KR20210125015A - 산업 프로세스들에서 이용되는 부품들로부터 기원하는 시그널링에 있어서의 이상을 검출 및 측정하는 시스템 및 방법 - Google Patents
산업 프로세스들에서 이용되는 부품들로부터 기원하는 시그널링에 있어서의 이상을 검출 및 측정하는 시스템 및 방법 Download PDFInfo
- Publication number
- KR20210125015A KR20210125015A KR1020217027219A KR20217027219A KR20210125015A KR 20210125015 A KR20210125015 A KR 20210125015A KR 1020217027219 A KR1020217027219 A KR 1020217027219A KR 20217027219 A KR20217027219 A KR 20217027219A KR 20210125015 A KR20210125015 A KR 20210125015A
- Authority
- KR
- South Korea
- Prior art keywords
- anomaly
- parameters
- process parameters
- values
- measurement data
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 112
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 52
- 230000011664 signaling Effects 0.000 title claims description 19
- 230000008569 process Effects 0.000 claims abstract description 67
- 238000001514 detection method Methods 0.000 claims abstract description 57
- 238000012544 monitoring process Methods 0.000 claims abstract description 41
- 238000005259 measurement Methods 0.000 claims description 60
- 238000012545 processing Methods 0.000 claims description 38
- 230000002547 anomalous effect Effects 0.000 claims description 14
- 238000012423 maintenance Methods 0.000 claims description 12
- 238000010801 machine learning Methods 0.000 claims description 11
- 238000003909 pattern recognition Methods 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 4
- 238000007476 Maximum Likelihood Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims description 2
- 230000005284 excitation Effects 0.000 claims 1
- 230000006399 behavior Effects 0.000 abstract description 6
- 238000012800 visualization Methods 0.000 abstract description 3
- 238000003801 milling Methods 0.000 description 29
- 230000005856 abnormality Effects 0.000 description 14
- 238000010923 batch production Methods 0.000 description 13
- 238000004140 cleaning Methods 0.000 description 11
- 230000008901 benefit Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 8
- 230000001960 triggered effect Effects 0.000 description 8
- 230000002159 abnormal effect Effects 0.000 description 7
- 235000013339 cereals Nutrition 0.000 description 5
- 230000003449 preventive effect Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000004886 process control Methods 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000010355 oscillation Effects 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 229920002472 Starch Polymers 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000004821 distillation Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000012994 industrial processing Methods 0.000 description 2
- 238000012806 monitoring device Methods 0.000 description 2
- 235000019698 starch Nutrition 0.000 description 2
- 239000008107 starch Substances 0.000 description 2
- 239000007858 starting material Substances 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- 230000001594 aberrant effect Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 238000001311 chemical methods and process Methods 0.000 description 1
- 239000007795 chemical reaction product Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000011157 data evaluation Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 235000013312 flour Nutrition 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000000543 intermediate Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- 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
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; 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
- 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]
- G05B19/4184—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 fault tolerance, reliability of production 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
- 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]
- G05B19/4185—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 the network communication
-
- 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]
- G05B19/41865—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 job scheduling, process planning, material flow
-
- 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]
- G05B19/4188—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 CIM planning or realisation
-
- 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
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/0227—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions
- G05B23/0235—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions based on a comparison with predetermined threshold or range, e.g. "classical methods", carried out during normal operation; threshold adaptation or choice; when or how to compare with the threshold
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0267—Fault communication, e.g. human machine interface [HMI]
- G05B23/027—Alarm generation, e.g. communication protocol; Forms of alarm
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0275—Fault isolation and identification, e.g. classify fault; estimate cause or root of failure
- G05B23/0281—Quantitative, e.g. mathematical distance; Clustering; Neural networks; Statistical analysis
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0286—Modifications to the monitored process, e.g. stopping operation or adapting control
- G05B23/0294—Optimizing process, e.g. process efficiency, product quality
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine 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
- Y02P90/80—Management or planning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Manufacturing & Machinery (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Algebra (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Probability & Statistics with Applications (AREA)
- Pure & Applied Mathematics (AREA)
- Human Computer Interaction (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
본 발명은 산업 프로세스들에서 이용되는 부품들로부터 기원하는 센서 데이터에 있어서의 이상을 검출하는 방법 및 시스템에 관한 것이다. 이상 검출 단계들은, (ⅰ) 부품들의 그룹 또는 부품으로부터 프로세스 및 경보/고장 데이터를 획득하고, (ⅱ) 이상 동작 또는 경보/고장의 전형적인 빈도를 학습하고, (ⅲ) 새로운 데이터를 학습된 정상 동작과 비교하고, (ⅳ) 조정될 수 있는 임계치에 기초하여 이상으로서 식별하는 것을 구비한다. 본 발명은 애플리케이션에 유일한 신규하고, 자동화되며 효율적인 경보 모니터링, 검출 및 시각화를 제공한다.
Description
본 발명은 산업 프로세스 제어 및/또는 모니터링 시스템들에 관한 것이다. 특히, 본 발명은 청구항 제1항에 따라 산업 프로세스에서 이용되는 부품들로부터 기원하는 측정 데이터 및/또는 프로세스 파라메타들을 모니터링함에 의해 산업 장비 또는 생산 플랜트(production plant)에서의 장비 장애(equipment failure)의 조기 표시(early indication) 또는 이상(anomaly)들을 검출하는 방법에 관한 것이고, 청구항 제15항에 따라 산업 프로세스에서 이용되는 부품들로부터 기원하는 측정 데이터 및/또는 프로세스 파라메타들을 모니터링함에 의해 산업 장비 또는 생산 플랜트에서의 장비 장애의 조기 표시 또는 이상을 검출하는 시스템에 관한 것이다. 본 발명은 밀링(milling) 및 롤러(roller) 시스템들, 보다 구체적으로는 롤러 프레임(roller frame)을 가진 밀 플랜트(mill plant)들, 일반적으로는 밀 시스템들 및 밀링 플랜트들(mill systems and milling plants)의 자동화된 폐쇄-루프 및/또는 개방-루프 제어를 위한 자기-적응형 폐쇄-루프 및/또는 개방-루프 제어 장치(self-adaptive closed-loop and/or open-loop control apparatus)를 구비한다. 밀링 및 롤러 시스템의 제어 및 스티어링(steering)을 위한 장치들을 제어하기 위한 애플리케이션 외에, 본 발명은 일반적으로 산업 프로세스들에서 이용되는 부품들로부터 기원하는 시그널링에 있어서의 이상을 검출 및 측정하기 위한 시스템 및 방법들에 전반적으로 관련된다. 본 발명에 따른 장치들의 가능한 애플리케이션들은, 플랜트들 및 프로세스들의 개방-루프 및/또는 폐쇄 루프 제어 및 프로세스 모니터링(측정, 모니터링)을 위한 시리얼 밀 플랜트(cereal mill plant)들에 있어서의 생산 조절 및 프로세싱 동안 수분 함량(water content), 단백질 함량, 전분 손상, 곡분(flours)(또는 밀링 중간체)의 회분 함량(ash content)(미네랄 물질), 잔여 전분 함량, 밀링 순도(milling fineness) 등의 측정된 변수들과 같은, 성분(ingredient)들 및 품질 파라메타들의 실시간 또는 준 실시간 측정(real-time or quasi-real-time measurement) 및/또는, 롤러 온도, 롤러 갭(roller gap), 롤러 속도, 롤러 압력 및 또는 하나 또는 여러개의 롤러 드라이브들의 전력 드로우(power draw)와 같은, 동작 파라메타들의 실시간 또는 준 실시간 측정 및 모니터링을 하는 밀링 및 롤러 시스템들과 연관된다.
산업 프로세스들 및 디바이스 설정에 있어서, 제어 시스템들은 산업 또는 화학 프로세스등의 동작/프로세스들과, 설비들(facilities), 플랜트들 또는 다른 장비들을 모니터링하고, 제어하고, 스티어링하고 시그널링하는데 이용된다. 전형적으로, 제어 및 모니터링을 실행하는 시스템은, 프로세스 제어 루프에 의해 제어 회로에 결합되고 산업 프로세스에 있어서의 주요 위치들에 분포된 필드 디바이스들(field devices)을 이용한다. 용어 "필드 디바이스"는, 예를 들어, 센서들 및 측정 디바이스들이 산업 프로세스들 및 프로세싱 설비들의 모니터링과 시그널링을 제어하는 것과 같이, 그 측정에 이용되는 모든 디바이스들을 포함하는, 분산형 제어 또는 프로세스 모니터링 시스템에서 소정 기능을 수행하는 임의 디바이스를 지칭한다. 각 필드 디바이스는, 예를 들어, 프로세스 제어 루프를 통해, 프로세스 제어기, 다른 필드 디바이스들 또는 다른 회로들과 통신하는, 특히, 유선 또는 무선 통신하는데 이용되는 회로와 통신 수단을 구비할 수 있다. 일부 시설들(installations)에 있어서, 프로세스 제어 루프는 필드 디바이스에 전력을 공급하기 위해 정전류 및/또는 전압을 필드 디바이스에 전달하는데 이용된다. 프로세스 제어 루프는 아날로그 또는 디지털 포맷의 데이터를 운반한다. 전형적으로, 필드 디바이스들은, 필요할 경우, 필드 디바이스의 국소 환경을 모니터링하기 위해, 산업 프로세스 및/또는 특정 시설에 있어서의 프로세스 변수들을 감지 또는 제어하는데 이용된다.
그러한 시스템들의 기술적 문제점들 중 하나는, (예를 들어, 곡물 밀(grain mill), 식품 프로세싱 플랜트들에 있어서의) 대규모 산업 자산들(industrial assets)의 제어 및 모니터링이, 전형적으로, 상당량의 프로세스 및 경보/고장 데이터를 생성한다는 사실에 기반한다. 많은 경보/고장들이 트리거링(triggering)되고 있는 중인데도, 프로세스 및 제어 운영을 유지하기 위해 무시되거나 턴-오프(turn off)되는 경우가 빈번하다. 또한, 경보/고장들은 기계상의 단순한 유지 이벤트들에 의해서 트리거될 수 있으며, 추가적인 기술적 우려가 없다. 또한, 예를 들어, 모터 전류로부터의 프로세스 데이터는 임계치에 기초한 이례적인 값들을 보여주는 경우가 빈번하며, 개별적인 이벤트들에 대해 항상 우려할 이유는 없다. 전형적인 동작으로부터 벗어난 중요한 이벤트들의 최종 후보 리스트(short-list)를 만들기 위한 경보/고장 시그널링의 자동화된 정제(automated distillation)를 제공할 필요가 있다. 이러한 최종 후보 리스트는 산업 프로세스에서 매우 비싸고 최소화되어야만 하는 다운타임 이벤트(downtime event)들의 효과적인 예방 유지(effective preventive maintenance) 및 근본 원인 분석(root cause analysis)을 할 수 있게 한다. 이상 패턴들을 미리 식별하는 것은 어려우며, 따라서 무감독 방법(unsupervised method)이 요망된다.
