RU2777950C1

RU2777950C1 - Detection of emergency situations for predictive maintenance and determination of end results and technological processes based on the data quality

Info

Publication number: RU2777950C1
Application number: RU2021122488A
Authority: RU
Inventors: Джагадиш ГАТТУ; Нимрод ОХАД
Original assignee: ДжЕ ИНСПЕКШН ТЕКНОЛОДЖИС, ЛП
Priority date: 2019-01-25
Filing date: 2020-01-23
Publication date: 2022-08-12

Abstract

FIELD: controlling.

SUBSTANCE: invention relates to the field of monitoring the working condition of a sensor. Method includes the steps of inspecting the data quality and blocking the generation of alerts using machine learning methods, providing the possibility of determining whether the two emergency situations generated by the equipment monitoring system are connected. The method may include the step of receiving data characterising the measurement data received by the sensor connected with process equipment. The emergency data sample in the received data may be identified and deleted from the emergency data sample. A new sample of the deleted data sample may be calculated using interpolation, wherein the new sample may be estimated. Maintenance may be analysed on the basis of the estimated new calculated sample.

EFFECT: monitoring of the working condition of a sensor for the purpose of preventing incorrect diagnostics of the condition of the equipment.

14 cl, 2 dwg

Description

ПРЕДПОСЫЛКИ СОЗДАНИЯ ИЗОБРЕТЕНИЯBACKGROUND OF THE INVENTION

[0001] Производственное 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 мониторинга эксплуатации оборудования. Один способ применения данных от датчиков включает в себя разработку схем обнаружения на основании правил, которые можно применять для мониторинга функционирования оборудования. На основании правил, реализованных в рамках схем обнаружения, датчики или предназначенный для мониторинга датчиков контроллер могут определять, работает ли оборудование в рамках допустимых параметров.[0001] Manufacturing equipment can be quite complex and can be subject to various types of complex failure modes. The equipment may include a plurality of sensors that can be used to monitor the operation of the equipment. One way to use data from sensors involves the development of rule-based detection schemes that can be used to monitor equipment performance. Based on the rules implemented within the detection circuits, the sensors or a sensor-monitoring controller can determine if the equipment is operating within acceptable parameters.

ИЗЛОЖЕНИЕ СУЩНОСТИ ИЗОБРЕТЕНИЯSUMMARY OF THE INVENTION

[0002] В одном аспекте предложены системы для мониторинга рабочего состояния датчика. Приведено описание систем, которые позволяют осуществлять мониторинг рабочего состояния датчика посредством проверки качества данных и блокировки подачи предупреждений с применением методик машинного обучения. Это позволит определить, связаны ли две нештатные ситуации, сгенерированные системой мониторинга оборудования. Также описаны связанные устройство, системы, методики и изделия.[0002] In one aspect, systems are provided for monitoring the operating status of a sensor. A description is given of systems that allow monitoring the operational status of the sensor by checking data quality and blocking alerts using machine learning techniques. This will determine if the two abnormal situations generated by the equipment monitoring system are related. Related apparatus, systems, techniques, and articles are also described.

[0003] В другом аспекте предлагается способ мониторинга рабочего состояния датчика, который включает в себя: получение данных, характеризующих значения данных измерений, полученных датчиком, соединенным с компрессором; идентификацию первой выборки данных в полученных данных, включающую по меньшей мере одно значение данных измерений, относящееся к типу данных о нештатных ситуациях, причем идентификация первой выборки данных включает применение по меньшей мере одного правила проверки данных в отношении полученных данных, которое обеспечивает возможность проверки скорости изменения среднего значения данных измерений и генерацию предупреждения в ответ на несоответствие первой выборки данных правилу проверки данных; удаление первой выборки данных; расчет, с использованием по меньшей мере одной методики оценки данных, второй выборки данных для замены первой выборки данных, причем указанная по меньшей мере одна методика оценки данных включает выполнение градиентного бустинга в отношении удаленной первой выборки данных; оценку расчетной второй выборки данных посредством оценки соответствия расчетной второй выборки данных с учетом набора данных известных значений данных измерений, причем соответствие определяют на основании применения f-теста ко второй выборки данных и к данным известных значений данных измерений, и если расчетная вторая выборка данных не проходит f-тест, генерируется предупреждение, включающее в себя по меньшей мере один тег, идентифицирующий неудачное испытание; выполнение анализа технического обслуживания для оцениваемой расчетной второй выборки данных на основании по меньшей мере одного тега; и предоставление предупреждения и результата анализа технического обслуживания на дисплее, причем предупреждение отображается на одном теге временного ряда на первой оси с первой меткой времени, а результат анализа технического обслуживания отображается со второй меткой времени на второй оси, отдельной от первой оси, и при этом первая и вторая метки времени идентичны.[0003] In another aspect, a method for monitoring an operating condition of a sensor is provided, which includes: obtaining data indicative of measurement data values obtained by a sensor connected to a compressor; identifying a first data sample in the received data, including at least one measurement data value related to the exception data type, wherein identifying the first data sample includes applying at least one data validation rule to the received data, which allows checking the rate of change averaging the measurement data and generating a warning in response to the first data sample failing the data validation rule; deleting the first data sample; calculating, using at least one data estimation technique, a second data sample to replace the first data sample, said at least one data evaluation technique comprising performing gradient boosting on the remote first data sample; evaluating the calculated second data sample by evaluating the fit of the calculated second data sample given a dataset of known measurement data values, the fit being determined based on applying an f-test to the second data sample and the known measurement data values, and if the calculated second data sample fails f-test, a warning is generated including at least one tag identifying the failed test; performing a maintenance analysis on the estimated calculated second data sample based on the at least one tag; and providing a warning and a maintenance analysis result on a display, wherein the warning is displayed on one time series tag on a first axis with a first timestamp, and the maintenance analysis result is displayed with a second timestamp on a second axis separate from the first axis, and wherein the first and the second timestamps are identical.

[0004] Также 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 в себя один или более процессоров обработки данных и память, соединенную с данным одним или более процессорами обработки данных. В памяти могут временно или постоянно храниться инструкции, которые приводят к выполнению по меньшей мере одним процессором обработки данных одной 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 путем распределения между двумя или более компьютерными системами. Такие компьютерные системы могут быть соединены и могут обмениваться данными и/или командами или другими инструкциями и 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.п.), посредством прямого соединения между одной или более из множества компьютерных систем и т.д.[0004] Also described are non-transient computer program products (i.e., physically implemented computer program products) containing instructions that, when executed by one or more data processors of one or more computer systems, result in at least one processing processor data performs the operations described in this document. Similarly, computer systems are also described, which may include one or more data processors and a memory coupled to that one or more data processors. Memory may temporarily or permanently store instructions that cause at least one data processor to perform one or more of the operations described herein. In addition, the methods may be implemented by one or more data processors, either within a single computer system or distributed across two or more computer systems. Such computer systems may be connected and may exchange data and/or commands or other instructions and the like. via one or more connections, including a network connection (eg, Internet, WAN, LAN, WAN, wired network, etc.), via a direct connection between one or more of a plurality of computer systems, etc. .

[0005] Подробности одного или более вариантов объекта изобретения, описанного в настоящем документе, изложены на прилагаемых рисунках и в приведенном ниже описании. Прочие признаки и преимущества объекта изобретения, описанного в настоящем документе, будут понятны из описания, рисунков и формулы изобретения.[0005] Details of one or more embodiments of the subject matter described herein are set forth in the accompanying drawings and in the description below. Other features and advantages of the subject matter described herein will be apparent from the description, drawings and claims.

