Certains contenus de cette application ne sont pas disponibles pour le moment.
Si cette situation persiste, veuillez nous contacter àObservations et contact
1. (WO2018041378) PROCÉDÉ ET SYSTÈME DE DÉTECTION D'ANOMALIE DANS UN SYSTÈME DE FABRICATION
Dernières données bibliographiques dont dispose le Bureau international   

N° de publication : WO/2018/041378 N° de la demande internationale : PCT/EP2016/073324
Date de publication : 08.03.2018 Date de dépôt international : 29.09.2016
CIB :
G05B 23/02 (2006.01)
G PHYSIQUE
05
COMMANDE; RÉGULATION
B
SYSTÈMES DE COMMANDE OU DE RÉGULATION EN GÉNÉRAL; ÉLÉMENTS FONCTIONNELS DE TELS SYSTÈMES; DISPOSITIFS DE CONTRÔLE OU D'ESSAIS DE TELS SYSTÈMES OU ÉLÉMENTS
23
Essai ou contrôle des systèmes de commande ou de leurs éléments
02
Essai ou contrôle électrique
Déposants :
SIEMENS AKTIENGESELLSCHAFT [DE/DE]; Werner-von-Siemens-Straße 1 80333 München, DE
Inventeurs :
LAMPARTER, Steffen; DE
LEPRATTI, Raffaello; IT
RINGSQUANDL, Martin; DE
Données relatives à la priorité :
16186116.629.08.2016EP
Titre (EN) METHOD AND SYSTEM FOR ANOMALY DETECTION IN A MANUFACTURING SYSTEM
(FR) PROCÉDÉ ET SYSTÈME DE DÉTECTION D'ANOMALIE DANS UN SYSTÈME DE FABRICATION
Abrégé :
(EN) In a monitoring phase (MP), live instance vectors comprising data from all devices of a manufacturing system (M) are acquired. A constraint-based clustering algorithm (CBC) assigns each live instance vector to a cluster, thereby forming a live sequence (SL) of clusters. The live sequence is classified based on at least one behavior model (BM). An anomaly is detected depending on the classification result (CR). Each cluster represents a state of the manufacturing system. The sequences of clusters can be generated by consecutive operations that are performed in the manufacturing system. The constraint-based clustering algorithm facilitates an unsupervised (automated) or semi-supervised learning of system behavior that may be supplemented with supervised or unsupervised learning of the behavior models. The method provides a way of automated learning of discrete event dynamic systems from data generated by sensors and actuators without requiring manual input. By capturing sequence violations, it is possible to detect anomalies that are caused by correlations or dependencies at a global, even facility-wide, range. "Out-of-control"-behavior can be prevented through triggering of emergency actions, if the live sequence violates function block constraints. Must-link and cannot-link constraints can be derived from control knowledge about the manufacturing system prior to the monitoring phase, for example from specifications of function blocks of the manufacturing system, in particular from input variables and/or output variables of function blocks in control code of PLCs.
(FR) Dans une phase de surveillance (MP), des vecteurs d'instance en temps réel comprenant des données provenant de tous les dispositifs d'un système de fabrication (M) sont acquis. Un algorithme de groupement basé sur des contraintes (CBC) attribue chaque vecteur d'instance en temps réel à un groupe, formant ainsi une séquence en temps réel (SL) de groupes. La séquence en temps réel est classifiée sur la base d'au moins un modèle de comportement (BM). Une anomalie est détectée en fonction du résultat de classification (CR). Chaque groupe représente un état du système de fabrication. Les séquences de groupes peuvent être générées par des opérations consécutives qui sont effectuées dans le système de fabrication. L'algorithme de groupement basé sur des contraintes facilite un apprentissage non supervisé (automatisé) ou semi-supervisé du comportement du système qui peut être complété par un apprentissage supervisé ou non supervisé des modèles de comportement. Le procédé fournit une manière d'apprentissage automatique de systèmes dynamiques d'événements discrets à partir de données générées par des capteurs et des actionneurs sans nécessiter une entrée manuelle. En capturant des violations de séquence, il est possible de détecter des anomalies qui sont provoquées par des corrélations ou des dépendances au niveau d'une plage globale, même à l'échelle du système. Un comportement "hors-commande" peut être évité par le déclenchement d'actions d'urgence, si la séquence en temps réel viole des contraintes de bloc de fonction. Des contraintes de liaison obligatoire et de liaison impossible peuvent être dérivées de connaissance de contrôle concernant le système de fabrication avant la phase de surveillance, par exemple peuvent être dérivées de spécifications de blocs fonctionnels du système de fabrication, en particulier de variables d'entrée et/ou de variables de sortie de blocs fonctionnels dans un code de commande d'automates programmables.
front page image
États désignés : AE, AG, AL, AM, AO, AT, AU, AZ, BA, BB, BG, BH, BN, BR, BW, BY, BZ, CA, CH, CL, CN, CO, CR, CU, CZ, DE, DJ, DK, DM, DO, DZ, EC, EE, EG, ES, FI, GB, GD, GE, GH, GM, GT, HN, HR, HU, ID, IL, IN, IR, IS, JP, KE, KG, KN, KP, KR, KW, KZ, LA, LC, LK, LR, LS, LU, LY, MA, MD, ME, MG, MK, MN, MW, MX, MY, MZ, NA, NG, NI, NO, NZ, OM, PA, PE, PG, PH, PL, PT, QA, RO, RS, RU, RW, SA, SC, SD, SE, SG, SK, SL, SM, ST, SV, SY, TH, TJ, TM, TN, TR, TT, TZ, UA, UG, US, UZ, VC, VN, ZA, ZM, ZW
Organisation régionale africaine de la propriété intellectuelle (ARIPO) (BW, GH, GM, KE, LR, LS, MW, MZ, NA, RW, SD, SL, ST, SZ, TZ, UG, ZM, ZW)
Office eurasien des brevets (OEAB) (AM, AZ, BY, KG, KZ, RU, TJ, TM)
Office européen des brevets (OEB (AL, AT, BE, BG, CH, CY, CZ, DE, DK, EE, ES, FI, FR, GB, GR, HR, HU, IE, IS, IT, LT, LU, LV, MC, MK, MT, NL, NO, PL, PT, RO, RS, SE, SI, SK, SM, TR)
Organisation africaine de la propriété intellectuelle (OAPI) (BF, BJ, CF, CG, CI, CM, GA, GN, GQ, GW, KM, ML, MR, NE, SN, TD, TG)
Langue de publication : anglais (EN)
Langue de dépôt : anglais (EN)