UA127465C2 - Система і спосіб виявлення і вимірювання аномалій сигналізування, що походять від компонентів, які використовуються в промислових процесах - Google Patents
Система і спосіб виявлення і вимірювання аномалій сигналізування, що походять від компонентів, які використовуються в промислових процесах Download PDFInfo
- Publication number
- UA127465C2 UA127465C2 UAA202104851A UAA202104851A UA127465C2 UA 127465 C2 UA127465 C2 UA 127465C2 UA A202104851 A UAA202104851 A UA A202104851A UA A202104851 A UAA202104851 A UA A202104851A UA 127465 C2 UA127465 C2 UA 127465C2
- Authority
- UA
- Ukraine
- Prior art keywords
- parameters
- data
- values
- technological process
- time frames
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 132
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 60
- 230000011664 signaling Effects 0.000 title claims description 15
- 230000008569 process Effects 0.000 claims abstract description 94
- 238000001514 detection method Methods 0.000 claims abstract description 49
- 238000012544 monitoring process Methods 0.000 claims abstract description 45
- 230000002159 abnormal effect Effects 0.000 claims abstract description 22
- 230000002547 anomalous effect Effects 0.000 claims abstract description 17
- 230000001953 sensory effect Effects 0.000 claims abstract description 4
- 238000012800 visualization Methods 0.000 claims abstract description 4
- 238000005259 measurement Methods 0.000 claims description 55
- 238000012545 processing Methods 0.000 claims description 37
- 238000004140 cleaning Methods 0.000 claims description 20
- 238000000227 grinding Methods 0.000 claims description 18
- 238000012423 maintenance Methods 0.000 claims description 13
- 230000000875 corresponding effect Effects 0.000 claims description 11
- 238000010801 machine learning Methods 0.000 claims description 10
- 238000003909 pattern recognition Methods 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 8
- 235000013339 cereals Nutrition 0.000 claims description 7
- 230000003449 preventive effect Effects 0.000 claims description 7
- 230000005856 abnormality Effects 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 230000001105 regulatory effect Effects 0.000 claims description 4
- 230000035945 sensitivity Effects 0.000 claims description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 4
- 238000007476 Maximum Likelihood Methods 0.000 claims description 3
- 230000006978 adaptation Effects 0.000 claims description 3
- 230000007274 generation of a signal involved in cell-cell signaling Effects 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims description 2
- 230000003750 conditioning effect Effects 0.000 claims description 2
- 230000002596 correlated effect Effects 0.000 claims description 2
- 235000013312 flour Nutrition 0.000 claims description 2
- 241000196324 Embryophyta Species 0.000 claims 4
- 239000000725 suspension Substances 0.000 claims 3
- 244000298715 Actinidia chinensis Species 0.000 claims 2
- 235000009434 Actinidia chinensis Nutrition 0.000 claims 2
- 235000009436 Actinidia deliciosa Nutrition 0.000 claims 2
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 claims 2
- 241000468053 Obodhiang virus Species 0.000 claims 2
- 230000015572 biosynthetic process Effects 0.000 claims 2
- 238000000746 purification Methods 0.000 claims 2
- 238000005303 weighing Methods 0.000 claims 2
- RGHMISIYKIHAJW-UHFFFAOYSA-N 3,4-dihydroxymandelic acid Chemical compound OC(=O)C(O)C1=CC=C(O)C(O)=C1 RGHMISIYKIHAJW-UHFFFAOYSA-N 0.000 claims 1
- 244000005894 Albizia lebbeck Species 0.000 claims 1
- 241000283690 Bos taurus Species 0.000 claims 1
- 241000566113 Branta sandvicensis Species 0.000 claims 1
- 241000499489 Castor canadensis Species 0.000 claims 1
- 241000543381 Cliftonia monophylla Species 0.000 claims 1
- 235000010205 Cola acuminata Nutrition 0.000 claims 1
- 244000228088 Cola acuminata Species 0.000 claims 1
- 235000015438 Cola nitida Nutrition 0.000 claims 1
- 102100035353 Cyclin-dependent kinase 2-associated protein 1 Human genes 0.000 claims 1
- 241000282326 Felis catus Species 0.000 claims 1
- 241001547860 Gaya Species 0.000 claims 1
- 235000013628 Lantana involucrata Nutrition 0.000 claims 1
- 235000011779 Menyanthes trifoliata Nutrition 0.000 claims 1
- 235000006677 Monarda citriodora ssp. austromontana Nutrition 0.000 claims 1
- 241000234295 Musa Species 0.000 claims 1
- 101100042258 Neurospora crassa (strain ATCC 24698 / 74-OR23-1A / CBS 708.71 / DSM 1257 / FGSC 987) sem-1 gene Proteins 0.000 claims 1
- 240000007673 Origanum vulgare Species 0.000 claims 1
- 241001387976 Pera Species 0.000 claims 1
- 241000220010 Rhode Species 0.000 claims 1
- 244000191761 Sida cordifolia Species 0.000 claims 1
- 241001415849 Strigiformes Species 0.000 claims 1
- 241001255741 Vanna Species 0.000 claims 1
- 101150116749 chuk gene Proteins 0.000 claims 1
- 239000013256 coordination polymer Substances 0.000 claims 1
- XQUXKZZNEFRCAW-UHFFFAOYSA-N fenpropathrin Chemical compound CC1(C)C(C)(C)C1C(=O)OC(C#N)C1=CC=CC(OC=2C=CC=CC=2)=C1 XQUXKZZNEFRCAW-UHFFFAOYSA-N 0.000 claims 1
- 239000010813 municipal solid waste Substances 0.000 claims 1
- 239000011435 rock Substances 0.000 claims 1
- 239000000779 smoke Substances 0.000 claims 1
- 210000004243 sweat Anatomy 0.000 claims 1
- 229940035289 tobi Drugs 0.000 claims 1
- NLVFBUXFDBBNBW-PBSUHMDJSA-N tobramycin Chemical compound N[C@@H]1C[C@H](O)[C@@H](CN)O[C@@H]1O[C@H]1[C@H](O)[C@@H](O[C@@H]2[C@@H]([C@@H](N)[C@H](O)[C@@H](CO)O2)O)[C@H](N)C[C@@H]1N NLVFBUXFDBBNBW-PBSUHMDJSA-N 0.000 claims 1
- 210000003462 vein Anatomy 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 18
- 238000003801 milling Methods 0.000 description 15
- 230000008901 benefit Effects 0.000 description 11
- 230000006399 behavior Effects 0.000 description 9
- 230000000737 periodic effect Effects 0.000 description 9
- 238000009434 installation Methods 0.000 description 7
- 230000007257 malfunction Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 5
- 230000001960 triggered effect Effects 0.000 description 5
- 238000012806 monitoring device Methods 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 235000013305 food Nutrition 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 229920002472 Starch Polymers 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 239000002994 raw material Substances 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 235000019698 starch Nutrition 0.000 description 2
- 239000008107 starch Substances 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 235000008429 bread Nutrition 0.000 description 1
- 238000001311 chemical methods and process Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000004069 differentiation 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
- 239000012467 final product Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000012994 industrial processing Methods 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 239000000543 intermediate Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 238000004886 process control Methods 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
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
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
- 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
- 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
- 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
- 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
- G05B23/0286—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
Винахід належить до способу і системи виявлення аномалій в сенсорних даних, що походять від компонентів, які використовуються в промислових процесах. Етапи виявлення аномалій включають (i) отримання даних технологічного процесу і аварійних даних/даних про несправності від компонента або групи компонентів, (ii) вивчення типової частоти аномального режиму роботи або аварійних сповіщень/сповіщень про несправності, (iii) порівняння нових даних з вивченим нормальним режимом роботи і (iv) визначення аномальності на основі порогового значення, яке може підстроюватися. Винахід також пропонує новий, автоматизований і ефективний моніторинг, виявлення і візуалізацію аварійних сповіщень, унікальних для варіанта застосування. 2
Description
ш шо ок В явчені-мкоюєвючяє с
З --7 ШО МИМО я ЕУКЕМИКОЗ АМоск ЩЕ
ПО ксвонвх ТИЖДЕНЬ Те, ТИЖДЕНЬ Зихко ТИЖДЕНЬ Зоо АЖДЕНО ЗО днютю нс сек кпк
Мп сювв о Шбллевясвоютя 0 Йе ЗНАХОДЖЕННЯ З СТАНЕ ПОМИЛКИ ЗА в пд ння ПОН нАВННОЮ т - СЕКЦІЯ НН НИ ЖЖ ШІ У екчатевюхдня лівося
СНЦЯ? НІ НН НЕ Я ех влення ак: і ШИ ї сні ОО ЛО ЛЮ НОВ «АЗОВ Ресто І
Б жа» ще ПОВЖт - щ о ль «СЕКШЯ! зецюпюсюю о о що ї5 «СЕКЦІЯ? зедоспРОсТОЮ вх її. . ти щи г К й зей де т м ЕЕ кет рерю т теру фе люфт Кир ери фр У ЩЕ шоб енененннннн АС ЛОСТОЮ сеноондень! со МКЦЕНЬ? с ИНДЕНЬ В о ВОКДЕНЬЯ
Фіг.15
Галузь техніки
Даний винахід стосується систем керування і/або моніторингу промислових процесів.
Зокрема, винахід стосується способу виявлення аномалій або завчасних індикаторів збою обладнання в промисловому обладнанні або на заводах-виробниках шляхом моніторингу вимірювальних даних і/або параметрів технологічного процесу, що походять від компонентів, які використовуються в промислових процесах, за п. 1, відповідно, винахід стосується системи виявлення аномалій або завчасних індикаторів збою обладнання в промисловому обладнанні або на заводі-виробнику шляхом моніторингу вимірювальних даних і/або параметрів технологічного процесу, що походять від компонентів, які використовуються в промислових процесах, за п. 11. Винахід включає самоадаптивне обладнання регулювання по замкненому циклу і/або по розімкненому циклу для автоматизованого регулювання по замкненому циклу і/або по розімкненому циклу роботи валково-помольних системам, більш конкретно, помольних заводів, які мають раму валка, а також помольних системам і помольних заводів загалом. За винятком свого застосування для керування пристроями контролю і координації валково- помольних систем, даний винахід також загалом стосується систем і способів виявлення і вимірювання аномалій сигналізування від компонентів, які використовуються в промислових процесах. Можливі варіанти застосування обладнання згідно з винаходом також стосуються валково-помольних систем із вимірюванням і моніторингом у реальному часі або у квазіреальному часі робочих параметрів, таких як температура валка, проміжок між валками, швидкість валка, притискна сила валка і/або споживана потужність одного або різних приводів валка, і/або з вимірюваннями в реальному часі або в квазіреальному часі складових або параметрів якості під час виробничого кондиціонування і обробки в хлібних помольних заводах для цілей моніторингу (вимірювання, моніторингу) технологічного процесу і керування установками і технологічними процесами з розімкненим циклом і/або із замкненим циклом, таких як, наприклад, виміряні змінні, наприклад, вміст води, вміст білка, пошкодження крохмальних зерен, зольність (мінеральні речовини) борошна (або проміжних продуктів помелу), вміст залишкового крохмалю, тонина помелу тощо.
Рівень техніки
У промислових процесах і налаштуваннях пристроїв системи керування використовують для
Зо відстежування, контролю, координування і сигналізування об'єктів, установок або іншого обладнання і робочих/технологічних процесів щодо промислових або хімічних процесів тощо. Як правило, система, яка виконує керування і моніторинг, використовує "польові пристрої", розміщені в ключових місцях промислового процесу, з'єднані зі схемою регулювання за допомогою циклу регулювання технологічних процесів. Термін "польовий пристрій" означає будь-який пристрій, який виконує певну функцію в розподіленій системі керування або моніторингу технологічного процесу і включає всі пристрої, які використовуються у вимірюванні, наприклад, датчики і вимірювальні пристрої, в керуванні, моніторингу і сигналізуванні промислових процесів і технологічного обладнання. Кожний польовий пристрій, наприклад, може містити засоби зв'язку і схему, використовувану для зв'язку, зокрема, для дротового або бездротового зв'язку, з контролером технологічного процесу, іншими польовими пристроями або іншою схемою, по циклу регулювання технологічних процесів. У деяких установках цикл регулювання технологічних процесів також використовують для подання стабілізованого струму іМабо напруги в польовий пристрій для живлення польового пристрою. Цикл регулювання технологічних процесів також передає дані в аналоговому або в цифровому форматі. Як правило, польові пристрої використовують для визначення або контролю змінних технологічного процесу в промисловому процесі і/або в конкретних установках за необхідності, з метою моніторингу локального оточення польового пристрою.
Одна з технічних проблем таких систем грунтується на тому, що контроль і моніторинг великомасштабних промислових об'єктів (наприклад, на зернових заводах, підприємствах харчової промисловості), як правило, генерує великі об'єми даних технологічного процесу і аварійних даних/даних про несправності. Часто відбувається так, що спрацьовує багато аварійних сповіщень/сповіщень про несправності, які, однак, часто ігноруються або вимикаються, щоб продовжувати виконання технологічного процесу і керування. Крім того, аварійні сповіщення/сповіщення про несправності можуть бути ініційовані простими подіями технічного обслуговування машин і не викликають додаткових технічних проблем. Крім цього, дані технологічного процесу, наприклад, від струмів двигуна, можуть часто показувати нетипові значення на основі порогових значень і не завжди викликають занепокоєння щодо окремих подій. Існує потреба у забезпеченні автоматизованого відсіювання аварійного сигналізування/сигналізування про несправності у кінцевий перелік важливих подій, які є бо аномальними щодо типового режиму роботи. Цей кінцевий перелік повинен забезпечувати ефективне профілактичне обслуговування і аналіз першопричин подій пристроїв, які є дуже витратними в промислових процесах і повинні бути мінімізовані. Ідентифікувати аномальні закономірності заздалегідь досить складно, тому бажаним є спосіб без додаткового контролю.
