用于检测和测量源自工业过程中使用的部件的信令中的异常的系统和方法与流程

技术特征：
1.一种用于通过监视源自工业过程(6)中使用的部件(5)的测量数据和/或过程参数(4)来检测工业设备或生产工厂(1)中设备故障(43)的异常或早期指示的方法，其特征在于以下步骤：借助于测量装置或传感器(2)来测量和/或监视工业过程(6)中使用的部件(5)的测量数据以及监视所述过程参数(4)，以及在所述工业过程(6)中使用的所述部件(5)正常运行的情况下在针对时间帧的测量和/或过程参数(4)中识别相等大小的时间帧(3)，所述测量和/或过程参数(4)包括多个测量参数/传感器参数(41)和/或过程变量(42)的参数值，针对所识别的相等大小的时间帧(3)中的每一个，将所述多个测量参数/传感器参数(41)和/或过程变量(42)的参数值(4)转换成可观察的二进制处理码(91/911)，以及将所述二进制处理码(91/911)分配给可存储马尔可夫链状态(821，822，
…
，82x)的序列，生成包括可定义数目的可变隐马尔可夫模型参数值(811，812，
…
，81x)的多维数据结构(81)，其中，借助于应用于具有所分配的二进制处理码(91)的所述可存储马尔可夫链状态(821，822，
…
，82x)的序列的机器学习模块(8)来确定所述多维数据结构(81)的可变模型参数(811，812，
…
，81x)，并且其中，通过基于所识别的相等大小的时间帧(3)的所述测量数据和/或所述过程参数(4)学习正常状态频率(82)来改变和训练所述多维数据结构(81)的可变隐马尔可夫模型参数(811，812，
…
，81x)，通过将具有所述可变隐马尔可夫模型参数值(811，812，
…
，81x)的经训练的多维数据结构(81/831，832，
…
，83x)应用于与所述多个测量参数/传感器参数(41)和/或过程变量(42)的参数值(4)具有相同的相等大小的时间帧(3)的预采样的二进制处理码(912)来对多个概率状态值(83)进行初始化和存储，通过对所存储的概率状态值(83)的对数结果值进行排序来确定异常得分(841)的对数阈值(84)，以及部署具有所述可变隐马尔可夫模型参数值(811，812，
…
，81x)的所述经训练的多维数据结构(81/831，832，
…
，83x)，以使用所述异常得分(841)的阈值(84)来监视来自工业设备或工厂(1)的新测量的以及确定的测量数据和/或过程参数(4)，以检测可能指示即将发生的系统故障的异常传感器数据值(43)，其中，为了在所述异常传感器数据值(43)下触发，所述新测量的以及确定的测量数据和/或过程参数(4)的所述概率状态值(83)的对数结果值(85)被生成，并基于所述异常得分(841)的所述对数阈值(84)与所存储的概率状态值(83)进行比较。2.根据权利要求1所述的用于检测工业设备或生产工厂(1)中设备故障(43)的异常或早期指示的方法，其中，基于应用于所述测量数据和/或所述过程参数(4)的阈值(92)来生成所述二进制处理码(91)。3.根据权利要求2所述的用于检测工业设备或生产工厂(1)中设备故障(43)的异常或早期指示的方法，其特征在于，所选择的时间帧(3)的带宽基于对所述阈值(92)的动态调节而被自动地调整。4.根据权利要求1至3中的一项所述的用于检测工业系统中设备故障的异常或早期指示的方法，其特征在于，异常时间帧(31)跨同一工业生产线(11)的许多资产进行测量，其中，为了在所述异常得分(841)下触发，所述异常时间帧被应用于工厂停机时间的根本原因分析，并且基于工厂停机时间(12)的所述根本原因分析来生成维护服务信令。
5.根据权利要求1至4中的一项所述的用于检测工业设备或生产工厂(1)中设备故障(43)的异常或早期指示的方法，其特征在于，所述机器学习模块(8)通过应用最大似然参数估计来处理所分配的二进制处理码(91)的序列，以训练具有所述可变隐马尔可夫模型参数(811，812，
…
，81x)的所述多维数据结构(81)，其中，马尔可夫链的可存储参数状态(821，822，
…
，82x)的序列的元素被假定为彼此独立的测量，并且其中，通过使概率的乘积最大化来改变所述多维数据结构(81)的模型参数，以便获得所述多维数据结构(81)的经训练的模型参数(831，832，
…
，83x)。6.根据权利要求5所述的用于检测工业设备或生产工厂(1)中设备故障(43)的异常或早期指示的方法，其特征在于，迭代地改变所述多维数据结构(82)的模型参数，直到超过预定义的收敛阈值(86)。7.根据权利要求1至6中的一项所述的用于检测工业设备或生产工厂(1)中设备故障(43)的异常或早期指示的方法，其特征在于，为了确定所述异常得分(841)的所述阈值(84)，基于所识别的时间帧(31)的所述测量和/或过程参数(4)的发生警报事件(61)的不同频率来应用平均过程。8.根据权利要求1至7中的一项所述的用于检测工业设备或生产工厂(1)中设备故障(43)的异常或早期指示的方法，其特征在于，为了确定所述异常得分(841)的所述阈值(84)，使用模式识别来针对相等大小的所识别的时间帧(31)中的每一个生成频率模式(612)，以初始化可存储参数状态(821，822，
