CN107111311A - 利用稀疏编码方法的燃气涡轮机传感器故障检测 - Google Patents

利用稀疏编码方法的燃气涡轮机传感器故障检测 Download PDF

Info

Publication number
CN107111311A
CN107111311A CN201580061174.1A CN201580061174A CN107111311A CN 107111311 A CN107111311 A CN 107111311A CN 201580061174 A CN201580061174 A CN 201580061174A CN 107111311 A CN107111311 A CN 107111311A
Authority
CN
China
Prior art keywords
sensor
data
sensor reading
reading
residual error
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.)
Granted
Application number
CN201580061174.1A
Other languages
English (en)
Other versions
CN107111311B (zh
Inventor
S.T.吴
袁超
A.查克拉博尔蒂
M.埃文斯
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
Siemens Energy Inc
Original Assignee
Siemens Power Generations Inc
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 Power Generations Inc filed Critical Siemens Power Generations Inc
Publication of CN107111311A publication Critical patent/CN107111311A/zh
Application granted granted Critical
Publication of CN107111311B publication Critical patent/CN107111311B/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
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D3/00—Indicating or recording apparatus with provision for the special purposes referred to in the subgroups
    • G01D3/08—Indicating or recording apparatus with provision for the special purposes referred to in the subgroups with provision for safeguarding the apparatus, e.g. against abnormal operation, against breakdown
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis

Abstract

用于识别（和/或预测）在监测燃气涡轮机中使用的传感器的故障的方法和系统将稀疏编码过程应用于收集的传感器读数，并将来自稀疏编码过程的L‑1范数残差定义为指示潜在的传感器问题。执行对剩余的传感器读数的群组的进一步评估，以对群组进行分类，并确定是否存在显著的离群值（异常数据），与噪声数据相比，它们将被认为更可能与故障传感器相关联。将时间成分引入到评估中，该评估将当前的异常结果与一组在先的结果进行比较，并且如果大量在先的读数也具有异常值，则作出故障传感器确定。通过将时间成分纳入考虑，减少了误报的数量。

