CN116997867A - 用于预测技术设施的运行的方法和*** - Google Patents
用于预测技术设施的运行的方法和*** Download PDFInfo
- Publication number
- CN116997867A CN116997867A CN202280022429.3A CN202280022429A CN116997867A CN 116997867 A CN116997867 A CN 116997867A CN 202280022429 A CN202280022429 A CN 202280022429A CN 116997867 A CN116997867 A CN 116997867A
- Authority
- CN
- China
- Prior art keywords
- time
- neuron
- process step
- winner
- profile
- 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 abstract description 163
- 238000009434 installation Methods 0.000 title claims abstract description 22
- 210000002569 neuron Anatomy 0.000 claims abstract description 93
- 230000008569 process Effects 0.000 claims abstract description 76
- 208000024891 symptom Diseases 0.000 claims abstract description 25
- 238000011156 evaluation Methods 0.000 claims abstract description 21
- 230000036962 time dependent Effects 0.000 claims abstract description 6
- 238000004590 computer program Methods 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 15
- 238000013139 quantization Methods 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 4
- 238000009795 derivation Methods 0.000 claims 1
- 230000006399 behavior Effects 0.000 abstract description 19
- 239000013598 vector Substances 0.000 description 11
- 238000013507 mapping Methods 0.000 description 8
- 238000004886 process control Methods 0.000 description 8
- 238000004519 manufacturing process Methods 0.000 description 6
- 238000009826 distribution Methods 0.000 description 5
- 238000004088 simulation Methods 0.000 description 5
- 238000010923 batch production Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012806 monitoring device Methods 0.000 description 2
- 238000005312 nonlinear dynamic Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010924 continuous production Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000013523 data management 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
- 238000003745 diagnosis Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000011017 operating method Methods 0.000 description 1
- 238000004540 process dynamic Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000003756 stirring Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
