JP3449560B2 - 産業プロセス監視システム - Google Patents
産業プロセス監視システムInfo
- Publication number
- JP3449560B2 JP3449560B2 JP50322398A JP50322398A JP3449560B2 JP 3449560 B2 JP3449560 B2 JP 3449560B2 JP 50322398 A JP50322398 A JP 50322398A JP 50322398 A JP50322398 A JP 50322398A JP 3449560 B2 JP3449560 B2 JP 3449560B2
- Authority
- JP
- Japan
- Prior art keywords
- data
- industrial
- industrial process
- detector
- monitoring method
- 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.)
- Expired - Lifetime
Links
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- 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
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Description
第W−31−109ENG−38号の下で米国政府の支援を得て実
施された。米国政府は本発明に関し特定の権利を有す
る。
いて産業上のプロセスの監視を行うための方法およびシ
ステムに関する。本発明は特に、産業プロセスを監視す
るための基本的な統計的アプローチに対する改良方法と
しての、検出器データを処理する、および仮想データを
用いる方法およびシステムに関する。さらに、本発明
は、機能アップした産業プロセスデータ分析に関連づけ
られる複数の技術の使用を含む。
値の大きな変化、あるいはある種の閾値限度検査におけ
る閾値を越える大きなステップあるいはスパイクにだけ
感応する。これら従来の方法は、多数の誤警報(閾値が
正常な稼働レベルにあまりにも近く設定される場合)あ
るいは多数の見逃し(もしくは遅延)警報(閾値があま
りにも開放的に設定される場合)のいずれかを被る。さ
らに、ほとんど従来の方法は、警報条件の閾値レベル以
下で信号を発するような、プロセスの擾乱、検出器の狂
いあるいはデータ異常の兆候を認識することができな
い。ほとんどの方法はまた、1つの検出器による測定と
別の一つの検出器による測定との関係を考慮していな
い。
T」)技術が原子炉産業での信号確認ツールとして広く
適用されている。SPRT法は物理的プロセス変数に関連す
る確率的要素を処理するパターン認識技術であって、そ
れらの変数における微妙な擾乱の兆候に対し高い感度を
有する。従来のSPRT技術は、2つの特徴により、パラメ
ータによる監視および故障検出に比べて好ましいもので
ある。2つの特徴とは、(1)ノイズが多いプロセス変
数から擾乱の兆候を早期に通告できることと、(2)SP
RT技術は、誤認警報および見逃し警報の確率を使用者が
特定できることである。SPRT技術は、多数の異なるプロ
セス検出器のデータポイントが存在するのとは対照的
に、主として一つのペアのまたは多数のペアの検出器か
らのデータの分析を対象とする。SPRTはまた、そのデー
タが他のデータソースから独立しており、かつガウス分
析データであるとする仮定に依存している。従ってSPRT
は単独で使用した場合、プロセスでの異常を識別するこ
とにおいて、ある特定の欠点を有する。
の統計的技術も開発されてきたが、しかしある特定の種
類の検出器データを感知しない。
び装置を監視するための改良された方法およびシステム
を提供することにある。 本発明のもう1つの目的は、複数の検出器を備えた産
業プロセスおよび装置をオンライン監視するための新規
な方法およびシステムを提供することにある。
積ソースからのプロセスデータをオンラインまたはオフ
ラインで評価するための改良された方法およびシステム
を提供することにある。
力する前に警報条件に関するデータの予備分析を行う新
規な方法およびシステムを提供することにある。
は異常な検出器状態が存在するかどうか決定し、監視下
にあるプロセスを停止するべきか修正するべきかを決定
するためのテストを行うために選択された検出器データ
をマスクして、仮想データを代入するための改良された
方法とシステムを提供することにある。
および/またはデータ蓄積と比較するために、正常なシ
ステムおよび/または検出器および/またはデータソー
スの動作特性を示している訓練データを使用する新規な
方法およびシステムを提供することにある。
タを決定するプロセスからのデータを処理して、このよ
うな訓練データをコンピュータの記憶媒体に記憶して、
そしてROMまたはPROM記憶媒体に記憶された複数の数学
的手法を用いて正常稼働に関する訓練データについての
真のプロセスデータを分析するための改良された方法お
よびシステムを提供することにある。
はデータソースの稼動の兆候を引き出すために、複数の
他のプロセスデータ値との相関を基準に導き出した標準
状態の運転特性を示す仮想信号を真のプロセスデータ信
号集合との比較に用いる新規な方法とシステムを提供す
ることにある。
いずれをも認識するための訓練データを蓄積して、それ
によってプロセスまたは他のシステムに存在している、
特定のタイプの故障もしくは状態を識別するための新規
な方法および装置を提供することにある。
くりと変化している稼働中の検出器データを識別するた
めに訓練データを用いてプロセスを監視するための新規
な方法と装置を提供することにある。
うことなくシステムまたはデータソースの異常を無視で
きるかどうか決定するための改良された方法およびシス
テムを提供することにある。
び方法は、以下に示す添付図面を参照することにより、
以下の詳細な説明から明らかになるであろう。
下水道・交通機関などの分野、医療分野、および輸送分
野に適用される検出器あるいはデータ蓄積機器構成を監
視するための装置または方法を示している。システム10
は検出器もしくはデータソースの劣化、プロセスもしく
はシステム異常の兆候、または異なった稼動状態への変
化の兆候の微妙な識別に役立つ。システム10の最も望ま
しい態様は、従来の方法(ニューラルネットワークを含
む)と比較して、拡張された監視能力を実現し、かつ拡
張された信頼性と改良された計算効率も実現する、4つ
の技術の相互依存的な統合化を含む。システム10の最も
好ましい監視形態を構成する4つの要素は、時間相関モ
ジュール20、訓練モジュール30、システム状態推定モジ
ュール40およびパターン認識モジュール50として一般的
に特徴づけられる4つの異なった方法において実現され
る。
あるいはいかなる産業プロセスの監視用途に適用するた
めの多くの試みはいくぶん乏しい結果に終わってしまっ
ている。なぜなら、それらは種々の検出器あるいはデー
タソースの間の進み遅れ(LeadLag)関係(データ集合
の適切な時間相関の欠如)を考慮に入れ損ねているから
である。1つの例では、パイプに、そのパイプを通過す
る流体の瞬間的な温度を測るN個の熱電対(「TC」)の
配列が備えられ、そしてこれらのTCからの信号は、流体
ストリームの流れ経路に沿って時の経過につれて変化し
てゆく。パイプを通過する流体の通過時間よりも検出器
のサンプリング間隔が小さい場合、ニューラルネットワ
ークでこれらの信号を監視するいかなる試みであって
も、TCに関する推定信号は非常に不確かなものになるで
あろう。例えば、流体がパイプ中を通るのに10秒を要
し、そしてサンプリング間隔が1秒である場合、その時
間内のいかなる所定の瞬間においても、パイプの出口端
におけるTC(N)は、TC(1)を10秒前に通過した変動
を見ていることになる。これらのTCからの信号はなお、
パイプの上流の熱源あるいはシンクからの流体温度の大
きな変化による小程度の相関を含んでいるかもしれな
い。しかしながら、パイプに沿って運ばれる局所的な温
度摂動によって引き起こされるより価値のある検出器間
の相互関係は失われるであろう。これと同じ現象は物理
的な検出器あるいはデータソースがそれらが監視してい
るプロセスにしたがって時の経過につれて変位するいか
なるプロセスに適用されるニューラルネットワークおよ
び他のパターン認識パラダイムの性能を低下させる。相
関関係の見られるシステムにおける時間遅延の他の事例
としては、データの流動速度が遅いおよび/または物理
的距離が大きいシステム(製油所、発電所、換気空調
(HVAC)システムおよび金融システム)、アナログある
いはデジタルエレクトロニクス(ノイズフィルタおよび
大容量コンデンサ)による遅延、あるいは伝送遅延(衛
星通信、あるいは異なったバス方式にまたがってデータ
を伝達すること)などが挙げられる。
遅れ部(図6を参照)は、動的でリアルタイムな検出器
間の進み遅れ調整を行う。SMSETルーチン(システム状
態推定モジュール40)のその後入力される出力信号が最
適な形で相互に関連づけられ、かつパターン認識モジュ
ール50に最大情報量を与えられるように、進み遅れモジ
ュール20は調整を行う。進み遅れモジュール20はコンピ
ュータソフトウェア付属書Aとして添付してある。進み
遅れモジュール20は、信号の各ペアについて、遅れ時間
に関する相関係数のベクトルを求める反復形の回帰手法
を実施することにより調整機能を果たす。この相関係数
のベクトルは遅れ時間に関する単一モードの凹関数であ
る。このように、遅れ時間に関するベクトルの1次微分
値がゼロになる横断点をサーチすることによって、1つ
のペアの信号間での最適な遅れ時間が簡単に識別され
る。
れ(Leadlag)モジュール20の使用をスキップする選択
肢が存在するので、モジュール20を利用することは不必
要であるかもしれない。こうしたことは十分な時間相関
があるシステムにおいて、あるいは相関を得るのに時間
シフトが必要でないシステムにおいて可能である。進み
遅れモジュール20が利用されないか、あるいはデータが
すでに進み遅れモジュール20によって処理されているの
であれば、データは好ましくは訓練モジュール30に入力
される。
は、監視下にあるそれぞれの信号空間またはデータ空間
の最高点と最低点を含む訓練ベクトルを求めるために、
訓練期間中のすべての信号あるいはデータに関するすべ
ての観測結果をサーチするミニマックスモジュール30で
ある。コンピュータソフトウェア付属書Bにミニマック
スモジュール30を開示する。ミニマックスモジュール30
は「最適な」訓練集合を作成する。それは、Nがシステ
ムの信号あるいはデータポイントの数であるときに、せ
いぜい2N個のベクトルだけを含んでいるという意味で最
適である。そしてこれらのベクトルは、利用可能な訓練
期間中にあらゆる検出器あるいはデータソースが記録し
た範囲の全てにわたる。2以上の検出器あるいはデータ
ソースが同時に最大値あるいは最小値に達するところは
全て、結果的な訓練ベクトルの数は2N以下となる。
とミニマックスモジュール30の両方をスキップすること
が可能であり、データをシステム状態モジュール40に直
接入力することが可能である。
構築されると(あるいは上記したようにスキップされる
状態が形成されると)、システム状態推定モジュール40
(好ましいサブシステム多変量状態推定技術(「SMSE
T」)モジュールのようなもの)はモデル化されている
業務用システムの稼動状態の例を通してシステムの挙動
をモデル化する。コンピュータソフトウェア付属書Cに
SMSETモジュール40を開示する。一般に、システム状態
推定モジュール40は、自己回帰移動平均、ニューラルネ
ットワーク、またはカルマン・フィルタ技術のような様
々なモデリング手法の一つ、あるいは経験的手法であり
うる。
の推定値を提供するため、単一の新たな観測と共に業務
用システムについての学習された状態のメモリを利用す
る。システムの状態は、その要素がシステムパラメータ
(測定信号)の直接の値と、スカラー値を生じるこれら
システムパラメータのいかなる変換、例えば測定データ
に基いて計算されたパラメータとからなるベクトルによ
って表される。SMSETモジュール40は、他のほとんどの
タイプの推定技術と同様に、状態ベクトル要素が一次独
立であることを必要としない。学習された状態の行列を
もたらす学習過程はミニマックスモジュール30と先に記
述した進み遅れモジュール20により行われる。
状態の行列に具現された以前のシステム挙動のメモリ
(記憶)と比較されるシステム挙動に関する新たな観測
結果の入力が含まれる。一連の数学的演算が実施され、
それによって新たな観測結果に最も近いシステムメモリ
に記録された状態推定が出力される。SMSETモジュール4
0で使われる「最も近い」の定義は2つのベクトルの関
連を決定する規則集合の見地から新たな観測結果に最も
近くにある状態を意味する。この最も近い状態から、シ
ステムの「真の」状態の推定が状態ベクトルのそれぞれ
の要素について行われる。このように、システムの現時
点の観測されたパラメータの集合が与えられると、SMSE
Tモジュール40はシステムの現時点の真の状態の推定を
提供する。この方法の有用性は、たとえ現時点の観測ベ
クトルが不完全である(例えば、いくつかの検出器ある
いはデータソースが誤作動したかもしれないか、あるい
