JP2016539425A - プロセスユニットの中の全プロセスセグメントの状態を自動的に監視し決定するための、コンピュータで実装される方法およびシステム - Google Patents
プロセスユニットの中の全プロセスセグメントの状態を自動的に監視し決定するための、コンピュータで実装される方法およびシステム Download PDFInfo
- Publication number
- JP2016539425A JP2016539425A JP2016536556A JP2016536556A JP2016539425A JP 2016539425 A JP2016539425 A JP 2016539425A JP 2016536556 A JP2016536556 A JP 2016536556A JP 2016536556 A JP2016536556 A JP 2016536556A JP 2016539425 A JP2016539425 A JP 2016539425A
- Authority
- JP
- Japan
- Prior art keywords
- learning
- monitoring
- module
- deviation error
- vector
- 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
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
-
- 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
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM]
- G05B19/41885—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM] characterised by modeling, simulation of the manufacturing system
-
- 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
- G05B23/0208—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the configuration of the monitoring system
- G05B23/0216—Human interface functionality, e.g. monitoring system providing help to the user in the selection of tests or in its configuration
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
- G05B23/0254—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, Neural Networks
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/24—Pc safety
- G05B2219/24015—Monitoring
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/33—Director till display
- G05B2219/33037—Learn parameters of network offline, not while controlling system
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/33—Director till display
- G05B2219/33322—Failure driven learning
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/80—Management or planning
Abstract
Description
既に単純な装置クラスタや全設備セクションを監視し診断するために、測定変数や操作変数などの複数の情報項目が、既にプロセス管理の基準として利用可能である。しかしながら、ユーザはしばしば、情報を完全に使用することができない。クリープ劣化プロセスの指示を適時に得るために、リアルタイム能力で資産の健全性を評価する目的で、自動化された圧縮やその現在の動作状態との比較には、重要な役割が割り当てられる[Ross, T., Ochs, S., Frey, C.W.: Neue Software zur Uberwachung “nicht intelligenter” Anlagenteile - Teil 1 [New software for monitoring “non-intelligent” installation parts - part 1], Chemie Technik, (2011) issue 11, pages 18-20]。その理由は、例えば予測的保守という意味で、そのような安全な知識だけでなく、生産計画やダウンタイム計画にも基づいて、適切な手段を予測し、最終的には導き出すことができるからである。したがって、信頼性のある資産状態情報は、事業の成功に不可欠である多種多様な会社の決定の基礎を形成する。
