ES2871348T3

ES2871348T3 - Sistema y procedimiento para detectar y medir anomalías en la señalización procedente de componentes utilizados en procesos industriales

Info

Publication number: ES2871348T3
Application number: ES19154618T
Authority: ES
Inventors: Alison Michan
Original assignee: Buehler AG
Current assignee: Buehler AG
Priority date: 2019-01-30
Filing date: 2019-01-30
Publication date: 2021-10-28
Anticipated expiration: 2039-01-30
Also published as: JP2022519228A; WO2020157220A1; US20220163947A1; KR102428632B1; EP3690581A1; US11989010B2; BR112021013786A2; JP7282184B2; MX2021008420A; EP3690581B1; PL3690581T3; KR20210125015A; UA127465C2

Abstract

Un procedimiento para detectar anomalías o indicaciones tempranas de fallos de equipo (43) en equipos industriales o plantas de producción (1) monitorizando datos de medición y/o parámetros de proceso (4) procedentes de componentes (5) utilizados en procesos industriales (6), caracterizado por las etapas de: medir y/o monitorizar los datos de medición o monitorizar, respectivamente, los parámetros de proceso (4) de componentes (5) utilizados en un proceso industrial (6) por medio de dispositivos de medición o sensores (2) e identificar espacios de tiempo del mismo tamaño (3) en los parámetros de medición y/o proceso (4) para espacios de tiempo en los que los componentes (5) utilizados en el proceso industrial (6) funcionan con normalidad, comprendiendo los parámetros de medición y/o proceso (4) valores de parámetros para una pluralidad de parámetros de medición/sensor (41) y/o variables de proceso (42), convertir los valores de parámetros (4) de la pluralidad de parámetros de medición/sensor (41) y/o variables de proceso (42) en códigos de procesamiento binario observables (91/911) para cada uno de los espacios de tiempo identificados, del mismo tamaño (3) y asignar los códigos de procesamiento binario (91/911) a una secuencia de estados almacenables de la cadena de Markov (821, 822,...,82x), generar una estructura de datos multidimensional (81) que comprende un número definible de valores variables de parámetros del modelo oculto de Markov (811, 812,...,81x), en el que los parámetros variables del modelo (811, 812,...,81x) de la estructura de datos multidimensional (81) se determinan por medio de un módulo de aprendizaje por máquina (8) aplicado a la secuencia de los estados almacenables de la cadena de Markov (821, 822,...,82x) con códigos de procesamiento binario asignados (91), y en el que los parámetros variables del modelo oculto de Markov (811, 812,...,81x) de la estructura de datos multidimensional (81) se varían y entrenan aprendiendo una frecuencia de estado normal (82) de ocurrencia de eventos de alarma basándose en los datos de medición y/o los parámetros de proceso (4) de los espacios de tiempo identificados, del mismo tamaño (3), inicializar y almacenar una pluralidad de valores de estado de probabilidad (83) aplicando la estructura de datos multidimensional entrenada (81/831, 832,...,83x) con los valores variables de parámetros del modelo oculto de Markov (811, 812,...,81x) a códigos de procesamiento binario previamente muestreados (912) con el mismo espacio de tiempo del mismo tamaño (3) que los valores de parámetros (4) de la pluralidad de parámetros de medición/sensor (41) y/o variables de proceso (42), determinar un primer valor umbral logarítmico (84) de una puntuación de la anomalía (841) ordenando los valores de los resultados logarítmicos de los valores de estado de probabilidad almacenados (83), y utilizar dicha estructura de datos multidimensional entrenada (81/831, 832,...,83x) con los valores variables de parámetros del modelo oculto de Markov (811, 812,...,81x) para monitorizar datos de medición y/o parámetros de proceso (4) recién medidos o determinados, respectivamente, de equipos o plantes industriales (1) utilizando el primer valor umbral logarítmico (84) de la puntuación de la anomalía (841) para detectar valores de datos de sensor anómalos (43) que podrían ser indicativos de un fallo inminente del sistema, en el que, para una activación con los valores de datos de sensor anómalos (43), se genera un valor de resultado logarítmico (85) del valor de estado de probabilidad (83) de los datos de medición y/o parámetros de proceso (4) recién medidos o determinados, respectivamente, y se compara con los valores de estado de probabilidad almacenados (83) basándose en dicho primer valor umbral logarítmico (84) de la puntuación de la anomalía (841).

Description

DESCRIPCIÓN

Sistema y procedimiento para detectar y medir anomalías en la señalización procedente de componentes utilizados en procesos industriales

Campo de la invención

La presente invención se refiere a sistemas de control y/o monitorización de procesos industriales. En particular, la invención se refiere a un procedimiento para detectar anomalías o indicaciones tempranas de fallos de equipo en equipos industriales o plantas de producción monitorizando datos de medición y/o parámetros de proceso procedentes de componentes utilizados en procesos industriales, la invención se refiere respectivamente a un sistema para detectar anomalías o indicaciones tempranas de fallos de equipo en equipos industriales o plantas de producción monitorizando datos de medición y/o parámetros de proceso procedentes de componentes utilizados en procesos industriales. La invención comprende un aparato de control autoadaptativo de bucle cerrado y/o bucle abierto para el control automatizado de bucle cerrado y/o bucle abierto de sistemas de molienda y cilindros, más particularmente de plantas de molienda que tienen una estructura de cilindros, pero también de sistemas de molienda y de plantas de molienda en general. Aparte de su aplicación a aparatos de control para el control y la dirección de sistemas de molienda y cilindros, la presente invención también se refiere en general a sistemas y procedimientos para detectar y medir anomalías en la señalización procedente de componentes utilizados en procesos industriales. Las posibles aplicaciones del aparato según la invención también se refieren a sistemas de molienda y cilindros con una medición y monitorización en tiempo real o casi en tiempo real de los parámetros operativos, tales como la temperatura del cilindro, el hueco entre cilindros, velocidad del cilindro, fuerza de presión del cilindro y/o consumo de energía de uno o varios accionamientos de cilindro, y/o con mediciones en tiempo real o casi en tiempo real de ingredientes o parámetros de calidad durante el acondicionamiento y procesamiento de la producción en las plantas de molienda de cereal para la monitorización (medición, monitorización) de procesos y el control de bucle abierto y/o bucle cerrado de las plantas y los procesos, tal como, por ejemplo, de las variables medidas como el contenido en agua, contenido en proteínas, daño del almidón, contenido en cenizas (sustancias minerales) de las harinas (o productos intermedios de la molienda), el contenido de almidón residual, la finura de la molienda, etc.

Antecedentes de la invención

En los procesos industriales y en la configuración de los dispositivos, se utilizan sistemas de control para monitorizar, controlar, dirigir y señalizar las instalaciones, plantas u otros equipos y el funcionamiento/procesos de los procesos industriales o químicos, y similares. Normalmente, el sistema que realiza el control y la monitorización utiliza dispositivos de campo distribuidos en lugares clave del proceso industrial acoplados a los circuitos de control mediante un bucle de control de procesos. El término “dispositivo de campo” se refiere a cualquier dispositivo que realice una función en un sistema de control distribuido o de monitorización de procesos, incluidos todos los dispositivos utilizados en la medición, como por ejemplo sensores y dispositivos de medición, control, monitorización y señalización de procesos industriales e instalaciones de procesamiento. Cada dispositivo de campo puede comprender, por ejemplo, medios de comunicación y circuitos utilizados para la comunicación, en particular por cable o de manera inalámbrica, con un controlador de procesos, otros dispositivos de campo u otros circuitos, a través del bucle de control de procesos. En algunas instalaciones, el bucle de control de procesos también se utiliza para suministrar una corriente y/o tensión regulada al dispositivo de campo para alimentarlo. El bucle de control de procesos también transporta datos, ya sea en formato analógico o digital. Normalmente, los dispositivos de campo se utilizan para detectar o controlar variables de proceso en un proceso industrial y/o en instalaciones específicas, si es necesario, para monitorizar el entorno local del dispositivo de campo.

