CN102763047A - 用于诊断压缩机的方法和系统 - Google Patents

Abstract

用于诊断压缩机的方法、系统和计算机软件。该方法包括生成压缩机的特征向量，压缩机的特征向量包括描述该压缩机的多种部件的状态的分量；基于模糊约束确定与特征向量对应的聚合的异常向量；定义该压缩机的可能缺陷/故障模式的预设列表的规则；计算聚合的异常向量与规则之间的确证测量；以及基于确证测量的结果来识别该压缩机的缺陷/故障模式。

Description

用于诊断压缩机的方法和系统

技术领域

本文公开的发明主题的实施例一般涉及方法和系统，并且更具体地说涉及用于诊断一般的机器(以及具体来说，压缩机)的机制和技术。

背景技术

目前有大量的机器(如压缩机的工业机器)安装在多种设施处并用于处理油料和气体。此类机器可能遭遇指示缺陷或故障模式的征兆。由于这些机器的技术复杂性，机器的用户可能没有能力处理这些征兆。因此，有技术能力确定影响机器的问题的机器制造商与用户达成维护和诊断协议，以确保在充分操作状态中监视和维护这些机器。为此原因，机器制造商可能将多个传感器安装在用户的位置处以用于监视机器的“健康”。相同制造商可能与多个客户有多个合同。

预报和健康管理(PHM)是一个新兴技术，其支持如机车、医疗扫描器、飞行器引擎、涡轮和压缩机等的资产的合同服务协议(CSA)的有效执行。PHM的一个目的在于长时间地维持这些资产的操作性能，从而在将它们的维护成本最小化的同时提高它们的利用。PHM可以用作产品微分器，以降低资产的保证期期间原设备制造商服务的成本或依据CSA更有效率地提供服务。

图1示出传统PHM系统10。根据此附图，在执行传统准备任务(如传感器验证单元12中的传感器验证和处理单元14中的输入数据预处理)之后，PHM系统10在单元16中执行异常检测和识别、在单元18中执行诊断分析、在单元20中执行预报分析、在单元22中执行故障调节和在单元24中执行后勤决策。这些动作是本领域技术人员公知的，为此本文省略其详细描述。

异常检测单元利用非监督学习技术，如聚类。其目的是从数据提取底层结构信息，定义正常结构和识别与此类正常结构的偏离。诊断单元利用监督学习技术，如分类。其目的是从数据提取潜在表征(signature)，这些表征可以被用于识别不同的缺陷/故障模式。预报单元产生剩余有效期(RUL)的估计。其目的是维护并预测资产健康指标。最初，此指标反映正常操作状况下预期退化。后来，通过异常/故障发生修改了此指标，从而反映更快速的RUL减少。

上文论述的功能是机器状态的解释。这些解释引申到平台内控制动作和平台外后勤、维修和规划动作。平台内控制动作常常着重于维持性能或安全性边际，并且实时地执行。平台外维护/维修动作覆盖更复杂的离线决策。它们需要决策支持系统(DSS)，其执行多目标优化、探索校正动作的前沿以及将它们与偏好聚合组合以生成最佳决策权衡。

但是，用于计算有关压缩机的现存征兆确定的诊断的相关性的传统算法不总是准确的，且有时它们是引起歧义的。因此，期望提供避免前述问题和缺点的系统和方法。

发明内容

根据一示范实施例，有一种诊断压缩机的方法。该方法包括生成压缩机的特征向量，压缩机的特征向量包括描述该压缩机的多种部件的状态的分量；基于模糊约束确定与特征向量对应的聚合的异常向量；定义该压缩机的可能缺陷/故障模式的预设列表的规则；计算聚合的异常向量与规则之间的确证测量；以及基于确证测量的结果来识别该压缩机的缺陷/故障模式。

根据另一个示范实施例，有一种用于诊断压缩机的系统。该系统包括：配置成接收有关压缩机的测量数据的接口；以及配置成接收测量数据的处理器。该处理器配置成基于测量数据生成压缩机的特征向量，该压缩机的特征向量包括描述该压缩机的多种部件的状态的分量，基于模糊约束确定与特征向量对应的聚合的异常向量，检索压缩机的可能缺陷/故障模式的预设列表的规则，计算聚合的异常向量与规则之间的确证测量，以及基于确证测量的结果来识别该压缩机的缺陷/故障模式。

根据又一个示范实施例，有一种包含计算机可执行指令的计算机可读介质，其中这些指令在被执行时，实现用于诊断压缩机的方法。该方法包括生成压缩机的特征向量，压缩机的特征向量包括描述该压缩机的多种部件的状态的分量；基于模糊约束确定与特征向量对应的聚合的异常向量；确定该压缩机的可能缺陷/故障模式的预设列表的规则；计算聚合的异常向量与规则之间的确证测量；以及基于确证测量的结果来识别该压缩机的缺陷/故障模式。

