KR102343752B1 - 프로세스 장치에서 전체 프로세스 섹션의 상태를 자동 모니터링하고 측정하는 컴퓨터 실행 방법 및 시스템 - Google Patents
프로세스 장치에서 전체 프로세스 섹션의 상태를 자동 모니터링하고 측정하는 컴퓨터 실행 방법 및 시스템 Download PDFInfo
- Publication number
- KR102343752B1 KR102343752B1 KR1020167016557A KR20167016557A KR102343752B1 KR 102343752 B1 KR102343752 B1 KR 102343752B1 KR 1020167016557 A KR1020167016557 A KR 1020167016557A KR 20167016557 A KR20167016557 A KR 20167016557A KR 102343752 B1 KR102343752 B1 KR 102343752B1
- Authority
- KR
- South Korea
- Prior art keywords
- monitoring
- vector
- module
- deviation error
- learning
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 156
- 230000008569 process Effects 0.000 title claims abstract description 134
- 238000012544 monitoring process Methods 0.000 title claims abstract description 94
- 238000013528 artificial neural network Methods 0.000 claims abstract description 16
- 239000013598 vector Substances 0.000 claims description 83
- 238000009434 installation Methods 0.000 claims description 42
- 210000002569 neuron Anatomy 0.000 claims description 22
- 238000010327 methods by industry Methods 0.000 claims description 8
- GNFTZDOKVXKIBK-UHFFFAOYSA-N 3-(2-methoxyethoxy)benzohydrazide Chemical compound COCCOC1=CC=CC(C(=O)NN)=C1 GNFTZDOKVXKIBK-UHFFFAOYSA-N 0.000 claims description 5
- FGUUSXIOTUKUDN-IBGZPJMESA-N C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 Chemical compound C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 FGUUSXIOTUKUDN-IBGZPJMESA-N 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- YTAHJIFKAKIKAV-XNMGPUDCSA-N [(1R)-3-morpholin-4-yl-1-phenylpropyl] N-[(3S)-2-oxo-5-phenyl-1,3-dihydro-1,4-benzodiazepin-3-yl]carbamate Chemical compound O=C1[C@H](N=C(C2=C(N1)C=CC=C2)C1=CC=CC=C1)NC(O[C@H](CCN1CCOCC1)C1=CC=CC=C1)=O YTAHJIFKAKIKAV-XNMGPUDCSA-N 0.000 claims description 2
- 238000004590 computer program Methods 0.000 claims description 2
- 238000000638 solvent extraction Methods 0.000 claims 1
- 238000007726 management method Methods 0.000 description 8
- 238000003745 diagnosis Methods 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 238000004886 process control Methods 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000004821 distillation Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 238000000844 transformation Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 230000006735 deficit Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000008570 general process Effects 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
Images
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] or 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] or 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Manufacturing & Machinery (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Human Computer Interaction (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Debugging And Monitoring (AREA)
Abstract
본 발명은 컴퓨터 실행 방식으로 프로세스 장치에서 전체 프로세스 세그먼트의 상태를 자동 모니터링하고 결정하는 방법 및 컴퓨터 실행 시스템에 관한 것이다. 러닝 페이스(learning phase) 동안, 뉴런망(neural network) 기반 모델은 레퍼런스 상태로서 계산되거나 트레이닝되고, 그에 따라 프로세스 세그먼트를 모니터링하거나 진단하고 프로세스 장치 파트의 상태가 표시된다.
Description
본 발명은 컴퓨터 실행 방식으로 프로세스 장치에서 전체 프로세스 섹션의 상태를 자동 모니터링하고 측정하는 방법 및 컴퓨터 실행 시스템에 관한 것이다.
점점 더 이질적인 시스템 랜드스케이프의 배경과 꾸준히 증가하는 설치 (installation)의 자동화도에 대해 혁신적인 어시스턴스 시스템과 설비자산관리 (PAM) 솔루션이 작업자에게 지속적으로 중요해지고 있다. 이 경우, 장치, 디바이스 및 프로세스 장치의 자동화 기술의 모니터링과 진단은 핵심적인 역할을 담당한다.
최근 설비자산관리의 핵심 목표는 필드 디바이스와 설치 컴포넌트의 상황을 모니터링(자산 모니터링)하여 설치 가용성과 설치 사용을 증가시키는 것이다.
많은 경우에, 자산 상태 정보는 이미 디바이스 수준에서 존재하고 있다. 예를 들어, 이른바 지능형 필드 디바이스는 많은 사업들에서 이미 대부분 구축되었다. 상태 감시시스템 또한 보다 복잡한 기계와 장치, 예를 들어 펌프 또는 열 교환기의 수준으로 이미 제공되었으며, 입수가능하다[Muehlenkamp, S., Geipel-Kern, A.: Plant Asset Management: In der Diagnose mechanischer Assets schlummert ungenutztes Potenzial [기계적 자산의 진단에서 휴면하고 있는 미사용 포텐셜], PROCESS, (2011) No. 3, 36-38]. 그러나, 상태 정보에 대한 과제관련 압축 (compression)은 또한 이 경우의 사용자에게 절대적으로 필요하다.
간단한 장치 클러스터와 전체 설치 섹션을 모니터하고 진단하기 위해, 측정 및 조작된 변수 같은 다양한 정보 항목이 프로세스 관리를 위한 표준으로 이미 이용가능하다. 그러나, 사용자는 대개 정보를 충분하게 사용할 수 없다. 여기서 서서히 진행되는 열화 과정에 대한 징후를 제때에 얻기 위해서는 자동화된 압축 및, 실시간 가능출력으로 자산 건전성을 평가하기 위한 현재 작동 상황과 그의 비교가 중요한 역할을 담당한다[Ross, T., Ochs, S., Frey, C.W.: Neue Software zur Ueberwachung "nicht intelligenter" Anlagenteile - Teil 1 ["비지능형" 설치 파트를 모니터링하는 새로운 소프트웨어 - part 1], Chemie Technik, (2011) issue 11, pages 18-20]. 이것은 생산 및 정지시간 계획뿐만 아니라 이러한 안전 지식에 기초한, 예를 들어 예지 보전의 측면에서 적합한 방법을 예측하고 최종적으로 유도할 수 있기 때문이다. 그러므로, 신뢰할 수 있는 자산 상태 정보는 사업의 성공에 필수적인 다양하고 상이한 기업 결정의 기초를 형성한다.
따라서, 문제는 사업의 자산 모니터링에서 기존 필드 장비를 기반으로 많은 가공 및 모델링 노력 없이 사용할 수 있고 작동이 간단하고 신속한 신뢰할 수 있는 모니터링 수단을 사용자에게 제공하며, 이 경우 각각의 프로세스 장치에 대한 자산 상태 정보가 자동적으로 압축되어 간단한 방식으로 응집된 형태로 표시되는, 프로세스 엔지니어링으로 연결된 설치 파트(프로세스 장치)를 모니터링하는 시스템과 방법을 개발하는 것이다. 지능형 필드 디바이스의 수준을 넘는 자산 상태 정보는 또한 프로세스 엔지니어링 비지니스의 "비지능형" 설치 파트와 설치 섹션에 의해 제공되어야 한다. 이를 위하여, 본 발명의 목적은 역치값(threshold value)의 설정이 가능하여 양호한 상태와 그로부터의 편차 간 식별이 방법 중에 자동적으로 결정되는 기술적 소프트웨어 솔루션을 제공하는 것이다.
