CN110431499B - 用于表征系统中的一个或多个故障的方法 - Google Patents
用于表征系统中的一个或多个故障的方法 Download PDFInfo
- Publication number
- CN110431499B CN110431499B CN201780086941.3A CN201780086941A CN110431499B CN 110431499 B CN110431499 B CN 110431499B CN 201780086941 A CN201780086941 A CN 201780086941A CN 110431499 B CN110431499 B CN 110431499B
- Authority
- CN
- China
- Prior art keywords
- vector
- fault
- proposed
- physical quantities
- current
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0275—Fault isolation and identification, e.g. classify fault; estimate cause or root of failure
-
- G—PHYSICS
- G21—NUCLEAR PHYSICS; NUCLEAR ENGINEERING
- G21D—NUCLEAR POWER PLANT
- G21D3/00—Control of nuclear power plant
- G21D3/001—Computer implemented control
-
- 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
- G05B23/0254—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 quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, Neural 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
- G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/008—Reliability or availability analysis
-
- 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
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G21—NUCLEAR PHYSICS; NUCLEAR ENGINEERING
- G21D—NUCLEAR POWER PLANT
- G21D3/00—Control of nuclear power plant
- G21D3/04—Safety arrangements
- G21D3/06—Safety arrangements responsive to faults within the plant
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E30/00—Energy generation of nuclear origin
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E30/00—Energy generation of nuclear origin
- Y02E30/30—Nuclear fission reactors
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- High Energy & Nuclear Physics (AREA)
- Theoretical Computer Science (AREA)
- Plasma & Fusion (AREA)
- Automation & Control Theory (AREA)
- Mathematical Physics (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Evolutionary Computation (AREA)
- Quality & Reliability (AREA)
- Mathematical Optimization (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Software Systems (AREA)
- Algebra (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Complex Calculations (AREA)
- Test And Diagnosis Of Digital Computers (AREA)
- Debugging And Monitoring (AREA)
Abstract
本发明涉及一种表征系统中的一个或多个故障的方法,系统将多个内部物理量组合在一起并由多个限制物理量界定,该系统由健康模型建模,健康模型建立了在没有故障的情况下使所述内部物理量彼此关联并将其与边界物理量相关联的关系,故障被定义为相对于健康模型使所述内部物理量彼此关联并将其与边界物理量相关联的关系的改变,其中故障被表征为对在涉及故障矩阵的一系列迭代中的涉及所述故障的迭代的数量进行计数。
Description
本发明的一般技术领域和内容
本发明涉及对物理系统的控制和监视的领域。更具体地,本发明涉及对复杂工业系统的一个或多个故障的表征。
任何系统都可能有故障,也就是说对表示操作的一些物理量的不期望的修改,这可能是由于许多因素(部件的老化、部件出故障等)引起的。这些故障可以采取不同形式,这取决于它们的性质和相关部件,并且在表示系统操作的物理量中反映不同。然而,系统中的故障损害了系统的操作,然后系统相对于没有故障的系统(其被称为健康系统)的操作具有退化的操作。
随时间推移,工业系统的性能及其维护构成了所有行业的主要挑战。用于维护的停机的次数和持续时间的限制以及效率的优化是营业利润的重要来源。工业系统效率的优化尤其涉及不同退化影响的尽可能精确的检测、定位和量化。该信息可以触发适当的维护动作,并且可以随着时间的推移用于定义有效的预防性维护策略。
