CN1867876A - 检测连续过程中的系统部件的故障 - Google Patents
检测连续过程中的系统部件的故障 Download PDFInfo
- Publication number
- CN1867876A CN1867876A CNA2004800304586A CN200480030458A CN1867876A CN 1867876 A CN1867876 A CN 1867876A CN A2004800304586 A CNA2004800304586 A CN A2004800304586A CN 200480030458 A CN200480030458 A CN 200480030458A CN 1867876 A CN1867876 A CN 1867876A
- Authority
- CN
- China
- Prior art keywords
- operating parameter
- predetermined number
- model
- continuous process
- actual measured
- 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
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
- G05B23/0218—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
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F22—STEAM GENERATION
- F22B—METHODS OF STEAM GENERATION; STEAM BOILERS
- F22B35/00—Control systems for steam boilers
- F22B35/18—Applications of computers to steam boiler 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
- G05B17/00—Systems involving the use of models or simulators of said systems
- G05B17/02—Systems involving the use of models or simulators of said systems electric
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F28—HEAT EXCHANGE IN GENERAL
- F28F—DETAILS OF HEAT-EXCHANGE AND HEAT-TRANSFER APPARATUS, OF GENERAL APPLICATION
- F28F2265/00—Safety or protection arrangements; Arrangements for preventing malfunction
- F28F2265/16—Safety or protection arrangements; Arrangements for preventing malfunction for preventing leakage
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Evolutionary Computation (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Chemical & Material Sciences (AREA)
- Mathematical Physics (AREA)
- Thermal Sciences (AREA)
- Combustion & Propulsion (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Examining Or Testing Airtightness (AREA)
- Arrangements For Transmission Of Measured Signals (AREA)
- Inspection Of Paper Currency And Valuable Securities (AREA)
Abstract
一种用于检测诸如蒸汽发生器的连续过程部件中的故障的方法和设备。使用诸如高级模式识别的建模技术来建立过程的模型,并且该模型用来为过程的预定数目的操作参数生成预测值。统计过程控制方法用来确定这些参数中的一个或多个的预测与实际测量值之间的差是否超过配置的统计界限。规则集用来指示连续过程部件中的实际或可能的故障。
Description
对相关申请的交叉引用
本申请要求了于2003年10月16日提交的、名称为“A Method ForDetecting Leaks In Tubes Of Steam Boilers”的美国临时专利申请序列号60/511,998的优先权,其内容通过对其整体引用而作为依据并结合于此,并在此要求了35U.S.C.119(e)下的优先权的权益。
技术领域
本发明涉及诸如蒸汽发生器的连续过程,且更具体地,涉及连续过程部件中的故障的检测。
背景技术
诸如蒸汽发生器过程的连续过程系统具有许多部件。蒸汽发生器系统包括锅炉,其具有水流过的管。由于热、压力和随着时间的磨损,锅炉管最终开始泄漏,即开始“泄漏事件”。当一个或多个锅炉管开始泄漏时,由通过其中的泄漏逸出的水闪蒸(flash over)出的蒸汽不再为锅炉环境所有。一般而言,在管泄漏事件的初始时,泄漏的水/蒸汽的量可能是小的。然而,除非管得到维修,泄漏将持续增长,即管泄漏速率随着时间而增加,直到管最终破裂。而且一个管中的破裂可能损坏相邻的管,导致大的总体泄漏。因此,一旦破裂发生,运行锅炉的公用事业公司就被迫立即停止运行锅炉。
锅炉管失效是火力发电厂中的被迫停机的主要原因。例如,仅在美国,每年发生大约41,000个管的失效。对于公用事业公司,这些失效的代价证明是颇为昂贵的,一年超过五十亿美元。[Lind,M.H.,“Boiler TubeLeak Detection System,”Proceedings of the Third EPRI Incipient-FailureDetection Conference,EPRI CS-5395,March 1987]。
为了减少这样的被迫停机的发生,早期锅炉管泄漏检测是高度理想的。早期锅炉管泄漏检测将允许公用事业公司安排在方便的时间维修,而不是遭受后来的被迫停机。另外,检测得越早,限制相邻管损坏的机会就越好。锅炉管泄漏的早期检测所导致的额外的节省由于诸如以下条目而增加:
1)较短的热流率降级周期;
2)较小的由泄漏引起的附属损坏;以及
3)如果捕捉得更快则泄漏本身将更小的潜力。
在现有技术中描述了用以检测锅炉管泄漏的各种方法。美国专利号6,567,795和6,192,352描述了一种使用神经网络和模糊数学的方法。美国专利申请号5,847,266和5,363,693描述了一种使用输入/输出比较的方法。美国专利申请号4,960,079和4,640,121描述了声学方法。现有技术的方法由于不良的模型逼真度和不足的故障容错性而都没有很好地起作用。例如,检测由泄漏的水制造的噪声的声学方法必须与动力室中存在的噪声环境竞争。因此,现有技术的方法的结果不是众多的错误报警,就是未检测到的真实的管泄漏。
发明内容
一种用于检测连续过程部件中的故障的方法。该方法包括建立连续过程的模型;使用所述模型为连续过程的预定数目的操作参数生成预测值;将所述预定数目操作参数中的每个操作参数的、由模型预测的值与操作参数的对应的实际测量值相比较;以及使用统计过程控制(SPC)方法来确定所述预定数目操作参数中的一个或多个操作参数的预测与实际测量值之间的差是否超过配置的统计界限。
一种过程设备。该设备具有计算装置,用于检测在该设备中运转的连续过程部件中的故障。该计算装置用于:
建立连续过程的模型;
使用模型为连续过程的预定数目的操作参数生成预测值;
将所述预定数目操作参数中的每个操作参数的、由模型预测的值与操作参数的对应的实际测量值相比较;以及
使用统计过程控制(SPC)方法来确定所述预定数目操作参数中的一个或多个操作参数的预测与实际测量值之间的差是否超过配置的统计界限。
在一种过程设备中,该过程设备具有:具有一个或多个部件的连续过程;以及用于检测连续过程的一个或多个部件中的故障的计算装置;该计算装置用于:
建立连续过程的模型;
使用模型为连续过程的预定数目的操作参数生成预测值;
