WO2010000836A1 - Verfahren zur überwachung einer industrieanlage - Google Patents

Verfahren zur überwachung einer industrieanlage Download PDF

Info

Publication number
WO2010000836A1
WO2010000836A1 PCT/EP2009/058406 EP2009058406W WO2010000836A1 WO 2010000836 A1 WO2010000836 A1 WO 2010000836A1 EP 2009058406 W EP2009058406 W EP 2009058406W WO 2010000836 A1 WO2010000836 A1 WO 2010000836A1
Authority
WO
WIPO (PCT)
Prior art keywords
detection
measurement data
elimination
data
measured data
Prior art date
Application number
PCT/EP2009/058406
Other languages
English (en)
French (fr)
Inventor
Hajrudin Efendic
Gerald Hohenbichler
Stephan M. Winkler
Andreas Schrempf
Original Assignee
Siemens Vai Metals Technologies Gmbh & Co
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Siemens Vai Metals Technologies Gmbh & Co filed Critical Siemens Vai Metals Technologies Gmbh & Co
Priority to EP09772536A priority Critical patent/EP2297623A1/de
Priority to US13/002,542 priority patent/US20110106289A1/en
Publication of WO2010000836A1 publication Critical patent/WO2010000836A1/de

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
    • G05B23/0254—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, Neural Networks

Definitions

  • the present invention relates to a method for the pretreatment of measurement data for monitoring an industrial plant.
  • the invention relates to a method for monitoring systems, in particular complex systems of the iron and steel industry, with the steps of recording at least two channels of measurement data of a system, if necessary
  • Target channel f) use of currently determined measurement data and of the model formed to calculate a simulated value of the target channel, g) detection of false states by comparing between the current and the simulated value of the target channel.
  • Modern industrial plants for example blast furnaces or rolling mills, typically with a large number of coupled individual plants, are highly complex technical systems.
  • Today, hundreds of thousands of measuring sensors are permanently and real-time monitored (eg with a sampling time of 1 ms) to monitor these systems or processes, and special relevant data is displayed by a measuring data acquisition system. Due to the high demands on the operating personnel, however, FD is increasingly used in complex systems, since these methods allow computer-aided errors in the computer system
  • FD is also in the condition monitoring, engl.
  • Condition monitoring used by industrial equipment.
  • a system is monitored by means of a large number of measuring sensors and automatically generates a warning or error message when the system behavior changes, for example as a result of wear of components.
  • the measured data are typically various plant or process conditions, which are determined by sensors and usually in digital form of a
  • a channel of measured data is a series of measured values recorded by a sensor;
  • a destination channel is a channel of recorded video
  • Measurement data that contains or may contain relevant information about the behavior of the plant.
  • a model for the target channel based on one or more channels (excluding one target channel) of plant measurement data is created; By means of this model and depending on current measurement data, the values of a simulated target channel are calculated by a process computer and compared with current measured values of the target channel; if there are significant deviations between the simulated and the measured target channel, an error message is generated.
  • Data preprocessing pointed out in the course of the FD. Specifically, it is proposed to filter the measurement data to eliminate disturbances in the measurement data and thus to improve the performance of FD.
  • the object of the invention is to provide a method for monitoring of industrial plants, with which the quality of the recorded measurement data of the system improved and the size of the measurement data can be greatly reduced, without resulting in a significant loss of information.
  • offline ie.
  • FD fault conditions of the system
  • outliers are detected in the measurement data and then eliminated.
  • the elimination of an outlier occurs by replacing an outlier with an average of the affected channel.
  • the measurement data channels are smoothed, for example by the use of median filters, resulting in e.g. Measurement noise is reduced and, as in the detection and elimination of outliers, the quality of the measurement data is increased.
  • Data channel before downsampling determined and compared with the information content of a changed. With respect to the sampling time data channel. This results from downsampling, ie. by a reduction of the sampling frequency, no significant change in the information content, the sampling frequency is reduced, whereby a large reduction of the amount of data (a reduction of the sampling frequency by 50% reduces the amount of data also by 50%) is possible.
  • the measurement data are subjected to the process steps in the order of detection and elimination of "zero channels", detection and elimination of outliers, filtering and downsampling.This order results in a high quality of the measurement data and in a high efficiency of the inventive method.
  • the measurement data preferably after downsampling, are subjected to detection of stationary areas and elimination of non-stationary areas, which further reduces the size of the measurement data and the formation of simple, static
  • a further advantageous embodiment is that, for different target channels, the steps of defining a target channel from the measured data, pretreatment of the measured data and measurement data based formation of at least one model of the target channel per target channel are each performed at least once, and models formed thereby in the detection of malfunction of the system be used. As a result, a particularly comprehensive monitoring of the system is achieved.
  • the steps of defining a target channel from the measured data, pretreatment of the measured data and measurement-data-based formation of at least one model of the target channel on at least one process computer are performed in parallel for different target channels. This is especially in online operation, ie. in the implementation of the method on one of the system associated process computer, given an early model availability.
  • the parallelization can be carried out either by a plurality of tasks or threads on a process computer, and / or by division into several process computers.
  • the detection and elimination of outliers contains a univariate and a multivariate step.
  • the univariate method step is particularly suitable for detecting and eliminating comparatively large outliers in one channel independently of other channels.
  • the multivariate step the distance of the measured values of all channels at a time becomes the total distribution determined, which also difficult to detect outliers can be detected and eliminated.
  • the measured data are subjected to a median filtering.
  • Median filters are known in the art and allow a very efficient smoothing of signals.
  • the downsampling of the measured data takes place taking into account the
  • Transinformation engl. Auto mutual information, between a channel before and after downsampling. This makes it possible to reduce the sampling frequency as a function of the loss of information due to the downsampling and thus set an optimized downsampling rate.
  • a further advantageous embodiment is that the detection of stationary areas and elimination of non-stationary areas taking into account statistical variables for the variability.
  • the measured data preferably after the
  • Fig. 5 Plot of a section of the target channel xio before and after the step of detection and elimination of outliers
  • Fig. 7 Plot of a section of the channel X20 before and after
  • Step Filtering Fig. 8 Schematic representation of the downsampling
  • Fig. 9 plot of the target channel xio before and after the step
  • Fig. 13 Plot of the target channel xio before and after the step Detection of stationary areas and elimination of non-stationary areas and the channels xio, X20 and x. 7
  • the measurement data are, for example, signals from pressure, force, displacement, velocity, acceleration or temperature sensors, which were recorded for subsequent use in an FD method.
  • the channel xio was selected as the target channel (tenth column of MD).
  • the channels Xi to X20 are shown graphically above the measured data index.
  • the channels 9 and 17 were identified as zero channels and eliminated.
  • the dimension of the measurement data matrix after the step of detection and elimination of "zero channels" is 19498 x 18, ie the amount of data has been reduced to 90%.
  • the individual channels ie. the individual columns of the measurement data matrix
  • a univariate ie. based on only one channel
  • detection and elimination of outliers subject This eliminates "big" outliers.
  • the detection of outliers can be done in two ways:
  • test criterion G s is calculated for each measured value X 1 .
  • the one-sided test is an outlier
  • the check for outliers is analogous to the global procedure, but is limited to the viewing window.
  • Outliers in turn, have a measurement data matrix which is free of univariate outliers but still has the original dimension.
  • This process step can be performed following univariate detection and elimination of outliers.
  • any outliers due to the so-called Mahalanobis distance or the distance due to the so-called principal component analysis of a measured value vector x (a row vector of the measured data matrix) are detected by the overall distribution. Any outliers found are marked and replaced by local averages.
  • the Mahalanobis distance as well as the principal component analysis are e.g. known from
  • a principal component analysis of the measured data is carried out.
  • the main components of the measurement data matrix ie. the eigenvalues and eigenvectors, either via an eigenvalue analysis or a SVD (Singular value decomposition) of the covariance matrix is calculated.
  • Noise or other interfering signals are removed from individual channels of the measuring signals.
  • a median filter with a viewing window of size N (referred to as filter order) is used.
  • each measured value x k of a channel is given by _ _ (mean value (x k _ (N _ 1) / 2 , ..., x i + (7V _ 1) / 2 ) for odd N ⁇ mean value (x k _ N / 2 , ..., x k + N / 2 ) for even N replaced.
  • the downsampling of the measured data is carried out taking into account the transinformation (auto-mutual information, see chapter 3.3.1.3 "Entropy-oriented measures" from the gutter) AMI ( ⁇ ) between a channel before the downsampling and the same channel after the downsampling.
  • the transinformation AMI ( ⁇ ) is calculated from k
  • H (A) - ⁇ p (u j) • log 2 p (u j) the entropy of the channel A to Down Sampling
  • AMI ( ⁇ ) H (A) + H (A) - H (A, A) Transinformation between A and A
  • the optimal downsampling rate i with ie [r mn , T n ⁇ x ].
  • the optimal downsampling rate ie. that ⁇ , where as little information as possible is lost with the greatest possible data reduction, is the first local minimum of AMI ( ⁇ ), ie. AMI ( ⁇ -1)> AMI ( ⁇ ) ⁇ AMI ( ⁇ + 1). If such a minimum can not be found, then one uses a scaled one
  • Transinformation AMI ( ⁇ ) AMI ( ⁇ ) + e TF ° clor -1, so that a local minimum can be found.
  • the factor ⁇ Fa k to r is a scaling factor and can be selected appropriately.
  • the target channel is shown before and after downsampling, but of course, downsampling is applied to all channels.
  • FIG. 10 also shows the transinformation AMI ( ⁇ ) and the scaled transinformation AMI ( ⁇ ) * over ⁇
  • a redundancy signal cross-correlation between the target channel X and Y within the viewing window
  • RED (J) corr (X local J local ).
  • the redundant channels are deleted from the measurement data matrix.
  • a redundant channel to a destination channel already too represents a simple model of the target channel that can be used for error detection. Due to this process step, the measurement data matrix was reduced to 5.89% of the original data volume.
  • substantially constant operating points are to be identified from the measured data.
  • a viewing window with size NVAR is used, which is applied to the target channel.
  • This process step reduced the measurement data matrix to 4.4% of the original data volume.
  • the resulting measurement data matrix is the basis for a subsequent formation of at least one model for the target channel.
  • a process computer assigned to the installation calculates a simulated target channel, which is used for the comparison between the simulated and the measured target channel, on the basis of currently determined measurement data of the installation and the generated model. If there are significant deviations between these two channels, a warning or an error message is generated.
  • the detection of faulty states of a system can be carried out particularly comprehensively if not only one model of a destination channel is created, but for each of the different destination channels at least one model for the respective destination channel is formed and models formed thereby are used in the FD. Further steps, such as the identification or the isolation of errors, e.g. the publication
  • FIG. 14 shows in a flow chart the most important method steps in the pretreatment of the measured data.
  • at least two channels of measured data eg from different sensors, such as pressure, temperature, speed or force sensors
  • the originally present measurement data (1) in the pretreatment of the measurement data (7) are successively the method steps

