Способ автоматизированного сбора и подготовки данных для мониторинга и моделирования сложной технической системы

Изобретение относится к области техники и информатики, а более конкретно - к способу автоматизированного сбора и подготовки данных для мониторинга и моделирования сложной технической системы. Технический результат – обеспечение объективной оценки состояния сложной технической системы. Для этого предложен способ автоматизированного сбора и подготовки данных для мониторинга и моделирования сложной технической системы, в котором данные преобразуют в цифровое представление, сохраняют в хранилище данных, группируют, формируют модель, находят отклонения и реализуют мониторинг и прогнозирование. По сравнению с уровнем техники заявляемый способ обладает максимальной гибкостью и позволяет достичь лучших результатов в процессах автоматизированного сбора и подготовки данных для мониторинга и моделирования сложной технической системы. 2 з.п. ф-лы, 1 ил.

 

Изобретение относится к области техники и информатики, а более конкретно - к способу автоматизированного сбора и подготовки данных для мониторинга и моделирования сложной технической системы.

Настоящее изобретение может найти применение при создании, эксплуатации, управлении и мониторинге систем различного назначения, включая сложные технические системы, в которых интегрированы агрегаты различного назначения и архитектуры, используемые в энергетике, машиностроении, коммунальном и сельском хозяйстве, медицине и других отраслях.

В основу настоящего изобретения положена задача создания такого способа автоматизированного сбора и подготовки данных для мониторинга и моделирования сложной технической системы, который позволил бы объективно оценивать состояние сложной технической системы, позволял бы группировать данные по интервалу времени, принадлежности к агрегату и/или подсистеме агрегатов и устанавливал бы соответствия исходных или группированных данных обобщенному состоянию системы, исходные или группированные данные могли бы быть снабжены показателем степени доверия к ним, возможно было бы сформировать модель представления и обработки данных, а также метод оценки отличия данных от аналогичных данных других сходных систем или данной системы в другой момент времени.

Наиболее близким к данному изобретению является автоматизированная система мониторинга технического состояния и поддержки принятия управляющих решений по повышению безопасности и надежности комплексов гидротехнических сооружений (патент РФ №2460127), которую можно принять за прототип.

В системе-прототипе описана автоматизированная система мониторинга технического состояния и поддержки принятия управляющих решений по повышению безопасности и надежности комплексов гидротехнических сооружений ГЭС и иных объектов, включающая контрольно-управляющий блок и средства ввода/вывода информации, центральный процессор, блок данных по контролируемому объекту, отличающаяся тем, что в состав автоматизированной системы дополнительно включены блок мониторинга и диагностики технического состояния ГТС, предназначенный для автоматизированного сбора, хранения и обработки данных регулярных натурных наблюдений за показателями технического состояния ГТС всех ГЭС или иных объектов, принадлежащих корпорации, блок оценки состояния и уровня безопасности ГТС, предназначенный для автоматизации процессов оценки состояния ГТС, анализа и оценки риска аварий ГТС и процедуры декларирования безопасности ГТС, блок планирования воздействий на ГТС, предназначенный для формирования оптимальных с точки зрения повышения безопасности и надежности ГТС и экономически эффективных планов ремонтов и реконструкции ГТС, блок управления знаниями в сфере безопасности и надежности ГТС, предназначенный для обеспечения всех участников системы управления безопасностью и надежностью ГТС ГЭС правовой, нормативно-методической и справочно-аналитической информацией, а также база данных портфеля ГТС ГЭС корпорации и связи указанных блоков с участниками системы, привлекаемыми для выполнения оценок состояния ГТС, уровня их надежности и безопасности, при этом результаты наблюдений за техническим состоянием, оценок состояния и уровня безопасности ГТС всех ГЭС или иных объектов, принадлежащих одной корпорации, собираются и хранятся в единой базе данных портфеля ГТС ГЭС, а обработка данных и планирование управляющих воздействий на ГТС осуществляются в автоматизированном режиме с привлечением групп экспертов, использующих единые для всех ГТС алгоритмы.

Однако описанная в прототипе система имеет следующие недостатки: не позволяет группировать данные по интервалу времени, принадлежности к агрегату и/ил подсистеме агрегатов и не устанавливает соответствия исходных или группированных данных обобщенному состоянию системы, исходные или группированные данные не снабжены показателем степени доверия к ним, невозможно было бы сформировать другую модель представления и обработки данных, а также метод оценки отличия данных от аналогичных данных других сходных систем или данной системы в другой момент времени.