본 원은 센서 및/또는 진단 소프트웨어를 사용하여 스스로를 모니터링하는 지능형 필드 디바이스를 포함한다.
프로세스 엔지니어링으로 연결된 설치 파트의 모니터링은 프로세스 엔지니어링으로 연결되고 하나 이상의 프로세스 장치를 포함하는 설치 파트를 모니터링하는 컴퓨터 실행방법에 의해 해결되며, 상기 방법은 다음 단계들을 포함한다:
단계 a)에서, 모니터링해야 하는 M 프로세스 파라미터와 그의 측정범위 한계를 생성한다. 측정범위 한계를 사용하여 모델을 파라미터화하였다([Frey, C. W.: Prozessdiagnose und Monitoring feldbusbasierter Automatisierungsanlagen mittels selbstorganisierender Karten und Watershed-Transformation [자기조직화 지도와 분기점 변형에 의한 필드 버스 기반 자동화 설치의 프로세스 진단 및 모니터링], at-Automatisierungstechnik 56 (2008) No. 7, pages 374-380] 참조). 입력 (input)은 일반적으로 사용자 인터페이스에 의해 만들어진다. 입력은 프로세스 장치를 정의하는 모듈에 저장된다.
단계 b)에서, 포텐셜 러닝 벡터로 이루어진 러닝 데이터 페이스(learning data phase)를 데이터베이스 모듈에 불러온다. 러닝 데이터 페이스는 일반적으로 프로세스 제어 시스템의 프로세스 데이터베이스로부터 가져온다. 이러한 러닝 데이터 페이스는 단계 a)의 M 프로세스 파라미터와 타임 스탬프 t에 대한 실질적이며 바람직하거나/하고 조작된 변수값으로 각각 정의된 포텐셜 러닝 벡터로 이루어진다. 프로세스 데이터베이스로부터의 러닝 데이터 페이스는 데이터 인터페이스(OPC, SQL)에 의해 전송되고; 유입된 러닝 데이터 페이스는 데이터베이스 모듈에 저장된다. 데이터베이스 모듈은 또한 뉴런망(neural network)에 기초한 모델 모듈에 연결된다.
단계 c)에서, 데이터베이스 모듈에서, N 러닝 벡터는 b)의 러닝 데이터 페이스로부터 선택된다. 이러한 선택은 전형적으로 사용자에 의해 사용자 인터페이스를 통해 수행된다.
단계 d)에서, 단계 c)의 선택된 러닝 벡터는 자동적으로 모델 모듈에 전송된다. 이러한 러닝 벡터를 사용하여 데이터 구동 알고리즘을 사용하는 완전 자동 방식으로 뉴런망에 기초한 모델을 생성한다. 이를 위하여, 각각의 러닝 벡터는 뉴런이 자기조직화 뉴런 지도(SOM)를 형성할 때까지 러닝 벡터로부터 가장 단거리를 갖는 뉴런에 반복하여 제공된다(이 측면에서, http://en.wikipedia.org/wiki/Self-organizing_map, Frey, C. W.: Prozessdiagnose und Monitoring feldbusbasierter Automatisierungsanlagen mittels selbstorganisierender Karten und Watershed-Transformation [자기조직화 지도와 분기점 변형에 의한 필드 버스 기반 자동화 설치의 프로세스 진단 및 모니터링], at-Automatisierungstechnik 56 (2008) No. 7, pages 374-380 참조). 이 방식으로 트레이닝된 모델은 모니터링해야 하는 설치 파트의 양호한 상황(레퍼런스)을 나타낸다.
단계 e)에서, 모델의 다음 특징들이 자동적으로 계산된다(도 7 참조):
· 러닝 벡터의 각 프로세스 파라미터 값과 그(= 가장 단거리를 갖는 뉴런)에 제공된 최고매칭유닛(best matching unit)의 상응하는 프로세스 파라미터 값 사이의 거리인 편차 오류(deviation error),
· N 러닝 벡터 각각에 있어서, 그의 M 프로세스 파라미터의 편차 오류의 합인 총 편차 오류.
이것이 잔류물을 생성한다. 이를 위하여 N 러닝 벡터 각각의 모든 M 프로세스 파라미터에 대한 편차 오류를 계산하며, 즉 MxN 편차 + N 총 편차 오류를 숫자 형태로 매트릭스에서 계산한다.
단계 f)에서, 단계 e)의 N 총 편차 오류는 편차 오류를 분석하는 모듈에 전송된다. 이 모듈에서 N 총 편차 오류의 최소값과 최대값이 자동적으로 계산된다. N 총 편차 오류의 최소값과 최대값은 설치의 이어지는 모니터링을 위해 사용할 수 있는 양호한 상태의 요약한 간단 정의를 제공한다. 총 편차 오류가 단지 하나의 프로세스 파라미터가 아니라 프로세스 파라미터의 조합이 프로세스 장치의 실질적 양호한 상태를 기술할 수 있다는 사실을 감안하는 것 또한 유리하다. 바람직한 일 구체예에서, 또한 적어도 하나의 역치값이 자동 계산되고 총 편차 오류에 대해 설정된다. 이러한 특정 구체예에서, 방법은 역치값을 자동 설정하는 다음과 같은 추가 단계를 포함한다:
· 총 편차 오류에 대한 값의 결정 범위를 총 편차 오류의 히스토그램의 기준으로 사용한다. 이것을 10 내지 100, 바람직하게 15 내지 75, 특히 바람직하게 50 등거리(값 범위) 세그먼트로 세분한다.
· 러닝 벡터의 총 편차 오류는 세그먼트에 자동 소팅(sorting)된다. 기준 역치(도 2 참조)는 다음 단계들에 의해 자동 설정된다: 기준 역치 = 제1 세그먼트 지지점, 여기서 ≥ 5 내지 15%, 바람직하게 ≥ 15%의 최고 총 편차 오류는 최대값에서 출발하는 세그먼트 내에 있다(도 2 참조). 이 경우에, 기준 역치가 최대값에서 출발하는 세그먼트의 최대 7/10 범위 내에 있어야 하는, 다시 말해서 50 세그먼트 내로의 디비전 경우에 15번째 내지 50번째 세그먼트의 범위 내, 및 100 세그먼트 내로의 디비전 경우에 30번째 내지 100번째 세그먼트의 범위 내에 있어야 하는 추가 조건이 기준 역치에 적용된다. 기준 역치가 이 범위를 벗어나면 최고 총 편차 오류의 ≥ 15% 대신 ≥ 5%의 비율이 기준 역치의 자동 조정에 적용된다.