ОПИСАНИЕ ГРАФИЧЕСКИХ МАТЕРИАЛОВDESCRIPTION OF GRAPHICS

[0006] На ФИГ. 1 представлена блок-схема процесса, иллюстрирующая пример реализации способа для получения результата; и[0006] FIG. 1 is a flowchart of a process illustrating an example implementation of a method for obtaining a result; and

[0007] на ФИГ. 2 представлена схема системы, иллюстрирующая систему мониторинга рабочего состояния датчика.[0007] in FIG. 2 is a system diagram illustrating a sensor operating status monitoring system.

[0008] Одинаковые позиции на разных рисунках указывают на одинаковые элементы.[0008] Like numbers in different figures indicate like elements.

ПОДРОБНОЕ ОПИСАНИЕDETAILED DESCRIPTION

[0009] На предприятиях нефтегазового сектора могут применять системы мониторинга и диагностики оборудования, предназначенные для мониторинга условий эксплуатации одного или более, а в некоторых случаях тысяч единиц оборудования. В системах мониторинга и диагностики оборудования, включая датчики, может быть целесообразным выявление нештатных ситуаций в измерениях датчиков. Мониторинг эксплуатации оборудования может включать в себя эффективное управление предупреждениями, генерируемыми в ответ на обнаружение нештатной ситуации. Общая производительность системы может быть определена по рабочему состоянию датчиков. В некоторых случаях диагностировать рабочее состояние оборудования до момента возникновения неисправностей можно на основании рабочего состояния датчика и/или инструмента посредством анализа прогнозного технического обслуживания и/или аналитических решений.[0009] In the oil and gas sector, equipment monitoring and diagnostic systems may be used to monitor the operating conditions of one or more, and in some cases thousands of pieces of equipment. In systems for monitoring and diagnosing equipment, including sensors, it may be appropriate to identify abnormal situations in sensor measurements. Equipment performance monitoring may include the effective management of alerts generated in response to the detection of an abnormal situation. The overall performance of the system can be determined from the operational status of the sensors. In some cases, it is possible to diagnose the operating condition of the equipment before the occurrence of malfunctions based on the operating condition of the sensor and/or tool through predictive maintenance analysis and/or analytical solutions.

[0010] Однако при использовании прогнозного метода диагностики для диагностики рабочего состояния оборудования присутствует вероятность некорректной диагностики оборудования. Кроме того, анализ прогнозного технического обслуживания и/или аналитические решения, не учитывающие рабочее состояние датчика, могут привести к некорректной диагностике оборудования, которое на самом деле работает надлежащим образом. В некоторых случаях может выполняться диагностика с дублированием, каждая из которых может запускать предупреждение. В любом случае может быть сгенерировано предупреждение с уведомлением пользователей систем мониторинга и диагностики оборудования о потенциальной нештатной ситуации при эксплуатации оборудования, однако в анализ прогнозного технического обслуживания может быть включена неопределенность, генерирующая предупреждение о потенциальной неисправности в будущем. Кроме того, дублирующиеся предупреждения могут перегрузить ширину пользовательской полосы и сделать систему мониторинга оборудования непригодной для использования.[0010] However, when using a predictive diagnostic method to diagnose the operating condition of the equipment, there is a possibility of incorrect diagnosis of the equipment. In addition, predictive maintenance analyzes and/or analytical solutions that do not take into account the operational state of the sensor can lead to misdiagnosis of equipment that is actually working properly. In some cases, diagnostics may run in duplicate, each of which may trigger an alert. In either case, an alert can be generated to notify users of equipment monitoring and diagnostic systems of a potential abnormal situation in the operation of the equipment, however, uncertainty can be included in the predictive maintenance analysis, generating a warning of a potential malfunction in the future. In addition, duplicate alerts can overload the user bandwidth and render the equipment monitoring system unusable.

[0011] Может быть целесообразно осуществлять мониторинг рабочего состояния датчика для предотвращения некорректной диагностики состояния оборудования. Также может быть целесообразно блокировать дублирующиеся предупреждения, возникающие в результате диагностики взаимосвязанных неисправностей. Некоторые аспекты настоящего объекта изобретения могут облегчить мониторинг рабочего состояния датчика путем проверки качества данных и/или блокировки подачи дублирующихся предупреждений с применением машинного обучения. Это позволит определить, связаны ли нештатные ситуации, сгенерированные системой мониторинга оборудования, например две нештатные ситуации.[0011] It may be advantageous to monitor the operational status of the sensor to prevent incorrect diagnosis of equipment status. It may also be useful to block duplicate warnings resulting from diagnosing related faults. Some aspects of the present subject matter may facilitate monitoring of sensor operational status by checking data quality and/or blocking duplicate alerts using machine learning. This will allow you to determine if the abnormal situations generated by the equipment monitoring system are related, for example, two abnormal situations.

[0012] На ФИГ. 1 представлена блок-схема процесса, иллюстрирующая пример процесса 100 для получения результатов для прогнозной аналитики. Использование правил качества данных может облегчить мониторинг рабочего состояния датчика путем проверки качества данных и/или генерации предупреждения, когда качество данных может быть определено как низкое. Посредством проверки качества данных и блокировки подачи дублирующихся предупреждений с применением машинного обучения можно определить, связаны ли две или более нештатные ситуации, сгенерированные системой мониторинга оборудования.[0012] FIG. 1 is a process flow diagram illustrating an example process 100 for producing results for predictive analytics. The use of data quality rules can make it easier to monitor the operational status of a sensor by checking data quality and/or generating an alert when data quality can be determined to be poor. By checking data quality and blocking duplicate alerts using machine learning, you can determine if two or more abnormal situations generated by the equipment monitoring system are related.

[0013] На этапе 110 могут быть идентифицированы и удалены выборки данных о нештатных ситуациях. Выборки данных могут быть обработаны на предмет наличия выборок данных о нештатных ситуациях с помощью подсистемы анализа качества данных. В подсистеме анализа качества данных могут использоваться правила качества данных или проверки данных для идентификации выборок данных о нештатных ситуациях. При нарушении правила качества данных (например, данные включают в себя низкое качество данных и, таким образом, приводят к нарушению правила качества данных) сгенерированное предупреждение позволяет идентифицировать начало и конец проблемы с качеством данных. Сгенерированное предупреждение позволяет идентифицировать отдельные точки данных, в которых было нарушено правило качества данных. Например, правило проверки данных позволяет проверять, соответствует ли тип данных сигнала или измерения, полученного от датчика, типу данных заданного тега данных, содержит ли сигнал или измерение, полученные от датчика, НЕОПРЕДЕЛЕННЫЕ и/или пустые значения и/или отсутствуют ли сигнал или измерение, полученные от датчика, для более чем трех выборок.[0013] At step 110, the exception data samples can be identified and removed. The data samples can be processed for the presence of data samples about abnormal situations using the data quality analysis subsystem. The data quality analysis subsystem may use data quality or data validation rules to identify abnormal data samples. When a data quality rule is violated (eg, the data includes poor data quality and thus results in a violation of the data quality rule), an alert is generated to identify the beginning and end of the data quality problem. The generated alert allows you to identify individual data points where the data quality rule has been violated. For example, a data validation rule checks whether the data type of a signal or measurement received from a sensor matches the data type of a given data tag, whether a signal or measurement received from a sensor contains UNDETERMINATED and/or null values, and/or whether a signal or measurement is missing. received from the sensor for more than three samples.

