menos una caracteristica de parametro de salida del sistema modelado en base a la observation actual. En consecuencia, puede entenderse que la estimacion de modelo Yest es una funcion de la observacion de entrada de corriente Yin y la matriz D de corriente, derivada de H:
y„,=d.w (i)
N
Z&u)
W=i
W = (dt ®d)'*{dt ®Y„) (3)
S = f(h,Y„) (4)
donde el vector Yest de los valores estimados para los sensores es igual a las contribuciones desde cada una de las instantaneas de valores de sensor contemporaneas dispuestas para comprender la matriz D. Estas contribuciones se determinan mediante el vector de ponderacion W. La operation de multiplication es el operador de multiplication estandar de matriz/vector, o producto interno. El operador de similitud se simboliza en la Ecuacion 3, anterior, como el tirculo con la "X" dispuesta en el mismo. Tanto la operacion de similitud de la Ecuacion 3 como la determination F de pertenencia que comprende D a partir de H y la observacion de entrada Yin se describen a continuation.
Como se ha indicado anteriormente, el simbolo 0 representa el operador de "similitud", y podria ser elegido potencialmente a partir de una variedad de operadores. En el contexto de la realization, este simbolo no debe confundirse con el significado normal de la designation de 0, que es otra cosa. En otras palabras, para los propositos de la presente realizacion, el significado de 0 es el de una operacion de "similitud".
El operador de similitud, 0, funciona como operaciones de multiplicacion de matrices regulares, en una base de fila a columna, y da como resultado una matriz que tiene tantas filas como el primer operando y tantas columnas como el segundo operando. La operacion de similitud produce un valor escalar para cada combination de una fila del primer operando y una columna del segundo operando. Una operacion de similitud que se ha descrito anteriormente implica tomar la relation de elementos correspondientes de un vector de fila desde el primer operando y un vector de columna del segundo operando, e indices de inversion mayores que uno, y promediar todas las relaciones, las cuales para elementos normalizados y positivos siempre produce un valor de similitud fila/columna entre cero (muy diferente) y uno (identico). Por lo tanto, si los valores son identicos, la similitud es igual a uno, y si los valores son groseramente desiguales, la similitud se acerca a cero.
Otro ejemplo de un operador de similitud que se puede usar determina una similitud elemental entre dos elementos correspondientes de dos vectores de observacion o instantaneas, restando de una cantidad la diferencia absoluta de los dos elementos en el numerador, y el intervalo esperado para los elementos en el denominador. El intervalo esperado puede determinarse, por ejemplo, por la diferencia de los valores maximo y mmimo para ese elemento que se encuentra a traves de todos los datos de la biblioteca de referencia H. La similitud de vectores se determina entonces promediando las similitudes elementales.
En aun otro operador de similitud que puede utilizarse en una realizacion de la presente invention, la similitud de vectores de dos vectores de observacion es igual a la inversa de la cantidad de uno mas la magnitud de la distancia euclidea entre los dos vectores en un espacio de n dimensiones, donde n es el numero de elementos en cada observacion, es decir, el numero de sensores que se observan. Por lo tanto, la similitud alcanza un valor mas alto de uno cuando los vectores son identicos y estan separados por una distancia cero, y disminuye a medida que los vectores se vuelven cada vez mas distantes (diferentes).
Otros operadores de similitud son conocidos o pueden conocerse por los expertos en la tecnica y pueden emplearse en las realizaciones de la presente invencion como se describe en el presente documento. La recitation de los operadores anteriores es ejemplar y no pretende limitar el alcance de la invencion. En general, las siguientes directrices ayudan a definir un operador de similitud para su uso en una realizacion de la invencion como en la ecuacion 3 anterior y en cualquier otro lugar descrito en el presente documento, pero no pretenden limitar el alcance de la invencion:
1. La similitud es un intervalo escalar, acotado en cada extremo.
2. La similitud de dos entradas identicas es el valor de uno de los extremos acotados.
3. El valor absoluto de la similitud aumenta a medida que las dos entradas se aproximan, siendo identicas.
5
10
15
20
25
30
35
40
45
50
55
En consecuencia, por ejemplo, un operador de similitud eficaz para uso en una realization de la presente invention puede generar una similitud de diez (10) cuando las entradas son identicas, y una similitud que disminuye hacia cero a medida que las entradas se vuelven mas diferentes. Alternativamente, se puede utilizar un sesgo o una traslacion, de modo que la similitud es 12 para entradas identicas, y disminuye hacia 2 a medida que las entradas se vuelven mas diferentes. Ademas, se puede usar un escalado, de manera que la similitud es 100 para entradas identicas, y disminuye hacia cero con una diferencia creciente. Ademas, el factor de escalado tambien puede ser un numero negativo, de manera que la similitud para entradas identicas es -100 y se aproxima a cero desde el lado negativo con una diferencia creciente de las entradas. La similitud puede hacerse para los elementos de dos vectores que se comparan, y se suman o de otra manera se combinan estadisticamente para producir una similitud vector a vector general, o el operador de similitud puede operar sobre los propios vectores (como en distancia euclidea).
Significativamente, una realizacion de la presente invencion puede usarse para monitorizar variables en un modo autoasociativo o un modo inferencial. En el modo autoasociativo, las estimaciones del modelo se hacen de variables que tambien comprenden entradas al modelo. En el modo inferencial, se hacen estimaciones de modelos de variables que no estan presentes en la entrada al modelo. En el modo inferencial, la Ecuacion 1 anterior se convierte en:
y,„=D,„.W (5)
>£=(a/®a, (6)
donde la matriz D ha sido separada en dos matrices Din y Dout, segun las que las filas son entradas y las filas son salidas, pero se mantiene la correspondencia de la columna (observation).
Un aspecto clave de una realizacion es que D se determina de forma recurrente con cada nueva observacion de entrada, a partir del superconjunto de observaciones H aprendidas que caracterizan el comportamiento dinamico del sistema modelado. Al hacerlo, se usan ejemplares suficientemente relevantes u observaciones aprendidas para caracterizar el comportamiento modelado en la vecindad de la observacion actual, pero el modelo evita el sobreajuste indebido, asi como el tiempo computacional poco practico. La determination de pertenencia a D de acuerdo con una realizacion se logra relacionando la observacion de entrada actual con las observaciones en H, y cuando existe una relation suficiente, esa observacion aprendida de H se incluye en D, de lo contrario, no se incluye en D para propositos de procesamiento de la observacion de entrada actual.
De acuerdo con una realizacion de la invencion, la observacion de entrada se compara con ejemplares en H usando la operation de similitud para obtener una puntuacion de similitud para cada comparacion, denominada "similitud global" para los propositos del presente documento. Si la similitud global resultante esta por encima de un cierto umbral, o es una de las x mayores de estas similitudes globales en todos los ejemplares en H, la observacion ejemplar o aprendida se incluye en D. Para un operador de similitud que muestra puntuaciones de similitud entre cero (diferente) y uno (identica), un umbral tipico puede ser de 0,90 o superior, a modo de ejemplo. Sin embargo, la election del umbral dependera de la naturaleza de la aplicacion y, especialmente, del numero de ejemplares del conjunto H. En el caso de que se usen las similitudes x mas altas para determinar la pertenencia a D, no es raro que se use en algun lugar en el intervalo de 5 a 50 ejemplares en D, incluso cuando se selecciona de un conjunto H que puede tener un numero enorme de ejemplares, tal como 100.000. Se puede usar un hibrido de umbral y conteo para determinar la pertenencia a D, por ejemplo, usando un umbral para inclusion, pero requiriendo que D contenga no menos de 5 ejemplares y no mas de 25.