단계 g)에서, 프로세스 장치를 모니터링하기 위해 온라인 모니터링된 M 프로세스 파라미터 값(도 7 참조)을 시점 t에 데이터베이스 모듈에 자동 전송하고; 이것은 시간에 따라 프로세스 장치의 모니터링 벡터를 형성한다. 모니터링 벡터는 데이터베이스 모듈에서 모델 모듈로 보내진다.
단계 h)에서, 단계 g)의 모니터링 벡터 각각은 모니터링 벡터의 프로세스 파라미터 값과 뉴런 지도에서 각 뉴런의 프로세스 파라미터 값을 비교하고 가장 단거리를 기준으로 뉴런을 선택하여 모델 모듈에서 단계 c) 뉴런 지도의 그의 최고매칭 유닛(SOM)에 자동 제공된다.
단계 i)에서, 모니터링 벡터의 프로세스 파라미터 값 각각의 편차 오류는 그에 제공된 최고매칭유닛의 프로세스 파라미터 값과 비교하여 자동 계산되고 모니터링 벡터의 총 편차 오류가 계산된다. 이 계산은 편차 오류를 분석하는 모듈에서 수행된다.
단계 j)에서, 모니터링 벡터 각각의 총 편차 오류는 총 편차 오류의 계산된 최소값과 최대값, 바람직하게 기준 역치, 특히 바람직하게 일반적으로 2-4, 바람직하게 경험에 따른 3의 정수형 포지티브 인자 형태로 허용 범위가 곱해진 기준 역치와 비교하여 사용자 인터페이스를 통해 표시된다.
도 1은 설비자산관리(PAM)의 도식적 설명을 나타낸 것으로, 여기서 프로세스 장치 모니터링은 상태 및 성능 모니터링과 조합된다.
도 2는 값 범위의 각 세그먼트에 대한 이벤트 빈도로서 총 편차 오류의 히스토그램을 나타낸 것이다.
도 3은 자산 상태를 모니터링하고 분석한 것에 대한 역치값을 나타낸 것이다.
도 4는 인터페이스를 갖는 본 발명에 따른 시스템 구성에 대한 도식적 설명을 나타낸 것이다.
도 5는 설치 랜드스케이프에서 시스템 통합에 대한 도식적 설명을 나타낸 것이다.
도 6은 크기에 따라 주어진 파라미터 편차의 그래프적 설명을 나타낸 것이다 (상위 10 도시, 이 경우 최초 3 파라미터만 명료하게 표시되었다).
도 7은 트레이닝 및 어사인먼트(assignment) 페이스(phase)에 대한 도식적 설명을 나타낸 것이다.
도 2는 값 범위의 각 세그먼트에 대한 이벤트 빈도로서 총 편차 오류의 히스토그램을 나타낸 것이다.
도 3은 자산 상태를 모니터링하고 분석한 것에 대한 역치값을 나타낸 것이다.
도 4는 인터페이스를 갖는 본 발명에 따른 시스템 구성에 대한 도식적 설명을 나타낸 것이다.
도 5는 설치 랜드스케이프에서 시스템 통합에 대한 도식적 설명을 나타낸 것이다.
도 6은 크기에 따라 주어진 파라미터 편차의 그래프적 설명을 나타낸 것이다 (상위 10 도시, 이 경우 최초 3 파라미터만 명료하게 표시되었다).
도 7은 트레이닝 및 어사인먼트(assignment) 페이스(phase)에 대한 도식적 설명을 나타낸 것이다.
명료함을 위해, 상세한 설명의 중요 용어를 다음과 같이 정의하였다:
- 프로세스 장치는 프로세스 엔지니어링에 의해 연결되고 기존 센서/작동기, 다시 말해서 프로세스 전문가가 선택한 프로세스 파라미터를 기초로 본 발명을 사용하여 모니터할 수 있는 설치 파트 또는 프로세스 섹션이다. 다수의 프로세스 장치를 본 발명에 따른 솔루션의 모니터링을 위해 정의(define)할 수 있다.
- 러닝 데이터 페이스(phase)는 뉴런망에 기초한 모델을 트레이닝하기 위해 전부 또는 섹션으로 선택될 수 있고 타임 스탬프 및 그에 따라 디멘전(Mx1)의 러닝 벡터로 이루어지는 페이스이다.
- 모니터링 페이스는 프로세스 장치가 모니터링되고 다수의 모니터링 벡터로 이루어지는 페이스이다.
- 프로세스 파라미터는 페이스- 러닝 페이스 또는 모니터링 페이스-에서 이산시간(discrete time)(= 타임 스탬프)에 샘플링되고 있거나 샘플링된다. 1/분의 샘플링 속도에서, 분 당 하나의 벡터가 모니터링 후 프로세스 데이터 아카이브(= 프로세스 데이터베이스)에 존재한다.
- 러닝 벡터 또는 모니터링 벡터는 타임 스탬프 t와 단계 a)의 M 프로세스 파라미터 입력의 값으로 정의된다. M 프로세스 파라미터의 경우에, 이것은 디멘젼 (Mx1), 즉 M 파라미터 값을 갖는다. 프로세스 파라미터의 값은 일반적으로 프로세스 장치의 모니터링된 실제값이다. 프로세스 제어의 경우에 프로세스 파라미터의 바람직한 값(레퍼런스 변수라고도 함) 및/또는 조작된 변수값(조작 변수라고도 함)을 또한 포함할 수 있다. 러닝 벡터를 정의하기 위해 이러한 값들을 조합할 수도 있다. 모니터링 벡터는 전형적으로 타임 스탬프 t 동안 그의 M 실제값으로 정의된다.
- 편차 오류, 또한 이른바 양자화 오차 또는 Q 오차는 러닝 벡터에 대한 모델의 적응도 또는 모델에 대한 모니터링 벡터의 적응도를 기술한다. 편차 오류는 알고리즘으로 계산된 최고매칭유닛(BMU)과 제시된 러닝 또는 모니터링 벡터 사이의 클리어런스이다. M 편차 오류는 디멘젼 (Mx1)의 러닝 벡터 또는 모니터링 벡터 각각에 대해 계산된다. 다시 말해서, 각 러닝 벡터의 파라미터 값을 최고매칭유닛의 파라미터 값과 비교하고 이러한 파라미터들 간의 유클리딘(Euclidean) 거리를 계산한다.
- 총 편차 오류, 또한 이른바 총 양자화 오차, 총 Q 오차 또는 총 오차는 벡터의 모든 편차 오류의 합에 해당한다.
- 디멘젼 (Mx1)의 러닝 벡터와 총 N 타입 스탬프를 갖는 하나 이상의 러닝 데이터 페이스의 잔류물은 MxN 편차 오류의 매트릭스로 이루어진다. 잔류물은 모델의 품질특성으로서 사용될 수 있다. 본 발명에 있어서, N 총 편차 오류는 또한 잔류물 매트릭스에 포함된다.
