DE60212121T2 - Erzeugung von prozessverwandten daten - Google Patents

Erzeugung von prozessverwandten daten Download PDF

Info

Publication number
DE60212121T2
DE60212121T2 DE60212121T DE60212121T DE60212121T2 DE 60212121 T2 DE60212121 T2 DE 60212121T2 DE 60212121 T DE60212121 T DE 60212121T DE 60212121 T DE60212121 T DE 60212121T DE 60212121 T2 DE60212121 T2 DE 60212121T2
Authority
DE
Germany
Prior art keywords
information
analysis
cause
alarm
analysis unit
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
Application number
DE60212121T
Other languages
English (en)
Other versions
DE60212121D1 (de
Inventor
Erik Dahlquist
Galia Weidl
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
ABB AB
Original Assignee
ABB AB
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by ABB AB filed Critical ABB AB
Application granted granted Critical
Publication of DE60212121D1 publication Critical patent/DE60212121D1/de
Publication of DE60212121T2 publication Critical patent/DE60212121T2/de
Anticipated expiration legal-status Critical
Expired - Lifetime legal-status Critical Current

Links

Classifications

    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00Testing or monitoring of control systems or parts thereof
    • G05B23/02Electric testing or monitoring
    • G05B23/0205Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0275Fault isolation and identification, e.g. classify fault; estimate cause or root of failure
    • G05B23/0278Qualitative, e.g. if-then rules; Fuzzy logic; Lookup tables; Symptomatic search; FMEA

