本申请要求于2018年11月26日提交的印度临时专利申请第201811044537号并且题为“Flow Metering System Condition-Based Monitoring and Failure toPredictive Mode(流量计量系统基于条件的监测和预测模式的故障)”的优先权,该印度临时申请的全部内容通过引用并入本文中。
具体实施方式
以下描述针对本发明的各种示例性实施方式。附图不一定是成比例的。实施方式的某些特征可能以放大的比例示出或者以某种示意性的形式示出,并且为了清楚和简明,没有示出常规元件的一些细节。所公开的实施方式不应被解释为或者被用于限制包括权利要求的范围的本公开内容的范围。另外,本领域技术人员将理解:以下描述具有广泛的应用,并且对任意实施方式的讨论仅意在对该实施方式的例示并且不意在暗示包括权利要求的本公开内容的范围限于该实施方式。要充分认识到的是,下面讨论的实施方式的不同教导可以被分别采用或者按照任意合适组合采用以产生期望的结果。此外,各个实施方式在测量碳氢化合物流(例如,原油、天然气)的背景下展开,并且描述沿袭发展背景,然而所描述的系统和方法同样适用于对任意流体流的测量。
流量计量系统包括:流量计算机,用于确定已经通过例如管道的流体的量;以及条件监测器(例如,基于条件的监测系统),用于使得能够检测计量系统操作和/或系统操作条件的变化,并且校正引起变化的条件。流量计条件监测器是监测流量计和相关联的仪器的操作的系统。在超声流量计的示例中,条件监测器可以通过执行诸如以下的示例性功能来分析计量系统的操作:
·对流量特性例如流量曲线、流量对称性、流量涡旋、流量湍流等的变化进行检测。
·对仪表诊断的结果例如信号检测的错误率、增益水平、噪声水平、峰值开关检测、管子硬度等的变化进行检测。
·将来自其他源的如下类似测量结果进行比较:例如,使用美国气体协会(AGA)10标准测得的从超声流量计到气体成分的音速、压力和温度;
·将测得的温度与从音速得出的温度进行比较;以及
·将从气体成分传感器(例如,气相色谱仪)得出的密度与从音速得出的密度进行比较。
更普遍的是,常规条件监测器可以根据既定的基准(例如,校准值)随时间跟踪装置性能,并且如果检测到偏差在阈值以上则发出警报。
常规的基于条件的监测系统对由传感器在计量撬上串联或并联运行生成的参数值执行比较。如果参数值的比较结果是计算出的偏差值在限度(例如,操作员指定的限度)之外,则可能发出警报。然而,尽管常规的基于条件的监测系统可以识别出传感器值之间的偏差在可容许的限度之外——这指示一个传感器可能正在发生失效,但是这些系统无法识别出哪个传感器正在发生失效。特定于装置的条件监测系统可以能够识别更具体的故障的源,但无法对测量系统进行整体考虑并交叉比较所有相关的测量结果。
此外,在传感器发生失效的情况下,或者在传感器与流量计算机之间的数据丢失(一般被称为传感器故障)的情况下,测量系统或流量计算机可以具有两种故障模式之一。第一故障模式是未能达到操作员限定的值。在这种模式下,在检测到传感器故障时,使用操作员限定的值来代替来自故障传感器的实时值。第二故障模式未能达到最后好值。在这种模式下,在检测到传感器故障时,使用传感器故障之前来自传感器的最后值来代替来自故障传感器的实时值。然而,这些故障模式中的每一个用或者由操作员限定的或者来自故障传感器的最后好值的静态值来替换,以用于本质上固有地动态的计算。也就是说,在进行中的流量监测过程保持本质上动态的同时,静态故障值被使用,导致流量计算中潜在的不准确性,并且需要生成错误测量报告,这耗时且成本高。此外,至少在使用最后好值的情况下,传感器可能随时间已经偏向故障,导致包含显著的不确定性的最后好值,因此可能仅比故障限度值本身略好。
为了应对前述缺陷和常规流量监测系统,计量引擎利用人工智能和神经网络来识别传感器故障和/或基于来自其他健康传感器的实时值来预测针对故障传感器的传感器值。计量引擎可以存在于耦接至传感器的流量计算机上,在一些示例中该流量计算机包括流量计。其他传感器可以包括但不限于用于流量监测和测量的温度传感器、压力传感器、气相色谱仪、密度计和其他各种传感器。计量引擎也可以存在于远离流量监测系统的物理位置例如在使用流量监测系统的客户的中央办公室处的计算机或虚拟装置上。