- BMU, 최고매칭유닛 또는 최적매칭뉴런: 러닝 또는 모니터링 벡터가 뉴런망에 제공되면, 항상 제공된 벡터에 잘 매칭하는 "위너(winner) 뉴런"(예를 들어, 최소 유클리딘 거리), 즉 편차 오류가 가장 낮은 뉴런이 존재한다. 이것을 최고매칭유닛 또는 BMU라 하고 그의 M 프로세스 파라미터 값으로 정의한다. 다시 말해서, 그의 M 파라미터로 정의된 모델 벡터가 계산된다. 자기조직화 뉴런 지도의 최고매칭유닛을 계산하기 위해 선행기술, 예를 들어 http://en.wikipedia.org/ wiki/Self-organizing_map 및 Frey et al. [Frey, C. W.: Prozessdiagnose und Monitoring feldbusbasierter Automatisierungsanlagen mittels selbstorganisierender Karten und Watershed-Transformation [자기조직화 지도와 분기점 변형에 의한 필드 버스 기반 자동화 설치의 프로세스 진단 및 모니터링], at-Automatisierungstechnik 56 (2008) No. 7, pages 374-380]를 참조할 수 있다.
대부분의 뉴런망처럼, 뉴런 지도는 2개의 페이스: 트레이닝(= 러닝 페이스) 및 어사인먼트(assignment)(= 맵핑/적용 페이스)에서 작동한다. 트레이닝은 러닝 벡터의 조력으로 뉴런 지도를 형성하고, 이 경우에 맵핑은 새로운 벡터, 예를 들어 모니터링 벡터의 자동 어사인먼트이다. 이러한 페이스를 도 7에 도식적으로 설명하였다.
이 방법은 일반적으로 좀 더 강력한 상업적으로 입수가능한 컴퓨터와 이 컴퓨터에 장착된 소프트웨어를 사용하여 수행할 수 있다. 하드웨어에 특별한 요구사항이 부과되지는 않는다. 본 발명에 따른 솔루션은 상당한 공학기술과 모델화 노력을 필요로 하지 않으며, 기존의 필드 디바이스에 기초하여 사용될 수 있다.
소프트웨어를 포함하는 컴퓨터를 프로세스 모니터링에 연결하기 위해 프로세스 장치 모니터는 일반적으로 OPC, ODBC 및 SQL 인터페이스를 갖는다. OPC 인터페이스의 경우에, 단계 b) 또는 c)의 히스토리(historical) 데이터는 프로세스 제어 시스템의 데이터베이스로부터 OPC-HDA에 의해 얻어지고, 단계 g)의 실시간 데이터(= 모니터링 벡터)는 프로세스 제어 시스템의 데이터베이스로부터 OPC-DA에 의해 얻어진다(도 5).
각 프로세스 장치의 상태 정보는 또한 일반적으로 내부 OPC-DA 서버를 사용하여 외부에 이용가능하게 된다.
단계 a)에서는, 모니터링해야 하는 일반적인 관련 설치 파트(프로세스 장치) 또는 설치 섹션(프로세스 섹션)이 정의된다. 이러한 설치 파트 또는 프로세스 섹션은 모니터해야하는 그의 M 프로세스 파라미터들을 특징으로 한다. 설치 파트의 예는 증류 컬럼, 열 교환기/펌프 컴비네이션, 건조기, 스크류 압출기 또는 보일러 및, 파이프라인과 계측기 등의 연결 주변장치이다. 이 경우에, 프로세스 전문가는 모니터링에 필요한 센서/작동기 및 관련 측정 범위를 규정한다. 전문가들은 어떤 프로세스 파라미터-압력, 온도, 유속 등-가 모닝터링에 포함되고 포함되지 않는지를 결정한다. 고려 중인 기능성 모니터링 장치의 모든 실질적이고 바람직 및/또는 조작된 변수값이 일반적으로 연관되어 있다. 소프트웨어는 용이하게 선택 및 탈락될 수 있는 프로세스 파라미터에 의해서 구성(configuration)을 돕는다. 특정 구체예에서, 추가적으로 결정된 프로세스 파라미터는 "필수(compulsory)" 및/또는 "주요 변수"인 것으로 공표된다.
필수 프로세스 파라미터는 모니터링에 필요한 프로세스 파라미터이다. 필수 프로세스 파라미터가 모니터링에 없으면, 후자는 일반적으로 자동 비활성화되고 프로세스 장치 상태 "신호등"은 "적색", "황색" 또는 "녹색"에서 "회색"으로 변경된다. 이러한 변경은 사용자에게 프로세스 장치에서 센서/작동기의 오류를 알려준다.
주요 변수는 값들의 이전에 정의된 범위를 벗어나지 않아야 하는 필수 파라미터이다. 이를 위하여 각 러닝 데이터 페이스의 최소값 및/또는 최대값은 바람직하게 허용 범위로서 조절가능한 높은 비율까지 아래위로 연장된다. 모델은 전형적으로 이러한 앞서 정의 및 연장된 범위의 값으로만 트레이닝된다. 모니터링 벡터가 이러한 방식으로 연장된 값의 범위를 벗어나면, 상태 신호등과 함께 프로세스 장치의 모니터링 또한 비활성화되어 "회색"이 된다. 로드 변수(load variable)(feed)의 경우에, 따라서 모니터링이 트레이닝되지 않은 프로세스 상황에 적용되는 것을 방지할 수 있다. 다음이 적용된다: 주요 변수는 자동적으로 또한 필수 파라미터이다. 이것은 반대 경우에서는 그렇지 않다.
단계 b)에서, 사용자는 포텐셜 러닝 데이터 페이스(수집 데이터)를 불러온다. 이것은 자동적으로 후속 평가를 위한 내부 데이터베이스(= 데이터베이스 모듈)에 저장된다.
단계 c)에서, 프로세스 전문가는 포텐셜 러닝 데이터 페이스를 시각화할 수 있고, 이후 그로부터 러닝 또는 레퍼런스 데이터 기록(선택된 러닝 데이터 페이스)을 선택할 수 있으며, 여기서 설치는 필요에 따라 양호한 상태로 실행되었다. 다수의 제품 또는 로드 상태를 위한 러닝 또는 레퍼런스 데이터 기록은 바람직하게 모델에 입력된다. 이를 위하여 상이한 설치 상황(제품 및/또는 로드 상황)을 표시하는 로드 또는 제품 파라미터가 단계 a)에 포함된다. 이 파라미터는 일반적으로 추가적인 "프로세스 파라미터"로서 부수적으로 트레이닝된다. 다시 말해서, 센서/작동기와 관련한 데이터뿐만 아니라 바람직하게 제품 및/또는 로드 상황과 관련한 데이터도 프로세스 파라미터로 사용할 수 있다. 이는 모델을 생성하고 모니터링하는 노력을 줄여준다.
사용자에 의한 임포트와 사용자 인터페이스에 의한 선택의 대안으로서, 프로세스 전문가는 단계 a)의 양호한 상태에 대한 상세한 정의를 수행할 수 있고, 이것은 이후 러닝 데이터 페이스가 자동적으로 임포트(단계 b) 및/또는 선택(단계 c)되는 것을 허용한다.