将所述预定数目操作参数中的每个操作参数的、由模型预测的值与操作参数的对应的实际测量值相比较;以及
使用统计过程控制(SPC)方法来确定所述预定数目操作参数中的一个或多个操作参数的预测与实际测量值之间的差是否超过配置的统计界限。
一种计算机可读的介质,具有用于执行检测在过程设备中运转的连续过程部件中的故障的方法的指令,所述指令用于:
建立连续过程的模型;
使用模型为所述连续过程的预定数目的操作参数生成预测值;
将所述预定数目操作参数中的每个操作参数的、由模型预测的值与操作参数的对应的实际测量值相比较;以及
使用统计过程控制(SPC)方法来确定所述预定数目操作参数中的一个或多个操作参数的预测与实际测量值之间的差是否超过配置的统计界限。
一种具有处理装置的设备。该处理装置用于:
建立连续过程的模型;
使用模型为连续过程的预定数目的操作参数生成预测值;
将所述预定数目操作参数中的每个操作参数的、由模型预测的值与操作参数的对应的实际测量值相比较;以及
使用统计过程控制(SPC)方法来确定所述预定数目操作参数中的一个或多个操作参数的预测与实际测量值之间的差是否超过配置的统计界限。
附图说明
图1是锅炉/汽轮机动力循环的水/蒸汽侧过程的图。
图1a是示出图1中位置1到24中的每个位置的传感器的表。
图2是示出图1所示过程的高级模式识别模型的实时部署的框图。
图3是示出模型中使用的特定参数的预测值和实际数据之间的良好一致的曲线图。
图4是示出补给流量参数的预测和实际值的曲线图。
图5是示出模型中使用的补给流量和给水流量参数的实际值与预测值的一致、然后偏差的曲线图。
图6是示出包括可以用来实施本发明的计算装置的系统的框图。
具体实施方式
现在参考图1,示出了锅炉/汽轮机动力循环的水/蒸汽侧的过程100的图。本领域的技术人员众所周知的是,水/蒸汽侧过程100包括蒸汽发生器2、高压汽轮机104、中压汽轮机106、低压汽轮机108、发生器110、补给罐112、凝结器114、低压给水加热器116、中压给水加热器118、除气器给水加热器120、高压给水加热器122、凝结水泵124和锅炉馈给泵126。尽管在图1中只示出了一个低压给水加热器116、一个中压给水加热器118和一个高压给水加热器122,应当理解的是,通常存在多个加热器116、118和122,而在图1中示出一个加热器仅为了说明的方便。还应当理解的是,在一些设备中,加热器118位于加热器122和锅炉馈给泵126之间。
诸如压力传感器、温度传感器、流量传感器和功率或其它(miscellaneous)传感器的若干类型的传感器与过程100相关联。在过程100中,这些传感器中的一个或多个处于测量位置1到24。图1a中的表说明了哪些传感器处于各位置1到24。
在过程100中,蒸汽发生器102产生高压蒸汽。由主蒸汽喷射增强的高压蒸汽被馈给到高压汽轮机104。来自高压汽轮机104的膨胀的蒸汽被回馈到蒸汽发生器102,该膨胀的蒸汽在蒸汽发生器102中再热。由再热喷射增强的再热蒸汽被馈给到中压汽轮机106并通过该汽轮机到低压汽轮机108。来自低压汽轮机108的蒸汽被馈给到凝结器114,该蒸汽在凝结器114中凝结为水。附加的水从补给罐112进入凝结器114。
来自凝结器114的水通过凝结水泵124流到低压给水加热器116中。来自低压汽轮机108的抽汽也被馈给到加热器116中。来自低压给水加热器116的经加热的水被馈给到中压给水加热器118中,加热器118也接收来自中压汽轮机106的抽汽。来自中压给水加热器118的经加热的水被馈给到除气器给水加热器120,加热器120也接收来自高压汽轮机104的水。来自除气器给水加热器120的经加热的水通过锅炉馈给泵126流到高压给水加热器122中。加热器122也接收来自高压汽轮机104的水。来自加热器122的经加热的水流到蒸汽发生器102。
本发明使用过程100的水/蒸汽侧的稳态预测模型来检测过程中的管泄漏。存在众多方法用来构建这样的用于诸如过程100的性能良好的系统的模型。这些方法中的几种是:
1.第一原理模型-这些可以良好地起作用,但是构建是昂贵的,并且校准到现有的磨损条件是耗时的。而且,它们趋向于不容忍传感器漂移或传感器失效。
2.神经网络经验模型-这些模型是对第一原理模型的改进,因为它们自动地计入了当前的磨损条件。然而,构建它们是很消耗时间的,并且不容忍随后的传感器漂移、失效或完全在训练范围之外的输入设置。
3.高级模式识别经验模型也自动地计入了当前的磨损条件。它们具有迅速和容易构建的增添的优点并且很容忍多个传感器失效或漂移。
如下面所描述的,在本发明的一个实施例中使用高级模式识别(APR)技术来构建过程100的模型。应当理解的是,包括但不限于上述其它方法的其它技术也可以用来构建用于本发明的模型。如以下结合图2更详细描述的,在构建APR模型之后,对其进行实时部署。可用来生成APR模型的软件产品的一个实例是OptimizeIT On-Target软件,从本申请的要求的最早提交日期起,该软件可以从本发明的受让人处得到。
APR模型可以用于过程100的约50与100个测量参数之间。在特定APR模型中使用的测量的过程参数的精确数目是设备(例如给水加热器的数目和汽轮机抽取点的数目)和设备中可用仪表(instrumentation)的函数。如果一些过程参数不可用,则模型逼真度将轻微地受到损害,但是本发明仍将检测到泄漏,虽然对很小泄漏的检测可能是不可能的,或者可能发生该技术已检测到泄漏的不真实的指示,即可能发生“错误报警”。
现在参考图2,示出了过程100的APR模型200的实时部署。到APR模型200的输入是约50到约100个测量参数的输入,这些参数中的三个在图2中标识为“MU流量”202、“FW流量”204和“Cond流量”206,且其余参数在图2中标识为“其它传感器”208。通过读入参数202、204、206和208的当前值,APR模型200为这些输入参数的每个生成预期的(或模型预测的)值。
参数202、204、206、208的每个的预期值与实际测量值相比较,并且确定称为“DELTA”的两个值之间的差。为了简单说明,图2只示出了MU流量202参数的预期值和实际测量值之间的DELTA的计算210。当DELTA具有正值时,实际测量值大于预期值。
如在图2中由块212所示的,统计过程控制(SPC)方法可以应用于针对单个点或点的组将“正常的”与“不正常的”行为分离。为了简单说明,图2只示出了与MU流量202参数的预期值和实际测量值之间的DELTA相关联的SPC块212。在锅炉管泄漏的情况下,可以假定补给流量202、凝结水流量204和给水流量206的DELTA在大的泄漏发生之后不久变得“不正常”。因此应用SPC工具来计算标准偏差以及对超过配置的统计界限进行检验。
与APR经验模型相结合的SPC方法的使用将在大部分系统操作条件下向设备操作员提示管泄漏的发生。对于大多数单元的循环负载,至少在每日的基础上,并且可能更经常地并由此在负载和其它瞬时(例如碎煤机跳闸(trip))期间,有可能的是,DELTA值可变得足够大而触发统计界限。然而,可以将持续时间因子添加到该界限,使得报警将不触发,直到DELTA值在可配置的时间段内连续地在正方向上在统计上是大的。这消除了瞬时效应。
如上所述,对统计界限的检验将向设备操作员提示较大泄漏的发生,但是大部分泄漏开始时小并随着时间增长。为了识别较小的泄漏,本发明的技术可以将如由图2的块214示出的SPC数据模式检验应用到DELTA值。为了简单说明,图2只示出了块214,其用于对MU流量202参数的预期值和实际测量值之间的DELTA的SPC数据模式检验。可以根据行业接受的模式针对数据模式来检验DELTA值,该行业接受的模式可以是由Western Electric首先开发的众所周知的并且被接受的标准检验,和/或为用于本发明而特别创建的模式或行业标准和特别创建的模式的任何组合。所述模式存储在块214中。
尽管存在许多通常接受的模式检验,感兴趣的是具有正值的一排中“n”个点或“m”个点中的“n”个点之一。一般而言,“n”和“m”的值基于上述的总持续时间和执行计算的频率来建立。另一模式检验可针对DELTA值的保持的增加趋势(例如一排中6个点中的5个点增加)来实施。
确定管泄漏的存在的另一很感兴趣的参数是整体上APR模型200的拟合优度。所有约50个到约100个Delta值由APR模型200用于计算范围在0.0000和1.0000之间的“模型拟合”参数。由APR模型200用来计算模型拟合参数的技术由用来制作APR模型200的软件的出售者来确定。1.0000的模型拟合参数表示完美的模型,就是说,所有约50个到约100个预测输出与它们的对应的输入值完全匹配,并且所有的Delta等于0.00000。0.0000的模型拟合参数表示模型如此不完美以至于没有单独的输出在统计上接近实际测量的参数。在实践中,好的模型拟合参数通常具有约0.97的值。
