JP2016532221A - モデル適合のための装置および方法 - Google Patents

モデル適合のための装置および方法 Download PDF

Info

Publication number
JP2016532221A
JP2016532221A JP2016540857A JP2016540857A JP2016532221A JP 2016532221 A JP2016532221 A JP 2016532221A JP 2016540857 A JP2016540857 A JP 2016540857A JP 2016540857 A JP2016540857 A JP 2016540857A JP 2016532221 A JP2016532221 A JP 2016532221A
Authority
JP
Japan
Prior art keywords
vector
model
sensor
mri
similarity
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.)
Pending
Application number
JP2016540857A
Other languages
English (en)
Inventor
ガンディ，ディヴァンジ・ジャディッシュ
ハーゾグ，ジェームズ・ポール
Original Assignee
ジーイー・インテリジェント・プラットフォームズ・インコーポレイテッド
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by ジーイー・インテリジェント・プラットフォームズ・インコーポレイテッド filed Critical ジーイー・インテリジェント・プラットフォームズ・インコーポレイテッド
Publication of JP2016532221A publication Critical patent/JP2016532221A/ja
Pending legal-status Critical Current

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
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/041—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a variable is automatically adjusted to optimise the performance
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0262—Confirmation of fault detection, e.g. extra checks to confirm that a failure has indeed occurred

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

実際のセンサ値のベクトルが受信される。モデルの成熟度が判定され、成熟度は、センサについて定義される。モデル成熟度をモデル範囲抑制基準に変換する関数が決定される。モデル範囲抑制（ＭＲＩ）基準が決定される。ＭＲＩ基準に基づくＭＲＩ制限が決定される。受信されたベクトルが、ＭＲＩ制限と比較され、この比較に基づいてモデルが選択的に変更される。他の態様において、ドライバセンサおよび応答センサの実際の値を有するベクトルが受信される。許容可能な観測値と許容不可能な観測値との間の境界のセットを提供する関数も決定される。ベクトル間の類似度基準が決定される。類似度基準および関数が比較され、この比較に基づいてモデルが選択的に変更される。【選択図】図１