단계 d)에서는, 뉴런망에 기초한 양호한 상태의 모델이 계산된다. 뉴런망에 기초한 모델은 일반적으로 그 내용이 본 원에서 참조로 소개된 Frey 등의 러닝 규칙(learning rule)에 따라 트레이닝된다[Frey, C. W.: Prozessdiagnose und Monitoring feldbusbasierter Automatisierungsanlagen mittels selbstorganisierender Karten und Watershed-Transformation [자기조직화 지도와 분기점 변형에 의한 필드 버스 기반 자동화 설치의 프로세스 진단 및 모니터링], at-Automatisierungstechnik 56 (2008) No. 7, pages 374-380]. 기본 알고리즘은 이른바 자기조직화 지도(SOM)에 기반하며 데이터 구동 모델 생성은 (연결된 작동기/센서로부터의)프로세스 정보, 예를 들어 모니터링해야 하는 설치 파트 또는 모니터링해야 하는 설치 섹션으로부터의 온도, 유속, 압력, 모터 전류 등을 사용한다. 설치 파트를 모니터링하기 위한 수학적 코어 알고리즘은 이미 이전에 필드 버스 기반 자동화 설치의 진단적 컨셉 범위 내에서 성공적으로 사용되고 있다[Ross, T., Hedler, C. S., Frey, C. W.: Neue Softwarewerkzeug zur Ueberwachung "nicht intelligenter" Anlagenteile und Teilanlagen ["비지능형" 설치 파트 및 설치 섹션을 모니터링하는 새로운 소프트웨어 장비] In: AUTOMATION 2012 13. Branchentreff der Mess- und Automatisierungstechnik. VDI-Berichte 2171. Baden-Baden, 2012, pages 231-235, ISBN 978-3-18-092171-6].
뉴런망의 사용 덕분에, 장비는 사용자가 모니터링 모델을 1분 이내에 한손으로-말하자면 버튼의 터치로- 생성한 후, 즉시 이들을 모니터링에 사용할 수 있는 방식으로 설계될 수 있다. 이를 위하여, 프로세스 전문가는 이른바 러닝 또는 레퍼런스 데이터 기록의 형태로 필요한 프로세스 정보를 선택한다. 이러한 데이터 구동 방법은 기본적으로 분석적 모델 기반 방법의 과정과는 상이하다. 이것은 복잡한 모델링과 개발자의 풍부한 경험을 필요로 한다. 프로세스가 변경되면, 예를 들어 구조적 또는 프로세스 최적화 수단이 실행되기 때문에, 분석 모델 또한 그에 따라 적합화되어야 한다. 결과는 추가 모델링 노력이다. 반면에, 여기서 제공된 데이터 구동 방법에서는 사용자에 의해 다시 적합화되어야 하는 모델이 필요할 뿐이다. 뉴런망에 기초한 모델은 입력이 변경되면 트레이닝에 의해 적합화될 수 있다.
요약하면, 트레이닝된 모델은 모니터링해야 하는 프로세스 섹션의 양호한 상태(레퍼런스)를 나타낸다. 모델의 편차는 융통성 있게, 그리고 본 발명의 바람직한 일 구체예에서는 자동적으로, 적어도 특히 바람직하게 일반적으로 2-4, 바람직하게 경험에 따라 3의 정수형 포지티브 인자 형태로 허용 범위가 곱해진 하나의 기준 역치에서 역치값으로 변환된다.
기준 역치를 계산할 때, 세그먼트의 수는 실험값에 기초하여 설정되며, 일반적으로 10 내지 100, 바람직하게 15 내지 75, 특히 바람직하게 50이다. 그 범위 값의 분해능(resolution)은 역치를 정확하게 설정할 수 있도록 충분히 높아야 한다. 이것은 적어도 50 세그먼트의 경우이다. 그러나, 세그먼트의 수를 규정할 때 사용자는 분해능이 너무 높아지지 않도록, 즉 문제에 적응하도록 주의해야 한다. 그렇지 않으면, 결과는 수많은 비어있는 세그먼트가 되어 불필요하게 많은 양의 컴퓨팅을 유발할 수 있다. 러닝 벡터를 세그먼트로 그의 총 편차 오류를 사용하여 소팅할 때, 이 상황이 발생할 수 있고, 드문 경우에서, 85% 초과의 발생이 제1 내지 제15 세그먼트 내에 있고, 나머지는 16-50 세그먼트 중에 분포한다. 이 경우, 총 편차 오류 ≥ 기준 역치인 15% 이상의 러닝 데이터 벡터의 비율은 매우 낮게 설정될 것이다. 그러므로, 총 편차 오류 ≥ 기준 역치인 러닝 데이터 벡터의 비율은 일반적으로 가장 높은 값을 갖는 ≥ 5%의 발생 후에 설정된다. 계산된 기준 역치는 특히 바람직하게 일반적으로 2-4, 바람직하게 경험에 따라 3의 정수형 포지티브 인자 형태로 허용 범위가 곱해진다.
편차 오류는 또한 임의로 편차 오류를 분석하는 모듈에 전송될 수 있고 기준 역치는 각 프로세스 파라미터에 대해 결정될 수 있다. 이 방법의 추가 출력은 이후 고려 중인 파라미터의 사전 파라미터화된 역치(기준 역치 X 포지티브 정수형 인자)와 비교하여 고려 중인 각 모니터링 벡터의 파라미터의 어사인먼트이다.
시스템을 사용하여 비교적 긴 시간 동안 프로세스 장치를 모니터링한다면, 사용할 수 있는 러닝 데이터 기록의 수가 증가한다. 양호한 상태의 모델에서 새로운 러닝 세트를 고려하기 위해서는 뉴런망의 트레이닝을 반복하는 것이 유리할 수 있다. 모델 업데이트는 이상적으로 통상적 PAM 전략의 일부로서 일상 비지니스에 통합되어야 한다. 단순한 작동과 적은 수의 작업 단계 때문에 노동이 적정하게 된다. 또한, 일반적으로 모델을 업데이트하는데 단지 몇 분만 필요하다.
더 나은 작동성을 위해 출력은 바람직하게 도 3에서와 같이 신호등 시스템의 형태로 제공된다. 적색 역치의 경우, 결정된 기준 역치는 일반적으로 표준으로서 세팅 파라미터(값 = 3)인 추가 포지티브 정수형 인자가 곱해지지만, 황색 역치는 표준인 적색 역치의 75% 수준으로 조절가능하게 설정된다. 세팅 파라미터는 설치 파트 또는 설치 섹션의 후속 모니터링에서 오차 검출의 감도를 제어하며(즉, 트레이닝된 모델로부터의 이미 소규모 또는 유일한 큰 편차가 적색 신호등을 야기하는지 여부) 임의로 변경될 수 있다. 황색 역치는 마찬가지로 적색 역치의 비율로서 임의로 변경될 수 있다.
신호등 시스템(녹색 = 승인, 황색 = 경고, 적색 = 오류)에 따라, 황색 역치와 적색 역치를 세팅하면 사용자는 모니터링(실시간) 또는 분석(오프라인)의 경우에 설치 파트 또는 설치 섹션의 관리상황(자산 상태)에 대해 알 수 있다(도 1 참조).