Es importante destacar que no todos los elementos de las observaciones necesitan ser utilizados para determinar la similitud global. Determinadas variables o sensores pueden considerarse mas dominantes en la fisica del sistema monitorizado y pueden ser la base para determinar la pertenencia de D, realizando el calculo de similitud global unicamente en un subvector que comprende los elementos de cada una de las observaciones actuales y cada observacion aprendida. A modo de ejemplo, en un modelo inferencial, en el que la observacion de entrada tiene diez (10) valores de sensor, y la salida del modelo es una estimation para cinco (5) valores de sensor adicionales no entre las entradas, la similitud global puede calcularse utilizando un subvector del vector de entrada y las observaciones aprendidas que comprenden solo los valores de los sensores 1°, 2°, 5° y 7°, aunque la estimacion de las 5 salidas se realizara utilizando las 10 entradas. La selection de los sensores de entrada en los que se puede confiar para determinar la similitud global para constituir la pertenencia a la matriz D se puede realizar utilizando el conocimiento del dominio, o puede determinarse a partir del error cuadratico medio de la raiz minima entre los valores reales y las estimaciones producidas por el modelo cuando se prueba contra un conjunto de datos de prueba (no parte del conjunto H) que caracteriza el comportamiento normal del sistema, entre otros procedimientos.
En una alternativa al uso de la similitud global, la pertenencia a D se puede determinar examinando una o mas variables en un nivel elemental e incluyendo ejemplares de H que tienen valores elementales que se ajustan a un intervalo o que se ajustan a algun otro criterio para uno o mas elementos. Por ejemplo, en el modelo fantastico de 10 entradas y 5 salidas mencionado anteriormente, D podria comprender ejemplares de H con los 5 valores mas cercanos para el 1er sensor al mismo valor de sensor para la observacion actual, el 5 valor mas cercano para 2° sensor, el 5 mas cercano para el 5° sensor y el 5 mas cercano para el 7° sensor, de manera que D tenga como
5
10
15
20
25
30
35
40
45
50
55
60
maximo 20 vectores de H (aunque posiblemente menos si se repiten algunos). Observese que esto es diferente de la similitud global en que una observacion aprendida puede incluirse en D unicamente porque tiene un valor de coincidencia cercano en un sensor m-esimo, independientemente del resto de sus valores de sensor.
En una realizacion preferida, el examen a un nivel elemental para pertenecer a D se puede realizar sobre variables que, de hecho, no comprenden entradas al modelo, sino que son, sin embargo, valores de sensor o mediciones disponibles desde el sistema con cada observacion de los otros sensores en el modelo. Una circunstancia particularmente importante cuando esto puede ser util es con variables de condiciones ambientales, tales como la temperatura del aire ambiente o la presion barometrica ambiente. Tales variables ambientales, aunque no necesariamente sirven como entradas para un modelo dado, pueden ser aproximaciones para condiciones generales que afectan a las interrelaciones de los otros valores de sensor que estan en el modelo. En consecuencia, el uso de variables ambientales para determinar la pertenencia a D de ejemplares seleccionados de H puede ser una buena forma de proporcionar una matriz D con ejemplos relevantes a la variacion estacional. Por ejemplo, en una aplicacion para monitorizar la salud del motor de una locomotora, pueden usarse una variedad de parametros del motor (por ejemplo, flujo de combustible, temperatura de los gases de escape, presion turbo, etc.) para modelar el comportamiento del motor y la temperatura ambiente puede utilizarse como una variable ambiente para seleccionar las observaciones de H para D. La temperatura ambiente es una aproximacion para las condiciones meteorologicas que afectan a como todos los otros parametros pueden interrelacionarse a cualquier temperatura dada. H contiene idealmente datos historicos del rendimiento normal del motor, para todos los intervalos de temperaturas, desde debajo de la congelacion en invierno, a temperaturas sofocantes de un verano del desierto. Ejemplos de H (procedentes de todo este intervalo de temperatura) se pueden seleccionar para una matriz D particular si la temperatura ambiente del ejemplo es uno de los x valores mas cercanos a la temperatura ambiente de la lectura de entrada de corriente. Observese que al calcular las estimaciones del modelo por las ecuaciones 1-4 anteriores, la temperatura ambiente no sena necesariamente una entrada o una salida.
En una realizacion preferida, se utiliza en combinacion un hnbrido de la seleccion de datos variables ambientales y uno de la similitud global o prueba elemental para inclusion. Asf, por ejemplo, se puede usar la temperatura ambiente para seleccionar de un superconjunto de H que tiene 100.000 observaciones aprendidas que cubren temperaturas desde muy por debajo de la congelacion hasta mas de 100 grados Fahrenheit (37,7 grados centfgrados), un subconjunto de 4000 observaciones para comprender un conjunto intermedio H', con 4000 observaciones y aquellas dentro de +/- 5 grados a partir de la temperatura ambiente actual. Este subconjunto intermedio H’ puede usarse entonces sin alteracion durante varias horas de datos de entrada (durante los cuales la temperatura ambiente no ha cambiado significativamente), para generar repetidamente una matriz D de, digamos, 30 vectores seleccionados entre los 4000 por medio de similitud global para cada observacion de entrada. De esta manera, la observacion actual puede modelarse de cerca sobre la base de las caractensticas de rendimiento del sistema en ese momento, dentro del marco de un conjunto de datos seleccionados para ajustarse a las condiciones ambientales. Esto reduce el tiempo computacional (evitando procesar todas las 100.000 observaciones en H), evita el sobreajuste y proporciona un modelado de alta fidelidad ajustado a las condiciones en las que se encuentra el equipo monitorizado.
Otra forma de determinar la pertenencia a D implica un uso modificado de similitud global, para mejorar la velocidad computacional de esta etapa. En consecuencia, un vector de referencia, que puede ser uno de los ejemplares en H, se compara primero con todas las observaciones aprendidas para generar una similitud global para cada comparacion. Esto se puede hacer antes de que se inicie la monitorizacion en lmea, y se debe hacer solo una vez, por adelantado. Entonces, durante la monitorizacion de la observacion actual se compara con ese vector de referencia usando similitud global, en lugar de comparar la observacion actual con todas las observaciones aprendidas en H. La puntuacion de similitud global resultante se compara entonces con las similitudes globales calculadas del vector de referencia respecto a las observaciones aprendidas en H, y las n puntuaciones mas cercanas indican las observaciones aprendidas para incluir en D; o alternativamente, esas similitudes globales dentro de ciertos lfmites alrededor de la similitud global de la observacion actual, indican las observaciones aprendidas a incluir en D.
De acuerdo con otra forma de determinar la pertenencia a D, el conjunto de referencia de observaciones aprendidas en H se agrupa utilizando un procedimiento de agrupacion en un numero finito de agrupaciones. En tiempo real, se analiza la observacion actual para determinar a que agrupacion pertenece, y las observaciones aprendidas en ese grupo se extraen para constituir la matriz D. Todas las observaciones aprendidas en la agrupacion se pueden incluir, o se puede incluir un subconjunto muestreado de las mismas para mantener el tamano de D manejable si la agrupacion contiene demasiados vectores. El subconjunto se puede muestrear al azar, o se puede muestrear usando un procedimiento de muestreo "caracterizado" como se describe mas adelante en este documento.