はもはや利用可能ではない)としても、あるいは誤った
または欠陥がある要素を含んでいる(いくつかの検出器
がドリフトしているか、校正出来なくなってしまってい
るか、高いノイズレベルで汚染されている等)として
も、あるいはたとえ新しいシステム状態が以前の稼働状
態と対応しないとしても、状態ベクトルのシステムパラ
メータ値のすべての推定が提供され得るということであ
る。しかしながら、新たなシステム状態は、一般的な意
味で、システムメモリ(学習された状態の行列)を作成
するために使用される状態の領域によって拘束されなく
てはならない。
務用システムの真の現時点の状態についての推定値は、
検出器(あるいは他のデータソース)の稼動可能性とシ
ステムの状態の擾乱とを確認するため、実際の測定され
たシステムパラメータとともに使用される。この状態推
定プロセスはさらに、学習された状態の集合と業務用シ
ステムの新たな観測を入力として受け入れる推論エンジ
ンとして形容しうる。この入力に関して推論エンジンに
より一連の操作が実施された後、結果として新たな観測
に「最も近い」学習された状態の推定が得られる。ここ
で使われる「最も近い」の定義は、いかなる2つのベク
トルの関連(重なり合い)も決定する規則集合の見地か
ら、新たな観測に最も近くある状態を意味する。別の1
つの結果は、推定状態ベクトルの形式の新たな観測ベク
トルのそれぞれのしかも全ての要素の「真の」値の推定
値である。推論エンジンで行われる一連の演算は様々な
行列演算からなる。最初に、学習された状態のすべての
ペアは、好ましくは、認識行列の要素を得るために規則
集合を用いて一度に2つに関連づけられる。次に、新た
な観測は学習された状態の数と同じ数の要素を有するベ
クトルを作成するため、規則行列を用いてそれぞれの学
習された状態と関連づけられる。このベクトルの最も大
きい要素値により、新たな観測に「最も近い」学習され
た状態が識別される。最後に、このベクトルと認識行列
との通常の行列積によって、学習された状態を推定され
た状態ベクトルに結合させるための一次結合係数の集合
が求められる。この方法は、学習された状態の結合であ
る業務用システムのいかなる真の状態に適用されたとし
ても、真の状態に非常に近い近似値を与える。得られる
実際の近似度は規則集合と変数の物理的かつ/あるいは
ランダムな変動から生じる非線形性に最も依存し、これ
は直接試験することで証明されている。実際の稼働して
いる業務用システムに対してこの方法を使用する一般的
な実験によって通常は+/−0.1%で、一般的に悪くて
も+/−の0.5%といった予測能力が示された。
をモデル化すると、データは逐次確率比検定(「SPR
T」)モジュールのような、パターン認識モジュール50
に入力される。SPRTモジュール50のためのコンピュータ
ソフトウェアは付属書Dに開示されている。このSPRTモ
ジュール50はノイズが多い信号における微妙な劣化の兆
候を高い信頼性で、定量的な誤警報および見落とし警報
の確率と共に検出することができる感度の良いパターン
認識方法である。SMSETモジュール40からの出力は、監
視下にあるそれぞれの検出器の推定信号(「仮想信号」
とも呼ばれる)の一つの集合として提供される。これら
の仮想信号は実際の検出器読み取り値と共に、相互作用
しているSPRTモジュール50のネットワークに供給され
る。個々のSPRTモジュール50は1対の検出器信号および
仮想信号のペアを受け取る。検出器劣化あるいはプロセ
スの擾乱が監視下にある一以上の信号の出力に影響を与
え始めた場合、SPRTモジュール50は通信者に通告を与
え、そして制御システムにアクチュエータ信号を供給す
る。この信号は、必要に応じて、劣化している検出器の
信号、あるいはデータソースを仮想の信号に選択的に、
かつ自動的交換することができる。SPRTモジュール50の
さらなる詳細は、引用することで本明細書の一部をなす
ものとする米国特許第5,459,675号に記述されている。
タイプの故障、故障している検出器またはデータソー
ス、あるいは誤ったデータそれ自身の識別を可能にし
て、監視中のプロセスを修正するか、あるいは変更する
ことができる。
ームソースが業務用システムの継続的な稼働にとって重
要でない場合には、検出器あるいはデータソースが正常
に稼働して限り、使用者は業務用システムあるいはプロ
セスを稼働し続けることができる。例えば、システム10
は実際の業務用システムあるいはプロセスに、劣化した
検出器あるいは劣化したデータソースからの入力の代わ
りにモデル化推定を代入するように稼働することができ
る。これによって業務用システムあるいはプロセスが稼
働し続けることが可能となる。
ないので、石油化学分野、発電分野、自動車分野、生産
分野、医療分野、航空分野、および業務用システムのプ
ロセスまたは性能に関する信号が処理のために利用可能
であるいかなる分野のシステムにも適用できる。システ
ム10の唯一の必要条件は、システム10への入力として使
用される信号の間に、線形または非線形といったいくつ
かのタイプの相互相関が存在するということである。信
号は(任意の分布で)線形、非線形、定常、非定常、ク
リアまたはノイズが多いものであってよい。システム10
は業務用システムあるいはプロセスをモデル化するため
に履歴稼働データのデータベースを使用する。データベ
ースはシステムのすべての関連する稼働モードからのデ
ータを含んでいると仮定される。しかしながら、新しい
稼働モードを経験して、それが業務用システムあるいは
検出器の劣化の結果ではないと決定した場合、システム
モデルに予測されていない稼働モードを取り入れるため
に新たなベクトルを既存の訓練行列に加えることができ
る。 以下の非限定的な実施例は本発明の様々な特徴を示す
ものである。使用したデータはすべてアルゴンヌ国立試
験所(West)のEBR−II原子炉から得たものである。
6Aと6Bはそれらの間で4秒の遅延を有する2つの電圧信
号を示している。信号が進み遅れモジュール20によって
処理される前は(図6A参照)、相関係数は相関関係がな
いことを意味する0.0182であるが、それに対して進み遅
れモジュール20による処理後には0.9209の相関係数が得
られる(図6B参照)。使用される信号あるいはデータの
集合が2以上のときは、すべての信号が適切に関連づけ
られることができるように、すべての可能な信号のペア
の組み合わせを利用して、可能な限り最大の相関係数値
を計算する。
はアルゴンヌ国立研究所(U558)の高速増殖実験炉II
(EBR−II)からの検出器データを用いて実施された。
検出器のデータ集合はEBR−IIをモニタする検出器から
の13個の信号を含んでいた。表1はEBR−IIデータにつ
いてのSMSET推定精度を示している。表1は分析で使用
された検出器信号のそれぞれのチャンネル番号と説明を
示している。実験は3つのステップで行われた。最初に
SMSETモジュールは2日分のEBR−IIデータを使って訓練
された。次に訓練されたSMSETモジュールはおよそ110時
間分のEBR−IIデータの状態を推定するために使用され
た。次いで、推定の精度が分析された。図7〜19はそれ
ぞれ、表1で列挙された検出器信号の各々に関して、最
上位プロットに検出器信号と検出器信号に重ね合わされ
たSMSET推定を、中位プロットにSMSETと検出器信号との
間の誤差を(信号強度の百分率で)、そして最下位プロ
ットに誤差の棒グラフを示す。棒グラフプロットは同じ
平均および分散を有するガウス分布と比較され、誤差信
号がどの程度ガウス分布的であるかについての見解が与
えられる。図20は図7〜19のデータの概要を示す。
の訓練データを用いてシステムを訓練するために使用さ
れた。ミニマックス法が実施された後、全体のシステム
の実験モデルを構成する訓練行列が25個の各々独自のベ
クトルから構築された。モデルを構築した後に、その方
法は精度表に列挙された信号に対して適用された。シス
テムにおけるそれぞれの信号は、パターン認識モデルが
どの程度精密にシステムを表しているかを示す上での測
定単位となるそれ自身の推定誤差信号を有する。表1の
第2列は、それぞれの信号の強度の見地から、実験のす
べての信号に対する推定誤差の標準偏差を列挙してい
る。信号強度は正常稼働中の信号強度の平均値を示す。
表1の第3列は同じく信号強度の見地からすべての信号
に対する推定誤差の平均値を列挙している。一般に誤差
標準偏差は0.1%から0.01%までの範囲にあり、推定誤
差平均は0付近に集中している。表情報の棒グラフは、
図20Aと20Bにおいて精度情報のグラフ表現として示され
ている。
が、システムが故障にどのように反応するかといったこ
とと共に示されている。図1の好ましい方法がデータに
適用される。これらの実施例で使われた検出器の信号は
システムで使われた22個の検出器信号の部分集合からな
る。22個の検出器はアルゴンヌ国立試験所(West)のEB
R−IIのサブアセンブリを監視している。図21〜32のそ
れぞれには4つのサブプロットが含まれる。最上位プロ
ットは、サブアセンブリ出口温度(「SOT」)3F1に関連
し、より上位にある中間プロットはSOT 3C1に関連し、
より下位にある中間プロットは、SOT 5C2に関連してい
る。そして最下位プロットはSOT 7A3に関連している。
実施例のそれぞれに適用されたシステムは同じ訓練行列
を使用する。この訓練ベクトルは毎分一回の割で採取さ
れたほぼ1週間分のデータを含む訓練データベースから
選ばれた83個のベクトルから成る。
にシステム10を使用した場合の結果が示されている。図
21はSOT信号をそれらに対応するSMSET推定と共に示して
いる(信号は円、線は推定)。図22は、SOR信号と対応
するSMSET推定の間の差を取ることによって導き出され
た個々の推定誤差(信号強度の見地ではない)の生デー
タを示している。最後に図23には、システム10の意志決
定モジュール(SPRTモジュール50,付属書D参照)を図2
2のSMSET推定誤差に用いた場合の結果が示されている。
SPRTプロットは誤認警報率が9.4×10-5であるただ3つ
の誤警報の合計を示しており、これは指定された誤認警
報率1.0×10-3の十分範囲内である。
りとしたドリフトである。このタイプの故障は特に検出
器の信号がノイズを含んでいる場合、早期に検出するこ
とが困難である。図24〜26はこのタイプの故障からのデ
ータの処理と故障の識別の比較例を示している。信号第
2(図24B)は信号中に4000分に始まり、2.75日間の平
均が0.2%である線形的なドリフトを有する。他の検出
器は正常稼働している。図25は結果として生じているそ
れぞれの検出器信号のSMSET推定誤差を示している。信
号第2(図25B)の誤差プロットは、検出器信号がおよ
そ0.05%ドリフトした後にドリフトしている兆候を示し
ている。図26において、SPRT法は第2(図26B)がおよ
そ0.05%ドリフトした後にドリフトしており、そしてす
べての他の検出器が正常稼働していると決定されてい
る。
テップ変動である。これは検出器あるいはデータ収集シ
ステム(DAS)における短絡、校正時の誤りまたは様々
な他の理由の結果であり得る。図27〜29はSOT測定にお
けるこのタイプの問題を示している。この実施例では、
検出器信号第3(図27C)は信号強度の0.25%の強度の
パルスを含んでいる。パルスは4000分に開始し、その後
2000分間続く。図27は4つのSOT信号に関する検出器信
号とSMSET推定を示している。図28は結果として生じるS
MSET推定誤差を示している。第3の誤差信号(図28C)
には、4000分に始まり、6000分に終了する問題が存在す
ることを示している。誤差信号はSPRTモジュール50によ
って得られ、その結果を図29に示した。明らかに、検出
器第3(図29C)には4000分に始まり、6000分に終了す
る擾乱が存在していた。
一例が示されている。この例では、検出器信号の利得が
同調プロセスを通じて変化している、すなわち、強度が
測定時間を通じて増加している。利得は検出器強度の開
始値1から最終値1+0.075%まで測定時間を通じて線
形的に変化し始めている。推定誤差に対するシステム10
をこの信号に適用し、その結果を図31に示した。人間で
ある運転員は、検出器信号を目視することでは、8000分
後でさえほとんど問題があることを識別できないであろ
う。図31Aでは、信号第1が異常に稼働していることは
外見上明白である。これは図32Aにおいて、8000分間に
わたってSPRT警報数の定常的な増加を示すSPRT結果によ
って確証される。
の請求の範囲に示す本発明のより一般的な特徴から逸脱
することなく様々な変更および改良を行うことができる
ことは当業者には明白であろう。
相関調整を行う進み遅れモジュール用のコンピュータソ
フトウェア。
ベクトルを求めるために訓練期間中に信号情報をサーチ
して、最適な訓練集合を求めるためのコンピュータソフ
トウェア。
化するためのコンピュータソフトウェア。
り、パターン認識を実行するためのコンピュータソフト
ウェア。
チャートである。 図2は時間進み遅れ相関法の機能的なフローチャート
である。 図3は、標準状態の訓練データをサーチすることによ
り、全範囲にわたってデータを決定する方法の機能的な
フローチャートである。 図4は業務用システムの稼動状態の挙動をモデル化す
るための方法の機能的なフローチャートである。 図5はパターン認識を行うための方法の機能的なフロ