계산된 기준 역치에 기초하여 프로세스 장치 상태를 시각화하는 신호등의 배치는 바람직하게 사용자 인터페이스를 통해 사용자에 의해 조절될 수 있다. 오퍼레이팅 이미지에서, 신호등(승인, 집중, 오류)은 전형적으로 연관된 오퍼레이팅 이미지의 각 프로세스 장치에 대해 시각화된다. 가능한 편차는 이어서 이러한 방식으로 실시간으로 설치 오퍼레이터에 의해 기록할 수 있다. "황색" 또는 "적색"의 경우에는 프로세스 전문가에게 상세한 분석을 위해 통지되어야 한다.
편향 프로세스 파라미터에 대한 보다 나은 개관에 있어서, 일반적으로 다수의 모니터링 벡터 중 하나로부터의 프로세스 파라미터 편차를 그래픽 디자인 방식으로 크기에 따른 내림차순으로 나타낼 수 있다(예를 들어, 상위 10의 형태)(도 6).
또한, 총 편차 오류에 대한 그의 비율을 추가적으로 계산할 수 있고 각 프로세스 파라미터에 대해 그래프로 나타낼 수 있다.
본 원은 또한 컴퓨터 실행 방법을 수행하는 컴퓨터 프로그램 또는 소프트웨어에 관한 것이다.
본 발명은 또한 다음 모듈을 포함하는, 프로세스 엔지니어링으로 연결되고 하나 이상의 프로세스 장치를 포함하는 설치 파트를 모니터링하는 컴퓨터 시스템에 관한 것이다:
a) i) 모니터링해야 하는 M 프로세스 파라미터와 ii) 모니터링해야 하는 하나 이상의 프로세스 장치의 M 프로세스 파라미터의 측정 범위 한계의 입력을 정의하는 사용자 인터페이스,
b) 사용자 인터페이스와 연결된, 입력 i)과 ii)를 저장하기 위한 프로세스 장치를 정의하는 모듈,
c) 데이터 인터페이스에 의해 러닝 데이터 페이스, 러닝 벡터 및 모니터링 벡터를 임포트 및 저장하는 데이터베이스 모듈(여기서 데이터베이스 모듈은 프로세스 장치를 정의하는 모듈과 사용자 인터페이스에 연결된다),
d) 뉴런망에 기초하고
완전 자동방식으로
- 최고매칭유닛과 최고매칭유닛의 자기조직화 뉴런 지도,
- 러닝 벡터의 각 프로세스 파라미터 값과 그에 제공된 최고매칭유닛의 상응하는 프로세스 파라미터 값 사이의 거리인 편차 오류,
- 각각의 N 러닝 벡터에 있어서, 그의 M 프로세스 파라미터에 대한 편차 오류의 합인 총 편차 오류를 자동적으로 계산하여 뉴런망에 기초한 모델을 트레이닝하고,
자기조직화 뉴런 지도의 최고매칭유닛 중 하나에 모니터링 벡터를 제공하고
- 모니터링 벡터의 각 프로세스 파라미터 값과 그에 제공된 최고매칭유닛의 상응하는 프로세스 파라미터 값 사이의 거리인 편차 오류,
- 각각의 모니터링 벡터에 있어서, 그의 M 프로세스 파라미터에 대한 편차 오류의 합인 총 편차 오류를 계산하기 위한 모델 모듈,
e) 계산된 총 편차 오류의 범위를 자동 결정하고, 측정된 범위에서 러닝 및 모니터링 벡터의 총 편차 오류를 사용하여 러닝 및 모니터링 벡터를 소팅하여 편차 오류를 분석하는 모듈(여기서 편차 오류를 분석하는 모듈은 모델 모듈에 연결되고, 편차 오류를 분석하는 모듈은 계산된 총 편차 오류의 범위에서 모니터링 벡터의 소팅을 표시하는 사용자 인터페이스에 연결된다).
본 발명에 따른 시스템은 특히 표준으로서 자기 진단이 구비되지 않은 모든 설치 컴포넌트, 예를 들어 보일러와 파이프라인, 열 교환기 또는 증류 컬럼에 유리하다[Hotop, R., Ochs, S., Ross, T.: Ueberwachung von Anlagenteilen [설치 파트의 모니터링], atp edition, 06/2010]. 본 발명 시스템의 기본적 목적에 따라, 프로세스 장치의 프로세스 파라미터는 분리하여 단독으로 고려되지 않는다. 오히려, 시스템은 모든 파라미터 세트를 서로 연관시키고, 이 방법으로 모니터링해야 하는 기능성 유닛의 개별 컴포넌트들의 특징적 상호작용을 검출한다. 이 과정에서, 이것은 이들의 의존관계를 학습하고 확인하여, 양호한 상황("녹색), 다가오는 행동 요구("황색") 및 오작동("적색") 사이에서 차별화가 이루어지는 신호등 시스템의 측면에서와 같이 이들로부터 요약 상태 내역을 얻는다.
프로세스 장치 모니터는 또한 폴트(fault)에 민감하고 개별 모니터링 솔루션 또한 기본적으로 시장에 이미 존재하는 자산 컴비네이션을 모니터하기 위해 유리하게 사용하여, 한편으로 이전에 검출되지 않은 설치 문제의 특별한 유형을 포함하거나, 아니면 다른 한편으로 설치 섹션 내부에서 설치 문제가 자산에서 자산으로 전파되는 경우처럼 변형 과정에서의 인과관계를 알아낼 수 있는 것도 확인하였다.
다른 한편으로, 이미지 1은 보다 최적의 실행 상황을 찾기 위한 주요 성능 계기에 따른 프로세스 관리 측면에서가 아니라, 오히려 자산 건강의 손상에 직접적으로 기여할 수 없는, 예를 들어 설치의 최적 실행 이탈의 결과인 자산 성능 약화와 관련한 정보를 유도하기 위한 특정한 서브프로세스의 표적화된 모니터링 측면에서 프로세스 장치 모니터링이 정확하게 이해하면 이미 일반적인 프로세스 관리(성능 모니터링)의 일부 요소를 함유하는 것을 나타낸다.
도 1은 설비자산관리(PAM)의 도식적 설명을 나타낸 것으로, 여기서 프로세스 장치 모니터링은 상태 및 성능 모니터링과 조합된다.
도 2는 값 범위의 각 세그먼트에 대한 이벤트 빈도로서 총 편차 오류의 히스토그램을 나타낸 것이다.
도 3은 자산 상태를 모니터링하고 분석한 것에 대한 역치값을 나타낸 것이다.
도 4는 인터페이스를 갖는 본 발명에 따른 시스템 구성에 대한 도식적 설명을 나타낸 것이다.
도 5는 설치 랜드스케이프에서 시스템 통합에 대한 도식적 설명을 나타낸 것이다.
도 6은 크기에 따라 주어진 파라미터 편차의 그래프적 설명을 나타낸 것이다 (상위 10 도시, 이 경우 최초 3 파라미터만 명료하게 표시되었다).