또한, 예를 들어, 플랜트들, 엔진 밀(engines mills) 또는 터빈등과 같은, 기계 또는 다른 산업 시설들은 수 많은 이유로 장애를 일으킨다. 상술한 바와 같이, 알려진 플랜트 또는 기계 장애들은, 전형적으로, 센서들에 의해 검출되며, 일단 장애가 검출되면, 그 장애는 적당하게 배정받은 경보 디바이스들에게 시그널링되거나 정정을 위해 운영자에게 보고된다. 그러나, 장애 검출을 위해 채용된 통상적인 전략들은, 전형적으로, 기계, 플랜트 또는 디바이스에서 이전에 발생했던 알려진 문제들에 기반하여 전개된다. 이러한 이전 발생된 것은 특정 문제와 연관된 알려진 이상 동작에 대응하는 센서 프로파일을 자동으로 추론함에 의해 결정될 수 있다. 그러나, 이전에 발생된 적이 결코 없는 문제들의 경우, 어떠한 경고 또는 사전 표시없이 장애가 일어나는 경우가 있다. 그러한 상황에 있어서, 수리 비용은, 장애가 조기에 검출되었던 것 보다 더 커질 수 있다. 또한, 장애 또는 임박한 장애의 지각 검출(late detection)은 기계의 안전성을 위태롭게 할 수 있다. 그러므로, 자동적이고 정확한 방식으로 기계에 있어서의 미지의 이상 동작(unknown abnormal behavior)을 검출하는 시스템 및 방법을 제공하는 것이 바람직하다.
특히, 곡물 밀 및 식품-프로세싱 플랜트에 있어서, 센서 데이터로부터의 이상 검출은 데이터 마이닝(data mining)의 중요한 애플리케이션이다. 밀링 생산을 이용할 경우, 예를 들어, 안전 및 최적화된 밀링을 보장하고 주요 시스템 장애를 방지하기 위해서는, 장비의 원격 모니터링이 생산 프로세스의 중요한 부분이다. 원격 모니터링의 중요 작업은 이상 검출, 즉, 장애의 발생전에 장애의 조기 표시를 검출하는 것이다. 예를 들어, 롤러 압력 및 롤러 온도는 안정적인 생산을 보장하기 위한 중요한 성분들이며, 이러한 이유 때문에 모니터링된다. 종래 기술에 있어서, 많은 노력이 이상 검출을 자동화하는데 집중되었지만, 이는 여전히 매우 어려운 작업이다. 상기에서 부분적으로 이미 설명한 바와 같이 여러 가지의 기술적 어려움들이 존재한다. 온도, 압력, 변위, 흐름률, 진동 등과 같은 센서 데이터는 잡음성이고, 센서 값들은 불연속적으로 변경될 수 있으며, 심지어 상관 구조(correlational structure)는 매일 변경될 수 있다. 원치않은 잡음에 자동적으로 대처하기 위해 지능적인 모니터링 및 검출 시스템과 방법을 구체화할 필요가 있다. 변수 및 다수의 종속성들 문제, 그에 따른 변수들은 개별적으로 분석되어서는 안되는데, 이는 거짓 경보(false alert)를 생성할 수 있기 때문이다. 추가적으로, 모니터링되는 시스템은 불안정하게 되는 경우가 빈번한데, 이는, 공기압 또는 상대적인 공기 수분/국부 공기 습도로서의 환경 조건과 같은, 동작 조건들이 시간이 지나면서 변경될 수 있기 때문이다. 따라서, 어느 변수들이 이상을 나타내는지와 같은 진단 정보가 필요하다. 그러나, 종래 기술의 방법들은, 전형적으로, 실제적으로 심각한 문제들을 가지는 것으로 알려져 있으며, 다수의 동작 모드들과 다변량 변수별 이상 스코어링(multivariate variable-wise anomaly scoring)을 처리할 수 없다. 대부분의 시스템들은 변수별 정보를 효과적으로 제공할 수 없으며, 이는 측정 파라메타 차원 수(measuring parameter dimensionality)가 전형적으로 큰 많은 산업 애플리케이션에 있어서 특히 문제이다.
US 2011/288836은 항공 엔진에 있어서의 이상을 검출하는 방법 및 시스템을 개시한다. 그 방법 및 시스템은, 제어기의 명령 및 상태 측정들과 과거 동작들의 측정을 포함하며, 제어기에 관한 데이터 세트의 함수로서 제어기의 동작을 모델링하는 시간 회귀(time regression)를 이용하여 항공 엔진의 제어기의 동작 모델을 정의하고; 각각의 새로운 데이터 세트에 대해 동작 모델을 계속적으로 다시 계산하고; 엔진의 동작 이상을 나타내는 제어기의 동작 이상을 검출하기 위해 동작 모델의 통계적 변화를 모니터링한다. US 2016/371600A는 시간에 걸쳐 시스템들로부터 기록된 데이터를 모니터링하는 시스템들 및 방법들을 개시한다. 본 명세서에서 설명된 기술들은 시스템 이벤트들을 검출 및 분류하고, 정상 시스템 동작 및 이상 검출의 표시자들을 제공하는 기능을 포함한다. 본 개시의 시스템들 및 방법들은, 이벤트들의 시간적 특성들이 포착될 수 있고 검출, 분류 및/또는 이상 검출에 이용될 수 있는 그러한 방식으로 모니터링되는 시스템에서 발생 이벤트들을 나타낼 수 있는데, 이것은 복잡한 시스템들 및/또는 이벤트들을 처리할 때 특히 유용할 수 있다. US 2017/139398은 다수의 생산 설비들과 분석 장치가 포그 네트워크(fog network)를 통해 접속되는 것을 개시한다. 분석 장치는 포그 네트워크를 통해 획득한 검출기들의 검출 정보에 기초하여 데이터 분석을 실행하고, 데이터 분석의 결과로서 생산 대상의 이상 또는 다수의 생산 설비들 각각의 이상에 관련된 결정 정보를 저장한다. 다수의 생산 설비들의 각각은 분석 장치에 저장된 결정 정보에 기초하여 생산 대상의 이상 또는 다수의 생산 설비들 각각의 이상을 결정한다. EP 3 379 360에는, 디바이스상의 운용 데이터(operational data)에 기초하여 모니터링 목표 디바이스의 동작을 예측하는 예측 모델을 학습하는 프로세싱을 실행하고; 정상 동작하의 운용 데이터에 대한 이상 스코어가 사전 결정된 범위내에 있도록 이상 스코어를 조정하는 프로세싱을 실행하며 - 이상 스코어는 예측 모델에 의해 획득한 예측 결과와 모니터링 목표 디바이스로부터 획득한 운용 데이터간의 편차에 기초함 -; 조정된 이상 스코어에 기초하여 이상의 징후(sign) 또는 이상을 검출하는 프로세싱을 실행하고; 출력 디바이스상의 검출 결과 및 이상 스코어 중 적어도 하나에 대한 정보를 디스플레이하는 프로세싱을 실행하는 연산 디바이스(1H101)를 포함하는 이상 검출 시스템(1)이 개시된다.
마지막으로, 종래 기술의 시스템에서는, 경보/고장 메시지가 자동 시스템 소프트웨어 및 제어 시스템에 로깅(logging)되는 경우가 있으며, 거기에서는 이러한 로그 형태(log form)의 데이터에서 통찰(insight)을 얻고 트렌드를 알기 어렵다. 그러므로, 운영자는 플랜트 건강(plant health)을 모니터링하기 위해 경보/고장 이벤트들의 그들의 관찰에 의존하고 있다. 운영자가 플랜트 동작, 안전성 및 건강을 쉽게 추적할 수 있도록, 경보/고장 메시지의 보다 나은 출력 시그널링 및 시각화를 허용할 필요성이 있다. 이러한 시각화는 소유자 및 유지 제공자들과 같은 다른 개인들이 통찰을 얻게 해주며 운영자와 보다 좋은 통신을 할 수 있게 한다. 대규모 프로세싱 플랜트에 있어서의 플랜트 다운타임을 피하고/측정하는 것이 중요한데, 그 이유는 그것이 상당한 수입 손실을 나타내기 때문이다.
본 발명의 목적은 종래 기술로부터 알려진 단점 및 기술적 문제들을 극복하는 것이다. 특히, 그 목적은 산업 프로세스에서 이용되는 부품들로부터 기원하는 측정 및 센서 데이터의 이상을 검출하는 정확하고 효과적인 제어 시스템 및 방법을 제공하는 것이다. 그 시스템은, 엄청난 양의 경보/고장 정보를 효과적으로 정제하여 전형적인 동작으로부터 벗어난 일부 트리거된 중요 이벤트들로 만들기 위한 자동화된 기술을 제공할 수 있어야 한다. 그 시스템은 실시간 또는 준 실시간으로 제어 및 모니터링 프로세스를 실행할 수 있어야 한다. 보다 구체적으로, 본 발명의 목적은 최적화되고 자동화된 방식으로 밀링 및/또는 분쇄(crushing)를 실행하는데 이용될 수 있고, 밀의 종속성을 증가시키며, 그와 동시에 발생된 이상에 대해 자동으로 반응함에 의해 동작을 최적화시키는 롤러 시스템의 밀링 라인의 자동화된 최적화 및 제어를 위한 지능적인 자기-적응형 개방-루프/폐쇄-루프 제어 장치를 제공하는 것이다.
본 발명에 따르면, 본 발명의 목적은 독립 및 종속 청구항들에 특정하게 서술된 요소들 및 조합들에 의해 실현 및 달성될 수 있다. 상기의 일반적인 설명 및 이하의 상세한 설명은 단지 예시적인 것이며, 본 발명을 설명된 것으로 제한하기 위한 것이 아니다.
본 발명에 따르면, 산업 프로세스에서 이용되는 부품들로부터 기원하는 센서 및 측정 데이터를 모니터링함에 의해 산업 장비 또는 생산 플랜트에 있어서의 장비 장애의 조기 표시 또는 이상을 검출하는 시스템 및 방법에 대한 상술한 목적들은 특히, 산업 프로세스에서 이용되는 부품들의 센서 및/또는 측정 데이터가 측정 디바이스들 또는 센서들에 의해 측정되고, 산업 프로세스에서 이용되는 부품들이 정상적으로 기능하고 있는 시 기간들(time periods) 동안 센서 및/또는 측정 데이터의 수신된 데이터 스트림내에서 등가 크기의 시간 프레임(equal sized time frame)들 또는 시 기간들이 식별된다는 점 - 센서 및/또는 측정 데이터는 다수의 측정 파라메타들에 대한 센서 값들을 구비함 - ; 식별된 등가 크기(equal-sized)의 시간 프레임들의 각 프레임 동안 다수의 측정 파라메타들의 센서 값들이 관찰 가능 이진 프로세싱 코드(observable binary processing code)로 변환되고, 이진 프로세싱 코드들이 저장 가능한 마로코프 체인 상태(stoable Markov chain state)들의 시퀀스를 유지하는 데이터 스토어(data store) 또는 데이터 구조에 할당된다는 점; 정의 가능한 개수의 가변 은닉 마르코프 모델 파라메타 값들(definable number of variable hidden Markov model parameter values)을 구비하는 다차원 데이터 구조(multi-dimensional data structure)가 생성된다는 점 - 다차원 데이터 구조의 가변 모델 파라메타들은 할당된 이진 프로세싱 코드들의 시퀀스에 적용되는 기계-학습 모듈에 의해 결정되고, 다차원 데이터 구조의 가변 은닉 마르코프 모델 파라메타들은 식별된 등가 크기의 시간 프레임들의 센서 및/또는 측정 데이터에 기초하여 발생 경보 이벤트들(occurring alarm events)의 정상 상태 빈도(normal state frequency)를 학습함에 의해 가변되고 훈련됨 -; 상기 가변 은닉 마르코프 모델 파라메타 값들을 가진 훈련된 다차원 데이터 구조를, 측정된 센서 및/또는 측정 데이터와 동일한, 등가 크기의 시간 프레임을 가진 사전 샘플링된 이진 프로세싱 코드들에 적용함에 의해 다수의 확률 상태값(probability state value)이 초기화되고 저장된다는 점; 저장된 확률 상태 값들의 대수 결과 값(logarithmic result value)들을 서열화함에 의해 이상 스코어(anomaly score)의 대수 임계치가 결정된다는 점; 및, 가변 은닉 마르코프 모델 파라메타 값들을 가진 상기 훈련된 다차원 데이터 구조가, 임박한 시스템 장애를 나타낼 수 있는 이상 센서 데이터 값들을 검출하기 위해, 이상 스코어의 임계치를 이용하여 산업 장비 또는 플랜트들로부터의 새로 측정된 센서 및/또는 측정 데이터를 모니터링하도록 배치된다는 점 - 이상 센서 데이터 값들에서의 트리거링을 위해, 이상 스코어의 상기 대수 임계치에 기초하여, 새로 측정된 센서 및/또는 측정 데이터의 확률 상태 값의 대수 결과 값이 생성되어, 저장된 확률 상태 값들과 비교됨 - 에서 달성된다. 추가로, 예를 들어, n 열(row)들에 걸쳐있는 윈도우(window)에 대한 클래식 해밍 거리(classical hamming distance)(n=1, 클래식 해밍 거리)에 기초하여, 유효 상관(effective correlation)의 이진 벡터 거리를 제공하는 다른 방법들이 존재한다. 벡터 a 및 b에 대하여, 그 거리는 a의 길이에 의해 제산된 n 열들의 윈도우상의 a 및 b에 있어서의 1들의 개수와 동일하다. 또 다른 방법은 자카드 거리(Jaccard distance)에 기초한다. J(A,B)=1-|A∩nB||A∪B|. 실시 예의 변형에 있어서, 그 거리는 주기적으로 생성될 수 있고, 상술한 예시적인 방법에 의한 유효 상관에 이상이 있었으면, 알고리즘은 이상을 검출할 수 있다.
