CN101646982A - 用于监视系统健康的方法和装置 - Google Patents
用于监视系统健康的方法和装置 Download PDFInfo
- Publication number
- CN101646982A CN101646982A CN200780050928A CN200780050928A CN101646982A CN 101646982 A CN101646982 A CN 101646982A CN 200780050928 A CN200780050928 A CN 200780050928A CN 200780050928 A CN200780050928 A CN 200780050928A CN 101646982 A CN101646982 A CN 101646982A
- Authority
- CN
- China
- Prior art keywords
- subsystem
- model
- predetermined restriction
- models
- scheme
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
- G05B23/0245—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a qualitative model, e.g. rule based; if-then decisions
- G05B23/0251—Abstraction hierarchy, e.g. "complex systems", i.e. system is divided in subsystems, subsystems are monitored and results are combined to decide on status of whole system
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B17/00—Systems involving the use of models or simulators of said systems
- G05B17/02—Systems involving the use of models or simulators of said systems electric
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Debugging And Monitoring (AREA)
Abstract
一种监视系统的方法,包括:识别与所述系统相关联的多个子系统。所述多个子系统的每一个配置来接收至少一个输入信号和至少一个输出信号,并且具有至少一个预定限制。所述方法还包括通过生成所述多个子系统的每一个的至少一个子系统模型,生成多个子系统模型。每一个所述子系统模型是至少部分地从第一输入信号和第一输出信号形成的。所述方法还包括通过结合所述多个子系统模型,生成具有至少一个预定限制的至少一个系统模型。至少一个所述子系统模型由至少一个其它子系统模型的至少一个预定限制和/或系统模型的至少一个预定限制来约束。
Description
技术领域
本发明一般涉及预测性建模(modeling),并且更具体地涉及使用多个数学模型的系统的预测性建模。
背景技术
许多已知的宏观过程或系统由多个较小的、独立的和相关的过程或子系统定义。这种系统包括但不限于汽车生产线、发电设备、机车和化学生产工厂。这种子系统包括但不限于如数据处理器、电动机和大气控制设备的组件。监视这种系统和相关联的子系统促进产品质量、系统可用性和降低组件维护成本。许多已知设备使用一些形式的条件监视和/或预测性维护方法和装置来监视这种系统和相关联的子系统。
一些已知的条件监视和预测性维护方法和系统获得数据,并且对特定系统和子系统执行分析。然而,不总是考虑系统和子系统之间的一些相互关系,并且这种相互关系可能掩盖保证评估的条件。
发明内容
在一个方面,提供一种监视系统的方法。所述方法包括识别与所述系统相关联的多个子系统。所述多个子系统的每一个配置来接收至少一个输入信号和至少一个输出信号,并且具有至少一个预定限制。所述方法还包括通过生成所述多个子系统的每一个的至少一个子系统模型,生成多个子系统模型。每一个所述子系统模型是至少部分地从第一输入信号和第一输出信号形成的。所述方法还包括通过结合所述多个子系统模型,生成具有至少一个预定限制的至少一个系统模型。至少一个子系统模型由至少一个其它子系统模型的至少一个预定限制和/或系统模型的至少一个预定限制来约束。
在另一方面,提供一种监视系统的方法。所述方法包括识别与所述系统相关联的多个子系统。所述多个子系统的每一个配置来接收至少一个输入信号和至少一个输出信号,并且具有至少一个预定限制。所述方法还包括通过生成所述多个子系统的每一个的至少一个子系统模型,生成多个子系统模型。每一个所述子系统模型是至少部分地从第一输入信号和第一输出信号形成的。所述方法还包括与至少一个系统模型和/或多个子系统模型的至少一个以数据通信耦合至少一个机器学习(leaming)方案。所述方法还包括通过结合所述多个子系统模型,生成具有至少一个预定限制的至少一个系统模型。至少一个子系统模型由至少一个其它子系统模型的至少一个预定限制和/或系统模型的至少一个预定限制来约束。
在另一方面,提供一种系统健康监视器。所述监视器包括形成来至少部分地代表多个子系统的每一个的多个子系统模型。第一子系统模型具有第一预定限制,并且第二子系统模型具有第二预定限制。所述监视器还包括至少部分地由所述多个子系统模型形成的至少一个系统模型。所述至少一个系统模型至少部分地代表由所述多个子系统形成的系统。所述至少一个系统模型具有第三预定限制,其中所述第一预定限制、所述第二预定限制和所述第三预定限制合作来形成所述第一子系统模型的第四预定限制、所述第二子系统模型的第五预定限制和/或所述系统模型的第六预定限制的至少一个。
