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

Abstract

本発明は、コンピュータで実装される様式で、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方法およびシステムに関する。学習フェーズ中に、ニューラルネットワークに基づくモデルが、基準状態として算出されるかまたはトレーニングされ、それに応じて、プロセスセグメントが監視または診断され、プロセスユニット部分の状態が表示される。

Description

本発明は、コンピュータで実装（impelement）される様式で、プロセスユニットの中の全プロセスセクションの状態を自動的に監視し決定するための方法およびコンピュータで実装されるシステムに関する。

ますます種々雑多になるシステムランドスケープや増加し続ける設備の自動化度といった背景に対して、運用者にとっては、革新的な支援システムやプラント資産管理（ＰＡＭ）ソリューションがますます重要になっている。この場合、プロセスユニットの装置、デバイス、およびオートメーション技術の監視や診断には、重要な役割が割り当てられる。

現代のプラント資産管理の中心的な目的は、フィールドデバイスや設備構成要素の状態を監視すること（資産監視）によって、設備の可用性や設備の使用を高めることである。

多くの事例において、資産状態情報は、既にデバイスレベルで存在している。例えば、いわゆるインテリジェントフィールドデバイスは、既に多くの企業に定着している。状態監視システムも同様に、既により複雑な機械および装置、例えばポンプまたは熱交換器のレベルで提供されており、利用可能である［Muhlenkamp, S., Geipel-Kern, A.: Plant Asset Management: In der Diagnose mechanischer Assets schlummert ungenutztes Potenzial [Unused potential lies dormant in the diagnosis of mechanical assets], PROCESS, (2011) No. 3, 36-38］。しかしながら、この場合、タスク関連の状態情報の圧縮もまた、ユーザに不可欠である。
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。

したがって、課題は、プロセスエンジニアリングによって接続される設備部分（プロセスユニット）を監視するためのシステムおよび方法であって、企業の資産を監視するために既存のフィールド機器類に基づいて相当なエンジニアリングやモデリングの労力を伴うことなく使用することができ、操作が簡単で迅速な信頼性のある監視ツールをユーザに提示し、その場合には各プロセスユニットの資産状態情報が、自動的に圧縮され、集約した形態で簡単な様式で表示される、システムおよび方法を開発することであった。インテリジェントフィールドデバイスのレベルを超える資産状態情報も、プロセスエンジニアリング企業の「非インテリジェントな」設備部分や設備セクションによって提供されるべきである。このために、閾値の設定、したがって、良好な状態とそこからの偏差との区別を、本方法の間に自動的に決定することを可能にする、技術的ソフトウェアソリューションを提供することが目的であった。

本出願は、センサおよび／または診断ソフトウェアを使用してフィールドデバイス自体を監視するインテリジェントフィールドデバイスを対象とする。

プロセスエンジニアリングによって接続される設備部分の監視は、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、コンピュータで実装される方法によって解決され、該方法は、以下の工程を含む。
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。

明確化のため、重要な用語説明は、以下のように定義される。
− 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。

大部分のニューラルネットワークのように、ニューラルマップは、２つのフェーズ、すなわち、トレーニング（＝学習フェーズ）および割り当て（＝マッピング／適用フェーズ）で動作する。トレーニングは、学習ベクトルを用いてニューラルマップを形成し、その場合、マッピングは、新しいベクトル、例えば監視ベクトルの自動的な割り当てである。これらのフェーズは、図７に概略的に例示される。

本方法は、通常、幾分強力な市販のコンピュータ上で、該コンピュータにインストールしたソフトウェアによって実行することができる。ハードウェアにはいかなる特定の要件も課されない。本発明によるソリューションは、いかなる相当なエンジニアリングおよびモデリングの労力も必要とせず、また、既存のフィールド機器類に基づいて使用することができる。

