CN1860419A - 技术设备的运行方法 - Google Patents

技术设备的运行方法 Download PDF

Info

Publication number
CN1860419A
CN1860419A CNA2003801106018A CN200380110601A CN1860419A CN 1860419 A CN1860419 A CN 1860419A CN A2003801106018 A CNA2003801106018 A CN A2003801106018A CN 200380110601 A CN200380110601 A CN 200380110601A CN 1860419 A CN1860419 A CN 1860419A
Authority
CN
China
Prior art keywords
running parameter
parameter
technical equipment
artificial intelligence
working method
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.)
Granted
Application number
CNA2003801106018A
Other languages
English (en)
Other versions
CN100430845C (zh
Inventor
沃尔夫冈·菲克
尤维·格克
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.)
Siemens AG
Original Assignee
Siemens AG
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 Siemens AG filed Critical Siemens AG
Publication of CN1860419A publication Critical patent/CN1860419A/zh
Application granted granted Critical
Publication of CN100430845C publication Critical patent/CN100430845C/zh
Anticipated expiration legal-status Critical
Expired - Fee Related legal-status Critical Current

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
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0205—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric not using a model or a simulator of the controlled system
    • G05B13/026—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric not using a model or a simulator of the controlled system using a predictor
    • 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
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G05B13/0295—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using fuzzy logic and expert systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Mathematical Physics (AREA)
  • Fuzzy Systems (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明涉及一种运行一个技术设备的方法，这种方法是在一个时间间隔内探测工作参数，并借助人工智能方法根据所述工作参数的时间响应测定所述技术设备的一种工作方式和/或工作原理。

Description

技术设备的运行方法
技术领域
本发明涉及一种运行一个技术设备，尤其是一个电站设备的方法。
背景技术
现代工业设备一般具有大量的设备部件，这些部件彼此间的相互作用非常复杂。
为了能使设备运行，一般至少在重要的设备部件中用传感器探测工作参数，并将其传输给一个自动化控制系统和/或过程控制系统。这些工作参数可以是例如用于使一个设备部件以预期的方式运行的输入参数，其由一名操作员调整。例如在燃气轮机中，为使燃气轮机达到预期功率，必须调节对燃烧室的燃料供给和供气。这个功率同样是燃气轮机的一个工作参数，可以将其看作输出参数。
除此之外，燃气轮机还与一个发电机及大量其他辅助设备相连。每个设备部件具有大量工作参数，这些工作参数由设备操作员调整或者作为此类调整的结果以输出参数的形式出现。
显而易见的是，单纯通过工作参数的探测只能在有限的范围内获得可用于技术设备运行的推断和措施。这一点最多只能在部分范围内得以实现，例如当一个工作参数的当前值超过或低于一个极限值而要紧急关闭一个设备部件时。
一个主要的难题在于，如何在大量的工作参数数据中识别出总体上能够对设备运行产生积极影响的关联性。
现有技术的一种解决方案是借助一个模型对技术设备进行模拟，得出参数的哪种变化会导致其他工作参数的哪种变化，从而了解设备部件之间或一个设备部件内部的交互作用。
但这种方法成本很高，容易出现误差，这是因为对一个复杂技术设备的模拟难度很高且只能达到有限的精确度。
发明内容
因此，本发明的目的是提供一种运行一个技术设备的方法，借助所述方法可以以简单的方式测定一个技术设备的工作方式。
根据本发明，这个目的通过一种运行一个技术设备的方法而达成，这种方法是在一个可自由选择长短的时间间隔内探测至少一个设备部件的工作参数，并借助人工智能方法根据所述工作参数的时间响应测定所述技术设备的一种工作方式和/或工作原理，所述人工智能方法包括下列方法中的至少一种：神经网络、模糊逻辑、有机结合的模糊类神经法、基因算法。
其中，所述工作参数也包括例如由状态监控系统(例如一个振动分析器)当作实测变量或导出量进行测定并提供使用的量。
本发明基于如下考虑，即，从工作参数的时间响应中可以推断出技术设备的当前工作方式，而无须事先知道各工作参数之间的相互关系，其中，所述工作参数在一个时间间隔内探测并存储。这种做法的特点是在做出上述推断时并不需要技术设备的模型。
其中，可以使用例如下述方法来探测所述工作参数的时间响应，即，在一个当前时间点和一个相对延后的(或历史)时间点上分别对一定数量的工作参数同时进行探测，并将其分别概括成一个瞬态记录/指纹，随后可以对这些瞬态记录进行比较。
如果像本发明的方法所设想的那样至少在一个观测时间间隔内探测到其间出现的工作参数及其时间响应，则可以借助已知的人工智能方法确定一定数量的工作参数的变化对其他工作参数所产生的影响并对这种影响进行量化。
如果例如在探测时间间隔内某些工作参数发生变化(例如线性变化)，并且某些其他工作参数随后也显示出发生了变化(例如平方变化)，则可以借助人工智能方法对这种关联性进行追踪和量化，而无须事先存在或测定一个模型函数。
已知的人工智能方法可以通过分析一定数据量内的工作参数的时间响应来了解这部分工作参数之间的关联性。有待分析的工作参数数据量越大，所测定的关联性就越准确，其量化效果也越好。识别出特定工作参数之间的关联性并对其进行量化后，所述人工智能方法还可以针对某些工作参数及其变化情况指出与之相关的其他工作参数有可能做出的响应，这里所说的“某些工作参数及其变化情况”指的是那些还不具有作为已测得工作参数数据组的映射的工作参数及其变化情况。
因此，借助本发明的方法可以以简单的方式测定所述技术设备的工作方式和/或工作原理，尤其是无须对所述设备的技术功能进行模拟。其中，通过对工作参数的响应和工作参数之间的相互关系进行所述分析来测定工作方式和/或工作原理。在时间间隔内探测到的工作参数可以理解为瞬态记录或当前记录，也可以理解为设备部件或设备的特性(设备部件或设备的“指纹”)。在此，指纹取代了传统的模型，其中，本发明的方法是借助人工智能方法根据工作参数的响应推断出技术设备的工作方式和/或工作原理。为此，例如在一个电站设备中，可以通过记录用于启动、停止和正常运行的指纹来了解和识别这几种工作方式。
本发明的一种优选实施例是，在至少两个长度不同的时间间隔内探测所述工作参数，对分别作为数据组而探测到的工作参数进行比较，借助人工智能方法获得这样一个预测，即，应怎样调整工作参数才能使技术设备获得一种预期的工作方式，其中，所述人工智能方法包括下列方法中的至少一种：神经网络、模糊逻辑、有机结合的模糊类神经法、基因算法。
在上述实施例中要对至少两个指纹进行比较，并对例如相对变化最大的工作参数进行目的明确的分析。通过所述比较可以确定，某些参数必须发生哪种变化才能目的明确地影响某些其他参数。
一个电站设备可能例如连续数日处于正常运行状态，然后输出功率突然出现下降。通过比较从技术设备的历史信息中提取的指纹，可以获知发生变化的地方(例如显示外部空气压力的工作参数明显降低)和至少维持现有功率的应对措施(例如显示燃烧用空气压力的工作参数也出现了下降)。通过对选出的工作参数进行目的明确的调整而测定电站设备的一种预期工作方式，从中获得一个预测。为使电站设备获得预期的工作方式，所述预测以数据组的形式优选包括有关需要修改的工作参数及其调整值的数据。
所述比较也包括对结构相同的不同设备的指纹进行的比较，和对只是彼此相似的设备的指纹进行的比较。
特别优选的方案是除所述预测外还测定一个置信度，这个置信度表示根据预测对工作参数进行调整而实现预期工作方式的概率。一个例如为100％的置信度所表示的是，根据预测而实施的工作参数调整基本能使技术设备获得预期的工作方式。当技术设备的当前预期工作方式以及可能出现的边界条件(例如环境因素)在过去已经实现或出现过，并且其间所使用的工作参数调整值作为指纹也为已知时，就会产生这样高的置信度。
在这种情况下，可以基本确信所述技术设备即使现在也可以获得预期的工作方式。
一个例如为60％的置信度所表示的是，与技术设备的当前预期工作方式相比，不存在表示与当前预期工作方式精确相符的历史工作方式的指纹。但存在过一种相似的工作方式，因此虽然不能最大程度地保证根据预测对工作参数实行调整能实现预期的工作方式，但仍然存在较大的成功几率。
此外，一个近乎为0％的置信度所表示的是，几乎还没有存在过一个可比较的技术设备预期工作方式，因此，在预测中获得的工作参数调整值不太可能用来实现预期的工作方式。
技术设备的工作方式有利地通过对工作参数进行相关分析来测定，其中，测定相应于输入参数的工作参数的变化对相应于输出参数的工作参数所产生的影响。
这个实施例是目的明确地探测输入参数的变化对与之相关的输出参数所产生的影响，并对这种影响进行量化。
这里所说的输入参数一般是其值须由技术设备的操作员调整或者取决于边界条件，例如环境因素，的工作参数。
输出参数是调整输入参数后产生的、并因此而与这部分输入参数相关的工作参数；所述相关分析所分析的是关联性的类型，并将其量化。
一种理想方案是在一个技术设备中探测所有重要部件的工作参数，这样，通过一种根据本发明的方法就可以以简单的方式测定整个技术设备的工作方式，并对其做出调整；在此，根据本发明的方法可以构建一个控制系统，借助这个控制系统和闭环控制回路对一个或多个设备部件以及整个技术设备进行控制。在本发明的方法中生成工作参数的一个数据库映射。这个映射使技术设备的操作员可以得到工作参数之间的关联性和技术设备的工作方式，将其自身所知与探测到的数据进行对比，并且目的明确地将技术设备调到预期的工作方式上。优选对多个指纹进行比较，以此来确认，哪些认识可以从一种工作方式沿用到另一种工作方式上。相应的结果和预测可以简单地存储为数据组，根据需要随时读取。
附图说明
下面对本发明的一个实施例作进一步说明，其中：
附图为一个用于实施本发明的方法的处理系统。
具体实施方式
附图显示的是一个处理系统1，其包括一个用于实施本发明的方法的处理单元10。一个技术设备的工作参数5被传输到所述处理单元10中，所述工作参数包括输入参数15和输出参数20。
一个计时器25用于选出一个用来探测所述工作参数5的有利时间间隔。
通过一个神经网络30和/或一个模糊类神经功能单元35和/或一个或多个基因算法器40对工作参数5在所述时间间隔内的时间响应进行分析，从中探测出至少一部分输入参数15和至少一部分输出参数20之间的关联性，并对其进行量化。有关所述关联性的认识最后可以用来生成一个包括至少一部分工作参数5的调整值的数据组50，从而使一个技术设备的一个设备部件获得预期的工作方式。所述数据组50代表这样一个预测，即，应怎样调整某些工作参数才能使技术设备获得预期的工作方式。此外，处理单元10还输出一个置信度55，这个置信度表示根据数据组50的数据对工作参数进行调整而实现预期工作方式的概率。
在处理单元10的内部进行输入参数15和输出参数20之间的相关分析，从而通过获知输入参数15以及与之相关的输出参数20的时间响应来实现技术设备的工作方式和工作原理，并生成用于实现技术设备预期工作方式的数据组50，其中，至今尚未为所述预期工作方式探测过具有相应输入参数15和输出参数20的工作参数5。就这一点而言，处理单元10具有实施内插法的能力。

Claims (4)

1.一种运行一个技术设备的方法，其特征在于，
在一个可自由选择长短的时间间隔内探测至少一个设备部件的工作参数，并借助人工智能方法根据所述工作参数的时间响应测定所述技术设备的一种工作方式和/或工作原理，所述人工智能方法包括下列方法中的至少一种：神经网络、模糊逻辑、有机结合的模糊类神经法、基因算法。
2.根据权利要求1所述的方法，其特征在于，
在至少两个长度不同的时间间隔内探测所述工作参数，对分别作为数据组而探测到的工作参数进行比较，借助人工智能方法获得这样一个预测，即，应怎样调整至少一部分所述工作参数才能使所述技术设备获得一种预期的工作方式，其中，所述人工智能方法包括下列方法中的至少一种：神经网络、模糊逻辑、有机结合的模糊类神经法、基因算法。
3.根据权利要求2所述的方法，其特征在于，
除所述预测外还测定一个置信度，所述置信度表示根据所述预测对所述工作参数进行调整而实现预期工作方式的概率。
4.根据权利要求1至3中任一权利要求所述的方法，其特征在于，
通过对所述工作参数进行一次相关分析来测定所述技术设备的工作方式，其中，测定相应于输入参数的工作参数的变化对相应于输出参数的工作参数所产生的影响。
CNB2003801106018A 2003-10-29 2003-10-29 技术设备的运行方法 Expired - Fee Related CN100430845C (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/DE2003/003584 WO2005045535A1 (de) 2003-10-29 2003-10-29 Verfahren zum betrieb einer technischen anlage

Publications (2)

Publication Number Publication Date
CN1860419A true CN1860419A (zh) 2006-11-08
CN100430845C CN100430845C (zh) 2008-11-05

Family

ID=34558674

Family Applications (1)

Application Number Title Priority Date Filing Date
CNB2003801106018A Expired - Fee Related CN100430845C (zh) 2003-10-29 2003-10-29 技术设备的运行方法

Country Status (7)