附图说明

并入本说明书中并构成其一部分的附图图示一个或多个实施例，并且连同描述解释这些实施例。在这些附图中：

图1是常规压缩机诊断系统的示意图；

图2是根据示范实施例的压缩机诊断系统的示意图；

图3和图4是示出根据示范实施例的模糊阈值的曲线图；

图5是图示根据示范实施例的用于检测压缩机的缺陷/故障模式的过程的流程图；

图6是图示根据示范实施例的用于对压缩机的多种缺陷/故障模式评级的方法的流程图；以及

图7是能够实现用于诊断压缩机的方法的示范系统。

具体实施方式

示范实施例的下文描述参考附图。不同附图中的相同引用号标识相同或相似的元件。下文详细描述并不限制本发明。相反，本发明的范围由所附权利要求限定。为了简明，下文实施例是结合离心式压缩机的术语和结构来论述的。但是，接下来要论述的实施例不限于这些压缩机，而是可以应用于其他压缩机或可能遇到需要识别的变化的复杂结构。

本说明书中对“一个实施例”或“一实施例”的引述表示结合一实施例描述的一特定特征、结构或特性包含在所公开的发明主题的至少一个实施例中。因此，贯穿本说明书中多个位置出现的短语“在一个实施例中”或“在一实施例中”不一定全部指相同的实施例。再者，特定的特征、结构或特性可以任何适合的方式在一个或多个实施例中进行组合。

根据一示范实施例，一种系统配置成从至少一个压缩机接收测量，生成至少一个压缩机的特征向量，该压缩机的特征向量包括描述该压缩机的多种部件的状态的分量，基于模糊约束确定与特征向量对应的聚合的异常向量，定义该压缩机的可能诊断的预设列表的规则，计算聚合的异常向量与规则之间的确证测量，以及基于确证测量的结果来识别该压缩机的缺陷/故障模式。

图2中示出这种系统30，并且这种系统30可配置成监视多个压缩机。在一个示范实施例中，系统30是经由数据采集单元32连接到没有数百也有数十个压缩机的集中式系统。这些压缩机可以属于多种客户，以及该集中式系统向这些客户提供维护和技术支持。稍后结合图7论述这种系统的示意图。收集的数据被存储在数据库34中，以及可以将收集的数据与压缩机的多种参数(温度、压力、速度、气体成分等)关联。

作业调度器36配置成作为输入接收收集的数据并监听定时器或由定时器启动应用。作业调度器36可以配置成依次且按给定时间间隔检查从多个压缩机接收的数据，并确定是否应该启动异常标识过程。作业调度器36配置成与数据预处理单元38通信。数据预处理单元38配置成从数据库34接收收集的数据并对收集的数据执行多种操作。例如，预处理单元38可以检索收集的数据的参考值，可以基于预确定的算法执行特征提取，可以基于收集的数据来计算压缩机的多种参数(特征)等。预处理单元38执行的计算可以基于压缩机的热动力学模型。预处理单元38可以持续从机器配置单元40接收数据，该数据包括机器特定参数、这些参数的缺省值、这些参数的正常值、这些参数的可接受范围等。

将预处理单元38确定的推导的特征提供到异常通知单元42，异常通知单元42配置成计算异常矩阵和异常向量，正如稍后论述的。异常通知单元42还连接到机器配置单元40，并且能够从此单元检索期望的数据。将来自异常通知单元42的输出提供到案例管理器单元44。案例管理器单元44尤其配置成开启展示异常的压缩机的新案例。

诊断推理单元46连接到案例管理器单元44，并向案例管理器单元44提供所展示的压缩机征兆的可能诊断(缺陷/故障模式)的评级列表。稍后论述用于生成可能诊断的评级列表的细节。如果需要更多数据，则案例管理器单元44可以从能够与压缩机50通信的数据请求单元48接收必要的数据。拥有此评级列表时，案例管理器44可以将数据存储在数据库52中或可以例如经由专用用户接口54将数据呈示给用户56。作为备选或附加，案例管理器44可以经由通信单元60将分析的结果呈示给客户58。因此，客户58有机会向案例管理器44提供反馈。

根据一示范实施例，提供有关异常通知单元42的更多细节。假定压缩机上分布多个传感器(未示出)，并且这些传感器测量压缩机的多种参数，例如，压缩机的多种位置处的温度、压力、速度等。本文中将包含此数据的向量称为特征向量F。向量F可以具有k个分量(对应于测量的k个参数)，并且每个分量具有时间戳，即每个分量与测量对应参数所在的时间关联。此向量可以包括从作业调度器36接收且如数据预处理单元38处理的数据。