- 229960005486 vaccine Drugs 0.000 description 1
- 230000000007 visual 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
- G05B17/00—Systems involving the use of models or simulators of said systems
- G05B17/02—Systems involving the use of models or simulators of said systems electric
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41885—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by modeling, simulation of the manufacturing system
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
- G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
-
- 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
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/048—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators using a predictor
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Manufacturing & Machinery (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种用于预测技术设施的运行的方法和相应设计的***,在技术设施中运行具有至少一个过程步骤的方法工艺过程,其中将表征设施的运行并具有过程变量的值的数据集以与时间相关的方式获取并且存储在数据存储器中,并且在学习阶段使用历史数据集针对每个过程步骤或批次学习自组织映射(SOM),针对每个自组织映射为每个神经元得出并存储症状阈值及其容差,并且针对每个过程步骤或批次为全部时间戳得出并存储胜利者神经元的全部允许的时间变化轮廓。本发明的特征在于,在评估阶段中确定时间点,从该时间点起应该进行对技术设施的运行的预测,然后在使用至少一个过程步骤的当前数据集的情况下,借助于已学习的胜利者神经元轮廓得出用于整个过程步骤或批次的至少一个胜利者神经元轮廓,并且在先前确定的时间点之后,将该胜利者神经元轮廓的神经元中存储的过程变量的值作为预测轮廓显示在输出单元上。通过预测未来的动态过程行为,本发明允许对技术设施的运行进行早期纠正干预。
Description
技术领域
本发明涉及用于预测技术设施的运行的方法和相应的***,在该技术设施中运行具有至少一个过程步骤的方法工艺过程。本发明还涉及相关的计算机程序和计算机程序产品。
背景技术
工艺技术生产设施的运行受到大量工艺参数、运行参数、生产条件、设施条件和设置的影响。其中一些影响变量可以由设施操作员或自动化装置指定,其他变量不会受到影响但可以测量,并且仍然存在未知的影响。此外,该工艺通常非常复杂,因此无法提前知道更改可能影响的变量的效果。为了避免不利的运行条件,主要通过过程控制***以及通常还通过附加***对生产设施进行连续和全面的监控。较小的偏差可能只会导致质量损失,较大的偏差可能已经导致生产停机甚至带来安全风险。除了监控当前***状态之外,通常还希望预测未来的行为,以便能够更早对即将发生的偏差做出反应。在技术设施的预测性维护领域还需要对未来过程行为的预测。
预测最简单的可能性是将当前行为外推到未来。根据过程动态,考虑最近的过去并推断未来。然而,许多过去的影响没有被考虑在内,因此结果通常没有意义。为了能够可靠地预测生产设施的行为,通常使用动态过程模型的模拟。通常,可用的质量只能通过严格的过程建模来实现。这些模型通常不是线性的,并且需要大量的动态变量。所需的建模通常非常复杂,这在许多应用中是不值得的。此外,过程模型必须扩展到包括***模型、特别是自动化和控制模型,以便能够重现真实行为。总而言之,基于模拟的预测仅在少数应用中真正实现,即值得付出大量经济努力的应用。或者也可以基于数据来训练模拟模型。然而,现有的识别方法大多仅适用于线性动态模型。然而,这些只能令人满意地描述工作点附近的复杂过程。然而,基于数据的一般非线性动态模型的识别几乎是不可能的,因为如果没有模型的结构规范,则实际上存在无限种可能的变化。因此,基于数据的仿真模型的应用仅限于线性***,线性***至多通过单独的非线性进行具体扩展。
发明内容
因此,本发明的目的是提出一种用于预测动态、特别是不连续过程的技术设施运行的基于数据的方法和***,其不需要复杂的非线性动态过程的复杂建模并且还具有高可靠性。由此出发,本发明的基本目的是提出合适的计算机程序、计算机程序产品和图形用户界面。
