DE69723839T2

DE69723839T2 - Überwachungssystem für industrielle anlage

Info

Publication number: DE69723839T2
Application number: DE69723839T
Authority: DE
Inventors: C. Kenneth GROSS; Stephan Wegerich; M. Ralph SINGER; Jack Mott
Original assignee: Arch Development Corp
Current assignee: Arch Development Corp
Priority date: 1996-06-19
Filing date: 1997-06-13
Publication date: 2004-04-22
Anticipated expiration: 2017-06-14
Also published as: ES2205244T3; DE69723839D1; US6181975B1; JP2000505221A; JP3449560B2; CA2257881A1; WO1997049011A1; CA2257881C; KR100313067B1; EP0906593B1; AU3396797A; KR20000022050A; EP0906593A1; WO1997049011A9; EP0906593A4; US5764509A

Description

Die vorliegende Erfindung bezieht sich allgemein auf ein Verfahren und System zum Ausführen einer Überwachung von industriellen Prozessen unter Verwendung von Sensor- oder Datenquellenausgängen. Genauer gesagt, beschäftigt sich die Erfindung mit einem Verfahren und System zum Verarbeiten von Sensordaten und zum Verwenden virtueller Daten als eine verbessere Methodik gegenüber einfachen statistischen Ansätzen zur industriellen Prozessüberwachung. Weiterhin beinhaltet die Erfindung die Verwendung einer Mehrzahl von Techniken, die zur verbesserten Analyse industrieller Prozessdaten gekoppelt sind.
Konventionelle Parameterüberwachungsschemata sind nur für Bruttoänderungen im Mittelwert eines Prozesses oder für große Schritte oder Spitzen sensitiv, die eine Schwellenbegrenzungsprüfung übersteigen. Diese konventionellen Verfahren leiden entweder an ihrer großen Zahl falscher Alarme (falls die Schwellenwerte zu nahe an normalen Betriebspegeln gesetzt sind) oder einer großen Zahl versäumter (oder verzögerter) Alarme (falls die Schwellenwerte zu ausgedehnt gesetzt sind). Darüber hinaus können die meisten konventionellen Verfahren nicht den Beginn einer Prozessstörung, Sensorabweichungen oder Datenanomalien, die zu einem Signal unterhalb des Schwellenpegels für eine Alarmbedingung führt, wahrnehmen. Die meisten Verfahren berücksichtigen ebenfalls nicht die Beziehung zwischen einer Messung durch einen Sensor relativ zu einer anderen Sensormessung.
Bei einem anderen Beobachtungsvertahren hat eine konventionelle sequenzielle Wahrscheinlichkeitsverhältnistesttechnik ("SPRT", Sequential Probability Ratio Test) weite Anwendung als ein Signalvalidierungswerkzeug in der Kernreaktorindustrie gefunden. Das SPRT-Verfahren ist eine Mustererkennungstechnik, welche die mit physischen Prozessvariablen assoziierten stochastischen Komponenten verarbeitet und eine hohe Sensitivität für den Beginn subtiler Störungen bei diesen Variablen aufweist. Zwei Merkmale der konventionellen SPRT-Technik machen sie für Parameterüberwachung und Fehlerdetektion attraktiv: (1) Frühe Ansage des Beginns einer Störung bei rauschenden Prozessvariablen und (2) hat die SPRT-Technik anwenderspezifizierbare Falschalarm- und Verpasst-Alarmwahrscheinlichkeiten. SPRT-Techniken sind primär auf die Analyse von Daten von gepaarten oder mehreren Paaren von Sensoren gerichtet, im Gegensatz zu einer großen Zahl verschiedener Prozesssensordatenpunkte. SPRT hängt auch typischerweise von Annahmen darüber ab, dass die Daten unabhängig von anderen Datenquellen sind und dass sie Gauss-verteilte Daten sind. Die alleinig verwendete SPRT-Technik hat daher gewisse Nachteile beim Identifizieren von Anomalien in Prozessen.
Andere Arten statistischer Techniken sind auch für industrielle Prozessbewachung und Analyse entwickelt worden, haben jedoch andere Insensitivitäten für gewisse Klassen von Sensordaten.
US 5 255208A offenbart ein diagnostisches System zum Detektieren von Fehlern und Stromausfällen in Gleichstrom-Gleichstromwandlern, die in Massentransitfahrzeugen verwendet werden. Das System umfasst zumindest einen Sensor zum Feststellen einer Bedingung des Wandlers. Der Sensor ist mit einem Prozessor verbunden, der die vom Sensor gemessenen Wellenformen mit Wellenformen einer Normalbetriebsbedingung des Wandlers, die im Speicher gespeichert ist, vergleicht. Falls der Unterschied zwischen der gemessenen Wellenform und der Wellenform im Normalbetrieb über einer vorgegebenen Schwelle liegt, vergleicht der Prozessor die gemessenen Wellenformen mit bekannten abnormen Wellenformen, die auftreten können, und identifiziert entweder das Problem und zeichnet es im Speicher auf oder identifiziert das Problem nicht und zeichnet im Speicher auf, dass eine unbekannte Art von Versagen aufgetreten ist.
EP 0 626 697 A1 beschreibt ein System zum Überwachen und Diagnostizieren von Bedingungen von Kern- und thermoelektrischen Kraftwerken. Das System vergleicht gemessene derzeitige Betriebsbedingungen des Werks mit Normalbetriebsbedingungen des Werks, die in einem Speicher gespeichert sind. Falls die aktuellen Betriebsbedingungen von den Normalbedingungen um eine vorgegebene Schwelle abweichen, wird das Werk als in einer abnormen Bedingung befindlich diagnostiziert.
US 5 223 207 A offenbart ein System, das das Nachlassen einer Kühlmittelpumpe in einem Kernreaktor durch Verwenden eines sequenziellen Wahrscheinlichkeitsverhältnistests zum Evaluieren parametrischer, mit der Funktion der Kühlmittelpumpe assoziierter Daten bestimmt.
US 5 459 675 offenbart ein System und ein Verfahren zum Überwachen industrieller Prozesse und einen, ein Signal erzeugenden Sensor, der nicht-weiße Rauschcharakteristika aufweist. Insbesondere umfasst das System und Verfahren das Entfernen zumindest eines Teils des nicht-weißen Rauschens aus dem Signal, bevor das Signal durch einen sequenziellen Wahrscheinlichkeitsverhältnistest geprüft wird, um festzustellen, ob es eine Verschlechterung des Prozesses oder Sensors gibt.
US 5 070 468 A offenbart ein System, das zum Diagnostizieren von Fehlern oder Ausfällen in industriellen Großanlagen in der Lage ist. Das System vergleicht gemessene Stromwerte, die für die Bedingung der Anlage repräsentativ sind, mit in einem Speicher gespeicherten Wertsätzen, die für abnorme Bedingungen der Anlage repräsentativ sind. Falls Stromwerte einem der Sätze abnormer Werte ähneln, wird das Problem diagnostiziert und eine geeignete Warnung erzeugt.