Uno de los problemas técnicos de estos sistemas se basa en el hecho de que el control y la monitorización de los activos industriales a gran escala (por ejemplo, en los molinos de grano, plantas de procesamiento de alimentos) suelen generar grandes cantidades de datos de proceso y de alarma/fallos. A menudo se activan muchas alarmas/fallos que, sin embargo, se ignoran o desactivan para mantener el proceso y el control en funcionamiento. Además, las alarmas/fallos pueden activarse por simples eventos de mantenimiento en las máquinas y no tienen mayor importancia técnica. Además, los datos de proceso de, por ejemplo, las corrientes de los motores, pueden mostrar valores atípicos basados en umbrales con frecuencia y no siempre son motivo de preocupación para los eventos individuales. Es necesario proporcionar una destilación automatizada de la señalización de alarmas/fallos en una lista corta de eventos importantes que son anómalos respecto al funcionamiento típico. Esta lista corta permitiría un mantenimiento preventivo eficaz y un análisis de la causa raíz de los eventos de inactividad, que son muy costosos en los procesos industriales y deben minimizarse. Identificar los patrones anómalos con antelación es un reto, por lo que es deseable un procedimiento no supervisado.

Además, la maquinaria u otras instalaciones industriales, como por ejemplo plantas, motores, molinos o turbinas, etc., están sujetos a fallos por numerosas razones. Como se ha mencionado anteriormente, los fallos conocidos de las plantas o de la maquinaria suelen detectarse mediante sensores y, una vez detectado el fallo, se informa del mismo a un operario para que lo corrija o se señala a los dispositivos de alarma asignados adecuados. Sin embargo, las estrategias convencionales empleadas para la detección de fallos se desarrollan normalmente en base a problemas conocidos que han ocurrido previamente en la maquinaria, planta o dispositivo. Estos sucesos previos pueden determinarse infiriendo automáticamente los perfiles de los sensores que corresponden al comportamiento anómalo conocido asociado con el problema particular. Sin embargo, en el caso de los problemas que nunca han ocurrido previamente, los fallos suelen producirse sin ninguna advertencia o indicación previa. En tales situaciones, el coste de la reparación puede ser significativamente mayor que si el fallo se hubiera detectado a tiempo. Además, la detección tardía de un fallo o de un fallo inminente puede poner en peligro la seguridad de la maquinaria. Por tanto, es deseable proporcionar un sistema y un procedimiento que detecten un comportamiento anómalo desconocido en la maquinaria de manera automática y precisa.

En particular, en los molinos de grano y las plantas de procesamiento de alimentos, la detección de anomalías a partir de los datos de los sensores es una aplicación importante de la extracción de datos. Tomando como ejemplo la producción molinera, para garantizar una molienda segura y optimizada y evitar fallos importantes en el sistema, la monitorización remota de los equipos es una parte crítica del proceso de producción. Una de las tareas clave de la monitorización remota es la detección de anomalías, es decir, detectar indicaciones tempranas de fallos antes de que se produzcan. Por ejemplo, la presión y la temperatura de los cilindros son componentes clave para garantizar la estabilidad de la producción y, por este motivo, se monitorizan. En la técnica anterior, se han dedicado muchos esfuerzos a automatizar la detección de anomalías, pero sigue siendo una tarea muy difícil. Existen varios retos técnicos, como ya se ha comentado en parte. Los datos de los sensores, como la temperatura, la presión, el desplazamiento, el caudal, la vibración, etc., son ruidosos, los valores de los sensores pueden cambiar de manera discontinua y la estructura correlacional puede cambiar incluso a diario. Es necesario incorporar un sistema y un procedimiento de monitorización y detección inteligentes para hacer frente automáticamente al ruido no deseado. Las dependencias variables y múltiples son importantes, por lo que las variables no deben analizarse por separado, ya que esto puede generar falsas alertas. Además, el sistema que se monitoriza suele ser inestable, ya que las condiciones operativas pueden cambiar con el tiempo, por ejemplo, las condiciones ambientales como la presión del aire o la humedad relativa del aire/la humedad local del aire. Por tanto, también se necesita información de diagnóstico, como por ejemplo, qué variables presentan anomalías. Sin embargo, se sabe que los procedimientos de la técnica anterior tienen serios problemas en la práctica y no pueden manejar tanto los modos operativos múltiples como la puntuación de anomalías multivariante en función de las variables. La mayoría de los sistemas no pueden proporcionar eficazmente información en función de las variables, lo que resulta especialmente problemático en muchas aplicaciones industriales, en las que la dimensionalidad de los parámetros de medición suele ser grande.

El documento US 2011/288836 revela un procedimiento y un sistema para detectar anomalías en un motor aéreo. El procedimiento y el sistema definen un modelo de comportamiento de un controlador del motor aéreo utilizando una regresión temporal que modela el comportamiento del controlador en función de un conjunto de datos relativo al controlador y que incluye mediciones de comportamientos pasados y mediciones de órdenes y estados del controlador; recalcular de manera continua el modelo de comportamiento para cada nuevo conjunto de datos; y monitorizar la variación estadística del modelo de comportamiento para detectar una anomalía en el comportamiento del controlador que representa una anomalía operativa del motor. El documento US 2016/371600 A revela sistemas y procedimientos para monitorizar datos registrados de los sistemas a lo largo del tiempo. Las técnicas descritas en este documento incluyen la capacidad para detectar y clasificar eventos del sistema, y proporcionar indicadores del funcionamiento normal del sistema y la detección de anomalías. Los sistemas y procedimientos de la presente divulgación pueden representar eventos que se producen en el sistema monitorizado de modo que puedan captarse las características temporales de los eventos y utilizarse para la detección, clasificación y/o detección de anomalías, lo que puede ser particularmente útil cuando se trata de sistemas y/o eventos complejos. El documento US 2017/139398 revela una pluralidad de instalaciones de producción y un aparato de análisis que están conectados a través de una red de niebla. El aparato de análisis realiza un análisis de datos basándose en información de detección de detectores que se adquiere a través de la red de niebla y almacena información de determinación relativa a una anomalía de cada una de la pluralidad de instalaciones de producción o una anomalía de un objeto de producción como resultado del análisis de datos. Cada una de la pluralidad de instalaciones de producción determina una anomalía de cada una de la pluralidad de instalaciones de producción o una anomalía del objeto de producción basándose en la información de determinación almacenada en el aparato de análisis. El documento EP 3379360 revela un sistema de detección de anomalías 1 que incluye un dispositivo aritmético 1H101 que ejecuta el procesamiento del aprendizaje de un modelo predictivo que predice un comportamiento de un dispositivo objetivo de monitorización basándose en datos operativos en el dispositivo, el procesamiento de un ajuste de una puntuación de la anomalía de modo que la puntuación de la anomalía para datos operativos con un funcionamiento normal entre dentro de un intervalo predeterminado, basándose la puntuación de la anomalía en una desviación de los datos operativos adquiridos del dispositivo objetivo de monitorización a partir de un resultado de predicción obtenido por el modelo predictivo, el procesamiento de la detección de una anomalía o una señal de una anomalía basándose en la puntuación ajustada de la anomalía, y el procesamiento de la visualización de información sobre al menos uno de la puntuación de la anomalía y un resultado de la detección en un dispositivo de salida.

