JP7680458B2 - 産業プラントの監視 - Google Patents

Description

技術分野
本教示は、一般に、産業プラントのコンピュータベースの監視に関連している。

背景技術
プロセスプラントなどの産業プラントは、１つまたは複数の工業製品を生産するために動作される機器を備えている。機器は、例えば、保守を必要とする機械および／または熱交換器であり得る。保守の要件は、動作時間および／または機器の負荷、機器がさらされた環境条件などを含む、いくつかの要因によって異なり得る。機器の適切でないまたは計画外のシャットダウンは、生産の停止につながることが多く、プラントの効率を低下させ、無駄を引き起こし得るため、一般的には望ましくない。２つの保守の間の期間は変動し得るため、実際に保守が必要になる頃に機器のシャットダウンを計画するのは難しい場合がある。したがって、定期的な保守は、実際に必要なよりも早く行われるか、機器の動作が保守期間を超過し得る。後者は、機器の寿命に影響を与え得る、および／または効率の悪い動作を引き起こしたりし得る。認識されるように、後者は、計画外のシャットダウンが原因で機器で処理できなかった材料の浪費を引き起こし得る、計画外のシャットダウンのリスクを高める可能性もある。前者のアプローチを使用して計画外のシャットダウンのリスクを減らすことはできるが、保守の頻度が高くなり、コストが増加し得るため、アプローチは必ずしも望ましいとは限らない。

プラントは、機器に関連する１つまたは複数のパラメータを測定または検出するための複数のセンサも備えている。一部のセンサは、測定または検出することになっているパラメータの測定および／または検出における信頼性を確保するために、予防保守および／または較正など、それ自体の保守も必要とし得る。

多くの場合、センサの出力の変化は、センサが測定している機器の健全性を示すこともできる。しかし、出力の変化は、機器の健全性の低下ではなく、センサ自体の誤動作が原因である可能性もある。プラントは、多くの場合、数百または数千のセンサを含み得る。大規模な産業プラントは、数万、またはそれ以上のセンサを含み得る。したがって、各センサを監視することによって機器の健全性の指標を取得することは難しい場合がある。さらに、センサ出力がドリフトした場合でも、機器の状態を決定するのは難しい場合がある。その結果、誤陽性イベントがトリガされ得る。頻繁に誤ったイベント信号や警報が発生すると、そのようなシステムの使いやすさが低下し得る。

したがって、プラントの異常を検出するためにセンサ出力をより効率的に利用するプラントを監視するための方法が必要とされている。

概要
先行技術に固有の問題の少なくともいくつかは、付随する独立請求項の主題によって解決されることが示される。

第１の観点から見た場合、複数のセンサ、および１つまたは複数の機能的に接続された処理ユニットを含むプラントを監視するための方法を提供することができ、この方法は以下を含む。

－ １つまたは複数の処理ユニットのいずれかで、センサオブジェクトの時系列残差データを提供することであって、センサオブジェクトは、複数のセンサからの少なくとも一部のセンサのグループであり、残差データは、センサオブジェクトのセンサのそれぞれについて、センサの測定出力とセンサの予測出力との間の差である残差信号を含む、ことと、
－ １つまたは複数の処理ユニットのいずれかを介してレベル信号を監視することであって、レベル信号は、時系列残差データの集合的な時間ベースの変動を示す、ことと、
－ １つまたは複数の処理ユニットのいずれかを介して、関連信号を監視することであって、関連信号は、時系列残差データの変動および／または関連構造を示す、ことと、
－ １つまたは複数の処理ユニットのいずれかを介して、特定の時間に、レベル信号の値および／または関連信号の値が、その時間またはその前後のそれぞれの信号の予測値から変化するときの前記対応する信号が異常イベント信号を生成すること。

最後のステップは、代わりに次のように表すこともできる。
－ １つまたは複数の処理ユニットのいずれかを介して、レベルイベント信号および／または関連イベント信号を生成することであって、レベルイベント信号は、特定の時間にレベル信号の値がその時間またはその前後のレベル信号の予測値から変化したときに生成され、関連イベント信号は、特定の時間に、関連信号の値がその時間またはその前後の関連信号の予測値から変化したときに生成される、こと。

レベルイベント信号および／または関連イベント信号の発生は、処理ユニットによって異常イベントと見なされ得る。言い換えれば、レベルイベント信号および／または関連イベント、またはより一般的には異常イベント信号は、プラント内の少なくとも１つの機器の異常を示している。値のいずれかまたは両方が時間依存の値である場合もある。

当業者は、本開示における「時間依存性」という用語が、時間とともに変化し得るそのような値またはパラメータを指すことを理解するであろう。このような値は、時間に直接依存しない場合があり、むしろ、時系列データであるプラントに関連する信号とプロセスパラメータの時間変化する性質のために、このような値は、時間スケールに沿った一連の離散値または連続値、または時系列値として表現または計算できる。したがって、そのような値が時間の経過とともに常にまたは定期的に変化しなければならないことは必須ではないことも理解されよう。

場合によっては、最後のステップはさらに次のようになり得る。
－ １つまたは複数の処理ユニットのいずれかを介して、特定の時間に残差信号の大きさが残差閾値を超えたときに異常イベント信号を生成することであって、レベル信号および／または関連信号の値は、その時間またはその前後のそれぞれの信号の予測値から変化する、こと。

場合によっては、残差データが１つまたは複数の機能的に接続された処理ユニットで入力データとして提供され得る。このような場合、第１のステップは具体的には次のようになり得る。

－ １つまたは複数の処理ユニットのいずれかで、センサオブジェクトの時系列残差データを受信することであって、センサオブジェクトは、複数のセンサからの少なくとも一部のセンサのグループであり、残差データは、センサオブジェクトのセンサごとに、センサの測定出力とセンサの予測出力の差である残差信号を含む、こと。

残差データは、１つまたは複数の処理ユニットの１つまたは複数の入力で直接受信することができる。あるいは、残差データは、１つまたは複数の処理ユニットのいずれかに機能的に接続されたコンピュータメモリで受信され得る。

場合によっては、残差データは、１つまたは複数の機能的に接続された処理ユニットによって生成されることさえある。このような場合、第１のステップは具体的に次のようになり得る。

－ １つまたは複数の処理ユニットのいずれかで、センサオブジェクトの時系列残差データを生成することであって、センサオブジェクトは、複数のセンサからの少なくとも一部のセンサのグループであり、残差データは、センサオブジェクトのセンサごとに、センサの測定出力とセンサの予測出力の差である残差信号を含む、こと。

場合によっては、後で説明するように、残差データを監視することもできる。このような場合、この方法には以下も含む。

－ １つまたは複数の処理ユニットのいずれかを介して、センサオブジェクトの時系列残差データを監視すること。

残差データの監視は、各残差信号を監視することによって、すなわち、各センサまたは任意の１つまたは複数の残差信号について行うことができる。したがって、任意の特定の時間で残差信号の大きさが所定の値または閾値を超える任意のセンサについて、残差イベントは、１つまたは複数の処理ユニットのいずれかに機能的に接続されたメモリ位置にその時間記録され得る。レベル信号と関連信号が予測どおりの場合、例えば、警報の発生や異常の記録のアクションは実行されない。一方、レベルイベント信号および／または関連イベント信号が、１つまたは複数のセンサからの残差イベントが発生した特定の時間またはその前後に発生した場合。このような場合、１つまたは複数のセンサからの残差イベント信号を分析して、異常の原因または根本原因を見つけることができる。特定の時間またはその前後にということにより、分析に関して考慮されるために、残差イベント信号は、レベルイベント信号および／または関連イベント信号の発生と同時に、またはそれ以前に、もしくはその後に発生してい得るということを意味する。残差の大きさを測定するのではなく、センサ信号の監視は、そのセンサの予測値から特定の閾値を超える任意のセンサの測定された信号の大きさに基づくことさえできることが理解されよう。したがって、両方の場合は同等であると見なされ、例えば閾値を参照して、本開示において交換可能に使用され得る。

「センサオブジェクト」は、プラントの複数のセンサからの少なくとも一部のセンサの特定のグループを指し得る。換言すれば、センサオブジェクトは、センサ信号のグループであり、その残差信号は、レベル信号および／または関連信号の形で集合的に監視される。化学プラントおよび／または生物学的プラントなどの大規模な生産プラントでは、監視されるセンサの数が多くなる。通常、化学または生物学的プラントのセンサの数は１０００をはるかに超える可能性があり、多くの場合、数万のセンサ、場合によっては数十万以上のセンサが存在し得る。複数の産業プラントやバーバンドの配置など、複雑な生産およびバリューチェーンを有する化学および／または生物学的プラントでは、センサの数が膨大になり得る。

提案されたセンサオブジェクトは、本明細書に開示された多変量技術をより効果的に適用することを可能にする。出願人は、多変量技術がプラントのすべてのセンサを含むグループまたはセンサの次善のグループに実現される場合、そのようなグループは検出される異常に関して感度を欠く可能性があることを認識した。一部のセンサの小さいが重要な偏差は、グループ内の他のセンサの大きいがそれほど重要ではない偏差によって過剰に制御または支配され得る。本教示はまた、１つまたは複数のセンサオブジェクトの形でセンサの適切なグループを定義することを可能にし、それらのそれぞれは、他のセンサ信号によって克服されることなく、異常に対する感度を維持することを可能にすることができる。

単変量の方法と比較して、多変量の監視方法には、センサオブジェクト内の異常を示すアラートを生成する際の偽陽性率を減らすという利点を有し得る。したがって、本明細書に開示されるセンサオブジェクトは、異常検出のための高感度を達成しながら、低い誤陽性を維持することを可能にすることができる。

複数のセンサから１つまたは複数のセンサオブジェクトへのセンサのいくつかでのクラスタリングは、上記のように多くの方法で行うことができる。しかし、センサオブジェクト内のセンサの次善のクラスタリングまたはグループ化は、検出の感度に影響を与える可能性がある。さらに、センサオブジェクトを生成するための手動クラスタリングは、成功の保証なしに長い時間がかかる可能性がある。専門家を得たとしても、手動入力でセンサを手動でグループ化すると、大規模に実行する場合でも、膨大な手作業が発生し得る。各プラントはそれ自体が固有であり得るため、多数の未知が含まれ得るため、適切なグループ化を実行するのが難しい場合がある。さらに、多くの場合、プラントトポロジに関する情報は、処理可能なデータ形式で提供されない。例えば、処理または評価できるプラントの数学モデルは、少なくとも必要な詳細度ではない。

好ましい態様によれば、センサオブジェクトは、複数のセンサからの少なくとも一部のセンサを少なくとも部分的に自動的に選択することによって提供される。前記選択は、センサオブジェクト内にグループ化される少なくとも一部のセンサの適合性に基づいて行われる。一態様によれば、データ中心のアルゴリズムを使用する類似性検出は、センサオブジェクトを構築するために使用される。好ましくは、選択は完全に自動的に行われる。説明したように、より具体的には、少なくとも一部のセンサの選択、またはセンサのグループ化は、１つまたは複数のデータ中心の方法またはアルゴリズムによって実行される。好ましくは、データ中心のアルゴリズムは、複数のセンサからのセンサをセンサオブジェクトにグループ化するために少なくとも１つの類似性測定値を使用するように構成される。例えば、データ中心のアルゴリズムは、少なくとも１つの類似性測定値を使用して、センサオブジェクトを提供するためにセンサの少なくとも一部をグループ化する。ここで、データ中心のアルゴリズムとは、複数のセンサの履歴時系列データなどのセンサデータを活用するように構成されたアルゴリズムを意味し、少なくとも部分的に自動的に少なくとも一部のセンサをグループ化または選択する。さらに具体的には、データベースのアルゴリズムは、１つまたは複数のクラスタリングアルゴリズムであり得る。クラスタリングアルゴリズムは、複数のセンサの履歴データを使用した教師なし学習によって訓練されたニューラルネットワークモデルなどの教師なし学習アルゴリズム、またはクラスタリングと次元削減のための任意の他の適切なアルゴリズムであり得る。教師なし学習アルゴリズムは、例えば、自己組織化マップ（「ＳＯＭ」）であり得る。出願人は、ＳＯＭが適切なセンサをセンサオブジェクトに自動的にグループ化するのに特に有益であることを発見した。

したがって、一態様によれば、１つまたは複数の自己組織化マップを使用して、任意の１つまたは複数の処理ユニットは、コンピュータメモリにおいて、それらの時間依存信号において、類似のパターンまたは１つまたは複数の類似性測定値に従ってセンサを配置または順序付けるように構成される。この目的のために、対応するセンサからの履歴時系列データを活用できる。センサは、マトリックスまたはコンピュータ可読２Ｄマップ空間に配置できる。次のステップでは、このマトリックスまたはマップは、１つまたは複数のセンサオブジェクトを生成するために細分化または断片化される。例えば、マップ空間は、対称または非対称のグリッドを使用して断片化またはカットできる。さらに、または代わりに、マップ空間は、マップ上のセンサのクラスタの周囲の距離値を使用してカットされる。例えば、クラスタは、互いに特定の距離内にあるセンサを選択することを含む類似性測定値を介して自動的に検出され得る。次に、距離値内にあるすべてのセンサをセンサオブジェクトにグループ化できる。距離値の測定値は、例えば非対称クラスタを形成するセンサを捉えるために、複数の距離値も含み得る。非対称クラスタをより適切に捉えるために、時折、クラスタ内のサブクラスタが１つまたは複数の距離に基づいて検出され得る。場合によっては、複数のセンサ全体が、説明されているようにセンサオブジェクトに分割される。センサオブジェクトは、２つ以上のセンサを有し得る。好ましい態様では、センサオブジェクトは、２０個または少数のセンサを有し得るが、２個未満のセンサを有さない。センサオブジェクト内のセンサの母集団は異なり得る。例えば、一部のセンサオブジェクトには、２０を超えるセンサ、例えば約１００のセンサが含まれ得る。好ましい態様によれば、センサオブジェクトは、２０個または約２０個のセンサからの信号を含む。より一般的な好ましい態様によれば、センサオブジェクトは、１０個、約１０個、または数十個のセンサからの信号を含む。ここでの「数十のセンサ」という用語は、１００以下の任意の整数のセンサ、例えば４、１２、２５、または３０のセンサを含むことを意味する。提案された自動クラスタリングにより、例えばセンサ間の類似性の自動検出を可能にすることにより、センサオブジェクト内に含まれるのに適したセンサを捉えることができる。したがって、異常検出は、専門家のユーザがいなくても、センサやプラントトポロジの詳細がほとんどまたはまったくない仕様で実行できる。化学的および生物学的プラントのような複雑で大きなプラントにとって、これは重要な利点になり得る。

