RU2703874C1 - Method of monitoring and predicting operation of a gas turbine plant using a matrix of defects - Google Patents
Method of monitoring and predicting operation of a gas turbine plant using a matrix of defects Download PDFInfo
- Publication number
- RU2703874C1 RU2703874C1 RU2018134957A RU2018134957A RU2703874C1 RU 2703874 C1 RU2703874 C1 RU 2703874C1 RU 2018134957 A RU2018134957 A RU 2018134957A RU 2018134957 A RU2018134957 A RU 2018134957A RU 2703874 C1 RU2703874 C1 RU 2703874C1
- Authority
- RU
- Russia
- Prior art keywords
- gas turbine
- indicators
- turbine installation
- parameters
- units
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M15/00—Testing of engines
- G01M15/14—Testing gas-turbine engines or jet-propulsion engines
Landscapes
- Chemical & Material Sciences (AREA)
- Engineering & Computer Science (AREA)
- Combustion & Propulsion (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
Description
Изобретение относится к области техники и информатики, а более конкретно - к способу контроля и прогнозирования работы газотурбиной установки с использованием матрицы дефектов.The invention relates to the field of technology and computer science, and more specifically to a method for monitoring and predicting the operation of a gas turbine installation using a defect matrix.
Настоящее изобретение может найти применение при создании, эксплуатации, управлении и мониторинге систем различного назначения, включая сложные технические системы, в которых интегрированы газотурбинные установки, используемые в энергетике, машиностроении, коммунальном хозяйстве и других отраслях. В основу изобретения заложена идея матрицы дефектов. На основе разладок определяются зарождающиеся или уже имеющиеся дефекты газотурбиной установки.The present invention can find application in the creation, operation, management and monitoring of systems for various purposes, including complex technical systems that integrate gas turbine plants used in energy, engineering, utilities and other industries. The basis of the invention is the idea of a defect matrix. Based on the disturbances, incipient or existing defects of the gas turbine installation are determined.
В основу настоящего изобретения положена задача создания такого способа контроля и прогнозирования работы газотурбиной установки с использованием матрицы дефектов, который позволил бы объективно оценивать состояние газотурбиной установки исходя из материальных показателей ее функционирования, давал бы возможность выбора модели функционирования системы, ее подсистем и агрегатов, а не был бы привязан к одной модели, учитывал мнение эксперта по выбору модели и существенных показателей, а также отличий параметров модели от параметров реального функционирования, учитывал бы возможность смены способа принятия решений о совпадении реальных параметров функционирования и параметров выбранной экспертом модели, включая различные статистические критерии с оптимальными вероятностями принятия ошибочных решений, позволял бы достигать оптимального функционирования системы и ее агрегатов, оценивать возможные последствий изменения параметров системы и управляющих ею процессов, а также динамически корректировать матрицу дефектов.The basis of the present invention is the creation of such a method of monitoring and predicting the operation of a gas turbine installation using a defect matrix that would allow an objective assessment of the state of a gas turbine installation based on material indicators of its functioning, would make it possible to choose a model of the system, its subsystems and units, rather than would be tied to one model, taking into account the opinion of the expert on the choice of model and significant indicators, as well as differences between model parameters and parameters p functional functioning, would take into account the possibility of changing the decision-making method on the coincidence of the real functioning parameters and the parameters of the model selected by the expert, including various statistical criteria with optimal probabilities of making erroneous decisions, would allow to achieve optimal functioning of the system and its units, to evaluate the possible consequences of changing the parameters of the system and control processes, as well as dynamically adjust the matrix of defects.
Наиболее близким к данному изобретению является способ и система удаленного мониторинга энергетических установок (патент РФ №2626780), который можно принять за прототип.Closest to this invention is a method and system for remote monitoring of power plants (RF patent No. 2626780), which can be taken as a prototype.