Description

  • Gebiet der Erfindung
  • Die vorliegende Erfindung betrifft die Erzeugung von Informationen, die mit einem industriellen Prozess verbunden sind, und insbesondere, aber nicht exklusiv, das Produzieren von Informationen, die verbunden sind mit wenigstens einer möglichen Quelle, die für ein Ereignis verantwortlich ist.
  • Hintergrund der Erfindung
  • Verschiedene Typen von Industrien benutzen unterschiedliche Verfahren, wie kontinuierliche, diskrete, batch-ähnliche Verfahren usw. Ein industrieller Prozess kann von substanziell großer, und/oder komplexer Natur sein. Beispiele dieser Prozesse umfassen, ohne diese zu limitieren, Prozesse für chemische Fabriken, Ölraffinerien, pharmazeutische oder petrochemische Industrien, Nahrungsmittel- und Getränkeindustrien, Zellstoffmüll, Energieunternehmen, Stahlwerke, Metall- und Gießereibetriebe, automatisierte Werkstätten usw.
  • Ein Prozess muss aus unterschiedlichen Gründen analysiert werden. Die Ergebnisse der Analysen können z.B. benutzt werden als eine Unterstützung bei der Kontrolle des Prozesses, zum Produzieren von Informationen, die später z.B. benutzt werden, wenn das Endprodukt des Prozesses produziert wird, zur Diagnose von Ereignissen, wie ein Fehler oder abnormale Diagnostik, usw. Es ist ebenfalls möglich, komplexe Produkte zu diagnostizieren oder ihre Teile und/oder Werte mittels Prozessanalyse zu diagnostizieren.
  • Der Begriff "Ereignis" soll so verstanden werden, dass es sich auf jegliche Abnormität oder Fehler/Fehlverhalten oder jegliche andere Abweichung von normalen Betriebsbedingungen des Prozesses bezieht.
  • Ein Verfahren kann analysiert werden auf Basis von Eingabe-Informationen, die von verschiedenen, mit dem Prozess verbundenen Quellen gewonnen worden sind. Die Eingabe-Information kann z.B. verbunden sein mit verschiedenen Stufen eines kontinuierlichen Prozesses, zu kontrollierendem Produkt oder Wert oder verschiedenen Elementen des Verfahrens, Geräts usw. Verschiedene Alarm- und Signal-Informationen können als Eingabeinformation in einer Prozessanalyse verwendet werden. Die verfügbaren Alarm- und Signal-Informationen können von einer Vielzahl von Quellen aufgesammelt werden sowie von verschiedenen diagnostischen Packungen, einem Wartungssystem, von Ausrüstungsdaten und/oder Wissensdatenbanken, verschiedenen Sensoren, Softsensoren oder Messgeräten usw. Die Eingabe-Information kann ebenfalls Informationen umfassen, die nicht direkt von dem Prozess erhalten wurde, wie Informationen bezüglich der Umgebung, in der der Prozess läuft. Zum Beispiel kann die Eingabe-Information verbunden sein mit den klimatischen Bedingungen, die den Prozess umgeben, mit der Zeit usw. Die Analyse-Funktion soll somit in der Lage sein, verschiedene Typen von Informationen, die durch verschiedene Informationsquellen zur Verfügung gestellt werden, zu analysieren.
  • Die Zur-Verfügung-Stellung von Eingabe-Informationen kann periodisch oder kontinuierlich sein, in Abhängigkeit von der Anwendung. Die Information kann automatisch oder manuell gesammelt werden. Zum Beispiel kann wenigstens ein Teil der Information produziert oder manuell durch einen menschlichen Operator eingegeben werden.
  • Die Analyse eines industriellen Prozesses umfasst typischerweise Unsicherheiten. Ein Grund dafür ist, dass die Prozessbedingungen von Zeit zu Zeit variieren können. Ein Prozess kann ebenfalls verschiedene Übergänge zwischen Stufen durchlaufen. Ebenfalls können die Bedingungen stabil sein in jeder Stufe, wobei die Übergangsstadien Wechsel und Variationen in den Prozessfluss einbringen können. Diese Variationen können innerhalb akzeptabler Limits liegen und sind daher nicht notwendigerweise Symptome von irgendwelchen Fehlern oder Abnormalitäten. Jedoch können unter Umständen diese Änderungen und/oder Variationen in der Tat verursacht sein durch einen Fehler in einem Teil des Prozesses. Die Ungewissheiten können sowohl existieren im Arbeitsbereich, Wissen und quantitativer Informationsbasis des Prozesses.
  • Ein Prozessdiagnose-System sollte in der Lage sein, im Wesentlichen akkurate Informationen, ungeachtet der Unwägbarkeiten, zu produzieren. Daher ist ein industrielles Prozess Diagnosesystem und/oder Kontrollsystem benötigt, das in der Lage ist, effizient diese Unwägbarkeiten handzuhaben. Insbesondere, da die Wissensdaten und andere Daten gewisse Unwägbarkeiten beinhalten können, sollte die Analyse in der Lage sein, effektiv mit Möglichkeiten und Unwägbarkeiten fertig zu werden, um geeignete Entscheidungsträger-Instrumente für den Prozessoperator zur Verfügung zu stellen.
  • Nicht alle mittels Alarm-Informationsquellen produzierten Signale, die mit dem Prozess verbunden sind, sind notwendigerweise richtige Alarme. Daher sollte das Diagnose-System in der Lage sein, zwischen richtigen und falschen Alarmen zu unterscheiden.
  • Bei Stand der Technik-Vorrichtungen sind z.B. die Fehleranzeigen, z.B. in einer Prozessanlage, mit einer Alarmlisten-Funktion oder ähnlichen Aufzeichnungsfunktionen verbunden, die dann einem Operator gezeigt werden. Zum Beispiel, kann eine Liste, umfassend verschiedene Typen von Alarmen, wie z.B. die so genannten Effekt-Alarme und die Ursprungs-Alarme, dem Operator gezeigt werden. Rein statistische Verfahren, wie die Streuung und Standardabweichung usw. wurden benutzt, um einfache Fehler/kein Fehler-Information zu erzeugen.
  • Der Operator kann daher mit einer wesentlichen Menge nicht verarbeiteter Information in Form einer Liste versorgt werden. Es kann notwendig sein, dass der Operator die echte Ursache des Problems das durch die Mittel des Alarms präsentiert wurde, zurückverfolgen muss. Es kann wein, dass der Operator dies in einer im wesentlichen kurzen Zeitperiode aufstellen muss. Jedoch kann es sein, dass Operator nicht in der Lage ist, diese Informationen in geeigneter Weise in der Zeit, die ihm zur Verfügung steht, eine benötigte Kontrollaktion zu bearbeiten, nachdem die Informationen zu seiner Kenntnis gebracht worden ist. Es kann sein, dass der Operator kein Hilfsmittel zur Auswahl des geeigneten Alarms und für die effektive Bestimmung der wirklichen Ursache, die das Problem verursacht, zur Verfügung hat.
  • Die Erfinder haben nun erkannt, dass keine geeignete Lösung, die die Unwägbarkeiten mit einbezieht, bislang vorgeschlagen wurde. Die Erfinder haben ebenfalls festgestellt, dass ein sehr viel verbessertes Entscheidungsträgerwerkzeug zur Verfügung gestellt werden könnte, falls es möglich sein könnte, Informationen einzugeben, derart, dass unterschiedliche Alarmsignale für eine analysierende Funktion zur Verfügung stehen. Es kann ebenfalls in einigen Situationen vorteilhaft sein, wenn die produzierte Entscheidungshilfe-Information rangmäßig aufgestellt wird, auf der Basis der Wahrscheinlichkeit der Gründe und/oder Wahrscheinlichkeit von geeigneten Kontrollaktionen. Integration der Ergebnisse der Analysen mit dem Aufrechterhaltungssystem und Zubehördaten können ebenfalls vorteilhaft sein bei einigen Anwendungen. Die Integration mit dem Instandhaltungs-System und Zubehördaten können z.B. benutzt werden zum Liefern einem Operator eine Verbindung zur Wertoptimierung und zur Vorhersage von optimalem Timing, z.B. Ersatz oder Reparatur einer Komponente, die mit dem Prozess verknüpft ist.
  • Ein Dokument von Mast et al: "Bayesische Vertrauensnetzwerke für Fehler Identifikation in Flugzeug-Gasturbinen" CONTROL APPLICATIONS, 1999. Procedings of the 1999 IEE International conference in Kohala coast, USA Aug. 1999, Seiten 39-44 offenbart ein Verfahren zur Fehlerdetektion bei Flugzeug-Gasturbinenmotoren unter Verwendung von Bayesian Belief Networks (BBNs), welches eine Analyseverfahren ist, das geeignet ist zur Beweisführung unter einer Unwägbarkeit. Dieses Dokument lehrt, dass Eingaben in BBNs immer in der Form von Booleschen Variablen sein sollen. Daher sind alle Eingaben in das BBN bestimmt, dass sie entweder RICHTIG oder FALSCH sind.
  • Zusammenfassung der Erfindung
  • Ausführungsformen der vorliegenden Erfindung zielen daraufhin, ein oder verschiedene der oben genannten Probleme anzusprechen.
  • Gemäß einem Aspekt der vorliegenden Erfindung wird ein Verfahren, wie es in Anspruch 1 definiert ist, zur Verfügung gestellt.
  • Gemäß einem anderen Aspekt der vorliegenden Erfindung wird eine Analyseeinheit zum Analysieren eines Verfahrens, wie es in Anspruch 41 definiert ist, zur Verfügung gestellt.
  • Gemäß einem anderen Aspekt der vorliegenden Erfindung wird ein Computerprogramm-Produkt zur Verfügung gestellt, das einen Programmcode zur Ausführung der Schritte in Anspruch 1 zur Verfügung stellt, wenn das Programm auf einem Computer ausgeführt wird.
  • Weitere spezifische Formen der Erfindung sind definiert durch die abhängigen Ansprüche.
  • Kurze Beschreibung der Zeichnungen
  • Zum besseren Verständnis der vorliegenden Erfindung wird nun beispielsweise Bezug genommen auf die beiliegenden Zeichnungen, in denen
  • 1 ein Beispiel von Prozesszubehör ist, das analysiert werden kann mittels einer Ausführung der vorliegenden Erfindung;
  • 2 ein Diagramm ist, das zwei wesentliche Stufen eines diagnostischen Schemas darstellt unter Verwendung der vorliegenden Erfindung;
  • 3 ein Diagramm ist, das Signal- und Alarminformationen illustriert, die verfügbar sind zur Analyse mittels eines Kontrollsystems;
  • 4 ein Diagramm ist, das die Integration von Informationen zeigt, die durch eine Vielzahl von Informationsquellen geliefert wird;
  • 5 die Beziehungen zwischen verschiedenen Funktionen in einer Analyse mit unterschiedlichen Quellen ist;
  • 6 ein Flussdiagramm, welches die Herkunftsweise einer Ausführungsform der vorliegenden Erfindung illustriert; und
  • 7 ein Beispiel eines Kettenkausalitäts-Netzwerks ist.
  • Beschreibung von bevorzugten Ausführungsformen der Erfindung
  • Bezug genommen wird auf 1, die eine schematische Darstellung von Zubehör für einen kontinuierlichen Prozess ist, umfassend verschiedene Stufen. Der Prozess wird analysiert mittels einer computerisierten Kontrollfunktion. Die Kontrollfunktion ist adaptiert, um Informationen zu sammeln von verschiedenen Quellen, die mit dem Prozess verbunden sind. Informationen können ebenfalls manuell in das Kontrollsystem, falls es notwendig ist, eingegeben werden. Zum Beispiel kann ein Operator Informationen eingeben, wie eine Bestätigung, dass ein Fehler fixiert worden ist und/oder eine Rückkoppelung bezüglich des Grundes des Fehlers, welche Aktionen benötigt sind, um ihn zu fixieren usw. Die manuelle Eingabe kann begleitet werden durch Mittel einer standardisierten Benutzeroberfläche, wie ein Benutzermenü mit einer Suchfunktion oder einer Liste mit Check-Kästchen.