ーチャートである。 図6Aは進み遅れ法を実施する前に4秒の遅延を有する
検出器信号を示した図、図6Bは進み遅れ法を実施した後
の検出器信号を示した図である。 図7Aは、その上にSMSET推定値が重ねられた、ポンプ
第1の出力に関する検出器信号データを示した図、図7B
はSMSET推定値と検出器信号データの間のSMSET推定誤差
を示した図、図7Cは誤差の棒グラフを示した図である。 図8Aは、その上にSMSET推定値が重ねられた、ポンプ
第2の出力に関する検出器信号データを示した図、図8B
はSMSET推定値と検出器信号データの間のSMSET推定誤差
を示した図、図8Cは誤差の棒グラフを示した図である。 図9Aは、その上にSMSET推定値が重ねられた、ポンプ
第1の速度に関する検出器信号データを示した図、図9B
はSMSET推定値と検出器信号データの間のSMSET推定誤差
を示した図、図9Cは誤差の棒グラフを示した図である。 図10Aは、その上にSMSET推定値が重ねられた、ポンプ
第2の速度に関する検出器信号データを示した図、図10
BはSMSET推定値と検出器信号データの間のSMSET推定誤
差を示した図、図10Cは誤差の棒グラフを示した図であ
る。 図11Aは原子炉出口流量に関する検出器信号データを
示した図、図11BはSMSET推定値と検出器信号データの間
のSMSET推定誤差を示した図、図11Cは誤差の棒グラフを
示した図である。 図12Aは一次ポンプ第2の流量に関する検出器信号デ
ータを示した図、図12BはSMSET推定値と検出器信号デー
タの間のSMSET推定誤差を示した図、図12Cは誤差の棒グ
ラフを示した図である。 図13Aはサブアセンブリ出口温度1A1に関する検出器信
号データを示した図、図13BはSMSET推定値と検出器信号
データの間のSMSET推定誤差を示した図、図13Cは誤差の
棒グラフを示した図である。 図14Aがサブアセンブリ出口温度2B1に関する検出器信
号データを示した図、図14BはSMSET推定値と検出器信号
データの間のSMSET推定誤差を示した図、図14Cは誤差の
棒グラフを示した図である。 図15Aがサブアセンブリ出口温度4E1に関する検出器信
号データを示した図、図15BはSMSET推定値と検出器信号
データの間のSMSET推定誤差を示した図、図15Cは誤差の
棒グラフを示した図である。 図16Aがサブアセンブリ出口温度4F1に関する検出器信
号データを示した図、図16BはSMSET推定値と検出器信号
データの間のSMSET推定誤差を示した図、図16は誤差の
棒グラフを示した図である。 図17Aは原子炉出口温度1534CFに関する検出器信号デ
ータを示した図、図17BはSMSET推定値と検出器信号デー
タの間のSMSET推定誤差を示した図、図17Cは誤差の棒グ
ラフを示した図である。 図18Aは一次タンクのナトリウムレベル530フロートに
関する検出器信号データを示した図、図18BはSMSET推定
値と検出器信号データの間のSMSET推定誤差を示した
図、図18Cは誤差の棒グラフを示した図である。 図19Aは一次タンクのナトリウムレベル531インダクシ
ョンに関する検出器信号データを示した図、図19BはSMS
ET推定値と検出器信号データの間のSMSET推定誤差を示
した図、図19Cは誤差の棒グラフを示した図である。 図20Aは図7から図19のそれぞれのデータについてSMS
ET誤差の標準偏差を示した図、図20Bは図7から図19の
それぞれのデータについてのSMSET誤差の平均値を示し
た図である。 図21はサブアセンブリ出口温度(「SOT」)とSMSET推
定値を示し、特に図21AはEBR−II原子炉の3F1に関する
時間依存の正常なSOTを示した図、図21Bは3C1に関する
正常なSOTを示した図、図21Cは5C2に関する正常なSOTを
示した図、図21Dは7A3に関する正常なSOTを示した図で
ある。 図22A〜Dは、それぞれ、図21A〜Dのそれぞれのデー
タに対するSMSET評価誤差を示した図である。 図23A〜Dは、それぞれ、図21A〜Dのそれぞれのデー
タについてのSPRTの結果を示した図である。 図24Aは正確に図21Aに対応する。図24Bは図21Bに比べ
て線形的なドリフト成分を含む。図24Cと24Dは、それぞ
れ、正確に図21Cと21Dに対応する。 図25Aは正確に図22Aに対応する。図25Bは図24Bの線形
的なドリフトのSMET推定誤差に対する影響を含む。図24
Cと24Dは、それぞれ、正確に図22Cと22Dに対応する。 図26Aは正確に図23Aに対応する。図26Bは図24Bの線形
的なドリフトによる誤差に関するSPRT結果を示した図。
図26C、Dは正確にそれぞれ図23CとDに対応する。 図27Aと28Bはそれぞれ図21Aと21Bに正確に対応する。
図27Cは信号強度の0.25%の一時的な振幅パルスを含
む。図27Dは正確に図21Dに対応する。 図28Aと28Bは正確に図22Aと22Bに対応する。図28Cは
図27Cの振幅パルス効果に関するSMSET推定誤差を示した
図、そして図27Dは正確に図22Dに対応する。 図29Aと29Bは正確に図23Aと23Bに対応する。図29Cは
図27Cの振幅パルスについてのSPRTの結果を示した図で
ある。図29Dは正確に図23Dに対応する。 図30AはEBR−IIのサブアセンブリの温度データ3F1を
示した図であるが、図21Aと比較すると一様に利得の変
化を含む。図30B〜Dは正確に図21B〜Dに対応する。 図31Aは図30Aのプラスの変化についてのSMSET推定誤
差を示した図である。図31B〜Dは、それぞれ、正確に
図22B〜Dに対応する。 図32Aは図30Aのプラスの変化と図31AのSMSET分析につ
いてのSPRTの結果を示した図である。図32B〜Dは、そ
れぞれ、正確に図23B〜Dに対応する。
Claims (29)
- 【請求項1】少なくとも一つの産業プロセスおよび産業
用検出器を監視する方法であって、 複数の産業用検出器から時間的変動データを得るステッ
プと、 前記時間的変動データを処理して、異なる検出器からの
検出器信号を比較し、時間相関を計算して、検出器信号
の間のずれを決定することにより、前記複数の産業用検
出器から蓄積されたデータの最適化された時間相関を取
るステップと、 前記時間相関により調整されたデータをサーチして該デ
ータの最大値と最小値を識別し、それにより前記産業用
検出器からのデータの全範囲の値を決定するステップ
と、 少なくとも1つの前記産業プロセスおよび前記産業用検
出器の正常な稼働状態に関して学習された状態を決定し
て、該学習された状態を使用して前記産業プロセスの少
なくとも1つの新しい観測結果および前記産業用検出器
を結合して、少なくとも1つの稼働中の前記産業プロセ
スおよび前記産業用検出器の推定値を求めるステップ
と、 前記推定値と前記産業プロセスの前記新しい観測結果と
を比較して前記学習された状態の一つに最も近い少なく
とも1つの前記産業プロセスおよび前記産業用検出器の
現時点の状態を特定し、モデル化されたデータの集合を
求めるステップと、 前記モデル化されたデータを処理して該データのパター
ンを特定し、正常稼働の特性を示すパターンからの逸脱
が検出された場合、警報を発するステップと から成ることを特徴とする産業プロセス監視方法。 - 【請求項2】前記産業プロセスが物理的プロセスを含ん
で成ることを特徴とする請求項1に記載の産業プロセス
監視方法。 - 【請求項3】前記の最適な時間相関を得るステップが、
低域通過フィルタを用いて前記相互相関ベクトルからノ
イズを除去することをさらに含んでなることを特徴とす
る請求項1に記載の産業プロセス監視方法。 - 【請求項4】位相のずれを決定する前記ステップが、信
号の各ペア間の遅れ時間について前記相互相関ベクトル
を微分して、該相互相関ベクトルの微分の平方根を計算
するために補間法を用いることを含んで成ることを特徴
とする請求項3に記載の産業プロセス監視方法。 - 【請求項5】前記産業プロセスの前記学習された状態に
最も近い現時点の状態を識別する前記ステップが、該産
業プロセスの真の状態を識別するために前記学習された
状態の組み合わせを形成することを含んでなることを特
徴とする請求項1に記載の産業プロセス監視方法。 - 【請求項6】産業プロセスの不十分な観測の代わりに期
待値を用いるステップをさらに含むことを特徴とする請
求項5に記載の産業プロセス監視方法。 - 【請求項7】正常稼働からのずれを検出する前記ステッ
プは、逐次確率比検定を含んで成ることを特徴とする請
求項1に記載の産業プロセス監視方法。 - 【請求項8】正常稼働からのずれを検出する前記ステッ
プは、コンピュータ手段を用いたパターン認識分析を実
行することを含んでなることを特徴とする請求項1に記
載の産業プロセス監視方法。 - 【請求項9】少なくとも一つの産業プロセスおよび産業
用データソースを監視する方法であって、 複数の産業用データソースから時間的変動データを得る
ステップと、 前記産業プロセスの正常稼働状態についての学習された
状態を決定して、該学習された状態を用いて稼働中に前
記産業プロセスの期待値を求めるステップと、 前記期待値を前記産業プロセスの現時点の値と比較して
前記学習された状態の一つに最も近い該産業プロセスの
現時点の状態を特定し、モデル化されたデータの集合を
求めるステップと、 前記モデル化されたデータを処理して該データのパター
ンを特定し、正常稼働の特性を示すパターンからの逸脱
が検出された場合、警報が発するステップと から成ることを特徴とする産業プロセス監視方法。 - 【請求項10】前記産業プロセスの前記学習された状態
に最も近い現時点の状態を識別する前記ステップが、該
産業プロセスの真の状態を識別するために前記学習され
た状態の組み合わせを形成することを含んでなることを
特徴とする請求項9に記載の産業プロセス監視方法。 - 【請求項11】産業プロセスの不十分な観測の代わりに
期待値を用いるステップをさらに含むことを特徴とする
請求項9に記載の産業プロセス監視方法。 - 【請求項12】前記産業用データソースが、産業生産プ
ロセス、気象予報、および輸送システムから成るグルー
プで使用される産業データソースから選択されることを
特徴とする請求項9に記載の産業プロセス監視方法。 - 【請求項13】前記複数の産業用データソースが、検出
器の複数のペアを含んで成ることを特徴とする請求項9
に記載の産業プロセス監視方法。 - 【請求項14】モデル化されたデータを処理する前記ス
テップが、SPRT法の適用を含んで成ることを特徴とする
請求項9に記載の産業プロセス監視方法。 - 【請求項15】出力である前記複数の時間的変動データ
間の時間的位相のずれを決定するステップをさらに含む
ことを特徴とする請求項9に記載の産業プロセス監視方
法。 - 【請求項16】少なくとも一つの産業プロセスおよび産
業用データソースを監視する方法であって、 産業プロセスの少なくとも一つのデータソースからの時
間的変動データを検出するステップと、 少なくも1つの前記産業プロセスおよび前記産業用デー
タソースのある一つの好ましい稼働状態に関する学習さ
れた状態を決定し、該学習された状態を使用して少なく
とも1つの前記産業プロセスおよび前記産業用データソ
ースの状態の推定値を求めるステップと、 前記推定値を、前記産業プロセスおよび前記産業用デー
タソースの少なくとも1つの新しいデータの観測結果と
比較して前記学習された状態の一つに最も近い少なくと
も1つの前記産業プロセスおよび前記産業用データソー
スの現時点の状態を特定し、該現時点の状態の特性を示
すデータを求めるステップと、 前記現時点の状態の特性を示すデータを処理して該デー
タのパターンを特定し、前記好ましい稼働状態の特性を
示すパターンからの逸脱を検出した場合、少なくとも一
つの前記産業プロセスおよび前記データソースが前記好
ましい稼働状態にないことを示す信号を発するステップ
と から成ることを特徴とする産業プロセス監視方法。 - 【請求項17】前記新しいデータの観測結果を前記推定
値と比較する前に、時間的変動データを該データの最大
値および最小値を識別すべくサーチし、それによって全
ての範囲にわたって該データの値を決定するステップを
さらに含むことを特徴とする請求項16に記載の産業プロ
セス監視方法。 - 【請求項18】前記産業用データソースが、それぞれ前
記最大値および最小値に関連する2つのデータ値によっ
て特徴づけられることを特徴とする請求項17に記載の産
業プロセス監視方法。 - 【請求項19】パターンを識別するために前記現時点の
状態の特性を示すデータを処理する前記ステップが、逐
次確率比検定を実施するステップを含んで成ることを特
徴とする請求項16に記載の産業プロセス監視方法。 - 【請求項20】前記現時点の状態の特性を示すデータ
が、そのパターンを識別するためにさらに処理されるモ
デル化されたデータの集合を求めるために処理されるこ
とを特徴とする請求項19に記載の産業プロセス監視方
法。 - 【請求項21】前記産業プロセスは、生産プロセス、物
理的プロセス、化学的プロセス、生物学的プロセス、お
よび電子工学的プロセスから成るグループから選択され
ることを特徴とする請求項16に記載の産業プロセス監視
方法。 - 【請求項22】前記好ましい稼働状態の特性を示すパタ
ーンからの逸脱を検出した場合に、前記産業用データソ
ースに対して推定信号を代入し、それによって、故障し
たデータソースを置き換えて前記産業プロセスの継続的
な稼働と監視を可能とするステップをさらに含むことを
