[发明专利]基于模式的智能控制、监测及自动化的系统、方法和计算机程序

说明书

技术领域

本发明涉及控制、监测及自动化。更具体的来讲，本发明涉及基于模式的智能控制、监测及自动化。

背景技术

生产智能是一个正在兴起的新领域。生产智能旨在解决诸如监控操作过程以及对操作者进行事件提醒或报警此类的问题；查明事件的潜在原因，并给操作者提示可能的补救行动。

生产智能可以应用于任何包括一个或多个自相关或互相关数据的领域。制造业就属于这样的领域。在加工生产过程中(如油砂的开采、加工电路、炼油、延迟焦化、能源和公用事业、矿产和金属生产、发电、食品以及生物燃料的生产)，这些过程都是由本领域具有各自领域的知识的专家(如油砂厂操作员、化学家和地理学家)操作的。然而，生产制造过程可能非常复杂。它由许多各自有多个输入、状态和输出的子部分组成。一个加工过程中有500多个传感器实时记录温度、流量、压力、液位、pH值等，这是很常见的。

在过去十年中，传感器和无线技术的进步已使工艺工程师能获得以前得不到的数据。然而，将巨大的数据量变成有价值的信息非常具有挑战性。工艺工程师或工厂管理人员面临的挑战是要找到问题的根本原因，或者想办法改善生产过程，然而当前系统自己所产生的信息非常少。报告能显示出现的问题，但提供的原因分析却很少。由传感器和工艺参数之间复杂的相互作用所产生的数据量是巨大的。因此，一个人能理解在一个问题的几个方面，但几乎不可能有效地分析这样复杂的多元问题。

生产智能的现有技术包括神经网络、自组织映射、支持向量机、决策树、模式发现、模体识别、朴素贝叶斯和高斯混合模型(GMM)。

神经网络是一个黑箱方法，操作员无法弄明白为什么以及它如何进行分析和预测。因此，神经网络不能用于决策支持。它已经被用于自动控制，却不怎么成功。主要的问题是，神经网络很容易过拟合数据(比如记住系统中的噪声)，操作员却不知道问题所在。在实践中，对于操作者来说，确定由神经网络所产生的结果是否可信是非常困难的，因为它是一个黑箱，很难确定它是否过拟合。自组织映射(SOM)是神经网络的另一种类型。这是一个集群技术，把类似的数据点组织为集群。但是，产生的集群难以解析。此外，SOM不会虑及其模型生成的次数。

支持向量机是神经网络的变体。它已被证明比神经网络更准确。然而，黑箱和过拟合问题依然存在。决策树比神经网络和支持向量机透明。然而，决策树很容易变得非常大，因此它的解释对于操作员来说仍然非常具有挑战性。此外，决策树只能在监督学习环境下工作(每个数据点必须有一个类标签)。然而，许多生产过程天生就是无监督的。

模式发现已成功用于油砂处理十多年了。不过，它有两个主要问题。首先，它没有考虑到数据的任何时间信息。其次，它产生的模式的数量是巨大的。

模体识别最初是在基因和蛋白序列生物信息学中开发的。后来，它被用于了时间序列数据。模体识别主要用于如DNA和蛋白质序列的良好结构化数据。当应用到现实世界的传感器数据上时，它不能有效地处理噪声。此外，DNA和蛋白质丰富的先验知识，在复杂的制造领域通常是没有的。这限制了模体识别在生产智能中的使用。

朴素贝叶斯利用了一个简单的假设，即在给定目标传感器的条件下，所有传感器是相互独立的。因此，朴素贝叶斯速度非常快，内存效率高。然而，这不是很准确，误差取决于该假设被违反的程度。朴素贝叶斯具有与决策树同样的问题，就是它只在有监督学习环境中工作。

高斯混合模型(GMM)使用多个高斯内核处理数据。这也是一个黑箱方法，结果很难解析。此外，GMM很容易过拟合数据集。GMM的主要优点是它的计算效率。

发明内容

本发明提供了一种基于模式监测的计算机可执行的方法，该方法的步骤特点如下：(一)从一个或多个信号中采集信号数据，定义信号数据流；(二)将每个信号数据流转变为趋势，以及(三)基于信号数据内部和/或各个信号数据流之间的趋势，通过一个或多个计算机处理器发现模式或者使模式的发现更容易。

本发明还提供了一种基于模式监测的系统，该系统的特点包括：(一)数据收集工具，链接到一个或多个信号，该数据收集工具从信号中收集信号数据，定义信号数据流；及(二)数据挖掘工具，将每个信号数据流转化为趋势，并且基于信号数据内部和/或各个信号数据流之间的趋势来发现模式。

就此，在详细解释本发明的任何构成部分之前，我们要明白，就其应用，本发明不限于其构建细节和在下面说明中提出或在图纸上说明的其组件的安排设置。本发明很实用，可被其他组件使用，并以各种方式进行了实践。此外，本文使用的短语和术语均为方便描述，不应被视为限制。

附图说明