  • Die verschiedenen Elemente des beispielhaften Prozess-Zubehörs sind platziert in einer Anlage 1. Das System ist adaptiert zum Verarbeiten von Flüssigkeit, z.B. Pulver oder chemische Flüssigkeit, Dampf usw. welches kontinuierlich durch das Prozess-Zubehör fließt. Die Einlass-Seite 3 des Systems umfasst eine Einlass-Rohrleitung 6, ein Einlass-Ventil 4 und eine Pumpe 5. Eine Verarbeitungseinheit 2 wie ein Kocher, Mischer oder Ähnliches wird gezeigt, wie sie mit dem Einlass-System 3 verbunden ist. Das verarbeitete Material wird dann von der Verarbeitungseinheit 2 via das Auslass-System geführt, umfassend Komponenten wie ein Auslassventil 8 und so weiter.
  • Eine Datenprozessor-Einheit 10 ist adaptiert, um den Prozess zu analysieren. Geeignete Datenverarbeitungs-Vorrichtungen sind dem Fachmann bekannt und werden daher nicht im Detail beschrieben. Es ist genügend zu bemerken, dass die Datenverarbeitung implementiert werden kann mittels eines Computers, der adaptiert ist, um die benötigten Prozessdiagnose-Funktionen zu bearbeiten. Die Datenprozessor-Einheit kann Eingabe- und Ausgabevorrichtungen, Prozessor-Einheiten, wie eine Zentraleinheit (CPU) und Speicher, wie ROM und RAM umfassen. Alle diese Merkmale sind dem Fachmann bekannt und werden daher nicht im Detail beschrieben.
  • Eine Datenverbindung 11, wie ein bus, wird gezeigt, dass er zwischen der Datenprozessor-Einheit 10 und verschiedenen Informationsbeschaffungs-Einheiten 9, die in Verknüpfung mit dem Prozess vorgesehen sind, bereitgestellt. Die Informationsbeschaffungs-Einheiten 9 können verschiedene Sensoren oder Soft-Sensoren oder Messeinrichtungen umfassen, die numerische oder andere Informationen bereitstellen, bezüglich verschiedener Stufen und Komponenten des Prozesses. Die Informationen können z.B. umfassen numerische Werte für Variable, wie Temperatur, Druck, Flussrate, Feuchtigkeit, chemische Gehalte, Betriebsgeschwindigkeit einer Komponente des Systems oder jegliche andere Information, die nützlich sein kann, beim Analysieren der Durchführung des Prozesses. 3 und 4 illustrieren detailliertere Beispiele und Informationen, die in die Analysierfunktion eingegeben werden können.
  • Die Erfinder haben nun festgestellt, dass es möglich ist, Ungewissheiten in Zusammenhang mit einem Verfahren effizienter zu handhaben mittels geeigneter Aufbereitung von Information bevor sie analysiert wird. Wahrscheinlichkeitstheoretische Verfahren können verwendet werden zum statistischen Handhaben der Wahrscheinlichkeiten und Ursachenketten, die z.B. zu einem bestimmten Fehler führen. Die Handhabung ist derart, dass verschiedene Informations-Signale in die Schicht eingegeben werden können, die die aktuelle Analysier-Funktion handhabt. Die Analysier-Funktion wird dann vervollständigt durch Nutzen von wenigstens einer Analysiertechnik, die geeignet ist zum Analysieren von Eingabe-Information in einer begründeten Art und Weise während wenigstens eine Ungewissheit beachtet wird, die verbunden ist mit dem Prozess, der analysiert werden soll. Die Beschreibung benutzt den Begriff "Beweisführung unter Ungewissheiten" um sich auf derartige Leistungen zu beziehen.
  • 2 beschreibt eine Ausführungsform, bei der die Beweisführung unter Unwägbarkeiten von vorverarbeiteten Informationen begleitet wird durch adaptive Ursachen-Analyse (RCA) in Block 25. Wie durch seinen Namen vorgeschlagen wird, kann die Ursachen-Analyse verwendet werden zum Bestimmen von Ursachen, die die Probleme verursachen. Entfernung der grundlegenden Ursachen sollte ebenfalls den Ursprung des Problems hinter einem beobachteten Effekt oder einem Fehler entfernen. Der Fachmann kennt die grundlegenden Prinzipien der Ursachen-Analyse. Die Ursachen-Analyse kann verwendet werden z.B. beim Problemlösen aus Wartungszwecken zum Vorwegnehmen und Regulieren einer systemischen Ursache von Instandhaltungsproblemen. Mögliche Ursachen-Analyse-Verfahren sind detaillierter weiter unten in der Beschreibung erläutert.
  • Die Vorverarbeitungsstufe 20 ist für die Verarbeitung der Eingangssignale gedacht, um die Beweisführung bei Ungewissheiten in dem Block 25 zu erleichtern. Die Alarm- und Signal-Informationen können von verschiedenen Quellen gesammelt werden, wie von Diagnostik-Paketen 28 innerhalb einer Kontrollplattform, einem Wartungssystem 21, Zubehördaten und Wissensdatenbank 22, manuelle Eingabeeinheit 23 und so weiter (siehe 3 und 4). Es wird geschätzt werden, dass zuzüglich der Signale, die eine Grundursache anzeigen, das Eingabe-Signal ebenfalls ein Folgealarm ist. Der Folgealarm ist ein Alarm, der ein Ergebnis einer Grundursache anzeigt. Ein Beispiel eines Folgealarms ist ein Signal für einen Alarm, der einen zu hohen Druck anzeigt, wobei der zu hohe Druck durch eine Grundursache verursacht werden kann (z.B. eine Blockade irgendwo im System).
  • Die verfügbare vorverarbeitete Signalinformation kann verbunden sein mit Eingabestufen 30 für die Ursachen-Analyse Block 25. Mittels der Vorverarbeitungsstufe 20 ist es möglich, eine große Vielzahl von Informationen durch die Analyse-Funktion 25 zu verarbeiten. Dies kann bei einigen Anwendungen vorteilhaft sein, da die ausgewählte Analyse-Funktion nur limitierte Kapazitäten zum Verarbeiten von Informationen von einer Vielzahl von Quellen hat und eine Vielzahl von Variablen unter bestimmten Bedingungen umfasst.
  • Die Information/Signal vorverarbeitende Stufe 20 wird aus drei Stufen bestehend gezeigt: anfängliche Vorverarbeitung der Signale 31, Vorhersage 32 und Klassifikation 26, 27. Jedoch würde es begrüßt werden, dass, obwohl 2 verschiedene Vorverarbeitungsstufen zeigt, nur die Klassifikation notwendigerweise benötigt wird zum Ermöglichen der Dokumentation unter Unwägbarkeiten unter Prozess-Betriebsbedingungen. Die Erfinder haben festgestellt, dass durch Klassifizierung der Information eine reduzierte Zahl von variablen Stufen zur Verfügung gestellt werden kann zur Eingabe in die Ursachen-Analyse 25.
  • Insbesondere, bei der Klassifikationsphase Alarm und Signal-Information und andere möglichen Informationen können in Block 26 in verschiedene Stufen klassifiziert werden. Die Erfinder haben festgestellt, dass anstelle der Präsentation eines gemessenen oder simulierten Werts bei jedem Sammelzeitpunkt der Prozessentwicklung (z.B. ein exakter Temperatur- oder Druckwert) ein Informationssignal dargestellt werden kann durch ein charakteristisches Stadium davon. Der Bereich von möglichen unterschiedlichen Werten, die in den Analysierblock eingegeben werden, können im Wesentlichen reduziert werden durch Definieren einer Vielzahl von Klassen, in die alle unterschiedlichen Signale klassifiziert werden. Die Zahl der Klassen kann im Wesentlichen niedrig sein, verglichen mit der Zahl von möglichen Variablen, die die Informationsquellen liefern.
  • Zum Beispiel können die Klassen verwendet werden, um den Wert eines Prozess-Parameters in der Analyse zu beschreiben. Ein Abbildungswerkzeug kann verwendet werden zur Klassifikation eines Signals in dem charakteristischen Stadium (d.h. den Klassen). Die Klassifikation kann durchgeführt werden z.B. in Klassen, wie normal, hoch und niedrig. Zum Beispiel kann die Temperatur-Information klassifiziert werden in drei Klassen, wie Informations-Signale, die Temperaturen unter 20 °C angeben, sind klassifiziert in die Kategorie niedrig. Signale, die Temperaturen zwischen 20 °C und 50 °C anzeigen, werden klassifiziert in die Kategorie normal. Signale, die Temperaturen über 50 °C anzeigen, werden klassifiziert in die Kategorie hoch.
  • Alternativ oder in Ergänzung zu dem obigen Typ von Klassifikation, basierend auf definierten Abstufungen, kann die Klassifikation basiert sein auf bestimmte Signaltrends, wie "abnehmend", "konstant", "ansteigend". Der Begriff "konstant" soll breit verstanden werden und bezieht sich auf Werte, die in einem typischen Bereich von Werten von normalen Betriebsbedingungen sind.
  • Das Aufzeichnungsinstrument kann adaptiert werden, um Zeitserien von aufgesammelten Signalpunkten in Zeitserien von Signalstufen zu klassifizieren. Die verfügbare Alarm- und Signalinformation, die von dem verteilten Kontrollsystem (DCS) und Kontrolldiagnosik-Packungen kommen kann, können klassifiziert werden in charakteristische Stufen von Bayesischen (oder Neuro-fuzzy) Netzwerkknoten. Zum Beispiel können Daten-Zeitserien von verteilten Kontrollsystem(DCS)-Signal-Sammelpunkten kartiert werden auf Daten-Zeitserien von Signalstellungen mit Hilfe von Klassifizierungsanordnungen, die auf neuronalen Netzwerken basieren. Dies ermöglicht den Einschluss von Prozess-Signalen in dem diagnostischen System.
  • Die Alarm-Information kann behandelt werden als binäre Zeitserien. Zum Beispiel die Behandlung des Alarms als eine binäre Zeitserie von Nullen (0 = kein Alarm) und Einsen (1 = Alarm) erlaubt die Verwendung von Zeitserien als eine direkte Eingabe in den Bayesischen Inferenzblock 33. Dies ist so, da die Eingaben sehr einfach klassifiziert werden können in zwei Stufen: 0 und 1.
  • Ein neuronales Netzwerk, wie ein neuronales und/oder Neuro-Fuzzy-Netzwerk, kann ebenfalls trainiert werden, um die letzte Zeithistorie des Signals in Informations-Signalstellungen zu klassifizieren, die Signalebenen und -trends kombinieren. Die Eingabeschicht kann eine fixierte Zahl von Probepunkten der Signalzeit-Historie bis zur jetzigen Zeit: S_t-n ... S_t0. Die Ausgabeschicht des neuronalen Netzwerks kann Signalstellungen enthalten, die erhalten wurden als eine Kombination von verschiedenen Signalstufen.
  • Andere mögliche Klassifikationswerkzeuge können implementiert werden, z.B. mittels einer Hauptkomponenten-Analyse (PCA) oder künstlicher Intelligenzmittel (AI). Die künstliche Intelligenzmittel (AI) sind typischerweise kleine C-Sprachen-Programme, die speziell für Klassifikationszwecke hergestellt wurden.
  • Zusätzliche Informationen können verwendet werden, um z.B. Entscheidungen zu liefern bezüglich Werten, die nahe an den Grenzen einer Klasse sind bezüglich Werten von spezifischen Informationsquellen oder mit außergewöhnlichen Werten und so weiter.
