CN112526962A - 用于工艺技术设施的诊断方法和诊断***以及训练方法 - Google Patents
用于工艺技术设施的诊断方法和诊断***以及训练方法 Download PDFInfo
- Publication number
- CN112526962A CN112526962A CN202010981858.6A CN202010981858A CN112526962A CN 112526962 A CN112526962 A CN 112526962A CN 202010981858 A CN202010981858 A CN 202010981858A CN 112526962 A CN112526962 A CN 112526962A
- Authority
- CN
- China
- Prior art keywords
- time
- classification
- models
- facility
- installation
- Prior art date
- Legal status (The legal status 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 status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
- G05B19/406—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by monitoring or safety
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0262—Confirmation of fault detection, e.g. extra checks to confirm that a failure has indeed occurred
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/24—Pc safety
- G05B2219/24065—Real time diagnostics
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32369—Cape-mode computer aided plant enterprise modeling environment for plant life cycle modelisation & management
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Human Computer Interaction (AREA)
- Manufacturing & Machinery (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及用于工艺技术设施(10)的诊断方法(1)和诊断***(50)以及涉及用于这种诊断***(50)的训练方法(100)。提供至少部分地表征设施状态的设施数据(D)的时间曲线(V),并且基于设施数据(D)的时间曲线(V)借助于至少两个模型对设施状态进行分类。在此,这些模型在时间窗口(T1、T2、T3)方面不同,将来自这些时间窗口的设施数据作为基础。分别将一置信度与从至少两个模型中得出的分类相关联。另外,输出基于设施状态的分类和与其相关联的置信度的诊断信息。
Description
技术领域
本发明涉及用于工艺技术设施的诊断方法和诊断***以及用于这种诊断***的训练方法。
背景技术
在工艺技术设施中,例如在组分、类型或特性方面改变材料,工艺技术设施例如精炼厂或工厂可以具有极其复杂的结构。设施例如能够由多个、可能彼此联网的和/或彼此相关的部件(即例如阀、传感器、致动器和/或类似部件)组成。这种设施通常通过专用的、尤其基于计算机的或至少计算机辅助的过程控制***来引导,该过程控制***在此尤其能够考虑各种部件之间的工艺技术方面的关联性。这种过程控制***包括自动化技术,尤其是自动化程序以及操作和监控程序。
过程控制***通常可以例如通过控制变量或参数值来预设大部分的边界条件,过程应当在这些边界条件下进行。但是,此外也存在不可由过程控制***影响的、可能甚至未知的边界条件。因此,在所提及的结构高度复杂的背景下,可靠地预测设施的实际运行状态会是困难的或至少极其高成本的。
为了解决这个问题,在原理上已知的是,将当前的设施状态分类。因此能够将设施与正常运行或各种故障运行之一、即与正常运行的偏差相关联。如果存在故障运行,则能够尝试将设施再次转移到正常运行中。在此会成问题的是,可能过晚地识别故障运行以至于无法防止质量损失或甚至生产失效。
发明内容
本发明的目的是改进工艺技术设施的诊断,尤其及早地识别故障运行的发展。
该目的由根据独立权利要求的用于工艺技术设施的诊断方法和诊断***以及用于这种诊断***的训练方法来实现。
本发明的第一方面涉及一种用于工艺技术设施的诊断方法,其具有如下步骤:(i)提供至少部分地表征设施状态的设施数据的时间曲线;(ii)基于设施数据的时间曲线借助于至少两个模型对设施状态进行分类,其中模型在时间窗口方面不同,来自这些时间窗口的设施数据被作为基础;(iii)分别将一置信度与从至少两个模型中得出的分类相关联;和(vi)输出基于设施状态的分类和与其相关联的置信度的诊断信息。
在本发明的意义上,设施数据尤其是测量变量和/或控制变量。测量变量、即例如设施或设施部件中的温度或压力,例如能够通过相应的传感器来检测。控制变量、即例如阀位置或马达功率,例如能够通过过程控制***或设施用户来预设。