附图说明
图1是示例性系统健康监视方案的方块图;以及
图2是替代性系统健康监视方案的方块图。
具体实施方式
图1是示例性系统健康监视方案100的方块图。方案100包括至少一个系统102和至少一个系统健康监视器104。
系统102是与如这里描述的监视器104兼容的任何系统,包括但不限于过程监视和控制方案。此外,系统102是包括但不限于电动机、发电机、泵和风扇的任何机器。此外,系统102是包括但不限于发电和化学制造的生产过程。通常,任何复杂的过程、方案和机器可以逻辑上区分为多个子系统。因此,系统102逻辑上区分为多个子系统,其中只图示第一子系统106和第二子系统108。系统102包括便利如这里描述的方案100的操作的任何数目的子系统。
第一子系统106与任一系统102中的至少一个其它组件(未示出)或另一系统(未示出)以数据通信耦合。第一子系统106经由至少一个数据信号输入管道110和至少一个数据信号输出管道112耦合。第一子系统106配置来接收任何数目的输入数据信号和发送任何数目的输出数据信号(也未示出)。类似地,第二子系统108与任一系统102中的至少一个其它组件(未示出)或另一系统(未示出)以数据通信耦合。第二子系统108经由至少一个数据信号输入管道114和至少一个数据信号输出管道116耦合。第二子系统108配置来接收任何数目的输入数据信号和发送任何数目的输出数据信号(都未示出)。
系统健康监视器104是基于电子计算机的组件。监视器104包括至少一个处理器和存储器、至少一个处理器输入通道、至少一个处理器输出通道,并且可以包括至少一个计算机(未示出)。如在此使用的,术语计算机不限于只是本领域称为计算机的那些集成电路,而是广泛地指处理器、微控制器、微型计算机、可编程逻辑控制器(PLC)、专用集成电路和其它可编程电路(未示出),并且这些术语在此可互换地使用。在示例性实施例中,存储器可以包括但不限于计算机可读介质,如随机存取存储器(RAM)(未示出)。替代地,还可以使用软盘、致密盘-只读存储器(CD-ROM)、磁光盘(MOD)和/或数字多功能盘(DVD)(未示出)。此外,在示例性实施例中,额外的输入通道(未示出)可以是但不限于与操作者接口相关联的计算机外围设备,如鼠标和键盘(未示出)。替代地,也可以使用其它计算机外围设备,例如,所述外围设备可以包括但不限于扫描仪(未示出)。此外,在示例性实施例中,额外的输出通道可以包括但不限于操作者接口监视器(未示出)。
用于监视器104的处理器处理从多个电气和电子设备发送的信息,所述多个电气和电子设备可以包括但不限于速度和功率传感器。RAM和存储设备2存储并且传送要由处理器执行的指令和信息。RAM和存储设备还可以用于在由处理器执行指令期间存储临时变量、静态(即,无改变)信息和指令或其它中间信息,并将其提供到处理器。执行的指令包括但不限于驻留转换和/或比较器算法。指令的序列的执行不限于硬件电路和软件指令的任何特定组合。
在示例性实施例中,系统健康监视器104包括经由数据信号管道110、112、114和116与子系统106和108以数据通信耦合的系统和子系统模型模块118。模块118配置来经由数据信号管道110和112接收与第一子系统106相关联的输入和输出信号。模块118还配置来经由第一组输入和输出信号形成第一子系统106的至少一个第一子系统模型120。模型120是通过由模块118接收的预定数目的输入信号和输出信号形成的子系统106的至少一部分的虚拟或数学模型。在示例性实施例中,如下面进一步所述,模型120建模子系统106的预定部分而不必是全部子系统106。
类似地,模块118配置来经由数据信号管道114和116接收与第二子系统108相关联的输入和输出信号。模块118还配置来经由第一组输入和输出信号形成第二子系统108的至少一个第二子系统模型122。模型122是通过由模块118接收的预定数目的输入信号和输出信号形成的子系统108的至少一部分的虚拟或数学模型。在示例性实施例中,如下面进一步所述,模型122建模子系统108的预定部分而不必是全部子系统108。
此外,模块118配置来形成具有模型120和122相关联的预定限制的所述模型120和122,使得子系统106和108中彼此相关的关联限制特性便利为子系统模型120和122的每个形成添加的和/或修改的预定限制,从而更精确地建模子系统106和108。
此外,模块118配置来形成模型120和122,使得它们形成包括个子系统模型120和122的两者的特征的系统模型124。系统模型124代表系统102的至少一部分,其中系统102特性形成为子系统106和108的相关和不相关特性以及系统102的内在特性的函数。因此,系统102包括至少一个限制特性,而系统模型124包括与系统102相关联的至少一个预定限制。
每个子系统模型的预定限制和系统模型预定限制形成更近似地反映更大系统102中的子系统106和108的相互关系的相互关系。因此,形成对于子系统模型120和122和系统模型124的每一个的、进一步添加的和/或进一步修改的预定限制。这些进一步添加的和/或进一步修改的预定限制至少部分形成模型120、122和124作为感兴趣的模型。一旦模型120、122和124基本完全形成为感兴趣的模型,它们就继续驻留在模块118中。