ソフトウェアを含むコンピュータをプロセス監視に接続するために、プロセスユニットモニタは通常、ＯＰＣ、ＯＤＢＣ、およびＳＱＬインターフェースを有する。ＯＰＣインターフェースの場合には、工程ｂ）またはｃ）からの履歴データが、ＯＰＣ−ＨＤＡを介して、プロセス制御システムのデータベースから取得され、工程ｇ）からのリアルタイムデータ（＝監視ベクトル）が、ＯＰＣ−ＤＡを介して、プロセス制御システムのデータベースから取得される（図５）。
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。

工程ａ）において、監視すべき従来の関連する設備部分（プロセスユニット）または設備セクション（プロセスセクション）が定義される。これらの設備部分またはプロセスセクションは、監視すべきそれらのＭ個のプロセスパラメータによって特徴付けられる。設備部分の例は、パイプラインおよび機器類などの接続される周辺機器とともに、蒸留塔、熱交換器／ポンプの組み合わせ、乾燥器、スクリュー押出機、またはボイラーである。この場合には、プロセスの熟練者が、監視するために必要とされるセンサ／アクチュエータ、および関連する測定範囲を規定する。熟練者は、どのプロセスパラメータ（圧力、温度、流量など）を監視に含めて、どれを含めないかを決定する。検討中の機能的監視ユニットの全ての実際の所望のおよび／または操作された変数値は通常、関連性がある。ソフトウェアは、容易に選択することおよび選択解除することができるプロセスパラメータによる構成を支援する。特定の一実施形態では、加えて、決定されたプロセスパラメータが、「必須」および／または「主要変数」であると宣言される。

必須のプロセスパラメータは、監視に必要とされるプロセスパラメータである。必須のプロセスパラメータが監視に存在しない場合、後続は、通常、自動的に停止され、プロセスユニットの状態の「信号灯」が「赤色」から「黄色」に、または「緑色」から「灰色」に変化する。そのような変化は、プロセスユニットのセンサ／アクチュエータの不具合をユーザに通知する。

主要変数は、同じく以前に定義された値の範囲を外れてはならない、必須のパラメータである。このために、各学習データフェーズの最小値および／または最大値は、好ましくは、許容範囲として調節可能に高い割合で上下に拡張される。モデルは一般的に、この前もって定義され、拡張された値の範囲の中でだけトレーニングされる。監視ベクトルがこの様式で拡張された値の範囲を外れた場合には、同様に、状態信号灯とともにプロセスユニットの監視が停止され、「灰色」になる。したがって、負荷変数（送給）の場合には、トレーニングされていないプロセス状態に監視が適用されることを防止することが可能である。以下を適用する。主要変数はまた、自動的に必須パラメータでもある。これは、逆の場合には当てはまらない。

工程ｂ）において、ユーザが、潜在的な学習データフェーズ（取得データ）をインポートする。これらは、その後の評価のために、内部データベース（＝データベースモジュール）に自動的に記憶される。

工程ｃ）において、プロセスの熟練者は、潜在的な学習データフェーズを視覚化することができ、次いでそこから、設備が要件に従って良好な状態で運転されていた、学習データレコードまたは基準データレコード（選択された学習データフェーズ）を選択することができる。複数の製品または負荷状態の学習データレコードまたは基準データレコードは、好ましくはモデルに入力される。このために、異なる設備状態（製品および／または負荷状態）示す負荷または製品パラメータが工程ａ）に含まれる。このパラメータは、通常、追加的な「プロセスパラメータ」として同時にトレーニングされる。換言すれば、センサ／アクチュエータに関連するデータだけでなく、好ましくは製品および／または負荷状態に関連するデータも、プロセスパラメータとして使用することができる。これは、モデルを作製し、監視するための労力を低減させる。

ユーザによるインポート、およびユーザインターフェースを介した選択に代わるものとして、プロセスの熟練者は、工程ａ）において、良好の状態の詳細な定義を実行することができ、次いで、学習データフェーズを自動的にインポートすること（工程ｂ）および／または選択すること（工程ｃ）を可能にする。

