CN112969973A - 用于机械系统的自动化视情维修的方法和系统 - Google Patents
用于机械系统的自动化视情维修的方法和系统 Download PDFInfo
- Publication number
- CN112969973A CN112969973A CN201980073726.9A CN201980073726A CN112969973A CN 112969973 A CN112969973 A CN 112969973A CN 201980073726 A CN201980073726 A CN 201980073726A CN 112969973 A CN112969973 A CN 112969973A
- Authority
- CN
- China
- Prior art keywords
- data
- fault detection
- detection system
- component
- fault
- 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
Links
- 238000000034 method Methods 0.000 title abstract description 17
- 238000012423 maintenance Methods 0.000 title abstract description 7
- 238000001514 detection method Methods 0.000 claims description 82
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000003247 decreasing effect Effects 0.000 claims description 2
- 238000001914 filtration Methods 0.000 claims description 2
- 230000001131 transforming effect Effects 0.000 claims description 2
- 230000000007 visual effect Effects 0.000 abstract description 5
- 238000004458 analytical method Methods 0.000 description 48
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 31
- 230000008878 coupling Effects 0.000 description 15
- 238000010168 coupling process Methods 0.000 description 15
- 238000005859 coupling reaction Methods 0.000 description 15
- 239000007789 gas Substances 0.000 description 15
- 239000000567 combustion gas Substances 0.000 description 11
- 238000011084 recovery Methods 0.000 description 11
- 238000002955 isolation Methods 0.000 description 8
- 238000004393 prognosis Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000004804 winding Methods 0.000 description 6
- 238000013500 data storage Methods 0.000 description 4
- 239000000446 fuel Substances 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 3
- 238000005206 flow analysis Methods 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000013145 classification model Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000001816 cooling Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 238000001845 vibrational spectrum Methods 0.000 description 2
- 206010011906 Death Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000012152 algorithmic method Methods 0.000 description 1
- 238000013398 bayesian method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- G05B23/0267—Fault communication, e.g. human machine interface [HMI]
-
- 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
- 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
- G05B23/0281—Quantitative, e.g. mathematical distance; Clustering; Neural networks; Statistical analysis
-