每个重要的工业系统都配备有传感器,其任务是监视表示系统操作的物理量所采用的值。当来自传感器的测量结果与通常接受的值不同时,检测到问题,这指示系统的部件的性能或内部过程退化。然而,这种检测不提供关于系统中故障性质的信息,而是仅可以检测其症状。此外,系统可能具有故障,尽管其影响一个或多个测量值,但不会引起对要检测的这些测量值的充分修改,特别是因为物理量的值作为系统外部的管理和物理量的函数。
然后归结为:操作者通过实施不同的工具(诸如决策树、数字仿真模型)或取而代之的是基于统计学习方法的工具并且尤其是基于系统行为的个人经验或其他人在这些工具中记录的经验的工具,来分析测量结果以尝试表征系统中的故障。
因此,对故障的检测和表征是基于对大量信息和各种类型(测量、专业知识、不确定性、建模)和复杂交互的处理。对于非平凡的情况,对这种诊断的执行需要系统地求助于专家服务,并且没有任何方法能够整合所有复杂性中遇到的问题。此外,进行这些操作所需的时间也延迟了纠正故障所需的动作的实施。
已经使用电子监视(e-监视)学习算法开发了监视方法。这些学习算法试图使用在无故障模式和存在已知故障的情况下的系统的监视数据的历史记录来表征系统的行为。学习算法使用传感器测量出的值,并将它们与学习数据库的数据进行比较。
例如,文献EP 1 677 172 A2描述了一种用于监视和检测飞机引擎中的故障的方法,其中残差被计算,其对应于检测到的信号与基于扩展式卡尔曼滤波器的估计之间的差异。然后,根据贝叶斯假设检验,从残差开始确定属于已知类型的故障之一的概率,相关水平最终使得可以获得检测到的误差的严重性。
然而,基于学习的方法难以应用于复杂系统,这是因为它无法根据经验地探索系统的所有标称操作条件,尤其是因为这些诊断方法通常受限于它们可以嵌入的传感器的数量。另外,几乎不可能保证这种方法的监督学习周期确实对应于装置的标称操作。关于使用这些方法的经验教训证明大量生成了与学习限制相关的错误警报,也就是说,表征标称操作和故障的区域的错误。
然而,对系统中干预的故障的表征是特别重要的,这是因为它决定了纠正这些故障所采取的行动。对故障表征缺乏确定性可能会妨碍完成适当的行动,该行动可以纠正故障,并从而重新获得生产损失或防止受影响部件状态的恶化。
此外,学习算法需要定期且完全地重新学习系统的行为,以在特定操作条件下丰富其知识或补偿计量问题(传感器的重新校准)。因此证明了这种算法的维护和更新特别繁重。
另外,学习算法只能检测和识别已经遇到的由操作员识别并在算法中实现的操作的退化。
此外,基于学习算法的这种方法需要系统已经被物理安装并且需要具有测量历史数据库。直接后果是这些诊断工具在接收新的工业系统时无法实施。
发明内容
本发明在下文中描述了一种用于表征系统中的一个或多个故障的方法,该方法利用系统的标称行为的知识,无论其边界条件如何,并且没有尺寸限制,并且使得可以识别和以详细的方式表征在系统中发生的故障。
为此,本发明提出了一种用于表征系统中的一个或多个故障的方法,所述系统将多个内部物理量组合在一起并由多个边界物理量界定,
该系统由健康模型建模,该健康模型建立了在没有故障的情况下使所述内部物理量彼此关联并且将其与边界物理量关联的关系,故障被定义为相对于健康模型改变使所述内部物理量彼此关联并且将其与边界物理量关联的关系,
所述系统设有多个传感器,其测量内部物理量和外部物理量的值,
该方法包括实施以下步骤:
·通过读取传感器测量到的内部物理量的值,构建内部物理量集的测量值的矢量,
·通过测量值的矢量和模拟测量值的矢量之间的差来确定实际症状的矢量,模拟测量值的所述矢量将通过从边界物理量模拟健康模型所获得的内部物理量的值组合在一起,
·并且,对于所确定的迭代次数:
ο通过使用当前故障矢量的每个故障值的概率定律进行伪随机采样从当前故障矢量确定所提出的故障矢量,故障矢量将表示一个或多个故障的值组合在一起;
ο使用以下来确定所提出的故障矢量的接受概率:实际症状矢量、故障矩阵、当前故障矢量、给定当前故障矢量的实际症状矢量的概率分布、所提出的故障矢量、给定所提出的故障矢量的实际症状矢量的概率分布、以及故障矢量值的出现的先验概率分布,所述故障矩阵将每个故障对内部物理量的后果组合在一起;
ο根据所提出的故障矢量的接受概率,将当前故障矢量替换或不替换为所提出的故障矢量,
·通过计算涉及所述故障的迭代次数来表征故障。
本发明有利地通过单独地或根据它们不同的可能组合所采用的以下不同特征来完成:
-确定所提出的故障矢量的接受概率使用所提出的症状矢量和当前症状矢量,使用故障矩阵从当前故障矢量确定当前症状矢量,并且使用故障矩阵从所提出的故障矢量确定所提出的症状矢量;
-故障矩阵的每列对应于至少一个故障的签名矢量,该签名矢量表示所述故障对由传感器测量出的内部物理量的影响,并且矩阵的行数由所考虑的测量出的内部物理量的数量来确定,并且矩阵的列数由所考虑的故障的数量来确定;
-该方法包括确定故障矩阵的先前步骤,其中针对每个故障:
-通过从边界物理量模拟健康模型来确定模拟测量结果的第一矢量;
-通过模拟健康模型通过根据故障改变健康模型与相同边界物理量的关系来确定模拟测量结果的第二矢量;
确定对应于第二矢量和第一矢量之间的差的故障的签名矢量;
-影响系统的故障集是预先已知的并被输入到已知故障的矢量,并且在迭代期间,当前故障矢量由已知故障的矢量完成;
-根据故障矩阵、当前故障矢量和已知故障的矢量来确定当前症状矢量,并根据故障矩阵、所提出的故障矢量和已知故障的矢量来确定所提出的症状矢量;
-对故障的表征包括确定系统中存在故障的概率和/或确定该故障的值;
-通过比较所提出的故障矢量的点处的联合定律密度与当前故障矢量的点处的联合定律密度来确定所提出的故障矢量的接受概率,通过以下来确定上述点处的联合定律密度:实际观察到的症状的矢量、故障矩阵、所提出的故障矢量、当前故障矢量、给定当前故障矢量的症状矢量的概率分布、给定所提出的故障矢量的症状矢量的概率分布、以及故障矢量值的出现的先验概率分布。
本发明还涉及一种计算机程序产品,包括用于在计算机上执行所述程序时执行根据本发明的方法的步骤的程序代码指令。优选地,该计算机程序产品采用计算机可读的支持形式,其上存储有所述程序代码指令。
附图说明
本发明的其他特征、目的和优点将从以下描述中变得清楚,该描述纯粹是说明性的而非限制性的,并且应该参考附图进行阅读,在附图中:
-图1是示出了表征方法的主要步骤的示意图;
-图2是贝叶斯树的说明图。
具体实施方式
系统将多个内部物理量组合在一起并由多个边界物理量界定。内部物理量的演变取决于系统的操作,而边界物理量的演变不取决于所考虑的系统的操作。因此,在边界物理量中找到例如由系统外部的用户施加的系统的操作设定点或外部温度。因此,边界物理量在所考虑的系统外部,且因此与其中的故障无关。
该系统是仪表化的,也就是说,它设有测量内部物理量和外部物理量的值的多个传感器。优选地,该系统包括至少十个传感器。实际上,本发明是稳固的并且在大尺寸上特别感兴趣。从十个左右的传感器,它与基于不能有效地表征不良仪器化的复杂问题的学习而进行工作的现有技术的方法不同。
