ОБНАРУЖЕНИЕ НЕШТАТНЫХ СИТУАЦИЙ Российский патент 2022 года по МПК G05B23/02 G05D7/06 

Описание патента на изобретение RU2766106C1

РОДСТВЕННАЯ ЗАЯВКА

[0001] Настоящая заявка испрашивает приоритет по §119(e) раздела 35 Свода законов США по предварительной заявке на патент США № 62/622,700 от 26 января 2018 г., полное содержание которой включено в настоящий документ путем ссылки.

ПРЕДПОСЫЛКИ СОЗДАНИЯ ИЗОБРЕТЕНИЯ

[0002] Промышленное оборудование может быть весьма сложным и может быть подвержено различным типам сложных режимов отказа. Оборудование может включать в себя множество датчиков, которые можно использовать для контроля работы оборудования. Один способ применения данных от датчиков включает разработку схем обнаружения на основании правил, которые можно применять для контроля функционирования оборудования. Исходя из правил, реализованных в рамках схем обнаружения, датчики или обслуживающий датчики контроллер могут определять, работает ли оборудование в рамках допустимых параметров.

[0003] Однако разработка схем обнаружения на основании правил для каждой возможной нештатной ситуации может быть неудобной, сложной и подверженной ошибкам. Если определенный возможный режим отказа не ожидается заранее, схема обнаружения на основании правил может не подойти для обнаружения признаков такого отказа. Кроме того, в некоторых случаях промышленное оборудование может находиться в удаленных зонах, в которых доступ к оборудованию может быть затруднен или нежелателен. Поэтому реализация или обновление схем обнаружения на основании правил может быть исключительно сложной из-за ограниченного доступа к оборудованию.

Изложение сущности изобретения

[0004] В различных аспектах описанного объекта изобретения могут быть обеспечены одна или более из следующих возможностей.

[0005] В одном аспекте способ включает прием первых зависящих от времени данных, характеризующих результат измерения, с помощью первого датчика, функционально связанного с промышленной нефтегазовой установкой; определение первого балла нештатной ситуации, связанного с первой частью первых зависящих от времени данных за некоторый период времени, причем определение основано на первом значении рабочей характеристики за период времени и втором значении рабочей характеристики за период времени, при этом первое значение рабочей характеристики рассчитывают на основании первых зависящих от времени данных, а второе значение рабочей характеристики определяют на промышленной нефтегазовой установке; и генерацию визуального представления, соответствующего первому баллу нештатной ситуации, в пространстве отображения информации графического интерфейса пользователя.

[0006] Один или более из следующих признаков могут быть включены в любой целесообразной комбинации. Определение первого балла нештатной ситуации может включать вычисление разности между первым значением рабочей характеристики и вторым значением рабочей характеристики и сравнение разности с заданным пороговым значением. Способ может включать определение первой прогнозной модели первого датчика на основании ретроспективных данных, связанных с первым датчиком. Определение первой прогнозной модели может включать определение одного или более коэффициентов характеристического уравнения, связанного с промышленными нефтегазовыми установками, на основании ретроспективных данных. Характеристическое уравнение может быть выполнено с возможностью приема в качестве входных данных первых зависящих от времени данных и генерации первого балла нештатной ситуации. В первой прогнозной модели может быть рассчитано первое значение рабочей характеристики на основании зависящих от времени данных, характеризующих результат измерения, с помощью первого датчика. Пространство отображения информации в графическом интерфейсе пользователя может включать в себя первый интерактивный объект и второй интерактивный объект. Первый интерактивный объект может быть выполнен с возможностью приема первых входных данных пользователя, а второй интерактивный объект может быть выполнен с возможностью приема вторых входных данных пользователя. Определение первой прогнозной модели можно выполнять на основании первых входных данных пользователя. Прием зависящих от времени данных, характеризующих результат измерения, можно выполнять с помощью первого датчика. Определение первого балла нештатной ситуации и генерацию визуального представления можно выполнять на основании вторых входных данных пользователя. Способ может включать прием вторых зависящих от времени данных, характеризующих результат измерения, с помощью второго датчика, функционально связанного с промышленной нефтегазовой установкой; определение второго балла нештатной ситуации, связанного с первой частью вторых зависящих от времени данных за период времени, причем определение основано на третьем значении рабочей характеристики за период времени и четвертом значении рабочей характеристики за период времени, причем третье значение рабочей характеристики рассчитывают на основании принятых зависящих от времени данных, характеризующих результат измерения с помощью второго датчика, а второе значение рабочей характеристики определяют на промышленной нефтегазовой установке; и определение модифицированного балла нештатной ситуации на основании первого балла нештатной ситуации и второго балла нештатной ситуации.

[0007] Кроме того, описаны нетранзиторные компьютерные программные продукты (т.е. физически реализованные компьютерные программные продукты), содержащие инструкции, которые при их исполнении одним или более процессорами обработки данных одной или более компьютерных систем приводят к тому, что по меньшей мере один процессор обработки данных выполняет описанные в настоящем документе операции. Аналогичным образом также описаны компьютерные системы, которые могут включать один или более процессоров обработки данных и память, соединенную с данным одним или более процессорами обработки данных. В памяти могут временно или постоянно храниться команды, которые приводят к тому, что по меньшей мере один процессор обработки данных выполняет одну или более из описанных в настоящем документе операций. Кроме того, способы могут быть реализованы одним или более процессорами обработки данных либо в рамках одной компьютерной системы, либо в рамках системы, распределенной между двумя или более компьютерными системами. Такие компьютерные системы могут быть соединены и могут обмениваться данными и/или командами или другими инструкциями или т.п. посредством одного или более соединений, включая соединение по сети (например, сети Интернет, беспроводной глобальной сети, локальной сети, глобальной сети, проводной сети и т.д.), посредством прямого соединения между одной или более из множества компьютерных систем и т.д.

[0008] Эти и иные возможности описанного объекта изобретения станут более понятными после изучения приведенных рисунков, подробного описания и пунктов формулы изобретения.

ОПИСАНИЕ ГРАФИЧЕСКИХ МАТЕРИАЛОВ

[0009] На ФИГ. 1 представлена блок-схема системы для одного примера осуществления промышленной системы, которая включает в себя систему обнаружения нештатных ситуаций (ОНС).

[0010] На ФИГ. 2 представлена блок-схема системы, иллюстрирующая другой пример осуществления промышленной системы, которая включает в себя систему ОНС.

[0011] На ФИГ. 3 представлена блок-схема системы, иллюстрирующая другой пример осуществления промышленной системы, которая включает в себя систему ОНС.

[0012] На ФИГ. 4 представлен вид графического интерфейса пользователя (ГИП) системы ОНС, которая может выдавать пользователю уведомления о нештатном функционировании системы.

[0013] На ФИГ. 5 представлена блок-схема примера способа обнаружения нештатных ситуаций, связанных с промышленной установкой.

[0014] На ФИГ. 6 представлен пример пространства отображения информации ГИП, в котором сгенерировано визуальное представление различной информации, связанной с системой ОНС.

Подробное описание

[0015] Предложены системы, способы и устройства, которые облегчают обнаружение нештатных ситуаций в функционировании промышленных систем. В одном варианте осуществления обеспечено устройство для обнаружения нештатных ситуаций, которое включает в себя режим обучения и режим наблюдения. При работе в режиме обучения устройство для контроля нештатных ситуаций может использовать данные от датчиков (например, ретроспективные данные от датчиков) в качестве входных данных в алгоритме неконтролируемого машинного обучения для построения модели, которую можно использовать для прогнозирования работы промышленной системы. Данные от датчиков могут поступать с датчиков, измеряющих рабочие параметры в промышленной системе. При работе в режиме наблюдения устройство для контроля нештатных ситуаций может сравнивать поступающие в реальном времени данные от датчиков (например, характеризующие рабочий параметр промышленной системы) с предсказанными данными, генерируемыми с использованием модели. Если данные от датчиков отклоняются от предсказанных данных на заданную величину, устройство для контроля нештатных ситуаций может отправлять пользователю предупреждающий сигнал, информирующий пользователя об обнаружении нештатной ситуации и возможном неправильном функционировании системы. Благодаря построению моделей с использованием неконтролируемого машинного обучения можно реализовывать обнаружение нештатных ситуаций и при этом не нуждаться в информации о предшествующем уровне датчиков, контролируемом оборудовании или характеристиках нештатного функционирования. Таким образом, устройство для контроля нештатных ситуаций обеспечивает простое и гибкое решение для контроля за функционированием систем и отправления пользователям предупреждающих сигналов, идентифицирующих нештатное функционирование.

