用于过程单元中的全部过程区段的自动的监视和状态确定的计算机实现的方法和系统技术方案

本发明专利技术涉及用于过程单元中的全部过程区段的自动的计算机实现的监视和状态确定的方法和系统。在学习阶段的范围中作为良好状态计算或者训练基于神经网络的模型并且紧接着监视或者诊断过程区段并且显示设施部件的状态。

【技术实现步骤摘要】
【国外来华专利技术】用于过程单元中的全部过程区段的自动的监视和状态确定的计算机实现的方法和系统
本专利技术涉及用于过程单元中的全部过程区段的自动的计算机实现的监视和状态确定的方法和计算机实现的系统。
技术介绍
在越来越异构的系统蓝图以及设施的不断上升的自动化程度的背景下，创新的辅助系统以及工厂资产管理（PlantAssetManagement，PAM）解决方案对于操作者来说变得越来越重要。在此，仪器、设备和过程单元的自动化技术的监视和诊断适合担当关键角色。现代的工厂资产管理的中心的目标设定在于通过现场设备和设施组件的状态监视（资产监视（AssetMonitoring））来提高设施可用性和设施利用。在设备层面上在许多情况下已经存在资产状态信息。例如在许多企业中已经很大程度上设立了所谓的智能现场设备。同样，在更复杂的机器和仪器、比如泵或热交换器的层面上状况监视系统已经被提供并且是可用的[Mühlenkamp,S.,Geipel-Kern,A.:PlantAssetManagement:InderDiagnosemechanischerAssetsschlummertungenutztesPotenzial,PROCESS,(2011)Nr.3,36-38]。但是这里对于应用者来说也强制性地需要状态信息的胜任任务的压缩。对于已经简单的仪器集群和全部的子设施的监视和诊断来说大量信息、如测量参量和调整参量按照标准已经可用于过程管理。不过，应用者经常不具有完整地利用信息的可能性。为了这里及早地获得关于缓慢的恶化过程的提示，自动化的压缩及其为了能够实时地评估资产健康与当前的企业状态的均衡适合担当关键角色[Ross,T,.Ochs,S.,Frey,C.W.:NeueSoftwarezurÜberwachung"nichtintelligenter"Anlagenteile–Teil1,ChemieTechnik,(2011)Ausgabe11,S.18-20]。因为只有基于这种安全的认识，例如在前瞻性的维护以及生产和停工规划的意义上，预测以及最后合适的措施的导出才是可能的。可靠的资产状态信息因此形成多样的以及不同的、对于商业成功来说重要的公司决定的基础。
技术实现思路
因此存在开发用于监视过程技术上相关联的设施部件（过程单元）的系统和方法的任务，所述系统和方法能够在没有巨大的工程耗费以及建模耗费的情况下基于存在的用于企业的资产监视的现场仪表被利用，给应用者示出可靠的以及能够简单且快速操纵的监视工具，其中每个过程单元的资产状态信息自动地被压缩并且聚合地以简单的形式被示出。超出智能现场设备的层面的资产状态信息应当也由“非智能”设施部件以及由工艺企业的子设施提供。为此，所述任务在于提供一种技术软件解决方案，所述技术软件解决方案实现：自动地在该方法期间确定阈值设定以及因此良好状态及其偏差之间的区别。在本申请的意义上是借助于传感器和/或诊断软件自我监视的智能现场设备。过程技术上相关联的设施部件的监视通过计算机实现的用于监视包括一个或多个过程单元的过程技术上相关联的设施部件的方法被解决，所述方法包括下列步骤：在步骤a）中施加M个要监视的过程参数及其测量范围极限。测量范围极限用于模型的参数化（参看[Frey,C.W.:ProzessdiagnoseundMonitoringfeldbusbasierterAutomatisierungsanlagenmittelsselbstorganisierenderKartenundWatershed-Transformation,at-Automatisierungstechnik56(2008)Nr.7,S.374-380]）。输入通常通过用户接口进行。输入被存储在用于定义过程单元的模块中。在步骤b）中由潜在的学习向量构成的学习数据阶段被导入到数据库模块中。学习数据阶段通常从过程控制系统的过程数据库中被导入。这些学习数据阶段由潜在的学习向量构成，所述学习向量分别通过来自步骤a）的M个过程参数的实际值、额定值和/或调整值以及时间戳t来定义。来自过程数据库的学习数据阶段的传输通过数据接口（OPC，SQL）进行；所导入的学习数据阶段被存储在数据库模块中。数据库模块此外与基于神经网络的模型模块连接。在步骤c）中在数据库模块中从来自b）的学习数据阶段中选择N个学习向量。该选择典型地由用户通过用户接口进行。在步骤d）中来自步骤c）的所选择的学习向量自动地被传输到模型模块中。利用这些学习向量全自动地借助于数据驱动的算法创建基于神经网络的模型。为此，每个学习向量迭代地被分配给具有到所述学习向量的最小距离的神经元，直至神经元形成自组织神经元图谱（为此参看http://en.wikipedia.org/wiki/Self-organizing_map,Frey,C.W.:ProzessdiagnoseundMonitoringfeldbusbasierterAutomatisierungsanlagenmittelsselbstorganisierenderKartenundWatershed-Transformation,at-Automatisierungstechnik56(2008)Nr.7,S.374-380）。被这样训练的模型反映要监视的设施部件的良好状态（参考）。在步骤e）中自动地计算模型的下列特征（参看图7）：●作为学习向量的每个过程参数值与被分配给所述学习向量的最佳匹配单元（=具有最小距离的神经元）的相应的过程参数值的距离的偏差误差，●对于N个学习向量中的每个学习向量，作为其M个过程参数的偏差误差的总和的总偏差误差，作为结果得出余数。为此计算N个学习向量中的每个学习向量的所有M个过程参数的偏差误差，即在矩阵中以数字的方式计算MxN个偏差加上N个总偏差误差。在步骤f）中将来自步骤e）的N个总偏差误差传输到用于分析偏差误差的模型中。在该模型中，N个总偏差误差的最小值和最大值自动地被计算。N个总偏差误差的最小值和最大值给定良好状态的概括性的简单的定义，借助所述良好状态可以保证设施的稍后的监视。此外有利的是，总偏差误差考虑：在必要时不仅仅一个过程参数单独地而是过程参数的组合描述过程单元的实际的良好状态。在一种优选的实施方式中此外针对总偏差误差自动地计算以及设定至少一个阈值。在该特别的实施方式中，所述方法包括用于自动设定阈值的下列另外的步骤：●总偏差误差的所确定的值范围用作总偏差误差的直方图的基础。所述值范围被细分成10至100、优选地15至75、特别优选地50个等距的（值范围）段。●学习向量的总偏差误差自动地被分类到所述段中。基础阈值（参看图2）利用下列步骤自动地被设定：基础阈值=第一段支点，对于所述段支点适用：最高的总偏差误差的≥5至15%、优选地≥15%处于从最大值出发的段之内（参看图2）。在此，另外的条件适用于基础阈值：基础阈值必须处于从最大值出发的所述段的最上面的7/10个段的范围中、即在划分成50个段的情况下处于本文档来自技高网...