一態様によれば、ＳＯＭは、複数のセンサからのセンサデータを使用した教師なし学習を使用して訓練され、入力ベクトルの２次元の離散化された表現を生成し、この場合、センサオブジェクトにクラスタ化する必要のあるセンサデータ、つまり複数のセンサからのデータになる。本教示に従って、高次元空間で類似している入力ベクトルまたはセンサ信号のそれらは、二次元（「２Ｄ」）空間の近くのノードにマッピングされる。類似性は、２Ｄ空間にマッピングされたセンサノード間の距離の観点から測定できる。

ＳＯＭを使用した自動グループ化の非限定的な例として、２Ｄ空間は、例えば、そのジオメトリをｋ＊ｎグリッドとして表すことにより、事前に定義または指定できる。センサノードは、最初はランダムに２Ｄ空間にマッピングされ得、次にそれらの位置が繰り返し調整される。このようにして、入力ベクトルの初期ジオメトリ内の隣接するポイントを２Ｄ空間内の近くのポイントにマッピングできる。

本教示に従って、センサの時系列データに適切な距離／類似性測定値を選択することにより、１つまたは複数のＳＯＭを使用して、時系列を一致する形状のグループにクラスタ化できる。当業者は、前記グループがセンサオブジェクトを表すことを理解しなければならない。

処理ユニットは、同じ場所または同じ物理的な場所に配置される必要はないことが理解されよう。例えば、処理ユニットの少なくともいくつかは、クラウドサービスとして、またはクラウドサービスで実装され得る。レベル信号および関連信号を監視する処理機能のそれぞれは、少なくとも１つの技術的利点を提供するので、そのような機能は、それ自体でも特許性がある。

したがって、別の観点から見た場合、複数のセンサ、および１つまたは複数の機能的に接続された処理ユニットを含むプラントを監視するための方法を提供することもでき、この方法は以下を含む。

－ １つまたは複数の処理ユニットのいずれかで、センサオブジェクトの時系列残差データを提供することであって、センサオブジェクトは、複数のセンサからの少なくとも一部のセンサのグループであり、残差データは、センサオブジェクトのセンサごとに、センサの測定出力とセンサの予測出力の差である残差信号を含む、ことと、
－ １つまたは複数の処理ユニットのいずれかを介してレベル信号を監視することであって、レベル信号は、時系列残差データの集合的な時間ベースの変動を示す、ことと、
－ １つまたは複数の処理ユニットのいずれかを介して、レベルイベント信号を生成することであって、レベルイベント信号は、特定の時間にレベル信号の値がその時間またはその前後のレベル信号の予測値から変化したときに生成され、レベルイベント信号は、プラント内の少なくとも１つの機器の異常を示す、こと。

同様に、さらに別の観点から見た場合、複数のセンサ、および１つまたは複数の機能的に接続された処理ユニットを含むプラントを監視するための方法を提供することもでき、この方法は以下を含む。

－ １つまたは複数の処理ユニットのいずれかで、センサオブジェクトの時系列残差データを提供することであって、センサオブジェクトは、複数のセンサからの少なくとも一部のセンサのグループであり、残差データは、センサオブジェクトのセンサごとに、センサの測定出力とセンサの予測出力の差である残差信号を含む、ことと、
－ １つまたは複数の処理ユニットのいずれかを介して、関連信号を監視することであって、関連信号は、時系列残差データの変動および／または関連構造を示す、ことと、
－ １つまたは複数の処理ユニットのいずれかを介して、関連イベント信号を生成することであって、関連イベント信号は、特定の時間にレベル信号の値がその時間またはその前後の関連信号の予測値から変化したときに生成され、関連イベント信号は、プラント内の少なくとも１つの機器の異常を示す、こと。

前に論じたように、好ましくは、センサオブジェクトは、少なくとも部分的に自動で、少なくとも一部のセンサをグループ化することによって提供される。

理解されるように、上記のいずれの場合でも、残差信号に基づいて異常を示すイベントを生成するのではなく、すなわち、センサの測定信号がセンサ信号の予測値から特定の閾値を超えた場合、本教示は、レベル信号および／または関連信号の監視に基づいて、異常イベント信号の生成を延期する。異常イベントは、レベル信号と関連信号のいずれかまたは両方がそれぞれの予測値から変化したときに生成される。したがって、言い換えれば、レベル信号と関連信号の両方がそれぞれの予測値内にある間に、残差信号のいずれかがそれらの残差閾値を超えたときに、異常イベント信号の生成が防止され、したがって、異常イベントは、レベル信号および／または関連信号の監視の結果に基づいている。

一態様によれば、レベル信号および関連信号のそれぞれの予測値は、それぞれ、好ましくは、これらのそれぞれの信号が有効に存在し得る値のそれぞれの範囲として提供される。したがって、レベル信号および関連信号のそれぞれは、任意の特定の時間で少なくとも１つの限界値を提供され得る。その時間で信号値がそれぞれの限界内にある場合、その値は予測どおりと見なされ、異常イベントは生成されない。言い換えれば、それぞれの予測値のいずれかが、対応する予測値の限界として提供され得、異常イベントが生成されることなく、対応する信号が有効に有することができる複数の予測値を特定の時間に指定する。限界値はまた、時間依存値であり得る。複数の予測値は、離散値であるか、または対応する限界値によって指定された範囲内でそれぞれの信号が取ることができる任意の値に対応することができることが理解されよう。

出願人は、レベルおよび関連信号の監視に基づいて提案されたイベント生成により、実際の異常の検出に焦点を合わせながら、誤陽性イベントを大幅に削減できることを発見した。

異常イベント信号に応答して、警報が生成されて、センサオブジェクトが関連している機器の異常についてオペレータまたはユーザに通知することができる。あるいは、またはさらに、１つまたは複数の処理ユニットのいずれか（以降、単に処理ユニットと呼ぶ）は、異常の原因を決定するためにセンサデータをバックトラックすることができる。したがって、一態様によれば、この方法はまた、以下を含む。

－ 異常イベント信号に応答して、センサオブジェクトに関連する機器の健全性を決定すること。

機器の健全性は、例えば、処理ユニットを介して根本原因分析を実行することによって決定することができる。

先に概説したように、場合によっては、予測値からの変化または偏差に限界値が提供される。信号値が関連する限界値内にある場合、イベント信号は生成されない。したがって、センサオブジェクトの監視された信号、レベル、または関連のいずれかが所定の限界または制御範囲を超えて逸脱した場合、この逸脱は異常と見なすことができ、アラートがイベント信号の形式で生成され得る（例えば、レベルイベント信号、関連イベント信号、またはその両方）。提案されているように、センサオブジェクトの状態は、レベル信号および／または関連信号を使用して監視または観測され、両方とも時間依存または時間ベースの信号である。特定の限界は、例えば、許容可能な偏差の許容範囲、イベントの必要な感度、センサオブジェクトの臨界または重要性など、関心のある用途に従って定義することができることが理解されよう。一態様によれば、限界値は、それぞれの信号、レベルおよび関連信号が通常の条件下にあると予測される統計的限界を使用して導出される。したがって、限界値は、監視された信号値を有効に配置できる予測値の移動またはその周囲の移動の値の範囲または確率空間を表す。場合によっては、特に関連信号について上限値と下限値が存在することもある。したがって、上限値と下限値の範囲内にある確率空間は、複数の予測値によって定義することができる。いずれの場合も、確率空間は、例えば、過去の監視からの履歴データを使用して決定できる。したがって、限界値は、観測値が特定の確率値で許容可能に配置され得る範囲内の値範囲を定義するものとして理解され得る。限界値は、用途の要件および／または履歴センサデータの可用性に応じて、ゼロまたはゼロ以外の値にすることができる。限界値はまた、時間依存値であり得る。したがって、本開示の限界値に特定の番号を付けることは必須ではない。

センサオブジェクトに関連するセンサデータの有効性を監視するために、出願人は、上記の２つの指標、すなわち、レベル信号および関連信号は、センサデータからの多変量情報を個別のスコアまたは統合されたスコアに凝縮するのに特に効果的であり得ることを発見した。指標は、センサオブジェクトの残差信号に適用される。センサオブジェクトのセンサごとに生成される残差信号は、特定の時間に測定されたセンサ出力信号（または観測されたセンサ信号）とその時間で予測センサ信号の差である。次に、センサオブジェクトセンサからの残差信号を含む残差データから指標が生成される。出願人は、測定されたセンサ出力信号がほとんどの場合複数の情報を含み、それらのほとんどが異常または機器の健全性を検出するために無関係であり得ることを認識した。例えば、測定または観測されたセンサ出力信号は、コントローラの設定、生産モード、プラントおよびまたは機器の動作条件などに依存し得る。したがって、機器の健全性に関連する情報は、センサ出力が依存する他の様々なパラメータによって引き起こされる余分な情報の中に溺れ得る。出願人は、センサ出力信号を直接使用するのではなく、代わりに残差データに提案された指標を適用することにより、時間依存センサ出力から余分な情報を少なくとも部分的に削除できることを認識したため、機器の健全性関連情報が、さらなる信号処理のためにより検出可能になる。

第１の指標であるレベル信号は、センサオブジェクトの時系列残差データ内の時間依存の残差信号の集合的な動きに関連する情報または統計値を提供する。レベル信号値は、センサオブジェクト内の時系列残差データのレベル変化または短期的な傾向を検出するために使用できる。第２の指標である関連信号は、時系列残差データの変動および／または関連構造に関連する情報または統計値を提供する。関連信号は、センサオブジェクト内の時系列残差信号間の揮発性および／または相関構造の変化を示す。

それぞれの信号、レベル信号および／または関連信号のイベント信号は、信号値の大きさがその時間でのその信号の予測値または予測値の特定の限界を超えるときに生成することができる。したがって、指標は、その時間でのその予測状態と呼ぶことができるものに関して、任意の特定の時間で比較される。予測状態または時間依存の予測信号値は、センサオブジェクトのモデルによって提供できる。センサオブジェクトモデルは、少なくとも部分的にデータ駆動モデルなどの予想モデルであり得、例えば、履歴残差データを使用して訓練されたセンサオブジェクトニューラルネットワークを含む。比較の結果、すなわち、その予測状態からのレベル信号の偏差、およびその予測状態からの関連信号の偏差は、時間の経過とともに処理ユニットを介して監視される。異常イベント信号は、レベル信号値および／または関連信号値の大きさが、その時間でのその信号の予測値から限界を超えて逸脱したときに生成される。偏差は、時間の経過とともに処理ユニットを介して監視される。

信号またはさらに偏差の監視は、継続的に実行することも、長さが等しいまたは等しくない離散的な期間の間で実行することもできる。

センサオブジェクトは、例えば、処理ユニットに機能的に接続されたメモリを介して、処理ユニットで提供することができる。一態様によれば、残差データの生成は、同じ処理ユニットを介して行われる。あるいは、残差データの生成は、別のプロセッサによって実行され、次に処理ユニットで提供され得る。

産業プラント、または単にプラントは、産業目的で使用されるインフラストラクチャを含む。産業目的は、１つまたは複数の製品の製造または処理、すなわち、製造プロセスまたはプラントによって実行される処理であり得る。製品は、例えば、化学、生物学、医薬品、食品、飲料、繊維、金属、プラスチック、半導体などの任意の物理的な製品にすることができ、または、製品は、電気、暖房、空調、リサイクルなどの廃棄物処理、分解や溶解などの化学処理、またはさらには焼却などのサービス製品にすることもできる。したがって、プラントは、化学プラント、製薬プラント、石油および／または天然ガス井、製油所、石油化学プラント、分解プラントなどの化石燃料処理施設などのいずれかまたは複数であり得る。プラントはさらに、蒸留所、焼却炉、または発電所のいずれでもかまわない。プラントはさらに、上記のいずれかの組み合わせであり得、例えば、プラントは、蒸気分解装置などの分解設備を含む化学プラント、および／または発電所であり得る。本教示を適用するために、場合によっては、大きなプラント内の予備設備はプラントと見なされることさえある。インフラストラクチャは、次のいずれか１つまたは複数などの機器またはプロセスユニットを含み得る。熱交換器、分留塔などのカラム、炉、反応チャンバ、分解装置、貯蔵タンク、沈殿装置、パイプライン、スタック、フィルタ、バルブ、アクチュエータ、変圧器、サーキットブレーカ、機械、例えば、タービン、発電機、粉砕機、コンプレッサ、ファン、ポンプ、モータなどの頑丈な回転機器である。

プラントまたは産業プラントはさらに、複数の産業プラントの一部であり得る。本明細書で使用される「複数の産業プラント」という用語は広義の用語であり、当業者にとってのその通常の慣習的な意味を与えられるべきであり、特別なまたはカスタマイズされた意味に限定されるべきではない。この用語は、具体的には、限定されないが、少なくとも１つの共通の産業目的を有する少なくとも２つの産業プラントの化合物を指すことがある。具体的には、複数の産業プラントは、物理的および／または化学的に結合された少なくとも２つ、少なくとも５つ、少なくとも１０、またはさらに多くの産業プラントを含み得る。複数の産業プラントは、複数の産業プラントを形成する産業プラントが、それらのバリューチェーン、抽出物、および／または製品のうちの１つまたは複数を共有し得るように結合され得る。複数の産業プラントは、化合物、化合物サイト、バーバンドまたはバーバンドサイトと呼ばれることもある。さらに、様々な中間製品から最終製品までの複数の産業プラントのバリューチェーン生産は、様々な産業プラントなどの様々な場所に分散化するか、バーバンドサイトまたはケミカルパークに統合することができる。そのようなバーバンドまたはケミカルパークは、１つまたは複数の産業プラントであり得るか、それらを含み得、少なくとも１つの産業プラントで製造された製品は、別の産業プラントの原料として機能することができる。

当業者は、プラントが通常、いくつかの異なるタイプのセンサを含むことができる計装も含むことを理解するであろう。センサは、様々なプロセスパラメータの測定や機器に関連するパラメータの測定に使用される。例えば、センサは、パイプライン内の流量、タンク内のレベル、炉の温度、ガスの化学組成などのプロセスパラメータを測定するために使用でき、一部のセンサは、タービンの振動、ファンの速度、バルブの開放、パイプラインの腐食、変圧器の両端の電圧などを測定するために使用できる。これらのセンサの違いは、センサが感知するパラメータに基づくだけでなく、さらにそれぞれのセンサが使用する感知原理であり得る。感知するパラメータに基づくセンサの例としては、温度センサ、圧力センサ、光センサなどの放射センサ、流量センサ、振動センサ、変位センサ、ガスなどの特定の物質を検出するためのものなど化学センサなどがある。採用している感知原理が異なるセンサの例としては、例えば、圧電センサ、ピエゾ抵抗センサ、熱電対、容量センサや抵抗センサなどのインピーダンスセンサなどがある。センサによって測定される正確なパラメータまたはその使用される原理は、本教示の一般性の範囲にとって重要ではない。