Description

本明細書において開示されている主題は、更新プロセスモデルであるプロセス、ならびに、制御システムにおいて問題を検出および反応するためにプロセスモデルを利用することに関する。
産業プロセス制御、機械制御、システム監視、および条件ベースの監視において様々な手法が使用されており、それらの手法は、これらのシステムにおいて使用されている従来のセンサ閾値ベースの制御および警告の様々な欠点に対処する。より詳細には、監視されるプロセスまたは機械の経験的モデルが、故障検出および制御に使用される。そのようなモデルは、監視センサデータの集約的な所見を効果的に活用して、はるかに早い初期の故障検出およびより精細なプロセス制御を達成する。プロセスまたは機械上の多くのセンサを同時にかつ互いを考慮してモデル化することによって、監視システムは、各センサ（およびその測定パラメータ）がどのように挙動すべきかに関するより多くの情報を提供することができる。
予測される挙動が実際の挙動と異なる場合、対策をとることができる。たとえば、ユーザは、モデル化されたプロセスの様々な制御動作を引き起こし得、または、プロセスを実施する構成要素を交換する必要がある場合がある。
上述したモデルは、それらのモデルが正確である場合にのみ有効である。たとえば、時間とともに、表される情報がドリフトするか、または、他の様態で不正確になる場合がある。これらのモデルを変更すべきか否かを判定するために様々な従来の技法が使用されているが、これらのすべての手法は様々な欠点に悩まされている。結果として、これらの従来の手法に対するユーザの不満が生じている。
本明細書において説明される手法は、正確であるモデルを提供することによってモデル化のための自動適合手法を提供する。したがって、構成要素故障の判定およびとるべき対策をより正確に決定することができ、それによって、これらの手法へのユーザ満足度が増大する。
これらの実施形態の多くにおいて、実際のセンサ値のベクトルが受信される。モデルの成熟度が判定され、成熟度は、複数のセンサの各々について定義され、各センサについて上向き方向および下向き方向にさらに定義される。さらに、モデル成熟度をモデル範囲抑制基準に変換する関数が決定される。モデルの成熟度および決定された関数に基づくモデル範囲抑制（ＭＲＩ）基準も決定される。加えて、ＭＲＩ基準に基づくＭＲＩ制限が決定される。受信されたベクトルは、ＭＲＩ制限と比較され、この比較に基づいてモデルを選択的に変更する。
他の態様において、第１のベクトルが受信され、第１のベクトルは、ドライバセンサの実際の値を有する。第２のベクトルが受信され、第２のベクトルは、応答センサの実際の値を有する。第３のベクトルが受信され、第３のベクトルは、ドライバセンサの推定値を有する。第４のベクトルが受信され、第４のベクトルは、応答センサの推定値を有する。許容可能な観測値と許容不可能な観測値との間の境界のセットを提供する関数が決定される。第１のベクトルと第３のベクトルとの間の第１の類似度基準が決定される。第２のベクトルと第４のベクトルとの間の第２の類似度基準が決定される。第１の類似度基準、第２の類似度基準、および関数が比較され、この比較に基づいてモデルが選択的に変更される。
また他の態様において、モデルによって表される構成要素がほぼ故障しているか否か、または、何らかの制御動作を実施する必要があるか否かについて判定が行われる。構成要素がほぼ故障しているとき（または何らかの制御動作を実施する必要がある場合）、ユーザに対する警告が生成される。ユーザに対する警告は、グラフィックディスプレイ媒体上でユーザに提示される。
これらの実施形態のその他のものにおいて、プロセスモデルを修正すべきか否かを判定するように構成されている装置は、インターフェースおよびプロセッサを含む。インターフェースは、入力および出力を有し、入力は、実際のセンサ値のベクトルおよびモデルの成熟度を受信するように構成されている。成熟度は、複数のセンサの各々について定義され、各センサについて上向き方向および下向き方向にさらに定義される。
プロセッサはインターフェースに結合されており、モデルの成熟度および決定された関数に基づいてモデル範囲抑制（ＭＲＩ）基準を決定するように構成されている。プロセッサは、ＭＲＩ基準に基づいてＭＲＩ制限を決定するように構成されており、受信されたベクトルをＭＲＩ制限と比較する。プロセッサは、出力を介して送信される１つまたは複数の制御信号を介して、この比較に基づいてモデルを選択的に変更するように構成されている。
いくつかの態様において、インターフェースは、入力において第１のベクトルをさらに受信するように構成されている。第１のベクトルは、ドライバセンサの実際の値を有する。インターフェースはまた、第２のベクトルも受信し、第２のベクトルは、応答センサの実際の値を有する。インターフェースはまた、第３のベクトルも受信し、第３のベクトルは、ドライバセンサの推定値を有する。インターフェースはさらに、第４のベクトルを受信し、第４のベクトルは、応答センサの推定値を有する。インターフェースはまた、許容可能な観測値と許容不可能な観測値との間の境界のセットを提供する関数も受信する。
他の態様において、プロセッサは、第１のベクトルと第３のベクトルとの間の第１の類似度基準、および、第２のベクトルと第４のベクトルとの間の第２の類似度基準を決定するように構成されている。プロセッサは、第１の類似度基準、第２の類似度基準、および関数を比較し、この比較に基づいてモデルを選択的に変更するようにさらに構成されている。
本開示のより完全な理解のために、以下の詳細な説明および添付の図面が参照されるべきである。
本発明の様々な実施形態によるモデルを選択的に修正するシステムを示すブロック図である。 本発明の様々な実施形態による範囲外適合（ＯＲＡ）トリガ規則を示す流れ図である。 本発明の様々な実施形態によるドライバ類似度適合（ＤＳＡ）トリガ規則の流れ図である。 本発明の様々な実施形態による制限値抑制（ＬＶＩ）規則の流れ図である。 本発明の様々な実施形態によるモデル範囲抑制（ＭＲＩ）規則の流れ図である。 本発明の様々な実施形態による故障類似度抑制（ＦＳＩ）規則の流れ図である。 本発明の様々な実施形態によるモデル範囲抑制（ＭＲＩ）規則の動作を示すグラフ図である。 本発明の様々な実施形態によるＦＳＩ手法のグラフ図である。 本発明の様々な実施形態によるＦＳＩ手法のグラフ図である。 本発明の様々な実施形態によるモデルを修正する装置のブロック図である。
図面内の要素は単純かつ明瞭にするために示されていることが、当業者には諒解されよう。特定の動作および／またはステップは、特定の発生順序で記載または図示されている場合があるが、当業者であれば、順序に関するそのような特異性は実際には必須ではないことが理解されることがさらに諒解されよう。本明細書において使用されている用語および表現は、本明細書において特別な意味が別途記載されている場合を除き、それらの対応するそれぞれの調査および研究の分野に関してそのような用語および表現に対して認められているものとしての通常の意味を有することも理解されよう。
一般的な資産（たとえば、制御システム、センサなど）の経験的モデルを訓練するために必要とされる大部分の選別およびほぼすべての調整をなくす自動適合手法が提供される。いくつかの態様において、これらの手法は、初期実装および継続的な保守管理について顧客またはユーザに対する影響およびストレスがほとんどまたはまったくない、資産実装費用を最小限にするソリューションを提供する。新たな訓練されていない状態（わずかなデータで構築されるモデル、すなわち、初期モデルの場合、および、資産挙動が成熟したモデルについてさえ著しく変化する場合など）に最適に適合することによって、より大きい資産状態領域範囲を達成する自動適合手法が提供される。
有利には、資産保守管理、周囲の範囲外判定、負荷の範囲外および著しい動作変化も、本発明の手法によって低減される。いくつかの態様において、わずかな訓練データで資産監視の経験的モデル化部分をブートストラップするためのプラットフォームが提供される。