Finalmente, en los sistemas de la técnica anterior, los mensajes de alarma/fallo a menudo se registran en el software del sistema de automatización y en los sistemas de control, donde es difícil obtener información y ver las tendencias de los datos en este formato de registro. Por tanto, los operarios confían en sus observaciones de los eventos de alarma/fallo para monitorizar el funcionamiento correcto de la planta. Es necesario permitir una mejor señalización de salida y visualización de los mensajes de alarma/fallo para que los operarios puedan hacer un seguimiento sencillo de la operación, seguridad y el funcionamiento correcto de la planta. La visualización también permitiría a otras personas, como los propietarios y los proveedores de mantenimiento, obtener información y mejorar la comunicación con los operarios. Es importante evitar/medir el tiempo de inactividad de las plantas de procesamiento a gran escala, ya que representa importantes pérdidas de ingresos.

Sumario de la invención

Un objetivo de la presente invención es superar los inconvenientes y problemas técnicos conocidos de la técnica anterior. En particular, el objetivo es proporcionar un sistema y procedimiento de control preciso y eficaz para detectar anomalías en los datos de medición y sensor procedentes de componentes utilizados en procesos industriales. El sistema deberá poder proporcionar una técnica automatizada para destilar de manera eficaz grandes cantidades de información de alarma/fallos en unos pocos eventos importantes activados que son anómalos con respecto al funcionamiento típico. El sistema deberá poder realizar el proceso de control y monitorización en tiempo real o casi en tiempo real. Más particularmente, un objetivo de la invención es proporcionar un aparato de control inteligente, autoadaptativo, de bucle abierto/bucle cerrado para la optimización y el control automatizado de la línea de molienda de un sistema de cilindros que podría utilizarse para realizar la molienda y/o trituración de una manera optimizada y automatizada y que aumenta la fiabilidad de un molino y al mismo tiempo optimiza el funcionamiento reaccionando automáticamente a las anomalías producidas.

Según la presente invención, los objetivos de la invención pueden implementarse y conseguirse por medio de los elementos y las combinaciones mostrados particularmente en las reivindicaciones independientes y dependientes. Se entenderá que tanto la descripción general anterior como la descripción detallada siguiente son solo a modo de ejemplo y explicación y que no son restrictivas de la invención descrita.

Según la presente invención, los objetivos mencionados anteriormente para un sistema y un procedimiento para detectar anomalías o indicaciones tempranas de fallos de equipo en equipos industriales o plantas de producción monitorizando datos de sensor o medición procedentes de componentes utilizados en procesos industriales se alcanzan, particularmente, por que se miden datos de sensor y/o medición de componentes utilizados en un proceso industrial por medio de dispositivos de medición o sensores y se identifican periodos de tiempo o espacios de tiempo del mismo tamaño dentro del flujo de datos recibido de datos de sensor y/o medición para periodos de tiempo en los que los componentes utilizados en el proceso industrial funcionan con normalidad, comprendiendo los datos de sensor y/o medición valores de sensor para una pluralidad de parámetros de medición, por que los valores de sensor de la pluralidad de parámetros de medición se convierten en códigos de procesamiento binario observables para cada uno de los espacios de tiempo identificados, del mismo tamaño y los códigos de procesamiento binario se asignan a un almacén de datos o estructura de datos que contiene una secuencia de estados almacenables de la cadena de Markov, por que se genera una estructura de datos multidimensional que comprende un número definible de valores variables de parámetros del modelo oculto de Markov, en el que los parámetros variables del modelo de la estructura de datos multidimensional se determinan por medio de un módulo de aprendizaje por máquina aplicado a la secuencia de los códigos de procesamiento binario asignados, y en el que los parámetros variables del modelo oculto de Markov de la estructura de datos multidimensional se varían y entrenan aprendiendo una frecuencia de estado normal de ocurrencia de eventos de alarma basándose en los datos de sensor y/o medición de los espacios de tiempo identificados, del mismo tamaño, por que se inicializan y almacenan una pluralidad de valores de estado de probabilidad aplicando la estructura de datos multidimensional entrenada con dichos valores variables de parámetros del modelo oculto de Markov a códigos de procesamiento binario previamente muestreados con el mismo espacio de tiempo del mismo tamaño que los datos de sensor y/o medición medidos, por que se determina un valor umbral logarítmico de una puntuación de la anomalía ordenando los valores de los resultados logarítmicos de los valores de estado de probabilidad almacenados, y por que se utiliza dicha estructura de datos multidimensional entrenada con los valores variables de parámetros del modelo oculto de Markov para monitorizar datos de sensor y/o medición recién medidos de equipos o plantes industriales utilizando el valor umbral de la puntuación de la anomalía para detectar valores de datos de sensor anómalos que podrían ser indicativos de un fallo inminente del sistema, en el que, para una activación con los valores de datos de sensor anómalos, se genera un valor de resultado logarítmico del valor de estado de probabilidad de los datos de sensor y/o medición recién medidos y se compara con los valores de estado de probabilidad almacenados basándose en dicho valor umbral logarítmico de la puntuación de la anomalía. Además existen procedimientos diferentes para proporcionar distancias vectoriales binarias de la correlación efectiva, por ejemplo, basándose en una distancia de Hamming clásica (donde n=1, distancia de Hamming clásica) para una ventana sobre n filas. Para los vectores a y b, la distancia es igual al número de unos en a y b sobre ventanas de n filas dividido por la longitud de a. Otro procedimiento se basa en la distancia de Jaccard. J(A,B)=1 -|AHB|AuB|. En una variante de forma de realización, las distancias pueden generarse periódicamente, y un algoritmo puede detectar una anomalía si las correlaciones efectivas por los procedimientos de ejemplo descritos anteriormente fueran anómalas.

Es importante indicar que el sistema y el procedimiento de la invención, en principio, funcionan con y sin convertir la señal analógica en una señal o código binario (basándose en umbrales). Sin embargo, convertir la señal analógica en una señal o código binario tiene, entre otras, las ventajas de que las detecciones de anomalías en series temporales suelen basarse en umbrales y medias móviles o similares para detectar las anomalías. El resultado puede ser la detección de demasiados eventos de anomalías debido a señales oscilantes/ruidosas (típicas en los procesos industriales). Por ejemplo, para la detección de series temporales y anomalías puede ajustarse un valor umbral para tener mayor o menor sensibilidad (véase la figura 13 en la que las anomalías están marcadas con líneas grises verticales). En este enfoque, se considera cada uno de los eventos en los que se ha superado un umbral como un valor Verdadero/1 (y Falso/0 en caso contrario) para generar una secuencia binaria. Esto nos permite observar la frecuencia de los cruces de umbral para poder clasificar las anomalías basándose en la frecuencia anómala. Una ventaja es que no hay que preocuparse por la hipersensibilidad del umbral ni por los datos industriales de loT oscilantes/ruidosos. Sin tener en cuenta estas ventajas de la conversión binaria, también es posible utilizar una extensión del algoritmo para hallar anomalías en datos de procesos analógicos. Pueden aplicarse umbrales de media móvil y de varianza para generar una secuencia binaria. Entonces puede utilizarse el algoritmo de detección de anomalías anterior. El resultado es que se identificarán las anomalías cuando el proceso supere los valores umbral de manera atípica. La figura 14 muestra la anomalía de los datos de proceso. En la figura 9, se genera la secuencia binaria basándose en valores umbral aplicados a los datos de proceso. En la etapa siguiente, se aplica el procedimiento de detección de anomalías descrito a la secuencia binaria y, de manera correspondiente, se marcan los periodos de tiempo anómalos. Es importante indicar que el sistema y el procedimiento de la invención, descritos anteriormente, para convertir las anomalías de señal analógica en vectores binarios y a continuación aplicar la detección de anomalías HMM estadística, es decir, una estructura basada en el modelo oculto de Markov (HMM) según la presente invención, son técnicamente únicos y no se proporcionan por ningún sistema de la técnica anterior. La presente invención utiliza HMM para la detección de anomalías, mientras que los sistemas del estado de la técnica utilizan una técnica diferente para marcar anomalías utilizando el HMM. En particular, los sistemas de la técnica anterior no utilizan una etapa de formación de umbrales que utiliza la presente invención. Además, los sistemas de la técnica anterior no mencionan convertir señales analógicas en secuencias binarias, lo que también forma parte del diferenciador de la reivindicación 1.