该目的通过独立权利要求1的特征来实现。另外,该目的通过根据权利要求10的计算机程序、根据权利要求11的计算机程序产品以及根据权利要求12的图形用户界面来实现。
可单独使用或彼此组合使用的本发明实施例是从属权利要求的主题。
假设过程的历史数据可用,根据本发明提出使用自组织映射(SOM)来预测未来的动态过程行为。
自组织映射(SOM)是一种人工神经网络,由无监督学习过程训练,以便生成训练数据输入空间的二维离散映射,也被称为映射。这些映射可用于对高维数据的低维视图进行分类和可视化,例如在过程工业中发现的数据。该映射由特定拓扑中的神经元或节点组成(例如以矩阵形式排列的6×8神经元)。每个神经元对应于一个向量或维度为n×1的n元组,其中向量的维度例如对应于输入信号的数量n。向量的数据可以是例如温度、压力、湿度等过程变量并且是操纵变量、设定值或可测量的干扰变量,即与技术过程直接相关的所有变量,从而形成表征过程状态的数据集。因此,SOM代表过程行为的映射。如果使用“好数据”训练SOM,则它们代表过程的正常行为。但是,原则上也可以使用“坏数据”训练SOM以避免映射过程的错误行为。这意味着任何流程行为都可以用SOM表示。唯一的要求是学习数据能够代表运行期间发生的所有运行方法和事件。
基于学习的数据隐含地存在于SOM中的这种知识现在根据本发明用于预测过程的进程。这既适用于只有一个过程步骤的连续工艺,也适用于具有多个过程步骤的批量工艺,这些工艺可以根据标准ISA-88以面向批量的方式运行,例如借助顺序功能控制(简称SFC)或步骤链。
因此,本发明涉及用于预测技术设施的运行的方法和***,在该技术设施中运行具有至少一个过程步骤的方法工艺过程,其中,将表征设施的运行的并具有过程变量的值的数据集以与时间相关的方式获取并且存储在数据存储器中,并且在学习阶段中,在使用历史数据集的情况下,针对每个过程步骤或批次训练自组织映射(SOM),针对每个SOM为每个神经元得出并且存储症状阈值及其容差,并且针对每个过程步骤或批次为全部时间戳得出并且存储胜利者神经元的全部允许的时间变化轮廓。本发明的特征在于,在评估阶段中确定时间点,从该时间点起要进行对技术设施的运行的预测,随后在使用至少一个过程步骤的当前数据集的情况下,借助于已学习的胜利者神经元轮廓得出用于整个过程步骤或批次的至少一个胜利者神经元轮廓,并且在先前确定的时间点之后,将该胜利者神经元轮廓的神经元中存储的过程变量的值作为预测轮廓显示在显示单元上。
根据本发明的方法和***的优点是多方面的。一方面,如果例如在预测轮廓上可识别出与正常运行的偏差,则对未来动态过程行为的预测使得设施操作员能够在技术设施的运行的早期阶段采取纠正措施。另一方面,实际行为与预测行为之间的偏差使得更容易查找发生异常的原因。因此,该方法还可以与异常检测相结合。如果当前的数据集与SOM或胜利者神经元的过程不匹配,则当前的行为将偏离所学的行为。这可以报告为异常。
与严格的过程模型的模拟相比,完全消除了建模工作。有利的是,SOM的学习过程可以完全自动化,使得用户不必指定任何参数。与基于数据的线性动态模型相比,SOM还可以描述与曲线相关的复杂非线性行为。由于本发明特别适合于批量过程,因此其可以有利地在制药工业中用于药物或疫苗的生产。
权利要求1的各个步骤详细解释如下:
在学习阶段,在使用历史数据集的情况下,针对每个过程步骤或批次使自组织映射(SOM)学习:
在学习阶段中,针对自组织映射的每个神经元(=节点)计算神经元的n元组(=表征设施特定运行的、具有过程变量的相应值的数据集),并将其存储在数据存储器中。学习过程结束后,映射中的所有神经元都代表学习数据的典型状态,通常没有神经元与实际状态完全对应。神经元的n元组的值在学习阶段之后确定。映射的大小、即神经元的二维排列可以被预先限定,也可以在学习阶段期间被手动或自动优化和调整。第一步,可以随机初始化大量SOM,从其中选择最佳映射、即与每个神经元距离最小的映射,前提是所有神经元都被击中(术语“击中”意味着形成学习数据向量与神经元的数据集之间的差异的值。具有学习数据向量与神经元的数据集之间最小差异的神经元是“击中”神经元)。可以使用其他标准,例如训练数据中多次击中的最小数量。还可以使用迭代方法,其中许多SOM被初始化并随机教导映射大小,然后使用训练数据确定每个神经元的击中数。然后,根据击中次数,反复判断映射是否太大或太小。继续迭代,直到找到不太大的最大映射。该过程为最佳过程预测创造了最佳条件。接近最佳的映射大小可以提高该方法的效率,并防止不必要的计算时间(由于对尚未被击中的神经元进行评估)。
在学习阶段的下一步中,为每个SOM确定并保存每个神经元的症状阈值及其容差:
症状阈值是训练数据集(或测试向量)与表征所考虑的神经元的数据集之间的差异。症状阈值由神经元维度的向量表示。它是根据信号确定的。例如,每个信号的阈值可以是0.15+0.03容差。因此,症状阈值指示训练数据集与表征所考虑的神经元的数据集之间在给定时间点可能有多大的差异。因此,SOM的每个神经元的n元组的每个值都有其自己的阈值(症状阈值)。如果使用好的数据作为训练数据,并且阈值选择得比较小,那么所考虑的数据集与好的数据、即SOM的节点中存储的正常运行的数据集非常相似。因此,阈值对于预测的不确定性的指示的质量(即对于置信带的质量)是决定性的。
对于每个过程步骤或批次(由多个过程步骤组成),然后在学习阶段中针对全部时间戳得出并存储胜利者神经元的全部允许的时间顺序。
这意味着对于测试向量或代表性数据集(例如代表正常运行的良好数据集)的过程步骤或批次的每个时间点,确定到映射的每个神经元的距离。与良好数据集的距离最小的神经元是胜利者神经元。如果这个最小距离测量被逐个时间戳确定,则创建胜利者神经元的时间顺序、即所谓的胜利者神经元轮廓或参考路径。根据本发明,这些过程也可以可选地满足神经元相似性的条件。神经元相似性是指代表性数据集与胜利者神经元的距离在该神经元的症状容忍范围内的所有神经元。这可以导致每个时间戳有多个允许的胜利者神经元,因此,考虑到时间依赖性,总共有大量的胜利者神经元轮廓。这些胜利者神经元轮廓是针对每个SOM以及每个过程步骤或批次单独确定和保存的。
在该步骤之后,所考虑的过程步骤(或整个批处理过程)的学习阶段就完成了。SOM的教学或训练在根据本发明的方法和***中起着重要作用,因为关于SOM中的过程、胜利者神经元和胜利者神经元轮廓的“展望未来”所需的知识被映射在这里。如果目前在评估阶段中确定了该过程步骤或批次内的某个时间点,应根据该时间点对技术设施的运行进行预测,则可以根据当前数据的已知学习知识来预测未来的行为。这里的“未来”一词总是指前一个特定时间点之后的一段时间。根据如何选择该时间点,该时间段也可以是过去的时间。
在评估阶段,不使用过程步骤或批次的历史数据集,而是使用针对该过程步骤或批次监视的当前数据集来确定胜利者神经元随时间的分布,即至少一个胜利者神经元轮廓是针对整个过程步骤或批次确定的。胜利者神经元被逐个时间戳确定。这意味着到映射的每个神经元的距离是根据当前数据集的每个时间戳确定的。当前数据集距离最小的神经元是胜利者神经元。然后检查胜利者神经元是否位于在学习阶段确定的允许胜利者神经元轮廓之一上。然后,将这个胜利者的神经元轮廓(整个过程步骤或整个批次的)用于预测。因此,执行用于评估的所有步骤直到先前得出的时间点(在该时间点开始预测,即预测的开始时间点)。在先前得出的时间点之后,存储在该胜利者神经元轮廓的神经元中的过程变量的值然后在输出单元上显示为预测轮廓。
在一个有利的实施例变型中,先前得出的胜利者神经元轮廓的神经元的相应症状容差可以用作预测轮廓的显示中的不确定性。不确定性表示可能存在多个相关状态的情况。因此,设施操作员有利地接收替代状态的提议,这允许其更好地估计特定过程变量将如何发展。如果临界值甚至出现在不确定性带(或置信带)内,则这可能表明临界状态,设施操作员可以更快地做出反应。
如果在评估阶段中确定多个胜利者神经元轮廓,那么在特别有利的实施例变型中,确定可能性最大的胜利者神经元轮廓。这是通过识别该过程步骤或批次的全部先前的时间戳的症状来完成的。通过形成从当前时间戳的数据集到先前得出的待比较的神经元的差异,仅考虑超过预定阈值的过程变量的差异,来确定与当前时间戳相关的症状。优点是现在可以验证每个时间戳确定的胜利者神经元是否在“正确的”胜利者神经元轮廓上,即最接近现实的神经元。也可以选择考虑神经元相似性,即检查数据向量到胜利者神经元的距离是否在来自在当前时间的学习阶段中存储的轮廓的所有神经元的症状阈值内。最有可能的允许的胜利者神经元轮廓因此用于过程步骤的预测轮廓的显示,这显著增加了本发明的预测方法的准确性。
在根据本发明的方法和***的进一步优选改进方案的框架内,使用训练数据代替症状阈值或者补充症状阈值,以便确定量化误差并且将量化误差用于评估,从而确定最有可能的胜利者神经元轮廓。
量化误差是到各个神经元的距离的度量,并根据胜利者神经元与所考虑的数据集之间的差异来计算。换句话说:现在考虑正在进行的运行的当前过程状态向量。将其与SOM的所有神经元进行比较,即确定过程状态向量到所有神经元的欧几里德几何距离。对于具有最小欧氏几何距离的神经元,然后检查距离值是否低于该神经元的阈值。该距离也称为量化误差。这个数据太大了,例如在考虑好数据的情况下,所有好数据都被分类为好数据。当考虑好的数据导致的量化误差时,还可以使用这些值来确定映射神经元的阈值。也可以在此处添加容差。因此,量化误差和症状阈值的大小是表征数据向量(或数据集)与待比较的神经元的数据集之间的距离的标量。
尽管量化误差的使用不如经由单独症状的评估稳健,但是其需要较少的计算能力并且因此有利地使得根据本发明的方法更快。
在另一有利的实施例变体中,在评估阶段中确定的过程步骤或批次的全部胜利者神经元轮廓的全部症状容差的并集被用作预测过程的不确定性。因此,从过程的角度来看,这包含了所有可能的未来过程,以使设施操作员可以更加确定地评估未来的行为。
基本上,预测随着当前过程步骤的结束而结束。然而,如果胜利者神经元课程被保存为由多个过程步骤组成的整个批次,那么对后续步骤的预测也是可能的。在特别有利的实施例变型中,指定技术设施的运行的预测应当结束的时间点。这允许设施操作员选择需要特别注意的某些时间间隔来进行预测,例如因为过去在该时间间隔内发生过显著的过程偏差或警报或特定事件。
在本发明的另一有利改进方案中,将过程变量的预测时间变化轮廓的可配置选择连同步骤标识、异常和/或症状同时和/或彼此相关地显示在显示单元上。以这种方式,对于根据本发明的设施操作员或软件应用程序的操作员来说,技术过程的监控变得更加容易。为了能够有效地利用显示的结果进行故障排除,可配置的结果选择特别有利。借助适当的显示器,设施操作员可以在危急情况下快速采取行动并避免错误。快速互动可以节省成本和时间,并避免更严重的危险。
上述目的还通过一种用于预测技术设施的运行的***来实现,该***设计用于提供至少一个用于训练SOM、用于存储相关数据的单元并且用于使用先前训练的SOM评估当前数据集的单元。
术语***可以指硬件***,例如由服务器、网络和存储单元组成的计算机***,还指软件***,例如软件架构或更大的软件程序。硬件和软件的混合也是可以考虑的,例如IT基础设施,例如云结构及其服务。这种基础设施的组件通常是服务器、存储、网络、数据库、软件应用程序和服务、数据目录和数据管理。尤其虚拟服务器也属于此类***。
根据本发明的***还可以是与技术设施在空间上位置分离的计算机***的一部分。连接的外部***则有利地具有评估单元,该评估单元可以访问技术设施的组件和/或与其连接的数据存储器,并且该评估单元设计用于使诊断结果可视化并将其传输至显示单元。例如,通过这种方式,它可以链接到云基础设施,这进一步提高了整体解决方案的灵活性。
技术设施的计算机***上的本地实施也是有利的。例如在过程控制***的服务器上的实现特别适合于安全相关的过程。
因此,根据本发明的方法优选地以软件或者以软件和硬件的组合来实现,使得本发明还涉及具有程序代码指令的计算机程序,程序代码指令可以由计算机执行以实现诊断方法。在本文中,本发明还涉及一种计算机程序产品,其特别是具有可以由计算机执行的这种计算机程序的数据载体或存储介质。如上所述,这样的计算机程序可以被加载到过程控制***的服务器的存储器中,从而自动执行对技术设施的运行的监控。或者计算机程序可以在远程服务计算机的存储器中被实施用于技术设施的基于云的监控,或者可被加载到该存储器中。
上述目的相应地还通过图形用户界面(GUI)来实现,该图形用户界面显示在显示单元上并且设计用于显示根据本发明的***的所有变体设计的预测轮廓。
附图说明
下面使用附图并使用实施例更详细地描述和解释本发明。
在附图中,
图1示出了根据本发明的预测***的示意图,
图2示出了一些过程变量的预测轮廓在显示单元上的显示的示例。
具体实施方式
图1示出了用于解释根据本发明的用于预测的***S的示意图,其中自动化***或过程控制***DCS控制、调节和/或监视技术过程。为了控制过程,DCS过程控制***连接到大量现场设备(未示出)。测量传感器用于记录介质的温度T、压力P、流量F、液位L、密度或气体浓度等过程变量,这些变量通常使用传感器记录,从而对应于测量值MS。致动器可以根据检测到的过程变量来影响过程顺序,例如根据自动化程序的规范(以设定点值SW表示)。作为致动器的示例可以涉及控制阀、加热器或泵。为了监视设备的运行,表征设备运行的大量数据集被记录为时间t的函数,并且在该实施例中被存储在数据存储器H(通常是一个档案)中。这里的时间相关意味着在特定的单独时间点或者以规则间隔或者也以近似连续的采样率。因此,数据集包括带有相应时间戳的过程变量,例如温度:T=(T(t1),T(t2),T(t3)...T(tN))T,其中N表示任何自然数并且对应于过程步骤的时间戳的数量。在批量工艺中,可以有多个过程步骤,每个过程步骤都表征该工艺的特定阶段,例如加热反应器、在反应器内部搅拌以及冷却反应器。因此,该过程将由3个过程步骤组成。
***S用于评估包含具有相应时间戳的过程变量值的数据集,以便显示过程变量的未来时间曲线,从而可以采取任何合适的错误处理措施。
在所示的实施例变体设计中,诊断***S主要包括用于训练自组织映射的单元L、用于存储执行该方法所需的变量的单元Sp以及用于评估过程步骤的当前数据集的单元A或批量使用学习阶段训练的自组织映射。根据设计,这些单元还可以组合为一个单元或设计为其他变体,具体取决于实施方式。
来自***的输出信号可以馈送到其他***,例如另一个过程控制***或其部分,或者用于进一步处理(信号S1)。此外,如果***本身不包括输出单元B,则***的输出信号可以被转发到输出单元B以用于可视化(信号S2)。显示单元B可以直接连接到***,或者根据实施方式,可以例如经由数据总线连接到***。显示单元B还可以是过程控制***的操作和监视装置。如果需要,操作员可以在操作和监控设备的图形用户界面上更改自组织映射、阈值或其他参数。
为此,用于训练自组织映射(SOM)的单元L使用具有过程变量的时间相关的测量值(作为n元组)的历史数据集,并为此连接到数据存储器H。由于学习过程是计算密集型的,所以单元L可以有利地离线操作。因为为了学习自组织映射,需要记录大量的过程步骤的历史过程。除了学习映射之外,阈值、胜利者神经元轮廓和其他变量在初始学习阶段被确定并存储在存储器Sp中以供进一步使用。
用于使用在学习阶段训练的自组织映射来评估过程步骤或批次的当前数据集的单元A可以在线操作,例如以便支持设施的操作员监控设施的状态。可以使用根据本发明的方法来评估来自过程控制***DCS的当前过程值。
评估单元A或***S还可以可选地连接到用于确定进一步原因的单元RCA,在单元RCA上可以执行例如过程变量的预测轮廓和实际分布之间的比较,基于该比较可以进行进一步的诊断、例如有关异常的信息。
用于执行根据本发明的方法的***S还可以例如以客户端与服务器的架构来实现。在这种情况下,服务器用于提供某些服务,例如根据本发明的***用于处理精确定义的任务(这里是过程变量预测)。客户端(这里为显示单元B)能够向服务器请求并使用相应的服务。典型的服务器是提供网页内容的Web服务器、存储数据的数据库服务器或提供程序的应用服务器。服务器和客户端之间的交互通过适当的通信协议(例如http或jdbc)进行。
在另一实施例变体设计中,***S或其部分原则上也可以在自动化环境中实施为软件功能模块。这尤其适用于评估单元A,因为与具有相当广泛的学习算法的学习单元L相比,它需要明显更少的资源(计算能力和存储器需求),因此也适合在现场和自动化级别上实施。
由于***监控程序不是控制***的安全相关或时间关键功能,因此还能选择将控制***中的过程数据收集并“存档”在服务器上,由服务器进行实际分析另一个可能的选择是使用云环境(例如MindSphere)或作为本地解决方案,将数据直接存储在控制***级别的特殊数据库服务器上。
图2以作为时间t的函数的趋势图示的形式示出了***S的结果的清晰视觉呈现。此外,显示的条与特定过程信息相关,并且通常以特定颜色显示,旨在支持操作员更快地识别紧急情况。顶栏的步骤标识(StepID)(参考标记B1)标记相应的过程步骤。布置在下方的条B2表示存在异常。例如,对于正常运行,它可以显示为绿色或浅阴影线,对于存在与正常运行的偏差,可以显示为红色(重阴影线)。
在条下方示出反应器的过程变量的时间变化轮廓:参考标记B3表示反应器的填充水平的时间变化轮廓,参考标记B4表示位于反应器中的介质的温度的时间变化轮廓。直到先前定义的时间tp(此处为9:32),示出了实际电流分布轮廓,并且在时间tp之后示出了使用根据本发明的方法预测的填充水平和温度的分布轮廓。从加宽的曲线轮廓中可以清楚地看到使用症状阈值计算的不确定性。
需要说明的是,时间tp之前的时间范围和tp之后的时间范围可以是任意时间范围。这意味着两个时间范围可以存在于过去中,或者第一时间范围存在于过去,而第二时间范围存在于未来。因此,本发明还允许设施操作员选择过去的过程步骤或批次内的特定时间点,为该过程步骤或批次选择相应的训练SOM,然后查看时间曲线如何基于根据本发明方法开发的时间tp。然后,操作员可以将这些预测轮廓与实际发生的曲线分布进行比较,以便更好地了解历史过程步骤或批次。
Claims (12)
1.一种用于预测技术设施的运行的方法,在所述技术设施中运行具有至少一个过程步骤的方法工艺过程,
其中,将表征设施的所述运行并具有过程变量(L、T、F、...)的值的数据集以与时间相关的方式获取并且存储在数据存储器中,
其中,在学习阶段中,在使用历史数据集的情况下,
-针对每个过程步骤或批次训练自组织映射(SOM),
-针对每个自组织映射为每个神经元得出并且存储症状阈值和所述症状阈值的容差,以及
-针对每个过程步骤或批次为全部时间戳得出并且存储胜利者神经元的全部允许的时间变化轮廓,
其特征在于,
-在评估阶段中确定时间点(tp),从所述时间点起进行对所述技术设施的所述运行的预测,
-随后,在使用至少一个所述过程步骤的当前数据集的情况下,借助于已学习的胜利者神经元轮廓得出用于整个过程步骤或批次的至少一个胜利者神经元轮廓,
并且在先前确定的所述时间点(tp)之后,将胜利者神经元轮廓的神经元中存储的过程变量的值作为预测轮廓显示在显示单元(B)上。
2.根据权利要求1所述的方法,其特征在于,在显示中将至少一个先前得出的所述胜利者神经元轮廓的症状容差用作为所述预测轮廓的不确定性。
3.根据权利要求1或2所述的方法,其特征在于,借助在所述评估阶段中得出的多个胜利者神经元轮廓,通过得出该过程步骤或批次的全部先前的时间戳的症状,将所述胜利者神经元轮廓中可能性最大的胜利者神经元轮廓确定并且用于所述预测轮廓的所述显示。
4.根据权利要求1、2或3所述的方法,其特征在于,借助于训练数据将量化误差得出以作为所述症状阈值的替代或者所述症状阈值的补充,并且在评估中将所述量化误差用于可能性最大的所述胜利者神经元轮廓的得出。
5.根据权利要求3或4所述的方法,其特征在于,将在所述评估阶段中得出的所述过程步骤或批次的全部胜利者神经元轮廓的全部症状容差的并集用作为所述预测轮廓的不确定性。
6.根据前述权利要求中任一项所述的方法,其特征在于,限定对所述技术设施的所述运行的所述预测结束的时间点。
7.根据前述权利要求中任一项所述的方法,其特征在于,在所述显示单元(B)上同时和/或彼此相关地显示所述过程变量的预测的时间变化轮廓的能配置的选择并且一同显示步骤标识、异常和/或症状。
8.一种用于预测技术设施的运行的***(S),在所述技术设施中运行具有至少一个过程步骤的方法工艺过程,
所述***至少包括:
-用于利用历史数据集训练自组织映射(SOM)的单元(L),所述历史数据集具有以与时间相关的方式得出的过程变量(L,T,F,...)的值并且表征设施的运行,并且所述单元设计用于执行根据权利要求1至7所述的方法的步骤,所述步骤涉及所述方法的学习阶段,
-用于存储对于执行根据权利要求1至7中任一项所述的方法必要的自组织映射、阈值、容差和其他数据的单元(Sp),
-用于借助于在所述学习阶段中训练的所述自组织映射(SOM)来评估过程步骤或批次的当前数据集的单元(A),其中,评估单元设计用于执行根据权利要求1至7所述的方法的与所述方法的评估阶段有关的步骤。
9.根据权利要求8所述的***(S),所述***还包括用于显示和输出借助于所述评估单元(A)得出的预测的时间变化轮廓的单元(B),或者所述***包括至少一个接口(S2),所述接口用于与用于显示和输出借助于所述评估单元得出的预测的时间变化轮廓的单元(B)连接。
10.一种计算机程序,特别是软件应用程序,具有能由计算机执行的程序代码指令,当所述计算机程序在计算机上运行时,所述程序代码指令用于实施根据权利要求1至7中任一项所述的方法。
11.一种计算机程序产品,特别是数据载体或存储介质,具有能由计算机执行的根据权利要求10所述的计算机程序。
12.一种图形用户界面(GUI),显示在显示单元上并且设计用于显示根据权利要求8或9所述的***的预测轮廓。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP21163758.2 | 2021-03-19 | ||
EP21163758.2A EP4060433A1 (de) | 2021-03-19 | 2021-03-19 | Verfahren und system zur prädiktion des betriebs einer technischen anlage |
PCT/EP2022/057083 WO2022195050A1 (de) | 2021-03-19 | 2022-03-17 | Verfahren und system zur prädiktion des betriebs einer technischen anlage |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116997867A true CN116997867A (zh) | 2023-11-03 |
Family
ID=75111518
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202280022429.3A Pending CN116997867A (zh) | 2021-03-19 | 2022-03-17 | 用于预测技术设施的运行的方法和*** |
Country Status (4)
Country | Link |
---|---|
US (1) | US20240160165A1 (zh) |
EP (2) | EP4060433A1 (zh) |
CN (1) | CN116997867A (zh) |
WO (1) | WO2022195050A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116663875B (zh) * | 2023-05-11 | 2024-01-30 | 广东恒域科技股份有限公司 | 一种基于大数据的智能化安装工程监测***及方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE19649633A1 (de) * | 1996-12-02 | 1998-06-04 | Abb Patent Gmbh | Verfahren zur Analyse und Darstellung von transienten Prozeßvorgängen |
EP2836881B1 (en) * | 2012-04-13 | 2018-08-15 | Siemens Corporation | Embedded prognostics on plc platforms for equipment condition monitoring, diagnosis and time-to-failure/service prediction |
ES2809466T3 (es) * | 2016-08-11 | 2021-03-04 | Siemens Ag | Procedimiento para la detección mejorada de anomalías de proceso de una instalación técnica y sistema de diagnóstico correspondiente |
-
2021
- 2021-03-19 EP EP21163758.2A patent/EP4060433A1/de not_active Withdrawn
-
2022
- 2022-03-17 EP EP22716065.2A patent/EP4268029A1/de active Pending
- 2022-03-17 WO PCT/EP2022/057083 patent/WO2022195050A1/de active Application Filing
- 2022-03-17 CN CN202280022429.3A patent/CN116997867A/zh active Pending
- 2022-03-17 US US18/282,593 patent/US20240160165A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
EP4268029A1 (de) | 2023-11-01 |
US20240160165A1 (en) | 2024-05-16 |
EP4060433A1 (de) | 2022-09-21 |
WO2022195050A1 (de) | 2022-09-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7069269B2 (ja) | デジタル・ツイン・シミュレーション・データを利用した時系列データに基づく、大規模な産業用監視システム向けの半教師あり深層異常検出のための方法およびシステム | |
US11868684B2 (en) | Digital platform using cyber-physical twin structures providing an evolving digital representation of a risk-related real world asset for quantifying risk measurements, and method thereof | |
JP7017861B2 (ja) | 異常検知システムおよび異常検知方法 | |
KR102118670B1 (ko) | Ict 인프라 관리 시스템 및 이를 이용한 ict 인프라 관리 방법 | |
JP7007243B2 (ja) | 異常検知システム | |
CN111045894B (zh) | 数据库异常检测方法、装置、计算机设备和存储介质 | |
KR102343752B1 (ko) | 프로세스 장치에서 전체 프로세스 섹션의 상태를 자동 모니터링하고 측정하는 컴퓨터 실행 방법 및 시스템 | |
JP2009053938A (ja) | 複数モデルに基づく設備診断システム及びその設備診断方法 | |
EP3866177A1 (en) | Abnormal driving state determination device and method using neural network model | |
JP2018112903A (ja) | プラント運転支援装置、プラント運転支援方法、プラント運転支援プログラム及び記録媒体 | |
US11593648B2 (en) | Methods and systems for detection and isolation of bias in predictive models | |
JP6711323B2 (ja) | プロセスの異常状態診断方法および異常状態診断装置 | |
US20220011760A1 (en) | Model fidelity monitoring and regeneration for manufacturing process decision support | |
CN112286088A (zh) | 一种动力设备故障预测模型在线应用的方法及应用*** | |
CN116997867A (zh) | 用于预测技术设施的运行的方法和*** | |
TWI710873B (zh) | 支援裝置、學習裝置以及廠房運轉條件設定支援系統 | |
JP7062505B2 (ja) | 設備管理支援システム | |
JP7490807B2 (ja) | 産業上の利用のために人工知能モジュールを訓練すること | |
US11665193B2 (en) | Method for managing plant, plant design device, and plant management device | |
US20230021965A1 (en) | Methods and systems for assessing printed circuit boards | |
JP2018014093A (ja) | プロセスの状態診断方法及び状態診断装置 | |
CN116235121A (zh) | 识别用于执行生产过程的工业设施中的异常的装置和方法 | |
RU2777950C1 (ru) | Обнаружение нештатных ситуаций для прогнозного технического обслуживания и определения конечных результатов и технологических процессов на основании качества данных | |
US20230065835A1 (en) | Information processing device, evaluation method, and computer-readable recording medium | |
EP4020102A1 (en) | System and method for operating an industrial process |
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 |