工程ｄ）において、ニューラルネットワークに基づく良好な状態のモデルが算出される。ニューラルネットワークに基づくモデルは、通常、Ｆｒｅｙらの学習規則に従ってトレーニングされ［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］、その内容は、参照により本明細書に組み込まれる。根底にあるアルゴリズムは、いわゆる自己組織化マップ（ＳＯＭ）に基づき、データ駆動のモデルの作成は、監視すべき設備部分または監視すべき設備セクションからの、例えば温度、流量、圧力、モータの電流などの（接続されたアクチュエータ／センサからの）プロセス情報を使用する。設備部分を監視するための数学的なコアアルゴリズムは、既に、フィールドバスに基づくオートメーション設備に関する診断概念の範囲内でこれまで成功裏に使用されてきた［Ross, T., Hedler, C. S., Frey, C. W.: Neue Softwarewerkzeug zur Uberwachung “nicht intelligenter” Anlagenteile und Teilanlagen ［New software tool for monitoring “non-intelligent” installation parts and installation sections］ In: AUTOMATION 2012 13. Branchentreff der Mess- und Automatisierungstechnik. VDI-Berichte 2171. Baden-B
aden, 2012, pages 231-235, ISBN 978-3-18-092171-6］。

ニューラルネットワークを使用するおかげで、ユーザが監視モデルを１分以内に独力で（いわばボタンにタッチするだけで）生成することができ、次いで、直ちにそれらを監視に使用することができるような様式で、ツールを設計することができる。このために、プロセスの熟練者は、いわゆる学習または他の基準データレコードの形態で、必要なプロセス情報を選択する。このデータ駆動による手法は、分析的にモデルに基づく方法の手順と根本的に異なる。これらは、複雑なモデリングおよび開発者の多くの経験を必要とする。例えば構造手段またはプロセス最適化手段が実行されたことで、プロセスが変化した場合は、それに応じて分析モデルも適合させなければならない。結果として、追加的なモデリングの労力が生じる。これに対して、本明細書で提示されるデータ駆動による手法は、ユーザによって再度モデルを適合させることだけしか必要としない。ニューラルネットワークに基づくモデルは、入力が変化した場合に、トレーニングによって適合させることができる。

要約すると、トレーニングされたモデルは、監視すべきプロセスセクションの良好な状態（基準）を表す。モデルからの偏差は、柔軟に、かつ本発明の好適な一実施形態では自動的に、閾値に翻訳され、特に、好ましくは経験に従って通常２〜４の、好ましくは３の正の整数因子の形の許容範囲が乗算される、少なくとも１つのベース閾値に翻訳される。

ベース閾値を算出するときに、セグメント数は、経験値に基づいて設定され、通常１０個〜１００個、好ましくは１５個〜７５個、特に好ましくは５０個である。値の範囲の解像度は、閾値を正確に設定することできるように、十分に高くなければならない。これは、少なくとも５０個のセグメントの場合である。しかしながら、セグメント数を定義するときに、ユーザは、解像度が高くなり過ぎない、すなわち、課題に適合した状態を維持することを確実にするように注意しなければならない。そうでない場合、結果として、多数の空きセグメントが生じる場合があり、不必要に高い計算量をもたらす。それらの総偏差誤差を使用して学習ベクトルをセグメントにソートするときに、ごく稀に、イベントの８５％超が第１〜第１５セグメントにあり、残りのイベントがセグメント１６〜５０の中に分布するという状況が起こり得る。この場合は、学習データベクトルの１５％以上と、ベース閾値以上の総偏差誤差との割合が低く設定され過ぎる。したがって、学習データベクトルと、ベース閾値以上の総偏差誤差との割合は、通常、最高値を有するイベントの５％以上後に設定される。算出されたベース閾値は特に、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が乗算される。

偏差誤差はまた、随意に、偏差誤差を分析するためのモジュールにも伝送することができ、各プロセスパラメータに関してベース閾値を決定することができる。次いで、本方法の更なる出力は、検討中のパラメータの予めパラメータ化された閾値（ベース閾値×正の整数因子）と比較した、検討中の各監視ベクトルのパラメータの割り当てである。

