CN108376308A - 用于可靠性监测的系统和方法 - Google Patents

用于可靠性监测的系统和方法 Download PDF

Info

Publication number
CN108376308A
CN108376308A CN201810087842.3A CN201810087842A CN108376308A CN 108376308 A CN108376308 A CN 108376308A CN 201810087842 A CN201810087842 A CN 201810087842A CN 108376308 A CN108376308 A CN 108376308A
Authority
CN
China
Prior art keywords
power plant
data
gis
plant component
component
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
Application number
CN201810087842.3A
Other languages
English (en)
Inventor
姜孝谟
J.科塞达尔
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.)
General Electric Co
Original Assignee
General Electric Co
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 General Electric Co filed Critical General Electric Co
Publication of CN108376308A publication Critical patent/CN108376308A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • 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
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0267—Fault communication, e.g. human machine interface [HMI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
    • Y04S10/52—Outage or fault management, e.g. fault detection or location

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Human Resources & Organizations (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Economics (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Automation & Control Theory (AREA)
  • Health & Medical Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Databases & Information Systems (AREA)
  • Marketing (AREA)
  • Probability & Statistics with Applications (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Remote Sensing (AREA)
  • General Health & Medical Sciences (AREA)
  • Algebra (AREA)
  • Public Health (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Mathematical Analysis (AREA)

Abstract

本发明公开了一种用于可靠性监测的系统和方法。所述方法可包括接收与发电厂或发电厂部件相关联的操作数据；从一个或多个不同发电厂接收训练数据；以及接收与所述发电厂或所述发电厂部件相关联的地理信息系统(GIS)数据。至少部分地基于所述操作数据、所述训练数据和所述GIS数据，所述方法包括确定与所述发电厂或所述发电厂部件的操作相关联的故障概率分数和剩余使用寿命。