これらの例のいくつかにおいて、自動適合は、様々な異なる規則（たとえば、２つのトリガ規則および３つの抑制規則）を含む。規則の数ならびに／またはトリガおよび抑制である規則の数は変化してもよいことが諒解されよう。１つの手法において、２つのトリガ規則が使用され、これらは範囲外適合（ＯＲＡ）トリガ規則およびドライバタグ類似度適合（ＤＳＡ）トリガ規則である。さらに、３つの抑制規則が使用され、これらは、制限値抑制（ＬＶＩ）抑制規則、モデル範囲抑制（ＭＲＩ）規則、および故障タグ類似度抑制（ＦＳＩ）規則である。これら５つの規則は、２つの制御パラメータ、５つの閾値パラメータ、境界パラメータのセット（たとえば、タグあたり２つ）を使用してパラメータ化される。これらの規則の各々が、特性および利点を含む。たとえば、ＭＲＩ規則は、ヒューリスティックかつ迅速なモデル成長を可能にする。ＤＳＡおよびＦＳＩは、この手法のヒューリスティックかつ適時的な性質に基づくものである。これらの手法は、適合されるすべての新たな状態が、プロセスドライバと考えられ、その有効状態空間を通じて資産をナビゲートする役割を担うタグによって駆動され、一方で、これらのドライバと調和しない逸脱である状態を抑制することを保証する。トリガ規則および抑制規則の様々な組み合わせを使用することができること、ならびに、上述した組み合わせは一例に過ぎないことが理解されよう。
任意の数値的データ駆動型のモデル化手法は、大きなモデル／資産実装およびモデル／資産保守管理のオーバヘッドを受けることが諒解されよう。さらに、これらの保守管理事象の大部分は、誤検出インジケータによって予測され、分析者は、最初にこのインジケータをくまなく解析し、専門知識をもってこれが実際の故障の発生であるかまたはモデル保守管理（適合）の必要であるかを判定しなければならない。資産実装の間、最小限のモデル化パラメータのセット（タグまたはセンサ）の識別の後、ユーザ、クライアント、または顧客は、膨大な量のデータ、たとえば、場合によっては１年以上分のデータを引き出す、大きな労働力を要するプロセスを経験する必要がある。この大量のデータは、初期モデルに利用可能な状態の数が最大化されるとともに、顧客により多くのデータを求める可能性が低減／なくなることを保証するために引き出される。
しかしながら、このデータの大部分は一般的に、様々な理由に起因して除去され、残りのデータは資産の現在の状態から著しく異なると判明することが多い。本発明の手法は、この実装プロセスへのクライアントまたはユーザの関与の必要とされる量を低減するかまたは完全になくし、実装時間量（いくつかの例では約４５％）を低減する。さらに、本発明の手法は、誤検出を新たな状態としてヒューリスティックに識別することによって分析者に報告される誤検出の量を低減し、新たな状態を迅速にかつ適時的に自動適合してモデルを更新することによって、分析者の保守管理負荷を低減する。
本明細書において説明される規則のセットは排他的ではないこと、および、他の規則または様々なタイプの規則の他の組み合わせが使用されてもよいことが諒解されよう。ドライバ範囲外、ドライバ残差およびドライバ類似度に加えて、モデルが観測される状態を追跡していないかどうかを判定するために使用することができる多くの他の基準がある。２つ以上のタグ（センサ）の結合関数のような基準を、資産がその動作空間を変化させているか否かを判定するために使用することができる。そのような関数の例としては、風力曲線またはポンプ曲線が挙げられる。別の基準は、資産の状態空間における機器の損耗に関連するドリフトを示すために使用することができる、制御パラメータの長期的動向であり得る。状態変化を実際の故障の発生に帰するために、同じ技法を抑制規則に適用することもできる。
いくつかの態様において、ドライバ類似度と故障類似度との間のＦＳＩ抑制関係は、線形関数によって説明されるが、他の関数（指数関数など）が使用されてもよい。規則に対する入力はまた、類似度値自体の代わりに類似度基準の変化（導関数）にも関連し得る。導関数は、状態空間が変化する速度を提供し、観測される変化速度が故障に一般的なものであるか、または、新たな有効状態であるかを判定するために使用され得る。
また他の態様において、ＤＳＡおよびＦＳＩによって使用される類似度演算子は、ユークリッド距離基準（一般的にクラスタリング手法において使用される）またはホテリングのＴ２乗基準のような、観測値と推定値またはモデル／クラスタパラメータ（重心など）のいずれかとの間の、モデル品質の多くの他の基準に置き換えることができる。そのような置換はまた、これらの規則を、クラスタリング、主成分分析（ＰＣＡ）およびニューラルネットワークのような他の数値またはパラメータによるモデル化技法に容易に適用することも可能にする。
ここで図１を参照して、モデルを選択的に更新するシステムの一例を説明する。システム１００は、モデル１０２（モデル１０２はプロセス１０３をモデル化する）と、モデル化エンジン１０４と、トリガエンジン１０６と、抑制エンジン１０８と、モデル更新モジュール１１０とを含む。トリガエンジン１０６および抑制エンジン１０８は後続のシステム１１２に結合している。これらの要素は、電子ハードウェアおよびコンピュータソフトウェアの任意の組み合わせとして実装されてもよいことが諒解されよう。たとえば、それらの要素は、マイクロプロセッサのような処理デバイスによって実行されるプログラムされたコンピュータ命令として実装されてもよい。
後続のシステム１１２は処理デバイス１５０を含んでもよい。モデル１０２が更新されると、モデルは、処理デバイス１５０（たとえば、コンピュータ、サーバ、またはこれらのもしくは他の電子処理デバイスの組み合わせ）によって、グラフィックディスプレイ媒体１５４（たとえば、コンピュータディスプレイ、携帯電話ディスプレイ、または、情報をグラフィックで表示することができる任意の他の媒体）上でユーザに提示される警告１５２を生成するために使用することができる。これらの警告、または、ユーザによって提供される他の情報は、ユーザによって、プロセス１０３の動作を（たとえば、プロセス１０３に対する何らかの制御動作を実施することによって）変更するために利用することができる。
モデル１０２は、一態様において、多次元関連プロセスパラメータに関係する構成概念（固有のマルチセンサプロセス状態のレパートリー）である。一例において、モデル１０２は、コンピュータソフトェアにおいて実装されてもよく、１つまたは複数のデータ構造体、プログラム、ソフトウェアルーチン、または他のコンピュータ要素を含んでもよい。ニューラルネットワーク、曖昧論理モデルなどを含む様々な経験的モデルを使用することができる。これらすべての経験的モデルが、モデル化のために監視下にあるプロセスまたは機械からのデータを利用し、それによって、プロセスまたは機械を監視する。たとえば、Ｇｒｏｓｓによる米国特許第５，７６４，５０９号明細書の経験的モデル化技法が使用されてもよく、この文献は、参照によりその全体が本明細書に組み込まれる。この経験的モデル化技法は、本発明において大域的類似度の形態でも独創的に利用される類似度演算子、および、本明細書において説明されている他の適合決定技法を使用する。米国特許第７，２３３，８８６号および米国特許第６，８５９，７３９号の大域的類似度技法が使用されてもよく、これらの文献は、参照によりその全体が本明細書に組み込まれる。概して、類似度演算は、２つの数を比較するときに一方の極値（一般的に「同一」についての「１」）ともう一方の極値（一般的に「完全に異なる」についての「ゼロ」）の間でスケーリングされるスカラー類似度スコアをもたらす。より詳細には、この演算は、等しい数の要素を有する２つのベクトルの比較のために適合することができ、ここで、類似度スコアが、２つのベクトルの同様の各要素の比較についてもたらされ、その後、類似度スコアが平均化または他の様態で統計的に組み合わされて、１つのベクトル間類似度スコアになる。
プロセス１０３は、任意の製造プロセス、発電所における任意のプロセス、任意の産業プロセス、オフィスビルにおける任意のプロセスのような任意のタイプのプロセスである。プロセスの他の例が可能である。プロセス１０３は、情報を取得する関連センサ１５６を有し得る。
モデル化エンジン１０４は、モデル１０２にアクセスする。モデル化エンジンは、モデル１０２から情報を取得し、または、モデル１０２を修正するために使用される情報をモデルに送信することができる。
トリガエンジン１０６はトリガ（新たな状態）が存在するか否かを判定する。一態様において、２つのトリガ規則は、範囲外適合（ＯＲＡ）トリガ規則１４０およびドライバタグ類似度適合（ＤＳＡ）トリガ規則１４２を含む。トリガ規則１４０および１４２は、非モデル化状態の発見を判定する規則のセットである。
ＯＲＡトリガ規則１４０は、少なくとも１つのプロセスドライバがそのモデル化状態範囲の外にある新たな状態を示す。ＯＲＡトリガ規則１４０は、そのモデル化範囲の外にある、モデルの少なくとも１つのプロセスドライバパラメータを有する観測値（たとえば、資産状態ベクトル）を識別する。プロセスドライバは一般的に、周囲温度のような、プロセスから独立していると考えられ、プロセスに対する入力であるプロセスパラメータのセットである。一般的に、これらのパラメータに対しては故障検出は実施されない。