El módulo de aprendizaje por máquina puede, por ejemplo, procesar la secuencia de los códigos de procesamiento binario asignados aplicando una estimación de parámetros por máxima verosimilitud para el entrenamiento de la estructura de datos multidimensional con los parámetros variables del modelo oculto de Markov, suponiendo que los elementos de la secuencia de estados de parámetros almacenables de la cadena de Markov son mediciones independientes entre sí y variándose los parámetros del modelo de la estructura de datos multidimensional maximizando el producto multiplicado de las probabilidades con el fin de obtener los parámetros del modelo entrenado de la estructura de datos multidimensional. Los parámetros del modelo de la estructura de datos multidimensional pueden variarse, por ejemplo, de manera iterativa hasta que se supera un umbral de convergencia predefinido. Para determinar dicho valor umbral de la puntuación de la anomalía, por ejemplo, puede aplicarse un proceso de promediación basándose en las diferentes frecuencias de ocurrencia de eventos de alarma de los datos de sensor y/o medición de los espacios de tiempo identificados. La invención tiene, entre otros, la ventaja de que proporciona un procedimiento y un sistema novedosos para la detección automatizada o, respectivamente, la activación con anomalías en los datos procedentes de componentes utilizados en procesos industriales. Proporciona un sistema automatizado eficaz para controlar y monitorizar activos industriales a gran escala (por ejemplo, en los molinos de grano, plantas de procesamiento de alimentos) que suelen generar grandes cantidades de datos de proceso y de alarma/fallos, que son difíciles de gestionar.

Cabe indicar que la máquina se detiene con cada alarma relevante (por ejemplo, violación de los límites de temperatura de los cilindros, superación de los umbrales de presión de los cilindros etc.), independientemente de los sistemas de detección de anomalías según la invención. Sin embargo, la presente invención proporciona un sistema y un procedimiento novedosos para la detección no supervisada de anomalías, por ejemplo, asociada con datos industriales de series temporales multivariantes. La detección no supervisada puede ser esencial, entre otros, en escenarios “desconocido-desconocido”, en los que los operarios no son conscientes de los posibles fallos y no han observado ningún caso anterior de dichos fallos desconocidos. El sistema de la invención también puede proporcionar una evaluación de la calidad de los datos, la imputación de valores perdidos, y la generación, validación y evaluación de características adicionales o nuevas. La presente invención permite determinar fallos desconocidos basándose en la comparación de un perfil de funcionamiento normal (por ejemplo, todos los sensores indican valores en un intervalo normal) con diferencias notificadas en un estado actual del funcionamiento. Los sensores pueden estar asociados a varios elementos medibles de una maquinaria tal como vibración, temperatura, presión y cambios en el entorno, etc. En algunos casos, la determinación de fallos desconocidos se refiere a descubrir un fallo que está a punto de ocurrir (por ejemplo, detección temprana). En algunos casos, la determinación de fallos desconocidos se refiere a la detección temprana, así como a otros casos en los que puede haber ocurrido un fallo en el pasado, pero tiene impacto en el funcionamiento actual. Además, la presente invención permite un filtrado y una diferenciación eficaces de alarmas/fallos que se activan por simples eventos de mantenimiento en máquinas y no son motivo de preocupación. Esto también se aplica a datos de proceso de, por ejemplo, corrientes de motores, que pueden mostrar valores atípicos basándose en umbrales con frecuencia y que no siempre son motivo de preocupación para eventos individuales. La presente invención permite una destilación eficaz y automatizada de datos de alarma/fallo transmitidos por sensores y dispositivos de medición en una lista corta de eventos importantes que son anómalos con respecto al funcionamiento típico. Esta lista corta proporciona la base para una manera novedosa para un mantenimiento preventivo eficaz y un análisis de la causa raíz de los eventos de inactividad, que son muy costosos en los procesos industriales y deben minimizarse. La invención permite identificar los patrones anómalos con antelación, de modo que, mediante la invención, técnicamente es posible un procedimiento completamente automatizado no supervisado que controla y monitoriza el funcionamiento correcto de la máquina. Por tanto, la invención permite la detección no supervisada de anomalías, en particular asociadas a datos industriales de series temporales multivariantes. La detección no supervisada es esencial en escenarios “desconocido-desconocido”, en los que los operarios no son conscientes de los posibles fallos y no han observado ningún caso anterior de dichos fallos desconocidos. La invención también puede determinar fallos desconocidos en comparación con un funcionamiento normal o perfil de máquina/motor (por ejemplo, todos los sensores indican valores en un intervalo normal) con diferencias notificadas en un estado actual de la máquina/motor. Los sensores pueden estar asociados a varios elementos medibles de una maquinaria como, por ejemplo, vibración, temperatura, presión y cambios en el entorno, etc. En algunos casos, la determinación de fallos desconocidos (por ejemplo, evaluación) se refiere a descubrir un fallo que está a punto de ocurrir (por ejemplo, detección temprana). En algunos otros casos, la determinación de fallos desconocidos se refiere a la detección temprana así como a un caso en el que ocurrió un fallo en el pasado. Además, la presente invención permite de una manera novedosa obtener información y ver las tendencias en los datos de sensor y/o mensajes de alarma/fallo en este formato de registro, lo que también hace redundante una monitorización continua de los eventos de alarma/fallo por parte de los operarios. La presente invención también permite una monitorización novedosa de mensajes de alarma/fallo de modo que los operarios pueden hacer un seguimiento sencillo de la operación y el funcionamiento correcto de la planta. La monitorización novedosa también permite a otras personas, como los propietarios y los proveedores de mantenimiento, obtener información automatizada y mejorar la comunicación con los operarios. La invención permite evitar/medir el tiempo de inactividad de las plantas de procesamiento a gran escala, ya que representa importantes pérdidas de ingresos.

En una variante de forma de realización, la sensibilidad de los espacios de tiempo elegidos puede ajustarse por ejemplo automáticamente basándose en ajustes dinámicos del valor umbral. Esta variante de forma de realización tiene, entre otros, la ventaja de que puede optimizarse la velocidad de convergencia entrenando los parámetros variables del modelo oculto de Markov de la estructura de datos multidimensional.

En otra variante de forma de realización, los espacios de tiempo anómalos se evalúan, por ejemplo, por muchos activos de las mismas líneas de proceso industrial, en la que para la activación con la puntuación de la anomalía los espacios de tiempo anómalos se aplican al análisis de la causa raíz del tiempo de inactividad de la planta. Adicionalmente como variante, por ejemplo, puede generarse una señalización del servicio de mantenimiento basándose en dicho análisis de la causa raíz del tiempo de inactividad de la planta. Esta variante de forma de realización tiene, entre otros, la ventaja de que permite una aplicación robusta de la presente invención por varios activos y líneas de procesos industriales. Otra ventaja es que esta variante de forma de realización permite la implementación de aplicaciones y señalización de mantenimiento y/o servicio automatizadas basadas en la nube y/o en la red.