Description

利用稀疏编码方法的燃气涡轮机传感器故障检测
对相关申请的交叉引用
本申请要求于2014年9月10日提交的美国临时申请序号62/048,588的权益，并且该美国临时申请通过引用结合于本文中。
技术领域
本发明涉及对用于发电网络中的燃气涡轮机的监控，以及如下方法，即：所述方法用于提高检测用于监测涡轮机性能的任何传感器的故障的能力，包括预测特定传感器的故障的能力。
背景技术
化石燃料的高效利用在维持稳定的电力网络方面是至关重要的。将这种类型的燃料转化成电能的一种特别高效的方法是燃气涡轮机。燃气涡轮机部件在非常高的温度环境中和多种负载条件下操作。由于热疲劳和磨损导致的零部件的劣化是一个真正的问题。进行维护以检测和控制磨损，以及根据需要来修理或更换磨损的零部件，以继续确保高效的操作。
燃气涡轮机的性能通常通过使用评估其操作的各个方面（即，功率传感器、温度传感器、压力传感器等）的多种不同的传感器来监测。不幸的是，传感器读数本身趋于是相对嘈杂的，因此有时难以知道传感器是否正常操作。
在现有技术中已有多种方法被用于研究检测故障传感器的问题。例如，一种方法监测传感器读数中的三种特定类型的错误，即：短路故障、恒定故障和噪声故障。已经进行了采用主成分分析（PCA）在传感器读数中搜索“故障传感器”签名（或特征）的传统统计方法。
在燃气涡轮机传感器中执行故障检测的这些和其他方法使用基于阈值的方法。也就是说，如果特定的传感器读数高于给定的阈值，则传感器被声明为“故障”。虽然可行，但这种方法并没有考虑传感器的工作环境的时间成分（time component）。此外，由于在一些传感器读数中可能存在大的噪声分量，所以阈值方法可能难以辨别噪声数据和故障传感器之间的差异。因此，这种基于阈值的方法可能产生大量的误报（false positive），这可被转化成对传感器的非必要的检查，从而中断燃气涡轮机的执行。
发明内容
本发明解决了现有技术中依然存在的需要，本发明涉及对在发电网络中使用的燃气涡轮机的监控，以及如下方法，即：所述方法用于提高准确地检测传感器故障的能力，包括预测特定传感器的故障的能力。
根据本发明，使用稀疏编码过程来分析传感器读数。稀疏编码方法被认为非常适合于此任务，这是因为目的在于从大量收集的正常传感器读数中识别出最少量的“故障传感器”读数。来自稀疏编码过程的残差被定义为潜在的异常传感器读数，并被进一步处理，以将时间因素引入到分析中，并作出将残差定义为“噪声数据”或“故障传感器”的决定。
本发明的过程的稀疏编码部分由两个主要部分组成：（1）字典学习；以及（2）异常检测，这是通过计算所收集的数据在由字典学习定义的坐标空间内的表示，并将在字典的向量空间内不符合的数据定义为异常。根据本发明，异常（残差）采取超过正常操作范围的传感器读数的形式。在本发明的一个优选实施例中，使用L-1范数来定义残差（而不是常规的L-2范数），这是因为L-1范数（也称为“最小绝对偏差”或“最小绝对误差”值）较少可能产生误报结果，而这在研究典型的噪声燃气涡轮机传感器读数时是一个问题。
后处理函数被用于评估通过稀疏编码识别的残差，并确定哪些（如果存在）指示故障传感器。一种示例性后处理方法采用一类支持向量机（SVM）来创建该组残差的模型。另一种后处理方法基于残差组的特定值来形成阈值。在任一情况下，将一组基于时间的读数与正在使用的模型进行比较，并且如果随时间收集的足够量的数据符合标准，则声明“故障传感器”检测到。然后，将“传感器故障”消息发送给负责燃气涡轮机维护的人员，从而识别要修理或更换的特定传感器。
在一个实施例中，本发明采取一种用于基于从至少一个传感器收集的读数来检测燃气涡轮机传感器故障的方法的形式，该方法包括：（1）创建基向量的字典，所述基向量为正常操作状态限定与已知传感器读数相关联的值；（2）使用所创建的字典，将稀疏编码过程应用于一组传感器读数数据，以识别一组L-1范数残差数据；（3）评估所述L-1范数残差数据，以便将最大值的L-1范数残差数据的预定子集分类为异常传感器读数；（4）将所述异常传感器读数与多个在先的传感器读数进行比较，并且如果预定数量的所述在先的传感器读数也被指定为异常传感器读数，则将指定的异常传感器读数定义为与传感器故障相关联；（5）向燃气涡轮机人员传送识别特定传感器的传感器故障信号；以及（6）将故障传感器从服务中移除，并修理或更换故障传感器。
在另一个实施例中，本发明被描述为一种用于检测燃气涡轮机传感器的故障的系统，该系统包括如下部件：（1）传感器读数的数据库；（2）与传感器读数的所述数据库通信的传感器监测系统部件，所述传感器监测系统部件包括程序存储装置和处理器，所述程序存储装置在固定的有形介质中实施一组程序指令，所述一组程序指令可通过所述处理器执行，以执行以下方法步骤：（a）创建基向量的字典，所述基向量为正常操作状态限定与已知传感器读数相关联的值；（b）使用所创建的字典，将稀疏编码过程应用于一组传感器读数数据，以识别一组L-1范数残差数据；（c）评估所述L-1范数残差数据，以便将最大值的L-1范数残差数据的预定子集分类为异常传感器读数；（d）将所述异常传感器读数与多个在先的传感器读数进行比较，并且如果预定数量的所述在先的传感器读数也被指定为异常传感器读数，则将指定的异常传感器读数定义为与传感器故障相关联；以及（e）向燃气涡轮机人员传送传感器故障信号，包括识别故障传感器的信息，以便进行维修或更换；以及（3）用于存储分类为异常的传感器读数的监测系统数据库。
在本发明的又一个实施例中，通过稀疏编码过程评估的传感器读数可被用于预测即将发生的传感器故障（与已发生故障的情况相反）。
在下面的论述过程期间并且通过参照附图，本发明的其他和进一步的方面和实施例将变得显而易见。
附图说明
现在参照附图，其中，相同的附图标记在几个视图中都表示相同的部分：
图1是一个示例性燃气涡轮机环境的简化描绘，在该示例性燃气涡轮机环境内，可以使用本发明的检测故障传感器的系统和方法；
图2是本发明的一个示例性过程的流程图，该示例性过程可以被用于评估所收集的传感器读数，并且确定一个或多个传感器是否出现故障并需要被修理或更换；
图3是通过将L-2范数应用于稀疏编码过程所计算的残差的示图，其图示了与使用L-2范数来检测传感器故障相关联的问题；
图4是通过将L-1范数应用于稀疏编码过程的根据本发明的教导来计算的残差的示图；
图5是如下方法的流程图，即：所述方法用于使用一类支持向量机（SVM）模型方法来评估L-1范数残差，以确定哪些残差是适当地“异常”并指示传感器的故障；以及
图6是用于评估L-1范数残差并检测传感器故障的存在的一种替代性方法的流程图。
具体实施方式
图1是具有发电机2的典型的燃气涡轮机发电厂1的简化描绘，该发电机2供应工厂电负载3。发电机2通过轴4驱动，该轴4通过燃气涡轮发动机5来供能。燃气涡轮发动机5本身包括大量的单独部件，包括压缩机5.1、燃烧部段5.2、涡轮机5.3以及可能的一组可调整的入口叶片5.4。
燃料通过阀6供应到燃烧部段5.2。为了维持燃气涡轮机发电厂1的可接受的操作，使用若干个传感器7来监测各部件的操作，将测量的传感器读数传递到单独的控制模块8。控制模块8可以与燃气涡轮机发电厂1位于一处，或者可以离开涡轮机本身。在图1的示图中，传感器7包括燃烧室入口空气传感器7.1、燃烧温度传感器7.2和叶片路径温度传感器7.3。应当理解的是，还有更多的传感器被用于监测燃气涡轮机的性能，测量例如温度、压力、旋转、振动之类的状态。实际上，有可能的是，接近200个不同的传感器可以与给定的燃气涡轮机发电厂一起使用。
控制模块8接收来自传感器7的输入，并将控制信号传送到如在本领域中已知的阀、马达和致动器。在具有本领域中已知的相关联的硬件和软件的一个或多个位置，控制器可以包括一个或多个处理器。
由于燃气涡轮机的性能取决于精确的传感器读数，因此能够识别传感器何时开始发生故障并且输送不准确的读数是非常重要的。如上所述，理解传感器行为的一个重要方面包括辨别一次故障读数（其可能是由于各种环境因素，并且因此可以被忽略）和一系列持续的故障读数（其在表现上可能更微妙）的能力，这是因为后一种情况更可能是由发生故障并且需要更换的传感器造成。此外，如上所述，通过燃气涡轮机传感器收集的典型的模拟传感器读数趋于包括相对较大的噪声成分，从而限制了区分“噪声数据”和“故障传感器”的能力。
与使用基本的阈值传感器读数作为“警报”的各种现有技术形成对比，本发明的方法对传感器读数的时间序列数据集进行分析。使用稀疏编码技术来导出适当地表征可接受的传感器读数的域的字典，其中，落在基向量（称为“残差（residual）”）的限定边界之外的任何读数被分类为潜在问题。创建残差的模型并将其用于确定是否存在作为时间的函数的足够的异常读数以将状况（circumstance）定义为“故障传感器”。
因此，根据本发明，控制模块8的能力被扩展到包括可以利用的传感器监测系统10，如下面详细论述的，以分析所收集的传感器读数并寻找传感器读数的任何揭示内情的变化，这些变化是特定传感器的故障的指示器，或者可以合理地预测在接下来的几天内可能发生传感器故障。如下面将要详细论述的，传感器监测系统10包括所有历史传感器读数（其可回溯若干年）的数据库12；实际上，该数据库可以形成常规控制模块8的一部分。传感器监测系统10包括具有存储器16和处理器18的处理器部件14，这些元件被用于执行传感器读数数据的实际评估并监测传感器本身的性能。然后，采取“异常”传感器读数的警报的形式的来自传感器监测系统10的输出被工厂人员用于决定传感器是否需要更换或修理。如图1所示的传感器监测系统10的具体架构被认为仅是示例性的，硬件和软件部件的各种其他配置可被配置成执行如下详细描述的本发明的方法。
图2是本发明的一个示例性过程的流程图，该示例性过程可被传感器监测系统10用于评估所收集的传感器读数并确定一个或多个传感器是否出现故障并且需要进行修理或更换。
如步骤200中所示，通过收集实际的传感器读数数据并将数据存储在之后可以检索和分析它的元件中，该过程开始。例如，假定图1的控制器8包括执行这些功能的存储器元件和处理能力。一旦数据被收集，初步步骤就可涉及“预处理”传感器读数（步骤210），以便去除否则将会歪曲分析结果的明显的离群值（outlier）和冗余数据。虽然该预处理步骤不被认为是强制性的（并且在流程图中被示出为虚线框），但在本发明的优选实施例中，它被使用以便以高效的方式达到准确的解决方案。
步骤220与对所收集的数据集执行“稀疏编码”的实际过程相关联。如下面将更详细地论述的，稀疏编码包括定义可用于精确地表示数据集（在这种情况下，精确地表示传感器读数）的一组基向量。称为“残差”的在稀疏编码向量空间内不适合的少量数据点是可能带噪声或以其他方式与故障传感器相关联的那些数据。虽然可以使用各种不同的向量范数来确定数据落在向量空间之外的水平，但归因于传感器读数的噪声数据最适合于使用L-1范数（即，最小绝对偏差范数）。
然后，进一步评估在步骤220中识别的残差，以最终确定数据点仅仅是噪声数据，还是真正与故障传感器相关联。下一步骤（在图2的流程图中示出为步骤230）将残差分成两组：用作训练集的第一组和用作测试集的第二组。如下面将论述的，随后使用训练残差来开发适当的模型，用于评估残差组，并确定用于将少数最大残差定义为与传感器的“异常”操作相关联的极限（步骤240）。
一旦已识别出模型的参数，然后就使通过对测试数据进行稀疏编码处理而产生的残差通过该模型（步骤250），其中，执行比较，并且判定当前被测试的“残差”是否落在模型内，或者落在模型之外（步骤260）。落在模型之外的那些残差随后被识别为“异常”，标记为如此并被存储在存储器中供进一步使用。
在过程中的这一点处引入分析的时间成分。在发现“异常”数据点的情况下，该过程中的下一步骤（步骤270）是复查若干个先前的时间点上的数据点，并且看看是否有相当数量的这些数据点也已被识别为“异常”。同样，此时可以使用不同的措施来评估在给定的时间段内需要找到的“异常”读数的数量。
如果作为时间的函数的传感器读数数据的显著比例继续被标记为“异常”（步骤280），则判定相关联的传感器可能是故障的并且需要评估实际的装置（步骤290）。否则，当前的“异常”读数被保留在存储器元件中，并且继续监测传感器读数的过程（步骤300）。应当理解的是，如图2的流程图中概述的过程在传感器故障发生之前预测传感器故障方面也是有用的，这是因为当传感器开始失效时，传感器读数数据可能开始劣化并产生较大数量的残差。
下面的论述包括稀疏编码技术的简要概述，特别是当它应用于本发明的燃气涡轮机/传感器环境时，继之以对两种不同的后处理技术的论述，这两种不同的后处理技术可被用于开发模型来分析残差并将时间因素引入到分析中。然后，接下来是将本发明的方法应用于实际的燃气涡轮机传感器读数的一个示例。
“稀疏编码”过程总体上涉及用于找到输入信号（在这种情况下，为采取燃气涡轮机传感器读数的形式的输入信号）的简洁表示的一类算法。特别地，作为信号分析技术的稀疏编码是用于学习以高效的方式来表示数据的超完备基（over-complete base）（有时也称为一组基向量）的集合的方法的一部分。“稀疏”是指当大多数变换系数（除了几个大系数之外）近似为零时存在的非零成分的有限数量。根据本发明，正在研究的数据是时间序列传感器读数（针对每个传感器收集的不同数据集）。与用于研究燃气涡轮机传感器数据的常规技术（例如上文提到的PCA方法等）相反，稀疏编码提供了供基向量更好地捕捉输入数据（因为它是基向量的超完备集）中的结构和模式（以及异常）的能力。稀疏编码允许将给定的输入数据集X表示为字典中的一个或多个基向量的线性组合。
根据本发明，故障传感器读数被定义为“异常”，并且能够通过利用具有异常检测的稀疏编码过程来计算。稀疏编码由两个主要部分组成，即字典学习部分以及用于通过形成“字典空间”的基向量来表示输入数据的坐标部分。对于字典学习部分，解决以下优化问题：
（1）
施加的约束，以确保字典D不会任意增大，以便达到X的小范数。字典学习问题中的第一项是“重建”项（即，通过一组基向量来表示数据），并且包括第二项以促进表达中的稀疏度（作为α的选定值的函数）。
该优化问题在D和X上是双凸的；也就是说，当一个变量固定时，剩余的优化问题是一个凸优化问题。因此，结果就是通过以交替方式求解每个变量使得保证收敛到最优解来提供可接受的结果，并且例如交替方向乘子方法（ADDM）之类的方法被认为是优选的（或者也相对稳健并且能够提供任意规模的数据优化的其他方法）。最终，获得可用于将传感器读数数据定义为基向量的线性组合的基向量的字典D。可以利用任何合适的字典学习算法，包括基于实际数据来实时建立向量的在线学习字典。此外，一种优选的方法是使用k-means算法来找到适当的数据聚类的中心，从而使用该中心来初始化过程，而不是使用任意值来初始化字典。这种技术被认为提高学习过程的收敛速度。
该字典可以被认为是可接受的传感器读数的域，其中，任何进入的“正常值”的读数可以被精确地表达为基向量的线性组合。根据本发明，该字典与稀疏编码过程结合使用，以监测相关联的传感器的性能，并检测落在字典空间之外的传感器读数（这些读数称为“残差”，并且在下面的论述中表示为E）的存在。也就是说，对于给定的字典D，通过使用以下关系来相对于字典D评估进入的传感器读数，本发明的过程继续进行，即：