본 발명의 시스템 및 방법은, 원칙적으로, (임계치들에 기초하여) 아날로그 신호를 이진 신호 또는 코드로의 변환과 함께 및 변환없이 작업함을 아는 게 중요하다. 그러나, 아날로그 신호를 이진 신호 또는 코드로 변환하는 것은, 특히, 시 계열 이상 검출들이, 전형적으로, 이상을 검출하기 위해 임계치 및 이동 평균 또는 그 비슷한 것에 의존한다는 장점을 가진다. 그 결과는 (산업 프로세스에서 전형적인) 발진/잡음 신호들에 기인한 너무 많은 이상 이벤트들의 검출일 수 있다. 예를 들어, 시 계열 및 이상 검출을 위해, 누군가 감도를 높이거나 줄이기 위해 임계치를 조정할 수 있다(이상들이 회색 수직 라인들로 마킹된 도 13 참조). 이러한 방식에서는, 임계치를 초과했던 이벤트들의 각각은 이진 시퀀스를 생성하도록 참/1 값(및 그렇지 않으면 거짓/0)을 취한다. 이것은, 이상들이 이상 빈도에 기초하여 분류될 수 있도록, 임계치 크로싱들(threshold crossing)의 빈도를 검토할 수 있게 한다. 장점은, 임계치 및 발진/잡음 산업 IoT 데이터의 과잉 감도(over-sensitivity)에 대해 걱정할 필요가 없다는 것이다. 이진 변환의 이러한 장점을 알지 못하면, 아날로그 프로세스 데이터에 있어서의 이상을 발견하기 위해 알고리즘의 확장을 이용할 가능성이 있다. 이동 평균 및 분산 임계치들은 이진 시퀀스를 생성하는데 적용될 수 있다. 그 다음, 상기 이상 검출 알고리즘이 이용될 수 있다. 결과적으로, 프로세스가 이례적으로 임계치들을 초과하고 있으면, 이상이 식별될 것이다. 도 14는 프로세스 데이터의 이상을 보여준다. 도 9에 있어서, 이진 시퀀스는 프로세스 데이터에 적용된 임계치에 기초하여 생성된다. 이하의 단계에 있어서, 설명된 이상 검출 방법은 이전 시퀀스에 적용되며, 이상 시 기간(anomalous time periods)이 그에 따라 라벨링된다. 아날로그 신호 이상을 이진 벡터들로 변환하고, 통계적 HMM 이상 검출, 즉, 본 발명에 따른 은닉 마르코프 모델(Hidden Markov Model: HMM) 기반 구조를 적용하는 상술한 본 발명의 시스템 및 방법은 기술적으로 유일하며, 임의 종래 기술 시스템에 의해 제공되지 않음을 아는 것이 중요하다. 본 발명은 이상 검출을 위해 HMM을 이용하는 반면, 최근의 시스템들은 HMM을 이용하여 이상을 라벨링하기 위해 다른 기술을 이용한다. 특히, 종래 기술의 시스템들은 본 발명이 이용하고 있는 임계화 단계를 이용하지 않는다. 또한, 종래 기술의 시스템은 청구항 제1항의 차별기의 일부인, 아날로그 신호들을 이진 시퀀스들로 변환하는 것을 언급하지 않는다.
청구항들 중의 임의 청구항에 대한 잠재적인 진보성 및 자명성 이의와 관련하여, 이것은 신규성보다 훨씬 더 주관적이며, 본 발명자는 다양한 지역들의 특허청이 그들의 주관적 결정 및 지방 법률을 어떻게 적용할지는 코멘트할 수 없다. HMM의 이용은 확실히 잘 알려진 기술이지만, 청구항들은 애플리케이션(곡물 밀링 등)에 보다 특정적이며, 그 설명은 본 발명의 프로세스에 적합할 수 있는 정확한 구현에 보다 특정적이다. 이상 검출을 위한 HMM에 있어서 풍부한 문헌들이 확실히 존재하지만, 경보 데이터에 대한 것이 아닌 이러한 유형들의 산업 프로세스에 대해 특정하게 적용되는 HMM을 교시한 문서들은 없다. 또한, 과학 논문/이론은 그와 같은 청구항들을 언급하지 않음에 따라 불명확한 경향이 있다.
기계-학습 모듈은, 예를 들어, 가변 은닉 마르코프 모델 파라메타들을 가진 다차원 데이터 구조의 훈련을 위해 최대 우도 파라메타 추정(maximum likelihood parameter estimation)을 적용함에 의해 할당된 이진 프로세싱 코드들의 시퀀스를 프로세싱할 수 있으며, 마르코프 체인의 저장 가능 파라메타 상태들의 시퀀스의 요소들은 서로 독립적인 측정들인 것으로 상정되고, 다차원 데이터 구조의 모델 파라메타들은 다차원 데이터 구조의 훈련된 모델 파라메타들을 획득하기 위해 확률들의 승산된 곱(multiplied product of probabilities)을 최대화함에 의해 가변된다. 다차원 데이터 구조의 모델 파라메타들은, 예를 들어, 사전 정의된 수렴 임계치(convergence threshold)를 초과할 때까지 반복적으로 가변될 수 있다. 이상 스코어의 상기 임계치를 결정하기 위하여, 예를 들어, 식별된 시간 프레임들의 센서 및/또는 측정 데이터의 발생 경보 이벤트들의 다른 빈도들에 기초하여 평균화 프로세싱이 적용될 수 있다. 본 발명은, 특히, 산업 프로세스들에서 이용되는 부품들로부터 기원하는 데이터에 있어서의 이상시에 각각 트리거링하는 자동화된 검출을 위한 신규한 방법 및 시스템을 제공한다는 장점을 가진다. 그것은, 처리하기 어려운, 대량의 프로세스 및 경보/고장 데이터를 전형적으로 생성하는, (예를 들어, 곡물 밀들, 식품-프로세싱 플랜트들에 있어서의) 대규모 산업 자산들을 제어하고 모니터링하는 효율적인 자동화된 시스템을 제공한다.
기계들은, 본 발명에 따른 이상 검출 시스템들과 무관하게, 각각의 관련 경보(예를 들어, 롤러 온도 한도의 위반, 롤러 압력 임계치 초과 등)마다 정지함을 알 것이다. 그러나, 본 발명은, 예를 들어, 산업 다변량 시 계열 데이터(industrail multivariate time-series data)와 연관된 무감독 이상 검출을 위한 신규한 시스템 및 방법을 제공한다. 무감독 검출은, 특히, "언노운-언노운(unknown-unknown)" 시나리오에 필수적일 수 있으며, 그 시나리오에서는 운영자가 잠재적 장애를 알지 못하고, 그러한 미지의 장애의 임의 사전 발생을 관찰하지 못한다. 본 발명의 시스템은 데이터 품질 평가, 결측값 대치(missing value imputation), 추가적인 또는 새로운 특징 생성, 확인(validation) 및 평가를 제공할 수 있다. 본 발명은 정상 동작 프로파일(예를 들어, 정상 범위내의 모든 센서들이 나타내는 값들)과 그 동작의 현재 상태에 있어서의 보고된 차이를 비교하는 것에 기초하여 미지의 장애를 결정할 수 있게 한다. 센서들은 진동, 온도, 압력 및 환경적 변화와 같은 기계 한대의 다양한 측정 가능 요소들과 연관될 수 있다. 일부 경우에, 미지의 장애를 결정하는 것은, 곧 일어날 장애를 발견하는 것과 연관된다(예를 들어, 조기 검출). 일부 경우에, 미지의 장애를 결정하는 것은, 조기 검출과, 과거에 장애가 일어났지만 현재의 동작에 영향을 주고 있는 다른 경우들과 연관된다. 또한, 본 발명은 기계상의 단순한 유지 이벤트들에 의해 트리거되고 우려할만한 것은 아닌 경보/고장의 효과적인 필터링 및 구별을 가능하게 한다. 이것은, 또한, 예를 들어, 임계치에 기초하여 이례적인 값들을 빈번하게 보여줄 수 있으며, 개별적인 이벤트들에 대해 항상 우려할 이유는 없는, 예를 들어, 모터 전류로부터의 프로세스 데이터에 적용된다. 본 발명은 전형적인 동작으로부터 벗어난 중요한 이벤트들의 최종 후보 리스트(short-list)를 만들기 위해 센서들 및 측정 디바이스들로부터 스트리밍(streaming)된 경보/고장 데이터의 효율적이고 자동화된 정제(automated distillation)를 허용한다. 이러한 최종 후보 리스트는, 산업 프로세스들에 있어서 매우 비싸고 최소화되어야만 하는, 다운타임 이벤트들의 효과적인 예방 유지 및 근본 원인 분석의 신규한 방법에 대한 기초를 제공한다. 본 발명은, 기계의 정확한 동작을 제어 및 모니터링하는 본 발명에 의해 무감독의 완전 자동화된 방법이 기술적으로 가능하게 되도록, 이상 패턴들을 미리 식별할 수 있게 한다. 따라서, 본 발명은 특히 산업 다변량 시 계열 데이터와 연관된 무감독 이상 검출을 할 수 있게 한다. 무감독 검출은 "언노운-언노운(unknown-unknown)" 시나리오에 필수적이며, 그 시나리오에서는 운영자가 잠재적 장애를 알지 못하고, 그러한 미지의 장애의 임의 사전 발생을 관찰하지 못한다. 본 발명은 정상 동작 또는 기계/엔진 프로파일(예를 들어, 정상 범위내의 모든 센서들이 나타내는 값들)과 기계/엔진의 현재 상태에 있어서의 보고된 차이를 비교하는 것에 기초하여 미지의 장애를 결정할 수 있다. 센서들은 진동, 온도, 압력 및 환경적 변화 등과 같은 기계 한대의 다양한 측정 가능 요소들과 연관될 수 있다. 일부 경우에, 미지의 장애를 결정하는 것(예를 들어, 평가)은, 곧 일어날 장애를 발견하는 것과 연관된다(예를 들어, 조기 검출). 일부 다른 경우에, 미지의 장애를 결정하는 것은, 조기 검출과, 장애가 과거에 일어났던 경우와 연관된다. 또한, 본 발명은 새로운 방식으로 이러한 로그 형태(log form)의 센서 데이터 및/또는 경보/고장 메시지에서 통찰(insight)을 얻고 트렌드를 알 수 있게 하는데, 이것은 또한, 운영자들에 의한 경보/고장 이벤트들의 연속적인 모니터링이 불필요하게 되게 한다. 본 발명은, 운영자가 플랜트 동작 및 건강을 쉽게 추적할 수 있도록 경보/고장 메시지들의 신규한 모니터링을 허용한다. 신규한 모니터링은 소유자들 및 유지 제공자들과 같은 다른 개인들이 자동화된 통찰을 얻게 해주며 운영자와 보다 나은 통신을 할 수 있게 한다. 본 발명은 대규모 프로세싱 플랜트에 있어서의 플랜트 다운타임을 피하고/측정할 수 있게 하는데, 그 이유는 그것이 상당한 수입 손실을 나타내기 때문이다.