在本发明的意义上,设施数据的时间曲线具体是设施数据在预设的时间段上的时间顺序或者设施数据在预设的时间段上的变化。设施数据的时间曲线例如能够以数据集合的形式来提供,这些数据集合包含在预设时间段或时间间隔期间的设施数据。这种数据集合例如能够包含在10秒期间的所有检测到的或预设的测量变量和/或控制变量。
在本发明的意义上,置信度尤其是给予分类信度的量度。置信度例如能够是以统计的方式确定的分类所具有的概率。置信度尤其能够说明执行分类时所根据的模型有多可靠。
本发明的一个方面基于如下方法,将至少两个模型用于对工艺技术设施的设施状态分类并且将例如说明分类可靠性的置信度与分类相关联。在此,模型的区别至少在于它们将来自不同时间窗口的设施数据作为输入变量来处理,这些设施数据至少部分表征设施状态。在此,时间窗口优选地表明来自所提供的设施数据的时间曲线中的不同的时间段。通过不同的时间窗口,能够在诊断设施时相应地关于设施状态设定或存在不同的重点,其中,针对每个重点经由相关联的置信度能够给出诊断的可靠性。在此可行的是、并且可能甚至有利的是,时间窗口至少部分重叠。例如,能够以不同的重叠的时间窗口检测不同的***动态。因此,对设施进行深入的、通过选择不同的时间窗口而灵活的且特别详细的诊断,变得可行。
尤其在设施运行期间,能够例如在存储设备中暂存设施数据的时间曲线以进行评估。因此,设施数据能够被理解为历史设施数据,通过借助于至少两个模型评估这些历史设施数据能够获得有关当前设施状态的信息。
在此,设施数据的时间曲线能够前瞻性地、即从定义的开始时间点起进行评估,优选在非连续的生产工艺、例如批量或批次过程中进行评估。在此,开始时间点能够处于过去。从开始时间点起,该开始时间点优选地对应于过程的开始,能够将来自不同长度和/或不同时间分辨率的时间窗口中的设施数据作为用于对设施状态尤其连续分类的至少两个模型的基础。
替选地,能够回顾性地、即评估直至定义的结束时间点设施数据的时间曲线,优选在连续的生产工艺中进行评估。结束时间点在此优选地与当前时间相对应。时间窗口优选全部延伸直至结束时间点。
评估在时间窗口内来自时间曲线的设施数据时,至少两个模型优选使用在相应时间窗口内记录的所有可用的、但至少一部分测量和控制变量。换句话说,在此使用的模型设计用于处理通过时间窗口定义的时间序列。此处使用的模型,与对设施的或正在进行的工艺的单纯建模不同,这种建模预测了设施状态。这种建模通常以作为输入变量的参数集、即例如在固定时间点(例如当前)的所有控制和测量变量为依据。但是,借助于这种建模,仅能通过单独的或独立的、被用在预测的设施状态上的统计学分类方法来进行分类。与此相反,在当前情况下能够通过模型本身进行分类。这也允许将置信度可靠地关联。
在下文中,优选地描述本发明的优选的实施方式及其改进形式,这些实施方式和改进形式除非明确地被排除在外,分别能够任意地相互组合以及与本发明的其他所描述的方面组合。
在一个优选的实施方式中,时间窗口在其时间长度方面不同。由此,尤其在对设施数据的时间曲线进行前瞻性评估时,第一分类已经能够提前存在,而其他的、可能更精确或更可靠的分类随后才可用。但是,即使对设施数据的时间曲线进行回顾性评估,例如由于计算时间优势,对基于来自较短时间窗口的设施数据进行的分类能够更早得到。这使得在故障运行的情况下已经能够提前以相应的保护对策或也称为“治疗”的对策作出应对。
在此,优选地,时间窗口全部从开始时间点、尤其所提供的时间曲线的开始起延伸。替选地,时间窗口也能够全部延伸直至结束时间点,尤其延伸直至所提供的时间曲线结束。对于在所提供的时间曲线的开始或结束处的时间范围,能够相应地得到在时间上的高度重叠。对来自时间窗口中的设施数据进行尤其连续的评估实现了提前分类,并且在此同时,随着时间窗口长度的增加,评估能够基于愈发更好的信息状况,进而能够通过相应更长的时间序列实现相对于正确分类提高的置信度。
在另一优选的实施方式中,时间窗口的时间长度按对数分布。换句话说,时间窗口具有与对数函数相关的或通过对数函数定义的时间长度。当基于来自具有显著不同时间长度的时间窗口的设施数据对设施状态进行分类时,这可以是特别优选的,即一方面,考虑了非常短的时间窗口,并且另一方面考虑了非常长的时间窗口。在此,时间窗口的对数分布使得使用的模型的数量减少,由此能够节省计算时间。这尤其在诊断方法的实时应用方面是特别有利的。
在另一优选实施方式中,时间窗口在度量方面不同。例如,不同的时间窗口能够限定设施数据在这其中分别具有不同的时间间隔的时间序列。换句话说,例如不同时间窗口中可以具有不同的时间分辨率。由此,能够特别有效地分析不同的***动态,并相应可靠地对设施状态进行分类。另外,如有可能也能够通过不同的度量减小相应的时间序列分类或处理所需的计算能力。
在另一优选的实施方式中,时间窗口中的至少一个具有对数度量。尤其地,通过时间窗口定义的时间序列能够按对数形式变化,即设施数据之间的时间间隔能够在时间序列的进程中以对数形式增加。因此,例如在开始时对设施数据进行预测性评估时或在结束时对设施数据进行回顾性评估时,能够对设施数据执行更细致的评估或分析。因此,尤其在没有显著提高所需的计算能力的情况下也能够在长的时间序列中考虑快速的动态。
在另一优选实施方式中,在时间上以对数形式间隔的设施数据被作为时间曲线来提供。尤其地,设施数据之间的时间间隔在所提供的时间曲线之内能够对数地增加或减少。这使得即使时间窗口长,尤其是没有对数度量的这种时间窗口的情况下,也能够快速处理设施数据。
在另一优选的实施方式中,检测与设施状态相关的输入信号并且将其作为调整置信度的基础。输入信号优选是用户输入,例如设施用户的用户输入。但是替选地,输入信号也能够是另一监控***的输出信号。输入信号优选代表设施状态的正确或真实的分类。为了调整置信度,能够将输入信号与例如分类中的至少一种分类进行比较。如果输入信号与分类一致,则能够增加相应的置信度。相反,如果输入信号与分类不一致,则能够降低相应的置信度。这允许连续地提高诊断***中的可信度。