出于说明并且以非限制性方式,下面将描述在其中要表征故障的系统是核电站的一部分的情况下的本发明。本发明可以应用于其他类型的系统或装置,并且特别适用于任何电力生产发电厂(例如碳或气体发电厂)。
所考虑的系统由核反应堆的次级回路构成。次级回路是用于循环传热流体的闭合回路,其在蒸汽发生器的水平处接收来自初级回路的热量并将机械功提供给产生电力的涡轮发电机组。
核电站的这种次级回路包括数百个传感器。然而,没有必要利用所有测量结果,并且可以通过利用更少的传感器,通过选择与考虑故障最相关的传感器来实现本发明。作为示例,可以通过利用大约80个不同的传感器(其从而产生80个物理量的80个测量结果)来实现用于核电站的次级回路的方法。
在该示例中,边界物理量可以例如选自进入蒸汽发生器的初级回路的流体的流速和温度、冷凝器的冷源的温度和流速、由网络吸取的电功率、清洗的流速等。内部物理量例如是次级回路的不同点处的传热流体的温度、压力或流速等。
该系统由健康模型建模,该健康模型建立了在没有故障的情况下将内部物理量彼此关联并且将其与边界物理量相关联的关系。在健康模型中识别系统的每个传感器。系统的建模是根据系统的部件和本领域技术人员已知的物理方程执行的。在核电站的示例中,健康模型由此指定在已建立的操作和全功率下的次级回路的完整建模。该模型是基于次级回路的边界条件,并且在模拟中,重新计算内部物理量,对于回路上的每个测量点,其可以认为是次级回路的热液压。在模拟期间,模型根据边界条件计算系统的预期热液压状态。它特别地计算传感器测量出的每个内部物理量的预期值。
故障矩阵的创建
该方法包括为系统创建故障矩阵M故障的先前步骤。故障是能够影响系统的热液压操作的物理损坏。故障矩阵将每个故障的所有签名组合在一起,并因此将能够影响系统的热液压操作的物理故障组合在一起。对于次级回路,它可能例如涉及阀的密封性的损失、加热器单元管的破裂、涡轮叶片的机械劣化等。
因此,故障被定义为相对于健康模型使内部物理量彼此关联并且将其与边界物理量相关联的关系的改变。故障矩阵的创建是基于在退化条件下的系统建模。通过该方法考虑的每个故障被特别地模拟,并且使得可以创建故障的模拟测量症状的矢量,其用于构建矩阵。
故障矩阵定义了在内部物理量上针对系统列出的多个可能故障的后果。对于诊断中嵌入的每个故障,故障矩阵将其在所有可用测量结果上的签名大写。因此,故障矩阵执行退化模型的矩阵近似,以用于计算时间考虑。故障矩阵采用数学矩阵的形式(即根据多个维度的有组织的数据集)。
矩阵的行数通过由系统上可用的传感器测量出的并在该方法中考虑的系统的内部物理量的列表确定。至少部分地由本领域技术人员的专业知识已知的能够影响系统的故障的数量使得可以确定矩阵的列数。要注意的是,可以预测本领域技术人员尚未遇到的故障,但列出为可能的事件,例如通过列出系统的每个部件的所有可能的损坏(泄漏、破裂、积垢、堵塞等)。这使得可以在工业系统的设计阶段准备对工业系统的诊断。
该矩阵方面使得该方法易于发展,这是因为给定内部物理量(例如通过添加测量内部物理量的传感器)导致了向故障矩阵添加新行。类似地,识别新故障会导致添加新列。
通过建模填写故障矩阵
故障矩阵的每列构成了所有传感器上的退化的签名,也就是说该故障对所考虑的每个测量出的内部物理量具有影响,每行对应于测量出的内部物理量。
因此搜索每个故障的签名,其中对每个传感器的影响构成了故障矩阵的分量。要注意的是,矩阵的分量不一定是常数系数。
通过模拟退化条件下的系统的建模来确定故障矩阵的分量。从健康模型中,通过修改健康模型的内部参数,即通过修改使所述内部物理量彼此关联并将其与边界物理量相关联的关系的模型中的转换并且如果需要的话,则通过添加合适的方程式来考虑对应于故障的退化,在健康模型中实现每个故障。例如,如果健康管道中的流体输送保持流速,则因此在管道中存在流速的保持的关系。另一方面,管道中的泄漏将导致管道中的泄漏流速的损失。因此,可建议通过修改关联管道输入流速和输出流速的等式来表示该故障。
Di记录了故障(例如泄漏),和di记录了该故障的值(例如泄漏的流速)。要注意的是,相同的故障可以采用表征其幅度的多个值,诸如例如相同泄漏的多个流速。对于每个故障(并且可能对于每个故障值),确定对应于系统的故障操作的模拟测量结果的矢量,其与对应于系统的健康操作的模拟测量结果的矢量进行比较。
一方面,通过从边界物理量进行预先模拟健康模型,可以获得所有内部物理量的模拟值的矢量健康模型的模拟测量结果的相同矢量可以用于表征所有故障。实际上,由于系统的健康模型没有被修改(除了系统的修改之外,例如在系统的部件被具有其他特征的另一部件替换的情况下),模拟产生的值将是相同的。因此,不必再次执行对健康模型的模拟来表征每个故障。
系统对故障的响应近似为健康模型的响应,在其值di处添加了故障Di的签名:
为了简化,可以使用线性近似来表征故障系统的行为,这导致使用具有常系数的签名矢量V签名Di:
由于模拟值的矢量和通过模拟健康模型和退化模型是已知的,因此可以确定故障的签名,其可以根据情况采用签名矢量或签名函数的形式,使得可以确定签名矢量。通过扩展,要注意的是,函数也可以在具有多个维度的空间上定义,该空间的元素是表示故障累积的矢量。如果多个故障的共存对它们各自的签名产生相互影响,那么这是有趣的。在下面的描述中,将使用具有常系数的签名矢量来进行简化。
在无法模拟模型的错误行为(忽略退化现象等)或合并从数字故障模型导出的签名的情况下,可以设想在回顾诊断的过去故障期间利用系统的测量结果的存档来显示其签名。为此,只需将存档的测量结果与故障发生条件下的健康模型的模拟结果进行比较即可。
然后可以构建故障矩阵,这是因为该故障矩阵的每列对应于故障的签名矢量。如上所述,由于故障矩阵定义了每个列出的故障对内部物理量的预期结果,因此在存在故障的情况下对修改健康系统的操作进行建模。
获取系统的测量结果
如上所述,该系统设有测量健康模型的操作所需的内部物理量和外部物理量的值的多个传感器。这些传感器用于读取内部物理量集的测量结果。
优选地,该方法应用于处于静止或周期状态的稳定系统,其可以通过不依赖于时间的量(例如频率、移相、幅度)来描述。因此,在获得能够表征潜在故障的测量结果之前,系统的操作是稳定的以便防止可能的短暂影响。它涉及不修改系统的操作参数。在核电站的次级回路的情况下,它涉及保持固定的电力生产水平而不作用在回路的阀门上。在这种情况下并作为指示,5到10分钟的稳定可以使可用的测量结果足够稳定,然后通过传感器获取20分钟的测量结果。
在稳定状态期间,读取传感器对内部物理量集的测量结果。由此从这些读数构建测量出的测量结果的矢量(步骤S01)。优选地,对于每个传感器,读取多个测量结果,并使用它们的平均值。例如,对于每个传感器,可以周期性地(例如每2秒钟)读取测量结果。然后,这些测量结果的平均值构成该传感器的测量值。