特别地,计量引擎包括人工智能引擎,该人工智能引擎采用深度学习模型(例如,多层神经网络)来促进机器学习,以基于从其他健康传感器接收到的实时值来生成针对传感器(例如,故障传感器)的预测值。在特定站点处的初始操作期间,使用从流量监测系统的传感器收集的各种数据来训练人工智能引擎,允许人工智能引擎学习传感器参数之间的特定于站点的关系。在该初始训练时段期间,可以向人工智能引擎提供其他配置数据,例如由用户输入的数据。配置数据可以包括传感器类型、传感器位置和多个流量流。除了在操作期间从传感器收集的实时值之外,配置数据还允许针对其站点安装的细节来训练人工智能引擎。
在流量监测系统的操作期间,计量引擎接收来自流量计和其他相关联的传感器的实时值。同时,计量引擎还使用现在训练的人工智能引擎来生成针对流量计和相关联的传感器的预测值。计量引擎将针对传感器的实时值与针对该传感器的预测值进行比较。如果实时值与预测值相差超过了偏差限度,则检测到预测故障。偏差限度可以是用户可配置的值,或者例如在人工智能引擎的训练期间可以由人工智能引擎确定。由于预测故障被检测到,因此可以采取补救行动,例如调度传感器的维护、调配更换传感器和/或对传感器进行更换。
还可以通过使用深度学习模型(例如,递归神经网络)来检测预测的传感器故障,以分析历史实时传感器值并预测传感器值的未来的趋势。例如,人工智能引擎可以确定:基于在过去一周内的温度和其他传感器值,特定传感器可能在即将到来的两周内有发生失效或故障的倾向,因此应当采取预防性维护。由人工智能引擎考虑到的历史时间段是可变的(例如,过去的1个月、1周、1天或1小时)。人工智能引擎还可以基于在过去的可变时间段期间的警报和/或其他事件,来确定先前的训练指示由于特定的警报集和/或观察到要发生的其他事件而可能在即将到来的可变时间段内发生传感器故障。
无论是否使用人工智能引擎来检测传感器故障——也就是说,即使在常规地检测到传感器故障例如检测到错误代码或接收到针对该传感器或传感器类型的可容许范围之外的实时值的情况下——由人工智能引擎生成的预测值可以用于随后的流量计算。这避免了如下需求:未能达到用户限定的值或未能达到最后好值,这如上所述可能是有问题的。例如,如果第一流上的温度传感器发生故障,则人工智能引擎基于来自耦接至人工智能引擎的传感器的剩余实时值来预测针对该温度传感器的值。然后,针对该温度传感器的预测值可以被流量计算机用于流量计算。
在针对传感器的预测值可以用于流量计算的情况下,可以避免紧急维护,并且可能不需要错误测量报告。另一方面,如果用于传感器或历史预测算法的预测值例如基于历史不确定性计算结果不在允许的不确定性内,则可能需要未能达到用户限定的值或未能达到最后好值。在这种情况下,可以采取补救行动,例如调度维护、调配更换传感器和/或对传感器进行更换。此外,可能生成错误测量报告。
图1a示出了测量系统1。测量站或撬2包括测量装置或流量计4和检验仪6。流量计4可以是更大的测量单元的一部分,该更大的测量单元还具有相关联的设备和部件14。第一管线8包含第一流体流16,其中,流体流向第一容器或源12或者来自第一容器或源12。管线8连接至流量计4。第二管线10包含第二流体流18,其中,流体流向远离撬2的第二容器或源或者来自远离撬2的第二容器或源。撬2执行密封输送测量。
图1b示出了根据各种示例的超声流量计量系统100。系统100包括超声流量计101、传感器134、136、138和计量引擎128。尽管图1b的示例描绘了超声流量计,但是其他示例可以利用不同类型的流量计。所有这些示例都在本公开内容的范围内。在系统100中,超声流量计101耦接至管或其他结构132,例如图1a中所示的测量撬2的一部分。在一些示例中,管132设置在超声流量计101的下游。管132包括开口144,所述开口允许传感器134至传感器138进入流动通过系统100的流体流。计量引擎128耦接至传感器134至138以及超声计101。在一些示例中,计量引擎128可以是耦接至超声计101的流量计算机的一部分。在其他示例中,计量引擎128可以与超声计101的电子器件124集成,或者计量引擎128可以被实现为离散计算装置。