在另一优选的实施方式中,检测与设施状态相关的输入信号并且将其作为调整至少两个模型中的至少一个模型的基础。输入信号优选是用户输入,例如设施用户的用户输入。但是替选地,输入信号也能够是另一监控***的输出信号。输入信号优选代表设施状态的正确或真实的分类。为了调整模型,能够将输入信号与例如分类中的至少一种进行比较。如果通过输入信号代表的分类与通过相应的模型进行的分类不一致或至少与其偏差显著,则能够调整模型。这允许连续地提高诊断***的可靠性。
在另一优选的实施方式中,基于至少一个分类执行对技术设施的状态分析。在此,状态分析能够通过设施用户或另一监控***来执行并且尤其包括对设施状态的分类。在状态分析的范畴中,设施用户能够进行用户输入或者另一监控***能够产生输出信号,该输出信号代表设施状态正确或真实的分类。
尤其地,作为基础来执行状态分析的分类,尤其能够与设施的至今为止未知的、即在过去未出现过的故障运行相对应。优选地,在该情况下,对模型和/或置信度中的至少一个进行调整、尤其是扩展。由此能够连续改进对设施的诊断。
在另一优选的实施方式中,诊断信息包括设施状态的总分类,其中,总分类是基于从至少两个模型中得出的分类和与其相关联的置信度来确定的。尤其地,总分类能够对应于如下的当前可用的分类,其是基于来自时间最长的时间窗口中的设施数据来确定的。然而可选地,总分类也可以对应于与最高置信度相关联的当前可用的分类。在另一替代方案中,也能够从对多个分类及其相关联的置信度的统计学评估中确定总分类。总分类的输出由于其明确性能够增加用户舒适度或简化对设施的控制。
在另一优选的实施方式中,根据由多个分类构成的序列来确定总分类。在此,优选预先定义评估为了确定总分类而所得出的分类所按照的顺序,。例如,能够按照时间窗口的时间长度的升序序列分类,从中得出由分类构成的序列,其中,来自这些时间窗口中的设施数据作为相应模型的基础。
在一个实例中,能够将第一短时间序列分类为属于正常运行N,而能够将第二和第三长的时间序列分别分类为属于故障运行F。优选地将总分类、例如故障运行F与所得出的序列NFF相关联。能够将另一总分类、例如正常运行N与另一得到的序列、诸如NFN或NNF相关联。在此,根据由分类构成的序列、尤其基于不同序列与至少一个种类的预选限定的关联来确定总分类具有的优点是,能够将例如在训练方法范畴中确定的有条件的置信度与总分类相关联。这种有条件的置信度例如能够说明概率的组合,尤其是来自序列中的各个分类反映正确的或真实的分类时所具有的、有条件的概率的组合。这样确定的总分类因此会是特别可靠的。
本发明的第二方面涉及一种用于工艺技术设施的诊断***,该诊断***设计用于执行根据本发明的第一方面的诊断方法并且具有存储装置,在该存储装置中存储至少两个模型和待与分类相关联的置信度以在方法中使用。这种诊断***能够尤其实时地监控工艺技术设施、尤其是工艺技术设施的控制***。
本发明的第三方面涉及一种用于根据本发明的第二方面的诊断***的训练方法,其中,通过机械学习确定至少两个模型。在此,优选将来自至少两个不同的时间窗口中的多个时间曲线的第一集合的设施数据以及关于与多个时间曲线相对应的设施状态的信息作为机械学习的基础。在此,多个时间曲线的第一集合的设施数据优选是历史设施数据并且与不同的设施状态、特别是正常运行和定义的偏差相对应。例如能够将这些设施状态的正确的或真实的分类作为机器学习的基础。因此,借助于机器学习例如能够在多个时间曲线构成的、通过不同的时间窗口定义的时间序列中找到模式并且用于形成模型,其中,这些时间曲线全部与相同的设施状态相对应。
在一个优选的实施方式中,基于对根据用于来自多个时间曲线的第二集合的设施数据的至少两个模型得出的分类的统计评估来确定置信度。例如,对于每个模型,能够检测从相应的模型的使用中的得出的分类的数量并且与其中通过模型的分类与所基于的正确的或真实的分类一致的情况的数量进行比较,尤其设定成比例。换句话说,例如能够产生直方图形式的数据组,从该数据组中为每个模型产生正确分类的数量和/或错误分离的数量。在处理来自第二集合的其他时间曲线中的设施数据时,但是尤其在处理来自设施真实运行中的时间曲线中的设施数据时,即在执行根据本发明的第一方面的诊断方法时,也能够相应地更新数据组,即对错误或正确分类的出现增加计数。因此,对增加的数据集合进行处理实现提高所确定的置信度的可靠性。
在此也可行的是,在数据组中存储从至少两个模型中得出的分类的序列并且对该序列的出现计数。这尤其能够实现确定受限制的置信度,该置信度允许尤其可靠地评价分类的正确性。
在另一优选的实施方式中,基于一些分类将模型的选择存储在存储装置中,从多个时间曲线的第二集合中从用于设施数据的至少两个模型中得出这些分类。如果例如两个模型将来自多个时间曲线中的设施数据基本相同地分类,而与设施数据分别源自不同的时间窗口无关,那么可能能够弃用其中一个模型。在此,统计极限能够作为选择的基础,据此至少两个不同的模型必须将不同的时间曲线以预设的百分数相同分类,以便选择、存储模型之一进而例如在根据本发明的第一方面的诊断方法中使用。存储进而可能随后使用首先学习过的模型的有限选择在所需的计算能力方面会是有利的。
到目前为提出的本发明优选实施方式的描述包含大量特征,这些特征在各个从属权利要求中部分地以多个组合的方式被再次描述。但是,这些特征也能够被单独地考虑并且组合成有意义的其他组合。尤其地,这些特征能够分别各自地组合并且以根据本发明的第一方面的诊断方法、根据本发明的第二方面的诊断***以及根据本发明的第三方面的训练方法以任意适当组合的方式来组合。
附图说明
在结合附图对本发明的实施方式进行的以下描述的上下文中,本发明的上述特性、特征和优点以及如何实现它们的方式和方法变得更加清楚和易于理解,在这些附图中持续地将相同的附图标记用于本发明的相同的或彼此相对应的元件。实施例用于解释本发明,并且不将本发明限制于其中提出的特征组合,甚至就功能特征而言也不如此。另外,也能够明确隔离地考虑实施例的适合于此的特征并且与任意的权利要求组合。