En otra variante de forma de realización más, para determinar dicho valor umbral de la puntuación de la anomalía, se genera un patrón de frecuencia para cada uno de los espacios de tiempo identificados, del mismo tamaño utilizando un reconocimiento de patrones para inicializar una pluralidad de secuencias de la cadena de Markov de estados de parámetros almacenables, en la que cada estado de parámetro almacenable es una función de la pluralidad de los parámetros de medición, en la que, por medio del reconocimiento de patrones aplicado, se determinan factores de ponderación y/o media y/o varianza de cada una de la pluralidad de secuencias de estados de parámetros almacenables, y se eliminan espacios de tiempo no relevantes del conjunto utilizado de los espacios de tiempo identificados, del mismo tamaño. Esta variante de forma de realización tiene, entre otros, la ventaja de que puede optimizarse la velocidad de convergencia entrenando los parámetros variables del modelo oculto de Markov de la estructura de datos multidimensional. Por tanto, el reconocimiento de patrones y los factores de ponderación permiten aplicar una medida de anomalía de correlación de cada variable en una muestra de datos ruidosa comparando la muestra de datos medida con datos de referencia, aunque algunas de las variables tengan una alta correlación. Por tanto, pueden eliminarse las falsas dependencias introducidas por el ruido enfocándose en las dependencias más significativas para cada variable. La selección del entorno puede realizarse, por ejemplo, de manera adaptativa ajustando un modelo gaussiano gráfico disperso como estimación de máxima verosimilitud. La medida de anomalía de correlación para cada parámetro de medición puede generarse entonces mediante las distancias entre las distribuciones condicionales ajustadas.

En una variante de forma de realización, se genera una señal de compuerta, como una señal digital o un pulso que proporciona una ventana de tiempo adecuada, en la que se selecciona un espacio de tiempo anómalo producido de datos de sensor recién medidos de entre los muchos espacios de tiempo medidos de datos de medición y se eliminan o descartan los espacios de tiempo normales, y en la que la selección de un espacio de tiempo anómalo producido activa la generación de señalización adecuada y la transición a dispositivos de alarma y/o monitorización y/o control/dirección asignados. Esta variante de forma de realización tiene, entre otros, la ventaja de que permite una señalización eficaz entre máquinas generando una señalización de dirección adecuada que controla el funcionamiento de los dispositivos asociados activados por las anomalías detectadas o las indicaciones tempranas de fallos de equipo en equipos industriales o plantas de producción.

En otra variante de forma de realización, el procedimiento y el sistema anteriores para la detección automatizada de anomalías o indicaciones tempranas de fallos de equipo en equipos industriales o plantas de producción se aplica a un procedimiento de control inteligente, autoadaptativo de bucle cerrado y bucle abierto para un aparato de control de bucle cerrado y/o bucle abierto para un control autooptimizado de una planta de molienda y/o una línea de molienda de un sistema de cilindros de la planta de molienda, en la que la línea de molienda comprende una pluralidad de unidades de procesamiento que pueden accionarse individualmente en cada caso por medio del aparato de control de bucle cerrado y bucle abierto y pueden regularse individualmente durante su funcionamiento basándose en parámetros de proceso operativos, en la que el aparato de control de bucle cerrado y bucle abierto comprende un módulo de reconocimiento de patrones que se basa en el procedimiento anterior para detectar anomalías, activándose el funcionamiento del aparato de control mediante la señalización del módulo de reconocimiento de patrones, y en la que el funcionamiento de la planta de molienda se dirige y adapta por medio del aparato de control basándose en la señal de activación transmitida. Como variante, el aparato de control de bucle cerrado y/o bucle abierto puede comprender, por ejemplo, un controlador de lotes con una secuencia de procesamiento definida en las unidades de procesamiento, que puede regularse por medio de una receta de proceso operativo y el aparato de control, en la que puede producirse una cantidad definida de un producto final a partir de uno o varios materiales de partida por medio de la receta de proceso operativo, en la que las unidades de procesamiento se controlan basándose en parámetros de proceso por lotes operativos asociados específicamente a la receta de proceso operativo, y en la que el controlador de lotes de operación se adapta u optimiza basándose en uno o varios espacios de tiempo anómalos producidos y detectados, de datos de sensor recién medidos por medio del aparato de control. El aparato de control puede comprender además, por ejemplo, un segundo módulo de reconocimiento de patrones para reconocer recetas de proceso operativo con patrones de parámetros de proceso por lotes multidimensionales, en la que una receta de proceso operativo comprende al menos uno o varios materiales de partida, una secuencia definida de un proceso de molienda en las unidades de procesamiento de la línea de molienda y parámetros de proceso por lotes operativos almacenados en asociación con respectivas unidades de procesamiento de la línea de molienda, en la que el aparato de control de bucle cerrado y bucle abierto comprende un aparato de memoria para almacenar recetas de proceso operativo históricas con parámetros de proceso por lotes históricos, en la que los parámetros de proceso por lotes históricos de una receta de proceso definen en cada caso un patrón de parámetros de proceso por lotes multidimensional, típico del proceso, de un proceso por lotes optimizado en el intervalo normal, en la que la entrada de una nueva receta de proceso operativo da como resultado que se activen y/o seleccionen una o varias de las recetas de proceso operativo históricas almacenadas como el/los patrón/patrones de parámetros de proceso por lotes más próximo/s por medio del reconocimiento de patrones por el módulo de reconocimiento de patrones basándose en los patrones de parámetros de proceso por lotes multidimensionales asociados, y en la que se generan nuevos patrones de parámetros de proceso por lotes con nuevos parámetros de proceso por lotes por medio del aparato de control de bucle cerrado y bucle abierto tras la detección de uno o varios espacios de tiempo anómalos producidos, de datos de sensor recién medidos por medio del aparato de control basándose en los patrones de parámetros de proceso normales por lotes más próximos activados, accionándose y regulándose las unidades de procesamiento por medio del aparato de control de bucle cerrado y bucle abierto de manera adecuada basándose en las recetas de proceso operativo generadas con parámetros de proceso por lotes asociados. Esta variante de forma de realización tiene, entre otros, la ventaja de que permite proporcionar un aparato de control inteligente, autoadaptativo, de bucle abierto/bucle cerrado para la optimización y el control automatizado de la línea de molienda de un sistema de cilindros que puede utilizarse para realizar la molienda y/o trituración de una manera optimizada y automatizada y que aumenta la fiabilidad de un molino y al mismo tiempo optimiza el funcionamiento o reacciona automáticamente frente a las anomalías que se producen.

Obsérvese que se utilizan sensores y dispositivos de medición como dispositivos de campo para detectar o controlar variables de proceso de un equipo o planta industrial en un proceso industrial. Sin embargo, en algunas instalaciones, puede ser deseable monitorizar el entorno local del dispositivo de campo. Obsérvese además que el sistema o procedimiento de detección de anomalías pueden comprender, por ejemplo, un módulo de evaluación de umbral adicional para almacenar un valor umbral superior y un valor umbral inferior por datos de estado técnico recibidos para una o varias de las señales de sensor respectivas. El evaluador de umbral compara los datos de estado técnico recibidos con los valores umbral, y genera, independientemente de la evaluación por el sistema o procedimiento de detección de anomalías, un indicador de anomalías para datos de estado técnico particulares si el valor de datos respectivo se sale del intervalo definido por los respectivos umbrales superior e inferior. Dicho de otro modo, una evaluación de datos de sensor basada en umbrales puede proporcionar un acceso directo a la detección de un indicador de anomalías. Si un valor de datos de estado técnico particular se sitúa fuera del intervalo de tolerancia definido por los umbrales superior e inferior inmediatamente se detecta un indicador de anomalías correspondiente sin importar lo que proporcione el resultado de la detección de anomalías. Por ejemplo, los valores umbral pueden predefinirse (por ejemplo, por un operario) basándose en la experiencia anterior, o los valores umbral, como valores de acceso directo, pueden aprenderse mediante un módulo de aprendizaje por máquina a partir de datos de sensor históricos.

Por medio de los elementos y combinaciones particularmente representados en las reivindicaciones adjuntas se implementarán y alcanzarán otros aspectos de la invención. Debe entenderse que tanto la descripción general anterior como la siguiente descripción detallada son sólo a modo de ejemplo y explicación y no son restrictivas de la invención descrita.

Breve descripción de los dibujos

La presente invención se explicará en más detalle, a modo de ejemplo, con referencia a los dibujos en los que:

La figura 1 muestra un diagrama que ilustra esquemáticamente un proceso de monitorización y adaptación en una planta industrial, con un aparato de control inteligente, autoadaptativo para un control autooptimizado de una planta industrial.