- 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
- 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
- G05B23/0286—Modifications to the monitored process, e.g. stopping operation or adapting control
-
- 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
- Y02E20/00—Combustion technologies with mitigation potential
- Y02E20/16—Combined cycle power plant [CCPP], or combined cycle gas turbine [CCGT]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Algebra (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Probability & Statistics with Applications (AREA)
- Pure & Applied Mathematics (AREA)
- Human Computer Interaction (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本申请提供了用于机械系统的自动化视情维修的方法和系统。示例性系统可包括耦接到一个或多个计算机处理器的至少一个存储器，该一个或多个计算机处理器被配置为从机械系统接收指示机械系统的第一部件的性能的第一数据，使用该第一数据来确定第一部件的第一性能度量，使用该第一性能度量来确定在第一部件处已发生故障的概率值，以及使用该概率值来确定第一部件失效前的预测时间长度。
Description
技术领域
本申请和所得专利总体涉及机械系统，并且更具体地涉及检测和预测机械系统和/或相关部件的故障和/或失效。
背景技术
发电厂可具有互连部件，这些互连部件可受到多个操作过程影响。概括地说，组合的循环发电系统使用气体涡轮和蒸汽涡轮的组合来产生电力或以其他方式驱动负载。具体地讲，气体涡轮循环可经由热回收蒸汽发生器等与蒸汽涡轮循环可操作地组合。热回收蒸汽发生器可以是多段热交换器，其使得用于蒸汽生成过程的给水能够由气体涡轮废气的热燃烧气体加热。组合的循环发电厂布置结构的主要效率是对气体涡轮废气的原本“浪费的”热量的利用。因此，发电厂操作员的目标在于由气体涡轮废气中的热量生成最大可能的有用功。
一些发电厂可具有不止一个给水系统来用于热回收蒸汽发生器。例如，初级给水系统可用于热回收蒸汽发生器，而次级给水系统可用作备用系统。然而，次级给水系统可能是昂贵的并且可能不会影响热回收蒸汽发生器的性能。此外，在初级给水系统不可用的情况下，可能主要需要次级给水系统。不可用性可能是由于部件失效、服务等造成的。预期的不可用性(诸如计划的服务)可以是可接受的，因为发电厂可相应地进行计划。然而，意料不到的不可用性可能是不可接受的，并且在一些情况下，可能导致对次级给水系统的依赖。
发明内容
本申请和所得专利提供了用于检测机械系统的故障的故障检测系统。该故障检测系统可包括：至少一个存储器，该至少一个存储器存储计算机可执行指令；和一个或多个计算机处理器，该一个或多个计算机处理器耦接到该至少一个存储器并被配置为执行计算机可执行指令以便从机械系统接收指示该机械系统的第一部件的性能的第一数据，使用该第一数据来确定第一部件的第一性能度量，使用该第一性能度量来确定在第一部件处已发生故障的概率值，以及使用该概率值来确定第一部件失效前的预测时间长度。
本申请和所得专利还提供了用于检测机械系统的故障的方法。该方法可包括：通过服务器从机械系统接收指示该机械系统的第一部件的性能的第一数据，使用该第一数据来确定第一部件的第一性能度量，使用该第一性能度量来确定在第一部件处已发生故障的概率值，以及使用该概率值来确定第一部件失效前的预测时间长度。
本申请和所得专利还提供了用于检测机械系统的故障的故障检测系统。该故障检测系统可包括：至少一个存储器，该至少一个存储器存储计算机可执行指令；和一个或多个计算机处理器，该一个或多个计算机处理器耦接到该至少一个存储器并被配置为执行计算机可执行指令以便从机械系统接收指示该机械系统的第一部件的性能的第一数据和第二数据，使用该第一数据和第二数据来确定第一部件的第一性能度量，使用该第一性能度量来确定在预定时间间隔内将在第一部件处发生故障的可能性，以及确定第一部件失效前的预测时间长度。
在结合若干附图和所附权利要求阅读以下详细描述后，本申请和所得专利的这些和其他特征和改善对于本领域普通技术人员将变得显而易见。
附图说明
图1是具有气体涡轮、蒸汽涡轮和热回收蒸汽发生器的已知组合循环发电厂以及给水系统的部件的示意图。
图2是本文可能描述的给水系统分析和故障检测系统的示意图。
图3是本文可能描述的机械系统的自动化视情维修的示例性工艺流程。
图4至图7是本文可能描述的给水系统分析的示意图。
图8是本文可能描述的机械系统的自动化视情维修的另一示例性工艺流程。
具体实施方式
现在参见附图，其中在若干视图中，类似的数字是指类似的元件。图1是示例性组合循环系统100的示意图。该组合循环系统100包括气体涡轮引擎110。该气体涡轮引擎110可包括压缩机112。该压缩机112压缩进入的空气流114。该压缩机112将压缩的空气流输送到燃烧器116。该燃烧器116将压缩的空气流与加压的燃料流118混合并点燃混合物，从而产生燃烧气体流120。尽管仅示出单个燃烧器116，但气体涡轮引擎110可包括以圆周阵列等定位的任何数量的燃烧器116。该燃烧气体流120继而被输送到涡轮122。该燃烧气体流120驱动涡轮122以便产生机械功。涡轮122中产生的机械功经由轴124驱动压缩机112并驱动外部负载126(诸如发电机等)。