当管泄漏(或其它显著的设备异常)发生时,整体上对模型的拟合降级,因为许多测量参数受到影响。其中的一些,如三个流量信号MU流量202、FW流量204和Cond.流量206,将有大的变化,而其它的,如FW压力、不透明度、NOx等等,将有较小的变化。此降级将使总模型拟合参数在很短的时间段内降级到诸如0.94或更小的值。再者,统计检验可应用于模型拟合参数,并且该统计检验的结果可用于下面描述的故障规则集。
特别感兴趣的是MU(补给)流量202、总给水流量204和凝结水流量206参数的Delta。如果存在锅炉管泄漏,则本领域的技术人员将预期这三个参数的每个的实际值大于它们相应的模型预测值。因此本发明的方法将这三个Delta中的每个与它们相应的三西格马界限相比较以确定偏差是否为正且在统计上大。为了简单说明,图2只示出了MU流量202参数的Delta的比较224。如果三个参数202、204、206中的任何两个在足以去除瞬时测量效应的时间段内超过这些在统计上大的界限,则其指示了大的锅炉泄漏。该特定时间段对于动力发生单元是特定的,并且依赖于包括蒸汽发生器、仪表和安置仪表的地点的若干因素。在本发明的试运转(commissioning)期间,调节该时间段直到由于负载瞬变和其它设备干扰而导致的故障或损害报警的数目被设备操作人员认为是可容忍的。
再者,如果参数202、204、206的三个Delta中的两个表现出Delta值稍微为正、即实际值大于预测值的保持的时间段,则较小的泄漏是可能的。最终,如果参数202、204、206的Delta中的一个与模式中的一个相匹配,并且模型拟合参数在预定的时间段内小于预定值,则这指示了可能存在泄漏。
上面的所有检验以软件中的泄漏检测规则集220来实施,并且如果为真,则规则集使适当的报警或消息被发送。
尽管建立这样的规则完全在本领域的普通技术人员的能力范围之内,这样的管泄漏规则的一个实例是:
如果在t分钟内,模型拟合Delta大于a,并且:
MU流量Delta大于+b且FW流量Delta大于+c;或
MU流量Delta大于+b且Cond流量Delta大于+d;或
FW流量Delta大于+c且Cond流量Delta大于+d;
则大的锅炉管泄漏是可能的,这里a、b、c和d是关联参数的模糊范围。使用模糊范围是用于例示如果-则风格的规则的一般方法。对于每个参数a、b、c和d,工程单元中特定的模糊范围,例如lbs/hr,将对每个连续过程而不同。由于a、b、c和d的值是模糊范围,所以每个规则的结果是输出为真的概率或确定性。例如,本发明的输出可能是:68%确定存在大的锅炉管泄漏,而同时另一规则可能具有95%确定存在小锅炉管泄漏的输出。
类似地,其它充分了解的故障可以通过使用本发明的技术、即使用相同的APR过程模型200来辨识,但感兴趣的是不同的测量参数和DELTA。这些其它故障的一个实例是给水加热器内的管泄漏,其可以利用给水加热器管泄漏规则集222使用加热器排放、加热器入口和加热器出口温度来检测。这些其它故障的另一实例是进入给水加热器的排放冷却器的蒸汽,其可以使用相同的三个参数、即加热器排放、加热器入口和加热器出口温度以及不同于给水加热器管泄漏规则集222的规则集来检测。
在过程100中可能发生一些事件,对于这些事件尚未写入规则集。图2所示的定时器216和Delta 218用来警报这些事件。
本发明不限于蒸汽发生过程。其可以应用于其它连续过程中的其它充分了解的故障。例如,将最终导致压缩机失效的气体压缩机中的过度密封磨损可以根据该过程的APR模型和密封磨损规则集来检测。
构建过程100的经验模型200的第一步骤是从覆盖约30天操作、针对约100个发射器(transmitter)的设备历史库(plant historian)来汇编正常的操作数据。这些天可以选择成给予模型200与实际一样宽的正常操作谱,例如操作中的不同负载、不同周围条件、不同数目的附件等。由于模型200是稳态模型,所以数据不需要以时钟/日历顺序。数据采集频率可以是从每5分钟到每15分钟的任何频率。同时,覆盖相同数据标签的第二历史数据集应该汇编自不同的日历日期以在模型200构建之后对其进行验证。
这里描述的实施例中使用的APR模型生成软件是OptimizeITOn-Target软件。该软件连接到任何牌子的分布式控制系统(DCS)或历史库,并且包括工具,用来检查原始数据并迅速地丢弃具有丢失的数据或明显的离群值的任何记录。应谨慎地保留覆盖正常偏移和操作模式(例如不能工作的HP FW加热器)的记录,而消除覆盖不正常偏移(例如由于强制通风扇的跳闸而导致的负载回跑(runback))的记录。通常忽略低于30%单元负载的数据。
第二步骤是消除重复的(或很相似的)记录。再者,如本实施例中使用的APR模型生成软件,APR模型生成软件应该包含用来简化对这种记录的移除的工具。以此方式,数千个数据记录可以在几秒内减少到少于500个记录。
第三步骤是根据训练集、即汇编的正常操作数据来构建模型200。高级模式识别技术的特性允许当代PC在小于30秒内完成此任务,该小于30秒的时间比诸如例如神经网络或多元非线性回归的任何其它技术少了许多数量级。
第四步骤是通过使用模型以预测在第一步骤期间采集的第二或验证数据集的值来验证模型200。对于这里所描述的实施例,验证数据集是实际设备数据,其包含了约三周的数据并且在记录中包括了在数据的三周期间的某个时间开始的已知锅炉管泄漏的发生。
如在图3中可见到的,在三周中所选出的2.5天的时段中,在MW负载的预测值400和实际值402之间存在良好的一致。对于该模型中的所有其它天和大多数其它参数也同样为真。
然而,在对于相同的2.5天时间段的补给流量的情形下(图4),在光标位置(记录号994),实际值404开始连续地超过预测406。
为了更好地使此状况的影响可视化,任何变量的DELTA可以在整个三周的时段内累计。对于大多数参数,累计的差将在零附近浮动。如图5所示,这只对于补给流量(迹线408)和给水流量(迹线410)为真,直到记录994。然后那两个参数的实际值连续地超过预测,这指示锅炉管泄漏。线的斜率在某种程度上与泄漏的大小成比例。
为了实施本发明的统计过程控制方面,选择了从本专利申请的要求的最早提交日期起可得自本发明受让人的现成的商业AdviseIT OptimaxPerformance软件包,主要是因为其与On-Target高级模式识别软件紧密地结合。为补给流量、给水流量和凝结水流量DELTA选择了具有适当持续水平的报警界限以检测大的泄漏。较早描述的数据模式检验针对相同的变量而得到激活。Optimax Performance软件还包括工具来实施控制用于泄漏检测的触发器的规则。
如图6所示,本发明可以以在计算装置300上运行的软件程序的形式来实施,该计算装置300通过数据公路302和分布式控制系统(DCS)304连接到一过程,其可以例如是图1的过程100。数据公路302具有与图1的测量位置1到24的传感器对接的能力。计算装置300可以例如是任何适当设置的装置,如能够执行程序的台式PC。程序可以是诸如CD-ROM的合适介质上的一连串指令,并且计算装置300具有诸如众所周知的用于容纳CD-ROM的CDRW驱动器的适当装置,使得程序可以从CD-ROM读取并且载入装置300以便执行,并且如果需要,可存储在作为装置300的一部分的诸如硬盘驱动器的存储介质中。
以上已示出并且参考前述示例性的实施例描述了本发明。然而,应当理解的是,可以构成其它形式、细节和实施例而不背离在下面的权利要求中限定的本发明的精神和范畴。
Claims (29)
1.一种用于检测连续过程的部件中的故障的方法,包括:
建立所述连续过程的模型;
使用所述模型为所述连续过程的预定数目的操作参数生成预测值;
将所述预定数目的操作参数中的每个操作参数的、由所述模型预测的值与所述操作参数的对应实际测量值相比较;以及
使用统计过程控制(SPC)方法来确定所述预定数目的操作参数中的一个或多个操作参数的所述预测与实际测量值之间的差是否超过配置的统计界限。
2.权利要求1的方法,进一步包括确定所述预定数目的操作参数中的一个或多个操作参数的所述预测与实际测量值之间的差是否满足预定SPC模式检验。
3.权利要求1的方法,其中所述模型选自高级模式识别(APR)经验模型、第一原理模型或神经网络经验模型。
4.权利要求3的方法,进一步包括根据所述预定数目的操作参数中的一个或多个操作参数的所述预测与实际测量值之间的所述差在所述APR经验模型中计算模型拟合参数。
5.权利要求1的方法,其中所述连续过程的所述操作参数的所述预定数目依赖于所述连续过程。
6.权利要求1的方法,其中所述连续过程的所述操作参数的所述预定数目在约50与约100之间。
7.权利要求1的方法,进一步包括为所述预定数目的操作参数中的每个操作参数确定所述操作参数的所述预测值与所述操作参数的所述实际测量值之间的差。
8.权利要求5的方法,其中所述连续过程是锅炉/汽轮机动力循环的水/蒸汽侧,以及所述预定数目的操作参数包括补给流量、给水流量和凝结水流量。
9.权利要求7的方法,其中所述预定操作参数中所选择的操作参数的所述差各与关联的三西格马界限相比较。
10.权利要求7的方法,其中所述连续过程是锅炉/汽轮机动力循环的水/蒸汽侧,以及所述预定数目的操作参数包括补给流量、给水流量和凝结水流量,并且所述方法进一步包括为所述补给流量、给水流量和凝结水流量操作参数的每个所述差确定与关联于每个所述操作参数的三西格马界限的偏差。
11.权利要求10的方法,进一步包括:
当所述补给流量、给水流量和凝结水流量操作参数中的任何两个的所述偏差在预定时间段内为正并且在统计上大时,指示所述连续过程中的锅炉管中的大泄漏;以及
当所述补给流量、给水流量和凝结水流量操作参数的任何两个的所述偏差在预定时间段内略微为正时,指示所述锅炉管中的小泄漏。
12.权利要求10的方法,进一步包括根据所有所述差来确定指示所述模型如何良好地拟合所述连续过程的参数,以及根据关联的预定模式来分析所述补给流量、给水流量和凝结水流量操作参数的每个的所述偏差,以及当所述偏差的任何一个与所述关联的预定模式的补给流量、给水流量和凝结水流量操作参数相匹配并且指示所述模型拟合的所述参数在预定时间段内小于预定值时,指示所述锅炉管中可能存在泄漏。
13.一种过程设备,包括:
计算装置,用于检测在所述设备中运转的连续过程的部件中的故障,所述计算装置用于
建立所述连续过程的模型;
使用所述模型为所述连续过程的预定数目的操作参数生成预测值;
将所述预定数目的操作参数中的每个操作参数的、由所述模型预测的值与所述操作参数的对应实际测量值相比较;以及
使用统计过程控制(SPC)方法来确定所述预定数目的操作参数中的一个或多个操作参数的所述预测与实际测量值之间的差是否超过配置的统计界限。
14.权利要求13的过程设备,其中所述计算装置还用于确定所述预定数目的操作参数中的一个或多个操作参数的所述预测与实际测量值之间的差是否满足预定SPC模式检验。
15.权利要求13的过程设备,其中所述计算装置还用于为所述预定数目的操作参数中的每个操作参数确定所述操作参数的所述预测值与所述操作参数的所述实际测量值之间的差。
16.权利要求15的过程设备,其中所述计算装置还用于将所述预定操作参数中所选择的操作参数的所述差与关联的三西格马界限相比较。
17.权利要求16的过程设备,其中所述连续过程是锅炉/汽轮机动力循环的水/蒸汽侧,并且所述预定数目的操作参数包括补给流量、给水流量和凝结水流量,并且所述计算装置还用于为所述补给流量、给水流量和凝结水流量操作参数的每个所述差确定与关联于每个所述操作参数的三西格马界限的偏差。
18.在一种过程设备中,该过程设备包括:
连续过程,具有一个或多个部件;
计算装置,用于检测所述连续过程的所述一个或多个部件中的故障;所述计算装置用于
建立所述连续过程的模型;
使用所述模型为所述连续过程的预定数目的操作参数生成预测值;
将所述预定数目的操作参数中的每个操作参数的、由所述模型预测的值与所述操作参数的对应实际测量值相比较;以及
使用统计过程控制(SPC)方法来确定所述预定数目的操作参数中的一个或多个操作参数的所述预测与实际测量值之间的差是否超过配置的统计界限。
19.权利要求18的过程设备,其中所述计算装置还用于确定所述预定数目的操作参数中的一个或多个操作参数的所述预测与实际测量值之间的差是否满足预定SPC模式检验。
20.权利要求18的过程设备,其中所述计算装置还用于为所述预定数目的操作参数中的每个操作参数确定所述操作参数的所述预测值与所述操作参数的所述实际测量值之间的差。
21.权利要求20的过程设备,其中所述计算装置还用于将所述预定操作参数中所选择的操作参数的所述差与关联的三西格马界限相比较。
22.一种计算机可读介质,其具有指令,用于执行用于检测在过程设备中运转的连续过程部件中的故障的方法,所述指令包括:
建立所述连续过程的模型;
使用所述模型为所述连续过程的预定数目的操作参数生成预测值;
将所述预定数目的操作参数中的每个操作参数的、由所述模型预测的值与所述操作参数的对应实际测量值相比较;以及
使用统计过程控制(SPC)方法来确定所述预定数目的操作参数中的一个或多个操作参数的所述预测与实际测量值之间的差是否超过配置的统计界限。
23.权利要求22的计算机可读介质,其中所述指令进一步包括确定所述预定数目的操作参数中的一个或多个操作参数的所述预测与实际测量值之间的差是否满足预定SPC模式检验。
24.权利要求22的计算机可读介质,其中所述指令进一步包括为所述预定数目的操作参数中的每个操作参数确定所述操作参数的所述预测值与所述操作参数的所述实际测量值之间的差。
25.权利要求24的计算机可读介质,其中所述指令进一步包括将所述预定操作参数中所选择的操作参数的所述差与关联的三西格马界限相比较。
26.一种设备,包括:
处理装置,用于:
建立所述连续过程的模型;
使用所述模型为所述连续过程的预定数目的操作参数生成预测值;
将所述预定数目的操作参数中的每个操作参数的、由所述模型预测的值与所述操作参数的对应实际测量值相比较;以及
使用统计过程控制(SPC)方法来确定所述预定数目的操作参数中的一个或多个操作参数的所述预测与实际测量值之间的差是否超过配置的统计界限。
27.权利要求26的设备,其中所述处理装置还用于确定所述预定数目的操作参数中的一个或多个操作参数的所述预测与实际测量值之间的差是否满足预定SPC模式检验。
28.权利要求26的设备,其中所述处理装置还用于为所述预定数目的操作参数中的每个操作参数确定所述操作参数的所述预测值与所述操作参数的所述实际测量值之间的差。
29.权利要求28的计算机可读的介质,其中所述指令进一步包括将所述预定操作参数中所选择的操作参数的所述差与关联的三西格马界限相比较。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US51199803P | 2003-10-16 | 2003-10-16 | |
US60/511,998 | 2003-10-16 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN1867876A true CN1867876A (zh) | 2006-11-22 |
CN100504689C CN100504689C (zh) | 2009-06-24 |
Family
ID=34465305
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CNB2004800304586A Expired - Fee Related CN100504689C (zh) | 2003-10-16 | 2004-10-13 | 检测连续过程中的系统部件的故障 |
Country Status (7)
Country | Link |
---|---|
US (1) | US7113890B2 (zh) |
EP (1) | EP1676179B1 (zh) |
JP (1) | JP4435785B2 (zh) |
CN (1) | CN100504689C (zh) |
AT (1) | ATE458215T1 (zh) |
DE (1) | DE602004025599D1 (zh) |
WO (1) | WO2005038545A1 (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101782763B (zh) * | 2009-01-19 | 2012-01-25 | 中芯国际集成电路制造(上海)有限公司 | 统计过程控制的监控方法 |
CN101896792B (zh) * | 2007-12-12 | 2012-06-20 | 西门子公司 | 用于生产过程用检测仪表的现场设备 |
CN105683852A (zh) * | 2013-09-06 | 2016-06-15 | 通用电气智能平台有限公司 | 用于模型自适应的设备和方法 |
CN108693864A (zh) * | 2017-03-31 | 2018-10-23 | 阿自倍尔株式会社 | 劣化诊断装置 |
CN109506695A (zh) * | 2018-11-12 | 2019-03-22 | Oppo(重庆)智能科技有限公司 | 测试设备故障检测方法 |
CN110164081A (zh) * | 2018-02-13 | 2019-08-23 | 大唐国际发电股份有限公司陡河发电厂 | 发电机组辅助预警系统 |
CN112489831A (zh) * | 2020-11-20 | 2021-03-12 | 西安热工研究院有限公司 | 一种用于蒸汽发生器事故排放系统功能验证的测试装置 |