  • Die Klassifikation kann ebenfalls angepasst sein. Ein Beispiel eines Systems, bei dem eine adaptive Klassifikation und Beweisführung vorteilhafterweise verwendet werden kann, ist der Fall, wenn ein bestimmtes verteiltes Kontrollsystem(DCS)-Signal mehrere normale Einstellungspunkte mit unterschiedlichen absoluten Werten hat. Wegen der verschiedenen Einstellungspunkte hat der Klassifizierer verschiedene Möglichkeiten, die Signale zu klassifizieren (in absoluten Werten) in niedrige, normale oder hohe Signalstufen. Daher kann es vorteilhaft sein, die Klassifikation in hohe, normale oder niedrige Signalstufen gemäß den verwendeten Einstellungspunkten zu adaptieren.
  • Das angepasste Klassifikations-Schema kann ebenfalls eine sehr viel flexiblere Behandlung von Signaltrends erlauben, z.B. in die oben genannten Trend-Klassen "konstant", "ansteigend" oder "abnehmend". Daher kann eine doppelte Klassifikation von Signalen in Ebenen und Trends geschaffen werden. Dies wiederum kann verwendet werden zum Schaffen einer Anzeige von normalen oder abnormalen Prozessbedingungen. Die adaptive Klassifikation kann ebenfalls das Identifizieren von sowohl Signalstärken als auch von Signaltrends, welche bezogen sind auf Änderungen von normalen Einstellpunkten der Prozess-Parameter.
  • Ohne darauf beschränkt zu sein, können die oben genannten Neuronalen Netzwerke, AI-Mittel, und/oder Hauptkomponenten-Analyse (PCA) verwendet werden (entweder in Kombination oder alleine) um den adaptiven Charakter in das Klassifikationswerkzeug einzugeben.
  • Da nicht alle Alarmsignale eines verteilten Kontrollsystems (DCS) echte Alarme sind, kann das System adaptiert werden, um zu lernen zwischen echten und falschen Alarmen zu unterscheiden.
  • Dies kann erreicht werden auf Basis von Extraparametern, die sich auf den Alarmzustand beziehen. Beispiele der Extraparameter umfassen Variable, die bekannt sind, dass sie physikalische Beziehungen mit den DCS-Alarmen aufweisen, wie "zu hoher Druck" oder Alarme, die Schlussraten, Tanklevel, Pumpeffekte usw. anzeigen. Andere DCS-Alarme können ebenfalls hier verwendet werden. Die Alarm-Signale können klassifiziert werden in reale und falsche Alarme in Block 27 von 2.
  • Die Klassifikation in die unterschiedlichen Zustände ermöglicht es dem System, schneller Unwägbarkeiten zu handhaben. Dies ist so, da die normalen Prozessbedingungen nicht an eine bestimmte Kombination von exakten Werten von Prozessvariablen gebunden sind, sie können vielmehr ausgedrückt werden durch eine Beziehung der erlaubten Betriebslimits (Klassen) von Variablen. Diese Klassen zeigen dann die Prozessbedingungen und die Übergänge von normalen Betriebsbedingungen zu abnormalen Betriebsbedingungen. Es soll ebenfalls begrüßt werden, dass, obwohl 2 zwei separate Klassifikationsblocks 26 und 27 zeigt, nur eine Klassifikationsfunktion benötigt wird.
  • Die klassifizierte Information wird dann in einen adaptiven Ursachen-Analyse-Block 25 eingegeben. Der Analyse-Block 25 wird gezeigt, dass er drei verschiedene Analyse-Funktionen 33 bis 35 aufweist. Insbesondere ist im Unterblock 33 die Analyse basiert auf dem Bayesischen Inferenz-Modell. In Block 34 ist die Analyse auf Neuro-Fuzzy Inferenz-Modellen basiert. In Block 35 ist die Analyse basiert auf so genannte fallspezifische Beurteilungen.
  • Jeder der drei Ursachen-Analyse-Blocks 33 bis 35 ist in der Lage zum Verarbeiten von vorverarbeiteter Information in einer logisch aufgebauten Art und Weise unter Unwägbarkeiten im Prozess. Die Analyse kann basieren auf der Ausführung von einer oder mehreren dieser Verfahren. Falls mehr als ein Beweisführungsverfahren während der Analyse durchgeführt wird, kann dies vervollständigt werden im vertikalen und horizontalen Anlagen-Niveau zur Fehlerbestimmung und Isolation von Fehlerursprüngen, d.h. in der Ursache. Eine derartige Mischausführung der Beweisführungsblocks 33 bis 35 wird detaillierter später unter Bezug auf 5 erläutert.
  • Der Fachmann kennt die Prinzipien des Bayesischen Netzwerks. Ein Bayesisches Neztwerk ist typischerweise aufgebaut auf diskreten und kontinuierlichen Entscheidungsknoten. Die Knoten sind typischerweise durch Kausalitätslinks verknüpft. Die Eingabe für die diskreten Knoten wird klassifiziert in Einstellungen. Die Eingabe in die kontinuierlichen Entscheidungsknoten kann von jedem Typ von zufällig variabler Verteilung sein. Zum Beispiel kann eine Gauss'sche Verteilung oder Superposition von verschiedenen Gaus'schen Verteilungen verwendet werden um sich jeder anderen kontinuierlichen Verteilung anzunähern. Die bedingte Wahrscheinlichkeitstabelle, die zugeordnet ist zu jedem Knoten im Hinblick auf seine Vorgänger liefert Informationen bezüglich der Beziehung zwischen den Variablen und erlaubt eine Wahrscheinlichkeitsbeweisführung unter Unsicherheiten. Die Kettenkausalität, die aufgebaut ist in der Struktur des Bayesischen Netzwerks erlaubt die Identifikation der möglichen Ursachen eines Fehlers.
  • Der Fachmann kennt ebenfalls die Prinzipien der Neuro-Fuzzy-Netzwerke. Ein Neuro-Fuzzy-Netzwerk besteht typischerweise aus fuzzy Eingaben und/oder Ausgaben. Die Fuzzifikation von jeder Variablen drückt den Grad der Inhaberschaft von den Variablen in einer bestimmten Klasse der Prozessbedingungen aus. Zurückzuführen auf den Überhang zwischen Fuzzy-Einstellungen (Inhaberfunktionen) liefert das Netzwerk einen natürlichen Rahmen zum Behandeln von Übergangsphänomenen zwischen unterschiedlichen Prozessbedingungen und Beweisführung unter Ungewissheiten. Die Netzwerkausgaben können im Rang eingestuft werden nach Mitgliedsgrad, um die wahrscheinlichste Fehlerursache anzuzeigen.
  • Die fallbezogene Beweisführung kann eine wesentlich schnellere Bearbeitung von digitalen Signalen liefern. In der fallbezogenen Beweisführung kann eine Datenbank von Fällen durchsucht werden, um einen Vorfall mit ähnlicher Historie zu lokalisieren. Der Vorfall kann einige Abweichung von spezifizierten und/oder normalen Betriebsbedingungen des Prozesses aufweisen. Vorfälle (d.h. Abnormalitäten und/oder Fehler) können beschrieben werden durch eine Zahl von Effekten, die aufgenommen werden in der Form von gemessenen und/oder errechneten und/oder in anderer Weise beobachteten Variablen. Die fallbezogene Beweisführung kann auf eine Datenbank zugreifen, die ein Verzeichnis von Fällen, ähnlich dem beobachteten Vorfall, bekannte Ursachen für den Vorgang und benötigte Kontrolle und Aufrechterhaltungsaktionen, enthält.
  • Die fallbezogene Beweisführung kann verwendet werden in zwei unterschiedlichen Kontexten in der Analyse. Die fallbezogene Beweisführung kann verwendet werden zur Vorfallsdetektion (umfassend die Detektion des Effekts des Vorfalls) vor der Bestimmung der Ursache des Vorfalls. Zwei sehr ähnliche Muster von z.B. einem abnormalen Fehlerfall (einschließlich seiner Effekte) können ausgewählt werden auf der Basis einer Distanzfunktion mit dem kleinsten Fehlermaß von Ähnlichkeitsbestimmung. Somit kann das ähnlichste Muster verwendet werden, um die ähnlichste Ursache einer Abnormalität oder eines Fehlers zu lokalisieren. Bei der Errechnung kann jeder Vorfall dargestellt werden durch Datenketten, die sich auf Vorfälle ähnlicher Art und ihre Wirkungen beziehen (ausgedrückt als gemessene und/oder berechnete und/oder beobachtete Variablen) mit ihren korrespondierenden Ursachen (bekannt aus historischen Daten).
  • Die fallbezogenen Beweisführungstechniken können ebenfalls verwendet werden, um das ähnlichste Muster einer geschätzten Ursache, die auf einer Distanzfunktion mit dem kleinsten Fehlermaß von Ähnlichkeitsabschätzung basiert. Das heißt, die geeignetste Kontroll-(alternativ Wartungs-)Aktion, um die Ursache zu korrigieren von z.B. einem festgestellten Fehler oder einer Abnormalität, kann ausgewählt werden auf der Basis des ähnlichsten Musters. Wie oben dargelegt ist, können Datenketten, die die geschätzte Ursache (beschrieben durch Messungen und/oder durch berechnete und/oder beobachtete Variablen) mit einer geeigneten Kontrollaktion oder geeigneten Wartungsaktionen in Beziehung bringen, während der Berechnung verarbeitet werden.
  • Eine wirksame Ursachen-Analyse soll sich vorzugsweise mehr auf das gesamte kausale System konzentrieren, als nur auf ein oder ein paar Merkmale, die mit einem Prozess verbunden sind. Verwendung von Informationen von einer wesentlichen Zahl von Informationsquellen und verbunden mit einer wesentlichen Zahl von Variablen, wird eine akkuratere Analyse und ein besseres Verständnis der wirklichen Ursachen von z.B. Prozessfehlern ermöglichen als nur Informationen von nur einer beschränkten Zahl von Quellen und unter Bezug auf nur eine beschränkte Zahl von Variablen.
  • Merkmale eines effektiven Analyse-Systems können ebenfalls Management-Funktionen und Funktionen zur Unterscheidung zwischen richtigen und falschen Prozess-Alarmen, Funktionen zur Trendvorhersage von prozessvariabler Entwicklung mit der Zeit, Funktionen für Fehlerursache-Vorhersage, Funktionen zur Vorhersage der Konsequenz der beabsichtigten Kontrollaktion usw., umfassen.
  • Um eine dynamische Vorhersage-Prozess-Diagnostik zur Verfügung zu stellen, kann eine Funktion, die hierin als Vorhersage der Signalentwicklung oder des Signal-"Trends" bezeichnet wird, über die Zeit ebenfalls in der Vorverarbeitungsstufe 20 zur Verfügung gestellt werden. So wird ein Vorhersageblock 32 gezeigt, wie er vor der Signal-Klassifizierungsstufe 26, 27 lokalisiert ist. Kurze und Langzeitvorhersagen erlauben, dass Kontroll- und Wartungsarbeiten gemacht werden können im frühestmöglichen Zustand der Fehlerentwicklung. Dies ermöglicht es, Kontrollaktionen mit niedrigen Kosten oder minimalen Verlusten zu erreichen und Prozessausfälle zurückzuführen auf Wartungsaktivitäten.
  • Es wird begrüßt, dass die Vorhersage und Klassifikations-Abläufe simultan durchgeführt werden können oder in einer teilweise limitierten Art und Weise.
  • Initiale Vorverarbeitung von wenigstens einigen der Informations-Signalen kann durchgeführt werden durch Block 31. Block 31 kann Datenbank-Informationen zur Verwendung in der Vorhersage oder Klassifikation der verteilten Kontroll-System-Daten (DCS) an nachfolgenden Stufen 32 und 26, 27 zur Verfügung stellen. Daten, die in der Datenbank gespeichert sind, können simulierte Daten und/oder errechnete Daten sein. Die Daten können ebenfalls eine Verteilung von kontinuierlichen Variablen umfassen.
  • Verfahren, wie die Normalisierung von Signalen und Vergleichen mit Modell-Berechnungen können vor dem Klassifikationsschritt durchgeführt werden. Diese Datensätze können dann verwendet werden zum Lernen und Tunen der Netzwerkstruktur, zusammen mit den qualitativen Wissens/Erfahrungs-Daten. Das Anwender-Feedback an das System über mögliche Ursachen kann verwendet werden, um adaptive Lernfunktionalitäten hinzuzufügen, und um die System-Performance zu verbessern (siehe 4).
  • Systematische Ansätze können ebenfalls verwendet werden in der Analyse. In diesem Kontext kann ein Bezug auf 4 gemacht werden. Die systematischen oder strukturierten Ansätze können aufbauen auf der Verwendung von einem oder mehreren Modellen, die den Prozess beschreiben. Die Modelle können angepasst werden, um Merkmale oder Charakteristiken des Prozesses und ihrer zugrunde liegende Physik zu beschreiben, die nicht direkt aus dem Prozess extrahiert werden können, z.B. durch Messen eines Parameters. Die Modelle können verwendet werden, um Merkmale zu beschreiben, wie Prozess-Ablauf, Zeit-Trends, Zubehör-Informationsstatus usw. Das strukturierte Wissen kann aufgebaut sein auf mathematische Prozessmodelle und/oder physikalische Modelle und/oder statistische Modelle und/oder Operator und/oder Erfahrungen des Wartungspersonals des Prozesses. Das strukturierte Wissen kann gelernt werden und dargestellt werden durch ein Bayesisches Netzwerk für Diagnostika von Zubehöreinheiten und durch ein Netzwerk von Bayesischen Netzwerken für Diagnostika auf höheren vertikalen Hierarchieebenen, wie Druck-Fluss-Netzwerk, Prozessabschnitt, Gruppe, gesamte Anlage, usw.
  • Zum Beispiel können die statistischen Modellverfahren verwendet werden zum Schaffen von Informationen von Signalen (z.B. Abweichung, Mittelwert) und Signal-Trends. Wahrscheinlichkeits-Verteilung von Random-Variablen können ebenfalls verwendet werden, um mit den Ungewissheiten, die mit dem Prozess verknüpft sind, umzugehen.
  • Modelle, die den Prozess beschreiben, können verwendet werden, um Expertise/Grundlagenwissen und/oder eine Extrakt-Beziehung zwischen Variablen, die den Prozess unter diagnostischen Bedingungen beschreiben, zur Verfügung zu stellen. Zum Beispiel können physikalische Modelle verwendet werden, um simulierte Daten herzustellen, um historische Daten, die aus der wirklichen Anlage stammen, zu vergleichen. Dies kann vorteilhaft sein, da die historischen Daten nicht alle möglichen Fehlfunktionen umfassen. Dies ist insbesondere der Fall bei Fehlern, die sehr selten vorkommen.
  • Mathematische Modelle der Prozesskontrolle können ebenfalls verwendet werden für Kurzzeit-Vorhersagen. Mathematische Modelle können ebenfalls verwendet werden, um z.B. Zeitverzögerungen aufzunehmen oder zur Einrichtung von Informationen bezüglich notwendiger Kontroll-Aktionen im Hinblick auf die bekannte Ursache eines Fehlers.
  • Die Informations-Signale können verarbeitet werden durch Block 31, sodass ein berechneter Trend von Werten verglichen wird mit den DCS Ablesungen und beide absoluten Abweichungen, dividiert durch einen Mittelwert und eine relative Abweichung werden berechnet, um eine Eingabe für die Ursachen-Analyse zu erhalten. Dynamische Datenabstimmung kann verwendet werden bei Block 31, um rechtzeitig Datenkonsistenz mit den Signalentwicklungen zu sichern, basierend auf simplen physikalischen Modellen, wie Masse-(Material)Balance, Energie-Balance und/oder thermische Balance und so weiter.
  • Die anfängliche Verarbeitungsstufe kann kombiniert werden mit verschiedenen unterschiedlichen Techniken.
  • Betriebs- und Wartungsinstruktionen können verwendet werden, um die Regel/Wissensbasis für die Diagnostik zu schaffen. Wartungsinformationen können verwendet werden für Langzeit-Vorhersagen. Ausrüstungsdaten können verwendet werden für Kurz-/Langzeit-Vorhersagen. Daten des Prozesses können in einer Datenbank 24 (siehe 3 und 4) gespeichert werden. Die Daten, wie historische Daten, können während der Zeit aktualisiert werden. Die Aktualisierung kann derart durchgeführt werden, dass nur derartige historische Daten oder andere Daten, die innerhalb eines vordefinierten Zeitfensters sind, von dem gegenwärtigen Zeitpunkt gespeichert werden und/oder verwendet werden bei der Vorverarbeitung des Alarm-Signals. Die Aktualisierung kann in Realzeit derart durchgeführt werden, dass das Fenster kontinuierlich vorwärts geht, sowie die Zeit vorüber geht.
  • Eine Zahl von Niedrigstufen-Diagnostik-Paketen, physikalischen Modellen, mathematischen Modellen von Prozess-Kontrolle, Aufrechterhaltungs- und Zubehördaten kann die Datenbank 24 zur Verfügung stellen mit Informationen bezüglich des historischen Prozesses und seiner Realzeit-Aktualisierung. Die historischen Daten können verwendet werden, sowohl bei der Vorhersage als auch bei den Klassifikations-Stufen im System. Die Qualität der statistischen Daten bezüglich Prozessfehler kann verbessert werden durch Aufbau einer Datenbasis von Fehlerfällen. Dieser Operationstyp kann z.B. verwendet werden bei der Lernstruktur und beim Tuning des Bayesischen Netzwerkes.
  • Ein Kontroll-System unter Verwendung der Beweisführung von ein oder mehreren Unsicherheiten kann adaptiert werden, dass es von vorhergehenden Vorgängen lernt. Dies kann basieren auf der Verwendung von Zeitdaten. Die Klassifikation ermöglicht das Tunen von strukturiertem Domain-Wissen mittels Domain-Daten, die auf den Daten über die Vorgänge basieren. Die Operatoren können ebenfalls dem System ein Feedback geben und daher ein adaptives Lernen ermöglichen. Daher kann eine objektive Wissensstruktur etabliert werden, wie eine Beweisführungsbasis in dem Analyse-System.
  • Eine Korrelation zwischen verschiedenen Signalen und Funktion kann in dem System inkorporiert werden durch Vergleichen der Modelle, die den Prozess und/oder physikalische Grundlagen des Prozesses mit gemessenen Werten vergleichen. Das bedeutet, dass zuerst berechnete Werte verglichen werden mit Werten, die aus dem Prozess gemessen wurden, um jeglichen unerwarteten Betrieb zu detektieren. Dies kann durchgeführt werden in der anfänglichen Verarbeitungsstufe der Diagnostik.
  • Das Vergleichen von zwei Reihen von Daten kann dem System erlauben, Entwicklungen im Laufe der Zeit in Betracht zu ziehen, d.h. Verfahrenstrends. Durch Übernehmen der Varianz davon kann das System direkt einen statistischen Wert bekommen. Der statistische Wert kann dann verwendet werden, um Fehler in verschiedene Kategorien zu gruppieren, wie: schwer; eilige Aktion notwendig/nicht notwendig; ein Fehler beginnt sich zu entwickelt; usw. Verhältnisse zwischen Messungen können ebenfalls inkorporiert werden, z.B. serielle oder parallele Flüsse, um die Messungen zu normalisieren.
  • Wenn die Prozessbedingungen verändert werden, ist es möglich, Faktoren zu verwenden, die die Grundlagen des Modells widerspiegeln, welches verwendet werden soll zum Beschreiben der veränderten Prozessbedingungen.
  • Wie durch das Flussdiagramm 6 gezeigt ist, können die Ergebnisse der Ursachen-Analyse eingeordnet werden, bevor sie einem Operator gezeigt werden. Das Einordnen kann durchgeführt werden z.B. durch den Signal- und Alarm-Generator 40 von 4. Die etablierten Ursachen können eingeordnet werden, basierend auf Wahrscheinlichkeit (in der Bayesischen Inferenz), basierend auf dem Grad der Mitgliedschaft (in der Neuro-Fuzzy-Inferenz) und basierend auf dem minimalen Fehler der Ähnlichkeit (in der Basisfall-Beweisführung). Die eingeordneten Ursachen können dann in einer Liste dem Operator oder Betriebspersonal gezeigt werden, um schnelle und effiziente Entscheidungsgrundlagen zu schaffen. Eine ähnliche Einordnung der benötigten Kontroll-Betriebsaktionen kann zur Verfügung gestellt werden auf der Basis der etablierten Ursachen.
  • Ein Einordnen bzw. Aufstellen einer Rangordnung von Ursachen nach der Wahrscheinlichkeitsbestimmung liefert eine bessere Entscheidungsgrundlage und eine größere Flexibilität für Kontrollaktionen durch den Operator. Geeignete Kontrollaktionen für Fehlerkorrektur können ebenfalls in Rangstufen eingeteilt werden nach ihren Wahrscheinlichkeiten, um den Operator mit mehr Information zu versorgen, während er bezüglich der benötigten Kontrollaktion entscheidet.
  • Gemäß einer Möglichkeit werden wenigstens zwei Ursachen parallel präsentiert, welche gleich wahrscheinlich sind. Der Operator kann dann die Ergebnisse vergleichen und eine Entscheidung treffen, basierend auf den dargestellten Resultaten.
  • Bezug genommen wird nun auf 5, die eine Mischanalyse zeigt, bei der die drei Beweisführungstechniken von 2 verwendet werden für die adaptive Ursachen-Analyse (ARCA). Die fallbezogene Dokumentation wird verwendet zur Detektion des Erscheinens eines Vorfalls, wie eine Abnormität. Der fallbezogene Nachweis kann verwendet werden zum Bestimmen von Abnormitäten oder Fehlern in einer Richtung von dem oberen Anlagenlevel hinunter auf Prozessabschnitte und Gruppen von Anlagen. Das heißt, dass die fallbezogene Beweisführung Vorfälle in der folgenden Rangfolge identifiziert: gesamte Anlage -> Prozessabschnitt -> Gruppe -> Druck-Fluss Netzwerk -> Gerät.
  • Die fallbezogene Beweisführung kann Zeichendatenfolgen empfangen, basierend auf den DCS-Signalen, die mit dem Prozess verbunden sind. Die DCS-Daten können vervollständigt werden in der Verarbeitungsstufe durch geeignete Anzeigen. Die Analyse kann ebenfalls manuelle Eingaben empfangen, z.B. von Informationen, die schwer zu messen sind. Die fallbezogene Beweisführung kann dann in der Fehlerdatenbank recherchieren, um Datenzeichenfolgen zu identifizieren, die den ähnlichsten Fehler oder ein sehr ähnliches Fehlerbild zeigen.
  • Die Suche auf der Basis von der Bayesischen Inferenz wird dann verwendet zur präziseren Bestimmung der Ursache, die hinter dem Fehler oder der Abnormalität ist, der durch die fallbezogene Beweisführung detektiert wurde. Die Suche aufgrund des Bayesischen Ansatzes für die Ursachen-Analyse ist bevorzugt begleitet in einer entgegengesetzten Richtung, die von dem Geräte-Einheits-Level bis zu dem Prozessabschnittslevel geht. Der Bayesische Ansatz funktioniert so, dass er die Ursachen-Analyse isoliert. Seine Hierarchie kann derart angeordnet werden, dass ein einzelnes Bayesisches Netzwerk verwendet wird zur Diagnose von Komponenten oder Geräte-Einheiten während das Bayesische Netzwerk zur Diagnose der gesamten Anlage verschiedene Gruppen von Bayesischen Netzwerken umfasst.
  • Eine Anlage kann angesehen werden, dass sie eine Serie von Prozess-Abschnitten oder Stufen umfasst. Die adaptive Ursachen-Analyse auf dem Anlagenlevel umfasst Neuro-Fuzzy-Inferenz zum Handhaben von Ungewissheiten in Prozessübergängen zwischen den nachfolgenden Prozessabschnitten oder Stufen oder Phasenübergängen eines Multiphasenprozesses. Diese Suche wird durchgeführt in horizontaler Richtung in 5.