可以对每个测量读数进行验证以检测其中的不相关性。第一个测试包括验证每个测量结果在传感器测量出的物理量的相干限度内。由此可以忽略由于无序传感器而明显错误的测量值,诸如例如次级回路的水的摄氏度的负温度。根据另一个测试,相同传感器的每个测量结果的时间系列的标准偏差必须包括在对应于传感器的正常标准偏差的限度内。由此可以忽略过高演变表明传感器故障的测量结果。
然后可以创建布尔矢量作为(相同维度的)测量出的测量结果的矢量的镜像,其存储与测试成功相关的信息:如果测试成功,则为一个值(例如1),并且如果测试失败,则为另一个值(例如0)。然后获得测量结果的观察矢量,其指示出针对每次测量结果,如果其是正确,则必须被考虑,或相反地如果其是假的,则必须被掩盖,也就是说没有被考虑。因此,错误的测量结果被保留在矢量中,但在方法中未考虑(未观察到的症状)。
预期值的矢量
当已经读取测量结果时,健康模型与边界物理量一起使用,该边界物理量对应于系统的边界物理量。通过模拟健康模型,针对由传感器测量出的每个内部物理量来计算预期测量结果,这使得可以知道测量结果矢量的每个测量结果的预期值。该模拟使得可以确定对应于所经受的边界条件中的系统的健康操作(即,在没有故障的情况下)的参考。因此,每个模拟都是唯一的。由此获得与测量出的测量结果的矢量具有相同尺寸的预期测量结果的矢量(步骤S02),其将通过模拟健康模型所确定的内部物理量的值组合在一起。
实际症状的矢量
已完成的故障矢量
已完成的故障矢量被定义为清点系统中每个故障的值的矢量。它是该方法中所考虑的故障数量的维度。作为指示,对于次级回路,由于回路的复杂性及其众多部件,可以设想几十个故障。按照惯例,如果不知道故障的值(最常见的情况),则在已完成的故障矢量中默认填写零值。
然而,如果事先知道在实施该方法时影响系统的故障集,则操作员可以填写它们的值。在这种情况下,根据已完成的故障矢量创建已知故障的矢量在该方法的其余部分中,已知故障的矢量由此完成对搜索到的故障的搜索,然后将其限制为表示在未包括在由已知故障的矢量所定义的集合中的可能故障列表中列出的故障的值。
已知故障的矢量使得可以利用操作员对故障的潜在知识,并且因此可以改进对其他故障的表征,这是因为在该方法中将如此考虑该已知故障。
先验故障定律
每个故障的先验概率密度被定义为从以下组合中得出的半连续定律:
·表示故障存在概率的布尔定律,
·扫描物理上可接受的故障的不同值的恒定定律(非信息性)。
一般原理
该方法的一般原理基于以下近似:
其中,是实际症状的矢量,M故障是故障矩阵并且V故障是故障矢量。故障矩阵在此是用作嵌入方法的所有故障的系统模型的近似的先决条件。可以注意到的是,故障矩阵可以以迭代的方式容易地使用,并且因此可以在下文描述的迭代过程中通过模拟在退化条件下的系统建模来代替,这在每次迭代时将花费几秒钟。因此,使用故障矩阵可以大大地限制计算时间。
症状通过因果随机关系与故障关联,也就是说故障引起症状。物理因果关系(确定性)由故障矩阵确定。对于给定的故障组合,故障矩阵使得可以计算与故障组合相关联的症状的矢量。
从以故障矩阵表征的确定性物理因果关系推导出随机因果关系,其被理解为物理学所强加的确定性因果关系的组合,由于与测量结果和健康模型和故障矩阵的表示关联的不确定性的来源而添加了随机噪声。
未知故障的先验定律的填写、已知故障的值、关联每个故障和故障的积累与其症状的概率因果关系(通过故障矩阵)以及对多个重要症状的观察满足必要条件并且足以制定贝叶斯树,其将有必要确定联合定律。
图2示出了这种贝叶斯树的示例。未观察到的节点10对应于搜索到的故障矢量,而原始观察节点11对应于已知故障的矢量。随机因果关系12的表达式对应于故障矩阵的使用以及与健康模型的表示、故障矩阵和测量结果不确定性关联的随机噪声的引入。得到的观察节点13对应于观察到的实际症状的矢量。
联合定律
可以以算法的方式执行由此定义的贝叶斯树的联合定律的构建。随机变量是搜索到的故障(即其未被已知故障的矢量覆盖)。观察结果是观察到的实际症状和已知故障的矢量。
设X1,X2,...,Xn是希望表征的“n”个随机变量,并且O1,O2,......,Ok是在系统上进行的“k”个观察结果。然后问题的联合定律为维度n:
fX1,X2,...,Xn|O1,O2,...,Ok(x1,x2,...,xn)
对联合定律的了解使得可以充分表征对系统的诊断。
然而,难以分析地构建问题的联合定律。然而,可以使用通过对问题的所有随机变量的值的连续采样进行操作的算法以启发式方式表征搜索联合定律,并且其每个新采样完全取决于先前采样和贝叶斯网络的参数化。
以下在Metropolis算法的情况下更详细地描述该方法,Metropolis算法是蒙特卡罗马尔可夫链(Monte Carlo Markov Chains)算法的示例,其使得可以将根据该联合定律将大尺寸会聚的样本再现为伪随机采样的样本的样本。因此,利用足够多的采样,蒙特卡罗马尔可夫链算法产生的样本表示搜索联合定律。然而,要注意的是,Metropolis算法不是唯一可以通过连续采样来再现源自联合定律的样本的算法。
迭代
为了凭经验重建联合定律,以迭代的方式进行给定数量的迭代,其可以是较大的,通常大于10000次迭代,并且例如100000次迭代。每次迭代从由先前迭代产生的当前故障矢量开始,其将表示一个或多个故障的值组合在一起。当前故障矢量对应于联合定律的随机变量的矢量的表达式。
因此获得了在当前故障矢量中存在故障时系统的预期行为,这可能由已知故障完成。要注意的是,该当前症状矢量可以从已经计算过的前一次迭代中得知。然后没有必要重新计算它。
现在适当的是,从上面定义的测量结果的观察矢量和当前症状矢量来定义观察到的症状的当前矢量观察到的系统的当前矢量是当前症状矢量减少到仅经验证的测量结果。以与当前症状矢量相同的方式,可以从已经计算过的前一次迭代中获知该观察到的症状的当前矢量。然后没有必要重新计算它。
通过使用关于当前故障矢量的故障的每个值的概率定律进行伪随机采样,从当前故障矢量确定所提出的故障矢量(步骤S04)。概率定律(优选地是对称的)用作过渡函数或“跳跃函数”。跳跃函数以与退化(联合定律的随机变量)一致的这样的方式被参数化,以便能够逐步地对所提出的故障矢量进行伪随机采样。作为示例,跳跃函数可以采用高斯分布的形式,其中协方差矩阵适合于每个搜索到的故障的可接受值范围的幅度。
因此,获得了在完成的所提出的故障矢量中存在故障时的系统的预期行为。现在适当的是,从上面定义的症状的观察矢量和所提出的症状矢量来定义所提出的观察到的症状矢量所提出的观察到的症状矢量是所提出的症状矢量减少到仅经验证的测量结果。
接下来通过比较所提出的故障矢量的点处的联合定律的密度与当前故障矢量的点处的联合定律的密度来确定所提出的故障矢量的接受概率(步骤S05)。使用以下来确定该接受概率:观察到的实际症状的矢量、故障矩阵、所提出的故障矢量、当前故障矢量、给定已完成的当前故障矢量的实际症状矢量的概率分布、给定已完成的所提出的故障矢量的症状矢量的概率分布(通过故障矩阵和将每个症状与故障关联的因果关系的概率表征来定义)、以及所提出的故障矢量值的出现的先验概率分布。