したがって、プラントには、プラント内の特定の量の値（例えば、カラム内の温度、パイプ内の圧力、質量流量など）を継続的または定期的に測定するセンサが装備されていることがよくある。これらの各値は通常、追加情報とともにプラント情報システム（「ＰＩＭＳ」）に保存される。追加情報は、センサ名、測定のタイムスタンプ、測定値、単位、測定品質などの１つまたは複数のメタデータであり得る。

プラントでは、センサ出力の少なくとも一部は、プラントの動作の少なくとも一部を制御する制御システムで直接的または間接的に受信される。一部のプラントは、階層内または並列で動作するように構成できる複数の制御システムをさらに備え得る。１つまたは複数の制御システムである産業用制御システム（「ＩＣＳ」）の正確なアーキテクチャは、本教示の一般性の範囲にとって不可欠ではない。また、プラントには、プラント内の複数のセンサからデータを受信するデータ取得システム（「ＤＡＳ」）が備わっているのが一般的である。センサデータは、長期間のコンピュータメモリまたはデータベースに記憶される。ＤＡＳは、ＰＩＭＳと同じシステムであり得るか、異なるシステムであり得る。センサデータには通常、センサから収集されたデータの履歴または時間情報を示すメタデータが含まれる。したがって、履歴センサデータは通常、時系列データとしてデータベースに記憶されるか、データベースから復元できる。履歴関連および／またはレベル信号データは、同じデータベースまたは処理ユニットに機能的に接続された別のデータベースに記憶することもできる。上記のように、メタデータには、センサの時系列データの単位および／またはラベルを含めることもできる。センサは、産業プラントではタグまたはセンサタグとも呼ばれることがよくある。プラント制御および／または監視システムの一部のさらなる例としては、プログラマブルロジックコントローラ（「ＰＬＣ」）、分散制御システム（「ＤＣＳ」）、および監視制御およびデータ取得（「ＳＣＡＤＡ」）がある。さらに、いくつかのプラントでは、上記のシステムの任意の２つ以上の機能が、単一の制御および／または監視システムによって実行され得る。今日のほとんどの制御システムと監視システムはデジタルシステムである。つまり、デジタル信号で動作し、したがって、そのようなシステムによって受信されたセンサデータは、センサ自体によって、またはアナログ信号がシステムのデジタルプロセッサによって処理される前の任意の段階で、デジタル信号にも変換される。したがって、この教示は、１つまたは複数の処理ユニットを含むあらゆる種類のプラント監視および／または制御システムに適用される。一部のセンサ出力は、例えば、制御システムまたはコントローラによって直接的または間接的に影響を受けるプロセスパラメータを介して、制御システムの状態に依存し得る。レベル信号と関連信号に残差を統合して残差を監視することにより、このような影響を少なくとも部分的に除去できるため、異常の検出を改善し、一方、誤陽性検出を減らすことができる。

出願人は、提案された方法またはその監視システムによって、オペレータや従来の監視システムで問題を観測できるようになる前に、プラントの異常や異常な動作の開始を早期に検出することができることを認識した。したがって、時間の経過とともに現れた異常のために、プラント設備の少なくとも一部が予測せずシャットダウンすることを防ぐことができる。このような防止は、本教示を使用して異常を検出し、産業プロセスの中断を少なくとも減らすことができるように保守を計画することによって行うことができる。また、問題が後で明らかになり、是正措置が計画され得る特定のプラントエリアまたは機器にオペレータの注意を向けるために提供することもできる。

一態様によれば、異常イベント信号の発生に応答して、処理ユニットは、プラント内の少なくとも１つの機器の健全性の状態を決定する。さらなる態様によれば、異常イベント信号に応答して、処理ユニットは、少なくとも１つの個々のセンサまたは複数のセンサ内のセンサのサブグループの履歴および／またはリアルタイムの時系列データを分析することを含むさらなる分析を開始する。一態様によれば、処理ユニットは、残差信号がそれぞれの残差閾値を超えた１つまたは複数のセンサ出力または、異常信号の発生とほぼ同時に発生した関連する残差イベント信号をそれぞれ有する少なくとも１つのセンサのさらなる分析を優先する。

異常イベント信号に直接応答するか、または１つまたは複数のセンサに関連するデータを後で分析することにより、処理ユニットは、保守が必要であり得る機器またはセンサの一部をより具体的に決定できる。より好ましくは、特定の期間にわたる前記時系列信号を分析することによって、処理ユニットは、少なくとも１つの機器の保守スケジュールを予測することができる。理解されるように、そうすることによって、処理ユニットは、機器および／または１つまたは複数のセンサに関連する将来の保守要件を提供することができる。さらに、提案されたレベルおよび関連信号を監視することにより、処理ユニットがリアルタイムで監視および分析するために必要なセンサデータの量を減らすことができる。特に機器の通常の動作下、または検出可能な異常が存在しない場合、各センサ信号を個別に分析する場合と比較して、監視に使用されるリソースを大幅に削減できる。前述のように、これは、単変量アプローチと比較して、誤検出に関しても追加の利点も有し得る。つまり、各センサを個別に監視および分析する。

一態様によれば、レベルイベント信号に応答して、処理ユニットは、センサオブジェクト内の各センサの時系列残差信号を分析して、レベル信号値に対する１つまたは複数の主要なドライバまたは最も支配的な要因を決定する。決定は、例えば、効果量計算および／または値分布分析を使用して行うことができる。効果量は、特定の期間内に残差信号が特定の残差値からどれだけ離れているかの距離の測定値である。特定の残差値は、通常、特定の期間内のその残差信号の最も可能性の高い値である。

一態様によれば、関連イベント信号に応答して、処理ユニットは、センサオブジェクト内の各センサの時系列残差信号を分析して、関連信号値に対する１つまたは複数の主要なドライバまたは最も支配的な要因を決定する。さらなる態様では、処理ユニットは、センサオブジェクト内のセンサ残差信号の各ペアの組み合わせの時系列残差信号の共分散を分析し、関連信号値に対する１つまたは複数の主要なドライバまたは最も支配的な要因を決定する。

提案された教示は、センサオブジェクト内のセンサからの残差データ間の類似性および／または関連性を活用することができ、計算による監視作業をシナリオに集中させ、１つまたは複数のセンサからのデータが、センサオブジェクト内の残差データの全体的なレベルと関連に影響を与えるように逸脱する。センサの残差データをグループ化することで、提案された多変量アプローチに従って監視できる。これにより、センサオブジェクト内に含まれる関連するセンサデータの全体的な動作に焦点を合わせながら、計算リソースを解放できることが理解される。

説明されたように、一態様によれば、グループ化は、例えば、自己組織化マップを使用して、処理ユニットを介して少なくとも部分的に自動的に行われる。自動グループ化は、データ特性に基づいて処理ユニットによって実行され得、例えば、センサオブジェクトのセンサ時系列データの類似性および／またはセンサの出力信号間の相互依存性に基づき、および／またはセンサのタイプ、および／またはセンサ応答の類似性に基づく。さらに、または代わりに、一態様によれば、グループ化は、ユーザからの入力に基づいて行われる。したがって、グループ化は、オペレータの好みまたは経験に基づいて少なくとも部分的に行うことができる。自動またはユーザガイドのいずれの場合でも、レベル信号と関連を使用する提案された多変量アプローチには、残差間の相互依存性を使用して、個々の信号レベルでは検出できない可能性のある動作を検出できるという利点がある。前に説明したように、誤検出は、単変量監視アプローチと比較して減らすことができる。つまり、センサオブジェクト内の異常の検出感度を維持しながら、各センサからのデータを個別に監視する。

したがって、別の視点から見る場合、複数のセンサと１つまたは複数の機能的に接続された処理ユニットを含むプラントを監視するための方法も提供することができ、この方法は以下を含む。

－ １つまたは複数の処理ユニットのいずれかで、センサオブジェクトの時系列残差データを提供することであって、センサオブジェクトは、複数のセンサからの少なくとも一部のセンサのグループであり、残差データは、センサオブジェクトのセンサごとに、センサの測定出力とセンサの予測出力の差である残差信号を含み、センサオブジェクトは、少なくとも一部のセンサを少なくとも部分的に自動的にグループ化することによって提供される、ことと、
－ １つまたは複数の処理ユニットのいずれかを介してレベル信号を監視することであって、レベル信号は、時系列残差データの集合的な時間ベースの変動を示す、ことと、
－ １つまたは複数の処理ユニットのいずれかを介して、関連信号を監視することであって、関連信号は、時系列残差データの変動および／または関連構造を示す、ことと、
－ １つまたは複数の処理ユニットのいずれかを介して特定の時間にレベル信号の値および／または関連信号の値がその時間またはその前後のそれぞれの信号の予測値から変化するときの異常イベント信号を生成すること。

すでに説明したように、自動的にグループ化することは、少なくとも１つのデータ中心のアルゴリズムを使用して実行される。データ中心のアルゴリズムは、クラスタリングアルゴリズム、例えば、ＳＯＭアルゴリズムであり得る。

一態様によれば、完全自動のグループ化が最初に実行され、次に、グループ化の一部が、ユーザ入力に従って再配置される。これは、新しいプラントのオンボーディングに役立ち得、手動による介入を減らすことができる。

一態様によれば、複数のセンサ内のセンサの第１のグループからのセンサ出力の第１のグループは、共変量信号として構成またはタグ付けされる。さらに、センサ出力の第１のグループとは異なる、センサ出力の第２のグループは、監視された信号として構成またはタグ付けされる。センサオブジェクトは、センサ出力の第２のグループからの残差を使用して実現される。出力の第１のグループ、または共変量信号は、監視された信号の少なくとも１つの動作に変化を引き起こす可能性のあるパラメータを表す信号である。したがって、共変量信号は、好ましくは監視された信号に影響を与える可能性のある影響力のある要因またはパラメータを表す。共変量信号は、周囲温度、冷却水温度、負荷、入力フロー、出力フロー、制御された測定、または止めネジの位置などのパラメータを表し得る。したがって、１つまたは複数の監視された信号は、好ましくは、少なくとも部分的に共変量信号の少なくとも１つに依存している。処理ユニットは、センサ出力間の相互依存性をチェックすることにより、監視された信号から共変量信号を自動的に決定することができる。あるいは、共変量および／または監視された信号の少なくともいくつかは、ユーザ入力に基づいて定義され得る。センサデータの統合監視の利点は引き続き維持できる。

一態様によれば、出力または共変量信号の第１のグループからのデータはまた、予測レベル信号および予測関連信号および／またはそれらのそれぞれの限界を生成するためにセンサオブジェクトモデルに入力される。したがって、レベル信号および関連信号の時間依存値は、予測レベル信号および予測関連信号の時間依存値と比較される。このように、出願人は、共変量を考慮することで予測値とその限界をより正確にすることができ、センサデータに影響を与える可能性のある要因を自動的に考慮しながら、相乗的に異常の検出を早期に改善できることを認識した。したがって、予測値は共変量信号に従って適応させることもできる。これをセンサオブジェクトレベルで実行される監視と組み合わせると、監視リソースの削減と誤陽性の削減を必要とするソリューションがさらにもたらされ得る。したがって、検出の信頼性を向上させることができる。

さらに別の態様によれば、センサの予測出力は、予測状態モデル、機械学習（「ＭＬ」）モデルによって提供される。予測状態モデルは、予想モデルであり、例えば、少なくとも部分的にセンサの履歴時系列出力データを含む訓練データを使用して訓練される、予測状態のニューラルネットワークなどのデータ駆動モデルである。

したがって、予測状態モデルは、機械学習（「ＭＬ」）モジュールとして、センサの履歴時系列出力データを含む訓練データを使用して訓練すると、訓練されたデータ駆動モデルになる予想モデルであり得るか、予想モデルを含み得る。「データ駆動モデル」とは、データ、この場合はセンサに関連する履歴データを含み得るユーザ訓練データから少なくとも部分的に導出したモデルを指す。物理化学的法則を使用して純粋に導出される厳密なモデルとは対照的に、データ駆動モデルでは、物理化学的法則ではモデル化できない関係を記述することができる。データ駆動モデルを使用すると、物理化学的法則から方程式を解くことなく、例えば、それぞれの製造プロセス内で行われるプロセスに関連する関係を記述することができる。これにより、計算能力が低下し得る、および／または速度が向上し得る。

データ駆動モデルは回帰モデルであり得る。データ駆動モデルは数学モデルであり得る。数学モデルは、提供された性能特性と決定された性能特性との間の関係を関数として記述し得る。

したがって、本文脈において、データ駆動モデル、好ましくはデータ駆動機械学習（「ＭＬ」）モデルまたは単にデータ駆動モデルは、例えばセンサの履歴時系列出力データのような、それぞれの訓練データセットに従って、プラントおよび／または１つまたは複数の機器に関連する反応速度論または物理化学的プロセスを反映するためにパラメータ化された、訓練された数学モデルを指す。訓練されていない数学モデルは、反応速度論または物理化学的プロセスを反映しないモデルを指す。例えば、訓練されていない数学モデルは、経験的観測に基づく科学的一般化を提供する物理法則から導出したものではない。したがって、速度論的または物理化学的特性は、訓練されていない数学モデルに固有のものではない可能性がある。訓練されていないモデルは、そのような特性を反映していない。それぞれの訓練データセットを使用した特徴エンジニアリングと訓練により、訓練されていない数学モデルのパラメータ化が可能になる。このような訓練の結果は、単なるデータ駆動モデル、好ましくはデータ駆動ＭＬモデルであり、訓練プロセスの結果として、好ましくは訓練プロセスの結果としてのみ、それぞれのプラントおよび／またはプラントの機器または資産の１つまたは複数に関連する反応速度論または物理化学的プロセスを反映する。

予測状態モデルはさらに、ハイブリッドモデルであり得る。ハイブリッドモデルとは、第１原理部品（いわゆるホワイトボックス）と、前に説明したデータ駆動部品（いわゆるブラックボックス）を含むモデルを指し得る。予測状態モデルは、ホワイトボックスモデルとブラックボックスモデルおよび／またはグレーボックスモデルの組み合わせを含み得る。ホワイトボックスモデルは、例えば方程式として表される物理化学的法則に基づき得る。物理化学的法則は、第１原理から導出され得る。物理化学的法則は、化学反応速度論、質量保存の法則、運動量とエネルギー、任意の次元の粒子集団のうちの１つまたは複数を含み得る。ホワイトボックスモデルは、それぞれのプラント、その製造プロセス、またはその一部を管理する物理化学的法則に従って選択できる。ブラックボックスモデルは、センサの履歴時系列出力データなどの履歴データに基づき得る。ブラックボックスモデルは、機械学習、深層学習、ニューラルネットワーク、またはその他の形式の人工知能のうちの１つまたは複数を使用して構築できる。ブラックボックスモデルは、訓練データセットとテストデータの間に適切な適合をもたらす任意のモデルであり得る。グレーボックスモデルは、部分的な理論構造とデータを組み合わせてモデルを完成させるモデルである。