La figura 2 muestra un diagrama que ilustra esquemáticamente un proceso de monitorización y adaptación en una planta industrial. Los datos de los sensores se transmiten periódicamente, por ejemplo, cada 3 minutos.

Las figuras 3 a 12 ilustran eventos de fallo/suspensión de la planta (tiempo de inactividad) en la sección de molienda premium de la planta a modo de ejemplo según la figura 2. Los eventos de suspensión de fallos importantes debidos a errores mecánicos en las secciones de molienda/limpieza/primera limpieza se ilustran en un resumen del estado operativo. Los fallos frecuentes a nivel de sensor individual se muestran para datos de ejemplo de 2017 y 2018, respectivamente. Las anomalías se ilustran en la sección de nivel de molienda y para sensores individuales. También se ilustra la señalización para la optimización y el mantenimiento preventivo.

La figura 3 muestra un diagrama que ilustra esquemáticamente la monitorización de un rendimiento de molienda a modo de ejemplo en el periodo de tiempo de 2017 a 2018.

La figura 4 muestra un diagrama que ilustra esquemáticamente la monitorización de un rendimiento de F1 a modo de ejemplo en el periodo de tiempo de 2017 a 2018.

La figura 5 muestra un diagrama que ilustra esquemáticamente la monitorización de un resumen de suspensión de molienda en la sección de molienda a modo de ejemplo en el periodo de tiempo de 2017 a 2018. El número total de eventos de suspensión en 2018 fue, en este ejemplo, de 80 con un tiempo de duración total de 2 días 27 h 11 min. La suspensión más larga en la sección de molienda fue de 14 h 51 min el 01.01.2018 El número total de eventos de suspensión en 2017 fue de 275 con un tiempo de duración total de 9 días 8 h 58 min. La suma excluye los eventos que faltan.

Las figuras 6a - 6o muestran un diagrama que ilustra esquemáticamente la monitorización de errores de la planta de molienda a modo de ejemplo en el periodo de tiempo del 1 de noviembre al 30 de noviembre de 2017.

La figura 7 muestra un diagrama que ilustra esquemáticamente el resumen de la frecuencia de monitorización de errores de la planta de molienda a modo de ejemplo en un periodo de tiempo de 2017 a 2018. La figura muestra los eventos de suspensión de la planta para la segunda sección de limpieza (MUEPS001), la sección de molienda (MUEPS002) y la primera sección de limpieza (RE1 PS001) por fallos por errores mecánicos por número de semana. Los datos que faltan y que son superiores a 10 minutos están representados arriba. Las barras verticales indican el momento en que se produjeron los fallos y se han ampliado (en 15 horas) para hacer visibles los eventos de fallos de corta duración. Las líneas verticales más gruesas indican eventos de fallo más largos o varios eventos de fallo cortos cercanos entre sí. Se excluyen los fallos de menos de 3 minutos (los datos se muestrean cada 3 minutos).

Las figuras 8a y 8b muestran un diagrama que ilustra esquemáticamente las 10 principales alarmas de fallo a modo de ejemplo por duración en 2018.

La figura 9 muestra un diagrama que ilustra esquemáticamente la monitorización de errores en la sección de limpieza de la planta a modo de ejemplo en el periodo de tiempo de 2017 a 2018. El sistema y el procedimiento de la invención permiten generar una señalización si es necesario un mantenimiento preventivo o una monitorización posterior de la Sortex. El procedimiento de la invención de detección de anomalías puede identificar los equipos que requieren mantenimiento preventivo o monitorización. El gráfico muestra algunos resultados preliminares, marcándose las semanas anómalas en naranja para la sección de limpieza. La figura 9 muestra los resultados preliminares en los que se detectan frecuencias de fallos anómalos. Las barras verticales indican el momento en que se produjeron los fallos y están ligeramente ampliadas para hacer visibles los eventos de fallo de corta duración. La barra de color indica la clasificación de cada señal de fallo. El periodo de tiempo marcado en gris se supone que es el funcionamiento típico de la planta. Los periodos de tiempo marcados en azul se clasifican como de funcionamiento normal y las semanas marcadas en naranja se clasifican como anómalas. Los periodos de tiempo en los que faltan datos se clasifican como funcionamiento normal y no se indican. Tenga en cuenta que la Sortex, el sensor de alto nivel - WT, el equilibrador de flujo 203 y la sección de limpieza son sólo ejemplos de máquinas diferentes. Así, en la figura 9, la Sortex también podría denominarse de manera más general como “máquina 1”, el sensor de alto nivel - WT como “máquina 2”, el equilibrador de flujo 203 como “máquina 3” y la sección de limpieza como “máquina 4” del sistema global.

La figura 10 muestra un diagrama que ilustra esquemáticamente la monitorización de errores en la sección de limpieza de la planta de molienda a modo de ejemplo por la ubicación de los sensores en la planta. Los números de referencia que tienen la forma A-xxxx denotan sensores y dispositivos de medición que captan datos de medición durante el funcionamiento de la sección de limpieza de la planta de molienda y se toman dentro de varias ubicaciones en el procesamiento.

La figura 11 muestra un diagrama que ilustra esquemáticamente la monitorización de errores en la sección de limpieza de la planta de molienda a modo de ejemplo mediante balanzas de peso y equilibradores de flujo.

La figura 12 muestra un diagrama que ilustra esquemáticamente la correlación de errores/fallos en los datos de sensor y medición. El sistema de la invención y el procedimiento novedoso para un aparato de control que detecta anomalías del funcionamiento de la planta puede hacer frente a un elevado número de valores de correlación y sensor. El gráfico de cuerdas de la figura 12 muestra los fallos que se producen simultáneamente, lo que implica una posible correlación entre los fallos mecánicos.

La figura 13 muestra un diagrama que ilustra esquemáticamente una variante de forma de realización de la presente invención con conversión binaria de los datos de proceso. Normalmente, los algoritmos de detección de anomalías de series temporales se basan en umbrales y medias móviles o similares para detectar anomalías. El resultado puede ser la detección de demasiados eventos de anomalía debido a señales oscilantes/ruidosas (típicas en procesos industriales). En la presente invención, puede ajustarse un valor umbral para tener más o menos sensibilidad (véase la figura 13 en la que las anomalías están marcadas por líneas verticales). Cada uno de los eventos en los que se ha superado un umbral se considera como un valor Verdadero/1 (y Falso/0 en caso contrario) para generar una secuencia binaria. Esto permite observar la frecuencia de los cruces de umbral para poder clasificar las anomalías basándose en la frecuencia anómala. Una ventaja técnica es que no hay que preocuparse por la hipersensibilidad del umbral ni por los datos industriales de loT oscilantes/ruidosos.

La figura 14 muestra un diagrama que ilustra esquemáticamente la detección de anomalías de los datos de proceso, donde en una primera etapa se genera la secuencia binaria basándose en los valores umbral aplicados a los datos de proceso (véase la figura 14). En una segunda etapa, se aplica a la secuencia binaria la detección de anomalías aquí descrita y, de manera correspondiente, se marcan los periodos de tiempo anómalos. La conversión de las anomalías de la señal analógica en vectores binarios y la posterior aplicación de la estructura estadística de detección de anomalías HMM (modelo oculto de Markov) según la presente invención es técnicamente única y no puede derivarse de ninguno de los sistemas de la técnica anterior.

La figura 15 muestra otros diagramas que ilustran esquemáticamente la detección de anomalías de los datos de proceso basándose en los datos de tiempo de inactividad y de sensor de errores, donde la columna de la izquierda muestra las mediciones de tiempo de inactividad dentro de las diversas secciones a lo largo del tiempo, y la columna de la derecha muestra en el diagrama superior los fallos medidos por máquina sobre todas las máquinas, el diagrama del medio el tiempo de error por máquina y el diagrama inferior la frecuencia de error medida por día.