特徴とする請求項16に記載の産業プロセス監視方法。 - 【請求項23】前記時間的変動データを処理して該デー
タの最適な時間相関を取るステップをさらに含むことを
特徴とする請求項16に記載の産業プロセス監視方法。 - 【請求項24】最適な時間相関を取る前記ステップが、
その各々が別々の検出器の特性を示す検出器信号のペア
を比較して、時間にわたって相互相関ベクトルを計算
し、低域通過フィルタを用いて前記相互相関ベクトルか
らノイズを除去し、そして前記検出器信号間の位相のず
れを決定するステップから成ることを特徴とする請求項
23に記載の産業プロセス監視方法。 - 【請求項25】少なくとも一つの産業プロセスおよび産
業用検出器を監視する方法であって、 産業プロセスの少なくとも一つの産業用データソースか
らの時間的変動データを検出するステップと、 前記時間的変動データの最大値と最小値を識別するため
に前記少なくとも一つのデータソースからの信号をサー
チするステップと、 少なくも1つの前記産業プロセスおよび前記産業用検出
器のある一つの好ましい正常稼働状態に関する学習され
た状態を決定し、該学習された状態を使用して少なくと
も1つの前記産業プロセスおよび前記産業用検出器の推
定値を求めるステップと、 前記新しいデータの観測結果から前記時間的変動データ
のパターンを特定することによって、現在の状態の前記
推定値を処理して、前記好ましい稼働状態の特性を示す
パターンからの逸脱を検出した場合、少なくとも一つの
前記産業プロセスおよび前記データソースが前記好まし
い稼働状態にないことを示す信号を発するステップと から成ることを特徴とする産業プロセス監視方法。 - 【請求項26】前記好ましい稼働状態の特性を示すパタ
ーンからの逸脱を検出した場合に、前記産業用データソ
ースの代わりに推定信号を使用して、それによって故障
したデータソースを置き換えて前記産業プロセスの継続
的な稼働と監視を可能とするステップをさらに含むこと
を特徴とするを特徴とする請求項25に記載の産業プロセ
ス監視方法。 - 【請求項27】前記時間的変動データを処理して該デー
タの最適時間相関を取るステップをさらに含むことを特
徴とする請求項25に記載の産業プロセス監視方法。 - 【請求項28】前記時間的変動データのパターンを識別
する前記ステップが、逐次確率比検定を含んで成ること
を特徴とする請求項25に記載の産業プロセス監視方法。 - 【請求項29】前記産業プロセスが、生産プロセス、物
理的プロセス、化学的プロセス、電子工学的プロセス、
および生物学的プロセスから成るグループから選択され
ることを特徴とする請求項25に記載の産業プロセス監視
方法。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US08/666,938 US5764509A (en) | 1996-06-19 | 1996-06-19 | Industrial process surveillance system |
US08/666,938 | 1996-06-19 | ||
PCT/US1997/010430 WO1997049011A1 (en) | 1996-06-19 | 1997-06-13 | Industrial process surveillance system |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2000505221A JP2000505221A (ja) | 2000-04-25 |
JP3449560B2 true JP3449560B2 (ja) | 2003-09-22 |
Family
ID=24676137
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP50322398A Expired - Lifetime JP3449560B2 (ja) | 1996-06-19 | 1997-06-13 | 産業プロセス監視システム |
Country Status (9)
Country | Link |
---|---|
US (2) | US5764509A (ja) |
EP (1) | EP0906593B1 (ja) |
JP (1) | JP3449560B2 (ja) |
KR (1) | KR100313067B1 (ja) |
AU (1) | AU3396797A (ja) |
CA (1) | CA2257881C (ja) |
DE (1) | DE69723839T2 (ja) |
ES (1) | ES2205244T3 (ja) |
WO (1) | WO1997049011A1 (ja) |
Families Citing this family (140)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
ATE200155T1 (de) * | 1996-11-28 | 2001-04-15 | Siemens Ag | Verfahren zur parametrierung eines zum vergleich eines messsignals mit einem mustersignal dienenden fuzzy-automaten |
US6131076A (en) * | 1997-07-25 | 2000-10-10 | Arch Development Corporation | Self tuning system for industrial surveillance |
US6185466B1 (en) * | 1997-10-06 | 2001-02-06 | Proteus Industries, Inc. | Distributed digital control system including modules with multiple stored databases and selector |
US5987399A (en) * | 1998-01-14 | 1999-11-16 | Arch Development Corporation | Ultrasensitive surveillance of sensors and processes |
US6119111A (en) * | 1998-06-09 | 2000-09-12 | Arch Development Corporation | Neuro-parity pattern recognition system and method |
US6035240A (en) * | 1998-11-12 | 2000-03-07 | Moorehead; Jack | Flexible distributed processing system for sensor data acquisition and control |
WO2000067412A2 (en) * | 1999-04-30 | 2000-11-09 | Dryken Technologies | Method and system for nonlinear state estimation |
US7386426B1 (en) * | 1999-04-30 | 2008-06-10 | Smartsignal Corporation | Method and system for nonlinear state estimation |
US6442542B1 (en) * | 1999-10-08 | 2002-08-27 | General Electric Company | Diagnostic system with learning capabilities |
US6876991B1 (en) | 1999-11-08 | 2005-04-05 | Collaborative Decision Platforms, Llc. | System, method and computer program product for a collaborative decision platform |
US6539343B2 (en) * | 2000-02-03 | 2003-03-25 | Xerox Corporation | Methods for condition monitoring and system-level diagnosis of electro-mechanical systems with multiple actuating components operating in multiple regimes |
US6751575B2 (en) * | 2000-02-14 | 2004-06-15 | Infoglide Corporation | System and method for monitoring and control of processes and machines |
US6957172B2 (en) | 2000-03-09 | 2005-10-18 | Smartsignal Corporation | Complex signal decomposition and modeling |
US7739096B2 (en) * | 2000-03-09 | 2010-06-15 | Smartsignal Corporation | System for extraction of representative data for training of adaptive process monitoring equipment |
EP1279104B1 (en) | 2000-03-09 | 2008-12-24 | Smartsignal Corporation | Generalized lensing angular similarity operator |
CA2402280C (en) * | 2000-03-10 | 2008-12-02 | Cyrano Sciences, Inc. | Control for an industrial process using one or more multidimensional variables |
AU2001249138A1 (en) * | 2000-03-10 | 2001-09-24 | Cyrano Sciences, Inc. | Measuring and analyzing multi-dimensional sensory information for identificationpurposes |
US6952662B2 (en) * | 2000-03-30 | 2005-10-04 | Smartsignal Corporation | Signal differentiation system using improved non-linear operator |
US6609036B1 (en) * | 2000-06-09 | 2003-08-19 | Randall L. Bickford | Surveillance system and method having parameter estimation and operating mode partitioning |
US6917839B2 (en) * | 2000-06-09 | 2005-07-12 | Intellectual Assets Llc | Surveillance system and method having an operating mode partitioned fault classification model |
KR20030014285A (ko) * | 2000-06-30 | 2003-02-15 | 더 다우 케미칼 캄파니 | 다변수 행렬 프로세스 제어방법 및 그 장치 |
JP2002043200A (ja) * | 2000-07-24 | 2002-02-08 | Mitsubishi Electric Corp | 異常原因検出装置及び異常原因検出方法 |
TW577003B (en) * | 2000-09-29 | 2004-02-21 | Manugistics Inc | System, network, storage device, and method for supply chain management, including collaboration |
WO2002035299A2 (en) * | 2000-10-26 | 2002-05-02 | Triant Technologies Inc. | Method for estimating and reducing uncertainties in process measurements |
US20020077792A1 (en) * | 2000-10-27 | 2002-06-20 | Panacya, Inc. | Early warning in e-service management systems |
US20030149570A1 (en) * | 2000-10-27 | 2003-08-07 | Panacya, Inc. | Early warning in e-service management systems |
TW541483B (en) * | 2000-10-27 | 2003-07-11 | Manugistics Inc | System and method for ensuring order fulfillment |
AU2002224459A1 (en) * | 2000-10-27 | 2002-05-06 | Manugistics, Inc. | System and methods for sharing and viewing supply chain information |
US6556939B1 (en) * | 2000-11-22 | 2003-04-29 | Smartsignal Corporation | Inferential signal generator for instrumented equipment and processes |
GB0029760D0 (en) * | 2000-12-06 | 2001-01-17 | Secr Defence Brit | Tracking systems for detecting sensor errors |
US7233886B2 (en) * | 2001-01-19 | 2007-06-19 | Smartsignal Corporation | Adaptive modeling of changed states in predictive condition monitoring |
US7373283B2 (en) * | 2001-02-22 | 2008-05-13 | Smartsignal Corporation | Monitoring and fault detection system and method using improved empirical model for range extrema |
US20020183971A1 (en) | 2001-04-10 | 2002-12-05 | Wegerich Stephan W. | Diagnostic systems and methods for predictive condition monitoring |
US7539597B2 (en) | 2001-04-10 | 2009-05-26 | Smartsignal Corporation | Diagnostic systems and methods for predictive condition monitoring |
EP1393136B1 (en) * | 2001-04-26 | 2009-02-18 | Abb As | Method for monitoring and detecting sensor failure in oil and gas production system |
US6668240B2 (en) | 2001-05-03 | 2003-12-23 | Emerson Retail Services Inc. | Food quality and safety model for refrigerated food |
US6892546B2 (en) | 2001-05-03 | 2005-05-17 | Emerson Retail Services, Inc. | System for remote refrigeration monitoring and diagnostics |
US6839655B2 (en) | 2001-05-25 | 2005-01-04 | University Of Chicago | System for monitoring non-coincident, nonstationary process signals |
GB0113627D0 (en) * | 2001-06-05 | 2001-07-25 | Univ Stirling | Controller and method of controlling an apparatus |
US6975962B2 (en) * | 2001-06-11 | 2005-12-13 | Smartsignal Corporation | Residual signal alert generation for condition monitoring using approximated SPRT distribution |
US20030046382A1 (en) * | 2001-08-21 | 2003-03-06 | Sascha Nick | System and method for scalable multi-level remote diagnosis and predictive maintenance |
AU2002330673A1 (en) * | 2001-08-21 | 2003-03-10 | Idtect | System and method for scalable multi-level remote diagnosis and predictive maintenance |
JP4184638B2 (ja) * | 2001-08-31 | 2008-11-19 | 株式会社東芝 | 半導体製造装置の寿命診断方法 |
US6892163B1 (en) | 2002-03-08 | 2005-05-10 | Intellectual Assets Llc | Surveillance system and method having an adaptive sequential probability fault detection test |
US7254520B2 (en) * | 2002-05-14 | 2007-08-07 | Analysis And Measurement Services Corporation | Testing of wire systems and end devices installed in industrial processes |
US6915237B2 (en) * | 2002-05-14 | 2005-07-05 | Analysis And Measurement Services Corporation | Integrated system for verifying the performance and health of instruments and processes |
US7103615B2 (en) * | 2002-07-23 | 2006-09-05 | The Boeing Company | Process evaluation distributed system |
US6889173B2 (en) | 2002-10-31 | 2005-05-03 | Emerson Retail Services Inc. | System for monitoring optimal equipment operating parameters |
US6909960B2 (en) * | 2002-10-31 | 2005-06-21 | United Technologies Corporation | Method for performing gas turbine performance diagnostics |
US7233884B2 (en) * | 2002-10-31 | 2007-06-19 | United Technologies Corporation | Methodology for temporal fault event isolation and identification |
PT1579288T (pt) * | 2002-11-04 | 2017-06-23 | Ge Intelligent Platforms Inc | Monitorização do estado do sistema utilizando máquina de aprendizagem local recorrente |
GB0314870D0 (en) * | 2003-06-26 | 2003-10-29 | Rolls Royce Power Eng | Remote monitoring system |
US7050875B2 (en) * | 2003-07-01 | 2006-05-23 | General Electric Company | System and method for detecting an anomalous condition |
US6980874B2 (en) * | 2003-07-01 | 2005-12-27 | General Electric Company | System and method for detecting an anomalous condition in a multi-step process |
US20050004684A1 (en) * | 2003-07-01 | 2005-01-06 | General Electric Company | System and method for adjusting a control model |
US20060074558A1 (en) * | 2003-11-26 | 2006-04-06 | Williamson Walton R | Fault-tolerant system, apparatus and method |
US7292952B1 (en) * | 2004-02-03 | 2007-11-06 | Sun Microsystems, Inc. | Replacing a signal from a failed sensor in a computer system with an estimated signal derived from correlations with other signals |
US7249287B2 (en) * | 2004-04-19 | 2007-07-24 | General Electric Company | Methods and apparatus for providing alarm notification |
US7412842B2 (en) | 2004-04-27 | 2008-08-19 | Emerson Climate Technologies, Inc. | Compressor diagnostic and protection system |
US7799273B2 (en) | 2004-05-06 | 2010-09-21 | Smp Logic Systems Llc | Manufacturing execution system for validation, quality and risk assessment and monitoring of pharmaceutical manufacturing processes |
US7275377B2 (en) | 2004-08-11 | 2007-10-02 | Lawrence Kates | Method and apparatus for monitoring refrigerant-cycle systems |
US7953577B2 (en) * | 2004-08-25 | 2011-05-31 | Siemens Corporation | Method and apparatus for improved fault detection in power generation equipment |
US7188050B2 (en) * | 2004-08-25 | 2007-03-06 | Siemens Corporate Research, Inc. | Method and apparatus for detecting out-of-range conditions in power generation equipment operations |
EP1851959B1 (en) | 2005-02-21 | 2012-04-11 | Computer Process Controls, Inc. | Enterprise control and monitoring system |
DE602005008706D1 (de) * | 2005-03-24 | 2008-09-18 | Abb Research Ltd | Abschätzen der Zustandparameter oder Erscheinung eines alternden Systems |
US20060293859A1 (en) * | 2005-04-13 | 2006-12-28 | Venture Gain L.L.C. | Analysis of transcriptomic data using similarity based modeling |
US7640145B2 (en) * | 2005-04-25 | 2009-12-29 | Smartsignal Corporation | Automated model configuration and deployment system for equipment health monitoring |
US7155365B1 (en) * | 2005-08-02 | 2006-12-26 | Sun Microsystems, Inc. | Optimal bandwidth and power utilization for ad hoc networks of wireless smart sensors |
US8795170B2 (en) * | 2005-11-29 | 2014-08-05 | Venture Gain LLC | Residual based monitoring of human health |
EP1793296A1 (en) * | 2005-12-05 | 2007-06-06 | Insyst Ltd. | An apparatus and method for the analysis of a process having parameter-based faults |
US7558985B2 (en) * | 2006-02-13 | 2009-07-07 | Sun Microsystems, Inc. | High-efficiency time-series archival system for telemetry signals |
US8590325B2 (en) | 2006-07-19 | 2013-11-26 | Emerson Climate Technologies, Inc. | Protection and diagnostic module for a refrigeration system |
US8341260B2 (en) * | 2006-08-16 | 2012-12-25 | Oracle America, Inc. | Method and system for identification of decisive action state of server components via telemetric condition tracking |
US8116566B2 (en) * | 2006-08-28 | 2012-02-14 | Colorado State University Research Foundation | Unknown pattern set recognition |
US8046200B2 (en) * | 2006-09-05 | 2011-10-25 | Colorado State University Research Foundation | Nonlinear function approximation over high-dimensional domains |
US20080216494A1 (en) | 2006-09-07 | 2008-09-11 | Pham Hung M | Compressor data module |
US8275577B2 (en) * | 2006-09-19 | 2012-09-25 | Smartsignal Corporation | Kernel-based method for detecting boiler tube leaks |
US7822697B2 (en) * | 2006-09-29 | 2010-10-26 | Globvision Inc. | Method and apparatus for infrastructure health monitoring and analysis wherein anomalies are detected by comparing measured outputs to estimated/modeled outputs by using a delay |
US7769562B2 (en) * | 2006-11-13 | 2010-08-03 | Oracle America, Inc. | Method and apparatus for detecting degradation in a remote storage device |
US8311774B2 (en) | 2006-12-15 | 2012-11-13 | Smartsignal Corporation | Robust distance measures for on-line monitoring |
US8706451B1 (en) * | 2006-12-15 | 2014-04-22 | Oracle America, Inc | Method and apparatus for generating a model for an electronic prognostics system |
US8682835B1 (en) * | 2006-12-15 | 2014-03-25 | Intellectual Assets Llc | Asset surveillance method and system comprising a dynamic model framework |
US7917540B2 (en) * | 2007-02-22 | 2011-03-29 | Colorado State University Research Foundation | Nonlinear set to set pattern recognition |
US20090037142A1 (en) | 2007-07-30 | 2009-02-05 | Lawrence Kates | Portable method and apparatus for monitoring refrigerant-cycle systems |
EP2171598B1 (en) | 2007-08-03 | 2017-01-11 | GE Intelligent Platforms, Inc. | Fuzzy classification approach to fault pattern matching |
US7853441B2 (en) * | 2007-08-22 | 2010-12-14 | United Technologies Corp. | Systems and methods involving engine models |
US7930639B2 (en) | 2007-09-26 | 2011-04-19 | Rockwell Automation Technologies, Inc. | Contextualization for historians in industrial systems |
US7689368B2 (en) * | 2007-10-26 | 2010-03-30 | Caterpillar Inc. | Systems and methods for early detection of machine component failure |
US9140728B2 (en) | 2007-11-02 | 2015-09-22 | Emerson Climate Technologies, Inc. | Compressor sensor module |
US8700550B1 (en) * | 2007-11-30 | 2014-04-15 | Intellectual Assets Llc | Adaptive model training system and method |
US8712929B1 (en) | 2007-11-30 | 2014-04-29 | Intellectual Assets Llc | Dynamic data filtering system and method |
US8103672B2 (en) * | 2009-05-20 | 2012-01-24 | Detectent, Inc. | Apparatus, system, and method for determining a partial class membership of a data record in a class |
AU2010253739B2 (en) | 2009-05-29 | 2015-07-16 | Emerson Climate Technologies Retail Solutions, Inc. | System and method for monitoring and evaluating equipment operating parameter modifications |
US8560283B2 (en) * | 2009-07-10 | 2013-10-15 | Emerson Process Management Power And Water Solutions, Inc. | Methods and apparatus to compensate first principle-based simulation models |
DE102009040386A1 (de) | 2009-09-07 | 2011-03-10 | Schaeffler Technologies Gmbh & Co. Kg | Verfahren zur Zustands- und Prozessüberwachung und Vorrichtung hierfür |
WO2011087927A1 (en) * | 2010-01-14 | 2011-07-21 | Venture Gain LLC | Multivariate residual-based health index for human health monitoring |
US8386859B2 (en) * | 2010-04-30 | 2013-02-26 | International Business Machines Corporation | On-chip non-volatile storage of a test-time profile for efficiency and performance control |
US8276018B2 (en) | 2010-04-30 | 2012-09-25 | International Business Machines Corporation | Non-volatile memory based reliability and availability mechanisms for a computing device |
US8862433B2 (en) | 2010-05-18 | 2014-10-14 | United Technologies Corporation | Partitioning of turbomachine faults |
EP2580629A2 (en) * | 2010-06-10 | 2013-04-17 | Siemens Corporation | Method for quantitative resilience estimation of industrial control systems |
US10761524B2 (en) * | 2010-08-12 | 2020-09-01 | Rosemount Inc. | Wireless adapter with process diagnostics |
JP5501903B2 (ja) * | 2010-09-07 | 2014-05-28 | 株式会社日立製作所 | 異常検知方法及びそのシステム |
EP2681497A4 (en) | 2011-02-28 | 2017-05-31 | Emerson Electric Co. | Residential solutions hvac monitoring and diagnosis |
US20120259792A1 (en) * | 2011-04-06 | 2012-10-11 | International Business Machines Corporation | Automatic detection of different types of changes in a business process |
US8620853B2 (en) | 2011-07-19 | 2013-12-31 | Smartsignal Corporation | Monitoring method using kernel regression modeling with pattern sequences |
US9250625B2 (en) | 2011-07-19 | 2016-02-02 | Ge Intelligent Platforms, Inc. | System of sequential kernel regression modeling for forecasting and prognostics |
US9256224B2 (en) | 2011-07-19 | 2016-02-09 | GE Intelligent Platforms, Inc | Method of sequential kernel regression modeling for forecasting and prognostics |
US8660980B2 (en) | 2011-07-19 | 2014-02-25 | Smartsignal Corporation | Monitoring system using kernel regression modeling with pattern sequences |
US8964338B2 (en) | 2012-01-11 | 2015-02-24 | Emerson Climate Technologies, Inc. | System and method for compressor motor protection |
CN104303114B (zh) * | 2012-05-16 | 2017-06-16 | 东芝三菱电机产业***株式会社 | 设定计算***的学习装置以及学习方法 |
US9075713B2 (en) | 2012-05-24 | 2015-07-07 | Mitsubishi Electric Research Laboratories, Inc. | Method for detecting anomalies in multivariate time series data |
US9310439B2 (en) | 2012-09-25 | 2016-04-12 | Emerson Climate Technologies, Inc. | Compressor having a control and diagnostic module |
US10222769B2 (en) | 2012-10-12 | 2019-03-05 | Emerson Process Management Power & Water Solutions, Inc. | Method for determining and tuning process characteristic parameters using a simulation system |
US9803902B2 (en) | 2013-03-15 | 2017-10-31 | Emerson Climate Technologies, Inc. | System for refrigerant charge verification using two condenser coil temperatures |
US9638436B2 (en) | 2013-03-15 | 2017-05-02 | Emerson Electric Co. | HVAC system remote monitoring and diagnosis |
US9551504B2 (en) | 2013-03-15 | 2017-01-24 | Emerson Electric Co. | HVAC system remote monitoring and diagnosis |
CA2908362C (en) | 2013-04-05 | 2018-01-16 | Fadi M. Alsaleem | Heat-pump system with refrigerant charge diagnostics |
KR20160053977A (ko) | 2013-09-06 | 2016-05-13 | 지이 인텔리전트 플랫폼스 인코포레이티드 | 모델 적응을 위한 장치 및 방법 |
US9430882B2 (en) | 2013-10-11 | 2016-08-30 | Kenton Ho | Computerized vehicle maintenance management system with embedded stochastic modelling |
US10409926B2 (en) | 2013-11-27 | 2019-09-10 | Falkonry Inc. | Learning expected operational behavior of machines from generic definitions and past behavior |
US9379951B2 (en) | 2014-01-10 | 2016-06-28 | Instep Software, Llc | Method and apparatus for detection of anomalies in integrated parameter systems |
US10037128B2 (en) | 2014-02-04 | 2018-07-31 | Falkonry, Inc. | Operating behavior classification interface |
KR101997580B1 (ko) * | 2015-01-08 | 2019-07-08 | 비앤에프테크놀로지 주식회사 | 상관도를 고려한 데이터 분류 방법 및 이 방법을 수행하기 위한 프로그램이 저장된 컴퓨터 판독가능한 저장매체 |
US10101049B2 (en) | 2015-11-12 | 2018-10-16 | Oracle International Corporation | Determining parameters of air-cooling mechanisms |
KR101827108B1 (ko) * | 2016-05-04 | 2018-02-07 | 두산중공업 주식회사 | 플랜트 이상 감지 학습 시스템 및 방법 |
US20170372237A1 (en) * | 2016-06-22 | 2017-12-28 | General Electric Company | System and method for producing models for asset management from requirements |
WO2018009733A1 (en) * | 2016-07-07 | 2018-01-11 | Aspen Technology, Inc. | Computer system and method for monitoring key performance indicators (kpis) online using time series pattern model |
WO2018035718A1 (en) * | 2016-08-23 | 2018-03-01 | Accenture Global Solutions Limited | Real-time industrial plant production prediction and operation optimization |
US10718689B2 (en) | 2016-12-22 | 2020-07-21 | General Electric Company | Modeling and visualization of vibration mechanics in residual space |
US11392850B2 (en) * | 2018-02-02 | 2022-07-19 | Oracle International Corporation | Synthesizing high-fidelity time-series sensor signals to facilitate machine-learning innovations |
WO2019234913A1 (ja) * | 2018-06-08 | 2019-12-12 | 千代田化工建設株式会社 | 支援装置、学習装置、及びプラント運転条件設定支援システム |
US11295012B2 (en) * | 2019-01-09 | 2022-04-05 | Oracle International Corporation | Characterizing and mitigating spillover false alarms in inferential models for machine-learning prognostics |
US11334057B2 (en) * | 2019-01-25 | 2022-05-17 | Waygate Technologies Usa, Lp | Anomaly detection for predictive maintenance and deriving outcomes and workflows based on data quality |
JP7229861B2 (ja) | 2019-06-20 | 2023-02-28 | 株式会社日立製作所 | 故障予兆診断装置およびその方法 |
KR102072836B1 (ko) * | 2019-07-02 | 2020-02-03 | 비앤에프테크놀로지 주식회사 | 상관도를 고려한 데이터 분류 방법 및 이 방법을 수행하기 위한 프로그램이 저장된 컴퓨터 판독가능한 저장매체 |
US10958521B2 (en) | 2019-07-19 | 2021-03-23 | Oracle International Corporation | Method and apparatus for configuring a cloud storage software appliance |
DE102020109858A1 (de) * | 2020-04-08 | 2021-10-14 | Balluff Gmbh | Verfahren zum Betreiben eines Systems |
US11449044B2 (en) * | 2020-04-17 | 2022-09-20 | Emerson Process Management Power & Water Solutions, Inc. | Successive maximum error reduction |
US11704615B2 (en) | 2020-08-31 | 2023-07-18 | altumAI Insurance Solutions, LLC | Risk assessment apparatus and related methods |
US11966217B2 (en) | 2020-12-23 | 2024-04-23 | Emerson Process Management Power & Water Solutions, Inc. | Faulty variable identification technique for data-driven fault detection within a process plant |
Family Cites Families (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US3851157A (en) * | 1973-07-09 | 1974-11-26 | United Aircraft Corp | Self-correcting feedback control system |
US4295128A (en) * | 1979-03-26 | 1981-10-13 | University Of Tennessee Research Corp. | Apparatus for measuring the degradation of a sensor time constant |
US5070468A (en) * | 1988-07-20 | 1991-12-03 | Mitsubishi Jukogyo Kabushiki Kaisha | Plant fault diagnosis system |
US4937763A (en) | 1988-09-06 | 1990-06-26 | E I International, Inc. | Method of system state analysis |
US5009833A (en) * | 1989-01-11 | 1991-04-23 | Westinghouse Electric Corp. | Expert system for surveillance, diagnosis and prognosis of plant operation |
US4975685A (en) * | 1989-05-08 | 1990-12-04 | General Motors Corporation | Guide path short detector |
SE463338B (sv) * | 1989-06-14 | 1990-11-05 | Ludwik Liszka | Saett att oevervaka och/eller diagnosticera aktuella drifttillstaand hos komplicerade maskiner |
DE3923432C2 (de) * | 1989-07-15 | 1997-07-17 | Bodenseewerk Geraetetech | Einrichtung zur Erzeugung von Meßsignalen mit einer Mehrzahl von Sensoren |
US4977390A (en) * | 1989-10-19 | 1990-12-11 | Niagara Mohawk Power Corporation | Real time method for processing alaarms generated within a predetermined system |
US5402521A (en) * | 1990-02-28 | 1995-03-28 | Chiyoda Corporation | Method for recognition of abnormal conditions using neural networks |
US5164895A (en) * | 1990-03-16 | 1992-11-17 | Westinghouse Electric Corp. | Neutron flux mapping system for nuclear reactors |
US5255208A (en) * | 1991-08-08 | 1993-10-19 | Aeg Westinghouse Transportation Systems, Inc. | On-line processor based diagnostic system |
US5410492A (en) * | 1992-01-29 | 1995-04-25 | Arch Development Corporation | Processing data base information having nonwhite noise |
US5459675A (en) * | 1992-01-29 | 1995-10-17 | Arch Development Corporation | System for monitoring an industrial process and determining sensor status |
US5223207A (en) * | 1992-01-29 | 1993-06-29 | The United States Of America As Represented By The United States Department Of Energy | Expert system for online surveillance of nuclear reactor coolant pumps |
US6002839A (en) * | 1992-11-24 | 1999-12-14 | Pavilion Technologies | Predictive network with graphically determined preprocess transforms |
JP3147586B2 (ja) * | 1993-05-21 | 2001-03-19 | 株式会社日立製作所 | プラントの監視診断方法 |
US5586066A (en) * | 1994-06-08 | 1996-12-17 | Arch Development Corporation | Surveillance of industrial processes with correlated parameters |
JPH0822403A (ja) * | 1994-07-11 | 1996-01-23 | Fujitsu Ltd | 計算機システムの監視装置 |
US5680409A (en) | 1995-08-11 | 1997-10-21 | Fisher-Rosemount Systems, Inc. | Method and apparatus for detecting and identifying faulty sensors in a process |
-
1996
- 1996-06-19 US US08/666,938 patent/US5764509A/en not_active Expired - Lifetime
-
1997
- 1997-06-13 DE DE69723839T patent/DE69723839T2/de not_active Expired - Lifetime
- 1997-06-13 AU AU33967/97A patent/AU3396797A/en not_active Abandoned
- 1997-06-13 ES ES97930046T patent/ES2205244T3/es not_active Expired - Lifetime
- 1997-06-13 JP JP50322398A patent/JP3449560B2/ja not_active Expired - Lifetime
- 1997-06-13 WO PCT/US1997/010430 patent/WO1997049011A1/en active IP Right Grant
- 1997-06-13 EP EP97930046A patent/EP0906593B1/en not_active Expired - Lifetime
- 1997-06-13 CA CA002257881A patent/CA2257881C/en not_active Expired - Lifetime
- 1997-06-13 KR KR1019980710448A patent/KR100313067B1/ko not_active IP Right Cessation
-
1998
- 1998-02-24 US US09/028,443 patent/US6181975B1/en not_active Expired - Lifetime
Also Published As
Publication number | Publication date |
---|---|
KR100313067B1 (ko) | 2001-12-12 |
EP0906593A1 (en) | 1999-04-07 |
DE69723839D1 (de) | 2003-09-04 |
KR20000022050A (ko) | 2000-04-25 |
CA2257881C (en) | 2004-02-10 |
AU3396797A (en) | 1998-01-07 |
DE69723839T2 (de) | 2004-04-22 |
US6181975B1 (en) | 2001-01-30 |
ES2205244T3 (es) | 2004-05-01 |
WO1997049011A1 (en) | 1997-12-24 |
EP0906593B1 (en) | 2003-07-30 |
WO1997049011A9 (en) | 1999-04-15 |
US5764509A (en) | 1998-06-09 |
EP0906593A4 (en) | 1999-09-15 |
JP2000505221A (ja) | 2000-04-25 |
CA2257881A1 (en) | 1997-12-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP3449560B2 (ja) | 産業プロセス監視システム | |
US8285513B2 (en) | Method and system of using inferential measurements for abnormal event detection in continuous industrial processes | |
US6859739B2 (en) | Global state change indicator for empirical modeling in condition based monitoring | |
EP2015186B1 (en) | Diagnostic systems and methods for predictive condition monitoring | |
CA2433941C (en) | Adaptive modeling of changed states in predictive condition monitoring | |
Harrou et al. | An improved multivariate chart using partial least squares with continuous ranked probability score | |
JP4528335B2 (ja) | センサの性能確認装置および方法 | |
WO2018009643A1 (en) | Computer systems and methods for performing root cause analysis and building a predictive model for rare event occurrences in plant-wide operations | |
RU2626780C1 (ru) | Способ и система удаленного мониторинга энергетических установок | |
US20090216393A1 (en) | Data-driven anomaly detection to anticipate flight deck effects | |
RU2649542C1 (ru) | Способ и система удаленного мониторинга объектов | |
AU2002246994A1 (en) | Diagnostic systems and methods for predictive condition monitoring | |
US20120330631A1 (en) | Method and System of Using Inferential Measurements for Abnormal Event Detection in Continuous Industrial Processes | |
CN109643484B (zh) | 在预警***中考虑外部影响来学习最新数据的方法以及用于该方法的*** | |
Gross et al. | Early detection of signal and process anomalies in enterprise computing systems. | |
US6107919A (en) | Dual sensitivity mode system for monitoring processes and sensors | |
Qin et al. | Root cause analysis of industrial faults based on binary extreme gradient boosting and temporal causal discovery network | |
Galotto et al. | Data based tools for sensors continuous monitoring in industry applications | |
Singer et al. | A pattern-recognition-based, fault-tolerant monitoring and diagnostic technique | |
US11080613B1 (en) | Process monitoring based on large-scale combination of time series data | |
Rengaswamy et al. | An integrated framework for process monitoring, diagnosis, and control using knowledge-based systems and neural networks | |
Chen et al. | Sparse causal residual neural network for linear and nonlinear concurrent causal inference and root cause diagnosis | |
Van Impe et al. | Advance warning for loss of separation in an industrial distillation column | |
Singer et al. | Power plant surveillance and fault detection: applications to a commercial PWR | |
Qi et al. | Data-driven bayesian approach for control loop diagnosis |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20080711 Year of fee payment: 5 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20080711 Year of fee payment: 5 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20090711 Year of fee payment: 6 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20100711 Year of fee payment: 7 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110711 Year of fee payment: 8 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20120711 Year of fee payment: 9 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20120711 Year of fee payment: 9 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20130711 Year of fee payment: 10 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
EXPY | Cancellation because of completion of term |