[0014] Например, правило среднего отклонения позволяет проверять скорость изменения сигнала и наличие изменений среднего значения, а также отклонение скорости изменения. Если изменение среднего значения и отклонение существенно, превышает порог и/или выходит за пределы заданного диапазона, правило среднего отклонения может быть нарушено. Например, правило выхода за диапазон позволяет проверять, находятся ли сигнальные значения в пределах допустимого рабочего диапазона. Например, правило согласованной линии передачи позволяет принимать номер согласованной линии передачи и определять, сколько повторяющихся сигналов может быть подано до того, как сигнал можно будет считать согласованным. Правило согласованной линии передачи может принимать точный диапазон согласованной линии передачи, а значения в точном диапазоне согласованной линии передачи могут рассматриваться как повторяющиеся сигнальные значения. Выборки данных, нарушающие правила качества данных, могут быть идентифицированы как нештатные или проблемные, и идентифицированные выборки данных могут быть удалены. В некоторых вариантах осуществления метаданные, идентифицирующие неисправность, связанную с данными о нештатных ситуациях, могут храниться вместе с данными временного ряда таким образом, чтобы поддерживать размер данных временного ряда (например, без существенного увеличения пространства, необходимого для хранения данных временного ряда).[0014] For example, the mean deviation rule allows you to check the rate of change of the signal and the presence of changes in the average value, as well as the deviation of the rate of change. If the change in mean and deviation is significant, exceeds a threshold, and/or is out of a predetermined range, the mean deviation rule may be violated. For example, the out-of-range rule allows you to check if the signal values are within the allowed operating range. For example, the matched link rule allows you to take the matched link number and determine how many repeated signals can be given before the signal can be considered matched. The matched link rule may take the exact range of the matched link, and values in the exact range of the matched link may be considered as repeated signaling values. Data samples that violate data quality rules may be identified as out of order or problematic, and identified data samples may be removed. In some embodiments, metadata identifying a fault associated with the exception data may be stored along with the time series data in a manner that maintains the size of the time series data (eg, without substantially increasing the space required to store the time series data).

[0015] На этапе 120 удаленные выборки данных можно оценить с помощью методик оценки недостающих данных. При удалении выборки данных может быть целесообразно оценить недостающие данные для продолжения оценки эксплуатации оборудования. Оценка недостающих выборок данных может позволять осуществлять мониторинг оборудования, даже когда данные могут быть скудными и/или периодически теряться. Оценка недостающих данных может быть выполнена с применением методик оценки недостающих данных, таких как интерполяция и/или экстраполяция. Интерполяция позволяет создавать новые выборки данных в диапазоне дискретного набора существующих данных. Экстраполяция позволяет создавать новые выборки данных за пределами диапазона дискретного набора существующих данных. Пользователь может выбрать конкретный метод оценки данных, например линейный, кубический, сплайн и т.п.Другие методы оценки данных могут включать в себя метод множественного восстановления, метод k-ближайших соседей, градиентный бустинг (например, XGBoost), ансамбль решающих деревьев и т.п.[0015] At step 120, deleted data samples can be estimated using missing data estimation techniques. When removing a data sample, it may be worthwhile to evaluate the missing data to continue evaluating equipment performance. Estimating missing data samples may allow equipment to be monitored even when data may be sparse and/or intermittently lost. Estimating missing data can be performed using missing data estimation techniques such as interpolation and/or extrapolation. Interpolation allows you to create new data samples within the range of a discrete set of existing data. Extrapolation allows you to create new data samples outside the range of a discrete set of existing data. The user can select a specific data estimation method, such as linear, cubic, spline, etc. Other data estimation methods can include multiple recovery, k-nearest neighbors, gradient boosting (for example, XGBoost), ensemble decision trees, etc. .P.

[0016] На этапе 130 может быть выполнена оценка удаленных данных. Например, расчетные данные можно оценить путем разделения известного набора данных на тренировочную и/или валидационную выборки и оценки соответствия расчетных данных известному набору данных с помощью f-теста, z-теста, t-теста, доверительных интервалов (например, доверительных полос), их комбинаций и т.п.Соответствие расчетных данных позволяет предотвратить перегрузку ширины пользовательской полосы и дать представление об основной причине предупреждения, когда неисправность может присутствовать в данных.[0016] At step 130, an evaluation of the deleted data may be performed. For example, the calculated data can be estimated by dividing the known dataset into training and/or validation samples and evaluating the fit of the calculated data to the known dataset using f-test, z-test, t-test, confidence intervals (e.g., confidence bands), their combinations;

[0017] Если расчетные данные можно оценить как точный подбор, например когда показатель качества оценки превышает заданное пороговое значение или показатель ошибки ниже заданного порогового значения, на этапе 140 может быть выполнен анализ технического обслуживания выборок данных, включая расчетные данные. Если наблюдается сбой теста с выходом за пределы диапазона и/или отсутствием ошибки (не является числом), в итоге правила, использующие эти теги, могут сгенерировать предупреждение для нарушений качества данных, но могут использовать расчетные данные для выполнения правил технического обслуживания, зависящих от этих тегов. Например, на этих тегах могут основываться правила пороговых значений, обнаружение нештатной ситуации и т.п.Выполнение аналитической обработки данных с использованием значений расчетных данных позволяет улучшить эффективность аналитической обработки данных. Кроме того, определение качества данных и расчет недостающих данных могут помочь в обнаружении конкретных режимов отказа оборудования, поскольку для обнаружения конкретных режимов отказа может потребоваться способность оценивать тенденции данных отдельных датчиков.[0017] If the calculated data can be judged to be a fine fit, such as when the quality score of the estimate is above a predetermined threshold or the error score is below a predetermined threshold, a maintenance analysis of the data samples, including the calculated data, can be performed at 140. If a test fails with an out-of-range and/or no error (not a number), as a result, rules using these tags may generate a warning for data quality violations, but may use calculated data to execute maintenance rules that depend on these tags. For example, threshold rules, exception detection, and the like can be based on these tags. Performing analytic data processing using calculated data values can improve the efficiency of analytic data processing. In addition, data quality determination and missing data calculation can aid in the detection of specific equipment failure modes, since detection of specific failure modes may require the ability to evaluate individual sensor data trends.

[0018] Если расчетные данные могут быть оценены как неправильные данные, анализ технического обслуживания для выборок данных на этапе 150 может быть приостановлен. Если наблюдается сбой теста с выходом за пределы диапазона и/или значение не является числом (NAN), правила в итоге могут сгенерировать предупреждение о нарушениях качества данных, а правила технического обслуживания, которые могут зависеть от этих тегов, могут быть приостановлены. Например, на этих тегах могут основываться правила пороговых значений, обнаружение нештатной ситуации и т.п. Приостановка аналитической обработки данных технического обслуживания для значений неправильно оцененных данных позволяет исключить сценарии, в которых аналитическая обработка данных может привести к плохому результату.[0018] If the calculated data can be evaluated as incorrect data, the maintenance analysis for the data samples at step 150 can be suspended. If an out-of-range test fails and/or the value is not a number (NAN), the rules may eventually generate a data quality warning and maintenance rules that may depend on these tags may be suspended. For example, threshold rules, exception detection, and the like can be based on these tags. Pausing maintenance analytics for incorrectly estimated data values eliminates scenarios where analytics can lead to poor results.