訓練されたモデルは、シリアルまたは並列アーキテクチャを含み得る。シリアルアーキテクチャでは、ホワイトボックスモデルの出力をブラックボックスモデルの入力として使用するか、ブラックボックスモデルの出力をホワイトボックスモデルの入力として使用できる。並列アーキテクチャでは、出力の重ね合わせなどによって、ホワイトボックスモデルとブラックボックスモデルの組み合わせ出力を決定できる。非限定的な例として、第１のサブモデルは、分析ホワイトボックスモデルと、それぞれの履歴データで訓練されたブラックボックスコレクターとして機能するデータ駆動モデルを備えたハイブリッドモデルに基づいて、性能パラメータの少なくとも１つおよび／または制御設定の少なくともいくつかを予想し得る。この第１のサブモデルは、ホワイトボックスモデルの出力がブラックボックスモデルに入力されるシリアルアーキテクチャを有し得るか、第１のサブモデルが並列アーキテクチャを有し得る。ホワイトボックスモデルの予想出力は、履歴データの一部を含むテストデータセットと比較できる。計算されたホワイトボックス出力とテストデータの間の誤差は、データ駆動モデルによって学習され、任意の予想に適用できる。第２のサブモデルは並列アーキテクチャを有し得る。他の例も可能である。

本明細書で使用される場合、「機械学習」または「ＭＬ」という用語は、明示的にプログラミングすることなく、機械がデータからタスクを「学習」できるようにする統計的方法を指し得る。機械学習技術には、「従来の機械学習」が含まれ得る。これは、機能を手動で選択してからモデルを訓練するワークフローである。従来の機械学習技術の例は、決定木、サポートベクターマシン、アンサンブル法を含み得る。いくつかの例では、データ駆動モデルは、データ駆動深層学習モデルを含み得る。深層学習は、人間の脳の神経経路に大まかにモデル化された機械学習のサブセットである。深層とは、入力層と出力層の間の複数の層を指す。深層学習では、アルゴリズムはどの機能が有用であるかを自動的に学習する。深層学習技術の例には、畳み込みニューラルネットワーク（「ＣＮＮ」）、長短期記憶（「ＬＳＴＭ」）などのリカレントニューラルネットワーク、および深層Ｑネットワークが含まれ得る。

あるいは、またはさらに、上記と同様に、センサオブジェクトモデルは、センサオブジェクト機械学習（「ＭＬ」）モジュールとして、履歴時系列データを含む訓練された訓練データが訓練されたセンサオブジェクトデータ駆動モデルになる予想モデルであり得るか、予想モデルを含み得る。

したがって、センサの予測出力は、出力の第１のグループまたは共変量信号の少なくとも１つからのデータを予測状態モデルに入力することによって生成される。各センサまたはタグには、その特定のセンサからの履歴データを使用して訓練されたそれぞれの予測状態モデルが提供され得ることが理解されよう。予測状態モデルに入力される共変量信号は、プラントのすべての共変量信号であり得るか、プラント共変量信号のサブセットであり得る。プラントは、異なる機器間の予測される相互依存性と予測しない相互依存性を備えた閉鎖システムと見なすことができる。例えば、稼働中の炉の外部温度により、局所の周囲温度がプラントの他の部分よりも高くなり得る。したがって、これにより、炉に近いパイプの温度が上昇する可能性があり、これにより、炉に近いパイプのセクションを流れる液体の密度が変化する。このような相互依存性は、プラントの動作パラメータに様々な形で現れ得る。厳密な意味で、相互依存性の全体像を把握するために、すべての共変量入力が、予測状態モデルおよび／またはセンサオブジェクトモデルに必要となり得る。しかし、処理力の要件などにより、実用的でない場合がある。したがって、好ましくは、予測状態モデルおよび／またはセンサオブジェクトモデルへの共変量入力信号は、プラントのすべての共変量信号のサブセットである。後者は、予測状態モデルによって使用されている処理力を節約できる。したがって、予測状態モデルおよび／またはセンサオブジェクトモデルもより高速にすることができる。予測状態モデルおよび／またはセンサオブジェクトモデルの精度を維持するために、処理ユニットは、それぞれのモデルに対して優勢である共変量を決定することができる。支配的な共変量は、好ましくはすべての共変量のサブセットであり、それぞれのモデルの各共変量信号の予想力を分析することにより、処理ユニットを介して決定することができる。したがって、共変量の変動がモデルの出力に影響を与えない場合、共変量はモデルへの入力として防止される。処理ユニットは、履歴時系列データを使用して、監視される各信号に対するプラントの各共変量信号の予想力を分析することができる。したがって、処理ユニットは、モデル出力に観測可能な影響を与える選択された共変量入力のサブセットを使用して、予測状態モデルおよび／またはセンサオブジェクトモデルを決定できる。

共変量は、同時またはほぼ同時に発生したそれぞれのセンサデータを考慮するだけでなく、追加のタイムラグを使用して分析することによっても分析できる。タイムラグは、共変量での発生と、特定のセンサの出力としてのその発生の影響の検出との間の１つまたは複数の期間であり得る。これにより、遅延または時定数に関連する相互依存関係を捉えることができる。一例として、時間ｔで炉への燃料投入量が増加した場合、炉によって加熱された液体の温度上昇は時間ｔ＋ｔ_ｄでのみ検出され得る。ここで、ｔ_ｄはシステムのタイムラグを表す。出願人は、これにより、最も重要な共変量信号が誤って無視され、そのような共変量の影響がラグで分析されなかったとしても、最も重要な共変量信号を決定できることを認識した。

一態様によれば、処理ユニットは、どのモデルタイプが予測出力と実際の出力との間で最小の誤差を提供するかを分析することによって、予測状態モデルのタイプを選択する。例えば、誤差は、予測出力と実際の出力の間で、絶対誤差値、平均二乗誤差値、加重平均二乗誤差値、またはさらにそれらの組み合わせのうちのいずれか１つまたは複数を計算することによって測定できる。これらの値の１つまたは複数を計算するために、例えば、履歴時系列データの特定の部分を使用して、予測状態モデルを訓練でき、誤差は、時系列データの別の部分からの共変量信号データに訓練された予測状態モデルを適用することによって計算できる。この共変量信号データに応答する訓練されたモデルの出力を、履歴データの実際の出力と比較して、誤差を計算することができる。処理ユニットは、それぞれ異なる予測方法に基づいて複数のモデルタイプを評価し、次に、最小の誤差を提供するモデルを選択することができる。場合によっては、特定の精度性能スコアを有するモデルが選択され得る。例えば、スコアは、最低の「（平均絶対誤差）＊（処理リソース）」などの性能指数（「ＦＯＭ」）であり得る。ＦＯＭは、他のタイプの誤差または他のメトリックからも生成され得る。処理リソースは、モデルで予測機能を実行するために処理ユニットによって使用される処理時間、エネルギー、またはそれらの組み合わせを示し得る。

加重平均二乗誤差は、例えば、訓練データの１つまたは複数の異なるセクションに異なる重みを割り当てることによって計算できる。これには、センサの動作をより正確に反映する時系列履歴データの１つまたは複数のセクション周りにモデルの動作を集中させることで、モデルの精度を向上させることができるという利点がある。

モデルタイプの決定は、通常、最初のステップとして実行できる。説明したように、誤差および／またはＦＯＭ分析は、履歴センサデータに基づいて実行できる。評価中の１つまたは複数の予測状態モデルは、履歴時系列データで時間窓を指定することによって訓練できる。次に、訓練された予測状態モデルは、例えば、センサの残りの履歴時系列データを使用することによって、誤差および／または性能について処理ユニットによって比較され得る。このために、処理ユニットは、モデルへの入力として使用される共変量信号を決定することもできる。説明したように、これらはプラントのすべての共変量またはそのサブセットのいずれかであり得る。サブセットは、ユーザによって少なくとも部分的に指定され得るか、または前に説明したように、処理ユニットは、モデル出力上の各共変量の予想力に基づいて、支配的な共変量を少なくとも部分的に選択することができる。次に、処理ユニットは、センサからの現在の時系列データを使用してセンサの予測出力を生成するために最適な予測状態モデルを選択できる。

前に示したように、センサの予測状態モデルについて上記で説明したのと同様のアプローチを、センサオブジェクトモデルにも使用できる。

好ましくは、センサ予測状態モデルを訓練するための訓練データは、通常の動作条件に関連するセンサデータを含む。この場合、望ましくない動作条件に基づく訓練を防止または削減できる。そうすることで、センサデータの望ましくない偏差をより適切に捉えることができる。同様に、センサオブジェクトモデルも、通常の動作条件に関連する残差データを使用して訓練することが好ましい。したがって、これは、提案されたセンサオブジェクトと一緒に使用すると相乗効果をもたらし得る。つまり、異常によって引き起こされるセンサデータの不要な変化の可視性を向上させながら、監視するパラメータの数を凝縮することにより、レベル信号と関連信号の監視を行う。予測状態モデルの場合も、これにより、異常なセンサ出力の可視性を向上させることができる。

さらに別の態様によれば、複数のセンサは、複数のプラントエリアに属するセンサなどのカテゴリに細分化される。各プラントエリアに属するセンサ、またはプラントエリアセンサは、複数のプロセスグループに属するセンサに細分化することができる。各プロセスグループに属するセンサ、またはプロセスグループセンサは、複数のセンサオブジェクトに属するセンサに細分化することができる。上記の文脈において、各センサオブジェクトは、そのセンサオブジェクトに属するセンサからの時系列出力データをグループ化することによって実現されることが理解されよう。複数をプラントエリアに構造化することの利点は、ユーザインターフェース（「ＵＩ」）において、ユーザが関心を有するプラントの部分へのより容易なナビゲーションを可能にすることであり得る。各プロセスグループを構成するために、それに属するセンサまたはタグは、共変量として、または監視されるタグとして構成される。共変量タグと監視されるタグの違いは、同じプロセスグループ内で相互に排他的であるが、プロセスグループ内の監視されるタグは別のプロセスグループ内の共変量である場合もある。理解されるように、センサオブジェクトへの細分化は、同時に監視されるべきセンサデータに基づいて行われる。したがって、レベル信号と関連信号は、前に説明したように、各センサオブジェクトに対して監視される指標である。一例として、プラントが火力発電所である場合、火力発電所内の複数のセンサは、貯水池、発電ユニット、スイッチヤードなどのプラントエリアに応じて細分化またはタグ付けすることができる。発電ユニットエリアは、ボイラー、給水ループ、タービン、復水器、発電機などのプロセスグループに細分化できる。監視オブジェクトまたはセンサオブジェクトは、同じプロセスグループに属するセンサから作成することも、異なるプロセスグループに属するセンサから作成することもできる。プラントのこのような細分化は、予測状態モデルおよび／またはセンサオブジェクトモデルを使用した予想に関連する共変量の数を減らすのにも役立ち得る。したがって、特定の観測されたセンサまたはセンサオブジェクトに対してプラントで利用可能なすべての共変量信号を使用するのではなく、観測されたセンサまたはセンサオブジェクトの近くにある共変量のみを考慮することができる。本質的にすべての観測されたセンサまたはセンサオブジェクト、例えば周囲温度に関連するいくつかの共変量信号がまだ存在し得るが、プラントの特定の領域内でより局所的な影響を与える他の共変量は、他の領域では無視され得る。したがって、提案された細分化は、予測状態モデルおよび／またはセンサオブジェクトモデルの生成をさらに単純化することができる。

個々の各センサの残差信号を生成するために、提案された教示は、センサの２つの異なる状態、すなわち、任意の特定の時間ｔにおけるその個々のセンサの観測または測定出力値を表す実際の状態、および時間ｔにおけるそのセンサの予測値を表す予測状態を提供する。予測状態は、通常のプラント動作モードまたは動作から定義されることが好ましい。センサの実際の状態がセンサの予測状態と比較され、そのセンサの残差信号が生成される。したがって、残差信号は、センサの予測状態からの実際の状態または観測された状態の偏差を表す。

前にも説明したように、レベル信号値が予測レベル信号値または特定のレベル信号限界を超えて変化すると、レベルイベント信号が生成される。同様に、関連信号値が予測関連信号値または特定の関連信号限界を超えて変化すると、関連イベント信号が生成される。どちらの信号でも、限界値は絶対値にすることも、それぞれの信号値に相対的な値にすることもできる。同じことが残差信号の閾値にも当てはまり得る。前に説明したように、閾値と限界は用途ごとに定義できる。別の態様によれば、残差信号の一方または両方の閾値は、管理チャートを使用して処理ユニットによって決定される。さらに別の態様によれば、レベル信号および関連信号の一方または両方の一方または両方の限界は、それぞれの管理チャートを使用して処理ユニットによって決定される。管理チャートは、それぞれの残差データまたはスコアデータを使用して生成されることが理解される。一態様によれば、限界は、例えば、それぞれのスコアの予測値の分位値として定義される。非限定的な例として、上限管理は、９９．５％分位またはそのあたりであり得る。さらなる非限定的な例として、下限管理は、０．５％分位またはそのあたりであり得る。

一態様によれば、予測状態モデルおよび／またはセンサオブジェクトモデルは、１つまたは複数の所定の時間間隔の間で再訓練される。そうすることにより、経年変化および／または較正のドリフトなどの自然要因によって引き起こされる可能性のあるセンサの応答の変化を考慮に入れて、予測状態の決定を正しく再較正できる。モデルの再訓練はまた、モデルの性能がモデルの最小性能閾値を下回ることに応じて自動的にトリガされ得る。あるいは、またはさらに、センサオブジェクトモデルの再訓練は、プロセスパラメータの変更に応じて自動的にトリガされ得る。例えば、生産量の増減など、プラント出力を変更するためのユーザ入力などである。したがって、再訓練により、機器および／またはプラントの動作の変化を捉えることができる。