Para seleccionar las agrupaciones para el algoritmo de agrupacion, se pueden seleccionar vectores de semilla de H. Un vector se convierte en una semilla para una agrupacion basado en contener un valor maximo o mmimo para un sensor a traves de todos los valores de ese sensor en H. Una tecnica de agrupacion que se puede utilizar agrupacion C-means difusa, que se derivo de Hard C-Means (HCM). Por consiguiente, los vectores en H pueden tener pertenencia parcial en mas de una agrupacion. La agrupacion C-Means difusa (FCM) minimiza la funcion objetivo:
5
10
15
20
25
30
35
Donde X = (x1, x2, xn) es n vectores de muestras de datos (las observaciones aprendidas en H), U es una partition de X en la parte c, V = (v1, v2, ..., vC) son centros de agrupacion en Rv (sembrado como se menciono anteriormente a partir de observaciones reales en H), uik se conoce como el grado de pertenencia de xk al grupo i, en este caso el miembro de uik es 0 o 1 , y d2(xk, vi) es una norma inducida por el producto interno en Rv:
d(xk>v,) = ’>j(xt-vl)T(xt-vl) (8)
El problema consiste en determinar la pertenencia uik apropiada, que se realiza a traves de la determination iterativa para la convergencia de:
donde c es el numero de agrupaciones. Los uik se seleccionan al azar inicialmente sujetos a las restricciones:
0 < Uik < 1, para 1 <i<C, 1 <k<,Tl
n
0 < Uik < n, para 1 < i < c
Jfc=1 c
2] Uik - l, para 1 < k < n
j=i
(11)
(12)
(13)
Durante la monitorizacion, la observation de entrada se compara usando similitud global, distancia eucKdea, o similar, a los centros de agrupacion v, para determinar con que agrupacion la observacion de entrada esta mas relacionada. La matriz D se constituye entonces a partir de la agrupacion identificada. Se determina que una agrupacion es aquellos vectores en H que tienen una pertenencia difusa uik que esta por encima de un cierto umbral, tipicamente 0,70 (pero depende de la aplicacion y de la disponibilidad de datos en h). Por lo tanto, una observacion particular en H podria pertenecer a mas de una agrupacion. La agrupacion en H que coincide con la observacion de entrada se puede utilizar en su totalidad para D, o puede seleccionarse para comprender D, usando cualquiera de los otros procedimientos descritos en el presente documento. Por lo tanto, la agrupacion difusa de c-means puede utilizarse para reducir el numero de vectores en H que deben analizarse con algun otro procedimiento para su inclusion en D, como la similitud global, como ahorro computacional.
Un aspecto importante adicional de una realization es la adaptation del modelo. Especialmente para la monitorizacion de la salud del equipo (pero tambien para otras aplicaciones) es critico para el uso practico mantener el modelo ajustado con cambios lentos y aceptables al sistema modelado subyacente. Cuando se monitoriza el equipo, se asume un envejecimiento agraciado, y no debe convertirse en una fuente de alertas de salud. Por lo tanto, el modelo debe adaptarse a traves del tiempo al envejecimiento gradual y al asentamiento del equipo monitorizado, y no generar resultados que sugieran que se esta detectando un fallo accionable.
La adaptacion se puede realizar en una realizacion de varias maneras. De acuerdo con una primera manera, llamada para propositos en el presente documento adaptacion "fuera de rango", ciertas variables monitorizadas del sistema se consideran controladores o variables independientes y cuando toman valores fuera de los intervalos hasta ahora observados en el conjunto H de ejemplares, entonces la observacion actual no es alertada, sino mas bien se anade al conjunto H, ya sea por adicion o por sustitucion. De esta manera, cuando una variable de controlador pasa a una nueva alta o una nueva baja, el modelo incorpora la observacion como parte del comportamiento modelado normal, en lugar de generar una estimation que con toda probabilidad es diferente de la observacion actual. El inconveniente de esta adaptacion fuera de intervalo es doble: (1) no todas las variables pueden considerarse conductoras y, por lo tanto, causan una adaptacion fuera de rango y, por lo tanto, existe una
5
10
15
20
25
30
35
40
45
50
55
60
tecnica espedfica de la aplicacion para determinar que variables utilizar; y (2) existe la posibilidad de que un evento fuera de rango sea de hecho una evidencia inicial de una falla incipiente, y el modelo no puede ahora identificar tan facilmente el fallo con respecto a la primera preocupacion, las variables ambientales suelen ser, por regla general, buenos candidatos para la adaptacion fuera de rango. Para la segunda preocupacion, una realizacion preferida de la invencion no permite n adaptaciones sucesivas fuera de rango, donde n esta tfpicamente en el intervalo de 2 y superior, dependiendo de la velocidad de muestreo de la adquisicion de datos.
Normalmente, la adaptacion fuera de rango es aditiva a la matriz H, en lugar de reemplazar ejemplares en H. De acuerdo con otro tipo de adaptacion que se puede emplear en paralelo con la adaptacion fuera de rango, se anaden vectores a H que se producen en una ventana de observaciones retrasada por un cierto desajuste de la observacion actual, y estas adiciones reemplazan a los ejemplares mas antiguos en H. Por lo tanto, H es una pila de primero en entrar, primero en salir y finalmente es devuelta enteramente con observaciones actualizadas, siguiendo asf el envejecimiento agraciado del equipo monitorizado. El desplazamiento es necesario para que no se aprendan las observaciones que incluyen el desarrollo de fallos, y la eleccion del tamano del retardo es en gran medida una funcion de la aplicacion, la tasa de muestreo de datos y la naturaleza de los fallos esperados y como se manifiestan.
Volviendo a la figura 2, este procedimiento de adaptacion de ventana en movimiento se puede comprender mejor a la vista de una lmea de tiempo 206 de observaciones de corriente secuencial que esta siendo monitorizada. La monitorizacion comienza en la etapa de tiempo 210. Se ha montado una biblioteca de referencia H de observaciones aprendidas 213 a partir de la operacion normal previa del equipo monitorizado. La observacion actual en tiempo real 220 esta siendo monitorizada actualmente. Se extrae una ventana de observaciones pasadas 225 para proporcionar ejemplares actualizados a la biblioteca de referencia H 213, que puede o no emplear un esquema de sustitucion mediante el que se eliminan ejemplares mas antiguos de la biblioteca 213. La ventana 225 se mueve hacia adelante con la lmea de tiempo 206, con una separacion de retardo 230 a partir de la observacion actual 220. Si se detectan fallos en las observaciones que entran en el borde delantero de la ventana 225, hay dos alternativas para evitar adaptarse al fallo de desarrollo. Primero, las observaciones falladas pueden marcarse para no adaptarse. En segundo lugar, la adaptacion en ventanas se puede desactivar hasta que se resuelva el fallo. Al resolver el fallo, la ventana se reiniciana comenzando con datos "normales" mas alla (en el tiempo) del evento de resolucion de fallos.
Las observaciones en la ventana 225 se pueden muestrear para su adicion a la biblioteca 213, o se pueden anadir todas. Los procedimientos para muestrear un subconjunto de observaciones para agregar a la biblioteca 213 incluyen muestreo aleatorio; muestreo periodico; y muestreo, en el que se extrae el conjunto de observaciones en la ventana 225 para aquellas observaciones que caracterizan la dinamica de la operacion a traves de la ventana. Por ejemplo, una forma es recoger aquellas observaciones que contienen un valor mas alto o un valor mas bajo para cualquiera de los sensores en las observaciones a lo largo de la ventana, opcionalmente aumentadas con observaciones que tienen valores de sensor que cubren el intervalo de sensores) a valores igualmente separados (por ejemplo, para un intervalo de temperaturas de 50-100 grados, vectores de recogida a 60, 70, 80 y 90, asf como los extremos de 50 y 100).