工程a)において、監視すべきM個のプロセスパラメータと、それらの測定範囲限界とが作成される。測定範囲限度は、モデルをパラメータ化するために使用される([Frey, C. W.: Prozessdiagnose und Monitoring feldbusbasierter Automatisierungsanlagen mittels selbstorganisierender Karten und Watershed-Transformation [Process diagnosis and monitoring of field-bus-based automation installations by means of self-organizing maps and watershed transformation], at-Automatisierungstechnik 56 (2008) No. 7, pages 374-380]を参照されたい]。入力は通常、ユーザインターフェースを介して行われる。入力は、プロセスユニットを定義するためのモジュールに記憶される。
工程b)において、潜在的(potential)な学習ベクトルで構成される学習データフェーズが、データベースモジュールにインポートされる。学習データフェーズは通常、プロセス制御システムのプロセスデータベースからインポートされる。これらの学習データフェーズは、潜在的な学習ベクトルで構成され、各々が、工程a)からのM個のプロセスパラメータに関する実際かつ所望のかつ/または操作された変数値と、タイムスタンプtとによって定義される。プロセスデータベースからの学習データフェーズは、データインターフェース(OPC、SQL)を介して伝送され、インポートされた学習データフェーズは、データベースモジュールに記憶される。データベースモジュールはまた、ニューラルネットワークに基づいてモデルモジュールにも接続される。
工程c)において、データベースモジュールで、b)からの学習データフェーズからN個の学習ベクトルが選択される。この選択は一般的に、ユーザインターフェースを介してユーザによって行われる。
工程d)において、工程c)からの選択された学習ベクトルが、モデルモジュールに自動的に伝送される。これらの学習ベクトルは、データ駆動アルゴリズムを使用して完全自動様式でニューラルネットワークに基づいてモデルを作成するために使用される。このために、各学習ベクトルは、ニューロンが自己組織化ニューラルマップ(SOM)を形成するまで、学習ベクトルからの最短距離を有するニューロンに反復的に割り当てられる(この点では、http://en.wikipedia.org/wiki/Self-organizing_map, Frey, C. W.: Prozessdiagnose und Monitoring feldbusbasierter Automatisierungsanlagen mittels selbstorganisierender Karten und Watershed-Transformation [Process diagnosis and monitoring of field-bus-based automation installations by means of self-organizing maps and watershed transformation], at-Automatisierungstechnik 56 (2008) No. 7, pages 374-380を参照されたい)。この様式でトレーニングされるモデルは、監視すべき設備部分の良好な状態(基準)を表す。
工程e)において、モデルの以下の特徴が自動的に算出される(図7を参照されたい)。
・学習ベクトルの各プロセスパラメータ値と、それに割り当てられるベストマッチングユニット(=最短距離を有するニューロン)の対応するプロセスパラメータ値との間の距離としての偏差誤差、
・N個の学習ベクトルの各々に関して、そのM個のプロセスパラメータの偏差誤差の合計としての総偏差誤差。
これは、残余をもたらす。このために、N個の学習ベクトルの各々の全てのM個のプロセスパラメータに関する偏差誤差、すなわち、M×N個の偏差にN個の総偏差誤差を加えたものが、数字の形のマトリクスで算出される。
工程f)において、工程e)からのN個の総偏差誤差が、偏差誤差を分析するためのモジュールに伝送される。このモジュールでは、N個の総偏差誤差の最小値および最大値が自動的に算出される。N個の総偏差誤差の最小値および最大値は、設備の以降の監視を確実にするために使用可能な良好な状態の単純な定義の要約を提供する。また、1つのプロセスパラメータ単独だけでなく、プロセスパラメータの組み合わせもまた、プロセスユニットの実際の良好な状態をおそらく説明するという事実を、総偏差誤差が考慮することも有利である。好ましい一実施形態において、総偏差誤差に関して、少なくとも1つの閾値も自動的に算出され設定される。この特定の実施形態において、本方法は、閾値を自動的に設定するための以下の更なる工程を含む。
・総偏差誤差に関して決定された値の範囲は、総偏差誤差のヒストグラムの基礎として使用される。それは、10個〜100個、好ましくは15個〜75個、特に好ましくは50個の、等距離の(値範囲)セグメントに再分割される。
・学習ベクトルの総偏差誤差は、セグメントに自動的にソートされる。ベース閾値(図2を参照されたい)は、以下の工程を使用して自動的に設定され、ベース閾値=第1のセグメント支持点であり、ここで最も高い総偏差誤差の5%以上〜15%(≧ 5 to 15%)、好ましくは15%以上が、最大値から始まるセグメントの範囲内にある(図2を参照されたい)。この事例において、ベース閾値が最大値から始まるセグメントのうちの最上位の7/10の範囲になければならない、すなわち、50個のセグメントに分割する場合には第15〜第50のセグメントの範囲になければならない、また、100個のセグメントに分割する場合には第30〜第100のセグメントの範囲になければならない、という更なる条件をベース閾値に適用する。ベース閾値がこの範囲外にある場合は、最も高い総偏差誤差の15%以上ではなく、5%以上の割合を、ベース閾値の自動調整に適用する。
工程g)において、プロセスユニットを監視するために、オンラインで監視されるM個のプロセスパラメータ値(図7を参照されたい)が、タイムtにおいてデータベースモジュールに自動的に伝送され、これらは経時的にプロセスユニットの監視ベクトルを形成する。監視ベクトルは、データベースモジュールからモデルモジュールに転送される。