Задачи изобретения решены и недостатки прототипа устранены в реализованном согласно настоящему изобретению способе автоматизированного сбора и подготовки данных для мониторинга и моделирования технической системы, состоящей из отдельных агрегатов и/или подсистем агрегатов, при этом данные о функционировании агрегатов и/или подсистем агрегатов представлены в виде показателей в различных материальных формах, допускающих цифровое представление и характеризуют технологические параметры как агрегатов и подсистем агрегатов, так и системы в целом, предусматривающем следующие стадии:

1) данные о функционировании агрегатов и/или подсистем агрегатов, представленные в виде показателей в различных материальных формах, преобразуют в цифровое представление, характеризующее текущие технологические параметры агрегатов и/или подсистем агрегатов и сохраняют в хранилище данных, связанное с данной системой, либо находящееся вне ее;

2) данные о функционировании системы, находящиеся в хранилище, преобразуют в последовательности значений, коррелированных с моментами реального или условного времени системы;

3) эксперт и/или оператор системы необязательно группирует данные, находящиеся в хранилище, по интервалу времени, принадлежности к агрегату и/ил подсистеме агрегатов и устанавливает соответствия исходных или группированных данных обобщенному состоянию системы, известному эксперту и/или оператору или взятому из внешнего информационного ресурса;

4) эксперт и/или оператор системы снабжает исходные или группированные данные показателем степени доверия к ним и помещает данные показатели в хранилище совместно с этими данными;

5) эксперт и/или оператор системы на основании оценки объема данных, группированных данных, показателя степени доверия к ним формирует модель представления и обработки данных, метод оценки отличия данных от аналогичных данных других сходных систем или данной системы в другой момент времени и сохраняет модель и метод в хранилище данных или на внешнем по отношению к системе ресурсе;

6) эксперт и/или оператор системы устанавливает соответствия исходных или группированных данных и/или отклонения от них событиям системы, известному эксперту и/или оператору или взятым из внешнего информационного ресурса, которые без ограничения могут являться неисправными, либо критичными, либо иными нежелательными состояниями системы;

7) эксперт и/или оператор системы передает накопленные в хранилище данные согласно шагам 1-6, включая модель представления и обработки данных на вычислительный ресурс с целью вычисления в соответствии с данной моделью состояния как системы в целом, так и агрегатов и/или систем агрегатов в моменты времени, относимые к прошлому в целях проверки корректности модели, либо в моменты времени, относимые к будущему в целях прогнозирования, реализуя моделирование;

8) эксперт и/или оператор системы в ручном или автоматизированном режиме сравнивает накопленные в хранилище данные согласно шагам 1-6 данные как о состояния как системы в целом, так и агрегатов и/или систем агрегатов с данными аналогичных данных других сходных систем или данной системы в другой момент времени, реализуя мониторинг.

Технически целесообразно в данном способе рассматривать ситуацию, когда в качестве данных используются ранее накопленные данные отличных от данной аналогичных систем.

Также технически целесообразно в данном способе рассматривать ситуацию, когда описанные выше стадии 4-7 в любом сочетании выполняются системой искусственного интеллекта.

За счет реализации заявленного способа достигаются следующие технические результаты:

- возможно объективно оценивать состояние сложной технической системы,

- возможно группировать данные по интервалу времени, принадлежности к агрегату и/ил подсистеме агрегатов и устанавливать бы соответствия исходных или группированных данных обобщенному состоянию системы,

- исходные или группированные данные снабжены показателем степени доверия к ним,

- возможно сформировать модель представления и обработки данных, а также метод оценки отличия данных от аналогичных данных других сходных систем или данной системы в другой момент времени.

Сбор исходных данных (ИД) есть процесс получения (приема) и распределения всех значений измеряемых параметров сложной технической системы (СТС). Под обработкой ИД понимается процесс получения оценок измеряемых параметров СТС на основе собранных данных, снабженных показателем степени доверия к этим оценкам. Целью мониторинга состояния СТС на основе анализа ИД является получение обобщенных оценок совокупности параметров СТС, значения которых в явном виде либо указывают степень работоспособности рассматриваемого отдельного устройства (ОУ) (агрегата) или место и вид возникшей неисправности, либо являются оценками прогнозируемых явлений и процессов с заданной точностью и интервалом прогноза.

Интегральную оценку состояния СТС выполняют операторы (эксперты). Для этого им требуется знать и уметь оперативно анализировать многочисленные контекстные условия процессов динамического взаимодействия элементов и подсистем, что качественно в полном объеме и в реальном времени выполнять практически невозможно, поэтому для реализации описанного способа используется специальное программное обеспечение (СПО).

