[發(fā)明專利]用于過程單元中的全部過程區(qū)段的自動(dòng)的監(jiān)視和狀態(tài)確定的計(jì)算機(jī)實(shí)現(xiàn)的方法和系統(tǒng)

有效

• 申請(qǐng)?zhí)枺?/td>: 201480066575.1
• 申請(qǐng)日: 2014-12-05
• 公開（公告）號(hào): CN105793789B
• 公開（公告）日: 2019-11-15
• 發(fā)明（設(shè)計(jì)）人: T.羅斯
• 申請(qǐng)（專利權(quán)）人: 拜耳股份公司
• 主分類號(hào): G05B19/418
• 分類號(hào): G05B19/418;G05B23/02
• 代理公司: 72001 中國(guó)專利代理(香港)有限公司
• 代理人: 盧江;張濤<國(guó)際申請(qǐng)>=PCT/EP20

1.用于監(jiān)視包括一個(gè)或多個(gè)過程單元的過程技術(shù)上相關(guān)聯(lián)的設(shè)施部件的計(jì)算機(jī)實(shí)現(xiàn)的方法，所述方法具有下列步驟：

在步驟a）中，要監(jiān)視的M個(gè)過程參數(shù)及其測(cè)量范圍極限在用戶接口中被輸入并且被轉(zhuǎn)發(fā)到用于定義所述過程單元的模型，所述要監(jiān)視的M個(gè)過程參數(shù)及其測(cè)量范圍極限用于定義要監(jiān)視的一個(gè)或多個(gè)過程單元的良好狀態(tài)，

在步驟b）中，由學(xué)習(xí)向量構(gòu)成的學(xué)習(xí)數(shù)據(jù)階段被導(dǎo)入到數(shù)據(jù)庫模塊中，

在步驟c）中，在所述數(shù)據(jù)庫模塊中來自b）的學(xué)習(xí)數(shù)據(jù)階段中的N個(gè)學(xué)習(xí)向量通過所述用戶接口或者來自所述學(xué)習(xí)數(shù)據(jù)階段的N個(gè)學(xué)習(xí)向量自動(dòng)地根據(jù)來自步驟a）的測(cè)量范圍極限被選擇，

在步驟d）中，來自步驟c）的學(xué)習(xí)向量從所述數(shù)據(jù)庫模塊被傳輸?shù)脚c所述數(shù)據(jù)庫模塊連接的模型模塊中；在所述模型模塊中通過如下方式產(chǎn)生基于神經(jīng)網(wǎng)絡(luò)的模型，即，將每個(gè)學(xué)習(xí)向量分配給具有至所述學(xué)習(xí)向量的最小距離的最佳匹配單元，其中所述最佳匹配單元通過其M個(gè)過程參數(shù)定義并且最佳匹配單元形成自組織神經(jīng)元圖譜，

在步驟e）中，自動(dòng)地計(jì)算模型中的個(gè)偏差誤差和N個(gè)總偏差誤差：

●針對(duì)N個(gè)學(xué)習(xí)向量中的每個(gè)學(xué)習(xí)向量，作為學(xué)習(xí)向量的每個(gè)過程參數(shù)值與被分配給所述學(xué)習(xí)向量的最佳匹配單元的相應(yīng)的過程參數(shù)值的距離的偏差誤差，

●針對(duì)N個(gè)學(xué)習(xí)向量中的每個(gè)學(xué)習(xí)向量，作為所述每個(gè)學(xué)習(xí)向量的M個(gè)過程參數(shù)的偏差誤差的總和的總偏差誤差，

在步驟f）中，來自步驟e）的每個(gè)學(xué)習(xí)向量的總偏差誤差被傳輸?shù)接糜诜治鏊銎钫`差的模塊中并且在那里自動(dòng)地確定所計(jì)算的N個(gè)總偏差誤差的最小值和最大值，并且使用以下步驟自動(dòng)設(shè)置至少一個(gè)閾值：

-通過最小值和最大值確定的值范圍被細(xì)分成10至100個(gè)等距的段，

-所述學(xué)習(xí)向量的總偏差誤差被自動(dòng)分類到所述段中，

-其中所述閾值是第一段支點(diǎn)，對(duì)于所述第一段支點(diǎn)來說，最高的總偏差誤差的≥5至15%處于從最大值出發(fā)的段之內(nèi)并且所述閾值處于從最大值出發(fā)的段的最上面的7/10個(gè)段的范圍中，

在步驟g）中，為了監(jiān)視所述過程單元，所述過程單元關(guān)于時(shí)間的監(jiān)視向量被自動(dòng)傳輸?shù)剿鰯?shù)據(jù)庫模塊中，其中所述監(jiān)視向量用其在時(shí)間戳t處在線監(jiān)視的M個(gè)過程參數(shù)定義，隨后將所述監(jiān)視向量傳輸?shù)剿瞿Ｐ湍K中，

在步驟h）中，在所述模型模塊中通過將所述監(jiān)視向量的過程參數(shù)值與來自步驟c）的神經(jīng)元圖譜（SOM）的每個(gè)最佳匹配單元的過程參數(shù)值相比較以及基于最小距離進(jìn)行選擇，將來自步驟g）的每個(gè)監(jiān)視向量自動(dòng)分配給所述神經(jīng)元圖譜的最佳匹配單元之一，

在步驟i）中，進(jìn)行所述監(jiān)視向量的偏差誤差和總偏差誤差的計(jì)算，其中所述監(jiān)視向量的偏差誤差是所述監(jiān)視向量的每個(gè)過程參數(shù)值和分配給該監(jiān)視向量的最佳匹配單元的對(duì)應(yīng)過程參數(shù)值之間的距離，并且監(jiān)視向量的總偏差誤差是其M個(gè)過程參數(shù)的偏差誤差之和，

在步驟j）中，所述監(jiān)視向量的總偏差誤差被傳輸?shù)接糜诜治鏊銎钫`差的模塊中，與來自f）的所計(jì)算的N個(gè)總偏差誤差的最小值和最大值相比較并且所述比較通過所述用戶接口顯示。

2.根據(jù)權(quán)利要求1所述的計(jì)算機(jī)實(shí)現(xiàn)的方法，其中將所計(jì)算的閾值乘以通常2-4的正整數(shù)因子形式的容差范圍。

3.一種計(jì)算機(jī)可讀介質(zhì)，具有存儲(chǔ)于其上的程序，所述程序在被執(zhí)行時(shí)促使計(jì)算機(jī)執(zhí)行根據(jù)權(quán)利要求1至2之一所述的方法。

4.用于執(zhí)行根據(jù)權(quán)利要求1至2中任一項(xiàng)所述的計(jì)算機(jī)實(shí)現(xiàn)的方法的計(jì)算機(jī)系統(tǒng)，其中所述計(jì)算機(jī)系統(tǒng)包括下列模塊：

a）用戶接口，所述用戶接口用于定義i）要監(jiān)視的M個(gè)過程參數(shù)以及ii）輸入一個(gè)或多個(gè)要監(jiān)視的過程單元的M個(gè)過程參數(shù)的測(cè)量范圍極限，

b）用于定義用于存儲(chǔ)輸入i）和ii）的過程單元的模塊，所述模塊與所述用戶接口連接，

c）數(shù)據(jù)庫模塊，所述數(shù)據(jù)庫模塊用于通過數(shù)據(jù)接口導(dǎo)入以及存儲(chǔ)學(xué)習(xí)數(shù)據(jù)階段、學(xué)習(xí)向量以及監(jiān)視向量，其中所述數(shù)據(jù)庫模塊與用于定義所述過程單元的模塊以及與所述用戶接口連接，

d）基于神經(jīng)網(wǎng)絡(luò)的模型模塊，所述模型模塊用于通過以下方式在自組織神經(jīng)元圖譜中全自動(dòng)地訓(xùn)練基于神經(jīng)網(wǎng)絡(luò)的模型，即自動(dòng)地計(jì)算：

●作為學(xué)習(xí)向量的每個(gè)過程參數(shù)值與被分配給所述學(xué)習(xí)向量的最佳匹配單元的相應(yīng)的過程參數(shù)值的距離的偏差誤差，

●對(duì)于N個(gè)學(xué)習(xí)向量中的每個(gè)學(xué)習(xí)向量，作為所述每個(gè)學(xué)習(xí)向量的M個(gè)過程參數(shù)的偏差誤差的總和的總偏差誤差，

以及用于將監(jiān)視向量分配給所述自組織神經(jīng)元圖譜的最佳匹配單元之一并且計(jì)算：

●作為所述監(jiān)視向量的每個(gè)過程參數(shù)值與被分配給所述監(jiān)視向量的最佳匹配單元的相應(yīng)的過程參數(shù)值的距離的偏差誤差，

●對(duì)于所述監(jiān)視向量中的每個(gè)監(jiān)視向量，作為所述每個(gè)監(jiān)視向量的M個(gè)過程參數(shù)的偏差誤差的總和的總偏差誤差，

e）用于通過自動(dòng)地確定所計(jì)算的總偏差誤差的范圍來分析所述偏差誤差的模塊，其中用于分析偏差誤差的模塊能夠?qū)⑺_定的范圍劃分成段，能夠?qū)⑺鰧W(xué)習(xí)向量以及監(jiān)視向量根據(jù)其總偏差誤差分類到所確定的范圍的段中，其中用于分析所述偏差誤差的模塊與所述模型模塊連接，并且

其中用于分析所述偏差誤差的模塊與用于示出所述監(jiān)視向量在所計(jì)算的總偏差誤差的范圍中的分類的用戶接口連接。