Согласно данному способу для удаленного мониторинга и прогностики состояния технологических объектов, относящихся к турбоагрегатам и сопутствующему оборудованию, выполняют следующие этапы:According to this method, for the remote monitoring and forecasting of the state of technological objects related to turbine units and related equipment, the following steps are performed:
- получают данные от объекта контроля, характеризующие показатели технологических параметров работы упомянутого объекта;- receive data from the control object, characterizing the performance of the technological parameters of the operation of the said object;
- формируют на основании полученных параметров объекта эталонную выборку показателей работы объекта, состоящую из значений упомянутых показателей, представляющих собой точки выборки, причем упомянутая выборка соответствует временному промежутку непрерывной работы объекта контроля;- form on the basis of the obtained parameters of the object a reference sample of performance indicators of the object, consisting of the values of the mentioned indicators, which are sampling points, and the said sample corresponds to the time interval of continuous operation of the control object;
- осуществляют построение матрицы состояния из компонентов точек эталонной выборки, в которой компонентами являются значения упомянутых показателей работы объекта контроля;- carry out the construction of the state matrix from the components of the points of the reference sample, in which the components are the values of the mentioned performance indicators of the control object;
- на основании MSET (Multivariate State Estimation Technique) метода с помощью упомянутой матрицы состояния осуществляют построение эмпирических моделей прогностики состояния объекта контроля, каждая из которых отображает наблюдаемую точку состояния объекта контроля в многомерном пространстве показателей работы объекта в точку, моделирующую состояние объекта;- on the basis of the MSET (Multivariate State Estimation Technique) method, using the mentioned state matrix, empirical models for predicting the state of the control object are constructed, each of which displays the observed state point of the control object in the multidimensional space of the object’s performance indicators to the point modeling the state of the object;
- определяют по разности компонентов наблюдаемой точки и точки, моделирующей состояние объекта, компоненты невязок, на основании которых рассчитывают критерий Т2, который характеризует отклонение показателей технологических параметров объекта контроля от модели в наблюдаемой точке пространства, причем Т2 является квадратичной формой нормализованных невязок, коэффициентами которой являются элементы псевдообратной матрицы корреляционной матрицы для нормализованных невязок эталонной выборки;- determine by the difference between the components of the observed point and the point modeling the state of the object, the residual components, on the basis of which the criterion T2 is calculated, which characterizes the deviation of the parameters of the technological parameters of the control object from the model at the observed point in space, and T2 is a quadratic form of normalized residuals, the coefficients of which are elements of the pseudoinverse matrix of the correlation matrix for normalized residuals of the reference sample;
- определяют разладки, отображающие степень влияния показателей работы объекта на упомянутое отклонение показателей технологических параметров объекта контроля, как разность критериев Т2 и квадратичных форм нормализованных невязок, с коэффициентами псевдообратной матрицы для матрицы, полученной из упомянутой корреляционной матрицы, в которой строка и столбец, соответствующие данному показателю работы объекта, заменены на нулевое значение;- determine the layouts that reflect the degree of influence of the performance indicators of the object on the mentioned deviation of the parameters of the technological parameters of the control object, as the difference between the criteria T2 and the quadratic forms of normalized residuals, with the coefficients of the pseudoinverse matrix for the matrix obtained from the mentioned correlation matrix, in which the row and column corresponding to this the indicator of the facility, replaced by a zero value;
- осуществляют анализ поступающей информации от объекта контроля с помощью полученного набора эмпирических моделей путем сравнения полученных показателей объекта контроля с параметрами модели в заданный промежуток времени;- analyze the incoming information from the control object using the obtained set of empirical models by comparing the obtained indicators of the control object with the model parameters in a given period of time;
- определяют с помощью упомянутого критерия Т2 степень отклонения поступающих показателей параметров объекта контроля за заданный промежуток времени от показателей эмпирических моделей и выявляют разладки для таких показателей;- using the mentioned criterion T2, the degree of deviation of the incoming indicators of the parameters of the control object for a given period of time from the indicators of empirical models is determined and the discrepancies for such indicators are revealed;
- выполняют ранжирование вычисленных разладок для выявления показателей, вносящих наибольший вклад в изменение технического состояния объекта контроля;- perform a ranking of the calculated discrepancies to identify indicators that make the greatest contribution to changing the technical condition of the control object;
- модифицируют эталонную выборку с помощью ее пополнения точками за новый промежуток времени и фильтрацией точек, соответствующих режиму работы, описываемому моделью, и соответствующих новому техническому состоянию объекта контроля;- modify the reference sample by replenishing it with points for a new period of time and filtering the points corresponding to the operating mode described by the model and corresponding to the new technical state of the control object;
- обновляют на основании отфильтрованной выборки эмпирические модели;- update empirical models based on the filtered sample;
- формируют сигнал, сообщающий об отклонении, по меньшей мере, одного параметра объекта контроля на основании обновленной модели.- form a signal reporting the deviation of at least one parameter of the object of control on the basis of the updated model.