[0016] Промышленное оборудование может быть весьма сложным и может быть подвержено различным типам сложных режимов отказа. Оборудование может включать в себя множество датчиков, которые можно использовать для контроля работы оборудования. Однако датчики лишь выдают выходные данные и необязательно предоставляют полезную информацию пользователю. Один из способов применения таких данных включает разработку правил, которые можно использовать для анализа данных от датчиков для обнаружения нештатной работы оборудования. Однако разработка правил для каждой возможной нештатной ситуации, которая может произойти в процессе работы, может быть неудобной, сложной и подверженной ошибкам. Предложены системы, способы и устройства, которые облегчают автоматическое обнаружение нештатных ситуаций с использованием алгоритмов неконтролируемого машинного обучения. В одном варианте осуществления предложено устройство контроля нештатных ситуаций, которое может использовать данные от датчиков в качестве входных данных в алгоритме неконтролируемого машинного обучения для генерации прогнозной модели функционирования промышленной системы или части промышленной системы. Устройство для контроля нештатных ситуаций может также сравнивать поступающие в реальном времени данные от датчиков с предсказанными данными, генерируемыми с использованием прогнозной модели. Если данные от датчиков отклоняются от предсказанных данных на заданную величину, устройство для контроля нештатных ситуаций может отправлять пользователю предупреждающий сигнал, информирующий пользователя об обнаружении нештатной ситуации и возможном неправильном функционировании системы. Таким образом, устройство для контроля нештатных ситуаций обеспечивает простое и гибкое решение для контроля за функционированием систем и отправления пользователям предупреждающих сигналов, идентифицирующих нештатное функционирование. Благодаря построению прогнозных моделей с использованием неконтролируемого машинного обучения можно реализовать обнаружение нештатных ситуаций и при этом не нуждаться в информации о предшествующем уровне датчиков, контролируемом оборудовании или характеристиках нештатного функционирования. Благодаря этому возможно обнаружение нештатных ситуаций в условиях, когда разработка правил, которые можно использовать для анализа данных от датчиков для обнаружения нештатных ситуаций, оказалась бы слишком дорогой, сложной и/или нецелесообразной.

[0017] На ФИГ. 1 представлена блок-схема системы примера варианта осуществления промышленной системы 100, которая включает систему обнаружения нештатных ситуаций (ОНС) 102. Система 102 ОНС может быть выполнена с возможностью идентификации нештатного функционирования систем и/или компонентов систем. Система 102 ОНС может также быть выполнена с возможностью отправления пользователю предупреждающего сигнала, характеризующего нештатное функционирование. Например, нештатное функционирование может иметь место при наличии так называемого «контакта», который характеризует состояние, при котором имеется трение оси ротора о посторонний предмет. В качестве другого примера нештатное функционирование может возникать при наличии временного источника внешних вибраций. В представленном варианте осуществления система 102 ОНС функционально связана с одним или более датчиками 104. Датчики 104 могут быть функционально связаны с системой 106, а датчики 104 могут измерять рабочие значения для системы 106. Например, датчики 104 могут измерять уровни вибрации, положения, скорости вращения, температуры, давления, расходы, составы текучей среды и т. п.

[0018] Система 102 ОНС может включать в себя модуль 108 глубокого обучения, объекты 110, 112 интерфейса пользователя и коммуникационный модуль 114. Модуль 108 глубокого обучения может включать в себя процессор обработки данных, включая вычислительное аппаратное обеспечение с ускорением, такое как, например, графический процессор (GPU), и/или быть реализованным на нем. В некоторых вариантах осуществления GPU может представлять собой GPU типа NVIDIA® Jetson. GPU типа NVIDIA® Jetson могут иметь малую мощность и потреблять приблизительно 90 ватт. GPU может включать в себя приблизительно 256 ядер GPU и может обеспечивать производительность параллельных вычислений в 1,5 терафлоп. В качестве другого примера, при потребности в большей вычислительной мощности можно использовать станцию NVIDIA® DGX. Преимущество параллельного вычисления на базе GPU состоит в возможности сокращения времени анализа с дней до минут. Модуль 108 глубокого обучения может быть выполнен с возможностью обработки данных от датчиков 104, генерации прогнозных моделей 122 для прогнозирования функционирования системы 106 и применения прогнозных моделей 122 для идентификации нештатного функционирования системы 106.

[0019] Варианты осуществления прогнозных моделей 122 можно генерировать различными способами. В одном аспекте прогнозные модели 122 можно генерировать и/или обучать с использованием GPU (например, типа NVIDIA® Jetson, или аналогичного) на граничной платформе. Граничная платформа может представлять собой платформу на границе сети. В другом аспекте прогнозные модели 122 можно генерировать и/или обучать с использованием включающих GPU сервера, рабочей станции или облачной платформы, такой как станция DGX. В каждом случае прогнозные модели 122 могут быть развернуты в модуле 108 глубокого обучения на системе 102 ОНС. Таким образом, удаленный модуль глубокого обучения может представлять собой расширение модуля 108 глубокого обучения системы 102 ОНС. В других вариантах осуществления можно использовать один или более процессорных модулей GPU на базе портативной или стационарной платформы. Объекты 110, 112 интерфейса пользователя могут находиться в электронной связи с модулем 108 глубокого обучения и могут быть выполнены с возможностью активирования рабочих режимов обучения и наблюдения в модуле 108 глубокого обучения соответственно. Более подробно рабочие режимы обучения и наблюдения модуля 108 глубокого обучения описаны ниже.

[0020] Коммуникационный модуль 114 может быть выполнен с возможностью облегчения обмена данными между модулем 108 глубокого обучения и устройством 116 пользователя. Например, коммуникационный модуль может представлять собой приемопередатчик или включать его в себя. Коммуникационный модуль 114 может обеспечивать кабельную связь, например, по сети Ethernet, и может включать в себя, например, приемопередатчик для обеспечения связи по протоколу Bluetooth, протоколу сотовой связи, протоколу WI-FI, протоколу беспроводной связи ближнего радиуса действия (NFC) и/или протоколу радиочастотной идентификации (RFID). Как будет понятно специалистам в данной области, кабельная и/или беспроводная связь через коммуникационный модуль 114 может быть реализована согласно любому из различных протоколов обмена данными, например TCP/IP и т. п. Беспроводная сотовая связь может быть выполнена с возможностью обеспечения беспроводной мобильной связи, такой как сотовая связь. Беспроводная сотовая связь может представлять собой связь стандарта 4G, однако вместо этого или в дополнение к этому можно использовать и другие стандарты мобильной связи. Как будет понятно специалистам в данной области, для организации беспроводной сотовой связи можно использовать любое из различных типов оборудования беспроводной сотовой связи. Беспроводная АС связь может быть выполнена с возможностью обеспечения беспроводной связи согласно стандарту беспроводных сетей IEEE 802.11ac. Кроме того, в дополнительном или альтернативном варианте осуществления возможна и может быть включена связь согласно другому стандарту беспроводных сетей. Как будет понятно специалистам в данной области, с помощью беспроводной АС связи можно облегчить организацию связи в рамках беспроводной ячеистой сети (WMN). Как будет понятно специалистам в данной области, для организации беспроводной АС связи можно использовать любое из различных типов оборудования беспроводной АС связи.

[0021] В представленном примере модуль 108 глубокого обучения включает в себя модуль 118 обучения и модуль 120 наблюдения. Модуль 118 обучения может быть выполнен с возможностью генерирования прогнозных моделей 122, например, путем использования данных от датчиков 104 в качестве входных данных в алгоритмах неконтролируемого глубокого обучения. В некоторых вариантах осуществления модуль 118 обучения можно активировать, когда модуль 108 глубокого обучения находится в рабочем режиме обучения. Модуль 120 наблюдения может быть выполнен с возможностью использования прогнозных моделей 122 для генерации данных, характеризующих прогнозируемое функционирование системы 106. Модуль 120 наблюдения может также быть выполнен с возможностью обнаружения нештатных ситуаций в функционировании системы 106 путем сравнения данных, характеризующих измеряемые величины (например, данные измерений от датчиков 104), с данными, характеризующими прогнозируемое функционирование (например, выходные данные прогнозных моделей 122). В некоторых вариантах осуществления модуль 120 наблюдения можно активировать, когда модуль 108 глубокого обучения находится в рабочем режиме наблюдения.