超声流量计101包括限定中央通道或孔的仪表主体或管段件102。管段件102被设计和构造成耦接至承载流体(例如,天然气)的管线或其他结构,使得在管线中流动的流体行进通过中央孔。当流体行进通过中央孔时,超声流量计101测量流动速度(因此,流体可以被称为被测流体)。管段件102包括有利于将管段件102耦接至另一结构的凸缘106。在其他示例中,可以等同地使用用于将管段件102耦接至结构的任何合适的系统(例如,焊接连接)。
为了测量管段件102内的流体流量,超声流量计101包括多个换能器组件。在图1的视图中,五个这样的换能器组件108、110、112、116和120处于全部或部分视图中。如将在下面进一步讨论的,换能器组件是成对的(例如,换能器组件108和110)。此外,每个换能器组件电耦接至控制电子包124。更具体地,每个换能器组件借助于相应的电缆126或等同信号传导组件电耦接至控制电子包124。
图2示出了超声流量计101的截面俯视图。管段件102具有预定尺寸,并且限定被测流体流动通过的中央孔104。沿管段件102的长度定位有图示的一对换能器组件112和114。换能器112和114为声学收发器,并且更具体地为超声收发器。超声换能器112、114均生成并接收具有约20千赫兹以上的频率的声学信号。声学信号可以由每个换能器中的压电元件生成和接收。为了生成超声信号,压电元件通过信号(例如正弦信号)被电激发,并且该元件通过振动来响应。压电元件的振动生成行进通过被测流体到达该对的对应换能器组件的声学信号。类似地,当被声学信号冲击时,接收的压电元件振动并生成电信号(例如正弦信号),该电信号由与流量计101相关联的电子器件124检测、数字化和分析。
路径200,也称为“弦”,相对于中心线202以角度θ存在于所图示的换能器组件112和114之间。弦200的长度是换能器组件112的面与换能器组件114的面之间的距离。点204和点206限定了由换能器组件112和114生成的声学信号进入和离开流动通过管段件102的流体的位置(即,管段件孔的入口)。换能器组件112和114的位置可以通过角度θ、通过换能器组件112和114的面之间测得的第一长度L、与点204和点206之间的轴向距离对应的第二长度X以及与管内直径对应的第三长度d来限定。在多数情况下,距离d、X和L在流量计制造期间被精确地确定。诸如天然气的被测流体沿方向208以速度剖面210流动。速度矢量212、214、216和218图示了:通过管段件102的气体速度朝向管段件102的中心线202增加。
开始时,下游换能器组件112生成入射到上游换能器组件114上并因此由上游换能器组件114检测的超声信号。一段时间之后,上游换能器组件114生成返回的超声信号,该返回的超声信号随后入射到下游换能器组件112上并由下游换能器组件112检测。因此,换能器组件沿弦路径200交换或进行“一发一收”超声信号220。在操作期间,该程序每分钟可能发生数千次。
在图示的换能器组件112与114之间的超声信号220的渡越时间部分地取决于超声信号220相对于流体流动是向上游行进还是向下游行进。向下游行进(即,沿与流体流动相同的方向)的超声信号的渡越时间小于其在向上游(即,逆着流体流动)行进时的渡越时间。可以使用上游渡越时间和下游渡越时间来计算沿信号路径的平均速度以及被测流体中的音速。给定流量计101的承载流体的截面测量,可以使用中央孔104的区域上的平均速度来获得流动通过管段件102的流体的体积。
超声流量计可以具有一个或更多个弦。例如,流量计101包括在管段件102内不同高度处的四个弦路径。可以在每个弦处确定流体的流动速度以获得弦流动速度,并且将弦流动速度组合以确定在整个管上的平均流动速度。根据平均流动速度,可以确定管段件中流动的流体的量,并由此可以确定管线中流动的流体的量。