При наличии большой разнотипности как самих объектов анализа (OA) или ОУ (в том числе их сменяемости), так и непосредственно обрабатываемой информации при проектировании новых версий специального программного обеспечения (СПО) автоматизированного анализа (АА) ИД необходимо учитывать целый спектр требований, в частности:

- малые сроки «постановки на информационное обслуживание» новых OA и, соответственно, небольшая стоимость этого процесса;

- невысокие требования к программистской квалификации сопровождающего СПО персонала;

- унификация и модульность построения используемых в СПО программно-алгоритмических средств, что позволяет быстро комплектовать нужные версии в зависимости от конкретных условий и целей применения СТС;

- устойчивая (надежная) работа СПО при возникновении различных нештатных (непредусмотренных специалистами по соответствующим OA) ситуаций;

- режим обработки ИД «в реальном времени».

Настоящее изобретение будет раскрыто в нижеследующем описании системы, предназначенной автоматизированного сбора и подготовки данных для мониторинга и моделирования сложной технической системы со ссылками на Фиг. 1, включающую датчики, поставляющие данные о функционировании агрегатов и/или подсистем агрегатов, представленные в виде показателей в различных материальных формах, преобразованные в цифровое представление (блоки 1), хранилище данных (блок 2), включающей эксперта и/или оператора системы (3), внешний информационный ресурс (4), информацию о реализации методов и моделей (5), вычислительный ресурс (блок 6), при этом работа системы предусматривает следующие стадии:

1) данные о функционировании агрегатов и/или подсистем агрегатов, представленные в виде показателей в различных материальных формах, преобразуют в цифровое представление, характеризующее текущие технологические параметры агрегатов и/или подсистем агрегатов получают от блоков 1 и сохраняют в хранилище данных (блок 2), связанное с данной системой, либо находящееся вне ее;

2) данные о функционировании системы, находящиеся в хранилище (блок 2), преобразуют в последовательности значений, коррелированных с моментами реального или условного времени системы;

3) эксперт и/или оператор системы (3) необязательно группирует данные, находящиеся в хранилище (блок 2), по интервалу времени, принадлежности к агрегату и/ил подсистеме агрегатов и устанавливает соответствия исходных или группированных данных обобщенному состоянию системы, известному эксперту и/или оператору или взятому из внешнего информационного ресурса (4);

4) эксперт и/или оператор системы (3) снабжает исходные или группированные данные показателем степени доверия к ним и помещает данные показатели в хранилище (блок 2) совместно с этими данными;

5) эксперт и/или оператор системы (3) на основании оценки объема данных, группированных данных, показателя степени доверия к ним формирует модель представления и обработки данных на основе информации блока 5, метод оценки отличия данных от аналогичных данных других сходных систем или данной системы в другой момент времени и сохраняет модель и метод в хранилище данных (2) или на внешнем по отношению к системе ресурсе (4);

6) эксперт и/или оператор системы (3) устанавливает соответствия исходных или группированных данных и/или отклонения от них событиям системы, известному эксперту и/или оператору или взятым из внешнего информационного ресурса (4), которые без ограничения могут являться неисправными, либо критичными, либо иными нежелательными состояниями системы;

7) эксперт и/или оператор системы (3) передает накопленные в хранилище данные (2) согласно шагам 1-6, включая модель представления и обработки данных на вычислительный ресурс (6) с целью вычисления в соответствии с данной моделью состояния как системы в целом, так и агрегатов и/или систем агрегатов в моменты времени, относимые к прошлому в целях проверки корректности модели, либо в моменты времени, относимые к будущему в целях прогнозирования, реализуя моделирование;

8) эксперт и/или оператор системы (3) в ручном или автоматизированном режиме сравнивает накопленные в хранилище данные (2) согласно шагам 1-6 данные как о состояния как системы в целом, так и агрегатов и/или систем агрегатов с данными аналогичных данных других сходных систем из внешнего ресурса (4) или данной системы в другой момент времени из хранилища (2), реализуя мониторинг.

По сравнению со способами, известными авторам, заявляемый способ обладает максимальной гибкостью и позволяет достичь лучших результатов в процессах автоматизированного сбора и подготовки данных для мониторинга и моделирования сложной технической системы.

Литература: О.В. Майданович, Интеллектуальные технологии автоматизированного мониторинга сложных технических объектов, Тр. СПИИРАН, 2013, выпуск 29, 201-216.

1. Способ автоматизированного сбора и подготовки данных для мониторинга и моделирования технической системы, состоящей из отдельных агрегатов и/или подсистем агрегатов, при этом данные о функционировании агрегатов и/или подсистем агрегатов представлены в виде показателей в различных материальных формах, допускающих цифровое представление, и характеризуют технологические параметры как агрегатов и подсистем агрегатов, так и системы в целом, предусматривающий следующие стадии:

1) данные о функционировании агрегатов и/или подсистем агрегатов, представленные в виде показателей в различных материальных формах, преобразуют в цифровое представление, характеризующее текущие технологические параметры агрегатов и/или подсистем агрегатов и сохраняют в хранилище данных, связанное с данной системой, либо находящееся вне ее;

2) данные о функционировании системы, находящиеся в хранилище, преобразуют в последовательности значений, коррелированных с моментами реального или условного времени системы;

3) данные, находящиеся в хранилище, группируют по интервалу времени, принадлежности к агрегату и/или подсистеме агрегатов и устанавливают соответствия исходных или группированных данных обобщенному состоянию системы, заранее известному или взятому из внешнего информационного ресурса;

4) исходные или группированные данные снабжают показателем степени доверия к ним и помещает данные показатели в хранилище совместно с этими данными;

5) на основании оценки объема данных, группированных данных, показателя степени доверия к ним формируют модель представления и обработки данных, метод оценки отличия данных от аналогичных данных других сходных систем или данной системы в другой момент времени и сохраняют модель и метод в хранилище данных или на внешнем по отношению к системе ресурсе;

6) устанавливают соответствия исходных или группированных данных и/или отклонения от них событиям системы, известным заранее или взятым из внешнего информационного ресурса, которые без ограничения могут являться неисправными, либо критичными, либо нежелательными состояниями системы;

7) передают накопленные в хранилище данные согласно шагам 1-6, включая модель представления и обработки данных на вычислительный ресурс с целью вычисления в соответствии с данной моделью состояния как системы в целом, так и агрегатов и/или систем агрегатов в моменты времени, относимые к прошлому в целях проверки корректности модели, либо в моменты времени, относимые к будущему в целях прогнозирования, реализуя моделирование;

8) в ручном или автоматизированном режиме сравнивают накопленные в хранилище данных согласно шагам 1-6 данные о состоянии как системы в целом, так и агрегатов и/или систем агрегатов с данными аналогичных данных других сходных систем или данной системы в другой момент времени, реализуя мониторинг.

2. Способ по п. 1, отличающийся тем, что в качестве данных используются ранее накопленные данные, отличные от данной аналогичных систем.

3. Способ по п. 1, отличающийся тем, что шаги 4-7 в любом сочетании выполняются системой искусственного интеллекта.



 

Похожие патенты:

Изобретение относится к области вычислительной техники. Техническим результатом является повышение качества создаваемых моделей кредитного скоринга.

Группа изобретений относится к области машинного обучения и может быть использована для оценки обучающих объектов. Техническим результатом является повышение эффективности алгоритма машинного обучения при экономии вычислительных ресурсов.

Изобретение относится к способу обработки информации. Техническим результатом является увеличение скорости запроса и обновления данных за счет снижения сложности базы данных для преобразования выражений.

Изобретение относится к области вычислительной техники. Техническим результатом является выбор целевого содержимого с помощью алгоритма машинного обучения.
Изобретение относится к компьютерно-реализуемой системе моделирования и разработки конструкторской документации. Технический результат заключается в автоматизации моделирования и разработки конструкторской документации.

Изобретение относится к области алгоритмов машинного обучения. Техническим результатом является повышение точности модели DNN (Глубокая нейронная сеть) с уменьшенным размером.

Изобретение относится к средствам для выбора потенциально ошибочно ранжированного документа в наборе поисковых результатов в ответ на запрос. Технический результат заключается в повышении точности машинного обучения.

Изобретение относится к извлечению информации из текстов на естественных языках. Техническим результатом является повышение точности сентиментного анализа текстов на естественном языке, осуществляемого на уровне аспектов текстов.

Изобретение относится к способам и системам для отбора обучающей выборки для обучения алгоритма машинного обучения. Технический результат заключается в расширении арсенала средств.

Группа изобретений относится к вычислительной технике и может быть использована для машинного обучения. Техническим результатом является повышение эффективности процесса обучения.

Изобретение относится к области цифровых вычислительных систем для обработки входной информации о характеристиках боевых средств противоборствующих сторон. Техническим результатом является обеспечение двухэтапного моделирования одновременного боя с разнородными группировками противника с учетом возможности поражения соседних боевых средств.

Изобретение относится к экспресс-способу прогнозирования пожароопасных свойств как температуры самовоспламенения предельных альдегидов. Способ характеризуется использованием молекулярных дескрипторов и искусственных нейронных сетей, реализация которого осуществляется путем применения алгоритма обучения «с учителем», обеспечивая анализ пожароопасных свойств веществ.

Изобретение относится к нефтяной промышленности и может быть использовано для управления операциями нефтяного месторождения в условиях неопределенности. В частности предложен способ управления операциями нефтяного месторождения, включающий: получение модели геологической среды, содержащей модель проекта трещины, имеющей свойство трещины с неопределенным значением; получение набора характерных значений, которые отражают неопределенность в свойстве трещины, посредством получения набора характерных значений, представляющих неопределенность в модели скорости распространения сейсмических волн; получение данных микросейсмического события; генерирование набора характерных значений для свойства трещины посредством использования набора характерных значений для модели скорости распространения сейсмических волн и данных микросейсмического события, решение задачи оптимизации нефтяного месторождения с переменным параметром управления посредством использования набора характерных значений для свойства трещины для получения решения, содержащего оптимальное значение для переменного параметра управления; генерирование проекта нефтяного месторождения, основанного на решении; и сохранение проекта нефтяного месторождения.

Группа изобретений относится к области моделирования процесса электрической сепарации смеси полимерных частиц в силовом поле рабочего пространства электрического сепаратора и может найти применение в имитационном компьютерном эксперименте электрических сепараций для определения оптимальных параметров электрического сепаратора.

Изобретение относится к экспресс-способу прогнозирования пожароопасных свойств, таких как температура вспышки, предельных кетонов. Способ характеризуется тем, что используют молекулярные дескрипторы и искусственные нейронные сети и осуществляется путем применения двух алгоритмов обучения «обратное распространение ошибки» и «deep learning», обеспечивая анализ пожароопасных свойств веществ.

Изобретение относится к способу моделирования преднамеренных повреждений элементов сети связи и может быть использовано при проектировании сетей связи для оценки эксплуатационных показателей.

Изобретение относится к автоматизированным системам управления. Способ прогнозирования состояния и оптимизации функционирования системы, состоящей из отдельных элементов или подсистем, включает оценку эффективности по долевому отношению значения выбранного подчиненного элемента к значению своего исторического максимума.

Изобретение относится к медицине, в частности к кардиологии, и может быть использовано как электрокардиографический способ диагностики состояния сердца. Устанавливают электроды, регистрируют электрокардиосигналы.

Изобретение относится к мониторингу объектов контроля. В способе удаленного мониторинга и прогностики состояния технических объектов, получают данные от объекта контроля; формируют эталонную выборку показателей работы объекта; строят матрицы состояния из компонентов точек эталонной выборки; на основании MSET метода строят эмпирические модели прогностики состояния объекта; определяют компоненты невязок; формируют статистическую модель работы объекта за промежуток времени; определяют предельное значение для статистической модели; определяют разладки; анализируют поступающую информацию от объекта; определяют степень отклонения показателей параметров объекта за промежуток времени; ранжируют вычисленные разладки; модифицируют эталонную выборку; обновляют эмпирические модели; формируют сигнал об отклонении параметра объекта на основании обновленной модели и определяют состояние работы объекта.

Изобретение относится к области радиотехники. Техническим результатом является повышение достоверности оценки результатов моделирования сетевой атаки типа "человек посередине" (MITM), за счет учета особенностей распространения передаваемых пакетов в единой сети электросвязи ЕСЭ и оценки необходимого ресурса для проведения эффективной сетевой атаки типа MITM.

Изобретение относится к области электротехники. Технический результат заключается в повышении надежности и достоверности определения времени наступления неустойчивой работы электроэнергетической системы для своевременного принятия мер по повышению устойчивости работы или прекращению эксплуатации космического аппарата.

Изобретение относится к области техники и информатики, а более конкретно - к способу автоматизированного сбора и подготовки данных для мониторинга и моделирования сложной технической системы. Технический результат – обеспечение объективной оценки состояния сложной технической системы. Для этого предложен способ автоматизированного сбора и подготовки данных для мониторинга и моделирования сложной технической системы, в котором данные преобразуют в цифровое представление, сохраняют в хранилище данных, группируют, формируют модель, находят отклонения и реализуют мониторинг и прогнозирование. По сравнению с уровнем техники заявляемый способ обладает максимальной гибкостью и позволяет достичь лучших результатов в процессах автоматизированного сбора и подготовки данных для мониторинга и моделирования сложной технической системы. 2 з.п. ф-лы, 1 ил.

Наверх