【技术保护点】
用于监视包括一个或多个过程单元的过程技术上相关联的设施部件的计算机实现的方法，所述方法具有下列步骤：在步骤a）中，要监视的M个过程参数及其测量范围极限在用户接口中被输入并且被转发到用于定义所述过程单元的模型，在步骤b）中，由潜在的学习向量构成的学习数据阶段被导入到数据库模块中，在步骤c）中，在所述数据库模块中来自b）的学习阶段中的N个学习向量通过所述用户接口交替地自动地根据来自步骤a）的测量范围极限被选择，在步骤d）中，来自步骤c）的学习向量从所述数据库模块被传输到与所述数据库模块连接的模型模块中；在所述模型模块中通过如下方式产生基于神经网络的模型，即，将每个学习向量分配给通过其M个过程参数定义的最佳匹配单元并且使所述最佳匹配单元适配于自组织神经元图谱中的学习向量，在步骤e）中，所述模型的下列特征自动地被计算：●针对N个学习向量中的每个学习向量，作为学习向量的每个过程参数值与被分配给所述学习向量的最佳匹配单元的相应的过程参数值的距离的偏差误差，●针对N个学习向量中的每个学习向量，作为所述每个学习向量的M个过程参数的偏差误差的总和的总偏差误差，在步骤f）中，来自步骤e）的每个学习向量的总偏差误差被传输到用于分析所述偏差误差的模块中并且在那里所计算的N个总偏差误差的最小值和最大值自动地被确定，在步骤g）中，为了监视所述过程单元，进行被在线监视的M个过程参数在时间戳t作为所述过程单元关于时间的监视向量到所述数据库模块中的自动传输，随后将所述监视向量传输到所述模型模块中，在步骤h）中，在所述模型模块中通过将所述监视向量的过程参数值与来自步骤c）的神经元图谱（SOM）的每个神经元的过程参数值相比较以及基于最小的距离进行选择来进行来自步骤g）的每个监视向量向所述神经元图谱的最佳匹配单元的自动分配，在步骤i）中，进行所述监视向量的偏差误差和总偏差误差的计算，在步骤j）中，所述监视向量的总偏差误差被传输到用于分析所述偏差误差的模块中，以与来自f）的所计算的N个总偏差误差的最小值和最大值相比较的方式被分配并且所述分配通过所述用户接口被显示。...

【技术特征摘要】
【国外来华专利技术】2013.12.05 EP 13195897.71.用于监视包括一个或多个过程单元的过程技术上相关联的设施部件的计算机实现的方法，所述方法具有下列步骤：
在步骤a）中，要监视的M个过程参数及其测量范围极限在用户接口中被输入并且被转发到用于定义所述过程单元的模型，所述要监视的M个过程参数及其测量范围极限用于定义要监视的一个或多个过程单元的良好状态，
在步骤b）中，由学习向量构成的学习数据阶段被导入到数据库模块中，
在步骤c）中，在所述数据库模块中来自b）的学习数据阶段中的N个学习向量通过所述用户接口或者来自所述学习数据阶段的N个学习向量自动地根据来自步骤a）的测量范围极限被选择，
在步骤d）中，来自步骤c）的学习向量从所述数据库模块被传输到与所述数据库模块连接的模型模块中；在所述模型模块中通过如下方式产生基于神经网络的模型，即，将每个学习向量分配给具有至所述学习向量的最小距离的最佳匹配单元，其中所述最佳匹配单元通过其M个过程参数定义并且最佳匹配单元形成自组织神经元图谱，
在步骤e）中，自动地计算模型中的个偏差误差和N个总偏差误差：
●针对N个学习向量中的每个学习向量，作为学习向量的每个过程参数值与被分配给所述学习向量的最佳匹配单元的相应的过程参数值的距离的偏差误差，
●针对N个学习向量中的每个学习向量，作为所述每个学习向量的M个过程参数的偏差误差的总和的总偏差误差，
在步骤f）中，来自步骤e）的每个学习向量的总偏差误差被传输到用于分析所述偏差误差的模块中并且在那里自动地确定所计算的N个总偏差误差的最小值和最大值，并且使用以下步骤自动设置至少一个阈值：
-通过最小值和最大值确定的值范围被细分成10至100个等距的段，
-所述学习向量的总偏差误差被自动分类到所述段中，
-其中所述阈值是第一段支点，对于所述第一段支点来说，最高的总偏差误差的≥5至15%处于从最大值出发的段之内并且所述阈值处于从最大值出发的段的最上面的7/10个段的范围中，
在步骤g）中，为了监视所述过程单元，所述过程单元关于时间的监视向量被自动传输到所述数据库模块中，其中所述监视向量用其在时间戳t处在线监视的M个过程参数定义，随后将所述监视向量传输到所述模型模块中，
在步骤h）中，在所述模型模块中通过将所述监视向量的过程参数值与来自步骤c）的神经元图谱（SOM）的每个最佳匹配单元的过程参数值相比较以及基于最小距离进行选择，将来自步骤g）的每个监视向量自动分配给所述神经元图谱的最佳匹配单元之一，

【专利技术属性】
技术研发人员：T罗斯，
申请(专利权)人：拜耳技术服务有限责任公司，
类型：发明
国别省市：德国;DE