比較的長い時間にわたってプロセスユニットを監視するためにシステムが使用される場合は、使用することができる学習データレコードの数が増加する。おそらくは、良好な状態のモデルにおいて新しい学習セットを考慮するために、ニューラルネットワークのトレーニングを繰り返すことが有利である。モデルの更新は、理想的には、一般的なＰＡＭ戦略の一部として、日常業務に統合されるべきである。簡単な操作および少ない数の作業工程のおかげで、労力は相応である。加えて、全般的にモデルの更新には、数分だけしか必要とされない。

より良い操作性のために、出力は、好ましくは図３のように信号灯システムの形態で表される。赤色の閾値に関して、決定されたベース閾値には通常、標準として、設定パラメータとしての追加的な正の整数因子（値＝３）が乗算されるが、黄色の閾値は、標準として、赤色の閾値のレベルの７５％に調節可能に設定される。設定パラメータは、設備部分または設備セクションの以降の監視中の誤差検出（すなわち、トレーニングしたモデルからの既に小さいまたは唯一の大きい偏差が赤色の信号灯をもたらすかどうか）の感度を制御し、随意に変化させることができる。黄色の閾値も同様に、随意に、赤色の閾値の割合として変化させることができる。
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。

逸脱しているプロセスパラメータのより良い概要に関して、通常は複数の監視ベクトルのうちの１つからのプロセスパラメータの逸脱を、サイズに従って降順に（例えば、上位１０個の形態で）、グラフィカルに割り当てた様式で表示することができる（図６）。
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。

本出願はまた、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にも関する。

本発明はまた、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にも関し、該コンピュータシステムは、
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。

本発明によるシステムは、標準として自己診断を備えていない全ての設備構成要素、例えばボイラーおよびパイプライン、熱交換器、または蒸留塔に関して特に有利である［Hotop, R., Ochs, S., Ross, T.: Uberwachung von Anlagenteilen ［Monitoring of installation parts］, atp edition, 06/2010］。本発明によるシステムの基本的な意図に従い、プロセスユニットのプロセスパラメータは、分離して単独で考慮されない。むしろ、本システムは、全てのパラメータセットを互いに相関させ、この様式で、監視すべき機能ユニットの個々の構成要素の特徴的な相互作用を検出する。このプロセスにおいて、本システムは、例えば良好な状態（「緑色」）と、行動の必要性が浮上（「黄色」）と、故障（「赤色」）との区別が行われる信号灯スキームという意味で、その依存性を学習および確認し、それらから要約状態ステートメントを導き出す。

また、プロセスユニットの監視がまた、一方では、これまで検出されなかったまたは他の特定のタイプの設備の課題を対象とするために、他方では、例えば設備セクション内部の設備の課題が資産間で広がる場合に劣化プロセスにおける因果関係を明らかにするために、障害を起こし易く、基本的に個々の監視ソリューションも既に市場に存在する、資産の組み合わせを監視するためにも、有利に使用できることも分かった。

他方では、画像１は、より最適な運転状態を見出すために、主要な性能インジケータに従ってプロセスを管理するという意味ではなく、例えば設備の最適な運転を維持する結果として、資産の健全性の低下に直接起因し得ない資産性能の減弱に関連する情報を導き出すために、特定のサブプロセスを標的にして監視するという意味で、プロセスユニットの監視が、正しく理解され、従来のプロセス管理（性能監視）のいくつかの要素を既に含んでいることを例示する。

プラント資産管理（ＰＡＭ）の概略図であり、その場合、プロセスユニットの監視が状態および性能の監視と組み合わせられる。 値の範囲の各セグメントに関するイベント頻度としての総偏差誤差のヒストグラムを示す図である。 資産状態を監視し、分析するための閾値を示す図である。 インターフェースを有する本発明によるシステムのアーキテクチャの概略図である。 設備ランドスケープにおけるシステムの統合の概略図である。 サイズに従って割り当てられるパラメータ偏差のグラフ図である（上位１０個の実例であり、その場合、明らかにするため、最初の３個のパラメータだけが表示される）。 トレーニングおよび割り当てフェーズの概略図である。

Claims (7)

1. 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。
2. 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。
3. 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。
4. 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。
5. 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。
6. 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。
7. 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。