CN116648680A - 用于自动识别技术***的故障类型的辅助装置和方法 - Google Patents
用于自动识别技术***的故障类型的辅助装置和方法 Download PDFInfo
- Publication number
- CN116648680A CN116648680A CN202180085341.1A CN202180085341A CN116648680A CN 116648680 A CN116648680 A CN 116648680A CN 202180085341 A CN202180085341 A CN 202180085341A CN 116648680 A CN116648680 A CN 116648680A
- Authority
- CN
- China
- Prior art keywords
- time
- sensor data
- technical system
- auxiliary device
- user interface
- 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
- 238000000034 method Methods 0.000 title claims description 30
- 238000011524 similarity measure Methods 0.000 claims abstract description 21
- 230000008569 process Effects 0.000 claims description 13
- 230000008859 change Effects 0.000 claims description 10
- 230000003247 decreasing effect Effects 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 2
- 230000000087 stabilizing effect Effects 0.000 claims 1
- 230000006399 behavior Effects 0.000 description 9
- 238000012544 monitoring process Methods 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000012423 maintenance Methods 0.000 description 7
- 230000003449 preventive effect Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 208000018910 keratinopathic ichthyosis Diseases 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000036962 time dependent Effects 0.000 description 2
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010921 in-depth analysis Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/0227—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/0227—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions
- G05B23/0229—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions knowledge based, e.g. expert systems; genetic algorithms
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
用于通过分析多于一个不同传感器数据的被监视时间序列来自动识别技术***的故障类型的辅助装置,每个传感器数据表示技术***的不同参数,包括至少一个处理器,该处理器被配置为针对每个传感器数据确定所述传感器的所述传感器数据的第一时间序列的一组特定时间过程,并且将符号表示分配给不同的特定时间过程中的每一个,‑提供至少一个故障模式,每个故障模式表示技术***的若干故障类型中的一个故障类型,并且每个故障模式包括相同时间段中的传感器数据的至少子集的第一时间序列的特定时间过程的故障类型特定组合,其中每个特定时间过程由相应的符号表示来表示,‑获得技术***的传感器数据的多于一个的被监视时间序列,它们中的每一个被划分成时间段的序列,并且根据时间段中传感器数据的时间过程自动地给每个时间段分配符号表示(20,27),计算所有故障模式和传感器数据的所获得的多于一个的被监视时间序列的所选时间间隔的该组符号表示的相似性度量,‑根据所计算的相似性度量的递减值确定故障模式的分级,以及通过用户界面输出分级。