一態様によれば、レベル信号値は、距離推定器、例えば、センサオブジェクトの残差データに関するＴ２－Ｈｏｔｅｌｌｉｎｇ統計を使用して生成される。Ｔ２－Ｈｏｔｅｌｌｉｎｇは、ｔ統計量の一般化であり、変数のグループの多変量平均からの偏差を示す。一般に、Ｔ２－Ｈｏｔｅｌｌｉｎｇ統計の値が高いほど、平均からの観測値が遠くなる。レベル信号の計算に使用すると、残差データが通常の状態、予測状態、または平均的な状態からいつ、どの程度逸脱するかを示すことができる。レベル信号を計算するために、任意の適切な距離推定器を使用することができる。さらなる態様によれば、関連信号値は、多変量依存性の測定値、例えば、センサオブジェクトの残差データに関する一般化分散（「ＧＶ」）統計を使用して生成される。ＧＶは、観測値のサンプルの分散共分散マトリックスの行列式として計算でき、分散の多変量一般化である。したがって、センサオブジェクト内の時系列残差データの分散を特定の時間に測定するために使用できる。各信号値は、それぞれが特定の長さである、それぞれの時間窓からの時系列残差データに対して計算される。時間窓は、例えば、訓練データの品質に基づいて選択できる。

一態様によれば、履歴レベル信号および／または関連信号は、処理ユニットに機能的に接続されたデータベース上に時系列データとして記録される。

一態様によれば、時系列データ（例えば、センサ時系列データおよび／または残差データおよび／またはレベル信号データおよび／または関連信号データ）のいずれもまた、注釈データを含む。注釈データは、ユーザ入力を介して提供することができるが、場合によっては、処理ユニットによって少なくとも部分的に自動的にさらに提供され得る。注釈データは、タイプおよび／またはレベルで提供され得る。注釈タイプは、時系列データの特定のセクションが関連するものなど、データの特徴を分類できる。例えば、保守アクティビティ、故障、データの問題などである。レベルタイプは、注釈がプラントのどのレベルに関連するかを指定できる。例えば、プラントレベルは、すべてのセンサオブジェクトとそのセンサに関連する注釈を参照するために使用でき、エリアレベルは、特定のプラントエリアに属するすべてのセンサオブジェクトとそのセンサに関連する注釈を参照し得、同様にプロセスグループレベル、センサオブジェクトレベル、さらにはセンサレベルの注釈を指定できる。一態様によれば、処理ユニットは、１つまたは複数の注釈を使用して、予測状態モデルおよび／またはセンサオブジェクトモデルを訓練するための履歴データの適切な部分を自動的に選択する。例えば、処理ユニットは、時系列内に特定のタイプの注釈を含む履歴時間窓を回避し得る。そうすることで、モデルと一貫性のないデータの訓練を回避できる。したがって、モデルの精度は、通常のプラントまたは機器の動作に関する適切な情報を提供する訓練データを選択することによって改善できる。一態様によれば、処理ユニットは、自動的に注釈を配置して、スコアおよび／または残差のそれぞれの所望の限界および／または閾値に従って、履歴時間窓を定義する。したがって、これを使用して、観測された信号が予測信号をどれほどしっかり追跡する必要があるかに影響を与えることができる。ユーザが指定した注釈は、ユーザインターフェース（「ＵＩ」）で受信でき、例えば、分析データベースに記憶できる。注釈には、注釈の開始と終了を指定するためのタイムスタンプを含めることもできる。注釈を使用して、時系列データの目的のセクションを取得することもできる。

一部のプラントでは、パイプの汚れなどのクリーピングプロセスにより、センサデータの傾向が遅くなったりドリフトしたりし得る。このような傾向により、時間の経過とともにセンサデータ値がゆっくりと上昇または低下し得る。傾向には小さな傾きまたは変化率があり、その結果、そのようなクリーピングプロセスによって引き起こされるセンサ出力の特定の検出可能な変化が現れるまでに、例えば１週間、数週間、さらには数ヶ月かかる場合がある。予測状態モデルおよび／またはセンサオブジェクトモデルの再訓練は、レベルおよび／または関連信号、ならびに残差を監視することによって、そのような遅い傾向を検出できなくなり得る。これを防ぐために、処理ユニットは傾向検出を実行することができる。出願人は、センサの履歴データの強度、滑らかさ、および最新性の計算が、時系列データのドリフトを検出するのに特に役立ち得ることを発見した。

したがって、この方法はまた、以下を含むことができる。
－ １つまたは複数の処理ユニットのいずれかを介して、センサの出力信号のドリフトを検出することであって、センサは少なくとも一部のセンサの中にあり、ドリフトはセンサの履歴時系列データから計算され、センサの履歴データは少なくとも１週間の期間のものであり、ドリフトは、センサの履歴データの強度、滑らかさ、および最新性を計算することによって検出される、こと。

当業者は、この文脈における強度が信号傾向の強度を指すことを理解しなければならない。したがって、強度は、傾向の傾きの測定値を介して表すことができる。強度は、例えば、センサの履歴データに対するＭａｎｎ－Ｋｅｎｄａｌｌテストを使用して測定できるドリフトの強度と認識可能性を表す。このようなテストの結果、傾向を検出できるかどうか、およびそれが正または負の傾向であるかどうかを示すことができる値スコアが得られる。したがって、強度の測定値は、傾向またはドリフトが弱いか強いかを示すことができる。

滑らかさは、ドリフトがかなり滑らかであるかどうか、または履歴データのより急激なレベルシフトが原因であるかどうかを示す。したがって、滑らかさは、スパイク、レベルシフトなどのデータに突然の特徴がない程度の標準化された測定値を表す。このような機能の存在は、傾向の不確実性を増し得る。例えば、傾向の強さは人為的に膨張または収縮し得る。したがって、本教示は、センサ出力の実際のドリフトに近い、センサの出力信号のドリフトを検出または計算するために、強度および最新性の文脈で滑らかさの値を使用することを提案する。

数週間や数ヶ月など、長期間にわたってアクティブであった傾向もあり、したがって、数週間または数ヶ月の時間窓を考慮すれば認識できるが、それ以降、最近は冷却されているか、アクティブではなくなっている可能性がある。このような特性は、最新性または現実性テストを使用して検出できる。傾向の最新性、普及率、または同時性とは、観測中に特定された実際の傾向が、センサ出力データの長期的な変化傾向の一部であるかどうかの測定値を指す。したがって、もはやアクティブではないドリフトは無視できる。

したがって、上記の基準は、異常または潜在的な異常に関係する可能性のある実際のドリフトを相乗的に検出することを可能にする。したがって、これにより、異常を表さない、または表さない可能性が高いセンサ出力のそのような変動を無視しながら、そのような実際のドリフトを維持することができる。したがって、予測状態モデルの再訓練にもかかわらず、異常としてまだ現れていない、より動きの遅い効果について、より信頼性の高い可視性を維持できる。

一態様によれば、ドリフトを計算するための期間は、１ヶ月または約１ヶ月の長さの期間である。追加的または代替的に、別の態様によれば、期間は３ヶ月または約３ヶ月の長さである。追加的または代替的に、さらに別の態様によれば、期間は６ヶ月または約６ヶ月の長さである。好ましくは、履歴データは、本質的に傾向検出が実行されている時間までの時系列データの期間の長い部分である。

本教示は、例えば、少なくとも部分的にブラックボックス監視方法に関連しており、上で概説したように、プラントの監視システムを提供するために使用することもできる。したがって、複数のセンサを含むプラントのための監視および／または制御システムを提供することもでき、システムは、本明細書に開示される方法ステップのいずれかを実行するように構成された１つまたは複数の処理ユニットを含む。

例えば、複数のセンサを含むプラントのための監視および／または制御システムを提供することができ、システムは、１つまたは複数の機能的に接続された処理ユニットを含み、システムは、
－ １つまたは複数の処理ユニットのいずれかを介して、センサオブジェクトの時系列残差データを生成することであって、センサオブジェクトは、複数のセンサからの少なくとも一部のセンサのグループであり、残差データは、センサオブジェクトのセンサごとに、センサの測定出力とセンサの予測出力の差である残差信号を含む、ことと、
－ １つまたは複数の処理ユニットのいずれかを介して、レベル信号を監視することであって、レベル信号は、時系列残差データの集合的な時間ベースの変動を示す、ことと、
－ １つまたは複数の処理ユニットのいずれかを介して、関連信号を監視することであって、関連信号は、時系列残差データの変動および／または関連構造を示す、ことと、
－ １つまたは複数の処理ユニットのいずれかを介して特定の時間にレベル信号の値および／または関連信号の値がその時間またはその前後のそれぞれの信号の予測値から変化するときの異常イベント信号を生成することと、を行うように構成される。

同様に、別の観点から見た場合、複数のセンサを含むプラントの監視および／または制御システムを提供することもでき、システムは、１つまたは複数の機能的に接続された処理ユニットを含み、システムは、
－ １つまたは複数の処理ユニットのいずれかで、センサオブジェクトの時系列残差データを提供することであって、センサオブジェクトは、複数のセンサからの少なくとも一部のセンサのグループであり、残差データは、センサオブジェクトのセンサごとに、センサの測定出力とセンサの予測出力の差である残差信号を含む、ことと、
－ １つまたは複数の処理ユニットのいずれかを介して、レベル信号を監視することであって、レベル信号は、時系列残差データの集合的な時間ベースの変動を示す、ことと、
－ １つまたは複数の処理ユニットのいずれかを介して、レベルイベント信号を生成することであって、レベルイベント信号は、特定の時間にレベル信号の値がその時間またはその前後のレベル信号の予測値から変化したときに生成され、レベルイベント信号は、プラント内の少なくとも１つの機器の異常を示す、ことと、を行うように構成される。

また同様に、さらに別の観点から見た場合、複数のセンサを含むプラントの監視および／または制御システムを提供することもでき、システムは、１つまたは複数の機能的に接続された処理ユニットを含み、システムは、
－ １つまたは複数の処理ユニットのいずれかで、センサオブジェクトの時系列残差データを提供することであって、センサオブジェクトは、複数のセンサからの少なくとも一部のセンサのグループであり、残差データは、センサオブジェクトのセンサごとに、センサの測定出力とセンサの予測出力の差である残差信号を含む、ことと、
－ １つまたは複数の処理ユニットのいずれかを介して、関連信号を監視することであって、関連信号は、時系列残差データの変動および／または関連構造を示す、ことと、
－ １つまたは複数の処理ユニットのいずれかを介して、関連イベント信号を生成することであって、関連イベント信号は、特定の時間に、レベル信号の値がその時間またはその前後の関連信号の予測値から変化するときに生成され、関連イベント信号は、プラント内の少なくとも１つの機器の異常を示す、ことと、を行うように構成される。

この方法またはシステムは、提案された自動データ駆動技術を介して、センサデータの異常な動作および異常なパターンを検出するために使用することができる。教示は、例えば、初期段階でオペレータの注意を将来アクションが必要になる可能性のあるプラントのエリアに導くことによって、大規模なセンサデータセットのより効率的な追跡を可能にすることによって、プラントオペレータに利益をもたらすことができる。前に概説したように、この教示は、プラントに関連する今後の保守要件の予想を提供するためにも使用できる。一態様によれば、この教示はまた、プラント保守の予測およびその制御のための自動化されたシステムを実現するために使用することができる。

ユーザインターフェースは、ユーザが監視システムと対話できるようにする任意の適切なヒューマンマシンインターフェース（「ＨＭＩ」）にすることができる。ヒューマンマシンインターフェース（「ＨＭＩ」）は、以下のいずれか１つまたは複数を含み得、監視パネル、ビデオディスプレイユニット（例えば、ＬＣＤ（液晶ディスプレイ）、ＣＲＴ（Ｃａｔｈｏｄｅ Ｒａｙ Ｔｕｂｅ）ディスプレイ、タッチスクリーン）、英数字入力デバイス（例えば、キーボード）、カーソル制御デバイス（例えば、マウス）、および／または信号生成デバイス（例えば、スピーカ）である。したがって、ＨＭＩは、例えば、パネル、スクリーンなどの視覚的インターフェースであり得、および／またはそれは、スピーカなどのオーディオインターフェースであり得る。したがって、出力は、ユーザに表示することも、および／またはスピーカを介してアナウンスすることもできる。

処理ユニットは、コンピュータ、またはさらにマイクロプロセッサ、マイクロコントローラ、中央処理ユニット（「ＣＰＵ」）などのような汎用処理デバイスであり得る。より具体的には、処理ユニットは、ＣＩＳＣ（複合命令セットコンピューティング）マイクロプロセッサ、ＲＩＳＣ（縮小命令セットコンピューティング）マイクロプロセッサ、ＶＬＩＷ（非常に長い命令ワード）マイクロプロセッサ、または他の命令セットを実装するプロセッサ、または命令セットの組み合わせを実装するプロセッサであり得る。処理ユニットまたは処理手段はまた、ＡＳＩＣ（特定用途向け集積回路）、ＦＰＧＡ（フィールドプログラマブルゲートアレイ）、ＣＰＬＤ（複合プログラマブルロジックデバイス）、ＤＳＰ（デジタル信号プロセッサ）、ネットワークプロセッサなどの１つまたは複数の専用処理デバイスであり得る。本明細書に記載の方法、システム、およびデバイスは、ＤＳＰ、マイクロコントローラ、または他の任意のサイドプロセッサのソフトウェアとして、またはＡＳＩＣ、ＣＰＬＤ、またはＦＰＧＡ内のハードウェア回路として実装することができる。また先に概説したように、「処理ユニット」またはプロセッサという用語は、複数のコンピュータシステム（例えば、クラウドコンピューティング）にまたがって配置された処理デバイスの分散システムなどの１つまたは複数の処理デバイスも指し得、特に指定がない限り、単一のデバイスに限定されないことを理解されたい。さらに、任意の１つまたは複数の処理ユニットは、他の処理ユニットとは異なる物理的な場所に配置することができる。

別の観点から見ると、命令を含むコンピュータプログラムを提供することもでき、命令が、複数のセンサに機能的に接続されたプラント監視および／または制御システムの任意の１つまたは複数の適切な処理ユニットによって実行されたときに、システムに本明細書に開示された方法ステップを実行させる。

例えば、プログラムが、複数のセンサに機能的に接続されたプラント監視および／または制御システムの１つまたは複数の機能的に接続された処理ユニットによって実行されるときに、システムに以下を行わせる命令を含むコンピュータプログラムを提供することができる。

－ １つまたは複数の処理ユニットのいずれかを介して、センサオブジェクトの時系列残差データを生成することであって、センサオブジェクトは、複数のセンサからの少なくとも一部のセンサのグループであり、残差データは、センサオブジェクトのセンサごとに、センサの測定出力とセンサの予測出力の差である残差信号を含む、ことと、
－ １つまたは複数の処理ユニットのいずれかを介して、レベル信号を監視することであって、レベル信号は、時系列残差データの集合的な時間ベースの変動を示す、ことと、
－ １つまたは複数の処理ユニットのいずれかを介して、関連信号を監視することであって、関連信号は、時系列残差データの変動および／または関連構造を示す、ことと、
－ １つまたは複数の処理ユニットのいずれかを介して特定の時間にレベル信号の値および／または関連信号の値がその時間またはその前後のそれぞれの信号の予測値から変化するときの異常イベント信号を生成する、こと。