该气体涡轮引擎110可使用天然气、各种类型的合成气、液体燃料和/或其他类型的燃料及其共混物。该气体涡轮引擎110可具有不同的构造并且可使用其他类型的部件。在本文中也可以使用其它类型的气体涡轮引擎。本文中还可一起使用多个气体涡轮引擎、其它类型的涡轮以及其它类型的发电装备。
该组合循环系统100还可包括至少一个热回收蒸汽发生器130和蒸汽涡轮136。该热回收蒸汽发生器130可从离开气体涡轮引擎110的燃烧气体120回收热量，以产生蒸汽流132以在蒸汽涡轮136中膨胀。蒸汽涡轮136可驱动另外的负载138，诸如发电机等。该热回收蒸汽发生器130可具有一个或多个压力段，诸如高压段、中压段和低压段。每个压力段可包括蒸发器、过热器和/或节油器的任何组合。这些部件中的每个部件通常包括管束，燃烧气体120流过这些管束，从而将热量从燃烧气体120传递到热交换流体(诸如流过管道的水)。例如，该蒸发器可包括流过管道的给水，并且燃烧气体120可促使给水变成蒸汽。该过热器可包括流过管道的蒸汽，并且燃烧气体120可加热该蒸汽以产生过热蒸汽。该节油器可包括流过管道的给水，并且热燃烧气体120可预热给水以用于蒸发器中。燃烧气体120可作为冷却废气134离开热回收蒸汽发生器130。蒸汽132可从蒸汽涡轮136提取并供应到加热和冷却应用140。相似地，蒸汽132可从热回收蒸汽发生器130提取并供应到加热和冷却应用140。
图1中还示出了给水系统150。给水系统150可用于为蒸汽生成过程提供给水。给水系统150可包括多个部件。例如，给水系统150可包括电动马达152、变速联轴器156和泵158，它们各自使用轴联接在一起。可使用其他构造和部件。
给水系统150可包括一个或多个传感器，该一个或多个传感器可用于检测给水系统150的某些量度和/或部件性能。例如，给水系统150可包括被配置为沿着轴的各个点测量扭矩和/或相对轴振动的扭矩计154、156、键相/速度传感器、温度传感器、流量传感器、马达绕组绝缘泄漏电流传感器、相对轴振动传感器、壳体温度传感器、抽吸传感器、压力传感器、轴向位移传感器和/或其他传感器。这些传感器中的一个或多个传感器可围绕电动马达152、变速联轴器156和/或泵158安置。来自这些传感器中的一个或多个传感器的输出(诸如量度或读数)可由故障检测系统用来确定是否已经发生故障和/或部件失效的可能性，以及如本文描述的其他功能。可使用具有不同类型和/或定位的传感器的给水系统的其他配置。
图2是本文可能描述的给水系统分析和故障检测系统的示意图。与相对于图2所示的示例所讨论的那些相比，其他实施方案可具有另外的、更少的和/或不同的部件或构造。
给水系统分析和故障检测系统可包括给水系统200。可使用上下文和时间将由给水系统200处的一个或多个传感器或计算机系统捕获的分析和/或数据从设备分配到机群。例如，给水系统200的示意图包括沿着联接马达和泵的轴安置的一组温度传感器210。在一些实施方案中，该组温度传感器210中可包括不止一个温度传感器。该温度传感器可在沿着给水系统200的不同点处采集温度数据。该给水系统200可包括沿着联接马达和泵的轴安置的一组振动传感器220。在一些实施方案中，该组振动传感器220中可包括不止一个振动传感器。该振动传感器可在沿着给水系统200的不同点处采集振动数据，诸如相对轴振动数据。给水系统200可包括附加传感器，诸如安置在给水系统200的各个位置处的流量计和/或压力传感器230。传感器可用于捕获随时间推移的数据，该数据可用于确定给水系统200的某些部件的性能，以及用于确定单个部件和/或整个给水系统的寿命的预测值。
计算机系统240(其可为本地或远程计算机系统或控制器)可与给水系统200通信。计算机系统240可接收由给水系统200的一个或多个传感器输出的数据或量度。计算机系统240可包括例如人机界面和数据存储装置250、电厂控制系统260、分析系统270和任选的振动架280。人机界面和数据存储装置250、电厂控制系统260、分析系统270和振动架280中的一者或多者可以有线或无线通信。例如，各部件可通过数据网络进行通信。人机界面和数据存储装置250可包括随时间推移捕获的数据值、警报、操作员手册、用户界面软件和/或其他数据。电厂控制系统260可与给水系统200(包括给水系统200的传感器)通信，并且可控制给水系统200的操作。电厂控制系统260可用于获取系统的规范数据。分析系统270可以是健康分析系统，该健康分析系统被配置为确定发电厂的各种部件或机器(诸如给水系统200)的健康状态。分析系统270可生成操作建议。振动架280可包括维修端口并且可捕获从该组振动传感器220输出的振动数据。振动数据可被传递到人机界面和数据存储装置250、电厂控制系统260和/或分析系统270中的一者或多者。在一些情况下，所捕获的数据的频率可介于约1kHz和约1Hz之间。
故障检测服务器290(其可包括一个或多个远程服务器或计算机系统)可与计算机系统240通信。故障检测服务器290可以是基于云的服务器，并且可以从计算机系统240接收数据。例如，故障检测服务器290可包括泵数据的数据库292。泵数据的数据库292可包括可从分析系统270接收的当前泵健康分析数据和历史泵健康分析数据。故障检测服务器290可针对不同部件和/或针对不同发电厂存储或访问附加数据。故障检测服务器290可跨设备和/或机群或工厂聚集数据。故障检测服务器290可被配置为与一个或多个第三方进行接口连接。例如，故障检测服务器290可包括通往泵供应商的接口以及通往其他工厂的接口。因此，某些数据可被发送到一个或多个第三方或可由一个或多个第三方访问。
计算机系统240和/或故障检测服务器290中的一者或多者可被配置为通过最佳地选择数据建模技术来执行自动故障检测以及发电厂装备的隔离和预后，以获得针对资产(诸如用于组合循环发电厂的给水系统)的最准确的故障分类。
