JP2000505221A

JP2000505221A - 工業プロセス監視システム

Info

Publication number: JP2000505221A
Application number: JP10503223A
Authority: JP
Inventors: グロス，ケネス・シー; ウェガリッチ，ステファン; シンガー，ラルフ・エム; モット，ジャック
Original assignee: アーチ・デヴェロップメント・コーポレイション
Priority date: 1996-06-19
Filing date: 1997-06-13
Publication date: 2000-04-25
Anticipated expiration: 2017-06-13
Also published as: EP0906593A1; CA2257881C; EP0906593B1; WO1997049011A9; DE69723839D1; CA2257881A1; JP3449560B2; DE69723839T2; KR100313067B1; WO1997049011A1; US6181975B1; US5764509A; ES2205244T3; EP0906593A4; AU3396797A; KR20000022050A

Abstract

(57)【要約】工業プロセスおよび／または工業用データソースを監視するためのシステム（１０）と方法が提供される。システム（１０）は、時間相関モジュール(２０)、訓練モジュール(３０)、システム状態推定モジュール(４０)、およびパターン認識モジュール（５０）を備える。システム（１０）は、時間的変動データを得て、そのデータを処理してデータの時間相関を求め(２０)、データの範囲を決定し、正常稼働についての学習状態を決定し(３０)、そしてこれらの状態を使用して一つの学習された正常な状態に最も近いプロセスの現時点の状態を識別するための期待値を求め(４０)、モデル化されたデータの集合を形成し、そしてデータパターンを識別するためにモデル化されたデータを処理し、さらに、正常からの逸脱を検出したときに警報を生成する(５０)。

Description

【発明の詳細な説明】工業プロセス監視システム本発明は、米国エネルギー省から与えられた契約番号第Ｗ−３１−１０９ＥＮＧ−３８号の下で米国政府の支援を得て実施された。米国政府は本発明に関し特定の権利を有する。発明の分野本発明は検出器あるいはデータソースからの出力を用いて工業プロセスの監視を行うための方法およびシステムに関する。本発明は特に、工業プロセスを監視するための基本的な統計的アプローチに対する改良方法としての、検出器データを処理する、および仮想データを用いる方法およびシステムに関する。さらに、本発明は、機能アップした工業プロセスデータ分析に関連づけられる複数の技術の使用を含む。発明の背景従来のパラメータによる監視機構は、プロセスの平均値の大きな変化、あるいはある種の閾値限度検査における閾値を超える大きなステップあるいはスパイクにだけ感応する。これら従来の方法は、多数の誤警報（閾値が正常な稼働レベルにあまりにも近く設定される場合）あるいは多数の見逃し（もしくは遅延）警報（閾値があまりにも開放的に設定される場合）のいずれかを被る。さらに、ほとんどの従来の方法は、警報条件の閾値レベル以下で信号を発する、プロセスの擾乱、検出器の狂いあるいはデータ異常の兆候を認識することができない。ほとんどの方法はまた、１つの検出器による測定と別の一つの検出器による測定との関係を考慮していない。別の監視方法では、従来の連続的な確率比率試験（「ＳＰＲＴ」）技術が原子炉産業での信号確認ツールとして広く適用されている。ＳＰＲＴ法は物理的プロセス変数に関連する確率的要素を処理するパターン認識技術であって、それらの変数における微妙な擾乱の兆候に対し高い感度を有する。従来のＳＰＲＴ技術は、２つの特徴により、パラメータによる監視および故障検出に比べて好ましいものである。２つの特徴とは、（1）ノイズが多いプロセス変数から擾乱の兆候を早期に通告できることと、（2）ＳＰＲＴ技術は、誤認警報および見逃し警報の確率を使用者が特定できることである。ＳＰＲＴ技術は、多数の異なるプロセス検出器のデータポイントが存在するのとは対照的に、主として一つのペアのまたは多数のペアの検出器からのデータの分析を対象とする。ＳＰＲＴはまた、そのデータが他のデータソースから独立しており、かつガウス分布データであるとする仮定に依存している。従ってＳＰＲＴは単独で使用した場合、プロセスでの異常を識別することにおいて、ある特定の欠点を有する。工業プロセスの監視および分析のために、他のタイプの統計的技術も開発されてきたが、しかしある特定の種類の検出器データを感知しない。発明の目的と概要以上の説明から、本発明の目的は、工業プロセスおよび装置を監視するための改良された方法およびシステムを提供することにある。本発明のもう１つの目的は、複数の検出器を備えた工業プロセスおよび装置をオンライン監視するための新規な方法およびシステムを提供することにある。本発明のさらに別の目的は、検出器あるいはデータ蓄積ソースからのプロセスデータをオンラインまたはオフラインで評価するための改良された方法およびシステムを提供することにある。本発明のさらなる目的は、ＳＰＲＴシステムへデータを入力する前に警報条件に関するデータの予備分析を行う新規な方法およびシステムを提供することにある。本発明の追加的な目的は、異常なプロセス状態あるいは異常な検出器状態が存在するかどうか決定し、監視下にあるプロセスを停止するべきか修正すべきかを決定するためのテストを行うために選択された検出器データをマスクして、仮想データを代入するための改良された方法とシステムを提供することにある。