, （2）
其中，是矩阵X的每行的L-2范数的和，并且是矩阵X的每列的L-1范数残差的和，而α和β是小的正标量。这种方法也被称为“多量测向量”（MMV）方法。项为“残差”，并且被用于确定进入的传感器数据是否离群超出接受值，使得传感器需要被评估为可能“出现故障”。监测人员可以使用β因子来调整将所选的传感器读数识别为残差的灵敏度水平。
如图所示，L-1范数被用于定义该“残差”，而不是用于异常检测的常规的L-2范数。这是因为L-2范数产生相当数量的大残差（并且作为结果，在故障传感器方面产生大量误报）。当评估可能包含大噪声因子的数据时，为下面定义的数据点值的和的L-1范数被认为是一种优选的量度，并且目标是能够辨别噪声误差和异常传感器读数之间的差异。如所论述的，使用L-1范数促进残差中的稀疏度，以及提供对数据的更好的拟合。对比之下，如果在处理噪声数据时使用L-2范数（这就是此处燃气涡轮机传感器数据的情况），则所得到的残差将趋于非常多并且相对较大（而不是优选的较小残差值）。
图3和图4图示了在创建残差时使用L-2范数（如图3所示）和L-1范数（如图4所示）之间的结果的差异。很明显，L-2范数导致将相当大量的数据点识别为“残差”，这可能导致非期望数量的误报“故障传感器”报警。另一方面，通过使用L-1范数产生的残差更少并且要明显得多。下面将详细地描述与这些图相关的“实验”描述细节。
回到本发明的方法的论述，式（2）中提出的问题通过应用ADMM优化技术来解决。在这种情况下，采取一组残差Ek的形式的解是超出范数的范围并且可与传感器的故障操作相关联的一组传感器读数。如以下列表中所示，MMV算法（如上论述双凸变量D和X时所论述的）被改变，使得当以迭代的方式来更新残差E（下面的步骤3）时，常规的收缩算子（如下面的步骤2中所使用的）被逐元素的“软阈值”算子代替。所述软阈值是仍然尽可能干净地分割数据的修改过程，但引入“松弛”变量，该“松弛”变量修改最大余量并允许创建一些错误标记的数据。以下列表详细地示出了用于计算稀疏编码的L-1残差的算法，其中，正下方包括的表格定义了算法中包含的参数：
参数 定义
Z 辅助变量
E 残差
M 拉格朗日乘数
μ 惩罚系数（控制与ADMM形成中的等式约束相关联的惩罚）
ρ(ρ>1) ADMM算法中更新μ的参数
ϵ 用于测量Z到X的接近度以终止算法的误差宽容度
用于计算稀疏编码的L-1残差的算法
（待分析为可能指示潜在的传感器故障的残差）
求解：,
输入：信号，字典
初始化：设定
重复直到收敛：
1. ，其中，L是增广拉格朗日式（Augmented-Lagrangian）并且被定义如下：
2. ，其中
。该优化问题可以通过使用行收缩算子来解决，即：
3. ，其中。此优化问题可以通过使用逐元素的软阈值算子来解决，其中
4.
5.
6.
7. 停止，如果
输出: Ek。
定义为“残差”的通过该算法产生的Ek的值是与燃气涡轮机传感器的故障操作相关联的潜在数据点。回顾图2的流程图，产生的残差是来自步骤220的输出。为了评估这些残差并将时间成分纳入考虑，根据本发明可以利用至少两种不同的方法。
在第一种方法中，训练残差被用于使用径向基函数（RBF）核来学习一类支持向量机（SVM）模型。一般来说，SVM模型与学习算法结合使用，以分析数据（在这种情况下为残差）并识别模式。SVM建立单独类别的模型，并且其后将新到达的数据分配到适当的类别中。如本文所使用的，“一类”SVM仅创建单一类别，并用于评估新到达的数据，并且确定该数据是否属于该类别。为了提高SVM算法的效率，可以使用训练残差的抽样而不是完整的集合。然后，将SVM的“一类”模型应用于新到达的残差。在该模型中，大多数的残差数据将落入到所创建的模型的边界中，从而仅留下相对较少的值作为“离群值”。然后，将这些离群值定义为可促进对传感器本身的进一步评估的“异常”传感器读数。实际上，异常读数可能表示传感器故障已经发生，或者替代地，可以被用作传感器开始失效并需要注意的预测。
为了减少误报的数量，提出了复查先前T个时间步骤的传感器读数数据。如果经复查的数据的高百分比（表示为p％）也被定义为异常（根据产生的一类SVM模型），则当前数据点被定义为警报可能的“故障传感器”。
图5的流程图概述了传感器故障检测的这个示例性过程。该流程图假定正在复查特定传感器的数据，并清理数据以去除小于最大传感器读数值的20%的离群值和读数。
通过从各燃气涡轮机传感器收集原始数据（该数据被存储在控制器8的存储器部件内，如上所述），该过程开始于步骤500。为论述起见，假定与涡轮机的产生的输出功率（MW）相关联的传感器正被评估。如步骤510中所示，数据优选地被预处理，以消除与该参数不相关联的传感器，以及其数据与功率传感器输出不强相关的任何传感器。
一旦经过预处理，剩余的数据就经受如上所述的稀疏编码过程。如图5所示，该过程开始于首先为该数据构建基向量的字典（步骤520），并且随后，将如式（2）中所示的具有异常检测的稀疏编码算法应用于传感器读数数据，从而由该数据计算L-1范数残差（步骤530）。虽然在步骤520中可以使用构建字典的各种方法，但以高效方式收敛的优选过程包括使用k-means算法找到聚类的中心（步骤524）并以这些“中心”值初始化字典（526）来聚集数据的步骤（步骤522）。一旦构建，就在步骤530的稀疏编码过程中使用该字典，以识别L-1范数残差。一旦识别，随后就进一步评估L-1范数残差，包括对数据进行基于时间的复查，以确定这些残差中的哪些是指示故障传感器的真实的“异常”传感器读数。
参照图5，可以首先对该组L-1范数残差进行抽样（步骤540），以减少在分析的其余部分中包含的数据点的数量。该步骤是可选的，但被认为提高在下面的步骤550中所使用的SVM算法的效率。实际上，SVM算法随后将抽样的残差组用作“训练数据”，并构建合适的一类模型，该模型其后被用于将新到达的残差分类为属于类内或属于类外（为当前目的定义为“异常”的离群数据）。
为了验证所开发的一类模型（并且如图2的一般流程图中所示）的精度，使一组测试数据通过该一类SVM模型。参照图5，处理测试数据（步骤600）以计算其L-1残差的集合（使用在步骤520中构建的字典）。然后，使L-1残差的测试数据集通过在步骤550中创建的SVM模型（如步骤610所示）。收集并存储被识别为“异常”（即，在步骤620处的评估期间处于SVM模型的边界之外）的任何数据点（步骤630）。
根据本发明，现在引入与分析相关联的时间因素，其中，在步骤640中执行对一组先前T个时间步骤的数据的复查（“T”是由执行分析的个人所确定的值）。然后，在步骤650处作出决定，其中，如果先前T个时间步骤的超过p%也包括“异常”数据点（同样，p是用户选择的值），则相关联的传感器被定义为可能“故障”，并且对实际传感器的评估是适当的（步骤660）。否则，如果先前T个时间步骤的小于p%没有这些异常读数，则可以得出结论，当前的异常读数可归因于噪声读数、杂散误差（spurious error）等；在任何情况下，如果不超过p%的阈值，则可以假定传感器正常操作，并且不需要进一步的评估（步骤670）。
代替使用一类SVM模型，可以将稀疏编码方法（利用L-1范数指定残差）与其他类型的分析相结合，以进一步研究残差数据，并确定是否有任何数据可能与相关传感器的故障性能相关联。图6是一种如下替代性分析过程的流程图，即：其中，在这种情况下，使用阈值分析代替一类SVM模型，以确定进入的传感器读数是否指示故障传感器。如图6的流程图中所示，该过程中的初始步骤与图5中所示的相同；即，对训练数据进行预处理（步骤510），构建基向量的字典（步骤520），并利用稀疏编码过程（步骤530）来计算一组L-1残差。