Крім того, машини або інші промислові установки, наприклад, заводи, млини на двигунах або турбіни тощо, можуть бути виведені з ладу з багатьох причин. Як згадувалося вище, відомі несправності в роботі установок або машини зазвичай виявляються за допомогою датчиків, і після виявлення несправності про неї повідомляють оператору для виправлення або сигналізують відповідним призначеним пристроям аварійного сигналізування. Однак, традиційні стратегії, які використовуються для виявлення несправностей, зазвичай розробляються на основі відомих проблем, які раніше виникали в машині, на заводі або у пристрої. Такі випадки можуть бути заздалегідь визначені шляхом автоматичного встановлення профілів датчиків, які відповідають відомій аномальній поведінці, пов'язаній з конкретною проблемою. Проте, у випадку проблем, які ніколи раніше не виникали, несправності часто виникають без будь-якого попередження або попереднього індикатора. У таких ситуаціях витрати на ремонт можуть бути значно вищими, ніж у випадку завчасного виявлення несправності. Крім того, пізнє виявлення несправності або неминучого збою може поставити під загрозу безпеку машин. Тому бажано передбачити систему і спосіб автоматичного і точного виявлення невідомої аномальної поведінки в машині.
Зокрема, на зернових заводах і підприємствах харчової промисловості виявлення аномалій за даними датчиків є важливим застосуванням отриманих даних. При використанні як прикладу помольного виробництва, для гарантування безпечного і оптимізованого помелу і запобігання серйозним несправностям системи, дистанційний моніторинг обладнання є критичною частиною виробничого процесу. Ключовим завданням дистанційного моніторингу є виявлення аномалій, тобто виявлення ранніх ознак збоїв до їхнього виникнення. Так, наприклад, тиск і температура валка є ключовими компонентами для забезпечення стабільного виробництва, тому їх необхідно контролювати. У попередньому рівні техніки було докладено багато зусиль для автоматизації виявлення аномалій, але це все ще є дуже складним завдання. Існує кілька технічних проблем, про які частково вже говорилося вище. Дані датчиків, такі як температура, тиск, зміщення, швидкість потоку, вібрація тощо, є зашумленими, значення датчиків можуть
Зо змінюватись безперервно, а кореляційна структура може змінюватися навіть щодня. Існує потреба у включенні інтелектуальної систему моніторингу і виявлення і способу автоматичного подолання небажаного шуму. Необхідно враховувати змінні і множинні залежності, тому змінні не слід аналізувати окремо, оскільки це може викликати помилкові сповіщення. Крім того, система, яка контролюється, часто є нестабільною, оскільки умови роботи можуть з часом змінюватися, наприклад, стан навколишнього середовища, такий як тиск повітря або відносна вологість повітря/вологість місцевого повітря. Таким чином, також існує потреба в діагностичній інформації, наприклад, які змінні мають аномалії. Проте, відомо, що способи попереднього рівня техніки мають серйозні проблеми на практиці і не можуть одночасно обробляти декілька режимів роботи і здійснювати багатоваріантне оцінювання аномалій на основі змінних.
Більшість систем не може ефективно надавати інформацію зі змінними параметрами, що є особливо проблематичним у багатьох промислових варіантах застосування, в яких розмірність вимірювальних параметрів зазвичай може бути великою. 05 2011/288836 розкриває спосіб і систему виявлення аномалій в аеродвигуні. Спосіб і система визначають модель поведінки контролера аеродвигуна з використанням регресії у часі, що моделює поведінку контролера як функцію набору даних, пов'язаного з контролером, включаючи вимірювання попередньої поведінки і вимірювання команд і стану контролера; безперервне повторне обчислення моделі поведінки для кожного нового набору даних; і моніторинг статистичних змін моделі поведінки для виявлення аномалії поведінки контролера, що представляє робочу аномалію двигуна. О5 2016/371600 А розкриває системи і способи моніторингу даних, записаних із систем, за певний час. Описані тут методики включають можливість виявлення і класифікації системних подій, а також надання показників нормальної роботи системи і виявлення аномалій. Системи і способи даного винаходу можуть представляти події, які відбуваються в системі, що контролюється, таким чином, що часові характеристики подій можуть бути захоплені і використані для виявлення, класифікації і/або виявлення аномалій, що може бути особливо корисним при розв'язанні проблем, пов'язаних з комплексними системами і/або подіями. У 05 2017/139398 описано, що множина технологічних об'єктів і пристрій для аналізу з'єднуються через туманну мережу. Пристрій для аналізу виконує аналіз даних на основі інформації про виявлення детекторів, отриманої через туманну мережу, і зберігає інформацію про визначення, що стосується аномалій кожного з множини виробничих 60 потужностей або аномалій виробничого об'єкта в результаті аналізу даних. Кожна з множини виробничих потужностей визначає аномалію кожної з множини виробничих потужностей або аномалію виробничого об'єкта на основі інформації визначення, що зберігається в пристрої для аналізу. В ЕР З 379 360 описано, що система 1 виявлення аномалій включає арифметичний пристрій 1Н101, який виконує обробку вивчення моделі прогнозування, яка прогнозує поведінку цільового пристрою моніторингу на основі робочих даних у пристрої, обробку коригування кількісного показника аномалій таким чином, щоб кількісний показник аномалій для робочих даних у звичайному режимі роботи потрапляв у заздалегідь визначений діапазон, причому кількісний показник аномалій грунтується на відхиленні експлуатаційних даних, отриманих від пристрою цільового моніторингу, від результату прогнозування, отриманого за допомогою моделі прогнозування, обробці виявленої аномалії або ознаки аномалії на основі скоригованої оцінки аномалії, і обробці відображення інформації щонайменше на одному з кількісних показників аномалій і результаті виявлення в пристрої виведення.
Крім того, у системах рівня техніки аварійні сповіщення/сповіщення про несправність часто реєструються в автоматизованому системному програмному забезпеченні і в системах керування, де важко отримати уявлення і відслідкувати тенденції у даних при цій формі реєстрації Тому оператори покладаються на свої спостереження за аварійними подіями/несправностями для моніторингу стану виробництва. Отже, існує потреба у забезпеченні кращої вихідної сигналізації і візуалізації аварійних сповіщень/сповіщення про несправність, щоб оператори могли легко відстежувати роботу установки, безпечність і стан виробництва. Візуалізація також дозволить іншим особам, таким як власники і постачальники послуг технічного обслуговування, отримувати інформацію і покращувати зв'язок з операторами. Важливо уникати/вимірювати час простою заводу на великомасштабних переробних підприємствах, оскільки це пов'язано зі значними втратами.
Суть винаходу
Мета даного винаходу полягає у подоланні недоліків і технічних проблем, відомих з рівня техніки. Зокрема, мета полягає у наданні точної і ефективної системи і способу керування для виявлення аномалій у вимірювальних і сенсорних даних, що походять від компонентів, які використовуються у промислових процесах. Система повинна мати можливість надавати автоматизовану технологію для ефективного відсіювання величезних аварійних
Зо сповіщень/сповіщень про несправності у кілька ініційованих важливих подій, які є аномальними щодо номінального режиму роботи. Система повинна мати можливість виконувати процес контролю і моніторингу в режимі реального часу або квазіреального часу. Зокрема, метою винаходу є надання інтелектуального, самоадаптивного пристрою регулювання по розімкненому/замкненому циклу для автоматизованої оптимізації і керування помольною лінією системи валків, яка може бути використана для виконання помелу і/або подрібнення оптимізованим і автоматизованим способом, що підвищує функціональну надійність млина і одночасно оптимізує роботу шляхом автоматичної реакції на аномалії, які виникають.
Згідно з даним винаходом мета винаходу можуть бути реалізована і досягнена за допомогою елементів і комбінацій, конкретно проілюстрованих у незалежних і залежних пунктах формули винаходу. Слід розуміти, що як наведений вище загальний опис, так і наведений нижче детальний опис є лише зразковими і пояснювальними і не обмежують обсяг охорони даного винаходу.
Згідно з даним винаходом наведені вище задачі для системи і способу виявлення аномалій або завчасної індикації несправності обладнання на промисловому обладнанні або на заводах- виробниках шляхом моніторингу сенсорних або вимірювальних даних, отриманих від компонентів, які використовуються у промислових процесах, вирішуються, зокрема, у такий спосіб: сенсорні і/або вимірювальні дані компонентів, які використовуються у промисловому процесі, вимірюються за допомогою вимірювальних пристроїв або датчиків, а часові рамки або періоди часу однакового розміру визначаються в отриманому потоці даних сенсорних і/або вимірювальних даних за періоди часу, коли компоненти, використовувані у промисловому процесі, функціонують нормально, причому сенсорні і/або вимірювальні дані містять сенсорні значення для множини вимірювальних параметрів, оскільки сенсорні значення множини вимірювальних параметрів перетворюються на спостережувані двійкові коди обробки для кожної з ідентифікованих часових рамок однакового розміру, а двійкові коди обробки призначаються сховищу даних або структурі даних, що містить послідовність збережених станів ланцюга Маркова, в яких генерується багатовимірна структура даних, що містить визначену кількість значень змінних параметрів прихованої моделі Маркова, при цьому змінні параметри моделі багатовимірної структури даних визначаються за допомогою модуля машинного навчання, який застосовується до послідовності присвоєних двійкових кодів обробки, і при бо цьому змінні параметри прихованої моделі Маркова багатовимірної структури даних варіюються і навчаються шляхом вивчення частоти нормального стану аварійних подій, які виникають, на основі сенсорних і/або вимірювальних даних ідентифікованих часових рамок однакового розміру, оскільки множина значень стану ймовірності ініціалізується і зберігається шляхом застосування навченої багатовимірної структури даних зі згаданими значеннями змінних параметрів прихованої моделі Маркова до попередньо дискретизованих двійкових кодів обробки, які мають часові рамки однакового розміру, ідентичні часовим рамкам для значень виміряних сенсорних і/або вимірювальних даних, логарифмічне порогове значення кількісного показника аномалій визначається шляхом впорядкування значень логарифмічних результатів збережених значень стану ймовірності, і зазначена навчена багатовимірна структура даних зі значеннями змінних параметрів прихованої моделі Маркова розгортається для моніторингу нещодавно виміряних сенсорних і/або вимірювальних даних з промислового обладнання або заводів з використанням порогового значення кількісного показника аномалій для виявлення аномальних значень даних датчиків, які можуть вказувати на майбутній системний збій, при цьому для спрацювання даних датчиків при аномальних значеннях, генерується логарифмічне значення результату значення стану ймовірності нещодавно виміряних сенсорних і/або вимірювальних даних і порівнюється зі збереженими значеннями стану ймовірності на основі згаданого логарифмічного порогового значення кількісного показника аномалії. Крім того, передбачені різні способи забезпечення двійкових векторних відстаней ефективної кореляції, наприклад, на основі класичної відстані Хеммінга (де п-1, класична відстань Хеммінга) для вікна в п рядків. Для векторів а і р відстань дорівнює кількості одиниць ва їі 6 для вікон в п рядків, діленій на довжину а. Інший спосіб заснований на відстані Жаккарда. У (А, В) - 1 - | АВ
АОВ |. В одному варіанті здійснення відстані можуть бути періодично генеровані, і алгоритм може виявляти аномалію, якщо ефективні кореляції за описаними вище прикладами були анормальними.
Важливо зауважити, що система і спосіб згідно з винаходом, в принципі, працюють з і без перетворення аналогового сигналу на двійковий сигнал або код (на основі порогових значень).
Однак, перевага перетворення аналогового сигналу на двійковий сигнал або код зокрема полягає в тому, що виявлення аномалій часових рядів зазвичай засновується на порогових значеннях і ковзних середніх або подібних значеннях для виявлення аномалій. Результатом
Зо може бути виявлення занадто великої кількості аномалій через коливальні/зашумлені сигнали (що є характерним для промислового процесу). Так, наприклад, для виявлення часових рядів і аномалій можна регулювати порогове значення у таким спосіб, що воно матиме більшу або меншу чутливість (див. фіг. 13, де аномалії позначені сірими вертикальними лініями). У цьому підході розглядається кожна подія, при якій порогове значення перевищене як значення "істина"/1 (і "хиба/0" в іншому випадку) для створення двійкової послідовності. Це дозволяє перевіряти частоту перевищень порогових значень. Перевага полягає в тому, що немає необхідності турбуватися про надчутливість порогового значення і коливання/зашумлення промислових ІоТ-даних. Без урахування цих переваг двійкового перетворення також можна використовувати розширення алгоритму для пошуку аномалій в аналогових даних процесу.
Порогові значення ковзної середньої і варіантності можуть бути застосовані для створення двійкової послідовності. У такому випадку можна використовувати наведений вище алгоритм виявлення аномалій. В результаті аномалії будуть виявлені, коли технологічний процес нетипово перевищить порогові значення. На фіг. 14 представлена аномалія даних технологічного процесу. На фіг. 9 двійкова послідовність формується на основі порогових значень, застосованих до даних технологічного процесу. На наступному етапі описаний спосіб виявлення аномалій застосовується до двійкової послідовності, і аномальні періоди часу позначаються відповідним чином. Важливо зазначити, що описана вище система і спосіб перетворення аналогових сигнальних аномалій на двійкові вектори з подальшим застосуванням статистичного виявлення аномалій НММ, тобто структура на основі прихованої моделі Маркова (НММ), згідно з даним винаходом є технічно унікальними і не передбачені жодною системою попереднього рівня техніки. У даному винаході використовується НММ для виявлення аномалій, у той час як сучасні системи використовують іншу технологію маркування аномалій з використанням НММ. Зокрема, системи попереднього рівня техніки не використовують етап порогової обробки, який використовує даний винахід. Крім того, системи попереднього рівня техніки не згадують перетворення аналогових сигналів на двійкові послідовності, що також є частиною диференціатора за п. 1.
Модуль машинного навчання може, наприклад, обробляти послідовність присвоєних двійкових кодів обробки шляхом застосування оцінки параметрів за принципом максимальної правдоподібності для навчання багатовимірної структури даних зі змінними параметрами бо прихованої моделі Маркова, при цьому елементи послідовності збережених станів параметрів ланцюга Маркова, ймовірно, є незалежними вимірюваннями, і при цьому параметри моделі багатовимірної структури даних змінюються шляхом максимізації помноженого добутку ймовірностей для отримання параметрів навченої моделі багатовимірної структури даних.