使用向量及其分量的专用数学符号，由F(t)＝[f₁(t)，...，f_k(t)]给出特征向量。向量F的每个分量表示动态特征，如测量的值、测量的值与参考值之差、阈值百分比、测量的参数的趋势等。在取样时间点上测量和/或推导特征向量F的分量1至k。按给定时间间隔重复这些分量的测量，并将这些测量和/或计算的分量存储在数据库中以供后续处理。

根据一示范实施例，滤波这些分量以仅保持处于非瞬态的那些分量，即期望分析稳态系统。然后，将一个或多个分量与包含两个值(关注值和风险值)的对应模糊阈值比较。当压缩机可能开始以非期望的方式运转时，关注值提示操作员应该观察相应的参数。风险值指示压缩机可能处于故障的危险中，并且需要执行测量以校正越过此阈值的参数。

要注意，基于发明人所知，诊断压缩机的领域中先前尚未使用模糊阈值。为此原因，现在更详细地论述模糊阈值。对于向量F的每个分量f_i(t)，可以定义下限阈值LT_i(f_i)和/或上限阈值UT_i(f_i)以将阈变量f_i映射到区间[0，1]中。例如，下限阈值可以是LT_i(f_i):f_i→[0，1]，以及上限阈值可以是UT_i(f_i):f_i→[0，1]。图3图示下限模糊阈值，以及图4图示上限模糊阈值。要注意，图3和图4呈示模糊阈值的特定示例。但是，所公开的示范实施例与其他模糊阈值相兼容，并且图3和图4所示的特定模糊阈值仅出于说明性目的。

图3示出关注值c_i和风险值a_i，而图4示出关注值a_i和风险值c_i。图3示出压缩机的参数f_i的变化越过0值触发关注值c_i被超过，而参数f_i的变化向1值触发风险值a_i被超过。对于图4，类似的解释是有效的。当监视的参数f_i具有上限或下限时，需要使用适合的上限模糊值或下限模糊值。

再者，假设T_i(f_i)定义特征f_i的通用模糊阈值，要理解T_i(f_i)将取决于危害度的方向被LT_i(f_i)或UT_i(f_i)替代。阈值T_i(f_i)被认为是约束，需要满足这些约束才能保持压缩机的正常操作状态。模糊约束和传统约束之间的差异反映在，传统约束按惯例是阶跃函数，而模糊约束由非阶跃函数表示。

特征向量F可以被认为是k×N矩阵M，其中k是特征的数量以及N是在时间窗口上所取得的分量f的样本数量。时间窗口是执行分量f的测量所经过的预确定时间量。为了简明，考虑两个小时时间窗口上每分钟测量压缩机的k＝20个参数f_i。基于压缩机和需要也可以使用其他数量。当组合为矩阵M时，该数据具有(i，j)个元素，并且可以如表1所示的来表示。

表1

特征	1	...	j	...	N
						f1	f1(1)		f1(j)		f1(N)
...
						fi	fi(1)		fi(j)		fi(N)
...
						fk	fk(1)		fk(j)		fk(N)

通过将向量格式阈值T_i(f_i)应用于矩阵M的列，得到表2所示矩阵。

表2

表2中的结果是k×N矩阵E，其指示矩阵M的每个元素满足对应的正常性约束的程度，其中这些约束是上文论述的模糊约束。矩阵E的每个元素E(i，j)由E(i，j)＝[T_i(M(i，j))]＝[T_i(f_i(j))]给出，其具有区间[0，1]中的值。元素E(i，j)偏离0指示与对应参数f的正常性的潜在偏离。例如，表2中的矩阵E示出在取样点j处参数f₁的值达到关注值，并且它在取样点N处达到风险值。

但是，由于取样点的潜在的大数量，所以期望将矩阵E中所示的数量聚合。因此，可以在对于与特征关联时间常数和取样率适合的时间窗口上聚合每个特征的异常程度。在一个应用中，该窗口可以具有长度N。更一般地，可对矩阵M的N列上使用移动窗口来实现聚合。

可能需要对该窗口中包含的元素执行聚合。聚合的一个示例可以是指数移动平均，其给出与最近值的更大相关性。还可以使用其他公知的聚合函数，例如，广义加权均值。此类聚合的结果是向量A，其中第i个元素指示特征f_i的总体异常程度，即A(f_i)。例如，如表3中所示，可以选择一组测量时间的异常的最大值。在另一个应用中，可以将多个测量时间上测量的多种异常的平均值考虑为A(f_i)。在表3所示的示范实施例中，在聚合之后，假设特征f₁中有异常，特征f_i中有部分异常，但是f_k中没有异常。可以将此信息与其他异常检测源(例如，编码为误差消息的信息)整合。虽然此类误差消息作为布尔数据来处理(即，具有强度1的异常)，但是存在通过矩阵E在异常强度的演化上有完整的可见性。

表3

异常的程度
	A(x1)＝1
...
	A(xi)＝0.5
...
	A(xk)＝0

示意性地，表4中示出将约束应用于特征f_i并将异常聚合的过程。

表4

根据一示范实施例，诊断单元46可以存储有关压缩机的数据或可以从外部存储单元请求有关压缩机的数据。

表5

	征兆1	...	征兆k
				缺陷1	H	nil	L
...	H		L
				缺陷i	L	ic	L

诊断过程可以将向量A表示的每个特征的异常的程度与存在具体缺陷/故障模式时预期的异常进行匹配，以产生潜在缺陷/故障模式的(偏)序。在表5中所示的矩阵中捕获此域知识，其中第一列表示可能的缺陷/故障模式，以及其余列表示对应缺陷/故障模式的异常强度的对应预期的程度。在此上下文中，将异常强度的向量A考虑为驱动诊断系统的征兆的向量。换言之，表5中的列基于压缩机的操作员的感受和预期值填充以项H、L、M、ic或nil，这些项表示高、中、低、间接结果和无影响。这些值可以由压缩机的制造商和/或操作员以人工方式输入，且这些值对应于压缩机中存在某些缺陷/故障模式时预期的异常及其强度。注意，给定的缺陷/故障模式可以确定压缩机中要展示异常的多于一个部分。虽然表5包括特定离心式压缩机的数据，但是其他表可以包括与要诊断的另一个机器相关的数据。

例如，考虑表5的第一行中提到的征兆表示多种分量f_i，并且缺陷i行是压缩机的一个缺陷/故障模式。对于这种缺陷/故障模式，根据本示范实施例，征兆1和征兆k的值是L。换言之，如果两个参数征兆1和k在阈值外且所有其他参数均不显著，则在微处理器上实现的算法识别具有低(L)置信度的缺陷/故障模式缺陷i。注意，这是一示例，并且每个压缩机可以具有它自己按期望监视的参数和特性。

表5的第一列中提到的缺陷/故障模式可以基于针对每个缺陷/故障模式定义的规则来识别。项H、L、M和ic可以解释为每个对应缺陷/故障模式的征兆的预期的强度。

表4中所示的矩阵可以解释为含有元素Rule_i的一组关联规则，其中

$\mathrm{SET}=\underset{i=1}{\overset{n}{\∪}}{\mathrm{Rule}}_i=\underset{i=1}{\overset{n}{\∪}}({\stackrel{\→}{X}}_i\⇒Y_i)=\underset{i=1}{\overset{n}{\∪}}\left(\right[x_{i,1},x_{i,2},...,x_{i,k}]\⇒Y_i)$

其中Y_i是缺陷/故障模式，例如表5中第一列列出的元素，以及X_i表示多个征兆，例如，表5中每一行中的项。

将异常向量A与矩阵中的每个缺陷/故障模式匹配，表5的矩阵中的第i行解释为关联规则Rule_i，其中Rule_i由如下表达式给出

${\mathrm{Rule}}_i=({\stackrel{\→}{X}}_i\⇒Y_i)=[x_{i,1},x_{i,2},...,x_{i,k}]\⇒Y_i.$

关联规则Rule_i的左边(LHS)由如下表达式给出：

${\stackrel{\→}{X}}_i=\left[x_{i,j}\right]=[x_{i,1},x_{i,2},...,x_{i,k}],$ 其中x_i，j∈{H，M，L，ic，nil}

以及其中X_i的每个分量x_i，j具有五个值H、M、L、ic或nil的其中之一，其中nil为0。注意，向量X_i具有k个分量，并且k等于表5中的列数，以及i是表5中的行数。

对于每个缺陷/故障模式Y_i(表5中的行)，诊断单元46可以配置成计算确证证据的测量C(Y_i，A)(Y_i的预期征兆匹配异常向量A)以及反驳证据的测量R(Y_i，A)(Y_i的预期征兆与异常向量A之间缺乏匹配)。计算这两个测量有多种方式。为了更好地理解，接下来论述C和R的示范函数。

作为诊断过程的输入的异常向量定义为：

A＝[A₁，A₂，...A_k]∈[0，1]，

其中每个值Ai具有0与1之间的值。

为了考虑输入与其对应参考的部分匹配，通过将观察到该征兆的高(H)、中(M)或低(L)概率纳入考虑，或考虑到它可以是间接结果(ic)，可以将关联规则Rule_i的LHS

分解成：

${\stackrel{\→}{X}}_i=\left(H\right){\stackrel{\→}{X}}_i^H\∪\left(M\right){\stackrel{\→}{X}}_i^M\∪\left(L\right){\stackrel{\→}{X}}_i^L\∪\left(\mathrm{ic}\right){\stackrel{\→}{X}}_i^{\mathrm{ic}}\∪\left(\mathrm{nil}\right){\stackrel{\→}{X}}_i^{\mathrm{nil}}$

其中

是值H的二进制指示符：

${\stackrel{\→}{X}}_i^H=\left[{\hat{x}}_{i,j}\right|{\hat{x}}_{i,j}=1\mathrm{if}(x_{i,j}=H),\mathrm{else}{\hat{x}}_{i,j}=0],$ 等。

再者，如下引入一组权重W，其反映输入与表5的项H、M、L、ic、nil匹配的重要性：

W＝{w_H，w_M，w_L，w_ic，w_nil}

其中W是例如，{0.8，0.5，0.2，0.1，0.0}。基于此示例，可以将确证证据测量C计算为将缺陷/故障模式Y_i和异常A所预期的证据的量值纳入考虑。换言之，C可以是异常向量A与(规则Rule_i的LHS)之间的加权的部分匹配，由如下表达式给出：

$C(Y_i,A)=\mathrm{Match}({\stackrel{\&RightArrow;}{X}}_i,A)=\frac{w_H<A,{\stackrel{\&RightArrow;}{X}}_i^H>+w_M<A,{\stackrel{\&RightArrow;}{X}}_i^M>+w_L<A,{\stackrel{\&RightArrow;}{X}}_i^L>+w_{\mathrm{ic}}<A,{\stackrel{\&RightArrow;}{X}}_i^{\mathrm{ic}}>}{w_H\left|X_i^H\right|+w_M\left|X_i^M\right|+w_L\left|X_i^L\right|+w_{\mathrm{ic}}\left|X_i^{\mathrm{ic}}\right|}$

其中内积使用传统标量积来实现。

注意A＝[A₁，A₂，...A_k]，其中A_j∈[0，1]，而其中 ${\hat{x}}_{i,j,}\&Element;\left\{\mathrm{0,1}\right\}.$

为了举例说明缺陷/故障模式Y_i的计算，接下来论述表6中所示的示例。假设异常向量A具有表6的第一行中示出的值。还假设规则(表5中未示出的行)由表6的第二行中所示的X_i给出。第二行中的规则X_i分解成对应于表6的第三、第四和第五行中所示的H、M和L值的子规则。因为对于缺陷/故障模式Y_i没有ic或nil值，所以表6中未示出对应规则。虽然异常向量A的值是基于(i)压缩机的测量的参数和(ii)上文结合表1-4论述的预确定的约束来计算的，但是规则X_i有可能基于压缩机的操作员和/或压缩机的制造商的经验来确定。使用上文定义的确证证据测量和上文提到的权重，对于缺陷/故障模式Y_i确定了值82％。

表6

表7中示出具有更多征兆的另一个示例。此处，除了高H和中M值外，还有含低值L的征兆。对于表7，使用相同的加权系数和相同的确证证据测量C来达到缺陷/故障模式Y_i与异常向量A之间的50.7％的匹配。

表7

又如上文论述的，预期见到计算缺陷/故障模式Y_i未命中异常向量A的证据量值可能是重要的。可以使用C的互补度量，如R(Y_i，A)＝1-C(Y_i，A)。但是，此度量R未提供任何附加的信息。

更好的测量是基于Y_i是缺陷/故障模式的起因而无需观察预期的征兆的概率来计算折扣系数。为了计算的简明性，假设所有征兆均是彼此独立的。这相当于对异常的每个程度的未命中值(各以其对应的权重加权处理)的概率和取负值(即，对1取补)。概率和是能够用于估计并集的多个三角余模(triangular conorm)(T-余模)的其中之一，并且它定义为：S(a，b)＝a+b-a·b。与所有的T-余模一样，此函数满足结合律。这意味着，有3个或更多自变量时，能够递归地计算该函数，即S(a，b，c)＝S(S(a，b)，c)。

例如，在表6呈示的示例中，存在如下未命中值：对于高强度异常(W_H＝0.8)，A₂中有0.1以及A₃中有0.2，对于低强度异常(W_L＝0.2)，A₅中有0.8以及A₆中有0.2。基于这些值，可以将反驳证据的测量R(Y_i，A)计算为：

当S(a，b)＝a+b-a·b时，S(S(S(0.8·0.1，0.8·0.2)，0.2·0.8)，0.2·0.5)＝0.415。

如果使用不同的T-余模，如S(a，b)＝Max(a，b)，则上面的表达式变成：

S(S(S(0.8·0.1，0.8·0.2)，0.2·0.8)，0.2·0.5)＝0.16。

通过使用最大算子代替概率和来计算反驳证据的测量，对未命中信息取不太极端的视角。

在本领域中，有多种公知的参数化系列T-余模。其他T-余模将适于计算反驳测量。选择最适合的T-余模由整个诊断过程中对未命中信息的影响分级时期望采用的保守或开明的态度来驱动。根据一示范实施例，实现诊断方法所在的处理器可以配置成向处理器的算子提供要选择哪个函数来用于反驳测量。正如本领域技术人员将认识到的，上文描述的过程可以采用硬件、软件或其组合的形式来实现。

根据一示范实施例，可以将C和R测量组合，并作为由[C(Y_i，A)，max(C(Y_i，A)，1-R(Y_i，A))]形成的区间或通过将这两个测量C和R的聚合(其中使用1-R(Y_i，A)将C(Y_i，A)取折扣来呈示总结果。

例如，结合图6所示的示例，C(Y_i，A)＝0.82，R(Y_i，A)＝0.415(当使用S(a，b)＝a+b-a·b)时)，并且1-R(Y_i，A)＝0.585。上文提到的区间实际是点[0.82，0.82]，并且取折扣的计分是C(Y_i，A)·(1-R(Y_i，A))＝0.48。使用区间或取折扣的系数，可以对潜在缺陷/故障模式评级，以基于可能要对最可能缺陷/故障模式建议哪个校正动作来形成排序的列表。

如图5所示，可以呈示检测缺陷/故障模式的过程。在步骤500中，实现该过程所在的处理器接收测量数据。该测量数据指示压缩机的多种参数。在步骤502中生成特征向量F。特征向量F可以具有k个分量。这些分量的数量可以由压缩机的操作员更改。这些分量的其中一些是测量的数据，以及另一些分量是基于测量的数据来计算的。在步骤504(其可以在步骤500和502之前执行)中，为特征向量F的每个分量定义如上文论述的模糊阈值。取决于情况，模糊阈值可以将分量的增加或减少纳入考虑。在一个应用中，可以对特征向量F的分量使用模糊阈值与阶跃阈值的组合。

在步骤506中，基于模糊阈值和特征向量F，计算异常向量A。用于计算异常向量的过程可以根据不同应用而有所不同，正如上文已经论述的。在步骤508中，从数据库检索一组规则。该组规则可以在先前存储在数据库中或可以由操作员现场更改。该组规则将一组缺陷/故障模式映射到对应的征兆。例如，如表5所示，第一列标识多个缺陷/故障模式，以及对于每个缺陷/故障模式，预期一组征兆(在对应的行中列出)。表5的第一行中列出考虑的征兆，以及在行“n”中列出行“n”中的给定缺陷/故障模式的其预期值。正如表5中的所见，对于给定缺陷/故障模式未呈示所有征兆，其中一些具有高预期值，一些具有低预期值，以及一些存在但不直接与缺陷/故障模式关联。因为这些原因，所以见到给定缺陷/故障模式的预期值量化为高、中、低、无以及间接关联。注意根据一示范实施例，由熟悉压缩机的操作和故障的技术人员人工输入该组规则。

在步骤510中，基于这些规则和异常向量A，计算确证证据测量C。此测量提供有关识别的缺陷/故障模式对应于检测的征兆的依靠。可以将该测量表示为百分比，其中100％是完全可靠的结果。但是，根据可选步骤512，还可以计算反驳证据测量R，并且此测量指示识别的缺陷/故障模式的可靠性不足。根据另一个可选步骤514，可以组合两个测量C和R以在步骤516中产生可能缺陷/故障模式对应于一组检测的征兆的更可靠的评级。

根据图6所示的示范实施例，有一种用于诊断压缩机的方法。该方法包括生成压缩机的特征向量的步骤600，压缩机的特征向量包括描述该压缩机的多种部件的状态的分量；基于模糊约束确定与特征向量对应的聚合的异常向量的步骤602；定义该压缩机的可能诊断的预设列表的规则的步骤604；计算聚合的异常向量与规则之间的确证测量的步骤606；以及基于确证测量的结果来识别该压缩机的诊断的步骤608。

可选的步骤可以包括计算反驳证据的测量R，其量化未命中缺陷/故障模式的证据的量值，其中反驳证据的测量R可以基于三角余模函数；或将确证测量C与反驳证据的测量R组合来对压缩机的每个缺陷/故障模式评级。

根据一示范实施例，包括处理器的系统可以配置成在预确定时间窗口上接收特征向量的分量的值，对这些特征向量的分量应用模糊约束以确定预确定时间窗口期间的某些时间处的对应即时异常，以及将某些时间处的对应即时异常聚合以生成对于整个预确定时间窗口且对于该特征向量的所有分量的、聚合的异常向量。

根据另一个示范实施例，所述处理器还配置成将每个规则分成多个子规则，计算每个子规则与聚合的异常向量之间的标量积，并基于形成确证测量的计算的标量积来确定指示压缩机遇到的缺陷/故障模式的百分比值。

作为附加或备选，处理器还配置成使用每个规则与聚合的异常向量之间的确证测量C，其中C定义为

$C(Y_i,A)=\mathrm{Match}({\stackrel{\&RightArrow;}{X}}_i,A)=\frac{w_H<A,{\stackrel{\&RightArrow;}{X}}_i^H>+w_M<A,{\stackrel{\&RightArrow;}{X}}_i^M>+w_L<A,{\stackrel{\&RightArrow;}{X}}_i^L>+w_{\mathrm{ic}}<A,{\stackrel{\&RightArrow;}{X}}_i^{\mathrm{ic}}>}{w_H\left|X_i^H\right|+w_M\left|X_i^M\right|+w_L\left|X_i^L\right|+w_{\mathrm{ic}}\left|X_i^{\mathrm{ic}}\right|}$

其中A是聚合的异常向量，Y_i表示缺陷/故障模式，X_i表示规则“i”，w_h、w_m、w_l和w_ic是加权系数，以及X_i ^H、X_i ^M、X_i ^L和X_i ^ic是规则X_i的子规则。

根据另一个示范实施例，该处理器还配置成计算反驳证据的测量R，其限定未命中缺陷/故障模式的证据的量值，其中反驳证据的测量R基于三角余模函数。该处理器还可以配置成将确证测量C与反驳证据的测量R组合来对压缩机的每个缺陷/故障模式评级。

根据一示范实施例，一种计算机可读介质包含计算机可执行指令，其中这些指令在被执行时，实现用于诊断压缩机的方法。该方法包括生成压缩机的特征向量，压缩机的特征向量包括描述该压缩机的多种部件的状态的分量；基于模糊约束确定与特征向量对应的聚合的异常向量；定义该压缩机的可能缺陷/故障模式的预设列表的规则；计算聚合的异常向量与规则之间的确证测量；以及基于确证测量的结果来识别该压缩机的缺陷/故障模式。

出于说明而非限制的目的，图7中图示根据示范实施例的能够执行操作的代表性系统的示例。上文论述用于实现诊断过程的处理器是该系统的一部分。可以使用硬件、固件、软件或其组合来执行本文描述的多种步骤和操作。

适于执行示范实施例中描述的活动的示范系统700可以包括服务器701。此类服务器701可以包括耦合到随机存取存储器(RAM)704和只读存储器(ROM)706的中央处理器(CPU)702。ROM 706还可以是用于存储程序的其他类型的存储介质，如可编程ROM(PROM)、可擦写PROM(EPROM)等。处理器702可以经由输入/输出(I/O)电路708和总线710与其他内部和外部组件通信，以便提供控制信号等。例如，系统700可以与多个压缩机通信以便监视可能出现的任何征兆。多个压缩机可能分布在大地理区域上，而系统700可能是集中式系统。处理器702按软件和/或固件指令所指示的，执行如本领域中公知的多种功能。

服务器701还可以包括一个或多个数据存储装置，包括硬盘驱动器和软磁盘驱动器712、CD-ROM驱动器714和能够读取和/或存储如DVD等的信息的其他硬件。在一实施例中，可以将用于执行上文论述的步骤的软件存储和分布在CD-ROM 716、磁盘718或能够便携式地存储信息的其他形式的介质上。这些存储介质可以插入到如CD-ROM驱动器714、磁盘驱动器712等的装置中并被其读取。服务器701可以耦合到显示器720，显示器720可以是任何类型的公知显示器或呈示屏幕，如LCD显示器、等离子显示器、阴极射线管(CRT)等。提供用户输入接口722，其包括如鼠标、键盘、麦克风、触摸板、触摸屏、语音识别系统等的一个或多个用户接口机构。系统700的操作员可以经由接口722输入任何信息，例如，修改特征向量F的分量的数量。

服务器701可以经由网络耦合到其他计算装置，如路上线路和/或无线终端和关联的观察器(watcher)应用。该服务器可以是如全球区域网络(GAN)，例如因特网728中那样较大的网络配置的一部分，这允许最终连接到多种路上线路和/或移动客户端/观察器装置。

所公开的示范实施例提供用于确定压缩机的缺陷/故障模式的系统、方法和计算机程序产品。应该理解本文描述无意限制本发明。相反，这些示范实施例应涵盖包含在所附权利要求定义的本发明的精神和范围内的替代、修改和等效物。再者，在示范实施例的详细描述中，阐述了许多特定细节以便提供对要求权利的本发明的全面理解。但是，本领域人员将理解，没有这些特定细节的情况下，仍可以实施多种实施例。

正如本领域技术人员将意识到的，可以将这些示范实施例实施在无线通信装置、电信网络中实施，作为方法来实施，或在计算机程序产品中实施。相应地，这些示范实施例可以采用整体硬件实施例的形式或组合硬件和软件方面的实施例的形式。再者，这些示范实施例可以采取计算机可读存储介质上的计算机程序产品的形式，该计算机可读存储介质具有包含在该介质中的计算机可读程序指令。可以利用任何适合的计算机可读存储介质，包括硬盘、CD-ROM、数字多功能盘(DVD)、光存储装置或如软磁盘或磁带的磁存储装置。计算机可读介质的其他非限制性示例包括闪存型存储器或其他公知的存储器。

虽然在这些实施例中以特定组合描述了本发明示范实施例的特征和单元，但是每个特征或单元可以在没有这些实施例的其他特征和单元的情况下单独地使用或以与本文公开的其他特征和单元进行多种组合或不与之组合方式来使用。本申请中提供的方法或流程图可以在计算机可读存储介质中有形地包含的计算机程序、软件或固件中实现，以便由专门编程的计算机或处理器来执行。

本书面描述使用所公开的发明主题的示例以使本领域技术人员能够实践本发明，包括制造和使用任何装置或系统并执行任何并入的方法。发明主题的可专利范围由权利要求定义，并且可以包括本领域技术人员想到的其他示例。此类其他示例规定为在权利要求的范围内。

Claims (10)

1.一种用于诊断压缩机的方法，所述方法包括：

生成所述压缩机的特征向量，所述压缩机的所述特征向量包括描述所述压缩机的多种部件的状态的分量；

基于模糊约束确定与所述特征向量对应的聚合的异常向量；

定义所述压缩机的可能缺陷/故障模式的预设列表的规则；

计算所述聚合的异常向量与所述规则之间的确证测量；以及

基于所述确证测量的结果来识别所述压缩机的缺陷/故障模式。

2.如权利要求1所述的方法，其中，生成特征向量的所述步骤包括：

测量所述压缩机的第一多个参数；以及

基于所述第一多个参数来估计所述压缩机的第二多个参数，

其中所述特征向量包括所述第一多个参数和所述第二多个参数的其中一部分。

3.如权利要求1所述的方法，其中，所述压缩机的所述多种部件包括轴承和转子，以及所述状态包括压力、温度、振幅、压力差、质量或容积流量或转子速度的至少其中之一。

4.如权利要求1所述的方法，还包括：

定义所述特征向量的所述分量与参考值的偏离的所述模糊约束，其中所述模糊约束是从低值到高值连续地变化的阈值。

5.如权利要求4所述的方法，其中，由关注值和风险值定义至少一个模糊约束，所述关注值指示当可能发生异常时需要监视对应的参数，以及所述风险值指示所述异常已经发生。

6.如权利要求1所述的方法，其中，确定聚合的异常向量的所述步骤包括：

在预确定时间窗口上接收所述特征向量的所述分量的值；

对所述特征向量的所述分量应用模糊约束以确定所述预确定时间窗口期间的某些时间处的对应即时异常，以及

将所述某些时间处的所述对应即时异常聚合以生成对于所述整个预确定时间窗口且对于所述特征向量的所有所述分量的、聚合的异常向量。

7.如权利要求1所述的方法，其中，所述计算步骤包括：

将每个规则分成子规则；

计算每个子规则与所述聚合的异常向量之间的标量积；以及

基于形成所述确证测量的、所计算的标量积来确定指示所述压缩机遇到的缺陷/故障模式的百分比值。

8.如权利要求7所述的方法，还包括：

使用每个规则与所述聚合的异常向量之间的确证测量C，其中C定义为

$C(Y_i,A)=\mathrm{Match}({\stackrel{\&RightArrow;}{X}}_i,A)=\frac{w_H<A,{\stackrel{\&RightArrow;}{X}}_i^H>+w_M<A,{\stackrel{\&RightArrow;}{X}}_i^M>+w_L<A,{\stackrel{\&RightArrow;}{X}}_i^L>+w_{\mathrm{ic}}<A,{\stackrel{\&RightArrow;}{X}}_i^{\mathrm{ic}}>}{w_H\left|X_i^H\right|+w_M\left|X_i^M\right|+w_L\left|X_i^L\right|+w_{\mathrm{ic}}\left|X_i^{\mathrm{ic}}\right|}$

其中A是所述聚合的异常向量，Y_i表示缺陷/故障模式，X_i表示规则“i”，w_h、w_m、w_l和w_ic是加权系数，以及X_i ^H、X_i ^M、X_i ^L和X_i ^ic是规则X_i的子规则。

9.如权利要求1所述的方法，其中，所述识别步骤包括：

计算反驳证据的测量R，其量化未命中缺陷/故障模式的证据的量值。

10.一种用于诊断压缩机的系统，所述系统包括：

配置成接收有关所述压缩机的测量数据的接口；以及

配置成接收所述测量数据的处理器，并且所述处理器配置成

基于所述测量数据生成所述压缩机的特征向量，所述压缩机的所述特征向量包括描述所述压缩机的多种部件的状态的分量，

基于模糊约束确定与所述特征向量对应的聚合的异常向量，

检索所述压缩机的可能缺陷/故障模式的预设列表的规则，

计算所述聚合的异常向量与所述规则之间的确证测量，以及

基于所述确证测量的结果来识别所述压缩机的缺陷/故障模式。

Images