JP2002522837A - センサの性能確認装置および方法 - Google Patents
センサの性能確認装置および方法Info
- Publication number
- JP2002522837A JP2002522837A JP2000565441A JP2000565441A JP2002522837A JP 2002522837 A JP2002522837 A JP 2002522837A JP 2000565441 A JP2000565441 A JP 2000565441A JP 2000565441 A JP2000565441 A JP 2000565441A JP 2002522837 A JP2002522837 A JP 2002522837A
- Authority
- JP
- Japan
- Prior art keywords
- sensor
- fault
- index
- residual
- value
- 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.)
- Granted
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
- G05B9/00—Safety arrangements
- G05B9/02—Safety arrangements electric
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L12/00—Data switching networks
- H04L12/02—Details
- H04L12/16—Arrangements for providing special services to substations
- H04L12/18—Arrangements for providing special services to substations for broadcast or conference, e.g. multicast
- H04L12/1895—Arrangements for providing special services to substations for broadcast or conference, e.g. multicast for short real-time information, e.g. alarms, notifications, alerts, updates
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
- Geophysics And Detection Of Objects (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Safety Devices In Control Systems (AREA)
Abstract
Description
ントローラおよびプロセス監視システムに関するものである。特に本発明は、1
つまたは複数のセンサの故障を検出・識別し、センサの故障のタイプを分類し、
エラーのあるセンサ値を正しいプロセス変数値の推定値に代替するシステムに関
するものである。
に対する重要なステップである。典型的なモデルをベースとする用途には、モデ
ル予測制御用途(MPC)および、実験室サンプルまたはハードウェアアナライ
ザから得られるコストがかかるか頻度の少ない測定を、モデルから定期的に得ら
れる推定値に代替する推定検知利用が含まれる。
数に対する最適目標値を見出す。センサが故障している場合は、最適化した目標
値は無効になる。したがって有効なセンサは、たとえ故障しても最良の再構成に
より制御システムをオンラインに維持する。
。連邦および/または州の法規は、大気汚染プラントに対し窒素酸化物(NOx
)、酸素(O2)および一酸化炭素(CO)などの排出を監視することを要求す
ることができる。ハードウエア連続排出監視システム(CEMS)は、イニシャ
ルコストとメンテナンスコストの両者において高い負担が必要である。PEMS
に充分に精度と信頼性があることが明らかならば、CEMSをPEMSに置き換
えることができる。PEMSに対する品質保証要求事項の一つは、PEMSモデ
ルに使用している各センサの故障の有無を監視すること、およびセンサの故障を
処理する方策をもち運転の中断時間を最小にすることである。
性能確認を指す。これは、プラントの測定に冗長度を使用する方法である。通常
センサの測定値は、収集されたまたは過去のデータを用いる訓練手順法により確
立できる相関構造を示す。この相関構造はオンラインで監視でき、相関構造が破
壊されたときは、センサ故障が既に発生している可能性がある。しかし、この相
関構造の破壊は、プロセスの反転、プロセスの過渡現象、またはセンサの故障に
関係のない他の理由によることもある。主たる目的は、これが真にセンサの故障
であるかどうかを判断し、故障であれば異常センサを識別することである。セン
サの性能確認の各種の段階は、以下のように要約できる。
の故障によるか、またはそうでないこともある ・識別 この段階は、これがセンサの故障であるかどうかを判断し、特定
のセンサを識別する ・推定 この段階は、真の値の再構成ができ、故障値の置換ができる故障
のサイズを推定する。 ・分類 この段階は、センサの故障のタイプ―完全な故障、バイアス、ド
リフト、または精度劣化―を分類する。 特定の方法によっては、これらの段階はオーバーラップすることもある。多変量
モデルをベースとするセンサの性能確認の主題を対象とするいくつかの特許が交
付されている。その主要なものは次の通りである: ・Qinその他、米国特許第5,680,409号、“Method and Apparatus fo
r detecting and identifying faulty sensors in a process(プロセス中の故
障センサ検出および識別の方法と装置)” ・Keelerその他、米国特許第5,548,528号、“Virtual Continuous E
mission Monitoring System(仮想連続排出監視システム)” ・Hopkinsその他、米国特許第5,442,562号、“Method of controlli
ng a manufacturing process using multivariate analysis(多変量解析を利用
した製造プロセス制御の方法)”
い実施形態はPCA(主要コンポーネント分析)を基本にしており、最適の再構
成手順により識別を実施する。各センサ値は、それが故障しているとの仮定に基
づいて再構成され、次に識別および分類が再構成エラーから算出した追跡インデ
ックスにより行なわれる。
たシステムは、推定センサテクノロジーおよびPEMSに対するニューラルネッ
トワークの使用に焦点を置く。センサの性能確認テクノロジーは、識別のための
準最適再構成手順を使用し、分類を扱わず、PCAの非線型バージョンである“
エンコーダ”ニューラルネットワークを使用する。エンコーダネットワークは、
Marker Kramer“Nonlinear principal component analysis using autoassociat
ive neural networks(自動結合ニューラルネットワークを使用する非線型主要
コンポーネント解析)”, AIChE Journal, 37(2), pp. 233-243(1991)にも記載
されている。
の性能確認を扱っており、PCAまたはPLS(部分最小自乗法)を使用する。
識別は寄与率分析により行なわれる。検出は、主要コンポーネント“得点”また
は得点統計を監視し、標準信頼間隔と比較することにより行なわれる。識別は、
異常得点に対する各オリジナル測定の寄与率を調べることにより行なわれる。こ
の方法は故障タイプを分類するものではない。
装置と方法を提供する。このアプローチは、部分最小自乗(PLS)または主要
コンポーネント分析のような統計法を用いて、第1原則またはデータから作るこ
とのできる標準プロセスモデルを使用する。好ましい実施形態においては、プロ
セスモデルは、主要コンポーネント数を選択して故障センサ値の再構成を最適化
しているPCAモデルを基本にしており、これについてはQinおよびDuniaの“De
termining the number of principal components for best reconstruction(最
適再構成のための主要コンポーネント数の決定)”, Proc. Of the 5-th IFAC S
ymposium on Dynamics and Control of Process System, 359-364, Corfu, Gree
ce, June 8-10, 1998に記載されている。
数的に重み付けした移動平均(EWMA)フィルタを、検出インデックスに適用
して一時的な過渡現象による誤ったアラームを減少させる。フィルタ処理された
検出インデックス(FDI)は、統計的に算出したしきい値と比較され、予想さ
れる故障を検出する。予想される故障状況の検出により、本発明の識別段階を起
動する。
複数の故障センサに起因するかどうかを判定し、さらに異常センサ(複数もあり
)を識別するために、故障の一つのサブセットに影響されないが、他に対しては
最大感度をもつ一連の検出器を構成する。これらの検出器は、最大感度をもつ構
造化残差方法(SRAMS)と称される新しい方法により構成された構造化残差
(SR)を基本にする。構造化残差は、一般にGertlerとSinger,“A new struct
ural framework for parity equation based failure detection and isolation
(故障検出と分離を基にしたパリティ等式に対する新しい構造フレームワーク)
”, Automatica 26:381-388, 1990に記載されている。指数関数的に重み付けさ
れた移動平均(EWMA)フィルタをSRに適用し、一時的な過渡現象による誤
ったアラームを減少させる。またSRも自乗および正規化して、各SRを公平に
比較する。識別は、これらの正規化した自乗フィルタ処理構造化残差(NSFS
R)を、統計的に推定した信頼限界と比較することにより行なわれる。NSFS
Rに加え、検出の時点から累積加算した正規化構造化残差(NSR)に基づくイ
ンデックスを監視し、比較して、故障センサの識別に使用する。この2つの指数
が普遍化された公算比(GLR)インデックスであり、また正規化した累積分散
(NCUMVAR)インデックスある。NCUMVARインデックスは、精度の
劣化したセンサを識別するために主として用いることができる。
別されたとの仮定に基づいて最適の形で推定される。これは、例えばMartensお
よびNaes “Multivariate Calibration”, John Wiley and Sons, New York, 19
89に記載された公開されている既存の技術を使用する。故障方向の知識(故障セ
ンサの識別から知る)および推定される故障の大きさを使用し、正しいセンサ値
を再構成する。
のタイプの故障が考えられる、つまり、完全な故障、バイアス、ドリフトおよび
精度の劣化である。完全な故障は、識別した故障センサ測定値に関する回帰分析
を行うことにより求められ、回帰線がゼロの傾きをもつことを統計的に推定して
表わされる。他の3つの故障タイプを分類するには、識別時点以降の推定される
故障サイズに関する回帰分析を行う。バイアスは、推定される故障サイズ回帰線
がゼロの傾きおよびゼロでないオフセットをもつとする統計推定により示され、
わずかな残差エラーをもつ。ドリフトは、推定される故障サイズ回帰線がゼロで
ない傾きをもつことを統計的に推定して示され、わずかな残差エラーをもつ。精
度劣化は、推定された故障サイズ回帰線がゼロの傾き、ゼロのオフセットおよび
有意な残差エラーをもつことを統計的に推定して示される。また精度の劣化は、
故障がNCUMVARインデックスによってのみ識別可能な場合にも、示される
。
た本発明の好ましい実施形態のさらに詳しい記述で明らかとなるであろう。図中
では一貫して同一部分に対しては同一符号を用いている。図面は必ずしも縮尺通
りでなく、本発明の原理を示するために強調が加えられている。
入力はセンサ測定値108から成り、その測定値には、例えば製造プラントにお
ける分散制御システム(DCS)50から得られる状態情報を含む。本発明の目
的は、センサ測定値の冗長情報を用いて、センサがいつ故障したかを検出し、故
障したセンサに選択的に代替値を提供することである。センサ測定値を使用する
プロセスコントローラ60または推定センサ70のような他の装置は、この時必
要に応じ代替値を使用できる。これにより、これらの装置は、故障したセンサの
存在下で引き続き動作を続行できる。
を実行する8つの演算ユニットから構成される。マイクロプロセッサ、または他
の所望のタイプのコンピュータを用いて実行できる演算ユニットは、次の通りで
ある。
、DCS50からのセンサ値108のベクトルを正規化した値118のベクトル
に変換する。これらの正規化した値は、標準化ユニットをもち、好ましい実施形
態においては、そのユニットに対し、その値を平均値0と標準偏差1をもつよう