ＤＳＡトリガ規則１４２は、範囲外である場合もあり、または、範囲外でない場合もあるが、モデルとは著しく異なる新たな状態を示す。ＤＳＡトリガ規則１４２は、ドライバパラメータの大域的類似度がプリセットの閾値（たとえば、デフォルト値は０．９である）を下回るときに適合のための観測をマークするように設計されている。大域的類似度は、モデル生成推定値が所与の観測についてそれらの対応する実際の値をどの程度良好に順守するかの単一の定量的基準である。１の大域的類似度は同一の比較を示し、相違が増大するにつれてゼロに降下する。
これらの手法はＩＲＡトリガ規則１４３も使用することができる。ＩＲＡトリガ規則１４３は、モデル化プロセスドライバパラメータの少なくとも１つについての残差（たとえば、実際の値−推定値（現在の観測についてモデルによって生成される））がＩＲＡ閾値を超えるときにトリガするように設計されている。一態様において、ＩＲＡ閾値は、公称残差から導出される９５％信頼区間の２倍として定義される。一例において、ＩＲＡトリガ規則１４３は、プロセスドライバの少なくとも１つを首尾よくモデル化することができない新たな状態を示す。
抑制エンジン１０８はそのアルゴリズムを利用して、受信されたトリガを抑制すべきか否かを判定する。３つの抑制規則は、制限値抑制（ＬＶＩ）規則１４４、モデル範囲抑制（ＭＲＩ）規則１４６、および故障タグ類似度抑制（ＦＳＩ）規則１４８である。適合抑制は、トリガされる状態が故障状態または新たな有効プロセス状態であるかを判定する規則のセットである。
ＬＶＩ抑制規則１４４は、プロセスパラメータ、ドライバまたは基準の少なくとも１つ（潤滑油温度のような、モデル化プロセスに依存し、モデル化プロセスの出力であるプロセスパラメータ）が、その最大（または最小）の、作業ベースの所定の許容可能範囲（ＬＶＩ閾値）外であるときに観測を抑制するように設計されている。たとえば、シカゴにおける周囲温度に対するＬＶＩ閾値は、一例において、−４０°Ｆおよび１００°Ｆであり得る。
ＭＲＩ抑制規則１４６は、プロセス基準の少なくとも１つが、そのモデル化範囲外の規定の割合よりも大きいことを示す。ＭＲＩ規則について、許容可能な割合は、モデル成熟度の関数であり得る。ＭＲＩ抑制規則１４６は、プロセスパラメータの少なくとも１つが、そのパラメータに対するモデル化範囲（ＭＲＩ閾値）外の動的に決定される割合（パーセントＭＲＩ）よりも大きいときに観測を抑制するように設計されている。
ＦＳＩ抑制規則１４８は、新たなトリガされた状態の、モデルとの相違が主にプロセス基準（または故障タグ）によって占られていることを示す抑制規則である。ＦＳＩ抑制規則１４８は、ＦＳＩ関数がＦＳＩ閾値を下回るときに、適合のためにトリガされる観測を抑制するように設計されている。ＦＳＩ関数は、本明細書の他の箇所において説明されているように、基準パラメータ（故障パラメータ）大域的類似度およびドライバパラメータ大域的類似度を関係付ける代数関数である。
他の抑制規則も使用されてもよい。たとえば、プロセス基準の少なくとも１つの残差が所定のサンプル数にわたって数回、設定閾値を超えていることを示す残差ウィンドウ式抑制（ＲＷＩ）規則が使用されてもよい。ＲＷＩ規則は、自動適合規則であり、成熟したモデルに対して効果的に機能する。この規則はＩＲＡ規則と同様に設計されているが、トリガの代わりに、この規則は、モデル化プロセス基準パラメータの少なくとも１つの残差がそのＲＷＩ閾値を所定回数（たとえば、デフォルトでは２回）、所定サイズ（たとえば、デフォルトでは１０）の最近の隣接するウィンドウにわたって超えるときに抑制するように設計されている。
ＰＤ（またはパーセント距離）は、特定のモデル化されたパラメータのモデル範囲がそのパラメータの全予測状態空間（ＬＶＩ制限）にどの程度良好にわたっているかを示す、定量的モデル成熟度基準である。モデル成熟度は（１−ＰＤ）として定義される。パーセント距離は、本明細書の他の箇所において説明されるように計算される。
モデル更新モジュール１１０は、モデル１０２を更新すべきか否か、および、どのように更新すべきかを判定する。モデル更新モジュールは、モデル化エンジン１０４から実際のデータおよび推定値を受信し、モデル１０２をどのように更新すべきかを判定する。
図１のシステムの動作の一例において、実際のデータ１１９（ベクトルの形態）はモデル化エンジン１０４によって受信される。モデル化エンジン１０４は、モデル１０２内の情報からデータの推定値を求める。この点において、モデル１０２が推定値を有してもよく、または、モデル化エンジン１０４が、モデル１０２から受信される情報に基づいて推定値を決定または計算する必要がある場合がある。推定値は、モデルに基づく現在のプロセス状態の予測値である。残差は、実際のプロセス状態と推定プロセス状態との間の差である。
モデル化エンジン１０４は、実際のデータおよび推定値データをトリガエンジン１０６に送信する。トリガエンジン１０６は、そのアルゴリズムを使用して、新たな状態または潜在的な新たな状態が存在するか否かを判定する。新たな状態が検出されない場合、トリガ信号はトリガエンジン１０６から出力されず、実際のデータおよび推定値データとともに後続のシステムに送信されない。このとき、後続のシステムは、たとえば、異常の検出を判定し、データを表示し、または、これをデータベース内に記憶することができる。
他方、トリガエンジン１０６がトリガ（新たな状態）が存在すると判定した場合、この判定の指示、実際のデータ、および推定値データが抑制エンジン１０８に送信される。抑制エンジン１０８はそのアルゴリズムを利用して、受信されたトリガ判定を抑制すべきか否かを判定する。言い換えれば、たとえトリガが成されたとしても、抑制エンジン１０８は、モデルを修正しないように決定することができる。抑制エンジン１０８がトリガを抑制するように決定した場合、抑制信号が抑制モジュールから出力され、実際のデータおよび推定値データとともに後続のシステムに送信される。このとき、後続のシステムは、たとえば、異常の検出を判定し、データを表示し、または、これをデータベース内に記憶することができる。他方、抑制エンジン１０８がトリガを抑制しないように決定した場合、抑制しない指示、実際のデータ、および推定値データがモデル更新モジュール１１０に送信される。
モデル更新モジュール１１０は、メッセージとともに送信されるデータに従ってモデル１０２を更新するためのメッセージ１２１をモデル化エンジン１０４に送信する。モデル化エンジン１０４はその後、モデル１０２にアクセスしてモデル１０２を更新する。実際のデータおよび推定値データ（ならびにトリガが抑制されているか否か）はまた、ユーザに対する提示またはさらなる処理のために後続のシステム１１２にも送信することができる。
上記に示されるように、モデル１０２は、処理デバイス１５０によって、グラフィックディスプレイ媒体１５４（たとえば、コンピュータディスプレイ、携帯電話ディスプレイ、または、情報をグラフィックで表示することができる任意の他の媒体）上でユーザに提示される警告１５２を生成するために使用することができる。ユーザは、これらの警告に基づいて対策をとることができる。たとえば、機械的構成要素が故障していることを警告が示す場合、ユーザは、機械的構成要素を機能停止することができる。
ここで図２を参照して、ＯＲＡトリガ規則手法の一例を説明する。ステップ２０２において、測定されるセンサのための数値モデル（Ｍ）が得られる。ステップ２０４において、様々な値が定義される。アレイＡが定義され、アレイＡは、Ｔ個のベクトルを有するモデルＭからのＮ個のユーザ選択センサのモデル化データアレイ［Ｔ×Ｎ］である。値ｎが１に設定され、ｎは合計Ｎ個のセンサのアレイＡ内の第ｎのセンサインデックスである。Ａｍｉｎ（ｎ）およびＡｍａｘ（ｎ）は、Ｔ個すべてのベクトルにわたるアレイＡ内の第ｎのセンサの最小値および最大値である。Ｘ（ｉ）は、データソース（Ｄ）から取得される、各センサｎの要素Ｘ（ｉ，ｎ）を含む、対象の第ｉのベクトルである。データソース（Ｄ）は、データを生成または取得する任意のシステム要素、たとえば、センサからのデータを供給する。ステップ２０６において、データソース（Ｄ）は、監視下にある外部システムをパラメータ化するセンサデータを供給する。
ステップ２０８において、Ｘ（ｉ，ｎ）＞Ａｍａｘ（ｎ）であるか否かが判定される。回答が肯定的である場合、実行はステップ２１８において継続する。回答が否定的である場合、実行はステップ２１０において継続する。