La figura 16 muestra otro diagrama que ilustra esquemáticamente la correlación error/fallo en los datos de sensor y de medición para el ejemplo mostrado en la figura 15. La figura 16 ilustra cómo el sistema y el procedimiento de la invención para la detección de anomalías o indicaciones tempranas de fallos de equipo en equipos industriales o plantas de producción que activan los datos de sensor o de medición procedentes de los componentes utilizados en los procesos industriales permiten proporcionar señales de dirección adecuadas basándose en las frecuencias de alarmas detectadas y medidas, y en las correlaciones y anomalías. Por tanto, el sistema de la invención permite una manera completamente nueva desde el punto de vista técnico de activar correlaciones entre eventos de alarma, y/o visualizar eventos de alarma en el tiempo, y/o detectar anomalías de tiempo de inactividad/alarmas anómalas, y/o reproducir alarmas y generar la correspondiente señalización electrónica.

Lista de números de referencia

1 equipo industrial/plantas de producción 821,822,...,82x estados almacenables de

la cadena de Markov

11 línea de proceso 831,832,...,83x parámetros del modelo entrenados

12 tiempo de inactividad de la planta 82 frecuencia de estado normal de eventos de alarma producidos

13 dispositivos de monitorización 83 valores de estado de probabilidad

14 dispositivos de control/dirección 84 valor umbral logarítmico

15 dispositivos de alarma 841 puntuación de la anomalía

2 dispositivos/sensores de medición 85 valor de resultado logarítmico

3 espacios de tiempo del mismo tamaño 86 umbral de convergencia predefinido

31 espacios de tiempo anómalos 9 convertidor/diferenciador

binario

parámetros de medición y/o proceso 91 códigos de procesamiento binario

parámetros de sensor/medición 911 códigos de procesamiento binario generados variables de proceso 912 códigos de procesamiento binario muestreados previamente

valores de datos de sensor anómalos 92 valores umbral componentes de procesamiento

industrial/dispositivos industriales

proceso industrial

eventos de alarma producidos

frecuencias de eventos de alarma

producidos

patrones de frecuencia de eventos de

alarma producidos

sistema para detectar anomalías o

indicaciones tempranas de fallos de equipo

en equipos industriales o plantas de

producción

dispositivo de monitorización

módulo de aprendizaje por máquina

estructura de datos multidimensional

, valores variables de parámetros del modelo

,...,81x oculto de Markov

Claims

REIVINDICACIONES

1. Un procedimiento para detectar anomalías o indicaciones tempranas de fallos de equipo (43) en equipos industriales o plantas de producción (1) monitorizando datos de medición y/o parámetros de proceso (4) procedentes de componentes (5) utilizados en procesos industriales (6), caracterizado por las etapas de:

medir y/o monitorizar los datos de medición o monitorizar, respectivamente, los parámetros de proceso (4) de componentes (5) utilizados en un proceso industrial (6) por medio de dispositivos de medición o sensores (2) e identificar espacios de tiempo del mismo tamaño (3) en los parámetros de medición y/o proceso (4) para espacios de tiempo en los que los componentes (5) utilizados en el proceso industrial (6) funcionan con normalidad, comprendiendo los parámetros de medición y/o proceso (4) valores de parámetros para una pluralidad de parámetros de medición/sensor (41) y/o variables de proceso (42),

convertir los valores de parámetros (4) de la pluralidad de parámetros de medición/sensor (41) y/o variables de proceso (42) en códigos de procesamiento binario observables (91/911) para cada uno de los espacios de tiempo identificados, del mismo tamaño (3) y asignar los códigos de procesamiento binario (91/911) a una secuencia de estados almacenables de la cadena de Markov (821,822,...,82x),

generar una estructura de datos multidimensional (81) que comprende un número definible de valores variables de parámetros del modelo oculto de Markov (811, 812,...,81x), en el que los parámetros variables del modelo (811, 812,...,81x) de la estructura de datos multidimensional (81) se determinan por medio de un módulo de aprendizaje por máquina (8) aplicado a la secuencia de los estados almacenables de la cadena de Markov (821, 822,...,82x) con códigos de procesamiento binario asignados (91), y en el que los parámetros variables del modelo oculto de Markov (811,812,...,81x) de la estructura de datos multidimensional (81) se varían y entrenan aprendiendo una frecuencia de estado normal (82) de ocurrencia de eventos de alarma basándose en los datos de medición y/o los parámetros de proceso (4) de los espacios de tiempo identificados, del mismo tamaño (3),

inicializar y almacenar una pluralidad de valores de estado de probabilidad (83) aplicando la estructura de datos multidimensional entrenada (81/831,832,...,83x) con los valores variables de parámetros del modelo oculto de Markov (811,812,...,81x) a códigos de procesamiento binario previamente muestreados (912) con el mismo espacio de tiempo del mismo tamaño (3) que los valores de parámetros (4) de la pluralidad de parámetros de medición/sensor (41) y/o variables de proceso (42),

determinar un primer valor umbral logarítmico (84) de una puntuación de la anomalía (841) ordenando los valores de los resultados logarítmicos de los valores de estado de probabilidad almacenados (83), y

utilizar dicha estructura de datos multidimensional entrenada (81/831, 832,...,83x) con los valores variables de parámetros del modelo oculto de Markov (811, 812,...,81x) para monitorizar datos de medición y/o parámetros de proceso (4) recién medidos o determinados, respectivamente, de equipos o plantes industriales (1) utilizando el primer valor umbral logarítmico (84) de la puntuación de la anomalía (841) para detectar valores de datos de sensor anómalos (43) que podrían ser indicativos de un fallo inminente del sistema, en el que, para una activación con los valores de datos de sensor anómalos (43), se genera un valor de resultado logarítmico (85) del valor de estado de probabilidad (83) de los datos de medición y/o parámetros de proceso (4) recién medidos o determinados, respectivamente, y se compara con los valores de estado de probabilidad almacenados (83) basándose en dicho primer valor umbral logarítmico (84) de la puntuación de la anomalía (841).

2. El procedimiento para detectar anomalías o indicaciones tempranas de fallos de equipo (43) en equipos industriales o plantas de producción (1) según la reivindicación 1, en el que los códigos de procesamiento binario (91) se generan basándose en segundos valores umbral (92) aplicados a los datos de medición y/o los parámetros de proceso (4).

3. El procedimiento para detectar anomalías o indicaciones tempranas de fallos de equipo (43) en equipos industriales o plantas de producción (1) según la reivindicación 2, caracterizado por que la sensibilidad para detectar un evento se ajusta automáticamente basándose en ajustes dinámicos de uno de los valores umbral (92), reduciendo así los eventos de anomalías de detección debido a señales oscilantes/ruidosas, en el que, cuando se supera el umbral (92), los eventos se consideran como un valor 1 (verdadero) y como un valor 0 (falso), en caso contrario, para generar una secuencia binaria.

4. El procedimiento para detectar anomalías o indicaciones tempranas de fallos de equipo en sistemas industriales según una de las reivindicaciones 1 a 3, caracterizado por que se miden espacios de tiempo anómalos (31) por muchos activos de las mismas líneas de proceso industrial (11), en el que para la activación con la puntuación de la anomalía (841) los espacios de tiempo anómalos se aplican al análisis de la causa raíz del tiempo de inactividad de la planta y en el que se genera una señalización del servicio de mantenimiento basándose en dicho análisis de la causa raíz del tiempo de inactividad de la planta (12).

