本公开提供了用于预测和检测系统的子系统中的异常的系统、方法和计算机程序产品。示例方法可以包括(a)确定指示出子系统的操作性能的第一多个标签。标签可以从下列各项获得：(i)子系统中的多个传感器和(ii)系统中不位于子系统中的多个传感器。方法还可以包括(b)使用根据第一多个标签的历史值接受训练的自编码器来处理第一多个标签的测量值，以生成第一多个标签的估计值；(c)确定测量值与估计值之间的差异是否满足阈值；以及(d)如果差异满足阈值，则传输指示出子系统预计会经历异常的警报。报。报。
【技术实现步骤摘要】
【国外来华专利技术】用于预测制造过程风险的系统和方法
交叉引用
[0001]本申请要求于2019年9月11日提交的美国临时专利申请号62/899,081的优先权，该申请通过引用而全文并入于此。
技术介绍
[0002]制造者可以依靠定期和反应性维护的框架来管理其运营资产。这可能会导致延误生产带来的收入损失、关联于计划外维护行动的超额成本、资产寿命缩短、产品质量不佳，以及与现场暴露增加相关联的人员安全风险。
技术实现思路
[0003]本公开提供了用于预测和检测处理流水线的系统或子系统中的异常以提高处理流水线的可靠性的系统、方法和计算机程序产品。例如，处理流水线可以是包括钻井资产、精炼资产和管线资产(例如，泵、压缩机、热交换器和阀)的石油和天然气处理流水线。如本文所述的用于预测和检测异常的系统可以在一个或多个位置的一个或多个计算机上实现。计算机可以储存指令，这些指令在执行时致使计算机预测系统的子系统中的异常。
[0004]系统可以确定指示出子系统的操作性能的第一多个标签。第一多个标签可以包括来自子系统中的传感器的时间序列数据。第一多个标签可以附加地包括来自系统中不位于子系统中但仍然指示出子系统的操作性能的传感器的时间序列数据。例如，第一多个标签可以来自向子系统提供输入、从子系统接收输出或者以其他方式与子系统相关联的另一子系统。系统可以使用一种或多种机器学习方法来标识第一多个标签。例如，系统可以使用聚类算法从系统中的所有标签之中标识第一多个标签。确定第一多个标签可以被认为是特征选择操作。
[0005]系统可以使用自编码器处理第一多个标签的测量值。自编码器可以具有编码器，该编码器被配置用于根据测量值生成降维或压缩输出。自编码器可以附加地具有解码器，该解码器被配置用于根据降维或压缩输出生成第一多个标签的估计值。自编码器可以根据第一多个标签的历史值接受训练。
[0006]系统可以确定提供给自编码器的第一多个标签的测量值与自编码器生成的第一多个标签的估计值之间是否存在差异。如果测量值与估计值相同或相似，则系统可以确定子系统没有经历异常。另一方面，如果系统确定测量值与估计值之间的差异满足阈值，则系统可以确定子系统正在经历异常。系统可以传输指示出系统正在经历这样的异常的警报。
[0007]尽管许多制造实体依靠定期或反应性维护来管理运营资产，但上述系统可以通过使用来自数百到数千个传感器的数据以及标识该数据中的相关性来准确地预测故障并在处理流水线中的异常发生之前就检测到该异常。由于过程中的步骤可能是高度相互依赖的，因此由本文描述的系统标识的相关性可用于标识异常。此外，系统可以使用机器学习模型，所述机器学习模型可以根据新的故障事件接受重新训练，以随着时间的推移提高预测和检测准确度。最后，系统可以在资产、系统或子系统级别预测故障和检测异常，从而可以
使用户能够对处理流水线快速执行预测性维护，以保持安全、延长资产寿命、生产更高质量的产品以及避免代价高昂的停机时间。
[0008]本公开可以附加地提供使用户(例如，运营经理或工程师)能够交互和查看上述系统的输出的应用和用户界面。应用和用户界面可以附加地使用户能够监控、控制处理流水线中的资产，以及对其执行预测性维护。
[0009]这些应用和用户界面可以提供端到端解决方案，用于对处理流水线中预测或检测到的异常进行优先排序、调查和响应。
[0010]在一方面，本公开提供了一种用于预测系统的子系统中的异常的方法。该方法可以包括确定指示出子系统的操作性能的第一多个标签。第一多个标签中的每个标签可以包括数据序列，并且第一多个标签可以从下列各项获得：(i)子系统中的多个传感器和(ii)系统中不位于子系统中的多个传感器。该方法还可以包括通过(1)生成第一多个标签的测量值的压缩表示以及(2)将测量值的压缩表示解码成第一多个标签的估计值，使用自编码器处理所述测量值，其中自编码器已根据第一多个标签的历史值训练过。该方法还可以包括确定测量值与估计值之间的差异是否满足阈值，以及如果差异满足阈值，则传输指示出子系统预计会经历异常的警报。
[0011]在一些实现中，(a)包括使用无监督学习算法处理来自系统中的传感器的数据以生成多个标签组，所述多个标签组包括指示出子系统的操作性能的第一多个标签。在一些实现中，第一多个标签中的每个标签与第一多个标签中的至少一个其他标签或与子系统的操作性能相关联。在一些实现中，无监督学习算法是聚类算法。聚类算法可以是K均值聚类算法、余弦相似度算法、拓扑数据分析算法或基于层次密度的带噪声应用空间聚类(hierarchical density
‑
based spatial clustering of applications with noise，HDB