  • Mit anderen Worten kann die adaptive Ursachen-Analyse implementiert werden als eine Mischung von Ansätzen, wie eine vertikale von oben nach unten Anlagenhierarchie mittels fallbasierter Beweisführung zur Fehlerbestimmung, vertikale nach unten nach oben Anlagenhierarchie mittels Bayesischer Inferenz zur Ursachenisolation, und auf horizontaler Anlagenebene durch Neuro-Fuzzy-Inferenz zur Prozess-Analyse oder Phasenübergängen. Die Mischanordnung kann die Verlässlichkeit der Ursachen-Analyse verbessern, da die Mischanordnung eine double-check-Funktionalität vorsieht. Zusätzlich kann eine Abnormalität oder eine Entwicklung einer Abnormalität schneller entdeckt werden mittels der fallbezogenen Beweisführung, als z.B. mit dem Bayesischen Ansatz, während der Bayesische Ansatz eine bessere Idee für die Ursache liefert.
  • Das zuvor beschriebene System wird einen automatischen "soft sensor" zur Fehler/Abnormalitäts-Anzeige auf einer Ebene schaffen, die mehr entwickelt ist als die Alarme eines verteilten Kontrollsystems (DCS). Die Klassifikationsstufe vereinfacht die verschiedenen Variationsvariablen, die in die Analyse-Funktion eingegeben werden.
  • Die Signalstufen der Prozessparameter, wie sie oben klassifiziert sind, können ebenfalls verwendet werden zum Strukturlernen von Fehlerbäumen mittels Bayesischer Inferenz, um Parameterbeziehungen und Kettenkausalitäten zu etablieren.
  • Es gibt keine explizite Begrenzung bezüglich der Zahl von Variablen und ihres Zustandes, die der vorgegebene Ansatz handhaben kann. Jedoch kann die Berechnung des Algorithmus länger Zeit in Anspruch nehmen, wenn eine substanzielle größer Anzahl von Variablen und/oder Zuständen verwendet werden, da sie eine längere Beweissicherungs-Zeit benötigen und daher ist die Zahl der Stufen so niedrig wie möglich.
  • Die Analyse wird vorzugsweise durchgeführt durch ein computerisiertes System. Ein Teil der Analyse kann jedoch manuell vorgenommen werden. Ein Operator kann z.B. ein manuell dem System ein Feedback mittels Klicken auf Inferenz-Checkboxen geben.
  • Online-Prozessbeobachtung kann ebenfalls verwendet werden zum Aktualisieren der Bedingungswahrscheinlichkeiten für jedes individuelle Gerät oder jeden Prozessabschnitt. Daher werden individuelle Diagnostika, wie Ursachen-Analysen, möglich sein für eine besondere Geräteeinheit. Die individuelle Diagnostik kann Nutzen ziehen von einer gemeinsamen Fehlerdatenbank. Ein diagnostisches System passt sich unterschiedlichen Prozessbedingungen an. Das System kann argumentieren und Entscheidungen bei Ungewissheiten.
  • Die Diagnostik kann dynamisch und vorausschauend in ihrem Charakter sein, zurückzuführen auf die Möglichkeit von Kurz- und Langzeit-Vorhersagen von Signalentwicklungen mit der Zeit. Kurzzeit-Vorhersagen können erlauben, dass Kontrollaktionen geplant und optimiert werden. Die Langzeit-Vorhersagen können eine bessere Betriebsplanung erlauben, einschließlich des Bestellens von Ersatzteilen und ihrer Just-in-time-Lieferung, Vermeidung sowohl von großer Lagerung von Ersatzteilen als auch von teueren Prozessausfällen zurückzuführen auf verzögerte Wartung.
  • Offline-Tuning von Kausalitäten bezüglich Parameterbeziehungen kann durchgeführt werden, sowohl automatisch, basierend auf Eingabedaten als auch manuell durch einen Experten. Dann kann das Bayesische Netzwerk (oder das gesamte Anlagen-Bayesische Netzwerk, bestehend aus einer Zahl von einem niederhierarchischen Level von Bayesischen Netzwerken) eine Online-Inferenz durchführen (adaptive Ursachen-Analyse) unter Verwendung von Eingabedaten von dem progostizierenden Klassifizierer.
  • Das hier diskutierte System kann verwendet werden z.B. zum Beschaffen eines Entscheidungshilfe-Werkzeugs für den Operator durch hierarchisches Einordnen von Gründen und Kontrollaktionen. Das System kann angepasst werden, um Ratschläge zu generieren mit einem vorhersehenden adaptierenden Behandeln von Prozess-Alarmen und Vorfällen. Ein Beispiel der Fehlerdiagnostik wird unten beschrieben mit Bezug auf 7, die ein Kettenkausalitäts-Netzwerk in einer Sieb-Fehlfunktion-Situation beschreibt.
  • Ein Operator kann prozessbezogene Informationen von einem Monitor lesen, wie dem Display der Operatorstation 10 von 1. Ein grafisches Display kann vorgesehen sein auf Basis der Informations-Signale, die auf eine Informationsgenerierungs-Schicht 60 geliefert werden. Der höchstwahrscheinliche Grund des detektierten Vorfalls kann visuell hervorgehoben werden.
  • Nach dem Ausbreiten der Nachweisinformationen (z.B. ansteigende Druckdifferenz und verminderter Durchfluss) kann eine Bayesische Inferenz-Maschine schließen, dass die Sieb-Fehlfunktion verursacht wird durch Verstopfen einer Siebplatte 70. Es können verschiedene Gründe für das Verstopfen der Platte vorliegen, wie eine zu hohe Konzentration der Flüssigkeit (74) oder Fehlfunktion eines Rotors 71, der die Siebplatte 70 bearbeitet. Die Fehlfunktion der Siebplatte 70 kann ebenfalls mehrere verschiedene Informations-Signale, die auf der Schicht 60 gebildet worden sind, beeinflussen. Daher kann es sein, dass der Operator nicht in der Lage ist, die Fehler oder Fehlerquellen, die die Fehlfunktion hervorrufen, zu bestimmen, weil er die Ursache der Situation nicht bestimmen kann, die alleine auf der Schicht 60 Information basiert. Es kann sogar so sein, dass, zurückzuführen auf den Überfluss an Information aus verschiedenen Quellen, der Operator nicht realisiert hat, dass der Fehler mit der Siebfunktion zusammenhängt, oder dass der Operator nicht realisiert hat, dass es ein Problem gibt.
  • Basierend auf den bedingten Wahrscheinlichkeiten, die durch die Ursacheneffektbeziehungen des Bayesischen Netzwerks entstehen, kann die Bayesische Inferenz-Maschine in der Lage sein daraus zu schließen, dass der Plattenverschluss verursacht worden ist durch zu niedrige Umdrehung pro Minute des Rotors 71, welches wiederum verursacht wird durch eine Fehlfunktion der Pumpe 72 (und nicht z.B. durch einen durchdrehenden Treibriemen 73).
  • Es könnte kosteneffektiver sein, die Pumpe auszutauschen, als sie zu reparieren, insbesondere, wenn Variablen für die Reparatur in Betracht gezogen werden müssen, wie Verlust der Produktion, zurückzuführen auf einen Prozessstop. Daher wird als Ergebnis der Analyse und Information, die mit den Kosten verbunden sind, die am besten geeignete Kontroll-Aktion, die dem Operator gezeigt werden soll, sein "Austauschen der Pumpe mit Fehlfunktion durch eine neue".
  • Die oben diskutierte Analysevorrichtung schafft ein Werkzeug für den Operator, um Informationen von der wahren Ursache oder den Ursachen zu erhalten, ohne dass der Operator genötigt wird, jede Kausalitätskette bis hin zum Komponentenlevel zu folgen, um die Ursache zu finden. Anstelle davon, wird die Ausführungs-Analyse-Information, die durch die Signalgenerierungsschicht 60 hervorgebracht wird, eingesetzt. Die Beweis-Information kann gesammelt werden durch Messungen, Beobachtungen und/oder Berechnung, die auf Prozessmodelle (physikalische, mathematische und/oder statistische Modelle) basieren. Die Menge an variablen Stufeneingaben an den Analysierer wird reduziert durch Klassifizierung der Information in charakteristische Stufen. Die Unsicherheiten, hervorgerufen durch z.B. Informations-Signale von anderen Quellen, die nicht mit der Fehlfunktion verbunden sind, werden in Betracht gezogen durch die Beweissicherungs-Funktion. Nach Empfangen und Aussenden der Beweise, berechnet die Bayesische Inferenz-Maschine die Möglichkeiten der möglichen Ursachen.
  • Die produzierte Ursachen-Information kann dann eingeordnet werden nach Wahrscheinlichkeiten und wird dem Operator auf einem grafischen User-Interface gezeigt, wie einem Display des Computers 10 von 1. Erläuterung der zugrunde liegenden Beziehungen von Ursache und Wirkung kann dem Benutzer gezeigt werden, während eine bestimmte Ursachen-Analyse ausgewählt ist aus der Rangliste. Die Erklärung kann gezeigt werden in Form einer Bayesischen Darstellung, bei der die höchstwahrscheinliche Kette von Kausalitäten hervorgehoben ist.
  • Alarm-Signale können klassifiziert werden in Ursachen-Alarme und Effekt-Alarme. Nur Ursachen-Alarme können dem Operator gezeigt werden.
  • Die Anordnung kann ebenfalls derart sein, dass das Display eine aktualisierte Analyse zeigt, nachdem der Operator sein Feedback zu dem anfänglichen Rat durch das Analyse-System gegeben hat.
  • Ein Teil der Analyse kann durchgeführt werden durch eine oder mehrere Datenprozessor-Einheiten, die in einer Remote-Stellung von wenigstens einem Teil des Prozesses platziert sind. Ein Kommunikationsmedium kann vorgesehen sein zwischen der Prozessoreinheit und dem Prozess, z.B. mittels eines Daten-Netzwerks. Mitteilungen, die durch den Informationsgenerator 40 von 4 gezeigt werden, können ebenfalls über ein Daten-Netzwerk, wie ein Internet-Protokoll-basiertes Netzwerk oder ein lokal area Netzwerk (LAN), kommuniziert werden. Die Kommunikationsmedien können ebenfalls ein drahtloses Kommunikations-Netzwerk, z.B. ein zweite Generation (2G) oder ein dritte Generation (3G) Kommunikations-System oder ein drahtloses lokales Netzwerk, z.B. ein drahtloses Kurzbereichlink, basierend auf dem BluetoothTM Protokoll, sein.
  • Die Analysier-Vorrichtung kann verknüpft sein mit einem Ersatzteil- und/oder Komponenten-Zuführsystem und ähnlichen Wartungsdatenbasen. Informationen von wenigstens einer Datenbasis zum Speichern von Informationen, die mit Komponenten verbunden sind, Ersatzteilen und ähnlichen, können verwendet werden, wenn eine Anweisung erzeugt wird. Zum Beispiel kann es festgelegt werden, dass die am besten geeignete Aktion nicht durchgeführt werden kann, da keine Ersatzteil-Komponente verfügbar ist, sodass der Operator angewiesen werden kann, die nächstbessere Aktion durchzuführen.
  • Die Ausführungsformen der vorliegenden Erfindung erleichtern die Eingabe von Alarm und/oder anderen Informations-Signalen direkt als Eingaben in die Ursachen-Analyse-Schicht. Eine Abnormalität, wie ein Fehler, kann detektiert werden, lange bevor ein reales Problem auftritt und ein Warnalarm kann dem Operator gegeben werden, rechtzeitig, bevor irgendwelche aktuellen Probleme auftreten. Die Analyse kann verwendet werden, um den manchmal enormen Anstieg von verfügbaren Prozess-Informationen zu reduzieren und dem Operator nur die wirklich notwendige Ursachen-Analyse-Information zur Verfügung zu stellen.
  • Es wird gewürdigt, dass die produzierte Information den Prozess als solches betrifft, oder irgendeine Komponente, Geräte oder ähnliches, was mit dem Prozess zusammenhängt. Information kann ebenfalls produziert werden, die das Produkt betrifft, erhältlich durch das Produkt.

