用于预测技术设施的运行的方法和系统技术方案

本发明专利技术涉及一种用于预测技术设施的运行的方法和相应设计的系统，在技术设施中运行具有至少一个过程步骤的方法工艺过程，其中将表征设施的运行并具有过程变量的值的数据集以与时间相关的方式获取并且存储在数据存储器中，并且在学习阶段使用历史数据集针对每个过程步骤或批次学习自组织映射(SOM)，针对每个自组织映射为每个神经元得出并存储症状阈值及其容差，并且针对每个过程步骤或批次为全部时间戳得出并存储胜利者神经元的全部允许的时间变化轮廓。本发明专利技术的特征在于，在评估阶段中确定时间点，从该时间点起应该进行对技术设施的运行的预测，然后在使用至少一个过程步骤的当前数据集的情况下，借助于已学习的胜利者神经元轮廓得出用于整个过程步骤或批次的至少一个胜利者神经元轮廓，并且在先前确定的时间点之后，将该胜利者神经元轮廓的神经元中存储的过程变量的值作为预测轮廓显示在输出单元上。通过预测未来的动态过程行为，本发明专利技术允许对技术设施的运行进行早期纠正干预。许对技术设施的运行进行早期纠正干预。许对技术设施的运行进行早期纠正干预。

【技术实现步骤摘要】
【国外来华专利技术】用于预测技术设施的运行的方法和系统


[0001]本专利技术涉及用于预测技术设施的运行的方法和相应的系统，在该技术设施中运行具有至少一个过程步骤的方法工艺过程。本专利技术还涉及相关的计算机程序和计算机程序产品。

技术介绍

[0002]工艺技术生产设施的运行受到大量工艺参数、运行参数、生产条件、设施条件和设置的影响。其中一些影响变量可以由设施操作员或自动化装置指定，其他变量不会受到影响但可以测量，并且仍然存在未知的影响。此外，该工艺通常非常复杂，因此无法提前知道更改可能影响的变量的效果。为了避免不利的运行条件，主要通过过程控制系统以及通常还通过附加系统对生产设施进行连续和全面的监控。较小的偏差可能只会导致质量损失，较大的偏差可能已经导致生产停机甚至带来安全风险。除了监控当前系统状态之外，通常还希望预测未来的行为，以便能够更早对即将发生的偏差做出反应。在技术设施的预测性维护领域还需要对未来过程行为的预测。
[0003]预测最简单的可能性是将当前行为外推到未来。根据过程动态，考虑最近的过去并推断未来。然而，许多过去的影响没有被考虑在内，因此结果通常没有意义。为了能够可靠地预测生产设施的行为，通常使用动态过程模型的模拟。通常，可用的质量只能通过严格的过程建模来实现。这些模型通常不是线性的，并且需要大量的动态变量。所需的建模通常非常复杂，这在许多应用中是不值得的。此外，过程模型必须扩展到包括系统模型、特别是自动化和控制模型，以便能够重现真实行为。总而言之，基于模拟的预测仅在少数应用中真正实现，即值得付出大量经济努力的应用。或者也可以基于数据来训练模拟模型。然而，现有的识别方法大多仅适用于线性动态模型。然而，这些只能令人满意地描述工作点附近的复杂过程。然而，基于数据的一般非线性动态模型的识别几乎是不可能的，因为如果没有模型的结构规范，则实际上存在无限种可能的变化。因此，基于数据的仿真模型的应用仅限于线性系统，线性系统至多通过单独的非线性进行具体扩展。

技术实现思路

[0004]因此，本专利技术的目的是提出一种用于预测动态、特别是不连续过程的技术设施运行的基于数据的方法和系统，其不需要复杂的非线性动态过程的复杂建模并且还具有高可靠性。由此出发，本专利技术的基本目的是提出合适的计算机程序、计算机程序产品和图形用户界面。
[0005]该目的通过独立权利要求1的特征来实现。另外，该目的通过根据权利要求10的计算机程序、根据权利要求11的计算机程序产品以及根据权利要求12的图形用户界面来实现。
[0006]可单独使用或彼此组合使用的本专利技术实施例是从属权利要求的主题。
[0007]假设过程的历史数据可用，根据本专利技术提出使用自组织映射(SOM)来预测未来的
动态过程行为。
[0008]自组织映射(SOM)是一种人工神经网络，由无监督学习过程训练，以便生成训练数据输入空间的二维离散映射，也被称为映射。这些映射可用于对高维数据的低维视图进行分类和可视化，例如在过程工业中发现的数据。该映射由特定拓扑中的神经元或节点组成(例如以矩阵形式排列的6
×
8神经元)。每个神经元对应于一个向量或维度为n
×
1的n元组，其中向量的维度例如对应于输入信号的数量n。向量的数据可以是例如温度、压力、湿度等过程变量并且是操纵变量、设定值或可测量的干扰变量，即与技术过程直接相关的所有变量，从而形成表征过程状态的数据集。因此，SOM代表过程行为的映射。如果使用“好数据”训练SOM，则它们代表过程的正常行为。但是，原则上也可以使用“坏数据”训练SOM以避免映射过程的错误行为。这意味着任何流程行为都可以用SOM表示。唯一的要求是学习数据能够代表运行期间发生的所有运行方法和事件。
[0009]基于学习的数据隐含地存在于SOM中的这种知识现在根据本专利技术用于预测过程的进程。这既适用于只有一个过程步骤的连续工艺，也适用于具有多个过程步骤的批量工艺，这些工艺可以根据标准ISA
‑
88以面向批量的方式运行，例如借助顺序功能控制(简称SFC)或步骤链。
[0010]因此，本专利技术涉及用于预测技术设施的运行的方法和系统，在该技术设施中运行具有至少一个过程步骤的方法工艺过程，其中，将表征设施的运行的并具有过程变量的值的数据集以与时间相关的方式获取并且存储在数据存储器中，并且在学习阶段中，在使用历史数据集的情况下，针对每个过程步骤或批次训练自组织映射(SOM)，针对每个SOM为每个神经元得出并且存储症状阈值及其容差，并且针对每个过程步骤或批次为全部时间戳得出并且存储胜利者神经元的全部允许的时间变化轮廓。本专利技术的特征在于，在评估阶段中确定时间点，从该时间点起要进行对技术设施的运行的预测，随后在使用至少一个过程步骤的当前数据集的情况下，借助于已学习的胜利者神经元轮廓得出用于整个过程步骤或批次的至少一个胜利者神经元轮廓，并且在先前确定的时间点之后，将该胜利者神经元轮廓的神经元中存储的过程变量的值作为预测轮廓显示在显示单元上。
[0011]根据本专利技术的方法和系统的优点是多方面的。一方面，如果例如在预测轮廓上可识别出与正常运行的偏差，则对未来动态过程行为的预测使得设施操作员能够在技术设施的运行的早期阶段采取纠正措施。另一方面，实际行为与预测行为之间的偏差使得更容易查找发生异常的原因。因此，该方法还可以与异常检测相结合。如果当前的数据集与SOM或胜利者神经元的过程不匹配，则当前的行为将偏离所学的行为。这可以报告为异常。
[0012]与严格的过程模型的模拟相比，完全消除了建模工作。有利的是，SOM的学习过程可以完全自动化，使得用户不必指定任何参数。与基于数据的线性动态模型相比，SOM还可以描述与曲线相关的复杂非线性行为。由于本专利技术特别适合于批量过程，因此其可以有利地在制药工业中用于药物或疫苗的生产。
[0013]权利要求1的各个步骤详细解释如下：
[0014]在学习阶段，在使用历史数据集的情况下，针对每个过程步骤或批次使自组织映射(SOM)学习：
[0015]在学习阶段中，针对自组织映射的每个神经元(＝节点)计算神经元的n元组(＝表征设施特定运行的、具有过程变量的相应值的数据集)，并将其存储在数据存储器中。学习
过程结束后，映射中的所有神经元都代表学习数据的典型状态，通常没有神经元与实际状态完全对应。神经元的n元组的值在学习阶段之后确定。映射的大小、即神经元的二维排列可以被预先限定，也可以在学习阶段期间被手动或自动优化和调整。第一步，可以随机初始化大量SOM，从其中选择最佳映射、即与每个神经元距离最小的映射，前提是所有神经元都被击中(术语“击中”意味着形成学习数据向量与神经元的数据集之间的差异的值。具有学习数据向量与神经元的数据集之间最小差异的神经元是“击中”神经元)。可以使用其他标准，例如训练数据中多次击中的最小数量。还可以使用迭代方法，其中许多SOM被初始化并随机教导映射大小，然后使用训练数据确定每个神经元的击中数。然后，根据击中次数，反复判断映射是否太大或太小。继续迭代，直到找本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种用于预测技术设施的运行的方法，在所述技术设施中运行具有至少一个过程步骤的方法工艺过程，其中，将表征设施的所述运行并具有过程变量(L、T、F、...)的值的数据集以与时间相关的方式获取并且存储在数据存储器中，其中，在学习阶段中，在使用历史数据集的情况下，
‑
针对每个过程步骤或批次训练自组织映射(SOM)，
‑
针对每个自组织映射为每个神经元得出并且存储症状阈值和所述症状阈值的容差，以及
‑
针对每个过程步骤或批次为全部时间戳得出并且存储胜利者神经元的全部允许的时间变化轮廓，其特征在于，
‑
在评估阶段中确定时间点(tp)，从所述时间点起进行对所述技术设施的所述运行的预测，
‑
随后，在使用至少一个所述过程步骤的当前数据集的情况下，借助于已学习的胜利者神经元轮廓得出用于整个过程步骤或批次的至少一个胜利者神经元轮廓，并且在先前确定的所述时间点(tp)之后，将胜利者神经元轮廓的神经元中存储的过程变量的值作为预测轮廓显示在显示单元(B)上。2.根据权利要求1所述的方法，其特征在于，在显示中将至少一个先前得出的所述胜利者神经元轮廓的症状容差用作为所述预测轮廓的不确定性。3.根据权利要求1或2所述的方法，其特征在于，借助在所述评估阶段中得出的多个胜利者神经元轮廓，通过得出该过程步骤或批次的全部先前的时间戳的症状，将所述胜利者神经元轮廓中可能性最大的胜利者神经元轮廓确定并且用于所述预测轮廓的所述显示。4.根据权利要求1、2或3所述的方法，其特征在于，借助于训练数据将量化误差得出以作为所述症状阈值的替代或者所述症状阈值的补充，并且在评估中将所述量化误差用于可能性最大的所述胜利者神经元轮廓的得出。5.根据权利要求3或4所述的方法，其特征在于，将在所述评估阶段中得出的所述过程步骤或批次的全部胜利者神经元轮廓的全部症状容差的并集用作为所述预测轮廓的不确定...

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