附图至少部分示意地示出:
图1示出设施数据的时间曲线的一个实例,该时间曲线被划分成时间窗口;
图2示出诊断方法的一个实例;
图3示出诊断***的一个实例;和
图4示出训练方法的一个实例。
具体实施方式
图1示出了设施数据D的时间曲线V的一个实例,该时间曲线被划分为不同长度的时间窗口T1、T2、T3。设施数据D优选地对应于工艺技术设施的至少一个在时间上绘制的测量和/或控制变量。设施数据D表征设施的状态,例如正常运行或可能的多个故障运行之一。在此,设施数据D的时间曲线V能够表征设施例如在时间点t所处的设施状态。尤其地,曲线V能够表征设施从一个设施状态切换到另一设施状态中或保持在相同状态中所基于的动态。
设施数据D的时间曲线V能够相应地被用于,借助模型执行对设施状态的分类。在此,优选分别将时间窗口T1、T2、T3之一与模型相关联,即通过模型处理各自相关联的时间窗口T1、T2、T3之内的设施数据D。在此,在所示出的实例中,时间窗口T1、T2、T3在其时间长度方面不同。第一时间窗口T1具有例如长度1,第二时间窗口T2具有长度2,并且第三时间窗口T3具有长度3。如有可能,模型由此能够对于时间曲线V中的不同的动态是敏感的。但是,替选地或附加地,时间窗口T1、T2、T3也能够在度量方面不同。
在设施的连续运行中,优选地将时间窗口T1、T2、T3选择为,使得它们全部达到结束时间点E。在此,结束时间点E优选地与当前t相对应,即在结束时间点E存在设施数据D,尤其当前最新的设施数据D。
如果设施继续运行,则与当前相对应的结束时间点E相应地继续推移,时间窗口T1、T2、T3进而也推移。因此在时间点t+1,推移的时间窗口T1‘、T2‘、T3‘延伸直至移动的结束时间点E‘。由此能够确保总是将最新的设施数据D作为对设施的诊断、尤其当前设施状态分类的基础。
图2示出用于工艺技术设施的诊断方法1的一个实例。在方法步骤S1中,提供至少部分地表征设施状态的设施数据的时间曲线(参见图1)。在另一方法步骤S2a中,基于设施数据的时间曲线,借助于至少两个模型对设施状态进行分类。在此,优选将模型被应用于通过不同时间窗口定义的、并且分别包含来自设施数据的所提供的时间曲线的片段的时间序列。在另一方法步骤S2b中,能够分别将置信度与从至少两个模型中获得的分类相关联,该置信度例如说明相应的模型正确地对设施状态分类所具有的概率。
在此优选地,模型在方法步骤S2a中以预定顺序对设施状态进行分类,从而得到分类的序列。于是,在另一方法步骤S3中,基于所得出的序列能够确定总分类,该总分类以特别高的概率正确地对当前的设施状态进行分类。尤其地,也能够将(总)置信度与总分类或所得到的序列相关联,该置信度例如能够是通过总分类正确分类设施状态的概率的度量。例如能够在训练过程中和/或在重复地执行诊断方法1时通过对全部在训练过程中和/或在重复执行诊断方法1时获得的序列进行统计评估来确定总分类和/或与其相关联的置信度(参见图4)。
根据在方法步骤S3中确定的总分类,然后能够评价是否存在正常运行,即设施是否基本上无故障地运行。
如果存在正常运行,即设施基本上无故障运行,那么可以在另一方法步骤S7中输出相应的诊断信息。在此,诊断信息优选地包含总分类和与其相关联的置信度。诊断信息例如能够输出给设施用户或设施的控制***,该控制***能基于诊断信息进一步控制设施。
相反,如果存在故障运行,即设施运转出现故障或者设施状态偏离正常运行,则能够在另一方法步骤S4中检查是否能够通过设施用户或另一监控***估计到故障运行。例如能够检查是否能够识别故障运行的原因和/或要采取哪些措施来避开故障运行或使设施再次转移到正常运行。
如果不是这种情况,则在另一方法步骤S5中能够执行进一步的故障分析,以便例如更精确地表征故障运行。
在另一方法步骤S6中,优选地检查故障运行是否已经已知。尤其地,能够检查故障运行是否已经出现一次。这尤其能够独立于方法步骤S4中的故障运行的评估和/或方法步骤S5中的进一步的故障分析被执行。
然后,在方法步骤S7中优选输出相应的诊断信息。在故障运行的情况下,除了总分类和与其相关联的置信度之外,诊断信息还能够附加地包含在方法步骤S4、S5和/或S6中确定的信息。
尤其可以根据方法步骤S7中输出的诊断信息在三种情况之间进行区分:(i)存在正常运行;(ii)存在已知的故障运行;(iii)存在未知的运行。
在另一方法步骤S8中,尤其能够基于在方法步骤S2a中确定的分类序列更新例如存储在控制***的存储设备中的数据组。数据组例如能够包含计数器读数,该计数器读数说明出现序列的频率。相应地,优选提高在方法步骤S2a中确定的序列的计数器读数。在此,以优选的方式,将例如通过设施用户或另一监控***确定的实际的设施状态,即正确的分类标注在数据组中。如结合图4详细描述的那样,这样更新的数据组能够用于例如通过统计地评估数据组的内容,提高总分类与序列或相应的置信度的关联的可靠性。
在另一方法步骤S9中,能够评价通过模型在方法步骤S2a中进行的分类以及在方法步骤S2b中进行的置信度关联是否是令人满意的。例如,能够检查哪些模型分类错误和/或是否将高的置信度值与这种错误分类相关联。如果是这种情况,则能够在另一方法步骤S10中执行模型或置信度的调整。
图3示出用于工艺技术设施10的诊断***50的一个实例,其中,诊断***50设计用于执行如结合图2所描述的诊断方法。工艺技术设施10具有控制***11和设施部件12,其中,控制***11和设施部件12例如经由网络相互连接。设施部件12例如能够设计为执行器和/或传感器,以便控制或监控设施10的过程。
诊断***50优选地具有第一模块51、第二模块52、第三模块53和第四模块54以及存储设备55。优选地,第一模块51设计用于提供至少部分地表征设施状态的设施数据的时间曲线。为此目的,第一模块51尤其能够设计用于在设施10运行时访问由设施部件12提供的测量变量和/或由控制***11提供的控制变量。
