CN115244482A - 用于维护优化的混合风险模型和用于执行此类方法的系统 - Google Patents

Abstract

公开了一种用于对一队或一组涡轮机械资产进行维护优化的计算机实施的方法。该方法包括旨在设置可以离线执行的配置参数的模型训练和设置步骤，以及基于检测到的数据和提取的统计特征对新输入数据进行在线计算的步骤。随后进行异常识别和分类，从而计算风险评估，以用于估计异常可能导致需要对队的一项或多项资产执行维护任务的任何事件的风险。

Description

用于维护优化的混合风险模型和用于执行此类方法的系统

描述

技术领域

本公开涉及在计算机程序中实现的风险模型，该风险模型能够使用基于数字计算机的分析来估计维护时间，该分析被配置为：识别关于信号/系统/单元行为的异常，对这些异常进行分类，以及为异常分配严重性梯度。

更具体地，用于执行这种新的且有用的分析的方法和系统允许用新方式来管理、调度和执行对复杂的成组涡轮机械资产(诸如燃气轮机、压缩机等)的维护。本文提供的解决方案的商业益处有利于完全优化每个用户监测的一队或多队涡轮机械设备的维护场景(工作范围和时间线)，和/或其它约束(维护时间和成本、资产可用性和可靠性)。

背景技术

数字的、基于计算机的调度和执行对复杂的成组涡轮机械资产(诸如燃气轮机、压缩机及其辅助系统)的维护已成为此类资产的用户、所有者和/或操作者的必要优势，无论其是否安装在工厂中或以其它方式安装。

基于现代技术允许通过检查安装在工厂中的传感器的操作来几乎实时地检测运行的工业和/或航改式燃气轮机的状态。为了改进对涡轮机械资产的维护，期望预测工厂的任何可能的故障，以便提高服务系统的盈利能力，但具体地，为了减少工厂的任何停机风险，这也可能导致公共服务的中断，具有非常高的成本。

可提供连接或可连接到燃气轮机的若干已知数据处理系统。此类系统还能够与控制此类燃气轮机的数字操作系统连接，并且能够与此类燃气轮机所在的工厂的控制系统连接，以接收或下载用于检查工厂状态的操作数据。

处理中心通常会处理下载的数据，并基于适当的分析提前预测任何可能的维护干预，以便避免工厂的任何计划外停机。典型的处理中心包括在边缘上或在云上可用的服务器和计算机，能够通过应用适当的基于计算机的方法和算法来处理所下载的燃气轮机和/或工厂的操作数据，其中一些可由原始设备制造商(OEM)提供和/或基于物理模型和/或资产可操作性优化模型。

用于维护场景建模的标准方法是使用固定时间调度方法来规划维护活动。

然而，使用单一的维护时间估计方法(经验的、基于物理的或数据驱动的)通常无法为事件预测和维护规划提供足够的准确性。

由于预测准确性降低或缺失，现有技术中可用的维护优化方法所基于的方法和算法对维护成本以及资产可靠性和可用性产生负面影响。

因此，用于对维护涡轮机械设备和相关辅助系统做出准确预测的改进的优化维护方法和相关处理系统将在该技术中真正受到欢迎。

发明内容

工程知识、队事件经验和监测数据的可用性允许提出一种新的且有用的、数字的、基于计算机的预测性维护服务，其可以使用或合并若干方法来完成：

-基于故障模式概率评估的经验方法；

-用于故障模式进展评估的物理建模；以及/或者

-用于异常检测的纯数据驱动方法。

据信，只有原始设备制造商(“OEM”)(作为监测数据和资产设计的所有者)具有独特的优势来结合上述所有方法，从而确保在任何操作停机风险之前充分提前为一组复杂的涡轮机械资产(诸如一队燃气轮机和/或压缩机)规划维护事件时准确性提高。为了优化维护场景，估计的准确性必须足以通过保证预期的可靠性和可用性来为最终用户提供有效的洞察力。合并三种方法允许通过基于资产知识和服务数据对活动进行优先级排序来优化作业的维护范围。

因此，发明人提出了一种新的且有用的基于计算机的优化方法来管理、调度和/或执行对复杂的成组涡轮机械资产的维护。这种新方法通过合并OEM发动机特定物理学建模(OEM所有权)和基于队的数据驱动方法提高了准确性，提出该方法对于非OEM维护服务提供商来说具有挑战性，因为他们的操作和维护知识以及他们对来自涡轮机械设备的操作数据的访问较少。