Description
技术领域
本公开涉及一种用于通过分析多于一个不同传感器数据的被监视时间序列来自动识别技术***的故障类型的辅助装置和方法,例如用于预防性维护,每个传感器数据代表技术***的不同参数。
背景技术
在各种技术领域中,需要监视技术***的操作。例如,在石油和天然气生产、重工业、运输和自动化***的领域中,大量的机器、驱动器、电机、泵或压力机被监视,以检测或甚至预测异常操作,从而使得例如预防性维护能够确保技术***的高可用性。传感器的一个重要应用领域是监视在井下开采石油的电潜泵的功能。安装传感器以测量地面压力、压头和短管压力以及油温和电机电流。这些传感器允许监视整个泵***的状态。
通过基于人工智能的方法,例如通过机器学习,可以识别或甚至预测正常行为或异常。然而,需要包含不同类型故障的大量可靠历史数据来训练这样的机器学习模型。此外,机器遵循物理定律,并且它们的行为在理论上可以用方程式来描述。虽然现实通常更复杂,但等式会产生有价值的规则,所述规则通常依赖于固定的阈值。这些规则在本质上是相当一般的,并且难以判断一条规则是否可以适用于某种情况。
另一方面,领域专家对技术***了如指掌,并且通常可以根据他/她的经验和查阅数据来判断是否需要维护。然而,操作人员的手动监视缺乏对可用数据的更深入分析。技术***在长时间段内发生的微妙变化可能容易被忽略。此外,如果不持续监视机器行为,可能会错过快速变化。
US 2019/227504A1公开了一种适于检测和预测在线工厂过程中的操作事件的建模方法。它公开了构建事件模式模型,所述事件模式模型模型包括与操作事件相关联的KPI的时间序列的一组事件签名。每个事件签名包含KPI的整个时间序列模式,其指示工厂过程中的操作事件。
发明内容
因此,本申请的目的是基于多元时间相关传感器数据来改进被监视技术***的故障检测和故障类型的识别,以实现预防性维护。
这个目的通过独立权利要求的特征来解决。从属权利要求包含本发明的进一步发展。
第一方面涉及一种辅助装置,用于通过分析多于一个不同传感器数据的被监视时间序列来自动识别技术***的故障类型,例如用于预防性维护,每个传感器数据表示技术***的不同参数,其包括至少一个处理器,该处理器被配置为
-针对每个传感器数据确定所述传感器的所述传感器数据的第一时间序列的一组特定时间过程,以及将符号表示分配给不同的特定时间过程中的每一个,
-提供至少一个故障模式,每个故障模式表示技术***的若干故障类型中的一个故障类型,并且每个故障模式包括相同时间段中的传感器数据的至少子集的第一时间序列的特定时间过程的故障类型特定组合,其中每个特定时间过程由相应的符号表示来表示,
-获得技术***的传感器数据的多于一个的被监视时间序列,它们中的每一个被分成时间段序列,并且根据在时间段中的传感器数据的时间过程自动地为每个时间段分配符号表示,
-计算所有故障模式和传感器数据的所获得的多于一个的被监视时间序列的所选时间间隔的该组符号表示的相似性度量,
-根据所计算的相似性度量的递减值来确定故障模式的分级,以及
-通过用户界面输出分级。
辅助装置分析技术***在特定时间段内的行为与不同故障类型的根本原因的关系。故障类型更具体地涉及故障的原因,例如断裂的轴、管道中的孔。因此,该辅助装置有助于识别被监视技术***的行为的长期趋势以及快速变化。如果存在以正式方式描述故障类型的规则,则可以识别技术***的异常行为,而无需利用这种故障情况的传感器数据的时间序列对机器学习算法进行任何训练。辅助装置增强了手动监视传感器数据行为并将规则与传感器值进行比较的繁琐且容易出错的过程。将更可靠、更早、更快地检测到故障。
优选地,根据在时间段中的每个传感器数据的时间过程,通过分配算法将符号表示组分配给每个时间段。取决于所使用的分配算法,在对不同故障类型的根本原因进行分类时,可以可视化并考虑匹配算法的不确定性。
在一个优选实施例中,辅助装置被配置为使得特定时间过程相对于传感器数据的时间序列的时间过程的梯度类型,尤其是正或负梯度,或者相对于具有随时间稳定过程的传感器数据的时间序列的梯度波动而被区分。
这提供了将各种特定时间过程分类为时间过程的主要类别,其中时间过程的每一类别提供了促成技术***的故障类型的特征行为,或者至少表征了技术***的操作模式或退化的趋势。
在另外的实施例中,辅助装置被配置成使得特定时间过程相对于梯度的值范围或传感器数据值的变化幅度而被区分。
这提供了特定时间过程和相应符号表示的精细粒度,其中传感器数据随时间以其值的低、中或高幅度变化。这种变化量级的传感器值的变化为特定故障类型提供了有价值的提示,并因此提供了显著的信息来识别技术***中可能故障的根本原因,即理由。
在另外的实施例中,辅助装置被配置成使得时间段根据相应时间过程的持续时间而具有不同的时间长度。
这提高了时间序列传感器数据的处理效率,因为与例如小但恒定长度的段相比,段的数量减少了。此外,片段的时间长度不是固定的,而是由相同类型的时间过程占优势的时间上的持续时间来定义。只有在已经检测到传感器数据的时间过程的变化时,才关闭当前段。
这意味着对于不同传感器数据的时间序列,段长度可以不同。这允许分配和分析正确的特定时间过程,并且可以分析和输出相关的符号表示。
在优选实施例中,通过领域知识来确定相同时间段中传感器数据的时间序列的至少子集的特定时间过程的故障类型特定组合。
关于不同故障类型的故障特征的领域知识在文献中有描述,或者可以由有经验的领域专家的个人知识提供。此外,领域知识可以基于来自技术***的制造商的知识或针对相同或相似的技术***执行的模拟。
在优选实施例中,相似性度量是二元匹配,并且根据匹配的数量来确定分级。
具有所有故障模式的段的符号表示的二元匹配需要很少的处理能力,因此可以快速执行,例如实时地和/或在短时间内对大量的段执行。此外,基于二元匹配的故障模式的分级易于被装置的用户理解,并且因此提供了算法中的信任。在实施例的变型中,不同的权重被分配给符号表示,并且相似性度量基于加权二元匹配。相似性度量的结果表示所考虑的时间段的符号表示与故障模式的符号表示相匹配的概率。
辅助装置的用户界面被配置为图形用户界面,并且在图形用户界面处根据对于所选时间间隔的所确定的分级而可视化所选时间间隔的符号表示和故障模式的符号表示。
这为操作人员提供了一个全面的概述,以解释该所选时间段内的操作模式,并且可视化引起该特定所选时间段内各种传感器数据的时间过程的最可能的根本原因。
在优选实施例中,根据所选时间间隔的故障模式的分级对故障模式进行排序。
这允许对该段中若干传感器值的特定行为的最可能的根本原因的概述。
在优选实施例中,与所选时间间隔的符号表示相匹配的故障模式的那些符号表示以突出显示的方式可视化。
这允许快速识别对最可能的并因此高分级的故障类型贡献最大的那些传感器。可以以最高优先级检查由传感器数据表示的参数,并且可以触发最相关的检查任务。
在优选实施例中,图形用户界面被配置成另外显示在整个观察时间内的传感器数据的所获得的多于一个的被监视时间序列,包括所选时间间隔的指示,和/或传感器数据的所获得的多于一个的被监视时间序列的第二所选时间间隔的详细视图。
这使得操作人员具有在长时间段内传感器数据的所有被监视时间序列的长期概览,以及对仅覆盖相邻时间段的详细概览。详细概览可以与这些总体概览相关联。详细概览可以包括,例如,至少所选时间间隔,或者所选段的前面和后续的时间间隔中的短期,或者所选时间间隔和前面和后续的时间间隔的组合。
在优选实施例中,分配给所选时间间隔的至少一个符号表示可以由用户在图形用户界面上改变,并且改变的符号表示用作符号表示的附加分配和确定故障模式的分级的输入。
符号表示的附加分配是考虑到改变的符号表示来确定的,并且可以例如针对该检测到的所选时间段、针对所选第二时间间隔或由传感器数据的所获得的时间序列覆盖的完整时间间隔来执行的。
在优选实施例中,辅助装置被配置成附加地输出技术***(1)的所识别的故障类型的指示和/或输出要在技术***处应用的指令。
所识别的故障类型的指示可以是光信号形式的指示、在用户界面输出或者转发给监视或监督中心的相应文本消息形式的指示。指令可以是对分析相应的一个或几个传感器的活动的建议,或者是进一步建议的行动。
第二方面涉及一种计算机实现的方法,用于自动识别技术***的故障类型,特别是用于通过分析多于一个不同传感器数据的被监视时间序列的预防性维护,每个传感器数据代表技术***的不同参数,该方法包括
-针对每个传感器数据确定所述传感器的传感器数据的第一时间序列的一组特定时间过程,以及将符号表示分配给不同的特定时间过程中的每一个,
-提供至少一个故障模式,每个故障模式表示技术***的若干故障类型中的一个故障类型,并且每个故障模式包括相同时间段中的传感器数据的至少子集的第一时间序列的特定时间过程的故障类型特定组合,其中每个特定时间过程由相应的符号表示来表示,
-获得技术***的传感器数据的多于一个被监视时间序列,它们中的每一个被分成时间段的序列,并且根据在时间段中的传感器数据的时间过程自动地为每个时间段分配符号表示,
-计算所有故障模式和传感器数据的所获得的多于一个的被监视时间序列的所选时间间隔的该组符号表示的相似性度量,
-根据所计算的相似性度量的递减值来确定故障模式的分级,以及通过用户界面输出分级。
第三方面涉及一种可直接加载到数字计算机的内部存储器中的计算机程序产品,包括软件代码部分,当该产品在数字计算机上运行时,所述软件代码部分用于执行辅助装置的如上所述的计算机实现的方法的步骤。
附图说明
在下文中,将参照附图并且更详细地描述本公开的实施例。
图1示出了包括本发明的辅助装置的实施例的监视环境的示例。
图2示出了传感器数据的第一时间序列和故障类型列表以及技术***的测量参数的特定时间过程的相关故障类型特定组合的示例性实施例。
图3示出了本发明方法的实施例的流程图。
图4示出了根据本发明方法的符号表示的实施例。
图5示出了将符号表示分配给传感器数据的时间序列的时间段的实施例;和
图6示出了本发明的辅助装置的图形用户界面的实施例。
具体实施方式
注意,在实施例的以下详细描述中,附图仅是示意性的。相反,附图旨在示出功能以及功能或与功能相关的组件的协作。这里,应当理解,功能块、设备、组件或其他物理或功能元件的任何连接或耦合也可以通过间接连接或耦合来实现,例如经由一个或多个中间元件。元件或组件的连接或耦合可以通过基于有线连接、无线连接和/或有线和无线连接的组合来实现。功能块可以由专用硬件、固件、软件和/或检测到的硬件、固件和/或软件的组合来实现。
图1示出了包括辅助装置10的监视环境,所述辅助装置10用于自动识别被监视的技术***1的故障类型。传感器数据15的时间序列由测量被监视的技术***1的不同参数的不同传感器获得。辅助装置10包括至少一个但更可能是几个处理器,所述处理器被配置成提供如下所述的功能步骤。处理器被构造成形成数据输入接口11、分析单元12和用户接口13。数据输入接口11被配置为从技术***1接收传感器数据的被监视时间序列。分析单元12被配置成处理传感器数据的被监视时间序列,如下所述。用户界面13优选地被配置为图形用户界面,以输出由分析单元12确定的分级。
辅助装置10还包括数据存储单元14,用于存储传感器数据的第一时间序列,尤其是可以分配给传感器数据的时间线的符号表示,所述时间线随后从技术***获得一个用于评估。
辅助装置10通过自动建议按照概率排序并显示在用户界面11处的可能的根本原因/故障类型来支持领域专家。
图2示出了由传感器S1、S2、S3和S4在时间段t内在与技术***1相同或相似的应当被监视的技术***处测量的传感器数据16的第一时间序列的示例。传感器S1,...,S4测量技术***1的参数P1、P2、P3和P4的值。技术***1的典型故障类型RC在清单17中列出。在这种故障情况下,传感器数据的特定时间过程是预期的。因此,关于各种参数P1,...,P7的传感器值的预期时间过程的指示被分配给每个故障类型RC1,...,RC12。故障类型例如通过故障的根本原因来指定,并且与技术***1的不能正确工作的组件相关。在泵的情况下,典型故障类型RC1,...,RC12是断裂的轴、油管中的孔或打开的节流器。清单可以基于领域专家知识、制造商信息或技术***1的模拟结果。
基于图3至5描述由辅助装置10执行的功能步骤或方法以及相应的方法步骤。
参见图3,在第一步骤M1中,辅助装置针对每个传感器数据确定传感器数据的第一时间序列的一组特定时间过程,以及为不同的特定时间过程中的每一个分配符号表示。基于在与技术***1相比相同或相似的技术***处测量的传感器数据的第一时间序列中观察到的时间过程来分配这些符号表示。传感器数据的第一时间序列优选地相对于技术***1的被监视时间序列在时间上在之前获得。
在第二步骤M2中,通过根据故障类型的传感器数据的特定时间过程分配一组符号表示来提供至少一个故障模式F1,F7。该分配可以基于例如由清单17提供的关于专用参数的故障类型和相关时间过程的信息。每个故障模式代表故障类型RC1,...,RC12。参数P1,...P7与提供传感器数据的时间序列的传感器S1,...S7相关,并且传感器数据的特定过程的指示由相应的符号表示来表示。由易于阅读的符号表示组成的这种故障模式将有助于表示对故障类型有贡献的传感器数据集的特定时间过程。
特定时间过程相对于时间过程的梯度类型被区分,以尽可能详细地表征故障模式。特别地,时间过程被区分为与正或负梯度相关。随时间的稳定过程意味着传感器值保持恒定或仅随时间稍微偏离。不同的符号表示被分配给特定的时间过程中的每一个。
图4示出了一组符号表示20、27。一组符号表示20包括用于递减时间过程的符号表示,即具有负梯度。特定时间过程相对于变化的持续时间和/或变化的幅度而区分。列21、22和23中的符号表示表示在时间上短、中和长持续时间的负梯度,即时间上的迅速减少、快速减少和缓慢减少。列24中的符号表示示出了传感器数据值的低变化幅度。行25中的符号表示示出了中变化幅度,并且行26中的符号表示示出了传感器值的高变化幅度。对于变化的每个组合持续时间以及变化的幅度,建立不同的抽象表示。类似地,用于增加特定时间过程的符号表示27被确定为包括用于不同变化持续时间的不同符号表示,参见组27的行21、22、23中的符号表示,以及变化幅度中不同阴影的不同符号表示,参见符号表示24、25和26。
符号表示28和29涉及稳定的特定时间过程,其中符号表示28表示传感器值中具有低波动的稳定过程,而符号表示29表示示出传感器值中的高波动的恒定时间过程。
在第三方法步骤M3中,辅助装置10例如经由数据输入接口11获得技术***1的传感器数据的多于一个的被监视时间序列,传感器数据的每个时间序列被划分为时间段序列,并且根据该时间段中的传感器数据的时间过程自动为每个时间段分配符号表示。换句话说,一个符号表示被分配给传感器数据的每个时间序列的每个时间段。优选地,传感器数据的被监视时间序列已经被划分成后续时间段,其中每个时间段仅示出传感器数据值的一个特定时间过程。优选地,时间段的时间持续时间被选择为仅覆盖时间序列的一个特定过程。
图5示出了传感器数据S0的时间序列。传感器数据S0的时间序列被分成后续时间段30、31...35,此外,其中每个段30,31...35仅包括根据一个特定时间过程的传感器数据值。符号表示,例如指示相应特定时间过程的符号表示20、27被分配给时间段。
例如,段31示出了缓慢下降的过程,但是具有高变化幅度。因此,相应的符号表示41被分配给段31。时间段32示出了具有高变化幅度的缓慢增加过程,并且分配了相应的符号表示42。段33包括迅速增加的时间过程,并且相关的符号表示43被分配给该片段33。此外,符号表示44、45被标记为段34、35。时间段30,...35可以具有不同的时间长度,这取决于相应时间过程的持续时间。时间段的长度可以通过各种算法来确定,并且不是本公开的一部分。对于传感器数据S0、S1、S2、S3、S4的不同时间序列,不同的特定时间过程和分配的抽象表示的粒度可以不同。
在下一个方法步骤M4中,计算相似性度量,从而提供针对匹配每个故障模式的所考虑时间段的一组符号表示的概率。优选地,使用二元匹配作为相似性度量,并且根据各种传感器数据的符号表示与故障模式的相同传感器数据的相应符号表示的匹配数量来确定故障模式的分级。除了二元匹配之外,可以应用若干进一步的相似性度量,例如对每个传感器值应用不同的权重。
在步骤M5中,根据所计算的相似性度量的递减值来确定故障模式的分级。在步骤M6中,通过辅助装置10的用户界面13输出分级。
相似性度量的计算是自动执行的,而无需任何用户交互。任何给定的度量可以用作距离度量用于对故障类型进行匹配和分级。与某一故障模式匹配的传感器符号越多,该故障在所考虑的时间段内发生的概率就越高。故障模式根据降低的概率排序。
该分级在辅助装置10的用户界面13上输出,该用户界面13优选地被配置为图形用户界面。图6示出了图形用户界面的示例实施例。
图形用户界面50包括三个区域51、52、53。区域51显示在长时间段内获得的传感器数据S1、S2、S3、S4的时间序列,提供传感器数据S1、S2、S3、S4的完整历史和长期背景。用户可以例如通过鼠标或触摸屏输入来选择时间间隔54。所选的时间间隔54在区域53中详细示出。在图形用户界面50的区域52中显示分配给所选时间间隔54中的传感器数据的时间序列的符号表示MS。此外,匹配矩阵在区域52中可视化,在第一列中显示每个传感器的所选间隔54的符号表示MS。以下各列中的每一列以根据分级的顺序显示故障模式F1,...、F10,即,以匹配的递减概率的顺序。所显示的故障模式F1,...,F10的那些抽象表示被突出显示,其与所选时间间隔的符号表示MS相匹配,参见区域52中的帧55、56。
图形用户界面50允许选择所选间隔54的符号表示MS的至少一个符号表示,并分配改变的符号表示。改变的符号表示被用作给传感器数据的被监视时间序列的符号表示的新分配的输入,并且基于新分配确定新分级。这个新的分配和步骤M3中的分配的反馈在图2中由虚线箭头表示。这种用户反馈可以用于改进匹配和分级,因此允许分别对时间段和分级的符号表示的分配进行连续改进。
图形用户界面50可以通过在区域51中的概览可视化中选择相应的时间间隔来交互式地改变区域52和53中所示的时间段。这样做,用户可以探索与每个时间间隔的分配的符号表示相关的随时间的变化,以及相关的各个故障类型的匹配和分级。
此外,辅助装置10可以输出技术***10的识别的故障类型的指示和/或输出要在技术***1上应用的指令。这种指令可以是技术***1的活动或设置等。图形用户界面50支持用户通过分析和后续时间段及其相对于故障模式F1...F10的分配的符号表示组MS来分析在所选时间间隔54中识别的故障类型的历史。
辅助装置10和相关方法通过将规则与传感器值进行比较来替代传感器行为的人工监视。可以更可靠、更早、更快地检测故障,尤其是故障的根本原因。可以更快地应用对策来防止或限制损坏或次优操作,因此实现预防性维护。这导致了显著的成本节约或改进的利用率。通过图形用户界面,操作人员获得足够的信息来一眼识别可能存在的故障的种类,并提供进一步深入研究的可能性。根据实际段的符号表示所使用的计算,用于分配符号表示的算法的不确定性可以被可视化,并在对故障类型进行分级时考虑。
应当理解,以上对示例的描述旨在是说明性的,并且所示出的概念易于进行各种修改。
Claims (13)
1.一种辅助装置,用于通过分析多于一个不同传感器数据(S 1,...、S4)的被监视时间序列来自动地识别技术***(1)的故障类型,每个传感器数据(S1、..S4)表示技术***(1)的不同参数,其包括至少一个处理器,所述处理器被配置为
-针对每个传感器数据确定所述传感器数据的第一时间序列的一组特定时间过程,并将符号表示(20,27)分配给不同的特定时间过程中的每一个,
-提供至少一个故障模式(F1,...,F10),每个故障模式(F1,...,F10)表示技术***(1)的若干故障类型中的一个故障类型,并且每个故障模式(F1,...,F10)包括相同时间段中的传感器数据(F1,...,F10)的至少子集的第一时间序列的特定时间过程的故障类型特定组合,其中每个特定时间过程由相应的符号表示(20,27)来表示,
-获得技术***(1)的传感器数据的多于一个的被监视时间序列,它们中的每一个都被划分成时间段(30,...,35)的序列,并根据该时间段中的传感器数据(S1,...,S4)的时间过程向每个时间段(30,...,35)自动分配符号表示(20,27),
-计算所有故障模式(F1,...,F10)和传感器数据(S1,...,S4)的所获得的多于一个的被监视时间序列的所选时间间隔(54)的该组符号表示的相似性度量,
-取决于所计算的相似性度量的递减值而确定故障模式(F1,...,F10)的分级,以及
-通过用户界面(13)输出分级,其中用户界面(13)被配置为图形用户界面(50),并且在图形用户界面(50)处根据所选时间段(54)的所确定的分级而可视化所选时间间隔(54)的符号表示(MS)以及故障模式(F1,...,F10)的符号表示。
2.根据权利要求1所述的辅助装置,其中,所述特定时间过程相对于传感器数据的时间序列的时间过程的梯度类型,尤其是正或负梯度,或者相对于具有随时间的稳定过程的传感器数据的时间序列的梯度的波动来区分。
3.根据权利要求2所述的辅助装置,其中,所述特定时间过程相对于梯度的值范围或传感器数据值的变化幅度来区分。
4.根据前述权利要求中任一项所述的辅助装置,其中所述时间段(30,...,35)具有不同的时间长度,其取决于相应时间过程的持续时间。
5.根据前述权利要求中任一项所述的辅助装置,其中,通过领域知识来确定相同时间段中传感器数据的时间序列的至少子集的特定时间过程的故障类型特定组合。
6.根据前述权利要求中任一项所述的辅助装置,其中,所述相似性度量是二元匹配,并且所述分级根据匹配的数量来确定。
7.根据前述权利要求中任一项所述的辅助装置,其中,故障模式(F1,...,F10)根据所选的时间间隔(54)的故障模式(F1,...,F10)的分级来排序。
8.根据权利要求6和7中任一项所述的辅助装置,其中,与所选时间间隔(54)的符号表示匹配的故障模式(F1,...,F10)的那些符号表示以突出显示的方式可视化。
9.根据权利要求6和8中任一项所述的辅助装置,其中,所述图形用户界面(50)被配置为另外显示
在完整的观察时间上的传感器数据(S1,...,S4)的所获得的多于一个的被监视时间序列,包括所选时间间隔的指示,和/或传感器数据(S1,...,S4)的所获得的多于一个的被监视时间序列的第二所选时间间隔的详细视图。
10.根据前述权利要求中任一项所述的辅助装置,其中,分配给所选时间间隔(54)的至少一个符号表示(20,27)可以由用户在图形用户界面(50)处改变,并且改变的符号表示(20,27)用作符号表示的附加分配和故障模式的分级的确定的输入。
11.根据前述权利要求中任一项所述的辅助装置,其中,所述辅助装置被配置成附加地输出技术***(1)的所识别的故障类型的指示和/或输出要在技术***(1)处应用的指令。
12.一种计算机实现的方法,用于通过分析多于一个不同传感器数据(S1,...,S4)的被监视时间序列而自动识别技术***(1)的故障类型,每个传感器数据表示技术***(1)的不同参数,包括
-针对每个传感器数据确定(M1)传感器数据的第一时间序列的一组特定时间过程,并将符号表示(20,27)分配给不同的特定时间过程中的每一个,
-提供(M2)至少一个故障模式,每个故障模式表示技术***的若干故障类型中的一个故障类型,并且每个故障模式包括相同时间段中的传感器数据的至少子集的第一时间序列的特定时间过程的故障类型特定组合,其中每个特定时间过程由相应的符号表示来表示,
-获得(M3)技术***的传感器数据的多于一个的被监视时间序列,它们中的每一个被划分成时间段的序列,并且根据在时间段中的传感器数据的时间过程给每个时间段自动地分配符号表示,
-计算(M4)所有故障模式和传感器数据的所获得的多于一个的被监视时间序列的所选时间间隔的该组符号表示的相似性度量,
-根据所计算的相似性度量的递减值来确定(M5)故障模式的分级,以及
-经由用户界面输出(M6)该分级,其中所述用户界面(13)被配置为图形用户界面(50),并且所选时间间隔(54)的符号表示(MS)和故障模式(F1,...,F10)在图形用户界面(50)处根据所选时间段(54)的所确定的分级被可视化。
13.一种可直接加载到数字计算机的内部存储器中的计算机程序产品,包括当所述产品在所述数字计算机上运行时用于执行权利要求12的步骤的软件代码部分。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP20214607.2 | 2020-12-16 | ||
EP20214607.2A EP4016220A1 (en) | 2020-12-16 | 2020-12-16 | Assistance apparatus and method for automatically identifying failure types of a technical system |
PCT/EP2021/081986 WO2022128298A1 (en) | 2020-12-16 | 2021-11-17 | Assistance apparatus and method for automatically identifying failure types of a technical system |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116648680A true CN116648680A (zh) | 2023-08-25 |
Family
ID=73855105
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202180085341.1A Pending CN116648680A (zh) | 2020-12-16 | 2021-11-17 | 用于自动识别技术***的故障类型的辅助装置和方法 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20240118685A1 (zh) |
EP (2) | EP4016220A1 (zh) |
CN (1) | CN116648680A (zh) |
WO (1) | WO2022128298A1 (zh) |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10921759B2 (en) * | 2016-07-07 | 2021-02-16 | Aspen Technology, Inc. | Computer system and method for monitoring key performance indicators (KPIs) online using time series pattern model |
-
2020
- 2020-12-16 EP EP20214607.2A patent/EP4016220A1/en active Pending
-
2021
- 2021-11-17 WO PCT/EP2021/081986 patent/WO2022128298A1/en active Application Filing
- 2021-11-17 CN CN202180085341.1A patent/CN116648680A/zh active Pending
- 2021-11-17 US US18/265,730 patent/US20240118685A1/en active Pending
- 2021-11-17 EP EP21815452.4A patent/EP4237923A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
WO2022128298A1 (en) | 2022-06-23 |
EP4016220A1 (en) | 2022-06-22 |
EP4237923A1 (en) | 2023-09-06 |
US20240118685A1 (en) | 2024-04-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP4832609B1 (ja) | 異常予兆診断装置および異常予兆診断方法 | |
US20190287005A1 (en) | Diagnosing and predicting electrical pump operation | |
CN108376308A (zh) | 用于可靠性监测的***和方法 | |
CN107408226A (zh) | 资产健康评分及其使用 | |
JP6708203B2 (ja) | 情報処理装置、情報処理方法、及び、プログラム | |
JP7493930B2 (ja) | 情報処理方法、情報処理装置、生産システム、プログラム、記録媒体 | |
JP6521096B2 (ja) | 表示方法、表示装置、および、プログラム | |
JP6489235B2 (ja) | システム分析方法、システム分析装置、および、プログラム | |
CA3127100C (en) | Anomaly detection for predictive maintenance and deriving outcomes and workflows based on data quality | |
WO2013041440A1 (en) | System and method for plant wide asset management | |
JP6777142B2 (ja) | システム分析装置、システム分析方法、及び、プログラム | |
CN116324854A (zh) | 用于对传感器数据点的不同时间序列进行分段的监视设备和方法 | |
WO2021127646A1 (en) | Device and method for monitoring a system | |
EP3896543A1 (en) | Device for evaluating a classification made for a measured data point | |
Fu et al. | Digital twin-driven vibration amplitude simulation for condition monitoring of axial blowers in blast furnace ironmaking | |
CN116648680A (zh) | 用于自动识别技术***的故障类型的辅助装置和方法 | |
US20220147039A1 (en) | Event analytics in modular industrial plants | |
US20220253051A1 (en) | Method and assistance system for detecting an abnormal behaviour of a device | |
de León Hijes et al. | Assessment of functional condition of equipment in industrial plants based on multiple measurements | |
JP6247777B2 (ja) | 異常診断装置および異常診断方法 | |
JP2022191680A (ja) | データ選択支援装置及びデータ選択支援方法 | |
JP6973445B2 (ja) | 表示方法、表示装置、および、プログラム | |
CN105683852A (zh) | 用于模型自适应的设备和方法 | |
RU2777950C1 (ru) | Обнаружение нештатных ситуаций для прогнозного технического обслуживания и определения конечных результатов и технологических процессов на основании качества данных | |
WO2021140607A1 (ja) | 情報処理装置、制御方法及び記憶媒体 |
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 |