优选地,第二模块52设计用于基于设施数据的所提供的时间曲线,借助于至少两个模型来对设施状态进行分类。为此,第二模块52能够例如访问存储设备55,在该存储设备中优选地存储至少两个模型。在此,模型优选在时间窗口方面不同,将时间曲线的设施数据来自这些时间窗口作为模型的基础。换句话说,模型被设计用于处理设施数据的来自所提供的时间曲线中的不同时间序列。
优选地,第三模块53设计用于分别将置信度与从至少两个模型中得出的分类相关联。在此,置信度例如能够说明由第二模块52确定的分类正确的概率。置信度同样能够存储在存储设备55中。
第四模块54优选地设计用于输出基于设施状态的分类和与其相关联的置信度的诊断信息。为此目的,第四模块54例如能够设计为接口,经由该接口可以将诊断信息例如输出给设施用户。
能够以硬件技术和/或软件技术来设计第一、第二和第三模块51、52、53。尤其地,第一、第二和第三模块51、52、53能够是具有优选与存储器***和/或总线***数据连接或信号连接的、尤其数字的处理单元,特别是微处理器单元(CPU),或者其模块和/或具有一个或多个程序或程序模块。CPU能够设计用于处理实施作为存储***中存储的程序的命令,检测数据总线中的输入信号和/或将输出信号输出给数据总线。存储***能够具有一个或多个、尤其不同的存储介质,特别是光学、磁性、固态和/或其他非易失性介质。程序能够被创建为将在此描述的方法实体化或能够执行该方法,以至于CPU能够执行这种方法的步骤。
在此也能够考虑在存储设备55中不仅存储至少两个模型和置信度,而且还存储由第一模块51提供的设施数据。尤其地,第一模块51能够设计用于将所提供的设施数据基本上连续地、即在设施10运行期间基本上实时地写入存储设备55的存储器中。由此,诊断***50同样能够实时地执行诊断方法。
图4示出用于例如结合图3所示的诊断***的训练方法100的一个实例。在方法步骤V1中,基于设施数据的多个时间曲线的第一集合通过机器学习来确定至少两个模型。在此,单个时间曲线的设施数据优选地至少部分地表征工艺技术设施的状态。此外,机器学习以关于与多个时间曲线相对应的那些设施状态的信息为基础。换句话说,为了学习提供以下信息:哪个设施状态实际上由来自第一集合的单个时间曲线的设施数据来表征或者哪个是设施状态的正确或真实分类的信息。
来自第一集合的每个单独的时间曲线优选地被划分为对应于不同的时间窗口的至少两个时间部段,其中,时间窗口也能够重叠。因此,至少两个时间窗口中的每个都定义了时间序列。随后,例如通过确定时间序列中的模式的方式,基于多个这种由不同时间曲线构成的、通过分别相同的时间窗口定义的时间序列以及关于相对应的设施状态的信息来分别学习模型之一。
优选地,在另一方法步骤V2中,将至少两个学习过的模型用于来自时间曲线的第二集合中的设施数据。在此,能够借助于模型以预定的顺序执行分类。在此,能够得出分类的不同序列。出现的序列的数量能够存储在存储设备中,例如以数据组的形式存储在存储设备中。
在第一子步骤V2a中,例如,第一模型基于来自第二集合中的时间曲线内的第一时间窗口中的设施数据。在图4中示例性地示出用于三种在此可能的分类的集合Gv。角标v例如能够取0、1或2的值,其中,集合G0大致说明作为正常运行N的分类的数量,集合G1说明作为第一故障运行F1的分类的数量,并且集合G2说明作为第二故障运行F2的分类的数量。
然后,在第二子步骤V2b中,第二模型能够基于来自第二集合中的时间曲线内的第二时间窗口中的设施数据。在当前的实例中,由此出发:第二模型还能够对正常运行N、第一故障运行F1或第二故障运行F2进行重新分类。在考虑第一模型的分类的情况下,得到九个可能的序列的集合Gvw,其中,角标vw又能够分别取值0、1或2。因此,集合G00例如说明通过两个模型而分类为正常运行的数量,而集合G12说明通过第一模型分类为第一故障运行F1的数量和通过第二模型分类为第二故障运行F2的数量。
在另一子步骤V2c中,还对序列补充关于与相应的时间曲线相对应的设施状态的信息。集合G002例如代表其中第一模型和第二模型分别将正常操作N分类的情况的数量,而来自时间曲线的所基于的设施数据实际上与第二故障运行F2相对应。
在此,还列出另一集合G003,该集合代表未知的时间序列的情况。如果所考虑的时间序列对应于未知的设施状态,则将其添加到集合G003。模型还能够将时间序列分类为未知的情况,并没有示出。但是能够考虑的是在这种情况下,也允许角标vwx具有其他的值,从而例如能够形成集合G303。
在另一方法步骤V3中,统计地评估在子步骤V2c中获得的集合GVWX,以便获得通过至少两个模型的各种可能的分类的置信度。
例如,对所有集合GVWX进行合计,在这些集合中采用第一模型进行分类,并且将其除以所有来自第一集合中的时间曲线的总数。如果例如整体上对序列000进行了一百次计数、对序列011进行十二次计数、对序列001进行三次计数,则得到通过第一模型进行分类的概率为100/115。
在此,通过第二模型和可能通过另外的模型进行分类的置信度也能够为有条件的置信度,其中考虑通过至少一个另外的模型已经进行的或在前的分类。如果第一模型例如将设施状态分类为正常运行N,则在通过第二模型确定对分类的置信度时,能够对其中采用第一模型和第二模型进行分类的所有集合Gvwx进行合计,并且除以所有其中采用第一模型进行分类的情况的总数。
附图标记列表
1 诊断方法
S1-10 方法步骤
10 设施
11 控制***
12 设施部件
50 诊断***
51 第一模型
52 第二模型
53 第三模型
54 第四模型
55 存储设备
100 训练方法
V1-V3 方法步骤
V2a、V2b 子步骤
V 时间曲线
D 设施数据
T1、T2、T3 时间窗口
T1‘、T2‘、T3‘ 时移的时间窗口
E 终点时间
E‘ 时移的终点时间
t 时间点
Gvwx 集合。
Claims (15)
1.一种用于工艺技术设施(10)的诊断方法(1),具有以下步骤:
-(S1)提供至少部分地表征设施状态的设施数据(D)的时间曲线(V);
-(S2a)基于所述设施数据(D)的所述时间曲线(V)借助于至少两个模型对所述设施状态进行分类,其中,所述模型在时间窗口(T1、T2、T3)方面不同,作为基础的所述设施数据来自所述时间窗口;
-(S2b)分别将置信度与从至少两个所述模型中得出的分类相关联;和
-(S7)输出基于所述设施状态的所述分类和与所述分类相关联的所述置信度的诊断信息。
2.根据前述权利要求中任一项所述的诊断方法(1),其特征在于,所述时间窗口(T1、T2、T3)在所述时间窗口的时间长度方面不同。
3.根据权利要求2所述的诊断方法(1),其特征在于,所述时间窗口(T1、T2、T3)的所述时间长度按对数分布。
4.根据前述权利要求中任一项所述的诊断方法(1),其特征在于,所述时间窗口(T1、T2、T3)在度量方面不同。
5.根据前述权利要求中任一项所述的诊断方法(1),其特征在于,所述时间窗口(T1、T2、T3)中的至少一个时间窗口具有对数度量。
6.根据前述权利要求中任一项所述的诊断方法(1),其特征在于,在时间上按对数间隔开的设施数据(D)被提供为时间曲线(V)。
7.根据前述权利要求中任一项所述的诊断方法(1),其特征在于,检测与所述设施状态相关的输入信号并且以所述输入信号作为调整所述置信度的基础。
8.根据前述权利要求中任一项所述的诊断方法(1),其特征在于,检测与所述设施状态相关的输入信号并且以所述输入信号作为调整至少两个所述模型中的至少一个所述模型的基础。
9.根据前述权利要求中任一项所述的诊断方法(1),其特征在于,基于至少一个分类来执行对所述工艺技术设施(10)的状态分析。
10.根据前述权利要求中任一项所述的诊断方法(1),其特征在于,所述诊断信息包括所述设施状态的总分类,其中,所述总分类是基于从至少两个所述模型中得出的分类以及与所述分类相关联的置信度来确定的。
11.根据权利要求10所述的诊断方法(1),其特征在于,根据由分类构成的序列来确定所述总分类。
12.一种用于工艺技术设施(10)的诊断***(50),所述诊断***被设计用于执行根据前述权利要求中任一项所述的诊断方法(1)并且具有存储装置(55),在所述存储装置中存储有至少两个模型和待与分类相关联的置信度。
13.一种用于根据权利要求12所述的诊断***(50)的训练方法(100),其中,(V1)通过机械学习确定至少两个模型,其中,将来自至少两个不同的时间窗口(T1、T2、T3)中的多个时间曲线(V)的第一集合的设施数据以及关于与所述多个时间曲线(V)相对应的所述设施状态的信息作为所述机械学习的基础。
14.根据权利要求13所述的训练方法(100),其特征在于,基于对根据用于来自多个时间曲线(V)的第二集合的设施数据(D)的至少两个模型得出的分类的统计学评估,来确定置信度。
15.根据权利要求13或14所述的训练方法(100),其特征在于,基于从用于来自多个时间曲线(V)的第二集合的设施数据(D)的至少两个模型得出的分类,将对模型的选择存储在所述存储装置(55)中。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP19198052.3A EP3796117B1 (de) | 2019-09-18 | 2019-09-18 | Diagnoseverfahren und diagnosesystem für eine verfahrenstechnische anlage |
EP19198052.3 | 2019-09-18 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112526962A true CN112526962A (zh) | 2021-03-19 |
Family
ID=67999575
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010981858.6A Pending CN112526962A (zh) | 2019-09-18 | 2020-09-17 | 用于工艺技术设施的诊断方法和诊断***以及训练方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20210080924A1 (zh) |
EP (1) | EP3796117B1 (zh) |
CN (1) | CN112526962A (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP4116780A1 (de) * | 2021-07-05 | 2023-01-11 | Linde GmbH | Verfahren und überwachungssystem zum überwachen eines betriebs einer einheit einer verfahrenstechnischen anlage |
CN114047741B (zh) * | 2021-11-10 | 2024-03-19 | 潍柴动力股份有限公司 | 自修复诊断限制***临时中断功能的实现方法及相关装置 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1178380A1 (en) * | 2000-07-15 | 2002-02-06 | Intevep SA | Method and system for monitoring an industrial process |
US20080033674A1 (en) * | 2006-08-01 | 2008-02-07 | Nikovski Daniel N | Detecting and diagnosing faults in HVAC equipment |
CN102282516A (zh) * | 2009-02-17 | 2011-12-14 | 株式会社日立制作所 | 异常检测方法及异常检测*** |
US20130024172A1 (en) * | 2010-03-30 | 2013-01-24 | Kabushiki Kaisha Toshiba | Anomaly detecting apparatus |
CN104471501A (zh) * | 2012-06-12 | 2015-03-25 | 西门子公司 | 用于设备状态监测中故障诊断的归纳的模式识别 |
CN106371427A (zh) * | 2016-10-28 | 2017-02-01 | 浙江大学 | 基于层次分析法和模糊融合的工业过程故障分类方法 |
CN106462150A (zh) * | 2014-05-20 | 2017-02-22 | 东芝三菱电机产业***株式会社 | 制造设备诊断辅助装置 |
WO2019091551A1 (de) * | 2017-11-08 | 2019-05-16 | Siemens Aktiengesellschaft | Verfahren und vorrichtung für maschinelles lernen in einer recheneinheit |
CN109791511A (zh) * | 2016-09-29 | 2019-05-21 | 惠普发展公司,有限责任合伙企业 | 部件故障预测 |
CN109948858A (zh) * | 2019-03-25 | 2019-06-28 | 东北大学 | 基于数据驱动的工况识别方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9443201B2 (en) * | 2010-06-09 | 2016-09-13 | Siemens Aktiengesellschaft | Systems and methods for learning of normal sensor signatures, condition monitoring and diagnosis |
EP2897011B1 (de) * | 2014-01-21 | 2019-08-21 | Siemens Aktiengesellschaft | Verfahren und Simulationsanordnung zur Simulation einer automatisierten Industrieanlage |
CN108700873B (zh) * | 2016-03-09 | 2022-02-11 | 西门子股份公司 | 用于自动化***的现场设备的智能嵌入式控制*** |
US11573879B2 (en) * | 2018-10-22 | 2023-02-07 | General Electric Company | Active asset monitoring |
US11281971B2 (en) * | 2019-01-30 | 2022-03-22 | James David Busch | Devices, systems, and methods that observe and classify real-world activity relating to an observed object, and track and disseminate state relating the observed object |
US11500352B2 (en) * | 2019-05-01 | 2022-11-15 | Dh Technologies Development Pte. Ltd. | System and method for monitoring a production process |
-
2019
- 2019-09-18 EP EP19198052.3A patent/EP3796117B1/de active Active
-
2020
- 2020-09-17 US US17/023,504 patent/US20210080924A1/en active Pending
- 2020-09-17 CN CN202010981858.6A patent/CN112526962A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1178380A1 (en) * | 2000-07-15 | 2002-02-06 | Intevep SA | Method and system for monitoring an industrial process |
US20080033674A1 (en) * | 2006-08-01 | 2008-02-07 | Nikovski Daniel N | Detecting and diagnosing faults in HVAC equipment |
CN102282516A (zh) * | 2009-02-17 | 2011-12-14 | 株式会社日立制作所 | 异常检测方法及异常检测*** |
US20130024172A1 (en) * | 2010-03-30 | 2013-01-24 | Kabushiki Kaisha Toshiba | Anomaly detecting apparatus |
