TWI719786B - 資料處理系統與方法 - Google Patents

資料處理系統與方法 Download PDF

Info

Publication number
TWI719786B
TWI719786B TW108148346A TW108148346A TWI719786B TW I719786 B TWI719786 B TW I719786B TW 108148346 A TW108148346 A TW 108148346A TW 108148346 A TW108148346 A TW 108148346A TW I719786 B TWI719786 B TW I719786B
Authority
TW
Taiwan
Prior art keywords
data
sensing
sensing data
processing
cycle
Prior art date
Application number
TW108148346A
Other languages
English (en)
Other versions
TW202125221A (zh
Inventor
陳信吉
闕壯華
陳俊方
林祁衡
陳俊旭
Original Assignee
財團法人工業技術研究院
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 財團法人工業技術研究院 filed Critical 財團法人工業技術研究院
Priority to TW108148346A priority Critical patent/TWI719786B/zh
Priority to CN202010293843.0A priority patent/CN113124414B/zh
Priority to US16/874,434 priority patent/US11609559B2/en
Application granted granted Critical
Publication of TWI719786B publication Critical patent/TWI719786B/zh
Publication of TW202125221A publication Critical patent/TW202125221A/zh

Links

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
    • G05B23/0227—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
    • 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
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F23—COMBUSTION APPARATUS; COMBUSTION PROCESSES
    • F23G—CREMATION FURNACES; CONSUMING WASTE PRODUCTS BY COMBUSTION
    • F23G7/00—Incinerators or other apparatus for consuming industrial waste, e.g. chemicals
    • F23G7/06—Incinerators or other apparatus for consuming industrial waste, e.g. chemicals of waste gases or noxious gases, e.g. exhaust gases
    • F23G7/061—Incinerators or other apparatus for consuming industrial waste, e.g. chemicals of waste gases or noxious gases, e.g. exhaust gases with supplementary heating
    • F23G7/065—Incinerators or other apparatus for consuming industrial waste, e.g. chemicals of waste gases or noxious gases, e.g. exhaust gases with supplementary heating using gaseous or liquid fuel
    • F23G7/066—Incinerators or other apparatus for consuming industrial waste, e.g. chemicals of waste gases or noxious gases, e.g. exhaust gases with supplementary heating using gaseous or liquid fuel preheating the waste gas by the heat of the combustion, e.g. recuperation type incinerator
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F23—COMBUSTION APPARATUS; COMBUSTION PROCESSES
    • F23G—CREMATION FURNACES; CONSUMING WASTE PRODUCTS BY COMBUSTION
    • F23G5/00—Incineration of waste; Incinerator constructions; Details, accessories or control therefor
    • F23G5/50—Control or safety arrangements
    • 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
    • G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
    • G05B19/0405—Programme-control specially adapted for machine tool control and not otherwise provided for
    • 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
    • G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
    • G05B19/048—Monitoring; Safety
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/008—Reliability or availability analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • General Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Mechanical Engineering (AREA)
  • Environmental & Geological Engineering (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

一資料處理系統，包括循環關聯性建置模組、資料樣態建置模組與資料樣態對齊模組。循環關聯性建置模組接收對多個處理設備進行第一次感測所得多個第一感測資料，並接收一處理步驟與循環程序資訊表。循環關聯性建置模組根據此些第一感測資料的資料週期樣本點數與此處理步驟與循環程序資訊表，得到此些第一感測資料的關聯性，以校正此些第一感測資料。資料樣態建置模組從此些第一感測資料得到多個第一資料樣態特徵。資料樣態對齊模組依據此些第一資料樣態特徵，將對此些處理設備進行第二次感測所得多個第二感測資料與此些第一感測資料對齊。

Description

資料處理系統與方法
本揭露是有關於一種資料處理系統與方法。
現今的預診斷技術中，針對故障事件少且生命週期短的設備機台，例如是蓄熱式焚化爐(Regenerative Thermal Oxidizer,RTO)，其中一種作法是以歷史基底(Baseline)資料結合近期新(Fresh)資料，建立或訓練一個設備故障預測模型。但上述預診斷技術存在兩項需要注意的考量事項：(1)感應器實際偵測機台所得的資料常存在錯誤資訊，如：機台處於非穩態、或存在有雜訊、遺漏、或錯誤值等，需要能有效地予以排除；以及(2)歷史與近期資料樣態存在需要彼此對齊的考量事項，且不同時段之近期資料之間也一樣存在彼此需要對齊的考量事項，導致擷取到不同階段的近期特徵參數值，結合到未對齊的歷史基底資料，影響設備故障預測模型準確率。如此二個考量事項均會嚴重影響後續預診斷正確性。因此，如何有效處理以上考量事項，乃業界所致力的方向之一。另外，此類型設備機台具有循環程序的特性，但現今的預診斷技術並未善加利用此循環程序特性來有效地處理以上考量事項。
根據本發明之第一方面，提出一種資料處理系統，包括循環關聯性建置模組、資料樣態(pattern)建置模組與資料樣態對齊模組。循環關聯性建置模組用以接收對多個處理設備進行一第一次感測所得之多個第一感測資料，並接收一處理步驟與循環程序資訊表，處理步驟與循環程序資訊表記錄了此些處理設備之多個處理步驟與多個循環程序之相關循環運作模式之資訊。循環關聯性建置模組更用以根據此些第一感測資料的一資料週期樣本點數與處理步驟與循環程序資訊表，得到此些第一感測資料的資料關聯性，以校正此些第一感測資料。資料樣態建置模組用以得到此些第一感測資料之多個第一資料樣態特徵。資料樣態對齊模組用以依據此些第一資料樣態特徵，將對此些處理設備進行一第二次感測所得之多個第二感測資料與此些第一感測資料對齊。
根據本發明之第二方面，提出一種資料處理方法，包括下列步驟。接收對多個處理設備進行一第一次感測所得之多個第一感測資料，並接收一處理步驟與循環程序資訊表。處理步驟與循環程序資訊表記錄了此些處理設備之多個處理步驟與多個循環程序之相關循環運作模式之資訊。並根據此些第一感測資料的一資料週期樣本點數與處理步驟與循環程序資訊表，得到此些第一感測資料的資料關聯性，以校正此些第一感測資料。依據此些第一感測資料得到多個第一資料樣態特徵。依據此些第一資料樣態特徵，將對此些處理設備進行一第二次感測所得之多個第二感測資料與此些第一感測資料對齊。
為了對本揭露之上述及其他方面有更佳的瞭解，下文特舉實施例，並配合所附圖式詳細說明如下：
Tbl:處理步驟與循環程序資訊表
4:多處理設備機台
4A:第一處理設備
4B:第二處理設備
4C:第三處理設備
4D:第四處理設備
4E:第五處理設備
10、160:資料處理系統
20:資料擷取模組
40:循環關聯性建置模組
60:資料樣態建置模組
80:資料樣態對齊模組
100:特徵萃取模組
110:故障預測模組
103:第一階段
105:第二階段
107:第三階段
202~206、41~51、61~71、81~91:流程步驟
302(A)、302(B)、302(C)、302(D)、302(E):蓄熱槽
304(A1)、304(A2)、304(B2)、304(C1)、304(D1)、304(E2):閥門
306~334:廢氣流通方向
402~412:樣本點
602、604、606、614、616:視窗
608、610、612:資料樣態
1300:方框
S_Data1_A~S_Data1_E:第一感測資料
S_Data2_A~S_Data2_E:第二感測資料
F_A~F_E、F_A’~F_E’:資料樣態特徵
第1圖繪示本揭露一實施例的資料處理系統的方塊圖。
第2圖繪示本揭露一實施例的資料處理方法的流程圖。
第3A圖繪示多處理設備機台於第一階段時的操作狀態。
第3B圖繪示多處理設備機台於第二階段時的操作狀態。
第3C圖繪示多處理設備機台於第三階段時的操作狀態。
第4圖繪示第3A~3C圖之多個處理設備的處理步驟與循環程序資訊表之一例。
第5圖繪示第4圖之5個循環程序所執行的處理類型S(n)。
第6圖繪示本揭露另一實施例的資料處理系統的方塊圖。
第7圖繪示資料擷取模組進行第一次感測擷取所得多個第一感測資料之一例的示意圖。
第8圖繪示循環關聯性建置模組執行之步驟之一例的流程圖。
第9A圖繪示透過自相關分析方法，由此些第一感測資料來計算出資料週期樣本點數的示意圖。
第9B圖繪示可透過比對位移資料週期，由此些第一感測資料來計算出資料週期樣本點數。
第10圖繪示第4圖中循環程序間相差步驟數之示意圖。
第11圖繪示第1圖中循環關聯性建置模組判斷感測資料是否具有異常點之示意圖。
第12圖繪示第1圖或第6圖之資料樣態建置模組所執行之詳細步驟之一例的流程圖。
第13圖繪示取得第一感測資料之資料樣態特徵之示意圖。
第14圖繪示資料樣態對齊模組所執行之詳細步驟之一例的流程圖。
第15圖繪示以滑動視窗法擷取此些第二感測資料之任一者於不同部分時所獲得的多個第二資料樣態特徵之示意圖。
第16圖繪示當以滑動視窗法擷取此些第二感測資料不同部分之示意圖。
第17圖繪示特徵萃取模組根據資料樣態萃取各個處理設備的特徵參數之示意圖。
請參照第1圖，其繪示本揭露一實施例的資料處理系統10的方塊圖。資料處理系統10包括循環關聯性建置模組40、資料樣態建置模組60與資料樣態對齊模組80。以電腦系統搭配電腦硬碟內所儲存的軟體為例來說明此資料處理系統10的一實施例，然不限於此。例如電腦硬碟內儲存具有循環關聯性建置模組40、資料樣態建置模組60與資料樣態對齊模組80相對應功能的軟體程式碼。例如軟體程式碼分別為循環關聯性建置程式碼、資料樣態建置程式碼與資料樣態對齊程 式碼。當電腦處理器執行此程式碼，即可對應實施循環關聯性建置模組40、資料樣態建置模組60與資料樣態對齊模組80的對應功能。另外，此三個模組所對應的程式碼也可以韌體方式儲存在電腦硬體中，或以特殊應用積體電路(Application Specific Integrated Circuit,ASIC)來實施。循環關聯性建置模組40用以接收對多個處理設備進行一第一次感測所得之多個第一感測資料，並接收一處理步驟與循環程序資訊表Tbl。循環關聯性建置模組40更用以根據此些第一感測資料的一資料週期樣本點數與處理步驟與循環程序資訊表Tbl，得到此些第一感測資料的資料關聯性，以校正此些第一感測資料。資料樣態建置模組60用以得到此些第一感測資料之多個第一資料樣態特徵。資料樣態對齊模組80用以依據此些第一資料樣態特徵，將對多個處理設備進行第二次感測所得之多個第二感測資料與此些第一感測資料對齊。
請參照第2圖，其繪示本揭露一實施例的資料處理方法的流程圖。資料處理方法包括下列步驟。於步驟202，接收對多個處理設備進行第一次感測所得之多個第一感測資料，並接收處理步驟與循環程序資訊表。並根據此些第一感測資料的一資料週期樣本點數與處理步驟與循環程序資訊表，得到此些第一感測資料的資料關聯性，以校正此些第一感測資料。接著，執行步驟204，依據此些第一感測資料得到多個第一資料樣態特徵。之後，進入步驟206，依據此些第一資料樣態特徵，將對此些處理設備進行一第二次感測所得之多個第二感測資料與此些第一感測資料對齊。
資料處理系統10可選擇性地包括螢幕，螢幕可連接至一台執行循環關聯性建置程式碼、資料樣態建置程式碼與資料樣態對齊程式碼的電腦系統，使此電腦成為本揭露資料處理系統10之一實施 例。電腦系統輸出此三段程式碼執行結果給螢幕，使螢幕顯示圖形使用者介面(Graphic User Interface,GUI)。圖形使用者介面用以顯示資料處理系統10相關的操作選項，例如與循環運作模式相關之至少一選項、處理步驟與循環程序資訊表、模型預測結果或是設備健康指標。如此以方便使用者操作，或是讓使用者容易理解設備預診斷結果或設備健康指標等相關資訊。此選項例如包括但不限於顯示多個第一感測資料或多個第二感測資料之選項、顯示處理步驟與循環程序資訊表Tbl之選項、顯示第一感測資料的資料關聯性之選項、顯示校正後之此些第一感測資料之選項、顯示第一感測資料之多個第一資料樣態特徵之選項、顯示與此些第一感測資料對齊之多個第二感測資料之選項。
上述之處理步驟與循環程序資訊表Tbl例如係記錄了多個處理設備之多個處理步驟與多個循環程序之相關循環運作模式之資訊。本揭露透過同時考量機台的「處理步驟」與「循環程序」兩者間的資料關聯性，來改善(1)資料樣態(pattern)的正確性與(2)資料樣態對齊的一致性。就改善資料樣態的正確性部分，包含了步驟：(i)同時考慮處理步驟與循環程序之資料關聯性，比對處理步驟之個數與資料週期樣本點數之間的抽樣倍率，搭配考量各處理設備間執行循環程序之相差步驟數，計算各個處理設備間的關聯性資料的資料偏移點數(如：相差步驟數*抽樣倍率)，和(ii)建置各種異質的資料樣態，依據資料週期樣本點數來擷取資料樣態，透過正/負趨勢擷取各個樣本點的點樣態特徵來加以比對。就改善歷史基底與近期新樣態資料對齊的一致性的部分，則包含了步驟：以滑動視窗法擷取第二次感測所得多個第二感測資料之資料樣態，依照第一次感測所得第一感測資料的第一資料樣 態特徵進行樣態比對，使多個第二感測資料與多個第一感測資料對齊，進一步提升預診斷的正確率。
請參照第3A~3C圖，其繪示本揭露一實施例之一多處理設備機台4之示意圖。於本實施例中，多處理設備機台4係以一五床式蓄熱式焚化爐(Regenerative Thermal Oxidizer,RTO)機台為例來做說明，五床式蓄熱式焚化爐機台例如具有多個蓄熱槽(例如是蓄熱槽302(A)、302(B)、302(C)、302(D)、302(E))與其對應的閥門(例如是閥門304(A1)、304(A2)、304(B2)、304(C1)、304(D1)、304(E2))，藉由閥門來控制蓄熱槽內的氣體流動等程序。茲以一個處理設備例如為五床式蓄熱式焚化爐一個蓄熱槽為例做說明，然本實施例不限於此。多處理設備機台4例如具有第一處理設備4A、第二處理設備4B、第三處理設備4C、第四處理設備4D和第五處理設備4E。請參照第4圖，其繪示第3A~3C圖之第一處理設備4A~第五處理設備4E的處理步驟與循環程序資訊表Tbl之一例。茲以10個處理步驟與5個循環程序為例做說明，然本揭露之實施例並不限於此。處理步驟與循環程序資訊表Tbl例如記錄了第一處理設備4A~第五處理設備4E之10個處理步驟與5個循環程序之相關循環運作模式之資訊，處理步驟與循環程序資訊表Tbl例如可利用讀取檔案的方式取得。處理步驟與循環程序資訊表Tbl可反映出實體機台的循環運作模式。第一處理設備4A~第五處理設備4E分別執行循環程序A~循環程序E，其中每個循環程序A~循環程序E係循環執行相同排序的處理步驟。也就是說，第一處理設備4A~第五處理設備4E係分別執行循環運作模式，第一處理設備4A係重覆執行循環程序A，第二處理設備4B係重覆執行循環程序B，以此類推，第五處理設備4E係重覆執行循環程序E。
請參照第5圖，其繪示第4圖之5個循環程序所執行的處理類型S(n)，n=1~10，本例中係以處理類型之個數為10為例做說明，然不限於此。以循環程序C的順序為例做說明，10個排序的處理類型依序為：處理類型S(1)為無動作，處理類型S(2)為第一階段進氣，處理類型S(3)為第二階段進氣，處理類型S(4)為第三階段進氣，處理類型S(5)為第四階段進氣，處理類型S(6)為抽風，處理類型S(7)為第一階段排氣，處理類型S(8)為第二階段排氣，處理類型S(9)為第三階段排氣，處理類型S(10)為第四階段排氣。如第4圖所示，於處理步驟1中，當循環程序A執行處理類型S(5)(第四階段進氣)時，循環程序C執行處理類型S(1)(無動作)，而循環程序E則執行處理類型S(7)(第一階段排氣)。循環程序A和循環程序C相差步驟數為=(5-1)=(4)，循環程序C和循環程序E相差步驟數=(1-7)=(-6)，因為是循環執行10個排序的處理類型，故相差步驟數=(4)和相差步驟數=(-6)兩者實際上相同，相差步驟數均為相差4個步驟。
請參考第3A~3C圖及第4圖，其中第4圖還顯示了三個階段103、105和107(分別對應至處理步驟1、2、3)，用以說明多個處理設備4於不同階段的狀態。第3A~3C圖之虛線箭號所示乃廢氣的流通方向(例如是廢氣流通方向306~334)。請參照第3A圖，其繪示多處理設備機台4於第一階段103時的操作狀態。此時第一處理設備4A係執行步驟S(5)(第四階段進氣)，第二處理設備4B係執行步驟S(9)(第三階段排氣)，第三處理設備4C係執行步驟S(1)(無動作)，第四處理設備4D係執行步驟S(3)(第二階段進氣)，第五處理設備4E係執行步驟S(7)(第一階段排氣)。
請參照第3B圖，其繪示多處理設備機台4於第二階段105時的操作狀態。第一處理設備4A係執行步驟S(6)(抽風)，第二處理設備4B係執行步驟S(10)(第四階段排氣)，第三處理設備4C係執行步驟S(2)(第一階段進氣)，第四處理設備4D係執行步驟S(4)(第三階段進氣)，第五處理設備4E係執行步驟S(8)(第二階段排氣)。
請參照第3C圖，其繪示多處理設備機台4於第三階段107時的操作狀態。第一處理設備4A係執行步驟S(7)(第一階段排氣)，第二處理設備4B係執行步驟S(1)(無動作)，第三處理設備4C係執行步驟S(3)(第二階段進氣)，第四處理設備4D係執行步驟S(5)(第四階段進氣)，第五處理設備4E係執行步驟S(9)(第三階段排氣)。
其中，於進行進氣之操作時，廢氣會流入處理設備，讓廢氣燃燒、氧化、並放熱。於進行抽風之處理設備中，則會將空氣吹入此處理設備中，並導引殘留的、未燃燒完全的廢氣，使這些廢氣一起燃燒。燃燒後的廢氣會流入進行排氣之另一處理設備中，以進行將燃燒所產生的熱能進行蓄熱的動作，並將廢氣排出。這些進氣、抽風(吹入空氣或抽空氣)、排氣等操作是彼此有關連的。透過進氣、抽風、排氣等處理，結合多個處理設備的循環程序，可以達到高廢氣去除率與低燃料消耗之熱節能的效果。
請參照第6圖，其繪示本揭露另一實施例的資料處理系統160的方塊圖，資料處理系統160係可用以對多個處理設備4A~4E進行預診斷。與第1圖所示之資料處理系統10相較，資料處理系統160更包括了資料擷取模組20、特徵萃取模組100與故障預測模組110。資料處理系統160之循環關聯性建置模組40、資料樣態建置模組60與資料樣態對齊模組80與第1圖所示之資料處理系統10之循環關聯性建置 模組40、資料樣態建置模組60與資料樣態對齊模組80係為相同之模組，於此不予重述。
當資料擷取模組20對多個處理設備4A~4E進行第一次感測後，會得到多個第一感測資料S_Data1，再由循環關聯性建置模組40接收此多個第一感測資料S_Data1。多個第一感測資料S_Data1例如包括第一處理設備4A之第一感測資料S_Data1_A、第二處理設備4B之第一感測資料S_Data1_B、第三處理設備4C之第一感測資料S_Data1_C、第四處理設備4D之第一感測資料S_Data1_D、及第五處理設備4E之第一感測資料S_Data1_E。之後，於資料擷取模組20對多個處理設備4A~4E進行第二次感測後，會得到多個第二感測資料S_Data2，再由循環關聯性建置模組40接收此多個第二感測資料S_Data2。多個第二感測資料S_Data2例如包括第一處理設備4A之第二感測資料S_Data2_A、第二處理設備4B之第二感測資料S_Data2_B、第三處理設備4C之第二感測資料S_Data2_C、第四處理設備4D之第二感測資料S_Data2_D、及第五處理設備4E之第二感測資料S_Data2_E。
其中，感測資料例如是處理設備之機台零件的感測資料，感測資料可以例如是利用讀取檔案的方式、利用資料擷取卡介面讀取檔案、或透過存取一資料庫系統以得到檔案的方式，來取得機台零件的感測資料。感測資料例如是處理設備的溫度、風車馬達轉速(Round Per Minute,RPM)、頻率(Hertz,Hz)、電流、軸承震動、閥門開關動作、廢氣濃度值、廢氣流量、燃燒機壓力或其他可偵測處理設備之操作狀態的參數。以蓄熱式焚化爐機台的一個蓄熱槽的感測器 為例，係藉由讀取檔案以擷取出一段時間之原始感測資料，以作為上述之一個第一感測資料。
請參照第7圖，其繪示資料擷取模組20進行第一次感測擷取所得多個第一感測資料S_Data1之一例的示意圖。於一第一時段內，資料擷取模組20因應第一處理設備4A循環執行10個處理步驟多次之後而產生第一處理設備4A之第一感測資料S_Data1_A，因應第二處理設備4B循環執行10個處理步驟多次之後而產生第二處理設備4B之第一感測資料S_Data1_B，以此類推。並因應第五處理設備4E循環執行10個處理步驟多次之後而產生第五處理設備4E之第一感測資料S_Data1_E。
請參照第8圖，其繪示循環關聯性建置模組40執行之步驟之一例的流程圖。第8圖說明了循環關聯性建置模組40如何根據此些第一感測資料的一資料週期樣本點數與處理步驟與循環程序資訊表Tbl，得到此些第一感測資料的資料關聯性，並依據資料關聯性來校正此些第一感測資料之詳細步驟之一例。於循環關聯性建置模組40校正此些第一感測資料過程中，循環關聯性建置模組40確認此些循環程序之間之相差步驟數，以得到此些第一感測資料之資料關聯性。此些第一感測資料之資料關聯性係包含此些第一感測資料之其一與此些第一感測資料之另一之間的一資料偏移點數。循環關聯性建置模組40更用以根據資料偏移點數所對應之此些第一感測資料之其一的一第一樣本點的點樣態特徵與此些第一感測資料之另一的一第二樣本點的點樣態特徵，比對此些第一感測資料之其一的第一樣本點與此些第一感測資料之另一的第二樣本點之資料正確性，以對此些第一感測資料進行校正。其中於計算得到此些第一感測資料之資料關聯性過程中，循環關 聯性建置模組40例如係用以透過自相關(Autocorrelation)分析方法，由此些第一感測資料得到資料週期樣本點數，並得出此些處理步驟之個數與資料週期樣本點數之間的一抽樣倍率，並根據抽樣倍率得到此些第一感測資料之間的資料偏移點數，以得到此些第一感測資料的資料關聯性。
於第8圖之步驟41中，循環關聯性建置模組40自處理步驟與循環程序資訊表Tbl，獲取處理步驟之個數，如第4圖所示。於本實施例中，循環程序A~E的處理步驟之個數等於10。於步驟42中，判斷是否有感測器抽樣倍率。若否，則執行步驟43；若是，則執行步驟45。
於步驟43中，請同時參照第9A圖，其繪示透過自相關分析方法，由此些第一感測資料S_Data1來計算出資料週期樣本點數的示意圖。請參照第9B圖，其繪示可透過比對位移資料週期計算，由此些第一感測資料S_Data1來取得資料週期並計算出資料週期樣本點數。選擇此兩種方法其中之一都可以計算出資料週期樣本點數，然不限於此二方法。
於步驟44中，係依據「抽樣倍率=資料週期樣本點數/處理步驟之個數」之公式，亦即將資料週期樣本點數除以處理步驟之個數，得出抽樣倍率。如第9A~9B圖所示，第一感測資料S_Data1可透過自相關分析方法或比對位移資料週期，得知資料週期樣本點數為5樣本點。根據步驟41所得之處理步驟之個數為10，可計算得到兩者間的抽樣倍率等於5/10=1/2。在一實施例中，亦可透過實際感測器的抽樣倍率得知。
於步驟45中，確認此些循環程序之間的相差步驟數。請同時參照第10圖，其繪示第4圖中循環程序間相差步驟數之示意圖。第10圖係以第一處理設備4A所執行的循環程序A、第三處理設備4C所執行的循環程序C與第五處理設備4E所執行的循環程序E為例說明。第一處理設備4A所執行的循環程序A與第三處理設備4C所執行的循環程序C相差4個步驟，且第三處理設備4C所執行的循環程序C與第五處理設備4E所執行的循環程序E相差4個步驟。
於步驟46中，係依據「資料偏移點數=相差步驟數*抽樣倍率」公式，計算此些第一感測資料S_Data1之間的資料偏移點數，得出資料關聯性。如第10圖所示，由於相差步驟數為4，而由步驟44得到抽樣倍率等於1/2。如此可計算出第一處理設備4A之第一感測資料S_Data1_A與第三處理設備4C之第一感測資料S_Data1_C之間的資料偏移點數=4*(1/2)=2，而第三處理設備4C之第一感測資料S_Data1_C與第五處理設備4E之第一感測資料S_Data1_E之間的資料偏移點數=4*(1/2)=2。
於步驟47中，計算各處理設備於此些第一感測資料S_Data1中的每個樣本點與對應前後另兩個樣本點之趨勢，如此係藉由計算此些第一感測資料S_Data1之其一的第一樣本點與第一樣本點對應之前後另兩個樣本點之正趨勢或負趨勢而得到第一樣本點的點樣態特徵。請參照第11圖，其繪示第1圖中循環關聯性建置模組40判斷感測資料是否具有異常點之示意圖。第一處理設備4A之第一感測資料S_Data1_A的樣本點408與左方前一樣本點相減所得數值趨勢為正，樣本點408與右方後一樣本點相減所得數值趨勢為負，故樣本點408與前後另兩個樣本點之趨勢為[+,-]，以此作為樣本點408的點樣態特 徵。而第五處理設備4E之第一感測資料S_Data1_E的樣本點406與左方前一樣本點相減所得數值趨勢為負，樣本點406與右方後一樣本點相減所得數值趨勢為正，故樣本點406與前後另兩個樣本點之趨勢為[-,+]，以此作為樣本點406的點樣態特徵。如此計算每個樣本點與對應前後另兩個樣本點之趨勢，完成第一處理設備4A之第一感測資料S_Data1_A至第五處理設備4E之第一感測資料S_Data1_E之各個樣本點的點樣態特徵之計算。
於步驟48中，判斷根據資料偏移點數所對應的第一樣本點與第二樣本點的點樣態特徵是否相同，例如，選取處理設備4A之第一感測資料S_Data1_A之樣本點、第三處理設備4C之第一感測資料S_Data1_C與第五處理設備4E之第一感測資料S_Data1_E平移資料偏移點數後的樣本點，比對各樣本點間趨勢是否相同。當各樣本點的趨勢均相同時，則判定無異常點。當少數樣本點的趨勢和大多數樣本點的趨勢不一致時時，則判定發生異常點。如第11圖所示，對應於第一處理設備4A之循環程序A，第一處理設備4A之第一感測資料S_Data1_A的第1個樣本點402和第6個樣本點408的趨勢(即點樣態特徵)為[+,-]。對應於第三處理設備4C之循環程序C，第三處理設備4C之第一感測資料S_Data1_C的第3個樣本點404和第8個樣本點410的趨勢為[+,-]。對應於第五處理設備4E之循環程序E，第五處理設備4E之第一感測資料S_Data1_E的第5個樣本點406的趨勢為[-,+]，第10個樣本點412的趨勢為[+,-]。在假設多數樣本點為正常，僅少數樣本點異常原則下，步驟48依據多數樣本點的趨勢，判斷第一處理設備4A之第一感測資料S_Data1_A的第1個樣本點402和第6個樣本點408，第三處理設備4C之第一感測資料S_Data1_C的第3個樣本點404和第8個 樣本點410，以及第五處理設備4E之第一感測資料S_Data1_E的第10個樣本點412點均為正常樣本點，但第五處理設備4E之第一感測資料S_Data1_E的第5個樣本點406為異常點。亦即處理設備4A之第一感測資料S_Data1_A和第三處理設備4C之第一感測資料S_Data1_C無異常點，但第五處理設備4E之第一感測資料S_Data1_E有一個異常點406。如此，即可達到以此些第一感測資料之其一(例如是第一處理設備4A之第一感測資料S_Data1_A或第三處理設備4C之第一感測資料S_Data1_C)的一第一樣本點(例如是樣本點402或404)的點樣態特徵與此些第一感測資料之另一(例如是第五處理設備4E之第一感測資料S_Data1_E)的一第二樣本點(例如是樣本點406)的點樣態特徵，比對此些第一感測資料之其一的第一樣本點(例如是樣本點402或404)與此些第一感測資料之另一的第二樣本點(例如是樣本點406)之資料正確性。
於步驟49與步驟50中，當確認是哪個處理設備的樣本點異常後，則修正或排除錯誤樣本點。例如第11圖中第五處理設備4E之第一感測資料S_Data1_E的第五樣本點406已經被視為異常點，則可加以排除，不列入後續計算，或者將第五樣本點406參照樣本點402與404進行校正，如此以得到一個校正後的第五處理設備4E之第一感測資料S_Data1_E’。於步驟51中，循環關聯性建置模組40收集正確的樣本點或已經被校正過的錯誤樣本點，例如校正後的第五處理設備4E之第一感測資料S_Data1_E’。
請參照第12圖，其繪示第1圖或第6圖之資料樣態建置模組60所執行之詳細步驟之一例的流程圖。第12圖說明了資料樣態建置模組60所執行之依據此些第一感測資料S_Data1得到此些第一資料 樣態特徵之步驟中，係包含了依照資料週期樣本點數擷取此些第一感測資料S_Data1之多個資料樣態，以得到此些第一感測資料S_Data1之此些第一資料樣態特徵。其中此些資料樣態例如藉由計算此些第一感測資料S_Data1之多個樣本點之正趨勢或負趨勢而得到此些資料樣態。例如分別依據處理設備4A之第一感測資料S_Data1_A~第四處理設備4D之第一感測資料S_Data1_D和異常點排除後的校正後的此些第一感測資料中的第五處理設備4E之第一感測資料S_Data1_E，來得到此些第一感測資料S_Data1_A~S_Data1_E的第一資料樣態特徵。
於第12圖之步驟61中，係初始化資料樣態特徵與樣本點，令i=1，i為正整數。於步驟62中，以資料週期樣本點數擷取處理設備之資料樣態={S1,S2,...S資料週期樣本點數}，其中各個S1,S2,...樣本點數值係為實數。於本實施例中，資料週期樣本點數為5，故取樣{S1,S2,...S5}。
於步驟63~64中，若(Si-Si+1)>0，則判定數值趨勢=-。於步驟65~66中，若(Si-Si+1)<0，則判定數值趨勢=+。於步驟67~68中，若(Si-Si+1)=0，則判定數值趨勢=0。於步驟69~71中，逐一將數值趨勢加入對應之處理設備的資料樣態特徵中。於步驟71中，將樣本點參數i之值加1，並滑動視窗繼續向右移動一個樣本點，重複執行迴圈，直到完成每一個第一感測資料中5個取樣點的數值趨勢分析。此處數值趨勢係以線段斜率為例來作說明，但不限於此，例如數值趨勢亦可為升降特徵。請參照第13圖，其繪示將此些第一感測資料S_Data1中的每一個取5個樣本點，分別與對應之前後樣本點之值相減，可計算得到4個數值趨勢，以作為對應之資料樣態特徵。於本實施例中，針對第7圖所示的此些第一感測資料S_Data1，可得到對應至 第13圖之方框1300所選定之各第一感測資料之資料樣態的樣態特徵。例如，對應第一處理設備4A之循環程序A的第一感測資料S_Data1_A的資料樣態特徵為F_A1=[-,-,+,+]，對應第二處理設備4B之循環程序B的第一感測資料S_Data1_B的資料樣態特徵為F_B1=[+,+,+,-]，對應第三處理設備4C之循環程序C的第一感測資料S_Data1_C的資料樣態特徵為F_C1=[+,+,-,-]，對應第四處理設備4D之循環程序D的第一感測資料S_Data1_D的資料樣態特徵為F_D1=[+,-,-,+]，對應第五處理設備4E循環程序E的第一感測資料S_Data1_E的資料樣態特徵為F_E1=[-,+,+,+]。如此資料樣態建置模組60依據5個第一感測資料S_Data1_A~S_Data1_E得到各個第一感測資料的各個第一資料樣態特徵。
請參照第14圖，其繪示資料樣態對齊模組80所執行之詳細步驟之一例的流程圖。第14圖將詳細說明資料樣態對齊模組80如何能依據此些第一資料樣態特徵，將對多個處理設備4A~4E進行一第二次感測所得之多個第二感測資料S_Data2與此些第一感測資料S_Data1對齊的詳細步驟之一例。資料樣態對齊模組80例如可使用滑動視窗法，擷取此些第二感測資料S_Data2之多個第二資料樣態，並得到此些第二資料樣態之多個第二資料樣態特徵，並比對此些第二資料樣態特徵與對應之此些第一資料樣態特徵。當此些第二資料樣態特徵與對應之此些第一資料樣態特徵之相似度大於一門檻值時，則判斷此些第二資料樣態係與對應之此些第一資料樣態對齊。
於第14圖之步驟81~83中，係初始化樣本點，令i=1，並取得已建置的處理設備的第一資料樣態特徵與門檻值。其中，i為正整數。於步驟85，以滑動視窗法擷取多個第二感測資料之資料樣態= {Si,Si+1,....Si+資料週期樣本點數}。於步驟87，計算多個第二感測資料中之每一個的樣態特徵，以得到多個第二資料樣態特徵。於步驟89，比對第一資料樣態特徵與第二資料樣態特徵。於步驟90，比對樣態特徵相同的比率是否超過門檻值，若是則判定已經找到對齊部分；若否，則執行步驟91。於步驟91，將樣本點參數i之值加1，並滑動視窗繼續向右移動一個樣本點。
請參照第15圖，其繪示係說明步驟85之以滑動視窗法擷取此些第二感測資料S_Data2之任一者於不同部分時所獲得的多個第二資料樣態特徵之示意圖。針對不同位置之視窗602、604及606，所擷取到的資料樣態608、610、612之第二資料樣態特徵例如分別為F_1=[+,+,+,-]、F_2=[+,+,-,-]和F_M=[-,-,+,+]。
請參照第16圖，其繪示係說明步驟90中，當以滑動視窗法擷取此些第二感測資料S_Data2不同部分之示意圖。於滑動視窗的過程中，必需滑動視窗自此些第二感測資料S_Data2所擷取到的5個第二資料樣態特徵分別與對應之5個第一資料樣態特徵之相似度大於一門檻值時，例如為80%~90%時，資料樣態對齊模組80才會判斷此些第二資料樣態係與對應之此些第一資料樣態對齊。如第16圖所示，針對視窗614所取得的5個第二感測資料的5個資料樣態，第一處理設備4A之第二感測資料S_Data2_A的第二資料樣態特徵為[+,+,-,-]，第二處理設備4B之第二感測資料中S_Data2_B的第二資料樣態特徵為[-,-,+,+]，以此類推，第五處理設備4E之第二感測資料S_Data2_E的第二資料樣態特徵為[+,-,-,+]。其與第13圖所示之對應的第一資料樣態特徵不相似，故知針對視窗614所取得的5個第二感測資料的5 個資料樣態與第13圖之方框1300所取得的5個第一感測資料的5個資料樣態並沒有對齊。
當滑動視窗為視窗616時，從視窗616完整涵蓋的第一個線段斜率開始計算資料樣態特徵，第一處理設備4A之第二感測資料S_Data2_A的第二資料樣態特徵為F_A2=[-,-,+,+]，第二處理設備4B之第二感測資料S_Data2_B的第二資料樣態特徵為F_B2=[+,+,+,-]，以此類推，第五處理設備4E之第二感測資料S_Data2_E的第二資料樣態特徵F_E2=[-,+,+,+]。如此，視窗614所對應之5個第二資料樣態特徵分別與第13圖所示之對應的5個第一資料樣態特徵之相似度大於一門檻值(例如第16圖所示之F_A2~F_E2的值係分別與第13圖所示之F_A1~F_E1相同)，方判定已經找到第二感測資料S_Data2中可以與第一感測資料S_Data1正確對齊的部分，亦即例如是第16圖之視窗616所指示之第二感測資料S_Data2的部分可與第13圖之虛線方框1300所指示之第一感測資料S_Data1的部分對齊。而第16圖之視窗614所指示之第二感測資料S_Data2的部分則視為沒有與第13圖之虛線方框1300所指示之第一感測資料S_Data1的部分對齊。
如第6圖所示，資料處理系統160更包括特徵萃取模組100，用以取出已對齊之此些第一感測資料S_Data1之多個第一特徵參數與此些第二感測資料S_Data2之多個第二特徵參數，並合併此些第一特徵參數與此些第二特徵參數。
請參照第17圖，其繪示特徵萃取模組100根據資料樣態萃取各個處理設備的特徵參數之示意圖。於本實施例中係以5個處理設備4A~4E為例來做說明，然本實施例並不限於此。如第17圖所示，例如係取出第一處理設備4A的多組特徵參數X[A,1]~X[A,5]、第二處理 設備4B的多組特徵參數X[B,1]~X[B,5]...、以及第五處理設備4E的多組特徵參數X[E,1]~X[E,5]。上述之特徵參數例如是特定視窗週期性擷取到的感測值，例如前100組X[A,1]~X[E,5]資料可能是如第13圖所示視窗1300所擷取到的100組感測值，而另外50組X[A,1]~X[E,5]資料可能是如第16圖所示視窗616所擷取到的50組感測值。例如第17圖第一列所示的第一組資料樣態X[A,1]~X[E,5]，其中的X[A,1]~X[A,5]為[129.9,112.7,84.6,56.5,112]，係對應於第13圖所示視窗1300所擷取到S_Data1_A的數值。其中的X[B,1]~X[B,5]為[77.7,79.7,105.7,132.8,111.7]係對應於第13圖視窗1300所擷取到的S_Data1_B的數值，以此類推，其中的X[E,1]~X[E,5]為[154.2,111.1,118.5,162.3,187.1]係對應於第13圖視窗1300所擷取到的S_Data1_E的數值。如此先合併欄位後得到1*25矩陣的第一筆資料集。然後再完成第13圖所示視窗1300所擷取到的第2~第100組感測值，再完成如第16圖所示視窗616所擷取到的50組感測值，將第13圖視窗1300擷取所得的100組感測值與第16圖視窗616擷取所得的50組感測值合併後，所以最後會得到一個150*25的矩陣。自此些第一感測資料S_Data1和此些第二感測資料S_Data2分別萃取出多個第一特徵參數與多個第二特徵參數，並合併各別對應的特徵參數。每當資料處理系統160對此5個處理設備4A~4E多進行一次視窗擷取動作，每個處理設備會得到5個更新的特徵參數，因此5個處理設備共會得到25個更新的特徵參數。特徵萃取模組100會持續合併欄位得到一組新的資料集(1列*25欄)，作為後續測試資料之用。
如第6圖所示，資料處理系統160還包括故障預測模組110，用以根據已合併的樣本(例如此些第一樣本集與對齊的第二樣本 集)與合併欄位所得的特徵參數模組(1列*25欄)進行預測模型訓練，以建構一故障預測模型。並利用由一測試資料取出之多個第三特徵參數依據故障預測模型進行故障預測。故障預測模組110根據特徵萃取模組100輸出的合併之第一特徵參數與第二特徵參數來參與訓練故障模型。之後，故障預測模組110便可依據訓練完成的故障模型來預測此多個處理設備4A~4E何時可能發生故障。故障預測模組110可運用經過前述第8圖~第16圖相關流程運算後所輸出的特徵參數作為訓練資料，透過機器學習訓練模型。故障預測模組110可將測試資料輸入到模型中來預測故障事件，進而輸出設備健康狀態指標與提出警示。測試資料例如是故障模型訓練完畢之後，多個處理設備4A~4E正常操作時所得到的一第三感測資料所對應的多個第三特徵參數。上述之多個第三特徵參數例如是特定視窗週期性擷取到的第三感測資料的感測值。第三感測資料的波形係類似於第13圖所示之第一感測資料S_Data1之波形或第16圖所示之第二感測資料S_Data2之波形。此處測試資料取得方式同建模資料的特徵萃取方式，只是萃取的時段不同。測試資料不用再經過循環關聯性建置模組、資料樣態建置模組、資料樣態對齊模組處理。藉由資料擷取模組輸出測試資料給特徵萃取模組後，特徵萃取模組可以擷取獲得1組測試資料，然後將此組測試資料輸入至故障預測模組中進行故障預測。上述之機器學習訓練模型例如是SOM(Self Organizing Map)模型，或其他同類的機器學習模型，例如：基於密度的異常檢測模型(Density-Based Anomaly Detection)， 或者是基於群聚的異常檢測模型(Clustering-Based Anomaly Detection)等相關為業界所熟知之機器學習訓練模型。
如下列表一所示之模擬數據，其係以資料處理系統160針對五床式蓄熱式焚化爐跳俥事件所進行之模擬，本模擬係以SOM建立一般模型(Normal Model)分類器來做模擬。和僅藉由合併歷史資料與新資料來訓練模型的方式相比，以及和僅提供具有多個循環處理步驟之相關資料來訓練模型的方式相比，本揭露透過將錯誤資料進行校正，以及將歷史資料與新感測之資料進行對齊之後來訓練模型的作法，可將故障預測之命中率(True Positive Rate,TPR)大幅提高到90.91%，可獲得高精準度之預診斷的正確率結果。
Figure 108148346-A0305-02-0024-1
本揭露之實施例之資料處理系統與方法，藉由判斷樣本點的點樣態特徵，來確保所接收到的感測資料的正確性。另外，以滑動視窗法擷取資料樣態，並依照資料樣態特徵進行樣態比對，可使得 歷史基底資料與新感測資料的得以對齊。如此一來，可避免傳統作法中，因為實際之處理資料常存在有錯誤，如處於非穩態、或產生雜訊、資料遺漏或錯誤等，或是因為歷史基底資料與新感測資料沒有正確對齊，導致無法有效地建立設備故障預測系統中異常狀況資訊不正確的問題。因此，本揭露之實施例透過樣態比對與使用樣態特徵來進行資料對齊，而可訓練出更正確的故障模型，可以有效地大幅提高的設備故障預報命中率。
綜上所述，雖然本揭露已以實施例揭露如上，然其並非用以限定本揭露。本揭露所屬技術領域中具有通常知識者，在不脫離本揭露之精神和範圍內，當可作各種之更動與潤飾。因此，本揭露之保護範圍當視後附之申請專利範圍所界定者為準。
202~206:流程步驟

Claims (24)

  1. 一種資料處理系統，包括：一循環關聯性建置模組，用以接收對複數個處理設備進行一第一次感測所得之複數個第一感測資料，並接收一處理步驟之循環程序資訊表，該循環關聯性建置模組更用以根據該些第一感測資料的一資料週期樣本點數與該處理步驟之循環程序資訊表，得到該些第一感測資料的資料關聯性，以校正該些第一感測資料；一資料樣態建置模組，用以得到該些第一感測資料之複數個第一資料樣態特徵；一資料樣態對齊模組，用以依據該些第一資料樣態特徵，將對該些處理設備進行一第二次感測所得之複數個第二感測資料與該些第一感測資料對齊。
  2. 如專利申請範圍第1項所述之資料處理系統，其中，該處理步驟與循環程序資訊表記錄了該些處理設備之複數個處理步驟與複數個循環程序之相關循環運作模式之資訊。
  3. 如專利申請範圍第2項所述之資料處理系統，其中，該循環關聯性建置模組係用以透過自相關(Autocorrelation)分析方法，由該些第一感測資料得到該資料週期樣本點數，並得出該些處理步驟之個數與該資料週期樣本點數之間的一抽樣倍率，並根據該抽樣倍率得到該些第一感測資料之間的該資料偏移點數，以得到該些第一感測資料的資料關聯性。
  4. 如專利申請範圍第2項所述之資料處理系統，其中，該循環關聯性建置模組更用以確認該些循環程序之間之相差步驟 數，以得到該些第一感測資料之資料關聯性，該些第一感測資料之資料關聯性係包含該些第一感測資料之其一與該些第一感測資料之另一之間的一資料偏移點數。
  5. 如專利申請範圍第4項所述之資料處理系統，其中，該循環關聯性建置模組更用以根據該資料偏移點數所對應之該些第一感測資料之其一的一第一樣本點的點樣態特徵與該些第一感測資料之另一的一第二樣本點的點樣態特徵，比對該些第一感測資料之其一的該第一樣本點與該些第一感測資料之另一的該第二樣本點之資料正確性，以對該些第一感測資料進行校正。
  6. 如專利申請範圍第5項所述之資料處理系統，其中，該資料樣態建置模組更藉由計算該些第一感測資料之其一的該第一樣本點與該第一樣本點對應之前後另兩個樣本點之正趨勢或負趨勢而得到該第一樣本點的該點樣態特徵。
  7. 如專利申請範圍第1項所述之資料處理系統，其中，該資料樣態建置模組更用以依照該資料週期樣本點數擷取該些第一感測資料之複數個資料樣態，以得到該些第一感測資料之該些第一資料樣態特徵。
  8. 如專利申請範圍第7項所述之資料處理系統，其中，該資料樣態建置模組更藉由計算該些第一感測資料之複數個樣本點之正趨勢或負趨勢而得到該些資料樣態。
  9. 如專利申請範圍第1項所述之資料處理系統，其中，該資料樣態對齊模組更用以使用滑動視窗法，擷取該些第二感測資料之複數個第二資料樣態，並得到該些第二資料樣態之複數個第二資料樣態特徵，並比對該些第二資料樣態特徵與對應之該些 第一資料樣態特徵，當該些第二資料樣態特徵與對應之該些第一資料樣態特徵之相似度大於一門檻值時，該資料樣態對齊模組用以判斷該些第二資料樣態係與對應之該些第一資料樣態對齊。
  10. 如專利申請範圍第1項所述之資料處理系統，更包括一特徵萃取模組，用以取出已對齊之該些第一感測資料之複數個第一特徵參數與該些第二感測資料之複數個第二特徵參數，並合併該些第一特徵參數與該些第二特徵參數。
  11. 如專利申請範圍第10項所述之資料處理系統，更包括一故障預測模組，用以根據已合併之該些第一特徵參數與該些第二特徵參數進行預測模型訓練，以建構一故障預測模型，並利用由一測試資料取出之複數個第三特徵參數依據該故障預測模型進行故障預測。
  12. 如專利申請範圍第1項所述之資料處理系統，更包括一圖形使用者介面(Graphic User Interface,GUI)，用以顯示與該循環運作模式相關之至少一選項。
  13. 一種資料處理方法，包括：接收對複數個處理設備進行一第一次感測所得之複數個第一感測資料，並接收一處理步驟與循環程序資訊表，並根據該些第一感測資料的一資料週期樣本點數與該處理步驟與循環程序資訊表，得到該些第一感測資料的資料關聯性，以校正該些第一感測資料；依據該些第一感測資料得到複數個第一資料樣態特徵；依據該些第一資料樣態特徵，將對該些處理設備進行一第二次感測所得之複數個第二感測資料與該些第一感測資料對齊。
  14. 如專利申請範圍第13項所述之資料處理方法，其中，該處理步驟與循環程序資訊表記錄了該些處理設備之複數個處理步驟與複數個循環程序之相關循環運作模式之資訊。
  15. 如專利申請範圍第14項所述之資料處理方法，其中，係透過自相關分析方法，由該些第一感測資料得到該資料週期樣本點數，並得出該些處理步驟之個數與該資料週期樣本點數之間的一抽樣倍率，並根據該抽樣倍率得到該些第一感測資料之間的該資料偏移點數，以得到該些第一感測資料的資料關聯性。
  16. 如專利申請範圍第14項所述之資料處理方法，其中，根據該些第一感測資料的該資料週期樣本點數與該處理步驟與循環程序資訊表，得到該些第一感測資料的資料關聯性，以校正該些第一感測資料之步驟係包含：確認該些循環程序之間之相差步驟數，以得到該些第一感測資料之資料關聯性，該些第一感測資料之資料關聯性係包含該些第一感測資料之其一與該些第一感測資料之另一之間的一資料偏移點數。
  17. 如專利申請範圍第16項所述之資料處理方法，其中，根據該些第一感測資料的該資料週期樣本點數與該處理步驟與循環程序資訊表，得到該些第一感測資料的資料關聯性，以校正該些第一感測資料之步驟更包含：根據該資料偏移點數所對應之該些第一感測資料之其一的一第一樣本點的點樣態特徵與該些第一感測資料之另一的一第二樣本點的點樣態特徵，比對該些第一感測資料之其一的該第一樣本 點與該些第一感測資料之另一的該第二樣本點之資料正確性，以對該些第一感測資料進行校正。
  18. 如專利申請範圍第17項所述之資料處理方法，其中，係藉由計算該些第一感測資料之其一的該第一樣本點與該第一樣本點對應之前後另兩個樣本點之正趨勢或負趨勢而得到該第一樣本點的點樣態特徵。
  19. 如專利申請範圍第13項所述之資料處理方法，其中，依據該些第一感測資料得到該些第一資料樣態特徵之步驟係包含依照該資料週期樣本點數擷取該些第一感測資料之複數個資料樣態，以得到該些第一感測資料之該些第一資料樣態特徵。
  20. 如專利申請範圍第19項所述之資料處理方法，其中，該些資料樣態係藉由計算該些第一感測資料之複數個樣本點之正趨勢或負趨勢而得到該些資料樣態。
  21. 如專利申請範圍第13項所述之資料處理方法，其中，依據該些第一資料樣態特徵，將對該些處理設備進行該第二次感測所得之複數個第二感測資料與該些第一感測資料對齊之步驟係包含：使用滑動視窗法，擷取該些第二感測資料之複數個第二資料樣態，並得到該些第二資料樣態之複數個第二資料樣態特徵；以及比對該些第二資料樣態特徵與對應之該些第一資料樣態特徵，當該些第二資料樣態特徵與對應之該些第一資料樣態特徵之相似度大於一門檻值時，則判斷該些第二資料樣態係與對應之該些第一資料樣態對齊。
  22. 如專利申請範圍第13項所述之資料處理方法，更包括：取出已對齊之該些第一感測資料之複數個第一特徵參數與該些第二感測資料之複數個第二特徵參數，並合併該些第一特徵參數與該些第二特徵參數。
  23. 如專利申請範圍第22項所述之資料處理方法，更包括：根據已合併之該些第一特徵參數與該些第二特徵參數進行預測模型訓練，以建構一故障預測模型，並利用由一測試資料取出之複數個第三特徵參數依據該故障預測模型進行故障預測。
  24. 如專利申請範圍第13項所述之資料處理方法，更包括：顯示與該循環運作模式相關之至少一選項於一圖形使用者介面中。
TW108148346A 2019-12-30 2019-12-30 資料處理系統與方法 TWI719786B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
TW108148346A TWI719786B (zh) 2019-12-30 2019-12-30 資料處理系統與方法
CN202010293843.0A CN113124414B (zh) 2019-12-30 2020-04-15 资料处理系统与方法
US16/874,434 US11609559B2 (en) 2019-12-30 2020-05-14 Data processing system and method

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
TW108148346A TWI719786B (zh) 2019-12-30 2019-12-30 資料處理系統與方法

Publications (2)

Publication Number Publication Date
TWI719786B true TWI719786B (zh) 2021-02-21
TW202125221A TW202125221A (zh) 2021-07-01

Family

ID=75745994

Family Applications (1)

Application Number Title Priority Date Filing Date
TW108148346A TWI719786B (zh) 2019-12-30 2019-12-30 資料處理系統與方法

Country Status (3)

Country Link
US (1) US11609559B2 (zh)
CN (1) CN113124414B (zh)
TW (1) TWI719786B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118564932B (zh) * 2024-07-29 2024-10-01 四川源之蓝环保科技有限公司 基于物联网的rto废气处理过程监测系统

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW200636571A (en) * 2005-02-09 2006-10-16 Advanced Micro Devices Inc Data processor adapted for efficient digital signal processing and method therefor
US20070066873A1 (en) * 2003-08-22 2007-03-22 Apurv Kamath Systems and methods for processing analyte sensor data
TW200745879A (en) * 2006-03-23 2007-12-16 Cambridge Display Tech Ltd Data processing hardware
TW200817900A (en) * 2006-02-23 2008-04-16 Freescale Semiconductor Inc Data processing system having address translation bypass and method therefor
US20130111189A1 (en) * 2010-03-31 2013-05-02 Robert Bosch Gmbh Circuit Arrangement for a Data Processing System and Method for Data Processing
TW201505428A (zh) * 2013-07-30 2015-02-01 Novatek Microelectronics Corp 資料處理方法及裝置
TW201643746A (zh) * 2015-06-09 2016-12-16 華邦電子股份有限公司 資料分配裝置、訊號處理裝置及其資料分配方法
TW201812576A (zh) * 2016-08-29 2018-04-01 漢民微測科技股份有限公司 用於具有多層工作負載管理之平行資料處理系統
TW201828200A (zh) * 2017-01-24 2018-08-01 阿里巴巴集團服務有限公司 一種資料處理方法和裝置

Family Cites Families (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7027953B2 (en) 2002-12-30 2006-04-11 Rsl Electronics Ltd. Method and system for diagnostics and prognostics of a mechanical system
US7499777B2 (en) * 2005-04-08 2009-03-03 Caterpillar Inc. Diagnostic and prognostic method and system
US8352216B2 (en) 2008-05-29 2013-01-08 General Electric Company System and method for advanced condition monitoring of an asset system
US8521443B2 (en) 2008-10-16 2013-08-27 Oxfordian Method to extract parameters from in-situ monitored signals for prognostics
US8423484B2 (en) 2009-01-23 2013-04-16 Oxfordian, Llc Prognostics and health management method for aging systems
CN102428445A (zh) * 2009-02-27 2012-04-25 奥索临床诊断有限公司 用于检测联网的诊断临床分析仪的近迫性分析故障的方法
US20120215491A1 (en) 2011-02-21 2012-08-23 Snap-On Incorporated Diagnostic Baselining
US8768668B2 (en) 2012-01-09 2014-07-01 Honeywell International Inc. Diagnostic algorithm parameter optimization
WO2013155421A1 (en) * 2012-04-13 2013-10-17 Siemens Corporation Embedded prognostics on plc platforms for equipment condition monitoring, diagnosis and time-to-failure/service prediction
CN102721465B (zh) 2012-06-13 2014-02-05 江苏省电力公司南京供电公司 电力变压器铁芯松动故障诊断与故障初步定位系统及方法
TWI463334B (zh) 2012-07-20 2014-12-01 Univ Nat Cheng Kung 標的裝置的基底預測保養方法與其電腦程式產品
US20160239756A1 (en) * 2013-10-10 2016-08-18 Ge Intelligent Platforms, Inc. Correlation and annotation of time series data sequences to extracted or existing discrete data
TWI493200B (zh) 2013-11-08 2015-07-21 Controlnet Internat Inc 智慧型饋線故障偵測系統及其方法
US9497569B2 (en) * 2014-03-12 2016-11-15 Uptime Solutions System and method for correlative sampling and compression of quasi-periodic machine parameter sensor data in an industrial facility
CN103996077B (zh) * 2014-05-22 2018-01-05 中国南方电网有限责任公司电网技术研究中心 一种基于多维时间序列的电气设备故障预测方法
TWI690009B (zh) 2015-11-20 2020-04-01 財團法人工業技術研究院 設備的故障評估方法與故障評估裝置
TWI570587B (zh) 2015-12-07 2017-02-11 財團法人工業技術研究院 半導體機台零件剩餘壽命預測系統與方法
US20190339688A1 (en) * 2016-05-09 2019-11-07 Strong Force Iot Portfolio 2016, Llc Methods and systems for data collection, learning, and streaming of machine signals for analytics and maintenance using the industrial internet of things
US11507064B2 (en) * 2016-05-09 2022-11-22 Strong Force Iot Portfolio 2016, Llc Methods and systems for industrial internet of things data collection in downstream oil and gas environment
US11003518B2 (en) * 2016-09-29 2021-05-11 Hewlett-Packard Development Company, L.P. Component failure prediction
TWI603210B (zh) * 2016-12-13 2017-10-21 財團法人工業技術研究院 機台零件之剩餘壽命的預測系統與預測方法
CN106600076B (zh) * 2017-01-10 2020-03-17 西安交通大学 一种转塔式rto废气处理设备的监控数据分析与预警方法
TWI632441B (zh) * 2017-01-20 2018-08-11 財團法人工業技術研究院 機台的預診斷方法及預診斷裝置
TWI667660B (zh) * 2018-11-20 2019-08-01 帆宣系統科技股份有限公司 Intelligent pre-diagnosis and health management system modeling method and computer program product

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070066873A1 (en) * 2003-08-22 2007-03-22 Apurv Kamath Systems and methods for processing analyte sensor data
US20110218414A1 (en) * 2003-08-22 2011-09-08 Dexcom, Inc. Systems and methods for processing analyte sensor data
TW200636571A (en) * 2005-02-09 2006-10-16 Advanced Micro Devices Inc Data processor adapted for efficient digital signal processing and method therefor
TW200817900A (en) * 2006-02-23 2008-04-16 Freescale Semiconductor Inc Data processing system having address translation bypass and method therefor
TW200745879A (en) * 2006-03-23 2007-12-16 Cambridge Display Tech Ltd Data processing hardware
US20130111189A1 (en) * 2010-03-31 2013-05-02 Robert Bosch Gmbh Circuit Arrangement for a Data Processing System and Method for Data Processing
TW201505428A (zh) * 2013-07-30 2015-02-01 Novatek Microelectronics Corp 資料處理方法及裝置
TW201643746A (zh) * 2015-06-09 2016-12-16 華邦電子股份有限公司 資料分配裝置、訊號處理裝置及其資料分配方法
TW201812576A (zh) * 2016-08-29 2018-04-01 漢民微測科技股份有限公司 用於具有多層工作負載管理之平行資料處理系統
TW201828200A (zh) * 2017-01-24 2018-08-01 阿里巴巴集團服務有限公司 一種資料處理方法和裝置

Also Published As

Publication number Publication date
TW202125221A (zh) 2021-07-01
CN113124414B (zh) 2024-07-23
CN113124414A (zh) 2021-07-16
US20210200196A1 (en) 2021-07-01
US11609559B2 (en) 2023-03-21

Similar Documents

Publication Publication Date Title
TWI719786B (zh) 資料處理系統與方法
CN111122162B (zh) 基于欧氏距离多尺度模糊样本熵的工业系统故障检测方法
US7017079B2 (en) Fault diagnosis
CN109154812A (zh) 监视装置、对象装置的监视方法、以及程序
US20120136819A1 (en) Turbine performance diagnostic system and methods
CN104048675A (zh) 一种基于高斯过程回归的组合导航系统故障诊断方法
US20210348985A1 (en) Abnormality diagnostic device, abnormality diagnostic method, and program
CN102265227A (zh) 用于在机器状况监视中创建状态估计模型的方法和设备
CN110352389A (zh) 信息处理装置及信息处理方法
JPWO2011089649A1 (ja) 診断装置及び診断方法
CN110059010B (zh) 基于动态符号执行与模糊测试的缓冲区溢出检测方法
US20160365735A1 (en) Systems and Methods for Power Plant Data Reconciliation
CN116113942A (zh) 依据工艺踪迹预测装备故障模式
Boniol et al. Sand in action: subsequence anomaly detection for streams
JP5824959B2 (ja) 異常診断装置
Celis et al. Steady state detection in industrial gas turbines for condition monitoring and diagnostics applications
CN110379503B (zh) 一种基于连续血糖监测系统的在线故障检测与诊断系统
CN116644368A (zh) 一种基于改进的格拉布斯检验法的异常值识别方法
CN115545092A (zh) 一种基于深度孪生自注意力网络的航空发动机小样本故障诊断方法
CN111767546B (zh) 一种基于深度学习的输入结构推断方法和装置
CN116976089A (zh) 一种燃气轮机仿真系统可信度的鲁棒评估方法及系统
JP6405851B2 (ja) 予兆検知支援プログラム、方法、装置、及び予兆検知プログラム、
CN116090266A (zh) 一种动力装置气路性能实时故障诊断方法
US7617431B2 (en) Method and apparatus for analyzing delay defect
CN113919225B (zh) 环境试验箱可靠性评估方法和系统