ステップ２１０において、Ｘ（ｉ，ｎ）＜Ａｍｉｎ（ｎ）であるか否かが判定される。回答が肯定的である場合、実行はステップ２１８において継続する。回答が否定的である場合、実行はステップ２１２によって継続する。
ステップ２１２において、Ｎ＝ｎであるか否かが判定される。回答が肯定的である場合、実行は終了する。回答が否定的である場合、実行はステップ２１４によって継続する。ステップ２１４において、ｎがｎ＋１に設定される。実行は、２０８において上述したように継続する。
ステップ２１８において、第ｎのセンサに対するモデルＭについてＯＲＡトリガがフラグ立てされる。ステップ２２０において、すべてのセンサを処理すべきか否かの判定が行われる。回答が肯定的である場合、実行はステップ２１２によって継続する。回答が否定的である場合、実行は終了する。
ここで図３を参照して、ＤＳＡトリガ規則手法の一例を説明する。ステップ３０２において、測定されるセンサのための数値モデル（Ｍ）が得られる。ステップ３０４において、モデル化エンジンが、モデルＭを使用してデータソース（Ｄ）から入来するデータについての推定値ベクトルを計算する。ステップ３０６において、データソース（Ｄ）は、監視下にある外部システムをパラメータ化するセンサデータを供給する。
ステップ３０８において、集合Ｋが定義される。Ｋは、モデルＭを用いてモデル化される、Ｎ個のユーザ選択センサの集合である。ｎは合計Ｎ個のセンサの集合Ｋ内の第ｎのセンサインデックスである。Ｘ（ｉ）は、データソース（Ｄ）から取得される、各センサｎの要素Ｘ（ｉ，ｎ）を含む、対象の第ｉのベクトルである。Ｅ（ｉ）は、入力ベクトルＸ（ｉ）に対応する、各センサｎの要素Ｅ（ｉ，ｎ）を含む、推定値ベクトルである。また、＜ｘ＞がユーザ定義の類似度演算子であるように設定される。
ステップ３１０において、類似度基準ＳDSA（ｉ）＝Ｘ（ｉ）＜ｘ＞Ｅ（ｉ）が求められる。ステップ３１２において、類似度閾値ＴDSAが決定される。
ステップ３１４において、ＳDSA（ｉ）＜ＴDSAであるか否かが判定される。回答が肯定的である場合、実行はステップ３１６において継続する。回答が否定的である場合、実行は終了する。ステップ３１６において、モデルＭに対するＤＳＡトリガがフラグ立てされる。その後、実行は終了する。
ここで図４を参照して、ＬＶＩ抑制規則手法の一例を説明する。ステップ４０２において、測定されるセンサのための数値モデル（Ｍ）が決定される。ステップ４０４において、集合Ｋが定義される。Ｋは、モデルＭを用いてモデル化される、Ｎ個のユーザ選択センサの集合である。また、値ｎが設定され、ここではｎ＝１であり、合計Ｎ個のセンサの集合Ｋ内の第ｎのセンサインデックスである。Ｘ（ｉ）は、データソース（Ｄ）の供給から取得される、各センサｎの要素Ｘ（ｉ，ｎ）を含む、対象の第ｉのベクトルである。
ステップ４０６において、データソース（Ｄ）は、監視下にある外部システムをパラメータ化するセンサデータを供給する。ステップ４０８において、第ｎのセンサに対するセンサ下限値およびセンサ上限値である、Ｌlow（ｎ）およびＬhigh（ｎ）の決定が行われる。ステップ４１０において、Ｘ（ｉ，ｎ）＞Ｌhigh（ｎ）であるか否かが判定される。回答が肯定的である場合、実行はステップ４２０において継続する。回答が否定的である場合、実行はステップ４１２において継続する。
ステップ４１２において、Ｘ（ｉ，ｎ）＜Ｌlow（ｎ）であるか否かが判定される。回答が肯定的である場合、実行はステップ４２０において継続する。回答が否定的である場合、実行はステップ４１４において継続する。
ステップ４１４において、Ｎ＝ｎであるか否かが判定される。回答が肯定的である場合、実行は終了する。回答が否定的である場合、実行はステップ４１６において継続する。
ステップ４１６において、ｎがｎ＝ｎ＋１に設定される。実行は、ステップ４０８において上述したように継続する。ステップ４２０において、第ｎのセンサに対するモデルＭについてＬＶＩ抑制がフラグ立てされる。実行はステップ４２２において継続し、すべてのセンサを処理すべきか否かの判定が行われる。回答が肯定的である場合、実行はステップ４１４において継続する。回答が否定的である場合、実行は終了する。
ここで図５を参照して、ＭＲＩ抑制規則手法の一例を説明する。ステップ５０２において、測定されるセンサのための数値モデル（Ｍ）が決定される。
ステップ５０４において、アレイＡが定義される。Ａは、Ｔ個のベクトルを有するモデルＭからのＮ個のユーザ選択センサのモデル化データアレイ［Ｔ×Ｎ］である。集合Ｋも定義される。Ｋは、モデルＭを用いてモデル化される、同じＮ個のユーザ選択センサの集合である。また、ｎ＝１となり、これは合計Ｎ個のセンサのアレイＡ内の第ｎのセンサインデックスである。さらに、ｎhighおよびｎlowはそれぞれ、各センサｎの上向き方向および下向き方向である。Ａｍｉｎ（ｎ）およびＡｍａｘ（ｎ）は、Ｔ個すべてのベクトルにわたるアレイＡ内の第ｎのセンサの最小値および最大値である。また、Ｘ（ｉ）は、データソース（Ｄ）から取得される、各センサｎの要素Ｘ（ｉ，ｎ）を含む、対象の第ｉのベクトルである。
ステップ５０６において、データソース（Ｄ）は、監視下にある外部システムをパラメータ化するセンサデータを供給する。ステップ５０８において、Ｌlow（ｎ）およびＬhigh（ｎ）が決定され、これらは、第ｎのセンサに対するセンサ下限値およびセンサ上限値である。ステップ５１０において、各方向における各センサｎに対するモデル成熟度基準ｍ（Ｌ，Ａ，ｎ）が決定される。ステップ５１２において、各方向における各センサｎに対するＭＲＩ制限Ｒ（ｍ，Ａ）が決定され、Ｒhigh（ｎ）およびＲlow（ｎ）がそれらのＭＲＩ制限である。
ステップ５１４において、Ｘ（ｉ，ｎ）＜Ｒlow（ｎ）であるか否かが判定される。回答が肯定的である場合、実行はステップ５２２において継続する。回答が否定的である場合、実行はステップ５１６において継続する。
ステップ５１６において、Ｘ（ｉ，ｎ）＞Ｒhigh（ｎ）であるか否かが判定される。回答が肯定的である場合、実行はステップ５２２において継続する。回答が否定的である場合、実行はステップ５１８において継続する。
ステップ５１８において、Ｎ＝ｎであるか否かが判定される。回答が肯定的である場合、実行は終了する。回答が否定的である場合、実行はステップ５２０において継続する。ステップ５２０において、ｎ＝ｎ＋１の設定が行われる。その後、実行は、ステップ５０８において上述したように継続する。
ステップ５２２において、第ｎのセンサに対するモデルＭについてＭＲＩ抑制がフラグ立てされる。ステップ５２４において、すべてのセンサを処理すべきか否かの判定が行われる。回答が肯定的である場合、実行はステップ５１８において継続する。回答が否定的である場合、実行は終了する。
ここで図６を参照して、ＦＳＩ抑制手法の一例を説明する。ステップ６０２において、測定されるセンサのための数値モデル（Ｍ）が得られる。ステップ６０４において、モデル化エンジンが、モデルＭを使用してデータソース（Ｄ）から入来するデータについての推定値ベクトルを計算する。ステップ６０６において、データソース（Ｄ）は、監視下にある外部システムをパラメータ化するセンサデータを供給する。
ステップ６０８において、集合Ｋ１が定義される。Ｋ１は、モデルＭを用いてモデル化される、Ｎ個のユーザ選択センサの集合である。集合Ｋ２が、モデルＭを用いてモデル化される、Ｐ個のユーザ選択センサの集合として定義される。Ｋ１およびＫ２は相互に排他的である必要はなく、同一の集合Ｋ１およびＫ２について、アルゴリズムは固定された結果をもたらすことになり、それゆえ、無効な条件と考えるべきである。さらに、ｎは合計Ｎ個のセンサの集合Ｋ１内の第ｎのセンサインデックスである。また、ｐは合計Ｐ個のセンサの集合Ｋ２内の第ｐのセンサインデックスである。また、Ｘ（ｉ）は、データソース（Ｄ）から取得される、各センサｎの要素Ｘ（ｉ，ｎ）および各センサｐの要素Ｘ（ｉ，ｐ）を含む、対象の第ｉのベクトルである。このとき、Ｅ（ｉ）は、入力ベクトルＸ（ｉ）に対応する、各センサｎの要素Ｅ（ｉ，ｎ）および各センサｐの要素Ｅ（ｉ，ｐ）を含む、推定値ベクトルである。さらに、＜ｘ＞がユーザ定義の類似度演算子であるように定義される。
ステップ６１０において、ＳRSI＝Ｘ（ｉ，ｐ）＜ｘ＞Ｅ（ｉ，ｐ）として類似度基準を求める。ステップ６１２において、ＳDSA＝Ｘ（ｉ，ｎ）＜ｘ＞Ｅ（ｉ，ｎ）として類似度基準を求める。ステップ６１４において、ＦFSI（ｉ）＝Ｆ（ＳRSI，ＳDSA）として故障基準を求める。ステップ６１６において、類似度閾値ＴFSIが決定される。