Volviendo a la figura En la figura 3, el uso del modelado de una realizacion de la presente invencion se describe en el contexto de un aparato completo para realizar la monitorizacion de la salud del equipo. Una biblioteca 304 de referencia H se almacena en memoria, tfpicamente memoria de lectura/escritura de unidad de disco permanente, y comprende observaciones aprendidas que caracterizan la dinamica operativa anticipada del equipo monitorizado en operacion normal sin fallos. Los datos adquiridos o suministrados desde los sensores u otros sistemas de medicion en el equipo se proporcionan para la monitorizacion activa a un conjunto de modulos 307 de acondicionamiento previo, incluyendo limpieza de datos, extraccion de caractensticas y descomposicion de senal compleja. La limpieza de datos incluye el filtrado de espigas, suavizado con filtros o curvas, y otras tecnicas conocidas en la tecnica. La extraccion de caractensticas puede incluir extraccion de caractensticas espectrales y traslacion de valores de datos analogicos en clases u otros sfmbolos numericos, como se conoce en la tecnica. Para sensores tales como acusticos y de vibracion, la descomposicion de senal compleja es una forma de extraccion de caractensticas en la que se proporcionan pseudosensores a partir de las caractensticas espectrales de estas senales complejas, y pueden ser componentes FFT como senales, o subbandas.
Los datos preacondicionados se suministran entonces al modulo 311 selector D y al generador 315 estimador. El modulo 311 selector D emplea las tecnicas mencionadas anteriormente para comparar la observacion de corriente (preacondicionada) con los ejemplares de la biblioteca 304, para seleccionar un subconjunto que comprende la matriz D. El generador de estimacion utiliza la matriz D y la observacion actual para generar una estimacion para los sensores que describen la salud del equipo de acuerdo con las Ecuaciones 1 a 4 anteriores. Las estimaciones se proporcionan junto con la observacion actual a un modulo 320 de pruebas estadfsticas que se describe a continuacion. El proposito del modulo de pruebas estadfsticas es probar la estimacion en contraste con las lecturas actuales de corriente para detectar la posibilidad de fallos en el equipo. Los valores o parametros estimados del sensor se comparan utilizando una tecnica de decision con los valores reales del sensor o parametros que se recibieron a partir del proceso o la maquina monitorizados. Dicha comparacion tiene el proposito de proporcionar una indicacion de una discrepancia entre los valores reales y los valores esperados que caracterizan el estado operativo del proceso o maquina. Tales discrepancias son indicadores de fallo de sensor, incipiente trastorno de proceso, desviacion de objetivos de proceso optimos, fallo mecanico incipiente, etc.
5
10
15
20
25
30
35
40
45
Las estimaciones y lecturas actuales tambien estan disponibles para un modulo de diagnostico 324, al igual que los resultados del modulo de pruebas estadisticas. El modulo 324 de diagnostico puede comprender un procesador basado en reglas para detectar patrones de comportamiento caracteristicos de modos de fallo conocidos particulares, trazando combinaciones de residuos, alertas de prueba estad^stica, valores sin procesar y caracteristicas de valores sin procesar a estos modos de fallo conocidos. Esto se describe con mas detalle a continuation.
Los resultados del modulo 320 de pruebas estadisticas y del modulo 324 de diagnostico se ponen a disposition de un modulo 330 de interfaz de usuario que, en una realization preferida, es una interfaz grafica basada en web que puede localizarse remotamente y que muestra mensajes de fallo y niveles de confianza generados por el modulo 324 de diagnostico, y graficos de residuos, alertas de pruebas estadisticas y valores sin procesar. Los resultados de diagnostico y los resultados de las pruebas estadisticas tambien se pueden poner a disposicion a traves de una interfaz 335 de software para software descendente que puede utilizar la information, por ejemplo, para programar acciones de mantenimiento y similares. La interfaz 335 de software en una realizacion preferida comprende un servicio de mensajeria que puede ser encuestado o empuja informacion a sistemas de suscripcion, tales como servicios .NET.
Un modulo de adaptation 340 emplea la adaptation fuera de rango y la adaptation en ventana descrita anteriormente para actualizar la biblioteca 304 con tanta frecuencia como con cada nueva observation actual.
El modulo de pruebas estadisticas puede emplear una serie de pruebas para determinar una condition de alerta en la observacion o secuencia actual de observaciones recientes. Una prueba que se puede utilizar es un umbral simple sobre el residuo, que es la diferencia entre la estimation de un valor de sensor y el valor real del sensor (o valor real del sensor preacondicionado) a partir de la observacion actual. Las alertas se pueden configurar para superar un umbral positivo y/o negativo en dicho residuo. Los umbrales se pueden fijar (por ejemplo, +/-10 grados) o se pueden establecer como un multiplo de la desviacion estandar en una ventana en movimiento de los ultimos n residuos, o similares.
Otra tecnica de ensayo o decision que se puede emplear se denomina prueba de razon de probabilidad secuencial (SPRT) y se describe en la citada patente US 5.764.509 de Gross et al. En terminos generales, para una secuencia de estimaciones para un sensor particular, la prueba es capaz de determinar con tasas de alarma perdidas y falsas preseleccionadas si las estimaciones y los datos estadisticos son estadisticamente iguales o diferentes, es decir, pertenecen a la misma o a dos distribuciones gaussianas diferentes.
El tipo de ensayo SPRT se basa en la relation de maxima verosimilitud. La prueba muestra secuencialmente un proceso en momentos discretos hasta que es capaz de decidir entre dos alternativas: H0:^=0; y H1:^=M. En otras palabras, ^es la secuencia de valores muestreados indicativa de una distribution alrededor de cero, o indicativa de una distribucion alrededor de algun valor distinto de cero? Se ha demostrado que el siguiente enfoque proporciona un procedimiento de decision optimo (el tamano medio de la muestra es menor que una prueba de muestra fija comparable). Una estadistica de prueba, ^t, se calcula a partir de la siguiente formula:
Donde ln() es el logaritmo natural, fHs() es la funcion de densidad de probabilidad del valor observado de la variable aleatoria Yi bajo la hipotesis Hs y j es el punto de tiempo de la ultima decision.
Al decidir entre dos hipotesis alternativas, sin conocer el verdadero estado de la senal bajo vigilancia, es posible hacer un error (decision de hipotesis incorrecta). Son posibles dos tipos de errores. Rechazar Ho cuando es verdadero (error de tipo I) o aceptar Ho cuando es falso (error de tipo II). Preferentemente, estos errores se controlan con un valor mmimo arbitrario, si es posible. Por lo tanto, la probabilidad de una falsa alarma o de hacer un error de tipo I se denomina a, y la probabilidad de perder una alarma o de hacer un error de tipo II se denomina p. La bien conocida Aproximacion de Wald define un Krnite inferior, L, por debajo del cual se acepta Ho y un Krnite superior, U por encima del cual se rechaza Ho.
(15)
(16)
5
10
15
20
25
Regla de decision: si ^t ^ L, entonces ACEPTAR H0; ademas, si ^t ^ U, entonces RECHAZAR H0; de lo contrario, continue el muestreo.