为了确定自动故障检测以及发电厂装备的隔离和预后，计算机系统240和/或故障检测服务器290可确定正常操作的规范。例如，给水系统可包括经由液压联轴器(例如，变矩器)驱动离心泵的感应马达。计算机系统240和/或故障检测服务器290可确定马达和泵的特性曲线，其中正常操作可被定义为针对给定操作设定点的曲线的轨迹。异常操作可被定义为与该曲线的偏差。与正常操作的偏差可通过监测系统的操作效率来实现。如果操作效率降低，则计算机系统240和/或故障检测服务器290可确定在系统处发生了什么变化使得促使操作效率降低。在一些情况下，诸如对于离心泵，可使用一个或多个相似度规则或定律来确定操作点变化的转移以实现恒定效率。在一个实施方案中，计算机系统240和/或故障检测服务器290可基于数据来确定机械系统的操作效率已降低，其中操作效率的降低指示异常操作。
图3是本文可能描述的机械系统的自动化视情维修的示例性工艺流程300。图3中所述的操作中的一个或多个操作可以不同顺序和/或由相同计算机系统或分布式计算环境中的不同计算机系统来执行。在一个示例中，可由图2的故障检测服务器290执行图3的操作。
在框310处，用于检测机械系统的故障的故障检测系统可从机械系统接收指示机械系统的第一部件的性能的第一数据。例如，故障检测系统可包括：至少一个存储器，该至少一个存储器存储计算机可执行指令；和一个或多个计算机处理器，该一个或多个计算机处理器耦接到该至少一个存储器并被配置为执行计算机可执行指令。该故障检测系统可从机械系统(诸如给水系统和/或相关联的计算机系统)接收指示机械系统的第一部件的性能的第一数据。该机械系统可包括用于组合循环发电厂的给水系统。第一部件可为例如泵或马达。第一数据可包括由一个或多个传感器捕获的数据。例如，第一数据可以是由安置在机械系统处的传感器测量的传感器数据。第一数据可包括以下中的一者或多者的高频时域采样：马达电压数据、电流数据、振动或速度数据、泵流速数据、抽吸数据、压力数据、温度数据、泵振动数据和/或能够由机械系统的传感器输出的其他数据。
在一些实施方案中，马达电压、电流(和/或导出的功率和瞬时扭矩)、振动(其可包括速度)的高频时域采样(例如，Hz的100s-1000s)可连同泵流速、抽吸和IP/HP压力和温度以及泵振动(其可包括速度)的高频时域采样一起执行。
在框320处，故障检测系统可使用第一数据来确定第一部件的第一性能度量。例如，故障检测系统可使用数据库来确定第一部件的正常操作值。正常操作值可基于历史数据或预期值数据，诸如可被预编程的值。该第一性能度量可以是得分。例如，表现良好或符合预期的泵的得分可为92分(满分100分)。可使用其他评分系统和方法。
在任选框330处，故障检测系统可使用第一数据来确定第一特征。特征可从数据集中提取，或者可使用数据集来确定。特征可包括某些数据随时间推移的变化，这可指示性能问题。在一些实施方案中，可通过使用数学变换运算来变换第一数据以确定特征。例如，高速信号的一秒间隔可使用快速傅里叶变换、小波函数、Orbit运算、Bode运算和/或其他算法来变换以创建特征。可使用其他数学变换运算。
在确定特征之后，故障检测系统可生成简化特征集，诸如可指示最有意义或最重要数据的特征。在一些实施方案中，故障检测系统可通过选择关键特征来减少特征。例如，满足某些数值阈值的特征可包括在该简化特征集中。在另一示例中，通过变换特征空间以通过数学方法组合特征，可确定简化特征集。示例性数学方法可包括过滤法、t-测试、顺序选择等，这些方法可基于性能标准来选择使用。还可使用算法方法(诸如k-均值、主分量分析、线性判别分析和/或各种编码器(诸如基于神经网络的堆栈式自动编码器))来减少特征。
在一个示例中，故障检测服务器可从机械系统接收指示机械系统的第二部件的性能的第二数据。故障检测服务器可使用第一数据来确定第二特征，其中第一特征和第二特征形成特征集。故障检测服务器可过滤该特征集以生成简化特征集，其中该简化特征集包括第一特征而不包括第二特征。
在任选的框340处，故障检测系统可确定第一特征的分类。例如，故障检测系统可对简化特征集进行聚类和/或分类。在一个实施方案中，示例性分类可包括部件寿命分类的阶段。可使用支持向量机、神经网络、K-近邻法或其他算法来确定聚类和/或分类。在Orbit图或Bode图用于生成特征的情况下，可使用一个或多个图像分类或模式识别算法来训练来自Orbit图或Bode图的特征。在一些实施方案中，深度神经网络(例如，卷积神经网络、深度信念网络等)可用于特征的分类。在一个示例中，故障检测服务器可被配置为使用一个或多个神经网络来确定第一特征的分类。
在任选的框350处，故障检测系统可确定与分类相关联的故障类别。例如，故障检测系统可确定与部件的寿命终止阶段的分类相关联的故障类别是部件失效故障类别。在一些实施方案中，已知的故障类别可与所有集群或类别预先关联或预先关联所有集群或类别。在通过故障检测系统自动识别集群或类别之后，操作员可交互地识别其他故障类别。例如，故障检测系统可请求操作员手动识别故障类别，并且可使用自适应神经网络来将故障类别与分类相关联。在一些实施方案中，基于自适应神经网络的渐进式学习技术可用于使用流式数据来建立模型或分类器算法。
在框360处，故障检测系统可使用第一性能度量来确定在第一部件处已发生故障的概率值。例如，可使用第一数据来执行对机械系统的各种部件的分析。故障检测系统可确定可连续地或周期性地分析的性能度量之间的相关性。该性能度量(其可针对同一部件)可被聚集成第一部件的单个性能度量(例如，根据泵的驱动端和非驱动端振动谱建立的轴承温度分析和分类模型可提供轴承故障发生的单独概率，然后可将这些概率组合以便以更高置信度指示轴承故障的存在或不存在等)。例如，在一个实施方案中，性能度量可用于确定在第一部件处已发生故障的概率值。
在框370处，故障检测系统可使用该概率值来确定第一部件失效前的预测时间长度。例如，可随时间推移捕获经由对不同部件的分析确定的相同性能度量，以预示或预测导致第一部件失效的故障的进展。在一些实施方案中，贝叶斯方法可用于罕见事件预测，诸如部件的剩余使用寿命。
在一些实施方案中，故障检测服务器可生成一个或多个数字用户界面，诸如图4至图7所示的那些用户界面，以呈现概率值、预测时间长度、推荐动作等。操作员可查看用户界面并确定是否要执行任何配置改变。
图4至图7是本文可能描述的给水系统分析的示意图。图2至图3的故障检测服务器可被配置为生成一个或多个用户界面，诸如图4至图7所示的那些用户界面。其他实施方案可具有不同的用户界面。
故障检测服务器可基于若干量度来执行分析，这些度量包括但不限于泵吸入流量和排放流量、温度和压力、轴速度、振动(例如，驱动端、非驱动端等)等中的一者或多者。故障检测服务器可生成源自多个分析的性能度量之间的相关性。该性能度量可用于为特定部件生成一个或多个性能度量。在一些实施方案中，故障检测服务器可使用贝叶斯算法来确定机械系统的一个或多个部件的剩余使用寿命值。
图4示出了指示对给水系统的分析的示例性分析输出400。图5示出了对马达470和给水系统的相关部件进行性能隔离的示例性分析输出。图6示出了对联轴器480和给水系统的相关部件进行性能隔离的示例性分析输出。图7示出了对泵490和给水系统的相关部件进行性能隔离的示例性分析输出。
在图4中，分析输出400可包括具有人机界面的仪表板。仪表板可包括警报410，该警报可指示可能需要针对其进行服务和/或关注的部件。例如，在图4的图示中，马达和绕组可处于警报状态。仪表板可包括如由故障检测服务器计算出的给水系统的各种部件的剩余使用寿命的指示器。例如，马达轴承可具有120小时的预测剩余使用寿命，绕组可具有168小时的预测剩余使用寿命，变矩器可具有4500小时的预测剩余使用寿命，联轴器轴承可具有3652小时的预测剩余使用寿命，叶轮可具有26001小时的预测剩余使用寿命，泵轴承可具有36952小时的预测剩余使用寿命，等等。仪表板可包括监督学习故障标签430，该监督学习故障标签可包括用于经批准用户的人机界面、集群/类别标签、警报清除等。因此，操作员可使用仪表板来确定给水系统的各种部件和/或整个给水系统的状态。
分析输出400可包括故障检测分析440、诊断450和/或预后460。相应的故障检测分析440、诊断450和/或预后460可包括用于给水系统的各种部件(诸如马达470、联轴器480和泵490)的数据。故障检测分析440、诊断450和/或预后460可使用高速数据采样、建模、聚类、分类、警报和/或寿命预示来确定。
图5示出了对马达470和给水系统的相关部件进行性能隔离的示例性分析输出。例如，马达部件的剩余使用寿命420可包括马达轴承和绕组。马达部件的故障检测分析440可包括马达曲线数据。马达部件的诊断450可包括电流/电压分析、驱动端和非驱动端振动分析、绕组温度分析以及驱动端和非驱动端轴承温度分析。马达部件的预后460可包括轴承和绕组。
图6示出了对联轴器480和给水系统的相关部件进行性能隔离的示例性分析输出。例如，联轴器部件的剩余使用寿命420可包括变矩器和联轴器轴承。联轴器部件的故障检测分析440可包括联轴器特性数据。马达部件的诊断450可包括马达/泵扭矩和速度分析、油压、温度和流量分析以及过滤器压降分析。联轴器部件的预后460可包括轴承和联轴器/变矩器。
图7示出了对泵490和给水系统的相关部件进行性能隔离的示例性分析输出。例如，泵部件的剩余使用寿命420可包括泵轴承和叶轮。泵部件的故障检测分析440可包括泵曲线数据和相似度规则或定律。泵部件的诊断450可包括机械密封泄漏和总流量分析、驱动端和非驱动端轴承温度分析、NPSH(空化)分析、驱动端和非驱动端振动分析以及平衡管线流量分析。泵部件的预后460可包括轴承和叶轮。
因此，操作员可使用分析来确定预测剩余使用寿命和部件状态，从而允许进行高级调度和减少由于发电厂处的可避免和不可避免的问题而导致的停机时间。
在故障检测系统的示例性操作期间，故障检测系统可从机械系统接收指示机械系统的第一部件的性能的第一数据，使用该第一数据来确定第一部件的第一性能度量，使用该第一性能度量来确定在第一部件处已发生故障的概率值，并且使用该概率值来确定第一部件失效前的预测时间长度。
图8是本文可能描述的机械系统的自动化视情维修的另一示例性工艺流程500。图8中所描述的操作中的一个或多个操作可以不同顺序和/或由相同计算机系统或分布式计算环境中的不同计算机系统来执行。在一个示例中，图8的操作可由图2的故障检测服务器290执行。
在框510处，用于检测机械系统的故障的故障检测系统可从机械系统接收指示机械系统的第一部件的性能的第一数据和第二数据。例如，故障检测系统可包括：至少一个存储器，该至少一个存储器存储计算机可执行指令；和一个或多个计算机处理器，该一个或多个计算机处理器耦接到该至少一个存储器并被配置为执行计算机可执行指令。故障检测系统可从机械系统接收指示机械系统的第一部件的性能的第一数据和第二数据。该第一数据和该第二数据可以是用于同一部件的单独的数据点。例如，根据泵的驱动端和非驱动端振动谱建立的轴承温度分析和分类模型可提供轴承故障发生的单独概率，然后可将这些概率组合以便以更高置信度指示轴承故障的存在或不存在。在框520处，故障检测系统可使用第一数据和第二数据来确定第一部件的第一性能度量。在框530处，故障检测系统可使用第一性能度量来确定在预定时间间隔内将在第一部件处发生故障的可能性。在框540处，故障检测系统可确定第一部件失效前的预测时间长度。在任选框550处，故障检测系统可生成数字用户界面以呈现预测时间长度。
由于改进了对部件状态的检测和对失效的预测，可能不再需要备用给水系统。一些实施方案可改善机械系统(诸如给水系统)的可用性，使得可在计划的工厂断供期提供给水系统所需的服务。通过使资产可用性最大化，可实现减少或消除冗余系统的成本节省。
应当显而易见的是，前述内容仅涉及本申请和所得专利的某些实施方案。在不脱离由所附权利要求及其等同物限定的本发明的一般实质和范围的情况下，本领域普通技术人员可以在本文中进行许多改变和修改。
Claims (14)
1.一种用于检测机械系统处的故障的故障检测系统，所述故障检测系统包括：
至少一个存储器，所述至少一个存储器存储计算机可执行指令；
一个或多个计算机处理器，所述一个或多个计算机处理器耦接到所述至少一个存储器并被配置为执行所述计算机可执行指令以：
从所述机械系统接收指示所述机械系统的第一部件的性能的第一数据；
使用所述第一数据来确定所述第一部件的第一性能度量；以及
使用所述第一性能度量来确定所述第一部件失效前的预测时间长度。
2.根据权利要求1所述的故障检测系统，其中所述机械系统包括用于组合循环发电厂的给水系统。
3.根据权利要求1所述的故障检测系统，其中所述一个或多个计算机处理器还被配置为：
使用所述第一性能度量来确定在所述第一部件处已发生故障的概率值；以及
基于所述第一数据来确定所述机械系统的操作效率已降低，其中操作效率的降低指示异常操作。
4.根据权利要求1所述的故障检测系统，其中所述一个或多个计算机处理器被配置为通过使用数学变换运算来变换所述第一数据以使用所述第一数据确定第一特征。
5.根据权利要求4所述的故障检测系统，其中所述一个或多个计算机处理器还被配置为：
从所述机械系统接收指示所述机械系统的第二部件的性能的第二数据；
使用所述第一数据来确定第二特征，其中所述第一特征和所述第二特征形成特征集；以及
过滤所述特征集以生成简化特征集，其中所述简化特征集包括所述第一特征。
6.根据权利要求1所述的故障检测系统，其中所述一个或多个计算机处理器还被配置为：
从所述机械系统接收指示所述机械系统的所述第一部件的性能的第二数据；
其中所述第一性能度量是使用所述第一数据和所述第二数据来确定的。
7.根据权利要求1所述的故障检测系统，其中所述一个或多个计算机处理器还被配置为：
使用贝叶斯算法来确定所述第一部件的剩余使用寿命值。
8.根据权利要求1所述的故障检测系统，其中所述一个或多个计算机处理器还被配置为：
生成数字用户界面以呈现所述概率值和所述预测时间长度。
9.根据权利要求1所述的故障检测系统，其中所述第一数据是由安置在所述机械系统处的传感器测量的传感器数据。
10.根据权利要求1所述的故障检测系统，其中所述一个或多个计算机处理器还被配置为：
使用所述第一数据来确定第一特征；
确定所述第一特征的分类；以及
确定与所述分类相关联的故障类别。
11.根据权利要求10所述的故障检测系统，其中所述一个或多个计算机处理器还被配置为：
请求操作员手动识别所述故障类别；以及
使用自适应神经网络来将所述故障类别与所述分类相关联。
12.根据权利要求10所述的故障检测系统，其中所述故障类别与所述分类预先关联。
13.根据权利要求10所述的故障检测系统，其中所述一个或多个计算机处理器被配置为使用一个或多个神经网络来确定所述第一特征的所述分类。
14.根据权利要求1所述的故障检测系统，其中所述第一数据包括以下中的一者或多者的高频时域采样：马达电压数据、电流数据、振动或速度数据、泵流速数据、抽吸数据、压力数据、温度数据或泵振动数据。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US16/216,197 US11573561B2 (en) | 2018-12-11 | 2018-12-11 | Methods and systems for automated condition-based maintenance of mechanical systems |
| US16/216,197 | 2018-12-11 | ||
| PCT/US2019/065327 WO2020123420A1 (en) | 2018-12-11 | 2019-12-10 | Methods and systems for automated condition-based maintenance of mechanical systems |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112969973A true CN112969973A (zh) | 2021-06-15 |
Family
ID=69160276
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201980073726.9A Pending CN112969973A (zh) | 2018-12-11 | 2019-12-10 | 用于机械系统的自动化视情维修的方法和系统 |
Country Status (5)
| Country | Link |
|---|---|
| US (1) | US11573561B2 (zh) |
| EP (1) | EP3894971A1 (zh) |
| JP (1) | JP7483709B2 (zh) |
| CN (1) | CN112969973A (zh) |
| WO (1) | WO2020123420A1 (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11852148B2 (en) * | 2019-10-29 | 2023-12-26 | Gpm, Inc. | Real-time pump monitoring with prescriptive analytics |
Family Cites Families (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6484109B1 (en) * | 1998-05-20 | 2002-11-19 | Dli Engineering Coporation | Diagnostic vibration data collector and analyzer |
| US6633782B1 (en) | 1999-02-22 | 2003-10-14 | Fisher-Rosemount Systems, Inc. | Diagnostic expert in a process control system |
| US20110208567A9 (en) * | 1999-08-23 | 2011-08-25 | Roddy Nicholas E | System and method for managing a fleet of remote assets |
| US6957172B2 (en) | 2000-03-09 | 2005-10-18 | Smartsignal Corporation | Complex signal decomposition and modeling |
| US6792360B2 (en) * | 2001-12-04 | 2004-09-14 | Skf Condition Monitoring, Inc. | Harmonic activity locator |
| US7100081B1 (en) * | 2003-10-09 | 2006-08-29 | Advanced Micro Devices, Inc. | Method and apparatus for fault classification based on residual vectors |
| EP1913506A4 (en) * | 2005-07-11 | 2008-08-13 | Brooks Automation Inc | INTELLIGENT STATUS MONITORING AND TROUBLESHOOTING SYSTEM FOR PREDICTIVE MAINTENANCE |
| US8725456B1 (en) * | 2009-05-05 | 2014-05-13 | The United States of America as represented by the Administrator of the National Aeronautics & Space Administration (NASA) | Decomposition technique for remaining useful life prediction |
| US20120283963A1 (en) * | 2011-05-05 | 2012-11-08 | Mitchell David J | Method for predicting a remaining useful life of an engine and components thereof |
| US9250625B2 (en) | 2011-07-19 | 2016-02-02 | Ge Intelligent Platforms, Inc. | System of sequential kernel regression modeling for forecasting and prognostics |
| US8660980B2 (en) | 2011-07-19 | 2014-02-25 | Smartsignal Corporation | Monitoring system using kernel regression modeling with pattern sequences |
| US9411326B2 (en) | 2012-08-21 | 2016-08-09 | General Electric Company | Plant control optimization system including visual risk display |
| US9551633B2 (en) | 2013-10-15 | 2017-01-24 | General Electric Company | Systems and methods for improved reliability operations |
| US10139311B2 (en) * | 2014-09-26 | 2018-11-27 | Palo Alto Research Center Incorporated | Computer-implemented method and system for machine tool damage assessment, prediction, and planning in manufacturing shop floor |
| US10417076B2 (en) * | 2014-12-01 | 2019-09-17 | Uptake Technologies, Inc. | Asset health score |
| WO2016153895A1 (en) | 2015-03-25 | 2016-09-29 | Schlumberger Technology Corporation | System and method for monitoring an electric submersible pump |
| JP6276732B2 (ja) | 2015-07-03 | 2018-02-07 | 横河電機株式会社 | 設備保全管理システムおよび設備保全管理方法 |
| US20170091358A1 (en) * | 2015-09-27 | 2017-03-30 | Caterpillar Inc. | Model-based prognosis of machine health |
| US10338576B2 (en) * | 2016-05-17 | 2019-07-02 | General Electric Company | Intelligent management system for balance of plant |
| US10204226B2 (en) | 2016-12-07 | 2019-02-12 | General Electric Company | Feature and boundary tuning for threat detection in industrial asset control system |
| EP3460496B1 (en) * | 2017-09-26 | 2022-06-08 | Siemens Aktiengesellschaft | A method and apparatus for automatic localization of a fault |
-
2018
- 2018-12-11 US US16/216,197 patent/US11573561B2/en active Active
-
2019
- 2019-12-10 CN CN201980073726.9A patent/CN112969973A/zh active Pending