ステップ６１８において、ＦFSI（ｉ）≦ＴFSIであるか否かが判定される。回答が否定的である場合、実行は終了する。回答が肯定的である場合、実行はステップ６２０において継続する。ステップ６２０において、モデルＭに対してＦＳＩ抑制がフラグ立てされる。その後、実行は終了する。
ここで図７を参照して、ＭＲＩ抑制規則の様々な態様を示すグラフの一例を説明する。センサ値７０１は、図示されているように時間とともに変化する。センサ値７０１に関するモデル制限７０２が表示されている。モデル制限７０２は、図示されているように正および負の両方の側面（態様）を有する。
ＭＲＩ制限７０４は、本明細書において説明されているように計算され、また、正および負の側面を有する。ＬＶＩ制限７０６がユーザによって、たとえば、相手先商標製造業者（ＯＥＭ）から取得される値を用いて設定される。
動作時、成熟度の基準が計算される。これは以下によって求められる。
ＭＭX＝１−ＰＤX
ＰＤX＝｜ＬＶＩX−Ｍｏｄｅｌ ｌｉｍｉｔx｜／｜ＬＶＩmax−ＬＶＩmin｜
ｘはそれぞれ上限または下限を示す
ＭＲＩx制限７０４が、本明細書において説明されているように計算され、また、上限および下限を有する。モデル制限Xはモデル上限またはモデル下限７０２である。
パーセント距離（ＰＤ）は、モデル制限７０２がＬＶＩ制限７０６にどの程度近いかの基準であり、成熟度を定義する。次に、成熟度および所定の関数に基づいてＭＲＩ基準が求められる。たとえば、
％ＭＲＩx＝Ａ*ｅｘｐ（Ｂ*（１−ＭＭx））
この式は、Ａが、成熟したモデルが抑制するＭＲＩ割合である場合に使用することができる。Ａの１つの値は０．０４５（たとえば、４．５％）である。ＢはＭＲＩ変動性係数である。一例において、Ｂ＝３．７である。ＰＤはパーセント距離であり、特定のモデルパラメータのモデル範囲が全予測状態空間（ＬＶＩ制限）にどの程度良好にわたっているかを評価する、上記で定義されている定量的モデル成熟度基準（ＭＭ）に比例する。
その後、ＭＲＩが計算される。
ＭＲＩx＝Ｍｏｄｅｌ Ｌｉｍｉｔx±Ｍｏｄｅｌ Ｒａｎｇｅ*％ＭＲＩx
式中の様々な値は上記で定義されている。Ｍｏｄｅｌ Ｒａｎｇｅ＝Ｍｏｄｅｌ Ｌｉｍｉｔmax−Ｍｏｄｅｌ Ｌｉｍｉｔminである。ＭＲＩ制限が計算されると、ドライバからの実際の受信される値がＭＲＩ制限と比較される。制限を超える場合、抑制が、最初にトリガされたモデルの状態変化を阻害する。
ここで図８および図９を参照して、ＦＳＩ手法を示す２例のグラフを説明する。図８は、予測値８０２と実際の値８０４との間の差のグラフを示し、それら２つのベクトル間の類似度基準に反比例する。ｘ軸およびｙ軸は、２センサシステムの２つのセンサを表す。このグラフは、Ｎセンサシステムのために外挿してＮ次元にすることができる。
図９は、ｙ軸に沿ったドライバ類似度およびｘ軸に沿った応答類似度を示す関数を示す。「ドライバ類似度」は、本明細書において使用される場合、予測ベクトルがプロセスドライバセンサ（ユーザによってプロセスドライバと考えられるセンサ）のｎ次元空間において実際のベクトルにどの程度近いかの基準を意味する。「応答類似度」は、本明細書において使用される場合、予測ベクトルがプロセス応答センサ（ユーザによってプロセス応答と考えられるセンサ）のｐ次元空間において実際のベクトルにどの程度近いかの基準を意味する。関数ｆ（ｘ）９０２は、許容可能な領域９０４を許容不可能な領域９０６から分離する。この例において、関数ｆ（ｘ）は線形関数であるが、他のタイプの関数（たとえば、指数関数）も使用することができることが諒解されよう。
点９０８が、完璧なベクトル／モデル類似度を表す。ベクトル９１０は、ドライバ類似度値の変化を表しているが、応答類似度に変化はない（この変化が許容可能であることを示す）。
ベクトル９１２は、ドライバ類似度の変化を示しているが、応答類似度にさほどの変化はない（この変化が許容可能であることを示す）。ベクトル９１４は、応答類似度に比例して変化しているドライバ類似度を示している（この変化が許容可能であることを示す）。ベクトル９１６は、応答類似度の変化を示しているが、ドライバ類似度に変化はない（この変化が許容不可能であることを示す）。ベクトル９１８は、応答類似度が大きく変化していることを示しているが、ドライバ類似度の変化はわずかである（この変化が許容不可能であることを示す）。
ベクトル９１０、９１２、および９１４は、許容可能な領域９０４内にある。ベクトル９１６および９１８は、許容不可能な領域９０６内にある。この例において、上述したように、最初に類似度基準が（図８によって）決定され、その後、これが（図９の）グラフと比較される。変化が許容可能であるとき、この変化を、モデルを修正するために使用することができる。変化が許容不可能であるとき、この変化は、モデルを修正するためには使用されない。
ここで図１０を参照して、モデル１００２を変更する装置１０００の一例を説明する。装置１０００は、図１〜図６に関する機能ブロックの多くまたはすべてを実施することが諒解されよう。装置１０００は、単一の物理的装置として実装されてもよいが、装置は、その処理機能を複数の物理的デバイスおよび複数の場所にわたって分散させてもよいことも諒解されよう。
装置１０００は、プロセスモデル１００２を修正すべきか否かを判定するように構成されており、インターフェース１００４およびプロセッサ１００６を含む。インターフェース１００４は、入力１００８および出力１０１０を有し、入力１００８は、実際のセンサ値のベクトルおよびモデル１００２の成熟度を受信するように構成されている。成熟度は、複数のセンサの各々について定義され、センサの各々について上向き方向および下向き方向にさらに定義される。
プロセッサ１００６はインターフェース１００４に結合されており、モデル１００２の成熟度および決定された関数に基づいてモデル範囲抑制（ＭＲＩ）基準を決定するように構成されている。プロセッサ１００６は、ＭＲＩ基準に基づいてＭＲＩ制限を決定し、受信されたベクトルをＭＲＩ制限と比較するように構成されている。プロセッサ１００６は、出力１０１０を介して送信される１つまたは複数の制御信号を介して、この比較に基づいてモデル１００２を選択的に変更するように構成されている。
いくつかの態様において、インターフェース１００４は、入力１００８において第１のベクトルをさらに受信するように構成されている。第１のベクトルは、ドライバセンサの実際の値を有する。インターフェース１００４はまた、第２のベクトルも受信し、第２のベクトルは、応答センサの実際の値を有する。インターフェース１００４はまた、第３のベクトルも受信し、第３のベクトルは、ドライバセンサの推定値を有する。インターフェース１００４はさらに、第４のベクトルも受信し、第４のベクトルは、応答センサの推定値を有する。インターフェース１００４はまた、許容可能な観測値と許容不可能な観測値との間の境界のセットを提供する関数も受信する。
他の態様において、プロセッサ１００６は、第１のベクトルと第３のベクトルとの間の第１の類似度基準、および、第２のベクトルと第４のベクトルとの間の第２の類似度基準を決定するように構成されている。プロセッサ１００６は、第１の類似度基準、第２の類似度基準、および関数を比較し、この比較に基づいてモデル１００２を選択的に変更するようにさらに構成されている。
前述の実施形態への修正が様々な態様においてなされうることが、当業者には諒解されよう。他の変形形態も明らかに機能し、本発明の範囲および精神の内にある。本発明は、特に添付の特許請求の範囲に表記されている。本発明の精神および範囲は、当該技術分野における通常の技能を有し、本出願の教示を熟知した者には明らかであるように、そのような本明細書における実施形態に対する修正および変更を包含すると考えられる。
１００ システム
１０２ モデル
１０３ プロセス
１０４ モデル化エンジン
１０６ トリガエンジン
１０８ 抑制エンジン
１１０ モデル更新モジュール
１１２ 後続のシステム
１１９ 実際のデータ
１２１ メッセージ
１４０ 範囲外適合トリガ規則
１４２ ドライバタグ類似度適合トリガ規則
１４３ ＩＲＡトリガ規則
１４４ 制限値抑制規則
１４６ モデル範囲抑制規則
１４８ 故障タグ類似度抑制規則
１５０ 処理デバイス
１５２ 警告
１５４ グラフィックディスプレイ媒体
１５６ 関連センサ
７０１ センサ値
７０２ モデル制限
７０４ ＭＲＩ制限
７０６ ＬＶＩ制限
８０２ 予測値
８０４ 実際の値
９０２ 関数
９０４ 許容可能な領域
９０６ 許容不可能な領域
９０８ 点
９１０ ベクトル
９１２ ベクトル
９１４ ベクトル
９１６ ベクトル
９１８ ベクトル
１０００ 装置
１００２ プロセスモデル
１００４ インターフェース
１００６ プロセッサ
１００８ 入力
１０１０ 出力