Abstract

Die Erfindung betrifft ein Verfahren zum Überwachen von Anlagen, insbesondere komplexe Anlagen der Eisen- und Stahlindustrie, mit den Schritten Aufnehmen von mindestens zwei Kanälen von Messdaten einer Anlage, gegebenenfalls Abspeichern der Messdaten, Definition eines Zielkanals aus den Messdaten, Vorbehandlung der Messdaten, messdatenbasierte Bildung mindestens eines Modells des Zielkanals und Verwendung des so generierten Modells und aktuell ermittelter Messdaten zur Detektion von Fehlzuständen der Anlage. Aufgabe der Erfindung ist es, ein Verfahren zur Überwachung von Industrieanlagen zu schaffen, mit welchem die Qualität der aufgenommenen Messdaten der Anlage verbessert und die Größe der Messdaten stark reduziert werden kann, ohne dass es dadurch zu einem signifikanten Informationsverlust kommt. Diese Aufgabe wird durch ein Verfahren gelöst, bei dem die Messdaten im Schritt Vorbehandlung der Messdaten den Verfahrensschritten 1) Detektion und Eliminierung von „Null-Kanälen", 2) Detektion und Eliminierung von Ausreißern, 3) Filterung, 4) Downsampling unterzogen werden.

Description

Verfahren zur Überwachung einer Industrieanlage
Die vorliegende Erfindung betrifft ein Verfahren zur Vorbehandlung von Messdaten zur Überwachung einer Industrieanlage.
Konkret betrifft die Erfindung ein Verfahren zum Überwachen von Anlagen, insbesondere komplexe Anlagen der Eisen- und Stahlindustrie, mit den Schritten Aufnehmen von mindestens zwei Kanälen von Messdaten einer Anlage, gegebenenfalls
Abspeichern der Messdaten, Definition eines Zielkanals aus den Messdaten, Vorbehandlung der Messdaten, messdatenbasierte Bildung mindestens eines Modells des Zielkanals und Verwendung des so generierten Modells und aktuell ermittelter Messdaten zur Detektion von Fehlzuständen der Anlage.
Rechnergestützte Verfahren zur Überwachung von Anlagen bzw. Prozessen sind dem Fachmann unter den Begriffen Fault Diagnosis oder Fault Detection (nachfolgend kurz FD) bekannt, siehe z.B. WO 02/086726 Al. Diese Verfahren zur Detektion von Fehlzuständen in komplexen Industrieanlagen beinhalten folgende Verfahrensschritte:
a) Messdatenerfassung von mindestens zwei Kanälen einer Anlage, b) gegebenenfalls Abspeichern der Messdaten, c) Definition eines Zielkanals aus den erfassten Kanälen der Messdaten, d) gegebenenfalls Vorbehandlung der Messdaten, e) messdatenbasierte Bildung mindestens eines Modells des
Zielkanals, f) Verwendung aktuell ermittelter Messdaten und des gebildeten Modells zur Berechnung eines simulierten Werts des Zielkanals, g) Detektion von Fehlzuständen durch das Vergleichen zwischen dem aktuellen und dem simulierten Wert des Zielkanals. Moderne Industrieanlagen, beispielsweise Hochöfen oder Walzwerke, typischerweise mit einer großen Anzahl gekoppelter Einzelanlagen, sind hochkomplexe technische Systeme. Heute werden zur Überwachung dieser Anlagen bzw. Prozesse hunderte bis tausende Messsensoren durch ein Messdatenerfassungssystem permanent und in Echtzeit (z.B. mit einer Abtastzeit von 1 ms) erfasst und besondere relevante Daten dargestellt. Aufgrund der hohen Anforderungen an das Bedienpersonal wird bei komplexen Anlagen jedoch zunehmend FD eingesetzt, da diese Verfahren es erlauben, rechnergestützt Fehler in
Anlagen zu detektieren und gegebenenfalls einen betroffenen Anlagenbereich zu identifizieren. FD wird außerdem in der Zustandsüberwachung, engl. Condition monitoring, von Industrieanlagen eingesetzt. Auch in diesem Fall wird eine Anlage mittels einer Vielzahl von Messsensoren überwacht und bei einer - sich beispielsweise aus einer Abnützung von Komponenten ergebenden - Veränderung des Anlagenverhaltens selbsttätig eine Warnung oder Fehlermeldung generiert. Bei den Messdaten handelt es sich typischerweise um diverse Anlagen- bzw. Prozesszustände, welche von Sensoren ermittelt und meist in digitaler Form von einem
Messdatenerfassungssystem aufgenommen werden. Unter einem Kanal von Messdaten versteht man eine Aneinanderreihung von Messwerten, die von einem Sensor aufgenommen wurden; unter einem Zielkanal versteht man einen Kanal der aufgenommenen
Messdaten, welcher relevante Informationen über das Verhalten der Anlage enthält bzw. enthalten kann. In der einfachsten Form der FD wird ein, auf einen oder mehreren (ausgenommen ein Zielkanal) Kanälen von Messdaten der Anlage basierendes, Modell für den Zielkanal erstellt; mittels dieses Modells und in Abhängigkeit von aktuellen Messdaten werden die Werte eines simulierten Zielkanals durch einen Prozessrechner berechnet und mit aktuellen Messwerten des Zielkanals verglichen; bei signifikanten Abweichungen zwischen dem simulierten und dem gemessenen Zielkanal wird eine Fehlermeldung generiert.
In der Veröffentlichung H. Efendic, L. del Re und G. Frizberg. Iterative Multi-Step Diagnosis Process for Engine Systems. Präsentiert beim SAE world congress, 11. bis 14. April, 2005. Detroit, Mich, USA.
wird auf die Bedeutung der Vorbehandlung von Messdaten, engl. Data preprocessing, im Zuge der FD hingewiesen. Konkret wird vorgeschlagen, die Messdaten zu filtern um Störungen in den Messdaten zu beseitigen und so die Leistungsfähigkeit von FD zu verbessern.
Weitergehende Maßnahmen zur Vorbehandlung von Messdaten werden nicht angegeben.
Aufgabe der Erfindung ist es, ein Verfahren zur Überwachung von Industrieanlagen zu schaffen, mit welchem die Qualität der aufgenommenen Messdaten der Anlage verbessert und die Größe der Messdaten stark reduziert werden kann, ohne dass es dadurch zu einem signifikanten Informationsverlust kommt. Nachfolgend können, gegebenenfalls online - dh. durch einen der Anlage zugeordneten Prozessrechner mit gegebenenfalls geringer Leistungsfähigkeit, basierend auf diesen komprimierten Messdaten, sehr kompakte Modelle für die Detektion von Fehlzuständen der Anlage (FD) generiert werden, welche sich auch für eine Anwendung auf günstigen Prozessrechnern mit vergleichsweise geringer Leistungsfähigkeit eignen und dennoch eine hohe Qualität bzgl . der Fehlererkennung aufweisen.
Diese Aufgabe wird durch ein Verfahren gelöst, bei dem die Messdaten im Schritt Vorbehandlung der Messdaten den Verfahrensschritten
1) Detektion und Eliminierung von „Null-Kanälen",
2) Detektion und Eliminierung von Ausreißern, 3) Filterung,
4) Downsampling unterzogen werden. Da sog. „Null-Kanäle", dh. Kanäle von Messdaten welche in allen Abtastzeitpunkten konstant 0 sind, keinerlei Information enthalten, werden diese Kanäle gelöscht und somit die Anzahl der relevanten Kanäle für die weiterfolgenden Schritte reduziert.
Bei der Detektion und Eliminierung von Ausreißern werden, beispielsweise bzgl. der Prozessführung ungerechtfertigte, Ausreißer in den Messdaten detektiert und anschließend eliminiert. Die Eliminierung eines Ausreißers erfolgt durch das Ersetzen eines Ausreißers durch einen Mittelwert des betroffenen Kanals.
Bei der Filterung werden die Messdatenkanäle, beispielsweise durch die Anwendung von Median Filtern, geglättet, wodurch z.B. Messrauschen reduziert und wie bei der Detektion und Eliminierung von Ausreißern die Qualität der Messdaten erhöht wird.
Beim Downsampling wird der Informationsgehalt eines
Datenkanals vor dem Downsampling bestimmt und mit dem Informationsgehalt eines bzgl. der Abtastzeit veränderten Datenkanals verglichen. Ergibt sich durch das Downsampling, dh . durch eine Reduktion der Abtastfrequenz, keine signifikante Änderung des Informationsgehalts, so wird die Abtastfrequenz reduziert, wodurch eine starke Reduktion der Datenmenge (eine Reduktion der Abtastfrequenz um 50% reduziert die Datenmenge ebenfalls um 50%) möglich ist.
Vorteilhafterweise werden die Messdaten bei der Vorbehandlung der Messdaten den Verfahrensschritten in der Reihenfolge Detektion und Eliminierung von „Null-Kanälen", Detektion und Eliminierung von Ausreißer, Filterung und Downsampling unterzogen. Diese Reihenfolge resultiert in einer hohen Qualität der Messdaten und in einer hohen Effizienz des erfindungsgemäßen Verfahrens . In einer vorteilhaften Ausführungsform, werden die Messdaten, vorzugsweise nach dem Downsampling, einer Detektion von stationären Bereichen und Eliminierung von nicht-stationären Bereichen unterzogen, wodurch die Größe der Messdaten weiter reduziert und die Bildung von einfachen, statischen
Prozessmodellen für eine nachfolgende FD ermöglicht wird.
Eine weitere vorteilhafte Ausführungsform besteht darin, dass für unterschiedliche Zielkanäle die Schritte Definition eines Zielkanals aus den Messdaten, Vorbehandlung der Messdaten und messdatenbasierte Bildung mindestens eines Modells des Zielkanals pro Zielkanal jeweils mindestens 1 Mal durchgeführt werden und dabei gebildete Modelle bei der Detektion von Fehlzuständen der Anlage verwendet werden. Hierdurch wird eine besonders umfassende Überwachung der Anlage erreicht.
In einer weiteren vorteilhaften Ausführungsform, werden für unterschiedliche Zielkanäle die Schritte Definition eines Zielkanals aus den Messdaten, Vorbehandlung der Messdaten und messdatenbasierte Bildung mindestens eines Modells des Zielkanals auf zumindest einem Prozessrechner parallel durchgeführt. Dadurch ist besonders im online Betrieb, dh. bei der Durchführung des Verfahrens auf einem der Anlage zugeordneten Prozessrechner, eine baldige Modellverfügbarkeit gegeben. Die Parallelisierung kann entweder durch mehrere Tasks bzw. Threads auf einem Prozessrechner erfolgen, und/oder durch Aufteilung auf mehrere Prozessrechner.
In einer vorteilhaften Ausführungsform des erfindungsgemäßen Verfahrens, enthält die Detektion und Eliminierung von Ausreißern einen univariaten und einen multivariaten Schritt. Der univariate Verfahrensschritt ist besonders dazu geeignet, vergleichsweise große Ausreißer in einem Kanal unabhängig von anderen Kanälen zu detektieren und zu eliminieren. Hingegen wird beim multivariaten Schritt der Abstand der Messwerte aller Kanäle zu einem Zeitpunkt zur Gesamtverteilung ermittelt, wodurch auch schwer erkennbare Ausreißer detektiert und eliminiert werden können.
In einer weiteren vorteilhaften Ausführungsform, werden die Messdaten einer Median Filterung unterzogen. Median Filter sind dem Fachmann bekannt und ermöglichen eine sehr effiziente Glättung von Signalen.
In einer weiteren vorteilhaften Ausführungsform, erfolgt das Downsampling der Messdaten unter Berücksichtigung der
Transinformation, engl. Auto-Mutual-Information, zwischen einem Kanal vor und nach dem Downsampling. Hierdurch wird es möglich, die Abtastfrequenz in Abhängigkeit des Informationsverlusts durch das Downsampling zu reduzieren und so eine optimierte Downsampling Rate einzustellen.
Eine weitere vorteilhafte Ausführungsform besteht darin, dass die Detektion von stationären Bereichen und Eliminierung von nicht-stationären Bereichen unter Berücksichtigung von statistischen Kennzahlen für die Variabilität erfolgt.
Mittels dieser Maßnahme können stationäre Bereich einfach und sicher detektiert werden, was zu einer hohen Qualität der Modelle führt.
Vorteilhafterweise werden die Messdaten, bevorzugt nach dem
Downsampling oder der Detektion von stationären Bereichen und Eliminierung von nicht-stationären Bereichen, einer Detektion und Eliminierung von redundanten Kanälen unterzogen. Mittels dieses Schritts wird die Anzahl der relevanten Kanäle weiter reduziert; dabei können vollständige Redundanzen und gegebenenfalls auch Redundanzen, welcher sich aus einer Ableitung bzw. Integration eines Signals ergeben, berücksichtigt werden.
Weitere Vorteile und Merkmale der vorliegenden Erfindung ergeben sich aus der nachfolgenden Beschreibung nicht einschränkender Ausführungsbeispiele, wobei auf die folgenden Figuren Bezug genommen wird, die Folgendes zeigen: Fig. 1 bis Fig. 4 Plots der Kanäle Xi bis X20 der unveränderten Messdaten einer Anlage
Fig. 5 Plot eines Ausschnitts des Zielkanals xio vor und nach dem Schritt Detektion und Eliminierung von Ausreißern
Fig. 6 Plot eines Ausschnitts des Zielkanals xio vor und nach dem Schritt Filterung
Fig. 7 Plot eines Ausschnitts des Kanals X20 vor und nach dem
Schritt Filterung Fig. 8 Schematische Darstellung des Downsamplings
Fig. 9 Plot des Zielkanals xio vor und nach dem Schritt
Downsampling
Fig. 10 Darstellungen der Auto-Mutual-Information und der skalierten Auto-Mutual-Information in Abhängigkeit der Downsampling Rate
Fig. 11 Plot des Zielkanals xio und der dazu redundanten
Kanäle xu, X13 und X14
Fig. 12 Plot des Zielkanals xio und des redundanten Kanals X13
Fig. 13 Plot des Zielkanals xio vor und nach dem Schritt Detektion von stationären Bereichen und Eliminierung von nicht-stationären Bereichen und der Kanäle xio, X20 und x7
Fig. 14 Ein Flussdiagramm der wichtigsten Verfahrensschritte
Im Folgenden wird aus Gründen der Übersichtlichkeit von 20 Datenkanälen (Kanalanzahl n=20) und 19498 Messwerten pro
Kanal (Anzahl der Messwerte m=19498) ausgegangen; die Daten wurden von einem Messdatenerfassungssystem in einem Walzwerk aufgenommen (reale Messdaten sind meist deutlich größer, z.B. n=400, m=1500000) . MD zeigt symbolisch eine Matrix der Messdaten mit Dimension 19498 x 20. Ein Messwert X1,-, stellt den i-ten Messwert des j-ten Datenkanals der Messdaten dar.
xu n,i9 Λl,20
X9 2,1 x. 2,2 X. 2,19 X2,20
MD =
•^19497,1 •^19497,2 •^19497,19 -^19497,2O •^19498,1 •^19498,2 •^19498,19 -^19498,2O Bei den Messdaten handelt es sich beispielsweise um Signale von Druck-, Kraft-, Weg-, Geschwindigkeits-, Beschleunigungsoder Temperatursensoren, welche für eine nachfolgende Verwendung in einem FD Verfahren aufgenommen wurden.
Als Zielkanal wurde der Kanal xio ausgewählt (zehnte Spalte von MD) . In den Fig. 1 bis 4 sind die Kanäle Xi bis X20 graphisch über dem Messdatenindex dargestellt.
1) Detektion und Eliminierung von „Null-Kanälen"
Bei der Detektion und Eliminierung von „Null-Kanälen" werden jene Kanäle aus den Messdaten eliminiert, bei denen sämtliche Messwerten 0 sind. Dadurch wird die Anzahl der Kanäle reduziert.
Ein „Null-Kanal" liegt vor, wenn für einen Kanal, dh. für einen Spaltenvektor von MD, gilt X1=O mit i=l...m
Vom erfindungsgemäßen Verfahren wurden die Kanäle 9 und 17 als Null-Kanäle identifiziert und eliminiert. Die Dimension der Messdatenmatrix nach dem Schritt Detektion und Eliminierung von „Null-Kanälen" beträgt 19498 x 18, dh. die Datenmenge wurde auf 90% reduziert.
Anschließend wird eine univariate und gegebenenfalls eine multivariate Detektion und Eliminierung von Ausreißern durchgeführt .
2a) Univariate Detektion und Eliminierung von Ausreißern
Zuerst werden die einzelnen Kanäle, dh. die einzelnen Spalten der Messdatenmatrix, einer univariaten, dh. basierend auf nur einem Kanal, Detektion und Eliminierung von Ausreißern unterzogen. Dabei werden „große" Ausreißer eliminiert. Die Detektion von Ausreißern kann auf zwei Arten durchgeführt werden :
i) Globale Detektion und Eliminierung von Ausreißern
Da die Durchführung des Verfahrensschritts an einem Kanal der Messdatenmatrix MD nicht übersichtlich gezeigt werden kann, wird folgender Vektor x eines Kanals von Messdaten mit m=10 Elementen verwendet x = [l 2 3 10 5 4 3 2 1 θf . Der Durchschnitt und die empirische Standardabweichung des Vektors x betragen
Figure imgf000011_0001
1 m s= -£(X1 -x)2 =2,86 x-x
Nun wird für jeden Messwert X1 das Testkriterium G= s berechnet. Beim einseitigen Test liegt ein Ausreißer vor,
zweiseitigen Test lautet das
• Nachfolgend wird z.B. ein
Figure imgf000011_0002
einseitiger Test angewendet, mit α=0.05, tα/m,m-2 = to.oos,8=3, 35 der obere kritische Wert der t-Verteilung bei einer Signifikanzschwelle von α/m und m-2 Freiheitsgraden (siehe Tab. IX, Anhang El „Tabellen" in H. Rinne. Taschenbuch der Statistik, 4. Auflage, 2008).
Da für den Wert X4=10 das einseitige Testkriterium G=2,41 größer als der Grenzwert von 2,18 ist, liegt ein Ausreißer vor; folglich wird x4 durch den Mittelwert x = 3,1 ersetzt.
Dieses Verfahren wird nun für jeden Kanal solange durchgeführt, bis keine weiteren Ausreißer mehr vorliegen.
ii) Lokale Detektion und Eliminierung von Ausreißern Da bei großen Datenmengen eine globale Bestimmung und Eliminierung von Ausreißern zu aufwändig ist, wird vorteilhafterweise ein lokales Verfahren verwendet. Dabei wird ein Kanal mittels eines Betrachtungsfensters, engl. Sliding window, mit NAUS Elementen auf Ausreißer untersucht und aufgefundene Ausreißer durch einen lokalen Durchschnitt xlokal innerhalb des Betrachtungsfensters ersetzt.
x = •1 2 3 10 5 4 3 2 1 0-
Betrachtungsfenster mit NA US Elementen X lokal ~ -M Slokal = 2,86
Die Prüfung auf Ausreißer erfolgt analog zum globalen Verfahren, beschränkt sich jedoch auf das Betrachtungsfenster .
Nach der Durchführung der Detektion und Eliminierung von
Ausreißern liegt wiederum eine Messdatenmatrix vor, welche frei von univariaten Ausreißern ist, aber noch die ursprüngliche Dimension aufweist.
In Fig. 5 ist der Zielkanal xio vor und ein Ausschnitt des Zielkanals nach der lokalen Detektion und Eliminierung von univariaten Ausreißern (NAUS=IO, α=0,05) dargestellt. Die Detektion und Eliminierung von Ausreißern wird auf alle Kanäle angewendet.
2b) Multivariate Detektion und Eliminierung von Ausreißern
Dieser Verfahrensschritt kann im Anschluss an die univariate Detektion und Eliminierung von Ausreißern durchgeführt werden. Dabei werden etwaige Ausreißer aufgrund der sog. Mahalanobis-Distanz oder des Abstands aufgrund der sog. Hauptkomponentenanalyse (engl. Principal component analysis) eines Messwertvektors x (ein Zeilenvektor der Messdatenmatrix) von der Gesamtverteilung detektiert. Aufgefundene Ausreißer werden markiert und durch lokale Mittelwerte ersetzt.
Die Mahalanobis-Distanz als auch die Hauptkomponentenanalyse sind z.B. bekannt aus
Mei-Ling Shyu, Shu-Ching Chen, Kanoksri Sarinnapakorn, and LiWu Chang, "A Novel Anomaly Detection Scheme Based on Principal Component Classifier, " Proceedings of the IEEE Foundations and New Directions of Data Mining Workshop, in conjunction with the Third IEEE International Conference on Data Mining (ICDM'03), pp . 172-179, November 19-22, 2003, Melbourne, Florida, USA.
Die Berechnung der Mahalanobis-Distanz d ist weiters aus
Kapitel D3.1 „Distanzmessung" aus Rinne bekannt. Das Quadrat der Mahalanobis-Distanz (Abstand eines Messwertvektors x vom Zentrum der Verteilung) ist definiert als
Figure imgf000013_0001
wobei y, = et(x-x)τ p Rang der Kovarianzmatrix x Messwertvektor (Zeilenvektor der Messdatenmatrix) x Mittelwert aller Messwerte ex i-ter Eigenvektor der Kovarianzmatrix
X1 i-ter Eigenwert der Kovarianzmatrix
Anschließend werden die Indizes i der N=γ-m größten
Distanzen d2 notiert und jeder Messwert X1,-, mit n≥j≥l durch x ~\~ x einen lokalen Mittelwert X1 } =—— '-^- ersetzt. Dabei ist γ ein frei wählbarer Parameter, beispielsweise γ=0.005.
Anschließend wird eine Hauptkomponentenanalyse der Messdaten durchgeführt. Bei der Hauptkomponentenanalyse werden die Hauptkomponenten der Messdatenmatrix, dh. die Eigenwerte und Eigenvektoren, entweder über eine Eigenwertanalyse oder eine SVD (engl. Singular value decomposition) der Kovarianzmatrix berechnet .
Ein Messwert x ist ein Ausreißer, wenn , wobei
Figure imgf000014_0001
j;=e;(x-x)r und q < p p Rang der Kovarianzmatrix x Messwertvektor (Zeilenvektor der Messdatenmatrix) x Mittelwert aller Messwerte ex i-ter Eigenvektor der Kovarianzmatrix λ± i-ter Eigenwert der Kovarianzmatrix A1 > A2 > ...> λp >0 χq 2 Oberer kritischer Wert der Chi-Quadrat Verteilung mit Signifikanzwert α und q Freiheitsgraden.
Wie bei der Anwendung der Mahalanobis Distanz, werden Ausreißer durch lokale Mittelwerte ersetzt.
3) Filterung
Bei der Filterung der Messdaten werden beispielsweise
Rauschen oder andere Störsignale aus einzelnen Kanälen der Messsignale entfernt. Dabei wird beispielsweise ein Median Filter mit einem Betrachtungsfenster der Größe N (als Filterordnung bezeichnet) verwendet.
Bei der Filterung wird j eder Messwert xk eines Kanals durch _ _ (Mittelwert(xk_(N_l)/2,... , xi+(7V_1)/2) für ungerade N {Mittelwert(xk_N/2,...,xk+N/2) für gerade N ersetzt .
Geht man beispielsweise von einem Filter zweiter Ordnung und einem Vektor x = [l 2 3 3,1 5 4 3 2 1 θ]raus, so lautet der gefilterte Vektor xPüt =[l 2 2,7 3,7 4 4 3 2 1 θf . In der Fig. 6 ist ein Ausschnitt des Zielkanals xio und in Fig. 7 ein Ausschnitt des Kanals X20 vor und nach der Filterung mit N=IO dargestellt.
4) Downsampling
Das Downsampling der Messdaten wird unter Berücksichtigung der Transinformation (engl. Auto-Mutual Information, vgl. Kapitel 3.3.1.3 „Entropie-orientierte Maße" aus Rinne) AMI (τ) zwischen einem Kanal vor dem Downsampling und demselben Kanal nach dem Downsampling durchgeführt. Die Transinformation AMI (τ) berechnet sich aus k
H(A) = -^ p(αt ) • log2 p(αt ) Entropie des Kanals A vor Downsampling
H(A) = -^ p(üj ) • log2 p(üj ) Entropie des Kanals A nach Downsampling
7=1
~ k ι H(A, A) = -^ ^ P(Ci1 ,Sj) - log2 P(Ci1 , α} ) Entropie der gemeinsamen Verteilung
:=1 J=I
AMI(τ) = H(A) + H(A) - H(A, A) Transinformation zwischen A und A
In Fig. 8 ist schematisch der Effekt des Downsamplings dargestellt; eine Downsampling Rate von τ=i bedeutet, dass nur mehr jeder i-te Wert des ursprünglichen Signals verwendet wird.
Für jede Downsampling Rate τ = i mit i e [rmn,Tn^x] wird die zugehörige Transinformation AMI (τ) berechnet. Die optimale Downsampling Rate, dh. jenes τ, bei der bei größtmöglicher Datenreduktion möglichst wenig Information verloren geht, ist das erste lokale Minimum von AMI (τ) , dh. AMI(τ -1)> AMI(τ)< AMI(τ + 1) . Kann ein derartiges Minimum nicht gefunden werden, so bedient man sich einer skalierten
Transinformation AMI(τ) = AMI(τ) +eTF°klor —1 , sodass ein lokales Minimum aufgefunden werden kann. Der Faktor τFaktor ist ein Skalierungsfaktor und kann geeignet gewählt werden. In Fig. 9 ist der Zielkanal vor und nach dem Downsampling dargestellt, selbstverständlich wird jedoch bei allen Kanälen das Downsampling angewendet. Die verwendete Downsampling Rate ist τ=13, dh. die Datenmenge der Messdaten wurde auf 1/13 reduziert. In Fig. 10 ist weiters die Transinformation AMI (τ) und die skalierte Transinformation AMI(τ)* über τ dargestellt
(verwendeter Parameter τFaktor=500) .
Durch das Downsampling wurde die Messdatenmatrix auf 6, 9% der ursprünglichen Datenmenge reduziert.
5) Detektion und Eliminierung von redundanten Kanälen
Mittels dieses Verfahrensschritts werden vollständig redundante Kanäle in den Messdaten identifiziert und anschließend eliminiert, wodurch die Kanalanzahl reduziert wird. Hierzu wird ein Betrachtungsfenster mit Größe NRED verwendet, welches paarweise auf den Zielkanal X=xio und einen weiteren, vom Zielkanal verschiedenen Kanal Y angewendet wird. Innerhalb des Betrachtungsfensters wird ein Redundanzsignal (Kreuzkorrelation zwischen dem Zielkanal X und Y innerhalb des Betrachtungsfensters) errechnet, mit RED(J) =corr(XlokalJlokal).
■X- lokal ~ Xι-NREDI2 1+NREDI2 *lokal = yι-NREDI2 1+NREDI2
Ist das Redundanzsignal für alle Indizes i, RED{ϊ) > REDSchranke , mit beispielsweise REDSchranke=0, 95 oder 0,98, so ist der Kanals Y bzgl. des Zielkanals X redundant und es kann der Kanal Y eliminiert werden.
In Fig. 11 sind die zum Zielkanal Xi0 redundanten Kanäle X11 , Xi3 und Xi4 dargestellt; in Fig. 12 sind der Zielkanal Xio und der Kanal X13 in einem Plot dargestellt (verwendete Parameter REDSchranke=0, 98, NRED=150). Die redundanten Kanäle werden aus der Messdatenmatrix gelöscht. Es soll aber bemerkt werden, dass ein redundanter Kanal zu einem Zielkanal bereits auch ein einfaches Modell des Zielkanals darstellt, der für eine Fehlerdetektion benutzt werden kann. Durch die diesen Verfahrensschritt wurde die Messdatenmatrix auf 5,89% der ursprünglichen Datenmenge reduziert.
Bei der Detektion und Eliminierung von Redundanzen, welche sich aus einer Ableitung bzw. Integration eines Zielkanals ergeben, geht man im Wesentlichen wie oben vor, jedoch wird eine numerische Ableitung bzw. Integration des Kanals Y durchgeführt, bevor das des Redundanzsignal RED (i) berechnet wird.
6) Detektion von stationären Bereichen und Eliminierung von nicht-stationären Bereichen
Mittels dieses Verfahrensschritts sollen im Wesentlichen konstante Betriebspunkte aus den Messdaten identifiziert werden. Hierzu wird ein Betrachtungsfenster mit Größe NVAR verwendet, welches auf den Zielkanal angewendet wird. Mittels dieses Fensters wird zu einem Index i des Zielkanals ein Variabilitätssignal VAR (i) errechnet, mit VAR(ι) = |max Xlokal -min Xlokal .
■*■ lokal ~ Xi-NVÄRI2 i+NVÄR/2 * lokal ~ yι-NVÄR/2 ι+NVAR/2
Ist die Variabilität an der Position i VAR (i) kleiner als ein
Teil x der maximalen Variabilität, dh. VAR (i) < VARSChranke mit VARSchranke = x •max VAR(i) , so wird dieser Bereich als stationär angesehen. Selbstverständlich können auch andere statistische Kenngrößen, z.B. die Standardabweichung, für die Variabilität verwendet werden.
In Fig. 13 ist der Zielkanal xio vor und nach der Detektion von stationären Bereichen und der Eliminierung von nicht- stationären Bereichen dargestellt (Parameter NVAR=30, x=0.2). Weiters sind die Kanäle X20 und x7 dargestellt. Wie dargestellt, weist Kanal X20 eine ähnliche Dynamik wie der Zielkanal auf und wäre im Sinne einer - hier nicht näher erläuterten Modellbildung - ein interessanter Kandidat für ein einfaches statisches Modell. Der Kanal x7 weist im Gegensatz dazu eine völlig andere Dynamik als xio auf und wäre daher wenig für eine Modellbildung geeignet.
Durch diesen Verfahrensschritt wurde die Messdatenmatrix auf 4,4% der ursprünglichen Datenmenge reduziert.
Die resultierende Messdatenmatrix ist die Basis für eine anschließende Bildung mindestens eines Modells für den Zielkanal. Ein der Anlage zugeordneter Prozessrechner berechnet anhand aktuell ermittelter Messdaten der Anlage und des generierten Modells einen simulierten Zielkanal, welcher für den Vergleich zwischen dem simulierten und dem gemessenen Zielkanal verwendet wird. Bei signifikanten Abweichungen zwischen diesen beiden Kanälen, wird eine Warnung bzw. eine Fehlermeldung generiert. Besonders umfassend lässt sich die Detektion von Fehlzuständen einer Anlage dann durchführen, wenn nicht nur ein Modell eines Zielkanals erstellt wird, sondern für unterschiedliche Zielkanäle jeweils mindestens 1 Modell für den jeweiligen Zielkanal gebildet wird und dabei gebildete Modelle bei der FD verwendet werden. Weiterführende Schritte, wie z.B. die Identifikation oder die Isolierung von Fehlern, können z.B. der Veröffentlichung
H. Efendic, A. Schrempf und L. del Re. Data based fault isolation in complex measurement Systems using modeis on demand. Präsentiert bei der Safeprocess Conference, Juni, 2003. Washington, DC, USA.
entnommen werden. Fig. 14 zeigt in einem Flussdiagramm die wichtigsten Verfahrensschritte bei der Vorbehandlung der Messdaten. Hierbei werden mindestens zwei Kanäle von Messdaten (z.B. von unterschiedlichen Sensoren, wie Druck-, Temperatur-, Geschwindigkeits- oder Kraftsensoren) einer Anlage der Eisenoder Stahlindustrie mittels eines Messdatenerfassungssystems aufgenommen und abgespeichert. Nach der Definition eines Zielkanals aus den Kanälen von Messdaten, werden die ursprünglich vorliegenden Messdaten (1) bei der Vorbehandlung der Messdaten (7) nacheinander den Verfahrensschritten
- Detektion und Eliminierung von „Null-Kanälen" (2) Detektion und Eliminierung von Ausreißern (3)
- Filterung (4) Downsampling (5) unterzogen, wodurch die Datenmenge der resultierenden Messdaten (6), dh. die Anzahl der Kanäle der Messdaten und/oder die Anzahl der Messwerte bzw. Messpunkte pro Kanal, stark reduziert wird, was sich wiederum positiv auf die nachfolgenden Schritte der FD - messdatenbasierte Bildung mindestens eines Modells des Zielkanals
- Verwendung des so generierten Modells und aktuell ermittelter Messdaten zur Detektion von Fehlzuständen der Anlage auswirkt.

Claims

Patentansprüche
1. Verfahren zum Überwachen von Anlagen, insbesondere komplexe Anlagen der Eisen- und Stahlindustrie, mit den Schritten Aufnehmen von mindestens zwei Kanälen von Messdaten einer Anlage, gegebenenfalls Abspeichern der Messdaten, Definition eines Zielkanals aus den Messdaten, Vorbehandlung der Messdaten, messdatenbasierte Bildung mindestens eines Modells des Zielkanals und Verwendung des so generierten Modells und aktuell ermittelter Messdaten zur Detektion von Fehlzuständen der Anlage, dadurch gekennzeichnet, dass die Messdaten bei der Vorbehandlung der Messdaten den Verfahrensschritten
- Detektion und Eliminierung von „Null-Kanälen"; - Detektion und Eliminierung von Ausreißern;
- Filterung;
- Downsampling; unterzogen werden.
2. Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass die Messdaten bei der Vorbehandlung der Messdaten den Verfahrensschritte in der Reihenfolge Detektion und Eliminierung von „Null-Kanälen", Detektion und Eliminierung von Ausreißer, Filterung und Downsampling unterzogen werden.
3. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die Messdaten, vorzugsweise nach dem Downsampling, einer Detektion von stationären Bereichen und Eliminierung von nicht-stationären Bereichen unterzogen werden .
4. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass für unterschiedliche Zielkanäle die Schritte Definition eines Zielkanals aus den Messdaten, Vorbehandlung der Messdaten und messdatenbasierte Bildung mindestens eines Modells des Zielkanals pro Zielkanal jeweils mindestens 1 Mal durchgeführt werden und dabei gebildete Modelle bei der Detektion von Fehlzuständen der Anlage verwendet werden.
5. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass für unterschiedliche Zielkanäle die Schritte Definition eines Zielkanals aus den Messdaten, Vorbehandlung der Messdaten und messdatenbasierte Bildung mindestens eines Modells des Zielkanals auf zumindest einem Prozessrechner parallel durchgeführt werden.
6. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die Detektion und Eliminierung von Ausreißern einen univariaten und gegebenenfalls einen multivariaten Schritt enthält.
7. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die Filterung der Messdaten durch einen Median Filter erfolgt.
8. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass das Downsampling der Messdaten unter Berücksichtigung der Transinformation zwischen einem Kanal vor und nach dem Downsampling erfolgt.
9. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die Detektion von stationären Bereichen und Eliminierung von nicht-stationären Bereichen unter Berücksichtigung von statistischen Kennzahlen für die Variabilität erfolgt.
10. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die Messdaten, bevorzugt nach dem Downsampling oder der Detektion von stationären Bereichen und Eliminierung von nicht-stationären Bereichen, einer Detektion und Eliminierung von redundanten Kanälen unterzogen werden .
PCT/EP2009/058406 2008-07-04 2009-07-03 Verfahren zur überwachung einer industrieanlage WO2010000836A1 (de)

Priority Applications (2)

Application Number Priority Date Filing Date Title
EP09772536A EP2297623A1 (de) 2008-07-04 2009-07-03 Verfahren zur überwachung einer industrieanlage
US13/002,542 US20110106289A1 (en) 2008-07-04 2009-07-07 Method for monitoring an industrial plant

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
AT0106008A AT507019B1 (de) 2008-07-04 2008-07-04 Verfahren zur überwachung einer industrieanlage
ATA1060/2008 2008-07-04

Publications (1)

Publication Number Publication Date
WO2010000836A1 true WO2010000836A1 (de) 2010-01-07

Family

ID=41010455

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2009/058406 WO2010000836A1 (de) 2008-07-04 2009-07-03 Verfahren zur überwachung einer industrieanlage

Country Status (4)

Country Link
US (1) US20110106289A1 (de)
EP (1) EP2297623A1 (de)
AT (1) AT507019B1 (de)
WO (1) WO2010000836A1 (de)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8577298B2 (en) * 2011-06-20 2013-11-05 Lockheed Martin Corporation Multi-element magnetic receiver for interference suppression and signal enhancement
US9378256B2 (en) * 2013-11-15 2016-06-28 Ut-Battelle, Llc Industrial geospatial analysis tool for energy evaluation
US10394897B2 (en) 2015-09-11 2019-08-27 International Business Machines Corporation Visualization of serial processes
US9928625B2 (en) 2015-11-19 2018-03-27 International Business Machines Corporation Visualizing temporal aspects of serial processes
CN110928263B (zh) * 2019-12-17 2022-10-28 中国人民解放军火箭军工程大学 一种预先考虑动态关系的复杂过程的故障检测方法及系统
CN111597225B (zh) * 2020-04-21 2023-10-27 杭州安脉盛智能技术有限公司 一种基于分段瞬态识别的自适应数据缩减方法
CN113221955B (zh) * 2021-04-15 2022-06-28 哈尔滨工程大学 一种针对反应堆物理分析中高维输入参数的不确定性传播方法
CN114296410B (zh) * 2021-12-22 2023-08-08 中国长江电力股份有限公司 一种自适应的多源缓变量选控方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020183971A1 (en) * 2001-04-10 2002-12-05 Wegerich Stephan W. Diagnostic systems and methods for predictive condition monitoring
WO2006107933A1 (en) * 2005-04-04 2006-10-12 Fisher-Rosemount Systems, Inc. Statistical processing methods used in abnormal situation detection
US20070028220A1 (en) * 2004-10-15 2007-02-01 Xerox Corporation Fault detection and root cause identification in complex systems

Family Cites Families (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4497059A (en) * 1982-04-28 1985-01-29 The Charles Stark Draper Laboratory, Inc. Multi-channel redundant processing systems
US4573358A (en) * 1984-10-22 1986-03-04 Westinghouse Electric Corp. Turbine blade vibration detection apparatus
US4827943A (en) * 1986-09-23 1989-05-09 Advanced Medical Technologies, Inc. Portable, multi-channel, physiological data monitoring system
US5717325A (en) * 1994-03-24 1998-02-10 Massachusetts Institute Of Technology Multiprocessing transient event detector for use in a nonintrusive electrical load monitoring system
EP1097439B1 (de) * 1998-06-22 2004-03-03 Martin Dr. Daumer Verfahren und vorrichtung zur erkennung von driften, sprüngen und/oder ausreissern von messwerten
FR2807855B1 (fr) * 2000-04-18 2003-10-24 Kurtosis Ingenierie Procede et dispositif d'analyse d'un reseau de conducteurs
US6556956B1 (en) * 2000-06-30 2003-04-29 General Electric Company Data acquisition unit for remote monitoring system and method for remote monitoring
US20050130321A1 (en) * 2001-04-23 2005-06-16 Nicholson Jeremy K. Methods for analysis of spectral data and their applications
JP3832281B2 (ja) * 2001-06-27 2006-10-11 日本電気株式会社 外れ値ルール生成装置と外れ値検出装置、その外れ値ルール生成方法と外れ値検出方法及びそのプログラム
US7194369B2 (en) * 2001-07-23 2007-03-20 Cognis Corporation On-site analysis system with central processor and method of analyzing
US6839660B2 (en) * 2002-04-22 2005-01-04 Csi Technology, Inc. On-line rotating equipment monitoring device
US6915237B2 (en) * 2002-05-14 2005-07-05 Analysis And Measurement Services Corporation Integrated system for verifying the performance and health of instruments and processes
US20060074598A1 (en) * 2004-09-10 2006-04-06 Emigholz Kenneth F Application of abnormal event detection technology to hydrocracking units
US7769561B2 (en) * 2005-12-01 2010-08-03 Siemens Corporation Robust sensor correlation analysis for machine condition monitoring
US7761172B2 (en) * 2006-03-21 2010-07-20 Exxonmobil Research And Engineering Company Application of abnormal event detection (AED) technology to polymers
JP4413915B2 (ja) * 2006-12-13 2010-02-10 株式会社東芝 異常兆候検出装置および方法
US7827006B2 (en) * 2007-01-31 2010-11-02 Fisher-Rosemount Systems, Inc. Heat exchanger fouling detection

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020183971A1 (en) * 2001-04-10 2002-12-05 Wegerich Stephan W. Diagnostic systems and methods for predictive condition monitoring
US20070028220A1 (en) * 2004-10-15 2007-02-01 Xerox Corporation Fault detection and root cause identification in complex systems
WO2006107933A1 (en) * 2005-04-04 2006-10-12 Fisher-Rosemount Systems, Inc. Statistical processing methods used in abnormal situation detection

Also Published As

Publication number Publication date
US20110106289A1 (en) 2011-05-05
EP2297623A1 (de) 2011-03-23
AT507019A1 (de) 2010-01-15
AT507019B1 (de) 2011-03-15

Similar Documents

Publication Publication Date Title
WO2010000836A1 (de) Verfahren zur überwachung einer industrieanlage
EP0789861B1 (de) Verfahren zur analyse von prozessdaten einer technischen anlage
DE102011108678B4 (de) Ereignisgesteuertes Datamining-Verfahren zum Verbessern von Fehlercodeeinstellungen und zum Isolieren von Fehlern
DE69908620T2 (de) Multidimensionales verfahren und system für statistische prozessteuerung
EP2604478B2 (de) Verfahren zur erkennung von funktionsfehlern einer multisensoranordnung
DE102012103652A1 (de) Verfahren, Computerprogramm und System zur Durchführung der Interpolation bei Sensordaten zur Erzielung einer hohen Systemverfügbarkeit
DE102006048430A1 (de) Verfahren zur Wartungsvorhersage einer Maschine
EP3282399B1 (de) Verfahren zur verbesserten erkennung von prozessanomalien einer technischen anlage sowie entsprechendes diagnosesystem
EP1892597A1 (de) Zustandsüberwachung von Maschinen und technischen Anlagen
EP0789864B1 (de) Überwachungssystem für eine technische anlage
DE102018009309A1 (de) Numerisches Steuergerät
EP3876060B1 (de) Verfahren und recheneinheit zur ursachenanalyse eines anomalen zustandes einer maschine
DE102014223810A1 (de) Verfahren und Assistenzsystem zur Erkennung einer Störung in einer Anlage
WO2017103093A1 (de) Verfahren zum überwachen von mindestens zwei redundanten sensoren
DE202017005070U1 (de) Computersystem und Computerprogramm zur computerimplementierten Erkennung von Anomalien in Ereignisströmen
EP2476031B1 (de) Verfahren zum überwachen einer walze in einer anlage zum walzen von metall
EP3786853A1 (de) Komprimieren eines tiefen neuronalen netzes
WO2018178196A1 (de) Verfahren zur bestimmung einer schädigungsmassunsicherheit eines kraftfahrzeugs
EP3835900B1 (de) Verfahren und vorrichtung zur prüfung von werkstücken
EP3065015B1 (de) Diagnoseeinrichtung und -verfahren zur überwachung des betriebs von regelkreisen
EP1189126A2 (de) Verfahren zum Überwachen einer Anlage
EP1157317B1 (de) Verfahren und anordnung zur reduktion einer anzahl von messwerten eines technischen systems
EP3120203B1 (de) Vorrichtung sowie verfahren zur fehlererkennung in maschinen
DE102018116048B4 (de) Diagnose von möglichen Ursachen für Veränderungen an einem Stellventil
DE102019214009B3 (de) Analyse von Sensormessdaten eines Roboters oder Manipulators

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 09772536

Country of ref document: EP

Kind code of ref document: A1

DPE1 Request for preliminary examination filed after expiration of 19th month from priority date (pct application filed from 20040101)
WWE Wipo information: entry into national phase

Ref document number: 2009772536

Country of ref document: EP

WWE Wipo information: entry into national phase

Ref document number: 13002542

Country of ref document: US

NENP Non-entry into the national phase

Ref country code: DE