Para implementar este procedimiento, esta distribution del proceso debe ser conocida. Esto no es un problema en general, porque existe alguna information a priori sobre el sistema. Para la mayoria de los propositos, la distribucion gaussiana multivariable es satisfactoria y la prueba SPRT puede simplificarse asumiendo una distribucion de probabilidad gaussiana p:
(x-MT
2«t2
(17)
Entonces, la prueba estadistica es una prueba secuencial tipica que decide entre la hipotesis de la media cero Ho y una hipotesis media positiva Hi:
donde M es la media hipotetica (tipicamente establecida a una desviacion estandar de cero, dada por la varianza), a es la varianza de los datos residuales de entrenamiento e yt es el valor de entrada que se esta probando. Entonces la decision puede hacerse en cualquier observation t+1 en la secuencia de acuerdo con:
1. Si ^t + i ^ ln(p/(1 -a)), entonces se acepta la hipotesis Ho como verdadera;
2. Si ^t + i ^ ln((1-P)/a), entonces se acepta la hipotesis Hi como verdadera; y
3. Si ln(p/(1-a)) <^t + 1 < ln ((1-P)/a), no se toma ninguna decision y se continua el muestreo.
La prueba SPRT puede realizarse contra el residuo para cada parametro monitorizado, y se puede probar contra una media sesgada positiva, una media sesgada negativa, y contra otros momentos estadisticos, tal como la varianza en el residuo.
Se pueden usar otras tecnicas de decision estadistica en lugar de SPRT para determinar si el proceso o la maquina monitorizada remotamente estan operando de una manera anormal, que indica un fallo incipiente. De acuerdo con otra tecnica, los datos de sensor estimados y los datos de sensor reales pueden compararse usando el operador de similitud para obtener una similitud de vector. Si la similitud de vector cae por debajo de un umbral seleccionado, puede indicarse una alerta y tomar medidas para notificar a una parte interesada, como se ha mencionado anteriormente, que se ha monitorizado una condition anormal.
Debe apreciarse que se puede hacer un amplio intervalo de cambios y modificaciones a las realizaciones de la invention como se describen en el presente documento. Por lo tanto, se pretende que la description detallada anterior sea considerada como ilustrativa, mas que como limitativa.
Claims (37)
- 5101520253035404550REIVINDICACIONES1. Un procedimiento de monitorizacion de estado de un sistema, que comprende:proporcionar un conjunto de datos de referencia (H) que comprende una pluralidad de observaciones aprendidas a partir de sensores de un sistema modelado que caracterizan el comportamiento dinamico del sistema modelado, en el que el conjunto de datos de referencia (H) es en forma de una matriz, con cada columna de la matriz que representa una observacion y cada fila que representa valores de un solo sensor; proporcionar una observacion actual con respecto al sistema modelado;comparar la observacion actual con el conjunto de datos de referencia (H) utilizando un operador de similitud para obtener una puntuacion de similitud para cada observacion aprendida en el conjunto de datos de referencia (H); ysi la puntuacion de similitud para una observacion aprendida esta por encima de un umbral o es uno de un numero predeterminado de las puntuaciones de similitud mas altas en toda la observacion aprendida, incluyendo aquellas observaciones aprendidas en un subconjunto de datos (D) del conjunto de datos de referencia (H); calcular un modelo del sistema basado en la observacion actual y el subconjunto actual de datos (D) derivados del conjunto de datos de referencia (H), en el que el calculo del modelo comprende generar un modelo de estimacion que comprende un compuesto ponderado del subconjunto de datos (D), proporcionar una serie de observaciones actuales posteriores con respecto al sistema modelado; recalcular el modelo mediante la determinacion adicional del subconjunto de datos (D) para cada nueva observacion actual; ydetectar la incipiencia de fallos en el sistema probando la estimacion del modelo en contraste con la observacion actual.
- 2. El procedimiento de la reivindicacion 1, en el que proporcionar un conjunto de datos de referencia (H) comprende ademas recibir las observaciones para una pluralidad de tiempos diferentes.
- 3. El procedimiento de la reivindicacion 1, en el que proporcionar una observacion actual con respecto al sistema modelado comprende ademas monitorizar el sistema usando una pluralidad de sensores.
- 4. El procedimiento de la reivindicacion 1, en el que:proporcionar un conjunto de datos de referencia comprende ademas recibir informacion como corresponde a una primera pluralidad de fuentes de informacion; yproporcionar una observacion actual comprende ademas recibir informacion como corresponde a una segunda pluralidad de fuentes de informacion.
- 5. El procedimiento de la reivindicacion 4, en el que la segunda pluralidad de fuentes de informacion son al menos parcialmente las mismas que la primera pluralidad de fuentes de informacion.
- 6. El procedimiento de la reivindicacion 5, en el que la segunda pluralidad de fuentes de informacion es al menos parcialmente igual a la primera pluralidad de fuentes de informacion, pero no totalmente inclusivas de toda la primera pluralidad de fuentes de informacion.
- 7. El procedimiento de la reivindicacion 1, en el que comparar la observacion actual con el conjunto de datos de referencia (H) para determinar un subconjunto de datos (D) comprende ademas determinar la similitud como una funcion, al menos en parte, mediante:definir la similitud como un intervalo escalar, acotado en cada extremo del mismo;definir un nivel de similitud para dos entradas identicas que comprende un valor que corresponde a uno de los extremos del intervalo escalar; oproporcionar un valor absoluto de un valor de similitud para aumentar a medida que dos entradas se aproximan que son identicas.
- 8. El procedimiento de la reivindicacion 1, en el que comparar la observacion actual con el conjunto de datos de referencia (H) para determinar un subconjunto de datos (D) comprende calcular la similitud entre observaciones de referencia del conjunto de datos de referencia y la observacion actual, en el que no todos los elementos en las observaciones que se comparan se utilizan para determinar la similitud.
- 9. El procedimiento de la reivindicacion 1, en el que proporcionar un conjunto de datos de referencia (H) comprende ademas al menos uno de:recibir observaciones relativas a mediciones sin sensor relacionadas con el sistema modelado, comprendiendo las mediciones sin sensor al menos uno de datos estadfsticos, estadfsticas de trafico de la red de datos demograficos, recuentos de celulas biologicas o medidas cualitativas; yrecibir informacion relativa al menos a una condicion ambiental como corresponde al sistema dado.
- 10. El procedimiento de la reivindicacion 1, que comprende ademas comparar la observacion actual con el conjunto510152025303540455055de datos de referencia (H) para determinar un subconjunto de datos (D) comprende seleccionar observaciones aprendidas desde el conjunto de datos de referencia (H) como una funcion, al menos en parte, sobre la base de al menos una variable que no es una entrada o una salida del modelo.
- 11. El procedimiento de la reivindicacion 10, en el que la al menos una variable comprende una variable de condicion ambiental.
- 12. El procedimiento de la reivindicacion 10, que comparar la observacion actual con el conjunto de datos de referencia (H) para determinar un subconjunto de datos (D) comprende el uso de al menos una variable para eliminar una porcion de los datos de referencia desde la inclusion en el subconjunto y usar un nivel predeterminado de similitud para seleccionar datos de referencia para su inclusion en el subconjunto de lo que queda despues de la eliminacion mediante la al menos una variable.
- 13. El procedimiento de la reivindicacion 1, que comprende ademas modificar el conjunto de datos de referencia (H).