Параметри моделі багатовимірної структури даних можуть, наприклад, змінюватись ітеративно доти, доки не буде перевищено заданий поріг збіжності. Для визначення зазначеного порогового значення кількісного показника аномалії процес усереднення може, наприклад, бути застосований на основі різних частот виниклих аварійних подій сенсорних і/або вимірювальних даних ідентифікованих часових рамок. Перевага винаходу зокрема полягає в тому, що він пропонує новий спосіб і систему для автоматизованого виявлення відповідного сигналізування при аномаліях даних, що походять від компонентів, які використовуються у промислових процесах. Він надає ефективну автоматизовану систему контролю і моніторингу великомасштабних промислових активів (наприклад, на зернових заводах, підприємствах харчової промисловості), які зазвичай генерують великі обсяги даних технологічного процесу і аварійних даних/даних про несправності, які важко обробляти.
Слід зазначити, що машина зупиняється у випадку кожного релевантного аварійного сповіщення (наприклад, порушення температурних меж валків, перевищення порогових значень тиску між валками тощо), незалежно від систем виявлення аномалій згідно з винаходом. Однак, даний винахід пропонує нову систему і спосіб для виявлення неконтрольованих аномалій, наприклад, пов'язаних з промисловими багатовимірними даними часових рядів. Виявлення без додаткового контролю може, зокрема, бути важливим у сценаріях "невідомо-невідомо", коли оператори не знають про потенційні збої і не спостерігали жодних попередніх випадків виникнення таких невідомих збоїв. Система згідно з винаходом також може надавати оцінку якості даних, обчислювати відсутні значення, а також генерувати, перевіряти достовірність і оцінювати додаткові або нові ознаки. Даний винахід дозволяє визначати невідомі збої на основі порівняння профілю нормального режиму роботи (наприклад, усі датчики показують значення в нормальному діапазоні) з повідомленими відмінностями в поточному стані роботи. Датчики можуть бути пов'язані з різними вимірюваними елементами машини, такими як вібрація, температура, тиск і зміни умов навколишнього середовища тощо. У деяких випадках визначення невідомих збоїв стосується виявлення збою, який повинен відбутися (наприклад, завчасне виявлення). У деяких випадках визначення невідомих збоїв пов'язане із завчасним виявленням, а також з іншими випадками, коли збій може статися в минулому, але впливає на нинішню операцію. Крім того, даний винахід дозволяє ефективно фільтрувати і диференціювати аварійні сповіщення/сповіщення про несправності, які ініціюються простими подіями технічного обслуговування машин і не викликають занепокоєння. Це також стосується даних
З5 технологічного процесу, наприклад, струмів електродвигуна, які можуть частково показувати нетипові значення на основі порогових значень і які не завжди викликають занепокоєння щодо окремих подій. Даний винахід забезпечує ефективне і автоматизоване відсіювання аварійних даних/даних про несправності, які передаються в потоковому режимі від датчиків і вимірювальних пристроїв до кінцевого переліку важливих подій, які є аномальними відносно номінального режиму роботи. Цей кінцевий перелік є основою для нового способу ефективного профілактичного технічного обслуговування і аналізу першопричин подій простоїв, які є дуже витратними в промислових процесах і повинні бути зведені до мінімуму. Винахід дозволяє заздалегідь ідентифікувати аномальні закономірності, щоб повністю автоматизований спосіб без додаткового контролю став технічно можливим завдяки відповідному винаходу керуванню і моніторингу коректної роботи машини. Отже, винахід дозволяє виявляти аномалії без додаткового контролю, зокрема пов'язані з промисловими багатовимірними даними часових рядів. Виявлення без додаткового контролю є надзвичайно важливим у сценаріях "невідомо- невідомо", коли оператори не знають про потенційні збої і не спостерігали жодних попередніх випадків виникнення таких невідомих збоїв. Завдяки винаходу можна визначати невідомі збої порівняно з нормальним режимом роботи або профілем машини/двигуна (наприклад, усі датчики вказують значення в нормальному діапазоні) із зазначеними відмінностями в поточному стані машини/двигуна. Датчики можуть бути пов'язані з різними вимірюваними елементами машини, такими як, наприклад, вібрація, температура, тиск і зміни умов навколишнього середовища тощо. У деяких випадках визначення невідомих збоїв (наприклад, оцінювання) стосується виявлення збою, який повинен відбутися (наприклад, завчасне виявлення). У деяких інших випадках визначення невідомих збоїв стосується як завчасного виявлення, так і випадку, коли збій стався в минулому. Крім того, даний винахід дозволяє по-новому отримати уявлення і прослідкувати тенденції у сенсорних даних і/або аварійних сповіщеннях/сповіщеннях про несправності у цій формі реєстрації що також робить зайвим безперервний моніторинг бо аварійних сповіщень/сповіщень про несправності операторами. Даний винахід також дозволяє здійснювати новий моніторинг аварійних сповіщень/сповіщень про несправності у такий спосіб, щоб оператори могли легко відстежувати роботу і працездатність заводу. Новий моніторинг також дозволяє іншим особам, таким як власники і постачальники технічного обслуговування, отримувати автоматизовану інформацію і покращувати зв'язок з операторами. Винахід дозволяє уникнути/вимірювати час простою заводу на великомасштабних переробних підприємствах, оскільки це пов'язано зі значними втратами прибутку.
В одному з варіантів здійснення чутливість вибраних часових рамок може, наприклад, автоматично налаштовуватись на основі динамічних регулювань порогового значення.
Перевага цього варіанта здійснення зокрема полягає в тому, що може бути оптимізована швидкість збіжності за рахунок навчання змінних параметрів прихованої моделі Маркова багатовимірної структури даних.
В іншому варіанті здійснення аномальні часові рамки, наприклад, оцінюються для множини активів ідентичних виробничих технологічних ліній, при цьому для запуску на аномальному рівні аномальні часові рамки застосовуються для аналізу першопричин простоїв заводу. Крім того, як варіант сигналізування служби технічного обслуговування може, наприклад, відбуватися на основі аналізу першопричин простоїв заводу. Перевага цього варіанта здійснення також полягає в тому, що він дозволяє надійно застосовувати даний винахід до різних активів і виробничих технологічних ліній. Іншою перевагою є те, що цей варіант здійснення дозволяє реалізувати хмарні і/або мережеві автоматизовані програми обслуговування і/або сервісні програми і способи сигналізування.
У ще одному варіанті здійснення для визначення зазначеного порогового значення кількісного показника аномалій генерується частотний шаблон для кожної з однакових за розміром ідентифікованих часових рамок з використанням розпізнавання шаблонів для ініціалізації множини послідовностей ланцюгів Маркова зі станів параметрів, які зберігаються, при цьому кожен стан параметрів, які зберігається, є функцією множини вимірювальних параметрів, при цьому за допомогою застосованого розпізнавання шаблонів визначаються коефіцієнти зважування і/або середнє значення і/або варіантності кожної з множини послідовностей станів параметрів, які зберігаються, а нерелевантні часові рамки видаляються із використаного набору однакових за розміром ідентифікованих часових рамок. Перевага цього
Зо варіанта здійснення зокрема полягає в тому, що швидкість збіжності може бути оптимізована за рахунок навчання змінних параметрів прихованої моделі Маркова багатовимірної структури даних. Отже, розпізнавання шаблонів і коефіцієнти зважування дозволяють застосувати кореляційний показник аномалії кожної змінної у зашумленій вибірці даних шляхом порівняння вимірюваної вибірки даних із еталонними даними, навіть якщо деякі змінні мають високу кореляцію. Тому помилкові залежності, введені шумом, можна усунути, зосередившись на найбільш значущих залежностях для кожної змінної. Вибір оточення може, наприклад, бути виконаний адаптивним способом, шляхом підбору розрідженої графічної моделі Гаусса як оцінки за принципом максимальної правдоподібності. Кореляційний показник аномалій для кожного вимірювального параметра потім може бути сформований за допомогою відстаней між підігнаними умовними розподілами.
У варіанті здійснення генерується стробувальний сигнал у вигляді цифрового сигналу або імпульсу, який надає відповідне часове вікно, при цьому вибирають аномальні часові рамки нещодавно виміряних сенсорних даних з множини вимірюваних часових рамок вимірювальних даних, а звичайні часові рамки будуть усунені або відкинуті, і при цьому вибір виниклих аномальних часових рамок ініціює відповідне генерування сигналу і перехід до призначених пристроїв аварійного сигналізування і/або моніторингу і/або контролю/керування. Перевага цього варіанта здійснення зокрема полягає в тому, що він дозволяє здійснювати ефективне міжмашинне сигналізування шляхом формування відповідних координуючих сигналів, які контролюють роботу супутніх пристроїв, ініційованих виявленими аномаліями або завчасними
БО індикаторами збою обладнання на промисловому обладнанні або на заводах-виробниках.
У ще одному варіанті здійснення згаданий вище спосіб і систему для автоматизованого виявлення аномалій або завчасної індикації несправності у роботі обладнання на промисловому обладнанні або заводах-виробниках застосовують до інтелектуального, самоадаптованого способу регулювання по замкненому циклу і по розімкненому циклу для обладнання регулювання по замкненому циклу і/або розімкненому циклу для самооптимізованого керування помольним заводом і/або помольною лінією системи валків помольного заводу, при цьому помольна лінія містить множину блоків обробки, кожен з яких може бути індивідуально приведений у дію за допомогою обладнання регулювання по замкненому циклу і розімкненому циклу, які індивідуально регулюються в ході їхньої роботи на основі робочих параметрів 60 технологічного процесу, при цьому обладнання регулювання по замкненому циклу і по розімкненому циклу містить модуль розпізнавання шаблонів на основі описаного вище способу виявлення аномалій, причому обладнання регулювання запускається внаслідок передачі сигналу модулю розпізнавання шаблонів, і при цьому робота помольного заводу координується і адаптується за допомогою обладнання регулювання на основі переданого сигналу запуску. Як варіант обладнання регулювання по замкненому циклу і/або розімкненому циклу може, наприклад, включати контролер пакетної обробки, який має визначену послідовність обробки в блоках обробки, яка регулюється за допомогою робочої рецептури технологічного процесу і обладнання регулювання, при цьому задана кількість кінцевого продукту виробляється з одного або декількох вихідних матеріалів за допомогою робочої рецептури технологічного процесу, при цьому керування блоками обробки відбувається на основі робочих параметрів періодичного технологічного процесу, конкретно асоційованих з робочою рецептурою технологічного процесу, і при цьому контролер пакетної обробки адаптований або оптимізований на основі однієї або декількох повторюваних і виявлених аномальних часових рамок нових виміряних сенсорних даних за допомогою обладнання регулювання. Обладнання регулювання може, наприклад, додатково містити другий модуль розпізнавання шаблонів для розпізнавання робочих рецептур технологічного процесу, які мають багатовимірні шаблони параметрів періодичного технологічного процесу, при цьому робоча рецептура технологічного процесу містить щонайменше один або більше вихідних матеріалів, задану послідовність процесу помелу в блоках обробки помольної лінії і робочі параметри періодичного технологічного процесу, які зберігаються разом з відповідними блоками обробки помольної лінії, при цьому обладнання регулювання по замкненому циклу і розімкненому циклу містить запам'ятовувальний пристрій для зберігання статистичних робочих рецептур технологічного процесу, які мають статистичні параметри періодичного технологічного процесу, при цьому статистичні параметри періодичного технологічного процесу рецептури технологічного процесу задають типовий для технологічного процесу багатовимірний шаблон параметрів періодичного технологічного процесу для оптимізованого періодичного технологічного процесу в нормальному діапазоні, при цьому введення нової робочої рецептури технологічного процесу приводить до ініціювання і/або вибору одного або декількох збережених статистичних робочих рецептур технологічного процесу як найближчого(-чих) шаблону(-нів) параметрів періодичного технологічного процесу за допомогою розпізнавання шаблонів модулем розпізнавання шаблонів на основі відповідних багатовимірних шаблонів параметрів періодичного технологічного процесу, і при цьому нові шаблони параметрів періодичного технологічного процесу, які мають нові параметри періодичного технологічного процесу, генеруються за допомогою обладнання регулювання по замкненому циклу і по розімкненому циклу при виявленні однієї або декількох аномальних часових рамок нових виміряних сенсорних даних за допомогою обладнання регулювання на основі ініційованих найближчих шаблонів параметрів нормального періодичного технологічного процесу, причому блоки обробки запускаються і регулюються за допомогою обладнання регулювання по замкненому циклу і по розімкненому циклу відповідним чином на основі сформованих робочих рецептур технологічного процесу, які мають відповідні параметри періодичного технологічного процесу. Перевага даного варіанта здійснення зокрема полягає в тому, що він надає інтелектуальний, самоадаптивний пристрій регулювання по замкненому/розімкненому циклу автоматизованої оптимізації і керування помольною лінією системи валків, яка може бути використана для виконання помелу і/або подрібнення оптимізованим і автоматизованим способом, що підвищує функціональну надійність млина і одночасно оптимізує роботу шляхом автоматичної реакції на аномалії, які виникають.
Слід зазначити, що датчики і вимірювальні пристрої як польові пристрої використовують для визначення або контролю змінних технологічного процесу промислового обладнання або установки в промисловому процесі. Однак, в деяких установках може бути бажаним моніторинг локального оточення польового пристрою. Крім того, слід зазначити, що система або спосіб виявлення аномалій можуть, наприклад, містити додатковий модуль оцінювання порогових значень для зберігання верхнього порогового значення і нижнього порогового значення згідно з прийнятими даними технічного стану для одного або декількох відповідних сигналів датчика.
Модуль оцінювання порогових значень порівнює отримані дані технічного стану з пороговими значеннями і генерує, незалежно від оцінювання системою або способом виявлення аномалій, індикатор аномалії для конкретних даних технічного стану, якщо відповідне значення даних виходить за межі інтервалу, заданого відповідними верхніми і нижніми пороговими значеннями.
Іншими словами, оцінювання даних датчиків на основі порогових значень може стати коротким шляхом для виявлення індикатора аномалії. Якщо певне значення даних технічного стану знаходиться за межами діапазону допусків, заданого верхніми і нижніми пороговими 60 значеннями, відповідний індикатор аномалії виявляється відразу, незалежно від результатів виявлення аномалії. Так, наприклад, порогові значення можуть бути заздалегідь задані (наприклад, оператором) на основі попереднього досвіду, або порогові значення, як короткі значення швидкого способу, можуть бути розпізнані модулем машинного навчання із статистичних даних датчиків.
Інші аспекти винаходу будуть реалізовані і здійснені за допомогою елементів і комбінацій, зокрема проілюстрованих у доданій формулі винаходу. Слід розуміти, що як наведений вище загальний опис, так і наведений нижче детальний опис є лише зразковими і пояснювальними і не обмежують обсяг охорони даного винаходу.
Короткий опис креслень
Надалі даний винахід буде пояснений більш детально як приклад з посиланням на креслення, на яких:
На фіг. 1 представлена схему, яка ілюструє технологічний процес моніторингу і адаптації на промисловому підприємстві з інтелектуальним, самоадаптивним обладнанням керування для самооптимізованого керування промисловим підприємством.
На фіг. 2 представлена схема, яка ілюструє технологічний процес моніторингу і адаптації на промисловому підприємстві. Дані з датчиків передаються періодично, наприклад, кожні З хвилини.
Фіг. 3-12 ілюструють події несправності/зупинки заводу (час простою) у високоякісній помольній секції зразкового заводу згідно з фіг. 2. Події серйозних несправностей/призупинень, зумовлені механічними помилками у помольній секції/секції очищення/першого очищення, проілюстровані у загальному представленні робочого стану. Часті збої на рівні окремих датчиків наведені для зразкових даних за 2017 і 2018 роки відповідно. Аномалії проілюстровані у секції рівня помелу і для окремих датчиків. Також проілюстровані сигнали для оптимізації і профілактичного обслуговування.
На фіг. З представлена схема, яка ілюструє моніторинг зразкового виходу помелу за період 3 2017 по 2018 рік.
На фіг. 4 представлена схема, яка ілюструє моніторинг зразкового Е1-виходу за період з 2017 по 2018 рік.
На фіг. 5 представлена схема, яка ілюструє моніторинг зразкового зведення підсумків
Зо припинення помелу в помольній секції за період з 2017 по 2018 рік. Загальна кількість призупинених подій у 2018 році у цьому прикладі становить 80 із загальною тривалістю 2 дні 27 годин 11 хвилин. Найдовша зупинка у помольній секції тривала 14 годин 51 хвилину 01.01.2018 року. Загальна кількість призупинених подій у 2017 році становила 275 із загальною тривалістю 9 днів 8 годин 58 хвилин. Кількість не включає відсутні події.
На фіг. ба-бо представлені схеми, які ілюструють моніторинг помилок зразкового помольного заводу за період з 01 листопада по 30 листопада 2017 року.
На фіг. 7 представлена схема, яка ілюструє зведення по частоті моніторингу помилок зразкового помольного заводу за період з 2017 по 2018 рік. На фіг. показані події зупинення заводу внаслідок механічних помилок у секції другого очищення (МОЕРБЗОО1), помольній секції (МОЕРБОО2) і секції першого очищення (КЕТРБОО1) за номерами тижня. Відсутні дані понад 10 хвилин нанесені вище. Вертикальні смуги вказують на те, коли виникли несправності, і їх збільшують (на 15 год.), щоб зробити видимими короткі часові події несправностей. Більш товсті вертикальні лінії вказують на більш тривалі події несправностей або декілька коротких подій несправностей поруч. Несправності, коротші за З хвилини, виключаються (дані відбираються кожні З хвилини).
На фіг. ва ї 865 представлені схеми, які ілюструють перші 10 зразкових несправностей за тривалістю у 2018 році.
На фіг. 9 представлена схема, яка ілюструє моніторинг помилок у секції очищення зразкового заводу за період з 2017 по 2018 рік. Система і спосіб згідно з винаходом дозволяють генерувати сигналізацію, якщо необхідне профілактичне технічне обслуговування або додатковий моніторинг для сортувальника за кольором. Спосіб виявлення аномалій згідно з винаходом здатний ідентифікувати обладнання, яке потребує профілактичного технічного обслуговування або моніторингу. Графік показує деякі попередні результати, при цьому аномальні тижні позначаються помаранчевим кольором для секції очищення. На фіг. 9 показані попередні результати, де виявляються аномальні частоти несправностей. Вертикальні смуги вказують, коли сталися несправності, і їх трохи збільшують, щоб зробити видимими короткі події несправностей за часовою шкалою. Кольорова смуга вказує на класифікацію кожного сигналу несправності. Період часу, позначений сірим кольором, вважається типовою роботою заводу.
Періоди часу, позначені синім кольором, класифікуються як нормальний режим роботи, а тижні, бо позначені помаранчевим, - як аномальні. Періоди часу, що відсутні, класифікуються як нормальний режим роботи і не вказуються. Слід зазначити, що сортувальник за кольором, високорівневий датчик М/Т, модуль 203 балансування потоку і секція очищення - це лише приклади для різних машин. Отже, на фіг. 9 сортувальник за кольором також можна більш загально позначити як "машина 1", високорівневий датчик М/Т - як "машина 2", модуль 203 балансування потоку - як "машина 3", а секція очищення - як "машина 4" загальної системи.
На фіг. 10 представлена схема, яка ілюструє моніторинг помилок у секції очищення зразкового помольного заводу за розташуванням датчиків на заводі. Посилальні позиції у вигляді А-хххх позначають датчики і вимірювальні пристрої, які фіксують вимірювальні дані під час роботи секції очищення помольного заводу і знімаються в різних місцях обробки.
На фіг. 11 представлена схема, яка ілюструє моніторинг помилок у секції очищення зразкового помольного заводу за рахунок маси і модулів балансування потоку.
На фіг. 12 представлена схема, яка ілюструє кореляцію помилок/несправностей у сенсорних і вимірювальних даних. Заявлена система і новий спосіб для обладнання керування, що виявляє аномалії роботи заводу, можуть справлятися з великою кількістю кореляційних і сенсорних значень. Графік хорди на фіг. 12 демонструє несправності, які виникають одночасно, що передбачає можливу кореляцію між механічними несправностями.
На фіг. 13 представлена схема, яка ілюструє варіант здійснення даного винаходу з двійковим перетворенням даних технологічного процесу. Як правило, алгоритми виявлення аномалій часових рядів засновуються на порогових значеннях і ковзних середніх або подібних показниках для виявлення аномалій. Результатом може бути виявлення занадто великої кількості аномалій через коливальні/зашумлені сигнали (характерно для промислового процесу). У даному винаході можна регулювати порогове значення у такий спосіб, щоб воно мало більшу або меншу чутливість (див. фіг. 13, де аномалії позначені вертикальними лініями).
Розглядається кожна з подій, коли порогове значення перевищено як значення "істина"/1 (їі "хиба"/0 в іншому випадку) для створення двійкової послідовності. Це дозволяє перевірити частоту перевищення порогових значень для класифікації аномалій на основі аномальної частоти. Технічна перевага полягає в тому, що немає необхідності турбуватися про надчутливість порогового значення і коливання/зашумлення промислових от -даних.
На фіг. 14 представлена схема, яка ілюструє виявлення аномалій даних технологічного
Зо процесу, де на першому етапі двійкова послідовність формується на основі порогових значень, застосованих до даних технологічного процесу (див. фіг. 14). На другому етапі описане у даному документі виявлення аномалій застосовується до двійкової послідовності, і аномальні періоди часу позначаються у відповідний спосіб. Перетворення аномалій аналогового сигналу у двійкові вектори, а потім застосування структури статистичного виявлення аномалій НММ (прихована модель Маркова) згідно з даним винаходу є технічно унікальними підходами, які не можуть бути отримані з жодної із систем попереднього рівня техніки.
На фіг 15 представлені інші схеми, які ілюструють виявлення аномалій даних технологічного процесу на основі сенсорних даних про простої і сенсорних даних про помилки, де лівий стовпець показує вимірювання часу простою у різних секціях з плином часу, а правий стовпець показує на верхній схемі виміряні збої для всіх машин, на середній схемі - перебування у стані помилки за машиною і на нижній схемі - частоту помилок, виміряну за день.
На фіг. 16 представлена інша схема, яка ілюструє кореляцію помилок/несправностей у сенсорних і вимірювальних даних для прикладу, зображеного на фіг. 15. На фіг. 16 показано, як заявлена система і спосіб виявлення аномалій або завчасних індикаторів несправності обладнання у промисловому обладнанні або на заводах-виробниках, що ініціюють сенсорні або вимірювальні дані, що надходять від компонентів, які використовуються у промислових процесах, дозволяють надавати відповідні координуючі сигнали на основі виявлених і виміряних частот аварійних сповіщень, кореляцій і аномалій. Отже, заявлена система дозволяє технічно абсолютно новим способом ініціювати кореляцію між аварійними подіями і/або візуалізувати аварійні події у часі і/або виявляти аномалії у вигляді аномального часу простою/аварійного сповіщення і/або відтворення аварійних сповіщень і відповідного генерування електронної сигналізації.
Перелік посилань 1 - промислове обладнання/заводи-виробники 11 - технологічна лінія 12 - час простою заводу 13 - пристрої моніторингу 14 - пристрої контролю/керування 15 - пристрої аварійного сигналізування бо 2 - вимірювальні пристрої/датчики
З - часові рамки однакового розміру 31 - аномальні часові рамки 4 - параметри вимірювань і/або технологічного процесу 41 - сенсорні/вимірювальні параметри 42 - змінні технологічного процесу 43 - аномальні значення даних датчиків 5 - промислові компоненти обробки/промислові пристрою б - промисловий процес 61 - аварійні події, які виникають 611 - частоти аварійних подій, які виникають 612 - частотні шаблони аварійних подій, які виникають 7 - система виявлення аномалій або завчасних індикаторів збою обладнання в промисловому обладнанні або на заводах-виробниках 71 - пристрій моніторингу 8 - модуль машинного навчання 81 - багатовимірна структура даних 811, 812,...., 81х - значення змінних параметрів прихованої моделі Маркова 821, 822,....., 82х - здатні до зберігання стани ланцюгів Маркова 831, 832,...., 83х - параметри навченої моделі 82 - частота нормального стану аварійних подій, які виникають 83 - значення стану ймовірності 84 - логарифмічне порогове значення 841 - кількісний показник аномалій 85 - логарифмічне значення результату 86 - заздалегідь задане порогове значення збіжності 9 - двійковий перетворювач/диференціатор 91 - двійкові коди обробки 911 - сформовані двійкові коди обробки 912 - попередньо дискретизовані двійкові коди обробки
Зо 92 - порогові значення
Claims (11)
1. Спосіб виявлення аномалій або завчасних індикаторів збою (43) обладнання в промисловому 35 обладнанні або на заводах-виробниках (1) за допомогою моніторингу вимірювальних даних іМабо параметрів (4) технологічного процесу, що походять від компонентів (5), які використовуються в промислових процесах (6), який відрізняється тим, що він включає етапи, на яких: - вимірюють і/або відстежують вимірювальні дані, відповідно відстежують параметри (4) 40 технологічного процесу компонентів (5), які використовуються в промисловому процесі (б), за допомогою вимірювальних пристроїв або датчиків (2), і ідентифікують часові рамки (3) однакового розміру в параметрах (4) вимірювань і/або технологічного процесу для часових рамок, в яких компоненти (5), які використовуються в промисловому процесі (6), функціонують нормально, причому параметри (4) вимірювань і/або технологічного процесу містять значення 45 параметрів для множини вимірювальних/сенсорних параметрів (41) і/або змінних (42) технологічного процесу, - перетворюють значення (4) параметрів множини вимірювальних/сенсорних параметрів (41) і/або змінних (42) технологічного процесу на двійкові коди (91/911) обробки, які спостерігаються для кожної з ідентифікованих часових рамок (3) однакового розміру, і призначають двійкові коди 50 (91/911) обробки послідовності збережених станів (821, 822,..., 82х) ланцюгів Маркова, - генерують багатовимірну структуру (81) даних, яка містить задану кількість значень (811, 812,..., 81х) змінних параметрів прихованої моделі Маркова, при цьому змінні параметри (811, 812,..., 81х) моделі багатовимірної структури (81) даних визначаються за допомогою модуля (8) машинного навчання, який застосовується до послідовності збережених станів (821, 822,..., 82х) 55 ланцюгів Маркова з призначеними двійковими кодами (91) обробки, і при цьому змінні параметри (811, 812,..., 81х) прихованої моделі Маркова багатомірної структури (81) даних варіюються і навчаються за допомогою навчання частоти (82) нормального стану аварійних подій, які виникають, на основі вимірювальних даних і/або параметрів (4) технологічного процесу ідентифікованих часових рамок (3) однакового розміру, бо - ініціюють і зберігають множину значень (83) стану ймовірності за допомогою застосування навченої багатовимірної структури (81/831, 832,..., 83х) даних зі значеннями (811, 812,..., 81х) змінних параметрів прихованої моделі Маркова до попередньо дискретизованих двійкових кодів (912) обробки, які мають часові рамки (3) однакового розміру, ідентичні часовим рамкам для значень (4) параметрів множини вимірювальних/сенсорних параметрів (41) і/або змінних (42) технологічного процесу, - визначають логарифмічне порогове значення (84) кількісного показника (841) аномалій за допомогою упорядкування логарифмічних значень результату збережених значень (83) стану ймовірності, і - розгортають згадану навчену багатовимірну структуру (81/831, 832,..., 83хХ) даних зі значеннями (811, 812,..., 81х) змінних параметрів прихованої моделі Маркова з метою відстеження нових виміряних, відповідно визначених вимірювальних даних і/або параметрів (4) технологічного процесу з промислового обладнання або заводів (1) з використанням порогового значення (84) кількісного показника (841) аномалій з метою виявлення аномальних значень даних датчиків (43), які можуть вказувати на майбутній системний збій, при цьому для спрацювання при аномальних значеннях даних датчиків (43) логарифмічне значення (85) результату для значення (83) стану ймовірності нових виміряних, відповідно визначених вимірювальних даних і/або параметрів (4) технологічного процесу формується і порівнюється зі збереженими значеннями (83) стану ймовірності на основі згаданого логарифмічного порогового значення (84) кількісного показника (841) аномалій.
2. Спосіб виявлення аномалій або завчасних індикаторів збою (43) обладнання в промисловому обладнанні або на заводах-виробниках (1) за п. 1, який відрізняється тим, що двійкові коди (91) обробки формуються на основі порогових значень (92), які застосовуються до вимірювальних даних і/або параметрів (4) технологічного процесу.
3. Спосіб виявлення аномалій або завчасних індикаторів збою (43) обладнання в промисловому обладнанні або на заводах-виробниках (1) за п. 2, який відрізняється тим, що для виявлення аномалій, які мають надто велику кількість подій аномалії внаслідок коливання/зашумлення сигналів, чутливість для виявлення події автоматично налаштовується на основі динамічних регулювань одного з порогових значень (92), при цьому, якщо порогове значення (92) перевищується, подія отримує значення 1 ("істина"), і значення 0 ("хиба") в іншому випадку для Зо формування двійкової послідовності.
4. Спосіб виявлення аномалій або завчасних індикаторів збою обладнання в промислових системах за одним із пп. 1-3, який відрізняється тим, що аномальні часові рамки (31) вимірюються для множини активів ідентичних промислових технологічних ліній (11), при цьому для спрацьовування при кількісному показнику (841) аномалій аномальні часові рамки З5 застосовують до аналізу першопричин простоїв заводу, а сигналізування служби технічного обслуговування відбувається на основі згаданого аналізу першопричин часу (12) простою заводу.
5. Спосіб виявлення аномалій або завчасних індикаторів збою (43) обладнання в промисловому обладнанні або на заводах-виробниках (1) за одним із пп. 1-4, який відрізняється тим, що модуль (8) машинного навчання обробляє послідовність присвоєних двійкових кодів (91) обробки шляхом застосування оцінки параметрів за принципом максимальної правдоподібності для навчання багатовимірної структури (81) даних зі змінними параметрами (811, 812,..., 81х) прихованої моделі Маркова, при цьому елементи послідовності збережених станів (821, 822,..., 82х) параметрів ланцюга Маркова, ймовірно, є незалежними вимірюваннями, і при цьому параметри моделі багатовимірної структури (81) даних змінюються шляхом максимізації помноженого добутку ймовірностей для отримання параметрів (831, 832,..., 83х) навченої моделі багатовимірної структури (81) даних.
6. Спосіб виявлення аномалій або завчасних індикаторів збою (43) обладнання в промисловому обладнанні або на заводах-виробниках (1) за п. 5, який відрізняється тим, що параметри моделі багатовимірної структури (82) даних змінюються ітеративно доти, доки не буде перевищено попередньо задане порогове значення (86) збіжності.
7. Спосіб виявлення аномалій або завчасних індикаторів збою (43) обладнання в промисловому обладнанні або на заводах-виробниках (1) за одним із пп. 1-6, який відрізняється тим, що для визначення згаданого порогового значення (84) кількісного показника (841) аномалій процес усереднення застосовується на основі різних частот виникаючих аварійних подій (61) параметрів (4) вимірювань і/або технологічного процесу ідентифікованих часових рамок (31).
8. Спосіб виявлення аномалій або завчасних індикаторів збою (43) обладнання в промисловому обладнанні або на заводах-виробниках (1) за одним із пп. 1-7, який відрізняється тим, що для визначення згаданого порогового значення (84) кількісного показника (841) аномалій бо генерується частотний шаблон (612) для кожної з ідентифікованих часових рамок (31)
однакового розміру з використанням розпізнавання шаблонів для ініціалізації множини послідовностей ланцюгів Маркова зі збережених станів (821, 822,..., 82х) параметрів, при цьому кожен збережений стан (821, 822,..., 82х) параметрів є функцією множини вимірювальних даних іМабо параметрів (4) технологічного процесу, при цьому за допомогою застосованого розпізнавання шаблонів визначаються коефіцієнти зважування і/або середнє значення, і/або варіантності кожної з множини послідовностей збережених станів (821, 822,..., 82х) параметрів, а нерелевантні часові рамки видаляються з використаного набору ідентифікованих часових рамок (3) однакового розміру.
9. Спосіб виявлення аномалій або завчасних індикаторів збою (43) обладнання в промисловому обладнанні або на заводах-виробниках (1) за одним із пп. 1-8, який відрізняється тим, що генерується стробувальний сигнал у вигляді цифрового сигналу або імпульсу, який надає відповідне часове вікно, в якому вибирають виниклі аномальні часові рамки (31) нещодавно виміряних вимірювальних даних і/або параметрів (4) технологічного процесу з множини вимірюваних часових рамок (3) вимірювальних даних і/або параметрів (4) технологічного процесу, а звичайні часові рамки будуть усунені або відкинуті, і при цьому вибір виниклих аномальних часових рамок (31) ініціює відповідне генерування сигналу і перехід до призначених пристрої аварійного сигналізування (15) і/або моніторингу (13), і/або контролю/керування (14).
10. Спосіб виявлення аномалій або завчасних індикаторів збою (43) обладнання в промисловому обладнанні або на заводах-виробниках (1) за п. 9, який відрізняється тим, що формується електронна контролююча і керуюча сигналізація, при цьому на основі виявленої виниклої аномальної часової рамки (31) вибирають нові виміряні вимірювальні дані з множини виміряних часових рамок вимірювальних даних, а звичайні часові рамки будуть усунені або відкинуті, і при цьому вибір щонайменше однієї виниклої аномальної часової рамки (31) ініціює відповідне генерування сигналу і перехід до регулювання роботи промислового обладнання іМабо заводів-виробників (1) або компонента (5) за допомогою пристроїв (14) контролю/керування.
11. Система (7) виявлення аномалій або завчасних індикаторів збою (43) обладнання в промисловому обладнанні або на заводах-виробниках (б) шляхом моніторингу вимірювальних даних і/або параметрів (4) технологічного процесу, що походять від компонентів (5), які Зо використовуються в промислових процесах (б), яка відрізняється тим, що: - система (7) містить датчики або вимірювальні пристрої (2/13) для вимірювання вимірювальних даних і/або параметрів (4) технологічного процесу компонентів (5), які використовуються в промисловому процесі (б), і пристрої виявлення для ідентифікації часових рамок (3) однакового розміру у вимірювальних даних і/або параметрах (4) технологічного процесу для часових рамок, в яких компоненти (5), які використовуються в промисловому процесі (6), функціонують нормально, причому вимірювальні дані і/або параметри (4) технологічного процесу містять значення параметрів для множини вимірювальних/сенсорних параметрів (41) і/або змінних (42) технологічного процесу, - система (7) містить диференціатор (9) для перетворення значень (4) параметрів множини вимірювальних/сенсорних параметрів (41) і/або змінних (42) технологічного процесу на спостережувані двійкові коди (91/911) обробки для кожної з ідентифікованих часових рамок (3) однакового розміру і призначення двійкових кодів (91/911) обробки послідовності збережених станів (821, 822,..., 82х) ланцюгів Маркова, - система (7) містить модуль машинного навчання (8) для генерування багатовимірної структури (81) даних, яка містить задану кількість значень (811, 812,..., 81х) змінних параметрів прихованої моделі Маркова, при цьому змінні параметри (811, 812,..., 81хХ) моделі багатовимірної структури (81) даних визначаються за допомогою модуля (8) машинного навчання, який застосовується до послідовності збережених станів (821, 822,..., 82х) ланцюгів Маркова з призначеними двійковими кодами (91) обробки, і при цьому змінні параметри (811, 812,..., 81х) прихованої моделі Маркова багатомірної структури (81) даних варіюються і навчаються шляхом вивчення частоти (82) нормального стану аварійних подій, які виникають, на основі вимірювальних даних і/або параметрів (4) технологічного процесу ідентифікованих часових рамок (3) однакового розміру, - модуль (8) машинного навчання містить засіб для ініціалізації і збереження множини значень (83) стану ймовірності шляхом застосування навченої багатовимірної структури (81/831, 832,..., 83хХ) даних зі значеннями (811, 812,..., 81х) змінних параметрів прихованої моделі Маркова до попередньо дискретизованих двійкових кодів (912) обробки, які мають часові рамки (3) однакового розміру, ідентичні часовим рамкам для значень (4) параметрів множини вимірювальних/сенсорних параметрів (41) і/або змінних (42) технологічного процесу, бо - модуль (8) машинного навчання містить засіб для визначення логарифмічного порогового значення (84) кількісного показника (841) аномалій шляхом упорядкування логарифмічних значень результату збережених значень (83) стану ймовірності, і - модуль (8) машинного навчання містить засіб, який розгортає згадану навчену багатомірну структуру (81/831, 832,..., 83х) даних зі значеннями (811, 812,..., 81х) змінних параметрів прихованої моделі Маркова з метою відстежування нещодавно виміряних, відповідно визначених вимірювальних даних і/або параметрів (4) технологічного процесу з промислового обладнання або заводів (1) з використанням порогового значення (84) кількісного показника (841) аномалій з метою виявлення аномальних значень даних датчиків, які можуть вказувати на майбутній системний збій, при цьому для спрацювання при аномальних значеннях даних датчиків (43) логарифмічне значення (85) результату для значення (83) стану ймовірності нових виміряних параметрів (4) вимірювань і/або технологічного процесу формується і порівнюється зі збереженими значеннями (83) стану ймовірності на основі згаданого логарифмічного порогового значення (84) кількісного показника (841) аномалій. 7 4 й 2 У ще . У ве " сані ння : а | Статистична " Дані технологічного сьо м 5 продуктивність п роце су ; з я Щ ВИН С-ОНО отри т ШК ее Обробка даних і машинне Се. ! в - й навчання щи і ча ; .
Я є. . у Адаптація напаштувань у технологічного процесу Погодні дані в 0 Моніторинг змінних технологічного процесуж 003 вимірювальних даних ШЕ І
Фіг.1
Кк І Вимюювання нвевовоееовововссе ее 00 зом пеноранен : 1 00 вологовмісту зерен З Очищені помел З ! г. Очищення і додавання М Й . 5 ие я о помпи хв лвпиа іпе че сих В кондиціонування 5 З о | поту, Води в зерна (до уставки й жк пи Ж ооссоововвюввосорооооововововорооввювовоо с т : т, чех кру У х ил ус ВВ 8080 МНН У х гл т по вологовмісту ПИ : 11 нд роли с КА уча - й ПО : ДОВВОВОя НО І як ТК й плурня у ПТ хх смітті: ВО ВО пп ПН ВВ Би а : ПИ тя Ж . ВМ Утримування у вологій ач ММК ши А, І Ви ї . ув ве З ЛИХ ти У Я ОПЯ МЕ ОБОВ пе ОО пло пе тк: В В ян А АЖ я . ит пилу щі. в: и що корзині А або В ання в ше с О : ЩЕ ін пото ВВ Я п З ОО БО ен ее оон оокенснх екокеввавня с В сов пня Кт. Бо тоютти Помелз (А райо В) п Бан ши я с Ш-ЗН8ННнНн ОК ї вх ТОК у З ВН ооо і ; . пло Енн с с о о о М т: Вивібювання властивостей «то ВОК І ВОК КВ В т ож, ї. ШИШКИ В КК МК КВ М М : : і зи беру ві її Е івиходу) борошна КН В ВКА о В КОВО мовне пи о. П. п КОН кВ, -ЛККЕ М ХК КО ах ЖК БЕ УК її. ХХХ Ку МБО а о З В ОК КК ЕЕ ЕХ хо : по А КН ОМ М ОО у - С КО М Мн ЗСУ МОМ Я Я ПК КВК В КОХ ЗХ а ОКУ п В КК ща с шк
Фіг.2 х За Дн Ен ун туя няня у ян ння ту тн учня я у няння тт чне і завантаження влина З ; Б: зва АК завантвя ла є каввантяхення злина? їх - Б х пдируєть з З Ж шо і що Ех Ме о Кх завактажедня минна пев а КО ! лож шоу . і ай їх Ж " ож / Й о я дк АЖ щи Ох х пен В ПИ 5 с У Е й і Щіево б ьо ве ве, ш 5 5 0 е ло ж "7 ше ї ; і ща я ї т в Кн її ле Я я і Ж ! ї зелчАніком зевівуя Її т ПЕ і ЕЕ , завантаження млина ! ЖЖ ото; ! й і хм і Н га Т яче-- ЗвВаНІТаЖеННЯ МЛИНЕ Ї в і я і щш ср зВВВНІЙЖЕННЯ МИМНА Є ' «5 Зв. : в Ії - ї І рот завантаження макка 4 і ток завантаження млина З і Род оч 2 ЖЕ ще ЗОЗ ЗМІ ОХ жо ХОЖВЯ 255805 час
Фіг.3 да ! «яю ЗВВаНТЕЖеННЯ МЛИНА Я осі уча яла зим І ЩЕ завантаження млина Я завантаження минна З св-- ВІВАНТВЖеННЯ МЛИНХ 2 ї зх а ТИКИ я МИКО Й Й Що о ж паванта ами миня З : В ра ям звезнтаження клина 2 завантаження клина У вої й їх що « «сяк завантаження млина 4 я Б льж ти вх во Б ії кі Не і хо - В СУ іх ї Є Ж Ід сх с І т де у х у х їх ХУ Я : х іш З хх з хх що МО. ВЕЖ От, в ЧК вів п ОХ ХУ дк : З ТУ шко одн Я о і ОВ вену ВВ ей ОО і Ко і М шо у В о І Ко ва й зі ях дя Я ЩЕ і ща іх шко ба о фев он чи те КЕ КЕ Я ВА За З і і! ії. Же Го пт, Ії х я ня У ! п ни ве ж як іх ЖК ув, У З у У зе ж пн : й ж ЖЖ о жі В Х он : ВЕУ і щу я м ' і завантаження млина З ! Б студ у р що са ЗДІА я Уа ся уд щи ді й зд в 5дяо тет УОЗ 201705 20374359 Бі зчю Зої 2бБ3ЬВЩ-І каз ЗНАВ ВА б» За185-503 Маг
Фіг.4 г. хх Дня т ня тт Аня няня ння няня плини тн чятжнктннннянкт тт тт юнмннеОжнНЛНЛв В ОВ ще е я ЩЕ оо 18 Бог пев иа ДНІВ зо Ж ві х й ВОВНИ пяти л тА АЛАЮТКМ анна РАКА КАК КАХ УА ку у знах кута чук ни хх : 1 У ї 1 ї Зі оз оз зіовлв Оля ОДН я ов Б Є 1 їі х : тенту тт т тт т ЗТ ТАДААяАя ААУ на ККАКАКАХКККААХАМ Ж" о З р хх т ї хи ' ---2ВО5 85 0 оов'вовей ОДНІ ОЯаМю Бо : ва рожі 0 озлвОошЯЮ 1503А пе ОДН чаю ОБО 2 і Гккї ! кн пишний Фо ? ; Бої : : чада Око їмозляїрає ОДНОЮ КО їй. : ззделвовяя 318 ЗВ Одною ОБЖ ОМ у. хх. ! пи ММ нота ОК 75. !
с... 000ЗВОБЛВ НИ ОДНІ вахною Б Ф ті и і КА. ! ; нина а ва, ор а о о ов Ї ї Е хо їх; Ох Н ЗОМ ТЯ Бої 30.08.15 15:95 ОДНІ ояаю БЖ: й їж її їі ! У А ТИ мі її А Ух х ху ! ЗБ В ТУ ОБ В 5 ОДНІ рамою 59 БО шк х х: і ТТ дн Ізеу : ХО дж Ж БУ : ІВоБле За івоБіи о ДНІВ воза Ж і Ж з : Місяць
Фіг.5 х
01.11.2017 Р : голо ОК ї ще : пеню ни рот : й і ОВО ня ОВ БА Її ЖОВ Ро З ї З ГО Коханий ТО фл Ії ї КО КОЖ я пИМКЛ верхи ек ії : АК о: іх : І : Ії Її су що ' ТІ: Ох ще ІІТ ут Я : Ко1шеої З : ІОВ і ФР Ррі11 їх ї ї ОО хх . 110 11: : тт: г ї 7 УЖ ї І: їх ко ІТ ІРІЕлІ Ії Той. І 11: 11 ут: Ії ТО АНІ 4 т . 110 п п г ТОЖ 1 . 10 ої іт щі : УП їх ' 1:10 ж 12011115: Ії ТЕ ом її Н гр: т ріс 111т11 її ТМ : їй Н р: Ої 11111 ії У ше денну і РР: : Іл 1 КОТУ : 111: : 15:10 : ТІ: т Дод тн М 11 , 1101: ЗБ: ії Я диму ТО : РІ: 12 рівті Ії Ротор ' г ІІІ Ії ож 1:01 ' БІО БЕЗ ОКО он: РОТІ 1 1111 їх ор шмоО я Кох . 11 1; 11111 г; ФО ІЛ юним ХХ ф Б: : БІР ІЇ ФП ОРЗ ! Бр ї и и Тим оп ож: тот ту НЕ оп ї топа І шт ОА сії ГЕ РОН ОР шо Ії 1отх м п І 1: 10 АТАТЯ ТД Х 1 ії п Код 1:10 ІМ ЕІ й 1 жан КОДКЕ ОО В икдйнийи ниж п і х, й РО: ДИ й : ЩШ 1: ' пу петуній ян : х І: я нині ВИ У : Ши сш Гегттттннн А МЕМ ПІЖ ле БИТВ В 5 ; ї Фіг.бА 7 ї 7 ІГ. ; 04.11.2017 Ор Поу х. За днина х «ТУ . реринннннннннанупнинниннноУух х ово От Ох : х ТІ БОР Оле : . ФОП ГО ДЕння : х с ту. ну й М Ж пе : х ЕН : ть х пт й : х тилі : З ом єенА ПММ: : - х п : 55 о га Оп ШИЇ: У и : шо Ж нНМ ВІ: пет М п : 1. дао й ил тт : тощо 1 БІО й іт: У ЯН ; жи РІО Р: ЗІ РІБІТі Ко : шО1 РІВ КІ І: ІІ: КН : сут Ел ії 11011111 хі Рожни БІ І ТРІО: М ОЛЕНИ г ЕР І РІ п ОХ г Р КО о 1:11: : 1 : БАН поп ІМ Бо г: Х, : ох ги РІО 7 НН 1:11: ох : : п Іри є 1: ІІ ОМ ТОК, фен ІТ БІЛІ Ж : 11 БР 11 вБІ1Ет: т Кок т І ії 1111 І х х ши ОТ Ії ВР ТІ11 1: и МОРІ РО РІЇ: п в; ВУшИЕН З РРО ІІІ й ПОВЕ БЕБІ ОЯ І І 111 п: 1 кю и УНН п Как т Й ПІ Модні Топ Фк ТІ ТЕТ п КОКО МАН ТИ жк ВІВ ї 5 вн жі Я І їй моїх ТЕТ п Ж тоди піди еииии п ЗВ ЖЕО тої НН п ш п т кни внЕ ше й 1 й НЕ МЖЕ ОМ ти В її З з ки Фі іо тот ; 15 го х НИ : гої НУ Я родеенннеритнннют ВОМ, Рода : ІЙ ' БІЙ нні ВО М ! іх Го Н : У г З іш и і БИ ХК М: и : хх пд Г.І ГТТІТТ і ! Ії ОРОС ІІ " ї що Тіт: Кл ГІ ТІЇ "и й Р тр: Кк її ІІІ, и ї Р р: 11: БОЖІ | : м т ЕНН БІТ Во віти Не бот рр НИ ПОРБЕКН: и іо! 1 ТЕО Б МОРЕ: и НА 1 ТР і БІТЕВНіІ : М ТІ В ї- 1181 " т Ах. НН гр Є з и хо пит г РР крик. "и С : ІНН тр МІРІ; и Кнтрти ВР ТЕТ ЕТІ и Бовви ТрОТВ Ро РИ ра гіллі и 161; т 1 1: 11151: "и ОБ І рт тр їх за та МІ І и Фа: фени 1 р: КОТ и ВО ТЕ БРВ БУТ: "и 5 КБ ЕНН ЕЕ Білі и тро АДНТЕТТИ РІВ кір КІ и ПОМЕР рок тА и м. ОМ ММ Бу: К кН г ТТ и шо 12020201 ЖК пері и" од п Кол и мі и ГК тп. її з х ЩАСТЯ и ІА Но шт 1 СУ І " -х Пі шля М ОМ "и Же м: г хе еКИЕИ "и їх е ТО. 1001 и" ш и НК М рн НН "и - и ж Зебокикових НО : и НУ КОЛУ ВК Менні КМ. пи МК її В ДИВ Мі хі ш "КЕ ч хі щі
Фіг.
ЛЕ.
05.11.2917 і : Кор ї.щ : нан а п у Не : : я ей н КОП-- : ІК : ЕВ 0 ос М : ЩО ах Я от и і От и ГИ г Й ; ши ш ШННИе перу й і ОР ШКО АД ІТ А и : Геї БР З 1ФІЗЯБІР й ї БЕ БРВ Ж: ІТФ и ї НДО ФБР ОВ ЩІ рії: "и ом 1 тр І 11211111 и ом БР жі 1153151: "й Оу ЕЕ: Ех 1:
БІР. й ОБ ГРО Б НН ї ТЕОее БЕ зт "и Удав 1 рр: І ЗІ1 Рі и п межи ФБР: ІЕЕ: и Тоошмеу г рр ІБР й пОБтараьти Бр: ие "и Бо Тр: ФЕІРБРБЕРІ: и ще ЕІ Рок 11111111 и КО КОП и БІТ КІї и щ Дон. ОД Рг 1111151: "и НЯ ли ГавеН рр 1141311 й БО аКО 1 БР ТІЕТетЕЕ і Я а ві и ХХ НП й
С. НЕК й Ж ПО А МЕЕТУТИМИ МТУ е - г ЛК 1 ту ' ї ї ЩО в жк Т.О
' . їі НЕ її т МО люсдюрююя кю Дим Й т хі --егог пісне М и А и НК Геєннннннннння ОК пк -х В 1 НВ ЕЕ ш р ЦЕ к- е х ве .е
Фіг.60
08.11.2017 шо | о Фіг.бЕ
10.11.2017 Фіг БЕ
11.11.2017 ОК : отОЖА КОТУ і : ЩО : ОТО їй : нн а в а ОК ення і їх : о: їх М. Ж «й : ЕМ : ВВ Ми : БО її : гр я г МК: її : ОО ЧО ЖИ рих ит юю п : 1 Мшм зер БІТ її : под КО іп ЕЕ ІІ: и : НОВИН рі 1 ОТ й : РО рі п 5 ТОР ЕХ: ї : се ви ІТ 10 Б : її гл її КОЖ рії м п РОЛІ її РожЖжЖупи о 1 РРО Г 11111111 І: РОЛ ВН НН Фе 11212111 1 и : тю оїх НН 1115 ут РТ: в для БРЕРЕ ФІ І111т11 її по еяшк ТІ: гр ІІІ: п Роден 1 вот п РО І7 І и по Р Ер в ш І ин 1 С ШВНШЕе ТЕТ ЖЕТуУ І: кої Мине 1 ЖЖ буті НН Ом її РІО ііі п Ж І ШО ті и ЖИ вим ОО ни ниви п Ко и: ПИШЕМО ТО Дня й Ж и БОКИ ши Мч ре У КЕ КО кн : І НИ Тент ТЦК Е 1 ПО я Кк КІ: Ти БУ с С КЕ х хе ші - бо
Фіг.
12.11.2017 с : 18 : Я ІВ : я їх ХЕ ох -м : : : 1 МИ 10 : ще ТЕ : БЕ ОЇТЕ МеВ І Фет І ї : РО ан ЧІ шт ик и : я ям 1 АТО ІТ ВІтІї їй : 1 ЕТ: 10: ще ТР В : ОН РОК Що сІ1111111 : АЛЕ ТР: : ТІТРЕРБЕТІх І о дае КОТИ ТРІО: о : 11311: ТІ ї ВОК тр: шо т 1151: ш РОКИ п 111: Ії НИ ФРІ й ОО 1 ТР що ІТ 11т1 Кк : в оп 11: :ї вн НННННЕ г ав ше БІ1і5Р151 К ПОТ БЕР: ТРІЕРІІ:: ТЯ ТОЖ ТІ І РЕК БТІ РРІІ: ї БОКУ Б хо й Мини! РО мо РО тю її іш мені їй ОО Феї КЕ Яку ї ІТ іа х Ай й: ж ТІМ и Пі БО ДОМА ї: ж и Ж тр й БУ и ЩЕ ОЇ Ж Конан і : ТЕ Мінні ОК т ЩІ МЕ тя, Б ве ши нку СВ Ку ЖЕ п 1 Я й Фіг.вН
ІГ.ОГ
15.11.2017 ЕОЖХ : В о : оп : ог О10 ХМ шенні І пе : о : ної и мя тор : ї я : БЕ ші І фл НЯ : ПР: Ж ШИК питтртю ин В ї и ВО пал 17 ІІ т : я и РІ 1 їх. І: НЯ : щи рр й ІІ: 1: І ШО 1 Ра т: ТІ БРІТІ: 1 : КО Ек БИ: ит Не оф 1 БР ші ФРІ: п ТО ЖшиИМИ и 11:10 Ко ліг 1 РОДИ КО ЕР т о: РР и ; хом г ІБР ї 7 ІТТ: и ел стесу ті РР ІТ: 211 ш Боуї 11 11111111 п пом Рі: КІР п ПОЕМ Різ РРО пкт І: Шон 1 ІН мм
Те . Я ші ФІ п ня МІ и ВІЙ Й Но ЯЕ її За обман Не ЕТ МУ. ЯВИ и и 1 ш и З и ри дв : р г ї ПЕ х в ЩЕ ВИ 0 Кк М т р С но ж ШИ | о Фіг.6ї а.
19.11.2017 : В : 1 В : и : ЯМ: ща НИ «М ! КО : Се: ший тю 1 Бо и : ТОЖ ЗЕ. ГО Му т : Б ГО теж ШІ 14 : х: : їй ла І о пи пити ути я 1 : 11 щмо 1 зерні ТА БІЇІІ ЦП : Родос тт о 1 нич не Ії : Ж Ех 1 КІ 11: Ії І ти пр НН пи т: ТЕ: НК : РКО той чо РІ ВРІЇ1п. Не : У и ІТТ: Ой Я не . ОО ш в. 1 1111: І: РОС ЦЕ її ц Іл ОЇ І 11517 І іш фени! РІ РІЗЬ: НЕ вату 1 РІО 1: 1: Не Мои ІТ То: ТІ 1:12: : її 1Е От ок пт 1: ї їх РІЗ ЕрІТІї п ПОобйддяй 1 Р: РІ: п ПОВЕ Ін БІО Ед Ії шКіенхни Не ях 100 ТЕТ РЕтТЕ К МОТО одиння 1 т І и іФіІІ НЯ шо Пі: 1010 ІІТ й ТЕ пі НН ФЕВ М я ПІ ник ЖІ ІМІХ 1 тити І Малі ОО ден ие Ії У и ПМЖ 1. ПИТИ ц БУ и ЕВ кА І: т НН хлж Ш КнАсмімина 1 : и й а Й х мину У ві Не щ х ЖИ ЦЕ Й с по п «г Во т"
Фіг.63
24.11.2017 ЕНН і Б, шо вен в й Фіг.бК 28,11.2017 БА з І ДНИНИ Бош Хоіііііііні ПЕ ЩУЙ х Й 1 І мя х у
Фіг.бІ.
25.11.2017 ря їх Я ФфігомМ
26.11.2017
Фіг.6М
30.11.2017 Оле і БОР Ех їв ЩО КОП ння БО ше; Би пехуніннннннннннжняя 00001 Моннннях ОО ! у : щиороннн КО : й ! Б це НЕ Ї ! ОН і БЕ Ка ян я ! і : Ех : ЧИ ща и і Ії щи і ті : рі: печі Ж іх | ще ІН : Б ОБУ ли З і вевенря ї ' ши керу, й : Кров чт В Бе Бр и ! ШК я їй Я рев ті ї яв РЕ: ТИ НН рег ті : РОМ: БЕ ОВ п р | БЕ І і Ко Не БР: НИ Я ІРР і : ЕЕ пи і регі и : РР БО вк БІ: 51 ті ї пи Бр Га рі) рі Н Кон БР в Брі ІЕ об рр о БЕРЕ ті КО В Б РЕ В То ЕЕ ут ті : пошани ще Ох : Брі І ох ЩЕ БР що Б БТІ НЕ ї : Оп Рі Ії і : РР їі вв : НН БЕ Ії БР Рі НЕ : і. фену у РЕБРІ В 7 рр НЕ ЕК : Б Бр: БРрІРРЕРТа і Гея ління ни рр т я рт БРІВ БЕРЕ: 1з ті і я 11 ЕВ і1 ц Но вія ті : 3 рф ФВ БЕ ЕЕ рт: рігіЇТі і БОБЕР Іо: РР рр р: і т БОБ Ор т: БЕ ОВ Брі: ІН Ж Фемтеку В БО Ер ЕР: хі де ! Ки ри рі М РР: ті В, ет о КЕ: 1 рі, і Гооод-в КО РРО ТЕ й щу одн БОГ рр: Іі Я БОЖИЙ і: Б Не ї НЕ ЩЕ БРВ ФІН; і ШО ши. ак ї й Її ї ше Но г виш ек ребенку НО ті це и Я бе й і й Тр ТжкеКх, НЕ Ге Го п г ВЕ М НЕ | Е Б го я М іш 5 й
Фіг.6О а Зведення по подіям призупинень внаслі ханічної п ризупинень внаслідок механічної помилки РЕС-ЯОТВ Ендсутні дані 1: : ЩІ 5 плат рт п рт ; І: : І І 8 : НН т вені; пВпОгЯ поміівомя НЕ і В В ! ОН ! Секціяпершетв очищення ОО 1. /Ї Пи ше ук і : і У : Й НН НС КОБРХОВІ ще ше Боян и ' : ! 1: і ї Ті ви НН НН гі ; с ; Ко : ! : Б ТР! ові Кі НИ гі і Покольня секція вшіни: ван о вві шини і : ва Ех, і 11 и ЕДЕШ НІ І ! пі НЕ круи ї ЕІ іде жо Наа В БИ В ОВ 14 і : Кі НЕ МІЕРЯВОЗ | і. р: | | | ЩІ | МИ ЕН ної щі І вт нн ї Б: ПЕК ОО ЕРА НО КОКО БОБІВ ВІ ї ТВ: Во ЕВ БЕ злу т МІ: ЕН НЕ ПІН 333 В НО секція очищення вон Б НН НЕ | рі НН; каси ЯК ТМ ва ТА ту ие НВК КЕ БЕ ВІН! Оу яків5авхї Я у и БОЇ чик ТНі і их НЕ п ОН ши Еш ЕЕ ННЯ пишне БВ ОЗ 8 РІО ТНК ІЗ РОК ЗВО К ОН: ОН ЕЕ НЕ Ще ЩІ БАК Х Не 1: НЕ НН ТІ ни КЕ де ПНО ЕЕАНИ ЕЕ ЕЕ ЩО: І БО Е ОНЕІ РРО В: ПВХ є х їх Я БМВ і В: і КИ ; ДІ ж ; х т я А днеттттетето в ВМ ЧЕ за зд й За я в кон шин
Б. Зх ул я ож зу Ш 7 й КОН щи? щи хе ща же вл в х й г хи т тик ІКоМУ ще ща» й дО хі зВхВ ВІК пк ХВ МІЙ еаЗ й ж х еле наетота нан нац ; км в подій призуплинань внаспідок механічних помилок у сакціях помелу і очищен ігаєтьс у секціях помелу і очищення спостерігається у удтвелтйим ук: ік чатиєртому кварталі ДИ? року ФІ
Фіг.
; рі чи ФсмБлмБ млн о регата у. Ківіврцієтастине й ДОМ ВО. 0. Кершєтевомоот о ввивоє КВУ 0 ---ОБіюеометикез 0 ДНІВ ово. кові волі у. Ківівруаттавовіпе АМОЗ5 ВНОЇ 00000 Кеюршятавсмнини 0 РазвадеКві: 0 оймбчнеопоєте ке! ОДНІ гово, Моїогеизсінане Бетеєвт оте вІМОН УАНЕ 00 АоБелаютов 00000000С150ТА МОН МВ, нт ВВ ОВЕИОЮ, Авріпаней Резпліт Мівдеуласконеє 019 ВШНОЗ 00000 Аерівйсп буетно Мерів МеВ 3000000000000ивінвюопов ОД вою, Мові Ради не Бадемаз Арвізапувевци Мена АЯОВЕМХЖО 00 ТВ МЕ ТЯ В ДВКОЮ, дизтево Болт ков йейелй о Зсппеокоповиеток тег 0 спе кОепєтівгег А 2005 ВОБОЇ 201. 203, 205, 20 «ЕН, ВО, ОБОХ Мерефни 000 ОДНІВОмраюю. ММС Звисог сопе й 0 МУНВ Катога Ме 1 А 4068 КСИЗІ Авт МУМВ Категв РоєталеМмене дани 0000 ОДНІВосамою ууаїхениві МОЮ З. МОВ усвігопате Й уувігвпаане Меще вепкм Асебу. Бтепінт 0 Анвінцої, Равваде Аді ВНІ: реетет мепю о Зясми 0 ОЛНІВО2оюю ууаіхеляуві МОЮ З, МОСК Уувігепа ВЕ уувіхепвівмче Мече Бен Асвіму. Рувліши Амеівції, Радваде А ЗО ВНІ; Буєнтічи Мевів Аовов. О ДНІВоготоюв аква МОЮ т. Умвіхопазене Мене Ака. Є ЗАД бувати МОВ Ууахепавіві Аа ВНІ 00000000 рунвшт Мевів дивівцє Раззаде дл 0 0 ДНІВ о21о:00
Фіг.ВА 2 пон о на ААОІ5 ЕНЕОБ Рівовкане 00000 Рівовісннеєізєвелмасвнпд, ей 00000002... 1ДЕНВОЗИОЮ, Вавмитайй Кедейно Гегвімада Асвпелевови Меміє лови МХЖОї Ревліоля ММейре Блечаабс 0 ДНІВ свой Місце пюконет» АМО БЬНОЗ 0 Аерйоп тет Мейіє Аерієзвот тет Мевів. дуїлацяопоє 0 ДНІВ скжвою Угозіертавовійе м. А 4О31 ВНОЇ Кіебрціютавсйиеєй 00 Мовертавовє базваде КО Ацівівуивопів-ти КО о ДНІВ 220 чдрговівіаастіне о, А 034 ВНОЇ Ківівриєтаваєвійай Ківіврцізтаестійе Раяхаде КБ Аибларлолов хо КЯЗ О ДНІВ за ю Моговіевитавопійе в. А Я0РБ ВНОЇ /Ківівррієтювовіввп Ківіерціятавония Раззиде Кт Арвіаовопіестькяї 00 ДНІВЗЗоюЮ А яія ВЕБ рідааютех Відпов орегано; Дива Й ДНІВ везаю вепецвах Меннгаперег Мені їхи 0 беобідпвсовігщнпо Мені ї хи кпдцейоповенаці, А до5В ВНОЇ Жойеп Ківіпрійлвісніст Шіпія З си... 0ДНІ ово. Ківі Тапорог хо деп Венгескоепсвгавсву Ківі Мевке сплеск овес А Лота ВОВОЇ Бепдрюофневи 308080 00000000... Вова 00000000 ОДНІВюЮТЧаюю, ЛОБ ВНЕОЗ о Рідизіте 00000 РІВОВіЄВІв ее КД ЕН 000 ВВ ОВЖКОЮ,
Фіг.
Моніторинг помилок у секції я ОМилОокК у секції очищення: профійактичне техобспу онування моні о дай тя ? Мчне Тахоослу нування моторне необхідний для сорту Я МОНтТорНЕЄ ДНЯй для сортунапьника за копьором? Ансмалі у сехцї ; де дпеіх пт номалії у секції очищення у четвертому кварталі 2917 ВЕНАвЯННЯ . і виМулиу т ПН и Бо вк : Секціясчищення ИН ТЕ х нари ро ВВЕ ОРКНАЛЬНИЙ ТИЖОЕНЬ 7 ре, 4 ї я : т ї шк нем со пня «ді тому ун ЕРНІ ВЯАСВ І А КІВ ніш ви шині ЗЕКАНОМАЛЬНИЙ ПЕКДЕНЬ - МГ К У Ах Ще Я Б | Я Й ЗЕ ЕН Модуль балансу. с че -З ШИ. БЕЖЕННННЯ я У ОК КИ вання лонну Я пи ОО ОпааН а ЗО ВЖЕ Її поеснюмююито : : і м Високо і х кевновео: нон нн о ; і ОМСОоКОТиНавнИ п КСО ВО ВВ що даТчих і ; МЕККА МАМИ 5 ОО ятячЗпп : А ОВО ВІЧЕ : і ! Ї і КОН св м УМО вкозинн я НЕДООО Кк ЗВ К оВекКюкк З шй їн І ! і |; д'язані поо є ШК ни ОВ сою Ух З 1 : : те Сортувальник з и ЗПрТуОКнОБгАЕ-З ово Ко покоодооооооввооов осв це ЗУ зло я сем 1 : : : в ВИЗ А ЖИВ КИ діВтИ ВЕК і І : | і і : Я ООН Кн НН не : і : і 1 о КК в КК КК Он е ие 1 ї РІЖ , о як нене пен нем Са ХВ іх ї ЧК че не КЕ пн ї . ще ла я ях ща ще ОК, мя 5 свщду зх ї тА я БУК МУ чт я де шк ІК Ма чапий хМмж? хх я? У: мк тм ХІТИ сміх ст їх 7 хИЗї ЖИ мк тк ХМ їх тд зх їх м У; 5 Х и Мат ХІЛАЯ ЗМОВ фо ха аа ха Сірий - передбачається зидомальний Пов'єзаці . х Со; ипьнику ЗВ : ЗаБачаетькя нормальний Пов'язані З проблемами порту й сортувальнику зм кольором сежиВ оту дн ІМеяМи сертуальНике За увБобхілне проб ни дямновіт - ЗОМ ВЛЮТУ кольором у четвертому кварталі 2017 року події необкідне профілактичне що : Є я тку ; лоді ВКелуєв вні ЗІ відмов для модуле х. я «УР року Води ТаХООслегОовУааННЯ Моя зем мов для модуля балансування потоку! Уго Ваня Мотор Е висооврівнево: яка порей ЗважуваНи МАМ кни го датчика пери еп го датчика перед зважуванням Фі іг.9 У т Кз. 2
І. ПРОДУКТИВНЕЛЬ з ких З ТУДИ ТИИ МІ ОЧИЩЕННЯ: ТІК т под кВт з Що | ОЧИЩЕННЯ ЯН де : . й пипипюриминнтттитти тут пи, г : Ко дудав оо ї з ХХХ, я тя і ОВУ ОБЖ : Х ху - М ни Пс ОЕ ! г5 Божтщя Х Ж шо БО і: : фунт і х і ХЕ ж Й ї їх» : У І ї хх ЕК ШО ГОМОЖЕ ТУ рн Ж мим хі : АКАД МУЖИК пд! ро ЕГО: РІО о : сови 00 ЯИСОКОРІВНЕВНИ ДАТЧИКАТ пе Бо болів ої СХОВИНЕ ад ЕК ДУ ЧИВУУ же : 1 МЕДдВ пкх іш 7 - і т ще ОО : Ми : МРАВІЖК МИ 00 Збери внутр хх 1 я : дав о, РМЛЮВЯУНОХ зв Ж пжув щоищаХ НЕ Тео фде ки к ккк х М г : : оті ПЕ гри М р: нежвяО Х маля : ща ВО. в яви Я ОР: Ії х : ИН от ор хор нав р пре я моєю хх її М : Тоді НЕ ША НВ КО ех це Зо ї Е ті ИМЯ М у ії МЕ 11: НН пеК кет вана ізюм і мі КК : як 1 ВО пр ярі п я ща ММ У: І НАМЕТ : 1 її ОТ НЕ Брі МО ЖІ: ТКА, ее МА п11МРаМ ще с кВ РО В ОО ТЕМ5Ор аж ТЕ Біт: 7, У угзя : сви Ко М ! НМУ пиши ІМК ОК ся А СІ пн КЕ ОБОВ НЕ пиши яна 11:15 х ВишилиНХ пре г ПЕНЬ ро: рі їх ВІЦКИДНИЙ - БО РРО БІЕНМОД я ще БІР: т: ОНКО. : НН БР О РО ЖЖ дуея ЕЕ: ТУ о. і ОЇ: гі ! І! " и ІРІБЕВІІ НЕ РОБИ офецненр рі! ше ЕЕ Ві ОБЕРЕ Т НАХ ТЕ БЕТОНІ ШЕ НЕ МЕМ : вв 1:ї ї Міо. ЦІ З енннняк их : 202: Кі : 1 тя пинишишин нови :: ВИМ ННе р БОБ ПКЕЕ У Пд БЕ РІ ЗАВАНТАЖЕННЯ З ря ія Б ер РР віІті МАЖННЯ жах НЕ ак БР рр ж ї: ит РО: Тв: : ІІІ цен НП НЕ р рр В Карна Ст Мшш БЕ цу ких , 11. І і і п ше Я о Її шину ШО І г: І МОДУЛЬБАЛАНОУВАННЯ 1111 З В соРоВА НТ шо ши БЕ ПОТОКУ хів о вошОомньеьк я шЕШ ШІ ле хи до ПК ЕКЮК ВОКОНИК я Ва ТОБІ МАКА дов ба мекн ОВК жо 00010 ОБ е у ши ши ЩЕ Ко жена дн ок УЗН х щи їх с с І пера ХЕ ЛЕ, Н є па ре вою ам БУБЕРНИМ АК З Б 4 р Бі. ША СК, І зи зніму СНУ шу Ж ЛИН кЯх БЖ КЕ ВИ ВА НИ доочищення кляду У ко Бр 0 ПЕРЕНИВОМ з її ідз ве . БО Ох их Їх тих ех вік ТІ ЕК ті СТАНДАРТ добові ЗО ОВВНОЮ ТЯ я п ДЕ п плит АНиО кет Ії Ки пен КПАО СТАНДАРТ юн 80000 БІММЕєсюва ЦЕ Пімкд ОО т обпндтутттртр я Няя І: й ЩЕ ІБК лА сн МЕ тевенгн хиби АЙХ т Док 1 т : ! яЯЖЕЖКНИ КЕ АВ МКК І : і ОН ВК нн ПЕ зеуві ве (ИЙ Ка Ві ПО задантАжені чає Е ще ко й ЗАВАНТАЖЕННЯ ДЛЯ Ки я я яв й йо Е- я Ке ФІЛЬТРАЦІЇ БЕЗ Е мат є сх й пил о ЗЕРНОВИ ча Фі 1 ши ОН г.10
Моніторинг помилок у секції очищення; ваги і модулі бапансування ЗБЕЖЕНАВЧАННЯ поток ЗВЕЯОРНЕЛЬНИЙ ТИЖДЕНЬ Модуль балансування: : . ду що юБсБєнНнн шини успь о бапеноування потоку щи ВМ КК Ко вищі сн Ц Модуль Бала ! рі союфонюхеннее 7 поурОку ВИФрШЮ ВІДМОВНЕ у ОДУПЬ ОДЛаНСування скота ооо нок понос ов вк В соток четвестому кадрталі 0017 воску Модуль балансування шестловтввротт нноонионанвння оопввани потокуд?о5 0 оп М дл інших модула Модуль бапансування. днини Запансування потоку відмови на гу КК В ПОСТ рнаюТться Модульфбалансування ши ноти вневрння сонних увнневнк зннняння . потокудаї ООН п п пп олинчний випаде Модуль бапансування п ; ! : де дКОвИ не спостаргаються, ПКЕЕ ВОК О КТ ОКО Х ВК Я пощади Ваг Їх поко нема оно пк пон од ЛУ ЖИ року дат . | ШЕ : : ; ЯН ее Пемеє ВІДМОВ З М.КВ т т кимккнея ЕМ ЕК о ВВВВВ ОО З КК ЗАЙ Же яма ПНО ОП по ли ннтриті«гч""і зга КЕ ТО жах У щк ЕТ АД я ЖУК УК ХЕ ех ме мА зд зах ка таж хе Ак АТ ММ ВОМ жит АХ ян ж хе а МЕ
Фіг.11 Корельовані відмови -Е З в. У 0 ЗБ . і. г КУ ХХ ФУ 0 а дл та м, у З і ЗУ КУ ЕХ зе, ЛоОМА ТМІчО хе хх х ХУ КУ Мох : ХХ Кома нн ОН Я З ЕХ ХХ СХ ЗИ «, ОКХ х х У щ КУ Ко й йжУк г УпИ о ОБ ОК, Я г ЯН ХК ща ВК вдихи дише ші ще "Чех ще ОО Хе З З "С МОУКУУю КК КК ЗУ СН ЗАКО М до МКУ КОЛА - СОКУ он ною са й: - У
9 я. ЩО о щу і кі : ; С о зе У т Бу г. Її лі З
Фіг.12
. Приклад ПОЗИТИВНОЇ ТанденцшІ зи ї ї т з ; У і 5 8 Я 1 ї ЖЕ: ІЗ : 3: З ЕЕ 5 х ї ї 5 5 х : Ю и ї і ІВ з я З і х І ї : ї : Б | ! ! : Я ! і : 5 З Е З - з У У їх Я з о і і о ; Я з У . ї КУ я з з ЗА Я : ї Б їз, ВЕ з з ї ЗХ х 3: ВИК Ж ї їх ЗІ 5 З ЗМІ КО У Б 2 ї Я В І ЗОН з ї ї ХХ 5 Ка МК ВХ и !
ТВ. ж ї ї З 58 РК Ж щ і ї Е ї ХР ВИ ЖЕ й : Ж ке ВВ ї Ж ав ЗІ БК Ж ї 2 і д Бе 3 з З ЯК З Ж У шо | з ї а ; щ ВОК х Ве 1 ї ж ях ї Що Ж ЕУ х 3 - вх. Кк х ї Я В З х . а Іі х З | й веж: 35 ї ях я з х Ж ох ЖЖ ЕКЗ х НУ ! ЕЇ із Ба їі ї жо і, З » ж хх я Я я БЕ ї 3 ї Ї : Ж З ї ї і ї і Ж є З ї З З Ки «й ї т: ї » з 3 -- ЕК З ї 3 х З ВО 7 5 їх х х ЗТ Ж 3 ї З ї Ї щи ї ї 1 ї Е Кк х З їх ХХ: х Е 0 і і | 4 ї їх хх х ї ї її ї ї ї т ї : 3 5 13 Її ; ! ї : т і : ЗХ в ; ї ЩЕ ї : -а ючка ДЯниХ
Фіг.13 и що а ' вах ! з ЗННЯ ДВК о 1 1 о Формування двійкової послідовності г і ДЯ а - е ;; ще | (31) на основі порогових значень (92). го Ї " 7 Ї х я | є ! » ! як застосовуються до даних - ! . з що . ж ! технолопчного процесу С як Є і ! що і і че. і ! 4 ек ! і : : жк й ; ! і : Її дж Ж ! 1 жк ШЕ: 7 ! і Ку ее; у м : я СМ їз а КВ ї - ! У -к : ї -е З і чех я : у ле - ї сі - рок те : і -о рев, Як щі ! Її -й - М: шо ; я т ! р ху де ет ще і их ! Я є ще і ! : у щи : : і м 7 : БО ож ! зоре
Фіг.14 Ж пн і АННА і НАННЯ паї ЗО лкна Я серпні о Пес сЕКя: ЗБОЇ ЗА МАШИНАМИ ВООВКЦЇ с Ш Що нн 0 НН ЩО - щи МО кА МИХОВ АВізою Б. Зп ТИЖДЕНЬ ! СИМ ї МЖДЕНЬ Яни ТИЖ 3 дощі? ЧАДЕН 2 4 ОБО ооо Офис ня бору бос 0 ЗАОЗНАХОДЖЕННЯ СТАНІ ПОМИНКИХ рон ШО МАШИНОЮ що ся НН НН НН Б, сдчеевжан яноск що ж НН Ннюю зленвюдн ни ОСЕКЦія З ОО в 5 псешях ПОпрНе «АД МКІОХ Реєої о Ся гей ПОВ - | 5 ак "СЕ зееспРостю . і ї "«СЕКЩЯ? овечАСПРОСТОЮ як о о с Б (СЕМЛНЯ зидеполетоют о 00 ри оре МК ре Ж дня МАСЛО ответ отждьт ЛИЖ ЛИН
Фіг.15 Розуміння корінних проблем - частота аварійних сповіщень, кореляції, аномалії до нини ан » Корепації між аварійними подіями дог | шо І ,. Візуалізація анарійних подій у часі дозі і : ! їх ; сг і ! ЩЕ | : : » Виявлення аномалій у формі анормального дов. : | ши часу простою/аварійних сповіщень дов. ше КЕ. І І ЕН І « Відтворення аварійних сповіщень чої нм | Що | І ї . і ЩІ мо «ЇЇ Ї г я лоз ДИН НННННИІ ПАТЕВННВВ ВОВНА як 6, ї 11 : : ї : дов МОХ Х КЗ З щх «і АТЗ АОЗІ й гі : і Зх . Х БО й я Ка з СІВ ГеКИ ШЕ | | : ши дбжновві дів ді? ! Н : : : В Зк Ж Її в Мова х ік . . е ; і шу: . , і Мо ОК СЯ ще ко АПУ ї ОБ ЩРОГРРК ТЕ: 5 ще Зк з | Б НА | ПЕ що я схо ВЕ дов ше ! пиши ни жена чи м | й в фу хо дя ТЕН БЕК ЕЕ ВЕ КН ННЯ я МО З - дів ! | | " Й НЕ ЩІ | Або й» лов
АК . 2 Ії ї Й : оз дії а ка МО" МУСА НУТИ У6 Уго УУиЗ а Ума Уа 1 23 185 зоб ОУВ 2018 в В ма 2018 дУДИ з2юз 1405 0707 зов Ов ОВ 23 ОВ 18
Фіг.16
Applications Claiming Priority (2)
| 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 |
| 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 (1)
| Publication Number | Publication Date |
|---|---|
| UA127465C2 true UA127465C2 (uk) | 2023-08-30 |
Family
ID=65268867
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| UAA202104851A UA127465C2 (uk) | 2019-01-30 | 2020-01-30 | Система і спосіб виявлення і вимірювання аномалій сигналізування, що походять від компонентів, які використовуються в промислових процесах |
Country Status (10)
| Country | Link |
|---|---|
| US (1) | US11989010B2 (uk) |
| EP (1) | EP3690581B1 (uk) |
| JP (1) | JP7282184B2 (uk) |
| KR (1) | KR102428632B1 (uk) |
| BR (1) | BR112021013786A2 (uk) |
| ES (1) | ES2871348T3 (uk) |
| MX (1) | MX2021008420A (uk) |
| PL (1) | PL3690581T3 (uk) |
| UA (1) | UA127465C2 (uk) |
| WO (1) | WO2020157220A1 (uk) |
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 |
| CN117940862A (zh) * | 2021-08-31 | 2024-04-26 | 西门子股份公司 | 部署在可编程逻辑控制器上的自动声学异常检测特征 |
| EP4152113A1 (de) * | 2021-09-16 | 2023-03-22 | Siemens Aktiengesellschaft | Verfahren und system zur verbesserung des produktionsprozesses in einer technischen anlage |
| US20230169145A1 (en) * | 2021-11-30 | 2023-06-01 | 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 |
Family Cites Families (10)
| 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 |
| FR2939170B1 (fr) * | 2008-11-28 | 2010-12-31 | Snecma | Detection d'anomalie dans un moteur d'aeronef. |
| 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 |
| GB201510957D0 (en) * | 2015-06-22 | 2015-08-05 | Ge Aviat Systems Group Ltd | Systems and Methods For Verification And Anomaly Detection |
| US10474128B2 (en) * | 2015-11-16 | 2019-11-12 | Jtekt Corporation | Abnormality analysis system and analysis apparatus |
| WO2018047804A1 (ja) * | 2016-09-08 | 2018-03-15 | 日本電気株式会社 | 異常検出装置、異常検出方法、及び記録媒体 |
| 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 |
| EP3989194A1 (en) * | 2018-10-29 | 2022-04-27 | Hexagon Technology Center GmbH | Facility surveillance systems and methods |
-
2019
- 2019-01-30 PL PL19154618T patent/PL3690581T3/pl unknown
- 2019-01-30 ES ES19154618T patent/ES2871348T3/es active Active
- 2019-01-30 EP EP19154618.3A patent/EP3690581B1/en active Active
-
2020
- 2020-01-30 WO PCT/EP2020/052330 patent/WO2020157220A1/en active Application Filing
- 2020-01-30 KR KR1020217027219A patent/KR102428632B1/ko active IP Right Grant
- 2020-01-30 BR BR112021013786-6A patent/BR112021013786A2/pt unknown
- 2020-01-30 US US17/425,942 patent/US11989010B2/en active Active
- 2020-01-30 UA UAA202104851A patent/UA127465C2/uk unknown
- 2020-01-30 JP JP2021544307A patent/JP7282184B2/ja active Active
- 2020-01-30 MX MX2021008420A patent/MX2021008420A/es unknown
Also Published As
| Publication number | Publication date |
|---|---|
| KR20210125015A (ko) | 2021-10-15 |
| KR102428632B1 (ko) | 2022-08-03 |
| MX2021008420A (es) | 2021-10-13 |
| PL3690581T3 (pl) | 2021-09-06 |
| US20220163947A1 (en) | 2022-05-26 |
| JP7282184B2 (ja) | 2023-05-26 |
| JP2022519228A (ja) | 2022-03-22 |
| EP3690581B1 (en) | 2021-02-17 |
| ES2871348T3 (es) | 2021-10-28 |
| EP3690581A1 (en) | 2020-08-05 |
| BR112021013786A2 (pt) | 2021-09-21 |
| US11989010B2 (en) | 2024-05-21 |
| WO2020157220A1 (en) | 2020-08-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| UA127465C2 (uk) | Система і спосіб виявлення і вимірювання аномалій сигналізування, що походять від компонентів, які використовуються в промислових процесах | |
| US6970804B2 (en) | Automated self-learning diagnostic system | |
| US10152879B2 (en) | Method, apparatus, and system for monitoring manufacturing equipment | |
| US20140365179A1 (en) | Method and Apparatus for Detecting and Identifying Faults in a Process | |
| US10460531B2 (en) | System and method for generating facility abnormality prediction model, and computer-readable recording medium storing program for executing the method | |
| CN111867806A (zh) | 用于基于件的过程（批量制造）、特别是注射成型过程的自动的过程监控和过程诊断的方法和实施所述过程的机器或实施所述过程的机器总成 | |
| US9141915B2 (en) | Method and apparatus for deriving diagnostic data about a technical system | |
| US10809674B2 (en) | Model-plant mismatch detection using model parameter data clustering for paper machines or other systems | |
| US20130080084A1 (en) | Pressure transmitter with diagnostics | |
| CN114398800B (zh) | 破碎机系统故障诊断方法及装置 | |
| Martínez-García et al. | Measuring system entropy with a deep recurrent neural network model | |
| US10088829B2 (en) | Diagnostic device and method for monitoring the operation of a control loop | |
| US11669081B2 (en) | Data processing device capable of performing problem diagnosis in a production system with plurality of robots and method | |
| Salvador et al. | Online detection of shutdown periods in chemical plants: A case study | |
| RU2784925C1 (ru) | Система и способ для обнаружения и измерения аномалий в сигнализации, исходящей из компонентов, используемых в промышленных процессах | |
| US11580842B1 (en) | Real-time alert management using machine learning | |
| US11838192B2 (en) | Apparatus and method for monitoring network | |
| 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 | |
| WO2021130936A1 (ja) | 時系列データ処理方法 | |
| Kolokas et al. | Anomaly detection in aluminium production with unsupervised machine learning classifiers | |
| US20240102242A1 (en) | Adaptive-Learning, Auto-Labeling Method and System for Predicting and Diagnosing Web Breaks in Paper Machine | |
| TWI841793B (zh) | 用於異常設備痕跡偵測及分類的程序及電腦可讀取媒體 | |
| CN118014115A (zh) | 一种基于长短时记忆网络的产线损耗监测方法 | |
| Heusel et al. | Analysis of Systematic Influences on the Insulation Resistance of Electronic Railway Interlocking Systems |