同様に、さらに別の観点から見た場合、複数のセンサに機能的に接続されたプラント監視および／または制御システムの１つまたは複数の機能的に接続された処理ユニットによってプログラムが実行されるときに、システムに以下を行わせる命令を含むコンピュータプログラムを提供することもできる。

－ １つまたは複数の処理ユニットのいずれかで、センサオブジェクトの時系列残差データを提供することであって、センサオブジェクトは、複数のセンサからの少なくとも一部のセンサのグループであり、残差データは、センサオブジェクトのセンサごとに、センサの測定出力とセンサの予測出力の差である残差信号を含む、ことと、
－ １つまたは複数の処理ユニットのいずれかを介して、レベル信号を監視することであって、レベル信号は、時系列残差データの集合的な時間ベースの変動を示す、ことと、
－ １つまたは複数の処理ユニットのいずれかを介して、レベルイベント信号を生成することであって、レベルイベント信号は、特定の時間にレベル信号の値がその時間またはその前後のレベル信号の予測値から変化したときに生成され、レベルイベント信号は、プラント内の少なくとも１つの機器の異常を示す、こと。

また同様に、さらに別の観点から見た場合、複数のセンサに機能的に接続されたプラント監視および／または制御システムの１つまたは複数の機能的に接続された処理ユニットによってプログラムが実行されるときに、システムに以下を行わせる命令を含むコンピュータプログラムを提供することもできる。

－ １つまたは複数の処理ユニットのいずれかで、センサオブジェクトの時系列残差データを提供することであって、センサオブジェクトは、複数のセンサからの少なくとも一部のセンサのグループであり、残差データは、センサオブジェクトのセンサごとに、センサの測定出力とセンサの予測出力の差である残差信号を含む、ことと、
－ １つまたは複数の処理ユニットのいずれかを介して、関連信号を監視することであって、関連信号は、時系列残差データの変動および／または関連構造を示す、ことと、
－ １つまたは複数の処理ユニットのいずれかを介して、関連イベント信号を生成することであって、関連イベント信号は、特定の時間に、レベル信号の値がその時間またはその前後の関連信号の予測値から変化するときに生成され、関連イベント信号は、プラント内の少なくとも１つの機器の異常を示す、こと。

さらに別の観点から見た場合、本明細書に開示されるコンピュータプログラムをそこに記憶したコンピュータ可読データキャリアを提供することもできる。したがって、プラント監視および／または制御システムの適切な処理ユニットに本明細書に開示される任意の方法ステップを実行させるプログラムを記憶する非一時的なコンピュータ可読媒体を提供することもできる。

コンピュータ可読データキャリアは、本明細書に記載の方法論または機能のいずれか１つまたは複数を具体化する１つまたは複数の命令セット（例えば、ソフトウェア）が記憶される任意の適切なデータ記憶デバイスを含む。命令はまた、完全にまたは少なくとも部分的に、メインメモリ内および／またはコンピュータシステム、メインメモリ、およびコンピュータ可読記憶可読媒体を構成し得る処理ユニットまたはデバイスによるその実行中のプロセッサ内に存在し得る。命令はさらに、ネットワークインターフェースデバイスを介してネットワークを介して送信または受信され得る。

本明細書に記載の実施形態の１つまたは複数を実装するためのコンピュータプログラムは、他のハードウェアと一緒にまたはその一部として供給される光学記憶媒体または固体媒体などの適切な媒体上に記憶および／または分散することができるが、インターネットやその他の有線または無線の通信システムなど、他の形式で分散することもできる。しかし、コンピュータプログラムは、ワールドワイドウェブのようなネットワークを介して提示することもでき、そのようなネットワークからデータプロセッサの作業メモリにダウンロードすることができる。

別の観点から見ると、コンピュータプログラム要素をダウンロード可能にするためのデータキャリアまたはデータ記憶媒体も提供することができ、そのコンピュータプログラム要素は、前述の実施形態の１つによる方法を実行するように配置される。

「含む」という言葉は他の要素やステップを除外するものではなく、不定冠詞「ａ」または「ａｎ」は複数を除外するものではない。単一のプロセッサまたはコントローラまたは他のユニットは、特許請求の範囲に記載されたいくつかの項目の機能を果たすことができる。特定の措置が相互に異なる従属請求項に記載されているという単なる事実は、これらの措置の組み合わせを有利に使用できないことを示すものではない。「機能的に接続された」という用語は、「動作可能に接続された」または直接的または間接的な方法で接続されていると読むこともできる。請求項内の参照記号は、範囲を限界するものとして解釈されるべきではない。

以下、添付の図面を参照して実施例を説明する。

本教示の特定の態様を適用することができる例示的な産業プラントを示している。 本教示に従って生成された信号のいくつかを含むブロック図を示している。 本教示による一般分散統計信号のプロットを示している。 管理限界に対する注釈の効果を示している。 傾向検出の特定の例を示している。

詳細な説明
図１は、本教示の少なくとも特定の態様をどのように適用できるかを説明する目的で、プラント１０１の例１００を示している。レイアウト１００には、産業プラント１０１が示されている。プラントは、複数の機器とセンサを含む。プラントはまた、処理ユニット１１０を含み、これは、３つの部分１１０ａ、ｂ、およびｃに分散して示されている。

プラントの一部である機器およびセンサの第１のグループ１０２、ならびに機器およびセンサの第２のグループ１０３が示されている。プラント１０１は、１つまたは複数の工業製品１５０を製造するために使用される。製品１５０は、前に概説したように、任意の物理的製品またはサービス製品であり得る。例えば、製品１５０は、化学製品または医薬品であり得る。例１００に示されているアーキテクチャまたはプロセスは、本教示の一般性または範囲にとって重要ではない。この例では、第１のグループ１０２は、第２のグループ１０３とは異なる場所に配置されている。中間製品は、第２のグループ１０３への入力製品として、第１のグループ１０２の出力によって提供される。中間製品は、例えば、長いパイプラインであり得るパイプライン１８８などの輸送媒体を介して提供されることが示されている。これは、第１のグループ１０２の機器のほとんどが、第２のグループ１０３の機器から比較的分離され得ることを実証するために示されている。例えば、パイプライン１８８を介して転送されている中間製品のパラメータのために、第１のグループ１０２と第２のグループ１０３との間に相互依存性があり得る。しかし、２つのグループ１０２と１０３に共通する特定の要因、例えば大気圧と温度が存在し得る。このような周囲パラメータは、両側のプロセスパラメータまたはセンサ出力に影響を与える可能性がある。したがって、プロセスに関連するように、そのような周囲パラメータのいずれかは、以前は共変信号と呼ばれていたものと見なすことができる。

第１のグループ１０２および第２のグループ１０３の両方は、複数のセンサ、例えば、温度センサ１３２、１３３、１４２および１４８、圧力センサ３１１、１３５、１３６および１４５、フローセンサ１３８、１４３および１４７を含む。両方のグループの機器には、熱交換器１３０、分離チャンバ１３９、反応タンク１２０、冷却ユニット１４０、フィルタ１５１、ファン１４１、およびポンプ１３４、１４４、および１４９が含まれる。

第１のグループ１０２からのセンサは、処理手段１１０によって、またはより具体的には、第１の処理ユニット１１０ａによって監視される。第１のグループ１０２のセンサからの信号は、第１の通信手段１０５ａを介して受信されて示されている。通信手段１０５ａは、センサからの信号またはデータを送信するのに適した、有線、無線、またはそれらの組み合わせの任意の手段であり得る。例えば、第１の通信手段１０５ａは、示されるようにバスであり得る。第１の処理手段１１０ａによって受信されたデータは、第１の処理手段１１０ａによって、および／または任意の他の処理手段１１０ｂおよびｃによって処理され得る。少なくともいくつかのデータはまた、メモリまたはデータベース１１１に記憶され得る。データベース１１１は、単一の場所に配置することも、１１１ａ、ｂ、およびｃに示されるように分散させることもできる。監視に加えて、第１の処理ユニット１１０ａはまた、例えば、制御バス１０６ａを介して制御機能を実行することができる。第１の処理ユニット１１０ａの制御バス１０６ａは、バス１０５ａの文脈で前述したような任意の通信手段であり得る。場合によっては、バス１０５ａおよび制御バス１０６ａはさらに、同じバスまたは通信手段であり得る。制御機能は、例えば、ポンプ１３４の制御を含み得る。処理ユニット１１０は、ＨＭＩ１１２によってさえ提供され得る。ＨＭＩ１１２は、示されるように、分散処理ユニット１１０ａ、ｂ、およびｃのそれぞれに提供され得るか、またはそれらのいずれか１つまたは複数に提供され得る。ＨＭＩは、監視パネルまたはビデオ画面と、ユーザが処理手段１１０と対話するためのキーボードまたはマウスなどの１つまたは複数の入力デバイスとを備えることができる。ＨＭＩは、スピーカなどのオーディオデバイスも含み得る。警報などのイベントは、ＨＭＩを介して聴覚的および／または視覚的に伝達され得る。

同様に、第２のグループ１０３からのセンサは、処理手段１１０によって、またはより具体的には、第２の処理手段１１０ｂによって監視される。第２のグループ１０３のセンサからの信号は、第２の通信手段１０５ｂを介して受信されたことが示されている。第２の通信手段１０５ｂは、センサからの信号またはデータを送信するのに適した、有線、無線、またはそれらの組み合わせの任意の手段であり得る。例えば、第２の通信手段１０５ｂは、示されているようにバスになり得る。第２の処理手段１１０ｂによって受信されたデータは、第２の処理手段１１０ｂによって、および／または任意の他の処理手段１１０ａおよびｃによって処理され得る。ここでも、少なくともいくつかのデータはまた、メモリまたはデータベース１１１に記憶されてもよい。監視に加えて、第２の処理ユニット１１０ｂはまた、例えば、第２の制御バス１０６ｂを介して制御機能を実行することができる。制御機能は、例えば、ポンプ１４４および１４９、ファン１４１、およびバルブ１４６の制御を含み得る。第２の処理ユニット１１０ｂの第２の制御バス１０６ｂは、任意の通信手段であり得る。場合によっては、バス１０５ｂおよび制御バス１０６ｂはさらに、同じバスまたは通信手段であり得る。

第１の処理ユニット１１０ａおよび第２の処理ユニット１１０ｂは、データリンク１９０を介して機能的に接続され、データリンク１９０は、任意の適切な通信媒体、有線、無線、またはそれらの組み合わせであり得る。したがって、処理ユニットは、センサデータ、ステータスデータ、およびイベント信号などの任意のデータまたは信号を含み得るデータを交換することができる。データリンクは、あるデータベースまたはメモリから別のデータベースまたはメモリにデータを転送するために使用することもできる。

場合によっては、別個の処理ユニット、例えば、第３の処理ユニット１１０ｃが提供され得る。第３の処理ユニット１１０ｃは、より高い階層にあり得、プラントレベルの監視および／または制御システムであり得る。第３の処理ユニット１１０ｃは、プラントと同じ場所にあるか、またはさらに少なくとも部分的にプラントとは別の場所にあるか、例えば、クラウドベースのプラットフォームであり得る。場合によっては、第３の処理ユニット１１０ｃがプラント内にあり得るが、そのデータベース１１１ｃは、クラウドストレージとして実装され得るか、またはその逆であり得る。監視処理ユニット１１０ｃは、プラント１０１とは異なる場所に配置する別のプラントに配置することさえできる。場合によっては、第３の処理ユニット１１０ｃは、第１の処理ユニット１１０ａと第２の処理ユニット１１０ｂとの間に配置されてもよく、すなわち、データリンク１９０は２つのセクションに分割され、第１は第１のユニット１１０ａと第３のユニット１１０ｃとの間であり、第２は第３のユニット１１０ｃと第２のユニット１１０ｂとの間である。処理ユニットまたはプラントの特定のアーキテクチャは、本教示の範囲または一般性に必須ではない。

別のプラントは別の国にある場合もある。そのために、第１のグループ１０２および第２のグループ１０３でさえ、異なるプラントまたは国に配置し得る。例えば、ガスパイプラインを介して接続されたサプライヤープラントとコンシューマープラントは、異なる国に配置され得る。

処理ユニット１１０ａ、ｂおよびｃのいずれか、ならびにデータベース１１１ａ、ｂ、ｃは、例えば、サードパーティによって提供されるクラウドベースのサービスとして実装され得る。場合によっては、処理ユニット１１０ａ、ｂおよびｃ、ならびに／またはデータベース１１１ａ、ｂ、ｃは、同じ場所にあるか、またはそれらがさらに同じユニットであり得る。

機器を監視するために、従来のシステムは、１つまたは複数のセンサの状態を個別に監視し得る。例えば、温度センサ１４８からの出力信号である。温度の上昇は、例えば、フィルタ１５１の閉塞によって引き起こされる流量の減少による、ポンプ１４９の過熱を示すために使用され得る。しかし、実際には、周囲温度の上昇が原因で温度が上昇した場合があり得る。したがって、このようなシステムは、異常を示す誤陽性イベントにつながり得る。

この問題を解決するために、第２の処理ユニット１１１ｂは、温度センサ１４８の測定または観測された出力値を、その時間でのその予測値と比較することができる。予測値は、温度センサ１４８の予測状態モデルによって生成され得る。予測状態予想を改善するために、モデル、例えば、ニューラルネットワークは、好ましくは所望の動作条件下で、センサ１４８の履歴時系列データを使用して訓練され得る。予想をさらに改善するために、予測状態モデルは、センサ１４８の出力に影響を与える共変量信号で入力され得る。例えば、周囲温度は共変量信号の１つであり得る。センサ１４８の出力に影響を与える第２のグループ１０３からの他の信号またはパラメータがあり得る。そのような共変量は、予測状態モデルのモデル構築段階中に認識される。処理手段１１０は、プラント１０１全体の共変量プール全体を使用して、履歴データを使用して、共変量のどれがセンサ１４８の出力に影響を与えるか、または予想力を有するかをチェックすることができる。したがって、センサ１４８の出力に測定可能な影響を与える共変量が、モデル入力として選択される。モデルが処理ユニット１１０上に展開されると、センサ１４８の出力に対して残差信号が生成され、これは、観測されたセンサ出力値とその特定の時間における予測状態モデルの出力との間の差である。センサが正常に動作している場合、残差信号はほとんどランダムノイズになる。