실시 예 변형에 있어서, 선택된 시간 프레임들의 감도는, 예를 들어, 임계치의 동적 조정에 기초하여 자동으로 조정될 수 있다. 이러한 실시 예 변형은, 특히, 다차원 데이터 구조의 가변 은닉 마르코프 모델 파라메타들을 훈련시킴에 의해 수렴 속도가 최적화될 수 있다는 장점을 가진다.
또 다른 실시 예 변형에 있어서, 이상 시간 프레임들은, 예를 들어, 동일한 산업 프로세서 라인들의 많은 자산에 걸쳐 평가되며, 이상 스코어에서의 트리거링을 위해, 이상 시간 프레임들은 플랜트 다운타임의 근본 원인 분석에 적용된다. 또한, 변형으로서, 플랜트 다운타임의 상기 근본 원인 분석에 기초하여 유지 서비스 시그널링이 생성될 수 있다. 본 실시 예 변형은, 특히, 다양한 자산 및 산업 프로세스 라인들에 걸쳐 본 발명의 확고한 애플리케이션을 허용한다는 장점을 가진다. 또 다른 장점은, 본 실시 예 변형이 클라우드(cloud) 기반 및/또는 네트워크 기반 자동화 유지 및/또는 서비스 애플리케이션들 및 시그널링의 구현을 허용한다는 것이다.
또 다른 실시 예 변형에 있어서, 이상 스코어의 상기 임계치를 결정하기 위해, 저장 가능 파라메타 상태들의 다수의 마르코프 체인 시퀀스들을 초기화하도록 패턴 인식을 이용하여 등가 크기의 식별된 시간 프레임들의 각각에 대해 빈도 패턴이 생성되는데, 각각의 저장 가능 파라메타 상태는 다수의 측정 파라메타들의 함수이며, 저장 가능 파라메타 상태들의 다수의 시퀀스들 각각의 가중 팩터(weighting factor)들 및/또는 평균 및/또는 분산은 적용된 패턴 인식에 의해 결정되고, 관련없은 시간 프레임들은 등가 크기의 식별된 시간 프레임들의 이용된 세트(used set of equal-sized, identified time frame)로부터 제거된다. 이러한 실시 예 변형은, 특히, 다차원 데이터 구조의 가변 은닉 마르코프 모델 파라메타들을 훈련시킴에 의해 수렴 속도가 최적화될 수 있다는 장점을 가진다. 따라서, 패턴 인식 및 가중 팩터들은, 일부 변수들의 상관성이 높은 경우에도, 측정된 데이터 샘플과 기준 데이터를 비교함에 의해, 잡음성 데이터 샘플에 있어서의 각 변수의 상관 이상 측정(correlation anomaly measure)이 적용될 수 있게 한다. 그러므로, 각 변수들에 대한 가장 중요한 종속성들(most significant dependencies)에 집중함에 의해, 잡음에 의해 도입된 위사 종속성들(spurious dependencies)이 제거될 수 있다. 최대 우도 추정으로서 희소 그래픽 가우시안 모델(sparse graphical Gaussian model)을 적응화(fitting)함에 의해 적응적 방식으로 이웃 선택(neighborhood selection)이 실행될 수 있다. 그 다음, 적응화된 조건부 분포들(fitted conditional distributions)간의 거리에 의해 각 측정 파라메타에 대한 상관 이상 측정이 생성될 수 있다.
실시 예 변형에 있어서, 디지털 신호 또는 펄스로서의 게이팅 신호(gating signal)가 생성되어 적당한 시간 윈도우를 제공하며, 측정 데이터의 많은 측정된 시간 프레임들 중에서도 새로 측정된 센서 데이터의 발생 이상 시간 프레임(occurring anomalous time frame)이 선택되고, 정상 시간 프레임들이 제거되거나 무시되는데, 발생 이상 시간 프레임의 선택은 할당된 경보 및/또는 모니터링 및/또는 제어/스티어링 디바이스에 대해 적당한 시그널링 생성 및 전이(transition)를 트리거링한다. 본 실시 예 변형은, 특히, 산업 장비 또는 생산 플랜트들에 있어서의 장비 장애의 조기 표시 또는 검출된 이상들에 의해 트리거링되는 연관된 디바이스들의 동작을 제어하는 적당한 시그널링을 생성함에 의해 효율적인 기계간 시그널링(inter-machine signaling)이 가능하게 된다는 장점을 가진다.
추가적인 실시 예 변형에 있어서, 산업 장비 또는 생산 플랜트들에 있어서의 장비 장애의 조기 표시 또는 이상의 자동화된 검출을 위한 상술한 방법 및 시스템은 밀 플랜트(mill plant)의 롤러 시스템의 밀링 라인 및/또는 밀 플랜트의 자기-최적화 제어(self-optimized control)를 위한 폐쇄-루프 및/또는 개방-루프 제어 장치에 대한 지능적인 자기-적응형 폐쇄-루프 및 개방-루프 제어 방법에 적용되며, 밀링 라인은, 폐쇄-루프 및 개방-루프 제어 장치에 의해 각각 개별적으로 작동 가능하고, 작동 프로세스 파라메타들에 기초하여 그들의 동작 동안에 개별적으로 단속 가능한(regulable) 다수의 프로세싱 유닛들을 구비하며, 폐쇄-루프 및 개방-루프 제어 장치는 이상을 검출하는 상술한 방법에 기초한 패턴 인식 모듈을 구비하고, 제어 장치의 동작은 패턴 인식 모듈의 시그널링에 의해 트리거되며, 밀 플랜트의 동작은 전송된 트리거 신호에 기초하여 제어 장치에 의해 스티어링되고 조정된다. 변형으로서, 폐쇄-루프 및/또는 개방-루프 제어 장치는, 예를 들어, 작동 프로세스 레시피(operative process recipe) 및 제어 장치에 의해 단속할 수 있는 프로세싱 유닛들에 있어서의 정의된 프로세싱 시퀀스를 가진 배치 제어기(batch controller)를 구비하며, 정의된 수량의 최종 제품은 작동 프로세스 레시피에 의해 하나 이상의 출발 물질(starting material)로부터 생산될 수 있고, 프로세싱 유닛들은 작동 프로세스 레시피에 특히 연관된 작동 배치 프로세스 파라메타들(operative batch process parameters)에 기초하여 제어되며, 작동 배치 제어기는 제어 장치에 의해 새로 측정된 센서 데이터의 하나 이상의 발생 및 검출된 이상 시간 프레임들에 기초하여 조정되거나 최적화된다. 제어 장치는, 예를 들어, 다차원 배치 프로세스 파라메타 패턴들을 가진 작동 프로세스 레시피를 인식하는 제 2 패턴 인식 모듈을 더 구비할 수 있으며, 작동 프로세스 레시피는, 적어도 하나 이상의 출발 물질, 밀링 라인의 프로세싱 유닛내의 밀링 프로세스의 정의된 시퀀스 및 밀링 라인의 각각의 프로세싱 유닛들과 연관되어 저장된 작동 배치 프로세스 파라메타들을 구비하고, 폐쇄-루프 및 개방-루프 제어 장치는 이력 배치 프로세스 파라메타들(historical batch process parameters)을 가진 이력 작동 프로세스 레시피들을 저장하는 메모리 장치를 구비하며, 프로세스 레시피의 이력 배치 프로세스 파라메타들은, 각각, 정상 범위에 있는 최적화된 배치 프로세스의 프로세스 전형적(process-typical) 다차원 배치 프로세스 파라메타 패턴을 정의하고, 새로운 작동 프로세스 레시피의 입력은, 저장된 이력 작동 프로세스 레시피들 중 하나 이상이, 연관된 다차원 배치 프로세스 파라메타 패턴들에 기초한 패턴 인식 모듈에 의한 패턴 인식에 의해 가장 밀접한 배치 프로세스 파라메타 패턴(들)로서 트리거되고/되거나 선택되게 하며, 트리거된 가장 밀접한 배치 정상 프로세스 파라메타 패턴들(triggered closest batch normal process parameter patterns)에 기초하여, 제어 장치에 의한 새로 측정된 센서 데이터의 하나 이상의 발생 이상 시간 프레임들의 검출시에, 폐쇄-루프 및 개방-루프 제어 장치에 의해, 새로운 배치 프로세스 파라메타들을 가진 새로운 배치 프로세스 파라메타 패턴들이 생성되고, 프로세싱 유닛은 연관된 배치 프로세스 파라메타들을 가진 생성된 작동 프로세스 레시피들에 기초하여 폐쇄-루프 및 개방-루프 제어 장치에 의해 적절하게 작동되고 단속된다. 본 실시 예 변형은, 특히, 밀의 종속성을 증가시키고, 그와 동시에 동작을 최적화시키거나 발생하는 이상들에 자동으로 반응하며, 최적화되고 자동화된 방식으로 밀링 및/또는 분쇄(crushing)를 실행하는데 이용될 수 있는 롤러 시스템의 밀링 라인의 자동화된 최적화 및 제어를 위한 지능적인 자기-적응형 개방-루프/폐쇄-루프 제어 장치를 제공할 수 있게 한다는 장점을 가진다.
필드 디바이스로서의 센서들 및 측정 디바이스들은 산업 프로세스에 있어서의 산업 장비 또는 플랜트의 프로세스 변수들을 감지 및 제어하는데 이용됨을 알아야 한다. 그러나 일부 시설들에서는, 필드 디바이스의 국소 환경을 모니터링하는 것이 바람직할 수 있다. 또한, 이상 검출 시스템 또는 방법은, 예를 들어, 각각의 센서 신호들 중의 하나 이상에 대해 수신된 기술적 상태 데이터마다 상한 임계치와 하한 임계치를 저장하기 위해 추가적인 임계치 평가기 모듈을 구비할 수 있음을 알아야 한다. 임계치 평가기는 수신된 기술적 상태 데이터와 임계치를 비교하여, 이상 검출 시스템 및 방법에 의한 평가와 무관하게, 각 데이터 값이 각각의 상한 및 하한 임계치에 의해 정의된 간격을 벗어나 있으면, 특정 기술적 상태 데이터에 대한 이상 표시자를 생성한다. 다시 말해, 임계치-기반 센서 데이터 평가는 이상 표시자의 검출에 대한 단축(shortcut)을 제공할 수 있다. 특정 기술적 상태 데이터 값이 상한/하한 임계치에 의해 정의된 공차 범위(tolerance range)를 벗어나면, 비록 이상 검출의 결과가 제공하는 것이 무엇이건 간에, 즉시 대응하는 이상 표시자가 검출된다. 예를 들어, 임계치들은 이전 경험에 기초하여 (예를 들어, 운영자에 의해) 사전 정의될 수 있거나, 임계치들은, 기계 학습 모듈에 의해 이력 센서 데이터로부터 단축값들(shortcut values)로서 학습될 수 있다.