に設計する。これは、故障センサを識別するために、有効なモデル行列122、
検出インデックス142および構造化残差変換132を形成するのに必要である
。拡大縮小およびオフセット情報は、好ましい実施形態においてはセンサの過去
のデータセットの統計分析から求められる。
前処理されたセンサ値118のベクトルを等式エラー128と称されるエラーベ
クトルに変換する。等式エラーは、構造化残差ユニット130で使用して構造化
残差値138および故障サイズ136を算定し、また検出ユニット140で使用
して検出インデックス142を計算する。また構造化残差ユニットもモデル行列
を使用し、構造化残差変換132およびその対応する故障推定変換134を設計
する。好ましい実施形態においては、モデル行列は、主要コンポーネント分析を
使用してセンサの過去のデータセットから形成される。
持し、現在の等式エラー128を1セットの構造化残差値138に変換する。識
別ユニット150はこれらの構造化残差値を用いて、故障センサの同一性を判定
する。構造化残差ユニットもまた推定ユニット160により使用される1セット
の故障推定変換134を維持し、識別した故障に対する正規化した故障サイズ1
36を得る。
を計算し、検出インデックスを検出しきい値144と比較する。検出インデック
スが検出しきい値を上回る場合は、検出イベント148を発生する。この検出イ
ベントを使用して識別ユニット150を起動し、また、例えばオペレータアラー
ム発生、またはオペレータコンソール90もしくは格納装置92へのイベント記
録に、センサ確認装置の外部で利用できる。
クスのいくつかのセット152を計算する。検出イベント148が発生した場合
は、識別ユニットは、後述の特定のロジックに従って、識別インデックスをしき
い値154の対応するセットと比較して故障特性を識別する。識別に成功すると
、識別イベント158を発生し、それを使用して推定ユニットを起動する。この
識別イベントは、どのセンサが故障しているかに関する情報を含み、例えばオペ
レータアラーム発生、またはオペレータコンソール90もしくは格納装置92へ
のイベント記録に、センサ確認装置の外部で利用できる。
ニットは、構造化残差ユニット130に、等式エラー128に適正な故障推定変
換134(識別情報に基づいて選択される)を適用するよう要求し、その結果正
規化した故障サイズ情報136を生成する。次に推定ユニットは、適切な拡大縮
小116を136に適用して、オリジナルセンサ値の単位に対し拡大縮小された
故障サイズ推定168を生成する。
れた故障サイズ168を差し引き、1セットの代替値を得る。これらの代替値を
センサ確認装置の外部で利用できる。例えばそれらをDCS50に書込み、他の
装置で利用する。代替ユニットは、推定ユニット160が起動しているときだけ
機能する。代替ユニットは、オペレータ172の要求によっても機能を停止する
ことができる。この場合には、代替ユニットの出力178はセンサ確認装置に対
するオリジナル入力108と同一である。
る。特に4種の故障−完全な故障、バイアス、ドリフトおよび精度劣化−が考え
られる。分類ユニットは、推定ユニット160が起動している時だけ機能し、ま
た識別イベント158が発生したときだけ機能する。分類は、識別時点以降のセ
ンサデータ108の分析および故障サイズ推定168に基づく。分類ユニットに
より生成される分類情報188は、センサ確認装置の外部で利用できる。例えば
オペレータアラーム発生、またはオペレータコンソール90もしくは格納装置9
2へのイベント記録に使用できる。 これらの演算ユニットのそれぞれの好ましい実施形態を以下に詳しく述べる。
て、DCSからの測定されたセンサ値108と正規化された値118との間で変
換を行い、それをモデルユニットおよび構造化残差ユニットに入力する。i番目
のセンサに対する拡大縮小値Siおよびオフセット値Oiは、好ましい実施形態に
おいては、i番目のセンサの平均値μiおよび標準偏差σiから下記のように計算
される。
変換される。
により推定される。
る。
デル行列122であり、e*∈Rmは等式エラー128である。行列Bは、プロセ
スの質量バランスもしくはエネルギーバランスから算出するか、または主要コン
ポーネント解析(PCA)もしくは部分最小自乗(PLS)のような統計法を用
いてプロセスデータから算出できる。
データから求められる。PCAは、一般に例えばJ. Edward Jackson“A User's
Guide to Principal Components(主要コンポーネントに対するユーザーズガイ
ド)”、John Wiley 1991に記載されている。PCAにおいては、センサ値x*(t
)∈Rnは、次の形に分解される。
差コンポーネント(λn-m+1, Λλn)に対応し、またGertler, Li, HuangとMcAv
oy“Isolation enhanced principal component analysis(分離拡張主要コンポ
ーネント解析)”Proc. IFAC Workshop on On-line Fault Detection and Super
vision in the Chemical Process Industry, 4-5 June, 1998に記載されている
ように次の式が成り立つ。
構成機能を達成する、これについてはQinおよびDuniaの“Determining the numb
er of principal components for best reconstruction(最適再構成のための主
要コンポーネント数の決定)”、Proc. Of the 5-th IFAC Symposium on Dynami
cs and Control of Process System, 359-364, Corfu, Greece, June 8-10, 199
8に詳述されている。
変換を維持する。これらの変換は、以下の故障表現の中で説明する。
音はゼロの平均ガウス雑音と仮定できる。センサ故障が発生すると、センサ測定
はプロセス変数の正常値と故障値を含み、次式のようになる。
向の行列である。i番目のセンサの単一センサ故障を表わすと次式になる
は、Ξiは単位行列の対応する列を単に含むだけでよい。センサ故障を含む式6
の測定値関係を用いると、等式エラー128は下記のように表わすことができる
。
のようなセンサ故障を検出するのに用いられる。個別のベクトルまたは行列Ξi
が各センサ故障を表わすため、故障の識別は方向ベクトルを用いることにより達
成できる。
る。後述する識別ユニット150は、故障センサを識別するために構造化残差変
換を用いる。
parity equation based failure detection and isolation(故障検出と分離を
基にしたパリティ等式に対する新しい構造フレームワーク)”、Automatica 26:
381-388, 1990に記載されている。本発明においては、構造化残差に対する新し
い設計法を開示しており、“Structured Residual Approach with Maximized Se
nsitivity(最大感度をもつ構造化残差アプローチ)”またはSRAMSと呼ば
れる。 j番目のセンサにおける単一センサ故障の場合に対しては、次の式が成り立つ
。
。
ベクトルe(t)に変換行列Wをあらかじめ乗じることにより生成できる。
障に対して関与しないように設計することが望ましい。j番目センサが故障して
いるr(t)のi番目のエレメントは、次式で表わされる。
差rij(t)を故障方向ベクトルbjに対して感知するかまたはしないようにだけ設
計できる。SRAMSデザイン基準は次のように記述される。 wiをrij(t)がi番目センサ故障を感知しないが、他のものは最大感度で感知
するように選ぶ。数学的には次の形と同一である。
j≠iに対するその角度は最小に選択する。この問題は、次のようにも表現する
ことができる。
要がある。
変換される。ラグランジュ乗数λを用いて、ziの解は下記の値を最大とするこ
とにより見出せる。
。
。
である。ziが判明すると、wiは式15から容易に計算できる。
きる。複数センサ故障に対する等式エラーベクトルは、次の式で表わされる。
fi(t) ∈Rqは故障の大きさのベクトルである。BΞiの列は線型関係をもつこ
とに留意が必要である。BΞiに単一値分解(当業者によく知られている行列分
解)を実施し、ゼロでない単独値のみを維持することにより次の式が得られる
択する。即ち、
ある。
ork for parity equation based failure detection and isolation(故障検出
と分離を基にしたパリティ等式に対する新しい構造フレームワーク)” , Autom
atica 26:381-388, 1990、およびGerterとSinger、“Augmented models for sta
tistical fault isolation in complex dynamic systems(複雑動的システムに
おける統計的故障分離に対する拡張モデル)” , Proceeding of the American
Control Conference, pp317-322, 1985)は、wiを対象とする特定の故障に対し
て感知しないものを選択するが、他の故障に対する感度を最大にすることはない
。代表的な構造化残差設計では、wiの選択は、特有のものではなく、ある程度
任意である。この設計おける任意性により、故障を分離する可能性を最大にしな
い準最適解を導く。本発明のSRAMS方法は、wiの特有の設計を実現して、
他の故障に対する感度を最大にする反面、対象の故障を感知しない。
3.2に記載の単一センサ故障に対応する構造化残差変換の中核セットを維持す
る。これらの中核構造化残差変換は、構造化残差変換132の初期動作セットお
よび関連の故障推定変換134を形成する。
力において不良と表示されるときは、構造化残差変換および関連の故障推定変換
の新しい動作セットが、構造化残差ユニットにより形成される。これらは次の通
りである。b個のセンサが入力において不良と表示されると、n−b+1の新し
い構造化残差変換が設計される。第1構造化残差変換が、不良のb個のセンサに
対応する恒式行列の列を選択するΞを用いて設計される。この構造化残差変換は
、これらの不良センサ値を感知しないが、他のセンサのいずれの故障も感知する
。残りのn−bの構造化残差変換は、不良のb個のセンサに対応する恒式行列の
列に加え、相互のセンサに対応するさらにもう1つの列を選択するΞにより設計
される。これにより入力で不良と表示されるセンサの外にも、別の故障センサを
識別することが可能になる。
きる。例えばΞに基づく1セットの変換を、恒式行列からのすべてのペアの列か
ら選択する。これにより、同時に故障しているペアを識別できる。しかし、複数
故障を検出する好ましい方法は、いくつかのセンサ確認装置を用いることである
。例えば図1において、プロセスコントローラ60が入力として5つのセンサ値
を使用する場合は、最高5つのセンサ確認装置100を使用できる。各センサ確
認装置は、入力の1つおよびプロセスコントローラに入力されない他の冗長セン
サ測定値を使用する。
定のセンサの故障の検出および識別に最適化され、再構成のために最適化される
別のセンサ確認装置に信号供給する。
を計算することにより、前処理されたセンサ値の相関構造を監視する。この検出
インデックスが、統計的に推定された信頼限界に基づくしきい値144を越える
場合には、検出イベント148が発生し、識別ユニットが起動される。好ましい
実施形態では、正規化され、フィルタ処理された故障検出インデックス(NFF
DI)は、以下のように使用される。
がって、FDIに対する検出アラームしきい値は、実際には‖e*(t)‖2に対す
る信頼限界である。
いない。しかし、等式エラーe*(t)128は、主として測定雑音を含み、したが
ってゼロの平均ガウス雑音と考えることができる。したがって、e*(t)TRe -1e * (t)は、mの自由度をもつχ2分布を満足する、ここで、Re=E[e(t)eT(t)]
は等式エラー共分散行列である。このように正規化された故障検出インデックス
を、
者には既知の方法で、χ2分布を用い任意の有意水準αに対し求めることができ
る。
ラー共分散行列の行列平方根であることに留意すること。Re -1/2は等式エラー
の相関性解除の効果をもつ。
A)フィルタを等式エラーに適用して、測定データ中の過渡現象および雑音の効
果を減少させる。
定義される。
η(t)]=E[(t)η]=0である。しかし、EWMAフィルタは、-η(t)の分散を
大幅に減少させるため、信頼限界daを直接 -daに適用することはできない。-
η(t)の分散は次の式により表わされる。
意のk>0に対して0である。しかし、実際のデータに対しては、動的な過渡現
象のためにこの条件を満足することは不可能である。式36の右辺のゼロでない
ρ(k)は、 -daに対する検出アラームしきい値の決定に寄与する。‖η(t)‖2に
対するしきい値がdaであるから、式36から、‖-η(t)‖2に対する検出アラー
ムしきい値144が下記の式であることは、容易に知ることができる:
よりも小さい。実際に、p(k)は、一定の時間k後にはゼロに減少し、検出ユニ