異常検出をノイズの多いスパイクおよび残差信号のそのような不完全性に対してさらに耐性があるようにするために、本教示は、センサオブジェクトを作成することを提案する。センサオブジェクトとは、統合されて一緒に監視されるセンサ残差信号のグループを指す。センサ残差信号のグループは、事前に選択された複数のセンサから受信される時系列残差信号である。事前に選択された複数のセンサは、手動で、または処理ユニット１１０を介して少なくとも部分的に自動的に選択され得る。処理ユニットは、例えば、センサ応答、センサタイプ、共変量依存性、またはそれらの組み合わせの類似性に基づいて、これを決定することができる。次に、センサ残差信号または残差データのグループは、レベル信号を計算するために処理ユニット１１０によって分析される。レベル信号は、時系列残差データの集合的な時間ベースの変動を示す。次に、時間依存のレベル信号値が、その時間で予測レベル信号値と比較される。処理ユニット１１０は、レベル信号の値がその時間またはその前後で予測レベル信号値を超えて変化するとき、任意の特定の時間にレベルイベント信号を生成することができる。レベルイベント信号は、プラント内の少なくとも１つの機器の異常を示していると見なされる。この例では、レベル信号が予測レベル信号に違反すると、処理ユニット１１０は警報を発することができる。さらに、処理ユニット１１０は、レベルイベント信号が生成された時間またはその前後に、センサオブジェクト内のどのセンサがセンサ出力が予測されるセンサ出力値に違反したかをチェックすることができる。これは、異常の原因を見つけるために処理ユニット１１０によって使用される。

予測レベル信号値は、好ましくは、センサオブジェクトモデルを使用して処理ユニット１１０によって生成される。センサオブジェクトモデルは、履歴残差データを使用して訓練された予想モデルまたはニューラルネットワークである。

好ましくは、予測レベル信号は、レベル信号が存在し得る値の範囲として提供される。したがって、レベル信号の１つまたは複数の限界値を提供することができる。レベルイベント信号は、観測されたレベル信号値が予測レベル信号限界を超えたときに生成される。予測レベル信号限界は、上限予測レベル信号限界および／または下限予測レベル信号限界であり得る。

好ましくは、処理ユニットは、異常検出を残差信号のノイズの多いスパイクに対してさらに耐性があるようにするための別のスコアを計算する。すなわち、時間依存の関連信号値が生成される。したがって、センサ残差信号または残差データのグループは、関連信号を計算するために処理ユニット１１０によって分析される。関連信号は、時系列残差データの変動および／または関連構造を示す。次に、時間依存の関連信号値が、その時間で予測関連信号値と比較される。処理ユニット１１０は、関連信号の値がその時間またはその前後で予測関連信号値を超えて変化するとき、任意の特定の時間に関連イベント信号を生成することができる。関連イベント信号は、プラント内の少なくとも１つの機器の異常を示していると見なされる。再び例を参照すると、関連信号が予測関連信号に違反した場合、処理ユニット１１０は警報を発することができる。さらに、処理ユニット１１０は、レベルイベント信号が生成された時間またはその前後に、センサオブジェクト内のどのセンサがセンサ出力が予測されるセンサ出力値に違反したかをチェックすることができる。これはまた、異常の原因を見つけるために処理ユニット１１０によって使用され得る。

予測関連信号値は、好ましくは、センサオブジェクトモデルを使用して処理ユニット１１０によって生成される。

好ましくは、予測関連信号は、関連信号が存在し得る値の範囲として提供される。したがって、レベル信号の１つまたは複数の限界値を提供することができる。関連イベント信号は、観測関連信号値が予測関連信号の限界を超えたときに生成される。予測関連信号の限界は、上限予測関連信号限界および／または下限予測関連信号限界であり得る。限界は、管理限界とも呼ばれることもある。

レベル信号と関連信号のいずれか一方または両方の違反は、それぞれの予測値または限界値が異常を示していると見なすことができる。

ゆっくりと現れる可能性のある異常を捉えるために、処理ユニット１１０は、傾向検出さえ実行することができる。モデルの再訓練により、ゆっくりと移動するドリフトは、レベルと関連の監視による観測から排除され得る。値：センサの時系列データのドリフトを検出するために処理ユニットによって計算されたセンサの履歴データの強度、滑らかさ、最新性、普及率または同時性。

上記の説明において、それは特定の機能が「処理ユニット１１０」によって実行されると言及され得るが、場合によっては、１つまたは複数の処理ユニット１１０ａ、ｂ、およびｃのいずれかを介して実行されるようにさらに実装されてもよいことが理解されよう。場合によっては、追加の処理ユニットが存在し得ることも理解されよう。例えば、一部のセンサには、そのセンサの残差信号を計算するように構成された専用プロセッサがさらに提供され得る。その場合、そのようなセンサの残差信号は、入力として処理ユニット１１０に直接提供され得る。

同様に、第１のグループ１０２についても、処理ユニット１１０、例えば、場合によっては、第１の処理ユニット１１０ａは、そのオブジェクトの対応する１つまたは両方のレベルおよび関連信号を介して別のセンサオブジェクトを監視することができる。各グループは、複数のセンサオブジェクトを有し得る。

イベント信号に応答して、処理ユニットは、例えば前に概説したように、異常の原因を見つけるためにセンサデータをバックトラックすることができる。さらに、処理ユニットは、例えば、特定の混乱を防ぐために保守が実行されるべきである推定日時を提供することによって、異常の保守要件を予測することができる。混乱は、保守のために計画されたシャットダウンと比較して、生産性の損失または浪費として計算され得る。

図２は、生成および監視される信号を表すブロック図２００を示している。左側のチャートは、センサオブジェクトにグループ化された５つの異なるセンサの観測値と予測値を示している。グループ化は、例えば自己組織化マップを使用して自動的に行われることが好ましいが、手動フィードバックに基づいてさらに少なくとも部分的に行われることもある。

曲線２０１ａの第１のセットは、第１のセンサからの測定出力信号およびその予測出力に関する。同様に、曲線２０１ｂ～ｅは、それぞれ第２から第５のセンサからの測定出力信号とそれらの予測出力に関係する。各センサの測定または観測された出力をそれぞれの予測出力と比較することにより、それぞれの残差信号２０２ａ～ｅが得られる。例えば、第１の残差信号２０２ａは、第１のセンサに関係する。見て分かるように、曲線２０１ａ～ｅに示されているそれぞれのセンサ出力は他のセンサからの出力とはかなり異なっていたが、残差信号２０２ａ～ｅはより均一である。前に説明したように、センサ出力からの余分な情報は、残差信号を生成することによって取り除くことができる。

信号が時間依存であるか、時系列値で構成されていることは明らかである。残差信号２０２ａ～ｅを組み合わせることにより、多次元の残差データ２０３を含むセンサオブジェクト２０４が実現される。残差データ２０３から、時間依存レベル信号またはスコア２０５が生成されて示されている。レベル信号２０５には、レベル信号が有効に存在し得る予測値の確率空間を表す、予測レベル信号限界値２０７が提供される。予測レベル信号限界値２０７はまた、時間依存値であり得る。示されるように、時間２０９の直後に、予測レベル信号限界値２０７は、センサオブジェクトモデルによって減少される。また、２０５ｐは、前記信号がレベル信号の予測値、またはその時間の予測レベル信号限界値２０７を超えて変化したときのレベル信号２０５のピークを表すことが分かる。したがって、そのような場合、レベルイベント信号は、処理ユニット１１０によって生成されるであろう。次に、処理ユニットは、例えば、１つまたは複数のセンサ信号２０１ａ～ｅを分析することによって、異常の根本原因を追跡することができる。処理ユニットは、効果量の計算を使用して、信号の変化に最も寄与する１つまたは複数のセンサを見つけることができる。警報は、視覚的監視パネル２１０に表示され得る。例えば、パネル上の関連機器が強調表示され得る。

また、残差データ２０３から、時間依存の関連信号またはスコア２０６が生成されて示されている。関連信号２０６には、予測関連信号限界値２０８、またはより具体的には、上限関連信号限界値２０８ａおよび下限関連信号限界値２０８ｂが提供される。これらの限界間の距離は、関連信号が有効に存在し得る予測値の確率空間を表す。予測関連信号限界値２０８ａおよびｂもまた、時間依存値であり得る。２０６ｐは、前記信号が関連信号の上限予測値、またはその時間の上限予測関連信号限界値２０８ａを超えて変化したときの関連信号２０６のピーク部分を表すことが分かる。したがって、そのような場合、関連イベント信号は、処理ユニット１１０によって生成されるであろう。次に、処理ユニットは、例えば、１つまたは複数のセンサ信号２０１ａ～ｅを分析することによって、異常の原因を追跡することができる。処理ユニットは、効果量計算を使用して、信号変化に最も寄与する１つまたは複数のセンサを見つけることができる。関連スコアは、残差信号の動きの変化率を検出することもできる。同様に、警報は、視覚的監視パネル２１０に表示され得る。

場合によっては、いずれかまたは両方のスコアのイベント信号がプラントのアクティビティによって引き起こされ、その結果、残差データが予測状態から逸脱し得る。このようなアクティビティは、観測された状態の動作が変化する修復またはその他のイベントであり得る。このような場合、ユーザはイベントの原因を認識し得る。その後、ユーザは特定の分類またはタイプに従ってイベントに注釈を付けることができる。したがって、１つまたは複数の注釈をモデルにフィードバックして、モデルが将来そのようなイベントを分類するように訓練されるようにすることができる。

図３は、センサオブジェクトデータの変動および関連構造を計算するために使用することができる一般化された分散（「ＧＶ」）のプロット３００を示している。したがって、ＧＶを使用して、関連信号２０６を生成することができる。プロット３００は、Ｙ軸３１０に一般化された分散値を有し、Ｘ軸３０２に時間を有する関連信号３０６を示している。上限管理限界（「ＵＣＬ」）３０８ａおよび下限管理限界（「ＬＣＬ」）３０８ｂとも呼ばれ得る限界値３０８も示されている。これらの値３０８ａとｂとの間の距離３１０は、関連信号３０６の値が有効に存在し得る制御範囲または確率空間を表す。したがって、任意の特定の時間で制御範囲３１０内にある値は、その時間での予測値と呼ばれ得る。制御範囲３１０はまた、時間に依存し得るが、この場合、それは一定に示されている。

第１の期間３０４内で、関連信号３０６の値が予測値から変化したか、またはこの場合、その時間またはその前後で下限管理限界３０８ｂを超えて変化したことが分かる。したがって、この場合、関連イベント信号が作成または生成される。

同様に、第２の期間３０５内で、関連信号３０６の値は、予測値から再び変化した、またはこの場合、最初に下限管理限界３０８ｂを超えて、次に上限管理限界３０８ａを超えて変化した。したがって、この場合、１つまたは複数の関連イベント信号も生成される。

そのようなチャート３００はまた、経時的な信号の数値統計を監視するために使用される管理チャートと呼ばれ得る。同様の管理チャートは、レベル信号値統計に対しても生成され得る。

図４は、訓練データの焦点または関連性を改善するために注釈がどのように使用され得るかを示す２つのチャート４００を示している。チャート４００は、管理チャートとして示されている。左側の管理チャート４３０ａは、スコア信号４９０の管理限界４１０および４２０ａを示している。この場合のスコア信号は関連信号である。したがって、Ｙ軸は、例えば、ＧＶ統計などの関連信号値である。Ｘ軸３０２は時間を表す。チャートは、信号４９０の急激に高い値を示すピーク領域４５５を有する。このような高い値は、センサオブジェクト内のセンサを含む機器の特定の部分での保守アクティビティなどの異常なイベントが原因で発生した可能性がある。チャートはまた、開始時間４０１および終了時間４０２が、センサモデルを訓練するために使用することができる時間窓を構成することを示している。左側のチャート４３０ａを使用してセンサモデルを訓練した場合、管理限界は次のように決定され、すなわち、注釈のないチャート４３０ａの上限管理限界４２０ａおよび下限管理限界４１０である。そのような高い上限管理限界４２０ａは、その時間での予測値からのスコア信号の変化を検出するのに適切でない可能性があることが理解されよう。したがって、一部の異常イベントにはフラグが付けられない場合がある。

これは、注釈時間窓４４０内に注釈４６０を配置することによって対処することができる。したがって、処理ユニット１１０は、モデルを訓練するためにピーク領域４５５からのデータを無視する。注釈の効果は、注釈付きチャート４３０ｂの上限管理限界４２０ｂの観点から見ることができる。後者の上限管理限界４２０ｂは、より現実的になった。注釈はスコア信号４９０の高い値にのみ関係するので、下限管理限界４１０は影響を受けない。したがって、注釈を使用して、通常の動作領域での訓練データの重みを修正できる。

注釈と同様に、時間窓の選択、すなわち、開始時間４０１と終了時間４０２の間に囲まれた期間も、選択された窓がセンサオブジェクトの通常の動作を反映するように、処理手段によって選択される。注釈を使用して、望ましいそのような窓をマークすることもできる。したがって、管理限界は、異常をより適切に検出できるように調整できる。

前に説明したように、管理限界は統計的な分位数の限界であり得る。
図５は、処理手段がどのように傾向検出を実行することができるかを実証するための例示的なチャート５０１～５００を示している。提案されている傾向検出は、少なくとも１週間の長さの時間窓内の長期データで３つのメトリック値を計算することを含む。３つのメトリック値は、強度、滑らかさ、および最新性または現実性である。傾向検出は、センサオブジェクトでも使用される。次の例では、０から１までの値が各メトリックに割り当てられる。ここで、０は偽を示し、１は真を示す。通常、値は０から１の間であり、メトリックの確率または傾向のプロパティを示す。以下に示す値は例であり、上記で指定した限界は絶対的なものではないことを理解されたい。例えば、値のいずれかが０から１００の間にあるなど、スケーリング係数を適用できる。したがって、本明細書で言及されている値は、絶対的な意味で指定されたものと解釈されるべきではない。傾向の方向を指定するために、強度値に記号を割り当てることもできる。

第１のチャート５０１は、上昇傾向の信号を示し、第１のチャート５０１に対して計算されたメトリック値は、強度：１、滑らかさ：０．９、現実性：１である。

第２のチャート５０２は、低ノイズフロアと高ノイズフロアの間に含まれる急激に上昇する信号を示している。したがって、この傾向はほとんどなくなった。第２のチャート５０２に対して計算されたメトリック値は、強度：０．６９、滑らかさ：０．９８、現実性：０．２５である。

第３のチャート５０３は、三角波形の形態の信号を示している。第３のチャート５０３に対して計算されたメトリック値は、強度：０．１、滑らかさ：０、現実性：０．２４である。

第４のチャート５０４は、最初のノイズの多い部分とその後の上昇傾向を伴う信号を示している。第４のチャート５０４に対して計算されたメトリック値は、強度：０．７３、滑らかさ：０．９７、現実性：１である。