在一个方面，本文公开的主题涉及一种用于优化对一组复杂的或一队复杂的工厂和/或相关涡轮机械资产及其辅助系统的维护的方法。涡轮机械资产中的每一项涡轮机械资产被配置为生成由传感器获取和/或由监测和控制系统计算的一个或多个参数。该方法包括模型设置，其中创建和验证模型；和在线计算，其中处理从被监测的队获取的数据并在线提供输出。在线计算方法包括以下步骤：读取由模型设置定义的配置参数，以及在至少一个时间帧内获取/接收从传感器和/或从控制系统和/或从涡轮机械资产的监测和诊断服务输出的操作信号。该方法还包括从操作信号中提取统计和/或数学特征或参数的步骤，以根据由配置参数设置的计算从信号的特征或操作参数中检测一个或多个异常。对每个异常的分类允许区分系统异常，从而使得执行风险评估步骤以用于估计导致资产/系统无可服务性和/或性能低于合同协议限度的任何事件的风险，以及需要执行维护任务以恢复资产/系统的可服务性和预期性能。对传感器异常执行严重性分配步骤，以将严重性分配给被识别为传感器故障的异常。然后，维护处置由维护服务所有者定义的策略分配，并且在监视器或网络服务中可视化，或者作为文件或通过警报系统(诸如音频或视频信号设备)发送给用户和/或现场操作者。

此外，本文公开的主题的另一方面是离线模型设置，以配置整个系统并训练计算步骤。

在另一方面，本文公开的主题涉及通过基于OEM经验、历史队数据和机器学习技术确定资产健康和异常行为以及相关信号模式和值来执行风险模型设置的方法。

在另一方面，本文公开的主题涉及用于异常检测的机器学习方法的应用，方法由应用于由参考健康特征识别异常特征的有监督和/或无监督技术组成。

在另一方面，本文公开了异常分类步骤由有监督方法执行，该有监督方法由多项分类器组成，该多项分类器基于来自过去监测数据和队问题经验的已识别异常将类别分配给异常。

在另外的方面，本文公开了被分类为异常的信号批次由风险评估模型结合来自系统劣化评估和传感器异常严重性来进行处理。

附图说明

当结合附图考虑时，通过参考以下详细描述，将容易地获得对本发明所公开的实施方案及其许多伴随的优点的更全面的理解，这同样变得更好理解，其中：

图1是系统的框图，该框图示出了被配置为优化对一队涡轮机械设备的维护的系统；

图2是根据一个实施方案的中央控制单元的框图；并且

图3是根据第一实施方案的为工厂环境中的一件或多件涡轮机械设备提供改进的维护优化的计算机实施方法步骤的流程图；

图4示出了来自图1的安装在涡轮机械设备上的传感器的去相关信号的一组代表性曲线；并且

图5示出了代表来自图1的安装在涡轮机械设备上的传感器的经处理信号的一组代表性曲线，该组代表性曲线偏离了常规操作行为。

具体实施方式

计算机可读和可执行程序结合并使用模型或算法来估计工业工厂环境中的一项或多项涡轮机械资产和/或相关设备(驱动器/驱动设备和/或辅助系统，如下文更好地解释)的维护时间。此模型是优化的维护服务规划的基础，旨在最小化资产停机和最大化工厂产量，以及针对最终用户、工厂所有者和/或工厂操作者的预期可靠性/可用性要求。

新的且有用的计算机可执行程序的基本方面是通过基于功能/物理的模型来处理信号，该模型被配置为评估历史和当前的特定资产/工厂行为并与它们的数据驱动的分析合并，该分析被配置为估计相对于所监测的设备的预期的、日常的、操作行为的偏差并将此类模型(和/或其输出)与相关系统和故障/劣化事件联系起来。此类系统和故障/劣化事件的示例包括：资产紧急停机和/或启动失败、环境和安全影响、资产性能下降、工厂产量损失、资产可操作性成本增加、材料劣化和组件故障。

本文的公开内容还涉及通过对事件分析和风险评估建模的时间来优化维护场景。

在一个方面，本发明主题针对以下事实，即维护优化方法所基于的模型允许检测相对于预期行为的异常，为异常分配类别和严重性，以便预测未来的异常趋势，并且然后计算调度和/或执行相关维护的时间。

异常检测可以通过机器学习技术来实现，该机器学习技术被配置为定义信号模式相对于参考模式是健康的还是不健康的。参考模式因队相似性分析得到了调整，并且可以通过基于物理的模型(例如热力学性能或材料设计属性建模)和/或数据驱动模型(队数据或历史单位趋势的聚类)进行估计)。这些模式被计算为数字特征，从一批数据中提取(大小可以调整)。然后通过应用多项回归分类器来执行异常分类。然后将识别的异常类别分为两个宏组：系统异常和传感器异常。然后通过风险模型处理这些组，该风险模型将严重性和可能性分配给异常应与之相关的任何事件。

现在参考附图，图1示出了整体由附图标记1指示的维护系统，该维护系统包括待维护的涡轮机械资产的队或组2，和控制逻辑单元3，其中执行维护优化方法以维护队2的涡轮机械资产。控制逻辑单元3操作地连接到待由互联网网络4维护的涡轮机械资产的队2(或“复杂组”)。目的在于该系统(即控制逻辑单元3)也可以在云计算系统中实施。

举例来说，涡轮机械资产的队2包括多个燃气轮机。特别地，示出了三个燃气轮机21、22和23。很明显，待维护的队2可以包括不同数量的燃气轮机21、22和23。

每个燃气轮机21、22或23包括用于产生能量的涡轮机本身，以及用于其操作的相关辅助系统，诸如通常每个燃气轮机21、22和23或涡轮机械资产的操作所需的泵、致动器、管道等。