工程h)において、工程g)からの各監視ベクトルが、監視ベクトルのプロセスパラメータ値と、ニューラルマップの中の各ニューロンのプロセスパラメータ値とを比較し、最短距離に基づいてニューロンを選択することによって、モデルモジュールの工程c)からのニューラルマップ(SOM)のそのベストマッチングユニットに自動的に割り当てられる。
工程i)において、それに割り当てられるベストマッチングユニットのプロセスパラメータ値と比較された監視ベクトルの各プロセスパラメータ値の偏差誤差が自動的に算出され、監視ベクトルの総偏差誤差が算出される。この算出は、偏差誤差を分析するためのモジュールで実行される。
工程j)において、総偏差誤差の算出された最小値および最大値と比較された、好ましくは、ベース閾値と比較された、特に好ましくは、経験に従って通常2〜4好ましくは3の正の整数因子の形の許容範囲を乗算したベース閾値と比較された、各監視ベクトルの総偏差誤差が、ユーザインターフェースを介して表示される。
− プロセスユニットは、設備部分またはプロセスセクションであり、プロセスエンジニアリングによって接続され、既存のセンサ/アクチュエータ、すなわち、プロセスの熟練者によって選択されるプロセスパラメータに基づいて、本発明を使用して監視することができる。本発明によるソリューションにおいて監視するために、複数のプロセスユニットを定義することができる。
− 学習データフェーズは、ニューラルネットワークに基づき、タイムスタンプおよびそれに応じた次元(M×1)の学習ベクトルで構成されるモデルをトレーニングする目的で、全体的または部分的に選択することができるフェーズである。
− 監視フェーズは、プロセスユニットが監視され、いくつかの監視ベクトルで構成されるフェーズである。
− プロセスパラメータは、離散的な時間(=タイムスタンプ)で、フェーズ(学習フェーズまたは監視フェーズ)においてサンプリングされたかまたはサンプリングされる。1/分のサンプリング速度では、1分あたり1個のベクトルが監視後のプロセスデータアーカイブ(=プロセスデータベース)の中に存在する。
− 学習ベクトルまたは監視ベクトルは、工程a)で入力されるM個のプロセスパラメータの値およびタイムスタンプtによって定義される。M個のプロセスパラメータの場合は、次元(Mx1)、すなわち、M個のパラメータ値を有する。プロセスパラメータの値は、通常、プロセスユニットの監視された実際値である。プロセス制御の場合には、プロセスパラメータの所望の値(基準変数とも称される)および/または操作された可変値(操作された変数とも称される)も含むことができる。また、学習ベクトルを定義するために、これらの値を組み合わせることも可能である。監視ベクトルは一般的に、タイムスタンプtに関するそのM個の実際値によって定義される。
− 偏差誤差は、量子化誤差またはQ誤差とも称され、モデルを学習ベクトルに適合させる程度、または監視ベクトルをモデルに適合させる程度を示す。偏差誤差は、アルゴリズムによって算出されるベストマッチングユニット(BMU)と、提示される学習ベクトルまたは監視ベクトルとの間隔である。M個の偏差誤差は、次元(Mx1)の各学習ベクトルまたは監視ベクトルに関して算出される。換言すれば、各学習ベクトルのパラメータ値がベストマッチングユニットのパラメータ値と比較され、これらのパラメータ間のユークリッド距離が算出される。
− 総偏差誤差は、総量子化誤差、総Q誤差、または総誤差とも称され、ベクトルの全ての偏差誤差の合計に対応する。
− 総計N個のタイムスタンプおよび次元(M×1)の学習ベクトルを有する1つ以上の学習データフェーズの残余は、M×N個の偏差誤差のマトリクスで構成される。残余は、モデルの品質特徴として使用することができる。本発明において、N個の総偏差誤差はまた、残余マトリクスにも含まれる。
− BMU、ベストマッチングユニット、または最良のマッチングニューロン:学習ベクトルまたは監視ベクトルがニューラルネットワークに提示された場合には、提示されたベクトルにベストマッチする「勝者ニューロン」(例えば、最小のユークリッドの距離)、すなわち、最も低い偏差誤差を有するニューロンが常に存在する。これは、ベストマッチングユニットまたはBMUと呼ばれ、そのM個のプロセスパラメータ値によって定義される。換言すれば、そのM個のパラメータによって定義されるモデルベクトルが算出される。自己組織化ニューラルマップのベストマッチングユニットを算出するために、従来技術、例えば、http://en.wikipedia.org/wiki/Self-organizing_mapおよびFreyらの[Frey, C. W.: Prozessdiagnose und Monitoring feldbusbasierter Automatisierungsanlagen mittels selbstorganisierender Karten und Watershed-Transformation [Process diagnosis and monitoring of field-bus-based automation installations by means of self-organizing maps and watershed transformation], at-Automatisierungstechnik 56 (2008) No. 7, pages 374-380]を参照する。
加えて、各プロセスユニットに関する状態情報は、通常、内部OPC−DAサーバを使用して外部で利用可能になる。
aden, 2012, pages 231-235, ISBN 978-3-18-092171-6]。
信号灯スキーム(青色=良好、黄色=注意、赤色=誤差)に従って、黄色の閾値および赤色の閾値が設定され、監視(リアルタイム)または分析(オフライン)の場合に、設備部分または設備セクションの健全性の状態(資産の状態)をユーザに通知することを可能にする(図1を参照されたい)。