5. El procedimiento para detectar anomalías o indicaciones tempranas de fallos de equipo (43) en equipos industriales o plantas de producción (1) según una de las reivindicaciones 1 a 4, caracterizado por que el módulo de aprendizaje por máquina (8) procesa la secuencia de los códigos de procesamiento binario asignados (91) aplicando una estimación de parámetros por máxima verosimilitud para el entrenamiento de la estructura de datos multidimensional (81) con los parámetros variables del modelo oculto de Markov (811, 812,...,81x), en el que se supone que los elementos de la secuencia de estados de parámetros almacenables de la cadena de Markov (821, 822,...,82x) son mediciones independientes entre sí y en el que se varían los parámetros del modelo de la estructura de datos multidimensional (81) maximizando el producto multiplicado de las probabilidades de estado con el fin de obtener los parámetros del modelo entrenado (831,832,...,83x) de la estructura de datos multidimensional (81).

6. El procedimiento para detectar anomalías o indicaciones tempranas de fallos de equipo (43) en equipos industriales o plantas de producción (1) según la reivindicación 5, caracterizado por que los parámetros del modelo de la estructura de datos multidimensional (82) se varían de manera iterativa hasta que se cruza un tercer umbral de convergencia predefinido (86).

7. El procedimiento para detectar anomalías o indicaciones tempranas de fallos de equipo (43) en equipos industriales o plantas de producción (1) según una de las reivindicaciones 1 a 6, caracterizado por que para determinar dicho primer valor umbral logarítmico (84) de la puntuación de la anomalía (841) se aplica un proceso de promediación basándose en las diferentes frecuencias de ocurrencia de eventos de alarma (61) de los parámetros de medición y/o proceso (4) de los espacios de tiempo identificados (31).

8. El procedimiento para detectar anomalías o indicaciones tempranas de fallos de equipo (43) en equipos industriales o plantas de producción (1) según una de las reivindicaciones 1 a 7, caracterizado por que para determinar dicho primer valor umbral logarítmico (84) de la puntuación de la anomalía (841) se genera un patrón de frecuencia (612) para cada uno de los espacios de tiempo identificados, del mismo tamaño (31) utilizando un reconocimiento de patrones para inicializar una pluralidad de secuencias de la cadena de Markov de estados de parámetros almacenables (821, 822,...,82x), en el que cada estado de parámetro almacenable (821, 822,...,82x) es una función de la pluralidad de los datos de medición y/o los parámetros de proceso (4), en el que, por medio del reconocimiento de patrones utilizado, se determinan factores de ponderación y/o media y/o varianza de cada una de la pluralidad de secuencias de estados de parámetros almacenables (821, 822,...,82x), y se eliminan los espacios de tiempo no relevantes del conjunto utilizado de espacios de tiempo identificados, del mismo tamaño (3).

9. El procedimiento para detectar anomalías o indicaciones tempranas de fallos de equipo (43) en equipos industriales o plantas de producción (1) según una de las reivindicaciones 1 a 8, caracterizado por que se genera una señal de compuerta, como una señal digital o un pulso que proporciona una ventana de tiempo adecuada, en el que se seleccionan un espacio de tiempo anómalo producido (31) de los datos de medición y/o parámetros de proceso (4) recién medidos de entre la pluralidad de espacios de tiempo medidos (3) de los datos de medición y/o los parámetros de proceso (4) y se eliminan o descartan los espacios de tiempo normales, y en el que la selección de un espacio de tiempo anómalo producido (31) activa una generación de señalización adecuada y la transición a dispositivos de alarma (15) y/o monitorización (13) y/o control/dirección (14) asignados.

10. El procedimiento para detectar anomalías o indicaciones tempranas de fallos de equipo (43) en equipos industriales o plantas de producción (1) según la reivindicación 9, caracterizado por que se genera una señalización de control y dirección electrónica, en el que se seleccionan un espacio de tiempo anómalo producido (31) de los datos de medición recién medidos de entre la pluralidad de espacios de tiempo medidos de los datos de medición y se eliminan o descartan los espacios de tiempo normales, y en el que la selección del espacio de tiempo anómalo producido (31) activa la generación de señalización adecuada y la transición para ajustar el funcionamiento del equipo industrial y/o las plantas de producción (1) de un componente (5) por medio de un dispositivo de control/dirección (14).

11. Un sistema (7) para detectar anomalías o indicaciones tempranas de fallos de equipo (43) en equipos industriales o plantas de producción (6) monitorizando datos de medición y/o parámetros de proceso (4) procedentes de componentes (5) de procesos industriales (6), caracterizado

por que el sistema (7) comprende sensores o dispositivos de medición (2/13) para medir los datos de medición y/o los parámetros de proceso (4) de componentes (5) utilizados en un proceso industrial (6) y dispositivos de detección para identificar espacios de tiempo del mismo tamaño (3) en los datos de medición y/o los parámetros de proceso (4) para espacios de tiempo en los que los componentes (5) de un proceso industrial (6) funcionan con normalidad, comprendiendo los datos de medición y/o los parámetros de proceso (4) valores de parámetros para una pluralidad de parámetros de medición/sensor (41) y/o variables de proceso (42),

por que el sistema (7) comprende un diferenciador (9) para convertir los valores de parámetros (4) de la pluralidad de parámetros de medición/sensor (41) y/o variables de proceso (42) en códigos de procesamiento binario observables (91/911) para cada uno de los espacios de tiempo identificados, del mismo tamaño (3) y asignar los códigos de procesamiento binario (91/911) a una secuencia de estados almacenables de la cadena de Markov (821,822,...,82x),

por que el sistema (7) comprende un módulo de aprendizaje por máquina (8) para generar una estructura de datos multidimensional (81) que comprende un número definible de valores variables de parámetros del modelo oculto de Markov (811, 812,...,81x), en el que los parámetros variables del modelo (811, 812,...,81x) de la estructura de datos multidimensional (81) se determinan por medio de un módulo de aprendizaje por máquina (8) aplicado a la secuencia de los estados almacenables de la cadena de Markov (821, 822,...,82x) con códigos de procesamiento binario asignados (91), y en el que los parámetros variables del modelo oculto de Markov (811, 812,...,81x) de la estructura de datos multidimensional (81) se varían y entrenan aprendiendo una frecuencia de estado normal (82) de ocurrencia de eventos de alarma basándose en los datos de medición y/o los parámetros de proceso (4) de los espacios de tiempo identificados, del mismo tamaño (3),

por que el módulo de aprendizaje por máquina (8) comprende además medios para inicializar y almacenar una pluralidad de valores de estado de probabilidad (83) aplicando la estructura de datos multidimensional entrenada (81/831,832,...,83x) con los valores variables de parámetros del modelo oculto de Markov (811,812,...,81x) a códigos de procesamiento binario previamente muestreados (912) que tienen el mismo espacio de tiempo del mismo tamaño (3) que los valores de parámetros (4) de la pluralidad de parámetros de medición/sensor (41) y/o variables de proceso (42),

por que el módulo de aprendizaje por máquina (8) comprende además medios para determinar un valor umbral logarítmico (84) de una puntuación de la anomalía (841) ordenando los valores de los resultados logarítmicos de los valores de estado de probabilidad almacenados (83), y

por que el módulo de aprendizaje por máquina (8) comprende además medios que utilizan dicha estructura de datos multidimensional entrenada (81/831,832,...,83x) con los valores variables de parámetros del modelo oculto de Markov (811, 812,...,81x) para monitorizar los datos de medición y/o parámetros de proceso (4) recién medidos o determinados, respectivamente, de equipos o plantes industriales (1) utilizando el valor umbral (84) de la puntuación de la anomalía (841) para detectar valores de datos de sensor anómalos que podrían ser indicativos de un fallo inminente del sistema, en el que, para activar valores de datos de sensor anómalos (43), el sistema está configurado para generar un valor de resultado logarítmico (85) del valor de estado de probabilidad (83) de uno de los parámetros de medición y/o proceso (4) recién medidos y para comparar el valor de resultado con los valores de estado de probabilidad almacenados (83) basándose en dicho valor umbral logarítmico (84) de la puntuación de la anomalía (841).