在一些实施方案中，每个燃气轮机21、22和23可以配备有信号获取模块，分别用附图标记211、221和231指示，每个信号获取模块被配置为从安装在燃气轮机21、22和23上的传感器接收检测信号(通常是电信号)，并且最终处理所述信号，例如在进一步处理任何信号之前对所述信号进行滤波和放大。

而且，待维护的每个燃气轮机21、22和23还包括接收-发送模块212、222和232，用于通过互联网网络4连接和发送信号，以便通过其发送所收集的队2的每个燃气轮机21、22和23的信号。也可以通过不同的通道(例如通过无线电传输、光纤等)将信号从待维护的涡轮机械资产的队2的每个燃气轮机21、22和23传输到控制逻辑单元3。

在一些实施方案中，并且特别参考图2，中央控制单元3可以包括处理器31、处理器31所连接到的总线32、连接到总线32以便由处理器31访问和控制的数据库33、同样连接到总线32以便由处理器31访问和控制的计算机可读存储器34、连接到总线32的接收-发送模块35，该接收-发送模块被配置为通过互联网网络4从待维护的燃气轮机21、22和23的对应的接收-发送模块212、222和232接收数据和向它们发送数据。

在一些实施方案中，中央控制单元3可以被实现或实施为云计算系统、计算机网络或能够通过基于维护优化方法或算法运行适当的计算机程序来处理数据的其它装置。

控制逻辑单元3被配置为执行一个或多个计算机程序，以用于执行用于维护队2的优化方法，这将在下面更好地公开。

在图3中示意性地示出的维护优化方法/算法整体由附图标记5指示，并且如上所述，被实施为计算机程序，如已经提到的，通过计算机或通常可能结合在中央控制单元3中的任何处理装置来执行。

维护优化方法5包括两个主要处理步骤或分支，即模型设置步骤6(其也可以离线执行)，和在线管理步骤7。

如上所述，模型设置步骤6通常离线执行，即不是实时执行，也不是在燃气轮机21、22和23的正常操作期间、在方法的设置阶段或在资产安装和/或配置更新(如重大维护活动或资产更换/升级)时执行。对模型的重新训练可以由专家手动执行，或者可以由自动逻辑检查触发，例如当新计算的健康特征相对于初始特征的距离高于某个阈值时。离线训练步骤6也可以关于历史队数据执行，并且其保存将由在线管理步骤7使用的配置参数CP，如下文更好地公开的。在这方面，模型设置步骤6的结果是用于配置在线管理步骤7的一组配置参数CP，以便优化后者以检测涡轮机械资产的队2的异常并确定维护处置。

离线模型设置步骤6可以在模型未正常工作的任何时间执行，使得例如当基于该方法的模型(下面将更好地描述)提供不再可接受的结果时，需要重新参数化该模型。

在线管理步骤7主要关于处理在线数据，即在待维护的燃气轮机机21、22和23操作时收集的数据，因此其在控制逻辑单元3直接连接到资产监测和通信网络时操作。软件处理能力必须与数据吞吐量保持一致，以避免在基础设施中引入延迟，并确保模型结果及时(甚至实时)可用，从而保证执行异常早期检测并充分提前提供维护处置以规划所需的现场活动。

以合适的软件语言实现的上述离线模型设置步骤6和在线管理步骤7两者均可以在边缘或远程/云基础设施中执行，具体取决于实现维护系统1的实施方案。边缘基础设施只有网络安全和加密要求被软件OEM充分考虑时，才被认为是合适的。

在一个实施方案中，离线模型设置步骤6包括输入信号子步骤61，其中接收来自待监测和维护的队2的燃气轮机21、22和23的一组输入信号。更具体地，信号是从安装在资产上用于检查资产的操作的传感器获取的，并最终由控制系统或其它采集板处理，诸如分别用附图标记211、221和231指示的针对每个燃气轮机21、22和23的信号获取模块，如上所述。此外，输入数据集包括可以通过数据驱动分析和/或基于物理的模型根据获取的信号估计的所有参数，如性能、消耗、排放、材料劣化、组件故障率等。如所提及的，处理步骤可以在边缘或云基础设施上执行。每个信号的采样速率可以不同。

此外，离线模型设置步骤6包括信号的预处理子步骤62，其中执行滤波和/或信号去相关处理，以定义资产操作条件的窗口，其中每个信号必须进行处理和/或监测。例如，在某个速度范围或功率范围内，或在发动机不运转的情况下观察到的信号。

此外，预处理子步骤62去除不同系统的信号之间的相关性，以便独立于资产特定操作条件或环境条件来定义信号的预期行为。这些信号将通过评估其测量值与其去相关的预期值之间的残差来进行处理。这些残差的示例是相对于通过OEM模型和分析获得的计算基线，估计的材料劣化和资产组件老化之间的距离。

在预处理子步骤62之后，离线模型设置步骤6包括队相似性分析或识别子步骤63，以用于识别资产队或组2内的相似性组。例如，在同一生产线中的燃气轮机21、22和23在资产配置和操作参数方面通常非常相似。通过使用距离或相似性度量聚类技术来完成相似性分析。