Description

用于可靠性监测的系统和方法
技术领域
本发明的实施例大体上涉及发电厂，且更具体地说，涉及用于可靠性监测的系统和方法。
背景技术
发电厂可包括一个或多个发电厂部件，例如涡轮、阀、泵等等。发电厂中的部件故障可导致昂贵的维修和潜在大量的营业收入损失。作为实例，部件故障可造成跳闸和启动故障，且可在维修或更换部件时导致长期断电。
发明内容
某些实施例可包括用于可靠性监测的系统和方法。根据本发明的一个实施例，可提供一种方法。所述方法可包括接收与发电厂或发电厂部件相关联的操作数据。所述方法可进一步包括：从一个或多个不同发电厂接收训练数据(training data)；以及接收与所述发电厂或所述发电厂部件相关联的地理信息系统(GIS)数据。至少部分地基于所述操作数据、所述训练数据和所述GIS数据，所述方法包括确定与所述发电厂或所述发电厂部件的操作相关联的故障概率分数(failure probability score)和剩余使用寿命(remaininglife)。而且，至少部分地基于所述操作数据、所述训练数据和所述GIS数据，所述方法包括检测与所述发电厂或所述发电厂部件的操作相关联的一个或多个异常(anomalies)。所述方法进一步包括：确定所述一个或多个异常的排序(ranking)；生成指示与所述发电厂或所述发电厂部件的所述操作相关联的所述一个或多个异常的警报；以及识别与所述发电厂或所述发电厂部件的所述操作相关联的所述一个或多个异常的至少一个根本原因(rootcause)。所述方法进一步包括识别针对所述发电厂或所述发电厂部件的维修或更换推荐(replacement recommendation)。
其中，检测与所述发电厂或所述发电厂部件相关联的一个或多个异常包括：在实时连续的基础上检测一个或多个异常和/或在离散时间间隔的基础上检测一个或多个异常。
其中，生成指示与所述发电厂或所述发电厂部件的操作相关联的所述一个或多个异常的警报进一步包括：比较所述所确定的故障概率分数与阈值故障概率分数、且比较所述所确定的剩余使用寿命与阈值剩余使用寿命；至少部分地基于所述比较，确定加权因子；以及至少部分地基于所述加权因子，确定所述警报的持续时间和强度。
根据本发明的另一实施例，可提供一种系统。所述系统可包括控制器。所述系统还可包括存储器(memory)，所述存储器具有可由计算机执行以进行操作的指令，所述操作可包括：接收与发电厂或发电厂部件相关联的操作数据；从一个或多个不同发电厂接收训练数据，且接收与所述发电厂或所述发电厂部件相关联的地理信息系统(GIS)数据；至少部分地基于所述操作数据、所述训练数据和所述GIS数据，来确定与所述发电厂或所述发电厂部件的操作相关联的故障概率分数和剩余使用寿命；至少部分地基于所述操作数据、所述训练数据和所述GIS数据，来检测与所述发电厂或所述发电厂部件的操作相关联的一个或多个异常；确定所述一个或多个异常的排序；生成指示与所述发电厂或所述发电厂部件的所述操作相关联的所述一个或多个异常的警报；识别与所述发电厂或所述发电厂部件的所述操作相关联的所述一个或多个异常的至少一个根本原因；以及识别针对所述发电厂或所述发电厂部件的维修或更换推荐。
其中，所述操作数据、所述训练数据和所述GIS数据包括离散数据和时间序列数据。
其中，可操作以检测与所述发电厂或所述发电厂部件相关联的一个或多个异常的包括计算机可执行指令的所述存储器进一步可操作以：使用统计预测模型以进行连续状况监测或使用机器学习模型以进行连续状况监测。
其中，所述存储器包括计算机可执行指令，所述存储器可操作以检测与所述发电厂或所述发电厂部件相关联的一个或多个异常，并进一步可操作以：在实时连续的基础上检测所述一个或多个异常和/或在离散时间间隔的基础上检测所述一个或多个异常。
其中，包括计算机可执行指令的所述存储器可操作以生成指示与所述发电厂或所述发电厂部件的操作相关联的所述一个或多个异常的警报，并进一步可操作以：比较所述所确定的故障概率分数与阈值故障概率分数、且比较所述所确定的剩余使用寿命与阈值剩余使用寿命；至少部分地基于所述比较，确定加权因子；以及至少部分地基于所述加权因子，确定所述警报的持续时间和强度。
根据本发明的另一实施例，可提供一种系统。所述系统可包括发电厂和发电厂部件。所述系统可进一步包括控制器，所述控制器与所述发电厂通信。所述系统还可包括存储器，所述存储器具有可由计算机执行以进行操作的指令，所述操作可包括：接收与发电厂或发电厂部件相关联的操作数据；从一个或多个不同发电厂接收训练数据，且接收与所述发电厂或所述发电厂部件相关联的地理信息系统(GIS)数据；至少部分地基于所述操作数据、所述训练数据和所述GIS数据，确定与所述发电厂或所述发电厂部件的操作相关联的故障概率分数和剩余使用寿命；至少部分地基于所述操作数据、所述训练数据和所述GIS数据，检测与所述发电厂或所述发电厂部件的操作相关联的一个或多个异常；确定所述一个或多个异常的排序；生成指示与所述发电厂或所述发电厂部件的所述操作相关联的所述一个或多个异常的警报；识别与所述发电厂或所述发电厂部件的所述操作相关联的所述一个或多个异常的至少一个根本原因；以及识别针对所述发电厂或所述发电厂部件的维修或更换推荐。
其中，包括计算机可执行指令的所述存储器可操作以确定与所述发电厂或所述发电厂部件的操作相关联的故障概率分数和剩余使用寿命，并进一步可操作以：使用可靠性模型以分析所述操作数据、所述训练数据和所述GIS数据，其中所述可靠性模型包括：实施数据驱动可靠性方法、实施基于物理学的方法或实施混合建模方法。
其中，所述操作、所述训练数据和所述GIS数据包括离散数据和时间序列数据。
其中，可操作以检测与所述发电厂或所述发电厂部件相关联的一个或多个异常的包括计算机可执行指令的所述存储器进一步可操作以：使用统计预测模型以进行连续状况监测或使用机器学习模型以进行连续状况监测。
其中，包括计算机可执行指令的所述存储器可操作以生成指示与所述发电厂或所述发电厂部件的操作相关联的所述一个或多个异常的警报，并进一步可操作以：比较所述所确定的故障概率分数与阈值故障概率分数、且比较所述所确定的剩余使用寿命与阈值剩余使用寿命；至少部分地基于所述比较，确定加权因子；以及至少部分地基于所述加权因子，确定所述警报的持续时间和强度。