一旦计算了与训练数据相关联的残差，通过分析在训练数据中识别的残差的集合，并为群组确定适当的阈值，使得超过阈值的任何值将被指定为“异常”数据点，如图6所示的过程就在步骤700处继续。该阈值对于所有传感器而言可以是一致的，或者可以在逐个传感器的基础上定义。例如，可以使用95%的阈值，使得5%的最大残差值被定义为“异常”，并且忽略其余的残差。
在该过程中的这一点处，使用与在步骤520中构建的相同的字典，并执行步骤530所例示的相同的稀疏编码过程，接下来确定测试数据的L-1残差（步骤710）。一旦计算了测试数据的L-1残差，就将它们与在步骤700中定义的阈值进行比较（在步骤720中）。如果给定的测试数据残差小于阈值（在决定725处），则在步骤730中将该数据指定为“噪声”数据（或指示不需要进一步研究的某种相似类型的指定）。
假定步骤725中的阈值测试的结果是肯定的，则将上述阈值残差指定为“异常”并存储（如步骤740中所示）。此时引入分析的时间方面，并且复查先前T2个时间步骤的数据（步骤750）。然后，在随后的步骤760中做出决定，其中，如果T2个先前结果的q%都高于阈值，则确定当前数据点指示传感器故障，并且对传感器本身的进一步调查是必要的（步骤770）。否则，如果在决定步骤760处没有超过阈值，则将当前数据点标记为“噪声”（或类似的指定），并且复查过程继续。
应当注意的是，在如图6中概述的过程的一个优选实施例中，使用q=100的值，从而在请求将特定传感器评估为可能有缺陷之前要求将所有过去的T2个值都指定为“异常”。
在检测故障燃气涡轮机传感器中使用的稀疏编码的详细示例
在确定检测传感器故障的本发明的稀疏编码方法的精度的实验方法中，研究给定的燃气涡轮机的一组历史数据。传感器数据MW是指示是否机器仍在运行并且读数是连续的实值的传感器。数据被预处理如下：（1）去除明显的离群值和其他值小于MW输出的最大值的20%的数据点；（2）进行特征选择，以去除与MW读数无关的冗余传感器（及其数据）（例如，使用“ROC下面积（area under ROC）”标准）；以及（3）去除与MW呈弱线性相关关系的所有其余的传感器。最终，一组15个传感器留下用于进一步的评估。
与剩余的15个传感器相关联的数据集被分成两组，第一组用作训练数据，并且第二组用作测试数据。假定训练数据是无错误的。在训练数据的随机选择的位置处引入随机误差（在这种情况下，呈上升斜坡（increasing ramp）的形式）。
如在图2、图5和图6的流程图中概述的过程被用于处理数据，其中，在将稀疏编码算法应用于数据和计算的残差时，在式（2）中使用α=0.001和β=0.01的值。对用于定义“异常”数据（即，潜在故障传感器）的一类SVM模型和阈值方法二者进行了评估。对于一类SVM模型，使用3000个训练残差的抽样集来形成模型。对于SVM模型的基于时间的成分，选择p=50的值，并且使用T=50的值（即，需要过去50个时间步骤的数据的至少50%为“异常”以声明故障传感器的可能性）。对于阈值评估过程，选择q=100的值，并与T2=24一起使用（即，过去24个时间步骤的残差的100%必须高于阈值，以将当前数据点指定为“异常”并指示故障传感器的可能性）。
如上所述，本发明的一个重要方面是使用L-1范数来计算残差，而不是通常与稀疏编码过程一起使用的L-2范数。一般来说，数据集（显示为矩阵中的向量）的“范数”可以被定义如下：
对于L-1范数（其中j=1），该关系简化为以下：
并且通常被称为“最小绝对偏差”（LAD）或“最小绝对误差”（LAE）。相比之下，L-2可以被表达为：
常规的欧几里德“距离”量度。
由于燃气涡轮机传感器所收集的数据可能包括相对较大的噪声成分，因此确定L-1范数对于这种不期望的信息将不如L-2范数那么敏感。为比较起见，也使用L-2范数准备一组计算。现在参照上述图3和图4，其中，这两个图图示了当使用L-1范数时获得的结果的改进。图3是稀疏编码过程的结果的示图，其示出了作为L-2残差的相对大量的尖峰。对比之下，图4（基于根据本发明使用L-1范数）的示图包含数量少得多的残差。显然，L-2范数产生更多的尖峰，这使得检测实际传感器读数中的小偏差的能力更难以检测，在实际传感器读数中，该微妙的数据可能更多地指示传感器故障并且对于本发明的目的而言更重要。
此外，为了比较起见，还产生了忽略了对“异常”数据进行最终确定的时间成分的一组结果。在下表中，这组结果被标示为“基线算法”。在表中，残差（异常）通过“+”表示，并且正常数据表示为“-”。特定的表格形式以正常数据被错误地分类为异常的情况以及异常被错误地分类为正常数据的情况（使用表头“预测”和“实际”）的形式示出“误报”。
通过回顾上表，显然当与基线方法相比时，本发明的两种方法（SVM模型和阈值）都提供了改进的结果（以较低数量的误报方面）。总共十个随机时间点的更完整的一组结果（包括使用L-2和L-1范数二者在每种情况下计算的值）在本说明书的附录中示出。附录中包括的完整的一组结果进一步表明，在每种情况下，使用L-1范数代替L-2范数提供了更精确的结果，从而验证了选择L-1范数是更好的操作。
上述方法可以通过计算机执行的程序模块来实现，如上所述。一般来说，程序模块包括执行特定任务或实现特定抽象数据类型的例程、对象、组件、数据结构等。如本文所使用的术语“程序”可以包含单个程序模块或协同作用的多个程序模块。本公开可以在多种类型的计算机上实现，包括个人计算机（PC）、手持设备、多处理器系统、基于微处理器的可编程消费电子产品、网络PC、小型计算机、大型计算机等。本公开还可以被用在分布式计算环境中，其中任务由通过通信网络链接的远程处理设备执行。在分布式计算环境中，模块可能位于本地和远程的存储设备中。
用于实现上述方法的一个示例性处理模块可以硬连线或存储在单独的存储器中，该存储器从诸如ROM或其他类型的硬磁驱动器、光存储、磁带或闪存驱动器之类的计算机可读介质被读取到处理器或多个处理器的主存储器中。在程序存储在存储器介质中的情况下，模块中的指令序列的执行使处理器执行本文所述的过程步骤。本公开的实施例不限于硬件和软件的任何特定组合，并且实现前述所需的计算机程序代码可以由本领域普通技术人员开发。
如本文所用的术语“计算机可读介质”是指提供或参与向一个或多个处理器提供指令的任何有形的机器编码介质。例如，计算机可读介质可以是一个或多个光或磁存储盘、闪存驱动器和卡、通常构成主存储器的只读存储器或随机存取存储器，例如DRAM等。这样的介质不包括传播的信号，这些信号是无形的。缓存信息被认为存储在计算机可读介质上。计算机可读介质的常见方法是本领域中公知的，并且这里无需详细描述。
前面的详细描述应被理解为在各方面都是说明性和示例性的，而不是限制性的，并且本文中的公开的范围不应由描述确定，而是由根据专利法所允许的全部广度来解释的权利要求确定。应当理解的是，在不脱离本公开的范围和精神的情况下，本领域技术人员将实现各种修改。
附录 - 对残差的影响；将L-2范数与L-1范数进行比较
在时间指标51010处选择的随机点
在时间指标23189处选择的随机点
在时间指标76725处选择的随机点
在时间指标80117处选择的随机点
在时间指标89904处选择的随机点
在时间指标56385处选择的随机点
在时间指标78503处选择的随机点
在时间指标56711处选择的随机点
在时间指标31449处选择的随机点
在时间指标102457处选择的随机点