在前一步骤之后，关于之前识别的相似性队2执行健康特征的计算步骤或队或组特征提取步骤64。提取的特征是统计/数学参数。待使用的特征列表取决于信号的类型。提取的特征的示例是中值、均值、标准偏差、百分位数、导数、峰度、偏度、对由频谱分析获得的主成分和小波分解成分的信号投影。对异常检测和分类算法的训练可以借助于有监督和/或无监督方法执行。在该实施方案中，描述了使用混合有监督-无监督方法的示例。在此步骤中，提取的特征使用聚类算法(例如，k均值或期望最大化算法，如下面更好地解释的)进行处理，并由OEM专家和/或基于历史经验和队数据的自动算法将获得的聚类分类为不同的类别(例如，健康、阶跃变化、噪声、不对称噪声、尖峰、漂移和反常范围/值)。如果专家识别的异常不足以执行模型的设置，则会模拟异常并将其注入数据集中，然后再次执行特征提取。

在一些实施方案中，分类算法可以基于有监督或无监督方法或混合方法。

更具体地，组特征提取步骤64包括识别资产按预期运行的时间帧以及关于燃气轮机21、22和23的每个识别的相似性组计算健康特征的子步骤。然后提取至少一个时间帧内的健康统计/数学特征或参数，识别资产异常运行的时间帧，并计算燃气轮机21、22和23的每个识别的相似性组的异常特征，从而提取至少一个时间帧内异常统计/数学特征或参数。如果在信号历史趋势上没有识别出足够数量和类型的异常，则模拟异常并将该异常注入信号趋势内，并且在已注入异常的时间帧中执行异常特征提取步骤64。

然后使用代表健康状况的特征聚类来训练(参见步骤65)特征重建算法(如自联想核回归(AAKR))，其能够通过关于健康信号观察提取的历史特征的加权平均来估计观察信号的预期特征。然后通过将具有高于距离阈值的残差的信号特征识别为异常来执行异常检测。然后训练分类器，以对相对于专家先前选择和识别的类别识别出的异常进行分类。然后对在整个训练和验证期间包含的时间帧内计算的健康和异常特征执行统计采样，以减少特征数据集的大小，从而保持所有信号中健康和异常特征的相同统计分布。

可以看出，异常检测是动态执行的。检测的阈值取决于具体的发动机状况，因为它使用信号重建技术。

配置参数CP是离线模型设置步骤6的输出，其旨在配置在线计算步骤7的在线异常检测步骤，如下面更好地公开的。这些参数例如是健康和异常特征、相似资产组的组成、信号去相关曲线、风险分析阈值、异常检测和分类模型参数、队统计参数。更一般地，配置参数CP由在执行模型设置步骤6的时间帧内提取的健康和异常特征以及在模型设置步骤6中训练的识别和分类模型的设置参数构成。

在线计算步骤7包括输入信号子步骤71，以定义待考虑的一组输入信号，特别是计算一个或多个附加参数以评估涡轮机械资产21、22和23的健康状态，该一个或多个附加参数选自：性能、排放、组件劣化。该方法步骤与离线训练步骤6的输入信号子步骤61类似，或者可以相同。两个步骤中的信号是从安装在队2的资产上的传感器获取的，即在燃气轮机21、22和23中，并且可能分别由控制系统或其它采集板处理，诸如分别用上述附图标记211、221和231指示的信号获取模块。此外，输入数据集包括可以根据获取的信号估计的所有参数，如性能、消耗、排放、材料劣化、组件故障率等。处理步骤可以在边缘或云基础设施上执行。同样在这种情况下，每个信号的采样率可以不同。

类似于离线训练步骤6，在线管理步骤7包括信号的预处理子步骤72，以用于定义必须处理和/或监测每个信号的资产操作条件的窗口。例如，在某个速度范围或功率范围内，或者在发动机未运转的情况下，有需要观察的信号。此外，此子步骤去除不同系统的信号之间的相关性，以便独立于资产特定操作条件或环境条件来定义信号的预期行为。这些信号将通过评估其测量值与其去相关的预期值之间的残差来进行处理。

在一些实施方案中，离线模型设置步骤6的子步骤61和子步骤62和在线管理步骤7的子步骤71和子步骤72可以彼此相同且分别不区分。

配置参数(异常检测验证)是通过关于历史队数据识别的健康和不健康状况之间进行比较来定义的。配置参数CP是关于时间序列提取的，因此通过比较关于时间序列提取的数值特征来执行验证。

举例来说，图4示出了一组曲线80，每条曲线代表从燃气轮机21、22和23中的一个燃气轮机的传感器之一获取的操作信号，适当地去相关并且因此从预处理子步骤72输出，如上所述。特别地，图4示出了六个绘制曲线，分别用附图标记81、82、83、84、85和86指示。

仅通过目视检查图4，显而易见的是，曲线84、85和86全部围绕水平轴线X(即横坐标)振荡，没有明显偏离。曲线83显示，在第一部分中，其与X轴偏离，因此如果与其它曲线84、85和86相比，显示异常行为；然后，随着时间的流逝，根据该曲线83的信号返回到围绕X轴振荡。这可能意味着所监测的传感器在操作开始时具有暂时性阶段，之后其保持正确操作。最后，曲线81和82沿着时间从X轴显著偏离，表明它们代表其行为的各个传感器相对于由曲线84、85和86表示的那些传感器具有异常操作。