本发明并不限于发电厂或发电厂部件，而是可适用于多种资产，例如飞机、液化天然气(LNG)厂、化工厂等等。本发明的其它实施例、特征和方面将从结合以下图式而进行的以下描述变得显而易见。
附图说明
在已如此概括地描述本发明之后，现在将参考随附图式，随附图式未必按比例绘制，且在随附图式中：
图1示出根据本发明的某些实施例的用于可靠性监测的实例系统环境。
图2示出根据本发明的某些实施例的用于可靠性监测的另一实例系统。
图3示出根据本发明的某些实施例的用于可靠性监测的另一实例系统。
图4示出根据本发明的某些实施例的用于可靠性监测的方法的实例流程图。
图5示出根据本发明的某些实施例的被配置成提供用于可靠性监测的系统和方法的实例控制系统。
现在将在下文中参考随附图式更全面地描述本发明，在这些随附图式中展示了本发明的实例实施例。
具体实施方式
以下详细描述包括对随附图式的参考，所述随附图式形成所述详细描述的部分。所述图式描绘根据实例实施例的说明。然而，本发明可以许多不同形式予以体现且不应被认作限于本说明书中所阐述的实例实施例；实际上，在本说明书中也被称为“实例”的这些实例实施例被充分详细地描述以使所属领域的技术人员能够实践本主题。在不脱离所要求主题的范围的情况下，可组合所述实例实施例，可利用其它实施例，或可作出结构、逻辑和电气的改变。因此，以下详细描述不应以限制性意义加以理解，且范围由所附权利要求书和其等效物限定。相同数字始终指代相同元件。
本说明书中所描述的某些实施例涉及用于可靠性监测的系统和方法。在一个实施例中，可提供一种用于可靠性监测的方法。所述方法可包括接收与发电厂或发电厂部件相关联的操作数据。所述方法还可包括从一个或多个不同发电厂接收训练数据。所述方法还可包括接收与发电厂或发电厂部件相关联的地理信息系统(GIS)数据。所述方法还可包括：至少部分地基于操作数据、训练数据和GIS数据，确定与发电厂或发电厂部件的操作相关联的故障概率分数和剩余使用寿命。此外，所述方法可包括：至少部分地基于操作数据、训练数据和GIS数据，检测与发电厂或发电厂部件的操作相关联的一个或多个异常。此外，所述方法可包括确定一个或多个异常的排序。所述方法还可包括生成指示与发电厂或发电厂部件的操作相关联的一个或多个异常的警报。所述方法还可包括识别与发电厂或发电厂部件的操作相关联的一个或多个异常的至少一个根本原因。所述方法可进一步包括识别针对发电厂或发电厂部件的维修或更换推荐。
与本说明书中的某些实施例相关联的一个或多个技术效果可包括但不限于监测例如发电厂和相应发电厂部件的资产的可靠性。预测例如发电厂和发电厂部件等的资产的故障和误操作可使客户能够主动地计划断电以维修或更换部件，且避免潜在冗长的计划外断电。以下内容提供与用于可靠性监测的系统和方法相关的各种实例实施例的详细描述。
图1描绘用于例如在发电厂105中实施用于可靠性监测的某些方法和系统的实例系统100。根据本发明的实例实施例，发电厂105可包括：一个或多个发电厂部件，例如图1的110；以及一个或多个控制器，例如控制系统160，控制系统160可控制发电厂105和/或一个或多个发电厂部件110。在本发明通篇中，术语“控制器”和“控制系统”可互换地使用。根据本发明的实施例，系统环境100可进一步包括：操作数据125，操作数据125可从与发电厂105或一个或多个发电厂部件110相关联的传感器接收数据；来自一个或多个发电厂的训练数据140；地理信息系统(geographic information system，GIS)数据130；通信接口150；控制系统160；可靠性模块170；异常检测模块175；以及客户端计算机180。
再次参看图1，根据本发明的实例实施例，发电厂105可以是产生电力的任何类型的厂，例如联合循环厂、热电厂、简单循环厂等等。
再次参看图1，根据本发明的实例实施例，与发电厂105相关联的一个或多个发电厂部件110可以是产生电力的涡轮，或可以是涡轮的部件，例如涡轮叶片或燃烧罐。在其它实施例中，一个或多个发电厂部件110可以是辅助厂设备，例如控制阀、泵、压缩机等等。
操作数据125、来自一个或多个发电厂的训练数据140和GIS数据130可包括操作和监测(O&M)数据、维修和检验数据、维护历史数据、故障机制数据、老化参数数据、大气数据、水化学数据等等。
与发电厂105或一个或多个发电厂部件110相关联的操作数据125可包括使用现场监测器(OSM)从发电厂105或一个或多个发电厂部件110搜集的数据，现场监测器(OSM)可以约1秒、5秒、30秒、1分钟等等的速率对数据进行采样。操作数据125可包括与发电厂105的各种部件相关的性能参数，包括例如流量、温度、压力、相对湿度、振动、所产生的电力等等。
根据本发明的实例实施例，来自一个或多个发电厂的训练数据140可包括来自在配置上类似于发电厂105的一群发电厂(a fleet of power plants)的数据。也就是说，每个发电厂是不同于发电厂105的发电厂，但每个发电厂140的配置可类似于发电厂105的配置。替代地，来自一个或多个发电厂的训练数据140可包括与发电厂105的先前操作相关联的数据。来自一个或多个发电厂的训练数据140还可包括针对类似于一个或多个发电厂部件110的部件的来自一个或多个发电厂的故障模式和效果分析(failure mode andeffects analysis，FMEA)数据，或与类似于发电厂105的一群发电厂相关联的FMEA。来自一个或多个发电厂的训练数据140还可包括来自资产数据库的数据。资产可指代发电厂(例如发电厂105)，或指代发电厂部件(例如一个或多个发电厂部件110)。来自一个或多个发电厂的训练数据140可包括来自资产数据库的数据，包括资产配置、资产历史事件和异常、资产检验、更换和维护历史，等等。来自一个或多个发电厂的训练数据140还可包括与一个或多个发电厂或发电厂部件相关联的故障物理学(failure physics)、关于现场配置(siteconfiguration)的信息、关于客户配置的信息等等。