监视器104还包括至少一个比较模块126,其包括驻留在第一子系统比较器128和第二子系统比较器130的每一个中的至少一个比较算法(未示出)。比较器128和130的每一个配置来分别接收第一子系统模型输出信号132和第二子系统模型输出信号134。这种信号132和134基本代表相关联的子系统模型120和122。此外,比较器128配置来经由管道110和112接收代表最近的子系统106操作的输入和输出。类似地,比较器130配置来经由管道114和116接收代表最近的子系统108操作的输入和输出。此外,比较器128和130配置来将模型120和122与相关联的最近操作的输入和输出比较。此外,比较器128和130配置有预定差值,使得如果对子系统模型120和/或122分别进行的比较产生在由这种预定差值定义的范围外的值,则生成至少一个第一子系统故障信号136和/或至少一个第二子系统故障信号138。
在示例性实施例中,作为相关联的最近操作的输入和输出收集的数据首先存储在存储设备(未示出)中,用于在随后时间(例如,在离线操作期间)比较。以该方式存储数据用于随后比较便利了减轻在在线数据收集操作期间的处理要求。替代地,在便利方案100的操作的任何时段期间,收集和存储数据并且执行比较操作。
监视器104还包括至少一个通知模块140,其配置来接收信号136和138的每一个。模块140还配置来生成向操作者通知子系统故障的通知(未示出)。通知可以包括但不限于听得见的警报、信号器灯(未示出)的通电和在计算机终端监视器(未示出)上的加亮行项目。这种通知希望引起操作者启动调查活动。
在示例性实施例中,监视器104还包括至少一个可选统计过程控制(SPC)模块142,其也配置来接收信号136和138的每一个。模块142还配置有进一步增强相关联的(各)子系统故障的诊断的预定过程评估算法和命令。此外,模块142经由管道144与通知模块140以数据通信耦合,以便交换增强每个模块的操作的数据。例如,模块142可以通过可疑子系统故障的高级分析降低错误通知的数目。类似地,模块140可以启动可疑子系统故障的高级分析,使得模块142的资源不花费在无警报子系统条件上。替代地,模块104没有配置有SPC模块142。
配置方案100,使得故障信号136和138本质上是预测性的,也就是说,它们预测相关联的(各)子系统中的潜在故障可能正在发展。这种预测性的评估便利调度维护中断(outage)或关闭,以便解决故障、修理和/或替换相关联的子系统或系统。通过数据质量的预定值、数据收集量、数据收集周期和数据与模型比较的频率促进预测精度。
监视系统102的示例性方法包括识别多个子系统,其至少包括与系统102相关联的子系统106和108。所述多个子系统的每一个配置来接收至少一个输入信号和至少一个输出信号,并且具有至少一个预定限制。所述方法还包括通过生成至少一个子系统模型来生成多个子系统模型,所述至少一个子系统模型至少分别包括子系统106和108的每一个的模型120和122。子系统模型120和122的每一个至少部分地从第一输入信号和第一输出信号形成。所述方法还包括通过结合至少包括模型120和122的多个子系统模型,生成具有至少一个预定限制的至少一个系统模型124。至少包括模型120的至少一个子系统由至少包括模型122的至少一个其他子系统模型的至少一个预定限制和/或系统模型124的至少一个预定限制约束。
在操作期间,系统102分为至少两个逻辑子系统106和108。第一子系统106分别经由管道110和112接收预定数目的“第一”输入信号并且发送预定数目的“第一”输出信号,作为系统102的标准、额定的操作的函数。在“训练(training)”监视器104的上下文中(如下面进一步描述的),所述“第一”输入和输出信号代表第一组准许进入模块118的这种信号,用于创建基本代表子系统106的相关联部分的正确操作的至少一个转移(transfer)函数(未示出)。预定这种第一数据组的信号的参数,以便便利训练操作,并且所述参数包括但不限于数据收集操作的持续时间和数据收集活动的重复数目。类似地,第二子系统108分别经由管道114和116接收预定数目的第一输入信号并且发送预定数目的第一输出信号。所述输入和输出信号包括但不限于计算机建模的数据、测试引起的系统和子系统信号、在试运转(commissioning)活动期间收集的数据、以及历史上收集的经验数据。
第一子系统模型120的第一版本用代表第一子系统106的至少一个相关联的限制特性的至少一个第一预定限制(未示出)形成。类似地,第二子系统模型122的第一版本用代表第二子系统108的至少一个相关联的限制特性的至少一个第二预定限制(未示出)形成。形成这种模型120和122在本领域典型地称为“训练系统”。这种训练指创建基本代表子系统106和108的相关联部分的正确操作的数学模型。限制特性便利相关联的子系统的有效的和/或有效性操作。子系统限制特性和子系统模型预定限制的示例包括但不限于时间、温度、电流、速度、电压、压力和流量限制、以及子系统相互关系互锁和排序特征。这些预定限制至少部分地限定了相关联的子系统模型120和122,使得尽管如上所讨论的,可能还没有形成子系统106和108的充分发展的模型,但是模型120和122分别代表在它们操作寿命的预定点(例如,但不限于初始试运转)处的相关联的子系统106和108的预定部分。
如果改变子系统106和/或108任一的部分,例如替换如泵的模组件或重新配置限制,则可以再次执行如上所述的这种初始数据收集,以便“重新训练系统”。因此,这种重新训练包括形成子系统106和/或108的预定部分的新的数学模型,其反映重新配置的子系统106和/或108的正确操作。如下面进一步所讨论的,还可以执行随后的操作。