Claims (20)

1.一种用于基于从至少一个传感器收集的读数来检测燃气涡轮机传感器故障的方法，包括：
创建基向量的字典，所述基向量为正常操作状态限定与已知传感器读数相关联的值；
将稀疏编码过程应用于一组传感器读数数据，使用所创建的字典，以识别一组L-1范数残差数据；
评估所述L-1范数残差数据，以将最大值的L-1范数残差数据的预定子集分类为异常传感器读数；
将所述异常传感器读数与多个在先的传感器读数进行比较，并且如果预定数量的所述在先的传感器读数也被指定为异常传感器读数，则将指定的异常传感器读数定义为与传感器故障相关联；
向燃气涡轮机人员传送识别特定传感器的传感器故障信号；以及
将故障传感器从服务中移除，并修理或更换故障传感器。
2.如权利要求1所述的方法，其特征在于，在创建所述字典时执行以下步骤：
将所述传感器读数数据组织成多个聚类；
使用k-means算法，确定每个聚类的中心；以及
用所确定的每个聚类的中心来初始化所述字典。
3.如权利要求1所述的方法，其特征在于，所述稀疏编码过程执行以下关系：
其中，D是创建的字典，X是所述多个传感器读数，E是L-1范数残差，并且α和β是小的正标量。
4.如权利要求3所述的方法，其特征在于，最小化函数执行以下迭代步骤：
a.，其中，L是增广拉格朗日式并且被定义如下：
b.
其中，
，使用行收缩算子：
c.，其中，
并且，其中，
d.
e.
f.
g. 停止，如果
其中，Ek被定义为一组L-1范数残差数据，Z是辅助变量，M是拉格朗日乘数，μ是惩罚系数，ρ是用于更新μ的参数，并且ϵ是用于测量Z到X的接近度以终止算法的误差宽容度。
5.如权利要求1所述的方法，其特征在于，在执行评估步骤时，创建一类支持向量机模型，并且将每个残差分类为属于类中或处于类外，处于类外的L-1范数残差定义为异常传感器读数。
6.如权利要求5所述的方法，其特征在于，对所述一组L-1范数残差数据进行抽样，以在创建一类SVM模型之前减小数据集的大小。
7.如权利要求5所述的方法，其特征在于，在执行比较步骤时，复查多个在先的时间步骤数据，并且如果所述多个在先的时间步骤数据中的p%也被指定为异常传感器读数，则作出传感器故障确定。
8.如权利要求7所述的方法，其特征在于，p的值至少等于50。
9.如权利要求1所述的方法，其特征在于，通过定义阈值百分比，并且将超过定义的阈值的所有值定义为异常传感器读数数据，来评估所述L-1范数残差数据。
10.如权利要求9所述的方法，其特征在于，在执行比较步骤时，复查多个在先的时间步骤数据，并且如果所述多个在先的时间步骤数据中的q%也被指定为异常传感器读数，则作出传感器故障确定。
11.一种用于检测燃气涡轮机传感器的故障的系统，包括：
传感器读数的数据库；
与传感器读数的所述数据库通信的传感器监测系统部件，所述传感器监测系统部件包括程序存储装置和处理器，所述程序存储装置在固定的有形介质中实施一组程序指令，所述一组程序指令可通过所述处理器执行，以执行以下方法步骤：
创建基向量的字典，所述基向量为正常操作状态限定与已知传感器读数相关联的值；
将稀疏编码过程应用于一组传感器读数数据，使用所创建的字典，以识别一组L-1范数残差数据；
评估所述L-1范数残差数据，以将最大值的L-1范数残差数据的预定子集分类为异常传感器读数；
将所述异常传感器读数与多个在先的传感器读数进行比较，并且如果预定数量的所述在先的传感器读数也被指定为异常传感器读数，则将指定的异常传感器读数定义为与传感器故障相关联；以及
向燃气涡轮机人员传送传感器故障信号，包括识别故障传感器的信息，以便进行维修或更换；
用于存储分类为异常的传感器读数的监测系统数据库。
12.如权利要求11所述的系统，其特征在于，当通过所述处理器执行时，可执行程序指令还指示所述处理器执行创建基向量的字典的步骤，这是通过：
将所述传感器读数数据组织成多个聚类；
使用k-means算法，确定每个聚类的中心；以及
用所确定的每个聚类的中心来初始化所述字典。
13.如权利要求10所述的系统，其特征在于，当通过所述处理器执行时，所述可执行程序指令还指示所述处理器执行应用稀疏编码过程的步骤，这是通过：
其中，D是创建的字典，X是所述多个传感器读数，E是L-1范数残差，并且α和β是小的正标量。
14.如权利要求13所述的系统，其特征在于，当通过所述处理器执行时，所述可执行程序指令还指示所述处理器通过执行以下迭代来执行稀疏编码残差检测最小化，即：
a.，其中，L是增广拉格朗日式并且被定义如下：
b. ，
其中，
，使用行收缩算子：
c.
其中，
并且，其中，
d.
e.
f.
g. 停止，如果
其中，Ek被定义为一组L-1范数残差数据，Z是辅助变量，M是拉格朗日乘数，μ是惩罚系数，ρ是用于更新μ的参数，并且ϵ是用于测量Z到X的接近度以终止算法的误差宽容度。
15.如权利要求10所述的系统，其特征在于，当通过所述处理器执行时，所述可执行程序指令还指示所述处理器在评估步骤中创建一类支持向量机模型，其中每个L-1范数残差被分类为属于类中或处于类外，处于所创建的类外的L-1范数残差定义为异常传感器读数。
16.如权利要求15所述的系统，其特征在于，当通过所述处理器执行时，所述可执行程序指令还指示所述处理器通过复查多个在先的时间步骤数据来执行比较步骤，并且如果所述多个在先的时间步骤数据中的p%也被指定为异常传感器读数，则作出传感器故障确定。
17.如权利要求10所述的系统，其特征在于，当通过所述处理器执行时，所述可执行程序指令还指示所述处理器执行评估所述L-1范数残差的步骤，这是通过定义阈值百分比，并且将超过定义的阈值的所有值定义为异常传感器读数数据。
18.如权利要求17所述的系统，其特征在于，当通过所述处理器执行时，所述可执行程序指令还指示所述处理器通过复查多个在先的时间步骤数据来执行比较步骤，并且如果所述多个在先的时间步骤数据中的q%也被指定为异常传感器读数，则作出传感器故障确定。
19.一种用于基于从至少一个传感器收集的读数来预测燃气涡轮机传感器的故障的方法，包括：
创建基向量的字典，所述基向量为正常操作状态限定与已知传感器读数相关联的值；
将稀疏编码过程应用于一组传感器读数数据，使用所创建的字典，以识别一组L-1范数残差数据；
评估所述L-1范数残差数据，以将最大值的L-1范数残差数据的预定子集分类为异常传感器读数；
将所述异常传感器读数与多个在先的传感器读数进行比较，并且如果预定数量的所述在先的传感器读数也被指定为异常传感器读数，则将指定的异常传感器读数定义为与预测的传感器故障相关联；以及
向燃气涡轮机人员传送识别传感器的消息，用于潜在的维修或更换。
20.如权利要求19所述的用于预测燃气涡轮机传感器的故障的方法，其特征在于，所述稀疏编码过程执行以下关系：
其中，D是创建的字典，X是所述多个传感器读数，E是L-1范数残差，并且α和β是小的正标量。
CN201580061174.1A 2014-09-10 2015-09-03 利用稀疏编码方法的燃气涡轮机传感器故障检测 Expired - Fee Related CN107111311B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201462048588P 2014-09-10 2014-09-10
US62/048588 2014-09-10
PCT/US2015/048265 WO2016040082A1 (en) 2014-09-10 2015-09-03 Gas turbine sensor failure detection utilizing a sparse coding methodology

Publications (2)

Publication Number Publication Date
CN107111311A true CN107111311A (zh) 2017-08-29
CN107111311B CN107111311B (zh) 2020-01-14

Family

ID=54186277

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201580061174.1A Expired - Fee Related CN107111311B (zh) 2014-09-10 2015-09-03 利用稀疏编码方法的燃气涡轮机传感器故障检测

Country Status (5)

Country Link
US (1) US10557719B2 (zh)
EP (1) EP3191797B1 (zh)
KR (1) KR101955305B1 (zh)
CN (1) CN107111311B (zh)
WO (1) WO2016040082A1 (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108828402A (zh) * 2018-04-26 2018-11-16 广东电网有限责任公司 一种高压电缆故障诊断的方法
CN110858063A (zh) * 2018-08-22 2020-03-03 Abb瑞士股份有限公司 监测机器人机械状况的装置和方法
CN112257773A (zh) * 2020-10-19 2021-01-22 重庆邮电大学 基于无线传感器网络多测量向量的机械装备故障诊断方法
CN112970018A (zh) * 2018-11-13 2021-06-15 微软技术许可有限责任公司 传感器下降曲线标识
CN114829879A (zh) * 2019-12-17 2022-07-29 罗伯特·博世有限公司 用于监控传感器系统的方法、计算机程序、电子存储介质和装置
CN116134396A (zh) * 2020-07-16 2023-05-16 应用材料公司 从使用神经网络的聚集统计的异常检测

Families Citing this family (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10378936B2 (en) * 2015-09-04 2019-08-13 International Business Machines Corporation Identification of failed sensors in a system of interconnected devices
KR101765235B1 (ko) * 2016-11-28 2017-08-04 한국건설기술연구원 사물인터넷 기반 센서와 무인비행체를 이용한 시설물 유지관리 시스템 및 그 방법
US9996078B1 (en) * 2017-04-07 2018-06-12 Pratt & Whitney Canada Corp. Pre-emptive fault detection through advanced signal analysis
US20180355797A1 (en) * 2017-06-12 2018-12-13 United Technologies Corporation Nacelle anti-icing troubleshooting for a two valve system
WO2019194698A1 (en) * 2018-04-04 2019-10-10 Siemens Aktiengesellschaft Validation device and method for validating sensor data
EP3722998A1 (en) 2019-04-11 2020-10-14 Teraki GmbH Data analytics on pre-processed signals
US11448570B2 (en) * 2019-06-04 2022-09-20 Palo Alto Research Center Incorporated Method and system for unsupervised anomaly detection and accountability with majority voting for high-dimensional sensor data
CN112131907A (zh) * 2019-06-24 2020-12-25 华为技术有限公司 一种训练分类模型的方法及装置
EP3779620A1 (en) * 2019-08-13 2021-02-17 Siemens Aktiengesellschaft Automatic calculation of measurement confidence in flexi-ble modular plants and machines
GB201919198D0 (en) * 2019-12-23 2020-02-05 Univ Surrey Sensor fault prediction method and apparatus
CN111091159B (zh) * 2019-12-27 2023-03-17 哈尔滨工程大学 一种自主式水下机器人推进器弱故障特征提取方法
CN112098105B (zh) * 2020-08-10 2022-09-20 北京化工大学 基于机匣宽频振动信号的燃气轮机叶片故障监测预警方法
CN111950505B (zh) * 2020-08-24 2023-08-29 湖南科技大学 一种ssa-aann的风力发电机传感器状态评估方法
CN112098850B (zh) * 2020-09-21 2024-03-08 山东工商学院 基于sdo算法的锂离子电池电压故障诊断方法及系统
CN115524150B (zh) * 2022-09-13 2024-04-05 西安交通大学 基于稀疏时域同步平均的旋转机械故障检测方法
CN117389202A (zh) * 2023-12-13 2024-01-12 南京德克威尔自动化有限公司 一种用于智能工厂总线控制io模块

Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS59149513A (ja) * 1983-02-04 1984-08-27 Toshiba Corp 制御系の異常判別方法
US5465321A (en) * 1993-04-07 1995-11-07 The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration Hidden markov models for fault detection in dynamic systems
JP2001350496A (ja) * 2000-06-06 2001-12-21 Victor Co Of Japan Ltd 音声符号化装置及びその方法
US6609036B1 (en) * 2000-06-09 2003-08-19 Randall L. Bickford Surveillance system and method having parameter estimation and operating mode partitioning
US6741919B1 (en) * 2003-02-26 2004-05-25 General Electric Company Methods and apparatus for detecting impending sensor failure
US20050125117A1 (en) * 1995-06-07 2005-06-09 Breed David S. Vehicular information and monitoring system and methods
US20050149297A1 (en) * 2003-12-31 2005-07-07 Valerie Guralnik Principal component analysis based fault classification
WO2006088545A2 (en) * 2005-02-16 2006-08-24 Tokyo Electron Limited Fault detection and classification (fdc) using a run-to-run controller
EP1729243A1 (en) * 2005-05-31 2006-12-06 Honeywell Inc. Fault detection system and method using approximate null space based fault signature classification
US20070124113A1 (en) * 2005-11-28 2007-05-31 Honeywell International, Inc. Fault detection system and method using multiway principal component analysis
CN101153809A (zh) * 2006-09-29 2008-04-02 通用电气公司 用于评估传感器和/或用于控制包括传感器的装置的操作的方法和装置
CN101937207A (zh) * 2010-08-27 2011-01-05 上海交通大学 机械设备状态的智能可视化监测与诊断方法
CN102608446A (zh) * 2010-12-17 2012-07-25 通用电气公司 识别发电系统内故障传感器的系统和方法
CN103020935A (zh) * 2012-12-10 2013-04-03 宁波大学 一种自适应在线字典学习的图像超分辨率方法
CN103295242A (zh) * 2013-06-18 2013-09-11 南京信息工程大学 一种多特征联合稀疏表示的目标跟踪方法
CN103592014A (zh) * 2013-11-06 2014-02-19 重庆工商大学 一种车载称重系统的传感器标定方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB2477324A (en) * 2010-02-01 2011-08-03 Rolls Royce Plc Device monitoring
US9568378B2 (en) * 2013-12-18 2017-02-14 Siemens Energy, Inc. Multi functional sensor system for gas turbine combustion monitoring and control

Patent Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS59149513A (ja) * 1983-02-04 1984-08-27 Toshiba Corp 制御系の異常判別方法
US5465321A (en) * 1993-04-07 1995-11-07 The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration Hidden markov models for fault detection in dynamic systems
US20050125117A1 (en) * 1995-06-07 2005-06-09 Breed David S. Vehicular information and monitoring system and methods
JP2001350496A (ja) * 2000-06-06 2001-12-21 Victor Co Of Japan Ltd 音声符号化装置及びその方法
US6609036B1 (en) * 2000-06-09 2003-08-19 Randall L. Bickford Surveillance system and method having parameter estimation and operating mode partitioning
US6741919B1 (en) * 2003-02-26 2004-05-25 General Electric Company Methods and apparatus for detecting impending sensor failure
US20050149297A1 (en) * 2003-12-31 2005-07-07 Valerie Guralnik Principal component analysis based fault classification
WO2006088545A2 (en) * 2005-02-16 2006-08-24 Tokyo Electron Limited Fault detection and classification (fdc) using a run-to-run controller
EP1729243A1 (en) * 2005-05-31 2006-12-06 Honeywell Inc. Fault detection system and method using approximate null space based fault signature classification
US20070124113A1 (en) * 2005-11-28 2007-05-31 Honeywell International, Inc. Fault detection system and method using multiway principal component analysis
CN101153809A (zh) * 2006-09-29 2008-04-02 通用电气公司 用于评估传感器和/或用于控制包括传感器的装置的操作的方法和装置
CN101937207A (zh) * 2010-08-27 2011-01-05 上海交通大学 机械设备状态的智能可视化监测与诊断方法
CN102608446A (zh) * 2010-12-17 2012-07-25 通用电气公司 识别发电系统内故障传感器的系统和方法
CN103020935A (zh) * 2012-12-10 2013-04-03 宁波大学 一种自适应在线字典学习的图像超分辨率方法
CN103295242A (zh) * 2013-06-18 2013-09-11 南京信息工程大学 一种多特征联合稀疏表示的目标跟踪方法
CN103592014A (zh) * 2013-11-06 2014-02-19 重庆工商大学 一种车载称重系统的传感器标定方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
刘海宁: "基于稀疏编码的设备状态识别及其重型轧辊磨床监测应用", 《知网》 *
李业波 等: "航空发动机传感器故障与部件故障诊断技术", 《北京航空航天大学学报》 *
苗中华 等: "基于稀疏编码的振动信号特征提取算法与实验研究", 《振动与冲击》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108828402A (zh) * 2018-04-26 2018-11-16 广东电网有限责任公司 一种高压电缆故障诊断的方法
CN110858063A (zh) * 2018-08-22 2020-03-03 Abb瑞士股份有限公司 监测机器人机械状况的装置和方法
CN112970018A (zh) * 2018-11-13 2021-06-15 微软技术许可有限责任公司 传感器下降曲线标识
CN114829879A (zh) * 2019-12-17 2022-07-29 罗伯特·博世有限公司 用于监控传感器系统的方法、计算机程序、电子存储介质和装置
CN116134396A (zh) * 2020-07-16 2023-05-16 应用材料公司 从使用神经网络的聚集统计的异常检测
CN116134396B (zh) * 2020-07-16 2024-04-09 应用材料公司 基于使用神经网络的聚集统计的异常检测
CN112257773A (zh) * 2020-10-19 2021-01-22 重庆邮电大学 基于无线传感器网络多测量向量的机械装备故障诊断方法
CN112257773B (zh) * 2020-10-19 2022-06-10 重庆邮电大学 基于无线传感器网络多测量向量的机械装备故障诊断方法

Also Published As

Publication number Publication date
US10557719B2 (en) 2020-02-11
EP3191797A1 (en) 2017-07-19
KR20170045354A (ko) 2017-04-26
WO2016040082A1 (en) 2016-03-17
CN107111311B (zh) 2020-01-14
KR101955305B1 (ko) 2019-03-08
US20180231394A1 (en) 2018-08-16
EP3191797B1 (en) 2018-08-01

Similar Documents

Publication Publication Date Title
CN107111311A (zh) 利用稀疏编码方法的燃气涡轮机传感器故障检测
CN107111309B (zh) 利用监督式学习方法的燃气涡轮机故障预测
EP3809220A1 (en) Method and system for semi-supervised deep anomaly detection for large-scale industrial monitoring systems based on time-series data utilizing digital twin simulation data
CN105992977B (zh) 成套设备的诊断装置和诊断方法
CN106404403B (zh) 用于涡轮机的分析的方法和系统
CN102265227B (zh) 用于在机器状况监视中创建状态估计模型的方法和设备
JP5778305B2 (ja) 異常検知方法及びそのシステム
CN109073508B (zh) 测试涡轮单元期间的故障诊断
CN107710089A (zh) 工厂设备诊断装置以及工厂设备诊断方法
CN110046409A (zh) 一种基于ResNet的汽轮机部件健康状态评估方法
Loboda Neural networks for gas turbine diagnosis
CN113469230A (zh) 一种转子系统深度迁移故障诊断方法、系统及介质
Calabrese et al. An event based machine learning framework for predictive maintenance in industry 4.0
CN114563150B (zh) 桥梁健康在线检测模块生成方法、检测方法、工具箱及装置
Yan et al. Two-stage degradation assessment and prediction method for aircraft engine based on data fusion
Gkerekos et al. Ship machinery condition monitoring using vibration data through supervised learning
KR102557198B1 (ko) 발전 설비의 상태 신호를 이용한 튜브 누설 검출 시스템및 방법
CN114577470A (zh) 用于风机主轴承的故障诊断方法及系统
CN116204825A (zh) 一种基于数据驱动的生产线设备故障检测方法
US11339763B2 (en) Method for windmill farm monitoring
US20230367307A1 (en) Abnormality sign detection system and abnormality-sign detection-model generation method
KR102212022B1 (ko) 양수 수차의 건전성 자동 판정 방법 및 이를 위한 시스템
Cardenas et al. Application of a PCA-based fault detection and diagnosis method in a power generation system with a 2 MW natural gas engine
CN117891684A (zh) 一种嵌入式计算机硬件故障预测方法和系统
CN117689269A (zh) 一种智能手表加工阶段的故障溯源方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for 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

Granted publication date: 20200114

Termination date: 20200903

CF01 Termination of patent right due to non-payment of annual fee