第５のチャート５０５は、最初の上昇傾向とその後の上部プラトーを伴う信号を示している。第４のチャート５０４に対して計算されたメトリック値は、強度：０．７７、滑らかさ：０．９７、現実性：０．２８である。

プラントを監視するための方法、プラントのための監視および／または制御システム、および本明細書に開示される関連する方法ステップのいずれかを実装するコンピュータソフトウェア製品について、様々な例が上に開示されてきた。しかしながら、当業者は、付随する特許請求の範囲およびそれらの同等物の趣旨および範囲から逸脱することなく、それらの例に変更および修正を加えることができることを理解するであろう。本明細書で論じられる方法および製品の実施形態からの態様は、自由に組み合わせることができることがさらに理解されよう。

本教示の特定の実施形態は、以下の条項に要約されている。
条項１．
複数のセンサ、および１つまたは複数の機能的に接続された処理ユニットを含むプラントを監視するための方法であって、方法は、
－ １つまたは複数の処理ユニットのいずれかで、センサオブジェクトの時系列残差データを提供することであって、センサオブジェクトは、複数のセンサからの少なくとも一部のセンサのグループであり、残差データは、センサオブジェクトのセンサごとに、センサの測定出力とセンサの予測出力の差である残差信号を含む、ことと、
－ １つまたは複数の処理ユニットのいずれかを介してレベル信号を監視することであって、レベル信号は、時系列残差データの集合的な時間ベースの変動を示す、ことと、
－ １つまたは複数の処理ユニットのいずれかを介して、関連信号を監視することであって、関連信号は、時系列残差データの変動および／または関連構造を示す、ことと、
－ １つまたは複数の処理ユニットのいずれかを介して特定の時間にレベル信号の値および／または関連信号の値がその時間またはその前後のそれぞれの信号の予測値から変化するときの異常イベント信号を生成することと、を含む。

条項２．
それぞれの予測値のいずれかは、対応する信号が異常イベントを生成することなく有効に有することができる、範囲および／または離散値として、特定の時間に複数の予測値を指定する対応する予測値限界として提供される、第１項に記載の方法。

条項３．
予測値または予測限界値のいずれかが時間依存値である、条項１に記載の方法。

条項４．
方法はまた、
－ 異常イベント信号に応答して、異常イベントの発生時またはその前後で、センサオブジェクト内のどのセンサのセンサの測定出力がセンサの予測出力から変化したかをチェックすることと、センサオブジェクト内の各センサの時系列残差信号を分析して、レベル信号値に対する１つまたは複数の主要なドライバまたは最も支配的な要因を決定することと、センサオブジェクト内の各センサの時系列残差信号を分析して、関連信号値に対する１つまたは複数の主要なドライバまたは最も支配的な要因を決定することと、センサオブジェクト内のセンサ残差信号の各ペアの組み合わせの時系列残差信号の共分散を分析して、関連信号値に対する１つまたは複数の主要なドライバまたは最も支配的な要因を決定することと、のうちのいずれか１つまたは複数を実行することにより、異常の少なくとも１つの根本原因を決定することを含む、上記の条項のいずれか１項に記載の方法。

条項５．
方法はまた、
－ 異常イベント信号に応答して、センサオブジェクトに関連する少なくとも１つの機器の健全性状態を決定することを含む、上記の条項のいずれか１項に記載の方法。

条項６．
予測値または予測限界値のいずれかが、センサオブジェクトの履歴残差データを使用して訓練された予想モデルであるセンサオブジェクトモデルによって提供される、上記の条項のいずれか１項に記載の方法。

条項７．
１つまたは複数の共変量信号が、センサオブジェクトモデルへの入力として提供され、各共変量信号は、残差信号の少なくとも１つが依存するパラメータを表す信号である、条項６に記載の方法。

条項８．
少なくとも１つのセンサの予測出力が、それぞれのセンサの履歴時系列出力データを使用して訓練された少なくとも部分的に予想モデルである予測状態モデルによって提供される、上記の条項のいずれか１項に記載の方法。

条項９．
１つまたは複数の共変量信号が、予測状態モデルへの入力として提供され、各共変量信号は、センサの出力が依存するパラメータを表す信号である、条項８に記載の方法。

条項１０．
センサオブジェクトは、少なくとも一部のセンサを少なくとも部分的に自動的にグループ化することによって提供され、クラスタリングアルゴリズム、例えば自己組織化マップアルゴリズムなど、少なくとも１つのデータ中心のアルゴリズムを使用し、さらに、例えば、センサオブジェクトは、少なくとも１つの自己組織化マップを使用して、１つまたは複数の処理ユニットのいずれかによって少なくとも部分的に自動的に生成される、上記の条項のいずれか１項に記載の方法。

条項１１．
予測状態モデルは、複数の異なる予想モデルタイプを分析し、履歴時系列データの特定の訓練窓で訓練されたときのそのモデルの出力と、履歴時系列データの特定の時間窓内の実際の履歴センサ出力との間で最小の誤差を提供する予測状態モデルとしてモデルタイプを選択することによって、処理ユニットによって自動的に選択される、条項８～１０のいずれか１項に記載の方法。

条項１２．
時系列残差データがその正常または予測または平均状態から逸脱する時間および量を示す距離推定器を使用してレベル信号値が生成される、上記の条項のいずれか１項に記載の方法。

条項１３．
関連信号値は、残差データの多変量依存性の統計的測定を使用して生成されるか、または時系列残差データの分散を特定の時間に測定する、上記の条項のいずれか１項に記載の方法。

条項１４．
方法はまた、
－ １つまたは複数の処理ユニットのいずれかを介して、センサの出力信号のドリフトを検出することであって、センサは、少なくとも一部のセンサの中にあり、ドリフトは、センサの履歴時系列データから計算され、センサの履歴データは、少なくとも１週間の期間のものであり、ドリフトは、センサの履歴データの強度、滑らかさ、および最新性を計算することによって検出される、こと、を含む、条項１～１３のいずれか１項に記載の方法。

条項１５．
複数のセンサ、および１つまたは複数の機能的に接続された処理ユニットを含むプラントを監視するための方法であって、方法は、
－ １つまたは複数の処理ユニットのいずれかで、センサオブジェクトの時系列残差データを提供することであって、センサオブジェクトは、複数のセンサからの少なくとも一部のセンサのグループであり、残差データは、センサオブジェクトのセンサごとに、センサの測定出力とセンサの予測出力の差である残差信号を含む、ことと、
－ １つまたは複数の処理ユニットのいずれかを介してレベル信号を監視することであって、レベル信号は、時系列残差データの集合的な時間ベースの変動を示す、ことと、
－ １つまたは複数の処理ユニットのいずれかを介して、レベルイベント信号を生成することであって、レベルイベント信号は、特定の時間にレベル信号の値がその時間またはその前後のレベル信号の予測値から変化したときに生成され、レベルイベント信号は、プラント内の少なくとも１つの機器の異常を示す、ことと、を含む。

条項１６．
複数のセンサ、および１つまたは複数の機能的に接続された処理ユニットを含むプラントを監視するための方法であって、方法は、
－ １つまたは複数の処理ユニットのいずれかで、センサオブジェクトの時系列残差データを提供することであって、センサオブジェクトは、複数のセンサからの少なくとも一部のセンサのグループであり、残差データは、センサオブジェクトのセンサごとに、センサの測定出力とセンサの予測出力の差である残差信号を含む、ことと、
－ １つまたは複数の処理ユニットのいずれかを介して、関連信号を監視することであって、関連信号は、時系列残差データの変動および／または関連構造を示す、ことと、
－ １つまたは複数の処理ユニットのいずれかを介して、関連イベント信号を生成することであって、関連イベント信号は、特定の時間に、レベル信号の値がその時間またはその前後の関連信号の予測値から変化するときに生成され、関連イベント信号は、プラント内の少なくとも１つの機器の異常を示す、ことと、を含む。

条項１７．
複数のセンサ、および１つまたは複数の機能的に接続された処理ユニットを含むプラントを監視するための方法であって、方法は、
－ １つまたは複数の処理ユニットのいずれかで、センサオブジェクトの時系列残差データを提供することであって、センサオブジェクトは、複数のセンサからの少なくとも一部のセンサのグループであり、残差データは、センサオブジェクトのセンサごとに、センサの測定出力とセンサの予測出力の差である残差信号を含み、センサオブジェクトは、少なくとも一部のセンサを少なくとも部分的に自動的にグループ化することによって提供される、ことと、
－ １つまたは複数の処理ユニットのいずれかを介してレベル信号を監視することであって、レベル信号は、時系列残差データの集合的な時間ベースの変動を示す、ことと、
－ １つまたは複数の処理ユニットのいずれかを介して、関連信号を監視することであって、関連信号は、時系列残差データの変動および／または関連構造を示す、ことと、
－ １つまたは複数の処理ユニットのいずれかを介して特定の時間にレベル信号の値および／または関連信号の値がその時間またはその前後のそれぞれの信号の予測値から変化するときの異常イベント信号を生成することと、を含む。

条項１８．
複数のセンサを含むプラントの監視および／または制御システムであって、システムは、条項１～１７のいずれか１項に記載の方法ステップを実行するように構成された１つまたは複数の処理ユニットを含む。

条項１９．
複数のセンサに機能的に接続されたプラント監視および／または制御システムの処理ユニットによって実行されると、システムに条項１～１７のいずれか１項に記載の方法ステップを実行させる命令を含むコンピュータプログラム。

Claims (14)

1. 複数のセンサ、および１つまたは複数の機能的に接続された処理ユニットを含むプラントを監視するための方法であって、
   － 前記１つまたは複数の処理ユニットのいずれかで、センサオブジェクトの時系列残差データを提供することであって、前記センサオブジェクトは、前記複数のセンサからの少なくとも一部の前記センサのグループであり、前記残差データは、前記センサオブジェクトの前記センサごとに、前記センサの測定出力と前記センサの予測出力の差である残差信号を含む、ことと、
   － 前記１つまたは複数の処理ユニットのいずれかを介して、レベル信号を監視することであって、前記レベル信号は、前記時系列残差データの集合的な時間ベースの変動を示す、ことと、
   － 前記１つまたは複数の処理ユニットのいずれかを介して、関連信号を監視することであって、前記関連信号は、前記時系列残差データの変動および／または関連構造を示す、ことと、
   － 前記１つまたは複数の処理ユニットのいずれかを介して、特定の時間に前記レベル信号の値および／または前記関連信号の値がその時間またはその前後の前記それぞれの信号の予測値から変化するときの異常イベント信号を生成することと、を含み、
   前記センサオブジェクトは、少なくとも１つのデータ中心のアルゴリズムを使用して、前記少なくとも一部の前記センサを少なくとも部分的に自動的にグループ化することによって提供される、方法。
2. 前記それぞれの予測値の前記いずれかが、前記対応する信号が異常イベントを生成することなく有効に有することができる、範囲または離散値として、特定の時間に複数の予測値を指定する対応する予測値限界として提供される、請求項１に記載の方法。
3. 前記方法は、
   － 前記異常イベント信号に応答して、前記異常イベントの発生時またはその前後で、前記センサオブジェクト内のどの前記センサの前記センサの測定出力が前記センサの予測出力から変化したかをチェックすることと、前記センサオブジェクト内の各センサの前記時系列残差信号を分析して、レベル信号値に対する１つまたは複数の主要なドライバまたは最も支配的な要因を決定することと、前記センサオブジェクト内の各センサの前記時系列残差信号を分析して、関連信号値に対する１つまたは複数の主要なドライバまたは最も支配的な要因を決定することと、前記センサオブジェクト内の前記センサ残差信号の各ペアの組み合わせの時系列残差信号の共分散を分析して、前記関連信号値に対する１つまたは複数の主要なドライバまたは最も支配的な要因を決定することと、のうちのいずれか１つまたは複数を実行することにより、異常の少なくとも１つの根本原因を決定することを含む、請求項１～２のいずれか１項に記載の方法。
4. － 前記異常イベント信号に応答して、前記センサオブジェクトに関連する少なくとも１つの機器の健全性状態を決定することを含む、請求項１～３のいずれか１項に記載の方法。
5. 前記予測値または前記予測限界値のいずれかが、前記センサオブジェクトの履歴残差データを使用して訓練された少なくとも部分的に予想モデルであるセンサオブジェクトモデルによって提供される、請求項２～４のいずれか１項に記載の方法。
6. １つまたは複数の共変量信号が、前記センサオブジェクトモデルへの入力として提供され、各共変量信号は、前記残差信号のうちの少なくとも１つが依存するパラメータを表す信号である、請求項５に記載の方法。
7. 少なくとも１つのセンサの予測出力が、前記それぞれのセンサの履歴時系列出力データを使用して訓練された予想モデルである予測状態モデルによって提供される、請求項１～６のいずれか１項に記載の方法。
8. 前記センサオブジェクトが、少なくとも１つの自己組織化マップを使用して、前記１つまたは複数の処理ユニットのいずれかによって少なくとも部分的に自動的に生成される、請求項１～７のいずれか１項に記載の方法。
9. 前記予測状態モデルは、複数の異なる予想モデルタイプを分析し、前記履歴時系列データの特定の訓練窓で訓練されたときのそのモデルの前記出力と、前記履歴時系列データの特定の時間窓内の実際の履歴センサ出力との間で最小の誤差を提供する前記予測状態モデルとして前記モデルタイプを選択することにより、前記処理ユニットによって自動的に選択される、請求項７～８のいずれか１項に記載の方法。
10. 前記時系列残差データがその正常または予測または平均状態から逸脱する時間および量を示す距離推定器を使用して前記レベル信号値が生成される、請求項１～９のいずれか１項に記載の方法。
11. 前記関連信号値が、前記残差データにおける多変量依存性の統計的測定を使用して生成されるか、または前記時系列残差データの前記分散を特定の時間に測定する、請求項１～１０のいずれか１項に記載の方法。
12. － 前記１つまたは複数の処理ユニットのいずれかを介して、センサの前記出力信号のドリフトを検出することであって、前記センサは、前記少なくとも一部の前記センサの中にあり、前記ドリフトは、前記センサの履歴時系列データから計算され、前記センサの前記履歴データは、少なくとも１週間の期間のものであり、前記ドリフトは、前記センサの前記履歴データの強度、滑らかさ、および最新性を計算することによって検出される、ことを含む、請求項１～１１のいずれか１項に記載の方法。
13. 請求項１～１２のいずれか１項に記載の方法ステップを実行するように構成された１つまたは複数の処理ユニットを含む、複数のセンサを含むプラントの監視および／または制御システム。
14. 複数のセンサに機能的に接続されたプラント監視および／または制御システムの処理ユニットによって実行されると、前記システムに請求項１～１２のいずれか１項に記載の方法ステップを実行させる命令を含むコンピュータプログラム。

Images