在从队2接收到的信号的预处理子步骤72的下游，提供统计特征提取73，其提取运行异常检测和分类步骤所需的特征，这将在下文中更好地描述。

提取的特征是统计/数学参数。待使用的特征列表取决于分析的信号的类型。由统计/数学特征提取步骤73提取的特征的示例是中值、均值、标准偏差、百分位数、导数、峰度、偏度、对主成分和小波分解成分的投影以及它们的组合。统计数据是在一个或多个定义的时间帧例如一周、一个月等内提取的，采样率可从获取系统/传感器获得或由OEM专家定义。

然后，执行异常检测子步骤74，其识别从队2的燃气轮机21、22和23接收的信号或一组信号是否有异常。在一些实施方案中，该方法可以通过机器学习算法执行，实施有监督和/或无监督方法。异常检测旨在识别哪些信号相对于健康参考特征的模式具有异常特征模式。这种检测可以通过使用信号重建技术(如自联想核回归(AAKR))来完成，在这种情况下，用于相对于可用作配置参数的健康特征模式重建预期信号特征。在重建特征和测量特征之间进行比较是通过使用距离度量或相似性度量(似然度)并将它们与阈值进行比较来执行的，如下面更好地解释。

可以看出，在线计算步骤7执行异常检测和分类。此外，它基于对不同信号异常的多变量分析，通过区分系统和传感器故障增加了对异常严重性的评估。系统异常通常具有与传感器异常不同的特征，并且可能涉及多于一个信号。该算法能够识别系统和传感器行为的几类异常。

为了通过上述算法计算其输出，异常检测子步骤74使用由队特征提取子步骤64和离线训练步骤6的异常检测和分类训练子步骤65生成和接收的模型配置参数CP。

在如上文所公开的信号之间检测异常之后，存在异常分类子步骤75。该子步骤75识别来自传感器的信号或一组信号是否具有异常。该方法可以通过有监督方法执行，通过无监督方法进行调整。

检测和分类算法适用于所有信号，而不适用于单个信号。从动态系统在线获取的信号是定义的时间序列。该算法处理所有操作条件下从资产获取的所有时间序列，如稳态、瞬变和发动机未运转条件。

而且，通过异常检测和分类监测资产的所有子系统。此外，根据对未来信号行为的预测，执行风险评估以了解哪个是维护执行的正确时间线。

有监督方法可以通过确定必须检测的异常类的特征参考模式来执行。可以根据专家经验通过历史数据选择异常类别或模拟异常类别。然后通过如多项逻辑回归、K-NN或贝叶斯网络等技术执行异常识别，分别使用距离度量或相似性度量(似然度)，并且在这种情况下，也将它们与阈值进行比较。在距离度量中，可以提及欧几里得和Wesserstein度量。而且，技术的实施是基于正在分析和处理的信号进行的。

通常，Wesserstein度量距离是最常见的，因为它主要用于时间序列；而对于性能计算参数，通常优选欧几里得度量距离。至于相似性度量，通常应用于针对每个信号识别涡轮机械资产21、22和23之间的相似性组。

多项逻辑回归技术是当前模型中使用最多的技术，因为它比其它可用技术更匹配当前的性能和准确性要求。

识别的类别是不同的异常类型。这里，举例来说，其列出了可以被识别的一组类别：信号冻结、信号漂移、阶跃变化、对称噪声、不对称噪声、尖峰和反常范围。

可以执行无监督方法以定期检查分类器的准确性，以便确定异常类别是否稳定和/或是否必须将新的异常类型添加到类别列表中。将对在最后一个时间帧内提取的特征执行聚类(时间帧的数量可以是任意的)。如果聚类相对于在模型设置期间分配的异常/健康聚类居中，则模型是稳定的并且无需更新；否则将执行新模型设置。可以使用的聚类技术有若干种。特别地，在一些实施方案中，使用期望最大化聚类技术，该技术经常被应用，因为其更好地适应于所接收并待处理的信号的统计分布，从而优化模型准确性，由此降低总体误差。在其它实施方案中，还可以将k均值聚类技术应用于具有相似和对称统计分布的信号。

然后将识别的异常类别与它们所指代的资产相关联；特别地，分类将导致将异常分配给传感器故障或系统/资产故障。分配将由OEM专家定义的逻辑流程图执行。例如，对于某个信号，将分类为信号冻结或噪声的异常分配给传感器故障；而将分类为漂移的异常分配给系统故障。然后将在图3所示的流程图中对这两个宏异常类别进行不同的处理。

换言之，在该实施方案中，异常分类子步骤75在系统异常(漂移或异常范围/值)或传感器异常(诸如冻结、噪声等)的情况下可能具有两种不同的结果。在所述的实施方案中，对于两个可能的结果中的每一个结果，执行不同的处理程序。以此方式，维护优化方法5允许区分故障或异常，以用于相应地区分维护处置和待执行的维护操作。