Необходимо заметить, что статистический критерий Хотеллинга (Т2) не является единственно возможным и оптимальным для оценки технических систем. В [1] подробно рассмотрены критерий Хотеллинга [Anderson, 2003], многомерный ранговый критерий (обобщение рангового критерия Вилкоксона на многомерный случай) [Puri, Sen, 1971] и ядерный критерий Крамера [Baringhaus, Franz, 2004]. При этом в [1] отмечено, что критерий Хотеллинга и ранговый критерий имеют мощность, близкую к нулевой, поскольку они основаны на статистиках, реагирующих только на альтернативы сдвига распределений. Критерий Крамера имеет несколько большую мощность чем предложенный в [1] критерий, однако близкая к единице мощность предложенного критерия достигается и в этом случае. Кроме того, что весьма важно все указанные критерии корректны лишь для случая гауссовских (нормальных) распределений, а известно, что, например, распределение отказов имеет пуассоновский характер.It should be noted that the Hotelling statistical criterion (T2) is not the only possible and optimal for evaluating technical systems. The Hotelling criterion [Anderson, 2003], the multidimensional rank criterion (generalization of the Wilcoxon rank criterion to the multidimensional case) [Puri, Sen, 1971], and the Cramer nuclear criterion [Baringhaus, Franz, 2004] are considered in detail in [1]. Moreover, it was noted in [1] that the Hotelling criterion and the rank criterion have a power close to zero, since they are based on statistics that respond only to alternatives of the distribution shift. The Cramer criterion has a slightly greater power than the criterion proposed in [1], however, the power of the proposed criterion close to unity is achieved in this case as well. In addition, it is very important that all these criteria are correct only for the case of Gaussian (normal) distributions, but it is known that, for example, the distribution of failures has a Poisson character.
Таким образом, прототип не дает возможности выбора модели функционирования системы, ее подсистем и агрегатов, привязан к одной модели (MSET), не учитывает мнение эксперта по выбору модели и существенных показателей, а также отличий параметров модели от параметров реального функционирования, не учитывает возможность смены способа принятия решений о совпадении реальных параметров функционирования и параметров выбранной экспертом модели, включая различные статистические критерии с оптимальными вероятностями принятия ошибочных решений и опирается на статистически неоптимальный критерий, и как следствие - не позволяет гарантированно достигать оптимального функционирования системы и ее агрегатов, оценивать возможные последствий изменения параметров системы и управляющих ею процессов.Thus, the prototype does not allow the choice of the functioning model of the system, its subsystems and aggregates, is tied to one model (MSET), does not take into account the opinion of the expert on the choice of the model and significant indicators, as well as differences between the model parameters and the parameters of real functioning, does not take into account the possibility of changing decision-making methods on the coincidence of real functioning parameters and parameters of the model selected by the expert, including various statistical criteria with optimal probabilities of making erroneous decisions and Piran statistically non-optimal criterion, and as a result - not a proven achieve optimum functioning of the system and its units, to assess the possible effects of changes in the system parameters and control the processes.