ットだけが固定数の項を維持して -daを計算する。有意性αは、検出ユニット
の調節可能なパラメータである。 図4はNFFDINが故障発生を急速に増加している様子を示す。
される。識別ユニットは、インデックス152のいくつかのセットを計算し、そ
れを用いて、検出された故障を1つまたは複数のセンサの故障に識別できるかど
うかを判定する。各セットのインデックスは、構造化残差ユニット130により
維持される有効セットの構造化残差から算出される。一般に1つのセットにおけ
る単一インデックスがしきい値よりも小さく、一方でそのセットの中のすべての
他のインデックスがしきい値よりも大きい場合には、既知の方向の故障が識別さ
れる。この故障の方向は、インデックスに関連する構造化残差を定義する方向に
一致する。最も一般的な場合は、この故障は単一センサの故障に相当する。
ス152およびそれらの関連しきい値154を維持する。これらのインデックス
のセットは、正規化され、自乗され、フィルタ処理された構造化残差(NSFS
R)、一般化公算比(GLR)インデックス、および正規化累積加算分散(NC
UMVAR)インデックスである。関連しきい値は、gNSFSR、gGLRおよびgNC UMVAR により表わされる。図2に、故障識別プロセスを要約したフローダイアグ
ラムを示す。
、またはゼロに近いと想定される。しかし、モデル化エラー、測定値ノイズおよ
び他の不確定性のために、ri(t)はゼロに等しくない。したがって、各ri(t)i
,j=1,2,Λ,nに対するゼロでない信頼限界は、統計技法を用いて求めら
れる。
、i番目の構造化残差は正規分布に従う。
することにより、NSSRに対する信頼限界はχa 2(1)になる、ここで、αは有
意水準である。
化残差(NFSR)は、次式で表わされる。
、NFSRも次式による正規分布に従う。
された構造化残差(NSFSR)、に対するアラームしきい値は、次の式により
示されるアラームしきい値をもつ。
ムしきい値を通常下回る。
故障の場合には、-vi 2(t)は故障の影響を受けることはない。しかし他の残差-
vi 2(t)j≠iは大幅に増大する、なぜなら、それらの他のセンサの故障に対す
る感度は最大であるからである。
中で、そのしきい値gi NSFSRより小さい正確な1つのNSFSRが存在すること
により、故障センサを識別し、識別イベント158を発生することになる。この
例は図7に示され、その中で上のウインドウは故障センサ5に対応しないNSF
SRは極めて大きくなるのに対し、下のウインドウはセンサ5に対するNSFS
Rはそのしきい値を下回ったままであることを示す。
しきい値を上回る確率が低くても、最低限1つの残差がそのしきい値を上回る確
率をもつことは有意である。例えば20の残差があると仮定すると、ri(t)i=
1,2,Λ,20である。少なくとも一つのNSFSRがそのしきい値を上回る
確率は(α=0.05と仮定して)、すべてのセンサが正常であっても P=1−(1−α)20=1−0.9520=0.642 である。したがって、NSFSRは、故障検出に対して使用されない。代わりに
、検出ユニットは、NFFDIを用いて検出イベントをトリガーし、その後に識
別ユニットが、各種セットのインデックスを使用して、NSFSRから始めて、
故障センサを識別する。
インデックスを各サイクルにおいて計算できる。しかし、次の2つのセクション
に記載したインデックスセットは、故障検出の時点以降、構造化残差情報を累積
加算する。したがって、それらは検出イベントの発生以降においてのみ有効であ
る。
じる場合は、一般化された公算比(GLR)は、通常これを検出するのに適正な
検定法である(Benveniste, BassevilleおよびMoustakides“The asymptotic lo
cal approach to change detection and model validation(検出とモデル確認
変化に対する漸近軌跡方法)”、IEEE Trans. Auto. Cont. 32(7):538-592, Jul
y 1987)。
障に相当すると仮定する。しかし、一般には、GLRインデックスは、構造化残
差設計には関係なく構成し、監視することができる。
単位分散をもつ正規分布を示す。しかしj番目のセンサがtfの時点で故障を発
生すると、次式
れば次式が成り立つ。
められる。
。式50から次式が成り立つ。
の中で、
り、故障したセンサを特定し、識別イベント158を発生する。
するのが困難である。精度劣化故障の位置を識別するため、NSRの平均および
分散が、故障の生じた時点以降計算される。
ると仮定すれば、故障のセンサがないか、またはi番目のセンサが故障のときは
、次式が成り立つ。
VARs間で、しきい値gNCUMVAR=[1/(t−tf) ]χa 2(t−tf−1) よりも小さい確実に1つのNCUMVARが存在すると、精度故障をもつセ
ンサを識別定し、識別イベント158を発生する。
場合だけ、起動される。この時、推定ユニットは、識別イベントを発生するのに
機能した構造化残差変換に対応するモデルに基づく故障の大きさ、故障データお
よび行列Ξiを最適の形で推定する。この最適推定は、例えばMartensとNaes “M
ultivariate Calibration(多変量キャリブレーション)”、John Wiley and So
ns, New York, 1989に記載された公開されている既知の方法に基づくものである
。
こでは、式24と同様に、Uqが非単一値だけをその中に維持するBΞiにおける
単一値分解の直交左側行列である。言い換えれば、次式を最小にすることである
。
残差ユニット130は、それが維持する各構造化残差に対して推定行列134
エラー128を、前処理されたセンサ値スペース136内の故障ベクトルの推定
に写像する。次に、推定ユニットは、前処理ユニットからの逆拡大縮小化116
を適用して、最初のセンサスペース168内に故障ベクトルの推定を得る。
、センサ5のドリフト故障に対する推定ユニットの出力を示す。両者の場合、故
障サイズは正確に推定される。
サスペース168における故障ベクトルの推定を単純に行い、センサ値108の
測定されたベクトルから、推定された故障を差し引いて代替値178のベクトル
を生成する。
ニット150が識別イベント158を発生した場合だけ機能する。さらに安全機
能として、装置のオペレータは、代替ユニットの機能を確実に無効にできる。
特に4タイプの故障、すなわち完全故障、バイアス、ドリフトおよび精度劣化が
考慮される。
サが最初に故障であると識別された時点から、測定されたセンサ値のバッファを
維持し、当該センサに対する推定故障サイズのバッファもまた維持する。これら
の2つのバッファにおける情報を分析し、それを用いて該当センサに対する故障
のタイプを分類する。分析は主として統計的推定を使用し、したがって分類ユニ
ットの調節可能なパラメータである有意水準αを必要とする。
識別されていることを前提とする。分類ロジックのフローダイアグラムは、図3
に示されている。
り求められ、回帰線が良く一致し、ゼロの傾きをもつ統計推定により表示される
。
。ここで、tidはセンサが故障と識別された点であり、またtは現在の時点であ
る。
とにより、傾きβおよびy−切片αが次のように推定される。
る。
分布を満足する(例えばBirkesおよびDodge“Alternative Method of Regressio
n(回帰の代替方法)”、John Wiley & Sons 1993を参照のこと)。 回帰線の一致度は、特定のしきい値を上回る線型相関係数により求められる。
定168に関する回帰分析を実施することにより求められ、回帰線が良く一致し
、ゼロの傾きをもち、ゼロでないバイアスをもつことを統計的に推定して示され
る。 {k,fi(k)│k=tid,Λ,t}を、回帰線を計算する一連の点とする。ここで
、tidは、センサが故障と識別される点であり、tは現時点である。ゼロの傾き
に対する検定は、故障サイズシーケンスfi(k)がセンサ値シーケンスui(k)に替
わる以外は、完全欠陥の分類と同じである。回帰線の一致度は、特定のしきい値
を越える線型相関係数により求められる。 ゼロでないバイアスを検定するために次の統計値を用いる。
定168に関する回帰分析を行うことにより求められ、回帰線が良く適合し、ゼ
ロでない傾きをもつことを統計的に推定して示される。
定168に関する回帰分析を実施することにより求められ、回帰線が良く適合せ
ず、ゼロの傾きをもち、またゼロのバイアスをもつことを統計的に推定して示さ
れる。
より発生した場合にも表示される。
れらの詳細には限定されるものではないと理解されるべきである。当業者によっ
て行われる代替および変更は、本発明の精神から逸脱することなく細部の実施形
態に対して実施できる。これらの改変は、本発明の範囲内にあるものとする。
関係を示す。
の検出インデックスを示す。
力を示す。
力を示す。
NSFSRインデックスを示す。
NSFSRインデックスを示す。
Claims (68)
- 【請求項1】 測定されるプロセス中の1つまたは複数のセンサの故障を検
出する装置であって、 測定されたセンサ値を含む信号の動作ベクトルを受け取り、前記測定されたセ
ンサ値を正規化して、前処理されたセンサ値を生成する前処理ユニットと、 その前処理ユニットに結合され、前処理されたセンサ値を、主として測定雑音
を含む等式エラー値に変換するモデルユニットと、 そのモデルユニットに結合され、構造化残差変換と称する複数の変換を含む構
造化残差ユニットであって、各変換が等式エラー値を構造化残差値に変換し、各
変換がセンサのサブセットの故障を感知しないように設計されている、構造化残
差ユニットと、 前記モデルユニットに結合され、前記等式エラー値の間の関係を監視し、予測
された関係からの前記関係の有意偏差の発生により検出イベントを生成する検出
ユニットと、 前記構造化残差ユニットおよび検出ユニットに結合され、検出イベントにより
起動されて、前記構造化残差値を用いて1つまたは複数のセンサの故障の有無を
判定し、その判定により識別イベントを生成する識別ユニットと、 前記前処理ユニット、構造化残差ユニットおよび識別ユニットに結合され、識
別イベントにより起動されて、前記識別された故障センサのそれぞれについて故
障サイズを推定する推定ユニットと、 その推定ユニットに結合され、識別されたすべての故障について、対応する前
記測定されたセンサ値から前記推定された故障サイズを差し引くことにより、前
記動作信号値中の前記故障の測定されたセンサ値について代替値を計算する代替
ユニットと、 前記推定ユニットに結合され、前記推定ユニットが起動しているときに起動し
て、前記識別されたセンサ故障を故障タイプの固定セットに分類する分類ユニッ
トとを備えた装置。 - 【請求項2】 請求項1において、前記前処理ユニットにおける正規化が、
前記測定されたセンサ値を拡大縮小およびオフセットすることにより達成される
装置。 - 【請求項3】 請求項1において、前記動作信号が、前記測定されたセンサ
値に関する既知の状態の情報を含む装置。 - 【請求項4】 請求項1において、前記モデルユニットにおける変換が、前
記前処理されたセンサ値に行列を乗じて前記等式エラーを生成することにより達
成される装置。 - 【請求項5】 請求項4において、前記行列を主要コンポーネント分析の残
差部分から算出する装置。 - 【請求項6】 請求項4において、前記行列を、各センサ値に1つの、1セ
ットの部分最小自乗モデルの残差部分から算出する装置。 - 【請求項7】 請求項4において、前記行列を、前記測定されるプロセスの
質量バランスまたはエネルギーバランスから算出する装置。 - 【請求項8】 請求項1において、前記構造化残差ユニットの各変換が前記
等式エラーとのベクトル点乗積の形をもつ装置。 - 【請求項9】 請求項1において、前記構造化残差ユニットの各変換が、セ
ンサのサブセットの故障を感知せず、サブセット外の他のすべてのセンサの故障
を最大限感知するように設計されている装置。 - 【請求項10】 請求項1において、前記構造化残差ユニットの各変換が、
単一センサの故障を感知せず、他のすべてのセンサの故障を最大限感知するよう
に設計されている装置。 - 【請求項11】 請求項1において、各変換を定義する前記センサのサブセ
ットが、既知の不具合状態のすべてのセンサを少なくとも含む装置。 - 【請求項12】 請求項1において、前記検出ユニットが前記等式エラー値
の間の関係を、 前記等式エラーの関数である検出インデックスを計算し、 前記検出インデックスをしきい値と比較して、予測された関係からの前記関係
の有意偏差の発生を検出することにより監視する装置。 - 【請求項13】 請求項12において、前記検出インデックスが、前記等式
エラー値を自乗して加算することにより得られる装置。 - 【請求項14】 請求項12において、前記等式エラーに行列を乗じ前記等
式エラー値の相関性が解除されて、相関性を解除された等式エラー値が生成され
、 前記検出インデックスが、前記相関性を解除された等式エラー値を自乗して加
算することにより得られる装置。 - 【請求項15】 請求項13または14において、前記しきい値が統計手法
を用いて決定される装置。 - 【請求項16】 請求項13または14において、前記検出インデックスが