…
，82x)的多个马尔可夫链序列，其中，每个可存储参数状态(821，822，
…
，82x)是所述多个测量数据和/或过程参数(4)的函数，其中，借助于所应用的模式识别，确定可存储参数状态(821，822，
…
，82x)的多个序列中的每个序列的加权因子和/或平均值和/或方差，并且从所使用的一组相等大小的所识别的时间帧(3)中去除不相关的时间帧。9.根据权利要求1至8中的一项所述的用于检测工业设备或生产工厂(1)中设备故障(43)的异常或早期指示的方法，其特征在于，生成作为数字信号或脉冲的选通信号，从而提供适当的时间窗，其中，从所述测量数据和/或所述过程参数(4)的许多测量的时间帧(3)中选择新测量的测量数据和/或过程参数(4)的发生的异常时间帧(31)，并且正常时间帧会被消除或丢弃，并且其中，对发生的异常时间帧(31)的选择触发适当的信令生成以及到所分配的警报(15)和/或监视(13)和/或控制/操纵装置(14)的转换。10.根据权利要求1至9中的一项所述的用于检测工业设备或生产工厂(1)中设备故障(43)的异常或早期指示的方法，其特征在于，基于所检测到的新测量的测量数据和/或过程参数(4)的发生的异常时间帧(31)生成电子控制和操纵信令，其中，对至少一个发生的异常时间帧(31)的选择触发所述适当的信令生成和转换，以借助于控制/操纵装置(14)调节所述工业设备和/或生产工厂(1)或部件(5)的操作。11.一种用于通过监视源自工业过程(6)中使用的部件(5)的测量数据和/或过程参数(4)来检测工业设备或生产工厂(6)中设备故障(43)的异常或早期指示的系统(7)，其特征在于：系统(7)包括传感器或测量装置(2/13)和检测装置，所述传感器或测量装置(2/13)用于测量工业过程(6)中使用的部件(5)的所述测量数据和/或所述过程参数(4)，所述检测装置用于在所述工业过程(6)中使用的所述部件(5)正常运行的情况下在针对时间帧的测量
数据和/或过程参数(4)中识别相等大小的时间帧(3)，所述测量数据和/或所述过程参数(4)包括多个测量参数/传感器参数(41)和/或过程变量(42)的参数值，所述系统(7)包括微分器(9)，所述微分器(9)用于针对所识别的相等大小的时间帧(3)中的每一个，将所述多个测量参数/传感器参数(41)和/或过程变量(42)的所述参数值(4)转换成可观察的二进制处理码(91/911)，以及将所述二进制处理码(91/911)分配给可存储马尔可夫链状态(821，822，
…
，82x)的序列，所述系统(7)包括机器学习模块(8)，所述机器学习模块(8)用于生成包括可定义数目的可变隐马尔可夫模型参数值(811，812，
…
，81x)的多维数据结构(81)，其中，借助于应用于具有所分配的二进制处理码(91)的所述可存储马尔可夫链状态(821，822，
…
，82x)的序列的机器学习模块(8)来确定所述多维数据结构(81)的可变模型参数(811，812，
…
，81x)，并且其中，通过基于所识别的相等大小的时间帧(3)的所述测量数据和/或所述过程参数(4)学习正常状态频率(82)来改变和训练所述多维数据结构(81)的所述可变隐马尔可夫模型参数(811，812，
…
，81x)，所述机器学习模块(8)包括如下装置，所述装置用于通过将具有所述可变隐马尔可夫模型参数值(811，812，
…
，81x)的经训练的多维数据结构(81/831，832，
…
，83x)应用于与所述多个测量参数/传感器参数(41)和/或过程变量(42)的参数值(4)具有相同的相等大小的时间帧(3)的预采样的二进制处理码(912)来对多个概率状态值(83)进行初始化和存储，所述机器学习模块(8)包括如下装置，所述装置用于通过对所存储的概率状态值(83)的对数结果值进行排序来确定异常得分(841)的对数阈值(84)，以及所述机器学习模块(8)包括如下装置，所述装置部署具有所述可变隐马尔可夫模型参数值(811，812，
…
，81x)的所述经训练的多维数据结构(81/831，832，
…
，83x)，以使用所述异常得分(841)的所述阈值(84)来监视来自工业设备或工厂(1)的新测量的以及确定的测量数据和/或过程参数(4)，以检测可能指示即将发生的系统故障的异常传感器数据值，其中，为了触发异常传感器数据值(43)，新测量的测量和/或过程参数(4)的所述概率状态值(83)的对数结果值(85)被生成并基于所述异常得分(841)的所述对数阈值(84)与所存储的概率状态值(83)进行比较。

技术总结
本发明涉及用于检测源自工业过程中使用的部件的传感器数据中的异常的方法和系统。异常检测步骤包括：(i)从部件或一组部件获得过程和警报/故障数据；(ii)学习异常操作或警报/故障的典型频率；(iii)将新数据与所学习的正常操作进行比较；以及(iv)基于可以被调整的阈值来识别为异常。本发明还提供了该应用特有的新颖的、自动化的且高效的警报监视、检测和可视化。视化。视化。


技术研发人员：阿莉森
受保护的技术使用者：布勒有限公司
技术研发日：2020.01.30
技术公布日：2021/9/28