信号灯の配置は、算出されたベース閾値に基づいてプロセスユニットの状態を視覚化するための信号灯の配置は、好ましくは、ユーザインターフェースを介して、ユーザによって適合される。操作画像において、信号灯(良好、注意の増加、誤差)は一般的に、関連する操作画像において、各プロセスユニットに関して視覚化される。可能な偏差はその後に、設備操作者によって、この様式でリアルタイムに記録することができる。「黄色」または「赤色」の場合には、詳細を分析する目的でプロセスの熟練者に通知する必要がある。
加えて、各プロセスパラメータに関して、その総偏差誤差の割合を追加的に算出し、グラフィカルに表示することができる。
a)i)監視すべきM個のプロセスパラメータと、ii)監視すべき1つ以上のプロセスユニットのM個のプロセスパラメータの測定範囲限界の入力と、を定義するためのユーザインターフェースと、
b)ユーザインターフェースに接続される、入力i)およびii)を記憶するためのプロセスユニットを定義するためのモジュールと、
c)学習データフェーズをインポートおよび記憶し、ベクトルを学習し、データインターフェースを介してベクトルを監視するためのデータベースモジュールであって、データベースモジュールは、プロセスユニットを定義するためのモジュールおよびユーザインターフェースに接続される、データベースモジュールと、
d)ニューラルネットワークに基づくモデルモジュールであって、モデルモジュールは、自己組織化ニューラルマップにおいて完全自動様式でニューラルネットワークに基づいて、
・ベストマッチングユニットおよび該ベストマッチングユニットの自己組織化ニューラルマップ、
・学習ベクトルの各プロセスパラメータ値と、それに割り当てられるベストマッチングユニットの対応するプロセスパラメータ値との間の距離としての偏差誤差、
・N個の学習ベクトルの各々に関する、そのM個のプロセスパラメータの偏差誤差の合計としての総偏差誤差、
を自動的に算出することによって、モデルをトレーニングすることが意図され、かつモデルモジュールは、自己組織化ニューラルマップのベストマッチングユニットのうちの1つに監視ベクトルを割り当てることと、
・監視ベクトルの各プロセスパラメータ値と、それに割り当てられるベストマッチングユニットの対応するプロセスパラメータ値との間の距離としての偏差誤差、
・監視ベクトルの各々に関する、そのM個のプロセスパラメータの偏差誤差の合計としての総偏差誤差、
を算出することとが意図される、モデルモジュールと、
e)算出された総偏差誤差の範囲を自動的に決定し、決定された範囲内のそれらの総偏差誤差を使用して学習および監視ベクトルをソートすることによって、偏差誤差を分析するためのモジュールであって、偏差誤差を分析するためのモジュールは、モデルモジュールに接続され、偏差誤差を分析するためのモジュールは、算出された総偏差誤差の範囲内の監視ベクトルのソートを表示するためのユーザインターフェースに接続される、偏差誤差を分析するためのモジュールと、
を備える。
Claims (7)
- コンピュータで実装される方法であり、プロセスエンジニアリングによって接続され、1つ以上のプロセスユニットを備える設備部分を監視するための方法であり、以下の工程を有する方法であって、
工程a)において、監視すべきM個のプロセスパラメータと、それらの測定範囲限界とが、ユーザインターフェースで入力され、前記プロセスユニットを定義するためのモジュールに転送され、
工程b)において、潜在的な学習ベクトルで構成される学習データフェーズが、データベースモジュールにインポートされ、
工程c)において、前記データベースモジュールで、b)からの前記学習フェーズからのN個の学習ベクトルが、代替的に、工程a)からの前記測定範囲限界を使用して前記ユーザインターフェースを介して自動的に選択され、
工程d)において、工程c)からの前記学習ベクトルが、前記データベースモジュールから、後方に接続されるモデルモジュールに伝送され、前記モデルモジュールでは、ニューラルネットワークに基づくモデルが、各学習ベクトルをそのM個のプロセスパラメータによって定義されるベストマッチングユニットに割り当て、前記ベストマッチングユニットを自己組織化ニューラルマップの中の前記学習ベクトルに適合させることによって生成され、
工程e)において、前記モデルの以下の特徴、
・前記N個の学習ベクトルの各々に関する、学習ベクトルの各プロセスパラメータ値と、それに割り当てられる前記ベストマッチングユニットの対応するプロセスパラメータ値との間の距離としての偏差誤差、
・前記N個の学習ベクトルの各々に関する、そのM個のプロセスパラメータの前記偏差誤差の合計としての総偏差誤差、
が自動的に算出され、
工程f)において、工程e)からの各学習ベクトルに関する前記総偏差誤差が、前記偏差誤差を分析するためのモジュールに伝送され、前記算出されたN個の総偏差誤差の最小値および最大値がそこで自動的に決定され、
工程g)において、前記プロセスユニットを監視するために、オンラインで監視される前記M個のプロセスパラメータが、経時的に前記プロセスユニットの前記監視ベクトルとして、タイムスタンプtで前記データベースモジュールに自動的に伝送され、その後に前記監視ベクトルの前記モデルモジュールへの伝送が続き、
工程h)において、工程g)からの各監視ベクトルが、前記監視ベクトルの前記プロセスパラメータ値と、前記ニューラルマップの中の各ニューロンの前記プロセスパラメータ値とを比較し、最短距離に基づいて選択を行うことによって、前記モデルモジュールにおける工程c)からの前記ニューラルマップ(SOM)の前記ベストマッチングユニットに自動的に割り当てられ、
工程i)において、前記監視ベクトルの前記偏差誤差および前記総偏差誤差が算出され、
