[发明专利]快速异常检测方法

说明书

技术领域

本文描述的系统和方法总体上涉及识别小的数据集合中的外围数据(outlying data)。更具体而言，这些系统和方法涉及量化相比于小的相关工程或操作数据集合时的外围工程或操作数据的统计技术。

背景技术

在动力生成设备(例如涡轮机、压缩机、发电机等等)的操作和维护中，接收和存储对应于机器的各种属性的传感器读数。这些传感器读数通常称为“标签(tag)”，并且存在许多类型的标签(例如振动标签、效率标签、温度标签、压力标签等等)。

随着时间密切监视这些标签在理解机器磨损特性(例如单元的内部损坏、压缩机事件、计划与未计划的跳闸(trip))方面具有许多益处。例如，压缩机中转子振动的值(随着时间)增大可能意味着严重的问题。更好地了解机器的磨损还通过用作机器事件的前导指示器(leading indicator)的内嵌规则或者警告(alert)集合而提高故障诊断能力。将所有标签异常与所设计的规则-警告一起同时显示使得机器监视和诊断以及新规则/警告的创建极为高效和有效。负责监视和诊断的个人可以立即将其注意力转向关键的偏差。

然而，在传感器数据中存在大量噪声。为了消除噪声并且使得在不同时间或者对于不同机器的观察是可比较的，需要进行许多不同的校正并且需要使用许多不同的控制因素。即便如此，同时监视许多标签(可能存在数百到数千标签)并且诊断数据中的异常仍然是非常困难的。

从数据中消除噪声以及捕获或者识别可用格式(例如幅度和方向)中的异常并且然后在规则或模型建立中使用该异常信息是许多不同行业、技术和领域中的必需过程。在工程应用中，监视和诊断团队通常按照例程和特有风格通过控制图、直方图和散点图来处理该问题。然而，这种方法有必要对给定标签是否异常地高或异常地低做出主观评价。

存在包括z分数模型(z-score)的已知统计技术来评估某组中的特定值为外围值(即异常值)的程度。典型的z分数模型基于对组的均值和标准偏差的计算。尽管z分数模型在对元素众多的组中的单个观察为异常值的程度的评估方面会是有效的，但是已经证明，z分数模型在用于仅包含少量值的数据集合上的时候丧失了其作为异常性指示的有效性。

在计算异常分数时，经常出现只有少数待操作的值的情况。例如，在将某机器(例如涡轮机)与一组同类机器(例如相似的涡轮机)进行比较时，经常出现难于确定可以合理地认为是所述目标机器的同类的为数不多的机器的情况。此外，经常希望对在当前配置下可能仅工作过有限时间段的机器的性能进行评估。结果，使用标准的z分数模型来作为对异常分数的测量经常是不希望的或者不精确的，因为标准的z分数模型对于小的数据集合是不鲁棒的。

因此，在本领域中存在对于能够容易地识别、量化和显示各种类型的动力生成设备所经历的异常的过程、方法和/或工具的需要。再者，该过程、方法和/或工具应当允许将异常信息转变成诸如感兴趣事件的前导指示器之类的有意义知识。

发明内容

本发明提供了用于确定代表目标机器性能的操作度量是否具有异常值的方法。该方法包括步骤：收集来自至少一个机器的操作数据；根据所述操作数据计算例外异常分数(exceptional anomaly score)。

此外，本发明提供了用于确定代表目标机器性能的操作度量是否具有异常值的方法。该方法包括步骤：收集来自至少一个机器的操作数据；根据操作数据计算至少一个例外异常分数；集合(aggregate)所述操作数据；为所述例外异常分数创建至少一个灵敏度设置；创建至少一个警告，其中所述警告基于所述例外异常分数和/或所述操作数据；创建至少一个热图(hea tmap)。该热图可视地示出了所述例外异常分数和/或所述操作数据。

此外，本发明提供了用于确定代表目标机器性能的操作度量是否具有异常值的方法。该方法包括步骤：收集来自至少一个机器的操作数据；根据获得的操作数据计算至少一个例外异常分数；集合所获得的操作数据；为所述至少一个例外异常分数创建至少一个灵敏度设置；创建至少一个警告，其中所述警告基于所述例外异常分数和/或所述操作数据；创建至少一个热图。该热图可视地示出了所述例外异常分数和/或所述操作数据。

附图说明

图1为例外异常分数截止表。

图2图解说明了例外异常分数的描述性统计。

图3为图解说明了截止值与异常分布百分数之间基于组内Z(Z-Within)的经验结果的转换的曲线图。

图4图解说明了组内Z值的分布。

图5图解说明了组间Z(Z-Between)值的分布。