US 4 977 390 beschreibt ein Verfahren und System zum Verarbeiten von innerhalb eines Stromnetzes erzeugten Alarmen, um die Art des Fehlers oder Versagens, der aufgetreten ist, zu bestimmen. Das System umfasst eine Datenbank mit Fehlern und Ausfällen, die in einem Stromnetz auftreten können, und der Alarmmuster, die erzeugt werden, wenn solche Fehler oder Ausfälle auftreten. Das System vergleicht eine aktuelle Sequenz von Alarmen mit den Datenbankeinträgen, um den bestimmten Fehler oder Ausfall, der aufgetreten ist, zu identifizieren.
Es ist daher eine Aufgabe der Erfindung, ein verbessertes Verfahren und System zum Überwachen industrieller Prozesse und Apparate bereitzustellen.
Es ist eine andere Aufgabe der Erfindung, ein neues Verfahren und System zur Online-Überwachung industrieller Prozesse und Apparate mit mehreren Sensoren bereitzustellen.
Es ist auch eine Aufgabe der Erfindung, ein verbessertes Verfahren und System zur Evaluierung von Prozessdaten, online oder offline, von Sensoren oder Datensammelquellen bereitzustellen.
Es ist eine weitere Aufgabe der Erfindung, ein neues Verfahren und System zum Durchführen vorläufiger Analyse von Daten für Alarmbedingungen bereitzustellen, bevor die Daten einem SPRT-System eingegeben werden.
Es ist eine zusätzliche Aufgabe der Erfindung, ein verbessertes Verfahren und System zum Maskieren ausgewählter Sensordaten und Ersetzen virtueller Daten bereitzustellen, um Tests durchzuführen, um festzustellen, ob abnorme Prozessbedingungen oder abnorme Sensorbedingungen existieren und ob der überwachte Prozess angehalten oder modifiziert werden soll oder nicht.
Es ist noch eine weitere Aufgabe der Erfindung, ein neues Verfahren und System bereitzustellen, das für normalen System- und/oder Sensor- und/oder Datenquellenbetrieb charakteristische Trainingsdaten verwendet, um sie mit dem ablaufenden industriellen Prozess und/oder der Datensammlung zu vergleichen.
Es ist noch eine weitere Aufgabe der Erfindung, ein verbessertes Verfahren und System zum Bearbeiten von Daten aus einem Prozess bereitzustellen, um Trainingsdaten für den Normalbetrieb zu bestimmen, solche Trainingsdaten auf einem Computerspeichermedium zu speichern und echte Prozessdaten relativ zu den normalen Trainingsdaten unter Verwendung einer Mehrzahl mathematischer Methodiken, die in einem ROM oder PROM-Speichermedium gespeichert sind, zu analysieren.
Es ist auch eine zusätzliche Aufgabe der Erfindung, ein neues Verfahren und System bereitzustellen, das eine virtuelle Signalcharakteristik des Normalzustandbetriebs verwendet, die auf Basis der Korrelation mit einer Mehrzahl von anderen Prozessdatenwerten erhalten ist, um sie mit einem realen Prozessdatensignalsatz zu vergleichen, um die Wahrscheinlichkeit eines abnormen Prozesses oder Betriebs von Datenquellen abzuleiten.
Es ist noch eine weite Aufgabe der Erfindung, ein neues Verfahren und eine Vorrichtung zum Akkumulieren von Trainingsdaten bereitzustellen, um irgendeinen einer Mehrzahl spezifischer Betriebszustände wahrzunehmen und dadurch eine bestimmte in einem Prozess oder anderen System vorhandene Art von Fehler oder Bedingung zu identifizieren.
Es ist auch eine weitere Aufgabe der Erfindung, ein neues Verfahren und eine Vorrichtung zur Überwachung eines Prozesses unter Verwendung von Trainingsdaten bereitzustellen, um sich langsam ändernde Betriebssensordaten, die für normale Prozessänderungen charakteristisch sind, zu identifizieren.
Es ist noch eine Aufgabe der Erfindung, ein verbessertes Verfahren und System zum Bestimmen, ob eine System- oder Datenquellenabnormalität ohne unerwünschte Effekte ignoriert werden kann, bereit zu stellen.
Ein erster Aspekt der Erfindung stellt ein Verfahren zum Überwachen zumindest eines industriellen Prozesses und/oder zumindest einer Datenquelle bereit, beinhaltend die Schritte des Messens von zeitveränderlichen Daten von dem industriellen Prozess und/oder der industriellen Datenquelle, Feststellen der gelernten Zustände einer gewünschten Betriebsbedingung des industriellen Prozesses und/oder der industriellen Datenquelle, wobei die Verbesserung gekennzeichnet ist durch die Schritte des Bearbeitens sowohl der zeitveränderlichen Daten als auch der gelernten Zustände, um Schätzwerte des industriellen Prozesses und/oder der industriellen Datenquelle zu erzeugen; Umfassen der Schätzwerte mit aktuell gemessenen Werten des industriellen Prozesses und der industriellen Datenquelle, um den aktuellen Zustand des industriellen Prozesses und/oder der industriellen Datenquelle zu identifizieren, der am nähsten an einem der genannten Zustände liegt und dadurch für den aktuellen Zustand charakteristische Daten zu erzeugen; und Verarbeiten der für den aktuellen Zustand charakteristischen Daten, um ein Muster für die Daten aufzufinden und beim Feststellen einer Abweichung von einem Muster bei den für die gewünschte Betriebsbedingung charakteristischen Daten Erzeugen eines Signals, das anzeigt, dass der industrielle Prozess und/oder die industrielle Datenquelle nicht der gewünschten Betriebsbedingung entspricht.
Ein zweiter Aspekt der Erfindung stellt ein System zum Überwachen zumindest eines industriellen Prozesses und/oder zumindest eine Datenquelle bereit, beinhaltend Mittel zum Sammeln zeitveränderlicher Daten aus einer Mehrzahl des zumindest einen industriellen Prozesses und/oder der zumindest einen industriellen Datenquelle; einen Speicher, der erlernte Zustände speichert, die aus einer normalen Betriebsbedingung des industriellen Prozesses und/oder der industriellen Datenquelle bestimmt worden sind, wobei die Verbesserung gekennzeichnet ist durch ein Modulierungsmodul zur Verwendung der erlernten Zustände und der zeitveränderlichen Daten, um Schätzwerte eines aktuellen Werts des industriellen Prozesses und/oder der industriellen Datenquelle zu erzeugen; Mittel zum Vergleichen der Schätzwerte mit aktuellen tatsächlichen Werten des industriellen Prozesses und/oder der industriellen Datenquelle, um einen aktuellen Zustand zu identifizieren, der am nähsten an den erlernten Zuständen liegt und dadurch Erzeugen eines Satzes modellierter Daten; und ein Mustererkennungsmodul zum Bearbeiten der modellierten Daten, um ein Muster für die modellierten Daten zu identifizieren und beim Feststellen einer Abweichung von einem für den Normalbetrieb charakteristischen Muster erzeugt das System einen Alarm.
Andere Vorteile und Merkmale der Erfindung, gemeinsam mit der Organisation und der Art ihres Betriebs werden aus der folgenden detaillierten Beschreibung ersichtlich, wenn sie in Verbindung mit den unten beschriebenen beigefügten Zeichnungen gesehen wird.
Kurze Beschreibung der Zeichnungen
1 illustriert ein schematisches Funktionsflussdiagramm einer bevorzugten Ausführungsform der Erfindung;
2 illustriert ein funktionelles Flussdiagramm einer Zeit "Leadlag" ("Führenfolgen")-Korrelationsmethodik;
3 illustriert ein Funktionsflussdiagramm eines Verfahrens zum Feststellen eines vollen Datenbereichs durch Durchsuchen von Normalzustandstrainingsdaten;
4 illustriert ein Funktionsflussdiagramm eines Verfahrens zum Modellieren des Verhaltens von Betriebszuständen eines kommerziellen Systems;
5 illustriert ein Funktionsflussdiagramm eines Verfahrens zum Durchführen von Mustererkennung;
6A illustriert Sensorsignale mit einer Vier-Sekunden-Verzögerung, bevor ein Leadlag-Verfahren angewandt wird und 6B illustriert die Sensorsignale nach Anwenden des Leadlag-Verfahrens;
7A illustriert Sensorsignaldaten von der Pumpe 1- Stromversorgung mit einer überlagerten SMSET-Schätzung; 7B illustriert den SMSET-Schätzfehler zwischen der SMSET-Schätzung und den Sensorsignaldaten; und 7C illustriert ein Histogramm des Fehlers.
8A illustriert Sensorsignaldaten von der Pumpe 2-Stromversorgung mit einer dem überlagerten SMSET-Schätzung; 8B illustriert den SMSET-Schätzfehler zwischen der SMSET-Schätzung und den Sensorsignaldaten; und 8C illustriert ein Histogramm des Fehlers;
9A illustriert Sensorsignaldaten von der Pumpe 1-Geschwindigkeit mit einer darüber überlagerten SMSET-Schätzung; 9B illustriert den SMSET-Schätzfehler zwischen der SMSET-Schätzung und den Sensorsignaldaten; und 9C illustriert ein Histogramm des Fehlers;
10A illustriert Sensorsignaldaten von der Pumpe 2-Geschwindigkeit mit einer darüber überlagerten SMSET-Schätzung; 10B illustriert den SMSET-Schätzfehler zwischen der SMSET-Schätzung und den Sensorsignaldaten; und 10C illustriert ein Histogramm des Fehlers;
11A illustriert Sensorsignaldaten für die Reaktorauslassflussrate; 11B illustriert den SMSET-Schätzfehler zwischen der SMSET-Schätzung und den Sensorsignaldaten; und 11C illustriert ein Histogramm des Fehlers;
12A illustriert Sensorsignaldaten für Primärpumpe 2-Flussrate; 12B illustriert den SMSET-Schätzfehler zwischen der SMSET-Schätzung und den Sensorsignaldaten; und 12C illustriert ein Histogramm des Fehlers;
13A illustriert Sensorsignaldaten für Untergruppenauslasstemperatur 1A1; 13B illustriert den SMSET-Schätzfehler zwischen der SMSET-Schätzung und den Sensorsignaldaten; und 13C illustriert ein Histogramm des Fehlers;
14A illustriert Sensorsignaldaten für Untergruppenauslasstemperatur 2B1; 14B illustriert den SMSET-Schätzfehler zwischen der SMSET-Schätzung und den Sensorsignaldaten; und 14C illustriert ein Histogramm des Fehlers;
15A illustriert Sensorsignaldaten für Untergruppenauslasstemperatur 4E1; 15B illustriert den SMSET-Schätzfehler zwischen der SMSET-Schätzung und den Sensorsignaldaten; und 15C illustriert ein Histogramm des Fehlers;
16A illustriert Sensorsignaldaten für Untergruppenauslasstemperatur 4F1; 16B illustriert den SMSET-Schätzfehler zwischen der SMSET- Schätzung und den Sensorsignaldaten; und 16C illustriert ein Histogramm des Fehlers;
17A illustriert Sensorsignaldaten für Reaktorauslasstemperatur 1534CF; 17B illustriert den SMSET-Schätzfehler zwischen der SMSET-Schätzung und den Sensorsignaldaten; und 17C illustriert ein Histogramm des Fehlers;
18A illustriert Sensorsignaldaten für Primärtanknatriumpegel 530-Schweben; 18B illustriert den SMSET-Schätzfehler zwischen der SMSET-Schätzung und den Sensorsignaldaten; und 18C illustriert ein Histogramm des Fehlers;
19A illustriert Sensorsignaldaten für Primärtanknatriumpegel 531-Einführung; 19B illustriert den SMSET-Schätzfehler zwischen der SMSET-Schätzung und den Sensorsignaldaten; und 19C illustriert ein Histogramm des Fehlers;
20A illustriert die Standardabweichung von SMSET-Fehlern für alle Daten in den 7 bis 19 und 20B illustriert den Mittelwert von SMSET-Fehlern für alle Daten in 7 bis 19;
21 zeigt Untergruppenauslasstemperatur ("SOT", Subassembly Outlet Temperature) und SMSET-Schätzungen und insbesondere illustriert 21A zeitabhängige normale SOT für 3F1 im EBR-11-Kernreaktor; 21B illustriert normale SOT für 3C1; 21C illustriert normale SOT für 5C2 und 21D illustriert normale SOT für 7A3;
22A–D illustrieren SMSET-Schätzfehler für alle Daten der jeweiligen 21A–D;
23A–D illustrieren SPRT-Ergebnisse für alle Daten der jeweiligen 21A–D;
24A entspricht exakt 21A; 24B enthält eine mit 21B verglichene lineare Abdriftkomponente; und 24C und 24D entsprechen exakt 21C bzw. 21D;
25A entspricht exakt 22A; 25B enthält den Effekt auf den SMET-Schätzfehler der linearen Drift von 24B; und die 25C und 25D entsprechen exakt 22C bzw. 22D;
26A entspricht exakt der 23A; 26B illustriert die SPRT-Ergebnisse für den linearen Abdriftfehler von 24B und die 26C und D entsprechen exakt den 23C bzw. D;
27A und 27B entsprechen exakt den 21A bzw. 21B; 27C enthält einen vorübergehenden Amplitudenimpuls von 0,25% der Signalmagnitude und 27D entspricht exakt 21D;
28A und 28B entsprechen exakt den 22A und 22B; 28C illustriert den SMSET-Schätzfehler für den Amplitudenpulseffekt von 27D und 27D entspricht exakt 22D;
29A und 29B entsprechen exakt den 23A und 23B; 29C illustriert SPRT-Ergebnisse des Amplitudenimpulses in 27C und 29D entspricht exakt der 23D;
30A illustriert EBRII-Untergruppentemperaturdaten 3F1, enthält allerdings eine gleichförmige Verstärkungsveränderung im Vergleich zur 21A, und die 30–D entsprechen exakt den 21B–D ;
31A illustriert den SMSET-Schätzfehler für die Verstärkungsänderung von 30A und 31B–D entsprechen exakt jeweils den 22B–D; und
32A illustriert die SPRT-Ergebnisse für die Verstärkungsänderung von 30A und SMSET-Analyse von 31A; und die 32B–D entsprechen exakt jeweils den 23B–D.
Detaillierte Beschreibung bevorzugter Ausführungsformen
Das System 10 enthält hier eine Methodik (siehe 1) und Vorrichtung zur Überwachung von Sensor- oder Datenakkumulationskonfigurationen in industriellen, Versorgungs-, Geschäfts-, medizinischen, Investitions- und Transportanwendungen. Das System 10 ist für eine sensitive Identifizierung des Beginns von Sensor- oder Datenquellen-Verschlechterung, Prozess- oder Systemanomalien oder dem Beginn von Änderungen zu einem anderen Betriebszustand nützlich. Die meistbevorzugte Form des Systems 10 umfasst eine synergistische Integration von vier Techniken, um verbesserte Überwachungsfähigkeiten im Vergleich zu konventionellen Ansätzen (einschließlich neuraler Netzwerke) bereitzustellen und auch verbesserte Zuverlässigkeit und verbesserte Berechnungseffizienz vorzusehen. Die vier Elemente, welche die meistbevorzugte Überwachungsform des Systems 10 bilden, sind in vier verschiedenen Methodiken ausgeführt, die allgemein als ein Zeitkorrelationsmodul 20, ein Trainingsmodul 30, ein Systemzustandsschätzmodul 40 und ein Mustererkennungsmodul 50 gekennzeichnet sind.
Viele Versuche, konventionelle neurale Netzwerke auf nukleare, petrochemische oder irgendwelche industriellen Prozessüberwachungsanwendungen anzuwenden, haben zu schlechten Ergebnissen geführt, teils, weil sie daran scheitern, Leadlag-Beziehungen (Fehlen korrekter Zeitkonelation der Datensätze) zwischen den verschiedenen Sensoren oder Datenquellen zu berücksichtigen. In einem Beispiel ist ein Rohr mit einer Sequenz von N Thermoelementen ("TCs")-instrumentiert, welche die momentane Temperatur des durch das Rohr laufenden Fluids messen; und die Signale von diesen TCs sind zeitlich längs des Fluidstromflusspfads versetzt. Falls das Probenintervall für die Sensoren kleiner ist als die Transitzeit für durch das Rohr hindurchgehendes Fluid, wird jeder Versuch, diese Signale mit einem Neuralnetz zu überwachen, sehr hohe Unsicherheiten bei den geschätzten Signalen für die TCs ergeben. Wenn beispielsweise das Fluid zehn Sekunden benötigt, um durch das Rohr zu gehen, und das Probenintervall eine Sekunde ist, wird man zu jedem gegebenen Zeitpunkt TC(N) am Auslassende des Rohrs Fluktuationen sehen, die TC(1) zehn Sekunden zuvor passierten. Diese TCs können immer noch einen kleinen Korrelationsgrad aufgrund von Bruttoänderungen bei der Fluidtemperatur von einer Wärmequelle oder Senke enthalten, die stromaufwärts des Rohrs liegt; jedoch wird die wertvollere Intersensorkorrelation, die sich aus lokalen Temperaturstörungen, die längs des Rohrs transportiert werden, ergeben, verloren gehen. Dasselbe Phänomen verschlechtert die Leistung neuraler Netzwerke und anderer Mustererkennungsparadigmen, die auf jegliche Prozesse angewendet werden, bei denen die physischen Sensoren oder Datenquellen mit der Zeit über den Prozess versetzt sind, den sie überwachen. Andere Beispiele von Zeitverzögerungen bei korrelierten Systemen enthalten: Systeme mit langsamen Datenflussraten und/oder großen physischen Abständen (Ölraffinerien, Kraftwerke, HVAC-Systeme und Finanzsysteme) Verzögerungen aufgrund analoger oder digitaler Elektronik (Rauschfilter und große Kondensatoren) oder Übertragungsverzögerungen (Satellitenkommunikationen oder das Übertragen von Daten über verschiedene Bus-Systeme).
Bei einer bevorzugten Form des Zeitkorrelationsmodells 20 führt eine Leadlag-Komponente der Erfindung (siehe 6) dynamische Echtzeitintersensor-Leadlag-Anpassungen durch. Das Leadlag-Modul 20 führt Anpassungen so durch, dass die Ausgangssignale, die daraufhin nachfolgend in die SMSET-Routine (das Systemzustandsschätzmodul 40) eingelesen werden, optimal korreliert sind und dem maximalen Informationsgehalt dem Mustererkennungsmodul 50 vermitteln. Das Leadlag-Modul 20 ist hier als Computersoftware Anhang A beigefügt. Das Leadlag-Modul 20 erreicht die Einstellfunktion durch Durchführen einer iterativen Regressionsprozedur für jedes- Signalpaar; die einen. Vektor von Korrelationskoeffizienten in Bezug auf die Verzögerungszeit erzeugt. Dieser Vektor von Korrelationskoeffizienten ist eine unimodale konkave Funktion der Verzögerungszeit. Somit ist die optimale Verzögerungszeit zwischen den Signalpaaren einfach durch Suchen nach dem Nullkreuzen der ersten Ableitung des Vektors in Bezug auf die Verzögerungszeit identifiziert.
Bei anderen Formen der Endung kann es unnötig sein, das Leadlag-Modul 20 zu verwenden, wie in 1 angemerkt, wobei die Option besteht, die Verwendung des Moduls 20 zu überspringen. Dies könnten bei Systemen vorkommen, bei denen es adäquate Zeitkorrelation gibt, oder falls ein Zeitverschieben nicht notwendig ist, um die Korrelation zu erzielen. Falls das Leadlag-Modul 20 nicht verwendet wird, oder die Daten bereits durch das Leadlag-Modul 20 verarbeitet worden sind, werden die Daten vorzugsweise in ein Trainingsmodul 30 eingegeben.
In einer bevorzugten Ausführungsform ist dieses Trainingsmodul ein MiniMax-Modul 30, das alle Beobachtungen von allen Signalen oder Daten während einer Trainingszeitperiode durchsucht, um Trainingsvektoren zu konstruieren, welche den höchsten Punkt und niedrigsten Punkt für jedes Signal oder jeden Datenraum unter Überwachung enthält. Eine Computersoftware Anhang B verdeutlicht das MiniMax-Modul 30. Das MiniMax-Modul 30 erzeugt einen optimalen "Trainingssatz". Er ist optimal in dem Sinne, dass er nur maximal 2N Vektoren enthält, wobei N die Anzahl von Signalen oder Datenpunkten im System ist; und diese Vektoren überspannen den gesamten Bereich, den alle Sensoren und Datenquellen während der verfügbaren Trainingsperiode aufgezeichnet haben. Wenn immer zwei oder mehr Sensoren oder Datenquellen gleichzeitig Maxima oder Minima annehmen, wird die sich ergebende Zahl von Trainingsvektoren niedriger als 2N sein.
In einer anderen Form der Erfindung können sowohl das Leadlag-Modul 20 als auch das MiniMax-Modul 30 übersprungen werden und die Daten können direkt in das Systemzustandsmodul 40 eingegeben werden.
Wenn einmal das MiniMax-Modul 30 ein Systemmodell konstruiert hat (oder, wie oben angemerkt; übersprungen worden ist) moduliert das Systemzustandsschätzmodul 40 (wie etwa das bevorzugte Untersystem Multivariate Zustandsschätztechnik-Modul("SMSET", Subsystem Multivariate State Estimation Technique)) das Verhalten eines Systems durch Beispiele der Betriebszustände des modellierten kommerziellen Systems. Eine Computersoftware Anhang C verdeutlicht das SMSET-Modul 40. Im allgemeinen kann das Systemzustandsschätzmodul irgendeines einer Vielzahl von Modellierungsmethodiken sein, wie etwa autoregressiver Bewegungsdurchschnitt, ein neurales Netzwerk, oder eine Kalman-Filtertechnik oder eine empirische Methodik.
Das SMSET-Modul 40 verwendet seinen Speicher gelernter Zustände des kommerziellen Systems in Verbindung mit einer einzelnen neuen Beobachtung, um eine Schätzung des derzeitigen "wahren" Systemzustands bereitzustellen. Zustände des Systems werden durch Vektoren repräsentiert, deren Elemente aus direkten Werten der Systemparameter (gemessenen Signalen) wie auch jeglicher Transformation dieser Systemparameter, die skalare Werte erzeugen, umfasst, z. B. kalkulierte Parameter basierend auf Messdaten. Das SMSET-Modul 40 erfordert nicht, dass die Vektorelemente linear unabhängig sind, wie bei den meisten anderen Arten von Schätztechniken. Der Lernprozess, der in einer "erlernter Zustand"-Matrix resultiert, wird gemäß dem MiniMax-Modul 30 und dem Leadlag-Modul 20, die vorstehend beschrieben sind, durchgeführt.
Die grundlegende Methodik des SMSET-Moduls 40 beinhaltet die Eingabe einer neuen Beobachtung des Verhaltens eines Systems, die mit einem "Speicher" vorherigen Systemverhaltens, das in der "Erlernter Zustand"-Matrix ausgeführt ist, verglichen wird. Eine Reihe mathematischer Operationen wird durchgeführt, die eine Schätzung der Zustände im Systemspeicher erzeugen, die am "nächsten" an der neuen Beobachtung ist. Die Definition von "nächste", die vom SMSET-Modul 40 verwendet wird, ist der Zustand, der am nächsten an der neuen Beobachtung vom Standpunkt eines Regelsatzes liegt, welche die Assoziierung von zwei Vektoren bestimmt. Aus diesem nächsten Zustand wird eine Schätzung des 'wahren" Systemzustands für jedes und alle Elemente des Zustandsvektors durchgeführt. Daher stellt, einen Satz aktueller beobachteter Parameter eines Systems gegeben, das SMSET-Modul 40 eine Schätzung des aktuellen wahren Zustands des Systems bereit. Der Wert dieses Verfahrens liegt darin, dass eine Schätzung aller der Werte der Systemparameter im Zustandsvektor bereitgestellt werden kann, selbst falls der derzeitige Beobachtungsvektor unvollständig ist (z. B. können einige Sensoren oder Datenquellen versagt haben oder sind nicht länger verfügbar), fehlerhafte oder falsche Elemente enthält (einige Sensoren können gedriftet sein, unkalibriert werden, mit hohen Rauschpegeln kontaminiert sein, etc.) oder selbst falls der neue Systemzustand nicht mit vorigen Betriebszuständen koinzidiert. Jedoch muss der neue Systemzustand, in einer allgemeinen Bedeutung, von der Domain der zum Entwickeln des Systemspeichers verwendeten Zustände begrenzt sein (gelernte Zustands-Matrix).
Diese Abschätzung des wahren aktuellen Zustands des kommerziellen Systems, einschließlich von Schätzwerten aller Systemparameter, wird in Verbindung mit den tatsächlich gemessenen Systemparametern verwendet, um die Betriebsfähigkeit von Sensoren (oder anderen Datenquellen) und Störungen im Systemzustand sicherzustellen. Dieser Zustandsschätzprozess kann weiterhin als eine Inferenzmaschine beschrieben werden, die als Eingabe einen Satz von gelernten Zuständen und eine neue Beobachtung des kommerziellen Systems akzeptiert. Nachdem an diesem Eingang eine Reihe von Operationen durch die Inferenzmaschine durchgeführt worden ist, ist das Ergebnis eine Schätzung des gelernten Zustandes, der am "nächsten" an der neuen Beobachtung liegt. Die Definition von "nächster", die hier verwendet wird, ist der Zustand, der der neuen Beobachtung vom Standpunkt eines Regelsatzes, der die Verbindung (Überlappung) jeglicher zweier Vektoren bestimmt, am nächsten liegt. Ein anderes Ergebnis ist die Abschätzung des "wahren" Werts jedes Elements im neuen Beobachtungsvektor in der Form eines geschätzten Zustandsvektors. Die Reihe der in der Inferenzmaschine durchgeführten Operationen besteht aus verschiedenen Matrix-Operationen. Zuerst werden alle Paare von gelemten Zuständen vorzugsweise jeweils zu zweit assoziiert, wobei ein Regelsatz zum Erzeugen der Elemente einer Wahrnehmungsmatrix verwendet wird. Als nächstes wird die neue Beobachtung mit jedem gelernten Zustand assoziiert, wobei der Regelsatz verwendet wird, um einen Vektor zu erzeugen, der dieselbe Anzahl von Elementen aufweist wie die Anzahl von gelernten Zuständen. Der größte Elementwert in diesem Vektor identifiziert den gelernten Zustand, der am "nächsten" an der neuen Beobachtung liegt. Schließlich erzeugt das normale Matrixprodukt dieses Vektors mit der Wahrnehmungsmatrix einen Satz linearer Kombinationskoeffizienten zum Kombinieren der gelernten Zustände in den geschätzten Zustandsvektor. Diese Methodik ergibt, wenn sie auf jeglichen wahren Zustand eines kommerziellen Systems, der eine Kombination der gelernten Zustände ist, angewendet wird, eine sehr nahe Annäherung an den wahren Zustand. Die tatsächliche erzielte Nähe hängt am meisten von Nichtlinearitäten ab, die sich aus dem Regelsatz und/oder physischen und/oder zufälligen Fluktuationen bei den Variablen ergeben und wird durch direktes Testen demonstriert. Allgemeine Erfahrung mit der Verwendung dieses Verfahrens für richtige laufende kommerzielle Systeme hat Vorhersagefähigkeiten angezeigt, die typischerweise nicht schlechter als +/-0,5% und normalerweise +/-,01% sind.
Wenn einmal das SMSET-Modul 40 die Daten wie hier beschrieben modelliert hat, werden die Daten einem Mustererkennungsmodul 50 eingegeben, wie etwa dem sequenziellen Wahrscheinlichkeitsverhältnistestmodul ("SPRT"). Die Computersoftware für das SPRT-Modul 50 befindet sich in Anhang D. Dieses SPRT-Modul 50 ist ein sensitives Mustererkennungsverfahren, das dem Beginn einer subtilen Verschlechterung in rauschbehafteten Signalen mit hoher Zuverlässigkeit und mit quantitativen Falschalarm- und Versäumtalarmwahrscheinlichkeiten detektieren kann. Der Ausgang vom SMSET-Modul 40 wird als ein Satz von Schätzsignalen (auch "virtuelle Signale" genannt) für jeden Sensor unter Überwachung bereitgestellt. Diese virtuellen Signale werden einem Netzwerk interagierender SPRT-Module 50 zusammen mit den tatsächlichen Sensorablesungen zugeführt. Jedes der SPRT-Module 50 empfängt ein Sensorsignal, virtuelles Signalpaar. Falls eine Sensorverschlechterung oder Prozessstörung anfängt, die Ausgabe eines oder mehrerer Signale unter Überwachung zu beeinträchtigen, stellen das/die SPRT-Module(e) 50 dem Bediener eine Benachrichtigung und dem Steuersystem ein Betätigungssignal zur Verfügung, das nach Bedarf selektiv automatisch das virtuelle Signal einblendet, um das sich verschlechternde Sensorsignal oder die Datenquelle zu ersetzen. Weitere Details des SPRT-Moduls 50 sind in USPN 5,459,675 beschrieben, die hierin als Referenz inkorporiert wird.
Die oben beschriebene Kombination von Methodiken gestattet die Identifikation eines fehlerhaften Prozesses, einer bestimmten Art von Fehler, eines fehlerhaften Sensors oder einer fehlerhaften Datenquelle oder fehlerhafter Daten selbst und gestattet das Ergreifen von Maßnahmen zum Korrigieren oder Modifizieren des überwachten Prozesses.
In einigen Fällen, wenn ein versagender Sensor oder eine ungenaue Datenstromquelle nicht für den fortgeführten Betrieb des kommerziellen Systems wichtig ist, kann der Anwender mit dem Betrieb des kommerziellen Systems oder Prozesses fortfahren, als ob der Sensor oder die Datenquelle normal arbeiten würden. Beispielsweise kann das System 10 arbeiten, um in einer modellierten Schätzung in einem tatsächlichen kommerziellen System oder Prozess als Eingabe zu substituieren, um einen ausgefallenen Sensor oder eine ausgefallene Datenquelle zu ersetzen. Dies gestattet es dem kommerziellen System oder Prozess, im Betrieb zu bleiben.
Da das System 10 sich nicht auf analytisches Modellieren selbst verlässt, ist es auf eine weite Vielfalt von Prozessen und Systemen, wie etwa petrochemischen, Stromerzeugungs-, Automobil-, Herstellungs-, medizinischen, aeronautischen, finanziellen und jeglichen Systemen, in welchen Signale zum Prozessieren verfügbar sind, die sich auf den kommerziellen Systemprozessbetrieb oder dessen Leistung beziehen, anwendbar. Die einzige Anforderung an System 10 ist, dass es eine Art von Kreuzkorrelation, sei sie linear oder nicht linear, zwischen den als Eingabe in das System 10 verwendeten Signalen gibt. Die Signale können linear, nicht-linear, stationär, nicht-stationär, sauber oder rauschend (mit einer willkürlichen Verteilung) sein. Das System 10 verwendet eine Datenbank historischer Betriebsdaten, um das kommerzielle System oder den kommerziellen Prozess zu modellieren. Von der Datenbank wird angenommen, dass sie Daten von allen relevanten Betriebsmodi des Systems enthält; falls man jedoch einem neuen Betriebsmodus begegnet, von dem festgestellt wird, dass er nicht das Ergebnis eines Versagens des kommerziellen Systems oder von Sensoren ist, kann ein neuer Vektor der existierenden Trainingsmatrix hinzugefügt werden, um den unvorhergesehenen Betriebsmodus in das Systemmodell zu aufzunehmen.
Die folgenden nicht beschränkenden Beispiele illustrieren verschiedene Aspekte der hierin beschriebenen Erfindung. Die verwendeten Daten stammen alle von dem EBR-II-Reaktor am Argonne National Laboratory (West).
Beispiel I
Der Effekt der Zeitverzögerungskorrelation wird in diesem Beispiel beschrieben und die 6A und 6B zeigen zwei Spannungssignale mit einer viersekündigen Verzögerung zwischen ihnen. Bevor die Signale durch das Leadlag-Modul 20 prozessiert werden (siehe 6A), ist der Korrelationskoeftizient 0,0182, was keine Korrelation impliziert, wogegen das Prozessieren durch das Leadlag-Modul 20, eine Korrelation von 0,9209 erzielt (siehe 6B). Wenn der Satz von Signalen oder Daten, die verwendet werden, mehr als zwei ist, werden alle möglichen Paarkombinationen verwendet, um die maximal möglichen Korrelationskoeffizienten zu berechnen, so dass alle Signale korrekt korreliert werden können.
Beispiel II
Ein Experiment zum Feststellen der Genauigkeit der Erfindung (der "SMSET"-Methodik im allgemeinen) wurde unter Verwendung von Sensordaten aus dem experimentellen Brüterreaktor II (EBR-II) am Argonne National Laboratory (U558) durchgeführt. Der Sensordatensatz enthielt 13 Signale von, den EBR-IIüberwachenden Sensoren. Tabelle 1 zeigt die SMSET-Schätzgenauigkeit für EBR-II-Daten. Tabelle 1 beinhaltet die Kanalnummern und -beschreibungen für jedes der in der Analyse verwendeten Sensorsignale. Das Experiment wurde in drei Schritten durchgeführt; zuerst wurde das SMSET-Modul unter Verwendung von EBR-II-Daten im Umfang von zwei Tagen trainiert, als nächstes wurde das trainierte SMSET-Modul verwendet, um den Zustand von EBR-II-Daten von ungefähr 110 Stunden Umfang abzuschätzen, und dann wurde die Genauigkeit der Abschätzungen analysiert. Für jedes der in Tabelle 1 aufgeführten Sensorsignale zeigen die 7–19 jeweils das Sensorsignal (oberer Plot) und überlagerte SMSET-Abschätzung, zeigt der mittlere Plot den Fehler zwischen dem SMSET und dem Sensorsignal (in Prozent der Signalmagnitude) und ein Histogramm (unterer Plot) des Fehlers. Die Histogrammplots werden mit einer Gauss-Verteilung mit demselben Mittel und derselben Varianz verglichen, um eine Idee davon zu bekommen, wie gaussianisch die Fehlersignale sind. 20 stellt eine Zusammenfassung der Daten von 7–19 bereit.
Eine MiniMax genannte Methodik (Anhang B) wurde verwendet, um das System unter Verwendung von zwei Tagen von oben zitierten Trainingsdaten zu trainieren. Nachdem die MiniMax-Methode angewendet worden war, wurde eine Trainingsmatrix konstruiert, die aus 25 einmaligen Vektoren bestand, welche ein empirisches Modell des Gesamtsystems bilden. Nach Erzeugen des Modells wurde die Methodik dann auf die in der Genauigkeitstabelle aufgeführten Signale angewendet. Jedes Signal im System hat sein eigenes Schätzfehlersignal, das ein Maß dafür ist, wie nahe das Mustererkennungsmodell das System in Bezug auf die Sensorablesungen repräsentiert. Die zweite Spalte in Tabelle 1 listet die Standardabweichung des Schätzfehlers für alle Signale im Experiment in Begriffen der Magnitude jedes der Signale auf. Die Magnitude des Signals ist durch sein Mittel während des normalen Betriebs definiert. Die dritte Spalte in Tabelle 1 listet die Mittel der Schätzfehler für alle Signale ebenfalls in Begrifffen der Signalmagnitude auf. Im allgemeinen sind die Schätzfehlerstandardabweichungen im Bereich von 0,01% bis 0,1% und sind die Schätzfehlermittel um 0 zentriert. Balkendiagramme der Tabelleninformation sind in den 20A und 20B als grafische Repräsentationen der Genauigkeitsinformation enthalten.
Tabelle 1 SMSET-Schätzgenauigkeitstabelle für EBR-II-Daten:
Beispiel III
In den 21–32 werden Beispiele verschiedener Sensorausfallmodi gezeigt, zusammen damit, wie das System auf die Ausfälle reagiert. Das bevorzugte Verfahren von 1 wird auf die Daten angewendet. Die in diesen Beispielen verwendete Sensorsignale stammen aus einem Untersatz von 22 in dem System verwendeten Sensorsignalen. Die 22 Sensoren überwachten das EBR-II-Untergruppensystem am Argonne National Laboratory (West). Jede der 21–32 enthält vier Unterplots, von denen der oberste Plot sich auf die Untergruppenauslasstemperatur ("SOT', Subassembly Outlet temperature) 3F1 bezieht, der obere mittlere Plot sich auf SOT 3C1 bezieht, der untere mittlere Plot sich auf SOT 5C2 bezieht und der untere Plot sich auf SOT 7A3 bezieht. Das in jedem der Beispiele angewendete System verwendet dieselbe Trainingsmatrix, die aus 83 Vektoren besteht, die aus einer Trainingsdatenbank ausgewählt sind, die fast eine Woche an Daten enthält, die einmal pro Minute aufgenommen werden.
In den 21–23 sind die Ergebnisse der Verwendung des Systems 10 während ungefähr 5,5 Tagen des Normalbetriebs von EBR-II gezeigt. 21 zeigt die SOT-Signale mit ihren korrespondierenden SMSET-Schätzungen (wobei das Signal die Kreise und die Linien die Schätzungen sind). 22 zeigt die jeweiligen Rohschätzfehler (nicht in Begriffen der Signalmagnitude), die durch Berechnen der Differenz zwischen den SOR-Signalen und den entsprechenden SMSET-Schätzungen abgeleitet werden. Schließlich werden in 23 die Resultate des Anwendens des Entscheidungsherbeiführungsmoduls des Systems 10 (des SPRT-Moduls 50 – siehe Anhang D) auf die SMSET-Schätzfehler von 22 gezeigt. Die SPRT-Plots zeigen insgesamt nur drei falsche Alarme, was eine Falschalarmrate von 9,4 × 10^–5 ist, und dies ist noch innerhalb der spezifizierten Falschalarmrate von 1,0 × 10^–3.
Eine Art von Versagensmodus, das bei Sensoren üblich ist, ist ein langsames Driften. Es kann kann schwierig sein, diese Art von Versagen früh zu entdecken , speziell wenn die Sensorsignale Rauschen enthalten. Die 24–26 illustrieren ein Vergleichsbeispiel des Prozessierens von Daten aus dieser Art von Versagen und Versagensidentifikation. Signal Nr. 2 (24B) hat eine 0,2 %ige mittlere lineare Drift über die 2,75 Tagesperiode, die bei 4.000 Minuten im Signal beginnt. Die anderen Sensoren arbeiten normal. 25 zeigt die sich ergebenden SMSET-Schätzfehler für jedes Sensorsignal. Der Fehler-Plot für Signal Nr. 2 (25B) zeigt eine Evidenz fürs Driften, nachdem das Sensorsignal ungefähr 0,05% gedriftet ist. In 26 hat das SPRT-Verfahren nach ungefähr 0,05% Drift festgestellt, dass Nr. 2 (26B) driftet und dass alle anderen Sensoren normal arbeiten.
Eine andere Art von Versagen, das auftreten kann, ist die Schrittänderung am Sensorsignal. Dies kann das Ergebnis eines Kurzschluss im Sensor oder eines DAS, eines Kalibrierfehler oder einer Reihe anderer Gründe sein. 27–29 zeigen ein Beispiel dieser Art von Versagen für die SOT-Messungen. Bei diesem Beispiel enthält Sensorsignal Nr. 3 (27C) einen Impuls mit einer Amplitude von 0,25 der Signalmagnitude. Der Puls beginnt bei 5000 Minuten und dauert 2000 Minuten an. 27 zeigt die Sensorsignale und die SMSET-Schätzungen für die vier SOT-Signale. 28 zeigt die sich ergebenden SMSET-Schätzfehler. Das Fehlersignal für Nr. 3 (28C) zeigt, dass es ein bei 4000 Minuten beginnendes und bei 6.000 Minuten endendes Problem gibt. Die Fehlersignale werden dem SPRT-Modul 50 eingegeben und die Ergebnisse werden in 29 aufgezeichnet. Wie klar ersichtlich, hat es eine Störung am Sensor Nr. 3 gegeben (29C), die bei 4000 Minuten beginnt und bei 6000 Minuten endet.
In den 30–32 wird ein Beispiel eines mit der Sensorverstärkung verbundenen Versagensmodus gezeigt. Bei diesem Beispiel verändert sich die Verstärkung der Sensorsignaländerungen mit dem Abstimmen, d. h. die Amplitude wächst über die Zeit. Die Verstärkung beginnt sich linear über die Zeit von einem Anfangswert von 1 auf einen Endwert von 1 + 0,075% der Sensormagnitude zu verändern. Das System 10 für den Schätzfehler wird auf die Signale angewendet und die Ergebnisse sind in 31 gezeigt. Ein menschlicher Bediener würde höchstwahrscheinlich nicht in der Lage sein, selbst nach 8000 Minuten festzustellen, dass es ein Problem gibt, indem er das Sensorsignal betrachtet. Aus 31A ist ersichtlich, dass Signal Nr. 1 normal arbeitet. Dies wird in 32A durch die SPRT-Ergebnisse bestätigt, die eine ständig wachsende Anzahl von SPRT-Alarmen über die 8000 Minutenperiode zeigt.
Anhang A Computersoftware für das Leadlag-Modul, das dynamische Echtzeitintersensor-Lead-Lag-Zeitkorrelationsanpassungen durchführt.
Anhang B Computersoftware zum Erzeugen eines optimalen Trainingssatzes, der durch Suchen von Signalinformationen während einer Trainingsperiode abgeleitet wird, um Trainingsvektoren einschließlich der höchsten und niedrigsten Punkte für unter Überwachung stehende Signale zu konstruieren.
Anhang C Computersoftware zum Modellieren des Verhaltens für Beispiele der Betriebszustände des kommerziellen Systems.
Anhang D Computersoftware zum Durchführen von Mustererkennung durch Detektieren des Beginns der Verschlechterung bei rauschbehafteten Signalen.

Claims

Verfahren zum Überwachen eines industriellen Prozesses und/oder einer Datenquelle, beinhaltend die Schritte des Messens von zeitveränderlichen Daten von dem industriellen Prozess und/oder der industriellen Datenquelle, Feststellen der gelernten Zustände einer gewünschten Betriebsbedingung des industriellen Prozesses und/oder der industriellen Datenquelle, wobei die Verbesserung gekennzeichnet ist durch die Schritte des Bearbeitens sowohl der zeitveränderlichen Daten als auch der gelernten Zustände, um Schätzwerte des industriellen Prozesses und/oder der industriellen Datenquelle zu erzeugen; Vergleichen der Schätzwerte mit aktuellen gemessenen Werten des industriellen Prozesses und der industriellen Datenquelle, um den aktuellen Zustand des industriellen Prozesses und/oder der industriellen Datenquelle zu identifizieren, der am nächsten an einem der gelernten Zustände liegt und dadurch für den aktuellen Zustand charakteristische Daten zu erzeugen; und Verarbeiten der für den aktuellen Zustand charakteristischen Daten, um ein Muster für die Daten aufzufinden und beim Feststellen einer Abweichung von einem Muster bei den für die gewünschte Betriebsbedingung charakteristischen Daten Erzeugen eines Signals, das anzeigt, dass der industrielle Prozess und/oder die industrielle Datenquelle nicht der gewünschten Betriebsbedingung entspricht.
Verfahren gemäß Anspruch 1, weiterhin beinhaltend den Schritt des Durchsuchens der zeitveränderlichen Daten, bevor die aktuellen tatsächlichen Werte mit den Schätzwerten verglichen werden, um Minimal- und Maximalwerte für die Daten zu identifizieren, wodurch ein voller Wertebereich für die Daten etabliert wird.
Verfahren gemäß Anspruch 2, wobei jeder der industriellen Prozesse und/oder industriellen Datenquellen durch zwei mit den Minimal- und Maximalwerten assoziierten Datenwerten gekennzeichnet ist.
Verfahren gemäß Anspruch 1 oder Anspruch 2, weiterhin beinhaltend den Schritt des Verarbeitens der zeitveränderlichen Daten, um eine optimale Zeitkorrelation der Daten herzustellen.
Verfahren gemäß Anspruch 4, wobei der Schritt des Feststellens der optimalen Zeitkorrelation das Vergleichen von Datenpaaren, die jedes für eine eigene Datenquelle charakteristisch sind und einen Kreuzkorrelationsvektor über die Zeit berechnen, Anwenden eines Tiefpassfilters, um Rauschen aus dem Kreuzkorrelationsvektor zu entfernen und Bestimmen der Phasenverschiebung zwischen den Daten umfasst.
Verfahren gemäß Anspruch 5, wobei der Schritt des Feststellens der Phasenverschiebung Differenzieren des Kreuzkorrelationsvektors in Bezug auf Zeitverzug zwischen jedem Datenpaar und Durchführen einer Interpolation zum Berechnen der Wurzel des Differentials des Kreuzkorrelationsvektors umfasst.
Verfahren gemäß einem der vorstehenden Ansprüche, wobei der Schritt des Identifizierens eines aktuellen Zustands des industriellen Prozesses und/oder der industriellen Datenquelle, der am nächsten am gelernten Zustand ist, das Ausbilden einer Kombination der gelernten Zustände beinhaltet, um einen wahren Zustand des industriellen Prozesses und/oder der industriellen Datenquelle zu identifizieren.
Verfahren gemäß Anspruch 7, weiterhin beinhaltend den Schritt des Ersetzens eines Schätzwerts für unvollständige Beobachtungen des industriellen Prozesses und/oder der industriellen Datenquelle.
Verfahren gemäß einem der vorstehenden Ansprüche, weiterhin beinhaltend den Schritt des Ersetzens eines geschätzten Signals für den industriellen Prozess und/oder die industrielle Datenquelle beim Feststellen der Abweichung von einem für die gewünschte Betriebsbedingung charakteristischen Muster, wodurch eine fehlerhafte Datenquelle ersetzt wird, was fortgesetzten Betrieb und Überwachung ermöglicht.
Verfahren gemäß einem der vorstehenden Ansprüche, wobei der Schritt des Bearbeitens der für den aktuellen Zustand charakteristischen Daten zum Identifizieren eines Musters ein Anwenden eines sequentiellen Wahrscheinlichkeitsverhältnistests umfasst.
Verfahren gemäß Anspruch 10, wobei Daten, die für den aktuellen Zustand charakteristisch sind, verarbeitet werden, um einen Satz modulierter Daten zu erzeugen, der weiter verarbeitet wird, um das Muster für diese Daten zu identifizieren.
Verfahren gemäß einem der vorstehenden Ansprüche, wobei der industrielle Prozess ausgewählt ist aus der Gruppe, die aus einem Herstellprozess, einem physikalischen Prozess, einem Wettervorhersagesystem, einem Transportsystem, einem Versorgungsbetrieb, einem chemischen Prozess, einem biologischen Prozess, einem elektronischen Prozess und einem Finanzprozess besteht.
Verfahren gemäß einem der vorstehenden Ansprüche, wobei die industrielle Datenquelle eine Mehrzahl von Sensorpaaren umfasst.
System zum Überwachen zumindest eines industriellen Prozesses und/oder zumindest einer Datenquelle, beinhaltend Mittel zum Sammeln zeitveränderlicher Daten aus einer Mehrzahl des der industriellen Prozesse und/oder der industriellen Datenquellen; einen Speicher, der erlernte Zustände speichert, die aus einer normalen Betriebsbedingung des industriellen Prozesses und/oder der industriellen Datenquelle bestimmt worden sind, wobei die Verbesserung gekennzeichnet ist durch ein Modulierungsmodul (40) zur Verwendung der erlernten Zustände und der zeitveränderlichen Daten, um Schätzwerte eines aktuellen Werts des industriellen Prozesses und/oder der industriellen Datenquelle zu erzeugen; Mittel zum Vergleichen der Schätzwerte mit aktuellen tatsächlichen Werten des industriellen Prozesses und/oder der industriellen Datenquelle, um einen aktuellen Zustand zu identifizieren, der am nächsten den erlernten Zuständen liegt und dadurch Erzeugen eines Satzes modulierter Daten; und ein Mustererkennungsmodul (50) zum Bearbeiten der modellierten Daten, um ein Muster bei den modellierten Daten zu identifizieren und beim Feststellen einer Abweichung von einem für den Normalbetrieb charakteristischen Muster erzeugt das System einen Alarm.
System gemäß Anspruch 14, weiter beinhaltend Mittel (20) zum Bearbeiten der zeitveränderlichen Daten, um eine optimale Zeitkorrelation der aus dem industriellen Prozess und/oder der industriellen Datenquelle akkumulierten Daten zu ermitteln.
System gemäß Anspruch 15, weiterhin beinhaltend Mittel (30) zum Suchen der zeitkorrelierten Daten, um Maximal- und Minimalwerte für die Daten zu identifizieren, wodurch ein voller Wertebereich für die Daten aus dem industriellen Prozess und/oder der industriellen Datenquelle bestimmt wird.
System gemäß einem der Ansprüche 14 bis 16, wobei das Modellierungsmodul (40) ein Maß für die Assoziation zwischen den derzeitigen tatsächlichen Werten und jedem von zumindest einigen der erlernten Zustände erzeugt, um die Schätzwerte zu erzeugen.
System gemäß Anspruch 17, wobei die erzeugten Schätzwerte eine lineare Kombination zumindest einiger der erlernten Zustände gemäß den Maßen an Assoziation umfassen.
System gemäß Anspruch 18, wobei das Mustererkennungsmodul (50) das Muster für die modellierten Daten unter Verwendung eines sequentiellen Wahrscheinlichkeitsverhältnistests identifiziert.
Verfahren gemäß einem der Ansprüche 1 oder 13, wobei der Schritt des Erzeugens von Schätzwerten ein Erzeugen eines Maßes an Assoziation zwischen den derzeitigen tatsächlichen Werten der zeitveränderlichen Daten und jedem der zumindest einigen der erlernten Zustände beinhaltet.
Verfahren gemäß Anspruch 20, wobei der Schritt des Erzeugens von Schätzwerten ein lineares Kombinieren zumindest einiger der erlernten Zustände gemäß den Maßen von Assoziation beinhaltet.