- 14. El procedimiento de la reivindicacion 13, en el que modificar el conjunto de datos de referencia (H) tambien comprende:identificar al menos una variable del sistema monitorizado como una variable identificada, incluyendo la identificacion de al menos una variable ambiental;determinar cuando la variable identificada excede un intervalo de valores para la variable identificada tal como se incluyen actualmente en el conjunto de datos de referencia; ymodificar el conjunto de datos de referencia como una funcion, al menos en parte, de la variable identificada que excede el intervalo de valores.
- 15. El procedimiento de la reivindicacion 14, en el que la modificacion del conjunto de datos de referencia como una funcion, al menos en parte, de la variable identificada que excede el intervalo de valores, comprende ademas anadir datos adicionales al conjunto de datos de referencia.
- 16. El procedimiento de la reivindicacion 14, en el que la modificacion del conjunto de datos de referencia como una funcion, al menos en parte, de la variable identificada que excede el intervalo de valores, comprende ademas sustituir nuevos datos por datos existentes en el conjunto de datos de referencia.
- 17. El procedimiento de la reivindicacion 14, que comprende, ademas:cuando la variable identificada excede un intervalo de valores para la variable identificada tal como se incluyen actualmente en el conjunto de datos de referencia, determinar si el conjunto de datos de referencia no debe modificarse.
- 18. El procedimiento de la reivindicacion 17, en el que la determinacion de si el conjunto de datos de referencia no debena modificarse comprende ademas determinar si el conjunto de datos de referencia ya ha sido modificado un numero predeterminado de veces.
- 19. El procedimiento de la reivindicacion 17, en el que la determinacion de si el conjunto de datos de referencia no debena modificarse comprende ademas determinar si el sistema dado es probable que presente un fallo.
- 20. Un aparato de monitorizacion de estado de un sistema, que comprende:primeros medios para proporcionar un conjunto de datos de referencia (H) que comprende una pluralidad de observaciones aprendidas a partir de sensores de un sistema modelado que caracterizan el comportamiento dinamico del sistema modelado, en el que el conjunto de datos de referencia (H) es en forma de una matriz, con cada columna de la matriz representa una observacion y cada fila representa valores de un solo sensor; segundos medios para proporcionar una observacion actual con respecto al sistema modelado; terceros medios para comparar la observacion actual con el conjunto de datos de referencia (H) utilizando un operador de similitud para obtener una puntuacion de similitud para cada observacion aprendida en el conjunto de datos de referencia (H), y si la puntuacion de similitud para una observacion aprendida esta por encima de un umbral o es uno de un numero predeterminado de las puntuaciones de similitud mas altas en todas las observaciones aprendidas, incluida aquella observacion aprendida en un subconjunto de datos (D) del conjunto de datos de referencia (H);cuartos medios para calcular un modelo del sistema basado en la observacion actual y el subconjunto actual de datos (D) derivados del conjunto de datos de referencia (H), en el que el calculo del modelo comprende generar un modelo de estimacion que comprende un compuesto ponderado del subconjunto de datos (D); quintos medios para proporcionar una serie de observaciones actuales posteriores con respecto al sistema modelado;sextos medios para recalcular el modelo mediante la determinacion adicional del subconjunto de datos (D) para cada nueva observacion actual; yseptimos medios para detectar la incidencia de fallos en el sistema probando la estimacion del modelo en contraste con la observacion actual.5101520253035404550
- 21. El aparato de la reivindicacion 20, en el que los primeros medios para proporcionar un conjunto de datos de referencia (H) comprende medios para recibir las observaciones para una pluralidad de tiempos diferentes.
- 22. El aparato de la reivindicacion 20, en el que los segundos medios para proporcionar una observacion actual en relacion con el sistema modelado comprenden medios para monitorizar el sistema usando una pluralidad de sensores.
- 23. El aparato de la reivindicacion 20, en el que:los primeros medios para proporcionar un conjunto de datos de referencia comprenden ademas medios para recibir informacion como corresponde a una primera pluralidad de fuentes de informacion; y los segundos medios para proporcionar una observacion actual comprenden medios para recibir informacion como corresponde a una segunda pluralidad de fuentes de informacion.
- 24. El aparato de la reivindicacion 23, en el que la segunda pluralidad de fuentes de informacion son al menos parcialmente las mismas que la primera pluralidad de fuentes de informacion.
- 25. El aparato de la reivindicacion 24, en el que la segunda pluralidad de fuentes de informacion es al menos parcialmente igual a la primera pluralidad de fuentes de informacion, pero no totalmente inclusivas de toda la primera pluralidad de fuentes de informacion.
- 26. El aparato de la reivindicacion 20, en el que los terceros medios para comparar la observacion actual con el conjunto de datos de referencia (H) para determinar un subconjunto de datos (D), comprenden medios para determinar la similitud como una funcion, al menos en parte, mediante:definir la similitud como un intervalo escalar, acotado en cada extremo del mismo;definir un nivel de similitud para dos entradas identicas que comprende un valor que corresponde a uno de los extremos del intervalo escalar; oproporcionar un valor absoluto de un valor de similitud para aumentar a medida que dos entradas se aproximan que son identicas.
- 27. El aparato de la reivindicacion 20, en el que los terceros medios para comparar la observacion actual con el conjunto de datos de referencia (H) para determinar un subconjunto de datos (D) comprende medios para calcular la similitud entre observaciones de referencia del conjunto de datos de referencia y la observacion actual, en el que no todos los elementos en las observaciones que se comparan se utilizan para determinar la similitud.
- 28. El aparato de la reivindicacion 20, en el que los primeros medios para proporcionar un conjunto de datos de referencia (H) comprenden ademas al menos uno de:medios para recibir observaciones relativas a mediciones sin sensor relacionadas con el sistema modelado, comprendiendo las mediciones sin sensor al menos uno de datos estadfsticos, estadfsticas de trafico de la red de datos demograficos, recuentos de celulas biologicas o medidas cualitativas;ymedios para recibir informacion relativa al menos a una condicion ambiental como corresponde al sistema dado.
- 29. El aparato de la reivindicacion 20, en el que los terceros medios para comparar la observacion actual con el conjunto de datos de referencia (H) para determinar un subconjunto de datos (D) comprenden medios para seleccionar observaciones aprendidas desde el conjunto de datos de referencia (H) como una funcion, al menos en parte, sobre la base de al menos una variable que no es una entrada o una salida del modelo.
- 30. El aparato de la reivindicacion 29, en el que la al menos una variable comprende una variable de condicion ambiental.
- 31. El aparato de la reivindicacion 29, en el que los medios para seleccionar observaciones aprendidas desde el conjunto de datos de referencia (H) como una funcion, al menos en parte, sobre la base de al menos una variable que no comprende una observacion del conjunto de referencia de datos (H) y la observacion actual comprende medios para utilizar la al menos una variable para eliminar una porcion de los datos de referencia a partir de la inclusion en el subconjunto y usar un nivel predeterminado de similitud para seleccionar datos de referencia para su inclusion en el subconjunto de lo que queda despues de su eliminacion mediante la al menos una variable.
- 32. El aparato de la reivindicacion 20, que comprende ademas medios para modificar el conjunto de datos de referencia (H).
- 33. El aparato de la reivindicacion 32, en el que los medios para modificar el conjunto de datos de referencia comprenden, ademas:medios para identificar al menos una variable del sistema monitorizado como una variable identificada, incluyendo la identificacion de al menos una variable ambiental;medios para determinar cuando la variable identificada excede un intervalo de valores para la variableidentificada tal como se incluyen actualmente en el conjunto de datos de referencia; ymedios para modificar el conjunto de datos de referencia como una funcion, al menos en parte, de la variable identificada que excede el intervalo de valores.
- 34. El aparato de la reivindicacion 33, en el que los medios para modificar el conjunto de datos de referencia como 5 una funcion, al menos en parte, de la variable identificada que excede el intervalo de valores, comprende ademasmedios para anadir datos adicionales al conjunto de datos de referencia.
- 35. El aparato de la reivindicacion 33, en el que los medios para modificar el conjunto de datos de referencia como una funcion, al menos en parte, de la variable identificada que excede el intervalo de valores, comprende ademas medios para sustituir nuevos datos por los datos existentes en el conjunto de datos de referencia.10 36. El aparato de la reivindicacion 33, que comprende, ademasmedios para determinar si el conjunto de datos de referencia no debe modificarse cuando la variable identificada excede un intervalo de valores para la variable identificada como se incluyen actualmente en el conjunto de datos de referencia.
- 37. El aparato de la reivindicacion 36, en el que comprende medios para determinar si el conjunto de datos de 15 referencia ya se ha modificado un numero predeterminado de veces.
- 38. El aparato de la reivindicacion 36, en el que los medios para la determinacion de si el conjunto de datos de referencia no debena modificarse comprende ademas medios para determinar si el sistema dado es probable que presente un fallo.
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US42347602P | 2002-11-04 | 2002-11-04 | |
US423476P | 2002-11-04 | ||
PCT/US2003/035001 WO2004042531A2 (en) | 2002-11-04 | 2003-11-03 | System state monitoring using recurrent local learning machine |
Publications (1)
Publication Number | Publication Date |
---|---|
ES2627844T3 true ES2627844T3 (es) | 2017-07-31 |
Family
ID=32312658
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
ES03781728.5T Expired - Lifetime ES2627844T3 (es) | 2002-11-04 | 2003-11-03 | Monitorización del estado de un sistema usando una máquina de aprendizaje local recurrente |
Country Status (12)
Country | Link |
---|---|
US (1) | US7403869B2 (es) |
EP (1) | EP1579288B1 (es) |
JP (1) | JP2006505856A (es) |
AU (1) | AU2003287487B2 (es) |
CA (1) | CA2505026C (es) |
CY (1) | CY1118935T1 (es) |
DK (1) | DK1579288T3 (es) |
ES (1) | ES2627844T3 (es) |
HU (1) | HUE033477T2 (es) |
PT (1) | PT1579288T (es) |
SI (1) | SI1579288T1 (es) |
WO (1) | WO2004042531A2 (es) |
Families Citing this family (64)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4741500B2 (ja) * | 2004-09-14 | 2011-08-03 | パナソニック株式会社 | 機器制御装置、機器、機器制御装置の制御方法、プログラムおよび機器制御システム |
CN102908130B (zh) * | 2005-11-29 | 2015-04-22 | 风险获利有限公司 | 用于监测人体健康状态的设备 |
EP1818746A1 (en) | 2006-02-10 | 2007-08-15 | ALSTOM Technology Ltd | Method of condition monitoring |
US8275577B2 (en) * | 2006-09-19 | 2012-09-25 | Smartsignal Corporation | Kernel-based method for detecting boiler tube leaks |
US8311774B2 (en) | 2006-12-15 | 2012-11-13 | Smartsignal Corporation | Robust distance measures for on-line monitoring |
FR2939170B1 (fr) * | 2008-11-28 | 2010-12-31 | Snecma | Detection d'anomalie dans un moteur d'aeronef. |
EP2287685B1 (en) * | 2009-07-23 | 2015-07-15 | Siemens Aktiengesellschaft | Method for monitoring operation behaviour of a component of an industrial plant |
US8707194B1 (en) * | 2009-11-20 | 2014-04-22 | Amazon Technologies, Inc. | System and method for decentralized performance monitoring of host systems |
US8620591B2 (en) * | 2010-01-14 | 2013-12-31 | Venture Gain LLC | Multivariate residual-based health index for human health monitoring |
US20120110391A1 (en) * | 2010-10-27 | 2012-05-03 | Honeywell International Inc. | System and method for determining fault diagnosability of a health monitoring system |
US8620853B2 (en) * | 2011-07-19 | 2013-12-31 | Smartsignal Corporation | Monitoring method using kernel regression modeling with pattern sequences |
US9250625B2 (en) | 2011-07-19 | 2016-02-02 | Ge Intelligent Platforms, Inc. | System of sequential kernel regression modeling for forecasting and prognostics |
US9256224B2 (en) | 2011-07-19 | 2016-02-09 | GE Intelligent Platforms, Inc | Method 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 |
US8836536B2 (en) * | 2011-07-29 | 2014-09-16 | Hewlett-Packard Development Company, L. P. | Device characterization system and methods |
CN102332011B (zh) * | 2011-09-09 | 2012-12-26 | 北京空间飞行器总体设计部 | 一种在轨航天器有效数据选取方法 |
US8600915B2 (en) | 2011-12-19 | 2013-12-03 | Go Daddy Operating Company, LLC | Systems for monitoring computer resources |
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 |
US9075713B2 (en) * | 2012-05-24 | 2015-07-07 | Mitsubishi Electric Research Laboratories, Inc. | Method for detecting anomalies in multivariate time series data |
US9170866B2 (en) * | 2013-03-08 | 2015-10-27 | Dell Products L.P. | System and method for in-service diagnostics based on health signatures |
WO2015034512A2 (en) | 2013-09-06 | 2015-03-12 | Ge Intelligent Platforms, Inc. | Apparatus and method for model adaptation |
US10764265B2 (en) * | 2014-09-24 | 2020-09-01 | Ent. Services Development Corporation Lp | Assigning a document to partial membership in communities |
US20160155098A1 (en) | 2014-12-01 | 2016-06-02 | Uptake, LLC | Historical Health Metrics |
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 |
US20170076406A1 (en) | 2015-09-15 | 2017-03-16 | General Electric Company | Systems and method of monitoring processing systems |
AU2016324159A1 (en) | 2015-09-17 | 2018-04-05 | Uptake Technologies, Inc. | Computer systems and methods for sharing asset-related information between data platforms over a network |
EP3143914B1 (en) * | 2015-09-18 | 2020-05-27 | Vorwerk & Co. Interholding GmbH | System and method for improving reproducibility of cooking results of a multi-function cooking apparatus |
WO2017100306A1 (en) | 2015-12-07 | 2017-06-15 | 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 |
US10333775B2 (en) | 2016-06-03 | 2019-06-25 | Uptake Technologies, Inc. | Facilitating the provisioning of a local analytics device |
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 |
US11281993B2 (en) * | 2016-12-05 | 2022-03-22 | Apple Inc. | Model and ensemble compression for metric learning |
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 |
US20210174276A1 (en) * | 2017-01-11 | 2021-06-10 | Nec Corporation | Information processing apparatus, information processing method and non-transitory recording medium |