少なくとも時間に関してフィルタ処理され、過渡現象および雑音の影響を平滑化
して、フィルタ処理された検出インデックスが生成され、 前記フィルタ処理された検出インデックスを前記検出インデックスの代わりに
用いて、前記等式エラー値の間の関係を監視し、 前記フィルタ処理された検出インデックスをしきい値と比較して、予測された
関係からの前記関係の有意偏差の発生を検出する装置。 - 【請求項17】 請求項16において、前記検出インデックスが、指数関数
的に重み付けされた移動平均値フィルタの適用によりフィルタ処理される装置。 - 【請求項18】 請求項17において、前記フィルタ処理された検出インデ
ックスについての前記しきい値が、自己相関関数を用いて前記検出インデックス
しきい値から計算される装置。 - 【請求項19】 請求項1において、前記識別ユニットが、各構造化残差値
を対応するしきい値と比較し、 前記識別された構造化残差値と称する1つの構造化残差値を除くすべての前記
構造化残差値が、対応するしきい値を上回る場合には、識別イベントが発生し、 前記判定された故障センサが前記センサのサブセットであり、設計により、そ
のサブセットについて、前記識別された構造化残差値に対応する前記構造化残差
変換が前記サブセットの故障の存在を感知しない装置。 - 【請求項20】 請求項1において、前記識別ユニットが、前記構造化残差
値に変換操作を適用して、変換された構造化残差インデックスを生成し、 前記識別ユニットが、各変換された構造化残差インデックスを対応するしきい
値と比較し、 前記変換され識別された構造化残差インデックスと称する1つの構造化残差を
除くすべての前記変換された構造化残差インデックスが、対応するしきい値を上
回る場合には、識別イベントが発生し、 前記判定された故障センサが前記センサのサブセットであり、設計により、そ
のサブセットについて、前記変換された構造化残差インデックスに対応する前記
構造化残差変換が前記サブセットの故障の存在を感知しない装置。 - 【請求項21】 請求項20において、前記変換操作が自乗および拡大縮小
の操作を含む装置。 - 【請求項22】 請求項20において、前記変換操作が、指数関数的に重み
付けした、時間における移動平均フィルタを適用することを含む装置。 - 【請求項23】 請求項22において、各変換された構造化残差インデック
スについての前記しきい値が、自己相関関数を用いて前記対応する構造化残差し
きい値から計算される装置。 - 【請求項24】 請求項1において、前記識別ユニットが、前記構造化残差
値に、前記故障検出イベントの時点から累積する累積操作を適用して、累積され
た構造化残差インデックスを生成し、 前記識別ユニットが、各累積された構造化残差インデックスを対応するしきい
値と比較し、 前記累積され識別された構造化残差インデックスと称する1つの構造化残差を
除くすべての前記累積された構造化残差インデックスが、対応するしきい値を上
回る場合には、識別イベントが発生し、 前記判定された故障センサが前記センサのサブセットであり、設計により、そ
のサブセットについて、前記累積され識別された構造化残差インデックスに対応
する前記構造化残差変換が前記サブセットの故障の存在を感知しない装置。 - 【請求項25】 請求項24において、前記累積操作で、前記故障検出イベ
ントの時点からの前記構造化残差の統計的平均における有意変化を検出するよう
設計された、一般化公算比インデックスを計算する装置。 - 【請求項26】 請求項24において、前記累積操作で、前記故障検出イベ
ントの時点からの前記構造化残差の統計的平均を計算し、累積された平均インデ
ックスを生成する装置。 - 【請求項27】 請求項24において、前記累積操作で、前記故障検出イベ
ントの時点からの構造化残差の統計的分散を計算し、累積された分散インデック
スを生成する装置。 - 【請求項28】 請求項1において、前記識別されたセンサ故障のそれぞれ
について推定される故障サイズを、前記等式エラー値への前記識別されたセンサ
故障の影響を最小にすることにより計算する装置。 - 【請求項29】 請求項1において、前記分類ユニットが、識別された各故
障センサに対し1つずつ、複数の回帰線を計算し、この各回帰線は前記識別の時
点からの前記対応する故障センサについて測定されたセンサ値を用いて計算し、
複数のセンサ値回帰線を生成し、 前記分類ユニットが、識別された各故障センサに対し1つずつ、複数の回帰線
を計算し、この各回帰線は前記識別の時点からの前記対応する故障センサについ
て推定される故障サイズを用いて計算し、複数の故障サイズ回帰線を生成し、 前記分類ユニットが、センサ値回帰線ならびに故障サイズ回帰線からの傾き、
バイアスおよび残差情報を用いて、前記識別されたセンサ故障を故障タイプの固
定セットに分類する装置。 - 【請求項30】 請求項29において、前記対応するセンサ値回帰線の残差
がしきい値を下回り、前記対応するセンサ値回帰線の傾きが統計的にゼロに等し
い場合には、故障センサを“完全故障”タイプとして分類する装置。 - 【請求項31】 請求項29において、前記対応する故障サイズ回帰線の残
差がしきい値を下回り、前記対応する故障サイズ回帰線の傾きが統計的にゼロに
等しく、前記対応する故障サイズ回帰線のバイアスが統計的にゼロに等しくない
場合には、故障センサを “バイアス” タイプとして分類する装置。 - 【請求項32】 請求項29において、前記対応する故障サイズ回帰線の残
差がしきい値を下回り、前記対応する故障サイズ回帰線の傾きが統計的にゼロに
等しくない場合には、故障センサを “ドリフト” タイプとして分類する装置。 - 【請求項33】 請求項29において、前記対応する故障サイズ回帰線の残
差がしきい値を上回り、前記対応する故障サイズ回帰線の傾きおよびバイアスが
ともに統計的にゼロに等しい場合には、故障センサを “精度劣化” タイプとし
て分類する装置。 - 【請求項34】 請求項26において、前記識別イベントが、対応するしき
い値を上回る累積された分散インデックスにより発生する場合には、故障センサ
を “精度劣化” タイプとして分類する装置。 - 【請求項35】 コンピュータを用いて、測定されるプロセスにおける1つ
または複数のセンサ故障を検出する方法であって、 測定されたセンサ値を含む信号の動作ベクトルを受け取り、前記測定されたセ
ンサ値を前処理して、前処理されたセンサ値を生成するステップと、 前記前処理されたセンサ値を、主として測定雑音を含む等式エラー値に変換す
るステップと、 複数の変換を前記等式エラー値に適用して複数の構造化残差値を生成するステ
ップであって、前記変換が、構造化残差変換と称され、センサのサブセットの故
障を感知しないように設計されているステップと、 前記等式エラー値の間の関係を監視し、予測された関係からの前記関係の有意
偏差の発生により検出イベントを生成するステップと、 検出イベントが発生した場合に、前記構造化残差値を用いて1つまたは複数の
センサの故障の有無を判定し、その判定により識別イベントを生成するステップ
と、 識別イベントが発生した場合に、前記識別された故障センサのそれぞれについ
て故障サイズを推定するステップと、 識別イベントが発生した場合、識別されたすべての故障について、対応する前
記測定されたセンサ値から前記推定された故障サイズを差し引くことにより、前
記動作信号中の故障の測定されたセンサ値を修正された値に置き換えるステップ
と、 識別イベントが発生した場合、前記識別されたセンサ故障を故障タイプの固定
セットに分類するステップとを備えた方法。 - 【請求項36】 請求項35において、前記測定されたセンサ値を前処理す
るステップが、拡大縮小およびオフセットすることにより達成される方法。 - 【請求項37】 請求項35において、前記動作信号が、前記測定されたセ
ンサ値に関する既知の状態の情報を含む方法。 - 【請求項38】 請求項35において、前記前処理されたセンサ値を等式エ
ラー値に変換するステップが、前記前処理されたセンサ値に行列を乗じることに
より達成される方法。 - 【請求項39】 請求項38において、前記行列を主要コンポーネント分析
の残差部分から算出する方法。 - 【請求項40】 請求項38において、前記行列を、各センサ値に1つの、
1セットの部分最小自乗モデルの残差部分から算出する方法。 - 【請求項41】 請求項38において、前記行列を、前記測定されるプロセ
スの質量バランスまたはエネルギーバランスから算出する方法。 - 【請求項42】 請求項35において、各構造化残差変換が、前記等式エラ
ーへの点乗積として適用される係数のベクトルからなる方法。 - 【請求項43】 請求項35において、各構造化残差変換が、センサのサブ
セットの故障を感知せず、サブセット外の他のすべてのセンサの故障を最大限感
知するように設計されている方法。 - 【請求項44】 請求項35において、各構造化残差変換が、単一センサの
故障を感知せず、他のすべてのセンサの故障を最大限感知するように設計されて
いる方法。 - 【請求項45】 請求項35において、各変換を定義する前記センサのサブ
セットが、既知の不具合状態のすべてのセンサを少なくとも含む方法。 - 【請求項46】 請求項35において、前記等式エラー値の間の関係を監視
するステップが、 前記等式エラーの関数である検出インデックスを計算することと、 前記検出インデックスをしきい値と比較して、予測された関係からの前記関係
の有意偏差の発生を検出することとからなる方法。 - 【請求項47】 請求項46において、前記検出インデックスが、前記等式
エラー値の自乗値を加算することにより得られる方法。 - 【請求項48】 請求項46において、前記等式エラーに行列を乗じ前記等
式エラー値の相関性が解除されて、相関性を解除された等式エラー値が生成され
、 前記検出インデックスが、前記相関性を解除された等式エラー値を自乗して加
算することにより得られる方法。 - 【請求項49】 請求項47または48において、前記しきい値が統計技法
を用いて決定される方法。 - 【請求項50】 請求項47または48において、前記検出インデックスが
少なくとも時間に関してフィルタ処理され、過渡現象および雑音の影響を平滑化
して、フィルタ処理された検出インデックスが生成され、 前記フィルタ処理された検出インデックスを前記検出インデックスの代わりに
用いて、前記等式エラー値の間の関係を監視し、 前記フィルタ処理された検出インデックスをしきい値と比較して、予測された
関係からの前記関係の有意偏差の発生を検出する方法。 - 【請求項51】 請求項50において、前記検出インデックスが、指数関数
的に重み付けされた移動平均フィルタの適用によりフィルタ処理される方法。 - 【請求項52】 請求項51において、前記フィルタ処理された検出インデ
ックスについての前記しきい値が、自己相関関数を用いて前記検出インデックス
しきい値から計算される方法。 - 【請求項53】 請求項35において、1つまたは複数のセンサの故障の有
無を判定するステップが、 各構造化残差値を対応するしきい値と比較することと、 前記識別された構造化残差値と称する1つの構造化残差値を除くすべての前記
構造化残差値が、対応するしきい値を上回る場合には、識別イベントを発生する
ことと、 前記故障センサが前記センサのサブセットであると判定することとからなり、
そのサブセットについて、設計により、前記識別された構造化残差値に対応する
構造化残差変換が前記サブセットの故障の存在を感知しない方法。 - 【請求項54】 請求項35において、前記構造化残差値に変換操作を適用
して、変換された構造化残差インデックスを生成する方法であって、1つまたは
複数のセンサの故障の有無を判定するステップが、 各変換された構造化残差インデックスを対応するしきい値と比較することと、 前記変換され識別された構造化残差インデックスと称する構造化残差の1つを
除くすべての前記変換された構造化残差インデックスが、対応するしきい値を上
回る場合には、識別イベントを発生することと、 前記故障センサが前記センサのサブセットであると判定することとからなり、
そのサブセットについて、設計により、前記変換された構造化残差インデックス
に対応する構造化残差変換が前記サブセットの故障の存在を感知しない方法。 - 【請求項55】 請求項54において、前記変換操作が自乗および拡大縮小
の操作を含む方法。 - 【請求項56】 請求項54において、前記変換操作が、指数関数的に重み
付けした、時間における移動平均フィルタを適用することを含む方法。 - 【請求項57】 請求項56において、各変換された構造化残差インデック
スについての前記しきい値が、自己相関関数を用いて前記対応する構造化残差し
きい値から計算される方法。 - 【請求項58】 請求項35において、前記構造化残差値に、前記故障検出
イベントの時点から累積する累積操作を適用して、累積された構造化残差インデ
ックスを生成する方法であって、1つまたは複数のセンサの故障の有無を判定す
るステップが、 各累積された各構造化残差インデックスを対応するしきい値と比較することと
、 前記累積され識別された構造化残差インデックスと称する1つの構造化残差を
除くすべての前記累積された構造化残差インデックスが、対応するしきい値を上
回る場合には、識別イベントを発生することと、 前記故障センサが前記センサのサブセットであると判定することとからなり、
そのサブセットについて、設計により、前記累積され識別された構造化残差イン
デックスに対応する前記構造化残差変換が前記サブセットの故障の存在を感知し
ない方法。 - 【請求項59】 請求項58において、前記累積操作で、前記故障検出イベ
ントの時点からの前記構造化残差の統計的平均における有意変化を検出するよう
設計された、一般化公算比インデックスを計算する方法。 - 【請求項60】 請求項58において、前記累積操作で、前記故障検出イベ
ントの時点からの前記構造化残差の統計的平均を計算し、累積された平均インデ
ックスを生成する方法。 - 【請求項61】 請求項58において、前記累積操作で、前記故障検出イベ
ントの時点からの構造化残差の統計的分散を計算し、累積された分散インデック
スを生成する方法。 - 【請求項62】 請求項35において、前記識別されたセンサ故障のそれぞ
れについて推定される故障サイズを、前記等式エラー値への前記識別されたセン
サ故障の影響を最小にすることにより計算する方法。 - 【請求項63】 請求項35において、前記識別されたセンサ故障を故障タ
イプの固定セットに分類するステップが、 識別された各故障センサに対し1つずつ、複数の回帰線を計算し、この各回帰
線は前記識別の時点からの前記対応する故障センサについて測定されたセンサ値
を用いて計算し、複数のセンサ値回帰線を生成することと、 識別された各故障センサに対し1つずつ、複数の回帰線を計算し、この各回帰
線は前記識別の時点からの前記対応する故障センサについて推定される故障サイ
ズを用いて計算し、複数の故障サイズ回帰線を生成することと、 センサ値回帰線ならびに故障サイズ回帰線からの傾き、バイアスおよび残差情
報を用いて、前記識別されたセンサ故障を故障タイプの固定セットに分類するこ
ととにより達成される方法。 - 【請求項64】 請求項63において、前記対応するセンサ値回帰線の残差
がしきい値を下回り、前記対応するセンサ値回帰線の傾きが統計的にゼロに等し
い場合には、故障センサを “完全故障” タイプとして分類する方法。 - 【請求項65】 請求項63において、前記対応する故障サイズ回帰線の残
差がしきい値を下回り、前記対応する故障サイズ回帰線の傾きが統計的にゼロに
等しく、前記対応する故障サイズ回帰線のバイアスが統計的にゼロに等しくない
場合には、故障センサを “バイアス” タイプとして分類する方法。 - 【請求項66】 請求項63において、前記対応する故障サイズ回帰線の残
差がしきい値を下回り、前記対応する故障サイズ回帰線の傾きが統計的にゼロに
等しくない場合には、故障センサを “ドリフト” タイプとして分類する方法。 - 【請求項67】 請求項63において、前記対応する故障サイズ回帰線の残
差がしきい値を上回り、前記対応する故障サイズ回帰線の傾きおよびバイアスが
ともに統計的にゼロに等しい場合には、故障センサを “精度劣化”タイプとし
て分類する方法。 - 【請求項68】 請求項60において、前記識別イベントが、対応するしき
い値を上回る累積された分散インデックスにより発生する場合には、故障センサ
を “精度劣化”タイプとして分類する方法。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US9687298P | 1998-08-17 | 1998-08-17 | |
US60/096,872 | 1998-08-17 | ||
PCT/US1998/022772 WO2000010059A1 (en) | 1998-08-17 | 1998-10-27 | Sensor validation apparatus and method |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2008033036A Division JP4528335B2 (ja) | 1998-08-17 | 2008-02-14 | センサの性能確認装置および方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2002522837A true JP2002522837A (ja) | 2002-07-23 |
JP4308437B2 JP4308437B2 (ja) | 2009-08-05 |
Family
ID=22259495
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2000565441A Expired - Lifetime JP4308437B2 (ja) | 1998-08-17 | 1998-10-27 | センサの性能確認装置および方法 |
JP2008033036A Expired - Lifetime JP4528335B2 (ja) | 1998-08-17 | 2008-02-14 | センサの性能確認装置および方法 |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2008033036A Expired - Lifetime JP4528335B2 (ja) | 1998-08-17 | 2008-02-14 | センサの性能確認装置および方法 |
Country Status (7)
Country | Link |
---|---|
US (1) | US6356857B1 (ja) |
EP (1) | EP1112532B1 (ja) |
JP (2) | JP4308437B2 (ja) |
AT (1) | ATE236418T1 (ja) |
CA (1) | CA2340977C (ja) |
DE (1) | DE69813040T2 (ja) |
WO (1) | WO2000010059A1 (ja) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002168661A (ja) * | 2000-08-21 | 2002-06-14 | General Electric Co <Ge> | センサ故障の検出、分離及び調整法 |
WO2004021889A1 (ja) * | 2002-09-05 | 2004-03-18 | Hitachi Medical Corporation | 生体光計測装置 |
JP2004257388A (ja) * | 2003-02-26 | 2004-09-16 | General Electric Co <Ge> | 切迫センサ故障を検出するための方法及び装置 |
JP2006085677A (ja) * | 2004-07-19 | 2006-03-30 | General Electric Co <Ge> | データを転送するエミッション監視システム及び方法 |
JP4790864B2 (ja) * | 2007-06-28 | 2011-10-12 | マイクロソフト コーポレーション | センサの状況依存信頼性についての学習と推論 |
US10113443B2 (en) | 2014-09-01 | 2018-10-30 | Ihi Corporation | Failure detection device |
KR20210021485A (ko) * | 2018-06-29 | 2021-02-26 | 로베르트 보쉬 게엠베하 | 전기 구동 시스템에서의 센서 결함 모니터링 및 식별 방법 |
JP2021068831A (ja) * | 2019-10-25 | 2021-04-30 | 東京エレクトロン株式会社 | 故障検知システム及び故障検知方法 |
Families Citing this family (85)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030216874A1 (en) | 2002-03-29 | 2003-11-20 | Henry Manus P. | Drive techniques for a digital flowmeter |
US6311136B1 (en) | 1997-11-26 | 2001-10-30 | Invensys Systems, Inc. | Digital flowmeter |
US8467986B2 (en) | 1997-11-26 | 2013-06-18 | Invensys Systems, Inc. | Drive techniques for a digital flowmeter |
US8447534B2 (en) | 1997-11-26 | 2013-05-21 | Invensys Systems, Inc. | Digital flowmeter |
US7784360B2 (en) | 1999-11-22 | 2010-08-31 | Invensys Systems, Inc. | Correcting for two-phase flow in a digital flowmeter |
US7124646B2 (en) | 1997-11-26 | 2006-10-24 | Invensys Systems, Inc. | Correcting for two-phase flow in a digital flowmeter |
US7404336B2 (en) | 2000-03-23 | 2008-07-29 | Invensys Systems, Inc. | Correcting for two-phase flow in a digital flowmeter |
US7024335B1 (en) * | 1998-04-15 | 2006-04-04 | The Texas A&M University System | Condition assessment and life expectancy prediction for devices |
US6844197B1 (en) * | 1998-04-17 | 2005-01-18 | California Institute Of Technology | Method for validating that the detection ability of a sensor array mimics a human nose detection ability |
US6594620B1 (en) * | 1998-08-17 | 2003-07-15 | Aspen Technology, Inc. | Sensor validation apparatus and method |
US6473660B1 (en) * | 1999-12-03 | 2002-10-29 | The Foxboro Company | Process control system and method with automatic fault avoidance |
US6539343B2 (en) * | 2000-02-03 | 2003-03-25 | Xerox Corporation | Methods for condition monitoring and system-level diagnosis of electro-mechanical systems with multiple actuating components operating in multiple regimes |
US6957172B2 (en) * | 2000-03-09 | 2005-10-18 | Smartsignal Corporation | Complex signal decomposition and modeling |
JP2003528306A (ja) | 2000-03-23 | 2003-09-24 | インベンシス システムズ インコーポレイテッド | ディジタル流量計における二相流に対する修正 |
GB0007065D0 (en) | 2000-03-23 | 2000-05-10 | Simsci Limited | Process monitoring and control using self-validating sensors |
JP2003530483A (ja) * | 2000-04-11 | 2003-10-14 | ルシェルシュ 2000 インコーポレイテッド | 電気分解装置の動作パラメータの捕捉、監視、表示、および診断の方法および装置 |
EP1168131B1 (en) * | 2000-06-30 | 2007-02-21 | Siemens Corporate Research, Inc. | Method and system for industrial operator guidance through prediction-based alarm recognition |
EP1170650B1 (fr) * | 2000-07-05 | 2008-09-03 | PDF Solutions SAS | Procédé de surveillance d'un système |
US6789052B1 (en) * | 2000-10-24 | 2004-09-07 | Advanced Micro Devices, Inc. | Method of using control models for data compression |