- 2019-12-10 JP JP2021531327A patent/JP7483709B2/ja active Active
- 2019-12-10 WO PCT/US2019/065327 patent/WO2020123420A1/en unknown
- 2019-12-10 EP EP19836251.9A patent/EP3894971A1/en active Pending
Also Published As
| Publication number | Publication date |
|---|---|
| US20200183377A1 (en) | 2020-06-11 |
| WO2020123420A1 (en) | 2020-06-18 |
| EP3894971A1 (en) | 2021-10-20 |
| JP7483709B2 (ja) | 2024-05-15 |
| US11573561B2 (en) | 2023-02-07 |
| JP2022512309A (ja) | 2022-02-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US8509935B2 (en) | Systems for monitoring machinery | |
| CN106404403B (zh) | 用于涡轮机的分析的方法和系统 | |
| JP6619186B2 (ja) | 故障解析のためのシステムおよび方法 | |
| JP2013029507A (ja) | 機械をモニタリングする際に用いるシステムおよび方法 | |
| EP2733559A2 (en) | Methods and systems to improve power plant performance by corrective set points | |
| CN108710981A (zh) | 基于运行可靠性和运行异常控制电力系统的控制系统和方法 | |
| JP2006057595A (ja) | ガスタービンの性能診断システム及び性能診断方法 | |
| US8874415B2 (en) | System and method for forming failure estimates for a heat recovery steam generator | |
| CN115618592A (zh) | 一种电厂燃气轮机气路故障诊断方法、系统、设备及终端 | |
| JP2003150233A (ja) | プラントの性能劣化状態評価方法と性能劣化状態評価装置 | |
| CN112969973A (zh) | 用于机械系统的自动化视情维修的方法和系统 | |
| KR102126427B1 (ko) | 고압 펌프 고장 예지 방법 및 시스템 | |
| Lee et al. | Quantification of variations in the compressor characteristics of power generation gas turbines at partial loads using actual operation data | |
| JP2005248848A (ja) | ガスタービン診断方法及び装置 | |
| Aslanidou et al. | Towards an integrated approach for micro gas turbine fleet monitoring, control and diagnostics | |
| JP2023094895A (ja) | 故障予測装置、故障予測装置の制御方法及びプログラム | |
| US11136918B2 (en) | Method and apparatus for cooling water system optimization | |
| Aronson et al. | Determining Prototypes and Signs for Automated Diagnostics of Steam Turbine Equipment | |
| JPH06313734A (ja) | プラントの設備診断方法と装置 | |
| JPWO2020123420A5 (zh) | ||
| US11886157B2 (en) | Operational optimization of industrial steam and power utility systems | |
| JPS5857008A (ja) | 給水ポンプ及び同駆動タ−ビンの異常診断方法 | |
| Qosim et al. | Fault Detection System Using Machine Learning on Synthesis Loop Ammonia Plant | |
| Lin et al. | Nearest fixed boundary negative selection algorithm based method for early-warning of centrifugal compressor unit without fault data | |
| CN108071496A (zh) | 基于燃料消耗控制电力系统的控制系统及相关的程序产品 |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20240111 Address after: Swiss Baden Applicant after: GENERAL ELECTRIC CO. LTD. Address before: New York, United States Applicant before: General Electric Co. |
|
| TA01 | Transfer of patent application right |