操作数据125、来自一个或多个发电厂140的训练数据和/或GIS数据130可包括离散数据和时间序列数据(time series data)。举例来说，操作数据125可包括时间序列数据，例如由涡轮所产生的电力、与涡轮相关联的燃烧温度等等。操作数据还可包括老化参数数据，例如点火时数和点火启动的操作度量(operational metrics)、历史异常次数，等等。在本发明的实例实施例中，GIS数据130可包括时间序列数据，例如约1年的实例时段内的水化学数据、包括6个月的实例时段内的颗粒数据的大气数据，等等。
在本发明的另一实施例中，与来自一个或多个发电厂的训练数据140相关联的离散数据可包括来自例如105的一个或多个发电厂的故障模式和效果分析(FMEA)数据。离散数据还可以例如110的一个或多个发电厂部件的故障间隔平均时间(mean time betweenfailures；MTBF)、例如105的发电厂的强制断电(forced outages)、例如105的发电厂的更换零件状态等等的形式被得到。离散数据和时间序列数据可包括关于与例如105的一个或多个发电厂部件相关联的故障事件和异常操作事件的数据。在本发明的实例实施例中，来自一个或多个发电厂的训练数据140可包括来自在配置上分别类似于发电厂105或一个或多个发电厂部件110的发电厂或一个或多个发电厂部件的一组数据。操作数据125可包括表示发电厂105或一个或多个发电厂部件110在当前时间或从先前操作时间开始的操作的数据，从先前操作时间开始的操作是例如从当前时间之前约1天开始的操作、从当前时间之前约1周开始的操作、从当前时间之前约4周开始的操作等等。
控制系统160可以通信方式连接以经由通信接口150而接收操作数据125、来自一个或多个发电厂的训练数据140和GIS数据130，通信接口150可以是一个或多个通信网络中的任一个，例如以太网接口、通用串行总线(USB)接口或无线接口。在某些实施例中，控制系统160可借助于硬连线或例如接口电缆的电缆而连接到操作数据125、GIS数据130和来自一个或多个发电厂的训练数据140。
控制系统160可包括计算机系统，计算机系统具有可执行计算机可执行指令以接收和分析来自各种数据源的数据的一个或多个处理器，数据是例如操作数据125、GIS数据130和来自一个或多个发电厂的训练数据140，且控制系统160可包括可靠性模块170和异常检测模块175。控制系统160可进一步提供输入，搜集传递功能输出，且传输来自任何数目的操作员和/或人员的指令。控制系统160可进行控制动作，以及向可靠性模块170和异常检测模块175提供输入。在一些实施例中，控制系统160可基于从一个或多个数据源，例如从操作数据125、GIS数据或来自一个或多个发电厂的训练数据140接收的数据而确定待进行的控制动作。在一些实施例中，控制系统160可包括可靠性模块170和/或异常检测模块175。在其它情况下，控制系统160可以是以通信方式连接到可靠性模块170和/或异常检测模块175的独立实体。
根据本发明的实施例，可提供一种用于可靠性监测的系统。系统100可包括发电厂105、与发电厂105相关联的一个或多个发电厂部件110和控制器160。控制器160可包括存储器，存储器可包括能够接收与发电厂105或发电厂部件110相关联的操作数据125的计算机可执行指令。计算机可执行指令可以是能够接收例如来自一个或多个发电厂的训练数据140的训练数据，且接收与发电厂105或发电厂部件110相关联的GIS数据140。至少部分地基于操作数据125、训练数据140和GIS数据130，可确定与发电厂105或一个或多个发电厂部件110的操作相关联的故障概率分数和剩余使用寿命。此外，可检测与发电厂105或一个或多个发电厂部件110相关联的一个或多个异常。计算机可执行指令可进一步确定一个或多个异常的排序。
可生成指示与发电厂105或一个或多个发电厂部件110的操作相关联的一个或多个异常的警报。此外，可识别与发电厂或一个或多个发电厂部件的操作相关联的一个或多个异常的至少一个根本原因。此外，与控制器160相关联的存储器可进一步包括能够识别针对发电厂105或一个或多个发电厂部件110的维修或更换推荐的计算机可执行指令。
可由可靠性模块170或由控制系统160确定与发电厂105或一个或多个发电厂部件110的操作相关联的故障概率和剩余使用寿命。类似地，可由异常检测模块175、由控制系统160和/或由可靠性模块170检测与发电厂105或一个或多个发电厂部件110相关联的一个或多个异常。
可在实时连续的基础上检测与发电厂105或一个或多个发电厂部件110相关联的一个或多个异常。举例来说，可在发电厂105或一个或多个发电厂部件110的操作期间，例如在发电厂105的启动、发电厂105的稳态操作等等期间连续地检测一个或多个异常。在本发明的另一实例实施例中，可在离散时间间隔的基础(discrete time interval basis)上检测一个或多个异常。举例来说，可约每1小时、每2小时、每3小时等等检测一个或多个异常，而不管发电厂105或一个或多个发电厂部件110的操作状态如何。在本发明的实例实施例中，还可在发电厂105停机使得一个或多个发电厂部件110可能不操作时确定一个或多个异常。
再次参看图1，可经由例如客户端计算机180的客户端装置而输出指示一个或多个异常的警报。此外，可由控制系统160进行或以其它方式实施针对发电厂105或一个或多个发电厂部件110的所识别的维修或更换推荐。
再次参看图1，控制系统160、可靠性模块170和/或异常检测模块175可包括用于确定故障概率分数、剩余使用寿命且用于检测与发电厂105或一个或多个发电厂部件110的操作相关联的一个或多个异常的软件和/或硬件。这可包括使用可靠性模型以分析操作数据125、训练数据140和GIS数据130。在本发明的实例实施例中，可靠性模型可包括实施数据驱动可靠性方法。在其它实例实施例中，可靠性模型可包括实施基于物理学的方法(physics-based method)或实施混合建模方法(hybrid modeling method)。在本发明的实例实施例中，检测与发电厂105或一个或多个发电厂部件110相关联的一个或多个异常可进一步包括使用统计预测模型以对发电厂105或一个或多个发电厂部件110进行连续状况监测。在另一实例实施例中，检测与发电厂105或一个或多个发电厂部件110相关联的一个或多个异常可包括使用机器学习模型(machine learning model)以对发电厂105或一个或多个发电厂部件110进行连续状况监测(continuous condition monitoring)。
再次参看图1，控制系统160、可靠性模块170和/或异常检测模块175可包括用于生成指示与发电厂105或一个或多个发电厂部件110的操作相关联的一个或多个异常的警报的一组特性的软件和/或硬件。这可包括比较所确定的故障概率分数(determined failureprobability score)与阈值故障概率分数(threshold failure probability score)。至少部分地基于比较，可确定警报的加权因子(weighing factor)，且至少部分地基于所述加权因子，可确定警报的持续时间和强度。
如上文所提及，本发明并不限于发电厂或发电厂部件，而是可适用于多种资产，例如飞机、液化天然气(LNG)厂、化工厂等等。
图2描绘用于实施用于可靠性监测的某些方法和系统的实例系统200。可靠性模型225可以是控制系统160的部分。在其它实施例中，可靠性模型225可独立于控制系统160，且可以是可靠性模块170的部分。在实例实施例中，可靠性模型225可以是异常检测模块175的部分。
再次参看图2，来自操作数据125、训练数据140和GIS数据130的各种输入可馈送到可靠性模型225，例如可包括在发电厂105或一个或多个发电厂部件110处或在例如105的发电厂处已发生的历史异常次数的老化参数-I 205、可包括强制断电次数的离散事件数据215、零件输入/输出状态信息(parts in/out status information)等等。例如老化参数-II 210、故障物理学(failure physics)220等等的额外数据也可提供到可靠性模型170。至少部分地基于操作数据125、训练数据140和GIS数据130，计算机指令可确定发电厂105或一个或多个发电厂部件110的故障大概分数(failure probably score)和剩余使用寿命230。这可进一步在异常检测模块175中使用机器学习和/或混合分析学(hybrid analytics)240予以分析。在实例实施例中，这也可在可靠性模块170和/或控制系统160中予以分析。操作数据125和故障机制数据235可作为输入而馈送。至少部分地基于此分析，可检测一个或多个异常245，且可经由客户端计算机180而显示警报250。
现在参看图3，另一实例系统300描绘用于可靠性监测的实例系统。类似于针对图2的描述，可靠性模型225可接收历史O&M数据305、关于资产的信息，其中该资产指代发电厂105或指代一个或多个发电厂部件110。例如资产配置315的资产信息可馈送到可靠性模型225。资产配置315可包括发电厂类型、所使用涡轮类型、所使用阀类型等等。例如资产检验、更换和维护数据310的其它资产信息也可馈送到可靠性模型。资产检验、更换和维护数据310可包括关于在发电厂105处进行的最新检验的信息。在另一实例实施例中，资产检验、更换和维护数据310可包括例如燃料喷嘴或涡轮叶片的一个或多个发电厂部件110的故障间隔平均时间(mean time between failures，MTBF)。另外，关于现场配置320和客户配置325的数据也可馈送到可靠性模型。
可靠性模块170和异常检测模块175接着可确定与发电厂105或一个或多个发电厂部件110的操作相关联的一个或多个异常245。接着可由可靠性模型225与资产370的例如发电厂在启动或停机期间的操作趋势的当前操作动态信号的组合确定一个或多个异常245的排序预测340。可靠性模块170、控制系统160和异常检测模块175可借助于例如图1的客户端计算机180的客户端计算机上的显示器而提供结果(outcomes)350。结果可包括一个或多个异常355、关于资产的剩余使用寿命的实时提醒360、断电计划信息365等等的排序列表。
现在参看图4，展示根据本发明的实例实施例的用于可靠性监测的实例方法400的流程图。方法400可结合例如图1所示出的系统100、图2和图3所示出的相应系统200和300和/或图5所示出的控制系统160的各种系统而利用。
方法400可在框405处开始。在框305处，可接收与发电厂105或发电厂部件110相关联的操作数据。在框410处，可从一个或多个不同发电厂接收训练数据140。接下来，在框415处，可接收与发电厂或发电厂部件相关联的地理信息系统(GIS)数据。在框420处，方法400可进一步包括至少部分地基于操作数据125、训练数据140和GIS数据130而确定与发电厂105或发电厂部件110的操作相关联的故障概率分数和剩余使用寿命230。接下来，在框425处，方法400可进一步包括至少部分地基于操作数据125、训练数据140和GIS数据130而检测与发电厂105或发电厂部件110的操作相关联的一个或多个异常245。在框430处，方法400可包括确定一个或多个异常245的排序355。此外，在框435处，方法400可生成指示与发电厂105或发电厂部件110的操作相关联的一个或多个异常245的警报250。接下来，在框440处，方法400可包括识别与发电厂或发电厂部件的操作相关联的一个或多个异常的至少一个根本原因。此外，在框445处，方法400可进一步包括识别针对发电厂105或发电厂部件110的维修或更换推荐。
现在注意图5，其示出根据本发明的某些实施例的被配置成实施用于可靠性监测的某些系统和方法的实例控制器160。控制器可包括根据本发明的某些实施例的用于执行与在发电厂中实施用于可靠性监测的某些系统和方法相关联的某些操作方面的处理器505。处理器505可以是能够与存储器525通信。可使用适当硬件、软件、固件(firmware)或其组合来实施和操作处理器505。软件或固件实施方案可包括以任何合适编程语言而书写以进行所描述的各种功能的计算机可执行或机器可执行指令。在一个实施例中，与功能块语言相关联的指令可存储在存储器525中且由处理器505执行。
存储器525可以是用于存储可由处理器505加载和执行的程序指令、以及存储在这些程序的执行期间生成的数据的非暂时性存储器。取决于控制器160的配置和类型，存储器525可以是易失性的(volatile)(例如随机存取存储器(RAM))和/或非易失性的(例如只读存储器(ROM)、快闪存储器等等)。在一些实施例中，存储器装置还可包括额外的可移除式存储装置530和/或不可移除式存储装置535，包括但不限于磁性存储装置、光盘和/或带存储装置。磁盘驱动器和其关联计算机可读媒体可提供计算机可读指令、数据结构、程序模块和用于装置的其它数据的非易失性存储。在一些实施方案中，存储器525可包括多个不同类型的存储器，例如静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)或ROM。
存储器525、可移除式存储装置530和不可移除式存储装置535是非暂时性计算机可读存储媒体的所有实例。举例来说，计算机可读存储媒体可包括以用于存储例如计算机可读指令、数据结构、程序模块或其它数据的信息的任何方法或技术而实施的易失性和非易失性、可移除式和不可移除式媒体。可存在的额外类型的计算机存储媒体包括但不限于可编程随机存取存储器(PRAM)、SRAM、DRAM、RAM、ROM、电可擦除可编程只读存储器(EEPROM)、快闪存储器或其它存储器技术、光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其它光学存储装置、盒式磁带、磁带、磁盘存储装置或其它磁性存储装置，或可用于存储所要信息且可由装置存取的任何其它媒体。以上各项中的任一项的组合也应包括在计算机可读媒体的范围内。
控制器160还可包括可允许控制装置(未展示)与能够与控制器160通信的装置或设备通信的一个或多个通信连接510。控制器还可包括计算机系统(未展示)。连接也可经由各种数据通信信道或端口而建立，所述数据通信信道或端口是例如用于接纳将控制器160连接到网络上的各种其它装置的电缆的USB或COM端口。在一个实施例中，控制器160可包括使控制器160能够与网络上的其它装置通信的乙太网驱动器。根据各种实施例，可经由网络上的有线和/或无线连接而建立通信连接510。
控制器160还可包括一个或多个输入装置515，例如键盘、鼠标、手写笔、语音输入装置、手势输入装置和/或触摸输入装置。控制器160可进一步包括一个或多个输出装置520，例如显示器、打印机和/或扬声器。
然而，在其它实施例中，计算机可读通信媒体可包括计算机可读指令、程序模块或在数据信号内传输的其它数据，例如载波或其它传输。然而，如本说明书中所使用，计算机可读存储媒体并不包括计算机可读通信媒体。
转到存储器525的内容物，存储器525可包括但不限于操作系统(OS)526以及用于实施本说明书中所公开的特征和方面的一个或多个应用程序或服务。此类应用程序或服务可包括用于执行发电厂中用于可靠性监测的某些系统和方法的可靠性模块170和异常检测模块175。可靠性模块170和异常检测模块175可驻存在存储器525中或可独立于控制器160，如图1中所表示。在一个实施例中，可靠性模块170和异常检测模块175可由可以可配置控制块语言而提供且可存储在非易失性存储器中的软件实施。在由处理器505执行时，可靠性模块170和异常检测模块175可实施与本发明中所描述的控制器160相关联的各种功能性和特征。
视需要，本发明的实施例可包括具有比图5所示出的部件更多或更少的部件的控制器160。另外，在本发明的各种实施例中可组合图5的控制器160的某些部件。仅借助于实例而提供图5的控制器160。
参考根据实例实施例的系统、方法、设备和计算机程序产品的框图。应理解，可至少部分地由计算机程序指令实施框图中的至少一些框和框图中的框的组合。这些计算机程序指令可加载到通用计算机、专用计算机、基于专用硬件的计算机或其它可编程数据处理设备上以产生机器，使得在计算机或其它可编程数据处理设备上执行的指令创建用于实施所论述的框图中的至少一些框或框图中的框的组合的功能性的构件。
这些计算机程序指令也可存储在非暂时性计算机可读存储器中，非暂时性计算机可读存储器可指导计算机或其它可编程数据处理设备以特定方式起作用，使得存储在计算机可读存储器中的指令产生包括实施一个或多个框中所指定的功能的指令构件的制品。计算机程序指令也可加载到计算机或其它可编程数据处理设备上以致使在计算机或其它可编程设备上进行一系列操作以产生计算机实施过程，使得在计算机或其它可编程设备上执行的指令提供用于实施一个或多个框中所指定的功能的任务、行为、动作或操作。
本说明书中所描述的系统的一个或多个部件和方法的一个或多个元件可通过在计算机的操作系统上运行的应用程序加以实施。它们还可用其它计算机系统配置加以实践，所述计算机系统配置包括手持式装置、多处理器系统、基于微处理器的或可编程的消费型电子装置、微型计算机、大型主机计算机等等。
为本说明书中所描述的系统和方法的部件的应用程序可包括实施某些抽象数据类型且进行某些任务或动作的例程、程序、部件、数据结构等等。在分布式计算环境中，应用程序(整体地或部分地)可位于本地存储器或其它存储装置中。另外或替代地，应用程序(整体地或部分地)可位于远程存储器或存储装置中以允许任务可由通过通信网络而链接的远程处理装置进行的情况。
得益于前文描述和关联图式中所呈现的教示，将了解这些描述所相关的本说明书中所阐述的实例描述的许多修改和其它实施例。因此，应了解，本发明可按许多形式体现，且不应限于上文所描述的实例实施例。
因此，应理解，本发明不应限于所公开的特定实施例，且修改和其它实施例意图包括在所附权利要求书的范围内。尽管本说明书中采用了特定术语，但所述术语仅在通用和描述性意义上使用，而不用于限制目的。

Claims (10)

1.一种方法，包括：
接收与发电厂或发电厂部件相关联的操作数据；
从一个或多个不同发电厂接收训练数据；
接收与所述发电厂或所述发电厂部件相关联的地理信息系统(GIS)数据；
至少部分地基于所述操作数据、所述训练数据和所述GIS数据，确定与所述发电厂或所述发电厂部件的操作相关联的故障概率分数和剩余使用寿命；
至少部分地基于所述操作数据、所述训练数据和所述GIS数据，检测与所述发电厂或所述发电厂部件的操作相关联的一个或多个异常；
确定所述一个或多个异常的排序；
生成指示与所述发电厂或所述发电厂部件的所述操作相关联的所述一个或多个异常的警报；
识别与所述发电厂或所述发电厂部件的所述操作相关联的所述一个或多个异常的至少一个根本原因；以及
识别针对所述发电厂或所述发电厂部件的维修或更换推荐。
2.根据权利要求1所述的方法，其中，所述操作数据或所述训练数据包括：操作和监测(O&M)数据、维修和检验数据、维护历史数据、故障机制数据、老化参数数据、大气数据或水化学数据。
3.根据权利要求1所述的方法，其中，确定与所述发电厂或所述发电厂部件的操作相关联的故障概率分数和剩余使用寿命包括：
使用可靠性模型以分析所述操作数据、所述训练数据和所述GIS数据，其中所述可靠性模型包括：实施数据驱动可靠性方法、实施基于物理学的方法或实施混合建模方法。
4.根据权利要求1所述的方法，其中，所述操作数据、所述训练数据和所述GIS数据包括离散数据和时间序列数据。
5.根据权利要求1所述的方法，其中，检测与所述发电厂或所述发电厂部件相关联的一个或多个异常包括：使用统计预测模型来进行连续状况监测或使用机器学习模型以进行连续状况监测。
6.一种系统，包括：
控制器；以及
存储器，所述存储器包括计算机可执行指令，所述存储器可操作以：
接收与发电厂或发电厂部件相关联的操作数据；
从一个或多个不同发电厂接收训练数据；
接收与所述发电厂或所述发电厂部件相关联的地理信息系统(GIS)数据；
至少部分地基于所述操作数据、所述训练数据和所述GIS数据，确定与所述发电厂或所述发电厂部件的操作相关联的故障概率分数和剩余使用寿命；
至少部分地基于所述操作数据、所述训练数据和所述GIS数据，检测与所述发电厂或所述发电厂部件相关联的一个或多个异常；
确定所述一个或多个异常的排序；
生成指示与所述发电厂或所述发电厂部件的操作相关联的所述一个或多个异常的警报；
识别与所述发电厂或所述发电厂部件的操作相关联的所述一个或多个异常的至少一个根本原因；以及
识别针对所述发电厂或所述发电厂部件的维修或更换推荐。
7.根据权利要求6所述的系统，其中，所述操作数据或所述训练数据包括：操作和监测(O&M)数据、维修和检验数据、维护历史数据、故障机制数据、老化参数数据、大气数据或水化学数据。
8.根据权利要求6所述的系统，其中，可操作以确定与所述发电厂或所述发电厂部件的操作相关联的故障概率分数和剩余使用寿命的包括计算机可执行指令的所述存储器进一步可操作以：
使用可靠性模型以分析所述操作数据、所述训练数据和所述GIS数据，其中所述可靠性模型包括：实施数据驱动可靠性方法、实施基于物理学的方法或实施混合建模方法。
9.一种系统，包括：
发电厂；
发电厂部件；
控制器；以及
存储器，所述存储器包括计算机可执行指令，所述存储器可操作以：
接收与所述发电厂或所述发电厂部件相关联的操作数据；
从一个或多个不同发电厂接收训练数据；
接收与所述发电厂或所述发电厂部件相关联的地理信息系统(GIS)数据；
至少部分地基于所述操作数据、所述训练数据和所述GIS数据，确定与所述发电厂或所述发电厂部件的操作相关联的故障概率分数和剩余使用寿命；
至少部分地基于所述操作数据、所述训练数据和所述GIS数据，检测与所述发电厂或所述发电厂部件相关联的一个或多个异常；
确定所述一个或多个异常的排序；
生成指示与所述发电厂或所述发电厂部件的操作相关联的所述一个或多个异常的警报；以及
识别针对所述发电厂或所述发电厂部件的维修或更换推荐。
10.根据权利要求9所述的系统，其中，所述操作数据或所述训练数据包括：操作和监测(O&M)数据、维修和检验数据、维护历史数据、故障机制数据、老化参数数据、大气数据或水化学数据。
CN201810087842.3A 2017-01-30 2018-01-29 用于可靠性监测的系统和方法 Pending CN108376308A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US15/419770 2017-01-30
US15/419,770 US20180218277A1 (en) 2017-01-30 2017-01-30 Systems and methods for reliability monitoring

Publications (1)

Publication Number Publication Date
CN108376308A true CN108376308A (zh) 2018-08-07

Family

ID=61187070

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810087842.3A Pending CN108376308A (zh) 2017-01-30 2018-01-29 用于可靠性监测的系统和方法

Country Status (4)

Country Link
US (1) US20180218277A1 (zh)
EP (1) EP3355145A1 (zh)
JP (1) JP2018152052A (zh)
CN (1) CN108376308A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113195867A (zh) * 2018-12-17 2021-07-30 沙特阿拉伯石油公司 井设备的基于图像的检查及自动化库存和供应链管理
CN116362036A (zh) * 2023-03-29 2023-06-30 中国铁道科学研究院集团有限公司 一种高铁设备故障预警方法及系统

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10831162B2 (en) * 2016-06-28 2020-11-10 General Electric Company Systems and methods for providing an integrated power plant advisor
US11087226B2 (en) * 2017-04-25 2021-08-10 Nec Corporation Identifying multiple causal anomalies in power plant systems by modeling local propagations
US10823016B2 (en) * 2017-06-02 2020-11-03 General Electric Company System and method for risk categorization
US10338577B2 (en) * 2017-08-30 2019-07-02 Cubic Corporation Sensor-based automated transit maintenance system
WO2020253950A1 (en) * 2019-06-18 2020-12-24 Framatome Gmbh Monitoring method, predicting method, monitoring system and computer program
CN113051700B (zh) * 2019-12-27 2023-12-29 北京国双科技有限公司 设备可靠性监测方法及装置
KR102202527B1 (ko) * 2020-03-04 2021-01-13 주식회사 쓰리아이씨 발전소 내 전력장애 발생방향 결정시스템
CN111582745A (zh) * 2020-05-14 2020-08-25 昆明能讯科技有限责任公司 一种基于时态gis的电网规划数据动态数图控制方法
US11915160B2 (en) * 2020-05-19 2024-02-27 EMC IP Holding Company LLC System and method for probabilistically forecasting health of hardware in a large-scale system
CN112803460B (zh) * 2021-03-02 2022-06-07 中国电力科学研究院有限公司 超大规模电池储能电站信息物理系统可靠性分析法及装置
CN113051747B (zh) * 2021-03-19 2024-02-09 北京圣涛平试验工程技术研究院有限责任公司 一种飞机可靠性数据资产模型构建方法及装置
CN113435802B (zh) * 2021-08-27 2021-12-17 广东电网有限责任公司佛山供电局 输电网监测规划方案构建方法、装置、设备和存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110054965A1 (en) * 2009-08-27 2011-03-03 Hitachi, Ltd. Power Plant Life Cycle Costing System and Power Plant Life Cycle Costing Method
US20130063264A1 (en) * 2011-09-12 2013-03-14 Ulku G. Oktem Dynamic prediction of risk levels for manufacturing operations through leading risk indicators
CN103076034A (zh) * 2011-09-26 2013-05-01 通用电气公司 用于基于状态的发电厂传感器校准的系统和方法
WO2016196775A1 (en) * 2015-06-04 2016-12-08 Fischer Block, Inc. Remaining-life and time-to-failure predictions of power assets

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120283988A1 (en) * 2011-05-03 2012-11-08 General Electric Company Automated system and method for implementing unit and collective level benchmarking of power plant operations
US20170308802A1 (en) * 2016-04-21 2017-10-26 Arundo Analytics, Inc. Systems and methods for failure prediction in industrial environments

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110054965A1 (en) * 2009-08-27 2011-03-03 Hitachi, Ltd. Power Plant Life Cycle Costing System and Power Plant Life Cycle Costing Method
US20130063264A1 (en) * 2011-09-12 2013-03-14 Ulku G. Oktem Dynamic prediction of risk levels for manufacturing operations through leading risk indicators
CN103076034A (zh) * 2011-09-26 2013-05-01 通用电气公司 用于基于状态的发电厂传感器校准的系统和方法
WO2016196775A1 (en) * 2015-06-04 2016-12-08 Fischer Block, Inc. Remaining-life and time-to-failure predictions of power assets

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113195867A (zh) * 2018-12-17 2021-07-30 沙特阿拉伯石油公司 井设备的基于图像的检查及自动化库存和供应链管理
CN116362036A (zh) * 2023-03-29 2023-06-30 中国铁道科学研究院集团有限公司 一种高铁设备故障预警方法及系统
CN116362036B (zh) * 2023-03-29 2024-01-30 中国铁道科学研究院集团有限公司 一种高铁设备故障预警方法及系统

Also Published As

Publication number Publication date
EP3355145A1 (en) 2018-08-01
JP2018152052A (ja) 2018-09-27
US20180218277A1 (en) 2018-08-02

Similar Documents

Publication Publication Date Title
CN108376308A (zh) 用于可靠性监测的系统和方法
CN107085415B (zh) 过程控制网络中的规则构建器
Niu Data-driven technology for engineering systems health management
US8688405B2 (en) Remote monitoring systems and methods
US20170024649A1 (en) Anomaly detection system and method for industrial asset
US20160116378A1 (en) Population-based learning with deep belief networks
EP3413154A1 (en) Equipment diagnostic device, equipment diagnostic method, and equipment diagnostic program
CN104254810A (zh) 用于一组工厂的条件监视的方法和系统
CN106575282B (zh) 用于先进过程控制的云计算系统和方法
WO2019211288A1 (en) A method and system for discovering and visualizing potential operational problems of processes running in equipment and systems in an installation
WO2016033247A2 (en) Population-based learning with deep belief networks
US20230027594A1 (en) Machine learning powered anomaly detection for maintenance work orders
Adams et al. The WEAR methodology for prognostics and health management implementation in manufacturing
US20120150334A1 (en) Integrated Fault Detection And Analysis Tool
WO2021127646A1 (en) Device and method for monitoring a system
EP3035260A1 (en) Case management linkage of updates, evidence, and triggers
CN116888610A (zh) 用于可扩展的自动化维护优化系统和方法
Carnero Fuzzy multicriteria model for selection of vibration technology
JP7466479B2 (ja) 業務改善支援装置、プログラムおよびプログラムを格納した記憶媒体
Zhao A probabilistic approach for prognostics of complex rotary machinery systems
Nwadinobi et al. Improved Markov stable state simulation for maintenance planning
Costa Continuous Maintenance System for optimal scheduling based on real-time machine monitoring
Yelland A modern retail forecasting system in production
JP2023547729A (ja) スケーラブル自動保全最適化のためのシステムおよび方法
Lunde et al. Multi-disciplinary, multi-user process monitoring: Cross-discipline development and cross-company collaboration

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20180807

WD01 Invention patent application deemed withdrawn after publication