Country Link
US (1) US20070078532A1 (zh)
EP (1) EP1678563A1 (zh)
JP (1) JP2007510187A (zh)
CN (1) CN100430845C (zh)
AU (1) AU2003291924B2 (zh)
DE (1) DE10394362D2 (zh)
WO (1) WO2005045535A1 (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102005060635A1 (de) * 2005-12-13 2007-06-14 Siemens Ag Steuerungsverfahren zur Kühlung einer technischen Anlage
JP7090243B2 (ja) * 2018-05-08 2022-06-24 千代田化工建設株式会社 プラント運転条件設定支援システム、学習装置、及び運転条件設定支援装置
CN115037608A (zh) * 2021-03-04 2022-09-09 维沃移动通信有限公司 量化的方法、装置、设备及可读存储介质

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE4130164A1 (de) * 1991-09-11 1993-03-18 Bodenseewerk Geraetetech Regler, insbesondere flugregler
JPH07501643A (ja) * 1991-12-09 1995-02-16 シーメンス アクチエンゲゼルシヤフト 制御パラメータに依存する実際値特性を有するシステムに対する制御パラメータの最適化方法
CN1075219A (zh) * 1992-11-19 1993-08-11 北方工业大学 模糊控制方法和模糊控制器
US5825646A (en) * 1993-03-02 1998-10-20 Pavilion Technologies, Inc. Method and apparatus for determining the sensitivity of inputs to a neural network on output parameters
US5566065A (en) * 1994-11-01 1996-10-15 The Foxboro Company Method and apparatus for controlling multivariable nonlinear processes
US5598075A (en) * 1995-09-13 1997-01-28 Industrial Technology Research Institute Servo control method and apparatus for discharging machine
US6381504B1 (en) * 1996-05-06 2002-04-30 Pavilion Technologies, Inc. Method for optimizing a plant with multiple inputs
US6603795B2 (en) * 2001-02-08 2003-08-05 Hatch Associates Ltd. Power control system for AC electric arc furnace
WO2003017745A2 (en) * 2001-08-23 2003-03-06 Sciperio, Inc. Architecture tool and methods of use
EP1563348A2 (en) * 2002-08-21 2005-08-17 Neal E. Solomon Systems, methods and apparatus for organizing groups of self-configurable mobile robotic agents in a multi-robotic system

Also Published As

Publication number Publication date
WO2005045535A1 (de) 2005-05-19
EP1678563A1 (de) 2006-07-12
US20070078532A1 (en) 2007-04-05
DE10394362D2 (de) 2006-09-21
AU2003291924B2 (en) 2009-05-28
CN100430845C (zh) 2008-11-05
AU2003291924A1 (en) 2005-05-26
JP2007510187A (ja) 2007-04-19

Similar Documents

Publication Publication Date Title
US6876943B2 (en) Inferential signal generator for instrumented equipment and processes
CN1320414C (zh) 过程控制回路参数估计值的统计确定法
US8566070B2 (en) Apparatus abnormality monitoring method and system
CN1542424A (zh) 检测紧急传感器失效的方法和装置
CN105718876A (zh) 一种滚珠丝杠健康状态的评估方法
WO2008156678A1 (en) Virtual sensor system and method
CN1599889A (zh) 过程控制环中的不稳定的检测和鉴别
EP1864193A2 (en) Predictive emissions monitoring system and method
CN1535494A (zh) 与电力输送有关的改进
US6947870B2 (en) Neural network model for electric submersible pump system
CN109643484A (zh) 在预警系统中考虑外部影响来学习最新数据的方法以及用于该方法的系统
CN117473411A (zh) 基于改进Transformer模型的轴承寿命预测方法
US20220043440A1 (en) Methods and systems for predictive analysis and/or process control
CN1860419A (zh) 技术设备的运行方法
CN113589172A (zh) 一种电网元器件的寿命预估方法
Kosturkov et al. Diagnosis of Pneumatic Systems on Basis of Time Series and Generalized Feature for Comparison with Standards for Normal Working Condition.
CN114266013B (zh) 基于深度学习虚拟感知网络的传动系统振动解耦方法
US20180087489A1 (en) Method for windmill farm monitoring
CN115795999A (zh) 一种长期服役抽水蓄能机组性能异常预警方法
Kozlenko et al. Software implemented fault diagnosis of natural gas pumping unit based on feedforward neural network
EP3604195B1 (en) Method, system and computer program product for predicting failure of a noise-emitting apparatus
Rogers et al. Digital twinning for condition monitoring of marine propulsion assets
CN112504522B (zh) 一种基于类脑计算的微压力传感器
CN116643170B (zh) 电机轴系振动测试方法、装置和计算机设备
Liu et al. Performance similarity based method for enhanced prediction of manufacturing process performance

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
C17 Cessation of patent right
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20081105

Termination date: 20091130