CN113418661A (zh) * | 2021-06-11 | 2021-09-21 | 中国核电工程有限公司 | 一种核电厂蒸汽发生器的监测方法及系统 |
Families Citing this family (57)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
IN266758B (zh) * | 2004-01-14 | 2015-05-29 | Abb Inc | |
US8109759B2 (en) * | 2006-03-29 | 2012-02-07 | Fives North America Combustion, Inc. | Assured compliance mode of operating a combustion system |
US8275577B2 (en) * | 2006-09-19 | 2012-09-25 | Smartsignal Corporation | Kernel-based method for detecting boiler tube leaks |
US8311774B2 (en) | 2006-12-15 | 2012-11-13 | Smartsignal Corporation | Robust distance measures for on-line monitoring |
US20080179408A1 (en) * | 2007-01-30 | 2008-07-31 | Johnson Controls Technology Company | Sensor-free optimal control of air-side economizer |
US7827813B2 (en) * | 2007-01-30 | 2010-11-09 | Johnson Controls Technology Company | Adaptive real-time optimization control |
GB2463827B (en) * | 2007-07-17 | 2012-09-05 | Johnson Controls Tech Co | Extremum seeking control with actuator saturation control |
DE112008001872B4 (de) * | 2007-07-17 | 2016-08-11 | Johnson Controls Technology Company | Extremwertregelung mit Rücksetzsteuerung |
US8731724B2 (en) | 2009-06-22 | 2014-05-20 | Johnson Controls Technology Company | Automated fault detection and diagnostics in a building management system |
US8532839B2 (en) * | 2009-06-22 | 2013-09-10 | Johnson Controls Technology Company | Systems and methods for statistical control and fault detection in a building management system |
US9286582B2 (en) | 2009-06-22 | 2016-03-15 | Johnson Controls Technology Company | Systems and methods for detecting changes in energy usage in a building |
US9753455B2 (en) | 2009-06-22 | 2017-09-05 | Johnson Controls Technology Company | Building management system with fault analysis |
US9606520B2 (en) | 2009-06-22 | 2017-03-28 | Johnson Controls Technology Company | Automated fault detection and diagnostics in a building management system |
US9196009B2 (en) | 2009-06-22 | 2015-11-24 | Johnson Controls Technology Company | Systems and methods for detecting changes in energy usage in a building |
US8600556B2 (en) | 2009-06-22 | 2013-12-03 | Johnson Controls Technology Company | Smart building manager |
US8788097B2 (en) | 2009-06-22 | 2014-07-22 | Johnson Controls Technology Company | Systems and methods for using rule-based fault detection in a building management system |
US11269303B2 (en) | 2009-06-22 | 2022-03-08 | Johnson Controls Technology Company | Systems and methods for detecting changes in energy usage in a building |
US10739741B2 (en) | 2009-06-22 | 2020-08-11 | Johnson Controls Technology Company | Systems and methods for detecting changes in energy usage in a building |
WO2011046869A2 (en) * | 2009-10-12 | 2011-04-21 | Abbott Patrick D | Targeted equipment monitoring system and method for optimizing equipment reliability |
WO2011100255A2 (en) * | 2010-02-09 | 2011-08-18 | Johnson Controls Technology Company | Systems and methods for measuring and verifying energy savings in buildings |
US8489363B2 (en) * | 2010-09-28 | 2013-07-16 | General Electric Company | Monitoring and diagnosing generator operation |
WO2012076427A1 (de) * | 2010-12-09 | 2012-06-14 | Basf Se | Verfahren und vorrichtung zur modellbasierten überwachung einer turbomaschine |
US8620853B2 (en) | 2011-07-19 | 2013-12-31 | Smartsignal Corporation | Monitoring method using kernel regression modeling with pattern sequences |
US9256224B2 (en) | 2011-07-19 | 2016-02-09 | GE Intelligent Platforms, Inc | Method of sequential kernel regression modeling for forecasting and prognostics |
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 |
US9360864B2 (en) * | 2012-04-11 | 2016-06-07 | General Electric Company | Turbine fault prediction |
US9390388B2 (en) | 2012-05-31 | 2016-07-12 | Johnson Controls Technology Company | Systems and methods for measuring and verifying energy usage in a building |
US10418833B2 (en) | 2015-10-08 | 2019-09-17 | Con Edison Battery Storage, Llc | Electrical energy storage system with cascaded frequency response optimization |
GB2512087B (en) * | 2013-03-19 | 2020-12-02 | Massive Analytic Ltd | Apparatus for controlling a manufacturing plant |
JP6037954B2 (ja) * | 2013-06-26 | 2016-12-07 | 株式会社日立製作所 | ボイラチューブリーク検出装置、ボイラチューブリーク検出方法、並びにこれらを用いたデータ監視センタ、情報提供サービス、ボイラプラント。 |
US10101730B2 (en) | 2014-05-01 | 2018-10-16 | Johnson Controls Technology Company | Incorporating a load change penalty in central plant optimization |
US9778639B2 (en) | 2014-12-22 | 2017-10-03 | Johnson Controls Technology Company | Systems and methods for adaptively updating equipment models |
CA2976620C (en) | 2015-02-17 | 2022-02-08 | Fujitsu Limited | Determination device, determination method, and determination program |
US10190789B2 (en) | 2015-09-30 | 2019-01-29 | Johnson Controls Technology Company | Central plant with coordinated HVAC equipment staging across multiple subplants |
US10250039B2 (en) | 2015-10-08 | 2019-04-02 | Con Edison Battery Storage, Llc | Energy storage controller with battery life model |
US10283968B2 (en) | 2015-10-08 | 2019-05-07 | Con Edison Battery Storage, Llc | Power control system with power setpoint adjustment based on POI power limits |
US10554170B2 (en) | 2015-10-08 | 2020-02-04 | Con Edison Battery Storage, Llc | Photovoltaic energy system with solar intensity prediction |
US10197632B2 (en) | 2015-10-08 | 2019-02-05 | Taurus Des, Llc | Electrical energy storage system with battery power setpoint optimization using predicted values of a frequency regulation signal |
US10418832B2 (en) | 2015-10-08 | 2019-09-17 | Con Edison Battery Storage, Llc | Electrical energy storage system with constant state-of charge frequency response optimization |
US11210617B2 (en) | 2015-10-08 | 2021-12-28 | Johnson Controls Technology Company | Building management system with electrical energy storage optimization based on benefits and costs of participating in PDBR and IBDR programs |
US10389136B2 (en) | 2015-10-08 | 2019-08-20 | Con Edison Battery Storage, Llc | Photovoltaic energy system with value function optimization |
US10700541B2 (en) | 2015-10-08 | 2020-06-30 | Con Edison Battery Storage, Llc | Power control system with battery power setpoint optimization using one-step-ahead prediction |
US10190793B2 (en) | 2015-10-08 | 2019-01-29 | Johnson Controls Technology Company | Building management system with electrical energy storage optimization based on statistical estimates of IBDR event probabilities |
US10742055B2 (en) | 2015-10-08 | 2020-08-11 | Con Edison Battery Storage, Llc | Renewable energy system with simultaneous ramp rate control and frequency regulation |
US10222427B2 (en) | 2015-10-08 | 2019-03-05 | Con Edison Battery Storage, Llc | Electrical energy storage system with battery power setpoint optimization based on battery degradation costs and expected frequency response revenue |
US10222083B2 (en) | 2015-10-08 | 2019-03-05 | Johnson Controls Technology Company | Building control systems with optimization of equipment life cycle economic value while participating in IBDR and PBDR programs |
US10564610B2 (en) | 2015-10-08 | 2020-02-18 | Con Edison Battery Storage, Llc | Photovoltaic energy system with preemptive ramp rate control |
US10778012B2 (en) | 2016-07-29 | 2020-09-15 | Con Edison Battery Storage, Llc | Battery optimization control system with data fusion systems and methods |
US10594153B2 (en) | 2016-07-29 | 2020-03-17 | Con Edison Battery Storage, Llc | Frequency response optimization control system |