[0019] В некоторых вариантах осуществления при непрерывном нарушении порогового значения может выполняться обнаружение многократного нарушения одного и того же правила и может быть реализована функция исключения непрерывной генерации множества предупреждений. Но в случае анализа прогнозного технического обслуживания, основанного на моделях машинного обучения, нарушение может быть сгенерировано шаблонами в нескольких сигналах. В таком случае не может быть точного правила, позволяющего обнаружить, что два различных шаблона, каждый из которых генерирует отдельное предупреждение, могут соответствовать одной и той же неисправности. Методики машинного обучения можно использовать для определения того, являются ли два технических состояния, основанные на двух разных шаблонах, одним и тем же техническим состоянием. На основании этого определения генерация новых предупреждений может быть заблокирована таким образом, чтобы предупреждение подавалось пользователю один, а не несколько раз (в некоторых случаях сотни раз) для конкретной неисправности.[0019] In some embodiments, when a threshold value is continuously violated, detection of multiple violations of the same rule can be performed and a function can be implemented to eliminate the continuous generation of multiple warnings. But in the case of predictive maintenance analysis based on machine learning models, the disturbance can be generated by patterns in multiple signals. In such a case, there can be no precise rule to detect that two different patterns, each generating a separate warning, can correspond to the same fault. Machine learning techniques can be used to determine if two technical states based on two different patterns are the same technical state. Based on this definition, the generation of new warnings can be blocked so that the warning is presented to the user once, and not several times (hundreds of times in some cases) for a particular fault.

[0020] В некоторых вариантах осуществления генерация предупреждения может сочетать нечеткую логику и машинное обучение для определения того, являются ли две нештатные ситуации, сгенерированные моделью обнаружения нештатных ситуаций, одинаковыми. Можно проанализировать сигналы, присутствующие при первой нештатной ситуации, и сравнить шаблон этих сигналов с шаблоном сигналов, присутствующих при второй нештатной ситуации. Если шаблоны совпадают (с использованием комбинации нечеткой логики и машинного обучения), то вторая нештатная ситуация не сможет генерировать новое предупреждение. Вместо этого информация о второй нештатной ситуации может быть добавлена к предупреждению, относящемуся к первой нештатной ситуации. Таким образом, одно предупреждение может быть сгенерировано для двух разных нештатных ситуаций, идентифицированных на двух отдельных метках времени.[0020] In some embodiments, the generation of an alert may combine fuzzy logic and machine learning to determine whether two exceptions generated by the exception detection model are the same. You can analyze the signals present in the first exception and compare the pattern of these signals with the pattern of signals present in the second exception. If the patterns match (using a combination of fuzzy logic and machine learning), then the second abnormal situation will not be able to generate a new alert. Instead, information about the second abnormal situation may be added to the warning related to the first abnormal situation. Thus, one alert can be generated for two different exceptions identified on two separate timestamps.

[0021] В некоторых вариантах осуществления при использовании прогнозной диагностики для диагностирования рабочего состояния оборудования специфика прогнозной диагностики может включать в себя вероятность неправильной диагностики рабочего состояния оборудования. В результате для оценки достоверности диагностики может потребоваться привлечение инженера. Чтобы оценить достоверность, инженер может проверить общее рабочее состояние оборудования. Однако эта информация может быть распределена между несколькими разными системами, такими как Компьютеризированная система управления техническим обслуживанием (CMMS) или Система управления основными фондами предприятия (ЕАМ), системы контроля вибрации, анализа смазочного масла, информации о калибровке и т.п. Это может создать трудоемкий и длительный процесс оценки диагностированной неисправности. Может быть целесообразно, чтобы данная контекстная информация, необходимая для оценки неисправности, была представлена в одном месте, например на консоли управления. Однако для снижения трудозатрат пользователя и сокращения времени, необходимого для устранения диагностированной неисправности, может потребоваться представление контекстной информации применительно к текущей неисправности.[0021] In some embodiments, when predictive diagnostics are used to diagnose the operating state of equipment, the specifics of the predictive diagnostics may include the possibility of misdiagnosis of the operating state of the equipment. As a result, the involvement of an engineer may be required to assess the reliability of the diagnosis. To assess validity, the engineer may check the overall operating condition of the equipment. However, this information can be shared among several different systems, such as Computerized Maintenance Management System (CMMS) or Enterprise Asset Management (EAM), vibration monitoring systems, lube oil analysis, calibration information, and the like. This can create a time-consuming and lengthy process for evaluating a diagnosed fault. It may be useful to have this contextual information needed for troubleshooting in one place, such as a management console. However, to reduce user effort and reduce the time required to resolve a diagnosed problem, it may be necessary to provide contextual information related to the current problem.

[0022] В некоторых вариантах осуществления многоуровневый подход позволяет представить соответствующую информацию о рабочем состоянии оборудования на единой консоли с аналитическими данными. Такой подход позволяет пользователю просматривать информацию об анализе технического обслуживания, изменяя данные предыдущих предупреждений и/или предыдущих отказов на одном экране. Например, предупреждения о качестве данных могут быть выделены на одном теге временного ряда. Запись анализа технического обслуживания может отображаться на отдельной оси с общей меткой времени. А при наличии записи калибровки она может отображаться как соответствующая одному тегу. Однако нештатные ситуации и режимы отказов могут отображаться в виде полос в тегах временного ряда и могут выделять только участвующие теги. Объем информации, представленной пользователю, можно сократить путем фильтрации тегов для отображения только участвующих тегов. Кроме того, записи анализа технического обслуживания, которые могут применяться ко всему оборудованию, могут отображаться на отдельном оборудовании в пределах одного временного окна, предоставляющего пользователю общую контекстную информацию.[0022] In some embodiments, the implementation of a layered approach allows you to present relevant information about the operating status of the equipment on a single console with analytical data. This approach allows the user to view the maintenance analysis information by changing the data of previous warnings and/or previous failures on a single screen. For example, data quality warnings can be highlighted on a single time series tag. A maintenance analysis record can be displayed on a separate axis with a common timestamp. And if there is a calibration record, it can be displayed as matching a single tag. However, exceptions and failure modes can be displayed as bars in time series tags and can only highlight participating tags. The amount of information presented to the user can be reduced by filtering the tags to display only participating tags. In addition, maintenance analysis records that can apply to all equipment can be displayed on individual equipment within a single time window, providing the user with general contextual information.

[0023] В некоторых вариантах осуществления, где анализ прогнозного технического обслуживания может генерировать предупреждение о потенциальном отказе производственного оборудования нефтегазовой отрасли в будущем, в процесс диагностики может быть включена неопределенность. Целесообразными могут быть точные данные и записи анализа технического обслуживания, поскольку, например, затраты на останов компрессора могут составить много миллионов долларов. В результате может быть целесообразно свести к минимуму неопределенность при диагностике. Но для понимания наличия неисправности может потребоваться несколько месяцев. Даже несмотря на наличие соответствующей информации, масштабный анализ может быть трудоемким. Например, могут присутствовать тысячи записей о техническом обслуживании, отчетов об анализе первопричин, руководств и/или т.п. Может быть целесообразно использовать эти данные, чтобы помочь инженеру найти соответствующую информацию, которая может ускорить процесс анализа. Оценка достоверности анализа прогнозного технического обслуживания может быть трудоемкой. А поиск среди миллиардов структурированных и неструктурированных точек данных временного ряда может быть затруднительным. Однако может быть целесообразно использовать эти данные для поиска соответствующей информации, которая может ускорить проведение анализа.[0023] In some embodiments, where a predictive maintenance analysis may generate a warning of a potential oil and gas production equipment failure in the future, uncertainty may be included in the diagnostic process. Accurate maintenance analysis data and records may be useful, as the cost of shutting down a compressor, for example, can be many millions of dollars. As a result, it may be beneficial to minimize diagnostic uncertainty. But it may take several months to understand the presence of a malfunction. Even though relevant information is available, large-scale analysis can be time consuming. For example, there may be thousands of maintenance records, root cause analysis reports, manuals, and/or the like. It may be useful to use this data to help the engineer find relevant information that can speed up the analysis process. Assessing the validity of a predictive maintenance analysis can be time consuming. And searching through the billions of structured and unstructured time series data points can be difficult. However, it may be useful to use this data to find relevant information that can speed up the analysis.

[0024] В некоторых вариантах осуществления для управления неструктурированными записями и/или руководствами можно использовать поиск на естественном языке. Это позволяет облегчить пользователю поиск соответствующей информации при поиске миллионов записей данных. Машинное обучение можно использовать для выявления прошлых тестов или пороговых значений, которые оказались неудовлетворительными и были определены как соответствующие текущей неисправности. Кроме того, машинное обучение можно использовать для выявления аналогичных предшествующих неисправностей, включая любые тесты или пороговые значения, которые были неудовлетворительными и рекомендовать выявленные предшествующие неисправности в качестве приоритетных рекомендаций для текущей неисправности. Для эффективного управления предупреждениями можно использовать решения предыдущих неисправностей, соответствующие текущей неисправности. Машинное обучение может быть использовано для обработки сигналов прошлого временного ряда, по которым можно выполнять поиск для выявления шаблонов, которые могут быть определены как соответствующие текущим тестам или пороговым значениям, которые оказались неудовлетворительными. Предыдущие действия по анализу технического обслуживания можно сопоставить с текущими данными и получить четкое представление о предыдущих отказах, которые произошли при выявлении схожих неисправностей.[0024] In some embodiments, natural language search can be used to manage unstructured records and/or guides. This makes it easier for the user to find relevant information when searching for millions of data records. Machine learning can be used to identify past tests or thresholds that were found to be unsatisfactory and determined to be consistent with the current failure. In addition, machine learning can be used to identify similar prior faults, including any tests or thresholds that were unsatisfactory, and recommend the identified prior faults as priority recommendations for the current fault. To effectively manage warnings, you can use solutions from previous faults that match the current fault. Machine learning can be used to process signals from the past time series, which can be searched for patterns that can be determined to match current tests or thresholds that have failed. Previous maintenance analysis activities can be compared with current data and provide a clear picture of previous failures that occurred when similar failures were identified.

[0025] В некоторых вариантах осуществления решения для анализа прогнозного технического обслуживания могут включать использование моделей на основании физических или статистических данных и/или правил для прогнозирования рабочего состояния оборудования. Обновление моделей из-за изменений процесса и/или ложноположительной диагностики может быть довольно затратным и обременительным для пользователя. Может быть целесообразно обслуживать модели на основании режима технологического процесса и/или в случае неправильной диагностики.[0025] In some embodiments, predictive maintenance analysis solutions may include the use of models based on physical or historical data and/or rules to predict the operating state of equipment. Updating models due to process changes and/or false positives can be quite costly and burdensome for the user. It may be appropriate to service models based on process conditions and/or in case of misdiagnosis.

[0026] В некоторых вариантах осуществления неконтролируемое обучение способно обновлять прогнозные модели по мере изменения режима технологического процесса. Смарт-рекомендации помогут узнать, была ли диагностика правильной или нет. Эта информация может быть использована для обновления модели. Например, при следующей диагностике неисправности результаты диагностики могут быть более точными. Для обновлений, связанных с технологическим процессом, данные могут непрерывно вводиться в модель. Если данные не соответствуют доверительным полосам модели, модель может запустить повторную калибровку. Это может привести к автоматическому обновлению модели. Когда пользователь проанализирует проблему и определит, что результат диагностики ложноположительный, эта информация может быть переадресована модели. Аналогичным образом для устранения этой проблемы инструкция, обусловленная синхронизацией с рабочим заданием, может рассматриваться истинным результатом диагностики. Инструкция может направлять эту информацию обратно модели машинного обучения и может использовать эту информацию для усиленного обучения модели. В результате модель способна автоматически обновляться.[0026] In some embodiments, unsupervised learning is able to update predictive models as the process mode changes. Smart recommendations will help you know if the diagnosis was correct or not. This information can be used to update the model. For example, with the next fault diagnosis, the diagnostic results may be more accurate. For process-related updates, data can be continuously entered into the model. If the data does not match the model's confidence bands, the model may run a recalibration. This may cause the model to automatically update. When the user analyzes the problem and determines that the diagnostic result is a false positive, this information can be forwarded to the model. Similarly, to eliminate this problem, an instruction due to synchronization with a work order can be considered a true diagnostic result. The instruction can feed this information back to the machine learning model and can use this information to train the model hard. As a result, the model is able to update itself automatically.

[0027] В некоторых вариантах осуществления при проведении диагностики может быть изменена работа машины, подвергающейся анализу. Например, в случае диагностики аномальных вибраций турбины, скорость вращения турбины может быть изменена для коррекции или устранения нештатного режима. Например, работа турбины может быть прекращена для проведения технического обслуживания. Возможны также другие изменения.[0027] In some embodiments, the operation of the machine being analyzed can be changed during the diagnostics. For example, in the case of diagnosing abnormal turbine vibrations, the turbine rotation speed can be changed to correct or eliminate the abnormal mode. For example, a turbine may be shut down for maintenance. Other changes are also possible.

[0028] На ФИГ. 2 представлена схема, изображающая систему 200 мониторинга рабочего состояния датчика. Система 200 включает в себя предприятие 205, такое как предприятие нефтегазового сектора. Предприятие 205 включает в себя множество единиц производственного оборудования, показанных как производственное оборудование 210А, 210В и 210С, которые в совокупности могут называться производственным оборудованием 210. Производственное оборудование может включать в себя разнообразное оборудование или механизмы, используемые в конкретной отрасли промышленности. Например, производственное оборудование 210 может включать в себя компрессоры, насосы, двигатели насосов, теплообменники, турбины, турбомашинное оборудование и т.п. Предприятие 205 также включает в себя датчики, соединенные со множеством единиц производственного оборудования 210. Датчики, показанные как датчики 215А, 215В и 215С, в совокупности могут называться датчиками 215. Датчики 215 могут включать в себя датчики, выполненные с возможностью генерации сигналов данных или измерений, связанных с вибрацией, вращением, ускорением, выбросом и т.п. производственного оборудования 210.[0028] FIG. 2 is a diagram illustrating a system 200 for monitoring the operating status of a sensor. System 200 includes an enterprise 205 such as an oil and gas enterprise. Plant 205 includes a plurality of manufacturing equipment, shown as manufacturing equipment 210A, 210B, and 210C, which may be referred to collectively as manufacturing equipment 210. Manufacturing equipment may include a variety of equipment or machinery used in a particular industry. For example, manufacturing equipment 210 may include compressors, pumps, pump motors, heat exchangers, turbines, turbomachinery, and the like. Plant 205 also includes sensors coupled to a plurality of manufacturing equipment 210. Sensors, shown as sensors 215A, 215B, and 215C, may be referred to collectively as sensors 215. Sensors 215 may include sensors configured to generate data or measurement signals. associated with vibration, rotation, acceleration, ejection, etc. production equipment 210.

[0029] Как показано на ФИГ. 2, система 200 также включает в себя вычислительное устройство 220. Вычислительное устройство 220 может быть соединено с возможностью связи с производственным оборудованием 210 и с датчиками 215. В некоторых вариантах осуществления любое из вычислительных устройств 220, производственного оборудования 210 и/или датчиков 215 может быть соединено с помощью средств проводной связи. В некоторых вариантах осуществления вычислительное устройство 220 может быть соединено с любым из вычислительных устройств 220, производственного оборудования 210 и/или датчиков 215 с помощью средств беспроводной связи. В некоторых вариантах осуществления вычислительное устройство 220 может быть соединено с любым из вычислительных устройств 220, производственного оборудования 210 и/или датчиков 215 с помощью сети, такой как виртуальная частная сеть, выполненная с возможностью обмена данными на предприятии 205.[0029] As shown in FIG. 2, system 200 also includes computing device 220. Computing device 220 may be communicatively coupled to manufacturing equipment 210 and sensors 215. In some embodiments, any of computing devices 220, manufacturing equipment 210, and/or sensors 215 may be connected using a wired connection. In some embodiments, computing device 220 may be connected to any of computing devices 220, manufacturing equipment 210, and/or sensors 215 via wireless communications. In some embodiments, computing device 220 may be connected to any of computing devices 220, manufacturing equipment 210, and/or sensors 215 via a network, such as a virtual private network, capable of exchanging data across enterprise 205.

[0030] Вычислительное устройство 220 включает в себя процессор обработки данных 225, систему 230 прогнозной аналитики, запоминающее устройство 245 и дисплей 250. Система прогнозной аналитики 230 может включать в себя машиночитаемые команды, правила и прогнозные модели, которые при выполнении процессором 225 обработки данных позволяют контролировать рабочее состояние датчика путем выполнения процесса 100, описанного со ссылкой на ФИГ. 1. Система 230 прогнозной аналитики включает в себя подсистему 235 анализа качества данных и контроллер 240. Подсистема 235 анализа качества данных соединена с датчиками 215 и может принимать данные измерений от датчиков для использования при мониторинге работы и рабочего состояния датчиков 215 и оборудования 210. Подсистема 235 анализа качества данных может включать в себя одно или более правил, используемых для оценки и проверки сигналов или данных измерений, полученных от датчиков 215.[0030] Computing device 220 includes data processor 225, predictive analytics system 230, storage 245, and display 250. Predictive analytics system 230 may include machine-readable instructions, rules, and predictive models that, when executed by data processor 225, allow monitor the operating status of the sensor by performing the process 100 described with reference to FIG. 1. The predictive analytics system 230 includes a data quality analysis subsystem 235 and a controller 240. The data quality analysis subsystem 235 is coupled to the sensors 215 and can receive measurement data from the sensors for use in monitoring the performance and operational status of the sensors 215 and equipment 210. Subsystem 235 data quality analysis may include one or more rules used to evaluate and verify signals or measurement data received from sensors 215.

[0031] Система 230 прогнозной аналитики может также включать в себя контроллер 240. Контроллер 240 соединен с каждой из единиц производственного оборудования 210 и может быть выполнен с возможностью управления работой производственного оборудования 210 на основе анализа технического обслуживания, выполняемого подсистемой 235 анализа качества данных в операции 140, показанной на ФИГ. 1. Контроллер 240 может быть выполнен с возможностью изменения таких операций, как включение или выключение питания производственного оборудования 210, регулирование ступени скорости производственного оборудования 210, изменение рабочей частоты производственного оборудования 210 и т.п.[0031] The predictive analytics system 230 may also include a controller 240. The controller 240 is coupled to each of the manufacturing equipment 210 and may be configured to control the operation of the manufacturing equipment 210 based on maintenance analysis performed by the in-operation data quality analysis subsystem 235. 140 shown in FIG. 1. The controller 240 may be configured to change operations such as turning on or off the power of the production equipment 210, adjusting the speed stage of the production equipment 210, changing the operating frequency of the production equipment 210, and the like.

[0032] Вычислительное устройство 220 также включает в себя запоминающее устройство 245. Запоминающее устройство 245 может включать в себя базу данных или другую подобную структуру данных, которую можно использовать для хранения машиночитаемых команд, правил качества данных или проверки данных, прогнозных моделей, а также данных, полученных от датчиков 215, и данных конфигурации, связанных с управлением работой производственного оборудования 210 при помощи контроллера 240.[0032] The computing device 220 also includes a storage device 245. The storage device 245 may include a database or other similar data structure that can be used to store machine-readable instructions, data quality or data validation rules, predictive models, and data received from the sensors 215 and configuration data associated with the control of the operation of the production equipment 210 using the controller 240.

[0033] Вычислительное устройство 220 также включает в себя дисплей 250. Дисплей 250 может включать в себя графический интерфейс пользователя (не показан). На дисплее 250 пользователю или оператору системы 230 прогнозной аналитики могут быть представлены результаты анализа технического обслуживания, любые предупреждения, генерируемые системой 230 прогнозной аналитики, и эксплуатационные данные, связанные с работой производственного оборудования 210 и/или датчика 215.[0033] Computing device 220 also includes a display 250. Display 250 may include a graphical user interface (not shown). The display 250 may present to the user or operator of the predictive analytics system 230 the results of the maintenance analysis, any alerts generated by the predictive analytics system 230, and operational data associated with the operation of the production equipment 210 and/or sensor 215.

[0034] Объект изобретения, описанный в настоящем документе, может обеспечивать множество технических преимуществ. Например, он может облегчить мониторинг рабочего состояния датчика путем проверки качества данных и блокировки дублирующихся предупреждений с применением машинного обучения. Это позволяет определить, связаны ли две нештатные ситуации, сгенерированные системой мониторинга оборудования.[0034] The subject matter described herein may provide many technical advantages. For example, it can make it easier to monitor the operational status of a sensor by checking data quality and blocking duplicate alerts using machine learning. This allows you to determine if two abnormal situations generated by the equipment monitoring system are related.

[0035] Один или более аспектов или признаков объекта изобретения, описанного в настоящем документе, могут быть реализованы в виде цифровой электронной схемы, интегральной схемы, специализированной интегральной схемы (ASIC), программируемой пользователем вентильной матрицы (FPGA), аппаратного обеспечения, микропрограммного обеспечения, программного обеспечения и/или их комбинаций. Данные различные аспекты или признаки могут включать в себя реализацию в одной или более компьютерных программах, которые являются исполняемыми и/или интерпретируемыми в программируемой системе, включающей в себя по меньшей мере один программируемый процессор, который может быть специализированным или общего назначения и который соединен с системой хранения для приема от нее данных и команд и передачи в нее данных и команд, по меньшей мере одно устройство ввода и по меньшей мере одно устройство вывода. Программируемая система или компьютерная система может включать в себя клиентов и серверы. Клиент и сервер по существу удалены друг от друга и, как правило, взаимодействуют через сеть связи. Функциональная зависимость клиента и сервера возникает благодаря компьютерным программам, выполняемым на соответствующих компьютерах и имеющим функциональную зависимость клиент-сервер друг от друга.[0035] One or more aspects or features of the subject matter described herein may be implemented as a digital electronic circuit, an integrated circuit, an application specific integrated circuit (ASIC), a field programmable gate array (FPGA), hardware, firmware, software and/or combinations thereof. These various aspects or features may include implementation in one or more computer programs that are executable and/or interpretable on a programmable system that includes at least one programmable processor, which may be specialized or general purpose, and that is connected to the system. storage for receiving data and commands from it and transmitting data and commands to it, at least one input device and at least one output device. The programmable system or computer system may include clients and servers. The client and server are essentially remote from each other and typically interact through a communications network. The functional dependence of the client and the server arises due to computer programs running on the respective computers and having a functional client-server dependence on each other.

[0036] Эти компьютерные программы, которые также могут называться программами, программным обеспечением, программными приложениями, приложениями, компонентами или кодом, включают в себя машинные команды для программируемого процессора и могут быть реализованы на процедурном языке высокого уровня, объектно-ориентированном языке программирования, функциональном языке программирования, логическом языке программирования и/или на ассемблерном/машинном языке. Используемый в настоящем документе термин «машиночитаемый носитель» относится к любому компьютерному программному продукту, аппарату и/или устройству, такому как, например, магнитные диски, оптические диски, запоминающее устройство и программируемые логические устройства (ПЛУ), используемые для передачи машинных команд и/или данных на программируемый процессор, включая машиночитаемый носитель, который принимает машинные команды в качестве машиночитаемого сигнала. Термин «машиночитаемый сигнал» относится к любому сигналу, который используется для передачи машинных команд и/или данных на программируемый процессор. Машиночитаемый носитель может хранить такие машинные команды нетранзиторно, например в виде нетранзигорной твердотельной памяти, или магнитного жесткого диска, или любой эквивалентной среды хранения данных. Машиночитаемый носитель может в альтернативном или дополнительном варианте осуществления хранить такие машинные команды в транзиторном режиме, таком как, например, обеспечиваемый кеш-памятью процессор или другое оперативное запоминающее устройство, связанное с одним или более физическими ядрами процессора.[0036] These computer programs, which may also be referred to as programs, software, software applications, applications, components, or code, include machine instructions for a programmable processor and may be implemented in a high-level procedural language, an object-oriented programming language, a functional programming language, logical programming language, and/or assembly/machine language. As used herein, the term "computer-readable medium" refers to any computer program product, apparatus, and/or device such as, for example, magnetic disks, optical disks, memory, and programmable logic devices (PLDs) used to transmit machine instructions and/or or data to a programmable processor, including a computer-readable medium that receives machine instructions as a computer-readable signal. The term "machine readable signal" refers to any signal that is used to transmit machine instructions and/or data to a programmable processor. The computer-readable medium may store such machine instructions in a non-transitory manner, such as in the form of non-transitory solid-state memory or a magnetic hard disk, or any equivalent storage medium. The computer-readable medium may alternatively or additionally store such machine instructions in a transient manner, such as, for example, a cache-backed processor or other random access memory associated with one or more physical processor cores.

[0037] Для обеспечения взаимодействия с пользователем один или более аспектов или признаков объекта изобретения, описанного в настоящем документе, могут быть реализованы на компьютере, имеющем устройство отображения, такое как, например, электронно-лучевая трубка (ЭЛТ), или жидкокристаллический дисплей (ЖКД), или монитор на светоизлучающих диодах (СИД) для отображения информации пользователю, а также клавиатуру и указывающее устройство, такое как, например, мышь или трекбол, с помощью которых пользователь может вводить данные в компьютер. Для обеспечения взаимодействия с пользователем также могут использоваться и другие типы устройств. Например, обратная связь, предоставляемая пользователю, может представлять собой любую форму сенсорной обратной связи, такую как, например, визуальная обратная связь, акустическая обратная связь или тактильная обратная связь, а ввод от пользователя может быть принят в любой форме, включая акустический, речевой или тактильный ввод. К другим возможным устройствам ввода относятся сенсорные экраны или другие сенсорные устройства, такие как одно- или многоточечные резистивные или емкостные сенсорные панели, аппаратное и программное обеспечение распознавания речи, оптические сканеры, оптические указатели, цифровые устройства захвата изображений и соответствующее программное обеспечение для интерпретации и т.п.[0037] To provide user interaction, one or more aspects or features of the subject matter described herein may be implemented on a computer having a display device such as, for example, a cathode ray tube (CRT) or a liquid crystal display (LCD). ), or a light emitting diode (LED) monitor for displaying information to the user, as well as a keyboard and pointing device, such as a mouse or trackball, with which the user can enter data into the computer. Other types of devices may also be used to provide user interaction. For example, the feedback provided to the user may be any form of sensory feedback, such as, for example, visual feedback, acoustic feedback, or tactile feedback, and user input may be received in any form, including acoustic, speech, or tactile input. Other possible input devices include touch screens or other touch devices such as single or multi-point resistive or capacitive touch panels, speech recognition hardware and software, optical scanners, optical pointers, digital image capture devices and related interpretation software, etc. .P.

[0038] В описаниях выше и в формуле изобретения могут встречаться фразы, такие как «по меньшей мере один из» или «один или более из», за которыми следует связующий список элементов или признаков. Термин «и/или» также может встречаться в списке из двух или более элементов или признаков. Если иное явно или неявно не противоречит контексту, в котором они используются, подразумевается, что такая фраза означает любой из перечисленных элементов или признаков в отдельности или любой из указанных элементов или признаков в комбинации с любыми другими указанными элементами или признаками. Например, фразы «по меньшей мере один из А и В»; «один или более из А и В»; и «А и/или В» означают «только А, только В или А и В вместе». Аналогичное толкование также предназначено для списков, включающих три или более пунктов. Например, фразы «по меньшей мере один из А, В и С», «один или более из А, В и С» и «А, В и/или С» означают «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 термина «на основании», приведенного выше и в формуле изобретения, означает «основано по меньшей мере частично на», так что неупомянутый признак или элемент также допустимы.[0038] Phrases such as "at least one of" or "one or more of" followed by a linking list of elements or features may occur in the descriptions above and in the claims. The term "and/or" may also occur in a list of two or more elements or features. Unless otherwise expressly or implicitly contradicts the context in which they are used, such phrase is understood to mean any of the listed elements or features alone or any of the specified elements or features in combination with any other specified elements or features. For example, the phrases "at least one of A and B"; "one or more of A and B"; and "A and/or B" means "only A, only B, or A and B together." A similar interpretation is also intended for lists containing three or more items. For example, the phrases "at least one of A, B and C", "one or more of A, B and C" and "A, B and/or C" mean "only A, only B, only C, A and B together, A and C together, B and C together, or A and B and C together. In addition, the use of the term "based on" above and in the claims means "based at least in part on" so that an unmentioned feature or element is also allowed.

[0039] Объект изобретения, описанный в настоящем документе, может быть осуществлен в виде систем, устройств, способов и/или изделий в зависимости от желаемой конфигурации. Варианты осуществления, изложенные в приведенном выше описании, не представляют собой все варианты осуществления, согласующиеся с объектом изобретения, описанным в настоящем документе. Напротив, они являются лишь некоторыми примерами, согласующимися с аспектами, относящимися к описанному объекту изобретения. Несмотря на то что несколько вариантов были подробно описаны выше, возможны и другие изменения или добавления. В частности, дополнительные признаки и/или вариации могут быть предусмотрены в дополнение к тем, которые изложены в настоящем документе. Например, описанные выше варианты реализации могут относиться к различным комбинациям и подкомбинациям описанных признаков и/или комбинаций и подкомбинаций нескольких дополнительных признаков, описанных выше. Кроме того, логические потоки, изображенные на сопроводительных фигурах и/или описанные в настоящем документе, не обязательно требуют показанного определенного или последовательного порядка для достижения желаемых результатов. Нижеследующая формула изобретения охватывает другие варианты осуществления. [0039] The subject matter described herein may be implemented as systems, devices, methods, and/or articles, depending on the desired configuration. The embodiments set forth in the above description do not represent all embodiments consistent with the subject matter of the invention described herein. On the contrary, they are only some examples consistent with aspects related to the described subject matter. Although several options have been detailed above, other changes or additions are possible. In particular, additional features and/or variations may be provided in addition to those set forth herein. For example, the embodiments described above may refer to various combinations and subcombinations of the described features and/or combinations and subcombinations of several additional features described above. In addition, the logical flows depicted in the accompanying figures and/or described herein do not necessarily require the particular or sequential order shown to achieve the desired results. The following claims cover other embodiments.

Claims

1. Method for monitoring the working condition of the sensor, including:

obtaining data indicative of the measurement data values obtained by the sensor connected to the compressor;

identifying a first data sample in the received data, including at least one measurement data value related to the exception data type, wherein identifying the first data sample includes applying at least one data validation rule to the received data, which allows checking the rate of change averaging the measurement data and generating a warning in response to the first data sample failing the data validation rule;

deleting the first data sample;

calculating, using at least one data estimation technique, a second data sample to replace the first data sample, said at least one data estimation technique comprising performing gradient boosting on the remote first data sample;

evaluating the calculated second data sample by evaluating the fit of the calculated second data sample given a dataset of known measurement data values, the fit being determined based on applying an f-test to the second data sample and the known measurement data values, and if the calculated second data sample fails f-test, a warning is generated including at least one tag identifying the failed test;

performing a maintenance analysis on the estimated calculated second data sample based on the at least one tag; and

providing the warning and the result of the maintenance analysis on the display, wherein the warning is displayed on one time series tag on the first axis with the first time stamp, and the result of the maintenance analysis is displayed with the second time stamp on the second axis separate from the first axis, and the first and the second timestamps are identical.

2. The method of claim. 1, in which the sensor is attached to the compressor located in the oil and gas sector, and the data further characterizes the operating state of the compressor.

3. The method of claim 2, wherein the sensor is included in a sensor operating status monitoring system associated with an oil and gas facility, the data further indicative of the operating status of the sensor.

4. The method of claim. 1, wherein at least one data validation rule belongs to a group of data validation rules that allow you to check the type of one or more data related to the type of data about abnormal situations in the measurement data values, the empty data value within measurement data values, the presence of duplicate measurement data values, or the absence of three or more measurement data values.

5. The method of claim 1, wherein said at least one data estimation technique is selected from a group of data estimation techniques including linear, cubic, spline, multiple recovery, k-nearest neighbors, or ensemble decision tree data.

6. The method of claim 1, wherein the generation of alerts is blocked based on the evaluation of the alert and compliance using one or more machine learning models trained in a machine learning process using measurement statistics values related to the compressor as training data for one or more machine learning models.

7. The method of claim 6, wherein the one or more machine learning models are further configured to generate a general warning in response to determining the mismatch of two or more calculated new samples that fail one or more tests or thresholds previously determined to have failed, wherein two or more calculated second data samples fail one or more similar tests or thresholds, including identical failure patterns.

8. The method of claim 6, wherein one or more machine learning models can be retuned and updated based on the match of two or more calculated second data samples that fail one or more tests or thresholds, wherein the training data can include false positive results of maintenance analysis.

9. The method of claim 1, further comprising modifying compressor operation based on performing a maintenance analysis of the evaluated calculated second sample.

10. The system for monitoring the working condition of the sensor, containing:

a data processor, a display, a controller, and a storage device that stores non-transient, machine-readable instructions that, when executed, engage the data processor to perform operations, including

obtaining data characterizing the values of the measurement data obtained using a sensor connected with the possibility of communication with the compressor, and the sensor is configured to generate values of the measurement data,

identifying a first data sample in the received data, including at least one measurement data value related to the exception data type, wherein identifying the first data sample includes applying at least one data validation rule to the received data, which allows checking the rate of change the average value of the measurement data and the generation of a warning in response to the non-compliance of the first data sample with the data validation rule,

deleting the first data sample,

calculation using at least one data estimation technique, a second data sample to replace the first data sample, wherein said at least one data evaluation technique includes performing gradient boosting on the removed first data sample,

evaluating the calculated first data sample by evaluating the fit of the calculated second data sample given a dataset of known measurement data values, the fit being determined based on applying an f-test to the second data sample and the known measurement data values, and if the calculated second data sample fails f-test, a warning is generated including at least one tag identifying the failed test;

11. The system of claim. 10, in which the sensor is attached to the compressor located in the oil and gas sector, and the data further characterizes the operating state of the compressor.

12. The system of claim 11, wherein the sensor is included in a sensor operating status monitoring system associated with the oil and gas industry, the data further indicative of the operating status of the sensor.

13. The system of claim. 10, in which at least one data validation rule belongs to a group of data validation rules, allowing you to check the type of one or more data related to the type of data about abnormal situations, in the measurement data values, the empty data value within measurement data values, the presence of duplicate measurement data values, and/or the absence of three or more measurement data values.

14. A non-transitory computer-readable storage medium that stores program instructions that, when executed by at least one data processor, cause the at least one data processor to perform operations, including:

receiving data characterizing the values of measurement data obtained using a sensor connected with the possibility of communication with the compressor,

identifying a first data sample including at least one measurement data value related to the exception data type, wherein identifying the first data sample includes applying at least one data validation rule to the received data, which allows checking the rate of change of the mean data value measurements and generation of a warning in response to the discrepancy between the first data sample and the data validation rule,

deleting the first data sample,

evaluating the calculated first data sample by evaluating the fit of the calculated second data sample given a dataset of known measurement data values, the fit being determined based on applying an f-test to the second data sample and the known measurement data values, and if the calculated second data sample fails f-test, a warning is generated that includes at least one tag identifying the failed test,

performing a maintenance analysis on the estimated calculated first data sample based on at least one tag,

providing a warning and a maintenance analysis result via a display, wherein the warning is displayed on one time series tag on a first axis with a first time stamp, and the maintenance analysis result is displayed with a second time stamp on a second axis separate from the first axis, and wherein the first and the second timestamps are identical, and

controlling compressor operation by a controller connected to at least one data processor and a sensor based on a result of the maintenance analysis.