特别地，在异常分类75检测到系统异常的情况下，执行风险评估步骤761。该风险评估步骤761估计需要在单元(即所示实施方案的涡轮机械21或22或23)停机时执行维护任务的任何事件的风险。与燃气轮机21、22和23相关的事件类别有几个：跳闸、发动机停机、性能下降、计划外维护和计划外发动机/组件更换。每个事件的风险都根据概率和影响进行了评估。

该风险评估步骤761结合了系统故障、资产劣化和部件/材料老化的风险。风险评估是通过根据它们对之前列出的资产不可用事件的影响评估这些现象来完成的。用于执行风险评估的权重和组合标准基于OEM经验和设计模型。风险模型可以是基于物理的、数据驱动的或混合类型的，并且其开发、验证和更新基于测试数据、在线监测数据和检查结果/测量。

风险评估步骤761软件块或模块的输入是识别为受系统异常影响的信号、运行风险评估所需的所有其它信号以及受影响维护范围/日期的传感器异常影响的信号。

现在参考图5并且还参考图4，可以看到在处理从燃气轮机21、22和23接收的信号之后风险评估子步骤761的结果的示例。更具体地，从信号84、85和86可以看出，没有检测到异常，因此产生该信号的传感器没有出现维护问题。相反，风险评估子步骤761生成对应于曲线81、82和83的曲线81′、82′和83′，如上所述，这些曲线偏离了其它曲线的行为，特别是，对于本实施方案，偏离X轴。如果与其它曲线相比，曲线81′、82′和83′加强了其它曲线的不同行为。

以此方式，在检测时间帧的第一部分中强调了曲线83′的异常行为。以相同的方式，曲线84′和曲线85′的异常行为可以在检测时间帧的最后部分中得到体现。

然后，在风险评估步骤761之后，执行模型预测和维护日期子步骤762，其基于对每个模型及其组合的预测分析来估计维护时间。预测可以通过时间序列预测技术或基于老化参数的概率预测来完成。维护日期通过计算预期的总预测风险达到某个限值来估计。

最后，执行维护处置子步骤78，由此将在单元停机和/或单元运转时执行的动作列出并显示在监视器(图中未示出)上，或由用于列出适当的维护操作的任何其它合适的设备大体提供给用户。

更具体地，维护处置步骤78定义了待执行的维护和/或风险减轻动作，区分可以在单元运转时执行的那些和要在下次停机时执行的那些。

待执行的维护动作列表基于已识别的异常和风险评估，并且维护处置在其相关系统/资产异常的风险评估中相对于排名/贡献进行优先级排序。

在一些实施方案中，异常/老化/劣化现象与适当的维护动作之间的映射是基于OEM经验和维护策略建立的。

在异常分类75检测到一个(或至少一个)传感器故障的情况下，执行严重性分配771步骤，其中将严重性分配给被识别为传感器故障的异常。严重性分配771基于异常类型和持续时间以及传感器冗余将严重性分数分配给被分类为传感器故障的异常。异常的示例可以是，例如，信号冻结、噪声和峰值，它们的优先级不同：冻结被认为比噪声更严重，因为它会导致对项目的监测缺失。而且，将考虑异常的频率和持续时间来评估严重性。严重性可以是百分比值或整数值范围(0-10)或任何其它能够对事件严重性进行优先级排序的排名系统。

最后，检查严重性分配步骤771的结果是否影响维护范围或日期(参见子步骤772)。更具体地，在此步骤中，如果可以在线执行校正或风险减轻动作，或者需要发动机停机，则会对其进行映射。取决于异常类型、信号类型和严重性，映射函数来自OEM经验和维护策略。

如果严重性分配步骤771的所述结果影响维护范围或日期，则执行上面已经描述的风险评估步骤761。否则，如果没有任何影响，则执行同样如上所述的维护处置步骤68。

维护优化方法/算法5能够处理整个队的所有涡轮监测信号。然后维护优化方法/算法5从处理输入时间序列开始。

而且，维护优化方法/算法5是一种预测性维护解决方案。维护计划是动态的，因为其基于信号随时间推移的演变。

维护优化方法5的优势在于，该方法合并了OEM维护服务知识和数字服务提供商能力。从技术上讲，这是通过合并故障模式建模的功能/物理知识和基于队监测数据和检查经验开发的数据驱动分析来完成的。

商业优势是OEM物理模型与数据驱动分析的合并允许相对于客户要求优化维护场景：最大可靠性/可用性、最小化中断持续时间、优化作业的中断范围、最大化维护循环时间、最小化关键故障的风险。这种灵活性是OEM资产拥有技术设计、在线监测数据以及历史故障统计和检查结果的所有者的优势。

图3中所示的各种布置和步骤可以以各种方式相互组合。特别地，离线模型设置步骤6和在线计算步骤7的一些共同步骤可以由相同的软件块或模块来执行。

虽然已经依据各种特定实施方案描述了本发明的各方面，但对于本领域普通技术人员来说显而易见的是，在不脱离本权利要求的实质和范围的情况下，多种修改、变化和省略是可能的。此外，除非本文另外指明，否则任何过程或方法步骤的顺序或序列可根据另选的实施方案改变或重新排序。

已详细参考本公开的实施方案，其一个或多个示例在附图中示出。通过解释本公开而非限制本公开来提供每个示例。事实上，对于本领域的技术人员将显而易见的是，在不脱离本公开的范围或精神的情况下，可对本公开进行各种修改和变型。本说明书通篇对“一个实施方案”或“实施方案”或“一些实施方案”的提及意指结合实施方案描述的特定特征、结构或特性包括在所公开的主题的至少一个实施方案中。因此，在整篇说明书的多处出现的短语“在一个实施方案中”或“在实施方案中”或“在一些实施方案中”不一定是指相同的实施方案。此外，在一个或多个实施方案中，特定特征、结构或特性可以任何合适的方式组合。

当介绍各个实施方案的要素时，冠词“一个”、“一种”、“该”和“所述”旨在意指存在要素中的一个或多个要素。术语“包含”、“包括”和“具有”旨在是包括性的，并且意指除列出要素外还可以存在附加要素。

Claims (16)

1.一种用于对一队或一组工厂进行维护优化的计算机实施的方法，其中所述工厂包括一项或多项涡轮机械资产，其中每项涡轮机械资产包括涡轮机和相关辅助系统，并且其中所述涡轮机械资产中的每一项涡轮机械资产包括一个或多个安装的传感器，每个安装的传感器能够生成所述涡轮机械资产的操作信号，所述方法包括以下步骤：

基于历史队数据执行用于计算模型配置参数的模型设置步骤；

在至少一个时间帧内获取由来自所述涡轮机械资产的所述传感器的操作信号构成的数据；

读取在所述模型设置步骤期间定义的所述模型配置参数，以用于处理所述涡轮机械资产的所述传感器的所述操作信号；

从所述至少一个时间帧内的来自所述涡轮机械资产的所述传感器的所述操作信号中提取统计/数学特征和/或参数；

通过多变量问题方法，基于所述配置参数检测在所述提取步骤中提取的所述统计/数学特征和/或参数的一个或多个异常；

基于历史观察和资产知识，将所述检测步骤中检测到的每个异常分类为多个类别；

将所述异常分类为与所述队的所述涡轮机械资产相关的系统异常或分类为传感器异常，

其中，

如果所述分类步骤识别出一个或多个系统异常，则执行风险评估步骤，以用于估计需要维护任务的任何事件的风险以及用于执行维护的适当时间，

否则，如果所述分类步骤检测到一个或多个传感器异常，则执行严重性评估步骤，以用于将严重性分配给被识别为传感器故障的异常；以及

向最终用户分配和发送处置。

2.根据权利要求1所述的方法，其中所述异常检测步骤通过机器学习技术以有监督和/或无监督方法执行，其中在所述有监督方法中，通过将关于所获取/计算的参数提取的所述特征与健康参考信号特征进行比较来执行所述异常检测。

3.根据权利要求1所述的方法，其中将关于所获取/计算的参数提取的所述特征与健康参考信号特征进行所述比较通过使用信号重建技术来实现。

4.根据权利要求3所述的方法，其中所述信号重建技术由自联想核回归(AAKR)技术执行，其中当重建特征与健康特征之间的距离高于相关阈值时识别所述异常，所述相关阈值为所述模型配置参数中的一个模型配置参数，其中用于特征比较的度量是欧几里得距离或Wesserstein距离或似然度量。

5.根据权利要求1所述的方法，其中所述异常分类步骤由分类器执行，从而确定在所述检测步骤处检测到的所述异常的类别，

其中所述异常类别根据历史数据或通过专家知识选择。

6.根据权利要求5所述的方法，

其中所述异常在所述异常分类步骤中分类为不同的类别，所述不同的类别从以下中选择：信号冻结、阶跃变化、对称噪声、不对称噪声、尖峰、反常或异常范围、漂移等；并且

其中所识别的异常类别随后与它们所指代的所述队的所述涡轮机械资产相关联，使得所述分类允许将所述异常分配给与所述队的所述涡轮机械资产相关的传感器故障或系统故障/劣化。

7.根据权利要求1所述的方法，其中所述获取步骤包括以下步骤：

接收来自待监测和维护的所述队的所述涡轮机械资产的输入信号，计算一个或多个附加参数以评估所述涡轮机械资产的健康状态，所述一个或多个附加参数选自：性能、排放、组件劣化；以及

预处理从所述涡轮机械资产接收的所述信号和所计算的其它附加参数以评估所述涡轮机械资产的所述健康状态，其中执行滤波和/或信号去相关处理以获得关于特定资产操作条件的归一化信号。