CN104471501A (zh) * | 2012-06-12 | 2015-03-25 | 西门子公司 | 用于设备状态监测中故障诊断的归纳的模式识别 |
CN106462150A (zh) * | 2014-05-20 | 2017-02-22 | 东芝三菱电机产业***株式会社 | 制造设备诊断辅助装置 |
CN109791511A (zh) * | 2016-09-29 | 2019-05-21 | 惠普发展公司,有限责任合伙企业 | 部件故障预测 |
CN106371427A (zh) * | 2016-10-28 | 2017-02-01 | 浙江大学 | 基于层次分析法和模糊融合的工业过程故障分类方法 |
WO2019091551A1 (de) * | 2017-11-08 | 2019-05-16 | Siemens Aktiengesellschaft | Verfahren und vorrichtung für maschinelles lernen in einer recheneinheit |
CN109948858A (zh) * | 2019-03-25 | 2019-06-28 | 东北大学 | 基于数据驱动的工况识别方法 |
Also Published As
Publication number | Publication date |
---|---|
EP3796117B1 (de) | 2021-10-27 |
US20210080924A1 (en) | 2021-03-18 |
EP3796117A1 (de) | 2021-03-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP2732371B1 (en) | Valve actuator fault analysis system | |
JP5016519B2 (ja) | 予測的状態監視のための診断システムおよび方法 | |
CN111542846A (zh) | 故障预测***和故障预测方法 | |
EP1960853B1 (en) | Evaluating anomaly for one-class classifiers in machine condition monitoring | |
CN107729985B (zh) | 识别技术设施的过程异常的方法和相应的诊断*** | |
CN110426634B (zh) | 一种用于驱动***的异常预测的方法及设备 | |
CN112526962A (zh) | 用于工艺技术设施的诊断方法和诊断***以及训练方法 | |
US20230023878A1 (en) | Equipment state monitoring device and equipment state monitoring method | |
WO2020152741A1 (ja) | 異常要因推定装置、異常要因推定方法、及びプログラム | |
US11726469B2 (en) | Error-based method for calculating a remaining useful life of an apparatus | |
CN110673515A (zh) | 对工业设施的监控 | |
US7949497B2 (en) | Machine condition monitoring using discontinuity detection | |
JP7433395B2 (ja) | 複雑なシステムにおける状態予測の説明のためのシステム及び方法 | |
KR20220068799A (ko) | 자동화설비의 고장 검출 시스템 및 그 방법 | |
CN111400850A (zh) | 设备故障分析方法、装置、设备和存储介质 | |
US20220179402A1 (en) | Method and device for analyzing a sequential process | |
US20210208030A1 (en) | Apparatus and method for diagnosing failure of plant | |
CN112987682A (zh) | 控制方法、控制装置和机械设备 | |
CN111930728A (zh) | 一种设备的特征参数和故障率的预测方法及*** | |
KR102340249B1 (ko) | 데이터 마이닝 기술을 이용한 피.엘.씨 고장 예측 장치 및 그 방법 | |
KR102351538B1 (ko) | 패턴 학습 및 진단 알고리즘을 이용한 자동화 설비의 고장 예측 시스템 및 그 방법 | |
US20220319242A1 (en) | Method and device for providing maintenance information on a door system for a vehicle, and door system for a vehicle | |
US11228606B2 (en) | Graph-based sensor ranking | |
US20240192095A1 (en) | State detection system, state detection method, and computer readable medium | |
EP4379618A1 (en) | Computer implemented method for determining a quality result for input data of a data model |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |