CN104737084B - 用于基于传感器数据的涡轮系统诊断的结构 - Google Patents

用于基于传感器数据的涡轮系统诊断的结构 Download PDF

Info

Publication number
CN104737084B
CN104737084B CN201380054302.0A CN201380054302A CN104737084B CN 104737084 B CN104737084 B CN 104737084B CN 201380054302 A CN201380054302 A CN 201380054302A CN 104737084 B CN104737084 B CN 104737084B
Authority
CN
China
Prior art keywords
component
model
sensing data
failure
diagnostic machine
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.)
Expired - Fee Related
Application number
CN201380054302.0A
Other languages
English (en)
Other versions
CN104737084A (zh
Inventor
Y.蒙
D.G.太古奇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Siemens AG
Original Assignee
Siemens AG
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Siemens AG filed Critical Siemens AG
Publication of CN104737084A publication Critical patent/CN104737084A/zh
Application granted granted Critical
Publication of CN104737084B publication Critical patent/CN104737084B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G05B23/0208—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the configuration of the monitoring system
    • G05B23/0213—Modular or universal configuration of the monitoring system, e.g. monitoring system having modules that may be combined to build monitoring program; monitoring system that can be applied to legacy systems; adaptable monitoring system; using different communication protocols

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
  • Wind Motors (AREA)

Abstract

一种诊断涡轮系统的方法，包括：接收所述涡轮系统的第一部件的传感器数据(303a)；识别所述第一部件的模式(307a)；将所述传感器数据和所述第一部件的模式输入基于第一模型的诊断机(311a)和数据驱动诊断机(313a)，以产生第一部件诊断(315a)；接收所述涡轮系统的第二部件的传感器数据(303x)；识别所述第二部件的模式(307x)；将所述传感器数据和所述第二部件的模式输入基于第二模型的诊断机(311x)和数据驱动诊断机(313x)，以产生第二部件诊断(315x)；产生用于所述第一部件诊断和所述第二部件诊断的部件抽象(317)；以及将所述部件抽象输入基于系统模型的诊断机(319)，以产生所述涡轮系统的第一诊断(321)。

Description

用于基于传感器数据的涡轮系统诊断的结构
相关申请的交叉引用
本申请要求于2012年9月17日提交的美国临时申请No.61/701813的优先权，该申请的公开内容作为引用并入本文。
技术领域
本发明涉及基于传感器的诊断，更具体地，涉及一种基于传感器数据诊断涡轮系统的系统。
背景技术
涡轮是旋转机械装置，其将能量从流体流中提取出，并将其转变为有用功。流体可以是液体或气体。涡轮是具有至少一个移动零件(称为转子组件)的涡轮机，转子组件是附接有叶片的轴或鼓。移动的流体作用在叶片上，使得它们移动并对转子施加转动能。
涡轮示例包括蒸汽轮机、燃气轮机、跨音速轮机、对旋涡轮、无定子涡轮、陶瓷涡轮、有罩涡轮、无罩涡轮、无叶片涡轮、水轮机和风力涡轮。
作为示例，风力涡轮在已知为风力的过程中将来自风的动能(还称为风能)转变为机械能。大的风力涡轮并网阵列变成越来越重要的风力产生的商业用电的来源。
图1风力涡轮系统100的示例。风力涡轮系统100可包括叶片1、转子2、叶片节距3、制动器4、低速轴5、齿轮箱6、发生器7、控制器8、风速计9、风向标10、短舱11、高速轴12、偏航驱动器13、偏航电机14和塔15。
图2是涡轮系统诊断的示例。尽管图2示出风力涡轮系统210作为处于诊断的系统，但是所示诊断方法可应用于大部分涡轮系统。
如图2所示，监控和诊断系统220可接收风力涡轮系统210的系统模型以及来自风力涡轮系统210的传感器250的传感器数据240。风力涡轮系统210的系统模型230可包括系统部件的模型、部件如何连接的说明、系统的预期/意外行为以及系统的已知故障。模型数据还可由风力涡轮系统210提供。传感器250可直接联接到系统部件或策略地放置。监控和诊断系统220可输出诊断260以用于视觉显示器270。
诊断系统可以基于模型或数据驱动。基于模型的系统依靠系统模型、系统部件如何连接、它们如何预期工作等。数据驱动的系统可仅基于传感器数据进行诊断。
系统模型包括关联模型(dependency model)，比如Qualtech Systems的可测试性工程与维持系统(TEAMS)、DSI International的e'Xpress和“G2；A Graph ProcessingSystem for Diagnosing Distributed Systems,”Gou et al.,2011(G2)；逻辑模型，比如命题可满足性(SAT)、通信顺序进程(CSP)、可满足性模理论(SMT)、逻辑程序设计语言、描述逻辑(DL)和回答集编程(ASP)；以及混合模型，比如混合诊断机制(HyDE)。
可通过使用专家系统来检测系统模型，专家系统是比如G2和航天器健康推理机制(SHINE),数据驱动方法、逻辑模型(比如SAT、CSP、逻辑程序设计语言、DL和ASP)和混合模型(比如HyDE)。
发明内容
根据本发明的示例性实施例，一种诊断涡轮系统的方法包括：接收涡轮系统的第一部件的传感器数据；识别第一部件的模式；将传感器数据和第一部件的模式输入基于第一模型的诊断机和数据驱动诊断机中，以产生第一部件诊断；接收涡轮系统的第二部件的传感器数据；识别第二部件的模式；将传感器数据和第二部件的模式输入基于第二模型的诊断机和数据驱动诊断机中，以产生第二部件诊断；产生用于第一部件诊断和第二部件诊断的部件抽象(component abstraction)；以及将部件抽象输入基于系统模型的诊断机中，以产生涡轮系统的第一诊断。
第一部件的传感器数据由一个或多个传感器提供。
通过结合基于第一模型的诊断机和数据驱动模型的结果来产生第一部件诊断。
基于系统模型的诊断机使用非单调推理(non-monotonic reasoning)。
基于系统模型的诊断机包括由可满足性模理论表述的模型。
基于系统模型的诊断机操纵分立和连续的行为。
该方法还包括：接收涡轮系统的第三部件的传感器数据；识别第三部件的模式；将传感器数据和第三部件的模式输入基于第三模型的诊断机和数据驱动诊断机中，以产生第三部件诊断；产生用于第三部件诊断的部件抽象；以及将用于第三部件诊断的部件抽象输入基于系统模型的诊断机，以产生涡轮系统的第二诊断。
并行地诊断第一和第二部件。
根据本发明的示例性实施例，一种用于诊断涡轮系统的系统包括：存储装置，用于存储程序；与存储装置连通的处理器，处理器利用程序操作成：接收涡轮系统的第一部件的传感器数据；识别第一部件的模式；将传感器数据和第一部件的模式输入基于第一模型的诊断机和数据驱动诊断机中，以产生第一部件诊断；接收涡轮系统的第二部件的传感器数据；识别第二部件的模式；将传感器数据和第二部件的模式输入基于第二模式的诊断机和数据驱动诊断机中，以产生第二部件诊断；产生用于第一部件诊断和第二部件诊断的部件抽象；以及将部件抽象输入基于系统模型的诊断机中，以产生涡轮系统的第一诊断。
第一部件的传感器数据由一个或多个传感器提供。
通过结合基于第一模型的诊断机和数据驱动模型的结果来产生第一部件诊断。
基于系统模型的诊断机使用非单调推理。
基于系统模型的诊断机包括由可满足性模理论表述的模型。
基于系统模型的诊断机操纵分立和连续的行为。
处理器还利用程序操作成：接收涡轮系统的第三部件的传感器数据；识别第三部件的模式；将传感器数据和第三部件的模式输入基于第三模型的诊断机和数据驱动诊断机中，以产生第三部件诊断；产生用于第三部件诊断的部件抽象；以及将用于第三部件诊断的部件抽象输入基于系统模型的诊断机，以产生涡轮系统的第二诊断。
并行地诊断第一和第二部件。
根据本发明的示例性实施例，一种用于诊断涡轮系统的计算机程序产品包括：非暂时性计算机可读存储介质，具有包含其中的计算机可读程序代码，计算机可读程序代码包括：构造成执行以下步骤的计算机可读程序代码：接收涡轮系统的第一部件的传感器数据；识别第一部件的模式；将传感器数据和第一部件的模式输入基于第一模型的诊断机和数据驱动诊断机中，以产生第一部件诊断；接收涡轮系统的第二部件的传感器数据；识别第二部件的模式；将传感器数据和第二部件的模式输入基于第二模型的诊断机和数据驱动诊断机中，以产生第二部件诊断；产生用于第一部件诊断和第二部件诊断的部件抽象；以及将部件抽象输入基于系统模型的诊断机中，以产生涡轮系统的第一诊断。
附图说明
图1是风力涡轮系统的示例；
图2是涡轮系统诊断的示例；
图3是根据本发明的示例性实施例的涡轮系统诊断结构；
图4是说明图3的诊断方法的示意图；以及
图5是可实施根据本发明的示例性实施例的计算机系统。
具体实施方式
本发明涉及一种涡轮系统诊断结构。本发明的涡轮系统诊断结构可应用于所有涡轮系统，包括并不限于蒸汽轮机、燃气轮机、跨音速轮机、对旋涡轮、无定子涡轮、陶瓷涡轮、有罩涡轮、无罩涡轮、无叶片涡轮、水轮机和风力涡轮。
图3是根据本发明的示例性实施例的涡轮系统诊断结构。
如图3所示，传感器数据303a在诊断系统处被接收，并被确认305a。传感器数据303a由与涡轮系统的多个部件的一部件(例如第一部件)连接的传感器提供。例如，传感器可以是命令传感器、用于监控温度、压力流等的测量传感器。传感器数据可包括处于不同时间间隔的数值。传感器数据303a被确认成它们输出的数据可信。例如，所述确认保证比如振动或天气的东西不会影响稍后由诊断系统说明的传感器值。
第一部件的模式可被识别307a。部件模式可考虑部件或整体系统的功能的不同阶段：例如，在到达工作阶段(又称“在线”)之前，涡轮经历“起动”，在起动期间，其速度到达正常速度，在正常速度下，功率输出是最优的。功能模式影响诊断机，因为部件在每个模式中的作用方式不同。进来的被确认的传感器数据303a可以被持续监控309a。
被确认的传感器数据303a及其对应模式307a(如果有的话)被提供给基于模型的诊断机311a和数据驱动诊断机313a。基于模型的诊断机311a是单部件模型，并专用于第一部件。基于模型的诊断机311a可以从领域专家处获得，并被形式化为描述系统应当如何执行、其应当遵循的限制因素等的一组逻辑规则。例如，对于压力阀，可以说，当其打开时，其下游的压力会增加。任何其它读数意味着发生故障。基于模型的机器可识别发生的故障(比如在先前示例中)，并可通过识别可能产生故障的部件来诊断该故障。一些系统甚至可提供可修复该状况的可能的诊断步骤。
数据驱动机313a可从标注为故障或正常的传感器数据中认识到，并且作为输出，可产生这种故障或正常结果用于不可见的传感器数据。
与对传感器数据303a执行的过程并行，传感器数据303x在诊断系统处被接收，并被确认305x。传感器数据303x由与涡轮系统的多个部件的另一部件(例如第二部件)连接的传感器提供。第二部件的模式可以被确认307x，进来的被确认的传感器数据303x可被持续监控309x。
基于模型的诊断机311a和数据驱动诊断机313a的输出315a被提供给部件抽象模块317。类似地，基于模型的诊断机311x和数据驱动诊断机313x的输出315x被提供给部件抽象模块315。
尽管上述描述仅讨论了输入到部件抽象模块317的两个部件输出315a和315x，但是在部件抽象模块317处接收的部件输出的数量不限于此，并且可以更多。而且，这些输出不必并行地接收，而可以在不同时刻接收。
响应于部件诊断315a和315x的接收，部件抽象模块317旨在通过不考虑单独部件及其行为来改进诊断。实现该目的的一种方式是去除对于所考虑系统来说不重要的区别。例如，可忽略连接到阀的输入和输出的两个管道而仅得到阀。
部件抽象模块317的输出被提供给基于模块的诊断机319，系统诊断321从诊断机输出。
为了帮助说明该诊断方法，现在讨论水箱问题(WAP)。图4是说明WTP的示意图。在此有两个箱，左箱410和右箱411。单个水龙头412可自由地在每个箱之间移动，以用水填充两个箱。每个箱在底部具有损失水的孔。左箱410以v1的速率损失水，而右箱411以v2的速率损失水。水龙头412以速率w填充任一箱。为了简化，假设v1＝v2＝v且w>v。称为“开关”的命令可用于移动水龙头以切换箱。
传感器x1是监控左箱10状态的布尔传感器，而传感器x2是监控右箱411状态的布尔传感器。当它们各自箱中的水位增加时，传感器x1和x2记录“1”，当它们各自箱中的水位降低时，它们记录“0”。
现在假设在时刻1，x1的值为“1”，x2的值为“0”。这表明水龙头412正在填充左箱410。假设“开关”命令在时刻1和时刻2之间发出，在时刻2，x1和x2的值仍分别为“1”和“0”，x1和x2的值现在被认为是不正常的，因为在开关之后，系统期望x1为“0”，x2为“1”。在该情景下，水龙头412在左箱410上方困住。然而，因为没有用于水龙头412的传感器，所以不能直接观察到该问题，由此需要进行诊断。
基于模型的机器使用非单调推理，可用于一起检查x1和x2的状态。x2减小而不增加的事实可表明，右箱411发生故障，例如，由于泄漏。然而，当结合x1增加而不减小的事实，可确定，水龙头412发生故障。能够表述这种模型的形式示例是可满足性模理论(SMT)。相对于经典一阶逻辑中表述的背景理论的组合，SMT是逻辑式的判定问题。例如，使用SMT的优点包括操纵分立和连续的行为的能力。
如本领域技术人员所明白的，本发明的各方面可实现为一种系统、方法或计算机程序产品。相应地，本发明的各方面可采取完全硬件实施例、完全软件实施例(包括固件、常驻软件、微代码等)或结合软件和硬件方面的实施例(可在本文中均总体上指代为“电路”、“模块”或“系统”)的形式。而且，本发明的各方面可采取实现在一个或多个计算机可读介质(具有实现在其上的计算机可读程序代码)中的计算机程序产品的形式。
可使用一个或多个计算机可读介质的任意组合。计算机可读介质可以是计算机可读信号介质或计算机可读存储介质。计算机可读存储介质可以是但并不限于例如电子、磁、光学、电磁、红外或半导体系统、设备或装置或者前述的任何合适组合。计算机可读存储介质的更特定示例(非穷尽列表)可包括以下：具有一个或多个线的电连接、便携式计算机软盘、硬盘、随机存储器(RAM)、只读存储器(ROM)、可擦可编程只读存储器(EPROM或闪存)、光纤、便携式只读光盘(CD-ROM)、光学存储装置、磁存储装置或前述的任何合适组合。在本文件中，计算机可读存储介质可以是任何有形介质，其可容纳或存储通过或结合指令执行系统、设备或装置使用的程序。
计算机可读信号介质可包括具有实现在其中的计算机可读程序代码的传送数据信号，例如基带或作为载波的一部分。这种传送信号可采取许多形式中的任一，包括但并不限于电磁、光学或其任何合适组合。计算机可读信号介质可以是不为计算机可读存储介质的任何计算机可读介质，其可发送、传送或传输通过或结合指令执行系统、设备或装置使用的程序。
实现在计算机可读介质中的程序代码可以使用恰当的介质传输，包括但并不限于无线、有线、光纤电缆、RF等或者前述的任何合适组合。
实施本发明各方面的操作的计算机程序代码可以一个或多个程序设计语言中的任何组合来写入，包括面向对象的程序设计语言，比如Java、Smalltalk、C++等和常规程序设计语言，比如“C”程序设计语言或类似的程序设计语言。程序代码可完全在用户计算机上执行、部分地在用户计算机上执行、作为独立的软件包执行、部分地在用户计算机上且部分地在远程计算机上执行或者完全在远程计算机或服务器上执行。在后面的情景下，远程计算机可经由任何类型的网络连接到用户计算机，包括局域网(LAN)或广域网(WAN)或外部计算机使用的连接(例如，使用因特网服务提供商经由因特网)。
参考根据本发明实施例的方法、设备(系统)和计算机程序产品的流程图和/或框图来描述本发明的各方面。应理解，流程图和/或框图的每个框以及流程图和/或框图中的框组合可由计算机程序指令执行。这些计算机程序指令可被提供给通用计算机、专用计算机或其它可编程数据处理设备的处理器，以产生一机器，使得经由计算机或其它可编程数据处理设备的处理器执行的指令创建用于实施流程图和/或框图方框中指定的功能/作用的方式。
这些计算机程序指令还可存储在计算机可读介质中，计算机可读介质引导计算机、其它可编程数据处理设备或其它装置发挥作用，使得存储在计算机可读介质中的指令产生包括实施流程图和/或框图方框中指定的功能/作用的指令的项目或制成品。
计算机程序指令还可加载在计算机、其它可编程数据处理设备或其它装置中，以使在计算机、其它可编程数据处理设备或其它装置上执行一系列操作步骤，以产生计算机执行过程，使得在计算机或其它可编程设备上执行的指令提供实施流程图和/或框图方框中指定的功能/作用的工艺。
现在参见图5，根据本发明的示例性实施例，特别地，计算机系统501可包括中央处理单元(CPU)502、存储器503和输入/输出(I/O)接口504。计算机系统501通常经由I/O接口联接到显示器505和各种输入装置506，比如鼠标和键盘。辅助电路可包括比如缓冲存储器、电源、同步脉冲电路和通信总线的电路。存储器503可包括RAM、ROM、磁盘驱动器、磁带机等或者其组合。本发明的示例性实施例可实施为存储在存储器503中且由CPU 502执行以处理来自信号源508的信号的例行程序507。就本身而言，计算机系统501是通用计算机系统，当执行本发明的例行程序时，其变为专用计算机系统。
计算机系统501还包括操作系统和微指令代码。本文描述的各种工艺和功能可以是微指令代码的一部分或经由操作系统执行的应用程序(或其组合)的一部分。此外，各种其它外围装置(比如额外的数据存储装置和打印装置)可连接到计算机系统501。
附图中的流程图和框图示出根据本发明各实施例的系统、方法和计算机程序产品的可能实施方式的结构、功能和操作。在这方面，流程图或框图中的每个框可表示代码的模块、区段或部分，代码包括一个或多个可执行指令，用于实施指定逻辑功能。还应注意，在一些替代实施例中，方框中注释的功能可不以附图中注释的顺序发生。例如，事实上，连续显示的两个框可基本上同时执行，或者所述框有时可以相反顺序执行，这取决于所涉及的功能。还应注意，框图和/或流程图的每个框及框图和/或流程图的框组合可通过基于专用硬件的系统来实施，基于专用硬件的系统执行指定功能或动作，或者专用硬件和计算机指令的组合。
本文使用的术语仅用于描述特定实施例的目的，并不意在限制本发明。如本文所使用的，单数形式“一个”及其变体意在还包括复数形式，除非文中另有明确说明。还应理解，在本说明书中使用时，术语“包括”及其变体指定存在陈述的特征、整数、步骤、操作、元件和/或部件，但是并不排除存在或添加一个或多个其它特征、整数、步骤、操作、元件、部件和/或其群组。
下面权利要求中的所有方式或步骤及功能元件的对应结构、材料、动作和等同物意在包括与权利要求中指定的其它所要求元件组合执行功能的任何结构、材料或动作。本发明的说明书已呈现用于说明和描述的目的，并不意在以所公开的形式穷举或限制本发明。在不脱离本发明的范围和精神的情况下，本领域技术人员可以进行许多修改和变形。实施例选择和描述成最好地释放本发明的原理和实践应用，并使本领域技术人员理解本发明的具有各种修改的各种实施例适于设想的特定用途。

Claims (16)

1.一种诊断涡轮系统的方法，包括：
使用与第一部件连接的传感器接收所述涡轮系统的第一部件的传感器数据；
识别所述第一部件的功能模式；
将所述传感器数据和所述第一部件的模式输入基于第一模型的诊断机和数据驱动诊断机中，以产生第一部件诊断，基于模型的诊断机是单部件模型，并专用于第一部件，并被形式化为描述涡轮系统应当如何执行的一组逻辑规则，并识别发生的故障，通过识别可能产生故障的部件来诊断该故障，数据驱动诊断机从标注为故障或正常的传感器数据中认识到，并作为输出产生这种故障或正常结果；
使用与第二部件连接的传感器接收所述涡轮系统的第二部件的传感器数据；
识别所述第二部件的功能模式；
将所述传感器数据和所述第二部件的模式输入基于第二模型的诊断机和数据驱动诊断机中，以产生第二部件诊断，基于模型的诊断机是单部件模型，并专用于第二部件，并被形式化为描述涡轮系统应当如何执行的一组逻辑规则，并识别发生的故障，通过识别可能产生故障的部件来诊断该故障，数据驱动诊断机从标注为故障或正常的传感器数据中认识到，并作为输出产生这种故障或正常结果；
产生用于所述第一部件诊断和所述第二部件诊断的部件抽象；
其中，部件抽象通过去除对于所考虑涡轮系统来说不重要的相应部件的区别而不考虑单独及其行为来改进诊断；
将所述部件抽象输入基于系统模型的诊断机中，以产生所述涡轮系统的第一诊断。
2.如权利要求1所述的方法，其中，所述第一部件的传感器数据由一个或多个传感器提供。
3.如权利要求1所述的方法，其中，通过结合所述基于第一模型的诊断机和数据驱动诊断机来产生所述第一部件诊断。
4.如权利要求1所述的方法，其中，所述基于系统模型的诊断机使用非单调推理。
5.如权利要求4所述的方法，其中，所述基于系统模型的诊断机包括由可满足性模理论表述的模型。
6.如权利要求5所述的方法，其中，所述基于系统模型的诊断机操纵分立和连续的行为。
7.如权利要求1所述的方法，还包括：
接收所述涡轮系统的第三部件的传感器数据；
识别所述第三部件的模式；
将所述传感器数据和所述第三部件的模式输入基于第三模型的诊断机和数据驱动诊断机中，以产生第三部件诊断；
产生还用于所述第三部件诊断的部件抽象；以及
将用于所述第三部件诊断的部件抽象还输入基于系统模型的诊断机，以产生所述涡轮系统的第二诊断。
8.如权利要求1所述的方法，其中，并行地诊断第一和第二部件。
9.一种用于诊断涡轮系统的系统，包括：
存储装置，用于存储程序；
处理器，与所述存储装置连通，所述处理器利用所述程序操作成：
使用与第一部件连接的传感器接收所述涡轮系统的第一部件的传感器数据；
识别所述第一部件的功能模式；
将所述传感器数据和所述第一部件的模式输入基于第一模型的诊断机和数据驱动诊断机中，以产生第一部件诊断，基于模型的诊断机是单部件模型，并专用于第一部件，并被形式化为描述涡轮系统应当如何执行的一组逻辑规则，并识别发生的故障，通过识别可能产生故障的部件来诊断该故障，数据驱动诊断机从标注为故障或正常的传感器数据中认识到，并作为输出产生这种故障或正常结果；
使用与第二部件连接的传感器接收所述涡轮系统的第二部件的传感器数据；
识别所述第二部件的功能模式；
将所述传感器数据和所述第二部件的模式输入基于第二模式的诊断机和数据驱动诊断机中，以产生第二部件诊断，基于模型的诊断机是单部件模型，并专用于第二部件，并被形式化为描述涡轮系统应当如何执行的一组逻辑规则，并识别发生的故障，通过识别可能产生故障的部件来诊断该故障，数据驱动诊断机从标注为故障或正常的传感器数据中认识到，并作为输出产生这种故障或正常结果；
产生用于所述第一部件诊断和所述第二部件诊断的部件抽象，
其中，部件抽象通过去除对于所考虑涡轮系统来说不重要的相应部件的区别而不考虑单独及其行为来改进诊断；以及
将所述部件抽象输入基于系统模型的诊断机中，以产生所述涡轮系统的第一诊断。
10.如权利要求9所述的系统，其中，所述第一部件的传感器数据由一个或多个传感器提供。
11.如权利要求9所述的系统，其中，通过结合所述基于第一模型的诊断机和数据驱动诊断机来产生所述第一部件诊断。
12.如权利要求9所述的系统，其中，所述基于系统模型的诊断机使用非单调推理。
13.如权利要求12所述的系统，其中，所述基于系统模型的诊断机包括由可满足性模理论表述的模型。
14.如权利要求13所述的系统，其中，所述基于系统模型的诊断机操纵分立和连续的行为。
15.如权利要求9所述的系统，其中，所述处理器还利用所述程序操作成：
接收所述涡轮系统的第三部件的传感器数据；
识别所述第三部件的模式；
将所述传感器数据和所述第三部件的模式输入基于第三模型的诊断机和数据驱动诊断机中，以产生第三部件诊断；
产生还用于所述第三部件诊断的部件抽象；以及
将用于所述第三部件诊断的部件抽象还输入基于系统模型的诊断机，以产生所述涡轮系统的第二诊断。
16.如权利要求9所述的系统，其中，并行地诊断第一和第二部件。
CN201380054302.0A 2012-09-17 2013-09-17 用于基于传感器数据的涡轮系统诊断的结构 Expired - Fee Related CN104737084B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201261701813P 2012-09-17 2012-09-17
US61/701,813 2012-09-17
PCT/US2013/060086 WO2014043672A1 (en) 2012-09-17 2013-09-17 Architecture for turbine system diagnosis based on sensor data

Publications (2)

Publication Number Publication Date
CN104737084A CN104737084A (zh) 2015-06-24
CN104737084B true CN104737084B (zh) 2018-01-12

Family

ID=49305110

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201380054302.0A Expired - Fee Related CN104737084B (zh) 2012-09-17 2013-09-17 用于基于传感器数据的涡轮系统诊断的结构

Country Status (6)

Country Link
US (1) US20150253768A1 (zh)
EP (1) EP2895928B1 (zh)
JP (1) JP2015535900A (zh)
KR (1) KR20150056818A (zh)
CN (1) CN104737084B (zh)
WO (1) WO2014043672A1 (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6243940B2 (ja) * 2016-03-07 2017-12-06 株式会社日立パワーソリューションズ 風力発電システムの異常予兆診断システム
EP3239684A1 (en) 2016-04-29 2017-11-01 Siemens Aktiengesellschaft Fault diagnosis during testing of turbine unit
WO2018004623A1 (en) * 2016-06-30 2018-01-04 Intel Corporation Sensor based data set method and apparatus
IT201700045152A1 (it) * 2017-04-26 2018-10-26 Nuovo Pignone Tecnologie Srl Metodo e sistema per operazioni di modellazione di un impianto fisico
KR102097595B1 (ko) * 2019-05-29 2020-05-26 한국기계연구원 풍력발전기 진단방법
JP7381861B2 (ja) 2019-11-29 2023-11-16 富士通株式会社 複合モデル生成プログラム及び方法、並びに情報処理システム
KR102466891B1 (ko) * 2022-09-30 2022-11-15 (주)원프랜트 양수발전 시스템의 양수터빈 고장 진단 장치 및 방법

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1966955A (zh) * 2005-11-18 2007-05-23 通用电气公司 燃气涡轮发动机部件品质的以模型为基础的迭代法评价
CN101646982A (zh) * 2006-12-15 2010-02-10 通用电气丰克智能平台有限公司 用于监视系统健康的方法和装置

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE60236351D1 (de) * 2001-03-08 2010-06-24 California Inst Of Techn Raumzeitliche echtzeit-kohärenzschätzung zur autonom-modusidentifikation und invarianzverfolgung
US7925476B2 (en) * 2008-01-24 2011-04-12 Microsoft Corporation Model-based theory combination
US9477224B2 (en) * 2008-12-12 2016-10-25 General Electric Company Physics-based lifespan modeling
EP2287685B1 (en) * 2009-07-23 2015-07-15 Siemens Aktiengesellschaft Method for monitoring operation behaviour of a component of an industrial plant

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1966955A (zh) * 2005-11-18 2007-05-23 通用电气公司 燃气涡轮发动机部件品质的以模型为基础的迭代法评价
CN101646982A (zh) * 2006-12-15 2010-02-10 通用电气丰克智能平台有限公司 用于监视系统健康的方法和装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Gas-turbine condition monitoring using qualitative model-based diagnosis;Louise Trave-Massuyes 等;《IEEE EXPERT》;19970601;第12卷(第3期);论文第22-31页 *

Also Published As

Publication number Publication date
US20150253768A1 (en) 2015-09-10
KR20150056818A (ko) 2015-05-27
EP2895928A1 (en) 2015-07-22
EP2895928B1 (en) 2018-10-31
JP2015535900A (ja) 2015-12-17
WO2014043672A1 (en) 2014-03-20
CN104737084A (zh) 2015-06-24

Similar Documents

Publication Publication Date Title
CN104737084B (zh) 用于基于传感器数据的涡轮系统诊断的结构
Jaramillo et al. Condition monitoring of distributed systems using two-stage Bayesian inference data fusion
Edwards et al. Fault diagnosis of rotating machinery
Console et al. Model-based diagnosis in the real world: lessons learned and challenges remaining
JP6088131B2 (ja) タービン性能診断システム及び方法
KR102097595B1 (ko) 풍력발전기 진단방법
Xu et al. Global contextual multiscale fusion networks for machine health state identification under noisy and imbalanced conditions
Amin et al. Vibration based fault diagnostics in a wind turbine planetary gearbox using machine learning
Gangsar et al. Online diagnostics of mechanical and electrical faults in induction motor using multiclass support vector machine algorithms based on frequency domain vibration and current signals
Miguelánez et al. Predictive diagnosis for offshore wind turbines using holistic condition monitoring
Valikhani et al. Inverse modeling of wind turbine drivetrain from numerical data using Bayesian inference
Amin et al. Wind turbine gearbox fault diagnosis using cyclostationary analysis and interpretable CNN
CN105928648A (zh) 光纤光栅式水下动态扭矩测量装置及方法
Schumann et al. Towards software health management with Bayesian networks
White Expert systems for fault diagnosis of machinery
Chen et al. Time to failure estimation based on degradation model with random failure threshold
Huang et al. A novel multi-scale competitive network for fault diagnosis in rotating machinery
Przystupa Diagnostic equivalent for widespread manufacturing system
Ham et al. Extension of TACOM to the complexity of tasks designed for abnormal situations in nuclear power plants
Funk et al. Case-Based Experience Reuse and Agents for Efficient Health Monitoring, Preventive, and Corrective Actions
WO2022176730A1 (ja) 診断システム、診断方法およびプログラム
Syed Mohd Syafiq Development of sensor-based machinery vibration assessment system for effective faults diagnostic in condition based maintenance using machine learning/Syed Mohd Syafiq Syed Mahmud
Gofuku A consideration to display operator support information to human operators under high mental pressure
Bos et al. SCOPE: An intelligent maintenance system for supporting crew operations
Chen et al. Development of an Online Fault-Diagnostic-System Based on STM32 for Actuators

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
EXSB Decision made by sipo to initiate substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20180112

Termination date: 20200917