工程j)において、前記監視ベクトルの前記総偏差誤差が、前記偏差誤差を分析するための前記モジュールに伝送され、f)からの前記算出されたN個の総偏差誤差の前記最小値および最大値と比較されて割り当てられ、前記割り当てが前記ユーザインターフェースを介して表示される、
コンピュータで実装される方法。 - 工程f)において前記最小値および最大値によって決定される前記値の範囲は、10個〜100個の等距離のセグメントに再分割され、前記学習ベクトルは、それらの総偏差誤差を使用して前記セグメントにソートされ、少なくとも1つの閾値が、以下の工程を使用して自動的に設定され、閾値=第1のセグメント支持点であり、ここで最も高い総偏差誤差の5%以上〜15%は、前記最大値から始まる前記セグメントの範囲内にあり、前記閾値は、前記最大値から始まる前記セグメントの最上位の7/10の範囲にある、請求項1に記載のコンピュータで実装される方法。
- 前記算出された閾値には、通常2〜4の正の整数因子の形の許容範囲が乗算される、請求項2に記載のコンピュータで実装される方法。
- 請求項1〜3のいずれか一項に記載のコンピュータで実装される方法を実行するためのコンピュータプログラムまたはソフトウェア。
- 請求項1〜3のいずれか一項に記載のコンピュータで実装される方法を実行するためのソフトウェア。
- プロセスエンジニアリングによって接続され、1つ以上のプロセスユニットを備える設備部分を監視するためのコンピュータシステムであり、以下のモジュールを備えるコンピュータシステムであって、
a)i)監視すべきM個のプロセスパラメータと、ii)監視すべき1つ以上のプロセスユニットの前記M個のプロセスパラメータの測定範囲限界の入力と、を定義するためのユーザインターフェースと、
b)前記入力i)およびii)を記憶するための前記プロセスユニットを定義するためのモジュールであって、前記ユーザインターフェースに接続されるモジュールと、
c)学習データフェーズをインポートおよび記憶し、ベクトルを学習し、データインターフェースを介してベクトルを監視するためのデータベースモジュールであって、前記データベースモジュールは、前記プロセスユニットを定義するためのモジュールと前記ユーザインターフェースとに接続される、データベースモジュールと、
d)ニューラルネットワークに基づくモデルモジュールであって、前記モデルモジュールは、自己組織化ニューラルマップにおいて、完全自動様式でニューラルネットワークに基づいて、
・学習ベクトルの各プロセスパラメータ値と、それに割り当てられるベストマッチングユニットの対応するプロセスパラメータ値との間の距離としての偏差誤差、
・N個の学習ベクトルの各々に関する、そのM個のプロセスパラメータの偏差誤差の合計としての総偏差誤差、
を自動的に算出することによってモデルをトレーニングすることが意図され、かつ前記モデルモジュールは、前記自己組織化ニューラルマップの前記ベストマッチングユニットのうちの1つに監視ベクトルを割り当てることと、
・前記監視ベクトルの各プロセスパラメータ値と、それに割り当てられる前記ベストマッチングユニットの前記対応するプロセスパラメータ値との間の距離としての偏差誤差、
・監視ベクトルの各々に関する、そのM個のプロセスパラメータの偏差誤差の合計としての総偏差誤差、
を算出することとが意図される、モデルモジュールと、
e)前記算出された総偏差誤差の範囲を自動的に決定し、前記範囲内のそれらの総偏差誤差を使用して前記学習および監視ベクトルをソートすることによって、前記偏差誤差を分析するためのモジュールであって、前記偏差誤差を分析するための前記モジュールは、前記モデルモジュールに接続され、前記偏差誤差を分析するための前記モジュールは、前記算出された総偏差誤差の範囲内の前記監視ベクトルの前記ソートを表示するための前記ユーザインターフェースに接続される、前記偏差誤差を分析するためのモジュールと、
を備えるコンピュータシステム。 - 前記偏差誤差を分析するための前記モジュールは、前記決定された範囲をセグメントに分割することができ、前記学習および監視ベクトルを前記範囲セグメントにソートすることができ、前記セグメントの前記学習ベクトルの分布に基づいて閾値を自動的に決定することができる、請求項4に記載のコンピュータシステム。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP13195897.7 | 2013-12-05 | ||
EP13195897.7A EP2881822A1 (de) | 2013-12-05 | 2013-12-05 | Computer-implementiertes Verfahren und System zur automatischen Überwachung und Statusermittlung ganzer Prozessabschnitte in einer Process Unit |
PCT/EP2014/076677 WO2015082669A1 (de) | 2013-12-05 | 2014-12-05 | Computer-implementiertes verfahren und system zur automatischen überwachung und statusermittlung ganzer prozessabschnitte in einer process unit |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2016539425A true JP2016539425A (ja) | 2016-12-15 |
JP6538057B2 JP6538057B2 (ja) | 2019-07-03 |
Family
ID=49752999
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2016536556A Active JP6538057B2 (ja) | 2013-12-05 | 2014-12-05 | プロセスユニットの中の全プロセスセグメントの状態を自動的に監視し決定するための、コンピュータで実装される方法およびシステム |