根据当前(分别提出的)症状矢量和计量不确定性、模型表示的不确定性和故障矩阵表示的不确定性,给定已完成的当前故障矢量(分别给定已完成的所提出的故障矢量)来定义实际症状的矢量的概率分布。
当前(分别提出的)症状矢量是在给定当前故障矢量(分别是给定所提出的故障矢量的实际症状的矢量)的情况下对实际症状的矢量的概率分布的期望。
然后,根据该比较,当前故障矢量被替换或不替换为所提出的故障矢量,并且更具体地具有等于接受概率的概率(步骤S06)。
计算所提出的故障矢量的接受概率的数学形式化
这里提出的问题的联合定律被定义为搜索到的故障D的随机变量的概率定律,给定问题的观察,这里仅限于实际症状(因为通过假设,没有故障是已知的)。S将注意在由观察到的实际症状的矢量定义的值处观察到的症状的随机变量。
可以通过贝叶斯定理来批注:
其给出了:
在该表达式中可以被认可:
如果它被接受,则所提出的故障矢量将保留在结果样本中,并将当前故障矢量替换为视图,以便对下一个所提出的故障矢量进行采样。如果它被拒绝,则不保留所提出的故障矢量,并且它是在结果样本中第二次计数并且在随后的迭代中再次用作当前故障矢量的当前故障矢量。
该算法以启发式方式进行,通常在确定的迭代次数之后,在没有收敛目标的情况下按需停止。在每次迭代时,将新的故障矢量添加到样本中。
结果
在迭代之后,可获得由故障矢量构成的最终样本,所述故障矢量继而提出了故障矢量和当前故障矢量。最终样本被视为搜索联合定律的离散近似。然后很容易询问它来确立故障的特征。
第一当前故障矢量可能潜在地位于联合定律密度非常低的区域。在这种情况下,将观察到朝向具有更高密度的区域的会聚的某种延迟。在非常大的结果样本的情况下,该初始轨迹具有可忽略的权重,其不会扰乱联合定律的重建。在实践中,该初始轨迹导致重构的联合定律中某些值的过度表示。因此,可以选择在达到一定次数的迭代(例如至少1000或10000次迭代)之前,不在最终样本中保留故障矢量。
也可以限制与从转换函数得到的连续逐步采样相关联的自相关(并且更接近在联合定律中伪随机采样的样本),以仅在最终样本中保留从迭代中得到的一定比例的故障矢量,例如,不到三分之一、五分之一、或甚至十分之一的采样。
对结果的利用
为了对影响系统的故障进行表征,重点是列举对最终样本中每个故障的采样。从而通过计算涉及所述故障的迭代次数来表征故障(步骤S07)。
在可以确定每个故障的概率,也就是说,该故障i实际存在于给定观察到的实际症状的情况下所考虑的系统中的概率O(故障i|实际的症状):
其中,NB采样故障i是显示故障i的最终样本中的采样数(也就是说,在迭代期间具有该故障i的非零值的故障矢量的保留出现次数),并且NB采样全部是最终样本中的总采样数(也就是说,保留样本的数量)。
类似地,还可以确定故障组合的概率,也就是说,在给定观察到的实际症状的情况下的所考虑的系统中同时存在多个故障i、j和k的概率:
其中,NB采样故障i,j,k是显示了故障i、故障j和故障k的最终样本中的采样数(也就是说,具有与这些故障i、j、k相关联的非零值的故障矢量的保留出现次数)。根据定义,故障组合的概率对应于这些故障的交叉概率。通过扩展,可以识别关于存在一个或多个故障的任何逻辑命题的概率。
还可以通过确定与故障相关联的值来量化故障,该值对应于使该故障i出现在最终样本中的故障矢量所取的值di(也就是说值di严格不同于0)的平均数:
值故障i=平均数(di≠0)
验证
一旦识别了最可能的诊断,就希望回顾性地确保在库中嵌入的故障中确实找出解释观察到的症状的那些故障。实际上,通过构建,由此执行的诊断是不完整的,这是因为它没有嵌入可能在系统上发生的全部故障。因此,如果非预期的故障表达本身,则诊断将是错误的,或者至少是不完整的,这是因为仅可以诊断问题的一部分。
为了克服该问题,该方法可以包括验证步骤,其中计算用于接受诊断的标准,以防止不令人满意的诊断并识别非预期问题的发生。
如果(通过故障矩阵计算出的)与症状相关联的症状矢量与观察到的实际症状的矢量一致,则系统的状态(即,故障或系统中存在的故障的组合的表征)被认为是可接受的。
然后将这种理论症状矢量与观察到的实际症状的矢量进行比较,以决定诊断可接受性的后验。因此,警报标准将取决于将理论症状的矢量分开的距离,从而从实际症状的矢量进行重建。这种比较有可能使用任何距离标准,诸如最常见的标准(差的绝对值、欧几里德范数等)。
可以将症状矢量与表示本领域技术人员解释其每个值的能力的概率分布相关联,其归结为将每个症状矢量与不确定性相关联。这种不确定性可以以症状矢量为中心的多项式定律的形式输入。
由症状矢量承担的不确定性的来源直接回应用于在上述贝叶斯过程中表征将症状与故障关联的概率因果关系的那些。它们主要有几种类型,其最好限制:
-特定于测量结果的误差,被指定为计量误差;
-健康模型的代表性误差(在数字模型的设定阶段获得);
-故障矩阵的代表性误差。
由此量化的误差使得可以将用于表征症状矢量的可变性的概率定律的协方差矩阵(例如,多维正态)参数化。因此,可以表征概率定律的置信区间来量化诊断的验证标准。值得注意的是,可以认为诊断验证标准对应于最小值(记为α),使得观察到的实际症状的矢量在以理论症状的矢量为中心的多维正态定律(在置信区间的椭圆定义中)的α水平置信区间内。
面对无效的诊断,可以依靠观察到的实际症状的矢量进行补充研究,并可以在那之前识别未知的诊断故障。为了丰富未来的诊断以搜索该新的故障,然后足以修改上面提到的故障矩阵,以便一旦通过其他方式(例如通过专业知识)识别出所述故障就将该故障考虑在内。
本发明不限于所描述的实施例。在没有全部都超出本发明的保护范围的情况下,修改仍然是可能的,特别是从各种部件的构造的视角或通过技术等同物的替代。
Claims (8)
1.一种用于表征系统中的一个或多个故障的方法,所述系统将多个内部物理量组合在一起并由多个边界物理量界定,
所述系统由健康模型建模,所述健康模型建立了在没有故障的情况下使所述内部物理量彼此关联并使所述内部物理量与所述边界物理量关联的关系,故障被定义为:相对于所述健康模型使所述内部物理量彼此关联并使所述内部物理量与所述边界物理量关联的关系的改变,
所述系统设有测量内部物理量和边界物理量的值的多个传感器,
所述方法包括:
·通过读取由所述传感器测量出的内部物理量的值,确定内部物理量集的测量出的测量结果的矢量,
·通过测量出的测量结果的矢量与预期测量结果的矢量之间的差来确定实际症状的矢量,所述预期测量结果的矢量将从边界物理量通过模拟健康模型所获得的内部物理量的值组合在一起,
其中,所述方法还包括:
·对于确定的迭代次数:
o通过对当前故障矢量的每个故障值使用概率定律进行伪随机采样从所述当前故障矢量确定所提出的故障矢量,故障矢量将表示一个或多个故障的值组合在一起;