此外,模块118形成具有模型120和122相关联的预定限制的所述模型120和122,使得子系统106和108中相互相关的相关联的限制特性便利为子系统模型120和122的每一个形成添加的和/或修改的预定限制,从而更精确地建模子系统106和108。因此,第一子系统模型120的第二版本形成有至少一个第三预定限制(未示出),所述至少一个第三预定限制包括与至少一个第一预定限制相比的添加的预定限制和/或修改的第一预定限制。所述至少一个第三预定限制代表由于子系统106与子系统108相关、第一子系统106的至少一个相关联的限制特性。类似地,第二子系统模型122的第二版本形成有至少一个第四预定限制(未示出),所述至少一个第四预定限制包括与至少一个第二预定限制相比的添加的预定限制和/或修改的第二预定限制。所述至少一个第四预定限制代表由于子系统108与子系统106相关、第二子系统108的至少一个相关联的限制特性。
此外,在示例性实施例中,模块118形成模型120和122,使得它们形成包括子系统模型120和122两者的特征的系统模型124。系统模型124代表系统102的至少一部分,其中系统102特性形成为子系统106和108的相关和不相关特性以及系统102的内在特性的函数。因此,系统102包括至少一个限制特性,并且系统模型124包括与系统102相关联的至少一个预定限制。子系统模型120和122到更广泛的系统模型124的这种形成和/或链接便利数学上定义模型120、122和124之间已知的相互关系和依赖性。替代地,其中已知不存在或不期望建模这种已知的相互关系和依赖性,不执行这种形成和/或链接。
生成子系统模型和系统模型预定限制的方法是迭代性的。每个子系统模型的预定限制和系统模型预定限制形成更接近地反映更大系统102中的子系统106和108的相互关系的相互关系。因此,形成对于子系统模型120和122和系统模型124的每一个的、进一步添加的和/或进一步修改的预定限制。这些进一步添加的和/或进一步修改的预定限制至少部分形成模型120、122和124作为感兴趣的模型。
模型120、122和124不必完全限定相关联的子系统106和108以及系统102的操作。相反,模型120、122和124由建模子系统106和108以及系统102的预定特性所需要的预定数目的转移函数形成。这些预定的特性典型地限制为限定如在系统102中定位、配置和使用的子系统106和108的预定组件的特性。因此,便利减少监视器104中的处理资源和处理等待时间。此外,可以减少监视器104设计和工程资源,从而便利减少在方案100中实现监视器104所需的时间和资源。因此,便利减少对监视器104的所有权的总成本。
此外,形成模型120、122和124不需要对子系统106和108以及系统102的相关联的操作和它们相关联的相互关系的详细、密切(intimate)的知识。操作的这种建模在本领域典型地称为“黑盒”建模。这种黑盒建模便利方案100中的监视器104的实现的简易性。
模型120、122和124基本是静态的,并且驻留在模块118中。根据需要可以用如上所述的新的输入和输出数据修改模型120、122和/或124。在模块118中生成代表模型120的信号132,并且将信号132发送到比较器128。比较器128在预定时间分别经由管道110和112接收信号132以及与子系统106相关联的输入和输出信号。比较器128将信号132与输入和输出信号比较,并且使用至少一个驻留比较算法,以确定代表在模型120的形成和预定的时间点之间、输入和输出信号的值的改变的至少一个差值。将差值与输入比较器128中的预定值进行比较。这种预定值是静态的或动态的。如果差值在由预定值限定的范围外,则在比较器128中生成通知信号136,并且将所述通知信号136发送到通知模块140和SPC模块142。
类似地,在模块118中生成代表模型122的信号134,并且将所述信号134发送到比较器130。比较器130在预定时间分别经由管道114和116接收信号134以及与子系统108相关联的输入和输出信号。比较器130将信号134与输入和输出信号比较,并且使用至少一个驻留比较算法,以确定代表在模型122的形成和预定的时间点之间、输入和输出信号的值的改变的至少一个差值。将差值与输入比较器130中的预定值进行比较。这种预定值是静态的或动态的。如果差值在由预定值限定的范围外,则在比较器130中生成通知信号138,并且将所述通知信号138发送到通知模块140和SPC模块142。
在示例性实施例中,作为相关联的最近操作的输入和输出收集的数据首先存储在存储设备(未示出)中,用于在随后时间(例如,在离线操作期间)的比较。以此方式存储数据用于随后比较便利了减轻在在线数据收集操作期间的处理需要。替代地,在便利方案100的操作的任何时段期间收集和存储数据并且执行比较操作。
通知模块140接收故障信号136和/或138,并且将与子系统106和/或108相关联的潜在故障通知操作者。SPC模块142也接收故障信号136和/或138,并且执行进一步的诊断分析。
图2是替代性系统健康监视方案200的方块图。方案200类似于方案100,除了方案200包括替代性系统健康监视器204。监视器204类似于监视器104,除了监视器204包括至少一个机器学习方案250。在示例性实施例中,机器学习方案250是神经网络。替代地,方案250是便利如这里描述的监视器204的操作的任何方案。机器学习方案250经由本领域已知的方法形成,并且与系统和子系统模型模块118以数据通信耦合,使得所述机器学习方案250接收信号252。信号252分别包括第一和第二子系统模型输出信号132和134、以及便利形成机器学习方案250中的操作信息的历史数据库(未示出)的其它历史数据信号(未示出)。
方案250还接收分别包括第一和第二子系统故障信号136和138的信号254。此外,系统250生成输出信号256,并将其发送到通知模块140和SPC模块142。
在该替代性实施例中,在系统102试运转活动期间训练方案250,其中导致监视器204基于模型120、122和124形成预测。将咨询(consult)系统102专家(expert)和子系统106和108专家以确定这种预测的真实性(veracity)和精确性,并且训练方案250以减少错误预测的数目。替代地,在试运转活动前结合系统102由系统102的制造者形成、配置和充分训练包括方案250的方案200。方案200的操作者可以基于性能相对于试运转训练后的方案250进行进一步确定。
用于如这里所述的监视系统健康的方法和装置便利了系统和它们相关联的子系统的操作。具体地,配置系统健康监视方案的系统健康监视器便利建模这种系统和子系统,以便便利预测性故障分析。更具体地,配置如这里描述的系统健康监视器便利了潜在子系统故障的诊断,同时通过这种可疑故障的高级分析减少了错误通知的数目。此外,监视器启动可疑子系统故障的高级分析,使得监视器的资源不花费在无警报子系统条件和不需要的系统和子系统建模上。这种配置和预测性评估便利了调度维护中断或关闭,以便解决故障、修理和/或替换相关联的子系统或系统,从而减少了对被监视的系统的所有权的总成本。此外,用于如这里描述的监视系统的方法和设备便利了减少硬件采购、安装和配置,因此减少了与安装这种监视方案相关联的资本和劳动成本。
上面详细描述了系统监视的示例性实施例。方法、装置和系统不限于这里描述的具体实施例,也不限于具体图示的监视方案。
尽管已经根据各个具体实施例描述了本发明,但是本领域的技术人员将认识到,本发明可以用在权利要求的精神和范围内的修改来实践。
Claims (20)
1.一种监视系统的方法,所述方法包括:
识别与所述系统相关联的多个子系统,其中所述多个子系统的每一个配置来接收至少一个输入信号和至少一个输出信号,其中所述多个子系统的每一个具有至少一个预定限制;
通过生成所述多个子系统的每一个的至少一个子系统模型,生成多个子系统模型,其中每一个所述子系统模型是至少部分地从第一输入信号和第一输出信号形成的;以及
通过结合所述多个子系统模型,生成具有至少一个预定限制的至少一个系统模型,其中至少一个所述子系统模型由以下的至少一个约束:
至少一个其它子系统模型的至少一个预定限制;以及
系统模型的至少一个预定限制。
2.如权利要求1所述的方法,其中通过结合所述多个子系统模型,生成具有至少一个预定限制的至少一个系统模型包括:
生成具有第一预定限制的第一子系统的第一子系统模型;
生成具有第二预定限制的第二子系统的第一子系统模型;以及
生成具有第三预定限制的第一子系统的第二子系统模型。
3.如权利要求2所述的方法,还包括以下至少一个:
生成具有第四预定限制的第二子系统的第二子系统模型;以及
生成具有系统模型预定限制的系统模型。
4.如权利要求3所述的方法,还包括迭代地生成具有预定限制的多个子系统模型和至少一个系统模型。
5.如权利要求1所述的方法,其中生成多个子系统模型包括:
至少部分地形成系统健康监视方案;
与每个子系统以数据通信耦合至少一个输入通道和一个输出通道;
与包括多个子系统模型的系统健康监视方案以数据通信耦合每个输入通道和每个输出通道;以及
在过程健康监视方案中,经由每个输入信号管道接收第一输入信号,并且经由每个输出信号管道接收第一输出信号。
6.如权利要求1所述的方法,还包括:
经由每个输入信号管道发送第二输入信号到包括多个子系统模型的系统健康监视方案,并且经由每个输出信号管道发送第二输出信号到包括多个子系统模型的系统健康监视方案;
比较多个子系统模型中的每个第二输入信号和每个第二输出信号;以及
如果所述信号与多个子系统模型的比较指示超过预定值的变化,则生成至少一个通知信号。
7.如权利要求6所述的方法,还包括形成配置来增强至少一个通知信号的信息内容的、系统健康监视方案中的至少一个统计过程控制算法。
8.一种监视系统的方法,所述方法包括:
识别与所述系统相关联的多个子系统,其中配置所述多个子系统的每一个来接收至少一个输入信号和至少一个输出信号,其中所述多个子系统的每一个具有至少一个预定限制;
通过生成所述多个子系统的每一个的至少一个子系统模型,生成多个子系统模型,其中每一个所述子系统模型是至少部分地从第一输入信号和第一输出信号形成的;
与至少一个系统模型和多个子系统模型的至少一个以数据通信耦合至少一个机器学习方案;以及
通过结合所述多个子系统模型,生成具有至少一个预定限制的至少一个系统模型,其中至少一个子系统模型由以下的至少一个约束:
至少一个其它子系统模型的至少一个预定限制;以及
系统模型的至少一个预定限制。
9.如权利要求8所述的方法,其中通过结合所述多个子系统模型,生成具有至少一个预定限制的至少一个系统模型包括:
生成具有第一预定限制的第一子系统的第一子系统模型;
生成具有第二预定限制的第二子系统的第一子系统模型;以及
生成具有第三预定限制的第一子系统的第二子系统模型。
10.如权利要求9所述的方法,还包括以下至少一个:
生成具有第四预定限制的第二子系统的第二子系统模型;以及
生成具有系统模型预定限制的系统模型。
11.如权利要求10所述的方法,还包括迭代地生成具有预定限制的多个子系统模型和至少一个系统模型。
12.如权利要求8所述的方法,其中生成多个子系统模型包括:
至少部分地形成系统健康监视方案;
与每个子系统以数据通信耦合至少一个输入通道和一个输出通道;
与包括多个子系统模型的系统健康监视方案以数据通信耦合每个输入通道和每个输出通道;以及
在过程健康监视方案中,经由每个输入信号管道接收第一输入信号,并且经由每个输出信号管道接收第一输出信号。
13.如权利要求8所述的方法,还包括:
经由每个输入信号管道发送第二输入信号到包括多个子系统模型的系统健康监视方案,并且经由每个输出信号管道发送第二输出信号到包括多个子系统模型的系统健康监视方案;
比较多个子系统模型中的每个第二输入信号和每个第二输出信号;以及
如果所述信号与多个子系统模型的比较指示超过预定值的变化,则生成至少一个通知信号。
14.如权利要求13所述的方法,还包括形成配置来增强至少一个通知信号的信息内容的、系统健康监视方案中的至少一个统计过程控制算法。
15.如权利要求8所述的方法,其中与至少一个系统模型以数据通信耦合至少一个机器学习方案包括:配置和训练所述至少一个机器学习方案,以便减少错误预测的数目。
16.一种系统健康监视器,包括:
形成来至少部分地代表多个子系统的每一个的多个子系统模型,其中第一子系统模型具有第一预定限制,并且第二子系统模型具有第二预定限制;
至少部分地由所述多个子系统模型形成的至少一个系统模型,其中所述至少一个系统模型至少部分地代表由所述多个子系统形成的系统,所述至少一个系统模型具有第三预定限制,其中所述第一预定限制、所述第二预定限制和所述第三预定限制合作来形成以下的至少一个:
所述第一子系统模型的第四预定限制;
所述第二子系统模型的第五预定限制;以及
所述系统模型的第六预定限制。
17.如权利要求16所述的系统健康监视器,还包括配置来形成所述至少一个系统模型和所述多个子系统模型的至少一个系统和子系统模型模块。
18.如权利要求16所述的系统健康监视器,还包括至少一个比较模块,所述至少一个比较模块包括至少一个比较算法,所述至少一个比较模块与至少一个系统输入管道和至少一个系统输出管道以数据通信耦合,并且配置来接收至少一个系统输入和至少一个系统输出。
19.如权利要求16所述的系统健康监视器,还包括与以下的至少一个以数据通信耦合的至少一个机器学习方案:
至少一个系统和子系统模型模块;
至少一个比较器模块;
至少一个统计过程控制模块;以及
至少一个警报模块。
20.如权利要求19所述的系统健康监视器,其中所述至少一个机器学习方案配置来便利至少一个预测性故障通知的真实性和精确性。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US11/611,645 | 2006-12-15 | ||
US11/611,645 US20080147361A1 (en) | 2006-12-15 | 2006-12-15 | Methods and apparatus to monitor system health |
Publications (1)
Publication Number | Publication Date |
---|---|
CN101646982A true CN101646982A (zh) | 2010-02-10 |
Family
ID=39156156
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN200780050928A Pending CN101646982A (zh) | 2006-12-15 | 2007-11-20 | 用于监视系统健康的方法和装置 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20080147361A1 (zh) |
EP (1) | EP2102724A1 (zh) |
JP (1) | JP2010514007A (zh) |
CN (1) | CN101646982A (zh) |
WO (1) | WO2008076586A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104737084A (zh) * | 2012-09-17 | 2015-06-24 | 西门子公司 | 用于基于传感器数据的涡轮系统诊断的结构 |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012033030A (ja) * | 2010-07-30 | 2012-02-16 | Toyota Motor Corp | モデル構成装置およびモデル構成方法 |
KR20140112554A (ko) * | 2012-01-13 | 2014-09-23 | 프로세스 시스템즈 엔터프라이즈 리미티드 | 유체 처리 네트워크 시스템 |
US9158303B2 (en) * | 2012-03-27 | 2015-10-13 | General Electric Company | Systems and methods for improved reliability operations |
US20140222310A1 (en) * | 2012-10-09 | 2014-08-07 | United Technologies Corporation | Engine monitor for a multi-engine system |
US9280617B2 (en) * | 2012-11-06 | 2016-03-08 | General Electric Company | Systems and methods for improved reliability operations |
Family Cites Families (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0480654B1 (en) * | 1990-10-10 | 1998-03-04 | Honeywell Inc. | Process system identification |
US5237518A (en) | 1990-10-27 | 1993-08-17 | Vanderbilt University | Optimization method for adaptive sensor reading scheduling and delayed alarm evaluation in real-time diagnostic systems |
JP3100406B2 (ja) * | 1991-03-06 | 2000-10-16 | ジヤトコ・トランステクノロジー株式会社 | 工作機械の故障予知装置 |
JP2947093B2 (ja) * | 1994-11-02 | 1999-09-13 | 日本電気株式会社 | 適応フィルタによるシステム同定の方法および装置 |
US5594663A (en) * | 1995-01-23 | 1997-01-14 | Hewlett-Packard Company | Remote diagnostic tool |
JP2850814B2 (ja) * | 1995-12-15 | 1999-01-27 | 日本電気株式会社 | 適応フィルタによる未知システム同定の方法及び装置 |
US5919267A (en) * | 1997-04-09 | 1999-07-06 | Mcdonnell Douglas Corporation | Neural network fault diagnostics systems and related method |
US6326758B1 (en) * | 1999-12-15 | 2001-12-04 | Reliance Electric Technologies, Llc | Integrated diagnostics and control systems |
US6243628B1 (en) * | 1999-09-07 | 2001-06-05 | General Electric Company | System and method for predicting impending failures in a locomotive |
US6917839B2 (en) * | 2000-06-09 | 2005-07-12 | Intellectual Assets Llc | Surveillance system and method having an operating mode partitioned fault classification model |
US6609036B1 (en) * | 2000-06-09 | 2003-08-19 | Randall L. Bickford | Surveillance system and method having parameter estimation and operating mode partitioning |
US20040199368A1 (en) | 2001-05-24 | 2004-10-07 | Simmonds Precision Products, Inc. | Poor data quality identification |
AU2002329611A1 (en) * | 2001-07-20 | 2003-03-03 | Altaworks Corporation | System and method for adaptive threshold determination for performance metrics |
US6687653B1 (en) * | 2002-08-13 | 2004-02-03 | Xerox Corporation | Systems and methods for distributed algorithm for optimization-based diagnosis |
US20040199573A1 (en) * | 2002-10-31 | 2004-10-07 | Predictive Systems Engineering, Ltd. | System and method for remote diagnosis of distributed objects |
JP3922375B2 (ja) * | 2004-01-30 | 2007-05-30 | インターナショナル・ビジネス・マシーンズ・コーポレーション | 異常検出システム及びその方法 |
US7590513B2 (en) * | 2006-01-30 | 2009-09-15 | Nec Laboratories America, Inc. | Automated modeling and tracking of transaction flow dynamics for fault detection in complex systems |
-
2006
- 2006-12-15 US US11/611,645 patent/US20080147361A1/en not_active Abandoned
-
2007
- 2007-11-20 JP JP2009541458A patent/JP2010514007A/ja not_active Withdrawn
- 2007-11-20 WO PCT/US2007/085200 patent/WO2008076586A1/en active Application Filing
- 2007-11-20 CN CN200780050928A patent/CN101646982A/zh active Pending
- 2007-11-20 EP EP07864642A patent/EP2102724A1/en not_active Withdrawn
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104737084A (zh) * | 2012-09-17 | 2015-06-24 | 西门子公司 | 用于基于传感器数据的涡轮系统诊断的结构 |
CN104737084B (zh) * | 2012-09-17 | 2018-01-12 | 西门子公司 | 用于基于传感器数据的涡轮系统诊断的结构 |
Also Published As
Publication number | Publication date |
---|---|
EP2102724A1 (en) | 2009-09-23 |
US20080147361A1 (en) | 2008-06-19 |
JP2010514007A (ja) | 2010-04-30 |
WO2008076586A1 (en) | 2008-06-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11422529B1 (en) | Monitoring system for use in industrial operations | |
US10242319B2 (en) | Baseline predictive maintenance method for target device and computer program product thereof | |
US20120290261A1 (en) | Valve actuator fault analysis system | |
CN101646982A (zh) | 用于监视系统健康的方法和装置 | |
WO2014018176A1 (en) | Systems and methods for health assessment of a human-machine interface (hmi) device | |
WO2014117967A1 (en) | Method and apparatus for deriving diagnostic data about a technical system | |
CN106403188A (zh) | 一种空调维护方法及其维护装置 | |
US20230239194A1 (en) | Node health prediction based on failure issues experienced prior to deployment in a cloud computing system | |
KR20220081872A (ko) | 디지털트윈 기반 의사결정 지원 최적 정보 산출 자동화 장치 | |
Lughofer et al. | Prologue: Predictive maintenance in dynamic systems | |
Zhang et al. | A review of fault prognostics in condition based maintenance | |
US11585732B2 (en) | Apparatus and method for diagnosing failure of plant | |
JP5544804B2 (ja) | 障害診断システム、障害診断装置および障害診断方法 | |
Lee et al. | Intelligent factory agents with predictive analytics for asset management | |
US11188064B1 (en) | Process flow abnormality detection system and method | |
EP4136515B1 (en) | Method, apparatus and computer program product for monitoring of industrial devices | |
JP6884287B1 (ja) | 機械学習システム | |
EP3948459A1 (en) | Asset condition monitoring method with automatic anomaly detection | |
US11966217B2 (en) | Faulty variable identification technique for data-driven fault detection within a process plant | |
CN114722025A (zh) | 基于预测模型的数据预测方法、装置、设备及存储介质 | |
Walker et al. | Integrated Design of On-line Health and Prognostics Management | |
Cinar et al. | A Predictive Maintenance System Design and Implementation for Intelligent Manufacturing. Machines 2022, 10, 1006 | |
Ahsan et al. | Distributed on-line system for process plant monitoring | |
CN116880340B (zh) | 基于工业物联网的控制终端 | |
Lima et al. | Predictive maintenance applied to mission critical supercomputing environments: remaining useful life estimation of a hydraulic cooling system using deep learning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Open date: 20100210 |