通常,控制电子器件124使换能器(例如112、114)发动并接收来自换能器的输出信号。控制电子器件124还可以计算针对每个弦的平均流动速度,计算针对仪表的平均流动速度,计算通过仪表的体积流动速度,计算通过流体的音速,执行仪表诊断等。体积流动速度和其他所测量和计算的值例如流动速度、音速等可以输出至计量引擎128。如上所述,在一些示例中,计量引擎128可以包括在控制电子器件124中。
对于给定的弦,弦流动速度v由下式给出:
并且弦音速c由下式给出:
其中:
L为路径长度(即,上游换能器与下游换能器之间的面对面距离),
X为L在仪表孔内沿流动的方向的分量,以及
Tup和Tdn为通过流体的声音能量的上游渡越时间和下游渡越时间。
通过仪表101的平均流动速度由下式给出:
其中:
wi是弦加权因子,
vi是测得的弦流动速度,以及
总和i遍及所有弦。
现在返回至图1b,传感器134至138测量流体的各种属性或参数,并且可以经由信号传导介质142(例如,布线)向计量引擎128提供测量结果。传感器134是气体成分传感器,例如气相色谱仪,其提供指示流动通过系统100的气体的每种成分的量的信息。传感器136是压力传感器,其提供指示在系统100中流动的流体的压力的信号。传感器138是温度传感器(例如,电阻温度检测器),其提供指示流动通过系统100的流体的温度的信号。温度传感器138延伸至管132的内部通道140中,并且在传感器138的末端处测量流动通过系统100的流体的温度。因此,温度传感器138被定位成在特定的高度处测量流体的温度。
根据分别由传感器134、136和138提供的流体成分、压力和温度信息,可以使用预定的理论值或实验值来计算通过流体流的音速。例如,计量引擎128可以如美国气体协会第10号报告“Speed of Sound in Natural Gas and Other Related Hydrocarbons(天然气和其他相关碳氢化合物中的音速)”(AGA10)中指定地计算流体中的音速。计量引擎128的一些示例可以使用该计算出的音速来验证针对仪表101的每个弦测量的音速值。
类似地,基于由超声流量计101提供的音速测量结果以及由传感器134、136提供的测量结果,计量引擎128可以计算流动通过超声计量系统100的流体的温度、压力和/或成分。计量引擎128可以基于由超声计101提供的测得的音速和由传感器134至136提供的测量结果,使用由AGA10指定的音速的迭代反向计算来计算温度、压力和/或成分。
如上所述,计量引擎(例如,计量引擎128)被配置成在流量计量系统的操作期间,接收来自包括流量计的多个传感器的实时值。计量引擎使用这些实时值来训练人工智能引擎。然后,当来自传感器的实时值与针对该传感器的基于来自其他传感器的实时值的预测值(即,来自人工智能引擎)之间的偏差时,计量引擎能够检测到传感器故障。例如,如果偏差超过可容许的限度,则该传感器可以被认为已经发生故障,或正经历即将发生的故障。此外,无论如何检测到传感器故障,如果传感器已经发生故障,但是确定针对该传感器的预测值的不确定性低于不确定性的允许的量,则计量引擎也可以在流量计算中使用预测值(即,来自人工智能引擎)。
图3示出了根据本公开内容的示例的系统300的框图。系统300包括耦接至测量系统306和流量计算机307的计量引擎304,以及一个或更多个仪表盘302、308。计量引擎304可以包括由一个或更多个处理器执行的软件,并且可以在物理计算装置、虚拟机或其他计算平台上实现。
测量系统306包括流量监测系统的流量计和相关联的传感器,例如流量计101和以上关于图1b所示和描述的传感器134、136、138。测量系统306耦接至流量计算机307,流量计算机307对从测量系统306接收到的数据执行流量计算。测量系统306和/或流量计算机307向计量引擎304提供来自流量计和相关联的传感器的实时值。
仪表盘302、308允许潜在地在不同位置中的用户查看关于流量监测系统的信息、与流量监测系统的历史操作有关的分析等。仪表盘302、308还允许用户生成与流量监测系统的操作有关的报告并且接收与流量监测系统的操作有关的警报。仪表盘302、308还提供趋势和可视化能力,以随着时间监测实时值和预测值,叠加有诸如警报和事件的相关附加信息以及针对实时值的预测的准确性的可量化指示。仪表盘302、308还允许访问用于计量引擎304的人工智能引擎的配置编辑器。配置编辑器允许用户选择哪些参数来监测并指定神经网络的体系结构和关键参数,例如输入节点的数目、隐藏层的数目和组成以及输出的格式。仪表盘302、308可以允许在任何数目的计算装置——包括与流量监测系统共址的计算装置以及远离流量监测系统的计算装置——上查看。例如,客户仪表盘308可以存在于客户的中央办公室,并且允许与多个地理上不同的站点处的流量监测系统的互动。
图4更详细地示出了计量引擎304。特别地,计量引擎包括人工智能引擎402、用户接口引擎404、基础软件平台406、web服务器408和数据库410。图4中所示的连接是说明针对计量引擎304的一个示例性拓扑,但是在各种示例中,计量引擎304的任何部件都可以与计量引擎304的任何其他部件通信、连接、访问或以其他方式接合。
人工智能引擎402在这种情况下通过与web服务器408进行通信的基础平台406来接收来自测量系统306的各种传感器的实时值。在流量监测系统的操作的初始时段期间,人工智能引擎402使用神经网络和机器学习对其自身进行训练,以识别来自流量监测系统的各种传感器的值之间的关系。尽管人工智能引擎402的训练可以在初始时段之后继续,但一旦操作的初始时段完成,人工智能引擎402基于从测量系统306的其他传感器接收到的实时值生成针对传感器中的每一个的预测值。
用户接口引擎404从web服务器408接收例如与流量监测系统的操作、流量监测系统的条件、与流量监测有关的计算以及与流量监测系统有关的其他参数有关的信息,并且将该信息提供至仪表盘302、308,以由用户查看和访问。用户接口404还可以从终端用户仪表盘302、308接收请求和命令。
web服务器408用作人工智能引擎402与测量系统306之间的接口。特别地,web服务器408将来自测量系统306的传感器的实时值提供至人工智能引擎402,并且接收基于这些实时值的来自人工智能引擎402的预测值。
基础平台406与耦接至测量系统306的流量计算机307进行通信,以针对终端用户创建定期的生产和流量分析报告。在一些示例中,基础平台406可以执行附加的诊断功能,例如将值与并行传感器或历史基准进行比较。基础平台406还可以实现通过web服务器引擎408的方式计算从人工智能引擎402接收到的预测值的不确定性的逻辑,并且可以将来自人工智能引擎402的预测值提供至流量计算机以用于流量计算。
在一些示例中,不确定性的计算可以根据以下国际标准来执行:例如ISO/IEC指南98(1995)、测量中不确定性的表示指南(GUM)和ISO 5168:2005、流体流动的测量——针对不确定性的评估的程序。以下示例性方法使用平方和根组合来计算系统不确定性,但是诸如蒙特卡洛模拟(Monte Carlo simulation)和其它的替选方法也在本公开内容的范围内。
1.识别并限定系统输入(例如,压力数据、温度数据、流量计算机数据、密度计数据)与最终测量结果(例如,所输送的流体的量/体积)之间的关系。
2.创建将影响最终测量结果的不确定性的所有因素的列表。
3.估算列表中针对每个因素的不确定性的大小。
4.采用来自步骤1的每种关系,估计每个输入对最终测量结果具有的影响。
5.使用诸如平方和根的正交组合的方法对输入不确定性进行组合。
6.然后,不确定性可以用具有指定置信度水平的测量值周围的区间来表示。
人工智能引擎可以将预测值代入至在基础平台406内或外部系统中执行的不确定性计算中,以给出潜在故障或实际故障对总体系统不确定性具有的可量化影响。由于系统不确定性可能对公司或客户的财务风险有直接影响,因此,量化故障的影响是有价值的指标,允许操作员分配并优先处理资源。