8.根据权利要求1所述的方法，

其中所述风险评估步骤估计需要在所述涡轮机械资产中的一项涡轮机械资产处执行维护任务的任何事件的所述风险，并且

其中所述方法包括预测步骤以通过基于时间序列预测技术的预测分析或基于老化参数外推的概率预测来估计维护时间。

9.根据权利要求1所述的方法，其中执行严重性分配步骤以基于异常类型和持续时间以及传感器冗余将严重性分数分配给分类为传感器故障的异常。

10.根据权利要求1所述的方法，所述方法包括确定传感器故障是否影响维护范围或日期的步骤，

其中，如果关于所述传感器异常执行的所述严重性分配步骤的结果影响所述维护范围或日期，则执行所述风险评估步骤。

11.根据权利要求10所述的方法，其中需要在所述涡轮机械资产中的一项涡轮机械资产处执行维护任务的所述事件包括降低资产可用性的事件，包括以下中的至少一者：跳闸、计划外停机、系统故障、资产劣化和部件/材料老化、性能下降、发动机/组件故障。

12.根据权利要求1所述的方法，其中用于计算模型配置参数的所述模型设置步骤是离线执行的。

13.根据权利要求1所述的方法，其中所述模型设置步骤包括以下步骤：

接收来自待监测和维护的所述队的所述涡轮机械资产的输入信号；

计算描述所述资产的所述健康状态所需的任何参数，包括性能、排放、组件劣化；以及

预处理从所述涡轮机械资产接收的所述信号和所计算的参数，其中执行滤波和/或信号去相关处理以获得关于特定资产操作条件的归一化信号。

14.根据权利要求13所述的方法，其中所述模型设置步骤包括以下步骤：

识别所述队的所述涡轮机械资产之间的相似性组，通过使用距离或相似性度量的聚类技术对所述队中所有所述资产的操作信号和参数来执行；以及

执行组特征提取步骤，包括以下子步骤：

识别资产按预期运行的时间帧并且计算关于所述涡轮机械资产的每个所识别的相似性组的健康特征，以及在至少一个时间帧内提取健康统计/数学特征或参数，

识别资产异常运行的时间帧并且计算关于所述涡轮机械资产的每个所识别的相似性组的所述异常特征，在至少一个时间帧内提取异常统计/数学特征或参数，其中在信号历史趋势上未识别出足够数量和类型的异常的情况下，模拟所述异常并将所述异常注入信号趋势内，并在已注入异常的时间帧之间执行所述异常特征提取步骤；以及

训练所述异常识别和所述分类步骤，所述异常识别和所述分类步骤分别是信号重建AAKR和多项分类模型；

其中所述配置参数由在执行所述模型设置步骤的时间帧内提取的健康和异常特征以及在模型设置步骤内训练的识别和分类模型的设置参数构成。

15.根据权利要求14所述的方法，其中所述统计/数学特征或参数是中值、均值、标准偏差、百分位数、导数、峰度、偏度、对由频谱分析获得的主成分和小波分解成分的投影，以及它们的组合。

16.一种用于对一队或一组工厂进行维护优化的系统，其中所述工厂包括一项或多项涡轮机械资产，并且其中所述涡轮机械资产中的每一项涡轮机械资产包括安装的一个或多个传感器，每个传感器生成操作信号，包括：

控制逻辑单元，所述控制逻辑单元包括

至少一个总线，

至少一个处理器，所述至少一个处理器连接到所述总线，

数据库，所述数据库连接到所述总线以便由所述处理器访问和控制，其中存储了模型配置参数，

计算机可读存储器，所述计算机可读存储器连接到所述总线以便由所述处理器访问和控制，

接收-发送模块，所述接收-发送模块连接到所述总线，所述接收-发送模块被配置为通过互联网网络接收和发送数据以用于接收所述队的来自所述涡轮机械资产的所述操作信号和所述相关计算参数(性能、排放、劣化率等)，和

至少一个监视器和/或警报系统，

其中所述至少一个处理器被配置为：

从所述数据库获取所述模型配置参数，以用于处理所述涡轮机械资产的所述传感器的所述操作信号；

在至少一个时间帧内从所述涡轮机械资产的所述传感器获取所述操作信号；

从所述至少一个时间帧内的来自所述涡轮机械资产的所述传感器的所述操作信号中提取数学/统计特征或参数；

基于所述配置参数从在所述提取步骤中提取的所述涡轮机械资产的所述传感器的所述统计特征或参数中检测一个或多个异常；

关于所提取的所述数学/统计特征的模式对在所述检测步骤中检测到的每个异常进行分类；

将在所述异常分类步骤中分类的每个异常分为与所述队的所述涡轮机械资产相关的系统异常或分为传感器异常，其中，

如果所述分类步骤检测到一个或多个系统异常，则执行风险评估步骤，以用于估计需要关于受监测的所述系统/资产执行维护任务的任何事件的所述风险，

否则，如果所述分类步骤检测到一个或多个传感器异常，则执行严重性分配步骤，以用于将严重性分配给被识别为传感器故障的异常，并且在严重性高的情况下，执行风险评估步骤以用于估计需要关于受监测的所述传感器或所述涡轮机械资产执行维护任务的任何事件的所述风险；

预测未来的信号异常行为和相关风险，以便评估维护时间，计算为信号和/或风险将达到预定阈值的时间；

定义将在下一个估计的维护日期执行的校正/维护动作，以便恢复维护范围下每项资产的健康状况；以及

通过所述监视器和/或所述警报系统可视化估计的维护时间和相关的维护处置。

Images