CN106200624B (zh) * | 2016-08-26 | 2019-01-04 | 大连海事大学 | 基于交叉分段pca的工业锅炉故障诊断方法 |
US10838440B2 (en) | 2017-11-28 | 2020-11-17 | Johnson Controls Technology Company | Multistage HVAC system with discrete device selection prioritization |
US10838441B2 (en) | 2017-11-28 | 2020-11-17 | Johnson Controls Technology Company | Multistage HVAC system with modulating device demand control |
US11159022B2 (en) | 2018-08-28 | 2021-10-26 | Johnson Controls Tyco IP Holdings LLP | Building energy optimization system with a dynamically trained load prediction model |
US11163271B2 (en) | 2018-08-28 | 2021-11-02 | Johnson Controls Technology Company | Cloud based building energy optimization system with a dynamically trained load prediction model |
DE102020202866A1 (de) | 2020-03-06 | 2021-09-09 | Robert Bosch Gesellschaft mit beschränkter Haftung | Verfahren und Recheneinheit zur Ursachenanalyse eines anomalen Zustandes einer Maschine |
US11953161B1 (en) | 2023-04-18 | 2024-04-09 | Intelcon System C.A. | Monitoring and detecting pipeline leaks and spills |
Family Cites Families (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US3581714A (en) * | 1969-11-17 | 1971-06-01 | Frank J Smith | Chemical treating system for steam boilers |
DE3336245A1 (de) | 1983-10-05 | 1985-04-25 | Kraftwerk Union AG, 4330 Mülheim | Verfahren zum ermitteln einer leckstelle an druckfuehrenden behaeltern und einrichtung dazu |
GB8905311D0 (en) * | 1989-03-08 | 1989-04-19 | Lucas Ind Plc | Electronic braking system |
US4960079A (en) | 1989-08-03 | 1990-10-02 | Marziale Michael L | Acoustic leak detection system |
US5363693A (en) | 1992-08-19 | 1994-11-15 | Union Camp Corporation | Recovery boiler leak detection system and method |
US5471400A (en) * | 1994-05-24 | 1995-11-28 | Gas Research Institute | Method for detecting and specifying compressor cylinder leaks |
US5727128A (en) * | 1996-05-08 | 1998-03-10 | Fisher-Rosemount Systems, Inc. | System and method for automatically determining a set of variables for use in creating a process model |
US5847266A (en) | 1996-09-13 | 1998-12-08 | Union Camp Patent Holding, Inc. | Recovery boiler leak detection system and method |
JPH1122909A (ja) * | 1997-06-30 | 1999-01-26 | Hitachi Ltd | 熱交換器の細管漏洩検出方法 |
US6076048A (en) * | 1997-09-26 | 2000-06-13 | Betzdearborn, Inc. | System and method for least squares filtering based leak flow estimation/detection using exponentially shaped leak profiles |
SE9703758D0 (sv) * | 1997-10-15 | 1997-10-15 | Asea Brown Boveri | Metod och förfarande för processkontroll vid tillverkning av papper, massa eller board |
US6192352B1 (en) | 1998-02-20 | 2001-02-20 | Tennessee Valley Authority | Artificial neural network and fuzzy logic based boiler tube leak detection systems |
US6681155B1 (en) * | 1998-08-31 | 2004-01-20 | Mitsubishi Chemical Corporation | Optimizing control method and optimizing control system for power plant |
JP2000259243A (ja) * | 1999-03-11 | 2000-09-22 | Ishikawajima Harima Heavy Ind Co Ltd | プラント運転監視支援装置 |
US6223544B1 (en) * | 1999-08-05 | 2001-05-01 | Johnson Controls Technology Co. | Integrated control and fault detection of HVAC equipment |
US6526358B1 (en) * | 1999-10-01 | 2003-02-25 | General Electric Company | Model-based detection of leaks and blockages in fluid handling systems |
US20020099482A1 (en) * | 2000-12-08 | 2002-07-25 | Reese Ronald A. | Engine warm-up model and thermostat rationality diagnostic |
JP3690992B2 (ja) * | 2001-03-01 | 2005-08-31 | 株式会社日立製作所 | 火力発電プラントの異常診断方法及びその装置 |
US7050936B2 (en) * | 2001-09-06 | 2006-05-23 | Comverse, Ltd. | Failure prediction apparatus and method |
US6609051B2 (en) * | 2001-09-10 | 2003-08-19 | Daimlerchrysler Ag | Method and system for condition monitoring of vehicles |