耦合至测量系统306的流量计算机307被配置成使用诸如ISO、AGA和API的国际标准来计算系统内的体积、质量和能量流量。在某些情况下,该流量计算机307的功能可以在计量引擎304中虚拟地或远程地实现,并且无论流量计算机307如何实现,其主要计算功能保持不变。流量计算机307使用以下各种通信协议和方法从测量系统306接收信号:例如Modbus、开放平台通信(OPC)、高速通道可寻址远程换能器(HART)协议、无线HART、基金会现场总线(Foundation Fieldbus)、模拟和离散信号等。
流量计算机307通常再次使用诸如Modbus和OPC的协议来与较高级的计量引擎304接口。流量计算机307具有从现场装置(例如,测量系统306)接收诊断信息并监测装置以进行警报的能力。因此,除了或代替与测量系统306的直接连接,计量引擎304可以从流量计算机307接收诊断信息。
数据库410用作针对来自流量计算机307和测量系统306的两种原始数据、以及针对来自人工智能引擎402的分析和在基础平台406中执行的计算的结果的数据存储库。例如,人工智能引擎402可以访问数据库410用于对系统的动态训练,以将其机器学习和深度学习模型调整为特定于站点。人工智能引擎402还可以被配置成经由web服务器408从数据库410周期性地提取历史数据并执行训练算法。在训练算法完成时,如果新模型的性能超过当前运行的模型的性能,则人工智能引擎402可以促进新模型用于将来使用。人工智能引擎402也可以以如下附加的或替选的方式接收数据,包括文件传输、Modbus和OPC通信协议。数据库410可以位于物理上靠近人工智能引擎402的场所上;替选地,数据库410可以被托管在物理或虚拟环境上的远程位置中。
图5a至图5c示出了根据各种示例的用于预测针对流量监测系统的传感器值的方法500的流程图。尽管为了方便顺序地描绘,但是所示的行动中的至少一些可以以不同的顺序执行和/或并行执行。另外,一些示例可能仅执行所示的行动中的一些。在一些示例中,方法500的操作中的至少一些以及本文中描述的其他操作可以被实现为存储在计算机可读介质中并且由处理器执行的指令。
在框502中,从流量监测系统的多个传感器例如流量计101和传感器134、136、138接收实时值。例如,人工智能引擎402从测量系统306接收实时值。在框502中,人工智能引擎402基于接收到的测量系统306的实时值,例如使用机器学习和多层感知神经网络来生成针对测量系统306的各种传感器的预测值。
转向图5b,在框504中,方法500继续确定来自测量系统306的实时值是否在来自由人工智能引擎402生成的预测值的限定偏差限度之外。例如,可以将来自流量计量流的实时温度值与预测温度值进行比较,以确定被计算为两个值之间的绝对差或被计算为两个值之间的百分比差计算的偏差是否超过限度。在一些示例中,基于人工智能引擎402的过程条件、稳定性和过去的性能来确定偏差限度。偏差限度可以由用户输入或者由人工智能引擎402自动调节。例如,如果人工智能引擎402预测在12个月时段内针对温度的值在2%内,则上限和下限可以设置为约2.5%。在针对特定传感器的实时值与其预测值之间的偏差大于限度的情况下,然后在其中检测到预测故障的框506中,方法500继续。另一方面,在针对特定传感器的实时值与其预测值之间的偏差小于限度的情况下,然后在其中未检测到预测故障的框508中,方法500继续。
在图5c中,在框510中,方法500可以继续评估传感器是否仍然健康。例如,在框508中如果未检测到预测的故障,或者以其他方式确定传感器健康(例如,未接收到传感器错误代码,并且针对该传感器的实时值在针对该传感器或传感器类型的可容许范围内),则方法500继续至框512,并且实时值例如被流量计算机用于流量计算的目的。在这种情况下,该方法还继续至其中确定不需要紧急传感器维护的框514,以及其中确定不需要错误测量报告的框524。
另一方面,在框506中如果检测到预测的故障,或者以其他方式确定传感器不健康(例如,接收到传感器错误代码,或者实时值在针对该传感器或传感器类型的可容许范围之外),则方法500继续至框516,在框516中,确定来自人工智能引擎402的针对故障传感器的预测值是否包括允许的不确定性值。可以基于特定站点的合同和监管义务以及操作员认为可接受的风险的量来确定允许的不确定性。例如,用于液体的密封输送测量系统可以具有0.5%的设计时间不确定性要求。因此,如果由基础平台406或外部系统计算的实时不确定性位于包括人工智能引擎402的附加的不确定性的0.5%内,则继续使用预测值用于流量计算是可接受的。超出此限度的不确定性仍然可以是用于使用预测值的候选(将仍然是允许的),这是因为操作者覆写或最后好值的这两个替选方案可能会更糟,但是在这种情况下,调度的维护和错误测量报告可能仍然需要。如果不确定性在允许的范围内(例如,在阈值以下),则在框518中方法500继续,并且来自人工智能引擎402的预测值例如被流量计算机用于流量计算的目的。如上在框512中使用实时值,然后方法500继续至其中确定不需要紧急传感器维护的框514,以及其中确定不需要错误测量报告的框524。
另一方面,如果不确定性在允许的范围之外(例如,在阈值以上),则在其中利用另一故障模式的框520中,方法500继续。例如,针对该特定传感器或传感器类型的用户限定值可以例如被流量计算机用于流量计算的目的。在另一示例中,从该特定传感器接收到的最后好实时值可以例如被流量计算机用于流量计算的目的。在这种情况下,由于不能够使用来自人工智能引擎402的预测值,因此在框522中可以采取与发生故障的传感器有关的补救行动,例如调度传感器的维护或调配更换传感器。在框526中,方法500进一步继续生成错误测量报告,该错误测量报告提供故障、所采取的校正行动以及针对该时间段的调和生产数字的审计跟踪。在一些示例中,可以使用来自人工智能引擎402的预测值来生成错误测量报告。例如,如果确定测量系统306的一个传感器已经发生故障,但是测量系统306的其他传感器是健康的,则健康传感器的实时值(例如,回顾性实时值)由人工智能引擎402接收,并且用于生成针对故障传感器的预测值(例如,回顾性预测值),然后可以在错误测量报告中将其用于在传感器发生故障的时段期间的近似流量计算。
图6示出了不同变量的关系,所述不同变量当使用如上所述的流量监测系统时引起对客户财务风险的确定。例如,如上所述,人工智能引擎402基于测量系统的传感器的实时值604生成针对该测量系统的传感器的预测值602(该图中未示出)。预测值602和实时值604用于计算例如压力变送器不确定性606、温度变送器不确定性608和流量计不确定性610。也可以计算其他传感器不确定性或针对同一类型的多个传感器的不确定性,但是为了简化起见,在该图中未示出。
压力变送器不确定性606、温度变送器不确定性608和流量计不确定性610依次用于计算系统不确定性612。系统不确定性612可以另外地考虑由条件监测系统614生成的诊断偏置元素616。也就是说,根据GUM第3.2.3节,可能由潜在失效已经引入附加的不确定性。例如,如果温度传感器被识别为潜在故障,则在设计时间或在站点动态地导出的不确定性模型规定了温度对流量计算具有的总体影响。因此,可以由计量引擎304或由外部系统使用与针对该温度传感器的预测值有关的实时温度来计算动态不确定性。如果所计算的不确定性的增加导致总体流量计算或测量结果不符合合同或监管要求,则用户可以使用该定量信息来对适当的补救行动(例如,修理或重新校准)做出明智的决定。实时系统不确定性612与客户的来自他们的业务系统的财务信息620以及产品的市场价值一起用于以美元或本国货币计算总体财务风险,这些风险可以显示在例如客户位置处的仪表盘视图中。该风险信息可以用于对维护和修理形式的操作支出进行优先处理,并且为未来的资本支出进行计划以升级或更换表现不佳的系统。
以上讨论意在说明本发明的原理和各个示例性实施方式。一旦完全理解以上公开内容,许多变型和修改对于本领域的技术人员而言将变得明显。例如,尽管本发明的实施方式已经关于超声流量计进行了描述,但是本领域技术人员理解,实施方式等同地适用于其他类型的流量计。旨在将所附权利要求解释为包括所有这样的变型和修改。