本発明のさらなる別の目的は、進行中の工業プロセスおよび／またはデータ蓄積と比較するために、正常なシステムおよび／または検出器および／またはデータソースの動作特性を示している訓練データを使用する新規な方法およびシステムを提供することにある。本発明のさらなる目的は、正常稼働に関する訓練データを決定するプロセスからのデータを処理して、このような訓練データをコンピュータの記憶媒体に記憶して、そしてＲＯＭまたはＰＲＯＭ記憶媒体に記憶された複数の数学的手法を用いて正常稼動に関する訓練データについての真のプロセスデータを分析するための改良された方法およびシステムを提供することにある。本発明のさらに追加的な目的は、異常なプロセスまたはデータソースの稼動の兆候を引き出すために、複数の他のプロセスデータ値との相関を基準に導き出した標準状態の運転特性を示す仮想信号を真のプロセスデータ信号集合との比較に用いる新規な方法とシステムを提供することにある。本発明のさらに別の目的は、運転の複数の特定状態のいずれをも認識するための訓練データを蓄積して、それによってプロセスまたは他のシステムに存在している、特定のタイプの故障もしくは状態を識別するための新規な方法および装置を提供することにある。本発明のさらなる目的は、正常なプロセス変化のゆっくりと変化している稼働中の検出器データを識別するために訓練データを用いてプロセスを監視するための新規な方法と装置を提供することにある。本発明のなおさらなる目的は、好ましくない影響を伴うことなくシステムまたはデータソースの異常を無視できるかどうか決定するための改良された方法およびシステムを提供することにある。図面の簡単な説明本発明の他の利点および特徴と、その実施の機構および方法は、以下に示す添付図面を参照することにより、以下の詳細な説明から明らかになるであろう。図１は発明の好ましい実施の形態の略機能的なフローチャートである。図２は時間進み遅れ相関法の機能的なフローチャートである。図３は、標準状態の訓練データをサーチすることにより、全範囲にわたってデータを決定する方法の機能的なフローチャートである。図４は業務用システムの稼動状態の挙動をモデル化するための方法の機能的なフローチャートである。図５はパターン認識を行うための方法の機能的なフローチャートである。図６Ａは進み遅れ法を実施する前に４秒の遅延を有する検出器信号を示した図、図６Ｂは進み遅れ法を実施した後の検出器信号を示した図である。図７Ａは、その上にＳＭＳＥＴ推定値が重ねられた、ポンプ第１の出力に関する検出器信号データを示した図、図７ＢはＳＭＳＥＴ推定値と検出器信号データの間のＳＭＳＥＴ推定誤差を示した図、図７Ｃは誤差の棒グラフを示した図である。図８Ａは、その上にＳＭＳＥＴ推定値が重ねられた、ポンプ第２の出力に関する検出器信号データを示した図、図８ＢはＳＭＳＥＴ推定値と検出器信号データの間のＳＭＳＥＴ推定誤差を示した図、図８Ｃは誤差の棒グラフを示した図である。図９Ａは、その上にＳＭＳＥＴ推定値が重ねられた、ポンプ第１の速度に関する検出器信号データを示した図、図９ＢはＳＭＳＥＴ推定値と検出器信号データの間のＳＭＳＥＴ推定誤差を示した図、図９Ｃは誤差の棒グラフを示した図である。図１０Ａは、その上にＳＭＳＥＴ推定値が重ねられた、ポンプ第２の速度に関する検出器信号データを示した図、図１０ＢはＳＭＳＥＴ推定値と検出器信号データの間のＳＭＳＥＴ推定誤差を示した図、図１０Ｃは誤差の棒グラフを示した図である。図１１Ａは原子炉出口流量に関する検出器信号データを示した図、図１１ＢはＳＭＳＥＴ推定値と検出器信号データの間のＳＭＳＥＴ推定誤差を示した図、図１１Ｃは誤差の棒グラフを示した図である。図１２Ａは一次ポンプ第２の流量に関する検出器信号データを示した図、図１２ＢはＳＭＳＥＴ推定値と検出器信号データの間のＳＭＳＥＴ推定誤差を示した図、図１２Ｃは誤差の棒グラフを示した図である。図１３Ａはサブアセンブリ出口温度１Ａ１に関する検出器信号データを示した図、図１３ＢはＳＭＳＥＴ推定値と検出器信号データの間のＳＭＳＥＴ推定誤差を示した図、図１３Ｃは誤差の棒グラフを示した図である。図１４Ａがサブアセンブリ出口温度２Ｂ１に関する検出器信号データを示した図、図１４ＢはＳＭＳＥＴ推定値と検出器信号データの間のＳＭＳＥＴ推定誤差を示した図、図１４Ｃは誤差の棒グラフを示した図である。図１５Ａがサブアセンブリ出口温度４Ｅ１に関する検出器信号データを示した図、図１５ＢはＳＭＳＥＴ推定値と検出器信号データの間のＳＭＳＥＴ推定誤差を示した図、図１５Ｃは誤差の棒グラフを示した図である。図１６Ａがサブアセンブリ出口温度４Ｆ１に関する検出器信号データを示した図、図１６ＢはＳＭＳＥＴ推定値と検出器信号データの間のＳＭＳＥＴ推定誤差を示した図、図１６は誤差の棒グラフを示した図である。図１７Ａは原子炉出口温度１５３４ＣＦに関する検出器信号データを示した図、図１７ＢはＳＭＳＥＴ推定値と検出器信号データの間のＳＭＳＥＴ推定誤差を示した図、図１７Ｃは誤差の棒グラフを示した図である。図１８Ａは一次タンクのナトリウムレベル５３０フロートに関する検出器信号データを示した図、図１８ＢはＳＭＳＥＴ推定値と検出器信号データの間のＳＭＳＥＴ推定誤差を示した図、図１８Ｃは誤差の棒グラフを示した図である。図１９Ａは一次タンクのナトリウムレベル５３１インダクションに関する検出器信号データを示した図、図１９ＢはＳＭＳＥＴ推定値と検出器信号データの間のＳＭＳＥＴ推定誤差を示した図、図１９Ｃは誤差の棒グラフを示した図である。図２０Ａは図７から図１９のそれぞれのデータについてのＳＭＳＥＴ誤差の標準偏差を示した図、図２０Ｂは図７から図１９のそれぞれのデータについてのＳＭＳＥＴ誤差の平均値を示した図である。