Country Status (8)
Country | Link |
---|---|
US (2) | US10261480B2 (ja) |
EP (2) | EP2881822A1 (ja) |
JP (1) | JP6538057B2 (ja) |
KR (1) | KR102343752B1 (ja) |
CN (1) | CN105793789B (ja) |
CA (1) | CA2932489A1 (ja) |
SG (2) | SG11201604410VA (ja) |
WO (1) | WO2015082669A1 (ja) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6059375B1 (ja) | 2016-02-09 | 2017-01-11 | ファナック株式会社 | 生産制御システムおよび統合生産制御システム |
CN105867341B (zh) * | 2016-05-31 | 2018-08-07 | 山东中烟工业有限责任公司 | 一种烟草加工设备的在线设备健康状态自检方法及系统 |
EP3258333A1 (en) * | 2016-06-17 | 2017-12-20 | Siemens Aktiengesellschaft | Method and system for monitoring sensor data of rotating equipment |
ES2809466T3 (es) * | 2016-08-11 | 2021-03-04 | Siemens Ag | Procedimiento para la detección mejorada de anomalías de proceso de una instalación técnica y sistema de diagnóstico correspondiente |
DE102017200134A1 (de) * | 2017-01-05 | 2018-07-05 | Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. | Selbstkonfigurierende Überwachungseinrichtung für ein auf einem industriellen Datenkommunikationsnetzwerk basierendes Automatisierungssystem |
WO2018138880A1 (ja) * | 2017-01-27 | 2018-08-02 | 三菱日立パワーシステムズ株式会社 | モデルパラメータ値推定装置及び推定方法、プログラム、プログラムを記録した記録媒体、モデルパラメータ値推定システム |
GB2567850B (en) * | 2017-10-26 | 2020-11-04 | Gb Gas Holdings Ltd | Determining operating state from complex sensor data |
EP3699710A1 (de) * | 2019-02-20 | 2020-08-26 | Siemens Aktiengesellschaft | Verfahren und vorrichtung zum strukturierten bereitstellen von informationen eines produktionssystems und/oder einer produktionssystemkomponente |
CN113867167A (zh) * | 2021-10-28 | 2021-12-31 | 中央司法警官学院 | 一种基于人工神经网络的家居环境智能监控方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004531815A (ja) * | 2001-04-10 | 2004-10-14 | スマートシグナル・コーポレーション | 予測的状態監視のための診断システムおよび方法 |
US20130024415A1 (en) * | 2011-07-19 | 2013-01-24 | Smartsignal Corporation | Monitoring Method Using Kernel Regression Modeling With Pattern Sequences |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE19732046A1 (de) * | 1997-07-25 | 1999-01-28 | Abb Patent Gmbh | Prozeßdiagnosesystem und Verfahren zur Diagnose von Vorgängen und Zuständen eines technischen Prozesses |
US6285966B1 (en) | 1998-06-25 | 2001-09-04 | Fisher Controls International, Inc. | Function block apparatus for viewing data in a process control system |
US6917845B2 (en) * | 2000-03-10 | 2005-07-12 | Smiths Detection-Pasadena, Inc. | Method for monitoring environmental condition using a mathematical model |
US6556939B1 (en) * | 2000-11-22 | 2003-04-29 | Smartsignal Corporation | Inferential signal generator for instrumented equipment and processes |