[0022] В процессе работы система 102 ОНС может быть связана с датчиками 104. Модуль 108 глубокого обучения может быть обучен обнаружению нештатного функционирования системы 106 с использованием поступающих в реальном времени данных от датчиков 104. Например, пользователь может нажимать соответствующий режиму обучения объект 110 интерфейса пользователя и тем самым может подавать модулю 108 глубокого обучения сигнал для активации рабочего режима обучения модуля 108 глубокого обучения. При активности рабочего режима обучения датчики 104 могут передавать в модуль 118 обучения данные, характеризующие измеряемые рабочие значения для системы 106, когда система 106 функционирует в состоянии доверенной работы. Состояние доверенной работы может описывать условие, при котором система 106 функционирует с приемлемыми или ожидаемыми параметрами. Например, система может функционировать с приемлемой частотой возникновения нештатных ситуаций. В некоторых случаях при работе системы могут не возникать нештатные ситуации. Данные от датчиков могут представлять собой поступающие в реальном времени данные от датчиков 104, когда система 106 функционирует.

[0023] Модуль 118 обучения может использовать неконтролируемое глубокое обучение для построения прогнозных моделей 122. Например, в модуле 118 обучения могут быть использованы данные от датчиков в качестве входных данных в одном или более алгоритме неконтролируемого глубокого обучения для построения прогнозных моделей 122. В некоторых случаях обучение можно выполнять за относительно короткий период времени (например, менее шести минут). При неконтролируемом обучении в модуль 118 обучения могут поступать данные от датчиков, и модуль 118 обучения может автоматически отыскивать закономерности и взаимосвязи, характеризующие функционирование системы 106. В этом случае, поскольку данные от датчиков характеризуют состояние доверенной работы системы 106, выявленные модулем 118 обучения закономерности и взаимосвязи характеризуют доверенную работу системы 106. В некоторых случаях закономерности могут включать в себя определенные формы данных от датчиков 104. Например, данные от датчиков могут иметь характерную форму, такую как, например, синусоидальная форма. В качестве другого примера модуль 118 обучения может выявлять взаимосвязи между данными от датчиков, полученными с множества датчиков 104. Примеры неконтролируемого обучения могут включать, без ограничений, кластеризацию и обнаружение выбросов. В подходе кластеризации можно группировать вместе общие характеристики. За счет выявления надлежащей характеристики для группировки можно создавать осмысленные кластеры. В подходе обнаружения выбросов можно выявлять определенные измерения характеристик, не совпадающих с ожидаемыми.

[0024] После построения прогнозных моделей 122 модуль 108 глубокого обучения может отслеживать данные от датчиков для выявления нештатного функционирования системы 106. Например, пользователь может нажимать соответствующий режиму наблюдения объект 112 интерфейса пользователя и тем самым может подавать модулю 108 глубокого обучения сигнал для активации рабочего режима наблюдения модуля 108 глубокого обучения. При активности рабочего режима наблюдения датчики 104 могут передавать в модуль 120 наблюдения данные, характеризующие измеряемые рабочие значения для системы 106. Данные от датчиков могут представлять собой поступающие в реальном времени данные от датчиков 104, когда система 106 функционирует.

[0025] В модуле 120 наблюдения могут быть использованы прогнозные модели 122 и данные от датчиков в алгоритме неконтролируемого глубокого машинного обучения для контроля нештатного функционирования системы 106. Например, модуль 120 наблюдения может сравнивать данные от датчиков с прогнозируемыми данными прогнозных моделей 122. Если различие между данными от датчиков и прогнозируемыми данными превышает определенную пороговую величину, данные можно идентифицировать как аномальные, и/или данные могут быть классифицированы как представляющие нештатное функционирование системы. В некоторых случаях различия между данными от датчиков и прогнозируемыми данными, не выходящие за пределы заданного кратного стандартного отклонения (например, три стандартных отклонения) от среднего значения, можно классифицировать как нормальные. Различия между данными от датчиков и прогнозируемыми данными, выходящие за пределы порогового значения, можно классифицировать как аномальные. В другом примере модуль 120 наблюдения может сравнивать закономерности и взаимосвязи, соответствующие прогнозируемым данным, с закономерностями и взаимосвязями, которые соответствуют данным от датчиков. Если различие между закономерностями и взаимосвязями, соответствующими прогнозируемым данным, и закономерностями и взаимосвязями, соответствующими данным от датчиков, превышает определенную пороговую величину (например, три стандартных отклонения от среднего значения), данные от датчиков можно идентифицировать как аномальные, и/или данные могут быть классифицированы как представляющие нештатное функционирование системы.

[0026] При обнаружении аномальных данных модуль 108 глубокого обучения может отправлять предупреждающий сигнал на устройство 116 пользователя. Например, модуль 108 глубокого обучения может генерировать и форматировать данные, которые характеризуют и/или идентифицируют нештатное функционирование системы 106, генерировать визуальное представление данных и выводить данные, характеризующие сгенерированное визуальное представление, на дисплей 124 устройства 116 пользователя, например, через коммуникационный модуль 114, для отправления пользователю предупреждающего сигнала, чтобы известить пользователя о нештатном функционировании системы. Например, модуль 108 глубокого обучения может также генерировать и форматировать данные, которые характеризуют и/или идентифицируют нештатное функционирование системы 106, генерировать инструкции для генерации визуального представления данных и отправлять данные, характеризующие нештатное функционирование системы, и инструкции на устройство 116 пользователя. Процессор обработки данных устройства 116 пользователя может принимать данные, включая инструкции, генерировать визуальное представление данных с использованием инструкций и выводить данные, характеризующие сгенерированное визуальное представление, на дисплей 124 для отправления пользователю предупреждающего сигнала. Данные, которые характеризуют и/или идентифицируют нештатное функционирование, могут включать данные от датчиков, прогнозируемые данные, информацию для идентификации датчиков 104, с которых поступили аномальные данные, и данные, характеризующие закономерности и/или взаимосвязи, которые были использованы для выявления аномальных данных. В некоторых вариантах осуществления дисплей 124 может представлять собой интерактивный дисплей, такой как сенсорный дисплей.

[0027] В некоторых случаях функционирование системы 106 может изменяться за время службы системы 106. Например, пользователь может изменять режим работы системы 106. В качестве другого примера, вследствие нормального износа компонентов системы 106 может произойти изменение работы системы 106. В таких случаях, если функционирование системы 106 существенно изменилось, система 102 ОНС может ошибочно классифицировать данные от датчиков как аномальные. Чтобы не допускать ошибочных предупреждений, пользователь может заново обучать систему на основании текущего состояния доверенной работы системы 106. Например, пользователь может нажимать соответствующий режиму обучения объект 110 интерфейса пользователя и тем самым может активировать рабочий режим обучения модуля 108 глубокого обучения. При нахождении в рабочем режиме обучения датчики 104 могут передавать в модуль 118 обучения данные, характеризующие измеряемые рабочие значения для системы 106, когда система 106 функционирует в состоянии доверенной работы. Модуль 118 обучения может использовать неконтролируемое глубокое обучение для построения обновленных прогнозных моделей 122. Например, модуль 118 обучения может использовать данные от датчиков в качестве входных данных в одном или более алгоритме неконтролируемого глубокого обучения для построения обновленных прогнозных моделей 122. Модуль 118 обучения может также искать закономерности и взаимосвязи, которые характеризуют обновленное стандартное состояние для приемлемого функционирования системы 106. Обновленное стандартное состояние для приемлемого функционирования может включать в себя обновленные пороговые значения, которые можно использовать для классификации данных от датчиков в качестве аномальных.

[0028] В альтернативном варианте осуществления в некоторых случаях модуль 108 глубокого обучения можно повторно обучать на основании текущего и/или недавнего функционирования системы 106. Например, если функционирование системы 106 изменяется за время службы системы 106 или если данные от датчиков включают некоторый шум, система 102 ОНС может сначала классифицировать данные от датчиков как аномальные. Однако при повторяющейся работе систему 102 ОНС можно обучать с использованием данных от датчиков для обновления пороговых значений для обнаружения нештатного функционирования.