Claims (14)

  1. プロセスモデル（１０２、１００２）を修正すべきか否かを判定する方法であって、前記方法は、
    実際のセンサ値のベクトルを受信するステップと、
    モデル（１０２、１００２）の成熟度を判定するステップであって、前記成熟度は、複数のセンサの各々について定義され、各センサについて上向き方向および下向き方向にさらに定義される、判定するステップと、
    モデル成熟度をモデル範囲抑制基準に変換する関数を決定するステップと、
    前記モデル（１０２、１００２）の前記成熟度および前記決定された関数に基づいてモデル範囲抑制（ＭＲＩ）基準を決定するステップと、
    前記ＭＲＩ基準に基づいてＭＲＩ制限（７０４）を決定するステップと、
    前記受信されたベクトルを前記ＭＲＩ制限（７０４）と比較し、前記比較に基づいて前記モデル（１０２、１００２）を選択的に変更するステップとを含む、方法。
  2. 第１のベクトルを受信するステップであって、前記第１のベクトルはドライバセンサの実際の値を有する、受信するステップと、
    第２のベクトルを受信するステップであって、前記第２のベクトルは応答センサの実際の値を有する、受信するステップと、
    第３のベクトルを受信するステップであって、前記第３のベクトルはドライバセンサの推定値を有する、受信するステップと、
    第４のベクトルを受信するステップであって、前記第４のベクトルは応答センサの推定値を有する、受信するステップと、
    許容可能な観測値と許容不可能な観測値との間の境界のセットを提供する関数を決定するステップと、
    前記第１のベクトルと前記第３のベクトルとの間の第１の類似度基準を決定するステップと、
    前記第２のベクトルと前記第４のベクトルとの間の第２の類似度基準を決定するステップと、
    前記第１の類似度基準、前記第２の類似度基準、および前記関数を比較し、前記比較に基づいて前記モデル（１０２、１００２）を選択的に変更するステップとをさらに含む、請求項１記載の方法。
  3. 前記モデル（１０２、１００２）によって表される構成要素がほぼ故障しているか否かを判定するステップをさらに含む、請求項１記載の方法。
  4. 前記構成要素がほぼ故障しているときにユーザに対する警告（１５２）を生成するステップをさらに含む、請求項３記載の方法。
  5. グラフィックディスプレイ媒体上にユーザに対する前記警告（１５２）を提示するステップをさらに含む、請求項４記載の方法。
  6. プロセスモデル（１０２、１００２）を修正すべきか否かを判定する方法であって、前記方法は、
    第１のベクトルを受信するステップであって、前記第１のベクトルはドライバセンサの実際の値を有する、受信するステップと、
    第２のベクトルを受信するステップであって、前記第２のベクトルは応答センサの実際の値を有する、受信するステップと、
    第３のベクトルを受信するステップであって、前記第３のベクトルはドライバセンサの推定値を有する、受信するステップと、
    第４のベクトルを受信するステップであって、前記第４のベクトルは応答センサの推定値を有する、受信するステップと、
    許容可能な観測値と許容不可能な観測値との間の境界のセットを提供する関数を決定するステップと、
    前記第１のベクトルと前記第３のベクトルとの間の第１の類似度基準を決定するステップと、
    前記第２のベクトルと前記第４のベクトルとの間の第２の類似度基準を決定するステップと、
    前記第１の類似度基準、前記第２の類似度基準、および前記関数を比較し、前記比較に基づいてモデル（１０２、１００２）を選択的に変更するステップとを含む、方法。
  7. 前記モデル（１０２、１００２）によって表される構成要素がほぼ故障しているか否かを判定するステップをさらに含む、請求項６記載の方法。
  8. 前記構成要素がほぼ故障しているときにユーザに対する警告（１５２）を生成するステップをさらに含む、請求項７記載の方法。
  9. グラフィックディスプレイ媒体上にユーザに対する前記警告を提示するステップをさらに含む、請求項８記載の方法。
  10. プロセスモデル（１０２、１００２）を修正すべきか否かを判定するように構成されている装置（１０００）であって、前記装置（１０００）は、
    入力（１００８）および出力（１０１０）を有するインターフェース（１００４）であって、前記入力（１００８）は、実際のセンサ値のベクトルおよびモデル（１０２、１００２）の成熟度を受信するように構成されており、前記成熟度は、複数のセンサの各々について定義され、各センサについて上向き方向および下向き方向にさらに定義される、インターフェース（１００４）と、
    プロセッサ（１００６）であって、前記プロセッサ（１００６）は前記インターフェース（１００４）に結合されており、前記プロセッサ（１００６）は、前記モデル（１０２、１００２）の前記成熟度および決定された関数に基づいてモデル範囲抑制（ＭＲＩ）基準を決定するように構成されており、前記プロセッサ（１００６）は、前記ＭＲＩ基準に基づいてＭＲＩ制限（７０４）を決定し、前記受信されたベクトルを前記ＭＲＩ制限（７０４）と比較するように構成されており、前記プロセッサ（１００６）は、出力（１０１０）を介して送信される１つまたは複数の制御信号を介して、前記比較に基づいて前記モデル（１０２、１００２）を選択的に変更するように構成されている、プロセッサ（１００６）とを備える、装置（１０００）。
  11. 前記インターフェース（１００４）はさらに、前記入力（１００８）において第１のベクトルであって、ドライバセンサの実際の値を有する、第１のベクトル、第２のベクトルであって、応答センサの実際の値を有する、第２のベクトル、第３のベクトルであって、ドライバセンサの推定値を有する、第３のベクトル、第４のベクトルであって、応答センサの推定値を有する、第４のベクトル、および、許容可能な観測値と許容不可能な観測値との間の境界のセットを提供する関数を受信するように構成されており、
    前記プロセッサ（１００６）は、前記第１のベクトルと前記第３のベクトルとの間の第１の類似度基準、および、前記第２のベクトルと前記第４のベクトルとの間の第２の類似度基準を決定するように構成されており、前記プロセッサ（１００６）は、前記第１の類似度基準、前記第２の類似度基準、および前記関数を比較し、前記比較に基づいて前記モデル（１０２、１００２）を選択的に変更するようにさらに構成されている、請求項１０記載の装置（１０００）。
  12. 前記プロセッサ（１００６）は、前記モデル（１０２、１００２）によって表される構成要素がほぼ故障しているか否かを判定するように構成されている、請求項１０記載の装置（１０００）。
  13. 前記プロセッサ（１００６）は、前記構成要素がほぼ故障しているときに出力（１０１０）においてユーザに対する警告を生成するように構成されている、請求項１２記載の装置（１０００）。
  14. 前記警告（１５２）は、グラフィックディスプレイ媒体上でユーザに対して提示される、請求項１３記載の装置（１０００）。
JP2016540857A 2013-09-06 2013-09-06 モデル適合のための装置および方法 Pending JP2016532221A (ja)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/US2013/058418 WO2015034512A2 (en) 2013-09-06 2013-09-06 Apparatus and method for model adaptation