US10579961B2 (en) | 2017-01-26 | 2020-03-03 | Uptake Technologies, Inc. | Method and system of identifying environment features for use in analyzing asset operation |
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 |
US10732618B2 (en) | 2017-09-15 | 2020-08-04 | General Electric Company | Machine health monitoring, failure detection and prediction using non-parametric data |
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 |
US10169135B1 (en) | 2018-03-02 | 2019-01-01 | Uptake Technologies, Inc. | Computer system and method of detecting manufacturing network anomalies |
US10554518B1 (en) | 2018-03-02 | 2020-02-04 | Uptake Technologies, Inc. | Computer system and method for evaluating health of nodes in a manufacturing network |
US10635095B2 (en) | 2018-04-24 | 2020-04-28 | Uptake Technologies, Inc. | Computer system and method for creating a supervised failure model |
CN108549346B (zh) * | 2018-05-14 | 2019-04-02 | 山东科技大学 | 一种适于系统辨识的历史数据段自动查找方法 |
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 |
US11482341B2 (en) | 2020-05-07 | 2022-10-25 | Carrier Corporation | System and a method for uniformly characterizing equipment category |
US11892830B2 (en) | 2020-12-16 | 2024-02-06 | Uptake Technologies, Inc. | Risk assessment at power substations |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4215412A (en) * | 1978-07-13 | 1980-07-29 | The Boeing Company | Real time performance monitoring of gas turbine engines |
US4937763A (en) * | 1988-09-06 | 1990-06-26 | E I International, Inc. | Method of system state analysis |
JP3435713B2 (ja) * | 1992-11-27 | 2003-08-11 | 株式会社デンソー | 学習パターン選択型追加学習装置 |
US5764509A (en) * | 1996-06-19 | 1998-06-09 | The University Of Chicago | Industrial process surveillance system |
DE19732046A1 (de) * | 1997-07-25 | 1999-01-28 | Abb Patent Gmbh | Prozeßdiagnosesystem und Verfahren zur Diagnose von Vorgängen und Zuständen eines technischen Prozesses |
US5987399A (en) * | 1998-01-14 | 1999-11-16 | Arch Development Corporation | Ultrasensitive surveillance of sensors and processes |
AU4676300A (en) | 1999-04-30 | 2000-11-17 | Dryken Technologies, Inc. | Method and system for nonlinear state estimation |
US6609036B1 (en) * | 2000-06-09 | 2003-08-19 | Randall L. Bickford | Surveillance system and method having parameter estimation and operating mode partitioning |
US20030060808A1 (en) * | 2000-10-04 | 2003-03-27 | Wilk Peter J. | Telemedical method and system |
WO2002035299A2 (en) | 2000-10-26 | 2002-05-02 | Triant Technologies Inc. | Method for estimating and reducing uncertainties in process measurements |
US6859739B2 (en) * | 2001-01-19 | 2005-02-22 | Smartsignal Corporation | Global state change indicator for empirical modeling in condition based monitoring |
US7233886B2 (en) * | 2001-01-19 | 2007-06-19 | Smartsignal Corporation | Adaptive modeling of changed states in predictive condition monitoring |
US20020183971A1 (en) * | 2001-04-10 | 2002-12-05 | Wegerich Stephan W. | Diagnostic systems and methods for predictive condition monitoring |
US6925357B2 (en) * | 2002-07-25 | 2005-08-02 | Intouch Health, Inc. | Medical tele-robotic system |
-
2003
- 2003-11-03 JP JP2004550437A patent/JP2006505856A/ja active Pending
- 2003-11-03 AU AU2003287487A patent/AU2003287487B2/en not_active Ceased
- 2003-11-03 HU HUE03781728A patent/HUE033477T2/en unknown
- 2003-11-03 SI SI200332525T patent/SI1579288T1/sl unknown
- 2003-11-03 WO PCT/US2003/035001 patent/WO2004042531A2/en active Application Filing
- 2003-11-03 PT PT37817285T patent/PT1579288T/pt unknown
- 2003-11-03 CA CA2505026A patent/CA2505026C/en not_active Expired - Fee Related
- 2003-11-03 EP EP03781728.5A patent/EP1579288B1/en not_active Expired - Lifetime
- 2003-11-03 ES ES03781728.5T patent/ES2627844T3/es not_active Expired - Lifetime
- 2003-11-03 DK DK03781728.5T patent/DK1579288T3/en active
-
2005
- 2005-04-29 US US11/119,322 patent/US7403869B2/en active Active
-
2017
- 2017-06-07 CY CY20171100594T patent/CY1118935T1/el unknown
Also Published As
Publication number | Publication date |
---|---|
CA2505026A1 (en) | 2004-05-21 |
JP2006505856A (ja) | 2006-02-16 |
EP1579288B1 (en) | 2017-03-15 |
WO2004042531A2 (en) | 2004-05-21 |
US7403869B2 (en) | 2008-07-22 |
EP1579288A4 (en) | 2010-03-31 |
CA2505026C (en) | 2013-04-09 |
WO2004042531A3 (en) | 2005-09-01 |
SI1579288T1 (sl) | 2017-10-30 |
HUE033477T2 (en) | 2017-12-28 |
EP1579288A2 (en) | 2005-09-28 |
CY1118935T1 (el) | 2018-01-10 |
US20050278143A1 (en) | 2005-12-15 |
PT1579288T (pt) | 2017-06-23 |
AU2003287487A1 (en) | 2004-06-07 |
DK1579288T3 (en) | 2017-06-26 |
AU2003287487B2 (en) | 2009-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
ES2627844T3 (es) | Monitorización del estado de un sistema usando una máquina de aprendizaje local recurrente | |
Chao et al. | Fusing physics-based and deep learning models for prognostics | |
JP4436042B2 (ja) | 異常検出システム及びそれを教授する方法 | |
ES2342562T3 (es) | Evaluacion de una anomalia para clasificadores de una clase en la monitorizacion del estado de una maquina. | |
KR101955305B1 (ko) | 희소 코딩 방법론을 활용한 가스 터빈 센서 고장 검출 | |
CA2550315C (en) | A method and system for hierarchical fault classification and diagnosis in large systems | |
JP5081998B1 (ja) | 異常予兆診断装置及び異常予兆診断方法 | |
JP2008014679A (ja) | 設備診断方法、設備診断システム及びコンピュータプログラム | |
CN110362048A (zh) | 风机关键部件状态监测方法及装置、存储介质和终端 | |
CN115326147B (zh) | 一种船舶用脱硫塔实时监测方法及系统 | |
US9116965B2 (en) | Method and apparatus for monitoring performance characteristics of a system and identifying faults | |
CN114781467A (zh) | 一种基于振动相似度的故障检测方法及装置 | |
CN117074925B (zh) | 一种3d芯片测试分析方法和系统 | |
CN114297909A (zh) | 基于神经网络的水泵故障诊断方法及系统 | |
Celis et al. | Steady state detection in industrial gas turbines for condition monitoring and diagnostics applications | |
CN115392782A (zh) | 一种核电厂工艺系统健康状态监测和诊断方法及系统 | |
CN116974268B (zh) | 一种控制系统电路智能化监测预警方法 | |
TWI780434B (zh) | 異常診斷裝置及方法 | |
ES2905141T3 (es) | Método para la monitorización de parques eólicos | |
Yu et al. | Multifractal analysis and stacked autoencoder-based feature learning method for multivariate processes monitoring | |
Chai et al. | A Treelike Framework Combining Fault Diagnosis and RUL Prediction | |
KR102212022B1 (ko) | 양수 수차의 건전성 자동 판정 방법 및 이를 위한 시스템 | |
CN113312758A (zh) | 风力发电机组的健康状态评估方法和装置 | |
Seyedhosseini et al. | Direct remaining useful life prediction based on multi-sensor information integrations by using evidence theory | |
Fischer et al. | Using a Bayes classifier to optimize alarm generation to electric power generator stator overheating |