[发明专利]识别技术设施的过程异常的方法和相应的诊断系统

说明书

本发明涉及一种用于更好地识别技术设施的过程异常的方法和诊断系统，首先在使用历史过程数据作为设施的良好状态的情况下训练出自组织映射，其中良好状态用于测定时间顺序或相关的节点的路径以及神经元的命中容差，测定并存储用于良好状态的欧氏距离的阈值，并且借助所训练的自组织映射评估设施的、状态向量形式的当前过程数据，检查当前状态向量与命中神经元的欧式距离是否超过阈值，只要阈值没有在用命中的神经元进行检查时被超过，借助测定出的路径测定出应命中的神经元，并且，从当前状态向量和命中的神经元或者应命中的神经元中测定出征兆向量。如果可选地连同路径还存储节点的命中数量，则可以测定出与良好状态的时间偏差。

技术领域

本发明涉及一种用于识别技术设施的过程异常的方法以及相应的诊断系统，其中，借助所谓的“自组织映射”完成对过程异常的识别。

背景技术

在制造技术和过程技术的设施中，生成、评估模拟的和数字的信号并将其归档。为了评估历史数据，公知许多不同的方法，如神经元网络、支持向量机(SVM)或者自组织映射(self-organizing maps，SOM)。

自组织映射非常适合对历史数据中的状态进行分类。在运行期间能够识别出与正常过程状态的偏差或异常，并且(依据数据库)对故障状态进行分类。如果在一个设施中存在已知的良好状态，那么这些状态可以被用来教导自组织映射。借此能够利用自组织映射在持续运行中识别出偏差。例如在EP2472440B1中描述了利用SOM对设施进行监控。

在识别出偏差以后，对于起因寻找(根本原因分析)有用的是：测定出各个测量位置与良好状态的偏差并且从中形成征兆向量。征兆向量可以作为起因寻找的基础。例如EP2587329B1就描述了一种可能的、用于由征兆向量测定出起因的方法。

在使用这些公知的方法或者系统时主要出现两大缺点：

为了避免关键的设施状态，重要的是及早识别出与正常过程行为的偏差。自组织映射在它们的节点中形成许多不同的设施状态，尤其是在动态过程中。因此可能出现以下情形，其中偏离于其正常状态的状态与其他的设施状态类似。这些情形在这里简称为偏差，它们不能或者要较晚才能由公知的方法或者诊断系统识别出来。

此外，利用公知的方法或系统不可能可靠地找到起因，因为在发生故障的情况下不是总能借此准确地测定出征兆向量。此外，也无法识别出时间表现的偏差。

发明内容

本发明基于以下目的，提供一种用于更好地识别技术设施的过程异常的方法以及一种相应的诊断系统，其中，尽量避免上述缺点。

本发明基本上涉及一种用于更好地识别技术设施的过程异常的方法和诊断系统，其中，首先通过使用历史过程数据作为设施的良好状态训练出自组织映射，其中，良好状态被用于测定时间顺序或命中节点的路径以及神经元的命中(Treffer)的容差，并且其中，测定并存储用于这些良好状态的欧氏距离的阈值，并且其中借助训练出的自组织映射评估状态向量形式的、设施的当前过程数据，其中，检查当前状态向量到命中神经元的欧式距离是否超过阈值，其中，只要阈值没有在利用命中神经元进行检查时被超出，借助测定出的路径测定出应该命中的神经元，并且其中，由当前状态向量和命中神经元或应该命中的神经元来测定出征兆向量。如果可选地与路径一起还存储了节点的命中数量，那么就可以测定出与良好状态的时间上的偏差。

优点主要在于及早地并且可靠地识别出与正常状态的偏差、额外的可能性和准确地测定出征兆向量以更好地找到故障起因。

附图说明

下面借助在附图中示出的实施例更详尽地阐述本发明。

图中示出：

图1是一种自组织映射，用于阐述根据本发明的方法，以及

图2是一个示意图，用于阐述根据本发明的诊断系统。

具体实施方式