Publications (1)

Publication Number Publication Date
JP2016532221A true JP2016532221A (ja) 2016-10-13

Family

ID=49170934

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2016540857A Pending JP2016532221A (ja) 2013-09-06 2013-09-06 モデル適合のための装置および方法

Country Status (8)

Country Link
US (1) US10295965B2 (ja)
EP (1) EP3042258A2 (ja)
JP (1) JP2016532221A (ja)
KR (1) KR20160053977A (ja)
CN (1) CN105683852B (ja)
AU (1) AU2013399629A1 (ja)
CA (1) CA2923243A1 (ja)
WO (1) WO2015034512A2 (ja)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180246924A1 (en) * 2017-02-27 2018-08-30 International Business Machines Corporation Data maturity management
US10354462B1 (en) * 2018-04-06 2019-07-16 Toyota Motor Engineering & Manufacturing North America, Inc. Fault diagnosis in power electronics using adaptive PCA
CN110119097B (zh) * 2019-04-08 2021-08-17 上海机电工程研究所 武器系统半实物仿真数据相似性检验方法

Family Cites Families (43)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US3045221A (en) 1958-01-22 1962-07-17 Gen Atronics Corp Monitoring device
US3561237A (en) 1967-11-29 1971-02-09 Westinghouse Electric Corp Predictive gauge control method and apparatus for metal rolling mills
US3767900A (en) 1971-06-23 1973-10-23 Cons Paper Inc Adaptive controller having optimal filtering
FR2187919B1 (ja) 1972-06-15 1974-10-25 Bonvarite
US4060716A (en) 1975-05-19 1977-11-29 Rockwell International Corporation Method and apparatus for automatic abnormal events monitor in operating plants
US4336595A (en) 1977-08-22 1982-06-22 Lockheed Corporation Structural life computer
USRE31750E (en) 1977-11-25 1984-11-27 Ird Mechanalysis, Inc. Data acquisition system
US4215412A (en) 1978-07-13 1980-07-29 The Boeing Company Real time performance monitoring of gas turbine engines
US4368510A (en) 1980-10-20 1983-01-11 Leeds & Northrup Company Automatic identification system for self tuning process controller
US4480480A (en) 1981-05-18 1984-11-06 Scott Science & Technology, Inc. System for assessing the integrity of structural systems
GB8317224D0 (en) 1983-06-24 1983-07-27 Atomic Energy Authority Uk Monitoring system
US4517468A (en) 1984-04-30 1985-05-14 Westinghouse Electric Corp. Diagnostic system and method
US4937763A (en) 1988-09-06 1990-06-26 E I International, Inc. Method of system state analysis
US5109700A (en) 1990-07-13 1992-05-05 Life Systems, Inc. Method and apparatus for analyzing rotating machines
US5223207A (en) 1992-01-29 1993-06-29 The United States Of America As Represented By The United States Department Of Energy Expert system for online surveillance of nuclear reactor coolant pumps
US5592396A (en) 1992-08-10 1997-01-07 Ingersoll-Rand Company Monitoring and control of fluid driven tools
US5808903A (en) 1995-09-12 1998-09-15 Entek Scientific Corporation Portable, self-contained data collection systems and methods
US5586066A (en) 1994-06-08 1996-12-17 Arch Development Corporation Surveillance of industrial processes with correlated parameters
US5610339A (en) 1994-10-20 1997-03-11 Ingersoll-Rand Company Method for collecting machine vibration data
US5710723A (en) 1995-04-05 1998-01-20 Dayton T. Brown Method and apparatus for performing pre-emptive maintenance on operating equipment
US5774379A (en) 1995-07-21 1998-06-30 The University Of Chicago System for monitoring an industrial or biological process
DE19537694A1 (de) 1995-10-10 1997-04-17 Schenck Ag Carl Verfahren zur Überwachung einer Maschine oder Anlage
US5724254A (en) 1996-01-18 1998-03-03 Electric Power Research Institute Apparatus and method for analyzing power plant water chemistry
US5943634A (en) 1996-05-14 1999-08-24 Csi Technology, Inc. Vibration data analysis based on time waveform parameters
US5764509A (en) 1996-06-19 1998-06-09 The University Of Chicago Industrial process surveillance system
US6041287A (en) 1996-11-07 2000-03-21 Reliance Electric Industrial Company System architecture for on-line machine diagnostics
US5917428A (en) 1996-11-07 1999-06-29 Reliance Electric Industrial Company Integrated motor and diagnostic apparatus and method of operating same
DE19732046A1 (de) 1997-07-25 1999-01-28 Abb Patent Gmbh Prozeßdiagnosesystem und Verfahren zur Diagnose von Vorgängen und Zuständen eines technischen Prozesses
US5987399A (en) 1998-01-14 1999-11-16 Arch Development Corporation Ultrasensitive surveillance of sensors and processes
US6591296B1 (en) 1999-12-15 2003-07-08 General Electric Company Remote notification of machine diagnostic information utilizing a unique email address identifying the sensor, the associated machine, and the associated machine condition
US6609212B1 (en) 2000-03-09 2003-08-19 International Business Machines Corporation Apparatus and method for sharing predictive failure information on a computer network
US6609036B1 (en) 2000-06-09 2003-08-19 Randall L. Bickford Surveillance system and method having parameter estimation and operating mode partitioning
US6678639B2 (en) 2000-08-04 2004-01-13 Sun Microsystems, Inc. Automated problem identification system
AU2001286485A1 (en) 2000-08-15 2002-02-25 The Penn State Research Foundation General method for tracking the evolution of hidden damage or other unwanted changes in machinery components and predicting remaining useful life
CA2419240C (en) 2000-10-26 2007-04-10 Triant Technologies Inc. Method for estimating and reducing uncertainties in process measurements
US6859739B2 (en) 2001-01-19 2005-02-22 Smartsignal Corporation Global state change indicator for empirical modeling in condition based monitoring
US7233886B2 (en) 2001-01-19 2007-06-19 Smartsignal Corporation Adaptive modeling of changed states in predictive condition monitoring
US7720727B2 (en) 2001-03-01 2010-05-18 Fisher-Rosemount Systems, Inc. Economic calculations in process control system
US7194317B2 (en) 2002-08-22 2007-03-20 Air Products And Chemicals, Inc. Fast plant test for model-based control
ES2627844T3 (es) 2002-11-04 2017-07-31 Ge Intelligent Platforms, Inc. Monitorización del estado de un sistema usando una máquina de aprendizaje local recurrente
US7113890B2 (en) 2003-10-16 2006-09-26 Abb Inc. Method and apparatus for detecting faults in steam generator system components and other continuous processes
US7457674B2 (en) * 2004-08-27 2008-11-25 Siemens Corporate Research, Inc. System, device, and methods for updating system-monitoring models
US7444191B2 (en) 2005-10-04 2008-10-28 Fisher-Rosemount Systems, Inc. Process model identification in a process control system

Also Published As

Publication number Publication date
KR20160053977A (ko) 2016-05-13
CA2923243A1 (en) 2015-03-12
CN105683852A (zh) 2016-06-15
AU2013399629A1 (en) 2016-03-24
WO2015034512A2 (en) 2015-03-12
CN105683852B (zh) 2018-04-10
EP3042258A2 (en) 2016-07-13
US10295965B2 (en) 2019-05-21
US20160195857A1 (en) 2016-07-07

Similar Documents

Publication Publication Date Title
CN110431503B (zh) 用于监测工业过程系统的技术状态的计算机系统和方法
US10192170B2 (en) System and methods for automated plant asset failure detection
JP6652247B2 (ja) コンピューティングシステム、プログラムおよび方法
JP2019016209A (ja) 診断装置、診断方法およびコンピュータプログラム
US20210037044A1 (en) Resilient estimation for grid situational awareness
JP2013025367A (ja) 設備状態監視方法およびその装置
JP7036697B2 (ja) 監視システム及び監視方法
JP2017097712A (ja) 機器診断装置及びシステム及び方法
WO2021071911A1 (en) Sensor contribution ranking
US11334057B2 (en) Anomaly detection for predictive maintenance and deriving outcomes and workflows based on data quality
JP2020052714A5 (ja)
CN111832880B (zh) 对正在进行的生产批运行的质量指示符的计算机实现的确定
WO2009129042A1 (en) Automated system for checking proposed human adjustments to operational or planning parameters at a plant
JP2020035407A (ja) 異常予兆診断装置及び異常予兆診断方法
JPWO2020188696A1 (ja) 異常検知装置および異常検知方法
US10318364B2 (en) Methods and systems for problem-alert aggregation
JP2016532221A (ja) モデル適合のための装置および方法
JP2017157186A (ja) 機器状態推定方法、機器状態推定装置及びデータ提供装置
US20220147039A1 (en) Event analytics in modular industrial plants
US11747035B2 (en) Pipeline for continuous improvement of an HVAC health monitoring system combining rules and anomaly detection
JP2018181052A (ja) モデル同定装置、予測装置、監視システム、モデル同定方法および予測方法
KR102236802B1 (ko) 진단 모델용 데이터의 특징 추출 장치 및 방법
US20230385782A1 (en) Apparatus, method, and non-transitory computer readable medium for maintaining facility

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20160826

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20160915

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20170517

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20170523

A02 Decision of refusal

Free format text: JAPANESE INTERMEDIATE CODE: A02

Effective date: 20171212