‑
SCAN)。
[0012]在一些实现中，(a)离线执行。
[0013]在一些实现中，方法还包括，在(c)之前，对测量值和估计值中的每一个施加权重。
[0014]在一些实现中，方法还包括在系统的操作期间动态地调整阈值。
[0015]在一些实现中，方法还包括确定相应标签的测量值与相应标签的估计值之间的差异是否满足标签阈值，以及如果差异满足标签阈值则传输警报。
[0016]在一些实现中，自编码器是深度神经网络或1类支持向量机(support vector machine，SVM)。
[0017]在一些实现中，历史数据包括在子系统中未发生故障的时间段内收集的数据序列。
[0018]在一些实现中，系统包括多个子系统。
[0019]在一些实现中，第一多个标签的测量值包括在预定回溯期期间收集的数据序列。在一些实现中，方法还包括动态地调整回溯期。
[0020]在一些实现中，方法还包括基于第一多个标签的测量值与第一多个标签的估计值之间的差异的大小为子系统生成风险评分。
[0021]在一些实现中，警报包括电子邮件或文本消息。在一些实现中，警报可以包括移动或web应用中的通知。在一些实现中，移动或web应用被配置用于使用户能够对子系统执行一个或多个纠正行动。
[0022]在一些实现中，方法还包括使用经过训练的机器学习算法来确定纠正子系统中的异常的行动。经过训练的机器学习算法可以已经根据历史人为行动和子系统的对应响应接受了训练。在一些实现中，方法还包括使用基于工程原理的基于规则的逻辑来确定纠正子系统中的异常的行动，以将标签测量中观察到的模式与子系统中的过程和设备的已知故障机制相关联。
[0023]在一些实现中，警报包括数值风险评分，所述数值风险评分指示出发生异常的可能性。数值风险评分可以至少部分地基于第一多个标签的测量值与第一多个标签的估计值之间的差异的大小。在一些实现中，警报包括数值风险评分，所述数值风险评分指示出发生异常的可能性。数值风险评分可以至少部分地基于差异超过阈值的程度。在一些实现中，警报包括第一多个标签中对警报贡献最大的标签的列表。
[0024]本公开的另一方面提供了一种包括机器可执行代码的非暂时性计本文档来自技高网...
【技术保护点】
【技术特征摘要】
【国外来华专利技术】1.一种用于预测系统的子系统中的异常的方法，包括：(a)确定指示出所述子系统的操作性能的第一多个标签，其中所述第一多个标签中的每个标签包括数据序列，并且其中所述第一多个标签从下列各项获得：(i)所述子系统中的多个传感器和(ii)所述系统中不位于所述子系统中的多个传感器；(b)通过(1)生成所述第一多个标签的测量值的压缩表示以及(2)将所述测量值的所述压缩表示解码成所述第一多个标签的估计值，使用自编码器处理所述测量值，其中所述自编码器已根据所述第一多个标签的历史值训练过；(c)确定所述测量值与所述估计值之间的差异是否满足阈值；以及(d)如果所述差异满足所述阈值，则传输指示出所述子系统预计会经历异常的警报。2.根据权利要求1所述的方法，其中(a)包括使用无监督学习算法处理来自所述系统中的传感器的数据以生成多个标签组，所述多个标签组包括指示出所述子系统的所述操作性能的所述第一多个标签。3.根据权利要求2所述的方法，其中所述第一多个标签中的每个标签与所述第一多个标签中的至少一个其他标签或与所述子系统的所述操作性能相关联。4.根据权利要求2所述的方法，其中所述无监督学习算法是聚类算法。5.根据权利要求4所述的方法，其中所述聚类算法是K均值聚类算法、余弦相似度算法、拓扑数据分析算法或基于层次密度的带噪声应用空间聚类(HDB
‑
SCAN)。6.根据权利要求1所述的方法，其中(a)离线执行。7.根据权利要求1所述的方法，还包括，在(c)之前，对所述测量值和所述估计值中的每一个施加权重。8.根据权利要求1所述的方法，还包括在所述系统的操作期间动态地调整所述阈值。9.根据权利要求1所述的方法，还包括确定相应标签的所述测量值与所述相应标签的所述估计值之间的差异是否满足标签阈值，以及如果所述差异满足所述标签阈值则传输警报。10.根据权利要求1所述的方法，其中所述自编码器是深度神经网络或支持向量机(SVM)。11.根据权利要求1所述的方法，其中所述历史数据包括在所述子系统中未发生故障的时间段内收集的数据序列。12.根据权利要求1所述的方法，其中所述系统包括多个子系统。13.根据权利要求1所述的方法，其中所述第一多个标签的所述测量值包括在预定回溯期期间收集的数据序列。14.根据权利要求13所述的方法，还包括动态地调整所述回溯期。15.根据权利要求1所述的方法，还包括基于所述第一多个标签的所述测量值与所述第一多个标签的所述估计值之间的所述差异的大小为所述子系统生成风险评分。16.根据权利要求1所述的方法，其中所述警报包括电子邮件或文本消息。17.根据权利要求1所述的方法，其中所述警报包括移动或web应用中的通知。18.根据权利要求17所述的方法，其中所述移动或web应用被配置用于使用户能够对...
【专利技术属性】
技术研发人员：莱拉，
申请(专利权)人：思睿人工智能公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。