Другими аналогами заявляемого способа являютсяOther analogues of the proposed method are
1. Avantis PRiSM - Schneider Electric1. Avantis PRiSM - Schneider Electric
http://www.schneider-electric.ru/ru/work/solutions/for-business/s4/electric-utilities-asset-management-and-predictive-analytics/http://www.schneider-electric.ru/en/work/solutions/for-business/s4/electric-utilities-asset-management-and-predictive-analytics/
2. Plant Monitor - Siemens2. Plant Monitor - Siemens
http://www.energy.siemens.com/ru/ru/automation/power-generation/diagnosis-monitoring-protection/monitoring/sppa-d3000-plant-monitor.htmhttp://www.energy.siemens.com/ru/ru/automation/power-generation/diagnosis-monitoring-protection/monitoring/sppa-d3000-plant-monitor.htm
3. Predix-GE3. Predix-GE
https://ffin.ru/market/future/56784/https://ffin.ru/market/future/56784/
http://gereports.ru/post/100060156075/tehnologicheskaja-platforma-analiza-dannyh-predixhttp://gereports.ru/post/100060156075/tehnologicheskaja-platforma-analiza-dannyh-predix
http://sketchapp.me/dizajn-sistema-predix-ot-kompanii-ge-na-osnove-atomic-design/http://sketchapp.me/dizajn-sistema-predix-ot-kompanii-ge-na-osnove-atomic-design/
http://www.indusoft.com.ua/about/news/4808/http://www.indusoft.com.ua/about/news/4808/
Они имеют аналогичные уже описанные выше недостатки.They have similar disadvantages already described above.
Задачи изобретения решены и недостатки прототипов устранены в реализованном согласно настоящему изобретению способе контроля и прогнозирования работы газотурбиной установки с использованием матрицы дефектов, предусматривающий следующие стадии:The objectives of the invention are solved and the disadvantages of the prototypes are eliminated in the method according to the present invention for monitoring and predicting the operation of a gas turbine installation using a defect matrix, comprising the following steps:
1) накапливают данные о функционировании агрегатов и/или подсистем агрегатов газотурбиной установки, характеризующие показатели параметров их функционирования и передают их эксперту;1) accumulate data on the functioning of the units and / or subsystems of the units of the gas turbine installation, characterizing the parameters of their functioning parameters and transmit them to the expert;
2) эксперт получает данные о функционировании газотурбинной установки в виде последовательности показателей, коррелированных с моментами времени и формирует на основании полученных последовательностей выборку показателей функционирования;2) the expert receives data on the functioning of the gas turbine unit in the form of a sequence of indicators correlated with time instants and forms a selection of performance indicators based on the obtained sequences;
3) эксперт на основе известного набора методов построения моделей функционирования отдельных агрегатов и/или подсистем агрегатов, и/или газотурбиной установки в целом и выборки показателей функционирования выбирает одну из моделей функционирования газотурбинной установки, при этом выбранная модель отображает наблюдаемую точку состояния объекта контроля в многомерном пространстве показателей работы объекта в точку, моделирующую состояние объекта, которым является узел или агрегат газотурбиной установки;3) an expert, on the basis of a well-known set of methods for constructing functioning models of individual units and / or subsystems of units, and / or a gas turbine installation as a whole and a selection of performance indicators, selects one of the functioning models of a gas turbine installation, while the selected model displays the observed state point of the control object in multidimensional the space of the object’s performance indicators to the point modeling the state of the object, which is the unit or assembly of the gas turbine of the installation;
4) эксперт определяет способ оценки различия параметров выбранной модели и данных о функционировании газотурбинной установки в виде последовательности показателей и определяет способ оценки значения отклонений показателей функционирования и параметров выбранной модели;4) the expert determines the method for assessing the differences in the parameters of the selected model and data on the functioning of the gas turbine unit in the form of a sequence of indicators and determines the method for evaluating the deviations of the performance indicators and parameters of the selected model;
5) эксперт на основе выбора одного из критериев сравнения и вероятности ошибки выбирает статистический способ оценки отклонений и определяет по разности компонентов наблюдаемой точки и точки, моделирующей состояние объекта, компоненты невязок, которые характеризует отклонение показателей технологических параметров объекта контроля от модели в наблюдаемой точке многомерного пространства;5) the expert, based on the choice of one of the comparison criteria and the probability of error, selects a statistical method for estimating deviations and determines, based on the difference between the components of the observed point and the point modeling the state of the object, the residual components that characterize the deviation of the parameters of the technological parameters of the control object from the model at the observed point in multidimensional space ;
6) эксперт определяет разладки, отображающие степень влияния показателей работы газотурбинной установки на упомянутое отклонение показателей технологических параметров объекта контроля и на основе разладок определяется зарождающиеся или уже имеющиеся дефекты в агрегатах газотурбинной установки и формирует матрицу дефектов;6) the expert determines the disturbances that reflect the degree of influence of the gas turbine plant operation indicators on the aforementioned deviation of the technological parameters of the test object and, based on the dislocations, the incipient or existing defects in the gas turbine plant units are determined and forms a defect matrix;
7) в ходе функционирования отдельных агрегатов газотурбинной установки получают текущие показатели функционирования;7) during the operation of individual units of a gas turbine installation, they receive current performance indicators;
8) полученные текущие показатели в автоматизированном режиме сравнивают с показателями выбранной модели и оценивают размер отклонений;8) the obtained current indicators in an automated mode are compared with the indicators of the selected model and the size of the deviations is estimated;
9) определяют с помощью выбранного критерия степень отклонения поступающих показателей от показателей эмпирических моделей и делают вывод о нормальности или аномальности отклонений, а также вероятности возникновения дефектов с заданной выбранным критерием вероятностью;9) using the selected criterion, determine the degree of deviation of the incoming indicators from the indicators of empirical models and conclude that the deviations are normal or anomalous, as well as the likelihood of defects with the probability specified by the selected criterion;
10) формируют сигнал, сообщающий об отклонении, по меньшей мере, одного параметра и/или возникновении дефекта агрегата газотурбинной установки;10) generate a signal informing about the deviation of at least one parameter and / or the occurrence of a defect in the unit of a gas turbine installation;
11) при помощи выбранной модели прогнозируют состояние отдельных агрегатов и/или подсистем агрегатов газотурбинной установки, и/или газотурбинной установки в целом в следующие моменты времени, дополняя матрицу дефектов;11) using the selected model, they predict the state of individual units and / or subsystems of units of a gas turbine installation, and / or a gas turbine installation as a whole at the following time instants, supplementing the defect matrix;
12) полученные показатели и состояния необязательно сохраняют и используют в качестве управляющих воздействий, позволяющих достичь оптимального функционирования отдельных агрегатов и/или подсистем агрегатов газотурбинной установки, и/или газотурбинной установки в целом.12) the obtained indicators and conditions are not necessarily saved and used as control actions, allowing to achieve the optimal functioning of individual units and / or subsystems of units of a gas turbine installation, and / or a gas turbine installation as a whole.
Технически целесообразно в данном способе рассматривать ситуацию, когда эксперт при построении модели использует Similarity Based Modeling.Technically, it is advisable in this method to consider a situation where an expert uses Similarity Based Modeling when building a model.
За счет реализации заявленного авторами способа достигаются следующие технические результаты:Due to the implementation of the claimed method, the following technical results are achieved:
- возможно объективно оценивать состояние газотурбинной установки, исходя из материальных показателей ее функционирования,- it is possible to objectively assess the state of a gas turbine installation, based on material indicators of its functioning,
- присутствует возможность выбора модели функционирования газотурбинной установки, ее подсистем и агрегатов, способ не привязан к одной модели,- there is the possibility of choosing a model of the gas turbine installation, its subsystems and units, the method is not tied to one model,
- учитывается мнение эксперта по выбору модели и существенных показателей, а также отличий параметров модели от параметров реального функционирования,- the opinion of the expert on the choice of the model and significant indicators, as well as differences between the parameters of the model from the parameters of real functioning, is taken into account,
- учитывается возможность смены способа принятия решений о совпадении реальных параметров функционирования и параметров выбранной экспертом модели, включая различные статистические критерии с оптимальными вероятностями принятия ошибочных решений,- takes into account the possibility of changing the decision-making method on the coincidence of real functioning parameters and parameters of the model selected by the expert, including various statistical criteria with optimal probabilities of making erroneous decisions,
- формируется матрица дефектов, которая описывает типовые дефекты газотурбинной установки,- a defect matrix is formed, which describes typical defects of a gas turbine installation,
- возможно достигать оптимального функционирования газотурбинной установки и ее агрегатов, оценивать возможные последствий изменения параметров газотурбинной установки и управляющих ею процессов.- it is possible to achieve the optimal functioning of the gas turbine unit and its units, to assess the possible consequences of changing the parameters of the gas turbine unit and its processes.
Настоящее изобретение будет раскрыто в нижеследующем описании системы по способу контроля и прогнозирования работы газотурбиной установки (ГТУ) с использованием матрицы дефектов со ссылками на Фиг. 1, включающую датчики, поставляющие данные о функционировании ГТУ (блоки 1), область хранения накопленных данных (блок 2), включающей эксперта (3), набор моделей и/или методов их построения (4), статистических критериев (5), блока реализации моделей и статистических критериев (блок 6), блок сравнения показателей выбранной модели и оценки размер отклонений (блок 7), сигнал 8, сообщающий об отклонении, по меньшей мере, одного параметра, матрицу дефектов (9). В данной системе:The present invention will be disclosed in the following description of a system for a method for monitoring and predicting the operation of a gas turbine installation (GTU) using a defect matrix with reference to FIG. 1, including sensors that supply data on the operation of gas turbines (blocks 1), a storage area for accumulated data (block 2), including an expert (3), a set of models and / or methods for constructing them (4), statistical criteria (5), a sales block models and statistical criteria (block 6), a unit for comparing the indicators of the selected model and estimating the size of the deviations (block 7),
- накапливают в блоке 2 данные о функционировании агрегатов и/или подсистем агрегатов от блоков 1, характеризующие показатели технологических параметров их функционирования и передают их эксперту (3);- accumulate in
- эксперт (3) получает данные о функционировании системы в виде последовательности показателей, коррелированных с моментами времени и формирует на основании полученных последовательностей объекта выборку показателей функционирования;- the expert (3) receives data on the functioning of the system in the form of a sequence of indicators correlated with time instants and forms, based on the obtained sequences of the object, a selection of functioning indicators;
- эксперт (3) на основе известного набора методов построения моделей (4) функционирования отдельных агрегатов и/или подсистем агрегатов, и/или системы в целом и выборки показателей функционирования выбирает одну из моделей функционирования отдельных агрегатов и/или подсистем агрегатов, и/или системы в целом, руководствуясь в частности методом Similarity Based Modeling;- an expert (3), based on a known set of methods for constructing models (4) of the functioning of individual units and / or subsystems of units, and / or the system as a whole and a selection of performance indicators, selects one of the models of functioning of individual units and / or subsystems of units, and / or the system as a whole, guided in particular by the Similarity Based Modeling method;
- эксперт (3) определяет способ оценки различия параметров выбранной на шаге 3 модели и данных о функционировании системы в виде последовательности показателей и определяет способ оценки значения отклонений показателей функционирования и параметров выбранной модели (5);- an expert (3) determines a method for assessing the differences in the parameters of the model selected in
- эксперт на основе выбора одного из критериев сравнения и вероятности ошибки выбирает статистический способ оценки отклонений и определяет по разности компонентов наблюдаемой точки и точки, моделирующей состояние объекта, компоненты невязок, которые характеризует отклонение показателей технологических параметров объекта контроля от модели в наблюдаемой точке многомерного пространства (5);- the expert, based on the choice of one of the comparison criteria and the probability of error, selects a statistical method for estimating deviations and determines, based on the difference between the components of the observed point and the point modeling the state of the object, the residual components that characterize the deviation of the parameters of the technological parameters of the control object from the model at the observed point in multidimensional space ( 5);
- эксперт определяет разладки, отображающие степень влияния показателей работы газотурбинной установки на упомянутое отклонение показателей технологических параметров объекта контроля и на основе разладок определяется зарождающиеся или уже имеющиеся дефекты в агрегатах газотурбинной установки и формирует матрицу дефектов (9);- the expert determines the disturbances that reflect the degree of influence of the gas turbine plant operation indicators on the aforementioned deviation of the technological parameters of the control object and, based on the dislocations, the emerging or existing defects in the gas turbine plant units are determined and forms a defect matrix (9);
- в ходе функционирования отдельных агрегатов получают текущие показатели функционирования также от блоков 1;- during the operation of individual units receive current performance indicators also from
- полученные текущие показатели в автоматизированном режиме сравнивают с показателями выбранной модели и оценивают размер отклонений (блок 7);- the obtained current indicators in an automated mode are compared with the indicators of the selected model and the size of the deviations is estimated (block 7);
- определяют с помощью выбранного критерия степень отклонения поступающих показателей от показателей эмпирических моделей (блок 6) и делают вывод о нормальности или аномальности отклонений с заданной выбранным критерием вероятностью (блок 7);- using the selected criterion, determine the degree of deviation of the incoming indicators from the indicators of empirical models (block 6) and conclude that the deviations are normal or anomalous with the probability specified by the selected criterion (block 7);
- формируют сигнал 8, сообщающий об отклонении, по меньшей мере, одного параметра;- form a
- при помощи выбранной модели в блоке 6 прогнозируют состояние отдельных агрегатов и/или подсистем агрегатов, и/или системы в целом в следующие моменты времени;- using the selected model in
- полученные показатели и состояния необязательно сохраняют и используют в качестве управляющих воздействий, позволяющих достичь оптимального функционирования отдельных агрегатов и/или подсистем агрегатов, и/или системы в целом.- the obtained indicators and conditions do not necessarily save and use as control actions, allowing to achieve optimal functioning of individual units and / or subsystems of units, and / or the system as a whole.
По сравнению со способами известными авторам, заявляемый способ обладает максимальной гибкостью и позволяет достичь лучших результатов для контроля и прогнозирования работы газотурбиной установки.Compared with the methods known to the authors, the inventive method has the maximum flexibility and allows you to achieve better results for monitoring and predicting the operation of the gas turbine installation.
ЛитератураLiterature
1. С.П. Чистяков О НОВОМ МНОГОМЕРНОМ СТАТИСТИЧЕСКОМ КРИТЕРИИ ОДНОРОДНОСТИ ДВУХ ВЫБОРОК // Труды Карельского научного центра РАН, №3. 2010. С. 93-97.1. S.P. Chistyakov ABOUT THE NEW MULTIDIMENSIONAL STATISTICAL CRITERION OF HOMOGENEITY OF TWO SAMPLES // Transactions of the Karelian Scientific Center of the Russian Academy of Sciences, No. 3. 2010.S. 93-97.
2. Anderson Т.W. An introduction to multivariate analysis. New Jersey: Wiley, 2003. 453 p.2. Anderson T.W. An introduction to multivariate analysis. New Jersey: Wiley, 2003.45 p.
3. Baringhaus L., Franz C. On a new multivariate two-sample test // Journal of Multivariate Analysis. 2004. Vol. 88. P. 190-206.3. Baringhaus L., Franz C. On a new multivariate two-sample test // Journal of Multivariate Analysis. 2004. Vol. 88. P. 190-206.
4. Puri M.L., Sen P.K. Nonparametric Methods in Multivariate Analysis. New York: Wiley, 1971. 342 р.4. Puri M.L., Sen P.K. Nonparametric Methods in Multivariate Analysis. New York: Wiley, 1971.342 p.
Claims (13)
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| RU2018134957A RU2703874C1 (en) | 2018-10-04 | 2018-10-04 | Method of monitoring and predicting operation of a gas turbine plant using a matrix of defects |
| PCT/RU2019/000271 WO2020071949A1 (en) | 2018-10-04 | 2019-04-19 | Method for monitoring the functioning of a gas turbine unit |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| RU2018134957A RU2703874C1 (en) | 2018-10-04 | 2018-10-04 | Method of monitoring and predicting operation of a gas turbine plant using a matrix of defects |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| RU2703874C1 true RU2703874C1 (en) | 2019-10-22 |
Family
ID=68318465
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| RU2018134957A RU2703874C1 (en) | 2018-10-04 | 2018-10-04 | Method of monitoring and predicting operation of a gas turbine plant using a matrix of defects |
Country Status (2)
| Country | Link |
|---|---|
| RU (1) | RU2703874C1 (en) |
| WO (1) | WO2020071949A1 (en) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113053171A (en) * | 2021-03-10 | 2021-06-29 | 南京航空航天大学 | Civil aircraft system risk early warning method and system |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113834657B (en) * | 2021-09-24 | 2022-10-11 | 北京航空航天大学 | Bearing fault early warning and diagnosis method based on improved MSET and frequency spectrum characteristics |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| SU1739065A1 (en) * | 1990-05-30 | 1992-06-07 | Моторостроительное Конструкторское Бюро Г.Омск | Gas-turbine engine |
| RU2522275C2 (en) * | 2012-10-18 | 2014-07-10 | Федеральное государственное унитарное предприятие "Научно-производственный центр газотурбостроения "Салют" | Method for determining technical state of power plants |
| US20160160762A1 (en) * | 2014-12-08 | 2016-06-09 | General Electric Company | System and method for predicting and managing life consumption of gas turbine parts |
| RU2626780C1 (en) * | 2016-07-15 | 2017-08-01 | Акционерное общество "РОТЕК" (АО "РОТЕК") | Method and system of remote monitoring energy installations |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2677429C2 (en) * | 2017-01-30 | 2019-01-16 | Акционерное общество "РОТЕК" (АО "РОТЕК") | Method of remote monitoring and prediction state of individual units and complex technological systems |
-
2018
- 2018-10-04 RU RU2018134957A patent/RU2703874C1/en active
-
2019
- 2019-04-19 WO PCT/RU2019/000271 patent/WO2020071949A1/en active Application Filing
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| SU1739065A1 (en) * | 1990-05-30 | 1992-06-07 | Моторостроительное Конструкторское Бюро Г.Омск | Gas-turbine engine |
| RU2522275C2 (en) * | 2012-10-18 | 2014-07-10 | Федеральное государственное унитарное предприятие "Научно-производственный центр газотурбостроения "Салют" | Method for determining technical state of power plants |
| US20160160762A1 (en) * | 2014-12-08 | 2016-06-09 | General Electric Company | System and method for predicting and managing life consumption of gas turbine parts |
| RU2626780C1 (en) * | 2016-07-15 | 2017-08-01 | Акционерное общество "РОТЕК" (АО "РОТЕК") | Method and system of remote monitoring energy installations |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113053171A (en) * | 2021-03-10 | 2021-06-29 | 南京航空航天大学 | Civil aircraft system risk early warning method and system |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2020071949A1 (en) | 2020-04-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP7460864B2 (en) | Method and apparatus for performing state classification of power grid assets | |
| TWI797418B (en) | Method and system for correcting component failures in ion implant semiconductor manufacturing tool | |
| US7894926B2 (en) | Global predictive monitoring system for a manufacturing facility | |
| US20150371134A1 (en) | Predicting circuit reliability and yield using neural networks | |
| RU2626780C1 (en) | Method and system of remote monitoring energy installations | |
| RU2649542C1 (en) | Method and system of remote monitoring of objects | |
| US8676727B2 (en) | Abnormality diagnosis filter generator | |
| JP6599428B2 (en) | System and method for classifying on-site sensor response data patterns representing grid anomaly severity | |
| KR20090001148A (en) | Virtual metrology system and virtual metrology method | |
| RU2703874C1 (en) | Method of monitoring and predicting operation of a gas turbine plant using a matrix of defects | |
| JP2017525330A (en) | System and method for maximizing the expected utility of signal injection test patterns within a utility grid | |
| CA3199948A1 (en) | Load forecasting for electrical equipment using machine learning | |
| CN117076258A (en) | Remote monitoring method and system based on Internet cloud | |
| CN115270491A (en) | Offshore wind power operation and maintenance platform design method based on multivariate information fusion | |
| Lutska et al. | Forecasting the efficiency of the control system of the technological object on the basis of neural networks | |
| RU2677429C2 (en) | Method of remote monitoring and prediction state of individual units and complex technological systems | |
| KR102130272B1 (en) | Method for optimizing predictive algorithm based empirical model | |
| CN117131457B (en) | AI model-based electric power big data acquisition and processing method and system | |
| KR102110319B1 (en) | System for generating learning data | |
| Aizpurua et al. | Determining appropriate data analytics for transformer health monitoring | |
| CN113591266A (en) | Method and system for analyzing fault probability of electric energy meter | |
| Zhu et al. | Prognostics of tool failing behavior based on autoassociative gaussian process regression for semiconductor manufacturing | |
| CN115829543B (en) | Method for determining validity of preventive test of power equipment based on fault detection interval | |
| Cervantes et al. | Contingency ranking in power systems via reliability rates | |
| KR102366922B1 (en) | heavy electric equipment deterioration prediction system based on time-series isolation diagnostic information and method therefor |