Claims (50)

  1. Verfahren zur Erzeugung von Informationen, die mit einem industriellen Prozess verbunden sind, wobei das Verfahren umfasst: Verarbeiten von Informationen aus Informationsquellen, die mit dem Prozess in Verbindung stehen, um die Informationen in charakteristische Zustände zu klassifizieren; und Analysieren der Ergebnisse der Klassifikation zur Erzeugung von Informationen, die mit einer Ursache für ein Ereignis verbunden sind, mittels wenigstens einer Analysetechnik, die fähig ist, unter wenigstens einer Unsicherheit zu schlussfolgern, dadurch gekennzeichnet, dass die Klassifikation umfasst: Bestimmen einer Tendenz für Informationen aus einer Quelle und Klassifizieren der Informationen, basierend auf der bestimmten Tendenz, und Abbilden von Zeitreihen von abgetasteten Signalpunkten in Zeitreihen von Signalzuständen.
  2. Verfahren gemäß Anspruch 1, wobei das Ereignis einen abnormen Zustand umfasst.
  3. Verfahren gemäß Anspruch 2, wobei das Ereignis einen Fehler umfasst.
  4. Verfahren gemäß irgendeinem der vorstehenden Ansprüche, wobei die Klassifikation die Anzahl an Variablen-Zuständen reduziert, die in die Analysestufe eingegeben werden.
  5. Verfahren gemäß irgendeinem der vorstehenden Ansprüche, wobei Informationen, umfassend numerische Variablen, in charakteristische Zustände klassifiziert werden, basierend auf dem Wert der Variablen.
  6. Verfahren gemäß Anspruch 5, wobei ein Wert in einen charakteristischen Zustand klassifiziert wird, der einen Wertebereich definiert, zu dem der Wert gehört.
  7. Verfahren gemäß irgendeinem der vorstehenden Ansprüche, wobei wenigstens ein charakteristischer Zustand mittels eines binären Werts ausgedrückt wird.
  8. Verfahren gemäß Anspruch 1, wobei in die Analysestufe eingegebene Informationen eine Folge von binären Werten umfassen.
  9. Verfahren gemäß irgendeinem der vorstehenden Ansprüche, wobei in die Analysestufe eingegebene Informationen eine regelmäßige Verteilung von Variablen umfassen.
  10. Verfahren gemäß irgendeinem der vorstehenden Ansprüche, wobei wenigstens ein charakteristischer Zustand einen Zustand angibt.
  11. Verfahren gemäß irgendeinem der vorstehenden Ansprüche, wobei ein Alarmsignal zwischen realen und falschen Zustände klassifiziert wird.
  12. Verfahren gemäß irgendeinem der vorstehenden Ansprüche, wobei Alarmsignale in Alarmursache und Alarmwirkung klassifiziert werden und wobei nur Alarmursachen einem Benutzer gezeigt werden.
  13. Verfahren gemäß irgendeinem der vorstehenden Ansprüche, wobei das Verarbeiten weiter ein Vorhersagen einer Entwicklung und/oder Tendenz eines Informationssignals umfasst.
  14. Verfahren gemäß irgendeinem der vorstehenden Ansprüche, wobei Informationen aus Informationsquellen adaptiv verarbeitet werden.
  15. Verfahren gemäß irgendeinem der vorstehenden Ansprüche, umfassend eine Verwendung von strukturierten Informationen, die mit dem Prozess verbunden sind.
  16. Verfahren gemäß Anspruch 15, wobei wenigstens ein Teil der strukturierten Informationen mittels Diagnosepaketen einer niedrigeren Ebene erhalten wird.
  17. Verfahren gemäß Anspruch 15 oder 16, wobei die strukturierten Informationen wenigstens ein Modell umfassen, das den Prozess beschreibt.
  18. Verfahren gemäß Anspruch 17, wobei ein Modell die Physik des Prozesses beschreibt.
  19. Verfahren gemäß Anspruch 17, wobei ein Modell mathematische Kenngrößen des Prozesses beschreibt.
  20. Verfahren gemäß Anspruch 17, wobei ein Modell auf statistischen Informationen von dem oder Erfahrungen über den Prozess basiert.
  21. Verfahren gemäß irgendeinem der vorstehenden Ansprüche, umfassend ein Trainieren der Informationsverarbeitungsstufe, basierend auf Informationen über wenigstens eine Tendenz oder Entwicklung, die für den Prozess bestimmt wird.
  22. Verfahren gemäß irgendeinem der vorstehenden Ansprüche, umfassend eine Verwendung von wenigstens einem neuralen Netzwerk für das Verarbeiten von Informationen, bevor die Ergebnisse des Verarbeitens in die Analysestufe eingegeben werden.
  23. Verfahren gemäß Anspruch 22, wobei wenigstens ein Neuro-fuzzy-Netzwerk verwendet wird.
  24. Verfahren gemäß irgendeinem der vorstehenden Ansprüche, umfassend eine Verwendung einer Hauptkomponentenanalyse und/oder von Agenten künstlicher Intelligenz.
  25. Verfahren gemäß irgendeinem der vorstehenden Ansprüche, wobei die Fähigkeit, unter wenigstens einer Unsicherheit zu schlussfolgern, durch eine adaptive Ursachenanalyse bereitgestellt wird.
  26. Verfahren gemäß Anspruch 25, wobei eine Hybrid-Kombination von wenigstens zwei verschiedenen adaptiven Ursachenanalyse-Verfahren für das Schlussfolgern unter wenigstens einer Unsicherheit verwendet wird.
  27. Verfahren gemäß Anspruch 25 oder 26, wobei die adaptive Ursachenanalyse mittels wenigstens einem der folgenden Verfahren bereitgestellt wird: Bayessche Schätzung; Neuro-fuzzy-Inference; fallbasiertes Schließen.
  28. Verfahren gemäß Anspruch 27, wobei das fallbasierte Schließen zum Identifizieren einer Abnormität dient, die Bayessche Schätzung zur Bestimmung von wenigstens einer Ursache hinter der Abnormität dient und die Neuro-fuzzy-Inference zum Analysieren von Abnormitäten zwischen Stufen und/oder Phasenübergängen in dem Prozess dient.
  29. Verfahren gemäß irgendeinem der vorstehenden Ansprüche, umfassend ein Vergleichen von simulierten oder berechneten Daten mit aus dem Prozess erhaltenen Daten.
  30. Verfahren gemäß Anspruch 29, umfassend Hochrechnen einer Abweichung, die durch das Vergleichen bestimmt wird.
  31. Verfahren gemäß irgendeinem der vorstehenden Ansprüche, umfassend eine Normalisierung von Informationen, auf denen die Analyse basieren soll.
  32. Verfahren gemäß irgendeinem der vorstehenden Ansprüche, umfassend einen Schritt eines Prüfens auf Fehler- und/oder Abnormitätsmuster nach der Klassifikation.
  33. Verfahren gemäß irgendeinem der vorstehenden Ansprüche, umfassend eine Überwachung der Entwicklung einer Ursache für ein Ereignis.
  34. Verfahren gemäß irgendeinem der vorstehenden Ansprüche, wobei wenigstens ein Teil der Informationen zur Analyse durch ein dezentralisiertes Steuerungssystem bereitgestellt wird.
  35. Verfahren gemäß irgendeinem der vorstehenden Ansprüche, wobei die Ausgabe der Analysestufe bei einer Echtzeitsteuerung des Prozesses verwendet wird.
  36. Verfahren gemäß irgendeinem der vorstehenden Ansprüche, umfassend Vorhersagen von erforderlichen Aktionen, basierend auf der Ausgabe der Analysestufe.
  37. Verfahren gemäß Anspruch 37 oder 38, wobei Steueraktionen, basierend auf wenigstens einer der folgenden Listen, eingeschätzt werden: Wahrscheinlichkeiten; Zugehörigkeitsgrad; Fehlermessung minimaler Ähnlichkeit.
  38. Verfahren gemäß irgendeinem der vorstehenden Ansprüche, wobei Informationen, die mit einer Vielzahl von Ursachen verbunden sind, erzeugt werden, und die Ursachen, basierend auf den Wahrscheinlichkeiten davon, eingeschätzt werden.
  39. Verfahren gemäß irgendeinem der vorstehenden Ansprüche, wobei ein Teil der Analyse durch eine Datenverarbeitungseinrichtung an einem Ort durchgeführt wird, der in Bezug auf den physikalischen Ort von wenigstens einem Teil des Prozesses abseits liegt.
  40. Verfahren gemäß irgendeinem der vorstehenden Ansprüche, wobei ein Betreiber nach einer Präsentation der Ergebnisse der Analyse eine Rückmeldung eingeben kann und wobei aktualisierte Ergebnisse, basierend auf der Rückmeldung, bereitgestellt werden.
  41. Analyseeinheit zum Analysieren eines industriellen Prozesses, wobei die Analyseeinheit Verarbeitungsmittel (26) zum Klassifizieren von Informationen, die mit dem Prozess verbunden sind, in charakteristische Zustände und Analysemittel (25) zum Erzeugung von Informationen, die mit einer Ursache eines Ereignisses verbunden sind, durch Analysieren von Informationen von dem Verarbeitungsmittel umfasst, wobei das Analysemittel fähig ist, unter wenigstens einer Unsicherheit zu schlussfolgern, dadurch gekennzeichnet, dass das Verarbeitungsmittel angepasst ist, um eine Tendenz für Informationen aus einer Quelle zu bestimmen und die Informationen basierend auf der bestimmten Tendenz zu klassifizieren und die Informationen durch Abbilden von Zeitreihen von abgetasteten Signalpunkten in Zeitreihen von Signalzuständen zu klassifizieren.
  42. Analyseeinheit gemäß Anspruch 41, umfassend Vorhersagemittel zum Vorhersagen einer Entwicklung und/oder Tendenz eines Informationssignals.
  43. Analyseeinheit gemäß Anspruch 41 oder 43, wobei das Verarbeitungsmittel und/oder die Vorhersagemittel mittels wenigstens eines neuralen Netzwerks implementiert sind.
  44. Analyseeinheit gemäß Anspruch 43, umfassend wenigstens ein Neuro-fuzzy-Netzwerk.
  45. Analyseeinheit gemäß irgendeinem der Ansprüche 41 bis 44, umfassend ein Speichermittel zum Speichern strukturierter Informationen, die mit dem Prozess verbunden sind.
  46. Analyseeinheit gemäß Anspruch 45, wobei die strukturierten Informationen wenigstens ein Modell umfassen, das den Prozess und/oder die Physik des Prozesses beschreibt.
  47. Analyseeinheit gemäß irgendeinem der Ansprüche 41 bis 46, wobei das Analysemittel Mittel zur Implementierung einer adaptiven Ursachenanalyse umfasst.
  48. Analyseeinheit gemäß Anspruch 47, wobei das Analysemittel Mittel zur Hybrid-Implementierung wenigstens zweier verschiedener Ursachenanalyse-Verfahren umfasst.
  49. Analyseeinheit gemäß irgendeinem der Ansprüche 41 bis 48, umfassend eine graphische Benutzeroberfläche.
  50. Computerprogramm-Produkt, umfassend Programmcode-Mittel zur Durchführung der Schritte von Anspruch 1, wenn das Programm auf einem Computer ausgeführt wird.
DE60212121T 2001-06-05 2002-06-05 Erzeugung von prozessverwandten daten Expired - Lifetime DE60212121T2 (de)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
GB0113659 2001-06-05
GB0113659A GB2379752A (en) 2001-06-05 2001-06-05 Root cause analysis under conditions of uncertainty
PCT/EP2002/006170 WO2002099550A1 (en) 2001-06-05 2002-06-05 Provision of process related information

