确定设施控制回路部件的状态的基于机器学习的直接方法技术

本发明专利技术公开了一种经训练的机器学习算法，该经训练的机器学习算法处理时间序列生产数据。该时间序列生产数据表示设施控制回路内的控制过程。使用表示设施控制回路内的部件的正常操作的正训练数据和表示设施控制回路内的部件的异常操作的负训练数据来训练经训练的机器学习算法。经训练的机器学习算法的输出识别设施控制回路中的异常。别设施控制回路中的异常。别设施控制回路中的异常。

【技术实现步骤摘要】
【国外来华专利技术】确定设施控制回路部件的状态的基于机器学习的直接方法


[0001]本公开涉及确定设施控制回路部件的状态的基于机器学习的直接方法，并且在一个实施方案中，但不通过限制，涉及确定工业控制回路部件的状态的基于卷积神经网络(CNN)的直接方法。
[0002]相关申请
[0003]本申请要求美国序列申请号63/045,751的优先权，其内容全文以引用的方式并入本文。

技术介绍

[0004]控制阀越来越多地被认为是诸如工业工厂的任何设施中的重要资本资产。由于它们的重要性，因此这些控制阀应该被定期地监控和维护。适当维护的控制阀有助于降低过程可变性并提高产品质量，这又提高了工厂或其他设施的总效率。尽管有此类监测和维护，但由于阀非线性，控制阀仍可能遭受控制不良性能。此类非线性包括粘滞、滞后、静区和死区。控制回路中的这些非线性引起振荡，这导致产品质量变化、设备磨损加速以及控制系统不稳定。
[0005]在若干阀非线性中，阀粘滞在许多情况下是特别关注的。阀粘滞是阀杆抵抗移动或不能对来自控制器的输出信号作出响应的情况。粘滞是弹簧隔膜致动的控制阀中的特本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种方法，包括：由计算机处理器访问表示设施控制回路内的控制过程的时间序列生产数据集；由所述计算机处理器使用经训练的机器学习算法处理所述时间序列生产数据集，所述经训练的机器学习算法使用表示所述设施控制回路内的部件的正常操作的正训练数据和表示所述设施控制回路内的部件的异常操作的负训练数据来训练；由所述计算机处理器基于所述经训练的机器学习算法的输出来识别所述设施控制回路中的一个或多个异常；以及由所述计算机处理器向计算机显示设备传输指示所述一个或多个异常的信号。2.根据权利要求1所述的方法，还包括：根据所述一个或多个异常的所述识别，向所述计算机显示设备传输指示用于解决所述一个或多个异常的一个或多个动作的信号。3.根据权利要求1所述的方法，其中所述经训练的机器学习算法包括卷积神经网络(CNN)。4.根据权利要求1所述的方法，还包括：由所述计算机处理器基于所述经训练的机器学习算法的所述输出来识别所述时间序列生产数据集中的数据尖峰以及所述数据尖峰在所述时间序列生产数据集中的位置。5.根据权利要求1所述的方法，还包括：由所述计算机处理器基于所述经训练的机器学习算法的所述输出来识别由于外部因素引起的振荡控制回路。6.根据权利要求1所述的方法，包括：由所述计算机处理器处理所述时间序列生产数据集，所述处理识别分布式计算机资源系统中的一个或多个异常；收集识别所述一个或多个异常的输入；以及基于所述输入重训练所述经训练的机器学习算法。7.根据权利要求1所述的方法，还包括：由所述计算机处理器基于所述经训练的机器学习算法的所述输出来执行所述时间序列生产数据集的分类，所述时间序列生产数据集的多分类识别所述一个或多个异常是否包括部件故障、部件调谐问题、过程噪声或测量噪声中的一者或多者。8.根据权利要求1所述的方法，还包括：由所述计算机处理器将所述时间序列生产数据集置于向量中；使用所述经训练的机器学习算法来处理所述向量；以及使用所处理的向量识别所述一个或多个异常。9.一种设备，包括：一个或多个处理器；存储器；和存储在存储器中的一个或多个程序，所述一个或多个程序包括用于执行方法的指令，所述方法包括：由计算机处理器访问表示设施控制回路内的控制过程的时间序列生产数据集；由所述计算机处理器使用经训练的机器学习算法处理所述时间序列生产数据集，所述经训练的机器学习算法使用表示所述设施控制回路内的部件的正常操作的正训练数据和表示所述设施控制回路内的部件的异常操作的负训练数据来训练；由所述计算机处理器基于所述经训练的机器学习算法的输出来识别所述设施控制回路中的一个或多个异常；以及由所述计算机处理器向计算机显示设备传输指示所述一个或多个异常的信号。
10.根据权利要求9所述的设备，还包括：根据所述一个或多个异常的所述识别，向所述计算机显示设备传输指示用于解决所述...

【专利技术属性】
技术研发人员：S，
申请(专利权)人：霍尼韦尔国际公司，
类型：发明
国别省市：