JP4694843B2 (ja) * | 2002-09-30 | 2011-06-08 | 東京エレクトロン株式会社 | 半導体製作プロセスの監視とコンロトールのための装置 |
IN266758B (zh) * | 2004-01-14 | 2015-05-29 | Abb Inc |
-
2004
- 2004-10-07 US US10/962,150 patent/US7113890B2/en not_active Expired - Fee Related
- 2004-10-13 WO PCT/US2004/033801 patent/WO2005038545A1/en active Application Filing
- 2004-10-13 DE DE602004025599T patent/DE602004025599D1/de active Active
- 2004-10-13 JP JP2006535631A patent/JP4435785B2/ja not_active Expired - Fee Related
- 2004-10-13 EP EP04795022A patent/EP1676179B1/en not_active Not-in-force
- 2004-10-13 CN CNB2004800304586A patent/CN100504689C/zh not_active Expired - Fee Related
- 2004-10-13 AT AT04795022T patent/ATE458215T1/de not_active IP Right Cessation
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101896792B (zh) * | 2007-12-12 | 2012-06-20 | 西门子公司 | 用于生产过程用检测仪表的现场设备 |
CN101782763B (zh) * | 2009-01-19 | 2012-01-25 | 中芯国际集成电路制造(上海)有限公司 | 统计过程控制的监控方法 |
CN105683852A (zh) * | 2013-09-06 | 2016-06-15 | 通用电气智能平台有限公司 | 用于模型自适应的设备和方法 |
CN105683852B (zh) * | 2013-09-06 | 2018-04-10 | 通用电气智能平台有限公司 | 用于模型自适应的设备和方法 |
US10295965B2 (en) | 2013-09-06 | 2019-05-21 | GE Intelligent Platforms, Inc | Apparatus and method for model adaptation |
CN108693864A (zh) * | 2017-03-31 | 2018-10-23 | 阿自倍尔株式会社 | 劣化诊断装置 |
CN110164081A (zh) * | 2018-02-13 | 2019-08-23 | 大唐国际发电股份有限公司陡河发电厂 | 发电机组辅助预警系统 |
CN110164081B (zh) * | 2018-02-13 | 2021-01-15 | 大唐国际发电股份有限公司陡河发电厂 | 发电机组辅助预警系统 |
CN109506695A (zh) * | 2018-11-12 | 2019-03-22 | Oppo(重庆)智能科技有限公司 | 测试设备故障检测方法 |
CN112489831A (zh) * | 2020-11-20 | 2021-03-12 | 西安热工研究院有限公司 | 一种用于蒸汽发生器事故排放系统功能验证的测试装置 |
CN112489831B (zh) * | 2020-11-20 | 2021-10-22 | 西安热工研究院有限公司 | 一种用于蒸汽发生器事故排放系统功能验证的测试装置 |
CN113418661A (zh) * | 2021-06-11 | 2021-09-21 | 中国核电工程有限公司 | 一种核电厂蒸汽发生器的监测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
EP1676179A1 (en) | 2006-07-05 |
DE602004025599D1 (de) | 2010-04-01 |
WO2005038545A1 (en) | 2005-04-28 |
US7113890B2 (en) | 2006-09-26 |
US20050096757A1 (en) | 2005-05-05 |
JP4435785B2 (ja) | 2010-03-24 |
JP2007509395A (ja) | 2007-04-12 |
ATE458215T1 (de) | 2010-03-15 |
CN100504689C (zh) | 2009-06-24 |
EP1676179B1 (en) | 2010-02-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN1867876A (zh) | 检测连续过程中的系统部件的故障 | |
EP2423768B1 (en) | Sensor validation and value replacement for continuous emissions monitoring | |
CN101971115B (zh) | 冷凝水回收系统及监测蒸汽损失的方法 | |
US4298955A (en) | Method of and apparatus for the detection and analysis of hazards | |
AU2003203597B2 (en) | Plant maintenance method and apparatus | |
CN107111311A (zh) | 利用稀疏编码方法的燃气涡轮机传感器故障检测 | |
CN101676559B (zh) | 风力涡轮机的警报掩码生成和状态监控的方法 | |
JP2005339558A (ja) | タービン機械システム及びこれに類するものに対する統一品質評価を作成し、自動故障診断ツールを提供するための方法 | |
KR20110116378A (ko) | 산업설비의 공정 여유도 감시 시스템용 데이터 수집 방법 및 그 저장매체 | |
JP6482743B1 (ja) | リスク評価装置、リスク評価システム、リスク評価方法、及び、リスク評価プログラム | |
CN107710089A (zh) | 工厂设备诊断装置以及工厂设备诊断方法 | |
US6502018B1 (en) | Method for diagnosis of equipment | |
AU2003261847A1 (en) | Plant apparatus operation support device | |
WO2019049521A1 (ja) | リスク評価装置、リスク評価システム、リスク評価方法、リスク評価プログラム、及び、データ構造 | |
CN111834025B (zh) | 核电厂安全相关仪表校验类监督项目周期延长的评价方法 | |
JP6980034B2 (ja) | 装置寿命評価方法 | |
JP4523826B2 (ja) | ガスタービン監視装置及びガスタービン監視システム | |
CN114742300B (zh) | 一种脱硝设备锅炉烟道阻力预警方法及系统 | |
CN118329314A (zh) | 火电机组多能级系统泄漏智能在线监测方法和装置 | |
KR20240037297A (ko) | 열전달 반응기 시스템의 열전달 유체 채널의 누출을 결정하는 방법 및 열전달 반응기 | |
CN115270618A (zh) | 一种电站引风机喘振快速溯源方法 | |
CN114526865A (zh) | 一种阀门内漏监测诊断方法 | |
CN117449925A (zh) | 一种汽轮机油系统管道泄漏解决方法及系统 | |
KR20210042928A (ko) | 이상감시장치, 이상감시방법 및 이상감시프로그램 | |
JPH04258721A (ja) | 異常検知装置 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20090624 Termination date: 20151013 |
|
EXPY | Termination of patent right or utility model |