[0029] Хотя на ФИГ. 1 система 102 ОНС и устройство 116 пользователя представлены как независимые компоненты, система 102 ОНС, и устройство 116 пользователя, и/или компоненты устройства 116 пользователя, могут быть объединены. Например, в некоторых вариантах осуществления дисплей 124 может быть включен в состав системы 102 ОНС таким образом, что пользователь может получать предупреждающие сообщения через систему 102 ОНС.

[0030] В некоторых вариантах осуществления модуль 108 глубокого обучения системы 102 ОНС можно размещать удаленно. На ФИГ. 2 представлена блок-схема системы для промышленной системы 200, которая включает в себя систему 202 ОНС. Система 202 ОНС может быть аналогична системе 102 ОНС, но модуль 108 глубокого обучения можно размещать удаленно. Система 202 ОНС может включать в себя коммуникационный модуль 114 и объекты 110, 112 интерфейса пользователя, которые могут функционировать, как описано выше. Коммуникационный модуль 114 может быть выполнен с возможностью облегчения обмена данными между датчиками 104, объектами 110, 112 интерфейса пользователя, устройством 116 пользователя и модулем 108 глубокого обучения. Модуль 108 глубокого обучения может включать модуль 118 обучения, модуль 120 наблюдения и прогнозные модели 122, которые могут функционировать, как описано выше. В представленном варианте осуществления датчики 104 могут передавать данные от датчиков в модуль 108 глубокого обучения посредством коммуникационного модуля 114. Объекты 110, 112 интерфейса пользователя могут передавать сигналы в модуль 108 глубокого обучения посредством коммуникационного модуля 114. Модуль 108 глубокого обучения может отправлять характеризующие предупреждающие данные в устройство 116 пользователя посредством коммуникационного модуля 114.

[0031] В некоторых вариантах осуществления модуль глубокого обучения на удаленном сервере может функционировать как расширение модуля глубокого обучения на системе ОНС. Например, построение или обучение прогнозных моделей можно выполнять на удаленном сервере. Повторное обучение прогнозных моделей и/или наблюдение за функционированием промышленной системы можно производить на системе ОНС, которая может находиться на месте расположения промышленной системы.

[0032] На ФИГ. 3 представлен пример блок-схемы промышленной системы 400, которая включает в себя систему 402 ОНС и модуль 409 глубокого обучения, который может быть реализован на удаленном сервере. Система 402 ОНС может включать в себя модуль 108 глубокого обучения, коммуникационный модуль 114 и объекты 110, 112 интерфейса пользователя, которые могут функционировать, как описано выше. Коммуникационный модуль 114 может быть выполнен с возможностью облегчения обмена данными между датчиками 104, объектами 110, 112 интерфейса пользователя, устройством 116 пользователя и модулями 108, 409 глубокого обучения. Модуль 108 глубокого обучения может включать модуль 118 обучения, модуль 120 наблюдения и прогнозные модели 122, которые могут функционировать, как описано выше. В представленном варианте осуществления датчики 104 могут передавать данные от датчиков в модуль 409 глубокого обучения посредством коммуникационного модуля 114. Объекты 110, 112 интерфейса пользователя могут передавать сигналы в модуль 108 глубокого обучения посредством коммуникационного модуля 114. Модуль 108 глубокого обучения может отправлять характеризующие предупреждающие данные в устройство 116 пользователя посредством коммуникационного модуля 114.

[0033] Модуль 409 глубокого обучения может включать в себя модуль 417 обучения, который может быть выполнен с возможностью построения прогнозных моделей 421. Например, пользователь может нажимать соответствующий режиму обучения объект 110 интерфейса пользователя и тем самым может подавать модулю 409 глубокого обучения сигнал для активации рабочего режима обучения модуля 409 глубокого обучения. При активности рабочего режима обучения датчики 104 могут передавать в модуль 417 обучения данные (например, через коммуникационный модуль 114), характеризующие измеряемые рабочие значения для системы 106, когда система 106 функционирует в состоянии доверенной работы. Данные от датчиков могут представлять собой поступающие в реальном времени данные от датчиков 104, когда система 106 функционирует. Модуль 417 обучения может использовать неконтролируемое глубокое обучение для построения прогнозных моделей 421. Например, модуль 118 обучения может использовать данные от датчиков в качестве входных данных в одном или более алгоритме неконтролируемого глубокого обучения для построения прогнозных моделей 421. Модуль 409 глубокого обучения может передавать данные, характеризующие прогнозные модели 421, в модуль 108 глубокого обучения через коммуникационный модуль 114 для построения прогнозных моделей 122.

[0034] После построения прогнозных моделей 122 модуль 108 глубокого обучения может наблюдать за данными от датчиков для выявления нештатного функционирования системы 106 и отправления предупреждающего сигнала на устройство 116 пользователя, как описано выше.

[0035] В некоторых случаях пользователь может заново обучать прогнозные модели 122 на основании текущего состояния доверенной работы системы 106. Например, пользователь может нажимать соответствующий режиму обучения объект 110 интерфейса пользователя и тем самым может активировать рабочий режим обучения модуля 108 глубокого обучения. При нахождении в рабочем режиме обучения датчики 104 могут передавать в модуль 118 обучения данные, характеризующие измеряемые рабочие значения для системы 106, когда система 106 функционирует в состоянии доверенной работы. Модуль 118 обучения может использовать неконтролируемое глубокое обучение для построения обновленных прогнозных моделей 122. Модуль 118 обучения может также искать закономерности и взаимосвязи, которые характеризуют обновленное стандартное состояние для приемлемого функционирования системы 106. Обновленное стандартное состояние для приемлемого функционирования может включать в себя обновленные пороговые значения, которые можно использовать для классификации данных от датчиков в качестве аномальных.

[0036] За счет реализации модуля 409 глубокого обучения на удаленном сервере пользователь может использовать мощные вычислительные системы для первичного построения и обучения прогнозных моделей 421. Затем прогнозные модели 421 могут быть переданы в модуль 108 глубокого обучения в рамках системы 402 ОНС для построения прогнозных моделей 122. Прогнозные модели 122 можно обновлять и реализовывать на модуле 108 глубокого обучения, который может находиться в месте расположения системы 106, и его вычислительная мощность может быть меньше мощности, доступной модулю 409 глубокого обучения на удаленном сервере. Таким образом внешний модуль 409 глубокого обучения представлять собой расширение модуля 108 глубокого обучения системы 402 ОНС.

[0037] На ФИГ. 4 представлен вид 300 примерного графического интерфейса пользователя (GUI) системы ОНС (например, 102, 202, 402), который может быть показан на дисплее (например, дисплее 124). GUI включает в себя журнал 302 данных и панели 304, 306 данных. В журнале 302 данных показано время начала, время окончания наблюдения и баллы результатов наблюдения. Баллы могут характеризовать нештатное функционирование системы, за которой наблюдали или наблюдают. В панели 304 данных могут быть показаны данные от датчиков (например, датчиков 104) и прогнозируемые данные, сгенерированные прогнозными моделями (например, прогнозными моделями 122), соответствующие результатам наблюдения, выбранным в журнале 302 данных. В представленном примере в панели 304 данных показаны четыре графика, соответствующие четырем различным датчикам. Однако, как описано выше, в системе ОНС можно использовать любое количество датчиков. Поэтому на панели 304 данных может быть показано любое количество графиков. В качестве примера, с помощью панели 304 данных пользователь может прокручивать большое количество графиков, которые может быть неудобно одновременно выводить в панели 304 данных.

[0038] В панели 306 данных могут быть показаны данные, характеризующие закономерности и/или взаимосвязи, использованные для выявления нештатного функционирования системы. В представленном примере в панели 306 данных показан график, демонстрирующий данные 308, в которых показано различие между данными от датчика и прогнозируемыми данными для данного датчика. Такой график может включать графические элементы 310, 312, в которых могут быть указаны пороговые значения для допустимого функционирования. Данные, выходящие за границы пороговых значений, можно классифицировать как аномальные, и они могут быть указаны в графических элементах 314.

[0039] Для существующих схем обнаружения нештатного функционирования на основании правил может понадобиться разработка схем обнаружения на основании правил для каждой возможной нештатной ситуации, которая может быть выявлена. Разработка схем обнаружения на основании правил для каждой возможной нештатной ситуации может быть неудобной, сложной и подверженной ошибкам. Если определенный возможный режим отказа не ожидается заранее, схема обнаружения на основании правил может не подойти для обнаружения признаков такого отказа. Благодаря построению прогнозных моделей с использованием неконтролируемого глубокого машинного обучения можно реализовать обнаружение нештатных ситуаций и при этом не нуждаться в информации о предшествующем уровне датчиков, контролируемом оборудовании или характеристиках нештатного функционирования.

[0040] Примеры достигаемого при этом технического эффекта включают способность к автоматическому обнаружению нештатного функционирования системы, для которого не требуется вручную задавать пороговые значения или характеристики, определяющие нештатное функционирование. Описываемые в настоящем документе системы, способы и устройства могут включать способность к быстрому переобучению прогнозных моделей, и это можно использовать для обнаружения нештатного функционирования с использованием данных от датчиков, характеризующих рабочие параметры в системе. За счет повторного обучения прогнозных моделей можно обновлять пороговые значения, используемые для обнаружения нештатного функционирования, и тем самым повышать эффективность обнаружения нештатных ситуаций. Благодаря способности к быстрому переобучению прогнозных моделей с использованием данных от датчиков можно облегчать реализацию обнаружения нештатных ситуаций в условиях, при которых разработка схем обнаружения нештатных ситуаций на основании правил оказалась бы слишком дорогой, сложной и/или нецелесообразной.

[0041] На ФИГ. 5 представлена блок-схема примера способа обнаружения нештатной ситуации в промышленной установке. На этапе 502 возможен прием (прием в реальном времени) первых зависящих от времени данных, характеризующих результат измерения с помощью первого датчика, функционально связанного с промышленной нефтегазовой установкой. Например, в модуль 108 глубокого обучения могут поступать зависящие от времени данные от датчика 104. Зависящие от времени данные могут включать, например, изменения свойств системы 106 (например, частоты, крутящего момента, потребляемой мощности и т. п.) в качестве функции времени.

[0042] На этапе 504 можно определять первый балл нештатной ситуации, связанный с первой частью первых зависящих от времени данных за некоторый временной период (например, определять с помощью модуля 108 глубокого обучения). Например, с помощью модуля 108 глубокого обучения можно идентифицировать часть первых зависящих от времени данных от первого датчика (например, полученных в течение заданного временного периода). Прогнозная модель 122 может рассчитывать первое значение (или вектор значений) рабочей характеристики промышленной нефтегазовой установкой на основании первой части первых зависящих от времени данных. Модуль 108 глубокого обучения может также принимать данные, характеризующие результат измерения рабочей характеристики (например, с помощью датчика, функционально связанного с промышленной нефтегазовой установкой). Модуль 108 глубокого обучения может сравнивать рассчитанное значение и измеренное значение рабочей характеристики и определять первый балл нештатной ситуации на основании сравнения. В некоторых реализациях рассчитывают разность между рассчитанным значением и измеренным значением рабочей характеристики. Рассчитанную разность сравнивают с таблицей баллов нештатной ситуации, а балл нештатной ситуации выбирают из таблицы на основании рассчитанной разности. Баллом нештатной ситуации можно характеризовать степень серьезности нештатного поведения промышленной нефтегазовой установки (например, чем выше балл нештатной ситуации, тем серьезней требующее предупреждения состояние, связанное с установкой).

[0043] В некоторых реализациях можно определять множество баллов нештатной ситуации. Затем принимают вторые зависящие от времени данные, характеризующие результат измерения, с помощью второго датчика, функционально связанного с промышленной нефтегазовой установкой (например, принимают с помощью модуля 108 глубокого обучения). Модуль 108 глубокого обучения может идентифицировать часть вторых зависящих от времени данных от второго датчика. С помощью второй прогнозной модели (или первой прогнозной модели) можно рассчитывать значение рабочей характеристики на основании идентифицированной части вторых зависящих от времени данных. Модуль 108 глубокого обучения может сравнивать рассчитанное значение рабочей характеристики и измеренное значение рабочей характеристики. По результатам такого сравнения может быть определен второй балл нештатной ситуации (например, как описано выше).

[0044] В некоторых реализациях степень серьезности нештатного поведения промышленной нефтегазовой установки в течение некоторого временного периода может быть основана на модифицированном балле нештатной ситуации для промышленной нефтегазовой установки. Модифицированный балл нештатной ситуации можно рассчитывать путем усреднения первого и второго баллов нештатной ситуации. В некоторых реализациях первый и второй баллы нештатной ситуации при расчете модифицированного балла нештатной ситуации могут иметь разный вес (например, первый балл нештатной ситуации можно умножать на первый весовой коэффициент, превышающий второй весовой коэффициент, на который умножают второй балл нештатной ситуации). Расчет баллов нештатной ситуации можно повторять (например, периодически). Если балл нештатной ситуации превышает порог оповещения, оператор может получать оповещение.

[0045] Первая прогнозная модель первого датчика может быть определена на основании ретроспективных данных, связанных с первым датчиком, свойств промышленной нефтегазовой установки и т. п. С помощью первой прогнозной модели можно вычислять рабочую характеристику из первых зависящих от времени данных, характеризующих результат измерения с помощью первого датчика. Первая прогнозная модель может быть определена путем расчета одного или более коэффициентов для системы в характеристическом уравнении, связанном с промышленными нефтегазовыми установками, на основании ретроспективных данных. Характеристическое математическое представление может включать систему уравнений, с использованием которых можно определять первый балл нештатной ситуации.

[0046] Различная информация, относящаяся к системе обнаружения нештатных ситуаций, может быть выведена в пространстве отображения информации графического интерфейса пользователя (GUI). Например, в пространстве отображения GUI могут быть представлены данные (например, зависящие от времени данные), фиксируемые различными датчиками (например, датчиком 104), функционально связанными с промышленной нефтегазовой установкой, рассчитанные баллы нештатной ситуации, влияние (например, численные веса) различных датчиков и т. п. В некоторых реализациях пространство отображения GUI пользователя может включать в себя интерактивные объекты, выполненные с возможностью приема входных данных от пользователя. Например, первый интерактивный объект может принимать первые входные данные пользователя, которые могут инициировать построение прогнозной модели (например, на основании ретроспективных данных). Второй интерактивный объект может принимать вторые входные данные пользователя, которые могут инициировать наблюдение за промышленной нефтегазовой установкой (например, путем приема данных от датчиков, определения балла нештатной ситуации, отображение балла нештатной ситуации на дисплее с GUI и т.п.).

[0047] На ФИГ. 6 представлен пример пространства 600 отображения информации GUI, в котором сгенерировано визуальное представление различной информации, связанной с системой обнаружения нештатных ситуаций. В пространстве 600 отображения информации GUI может быть сгенерировано визуальное представление фильтра 602 датчиков, с помощью которого пользователь может принимать/выбирать информацию, связанную с различными датчиками в системе обнаружения нештатных ситуаций. В пространстве 600 отображения информации GUI может быть сгенерировано визуальное представление списка 604 нештатных ситуаций, который может включать одно или более нештатное событие. Список нештатных ситуаций может включать баллы нештатных ситуаций, связанных с различными нештатными событиями. Баллы нештатных ситуаций могут иметь цветовую кодировку на основании степени серьезности связанного с ними нештатного поведения (например, предупреждающие сообщения, связанные с промышленной нефтегазовой установкой).

[0048] В пространстве 600 отображения информации GUI может быть сгенерировано визуальное представление графика 605 балла нештатной ситуации. В некоторых реализациях балл нештатной ситуации может быть сгенерирован (например, с помощью модуля глубокого обучения) с той же периодичностью, с которой поступают данные от датчиков. График 605 может также включать визуальное представление заданного порогового значения балла нештатной ситуации, с помощью которого можно сравнивать расчетное значение балла нештатной ситуации и пороговое значение балла нештатной ситуации. Любой балл, превышающий данное пороговое значение балла нештатной ситуации, может быть выделен.

[0049] В пространстве 600 отображения информации GUI может быть сгенерировано визуальное представление интерактивного регулятора 606 времени, с помощью которого пользователь может изменять продолжительность временных интервалов (например, интервалов получения данных от датчиков) для анализа обнаружения нештатных ситуаций (например, расчета баллов нештатной ситуации). В пространстве 600 отображения информации GUI может быть сгенерировано визуальное представление прогнозируемого временного ряда 608, с помощью которого можно сравнивать данные от датчиков для рабочей характеристики (например, фиксируемые датчиками, функционально связанными с промышленной нефтегазовой установкой) и рассчитанные значения рабочей характеристики.

[0050] На дисплее GUI может быть сгенерировано визуальное представление графика 610 влияния датчиков, на котором могут быть представлены (например, одновременно) данные от множества датчиков в системе обнаружения нештатных ситуаций. По оси графика 610 отложено время, при этом масштаб данной оси можно настраивать с помощью интерактивного регулятора 606 времени. В различных строках графика 610 отложены данные от различных датчиков. Данные от датчиков могут иметь цветовую кодировку (например, по датчикам) для отображения их влияния на расчет балла нештатной ситуации. Например, более светлые цвета могут соответствовать незначительному влиянию, а более темные цвета могут соответствовать повышенному влиянию на общий балл нештатной ситуации.

[0051] Специалисту в данной области техники будут понятны особенности и преимущества на основании описанных выше вариантов осуществления. Соответственно настоящее изобретение не ограничено тем, что было конкретно показано и описано выше. Все публикации и материалы, цитируемые в настоящем документе, полностью и в явной форме включены в него путем ссылки.

[0052] В рамках объема и сущности описанных систем, способов и устройств возможны и другие варианты осуществления. Специалисту в данной области будет понятно, что системы, устройства и способы, конкретно описанные в настоящем документе и проиллюстрированные на сопроводительных чертежах, являются примерами осуществления, не имеющими ограничительного характера, а также что объем настоящего изобретения определяется только формулой изобретения. Признаки, проиллюстрированные или описанные в связи с одним примером осуществления, можно комбинировать с признаками других вариантов осуществления. Предполагается, что объем описанных в настоящем документе вариантов осуществления включает такие модификации и варианты.

[0053] Кроме того, в настоящем описании имеющие аналогичные названия компоненты вариантов осуществления имеют по существу аналогичные признаки, и, таким образом, в рамках конкретного варианта осуществления не обязательно приводится полное описание каждого признака каждого из имеющих аналогичные названия компонентов. Кроме того, в той мере, в которой линейные или угловые размеры используют для характеристики описанных систем, устройств и способов, такие размеры не предполагают ограничения типы форм, которые можно использовать в отношении таких систем, устройств и способов. Специалист в данной области определит, что эквивалент таким линейным и угловым размерам может быть легко определен для любой геометрической формы.

[0054] В представленных выше описаниях и в пунктах формулы изобретения можно использовать такие выражения, как «по меньшей мере один из» или «один или более из», сопровождаемые соединительным списком элементов или признаков. В списке из двух или более элементов или признаков также может присутствовать термин «и/или». Если это явно или неявно не противоречит контексту использования такого выражения, оно предназначено для обозначения любого из перечисленных элементов или признаков по отдельности или любой из упомянутых элементов или признаков в комбинации с любым из остальных упомянутых элементов или признаков. Например, выражения «по меньшей мере один из А и В», «один или более из А и В» и «А и/или В» каждое призвано означать «только А, только В или А и В вместе». Аналогичное толкование также предполагается для списков из трех или более элементов. Например, выражения «по меньшей мере один из А, В и С», «один или более из А, В и С» и «А, В и/или С» каждое должно означать «только А, только В, только С, А и В вместе, А и С вместе, В и С вместе или А, и В, и С вместе». Кроме того, использование выражения «на основании» выше и в пунктах формулы изобретения предназначено для обозначения «на основании по меньшей мере частично» так, что неупомянутый признак или элемент также допустимы.

[0055] Для обеспечения полного понимания принципов конструкции, функционирования, производства и использования систем, устройств и способов, описанных в настоящем документе, ниже приведено описание определенных примеров осуществления. Один или более примеров таких вариантов осуществления проиллюстрированы на сопроводительных рисунках. Специалисту в данной области будет понятно, что системы, устройства и способы, конкретно описанные в настоящем документе и проиллюстрированные на сопроводительных чертежах, являются примерами осуществления, не имеющими ограничительного характера, а также что объем настоящего изобретения определяется только формулой изобретения. Признаки, проиллюстрированные или описанные в связи с одним примером осуществления, можно комбинировать с признаками других вариантов осуществления. Предполагается, что объем настоящего изобретения включает такие модификации и варианты. Кроме того, в настоящем описании имеющие аналогичные названия компоненты вариантов осуществления имеют по существу аналогичные признаки, и, таким образом, в рамках конкретного варианта осуществления не обязательно приводится полное описание каждого признака каждого из имеющих аналогичные названия компонентов. Описываемый в настоящем документе объект изобретения может быть реализован в виде цифровой электронной схемы или в виде компьютерного программного обеспечения, программно-аппаратного обеспечения или аппаратного обеспечения, включая описанные в настоящем описании структурные средства и их структурные эквиваленты, или их комбинации. Описанный в настоящем документе объект изобретения может быть реализован в виде одного или более компьютерных программных продуктов, таких как одна или более компьютерных программ, практически реализованных на носителе информации (например, на машиночитаемом устройстве хранения данных), или реализован в виде распространяющегося сигнала, для исполнения устройством обработки данных или для управления его работой (например, программируемого процессора, компьютера или множества компьютеров). Компьютерная программа (также называемая программой, программным обеспечением, приложением или кодом) может быть написана на языке программирования любого типа, включая компилируемые или интерпретируемые языки, и может устанавливаться в любой форме, включая автономную программу или модуль, компонент, подпрограмму или другой элемент, пригодный для использования в вычислительной среде. Компьютерная программа не обязательно соответствует файлу. Программа может храниться в части файла, который содержит другие программы или данные, в одном файле, предназначенном для рассматриваемой программы, или во множестве согласованных файлов (например, файлов, которые содержат один или более модулей, подпрограмм или частей кода). Компьютерная программа может устанавливаться для исполнения на одном компьютере или на множестве компьютеров в одном месте или распределяться во множестве мест, объединенных сетью связи.

[0056] Процессы и логические потоки, представленные в настоящем описании, включая этапы способов в соответствии с объектом изобретения, описанным в настоящем документе, могут выполняться одним или более программируемыми процессорами, исполняющими одну или более компьютерных программ для выполнения функций в соответствии с объектом изобретения, описанным в настоящем документе, посредством использования входных данных и генерации выходных данных. Процессы и логические потоки также могут выполняться на специальной логической электронной схеме, например программируемой пользователем вентильной матрице (FPGA) или специализированной интегральной схеме (ASIC) и устройство описанного в настоящем документе объекта изобретения может быть реализовано в виде нее.

[0057] Пригодные для исполнения компьютерной программы процессоры в качестве примера включают процессоры как общего, так и специального назначения, а также любой один или более процессоров цифрового компьютера любого типа. В целом, процессор будет получать инструкции и данные от постоянного запоминающего устройства, оперативного запоминающего устройства или обоих. Существенными элементами компьютера являются процессор для исполнения инструкций и одно или более запоминающих устройств для хранения инструкций и данных. В целом компьютер также будет включать одно или более устройств хранения данных, например магнитный, магнитооптический или оптический диски, или будет функционально соединен с возможностью получения данных от них, или передачи данных на них, или для обеих целей. Пригодные для хранения инструкций и данных компьютерных программ носители информации включают все формы энергонезависимой памяти, включая, например, полупроводниковые запоминающие устройства (например, EPROM, EEPROM и флэш-накопители); магнитные диски (например, внутренние жесткие диски или съемные диски); магнитооптические диски и оптические диски (например, CD- и DVD-диски). Процессор и память могут быть дополнены специализированной логической электронной схемой или встроены в нее.

[0058] Для обеспечения взаимодействия с пользователем описанный в настоящем документе объект изобретения может быть реализован на компьютере, имеющем устройство отображения, например КЛТ- (катодно-лучевая трубка) или ЖК- (жидкокристаллический) монитор, для отображения информации пользователю, и клавиатуру и указывающее устройство, (например, мышь или трекбол), с помощью которых пользователь может вводить в компьютер входные данные. Для обеспечения взаимодействия с пользователем также могут использоваться и другие типы устройств. Например, предоставляемая пользователю обратная связь может принимать форму любой сенсорной обратной связи (например, визуальной обратной связи, слуховой обратной связи или тактильной обратной связи), и входные данные от пользователя тоже могут поступать в любой форме, включая звуковые, речевые или тактильные входные данные.

[0059] Описанные в настоящем документе технологии можно реализовать с использованием одного или более модулей. В настоящем документе термин «модуль» относится к компьютерному программному обеспечению, программно-аппаратному обеспечению, аппаратному обеспечению и/или их различным комбинациям. Однако как минимум модули не следует интерпретировать как программное обеспечение, которое не реализовано в аппаратном или программно-аппаратном виде или не записано на нетранзиторные машиночитаемые носители (т. е. модули сами по себе не являются программным обеспечением). Фактически «модуль» следует интерпретировать как нечто, включающее по меньшей мере некоторое физическое нетранзиторное аппаратное обеспечение, такое как часть процессора или компьютера. Два разных модуля могут совместно использовать одно и то же физическое аппаратное обеспечение (например, два разных модуля могут использовать один и тот же процессор и сетевой интерфейс). Описанные в настоящем документе модули можно комбинировать, интегрировать, разделять и/или дублировать для поддержки различных приложений. Кроме того, функция, которая в настоящем документе описана как выполняемая конкретным модулем, может выполняться в одном или более других модулях и/или одним или более другими устройствами вместо или в дополнение к функции, выполняемой в конкретном модуле. Более того, модули могут быть реализованы распределенными по множеству устройств и/или других компонентов, локальных или удаленных друг от друга. Дополнительно модули могут перемещаться с одного устройства и добавляться на другое устройство и/или могут входить в состав обоих устройств.

[0060] Описанный в настоящем документе объект изобретения может быть реализован на компьютерной системе, которая включает внутренний компонент (например, сервер данных), средний компонент (например, сервер приложений) или интерфейсный компонент (например, компьютер-клиент с графическим интерфейсом пользователя или сетевой браузер, с помощью которых пользователь может взаимодействовать с реализацией описанного в настоящем документе объекта изобретения) либо любую комбинацию таких внутренних, средних и интерфейсных компонентов. Компоненты системы могут быть связаны между собой любой формой или средой цифрового обмена данными, например, сетью связи. К примерам сетей связи относятся локальная вычислительная сеть (LAN) и глобальная сеть (WAN), например Интернет.

[0061] Используемые в настоящем описании и пунктах формулы изобретения приблизительные формулировки можно применять для модификации любого количественного представления, которое можно изменять, не вызывая изменения основной функции, к которой оно относится. Соответственно, значение, модифицированное с помощью термина или терминов, таких как «около» или «по существу», не ограничено точным указанным значением. В по меньшей мере некоторых случаях приблизительные формулировки могут соответствовать точности прибора, используемого для измерения значения. Используемые в настоящем описании и пунктах формулы изобретения ограничения на диапазоны значений можно комбинировать и/или заменять, и такие диапазоны указывают и включают все содержащиеся в них поддиапазоны, если только контекст или формулировки не указывают на иное.

Похожие патенты RU2766106C1

название год авторы номер документа
ОБНАРУЖЕНИЕ НЕШТАТНЫХ СИТУАЦИЙ ДЛЯ ПРОГНОЗНОГО ТЕХНИЧЕСКОГО ОБСЛУЖИВАНИЯ И ОПРЕДЕЛЕНИЯ КОНЕЧНЫХ РЕЗУЛЬТАТОВ И ТЕХНОЛОГИЧЕСКИХ ПРОЦЕССОВ НА ОСНОВАНИИ КАЧЕСТВА ДАННЫХ 2020
  • Гатту, Джагадиш
  • Охад, Нимрод
RU2777950C1
Способ определения источников аномалии в кибер-физической системе 2020
  • Лаврентьев Андрей Борисович
  • Воронцов Артем Михайлович
  • Филонов Павел Владимирович
  • Шалыга Дмитрий Константинович
  • Шкулев Вячеслав Игоревич
  • Демидов Николай Николаевич
  • Иванов Дмитрий Александрович
RU2749252C1
Система и способ определения источника аномалии в кибер-физической системе, обладающей определенными характеристиками 2018
  • Лаврентьев Андрей Борисович
  • Воронцов Артем Михайлович
  • Филонов Павел Владимирович
  • Шалыга Дмитрий Константинович
  • Шкулев Вячеслав Игоревич
  • Демидов Николай Николаевич
  • Иванов Дмитрий Александрович
RU2724075C1
АВТОМАТИЗИРОВАННАЯ СИСТЕМА ВЫЯВЛЕНИЯ И ПРОГНОЗИРОВАНИЯ ОСЛОЖНЕНИЙ В ПРОЦЕССЕ СТРОИТЕЛЬСТВА НЕФТЯНЫХ И ГАЗОВЫХ СКВАЖИН 2020
  • Дмитриевский Анатолий Николаевич
  • Еремин Николай Александрович
  • Черников Александр Дмитриевич
  • Сбоев Александр Георгиевич
RU2745137C1
Система и способ формирования данных для мониторинга кибер-физической системы с целью раннего определения аномалий в системе графического интерфейса пользователя 2018
  • Лаврентьев Андрей Борисович
  • Воронцов Артем Михайлович
  • Филонов Павел Владимирович
  • Шалыга Дмитрий Константинович
  • Шкулев Вячеслав Игоревич
  • Демидов Николай Николаевич
  • Иванов Дмитрий Александрович
RU2724716C1
СПОСОБ СБОРА ИНФОРМАЦИИ ОБ ЭКОЛОГИЧЕСКОМ СОСТОЯНИИ РЕГИОНА И АВТОМАТИЗИРОВАННАЯ СИСТЕМА АВАРИЙНОГО И ЭКОЛОГИЧЕСКОГО МОНИТОРИНГА ОКРУЖАЮЩЕЙ СРЕДЫ РЕГИОНА 2010
  • Алексеев Сергей Петрович
  • Курсин Сергей Борисович
  • Яценко Сергей Владимирович
  • Бродский Павел Григорьевич
  • Зверев Сергей Борисович
  • Аносов Виктор Сергеевич
  • Жуков Юрий Николаевич
  • Дикарев Виктор Иванович
  • Дружевский Сергей Анатольевич
  • Леньков Валерий Павлович
  • Руденко Евгений Иванович
  • Чернявец Владимир Васильевич
  • Шалагин Николай Николаевич
RU2443001C1
АВТОМАТИЗИРОВАННАЯ СИСТЕМА ВЫЯВЛЕНИЯ И ПРОГНОЗИРОВАНИЯ ОСЛОЖНЕНИЙ В ПРОЦЕССЕ СТРОИТЕЛЬСТВА НЕФТЯНЫХ И ГАЗОВЫХ СКВАЖИН 2020
  • Дмитриевский Анатолий Николаевич
  • Еремин Николай Александрович
  • Черников Александр Дмитриевич
  • Чащина-Семенова Ольга Кимовна
  • Фицнер Леонид Константинович
RU2745136C1
СЕГМЕНТАЦИЯ И ПРОГНОЗИРОВАНИЕ ВРЕМЕННЫХ ПАТТЕРНОВ ШЛЕЙФОВ НИЗКОГО УРОВНЯ 2020
  • Уайтинг, Озге Кэн
  • Амбати, Раджив Бхатт
  • Узунбас, Мустафа Гёкхан
  • Хоанг, Тхай
RU2783420C1
СПОСОБ МОНИТОРИНГА СОСТОЯНИЯ УЗЛОВ АВТОМАТИЗИРОВАННЫХ ТЕХНОЛОГИЧЕСКИХ КОМПЛЕКСОВ ПРОИЗВОДСТВ НЕПРЕРЫВНОГО ТИПА 2014
  • Слетнев Максим Сергеевич
RU2580786C2
СИСТЕМА АВТОМАТИЗАЦИИ РАБОТЫ ЛЕТНОГО ЭКИПАЖА 2017
  • Дуда Джессика Е.
  • Тилко Джон
  • Майнделл Дэвид
  • Кунзи Фабрис
  • Пьедмонте Майкл
  • Аллее Джон
  • Торгерсон Джошуа
  • Райан Джейсон
  • Падуано Джеймс Дональд
  • Висслер Джон Брук
  • Масто Эндрю
  • Финстра Венди
RU2732646C2

Иллюстрации к изобретению RU 2 766 106 C1

Реферат патента 2022 года ОБНАРУЖЕНИЕ НЕШТАТНЫХ СИТУАЦИЙ

Изобретение относится к области информационных технологий, а именно к системам контроля и обнаружения нештатных ситуаций. Технический результат заключается в повышении точности определения нештатной ситуации. Способ обнаружения нештатных ситуаций в функционировании промышленной системы с промышленной нефтегазовой установкой включает прием первых зависящих от времени данных, расчет на основании первых зависящих от времени данных первого значения рабочей характеристики промышленной нефтегазовой установки за временной период, прием второго значения рабочей характеристики, определенного на промышленной нефтегазовой установке, определение первого балла нештатной ситуации, генерацию визуального представления, прием вторых зависящих от времени данных от второго датчика, функционально связанного с промышленной нефтегазовой установкой, расчет на основании вторых зависящих от времени данных, третьего и четвертого значения рабочей характеристики, определенного на промышленной нефтегазовой установке, определение второго балла нештатной ситуации и определение модифицированного балла нештатной ситуации на основании первого балла нештатной ситуации и второго балла нештатной ситуации. 2 н. и 14 з.п. ф-лы, 6 ил.

Формула изобретения RU 2 766 106 C1

1. Способ обнаружения нештатных ситуаций в функционировании промышленной системы с промышленной нефтегазовой установкой, включающий:

прием первых зависящих от времени данных, характеризующих результат измерения с помощью первого датчика, функционально связанного с промышленной нефтегазовой установкой;

расчет на основании первых зависящих от времени данных первого значения рабочей характеристики промышленной нефтегазовой установки за временной период;

прием второго значения рабочей характеристики, определенного на промышленной нефтегазовой установке;

определение первого балла нештатной ситуации, связанного с первой частью первых зависящих от времени данных за временной период, причем определение основано на упомянутых первом значении и втором значении;

генерацию визуального представления, соответствующего первому баллу нештатной ситуации, в пространстве отображения информации графического интерфейса пользователя;

прием вторых зависящих от времени данных, характеризующих результат измерения с помощью второго датчика, функционально связанного с промышленной нефтегазовой установкой;

расчет на основании вторых зависящих от времени данных, третьего значения рабочей характеристики промышленной нефтегазовой установки за временной период;

прием четвертого значения рабочей характеристики, определенного на промышленной нефтегазовой установке;

определение второго балла нештатной ситуации, связанного с первой частью вторых зависящих от времени данных за временной период, причем определение основано на упомянутых третьем значении и четвертом значении; и

определение модифицированного балла нештатной ситуации на основании первого балла нештатной ситуации и второго балла нештатной ситуации.

2. Способ по п. 1, в котором определение первого балла нештатной ситуации включает в себя вычисление разности между первым значением рабочей характеристики и вторым значением рабочей характеристики и сравнение полученной разности с заданным пороговым значением.

3. Способ по п. 1, дополнительно включающий определение первой прогнозной модели первого датчика на основании ретроспективных данных, связанных с первым датчиком.

4. Способ по п. 3, в котором определение первой прогнозной модели включает определение одного или более коэффициентов характеристического уравнения, связанного с данными промышленными нефтегазовыми установками, на основании ретроспективных данных, причем характеристическое уравнение выполнено с возможностью приема первых зависящих от времени данных в качестве входных данных и генерации первого балла нештатной ситуации.

5. Способ по п. 3, в котором в первой прогнозной модели рассчитано первое значение рабочей характеристики на основании зависящих от времени данных, характеризующих результат измерения с помощью первого датчика.

6. Способ по п. 1, в котором пространство отображения информации графического интерфейса пользователя включает в себя первый интерактивный объект и второй интерактивный объект, причем первый интерактивный объект выполнен с возможностью приема первых входных данных пользователя, а второй интерактивный объект выполнен с возможностью приема вторых входных данных пользователя.

7. Способ по п. 6, в котором определение первой прогнозной модели выполнено на основании первых входных данных пользователя.

8. Способ по п. 6, в котором прием зависящих от времени данных, характеризующих результат измерения с помощью первого датчика, определение первого балла нештатной ситуации и генерация визуального представления выполнены на основании вторых входных данных пользователя.

9. Система для обнаружения нештатных ситуаций в функционировании промышленной системы с промышленной нефтегазовой установкой, включающая:

по меньшей мере один процессор обработки данных;

память, соединенную с по меньшей мере одним процессором обработки данных, причем в памяти хранятся инструкции для обеспечения выполнения по меньшей мере одним процессором обработки данных операций, включающих:

прием первых зависящих от времени данных, характеризующих результат измерения с помощью первого датчика, функционально связанного с промышленной нефтегазовой установкой;

расчет на основании первых зависящих от времени данных первого значения рабочей характеристики промышленной нефтегазовой установки за временной период;

прием второго значения рабочей характеристики, определенного на промышленной нефтегазовой установке;

определение первого балла нештатной ситуации, связанного с первой частью первых зависящих от времени данных за временной период, причем определение основано на упомянутых первом значении и втором значении;

генерацию визуального представления, соответствующего первому баллу нештатной ситуации, в пространстве отображения информации графического интерфейса пользователя;

прием вторых зависящих от времени данных, характеризующих результат измерения с помощью второго датчика, функционально связанного с промышленной нефтегазовой установкой;

расчет на основании вторых зависящих от времени данных третьего значения рабочей характеристики промышленной нефтегазовой установки за временной период;

прием четвертого значения рабочей характеристики, определенного на промышленной нефтегазовой установке;

определение второго балла нештатной ситуации, связанного с первой частью вторых зависящих от времени данных за временной период, причем определение основано на упомянутых третьем значении и четвертом значении; и

определение модифицированного балла нештатной ситуации на основании первого балла нештатной ситуации и второго балла нештатной ситуации.

10. Система по п. 9, в которой определение первого балла нештатной ситуации включает вычисление разности между первым значением рабочей характеристики и вторым значением рабочей характеристики и сравнение разности с заданным пороговым значением.

11. Система по п. 9, в которой работа дополнительно включает определение первой прогнозной модели первого датчика на основании ретроспективных данных, связанных с первым датчиком.

12. Система по п. 11, в которой определение первой прогнозной модели включает определение одного или более коэффициентов характеристического уравнения, связанного с промышленными нефтегазовыми установками, на основании ретроспективных данных, причем характеристическое уравнение выполнено с возможностью приема первых зависящих от времени данных в качестве входных данных и генерации первого балла нештатной ситуации.

13. Система по п. 11, в которой в первой прогнозной модели рассчитано первое значение рабочей характеристики из зависящих от времени данных, характеризующих результат измерения с помощью первого датчика.

14. Система по п. 9, в которой пространство отображения информации графического интерфейса пользователя включает первый интерактивный объект и второй интерактивный объект, причем первый интерактивный объект выполнен с возможностью приема первых входных данных пользователя, а второй интерактивный объект выполнен с возможностью приема вторых входных данных пользователя.

15. Система по п. 14, в которой определение первой прогнозной модели выполнено на основании первых входных данных пользователя.

16. Система по п. 14, в которой прием зависящих от времени данных, характеризующих результат измерения с помощью первого датчика, определение первого балла нештатной ситуации и генерация визуального представления выполнены на основании вторых входных данных пользователя.

Документы, цитированные в отчете о поиске Патент 2022 года RU2766106C1

Устройство для закрепления лыж на раме мотоциклов и велосипедов взамен переднего колеса 1924
  • Шапошников Н.П.
SU2015A1
Токарный резец 1924
  • Г. Клопшток
SU2016A1
СПОСОБ АВТОМАТИЗИРОВАННОЙ ОБРАБОТКИ И АНАЛИЗА ТЕЛЕМЕТРИЧЕСКОЙ ИНФОРМАЦИИ МНОГОПАРАМЕТРИЧЕСКОГО ОБЪЕКТА И СИСТЕМА ДЛЯ ЕГО ОСУЩЕСТВЛЕНИЯ 2013
  • Иванов Анатолий Владимирович
  • Кононенко Андрей Владимирович
  • Фалеев Олег Владимирович
  • Тихомиров Сергей Александрович
RU2557477C2
СОЗДАНИЕ ИНТЕГРИРОВАННЫХ ПРЕДУПРЕЖДЕНИЙ В ТЕХНОЛОГИЧЕСКОЙ УСТАНОВКЕ 2003
  • Эрюрек Эврен
  • Ллевеллин Крэйг Томас
  • Маршалл Лестер Дэвид
  • Вестброк Джон Д.
  • Харрис Стюарт А.
  • Хоукнесс Скотт Н.
RU2357278C2

RU 2 766 106 C1

Авторы

Субраманиян, Арун, Картхи

Кеннеди, Майкл

Чжао, Хаймин

Нонато Де Паула, Фабио

Юнус, Имран

Даты

2022-02-07Публикация

2019-01-25Подача