用于监控工艺技术设施的部件的状态的方法和装置制造方法及图纸

本发明专利技术涉及用于监控工艺技术设施的部件的状态的方法和装置，工艺技术设施具有多个部件，部件的状态根据至少一个对于部件相关的传感器的过程变量来确定，并且为每个传感器记录和存储相应的数据集。由技术设施的数字流程示意图产生图表，数字流程示意图包含技术设施的结构和技术设施的部件以及作为附件信息的部件的功能以及部件的功能关联，在该图表中包括技术设施的部件作为节点和在部件之间的功能关联作为根据流程示意图的流动方向的作用线。在图表中节点被选择为目标节点。目标节点对应于部件，该部件的状态应借助ML算法监控。借助于如此训练的ML算法，显著地改进了部件的状态确定。确定。确定。

【技术实现步骤摘要】
用于监控工艺技术设施的部件的状态的方法和装置


[0001]本专利技术涉及一种用于监控工艺技术设施的部件的状态的方法以及一种相应的装置。此外，本专利技术涉及相应的计算机程序和计算机程序产品。

技术介绍

[0002]“状态监控(英语：Condition Monitoring)”的概念意味着，定期地或永久地借助传感器检测机器或机器部件的技术状态，并且分析所产生的传感器数据以用于进一步使用。传感器的有说服力的测量值大多是物理参量，如温度、压力、振动、湿度、液位等。
[0003]状态监控尤其用于过程工业的复杂的工艺技术设施的工艺技术部件。在这种情况下，术语“工艺技术”部件包括设施的不同机器或机组，例如容器、泵、阀、热交换器和他们彼此的连接，特别是管道。所有部件用于输送、分离、调温某些介质、使该某些介质反应，或者以其他方式在组成、类型或特性方面改变某些介质(例如是液体、气体或固体)。在工艺技术设施内的传感装置被设计用于检测过程变量，如温度、压力、液位等。
[0004]状态监控的最简单方式是，查看与设备关联的每个传感器测量值并且在异常方面分析，即，检查当前值是否在预设的边界值内，这意味着机器是正常的。如果当前值在边界值外，则设备不正常并且发送警报。
[0005]为了识别传感器数据中的异常，经常使用基于机器学习的方法。在所谓的“机器学习(英语：Machine Learning缩写为ML)”中，人造的计算机实施的系统从数据中学习模式和关联。以这种方式，在完成来自基于历史数据的实例的学习阶段之后，能够概括关联、识别异常值和未知模式。为此，算法基于训练数据或学习数据建立统计模型。如果机器学习算法(ML算法)被训练用于例如监控或预测工业设施中的工艺技术部件的行为，则必须预先将训练数据集提供给该算法。
[0006]在大的和复杂的工艺技术设施中，不同来源的传感器数据常常叠加。在许多情况下，机器学习模型的训练数据集包括与待监控部件的行为不相关的传感器数据：此外，借助于传感器记录的值大多具有噪声。这使得难以训练算法或模型，从而传感器数据的模式和关联经常难以被识别并且部件的监控导致错误的说明。
[0007]通过使用极大的数据集，特别是通过训练的改进，能够实现对借助机器学习的状态监控的改进。然而，这样大的数据量不总是存在的，而且用这样的数据集训练将相应地是费时和复杂的。通过手动选择在技术设施中针对部件的监控不需要的传感器的数据集，能够改进训练(以及还有评估)的质量。这不利地与高的工作耗费相联系。为此，经常出现的问题是，为了确定相关的传感器数据集经常需要关于技术设施的领域特定的知识。在没有充分概览技术设施中的工艺技术过程的情况下，数据分析领域上的专业化的人员在这种情况下依赖于与具有领域知识的人员的协作，除了工作耗费大以外，这对于许多人来说是巨大的额外成本，并且对于许多项目来说经常是不可实施的。

技术实现思路

[0008]本专利技术的任务在于，借助ML算法改进工艺技术设施的部件的状态监控，并且特别是减少在选择用于所使用的ML算法的训练数据集时的高工作耗费。
[0009]本专利技术基于以下认识，即如果在学习ML模型时考虑由流程示意图预设的设施的结构，则用于技术设施的部件的状态监控的ML算法提供明显更好的结果。对此的前提仅是存在数字流程示意图。
[0010]根据本专利技术，由工艺技术设施的数字流程示意图产生图表，该数字流程示意图包括技术设施的结构连同其部件和作为附加信息的部件的功能和功能关联，在该图表中根据由流程示意图预设的附加信息和关联包括技术设施的部件作为节点和在部件之间的功能关联作为根据流程示意图的流动方向的作用线。在图表中，节点被选择为目标节点。目标节点对应于部件，该部件的状态应借助ML算法监控。随后，根据规则和/或度量得出先前选择的目标节点的输入节点和输入节点的对于监控待监控的部件相关的传感器数据集。输入节点的相关传感器的数据集用作为输入数据以训练目标节点的ML算法。借助ML算法的输出数据、结果来得出待监控的部件的状态。
[0011]本专利技术的主要优点在于，通过有针对性地预设用于ML算法的仅面向设备的结构的输入数据集，明显改进了ML算法训练质量，并且在技术设施的部件的状态监控时显著改进了ML算法的使用。在此，不需要关于技术设施的领域特定的知识。通过预设规则和/或度量，省去了麻烦地手动选择相关的传感器数据集。该方法能够在选择待监控的部件(该部件在图表表示中表示为目标节点)之后主要自动化地运行，并且快速和可靠地提供ML算法的输出数据。通常ML算法的结果将是至少一个过程变量，该过程变量表征技术设施的部件的状态。
[0012]在特别有利的实施变型方案中，用户能够自己确定、即预设或选择规则和/或度量。这允许应用的高灵活性。例如可想到，用户根据图形用户界面的菜单为目标节点与输入节点之间的关系选择特定度量。或者能够借助输入菜单输入输入节点的由特定的传感器检测的过程变量。该实施变型方案允许用户优化方法，因为能够输入不同的一系列度量或不同的规则，以便评估ML算法的计算结果。
[0013]在根据本专利技术的方法的另外的有利的实施变型方案中，每个传感器的数据集要么对应于过程变量的测量值要么对应于过程变量的仿真值。过程变量的测量值的实时记录的数据集允许在技术设施的持续运行中对部件的状态监控。如果使用仿真的传感器数据集，则例如在技术设施调试之前能够使用根据本专利技术的方法。特别地，技术设施的数字孪生能够提供用于监控该设备的数据集，使得借助这些仿真数据集，能够在技术设施的运行外进行ML算法的学习。
[0014]在根据本专利技术的方法的另外的有利的实施变型方案中，事先或者在技术设施的持续运行中训练ML算法。提取所述训练的方法步骤允许改进的状态监控，因为实际的状态确定首先利用训练的算法实现，这导致更好的计算结果。
[0015]在此，特别有利的是，训练的时间范围是可设定的。因此用户能够自己检查ML算法何时提供最佳结果。
[0016]所描述的改进方案不仅涉及根据本专利技术的方法而且涉及装置。
[0017]此外，本专利技术的实现或所描述的改进方案能够通过计算机程序、特别是软件应用
来实现，当在计算机上实施该计算机程序时，利用能够通过计算机实施的程序代码指令实施方法。
[0018]本专利技术和/或每个所描述的改进方案也能够通过计算机程序产品来实现，计算机程序产品具有存储介质，在该存储介质上存储了计算机程序，该计算机程序实施本专利技术和/或改进方案。
[0019]计算机程序产品能够有利地传输到计算单元的工作存储器中，并且能够从那里借助于至少一个CPU实施。计算机程序产品有利地能够存储在数据存储器上，例如U盘、硬盘或CD
‑
ROM/DVD
‑
ROM，并且从那里能够在计算单元上检索或安装。
附图说明
[0020]下面根据在附图中示出的实施例更详细描述和解释本专利技术。
[0021]其中，分别以简化的示意图示出：
[0022]图1示出工艺技术设施的流程示意图的示例性本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于监控工艺技术设施的部件的状态的方法，该工艺技术设施具有多个在工艺技术方面互相连接的所述部件，其中，根据至少一个对于部件相关的传感器的过程变量来确定所述部件的状态，并且为每个所述传感器记录和存储相应的数据集，其特征在于，由所述技术设施的数字流程示意图产生图表，所述数字流程示意图包含所述技术设施的结构以及所述技术设施的部件和作为附加信息的所述部件的功能并且包含所述部件的功能关联，根据由所述流程示意图预设的附加信息和关联，所述技术设施的部件作为节点并且所述部件之间的功能关联作为根据所述流程示意图的流动方向的作用线被包括在所述图表中，选择与部件对应的节点作为目标节点，待借助ML算法监控该部件的状态，根据规则和/或度量来确定先前选择的目标节点的与监控待监控的部件相关的输入节点和所述输入节点的传感器数据集，将相关的传感器的数据集选择为输入数据以用于训练所述目标节点的ML算法，以及借助于所述ML算法的输出数据来确定待监控的部件的状态。2.根据权利要求1所述的方法，其特征在于，由用户预设或选择所述规则和/或度量。3.根据前述权利要求中任一项所述的方法，其特征在于，每个传感器的测量值的数据集对应于所述过程变量或所述过程变量的仿真值。4.根据前述权利要求中任一项所述的方法，其特征在于，所述ML算法的训练是提前执行的或在所述技术设施的持续运行...

【专利技术属性】
技术研发人员：康拉德，
申请(专利权)人：西门子股份公司，
类型：发明
国别省市：