본 발명의 추가적인 측면은 첨부된 청구항들에서 특정하게 서술된 요소들 및 조합들에 의해 실현되고 이루어질 것이다. 이전의 전반적인 설명 및 이하의 상세한 설명은 단지 예시적인 것으로, 본 발명을 설명한 것으로 제한하고자 한 것은 아님을 알아야 한다.
본 발명은 도면들을 참조하여 예시적으로 보다 상세하게 설명될 것이다.
도 1은 산업 플랜트의 자기-최적화 제어를 위한 지능적인 자기-적응형 제어 장치와 함께, 산업 플랜트에 있어서의 모니터링 및 적응화 프로세스를 개략적으로 도시한 도면이다.
도 2는 산업 프랜트에 있어서의 모니터링 및 적응화 프로세스를 개략적으로 도시한 도면으로서, 센서들로부터의 데이터가 주기적으로, 예를 들어, 매 3분마다 전송된다.
도 3 내지 도 12는 도 2에 따른 예시적인 플랜트의 프리미엄 밀링 섹션(premium milling section)에 있어서의 플랜트 고장/정지 이벤트들(다운타임)을 도시한 도면이다. 밀링/세정/제 1 세정 섹션들에 있어서의 기계적 오류에 기인한 주 고장 정지 이벤트들이 운영 상태 개관(overview)에 도시된다. 각각 2017 및 2018년의 예시적인 데이터에 대한 개별적인 센서 레벨에서의 빈번한 고장들이 도시된다. 밀 레벨 섹션(mill level section)에서의 및 개별적 센서들에 대한 이상이 도시된다. 최적화 및 예방 유지를 위한 시그널링이 또한 도시된다.
도 3은 2017년 내지 2018년의 시 기간에 있어서 예시적인 밀 수율(mill yield)의 모니터링을 개략적으로 도시한 도면이다.
도 4는 2017년 내지 2018년의 시 기간에 있어서 예시적인 F1 수율의 모니터링을 개략적으로 도시한 도면이다.
도 5는 2017년 내지 2018년의 시 기간에 있어서 예시적인 밀링 섹션 밀링 정지 개요(milling section milling suspends summary)의 모니터링을 개략적으로 도시한 도면이다. 본 예시에 있어서, 2018년의 정지 이벤트들의 전체 횟수는 80회로서, 전체 소요 시간은 2일 27 시간 11분이었다. 밀링 섹션에 있어서의 가장 긴 정지는 2018년 1월 1일의 14시간 51분이었다. 2017년 정지 이벤트들의 전체 횟수는 275회로, 전체 소요 시간은 9일 8시간 58분이었다. 그 합은 결측 이벤트들(missing events)을 배제한 것이다.
도 6a 내지 도 6o는 2017년 11월 01일 내지 11월 30일의 시 기간에 있어서의 예시적인 밀링 플랜트의 오류 모니터링을 개략적으로 도시한 도면이다.
도 7은 2017년 내지 2018년의 시 기간에 있어서의 예시적인 밀링 플랜트의 오류 모니터링 빈도 개요를 개략적으로 도시한 도면이다. 그 도면은 제 2 세정 섹션(MUEPS001), 밀링 섹션(MUEPS002) 및 제 1 세정 섹션(RE1PS001)의 기계적 오류 고장에 대한 플랜트 정지 이벤트를 주간 번호(week number)로 보여준다. 10분 초과의 결측 데이터는 위에 도시된다. 수직 바(vertical bar)들은 고장이 발생했던 때를 나타내며 가시적인 짧은 타임스케일 고장 이벤트들(visible short timescale fault events)이 되도록 (15시간 만큼) 확대된다. 굵은 수직 라인들은 장기 고장 이벤트들 또는 서로 가까운 여러개의 단기 고장 이벤트들을 나타낸다. 3분 미만의 고장은 배제된다(데이터는 매 3분마다 샘플링된다).
도 8a 및 8b는 2018년 기간의 예시적인 최상위의 10개의 고장 경보를 개략적으로 도시한 도면이다.
도 9는 2017년 내지 2018년의 시 기간에 있어서의 예시적인 플랜트의 세정 섹션의 오류 모니터링을 개략적으로 도시한 도면이다. 본 발명의 시스템 및 방법은, 소텍스(sortex)에 대해 예방 유지 또는 추가적인 모니터링이 필요할 경우 시그널링을 생성할 수 있게 한다. 본 발명의 이상 검출 방법은 예방 유지 또는 모니터링을 요구하는 장비를 식별할 수 있다. 그 도면은 일부 예비적인 결과를 보여주며, 세정 섹션에 대한 이상 주간(abnormal week)들은 오렌지로 라벨링된다. 도 9는 이상 고장 빈도들이 검출되는 예비적인 결과를 도시한다. 수직 바들은 고장들이 발생했던 때를 나타내며 가시적인 짧은 타임스케일 고장 이벤트들(visible short timescale fault events)이 되도록 약간 확대된다. 컬러 바는 각각의 고장 신호의 분류를 나타낸다. 회색으로 라벨링된 시 기간은 전형적인 플랜트 동작인 것으로 상정된다. 청색으로 라벨링된 시 기간들은 정상 동작으로서 분류되고, 오렌지로 라벨링된 주간들(weeks)은 이상으로서 분류된다. 결측 데이터 시 기간들은 정상 동작으로서 분류되고 표시되지 않는다. 소텍스, 하이 레벨 센서-WT, 흐름 밸런서(flow balancer, 203) 및 세정 섹션은 서로 다른 기계들에 대한 단순한 예시들이다. 따라서, 도 9에 있어서, 소텍스는 보다 일반적으로 전체 시스템 중 "기계 1"로서 지칭될 수 있고, 하이 레벨 센서-WT는 전체 시스템 중 "기계 2"로서 지칭될 수 있으며, 흐름 밸런서(203)는 전체 시스템 중 "기계 3"으로 지칭될 수 있고, 세정 섹션은 전체 시스템 중 "기계 4"로 지칭될 수 있다.
도 10은, 플랜트내의 센서 위치에 의한, 예시적인 밀링 플랜트의 세정 섹션에 있어서의 오류 모니터링을 개략적으로 도시한 도면이다. 형태 A-xxxx를 가진 참조 번호들은 밀링 플랜트의 세정 섹션의 동작 동안에 측정 데이터를 포획하는 센서들 및 측정 디바이스들을 나타내며, 프로세싱에 있어서의 다양한 위치들내에 자리한다.
도 11은 계량기들(weight scales) 및 흐름 밸런서들에 의한, 예시적인 밀링 플랜트의 세정 섹션에 있어서의 오류 모니터링을 개략적으로 도시한 도면이다.
도 12는 센서 및 측정 데이터에 있어서의 오류/고장 상관을 개략적으로 도시한 도면이다. 플랜트 동작의 이상을 검출하는 제어 장치에 대한 본 발명의 시스템 및 신규한 방법은 많은 개수의 상관 및 센서 값들을 처리할 수 있다. 도 12의 현 모양의 도면은 동시에 발생하는 고장들을 보여주며, 이는 기계적 장애들간의 가능한 상관을 암시한다.
도 13은, 프로세스 데이터의 이진 변환을 가진 본 발명의 실시 예 변형을 개략적으로 도시한 도면이다. 전형적으로, 시 계열 이상 검출 알고리즘은 이상을 검출하기 위해 임계치들 및 이동 평균 등에 의존한다. 결과적으로, (전형적으로 산업 프로세스에 있어서의) 발진/잡음 신호들(oscillating/noisy signals)에 기인하여 너무 많은 이상 이벤트들이 검출될 수 있다. 본 발명에 있어서는 감도를 높이거나 줄이기 위해 임계치가 조정될 수 있다(이상들이 수직 라인들로 마킹된 도 13 참조). 임계치를 초과했던 이벤트들의 각각은 이진 시퀀스를 생성하도록 참/1 값(및 그렇지 않으면 거짓/0)을 취한다. 이것은, 이상들이 이상 빈도에 기초하여 분류될 수 있도록, 임계치 크로싱들(threshold crossing)의 빈도를 검토할 수 있게 한다. 기술적 장점은, 임계치 및 발진/잡음 산업 IoT 데이터의 과잉 감도(over-sensitivity)에 대해 걱정할 필요가 없다는 것이다.
도 14는, 제 1 단계에서, 프로세스 데이터에 적용된 임계치들에 기초하여 이진 시퀀스가 생성되는, 프로세스 데이터의 이상 검출을 개략적으로 도시한 도면이다 (도 14 참조). 제 2 단계에 있어서, 본 명세서에서 설명된 이상 검출은 이진 시퀀스에 적용되며, 그에 따라 이상 시 기간들이 라벨링된다. 아날로그 신호 이상들을 이진 벡터들로 변환하고, 본 발명에 따라 통계적 HMM(Hidded Markov Model) 이상 검출 구조를 적용하는 것은 기술적으로 유일하며, 종래 기술의 시스템들 중의 어느것으로부터도 도출될 수 없다.
도 15는 다운타임 및 오류 센서 데이터에 기초한 프로세스 데이터의 이상 검출을 개략적으로 도시한 도면으로서, 좌측열은 시간의 경과에 따른 여러 섹션들내의 다운타임 측정을 보여주고, 우측열의 상부는 모든 기계들에 걸쳐서의 기계에 의해 측정된 고장을 보여주며, 우측열의 중간은 기계에 의한 오류 시간을 보여주고, 우측열의 하부는 날마다 측정된 오류 빈도를 보여준다.
도 16은 도 15에 도시된 예시에 대한 센서 및 측정 데이터에 있어서의 오류/고장 상관을 개략적으로 도시한 또 다른 도면이다. 도 16은 산업 프로세스들에서 이용되는 부품들로부터 기원하는 센서 또는 측정 데이터를 트리거링하는 산업 장비 또는 생산 플랜트들에 있어서의 장비 장애의 조기 표시 또는 이상을 검출하는 본 발명의 시스템 및 방법이 검출되고 측정된 경보 빈도들, 상관들 및 이상들에 기초하여 적당한 스티어링 신호들을 제공할 수 있게 하는 방법을 보여준다. 따라서, 본 발명의 시스템은, 경보 이벤트들 간의 상관들을 트리거링하고/하거나, 제때에 경보 이벤트들을 시각화하고/하거나, 이상 다운타임/경보들의 이상 검출, 및/또는 경보 재생 및 대응하는 전자 시그널링 생성을 위한 기술적으로 완벽한 새로운 방식을 허용한다.
도 1은 산업 플랜트의 자기-최적화 제어를 위한 지능적인 자기-적응형 제어 장치와 함께, 산업 플랜트에 있어서의 모니터링 및 적응화 프로세스를 개략적으로 도시한 도면이다.
도 2는 산업 프랜트에 있어서의 모니터링 및 적응화 프로세스를 개략적으로 도시한 도면으로서, 센서들로부터의 데이터가 주기적으로, 예를 들어, 매 3분마다 전송된다.
도 3 내지 도 12는 도 2에 따른 예시적인 플랜트의 프리미엄 밀링 섹션(premium milling section)에 있어서의 플랜트 고장/정지 이벤트들(다운타임)을 도시한 도면이다. 밀링/세정/제 1 세정 섹션들에 있어서의 기계적 오류에 기인한 주 고장 정지 이벤트들이 운영 상태 개관(overview)에 도시된다. 각각 2017 및 2018년의 예시적인 데이터에 대한 개별적인 센서 레벨에서의 빈번한 고장들이 도시된다. 밀 레벨 섹션(mill level section)에서의 및 개별적 센서들에 대한 이상이 도시된다. 최적화 및 예방 유지를 위한 시그널링이 또한 도시된다.
도 3은 2017년 내지 2018년의 시 기간에 있어서 예시적인 밀 수율(mill yield)의 모니터링을 개략적으로 도시한 도면이다.
도 4는 2017년 내지 2018년의 시 기간에 있어서 예시적인 F1 수율의 모니터링을 개략적으로 도시한 도면이다.
도 5는 2017년 내지 2018년의 시 기간에 있어서 예시적인 밀링 섹션 밀링 정지 개요(milling section milling suspends summary)의 모니터링을 개략적으로 도시한 도면이다. 본 예시에 있어서, 2018년의 정지 이벤트들의 전체 횟수는 80회로서, 전체 소요 시간은 2일 27 시간 11분이었다. 밀링 섹션에 있어서의 가장 긴 정지는 2018년 1월 1일의 14시간 51분이었다. 2017년 정지 이벤트들의 전체 횟수는 275회로, 전체 소요 시간은 9일 8시간 58분이었다. 그 합은 결측 이벤트들(missing events)을 배제한 것이다.
도 6a 내지 도 6o는 2017년 11월 01일 내지 11월 30일의 시 기간에 있어서의 예시적인 밀링 플랜트의 오류 모니터링을 개략적으로 도시한 도면이다.
도 7은 2017년 내지 2018년의 시 기간에 있어서의 예시적인 밀링 플랜트의 오류 모니터링 빈도 개요를 개략적으로 도시한 도면이다. 그 도면은 제 2 세정 섹션(MUEPS001), 밀링 섹션(MUEPS002) 및 제 1 세정 섹션(RE1PS001)의 기계적 오류 고장에 대한 플랜트 정지 이벤트를 주간 번호(week number)로 보여준다. 10분 초과의 결측 데이터는 위에 도시된다. 수직 바(vertical bar)들은 고장이 발생했던 때를 나타내며 가시적인 짧은 타임스케일 고장 이벤트들(visible short timescale fault events)이 되도록 (15시간 만큼) 확대된다. 굵은 수직 라인들은 장기 고장 이벤트들 또는 서로 가까운 여러개의 단기 고장 이벤트들을 나타낸다. 3분 미만의 고장은 배제된다(데이터는 매 3분마다 샘플링된다).
도 8a 및 8b는 2018년 기간의 예시적인 최상위의 10개의 고장 경보를 개략적으로 도시한 도면이다.
도 9는 2017년 내지 2018년의 시 기간에 있어서의 예시적인 플랜트의 세정 섹션의 오류 모니터링을 개략적으로 도시한 도면이다. 본 발명의 시스템 및 방법은, 소텍스(sortex)에 대해 예방 유지 또는 추가적인 모니터링이 필요할 경우 시그널링을 생성할 수 있게 한다. 본 발명의 이상 검출 방법은 예방 유지 또는 모니터링을 요구하는 장비를 식별할 수 있다. 그 도면은 일부 예비적인 결과를 보여주며, 세정 섹션에 대한 이상 주간(abnormal week)들은 오렌지로 라벨링된다. 도 9는 이상 고장 빈도들이 검출되는 예비적인 결과를 도시한다. 수직 바들은 고장들이 발생했던 때를 나타내며 가시적인 짧은 타임스케일 고장 이벤트들(visible short timescale fault events)이 되도록 약간 확대된다. 컬러 바는 각각의 고장 신호의 분류를 나타낸다. 회색으로 라벨링된 시 기간은 전형적인 플랜트 동작인 것으로 상정된다. 청색으로 라벨링된 시 기간들은 정상 동작으로서 분류되고, 오렌지로 라벨링된 주간들(weeks)은 이상으로서 분류된다. 결측 데이터 시 기간들은 정상 동작으로서 분류되고 표시되지 않는다. 소텍스, 하이 레벨 센서-WT, 흐름 밸런서(flow balancer, 203) 및 세정 섹션은 서로 다른 기계들에 대한 단순한 예시들이다. 따라서, 도 9에 있어서, 소텍스는 보다 일반적으로 전체 시스템 중 "기계 1"로서 지칭될 수 있고, 하이 레벨 센서-WT는 전체 시스템 중 "기계 2"로서 지칭될 수 있으며, 흐름 밸런서(203)는 전체 시스템 중 "기계 3"으로 지칭될 수 있고, 세정 섹션은 전체 시스템 중 "기계 4"로 지칭될 수 있다.
도 10은, 플랜트내의 센서 위치에 의한, 예시적인 밀링 플랜트의 세정 섹션에 있어서의 오류 모니터링을 개략적으로 도시한 도면이다. 형태 A-xxxx를 가진 참조 번호들은 밀링 플랜트의 세정 섹션의 동작 동안에 측정 데이터를 포획하는 센서들 및 측정 디바이스들을 나타내며, 프로세싱에 있어서의 다양한 위치들내에 자리한다.
도 11은 계량기들(weight scales) 및 흐름 밸런서들에 의한, 예시적인 밀링 플랜트의 세정 섹션에 있어서의 오류 모니터링을 개략적으로 도시한 도면이다.
도 12는 센서 및 측정 데이터에 있어서의 오류/고장 상관을 개략적으로 도시한 도면이다. 플랜트 동작의 이상을 검출하는 제어 장치에 대한 본 발명의 시스템 및 신규한 방법은 많은 개수의 상관 및 센서 값들을 처리할 수 있다. 도 12의 현 모양의 도면은 동시에 발생하는 고장들을 보여주며, 이는 기계적 장애들간의 가능한 상관을 암시한다.
도 13은, 프로세스 데이터의 이진 변환을 가진 본 발명의 실시 예 변형을 개략적으로 도시한 도면이다. 전형적으로, 시 계열 이상 검출 알고리즘은 이상을 검출하기 위해 임계치들 및 이동 평균 등에 의존한다. 결과적으로, (전형적으로 산업 프로세스에 있어서의) 발진/잡음 신호들(oscillating/noisy signals)에 기인하여 너무 많은 이상 이벤트들이 검출될 수 있다. 본 발명에 있어서는 감도를 높이거나 줄이기 위해 임계치가 조정될 수 있다(이상들이 수직 라인들로 마킹된 도 13 참조). 임계치를 초과했던 이벤트들의 각각은 이진 시퀀스를 생성하도록 참/1 값(및 그렇지 않으면 거짓/0)을 취한다. 이것은, 이상들이 이상 빈도에 기초하여 분류될 수 있도록, 임계치 크로싱들(threshold crossing)의 빈도를 검토할 수 있게 한다. 기술적 장점은, 임계치 및 발진/잡음 산업 IoT 데이터의 과잉 감도(over-sensitivity)에 대해 걱정할 필요가 없다는 것이다.
도 14는, 제 1 단계에서, 프로세스 데이터에 적용된 임계치들에 기초하여 이진 시퀀스가 생성되는, 프로세스 데이터의 이상 검출을 개략적으로 도시한 도면이다 (도 14 참조). 제 2 단계에 있어서, 본 명세서에서 설명된 이상 검출은 이진 시퀀스에 적용되며, 그에 따라 이상 시 기간들이 라벨링된다. 아날로그 신호 이상들을 이진 벡터들로 변환하고, 본 발명에 따라 통계적 HMM(Hidded Markov Model) 이상 검출 구조를 적용하는 것은 기술적으로 유일하며, 종래 기술의 시스템들 중의 어느것으로부터도 도출될 수 없다.
도 15는 다운타임 및 오류 센서 데이터에 기초한 프로세스 데이터의 이상 검출을 개략적으로 도시한 도면으로서, 좌측열은 시간의 경과에 따른 여러 섹션들내의 다운타임 측정을 보여주고, 우측열의 상부는 모든 기계들에 걸쳐서의 기계에 의해 측정된 고장을 보여주며, 우측열의 중간은 기계에 의한 오류 시간을 보여주고, 우측열의 하부는 날마다 측정된 오류 빈도를 보여준다.
도 16은 도 15에 도시된 예시에 대한 센서 및 측정 데이터에 있어서의 오류/고장 상관을 개략적으로 도시한 또 다른 도면이다. 도 16은 산업 프로세스들에서 이용되는 부품들로부터 기원하는 센서 또는 측정 데이터를 트리거링하는 산업 장비 또는 생산 플랜트들에 있어서의 장비 장애의 조기 표시 또는 이상을 검출하는 본 발명의 시스템 및 방법이 검출되고 측정된 경보 빈도들, 상관들 및 이상들에 기초하여 적당한 스티어링 신호들을 제공할 수 있게 하는 방법을 보여준다. 따라서, 본 발명의 시스템은, 경보 이벤트들 간의 상관들을 트리거링하고/하거나, 제때에 경보 이벤트들을 시각화하고/하거나, 이상 다운타임/경보들의 이상 검출, 및/또는 경보 재생 및 대응하는 전자 시그널링 생성을 위한 기술적으로 완벽한 새로운 방식을 허용한다.
1: 산업 장비/생산 플랜트
11: 프로세스 라인
12: 플랜트 다운타임
13: 모니터링 디바이스들
14: 제어/스티어링 디바이스들
15: 경보 디바이스들
2: 측정 디바이스들/센서들
3: 등가 크기의 시간 프레임들
31: 이상 시간 프레임들
4: 측정 및/또는 프로세스 파라메타들
41: 센서/측정 파라메타들
42: 프로세스 변수들
43: 이상 센서 데이터 값들
5: 산업 프로세싱 부품들/산업 디바이스들
6: 산업 프로세스
61: 발생 경보 이벤트들
611: 발생 경보 이벤트들의 빈도들
612: 발생 경보 이벤트들의 빈도 패턴들
7: 산업 장비 또는 생산 플랜트들에 있어서의 장비 장애의 조기 표시들 또는 이상들을 검출하는 시스템
71: 모니터링 디바이스
8: 기계 학습 모듈들
81: 다차원 데이터 구조
811, 812,..., 81x: 가변 은닉 마르코프 모델 파라메타 값들
821, 822,..., 82x: 저장 가능 마르코프 체인 상태들
831, 832,..., 83x: 훈련된 모델 파라메타들
82: 발생 경보 이벤트들의 정상 상태 빈도
83: 확률 상태 값들
84: 대수 임계치
841: 이상 스코어
85: 대수 결과값
86: 사전 정의된 수렴 임계치
9: 이진 변환기/차별기
91: 이진 프로세싱 코드들
911: 생성된 이진 프로세싱 코드들
912: 사전 샘플링된 이진 프로세싱 코드들
92: 임계치들
11: 프로세스 라인
12: 플랜트 다운타임
13: 모니터링 디바이스들
14: 제어/스티어링 디바이스들
15: 경보 디바이스들
2: 측정 디바이스들/센서들
3: 등가 크기의 시간 프레임들
31: 이상 시간 프레임들
4: 측정 및/또는 프로세스 파라메타들
41: 센서/측정 파라메타들
42: 프로세스 변수들
43: 이상 센서 데이터 값들
5: 산업 프로세싱 부품들/산업 디바이스들
6: 산업 프로세스
61: 발생 경보 이벤트들
611: 발생 경보 이벤트들의 빈도들
612: 발생 경보 이벤트들의 빈도 패턴들
7: 산업 장비 또는 생산 플랜트들에 있어서의 장비 장애의 조기 표시들 또는 이상들을 검출하는 시스템
71: 모니터링 디바이스
8: 기계 학습 모듈들
81: 다차원 데이터 구조
811, 812,..., 81x: 가변 은닉 마르코프 모델 파라메타 값들
821, 822,..., 82x: 저장 가능 마르코프 체인 상태들
831, 832,..., 83x: 훈련된 모델 파라메타들
82: 발생 경보 이벤트들의 정상 상태 빈도
83: 확률 상태 값들
84: 대수 임계치
841: 이상 스코어
85: 대수 결과값
86: 사전 정의된 수렴 임계치
9: 이진 변환기/차별기
91: 이진 프로세싱 코드들
911: 생성된 이진 프로세싱 코드들
912: 사전 샘플링된 이진 프로세싱 코드들
92: 임계치들
Claims (11)
- 산업 프로세스들(6)에서 이용되는 부품들(5)로부터 기원하는 측정 데이터 및/또는 프로세스 파라메타들(4)을 모니터링함에 의해 산업 장비 또는 생산 플랜트들(1)에 있어서의 장비 장애(43)의 조기 표시 또는 이상을 검출하는 방법으로서,
측정 디바이스들 또는 센서들(2)에 의해 산업 프로세스(6)에서 이용되는 부품들(5)의 측정 데이터 및/또는 프로세스 파라메타들(4)을 측정 및/또는 모니터링하고, 산업 프로세스(6)에서 이용되는 부품들(5)이 정상적으로 기능하고 있는 시간 프레임들(time frames) 동안 측정 및/또는 프로세스 파라메타들(4)에 있어서의 등가 크기의 시간 프레임들(3)을 식별하는 - 측정 및/또는 프로세스 파라메타들(4)은 다수의 측정/센서 파라메타들(41) 및/또는 프로세스 변수들(42)에 대한 파라메타 값들을 구비함 - 단계;
각각의 식별된 등가 크기의 시간 프레임들(3) 동안 다수의 측정/센서 파라메타들(41) 및/또는 프로세스 변수들(42)의 파라메타 값들(4)을 관찰 가능 이진 프로세싱 코드(observable binary processing code)들(91/911)로 변환하고, 이진 프로세싱 코드들(91/911)을 저장 가능한 마로코프 체인 상태(storable Markov chain state)들(821, 822,..., 82x)의 시퀀스에 할당하는 단계;
정의 가능한 개수의 가변 은닉 마르코프 모델 파라메타 값들(definable number of variable hidden Markov model parameter values)(811, 812,..., 81x)을 구비하는 다차원 데이터 구조(multi-dimensional data structure)(81)를 생성하는 - 다차원 데이터 구조(81)의 가변 모델 파라메타들(811, 812,,,,, 81x)은 할당된 이진 프로세싱 코드들(91)을 가진 저장 가능 마르코프 체인 상태들(821,822,..., 82x)의 시퀀스에 적용되는 기계-학습 모듈(8)에 의해 결정되고, 다차원 데이터 구조(81)의 가변 은닉 마르코프 모델 파라메타들(811, 812,..., 81x)은 식별된 등가 크기의 시간 프레임들(3)의 측정 데이터 및/또는 프로세스 파라메타들(4)에 기초하여 정상 상태 빈도(normal state frequency)(82)를 학습함에 의해 가변되고 훈련됨 - 단계;
가변 은닉 마르코프 모델 파라메타 값들(811, 812,..., 81x)을 가진 훈련된 다차원 데이터 구조(81/831, 832,..., 83x)를, 다수의 측정/센서 파라메타들(41) 및/또는 프로세스 변수들(42)의 파라메타 값들(4)과 동일한 등가 크기(equal-sized)의 시간 프레임(3)을 가진 사전 샘플링된 이진 프로세싱 코드들(912)에 적용함에 의해 다수의 확률 상태값(probability state value)들(83)을 초기화시키고 저장하는 단계;
저장된 확률 상태 값들(83)의 대수 결과 값(logarithmic result value)들을 서열화함에 의해 이상 스코어(anomaly score)(841)의 대수 임계치(84)를 결정하는 단계; 및,
임박한 시스템 장애를 나타낼 수 있는 이상 센서 데이터 값들(43)을 검출하기 위해, 이상 스코어(841)의 임계치(84)를 이용하여 산업 장비 또는 플랜트들(1)로부터의 새로 측정되고 각각 결정된 측정 데이터 및/또는 프로세스 파라메타들(4)을 모니터링하도록, 가변 은닉 마르코프 모델 파라메타 값들(811, 812,..., 81x)을 가진 상기 훈련된 다차원 데이터 구조(81/831, 832,..., 83x)를 배치하는 단계를 구비하되,
이상 센서 데이터 값들(43)에서의 트리거링을 위해, 이상 스코어(841)의 상기 대수 임계치(84)에 기초하여, 새로 측정되고 각각 결정된 측정 데이터 및/또는 프로세스 파라메타들(4)의 확률 상태 값(83)의 대수 결과 값(85)이 생성되어, 저장된 확률 상태 값들(83)과 비교되는 것을 특징으로 하는
이상 검출 방법.
- 제 1 항에 있어서,
측정 데이터 및/또는 프로세스 파라메타들(4)에 적용된 임계치(92)에 기초하여 이진 프로세싱 코드들(91)이 생성되는
이상 검출 방법.
- 제 2 항에 있어서,
선택된 시간 프레임들(3)의 대역폭은 임계치(92)의 동적 조정에 기초하여 자동으로 조정되는
이상 검출 방법.
- 제 1 항 내지 제 3 항 중 한 항에 있어서,
이상 시간 프레임들(31)은, 동일한 산업 프로세서 라인들(11)의 많은 자산들(many assets)에 걸쳐 측정되며, 이상 스코어(841)에서의 트리거링을 위해, 이상 시간 프레임들은 플랜트 다운타임(plant downtime)의 근본 원인 분석(root cause analysis)에 적용되고, 플랜트 다운타임(12)의 상기 근본 원인 분석에 기초하여 유지 서비스 시그널링이 생성되는
이상 검출 방법.
- 제 1 항 내지 제 4 항 중 한 항에 있어서,
기계-학습 모듈(8)은, 가변 은닉 마르코프 모델 파라메타들(811, 812,..., 81x)을 가진 다차원 데이터 구조(81)의 훈련을 위해 최대 우도 파라메타 추정(maximum likelihood parameter estimation)을 적용함에 의해 할당된 이진 프로세싱 코드들(91)의 시퀀스를 프로세싱하며, 마르코프 체인(821, 822,..., 82x)의 저장 가능 파라메타 상태들의 시퀀스의 요소들은 서로 독립적인 측정들인 것으로 상정되고, 다차원 데이터 구조(81)의 모델 파라메타들은 다차원 데이터 구조(81)의 훈련된 모델 파라메타들(831, 832,..., 83x)을 획득하기 위해 확률들의 승산된 곱(multiplied product of probabilities)을 최대화함에 의해 가변되는,
이상 검출 방법.
- 제 5 항에 있어서,
다차원 데이터 구조(82)의 모델 파라메타들은, 사전 정의된 수렴 임계치(convergence threshold)(86)를 초과할 때까지 반복적으로 가변되는
이상 검출 방법.
- 제 1 항 내지 제 6 항 중 한 항에 있어서,
이상 스코어(841)의 상기 임계치(84)를 결정하기 위하여, 식별된 시간 프레임들(31)의 측정 및/또는 프로세스 파라메타들(4)의 발생 경보 이벤트들(61)의 다른 빈도들에 기초하여 평균화 프로세싱이 적용되는
이상 검출 방법.
- 제 1 항 내지 제 7 항 중 한 항에 있어서,
이상 스코어(841)의 상기 임계치(84)를 결정하기 위해, 저장 가능 파라메타 상태들(821, 822,..., 82x)의 다수의 마르코프 체인 시퀀스들을 초기화하도록 패턴 인식을 이용하여 등가 크기의 식별된 시간 프레임들(31)의 각각에 대해 빈도 패턴(612)이 생성되고, 각각의 저장 가능 파라메타 상태(821, 822,..., 82x)는 다수의 측정 데이터 및/또는 프로세스 파라메타들(4)의 함수이며, 저장 가능 파라메타 상태들(821, 822,..., 82x)의 다수의 시퀀스들의 각각의 가중 팩터(weighting factor)들 및/또는 평균 및/또는 분산은 적용된 패턴 인식에 의해 결정되고, 관련없은 시간 프레임들은 등가 크기의 식별된 시간 프레임들(3)의 이용된 세트(used set of equal-sized, identified time frame)로부터 제거되는
이상 검출 방법.
- 제 1 항 내지 제 8 항 중 한 항에 있어서,
디지털 신호 또는 펄스로서의 게이팅 신호(gating signal)가 생성되어 적당한 시간 윈도우를 제공하며, 측정 데이터 및/또는 프로세스 파라메타들(4)의 많은 측정된 시간 프레임들(3) 중에서 새로 측정된 측정 데이터 및/또는 프로세스 파라메타들(4)의 발생 이상 시간 프레임(occurring anomalous time frame)(31)이 선택되고, 정상 시간 프레임들이 제거되거나 무시될 것이고, 발생 이상 시간 프레임(31)의 선택은 할당된 경보(15) 및/또는 모니터링(13) 및/또는 제어/스티어링 디바이스(14)에 대해 적당한 시그널링 생성 및 전이(transition)를 트리거링하는
이상 검출 방법.
- 제 1 항 내지 제 9 항 중 한 항에 있어서,
새로 측정된 측정 데이터 및/또는 프로세스 파라메타들(4)의 검출된 발생 이상 시간 프레임(31)에 기초하여 전자 제어 및 스티어링 시그널링이 생성되고, 적어도 하나의 발생 이상 시간 프레임(31)의 선택은, 제어/스티어링 디바이스들(14)에 의해 산업 장비 및/또는 생산 플랜트들(1) 또는 부품(5)의 동작을 조정하도록, 적당한 시그널링 생성 및 전이를 트리거링하는
이상 검출 방법.
- 산업 프로세스들(6)에서 이용되는 부품들(5)로부터 기원하는 측정 데이터 및/또는 프로세스 파라메타들(4)을 모니터링함에 의해 산업 장비 또는 생산 플랜트들(6)에 있어서의 장비 장애(43)의 조기 표시 또는 이상을 검출하는 시스템(7)으로서,
상기 시스템(7)은, 산업 프로세스(6)에서 이용되는 부품들(5)의 측정 데이터 및/또는 프로세스 파라메타들(4)을 측정하는 센서들 또는 측정 디바이스들(2/13)과, 산업 프로세스(6)에서 이용되는 부품들(5)이 정상적으로 기능하고 있는 시간 프레임들(time frames) 동안 측정 데이터 및/또는 프로세스 파라메타들(4)에 있어서의 등가 크기의 시간 프레임들(3)을 식별하는 검출 디바이스들을 구비하되, 측정 데이터 및/또는 프로세스 파라메타들(4)은 다수의 측정/센서 파라메타들(41) 및/또는 프로세스 변수들(42)에 대한 파라메타 값들을 구비하고,
상기 시스템(7)은, 식별된 등가 크기의 각각의 시간 프레임들(3) 동안 다수의 측정/센서 파라메타들(41) 및/또는 프로세스 변수들(42)의 파라메타 값들(4)을 관찰 가능 이진 프로세싱 코드(observable binary processing code)들(91/911)로 변환하고, 이진 프로세싱 코드들(91/911)을 저장 가능한 마로코프 체인 상태(stoable Markov chain state)들(821, 822,..., 82x)의 시퀀스에 할당하는 차별기(9)를 구비하며,
시스템(7)은, 정의 가능한 개수의 가변 은닉 마르코프 모델 파라메타 값들(definable number of variable hidden Markov model parameter values)(811, 812,..., 81x)을 구비하는 다차원 데이터 구조(multi-dimensional data structure)(81)를 생성하는 기계 학습 모듈(8)을 구비하되, 다차원 데이터 구조(81)의 가변 모델 파라메타들(811, 812,,,,, 81x)은 할당된 이진 프로세싱 코드들(91)을 가진 저장 가능 마르코프 체인 상태들(821,822,..., 82x)의 시퀀스에 적용되는 기계-학습 모듈(8)에 의해 결정되고, 다차원 데이터 구조(81)의 가변 은닉 마르코프 모델 파라메타들(811, 812,..., 81x)은 식별된 등가 크기의 시간 프레임들(3)의 측정 데이터 및/또는 프로세스 파라메타들(4)에 기초하여 정상 상태 빈도(normal state frequency)(82)를 학습함에 의해 가변되고 훈련되며,
기계-학습 모듈(8)은, 가변 은닉 마르코프 모델 파라메타 값들(811, 812,..., 81x)을 가진 훈련된 다차원 데이터 구조(81/831, 832,..., 83x)를, 다수의 측정/센서 파라메타들(41) 및/또는 프로세스 변수들(42)의 파라메타 값들(4)과 동일한 등가 크기(equal-sized)의 시간 프레임(3)을 가진 사전 샘플링된 이진 프로세싱 코드들(912)에 적용함에 의해 다수의 확률 상태값(probability state value)들(83)을 초기화시키고 저장하는 수단을 구비하고,
기계-학습 모듈(8)은, 저장된 확률 상태 값들(83)의 대수 결과 값(logarithmic result value)들을 서열화함에 의해 이상 스코어(anomaly score)(841)의 대수 임계치(84)를 결정하는 수단을 구비하고,
기계-학습 모듈(8)은, 임박한 시스템 장애를 나타낼 수 있는 이상 센서 데이터 값들(43)을 검출하기 위해, 이상 스코어(841)의 임계치(84)를 이용하여 산업 장비 또는 플랜트들(1)로부터의 새로 측정되고 각각 결정된 측정 데이터 및/또는 프로세스 파라메타들(4)을 모니터링하도록, 가변 은닉 마르코프 모델 파라메타 값들(811, 812,..., 81x)을 가진 상기 훈련된 다차원 데이터 구조(81/831, 832,..., 83x)를 배치하는 수단을 구비하되, 이상 센서 데이터 값들(43)에서의 트리거링을 위해, 이상 스코어(841)의 상기 대수 임계치(84)에 기초하여, 새로 측정되고 각각 결정된 측정 데이터 및/또는 프로세스 파라메타들(4)의 확률 상태 값(83)의 대수 결과 값(85)이 생성되어, 저장된 확률 상태 값들(83)과 비교되는 것을 특징으로 하는,
이상 검출 시스템.
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| EP19154618.3A EP3690581B1 (en) | 2019-01-30 | 2019-01-30 | System and method for detecting and measuring anomalies in signaling originating from components used in industrial processes |
| EP19154618.3 | 2019-01-30 | ||
| PCT/EP2020/052330 WO2020157220A1 (en) | 2019-01-30 | 2020-01-30 | System and method for detecting and measuring anomalies in signaling originating from components used in industrial processes |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20210125015A true KR20210125015A (ko) | 2021-10-15 |
| KR102428632B1 KR102428632B1 (ko) | 2022-08-03 |
Family
ID=65268867
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020217027219A KR102428632B1 (ko) | 2019-01-30 | 2020-01-30 | 산업 프로세스들에서 이용되는 부품들로부터 기원하는 시그널링에 있어서의 이상을 검출 및 측정하는 시스템 및 방법 |
Country Status (10)
| Country | Link |
|---|---|
| US (1) | US11989010B2 (ko) |
| EP (1) | EP3690581B1 (ko) |
| JP (1) | JP7282184B2 (ko) |
| KR (1) | KR102428632B1 (ko) |
| BR (1) | BR112021013786A2 (ko) |
| ES (1) | ES2871348T3 (ko) |
| MX (1) | MX2021008420A (ko) |
| PL (1) | PL3690581T3 (ko) |
| UA (1) | UA127465C2 (ko) |
| WO (1) | WO2020157220A1 (ko) |
Families Citing this family (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11551116B2 (en) * | 2020-01-29 | 2023-01-10 | Rohde & Schwarz Gmbh & Co. Kg | Signal analysis method and signal analysis module |
| US11543808B2 (en) * | 2020-04-08 | 2023-01-03 | Nec Corporation | Sensor attribution for anomaly detection |
| US11630428B2 (en) * | 2021-08-06 | 2023-04-18 | Trimble Inc. | Real-time analysis of vibration samples for operating environment classification and anomaly detection |
| WO2023033791A1 (en) * | 2021-08-31 | 2023-03-09 | Siemens Aktiengesellschaft | Automated acoustic anomaly detection feature deployed on a programmable logic controller |
| EP4152113A1 (de) * | 2021-09-16 | 2023-03-22 | Siemens Aktiengesellschaft | Verfahren und system zur verbesserung des produktionsprozesses in einer technischen anlage |
| WO2023101969A1 (en) * | 2021-11-30 | 2023-06-08 | Aveva Software, Llc | Server, systems and methods for industrial process visual anomaly reporting |
| US20230251646A1 (en) * | 2022-02-10 | 2023-08-10 | International Business Machines Corporation | Anomaly detection of complex industrial systems and processes |
| CN114726593A (zh) * | 2022-03-23 | 2022-07-08 | 阿里云计算有限公司 | 数据分析、异常信息识别方法、设备及存储介质 |
| CN114721352B (zh) * | 2022-04-11 | 2023-07-25 | 华能威海发电有限责任公司 | Dcs系统的状态监测与故障诊断方法及系统 |
| JP2023169060A (ja) * | 2022-05-16 | 2023-11-29 | 横河電機株式会社 | 装置、方法およびプログラム |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110288836A1 (en) * | 2008-11-28 | 2011-11-24 | Snecma | Detection of anomalies in an aircraft engine |
| US20160371600A1 (en) * | 2015-06-22 | 2016-12-22 | Ge Aviation Systems Llc | Systems and methods for verification and anomaly detection using a mixture of hidden markov models |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005251185A (ja) * | 2004-02-05 | 2005-09-15 | Toenec Corp | 電気設備診断システム |
| JP2012048405A (ja) * | 2010-08-25 | 2012-03-08 | Toyota Motor Corp | 制御装置、電子制御ユニット、異常検出方法 |
| JP2015135601A (ja) * | 2014-01-17 | 2015-07-27 | パナソニックＩｐマネジメント株式会社 | 異常検出システム、携帯型検出器、及び異常検出方法 |
| JP6361175B2 (ja) * | 2014-03-06 | 2018-07-25 | 株式会社豊田中央研究所 | 異常診断装置及びプログラム |
| US10474128B2 (en) * | 2015-11-16 | 2019-11-12 | Jtekt Corporation | Abnormality analysis system and analysis apparatus |
| JP7031594B2 (ja) * | 2016-09-08 | 2022-03-08 | 日本電気株式会社 | 異常検出装置、異常検出方法、及びプログラム |
| JP7017861B2 (ja) * | 2017-03-23 | 2022-02-09 | 株式会社日立製作所 | 異常検知システムおよび異常検知方法 |
| EP3996058B1 (en) * | 2018-10-29 | 2024-03-06 | Hexagon Technology Center GmbH | Facility surveillance systems and methods |
-
2019
- 2019-01-30 ES ES19154618T patent/ES2871348T3/es active Active
- 2019-01-30 EP EP19154618.3A patent/EP3690581B1/en active Active
- 2019-01-30 PL PL19154618T patent/PL3690581T3/pl unknown
-
2020
- 2020-01-30 BR BR112021013786-6A patent/BR112021013786A2/pt unknown
- 2020-01-30 KR KR1020217027219A patent/KR102428632B1/ko active IP Right Grant
- 2020-01-30 MX MX2021008420A patent/MX2021008420A/es unknown
- 2020-01-30 US US17/425,942 patent/US11989010B2/en active Active
- 2020-01-30 WO PCT/EP2020/052330 patent/WO2020157220A1/en active Application Filing
- 2020-01-30 JP JP2021544307A patent/JP7282184B2/ja active Active
- 2020-01-30 UA UAA202104851A patent/UA127465C2/uk unknown
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110288836A1 (en) * | 2008-11-28 | 2011-11-24 | Snecma | Detection of anomalies in an aircraft engine |
| US20160371600A1 (en) * | 2015-06-22 | 2016-12-22 | Ge Aviation Systems Llc | Systems and methods for verification and anomaly detection using a mixture of hidden markov models |
Also Published As
| Publication number | Publication date |
|---|---|
| JP7282184B2 (ja) | 2023-05-26 |
| US20220163947A1 (en) | 2022-05-26 |
| EP3690581B1 (en) | 2021-02-17 |
| PL3690581T3 (pl) | 2021-09-06 |
| UA127465C2 (uk) | 2023-08-30 |
| US11989010B2 (en) | 2024-05-21 |
| WO2020157220A1 (en) | 2020-08-06 |
| JP2022519228A (ja) | 2022-03-22 |
| KR102428632B1 (ko) | 2022-08-03 |
| EP3690581A1 (en) | 2020-08-05 |
| ES2871348T3 (es) | 2021-10-28 |
| MX2021008420A (es) | 2021-10-13 |
| BR112021013786A2 (pt) | 2021-09-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102428632B1 (ko) | 산업 프로세스들에서 이용되는 부품들로부터 기원하는 시그널링에 있어서의 이상을 검출 및 측정하는 시스템 및 방법 | |
| JP7017861B2 (ja) | 異常検知システムおよび異常検知方法 | |
| JP4850857B2 (ja) | 予測状態監視における変化状態の適応モデリング | |
| US7308385B2 (en) | Diagnostic systems and methods for predictive condition monitoring | |
| US20140365179A1 (en) | Method and Apparatus for Detecting and Identifying Faults in a Process | |
| AU2002246994A1 (en) | Diagnostic systems and methods for predictive condition monitoring | |
| EP3416011B1 (en) | Monitoring device, and method for controlling monitoring device | |
| KR102005138B1 (ko) | 기기 이상징후 사전감지 방법 및 시스템 | |
| CN109141625B (zh) | 一种滚珠丝杠副的在线状态监测方法 | |
| CN113574480A (zh) | 用于预测设备损坏的装置 | |
| JP6540532B2 (ja) | 監視装置及び監視装置の制御方法 | |
| CN112288126B (zh) | 一种采样数据异常变化在线监测与诊断方法 | |
| CN112528227A (zh) | 一种基于数理统计的传感器异常数据识别方法 | |
| CN111712771B (zh) | 能够执行问题诊断的数据处理装置以及方法 | |
| CN113454553B (zh) | 用于检测和测量源自工业过程中使用的部件的信令中的异常的系统和方法 | |
| Salvador et al. | Online detection of shutdown periods in chemical plants: A case study | |
| EP4136515B1 (en) | Method, apparatus and computer program product for monitoring of industrial devices | |
| RU2784925C1 (ru) | Система и способ для обнаружения и измерения аномалий в сигнализации, исходящей из компонентов, используемых в промышленных процессах | |
| US12007745B2 (en) | Apparatus for predicting equipment damage | |
| Raj | An Improved Accuracy and Efficiency Based Defect Detection Method for Industrial Signal Processing | |
| CN117674418A (zh) | 一种输电线路状态监测方法、系统、设备和介质 | |
| KR20230081860A (ko) | 클라우드 서버 효율향상을 위한 엣지컨트롤러 데이터 필터링 방법 | |
| CN117521478A (zh) | 一种基于机器学习的云计算带外管理设备辅助告警方法 | |
| JP2020038594A (ja) | 異常検知装置、異常検知方法およびプログラム |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| E701 | Decision to grant or registration of patent right |