US6643600B2 (en) * | 2001-04-26 | 2003-11-04 | General Electric Company | Method and system for assessing adjustment factors in testing or monitoring process |
JP4064159B2 (ja) * | 2002-06-06 | 2008-03-19 | 本田技研工業株式会社 | プラントの制御装置 |
DE10241746B8 (de) | 2002-09-10 | 2007-09-20 | Haag, Günter, Prof.Dr. | Verfahren zur zyklischen Qualitätsbewertung und Prozessüberwachung bei periodischen Produktionsprozessen |
DE10341764B4 (de) * | 2002-09-11 | 2019-01-10 | Fisher-Rosemount Systems, Inc. | Integrierte Modell-Vorhersagesteuerung und -Optimierung innerhalb eines Prozesssteuerungssystems |
US7729789B2 (en) * | 2004-05-04 | 2010-06-01 | Fisher-Rosemount Systems, Inc. | Process plant monitoring based on multivariate statistical analysis and on-line process simulation |
CN101017373A (zh) * | 2006-12-28 | 2007-08-15 | 浙江大学 | 工业过程多分辨率软测量仪表及方法 |
US7756678B2 (en) * | 2008-05-29 | 2010-07-13 | General Electric Company | System and method for advanced condition monitoring of an asset system |
JP5048625B2 (ja) | 2008-10-09 | 2012-10-17 | 株式会社日立製作所 | 異常検知方法及びシステム |
JP5501908B2 (ja) | 2010-09-15 | 2014-05-28 | シャープ株式会社 | 要因分析方法、要因分析装置、及び記録媒体 |
-
2013
- 2013-12-05 EP EP13195897.7A patent/EP2881822A1/de active Pending
-
2014
- 2014-12-05 SG SG11201604410VA patent/SG11201604410VA/en unknown
- 2014-12-05 WO PCT/EP2014/076677 patent/WO2015082669A1/de active Application Filing
- 2014-12-05 JP JP2016536556A patent/JP6538057B2/ja active Active
- 2014-12-05 CN CN201480066575.1A patent/CN105793789B/zh active Active
- 2014-12-05 SG SG10201804503UA patent/SG10201804503UA/en unknown
- 2014-12-05 KR KR1020167016557A patent/KR102343752B1/ko active IP Right Grant
- 2014-12-05 CA CA2932489A patent/CA2932489A1/en not_active Abandoned
- 2014-12-05 EP EP14809380.0A patent/EP3077878B1/de active Active
- 2014-12-05 US US15/101,614 patent/US10261480B2/en active Active
-
2019
- 2019-01-24 US US16/256,134 patent/US10678193B2/en active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004531815A (ja) * | 2001-04-10 | 2004-10-14 | スマートシグナル・コーポレーション | 予測的状態監視のための診断システムおよび方法 |
US20130024415A1 (en) * | 2011-07-19 | 2013-01-24 | Smartsignal Corporation | Monitoring Method Using Kernel Regression Modeling With Pattern Sequences |
JP2014525096A (ja) * | 2011-07-19 | 2014-09-25 | スマートシグナル | パターンシーケンスを用いるカーネル回帰モデリングを使用した監視方法 |
Also Published As
Publication number | Publication date |
---|---|
EP3077878B1 (de) | 2021-07-07 |
CN105793789A (zh) | 2016-07-20 |
CA2932489A1 (en) | 2015-06-11 |
SG11201604410VA (en) | 2016-07-28 |
US20170082988A1 (en) | 2017-03-23 |