도 7은 트레이닝 및 어사인먼트(assignment) 페이스(phase)에 대한 도식적 설명을 나타낸 것이다.
Claims (7)
- 다음 단계들을 포함하는, 프로세스 엔지니어링으로 연결되고 하나 이상의 프로세스 장치를 포함하는 설치 파트를 모니터링하는 컴퓨터 실행 방법:
단계 a)에서, 모니터링해야 하는 M 프로세스 파라미터와 그의 측정범위 한계가 사용자 인터페이스에서 입력되고, 프로세스 장치를 정의하는 모듈로 보내지며,
단계 b)에서, 포텐셜 러닝 벡터로 이루어진 러닝 데이터 페이스(learning data phase)를 데이터베이스 모듈에 불러오고,
단계 c)에서, 데이터베이스 모듈에서, b)의 러닝 페이스로부터의 N 러닝 벡터는 대안적으로 사용자 인터페이스를 통해 단계 a)의 측정 범위 한계를 사용하여 자동 선택되고,
단계 d)에서, 단계 c)의 러닝 벡터가 데이터베이스 모듈에서 후자에 연결된 모델 모듈에 전송되고; 모델 모듈에서 각각의 러닝 벡터를 그의 M 프로세스 파라미터로 정의된 최고매칭유닛(best matching unit)에 제공하고 최고매칭유닛을 자기조직화 뉴런 지도에서 러닝 벡터에 적응시켜서 뉴런망(neural network)에 기초한 모델을 생성하고,
단계 e)에서, 모델의 다음 특징들을 자동적으로 계산하고:
· 각각의 N 러닝 벡터에서, 러닝 벡터의 각 프로세스 파라미터 값과 그에 제공된 최고매칭유닛의 상응하는 프로세스 파라미터 값 사이의 거리인 편차 오류(deviation error),
· 각각의 N 러닝 벡터에서, 그의 M 프로세스 파라미터의 편차 오류의 합인 총 편차 오류.
단계 f)에서, 단계 e)의 각 러닝 벡터에 대한 총 편차 오류를 편차 오류를 분석하는 모듈에 전송하고, 계산된 N 총 편차 오류의 최소값과 최대값을 거기서 자동적으로 결정하고,
단계 g)에서, 프로세스 장치를 모니터링하기 위해 온라인 모니터링된 M 프로세스 파라미터를 시간에 따른 프로세스 장치의 모니터링 벡터로서 데이터베이스 모듈에 타임 스탬프(time stamp) t에 자동 전송한 다음,모니터링 벡터를 모델 모듈에 전송하고,
단계 h)에서, 단계 g)의 모니터링 벡터 각각을 모니터링 벡터의 프로세스 파라미터 값과 뉴런 지도에서 각 뉴런의 프로세스 파라미터 값과 비교하고 가장 단거리를 기준으로 선택하여 모델 모듈에서 단계 c) 뉴런 지도의 최고매칭유닛(SOM)에 자동 제공하고,
단계 i)에서, 모니터링 벡터의 편차 오류와 총 편차 오류를 계산하고,
단계 j)에서, 모니터링 벡터의 총 편차 오류를 편차 오류를 분석하는 모듈에 전송하고, f)의 계산된 N 총 편차 오류의 최소값 및 최대값과의 비교에 제공(assign)하고, 제공된 것(assignment)을 사용자 인터페이스를 통해 표시한다. - 제1항에 있어서, 단계 f)의 최소값과 최대값으로 결정된 값의 범위는 10 내지 100 등거리 세그먼트로 세분되고, 러닝 벡터는 그의 총 편차 오류를 사용하여 세그먼트로 소팅(sorting)되며, 역치는 제1 세그먼트 지지점이고, 여기에서 ≥ 5 내지 15%의 최고 총 편차 오류가 최대값에서 출발하는 세그먼트 내에 있고 역치는 최대값에서 출발하는 세그먼트의 최상위 7/10 범위 내에 있는 단계를 사용하여 적어도 하나의 역치를 자동 설정하는 것인, 컴퓨터 실행 방법.
- 제2항에 있어서, 계산된 역치가 일반적으로 2-4의 정수형 포지티브 인자(integer positive factor)의 형태로 허용범위가 곱해지는 것인, 컴퓨터 실행 방법.
- 제1항 내지 제3항 중 어느 한 항의 컴퓨터 실행 방법을 수행하기 위하여 매체에 저장된 컴퓨터 프로그램.
- 제1항 내지 제3항 중 어느 한 항의 컴퓨터 실행 방법을 수행하기 위하여 매체에 저장된 소프트웨어.
- 다음 모듈을 포함하는, 프로세스 엔지니어링으로 연결되고 하나 이상의 프로세스 장치를 포함하는 설치 파트를 모니터링하는 컴퓨터 시스템:
a) i) 모니터링해야 하는 M 프로세스 파라미터와 ii) 모니터링해야 하는 하나 이상의 프로세스 장치의 M 프로세스 파라미터의 측정 범위 한계의 입력을 정의하는 사용자 인터페이스,
b) 사용자 인터페이스와 연결된, 입력 i)과 ii)를 저장하기 위한 프로세스 장치를 정의하는 모듈,
c) 데이터 인터페이스에 의해 러닝 데이터 페이스, 러닝 벡터 및 모니터링 벡터를 임포트 및 저장하는 데이터베이스 모듈(여기서 데이터베이스 모듈은 프로세스 장치를 정의하는 모듈과 사용자 인터페이스에 연결된다),
d) 뉴런망에 기초하고
완전 자동방식으로 자기조직화 뉴런 지도에서
- 러닝 벡터의 각 프로세스 파라미터 값과 그에 제공된 최고매칭유닛의 상응하는 프로세스 파라미터 값 사이의 거리인 편차 오류,
- 각각의 N 러닝 벡터에서, 그의 M 프로세스 파라미터에 대한 편차 오류의 합인 총 편차 오류를 자동적으로 계산하여 뉴런망에 기초한 모델을 트레이닝하고,
자기조직화 뉴런 지도의 최고매칭유닛 중 하나에 모니터링 벡터를 제공하고
- 모니터링 벡터의 각 프로세스 파라미터 값과 그에 제공된 최고매칭유닛의 상응하는 프로세스 파라미터 값 사이의 거리인 편차 오류,
- 각각의 모니터링 벡터에서, 그의 M 프로세스 파라미터에 대한 편차 오류의 합인 총 편차 오류를 계산하기 위한 모델 모듈,
e) 계산된 총 편차 오류의 범위를 자동 결정하고, 그 범위에서 그의 총 편차 오류를 사용하여 러닝 및 모니터링 벡터를 소팅하여 편차 오류를 분석하는 모듈(여기서 편차 오류를 분석하는 모듈은 모델 모듈에 연결되고, 편차 오류를 분석하는 모듈은 계산된 총 편차 오류의 범위에서 모니터링 벡터의 소팅을 표시하는 사용자 인터페이스에 연결된다). - 제6항에 있어서, 편차 오류를 분석하는 모듈이 결정된 범위를 세그먼트로 분할하고, 러닝 및 모니터링 벡터를 범위 세그먼트로 소팅하고, 세그먼트 내 러닝 벡터의 분포에 기초하여 역치를 자동 결정할 수 있는 것인, 컴퓨터 시스템.
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| 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 |
| EP13195897.7 | 2013-12-05 | ||
| 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 |
|---|---|
| KR20160094383A KR20160094383A (ko) | 2016-08-09 |
| KR102343752B1 true KR102343752B1 (ko) | 2021-12-24 |
Family
ID=49752999
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020167016557A KR102343752B1 (ko) | 2013-12-05 | 2014-12-05 | 프로세스 장치에서 전체 프로세스 섹션의 상태를 자동 모니터링하고 측정하는 컴퓨터 실행 방법 및 시스템 |
Country Status (8)
| Country | Link |
|---|---|
| US (2) | US10261480B2 (ko) |
| EP (2) | EP2881822A1 (ko) |
| JP (1) | JP6538057B2 (ko) |
| KR (1) | KR102343752B1 (ko) |
| CN (1) | CN105793789B (ko) |
| CA (1) | CA2932489A1 (ko) |
| SG (2) | SG10201804503UA (ko) |
| WO (1) | WO2015082669A1 (ko) |
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 |
| EP3282399B1 (de) * | 2016-08-11 | 2020-05-13 | Siemens Aktiengesellschaft | Verfahren zur verbesserten erkennung von prozessanomalien einer technischen anlage sowie entsprechendes diagnosesystem |
| 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 |
| US20190019096A1 (en) * | 2017-01-27 | 2019-01-17 | Mitsubishi Hitachi Power Systems, Ltd. | Estimator, estimation method, program and storage medium where program stored for model parameter estimation and model parameter estimation system |
| 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 |
| JP2012063928A (ja) | 2010-09-15 | 2012-03-29 | Sharp Corp | 要因分析方法、要因分析装置、及び記録媒体 |
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 |
| US6853920B2 (en) * | 2000-03-10 | 2005-02-08 | Smiths Detection-Pasadena, Inc. | Control for an industrial process using one or more multidimensional variables |
| 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 |
| DE10362369B3 (de) * | 2002-09-11 | 2022-09-29 | 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 |
| US8620853B2 (en) * | 2011-07-19 | 2013-12-31 | Smartsignal Corporation | Monitoring method using kernel regression modeling with pattern sequences |
-
2013
- 2013-12-05 EP EP13195897.7A patent/EP2881822A1/de active Pending
-
2014
- 2014-12-05 SG SG10201804503UA patent/SG10201804503UA/en unknown
- 2014-12-05 JP JP2016536556A patent/JP6538057B2/ja active Active
- 2014-12-05 WO PCT/EP2014/076677 patent/WO2015082669A1/de active Application Filing
- 2014-12-05 CN CN201480066575.1A patent/CN105793789B/zh active Active
- 2014-12-05 KR KR1020167016557A patent/KR102343752B1/ko active IP Right Grant
- 2014-12-05 US US15/101,614 patent/US10261480B2/en active Active
- 2014-12-05 CA CA2932489A patent/CA2932489A1/en not_active Abandoned
- 2014-12-05 SG SG11201604410VA patent/SG11201604410VA/en unknown
- 2014-12-05 EP EP14809380.0A patent/EP3077878B1/de active Active
-
2019
- 2019-01-24 US US16/256,134 patent/US10678193B2/en active Active
Patent 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 |
| JP2012063928A (ja) | 2010-09-15 | 2012-03-29 | Sharp Corp | 要因分析方法、要因分析装置、及び記録媒体 |
Also Published As
| Publication number | Publication date |
|---|---|
| CA2932489A1 (en) | 2015-06-11 |
| EP3077878B1 (de) | 2021-07-07 |
| KR20160094383A (ko) | 2016-08-09 |
| WO2015082669A1 (de) | 2015-06-11 |
| CN105793789A (zh) | 2016-07-20 |
| EP2881822A1 (de) | 2015-06-10 |
| US10261480B2 (en) | 2019-04-16 |
| EP3077878A1 (de) | 2016-10-12 |
| US20170082988A1 (en) | 2017-03-23 |
| SG10201804503UA (en) | 2018-07-30 |
| JP6538057B2 (ja) | 2019-07-03 |
| SG11201604410VA (en) | 2016-07-28 |
| CN105793789B (zh) | 2019-11-15 |
| US10678193B2 (en) | 2020-06-09 |
| US20190171168A1 (en) | 2019-06-06 |
| JP2016539425A (ja) | 2016-12-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102343752B1 (ko) | 프로세스 장치에서 전체 프로세스 섹션의 상태를 자동 모니터링하고 측정하는 컴퓨터 실행 방법 및 시스템 | |
| CN108628281B (zh) | 异常检测系统及异常检测方法 | |
| CN101536002B (zh) | 用于工艺监控的系统和方法 | |
| JP4832609B1 (ja) | 異常予兆診断装置および異常予兆診断方法 | |
| CN104573845B (zh) | 信息系统设备状态检修辅助决策方法 | |
| JP6933899B2 (ja) | プラント運転支援装置、プラント運転支援方法、及びプラント運転支援プログラム | |
| JP5179086B2 (ja) | 工業プロセスの監視方法及び監視システム | |
| KR101948604B1 (ko) | 센서 군집화 기반의 설비 건강 모니터링 방법 및 장치 | |
| JP2019520659A (ja) | 時系列パターンモデルを用いて主要パフォーマンス指標（ｋｐｉ）を監視するコンピュータシステム及び方法 | |
| KR20170117377A (ko) | 애셋 헬스 스코어들 및 그 사용 | |
| US10963797B2 (en) | System for analyzing machine data | |
| US20120116827A1 (en) | Plant analyzing system | |
| EP3825966A1 (en) | A system and method for monitoring and predicting breakdowns in vehicles | |
| JP2019045905A (ja) | 挙動予測システム及び挙動予測方法 | |
| US11900223B2 (en) | Device and method for monitoring a system | |
| AU2024201310A1 (en) | Methods for identifying key performance indicators | |
| CN116997867A (zh) | 用于预测技术设施的运行的方法和系统 | |
| US20170038281A1 (en) | Method of predicting life of component of machine | |
| CN112200323A (zh) | 评估工业设备和过程的状态 | |
| Davari et al. | Fault forecasting using data-driven modeling: a case study for metro do Porto data set | |
| EP4136515B1 (en) | Method, apparatus and computer program product for monitoring of industrial devices | |
| RU2735296C1 (ru) | Способ многопараметрического контроля состояния сложных электротехнических объектов | |
| JP2018014093A (ja) | プロセスの状態診断方法及び状態診断装置 | |
| RU2777950C1 (ru) | Обнаружение нештатных ситуаций для прогнозного технического обслуживания и определения конечных результатов и технологических процессов на основании качества данных | |
| JP2019204342A (ja) | 予兆診断システム |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| N231 | Notification of change of applicant | ||
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |