PatentDe  


Dokumentenidentifikation DE60126708T2 25.10.2007
EP-Veröffentlichungsnummer 0001168131
Titel Verfahren und System zur industriellen Bedienerführung mittels prädiktiver Alarmerkennung
Anmelder Siemens Corporate Research, Inc., Princeton, N.J., US
Erfinder Rao, Bharat, R., Robbinsville, NJ 08540, US;
Rickard, Scott T., Princeton, NJ 08540, US
Vertreter Berg, P., Dipl.-Ing., Pat.-Ass., 80339 München
DE-Aktenzeichen 60126708
Vertragsstaaten AT, CH, DE, FR, GB, LI
Sprache des Dokument EN
EP-Anmeldetag 29.06.2001
EP-Aktenzeichen 013056668
EP-Offenlegungsdatum 02.01.2002
EP date of grant 21.02.2007
Veröffentlichungstag im Patentblatt 25.10.2007
IPC-Hauptklasse G05B 23/02(2006.01)A, F, I, 20051017, B, H, EP

Beschreibung[de]

Die vorliegende Erfindung betrifft das Gebiet der industriellen Bedienerführung mittels prädiktiver Alarmerkennung, und insbesondere ein Verfahren, das die auf vergangenen Messwerten basierende Vorhersage zukünftiger Anlagesensormesswerte benutzt, um zur Führung von Anlagenbedienern ständig zu bestimmen, ob ein gegenwärtiger Anlagenzustand vergangenen Alarmzuständen entspricht.

Bei industriellen Herstellungs- oder Verarbeitungsvorgängen ist es allgemein wünschenswert, dass zur Überwachung und Steuerung der Aktivitäten Echtzeitdaten bereitgestellt werden. Obwohl hier auf Herstellungsprozesse Bezug genommen wird, versteht es sich, dass ähnliche Gedanken im Allgemeinen auch auf Verarbeitungsvorgänge anwendbar sind. Herstellungsanlagen weisen üblicherweise Systeme auf, die Daten von mehreren Sensoren erfassen, anzeigen und speichern. Herstellungsanlagen sind allgemein mit mehreren Sensoren ausgerüstet, möglicherweise hunderten davon, die in vielen Fällen ständig erfasst werden, um Echtzeitinformation an die Anlagenbediener bereitzustellen. Diese Sensorinformation, zu der Steuersignale gehören, enthält im Allgemeinen wertvolle Information zu Trends im Anlagenbetrieb. Der Wert der Information ist auch eine Funktion ihrer schnellen Verfügbarkeit in nutzbarer Form, wobei diese Trends aufgrund der Hochdimensionalität und der Größe der Daten in der Praxis schwer zu erkennen und zu bewerten sein können. In den Sensordaten kann wertvolle Information zu Mustern und Trends im Anlagenbetrieb verborgen sein, beispielsweise Information, welche die Anlagenbediener auf gefährliche Anlagenzustände hinweist. Das Extrahieren dieser Muster kann schwierig sein, insbesondere dann, wenn die Größe und Dimensionalität der Daten hoch ist. Siehe beispielsweise Fayyad, U.M., 1996 „From data mining to knowledge discovery: An overview", in Fayyad, U.M. et al., Ed. ADVANCES IN KNOWLEDGE DISCOVERY AND DATA MINING. MIT Press 1-35; und Locher, G., 1996, Automatic knowledge acquisition in industrial processes using the example of roller grinding mill, ZKG International 49(8).

In einer typischen Situation kann ein Anlagenbediener versuchen, zu bestimmen, ob der gegenwärtige Anlagenzustand normal ist, oder ob ein Alarmzustand vorliegt und eine Änderung notwendig sein kann, um eine unerwünschte oder potentiell gefährliche Situation zu vermeiden. Ein Bediener kann eine solche Entscheidung üblicherweise durch optisches Vergleichen aktueller Sensormesswerte von der Anlage mit großen, papierbasierten Aufzeichnungen vergangener Sensormesswerte treffen. Wenn ähnliche Situationen entdeckt werden, kann der Aufseher bestimmen, ob der vergangene Zustand ein Alarmzustand war, und wenn ja, überprüfen, welche Steuerungsaktion durchgeführt wurde und welche Auswirkungen diese hatte, und kann die geeignete Steuerungsaktion für die gegenwärtige Situation wählen. Ein solcher Prozess der Entscheidungsfindung benötigt bis zum Abschluss natürlich eine gewisse Zeit, und weist Leistungsbegrenzungen sowohl im Erfahrungsumfang des Bedieners als auch in der Fähigkeit des Bedieners auf, große Datenmengen auf einmal zu vergleichen. Durch ein Erkennen von Alarmzuständen kann der Bediener die Anlage schneller und effektiver steuern, und mögliche Probleme durch Vermeiden vergangener Steuerungsfehler verhindern.

Es ist oft entscheidend, dass Alarmzustände so schnell wie möglich erkannt werden; es wäre nützlich, so schnell wie möglich zu wissen, dass sich ein Problem entwickelt, und die Krise nicht erst dann zu erkennen, wenn alle ihre Auswirkungen offensichtlich sind. Außerdem wäre es nützlich, in einer Krisensituation so schnell wie möglich zu wissen, welche vergangenen Steueraktionen geeignet sind. Ein Vorteil der prädiktiven Alarmerkennung ist, dass sie ein Abrufen von Krisensituationen erlaubt, bevor diese auftreten. Wenn es also möglich ist, eine Krisensituation vorherzusagen, ist es auch möglich, über prädiktive Alarmerkennung vergangene Alarmsituationen abzurufen, die der gegenwärtigen Situation ähnlich sind, und die anzeigen, dass eine Krise unmittelbar bevorsteht.

Die Schwierigkeit jedes Verfahrens zur Alarmerkennung ist, dass der Messwert, der zu benutzen ist, um zu bestimmen, ob ein vergangener Anlagenzustand dem gegenwärtigen Anlagenzustand entspricht, unbekannt ist. Die Anlagenbediener selbst stellen oft widersprüchliche und schlecht definierte Messwerte bereit, auf die sie ihre optische Alarmerkennung zu stützen glauben.

Automatisierte Verfahren zur Alarmerkennung beruhen üblicherweise auf dem Vergleich von Rohdatenwerten und/oder gefilterten Sensorwerten. Die Filter sind oft statistische Standardmesswerte (z.B. Mittelwert) und Formerkennungsfilter (z.B. Erhebungsdetektor). Die Leistung dieser Verfahren sind oft unterdurchschnittlich, da sie auf der Vorstellung eines Konstrukteurs davon beruhen, was einen guten Messwert ausmacht, und nicht von Daten bestimmt werden. Außerdem kann die Komplexität des tatsächlich besten Messwerts komplexer sein als die Wiedergabekapazität der Standardfilter.

Eine andere Schwierigkeit üblicher Alarmerkennungsverfahren ist, dass die nötigen Berechnungen, die nötig sind, um alle Sensoren und verschiedenen Statistiken dieser Sensoren all denjenigen Werten zuzuordnen, die vergangenen Zeitpunkten entsprechen, oft innerhalb des Zeitintervalls, in dem die resultierende Erkennungsinformation von Nutzen wäre, unmöglich durchführbar sind. Ein Verfahren, mit dem Konstrukteure von Alarmerkennungssystemen dieses Problem abgemildert haben, besteht in der Reduzierung der Anzahl von Sensoren, die zur Alarmerkennung berücksichtigt werden, des Umfangs der Historie jedes Sensors, und/oder der Anzahl vergangener Zeitpunkte, die zur Alarmerkennung berücksichtigt werden. Da die für die Alarmerkennung entscheidenden Parameter oft unbekannt sind, verhindert diese Reduzierung der Komplexität oft die korrekte Bestimmung des Anlagenzustands, auf der die Alarmerkennung beruhen sollte, was zu einer unterdurchschnittlichen Leistung führt.

Alternativ können die von den Konstrukteuren ausgewählten Sensoren, auch wenn sie hinsichtlich der Charakterisierung von Alarmsituationen richtig gewählt wurden, nicht optimal zur schnellstmöglichen Charakterisierung von Situationen geeignet sein. Beispielsweise kann eine Krisensituation erkannt werden, wenn der Wert eines bestimmten Sensors x unter einen bestimmten Schwellenwert fällt. Allerdings kann es sein, dass dies erst zu einem späten Zeitpunkt in der Krisensituation erkannt wird; andere Variablen, y, z, und w, die, obwohl sie nicht ausreichen, um die Krisensituation so präzise wie x zu identifizieren, können zusammen genommen Information enthalten, anhand derer die Krisensituation weit im Voraus vorhergesagt werden kann. Der zukünftige Abfall des Werts von x kann also durch die gegenwärtigen Werte und Trends der Variablen y, z, und w vorhergesagt werden. Bei dem genannten Szenario würde eine prädiktive Alarmerkennung die Identifizierung einer solchen Krisensituation durch die Vorhersage erlauben, dass der Wert von x in Zukunft abfallen wird, wobei diese Vorhersage wahrscheinlich auf den Werten von y, z, und w basiert.

Ein Maschinenfehlerdiagnosesystem ist in US-Patentschrift 5,566,092 offenbart, wobei eine Hypothese und ein Prozess, die auf unscharfer Logik und physikalischen Lagermodellen beruhen, mit dem Fehlerdiagnosenetzwerk zum Entdecken von Fehlern zusammenwirken, die nicht erkannt werden können.

Eine Aufgabe dieser Erfindung ist es, ein Verfahren zur Alarmerkennung zu definieren, das nicht nur auf den aktuellen Werten der Sensoren beruht, sondern vielmehr auf den zukünftigen vorhergesagten Werten der Sensoren.

Eine andere Aufgabe der Erfindung ist es, ein System zu entwickeln, das automatisch beispielsweise in einer Zementanlage eingesetzt werden kann, und das nach einer ersten Trainingsphase, die ein „Zuschauen" und Lernen aus dem Sensorverhalten umfasst, benutzt werden kann, um vergangene Anlagenalarmzustände wieder aufzurufen, die den aktuellen Anlagenzuständen ähnlich sind, um den Anlagenbediener bei der Steuerung der Anlage zu unterstützen.

Gemäß einem Aspekt der Erfindung ist ein Verfahren zum Abrufen vergangener Alarmzustände oder Situationen Ci, die einem aktuellen Anlagenzustand oder einer aktuellen Situation C gleichen, zur Führung eines Anlagenbedieners bereitgestellt, wobei die Anlage mehrere Sensoren aufweist, die jeweilige Parameterwerte (xi(t)) bereitstellen, wobei das Verfahren folgende Schritte aufweist: Zusammenstellen einer Datenbank mit Sensormesswerten; Festlegen einer Untergruppe S von s Sensoren aus der Vielzahl von Sensoren; Festlegen einer Untergruppe N von h Vorhersagezeitpunkten; Festlegen und Trainieren eines Modells M für die Datenbank mit Sensormesswerten, um Vorhersagen zukünftiger Werte (x ni (t)) für die s Sensoren S für die h Zeitpunkte in N bereitzustellen; Festlegen einer Breite w, die als die Anzahl von Zeitpunkten von Sensordaten zu benutzen ist, welche für eine Situation zu berücksichtigen sind; Definieren einer Situation C als eine Zusammenstellung von Sensordaten von einem Startzeitpunkt tc bis zu einem Endzeitpunkt tc+w; wobei das Verfahren außerdem folgende Schritte umfasst: Festlegen eines Distanzmesswerts ||·||; Festlegen einer Transformationsfunktion X, wobei die Transformationsfunktion das Modell M und andere Transformationen (z.B. die Identitätstransformation) benutzt und mit den Parameterwerten der Sensoren in S zu jedem möglichen Zeitpunkt t arbeitet, um eine entsprechende Matrix von reellen Zahlen der Größe h-mal-s (x(t)) zu erhalten; Erhalten von einer Datenbank einer Gruppe von gekennzeichneten Alarmsituationen Ci und zugeordneter Alarmsensoren Si, wobei Si eine Untergruppe von S ist; Arbeiten jeweils mit den Sensordaten der Situationen C und Ci unter Benutzung der Transformationsfunktion X, um eine Gruppe von Zuordnungen der in C enthaltenen Daten und Ci(T = {X(tc), X(tc+1), ...X(tc+w)} und T 'i {X(ti), X(ti+1), ... X(ti+w)}) zu erhalten; Arbeiten mit der Gruppe von Zuordnungen unter Benutzung des Distanzmesswerts ||·||, um eine Gruppe von Distanzen zwischen der Zuordnung, die der Situation C entspricht, und den Zuordnungen, die jeder der Situationen Ci entsprechen, zu erhalten, wodurch die Distanz zwischen der Zuordnung, die einem bestimmten vergangenen Alarmzustand Ci entspricht, und die Zuordnung, die der Situation C entspricht, nur auf der Untergruppe von Messwerten basiert, die Si entspricht; Vergleichen der Gruppe von Distanzen; und Auswählen der Situationen Ci, denen eine Distanz zu der Zuordnung der Situation C unterhalb eines voreingestellten Schwellenwerts Ai zugeordnet wird.

Gemäß einem anderen Aspekt der Erfindung ist ein System zum Abrufen vergangener Anlagenalarmzustände oder Situationen Ci, die einem aktuellen Anlagenzustand oder einer aktuellen Situation C gleichen, zur Führung eines Anlagenbedieners bereitgestellt, wobei die Anlage mehrere Sensoren aufweist, die jeweilige Parameterwerte (xi(t)) bereitstellen, wobei das System aufweist: Mittel zum Zusammenstellen einer Datenbank mit Sensormesswerten; Mittel zum Festlegen einer Untergruppe S von s Sensoren aus der Vielzahl von Sensoren; Mittel zum Festlegen einer Untergruppe N von h Vorhersagezeitpunkten; Mittel zum Festlegen und Trainieren eines Modells M für die Datenbank mit Sensormesswerten, um Vorhersagen zukünftiger werte (x ni (t)) für die s Sensoren S für die h Zeitpunkte in N bereitzustellen; Mittel zum Festlegen einer Breite w, die als die Anzahl von Zeitpunkten von Sensordaten zu benutzen ist, welche für eine Situation zu berücksichtigen sind; Mittel zum Definieren einer Situation C als eine Zusammenstellung von Sensordaten von einem Startzeitpunkt tc bis zu einem Endzeitpunkt tc+w; dadurch gekennzeichnet, dass das System außerdem aufweist: Mittel zum Festlegen eines Distanzmesswerts ||·||; Mittel zum Festlegen einer Transformationsfunktion X, wobei die Transformationsfunktion das Modell M und andere Transformationen (z.B. die Identitätstransformation) benutzt und mit den Parameterwerten der Sensoren in S zu jedem möglichen Zeitpunkt t arbeitet, um eine entsprechende Matrix von reellen Zahlen der Größe h-mal-s (X(t)) zu erhalten; Mittel zum Erhalten von einer Datenbank einer Gruppe von gekennzeichneten Alarmsituationen Ci und zugeordneter Alarmsensoren Si, wobei Si eine Untergruppe von S ist; Mittel zum Arbeiten jeweils mit den Sensordaten der Situationen C und Ci unter Benutzung der Transformationsfunktion X, um eine Gruppe von Zuordnungen der in C enthaltenen Daten und Ci(T = {X(tc), X(tc+1), .... X(tc+w)} und T 'i = {X(ti), X(ti+1), .... X(ti+w)}) zu erhalten; Mittel zum Arbeiten mit der Gruppe von Zuordnungen unter Benutzung des Distanzmesswerts ||·||, um eine Gruppe von Distanzen zwischen der Zuordnung, die der Situation C entspricht, und den Zuordnungen, die jeder der Situationen Ci entsprechen, zu erhalten, wodurch die Distanz zwischen der Zuordnung, die einem bestimmten vergangenen Alarmzustand Ci entspricht, und die Zuordnung, die der Situation C entspricht, nur auf der Untergruppe von Messwerten basiert, die Si entspricht; Mittel zum Vergleichen der Gruppe von Distanzen; und Mittel zum Auswählen der Situationen Ci, denen eine Distanz zu der Zuordnung der Situation C unterhalb eines voreingestellten Schwellenwerts Ai zugeordnet wird.

Die Schwellenwerte Ai können für jede Alarmsituation angepasst werden, um nicht zu viele Fehlalarme auszulösen, wobei sie trotzdem bevorstehende Alarmzustände richtig identifizieren.

Das System benutzt ein prädiktives Modell, das trainiert ist, um zukünftige Anlagensensormesswerte anhand vergangener und aktueller Messwerte vorherzusagen, um als intelligentes Filter zu dienen, das in einem Alarmerkennungsprozess benutzt wird. Vergangene Alarmsituationen, die den aktuellen Situationen gleichen, werden mit Hilfe von Zuordnungen der Sensordaten abgerufen, darunter solcher, die von dem trainierten Vorhersagemodell bereitgestellt werden. Die Zuordnungen der Vergangenheit mit einer entsprechenden Wertung unterhalb eines Schwellenwerts zu der aktuellen Zuordnung entsprechen den Alarmzeitpunkten der Vergangenheit, die der aktuellen Situation ähnlich genug sind, um den Bediener zu warnen. Ein Hauptvorteil dieses Systems ist der, dass es aufgrund der Benutzung von Vorhersagen Alarmsituationen markieren kann, die dem zukünftigen Zustand der Anlage gleichen. Aufgrund dieser Vorauswarnung kann das System äußerst nützlich bei der Verhinderung und Abmilderung von Krisensituationen sein. Sobald der Alarmzustand identifiziert wurde, können die vergangenen Alarmsituationen analysiert werden, und die Anlagenbediener können prüfen, wie vergangene Steuerungsaktionen auf die Anlage eingewirkt haben, um so die geeignete Aktion auszuwählen.

1 zeigt Tabelle 1 und Tabelle 2, die einem umfassenderen Verständnis der Erfindung dienlich sind.

Um die oben genannte Aufgabe erfolgreich zu erfüllen umfasst ein Alarmerkennungsverfahren gemäß der Erfindung ausreichend Information, um den Anlagenzustand zuzuordnen, um zu wissen, welche Variablen für den Anlagenzustand dieser Situation entscheidend sind, und um Form nur dann zu benutzen, wenn dies wichtig ist. Auf Vorhersage beruhende Alarmerkennung gemäß den Grundgedanken der Erfindung führt all dies automatisch durch, ohne dass eine Einstellung oder Rückmeldung eines menschlichen Experten benötigt wird.

Zu Erläuterungszwecken wird davon ausgegangen, dass ein prädiktives Modell M während der oben beschriebenen Phase des „Zuschauens und Lernens" trainiert wurde. Dieses Modell M stellt Vorhersagen für zukünftige Werte aller Sensoren bereit, die zuvor als Alarmsensoren identifiziert wurden. Das Modell M kann mit Hilfe vieler verschiedener adaptiver Verfahren trainiert werden; Beispiele hierfür sind Verfahren aus der Zeitreihenanalyse, wie z.B. die Verfahren AR, MA, ARIMA, Lernverfahren für neuronale Netzwerke, und Modellierungsverfahren für das Maschinenlernen und die Statistik.

Dieses Verfahren benutzt das Modell als ein intelligentes, adaptives Filter, das den Ähnlichkeitsmesswert definiert, anhand dessen die Situationszuordnung bestimmt wird. Auf Vorhersage beruhende Alarmerkennung gemäß der vorliegenden Erfindung benutzt ein beliebiges prädiktives Modell als ein intelligentes adaptives Filter, auf dem die Alarmerkennung basiert.

Wie oben erläutert, beruht die Alarmerkennung gemäß den Grundgedanken der vorliegenden Erfindung auf dem Situationszuordnungsverfahren. Das Situationszuordnungsverfahren vergleicht zwei Situationen und liefert eine „Ähnlichkeits"-Wertung. Eine Situation umfasst die Werte von allen oder einer Untergruppe der Sensoren in einem fortlaufenden Zeitintervall von einem Startzeitpunkt tc bis zu einem Endzeitpunkt tc+w. Eine Situation kann auf diese Weise durch eine Matrix dargestellt werden.

In einem bevorzugten Ausführungsbeispiel umfasst ein Abrufen gemäß den Grundgedanken der vorliegenden Erfindung die folgenden Schritte.

Festlegen einer Gruppe von Zeitpunkten der Vergangenheit, die Anlagenalarmzuständen Ci entsprechen.

Festlegen einer Gruppe von Sensoren Si für jeden vergangenen Alarmzustand Ci. Üblicherweise werden die Sensoren, die für jeden Alarmzustand ausgewählt werden, von Bedienern als für die Alarmsituation bedeutsam identifiziert.

Festlegen eines Alarmzuordnungsschwellenwerts Ai für jeden Alarmzustand Ci.

Festlegen einer Untergruppe von relevanten Sensoren zur Vorhersage, S, wobei s die Dimensionalität von S ist. Üblicherweise ist S die Vereinigung von Si für alle i.

Festlegen eines Distanzmesswerts ||A,B||, wobei A, B Matrizes mit derselben Anzahl von Zeilen und Spalten sind, wobei ||A,B|| eine reelle Zahl ist.

Festlegen einer Situationsbreite w.

Festlegen einer Transformationsfunktion x, die zu jedem Zeitpunkt t für alle Sensoren in S angewandt werden kann, um eine Matrix X(t) zu erzeugen. X umfasst üblicherweise umfasst s Transformationsfunktionen Xi, wobei Xi für den der Sensoren xi ∈ S definiert ist. Üblicherweise benutzen diese Transferfunktionen das trainierte Modell M. Üblicherweise erzeugt das Anwenden von Xi zu einem bestimmten Zeitpunkt t einen Vektor Xi(t), der die Dimensionalität h aufweist. Die Vektoren werden dann zusammengruppiert, um eine Matrix X(t) der Größe h-mal-s zu erzeugen, wobei jede Spalte in X(t) dem Vektor entspricht, der durch Anwenden von Xi(t) für jedes xi ∈ S erzeugt wurde. Verschiedene Kandidatenfunktionen für X sollen im Folgenden beschrieben werden. Üblicherweise wird X mehrmals zu verschiedenen Zeitpunkten in dem Fallfenster angewandt, um eine Matrix-Zeitreihe T zu erzeugen. (T ist eine Reihe von Matrizes X(t) zu verschiedenen Zeitpunkten.) T kann als eine Zuordnung von den Rohsensorwerten zu einer gefilterten Kombination dieser Werte betrachtet werden.

Festlegen eines Gesamtdistanzmesswerts O (T, Ti'), der die Ergebnisse der Anwendung des Distanzmesswerts ||·|| auf die zwei Matrix-Zeitreihen T und Ti' kombiniert. Es versteht sich, dass die Distanz, die für ein bestimmtes Ti' berechnet wird, das einem vergangenen Alarmzustand Ci entspricht, nur auf der Untergruppe von Messwerten von T basiert, die Si entspricht.

Wenn beispielsweise zwei Matrixreihen erzeugt werden, T = {X(ti), X(ti+i), ...X(ti+w)} und Ti'={X(tc), X(tc+1), ...X(tc+w)}, besteht der erste Schritt darin, die Distanzen zwischen entsprechenden Matrixpaaren ||X(tc), X(ti)||, X(tc+1), X(ti+1) ||X(tc+w), X(ti+w)|| zu berechnen, und die Ergebnisse dann zu einer einzigen Gesamtdistanz zu kombinieren. Ein einfaches Verfahren dafür ist es, alle diese Werte zu addieren, aber es sind auch andere Verfahren möglich. Beispielsweise könnte O die gewichtete Summe der verschiedenen Distanzen berechnen, oder sogar die Summe der Quadrate, usw.

Eine bestimmte Situation C umfasst üblicherweise alle Sensorwerte, das heißt, die Werte, die von den Sensoren x in S von einem Startzeitpunkt der Situation tc bis zu einem Endzeitpunkt der Situation tc+w angezeigt werden.

Die Y-Achse zeigt die Zeit in Minuten. Die X-Achse zeigt die 421 Merkmale (Sensoren), „?"-Werte sind in Rot, „0" in Grün, und echte Daten werden durch einen Grauwert zwischen Schwarz und Weiß dargestellt, dessen Dunkelheit proportional zu den Daten ist.

Um dann eine Alarmerkennung für einen Fall C durchzuführen, wird X(t) zu den Zeitpunkten tc, tc+1, ..., tc+w auf die Daten angewandt, um eine Matrix-Zeitreihe T zu erzeugen. Zu jedem Zeitpunkt gibt X eine Vorhersagematrix X(t) der Größe h-mal-s aus. Ebenso wird X auf eine Kandidatensituation Ci der Vergangenheit für alle Sensoren in Si von einem Startzeitpunkt ti< tc bis zu einem Endzeitpunkt ti + w angewandt, um eine weitere Matrixzeitreihe Ti' zu erzeugen. Wenn die Kandidatensituation Ci eine Gesamtdistanz von C aufweist, wie sie durch O unterhalb des Schwellenwerts Ai festgelegt ist, wird Ci als ein passender Alarmzustand ausgegeben, wobei i eine Gruppe von Berücksichtigungszeitpunkten umspannt. Also entsprechen alle Indizes i, für die O(T, Ti') < Ai, einem Alarmzustand.

In dem Schritt des Festlegens der Untergruppe von Sensoren für jeden vergangenen Alarmzustand ist eine erste Wahlmöglichkeit, davon auszugehen, dass die Anlagenbediener eine Untergruppe Si von Sensoren festlegen, die sie für allgemein relevant oder wichtig halten. Eine mögliche Möglichkeit der Voreinstellung besteht darin, alle Sensoren einzubeziehen.

In dem Schritt des Festlegens des Distanzmesswerts ist eine Auswahlmöglichkeit für den Distanzmesswert die mittlere quadratische Distanz: wenn A und B p-mal-s-Matrizen sind, das heißt A = [ai,j] und B = [bi,j], 0 ≤ i < p, 0 ≤ j < s, dann ||A,B|| = &Sgr;i,j(ai,j – bi,j)2. Allerdings kann je nach Eignung jede Funktion benutzt werden, die ein Paar Matrizen einer reellen Zahl zuordnet. Beispielsweise die gewichtete absolute Distanz, das heißt ||A,B|| = &Sgr;i,j|&agr;i,j – bi,j|, wobei &agr;i,j ein gewichteter Faktor ist, und |·| den Absolutwert bezeichnet. Es ist auch möglich, die Distanzfunktionen zu benutzen, die Merkmalen höherer Ebene zugeordnet sind, wie z.B. die Formzuordnung durch Erhebungsdetektion, Nulldurchgänge, Erfassen von Periodizitäten usw.

In dem Schritt des Festlegens der Situationsbreite, wobei es sich um die Größe des zur Alarmerkennung berücksichtigenden Zeitrahmens handelt, ist es eine erste Auswahlmöglichkeit, diese auf eine Breite zu stützen, die von den Bedienern festgelegt wird. Im Allgemeinen wird die Wahl der Breite dadurch bestimmt, wie schnell sich der Prozess verändert; das heißt, für Prozesse, deren Charakter sich schnell verändert, ist eine geringe Breite geeignet, während Prozesse, die sich langsamer verändern, eine größere Situationsbreite im Zusammenhang mit dem Situationsabruf benötigen. In der Praxis ist dies im Allgemeinen unkompliziert, da die Bediener eine recht klare Vorstellung von dem Umfang des relevanten Zeitrahmens in dem Herstellungsprozess haben, z.B. ob er im Bereich von Sekunden, Minuten, oder Stunden liegt. Bei sich schnell verändernden Prozessen, wie z.B. in einem Stahlwerk, könnte die Breite einem Zeitrahmen von 10 Millisekunden entsprechen, in einem sich langsamer verändernden Prozess, wie z.B. einer Zementanlage, könnte die Breite etwa 10 Minuten betragen. Bei Prozessen, die sich noch langsamer verändern, z.B. ökonomischen Prozessen, könnte die Breite im Bereich von Jahrzehnten liegen, während in noch langsameren Prozessen, wie z.B. der mittleren Jahrestemperatur der Erde, die Breite im Bereich von Jahrhunderten liegen könnte. Forschungen haben ergeben, dass die Breite nicht genau festgelegt werden muss; eine grob richtige Größenordnung kann zu einer zufrieden stellenden Alarmzustandserkennung führen.

In dem Schritt des Festlegens der Transformationsfunktion ist zu beachten, dass ein Beispiel einer einfachen, bekannten Transformationsfunktion die Identitätstransformation ist, welche die Rohwerte der Sensoren x in S ausgibt. Die Dimensionalität des Vektors, der durch die Identitätstransformation erzeugt wird, ist h = 1. Der Begriff einer Transformationsfunktion, wie er hier benutzt wird, subsumiert nicht nur beliebige Funktionen für die Rohdaten, sondern auch Funktionen von Vorhersagen, die anhand dieser Daten getroffen werden.

Es ist entscheidend, dass das prädiktive Modell M an den Daten trainiert wird. Es ist das Modell, das als ein intelligentes Filter dient und die Schlüsselfunktion in den T-Zuordnungen bereitstellt. Für Daten aller Sensoren bis zu einem Startzeitpunkt tc einer Situation, für einen Sensor xi ∈ S, stellt Modell M Vorhersagen für den Wert von xi(tc + n) an einem oder mehreren Zeitpunkten n > 0 in der Zukunft bereit. „n" wird als der Horizont bezeichnet. H soll eine vordefinierte Horizontgruppe sein, die h unterschiedliche Horizontwerte enthält. x ni (tc) soll die Vorhersage von M für den Wert von xi(tc + n) bezeichnen. M stellt diese Vorhersagen für alle xi ∈ S für alle n ∈ H bereit. In einem weiteren Schritt in dem vorliegenden Ausführungsbeispiel wird einer von mehreren passenden Messwerten für C und für alle Kandidaten-Alarmsituationen Ci der Vergangenheit berechnet. Beispielsweise können die Messwerte auf den 5 Transformationen „Vorhersage-von", „Vorhersage-bis", „Vorhersage-bis-Fehler", „&Dgr;Vorhersage-von" oder „&Dgr;Vorhersage-zu" basieren, wie weiter unten erläutert werden soll.

In einem weiteren Schritt werden die Werte von n in H festgelegt. Zu Erläuterungszwecken gehen die folgenden 5 Transformationen davon aus, dass H = {1,2,5,10,15,30,60}, und von einer Dimensionalität h von N, h = 7. Allerdings können beliebige Werte für n in H benutzt werden, solange n > 0, und M für den Horizont n Vorhersagen erzeugt. Die unten stehenden Beispiele definieren die Funktionsform von xi(t) für die oben genannte Gruppe von Horizonten. X(t) wird durch die Gruppierung der Vektoren Xi(t) in eine h-mal-s-Matrix konstruiert. Eine Anzahl von X(t)s wird über den Vergleichsoperator O mit dem X(t) verglichen, das C entspricht, und t mit demjenigen X(t), das der besten Zuordnung entspricht, würde als die passende Zeit ausgewählt. Ein Verfahren zum Berechnen der passenden Zeit ist wie folgt:

tc
die Startzeit des Falls ist,
w
die Breite ist,
S
eine Gruppe von relevanten Sensorindizes ist.

Einige beispielhafte Xi-Transformationen sind wie folgt definiert:

  • A. „Vorhersage-von"-Transformation: Mit Hilfe dieser Transformation erstellt das Modell für eine Gruppe von Sensoren eine Vorhersage von dem aktuellen Zeitpunkt bis zu Zeitpunkten in der Zukunft. Das Modell dient als ein intelligentes Filter, und die Alarmerkennung beruht auf neu zugeordneten Sensordaten. Sensorinformation, die für den Anlagenzustand wichtig ist, aber nicht unbedingt in den relevanten Sensoren enthalten ist, kann in die Berechnung einbezogen werden, wenn sich das Modell auf den Messwert des Sensors bezieht, um einen relevanten Sensor vorherzusagen.
    Vorhersage von dem Modell M für Sensor i, n Minuten in der Zukunft von Zeitpunkt t
  • B. „Vorhersage-bis"-Transformation: Dieses Zuordnungskriterium gleicht dem Kriterium Vorhersage-von, bis auf den Unterschied, dass anstelle der Vorhersage von einem bestimmten Zeitpunkt aus in die Zukunft Vorhersagen von vergangenen Zeitpunkten aus mit verschiedenen Versetzungen getroffen werden, so dass jedes Modell eine Vorhersage des aktuellen Messwerts des Sensors bereitstellt. Dieses Zuordnungsverfahren weist ähnliche Vorteile auf wie das Vorhersage-von-Verfahren, indem das Modell als ein intelligentes Filter dient, und die Alarmerkennung auf neu zugeordneten Sensordaten beruht, und in derselben Weise Sensorinformation, die für den Anlagenzustand wichtig ist, aber nicht unbedingt in den relevanten Sensoren enthalten ist, in die Berechnung einbezogen werden kann, wenn sich das Modell auf den Messwert des Sensors bezieht, um einen relevanten Sensor vorherzusagen.
    Vorhersage von dem Modell M für Sensor i, n Minuten in der Zukunft von Zeitpunkt t
  • C. „Vorhersage-bis-Fehler"-Transformation: Diese Zuordnungstransformation erzeugt dieselben Vorhersagen wie das Vorhersage-bis-Verfahren, aber es berechnet den Fehler in den Vorhersagen (sowohl zu dem aktuellen Zeitpunkt als auch zu vergangenen Zeitpunkten), bevor ein Vergleich zu einer abschließenden Wertungsberechnung führt. Diese Transformation kann gute Ergebnisse erzielen bei Modellen, die in Fallsituationen ungenaue Vorhersagen treffen; sie liefert keine guten Leistungen, wenn das Modell sehr genau ist.

    xi(t) = Sensormesswert zum Zeitpunkt t
    Vorhersage von dem Modell M für Sensor i, n Minuten in der Zukunft von Zeitpunkt t
    Hinweis:
    = Fehler für Vorhersage vor n Minuten
  • D. „&Dgr;Vorhersage-von"-Transformation: Diese Transformation ist ähnlich wie die Zuordnungstransformation Vorhersage-von, mit dem Unterschied, dass sie die Differenz der Veränderung von dem aktuellen Sensormesswert gegenüber den Vorhersagen als Grundlage benutzt. Ein Vorteil dieses Messwerts ist, dass er nicht amplitudensensibel ist.

    xi(t) = Messwert des Sensors i zum Zeitpunkt t
    Vorhersage von dem Modell M für Sensor i, n Minuten in der Zukunft von Zeitpunkt t
  • E. „&Dgr;Vorhersage-bis"-Transformation: Diese Transformation gleicht der Zuordnungstransformation Vorhersage-bis, bis auf den Unterschied, dass sie die Differenz der Veränderung von dem aktuellen Sensormesswert gegenüber den Vorhersagen als Grundlage benutzt. Ein Vorteil dieses Messwerts ist, dass er nicht amplitudensensibel ist.

    xi(t) = Sensormesswert zum Zeitpunkt t
    Vorhersage von dem Modell M für Sensor i, n Minuten in der Zukunft von Zeitpunkt t

Es versteht sich, dass die vorliegende Erfindung dafür vorgesehen ist, unter Benutzung eines Digitalrechners implementiert zu werden. Obwohl die vorliegende Erfindung anhand von Ausführungsbeispielen erläutert wurde, werden Fachleute verstehen, dass verschiedene Änderungen und Modifikationen vorgenommen werden können, ohne von dem Umfang der Erfindung abzuweichen, der durch die folgenden Ansprüche definiert ist.


Anspruch[de]
Verfahren zum Abrufen vergangener Anlagenalarmzustände oder Situationen Ci, die einem aktuellen Anlagenzustand oder einer aktuellen Situation C gleichen, zur Führung eines Anlagenbedieners, wobei die Anlage mehrere Sensoren aufweist, die jeweilige Parameterwerte (xi(t)) bereitstellen, wobei das Verfahren folgende Schritte aufweist:

Zusammenstellen einer Datenbank mit Sensormesswerten; Festlegen einer Untergruppe S von s Sensoren aus der Vielzahl von Sensoren;

Festlegen einer Untergruppe N von h Vorhersagezeitpunkten;

Festlegen und Trainieren eines Modells M für die Datenbank mit Sensormesswerten, um Vorhersagen zukünftiger Werte (x ni (t)) für die s Sensoren S für die h Zeitpunkte in N bereitzustellen;

Festlegen einer Breite w, die als die Anzahl von Zeitpunkten von Sensordaten zu benutzen ist, welche für eine Situation zu berücksichtigen sind;

Definieren einer Situation C als eine Zusammenstellung von Sensordaten von einem Startzeitpunkt tc bis zu einem Endzeitpunkt tc+w;

dadurch gekennzeichnet, dass das Verfahren außerdem folgende Schritte aufweist:

Festlegen eines Distanzmesswerts ||·||;

Festlegen einer Transformationsfunktion X, wobei die Transformationsfunktion das Modell M und andere Transformationen (z.B. die Identitätstransformation) benutzt und mit den Parameterwerten der Sensoren in S zu jedem möglichen Zeitpunkt t arbeitet, um eine entsprechende Matrix von reellen Zahlen der Größe h-mal-s (X(t)) zu erhalten;

Erhalten von einer Datenbank einer Gruppe von gekennzeichneten Alarmsituationen Ci und zugeordneter Alarmsensoren Si, wobei Si eine Untergruppe von S ist; Arbeiten jeweils mit den Sensordaten der Situationen C und Ci unter Benutzung der Transformationsfunktion X, um eine Gruppe von Zuordnungen der in C enthaltenen Daten und Ci(T = {X(tc), X(tc+1), ...X(tc+w)} und T 'i {X(ti), X(ti+1), ...X(ti+w)}) zu erhalten;

Arbeiten mit der Gruppe von Zuordnungen unter Benutzung des Distanzmesswerts ||·||, um eine Gruppe von Distanzen zwischen der Zuordnung, die der Situation C entspricht, und den Zuordnungen, die jeder der Situationen Ci entsprechen, zu erhalten, wodurch die Distanz zwischen der Zuordnung, die einem bestimmten vergangenen Alarmzustand Ci entspricht, und die Zuordnung, die der Situation C entspricht, nur auf der Untergruppe von Messwerten basiert, die Si entspricht;

Vergleichen der Gruppe von Distanzen; und

Auswählen der Situationen Ci, denen eine Distanz zu der Zuordnung der Situation C unterhalb eines voreingestellten Schwellenwerts Ai zugeordnet wird.
Verfahren nach Anspruch 1, wobei die Untergruppe S die gesamte Vielzahl von Sensoren enthält. Verfahren nach Anspruch 1, wobei die Untergruppe S aus der Vielzahl von Sensoren vorausgewählt wird. Verfahren nach Anspruch 1, wobei in dem Schritt des Vergleichens C mit allen möglichen Kandidatenzuständen Ci der Vergangenheit ab einem vorbestimmten Startzeitpunkt verglichen wird. Verfahren nach Anspruch 1, wobei der Distanzmesswert die quadratische Mitteldistanz oder die absolute Distanz ist. Verfahren nach Anspruch 1, das einen Schritt des Benutzens des prädiktiven Modells M umfasst, um Vorhersagen für den Wert von xi(tc + n) zu einem oder mehreren Zeitpunkten, n > 0 in der Zukunft, bereitzustellen, wobei „n" als der Horizont bezeichnet wird, und x ni (tc) die Vorhersage von M für den Wert von xi(tc + n) bezeichnet, die als der Wert des Sensors i zum Zeitpunkt tc + n definiert ist. Verfahren nach Anspruch 1, das einen Schritt umfasst, wobei M solche Vorhersagen für alle x in S für eine zuvor festgelegte Gruppe einiger Horizonte N bereitstellt. Verfahren nach Anspruch 1, wobei in der Transformationsfunktion xi, die das prädiktive Modell benutzt, M die Form aufweist:
Vorhersage von dem Modell M für Sensor i, n Minuten in der Zukunft von Zeitpunkt t
Verfahren nach Anspruch 1, wobei in der Transformationsfunktion Xi, die das prädiktive Modell benutzt, M die Form aufweist:
Vorhersage von dem Modell M für Sensor i, n Minuten in der Zukunft von Zeitpunkt t
Verfahren nach Anspruch 1, wobei in der Transformationsfunktion Xi, die das prädiktive Modell benutzt, M die Form aufweist:

xi(t) = Sensormesswert zum Zeitpunkt t
Vorhersage von dem Modell M für Sensor i, n Minuten in der Zukunft von Zeitpunkt t
Hinweis:
= Fehler für Vorhersage vor n Minuten
Verfahren nach Anspruch 1, wobei in der Transformationsfunktion Xi, die das prädiktive Modell benutzt, M die Form aufweist:

xi(t) = Messwert des Sensors i zum Zeitpunkt t
Vorhersage von dem Modell M für Sensor i, n Minuten in der Zukunft von Zeitpunkt t
Verfahren nach Anspruch 1, wobei in der Transformationsfunktion Xi, die das prädiktive Modell benutzt, M die Form aufweist:

xi(t) = Sensormesswert zum Zeitpunkt t
Vorhersage von dem Modell M für Sensor i, n Minuten in der Zukunft von Zeitpunkt t
System zum Abrufen vergangener Anlagenalarmzustände oder Situationen Ci, die einem aktuellen Anlagenzustand oder einer aktuellen Situation C gleichen, zur Führung eines Anlagenbedieners, wobei die Anlage mehrere Sensoren aufweist, die jeweilige Parameterwerte (xi(t)) bereitstellen, wobei das System aufweist:

Mittel zum Zusammenstellen einer Datenbank mit Sensormesswerten;

Mittel zum Festlegen einer Untergruppe S von s Sensoren aus der Vielzahl von Sensoren;

Mittel zum Festlegen einer Untergruppe N von h Vorhersagezeitpunkten;

Mittel zum Festlegen und Trainieren eines Modells M für die Datenbank mit Sensormesswerten, um Vorhersagen zukünftiger Werte (x ni (t)) für die s Sensoren S für die h Zeitpunkte in N bereitzustellen;

Mittel zum Festlegen einer Breite w, die als die Anzahl von Zeitpunkten von Sensordaten zu benutzen ist, welche für eine Situation zu berücksichtigen sind;

Mittel zum Definieren einer Situation C als eine Zusammenstellung von Sensordaten von einem Startzeitpunkt tc bis zu einem Endzeitpunkt tc+w;

dadurch gekennzeichnet, dass das System außerdem aufweist:

Mittel zum Festlegen eines Distanzmesswerts ||·||;

Mittel zum Festlegen einer Transformationsfunktion x, wobei die Transformationsfunktion das Modell M und andere Transformationen (z.B. die Identitätstransformation) benutzt und mit den Parameterwerten der Sensoren in S zu jedem möglichen Zeitpunkt t arbeitet, um eine entsprechende Matrix von reellen Zahlen der Größe h-mal-s (X(t)) zu erhalten;

Mittel zum Erhalten von einer Datenbank einer Gruppe von gekennzeichneten Alarmsituationen Ci und zugeordneter Alarmsensoren Si, wobei Si eine Untergruppe von S ist;

Mittel zum Arbeiten jeweils mit den Sensordaten der Situationen C und Ci unter Benutzung der Transformationsfunktion X, um eine Gruppe von Zuordnungen der in C enthaltenen Daten und Ci(T = {x(tc), x(tc+1), ...X(tc+w)} und T = {X(ti), X(ti+1), ...X(ti+w)}) zu erhalten;

Mittel zum Arbeiten mit der Gruppe von Zuordnungen unter Benutzung des Distanzmesswerts ||·||, um eine Gruppe von Distanzen zwischen der Zuordnung, die der Situation C entspricht, und den Zuordnungen, die jeder der Situationen Ci entsprechen, zu erhalten, wodurch die Distanz zwischen der Zuordnung, die einem bestimmten vergangenen Alarmzustand Ci entspricht, und die Zuordnung, die der Situation C entspricht, nur auf der Untergruppe von Messwerten basiert, die Si entspricht;

Mittel zum Vergleichen der Gruppe von Distanzen; und

Mittel zum Auswählen der Situationen Ci, denen eine Distanz zu der Zuordnung der Situation C unterhalb eines voreingestellten Schwellenwerts Ai zugeordnet wird.






IPC
A Täglicher Lebensbedarf
B Arbeitsverfahren; Transportieren
C Chemie; Hüttenwesen
D Textilien; Papier
E Bauwesen; Erdbohren; Bergbau
F Maschinenbau; Beleuchtung; Heizung; Waffen; Sprengen
G Physik
H Elektrotechnik

Anmelder
Datum

Patentrecherche

Patent Zeichnungen (PDF)

Copyright © 2008 Patent-De Alle Rechte vorbehalten. eMail: info@patent-de.com