図２１はサブアセンブリ出口温度（「ＳＯＴ」）とＳＭＳＥＴ推定値を示し、特に図２１ＡはＥＢＲ−１１原子炉の３Ｆ１に関する時間依存の正常なＳＯＴを示した図、図２１Ｂは３Ｃ１に関する正常なＳＯＴを示した図、図２１Ｃは５Ｃ２に関する正常なＳＯＴを示した図、図２１Ｄは７Ａ３に関する正常なＳＯＴを示した図である。図２２Ａ〜Ｄは、それぞれ、図２１Ａ〜Ｄのそれぞれのデータに対するＳＭＳＥＴ評価誤差を示した図である。図２３Ａ〜Ｄは、それぞれ、図２１Ａ〜ＤのそれぞれのデータについてのＳＰＲＴの結果を示した図である。図２４Ａは正確に図２１Ａに対応する。図２４Ｂは図２１Ｂに比べて線形的なドリフト成分を含む。図２４Ｃと２４Ｄは、それぞれ、正確に図２１Ｃと２１Ｄに対応する。図２５Ａは正確に図２２Ａに対応する。図２５Ｂは図２４Ｂの線形的なドリフトのＳＭＥＴ推定誤差に対する影響を含む。図２４Ｃと２４Ｄは、それぞれ、正確に図２２Ｃと２２Ｄに対応する。図２６Ａは正確に図２３Ａに対応する。図２６Ｂは図２４Ｂの線形的なドリフトによる誤差に関するＳＰＲＴ結果を示した図。図２６Ｃ、Ｄは正確にそれぞれ図２３ＣとＤに対応する。図２７Ａと２８Ｂはそれぞれ図２１Ａと２１Ｂに正確に対応する。図２７Ｃは信号強度の０．２５％の一時的な振幅パルスを含む。図２７Ｄは正確に図２１Ｄに対応する。図２８Ａと２８Ｂは正確に図２２Ａと２２Ｂに対応する。図２８Ｃは図２７Ｃの振幅パルス効果に関するＳＭＳＥＴ推定誤差を示した図、そして図２７Ｄは正確に図２２Ｄに対応する。図２９Ａと２９Ｂは正確に図２３Ａと２３Ｂに対応する。図２９Ｃは図２７Ｃの振幅パルスについてのＳＰＲＴの結果を示した図である。図２９Ｄは正確に図２３Ｄに対応する。図３０ＡはＥＢＲ−１１のサブアセンブリの温度データ３Ｆ１を示した図であるが、図２１Ａと比較すると一様に利得の変化を含む。図３０Ｂ〜Ｄは正確に図２１Ｂ〜Ｄに対応する。図３１Ａは図３０Ａのプラスの変化についてのＳＭＳＥＴ推定誤差を示した図である。図３１Ｂ〜Ｄは、それぞれ、正確に図２２Ｂ〜Ｄに対応する。図３２Ａは図３０Ａのプラスの変化と図３１ＡのＳＭＳＥＴ分析についてのＳＰＲＴの結果を示した図である。図３２Ｂ〜Ｄは、それぞれ、正確に図２３Ｂ〜Ｄに対応する。詳細な説明システム１０（図１参照）は工業分野、公益事業分野、営業活動分野、医療分野、投資分野、および輸送分野に適用される検出器あるいはデータ蓄積機器構成を監視するための装置または方法を示している。システム１０は検出器もしくはデータソースの劣化、プロセスもしくはシステム異常の兆候、または異なった稼動状態への変化の兆候の微妙な識別に役立つ。システム１０の最も望ましい態様は、従来の方法（ニューラルネットワークを含む）と比較して、拡張された監視能力を実現し、かつ拡張された信頼性と改良された計算効率も実現する、４つの技術の相互依存的な統合化を含む。システム１０の最も好ましい監視形態を構成する４つの要素は、時間相関モジュール２０、訓練モジュール３０、システム状態推定モジュール４０およびパターン認識モジュール５０として一般的に特徴づけられる４つの異なった方法において実現される。従来のニューラルネットワークを原子核、石油化学、あるいはいかなる工業プロセスの監視用途に適用するための多くの試みはいくぶん乏しい結果に終わってしまっている。なぜなら、それらは種々の検出器あるいはデータソースの間の進み遅れ（LeadLag）関係（データ集合の適切な時間相関の欠如）を考慮に入れ損ねているからである。１つの例では、パイプに、そのパイプを通過する流体の瞬間的な温度を測るＮ個の熱電対（「ＴＣ」）の配列が備えられ、そしてこれらのＴＣからの信号は、流体ストリームの流れ経路に沿って遅れずに変位する。パイプを通過する流体の通過時間よりも検出器のサンプリング間隔が小さい場合、ニューラルネットワークでこれらの信号を監視するいかなる試みであっても、ＴＣに関する推定信号は非常に不確かさなものになるであろう。例えば、流体がパイプを通して通り越すのに１０秒を要し、そしてサンプリング間隔が１秒である場合、その時間内のいかなる所定の瞬間においても、パイプの出口端におけるＴＣ（Ｎ）は、ＴＣ（１）を１０秒前に通過した変動を見ていることになる。これらのＴＣはなお、パイプの上流の熱源あるいはシンクからの流体温度の大きな変化による小程度の相関を含んでいるかもしれない。しかしながら、パイプに沿って運ばれる温度摂動によって引き起こされるより価値のある検出器間の相互関係は失われるであろう。これと同じ現象は物理的な検出器あるいはデータソースがそれらが監視しているプロセスに沿って遅れずに変位するいかなるプロセスに適用されるニューラルネットワークおよび他のパターン認識パラダイムの性能を低下させる。相互に関連したシステムにおける時間遅延の他の事例としては、データの流動速度が遅いおよび／または物理的距離が大きいシステム(製油所、発電所、換気空調（ＨＶＡＣ）システムおよび金融システム)、アナログあるいはデジタルエレクトロニクス（ノイズフィルタおよび大容量コンデンサ）による遅延、あるいは伝送遅延（衛星通信、あるいは異なったバス方式にまたがってデータを伝達すること）などが挙げられる。時間相関モデル２０の好ましい形態では、本発明の進み遅れ部（図６を参照）は、動的でリアルタイムな検出器間の進み遅れ調整を行う。ＳＭＳＥＴルーチン（システム状態推定モジュール４０）にその後入力される出力信号が最適な形で相互に関連づけられ、かつパターン認識モジュール５０に最大情報量を与えられるように、進み遅れモジュール２０は調整を行う。進み遅れモジュール２０はコンピュータソフトウェア付属書Ａとして添付してある。進み遅れモジュール２０は、信号の各ペアについて、遅れ時間に関する相関係数のベクトルを求める反復形の回帰手法を実施することにより調整機能を果たす。この相関係数のベクトルは遅れ時間の単峰凹関数である。このように、遅れ時間に関するベクトルの１次微分のゼロ切断をサーチすることによって、１つのペアの信号間での最適な遅れ時間が簡単に識別される。発明の他の形態において、図１に示したように進み遅れ（Leadlag）モジュール２０の使用をスキップする選択肢が存在するので、モジュール２０を利用することは不必要であるかもしれない。こうしたことは十分な時間相関があるシステムにおいて、あるいは相関を得るのに時間シフトが必要でないシステムにおいて可能である。進み遅れモジュール２０が利用されないか、あるいはデータがすでに進み遅れモジュール２０によって処理されているのであれば、データは好ましくは訓練モジュール３０に入力される。好ましい実施の形態において、この訓練モジュールは、監視下にあるそれぞれの信号またはデータ空間の最高点と最低点を含む訓練ベクトルを求めるために、訓練期間中のすべての信号あるいはデータに関するすべての観測をサーチするミニマックスモジュール３０である。コンピュータソフトウェア付属書Ｂにミニマックスモジュール３０を開示する。ミニマックスモジュール３０は「最適な」訓練集合を作成する。それは、Ｎがシステムの信号あるいはデータポイントの数であるときに、せいぜい２Ｎ個のベクトルだけを含んでいるという意味で最適である。そしてこれらのベクトルはすべての検出器あるいはデータソースが示されるよう利用可能な訓練期間中の全ての範囲に及ぶ。２以上の検出器あるいはデータソースが同時に最大値あるいは最小値に達するところは全て、結果的な訓練ベクトルの数は２Ｎ以下となる。本発明のもう一つの形態では、進み遅れモジュール２０とミニマックスモジュール３０の両方をスキップすることが可能であり、データをシステム状態モジュール４０に直接入力することが可能である。ミニマックスモジュール３０を用いてシステムモデルが構築されると(あるいは上記したようにスキップされる状態が形成されると)、システム状態推定モジュール４０（好ましいサブシステム多変量状態推定技術（「ＳＭＳＥＴ」）モジュールのようなもの）はモデル化されている業務用システムの稼動状態の例を通してシステムの挙動をモデル化する。コンピュータソフトウェア付属書ＣにＳＭＳＥＴモジュール４０を開示する。一般に、システム状態推定モジュール４０は、自己回帰移動平均、ニューラルネットワーク、またはカルマン・フィルタ技術のような様々なモデリング手法の一つ、あるいは経験的手法でありうる。ＳＭＳＥＴモジュール４０は現時点の「真の」システム状態の推定値を提供するため、単一の新たな観測と共に業務用システムについての学習状態のメモリを利用する。システムの状態は、その要素がシステムパラメータ（測定信号）の直接の値と、スカラー値を生じるこれらシステムパラメータのいかなる変換、例えば測定データに基いて計算されたパラメータとからなるベクトルによって表される。ＳＭＳＥＴモジュール４０は、他のほとんどのタイプの推定技術と同様に、状態ベクトル要素が一次独立であることを必要としない。学習状態行列をもたらす学習過程はミニマックスモジュール３０と先に記述した進み遅れモジュール２０により行われる。ＳＭＳＥＴモジュール４０の基本的な方法には、学習状態行列に具現された以前のシステム挙動のメモリ（記憶）と比較されるシステム挙動に関する新たな観測の入力が含まれる。一連の数学的演算が実施され、それによって新たな観測に最も近いシステムメモリに記録された状態推定が出力される。ＳＭＳＥＴモジュール４０で使われる「最も近い」の定義は２つのベクトルの関連を決定する規則集合の見地から新たな観測に最も近くにある状態を意味する。この最も近い状態から、システムの「真の」状態の推定が状態ベクトルのそれぞれの要素について行われる。このように、システムの現時点の観測されたパラメータの集合が与えられると、ＳＭＳＥＴモジュール４０はシステムの現時点の真の状態の推定を提供する。この方法の有用性は、たとえ現時点の観測ベクトルが不完全である（例えば、いくつかの検出器あるいはデータソースが誤作動したかもしれないか、あるいはもはや利用可能ではない）としても、あるいは誤ったまたは欠陥がある要素を含んでいる（いくつかの検出器がドリフトしているか、校正出来なくなってしまっているか、高いノイズレベルで汚染されている等）としても、あるいはたとえ新しいシステム状態が以前の稼働状態と対応しないとしても、状態ベクトルのシステムパラメータ値のすべての推定が提供され得るということである。しかしながら、新たなシステム状態は、一般的な意味で、システムメモリ（学習状態行列）を作成するために使用される状態の領域によって拘束されなくてはならない。すべてのシステムパラメータの推定値を含む、この業務用システムの真の現時点の状態についての推定値は、検出器（あるいは他のデータソース）の稼動可能性とシステムの状態の擾乱とを確認するため、実際の測定されたシステムパラメータとともに使用される。この状態推定プロセスはさらに、学習状態の集合と業務用システムの新たな観測を入力として受け入れる推論エンジンとして形容しうる。この入力に関して推論エンジンにより一連の操作が実施された後、結果として新たな観測に「最も近い」学習状態の推定が得られる。ここで使われる「最も近い」の定義は、いかなる２つのベクトルの関連（重なり合い）も決定する規則集合の見地から、新たな観測に最も近くある状態を意味する。別の１つの結果は、推定状態ベクトルの形式の新たな観測ベクトルのそれぞれのしかも全ての要素の「真の」値の推定値である。推論エンジンで行われる一連の演算は様々な行列演算からなる。最初に、学習状態のすべてのペアは、好ましくは、認識行列の要素を得るために規則集合を用いて一度に２つに関連づけられる。次に、新たな観測は学習状態の数と同じ数の要素を有するベクトルを作成するため、規則行列を用いてぞれの学習状態と関連づけられる。このベクトルの最も大きい要素値により、新たな観測に「最も近い」学習状態が識別される。最後に、このベクトルと認識行列との通常の行列積によって、学習状態を推定された状態ベクトルに結合させるための一次結合係数の集合が求められる。この方法は、学習状態の結合である業務用システムのいかなる真の状態に適用されたとしても、真の状態に非常に近い近似値を与える。得られる実際の近似度は規則集合と変数の物理的かつ／あるいはランダムな変動から生じる非線形性に最も依存し、これは直接試験することで証明されている。実際の稼働している業務用システムに対してこの方法を使用する一般的な実験によって通常は＋／−０．１％で、一般的に悪くても＋／ −の０．５％といった予測能力が示された。上述したように、ＳＭＳＥＴモジュール４０を用いてデータをモデル化すると、データは逐次確率比試験（「ＳＰＲＴ」）モジュールのような、パターン認識モジュール５０に入力される。ＳＰＲＴモジュール５０のためのコンピュータソフトウェアは付属書Ｄに開示されている。このＳＰＲＴモジュール５０はノイズが多い信号における微妙な劣化の兆候を高い信頼性で、定量的な誤警報および見落とし警報の確率と共に検出することができる感度の良いパターン認識方法である。ＳＭＳＥＴモジュール４０からの出力は、監視下にあるそれぞれの検出器の推定信号（「仮想信号」とも呼ばれる）の一つの集合として提供される。これらの仮想信号は実際の検出器読み取り値と共に、相互作用しているＳＰＲＴモジュール５０のネットワークに供給される。個々のＳＰＲＴモジュール５０は１対の検出器信号および仮想信号のペアを受け取る。検出器劣化あるいはプロセスの擾乱が監視下にある一以上の信号の出力に影響を与え始めた場合、ＳＰＲＴモジュール５０は通信者に通告を与え、そして制御システムにアクチュエータ信号を供給する。この信号は、必要に応じて、劣化している検出器の信号、あるいはデータソースを仮想の信号に選択的に、かつ自動的交換することができる。ＳＰＲＴモジュール５０のさらなる詳細は、引用することで本明細書の一部をなすものとする米国特許第５，４５９，６７５号に記述されている。上記方法の組み合わせによって、欠陥プロセス、特定タイプの故障、故障している検出器またはデータソース、あるいは誤ったデータそれ自身の識別を可能にして、監視中のプロセスを修正するか、あるいは変更することができる。１つの劣化した検出器あるいは不適切なデータストリームソースが業務用システムの継続的な稼働にとって重要でない場合には、検出器あるいはデータソースが正常に稼働して限り、使用者は業務用システムあるいはプロセスを稼働し続けることができる。例えば、システム１０は実際の業務用システムあるいはプロセスに、劣化した検出器あるいは劣化したデータソースからの入力の代わりにモデル化推定を代入するように稼働することができる。これによって業務用システムあるいはプロセスが稼働し続けることが可能となる。システム１０はそれ自体は分析的なモデリングに依存しないので、石油化学分野、発電分野、自動車分野、生産分野、医療分野、航空分野、金融分野、および業務用システムのプロセスまたは性能に関する信号が処理のために利用可能であるいかなる分野のシステムにも適用できる。システム１０の唯一の必要条件は、システム１０への入力として使用される信号の間に、線形または非線形といったいくつかのタイプの相互相関が存在するということである。信号は（任意の分布で）線形、非線形、定常、非定常、クリアまたはノイズが多いものであってよい。システム１０は業務用システムあるいはプロセスをモデル化するために履歴稼働データのデータベースを使用する。データベースはシステムのすべての関連する稼働モードからのデータを含んでいると仮定される。しかしながら、新しい稼働モードを経験して、それが業務用システムあるいは検出器の劣化の結果ではないと決定した場合、システムモデルに予測されていない稼働モードを取り入れるために新たなベクトルを既存の訓練行列に加えることができる。以下の非限定的な実施例は本発明の様々な特徴を示すものである。使用したデータはすべてアルゴンヌ国立試験所（Ｗｅｓｔ）のＥＢＲ−ＩＩ原子炉から得たものである。実施例１本実施例は時間遅延相関の影響を示すものであり、図６Ａと６Ｂはそれらの間で４秒の遅延を有する２つの電圧信号を示している。信号が進み遅れモジュール２０によって処理される前は(図６Ａ参照)、相関係数は相関関係を一切意味しない０．０１８２であるが、それに対して進み遅れモジュール２０による処理後には０．９２０９の相関関数が得られる(図６Ｂ参照)。使用される信号あるいはデータの集合が２以上のときは、すべての信号が適切に関連づけられることができるように、すべての可能な信号のペアの組み合わせが、最大可能相関係数を計算するのに使用される。実施例２本発明の精度を決定する実験（一般に「ＳＭＳＥＴ」法）はアルゴンヌ国立研究所（Ｕ５５８）の高速増殖実験炉ＩＩ（ＥＢＲ−ＩＩ）からの検出器データを用いて実施された。検出器のデータ集合はＥＢＲ−ＩＩをモニタする検出器からの１３個の信号を含んでいた。表１はＥＢＲ−ＩＩデータについてのＳＭＳＥＴ推定精度を示している。表１は分析で使用された検出器信号のそれぞれのチャンネル番号と説明を示している。実験は３つのステップで行われた。最初にＳＭＳＥＴモジュールは２日分のＥＢＲ−ＩＩデータを使って訓練された。次に訓練されたＳＭＳＥＴモジュールはおよそ１１０時間分のＥＢＲ−ＩＩデータの状態を推定するために使用された。次いで、推定の精度が分析された。図７〜１９はそれぞれ、表１で列挙された検出器信号の各々に関して、最上位プロットに検出器信号と検出器信号に重ね合わされたＳＭＳＥＴ推定を、中位プロットにＳＭＳＥＴと検出器信号との間の誤差を(信号強度の百分率で)、そして最下位プロットに誤差の棒グラフを示す。棒グラフプロットは同じ平均および分散を有するガウス分布と比較され、誤差信号がどの程度ガウス分布的であるかについての見解が与えられる。図２０は図７〜１９のデータの概要を示す。ミニマックスいう方法（付属書Ｂ）が上記の２日間の訓練データを用いてシステムを訓練するために使用された。ミニマックス法が実施された後、全体のシステムの実験モデルを構成する訓練行列が２５個の各々独自のベクトルから構築された。モデルを構築した後に、その方法は精度表に列挙された信号に対して適用された。システムにおけるそれぞれの信号は、パターン認識モデルがどの程度精密にシステムを表しているかを示す上での測定単位となるそれ自身の推定誤差信号を有する。表１の第２列は、それぞれの信号の強度の見地から、実験のすべての信号に対する推定誤差の標準偏差を列挙している。信号強度は正常稼働中の信号強度の平均値を示す。表１の第３列は同じく信号強度の見地からすべての信号に対する推定誤差の平均値を列挙している。一般に誤差標準偏差は０．１％から０．０１％までの範囲にあり、推定誤差平均は０付近に集中している。表情報の棒グラフは、図２０Ａと２０Ｂにおいて精度情報のグラフ表現として示されている。表１ＥＢＲ−ＩＩデータのＳＭＥＴ推定精度表実施例３図２１〜３２には、異なった検出器故障モードの実施例が、システムが故障にどのように反応するかといったことと共に示されている。図１の好ましい方法がデータに適用される。これらの実施例で使われた検出器の信号はシステムで使われた２２個の検出器信号の部分集合からなる。２２個の検出器はアルゴンヌ国立試験所（Ｗｅｓｔ）のＥＢＲ−ＩＩのサブアセンブリを監視している。図２１〜３２のそれぞれには４つのサブプロットが含まれる。最上位プロットは、サブアセンブリ出口温度（「ＳＯＴ」）３Ｆ１に関連し、より上位にある中間プロットははＳＯＴ３Ｃ１に関連し、より下位にある中間プロットは、ＳＯＴ５Ｃ２に関連している。そして最下位プロットはＳＯＴ７Ａ３に関連している。実施例のそれぞれに適用されたシステムは同じ訓練行列を使用する。この訓練ベクトルは毎分一回の割で採取されたほぼ１週間分のデータを含む訓練データベースから選ばれた８３個のベクトルから成る。図２１〜２３には、ＥＢＲ−ＩＩのおよそ５．５日間の通常運転時にシステム１０を使用した場合の結果が示されている。図２１はＳＯＴ信号をそれらに対応するＳＭＳＥＴ推定と共に示している(信号は円、線は推定)。図２２は、ＳＯＲ信号と対応するＳＭＳＥＴ推定の間の差を取ることによって導き出された個々の推定誤差（信号強度の見地ではない）の生データを示している。最後に図２３には、システム１０の意志決定モジュール（ＳＰＲＴモジュール５０，付属書Ｄ参照）を図２２のＳＭＳＥＴ推定誤差に用いた場合の結果が示されている。ＳＰＲＴプロットは誤認警報率が９．４×１０^-5であるただ３つの誤警報の合計を示しており、これは指定された誤認警報率１．０×１０^-3の十分範囲内である。検出器間で共通の故障モードの１つのタイプはゆっくりとしたドリフトである。このタイプの故障は特に検出器の信号がノイズを含んでいる場合、早期に検出することが困難である。図２４〜２６はこのタイプの故障からのデータの処理と故障の識別の比較例を示している。信号第２（図２４Ｂ）は信号中に４０００分に始まり、２．７５日間の平均が０．２％である線形的なドリフトを有する。他の検出器は正常稼働している。図２５は結果として生じているそれぞれの検出器信号のＳＭＳＥＴ推定誤差を示している。信号第２（図２５Ｂ）の誤差プロットは、検出器信号がおよそ０．０５％ドリフトした後にドリフトしている兆候を示している。図２６において、ＳＰＲＴ法は第２（図２６Ｂ）がおよそ０．０５％ドリフトした後にドリフトしており、そしてすべての他の検出器が正常稼働していると決定されている。起こり得るもう１つのタイプの故障は検出器信号のステップ変動である。これは検出器あるいはデータ収集システム（ＤＡＳ）における短絡、校正時の誤りまたは様々な他の理由の結果であり得る。図２７〜２９はＳＯＴ測定におけるこのタイプの問題を示している。この実施例では、検出器信号第３（図２７Ｃ）は信号強度の０．２５％の強度のパルスを含んでいる。パルスは４０００分に開始し、その後２０００分間続く。図２７は４つのＳＯＴ信号に関する検出器信号とＳＭＳＥＴ推定を示している。図２８は結果として生じるＳＭＳＥＴ推定誤差を示している。第３の誤差信号（図２８Ｃ）には、４０００分に始まり、６０００分に終了する問題が存在することを示している。誤差信号はＳＰＲＴモジュール５０によって得られ、その結果を図２９に示した。明らかに、検出器第３（図２９Ｃ）には４０００分に始まり、６０００分に終了する擾乱が存在していた。図３０〜３２には、検出器の利得と関連する故障モードの一例が示されている。この例では、検出器信号の利得が同調プロセスを通じて変化している、すなわち、強度が測定時間を通じて増加している。利得は検出器強度の開始値１から最終値１＋０．０７５％まで測定時間を通じて線形的に変化し始めている。推定誤差に対するシステム１０をこの信号に適用し、その結果を図３１に示した。人間である運転員は、検出器信号を目視することでは、８０００分後でさえほとんど問題があることを識別できないであろう。図３１Ａでは、信号第１が異常に稼働していることは外見上明白である。これは図３２Ａにおいて、８０００分間にわたってＳＰＲＴ警報数の定常的な増加を示すＳＰＲＴ結果によって確証される。本発明の好ましい実施態様について上述したが、発明の請求の範囲に示す本発明のより一般的な特徴から逸脱することなく様々な変更および改良を行うことができることは当業者には明白であろう。付属書Ａ検出器相互間の動的かつリアルタイムの進み遅れ時間相関調整を行う進み遅れモジュール用のコンピュータソフトウェア。付属書Ｂ監視下にある信号に対する最高点と最低点を含む訓練ベクトルを求めるために訓練期間中に信号情報をサーチして、最適な訓練集合を求めるためのコンピュータソフトウェア。付属書Ｃ業務用システムの稼働状態の例に関する挙動をモデル化するためのコンピュータソフトウェア。付属書Ｄノイズの多い信号中の劣化の兆候を検出することにより、パターン認識を実行するためのコンピュータソフトウェア。

───────────────────────────────────────────────────── フロントページの続き (81)指定国ＥＰ(ＡＴ，ＢＥ，ＣＨ，ＤＥ，ＤＫ，ＥＳ，ＦＩ，ＦＲ，ＧＢ，ＧＲ，ＩＥ，ＩＴ，ＬＵ，ＭＣ，ＮＬ，ＰＴ，ＳＥ)，ＯＡ(ＢＦ，ＢＪ，ＣＦ，ＣＧ，ＣＩ，ＣＭ，ＧＡ，ＧＮ，ＭＬ，ＭＲ，ＮＥ，ＳＮ，ＴＤ，ＴＧ)，ＡＰ(ＧＨ，ＫＥ，ＬＳ，ＭＷ，ＳＤ，ＳＺ，ＵＧ，ＺＷ)，ＵＡ(ＡＭ，ＡＺ，ＢＹ，ＫＧ，ＫＺ，ＭＤ，ＲＵ，ＴＪ，ＴＭ)，ＡＬ，ＡＭ，ＡＴ，ＡＵ，ＡＺ，ＢＡ，ＢＢ，ＢＧ，ＢＲ，ＢＹ，ＣＡ，ＣＨ，ＣＮ，ＣＵ，ＣＺ，ＤＥ，ＤＫ，ＥＥ，ＥＳ，ＦＩ，ＧＢ，ＧＥ，ＧＨ，ＨＵ，ＩＬ，ＩＳ，ＪＰ，ＫＥ，ＫＧ，ＫＰ，ＫＲ，ＫＺ，ＬＣ，ＬＫ，ＬＲ，ＬＳ，ＬＴ，ＬＵ，ＬＶ，ＭＤ，ＭＧ，ＭＫ，ＭＮ，ＭＷ，ＭＸ，ＮＯ，ＮＺ，ＰＬ，ＰＴ，ＲＯ，ＲＵ，ＳＤ，ＳＥ，ＳＧ，ＳＩ，ＳＫ，ＴＪ，ＴＭ，ＴＲ，ＴＴ，ＵＡ，ＵＧ，ＵＺ，ＶＮ，ＹＵ，ＺＷ (72)発明者ウェガリッチ，ステファンアメリカ合衆国、60139 イリノイ、グレンデイル・ハイツ、ゴルフヴュー・ドライヴ 133 (72)発明者シンガー，ラルフ・エムアメリカ合衆国、60566―2781 イリノイ、ネイパーヴィル、ブレストル・コート 1602 (72)発明者モット，ジャックアメリカ合衆国、83401 アイダホ、アイダホ・フォールズ、イレヴンス・ストリート 191

Claims

【特許請求の範囲】１．少なくとも一つの工業プロセスおよび工業用検出器を監視する方法であって、複数の工業用検出器から時間的変動データを得るステップと、前記時間的変動データを処理して、前記複数の工業用検出器から蓄積されたデータの最適時間相関を取るステップと、前記時間相関が取られたデータをサーチして該データの最大値と最小値を識別し、それにより前記工業プロセスからの全ての範囲のデータの値を決定するステップと、前記工業プロセスの正常稼働状態に関する学習状態を決定して、該学習状態を使用して稼働中の前記工業プロセスの期待値を求めるステップと、前記期待値と前記工業プロセスの現時点の実際の値とを比較して前記学習状態の一つに最も近い該工業プロセスの現時点の状態を特定し、モデル化されたデータの集合を求めるステップと、前記モデル化されたデータを処理して該データのパターンを特定し、正常稼働の特性を示すパターンからの逸脱が検出された場合、警報を発するステップとから成ることを特徴とする工業プロセス監視方法。２．前記工業プロセスが物理的プロセスを含んで成ることを特徴とする請求項１に記載の工業プロセス監視方法。３．前記工業プロセスが金融プロセスを含んで成ることを特徴とする請求項１に記載の工業プロセス監視方法。４．前記最適時間相関を得るステップが、その各々が別々の検出器の特性を示す検出器信号のペアを比較して、時間を通じて相互相関ベクトルを計算し、低域通過フィルタを用いて前記相互相関ベクトルからノイズを除去し、そして前記検出器信号間の位相のずれを決定することを含んで成ることを特徴とする請求項１に記載の工業プロセス監視方法。５．位相のずれを決定する前記ステップが、信号の各ペア間の遅れ時間について前記相互相関ベクトルを微分して、該相互相関ベクトルの微分の平方根を計算するために補間法を用いることを含んで成ることを特徴とする請求項４に記載の工業プロセス監視方法。６．前記工業プロセスの前記学習状態に最も近い現時点の状態を識別する前記ステップが、該工業プロセスの真の状態を識別するために前記学習状態の組み合わせを形成することを含んでなることを特徴とする請求項１に記載の工業プロセス監視方法。７．工業プロセスの不十分な観測の代わりに期待値を用いるステップをさらに含むことを特徴とする請求項６に記載の工業プロセス監視方法。８．正常稼働からのずれを検出する前記ステップは、逐次確率比試験を含んで成ることを特徴とする請求項１に記載の工業プロセス監視方法。９．正常稼働からのずれを検出する前記ステップは、コンピュータ手段を用いたパターン認識分析を実行することを含んでなることを特徴とする請求項１に記載の工業プロセス監視方法。１０．少なくとも一つの工業プロセスおよび工業用データソースを監視する方法であって、複数の工業用データソースから時間的変動データを得るステップと、前記工業プロセスの正常稼働状態についての学習状態を決定して、該学習状態を用いて稼働中の前記工業プロセスの期待値を求めるステップと前記期待値を前記工業プロセスの現時点の値と比較して前記学習状態の一つに最も近い該工業プロセスの現時点の状態を特定し、モデル化されたデータの集合を求めるステップと、前記モデル化されたデータを処理して該データのパターンを特定し、正常稼働の特性を示すパターンからの逸脱が検出された場合、警報が発するステップとから成ることを特徴とする工業プロセス監視方法。１１．前記工業プロセスの前記学習状態に最も近い現時点の状態を識別する前記ステップが、該工業プロセスの真の状態を識別するために前記学習状態の組み合わせを形成することを含んでなることを特徴とする請求項１０に記載の工業プロセス監視方法。１２．工業プロセスの不十分な観測の代わりに期待値を用いるステップをさらに含むことを特徴とする請求項１０に記載の工業プロセス監視方法。１３．前記工業用データソースが、工業生産プロセス、公益的事業、営業活動、投資プロセス、気象予報プロセス、および輸送システムから成るグループで使用される工業用データソースから選択されることを特徴とする請求項１０に記載の工業プロセス監視方法。１４．前記複数の工業用データソースが、検出器の複数のペアを含んで成ることを特徴とする請求項１０に記載の工業プロセス監視方法。１５．モデル化されたデータを処理する前記ステップが、ＳＰＲＴ法の適用を含んで成ることを特徴とする請求項１０に記載の工業プロセス監視方法。１６．出力である前記複数の時間的変動データ間の時間的位相のずれを決定するステップをさらに含むことを特徴とする請求項１０に記載の工業プロセス監視方法。１７．少なくとも一つの工業プロセスおよび工業用データソースを監視する方法であって、工業プロセスの少なくとも一つのデータソースからの時間的変動データを検出するステップと、前記工業プロセスのある一つの好ましい稼働状態に関する学習状態を決定し、該学習状態を使用して前記工業プロセスの期待値を求めるステップと、前記期待値を前記工業プロセスの現時点の検出値と比較して前記学習状態の一つに最も近い該工業プロセスの現時点の状態を特定し、該現時点の状態の特性を示すデータを求めるステップと、前記現時点の状態の特性を示すデータを処理して該データのパターンを特定し、前記好ましい稼働状態の特性を示すパターンからの逸脱を検出した場合、少なくとも一つの前記工業プロセスおよび前記データソースが前記好ましい稼働状態にないことを示す信号を発するステップとから成ることを特徴とする工業プロセス監視方法。１８．前記現時点の実際の値を前記期待値と比較する前に、前記時間的変動データを該データの最大値および最小値を識別すべくサーチし、それによって全ての範囲にわたって該データの値を決定するステップをさらに含むことを特徴とする請求項１７に記載の工業プロセス監視方法。１９．前記工業用データソースが、それぞれ前記最大値および最小値に関連する２つのデータ値によって特徴づけられることを特徴とする請求項１８に記載の工業プロセス監視方法。２０．パターンを識別するために前記現時点の状態の特性を示すデータを処理する前記ステップが、逐次確率比試験を実施するステップを含んで成ることを特徴とする請求項１７に記載の工業プロセス監視方法。２１．前記現時点の状態の特性を示すデータが、そのパターンを識別するためにさらに処理されるモデル化されたデータの集合を求めるために処理されることを特徴とする請求項２０に記載の工業プロセス監視方法。２２．前記工業プロセスは、生産プロセス、物理的プロセス、化学的プロセス、生物学的プロセス、電子工学的プロセス、および金融プロセスから成るグループから選択されることを特徴とする請求項１７に記載の工業プロセス監視方法。２３．前記好ましい稼働状態の特性を示すパターンからの逸脱を検出した場合に、前記工業用データソースに対して推定信号を代入し、それによって、故障したデータソースを置き換えて前記工業プロセスの継続的な稼働と監視を可能とするステップをさらに含むことを特徴とする請求項１７に記載の工業プロセス監視方法。２４．前記時間的変動データを処理して該データの最適時間相関を取るステップをさらに含むことを特徴とする請求項１７に記載の工業プロセス監視方法。２５．最適時間相関を取る前記ステップが、その各々が別々の検出器の特性を示す検出器信号のペアを比較して、時間にわたって相互相関ベクトルを計算し、低域通過フィルタを用いて前記相互相関ベクトルからノイズを除去し、そして前記検出器信号間の位相のずれを決定するステップから成ることを特徴とする請求項２４に記載の工業プロセス監視方法。２６．少なくとも一つの工業プロセスおよび工業用検出器を監視する方法であって、工業プロセスの少なくとも一つの工業用データソースからの時間的変動データを検出するステップと、前記時間的変動データの最大値と最小値を識別するために前記少なくとも一つのデータソースからの信号をサーチするステップと、前記工業プロセスのある一つの好ましい正常稼働状態に関する学習状態を決定し、該学習状態を使用して前記工業プロセスの期待値を求めるステップと、前記時間的変動データのパターンを特定することによって前記期待値を処理して、前記好ましい稼働状態の特性を示すパターンからの逸脱を検出した場合、少なくとも一つの前記工業プロセスおよび前記データソースが前記好ましい稼働状態にないことを示す信号を発するステップとから成ることを特徴とする工業プロセス監視方法。２７.前記好ましい稼働状態の特性を示すパターンからの逸脱を検出した場合、前記工業用データソースの代わりに推定信号を使用して、それによって故障したデータソースを置き換えて前記工業プロセスの継続的な稼働と監視を可能とするステップをさらに含むことを特徴とするを特徴とする請求項２６に記載の工業プロセス監視方法。２８．前記時間的変動データを処理して該データの最適時間相関を取るステップをさらに含むことを特徴とする請求項２６に記載の工業プロセス監視方法。２９．前記時間的変動データのパターンを識別する前記ステップが、逐次確率比試験を含んで成ることを特徴とする請求項２６に記載の工業プロセス監視方法。３０．前記工業プロセスが、生産プロセス、物理的プロセス、化学的プロセス、金融プロセス、電子工学的プロセス、および生物学的プロセスから成るグループから選択されることを特徴とする請求項２６に記載の工業プロセス監視方法。