o使用以下来确定所提出的故障矢量的接受概率:实际症状矢量、故障矩阵、当前故障矢量、给定当前故障矢量的实际症状矢量的概率分布、所提出的故障矢量、给定所提出的故障矢量的实际症状矢量的概率分布、以及故障矢量值的发生的先验概率分布,所述故障矩阵将每个故障对所述内部物理量的作用结果组合在一起,
o将所述当前故障矢量替换或不替换为所提出的故障矢量,其中替换所述当前故障矢量的概率等于所提出的故障矢量的接受概率,
·通过计算在当前故障矢量中涉及所述故障的迭代次数来表征故障。
2.根据权利要求1所述的方法,其中,确定所提出的故障矢量的接受概率另外使用了所提出的症状矢量和当前症状矢量,使用所述故障矩阵从所述当前故障矢量来确定所述当前症状矢量,并且使用所述故障矩阵从所提出的故障矢量来确定所提出的症状矢量。
3.根据权利要求1所述的方法,其中,所述故障矩阵的每列对应于至少一个故障的签名矢量,其表示所述故障对由传感器测量出的内部物理量的影响,并且矩阵的行数由所考虑的测量出的内部物理量的数量确定,并且所述矩阵的列数由所考虑的故障的数量确定。
4.根据权利要求3所述的方法,包括在先的步骤:确定所述故障矩阵,其中针对每个故障:
-从所述边界物理量通过模拟所述健康模型来确定模拟测量结果的第一矢量;
-通过改变使所述内部物理量彼此关联并使所述内部物理量与所述边界物理量关联的随故障变化的所述健康模型与相同边界物理量的关系而模拟所述健康模型来确定所述模拟测量结果的第二矢量;
所述故障的签名矢量对应于所述第二矢量和所述第一矢量之间的差。
5.根据权利要求1所述的方法,其中,影响所述系统的故障集是预先已知的并被输入到已知故障的矢量中,并且在所述迭代期间,所述当前故障矢量由已知故障的矢量完成。
6.根据权利要求5所述的方法,其中,确定所提出的故障向量的接受概率使用了所提出的症状矢量和当前症状矢量,并且其中,从所述故障矩阵、所述当前故障矢量和已知故障的矢量来确定所述当前症状矢量,并且从所述故障矩阵、所提出的故障矢量和已知故障的矢量来确定所提出的症状矢量。
7.根据权利要求1所述的方法,其中,对故障的表征包括确定系统中存在故障的概率和/或确定该故障的值。
8.根据权利要求1所述的方法,其中,通过比较所提出的故障矢量的点处的联合定律密度与所述当前故障矢量的点处的联合定律密度来确定所提出的故障矢量的接受概率,通过以下来确定上述点处的联合定律密度:实际症状的矢量、所述故障矩阵、所提出的故障矢量、所述当前故障矢量、给定所述当前故障矢量的实际症状矢量的概率分布、给定所提出的故障矢量的实际症状矢量的概率分布、以及所提出的故障矢量的值的出现的先验概率分布。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
FR1663261 | 2016-12-22 | ||
FR1663261A FR3061324B1 (fr) | 2016-12-22 | 2016-12-22 | Procede de caracterisation d'une ou plusieurs defaillances d'un systeme |
PCT/FR2017/053577 WO2018115646A1 (fr) | 2016-12-22 | 2017-12-14 | Procede de caracterisation d'une ou plusieurs defaillances d'un systeme |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110431499A CN110431499A (zh) | 2019-11-08 |
CN110431499B true CN110431499B (zh) | 2020-11-27 |
Family
ID=58347636
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201780086941.3A Active CN110431499B (zh) | 2016-12-22 | 2017-12-14 | 用于表征系统中的一个或多个故障的方法 |
Country Status (7)
Country | Link |
---|---|
US (1) | US20190318837A1 (zh) |
EP (1) | EP3559767B1 (zh) |
JP (1) | JP6774576B2 (zh) |
KR (1) | KR102174223B1 (zh) |
CN (1) | CN110431499B (zh) |
FR (1) | FR3061324B1 (zh) |
WO (1) | WO2018115646A1 (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11943236B2 (en) * | 2018-04-26 | 2024-03-26 | Hitachi Energy Ltd | Technologies for detecting cyber-attacks against electrical distribution devices |
FR3093806B1 (fr) * | 2019-03-15 | 2021-04-02 | Safran Aircraft Engines | Procédé de détection d’une fuite éventuelle de carburant dans un circuit d’huile d’un moteur d’aéronef |
CN112486722B (zh) * | 2020-12-18 | 2024-02-27 | 江西理工大学 | 一种系统故障检测方法及相关装置 |
CN113282433B (zh) * | 2021-06-10 | 2023-04-28 | 天翼云科技有限公司 | 集群异常检测方法、装置和相关设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6898554B2 (en) * | 2000-06-12 | 2005-05-24 | Scientific Monitoring, Inc. | Fault detection in a physical system |
EP1677172A3 (en) * | 2004-12-29 | 2006-08-02 | General Electric Company | Method and apparatus for in-situ detection and isolation of aircraft engine faults |
FR2932583A1 (fr) * | 2008-06-13 | 2009-12-18 | Airbus France | Procede et dispositif d'auto-detection de panne dans un systeme embarque. |
CN102094626A (zh) * | 2010-12-20 | 2011-06-15 | 中国石油天然气股份有限公司 | 油井故障实时预警方法和系统 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6917839B2 (en) * | 2000-06-09 | 2005-07-12 | Intellectual Assets Llc | Surveillance system and method having an operating mode partitioned fault classification model |
US20080188972A1 (en) * | 2006-10-11 | 2008-08-07 | Fisher-Rosemount Systems, Inc. | Method and System for Detecting Faults in a Process Plant |
JP4413915B2 (ja) * | 2006-12-13 | 2010-02-10 | 株式会社東芝 | 異常兆候検出装置および方法 |
JP5048625B2 (ja) * | 2008-10-09 | 2012-10-17 | 株式会社日立製作所 | 異常検知方法及びシステム |
EP2440980A1 (en) * | 2009-06-12 | 2012-04-18 | BAE Systems PLC | Assisting failure mode and effects analysis of a system |
JP5431235B2 (ja) * | 2009-08-28 | 2014-03-05 | 株式会社日立製作所 | 設備状態監視方法およびその装置 |
JP5363927B2 (ja) * | 2009-09-07 | 2013-12-11 | 株式会社日立製作所 | 異常検知・診断方法、異常検知・診断システム、及び異常検知・診断プログラム |
GB2500388B (en) * | 2012-03-19 | 2019-07-31 | Ge Aviat Systems Ltd | System monitoring |
JP5943357B2 (ja) * | 2014-09-17 | 2016-07-05 | インターナショナル・ビジネス・マシーンズ・コーポレーションInternational Business Machines Corporation | 検出装置、検出方法、およびプログラム |
US20160217379A1 (en) * | 2015-01-27 | 2016-07-28 | University Of Southern California | Shapelet-Based Oilfield Equipment Failure Prediction and Detection |
JP6610987B2 (ja) * | 2015-02-18 | 2019-11-27 | 株式会社Ihi | 異常診断方法及び異常診断システム |
US9696947B1 (en) * | 2016-06-09 | 2017-07-04 | Xerox Corporation | Fault identification for a printing system |
-
2016
- 2016-12-22 FR FR1663261A patent/FR3061324B1/fr not_active Expired - Fee Related
-
2017
- 2017-12-14 EP EP17822004.2A patent/EP3559767B1/fr active Active
- 2017-12-14 CN CN201780086941.3A patent/CN110431499B/zh active Active
- 2017-12-14 JP JP2019555070A patent/JP6774576B2/ja active Active
- 2017-12-14 WO PCT/FR2017/053577 patent/WO2018115646A1/fr unknown
- 2017-12-14 US US16/471,857 patent/US20190318837A1/en not_active Abandoned
- 2017-12-14 KR KR1020197021478A patent/KR102174223B1/ko active IP Right Grant
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6898554B2 (en) * | 2000-06-12 | 2005-05-24 | Scientific Monitoring, Inc. | Fault detection in a physical system |
EP1677172A3 (en) * | 2004-12-29 | 2006-08-02 | General Electric Company | Method and apparatus for in-situ detection and isolation of aircraft engine faults |
FR2932583A1 (fr) * | 2008-06-13 | 2009-12-18 | Airbus France | Procede et dispositif d'auto-detection de panne dans un systeme embarque. |
CN102094626A (zh) * | 2010-12-20 | 2011-06-15 | 中国石油天然气股份有限公司 | 油井故障实时预警方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110431499A (zh) | 2019-11-08 |
EP3559767B1 (fr) | 2020-05-13 |
KR102174223B1 (ko) | 2020-11-04 |
WO2018115646A1 (fr) | 2018-06-28 |
KR20200011406A (ko) | 2020-02-03 |
EP3559767A1 (fr) | 2019-10-30 |
JP6774576B2 (ja) | 2020-10-28 |
US20190318837A1 (en) | 2019-10-17 |
FR3061324A1 (fr) | 2018-06-29 |
FR3061324B1 (fr) | 2019-05-31 |
JP2020503632A (ja) | 2020-01-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110431499B (zh) | 用于表征系统中的一个或多个故障的方法 | |
JP6686151B2 (ja) | モデルパラメータ値推定装置及び推定方法、プログラム、プログラムを記録した記録媒体、モデルパラメータ値推定システム | |
CN107111311B (zh) | 利用稀疏编码方法的燃气涡轮机传感器故障检测 | |
Alblawi | Fault diagnosis of an industrial gas turbine based on the thermodynamic model coupled with a multi feedforward artificial neural networks | |
Venturini et al. | Prediction reliability of a statistical methodology for gas turbine prognostics | |
Mamdikar et al. | Dynamic reliability analysis framework using fault tree and dynamic Bayesian network: A case study of NPP | |
Ren et al. | A new reconstruction-based auto-associative neural network for fault diagnosis in nonlinear systems | |
ITTO20090182A1 (it) | Procedimento per la generazione di relazioni di ridondanza analitica per la diagnosi di sistemi | |
Loboda et al. | A benchmarking analysis of a data-driven gas turbine diagnostic approach | |
Kumar et al. | Reliability analysis and safety model checking of Safety-Critical and control Systems: A case study of NPP control system | |
Li et al. | Model-based monitoring and fault diagnosis of fossil power plant process units using group method of data handling | |
Uren et al. | An integrated approach to sensor FDI and signal reconstruction in HTGRs–Part I: Theoretical framework | |
CN110688152B (zh) | 一种结合软件开发质量信息的软件可靠性定量评估方法 | |
Medjaher et al. | Diagnostic bond graphs for direct residual evaluation | |
Hu et al. | Multivariate anomaly detection in real-world industrial systems | |
Jiang et al. | Bayesian calibration for power splitting in single shaft combined cycle plant diagnostics | |
Zarate et al. | Computation and monitoring of the deviations of gas turbine unmeasured parameters | |
Kumar et al. | A Bayesian belief network model for early prediction of reliability for computer-based safety-critical systems | |
Castillo et al. | Data-Driven Models for Gas Turbine Online Diagnosis. Machines 2021, 9, 372 | |
Jarrett et al. | Validation of a Gas Turbine Thermodynamic Model Without Accurate Component Maps | |
Höhna et al. | Phylogeny simulation and diversification rate analysis with TESS | |
EP3958187A1 (en) | Method for supervising a function of a technical system and supervising unit | |
Ricordeau et al. | Application of random forests to engine health monitoring | |
Jiang et al. | Bayesian Calibration for Power Splitting in Single-Shaft Combined Cycle Plant Diagnostics | |
Sabrina et al. | Sensor Placement Optimization For FDI: Graph Tripartite Approach. |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20221024 Address after: Paris France Patentee after: Metroscope Address before: Paris France Patentee before: ELECTRICITE DE FRANCE Patentee before: Metroscope |
|
TR01 | Transfer of patent right |