US6556939B1 (en) * | 2000-11-22 | 2003-04-29 | Smartsignal Corporation | Inferential signal generator for instrumented equipment and processes |
EP1366400B1 (en) * | 2001-03-01 | 2009-06-24 | Fisher-Rosemount Systems, Inc. | Fiducial technique for estimating and using degradation levels in a process plant |
US6847917B2 (en) * | 2001-05-24 | 2005-01-25 | Simmonds Precision Products, Inc. | Method and apparatus for selecting condition indicators in determining the health of a component |
US7107176B2 (en) | 2001-06-25 | 2006-09-12 | Invensys Systems, Inc. | Sensor fusion using self evaluating process sensors |
AU2002367635A1 (en) * | 2001-10-23 | 2003-11-11 | Brooks-Pri Automation, Inc. | Semiconductor run-to-run control system with state and model parameter estimation |
US7302349B2 (en) * | 2002-08-16 | 2007-11-27 | Lattec I/S | System and a method for observing and predicting a physiological state of an animal |
US7059199B2 (en) | 2003-02-10 | 2006-06-13 | Invensys Systems, Inc. | Multiphase Coriolis flowmeter |
US7188534B2 (en) | 2003-02-10 | 2007-03-13 | Invensys Systems, Inc. | Multi-phase coriolis flowmeter |
US7451003B2 (en) * | 2004-03-04 | 2008-11-11 | Falconeer Technologies Llc | Method and system of monitoring, sensor validation and predictive fault analysis |
US20050228150A1 (en) * | 2004-04-13 | 2005-10-13 | Union Carbide Chemicals & Plastics Technology Corporation | Use of instantaneous split to improve reactor control |
US7200524B2 (en) * | 2004-05-06 | 2007-04-03 | Carrier Corporation | Sensor fault diagnostics and prognostics using component model and time scale orthogonal expansions |
US7293400B2 (en) * | 2004-09-30 | 2007-11-13 | General Electric Company | System and method for sensor validation and fusion |
US7218974B2 (en) * | 2005-03-29 | 2007-05-15 | Zarpac, Inc. | Industrial process data acquisition and analysis |
US20060288968A1 (en) * | 2005-06-27 | 2006-12-28 | Control Devices, Inc. | Tamper evident connector for an engine radiator |
KR101322434B1 (ko) * | 2005-07-11 | 2013-10-28 | 브룩스 오토메이션 인코퍼레이티드 | 지능형 상태 감시 및 결함 진단 시스템 |
US9104650B2 (en) | 2005-07-11 | 2015-08-11 | Brooks Automation, Inc. | Intelligent condition monitoring and fault diagnostic system for preventative maintenance |
DE102006030895A1 (de) * | 2006-07-01 | 2008-01-03 | Endress + Hauser Conducta Gesellschaft für Mess- und Regeltechnik mbH + Co. KG | Messanordnung mit Zustandsüberwachung und Verfahren zur Zustandsüberwachung einer Messanordnung |
US7617055B2 (en) | 2006-08-28 | 2009-11-10 | Invensys Systems, Inc. | Wet gas measurement |
US8275577B2 (en) * | 2006-09-19 | 2012-09-25 | Smartsignal Corporation | Kernel-based method for detecting boiler tube leaks |
US7949417B2 (en) * | 2006-09-22 | 2011-05-24 | Exxonmobil Research And Engineering Company | Model predictive controller solution analysis process |
US8311774B2 (en) * | 2006-12-15 | 2012-11-13 | Smartsignal Corporation | Robust distance measures for on-line monitoring |
US20080168339A1 (en) * | 2006-12-21 | 2008-07-10 | Aquatic Informatics (139811) | System and method for automatic environmental data validation |
US8285513B2 (en) * | 2007-02-27 | 2012-10-09 | Exxonmobil Research And Engineering Company | Method and system of using inferential measurements for abnormal event detection in continuous industrial processes |
US7630820B2 (en) * | 2007-04-24 | 2009-12-08 | Honeywell International Inc. | Feedback control system and method that selectively utilizes observer estimates |
US7539593B2 (en) | 2007-04-27 | 2009-05-26 | Invensys Systems, Inc. | Self-validated measurement systems |
US7826910B2 (en) * | 2007-07-20 | 2010-11-02 | Siemens Aktiengesellschaft | Systems and methods for control over unreliable networks |
DE102007044613B3 (de) * | 2007-09-19 | 2009-07-09 | Continental Automotive Gmbh | Verfahren und Vorrichtung zum Feststellen eines fehlerhaften Drucksensors |
KR100839210B1 (ko) * | 2007-09-21 | 2008-06-17 | 주식회사 세진인텍 | 기어를 이용한 체인 스토퍼의 도그 개폐장치. |
AT10073U9 (de) * | 2008-01-14 | 2009-02-15 | Avl List Gmbh | Verfahren und vorrichtung zur analyse und bewertung von messdaten eines messsystems |
DE102008032885A1 (de) * | 2008-07-14 | 2010-01-21 | Endress + Hauser Conducta Gesellschaft für Mess- und Regeltechnik mbH + Co. KG | Verfahren und Vorrichtung zur Überprüfung und Feststellung von Zuständen eines Sensors |
DE102008042969A1 (de) * | 2008-10-20 | 2010-04-22 | Endress + Hauser Conducta Gesellschaft für Mess- und Regeltechnik mbH + Co. KG | Verfahren und Vorrichtung zur Detektion von Prozesszuständen in alternierenden Produktionsprozessen |
KR20100113852A (ko) * | 2009-04-14 | 2010-10-22 | 삼성전자주식회사 | 반도체 소자 제조 공정의 최적 센서 선정 방법 |
DE102009026893A1 (de) * | 2009-06-10 | 2010-12-16 | Endress + Hauser Flowtec Ag | Verfahren und Messsystem zur Bestimmung von Zustandsgrößen eines Messmediums |
AT508714B1 (de) * | 2009-09-11 | 2011-06-15 | Siemens Vai Metals Tech Gmbh | Verfahren zum überwachen einer walze in einer anlage zum walzen von metall |
EP2523625B1 (en) * | 2010-01-14 | 2017-03-08 | PhysIQ Inc. | Multivariate residual-based health index for human health monitoring |
WO2012050474A1 (en) * | 2010-10-11 | 2012-04-19 | General Electric Company | Systems, methods, and apparatus for detecting shifts in redundant sensor signals |
JP2012226680A (ja) * | 2011-04-22 | 2012-11-15 | Internatl Business Mach Corp <Ibm> | 産業制御システムを管理する管理システム、管理方法および管理プログラム |
US9250625B2 (en) | 2011-07-19 | 2016-02-02 | Ge Intelligent Platforms, Inc. | System of sequential kernel regression modeling for forecasting and prognostics |
US8660980B2 (en) | 2011-07-19 | 2014-02-25 | Smartsignal Corporation | Monitoring system using kernel regression modeling with pattern sequences |
US8620853B2 (en) | 2011-07-19 | 2013-12-31 | Smartsignal Corporation | Monitoring method using kernel regression modeling with pattern sequences |
US9256224B2 (en) | 2011-07-19 | 2016-02-09 | GE Intelligent Platforms, Inc | Method of sequential kernel regression modeling for forecasting and prognostics |
DE102011110894A1 (de) | 2011-08-17 | 2013-02-21 | Giesecke & Devrient Gmbh | Sensor und Verfahren zum Betreiben des Sensors |
DE102011110895A1 (de) * | 2011-08-17 | 2013-02-21 | Giesecke & Devrient Gmbh | Sensor und Verfahren zum Betreiben des Sensors |
US10023305B2 (en) | 2012-05-10 | 2018-07-17 | Sikorsky Aircraft Corporation | System and method of determining rotor loads and motion |
KR101226470B1 (ko) | 2012-08-13 | 2013-02-06 | (주)제이케이알에스티 | 노점 온도 자동 제어에 의한 결로 생성 억제 통합 관리 시스템 및 그 방법 |
CN102980610B (zh) * | 2012-11-16 | 2015-08-19 | 智谱特环境科技(北京)有限公司 | Cems系统智能故障检测装置 |
CN103010268B (zh) * | 2012-12-21 | 2015-09-23 | 上海交通大学 | 一种动车邻域子系统的动力分布式优化调度方法 |
KR102026069B1 (ko) | 2013-08-05 | 2019-09-30 | 삼성전자 주식회사 | 반도체 설비의 센서 데이터 분할 시스템 및 그 방법 |
EP2853972A3 (en) | 2013-09-30 | 2015-12-30 | YPF Tecnologia S.A. | Device and method for detection and/or diagnosis of faults in a process, equipment and sensors |
DE102013223021A1 (de) * | 2013-11-12 | 2015-05-13 | Msa Europe Gmbh | Vorrichtung zur Fehlerdetektion und / oder Identifizierung mindestens einer Sensorvorrichtung |
WO2015103451A2 (en) * | 2014-01-02 | 2015-07-09 | Basis Science, Inc. | Detection and calculation of heart rate recovery in non-clinical settings |
CN103868549A (zh) * | 2014-03-25 | 2014-06-18 | 南京霍普斯科技有限公司 | 一种cems智能诊断系统 |
JP6172678B2 (ja) | 2014-04-30 | 2017-08-02 | インターナショナル・ビジネス・マシーンズ・コーポレーションInternational Business Machines Corporation | 検出装置、検出方法、およびプログラム |
WO2016010446A1 (en) * | 2014-07-16 | 2016-01-21 | Siemens Aktiengesellschaft | Method for validation of an investigated sensor and corresponding machine |
AT516067A1 (de) | 2014-07-22 | 2016-02-15 | Omv Refining & Marketing Gmbh | Verfahren und System zur Auswertung eines chemischen Verarbeitungsprozesses |
CN105629951A (zh) * | 2015-12-30 | 2016-06-01 | 南京航空航天大学 | 发动机实验环境下传感器信号的重构方法 |
JP6772491B2 (ja) * | 2016-03-14 | 2020-10-21 | 日本電気株式会社 | 故障診断装置、故障診断システム、故障診断方法、及び、プログラム |
KR101815904B1 (ko) * | 2017-01-13 | 2018-01-08 | (주)이젝스 | 전자기기 식별 시스템 및 그 식별 방법 |
KR101862218B1 (ko) * | 2017-02-15 | 2018-07-05 | (주)이젝스 | 전자기기 식별에 의한 상황 인지 시스템 및 그 방법 |
JP6988890B2 (ja) * | 2017-05-25 | 2022-01-05 | 日本電気株式会社 | 処理装置、処理方法及びプログラム |
JP6835688B2 (ja) * | 2017-08-30 | 2021-02-24 | 株式会社日立製作所 | 分析管理システムおよび分析管理方法 |
WO2020033048A1 (en) * | 2018-08-09 | 2020-02-13 | Hrl Laboratories, Llc | System and method for consensus ordering of broadcast messages |
CN110243497A (zh) * | 2019-05-29 | 2019-09-17 | 北京暖云科技有限公司 | 一种基于主成分分析的传感器故障诊断方法及系统 |
DE102019127961A1 (de) * | 2019-10-16 | 2021-04-22 | Imko Micromodultechnik Gmbh | Verfahren zur Überprüfung der Funktionstüchtigkeit von Mess-Systemen |
CN111780800B (zh) * | 2020-07-09 | 2021-10-29 | 哈尔滨工程大学 | 一种传感器故障的监测、隔离以及重构方法和系统 |
US11740157B1 (en) * | 2020-12-29 | 2023-08-29 | Uchicago Argonne, Llc | Physics-constrained fault diagnosis framework for monitoring a multi-component thermal hydraulic system |
Family Cites Families (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4644479A (en) * | 1984-07-31 | 1987-02-17 | Westinghouse Electric Corp. | Diagnostic apparatus |
FR2570182B1 (fr) * | 1984-09-13 | 1988-04-15 | Framatome Sa | Methode de validation de la valeur d'un parametre |
US4772445A (en) | 1985-12-23 | 1988-09-20 | Electric Power Research Institute | System for determining DC drift and noise level using parity-space validation |
DE3929404A1 (de) | 1989-09-05 | 1991-03-07 | Bodenseewerk Geraetetech | Verfahren und vorrichtung zum erkennen und identifizieren von fehlern an sensoren |
DE4100501A1 (de) * | 1991-01-10 | 1992-07-16 | Bodenseewerk Geraetetech | Verfahren und einrichtung zum erkennen von fehlern an sensoren fuer zustandsgroessen |
GB2255838A (en) | 1991-05-13 | 1992-11-18 | Gen Electric | Filtered signal validation. |
US5459675A (en) | 1992-01-29 | 1995-10-17 | Arch Development Corporation | System for monitoring an industrial process and determining sensor status |
US5629872A (en) | 1992-01-29 | 1997-05-13 | Arch Development Corporation | System for monitoring an industrial process and determining sensor status |
GB9208704D0 (en) * | 1992-04-22 | 1992-06-10 | Foxboro Ltd | Improvements in and relating to sensor units |
JPH06208568A (ja) * | 1993-01-08 | 1994-07-26 | Nikon Corp | 故障診断支援装置 |
US5386373A (en) | 1993-08-05 | 1995-01-31 | Pavilion Technologies, Inc. | Virtual continuous emission monitoring system with sensor validation |
JP3221184B2 (ja) * | 1993-10-13 | 2001-10-22 | 株式会社日立製作所 | 故障診断装置および方法 |
US5442562A (en) | 1993-12-10 | 1995-08-15 | Eastman Kodak Company | Method of controlling a manufacturing process using multivariate analysis |
US5586066A (en) | 1994-06-08 | 1996-12-17 | Arch Development Corporation | Surveillance of industrial processes with correlated parameters |
EP0720004B1 (de) * | 1994-12-27 | 2000-02-16 | LITEF GmbH | FDIC-Verfahren zur Minimierung von Messfehlern in einer Messanordnung von redundanten Sensoren |
JP3495129B2 (ja) * | 1995-03-03 | 2004-02-09 | 株式会社東芝 | プラント異常検知装置 |
JP3470457B2 (ja) * | 1995-05-24 | 2003-11-25 | 株式会社日立製作所 | 制御システムの診断・解析方法および装置 |
US5680409A (en) | 1995-08-11 | 1997-10-21 | Fisher-Rosemount Systems, Inc. | Method and apparatus for detecting and identifying faulty sensors in a process |
US5761090A (en) * | 1995-10-10 | 1998-06-02 | The University Of Chicago | Expert system for testing industrial processes and determining sensor status |
JPH1094943A (ja) * | 1996-09-20 | 1998-04-14 | Hitachi Ltd | 自動加工装置 |
DE19732046A1 (de) * | 1997-07-25 | 1999-01-28 | Abb Patent Gmbh | Prozeßdiagnosesystem und Verfahren zur Diagnose von Vorgängen und Zuständen eines technischen Prozesses |
-
1998
- 1998-10-27 AT AT98956249T patent/ATE236418T1/de not_active IP Right Cessation
- 1998-10-27 CA CA002340977A patent/CA2340977C/en not_active Expired - Fee Related
- 1998-10-27 JP JP2000565441A patent/JP4308437B2/ja not_active Expired - Lifetime
- 1998-10-27 EP EP98956249A patent/EP1112532B1/en not_active Expired - Lifetime
- 1998-10-27 WO PCT/US1998/022772 patent/WO2000010059A1/en active IP Right Grant
- 1998-10-27 US US09/179,343 patent/US6356857B1/en not_active Expired - Lifetime
- 1998-10-27 DE DE69813040T patent/DE69813040T2/de not_active Expired - Lifetime
-
2008
- 2008-02-14 JP JP2008033036A patent/JP4528335B2/ja not_active Expired - Lifetime
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002168661A (ja) * | 2000-08-21 | 2002-06-14 | General Electric Co <Ge> | センサ故障の検出、分離及び調整法 |
WO2004021889A1 (ja) * | 2002-09-05 | 2004-03-18 | Hitachi Medical Corporation | 生体光計測装置 |
US7330745B2 (en) | 2002-09-05 | 2008-02-12 | Hitachi Medical Corporation | Living body photometric device |
JP2004257388A (ja) * | 2003-02-26 | 2004-09-16 | General Electric Co <Ge> | 切迫センサ故障を検出するための方法及び装置 |
JP4646528B2 (ja) * | 2003-02-26 | 2011-03-09 | ゼネラル・エレクトリック・カンパニイ | 切迫センサ故障を検出するための方法及び装置 |
JP2006085677A (ja) * | 2004-07-19 | 2006-03-30 | General Electric Co <Ge> | データを転送するエミッション監視システム及び方法 |
JP4790864B2 (ja) * | 2007-06-28 | 2011-10-12 | マイクロソフト コーポレーション | センサの状況依存信頼性についての学習と推論 |
US10113443B2 (en) | 2014-09-01 | 2018-10-30 | Ihi Corporation | Failure detection device |
KR20210021485A (ko) * | 2018-06-29 | 2021-02-26 | 로베르트 보쉬 게엠베하 | 전기 구동 시스템에서의 센서 결함 모니터링 및 식별 방법 |
JP2021529395A (ja) * | 2018-06-29 | 2021-10-28 | ローベルト ボツシユ ゲゼルシヤフト ミツト ベシユレンクテル ハフツングRobert Bosch Gmbh | 電気駆動システムにおけるセンサ故障を監視及び識別するための方法 |
KR102576327B1 (ko) | 2018-06-29 | 2023-09-08 | 로베르트 보쉬 게엠베하 | 전기 구동 시스템에서의 센서 결함 모니터링 및 식별 방법 |
JP2021068831A (ja) * | 2019-10-25 | 2021-04-30 | 東京エレクトロン株式会社 | 故障検知システム及び故障検知方法 |
JP7345353B2 (ja) | 2019-10-25 | 2023-09-15 | 東京エレクトロン株式会社 | 故障検知システム及び故障検知方法 |
Also Published As
Publication number | Publication date |
---|---|
JP4528335B2 (ja) | 2010-08-18 |
EP1112532B1 (en) | 2003-04-02 |
JP2008198213A (ja) | 2008-08-28 |
DE69813040T2 (de) | 2003-10-16 |
EP1112532A1 (en) | 2001-07-04 |
CA2340977A1 (en) | 2000-02-24 |
DE69813040D1 (de) | 2003-05-08 |
JP4308437B2 (ja) | 2009-08-05 |
WO2000010059A1 (en) | 2000-02-24 |
US6356857B1 (en) | 2002-03-12 |
CA2340977C (en) | 2006-09-12 |
ATE236418T1 (de) | 2003-04-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP4308437B2 (ja) | センサの性能確認装置および方法 | |
Qin et al. | Detection, identification, and reconstruction of faulty sensors with maximized sensitivity | |
TW503347B (en) | Sensor validation method and apparatus | |
US8285513B2 (en) | Method and system of using inferential measurements for abnormal event detection in continuous industrial processes | |
US7496798B2 (en) | Data-centric monitoring method | |
KR100355970B1 (ko) | 센서의 초고감도 감시 및 프로세스 | |
Coble et al. | Applying the general path model to estimation of remaining useful life | |
Zhao et al. | Online fault prognosis with relative deviation analysis and vector autoregressive modeling | |
Wang et al. | Data-driven sensor fault diagnosis systems for linear feedback control loops | |
CN111780800B (zh) | 一种传感器故障的监测、隔离以及重构方法和系统 | |
US20120330631A1 (en) | Method and System of Using Inferential Measurements for Abnormal Event Detection in Continuous Industrial Processes | |
CN112284440B (zh) | 一种传感器数据偏差自适应修正方法 | |
Benaicha et al. | New PCA-based methodology for sensor fault detection and localization | |
Ji et al. | Diagnosis of sensor precision degradation using Kullback‐Leibler divergence | |
CN111368428A (zh) | 一种基于监控二阶统计量的传感器精度下降故障检测方法 | |
CN116627116B (zh) | 一种流程工业故障定位方法、系统及电子设备 | |
CN116907772A (zh) | 桥梁结构监测传感器的自诊断与故障源鉴别方法及系统 | |
CN112231849B (zh) | 基于nest和sprt融合算法的轴温故障检测方法 | |
Raich et al. | Statistical process monitoring and disturbance isolation in multivariate continuous processes | |
KR102286814B1 (ko) | 가중 거리 자기 연상 양방향 커널 회귀에서 최적 시간 커널을 서치하는 장치 및 그 방법 | |
CN110928263B (zh) | 一种预先考虑动态关系的复杂过程的故障检测方法及系统 | |
CN117519076A (zh) | 系统故障检测方法及装置 | |
CN116720091A (zh) | 一种电机故障分析方法 | |
Upadhyaya et al. | Development of an integrated signal validation system and application to operating power plants | |
Upadhyaya et al. | An integrated approach for signal validation in dynamic systems |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20050824 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20070814 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20071113 |
|
A602 | Written permission of extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A602 Effective date: 20071212 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20080214 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20080318 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20080606 |
|
A602 | Written permission of extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A602 Effective date: 20080613 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20080918 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20081021 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20090113 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20090120 |
|
A911 | Transfer to examiner for re-examination before appeal (zenchi) |
Free format text: JAPANESE INTERMEDIATE CODE: A911 Effective date: 20090218 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20090414 |
|
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20090501 |
|
R150 | Certificate of patent or registration of utility model |
Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20120515 Year of fee payment: 3 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20130515 Year of fee payment: 4 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20140515 Year of fee payment: 5 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
EXPY | Cancellation because of completion of term |