SG10201804503UA (en) | 2018-07-30 |
KR20160094383A (ko) | 2016-08-09 |
JP6538057B2 (ja) | 2019-07-03 |
CN105793789B (zh) | 2019-11-15 |
KR102343752B1 (ko) | 2021-12-24 |
US10261480B2 (en) | 2019-04-16 |
US20190171168A1 (en) | 2019-06-06 |
WO2015082669A1 (de) | 2015-06-11 |
US10678193B2 (en) | 2020-06-09 |
EP3077878A1 (de) | 2016-10-12 |
EP2881822A1 (de) | 2015-06-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6538057B2 (ja) | プロセスユニットの中の全プロセスセグメントの状態を自動的に監視し決定するための、コンピュータで実装される方法およびシステム | |
US10768188B2 (en) | Diagnostic device and method for monitoring operation of a technical system | |
US20190129395A1 (en) | Process performance issues and alarm notification using data analytics | |
CA2932804C (en) | Data reliability analysis | |
US9733627B2 (en) | Cloud computing system and method for advanced process control | |
JP2007249997A (ja) | 工業プロセスの監視方法及び監視システム | |
US10671061B2 (en) | Devices, methods, and systems for a distributed rule based automated fault detection | |
US20170248944A1 (en) | A method for managing subsystems of a process plant using a distributed control system | |
AU2024201310A1 (en) | Methods for identifying key performance indicators | |
JP2023520066A (ja) | 産業用機械学習のためのデータ処理 | |
Borissova et al. | A concept of intelligent e-maintenance decision making system | |
EP3180667B1 (en) | System and method for advanced process control | |
US11669082B2 (en) | Online fault localization in industrial processes without utilizing a dynamic system model | |
RU2777950C1 (ru) | Обнаружение нештатных ситуаций для прогнозного технического обслуживания и определения конечных результатов и технологических процессов на основании качества данных | |
TWI773539B (zh) | 依據離群值篩選資料以預測測試時間之系統及方法 | |
Fan et al. | Research on embedded PLC control system fault diagnosis: a novel approach | |
Bai | Network Equipment Fault Maintenance Decision System Based on Bayesian Decision Algorithm | |
CN117808192A (zh) | 工业产业生命周期可视化管理方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A711 | Notification of change in applicant |
Free format text: JAPANESE INTERMEDIATE CODE: A712 Effective date: 20161208 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20171204 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20181115 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20181120 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20190117 |
|
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: 20190510 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20190605 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6538057 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |