CH697716A2 - Verfahren zur Aggregation von Anomalien. - Google Patents

Abstract

Es wird ein Verfahren zum Aggregieren anomaler Werte bereitgestellt. Das Verfahren umfasst das Erfassen betrieblicher Daten von mindestens einer Maschine und das Berechnen mindestens einer aussergewöhnlichen Anomalie-Punktwertung aus den betrieblichen Daten. Die aussergewöhnlichen Anomalie-Punktwertungen können dann aggregiert werden, um akute oder chronische anomale Werte zu identifizieren.

Description

  Allgemeiner Stand der Technik

[0001] Die im vorliegenden Text beschriebenen Systeme und Verfahren betreffen allgemein das Aggregieren anomaler Werte. Genauer gesagt, betreffen die Systeme und Verfahren statistische Techniken zum Aggregieren bereichsexterner (d.h. anomaler) technischer oder betrieblicher Daten im Vergleich zu kleinen Mengen verwandter technischer oder betrieblicher Daten.

[0002] Beim Betrieb und der Wartung von Energieerzeugungsanlagen (zum Beispiel Turbinen, Kompressoren, Generatoren usw.) werden Sensormesswerte, die verschiedenen Attributen der Maschine entsprechen, empfangen und gespeichert.

   Diese Sensormesswerte werden oft "Bezeichner" ("Tags") genannt, und es gibt viele Arten von Bezeichnern (zum Beispiel Schwingungs-Bezeichner, Wirkungsgrad-Bezeichner, Temperatur-Bezeichner, Druck-Bezeichner usw.).

[0003] Die genaue Überwachung dieser Bezeichner im zeitlichen Verlauf ist überaus nützlich für das Verstehen von Maschinenverschlechterungscharakteristika (z.B. interne Schäden an Einheiten, Kompressorereignisse, planmässige im Verhältnis zu unplanmässigen Trips). Zum Beispiel können (im zeitlichen Verlauf) ansteigende Werte von Rotorschwingungen in einem Kompressor ein Hinweis auf ein schwerwiegendes Problem sein. Eine bessere Kenntnis der Verschlechterung von Maschinen verbessert auch die Störungsdiagnosefähigkeiten mittels eines Satzes eingebauter Regeln oder Alarme, die als Leitindikatoren für Maschinenereignisse dienen.

   Durch das gleichzeitige Anzeigen aller Bezeichner-Anomalien zusammen mit den konstruktiv vorgesehenen Regeln/Alarmen macht die Maschinenüberwachung und -diagnose sowie die Aufstellung neuer Regeln/Alarme überaus effizient und effektiv. Personen, die für die Überwachung und Diagnose verantwortlich sind, können ihre unmittelbare Aufmerksamkeit auf kritische Abweichungen richten.

[0004] Jedoch gibt es eine beträchtliche Menge an Rauschen in den Sensordaten. Um Rauschen zu entfernen und Beobachtungen im zeitlichen Verlauf oder zwischen Maschinen vergleichbar zu machen, müssen viele verschiedene Korrekturen vorgenommen werden, und viele verschiedene Steuerungsfaktoren müssen verwendet werden.

   Doch selbst dann ist es noch überaus schwierig, gleichzeitig viele Bezeichner zu überwachen (es kann mehrere hundert bis Tausende von Bezeichnern geben) und die Anomalien in den Daten zu diagnostizieren.

[0005] Das Entfernen des Rauschens aus Daten und das Erfassen oder Identifizieren von Anomalien in einem brauchbaren Format (zum Beispiel Grössenordnung und Richtung) und das anschliessende Verwenden dieser Anomalie-Informationen bei der Regel- oder Modellerstellung ist ein benötigter Prozess in vielen verschiedenen Unternehmen, Technologien und Gebieten. In technischen Anwendungen widmen sich in der Regel Überwachungs- und Diagnoseteams dem Problem routinemässig und ad-hoc über Steuerungsdiagramme, Histogramme und Streudiagramme.

   Jedoch erfordert dieser Lösungsansatz eine subjektive Einschätzung, ob ein bestimmter Bezeichner anomal hoch oder niedrig ist.

[0006] Es gibt bekannte statistische Techniken, darunter Z-Punktwertungen, zum Bewerten des Grades, in dem ein bestimmter Wert in einer Gruppe ein Ausreisser, das heisst anomal, ist. Typische Z-Punktwertungen basieren auf einer Berechnung des Mittels und der Standardabweichung einer Gruppe.

   Obgleich eine Z-Punktwertung für die Beurteilung des Grades, in dem eine einzelne Beobachtung in einer gut gefüllten Gruppe anomal ist, effektiv sein kann, hat sich gezeigt, dass Z-Punktwertungen ihre Effektivität als ein Hinweis auf eine Anomalie verlieren, wenn sie in Verbindung mit Datenmengen verwendet werden, die nur eine kleine Anzahl von Werten enthalten.

[0007] Bei der Berechnung von Anomalie-Punktwertungen ist es oft der Fall, dass es nur einige wenige Werte gibt, mit denen gearbeitet werden kann. Wenn man zum Beispiel eine Maschine (zum Beispiel eine Turbine) mit einer Menge von gleichwertigen Maschinen (zum Beispiel ähnlichen Turbinen) vergleicht, so ist es oft der Fall, dass es schwierig ist, mehr als eine Handvoll Maschinen zu identifizieren, die zu Recht als der Zielmaschine gleichwertig angesehen werden können.

   Darüber hinaus ist es oft wünschenswert, die Leistung von Maschinen zu bewerten, die möglicherweise erst eine begrenzte Zeit mit der aktuellen Konfiguration in Betrieb sind. Infolge dessen ist es oft nicht wünschenswert oder exakt, standardmässige z-Punktwertungen als eine Messung von Anomalie-Punktwertungen zu verwenden, da standardmässige z-Punktwertungen bei kleinen Datenmengen nicht verlässlich sind.

[0008] Dementsprechend besteht auf diesem technischen Gebiet Bedarf an einem Prozess, einem Verfahren und/oder einem Werkzeug, das auf einfache Weise Anomalien, die bei verschiedenen Arten von Energieerzeugungsanlagen auftreten, identifizieren, quantifizieren und anzeigen kann.

   Des Weiteren sollten dieser Prozess, dieses Verfahren und/oder dieses Werkzeug es ermöglichen, Anomalie-Informationen in aussagekräftige Erkenntnisse, wie zum Beispiel Leitindikatoren zu interessierenden Ereignissen, umzuwandeln.

Kurzdarstellung der Erfindung

[0009] Es wird ein Verfahren zum Identifizieren eines anomalen Wertes bereitgestellt. Das Verfahren umfasst das Erfassen betrieblicher Daten von mindestens einer Maschine und das Berechnen mindestens einer aussergewöhnlichen Anomalie-Punktwertung aus den betrieblichen Daten. Die aussergewöhnlichen Anomalie-Punktwertungen können dann aggregiert werden, um anomale Werte zu identifizieren.

[0010] Es wird ein Verfahren zum Aggregieren anomaler Werte bereitgestellt.

   Das Verfahren umfasst das Erfassen betrieblicher Daten von mindestens einer Maschine und das Berechnen mindestens einer aussergewöhnlichen Anomalie-Punktwertung aus den betrieblichen Daten. Die aussergewöhnlichen Anomalie-Punktwertungen können durch Berechnen mindestens einer Grössenordnungsanomalie-Messgrösse aggregiert werden. Die Grössenordnungsanomalie-Messgrösse identifiziert den Durchschnittswert der aussergewöhnlichen Anomalie-Punktwertungen über einen zuvor festgelegten Zeitraum hinweg. Die aussergewöhnlichen Anomalie-Punktwertungen können auch durch Berechnen mindestens einer Häufigkeitsanomalie-Messgrösse aggregiert werden.

   Die Häufigkeitsanomalie-Messgrösse zeigt einen Prozentsatz eines jeden zuvor festgelegten Zeitraums an, der anomale Werte aufweist.

Kurze Beschreibung der Zeichnungen

[0011] 
<tb>Fig. 1<sep>ist eine Kappungstabelle für aussergewöhnliche Anomalie-Punktwertungen.


  <tb>Fig. 2<sep>veranschaulicht die deskriptive Statistik der aussergewöhnlichen Anomalie-Punktwertungen.


  <tb>Fig. 3<sep>ist ein Kurvendiagramm, das die Umwandlung zwischen den Kappungswerten und den Anomalieverteilungsprozentsätzen auf der Basis der empirischen Ergebnisse für die Z-Innerhalb-Werte (Z-Withins) veranschaulicht.


  <tb>Fig. 4<sep>veranschaulicht die Verteilung der Z-Innerhalb-Werte.


  <tb>Fig. 5<sep>veranschaulicht die Verteilung der Z-Zwischen-Werte (Z-Between).


  <tb>Fig. 6<sep>veranschaulicht den Wert von Z-Innerhalb im zeitlichen Verlauf für zwei separate Maschinen.


  <tb>Fig. 7<sep>veranschaulicht den Wert von Z-Innerhalb im zeitlichen Verlauf für einunddreissig separate Maschinen.


  <tb>Fig. 8<sep>veranschaulicht die Werte des täglichen absoluten Durchschnitts und der prozentualen Anomalie-Punktwertungen im zeitlichen Verlauf.


  <tb>Fig. 9<sep>veranschaulicht ein Kurvendiagramm einer Menge von Daten von maximalen perzentilen Z-Zwischen-Werten und maximalen perzentilen Z-Innerhalb-Werten.


  <tb>Fig. 10<sep>veranschaulicht eine Tabelle der täglichen Grössenordnungs- und Häufigkeits-Anomalie-Punktwertungen und der täglichen Perzentile für Z-Zwischen-Werte und Z-Innerhalb-Werte.


  <tb>Fig. 11<sep>veranschaulicht eine Heatmap, die aus mehreren Zeilen und Spalten besteht. Die Spalten der Heatmap repräsentieren Zeiträume, und die Zeilen repräsentieren interessierende Messwerte, wie z.B. Schwingungs- und Leistungsmessungen.


  <tb>Fig. 12<sep>veranschaulicht eine weitere Heatmap, die eine Momentaufnahme einer beispielhaften Maschine über einen 24-Stunden-Zeitraum zeigt.

Detaillierte Beschreibung der Erfindung

[0012] Bei der Überwachung und Diagnose (Ü&D) ist das Beseitigen von Rauschen aus Daten ein Schlüsselkonzept. Es wird nicht-trivial, wenn es viele Variablen gibt, die gleichzeitig in jeder Sekunde überwacht werden müssen, und das gilt noch mehr, wenn eine Zustandsanpassung (z.B. Temperatur, Betriebsmodus, Druck usw.) erforderlich ist. Im vorliegenden Text werden ein Anomaliedetektions- und -aggregationsprozess und ein Heatmap-Werkzeug beschrieben, die für die Überwachung und Diagnose in hohem Masse nutzbringend und revolutionär sind.

   Der Prozess, das Verfahren und das Werkzeug, wie sie durch die vorliegende Erfindung verkörpert werden, sind besonders nutzbringend, wenn sie auf Energieerzeugungsanlagen, wie z.B. Kompressoren, Generatoren und Turbinen, Anwendung finden. Allerdings können der Prozess, das Verfahren und das Werkzeug auf jede Maschine oder jedes System angewendet werden, die überwacht werden müssen. Andere Maschinen, die mit der vorliegenden Erfindung verwendet werden können, sind Gasturbinen, hydroelektrische Turbinen, Dampfturbinen, mit Biobrennstoffen betriebene Turbinen, Windturbinen, Verbrennungsmotoren, mit fossilen Brennstoffen betriebene Generatoren (Gensets) und Lokomotiven. Der Prozess, das Verfahren und das Werkzeug umfassen fünf Hauptmerkmale:
(1) : Berechnen aussergewöhnlicher Anomalie-Punktwertungen (AAP) für technische Daten, (z.B. betriebliche Sensordaten).

   Aussergewöhnliche Anomalie-Punktwertungen quantifizieren bereichsexterne Daten im Vergleich zu kleinen Mengen verwandter Daten. AAP ist der Z-Punktwertung und der Steuerungsdiagramm-Statistik beim Identifizieren anomaler Beobachtungen überlegen.
(2) : Erzeugen mehrerer Empfindlichkeitseinstellungen für die aussergewöhnlichen Anomalie-Punktwertungen, so dass die Nutzer definieren können, welchen Prozentsatz der Daten sie effektiv und effizient über eine bestimmte Menge von Bezeichnern und Zeitpunkten hinweg überwachen können. Darüber hinaus können diese verschiedenen Empfindlichkeitseinstellungen zum Hinzufügen von Diagnosemassnahmen (z.B.

   Alarmerzeugung) verwendet werden.
(3) : Bereitstellung von Methodologien zum Aggregieren verschiedener anomaler Beobachtungen mit verschiedenen Datenauflösungen (zum Beispiel stündlich im Verhältnis zu täglichen anomalen Beobachtungen). Diese verschiedenen anomalen Beobachtungen können miteinander verknüpft und zueinander übertragen werden. Eine anomale stündliche Beobachtung kann sich bis zu einer täglichen anomalen Beobachtung ausbreiten.
(4) : Erzeugen von Alarmen. Diese Alarme sind auf Regeln basierende Auslöser, die durch den Endnutzer definiert werden können oder auf der Grundlage analytischer Mittel erzeugt werden können, um Ereignisse (z.B. Kompressorereignisse) mit Vorlaufzeit zu identifizieren. Alarme basieren auf aussergewöhnlichen Anomalie-Punktwertungen und unverarbeiteten Sensordaten.

   Alarme können auch Empfindlichkeitseinstellungsjustierungen und Aggregationseigenschaften von aussergewöhnlichen Anomalie-Punktwertungen verwenden.
(5) : Erzeugen von Heatmaps, die Daten in Erkenntnisse umwandeln. Eine Heatmap ist ein Werkzeug zum Sichtbarmachen der Detektion von Ausreissern, das an jeder spezifizierten Maschineneinheit für eine grosse Anzahl ausgewählter Bezeichner über viele verschiedene Zeitpunkte hinweg ausgeführt werden kann. Eine Heatmap veranschaulicht die Anomalie-Intensität und die Richtung einer "Zielbeobachtung". Eine Heatmap kann auch eine visuelle Veranschaulichung von Alarmen enthalten und richtet die unmittelbare Aufmerksamkeit auf Brennpunkt-Sensorwerte für eine bestimmte Maschine.

   Heatmaps können auch einen Vergleich zu einer Peer-Analyse herstellen, was es dem Betriebsteam ermöglicht, Vorauseiler und Nachzügler zu identifizieren sowie Marketing-Chancen aus der Bewegung heraus mit grosser Genauigkeit über verschiedene Zeitmassstäbe (z.B. je Sekunde, Minute, Stunde, Tag usw.) hinweg zu erkennen.

Berechnen aussergewöhnlicher Anomalie-Punktwertungen

[0013] Um Einheit/Maschinen- und Umgebungsveränderungen zu berücksichtigen und zu bestimmen, ob ein bestimmter Wert für einen Bezeichner für eine Zieleinheit ausserhalb eines erwarteten Bereichs liegt (d h. anomal ist) oder nicht, können Kontextinformationen verwendet werden, um eine Basis für die Analyse der Bezeichner-Daten der Zieleinheit zu bilden. Diese Kontextinformationen können zwei Hauptquellen entnommen werden: der früheren Leistung der Zieleinheit und der Leistung der Peers der Zieleinheit.

   Durch Verwenden solcher Kontextinformationen zum Quantifizieren des typischen Veränderungsbetrages innerhalb der Gruppe oder innerhalb der eigenen Leistung der Einheit ist es möglich, systematisch und streng die momentanen Bezeichner-Daten mit Kontext-Daten zu vergleichen und die Menge der anomalen Daten in den Bezeichner-Werten der Zieleinheit exakt einzuschätzen.

[0014] Wie oben angesprochen, werden Kontextinformationen verwendet, um den Grad richtig zu bewerten, in dem ein bestimmter Bezeichner anomal ist. Um eine effektive Bewertung zu erhalten, müssen die Kontextdaten richtig ausgewählt werden. Beim Auswählen der entsprechenden Kontextdaten über den Zeitbereich ist es allgemein wünschenswert, sich die Daten anzusehen, die dem interessierenden Zeitraum am nächsten liegen.

   Da der interessierende Zeitraum in der Regel die jüngsten verfügbaren Daten betrifft, ist der entsprechende zu betrachtende Zeitbereich eine Sequenz der jüngsten verfügbaren Daten für die Einheit - z.B. die Daten, die den letzten zwei Kalenderwochen entsprechen. Dies mindert den Einfluss jahreszeitlicher Faktoren.

[0015] Die richtigen Kontextdaten, um das Verhalten der Gruppe und der Gesamtumgebung zu berücksichtigen, findet man durch Verwenden einer entsprechenden Gruppe von Einheiten, die der Zieleinheit "gleichwertig" (Peers) sind. Zum Beispiel wird eine Gruppe von Turbinen mit der gleichen Rahmengrösse und innerhalb derselben geografischen Region ausgewählt, um als die entsprechende Peer-Gruppe für die Zielturbine zu fungieren.

[0016] Ausser den oben angesprochenen Kontextüberlegungen enthalten Kontextdaten auch vergleichbare Betriebszustände.

   Für diese Implementierung, und lediglich als ein Beispiel, können vergleichbare Betriebszustände so definiert werden, dass damit beliebige Zeiträume in der Vergangenheit gemeint sind, wo die Einheit die gleichen OPMODE-, DWATT- und CTIM-Werte innerhalb eines Fensters von 10 hat. OPMODE kann als der Betriebsmodus definiert werden (z.B. langsames Starten, Höchstleistung, 50% Leistung usw.). DWATT kann eine Messgrösse für die Leistung sein (zum Beispiel Megawatt Leistung). CTIM kann als eine Temperaturmessgrösse definiert werden (z. B. Einlasstemperatur). Wenn zum Beispiel der Zielbeobachtungswert von OPMODE gleich 1 ist und DWATT gleich 95 ist, so brauchten nur die historischen Zeiträume verwendet zu werden, wo OPMODE = 1 und DWATT zwischen 90 und 100 lag.

   Diese vergleichbaren Betriebszustände werden als Teil der Systemkonfiguration definiert.

[0017] Durch Herstellen des entsprechenden Kontexts, sowohl im Hinblick auf Zeit, Geografie, Rahmengrösse und Betriebszustände, kann die Notwendigkeit einer subjektiven Einschätzung, ob ein bestimmter Bezeichner anomal hoch oder niedrig ist, vermieden werden, und es können objektive und automatische Berechnungen angestellt werden, um Anomalien zu detektieren und zu quantifizieren. Um die aussergewöhnlichen Anomalie-Punktwertungen für Z-Innerhalb (Z-Within) (Vergleich zu früher) zu berechnen, können wir 10-15 historische Beobachtungen heranziehen, wo die Einheit unter vergleichbaren Bedingungen (wie oben definiert) arbeitete. Diese historischen Beobachtungen können verwendet werden, um einen Durchschnitt und eine Standardabweichung zu berechnen.

   Es kann dann die Z-Punktwertung der Zielbeobachtung unter Verwendung des Durchschnitts und der Standardabweichung der historischen Beobachtungen berechnet werden. Die kleinste und die grösste Anzahl an Beobachtungen, die für die Berechnung der aussergewöhnlichen Anomalie-Punktwertung für Z-Innerhalb verwendet wird, sind als Teil der Systemkonfiguration definiert. Z-Innerhalb bildet einen Vergleich des augenblicklichen Betriebszustandes einer bestimmten Maschine mit den früheren Betriebszuständen der Maschine. Die Gleichung, die für die Berechnung von Z-Innerhalb verwendet wird, kann allgemein folgende Form haben:
 <EMI ID=2.0> 

[0018] Für jede Einheit können bis zu 8 oder mehr weitere Einheiten mit der gleichen Rahmengrösse mit ähnlichen Konfigurationen und in derselben geografischen Region als Peers identifiziert werden.

   Die aussergewöhnliche Anomalie-Punktwertung für Z-Zwischen (Z-Between) ist ein Hinweis darauf, wie sehr sich eine bestimmte Einheit oder Maschine von ihren Peers unterscheidet. Zum Beispiel wird eine Gasturbine mit einem F-Rahmen mit anderen ähnlichen Gasturbinen mit einem F-Rahmen verglichen. Um die aussergewöhnliche Anomalie-Punktwertung für Z-Zwischen (Vergleich mit Peers) zu berechnen, kann man die jüngste Einzelbeobachtung von jedem der Peers auswählen, wo der Peer in einem vergleichbaren Zustand (wie oben definiert) arbeitete. Das führt zu bis zu 8 oder mehr Peer-Beobachtungen, mit denen sich ein Durchschnitt und eine Standardabweichung berechnen lassen. Die Z-Punktwertung der Zieleinheit, die den Durchschnitt und die Standardabweichung der Peer-Gruppe verwendet, kann dann berechnet werden.

   Die kleinste und die grösste Anzahl an Beobachtungen, die für die Berechnung von aussergewöhnlichen Anomalie-Punktwertungen für Z-Zwischen verwendet wird, sind als Teil der Systemkonfiguration definiert. Die zum Berechnen von Z-Zwischen verwendete Gleichung kann allgemein folgende Form haben:
 <EMI ID=3.0> 

[0019] Es ist zu beachten, dass es der Fall ist, dass ein Wert entweder anomal hoch oder anomal niedrig sein kann. Zwar gibt es im Allgemeinen eine bestimmte Richtung, die als der bevorzugte Trend bei einem Wert anerkannt ist (zum Beispiel ist es generell besser, niedrige Schwingungen als hohe Schwingungen zu haben), doch es versteht sich, dass diese Technik dafür ausgelegt ist, Anomalien ungeachtet ihrer Polarität zu identifizieren und zu quantifizieren. Bei dieser Implementierung gibt die Richtung nicht die "Güte" oder "Schlechtheit" des Wertes an.

   Vielmehr stellt sie die Richtung der Anomalie dar. Wenn die aussergewöhnliche Anomalie-Punktwertung eine hohe negative Zahl im Vergleich zu früher ist, so bedeutet das, dass der Wert im Vergleich zur Vergangenheit der Einheit ungewöhnlich niedrig ist. Wenn die aussergewöhnliche Anomalie-Punktwertung eine hohe positive Zahl ist, so bedeutet das, dass der Wert im Vergleich zur Vergangenheit der Einheit ungewöhnlich hoch ist. Die Interpretation ist für Peer-Anomalie-Punktwertungen ähnlich. Die Anomalie-Richtung der einzelnen Bezeichner kann als Teil der Systemkonfiguration definiert sein.

[0020] Durch Verwenden dieser Techniken zum Detektieren von Anomalien können Alarme erzeugt werden.

   Ein Alarm kann eine auf Regeln basierende Kombination von Bezeichner-Werten im Vergleich zu speziell anpassbaren Schwellen sein.

Erzeugen mehrerer Empfindlichkeitseinstellungen

[0021] Für aussergewöhnliche Anomalie-Punktwertungen kann eine Umwandlung zwischen den Werten und den prozentualen Endenberechnungen ausgeführt werden. Genauer gesagt, entspricht ein Bereich von Grössenordnungen von aussergewöhnlichen Anomalie-Punktwertungen einem Bereich von Prozentsätzen der Anomalieverteilung vor dem Hintergrund der Verteilung der unverarbeiteten Messgrösse. Mittels dieser Umwandlung kann ein Analytiker die Kappungswerte der aussergewöhnlichen Anomalie-Punktwertung auswählen, die "Alarme" oder "rote Fähnchen" für die unverarbeiteten Messwerte anzeigen.

   Ausserdem erhöht sie die Benutzerfreundlichkeit für den Endnutzer, der frei entscheiden kann, welcher Prozentsatz hoch genug ist, um als eine "Anomalie" bezeichnet zu werden. Des Weiteren kann über diese Umwandlung die "Anomalie"-Definition auf einfache Weise von Anwendung zu Anwendung, von Unternehmen zu Unternehmen oder von Messgrösse zu Messgrösse nach Bedarf verändert werden.

[0022] Fig. 1 (Kappungstabelle für eine aussergewöhnliche Anomalie-Punktwertung) ist eine Umwandlungstabelle, die verwendet werden kann, wenn die unverarbeitete Messgrösse normal verteilt ist und die Anomalie-Definition zweiendig ist (d.h. sowohl die hohe als auch die niedrige Grössenordnung der unverarbeiteten Messgrösse würden anomale Bereiche aufweisen, die den Endnutzer interessieren).

   Wenn zum Beispiel die Stichprobengrösse 8 ist (Zeile 110) und angenommen wird, dass die unverarbeitete Messgrösse normal verteilt ist, so wird erwartet, dass 0,15% (Zelle 130) der Fälle unter eine aussergewöhnliche Anomalie-Punktwertung von -6 und oberhalb 6 (Spalte 120) fallen. Oder anders ausgedrückt: Wenn das Ü&D-Team die oberen 0,15% der Beobachtungen als "ausserhalb der Norm" innerhalb einer Messgrösse untersuchen will, so muss es 6 als die Punktwertungskappung wählen, weil ihre Stichprobengrösse 8 ist und Normalität angenommen wird. Diese Tabelle veranschaulicht auch die Beziehung zwischen den Z-Punktwertungen und aussergewöhnlichen Anomalie-Punktwertungen.

   Wenn die Stichprobengrösse zunimmt und wenn Normalität angenommen wird, so werden die Z-Punktwertungen und die aussergewöhnlichen Anomalie-Punktwertungen nahezu identisch.

[0023] Zum Beispiel können in einer Turbine oder einem Kompressor die Sensordaten über 300 verschiedene Bezeichner mit vielen verschiedenen Verteilungsformen umfassen. Es bedarf einer Empfindlichkeitsanalyse, um festzustellen, ob die gleichen Kappungswerte über Bezeichner hinweg verwendet werden können oder ob verschiedene Kappungswerte für verschiedene Bezeichner benötigt werden. Oder anders ausgedrückt: Wie verlässlich die Umwandlungstabellen über verschiedene Verteilungen hinweg sind, muss angesichts der hohen dimensionalen Sensordaten getestet werden.

   Obgleich verschiedene Bezeichner unterschiedliche Verteilungsformen und -massstäbe haben können, können die Z-Innerhalb- und Z-Zwischen-Punktwertungen für diese Bezeichner weniger Formenvielfalt und konstruktionsbedingt weniger Massstabsvielfalt aufweisen. Über alle Z-Innerhalb- und Z-Zwischen-Verteilungen hinweg sind natürliche Kappungen bei aussergewöhnlichen Anomalie-Punktwertungen von 2, 6, 17, 50 und 150 detektiert worden. Jedoch muss eine zusätzliche systematische empirische Studie zum Bestimmen der Kappungen und der entsprechenden Anomalieverteilungsprozentsätze durchgeführt werden.

[0024] Die aussergewöhnlichen Anomalie-Punktwertungen werden in 11 "Buckets" kategorisiert (d.h.

   (-2, 2) = Bucket0, (2, 6) = Bucket1, (6, 17) = Bucket2, (17, 50) = Bucket3, (50, 150) = Bucket4, (150 und darüber) = Bucket5, (-6, -2) = Bucket-1, (-17, -6) = Bucket-2, (-50, -17) = Bucket-3, (-150, -50) = Bucket-4, (-150 und darunter) = Bucket-5). Die Prozentsätze der Z-Innerhalb-Punktwertungen, die in jedes Bücket für jeden Bezeichner fallen, werden berechnet. Dann wird die Verteilung dieser Prozentsätze über Bezeichner hinweg für jedes Bücket gezeichnet, und die Quartile sowie der 95%-ige Vertrauensbereich für den Median werden berechnet.

[0025] Fig. 2 veranschaulicht die deskriptive Statistik für die Anomalie-Punktwertungen und ist ein Beispiel dieser Berechnungen im Bucket5. Die Region 210 ist ein Histogramm und zeigt die Verteilung der Wahrscheinlichkeits- oder Prozentsatzwerte.

   Dies sind die Wahrscheinlichkeiten des Erhaltens einer Anomalie-Punktwertung bei oder über einer Kappung von 150 für Z-Innerhalb-Werte. Die Region 220 ist ein Boxplot-Diagramm, das wieder die Verteilungen der Wahrscheinlichkeits- oder Prozentsatzwerte für eine Anomalie-Punktwertung zeigt, die bei oder über 150 liegen. 230 veranschaulicht den 95%-igen Vertrauensbereich für das Verteilungsmittel der Wahrscheinlichkeits- oder Prozentsatzwerte. Die vertikale Linie in der Box repräsentiert den Mittelwert, und die Umgrenzungen der Box repräsentieren den kleinsten und den grössten Wert für den Vertrauensbereich. Ein weiteres Boxplot-Diagramm ist bei 240 gezeigt, und es veranschaulicht den 95%-igen Vertrauensbereich für den Verteilungsmedian der Wahrscheinlichkeits- oder Prozentsatzwerte.

   Die Linie in dieser Box repräsentiert den Medianwert, und die Umgrenzungen der Box repräsentieren den kleinsten und den grössten Werte für den Vertrauensbereich. Die in Region 250 angeführte Statistik repräsentiert einen Normalitätstest für die veranschaulichte Verteilung, die Basisstatistik wie zum Beispiel das Mittel und den Median und die Vertrauensbereiche für die Basisstatistik, die berichtet wird. Der Median für die Bucket5-Verteilung ist ungefähr 0,1%, was anzeigt, dass ungefähr 0,1% der Z-Innerhalb-Punktwertungen bei oder über einer Kappung von 150 liegen. Der 95%-ige Vertrauensbereich für den Median ist 0,07%-1,3%.

[0026] Die Berechnungen erfolgen ähnlich wie die in Fig. 2 für alle Buckets separat, somit für alle Kappungswerte für Z-Innerhalb-Werte und Z-Zwischen-Werten.

   Die Ergebnisse der Analyse zeigen an, dass ähnliche Kappungen über Bezeichner hinweg für die gegebenen Sensordaten verwendet werden können, und somit sind die Umwandlungstabellen sowie die voreingestellten Kappungen vor den Auswirkungen von Differenzen bei der Verteilung unverarbeiteter Bezeichner geschützt.

[0027] Fig. 3 zeigt die Umwandlung zwischen den Kappungswerten und den Anomalieverteilungsprozentsätzen auf der Basis der empirischen Ergebnisse für die Z-Innerhalb-Werte. Auf der Basis der empirischen Studie wird erwartet, dass ungefähr 6% der Anomalie-Punktwertungen aussergewöhnliche Anomalie-Punktwertungen zwischen 2 und 6 haben. Es ist anzumerken, dass diese erwarteten Anomalie-Prozentsätze, die auf einem echten Datensatz basieren, sehr ähnlich den Prozentsätzen sind, die auf der in Fig. 1 gezeigten Simulationsstudie basieren.

   Genauer gesagt, wird vor dem Hintergrund dieses Datensatzes erwartet, dass 6,7% der Punktwertungen über der Kappung von 2 liegen und dass 13,4% der Punktwertungen über der Kappung von 2 und unter der Kappung von -2 liegen. Gleichermassen zeigt Fig. 1, wenn die Stichprobengrössen 6 bis 7 betragen, eine Umwandlung von 12,31% bis 14,31% für die Kappungen über 2 und unter -2.

[0028] Die obigen Ergebnisse validieren die erwarteten Umwandlungen für die Kappungen der aussergewöhnlichen Anomalie-Punktwertungen angesichts echter Daten aus Sensordaten von Energieerzeugungsanlagen.

   Es wurde ein zweiter Analysesatz ausgeführt, um zu validieren, dass die vorgeschlagenen Kappungen und die entsprechenden Prozentsätze nicht nur für alle Z-Innerhalb-Werte über alle Bezeichner hinweg gültig sind, sondern auch innerhalb jedes Bezeichners, wo die Stichprobengrösse im Vergleich zu den Gesamtdaten relativ kleiner ist. Fortlaufende Z-Innerhalb-Punktwertungen wurden in eine aus 11 Kategorien bestehende ordinale Punktwertung mit den zuvor festgelegten 11 Buckets umgewandelt. Dann wurde die Verteilung der ordinalen Punktwertung für jeden Bezeichner separat gezeichnet (siehe Fig. 4).

   Wie aus dem Kurvendiagramm in Fig. 4 zu ersehen ist, haben die meisten der Bezeichner eine ähnliche Formverteilung für die ordinalen Z-Innerhalb-Punktwertungen.

[0029] Fig. 5 veranschaulicht die Verteilungen bei den ordinalen Z-Zwischen-Punktwertungen für jeden Bezeichner ähnlich wie in Fig. 4. Obgleich es einige Bezeichner mit geringfügig anderen Formen für Buckets 2, 3, -2, oder -3 gibt, sind die Formen für die Z-Zwischen-Punktwerten im Allgemeinen nicht allzu anders als die Formen für die Z-Innerhalb-Punktwertungen. Somit wird geschlussfolgert, dass die gleichen Kappungswerte über Bezeichner hinweg sowohl für Z-Innerhalb- als auch für Z-Zwischen-Punktwertungen innerhalb dieses Datensatzes verwendet werden können.

   Darüber hinaus können die Umwandlungsanomalie-Prozentsätze für die vorgeschlagenen Kappungen (d.h. 2, 6, 17, 50, 150, -2, -6, -17, -50, -150) entweder auf der Basis der empirischen Ergebnisse (siehe Fig. 3) oder auf der Basis der Simulationsstudie (siehe Fig. 1) bestimmt werden, da sie ähnliche Zahlen nahe legen.

Aggregieren verschiedener anomaler Beobachtungen

[0030] Viele Maschinen- und Anlagennutzer (zum Beispiel Kraftwerke, Turbinenbetreiber usw.) verfügen über eine Unmenge von Daten zur Überwachung & Diagnose. Vor allem aber existieren diese Daten oft in kleinen Zeiteinheiten (zum Beispiel jede Sekunde oder jede Minute).

   Obgleich ein Datenüberfluss ein Vorteil ist, sollte ihre Aggregation auf effektive Weise erfolgen, so dass Datenspeicherung und Datenüberwachung nicht problematisch werden und die Daten nach wie vor ihre nutzbringenden Erkenntnisse behalten.

[0031] Obgleich eine Aggregation in hohem Grade wünschenswert ist, bildet sie für einige Aufgaben ein Risiko. Eine Anomalie-Aggregation ist an und für sich ein Oxymoron. Alle Anomalien implizieren Spezifik und eine Konzentration auf jeden einzelnen Datenpunkt, wohingegen Aggregation eine Zusammenfassung unter Ausschluss der Spezifika und der Anomalien impliziert.

   Jedoch wird - ungeachtet ihrer einander widersprechenden Natur - eine Anomalie-Aggregation benötigt, da sekündliche oder stündliche Daten nicht für viele Bezeichner über viele Zeiträume hinweg gespeichert werden können, und vor allem können es für bestimmte Arten von Ereignissen zu viele Informationen sein, um sie jede Sekunde oder auch nur jede Stunde zu beobachten. Genauer gesagt, sind die meisten Maschinen- und Anlagennutzer an der Erfassung von "akuten" im Verhältnis zu "chronischen" Anomalien für ihre Maschineneinheiten interessiert. Akute Anomalien sind die selten auftretenden Anomalien von hoher Grössenordnung. Chronische Anomalien treten häufig über verschiedene Einheiten und Zeiten hinweg für eine bestimmte Messgrösse auf.

[0032] Fig. 6 veranschaulicht die Z-Innerhalb-Messungen zweier Einheiten im zeitlichen Verlauf.

   Die X-Achse ist die Zeit für jede Einheit. Die vertikale Strichlinie 630 trennt die Daten der beiden Einheiten. Die Daten der ersten Einheit befinden sich auf der linken Seite der Strichlinie 630 und sind mit 610 bezeichnet. Die Daten der zweiten Einheit befinden sich rechts der Strichlinie 630 und sind mit 620 bezeichnet. Wie aus dem Kurvendiagramm zu ersehen ist, hat die zweite Einheit (Region 620) zwei Ausreisser, die sich unter und über -100 bzw. 100 befinden. Da das Auftreten dieser Bereiche für diese Messgrösse und für diese Einheiten selten vorkommt, werden diese zwei Ausreisser als "akut" bezeichnet. Das Kurvendiagramm in Fig. 7 kann ähnlich wie das Kurvendiagramm in Fig. 6 gelesen werden und demonstriert das Konzept der "chronischen Anomalien".

   Chronische Anomalien sind per Definition Erfassungsanomalien (d.h. über 2 oder unter -2 Grössenordnungen bei aussergewöhnlichen Anomalie-Punktwertungen), die häufig über verschiedene Einheiten und Zeiten hinweg für eine bestimmte Messgrösse auftreten.

[0033] Wie zuvor angesprochen, gibt es viele verschiedene Möglichkeiten zum Aggregieren von Daten. Statistiken beinhalteten per Definition Aggregation. Das Darstellen der Daten über eine Handvoll Zahlen, zum Beispiel Mittel, Median, Standardabweichung, Varianz usw., ist die simplistische Definition von "Statistik" oder "Analytik". Jedoch bietet keines dieser seit langem existierenden Verfahren eine Lösung für die Anomalie-Aggregation. Ein täglicher Durchschnitt kann nicht zusammenhängend eine stündliche Anomalie veranschaulichen.

   Die Aggregation von "aussergewöhnlichen Anomalie-Punktwertungen" ist ein neues Verfahren, wie es durch die vorliegende Erfindung verkörpert wird. Früher war die Überwachung stündlicher Daten der einzige Weg, stündliche Anomalien zu identifizieren. Die Datenüberwachung musste auf der Auflösungsstufe erfolgen, auf der die Anomalien detektiert werden mussten. Oder anders ausgedrückt: Sie musste in den höchsten Auflösungen erfolgen, zum Beispiel je Sekunde oder je Stunde.

   Mit dieser Auflösung ist es schwierig, längerfristige Trends zu sehen oder effektiv über Einheiten hinweg zu vergleichen und Unterschiede zu finden.

[0034] Es werden, gemäss Ausführungsformen der vorliegenden Erfindung, zwei Messgrössen beschrieben, die verwendet werden können, um die aussergewöhnlichen Anomalie-Punktwertungen zu aggregieren: die Grössenordnungsanomalie-Messgrösse und die Häufigkeitsanomalie-Messgrösse. Die Grössenordnungsanomalie-Messgrösse verwendet zentrale Tendenz-Messgrössen wie zum Beispiel den Durchschnitt. Die Häufigkeitsanomalie-Messgrösse verwendet Verhältnisse oder Prozentsätze.

[0035] Eine Grössenordnungsanomalie-Messgrösse kann akute Anomalien identifizieren und kann zentrale Tendenz-Messgrössen, wie zum Beispiel den Durchschnitt, verwenden.

   Ein täglicher absoluter Durchschnitt (links in Fig. 8 gezeigt) ist ein Beispiel einer Grössenordnungsanomalie-Messgrösse. Ein absoluter Durchschnitt kann veranschaulichen, ob es eine oder mehrere Anomalien von hoher Grössenordnung in entweder negativer oder positiver Richtung innerhalb eines zuvor festgelegten Zeitraums (zum Beispiel Sekunde, Minute, Stunde, Tag, Woche, Monat oder Jahr) gibt. Zum Beispiel würde ein täglicher absoluter Durchschnitt veranschaulichen, ob es eine oder mehrere Anomalien von hoher Grössenordnung in entweder negativer oder positiver Richtung innerhalb eines Tages gibt.

[0036] Eine Häufigkeitsanomalie-Messgrösse kann zum Identifizieren chronischer Anomalien verwendet werden und kann Verhältnisse oder Prozentsätze verwenden. Eine tägliche prozentuale Anomalie (in Fig. 8 rechts gezeigt) ist ein Beispiel einer Häufigkeits-anomalie-Messgrösse.

   Die tägliche prozentuale Anomalie würde den täglichen absoluten Durchschnitt in dem Sinne ergänzen, dass sie die Anzahl anomaler Stunden innerhalb eines Tages oder die Anzahl anomaler Tage innerhalb eines Monats veranschaulichen könnte. Im Allgemeinen kann die Häufigkeitsanomalie-Messgrösse zum Veranschaulichen der Anzahl anomaler Zeiträume (zum Beispiel Sekunden, Minuten, Stunden usw.) innerhalb eines grösseren Zeitraums (zum Beispiel Minuten, Stunden, Tage usw.) verwendet werden.

[0037] Wenn diese zwei Punktwertungen (d.h. der tägliche absolute Durchschnitt und die tägliche prozentuale Anomalie) gleichzeitig verwendet werden, so würden sie Tage mit anomalen Stunden darstellen sowie akute Anomalien im Verhältnis zu chronischen Anomalien unterscheiden.

   Akute Anomalien (die selten vorkommen) würden hohe tägliche absolute Durchschnitte und niedrige tägliche prozentuale Anomalien haben. Akute Anomalien könnten durch eine oder zwei Anomalien von hoher Grössenordnung veranschaulicht werden. Andererseits würden chronische Anomalien (die häufig vorkommen) niedrige oder hohe tägliche absolute Durchschnitte und hohe tägliche prozentuale Anomalien haben. Chronische Anomalien könnten durch einige wenige bis eine Reihe von Anomalien innerhalb eines Tages veranschaulicht werden. Jedoch brauchen chronische Anomalien nicht unbedingt hohe Grössenordnungen von aussergewöhnlichen Anomalie-Punktwertungen aufzuweisen.

[0038] Fig. 8 zeigt ein Beispiel zur Verwendung der Grössenordnungs-und Häufigkeitsanomalie-Messgrössen.

   Das Kurvendiagramm links in Fig. 8 zeigt eine Grössenordnungsanomalie-Messgrösse mit einem täglichen absoluten Durchschnitt. Das Kurvendiagramm rechts zeigt eine Häufigkeitsanomalie-Messgrösse mit einer prozentualen Anomalie. Diese Grössenordnungs- und Häufigkeitsanomalie-Punktwertungen können sowohl für Z-Zwischen-Werte als auch für Z-Innerhalb-Werte berechnet werden. Darüber hinaus können zu jeder Dimension sowohl Grössenordnungs- als auch Häufigkeits-Punktwertungen separat über Bezeichner, Zeiträume und Maschineneinheiten hinweg in eine Rangordnung eingeordnet werden. Diese Rangordnungen können dann in Perzentile umgewandelt werden, wodurch ein Perzentil zur Grössenordnungsanomalie-Punktwertung im Verhältnis zu einem Perzentil zur Häufigkeitsanomalie-Punktwertung gebildet wird.

   Ausserdem können diese Perzentile zu jeder Punktwertung über die "Maximum"-Funktion für Z-Zwischen-Werte und Z-Innerhalb-Werte separat kombiniert werden. Genauer gesagt, würde ein maximales Perzentil zu entweder einer Z-Zwischen- oder einer Z-Innerhalb-Anomalie-Punktwertung entweder eine akute oder eine chronische Anomalie oder beides repräsentieren.

[0039] Fig. 9 veranschaulicht ein Kurvendiagramm und einen Satz Daten zu maximalen perzentilen Z-Zwischen-Werten und maximalen perzentilen Z-Innerhalb-Werten. Zum Beispiel repräsentieren die Punkte in der gepunkteten Box oben rechts in dem Kurvendiagramm dieselbe Turbine an vier aufeinanderfolgenden Tagen, wodurch Anomalien mit Bezug auf den "CSGV"-Bezeichner aus. Der CSGV-Bezeichner kann eine Messgrösse sein, die sich auf den IGV (Einlassleitschaufel)-Winkel bezieht.

   Diese vier Datenpunkte (entsprechend den Dateneinträgen 92, 93, 94, 95 in Fig. 10) sind anomal sowohl mit Bezug auf die Vergangenheit als auch auf die Peers der Einheit. Wenn diese vier Tage für diese Einheit zu dem CSGV-Bezeichner weiter untersucht werden, so ist zu sehen, dass viele Stunden innerhalb dieser Tage Anomalien mit Bezug auf Peers haben. Andererseits sind stündliche Z-Innerhalb-Anomalien selten an der Zahl im Vergleich zu stündlichen Z-Zwischen-Anomalien, jedoch haben sie eine hohe Grössenordnung.

   Diese gesamte Schlussfolgerung kann der Datentabelle in Fig. 10 entnommen werden, welche die täglichen Grössenordnungs- und Häufigkeitsanomalie-Punktwertungen und die täglichen Perzentile für Z-Zwischen-Werte und Z-Innerhalb-Werte enthält.

Erzeugen von Alarmen und Erzeugen von Heatmaps

[0040] Der Anomaliedetektionsprozess und das Heatmap-Werkzeug können in Software mit zwei Java-Programmen, die als die Calculation Engine und das Visualization Tool bezeichnet werden, gemäss einer Ausführungsform der vorliegenden Erfindung implementiert werden. Die Calculation Engine berechnet aussergewöhnliche Anomalie-Punktwertungen, aggregiert Anomalie-Punktwertungen, aktualisiert eine Oracle-Datenbank und sendet Alarme, wenn Regeln ausgelöst werden. Die Calculation Engine kann periodisch aus einem Befehlszeilenbatchprozess heraus aufgerufen werden, der jede Stunde abläuft.

   Das Visualization Tool zeigt Anomalie-Punktwertungen in einer Heatmap (siehe Fig. 11) auf Verlangen an und gestattet es Nutzern, Regeln aufzustellen. Das Visualization Tool könnte als eine Web-Anwendung laufen. Diese Programme können in einem Anwendungsprozessor laufen, der auf Linux, Windows oder sonstigen Betriebssystemen basiert.

[0041] Ein beispielhafter Befehlszeilenaufruf für die Calculation Engine ist:
java -Xmx2700m -jar populate.jar --update t7 n

[0042] Dies weist die Calculation Engine an, die periodische Aktualisierung auszuführen, bis zu 7 oder mehr gleichzeitige Befehlsfolgen zu verwenden und vor dem Fortfahren jegliche neue Sensordaten in der Datenbank zu identifizieren.

   Das Programm beginnt mit dem Berechnen von Regeln für jegliche neue spezielle Alarme und jegliche neue spezielle Peers von Maschineneinheiten, die durch die Nutzer des Visualization Tool aufgestellt werden. Dann ruft es neu eingetroffene unverarbeitete Sensordaten aus einem Server ab, speichert die neuen Daten in der Oracle-Datenbank und berechnet aussergewöhnliche Anomalie-Punktwertungen und spezielle Alarme für die neu hinzugekommenen Daten. Es speichert Ergebnisse von allen diesen Berechnungen in einer Datenbank, was es dem Visualization Tool ermöglicht, eine Heatmap der aussergewöhnlichen Anomalie-Punktwertungen und speziellen Alarme anzuzeigen.

   Wenn die Berechnungen einen speziellen Alarm mit einer Regel auslösen, die eine hohe Wahrscheinlichkeit des Detektierens eines Maschinenverschlechterungsereignisses mit Vorlaufzeit hat, so kann die Calculation Engine dafür konfiguriert sein, Warnsignale an Mitglieder des Überwachungs- und Diagnoseteams zu senden. Alarme könnten hörbare und/oder visuelle Signale sein, die durch die Computer/Notebooks des Teams angezeigt werden, oder könnten Signale sein, die zu den Kommunikationsgeräten des Teams (zum Beispiel Mobiltelefone, Pager, PDAs usw.) übermittelt werden.

[0043] Der Hauptverwendungszweck des Visualization Tool ist das Anzeigen von Heatmaps für bestimmte Maschineneinheiten für Mitglieder des Überwachungs- und Diagnoseteams.

   Die Nutzer des Visualization Tool können den Datumsbereich ändern, die Peer-Gruppe wechseln und tiefergehende Untersuchungen in Zeitreihen-Kurvendiagrammen von Daten einzelner Bezeichner anstellen. Das Visualization Tool kann Java Server-Pages für seine Darstellungsschicht und Benutzerschnittstelle verwenden. Die Java Server-Pages sind die Ansichten in der MVC-Architektur und enthalten keine Geschäftslogik. Die einzigen Anforderungen an die Server- und Client-Maschinen sind ein Java-fähiger Servlet-Container und eine Webbrowser für diese beispielhafte Ausführungsform.

[0044] Das Visualization Tool unterstützt auch verschiedene andere Nutzungsfälle. Die Nutzer des Visualization Tool können Peer-Heatmaps betrachten; Maschinen mit ähnlichen Alarmen finden; spezielle Peer-Gruppen erstellen; spezielle Alarme erzeugen; und verschiedene Arten von Berichten einsehen.

   Peer-Heatmaps fusionieren die Heatmap jeder Maschine zu einer einzigen Heatmap, wobei benachbarte Spalten die Heatmap-Zellen von Peer-Maschinen im selben Moment zeigen, anstatt die eigenen Heatmap-Zellen der Maschine zu früheren und späteren Zeitpunkten zu zeigen. Die Nutzer können das Datum ändern; können tiefergehende Untersuchungen von Zeitreihen-Kurvendiagrammen anstellen und die Daten von Peers für bestimmte Bezeichner vergleichen und tiefergehende Untersuchungen in den Maschinen-Heatmaps anstellen. Auf weiteren Seiten können die Nutzer auch spezielle Alarme spezifizieren und nach Maschinen suchen, die diese Alarme ausgelöst haben. Die Nutzer können Regeln für spezielle Alarme aufstellen, modifizieren und löschen.

   Berichte fassen Informationen über überwachte Einheiten, die Latenz von unverarbeiteten Sensordaten von Einheiten (die sich von einer Einheit zur anderen unterscheiden) und die Genauigkeit von bis dahin ausgelösten Alarmen zusammen.

[0045] Zum Beispiel wurden die Anomaliedetektionstechniken, wie sie durch die vorliegende Erfindung verkörpert sind, auf eine Gruppe von Turbinen angewendet, bei denen ein signifikantes Störungsereignis auftrat. Das Störungsereignis war selten und trat nur in 10 Turbinen während des 4-Monats-Zeitraums auf, für den historische Sensordaten verfügbar waren. Für jede Turbine, bei der das Ereignis auftrat (Ereignis-Einheiten) wurden bis zu 2 Monate an historischen Daten erfasst.

   Für Vergleichszwecke wurden 4 Monate an historischen Daten für 200 Turbinen, bei denen das Ereignis nicht auftrat (ereignisfreie Einheiten) gewonnen.

[0046] Eine Peer-Gruppe wurde für jede Ereignis-Einheit aufgestellt, die aus 6-8 anderen Turbinen von ähnlicher Konfiguration bestand, die innerhalb derselben geografischen Region arbeiteten. Dann wurden die aussergewöhnlichen Anomalie-Punktwertungen für Z-Innerhalb und für Z-Zwischen für die Ereignis-Einheiten und die ereignisfreien Einheiten berechnet. Die Z-Innerhalb-Werte stellten dar, wie anders eine Einheit im Vergleich zu früheren Beobachtungen war, als die Einheit unter ähnlichen Bedingungen arbeitete, was anhand des Betriebsmodus', der Ausgangsleistung in Watt und der Umgebungstemperatur gemessen wurde.

   Die Z-Zwischen-Werte stellten dar, wie anders eine Einheit im Vergleich zu ihren Peers war, wenn sie unter ähnlichen Bedingungen arbeiteten. Diese Abweichungen wurden dann mittels einer Heatmap visuell wiedergegeben, wie in Fig. 11 veranschaulicht.

[0047] Die Spalten der in Fig. 11 gezeigten Heatmap repräsentieren Zeiträume. Die Zeiträume könnten Tage, Stunden, Minuten, Sekunden oder längere oder kürzere Zeiträume sein. Die Zeilen repräsentieren interessierende Messwerte, wie z.B. Schwingungs- und Leistungsmessgrössen. Für jede Messgrösse können zwei oder mehr Zeilen aus farbigen Zellen vorhanden sein; es ist jedoch nur eine einzige Zeile in Fig. 11 gezeigt, und die Zellen sind der besseren Erkennbarkeit wegen mit verschiedenen Mustern schattiert. Weisse Zellen können als normal oder nicht-anomal angesehen werden.

   Die hellen, mit vertikalen Linien ausgefüllten Zellen in der AFPAP-Zeile könnten als niedrige negative Werte angesehen werden, während die dickeren, mit vertikalen Linien ausgefüllten Zeilen in der Zeile GRS_PWR__COR (korrigierte Bruttoleistung) als grosse negative Werte angesehen werden könnten. Die hellen horizontalen Linien in der CSGV-Zeile könnten als niedrige positive Werte angesehen werden, während die dickeren horizontalen Linien in derselben Zeile als hohe positive Werte angesehen werden könnten. Die Niedrige-Alarm-Zeile hat in bestimmten Zellen ein kreuzschraffiertes Muster.

   Dies ist nur ein einzelnes Beispiel der visuellen Unterscheidung zwischen niedrigen, hohen und normalen Werten, und viele verschiedene Muster, Farben und/oder Farbintensitäten könnten verwendet werden.

[0048] Die Zellen der Heatmap können verschiedene Farben oder verschiedene Schattierungen oder Muster anzeigen, um zwischen verschiedenen Ebenen oder Grössenordnungen und/oder Richtungen/Polaritäten von Daten zu unterscheiden. In zweizeiligen Ausführungsformen könnte die oberste Zeile die Grössenordnung der aussergewöhnlichen Anomalie-Punktwertungen für Z-Zwischen repräsentieren, wohingegen die untere Zeile die Grössenordnung der aussergewöhnlichen Anomalie-Punktwertungen für Z-Innerhalb repräsentieren könnte. Wenn die Anomalie-Punktwertung negativ ist (einen Wert darstellt, der ungewöhnlich niedrig ist), so könnte die Zelle blau gefärbt sein.

   Kleinere negative Werte könnten hellblau sein, und grössere negative Werte könnten dunkelblau sein. Wenn die Anomalie-Punktwertung positiv ist (einen Wert darstellt, der ungewöhnlich hoch ist), so könnte die Zelle orange gefärbt sein. Kleinere positive Werte könnten hell-orange sein, und grössere positive Werte könnten dunkelorange sein. Der Nutzer kann die Grössenordnung spezifizieren, die erforderlich ist, um bestimmte Farbintensitäten zu erreichen. Es können so viele Farbstufen angezeigt werden, wie gewünscht wird. Zum Beispiel könnten anstelle von drei Farbstufen 1, 2 oder 4 oder mehr Farbintensitätsstufen angezeigt werden. In diesem Beispiel wurden die Kappungen durch die Empfindlichkeitsanalyse ermittelt.

[0049] Die in Fig. 12 gezeigte Heatmap zeigt eine einzelne Momentaufnahme des Zustands des gesamten Systems für den letzten 24-Stunden-Zeitraum.

   Die Zellen identifizieren jene Messwerte, die im Vergleich zur Vergangenheit oder den Peers der Turbine ungewöhnlich sind. Die Heatmap gestattet es einem Mitglied des Überwachungsteams, rasch den Systemzustand zu betrachten und Brennpunkt-Sensorwerte zu identifizieren. Im Fall der Störungsereignis-Einheiten zeigt die Heatmap, dass in der Turbine ein signifikanter Abfall bei vielen der Leistungsmessgrössen stattfand, wie zum Beispiel GRS_PWR_COR (korrigierte Bruttoleistung), wobei gleichzeitig eine signifikante Zunahme der Schwingungen erfolgte (gemäss Messung durch die BB- und BR-Messgrössen). Die Untersuchung von Heatmaps von Ereignis-Turbinen im Vergleich zu ereignisfreien Turbinen zeigte, dass diese Signatur in 4 der 10 Ereignis-Einheiten über mehrere Stunden vor dem Ereignis vorhanden war, aber in keiner der ereignisfreien Einheiten vorhanden war.

   Durch die visuelle Untersuchung der Heatmap von Ereignis-Einheiten im Vergleich zu ereignisfreien Einheiten kann das Überwachungsteam Regeln entwickeln, die als Warnzeichen für diesen Störungszustand fungieren. Diese Regeln können dann in Form von auf Regeln basierenden "roten Fähnchen" in das System programmiert werden. Das System überwacht dann Turbinen und signalisiert es dem Überwachungsteam oder alarmiert das Überwachungsteam, wenn diese "roten Fähnchen" ausgelöst werden.

[0050] Die oberste Zeile der in Fig. 12 gezeigten Heatmap kann verschiedene Muster, Farben und Farbintensitäten anzeigen, um visuell zwischen verschiedenen Wertebereichen zu unterscheiden.

   In diesem Beispiel können grosse negative Werte durch dickere horizontale Linien, mittlere negative Werte durch horizontale Linien von mittlerer Dicke und niedrige negative Werte durch helle horizontale Linien angezeigt werden. Gleichermassen können grosse positive Werte durch dickere vertikale Linien, mittlere positive Werte durch vertikale Linien von mittlerer Dicke und niedrige positive Werte durch helle vertikale Linien angezeigt werden. In Ausführungsformen, in denen Farbe verwendet wird, könnten die Rechtecke in der obersten Zeile der in Fig. 12 gezeigten Heatmap verschiedene Farben und Intensitäten anzeigen.

   Zum Beispiel könnte die mit dickeren horizontalen Linien ausgefüllte Box durch eine dunkelblaue Vollfarbe ersetzt werden; die mit horizontalen Linien von mittlerer Dicke ausgefüllte Box könnte durch eine blaue Vollfarbe ersetzt werden; und die mit hellen horizontalen Linien ausgefüllte Box könnte durch eine hellblaue Vollfarbe ersetzt werden. Die mit dickeren vertikalen Linien ausgefüllte Box könnte durch eine dunkel-orange Vollfarbe ersetzt werden; die mit vertikalen Linien von mittlerer Dicke ausgefüllte Box könnte durch eine orange Vollfarbe ersetzt werden; und die mit hellen vertikalen Linien ausgefüllte Box könnte durch eine hell-orange Vollfarbe ersetzt werden.

   Dies sind nur einige wenige Beispiele der vielen Farben, Muster und Intensitäten, die verwendet werden können, um zwischen verschiedenen anomalen Werten oder Punktwertungen zu unterscheiden.

[0051] Obgleich im vorliegenden Text verschiedene Ausführungsformen beschrieben sind, wird aus der Spezifikation deutlich, dass verschiedene Kombinationen von Elementen, Variationen oder Verbesserungen daran vorgenommen werden können und innerhalb des Geltungsbereichs der Erfindung liegen.

Claims (10)

1. Verfahren zum Identifizieren eines anomalen Wertes, wobei das Verfahren Folgendes umfasst: Erfassen betrieblicher Daten von mindestens einer Maschine; Berechnen mindestens einer aussergewöhnlichen Anomalie-Punktwertung anhand der betrieblichen Daten; Aggregieren der mindestens einen aussergewöhnlichen Anomalie-Punktwertung.

2. Verfahren nach Anspruch 1, das des Weiteren folgenden Schritt umfasst: Berechnen mindestens einer Grössenordnungsanomalie-Messgrösse, wobei diese mindestens eine Grössenordnungsanomalie-Messgrösse den Durchschnittswert der betrieblichen Daten oder der mindestens einen aussergewöhnlichen Anomalie-Punktwertung über einen zuvor festgelegten Zeitraum hinweg identifiziert.

3. Verfahren nach einem der vorangehenden Ansprüche, das des Weiteren den Schritt umfasst: dass die Häufigkeitsanomalie-Messgrösse einen zuvor festgelegten Zeitraum anzeigt, der anomale Werte aufweist.

4. Verfahren nach den Ansprüchen 2 oder 3, wobei der zuvor festgelegte Zeitraum aus folgender Gruppe ausgewählt ist: Sekunden, Minuten, Stunden, Tage, Wochen, Monate und Jahre.

5. Verfahren nach einem der vorangehenden Ansprüche, wobei der Schritt des Aggregierens des Weiteren Folgendes umfasst: Berechnen mindestens einer Häufigkeitsanomalie-Messgrösse, wobei die mindestens eine Häufigkeitsanomalie-Messgrösse die Anzahl der zuvor festgelegten Zeiträume, die anomale Werte aufweisen, identifiziert; wobei der zuvor festgelegte Zeitraum aus einer Gruppe ausgewählt ist, die mindestens eines der Folgenden umfasst: Sekunden, Minuten, Stunden, Tage, Wochen, Monate und Jahre.

6. Verfahren nach einem der vorangehenden Ansprüche, wobei die mindestens eine Maschine eine Turbomaschine ist, die aus folgender Gruppe ausgewählt ist: ein Kompressor, eine Gasturbine, eine hydroelektrische Turbine, eine Dampfturbine, eine Windturbine, ein Verbrennungsmotor, ein mit fossilen Brennstoffen betriebener Generator (Genset), eine Lokomotive und ein Generator.

7. Verfahren nach einem der vorangehenden Ansprüche, wobei der Schritt des Erfassens betrieblicher Daten Folgendes umfasst: Erfassen betrieblicher Daten von mehreren Maschinen, wobei jede der Maschinen in mindestens einer der folgenden Eigenschaften ähnlich ist: Konfiguration, Kapazität, Grösse, Leistung, geografischer Standort.

8. Verfahren nach einem der Ansprüche 2 bis 8, das des Weiteren Folgendes umfasst: Kombinieren der mindestens einen Grössenordnungsanomalie-Messgrösse und der mindestens einen Häufigkeitsanomalie-Messgrösse mindestens einer in grafischen und/oder tabellarischer Form, wobei das Kombinieren anzeigt, ob akute oder chronische Anomalien in der mindestens einen aussergewöhnlichen Anomalie-Punktwertung vorliegen.

9. Verfahren nach einem der Ansprüche 2 bis 9, wobei akute Anomalien angezeigt werden durch mindestens einen der folgenden Werte: hohe Werte der mindestens einen Grössenordnungsanomalie-Messgrösse und/oder niedrige Werte der mindestens einen Häufigkeitsanomalie-Messgrösse und/oder selten auftretende anomale Werte.

10. Verfahren nach einem der Ansprüche 2 bis 9, wobei chronische Anomalien angezeigt werden durch: niedrige oder hohe Werte der mindestens einen Grössenordnungsanomalie-Messgrösse und hohe Werte der mindestens einen Häufigkeitsanomalie-Messgrösse.