Publications (2)

Publication Number Publication Date
DE60212121D1 DE60212121D1 (de) 2006-07-20
DE60212121T2 true DE60212121T2 (de) 2007-01-04

Family

ID=9915949

Family Applications (1)

Application Number Title Priority Date Filing Date
DE60212121T Expired - Lifetime DE60212121T2 (de) 2001-06-05 2002-06-05 Erzeugung von prozessverwandten daten

Country Status (6)

Country Link
US (1) US7213174B2 (de)
EP (1) EP1393141B1 (de)
AT (1) ATE329300T1 (de)
DE (1) DE60212121T2 (de)
GB (1) GB2379752A (de)
WO (1) WO2002099550A1 (de)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102015225144A1 (de) * 2015-12-14 2017-06-14 Siemens Aktiengesellschaft System und Verfahren zur Diagnose von zumindest einer wartungsbedürftigen Komponente eines Geräts und/oder Anlage

Families Citing this family (54)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2004079601A1 (ja) * 2003-03-07 2004-09-16 Justsystem Corporation 設計支援装置、設計支援方法、ならびに、プログラム
SE0300894D0 (sv) * 2003-03-28 2003-03-28 Saab Ab Metod att fastställa regler för en anordning som är avsedd att kunna användas för att generera beslutstöd
DE10342769A1 (de) * 2003-09-16 2005-04-21 Voith Paper Patent Gmbh System zur computergestützten Messung von Qualitäts- und/oder Prozessdaten
US7313573B2 (en) * 2003-09-17 2007-12-25 International Business Machines Corporation Diagnosis of equipment failures using an integrated approach of case based reasoning and reliability analysis
US7206771B2 (en) * 2003-11-11 2007-04-17 International Business Machines Corporation Automated knowledge system for equipment repair based on component failure history
WO2006098766A2 (en) * 2004-09-17 2006-09-21 Proximex Incremental data fusion and decision making system and associated method
US7956890B2 (en) * 2004-09-17 2011-06-07 Proximex Corporation Adaptive multi-modal integrated biometric identification detection and surveillance systems
WO2006039760A1 (en) * 2004-10-15 2006-04-20 Ipom Pty Ltd Method of analysing data
US7437611B2 (en) * 2004-10-21 2008-10-14 International Business Machines Corporation System and method for problem determination using dependency graphs and run-time behavior models
US7500142B1 (en) * 2005-12-20 2009-03-03 International Business Machines Corporation Preliminary classification of events to facilitate cause-based analysis
US7761172B2 (en) * 2006-03-21 2010-07-20 Exxonmobil Research And Engineering Company Application of abnormal event detection (AED) technology to polymers
US7646294B2 (en) * 2006-05-22 2010-01-12 Honeywell International Inc. Alarm maps to facilitate root cause analysis through spatial and pattern recognition
JP2008015568A (ja) * 2006-06-30 2008-01-24 Toshiba Corp メンテナンスシステムおよびメンテナンスシステムの制御方法およびホストサーバおよびホストサーバのプログラムを記憶したコンピュータ読み取り可能な記憶媒体。
GB2440355A (en) * 2006-07-27 2008-01-30 Rolls Royce Plc Method of Monitoring a System to Determine Probable Faults.
EP1892597A1 (de) * 2006-08-26 2008-02-27 Peter Renner Zustandsüberwachung von Maschinen und technischen Anlagen
US7756682B1 (en) * 2006-09-21 2010-07-13 Sandia Corporationed System and method for statistically monitoring and analyzing sensed conditions
US20080167842A1 (en) * 2007-01-04 2008-07-10 Honeywell International Inc. Method and system for detecting, analyzing and subsequently recognizing abnormal events
US7777783B1 (en) 2007-03-23 2010-08-17 Proximex Corporation Multi-video navigation
US9544563B1 (en) 2007-03-23 2017-01-10 Proximex Corporation Multi-video navigation system
US8010475B2 (en) 2007-04-13 2011-08-30 Siemens Corporation Online fault detection and avoidance framework for distributed factory control systems
US8489530B2 (en) * 2007-12-03 2013-07-16 Infosys Limited System and method for root cause analysis of the failure of a manufactured product
WO2009136183A2 (en) * 2008-04-18 2009-11-12 Bae Systems Plc Assisting failure diagnosis in a system
US8081088B2 (en) * 2008-09-11 2011-12-20 Raytheon Company Method and apparatus for apportioning attention to status indicators
US8594828B2 (en) * 2008-09-30 2013-11-26 Rockwell Automation Technologies, Inc. System and method for optimizing a paper manufacturing process
US8365019B2 (en) * 2009-06-16 2013-01-29 International Business Machines Corporation System and method for incident management enhanced with problem classification for technical support services
JP2011008375A (ja) * 2009-06-24 2011-01-13 Hitachi Ltd 原因分析支援装置および原因分析支援方法
US8326789B2 (en) * 2009-08-20 2012-12-04 Uop Llc Expert system integrated with remote performance management
JP5347949B2 (ja) * 2009-12-24 2013-11-20 富士通株式会社 トラブル対処プログラム及びトラブル対処方法
US8386849B2 (en) * 2010-01-29 2013-02-26 Honeywell International Inc. Noisy monitor detection and intermittent fault isolation
US8347144B2 (en) * 2010-06-11 2013-01-01 Scientific Monitoring Inc. False alarm mitigation
FR2976560B1 (fr) * 2011-06-15 2013-07-12 Eurocopter France Procede de maintenance, systeme et aeronef.
FR2976559B1 (fr) * 2011-06-15 2013-07-12 Eurocopter France Procede de maintenance, systeme et aeronef
GB2500388B (en) 2012-03-19 2019-07-31 Ge Aviat Systems Ltd System monitoring
EP2973095B1 (de) 2013-03-15 2018-05-09 Animas Corporation Zeitaktionsmodell für insulin
US20140324363A1 (en) * 2013-04-30 2014-10-30 United Technologies Corporation System reliability analysis and management using physics-based models embedded in a baysian network
GB2515115A (en) * 2013-06-14 2014-12-17 Warwick Analytical Software Ltd Early Warning and Prevention System
US9619311B2 (en) * 2013-11-26 2017-04-11 International Business Machines Corporation Error identification and handling in storage area networks
GB201406551D0 (en) * 2014-04-11 2014-05-28 Rolls Royce Plc A method and system for managing the health of a machine
US10031510B2 (en) 2015-05-01 2018-07-24 Aspen Technology, Inc. Computer system and method for causality analysis using hybrid first-principles and inferential model
US10621499B1 (en) 2015-08-03 2020-04-14 Marca Research & Development International, Llc Systems and methods for semantic understanding of digital information
US10073890B1 (en) 2015-08-03 2018-09-11 Marca Research & Development International, Llc Systems and methods for patent reference comparison in a combined semantical-probabilistic algorithm
JP6796373B2 (ja) * 2015-09-25 2020-12-09 三菱重工業株式会社 プラント運転システム及びプラント運転方法
US10540439B2 (en) 2016-04-15 2020-01-21 Marca Research & Development International, Llc Systems and methods for identifying evidentiary information
EP3482354A1 (de) * 2016-07-07 2019-05-15 Aspen Technology Inc. Computersysteme und verfahren zur durchführung einer wurzelursachenanalyse und zum aufbau eines vorhersagemodells für seltene ereignisereignisse bei anlagenweiten operationen
JP2018088177A (ja) * 2016-11-29 2018-06-07 オムロン株式会社 情報処理装置、情報処理システム、情報処理方法、および情報処理プログラム
US10852019B2 (en) 2017-06-22 2020-12-01 Honeywell International Inc. Application of reasoning rules for fault diagnostics of control-related faults
CN107392258B (zh) * 2017-08-04 2018-08-31 合肥工业大学 一种设备故障元件排查方法及系统
CN107563681B (zh) * 2017-10-23 2020-07-14 国网安徽省电力公司 一种电网设备综合事件的混合分析方法
EP3518158A1 (de) * 2018-01-29 2019-07-31 Siemens Aktiengesellschaft System und verfahren zur erzeugung einer anlagenabrechnung
US11023472B2 (en) * 2018-02-27 2021-06-01 Nutanix, Inc. System and method for troubleshooting in a virtual computing system
US11237550B2 (en) * 2018-03-28 2022-02-01 Honeywell International Inc. Ultrasonic flow meter prognostics with near real-time condition based uncertainty analysis
JP7283485B2 (ja) * 2018-12-28 2023-05-30 日本電気株式会社 推定装置、推定方法、及びプログラム
JP7094431B1 (ja) * 2021-10-29 2022-07-01 西日本技術開発株式会社 プラント性能管理方法、プラント性能管理装置、及びプラント性能管理プログラム
CN116090702A (zh) * 2023-01-18 2023-05-09 盐城市久泰商品混凝土有限公司 一种基于物联网的erp数据智能监管系统及方法

Family Cites Families (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0625930B2 (ja) * 1985-09-24 1994-04-06 株式会社東芝 プラント診断装置
US4967337A (en) * 1988-10-11 1990-10-30 Texas Instruments Incorporated Automated diagnostic system
JP3224226B2 (ja) * 1989-09-22 2001-10-29 株式会社リコー 故障診断エキスパートシステム
US5161158A (en) * 1989-10-16 1992-11-03 The Boeing Company Failure analysis system
US5210704A (en) * 1990-10-02 1993-05-11 Technology International Incorporated System for prognosis and diagnostics of failure and wearout monitoring and for prediction of life expectancy of helicopter gearboxes and other rotating equipment
DE69228986T2 (de) * 1991-02-05 1999-08-12 Storage Technology Corp Durch hierarchisch verteilte wissenbasierte maschine ausgelöste wartungs-vorrichtung und -verfahren
EP0557628B1 (de) 1992-02-25 1999-06-09 Hewlett-Packard Company Testsystem für Schaltkreise
US5729452A (en) * 1995-03-31 1998-03-17 Envirotest Acquisition Co. Method and system for diagnosing and reporting failure of a vehicle emission test
US5710723A (en) * 1995-04-05 1998-01-20 Dayton T. Brown Method and apparatus for performing pre-emptive maintenance on operating equipment
US5864662A (en) * 1996-06-28 1999-01-26 Mci Communication Corporation System and method for reported root cause analysis
FR2789502B1 (fr) * 1999-02-08 2001-08-10 Bull Sa Procede et outil d'analyse et de localisation de pannes materielles dans une machine informatique
US6633782B1 (en) * 1999-02-22 2003-10-14 Fisher-Rosemount Systems, Inc. Diagnostic expert in a process control system
US6505145B1 (en) * 1999-02-22 2003-01-07 Northeast Equipment Inc. Apparatus and method for monitoring and maintaining plant equipment
US6636771B1 (en) * 1999-04-02 2003-10-21 General Electric Company Method and system for analyzing continuous parameter data for diagnostics and repairs
US6947797B2 (en) * 1999-04-02 2005-09-20 General Electric Company Method and system for diagnosing machine malfunctions
FR2795830B1 (fr) 1999-07-01 2001-08-31 Lorraine Laminage Procede de pilotage d'un processus dynamique complexe
US6615367B1 (en) * 1999-10-28 2003-09-02 General Electric Company Method and apparatus for diagnosing difficult to diagnose faults in a complex system
US6795935B1 (en) * 1999-10-28 2004-09-21 General Electric Company Diagnosis of faults in a complex system
US7500143B2 (en) * 2000-05-05 2009-03-03 Computer Associates Think, Inc. Systems and methods for managing and analyzing faults in computer networks
US6907545B2 (en) * 2001-03-02 2005-06-14 Pitney Bowes Inc. System and method for recognizing faults in machines
FR2878637A1 (fr) * 2004-11-26 2006-06-02 France Telecom Suppression de fausses alertes parmi les alertes produites dans un systeme d'informations surveille

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102015225144A1 (de) * 2015-12-14 2017-06-14 Siemens Aktiengesellschaft System und Verfahren zur Diagnose von zumindest einer wartungsbedürftigen Komponente eines Geräts und/oder Anlage

Also Published As

Publication number Publication date
EP1393141B1 (de) 2006-06-07
GB2379752A (en) 2003-03-19
US20040250166A1 (en) 2004-12-09
WO2002099550A1 (en) 2002-12-12
ATE329300T1 (de) 2006-06-15
US7213174B2 (en) 2007-05-01
DE60212121D1 (de) 2006-07-20
GB0113659D0 (en) 2001-07-25
EP1393141A1 (de) 2004-03-03

Similar Documents

Publication Publication Date Title
DE60212121T2 (de) Erzeugung von prozessverwandten daten
DE102006046870B4 (de) Prozessmodellidentifizierung in einem Prozesssteuersystem
EP1250632B1 (de) System und verfahren zur ermittlung der produktionsanlagen-effektivität, von fehlerereignissen und der fehlerursachen
DE60206884T2 (de) Gemeinsame Benutzung von Daten iner Prozessanlage
DE10223725A1 (de) Verschmelzung von Prozeßleistungsüberwachung mit Prozeßausrüstungsüberwachung und -steuerung
US20050015217A1 (en) Analyzing events
DE112019002030T5 (de) Qualitätsüberprüfungs-Verwaltungssystem mit konfigurierbaren Ausnahmeregeln
US20050043922A1 (en) Analysing events
WO2004034166A1 (de) Vorrichtung und verfahren zur überwachung einer mehrere systeme umfassenden technischen anlage, insbesondere einer kraftwerksanlage
DE112004000432T5 (de) Generierung von Daten für die Kennzeichnung des betrieblichen Zustands von Maschinen
EP3077878B1 (de) Computer-implementiertes verfahren und system zur automatischen überwachung und statusermittlung ganzer prozessabschnitte in einer process unit
DE102007046962A1 (de) Aktualisierung und Einsatz dynamischer Prozesssimulation im laufenden Betrieb einer Prozessumgebung
JP2010506253A (ja) 多変量統計解析を用いたプロセスの監視および診断
WO2022171788A1 (de) Vorhersagemodell zum vorhersagen von produktqualitätsparameterwerten
WO2019226846A1 (en) Competency gap identification of an operators response to various process control and maintenance conditions
EP2971768B2 (de) Entwicklung eines uebergeordneten modells
EP4193227A1 (de) Vorrichtung und verfahren zur erkennung von anomalien in einer industriellen anlage zur ausführung eines produktionsprozesses
EP3686697A1 (de) Regleroptimierung für ein leitsystem einer technischen anlage
Donauer et al. Nonconformity root causes analysis through a pattern identification approach
WO2005029206A1 (de) Verfahren zur automatischen ableitung von instandhaltungsempfehlungen
Pang et al. A simulation-based expert system for process diagnosis
JP2024512504A (ja) 共有データによって誘導される生産プロセスの改善
Boekhoudt Variation reduction through PMC integration and evaluation
EP4293453A1 (de) Verfahren zum optimieren, vorhersagen oder bewerten einer technischen anlage
WO2023117410A1 (de) Analysevorrichtung zur erfassung von fertigungsanlagen und zur prozessüberwachung

Legal Events

Date Code Title Description
8364 No opposition during term of opposition